Kvantifisering og aggregering av indikatorer for storulykkesrisiko
Abstract
Flere storulykker, som Texas City og Deepwater Horizon, har de senere årene ført til en økende bevissthet rundt behovet for metoder, som er bedre egnet til å overvåke risikoen for en storulykke. En kvantitativ risikoanalyse oppdateres for sjelden til at den kan gi et oppdatert bilde av risikonivået på en installasjon. Flere prosjekt har utviklet metoder for å identifisere indikatorer for å overvåke risikonivået, men Petroleumstilsynet vurderer det fortsatt som nødvendig å utvikle nye metoder som er mer sensitive for endring i risikonivå. Det er utviklet en kvalitativ metodikk for å visualisere hvordan risikopåvirkende faktorer, påvirker risikoen for en hendelse. Denne er brukt for å identifisere indikatorer for å overvåke risikonivået. Utfordringen er at det ikke eksister noen metode, for kvantitativt å beregne hvordan tilstanden på indikatorene påvirker risikonivået. I denne masteroppgaven er det gjennomført et litteraturstudie, som beskriver bruken av bayesianske nettverk og risikopåvirkende faktorer innenfor risiko- og sikkerhetsforskning. Dette er brukt for å klargjøre forutsettingene knyttet til bruk av bayesianske nettverk, og hvilke følger det får for å modellere påvirkning mellom risikopåvirkende faktorer i bayesianske nettverk. Med utgangspunkt i dette arbeidet, er det utviklet en metode for å kvantifisere påvirkningen mellom risikopåvirkende faktorer. I den kvalitative metodikken, blir det, for å beskrive påvirkningen mellom de ulike risikopåvirkende faktorene, laget faktormodeller. En faktormodell over ulike risikopåvirkende faktorer, beskriver årsaksmessig påvirkning mellom de ulike risikopåvirkende faktorene og mellom de risikopåvirkende faktorene og hendelsen. Påvirkningen illustreres ved bruk av piler. En pil fra faktor~A til faktor~B, betyr at tilstanden til faktor~A påvirker tilstanden til faktor~B. Tilstanden til faktor~A er da årsaken, og tilstanden til faktor~B er virkningen. Dette gjør at en faktormodell kan forstås som et kausalt nettverk. De risikopåvirkende faktorene identifiseres på bakgrunn av kunnskap om systemet, som for eksempel en kvantitativ risikoanalyse. Et stort antall risikopåvirkende faktorer kan identifiseres, både med direkte og indirekte påvirkning på hendelsen. For å systematisere de risikopåvirkende faktorene, blir de gruppert i ulike lag med ulik avstand fra hendelsen. Metodikken knyttet til faktormodellen, er utviklet for å bruke de risikopåvirkende faktorene, som utgangspunkt for å identifisere indikatorer for storulykkesrisiko. Faktormodellen kan dermed brukes for å identifiser direkte og indirekte indikatorer for storulykkesrisiko. Metoden for kvantifisering av faktormodellen baserer seg på bruk av bayesianske nettverk. Det blir lagt til grunn at den grafiske strukturen i en faktormodell, kan brukes direkte som rettet ikke-syklisk graf i et bayesiansk nettverk. Dette forutsetter at faktormodellen er beskrevet på en slik måte at den er ikke inneholder noen sykliske forbindelser. De bayesianske nettverkene består av variabler, som representerer risikopåvirkende faktorer, hendelsen og indikatorer. Indikatorene er inkludert som egne variabler i de bayesianske nettverkene, med rettet forbindelse fra faktoren til indikatoren. Denne måten å inkluder indikatorene i et bayesiansk nettverk, begrenser størrelsene på de betingede sannsynlighetstabellene. Det fører også til at indikatorer for faktorer med indirekte påvirkning på hendelsen, får betydning for det beregnede risikonivået. Den foreslåtte fremgangsmåten for å fastsette de betingede sannsynlighetstabellene, er slik at det behov for et minimum med historiske data om systemet. Dette blir vurdert som en styrke, da tilgangen på data om de ulike faktorene er svært begrenset. Utfordringen ved at de betingede sannsynlighetstabellene ikke fastsettes ved hjelp av data, er at det er vanskelig å argumentere for at den beregnede sannsynligheten for en hendelse representere den reelle sannsynligheten. Den beregnede sannsynligheten er dermed ikke egnet for å beskrive sannsynligheten for en hendelse direkte, men ved å overvåke utviklingen i den beregnede sannsynligheten over tid, vil modellen kunne gi gode indikasjoner på om risikonivået er stabilt, økende eller synkende.