一种用于安全氛围分析的可解释聚类方法：考察驾驶员在安全氛围感知上的群体差异
机器学习
2023-11-01 v1
摘要
交通运输行业，尤其是卡车运输部门，易发生工伤事故与死亡。涉及大型卡车的事故在总体交通死亡中占相当比例。认识到安全氛围在事故预防中的关键作用，研究者力求理解其影响因素并衡量其在组织内的影响。尽管现有的数据驱动安全氛围研究已取得显著进展，但基于员工安全氛围感知进行聚类仍是创新性的，且未在研究中广泛采用。基于安全氛围感知识别驾驶员聚类可使组织刻画其劳动力画像并设计更具影响力的干预措施。聚类方法未被充分利用可能是由于难以解释或说明影响员工聚类归属的因素。此外，现有安全相关研究未比较多种聚类算法，导致潜在偏差。为解决这些问题，本研究引入一种用于安全氛围分析的可解释聚类方法。本研究比较了 5 种基于卡车驾驶员安全氛围感知的聚类算法。提出了一种定量评估偏依赖图(QPDP)的新方法。为更好地解释聚类结果，本研究引入了不同的可解释机器学习度量(SHAP、PFI 与 QPDP)。基于从 7000 多名美国卡车驾驶员收集的数据，本研究对科学文献作出了显著贡献。它突出了监管关怀促进在区分不同驾驶员群体中的关键作用。Python 代码见 https://github.com/NUS-DBE/truck-driver-safety-climate。
引用
@article{arxiv.2310.19841,
title = {An interpretable clustering approach to safety climate analysis: examining driver group distinction in safety climate perceptions},
author = {Kailai Sun and Tianxiang Lan and Yang Miang Goh and Sufiana Safiena and Yueng-Hsiang Huang and Bailey Lytle and Yimin He},
journal= {arXiv preprint arXiv:2310.19841},
year = {2023}
}
备注
Submitted to Journal:Accident Analysis and Prevention