Analiza metodelor de evaluare si a mijlocelor de monitorizare a riscurilor de accidentare

ANALIZA METODELOR DE EVALUARE SI A MIJLOCELOR DE MONITORIZARE A RISCURILOR DE ACCIDENTARE

1.Principii de evaluare. Evaluarea Postaccident si Preaccident

Într-un sistem de munca , modalitatile de evaluare sunt clar diferentiate in functie de momentul in care se face evaluarea in raport cu evenimentele care definesc prezenta, respectiv absenta securitatii - accidentele de munca si imbolnavirile profesionale.

Din acest punct de vedere, exista numai doua principii de evaluare a securitatii :

a) Evaluarea preaccident

Esenta evaluarii o constituie luarea in considerare a posibilitatilor de producere a accidentelor/bolilor profesionale intr-un sistem, respectiv a riscurilor de accidentare si imbolnavire profesionala. Ea are o deosebita valoare predictiva si preventiva, deoarece ofera informatii si solutii de eliminare a pericolului, inainte de a se produce evenimentele nedorite. Metoda se bazeaza pe identificarea riscurilor intr-un sistem de munca, care sunt de actualitate, realizand o identificare directa si completa a tuturor riscurilor, existand astfel posibilitatea cuantificarii si ierarhizarii lor in vederea stabilirii prioritatilor preventive.[7]

b) Evaluarea postaccident

Aceasta permite aprecierea gradului de securitate a muncii al unui sistem de productie exclusiv pe baza analizei accidentelor de munca si bolilor profesionale produse in sistemul respectiv intr-o anumita perioada de timp. Aceste metode se bazeaza pe analiza statistica a accidentelor de munca si bolilor profesionale, iar criteriile de evaluare folosite sunt ratele morbiditatii prin accident de munca sau boala profesionala, respectiv indici de frecventa si gravitate, si cuprind cinci etape (fig.1).[5]

Fig.1.Cele cinci etape ale analizelor statistice.

Pentru evaluarea comparativa a gradului de securitate a muncii in sistemul analizat se utilizeaza doua categorii de indicatori statistici: absoluti si relativi.

Indicatorii absoluti exprima, in marime absoluta, numarul de accidente/boli profesionale produse, fara sa realizeze raportarea la alte marimi. Ei indica, intr-o perioada data, nivelul, dinamica si structura accidentelor de munca si/sau bolilor profesionale la nivelul analizat.

Acesti indicatori permit caracterizarea situatiei globale a securitatii muncii, fara a da insa posibilitatea efectuarii unor evaluari si comparatii mai profunde.

Indicatorii relativi, exprima numarul de accidente/boli produse la nivelul unui sistem la nivelul unui sistem raportat la alte marimi, permitand efectuarea unor comparatii mai concludente. Cei mai utilizati sunt indicele de frecventa si indicele de gravitate.

Limitele principale ale evaluarii postaccident pot fi sintetizate astfel:

- nu se iau in considerare situatiile potentiale de accidentare si imbolnavire profesionala;

- nu poate fi aplicata in faza de proiectare a sistemelor de productie;

- nu permite caracterizarea nivelului de risc/securitate a muncii;

- are ca scop principal constatarea unor stari de fapt petrecute si nu de prevenire a lor; utilizarea ei poate fi extinsa la actiuni preventive cel mult pentru alte sisteme similare.

Metode apriorice de evalure a riscurilor

1.Metode bazate pe controale si verificari

Se identifica, prin observatie directa, neconformitatile sau anomaliile referitoare la echipamentele tehnice in raport cu reglementarile in vigoare in domeniul securitatii muncii (norme, standarde, instructiuni).

Riscul apare, ca echivalent cu o deficienta de aplicatie a reglementarilor, susceptibila de a provoca un accident sau o imbolnavire profesionala. Starea de securitatea este considerata satisfacatoare atunci cand prevederile reglementarilor specifice sunt indeplinite. Gradul de abatere de la aceste reglementari reprezinta un criteriu calitativ pentru evaluarea securitatii sistemului analizat; cu cat aceste abateri sunt mai mari, cu atat securitatea sistemului este mai mica.

În practica, metoda se realizeaza prin completarea unor chestionare, care permit astfel inventarierea locurilor de munca periculoase, respectiv a riscurilor existente. Se au in vedere situatiile statistice ale accidentelor de munca deja inregistrate.

În final pe baza analizei efectuate se intocmeste o fisa de apreciere a actiunilor de prevenire, care constituie un instrument de evaluare si orientare.

Metode bazate pe modelul Heinrich

Cercetatorul german Heinrich a privit accidentul ca fiind rezultatul unui lant de riscuri grupandu-le in conditii periculoase (riscuri de natura tehnica) si actiuni periculoase (riscuri de natura umana). Accentul se pune pe actiunile periculoase (spre deosebire de metoda de inspectie), intrucat dupa parerea cercetatorului, cauzele de natura tehnica pot fi depistate mai usor si inlaturate de o maniera definitiva.

Pentru efectuarea analizelor de riscuri, Heinrich propune ca instrument de lucru lista actiunilor periculoase care trebuie avuta in vedere in corelare cu conditiile periculoase, depistate relativ usor prin controale si verificari de rutina.

Principalele dezavantaje constau din faptul ca se axeaza pe operator (actiunile pe care le intreprinde si comportamentul lui in general), iar modelul de referinta in evaluare-comportament sigur, marime dialectica, este greu de cuantificat.

3. Metode bazate pe teoria fiabilitatii.

Urmarindu-se evolutia notiunii de "rata de deficienta", ca instrument de evaluare si compararea a evenimentelor petrecute ulterior, prin introducerea probabilitatilor, se furnizeaza informatii previzionate. Extinderea principiilor teoriei fiabilitatii in tehnica, a condus la dezvoltarea unor metode de analiza si evaluare a riscurilor si anume:

- analiza preliminara a riscurilor/pericolelor (APR/D);

- analiza modurilor de defectare si a consecintelor lor (AMDE/AMDEC);

- metoda "Ce se intampla, daca ?" ("What If?");

- analiza arborelui de defecte (AAD);

- analiza arborelul de evenimente (AAE);

- metoda ,,Nodul Fluture";

- metoda Organizatǎ Sistemic de Analiza a Riscurilor (MOSAR);

- tehnica DELPHI;

- metoda Institutului National de Cercetare Dezvoltare pentru Protectia Muncii;

- metoda SUVA.

4. Metode bazate pe ergonomia sistemelor.

Etimologia cuvantului vine din greaca: Ergon - munca si nomos - lege.

Ergonomia valorifica cunostintele stiintifice referitoare la om si necesare in conceperea masinilor, uneltelor si a dispozitivelor, astfel incat acestea sa poata fi utilizate de majoritatea oamenilor cu maximum de confort, securitate si eficacitate

Demersul ergonomic presupune o analiza aprofundata a locului de munca, precum si a imprejurarilor acestuia, tinandu-se seama de toate elementele care sunt legate de operator si sarcina de munca.

În cadrul demersului ergonomic, omul este situat in centrul analizei, facandu-se o inventariere a sarcinilor de munca si respectiv a operariilor asociate, descrierea situatiei de munca, identificarea pericolelor - analiza riscurilor, identificarea masurilor de prevenire, analizandu-se astfel procesul de aparatie al vatamarilor.

Orice demers in analiza situatiei de munca porneste de la nivelul global al intreprinderii - sistemul intreprinderii, pentru a intelege specificul activitatii desfasurate de un operator la nivelul unui post de munca, schema fiind ilustrata in figura  

Fig.Schema abordarii globale a unei activitati de munca din sistemul intreprinderii

În culegerea de date se urmareste un dublu demers:

- un demers descriptiv (prospectiv) care coboara de la nivelul global la cel particular, in cadrul caruia sunt culese date disponbile fara a fi interpretate;

- un demers analitic (retrospectiv) in cadrul caruia se stabilesc relatiile dintre datele culese si care se desfasoara in sens invers demersului descriptiv.

3.Interpretarea Bayesiana a probabilitatii si a statisticii. Inferenta retelei bayesiene

Probabilitatea Bayesiana a unui eveniment "X" este gradul de incredere al unei persoane ca acel eveniment se va produce, in timp ce in probabilitatea clasica este o proprietate fizica a unui obiect . Pentru a tine aceste doua interpretarii distincte, se va referi la probabilitatea clasica a unui eveniment ca posibilitatea fizica de producere a acelui eveniment, si la probabilitatea bayesiana ca gradul de incredere ca acel eveniment se va produce . O diferenta importanta dintre probabilitatea clasica si cea bayesiana este ca in cazul celei de-a doua nu trebuie sa se repete experimentele. De exemplu sa ne imaginam aruncarile repetate a unui cub de zahar pe o suprafata umeda. De fiecare data cand cubul este aruncat, dimensiunile sale se modifica putin. Deci, desi in statistica clasica este greu de masurat probabilitatea ca cubul sa cada cu o anumita fata in sus, in probabilitatea bayesiana se restrictioneaza atentia la urmatoarea aruncare careia i se atribuie o probabilitate. O critica adusa destul de des definitiei bayesiene a probabilitatii este ca ea pare arbitrara.

O serie de studii au sugerat diferite seturi de proprietati care ar trebui satisfacute de gradul de incredere . Reiese ca seturile de proprietati conduc spre aceleasi reguli: regulile de probabilitate. Fiecare set de proprietati, oricat de diferite, conduc de fapt catre regulile de probabilitate furnizand un argument puternic pentru a folosi probabilitatea pentru a masura increderea. Scala masurarii poate fi stabilita considerandu-se ca oamenilor le vine mai usor sa spuna ca doua evenimente sunt aproximativ egale. În general acest proces al masurarii gradului de incredere este denumit in mod curent ca probabilitatea evaluarii.

Una din problemele legate de evaluarea probabilitatii este cea a preciziei. În cele mai multe cazuri nu se poate spune cu siguranta ca probabilitatea pentru un eveniment x este de 0,802 si nu 0,799. Oricum in cele mai multe cazuri probabilitatile sunt folosite pentru a lua decizii si aceste decizii nu sunt influentate de mici variatii in probabilitate.

O alta problema legata de probabilitatea de evaluare este acuratetea. De exemplu, modul in care este enuntata intrebarea poate conduce la o evaluare ce nu reflecta adevaratele grade de incredere ale unei persoane. Exista multiple metode de imbunatatire a acuratetii enunțate in literatura de analiza-decizie.[9],[4]

O retea bayesiana cu un set de variabile X= este compusa din [24]:

i. O structura de retea (S) care codifica un set de propozitii conditionale independente privind variabilele din X

ii. Un set de probabilitati (P) asociate ficarei variabile

Împreuna aceste componente reprezinta distribuirea probabilitatilor pentru X. Structura de retea (S) este un graf aciclic unidirectional. Nodurile in S sunt corespondente unu-la-unu cu variabilele X. Se va folosi Xi pentru a specifica variabila (X) și nodul corespunzator (i) si pai pentru a specifica atat parintii nodului Xi cat si variabilele atasate parintilor. În particular, distributia probabilitatii pentru X, intr-o structura S, este data de:

(1)

Distributiile locale ale probabilitatii P corespunzatoare factorilor produsului din ecuatia (3.1). În consecinta, perechea (S, P) exprima totalitatea distributiilor p(x).

Probabilitatile folosite in retelele bayesiene pot fi probabilitati bayesiene sau fizice. Cand se construiesc retele bayesiene folosind cunostinte anterioare, probabilitatile vor fi de tip bayesian. Cand retelele bayesiene se 'invata' din date, probabilitatile vor fi de tip fizic (si valorile lor pot fi nesigure).

În prima etapa de construire a unei retele bayesiene trebuie avute in vedere urmatoarele: identificarea corecta a scopului modelului (predictie, explicatie, explorare), identificarea unor posibile observatii care pot fi relevante la rezolvarea problemei, determinarea setului de observatii care sunt utile modelului si organizarea observatiilor in variabile cu stari exclusive si exhaustive.

Dificultatile ce apar nu sunt specifice doar retelelor bayesiene ci sunt comune majoritatii modelelor, insa exista o tehnica de construire a retelelor bayesiene, care nu necesita ordonarea variabilelor. Aceasta abordare este bazata pe doua observatii:

- omul poate fara mari dificultati sa identifice relatiile cauzale dintre variabile;

- relatiile cauzale de obicei corespund dependentelor conditionale dintre noduri.

În consecinta, pentru a construi o retea bayesiana, pentru o multime de variabile, pur si simplu se traseaza arce de la variabilele cauza la cele efect. Practic in orice caz aplicand aceasta metoda, se va obtine o structura care va satisface ecuatia (3.1).

Odata ce a fot construita o retea bayesiana este necesar sa se determine unele probabilitati ce sunt necesare pentru un model functional, precum cunoasterea probabilitatii fiecarui eveniment de a conduce spre un alt eveniment. Aceasta probabilitate nu este stocata direct in graf, deci trebuie calculata. Calculul probabilitatii ca un eveniment sa cauzeze efectul pentru un model dat este numita inferenta probabilistica.

Deoarece o retea bayesiana pentru X determina o reuniune de probabilitati distribuite pentru X, atunci aceasta retea poate fi folosita pentru a calcula orice probabilitate.

O caracteristica remarcabila a retelelor bayesiene este faptul ca ele pot fi folosite pentru a pune in discutie cauzalitatea prin intermediul matematicii.

Pentru o abordare mai simpla a subiectului va fi prezentat un exemplu.

Un specialist domeniul securitatii si sanatatii in munca vrea sa afle daca e nevoie sa mareasca, sa scada sau sa nu modifice numarul de mijloace pentru semnalizarea unui pericol astfel incat sa creasca nivelul de securitate in urma constientizarii pericolului de catre lucratori.

Se aleg variabilele Semnalizare(S) si Costientizare (C), semnificand daca o persoana a vazut sau nu semnalizarea inainte de a constientiza pericolul.

Un prim pas ar fi studierea probabilitatii fizice ca:

C=Adevarat stiind ca este fortat S=Adevarat

si probabilitatea fizica ca

C=Adevarat stiind ca este fortat S=Fals.

Probabilitatile pentru cazurile respective vor fi si

O metoda de a studia aceste probabilitati consta in efectuarea unui experiment: se selecteza doua populari asemnanatoare, generate aleator, si se forteaza P adevarat intr-un caz, si fals in altul, observandu-se S. Metoda este simpla, insa poate fi scumpa din punct de vedere al implementarii, datorita faptului ca trebuie gasite doua populari asemanatoare care sa se potriveasca.

O metoda alternativa reiese din cunostintele cauzale. În cazul ales, se studiaza relatia S→C. Daca se forteaza S sa fie adevarat, sau se observa ca S este pur si simplu adevarat in popularea curenta, atunci se poate afirma ca semnalizarea a constituit cauza constientizarii pericolului.

În acest caz vom scrie ca:  

(2)

este probabilitatea fizica a lui C=adevarat stiind ca S este nefortat adevarat in popularea curenta.

Analog pentru  

Spre deosebire, daca C → S, fortandu-l pe S la o anumita stare, C nu va fi influentat.

Deci, se poate scrie:

(3)

Generalizand, daca X→Y se poate echivala cu , unde semnifica interventia care forteaza X sa devina x.

Pentru a determina daca S cauzeaza C se va utiliza dependenta cauzala si probabilistica cunoscuta drept conditia cauzala Markov care enunta ca un graf aciclic unidirectional C este un graf cauzal pentru variabilele X, daca nodurile din C sunt in corespondenta unul-la-unul cu X si exista un arc de la nodul X la nodul Y in C, daca si numai daca X este cauza directa a lui Y. Conform conditiei cauzale Markov, daca C este un graf cauzal pentru X, atunci C este o retea bayesiana.

Avand conditia cauzala Markov, se pot deduce relatii cauzale din relatiile conditional-independente si conditional-dependente care pot fi invatate din datele disponibile.

Presupunem ca am invatat (cu probabilitate bayesiana mare) ca probabilitatile fizice p(C/S) si p(C/S) nu sunt egale. În baza ralatiei cauzale Markov se definesc patru relatii cauzale simple (fig.3.):

a) S →C,

b) C →S,

c) exista o cauza "ascunsa" pentru P si C (ex: studiile persoanei),

d) S si C sunt cauze pentru selectia datelor.

Fig. 3. Grafurile cauzale aratand patru relatii intre S si C. Norul "asc" corespunde unei cauze comune ascunse pentru P si C. Nodul comun O indica faptul ca acest caz a fost introdus in baza de date.

Deocamdata conditia cauzala Markov nu a dat raspunsul daca S cauzeaza sau nu C. Se presupune ca se mai observa doua variabile importante: Studiile persoanei (I) si Simturile persoanei (M), care reprezinta studiile si acuitatea simturilor lucratorului expus. Introducand aceste doua variabile in graf obtinem structura din figura 3.Stiind conditia cauzala Markov, unica explicatie pentru relatiile de independenta conditionala si dependenta conditionla din reteaua bayesiana obtinuta este ca S cauzeaza C.

Fig.4..O retea bayesiana pentru care A cauzeaza B este unica explicatie cauzala, in cazul conditiei cauzale Markov.

4..Aplicarea retelelor Bayesiene in evaluarea riscurilor.

Exista o serie de metode din cele prezentate anterior, precum Analiza Arborelui de Defectare, care folosite in tandem cu un sistem probabilistic eficient pot conduce la rezultate mai bune.

Modelele grafice probabilistice sunt grafuri in care nodurile reprezinta variabile aleatoare, iar arcele (respectiv lipsa acestora) reprezinta presupuneri de independenta conditionata. Ca urmare, ele ofera o reprezentare compacta a distributiilor probabilistice cumulate. Modelele grafice neorientate, numite si Campuri Markov Aleatoare sau Retele Markov, au o definitie simpla a independentei: doua noduri A si B sunt conditional independente daca, dat fiind un al treilea nod C, toate caile dintre nodurile A si B sunt separate de un nod din C. Spre deosebire de acestea, modelele grafice orientate - numite si Retele Bayesiene, au o notiune mai complexa a independentei, care ia in considerare directia arcelor, avand mai multe avantaje, cel mai important fiind acela ca un arc de la A la B poate fi interpretat ca A 'cauzeaza' pe B. Aceasta poate fi folosita ca 'ghid' pentru construirea grafului. În plus, modelele orientate pot codifica relatii deterministe si sunt mai usor de invatat, respectiv de implementat.

Structura cauzala si relatiile conditionale care sunt inregistrate in model, permit introducerea informatiilor prin intermediul nodurilor de intrare, propagarea acestora prin model si modificarea valorilor nodurilor de iesire.

Modelul acesta poate fi folosit atat pentru interpretare predictiva cat si de diagnosticare, asigurandu-se astfel un suport decizional.

Avand in vedere toate cele mentionate anterior, am propus un model conceptual de analiza a sigurantei in functionare a unui sistem de monitorizare, bazat pe retelele bayesiene (fig.2). În aceasta analiza sunt cuantificate probabilistic siguranta sistemului de monitorizare precum si aparitia greselilor la efectuarea testarilor sau verificarilor efectuate. Factorii cauzali sunt considerati a fi de doua categorii: pe de o parte cei legati de calitatea resurselor umane care utilizeaza, proiecteaza, creaza sau testeaza, si pe de alta parte cei cu privire la corectitudinea si complexitatea solutiei si acuratetea testarii. Se poate observa ca rolul determinant in stabilirea cauzelor il au factorii cauzali determinati de calitatea resurselor umane implicate in realizarea sistemului.

Fig.5. Model de analiza a sigurantei in functionare a unui sistem de monitorizare a gradului de securitate a muncii, bazat pe retele bayesiene.

Pentru realizarea logicii unui sistem de monitorizare a gradului de securitate se propune un model bazat pe retelele bayesiene, prezentat in figura 5.

Prin implementarea acestui model, se poate realiza o evaluare a unei stari de pericol functie de mai multe observatii, fiind extinsa pana la nivel de costuri. Mai multe cauze declansatoare si starea la un moment dat in care se afla sistemul, pot conduce la intrarea acestuia intr-o stare periculoasa. Starea periculoasa poate aparea deoarece din proiectare nu a putut fi eliminata si in consecinta este cauza aparitiei unui risc rezidual. Manifestarea riscului rezidual este determinata de starea periculoasa in care intra sistemul de monitorizare, si poate fi ponderata sau eliminata de barierele de securitate existente, avand o consecinta asupra factorului uman - accidentarea acestuia, precum si asupra costurilor prin pierderile materiale, de productie sau de alta natura. Functie de perceptia riscului se poate initia o actiune care implicit afecteaza intr-un mod pozitiv sau negativ costurile.

Spre deosebire de Analiza Arborelui de Defectari, retelele Bayesiene utilizeaza o gama variata de tipuri de informarii inglobate in acelasi model, in acest fel largind gama de utilizare a aplicatiei. Totodata, relatiile dintre variabilele unei retele Bayesiene sunt probabilistice si nu deterministice. Relatiile deterministice reprezinta caracteristica de baza in cadrul Analizei prin Arborele de Defectare, precum si a altor instrumente de management al riscurilor. Relatiile probabilistice dintre elementele de date, permit ca incertitudinea sa fie codificata in model, acest lucru fiind foarte important deoarece ajuta la reprezentarea unei lumi incerte, fiind analogic cu modul in care factorul uman percepe lumea.

Fig.6. Model de monitorizare a riscului bazat pe retele bayesiene.

Metoda propusa pentru evaluarea riscurilor prin intermediul retelelor bayesiene consta in construirea modelului bayesian luandu-se in consideratie observatiile legate de factorii de risc ai determinati de echipamentele de munca, mediul de munca, sarcina de munca si executant, pe baza acestora calculandu-se probabilitatea de aparitie a unui accident precum si gravitatea acestuia.

Avand in vedere ca riscul este reprezentat de combinatia dintre probabilitatea de aparitie a unui eveniment periculos si gravitatea consecintelor, se propune o grila de evaluare a nivelului de risc cu 4 grade de probabilitate si 4 grade de gravitate (fig.7.).

Fig.7. Grila de evaluare a nivelului de risc.

Metoda consta din parcurgerea mai multor etape (fig.8.). În prima etapa este realizata identificarea factorilor cauzali generali de echipamentele de munca, mediul de munca, sarcina de munca sau executant. În etapa urmatoare este realizata diagrama de influenta, prin care sunt stabilite relatiile de cauzalitate intre factorii cauzali. În cea de a treia etapa, se construiete propriu-zis reteaua bayesiana, determinandu-se factorii intermediari, precum si relatiile de cauzalitate in care acestia pot fi implicati, si se stabilesc tabelele de distributie. Ultima faza este constituta de evaluarea nivelului de risc prin aplicarea inferentei.

Fig.8. Model generalizat al evaluarii .

a) Identificare factori cauzali, b) Realizare diagrama de influenta,

c) Asignare tabele de distributie, d) Calculare nivel de risc

Tabelele de distributie pot fi completate cu gradele de incredere bazate pe date statistice referitoare la acei factori cauzali, sau date care reies din analizele de management, etc. sau pe baza experientei proiectantului.

Astfel, prin analiza si reprezentarea unui sistem cu ajutorul unui model bazat pe retele Bayesiene, se realizeaza o evaluare probabilistica in timp real a potentialelor situatii periculoase si functie de politica de securitate, stabilirea unor decizii eficiente. Se propune ca aceste modele sa fie implementate cu ajutorul tehnicilor computerizate, pentru a se realiza o monitorizare permanenta prin observarea diferitilor parametrii. În felul acesta se pot face diagnosticari legate de probabilitatea riscului de accidentare, acestea reprezentand mijloace indispensabile in managementul eficient al securitatii si sanatatii in munca.

Orizontul de cercetare in acest domeniu poate fi extins avandu-se in vedere faptul ca studii recente au pornit de la premiza ca acest tip de matematica este utilizata de catre creierul uman. La nivel comportamental, «optimala Bayes» este un mijloc prin care se poate ajunge la concluzii corecte, tinand seama de probabilitati si ponderand fiecare dintre ele, astfel incat sa se obtina rapid concluzia corecta. Asemanator neuronii umani primesc semnale variate, cum ar fi cele corespunzatoare luminii, sunete si altele, legate de lumea inconjuratoare. Atunci cand creierul proceseaza variabilele, sunt necesare informatii exacte, care nu sunt neaparat coninuitate in cele transmise de simturi. În acest caz neuronii implicati in decizie iau in considerare numai setul de variabile care pot fi convertite astfel incat sa poata fi utilizate intr-un calcul Bayesian.