Aree a rischio di incidenti sul lavoro? Le trova l’IA

Gli algoritmi di apprendimento automatico aiutano a individuare le aree più a rischio di incidenti mortali sul lavoro. Permettono così di indirizzare le risorse verso le zone dove il problema è più acuto. Perché è importante una prospettiva territoriale.

Un problema cronico

Le cronache di questi giorni ci ricordano come la questione della sicurezza sui luoghi di lavoro sia di primaria importanza in Italia, come ha ribadito a ottobre il Presidente della Repubblica Sergio Mattarella in occasione della 74esima Giornata per le vittime del lavoro.

Nonostante il trend positivo registrato negli ultimi decenni, i dati messi a disposizione da Inail mostrano un rallentamento nei progressi sulla sicurezza, tanto che ogni giorno, in media, nello svolgimento delle loro mansioni muoiono in Italia circa tre lavoratori. Il dibattito sul tema prosegua ininterrotto da decenni, intanto il problema delle morti bianche nel nostro paese rimane cronico.

Come individuare le aree più a rischio

Il miglioramento delle condizioni di sicurezza sul lavoro è un obiettivo ambizioso che richiede un cambiamento nei comportamenti e nell’approccio alla sicurezza dei principali attori coinvolti (imprese e lavoratori). Ma può e deve essere stimolato anche da politiche attive di contrasto e prevenzione degli incidenti occupazionali. In un contesto di scarsità di risorse, è fondamentale che queste politiche siano destinate a soggetti e settori oggettivamente prioritari e indirizzate verso territori dove risultano più necessarie ed efficaci. In un nuovo studio, abbiamo adottato una prospettiva territoriale sulla questione delle morti bianche e impiegato algoritmi di apprendimento automatico (machine learning) per mappare e individuare in anticipo le aree più a rischio di incidenti fatali. Abbiamo inoltre utilizzato l’analisi per valutare i meccanismi di allocazione e l’efficacia di due importanti politiche sulla sicurezza del lavoro: le ispezioni e i sussidi alle imprese per investimenti in questo campo.

Per quanto riguarda i dati sulla sicurezza sul lavoro, ci siamo focalizzati unicamente sugli incidenti fatali, misurati a livello di sistema locale del lavoro per il periodo 2018-2023. La scelta è legata al fatto che, per le morti sul lavoro, il rischio di mancata denuncia è minimo rispetto agli altri incidenti non fatali, i cui dati sono notoriamente meno affidabili a causa del fenomeno dell’underreporting, particolarmente forte nelle aree a maggior prevalenza di lavoro nero ed economia informale. Oltre a questi dati, abbiamo raccolto variabili socioeconomiche che descrivono la struttura industriale, il mercato del lavoro, la struttura demografica, il mercato immobiliare e la politica locale. Inoltre, per raffinare le previsioni abbiamo utilizzato variabili che descrivono la situazione precedente degli incidenti fatali, come il numero di morti avvenute sul luogo di lavoro e il numero di quelle verificatesi in itinere (nel tragitto da e per il posto di lavoro), per ogni settore industriale e per genere della vittima. Infine, abbiamo raccolto i dati sulle ispezioni effettuate dall’Ispettorato nazionale del lavoro e i sussidi che ogni territorio mette a disposizione delle imprese per gli investimenti sulla sicurezza. Una volta costruito il dataset, abbiamo sviluppato modelli in grado di prevedere, sulla base delle caratteristiche demografiche, socio-economiche e territoriali delle economie locali, il numero di morti sul lavoro in ciascuna area negli anni successivi ai dati di riferimento.

Abbiamo poi testato e verificato l’accuratezza delle nostre previsioni algoritmiche comparandola con la distribuzione geografica osservata delle morti sul lavoro per l’anno 2023. A supporto della credibilità delle previsioni, otteniamo una correlazione – ovvero un’associazione statistica – tra le morti previste e quelle osservate molto alta e pari a 0,926, e una distribuzione degli errori di previsione attorno allo zero. Le mappe riportate nella figura 1 mettono a confronto le morti previste con quelle osservate a livello di sistema locale del lavoro e dimostrano, anche visivamente, l’accuratezza delle previsioni algoritmiche.

Figura 1 – Confronto tra il numero di morti sul lavoro osservate e predette nel 2023

L’efficacia di ispezioni e sussidi per investimenti in sicurezza

Dopodiché, abbiamo utilizzato le nostre previsioni per verificare se le politiche di contrasto agli incidenti sul lavoro – nello specifico, ispezioni e sussidi alle imprese per investimenti in sicurezza – siano attualmente indirizzate verso le aree più a rischio, verificando se la loro distribuzione sul territorio è coerente con la nostra mappa del rischio. Le mappe riportate nella figura 2 evidenziano che così non è: mentre il rischio risulta maggiore nelle economie locali del Nord Italia, le ispezioni sono più concentrate al Sud e i sussidi al Centro. Questa conclusione è ulteriormente supportata da bassi coefficienti di correlazione tra rischio di incidenti fatali e i) numero di ispezioni per centomila abitanti (correlazione: +0,3730) e ii) totale di sussidi pubblici per centomila abitanti (correlazione: +0,0482). Nell’analisi principale, abbiamo utilizzato il numero di abitanti come denominatore anziché il numero di lavoratori a causa della presenza geograficamente eterogenea del lavoro informale in Italia. Utilizzando il numero di lavoratori come denominatore, la correlazione tra la mappa del rischio e le altre variabili è pari a +0,5554 per le ispezioni e a +0,1904 per i fondi pubblici.

Figura 2 – Confronto tra la mappa del rischio e quelle delle risorse pubbliche impiegate nel 2023 per migliorare la sicurezza sul lavoro

Il risultato, pur mostrando un netto disallineamento territoriale tra l’attuale dispiegamento di forze sul territorio e le zone in cui l’intervento statale sarebbe più urgente, non implica automaticamente che le attuali politiche siano inefficaci per quanto riguarda la riduzione delle morti bianche, né che indirizzare gli interventi verso aree a maggior rischio identificate dalla nostra analisi risulterebbe in un aumento della loro efficacia. A tal fine, abbiamo perciò verificato se a un aumento delle ispezioni nei luoghi di lavoro corrisponda una riduzione degli incidenti fatali usando una consolidata metodologia di valutazione controfattuale basata su tecniche di machine learning causali. Le stime ottenute suggeriscono che un aumento del numero di ispezioni porta a un calo statisticamente significativo degli incidenti fatali solo nelle aree individuate come a più alto rischio dal nostro modello algoritmico.

Questo ci permette di concludere che l’effetto deterrente delle ispezioni sulle morti nei luoghi di lavoro è particolarmente efficace nelle aree che, in base alla nostra analisi, sono classificate come ad alto rischio per la sicurezza sul lavoro. Le implicazioni dello studio sono importanti: in primo luogo, l’analisi sviluppata dimostra accuratezza di previsione e può essere utilizzata dal decisore politico per bilanciare vincoli finanziari e necessità di azione, indirizzando le risorse verso le aree dove il problema delle morti sul lavoro è particolarmente urgente. In secondo luogo, lo studio dimostra l’utilità di adottare – nel disegno di interventi pubblici per migliorare la sicurezza sul lavoro – un approccio che coniughi l’utilizzo di tecnologie di intelligenza artificiale con una prospettiva territoriale, seguendo criteri place-based imperniati sulle caratteristiche eterogenee delle economie locali italiane.

Augusto Cerqua

Docente e ricercatore in Statistica Economica presso il Dipartimento di Scienze Sociali ed Economiche dell’Università La Sapienza di Roma. Ha lavorato su questioni come l’impatto delle politiche industriali e regionali e lo sviluppo di metodi di valutazione controfattuale. Su questi temi ha pubblicato numerosi articoli su riviste scientifiche nazionali e internazionali.

Costanza Giannantoni

Ricercatrice postdoc in Public Economics presso il Dipartimento di Scienze Sociali ed Economiche dell’Università La Sapienza di Roma. I suoi principali interessi di ricerca riguardano l’economia pubblica e lo sviluppo economico locale, con particolare attenzione a come governi e burocrazie locali contribuiscono a diversi modelli di sviluppo.

Marco Letta

Docente e ricercatore in Politica Economica presso il Dipartimento di Scienze Sociali ed Economiche dell’Università La Sapienza di Roma. Si occupa soprattutto di sviluppo economico, econometria applicata e valutazione controfattuale delle politiche pubbliche. Su questi temi ha pubblicato numerosi articoli su riviste scientifiche nazionali e internazionali.

Gabriele Pinto

Data scientist ed economista. Gabriele Pinto è Post-Doc presso il Dipartimento di Scienze Sociali ed Economiche della Sapienza Università di Roma. Ha svolto servizi di consulenza e analisi economica per organizzazioni e think-tank internazionali. I suoi temi di ricerca riguardano la political economy ed in particolare il comportamento di elettori e politici. Scrive saltuariamente sulle sue passioni: la politica, il calcio e i dati.