Base de datos de accidentalidad laboral 1  sol·licitants

Rebut
recibido
Assignat
asignado
En estudi
en-estudio
Programat
programado
No viable
no-viable
Publicat
publicado
Parcialment publicat
parcialmente-publicado

Data de la petició: 21-06-2024

Organismes responsables: Ministerio de Trabajo y Economía Social

Descripció:

Solicitud de la base de datos (en formato sql, csv, json...) de origen de los datos con la que se obtienen los informes excel presentados en la web: https://www.mites.gob.es/es/estadisticas/condiciones_trabajo_relac_labor...

Motiu de la petició:

Buenos días, soy el Dr. Raúl Aguilar Elena, Investigador Principal del Grupo de Investigación de Prevención de Riesgos Laborales de la Universidad Internacional de Valencia. Me dirijo a ustedes para solicitar acceso a la base de datos completa de los accidentes registrados desde el año 2003 hasta el año 2023 (https://www.mites.gob.es/estadisticas/eat/welcome.htm) . Nuestro objetivo es utilizar estos datos para llevar a cabo un estudio detallado mediante algoritmos de machine learning, redes neuronales y otros modelos computacionales avanzados. Los datos que actualmente están disponibles para su descarga en la web son archivos Excel con los datos ya tratados y agregados. Sin embargo, para realizar un análisis más exhaustivo y preciso, necesitamos trabajar con la base de datos en su forma original, es decir, sin preprocesar, lo cual nos permitirá aplicar una serie de técnicas avanzadas de análisis de datos. A continuación, detallo los motivos específicos y las técnicas que planeamos utilizar: Algoritmos de Machine Learning: Utilizaremos algoritmos supervisados y no supervisados para identificar patrones y tendencias en los accidentes a lo largo del tiempo. Esto incluye la clasificación y regresión para predecir la probabilidad de accidentes futuros bajo diferentes condiciones. Redes Neuronales: Implementaremos redes neuronales profundas (Deep Learning) para modelar relaciones complejas y no lineales en los datos. Estas técnicas son especialmente útiles para detectar correlaciones sutiles que podrían no ser evidentes con métodos de análisis tradicionales. Modelos Computacionales Avanzados: Aplicaremos modelos de análisis espacial y temporal para estudiar la distribución geográfica y temporal de los accidentes. Esto incluirá análisis de series temporales y modelos de regresión espacial.

Beneficis esperats:

Siguiendo la estrategia de la Agenda 2030 en los objetivos 3 y 8 nuestro estudio nos permitirá: Realizar Análisis Descriptivos Detallados: Explorar todas las variables disponibles y su evolución a lo largo del tiempo. Desarrollar Modelos Predictivos Precisos: Entrenar modelos que puedan prever futuros accidentes y sus posibles causas, lo que es esencial para el desarrollo de políticas preventivas efectivas. Identificar Factores de Riesgo Críticos: Determinar las variables que tienen un mayor impacto en la ocurrencia de accidentes y, por ende, focalizar las medidas de mitigación. Estamos convencidos de que los resultados de este estudio podrán proporcionar insights valiosos que contribuirán a mejorar las estrategias de prevención de accidentes y, en última instancia, a salvar vidas. Apreciamos enormemente su colaboración y estamos dispuestos a firmar cualquier acuerdo de confidencialidad necesario para asegurar que los datos sean utilizados de manera ética y responsable. Quedo a la espera de su respuesta y estoy a su disposición para cualquier consulta adicional que pueda surgir.