改進CREAM模型的船舶引航員人因可靠性預測

張愛琳, 劉曉佳

(集美大學 航海學院， 福建 廈門 361021)

隨著“一帶一路”倡議的推進，中國與各參與國之間的貿易量大幅增加，大量的商品運輸將通過海運完成，進一步促進海運市場的發展和繁榮。快速發展的海運市場對船舶引航員的操作技能和綜合素質的要求越來越高，而涉及引航員的船舶安全事故的數量呈現不斷增加的趨勢，在港內航道發生的船舶海損事故更是如此。[1-2]例如,巴拿馬籍“BERANI”輪和“金沙機6688”輪在長江航道發生的碰撞事故都是引航員不規范的操作行為引起的。引航員人因可靠性是船舶進出港安全的決定性因素之一。因此，對引航員人因可靠性進行有效預測有助于保障船舶進出港安全，提升港口的競爭力。

人因可靠性分析(Human Reliability Analysis,HRA)一直是安全領域中的重要課題，認知可靠性和失誤分析方法(Cognitive Reliability and Error Analysis Method,CREAM)作為第2代HRA方法廣泛應用于海運領域。AKYUZ等[3]通過CREAM基本版和擴展版分別系統地預測指定任務的人因差錯率(Human Error Probability,HEP)，以評估液化石油氣(Liquefied Petroleum Gas,LPG)船貨物過程裝載中的人因可靠性。AKYUZ等[4]利用HTA法將主任務分成若干子任務，分別進行HEP計算，增加其敏感性，從而建立基于風險的量化CREAM法。其他專家分別通過模糊[5-6]、簡化[7]和結合[8-9]的方法對CREAM進行改進，從而更加合理簡便地量化HEP。XI等[10]在上述改進基礎上提出一種基于證據推理(Evidential Reasoning,ER)與CREAM的HEP定量分析法，并結合不同來源的DOBS，解決海事評估中的不確定性問題。姜菲菲等[11]利用模糊降低主觀因素的影響，同時構建情景環境指數與HEP的函數關系，精確預測引航員人因可靠性。張錦朋等[12]通過將控制模式概率化獲取HEP。席永濤等[13]采用模糊集合、貝葉斯網絡(Bayesion Net Work,BN)和ER，對不確定信息條件下的船舶值班駕駛員操作的可靠性進行量化分析。針對引航員人因可靠性的研究大多是從單方面影響因素出發,定性地研究其人因可靠性。例如:張欣欣等[14]從人-組織因素的角度分析引航風險致因；張錦朋等[1]建立動態、靜態評價指標來定量預測引航員人因可靠性。引航員的工作受個人、環境和社會等多方面因素的影響，考慮到情景環境對人因可靠性的影響，本文以引航員為研究對象，綜合考慮引航員個體因素和情景環境，構建以CREAM為基礎的定量預測模型,并根據CREAM的基本原理，對比YANG等[5]在CREAM中的改進，提出將先驗條件概率由確定值轉變為概率值，以此降低其在HEP計算中的主觀性，簡化海運領域中HEP的計算。

1 CREAM方法

CREAM[15]由Hollnagel于1998年建立，其提供一個包含個體、組織和環境因素的失誤分類系統，通過一系列通用行為條件(Common Performance Condition,CPC)和表格描述原因與結果之間的關系。CREAM的核心是情景環境對人的認知控制模式的影響決定可能發生認知失誤的概率。CREAM建立混亂型、機會型、戰術型和戰略型等4種認知控制模式。情景環境由組織有效性(CPC1)、工作條件(CPC2)、人機界面與運營支持的充分性(CPC3)、規程/計劃可用性(CPC4)、同時出現的目標數量(CPC5)、可用時間(CPC6)、值班區間(CPC7)、培訓與經驗的充分性(CPC8)和成員合作質量(CPC9)等9個因數構成。將每個CPC分為若干個水平，并確定每個水平對人類行為績效的影響(改進、不顯著、降低)，見表1。

CREAM法有基本法和擴展法2種,其中:基本法提供對任務可能期望的性能可靠性的總體評估;擴展法利用基本法的結果,可更深入地檢查或調查任務的操作。基本法計算具有改進影響和降低影響的CPC數量確定控制模式和相應的人因差錯概率區間(見圖1)，從而判斷其人因可靠性。擴展法利用基本方法的結果，以便對人類的相互作用進行更詳細的分析。

表1 CPC語義變量/描述

圖1 CREAM基本法控制模式圖

2 改進CREAM模型的建立

2.1 構建多輸入多輸出規則庫

為分析一些難以獲得或不完整的因認識功能失誤導致的人因差錯數據，可采用基于模糊集理論中的If-Then規則的主觀評價法。[5]在傳統的模糊規則庫系統中，輸入和輸出一般用確定的單一變量表示。當用傳統的規則庫表示模糊性時，由于輸出的結果有時不能反映微小的變化，因此傳統的規則庫具有一定的缺陷。考慮到船舶引航員復雜多變的任務環境，且專家不能100%肯定其對假設的支持，而僅擁有一定程度的置信度，建立一個不確定性、簡易的If-Then規則庫,需涉及到所有與置信度相關的可能結果。因此,本文建立一個多輸入多輸出的置信規則庫Rk,用其表示CPC與控制模式之間的關系為

Rk: IFL1,kANDL2,kAND … ANDL9,k， THEN

{(β1,k，D1)，(β2,k，D2)，(β3,k，D3)，(β4,k，D4)}

(1)

式(1)為在置信規則庫Rk中，若輸入的語義變量集合為Li,k，則輸出的控制模式結果為不同置信度的4種控制模式的組合。式(1)中:Dj為4種控制模式;βj,k為控制模式對應的置信度;Li,k為CPCi對人類績效產生的改進、不顯著和降低的影響。[7]

例如，若L1表示“組織有效性”這個通用行為條件對人類績效產生的影響，則L1,k可用4種語義變量描述，分別為效果差(L1,1)、無效(L1,2)、有效(L1,3)和非常有效(L1,4)。舉例解釋上述的Rk,有

R3: IFL1,3ANDL2,1ANDL3,1ANDL4,1ANDL5,1ANDL6,1ANDL7,1AND

L8,1ANDL9,1.THEN(0,D1),(0,D2),(0.5,D3),(0.5,D4)

(2)

由式(2)可知:若“組織有效性”是有效(L1,3),“工作條件”是不匹配(L2,1),“人機界面與運營支持的充分性”是不適當(L3,1),“規程/計劃可用性”是不適當(L4,1),“同時出現的目標數量”是高于實際能力(L5,1),“可用時間”是連續不充分(L6,1)，“值班時間”是夜晚(L7,1),“培訓和經驗的充分性”是不充分(L8,1),“船員合作質量”是效果差(L9,1)，則該引航員將在置信度為50%的機會型和50%的混亂型控制模式下完成引航任務。

該置信規則庫可映射出9個CPC與4種控制模式之間的不確定性關系，提供比傳統規則庫對于不確定認知更豐富、適用的方案。

2.2 CPC績效效應評價

每個CPC中包含有限個語義變量，這些語義變量均對其行為的可靠性產生不同的影響，從而影響船舶引航員的績效可靠性。積極的影響可使人類績效的可靠性提高，消極的影響則相反。[16]每個CPC的主要影響都是用來預測HEP的有用工具。但是，在基本CREAM中，每個CPC的影響都是離散的和確定的(0%或100%)，最終獲得的失誤概率預測區間太寬，且相鄰的概率區間存在交叉。因此，本文先利用模糊數將離散的確定值轉換成連續值[17](見表2)，再通過去模糊化將連續值轉換成概率值。[6]通過這種方式，可將CPC的不同重要績效水平納入HEP的估算中，結合CPC績效評估的不確定性,從而降低主觀性。

2.3 調整CPC依賴性

CREAM基本法利用CPC為任務環境定量描述提供一套綜合的、結構化的指標體系。然而，其并不是相互獨立的，而是任意存在相互耦合或依賴關系。HOLLNAGEL[15]研究CPC影響人行為績效的作用機理，并給出調整規則見表3。

當某個CPC效應值“不顯著”時，根據與其相關的其他因數效應值的共同指向(改進/降低)是否達到閾值進行修正,如表3所示。

2.4 貝葉斯網絡技術建模

當模糊輸入可由專家使用具有置信度的語義變量表示時，可采用BN技術對規則庫進行建模，以確定控制模式。即將規則庫中的置信度適當轉換為貝葉斯機制中的條件概率。[6]例如第2.1節的R3可表示為

P(Dj|L1,3，L2,1，L3,1，L4,1，L5,1，L6,1，L7,1，L8,1，L9,1)=

(0,0,0.5,0.5)

(3)

表2 模糊集

表3 CPC因數調整規則

在CREAM基本法中，組織有效性、人機界面與運行支持的充分性和船員合作質量有4個水平等級，工作條件、規程/計劃可用性、同時出現的目標數量、可用時間和培訓與經驗的充分性均有3個水平等級，值班區間有2個水平等級。這就會產生31 104個條件概率用以構建網絡。為方便計算，可使用分離方法減少父節點的數量[18]，將9個CPC分成3組,即

G1:CPC1,CPC2,CPC3

G2:CPC4,CPC5,CPC6

G3:CPC7,CPC8,CPC9

(4)

為以條件概率的形式表示規則庫中的置信度，首先要定義離散函數fEi、fA、fG1、fG和fCOCOM。

fEi:CPCi→Ei(i=1，2,…，9)

(5)

式(5)中:Ei為CPCi對人行為可靠性產生的期望效應(改進、不顯著和降低)，見表4。本文可根據表4確定CPCi績效效應的條件概率。

表4 離散函數fEi的條件概率

表3中給出的規則用來確定調整后的CPCh的條件概率函數fAh,有

fAh:(Eh+Eh，D)→Ah,h=2,5,6,9

(6)

式(6)中:Eh為CPCh自身的期望效應值;Eh,D為CPCh的依賴CPCi的期望效應值(改進/降低);Ah為調整后的CPCh的期望效應值(改進/降低)。例如調整后的CPC9因數的條件概率見表5。

表5 調整后的CPC9的條件概率

根據表1中列出CPC的期望效應值，計算改進/降低效應值的數量,由此定義離散函數fG1和fG分別為

(7)

由表1可知:CPC5和CPC7的期望效應值不包括改進，因此fG2和fG應該被修改，可改為

(8)

式(7)和式(8)中:+為改進效應值；-為降低效應值。

fG1和fG的條件概率見表6和表7。

表6 fG1的條件概率

表7 fG的條件概率

根據圖1定義函數fCOCOM。與COCOMj相對應的條件概率見表8。

表8 fCOCOM的條件概率

根據式(4),采用BN技術建立十節點會聚連接模型,有

i=1,…,9;j=1,…,4

(9)

式(9)中:P(COCOMj)為控制模式j的概率；Ji為第i個CPC的語義變量數，Ji=1,2,3,4(i=1,3,9)或Ji=1,2,3(i=2,4,5,6,7,8)；P(NiJi)為第i個CPC的先驗概率。

2.5 HEP計算

根據上述步驟獲得的控制模式概率結果，可計算HEP。[13]HEP值越大，人類績效可靠性水平就越低。

(10)

式(10)中:UCOCOMj為一組值{2.24×10-4,0.01,0.070 8,0.316},用以進行基準測試;j=1,2,3,4(戰略型、戰術型、機會型、混亂型)。

3 實例驗證

3.1 實例描述

按照我國沿海某引航站的引航計劃，2020年 2月 4日06:10，某引航員將要執行大型船舶管理公司的CAPE SIZE船舶自蝦蛭門南錨地至武港碼頭的引航任務。執行任務期間,風力為5～6級，中云，陰，船舶交通量少，通航密度小；與引航相關的人機界面(Man Machine Interface,MMI)具有充分適當性，已確定船舶靠離泊時間；引航員引航資歷為11 a。為保證水域通航安全，可對執行此次引航作業任務的引航員的人因可靠性進行預測，為其提供理論依據。

3.2 船舶引航員HEP計算

通過問卷調查對與CPC有關的數據進行收集，調查問卷設計30個問題，根據從“強烈不同意”到“非常同意”的5級李克特量表進行評分。例如:“人機界面與運營支持的充分性CPC3”,此CPC因數通過5個問題進行評估，如“引航員可隨時查看引航調度系統”“各類助航引航信息易于獲取，如船舶、港口和航道基礎信息,與引航作業相關的水文、氣象和船舶姿態等數據”“引航員能夠及時接收動態感知數據,如船舶全球定位系統/船舶自動識別系統/北斗位置數據、船舶交通服務等雷達數據、其高頻通信數據和語音數據等”“引航員便攜終端智能化”等問題。對于只存在特定狀態的CPC直接采用描述統計方法，例如，“值班區間CPC7”是白天或夜晚。利用5級李克特量表處理問卷,獲得每個CPC的效應評價值見表9。為克服CREAM存在的不足，根據第2.2節內容，先利用模糊數將評價值轉換成模糊值，再采用重心法進行解模糊操作，得到概率值。

采用MSBNx軟件處理CPC的績效效應值，構建改進CREAM模型以確定控制模式，結果見圖2。

該一級引航員執行此次引航任務時可能發生HEP為0.009 4。

表9 CPC績效效應值

圖2 控制模式結果

3.3 結果分析

根據傳統的CREAM基本法進行分析，只能獲得該引航員在此情景環境下執行引航任務時的控制模式為“戰術型”，失誤概率區間為(0.000 1,1.000 0)。與基本法相比，采用本文所述方法得到的結果更準確,精度更高。

為檢驗模型的穩定性和有效性，采用靈敏度分析方法進行分析，結果見表9。對CPC1的評價值以10為增量進行分析，由表9可知:HEP逐步降低。組織的有效性增強，進一步對人因可靠性產生正面影響，HEP也會隨之下降，從側面證明了模型的穩定性和有效性。

表9 靈敏度分析

4 結束語

1)模型能夠獲得特定情景環境下引航員人因可靠性的精確值，與CREAM基本法獲得的預測結果相比精度更高，可為引航員人因可靠性分析提供輔助決策。

2)提供一種簡單的HRA思路，采用李克特5級評價量表收集數據，將數據轉換成概率值，并基于BN,采用MSBNx軟件進行分析。

3)模型只對總任務HEP進行量化，沒有將復雜任務分解為簡單認知行為，從而獲得認知行為的HEP。