李 娜，郭進利，郭曌華

（1.上海理工大學 管理學院，上海 200093；2.上海理工大學 機械工程學院，上海 200093）

隨著我國居民生活水平的提高和交通網(wǎng)絡(luò)的大力發(fā)展，汽車出行在交通方式中所占比重迅速增加[1]。汽車技術(shù)發(fā)展迅速，車輛設(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)實意義。

具有交通信號燈控制的交叉口作為城市路網(wǎng)的關(guān)鍵節(jié)點，其交通通行特征復雜，是交通事故的常發(fā)點[3]。駕駛車輛在這樣的路口進行轉(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，可能會出現(xiàn)一些駕駛差錯行為，嚴重的甚至會引發(fā)重大的交通事故。因此，對駕駛?cè)瞬僮鞯目煽啃赃M行評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)測技術(shù)（technique for human error rate prediction, THERP）、人因失誤評估與減少技術(shù)（human error assessment and reduction technique, HEART）、人的認知可靠性（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基礎(chǔ)，沒有考慮到深層次的人的認知行為[4]。認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效輸出不是孤立的隨機行為，而是依賴于完成任務(wù)時所處的情景或工作條件[6]。CREAM可以進行回溯分析和預(yù)測分析，最初的分析對象是核電領(lǐng)域，但它是一種通用型方法，可以在很多包含復雜、動態(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)測方法，并將其應(yīng)用在航空領(lǐng)域的空管人誤概率預(yù)測中。浦同爭等[8]依據(jù)無人機操作員的任務(wù)特征建立了影響操作員績效的行為行成因子，改進了CREAM方法，分析了無人機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，對地鐵盾構(gòu)施工人員的人因可靠性進行了分析。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方法對作業(yè)人員的可靠性進行了量化和評估。Pan等[11]在CREAM方法的基礎(chǔ)上，提出了分析和預(yù)測人因失誤的策略，并將其應(yīng)用在航天領(lǐng)域。劉繼新等[12]利用CREAM擴展法評估管制人員在空中交通指揮過程中的可靠性，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)推理算法對多源數(shù)據(jù)進行處理，構(gòu)建了一個改進的CREAM模型，并用此模型對特定場景下船舶駕駛員操作可靠性進行量化預(yù)測。尚梅等[14]將CREAM方法應(yīng)用在建筑領(lǐng)域，對建筑工人人因失誤率進行定量預(yù)測。

CREAM擴展法是通過共同績效條件（common performance conditions, CPC）來量化任務(wù)特點和情景環(huán)境的，因此，CPC因子權(quán)重的確定關(guān)系到整個預(yù)測結(jié)果的準確性[15]。CREAM方法在評估人因可靠性的時候，默認所有的CPC因子都具有同等的重要性，但實際情況往往并非如此，在實際的情境中，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相互影響。多數(shù)對于CREAM方法的研究中，沒有考慮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，而對于交通駕駛領(lǐng)域的應(yīng)用極其少見。且對于駕駛?cè)说娜艘蚩煽啃苑治龆嗖捎枚ㄐ苑治龅姆绞?，沒有系統(tǒng)的定量分析方法。本文以CREAM擴展法為基礎(chǔ)，利用系統(tǒng)因素分析方法?決策與實驗室方法（decision-making trial and evaluation laboratory, DEMATEL）[16]綜合考慮CPC因子之間的影響關(guān)系，計算得到CPC因子的影響權(quán)重。進而對CREAM方法中總權(quán)重因子計算公式進行改進，并對駕駛?cè)笋{駛車輛在具有交通信號燈控制的交叉口進行轉(zhuǎn)向這一普遍任務(wù)中的人因失誤進行定量化分析與預(yù)測。

2 改進CREAM擴展法定量化預(yù)測駕駛?cè)巳艘蚴д`率

2.1 特定場景下駕駛轉(zhuǎn)向任務(wù)事件序列分析

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

圖1 車輛駕駛轉(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 識別認知行為和認知功能

建立關(guān)鍵事件序列之后，要對其認知行為進行分析。CREAM將認知行為類型分為15種，包括協(xié)調(diào)、通信、比較、診斷、評估、執(zhí)行、識別、保持、監(jiān)視、觀察、計劃、記錄、調(diào)整、掃視和檢驗。認知功能分為4類，包括觀察、解釋、計劃和執(zhí)行。每一類功能有若干個失效模式[5]。通過對駕駛轉(zhuǎn)向關(guān)鍵事件序列分析，確定每一項任務(wù)中涉及到的認知活動以及對應(yīng)的認知功能，如表1所示。

2.3 評估CPC因子

2.3.1 確定CPC因子水平及對績效預(yù)計的影響

CREAM方法是在對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效的9種CPC因子，并說明了CPC因子不同水平對績效可靠性的影響以及對應(yīng)的認知功能的權(quán)重因子。CREAM方法應(yīng)用到駕駛領(lǐng)域中時，可進行適當改變，使之更加適合于駕駛領(lǐng)域，文獻[17]認為人的內(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)境因素都會對駕駛?cè)丝煽啃钥冃Мa(chǎn)生影響，結(jié)合實際的駕駛情景，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）、其他車輛行為（CPC3）、人機界面的支持程度（CPC4）、內(nèi)部駕駛環(huán)境（CPC5）、道路熟悉程度（CPC6）、駕駛時間段（CPC7）、駕駛?cè)松?心理狀態(tài)（CPC8）、駕駛?cè)思寄芎徒?jīng)驗（CPC9）。各個CPC因子的說明如表2所示。CPC不同水平對應(yīng)的認知功能權(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知過程，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)鍵事件序列對應(yīng)的認知行為和認知功能Tab.1 Cognitive behavior and cognitive function corresponding to critical event sequence

表2 CPC因子說明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]。對于本文所討論的駕駛?cè)蝿?wù)來說，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，從而對每一項認知活動下的CPC總權(quán)重因子進行修正。

表3 共同績效條件（CPC）對認知的影響Tab.3 Influence of CPC on cognition

設(shè)計用于DEMATEL方法的問卷，對于因素之間的影響程度采用5級標度，取0—4表示程度大小，表示含義是{無，較小，一般，較大，非常大}。通過收集10位在交通駕駛領(lǐng)域經(jīng)驗豐富的相關(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水平及對應(yīng)的認知權(quán)重Tab.4 CPC level and corresponding cognitive weight

利用式（1）計算得到規(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行的各元素對于其他元素的影響度，稱為影響度；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）對中心度進行標準化處理。

標準化di+rj用來表示各CPC因子的權(quán)重[18]。通過計算得到每個CPC因子的影響權(quán)重為

2.4 識別認知功能失效模式

CREAM方法提供了13類認知功能失效模式，如表5所示[5]。

駕駛行為會有個體差異，但是，處于相同階段的駕駛?cè)笋{駛行為會有一定的規(guī)律性，如經(jīng)驗不足的駕駛?cè)送鶗讣寄苌系鸟{駛差錯[19]。針對本文的研究，為了避免不同駕駛經(jīng)驗對于駕駛行為的影響，選取實際駕齡在2～3 a，年齡在30～40歲的男性駕駛?cè)俗鳛檠芯繉ο?，即研究對象的駕駛經(jīng)驗水平處于“充分，有一定經(jīng)驗”階段。對他們最有可能犯的認知失效模式類型進行問卷調(diào)查，對于轉(zhuǎn)向中的關(guān)鍵事件序列，問卷共設(shè)置了24種駕駛錯誤，可歸類到表5中的13類認知失效模式之中。通過對收集到的108份有效問卷進行分析，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)的認知失效模式，如表6所示。

2.5 改進總權(quán)重計算公式，預(yù)測人因失誤率

根據(jù)前面的分析以及表5和表6，可以得到每一個關(guān)鍵事件序列最有可能的失效模式以及對應(yīng)的認知失效概率，此時獲得的是該項認知活動的標稱失效概率值CFPbc，CPC因子可以對認知失效概率值產(chǎn)生影響，根據(jù)表4可知每個CPC因子下各認知功能的權(quán)重因子，每個認知功能下所有CPC因子對應(yīng)的認知功能權(quán)重的乘積，即該認知功能的總權(quán)重因子Wz。現(xiàn)在考慮CPC因子自身的影響權(quán)重wi，記給定的認知功能的權(quán)重因子為pi，利用式（6）對總權(quán)重因子的計算公式進行改進。

表5 認知失效模式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知失效概率CFPxz=CFPbcWz。將一系列計算結(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）計算該駕駛?cè)蝿?wù)中人因失誤概率P。

式中，CFPi表示第i項操作的認知失效概率。

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

通過上述駕駛?cè)巳艘蚴д`定量化預(yù)測過程，可知駕駛轉(zhuǎn)向任務(wù)中每一步操作的認知失效概率，如表7所示，實現(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（車距）、注意其他車輛行為和駛?cè)胝_車道這3項操作中最容易發(fā)生失誤，3項操作都屬于觀察活動，因此，可以著重通過改善這3項活動的認知權(quán)重來大大降低人因失誤率，進而提高駕駛安全。將駕駛?cè)蝿?wù)進行分解，分析影響人因失誤最大的操作行為，為規(guī)范駕駛?cè)瞬僮髋嘤栆?guī)程以及安全考評提供有力的支持。對于已經(jīng)發(fā)生的事故也可以通過CREAM擴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CREAM方法，并將其應(yīng)用在駕駛轉(zhuǎn)向中，可促進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)缺乏這一問題，同時也彌補了以往只能通過定性方式分析駕駛?cè)丝煽啃缘娜毕?。CREAM方法具有很強的應(yīng)用性，在實際情景應(yīng)用時，只需對現(xiàn)場環(huán)境和駕駛?cè)藸顟B(tài)進行評估，確定CPC因子及其所處水平，對駕駛?cè)苏J知失效模式作出判斷，即可快速應(yīng)用此方法實現(xiàn)駕駛?cè)巳艘蚴д`的量化分析。

3 改進的CREAM擴展法的合理性及有效性分析

3.1 合理性分析

利用上述改進的CREAM方法可以預(yù)測特定駕駛場景下駕駛轉(zhuǎn)向任務(wù)中的人因失誤率，為了證明改進方法的合理性，利用人因可靠性分析中的一個公理對其進行驗證[20]，即微小改變CPC的狀態(tài)，會對人因失誤率產(chǎn)生影響。積極的改變，會降低人因失誤率；消極的改變，會增大人因失誤率[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，其他因素不變的情況下，只改變CPC9的狀態(tài)，分別進行積極改變和消極改變，用上述改進過的CREAM擴展法進行計算，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，改進方法的合理性得到驗證。

3.2 對比分析

為了更好地說明改進后CREAM方法的有效性，與改進前的CREAM方法量化分析結(jié)果進行對比分析。利用傳統(tǒng)的CREAM方法，對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)生人因失誤的認知活動是觀察，這一結(jié)果符合客觀實際情況，觀察這一認知活動貫穿于整個駕駛?cè)蝿?wù)，并且是解釋、計劃、執(zhí)行等認知活動的基礎(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，當積極改進影響因素水平時，雖人因失誤率降低，卻改變相對較小，降幅僅為3.7%，但是，消極改變影響因素水平時，人因失誤率大幅度增加，增幅為20%。從表10的結(jié)果來看，當積極改進影響因素水平時，人因失誤率降幅為5%，消極改變影響因素水平時，人因失誤率雖增大，但增幅極其小，增幅為5%。從結(jié)果變化來看，改進后的方法量化分析結(jié)果更加符合實際調(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，并不會明顯減少駕駛?cè)说娜艘蚴д`率，但當環(huán)境或自身條件低于正常水平時，則會大大增加人因失誤率，進而大大增加了發(fā)生嚴重交通事故的概率。

4 結(jié) 論

a.首先對普遍情況下駕駛?cè)笋{駛車輛在具有交通信號燈的十字交叉口進行轉(zhuǎn)向任務(wù)的關(guān)鍵事件序列進行了分析，改進了CREAM擴展法，賦予CPC權(quán)重，改進認知活動下CPC的總權(quán)重因子計算公式，預(yù)測駕駛?cè)说娜艘蚴д`率，實現(xiàn)了對駕駛?cè)巳艘蚴д`的定量化分析。

b.提出了一種基于改進CREAM擴展法的駕駛轉(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證了改進方法的合理性，結(jié)合實際分析了其有效性，為駕駛?cè)巳艘蚴д`量化分析研究提供方法借鑒。

c.在定量化的過程中，根據(jù)實際環(huán)境中最普遍的情況確定CPC因子水平，而對于某一次具體的駕駛轉(zhuǎn)向任務(wù)來講，CPC因子水平可能會有一些微小的改變，因此，未來在對具體的某一次任務(wù)進行分析時，可以增加對CPC因子水平等級的客觀性評價。