Resumo

Esta atividade teve como objetivo analisar bases de dados do Anuário Estatístico de Acidentes do Trabalho, sendo divulgada pelo Ministério da Previdência Social e o Ministério do Trabalho e Emprego. A metodologia utilizada consistiu de uma análise das taxas de acidentes e doenças ocupacionais (variáveis quantitativas) em relação aos anos de 2018 e 2019 (variáveis qualitativas) por meio de tabelas das médias e desvio padrão, teste de hipótese e boxplot para saber se houve um crescimento das taxa entre os anos.

1. Introdução

Acidente de trabalho é definido segundo a Associação Brasileira de Normas Técnicas (ABNT) , como ocorrência imprevista e indesejável, instantânea ou não, relacionada com o exercício do trabalho, de que resulte ou possa resultar em lesão corporal. Sendo assim, toda ocupação tem risco de diferentes proporções, que podem colocar em risco a vida ou afastamento total de suas ocupações. Levando em consideração que há riscos de acidentes nos trabalhos, faz-se necessário criar medidas que atendam a duas vertentes do acidente de trabalho, a primeira de caráter jurídico-institucional e a segunda técnico-científico. A primeira vertente fundamenta-se no risco social em que os trabalhadores estão expostos e defende que o seguro de acidente de trabalho seja uma garantia. A segunda vertente foi desenvolvida pela engenharia de segurança, apresenta um caráter técnico-científico para mitigar os riscos dos acidentes e é a base para a teoria do risco profissional, segundo a qual o empregador deve se responsabilizar pelo pagamento de indenização em caso de acidente ou contraia alguma enfermidade no local de trabalho. Segundo Machado e Gomes (1999), as causas dos acidentes são classificadas em duas categorias, as de fatores pessoais e as de condições do ambiente de trabalho, a primeira é atribuída ao trabalhador e a última é atribuída à responsabilidade ao empregador. Diante do exposto, pode-se afirmar que a construção civil está repleta de processos construtivos que colocam os colaboradores em risco de acidentes. Levando em consideração que apesar de muitas tecnologias desenvolvidas na área, muitos processos ainda são realizados manualmente, o que a torna muito arcaica em relação aos dias atuais. Os acidentes e as doenças do trabalho causam um grande impacto sobre a produtividade de forma geral e na economia, além de transtornos e dificuldades pessoais para as pessoas envolvidas nos mesmos. No entanto, os acidentes de trabalho podem ser evitados, quando existe a participação dos trabalhadores e empregadores por meio da equipe de profissionais da segurança do trabalho. É de suma importância um ambiente laboral sadio, que assegure condições mínimas para o devido exercício da função, garantindo ao trabalhador saúde física e mental para que o mesmo possa ter uma boa qualidade de vida e saúde e assim ser mais produtivo, trazendo benefícios para todos os envolvidos na atividade. Acidentes de trabalho são uma das principais causas de afastamento de trabalhadores do campo produtivo e um importante problema de saúde pública no Brasil e no mundo (SANTANA et al., 2003).

2. Objetivos

O objetivo do estudo desenvolvido foi comparar taxas relacionadadas a acidentes de trabalho e doenças ocupacionais entre os anos de 2018 e 2019, sendo possível através das mesmas analisar se houve um aumento no campo dos acidentes e das doenças.

3. Metodologia

Para este projeto, foram utilizadas 3 bases dados do Anuário Estatístico de Acidentes do Trabalho (AEAT), nela contém informações sobre as taxas de acidentes de trabalho e doenças ocupacionais dos anos de 2018 e 2019 e tal base é divulgada pelo Ministério da Previdência Social e o Ministério do Trabalho e Emprego.Então para iniciar, foi realizada a importação do banco de dados para o RStudio. Em seguida, as variáveis da primeira base (AcidCNAE) foram renomeadas e como foram importadas mais de uma base, foi necessário unir todas através de filtros, antes de começar os testes e análises. Logo abaixo, está disponibilizada a tabela final com todos os dados filtrados.

Bases de dados

# Carregando as bases de dados
library(readxl)
AcidCNAE <- read_excel("AcidCNAE.xlsx", 
                       col_types = c("text", "skip", "numeric", 
                                     "numeric", "numeric", "numeric", 
                                     "numeric", "numeric", "numeric"))
library(readxl)
Dicionario_AcidentesCNAE <- read_excel("Dicionario-AcidentesCNAE.xlsx")

library(readxl)
CNAE_atividade_economica <- read_excel("CNAE-atividade_economica.xlsx")

library(readxl)
Dados_2018 <- read_excel("Dados_2018.xlsx", skip = 5)

library(readxl)
Dados_2019 <- read_excel("Dados_2019.xlsx", skip = 5)

Renomeando variáveis

names(AcidCNAE)

## [1] "CNAE"                      "Incidencia \r\n"          
## [3] "Doenca_Ocupacional"        "\r\nAcidentes_Típicos"    
## [5] "Incapacidade\r\n"          "Mortalidade"              
## [7] "Letalidade"                "Acidentalidade_16-34 anos"

colnames(AcidCNAE) <- c("CNAE","Incidencia","Doenca_Ocupacional",
                  "Acidentes_tipicos","Incapacidade","Mortalidade","Letalidade",
                                "Acidentes_16_a_34anos")

names(AcidCNAE)

## [1] "CNAE"                  "Incidencia"            "Doenca_Ocupacional"   
## [4] "Acidentes_tipicos"     "Incapacidade"          "Mortalidade"          
## [7] "Letalidade"            "Acidentes_16_a_34anos"

União dos dados

colnames(Dados_2018)[1] <- "CNAE"
colnames(Dados_2018)[1]

## [1] "CNAE"

library(dplyr)

AcidCNAE_com_Dados_2018<- AcidCNAE %>% left_join(Dados_2018)
colnames(AcidCNAE_com_Dados_2018)<-c("CNAE","Artesanal_Industrial","Incidencia","Doenca_Ocupacional","Acidentes_tipicos","Incapacidade","Mortalidade","Letalidade","Acidentes_16_a_34anos",                               "Incidencia_18","Doencas_Ocupacionais_18","Acidentes_tipicos_18","Incapacidade_Temporaria_18","Taxa_Mortalidade_18","Taxa_Letalidade_18","Acidentes_entre_16_34_anos_18")



AcidCNAE_com_Dados_2018$Doencas_Ocupacionais_18<-gsub("-",NA,AcidCNAE_com_Dados_2018$Doencas_Ocupacionais_18)
AcidCNAE_com_Dados_2018$Doencas_Ocupacionais_18<-as.numeric(AcidCNAE_com_Dados_2018$Doencas_Ocupacionais_18)
summary(AcidCNAE_com_Dados_2018$Doencas_Ocupacionais_18)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    2.05    6.48   13.59   13.21   16.78   55.23      31

AcidCNAE_com_Dados_2018$Taxa_Mortalidade_18 <-gsub("-",NA,AcidCNAE_com_Dados_2018$Taxa_Mortalidade_18)
AcidCNAE_com_Dados_2018$Taxa_Mortalidade_18<-as.numeric(AcidCNAE_com_Dados_2018$Taxa_Mortalidade_18)
summary(AcidCNAE_com_Dados_2018$Taxa_Mortalidade_18)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   1.490   4.150   6.400   8.839  11.410  32.790      41

AcidCNAE_com_Dados_2018$Taxa_Letalidade_18 <-gsub("-",NA,AcidCNAE_com_Dados_2018$Taxa_Letalidade_18)
AcidCNAE_com_Dados_2018$Taxa_Letalidade_18<-as.numeric(AcidCNAE_com_Dados_2018$Taxa_Letalidade_18)
summary(AcidCNAE_com_Dados_2018$Taxa_Letalidade_18)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   29.03   41.96   50.41   48.16   54.17   60.08      31

colnames(Dados_2019)[1] <- "CNAE"
colnames(Dados_2019)[1]

## [1] "CNAE"

AcidCNAE_com_Dados_2019<- AcidCNAE %>% left_join(Dados_2019)

colnames(AcidCNAE_com_Dados_2019)<-c("CNAE","Artesanal_Industrial","Incidencia","Doenca_Ocupacional","Acidentes_tipicos","Incapacidade","Mortalidade","Letalidade","Acidentes_16_a_34anos","Incidencia_19","Doencas_Ocupacionais_19","Acidentes_tipicos_19","Incapacidade_Temporaria_19","Taxa_Mortalidade_19","Taxa_Letalidade_19","Acidentes_entre_16_34_anos_19")

AcidCNAE_com_Dados_2019$Doencas_Ocupacionais_19<-gsub("-",NA,AcidCNAE_com_Dados_2019$Doencas_Ocupacionais_19)
AcidCNAE_com_Dados_2019Doencas_Ocupacionais_19<-as.numeric(AcidCNAE_com_Dados_2019$Doencas_Ocupacionais_19)
summary(AcidCNAE_com_Dados_2019$Doencas_Ocupacionais_19)

##    Length     Class      Mode 
##        76 character character

AcidCNAE_com_Dados_2019$Taxa_Mortalidade_19 <-gsub("-",NA,AcidCNAE_com_Dados_2019$Taxa_Mortalidade_19)
AcidCNAE_com_Dados_2019$Taxa_Mortalidade_19<-as.numeric(AcidCNAE_com_Dados_2019$Taxa_Mortalidade_19)
summary(AcidCNAE_com_Dados_2019$Taxa_Mortalidade_19)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    1.16    2.63    5.31   14.60   10.81  197.25      42

AcidCNAE_com_Dados_2019$Taxa_Letalidade_19 <-gsub("-",NA,AcidCNAE_com_Dados_2019$Taxa_Letalidade_19)
AcidCNAE_com_Dados_2019$Taxa_Letalidade_19<-as.numeric(AcidCNAE_com_Dados_2019$Taxa_Letalidade_19)
summary(AcidCNAE_com_Dados_2019$Taxa_Letalidade_19)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   29.52   40.52   48.94   48.06   55.81   62.84      31

nomes <- c("CNAE", "Incidencia","Doencas_Ocupacionais","Acidentes_tipicos", "Incapacidade_Temporaria","Taxa_Mortalidade","Taxa_Letalidade","Acidentes_entre_16_34_anos")

colnames(Dados_2018) <-nomes
colnames(Dados_2019) <-nomes

Dados_2018$ano <- 2018
Dados_2019$ano <- 2019

dados_por_ano<- bind_rows(Dados_2018,Dados_2019)

dados_por_ano<- dados_por_ano %>% filter(CNAE!="TOTAL")
  
library(kableExtra)
kable(dados_por_ano, row.names = FALSE)%>%
  kable_styling( full_width = T,bootstrap_options = c("striped", "hover", "condensed", "responsive"), 
                 position = "center", fixed_thead = T) %>%
  scroll_box(width = "900px", height = "600px")

CNAE	Incidencia	Doencas_Ocupacionais	Acidentes_tipicos	Incapacidade_Temporaria	Taxa_Mortalidade	Taxa_Letalidade	Acidentes_entre_16_34_anos	ano
0111	5.46	0.04	4.82	5.40	6.11	11.19	38.93	2018
0112	11.37		10.04	11.06	23.36	20.55	54.79	2018
0113	15.51	0.07	13.13	13.37	13.70	8.84	39.81	2018
0114	11.07		7.12	10.28			39.29	2018
0115	10.95	0.02	9.34	10.68	9.09	8.30	49.10	2018
0116	3.45	0.07	2.59	3.38			39.58	2018
0119	8.35	0.10	6.79	7.35	6.17	7.39	51.97	2018
0121	6.14	0.03	4.20	5.88	19.70	32.09	49.20	2018
0122	4.89	0.06	3.70	4.67	5.69	11.63	54.65	2018
0131	14.74	0.09	12.94	12.31	7.41	5.03	45.60	2018
0132	25.76	0.08	21.57	24.80	35.89	13.93	38.54	2018
0133	11.72	0.13	9.13	10.60	6.26	5.34	54.17	2018
0134	5.04	0.01	4.48	4.87	4.08	8.10	44.13	2018
0135	4.26	0.13	3.38	4.01			52.94	2018
0139	21.14		17.64	14.22	37.53	17.75	58.58	2018
0141	114.01	1.00	100.61	110.78	122.29	10.73	40.32	2018
0142	13.26		10.23	12.56			47.37	2018
0151	4.73	0.04	4.16	4.41	5.55	11.73	41.58	2018
0152	5.93		5.42	5.68			36.96	2018
0153	3.86		3.38	3.86			37.50	2018
0154	10.60	0.33	8.34	9.97	3.71	3.50	46.15	2018
0155	12.23	0.07	9.24	10.69	6.18	5.05	51.26	2018
0159	2.92		2.05	2.92			55.00	2018
0161	8.15	0.08	6.72	6.88	10.19	12.50	41.96	2018
0162	7.98	0.03	6.48	7.74	5.97	7.49	46.07	2018
0163	10.14		6.52	8.83	10.04	9.90	62.38	2018
0210	17.73	0.15	14.14	15.23	13.17	7.43	44.94	2018
0220	8.76	0.14	5.88	8.90	28.71	32.79	36.07	2018
0230	18.77	0.21	14.64	13.07	12.05	6.42	46.55	2018
0311	4.41	0.14	2.85	3.98			29.03	2018
0312	1.70		1.70	1.70				2018
0321	11.88		9.22	11.41	15.63	13.16	43.42	2018
0322	16.50		14.26	15.86	32.03	19.42	51.46	2018
0500	48.74	0.55	38.61	43.27	27.38	5.62	43.82	2018
0600	20.56	0.54	16.22	7.42	4.47	2.17	32.83	2018
0710	12.74	0.55	8.93	5.51	8.16	6.40	45.12	2018
0721	11.63		9.36	6.07			34.78	2018
0722	25.97		21.25	13.38			36.36	2018
0723	14.27	0.79	7.93	9.51			33.33	2018
0724	23.25	0.86	18.45	10.87	28.61	12.31	53.54	2018
0725	19.20		15.36	11.52			10.00	2018
0729	19.85	0.09	14.57	7.28	18.21	9.17	50.46	2018
0810	19.55	0.24	15.01	18.41	27.20	13.91	37.04	2018
0891	18.23	0.38	14.05	15.00	18.99	10.42	40.63	2018
0892	22.43		14.58	21.31			49.00	2018
0893	30.58	1.80	24.29	23.39			35.29	2018
0899	14.60	0.58	12.05	11.59	11.59	7.94	37.30	2018
0910	23.90	1.24	18.72	6.61	4.59	1.92	38.20	2018
0990	10.88	0.40	7.25	8.86			40.74	2018
1011	67.78	1.45	55.23	37.66	15.95	2.35	60.08	2018
1012	40.17	2.11	30.63	22.81	6.00	1.49	59.70	2018
1013	35.59	0.53	28.10	24.70	6.26	1.76	50.81	2018
1020	24.01	0.15	15.49	22.97	4.95	2.06	53.20	2018
1031	13.31	0.08	9.09	12.07	8.27	6.21	53.11	2018
1032	20.06	0.11	16.11	18.74	10.96	5.46	52.46	2018
1033	20.18	0.15	14.78	16.82	15.29	7.58	51.77	2018
1041	34.85	0.09	23.53	28.63			51.54	2018
1042	19.14	0.12	12.99	14.62	11.60	6.06	56.97	2018
1043	36.42		22.90	22.90			47.42	2018
1051	20.57		15.59	18.91			56.49	2018
1052	23.24	0.23	16.78	19.38	14.02	6.03	55.26	2018
1053	10.40	0.17	6.67	9.78	4.14	3.98	58.17	2018
1061	20.32	0.23	13.59	20.04	46.71	22.99	46.90	2018
1062	26.10	0.38	18.66	23.81	11.27	4.32	53.09	2018
1063	25.69	0.50	18.95	25.44	49.88	19.42	47.57	2018
1064	12.38	0.36	7.33	11.66			46.60	2018
1065	24.38		18.64	16.73			57.84	2018
1066	24.86	0.16	18.66	21.71	17.23	6.93	54.68	2018
1069	28.99	0.10	21.74	26.64			53.45	2018
1071	25.24	0.12	21.19	17.47	8.70	3.45	47.16	2018
1072	31.44	0.22	26.82	30.78			34.27	2018
1081	12.84	0.18	7.50	11.88	6.00	4.67	56.54	2018
1082	47.55		38.98	41.98			42.34	2018
1091	9.93	0.19	6.26	9.50	2.60	2.62	56.24	2018
1092	16.61	0.39	10.60	13.58			50.41	2018
1093	23.41	0.65	17.19	17.44	12.43	5.31	53.65	2018
0111	6.89	0.09	5.96	6.83	15.03	21.82	36.55	2019
0112	13.03		11.96	11.73			59.06	2019
0113	15.77	0.07	13.48	13.51	5.26	3.34	40.52	2019
0114	11.20		7.62	10.31	44.80	40.00	44.00	2019
0115	11.77	0.09	10.17	11.41	18.00	15.29	47.03	2019
0116	2.15		1.57	2.15			38.46	2019
0119	8.16	0.02	6.50	7.78	2.10	2.58	42.78	2019
0121	7.96	0.16	5.92	7.80	23.03	28.93	58.68	2019
0122	6.26	0.06	5.46	5.57			48.62	2019
0131	16.56	0.11	14.64	13.96	8.89	5.37	42.53	2019
0132	25.76	0.04	22.22	24.72	19.19	7.45	44.41	2019
0133	10.84	0.01	8.98	9.75	1.25	1.16	52.95	2019
0134	4.89		4.38	4.76			36.53	2019
0135	5.19		3.99	5.19			25.64	2019
0139	21.32	0.09	17.92	13.20	4.41	2.07	57.97	2019
0141	120.01	1.07	108.39	117.66	214.21	17.85	38.46	2019
0142	19.10	0.67	14.83	17.76	22.48	11.76	44.71	2019
0151	4.62	0.03	4.04	4.39	3.36	7.26	45.76	2019
0152	5.82		4.43	5.57			39.13	2019
0153	4.03		3.53	4.03			37.50	2019
0154	10.52	0.29	8.31	9.31	3.68	3.50	46.50	2019
0155	12.29	0.25	9.34	9.75	5.05	4.11	49.34	2019
0159	3.55		2.84	3.27			52.00	2019
0161	9.28	0.08	7.74	7.54	5.76	6.21	41.30	2019
0162	7.26	0.13	6.00	6.98	9.52	13.10	43.23	2019
0163	13.66		9.17	12.75	9.17	6.71	52.35	2019
0210	15.38	0.06	12.34	13.49	13.78	8.96	45.42	2019
0220	11.99	0.14	8.81	11.41	72.20	60.24	34.94	2019
0230	15.74	0.20	12.31	10.88	14.63	9.29	49.07	2019
0311	6.09		3.48	5.80			38.10	2019
0312	1.77		1.77	1.77				2019
0321	15.36		9.75	15.07			48.08	2019
0322	11.59		8.30	11.28	31.33	27.03	56.76	2019
0500	51.18	0.29	39.71	47.36	29.42	5.75	40.80	2019
0600	22.15	0.27	17.21	8.10	4.45	2.01	29.52	2019
0710	20.12	1.82	15.12	10.30	396.78	197.25	36.41	2019
0721	7.62		6.64	3.20			51.61	2019
0722	17.26		14.26	10.50			43.48	2019
0723	9.94		8.77	5.84	58.45	58.82	29.41	2019
0724	16.60	0.26	13.68	8.63	25.94	15.63	54.30	2019
0725	37.27		28.99	20.71			33.33	2019
0729	20.26	0.69	13.91	9.36	8.58	4.24	43.22	2019
0810	20.82	0.22	16.95	19.64	23.56	11.32	35.17	2019
0891	22.88		18.63	19.19	18.45	8.06	50.81	2019
0892	25.48		19.33	23.50	21.97	8.62	38.79	2019
0893	28.09		21.28	22.13			45.45	2019
0899	16.09	0.46	13.19	14.12	11.57	7.19	38.85	2019
0910	17.87	0.32	14.58	5.16			36.57	2019
0990	15.94		10.76	12.75			57.50	2019
1011	59.54	1.00	48.79	33.86	10.80	1.81	59.26	2019
1012	40.84	1.77	30.94	21.46	6.55	1.60	59.07	2019
1013	38.56	0.39	30.84	25.34	15.03	3.90	53.53	2019
1020	25.65	0.50	17.45	23.82			54.35	2019
1031	14.10	0.16	9.76	12.83	7.97	5.65	56.78	2019
1032	19.85	0.11	15.35	17.38			60.54	2019
1033	23.34	0.10	17.84	18.56	15.42	6.61	54.41	2019
1041	33.05	0.04	24.97	28.45	32.33	9.78	48.90	2019
1042	19.80		14.53	15.10			45.66	2019
1043	32.23		19.95	23.40	38.36	11.90	51.19	2019
1051	22.57	0.07	17.18	20.73	6.82	3.02	57.40	2019
1052	22.69	0.31	16.61	18.68	9.84	4.34	55.86	2019
1053	10.44	0.12	7.04	9.32			62.84	2019
1061	20.12		14.28	19.57	13.82	6.86	44.85	2019
1062	23.72	0.15	17.12	21.60	3.86	1.63	48.94	2019
1063	21.03	0.24	17.12	20.30	48.92	23.26	51.16	2019
1064	10.52	0.12	6.48	9.90	12.23	11.63	48.84	2019
1065	26.56		20.36	20.71	23.40	8.81	57.27	2019
1066	25.74	0.22	19.68	21.99	11.82	4.59	50.85	2019
1069	31.29		25.15	28.37	9.90	3.16	52.06	2019
1071	22.28	0.33	18.10	15.52	11.08	4.97	45.38	2019
1072	28.25		23.11	26.96	42.80	15.15	45.45	2019
1081	12.29	0.11	6.57	11.43	22.86	18.60	55.81	2019
1082	59.27		46.01	52.64			53.85	2019
1091	10.31	0.15	7.23	9.67	2.58	2.50	56.46	2019
1092	15.70	0.32	10.13	12.73	2.28	1.45	49.27	2019
1093	21.00	0.31	15.38	17.07	3.12	1.49	48.74	2019

library(DT)
DT::datatable(Dicionario_AcidentesCNAE, rownames = FALSE, colnames = FALSE)

Show entries

Search:

	FALSE
CNAE	Classificação Nacional de Atividades Econômicas
Artesanal-Industrial	Dentre os CNAEs apresentados esta variável qualitativa identifica se a atividade é do tipo Artesanal(Rural e/ou Artesanal) ou Industrial (Industria ou Serviço)
Incidencia	Quantas vezes aquele CNAE é tipificado como incidente
Doenca_Ocupacional	Identifica a quantidade de casos de doença ocupacional identificado para aquele CNAE
Acidentes_Típicos	Identifica a quantidade de casos de Acidentes Típicos relacionados para aquele CNAE
Incapacidade	Identifica a quantidade de Acidentes Incapacitantes relacionados para aquele CNAE
Mortalidade	Identifica a quantidade de Acidentes Fatais relacionados para aquele CNAE
Letalidade	Identifica as circunstancias de letalidade associaveis àquele CNAE
Acidentes-16-34-anos	Identifica os acidentes associaveis àquela faixa de 16-34 anos para cada CNAE

Showing 1 to 9 of 9 entries

Previous1Next

library(DT)
DT::datatable(CNAE_atividade_economica, rownames = FALSE, colnames = FALSE)

Show entries

Search:

	FALSE
0111	Cultivo de cereais
0113	Cultivo de cana de açúcar
0116	Cultivo de oleaginosas de lavoura, exceto soja
0121	Cultivo de algodão herbáceo e de outras fibras de lavoura temporária
0122	Cultivo de flores e plantas ornamentais
0133	Cultivo de frutas de lavoura permanente, exceto laranja e uva
0134	Cultivo de café
0139	Cultivo de plantas de lavoura permanente não especificadas anteriormente
0151	Criação de bovinos
0152	Criação de outros animais de grande porte

Showing 1 to 10 of 77 entries

Previous1 2 3 4 5…8Next

remove(Dados_2018,Dados_2019,AcidCNAE)

Transformando “-” em 0

dados_por_ano$Doencas_Ocupacionais <-gsub("-",0,dados_por_ano$Doencas_Ocupacionais)
dados_por_ano$Doencas_Ocupacionais<-as.numeric(dados_por_ano$Doencas_Ocupacionais)
summary(dados_por_ano$Doencas_Ocupacionais)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  0.0000  0.0000  0.0950  0.2251  0.2525  2.1100

dados_por_ano$Taxa_Mortalidade <-gsub("-",0,dados_por_ano$Taxa_Mortalidade)
dados_por_ano$Taxa_Mortalidade<-as.numeric(dados_por_ano$Taxa_Mortalidade)
summary(dados_por_ano$Taxa_Mortalidade)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    0.00    6.26   15.40   15.47  396.78

dados_por_ano$Taxa_Letalidade <-gsub("-",0,dados_por_ano$Taxa_Letalidade)
dados_por_ano$Taxa_Letalidade<-as.numeric(dados_por_ano$Taxa_Letalidade)
summary(dados_por_ano$Taxa_Letalidade)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   0.000   4.465   8.213   9.200 197.250

dados_por_ano$Acidentes_entre_16_34_anos <-gsub("-",0,dados_por_ano$Acidentes_entre_16_34_anos)
dados_por_ano$Acidentes_entre_16_34_anos<-as.numeric(dados_por_ano$Acidentes_entre_16_34_anos)
summary(dados_por_ano$Acidentes_entre_16_34_anos)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   40.19   47.27   46.24   53.47   62.84

Teste de hipótese

Quando os pressupostos (normalidade ou homogêneidade de variâncias) são violados, é comum procurar um método não-paramétrico (DUTT-ROSS,2020). Desta forma, o teste de hipótese escolhido foi o de Wilcoxon, também conhecido como teste de Mann-Whitney, sendo possível a sua realização, pois as variáveis quantitativas são dependentes e a variável qualitativa escolhida foi o ano, pois ela é independente e está disposta em dois grupos, ou seja, dois anos diferentes. Para o teste foi adotado o valor de alpha=0,05 e apresentado as seguintes hipóteses:

H0: os dois anos possuem distribuições idênticas.

H1: os dois anos possuem distribuições diferentes.

A regra de decisão também foi definida como:

Se p-valor ≤ alpha, rejeita H0.

Se p-valor > alpha, não rejeita H0.

4. Resultados e Discussões

Teste de Wilcoxon (Mann-Whitney)

Observou-se por meio do teste de Wilcoxon que todas as variáveis quantitativas analisadas apresentaram o p-valor maior do que o nível de significância de 0,05, logo deixa de rejeitar a hipótese nula e conclui-se que os dois anos possuem distribuições iguais.

teste<-wilcox.test(Incidencia~ano,data = dados_por_ano)
teste

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Incidencia by ano
## W = 2846.5, p-value = 0.8799
## alternative hypothesis: true location shift is not equal to 0

teste2 <- wilcox.test(Doencas_Ocupacionais~ano,data = dados_por_ano)
teste2

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Doencas_Ocupacionais by ano
## W = 3279, p-value = 0.144
## alternative hypothesis: true location shift is not equal to 0

teste3 <- wilcox.test(Acidentes_tipicos~ano,data = dados_por_ano)
teste3

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Acidentes_tipicos by ano
## W = 2807.5, p-value = 0.7681
## alternative hypothesis: true location shift is not equal to 0

teste4 <- wilcox.test(Incapacidade_Temporaria~ano,data = dados_por_ano)
teste4

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Incapacidade_Temporaria by ano
## W = 2812, p-value = 0.7808
## alternative hypothesis: true location shift is not equal to 0

teste5 <- wilcox.test(Taxa_Mortalidade~ano,data = dados_por_ano)
teste5

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Taxa_Mortalidade by ano
## W = 2677, p-value = 0.431
## alternative hypothesis: true location shift is not equal to 0

teste6 <- wilcox.test(Taxa_Letalidade~ano,data = dados_por_ano)
teste6

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Taxa_Letalidade by ano
## W = 2816, p-value = 0.7891
## alternative hypothesis: true location shift is not equal to 0

teste7 <- wilcox.test(Acidentes_entre_16_34_anos~ano,data = dados_por_ano)
teste7

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  Acidentes_entre_16_34_anos by ano
## W = 2845, p-value = 0.8756
## alternative hypothesis: true location shift is not equal to 0

Média e desvio padrão

Outra forma de avaliar cada variável foi através das suas médias e desvios padrão dos anos de 2018 e 2019. A respeito da Incidência, Acidentes típicos, Incapacidade Temporária,Mortalidade e Letalidade foram comprovados que entre um ano e outro houve uns acréscimos. Porém na taxa de Doenças Ocupacionais teve um decréscimo e para os acidentes na faixa de 16 a 34 anos houve um aumento da média e o desvio padrão decresceu.

library(flextable)

# Incidência
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Incidencia),desvio_padrao=sd(Incidencia))%>%
  flextable()

# Doenças Ocupacionais
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Doencas_Ocupacionais),desvio_padrao=sd(Doencas_Ocupacionais))%>%
  flextable()

# Acidentes Típicos
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Acidentes_tipicos),desvio_padrao=sd(Acidentes_tipicos))%>%
  flextable()

# Incapacidade Temporária
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Incapacidade_Temporaria),desvio_padrao=sd(Incapacidade_Temporaria))%>%
  flextable()

# Mortalidade
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Taxa_Mortalidade),desvio_padrao=sd(Taxa_Mortalidade))%>%
  flextable()

# Letalidade
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Taxa_Letalidade),desvio_padrao=sd(Taxa_Letalidade))%>%
  flextable()

# Acidentes entre 16 e 34 anos
dados_por_ano %>% group_by(ano) %>%
  summarise(media=mean(Acidentes_entre_16_34_anos),
            desvio_padrao=sd(Acidentes_entre_16_34_anos))%>%
  flextable()

Boxplot

O boxplot ou diagrama de caixa é uma ferramenta gráfica que permite visualizar a distribuição e valores discrepantes (outliers) dos dados, fornecendo assim um meio complementar para desenvolver uma perspectiva sobre o caráter dos dados. Além disso, o boxplot também é uma disposição gráfica comparativa.

#Incidencia
boxplot(Incidencia~ano, data = dados_por_ano ,col = c("skyblue","tomato"),
     ylab = "Frequência", xlab = "Ano", ylim = c(0,70), 
     main="Incidência em cada ano ")

Na figura acima observamos o boxplot entre as variáveis frequência de incidentes e o ano ocorrido. Como podemos ver, ambos os gráficos apresentam informações semelhantes, com uma mediana indicando o resultado da incidência entre 10 e 20. O boxplot apresenta a presença de outliers.

#Doenças Ocupacionais
boxplot(Doencas_Ocupacionais~ano, data = dados_por_ano ,col = c("purple1","plum2"),
     ylab = "Frequência", xlab = "Ano", 
     main="Doenças Ocupacionais de cada ano ")

Análise do bloxplot evidencia que as doenças ocupacionais no ano de 2018 apresentam estatisticamente uma variabilidade de atividades maior comparado com as doenças ocupacionais ocorridas no ano de 2019.Há presença significativa de outliers.

#Acidentes típicos
boxplot(Acidentes_tipicos~ano, data = dados_por_ano ,col = c("springgreen","red"), ylim = c(0,50),
     ylab = "Frequência", xlab = "Ano", 
     main="Acidentes típicos em cada ano ")

Pode-se ver que nos anos de 2018 e 2019 apresentaram tendências semelhantes, com 2019 tendo a presença superio de outliers. Verificou-se também que a concentração no terceiro quartil de 2019 foi superior em relação ao ano de 2018.

#Incapacidade Temporária
boxplot(Incapacidade_Temporaria~ano, data = dados_por_ano ,col = c("peachpuff","palevioletred3"), ylim = c(0,60),
     ylab = "Frequência", xlab = "Ano", 
     main="Incapacidade Temporária em cada ano ")

A análise do boxplot evidencia que os dados estão mais espalhados no ano de 2019, tendo uma maior variabilidade, foi identificado também a presença de mais outliers no ano de 2018. É importante ressaltar que no quarto quartil do ano de 2018 verifica-se uma maior concentração comparado ao ano de 2019.

#Mortalidade
boxplot(Taxa_Mortalidade~ano, data = dados_por_ano ,col = c("yellow","royalblue"),ylab = "Frequência", xlab = "Ano",ylim = c(0,100),
     main="Mortalidade em cada ano ")

Com o boxplot podemos concluir, a mortalidade em 2019 apresenta maior variabilidade que a mortalidade no ano de 2018. Foi identificado uma maior concentração no segundo e terceiro quartis no ano de 2018 em relação ao ano de 2019.

#Letalidade
boxplot(Taxa_Letalidade~ano, data = dados_por_ano ,col = c("wheat","sandybrown"),ylab = "Frequência", xlab = "Ano", ylim = c(0,60),
     main="Letalidade em cada ano ")

Com o boxplot podemos concluir, a letalidade em 2019 apresenta maior variabilidade e maior presença de outliers que a letalidade no ano de 2018. Foi identificado que a mediana no ano de 2019 é um pouco menor do que a de 2018.

#Acidentes entre 16 e 34 anos
boxplot(Acidentes_entre_16_34_anos~ano, data = dados_por_ano ,col = c("rosybrown","seagreen"),ylab = "Frequência", xlab = "Ano", 
     main="Acidentes entre 16 e 34 anos em cada ano ")

Como podemos ver, ambos os gráficos apresentam informações semelhantes, com uma mediana indicando o resultado da incidência entre 40 e 50. Há menor concentração no primeiro quartil em 2019 em relação a 2018. Percebeu-se também a presença de outliers em todas os boxplots, dados estes que apresentam um alto desvio padrão e podem influenciar consideravelmente as interpretações de outros valores.

5. Conclusão

A partir dos resultados dos cálculos das médias e desvios padrão, pode-se concluir que na maioria das variáveis houve um aumento do ano de 2018 para 2019, entretanto nos testes de Wilcoxon foi visto que a hipótese nula não foi rejeitada, onde considera-se que os dois analisados possuem distribuições iguais. Através dos boxplots gerados, nota-se que tanto em 2018, como em 2019 tem a presença de dados que se diferenciam drasticamente de todos os outros, chamados também de outliers. Os gráficos do tipo Boxplot, o teste de hipótese e as tabelas de média e desvio padrão das variáveis de interesse aumenta a capacidade de compreensão do estudo e dos dados, pois eles são formas de visualização de dados e fornece as informações necessárias.

Referências Bibliográficas

ABNT (Associação Brasileira de Normas Técnicas), 2001. Cadastro de acidente do trabalho: procedimento e classificação, NBR 14280. Rio de Janeiro.

Anuário Estatístico de Acidentes do Trabalho. Disponível em: https://www.gov.br/previdencia/pt-br/assuntos/previdencia-social/saude-e-seguranca-do-trabalhador/dados-de-acidentes-do-trabalho. Acesso em: 04 ago 2021

Manual de Análise de Dados. Disponível em: https://livro.metodosquantitativos.com/docs/. Acesso em : 11 ago 2021.

Tribunal Superior de Justiça: Entenda os números. Disponível em: https://www.tst.jus.br/web/trabalhoseguro/entenda-os-numeros. Acesso em: 05 ago 2021.

ANÁLISE ESTATÍSTICA DE ACIDENTES DE TRABALHO E DOENÇAS OCUPACIONAIS

Aline Frossard dos Santos - Diovanna Lara Lucas

16/08/2021