Geri Dön

Küresel ölçekte geliştirilen yapay zeka tabanlı iş kazası tahmin modelinin maliyet etkin analizi: Türkiye inşaat ve metal sektörü örneği

Cost-effective analysis of a globally developed artificial intelligence-based workplace accident prediction model: The case of the Turkish construction and metal sector

PDF İndir

  1. Tez No: 1009108
  2. Yazar: ELİF BOZKURT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SAİME TAPHASANOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Rumeli Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İş Sağlığı ve Güvenliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İş kazaları, çalışan sağlığını tehdit etmenin yanı sıra işletmeler açısından önemli ekonomik kayıplara yol açan temel sorunlardan biridir. Türkiye'de özellikle inşaat ve metal sektörleri, yüksek iş kazası oranları ile öne çıkmakta; mevcut iş sağlığı ve güvenliği uygulamaları ise çoğu zaman kazalar meydana geldikten sonra devreye girmektedir. Bu durum, önleyici yaklaşımların sınırlı kalmasına ve risklerin yeterince erken tespit edilememesine neden olmaktadır. Bu tez çalışmasının amacı, yapay zekâ tabanlı iş kazası tahmin modelleri geliştirerek Türkiye'de inşaat ve metal sektörlerinde iş kazası risklerinin önceden belirlenmesine katkı sağlamak ve geliştirilen modellerin performanslarını karşılaştırmalı olarak değerlendirmektir. Ayrıca elde edilen bulgular doğrultusunda, bu tür modellerin işletmeler açısından maliyet etkinliği perspektifinden potansiyel katkıları ele alınmıştır. Araştırmada, Sosyal Güvenlik Kurumu'nun 2023 ve 2024 yıllarına ait sektörel istatistiklerinden esinlenilerek oluşturulan simülasyon tabanlı bir veri seti kullanılmıştır. Veri seti, inşaat ve metal sektörlerinde çalışan toplam 2000 kişiyi temsil edecek şekilde yapılandırılmıştır. Modelleme sürecinde Logistic Regression, Random Forest ve XGBoost algoritmaları kullanılmış; modellerin performansları doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1 skoru ve ROC–AUC ölçütleri üzerinden değerlendirilmiştir. Elde edilen sonuçlar, Logistic Regression modelinin kazalı durumları tespit etme konusunda yüksek duyarlılık sergilediğini, ancak yanlış pozitif tahmin oranlarının görece yüksek olduğunu göstermektedir. Random Forest modeli, genel doğruluk açısından güçlü bir performans sunmasına rağmen kazalı durumların tespitinde sınırlı kalmıştır. XGBoost modeli ise doğruluk, F1 skoru ve ROC–AUC değerleri bakımından daha dengeli bir performans profili sergileyerek iş kazası tahmini açısından öne çıkan model olmuştur. Model performanslarının ekonomik etkisini değerlendirmek amacıyla gerçekleştirilen maliyet etkinlik analizinde, yanlış negatif ve yanlış pozitif hataların maliyetleri dikkate alınmıştır. Analiz sonucunda XGBoost modelinin yaklaşık 640.000 TL toplam maliyet ile en düşük maliyet değerini ürettiği belirlenmiştir. Random Forest modelinin yaklaşık 1.225.000 TL, Logistic Regression modelinin ise yaklaşık 890.000 TL toplam maliyet oluşturduğu görülmüştür. Bu sonuçlar, XGBoost modelinin Random Forest modeline kıyasla yaklaşık %48, Logistic Regression modeline kıyasla ise yaklaşık %28 oranında daha düşük maliyet ürettiğini göstermektedir. Sonuç olarak bu çalışma, yapay zekâ tabanlı tahmin modellerinin iş sağlığı ve güvenliği alanında proaktif risk yönetimi yaklaşımlarını destekleyebilecek bir karar destek aracı olarak değerlendirilebileceğini ortaya koymaktadır. Özellikle yüksek riskli sektörlerde, bu tür modellerin erken uyarı mekanizmaları ile entegre edilmesi, iş kazalarının azaltılmasına ve işletmelerin maliyetlerinin düşürülmesine katkı sağlayabilecek bir potansiyel sunmaktadır.

Özet (Çeviri)

Occupational accidents constitute a major problem that not only threaten employee health and safety but also lead to significant economic losses for enterprises. In Türkiye, the construction and metal industries stand out as sectors with high accident rates, while existing occupational health and safety (OHS) practices often become effective only after accidents occur. This situation limits preventive approaches and prevents risks from being identified at an early stage. The aim of this thesis is to contribute to the early prediction of occupational accident risks in the construction and metal sectors in Türkiye by developing artificial intelligence–based accident prediction models and to comparatively evaluate the performance of these models. In addition, the potential contributions of such models from a cost-effectiveness perspective for enterprises are examined based on the obtained findings. In the study, a simulation-based dataset inspired by the sectoral statistics published by the Social Security Institution for the years 2023 and 2024 was utilized. The dataset was structured to represent a total of 2,000 employees working in the construction and metal sectors. During the modeling process, Logistic Regression, Random Forest, and XGBoost algorithms were employed, and model performances were evaluated using accuracy, precision, recall, F1-score, and ROC–AUC metrics. The results indicate that the Logistic Regression model demonstrates high recall in detecting accident cases, although it produces relatively higher false positive predictions. The Random Forest model achieves strong overall accuracy but remains limited in identifying accident cases. The XGBoost model, on the other hand, exhibits a more balanced performance in terms of accuracy, F1-score, and ROC–AUC values, emerging as the most prominent model for occupational accident prediction within the scope of this study. To evaluate the economic implications of model errors, a cost-effectiveness analysis was conducted by considering the costs associated with false negative and false positive predictions. The analysis revealed that the XGBoost model produced the lowest total cost at approximately 640,000 TL, whereas the Random Forest model generated a total cost of approximately 1,225,000 TL and the Logistic Regression model resulted in approximately 890,000 TL. These findings indicate that the XGBoost model provides approximately 48% lower cost compared to Random Forest and 28% lower cost compared to Logistic Regression. In conclusion, this thesis demonstrates that artificial intelligence–based prediction models can be considered effective decision support tools for proactive risk management in the field of occupational health and safety. Particularly in high-risk sectors, integrating such models with early warning mechanisms has the potential to contribute to reducing occupational accidents and lowering operational costs for enterprises.

Benzer Tezler

  1. Tez No

    985730

    Generating a high-definition map (HD MAP) via yolo (you only look once) deep learning-based object detection model

    Yolo (you only look once) derin öğrenme tabanli nesne tespit modeli ile yüksek tanimli hari̇ta (HD MAP) oluşturma

    YASİN MEMİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. HANDE DEMİREL

  2. Tez No

    985698

    Advancing maritime security with uncrewed marine systems

    İnsansız deniz sistemleri ile deniz güvenliğinin geliştirilmesi

    DENİZ ÇİÇEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. BİHTER EROL

  3. Tez No

    990164

    Alt havzalar düzeyinde tatlı su sağlama ve taşkın riskinin doğa tabanlı çözümler ile değerlendirilmesi

    Assessment of water yield and flood risk through nature-based solutions at the sub-basin watershed scale

    SAADET GÖKÇEN KARADUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Şehircilik ve Bölge Planlamaİzmir Katip Çelebi Üniversitesi

    Orman Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UFUK ÖZKAN

  4. Tez No

    1000067

    Artificial intelligence driven arbitration: A new approach for efficient arbitrator selection in construction disputes

    Yapay zeka destekli tahkim: İnşaat uyuşmazlıklarında etkin hakem seçimi için yeni bir yaklaşım

    MOHAMMAD MOBADERSANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR BEHZAT TOKDEMİR

    DR. ALİ BEDİİ CANDAŞ

  5. Tez No

    968742

    Designing a microcontroller-based system for agricultural data monitoring

    Tarımsal verilerin takibi amaçlı mikrodenetleyici tabanlı sistem tasarımı

    GÖKTAN KIRAĞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MAHMUT TENRUH

Geri Dön