Predicting the length of a post-accident absence in construction with decision trees and their ensembles

Produkcja budowlana jest jedną z najbardziej wypadkowych – zarówno w kraju, jak i na całym świecie, o czym świadczą badania naukowe oraz liczne statystyki i raporty. O ile liczne statystyki powypadkowe są cennym źródłem danych o wypadkach, o tyle znacznie cenniejsze dla zarządzających bezpieczeństwem na budowie i zajmujących się planowaniem robót są proste w interpretacji modele, pozwalające przewidywać zagrożenia i oceniać ich skutki. Badania w tym obszarze prowadzą m.in. [1,2,3,4,5,17,18]. W pracy skoncentrowano się na zagadnieniu długości nieobecności powypadkowej pracownika. Jest ona bowiem nie tylko uciążliwa dla pracodawcy z przyczyn organizacyjnych, ale także świadczy, co potwierdza [4,5], o poziomie bezpieczeństwa na budowie. W artykule skupiono się na analizie możliwości predykcji czasu trwania powypadkowej absencji pracownika przy użyciu drzew decyzyjnych i ich rodzin. Przedmiotem rozważań jest zatem N-elementowy zbiór U obserwacji – tj. odnotowanych wypadków w pracy. Każdą obserwację należącą do zbioru U charakteryzuje wektor [xi1, xi2, …, xiL, yi] tzw. atrybutów obserwacji. Wyróżniamy L atrybutów objaśniających (tzw. predyktorów): X1,…, XL oraz 1 atrybut objaśniany Y. Zmienne xi1, xi2, …, xiL , yi opisują wartości atrybutów i-tej obserwacji. Reprezentację zbioru U można zatem zapisać jako równanie (2.1). Dysponując określonym zbiorem obserwacji U, chcemy znaleźć relację pomiędzy długością powypadkowej absencji pracownika Y a okolicznościami wystąpienia wypadku X=[X1,…, XL] w postaci modelu.

Work safety control and analysis of accidents during the construction performance are some of the most important issues of the construction management. The paper focuses on the post-accident absence as an element of the occupational safety management. The occurrence of the post-accident absence of workers can be then treated as an indicator of building performance safety. The ability to estimate its length can also facilitate works planning and scheduling in case of the accident. The paper attempts to answer the question whether it is possible and how to use decision trees and their ensembles to predict the severity of the post-accident absence and which classification algorithm is the most promising to solve the prediction problem. The paper clarifies the model of the prediction problem, introduces 5 different decision tress and different aggregation algorithms in order to build the model. Thanks to the use of aggregation methods it is possible to build classifiers that predict precisely and do not require any initial data treatment, which simplifies the prediction process significantly. To identify the most promising classifier or classifier ensemble the prediction accuracy measures of selected classification algorithms were analyzed. The data to build the model was gathered on national (Polish) construction sites and was taken from literature. Models obtained within simulations can be used to build advisory or safety management systems allowing to detect threats while construction works are being planned or carried out.