基于生物進化理論的人因系統風險演化研究

摘 要：引入生物進化理論，對人因系統風險的結構組成及演化機理進行分析。在人因系統的生物結構中，基因層影響策略形成；個體層和群體層分別以效用最大化和風險適應性準則，對行動策略進行優選；通過系統風險控制，最終能在系統層形成規范化的安全行為體系。以理論生物學中的演化博弈方法，建立風險演化的數量模型，通過改變有關參數，結合風險可接受性準則，進而實現風險的定向優化。關鍵詞：人因系統 生物進化 安全行為 風險優化中圖分類號：TP393 文獻標識碼：A

文章編號：1672-3791（2013）07（b）-0216-021 前言人的功能自由度可能導致其行為與目標間的偏離，導致系統中的人因風險。而人機系統的可靠性很大程度上依賴人因可靠性[1]，多數行業事故中，60%與人因失誤有關，80%重大災難事故與此有關[2]。人因風險包括人因失誤與不安全行為。不安全行為，是導致事故的直接原因。不少文獻指出，通過分析人因影響因素，加強人因管理，可以有效消除事故隱患，降低或避免事故的發生。筆者認為，在研究人因風險時，因人的心理、行為以及組織的復雜性，決定了無法從根本上消除人因風險。現代生物進化理論認為，生物進化工程是在人工控制下，使產物沿著符合人們需要的方向演變，在短時間內完成生物進化過程。生物系統及人因系統，都處于不斷的發展變化之中。生物進化過程，在本質上是一個系統優化的過程，結合適應性原則和系統定向演化控制，可以實現人因風險的系統性優化。1.1 個體行動策略的構成不同影響因子的組合構成個體的行動策略。不安全行為和符合安全規程的安全行為，二者共同構成了個體的行動策略的集合。1.2 人因系統的風險適應性準則生物的適應性準則源于自然環境下的生存準則。生物對環境有巨大的適應能力，會出現“用進廢退”現象。人因系統的風險適應性準則，衡量的是個體的行動策略與系統風險控制和安全性要求是否相適宜。1.3 人因系統風險的定向演化系統的風險定向控制是弱化環境或影響因素的多樣性對功能性單一的人因系統的不確定性。針對人因系統擬定適宜的適應性準則，進行個體與群體的行動策略的動態篩選，達到策略優化系統的目的，促進人因系統風險的定向演化。2 人因系統風險的演化機理分析基于生物進化理論，從系統多層面角度出發，構建人因系統的風險演化機理結構圖，如圖1所示。人因系統的生物結構組成分為基因層、個體層、群體層、物種層。系統內各層面間，環環相扣，形成風險的定向演化鏈，勾勒出系統風險優化的基本路徑。2.1 基礎層：人因風險的基礎基礎層包含所有人的心理、生理、環境等影響人因系統的基礎性因素，是風險產生的基礎，不同的因子組合形成不同的備選行動策略。2.2 個體層：人因風險的產生個體層考量系統中的不同個體所采取的行動策略，及由此產生的人因風險。對于系統而言，個體層面上的“最優化”策略有顯著的局限性，不是一種朝系統風險降低方向的定向策略選擇過程。2.3 群體層：人因風險的定向演化種群是生物進化的基本單位。在群體層內給定的選擇規則下，個體間、個體與群體間基于不同行動策略的效用自發進行博弈，實現對人因風險的定向選擇。通過系統控制措施，使個體的策略選擇向群體風險優化的方向進行，實現人因系統的風險定向演化。2.4 系統層：系統風險的優化實現人因系統的風險演化，是個體到系統，非定向的隨機組合到定向規范化的優選過程。當群體策略的演進積累，最終將形成系統性、規范化的策略體系，覆蓋從風險認知到風險處理的全過程，在組織內形成關注安全的整體性知覺，即安全氛圍。3 人因系統風險優化的數理模型據理論生物學中發展形成的演化博弈方法，對前文的分析進行數理規范化論述。基本流程如圖2所示。圖2 人因系統風險優化路徑3.1 行動策略的形成將人因風險影響因子全集記為E={e1，e2，……，en}，個體行動策略集合記為S={S1，S2，……，Sm}，所有行動策略都看作是由不同影響因子組合構成的函數，即：S=f（E）。通過對影響因子集合中元素的控制（即改變因子集合Ei），確定產生新的行動策略。由于影響人因風險的因素眾多，對函數進行“灰箱化”處理。3.2 個體效用選擇設有兩種純策略S1、S2（如S1=“按要求使用安全帶”，“S2=不按要求使用安全帶”），分別由集合E1和E2構成，E1∩E2=。建立一個對稱的兩個體、兩策略博弈模型，博弈形成的支付矩陣如圖3所示。圖3 兩個體博弈形成的支付矩陣由于博弈的對稱性，在博弈中獲取的效用記為u。如u（S1，S2）=d，表示個體1在自己采取策略S1而對方采取策略S2時，獲得的效用值為d。若原種群中以策略S1作為初始策略（即全部個體都執行S1），設種群中有的個體（0<<1）將策略變更為S2。則原種群個體遇到采取策略S2的變異個體的概率為，遇到和自己一樣采取策略S1的原種群個體的概率為1-。則一次博弈后，原種群個體與變異個體的效用值分別為：對于個體而言，行動策略遵循效用最大化原則。當U1>U2時，S1為演進穩定策略；當U1