Clusterização de dados sobre Comunicação de Acidente de Trabalho 1

Transcrição

1 Clusterização de dados sobre Comunicação de Acidente de Trabalho 1 Alessandro Rizzatto Pignata Clusterização Clusterização (clustering) é um conjunto de técnicas de mineração de dados que dividem as amostras de um dataset em grupos conhecidos como clusters (TAN, STEINBACH, KUMAR, 2014, p. 487). Tal divisão é feita de maneira que as observações em cada grupo sejam bastante similares entre elas, enquanto que as observações de diferentes grupos sejam bastantes distintas uma das outras (JAMES, G. et al., p. 385). Uma das técnicas de clusterização é o algoritmo de K-means, que tenta dividir as amostras pelo número de clusters dado por especificado pelo usuário (TAN, STEINBACH, KUMAR, 2014, p. 495). O algoritmo agrupa os dados ao tentar separar as amostras em grupos de igual variância e os meios destes são chamados de centroides. O algoritmo K-means tem como objetivo escolher centroides que minimizam a inércia ou a soma dos quadrados dentro do cluster. O algoritmo K-means será a técnica utilizada neste trabalho. Comunicação de Acidente de Trabalho Comunicação de Acidente de Trabalho (CAT) é um documento emitido pela empresa para reconhecer um acidente de trabalho ou de trajeto, bem como uma doença ocupacional do empregado. O primeiro é aquele ocorrido no exercício da atividade profissional a serviço da empresa ou no deslocamento entre residência e trabalho, que provoque lesão corporal ou perturbação funcional que cause a perda ou redução da capacidade para o trabalho ou, em último caso, o óbito. Já a doença ocupacional é aquela produzida ou desencadeada pelo exercício do trabalho peculiar a determinada atividade. 1 Trabalho final da disciplina Seminário em Ciência Política: Mineração de dados, do Instituto de Ciência Política da Universidade de Brasília, cursada no 2º semestre de Disponível em < 1

2 Toda empresa é obrigada a informar a Previdência Social todos os acidentes de trabalho ocorridos com seus empregados, mesmo que não haja afastamento das atividades. As informações da CAT têm origem nos registros dos benefícios de natureza acidentária concedidos pelo Instituto Nacional do Seguro Social. Banco de dados (dataset) O Ministério da Previdência Social produz o Anuário Estatístico de Acidentes de Trabalho e deste, selecionaram informações que tratam de CAT por localização geográfica das ocorrências e seus respectivos quantitativos, organizando estes dados em arquivos separados pelos parâmetros ano (série anual de 2002 a 2009) e formato (XML, JSON e CSV). Estes datasets estão disponíveis no Portal Brasileiro de Dados Abertos 2 sob a licença aberta para Bases de Dados do Open Data Commons 3. Para este trabalho, foi selecionada a série 4 de 2009 no formato CSV com amostras. Na tabela abaixo, o dicionário de dados: Tabela 1 Dicionário de dados Campo Descrição Ano Ano do acidente de trabalho. Formato/exemplo: Municipio_COD-IBGE Municipio_Nome UF Quantidade_Acidentes_com_C AT_Tipicos Quantidade_Acidentes_com_C AT_Trajeto Quantidade_Acidentes_com_C AT_Doenca_Profissional Quantidade_Obitos Quantidade_Acidentes_Sem_C AT Código do município no banco de dados do Instituto Brasileiro de Geografia e Estatística. Nome do município onde aconteceu o acidente de trabalho. Unidade Federativa do município. Número de acidentes de trabalho com CAT. Número de acidentes de trabalho no trajeto com CAT. Número de acidentes de trabalho registrados como doença ocupacional com CAT. Número de óbitos entre os acidentes de trabalho registrados. Número de acidentes de trabalho sem CAT. 2 Ferramenta disponibilizada pelo governo brasileiro para encontrar e utilizar dados e informações públicas < 3 Organização que oferece consultoria jurídica sobre open data < 4 Dataset disponível em < 2

3 Análise dos dados 5 Inicialmente, foi verificado o mais adequado. Para isso, foram gerados quatro gráficos de dispersão relacionando o número de acidentes de trabalho com CAT ( ) o número de acidentes de trabalho no trajeto com CAT ( ), cada um com o valor distinto: Gráfico 1 - Gráfico 2 - Gráfico 3 - Gráfico 4 - Por conta da dispersão de dados e clusters observados, foi selecionado como melhor opção de divisão de grupos o. 5 Para realizar as análises dos dados foi utilizada a linguagem de programação Python e os pacotes adicionais matplotlib, NumPy, pandas e scikit-learn. Script disponível em < 3

4 Tabela 2 - Distribuição dos clusters por estatística descritiva das variáveis em análise 4

5 Tabela 3 Quantidade de municípios por cluster e UF Analisando os dados expostos nos gráficos e tabelas acima, é possível concluir que o cluster 1 é o que possui o maior número de acidentes de trabalho com apenas uma amostra, ou seja, um município é responsável por uma expressiva parcela dos acidentes. Órgãos públicos de trabalho e de saúde atuando com medidas customizadas para as empresas da região e/ou destinando recursos financeiros para realizar ações de prevenção de acidentes de trabalho neste município, ou seja, concentrar esforços neste local, poderiam gerar impactos positivos na redução destas estatísticas. Os clusters 1 a 4 mostram regiões mais industrializadas, com maior atividade econômica (SP, SC, RS, PR e MG), pois mesmo não possuindo em cada grupo um número expressivo de municípios comparado ao cluster 0, são neles que acontecem o maior número de acidentes de trabalho do país. 5

6 Referências bibliográficas CHAVES, Jennifer. clustes_vulnerabilidade_municipios.py Disponível em: < Acesso em: 30 novembro JAMES, G. et al. An Introduction to Statistical Learning with Applications in R. New York: Springer, MARZAGÃO, Thiago. clustering.py Disponível em: < Acesso em: 29 novembro MATPLOTLIB DEVELOPMENT TEAM. matplotlib Disponível em: < Acesso em: 30 novembro MINISTÉRIO DA PREVIDÊNCIA SOCIAL. Acidentes de trabalho por município em Disponível em: < Acesso em: 28 novembro MINISTÉRIO DA PREVIDÊNCIA SOCIAL. Comunicação de Acidente de Trabalho Disponível em: < Acesso em: 30 novembro NUMPY DEVELOPERS. NumPy Disponível em: < Acesso em: 30 novembro PYDATA DEVELOPMENT TEAM. pandas Disponível em: < Acesso em: 30 novembro PYTHON SOFTWARE FOUNDATION. Python Disponível em: < Acesso em: 30 novembro SCIKIT-LEARN DEVELOPERS. K-means Disponível em: < Acesso em: 30 novembro SCIKIT-LEARN DEVELOPERS. scikit-learn Disponível em: < Acesso em: 30 novembro TAN, P.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. Harlow: Pearson,