SavedAdd your journal

Journals / OHS ACADEMY / 2026 / Cilt: 9 Sayı: 1

Identification of Critical Layers in Machinery-Related Accidents Based on Turkish Supreme Court Decisions: THERP Integration

Yargıtay Kararlarına Dayalı İş Makineleri Kaynaklı Kazalarda Kritik Katmanların Belirlenmesi: THERP Entegrasyonu

Sedat Şeker(İSTANBUL MEDENİYET ÜNİVERSİTESİ)0009-0003-8277-7103
Alpaslan Kuzucuoğlu(İSTANBUL MEDENİYET ÜNİVERSİTESİ)
Pages
77–93
Publication Date
2026-06-29
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Based on these findings, a layered risk assessment framework was developed to enable the proactive prevention of occupational accidents.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Occupational accidents in Turkey vary across sectors and causes, exhibiting a wide distribution.
📊
Key Findings & Data:This approach enables the identification of latent system vulnerabilities and highlights the significant role of human factors in accident causation.
💡
Conclusion & Impact:Based on these findings, a layered risk assessment framework was developed to enable the proactive prevention of occupational accidents.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Güvensiz davranışlar · güvensiz durumlar · insan güvenilirliği analizi

Abstract

Occupational accidents in Turkey vary across sectors and causes, exhibiting a wide distribution. In particular, machinery-related accidents continue to pose critical risks to occupational health and safety. This study adopts Reason’s Swiss Cheese Model to conduct an in-depth analysis of the direct and indirect causes behind occupational accidents. The model emphasizes that accidents do not arise solely from individual errors but rather from successive weaknesses across interdependent defense layers. Within this framework, machinery-related occupational accidents are examined and categorized into unsafe behaviors and unsafe conditions. These two components are conceptualized as distinct “layers” in the study, each associated with specific types of human error. This approach enables the identification of latent system vulnerabilities and highlights the significant role of human factors in accident causation. The dataset for this research is derived from Turkish Supreme Court (Yargıtay) case decisions concerning occupational accidents. These legal decisions offer a unique data source as they provide detailed insights into incident circumstances, fault distributions, types of negligence, and identified safety deficiencies. Accordingly, legal documents serve not only judicial purposes but also a valuable source for proactive occupational health and safety analyses. In this study, 620 Supreme Court decisions were screened, and 124 machinery-related cut–crush–ejection/splash cases meeting predefined criteria were included in the analysis. Methodologically, data were collected from Supreme Court decisions and analyzed through content analysis. Subsequently, critical layers contributing to accidents were identified using the Random Forest algorithm. Finally, THERP and PSF values were applied to these layers to calculate human error probabilities and final reliability scores. The analysis quantitatively identified the most critical human factors affecting accidents, and the error probabilities associated with these factors were calculated. Based on these findings, a layered risk assessment framework was developed to enable the proactive prevention of occupational accidents.

Özet

Türkiye’de iş kazaları, sektörel dağılım, kaza sonuçları ve kaza sebepleri açısından farklılık gösteren geniş bir dağılım sergilemektedir. Özellikle makine kullanımı kaynaklı kazalar, iş sağlığı ve güvenliği açısından kritik düzeyde risk oluşturmaya devam etmektedir. Bu çalışmada, iş kazalarının ardında yer alan doğrudan ve dolaylı nedenleri daha derinlemesine analiz edebilmek amacıyla Reason tarafından geliştirilen Swiss Cheese (İsviçre Peyniri) modeli temel alınmıştır. Bu model, kazaların yalnızca bireysel hatalardan değil; birbirini tamamlaması gereken savunma katmanlarının ardışık zafiyetlerinden kaynaklandığını vurgulamaktadır. Bu çalışmada, makine kullanımından kaynaklanan iş kazaları incelenmiş; güvensiz davranışlar ve güvensiz durumlar olarak ayrıştırılmıştır. Bu iki unsur çalışmada ‘katman’ olarak ele alınmış ve her biri, ilgili insan hatası türüyle ilişkilendirilmiştir. Bu yaklaşım, kazaların altında yatan sistemsel açıkları görünür kılmakta ve insan faktörlerinin ağırlığını ortaya koymaktadır. Çalışmanın veri kaynağını, Türkiye’de yaşanan ve dava konusu olmuş kazalara ilişkin Yargıtay kararları oluşturmaktadır. İncelenen kararlar; olayın ayrıntıları, kusur oranları, ihmal türleri ve güvenlik önlemlerine dair tespitleri içermesi nedeniyle eşsiz bir veri tabanı sunmaktadır. Bu bağlamda hukuki belgeler, yalnızca yargı süreçleri için değil; aynı zamanda proaktif iş sağlığı ve güvenliği analizleri açısından da değerli bir kaynak niteliği taşımaktadır. Bu çalışma özelinde 620 karar taranmış, ölçütleri karşılayan 124 adet kesilme-sıkışma fırlama/sıçrama nitelikli makine kazası analize dahil edilmiştir. Yöntemsel olarak, Yargıtay kararlarından veri toplanmış ve içerik analizi yapılmıştır. Ardından Random Forest algoritması ile kazalara yol açan kritik katmanlar belirlenmiş, son aşamada ise bu katmanlara THERP yöntemi ve PSF değerleri uygulanarak insan hata olasılıkları ve nihai güvenilirlik skorları hesaplanmıştır. Analiz sonucunda, kazalara etki eden en kritik insan faktörleri nicel olarak belirlenmiş ve bu faktörlere ilişkin hata olasılıkları hesaplanarak, iş kazalarının proaktif önlenmesine yönelik katmanlı bir risk değerlendirme çerçevesi geliştirilmiştir.

🔖

Cite This Article

Şeker, S., Kuzucuoğlu, A. (2026). Identification of Critical Layers in Machinery-Related Accidents Based on Turkish Supreme Court Decisions: THERP Integration. OHS ACADEMY, Cilt: 9 Sayı: 1, 77–93. https://doi.org/10.38213/ohsacademy.1813157

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (34)

  1. Alikhani, M., Nedaie, A. ve Ahmadvand, A. (2019), “Ulusal iş kazaları verisinden karar destek sistemi oluşturmada makine öğrenmesi yaklaşımı”, Safety Science, 117, 273–284.
  2. Boring, R. L. (2010), “How many performance shaping factors are necessary for human reliability analysis?”, Proceedings of the 10th International Probabilistic Safety Assessment and Management Conference (PSAM10), 32–42, Seattle, WA, CreateSpace Independent Publishing Platform.
  3. Breiman, L. (2001), “Random forests”, Machine Learning, 45(1), 5–32.
  4. Čepin, M. (2008), “Importance of human contribution within the human reliability analysis (IJS-HRA)”, Journal of Loss Prevention in the Process Industries, 21(3), 268–276.
  5. De Ambroggi, M. ve Trucco, P. (2011), “Modelling and assessment of dependent performance shaping factors through analytic network process”, Reliability Engineering and System Safety, 96(7), 849–860.
  6. Demir, N. (2022), “Makina İmalat Sektöründe İş Kazaları İstatistikleri ve İSG Uygulamaları”, Yüksek Lisans Tezi, İstanbul Esenyurt Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
  7. Embrey, D. E. ve Humphreys, P. (1984), SLIM-MAUD: An Approach to Assessing Human Error Probabilities Using Structured Expert Judgement (NUREG/CR-3518, Vol. 1), Washington, D.C., U.S. Nuclear Regulatory Commission.
  8. Engin, O. (1999), “Makine–Tezgâh ve Teçhizat Kazalarında İnsan Faktörlerinin Belirlenmesi”, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara.
  9. Forester, J. A., Dang, V. N., Bye, A., Boring, R. L., Liao, H. ve Lois, E. (2012), Conclusions on Human Reliability Analysis (HRA) Methods from the International HRA Empirical Study, Albuquerque, NM, Sandia National Laboratories.
  10. Gertman, D. ve Blackman, H. (1994), Human Reliability and Safety Analysis Data Handbook, New York, Wiley.
  11. Hair, J. F., Black, W. C., Babin, B. J. ve Anderson, R. E. (2010), Multivariate Data Analysis (7th ed.), Upper Saddle River, NJ, Prentice Hall.
  12. Hollnagel, E. (1998), Cognitive Reliability and Error Analysis Method (CREAM), Oxford, Elsevier.
  13. Houshyar, A. ve Imel, G. (1996), “A simulation model of the fuel handling system in a nuclear reactor”, Computers & Industrial Engineering, 30(1), 117–135.
  14. Huang, X., Thomas, G., Chen, P., Ryan, M. ve Chang, W. (2016), “Severity-weighted accident analysis for construction injuries”, Safety Science, 82, 404–415.
  15. International Labour Organization (ILO). (2023), Global Trends in Occupational Safety and Health, Geneva, International Labour Organization.
  16. Jung, W., Park, J., Kim, J. ve Ha, J. (2007), “Analysis of operators’ performance time and its application to a human reliability analysis in nuclear power plants”, IEEE Transactions on Nuclear Science, 54(5), 1801–1811.
  17. Ketchen, D. J. Jr. ve Shook, C. L. (1996), “The application of cluster analysis in strategic management research: An analysis and critique”, Strategic Management Journal, 17(6), 441–458.
  18. Kim, H. ve Noh, Y. (2020), “Weighted severity index for industrial accidents using multi-criteria analysis”, Accident Analysis and Prevention, 138, 105471.
  19. Kirwan, B. (1994), A Guide to Practical Human Reliability Assessment, London, Taylor & Francis.
  20. Krippendorff, K. (2013), Content Analysis: An Introduction to Its Methodology (3rd ed.), Thousand Oaks, CA, Sage Publications.
  21. Kuhn, M. (2008), “Building predictive models in R using the caret package”, Journal of Statistical Software, 28(5), 1–26.
  22. Landis, J. R. ve Koch, G. G. (1977), “The measurement of observer agreement for categorical data”, Biometrics, 33(1), 159–174.
  23. Liaw, A. ve Wiener, M. (2002), “Classification and regression by randomForest”, R News, 2(3), 18–22.
  24. Modarres, M. (2006), Risk Analysis in Engineering: Techniques, Tools, and Trends, Boca Raton, FL, CRC Press.
  25. Palamara, F., Comberti, L. ve Colangelo, F. (2019), “Cluster-based risk grouping for occupational accidents: SOM–K-means hybrid approach applied to ESAW database”, Safety Science, 120, 475–486.
  26. R Core Team. (2023), R: A Language and Environment for Statistical Computing, Vienna, R Foundation for Statistical Computing. Erişim: https://www.R-project.org/ [12 Ekim 2024, WEB].
  27. Reason, J. (1990), Human Error, Cambridge, Cambridge University Press.
  28. Sosyal Güvenlik Kurumu (SGK). (2023), İş Kazaları ve Meslek Hastalıkları İstatistikleri 2023, Ankara, SGK Yayınları. Erişim: https://www.sgk.gov.tr [12 Ekim 2024, WEB].
  29. Swain, A. D. ve Guttmann, H. E. (1983), Handbook of Human Reliability Analysis with Emphasis on Nuclear Power Plant Applications (NUREG/CR-1278), Washington, D.C., U.S. Nuclear Regulatory Commission.
  30. Tozak, E. Y., Ersöz, T. ve Ersöz, F. (2017), “Demir–çelik sektöründe meydana gelen iş kazalarının veri madenciliği kullanılarak analizi”, Karabük Üniversitesi Dergisi, 5(2), 110–125.
  31. U.S. Nuclear Regulatory Commission (NRC). (1998), Technical Basis and Implementation Guidelines for A Technique for Human Event Analysis (ATHEANA) (NUREG-1624), Washington, D.C., U.S. Nuclear Regulatory Commission.
  32. Wickham, H. (2019), Tidyverse: Easily Install and Load the Tidyverse, R Package Version 1.3.0.
  33. Williams, J. C. (1986), “HEART – A proposed method for assessing human error probability in industry”, Proceedings of the 9th Advances in Reliability Technology Symposium, University of Bradford, Bradford, UK.
  34. Wright, M. N. ve Ziegler, A. (2017), “ranger: A fast implementation of random forests for high dimensional data in C++ and R”, Journal of Statistical Software, 77(1), 1–17.