基于改進(jìn)CREAM擴(kuò)展法的駕駛轉(zhuǎn)向人因失誤率預(yù)測(cè)

李 娜，郭進(jìn)利，郭曌華

（1.上海理工大學(xué) 管理學(xué)院，上海 200093；2.上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093）

隨著我國(guó)居民生活水平的提高和交通網(wǎng)絡(luò)的大力發(fā)展，汽車(chē)出行在交通方式中所占比重迅速增加[1]。汽車(chē)技術(shù)發(fā)展迅速，車(chē)輛設(shè)備的可靠性已經(jīng)得到極大的提升，而由于人的失誤造成的交通事故量占比越來(lái)越重。Rumar[2]曾在研究中指出，大約90%～95%的交通事故都是由人的因素造成的。因此，研究車(chē)輛駕駛?cè)嗽隈{駛?cè)蝿?wù)中的人因失誤行為有著重大的現(xiàn)實(shí)意義。

具有交通信號(hào)燈控制的交叉口作為城市路網(wǎng)的關(guān)鍵節(jié)點(diǎn)，其交通通行特征復(fù)雜，是交通事故的常發(fā)點(diǎn)[3]。駕駛車(chē)輛在這樣的路口進(jìn)行轉(zhuǎn)向任務(wù)是駕駛?cè)私?jīng)常遇到的情況，由于環(huán)境以及自身因素的影響，可能會(huì)出現(xiàn)一些駕駛差錯(cuò)行為，嚴(yán)重的甚至?xí)l(fā)重大的交通事故。因此，對(duì)駕駛?cè)瞬僮鞯目煽啃赃M(jìn)行評(píng)估和量化分析顯得尤為重要。

1 人因可靠性分析方法

第一代人因可靠性分析（human factor reliability analysis, HRA）方法主要有人因失誤率預(yù)測(cè)技術(shù)（technique for human error rate prediction, THERP）、人因失誤評(píng)估與減少技術(shù)（human error assessment and reduction technique, HEART）、人的認(rèn)知可靠性（human cognitive reliability, HCR）及成功似然指數(shù)法?多屬性效應(yīng)分解（success likelihood index methodmulti attribute utility decomposition, SLIM-MAUD）等，但是，第一代的很多方法缺乏心理學(xué)基礎(chǔ)，沒(méi)有考慮到深層次的人的認(rèn)知行為[4]。認(rèn)知可靠性與失誤分析方法（cognitive reliability and error analysis method, CREAM）[5]是HRA第二代的代表性方法，其核心思想是人的績(jī)效輸出不是孤立的隨機(jī)行為，而是依賴(lài)于完成任務(wù)時(shí)所處的情景或工作條件[6]。CREAM可以進(jìn)行回溯分析和預(yù)測(cè)分析，最初的分析對(duì)象是核電領(lǐng)域，但它是一種通用型方法，可以在很多包含復(fù)雜、動(dòng)態(tài)系統(tǒng)的領(lǐng)域中應(yīng)用。楊越等[7]提出了基于CREAM和貝葉斯網(wǎng)絡(luò)的人因失誤預(yù)測(cè)方法，并將其應(yīng)用在航空領(lǐng)域的空管人誤概率預(yù)測(cè)中。浦同爭(zhēng)等[8]依據(jù)無(wú)人機(jī)操作員的任務(wù)特征建立了影響操作員績(jī)效的行為行成因子，改進(jìn)了CREAM方法，分析了無(wú)人機(jī)操作員的人因可靠性。王寧等[9]構(gòu)建了加權(quán)模糊CREAM模型，對(duì)地鐵盾構(gòu)施工人員的人因可靠性進(jìn)行了分析。吳雅菊等[10]研究了高溫熔融金屬作業(yè)人員的可靠性，利用CREAM方法對(duì)作業(yè)人員的可靠性進(jìn)行了量化和評(píng)估。Pan等[11]在CREAM方法的基礎(chǔ)上，提出了分析和預(yù)測(cè)人因失誤的策略，并將其應(yīng)用在航天領(lǐng)域。劉繼新等[12]利用CREAM擴(kuò)展法評(píng)估管制人員在空中交通指揮過(guò)程中的可靠性，量化了管制人員在特定任務(wù)中的人因失誤概率。席永濤等[13]以CREAM方法為基礎(chǔ)，采用特征選擇算法、貝葉斯網(wǎng)絡(luò)和證據(jù)推理算法對(duì)多源數(shù)據(jù)進(jìn)行處理，構(gòu)建了一個(gè)改進(jìn)的CREAM模型，并用此模型對(duì)特定場(chǎng)景下船舶駕駛員操作可靠性進(jìn)行量化預(yù)測(cè)。尚梅等[14]將CREAM方法應(yīng)用在建筑領(lǐng)域，對(duì)建筑工人人因失誤率進(jìn)行定量預(yù)測(cè)。

CREAM擴(kuò)展法是通過(guò)共同績(jī)效條件（common performance conditions, CPC）來(lái)量化任務(wù)特點(diǎn)和情景環(huán)境的，因此，CPC因子權(quán)重的確定關(guān)系到整個(gè)預(yù)測(cè)結(jié)果的準(zhǔn)確性[15]。CREAM方法在評(píng)估人因可靠性的時(shí)候，默認(rèn)所有的CPC因子都具有同等的重要性，但實(shí)際情況往往并非如此，在實(shí)際的情境中，影響人可靠性的各種因素的重要程度是不同的，并且某些因素之間會(huì)相互影響。多數(shù)對(duì)于CREAM方法的研究中，沒(méi)有考慮CPC因子的自身權(quán)重以及某些CPC因子之間的相互影響關(guān)系。另外，以往的研究多將CREAM方法應(yīng)用在航空航天、航海等領(lǐng)域，而對(duì)于交通駕駛領(lǐng)域的應(yīng)用極其少見(jiàn)。且對(duì)于駕駛?cè)说娜艘蚩煽啃苑治龆嗖捎枚ㄐ苑治龅姆绞?，沒(méi)有系統(tǒng)的定量分析方法。本文以CREAM擴(kuò)展法為基礎(chǔ)，利用系統(tǒng)因素分析方法?決策與實(shí)驗(yàn)室方法（decision-making trial and evaluation laboratory, DEMATEL）[16]綜合考慮CPC因子之間的影響關(guān)系，計(jì)算得到CPC因子的影響權(quán)重。進(jìn)而對(duì)CREAM方法中總權(quán)重因子計(jì)算公式進(jìn)行改進(jìn)，并對(duì)駕駛?cè)笋{駛車(chē)輛在具有交通信號(hào)燈控制的交叉口進(jìn)行轉(zhuǎn)向這一普遍任務(wù)中的人因失誤進(jìn)行定量化分析與預(yù)測(cè)。

2 改進(jìn)CREAM擴(kuò)展法定量化預(yù)測(cè)駕駛?cè)巳艘蚴д`率

2.1 特定場(chǎng)景下駕駛轉(zhuǎn)向任務(wù)事件序列分析

在一般的具有交通信號(hào)燈控制的十字交叉路口，駕駛?cè)笋{駛車(chē)輛進(jìn)行轉(zhuǎn)向任務(wù)，需要完成一系列的駕駛操作。駕駛?cè)嗽隈{駛車(chē)輛轉(zhuǎn)向時(shí)大致可分為3個(gè)階段，其關(guān)鍵事件序列如圖1所示。

圖1 車(chē)輛駕駛轉(zhuǎn)向任務(wù)關(guān)鍵事件序列圖Fig.1 Sequence diagram of critical events in the steering task of a vehicle

2.2 識(shí)別認(rèn)知行為和認(rèn)知功能

建立關(guān)鍵事件序列之后，要對(duì)其認(rèn)知行為進(jìn)行分析。CREAM將認(rèn)知行為類(lèi)型分為15種，包括協(xié)調(diào)、通信、比較、診斷、評(píng)估、執(zhí)行、識(shí)別、保持、監(jiān)視、觀察、計(jì)劃、記錄、調(diào)整、掃視和檢驗(yàn)。認(rèn)知功能分為4類(lèi)，包括觀察、解釋、計(jì)劃和執(zhí)行。每一類(lèi)功能有若干個(gè)失效模式[5]。通過(guò)對(duì)駕駛轉(zhuǎn)向關(guān)鍵事件序列分析，確定每一項(xiàng)任務(wù)中涉及到的認(rèn)知活動(dòng)以及對(duì)應(yīng)的認(rèn)知功能，如表1所示。

2.3 評(píng)估CPC因子

2.3.1 確定CPC因子水平及對(duì)績(jī)效預(yù)計(jì)的影響

CREAM方法是在對(duì)大量的安全事故研究的基礎(chǔ)上提出的，它提供了影響人因績(jī)效的9種CPC因子，并說(shuō)明了CPC因子不同水平對(duì)績(jī)效可靠性的影響以及對(duì)應(yīng)的認(rèn)知功能的權(quán)重因子。CREAM方法應(yīng)用到駕駛領(lǐng)域中時(shí)，可進(jìn)行適當(dāng)改變，使之更加適合于駕駛領(lǐng)域，文獻(xiàn)[17]認(rèn)為人的內(nèi)因和環(huán)境的外因共同決定人的行為。駕駛?cè)蝿?wù)中，駕駛?cè)俗陨硪蛩睾铜h(huán)境因素都會(huì)對(duì)駕駛?cè)丝煽啃钥?jī)效產(chǎn)生影響，結(jié)合實(shí)際的駕駛情景，確定9種影響駕駛轉(zhuǎn)向任務(wù)中人因失誤的CPC因子：交通流量（CPC1）、行駛道路路況（CPC2）、其他車(chē)輛行為（CPC3）、人機(jī)界面的支持程度（CPC4）、內(nèi)部駕駛環(huán)境（CPC5）、道路熟悉程度（CPC6）、駕駛時(shí)間段（CPC7）、駕駛?cè)松?心理狀態(tài)（CPC8）、駕駛?cè)思寄芎徒?jīng)驗(yàn)（CPC9）。各個(gè)CPC因子的說(shuō)明如表2所示。CPC不同水平對(duì)應(yīng)的認(rèn)知功能權(quán)重因子如表3所示。由于本文討論的是一般情況下轉(zhuǎn)向任務(wù)中駕駛?cè)说钠毡檎J(rèn)知過(guò)程，故假設(shè)CPC因子水平處于較優(yōu)水平，如表4所示。

表1 關(guān)鍵事件序列對(duì)應(yīng)的認(rèn)知行為和認(rèn)知功能Tab.1 Cognitive behavior and cognitive function corresponding to critical event sequence

表2 CPC因子說(shuō)明Tab.2 CPC factor description

2.3.2 確定CPC因子的影響權(quán)重

DEMATEL方法是一種處理因素內(nèi)部影響關(guān)系的有效方法[18]。對(duì)于本文所討論的駕駛?cè)蝿?wù)來(lái)說(shuō)，利用DEMATEL方法，在綜合考慮CPC因子之間的相互影響關(guān)系的基礎(chǔ)上確定9種CPC因子的影響權(quán)重，從而對(duì)每一項(xiàng)認(rèn)知活動(dòng)下的CPC總權(quán)重因子進(jìn)行修正。

表3 共同績(jī)效條件（CPC）對(duì)認(rèn)知的影響Tab.3 Influence of CPC on cognition

設(shè)計(jì)用于DEMATEL方法的問(wèn)卷，對(duì)于因素之間的影響程度采用5級(jí)標(biāo)度，取0—4表示程度大小，表示含義是{無(wú)，較小，一般，較大，非常大}。通過(guò)收集10位在交通駕駛領(lǐng)域經(jīng)驗(yàn)豐富的相關(guān)人員的判斷數(shù)據(jù)，建立各因素之間的直接影響矩陣A。

表4 CPC水平及對(duì)應(yīng)的認(rèn)知權(quán)重Tab.4 CPC level and corresponding cognitive weight

利用式（1）計(jì)算得到規(guī)范化矩陣G。

式中：aij表示矩陣A中第i行第j列的元素表示矩陣A第i行的各列元素之和。

然后，利用python3.7編程計(jì)算得到綜合影響矩陣T。

則

式中：tij為矩陣T中的第i行第j列的元素；di表示第i行的各元素對(duì)于其他元素的影響度，稱(chēng)為影響度；rj為被影響度，表示第j列的各元素受到其他各元素的影響度。

計(jì)算得到CPC之間的影響度和被影響度為

中心度可表示為di+rj，利用式（5）對(duì)中心度進(jìn)行標(biāo)準(zhǔn)化處理。

標(biāo)準(zhǔn)化di+rj用來(lái)表示各CPC因子的權(quán)重[18]。通過(guò)計(jì)算得到每個(gè)CPC因子的影響權(quán)重為

2.4 識(shí)別認(rèn)知功能失效模式

CREAM方法提供了13類(lèi)認(rèn)知功能失效模式，如表5所示[5]。

駕駛行為會(huì)有個(gè)體差異，但是，處于相同階段的駕駛?cè)笋{駛行為會(huì)有一定的規(guī)律性，如經(jīng)驗(yàn)不足的駕駛?cè)送鶗?huì)犯技能上的駕駛差錯(cuò)[19]。針對(duì)本文的研究，為了避免不同駕駛經(jīng)驗(yàn)對(duì)于駕駛行為的影響，選取實(shí)際駕齡在2～3 a，年齡在30～40歲的男性駕駛?cè)俗鳛檠芯繉?duì)象，即研究對(duì)象的駕駛經(jīng)驗(yàn)水平處于“充分，有一定經(jīng)驗(yàn)”階段。對(duì)他們最有可能犯的認(rèn)知失效模式類(lèi)型進(jìn)行問(wèn)卷調(diào)查，對(duì)于轉(zhuǎn)向中的關(guān)鍵事件序列，問(wèn)卷共設(shè)置了24種駕駛錯(cuò)誤，可歸類(lèi)到表5中的13類(lèi)認(rèn)知失效模式之中。通過(guò)對(duì)收集到的108份有效問(wèn)卷進(jìn)行分析，得到普遍情況下駕駛轉(zhuǎn)向任務(wù)中駕駛?cè)俗钣锌赡艹霈F(xiàn)的認(rèn)知失效模式，如表6所示。

2.5 改進(jìn)總權(quán)重計(jì)算公式，預(yù)測(cè)人因失誤率

根據(jù)前面的分析以及表5和表6，可以得到每一個(gè)關(guān)鍵事件序列最有可能的失效模式以及對(duì)應(yīng)的認(rèn)知失效概率，此時(shí)獲得的是該項(xiàng)認(rèn)知活動(dòng)的標(biāo)稱(chēng)失效概率值CFPbc，CPC因子可以對(duì)認(rèn)知失效概率值產(chǎn)生影響，根據(jù)表4可知每個(gè)CPC因子下各認(rèn)知功能的權(quán)重因子，每個(gè)認(rèn)知功能下所有CPC因子對(duì)應(yīng)的認(rèn)知功能權(quán)重的乘積，即該認(rèn)知功能的總權(quán)重因子Wz?，F(xiàn)在考慮CPC因子自身的影響權(quán)重wi，記給定的認(rèn)知功能的權(quán)重因子為pi，利用式（6）對(duì)總權(quán)重因子的計(jì)算公式進(jìn)行改進(jìn)。

表5 認(rèn)知失效模式Tab.5 Cognitive failure mode

表6 駕駛轉(zhuǎn)向任務(wù)中駕駛?cè)俗钣锌赡艹霈F(xiàn)的認(rèn)知失效模式Tab.6 The most common cognitive failure mode in steering task

CPC因子修正后，駕駛?cè)说恼J(rèn)知失效概率CFPxz=CFPbcWz。將一系列計(jì)算結(jié)果列于表7。

表7 關(guān)鍵事件序列失效概率（1）Tab.7 Failure probability of critical event sequence (1)

最后，根據(jù)圖1所示的駕駛轉(zhuǎn)向任務(wù)的關(guān)鍵事件序列，由式（7）計(jì)算該駕駛?cè)蝿?wù)中人因失誤概率P。

式中，CFPi表示第i項(xiàng)操作的認(rèn)知失效概率。

根據(jù)表7的數(shù)據(jù)，計(jì)算得到在具有交通信號(hào)燈的十字交叉口駕駛車(chē)輛進(jìn)行轉(zhuǎn)向任務(wù)中的人因失誤率為2.3582×10-2。

通過(guò)上述駕駛?cè)巳艘蚴д`定量化預(yù)測(cè)過(guò)程，可知駕駛轉(zhuǎn)向任務(wù)中每一步操作的認(rèn)知失效概率，如表7所示，實(shí)現(xiàn)量化分析每一步操作。在轉(zhuǎn)向任務(wù)一系列操作中，觀察距離（車(chē)距）、注意其他車(chē)輛行為和駛?cè)胝_車(chē)道這3項(xiàng)操作中最容易發(fā)生失誤，3項(xiàng)操作都屬于觀察活動(dòng)，因此，可以著重通過(guò)改善這3項(xiàng)活動(dòng)的認(rèn)知權(quán)重來(lái)大大降低人因失誤率，進(jìn)而提高駕駛安全。將駕駛?cè)蝿?wù)進(jìn)行分解，分析影響人因失誤最大的操作行為，為規(guī)范駕駛?cè)瞬僮髋嘤?xùn)規(guī)程以及安全考評(píng)提供有力的支持。對(duì)于已經(jīng)發(fā)生的事故也可以通過(guò)CREAM擴(kuò)展法定量分析找出失誤率最高的人誤事件，然后利用回溯法進(jìn)一步追溯發(fā)生事故的原因，建立系統(tǒng)的事故原因分析體系。另外，改進(jìn)CREAM方法，并將其應(yīng)用在駕駛轉(zhuǎn)向中，可促進(jìn)人因可靠性方法在交通領(lǐng)域的發(fā)展和應(yīng)用，有助于解決交通領(lǐng)域?qū)τ隈{駛?cè)巳艘蚩煽啃苑治鰯?shù)據(jù)缺乏這一問(wèn)題，同時(shí)也彌補(bǔ)了以往只能通過(guò)定性方式分析駕駛?cè)丝煽啃缘娜毕?。CREAM方法具有很強(qiáng)的應(yīng)用性，在實(shí)際情景應(yīng)用時(shí)，只需對(duì)現(xiàn)場(chǎng)環(huán)境和駕駛?cè)藸顟B(tài)進(jìn)行評(píng)估，確定CPC因子及其所處水平，對(duì)駕駛?cè)苏J(rèn)知失效模式作出判斷，即可快速應(yīng)用此方法實(shí)現(xiàn)駕駛?cè)巳艘蚴д`的量化分析。

3 改進(jìn)的CREAM擴(kuò)展法的合理性及有效性分析

3.1 合理性分析

利用上述改進(jìn)的CREAM方法可以預(yù)測(cè)特定駕駛場(chǎng)景下駕駛轉(zhuǎn)向任務(wù)中的人因失誤率，為了證明改進(jìn)方法的合理性，利用人因可靠性分析中的一個(gè)公理對(duì)其進(jìn)行驗(yàn)證[20]，即微小改變CPC的狀態(tài)，會(huì)對(duì)人因失誤率產(chǎn)生影響。積極的改變，會(huì)降低人因失誤率；消極的改變，會(huì)增大人因失誤率[21]。

在上述的駕駛情景下，取CPC9這一影響因素，以上述討論的因素水平為基準(zhǔn)，其他因素不變的情況下，只改變CPC9的狀態(tài)，分別進(jìn)行積極改變和消極改變，用上述改進(jìn)過(guò)的CREAM擴(kuò)展法進(jìn)行計(jì)算，結(jié)果如表8所示。

表8 3種狀態(tài)下的人因失誤率（1）Tab.8 Human error rate in three states (1)

從表8可以看出，改變CPC因子水平，積極改變下，人因失誤率降低，消極改變下，人因失誤率增大。結(jié)果與公理所述相符，改進(jìn)方法的合理性得到驗(yàn)證。

3.2 對(duì)比分析

為了更好地說(shuō)明改進(jìn)后CREAM方法的有效性，與改進(jìn)前的CREAM方法量化分析結(jié)果進(jìn)行對(duì)比分析。利用傳統(tǒng)的CREAM方法，對(duì)上述情境下定量化分析得到駕駛轉(zhuǎn)向任務(wù)中每一步操作的人因失誤率列于表9，與使用改進(jìn)后的方法定量化分析結(jié)果相比，駕駛?cè)蝿?wù)的關(guān)鍵事件序列中，兩種方法分析的最容易發(fā)生人因失誤的認(rèn)知活動(dòng)是觀察，這一結(jié)果符合客觀實(shí)際情況，觀察這一認(rèn)知活動(dòng)貫穿于整個(gè)駕駛?cè)蝿?wù)，并且是解釋、計(jì)劃、執(zhí)行等認(rèn)知活動(dòng)的基礎(chǔ)。

表9 關(guān)鍵事件序列失效概率（2）Tab.9 Failure probability of critical event sequence (2)

微小改變?nèi)我籆PC因子的狀態(tài)，計(jì)算3種狀態(tài)下的人因失誤率，觀察其變化，結(jié)果列于表10。

表10 3種狀態(tài)下的人因失誤率（2）Tab.10 Human error rate in three states (2)

從表8的結(jié)果可以看出，當(dāng)積極改進(jìn)影響因素水平時(shí)，雖人因失誤率降低，卻改變相對(duì)較小，降幅僅為3.7%，但是，消極改變影響因素水平時(shí)，人因失誤率大幅度增加，增幅為20%。從表10的結(jié)果來(lái)看，當(dāng)積極改進(jìn)影響因素水平時(shí)，人因失誤率降幅為5%，消極改變影響因素水平時(shí)，人因失誤率雖增大，但增幅極其小，增幅為5%。從結(jié)果變化來(lái)看，改進(jìn)后的方法量化分析結(jié)果更加符合實(shí)際調(diào)查情況，即與正常情況下相比，外界環(huán)境或者自身狀態(tài)處于更佳水平時(shí)，并不會(huì)明顯減少駕駛?cè)说娜艘蚴д`率，但當(dāng)環(huán)境或自身?xiàng)l件低于正常水平時(shí)，則會(huì)大大增加人因失誤率，進(jìn)而大大增加了發(fā)生嚴(yán)重交通事故的概率。

4 結(jié) 論

a.首先對(duì)普遍情況下駕駛?cè)笋{駛車(chē)輛在具有交通信號(hào)燈的十字交叉口進(jìn)行轉(zhuǎn)向任務(wù)的關(guān)鍵事件序列進(jìn)行了分析，改進(jìn)了CREAM擴(kuò)展法，賦予CPC權(quán)重，改進(jìn)認(rèn)知活動(dòng)下CPC的總權(quán)重因子計(jì)算公式，預(yù)測(cè)駕駛?cè)说娜艘蚴д`率，實(shí)現(xiàn)了對(duì)駕駛?cè)巳艘蚴д`的定量化分析。

b.提出了一種基于改進(jìn)CREAM擴(kuò)展法的駕駛轉(zhuǎn)向任務(wù)中駕駛?cè)巳艘蚴д`量化方法，利用人因可靠性分析中的公理驗(yàn)證了改進(jìn)方法的合理性，結(jié)合實(shí)際分析了其有效性，為駕駛?cè)巳艘蚴д`量化分析研究提供方法借鑒。

c.在定量化的過(guò)程中，根據(jù)實(shí)際環(huán)境中最普遍的情況確定CPC因子水平，而對(duì)于某一次具體的駕駛轉(zhuǎn)向任務(wù)來(lái)講，CPC因子水平可能會(huì)有一些微小的改變，因此，未來(lái)在對(duì)具體的某一次任務(wù)進(jìn)行分析時(shí)，可以增加對(duì)CPC因子水平等級(jí)的客觀性評(píng)價(jià)。