Mejorar la orientación regulatoria: ejemplo de OSHA

7 min read

Muchas agencias gubernamentales con poderes de aplicación enfrentan un problema común: tienen pocos recursos para realizar un recorrido o investigar una posibilidad. Entonces tienen que elegir sus objetivos. ¿Cómo deberían elegir? Considere la gestión de la seguridad y salud en el trabajo. OSHA tiene jurisdicción sobre aproximadamente 8 millones de lugares de trabajo, pero (en colaboración con agencias estatales) tiene los recursos para visitar menos del 1% de ellos. ¿Cuál elegir? Matthew S. Johnson, David I. Levine y Michael W. Toffel analizan su investigación sobre este tema en “Making Workplaces Safer Through Machine Learning” (Regulatory Review, Penn Program on Regulation, 26 de febrero de 2024; ver también Para ver un informe de investigación relacionado, consulte “Improving Regulatory Effectiveness Through Better Targeting: Evidence from OSHA” publicado en American Economic Journal: Applied Economics octubre de 2023, 15:4, págs. 30-67 para obtener una versión (sin especificar antes de la impresión, consulte aquí.) Una idea es que Útil para fines regulatorios Si el proceso de verificación tiene un grado de aleatoriedad Porque varias empresas Se necesita poco trabajo. Resulta que el programa de inspección más grande de OSHA a partir de un proceso aleatorio de OSHA también permite a los investigadores observar los registros de seguridad en el lugar de trabajo después de las inspecciones de OSHA de 1999 a 2014. Se llama focalización. La idea era elaborar una lista de las empresas con las tasas de lesiones más altas hace dos años. y seleccionar aleatoriamente un grupo de esas empresas a visitar. Luego es posible comparar el impacto de las visitas reglamentarias de OSHA para las empresas visitadas (al azar). (Recuerda eso tenían tasas de lesiones altas similares) que no las tenían, escriben los autores: «Descubrimos que las inspecciones de OSHA asignadas al azar redujeron las lesiones graves en los establecimientos inspeccionados en promedio un 9 por ciento, lo que equivale a 2,4 lesiones menos durante el período de cinco años después de las cinco- período del año. Cada inspección produce aproximadamente $125,000 en beneficios sociales, lo que es aproximadamente 35 veces el costo de realizar inspecciones de OSHA”. Pero, ¿es posible aprovechar los recursos limitados de OSHA? Por ejemplo, ¿qué pasaría si en lugar de observar las tasas de lesiones de hace dos años, En cambio, analiza las tasas promedio de lesiones durante los últimos cuatro años. Eliminar a las empresas que tienen tasas consistentemente más altas de lesiones en el lugar de trabajo. ¿Pero puede ser mejor? ¿Qué pasaría si usáramos modelos de aprendizaje automático para predecir qué empresas tenían más probabilidades de resultar perjudicadas? ¿O qué empresa tendrá el mayor aumento en seguridad? y centrarse en esas empresas Los autores escriben: Descubrimos que OSHA pudo evitar más lesiones. Si los objetivos de inspección se establecieran utilizando cualquiera de estos criterios alternativos, si OSHA asignara a los establecimientos con el mayor historial de lesiones el mismo número de inspecciones que las asignadas en el programa SST, se podrían evitar 1,9 veces más lesiones que las que se podrían haber evitado. evitado que el programa SST en realidad si OSHA hubiera asignado el mismo número de inspecciones a aquellos establecimientos con las lesiones estimadas más altas o aquellos con el impacto de tratamiento estimado más alto. Sería capaz de evitar 2,1 o 2,2 veces más lesiones que el programa SST, respectivamente. Algunas reflexiones aquí: 1) Me sorprende lo simple que es esta regla. Al mirar atrás a cuatro años de tasas de lesiones En lugar de simplemente observar las tasas de lesiones de hace dos años, ha aumentado mucho La razón es que las tasas de lesiones en un año determinado pueden recuperarse significativamente. Por ejemplo, imagine una empresa que tiene un evento malo cada 20 años pero es capaz de corregir la situación rápidamente. En ese mal año Puede que encabece la lista de prioridades de OSHA, pero las inspecciones de OSHA no ayudan mucho. Las empresas que reciben malas calificaciones de accidentes durante un período de cuatro años tienen más probabilidades de tener problemas reales 2) Ir más allá de un simple cambio en las normas de inspección Al observar las tasas de lesiones a cuatro años, hay pocos beneficios al utilizar métodos de aprendizaje automático más complejos y difíciles de explicar. Puede ser que el análisis del aprendizaje automático sea útil para mostrar si es posible obtener mayores ganancias a través de una mejor orientación regulatoria. Y de ser así Es posible que los reguladores quieran encontrar una manera de obtener el máximo beneficio utilizando algunas reglas simples. eso se puede explicar En lugar de reglas de aprendizaje automático de caja negra. No se explican fácilmente 3) Una preocupación es que estos métodos de reorientación ignoran factores aleatorios: las empresas pueden predecir la probabilidad de que reciban una visita de OSHA. Arriba No está claro que esto sea algo malo. Empresas con malos antecedentes de seguridad en el lugar de trabajo a lo largo de los años ¿Debería uno preocuparse por la visita de una agencia reguladora? Pero sería prudente mantener el elemento aleatorio de quién es visitado. Finalmente, siento que los reguladores, que a menudo están bajo presión política, A veces se considera que su papel es similar al de las autoridades encargadas de hacer cumplir la ley, en el sentido de que están motivados para demostrar que persiguen a los malhechores evidentes. Pero como lo demuestra este ejemplo de OSHA, Perseguir a un empleador que tuvo un incidente laboral muy grave hace dos años puede no generar un aumento tan grande en la seguridad en el lugar de trabajo como perseguir a un empleador con un peor historial durante un período sostenido. El año pasado escribí sobre cuestiones similares que surgen en las auditorías del IRS. Resulta que cuando el IRS decide a quién auditar, Dará mucha importancia a si es fácil demostrar una irregularidad o no. Por lo tanto, probablemente examinará a muchas personas de bajos ingresos que reciben créditos fiscales por ingreso del trabajo. La computadora muestra que las irregularidades deben demostrarse claramente. Pero, por supuesto, no se puede ganar mucho dinero con las cuentas corrientes para personas de bajos ingresos. Considere una situación en la que el IRS audita a 10 personas que ganaron más de $10 millones el año anterior. Tal vez nueve controles no encontraron nada fuera de lo común. Pero el décimo resultado podría recaudar $500,000 adicionales si el auditor del IRS se concentrara en la alta tasa de condenas. Elegirán una opción. Si se centran en las estrategias que generan más ingresos. Perseguirán peces más grandes. ¡Lo que quiero decir no es que la prioridad regulatoria deba centrarse en el aprendizaje automático! La cuestión es que las herramientas de aprendizaje automático pueden ayudar a evaluar si las reglas existentes están configuradas de forma adecuada. ¿Y qué tan bien funcionan esas reglas en comparación con las alternativas de 8 millones de visitantes? Entonces, ¿cómo se elige? ¿Podrían ser más beneficiosas las alternativas a elegir?

Source link

You May Also Like

More From Author

+ There are no comments

Add yours