[論文レビュー] Product risk assessment: a Bayesian network approach

Joshua L. Hunte, Martin Neil+1 more|arXiv (Cornell University)|Jan 1, 2020

Risk and Safety Analysis参考文献 25被引用数 2

ひとこと要約

本稿では、不確実性の扱いや因果的推論の欠如といったRAPEXの主な限界を克服するため、ベイジアンネットワーク（BN）モデルを提案する。危険要因データ、使用パターン、製造プロセス、リスク認識を統合することで、実証的データが乏しいあるいは存在しない状況でも、怪我の確率とリスク受容可能性を定量化可能であり、ぬいぐるみと認証を受けないケトルの事例研究において、優れた柔軟性と解釈可能性を示した。

ABSTRACT

Product risk assessment is the overall process of determining whether a product, which could be anything from a type of washing machine to a type of teddy bear, is judged safe for consumers to use. There are several methods used for product risk assessment, including RAPEX, which is the primary method used by regulators in the UK and EU. However, despite its widespread use, we identify several limitations of RAPEX including a limited approach to handling uncertainty and the inability to incorporate causal explanations for using and interpreting test data. In contrast, Bayesian Networks (BNs) are a rigorous, normative method for modelling uncertainty and causality which are already used for risk assessment in domains such as medicine and finance, as well as critical systems generally. This article proposes a BN model that provides an improved systematic method for product risk assessment that resolves the identified limitations with RAPEX. We use our proposed method to demonstrate risk assessments for a teddy bear and a new uncertified kettle for which there is no testing data and the number of product instances is unknown. We show that, while we can replicate the results of the RAPEX method, the BN approach is more powerful and flexible.

研究の動機と目的

• RAPEXが不確実性を適切に扱わず、因果的説明を統合できないという課題を解決すること。
• 危険要因、使用行動、製造プロセス、リスク認識データを統合した汎用的で体系的なベイジアンネットワークモデルを構築し、リスク推定を向上させること。
• 新規の認証を受けないケトルのような、試験データがなく、実施件数が不明な製品のリスク評価において、本モデルの有効性を示すこと。
• 証拠に基づく規制意思決定を支援する、規範的で解釈可能なリスク評価手法を提供すること。

提案手法

• 提案されたBNモデルは、条件付き確率表と因果構造を用いて、危険発生、使用パターン、怪我の深刻度などのリスク要因間の関係を表現する。
• 使用回数、使用の逸脱率、製品実施件数といった不確実な変数に対して、事前知識を反映するための事前分布を割り当てる。
• 仮想の怪我報告やプロセスデータなどの証拠に基づき、ベイズ推論を適用して確率を更新する。
• 需要あたりの重傷・軽傷の確率、危険発生の確率、全体のリスクレベルを推定する。
• 消費者の効用と規制機関の介入閾値を組み合わせることで、リスク受容可能性を評価する。
• 入力（例：報告された怪我件数）を変化させることでシナリオ分析を可能にし、異なる仮定下でのリスク結果を評価する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンネットワークモデルは、RAPEXと比較して不確実性の取り扱いをどのように改善できるか？
• RQ2 試験データが存在しない状況において、事前知識と因果関係を用いたBNモデルは、製品リスクを信頼性を持って推定できるか？
• RQ3 使用行動、製造プロセス、リスク認識の統合は、リスク推定の正確性にどのように影響するか？
• RQ4 不完全なデータのもとで、BNモデルは製品回収などの政府の介入意思決定を支援できるか？

主な発見

• シナリオ1における認証を受けないケトルに関して、BNモデルは平均して重傷の怪我確率が0.005、軽傷の怪我確率が0.01と推定し、50,000～100,000台の製品で合計375件の重傷および750件の軽傷を予測した。
• シナリオ1では、報告された怪我がないにもかかわらず、リスクレベルは「非常に高い」と分類され、不確実性を伴って政府の介入を推奨した。
• シナリオ2では、1件の重傷怪我の報告があったが、BNモデルは重傷怪我の平均確率を0.00004にまで低く推定し、不確実性が低いことから、介入を推奨しないと判断した。
• BNモデルは、実証的データが不足している状況でも、事前知識と因果モデリングによりRAPEXよりも信頼性の高いリスク評価を可能にすることを示した。
• 試験データのない製品についてもリスクを適切に推定でき、BNは不完全なデータを扱い、新たな証拠が得られると推定値を更新できることを示した。
• シナリオ1ではリスク受容可能性の分布は「低」に集中していたが、シナリオ2では「高」から「非常に高い」まで変動し、モデルが入力仮定と証拠に敏感であることがうかがえた。