چارچوب داده‌محور برای ارزیابی ریسک حوادث راه‌آهن با استفاده از شبکه بیزی بهبود‌یافته

خلاصه سریع برای خواننده

• مطالعه یک چارچوب داده‌محور برای ارزیابی ریسک عملیات راه‌آهن با استفاده از شبکه بیزی بهبود‌یافته ارائه می‌دهد.
• برای مقابله با عدم تعادل داده‌ها از الگوریتم نمونه‌سازی تطبیقی (Adaptive Synthetic Sampling) استفاده شده تا مجموعه‌داده نماینده‌تر شود.
• از ترکیب AcciMap برای ساختاردهی چندسطحی عوامل خطر و از «مدل ابری مردد» برای مدیریت عدم قطعیت‌های معرفتی بهره برده‌اند.
• مدل پیشنهادی فاکتورهای کلیدی خطر را شناسایی کرده و ارزیابی ریسک قابل اعتمادی نسبت به روش‌های مرسوم ارائه می‌دهد، اما محدودیت‌هایی دارد.
• نتایج می‌تواند به مدیران عملیات راه‌آهن در طراحی اقدامات پیشگیرانه و مدیریت ریسک کمک کند؛ کاربرد مستقیم برای بیماران ندارد اما برای مسافران و کارکنان راه‌آهن اهمیت ایمنی دارد.

مقدمه

شبکه‌های ریلی به عنوان زیرساخت‌های حیاتی ملی، نقش پررنگی در جابه‌جایی کالا و مسافر ایفا می‌کنند. افزایش تقاضای عملیاتی، پیچیدگی فنی سیستم‌ها و تعاملات انسانی-فنی می‌تواند ریسک حوادث را افزایش دهد. مطالعات متعددی نشان داده‌اند که شناخت دقیق عوامل موثر بر بروز حادثه و ارزیابی کمی ریسک، شرط لازم برای تدوین راهبردهای پیشگیرانه و کاهش پیامدهاست. مقاله‌ای که در این نوشته بررسی می‌کنیم، چارچوبی داده‌محور و چندمرحله‌ای پیشنهاد می‌دهد که با ترکیب تکنیک‌های نمونه‌سازی، نظریه‌های تحلیل سلسله‌مراتبی رویدادها و شبکه‌های بیزی توسعه‌یافته تلاش می‌کند ریسک عملیات راه‌آهن را با دقت بیشتری پیش‌بینی و تبیین کند.

چه مسأله‌ای بررسی شد؟

نویسندگان می‌خواستند یک روش علمی و قابل اتکا برای تشخیص عوامل خطر کلیدی و ارزیابی ریسک در عملیات راه‌آهن ایجاد کنند که بتواند با داده‌های واقعی کار کند، مسئله عدم تعادل داده‌ها را مدیریت کند و عدم قطعیت‌های معرفتی (epistemic uncertainty) در داده‌های نیمه‌ساختاریافته و اظهارهای خبره را لحاظ کند.

روش‌ها

گام اول: بازسازی مجموعه‌داده با ADASYN

در مسائل طبقه‌بندی ریسک، پراکندگی کلاس‌ها (مثلاً نمونه‌های حادثه‌دار در برابر غیرحادثه‌دار) می‌تواند یادگیری مدل را مختل کند. نویسندگان از الگوریتم Adaptive Synthetic Sampling (ADASYN) استفاده کردند تا نمونه‌های مصنوعی تولید کنند و تعادل کلاس‌ها را بهبود بخشند؛ این کار به مدل اجازه می‌دهد تا بر نمونه‌های مرزی و دشوار تمرکز کند و از سوگیری ناشی از عدم تعادل بکاهد.

گام دوم: ساختاردهی علت‌ها با AcciMap

برای نمایش سلسله‌مراتبی عوامل، از AcciMap به عنوان چارچوبی برای مصورسازی و دسته‌بندی علل مستقیم و غیرمستقیم حادثه استفاده شد. AcciMap امکان ترکیب جنبه‌های فردی، سازمانی، فنی و سیاست‌گذاری را در یک نقشه علت و معلولی چندسطحی فراهم می‌کند که برای طراحی شبکه بیزی نیز به عنوان پیش‌ساختار مورد استفاده قرار گرفت.

گام سوم: مدل‌سازی با شبکه بیزی بهبود‌یافته و مدل ابری مردد

شبکه‌های بیزی ابزار مناسبی برای مدل‌سازی وابستگی‌های علت و معلولی و محاسبه احتمالات شرطی هستند؛ اما داده‌های اظهاری و غیرقطعی (مثل نظر خبرگان یا گزارش‌های ناقص) موجب عدم قطعیت معرفتی می‌شود. برای مقابله با این موضوع، نویسندگان شبکه بیزی را با «مدل ابری مردد (hesitant cloud model)» ترکیب کردند تا بازه‌ها و نوسانات احتمالی را در پارامترهای شبکه بهتر مدل کنند؛ به این ترتیب احتمال‌ها و قاطعیت‌های شرطی از حالت دقیق منفرد به بازه‌های منعطف‌تر تبدیل شدند که عدم قطعیت را منعکس می‌کنند.

گام چهارم: اعتبارسنجی مدل

برای سنجش کارایی، مدل تحقق‌یافته را با روش‌های مختلف اعتبارسنجی (از جمله آزمون مقایسه‌ای با مدل‌های پایه و تحلیل حساسیت) ارزیابی کردند. معیارهایی مانند دقت طبقه‌بندی، فراخوانی (recall) برای کلاس‌های پرخطر و تحلیل توانایی شناسایی عوامل کلیدی مورد بررسی قرار گرفت.

یافته‌های اصلی

نویسندگان گزارش کردند که مدل پیشنهادی در شناسایی فاکتورهای بحرانی موثرتر از برخی روش‌های مرسوم عمل کرده است. از مهم‌ترین نتایج می‌توان به موارد زیر اشاره کرد:

• تولید مجموعه‌داده متعادل با ADASYN باعث افزایش حساسیت مدل نسبت به حوادث نادر شد.
• AcciMap کمک کرد تا روابط میان عوامل انسانی، فناوری و سازمانی به شکل سلسله‌مراتبی در شبکه بیزی گنجانده شوند و تعاملات پیچیده بهتر مدل‌سازی شوند.
• ترکیب شبکه بیزی با مدل ابری مردد، دقت پیش‌بینی را در حضور داده‌های ناپایدار و اظهارهای خبره بهبود داد و باعث شد مدل کمتر تحت تأثیر نویز قرار گیرد.
• تحلیل حساسیت نشان داد که چند عامل (که در مطالعه به صورت کمی مشخص شده‌اند) به شکل مداوم بر ریسک عملیات تاثیرگذاری بالایی دارند؛ شناسایی این عوامل می‌تواند هدف سیاست‌گذاری‌های کاهش ریسک قرار گیرد.

تفسیر علمی یافته‌ها

این مطالعه نشان می‌دهد که ترکیب تکنیک‌های نمونه‌سازی، مدل‌های سلسله‌مراتبی علت و شبکه‌های بیزی پیشرفته می‌تواند ارزیابی ریسک را در سیستم‌های پیچیده‌ای مثل راه‌آهن بهبود دهد. تاکید اصلی بر مدیریت عدم تعادل داده و عدم قطعیت معرفتی است؛ دو مشکلی که در کاربرد داده‌محور برای ایمنی عملیاتی به‌طور معمول دیده می‌شود. با این حال، نباید از این نکته غفلت کرد که بهبودهای مشاهده‌شده وابسته به کیفیت ابتدایی داده‌ها، نحوه استخراج ویژگی‌ها و نحوه تعریف ساختار AcciMap است.

این یافته برای بیمار چه معنایی دارد؟

هرچند موضوع اصلی این مطالعه مربوط به ایمنی و مدیریت ریسک در عملیات راه‌آهن است و نه مراقبت‌های پزشکی، نتایج برای مسافران، کارکنان راه‌آهن و جوامع محلی پیامدهایی مهم دارد که از منظر سلامت عمومی قابل توجه‌اند:

• بهبود ارزیابی ریسک می‌تواند به کاهش حادثه‌ها و در نتیجه کاهش آسیب‌های جسمی و روانی برای مسافران و کارکنان منجر شود.
• شناسایی عوامل بحرانی ریسک، امکان برنامه‌ریزی هدفمند برای آموزش، نگهداری تجهیزات و اصلاح فرآیندها را فراهم می‌آورد و به این ترتیب بار خدمات درمانی مرتبط با حوادث کاهش می‌یابد.
• مدیریت بهتر ریسک عملیاتی می‌تواند از وقایع گسترده‌ای که پیامدهای بهداشتی-اجتماعی (مانند قطع حمل‌ونقل دارو یا مراجعه بیماران) دارند جلوگیری کند.

بنابراین، نتایج مطالعه می‌تواند برای نهادهای مسئول سلامت عمومی و مدیران بیمارستان‌ها نیز مفید باشد، زیرا کاهش حوادث حمل‌ونقلی ریسک بار بر نظام سلامت را کم می‌کند؛ با این حال این مقاله هیچ توصیه درمانی یا بالینی صادر نمی‌کند.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• نوع مطالعه: این یک مطالعه روش‌شناسی و مدل‌سازی است، نه آزمایش کنترل‌شده بالینی یا مطالعه مداخله‌ای؛ بنابراین شواهد به دست آمده محدود به دقت مدل و داده‌های مورداستفاده است.
• کیفیت و گستره داده‌ها: کارایی هر مدل داده‌محور به میزان و کیفیت داده‌های ورودی بستگی دارد. اگر داده‌های واقعی ناقص، سوگیرانه یا نماینده گروه‌های مهم نباشند، نتایج می‌تواند گمراه‌کننده باشد.
• نمونه‌سازی مصنوعی: ADASYN نمونه‌های جدیدی تولید می‌کند که ممکن است ویژگی‌های واقعی حوادث را به طور کامل منعکس نکند؛ این رویکرد خطر ایجاد «نمونه‌های خیالی» را دارد که اگر با احتیاط استفاده نشوند، منجر به برآوردهای نادرست می‌شود.
• اتکا به اظهار خبرگان: استفاده از مدل ابری مردد برای نمایاندن عدم قطعیت در قضاوت‌های خبره مفید است، اما وابستگی به نظر خبره‌ها همیشه شامل سوگیری انسانی و تفاوت دیدگاه‌هاست.
• تعمیم‌پذیری: اگر داده‌ها محدود به یک منطقه جغرافیایی، شرکت راه‌آهن یا بازه زمانی خاص باشند، تعمیم نتایج به دیگر سامانه‌های ریلی یا کشورهای دیگر باید با احتیاط انجام شود.
• چیزی که هنوز قطعی نیست: اینکه کدام اقدامات مداخله‌ای دقیقاً بیشترین کاهش ریسک را در دنیای واقعی فراهم می‌آورند، نیاز به آزمون‌های عملی و ارزیابی‌های پس از اجرا دارد؛ مدل صرفا احتمالات و اولویت‌ها را نشان می‌دهد نه اثبات قطعی اثربخشی مداخلات.

اعتبارسنجی و نتایج کمی

نویسندگان مدل را با معیارهای مرسوم ارزیابی کردند و اعلام نمودند که دقت و حساسیت برای کلاس‌های پرفشار بهبود یافته است. همچنین تحلیل حساسیت برای تعیین عوامل با بیشترین اثرگذاری انجام شد. با این وجود برای قضاوت نهایی درباره عملکرد مدل در موقعیت‌های عملی لازم است آن را روی مجموعه‌داده‌های مستقل، در مناطق مختلف و در شرایط زمانی متفاوت مورد آزمایش قرار دهند.

کاربردهای عملی برای مدیران و سیاست‌گذاران

مدل پیشنهادی می‌تواند در چند حوزه کاربردی مفید باشد:

• پشتیبانی از تصمیم‌گیری در تخصیص منابع نگهداری و بازرسی.
• تعیین اولویت آموزش‌های ایمنی برای کارکنان بر اساس فاکتورهای پرخطر.
• پیش‌بینی شرایطی که احتمال وقوع حادثه را افزایش می‌دهند و آماده‌سازی اقدامات پیشگیرانه.
• ارائه شواهد کمی برای سیاست‌گذاران درباره تاثیر احتمالی تغییرات سازمانی یا فنی.

نظر تحریریه پزشک سایت

تحریریه پزشک سایت معتقد است این مطالعه نشانگر حرکت مفیدی در جهت تلفیق روش‌های آماری با نظریه‌های تحلیل علت برای افزایش دقت ارزیابی ریسک در حوزه‌های عملیاتی پیچیده است. اهمیت ویژه‌ای که نویسندگان به مدیریت عدم تعادل داده و عدم قطعیت معرفتی داده‌اند، قابل تحسین است؛ زیرا بسیاری از مدل‌های داده‌محور ساده‌تر این جنبه‌ها را نادیده می‌گیرند. با این حال، نباید فراموش کرد که مدل‌ها ابزار پشتیبان تصمیم‌اند و اجرای نتایجشان در محیط واقعی نیازمند آزمون، بازنگری و تعامل میان کارشناسان فنی، مدیران و نهادهای نظارتی است. همچنین از منظر سلامت عمومی، کاهش وقوع حوادث ریلی می‌تواند مزایای قابل توجهی برای امنیت و سلامت جمعی داشته باشد، اما نقش این نوع مطالعات در تعیین سیاست‌های اجرایی باید با داده‌های عملیاتی و ارزیابی‌های میدانی تکمیل شود.

چه زمانی باید با پزشک مشورت کرد؟

اگر مطالعه یا اقدامات مرتبط با ایمنی ریلی منجر به حادثه‌ای شد که شما یا نزدیکانتان را درگیر کرده است، موارد زیر زمان مناسب برای مراجعه یا مشورت با پزشک است:

• وجود هرگونه آسیب جسمی (خونریزی، شکستگی، درد شدید) نیازمند ارزیابی اورژانسی است.
• علائم تنفسی، سرگیجه، ضعف ناگهانی یا از دست دادن هوشیاری باید فوراً به اورژانس گزارش شود.
• اگر پس از حادثه علائم روانی مانند اضطراب شدید، حملات هراس یا اختلال استرس پس از حادثه (PTSD) بروز کرد، مشورت با پزشک خانواده یا روانپزشک مناسب است.
• برای پیگیری بلندمدت جراحات یا توان‌بخشی، با پزشک معالج یا مراکز توانبخشی تماس بگیرید.

پرسش‌های رایج

۱. آیا این مدل می‌تواند وقوع همه انواع حوادث ریلی را پیش‌بینی کند؟

خیر. مدل می‌تواند ریسک و عوامل موثر را شناسایی کند اما پیش‌بینی قطعی برای همه حوادث ممکن نیست. کیفیت داده‌ها و دامنه عوامل بررسی‌شده تاثیر زیادی بر قابلیت پیش‌بینی دارد.

۲. استفاده از ADASYN چه خطراتی دارد؟

ADASYN نمونه‌های مصنوعی تولید می‌کند که اگر نماینده‌ واقعی وضعیت‌های نادر نباشند، می‌توانند موجب برآوردهای نادرست شوند؛ بنابراین لازم است نمونه‌سازی با احتیاط و اعتبارسنجی مناسب همراه باشد.

۳. مدل ابری مردد چه چیزی را بهتر می‌کند؟

این مدل اجازه می‌دهد تا عدم قطعیت‌ها و تردیدهای خبره‌ها به شکل بازه‌ها یا توزیع‌های نرم‌تر در پارامترها وارد شوند؛ در نتیجه مدل نهایی کمتر دچار قطعیت کاذب می‌شود.

۴. آیا نتایج بلافاصله باید منجر به تغییر سیاست‌ها شود؟

خیر. نتایج مدل‌ها باید به عنوان شواهد کمکی در نظر گرفته شوند؛ تصمیم‌گیری اجرایی نیازمند آزمون‌های میدانی، تحلیل هزینه-فایده و بررسی‌های زمینه‌ای است.

۵. آیا این روش برای سایر حوزه‌های حمل‌ونقل قابل استفاده است؟

قابلیت تعمیم وجود دارد، ولی نیاز به سازگار کردن ساختار AcciMap، مجموعه‌داده‌ها و تنظیمات نمونه‌سازی متناسب با ویژگی‌های هر حوزه است.

مراحل پیشنهادی برای پیاده‌سازی محتاطانه

• شروع با یک پروژه پایلوت در یک ناحیه یا بخش مشخص از شبکه ریلی.
• جمع‌آوری داده‌های جامع‌تر و استانداردسازی فرمت گزارش‌دهی حادثه‌ها.
• اعمال اعتبارسنجی متقاطع و استفاده از مجموعه‌داده‌های مستقل برای آزمون مدل.
• ترکیب نتایج مدل با دانش میدانی و بازخورد کارشناسان در طراحی مداخلات.
• پایش و بازنگری مداوم مدل پس از اجرای مداخلات برای اندازه‌گیری اثربخشی واقعی.

جمع‌بندی کاربردی

مطالعه پیش‌رو یک چارچوب جامع و نوآورانه برای ارزیابی ریسک عملیات راه‌آهن ارائه می‌دهد که با تمرکز بر مدیریت عدم تعادل داده‌ها و عدم قطعیت معرفتی سعی در افزایش دقت دارد. این روش می‌تواند به شناسایی عوامل کلیدی خطر، اولویت‌بندی مداخلات و بهبود تصمیم‌گیری سازمانی کمک کند. با این همه، پیاده‌سازی عملی نیازمند داده‌های معتبر، آزمون‌های میدانی و ارزیابی مستمر است. از دیدگاه سلامت عمومی، کاهش حوادث ریلی می‌تواند بار خدمات درمانی و پیامدهای جانی و روانی را کاهش دهد؛ اما برای اقدام اجرایی لازم است نتایج مدل با ارزیابی‌های محلی و تحلیل هزینه-فایده همراه شود.

منبع

PLOS One (2026): Data-driven risk assessment framework for railway operation accidents based on an improved Bayesian network

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.