Índices de Accidentabilidad vs Ecuaciones de Estado
El índice de accidentabilidad de la industria minera
se mide tradicionalmente como una combinación lineal de la frecuencia y la
severidad de los accidentes. Esta metodología es precaria y a toda luz
insuficiente puesto que no toma en cuenta el riesgo geológico ni los esfuerzos
de control en la gestión que las compañías mineras puedan adoptar. Sin embargo
de esta medición dependen decisiones importantes, tales como el costo de las
primas de seguros, el esfuerzo y nivel de fiscalización regulatoria, los
esfuerzos de gestión de las organizaciones entre otras. Es por ello que investigadores
como Qi Lixia (2015) han incorporado un nuevo método construido a partir de ecuaciones
de estado para el caso de minas de carbón en China complementariamente dos
componentes adicionales: el grado de control de la gestión y el grado de la
complejidad de la operación los cuales sensibilizan los índices a partir de una
nueva forma de cálculo basada en ecuaciones de estado donde la accidentabilidad
del periodo actual depende de la accidentabilidad del período anterior afectado
por las nuevas variables de estudio, sin embargo la investigación de Lixia
considera que la ecuación de estado actúa en condiciones perfectas asumiendo un
error de cero, lo cual no necesariamente refleja el comportamiento de los
sectores en condiciones reales.
Si analizamos la introducción de los nuevos
componentes propuestos por Lixia en la efectividad de la predicción del índice
de accidentabilidad de la industria minera incluyendo un factor de error real
que depende de la entropía de la información que sustenta los registros de la
estadística de seguridad de las minas podremos establecer si esta nueva medida
lograda a partir de las ecuaciones de estado genera en el Perú una mejor
correlación respecto a la que puede lograrse con la regresión lineal aplicada
en el sistema de medición tradicional.
El método tradicional incluye un Índice de Frecuencia
(IF) y un Índice de Severidad (IS) definidos de la siguiente manera:
IF=(NAIF*200,000)/NTHHT
IS=(NDPAIF*200,000)NTHHT
IA= (IF*IS)/200
Donde:
NAIF: Número de Accidentes
Incapacitantes y Fatales ocurridos
NTHHT: Número total de
Horas-Hombre trabajadas
NDPAIF: Número de días
perdidos por accidentes incapacitantes y fatales
IA: Índice de Accidentabilidad
El método desarrollado por Qi
Lixia es el siguiente:
Y(K)=((H)/C)+((Y(0)-(H/C))*(1-C)K
)
Donde:
Y(K): Estado de la seguridad
en el instante k
Y(0): Estado de la seguridad
en instante inicial
H: Grado de complejidad de la
operación
C: Grado de Control de gestión
de la operación
Ahora bien si ampliamos
la ecuación de estado en forma extendida incorporando un factor de error distinto
de cero tenemos una ecuación generalizada de estado como la siguiente:
Y(K)=(((H+W)/C)+((Y(0)-((H+W)/C))*(1-C)K
)
Donde sí W=0 se tienen los
resultados obtenidos en los trabajos de Lixia
En este análisis W es un
factor que no puede ser despreciado porque su introducción puede generar un
impacto determinante en los resultados. En el análisis de la información de la
estadística de la seguridad minera reportada en Perú entre el año 2010 y 2015
se pueden encontrar múltiples factores potenciales de error que pueden
aproximar un valor de W distinto con impactos significativos en la definición
del estado de la seguridad en un momento determinado. Sin embargo y dado que
los factores podrían ser tan diversos como el temor al reporte por multas, las
restricciones de cuidado legal de los reportes o la falta de transparencia por
la informalidad de la entidad que reporta entre otros muchos, este factor de
error se vuelve complejo de analizar y requiere un mínimo de consenso con el
regulador para lograr una medición objetiva de la accidentabilidad en la
industria
Para los investigadores
que estén interesados en profundizar más sobre este interesante tema
recomendamos leer los siguientes trabajos:
Cao, Q y Chen, W. (1999). Research
on Mine safety target management method and its application software.
Industrial Safety and Environmental Protection (2), p 25-29
Li-Xia, Q. (2013). A multiple
factors safety prediction algorithm based on genetic neural networks in coal
mine safe-state. Sensors & Transducers, 159(11), 385-390.
Li-Xia, Q. (2015). A
calculation model of coal mine safety management based on Kalman filter
Algorithm. Journal of Chemical and Pharmaceutical Research 7(3), p 1204-1209
Long, R., Sun K., Neitsel R.,
(2015) Injury risk factors in a small-scale gold mining community in Ghana´s
upper east region. International Journal
of Environmental Research and Public Health (12), p 8744-8761
Maio, F. D.,
Vagnoli, M., & Zio, E. (2015). Risk-based clustering for near misses
identification in integrated deterministic and probabilistic safety
analysis. Science and Technology of
Nuclear Installations, doi:http://dx.doi.org/10.1155/2015/693891
Martin, D. K., & Black, A. (2015).
Preventing serious injuries & fatalities: Study reveals precursors & paradigms. Professional Safety, 60(9), 35-43.
Scotton, C. R.
(2013). New risk rates inter-industry
differentials and the magnitude of VSL estimates. Journal of Benefit-Cost Analysis, 4(1), 39-80.
doi:http://dx.doi.org/10.1515/jbca-2012-0015
No hay comentarios:
Publicar un comentario