Análise dos acidentes ocupacionais no setor metalmecânico do Brasil utilizando clusterização

Abstract

Os acidentes ocupacionais resultam em uma série de impactos sociais e econômicos, afetando a vida do trabalhador e de seus familiares, a produtividade das empresas e gerando altos custos governamentais. Neste sentido, é fundamental a avaliação e análise do cenário de saúde e segurança no trabalho buscando meios de reduzir tais impactos. Dentre os setores da economia brasileira, o setor industrial é responsável por grande parte do número de acidentes, com destaque para os acidentes causados por máquinas e equipamentos. No entanto, o grande volume de dados para análise limita o desenvolvimento de pesquisas neste sentido, sendo necessário a utilização de ferramentas e técnicas que auxiliem as análises, como as técnicas de mineração de dados. Diante disso, nesta pesquisa utiliza-se a mineração de dados, por meio da tarefa de clusterização, ou agrupamento, para identificar padrões, reconhecer e caracterizar grupos nos dados relativos aos acidentes de trabalho ocorridos entre julho de 2018 e setembro de 2022 no setor metalmecânico. O estudo desenvolveu-se a partir da seleção do conjunto de dados utilizando informações de Comunicações de Acidentes de Trabalho (CAT) de abrangência nacional e disponibilizado pelo governo federal. A partir da seleção dos dados de interesse e do pré-processamento de dados, a primeira etapa consistiu em uma análise exploratória que forneceu os primeiros insights e interpretações. A segunda etapa do estudo utilizou a tarefa de clusterização de dados em dois cenários por meio do algoritmo computacional k-means. Como resultado foram gerados 3 grupos de dados com similaridades entre si que, por meio da interpretação dos resultados obtidos, auxiliaram na elaboração de medidas preventivas para redução o número de acidentes ocupacionais no setor metalmecânico.

Occupational accidents result in a range of social and economic impacts, affecting the lives of workers and their families, company productivity, and generating high governmental costs. Therefore, it is crucial to evaluate and analyze the occupational health and safety landscape to find ways to mitigate these impacts. Among the sectors of the Brazilian economy, the industrial sector accounts for a significant portion of accidents, especially those caused by machinery and equipment. However, the large volume of data for analysis limits research development in this field, necessitating the use of tools and techniques that facilitate analysis, such as data mining techniques. In this context, this research employs data mining, specifically through the task of clustering, to identify patterns, recognize, and characterize groups within data related to occupational accidents occurring between July 2018 and September 2022 in the metalmechanical sector. The study was developed using a dataset selected from the national scope of Accident Communication Reports (CAT) provided by the federal government. After selecting the relevant data and pre-processing it, the first stage consisted of an exploratory analysis that provided initial insights and interpretations. The second stage of the study Applied data clustering in two scenarios using the k-means algorithm. As a result, three data clusters with similarities were generated, and the interpretation of these results helped in the development of preventive measures to reduce the number of occupational accidents in the metal-mechanical sector.