تحليل علّي و پيش‌بيني ميزان شدت حوادث صنعتي در صنايع ساخت‌وساز با استفاده از شبکه عصبي مصنوعي

Abstract

سابقه و هدف: شدت بروز حوادث صنعتي ناشي از علل و عوامل مختلف، متفاوت مي‌باشد. اين مطالعه باهدف تحليل علّي و پيش‌بيني ميزان شدت حوادث صنعتي در صنايع ساخت‌وساز اجرا شد.روش بررسي: اين مطالعه يک بررسي مقطعي از نوع توصيفي- تحليلي بود که به تجزيه‌وتحليل علّي و پيش‌بيني شدت حوادث رخ‌داده طي سال‌هاي 92- 1388 در صنايع ساخت‌وساز پرداخت. داده‌هاي مطالعه شامل اطلاعات مربوط به 500 حادثه آسيب‌زاي انساني بود که طي سال هاي موردمطالعه در صنايع مختلف ساخت‌وساز در ايران رخ‌داده بود. تجزيه‌وتحليل داده‌ها با استفاده از شبکه عصبي مصنوعي و نرم‌افزار برنامه‌نويسي Matlab R 2014 انجام شد. ملاحظات اخلاقي هلسينکي در اين مطالعه رعايت شد.يافته‌ها: در اين مطالعه نشان داده شد که ميانگين سن و ميزان تحصيلات، نوع فعاليت و تعداد کارگران در هر فعاليت ساخت‌وسازي، آموزش‌هاي دوره‌اي بهداشت- ايمني- محيط‌زيست محتواي برنامه‌هاي آموزشي بهداشت- ايمني- محيط‌زيست و شاخص آموزش بهداشت- ايمني- محيط‌زيست و شاخص‌هاي شناسايي خطرات، ارزيابي خطر دوره‌اي، مميزي ايمني و انجام اقدامات کنترلي مانند استفاده از تجهيزات حفاظت فردي، به‌عنوان شاخص‌هاي تحليلي و پيش‌بيني کننده ميزان شدت حوادث در صنايع ساخت‌وساز شناسايي شدند.نتيجه‌گيري: بر اساس يافته‌ها مي‌توان گفت که استفاده از شبکه عصبي مصنوعي مي‌تواند به‌عنوان يک ابزار مناسب در تحليل علي و پيش‌بيني ميزان شدت حوادث در صنايع ساخت‌وساز مورداستفاده قرار گيرد.واژگان کلیدی : پيش‌بيني، ميزان شدت حادثه، صنايع ساخت‌وساز، شبکه عصبي مصنوعيHow to cite this article: Soltanzadeh A, Mohammadfam I, Mahmoudi Sh, Alizadeh Savareh B, Mohamadi Arani A. Analysis and Forecasting the Severity of Construction Accidents. J Saf Promot Inj Prev. 2016; 4(3): 185-92. References:1. Fernandez-Muniz B, Montes-Peon JM, Vazquez-Ordas CJ. Relation Between Occupational Safety Management and Firm Performance. Safety Science. 2009;47(7):980-91.[Scopus]2. Soltanzadeh A, Mohammadfam I, Moghimbeigi A, Akbarzadeh M, Ghiasvand R. Key Factors Contributing to Accident Severity Rate in Construction Industry in Iran: A Regression Modelling Approach. Arh Hig Rada Toksikol. 2016;67(1):47-53.[pubmed]3. Mahmoudi S, Ghasemi F, Mohammadfam I, Soleimani E. Framework for Continuous Assessment and Improvement of Occupational Health and Safety Issues in Construction Companies. Saf Health Work. 2014;5(3):125-30.[pubmed]4. Mohammadfam I, Moghimbeigi A. Evaluation of Injuries Among a Manufacturing Industry Staff in Iran. J Res Health Sci. 2009;9(1):7-12. [pubmed]5. Cheng C-W, Leu S-S, Cheng Y-M, Wu T-C, Lin C-C. Applying Data Mining Techniques to Explore Factors Contributing to Occupational Injuries in Taiwan's Construction Industry. Accid Anal Prev. 2012;48:214-22. [pubmed]6. Yung P. Institutional Arrangements and Construction Safety in China: an Empirical Examination. Construction Management and Economics. 2009;27(5):439-50. [Scopus]7. Manu PA, Ankrah NA, Proverbs DG, Suresh S. Investigating the Multi-Causal and Complex Nature of the Accident Causal Influence of Construction Project Features. Accid Anal Prev. 2012;48:126-33. [pubmed]8. Hinze JW, Teizer J. Visibility-Related Fatalities Related to Construction Equipment. Safety Science. 2011;49(5):709-18. [scopus]9. Soltanzadeh A, Mohammadfam I, Akbarzadeh M. Studying Disabling Occupational Accidents in the Construction Industry During Two Years. Journal of Occupational Hygiene Engineering. 2014;1(2):57-66.10. Mohamadfam I, Soleimani E, Ghasemi F, Zamanparvar A. Comparison of Management Oversight and Risk Tree and Tripod-Beta In Excavation Accident Analysis. Jundishapur journal of health sciences. 2015;7(1):e23554.11. Azadeh A, MohammadFam I. A Framework for Development of Integrated Intelligent Human Engineering Environment. Information Technology Journal. 2006;5(2):290-9. [Scopus]12. Cho K, Hong T, Hyun C. Effect of Project Characteristics on Project Performance in Construction Projects Based on Structural Equation Model. Expert Systems with Applications. 2009;36(7):10461-70. [Scopus]13. Fam IM, Nikoomaram H, Soltanian A. Comparative Analysis of Creative and Classic Training Methods in Health, Safety And Environment (HSE) Participation Improvement. Journal of Loss Prevention in the Process Industries. 2012;25(2):250-3.14. Silvey AB, Officer HCQI. Introduction to Root Cause Analysis (RCA). 2010.15. Mohammadfam I, Soltanzadeh A, Moghimbeigi A, Akbarzadeh M. Modeling of Individual and Organizational Factors Affecting Traumatic Occupational Injuries Based on the Structural Equation Modeling: A Case Study in Large Construction Industries. Archives of trauma research. 2016;5(3): e33595. [pubmed]16. Mohammadfam I, Soltanzadeh A, Moghimbeigi A, Akbarzadeh M. Confirmatory factor analysis of occupational injuries: presenting an analytical tool. Trauma monthly. 2016(Inpress).17. Mohammadfam I, Soltanzadeh A, Moghimbeigi A, Savareh BA. Analysis and Modeling of Threatening Factors of Workforce’s Health in Large-Scale Workplaces: Comparison of Four-Fitting Methods to select optimum technique. Electron Physician. 2016;8(2):1918. [pubmed]18. Mohammadfam I, Soltanzadeh A, Moghimbeigi A, Savareh BA. Use of Artificial Neural Networks (ANNs) for the Analysis and Modeling of Factors That Affect Occupational Injuries in Large Construction Industries. Electronic Physician. 2015;7(7). [pubmed]19. Gyekye SA, Salminen S, Ojajarvi A. A Theoretical Model to Ascertain Determinates of Occupational Accidents Among Ghanaian Industrial Workers. International Journal of Industrial Ergonomics. 2012;42(2):233-40. [Scopus]20. Jakhar SK, Barua MK. An Integrated Model of Supply Chain Performance Evaluation and Decision-Making Using Structural Equation Modelling and Fuzzy AHP. Production Planning & Control. 2013(ahead-of-print):1-20. [Scopus]21. Moghaddam FR, Afandizadeh S, Ziyadi M. Prediction of Accident Severity Using Artificial Neural Networks. International Journal of Civil Engineering. 2011;9(1):41-9. [Scopus]22. Carrillo-Castrillo JA, Martín JG, de la Vega RG, Onieva L. Neural Network Application for Risk Factors Estimation in Manufacturing Accidents. Managing Complexity: Springer; 2014. p. 277-83.