Modelo de cadeia de eventos para gerenciamento de segurança: abordagem de análise de dados

Modelo de cadeia de eventos para gerenciamento de segurança: abordagem de análise de dados

Por Mariana Cabral Valente e Silva* e Rebecca Magalhães Monteiro**

A procura de um modelo para compreensão da causa de acidentes de trabalho não é recente, uma vez que consequências como lesão e perda material são frequentes. A “Teoria Dominó” elaborada por Heinrich em 1932 (como citado por Singh, Maiti & Dhalmahapatra, 2019) e o modelo do queijo suíço (Reasons apud Singh, Maiti & Dhalmahapatra, 2019) são exemplos de tentativas de sistematizar os gatilhos iniciais responsáveis pelo acidente de trabalho.

A Teoria Dominó parte do pressuposto de que “um acidente é resultado de uma cadeia de eventos, como ancestralidade e fatores sociais que desencadeiam atos inseguros ou condições inseguras, seguidas de falha humana que resulta em acidente e lesão”, já o modelo do queijo suíço considera que uma série de eventos que ocorrem ao mesmo tempo explicam o caminho entre o risco e a ocorrência do acidente. Esses e outros modelos, evoluíram para serem ferramentas alimentadas por dados.

christopher-burns-8KfCR12oeUM-unsplash

Photo by Christopher Burns on Unsplash

Levenson (como citado por Singh, Maiti & Dhalmahapatra, 2019) ressalta que, em um sistema sócio-técnico, a análise de acidentes como uma simples série de eventos é insuficiente, uma vez que, para compreender tal sistema em sua complexidade, é necessário, também, considerar as inter-relações existentes nesse sistema, incluindo as pessoas. Desta forma, segurança é considerada não apenas a partir da confiabilidade humana, mas como um sistema integrado.

O registro das informações de acidentes que já ocorreram, aqui denominados de dados reativos, podem ser complementados através de dados de auditorias e observações do ambiente de trabalho, denominadas de dados proativos. O modelo proposto nesse artigo busca uma análise matemática estatística dos documentos fornecidos por uma fábrica de aço que estavam registrados em um sistema integrado chamado de Sistema de Gerenciamento de Segurança.

Os dados proativos fornecem informações que após serem tratados suas análises culminarão na identificação dos Elementos Perigosos (Hazardous Element – HE) e dos Eventos Iniciais (Initiating Events – IE). Os HEs são elementos capazes de conduzir à um acidente, mas são apenas identificáveis através de um evento inicial, como por exemplo quando ocorre o derramamento de óleo ou água, isso pode configurar como um elemento perigoso de ambiente impróprio para trabalho.

Já os dados reativos, são capazes de fornecer informações sobre o evento pivô (Pivotal Event – PV), o cenário do acidente (Accident Scenario – AS) e sua consequência (Consequence – C).  Os AS se tratam de situações inesperadas causadas pela ocorrência de um ou mais PV que geram uma consequência clara como perda material ou lesão corporal.

Os PV são eventos decorrentes de algum IE que culminam em um acidente, ou AS. Seguindo o exemplo anterior é possível completar a cadeia de dados da seguinte forma: ambiente impróprio para trabalho (HE), derramamento de óleo (IE), trabalhador pisa em chão sujo (PV); escorrega no chão (AS) e lesiona o corpo (C).

Os dados proativos e reativos adquiridos possuem formato textual, dessa forma para que a análise seja possível é necessário que sejam pré-processados por meio da remoção de duplicidade de dados, missing values imputation e redução de dimensionalidade. Essas técnicas tem como objetivo a limpeza dos dados para que seja viável sua análise através dos algorítimos.

Em seguida, o formato textual exige tokenização (transformação de frases em palavras chave), remoção das “palavras vazias” (eg. que, e) e lemmetization/stemming, que dizem respeito ao  agrupamento de formas flexionadas de uma palavra em apenas um item e a redução de palavras flexionadas/derivadas à palavra de origem, respectivamente.

Com o intuito de identificar as trajetórias de acidentes que ocorrem na fábrica, foram utilizados dados coletados de janeiro de 2016 a agosto de 2017. A análise estatística dos dados foi realizada utilizando os métodos k-mode de cluster (agrupamento) para variáveis categóricas e o algoritmo de Expectation-Maximization utilizado para analisar a probabilidade máxima de um evento acontecer.

O processamento de dados e a análise estatística identificaram 39 trajetórias de acidentes que se iniciam no HE e terminam em suas consequências, sendo nove recorrentes. Essas trajetórias foram organizadas em 5 grupos de acordo com os seguintes HE, quais sejam, (1) ambiente de trabalho impróprio; (2) EPI inadequado/não compatível; (3) atividade operacional imprópria/insegura; (4) condição/ato inadequado fora do posto de trabalho; e (5) uso inseguro/condição degradada do equipamento/ferramenta de trabalho.

Os cinco eventos iniciais mais frequentes estão, em ordem decrescente: derramamento de água e óleo (20,55%), EPI inseguro/incorreto/não utilizado (14,62%), caminhos/passagens danificadas (10,16%), EPI não compatível (7,98%) e material/sobras indesejáveis deixados ao acaso (7,45%).

Esse estudo possui impacto gerencial e auxilia na tomada de decisão e desenvolvimento de medidas preventivas. Para as três sequências mais recorrentes foram estabelecidas medidas envolvendo inspeção e manutenção, procedimentos de operação e competência de pessoal. Não considerar a gravidade dos acidentes configura uma limitação do estudo, entretanto, pode ser potencializado se a temporalidade for considerada na análise, permitindo verificar e ponderar cadeias se repetindo em um período curto ou longo de tempo.

Referências

Pontifícia Universidade Católica de Minas Gerais. Pró-Reitoria de Graduação (2016). Sistema Integrado de Bibliotecas. Orientações para elaboração de trabalhos técnicos científicos: projeto de pesquisa,teses, dissertações, monografias entre outros trabalhos acadêmicos, conforme a Associação Americana de Psicologia (APA).(2a ed.). Belo Horizonte: PUC Minas. Recuperado a partir de www.pucminas.br/biblioteca

Singh, K., Maiti, J., & Dhalmahapatra, K. (2019). Chain of events model for safety management: Data analytics approach. Safety Science, 118, 568-582.

* Mariana Cabral é graduanda no curso de Psicologia da PUC Minas, bolsista de iniciação científica do grupo de pesquisa Psicologia, Trabalho e Processos Psicossociais e estagiária de pesquisa e desenvolvimento na Mapa Avaliações

** Rebecca Monteiro é psicóloga pela PUC Minas, mestre e doutora em Avaliação Psicológica pela Universidade São Francisco. É professora na PUC Minas e Coordenadora do LEPAP (Laboratório de Estudos e Pesquisa em Avaliação Psicológica PUC Minas/Coração Eucarístico) 

Deixe uma resposta