[论文解读] 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 2

一句话总结

本文提出了一种贝叶斯网络（BN）模型，用于系统性产品风险评估，克服了RAPEX在处理不确定性以及缺乏因果推理方面的关键局限。通过整合危害数据、使用模式、制造工艺和风险感知信息，该BN方法即使在数据稀疏或无实证数据的情况下，也能量化伤害概率和风险可接受性，案例研究显示其在泰迪熊和未经认证的水壶上的灵活性与可解释性更优。

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.

研究动机与目标

• 解决RAPEX在处理不确定性以及在产品风险评估中缺乏因果解释方面的局限性。
• 开发一种通用的、系统性的贝叶斯网络模型，整合危害、使用、制造和风险感知数据，以提升风险估计能力。
• 展示该模型在评估无测试数据或未知产品数量（如新型未经认证水壶）时的风险能力。
• 提供一种规范的、可解释的风险评估方法，支持基于证据的监管决策。

提出的方法

• 所提出的BN模型使用条件概率表和因果结构，表示风险因素之间的关系，包括危害发生、使用模式和伤害严重程度。
• 为不确定变量（如产品使用次数、使用偏差率和产品实例数量）分配先验概率，以反映先验知识。
• 应用贝叶斯推理，根据证据（包括假设的伤害报告和工艺数据）更新概率。
• 模型估算每次需求、危害发生和整体风险水平下的严重伤害和轻微伤害概率。
• 通过结合伤害概率与消费者效用及监管干预阈值，评估风险可接受性。
• 通过改变输入（如报告的伤害数量）进行情景分析，以评估不同假设下的风险结果。

实验结果

研究问题

• RQ1 与RAPEX相比，贝叶斯网络模型如何改善产品风险评估中的不确定性处理？
• RQ2 在缺乏测试数据的情况下，BN模型能否利用先验知识和因果关系可靠地估计产品风险？
• RQ3 纳入使用行为、制造工艺和风险感知如何影响风险估计的准确性？
• RQ4 在数据不完整的情况下，BN模型能否支持政府干预（如产品召回）的决策？

主要发现

• 在情景1中，对于未经认证的水壶，BN模型估计的严重伤害概率均值为0.005，轻微伤害概率均值为0.01，预测在50,000至100,000台产品中将导致375起严重伤害和750起轻微伤害。
• 在情景1中，尽管无报告伤害，模型仍将风险水平分类为“极高”，并建议政府干预，且带有不确定性。
• 在情景2中，报告了一起严重伤害，模型估计严重伤害的均值概率降至0.00004，并建议低不确定性下无需干预。
• BN模型表明，先验知识和因果建模可提供比RAPEX更可靠的風險评估，尤其是在缺乏实证数据或数据有限的情况下。
• 该模型成功估计了一款无测试数据的产品风险，表明BN能够处理不完整数据，并在新证据出现时更新估计。
• 在情景1中，风险可接受性分布的中心位于“低”水平，而在情景2中则从“高”到“极高”不等，反映出模型对输入假设和证据的敏感性。