Türkiyede ki ĠĢ Kazalarının Yapay Sinir Ağları ile 2025 Yılına Kadar Tahmini

Transkript

1 Türkyede k ĠĢ Kazalarının Yapay Snr Ağları le 2025 Yılına Kadar Tahmn Hüseyn Ceylan ve Murat Avan Kırıkkale Meslek Yüksekokulu, Kırıkkale Ünverstes, Kırıkkale, Türkye. Kaman Meslek Yüksekokulu, Ah Evran Ünverstes, KırĢehr, Türkye. Tel: 0 (318) ; Fax: 0 (318) , husceylan@hotmal.com, mavan71@gmal.com Özet Bu çalıģmada Yapay Snr Ağları (YSA) kullanılarak Türkye genel çn Ģ kazası tahmn modeller gelģtrlmģtr. Bu modeller kullanılarak Türkye nn 2025 yılına kadar olan süreçte, Ģ kazası, ölü ve sürekl Ģ göremezlk sayıları farklı üç senaryo le tahmn edlmģtr. Model gelģtrlrken sgortalı Ģç, Ģyer, Ģ kazası, ölü ve Ģ göremezlk sayıları model parametreler olarak kullanılmıģ ve bu parametrelere at yılları arasındak verlerden yararlanılmıģtır. YSA modelnde ağ mmars en uygun mmar olarak belrlenmģtr. Ağların gzl katmanında sgmod, çıkıģ katmanında da doğrusal fonksyon kullanılmıģtır. Ağın eğtmnde se ler beslemel ger yayılım algortmasından yararlanılmıģtır. Modeln uygulanablrlğ çn ağımız yılı arasında eğtlerek yılları tahmn ettrlmģtr. Çıkan sonuç gerçek değerlerle kıyaslanmıģ ve uygulanablr olduğu görülmüģtür. GelĢtrlen bütün modellern performansları Ortalama Mutlak Yüzde Hata (OMYH), Ortalama Mutlak Hata (OMH) ve Ortalama Karesel Hataların Karekökü (OKHK) ölçütler çnde değerlendrlmģtr. Anahtar Kelmeler ĠĢ Kazası, Kaza Tahmn Modeller, Yapay Snr Ağları, Türkye PREDICTION OF OCCUPATIONAL ACCIDENTS FOR TURKEY UNTIL THE YEAR 2025 USING ARTIFICIAL NEURAL NETWORKS Abstract In ths study, occupatonal accdent predcton models were developed by usng artfcal neural networks (ANNs) for Turkey. Usng these models n Turkey untl the year 2025 occupatonal accdent, permanent ncapacty and the number of dead was estmated by the three dfferent scenaros. In the development of the models, nsured workers, work place, occupatonal accdent, dead and ncapacty for work values were used as model parameters wth data between 1970 and neural network archtecture was selected as the best network archtecture. Sgmod and purelne functon were used for secret layer and output layer respectvely. The sgmod and purelne functons were used as actvaton functons wth feed forward back propagaton algorthm. Order to obtan a useful model, the network was traned between 1970 and 2004 to forecast values 2005 to 2010.The model was compared to the real values and t was seen that t s applcable for ths am. The performances of all developed models were evaluated by the use of Mean Absolute Percent Errors (MAPE), Mean Absolute Errors (MAE) and Root Mean Square Errors (RMSE). Keywords Occupatonal Accdent, Accdent Predcton Models, Artfcal Neural Networks, Turkey I. GĠRĠġ ĠĢ kazaları ve bu kazaların sonucunda oluģan ölüm, yaralanma ve Ģ göremezlk sayıları ülkemz çn madd-manev kayıplar meydana getrrken, Ģ yapan kģler çn de cdd br Ģ güvenlğ problem oluģturmaktadır. Ülkemz ekonomsnn hızla büyüdüğü, buna paralel olarak Ģ yer ve çalıģan sayısının arttığı günümüzde Ģ güvenlğ hayat br önem kazanmıģtır. Sadece 2010 yılında ülkemzde Ģ kazası meydana gelmģ ve bu kazalar netcesnde 1444 kģ hayatını ytrrken 1976 kģde ömür boyu sakat kalmıģ, sürekl Ģ göremez hale gelmģtr [1]. Br yıl 300 Ģ günü olarak kabul edldğnde, Türkye de her gün yaklaģık 210 Ģ kazası olmakta, 7 Ģç sürekl Ģ göremez, çalıģamaz hale gelmekte ve yne her gün 5 Ģç hayatını kaybetmektedr. Bu değerler, Sosyal Güvenlk Kurumu (SGK) statstklernden elde edlen resm sonuçlardır. Yan sadece SGK ya bldrlen, resm kayıt altına alınan kazalar çn hesaplanan değerlerdr. Meydana gelen her kazanın resm kayıt altına alınmadığı ve sgortasız olarak çalıģtırılan Ģçlern se hç hesaba katılmadığı düģünüldüğünde olayın boyutları daha da büyüyecektr. GelĢen teknolojye paralel olarak üretm sstemler de gün geçtkçe daha karmaģık br hale gelmektedr. Bunun sonucu olarak, Ģ kazalarının önleneblmes çn Ģ güvenlğ le lgl olarak yen tedbrlern gelģtrlmesne htyaç vardır. Ülkemzde Ģ sağlığı ve güvenlğne yönelk, htyaç, öncelk, poltka ve stratejlern belrlenmesnden ÇalıĢma ve Sosyal Güvenlk Bakanlığı bünyesnde oluģturulan Ulusal ĠĢ Sağlığı ve Güvenlğ Konsey sorumludur. Bu çerçevede, Ģ kazalarının önlenmes; daha üretken ve daha güvenl çalıģma koģullarının oluģturulablmes çn lgl planlama ve poltkaların belrlenmesnde, lerye yönelk kaza tahmnler htyaç duyulmaktadır. Bu tahmnlern güvenlrlğ se kazayı

2 etkleyen parametrelere at verlern güvenlrlğne ve kullanılan statstk analz yöntemne bağlıdır. Farklı yaklaģımlar ve analzler kullanılarak lteratürde pek çok kaza tahmn modeller gelģtrlmģtr. Tahmn çalıģmalarında Regresyon Analzler (RA) [2, 3] ve Genetk algortmaların (GA) [4,5] yanı sıra yapay snr ağları (YSA) [4, 6, 7, 8, 9, 10, 11, 12] da kullanılmaktadır. Mussone ve dğerler Ġtalya nın Mlan Ģehrndek taģıtların sebep olduğu kazaları ncelemek ve br kaza model gelģtrmek çn YSA teknklernden faydalanmıģlardır [13]. Abdelwahap ve Abdel-Aty snyalze kavģaklarda meydana gelen trafk kazalarında sürücülerdek yaralanma Ģddetn tahmn etmek çn YSA teknğn kullanmıģlardır[14]. Benzer Ģeklde Delen ve dğerler çarpıģma le lgl faktörler ve yaralanma Ģddet arasındak lneer olmayan lģky YSA yöntem le modellemeye çalıģmıģlardır[15]. Chou k aracın çarpıģmasından kaynaklanan kazalar çn YSA tabanlı br uzman sstem kullanmıģlar ve br kazanın meydana gelmesnde yol geçģ hakkı, kaza yer ve alkol kullanımının etkl değģkenler olduğunu tespt etmģtr[16]. Akgüngör ve Doğan YSA ve Br yapay nöronda grģler x, ağırlıklar w toplama fonksyonu (Σ), aktvasyon fonksyonu ( f) ve çıkıģ (y) bulunmaktadır. x 1 x 2 x Ağırlıklar w 1 w w 3 Grdler 2 v v n 1 x w f sgmod ġekl 1. Temel Yapay Snr Ağı Hücres: Yapay Nöron ġekl -1 de görülen temel YSA hücres nceleyecek olursa, lneer olmayan regresyon teknklern kullanarak Türkye çn x 1, x 2...x değerler hücre grdlerdr. Alınan grdler bell kaza, yaralı ve ölü sayılarını tahmn etmģler ve farklı hata ölçütler kullanarak her k yöntemden elde edlen modeller brbrler le karģılaģtırmıģlardır. Sonuçta YSA model tahmnlernn lneer olmayan regresyon modelne göre daha baģarılı olduğunu fade etmģlerdr [16]. Doğan ve Akgüngör YSA kullanarak Kırıkkale l çn trafk kaza sayılarını, yaralı ve ölü sayılarını tahmn eden modeller gelģtrlmģtr [17]. Doğan, Türkye ve seçlen büyük kentler çn YSA ve GA gb yapay zekâ teknklern regresyon analz yöntem le karģılaģtırmıģ ve yapay zekâ le yapılan modellern çok daha y performans gösterdğn belrtmģtr [18]. Akgüngör ve Doğan, YSA ve GA yöntemlern kullanılarak Ġstanbul çn trafk kaza sayılarını, bu kazalara bağlı olarak meydana gelen yaralı ve ölü sayılarını tahmn eden modeller gelģtrlmģtr[19]. Bu çalıģmada, yapay snr ağları kullanılarak Türkye genel çn Ģ kazası tahmn modeller gelģtrlmģtr. Bu modeller kullanılarak Türkye nn 2025 yılına kadar olan süreçte, Ģ kazası, ölü ve sürekl Ģ göremezlk sayıları farklı üç senaryo le tahmn edlmģtr. Model gelģtrlrken sgortalı Ģç, Ģyer, Ģ kazası, ölü ve Ģ göremezlk sayıları model parametreler olarak kullanılmıģ ve bu parametrelere at yılları arasındak verlerden yararlanılmıģtır. Çıkan sonuç gerçek değerlerle kıyaslanmıģ ve uygulanablr olduğu görülmüģtür. II. YAPAY SĠNĠR AĞLARI YSA, nsandan esnlenerek öğrenme sürecnn matematksel modellenmes sonucunda ortaya çıkan br ver Ģleme sstemdr. Ġnsan beynnn özellklernden olan öğrenme, hatırlama, yen blgler oluģturablme, genelleme yapablme ve keģfedeblme gb yetenekler taklt etmeye çalıģan, bast Ģlemclerden oluģmuģ br yapıdır. YSA yı oluģturan temel Ģlemc yapay nörondur (ġekl-1). ağırlıklarla çarpılır ve -1 la +1 arasında değģen eģk değer le toplanarak net grd oluģturulur. Aktvasyon fonksyonunda net grd üzernde Ģlem yapılarak hücre çıktısı stenlen aralıklara getrlmeye çalıģılır. Bu çıkıģ değer, sstem çn blnen çıkıģ le karģılaģtırılarak br hata oranı bulunur. Bu hata oranına göre yapay snr ağı hücres, grdlern yen ağırlık oranlarını günceller. Böylece daha doğru sonuçlar alablmemz çn br döngü sağlanmaktadır. Ağın öğrenme olayı da bu ağırlıkların güncellenmes le meydana gelr. n y f ( w x ) 1 Aktvasyon fonksyonu çıktıyı stenlen aralıklara dönüģtürmek çn kullanılmaktadır. YSA hücrelernn kullandığı pek çok aktvasyon fonksyonu bulunmaktadır. Tanjant-hperbolk, Sgmod ve Doğrusal fonksyonları y sonuçlar verdğ çn sıklıkla terch edlen aktvasyon fonksyonlarındandır. Aktvasyon fonksyonu doğrusal olableceğ gb doğrusal olmayablr. Aktvasyon fonksyonunun sürekl ve türev alınablr olması stenlen br durumdur[20-21] Tanjant Hperbolk Fonksyonu Bu fonksyon doğrusal olmayan, -1 ve 1 değerler arasında değer alan ve YSA çnde sonuca ulaģmak amacıyla kullanılmaktadır. Tanjant hperbolk fonksyonu aģağıdak denklem kullanır. f (v) e v e v e v e v 2.2. Sgmod Fonksyonu Bu fonksyon türev alınablen, doğrusal olmayan, 0 ve 1 değerler arasında değer alan ve YSA çnde çoğunlukla genelleme yapmak amacıyla kullanılmaktadır. Sgmod fonksyonu aģağıdak denklem kullanır. y (1) (2)

3 f (v) x x 1 1 e v (3) 2.3. Doğrusal Fonksyonu Bu fonksyon türev alınablen, doğrusal olan, 0 ve 1 değerler arasında değer alan ve YSA çnde sonuca ulaģmak amacıyla kullanılmaktadır. Doğrusal fonksyonu aģağıdak denklem kullanır. f (v) * v (4) Yapay nöronların brbrlerne çeģtl mmarlerle bağlanması le yapay snr ağları oluģmaktadır. ġekl-2 de 11 adet yapay nöronun brbrne bağlandığı ler yönlü çok katmanlı br YSA model görülmektedr. Bu mmarsnde ağ yapısı kullanılmıģtır. YSA mmarsnde grdlern ağa sokulduğu br grģ tabakası, grģ tabakasından gelen blglern Ģlenp çıkıģ katmanına letldğ br gzl tabaka bulunaktadır. ġeklde X değerler grd, Y değerler se çıktı değerlern göstermektedr. Bu örnekten anlaģılacağı üzere YSA yı oluģturan nöronlar stenlen sayıda düzenleneblmektedr. Fakat stenlen sonucun doğru br Ģeklde bulunablmes çn doğru mmary bulablmek önem arz etmektedr. Grd ve çıktı tabakalarında k nöron sayıları bell olduğu çn çözüm bekleyen sorun gzl katman sayısı ve her br gzl katmanda k nöron sayısının bulunmasıdır. Bu konu hakkında lteratürde kesn br yöntem bulunmamaktadır. Probleme göre değģen bu ntelkler deneme yanılma yoluyla bulunmaktadır. GrĢ Katmanı 1 2 Gzl Katman ÇıkıĢ Katmanı ġekl 2. Çok Katmanlı YSA yapısı YSA lar modeldek farklılıklara göre değģk karakterstk özellkler göstermesne karģın brkaç ortak özellğe sahptrler. Bu özellklerden lk, paralel çalışablme yeteneğdr. Yan, YSA lar brçok nörondan meydana gelr, bu nöronlar eģ zamanlı olarak çalıģırlar ve brçok karmaģık Ģlemler aynı anda yerne getrrler. Ġknc özellk se, ağ fonksyonunun non-lneer olablmesdr. Bu sayede ağ, ssteme grģ olarak verlen doğrusal olmayan verler çnde matematksel olarak doğru sonuçlar vereblmektedr. Üçüncü özellk genelleme yeteneğdr. Dğer br deyģle ağ yapısının eğtm esnasında kullanılan nümerk blglerden eģleģtrmey sağlayan ağırlık değerlern en özgü olanları çıkarması ve böylelkle eğtm sırasında kullanılmayan baģka grdler çnde çeģtl cevaplar oluģturmasıdır. Dördüncü özellk sayısal ortamda tasarlanan YSA nın donanımsal olarak gerçekleyeblmesdr. y 1 y 2 y 3 YSA lar baģlıca; tahmn, sınıflandırma, modelleme, kontrol sstemler ve optmzasyon alanlarında kullanılır. Havacılıkta, uçuģ smülasyonunda ve otomatk plot uygulamalarında, Güvenlk sstemlernde, parmak z tanıma, yüz eģleģtrme ve retna tanımada, Otomotv sektöründe, otomatk yol tanıma ve sürüģ analzlernde; Tıpta; EEG (Elektro-Enselo Graf), EKG (Elektro Kardyo Graf) ve MR (Manyetk Rezonans) sstemlernde; Savunma sanaynde, hedef seçme, radar sstemlernde, snyal ve görüntü Ģlemede; Dl blmnde, sözcük tanıma Ģlemlernde sıklıkla kullanılmaktadır. III. Ġġ KAZASI ĠÇĠN YSA TAHMĠN MODELĠ Genel olarak Ģ kazalarının tek br denen yoktur, brçok faktörün brbrler le etkleģmler netcesnde meydana gelmektedr. ÇalıĢanların yorgun ve dkkatsz olması, aģırı yük kaldırma, tezgâhların emnyet tedbrlernn yeternce olmaması, yetksz kģlern çalıģtırılması, yetersz ve uygun olmayan makne ve koruyucu teçhzat kullanılması, düzensz ve dağınık Ģyer ortamı, chazların gerekl bakımlarının yapılmaması, gerekl uyarı Ģaret ve yazılarının konmamıģ olması, letģm eksklğ gb brçok etken kazalara neden olmaktadır. Ancak kazaya etk eden bütün parametrelern br model üzernde toplanması çoğu zaman mümkün olmamaktadır. Ayrıca, modeln pratk olarak kullanılablrlğ açısından da uygun değldr. Bundan dolayı gelģtrlecek olan modeln bast ve güvenlr olması arzu edlmektedr. Bu nedenle Türkye çn gelģtrlen kaza tahmn modellernde, model parametres olarak, kazalarla doğrudan lģkl olduğu düģünülen şyer ve sgortalı çalışan sayıları kullanılmıģtır. Bu k parametreye at verlere kolay ulaģılablmes ve gelģtrlen modeln br fabrkaya br bölgeye at değl de tüm ülkey kapsayan genel br model olması da dğer terch sebeplerdr. Bu çalıģmada kullanılan ve Tablo-1 de verlen, yıllarını kapsayan Ģyer sayısı, zorunlu sgortalı sayısı, Ģ kazası sayısı, Ģ kazası sonucu ölen kģ sayısı ve sürekl Ģ göremezlk sayılarına at olan verler Sosyal Güvenlk Kurumu (SGK) statstk yıllıklarından çıkarılmıģtır. YSA le kaza model tahmn edlrken brçok farklı ağ mmars denenmģ ve ġekl 3 te verlen ağ mmarsnn bu çalıģma çn uygun olduğu görülmüģtür. Aktvasyon fonksyonu olarak brnc katmanda tanjant sgmod, knc katmanda se doğrusal fonksyonu kullanılmıģtır. Ağ tp olarak da ler beslemel ger yayılım algortması, öğrenme fonksyonu olarak tranlm, performans fonksyonu Sum Squared Error-SSE terch edlmģtr. ġeklde görüldüğü üzere grd parametres olarak sadece şyer sayısı ve sgortalı sayısı kullanılmıģ, kaza sayısı, ölü sayısı ve sürekl ş göremezlk sayısı tahmn edlmeye çalıģılmıģtır. Gzl Katman Grş Katmanı Çıkış Katmanı Sgortalı Sayısı İş Yer Sayısı ġekl 3. Türkye Ġçn YSA ĠĢ Kazası Modelne at Ağ Mmars

4 Gercek s kazas degerler Internatonal Journal of Engneerng Research and Development, Vol.5, No.1, January 2013 TABLO YILLARI ARASINDA TÜRKĠYE NĠN ZORUNLU SĠGORTALI, Ġġ YERĠ, Ġġ KAZASI, ÖLEN KĠġĠ, SÜREKLĠ Ġġ GÖREMEZLĠK ZORUNLU SĠGORTALI YILLAR Ġġ YERĠ Ġġ KAZASI SÜREKLĠ Ġġ Ġġ KAZASI SONUCU GÖREMEZLĠK ÖLEN KĠġĠ IV. TÜRKĠYE ĠÇĠN YSA TAHMĠN MODELLERĠNĠN UYGULAMA SONUÇLARI İş kazası, ş kazası sonucu ölüm vakası ve ş kazası sonucu sürekl ş göremezlk sayısı değerlernn tahmn çn üç farklı YSA model oluģturulmuģtur. Modellern etknlğn araģtırmak çn öncelkle ağımızı yılları arasındak verlerle eğterek, yılları arası çn İş kazası, ş kazası sonucu ölüm vakası ve ş kazası sonucu sürekl ş göremezlk sayıları tahmn yapıldı ve ulaģılan sonuç gerçek değerlerle kıyaslandı Gercek s kazas degerler Tahmn s kazas degerler ġekl 4 de Türkye çn yılları arasında YSA modelmzn tahmn ettğ Ģ kazası sayısı değerler le gerçek Ģ kazasın değerler verlmģtr ġekl 4. Türkye Ġçn YSA model tahmn Ģ kazası değerler

5 Gercek s kazas sonucu s goremezlk s kazas sonucu olum degerler Internatonal Journal of Engneerng Research and Development, Vol.5, No.1, January 2013 ġekl 5 de Türkye çn yılları arası YSA Modelnn tahmn ettğ ölümlü Ģ kazası sayısı değerler le gerçek ölümlü Ģ kazasın değerler verlmģtr. Hataların Karekökü (OKHK) ölçütler çnde değerlendrlerek Tablo 2 de verlmģtr s kazas sonucu olum degerler tahmn s kazas sonucu olum degerler OMYH OKHK OMH 1 n 1 o t *100 n o (5) 1 2 n o t (6) ( o t ) (7) ġekl 5. Türkye Ġçn YSA Model Tahmn Ölüm Vakası Değerler TABLO 2 Kaza modellerne at hata değerler ġekl 6 da Türkye çn yılları arası YSA Sürekl ĠĢ ĠĢ kazası Ölüm Modelmzn tahmn ettğ Ģ kazası sonucu sürekl Ģ Hata Kodu Göremezlk Tahmn Tahmn göremezlk değerler le gerçek Ģ kazası sonucu sürekl Ģ Tahmn göremezlk değerler verlmģtr. OMYH 3,24 6,21 7,55 OKHK OMH Gercek s kazas sonucu s goremezlk Tahmn s kazas sonucu s goremezlk Hata değerler ncelendğnde YSA modellern uygun olduğu görülmüģtür. V. TÜRKĠYE ĠÇĠN KAZA SENARYOLARI Tablo 2 de hata değerler verlen YSA modellernn 2025 yılına kadar olan tahmnler çn kullanılması uygun görülmüģ ve farklı 3 senaryo le tahmnler yapılmıģtır. Senaryo 1 de zorunlu sgortalı sayısı ve Ģyer sayısı çn yılları arası ortalama artıģ mktarının %50 s, senaryo 2 de ortalama artıģ mktarının %100 ü, senaryo 3 de se %150 s alınmıģtır ġekl 6. Türkye Ġçn YSA Model Tahmn Sürekl ĠĢ Göremezlk Değerler Öngörülen bu oranlar Senaryo 1 de zorunlu sgortalı sayısı çn %2,5 ve Ģ yer sayısı çn %3,3 olarak; Senaryo 2 de zorunlu sgortalı sayısı çn %5,15 ve Ģyer sayısı çn %6,59 olarak; Senaryo 3 de se zorunlu sgortalı sayısı çn %7,73 ve Ģyer sayısı çn %9,89 olarak belrlenmģtr. Modellern performansları Ortalama Mutlak Yüzde Hata (OMYH), Ortalama Mutlak Hata (OMH) ve Ortalama Karesel

6 YILLAR (SENARYO-1) TABLO YILLARI ARASINDA YSA MODELĠ ĠLE TÜRKĠYE NĠN ZORUNLU SĠGORTALI, Ġġ YERĠ, Ġġ KAZASI, ÖLEN KĠġĠ, SÜREKLĠ Ġġ GÖREMEZLĠK TAHMĠNLERĠ ZORUNLU SĠGORTALI Ġġ YERĠ Ġġ KAZASI Ġġ KAZASI SONUCU ÖLEN KĠġĠ SÜREKLĠ Ġġ GÖREMEZLĠK ġekl 7. Türkye Ġçn Önerlen 1. Senaryo Dâhlnde ĠĢ Kazası Tahmnler. ġekl 9. Türkye Ġçn Önerlen 1. Senaryo Dâhlnde ĠĢ Kazası Sonucu Sürekl ĠĢ Göremezlk Tahmnler. YSA modelyle 1. senaryoya göre yapılan tahmn çalıģmasında Tablo 3 te görülen sonuçlar elde edlmģtr. Bu tabloya göre ülkemzde önümüzdek yıllarda Ģ kazası, Ģ kazası sonucu ölüm ve Ģ kazası sonucu sürekl Ģ göremezlk sayılarında artıģlar olacağı görülmektedr. ġekl 8. Türkye Ġçn Önerlen 1. Senaryo Dâhlnde Ölümlü ĠĢ Kazası Tahmnler. ġekl 7 ncelendğnde tahmn Ģ kaza sayısı değerler artıģ eğlmnde olduğu görülmektedr yılı Ģ kazası sayısı 2010 yılına göre % 42 oranında artarak sayısına ulaģacağı tahmn edlmģtr. ġekl 8 ncelendğnde 2025 yılında Ģ kazası sonucu ölüm sayısı 2010 yılına göre % 49 oranında artarak 2161 sayısına ulaģacağı tahmn edlmektedr. ġekl 9 ncelendğnde 2025 yılında Ģ kazası sonucu sürekl Ģ göremezlk sayısı 2010 yılına göre % 226 gb çok yüksek br oranında artarak 6450 sayısına ulaģacağı tahmn edlmektedr.

7 (SENARYO 2) TABLO YILLARI ARASINDA YSA MODELĠ ĠLE TÜRKĠYE NĠN SĠGORTALI, Ġġ YERĠ, Ġġ KAZASI, ÖLEN KĠġĠ, SÜREKLĠ Ġġ GÖREMEZLĠK TAHMĠNĠ YILLAR Ġġ KAZASI ZORUNLU SĠGORTALI SÜREKLĠ Ġġ Ġġ YERĠ Ġġ KAZASI SONUCU ÖLEN GÖREMEZLĠK KĠġĠ Tahm n s kazas degerler Tahmn surekl s goremezlk degerler ġekl 10. Türkye Ġçn Önerlen 2. Senaryo Dâhlnde ĠĢ Kazası Tahmnler. ġekl 12. Türkye Ġçn Önerlen 2. Senaryo Dâhlnde ĠĢ Kazası Sonucu Sürekl ĠĢ Göremezlk Tahmnler Tahmn olumlu s kazas degerler YSA modelyle 2. senaryoya göre yapılan tahmn çalıģmasında Tablo 4 te görülen sonuçlar elde edlmģtr. Bu tabloya göre ülkemzde önümüzdek yıllarda Ģ kazası, Ģ kazası sonucu ölüm ve Ģ kazası sonucu sürekl Ģ göremezlk sayılarında artıģlar olacağı görülmektedr ġekl 11. Türkye Ġçn önerlen 2. Senaryo dâhlnde ölümlü Ģ kazası tahmnler ġekl 7 ncelendğnde tahmn Ģ kaza sayısı değerler artıģ eğlmnde olduğu görülmektedr yılı Ģ kazası sayısı 2010 yılına göre % 85 oranında artarak sayısına ulaģacağı tahmn edlmģtr. ġekl 8 ncelendğnde 2025 yılında Ģ kazası sonucu ölüm sayısı 2010 yılına göre % 42 oranında artarak 2057 sayısına ulaģacağı tahmn edlmektedr. ġekl 9 ncelendğnde 2025 yılında Ģ kazası sonucu sürekl Ģ göremezlk sayısı 2010 yılına göre % 129 gb çok yüksek br oranında artarak 4537 sayısına ulaģacağı tahmn edlmektedr.

8 (SENARYO 3) TABLO YILLARI ARASINDA YSA MODELĠ ĠLE TÜRKĠYE NĠN SĠGORTALI, Ġġ YERĠ, Ġġ KAZASI, ÖLEN KĠġĠ, SÜREKLĠ Ġġ GÖREMEZLĠK TAHMĠNĠ YILLAR ZORUNLU SĠGORTALI Ġġ YERĠ Ġġ KAZASI Ġġ KAZASI SONUCU ÖLEN KĠġĠ SÜREKLĠ Ġġ GÖREMEZLĠK Tahmn s kazas degerler 4500 Tahmn surekl s goremezlk degerler ġekl 13. Türkye Ġçn önerlen 3. Senaryo dâhlnde Ģ kazası tahmnler Tahm n olum lu s kazas degerler ġekl 14. Türkye Ġçn önerlen 3. Senaryo dâhlnde ölümlü Ģ kazası tahmnler 2500 ġekl 15. Türkye Ġçn önerlen 3. Senaryo dâhlnde Ģ kazası sonucu sürekl Ģ göremezlk tahmnler YSA modelyle 3. senaryoya göre yapılan tahmn çalıģmasında Tablo 5 te görülen sonuçlar elde edlmģtr. Bu tabloya göre ülkemzde önümüzdek yıllarda Ģ kazası, Ģ kazası sonucu ölüm ve Ģ kazası sonucu sürekl Ģ göremezlk sayılarında artıģlar olacağı görülmektedr. ġekl 7 ncelendğnde tahmn Ģ kaza sayısı değerler artıģ eğlmnde olduğu görülmektedr yılı Ģ kazası sayısı 2010 yılına göre % 110 oranında artarak sayısına ulaģacağı tahmn edlmģtr. ġekl 8 ncelendğnde 2025 yılında Ģ kazası sonucu ölüm sayısı 2010 yılına göre % 68 oranında artarak 2434 sayısına ulaģacağı tahmn edlmektedr. ġekl 9 ncelendğnde 2025 yılında Ģ kazası sonucu sürekl Ģ göremezlk sayısı 2010 yılına göre % 121 gb çok yüksek br oranında artarak 4379 sayısına ulaģacağı tahmn edlmektedr. VI. SONUÇLAR Bu çalıģmada YSA kullanılarak Türkye çn Ģ kazası, Ģ kazası sonucu ölüm vakası ve Ģ kazası sonucu sürekl Ģ

9 göremezlk sayılarını tahmn eden üç farklı model [15] Delen D, Sharda R, Besson M. Identfyng sgnfcant predctors of gelģtrlmģtr. Her 3 kaza modellern gelģtrrken değģken njury severty n traffc accdents usng a seres of artfcal neural networks Accdent Analyss and Preventon Vol.38, No.3, pp , olarak zorunlu sgortalı sayısı, Ģyer sayısı, Ģ kazası sayısı, Ģ 2006 kazası sonucu ölen kģ sayısı ve Ģ kazası sonucu oluģan [16] Akgungor A P, Dogan E. Estmatng road accdents of Turkey based on sürekl Ģ göremezlk sayı kullanılmıģtır. YSA kaza regresson analyss and artfcal neural network approach Advances n modellernde farklı ağ mmarler denenmģ ve ağ [17] Doğan E. ve Akgüngör A.P., Trafk kazaları ve sonuçlarının yapay snr ağları le ncelenmes Kırıkkale Örneğ 8.UlaĢtırma Kongres, , mmarsnn en uygun mmar olduğu görülmüģtür. Eylül/Ekm 2009 Ġstanbul. Performans analz sonucunda YSA nın y br kaza tahmn [18] Doğan E., Regresyon Analz ve Yapay Zekâ YaklaĢımı le Türkye ve model olarak kullanılableceğ görülmüģtür. En y Seçlen Bazı Büyük Ġller çn Trafk Kaza Tahmn Modeller K.Ü Fen performansa sahp model tespt etmek çn OMYH, OKHK ve Blmler Ensttüsü, YayınlanmamıĢ Yüksek Lsans Tez, [19] Akgüngör A.P. ve Doğan E., Yapay Snr Ağları ve Genetk Algortma OMH değerler Tablo 2 de hesaplandı. Türkye çn ön YaklaĢımı Ġle Ġstanbul Metropolüne At Kaza Tahmn Modeller, görülen senaryolarla 2025 yılına kadar yapılan tahmnler Blmde Modern Yöntemler Sempozyumu, BMYS 2008, , 15- ncelendğnde Ģ kazası sayısında, ölümlü Ģ kazası sayısında 17 Ekm 2008, EskĢehr ve sürekl Ģ göremezlkle sonuçlanan kaza sayılarında artıģ [20] Saray U., Lüy M.,Çam E., Amasya l çn Yapay Snr Ağları le Rüzgar Hızı Tahmn Elektrk Elektronk Mühendslğ Günler olacağı Tablo 3. Tablo 4. ve tablo 5. de öngörülmektedr. Bldrler Ktabı, Sayfa Eylül-1 Ekm 2011, Ankara Türkye nn zorunlu sgortalı sayısının ve Ģ yer sayısının [21] Lüy M., Saray U., Wnd speed estmaton for mssng wnd data wth ortalama artıģ eğlm le arttığı varsayıldığında 2025 yılında zorunlu sgortalı sayısı 21 bnlerde, Ģ yer sayısının da 5 three dfferent backpropagaton algorthms Energy Scence and Research Vol 29(2): pp , 2012 bnlerde olacağı tahmn edlmektedr. Bu değerlerdek artıģlarda Ģ kazalarının, ölümlü Ģ kazalarının ve sürekl Ģ göremezlkle sonuçlanan kazaların artacağını bze göstermektedr. Bu durumda Ģ kazalarının ve sonuçlarının önüne geçeblmek çn Ģ yerlernde ĠĢ güvenlğ plan ve poltkaların tekrar revze edlerek kararlı br Ģeklde uygulanması gerekmektedr. VII. KAYNAKLAR [1] Sosyal Güvenlk Kurumu, ĠĢ kazası statstkler, [2] Goldberg D., The desgn of nnovaton lessons from genetc algorthms, lessons fort he real world Techno Forecast Socal Change vol 64 (1), [3] ġensoy E Z., Nonlneer Lojstk Regresyon ve Uygulaması, Marmara Ünverstes Fen Blmler Ensttüsü Matematk Ana Blm Dalı yüksek Lsans Tez,s 93, Ġstanbul 2009 [4] [5] Murat Y S and Ceylan H., Use of Artfcal Neural Networks for Transport Energy Demand Modelng, Energy Polcy Vol34(17). Pp , [6] Cho Y.C. An ARIMA Modelng: A Case Study of Turkey, Energy Polcy, Vol 35, No 2,pp , 2007 [7] Chou Y.C. An artfcal network-based expert system for apprasal of two-car crash accdents Accdent Analyss and Preventon Vol.38, No.4, pp , 2006 [8] Akgüngör, A P, Doğan E, An artfcal ntellgent approach to traffc accdent estmaton; Model development and applcaton Transport, Vol.24 No,2 pp ,2009 [9] Akgüngör A. P. ve Doğan E., Farklı Yöntemler Kullanılarak GelĢtrlen Trafk Kaza Tahmn Modeller ve Analz; Int. J. Eng. Research & Development, Vol.2, No.1 January 2010 [10] Önal S, Yapay Snr ağları Metodu le Kızılırmak Nehrnn Akım Tahmn, Süleyman Demrel Ünverstes Fen blmler Ensttüsü Yapı eğtm Ana Blm Dalı Yüksek Lsans Tez, s129, Isparta 2009 [11] Comancu D. and Meer P., Mean Shft Analyss and Applcatons, IEEE Internatonal Conference on Computer Vson, pp , [12] ġen, Z, Yapay Snr Ağları, Su Vakfı Yayınları, Ġstanbul s183, 2004 [13] Mussone L, Ferrar A, Oneta, M. An analyss of urban collson usng an artfcal ntellgence model Accdent Analyss and Preventon, Vol.3, No.8, pp , 1999 [14] Abdelwahab H T, Abdel-Aty M A. Development of artfcal neural network models to predct drver njury severty n traffc accdent at sgnalzed ntersecton Transportaton Research Record 1746, pp.6-13, 2001