Yapay zekâ tabanlı makine öğrenmesi yöntemleri ile iş kazalarının tahmin edilmesi; Türkiye'de 2016–2024 SGK verileri üzerinden 2025–2033 projeksiyonu
Forecasting occupational accidents using artificial intelligence-based machine learning methods: A 2025–2033 projection based on Türkiye's 2016–2024 SSI data
- Tez No: 1005418
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL ÇİÇEK ZENGİN BİNTAŞ
- Tez Türü: Yüksek Lisans
- Konular: Kazalar, Accidents
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Sağlık ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İş Sağlığı ve Güvenliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın temel amacı, 2016–2024 dönemi SGK iş kazası verilerinden hareketle 2025– 2033 dönemi için geçici iş göremezlik ve ölümlü iş kazası eğilimlerini tahmin etmek, geleceğe dönük proaktif projeksiyonlar üretmek ve farklı algoritmaların performanslarını karşılaştırmaktır. Metodoloji kapsamında veri seti, yaralanma türü kodları temelinde düzenlenmiş; erkek ve kadın çalışanlar için 1, 2, 3, 4 ile 5 gün ve üzeri geçici iş göremezlik değişkenleri ile ölen erkek ve kadın değişkenlerini içerecek şekilde çoklu hedefli olarak yapılandırılmıştır. Veri ön işleme ve gecikme (lag) öznitelikleri üretme adımlarının ardından; Random Forest, XGBoost ve LightGBM algoritmaları test edilmiş, model performansları MAE ve RMSE metrikleri ile değerlendirilmiştir. Elde edilen bulgulara göre, karşılaştırılan modeller arasında en düşük hata değerlerini Random Forest modeli (MAE: 387.81, RMSE: 933.77) üretmiştir. Bu ana modele göre, 2025 yılında 400.604 olması beklenen yıllık toplam iş kazasının %59,7 artışla 2033 yılında 639.786 seviyesine ulaşacağı hesaplanmıştır. En yüksek hacmi“5 gün ve üzeri”raporlu vakalar (2025'te 248.007'den 2033'te 395.207'ye) oluştururken, 2025-2033 dönemi için toplam 63.432 çalışanın yaşamını yitireceği ve bu mortalite öngörüsünün 61.871 vaka ile büyük ölçüde erkek çalışanlarda yoğunlaşacağı tespit edilmiştir. Sonuç olarak, Random Forest algoritmasının veri temelli risk analizi için güçlü bir karar destek aracı sunduğu kanıtlanmış olup, özellikle beş gün ve üzeri süreli yaralanmalar ile erkek çalışan mortalitesinin İSG politikalarında öncelikli müdahale alanı olması gerektiği saptanmıştır.
Özet (Çeviri)
The primary objective of this study is to predict trends in temporary incapacity and fatal occupational accidents for the 2025–2033 period, based on SGK occupational accident data from 2016–2024, to generate proactive future projections and compare the performances of various algorithms. Within the scope of the methodology, the dataset was organized based on injury type codes and structured as a multi-target framework including temporary incapacity variables for 1, 2, 3, 4, and 5 or more days, as well as variables for deceased male and female workers. Following the data preprocessing and the generation of lag features, Random Forest, XGBoost, and LightGBM algorithms were tested, and model performances were evaluated using MAE and RMSE metrics. According to the findings, the Random Forest model produced the lowest error values (MAE: 387.81, RMSE: 933.77) among the compared models. Based on this primary model, the annual total number of occupational accidents, expected to be 400,604 in 2025, is calculated to reach 639,786 in 2033, representing a 59.7% increase. While“5 or more days”reported cases constitute the highest volume (increasing from 248,007 in 2025 to 395,207 in 2033), it was determined that a total of 63,432 employees will lose their lives during the 2025–2033 period, with this mortality projection concentrated largely among male workers with 61,871 cases. In conclusion, it has been proven that the Random Forest algorithm provides a robust decision support tool for data-driven risk analysis, and it was established that injuries with a duration of five days or more and male worker mortality should be priority areas for intervention in occupational health and safety policies.
Benzer Tezler
- Development of a machine learning prediction model for construction safety management
İnşaat iş güvenliği yönetimi için makine öğrenmesine dayalı tahmin modeli geliştirilmesi
KERİM KOÇ
Doktora
İngilizce
2022
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLI PELİN GÜRGÜN
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning
Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım
TALHA GÜÇLÜ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü
Modeling, implementation and control of logistics systems using artificial neural networks
MURAT ERMİŞ
Doktora
Türkçe
2005
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF.DR. FÜSUN ÜLENGİL