Blootstellingsprofiel en ongevalsfrequentie

6.1 Inleiding

Om slachtoffer te worden van een arbeidsongeval moet een werkende eerst blootgesteld zijn aan risico’s. Blootstelling is derhalve een noodzakelijke voorwaarde. Echter, het ligt voor de hand te veronderstellen dat de mate van blootstelling sterk is gecorreleerd met de ongevalsfrequentie. Mensen die weinig of kort blootstaan krijgen gemiddeld minder ongevallen dan mensen die vaak en langdurig risico lopen. In dit hoofdstuk wordt deze voor de hand liggende relatie gemodelleerd met behulp van een count data regressiemodel. De

onderzoeksvragen die daarbij centraal staan zijn: welke rol speelt blootstelling bij arbeidsongevallen en hoe kan die rol worden gekwantificeerd? Kan aan de hand van die gekwantificeerde relatie iets gezegd worden over doelgroepen, beroepen, sectoren en leeftijdscategorieën?

Het hoofdstuk is als volgt gestructureerd. In paragraaf 6.2 wordt het

regressiemodel beschreven. De keuze voor dat model komt voort uit een aantal essentiële kenmerken van ongevallen en de relatie met blootstelling. Ten eerste zijn ongevallen zeldzame en extreem scheef verdeelde gebeurtenissen, die vragen om een speciale econometrische benadering. Ten tweede moet recht worden gedaan aan het feit dat langdurige blootstelling niet per definitie tot een ongeval leidt. Met andere woorden: blootstelling is wel een noodzakelijke voorwaarde, maar geen voldoende voorwaarde voor ongeval. Aan de hand van het model wordt de ‘gevarenzone’ geïntroduceerd. Daar is de blootstelling dermate hoog (langdurig, veel risico’s en gelijktijdige blootstelling) dat een positieve kans op een ongeval bestaat. Buiten de gevarenzone is die kans nihil. In paragraaf 6.3 wordt de gevarenzone grafisch in beeld gebracht voor diverse doelgroepen, beroepen en sectoren. Vervolgens komt in paragraaf 6.4 de blootstellingselasticiteit van arbeidsveiligheid aan de orde. Hier staat de vraag centraal hoe gevoelig de arbeidsveiligheid is voor marginale veranderingen in de diverse dimensies van het blootstellingsprofiel: het aantal risicovolle situaties, de gemiddelde blootstellingsduur en de mate waarin men simultaan aan de risicovolle situaties blootstaat. Die gevoeligheid wordt uitgedrukt in een elasticiteit en die elasticiteit wordt berekend voor diverse subpopulaties. Tot besluit van dit hoofdstuk wordt in paragraaf 6.5 ingegaan op gevoeligheid van de gevarenzone wanneer de ernst van ongevallen in de analyse worden betrokken.

6.2 Blootstelling en de gevarenzone Model

Arbeidsongevallen zijn zeldzame gebeurtenissen. Bij observatie van

arbeidsongevallen in een representatieve steekproef van werkenden komt dat tot uiting in een groot aantal nul-waarnemingen. Ook in de EBA 2011 steekproef is dat het geval. Van de ruim 24 duizend personen was ruim 94 procent in het afgelopen jaar niet betrokken bij een arbeidsongeval. Van de mensen die wel een arbeidsongeval hadden, had een overgrote meerderheid precies één ongeval (4,5 procent). Ruim 1 procent was vaker dan 1 keer slachtoffer. Deze

illustratieve cijfers betreffen alle arbeidsongevallen met en zonder verzuim. Modellering van een dergelijke uitkomst kan het best geschieden aan de hand van een countdatamodel. Countdatamodellen houden in tegenstelling tot het normale kleinste kwadraten (OLS) regressiemodel rekening met het feit dat

tellingen van zeldzame gebeurtenissen een scheve distributie kennen, met veel uitkomsten dicht bij nul. Gebruik van OLS leidt dan tot onzuivere schattingen van effectcoëfficiënten. Het grote aantal nullen in combinatie met de beperkte spreiding in de positieve uitkomsten, kan de onderzoeker ertoe verleiden een probit/logit-model te hanteren, maar ook daar kleven nadelen aan. Men gooit dan de positieve waarnemingen op één hoop en zet ze af tegen de

waarnemingen zonder ongeval in de periode van beschouwing. Dit leidt enerzijds tot verlies van informatie en anderzijds blijft verborgen wat er achter een nul- waarneming schuilgaat. Er is daarom gekozen voor een benadering met een countdatamodel.

Het meest eenvoudige countdatamodel is gebaseerd op de Poissonverdeling. Het Poissonmodel is min of meer het centrale uitgangspunt in countdata-analyse. Maar de Poissonverdeling legt in de praktijk vaak te veel beperkingen op aan de gegevens. De Poissonverdeling gaat uit van een vaste verhouding tussen het gemiddelde en de spreiding (van één om precies te zijn; dit wordt equi-dispersie genoemd). In werkelijkheid wordt echter zelden aan deze eis voldaan. Meestal overtreft de spreiding het gemiddelde (over-dispersie). Bovendien wordt

regelmatig een relatief groter aantal nullen (excess zeros) waargenomen dan de verschillende countdistributies voorspellen. Om deze problemen het hoofd te bieden zijn diverse meer flexibele countdatamodellen ontwikkeld, die het Poissonmodel als speciaal geval omvatten. In de hier gepresenteerde analyse wordt gebruikgemaakt van het zero-inflated negative binomial model, kortweg ZINB10_{. Dat model veronderstelt dat aan de waargenomen nullen een}

afzonderlijk te modelleren proces ten grondslag ligt. In dat proces moet men eerst aan een bepaalde voorwaarde voldoen om één of meer ongevallen te kunnen krijgen in een jaar. Wordt aan die voorwaarde voldaan, dan wordt het aantal ongevallen door een toevalsproces gegenereerd. Wordt niet aan de voorwaarde voldaan, dan is de kans op een ongeval per definitie nihil. De nul- waarneming kan in het ZINB-model dus feitelijk op twee manieren ontstaan: 1. iemand voldoet niet aan de voorwaarde, en

2. iemand voldoet wel aan de voorwaarde maar kreeg door de omstandigheden geen ongevallen.

De eerste stap van het model – voldoen aan de ongevalsvoorwaarde – is een latent proces; dat proces wordt niet waargenomen, maar wordt verondersteld aanwezig te zijn. Voldoen aan de ongevalsvoorwaarde wil zeggen dat het individu gedurende de observatieperiode in de situatie is geweest waarin hem/haar een ongeval kon overkomen. Hij/zij was zogezegd ‘in de

gevarenzone’. Verondersteld wordt dat de waargenomen risicoblootstelling een positieve relatie vertoont met de kans om al dan niet in de gevarenzone te zitten. Figuur 6.1 geeft die relatie grafisch weer.

De basisgedachte van het model is: naarmate men vaker blootstaat (naar rechts langs de horizontale as) wordt de kans om aan de ongevalsvoorwaarde te voldoen steeds groter. Ergens is er een blootstellingsdrempel B. Onder die drempel staat het individu weliswaar bloot aan risico’s maar is hij/zij niet in de gevarenzone. De kans op een ongeval wordt daar nihil verondersteld. Boven de drempel verkeert men in de gevarenzone. Dat wil echter nog niet zeggen dat men in de periode van waarneming ook daadwerkelijk een ongeval krijgt. In de gevarenzone is er nog altijd kans om ondanks de risico’s geen ongeval te