Resources Policy xxx (xxxx) xxx–xxx

Contents lists available at ScienceDirect

Resources Policy
journal homepage: www.elsevier.com/locate/resourpol

Using data mining techniques to analyze the influencing factor of unsafe

behaviors in Chinese underground coal mines☆
Wanguan Qiaoa, Quanlong Liua, Xinchun Lia, , Xixi Luoa, YuLong Wanb
a
School of Management, China University of Mining & Technology, University Rd. 1, Xuzhou 221116, Jiangsu Province, China
b
School of Business, Huai An Vocational College of Information Technology, Huaian 223003, China

ARTICLE INFO ABSTRACT

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..

1. . Introducción la gestión interna de la seguridad de las empresas y la perfección del sistema

La estructura energética de China se caracteriza por ser rica en carbón,
pero es comparativamente mucho más pobre en petróleo y gas, lo que otorga
al carbón el papel principal en el consumo de energía (Shen et al., 2012; Liu y
Li, 2013). Un total de 2,75 mil millones de toneladas de carbón se consumió
en energía, metalurgia, industrias químicas y materiales de construcción, lo
que representa el 64% del consumo total de energía en 2015 (Oficina
Nacional de Estadísticas de China, 2015). Con el creciente énfasis de China
en la energía limpia, la proporción de carbón en la estructura del consumo de
energía se ha ido reduciendo gradualmente en los últimos años. Sin embargo,
según el 13º Plan quinquenal para el desarrollo energético de China (2016-
2020), la proporción de consumo de carbón se mantendrá por encima del 50%
durante mucho tiempo. En resumen, el carbón no es solo la energía básica de
China, sino también una importante materia prima industrial. Por ello, ocupa
una importante posición estratégica en la economía nacional.
El rápido crecimiento de la producción de carbón de China se debe al costo de
las víctimas, lo que representa más del 60% de las muertes accidentales en las
minas de carbón de todo el mundo (Wu et al., 2011). En los últimos años, el
número de muertos debido a accidentes de minas de carbón en China ha ido
disminuyendo con el desarrollo de la ciencia y la tecnología, la mejora del
nivel de carbón.
☆ This work was supported by the National Natural Science Foundation of China (Grant no. 71704176), China Postdoctoral Science Foundation Projects (Grant nos. 2017M611953
de supervisión externo de la seguridad de las minas de carbón (Homer, 2009;
Liu y Li, 2013; Liu y otros, 2015, 2017; Chen y otros, 2015; Wang y Zhang,
2018). Específicamente, la tasa de mortalidad por millón de toneladas
disminuyó de 3.08 en 2004 a 0.159 en 2015. Sin embargo, el número anual de
muertes por accidentes de minas de carbón fue aún mayor a 1000 durante
2010–2015, y en 2016 se produjeron más de 10 accidentes graves. causando
193 muertes (Administración Estatal de Seguridad de Minas de Carbón,
2016). Además, en comparación con otros grandes países productores de
carbón (como EE. UU., Rusia y Australia), existen grandes brechas en las
minas de carbón de China, independientemente de la construcción del sistema
legal o el nivel de equipamiento mecánico y la gestión de la seguridad. , que
no puede elevarse en poco tiempo (Liu et al., 2015; Wang et al., 2014; Wei,
2009). La alta incidencia de accidentes en las minas de carbón no solo ha
causado pérdidas económicas significativas para el país y las personas, sino
que también ha introducido una influencia social y política negativa (Yin et
al., 2017). Por lo tanto, los actuales problemas de seguridad de las minas de
carbón de China son todavía demasiado graves como para que los
funcionarios gubernamentales y académicos los ignoren.
El sistema de producción de carbón es un sistema complejo de tecnología
social con características dinámicas y no lineales, que están influenciadas por
factores internos y externos. Una masa de estadísticas de accidentes muestran
que

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.
la mayoría de los accidentes en las minas de carbón están relacionados con
comportamientos inseguros (Zhang et al., 2011). Además, en los últimos
años, los accidentes causados por el equipo y el medio ambiente están
disminuyendo gradualmente con el desarrollo de la ciencia y la tecnología,
mientras que la proporción de accidentes causados por el personal está
aumentando. Casi cada accidente importante en una mina de carbón fue
causado por un comportamiento inseguro. Por ejemplo, el 14 de febrero de
2005, en la provincia de Liaoning, China, ocurrió un gran accidente de
explosión de gas en la mina de carbón Sunjiawan perteneciente a Fuxin
Mining (Group) Co., Ltd, que causó 214 muertes. La causa directa del
accidente fue que un trabajador reparó ilegalmente un dispositivo con una
chispa eléctrica. Los accidentes similares son comunes en las minas de carbón
chinas. Por lo tanto, cómo fortalecer la gestión del comportamiento inseguro
es sumamente importante en la gestión de la seguridad de las minas de carbón
de China, y también es la clave para garantizar la seguridad de la producción
de las minas de carbón en China.
Muchos estudiosos han reconocido durante mucho tiempo que el
comportamiento inseguro es uno de los factores más importantes que
conducen a la aparición de accidentes, y se cree que la modificación del
comportamiento inseguro puede reducir en gran medida la incidencia de
accidentes (Choudhry y Fang, 2008; Choudhry, 2012). En la actualidad, se ha
realizado una gran cantidad de investigaciones sobre la modificación del
comportamiento inseguro. Greenwood, Woods (1919) propuso la "Teoría de
la propensión a los accidentes" a través del análisis estadístico de las víctimas
en una fábrica de municiones y descubrió que es más probable que ciertos
trabajadores causen accidentes sobre otros. Posteriormente, se propusieron
teorías causantes de accidentes, incluyendo la teoría de la cadena causal del
accidente, el error humano el accidente causa la teoría, la trayectoria y otros
tipos de teorías de la causa del accidente, con el desarrollo de la teoría básica
de la ciencia y la productividad, que analizaron en profundidad relación entre
los comportamientos de seguridad y la causa de los accidentes para promover
el desarrollo de la ciencia del comportamiento de seguridad.
Además, la aparición de conductas inseguras se ve afectada por muchos
factores, como los factores psicológicos, físicos, sociales y ambientales. De
acuerdo con diferentes perspectivas, la investigación actual sobre los factores
de influencia se puede dividir en tres categorías de la siguiente manera. El
primero incluye los factores individuales (por ejemplo, factores psicológicos),
el segundo incluye los factores organizativos y el tercero incluye otros
factores, como el entorno operativo, la atmósfera de seguridad y la actitud de
seguridad. Yagil (2000) examinó los factores que afectan la seguridad vial y
encontró que el género, la psicología y la conciencia de seguridad estaban
relacionados con los comportamientos de los peatones. Kunar et al. (2008)
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
limitada, el consumo de alcohol y las enfermedades estaban asociados con los
accidentes de trabajo. Después, algunos estudiosos ya no se contentaban con
estudiar simplemente los factores de influencia del individuo; por lo tanto,
comenzaron a explorar los factores de influencia más profundos, como los
factores organizativos y los factores de la atmósfera de seguridad. Neal et al.
(2000) estudiaron las relaciones entre los factores organizacionales, el clima
de seguridad y el comportamiento de seguridad y encontraron que los factores
organizacionales tienen un cierto impacto en el comportamiento de seguridad
a través del clima de seguridad. Kath et al. (2010) argumentaron que las
organizaciones deberían centrar más la atención en los empleados (es decir, el
apoyo de la organización) y el ambiente de seguridad (incluidas las actitudes
hacia la concientización sobre la gestión de la seguridad, las expectativas de
trabajo de seguridad y el comportamiento y la presión de seguridad de los
colegas), lo que formaría una Ambiente de trabajo más seguro y reducir la
generación de comportamientos inseguros. Desde la perspectiva del costo
percibido y el título percibido, Chen (2006) construyó el modelo de ecuación
estructural de los factores que afectan el comportamiento inseguro de los
principales accidentes de minas de carbón de China y realizó un estudio
empírico.
De la revisión de la literatura anterior, encontramos que la mayoría de los
estudiosos se centraron en el estudio del comportamiento inseguro desde la
perspectiva de la teoría y los métodos. Sin embargo, con la construcción de
minas digitales y minas perceptivas en China, la capacidad de adquisición de
información del comportamiento inseguro de las minas de carbón ha
mejorado mucho. Debido a que los datos son generados por comportamientos
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
convertido en un cuello de botella para mejorar aún más la seguridad.
2
Resources Policy xxx (xxxx) xxx–xxx
Nivel de gestión de las minas de carbón chinas.
Como resultado, las técnicas de minería de datos se utilizan para mejorar la
capacidad de manejar datos de comportamiento inseguro, que intenta
identificar algunas reglas benéficas que se pueden usar para reducir la
aparición de comportamientos inseguros. La minería de datos se usa
ampliamente en el comercio minorista, marketing directo, manufactura,
finanzas, comunicaciones y servicios médicos, y también comenzó a aparecer
en la gestión de la seguridad de las industrias de tránsito, aviación, barcos y
carbón (Berry y Lino, 1997; Antal et al., 2004; Shaw et al., 2001; Rygielski et
al., 2002; Valafar y Valafar, 2002; Breault et al., 2002). Kokotos y Linardatos
(2011) utilizaron el método del árbol de decisión para analizar la situación de
seguridad del barco y encontraron que la cantidad de accidentes causados por
comportamientos inseguros se redujo gradualmente después de la
implementación del código internacional de gestión de la seguridad (Código
ISM). Castro y Kim (2016) utilizaron tres modelos de clasificación de minería
de datos (red neuronal artificial, árbol de decisión J48 y red bayesiana) para
detectar los factores con mayor influencia en accidentes automovilísticos, y
los resultados obtenidos del modelo de red bayesiana son más exactos. Tasa
que los resultados de los otros dos métodos. Sanmiquel et al. (2015) utilizó la
tecnología de minería de datos para analizar los accidentes de carbón en
España de 2003 a 2012, y las reglas obtenidas de la minería de datos pueden
ayudar a desarrollar políticas de prevención adecuadas que reduzcan las
lesiones y muertes. Por lo tanto, es obvio que muchos académicos han
analizado los datos de los accidentes, mientras que se ha investigado poco
sobre los comportamientos inseguros que ocurrieron antes de los accidentes.
Por lo tanto, para prevenir el comportamiento inseguro en las minas de carbón
de China, se utilizó la tecnología de minería de datos para analizar los
factores que afectan el comportamiento inseguro de los humanos, y estos
métodos se utilizaron para identificar las características de una persona que es
propensa a comportamientos inseguros y Reglas de asociación de conductas
inseguras de alto riesgo.
El resto de este documento está organizado de la siguiente manera. La
Sección 2 presenta la descripción preliminar de este trabajo, incluida la fuente
de datos, la elección de la variable y los principios de adopción del método.
La Sección 3 proporciona investigación aplicada sobre las minas de carbón de
China utilizando el método del árbol de decisión y el método de reglas de
asociación. Finalmente, se incluyen algunas observaciones finales y otras
instrucciones en la Sección 4.
2. Material and methodology
2.1.Data set
Los datos de comportamiento inseguro utilizados en este documento se
obtuvieron del sistema de información de gestión de riesgos de seguridad de
la mina de carbón, el sistema de gestión de asistencia al baile y el sistema de
gestión de capacitación de tres minas de carbón modernas a gran escala,
llamada mina de carbón de Qianqiu, mina de carbón de Xinan y Gengcun
mina de carbón de yima Coal Industry co., Ltd en la provincia de Henan en
China. En total, se seleccionaron 35,424 casos de comportamiento inseguro
de 2220 personas durante el período 2013-2015 como soporte de datos. Sin
embargo, se eliminaron un total de 56 datos faltantes antes de la extracción de
datos, y los resultados obtenidos de la extracción de datos no se vieron
afectados debido a la aleatoriedad de los datos faltantes. Finalmente, la
cantidad final de datos utilizados en este artículo fue de 35,364.
2.2.Variable
En este documento, se seleccionaron 10 variables (Tabla 1), en las que el
número de comportamientos inseguros (NUB) y el nivel de riesgo de
comportamientos inseguros (RLUB) se predijeron como variables objetivo. El
árbol de decisiones de la minería de datos se utilizó para analizar la
regularidad de los factores de impacto (incluida la edad, la experiencia, la
educación, la asistencia y la capacitación) sobre el número de
comportamientos inseguros. Las reglas de asociación de la minería de datos
se utilizaron para explorar las interrelaciones entre el tiempo, la ubicación, el
departamento, los meses y el nivel de riesgo de conductas inseguras.
Como se ve en la Fig. 1, el número de comportamientos inseguros de
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
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

Age Ag Continuous [22–57]

Experience Ex Continuous [1–38]
Education Ed Discrete Junior high school and below, high school, technical school, college, undergraduate and above
Number of Unqualified Training NUT Continuous [0–12]
Number of Abnormal Attendance NAA Continuous [0–15]
Number of Unsafe Behavior NUB Discrete 1 = [0–5]; 2 = [6–10]; 3 = [11–20]
Department De Discrete Driving work area, coal mining work area, electrical work area, through prevention work area, transport work area,
safety supervision department, dispatching department
Time Ti Discrete day shift, middle shift, night shift
Location Lo Discrete 11307, 11308, 13301, 12310, 680, 12305, 12306, 13302, 11309, 11302, 900, −960, − 650, 12310
Risk Level of Unsafe Behavior RLUB Discrete A= low risk; B= medium risk; C= high risk
Month Mo Discrete Jan, Feb, Mar, Apr, May, Jun, July, Aug, Sep, Oct, Nov, Dec

los empleados eran buenos para controlar su propio número de
comportamientos inseguros, todavía hay casi una cuarta parte de las personas
que eran propensas a comportamientos inseguros. Desde el punto de vista del
nivel de riesgo de los comportamientos inseguros, el 82.8% de los
comportamientos inseguros son de bajo riesgo, el 16.2% de los
comportamientos inseguros son de riesgo moderado y solo el 1% de los
comportamientos inseguros tienen un riesgo directamente alto. Aunque la
cantidad de conductas inseguras de alto riesgo es baja, la probabilidad de
muerte y la pérdida de accidentes causados por estas conductas inseguras son
enormes. Un riesgo moderado de comportamiento inseguro también puede
conducir a accidentes graves, que deben controlarse mediante el análisis de
las reglas de asociación subyacentes de muchos factores. La probabilidad de
accidentes causados por comportamientos inseguros de bajo riesgo es baja,
pero tiene una base numérica grande.
2.3.Method
La minería de datos se define como el proceso de usar algoritmos para buscar
información oculta de un mar de datos (Witten et al., 2016). Como
alternativa, a menudo se asocia con la informática para explicar algo acerca
de los datos y se puede usar para predecir lo que ocurrirá en situaciones
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
de “minas digitales” y “minas de sensores” en las minas de carbón de China,
la capacidad de obtener información de seguridad sobre comportamientos
inseguros ha mejorado, lo que simultáneamente causa el problema de la
sobrecarga de información en la gestión de la seguridad de la mina. Con esta
cantidad masiva de datos de seguridad, los gerentes no pueden extraer
eficazmente valiosos conocimientos de seguridad. En consecuencia, para
llevar a cabo una gestión de seguridad eficaz, es necesario utilizar la minería
de datos para abordar los datos de comportamiento inseguro de las minas de
carbón.
2.3.1. Decision tree
Como un clasificador típico, el proceso del árbol de decisión se divide en tres
partes. En la primera instancia, se crea un árbol con una estructura invertida
mediante el análisis recursivo del conjunto de datos de entrenamiento, y luego
se produce una serie de reglas a través del análisis de ruta del árbol desde el
nodo raíz hasta el nodo de hoja. Finalmente, los nuevos datos se utilizan en la
clasificación o el pronóstico basados en estas reglas. En esencia, la idea de
clasificación del árbol de decisión es en realidad un proceso de minería de
datos creado mediante la generación de una serie de reglas para el análisis de
datos. Como resultado de una extensa investigación y aplicación, los métodos
del árbol de decisión han producido muchos tipos de algoritmos. El algoritmo
ID3 fue propuesto por Quinlan por primera vez en 1986 (Quinlan, 1986).
Después de eso, el algoritmo C4.5 mejorado fue desarrollado sobre la base de
este algoritmo (Quinlan, 1996). Ambos algoritmos anteriores se basan en la
clasificación de la información. Los algoritmos basados en el índice de Gini,
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-
gorithm para analizar los factores que influyen en los comportamientos
inseguros en la seguridad de las minas de carbón, que tiene como objetivo
encontrar las características comunes de las personas que tienen la mayor
frecuencia de comportamientos inseguros.
2.3.2. Association rules
La regla de asociación es un medio importante en todos los métodos de
extracción de datos que se utiliza para revelar la estructura inherente de los
datos (Zhang y Zhang, 2002). En la actualidad, los algoritmos de correlación
comúnmente utilizados son el algoritmo de Apriori, el algoritmo DIC y el
algoritmo de crecimiento de Fp (Agrawal et al., 1993; Toivonen, 1996; Han y
Fu, 1995). En este documento, para establecer la fuerza de asociación entre
las variables de comportamiento inseguro, el algoritmo de Apriori se utiliza
para minar la masiva

1269
Number of employees

530
421

[0,5] [6,10] [11,20]

Group of number
Fig. 1. Distribution of frequencies for the variables NUB and RLUB.

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).

3.2. Using decision trees to analyze unsafe behaviors

Se utilizaron cinco variables predictivas (es decir, cantidad de

capacitación no calificada, cantidad de asistencia anormal, experiencia, edad y
educación) junto con la variable objetivo categórica (cantidad de conductas
inseguras) para identificar qué tipo de persona era más propensa a las
conductas inseguras. La Fig. 3 muestra el árbol de recolección de CART, y la
interpretación de los resultados fue directa. La jerarquía del árbol de
clasificación indicó la primera división utilizando el número de entrenamiento
no calificado (NUT) como la variable predictiva con las 3.5 veces como
divisor. La TUERCA a 3.5 veces a la izquierda forma un nodo terminal. Esto
indica que la mejor variable para el comportamiento inseguro es NUT.

Condicionada por el NUT, la segunda mejor variable para clasificar los

comportamientos inseguros de las minas de carbón es el número de asistencia
anormal (NAA) con tres reglas generadas. De izquierda a derecha en el árbol
de decisión, las reglas son las siguientes: cuando el NUT fue menor que 2.5 y
el NAA fue menor que 4.5, la primera regla predijo el 98.7% (613/621) de los
Fig. 2. The statistics of unsafe behavior for each month in 2013–2015.
comportamientos inseguros con baja frecuencia. Luego, la segunda regla
pronosticó el 95.2% (20/21) de los comportamientos inseguros con frecuencia
los datos para generar los conjuntos de elementos de datos frecuentes, y este moderada en las condiciones en que el NUT fue mayor o igual a 3.5 y el NAA
método se basa en algunos valores de umbral definidos por el usuario para la fue igual a 5. Finalmente, cuando el NUT fue mayor que o igual a 3.5 y
detección de reglas (Confmin y Supmin) (Agrawal et al., 1993; Agarwal y mayor o igual a 5.5, la tercera regla sobre el alto riesgo de comportamiento
Srikant, 1994; Witten y Frank, 2016; Han y Kamber, 2000; Olafsson et al., inseguro predijo correctamente el 85.9% (243/283) de las ocurrencias.
2008). Las fuertes reglas de asociación extraídas de las minas de carbón de
China pueden mejorar la eficiencia de la inspección de conductas inseguras. Comunidad El árbol de decisiones comenzó a ser complejo y produjo ocho
reglas después de que se introdujera la tercera variable (experiencia). Tanto
Todos los datos recogidos se analizaron utilizando R 3.3.0. NUT como NAA fueron menos del 5%, y el 93% (106/114) de las personas
con más de 12 años de experiencia laboral no tuvieron conductas de alto
3.Presentation and discussion of results riesgo. Cuando NUT fue menor que 3.5, NAA fue mayor que 4, y la cantidad
de conductas inseguras generadas por personas con más de 10 años de
3.1Unsafe behavior based on the data statistics experiencia fue mucho menor que la de quienes trabajaron no más de 10 años.
Bajo las condiciones en que NUT estuvo entre 3.5 en 6.5 y NAA fue menos
de 5.5, el número de conductas inseguras fue menor cuando una persona tenía
Al analizar los registros de conductas inseguras de 2013 a 2015, se puede ver
experiencia laboral más de 12. Al mismo tiempo, encontramos resultados
que la cantidad de conductas inseguras en las minas de carbón de China
similares en las condiciones en que NUT era más de 6.5 y NAA fue menor de
durante este período fue superior a 30,000 (Fig. 2). La frecuencia de los
5.5. Específicamente, los empleados con ≥ 16 años de experiencia laboral
comportamientos inseguros fue alta en octubre, noviembre y diciembre, con
predijeron el 73.5% (25/34) de los comportamientos inseguros de bajo riesgo,
un número promedio de más de 1000 comportamientos inseguros cada mes;
y los empleados con menos de 16 años de experiencia laboral predijeron el
Además, estos meses suelen tener una alta incidencia de accidentes.
61.1% (55/90) de Comportamientos inseguros de alto riesgo.
Principalmente debido al clima frío, el crecimiento de la demanda de carbón
conduce a aumentos en la carga diaria de trabajo de los empleados. Para
La cuarta variable fue la edad, y se produjeron un total de tres reglas. A partir
terminar el trabajo, los mineros del carbón necesitan trabajar más, y estas
de las reglas, encontramos que las personas mayores de 40 años que tenían
condiciones tienen más probabilidades de producir comportamientos
experiencia laboral menos de 12 años, incluso si la asistencia y la
inseguros. El número de comportamientos inseguros en febrero y julio fue
capacitación eran buenas, aún producían un riesgo moderado de conductas
relativamente bajo debido al Festival de Primavera de China y al clima cálido.
inseguras.
La mayoría de las minas de carbón chinas se encontraban en estado de
semicerrado durante el feriado del Festival de Primavera de febrero. Julio es
También observamos que durante el crecimiento del árbol de clasificación, se
el comienzo del verano en China, lo que llevó a una fuerte caída en la
encontró que la variable de educación no era significativa; por lo tanto, la
demanda de carbón, y el número de comportamientos inseguros disminuyó
variable de educación no fue utilizada por CART para dividir los nodos.
con la reducción en la producción. Por lo tanto, las empresas mineras de
carbón deben centrarse en el comportamiento inseguro de octubre a
Para verificar la precisión de la predicción de comportamiento inseguro del
diciembre. Al mismo tiempo, se debe prestar suficiente atención a las
árbol de decisión, los datos recopilados se dividieron aleatoriamente en dos
características de la diversidad y vulnerabilidad de las conductas inseguras, ya
subconjuntos (es decir, uno para capacitación y otro para pruebas). El número
que, de acuerdo con la "ley de los grandes números", independientemente de
de casos utilizados para el entrenamiento y prueba del modelo fue de 1554
la probabilidad de un accidente causado por conductas inseguras, el accidente
(70% del total de observaciones) y 666 (30% del total de observaciones),
Ocurre hasta que el número de ocurrencias sea suficiente. Por lo tanto, para
respectivamente. Como se muestra en la Tabla 3, la precisión del pronóstico
prevenir los accidentes en las minas de carbón, debemos centrarnos en los
del conjunto de entrenamiento fue del 87%, y 199 de todas las muestras de
detalles de los comportamientos inseguros, independientemente de cuán bajo
entrenamiento fueron predichas por error. Específicamente, la matriz de
sea el coeficiente de riesgo.
confusión muestra que 59 se predijeron erróneamente como categoría 1, 65
como categoría 2 y 75 como categoría 3 en todas las muestras de error. La
Las 30 conductas inseguras más comunes se contabilizaron en este precisión de la predicción de la muestra de prueba fue del 83,8%, que fue
documento y se clasificaron por su frecuencia de ocurrencias (Tabla 2). Se inferior a la muestra de entrenamiento en un 3% puntos. De las 666 muestras
puede ver que los cinco tipos principales de conductas inseguras son el de prueba, se predijo que 108 muestras eran incorrectas. La tasa correcta de
dictado irregular de los dedos, la violación del sistema, los arreglos de trabajo los árboles de decisión para la categoría 1 fue más del 88%, mientras que la
no finalizados, la verificación incompleta y el no manejar los riesgos a tasa correcta de los árboles de decisión para la categoría 2
tiempo. De hecho, algunos de los 30 tipos de comportamientos inseguros
anteriores no son difíciles de resolver (como no inspeccionar antes de ingresar
a la mina, no manejar los peligros a tiempo, caminar sin seguir la ruta
requerida y dejar una posición).
4
W. Qiao et al. Resources Policy xxx (xxxx) xxx–xxx

Table 2
The common unsafe behaviors in Chinese coal mines (TOP30).

Unsafe behavior Frequency Unsafe behavior Frequency

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

NUT < 3.5

>= 3.5
1 3
787 80 18 151 205 352

NAA < 4.5 NAA < 5.5

>= 4.5 >= 5.5
1 2 2
776 59 0 11 21 18 119 197 109

NUT < 2.5 NAA < 5.5 NUT < 6.5

>= 2.5 >= 5.5 >= 6.5

1 3 2 3
163 51 0 10 1 18 67 189 45 52 8 64

Ex >= 12 Ex >= 10 Ex >= 12 Ex >= 16

< 12 < 10 < 12 < 16
1 1
57 43 0 50 32 4

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

Fig. 3. The output of the CART tree.

y 3 predicciones fueron 81.1% y 76.2%, respectivamente. Como se ve en los
resultados, los árboles de decisión que predijeron los comportamientos
Table 3 inseguros de baja frecuencia fueron mejores que los de frecuencias moderadas
Prediction results of the CART model. y altas.
Training data 3.3. Uso de reglas de asociación para analizar comportamientos inseguros.
Todos los datos recopilados deben limpiarse antes de explorar las relaciones
Observed number of unsafe Predicted number of unsafe behaviors entre el departamento, la hora, el lugar, el mes y el nivel de riesgo de
behaviors 1 2 3 Row marginal total conductas inseguras. Las 15 reglas de asociación (Fig. 4) se obtuvieron
1 831 25 60 916 utilizando el algoritmo de Apriori, que estableció el soporte mínimo en 0.02,
2 46 216 15 277 el mínimo de confianza en 0.05 y el mínimo de elevación para la minería por
3 13 40 308 361 prueba y error. Finalmente, se obtuvieron seis reglas útiles al eliminar reglas
Marginal total 890 281 383 1554 similares y repetitivas (Tabla 4).
The overall prediction accuracy is 87.2% for testing data Testing data La Regla 1 y la Regla 2 mostraron que era fácil para las personas que
Observed number of unsafe Predicted number of unsafe behaviors pertenecen al área de manejo NO.1 tener un riesgo moderado de
behaviors 1 2 3 Row marginal total
comportamientos inseguros en las superficies de trabajo 12316 y 12301. Los
1 311 6 33 350
niveles de confianza de las superficies de trabajo 12316 y 12301 fueron de
2 32 99 13 144
3 7 17 148 172
0,94 y 0,56, respectivamente. Es decir, el 94% de
Marginal total 350 122 194 666
The overall prediction accuracy is 83.8% for testing data La Regla 1 y la Regla 2 mostraron que era fácil para las personas que
pertenecen al área de manejo NO.1 tener un riesgo moderado de
comportamientos inseguros en las superficies de trabajo 12316 y 12301. Los
niveles de confianza de las superficies de trabajo 12316 y 12301 fueron de
0,94 y 0,56, respectivamente. Es decir, el 94% de
5
W. Qiao et al. Resources Policy xxx (xxxx) xxx–xxx

Fig. 4. Visualization of 15 association rules absdout medium risk of unsafe behaviors.

reglas de asociación para las empresas mineras de carbón son significativos y
proporcionan a los supervisores objetivos más claros cuando se produce la
Table 4 inspección de conductas inseguras en la mina de carbón. Esto ayuda a
The six best rules for Risk Level of Unsafe Behavior output variable. determinar rápidamente cuándo, dónde y qué tipo de comportamientos
Rule LHS RHS Support Confidence Lift
inseguros ocurren y también permite a los empleados investigar su propio
comportamiento inseguro.
1 {De=NO.1 driving area, = > RLUB=B 0.020 0.94 5.41
Lo= 12316 4. Conclusions
2 {De=NO.1 driving area, = > RLUB=B 0.024 0.56 3.19
Lo= 12301}
3 {Ti =night, Mo=Apr} = > RLUB=B 0.023 0.71 4.07 Al utilizar el algoritmo de reglas de asociación y árbol de decisión en la
4 {De=NO.1coal area, = > RLUB=B 0.039 0.93 5.32 minería de datos para analizar los comportamientos inseguros de las minas de
Lo= 13301,Ti=day} carbón en China, se obtuvieron las siguientes conclusiones.
5 {De=NO.1coal area, = > RLUB=B 0.022 0.54 3.13
Lo= 11309,Ti=day}
6 {De=NO.1 driving area, = > RLUB=B 0.029 0.99 5.69
En el proceso de extracción de datos, encontramos que la capacitación, la
Lo= −1150,Ti=night} asistencia, la experiencia y la edad fueron factores que afectaron la frecuencia
del comportamiento inseguro. El factor de entrenamiento tuvo el mayor
impacto en los comportamientos inseguros. Este resultado se debió
los comportamientos inseguros en la superficie de trabajo 12316 del área de principalmente a que las minas de carbón chinas son en su mayoría
manejo NO.1 tenían un riesgo moderado, mientras que el 56% de los operaciones subterráneas, y los mineros de carbón necesitan más habilidades
comportamientos inseguros en la superficie 12301 tenían un riesgo moderado. operativas y experiencia para abordar las complejas condiciones geológicas y
Por lo tanto, el área de conducción NO.1 era el área de inspección clave
el entorno operativo. Solo mediante la mejora de la conciencia de seguridad
cuando los mineros de carbón estaban trabajando en las superficies de trabajo
12316 y 12301. La Regla 6 demostró que el departamento de área de de los trabajadores del carbón y el fortalecimiento continuo de la capacitación
conducción NO.1 era propenso a un riesgo moderado de comportamientos reduciremos los accidentes en las minas de carbón. El segundo factor
inseguros en la noche en la superficie de trabajo de −1150. La Regla 4 y la importante fue la asistencia, que representó la actitud de los empleados hacia
Regla 5 mostraron que el área de carbón NO.1 era propensa a un riesgo el cumplimiento de las reglas y regulaciones de la compañía, y una leve
moderado de conductas inseguras durante el día de las superficies de trabajo infracción de las reglas y regulaciones puede llevar a accidentes mayores en
13301 y 11309 con un nivel de confianza de 0.93 y 0.54, respectivamente. minas subterráneas de carbón.
Esto indicó que el 93% de las prácticas inseguras ocurrieron en el área de
trabajo de 13301, mientras que el 54% de las prácticas inseguras ocurrieron
en el lugar de trabajo de 11309 de riesgo moderado. Por lo tanto, las También encontramos que la presencia de comportamientos inseguros se
superficies 13301 y 13309 son el área de inspección clave del área de carbón vio influenciada no solo por un solo factor, sino también por las interacciones
NO.1. La Regla 3 mostró que durante el turno de la noche de mayo, la entre múltiples factores. Cuando la capacitación y la asistencia de un
probabilidad de un comportamiento inseguro moderado fue de 0.71. Por lo trabajador eran excelentes, la frecuencia de las conductas inseguras era
tanto, los trabajadores del carbón en el turno de la noche en mayo deben generalmente baja, excepto en el caso de personas menos experimentadas o
recibir más inspecciones para reducir los comportamientos inseguros. mayores. En contraste, a pesar de que algunos empleados experimentados
pueden evitar comportamientos inseguros, la mayoría de los empleados que
Del mismo modo, también podemos establecer la variable de destino a la
ubicación, son débiles en el entrenamiento y la asistencia se encuentran dentro del rango
Departamento, comportamiento inseguro, tiempo y otras variables para de alta frecuencia.
adquirir información útil. Además, los resultados obtenidos a través de las

6
W. Qiao et al.
Debido a que la generación de conductas inseguras se ve afectada por
muchos factores, solo a través de aprender más sobre los mecanismos internos
de las conductas inseguras podemos encontrar con precisión formas de
prevenir los accidentes de minas de carbón.
Es bien sabido que los factores humanos están en el centro del sistema de
producción de la mina de carbón. Debido a sus características fisiológicas,
psicológicas, sociales y espirituales, los seres humanos tienen algunas
debilidades inherentes, así como una gran plasticidad. Por lo tanto, los
comportamientos inseguros de los seres humanos deben ser descubiertos y
corregidos tan pronto como sea posible. Usando el algoritmo de Apriori para
extraer las reglas de asociación de los datos de comportamiento inseguro,
incluidos el departamento, la hora, la ubicación, el mes y el nivel de riesgo,
encontramos una regla de asociación fuerte entre múltiples dimensiones para
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
nuestros investigadores. Cuando necesitamos identificar un departamento o
un lugar, los resultados obtenidos a través de las reglas de la asociación
proporcionan objetivos más claros para nuestra inspección de conductas
inseguras.
La aplicación de la minería de datos a la gestión de comportamientos no
seguros por parte de los mineros del carbón ofrece sugerencias prácticas para
la toma de decisiones para los gerentes. Además de los factores internos
mencionados en este artículo, existen factores externos (como los entornos y
el compromiso organizacional) que afectan los comportamientos inseguros de
los seres humanos. En el siguiente estudio, los datos externos se planean
convertir y cargar en el almacén de datos (DW). Luego, se establecerá un
modelo de análisis de minería de datos que incluye factores internos y
externos para llevar a cabo una dimensión más profunda y más amplia de los
comportamientos inseguros.
Acknowledgements
Los autores agradecen el apoyo financiero de la Fundación Nacional de
Ciencias Naturales de China (Grant no. 71704176), los Proyectos de la
Fundación de Ciencias Postdoctorales de China (Grant nos. 2017M611953 y
2015M580498), y los Fondos de Investigación Fundamental para las
Universidades Centrales (Grant no. 2017QNA07 ).
References
Agarwal, R., Srikant, R., 1994. Fast algorithms for mining association rules, In:
Proceedings of the 20th VLDB Conference, pp. 487–499.
Agrawal, R., Imieliński, T., Swami, A., 1993. Mining association rules between sets of items
in large databases. ACM Sigmod Rec. ACM 207–216.
Antal, P., Fannes, G., Timmerman, D., Moreau, Y., De Moor, B., 2004. Using literature and
data to learn Bayesian networks as clinical models of ovarian tumors. Artif. Intell. Med. 30,
257–281.
Berry, M.J., Linoff, G., 1997. Data Mining Techniques: For Marketing, Sales, and
Customer Support. John Wiley & Sons, Inc, New York.
Breault, J.L., Goodall, C.R., Fos, P.J., 2002. Data mining a diabetic data warehouse. Artif.
Intell. Med. 26, 37–54.
Breiman, L., 2017. Classification and Regression Trees. Routledge, London.
Castro, Y., Kim, Y.J., 2016. Data mining on road safety: factor assessment on vehicle
accidents using classification models. Int. J. Crashworthiness 21, 104–111.
Chen, H., 2006. Unsafe Behavior Study of Major Accidents in China Coal Mines. Science press
(in Chinese), Beijing.
Chen, S.-S., Xu, J.-H., Fan, Y., 2015. Evaluating the effect of coal mine safety supervision
system policy in China's coal mining industry: a two-phase analysis. Resour. Policy 46,
12–21.
Choudhry, R.M., 2012. Implementation of BBS and the impact of site-level commitment.
J. Prof. Issues Eng. Educ. Pract. 138, 296–304.
Choudhry, R.M., Fang, D., 2008. Why operatives engage in unsafe work behavior: in-
vestigating factors on construction sites. Saf. Sci. 46, 566–584.
Greenwood, M., Woods, H.M., 1919. The incidence of industrial accidents upon in-dividuals:
With special reference to multiple accidents. HM Stationery Office [Darling and son,
Limited, printers].
Resources Policy xxx (xxxx) xxx–xxx
Han, J., Kamber, M., Pei, J., 2000. Data mining: concepts and techniques (the Morgan
Kaufmann Series in data management systems). Morgan Kaufmann.
Han, J., Fu, Y., 1995. Discovery of multiple-level association rules from large databases,
VLDB, pp. 420-431.
Homer, A.W., 2009. Coal mine safety regulation in China and the USA. J. Contemp. Asia 39,
424–439.
Kath, L.M., Marks, K.M., Ranney, J., 2010. Safety climate dimensions, leader–member
exchange, and organizational support as predictors of upward safety communication in a
sample of rail industry workers. Saf. Sci. 48, 643–650.
Kokotos, D.X., Linardatos, D.S., 2011. An application of data mining tools for the study of
shipping safety in restricted waters. Saf. Sci. 49, 192–197.
Kunar, B.M., Bhattacherjee, A., Chau, N., 2008. Relationships of job hazards, lack of
knowledge, alcohol use, health status and risk taking behavior to work injury of coal
miners: a case-control study in India. J. Occup. Health 50, 236–244.
Liu, Q., Li, X., 2013. Study on the efficiency of the structural reform of coal mine safety
supervision system in China. China Popul. Resour. Environ. 23 (11), 150–156 (in Chinese).
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–
22.
Liu, Q., Li, X., Qiao, W., Meng, X., Li, X., Shi, T., 2017. Analysis of embedded non-safety
regulation games in China's two types of coal mines through safety performance disparity,
1980–2014. Resour. Policy 51, 265–271.
Mehta, M., Agrawal, M., Rissanen, J., 1996. SLIQ: A Fast Scalable Classifier for Data
Mining. International Conference on Extending Database Technology. Springer, Berlin,
pp. 18–32.
National Bureau of Statistics of China, 2015, 〈http://data.stats.gov.cn/easyquery.htm?
Cn˭2015〉.
Neal, A., Griffin, M.A., Hart, P.M., 2000. The impact of organizational climate on safety
climate and individual behavior. Saf. Sci. 34, 99–109.
Olafsson, S., Li, X., Wu, S., 2008. Operations research and data mining. Eur. J. Oper. Res.
187, 1429–1448.
Quinlan, J.R., 1986. Induction of decision trees. Mach. Learn. 1, 81–106.
Quinlan, J.R., 1996. Improved use of continuous attributes in C4. 5. J. Artif. Intell. Res. 4, 77–
90.
Rygielski, C., Wang, J.-C., Yen, D.C., 2002. Data mining techniques for customer re-
lationship management. Technol. Soc. 24, 483–502.
Sanmiquel, L., Rossell, J.M., Vintró, C., 2015. Study of Spanish mining accidents using data
mining techniques. Saf. Sci. 75, 49–55.
Shafer, J., Agrawal, R., Mehta, M., 1996. A scalable parallel classifier for data mining, In:
Proceedings of 22nd International Conference on VLDB, Mumbai, India.
Shaw, M.J., Subramaniam, C., Tan, G.W., Welge, M.E., 2001. Knowledge management and
data mining for marketing. Decis. Support Syst. 31, 127–137.
Shen, L., Gao, T.-m., Cheng, X., 2012. China's coal policy since 1979: a brief overview.
Energy Policy 40, 274–281.
The State Administration of Coal Mine Safety, 2016. 〈http://www.chinasafety.gov.cn/
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
magnetic resonance (1H NMR) spectra using frequency to information transformation
(FIT). Knowl.-Based Syst. 15, 251–259.
Wang, L., Cheng, Y.-P., Liu, H.-Y., 2014. An analysis of fatal gas accidents in Chinese coal
mines. Saf. Sci. 62, 107–113.
Wang, W., Zhang, C., 2018. Evaluation of relative technological innovation capability: model
and case study for China's coal mine. Resour. Policy. https://doi.org/10.1016/
j.resourpol.2018.04.008.
Wei, G., 2009. Comparison between coal fatalities in China and the USA. Contemp. Econ.
1, 50–52.
Witten, I.H., Frank, E., Hall, M.A., Pal, C.J., 2016. Data Mining: Practical Machine
Learning Tools and Techniques. Morgan Kaufmann, San Francisico.
Wu, L., Jiang, Z., Cheng, W., Zuo, X., Lv, D., Yao, Y., 2011. Major accident analysis and
prevention of coal mines in China from the year of 1949 to 2009. Min. Sci. Technol.
(China) 21, 693–699.
Yagil, D., 2000. Beliefs, motives and situational factors related to pedestrians' self-re-ported
behavior at signal-controlled crossings. Transp. Res. Part F: Traffic Psychol. Behav. 3, 1–
13.
Yin, W., Fu, G., Yang, C., Jiang, Z., Zhu, K., Gao, Y., 2017. Fatal gas explosion accidents on
Chinese coal mines and the characteristics of unsafe behaviors: 2000–2014. Saf. Sci. 92,
173–179.
Zhang, C., Zhang, S., 2002. Association Rule Mining: Models and Algorithms. Springer-
Verlag, Berlin.
Zhang, J.S., Gao, S.S., Tao, J., He, P.P., 2011. Study on unsafe behavior pre-control
method based on accidents statistic. Procedia Eng. 26, 1964–1969.