Safety Science 101 (2018) 180–189

Listas de contenidos disponibles en ScienceDirect

Ciencia de la seguridad

revista Página de inicio: www.elsevier.com/locate/safety

La pirámide de Heinrich y la seguridad laboral: una metodología de validación estadística

Pablo Marshall • , Alejandro Hirmas, Marcos Singer

Escuela de Administración, Ponti fi cia Universidad Católica de Chile, Santiago, Chile

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: Heinrich ' La pirámide, que postula que la distribución de la gravedad de los accidentes laborales es relativamente constante, es una de las principales
Modelos bayesianos Heinrich ' s herramientas para la gestión de la seguridad laboral. Sin embargo, la evidencia existente sugiere que las disminuciones en accidentes menores no siempre
piramide Seguridad han sido seguidas por disminuciones similares en accidentes graves y fatales. Para probar la validez estadística de la pirámide, proponemos un modelo
ocupacional Evaluación de
bayesiano de dos partes: el fi la primera parte estima las tasas de accidentes usando una distribución de Poisson-gamma, y ​la segunda parte estima la
seguridad Accidentes fatales
proporción de accidentes menores, graves y fatales usando una distribución de Dirichlet Multinomial. Si esta proporción no cambia cuando se reduce la
tasa de accidentes, entonces la validez estadística de la pirámide es con fi rmed, pero si cambia, entonces su validez es refutada. Nuestros datos cubren
más de 50,000 empresas observadas durante 28 meses en Chile. Heinrich ' s piramide es con fi rmed para ser estadísticamente inválido para di ff Existen
diferentes sectores de actividad económica y regiones geográficas, pero la discrepancia es tan pequeña que, a efectos prácticos, la pirámide es válida. Por
lo tanto, concluimos que la ocurrencia de accidentes menores es una señal útil para evaluar y pronosticar el desempeño general de seguridad de un

fi rm.

1. Introducción
Heinrich ' s piramide Heinrich, 1932; Heinrich et al., 1980 ) está entre
Las premisas principales en las que se basa la gestión de la seguridad laboral ( Khanzode et al., 2012 )
Sugiere una fuerte correlación entre la ocurrencia de casi accidentes, accidentes menores, accidentes
graves (que requieren hospitalización) y muertes (muerte inmediata o dentro de los tres meses)
porque la mayoría de estos tienen causas comunes ( Gnoni et al., 2013; Lozada-Larsen y Laughery,
1987 ) En consecuencia, la reducción de un cierto tipo de riesgo se considera correlacionada con
reducciones en la frecuencia de accidentes en todos los niveles de gravedad. Como ejemplo, Kines
(2002) estudió las caídas de los trabajadores de la construcción, fi Teniendo en cuenta que, si bien la
mayoría de las caídas son de baja altura y, por lo tanto, menores, algunas son de mediana altura con
graves ff efectos, y otros son fatales. Tasas de accidentes de di ff La gravedad actual no está
correlacionada porque los accidentes de gravedad media pueden causar accidentes fatales, sino
porque las caídas en la construcción tienen causas comunes que generan una cierta propensión a
ocurrir. En términos más generales, los factores de riesgo generan una distribución de probabilidad
que indica proporciones de accidentes menores, graves y fatales.
Konstandinidou y col. (2011) para la industria petroquímica en Grecia. En la práctica, la relación
estadística entre accidentes menores (que son frecuentes), accidentes graves (que son raros) y
accidentes fatales (que son muy raros) permite a las empresas controlar sus propias propensiones a
experimentar este último tipo de accidente. Cuando aumenta el número de accidentes menores,
Heinrich ' La pirámide predice que los accidentes graves y las muertes también aumentarán, lo que
debería impulsar a la empresa a mejorar su prevención. ff orts ( Bourassa et al., 2016 ) Por lo tanto, la
ocurrencia de accidentes menores es una señal útil para evaluar y pronosticar el desempeño general
de seguridad de un fi rm. Sin embargo, los supuestos subyacentes a la pirámide han sido
cuestionados ( Manuele, 2011 ) Shanon (1980) desafiar el reclamo de Heinrich y col. (1980) que
accidentes de di ff La gravedad actual tiene causas esencialmente comunes. Como se mostrará a
continuación, nuestra técnica de validación se centra precisamente en este punto. Hale (2001) o ff ers
a di ff Objeción diferente, argumentando que la pirámide se ha utilizado indiscriminadamente, como si
la simple prevención de accidentes menores reduciría automáticamente los accidentes graves.

El argumento que abordamos, que cuestiona la utilidad de la pirámide como herramienta

La pirámide es una herramienta metodológica ampliamente utilizada en la investigación académica. Hale
(2001) recomienda construir pirámides por " desviación "
(o último evento que se desvía de lo normal), como lo hizo Jacinto y Soares (2008) para la industria
minera y cantera en Portugal y por
descriptiva y, sobre todo, predictiva, es si la correlación que sugiere la pirámide realmente existe.
Existe una amplia evidencia de desastres que suceden a empresas con tasas muy bajas de
accidentes menores: el Tesoro re fi nery en Anacortes, Washington (2010, fi cinco muertes), la mina
Massey Energy en Virginia Occidental (29 muertes), el

• Autor para correspondencia en: Av. Vicuña Mackenna, 4860, Chile.

Correos electrónicos: pmarshall@uc.cl (P. Marshall), janohirmas@gmail.com (A. Hirmas), msinger@uc.cl (M. Singer).

http://dx.doi.org/10.1016/j.ssci.2017.09.005
Recibido el 17 de marzo de 2017; Recibido en forma revisada el 21 de julio de 2017; Aceptado el 7 de septiembre de 2017

0925-7535 / © 2017 Elsevier Ltd. Todos los derechos reservados.

P. Marshall y col.
Plataforma petrolera British Petroleum Deepwater en el Golfo de México (11 muertes) y el oleoducto
PG&E en San Bruno, California (cuatro muertes), entre otros ( Krause, 2011 ) En términos más
generales, si bien la ocurrencia de accidentes no fatales en toda la fuerza laboral de los EE. UU. Ha
disminuido en un 51% en los últimos 15 años, los accidentes fatales disminuyeron solo en un 25.5% Martin válida. En la sección 3 , describimos las características principales del modelo estadístico propuesto,
y Black, 2015 ) Un fenómeno similar está ocurriendo en otros países desarrollados y en diversas
industrias. En consecuencia, varias partes han pedido una reforma de los sistemas de gestión de
riesgos, argumentando a favor de un modelo de prevención centrado en precursores potenciales de
alto daño ( Nash, 2008 ) La pregunta principal de nuestro estudio es la siguiente: ¿Se correlaciona una
reducción en el número de accidentes en la base de la pirámide con una disminución proporcional en
su punta? De ser así, nuestro estudio proporcionaría evidencia a favor de un modelo amplio de
gestión de seguridad en el que la prevención de todo tipo de accidentes se relacionaría (no
necesariamente por causalidad) con una disminución en la ocurrencia de accidentes graves o fatales.
Si no, y la validez de Heinrich ' Si se refuta la pirámide, se fortalecería el caso de un modelo de
prevención centrado en accidentes de alto impacto.
Para abordar nuestra pregunta, utilizamos un modelo bayesiano conjugado de dos etapas ( Bernardo independientemente de la gravedad, son provocados por " causas comunes "( Heinrich, 1932; Kines,
y Smith, 1994; Lee, 2004 ) Aunque los modelos bayesianos se han utilizado ampliamente en el
modelado de la seguridad laboral, las especificaciones de dos etapas fi El catión utilizado en este
estudio no se ha utilizado, hasta donde sabemos, previamente en el contexto de la seguridad laboral.
los fi La primera etapa modela el número total de accidentes, utilizando un proceso de conteo de
Poisson, con incidentes heterogéneos por compañía basados ​en una distribución Gamma ( Marcoulaki
et al., 2012 ) La segunda etapa modela la gravedad del accidente (menor, grave y fatal), condicional
al número total, basado en una distribución Dirichlet-multinomial con probabilidades heterogéneas. El
modelo propuesto se basa en un enfoque bayesiano que permite que cada empresa de la muestra
tenga especi fi c características con respecto tanto a la incidencia como a la gravedad del accidente.
Esta división del modelo en etapas nos permite analizar el impacto de una disminución en la
incidencia de accidentes ( fi primera fase) sobre la proporción de accidentes menores, graves y
mortales (segunda etapa). Si las proporciones no cambian, entonces la pirámide es estadísticamente
válida; de lo contrario, su validez es refutada.
Usando la Asociación Chilena de Seguridad ' s ( " Asociación Chilena de Seguridad " o ACHS, en
español) base de datos de accidentes laborales, estimamos los modelos propuestos, el análisis de
las tasas de accidentes laborales y Heinrich ' s prueba piramidal. La ACHS es una asociación de
empresas y trabajadores en Chile cuyo objetivo principal es la prevención de accidentes y
enfermedades profesionales y la promoción de una cultura que garantice la seguridad, la salud y la
calidad de vida de los trabajadores. La base de datos disponible para este estudio incluye más de
50,000 compañías observadas durante 28 meses. Las estimaciones de los modelos basados ​en la
base de datos ACHS exhiben una bondad satisfactoria de fi t, que significa la especificación bayesiana fi
El catión del modelo es adecuado. Las estimaciones también muestran que para la incidencia de
accidentes, es preferible separar las estimaciones por sector de actividad económica, mientras que
para las probabilidades de tipo de accidente, el modelo global que considera a todas las empresas
juntas es apropiado.
Para probar a Heinrich ' En la pirámide, correlacionamos la incidencia estimada de accidentes con
las probabilidades estimadas de accidentes menores, graves y fatales a nivel de la empresa. Nuestros
resultados muestran que en los sectores de electricidad, gas y agua, la hipótesis de la pirámide es
válida, mientras que en el
fi Los sectores de shing, minería y canteras y construcción, la hipótesis es válida para accidentes
menores a graves, pero no para accidentes fatales - es decir, disminuir la tasa de accidentes no ff ect la
proporción de accidentes menores y graves, pero hace un ff ect la proporción de accidentes fatales.
En otros sectores económicos, la hipótesis de la pirámide no es estadísticamente válida porque hay
un significado fi No puede correlacionarse entre la tasa total de accidentes y la proporción de
accidentes menores, graves y fatales. Sin embargo, el significado económico fi cance de este
resultado es su ffi cientemente débil que, en la práctica, esta proporción se mantiene para di ff Diferentes
tasas de accidentes. Esto sugeriría que reducir la tasa total de accidentes impacta la ocurrencia de
accidentes graves y fatales. En consecuencia, nuestro
fi Los resultados respaldan un modelo amplio de gestión de la seguridad, en el que el seguimiento de accidentes
menores es una herramienta válida para evaluar la seguridad general
181
Safety Science 101 (2018) 180–189
rendimiento de un fi rm.
El resto de este documento está organizado de la siguiente manera. En la sección 2 , nosotros
presentar un marco teórico, con hipótesis que puedan explicar por qué Heinrich ' La pirámide no es
mientras que en la Sección 4 4 , describimos la base de datos utilizada. En la sección 5 5 , presentamos
estimaciones de los modelos propuestos, seguidos de pruebas de validez estadística y nuestra
interpretación económica. Finalmente, en la sección 6 6 , discutimos las conclusiones y limitaciones de
nuestro estudio.
2. Marco teórico
Khanzode y col. (2012) conceptualizar la teoría subyacente a la pirámide en términos de una fi ve
" dominó " lógica: (i) cultura y entorno social, (ii) falla humana, (iii) acción o situaciones inseguras, (iv)
accidentes y (v) lesiones a personas. De acuerdo a Heinrich (1932) , la eliminación de cualquiera de
estas fichas de dominó, en particular la de comportamiento (ii), detiene la propagación de un
incidente. Una de las suposiciones más controvertidas de la pirámide es que todos los accidentes,
2002 ) Por lo tanto, cuando se mitigan estas causas, hay una reducción proporcional en accidentes
menores, graves y fatales. Por ejemplo, LozadaLarsen y Laughery (1987) estudió 7131 accidentes
leves y graves en una empresa manufacturera durante fi cinco años fi Encontrando que una gran
proporción de incidentes individuales (es decir, no incidentes catastróficos que involucran muertes
múltiples) se producen por causas idénticas. Basford (2017)
compiló datos de la Oficina de Estadísticas Laborales para los años 2006 a 2014 de las tasas de
otros incidentes registrables, trabajo restringido, tiempo perdido e incidentes fatales. Después de
clasificar las empresas según el sector de la industria primaria ( fi primer dígito) de la industria
norteamericana Classi fi Sistema de catión (NAICS), observó que las disminuciones en los niveles de
gravedad son muy parecidas, brindando apoyo a la Pirámide de Heinrich.
Por otro lado, varios estudios han generado dudas sobre el supuesto de causas comunes ( Petersen,
1989; Salminen et al., 1992 ), obligando a los autores originales a reinterpretarlo: "[ Di ff erent] cosas
causan lesiones graves [de las que causan] lesiones menores; por lo tanto, hay di ff diferentes
relaciones para di ff diferentes tipos de accidentes, para di ff diferentes trabajos, para di ff personas
diferentes, etc. "( Heinrich et al., 1980 , pp. 64 - sesenta y cinco). Por consiguiente,
Gallivan y col. (2008) analizó tres conjuntos de incidentes que pueden clasificarse por gravedad:
resultados para pacientes de la sala de emergencias; errores de medicación de di ff Gravedades
diferentes, como se informa en 11 di ff diferentes estudios; y proporciones relativas de tráfico por
carretera ffi c accidentes reportados en Gran Bretaña entre 1993 y 2003. En ninguno de estos casos fue
Heinrich ' pirámide s observada.
Aunque hoy está claro que las causas de accidentes menores, graves y fatales no son idénticas,
la pirámide seguiría siendo válida si estas causas estuvieran fuertemente correlacionadas. Utilizando Kines
' s (2002) ejemplo de caídas de trabajadores de la construcción, sería necesario verificar que las
causas de las caídas fatales (que ocurren predominantemente en la tarde y resulten de la falta de
uso de protección personal) y de caídas graves (que ocurren en la mañana debido a la falta de riesgo
conciencia) están correlacionadas porque la empresa no capacita a sus empleados para trabajar en
altura ( Brahm y cantante, 2013 ) o no implementa protocolos para utilizar la infraestructura para
sujetar arneses o falla con respecto a otras medidas de prevención. Para ello, sería necesario
realizar un estudio forense detallado ( re ź wiarek, 2004; Nenonen, 2011; Martin y Black, 2015 ) Gracias
a la sofisticación y estandarización de los registros de accidentes, ahora es posible emplear una
metodología sistemática para realizar esta tarea ( Jacinto y Soares, 2008; Konstandinidou et al., 2011 )
Sin embargo, en países en desarrollo como Chile, esto no es factible a gran escala, debido a la
variedad de formas de registro y clases. fi catión y, lo que es más importante, la diversidad de los
sistemas de gestión de riesgos.
Investigar la validez estadística de Heinrich. ' En la pirámide, una opción es observar a cada
compañía durante un período de muchos años y verificar que cuando la tasa total de accidentes
disminuye (aumenta), la tasa de
P. Marshall y col.
accidentes fatales y graves disminuye (aumenta) proporcionalmente. Esta técnica no es factible aquí
porque la ocurrencia de accidentes graves, particularmente accidentes mortales, es muy baja y, por
lo tanto, ni la pirámide ni los cambios en ella pueden observarse a nivel de cada compañía individual.
Incluso si la tasa no fuera baja, los cambios en la tasa ocurren muy gradualmente y, por lo tanto, se
requerirían muchos años de datos confiables para cada empresa.
Debido a las limitaciones de nuestra base de datos, las empresas fueron estudiadas por
categoría: industria y ubicación. Estafar fi rm la validez de Heinrich ' s pirámide, dentro de cada
categoría, veri fi Ed si la proporción de accidentes menores, graves y fatales se mantiene para di ff Diferentessofisticadas Khanzode et al., 2012 ) Como ejemplo, la muerte de los astronautas del Challenger no
tasas de accidentes totales. Pirámide (a) en Figura 1 ilustra esta intuición: en la medida en que una
empresa elimina el área sombreada de Heinrich ' En la pirámide, la misma proporción de accidentes
fatales también debe eliminarse desde la parte superior. Esto se observa en el gráfico de correlación
(b), donde cada punto representa una empresa durante todo el período observado (hay pocos puntos
con fines ilustrativos; en la práctica, es una nube de puntos muy densa). Para la estabilidad
numérica, el eje x mide el logaritmo natural de la tasa total de accidentes, mientras que el eje y mide
el logaritmo natural de las probabilidades de mortalidad. Como la línea de correlación lineal es
horizontal, observamos que en esta categoría de empresa, la pirámide está validada
estadísticamente.
Pirámide (c) en Figura 1 presenta un caso opuesto al de Heinrich ' s pirámide, con accidentes
eliminados que no tienen impacto en accidentes fatales. Esto lleva al gráfico (d), donde la línea de
correlación lineal tiene una pendiente negativa porque, a medida que disminuye la tasa de accidentes
totales, aumentan las probabilidades de accidentes fatales.
Suponemos que el tercer caso, en el que los accidentes fatales se eliminan más rápido que los
accidentes menores y, como resultado, la pendiente de la línea de correlación en Figura 1 es
positivo, no ocurre en la práctica. Presentamos varios argumentos que justificarían una correlación
negativa (descartando así una posible correlación positiva) a continuación. Además, estas
pendientes se estiman en la sección Resultados, y para los accidentes fatales, la correlación
negativa ocurre en todos los sectores económicos con un 99% de certeza para casi todos.
Identificamos fi ed por lo menos tres razones por las cuales la relación estadística propuesta por
Heinrich ' La pirámide no es necesariamente válida en la práctica. los
fi La primera razón, irónicamente, es la pirámide misma. Debido a su difusión como herramienta de
control para la gestión de la seguridad, es posible que la prevención se centre en accidentes
menores, ya que ese es el indicador más utilizado y, por lo tanto, ignora los accidentes graves o
fatales, que son poco frecuentes. Por ejemplo, el Incidente total registrable ( TRI) en la metodología de
la Administración de Seguridad y Salud en el Trabajo y el
182
Safety Science 101 (2018) 180–189
Figura 1. Dos hipótesis del impacto de la reducción de accidentes.
indicador de siniestralidad utilizado en Chile ( Brahm y cantante, 2013 ) no di ff Diferenciar entre
incidentes con alto y bajo potencial de riesgo, lo que lleva a una reducción en el énfasis en los
accidentes más graves. Como la mayoría de los accidentes tienen un potencial de bajo riesgo, al
enfatizarlos por igual en la práctica, se daría prioridad a los riesgos de bajo potencial, lo que
disociaría la ocurrencia de accidentes menores de los accidentes graves y fatales.
Una segunda explicación de por qué Heinrich ' La pirámide puede ser inadecuada porque no
captura la complejidad de los precursores de alto riesgo, particularmente en industrias altamente
está relacionada con una posible conducta negligente detectable en accidentes menores durante el
entrenamiento. - es decir, no fue posible anticipar estas muertes observando una sucesión de
accidentes menores. Por el contrario, con más actividades intensivas en capital humano, la
ocurrencia de muchos accidentes menores relacionados puede constituir un rojo fl ag. Por esa razón,
la aviación, la generación de energía eléctrica, la minería y las industrias química y petroquímica,
entre otras, han desarrollado modelos sistémicos de gestión de riesgos en los que el factor humano
es un componente que interactúa con muchos otros. Speci fi En términos generales, cuando los
accidentes menores son relativamente frecuentes en una compañía en particular en comparación
con otras compañías en la misma industria y con características similares, estos probablemente
tienen un significado fi no puede componente de comportamiento ( Heinrich, 1932. ), lo que podría
producir una fatalidad. Por el contrario, si los accidentes leves son poco frecuentes, es probable que
las deficiencias de comportamiento estén bajo control, lo que podría significar que las muertes serían
causadas por problemas sistémicos ( Manuele, 2011 ) Una tercera fuente potencial de disociación
entre la ocurrencia de accidentes menores y fatales es la dilución asociada con la Ley de Números
Grandes, que subyace a cualquier regularidad estadística. Si no hay datos disponibles sobre un su ffi Durante
un período de tiempo prolongado, la pirámide puede parecer no válida cuando es realmente válida.
3. Metodología
Suponemos que la ocurrencia de accidentes y su gravedad pueden representarse mediante
procesos aleatorios superpuestos. El proceso que determina el número total de accidentes se
modela usando la distribución de Poissongamma, y ​la gravedad del accidente se modela usando la
distribución multinomial de Dirichlet.
3.1. Modelo de Poisson-gamma
El modelo de Poisson y su extensión, el modelo de Poisson-gamma,
P. Marshall y col. Safety Science 101 (2018) 180–189

han sido utilizados en di ff Diferentes contextos en la literatura para representar procesos de conteo. El observado en un período de tiempo dado es
modelo de regresión de Poisson se ha aplicado a los accidentes laborales en la industria minera ( Mallick r y
r + )
año ss NT Nuevo Testamento
y Mukherjee, 1996 ) así como a otras industrias ( Bailer et al., 1997; Boyd y Radson, 1999; Richardson PY( y = = )Γ( •• •• + •• , y = 0,1,2 ...
Γ () Γ ( y + ••1)+ s NT
et al., 2004 ) El modelo de Poisson también se ha utilizado para medir el impacto de las
intervenciones en la seguridad de las condiciones de trabajo ( Frome y col., 1997; Smitha et al., 2001; De acuerdo con este modelo, se demuestra que la media y la varianza en el número de accidentes
Wing et al., 1991 ) En un di ff En otro contexto, el modelo de Poisson se ha aplicado a accidentes son
automovilísticos ( Li y col., 2001; Lord et al., 2005; Vieira Gomes et al., 2012; Yang et al., 2014 ) y para
r s NT VY r s NT Nuevo Testamento
contar procesos en otras disciplinas como el marketing, donde se ha utilizado para representar el EY() = () = ••1+ ••
s
número de compras de un consumidor o el número de exposiciones a un anuncio ( Goodhardt et al.,
1984; Danaher, 2007 ) Generalmente se supone que el modelo de Poissongamma es más fl Exible que Se observa además que la varianza en un proceso de conteo de Poisson-gamma tiene, con
el modelo de Poisson, y este mayor fl la flexibilidad no implica una complejidad excesiva ( Das Chagas respecto a la distribución de Poisson, un fl factor de acción determinado por el último término en la
Moura et al., 2016 ; Marcoulaki et al., 2012 ) Aplicando un marco de red bayesiano, varios autores han expresión de varianza y, más especi fi Cally, por el factor de escala Nuevo Testamento y parámetro s. Cuanto
estudiado el número de accidentes bajo di ff Condiciones diferentes. Estos estudios incluyen un mayor es el coe ffi cient s en la distribución Gamma, menor es la varianza del número de accidentes
análisis de la fl La influencia de las condiciones de trabajo y las circunstancias que rodean el lugar de por empresa; por lo tanto, la incidencia de accidentes en di ff Las diferentes unidades económicas
trabajo y los factores organizativos de los accidentes laborales ( García-Herrero et al., 2012a ; Gerassis tienden a ser similares. En contraste, un s un valor cercano a cero implica una alta dispersión o
et al., 2017; Martin et al., 2009; Hadikusumo et al., 2016; Papazoglou y col. 2017 ), un análisis de variabilidad en la incidencia de accidentes entre unidades económicas.
género di ff referencias al estrés en situaciones que involucran ciertas demandas ocupacionales ( García-Herrero
et al., 2012b ) y un diagnóstico de riesgo de accidente para trabajar en altura ( Nguyen et al., 2016 ) El
número total de accidentes en un intervalo de tiempo. T se supone que tiene una distribución de Por lo tanto, se postula la siguiente hipótesis:
frecuencia o distribución de probabilidad de Poisson, como es típico en muchos contextos en los que
Hipótesis H1. El modelo de Poisson-gamma describe la tasa de accidentes de una unidad económica
se analizan procesos de conteo y accidentes. Para una unidad de análisis, que podría ser una
con mayor precisión que el modelo de Poisson.
empresa, unidad económica, centro de trabajo o sucursal dentro de un intervalo de tiempo, y para un
número determinado de trabajadores NORTE, El número promedio de eventos por trabajador y unidad Los parámetros del modelo de Poisson-gamma, r y s, debe estimarse a partir de los datos. Es
de tiempo tiene un valor medio de λNT común en las aplicaciones de proceso de conteo usar el método empírico bayesiano, en el cual los
parámetros r y s son constantes no aleatorias, estimadas utilizando el método de máxima
verosimilitud ( Bernardo y Smith, 1994 ) Mientras que el speci fi El modelo ed permite la heterogeneidad
en las tasas de accidentes entre las unidades económicas, una forma de hacer que el modelo sea
más fl exible, a fi t los datos de empresas de di ff diferentes sectores económicos y regiones
geográficas, es de fi ne speci fi c parámetros para tales categorías. Con base en el análisis anterior, se
establece la siguiente hipótesis en relación con la metodología econométrica apropiada para analizar
y predecir procesos de conteo aleatorio de accidentes laborales:
( ) , dónde λ representa el accidente
incidencia por unidad de tiempo y trabajador, y Nuevo Testamento ( ) es un factor de escala
Delaware fi ned como el producto del intervalo de tiempo considerado, T y el número de trabajadores
en la empresa, N. La tasa de incidencia λ es especi fi c para cada unidad de análisis, y dado que
Hipótesis H2. Los parámetros de los modelos Poisson-gamma y Poisson dependen tanto de la región
eventualmente habrá pequeñas muestras para cada compañía y un número considerable de
como de la actividad de la empresa.
unidades de análisis, es mejor fi nordeste λ como un componente aleatorio en un entorno de
estimación bayesiano. Si la incidencia de cada empresa fuera un fi Para obtener una estimación Una característica de la especificación Gamma fi El modelo para modelar la tasa de incidencia de
confiable, se necesitaría una muestra relativamente grande de trabajadores y / o un período accidentes entre compañías es que al usar resultados Bayesianos estándar, es posible estimar la
prolongado de tiempo, independientemente de otras incidencias, para obtener una estimación distribución de probabilidad de una compañía particular que ha tenido y accidentes durante un período
confiable. La ventaja de un entorno bayesiano es que diferentes tasas de incidencia están de tiempo y para una tripulación de trabajadores. De hecho:
relacionadas a través de una distribución de probabilidad tal que la información perteneciente a otras
unidades de análisis también contribuye a la estimación.
λ El
y Gamma
| ∼ r ( + ys, NT
+ )

Esta distribución de probabilidad ajustada a los nuevos datos permite predecir la tasa de accidentes
Por conveniencia analítica y porque es común en el modelado bayesiano de procesos de en períodos futuros, dada toda la información disponible. Esta distribución de probabilidad contiene
conteo, la distribución de probabilidad que determina la tasa de incidencia λ se supone que sigue parámetros estimados para todas las unidades económicas. ier
una distribución Gamma con parámetros r y s. Estos parámetros son considerados fi Xed pero (. . , , s) y adicionalmente contiene unico
desconocido. Por lo tanto, la incidencia promedio de accidentes entre empresas es características de las unidades económicas es decir (. ., y ,NT ) .

E λ() rs mientras que la dispersión entre las empresas es re

= (/), 3.2. Modelo de Dirichlet-multinomial
presentado por la varianza V λ() = (/). rs 2 Al incorporar el Poisson
speci fi En el proceso de conteo, el modelo del número de accidentes, llamado Poisson-gamma o El proceso considerado hasta ahora modela el número de accidentes laborales por unidad
binomio negativo, puede representarse mediante económica, pero no distingue entre los grados de gravedad de los accidentes. Aceptando que los
factores que un ff ect frecuencia de accidentes no son los mismos que los que un ff ect severidad ( Khanzode
et al., 2012 ), proponemos un modelo de gravedad anidado en el modelo de frecuencia ( Petersen,
Y λEl Poisson
| ∼ λNT ( )
1989; Salminen et al., 1992 ) Para simplificar, clasificamos los accidentes en tres tipos: menores,
graves y fatales. Para modelar el número de accidentes de cada tipo, dado el número total de
λ Gamma
∼ rs (,)
accidentes en un período de tiempo y para una unidad económica, la distribución de probabilidad
En otras palabras, la tasa de incidencia de accidentes laborales se distribuye entre las compañías multinomial, que supone que cada accidente puede ser menor, grave o fatal, con probabilidades π π
que siguen una distribución Gamma, mientras que para una compañía en particular, el número de π
accidentes, dada la tasa de incidencia λ
y factor NUEVO TESTAMENTO, que es un factor de escala en función del número de trabajadores y el l , ,
gramo f, respectivamente, es
intervalo de tiempo observado, tiene una distribución de Poisson con parámetro λNT evaluado. Continuando con el ejemplo de las caídas, se supone que la tasa de incidencia sigue un
( ). proceso de Poisson-gamma que modela la ocurrencia de pérdida de equilibrio por parte de un
La probabilidad de que, en una empresa promedio, y los accidentes son trabajador. Entre pérdida de equilibrio

183
P. Marshall y col. Safety Science 101 (2018) 180–189

incidentes, algunos ocurrirán a baja altura, otros a media altura y otros a gran altura, lo que 4. Datos
provocará accidentes menores, graves y fatales, respectivamente. Estas ocurrencias tienen especi fi c
probabilidades. Para realizar este estudio, se utilizó una base de datos de accidentes laborales de la Asociación
Debido a que los estados menores, graves y fatales son mutuamente excluyentes y de Seguridad de Chile (ACHS). ACHS es una asociación de empresas y trabajadores en Chile cuyo
exhaustivos, la suma de estas probabilidades es 1. Al igual que con el número total de accidentes, se objetivo principal es la prevención de accidentes laborales y enfermedades profesionales y la
supone que las probabilidades asociadas con cada uno de los tres posibles estados de accidente promoción de una cultura que garantice la seguridad, la salud y la calidad de vida de los trabajadores
varían según la unidad económica. Esto nos permite relajar la suposición implícita en Heinrich ' Según en Chile. ACHS es la asociación de seguridad más antigua y más grande de Chile. Actualmente, el
la pirámide, los accidentes ocurren con probabilidades predeterminadas y las intervenciones número de un ffi las instituciones vinculadas exceden los 70,000, y el número de ffi los trabajadores
destinadas a reducir los accidentes tienen el mismo impacto en todos los accidentes. Por lo tanto, la vinculados exceden los 2 millones por año pasado ' s informe anual www.achs.cl )
estimación del modelo nos permitirá probar la hipótesis de la pirámide.

Por conveniencia analítica y porque es común en un modelo multinomial en un contexto
bayesiano ( Bernardo y Smith, 1994 ), se supone que las probabilidades π π π
(, l ,
gramo F
distribución de probabilidad de richlet, con parámetros α α α
unidades nomicas. Esta especi fi catión permite las probabilidades de la di ff Los diferentes accidentes
varían según la unidad económica, aunque no son totalmente libres porque sus patrones de
frecuencia están determinados por la distribución de Dirichlet. El modelo Dirichlet-multinomial es de fi Ned
de la siguiente manera:
El ACHS registra en sus bases de datos cada accidente que ha ocurrido en un ffi instituciones
vinculadas. Para este estudio, los datos relacionados con un ffi las compañías vinculadas están
disponibles durante 28 meses, correspondientes al período comprendido entre enero de 2013 y abril
)son aleatorios y siguen un Di- de 2015. Cada accidente que ocurrió durante este período fue de clase fi ed como menor, grave o
(, l ,
gramo F a) través de eco- fatal, según las características del evento. La unidad económica de análisis corresponde a empresas
o sucursales de empresas de fi Ned como unidades de producción, operación, gestión o
comercialización de ACHS-a ffi empresas vinculadas. La siguiente información está disponible para
cada sucursal:

(,YYYY ,Multinomial
F)| ∼ Yπππ (`` , )
•
l gramo l gramo F
Número de trabajadores: Número de trabajadores de sucursal basados ​en una estimación de ACHS

que prorratea el total de trabajadores de una empresa, según la información proporcionada por
(,π l π πgramo
, F ) ∼ Dirichlet α α(,α l ,
gramo F ) expertos.

dónde YYY
(, l ,
gramo F ) indica el número de accidentes de cada tipo, y el
• Código CIIU: Classi fi catión de un ffi compañías vinculadas por el código ISIC. La clase de un dígito fi catión
se utiliza para obtener un significado fi No puede número de sucursales en cada grupo para el
la suma de estas tres variables es igual al número total de accidentes, Y
análisis.
Esta elaboración es la base para proponer la siguiente hipótesis:
• Región geográfica: regiones geográficas donde se encuentran las unidades económicas, con
Hipótesis H3. El modelo Dirichlet-multinomial describe los datos para la clase de accidente. fi catión códigos del 1 al 15.
por unidad económica con mayor precisión que el modelo multinomial.
Classi fi La calificación de accidentes como leves, graves y fatales se obtiene del Informe
individual de accidentes laborales que corresponde al registro de eventos en el ACHS. En este
La probabilidad de que aaa (``)lgf los accidentes ocurrirán en un período de tiempo
informe, se determina la gravedad de un accidente, que puede estar sujeto a cierto grado de
y en una sucursal, dado el número total de accidentes y es igual a
subjetividad. La gran mayoría de los tipos de accidentes son clásicos. fi La educación basada en los

aaaa requisitos de atención (p. ej., amputación, caídas desde alturas y accidentes que requieren
•• AA y Γ( α y+ kk
)
PY( y l Y= l
, = ygramo
gramo Y, F = = y•F ) •
lgf
, , Γ ()
• Γ ( ∏ hospitalización son clasi fi ed como serio). Esto implica que los accidentes graves tienden a ser
+ ) Γ ()α
• kl,=g, f
correctamente clasi fi ed. Para verificar si un accidente resultó en una muerte después de la
hospitalización, casos en los que un historial del paciente mostraba la fecha de la muerte, aunque el
donde = + y+ (y
l
y gramo yf, )= π π π (π, l ,
gramo f, )= α (,α lα αgramo
, F )y = ∑ UNA α
k k.
caso había sido clasi fi ed como menores o graves, fueron corregidos. Esto no corrige completamente
Función Γ (·) es la función matemática gamma. Este proceso aleatorio permite el estudio de las
todos los posibles errores de medición, pero permite una medición más precisa de los accidentes
probabilidades de los tres tipos de accidentes, dada la heterogeneidad entre las unidades
fatales.
económicas.

α kAVY k • ••
α UNA - • α kA y A +
EY() k = y () k = y 1 • • k = lgf
, , tabla 1 presenta estadísticas descriptivas de los datos por sector de actividad económica. La
1 + • •UNA
••• • tabla informa el número de sucursales o empresas en cada sector, el número promedio de
trabajadores, el número de accidentes y la proporción desglosada por tipo de accidente. La última
Al igual que con el modelo de Poisson-gamma, este modelo considera la opción de que el
columna de tabla 1 informa la tasa promedio de accidentes en cada sector. Esta tasa se calcula como
vector de parámetros α depende del sector y la región de la unidad económica. Por lo tanto,
el número de accidentes por período de tiempo y por número de trabajadores. Los sectores de
consideramos la siguiente hipótesis:
actividad económica di ff er considerablemente en términos de número de empresas; Las más
Hipótesis H4. Los parámetros de los modelos multinomial y multinomial de Dirichlet dependen tanto importantes son las actividades inmobiliarias y el comercio. La tasa de accidentes promedio para
de la región como de la actividad de la unidad económica. todas las empresas es de 8.9%, con un promedio de di ff ering signi fi Cantly entre sectores. El coe ffi El
coeficiente de variación, la relación entre la desviación estándar y la media, es del 21%. Los sectores
con las tasas más altas de accidentes son la manufactura, construcción y hoteles y restaurantes. En
Para una especi fi c empresa y período en el que = + + y (y
l
y gramo yF C.A-
)
estos tres casos, la tasa supera el 10%. Como se esperaba, el número de accidentes graves y
se han observado incidentes, la distribución ajustada a los datos recientemente disponibles es
mortales es considerablemente menor que el número de accidentes menores en todos los sectores
de actividad económica.

(,π l π πgramo
, F ) | y ∼ Dirichlet α ( l + y l α, + ygramo
gramo α, F + yF )

Finalmente, ambos modelos se pueden combinar, suponiendo que estos procesos actúen de
forma independiente y secuencial, es decir, se determina el número de accidentes fi primero, seguido
del tipo de accidente. El modelo de probabilidad de Dirichlet se ha aplicado con éxito en modelos de
elección en otras disciplinas ( Goodhardt et al., 1984 ) En marketing, el modelo Dirichlet-multinomial
representa la probabilidad de elección de marca en un contexto en el que el número total de artículos
comprados se modela mediante un proceso de Poissongamma.
Tabla 2 presenta estadísticas descriptivas de las tasas de accidentes clasificadas por región
geográfica. La Región Metropolitana incluye el mayor número de empresas. La variabilidad de la tasa
de accidentes por región geográfica, en términos del coeficiente ffi El coeficiente de variación es del
14%, que es inferior a la variabilidad entre sectores. Las regiones geográficas con las tasas de
accidentes más bajas son las regiones 3 y 11, mientras que las que tienen las tasas más altas son 13
(Región Metropolitana) y 15.

184
P. Marshall y col. Safety Science 101 (2018) 180–189

tabla 1
Estadística descriptiva por sector.

Sector Compañías Promedio de empleados Accidentes totales Proporción Tasa de accidentes

Menor Grave Fatal

Agricultura, ganadería 8229 25 35,656 0.992 0.007 0.001 0,086

Pescar 641 40 4971 0,995 0.004 0.001 0,092
Minas y canteras 590 67 3129 0.960 0,035 0.004 0,066
Industrias manufactureras 9042 35 62,366 0,994 0.005 0,000 0,101
Electricidad, gas y agua. 905 dieciséis 1525 0,994 0.005 0.001 0,057
Construcción 5604 22 19,663 0.992 0.007 0.001 0,101
Comercio 16,752 24 78,817 0,996 0.003 0,000 0,090
Hoteles y restaurantes 4997 26 22,113 0,998 0.002 0,000 0.118
Transporte y comunicaciones 7010 23 24,799 0,994 0.004 0.001 0,091
Intermediación financiera 3108 25 6096 0,998 0.002 0,000 0,059
Bienes raíces 19,348 19 44,744 0,996 0.003 0.001 0,084
Adm adm. y defensa 3730 58 24,467 0,996 0.003 0,000 0,081
Educación 4875 43 27,512 0,997 0.003 0,000 0,087
Servicios sociales y de salud. 2269 45 16,642 0,999 0.001 0,000 0,086
Servicios comunitarios 6415 24 22,746 0,996 0.004 0,000 0,092
Priv. hogares y dom. serv. 1607 66 927 0,999 0.001 0,000 0,045

5. Resultados parámetros El número de observaciones en el fi ts reportados en Tabla 3

es de 95.127 sucursales o empresas. Los resultados, en Tabla 3 , muestra claramente que el modelo
Esta sección presenta los resultados obtenidos en las estimaciones de los modelos de conteo de Poisson-gamma fi ts los datos mejor que el modelo de Poisson. Usando los criterios de AIC más
de Poisson-gamma y los modelos de distribución de Dirichlet-multinomial por tipo de accidente. Hipótesis bajo, BIC más bajo o R más alto 2, se concluye que las tasas de accidentes di ff er entre las ramas, y
H1 - H4 , indicados en la sección anterior, se prueban estimando estos modelos. por lo tanto, el modelo de Poisson-gamma representa mejor la tasa de accidentes. Hipótesis H1

es así aceptado. El panel inferior de Tabla 3 compara el modelo de Poissongamma con los modelos
que siguen la distribución Gamma, que captura la variabilidad en la incidencia de accidentes en el
5.1. Estimación de la tasa de accidentes: modelo de Poisson-gamma
sector económico o la región geográfica. Los resultados muestran ganancias muy pequeñas cuando
se consideran modelos por sector económico y ganancia cero cuando se consideran modelos por
El modelo de Poisson-gamma presentado en la Sección 2 se estimó utilizando el método de
región geográfica. El modelo con el BIC más bajo es el modelo de Poissongamma con especi fi c
máxima verosimilitud. Di ff versiones diferentes de este modelo, con di ff diferentes supuestos, se
parámetros por sector de actividad económica.
muestran en Tabla 3 . los fi La primera columna muestra el número de parámetros, la función de
probabilidad (LL), los indicadores del Criterio de información de Akaike (AIC), el Criterio de
Hipótesis H2 También puede aceptarse, aunque solo marginalmente, para el sector de la actividad
información bayesiano (BIC) y (pseudo) R 2 valores para cada modelo. Los indicadores AIC y BIC son
económica. Las ganancias del modelo propuesto en comparación con el modelo de Poisson ascienden al
bondad de fi Indicadores t que se formulan a partir de la función de verosimilitud pero que penalizan a
53% en función de la R 2 estadística. Mientras
los modelos con grandes cantidades de parámetros para considerar un modelo ' s parsimonia, que la
Hipótesis H2 Si se acepta, los parámetros de los modelos dependen del sector de actividad
función de probabilidad no tiene en cuenta.
económica. Tabla 4 Muestra las estimaciones. Las tasas de accidentes esperadas varían en
promedio en un 23% en relación con su media del 8.1%. La correlación entre las tasas de accidentes
observadas y las tasas esperadas es del 99%. Además, la última columna de Tabla 4 muestra la
De acuerdo con el concepto de parsimonia, buscamos modelos simples con relativamente
varianza en fl Acción lograda por el modelo de Poisson-gamma en relación con el modelo de Poisson.
pocos parámetros utilizados para representar los datos observados. Bajo esta lógica, un modelo
El promedio de la varianza en fl Los factores de acción son del 13%.
parsimonioso es uno que es tanto una buena representación de la realidad como simple. Tanto en
AIC como en BIC, el objetivo es elegir el modelo con el valor más bajo. En general, se prefiere el
Tabla 4 muestra las estimaciones del modelo de Poisson-gamma para cada sector de actividad
criterio BIC, ya que tiene una penalización mayor que el número de
económica. Parámetros rs (,) variar signi fi Cantly a través de sectores,

Tabla 2
Estadística descriptiva por región.

Región Compañías Promedio de empleados Accidentes totales Proporción Tasa de accidentes

Menor Grave Fatal

1 1182 23,2 5471 0,997 0.003 0,000 0,080

2 3164 25,9 12,025 0,987 0,011 0.001 0,086
3 1817 27,7 6191 0,989 0,010 0.001 0,062
44 3638 23,4 12,865 0,995 0.004 0.001 0,070
55 6759 17,9 22,750 0,996 0.004 0,000 0,084
66 4847 26,6 22,827 0,995 0.005 0.001 0,089
77 4153 27,5 18.307 0.990 0.009 0.001 0,080
8 9671 30,5 40,424 0,995 0.005 0.001 0,085
99 3173 26,7 14,827 0,996 0.004 0.001 0,087
10 4697 20,0 15,715 0,995 0.004 0.001 0,079
11 654 19,8 1516 0.991 0.007 0.002 0,059
12 801 21,1 2904 0,997 0.003 0,000 0,070
13 46,890 28,9 208,347 0,996 0.003 0,000 0,096
14 2014 21,4 7596 0,995 0.004 0.001 0,089
15 989 21,7 4408 0,996 0.004 0,000 0,096

185
P. Marshall y col. Safety Science 101 (2018) 180–189

Tabla 3
Estimación del modelo de Poisson-gamma.

Modelo Parámetros LL (× 10 ^ - 3) AIC (× 10 ^ - 3) BIC (× 10 ^ - 3) R2

Poisson 1 - 375,1 750,2 750,2

Poisson por sector dieciséis - 365,5 731,1 731,3 0,025
Poisson por región 15 - 373,4 746,9 747,0 0.004
Poisson por sector y región 240 - 358,0 716,5 718,8 0,045

Poisson-gamma 2 - 177,2 354,4 354,4 0,528

Poisson por sector 32 - 176,2 352,5 352,8 0,530
Poisson por región 30 - 176,9 353,8 354,0 0,528
Poisson por sector y región 480 - 175,0 351,0 355,5 0,532

mientras que la correlación de la tasa de accidentes estimada para cada sector con la tasa observada es
superior al 99%.
5.2. Accidente clasi fi Estimación catiónica: modelo Dirichlet-multinomial
El modelo Dirichlet-multinomial describe la proporción de accidentes clasi fi Ed como menor,
grave y fatal, aunque está condicionado al número total de accidentes en una rama. Tabla 5 muestra
las estimaciones y el LL, AIC, BIC y (pseudo) R 2 Estadísticas. Aunque la muestra total incluye 95.127
empresas-sucursales, solo se produjeron accidentes en 48.903 de ellas. Esta fi El hallazgo implica que
los restantes no proporcionan información adicional sobre la distribución por tipo de accidente.
relación entre la tasa de accidentes en una unidad económica y las probabilidades de accidentes
menores, graves y fatales. Si la pirámide es respaldada por los datos, cuando una unidad económica
reduce su tasa total de accidentes, las probabilidades de ocurrencia de la di ff Los diferentes tipos de
accidentes permanecen constantes, lo que significa que las tasas de todos los tipos de accidentes
disminuyen igualmente. En este escenario, los programas de prevención de accidentes son
igualmente un ff ect accidentes menores, graves y fatales.
Se propone el siguiente modelo de regresión logística para probar esta hipótesis:

• • - •páginas
kk
ln 1• • β
00
β 1ln (λ) + error kgf= ,
•=+

Basado en los criterios de selección del modelo, particularmente el BIC, el mejor modelo es el
modelo general de Dirichlet-multinomial, ya que el estadístico BIC para ese modelo es el más bajo. El
AIC también se puede utilizar para validar un modelo por sector de actividad económica. Hipótesis H3
es aceptado y Hipótesis H4 puede aceptarse según el criterio AIC pero no según el criterio BIC. Esto
coincide con Hull y col. (1996) , quienes muestran que la ubicación geográfica de un accidente no ff ect
su gravedad. Es interesante notar, como se muestra en Tabla 5 , que las ganancias del modelo
multinomial de Dirichlet en comparación con el modelo multinomial son mucho más bajas que las
ganancias de la especificación bayesiana fi catión en el modelo de Poisson-gamma. Esto significa que
la incidencia de accidentes varía significativamente fi fácilmente entre ramas pero, dada la tasa total
de accidentes, la probabilidad de accidentes menores, graves y fatales varía mucho menos.
Tabla 6 muestra los parámetros estimados del modelo multinominal de Dirichletmultinomial, la
probabilidad esperada para cada tipo de accidente y su correspondiente varianza.
dónde pags k corresponde a la probabilidad de un accidente de tipo k ( grave, fatal) en una empresa o
unidad económica, λ es la tasa de incidencia de accidentes en esa compañía y ( β, β)
0 1 son los coe ffi clientes a determinar.
los pags k y la incidencia del accidente λ se estiman al nivel de cada empresa, siguiendo los modelos
propuestos en la sección anterior. Para determinar la relación entre probabilidad de accidente e
incidencia de accidente, se propone un modelo de transformación logística porque evita que las
predicciones de probabilidades caigan fuera del rango de 0 - 1 y porque esta transformación
empíricamente estabiliza la varianza.
Coe ffi cient β 1 en el modelo anterior mide la elasticidad entre las probabilidades y la incidencia
del accidente; es decir, representa el cambio porcentual en las probabilidades de un evento de tipo k, grave
y fatal, en respuesta a un cambio del 1% en la incidencia λ. Las probabilidades de un evento están
representadas por la relación entre la probabilidad de que el evento ocurra y la probabilidad de que el
evento no ocurra. Además, la elasticidad de la probabilidad de accidentes graves y fatales debido a
un cambio del 1% en la incidencia λ es igual a

β 1(1 p),
- k
kgf= , . Sin embargo, como las proporciones de
5.3. Relación entre incidencia de accidentes y probabilidades menores, graves y fatales. los accidentes graves y fatales son muy pequeños, esta última expresión es, en términos prácticos,
igual a β 1) Elasticidades β 1 o β 1(1 p),
- k
kgf= , , que son
esencialmente equivalente, puede tomar valores entre 0 y un número cercano pero ligeramente
Para probar a Heinrich ' s piramide, esta subsección discute el mayor que - 1. Un valor de cero corresponde a un caso

Tabla 4
Resultados del modelo de Poisson-gamma por sector de actividad económica.

Sector Compañías r s Expectativa salarial Tasa observada Varianza en fl acción

Agricultura, ganadería 8229 0,66 7.65 0,086 0,086 1.13

Pescar 641 0,75 8.33 0,090 0,092 1.12
Minas y canteras 590 0,35 5,58 0,063 0,066 1,18
Industrias manufactureras 9042 0,63 6.22 0,101 0,101 1.16
Electricidad, gas y agua. 905 0,71 12,82 0,055 0,057 1.08
Construcción 5604 0,50 5.11 0,098 0,101 1.20
Comercio 16,752 0,73 8.04 0,091 0,090 1.12
Hoteles y restaurantes 4997 0,61 5.34 0.114 0.118 1.19
Transporte y comunicaciones 7010 0.6 6.74 0,089 0,091 1,15
Intermediación financiera 3108 0,55 10.05 0,055 0,059 1.10
Bienes raíces 19,348 0,43 5.37 0,080 0,084 1.19
Adm adm. y defensa 3730 0,70 9.32 0,075 0,081 1.11
Educación 4875 1.03 12,86 0,080 0,087 1.08
Servicios sociales y de salud. 2269 0,68 7.50 0,091 0,086 1.13
Servicios comunitarios 6415 0,65 7.43 0,087 0,092 1.13
Priv. hogares y dom. serv. 1607 1,65 38,57 0,043 0,045 1.03

186
P. Marshall y col. Safety Science 101 (2018) 180–189

Tabla 5
Estimación de modelos de Dirichlet-multinomial.

Modelo Parámetros LL (× 10 ^ - 3) AIC (× 10 ^ - 3) BIC (× 10 ^ - 3) R2

Multinomial global 3 - 6.35 12,71 12,74 0,000

Multinomial por sector 48 - 6.17 12,43 12,85 0,029
Multinomial por región 45 - 6.28 12,64 13.04 0,012
Multinomial por sector y región 720 - 5.86 13,16 19,50 0,077

Dirichlet-multinomial global 3 - 5,79 11,59 11,61 0,088

Dirichlet-multinomial por sector 48 - 5,62 11,33 11,76 0,115
Dirichlet-multinomial por región 45 - 5,72 11,53 11,92 0.100
Dirichlet-multinomial por sector y región 720 - 5.32 12.08 18,42 0.163

Tabla 6 sectores de la construcción, el β 1 coe ffi cient es signi fi no puede por accidentes fatales pero no por
Estimaciones del modelo de Dirichlet-multinomial. accidentes graves. Esto significa que Heinrich ' La pirámide no es válida para accidentes fatales, pero es
válida para todos los demás accidentes. En los otros sectores de actividad económica, el coe ffi los
Indicador Menor Grave Fatal
clientes son signi fi no puede y negativo para accidentes graves y fatales. Es interesante que el β 1 coe ffi En

Coe ffi cient α 60,378 0,206 0,036 la mayoría de los casos, es más bajo para accidentes fatales que para accidentes graves. Esto significa
Probabilidad esperada 0,996 0.003 0.001 que la disminución en la incidencia tiene una e menor ff ect en accidentes fatales que en accidentes
graves.

donde los cambios de incidencia no tienen impacto en la probabilidad de accidentes graves y fatales.
Finalmente, dado que las elasticidades en Tabla 7 están entre 0 y cerca de - 1, el orden de
Esto significa que Heinrich ' La hipótesis de la pirámide es válida porque la incidencia cambia a ff ect
magnitud del coe ffi Los clientes son muy bajos. Esto significa que en la mayoría de los sectores de
todo tipo de accidentes proporcionalmente. Por el contrario, si estas elasticidades son inferiores a
actividad económica, aunque en términos estrictos, Heinrich ' La pirámide es inválida, con disminuciones
cero, los cambios en la incidencia de accidentes se asocian principalmente con cambios en
en las tasas de accidentes que tienen un impacto en accidentes graves y fatales, este impacto es muy
accidentes menores. En ese caso, la probabilidad de accidentes graves y fatales aumenta debido a
pequeño. Uno de los mayores impactos, al nivel del 1% de signi fi cance, está en la industria
que la disminución en la tasa de accidentes se debe principalmente a ff ects accidentes menores. Se
manufacturera, donde el β 1 coe ffi alcances cientificos - 0.072 para accidentes fatales, lo que significa
puede demostrar algebraicamente que el valor más bajo posible de la elasticidad es ligeramente
que una disminución del 1% en los accidentes en este sector aumenta la proporción de accidentes
mayor que - 1 cuando los cambios en la incidencia de accidentes son pequeños. Por ejemplo, para un
fatales en apenas 0.072%, un insignificante fi no puedo e ff ect. Como en otros sectores de actividad
cambio del 1% en la incidencia, la mayor elasticidad es - 1.01, mientras que para cambios del 10%, la
económica, la pirámide no es estadísticamente válida, pero esta desviación de Heinrich ' Esta hipótesis
elasticidad puede alcanzar - 1.11.
prácticamente no tiene impacto económico.

Tabla 7 muestra los valores de coe ffi cient β 1 para cada sector de actividad económica y cada tipo

de accidente, excepto accidentes menores. El tamaño total de la muestra de las estimaciones es igual
6. Discusión
a 48,903, que corresponde a las unidades económicas de la muestra. En todos los sectores de

actividad económica, el β 1
Heinrich ' La pirámide de s propone una correlación entre la ocurrencia de accidentes con di ff Diversos
coe ffi cient es negativo y, en la mayoría de los casos, es estadísticamente significativo fi hipocresía. Esto
grados de severidad en las empresas. Durante décadas, ha sido una de las principales herramientas
significa que las disminuciones en la incidencia de accidentes están asociadas con aumentos en la
de gestión de la seguridad laboral, ya que indica la propensión a las muertes, que son eventos raros,
proporción de accidentes graves y fatales. El coe ffi-
a través de la ocurrencia de accidentes menores o casi accidentes, que son mucho más frecuentes.
El cliente asociado con el sector de electricidad, gas y agua es significativo fi no se pueden presentar
La pirámide ha sido cuestionada con respecto a sus supuestos y posible mal uso, que son temas que
accidentes graves y fatales, y por lo tanto, se puede concluir que Heinrich ' La hipótesis es válida.
no discutimos aquí. Nuestro objetivo es validar o refutar un argumento que cuestiona la utilidad
Acciones para reducir accidentes a ff ect todos los tipos de accidentes por igual. En el fi shing, minería y
práctica de la pirámide, a saber, si de hecho existe una correlación entre la ocurrencia de accidentes
canteras y
menores, graves y fatales. Surgieron dudas debido a la evidencia a nivel de empresas y países de
que, si bien los accidentes menores han disminuido, lo mismo no ha sido cierto para los accidentes

Tabla 7
graves y fatales.

Coe ffi cient β 1 estimación, modelo de regresión logística.

Sector de actividad economica Grave Fatal

Hasta donde sabemos, pruebas serias de la validez estadística de Heinrich ' La pirámide no ha
Agricultura, ganadería - 0,028 *** - 0,062 ***
Pescar - 0,054 - 0,066 ** ** sido propuesta en la ciencia fi c literatura, ya que las tasas de accidentes menores y graves,
Minas y canteras - 0,013 - 0.100 * * particularmente las tasas de accidentes fatales, son extremadamente bajas a nivel de la empresa.
Industrias manufactureras - 0,038 *** - 0,072 ***
Nuestra principal contribución es proponer un modelo bayesiano utilizado para probar empíricamente
Electricidad, gas y agua. - 0.003 - 0,012
la validez de la pirámide para un grupo de empresas. El modelo consta de dos partes: el
Construcción - 0.009 - 0,054 ***
Comercio - 0,036 *** - 0,067 ***
Hoteles y restaurantes - 0,028 *** - 0,041 *** fi La primera parte cuenta el número total de accidentes, usando la distribución de Poissongamma, y
Transporte y comunicaciones - 0,021 ** ** - 0,052 *** ​la segunda parte considera la distribución de accidentes menores, graves y fatales, usando una
Intermediación financiera - 0.005 - 0,020 ***
distribución multinomial de Dirichlet. Con base en la frecuencia de los accidentes y la distribución de
Bienes raíces - 0,017 *** - 0,030 ***
la gravedad, podemos observar si la proporción de accidentes menores, graves y fatales se mantiene
Adm adm. y defensa - 0,034 *** - 0,029 ***
Educación - 0,029 *** - 0,039 *** a medida que la frecuencia cambia (en cuyo caso, la pirámide es válida) o si la proporción cambia
Servicios sociales y de salud. - 0,051 *** - 0,055 *** (en ese caso , la pirámide es refutada).
Servicios comunitarios - 0,020 ** ** - 0,031 ***
Priv. hogares y dom. serv. - 0,069 *** - 0,069 ***

Probamos el modelo con datos de más de 50,000 compañías observadas durante 28 meses en
** Signos estadísticos fi No puedo al 10%.

* ** * Signos estadísticos fi No puedo al 5%. Chile; nuestros datos cubren aproximadamente la mitad de las empresas y empleados formales en el
* ** ** * Signos estadísticos fi No puedo al 1%. país. Evaluamos

187
P. Marshall y col.
las empresas basadas en la industria y el área geográfica, y veri fi Ed que la distribución de
Poisson-gamma y la distribución de Dirichlet-multinomial se ajustan adecuadamente a los datos.
Nosotros también con fi rmed que Heinrich ' La pirámide no es estadísticamente válida, es decir, la
proporción de accidentes leves, graves y fatales cambia cuando disminuye la tasa total de
accidentes. Sin embargo, este cambio es tan pequeño que, para fines prácticos, la proporción es
relativamente constante y, por lo tanto, la pirámide puede considerarse una herramienta válida.
7. Conclusiones
Este estudio propone y estima un modelo que prueba la validez estadística de Heinrich ' s
piramide Nuestra contribución es mostrar que en el caso de Chile, el cambio en la tasa de ocurrencia
de accidentes menores es indicativo de cambios en las tasas de ocurrencia de accidentes graves y
fatales. Como postuló Heinrich ' En la pirámide, si una empresa observa que la tasa de accidentes
menores está aumentando, entonces, por proporcionalidad, debería esperar un aumento en la tasa
de accidentes más graves. La pirámide es válida como herramienta de evaluación, ya que genera
alertas creíbles. Además, con fi rm que es de suma importancia para las empresas registrar incidentes
menores, no solo por su relevancia intrínseca sino también porque es un e ff Medida efectiva y
proyección del desempeño general de seguridad de la fi rm.
Esta conclusión sobre la correlación entre los tipos de accidentes no debe confundirse con la
causalidad. Como se discutió anteriormente, es posible que las compañías se concentren solo en
prevenir accidentes menores, que pueden tener poca e ff ect sobre los accidentes más graves. Lo que
nuestro análisis muestra es que, en general, no es cierto que las empresas solo pretendan prevenir
accidentes menores. Con base en nuestros resultados, concluimos que las empresas en Chile
abordan la seguridad de manera sistémica y que la proporción de accidentes menores, graves y
fatales, por lo tanto, generalmente se mantiene constante.
La principal limitación de este estudio es que no mide el e ff ect de cambios en las tasas de di ff Diferentes
tipos de accidentes a nivel de empresa. Como estas tasas son muy bajas, para medir eso e ff ect
requeriría décadas de datos comparables que muestren signi fi No se pueden cambiar las tarifas de
cada empresa. Por el contrario, nuestra metodología agrupa a las empresas por categorías, en
nuestro caso por industria y región, y las compara en función de las tasas de accidentes. Por lo tanto,
pedimos la continuación de esta línea de investigación, señalando que Heinrich ' La pirámide ha sido
una herramienta crucial para la gestión de la seguridad.
Agradecimientos
Agradecemos a varios ejecutivos de ACHS por su apoyo.
Estafa fl ict de interés
Los autores no tienen estafa fl ITS de interés para declarar.
Fondos
Pablo Marshall y Alejandro Hirmas han sido parcialmente financiados por el proyecto FUCYT
176 (2016).
Marcos Singer ha sido parcialmente financiado por el proyecto FONDECYT 114/1020.
Referencias
Bailer, AJ, Reed, LD, Stayner, LT, 1997. Modelado de tasas de lesiones fatales utilizando poisson
regresión: un estudio de caso de trabajadores en agricultura, silvicultura y fi shing J. Res. De seguridad.
28, 177 - 186 .
Basford, B., 2017. El modelo de Heinrich: determinación de la relevancia contemporánea (Doctoral
disertación). Universidad del este de Kentucky .
Bernardo, JM, Smith, AFM, 1994. Teoría bayesiana. Wiley, Nueva York, NY .
Bourassa, D., Gauthier, F., Abdul-Nour, G., 2016. Fallas en los equipos y sus consecuencias.
contribución a incidentes y accidentes industriales en la industria manufacturera. En t. J. Occup. Ergon de
seguridad. 22, 131 - 141 .
Boyd, AH, Radson, D., 1999. Análisis estadístico de las tasas de gravedad de las lesiones. IIE Trans. 31,
188
Safety Science 101 (2018) 180–189
207 - 216 .
Brahm, F., Singer, M., 2013. Un entrenamiento de seguridad más atractivo siempre es mejor para reducir
accidentes? Evidencia de autoselección a partir de datos de panel chilenos. J. Res. De seguridad. 47, 85 - 92 .
Danaher, PJ, 2007. Modelado de páginas vistas en múltiples sitios web con una aplicación para
Alcance de Internet y predicción de frecuencia. Mercado. Sci. 26, 422 - 437 .
Das Chagas Moura, M., Azevedo, RV, Droguett, EL, Chaves, LR, Lins, ID, Vilela, RF,
Filho, RS, 2016. Estimación del número esperado de accidentes e indisponibilidad de la fuerza laboral a través del
análisis de variabilidad de la población bayesiana y el modelo basado en Markov. Reliab Ing. Syst. Saf 150, 136 - 146
.
re ź wiarek, M., 2004. Un análisis de los accidentes causados ​por el funcionamiento incorrecto de la máquina.
sistemas de control. En t. J. Occup. Saf Ergon .: JOSE 10, 129 - 136 .
Frome, EL, Cragle, DL, Watkins, JP, Wing, S., Shy, CM, Tankersley, WG, West, CM,
1997. Un estudio de mortalidad de empleados de la industria nuclear en Oak Ridge, Tennessee.
Radiat. Res. 148, 64 - 80 .
García-Herrero, S., Mariscal, MA, García-Rodríguez, J., Ritzel, DO, 2012a. Trabajando
condiciones, síntomas psicológicos / físicos y accidentes laborales. Modelos de red bayesiana. Saf Sci. 50,
1760 - 1774 .
García-Herrero, S., Mariscal-Saldana, MA, García-Rodríguez, J., Ritzel, DO, 2012b.
En fl Dependencia de las demandas de la tarea sobre el estrés laboral: di género ff oraciones. J. Saf. Res. 43, 365 - 374 .
Gerassis, S., Martin, JE, Taboada-Garcia, J., Saavedra, A., Taboada, J., 2017. Bayesiano
herramienta de decisión para el análisis de accidentes laborales en la construcción de terraplenes. J. Constr.
Ing. Gestionar. 143, 04016093 .
Gallivan, S., Taxis, K., Franklin, BD, Barber, N., 2008. Es el principio de un establo
Heinrich ratio un mito? Droga Saf. 31, 637 - 642 .
Gnoni, MG, Andriulo, S., Maggio, G., Nardone, P., 2013. " Lean ocupacional " seguridad: un
aplicación para un diseño de sistema de gestión cercano a la falla. Saf Sci. 53, 96 - 104 .
Goodhardt, GJ, Ehrenberg, ASC, Chat fi eld, C., 1984. El Dirichlet: un completo
modelo de comportamiento de compra. JR Stat. Soc., Serie A 147, 621 - 655 .
Hadikusumo, BHW, Jitwasinkul, B., Memon, Abdul Q., 2016. Papel de la organización
factores a ff El comportamiento de seguridad de los trabajadores: un enfoque de red de creencias bayesianas. En: Tim,
TC, Ueda, T., Mueller, HS (Eds.), Tercera Conferencia Internacional sobre Estructuras de Ingeniería Civil
Sostenible y Materiales de Construcción - Estructuras sostenibles para futuras generaciones (SCESCM). Bali,
Indonesia.
Hale, A., 2001. Condiciones de ocurrencia de accidentes mayores y menores. Inst. Occup. Saf
Salud, IOSH J. 5, 7 - 21 .
Heinrich, H., 1932. Prevención de accidentes industriales, fi primera ed. McGraw Hill, Nueva York .
Heinrich, H., Petersen, D., Ross, N., 1980. Prevención de accidentes industriales, fi quinta ed.
McGraw-Hill, Nueva York .
Hull, BP, Leigh, J., Driscoll, TR, Mandryk, J., 1996. Factores asociados con la ocupación.
severidad de la lesión nacional en la industria minera de carbón subterránea de Nueva Gales del Sur. Saf Sci. 21, 191 - 204 204 .
Jacinto, C., Soares, CG, 2008. El valor agregado de las nuevas variables ESAW / Eurostat en
Análisis de accidentes en la industria minera y de canteras. J. Saf. Res. 39, 631 - 644 .
Khanzode, VV, Maiti, J., Ray, PK, 2012. Investigación de lesiones y accidentes laborales: a
revisión exhaustiva Saf Sci. 50, 1355 - 1367 .
Kines, P., 2002. Los trabajadores de la construcción caen por los techos: lesiones fatales versus graves. J.
Saf Res. 33, 195 - 208 .
Konstandinidou, M., Nivolianitou, Z., Kefalogianni, E., Caroni, C., 2011. Análisis en profundidad
de los factores causales de incidentes reportados en la industria petroquímica griega. Reliab Ing. Syst. Saf
96, 1448 - 1455 .
Krause, T., 2011. ¿Acaso ocurren accidentes? Ind. Saf. Hyg. Noticias 45, 1 - 34 .
Lee, P., 2004. Bayesian Statistics. Una introducción, tercera ed. John Wiley and Sons, nuevo
York, NY .
Li, G., Shahpar, C., Grabowski, JG, Baker, SP, 2001. Tendencias seculares de la mortalidad por vehículos motorizados en los
Estados Unidos, 1910 - 1994. Accid. Anal. Anterior 33, 423 - 432 .
Lord, D., Washington, SP, Ivan, JN, 2005. Poisson, Poisson-gamma y zero-in fl comido
modelos de regresión de accidentes automovilísticos: balance estadístico fi ty teoría. Accid Anal. Anterior 37, 35 - 46 .
Lozada-Larsen, S., Laughery, K., 1987. ¿Preceden circunstancias idénticas menores y
lesiones mayores ?. En: Actas de la Reunión Anual de la Sociedad de Factores Humanos y Ergonomía,
vol. 31, págs. 200 - 204
Mallick, S., Mukherjee, K., 1996. Un estudio empírico para la gestión de la seguridad en las minas.
a través del análisis sobre el potencial de reducción de accidentes. Omega 24, 539 - 550 .
Manuele, FA, 2011. Revisión de Heinrich: desalojando dos mitos de la práctica de
la seguridad. Profesión. Saf 56, 52 - 61 .
Marcoulaki, EC, Papazoglou, IA, Konstandinidou, M., 2012. Predicción de ocupación
estadísticas de accidentes y distribuciones de pérdida de tiempo de trabajo utilizando análisis bayesiano. J. Pérdida Prev. Proceso
Ind. 25, 467 - 477 .
Martin, JE, Rivas, T., Matias, JM, Taboada, J., Argüelles, A., 2009. Una red bayesiana
Análisis de accidentes laborales causados ​por caídas desde una altura. Saf Sci. 47, 206 - 214 .
Martin, DK, Black, A., 2015. Prevención de lesiones graves y muertes: estudio revela
Precursores y Paradigmas. Profesión. Saf 60, 35 .
Nash, J., 2008. Prevención de la muerte en el trabajo: ¿se equivocó Heinrich? Ind. Saf. Hyg.
Noticias 42, 18 18-18 .
Nenonen, S., 2011. Accidentes fatales en el lugar de trabajo en operaciones subcontratadas en el sector
industria de fabricación. Saf Sci. 49, 1394 - 1403 .
Nguyen, LD, Tran, DQ, Chandrawinata, MP, 2016. Predecir el riesgo de seguridad de trabajar en
alturas utilizando redes bayesianas. J. Constr. Ing. Gestionar. 142, 04016041 .
Papazoglou, IA, Aneziris, ON, Bellamy, LJ, Ale, BJM, Oh, J., 2017. Cuantitativo
modelo de riesgo laboral: riesgo único. Reliab Ing. Syst. Saf 160, 162 - 173 .
Petersen, D., 1989. Técnicas de gestión de la seguridad: un enfoque de sistemas, tercera edición.
Aloray Goshen, Nueva York, NY .
Richardson, DB, Loomis, D., Bena, J., Bailer, AJ, 2004. Tasas fatales de lesiones ocupacionales
en estados del sur y no del sur, por raza y etnia hispana. A.m. J. Public
P. Marshall y col.
Salud 94, 1756 - 1761 .
Salminen, S., Saari, J., Saarela, KL, Räsänen, T., 1992. Ocupacional fatal y no fatal
accidentes: idéntico versus di ff causalidad erential. Saf Sci. 15, 109 - 118 .
Shanon, HS, 1980. Di ff eferencias entre accidentes industriales con tiempo perdido y sin tiempo perdido.
J. Occup. Accid 2, 265 - 272 .
Smitha, MW, Kirk, KA, Oestenstad, KR, Brown, KC, Lee, SD, 2001. E ff ect de estado
leyes de seguridad en el trabajo sobre tasas de lesiones laborales. J. Occup. Reinar. Medicina. 43, 1001 - 1010 .
189
Safety Science 101 (2018) 180–189
Vieira Gomes, S., Geedipally, SR, Lord, D., 2012. Estimación del rendimiento de seguridad de
Intersecciones urbanas en Lisboa, Portugal. Saf Sci. 50, 1732 - 1739 .
Wing, S., Shy, CM, Wood, JL, Wolf, S., Cragle, DL, Frome, EL, 1991. Mortalidad entre
trabajadores en el Laboratorio Nacional de Oak Ridge. Evidencia de radiación e ff efectos en seguimiento hasta 1984.
JAMA 265, 1397 - 1402 .
Yang, H., Ozturk, O., Ozbay, K., Xie, K., 2014. Análisis y modelado de seguridad de zonas de trabajo: a
estado del arte 13 revisión. Tra ffi c Lesiones Prev. 16, 387 - 396 .