Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resources Policy
journal homepage: www.elsevier.com/locate/resourpol
Keywords: La mayoría de los accidentes en las minas de carbón son causados por comportamientos inseguros en el proceso de
Coal mine accidents producción. Además, hay grandes cantidades de datos de comportamiento inseguro generados en las minas de carbón cada
Unsafe behavior año, y las relaciones ocultas en estos datos son complejas; como resultado, encontrar información útil en estos datos requiere
Data mining un análisis profundo. Por lo tanto, para predecir y reducir de manera efectiva la aparición de comportamientos inseguros en las
Decision tree
minas de carbón subterráneas de China, este documento analiza 35,364 datos de comportamiento inseguro de 2220 personas
Association rules
durante el período de 2013 a 2015 utilizando dos métodos (regla de asociación y árbol de decisiones) de minería de datos. Los
resultados indican que la capacitación, la asistencia, la experiencia y la edad son los cuatro factores principales que afectan la
frecuencia de las conductas inseguras, en las cuales el factor de capacitación tiene el mayor impacto en las conductas
inseguras. Además, las personas que tienen capacitación no calificada, asistencia ineficaz y menos experiencia laboral tienen
más probabilidades de llevar a cabo conductas inseguras. Además, se excavan seis reglas de asociación sólidas sobre el nivel
moderado de comportamiento inseguro utilizando el algoritmo Apriori en la minería de datos, y la eficiencia de la inspección
de comportamiento inseguro puede mejorarse mediante el uso de estas fuertes asociaciones..
and 2015M580498), and the Fundamental Research Funds for the Central Universities (Grant no. 2017QNA07).
Corresponding author.
E-mail address: qll2016@cumt.edu.cn (X. Li).
https://doi.org/10.1016/j.resourpol.2018.07.003
Received 27 April 2018; Received in revised form 25 June 2018; Accepted 2 July 2018
0301-4207/ © 2018 Elsevier Ltd. All rights reserved.
Please cite this article as: Qiao, W., Resources Policy (2018), https://doi.org/10.1016/j.resourpol.2018.07.003
W. Qiao et al. Resources Policy xxx (xxxx) xxx–xxx
la mayoría de los accidentes en las minas de carbón están relacionados con Nivel de gestión de las minas de carbón chinas.
comportamientos inseguros (Zhang et al., 2011). Además, en los últimos Como resultado, las técnicas de minería de datos se utilizan para mejorar la
años, los accidentes causados por el equipo y el medio ambiente están capacidad de manejar datos de comportamiento inseguro, que intenta
disminuyendo gradualmente con el desarrollo de la ciencia y la tecnología, identificar algunas reglas benéficas que se pueden usar para reducir la
mientras que la proporción de accidentes causados por el personal está aparición de comportamientos inseguros. La minería de datos se usa
aumentando. Casi cada accidente importante en una mina de carbón fue ampliamente en el comercio minorista, marketing directo, manufactura,
causado por un comportamiento inseguro. Por ejemplo, el 14 de febrero de
finanzas, comunicaciones y servicios médicos, y también comenzó a aparecer
2005, en la provincia de Liaoning, China, ocurrió un gran accidente de
en la gestión de la seguridad de las industrias de tránsito, aviación, barcos y
explosión de gas en la mina de carbón Sunjiawan perteneciente a Fuxin
Mining (Group) Co., Ltd, que causó 214 muertes. La causa directa del carbón (Berry y Lino, 1997; Antal et al., 2004; Shaw et al., 2001; Rygielski et
accidente fue que un trabajador reparó ilegalmente un dispositivo con una al., 2002; Valafar y Valafar, 2002; Breault et al., 2002). Kokotos y Linardatos
chispa eléctrica. Los accidentes similares son comunes en las minas de carbón (2011) utilizaron el método del árbol de decisión para analizar la situación de
chinas. Por lo tanto, cómo fortalecer la gestión del comportamiento inseguro seguridad del barco y encontraron que la cantidad de accidentes causados por
es sumamente importante en la gestión de la seguridad de las minas de carbón comportamientos inseguros se redujo gradualmente después de la
de China, y también es la clave para garantizar la seguridad de la producción implementación del código internacional de gestión de la seguridad (Código
de las minas de carbón en China. ISM). Castro y Kim (2016) utilizaron tres modelos de clasificación de minería
Muchos estudiosos han reconocido durante mucho tiempo que el de datos (red neuronal artificial, árbol de decisión J48 y red bayesiana) para
comportamiento inseguro es uno de los factores más importantes que detectar los factores con mayor influencia en accidentes automovilísticos, y
conducen a la aparición de accidentes, y se cree que la modificación del los resultados obtenidos del modelo de red bayesiana son más exactos. Tasa
comportamiento inseguro puede reducir en gran medida la incidencia de
que los resultados de los otros dos métodos. Sanmiquel et al. (2015) utilizó la
accidentes (Choudhry y Fang, 2008; Choudhry, 2012). En la actualidad, se ha
realizado una gran cantidad de investigaciones sobre la modificación del tecnología de minería de datos para analizar los accidentes de carbón en
comportamiento inseguro. Greenwood, Woods (1919) propuso la "Teoría de España de 2003 a 2012, y las reglas obtenidas de la minería de datos pueden
la propensión a los accidentes" a través del análisis estadístico de las víctimas ayudar a desarrollar políticas de prevención adecuadas que reduzcan las
en una fábrica de municiones y descubrió que es más probable que ciertos lesiones y muertes. Por lo tanto, es obvio que muchos académicos han
trabajadores causen accidentes sobre otros. Posteriormente, se propusieron analizado los datos de los accidentes, mientras que se ha investigado poco
teorías causantes de accidentes, incluyendo la teoría de la cadena causal del sobre los comportamientos inseguros que ocurrieron antes de los accidentes.
accidente, el error humano el accidente causa la teoría, la trayectoria y otros Por lo tanto, para prevenir el comportamiento inseguro en las minas de carbón
tipos de teorías de la causa del accidente, con el desarrollo de la teoría básica de China, se utilizó la tecnología de minería de datos para analizar los
de la ciencia y la productividad, que analizaron en profundidad relación entre factores que afectan el comportamiento inseguro de los humanos, y estos
los comportamientos de seguridad y la causa de los accidentes para promover métodos se utilizaron para identificar las características de una persona que es
el desarrollo de la ciencia del comportamiento de seguridad.
propensa a comportamientos inseguros y Reglas de asociación de conductas
inseguras de alto riesgo.
Además, la aparición de conductas inseguras se ve afectada por muchos El resto de este documento está organizado de la siguiente manera. La
factores, como los factores psicológicos, físicos, sociales y ambientales. De
Sección 2 presenta la descripción preliminar de este trabajo, incluida la fuente
acuerdo con diferentes perspectivas, la investigación actual sobre los factores
de influencia se puede dividir en tres categorías de la siguiente manera. El de datos, la elección de la variable y los principios de adopción del método.
primero incluye los factores individuales (por ejemplo, factores psicológicos), La Sección 3 proporciona investigación aplicada sobre las minas de carbón de
el segundo incluye los factores organizativos y el tercero incluye otros China utilizando el método del árbol de decisión y el método de reglas de
factores, como el entorno operativo, la atmósfera de seguridad y la actitud de asociación. Finalmente, se incluyen algunas observaciones finales y otras
seguridad. Yagil (2000) examinó los factores que afectan la seguridad vial y instrucciones en la Sección 4.
encontró que el género, la psicología y la conciencia de seguridad estaban
relacionados con los comportamientos de los peatones. Kunar et al. (2008)
2. Material and methodology
estudiaron la relación entre los factores de riesgo, las características
individuales y los accidentes de trabajo en el trabajo en las minas de carbón, y
los resultados indicaron que el ambiente de trabajo abominable, la educación 2.1.Data set
limitada, el consumo de alcohol y las enfermedades estaban asociados con los
accidentes de trabajo. Después, algunos estudiosos ya no se contentaban con Los datos de comportamiento inseguro utilizados en este documento se
estudiar simplemente los factores de influencia del individuo; por lo tanto, obtuvieron del sistema de información de gestión de riesgos de seguridad de
comenzaron a explorar los factores de influencia más profundos, como los la mina de carbón, el sistema de gestión de asistencia al baile y el sistema de
factores organizativos y los factores de la atmósfera de seguridad. Neal et al. gestión de capacitación de tres minas de carbón modernas a gran escala,
(2000) estudiaron las relaciones entre los factores organizacionales, el clima llamada mina de carbón de Qianqiu, mina de carbón de Xinan y Gengcun
de seguridad y el comportamiento de seguridad y encontraron que los factores mina de carbón de yima Coal Industry co., Ltd en la provincia de Henan en
organizacionales tienen un cierto impacto en el comportamiento de seguridad China. En total, se seleccionaron 35,424 casos de comportamiento inseguro
a través del clima de seguridad. Kath et al. (2010) argumentaron que las de 2220 personas durante el período 2013-2015 como soporte de datos. Sin
organizaciones deberían centrar más la atención en los empleados (es decir, el embargo, se eliminaron un total de 56 datos faltantes antes de la extracción de
apoyo de la organización) y el ambiente de seguridad (incluidas las actitudes datos, y los resultados obtenidos de la extracción de datos no se vieron
hacia la concientización sobre la gestión de la seguridad, las expectativas de afectados debido a la aleatoriedad de los datos faltantes. Finalmente, la
trabajo de seguridad y el comportamiento y la presión de seguridad de los cantidad final de datos utilizados en este artículo fue de 35,364.
colegas), lo que formaría una Ambiente de trabajo más seguro y reducir la
generación de comportamientos inseguros. Desde la perspectiva del costo 2.2.Variable
percibido y el título percibido, Chen (2006) construyó el modelo de ecuación
estructural de los factores que afectan el comportamiento inseguro de los
En este documento, se seleccionaron 10 variables (Tabla 1), en las que el
principales accidentes de minas de carbón de China y realizó un estudio
número de comportamientos inseguros (NUB) y el nivel de riesgo de
empírico.
comportamientos inseguros (RLUB) se predijeron como variables objetivo. El
De la revisión de la literatura anterior, encontramos que la mayoría de los
árbol de decisiones de la minería de datos se utilizó para analizar la
estudiosos se centraron en el estudio del comportamiento inseguro desde la
regularidad de los factores de impacto (incluida la edad, la experiencia, la
perspectiva de la teoría y los métodos. Sin embargo, con la construcción de
educación, la asistencia y la capacitación) sobre el número de
minas digitales y minas perceptivas en China, la capacidad de adquisición de
comportamientos inseguros. Las reglas de asociación de la minería de datos
información del comportamiento inseguro de las minas de carbón ha
se utilizaron para explorar las interrelaciones entre el tiempo, la ubicación, el
mejorado mucho. Debido a que los datos son generados por comportamientos
departamento, los meses y el nivel de riesgo de conductas inseguras.
inseguros, la teoría tradicional de la gestión de la seguridad parece inútil, y la
falta de capacidad de procesamiento de los recursos de información se ha
Como se ve en la Fig. 1, el número de comportamientos inseguros de
convertido en un cuello de botella para mejorar aún más la seguridad.
1269 empleados fue menos de 5 casos, lo que es una frecuencia baja, y
representó el 57% del número total. Además, el 23,9% de los empleados
estaba en el rango de alta frecuencia de 11-20 instancias. Mientras que la
mayoría
2
W. Qiao et al. Resources Policy xxx (xxxx) xxx–xxx
Table 1
Distribution of factors influencing unsafe behaviors in coal mines, 2012–2015.
Variable Symbol
los empleados eran buenos para controlar su propio número de 2.3.1. Decision tree
comportamientos inseguros, todavía hay casi una cuarta parte de las personas Como un clasificador típico, el proceso del árbol de decisión se divide en tres
que eran propensas a comportamientos inseguros. Desde el punto de vista del partes. En la primera instancia, se crea un árbol con una estructura invertida
nivel de riesgo de los comportamientos inseguros, el 82.8% de los mediante el análisis recursivo del conjunto de datos de entrenamiento, y luego
comportamientos inseguros son de bajo riesgo, el 16.2% de los se produce una serie de reglas a través del análisis de ruta del árbol desde el
comportamientos inseguros son de riesgo moderado y solo el 1% de los nodo raíz hasta el nodo de hoja. Finalmente, los nuevos datos se utilizan en la
comportamientos inseguros tienen un riesgo directamente alto. Aunque la clasificación o el pronóstico basados en estas reglas. En esencia, la idea de
cantidad de conductas inseguras de alto riesgo es baja, la probabilidad de clasificación del árbol de decisión es en realidad un proceso de minería de
muerte y la pérdida de accidentes causados por estas conductas inseguras son datos creado mediante la generación de una serie de reglas para el análisis de
enormes. Un riesgo moderado de comportamiento inseguro también puede datos. Como resultado de una extensa investigación y aplicación, los métodos
conducir a accidentes graves, que deben controlarse mediante el análisis de del árbol de decisión han producido muchos tipos de algoritmos. El algoritmo
las reglas de asociación subyacentes de muchos factores. La probabilidad de ID3 fue propuesto por Quinlan por primera vez en 1986 (Quinlan, 1986).
accidentes causados por comportamientos inseguros de bajo riesgo es baja, Después de eso, el algoritmo C4.5 mejorado fue desarrollado sobre la base de
pero tiene una base numérica grande. este algoritmo (Quinlan, 1996). Ambos algoritmos anteriores se basan en la
clasificación de la información. Los algoritmos basados en el índice de Gini,
2.3.Method incluidos el algoritmo CART, el algoritmo SLIQ y el algoritmo SPRINT,
aparecieron en y después de 1984 (Breiman, 2017; Shafer et al., 1996; Mehta
et al., 1996). Este artículo utiliza el método de árbol de decisiones CART al-
La minería de datos se define como el proceso de usar algoritmos para buscar gorithm para analizar los factores que influyen en los comportamientos
información oculta de un mar de datos (Witten et al., 2016). Como inseguros en la seguridad de las minas de carbón, que tiene como objetivo
alternativa, a menudo se asocia con la informática para explicar algo acerca encontrar las características comunes de las personas que tienen la mayor
de los datos y se puede usar para predecir lo que ocurrirá en situaciones frecuencia de comportamientos inseguros.
futuras mediante el uso de estadísticas, procesamiento analítico en línea
(OLAP), recuperación de información, aprendizaje automático, experto
Sistemas y reconocimiento de patrones. (Han et al., 2000). Con el desarrollo 2.3.2. Association rules
de “minas digitales” y “minas de sensores” en las minas de carbón de China, La regla de asociación es un medio importante en todos los métodos de
la capacidad de obtener información de seguridad sobre comportamientos extracción de datos que se utiliza para revelar la estructura inherente de los
inseguros ha mejorado, lo que simultáneamente causa el problema de la datos (Zhang y Zhang, 2002). En la actualidad, los algoritmos de correlación
sobrecarga de información en la gestión de la seguridad de la mina. Con esta comúnmente utilizados son el algoritmo de Apriori, el algoritmo DIC y el
cantidad masiva de datos de seguridad, los gerentes no pueden extraer algoritmo de crecimiento de Fp (Agrawal et al., 1993; Toivonen, 1996; Han y
eficazmente valiosos conocimientos de seguridad. En consecuencia, para Fu, 1995). En este documento, para establecer la fuerza de asociación entre
llevar a cabo una gestión de seguridad eficaz, es necesario utilizar la minería las variables de comportamiento inseguro, el algoritmo de Apriori se utiliza
de datos para abordar los datos de comportamiento inseguro de las minas de para minar la masiva
carbón.
1269
Number of employees
530
421
3
W. Qiao et al. sin pedir). Algunos otros comportamientos necesitan un análisis más
profundo de las razones subyacentes, como dormir mientras trabaja y arreglos
laborales incompletos. Algunos comportamientos inseguros asociados con los
accidentes no son fuertes, y algunos comportamientos conllevan un mayor
riesgo de accidentes (como operar con electricidad, paradas sin energía y
soporte temporal no calificado).
Table 2
The common unsafe behaviors in Chinese coal mines (TOP30).
1 Not inspecting before entering the mine 11,128 16 Blasting without enough distance 151
2 Violation of corporate security management principles 9542 17 Shutdown without power 150
3 Unfinished work arrangements 3896 18 Shifting work not by rules 147
4 Incomplete checking 1459 19 Across the belt 128
5 Not handling hazards in time 1223 20 Abnormal use of dust spray facilities 123
6 The bolt spacing is unreasonable 811 21 Unqualified roadway support 121
7 Not wearing helmet during rest interval at work site 580 22 Leaving position without asking 117
8 Walking outside of the required route 356 23 Drill hole and charge parallel operation 100
9 Improper position in drilling 344 24 Producing sparks in winching 91
10 Operating outside of regulations 313 25 Hanging detectors not standardized 84
11 Disrepair of sealing device 291 26 Using U-type cards abnormally 80
12 Not detecting water before tunneling 237 27 Illegal blasting 70
13 Not carrying helmet, lamp, self-help device 221 28 Operating with electricity 67
14 Unqualified temporary support 211 29 Sleeping while working 64
15 Not cleaning up the coal in embrasure 170 30 Drilling machine lacking oil 61
1
2 1
3 938 285 370
Ag < 40 Ex < 24
>= 40 >= 24
1
57 24 0
Ag >= 28
< 28
1 2 2 3 2 1 3
106 8 0 070 1 20 0 3 0 17 8 18 0 25 0 9 32 8 243
1 1 2 1 1 2 3
613 8 0 57 17 0 0 19 0 711 42 14 4 17 157 41 27 8 55
6
W. Qiao et al. Resources Policy xxx (xxxx) xxx–xxx
Debido a que la generación de conductas inseguras se ve afectada por Han, J., Kamber, M., Pei, J., 2000. Data mining: concepts and techniques (the Morgan
muchos factores, solo a través de aprender más sobre los mecanismos internos Kaufmann Series in data management systems). Morgan Kaufmann.
de las conductas inseguras podemos encontrar con precisión formas de Han, J., Fu, Y., 1995. Discovery of multiple-level association rules from large databases,
VLDB, pp. 420-431.
prevenir los accidentes de minas de carbón.
Homer, A.W., 2009. Coal mine safety regulation in China and the USA. J. Contemp. Asia 39,
424–439.
Es bien sabido que los factores humanos están en el centro del sistema de Kath, L.M., Marks, K.M., Ranney, J., 2010. Safety climate dimensions, leader–member
producción de la mina de carbón. Debido a sus características fisiológicas, exchange, and organizational support as predictors of upward safety communication in a
psicológicas, sociales y espirituales, los seres humanos tienen algunas sample of rail industry workers. Saf. Sci. 48, 643–650.
debilidades inherentes, así como una gran plasticidad. Por lo tanto, los Kokotos, D.X., Linardatos, D.S., 2011. An application of data mining tools for the study of
comportamientos inseguros de los seres humanos deben ser descubiertos y shipping safety in restricted waters. Saf. Sci. 49, 192–197.
Kunar, B.M., Bhattacherjee, A., Chau, N., 2008. Relationships of job hazards, lack of
corregidos tan pronto como sea posible. Usando el algoritmo de Apriori para
knowledge, alcohol use, health status and risk taking behavior to work injury of coal
extraer las reglas de asociación de los datos de comportamiento inseguro, miners: a case-control study in India. J. Occup. Health 50, 236–244.
incluidos el departamento, la hora, la ubicación, el mes y el nivel de riesgo, Liu, Q., Li, X., 2013. Study on the efficiency of the structural reform of coal mine safety
encontramos una regla de asociación fuerte entre múltiples dimensiones para supervision system in China. China Popul. Resour. Environ. 23 (11), 150–156 (in Chinese).
evitar o reducir la ocurrencia de accidentes de carbón. Al mismo tiempo, el
uso de estas fuertes asociaciones puede aumentar la eficiencia del trabajo de Liu, Q., Li, X., Hassall, M., 2015. Evolutionary game analysis and stability control sce-narios of
coal mine safety inspection system in China based on system dynamics. Saf. Sci. 80, 13–
nuestros investigadores. Cuando necesitamos identificar un departamento o
22.
un lugar, los resultados obtenidos a través de las reglas de la asociación Liu, Q., Li, X., Qiao, W., Meng, X., Li, X., Shi, T., 2017. Analysis of embedded non-safety
proporcionan objetivos más claros para nuestra inspección de conductas regulation games in China's two types of coal mines through safety performance disparity,
inseguras. 1980–2014. Resour. Policy 51, 265–271.
Mehta, M., Agrawal, M., Rissanen, J., 1996. SLIQ: A Fast Scalable Classifier for Data
La aplicación de la minería de datos a la gestión de comportamientos no Mining. International Conference on Extending Database Technology. Springer, Berlin,
pp. 18–32.
seguros por parte de los mineros del carbón ofrece sugerencias prácticas para
National Bureau of Statistics of China, 2015, 〈http://data.stats.gov.cn/easyquery.htm?
la toma de decisiones para los gerentes. Además de los factores internos
Cn˭2015〉.
mencionados en este artículo, existen factores externos (como los entornos y Neal, A., Griffin, M.A., Hart, P.M., 2000. The impact of organizational climate on safety
el compromiso organizacional) que afectan los comportamientos inseguros de climate and individual behavior. Saf. Sci. 34, 99–109.
los seres humanos. En el siguiente estudio, los datos externos se planean Olafsson, S., Li, X., Wu, S., 2008. Operations research and data mining. Eur. J. Oper. Res.
convertir y cargar en el almacén de datos (DW). Luego, se establecerá un 187, 1429–1448.
modelo de análisis de minería de datos que incluye factores internos y Quinlan, J.R., 1986. Induction of decision trees. Mach. Learn. 1, 81–106.
externos para llevar a cabo una dimensión más profunda y más amplia de los Quinlan, J.R., 1996. Improved use of continuous attributes in C4. 5. J. Artif. Intell. Res. 4, 77–
90.
comportamientos inseguros. Rygielski, C., Wang, J.-C., Yen, D.C., 2002. Data mining techniques for customer re-
lationship management. Technol. Soc. 24, 483–502.
Acknowledgements Sanmiquel, L., Rossell, J.M., Vintró, C., 2015. Study of Spanish mining accidents using data
mining techniques. Saf. Sci. 75, 49–55.
Los autores agradecen el apoyo financiero de la Fundación Nacional de Shafer, J., Agrawal, R., Mehta, M., 1996. A scalable parallel classifier for data mining, In:
Proceedings of 22nd International Conference on VLDB, Mumbai, India.
Ciencias Naturales de China (Grant no. 71704176), los Proyectos de la
Shaw, M.J., Subramaniam, C., Tan, G.W., Welge, M.E., 2001. Knowledge management and
Fundación de Ciencias Postdoctorales de China (Grant nos. 2017M611953 y data mining for marketing. Decis. Support Syst. 31, 127–137.
2015M580498), y los Fondos de Investigación Fundamental para las Shen, L., Gao, T.-m., Cheng, X., 2012. China's coal policy since 1979: a brief overview.
Universidades Centrales (Grant no. 2017QNA07 ). Energy Policy 40, 274–281.
The State Administration of Coal Mine Safety, 2016. 〈http://www.chinasafety.gov.cn/
References newpage/mkaj/index.htm〉.
Toivonen, H., 1996. Sampling large databases for association rules. VLDB 134–145. Valafar,
H., Valafar, F., 2002. Data mining and knowledge discovery in proton nuclear
Agarwal, R., Srikant, R., 1994. Fast algorithms for mining association rules, In: magnetic resonance (1H NMR) spectra using frequency to information transformation
Proceedings of the 20th VLDB Conference, pp. 487–499. (FIT). Knowl.-Based Syst. 15, 251–259.
Agrawal, R., Imieliński, T., Swami, A., 1993. Mining association rules between sets of items Wang, L., Cheng, Y.-P., Liu, H.-Y., 2014. An analysis of fatal gas accidents in Chinese coal
in large databases. ACM Sigmod Rec. ACM 207–216. mines. Saf. Sci. 62, 107–113.
Antal, P., Fannes, G., Timmerman, D., Moreau, Y., De Moor, B., 2004. Using literature and Wang, W., Zhang, C., 2018. Evaluation of relative technological innovation capability: model
data to learn Bayesian networks as clinical models of ovarian tumors. Artif. Intell. Med. 30, and case study for China's coal mine. Resour. Policy. https://doi.org/10.1016/
257–281. j.resourpol.2018.04.008.
Berry, M.J., Linoff, G., 1997. Data Mining Techniques: For Marketing, Sales, and Wei, G., 2009. Comparison between coal fatalities in China and the USA. Contemp. Econ.
Customer Support. John Wiley & Sons, Inc, New York. 1, 50–52.
Breault, J.L., Goodall, C.R., Fos, P.J., 2002. Data mining a diabetic data warehouse. Artif. Witten, I.H., Frank, E., Hall, M.A., Pal, C.J., 2016. Data Mining: Practical Machine
Intell. Med. 26, 37–54. Learning Tools and Techniques. Morgan Kaufmann, San Francisico.
Breiman, L., 2017. Classification and Regression Trees. Routledge, London. Wu, L., Jiang, Z., Cheng, W., Zuo, X., Lv, D., Yao, Y., 2011. Major accident analysis and
Castro, Y., Kim, Y.J., 2016. Data mining on road safety: factor assessment on vehicle prevention of coal mines in China from the year of 1949 to 2009. Min. Sci. Technol.
accidents using classification models. Int. J. Crashworthiness 21, 104–111. (China) 21, 693–699.
Chen, H., 2006. Unsafe Behavior Study of Major Accidents in China Coal Mines. Science press Yagil, D., 2000. Beliefs, motives and situational factors related to pedestrians' self-re-ported
(in Chinese), Beijing. behavior at signal-controlled crossings. Transp. Res. Part F: Traffic Psychol. Behav. 3, 1–
Chen, S.-S., Xu, J.-H., Fan, Y., 2015. Evaluating the effect of coal mine safety supervision 13.
system policy in China's coal mining industry: a two-phase analysis. Resour. Policy 46, Yin, W., Fu, G., Yang, C., Jiang, Z., Zhu, K., Gao, Y., 2017. Fatal gas explosion accidents on
12–21. Chinese coal mines and the characteristics of unsafe behaviors: 2000–2014. Saf. Sci. 92,
Choudhry, R.M., 2012. Implementation of BBS and the impact of site-level commitment. 173–179.
J. Prof. Issues Eng. Educ. Pract. 138, 296–304. Zhang, C., Zhang, S., 2002. Association Rule Mining: Models and Algorithms. Springer-
Choudhry, R.M., Fang, D., 2008. Why operatives engage in unsafe work behavior: in- Verlag, Berlin.
vestigating factors on construction sites. Saf. Sci. 46, 566–584. Zhang, J.S., Gao, S.S., Tao, J., He, P.P., 2011. Study on unsafe behavior pre-control
Greenwood, M., Woods, H.M., 1919. The incidence of industrial accidents upon in-dividuals: method based on accidents statistic. Procedia Eng. 26, 1964–1969.
With special reference to multiple accidents. HM Stationery Office [Darling and son,
Limited, printers].