Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização

Detalhes bibliográficos
Autor(a) principal: Jesus, Liandra dos Santos
Data de Publicação: 2024
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
dARK ID: ark:/35916/0013000000gcx
Texto Completo: http://repositorio.uem.br:8080/jspui/handle/1/8279
Resumo: Orientador: Prof. Dr. Gislaine Camila Lapasini Leal.
id UEM-10_25371b85586adc67158a5d46f4f3d411
oai_identifier_str oai:localhost:1/8279
network_acronym_str UEM-10
network_name_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository_id_str
spelling Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterizaçãoSegurança no trabalhoSaúde no trabalhoAcidente de trabalhoClusterizaçãoTransporte terrestre363.12EngenhariasEngenharia de ProduçãoOrientador: Prof. Dr. Gislaine Camila Lapasini Leal.Coorientador: Prof. Dr. Rodrigo Clemente Thom de Souza.Dissertação (mestrado em Engenharia de Produção) - Universidade Estadual de Maringá, 2024Embora existam inúmeras diretrizes como as da Organização Internacional do Trabalho, ISO 45001, Global Sustainability Standards e no Brasil, as Normas Regulamentadoras que amparam o trabalhador e defendem um local de trabalho seguro, acidentes e outros riscos ainda prevalecem. A segurança e a saúde são intrinsecamente interligadas, além de serem indispensáveis para se ter um ótimo negócio, já que os trabalhadores influenciam o desempenho e a produtividade de uma empresa. Logo, o desenvolvimento tecnológico tem transformado os paradigmas de gerenciamento de saúde e segurança no trabalho (SST) recorrendo a conceitos como o de inteligência artificial, mineração de dados, aprendizado de máquina, business intelligence etc. em prol de melhorias na qualidade das informações, de monitoramento, de desenvolvimento de novo meios de segurança e de auxílio a tomadas decisões. Nesse contexto, o objetivo deste trabalho é resumir as pesquisas da literatura sobre a utilização de mineração dados sobre a SST, descrevendo as principais aplicações, os setores mais estudados e os países que mais a estudam. Além de uma análise de um conjunto de dados brasileiro de acidentes ocupacionais do setor de transporte terrestre. Para isso, desenvolveu-se uma atualização sistemática e uma revisão terciária que buscaram na literatura artigos que envolvessem mineração de dados e aprendizado de máquina em SST, resultando em 62 artigos e 8 revisões, que demonstraram a construção civil, a mineração e o transporte como setores com maior mortalidade ocupacional e os mais estudados pelos pesquisadores. E que a tarefa de classificação foi a mais empregada utilizando-se principalmente de métodos neurais e ensemble, por ser principalmente de fácil aplicação e validação. Consequentemente, vêm aumentando as pesquisas que utilizam essa tarefa, como a detecção de EPI e de acidentes, principalmente por meio de imagens. Por outro lado, não foram encontradas pesquisas voltadas a acidentes de trajeto e poucos estudos focados em stress e ao psicológico dos trabalhadores têm sido realizados. O segundo artigo, explorou o conjunto de dados de Comunicação de Acidentes de Trabalho (CAT) no setor de transporte terrestre, num período de junho de 2018 a novembro de 2023. O estudo verificou cada um dos atributos por meio de uma análise descritiva e de independência, por último, aplicou o K-Means que é uma técnica de clusterização que busca novos conhecimentos para ajudar no apoio à tomada de decisão. A partir deste artigo, concluiu-se que a base de dados da CAT é desbalanceada, e precisa de melhorias na qualidade 7 dos dados. Apesar disso, foi aplicado a clusterização na qual os dados foram agrupados em 3 grupos, em que cada um destacou um tipo de acidente, em que as doenças estão mais ligadas aos modais de passageiros, escolar e turísticos. No de trajetos, pessoas que possuem ocupações de nível médio e funções transversais. E o típico está mais ligado a prestadores de serviços. Desse modo, este trabalho pode contribuir com diversas organizações e não apenas a do setor de transporte terrestre, pois ele engloba diversas pesquisas da literatura que podem ajudar a solucionar problemas e gerar novas ideias de melhorias. Além do apontamento sobre a qualidade dos dados que pode ajudar a melhorar outros conjuntos de dados.Although there are several directives such as those of the International Labor Organization, ISO 45001, Global Sustainability Standards, and in Brazil the Regulatory Norms that support the worker and defend a safe workplace, accidents and other risks still prevail. Safety and health are intrinsically intertwined, beyond being indispensable for the success of a business as performance and productivity depend on workers. Therefore, technological development has transformed Occupational Health and Safety (OSH) management paradigms using concepts such as artificial intelligence, data mining, machine learning, business intelligence, etc. in favor of improvements in the quality of information, monitoring, development of new means of security and support decision-making. In this context, the objective of this work is to summarize literature research on the use of data mining on OSH, describing the main applications, the most studied sectors, and the countries that study it most. In addition to analyzing a Brazilian dataset of occupational accidents in the land transport sector. To this end, a systematic update and a tertiary review were developed to search in the literature for articles involving data mining and machine learning in OSH, resulting in 62 articles and 8 reviews, which demonstrated civil construction, mining, and transport as sectors with the highest occupational mortality and most studied by researchers. The classification task was the most used, using mainly neural and ensemble methods, as it is mainly easy to apply and validate. Consequently, research that performs this task such as detecting PPE and acidentes mainly through images has been increasing. On the other hand, a few studies focused on stress and the psychology of workers have been carried out and no research focused on commuting accidents. The second article explored the Work Accident Reporting (CAT) dataset in the land transport sector, from June 2018 to November 2023. The study verified each attribute through an analysis of independence and a descriptive one, finally applying K-Means, a grouping technique to seek new knowledge to help support decision-making. Thus, it was concluded that the CAT database is unbalanced, and needs improvements in data quality. Despite this, clustering was applied, in which, the data were grouped into 3 groups, each one highlighting a type of accident. The diseases are more linked to the modes of passenger, school, and tourism. Commuting accidents usually happen to people who perform mid-level occupations and transversal functions. And the typical one is more linked to service providers. In this way, this work can contribute to several organizations, not just those in the land transport sector, as it 9 encompasses various literature studies that can help solve problems and generate new ideas for improvements. Furthermore, the note on data quality can help improve other data sets.92 f. : il. color., tabs.Universidade Estadual de MaringáDepartamento de Engenharia de ProduçãoPrograma de Pós-Graduação em Engenharia de ProduçãoMaringá, PRCentro de TecnologiaLeal, Gislaine Camila LapasiniSouza, Rodrigo Clemente Thom deLima, Rafael Henrique PalmaOssani, Paulo CésarJesus, Liandra dos Santos2024-12-06T14:01:52Z2024-12-06T14:01:52Z2024info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfJESUS, Liandra dos Santos. Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização. 2024. 92 f. Dissertação (mestrado em Engenharia de Produção) - Universidade Estadual de Maringá, 2024, Maringá, PR.http://repositorio.uem.br:8080/jspui/handle/1/8279ark:/35916/0013000000gcxinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)instname:Universidade Estadual de Maringá (UEM)instacron:UEM2024-12-10T18:44:59Zoai:localhost:1/8279Repositório InstitucionalPUBhttp://repositorio.uem.br:8080/oai/requestopendoar:2024-12-10T18:44:59Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)false
dc.title.none.fl_str_mv Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
title Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
spellingShingle Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
Jesus, Liandra dos Santos
Segurança no trabalho
Saúde no trabalho
Acidente de trabalho
Clusterização
Transporte terrestre
363.12
Engenharias
Engenharia de Produção
title_short Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
title_full Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
title_fullStr Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
title_full_unstemmed Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
title_sort Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização
author Jesus, Liandra dos Santos
author_facet Jesus, Liandra dos Santos
author_role author
dc.contributor.none.fl_str_mv Leal, Gislaine Camila Lapasini
Souza, Rodrigo Clemente Thom de
Lima, Rafael Henrique Palma
Ossani, Paulo César
dc.contributor.author.fl_str_mv Jesus, Liandra dos Santos
dc.subject.por.fl_str_mv Segurança no trabalho
Saúde no trabalho
Acidente de trabalho
Clusterização
Transporte terrestre
363.12
Engenharias
Engenharia de Produção
topic Segurança no trabalho
Saúde no trabalho
Acidente de trabalho
Clusterização
Transporte terrestre
363.12
Engenharias
Engenharia de Produção
description Orientador: Prof. Dr. Gislaine Camila Lapasini Leal.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-06T14:01:52Z
2024-12-06T14:01:52Z
2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv JESUS, Liandra dos Santos. Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização. 2024. 92 f. Dissertação (mestrado em Engenharia de Produção) - Universidade Estadual de Maringá, 2024, Maringá, PR.
http://repositorio.uem.br:8080/jspui/handle/1/8279
dc.identifier.dark.fl_str_mv ark:/35916/0013000000gcx
identifier_str_mv JESUS, Liandra dos Santos. Análise de dados de acidentes de trabalho do setor de transporte terrestre via clusterização. 2024. 92 f. Dissertação (mestrado em Engenharia de Produção) - Universidade Estadual de Maringá, 2024, Maringá, PR.
ark:/35916/0013000000gcx
url http://repositorio.uem.br:8080/jspui/handle/1/8279
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Engenharia de Produção
Programa de Pós-Graduação em Engenharia de Produção
Maringá, PR
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Engenharia de Produção
Programa de Pós-Graduação em Engenharia de Produção
Maringá, PR
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
instname:Universidade Estadual de Maringá (UEM)
instacron:UEM
instname_str Universidade Estadual de Maringá (UEM)
instacron_str UEM
institution UEM
reponame_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
collection Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository.name.fl_str_mv Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)
repository.mail.fl_str_mv
_version_ 1818158777474482176

Registros relacionados