evidoria

← Retour à la liste

Bonne pratique Importée

Le ministère de la Main-d'œuvre de Singapour utilise l'analyse de données pour cibler les inspections de sécurité au travail

Singapour · Singapore · Voir le profil de Singapour · Voir le profil de Singapore

Preuves: Observationnel / avant-après Top 66% 53/100 · Demandez à Evidence Copilot à propos de cette pratique

Singapour a utilisé l'analyse de données pour signaler des entreprises de construction à haut risque : 600 entreprises signalées en 2019 avaient un taux d'infraction de 90 % une fois inspectées, et un audit comparable de 2018 a économisé 20 000 heures d'inspecteurs.

600 firms
Entreprises de construction à haut risque identifiées (2019)
90 %
Taux d'infraction parmi les entreprises identifiées après inspection (2019)
650 firms
Entreprises contrôlées lors de l'audit de conformité (2018)
20,000 fewer inspector man-hours
Réduction des heures-homme d'inspecteur par rapport à la méthode précédente (2018)
six times fewer formal enforcement actions
Réduction des actions de mise en application formelles (essai pilote sécurité au travail) (not specified)
15 %
Réduction des ressources dépensées par le ministère (essai pilote sécurité au travail) (not specified)
over a third of fatalities
Part des décès professionnels à Singapour dans la construction (2007-2016)
Le ministère de la Main-d'œuvre de Singapour utilise l'analyse de données pour cibler les inspections de sécurité au travail

Détails

Maturité
Établie
Promoteur
Ministry of Manpower (MOM), Singapore
Période
2013–2019
Mots-clés
labour inspection, workplace safety, construction, enforcement analytics

Contexte

Le ministère de la Main-d'œuvre (MOM) de Singapour utilise l'analytique de données depuis le début/milieu des années 2010 pour aider à décider quels lieux de travail prioriser pour les inspections de sécurité et de conformité en matière d'emploi, plutôt que de s'appuyer uniquement sur les plaintes ou des calendriers de rotation fixes.

Objectifs

Cibler les inspections vers les entreprises de construction les plus à risque afin d'améliorer les taux de détection de la mise en application et de réduire l'effort d'inspection par entreprise contrôlée.

Activités

En 2019, le travail d'analytique de données du MOM a identifié 600 entreprises de construction comme présentant un risque élevé. Un exercice de conformité distinct en 2018, ciblé sur l'emploi illégal de travailleurs étrangers, a contrôlé 650 entreprises en utilisant environ 20 000 heures-homme d'inspecteur de moins que la méthode précédente du ministère, non basée sur l'analytique. Un essai pilote connexe sur la sécurité au travail a combiné analytique de données, sciences comportementales et design thinking pour cibler les entreprises les plus à risque en vue d'une inspection.

Résultats

Lorsque les 600 entreprises identifiées comme à haut risque en 2019 ont ensuite été inspectées, neuf sur dix (90 %) présentaient des infractions, notamment le non-paiement de salaires et d'heures supplémentaires. Un essai pilote connexe sur la sécurité au travail a nécessité six fois moins d'actions de mise en application formelles (telles que des lettres d'avertissement) et a réduit les ressources dépensées par le ministère d'environ 15 %, dans un secteur - la construction - qui représentait plus d'un tiers des décès professionnels à Singapour entre 2007 et 2016.

Conclusions

Les rapports publics sur le programme ne divulguent pas le modèle sous-jacent, ses variables, ni une évaluation formelle de la précision, et le MOM n'a pas publié la méthodologie pour un audit externe ; les chiffres rapportés proviennent d'articles journalistiques décrivant la pratique interne de science des données du ministère, et non d'un rapport technique officiel du MOM ou d'une étude évaluée par des pairs.

Mise en œuvre
Coût indicatif
Faible (< 50 k€)
Délai jusqu’aux résultats
Long (> 3 ans) — Analytics-driven inspection targeting used since the early-to-mid 2010s; cited results from a 2018 compliance audit and 2019 high-risk-firm flagging.
Personnel et compétences
Ministry of Manpower (MOM) internal data-analytics function

Conditions de réussite

  • Combining data analytics with behavioural insights and design thinking to target higher-risk companies (per GovInsider reporting)

Modes d’échec courants

  • No model methodology, variables or algorithm name have been publicly disclosed by MOM
  • No independent audit of the analytics has been published

Habituellement financé par

National / regional programmes

Pistes de financement indicatives pour des pratiques de ce type — vérifiez toujours les appels en cours et les règles d'éligibilité de chaque programme.

Vous portez cette pratique ? Revendiquez-la — les porteurs vérifiés obtiennent un contact public sur la page et peuvent proposer des corrections.

Sources de données

D'où proviennent les informations de cette pratique, et quand.

Pièces jointes

Pratiques similaires qui pourraient vous être utiles