Identificação e mapeamento de hotspots de acidentes de trabalho no Brasil utilizando técnicas de machine learning e análise espacial

Aug 4, 2026

Carregar por Valentina

Este estudo identifica e analisa hotspots de acidentes de trabalho no Brasil, com atenção a setores críticos como construção civil, transporte rodoviário, mineração e energia elétrica. A abordagem combina algoritmos de machine learning (K-means, DBSCAN, HDBSCAN e Agglomerative Clustering) para clusterização dos dados do INSS com técnicas de análise espacial via GIS para mapear e visualizar áreas de maior incidência. Os resultados mostram concentração de acidentes em regiões metropolitanas, sobretudo Sudeste e Sul, e evidenciam padrões de risco associados à falta de treinamento e ao não uso de EPI. Conclui-se que a integração entre machine learning e análise espacial apoia políticas de segurança mais direcionadas.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas8

Tempo de leitura12 min

AcessoDownload gratuito

Índice

Introdução

Segurança do trabalho e contexto brasileiro

Estatísticas e impactos dos acidentes

Objetivos e metodologia

Algoritmos de machine learning para clusterização

Análise espacial com GIS

Resultados e discussão

Concentração regional dos acidentes

Fatores críticos identificados

Conclusões e perspectivas futuras

Integração de variáveis socioeconômicas e culturais

R E S E A R C H A R T I C L E Identificação e mapeamento de hotspots de acidentes de trabalho no Brasil utilizando técnicas de machine learning e análise espacial Identification and mapping of workplace accident hotspots in Brazil using machine learning and spatial analysis techniques Raphael Hendrigo de Souza Gonçalves a* , Wendel Marcos dos Santos a a Especialização em Engenharia e Segurança do Trabalho, Faculdade Unyleya, 70711-040, Brasilia, DF, Brasil. b Departamento de Informática e Turismo, Instituto Federal de Educação Ciência e Tecnologia de São Paulo, 01109-010, São Paulo, SP, Brasil. Resumo Este estudo tem como objetivo principal identificar e analisar os hotspots de acidentes de trabalho no Brasil, com foco em setores críticos como construção civil, transporte rodoviário, mineração, eenergia elétrica. A metodologia adotada envolve a aplicação dealgoritmos de machine learning, especificamente K-means, DBSCAN, HDBSCAN e Agglomerative Clustering, para a clusterização de dados de acidentes fornecidos pelo INSS. Além disso, foram utilizadastécnicas de análise espacial com o auxílio de ferramentas GIS paramapear e visualizar as áreas de maior incidência de acidentes. Os resultados revelaram que a maioria dos acidentes está concentrada em regiões metropolitanas, especialmente nas regiões Sudeste e Sul do Brasil. Os algoritmos de clusterização permitiram identificar padrões derisco em diferentes setores, destacando a falta de treinamentoadequado e a não utilização de equipamentos de proteção individual (EPI) como fatores críticos. A análise espacial possibilitou avisualização clara dos hotspots, oferecendo subsídios para a formulação de políticas de segurança mais eficazes e direcionadas. Conclui-se que a combinação de técnicas de machine learning comanálise espacial é uma abordagem poderosa para a identificação de hotspots de acidentes de trabalho, contribuindo significativamente para a redução de riscos e a promoção de ambientes de trabalho mais seguros. O estudo abre possibilidades para pesquisas futuras que integrem variáveis socioeconômicas e culturais na análise de acidentes de trabalho. Palavras-chave: Pontos críticos de acidentes. Aprendizado demáquina. Análise espacial. Segurança ocupacional. Agrupamento. Abstract This study aims to identify and analyze workplace accident hotspots in Brazil, focusing on critical sectors such as construction, road transportation, mining, and electric energy. The adopted methodology involves applying machine learning algorithms, specifically K-means, DBSCAN, HDBSCAN, and Agglomerative Clustering, for clustering accident data provided by INSS. Additionally, spatial analysis techniques were used with GIS tools to map and visualize areas with the highest incidence of accidents. The results revealed that most accidents are concentrated in metropolitan regions, particularly in the Southeast and South of Brazil. The clustering algorithms identified risk patterns across different sectors, highlighting inadequate training and the non-use of personal protective equipment (PPE) as critical factors. Spatial analysis provided a clear visualization of hotspots, offering insights into the formulation of more effective and targeted safety policies. It is concluded that combining machine learning techniques with spatial analysis is a powerful approach for identifying workplace accident hotspots, significantly contributing to risk reduction and the promotion of safer work environments. The study opens possibilities for future research that integrates socioeconomic and cultural variables into workplace accident analysis. Keywords: Accident hotspots. Machine learning. Spatial analysis. Occupational safety. Clustering. Graphical Abstract ______________ *Corresponding author: Wendel M. dos Santos. E-mail [address: wendel.santos@ifsp.edu.br](address: wendel.santos@ifsp.edu.br)[ ](address: wendel.santos@ifsp.edu.br)[Submitted: 10 September 2024](Submitted: 10 September 2024); Acc

Perguntas frequentes

Quais setores foram priorizados na identificação dos hotspots de acidentes de trabalho no Brasil?

O estudo foca em construção civil, transporte rodoviário, mineração e energia elétrica, por serem setores de alta complexidade e risco.

Como a metodologia utiliza machine learning para encontrar padrões de risco?

São aplicados algoritmos de clusterização como K-means, DBSCAN, HDBSCAN e Agglomerative Clustering nos dados de acidentes fornecidos pelo INSS para agrupar ocorrências e revelar padrões.

Que papel a análise espacial com GIS teve nos resultados?

As técnicas de análise espacial permitiram mapear e visualizar claramente as áreas com maior incidência de acidentes, facilitando a identificação de hotspots e apoiando a formulação de políticas de segurança.

Aug 4, 2026

Carregar por Valentina