Geospatial Impact Indexing of Agricultural Incidents: A Multi-Criteria Risk Assessment in the U.S. Midwest

Diese Studie stellt ein mehrkriterielles geospatiales Framework vor, das den Analytic Hierarchy Process und die Geometrische Fuzzy-AHP-Gewichtung nutzt, um aufzuzeigen, dass sich zwar die Häufigkeit landwirtschaftlicher Zwischenfälle im US-amerikanischen Mittleren Westen im nordwestlichen Iowa konzentriert, das mit der Schwere gewichtete Risiko jedoch weiter gefasst ist, wodurch ein überlegener, evidenzbasierter Ansatz für die gezielte Planung von Sicherheitsmaßnahmen und Notfallmedizin im Vergleich zu herkömmlichen rein auf der Häufigkeit beruhenden Bewertungen geboten wird.

Das Wesentliche

Stellen Sie sich den amerikanischen Mittleren Westen als eine riesige, geschäftige Küche vor, in der jedes Jahr Millionen von Mahlzeiten zubereitet werden. Doch statt nur Gemüse zu schneiden, bedienen die „Köche" (Landwirte) riesige, leistungsstarke Maschinen, handhaben schweres Vieh und arbeiten in abgelegenen Ecken der Küche. Manchmal läuft etwas schief.

Dieser Artikel ist wie ein neuer Sicherheitszeugnis für diese Küche. Die Autoren, Ege Duran, Omer Mermer und Ibrahim Demir, argumentieren, dass die alte Methode der Bewertung fehlerhaft war. Hier ist die einfache Zusammenfassung ihrer Ergebnisse und Methoden:

Das Problem: Zählen versus Verstehen

Der alte Weg: Stellen Sie sich einen Lehrer vor, der nur zählt, wie oft ein Schüler die Hand hebt, um eine Frage zu beantworten. Er könnte sagen: „Wow, dieser Schüler ist sehr aktiv!" Aber das sagt Ihnen nicht, ob der Schüler richtig, gefährlich oder in Schwierigkeiten antwortet.
Die Sichtweise des Artikels: Die Forscher sagen, dass das bloße Zählen landwirtschaftlicher Unfälle (Häufigkeit) wie das Zählen von Handaufheben ist. Es zeigt Ihnen, wo die Landwirte beschäftigt sind, aber nicht, wo die wahre Gefahr liegt. Eine belebte Farm mag viele kleine, überlebbare Stöße haben, während eine ruhigere Farm wenige katastrophale Ereignisse aufweisen könnte.

Die Lösung: Ein „Risikowert"-Rezept

Um dies zu beheben, entwickelte das Team einen neuen „Impact Index". Stellen Sie sich dies als ein komplexes Rezept für einen Risikowert vor. Statt Unfälle nur zu zählen, mischten sie mehrere Zutaten hinzu, um zu sehen, wie „gefährlich" ein bestimmter Ort wirklich ist:

1. Das Ergebnis (Todesfall): Ist jemand gestorben? Dies ist die schwerste Zutat.
2. Der Mechanismus (Unfallart): War es ein Traktor-Überrollen oder eine Einschließung in einem Getreidesilo? Diese sind wie „explosive" Zutaten, die inhärent gefährlicher sind als ein einfacher Ausrutsch-und-Fall-Unfall.
3. Die Rettungszeit (Zugang zum Rettungsdienst): Wie lange dauert es, bis ein Krankenhaus erreicht wird? Wenn ein Landwirt auf einem abgelegenen Feld verletzt wird, ohne Handyempfang und mit einer langen Fahrt zum Krankenhaus, steigt der Risikowert.
4. Der Faktor „Alleinarbeiter": Viele Landwirte arbeiten allein. Wenn sie verletzt werden und wegen einer „Handy-Totzone" nicht um Hilfe rufen können, ist das Risiko höher.

Die zwei Methoden: Das scharfe Messer versus der weiche Schwamm

Die Forscher verwendeten zwei verschiedene mathematische Werkzeuge, um diese Zutaten zu mischen, und erhielten leicht unterschiedliche Bilder:

• Methode A (AHP): Stellen Sie sich dies als ein scharfes Messer vor. Es schneidet durch die Daten und hebt die absolut schlimmsten Stellen sehr deutlich hervor. Es sagt: „Schauen Sie genau hier! Dies ist der gefährlichste Ort!" Es konzentriert sich stark auf die Schwere des Ergebnisses.
• Methode B (Geometrisch-Fuzzy-AHP): Stellen Sie sich dies als einen weichen Schwamm vor. Er saugt einige der scharfen Kanten und Unsicherheiten auf. Er erkennt an, dass wir nicht alles perfekt wissen (wie genau, wie schlimm ein bestimmter Unfall war oder wie schnell Hilfe eintreffen würde). Diese Methode erstellt eine glattere Karte, die breitere Risikobereiche zeigt, anstatt nur die absolut schlimmsten Stellen zu markieren.

Was sie fanden: Die Karte der Gefahr

Als sie dieses Rezept auf sieben Bundesstaaten des Mittleren Westens (Iowa, Minnesota, Kansas usw.) anwandten und Daten von 2012 bis 2023 verwendeten, stellten sie einige überraschende Dinge fest:

• Beschäftigt ist nicht immer tödlich: Die belebtesten landwirtschaftlichen Gebiete (wie Nordwest-Iowa) hatten insgesamt die meisten Unfälle. Das ergibt Sinn, da es dort mehr Landwirte und Maschinen gibt.
• Tödlich ist nicht immer beschäftigt: Allerdings waren die Gebiete mit den meisten Todesfällen anders verteilt. Während Nordwest-Iowa immer noch ein Hotspot war, erstreckten sich die „Gefahrenzonen" weiter ins zentrale Iowa und in den südlichen Minnesota.
• Die „stille" Mörder: Die gefährlichsten Unfälle waren nicht die häufigsten (wie das Ausrutschen auf einer Straße). Es waren die seltenen, hochenergetischen: umkippende Traktoren, Menschen, die in Getreidesilos stecken bleiben, oder Kippunfälle mit Quads. Diese spezifischen Unfallarten führten mit viel größerer Wahrscheinlichkeit zum Tod.
• Wer ist gefährdet? Die Daten zeigten, dass ältere männliche Landwirte die verwundbarste Gruppe sind. Mit zunehmendem Alter der Landwirte steigt die Wahrscheinlichkeit, dass ein Unfall tödlich endet.

Das große Ganze

Die Hauptaussage ist, dass man nicht nur auf eine Karte schauen kann, die zeigt, „wo Unfälle passiert sind", um zu wissen, wo Sicherheitsressourcen eingesetzt werden müssen. Man muss auf eine Karte schauen, die zeigt, „wo Unfälle am wahrscheinlichsten tödlich enden".

Indem sie den Ort des Unfalls mit der Schwierigkeit, Hilfe zu erhalten (Krankenhäuser und Funkmasten), kombinierten, schufen die Forscher eine neue Möglichkeit, die Landschaft zu sehen. Sie fanden heraus, dass die „Gefahrenzonen" nicht nur dort liegen, wo die Landwirtschaft am beschäftigsten ist, sondern dort, wo die Landwirtschaft am beschäftigsten ist plus dort, wo die Maschinen am gefährlichsten sind plus dort, wo Hilfe am weitesten entfernt ist.

Diese Studie bietet keine neue Maschine oder ein neues Gesetz. Stattdessen bietet sie eine bessere Taschenlampe. Sie hilft Sicherheitsbehörden und Notfallplanern, die wahre Form des Risikos zu erkennen, damit sie ihre Bemühungen auf die Orte konzentrieren können, an denen das Leben eines Landwirts am meisten auf dem Spiel steht, und nicht nur auf die Orte, an denen sie am beschäftigsten sind.

Technische Zusammenfassung

Technische Zusammenfassung: Georeferenzierte Indexierung der Auswirkungen landwirtschaftlicher Zwischenfälle im Mittleren Westen der USA

Problemstellung
Traditionelle Sicherheitsbewertungen in der Landwirtschaft stützen sich häufig auf rohe Unfallzahlen, die die Expositionshäufigkeit betonen, aber die multidimensionale Natur des Risikos nicht erfassen, insbesondere die Schwere der Folgen und die Überlebensfähigkeit nach einem Zwischenfall. Im Mittleren Westen der USA, einer Region intensiver landwirtschaftlicher Produktion, ereignen sich Zwischenfälle oft an abgelegenen Orten, wo „allein arbeitende Personen" erhebliche Hindernisse bei der sofortigen Entdeckung und Hilfeleistung面临. Bestehende Überwachungsmethoden leiden häufig unter Fragmentierung, Untererfassung und einem Mangel an geospatialer Auflösung, der es versäumt, Unfallorte mit kritischen Überlebensfaktoren wie der Erreichbarkeit des Rettungsdienstes (EMS) und der Infrastruktur der Mobilfunkkommunikation zu verknüpfen. Folglich können Sicherheitsmaßnahmen fehlgeleitet sein und nicht auf die Bereiche höchster tatsächlicher Gefahr ausgerichtet werden, die nicht nur durch die Häufigkeit von Zwischenfällen definiert sind, sondern durch das Zusammentreffen gefährlicher Mechanismen, environmentaler Isolation und zeitlicher Einschränkungen.

Methodik
Diese Studie erstellt eine einheitliche, staatenübergreifende geospatiale Datenbank, die sieben Staaten des Mittleren Westens (Iowa, Kansas, Minnesota, Missouri, Nebraska, North Dakota und South Dakota) abdeckt, unter Verwendung von Aufzeichnungen über landwirtschaftliche Zwischenfälle von 2012 bis 2023, die vom Central States Center for Agricultural Safety and Health (CS-CASH) stammen. Die Methodik integriert longitudinale Unfalldaten mit Umwelt- und Infrastrukturebenen, einschließlich der USDA NASS Cropland Data Layer (CDL) für die Landnutzung, HIFLD-Daten für Standorte von Rettungsdiensten und Krankenhäusern sowie FCC-Daten für die Nähe zu Mobilfunkmasten.

Die methodische Kerninnovation ist die Entwicklung eines Multi-Kriterien-Unfall-Impact-Index unter Verwendung zweier Gewichtungsraster:

1. Analytic Hierarchy Process (AHP): Eine strukturierte Entscheidungstechnik, die das Problem in eine Hierarchie von acht Kriterien zerlegt: Todesfall (FAT), Unfalltyp (TYPE), zeitliche Relevanz (REC), beteiligte Personen (PEOP), Alter (AGE), Nähe zu Rettungsdienst/Krankenhaus (EM), Nähe zu Funkmasten (TOW) und landwirtschaftsspezifisches Todesfallverhältnis (FARM). Paarweise Vergleiche wurden verwendet, um scharfe Gewichte abzuleiten, wobei direkte Schäden und inhärente Gefahren priorisiert wurden.
2. Geometric Fuzzy AHP (Geometric-FAHP): Eine Erweiterung des AHP unter Verwendung von Buckleys Methode des unscharfen geometrischen Mittels mit Dreieckigen Unscharfen Zahlen (TFNs). Dieser Ansatz erfasst die Unsicherheit und Vagheit, die menschlichen Urteilen über Risiken inhärent sind, und wandelt linguistische Variablen in unscharfe Mengen um, um glattere, weniger volatile Gewichtsverteilungen zu erzeugen.

Beide Raster normalisieren die acht Parameter auf eine Skala von [0, 1] und aggregieren sie zu einer composite Impact-Score. Diese Scores werden dann angewendet, um Kernel-Density-Estimation (KDE)-Oberflächen unter Verwendung eines quartischen (biweight) Kerns zu generieren, um räumliche Clusterung von Zwischenfällen mit hohem Impact zu visualisieren und zwischen frequenzgetriebenen Mustern und schweregetriebenen Risiken zu unterscheiden.

Hauptbeiträge

• Einheitliche staatenübergreifende Datenbank: Die Studie erstellt ein umfassendes Sicherheitsprofil für die siebenstaatige Region des Mittleren Westens, indem sie die Grenzen fragmentierter, einzelstaatlicher Berichterstattung überwindet und 12 Jahre Überwachungsdaten harmonisiert.
• Granulare geospatiale Integration: Sie überlagert Unfallorte explizit mit Überlebensinfrastruktur (Fahrzeiten des Rettungsdienstes und Entfernungen zu Mobilfunkmasten) und quantifiziert die Verwundbarkeit spezifisch für allein arbeitende Personen in abgelegenen landwirtschaftlichen Umgebungen.
• Neuartige Impact-Indexierung: Die Forschung führt einen quantitativen Mechanismus ein, um landwirtschaftliche Zwischenfälle über einfache Todesfallzahlen hinaus zu bewerten. Durch die Anwendung sowohl von AHP als auch von Geometric-FAHP bietet die Studie eine duale Perspektive: AHP hebt scharfe, schweregetriebene Hotspots hervor, während Geometric-FAHP breitere, allmähliche Verwundbarkeitsmuster aufdeckt, indem extreme Werte durch Unsicherheitsmodellierung gemildert werden.

Ergebnisse

• Divergente räumliche Muster: Die Analyse zeigt, dass die Gesamtunfallhäufigkeit zwar stark im nordwestlichen Iowa konzentriert ist (was intensive Ackerbauaktivitäten widerspiegelt), tödliche Ergebnisse jedoch ein breiteres räumliches Fußabdruck aufweisen, das sich in den zentralen/nördlichen Teil Iowas und den zentral-südlichen Teil Minnesotas erstreckt. Eine ausschließliche Stützung auf Häufigkeitszählungen würde lokalisierte Bereiche mit hohen Konsequenzen erheblich unterrepräsentieren.
• Mechanismusspezifische Schwere: Tödliche Zwischenfälle sind unverhältnismäßig stark mit energieintensiven Mechanismen wie Traktoren, Getreidesilos und Radladern verbunden (Todesfallraten von 58 % bis 76,9 %), whereas Straßenverkehrsunfälle und Verwicklungen häufiger sind, aber überlebensfähiger.
• Demografische Verwundbarkeit: Das Risiko konzentriert sich stark auf männliche Arbeitskräfte (85 % der Todesfälle) und steigt mit dem Alter, wobei die Altersgruppe 60–70 die höchste tödliche Belastung trägt.
• Gewichtungsvergleich: Das AHP-Raster erzeugte höhere mittlere Impact-Scores und eine größere räumliche Streuung, wodurch lokalisierte Hotspots akzentuiert wurden, in denen katastrophale Zwischenfälle dominieren. Im Gegensatz dazu lieferte Geometric-FAHP konsistent niedrigere mittlere Scores und reduzierte Streuung, wodurch glattere räumliche Gradienten entstehen, die regionale Verwundbarkeitsstrukturen besser erfassen, ohne extreme Ausreißer zu überbetonen.
• Infrastrukturlücken: Die räumliche Analyse hebt hervor, dass tödliche Ergebnisse nicht strikt proportional zur Unfallhäufigkeit sind, sondern stark vom Vorhandensein hochschwerveriger Mechanismen und strukturellen Defiziten in der ländlichen Infrastruktur beeinflusst werden (z. B. verlängerte Reaktionszeiten des Rettungsdienstes und Kommunikationswüsten).

Bedeutung und Behauptungen
Die Studie behauptet, dass ihre Ergebnisse zeigen, dass eine rein frequenzbasierte Kartierung die multidimensionale Natur landwirtschaftlicher Risiken nicht erfasst. Durch die explizite Verknüpfung von Unfallorten mit Überlebensinfrastruktur und die Nutzung von Multi-Kriterien-Entscheidungsanalysen bietet die Studie einen evidenzbasierten Rahmen für:

1. Zielgerichtete Sicherheitsmaßnahmen: Über allgemeine Expositionsmaße hinausgehen und Ressourcen auf Bereiche konzentrieren, in denen hohe Aktivitätshäufigkeit mit hochschwerverigen Mechanismen und schlechten Überlebensbedingungen zusammenfällt.
2. Verbesserung der ländlichen EMS-Planung: Spezifische geografische Lücken in der Notfallreaktion und Kommunikationsinfrastruktur zu identifizieren, die die „goldene Stunde" für Traumaopfer gefährden.
3. Adressierung der digitalen Kluft: Die kritische Rolle der Mobilfunkverbindung für die ländliche Sicherheit hervorzuheben und das Potenzial von Kommunikationswüsten, überlebensfähige Verletzungen in Todesfälle zu verwandeln.

Die Autoren positionieren diese Forschung als einen neuartigen Schritt in der landwirtschaftlichen Sicherheitsforschung und bieten einen robusten, quantitativen Mechanismus, um zwischen expositionsgetriebenen Aktivitätsmustern und schweregetriebenen Risikokonzentrationen zu unterscheiden, wodurch effektivere politische und planerische Entscheidungen im Mittleren Westen der USA unterstützt werden.