Análise e modelação da contribuição dos factores humanos ... · À Sara Lourenço, pela...

UNIVERSIDADE DE LISBOA

INSTITUTO SUPERIOR TÉCNICO

Análise e modelação da contribuição dos factores

humanos em acidentes marítimos

Iris Santana Pinheiro

Dissertação para obtenção do Grau de Mestre em

Engenharia e Arquitectura Naval

Júri

Presidente: Doutor Yordan Ivanov Garbatov

Orientador: Doutor Ângelo Manuel Palos Teixeira

Co-orientador: Doutor Carlos António Pancada Guedes Soares

Vogal: Doutora Maria Celeste Rodrigues Jacinto

Julho 2015

iii

Agradecimentos

Ao Professor Ângelo Teixeira pela orientação, disponibilidade e ensinamentos transmitidos durante a

realização deste trabalho.

Ao Professor Carlos Guedes Soares pela co-orientação deste estudo.

Aos parceiros do Projecto CyClaDes, em particular ao Prof. Nikolaos Ventikos do NTUA (National

Technical University of Athens) e ao Prof. Ângelo Teixeira, que disponibilizaram a rede Bayesiana

desenvolvida na tarefa 2.4 para as análises efectuadas no âmbito desta dissertação, e aos parceiros

da WMU (World Maritime University) que disponibilizaram a base de dados dos acidentes codificados

com a metodologia TRACEr.

Aos meus pais, Paulo e Rosa, pelo apoio e compreensão, pelas ausências e pelos muitos dias, ao

longo do meu percurso académico, em que vivi mais no Técnico do que na minha própria casa. Por

saberem que eles são a casa a que quero sempre voltar, obrigada.

Aos meus irmãos, Pedro, Lara e Miguel, porque há uma parte de mim que só existe porque eles

existem, porque enchemos uma casa e juntos temos a melhor gargalhada do meu mundo.

Aos meus avós, Regina, Maria e Fernando, pela presença e ajuda ao longo da vida. Ao meu avô Carlos,

com quem gostaria de partilhar este momento e de quem tenho uma saudade imensa.

Ao Jorge Miranda, pelo apoio incondicional e cumplicidade ao longo deste percurso que fizemos juntos.

À Sara Lourenço, pela presença e motivação, pela mão dada ao longo de todo o caminho.

Aos amigos do Técnico que se tornaram amigos para a vida. Aos que tão bem me receberam quando

aqui cheguei, aos que chegaram comigo e aos que eu recebi de braços abertos. Somos uma família e

sem eles isto não tinha tido graça nenhuma. Um agradecimento especial à Ana Pereira que, sem me

conhecer, me disse “vem” na hora certa, sem ela provavelmente hoje não estaria aqui.

v

Resumo

O objectivo desta dissertação é analisar e modelar a contribuição dos factores humanos na ocorrência

de acidentes marítimos. Embora estes acidentes possam ser o resultado da influência de diversos

factores, que incluem falhas de equipamentos e fenómenos meteorológicos, a maioria é causada

essencialmente por factores humanos e, portanto, esta dissertação centra-se na identificação dos erros

humanos e na modelação da sua influência nos acidentes marítimos.

O estudo da contribuição dos factores humanos nos acidentes marítimos é realizado a três níveis de

detalhe diferentes mas complementares. Primeiramente são identificados os principais factores (modos

de falha) que contribuem para os acidentes, nomeadamente colisões e encalhes, através da análise

sistemática de acidentes marítimos suportada por uma taxonomia de codificação do erro humano, Esta

análise preliminar é essencial para o desenvolvimento de modelos mais detalhados (de Redes

Bayesianas) que permitem estimar quantitativamente a influência dos diversos factores na

probabilidade de colisão. Por fim, são identificadas de forma sistemática as barreiras de prevenção de

colisões entre navios e de mitigação das suas consequências.

Neste contexto é utilizada a metodologia TRACEr (Technique for the Retrospective and predictive

Analysis of Cognitive Errors) para codificar as informações que constam nos relatórios de investigação

de acidentes marítimos. O TRACEr é uma metodologia de identificação do erro humano que se foca

na interface homem-máquina, sugerindo que os acidentes são desencadeados por erros cognitivos do

operador, cujo desempenho pode ser influenciado por factores externos ou internos.

Neste trabalho são analisados 125 acidentes marítimos codificados com a metodologia TRACEr, a que

correspondem 70 colisões e 55 encalhes. Esta análise permite identificar os factores que mais

contribuíram para a ocorrência de colisões e encalhes e apoia a construção de modelos mais

detalhados para os acidentes.

Considerando os factores contributivos identificados para as colisões, é posteriormente efectuada uma

análise de sensibilidades sobre um modelo de uma Rede Bayesiana, desenvolvido com base na

metodologia TRACEr, de forma a incluir o elemento humano na avaliação do risco. O objectivo é

estudar a variação da probabilidade de colisão a partir da mudança de estado das diferentes variáveis

consideradas, sendo possível identificar os parâmetros que mais influenciam a ocorrência de colisões.

Por fim é analisado o risco de colisão através de um modelo Bow-tie que identifica de uma forma

sistemática as barreiras de prevenção e de mitigação de colisões. Este modelo permite, de forma

gráfica, mostrar a robustez do sistema relativamente aos mecanismos de protecção implementados

tendo em vista a criação de sistemas/organizações mais resilientes, com capacidade de prever

alterações antes que ocorram falhas ou danos.

Palavras-chave: factores humanos, erro humano, análise de acidentes marítimos, TRACEr, colisões

eencalhes, Redes Bayesianas, análise de sensibilidades, modelos Bow-tie.

vii

Abstract

The objective of this dissertation is to analyse and model the contribution of human factors in the

occurrence of maritime accidents. Although these accidents could be the result of the influence of

several factors, including equipment failures and meteorological phenomena, most are essentially

caused by human factors and, therefore, the emphasis of this thesis is on the identification of human

errors and on the modelling of their influence in maritime accidents.

The study of the contribution of human factors in maritime accidents is carried out in three different but

complementary levels of detail. First of all, the main factors (failure modes) that contribute to accidents

are identified, through a systematic analysis of maritime accidents supported by a human error coding

taxonomy. This preliminary analysis is essential for the development of more detailed models (Bayesian

Network) that allows the quantitative evaluation of the influence of various factors on the probability of

collision. Finally, the barriers that prevent collisions between ships and mitigate their consequences are

identified in a systematically way.

In this context the TRACEr (Technique for the Retrospective and predictive Analysis of Cognitive Errors)

methodology is used to encode the information presented in investigation reports of maritime accidents.

TRACEr is a human error identification methodology that focuses in human-machine interface,

suggesting that accidents are triggered by operator cognitive or psychological errors, whose

performance can be influenced by external or internal factors.

In this dissertation 125 maritime accidents are coded with TRACEr methodology, corresponding to 70

collisions and 55 groundings. This analysis allows the identification of the most important contributory

factors involved in a collisions or grounding scenario and supports the construction of more detailed

models of accidents.

Subsequently, a sensitivity analysis of a Bayesian network model developed based on the TRACER

methodology to include the human element in the risk assessment is performed considering the

contributory factors identified for collisions. The aim is to study the collision probability variation through

the state change of the different variables considered, being possible to identify the parameters that

influence the occurrence of collisions.

Finally the risk of collision is analysed by a Bow-tie model that identifies systematically the barriers in

place to prevent and mitigate collisions. This model shows graphically show the robustness of the

system for the implemented protection mechanisms and can support the creation of more resilient

systems/organizations with the ability of predicting changes before failures or damages occur.

Keywords: human factors, human error, maritime accidents analysis, TRACEr, collision and grounding

accidents, Bayesian networks, sensitivity analysis, Bow-tie models.

ix

Índice

Agradecimentos ....................................................................................................................................... iii

Resumo ....................................................................................................................................................v

Abstract................................................................................................................................................... vii

Índice ....................................................................................................................................................... ix

Índice de Tabelas .................................................................................................................................... xi

Índice de Figuras .................................................................................................................................... xii

Lista de Abreviações .............................................................................................................................. xv

1 Introdução ........................................................................................................................................ 1

1.1 Objectivos ................................................................................................................................ 3

1.2 Estrutura da Dissertação ......................................................................................................... 3

2 Estado da arte: Erro Humano e Análise de Acidentes .................................................................... 5

2.1 Erro Humano ........................................................................................................................... 6

2.1.1 Identificação do Erro Humano ....................................................................................... 11

2.1.2 Análise da Fiabilidade Humana ..................................................................................... 11

2.1.3 Resiliência ..................................................................................................................... 15

2.2 Análise de Acidentes no Contexto Marítimo ......................................................................... 16

2.2.1 IMO ................................................................................................................................ 18

2.2.2 CASMET ........................................................................................................................ 20

2.2.3 EMCIP ........................................................................................................................... 23

2.2.4 TRACEr ......................................................................................................................... 25

3 Análise de acidentes com a metodologia TRACEr ....................................................................... 26

3.1 Metodologia de Codificação .................................................................................................. 26

3.2 Exemplo de Codificação ........................................................................................................ 31

4 Análise Estatística de acidentes marítimos ................................................................................... 37

5 As redes bayesianas na colisão de navios ................................................................................... 57

5.1 Introdução às redes bayesianas ........................................................................................... 57

5.2 Aplicação das redes bayesianas no contexto marítimo ........................................................ 64

5.3 Modelo para colisões ............................................................................................................. 66

5.4 Resultados ............................................................................................................................. 71

5.4.1 Estudo de caso 1 ........................................................................................................... 71

5.4.2 Estudo de caso 2 ........................................................................................................... 72

5.5 Análise de sensibilidade ........................................................................................................ 74

5.5.1 Selecção de variáveis .................................................................................................... 75

5.5.2 Resultados da Análise de Sensibilidade ....................................................................... 77

6 Análise de gestão do risco de colisão ........................................................................................... 85

6.1 Modelo Bow-tie do risco de colisão ....................................................................................... 87

7 Conclusões e Recomendações ..................................................................................................... 93

x

7.1 Conclusões ............................................................................................................................ 93

7.2 Recomendações para trabalhos futuros ............................................................................... 95

Referências ........................................................................................................................................... 97

Anexos ................................................................................................................................................. 101

Anexo A: TRACEr ................................................................................................................................ 103

Anexo B: Descrição dos nós da Rede Bayesiana ............................................................................... 113

Anexo C: Narrativa – Estudo de Caso 1 ............................................................................................. 127

Anexo D: Narrativa – Estudo de Caso 2 ............................................................................................. 129

Anexo E: Análise de sensibilidade ...................................................................................................... 131

E.1 Output: Collision ........................................................................................................................ 131

E.2 Output: OOW Performance ....................................................................................................... 133

E.3 Estudo de caso 3 – Output: Collision ........................................................................................ 135

Anexo F: Narrativa – Análise de sensibilidade .................................................................................... 137

Anexo G: Modelo Bow-tie para colisões ............................................................................................. 139

Anexo H: Modelo Bow-tie – Descrição ................................................................................................ 141

xi

Índice de Tabelas

Tabela 2.1 - Relação entre os tipos de erro de Reason e os três níveis de desempenho de Rasmussen

................................................................................................................................................................. 8

Tabela 2.2 - CPC e fiabilidade do desempenho, adaptado de (Hollnagel, 1998; p.114) ...................... 14

Tabela 2.3 - Elementos a submeter de acordo com o tipo de ocorrência (IMO, 2008) ........................ 19

Tabela 2.4 - Classificação de acontecimentos acidentais (Kristiansen et al., 1999) ............................ 22

Tabela 2.5 - Grupos causais básicos da metodologia CASMET (Kristiansen et al., 1999) .................. 22

Tabela 3.1 - Taxonomia TRACEr (Hofmann & Schröder-Hinrichs, 2013) ............................................ 27

Tabela 3.2 - Lista de tarefas e actividades disponíveis quando o erro ocorreu na ponte .................... 28

Tabela 3.3 - Informações gerais sobre o acidente com o Overseas Reymar ....................................... 32

Tabela 3.4 - Resumo da codificação dos erros detectados na codificação do acidente com o Overseas

Reymar .................................................................................................................................................. 35

Tabela 4.1 - Número de acidentes e erros codificados ......................................................................... 37

Tabela 4.2 - Dados relativos à gravidade das ocorrências codificadas ................................................ 37

Tabela 4.3 – Resumo dos factores com maior impacto na possível ocorrência de colisões ou encalhes

............................................................................................................................................................... 48

Tabela 4.4 - Condições definidas para colisões e encalhes em termos de localização do erro,

equipamento e tarefa ............................................................................................................................. 49

Tabela 5.1 - Exemplo de tabela de probabilidade condicional.............................................................. 58

Tabela 5.2 - Variáveis seleccionadas para a análise de sensibilidade do nó "Collision"...................... 76

xii

Índice de Figuras

Figura 2.1 - Modelo de classificação SRK do erro humano (Rasmussen & Member, 1983) ................. 7

Figura 2.2 - Modelo do processamento de informação humano (Wickens et al., 1998; p.122) ............. 9

Figura 2.3 - Taxonomia do erro baseada na intencionalidade da acção (Reason, 1990; p.207) ......... 10

Figura 2.4 - Modelo CoCoM, adaptado de (Hollnagel, 1998; p.155) .................................................... 13

Figura 2.5 - Modelo de classificação do CREAM, adaptado de (Hollnagel, 1998; p.160) .................... 13

Figura 2.6 - Modelo do "queijo suíço" de Reason (1997) ..................................................................... 17

Figura 2.7 - Relação entre o processo de análise e a estrutura da base de dados (Guedes Soares et

al., 2000) ................................................................................................................................................ 21

Figura 2.8 - Representação dos acontecimentos acidentais (CASMET) .............................................. 23

Figura 2.9 - Modelo do EMCIP, baseado no projecto CASMET ........................................................... 24

Figura 2.10 - Simple Model of Cognition (Hollnagel, 1998; p.100) ....................................................... 25

Figura 3.1 - TRACEr adaptado ao projecto CyClaDes (baseado em Shorrock & Kirwan, 2002) ......... 27

Figura 3.2 - IEMs e PEMs relacionados com o domínio cognitivo "memória" ...................................... 30

Figura 3.3 - San Francisco - Oakland Bay Bridge, informação relativa ao acidente com o Overseas

Reymar .................................................................................................................................................. 33

Figura 4.1 - Análise para os operadores responsáveis pela produção dos erros codificados ............. 38

Figura 4.2- Análise dos equipamentos utilizados na produção dos erros codificados ......................... 38

Figura 4.3 - Distribuição percentual das tarefas desempenhadas pelos operadores ........................... 39

Figura 4.4 - Distribuição percentual das actividades desempenhadas de acordo com a tarefa em

realização na produção dos erros codificados ...................................................................................... 40

Figura 4.5 - Distribuição percentual do nível de causalidade registado para os diferentes erros

codificados ............................................................................................................................................. 41

Figura 4.6 - Distribuição dos EEMs para os erros codificados ............................................................. 42

Figura 4.7 - Distribuição percentual dos domínios cognitivos identificados .......................................... 42

Figura 4.8 - Distribuição dos IEMs identificados ................................................................................... 43

Figura 4.9 - Distribuição percentual dos PEMs identificados ................................................................ 44

Figura 4.10 - Distribuição percentual dos PSF identificados de acordo com as categorias definidas . 45

Figura 4.11 - Distribuição percentual dos PSF identificados para os erros codificados ....................... 46

Figura 4.12 - Distribuição percentual das barreiras não sucedidas identificadas ................................. 47

Figura 4.13 - Distribuição percentual dos EEMs para colisões que ocorreram nas condições

estabelecidas ......................................................................................................................................... 49

Figura 4.14 - Distribuição percentual dos IEMs para colisões que ocorreram nas condições

estabelecidas ......................................................................................................................................... 50

Figura 4.15 - Distribuição percentual dos PEMs para colisões que ocorreram nas condições

estabelecida .......................................................................................................................................... 50

Figura 4.16 - Distribuição percentual dos PSF de acordo com as categorias principais para colisões que

ocorreram nas condições estabelecidas ............................................................................................... 51

xiii

Figura 4.17 - Distribuição percentual dos PSF para colisões que ocorreram nas condições estabelecidas

............................................................................................................................................................... 51

Figura 4.18 - Distribuição percentual dos EEMs para encalhes que ocorreram nas condições

estabelecidas ......................................................................................................................................... 52

Figura 4.19 - Distribuição percentual dos IEMs para encalhes que ocorreram nas condições

estabelecidas ......................................................................................................................................... 53

Figura 4.20 - Distribuição percentual dos PEMs para encalhes que ocorreram nas condições

estabelecidas ......................................................................................................................................... 53

Figura 4.21 - Distribuição percentual dos PSF de acordo com as categorias principais para encalhes

que ocorreram nas condições ............................................................................................................... 54

Figura 4.22 - Distribuição percentual dos PSF para encalhes que ocorreram nas condições

estabelecidas ......................................................................................................................................... 54

Figura 5.1 - Exemplo de rede bayesiana .............................................................................................. 58

Figura 5.2 - Rede bayesiana - Exemplo 1 ............................................................................................. 59

Figura 5.3 - Tabelas de probabilidade condicional - Exemplo 1 ........................................................... 60

Figura 5.4 - Probabilidade de atribuição de prémio e lucro, sem inferências ....................................... 60

Figura 5.5 - Propagação da evidência Lucro = Elevado ....................................................................... 60

Figura 5.6 - Rede Bayesiana - Exemplo 2 ............................................................................................ 62

Figura 5.7 - Tabelas de probabilidade condicional - Exemplo 2 ........................................................... 62

Figura 5.8 - Probabilidade do Power Supply, sem inferências ............................................................. 63

Figura 5.9 - Propagação da evidência Power Supply = Fail ................................................................. 63

Figura 5.10 - Principais grupos da Rede Bayesiana desenvolvida ....................................................... 68

Figura 5.11 - Rede Bayesiana final detalhada ...................................................................................... 69

Figura 5.12 - Estimativa da probabilidade de colisão para as evidências do estudo de caso 1 ........... 72

Figura 5.13 - Estimativa da probabilidade de colisão para as evidências do estudo de caso 2 ........... 73

Figura 5.14 - Análise de sensibilidade para o nó "Collision" ................................................................. 78

Figura 5.15 - Diferença máxima na probabilidade do estado “Yes” do nó “Collision” produzida pelas

variáveis no seu "pior" e "melhor" estado ............................................................................................. 78

Figura 5.16 – Análise de sensibilidade para o estado “Poor” da variável “OOW Performance“ ........... 79

Figura 5.17 - Diferença máxima da probabilidade do estado “Poor” para o nó “OOW Performance”

produzida pelas variáveis no seu “melhor” e “pior” estado ................................................................... 80

Figura 5.18 - Análise de sensibilidade para o estado "Yes" da variável de saída "Collision", com base

no cenário do estudo de caso 3 ............................................................................................................ 82

Figura 5.19 - Análise de sensibilidade do estado "Yes" para a variável de saída "Collision" no cenário

do estudo de caso 3,, excluindo a variável "OOW Assessment" .......................................................... 82

Figura 5.20 - Diferença máxima da probabilidade do estado “Yes” do nó “Collision” produzida pelas

variáveis no seu “melhor” e “pior” estado para o estudo de caso 3, excluindo a variável “OOW

Assessment” .......................................................................................................................................... 83

Figura 6.1 - Exemplo de um diagrama Bow-tie genérico ...................................................................... 86

Figura 6.2 - Modelo Bow-tie simplificado (ameaças e consequências) ................................................ 88

xiv

Figura 6.3 - Modelo Bow-tie: barreiras de prevenção ........................................................................... 88

Figura 6.4 - Modelo Bow-tie: factores de agravamento e respectivas barreiras secundárias para a

ameaça OOW Poor Performance ......................................................................................................... 89

Figura 6.5 - Modelo Bow-tie: Barreiras de mitigação ............................................................................ 91

Figura 6.6 - Modelo Bow-tie: factores de agravamento e respectivas barreiras secundárias para a

consequência Loss of life ...................................................................................................................... 91

xv

Lista de Abreviações

BN – Bayesian Network

CASMET – Casualty Analysis Methodology for Maritime Operations

CoCoM – Contextual Control Model

CPCs – Common Performance Conditions

CREAM – Cognitive Reliability and Error Analysis Method

DNV – Det Norske Veritas

ECDIS – Electronic Chart Display and Information System

EEM – External Error Mode

EMCIP – European Maritime Casualty Information Platform

EMSA – European Maritime Safety Agency

ENC – Electronic Navigation Charts

EPC – Error-producing Conditions

FSA – Formal Safety Assessment

FSS – Fire Safety Systems

GEMS – Generic Error Modelling Systems

GISIS – Global Integrated

HAZOP – Hazard and Operability Analysis

HCD – Human Centred Design

HEART – Human Error Assessment and Reduction Technique

HEI – Human Error Identification

HRA – Human Reliability Assessment

IEM – Internal Error Mode

ILO – International Labour Organization

IMO – International Maritime Organization

IS – Intact Stability Code

ISM – International Safety Management Code

IST – Instituto Superior Técnico

LSA – International Live-saving Appliance Code

MAIB – Marine Accident Investigation Branch

MARPOL – International Convention for the Prevention of Pollution from Ships

NTSB – National Transportation Safety Board

NTUA – National Technical University of Athens

OOW – Officer On Watch

OPRC – International Convention on Oil Pollution Preparedness, Response and Co-operation

PEM – Psychological Error Mechanism

PSF – Performance Shaping Factors

SAR – International Convention on Maritime Search and Rescue

xvi

SHEL – Software Hardware Environmental Liveware

SHERPA – Systematic Human Error Reduction and Prediction Approach

SMoC – Simple Model of Cognition

SOLAS – International Convention for the Safety of Life at Sea

SRK – Skill, Rule and Knowledge based

STCW – International Convention on Standards of Training, Certification and Watchkeeping for

Seafarers

STEP – Sequential Timed Events Plotting procedures

THERP – Technique for Human Error Prediction

TRACEr – Technique for the Retrospective and Predictive Analysis of Cognitive Errors

TSB – Transportation Safety Board of Canada

1

1 Introdução

No sector marítimo, tal como nas restantes indústrias em geral, as melhorias na segurança são

frequentemente desencadeadas após acidentes com consequências graves, que conseguem reunir

todos os intervenientes de forma a melhorar as políticas e procedimentos de segurança em vigor. Na

Europa, por exemplo, após o derrame de crude que resultou do afundamento do Prestige junto à costa

da Galiza em 2002, a União Europeia adoptou um pacote de medidas com o objectivo de reforçar a

segurança marítima e aumentar a capacidade de prevenção e resposta à poluição. Este é um exemplo

de como o impacto das consequências de falhas de segurança em termos de danos ambientais e perda

de vida, subjacentes a toda a actividade do sector marítimo, é encarado como algo a minimizar por

todos os envolvidos na indústria.

De facto, nos últimos anos o desenvolvimento tecnológico tem conduzido ao desenvolvimento

de sistemas mais fiáveis o que se traduz na redução do número de acidentes marítimos devido a falhas

técnicas. No entanto, não é possível discutir a fiabilidade de um sistema sem considerar a taxa de falha

de todos os seus componentes, o que inclui a componente humana (Madonna et. al, 2009). Aliás, a

análise de acidentes conduzida por diversos autores independentes mostra que mais de 80% dos

acidentes marítimos são causados por erros humanos (Guedes Soares et al., 2000). Segundo Hollnagel

(2005) o próprio erro humano deve considerar, não só aquele que é produzido por indivíduos ou

utilizadores finais, mas também pelas organizações, o que pode envolver a cultura, a estrutura ou as

políticas das empresas de navegação. Assim, o estudo dos factores humanos e da sua contribuição

para a ocorrência de acidentes marítimos torna-se essencial, de forma a garantir níveis de segurança

adequados à normal operação dos navios.

A análise de acidentes assume particular importância na medida em que permite obter

informações acerca dos intervenientes, condições de ocorrência ou factores contributivos que possam

estar relacionados com indivíduos ou organizações. Neste sentido, surgiu nos últimos anos a

necessidade de recorrer a diversos métodos de análise e avaliação de riscos inerentes ao transporte

marítimo, que se encontram ainda em difusão.

Nas últimas décadas surgiram diversas abordagens para a classificação do erro, inicialmente

aplicadas a processos industriais, tipicamente designada como identificação do erro humano (HEI –

Human Error Identification). Estas abordagens incluem por exemplo a SHERPA – Systematic Human

Error Reduction and Prediction Approach (Embrey, 1986), o GEMS – Generic Error Modelling System

(Reason, 1990) ou o CREAM - Cognitive Reliability and Error Analysis Method (Hollnagel, 1998). Muitas

destas técnicas de identificação do erro humano foram influenciadas pelo modelo de Rasmussen (1983)

baseado nas aptidões, regras e conhecimento (SRK) e/ou pela classificação de deslizes, lapsos,

enganos e violações proposta por Reason (1990) (Shorrock & Kirwan, 2002). Algumas destas

abordagens foram posteriormente adaptadas e aplicadas ao contexto marítimo, sendo usadas para a

codificação de acidentes com navios. Entre estas abordagens destaca-se a metodologia de

investigação de acidentes e a taxonomia de codificação de informação numa base de dados

2

desenvolvidas no âmbito do projecto de investigação CASMET – Casualty Analysis Methodology for

Maritime Operations (Caridis, 1999). Esta abordagem tornou-se num dos pilares da metodologia EMCIP

(European Marine Casualty Information Platform), desenvolvida pela EMSA (European Maritime Safety

Agency). Para além destas duas abordagens destaca-se ainda a metodologia de ocorrências da IMO

(2008), que estabelece os procedimentos de investigação de acidentes e incidentes marítimos, no

sentido de disponibilizar informações acerca de ocorrências graves e muito graves.

Mais recentemente a taxonomia TRACEr, originalmente desenvolvida no âmbito do controlo de

tráfego aéreo, foi adaptada ao contexto marítimo de forma a ser aplicada na investigação de acidentes

e incidentes com navios (Hofmann & Schröder-Hinrichs, 2013). O TRACEr é uma metodologia de

identificação do erro humano cujo foco principal é a interface homem-máquina, e que tem em conta os

erros cognitivos e psicológicos do operador e a influência de factores externos e internos no seu

desempenho. Nesta dissertação é adoptada a taxonomia TRACEr como metodologia de codificação

dos relatórios de investigação de encalhes e colisões que permitiu a criação de uma base de dados de

acidentes codificados. A análise estatística desta base de dados possibilita a identificação do contexto

do incidente – relativamente à tarefa e ao equipamento utilizado –, do contexto do operador – em termos

de domínio cognitivo, modos de erro e factores de desempenho – e das barreiras implementadas que

foram bem-sucedidas na prevenção da ocorrência. Esta análise permitirá assim identificar os factores

que mais contribuíram para a ocorrência de colisões e encalhes, apoiando a construção de modelos

mais detalhados de redes Bayesianas para ambos os tipos de acidentes.

A aplicação de redes bayesianas no sector marítimo é ainda muito reduzida, no entanto existem

alguns estudos efectuados nesta área, nomeadamente pela IMO que desenvolveu um modelo

bayesiano para avaliação da eficácia do ECDIS (Electronic Chart Display and Information System) e do

ENC (Electronic Navigational Charts) como medidas de mitigação de risco. Foram ainda desenvolvidos

outros estudos com vista a modelar os factores humanos por meio de redes bayesianas de onde se

destaca o trabalho de Antão & Guedes Soares (2010), que avaliam a contribuição do erro humano em

acidentes com diferentes condições de mar e a contribuição de ondas de grande amplitude na

ocorrência de determinados tipos de acidentes, ou o modelo desenvolvido por Ventikos & Vagias (2010)

que avalia a fadiga dos elementos da tripulação causada pelas condições do ambiente de trabalho.

Nesta dissertação serão identificados os factores que apresentam uma maior influência na

probabilidade de colisão, a partir de uma análise de sensibilidade efectuada a um modelo de rede

bayesiana previamente desenvolvido no âmbito do projecto CyClaDes para um cenário de colisão.

Com vista à redução do erro humano e à criação de organizações e sistemas resilientes, capazes

de prevenir acontecimentos críticos ou recuperar desses mesmos acontecimentos com consequências

mínimas, recorrer-se-á ao desenvolvimento de um diagrama Bow-tie. Os modelos Bow-tie identificam

de uma forma sistemática as barreiras existentes para reduzir o número de acidentes (barreiras de

prevenção) ou mitigar as consequências inerentes à ocorrência dos mesmos (barreiras de mitigação)

permitindo, de uma forma gráfica, mostrar a robustez do sistema relativamente às barreiras

implementadas. Neste sentido será desenvolvido um modelo Bow-tie para um cenário de colisão devida

à ocorrência de um erro humano, baseado na taxonomia TRACER e na rede bayesiana utilizada, sendo

considerado um perigo de navegação.

3

1.1 Objectivos

Nesta dissertação pretende-se analisar e modelar a contribuição dos factores humanos em acidentes

ocorridos no contexto marítimo, nomeadamente colisões e encalhes. Nesse sentido os objectivos a

atingir são os seguintes:

Apresentar uma revisão geral dos métodos de análise e identificação dos factores humanos e

organizacionais;

Aplicar a taxonomia TRACEr na codificação de relatórios de investigação de acidentes

marítimos, nomeadamente, colisões e encalhes;

Efectuar uma análise estatística sobre os acidentes codificados e inseridos na base de dados

MaRiSa

Identificar os factores que mais contribuem para a ocorrência de colisões e encalhes;

Desenvolver uma análise de sensibilidade que permita identificar os parâmetros com maior

influência na probabilidade de colisão calculada através de um modelo de Rede Bayesiana

desenvolvida no projecto CyClaDes;

Desenvolver um modelo Bow-tie para análise de resiliência com o objectivo de modelar

barreiras de prevenção e de mitigação à ocorrência de colisões.

1.2 Estrutura da Dissertação

Além do presente capítulo, a dissertação está dividida em cinco capítulos adicionais. O capítulo

2 refere-se ao estado da arte na vertente do erro humano e da análise de acidentes, sendo apresentada

uma revisão bibliográfica de abordagens de identificação e classificação do erro humano, métodos de

análise da fiabilidade humana e de metodologias de análise de acidentes no contexto marítimo. O

capítulo 3 aborda a análise de acidentes marítimos com a metodologia TRACEr, sendo apresentado o

método de codificação de acidentes e dado um exemplo de codificação. No capítulo 4 é apresentada

a análise estatística efectuada a partir da codificação de colisões e encalhes incluídos na base de

dados. No capítulo 5 são estudadas as redes bayesianas, sendo primeiramente apresentada uma

revisão bibliográfica da aplicação de redes bayesianas no contexto marítimo, e em seguida é efectuada

uma análise de sensibilidade a um modelo de rede bayesiana para um cenário de colisão.

Posteriormente, no capítulo 6, é desenvolvido um modelo Bow-tie, com o objectivo de analisar de uma

forma qualitativa a implementação de barreiras de prevenção ou de mitigação à ocorrência de colisões.

Por último, no capítulo 7, são apresentadas as conclusões e recomendações para trabalhos futuros.

5

2 Estado da arte: Erro Humano e Análise de

Acidentes

Um acidente pode ser definido como um acontecimento indesejado que resulta em danos para

os seres humanos, bens e/ou o meio ambiente (Kristiansen, 2005). Do ponto de vista legal, o termo

acidente pode significar que o dano não foi intencional e/ou que o acontecimento não pode envolver

qualquer tipo de crime (Harms-Ringdahl, 2013).

Os acidentes marítimos são normalmente classificados de acordo com o tipo de libertação de

energia envolvida, sendo que os tipos de acidentes típicos são: colisão, contacto, encalhe, naufrágio,

afundamento, incêndio e explosão, desaparecimento, entre outros. Em termos gerais estes acidentes

podem conduzir a diferentes consequências, tais como: danos aos seres humanos (lesões ou mortes),

poluição ambiental e perdas económicas relacionadas com danos ou perdas de navios e de carga. Por

outro lado, incidentes podem ser classificados como “acontecimentos indesejáveis que são detectados,

controlados ou neutralizados antes que destes ocorram resultados acidentais” (Kristiansen, 2005). A

ocorrência frequente de incidentes indicia a existência de um nível inadequado de segurança, pelo que

a incapacidade de controlo de um destes acontecimentos indesejáveis poderá resultar num acidente

com danos pessoais, materiais e/ou o meio ambiente.

A análise de acidentes conduz a uma aprendizagem na medida que os acidentes são estudados

de forma a compreender as suas causas e a evitá-las no futuro. Para que assim seja é necessária uma

abordagem que permita a recolha de todas as informações relacionadas com o acidente para que as

suas causas sejam identificadas.

Embora os acidentes possam ser causados por uma diversidade de factores, incluindo falhas de

equipamentos, factores meteorológicos, ou outros, o erro humano é ainda o principal responsável pela

maioria das ocorrências (Antão, 2011). A análise de acidentes conduzida por diversos autores

independentes mostra que mais de 80% dos acidentes marítimos são causados por erros humanos

(Guedes Soares et al., 2000). Importa ainda realçar que o erro humano e a sua interpretação podem

estar associados a factores individuais e intrínsecos mas também ao contexto onde estes ocorreram.

Deste modo torna-se clara a importância de conhecer as causas dos acidentes, executando uma

análise que permite obter informações acerca dos intervenientes, condições de ocorrência,

acontecimentos que conduziram a erros/falhas, causas imediatas, factores causais básicos

relacionados com os indivíduos ou organizações. Assim, neste capítulo da dissertação será então

discutido o tema do erro humano, sendo apresentadas diversas abordagens para a sua identificação e

classificação, e analisar-se-á a importância dos factores humanos no contexto marítimo. Será ainda

destacada a importância da análise de acidentes no sector marítimo, sendo apresentadas algumas das

metodologias existentes para codificação e análise de acidentes com navios.

6

2.1 Erro Humano

“Errar é humano…”

Alexander Pope – “Ensaio sobre a crítica”

“…entender as razões pelas quais o ser humano erra é ciência.” (Hollnagel, 1993)

A análise detalhada de acidentes evidencia que estes são, na sua maioria, causados por factores

humanos, tanto individuais como organizacionais. Desta forma torna-se evidente a importância da

análise dos factores humanos associados aos acidentes marítimos de forma a garantir níveis de

segurança mais adequados à normal operação dos navios.

Segundo Wickens et al. (1998) o erro humano pode ser definido como um “comportamento

inadequado que reduz os níveis de eficácia do sistema ou da sua segurança, e que pode ou não resultar

num acidente ou lesão”. O erro humano, se intencional ou não, é definido como qualquer acção humana

ou a sua falta que excede ou falha em atingir um determinado limite de aceitação, onde os limites de

desempenho humano são definidos pelo sistema (Kirwan, 1994).

Actualmente há uma compreensão mais generalizada de que os acidentes não são o resultado

de um erro do operador, isto é, um erro humano individual, mas sim o resultado de um conjunto de

factores que conduziram à ocorrência do erro, que culminou no acontecimento acidental. Segundo

Wickens et al. (1998) os factores humanos podem então ser definidos como “a integração e aplicação

dos conhecimentos científicos disponíveis sobre as pessoas, instalações e sistemas de gestão de forma

a melhorar as interacções no ambiente de trabalho”.

Fruto da visão integrada dos factores humanos tem sido dada particular atenção à contribuição

dos indivíduos na ocorrência de acidentes, o que se traduz no desenvolvimento de um elevado número

de abordagens no sentido de modelar e classificar o elemento humano. Assim a análise dos factores

humanos refere-se aos métodos de ciência comportamental que têm como propósito descrever, prever

e gerir o comportamento humano de forma a atingir objectivos operacionais (Hofmann & Schröder-

Hinrichs, 2013). Em engenharia, estes métodos são incorporados no projecto de sistemas,

equipamento e procedimentos numa tentativa de minimizar os erros associados à sua operação.

Em Wiegmann & Shappell (2001) são apresentadas cinco perspectivas sobre a natureza e a

causa do erro humano, com base em anteriores revisões de literatura. Estas perspectivas são as

seguintes:

Perspectiva cognitiva – em grande parte baseada na teoria de processamento de informação;

os modelos cognitivos estão direccionados para as diferentes etapas das operações mentais

que ocorrem entre a entrada sensorial e a execução da resposta. O tipo de erros que aqui se

define está relacionado com a falha de percepção do operador (falta de atenção, desorientação

espacial, falha na avaliação da situação).

Perspectiva da ergonomia e projecto de sistemas – segundo a qual o operador raramente é a

causa única da ocorrência de um erro ou acidente, já que o seu desempenho individual envolve

uma complexa interacção com diversos factores. Um dos modelos mais conhecidos nesta

perspectiva é o SHEL (Software Hardware Environment Liveware), desenvolvido por Edwards

(1972) que descreve quatro componentes básicos necessários para a optimização da interface

7

homem-máquina no projecto de sistemas: (1) Software – inclui regras e regulamentos que

descrevem os procedimentos de operação; (2) Hardware – inclui o equipamento, material e

outros recursos físicos; (3) Environment conditions – inclui as influências externas e factores

que condicionam as outras três componentes, tais como, clima social, pressão económica ou

factores meteorológicos; (4) Liveware – corresponde ao elemento humano, que inclui

operadores ou gestores e que interage com as restantes componentes.

Perspectiva fisiológica – relacionada sobretudo com a condição física do operador que pode

estar afectada por factores como: doença, fadiga, medicação, álcool ou drogas.

Perspectiva psico-social – relacionada com a interacção ente o pessoal, baseando-se na teoria

de que o desempenho do operador é directamente influenciado pela natureza e qualidade das

interacções entre os diferentes membros de um grupo. Os modelos psico-sociais defendem

que os erros e os acidentes ocorrem quando há uma quebra na dinâmica de grupo ou nas

comunicações interpessoais.

Perspectiva organizacional – considera a natureza complexa das causas de um acidente e o

papel desempenhado pela organização na génese e gestão do erro humano. Neste sentido, os

modelos organizacionais dão especial ênfase à falha no processo de decisão de gestores e

supervisores. O modelo organizacional do queijo suíço de Reason (1990) destaca-se entre os

vários modelos existentes e será explicado com maior detalhe no capítulo 2.2.

Deste modo foram desenvolvidas, nas últimas décadas, diversas abordagens para a

classificação do erro humano, sendo destacadas em seguida algumas destas taxonomias.

O modelo de referência e de utilização mais comum no âmbito da fiabilidade humana é o modelo

de Rasmussen (1983) baseado nas aptidões, regras e conhecimento (Skill, Rule, Knowledge Based –

SRK). Rasmussen distingue três níveis cognitivos de acordo com o comportamento de um indivíduo no

desempenho de uma determinada tarefa, a que correspondem níveis decrescentes de familiaridade

com a tarefa ou contexto (Reason, 1990).

Figura 2.1 - Modelo de classificação SRK do erro humano (Rasmussen & Member, 1983)

8

O nível baseado em aptidões (Skill Based) representa o desempenho sensório-motor durante a

realização de tarefas rotineiras que exigem menores níveis de atenção. As tarefas desempenhadas a

este nível são associadas a um desempenho de aptidões adquiridas, pelo que tipicamente não

requerem atenção ou controlo consciente. Os erros mais comuns estão relacionados com desatenção,

falhas de memória ou lapsos que conduzem a execuções incorrectas.

O nível seguinte é baseado em regras (Rule Based) e aplica-se a situações menos familiares e

mais complexas. Por não se tratar de uma acção rotineira, o operador não possui a experiência

suficiente mas a execução da tarefa é regida por regras bem definidas. A este nível os erros estão

tipicamente associados à inadequada aplicação de uma regra ou à incapacidade de classificar a

situação, o que se traduz na aplicação de uma regra errada.

O nível baseado nos conhecimentos (Knowledge Based) aplica-se a situações novas, em que

não foram adquiridas habilidades ou regras, e perante as quais as acções devem ser planeadas a um

nível conceptual mais elevado em que o desempenho é baseado nos conhecimentos adquiridos. As

acções a este nível são lentas, exigentes cognitivamente e altamente propensas a erros (Antão, 2011).

A este nível os erros resultam de análises ou decisões erradas que estão associadas a conhecimentos

incompletos ou incorrectos.

A partir da abordagem de Rasmussen anteriormente apresentada, Reason (1990) formulou o

modelo GEMS (Generic Error Modelling System). Esta estrutura deriva da taxonomia SKR proposta por

Rasmussen e identifica três tipos de erros humanos básicos: deslizes e lapsos baseados em aptidões

(Skill-based slips and lapses), enganos baseados em regras (Rule-based mistakes) e enganos

baseados em conhecimentos (Knowledge based mistakes). Os deslizes e lapsos são considerados

como acções não propositadas em virtude de falhas de memória ou falhas de atenção e os enganos

são acções intencionais cuja ocorrência se deve a uma aplicação incorrecta de regras ou

conhecimentos. Assim, na tabela 2.1 é possível observar a relação entre os três tipos de erro definidos

por Reason e os três níveis de desempenho considerados por Rasmussen.

Nível de desempenho Tipo de erro

Baseado em Aptidões Deslizes e Lapsos

Baseado em Regras Enganos baseados em regras

Baseado em Conhecimentos Enganos baseados em conhecimentos

Tabela 2.1 - Relação entre os tipos de erro de Reason e os três níveis de desempenho de Rasmussen

Segundo Reason (1990, p. 166) ao analisar a frequência de erros humanos por nível cognitivo

obtém-se a seguinte distribuição:

60.7% são erros Baseados em Aptidões

27.1% são erros Baseados em Regras

11.3% são erros Baseados em Conhecimentos

A partir destes resultados é possível percepcionar que a maior percentagem de erros ocorre na

realização de tarefas rotineiras, o que se prende com o facto da maioria das acções humanas se

9

desenrolar a este nível cognitivo. Se observarmos a proporção entre o número de erros e o número de

acções realizadas em cada nível conclui-se que a probabilidade de ocorrência de um erro aumenta

exponencialmente com a evolução do nível cognitivo. Desta forma, embora se desenvolvam poucas

acções em níveis cognitivos mais elevados, a taxa de sucesso é também reduzida.

Os erros podem também ser classificados segundo um sistema de processamento de

informação, onde é dada relevância à fase do processo cognitivo em que o erro ocorre. Em Wickens et

al. (1998) é apresentado um modelo representado por diferentes etapas nas quais a informação é

processada: (1) percepção da informação sobre o ambiente externo, (2) processamento central ou

transformação da informação, e (3) resposta à informação. Na primeira etapa a informação é

apreendida pelos sentidos e comparada com o conhecimento prévio armazenado na memória a longo

prazo, sendo-lhe atribuído um significado, isto é, uma interpretação significativa do que é

percepcionado. Por vezes esta informação pode ser directamente utilizada para seleccionar e executar

uma resposta, no entanto, é muito frequente que ocorra um atraso na acção, ou que esta não seja de

todo executada, enquanto a informação é processada na memória a curto prazo (memória de trabalho).

Nesta fase de processamento de informação desenvolvem-se várias actividades mentais como

planeamento, compreensão, visualização, tomada de decisão e resolução do problema. O mecanismo

de feedback permite a detecção e percepção de novas informações que são muito frequentemente

geradas pela acção. Na figura 2.2 podemos ainda observar que as etapas de processamento de

informação dependem de recursos mentais e cognitivos, isto é, a atenção que é de disponibilidade

limitada e que pode ser alocada aos processos conforme seja necessário.

Figura 2.2 - Modelo do processamento de informação humano (Wickens et al., 1998; p.122)

10

Swain & Guttmann (1983) propuseram um sistema de classificação onde distinguem dois tipos

de erro: erros por omissão e erros por comissão. Os erros de omissão caracterizam-se pela falta de

acção, quando a realização de uma tarefa é total ou parcialmente omitida devido a um lapso ou falha

de comunicação. Os erros de comissão caracterizam-se pela execução incorrecta de uma determinada

tarefa ou acção, embora o indivíduo aja com a motivação/intenção certa. Os erros por comissão podem

ser ainda classificados como erros na sequência de realização – o individuo realiza a tarefa ou sub-

tarefa fora da sequência correcta – ou erros no tempo de realização – o indivíduo realiza a tarefa ou

sub-tarefa dora do tempo permitido, quer seja muito rápido, muito lento, muito tarde ou muito cedo.

Realça-se ainda a introdução do conceito de intencionalidade, que foi posteriormente utilizado por

Reason (1990) que categoriza os erros básicos de acordo com a intencionalidade dos actos inseguros.

Assim os deslizes e lapsos, explicados anteriormente, são acções não propositadas, enquanto que os

enganos são acções intencionais. A esta categoria são adicionadas as violações que correspondem a

desvios deliberados aos procedimentos de operação estabelecidos e que Reason classificou como de

rotina, excepcionais ou actos de sabotagem. Na figura 2.3 é possível observar um resumo da

classificação dos actos inseguros de acordo com a intencionalidade da acção.

Figura 2.3 - Taxonomia do erro baseada na intencionalidade da acção (Reason, 1990; p.207)

Em muitos casos as violações resultam de motivações contraditórias como o desejo de poupar

tempo e esforço ou a tentativa de ajudar alguém. Na maioria das situações os operadores que violam

as regras não o fazem por maldade mas sim porque aparentemente existem boas razões para que isso

aconteça, pelo que as motivações devem ser analisadas se se pretender minimizar a ocorrência de

violações.

11

2.1.1 Identificação do Erro Humano

A identificação do erro humano (HEI – Human Error Identification) é normalmente uma parte da

avaliação da fiabilidade humana (HRA – Human Reliability Assessment), que determina o impacto do

erro humano e da recuperação do erro num determinado sistema.

Kirwan (1998) reviu trinta e oito abordagens de identificação do erro humano e considera que os

três maiores componentes do erro são:

Modos de Erro Externos (EEM – External Error Mode) – correspondem às manifestações

externas do erro.

Factores de desempenho (PSF – Performance Shaping Factors) – factores que influenciam a

probabilidade de ocorrência do erro

Mecanismos de erro psicológicos (PEM – Psychological Error Mechanism) – correspondem às

manifestações internas do erro (modo de falha do operador em termos psicológicos)

Shorrock & Kirwan (2002) desenvolveram uma técnica de identificação do erro humano aplicado

ao controlo de tráfico aéreo e baseado em outras taxonomias existentes. Esta técnica de identificação

do erro humano foi designada por TRACEr (Technique for the Retrospective and Predictive Analysis of

Cognitive Errors) e será apresentada detalhadamente mais tarde.

Os erros são classificados de acordo com um modelo cognitivo de decisões tendo sido

diferenciados os modos de erro internos dos mecanismos de erro psicológicos. Após a identificação do

modo e mecanismo de erro, o desempenho do indivíduo na tarefa depende dos factores de

desempenho também denominados por condições produtoras de erro (EPC – Error-producing

conditions), que não são vistas como causas do erro mas sim como factores da tarefa, ambiente,

equipamento ou pessoais que aumentam a probabilidade de ocorrência de erros. Os factores de

desempenho (PSF) podem ser classificados como internos – características internas do indivíduo que

podem ser inatas como a altura ou o género, ou adquiridas por treino ou experiência, por exemplo – ou

externos – características externas da tarefa, equipamento, ambiente físico e organizacional.

2.1.2 Análise da Fiabilidade Humana

Com o objectivo de incluir o elemento humano na análise riscos torna-se necessário actuar não

só sobre a probabilidade de falha, mas também na minimização das suas consequências. Os métodos

de fiabilidade humana reconhecem que os seres humanos não podem alcançar um desempenho

perfeito continuamente nem existem decisões ou acções livres de erros, pelo que visam estudar os

factores internos e externos que influenciam a eficiência e fiabilidade do desempenho do operador.

Esta análise é dotada de alguma complexidade na medida em que são necessários modelos de

comportamento humano que atribuam valores numéricos à probabilidade de erro, de forma a ser

possível prever e prevenir o comportamento inseguro.

12

A literatura apresenta várias técnicas de análise de fiabilidade humana destinadas a integrar a

falha humana na análise de risco: THERP - Technique for Human Error Prediction (Swain & Guttmann,

1983), HEART - Human Error Assessment and Reduction Technique (Williams, 1986), SHERPA -

Systematic Human Error Reduction and Prediction Approach (Embrey, 1986) e CREAM - Cognitive

Reliability and Error Analysis Method (Hollnagel, 1998).

Estas técnicas têm sido desenvolvidas de forma a quantificar a contribuição do erro humano para

a ocorrência de um acidente, fornecendo uma avaliação mais detalhada dos riscos inerentes ao sistema

e que estão associados ao factor humano. O desenvolvimento de métodos de HRA surgiu na sequência

de graves acidentes em indústrias (e.g. Chernobil, 1986) cuja exposição ao risco era evidente e em que

se detectou uma contribuição substancial do erro humano para a sua ocorrência.

Os métodos de análise da fiabilidade humana dividem-se em métodos de primeira e segunda

geração. A principal diferença entre um método de segunda geração e um de primeira geração, é a

ênfase dada à influência do contexto sobre o desempenho do operador. Além disso, enquanto nas

metodologias de primeira geração a definição do erro se baseia na dualidade omissão/comissão, que

deriva da função lógica sucesso/falha que descreve o comportamento de elementos mecânicos na

análise de fiabilidade, as metodologias de segunda geração baseiam-se num modelo que considera as

funções cognitivas do operador (Madonna et al., 2009).

Neste ponto da dissertação será abordado com maior detalhe o método de fiabilidade humana

CREAM.

2.1.2.1 CREAM

. O método CREAM desenvolvido por Hollnagel (1998) é um método de avaliação da fiabilidade

humana de segunda geração.

O modelo pode ser analisado sob um ponto de vista retrospectivo ou prospectivo. A análise

retrospectiva inicia-se com a avaliação dos acontecimentos acidentais, procurando reconstruir a

sequência de acontecimentos, de forma a traçar as causas básicas e poder assim desenvolver medidas

de prevenção. A análise prospectiva consiste em prever e avaliar os riscos e as consequências

decorrentes de um acidente, com o objectivo de desenvolver sistemas de controlo e protecção.

O método envolve três componentes: utilizar um modelo de cognição humana; elaborar um

sistema de classificação; e aplicar as influências das Condições de Desempenho Comum, explicando

como ocorrem e a sua interdependência.

O modelo cognitivo utilizado pelo CREAM é o CoCoM (Contextual Control Model), desenvolvido

por Hollnagel. Este método é uma evolução do modelo SMoC (Simple Model of Cognition) e baseia-se

na hipótese de que o comportamento humano é regulado por dois princípios fundamentais: a natureza

cíclica da cognição humana e a dependência dos processos cognitivos do contexto e das condições de

trabalho.

13

Figura 2.4 - Modelo CoCoM, adaptado de (Hollnagel, 1998; p.155)

Tal como se pode observar na figura 2.4 o CoCoM agrupa dois modelos: o modelo de

competência – onde se incluem as funções cognitivas essenciais, como a observação, interpretação,

planeamento e execução – e o modelo de controlo – que corresponde à selecção de tarefas e à gestão

da sua execução por parte do indivíduo. São distinguidos quatro modos de controlo: estratégico, táctico,

oportunista e desordenado.

O esquema de classificação deve ser capaz de descrever as manifestações dos erros e as suas

causas. Este esquema faz a distinção entre efeitos e causas, classificados com base na diferenciação

entre modos e manifestações do erro (fenótipos) e as suas causas (genótipos).

O CREAM organiza as interacções entre os indivíduos e o ambiente usando a tríade homem-

tecnologia-organização (Yoshimura et al., 2014), o que está relacionado com a estruturação das

causas.

Figura 2.5 - Modelo de classificação do CREAM, adaptado de (Hollnagel, 1998; p.160)

14

Para a predição do desempenho humano torna-se necessário determinar ou descrever o

contexto através das CPCs (Common Performance Conditions). Para isso são definidas nove CPCs,

apresentados na tabela 2.2, sendo que a cada uma corresponde uma lista de níveis qualitativos cuja

selecção permite verificar quais os factores que tiveram uma influência negativa sobre o desempenho

humano.

A avaliação das CPCs é feita através da obtenção do resultado combinado dos nove CPCs sendo

distinguidos os CPCs que reduzem, não alteram ou aumentam a fiabilidade do desempenho humano.

CPC Nível qualitativo Efeito esperado na

fiabilidade do desempenho

Adequação da organização

Muito eficiente Melhora

Eficiente Não significativo

Ineficiente Reduz

Deficiente Reduz

Condições de trabalho

Vantajosa Melhora

Compatível Não significativo

Incompatível Reduz

Adequação à interface homem-máquina e suporte

operacional

Apoiante Melhora

Adequada Não significativo

Tolerável Não significativo

Inapropriada Reduz

Disponibilidade de procedimentos

Apropriada Melhora

Aceitável Não significativo

Inapropriada Reduz

Número de objectivos simultâneos

Menor do que a capacidade Não significativo

De acordo com a capacidade Não significativo

Maior do que a capacidade Reduz

Tempo disponível

Adequado Melhora

Temporariamente inadequado Não significativo

Continuamente inadequado Reduz

Horário Diurno (ajustado) Não significativo

Nocturno (desajustado) Reduz

Adequação do treino e experiência

Adequado, experiência elevada Melhora

Adequado, experiência limitada Não significativo

Inadequado Reduz

Qualidade da colaboração da equipa

Muito eficiente Melhora

Eficiente Não significativo

Ineficiente Não significativo

Deficiente Reduz

Tabela 2.2 - CPC e fiabilidade do desempenho, adaptado de (Hollnagel, 1998; p.114)

15

Tal como já foi referido anteriormente, de forma a reduzir o impacto do erro em acidentes é

necessário avaliar, não só a probabilidade de ocorrência como os mecanismos de minimização de

consequências. É neste seguimento que surgem os métodos de fiabilidade humana, cujo objectivo é

entender os factores que afectam o desempenho humano e projectar sistemas resilientes a este tipo

de falhas.

2.1.3 Resiliência

O termo resiliência no contexto do risco e da segurança é definido como a capacidade de um

sistema reagir e recuperar de distúrbios e acontecimentos imprevistos (Hollnagel et al., 2006). Em

McDaniels (2008) são definidas duas propriedades fundamentais da resiliência: robustez e rapidez. A

robustez refere-se à capacidade de um sistema suportar uma certa quantidade de tensão no que diz

respeito à perda de função do sistema, ou como em Hansson (2003), é “a tendência de um sistema

permanecer inalterado, ou quase inalterado, quando exposto a perturbações”. A rapidez refere-se à

capacidade do sistema recuperar de um acontecimento indesejado no que diz respeito à velocidade de

recuperação.

Na teoria organizacional, resiliência refere-se à capacidade de uma organização projectar e

implementar comportamentos adaptativos correspondentes a mudanças situacionais imediatas

suportando o mínimo de tensão (Mansouri et al., 2009).

Woods (2000) sugere que uma medida de sucesso para uma organização resiliente é a

capacidade de prever alterações que podem anunciar mudanças no risco antes que ocorram falhas e

danos. Isto envolve estar consciente da maneira normal como a tomada de decisão e a mudança em

sistemas complexos podem conduzir à ocorrência de problemas.

A partir do trabalho desenvolvido por Reason, Hollnagel, Rasmussen, Woods e outros, surgiu o

conceito de organizações resilientes e “engenharia de resiliência”. A engenharia de resiliência procura

maneiras de melhorar a capacidade das organizações para criar processos robustos mas flexíveis, para

monitorizar e rever os modelos de risco e para utilizar os recursos de forma proactiva em face de

interrupções ou decurso da produção e das pressões económicas (Coss, 2011).

A redução do erro humano é possível a partir da compreensão dos objectivos de uma

determinada actividade e das tarefas a realizar para que esses objectivos sejam alcançados. Neste

sentido podem ser aplicadas diversas abordagens para de análise do erro humano, tais como o HAZOP

humano (Hazard and Operability Analysis), árvores de falhas, abordagens que utilizam a análise de

tarefas hierárquicas ou métodos com sistemas de classificação para a identificação de erros e

respectivo contexto, como o CREAM ou o GEMS.

16

2.2 Análise de Acidentes no Contexto Marítimo

Os acidentes marítimos estão frequentemente baseados numa cadeia de acontecimentos

resultando num acontecimento final/acidente. Desta forma a análise de acidentes marítimos é essencial

para sustentar a avaliação de riscos, com o objectivo de identificar as causas básicas, factores

contributivos e organizacionais que contribuíram para a ocorrência dos acontecimentos acidentais

(Antão, 2011; Guedes Soares et al., 2000; Kristiansen et al., 1999). Todos os países possuem

regulamentos que especificam em que situações os acidentes marítimos devem ser investigados,

sendo que os objectivos desta investigação são: identificar as causas e as medidas que poderão reduzir

o risco associado à ocorrência futura de acidentes similares, identificar as fraquezas nos regulamentos

em vigor e estabelecer uma conduta criminal (Kristiansen, 2005).

Embora consista num processo que permite o apuramento de responsabilidades entre os vários

intervenientes, é uma investigação que deve ter como principal objectivo aprender com os

acontecimentos que ocorreram de forma a prevenir a sua ocorrência no futuro.

Segundo Kristiansen (1995) uma metodologia ideal de análise de acidentes deve: reflectir a

sequência de acontecimentos e as duas interacções; identificar tarefas ou operações não realizadas

ou realizadas abaixo do que seria esperado; fazer uma distinção entre erros humanos, falhas técnicas

ou carga ambiental externa; relacionar as falhas aos módulos básicos do sistema (técnico, interface

homem-máquina, operador, procedimentos, organização de suporte e ambiente); identificar medidas

preventivas e de mitigação.

Reason (1990) considera que a maioria dos acidentes é resultado da falha ou inexistência de

barreiras que promovem a ocorrência de uma determinada acção insegura. O modelo de Reason

apresenta uma distinção entre falhas activas – que representam os actos inseguros e que têm efeito

quase imediato, isto é, foram parte activa da ocorrência estando associadas às acções incorrectas dos

operadores - e falhas latentes – que representam os factores pré-existentes para os actos inseguros

cujas consequências não são detectadas de imediato nem estão directamente relacionadas com o

acidente. A introdução das falhas latentes no processo de análise de acidentes possibilita a

identificação de factores contributivos que possam ter aumentado a probabilidade de ocorrência ou

escalado as suas consequências (Antão, 2011). Estes conceitos foram introduzidos no modelo de

acidentes formulado por Reason (1990) e conhecido por modelo do “queijo suíço”.

O modelo, que se apresenta na figura, considera a possibilidade de falha a quatro níveis:

influências organizacionais, supervisão insegura, pré-condições para actos inseguros e actos inseguros

propriamente ditos.

17

Figura 2.6 - Modelo do "queijo suíço" de Reason (1997)

No modelo as barreiras entre uma fonte de dano e uma perda são modeladas por uma série de

camadas de protecção, representadas por “fatias” de um “queijo suíço”. Cada uma destas camadas

tem falhas potenciais, lacunas individuais do sistema representadas por “buracos,” que mudam de

tamanho e posição com o tempo. Na possibilidade de alguns destes “buracos” se alinharem, isto é, se

estas falhas ocorrerem consecutivamente a fonte de dano prossegue a trajectória até à ocorrência de

um acidente que é interpretado como a efectivação de um perigo por inexistência ou ineficiência de

barreiras adequadas.

Considerando a importância que a análise de acidentes assume e que um acidente é o resultado

múltiplas sequências de acontecimentos é expectável a existência de um vasto número de

metodologias cujo objectivo é a identificação das causas das ocorrências. Embora alguns dos métodos

tenham sido desenvolvidos em contextos específicos, como o sector industrial ou do controlo de tráfego

aéreo, é frequente a transferência de alguns destes conceitos para outros contextos. Desta forma será

seguidamente apresentada uma revisão de algumas das metodologias utilizadas na análise de

acidentes.

Nas últimas décadas foram desenvolvidas diversas abordagens para a identificação do erro

humano no contexto industrial (Shorrock & Kirwan, 2002). Algumas destas abordagens foram

posteriormente adaptadas ao contexto marítimo, sendo usadas para a codificação de acidentes com

navios.

Entre estas abordagens destaca-se o Projecto CASMET (Casualty Analysis Methodology for

Maritime Operations), no qual foi desenvolvida uma metodologia de investigação de acidentes e uma

taxonomia de codificação de informação numa base de dados. Esta abordagem tornou-se num dos

18

pilares da metodologia EMCIP (European Marine Casualty Information Platform), desenvolvida pela

EMSA (European Maritime Safety Agency). Para além destas duas abordagens há que realçar ainda a

metodologia de ocorrências da IMO (International Maritime Organization), que estabelece os

procedimentos de investigação de acidentes e incidentes marítimos, no sentido de disponibilizar

informações acerca de ocorrências graves e muito graves (IMO, 2008). Esta informação encontra-se

no GISIS (Global Integrated Maritime Safety Agency), mais concretamente no tópico Marine Casualties

and Incidents,

Mais recentemente a taxonomia TRACEr, originalmente desenvolvida no âmbito do controlo de

tráfego aéreo, foi adaptada ao contexto marítimo de forma a ser aplicada na investigação de acidentes

e incidentes com navios (Hofmann & Schröder-Hinrichs, 2013).

2.2.1 IMO

A consideração dos factores humanos na análise de acidentes tem sido debatida pela IMO que

propôs um formato de relatório que permite a padronização dos conteúdos das bases de dados acerca

de acidentes marítimos ocorridos em diferentes países. Nesse sentido a Resolução A.849(20) (IMO,

1997) estabelece um código de investigação de acidentes e incidentes marítimos, numa metodologia

que consiste numa série de passos a serem seguidos no sentido de ser possível à entidade responsável

pela investigação identificar os factores subjacentes, potenciais problemas de segurança e desenvolver

acções preventivas. Esta resolução foi posteriormente actualizada com a Resolução A.884(21) onde

se apresenta adicionalmente o processo conjunto da IMO e da ILO (International Labour Organization)

para a investigação dos factores humanos (IMO, 2000). Este processo integra e adapta várias

abordagens relacionadas com os factores humanos, como o modelo SHEL (Hawkins, 1987), o GEMS

(Reason, 1990) e a taxonomia do erro de Rasmussen (1987).

Na circular MSC-MEPC.3/Circ.3 (IMO, 2008), a versão actualizada deste documento, são

definidos explicitamente os procedimentos de investigação de acidentes e incidentes sendo agregados

num único modelo todas as informações acerca dos diversos aspectos de uma determinada ocorrência.

A circular referida, designada por “Reports on Marine Casualties and Incident”, pressupõe a recolha de

informação relativa a dez anexos acerca da ocorrência. Para efeitos de elaboração de relatórios a IMO

classifica os acidentes com navios como: “Very Serious Casualties”, “Serious Casualties”, “Less Serious

Casualties” e “Marine Accidents”. De acordo com a classificação da ocorrência assim se definem quais

os anexos a serem entregues, sendo dada maior importância às ocorrências graves e muito graves,

pelo que estes casos pressupõem a submissão de anexos específicos. Uma ocorrência muito grave

envolve a perda total do navio, perda de vida ou poluição severa, enquanto que uma ocorrência grave

é definida como um acidente com um navio que não é classificado como muito grave e que envolve

fogo, explosão, colisão, encalhe, danos devidos ao mau tempo, fractura no casco ou suspeita de defeito

no casco resultando em danos estruturais tornando o navio incapaz de navegar, poluição ou na

necessidade do navio ter que ser rebocado ou assistido em terra (IMO, 1997). Na tabela 2.3 são

identificados os dez anexos existentes no registo de acidentes e incidentes da IMO, bem como a

possível obrigatoriedade de submissão de acordo com o tipo de ocorrência.

19

Informação a submeter de acordo com o tipo

de ocorrência

Ocorrência muito grave

Ocorrência grave Ocorrência

menos grave Incidentes marítimos

Identificação do navio e particulares (Anexo 1)

A submeter até 6 meses após

qualquer ocorrência

A submeter até 6 meses após

qualquer ocorrência

A submeter se houverem

aprendizagens a retirar no que diz

respeito a regulações da IMO




Dados relativos a ocorrências muito graves ou graves (Anexo 2)

A submeter no fim do processo de

investigação, em todos os casos









Informação suplementar relativamente a ocorrências muito graves ou graves (Anexo 3)





Se relevante Se relevante

Ocorrências que envolvem cargas perigosas ou poluentes marítimos (Anexo 4)

Se relevante Se relevante Se relevante Se relevante

Registos de estabilidade intacta e em avaria (Anexo 5)


Registo de ocorrência de incêndio (Anexo 6)


Sistema mundial de socorro e segurança marítima (Anexo 7)


Fadiga como factor contributivo (Anexo 8)


Derrame acidental de substâncias nocivas (Anexo 9)


Acções de socorro (Anexo 10)


Relatório completo da investigação












Tabela 2.3 - Elementos a submeter de acordo com o tipo de ocorrência (IMO, 2008)

A partir dos dados da tabela é possível compreender que a existência de uma ocorrência não

implica necessariamente o preenchimento de todos os elementos do relatório, já que estes dependem

directamente da natureza da ocorrência.

Dos anexos acima referidos é dada particular importância aos anexos 1 a 3, que contêm

informações relativamente à identificação do navio em causa, à natureza do acidente e suas

particularidade e às conclusões do inquérito realizado, respectivamente.

O anexo 1 requer o preenchimento de elementos como: número IMO, nome, bandeira, tipo de

navio, tipo de serviço, arqueação, dimensões principais, porte, sociedade classificadora, detalhes de

construção, tipo de propulsão, número de tripulantes, número de passageiros, número de pessoas a

20

bordo no momento da ocorrência, dados preliminares da ocorrência (data e hora, posição/localização,

acontecimento inicial, consequências, resumo dos acontecimentos).

O anexo 2 inicia-se com o preenchimento de dados relativos a: data e hora da ocorrência,

coordenadas geográficas da localização, localização (atracado, porto, canal, etc.) e piloto a bordo.

Seguidamente é identificado o acontecimento inicial, isto é, o tipo de acidente (colisão, contacto,

encalhe, incêndio ou explosão, etc.) e o acontecimento subsequente que pode ser definido como

“aquele cuja ocorrência deriva da magnitude do seu percursor, como por exemplo uma colisão seguida

de um incêndio/explosão” (Antão, 2011). Em seguida são identificadas as consequências dos

acontecimentos para o navio, tripulação e passageiros e meio ambiente. Posteriormente são

identificadas as causas principais (causas imediatas) que dizem respeito unicamente ao acontecimento

inicial e que são divididas em causas internas – incluem violações e erro humano, falhas estruturais,

falhas de maquinaria/equipamento e falhas com a carga – e causas externas – existência de outro(s)

navio(s), condições do meio ambiente, infra-estrutura de apoio à navegação, actos criminosos ou outras

causas externas. Seguidamente são ainda identificados com maior detalhe os tipos de erro de acordo

com a taxonomia do erro de Reason (1990): violações, deslizes, lapsos e enganos. Finalmente são

identificados os factores subjacentes às causas primárias de acordo com o modelo SHEL, dividindo-se

em quatro áreas: liveware (condições fisiológicas, psicológicas e físicas), hardware (ergonomia,

manutenção, falha de projecto, indisponibilidade de equipamento), software (políticas da empresa,

procedimentos inadequados, gestão e supervisão) e environment (movimento do navio/efeitos

climatéricos, ruído, vibrações ou temperatura/humidade).

Assim na metodologia de análise e no registo de acidentes e incidentes são identificados apenas

dois acontecimentos, podendo estes serem ou não terminais. Além disso só são identificadas as causas

e os factores subjacentes para o acontecimento inicial, o que se limita a análise da ocorrência sendo

diminutas as causas identificadas. Em Guedes Soares et al. (2000) e em Antão (2011) foi ainda referido

que a definição de acontecimentos inicias e subsequentes sem o estabelecimento de uma relação

temporal entre estes, bem como a falta de ligação entre cada uma das causas principais e os factores

subjacentes constituem lacunas no sistema de codificação da IMO, já que esta informação é essencial

para a elaboração da sequência de acontecimentos e factores causais.

2.2.2 CASMET

Embora existam diversas metodologias utilizadas nos processos de investigação de análise de

acidentes marítimos, há ainda uma variedade de estudos desenvolvidos no âmbito de projecto

internacionais com o objectivo de exercer uma melhoria nos processos de investigação em vigor. É

nesse contexto que se insere o projecto CASMET (Casualty Analysis Methodology for Maritime

Operations), desenvolvido entre 1998 e 1999 por cinco unidades de investigação, nomeadamente, a

National Technical University of Athens (NTUA), a Det Norske Veritas (DNV), o Instituto Superior

Técnico (IST), a Norwegian Marine Technology Research Institute e o TNO Human Factors Research

Institute.

21

A metodologia desenvolvida possibilitava a obtenção dos dados necessários para explicar uma

determinada ocorrência, identificando a sequência de acontecimentos acidentais, as tarefas e

equipamento envolvido, os factores contributivos que facilitaram a ocorrência e por último as causas

básicas associadas a cada acontecimento acidental (Guedes Soares et al., 2000). As etapas principais

do processo de análise eram a recolha inicial de dados, a identificação e reconstrução de

acontecimentos, a análise dos factores humanos, a identificação das causas básicas e o resumo das

relações causais (Caridis, 1999). Em paralelo a este procedimento de análise era necessário explicar

de que forma é que a informação obtida seria representada na base de dados, o que requeria uma

estrutura de codificação de informação que estaria directamente ligada com o processo de análise

(Guedes Soares et al., 2000). Na figura 2.7 está representada a relação entre o processo de análise e

a estrutura da base de dados do método do CASMET.

Figura 2.7 - Relação entre o processo de análise e a estrutura da base de dados (Guedes Soares et al., 2000)

A sequência de acontecimentos acidentais será contruída por todos os acontecimentos que

sejam considerados essenciais para o desenvolvimento do acidente, isto é, sempre que seja afirmativa

a resposta à pergunta:

“Teria o acidente ocorrido se este acontecimento em particular não tivesse ocorrido?”

Assim, todos os acontecimentos que compõem a sequência são essenciais, já que se um deles não

tivesse ocorrido a cadeia teria sido interrompida e o acidente não teria ocorrido. De acordo com

Kristiansen et al. (1999) estes acontecimentos são classificados em cinco tipos e são apresentados na

tabela 2.4.

22

Tipo de acontecimento acidental Parâmetros

Materiais perigosos Material, Localização, Tipo de falha

Efeitos ambientais Fenómeno ambiental, Impacto

Falha de equipamento Sistema envolvido, Localização, Tipo de falha, Causa imediata

Erro humano Posição, Tarefa, Modo de desempenho, Tipo de erro

Outro agente ou navio Cargo, Tarefa, Modo de Execução, Tipo de erro

Tabela 2.4 - Classificação de acontecimentos acidentais (Kristiansen et al., 1999)

De acordo com Guedes Soares et al. (2000) as causas básicas podem ser explicadas por um

conjunto de factores que expressam as deficiências das pessoas, do equipamento, das condições de

trabalho e da gestão. Na tabela 2.5 são apresentados os grupos causais básicos da metodologia

CASMET, que incorpora a distinção entre operações diárias e gestão e recursos. A razão para serem

definidos dois níveis é a necessidade de fazer a distinção entre decisões operacionais e decisões

estratégicas ou de longo alcance. Assim o grupo de operações diárias está relacionado com decisões

e condições a bordo relativas à gestão, ao comportamento individual, ao equipamento e às condições

de trabalho. Já o grupo de gestão e recursos está relacionado com a cultura organizacional, o estilo de

gestão, a aquisição de navios e outro equipamento ou a contratação e formação de pessoal, decisões

que tipicamente dizem respeito aos níveis de gestão de topo e intermédio da organização (Caridis,

1999)..

Operações Diárias Gestão e Recursos

Ambiente social Enquadramento do negócio

Supervisão Organização e supervisão geral

Recursos humanos Supervisão de operações

Factores Pessoais Supervisão de segurança

Condições de trabalho Supervisão de saúde ocupacional

Esforço físico Supervisão de pessoal

Ferramentas e equipamento inadequado Conhecimento do sistema

Manutenção Projecto

Condições ambientais Políticas de manutenção

Preparação para situações de emergência Preparação para situações de emergência

Tabela 2.5 - Grupos causais básicos da metodologia CASMET (Kristiansen et al., 1999)

Assim esta metodologia permite, por oposição à metodologia da IMO, uma reunião de um conjunto

mais alargado de informação e a implementação explícita dos factores humanos na análise de

acidentes marítimos. No entanto verificam-se ainda algumas lacunas, nomeadamente a não

codificação dos factores contributivos, essenciais para a definição de procedimentos e regras, e a

inconsistência dos códigos relativos aos acontecimentos acidentais identificados como estando

23

relacionados com o erro humano (modo de execução, tipo de erro), que não permitem uma analogia

directa com métodos de fiabilidade consolidados (Antão, 2011).

2.2.3 EMCIP

Neste capítulo será apresentada a estrutura e a taxonomia por trás da base de dados da EMCIP

desenvolvida pela Agência Europeia de Segurança Marítima (EMSA) com o objectivo de providenciar

assistência técnica e científica à Comissão Europeia e Estados Membros no desenvolvimento e

implementação de legislação na área da segurança marítima, poluição e segurança a bordo.

O EMCIP é uma plataforma europeia comum baseada na web, constituída por uma base de

dados e uma rede de fornecimento de dados. A base de dados EMCIP possui meios para armazenar

dados e informações relativas a acidentes que envolvam todo o tipo de navios e acidentes de trabalho.

Estes dados poderão ser usados para efectuar análises estatísticas considerando os factores humanos,

técnicos, ambientais e organizacionais envolvidos em acidentes marítimos. A taxonomia utilizada pela

base de dados foi desenvolvida pela EMSA em colaboração com os estados membros e com base na

investigação europeia e nas práticas e procedimentos internacionais recomendados (Correia, 2010).

Figura 2.8 - Representação dos acontecimentos acidentais (CASMET)

24

A base de dados está preparada para receber os acontecimentos numa determina sequência

seguindo a abordagem do método STEP (sequential timed events plotting procedures). A figura 2.8

apresenta a sequência de acontecimentos de um exemplo de colisão.

São definidos dois tipos de acontecimentos: acontecimentos terminais – associados a qualquer

tipo de libertação ou conversão de energia – e acontecimentos acidentais – que podem ser descritos

como as causas imediatas. Os acontecimentos acidentais podem ser classificados como: falhas de

equipamento, efeitos ambientais, agentes externos, substâncias perigosas e erro humano.

Os acontecimentos acidentais podem ser associados a dois períodos do processo acidental: o

acidente ou a fase de emergência.

De acordo com esta metodologia um acontecimento pode ser definido como o desempenho de

uma determinada acção por um actor, estando este num dado local a realizar uma determinada tarefa

no momento do acidente. O actor pode ser uma pessoa, um equipamento ou um elemento natural

envolvido no acidente.

Um acontecimento acidental poderá estar associado a factores organizacionais, denominados

factores contributivos e que podem ser operações a bordo do navio ou gestão na costa.

Assim, tal como o CASMET, a metodologia desenvolvida pela EMSA permite a identificação de

todos os acontecimentos acidentais, dos factores contributivos e das respectivas causas. O modelo do

EMCIP pode ser observado na figura 2.9.

Figura 2.9 - Modelo do EMCIP, baseado no projecto CASMET

A taxonomia desenvolvida tem em conta as conclusões do projecto CASMET, com as categorias

da metodologia CREAM e os formatos de relatório da IMO para reportar acidentes e incidentes

marítimos.

O desenvolvimento de uma taxonomia comum para a Europa constitui um factor fundamental

para facilitar a cooperação entre os estados membros quando se investigam acidentes ou incidentes

marítimos, permitindo uma uniformização dos processos de investigação.

25

2.2.4 TRACEr

O TRACEr (Technique for the Retrospective and predictive Analysis of Cognitive Errors) é uma

metodologia de identificação do erro humano, desenvolvida durante um estudo sobre a aplicabilidade

de técnicas de análise de fiabilidade humana no controlo de tráfego aéreo como uma técnica de análise

de incidentes retrospectiva e como identificação preditiva de erros humanos. A análise de fiabilidade

humana permite prever, compreender e avaliar a ocorrência de erro humano, estando, de acordo com

Kirwan (1994), dividida em três fases: identificar que erros podem ocorrer (identificação do erro

humano), decidir como é que é mais provável que estes erros ocorram (quantificação do erro humano)

e, se apropriado, aumentar a fiabilidade humana reduzindo esta probabilidade de erro (redução do erro

humano).

A metodologia do TRACEr foi desenvolvida com base em dois modelos: o Model of Human

Information Processing e o SMoC – Simple Model of Cognition.

O primeiro modelo foi desenvolvido por Christopher Wickens como base para a selecção de

tarefas e investigação do efeito dos parâmetros físicos sobre os processos cognitivos, tendo sido já

descrito anteriormente. Neste modelo, o desempenho cognitivo de um indivíduo é comparado com a

sua capacidade de processamento de informação, que embora não seja uma habilidade singular

envolve diferentes processos cognitivos (Liebl et al., 2012).

O SMoC foi desenvolvido por Hollnagel (1998) tendo como principal objectivo descrever as

características básicas da cognição humana, cujos elementos essenciais estão representados na figura

2.10.

Figura 2.10 - Simple Model of Cognition (Hollnagel, 1998; p.100)

As duas características fundamentais do SMOC são: (1) a distinção entre observação e

inferência e (2) a natureza cíclica da cognição humana. Houve necessidade de distinguir claramente o

que pode ser observado do que pode ser inferido a partir das observações, sendo que o que pode ser

observado é o comportamento manifesto, que corresponde às categorias de observação e execução

da acção. As restantes funções cognitivas só podem ser inferidas a partir de observações do que a

pessoa faz.

26

O principal foco da metodologia TRACEr é a interface homem-máquina, o que sugere que os

acidentes e incidentes são desencadeados por erros cognitivos do operador. Além disso o desempenho

do operador pode ser influenciado por factores externos (cultura organizacional, ambiente, supervisão,

fadiga, etc.) e internos (falta de percepção, tomada de decisão, violações de rotina, etc.) (Hofmann &

Schröder-Hinrichs, 2013).

O TRACEr tem uma estrutura modular compreendendo oito taxonomias ou esquemas de

classificação. Existem três tipos principais de taxonomia: os que descrevem o contexto no qual ocorreu

o erro, os que descrevem o contexto cognitivo de produção do erro e os que descrevem a recuperação

do erro (Shorrock & Kirwan, 2002)

A utilização do TRACEr é justificada não só pela sua flexibilidade, mas também devido ao seu

foco na interface homem-máquina que tem em conta tanto o contexto cognitivo do operador como os

factores de desempenho que influenciam a ocorrência de erros (Graziano et al., 2014).

Na presente dissertação será usada uma versão adaptada do TRACEr que se adequa melhor à

investigação de acidentes e incidentes no contexto marítimo. Assim a estrutura da metodologia e o

processo de codificação utilizados serão explicados mais detalhadamente no capítulo seguinte.

3 Análise de acidentes com a metodologia TRACEr

O processo de codificação executado está inserido numa sub-tarefa do projecto CyClaDes e tem

como objectivo a identificação de factores relacionados com a interface homem-máquina que

influenciam o trabalho no interior de um navio e que podem conduzir a acidentes. A partir desta

metodologia serão codificados acidentes que integrarão a base de dados MaRiSa.

É importante realçar que por se focar na interface homem-máquina, o TRACEr é aplicável num

cenário em que essa interface seja identificada.

De forma a ser utilizado no projecto CyClaDes, o TRACEr foi adaptado ao contexto marítimo

(Hofmann & Schröder-Hinrichs, 2013), sendo utilizadas as categorias originais da taxonomia mas

alterando a sua ordem garantindo uma melhor adequação às necessidades do projecto. Neste capítulo

será discutida a metodologia de codificação utilizada, sendo apresentado um exemplo de codificação

realizado.

3.1 Metodologia de Codificação

A taxonomia TRACEr adaptada ao projecto CyClaDes e utilizada no processo de codificação pode ser

observada na figura 3.1., onde as caixas a branco representam os dados que necessitam de ser

codificados, sendo complementada com uma outra categoria que corresponde à introdução de

informações gerais acerca do acidente e do navio em causa.

27

Figura 3.1 - TRACEr adaptado ao projecto CyClaDes (baseado em Shorrock & Kirwan, 2002)

No geral o processo de codificação pela metodologia TRACEr está dividido em dez etapas que

permitem a análise de um acidente. A partir da leitura e análise de um relatório de investigação de um

acidente é possível iniciar a primeira etapa de codificação que consiste na introdução de toda

informação geral acerca da ocorrência (data, local, tipo e gravidade do acidente) e do navio envolvido

(nome, número IMO, tipo, arqueação, peso bruto, etc.). A introdução de informações gerais acerca do

navio e da ocorrência garante que um mesmo acidente não é codificado duas vezes. Nesta secção é

ainda pedida uma breve descrição do sucedido, pelo que deve ser introduzida uma narrativa do

acidente que permita a outros leitores ter uma visão global do contexto em que ocorreu o acidente. As

restantes nove etapas da codificação podem ser observadas na tabela 3.1, sendo descritas

posteriormente.

TRACEr 1st level TRACEr 2nd level

Context of the incident

1. Task error

2. Error Information

3. Causality level

Operator Context

4. External Error Mode (EEM)

5. Cognitive Domain

6. Internal Error Mode (IEM)

7. Psychological Error Mechanism (PEM)

8. Performance Shaping Factors (PSF)

Error Recovery 9. Error Recovery

Tabela 3.1 - Taxonomia TRACEr (Hofmann & Schröder-Hinrichs, 2013)

28

O contexto do incidente, tal como é possível observar na tabela, é definido por três categorias

principais: task error, error information e causality level.

A categoria task error descreve o erro do operador em termos da tarefa que não foi realizada de

forma satisfatória conduzindo ao incidente, sendo necessário identificar o local onde ocorreu o erro

(Bridge, Deck, Engine Room) e o operador que cometeu o erro (Captain, Pilot, First Officer, Bosun, AB,

etc.). A tarefa realizada incorrectamente é então escolhida de acordo com o local identificado, sendo

disponibilizada uma lista de possíveis tarefas para cada local.

A categoria error information descreve a interface homem-máquina: equipamento envolvido na

ocorrência do erro, tarefa específica realizada incorrectamente e informações não consideradas acerca

do navio. Assim para cada local do navio é disponibilizada uma lista de equipamento que pode ter

estado envolvido na ocorrência (Radar, GPS, ECDIS, etc. para a ponte, por exemplo) e uma lista de

actividades que está também de acordo com a tarefa identificada na categoria task error. Na tabela 3.2

é apresentada a lista de tarefas e actividades passíveis de codificação quando a ponte foi identificada

como sendo o local onde ocorreu o erro. Além disso é considerada a hipótese de que tenham sido

subestimadas informações respeitantes às características do navio, que podem ser fixas (dimensões,

características de manobrabilidade, propulsão, estabilidade, etc.) ou variáveis (calado, caimento,

condições de navegação, etc.). É ainda de referir que o sistema foi projectado para que a cada erro de

tarefa seja introduzido um local, um operador e um equipamento. Se o erro envolver a utilização de

dois equipamentos, por exemplo, devem ser criados dois erros de tarefa.

Bridge

User task User activities

Internal communication Communication between bridge officers, between officers and captain, between bridge and deck, etc.

External communication Communication between bridge and pilot, bridge and port employees, bridge and tug boat

Hand-over/Take-over Hand-over between captain and officers, between officers

Safety drills Safety drills not performed with care, etc.

Supervision Supervision of deck work, bridge tasks, engine room work

Navigation Radar navigation, satellite navigation, pilotage, dead reckoning, etc.

Traffic monitoring Look out, monitoring equipment regarding traffic, etc.

Voyage planning Execution, planning, manoeuvring, monitoring, etc.

Other tasks Other activities

Tabela 3.2 - Lista de tarefas e actividades disponíveis quando o erro ocorreu na ponte

A categoria causality level permite perceber se o nível de causalidade do erro cometido,

classificando o erro humano como:

29

Causal – a acção do operador foi a causa última, sem a qual o acidente não teria

ocorrido;

Contributivo – o erro contribuiu para o acidente, ocorrendo normalmente em adição ao

erro causal, mas sem o qual o acidente teria provavelmente ocorrido;

Compounding – erros que pioraram a situação e que ocorreram após o operador se

aperceber que a situação iria ocorrer;

Não contributivo – outros erros que se verificaram mas que não tiveram qualquer

influência no desenrolar da situação.

O cerne da metodologia TRACER é o processo cognitivo do operador e o contexto em que este

cometeu um erro no desempenho de uma determinada tarefa. Desta forma o contexto do operador

assume particular importância no processo de codificação sendo definido por cinco categorias: external

error mode, cognitive domain, internal error mode, psychological error mechanism e performance

shaping factors. Estas categorias encontram-se focadas no operador e permitem uma análise acerca

dos processos cognitivos que, em interacção com o equipamento, conduziram ao incidente.

A categoria External Error Mode (EEM) descreve a manifestação externa e observável do erro

actual ou potencial, sendo baseado no resultado do erro e independente do contexto ou de processos

cognitivos (Shorrock & Kirwan, 2002). A classificação dos modos de erro externos está dividida em três

áreas principais: selection and quality, timing and sequence e communication. Esta classificação

baseia-se na taxonomia de Swain e Guttmann que distinguia três categorias de erro: erros por omissão,

erros por comissão e actos estranhos. Dada a sua natureza pouco descritiva esta categoria é

frequentemente utilizada para efeitos de predição de erros.

A categoria Cognitive Domain foca-se no processo cognitivo do operador aplicado ao erro a

codificar. Esta categoria considera cinco domínios cognitivos:

Perception – prende-se com a recepção de informação e com a possibilidade do

operador não ter recebido a informação necessária de forma a poder processá-la.

Memory – considera que o operador recebeu a informação necessária mas não lidou

com a situação crítica percebida ou com a informação crucial da forma que devia por

não se lembrar de como o fazer correctamente ou por não saber o que fazer.

Decision-making – significa que o operador recebeu a informação crucial e processou-a

correctamente, no entanto chegou a uma conclusão incorrecta e por isso tomou uma

decisão errada.

Action – considera que o operador percebeu e processou a informação correctamente,

tomou uma decisão correcta mas cometeu um erro na implementação da acção.

Violation – diz respeito a uma violação deliberada das regras e regulamentos, o que

conduziu a um incidente.

A categoria Internal Error Mode (IEM) descreve qual o modo de erro interno em específico, isto

é, qual a função cognitiva que falhou e como falhou. A categoria Psychological Error Mode (PEM)

descreve a natureza psicológica do modo de erro interno, ou seja, que mecanismos psicológicos

30

conduziram à ocorrência do erro (Hofmann & Schröder-Hinrichs, 2013). Ambas as categorias estão

estritamente relacionadas com o domínio cognitivo seleccionado, pelo que a para cada domínio

cognitivo está associada uma lista limitada de IEMs e PEMs. Na figura 3.2 são apresentados os modos

de erro internos e psicológicos associados à memória.

Figura 3.2 - IEMs e PEMs relacionados com o domínio cognitivo "memória"

A categoria Performance Shaping Factors (PSF) classifica todos os factores que influenciam os

processos cognitivos do operador e o seu desempenho. Nesta categoria são considerados os seguintes

factores:

Personal factors (cognitive fatigue, bodily fatigue, stress, intoxication, emotional condition)

Aspects of communication/information (ambiguous information, lack of information, wrong

information, language problems, miscommunication)

Training/competence (lack of experience, lack of orientation, inadequate training/instruction)

Internal/external environment (weather, time of day, atmosphere on the vessel, business

climate)

Organisational factors (organisational culture, organisational structure, organisational policies,

operations, procedures, supervision, manning/staffing characteristics, time pressure)

Others

Tal como se pode verificar esta categoria permite identificar não só factores de desempenho

relacionados com o ambiente externo mas também factores relacionados com legislação marítima,

supervisão ou comunicação, pelo que a abordagem considera o elemento humano na vertente

operacional e organizacional.

A categoria de errror recovery foca-se nas barreiras existentes de forma a prevenir a ocorrência

de acidentes ou assistir na recuperação do erro. De acordo com Hollnagel (2004) podem ser

diferenciadas quatro tipos de barreiras:

Physical barriers – barreiras físicas ou materiais são barreias passivas cujo objectivo é a

protecção por bloqueio ou pela mitigação dos efeitos. Portas, paredes, capacetes, roupas de

31

segurança, portas corta-fogo ou vidros de segurança são alguns exemplos deste tipo de

barreira.

Functional barriers – os sistemas de barreiras funcionais funcionam na sua maioria quando

combinados com as barreiras físicas. Estas barreiras são activas ou estão preparadas para

funcionar na existência de uma condição específica. Estas barreiras podem ser, por exemplo,

fechaduras, palavras-passe, códigos de entrada, distância, extintores de incêndio ou air bags.

Symbolic barriers – as barreiras simbólicas trabalham indirectamente através do seu

significado, requerendo a interpretação de alguém. Este tipo de barreira está relacionado

sobretudo com instruções, procedimento, sinais, alarmes, avisos ou aprovações.

Incorporeal barriers – as barreiras imateriais carecem de forma material nas situações em que

devem ser aplicadas dependendo do operador para atingirem o seu propósito. Fazem parte

destas barreiras a orientação informal, como a ética moral ou social, e a orientação formal que

inclui regras, restrições, leis, proibições ou treino.

Assim torna-se claro que se a barreira for eficiente o acidente pode ser prevenido sendo

classificado como um quase-acidente (near-miss). No caso de se verificar uma falha da barreira o

acidente ocorrerá como consequência da propagação do erro.

3.2 Exemplo de Codificação

Neste tópico da dissertação será apresentado um exemplo de codificação de um dos acidentes

codificados a partir do respectivo relatório de investigação. Para proceder à codificação de acidentes

foram utilizados relatórios de investigação elaborados pelas agências nacionais do Reino Unido (MAIB

- Marine Accident Investigation Branch), do Canadá (TSB – Transportation Safety Board of Canada) e

dos Estados Unidos da América (NTSB – National Transportation Safety Board) sobre acidentes

ocorridos entre 2008 e 2013.

O exemplo de codificação apresentado diz respeito à investigação conduzida pela NTSB acerca

da colisão do navio tanque Overseas Reymar com um dos pilares (Echo Tower) da Bay Bridge que liga

são Francisco a Oakland, nos Estados Unidos da América. Serão apresentados todos os passos do

processo de codificação que se inicia, tal como todos os outros, com uma breve descrição do acidente

que é transcrita do relatório de investigação.

Narrativa:

On January 7, 2013, at 1118 local time, the 752-foot-long tanker Overseas Reymar allided with the

fendering system of the San Francisco‒Oakland Bay Bridge’s Echo tower. The vessel was outbound in

San Francisco Bay. No one was injured and no pollution was reported. Damage to the vessel was

32

estimated at $220,000, and the cost to repair the Echo tower’s fendering system was estimated at $1.4

million.

The National Transportation Safety Board determines that the probable cause of the Overseas

Reymar allision with the San Francisco–Oakland Bay Bridge was the pilot's decision to alter course from

the CD span to the DE span without sufficient time to avoid alliding with the bridge's Echo tower, and

the master's failure to properly oversee the pilot by engaging in a phone conversation during a critical

point in the transit.

General Information:

General Information

IMO vessel number 9275749

Vessel name Overseas Reymar

Date of occurrence 07/11/2013

Geographical position 37°48.49’ N, 122°21.34’ W

Vessel type Tanker

Vessel flag Marshall Islands

Vessel age 9

Gross tonnage 40038

Severity of occurrence Mitigated loss

Type of occurrence Collision

HMI Yes

Investigation report USA, MAB - 13/18 Tabela 3.3 - Informações gerais sobre o acidente com o Overseas Reymar

Tal como já foi referido a codificação pela metodologia TRACEr contempla nove etapas após ter

sido introduzida a informação geral acerca do acidente. De um modo geral estas etapas dizem respeito

à descrição do contexto do acidente, do contexto do operador e dos mecanismos de recuperação do

erro.

Neste acidente foram identificados dois erros sendo apresentados, separadamente, os dois task

errors agregados a esta ocorrência.

Task error 1

Este task error corresponde ao erro cometido pelo piloto que decidiu alterar o rumo do navio,

passando entre os pilares Delta e Echo em vez de manter a passagem entre os pilares Charlie e Delta.

O RACON do vão CD (transponder que emite um sinal que identifica o centro do vão e que é captado

pelo radar do navio) não estava a funcionar, o que conjuntamente com a reduzida visibilidade, motivou

a alteração de rumo. Contudo a decisão de alterar o rumo, para além de ter reduzido ainda mais a

visibilidade, não foi tomada com tempo suficiente de forma a evitar a colisão com o pilar Echo.

33

Figura 3.3 - San Francisco - Oakland Bay Bridge, informação relativa ao acidente com o Overseas Reymar

O erro a codificar trata-se de um erro de pilotagem, sub-tarefa que se insere na tarefa de

navegação. O piloto estava a utilizar o radar como material de auxílio à navegação. O erro é do tipo

causal, já que se este não tivesse ocorrido o acidente não tinha acontecido.

No contexto do operador inicia-se a codificação pela identificação do modo de erro externo tendo-

se manifestado uma acção na direcção errada que se inclui na categoria de selecção e qualidade. O

erro está associado a uma tomada de decisão, pelo que é esse o domínio cognitivo seleccionado.

O domínio cognitivo seleccionado foi o de decisão, uma vez que o operador recebeu a

informação, processou-a correctamente mas chegou a uma conclusão errada e por isso tomou uma

decisão incorrecta. O modo de erro interno, associado ao domínio cognitivo seleccionado, foi

identificado como uma decisão/planeamento executada demasiado tarde (“data from the vessel’s

voyage data recorder all indicate that by the time the pilot realized that the CD span RACON was out of

service, it was too late to safely transit through the DE span”).

O modo de erro psicológico identificado foi mindset, ou seja, a forma de pensar do operador teve

uma influência importante na tomada de decisão conduzindo a uma decisão errada.

Em termos de factores que influenciaram o desempenho do operador foram identificados a falta

de informação e as condições meteorológicas (“The pilot told investigators that because of the reduced

visibility and the absence of RACON information, he decided to change his path and instead transit

through the DE span”).

Task error 2

O segundo task error corresponde à falha do comandante que se encontrava a realizar uma

chamada telefónica, devendo estar a acompanhar o piloto durante aquela fase crítica da navegação.

Assim o erro foi cometido durante a pilotagem do navio, tarefa desempenhada no contexto de

navegação. Neste caso o operador é o comandante e não há qualquer equipamento técnico envolvido.

O erro codificado contribui para a ocorrência do acidente, pelo que é do tipo contributivo.

34

No contexto do operador é primeiramente identificado o modo de erro externo, que neste caso

se insere na categoria de selecção e qualidade, constituindo uma omissão. A percepção foi identificada

como domínio cognitivo, uma vez que o comandante não recebeu a informação necessária de forma a

poder lidar com a situação. Neste caso, por se encontrar a realizar chamadas telefónicas, o operador

não estava em posição de detectar que o navio já não se encontrava num rumo seguro. Desta forma o

modo de erro interno foi identificado como ausência de detecção.

O modo de erro psicológico associado ao domínio cognitivo da percepção é a distracção, já que

o operador, que deveria estar focado no auxílio ao piloto até entrar numa fase menos exigente da

manobra, estava distraído a efectuar chamadas telefónicas.

Tal como no primeiro erro codificado, as condições meteorológicas foram identificadas como

factor que influenciou o desempenho do operador e a ocorrência do acidente.

A transcrição seguinte resume todas as opções tomadas na codificação deste erro:

“The master’s phone conversations during a critical navigation phase―while the vessel was in a

confined, complex waterway in reduced visibility―degraded the safety of the vessel’s transit. Although

the pilot serves as the waterway expert, the master is the vessel expert. Masters and pilots, working

together, are integral to effective vessel team performance. They assist one another by verifying or

providing waterway and vessel information. By removing himself from the team because of his phone

conversations―which should have been postponed until the vessel entered a less demanding

phase―the master was unable to assist and oversee the pilot effectively. Consequently, he was not in

a position to recognize that the vessel was no longer on a safe course”.

Foram ainda identificadas, para ambos os erros, as barreiras que não foram bem-sucedidas e

que conduziram à materialização do acidente:

Distância e persistência (barreira funcional) - diz respeito à falha do RACON do vão CD que

esteve na base da mudança de rumo e cujo correcto funcionamento constituiria uma barreira

funcional que dificultaria a acção naquele espaço;

Instruções, procedimentos, precauções, condições, diálogos (barreira simbólica) – os

procedimentos e instruções que deveriam ter sido seguidos durante a navegação

(nomeadamente a utilização de outras ferramentas para alem do RACON), mas que estão

sujeitos à interpretação do operador, não foram suficientes para evitar a colisão;

Orientação formal (barreira imaterial) - que se justifica pelo facto de não terem sido cumpridas

as regras e procedimentos de treino, no que diz respeito à ausência do comandante durante

os factos relatados.

Na tabela 3.4 é apresentado um resumo da codificação dos erros identificados, que foram

inseridos na base de dados associados ao acidente em análise.

35

Task error 1 Task error 1

Task error

Location Bridge Bridge

Operator Pilot Captain

User task Navigation Navigation

Error information

User material Radar None

Subtask Pilotage Pilotage

Ship fixed information --- ---

Ship variable information --- ---

Causality level Type Causal Contributory

External Error Mode External error mode

Selection and quality

Selection and quality

Specific external error mode

Action in wrong direction

Omission

Cognitive domain Cognitive domain Decision-making Perception

Internal Error Mode

Internal error mode

Late decision/planning

No detection

Psychological Error Mode Psychological error mode

Mind set Distraction

Performance Shaping Factors

Personal factors --- ---

Aspects of communication/information

Lack of information ---

Training/competence --- ---

Internal/external environment Weather Weather

Organisational factors --- ---

Barriers not successful

Functional barriers not successful

Distance (too far away for being

touched by mistake),

persistence (dead-man button)

Distance (too far away for being

touched by mistake),

persistence (dead-man button)

Incorporeal barriers not successful

Formal guidance Formal guidance

Physical barriers not successful --- ---

Symbolic barriers not successful

Instructions, procedures, precautions, conditions, dialogues


Tabela 3.4 - Resumo da codificação dos erros detectados na codificação do acidente com o Overseas Reymar

37

4 Análise Estatística de acidentes marítimos

Neste capítulo da dissertação pretende-se executar uma análise estatística geral das

informações existentes na base de dados. Desta forma foram extraídos da base de dados todos os

dados existentes relativamente aos acidentes codificados, não só pelo IST mas também pelos restantes

parceiros do projecto. Uma vez que se pretendia que a análise incidisse sobre colisões e encalhes

numa vertente em que o erro ocorrido se relacionava com a interface homem-máquina, foram

considerados apenas os acidentes cuja codificação identificava estes parâmetros. Na data em que as

informações foram retiradas da base de dados existiam 70 colisões e 55 encalhes codificados, aos

quais estavam associados, respectivamente, 200 e 218 erros na tarefa.

Accidents Task errors

Collision 70 200

Grounding 55 218

Total 125 418 Tabela 4.1 - Número de acidentes e erros codificados

Posteriormente foram avaliados os dados relativos à gravidade da ocorrência, tanto para as

colisões como para os encalhes.

nnnnn

Severity of occurrence Collision Grounding

Total loss 2 2

Mitigated loss 68 49

Near-miss 0 4

Total 70 55 Tabela 4.2 - Dados relativos à gravidade das ocorrências codificadas

Foi também executada uma análise estatística para o operador responsável pela produção do

erro e para o material utilizado, tanto para as colisões como para os encalhes incluídos no estudo. As

figuras figura 4.1 e figura 4.2 apresentam a distribuição percentual dos 418 erros para os diferentes

operadores e equipamentos técnicos utilizados, respectivamente.

38

Figura 4.1 - Análise para os operadores responsáveis pela produção dos erros codificados

Figura 4.2- Análise dos equipamentos utilizados na produção dos erros codificados

Ao observar a figura 4.1 é possível verificar que o comandante, o primeiro-oficial e o piloto se

destacam entre os operadores responsáveis pela produção do erro. Em 28% das colisões e em 42.7%

dos encalhes o comandante é o operador responsável. Já o primeiro-oficial e o piloto são os operadores

responsáveis pelos erros cometidos em 24% e 16.5% das colisões e 19.7% e 11% dos encalhes,

respectivamente.

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

Operator

Soma deCollision

Soma deGrounding

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

AIS

Auto

pilo

t

BN

WA

S

De

cis

ion

su

pp

ort

syste

ms

EC

DIS

Ech

o S

oun

der

EC

S

Eng

ine

co

ntr

ol ro

om

contr

ols

Eng

ine

ro

om

co

ntr

ols

Exte

rnal e

qu

ipm

en

t

GP

S

Ha

nd

boo

ks

No

ne

Oth

er

co

mm

un

ication

de

vic

es

Oth

er

mate

ria

l

Pap

er

Ch

art

s

Passag

e P

lan

Ra

da

r

se

a c

hart

Ste

erin

g p

an

el

VH

F

Co

mm

un

icatio

n e

qu

ipm

en

t

Eng

ine

co

ntr

ol ro

om

pan

el

Main

en

gin

e

Oth

er

mate

ria

l

Bridge Engine Room

User Material

Collision

Grounding

39

Em termos do material utilizado na tarefa verifica-se, a partir da observação da figura 4.2, que

em 20.5% das colisões e 20.2% dos encalhes não há equipamento técnico envolvido. No entanto a

utilização do radar está envolvida em 40.5% das colisões e 12.8% dos encalhes.

Procedeu-se também à análise estatística das tarefas e actividades desempenhadas pelo

operador e que estiveram na génese do erro. A partir desta análise foram considerados apenas os

erros ocorridos na ponte uma vez que estes correspondem a 97.1% da totalidade dos erros observados,

sendo os restantes 2.9% registados na casa da máquina. A figura 4.3 pretende assim mostrar a

distribuição percentual das tarefas em que foram cometidos os erros na ponte, tanto no caso de se

tratar de uma colisão como no caso de se tratar de um encalhe. Já a figura 4.4 apresenta a distribuição

percentual das actividades de acordo com a tarefa para os erros registados.

Figura 4.3 - Distribuição percentual das tarefas desempenhadas pelos operadores

A partir da figura 4.3 é possível verificar que em situações de encalhe 35.7% dos erros são

cometidos em tarefas de navegação e 27.1% em tarefas relacionadas com a supervisão. Já para as

colisões verifica-se que 34.2% dos erros são cometidos em tarefas de monitorização do tráfego

marítimo e 31.1% em tarefas de navegação.

A figura 4.4 permite observar que no caso de se tratar de uma colisão 25.5% dos erros são

cometidos na monitorização de equipamento e 11.7% em pilotagem, actividades que se incluem nas

tarefas de monitorização de tráfego e navegação, respectivamente. No caso de se tratar de um encalhe

verifica-se que 16.7% dos erros ocorrem na supervisão das tarefas na ponte e 9.5% ocorrem em

pilotagem, actividades que se incluem nas tarefas de supervisão e navegação, respectivamente.

0%

5%

10%

15%

20%

25%

30%

35%

40%

Exte

rnal C

om

mu

nic

atio

n

Hand-o

ver,

take o

ver

Inte

rnal com

mu

nic

atio

n

Navig

atio

n

Oth

er

Su

perv

isio

n

Tra

ffic

Monitorin

g

Vo

yage p

lannin

g

Bridge

Task error

Collision

Grounding

40

Figura 4.4 - Distribuição percentual das actividades desempenhadas de acordo com a tarefa em realização na produção dos erros codificados

0%

5%

10%

15%

20%

25%

30%B

etw

ee

n P

ilots

Be

twe

en

Ve

ssels

Com

mu

nic

ation b

etw

een

ve

sse

ls

Off

ice

r a

nd p

ort

em

plo

yee

Oth

er

Pilo

t a

nd

Tu

gs

Ve

sse

l a

nd

VT

S

Ve

sse

l a

nd A

sho

re

Be

twe

en

Off

ice

rs

Be

twe

en

Off

ice

rs

Bri

dg

e T

ea

m a

nd S

up

.

Off

ice

r a

nd L

oo

ko

ut

Pilo

t a

nd

Bri

dg

e T

ea

m

Dea

d-r

eckon

ing

Oth

er

Pilo

tag

e

Rad

ar

Na

vig

ation

Sa

telli

te N

avig

atio

n

Oth

er

of

An

cho

ring

of

Bri

dg

e T

asks

of

Carg

o H

and

ling

of

Mo

ori

ng

Oth

er

Wa

tch

kee

pin

g

Lo

ok o

ut

Mon

ito

ring o

f C

ha

rts

Mon

ito

ring o

f E

qu

ipm

en

t

Oth

er

Ap

pra

isal

Exe

cu

tio

n, M

an

ou

ve

ring

Mon

ito

ring

Pla

nn

ing

External Communication Hand-over,takeover

Internal communication Navigation Other Supervision Traffic Monitoring Voyage planning

Bridge

Task error/User activities

Collision

Grounding

41

A figura 4.5 apresenta a distribuição percentual dos níveis de causalidade para todos os erros

codificados, sendo distinguidos os erros que resultaram em colisões dos que resultaram em encalhes.

A partir deste figura é possível verificar que para as colisões 46.4% dos erros cometidos são

contributivos e 45.9% dos erros são causais, pelo que a acção do operador foi a causa última da

ocorrência, No caso dos erros que resultaram em encalhes é possível verificar que 60.5% destes são

contributivos tendo a acção do operador contribuído para a ocorrência do acidente, e 36.7% dos erros

são causais pelo que na ausência destes os encalhes não teriam acontecido. Os erros do tipo

compounding e não contributivos assumem pouca relevância tanto para as colisões como para os

encalhes.

Figura 4.5 - Distribuição percentual do nível de causalidade registado para os diferentes erros codificados

Na figura 4.6 observa-se a distribuição percentual dos modos de erros externos para todos os

erros cometidos na ponte, de acordo com as três categorias distinguidas: selection and quality, timing

and sequence e communication.

Verifica-se que de um modo geral os EEM identificados concentram-se sobretudo na categoria

de selection and quality sendo que 65.3% da totalidade dos EEM, entre colisões e encalhes, são deste

tipo. Observando com maior detalhe é possível verificar que os principais EEM identificados para as

colisões são: omissão (24.5%), acção demasiado tarde (17.9%) e acção na direcção errada (13.8%).

Já para situações de encalhe as manifestações externas dos erros mais observadas são: omissão

(29.5%), acção na direcção errada (15.2%) e acção errada no objecto errado (10.5%).

0%

10%

20%

30%

40%

50%

60%

70%

Causal Contributory Compounding Non-Contributory

Bridge

Causality level

Collision

Grounding

42

Figura 4.6 - Distribuição dos EEMs para os erros codificados

Na figura 4.7 apresenta-se a distribuição percentual dos domínios cognitivos aplicados aos erros

codificados. Tal como já foi referido anteriormente deve ser seleccionado o domínio cognitivo em

questão - percepção, memória, decisão, acção ou violação – para que posteriormente se proceda à

identificação do modo de erro interno e dos modos de erro psicológicos que está directamente

relacionada com as funções cognitivas subjacentes a cada um dos domínios.

Figura 4.7 - Distribuição percentual dos domínios cognitivos identificados

0%

5%

10%

15%

20%

25%

30%In

com

ple

te in

form

ation

tra

nsm

itte

d

Incorr

ect in

form

atio

n r

ecoded

Info

rma

tio

n n

ot re

cord

ed

Info

rma

tio

n n

ot sought/obta

ined

Info

rma

tio

n n

ot tr

ansm

itte

d

Uncle

ar

info

rma

tio

n r

ecord

ed

Uncle

ar

info

rma

tio

n tra

nsm

itte

d

Not cle

ar

from

the r

eport

Actio

n in

wro

ng d

ire

ctio

n

Actio

n too

little

Actio

n too

mu

ch

Om

issio

n

Rig

ht actio

n o

n w

rong o

bje

ct

Wro

ng a

ctio

n o

n r

ight ob

ject

Wro

ng a

ctio

n o

n w

rong o

bje

ct

Actio

n too

early

Actio

n too

la

te

Actio

n too

lo

ng

Communication Notclear

Selection and quality Timing andSequence

Bridge

External error mode

Collision

Grounding

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

Action Decision-Making Memory Not clear fromthe report

Perception Violation

Bridge

Cognitive Domain

Collision

Grounding

43

Assim, através da figura 4.7, é permitido verificar que em 4.1% dos erros associados a situações

de colisão e em 3.3% dos erros associados a encalhes não foi possível identificar, a partir relatório de

análise do acidente, o domínio cognitivo em causa. A figura apresentada permite observar que é no

domínio da tomada de decisão que se verificam a maioria dos erros que conduziram a situações de

colisão (42.4%) ou a situações de encalhe (34.3%). No entanto é de realçar que uma elevada

percentagem de erros se manifesta no domínio da percepção, tanto para as colisões (28.6%) como

para os encalhes (31%).

Na figura 4.8 apresenta-se então a distribuição percentual dos modos de erro interno associados

a todos os erros codificados, o que está relacionado com os domínios cognitivos identificados

anteriormente.

Figura 4.8 - Distribuição dos IEMs identificados

Verifica-se assim que os principais modos de erro internos identificados são: fraca

decisão/planeamento - 17.9% para as colisões e 15.7% para os encalhes -, ausência de detecção -

17.4% para as colisões e 24.3% para os encalhes - e má projecção - 13.3% para as colisões e 10.5%

para os encalhes.

Posteriormente foram analisados os modos de erro psicológicos, também relacionados com o

domínio cognitivo seleccionado, tendo sido obtida a figura 4.9 que apresenta a distribuição dos PEM

tanto para colisões como para encalhes.

0%

5%

10%

15%

20%

25%

30%

Info

. no

t tr

an

sm

itte

d

Info

/data

entr

y e

rro

r

Non-p

erf

orm

ed a

ctio

n

Se

lectio

n e

rror

Tim

ing E

rro

r

Uncle

ar

Info

.

Uncle

ar

info

. R

ecord

ed

Uncle

ar

info

rma

tio

n r

ecord

ed

Late

de

cis

ion/p

lan

nin

g

Mis

pro

jectio

n

No d

ecis

ion/ p

lann

ing

Po

or

de

cis

ion/p

lan

nin

g

Fo

rget te

mp

ora

ry in

fo.

Fo

rget to

ask/s

hare

in

fo.

Fo

rget to

Mo

nito

r

Om

itte

d o

r la

te a

ctio

n

Not cle

ar

from

the r

eport

Late

de

tectio

n

Mis

hear

Mis

read

Mis

-see

No d

ete

ctio

n

Vis

ual m

isperc

eptio

n

Exceptio

nal V

iola

tio

n

Sa

bota

ge

Routine V

iola

tion

Action Decision-Making Memory Not clear Perception Violation

Bridge

Internal Error Mode

Collision

Grounding

44

Figura 4.9 - Distribuição percentual dos PEMs identificados

-

0%

2%

4%

6%

8%

10%

12%

14%

16%

Confu

sio

n

Dis

tractio

n/p

reoccupatio

n

Expecta

tio

n

Fa

tig

ue

Habit Intr

usio

n

Into

xic

atio

n

Ma

nual varia

bili

ty

None

Oth

er

Oth

er

slip

Com

pete

ncy p

roble

ms

Decis

ion fre

eze

or

overloa

d

Fa

ilure

to c

onsid

er

sid

e o

r lo

ng e

ffe

ct

Kn

ow

ledge/ C

om

pete

ncy p

roble

ms

Min

d s

et

Mis

inte

rpre

tatio

n

None

Oth

er

Ris

k c

ognitio

n failu

re

Dis

tractio

n

Fa

tig

ue

Me

mory

overlo

aded

Me

nta

l B

lock

None

Oth

er

Not cle

ar

from

the r

eport

Confu

sio

n

Dis

crim

inatio

n failu

re

Dis

tractio

n

Expecta

tio

n

None

Oth

er

Overload

ed

Tu

nnel V

isio

n

Vig

ilance

Expecta

tio

n

Fa

tig

ue

Into

xic

atio

n

Lack o

f know

ledge

None

Oth

er

Str

ess/p

ressure

Action Decision-Making Memory Not clear from thereport

Perception Violation

Bridge

Psychological Error Mode

Collision

Grounding

45

A partir da figura 4.9 é possível observar-se que os modos de erro psicológicos maioritariamente

identificados como estando associados a colisões são: falha cognitiva na avaliação do risco (13.8%),

falha na consideração de efeitos colaterais ou a longo prazo (11.7%) – modos de erro que se

manifestam no domínio da tomada de decisão - e distracção (11.7%) – PEM que se verifica no domínio

da percepção. Para os encalhes verifica-se que os modos de erro psicológicos com maior taxa de

identificação são: falha cognitiva na avaliação do risco (13.3%), vigilância (9.5%) – modo de erro

associado ao domínio da percepção - e falha na consideração de efeitos colaterais ou a longo prazo

(7.6%).

Seguidamente serão analisados os resultados obtidos para os factores de desempenho (PSF)

que se dividem em comunicação, ambiente interno/externo, factores organizacionais,

treino/competência e factores pessoais. Na figura 4.10 pode ser observada a distribuição percentual

destes factores segundo as categorias distinguidas anteriormente. É de realçar que a cada erro

codificado podem corresponder vários factores de desempenho da mesma ou de outra categoria.

Figura 4.10 - Distribuição percentual dos PSF identificados de acordo com as categorias definidas

Através da figura 4.10 verifica-se que os factores que mais influenciam o desempenho do

operador estão associados ao ambiente externo/interno (33.2% para as colisões e 25.9% para os

encalhes) ou a questões de natureza organizacional (22.9% para as colisões e 31.9% para os

encalhes).

Na figura 4.11 a distribuição destes factores pode ser observada com maior detalhe, uma vez

que são distinguidos vários factores em cada uma das categorias definidas na taxonomia.

0%

5%

10%

15%

20%

25%

30%

35%

Aspects

of

com

munic

atio

n/in

form

atio

n

Inte

rnal/exte

rnal environm

ent

Org

anis

atio

nal fa

cto

rs

Tra

inin

g/c

om

pe

tence

Pe

rsonal fa

cto

rs

Oth

ers

Performance Shapping Factors

Performance Shaping Factors - General

Collision

Grounding

46

Figura 4.11 - Distribuição percentual dos PSF identificados para os erros codificados

0%

2%

4%

6%

8%

10%

12%

14%

16%

Am

big

uou

s in

form

ation

La

ck o

f in

form

atio

n

Wro

ng

info

rma

tion

La

ng

ua

ge

pro

ble

ms

Mis

com

munic

atio

n

We

ath

er

Tim

e o

f da

y (

dark

/lig

ht)

Atm

osp

he

re o

n th

e v

esse

l

Busin

ess c

limate

Org

. cultu

re

Org

. str

uctu

re

Org

. po

licie

s

Org

. O

pera

tion

s

Org

. P

roced

ure

s

Sup

erv

isio

n

Man

nin

g/ sta

ffin

g c

ha

racte

ristics

Tim

e p

ressure

La

ck o

f e

xpe

rie

nce

La

ck o

f o

rie

nta

tion

Inad

eq

uate

tra

inin

g/ in

str

uctio

n

No

tra

inin

g

Co

gn

itiv

e f

atig

ue

Bod

ily fa

tigu

e

Str

ess

Into

xic

atio

n

Em

otio

na

l con

ditio

n

Oth

ers

Aspects ofcommunication/information

Internal/externalenvironment

Organisational factors Training/competence Personal factors Others


Collision

Grounding

47

Assim verifica-se que os três factores que mais afectam o desempenho dos operadores

responsáveis por situações de colisão são: as condições meteorológicas (14.6%), o horário (10.1%) e

a fadiga corporal do operador (8%). Já os encalhes são sobretudo motivados pelos seguintes factores

de desempenho: procedimentos organizacionais (9.1%), falta de informação (8%) e condições

meteorológicas (7.5%).

Importa ainda referir que na elaboração destas figuras foram identificados 399 factores de

desempenho associados aos 200 erros que conduziram a colisões e 722 factores de desempenho

associados aos 218 erros que resultaram em situações de encalhe.

Finalmente foram contabilizadas as barreiras identificadas como não sucedidas, que de alguma

forma não preveniram a ocorrência do acidente ou não assistiram a recuperação do erro. Foram

identificadas 366 barreiras não sucedidas para as colisões e 635 para os encalhes. A figura 4.12

apresenta esta contabilização em termos percentuais, tendo sido calculado a taxa de identificação de

cada tipo de barreira no conjunto total de barreiras associadas à prevenção de colisões e de encalhes.

Figura 4.12 - Distribuição percentual das barreiras não sucedidas identificadas

Das 366 barreiras identificadas para as colisões foram contabilizadas 37 barreiras funcionais,

137 barreiras simbólicas e 192 barreiras imateriais. Para os encalhes foram identificadas 635 barreiras

não sucedidas das quais 78 são funcionais, 245 são simbólicas e 312 são imateriais. Não foram

0% 5% 10% 15% 20% 25% 30%

Walls, doors, fences, containers

Helmets, safety clothes, gas masks

Safety glass, fire safe rooms, fire doors

Locks, equipment match, physical interlocking

Passwords, entry codes, action sequences, pre-conditions

Distance (too far away for being touched by mistake),persistence (dead-man button)

Sprinklers, air bags, fire extinguisher

Demarcations, labels, warnings

Instruction, procedures, precautions, conditions, dialogues

Signs, signals, warnings, alarms

Clearance, approval

Informal guidance

Formal guidance

Ph

ysic

al barr

ier

Fu

nctio

nal barr

ier

Sym

bo

lic b

arr

ier

Incorp

ore

al

barr

ier

Barriers not successful

Grounding Collision

48

identificadas quaisquer barreiras físicas não sucedidas, tanto para as colisões como para os encalhes.

Na figura é possível verificar que a maioria das barreiras identificadas são do tipo instruções,

procedimentos, precauções, condições e diálogos (27% para as colisões e 25.4% para os encalhes),

orientação formal (29.2% para as colisões e 24.3% para os encalhes) e orientação informal (23.2%

para as colisões e 24.9% para os encalhes).

Neste momento, tendo já sido apresentadas as distribuições percentuais de todas as categorias

que integraram o processo de codificação, é efectuado um resumo final que permite os factores que

têm maior impacto na potencial ocorrência de uma colisão ou de um encalhe. Este resumo pode ser

observado na tabela 4.3. Para uma situação de encalhe são apresentados os dois domínios cognitivos

que mais se destacaram e os respectivos IEM e PEM, uma vez que os resultados não foram

consistentes entre as categorias. Isto é, embora a maioria dos erros ocorra no domínio da tomada de

decisão, o modo de erro interno que mais se destaca é a ausência de detecção que pertence ao domínio

da percepção.

Categories Collision Grounding

Operator Captain Captain

User material Radar No technical equipment involved

User task Traffic Monitoring Supervision

User activity Monitoring of equipment Supervision of Bridge tasks

Causality level Contributory Contributory

External Error Mode

Omission (Selection and quality)

Omission (Selection and quality)

Cognitive Domain Decision-making Perception Decision-making

Internal Error Mode Poor decision/planning No detection Poor decision/planning

Psychological Error Mode

Risk cognition failure Risk cognition

failure Risk cognition failure


Weather (Internal/External environment)

Organisational Procedures (Organisational factors)

Barriers not successful Formal guidance

Instruction, procedures, precautions, conditions, dialogues

Tabela 4.3 – Resumo dos factores com maior impacto na possível ocorrência de colisões ou encalhes

Após ter sido efectuada a análise geral de todas as categorias inseridas na base de dados

pareceu relevante proceder a uma triagem de resultados para uma situação específica. Assim foi

definida uma situação em que se fixou o local de ocorrência do erro, o equipamento utilizado, a tarefa

e a sub-tarefa sendo posteriormente efectuada uma análise estatística das restantes categorias. Para

as categorias a fixar foram escolhidos os elementos cuja percentagem de identificação foi superior na

análise apresentada anteriormente. A tabela 4.4 apresenta as considerações aplicadas que

funcionaram como restrições à análise estatística efectuada posteriormente.

49

Fixed Categories

Collision Grounding

Location Bridge Bridge

User material Radar No technical equipment involved

User task Traffic Monitoring Supervision

User activity Monitoring of equipment Supervision of Bridge tasks

Tabela 4.4 - Condições definidas para colisões e encalhes em termos de localização do erro, equipamento e tarefa

Uma vez que no início desta análise são definidas diferentes condições para as colisões e para

os encalhes, estas situações serão tratadas separadamente. Seguidamente serão apresentadas

figuras relativos à análise das categorias de modo de erro externo (EEM), modo de erro interno (IEM),

modo de erro psicológico (PEM) e factores de desempenho (PSF) para as condições definidas na tabela

4.4.

As colisões consideradas na análise que se segue ocorreram na sequência de erros realizados

na ponte durante a realização de tarefas de monitorização de equipamento, incluídas no controlo de

tráfego marítimo, sendo identificado o radar como equipamento utilizado.

Figura 4.13 - Distribuição percentual dos EEMs para colisões que ocorreram nas condições estabelecidas

0%

5%

10%

15%

20%

25%

30%

35%

Info

rma

tio

n n

ot sought/obta

ined

Actio

n in

wro

ng d

ire

ctio

n

Actio

n too

little

Om

issio

n

Rig

ht actio

n o

n w

rong o

bje

ct

Wro

ng a

ctio

n o

n r

ight ob

ject

Actio

n too

la

te

Communication Selection and quality Timing and Sequence

Monitoring of Equipment

Traffic Monitoring

Radar

Bridge

EEM - Collision

Collision

50

Figura 4.14 - Distribuição percentual dos IEMs para colisões que ocorreram nas condições estabelecidas

Figura 4.15 - Distribuição percentual dos PEMs para colisões que ocorreram nas condições estabelecida

0%

5%

10%

15%

20%

25%

No

n-p

erf

orm

ed a

ctio

n

La

te d

ecis

ion

/pla

nn

ing

Mis

pro

jection

Poo

r d

ecis

ion

/pla

nn

ing

Forg

et

tem

pora

ry info

.

Forg

et

to M

onito

r

Om

itte

d o

r la

te a

ction

No

t cle

ar

fro

m t

he

re

po

rt

La

te d

ete

ction

No

de

tection

Vis

ual m

ispe

rce

ptio

n

Action Decision-Making Memory Not clearfrom thereport

Perception


Traffic Monitoring

Radar

Bridge

Cognitive Domain and IEM - Collision

Collision

0%

5%

10%

15%

20%

25%

Man

ual vari

ab

ility

No

ne

Failu

re t

o c

on

sid

er

sid

e o

r lo

ng

effect

Mis

inte

rpre

tatio

n

Ris

k c

og

nitio

n f

ailu

re

Dis

traction

Fatig

ue

Oth

er

No

t cle

ar

fro

m t

he

re

po

rt

Dis

traction

Exp

ecta

tion

Oth

er

Tun

nel V

isio

n

Vig

ilance

Action Decision-Making Memory Notclearfromthe

report

Perception


Traffic Monitoring

Radar

Bridge

Cognitive Domain and PEM - Collision

Collision

51

Figura 4.16 - Distribuição percentual dos PSF de acordo com as categorias principais para colisões que ocorreram nas condições estabelecidas

Figura 4.17 - Distribuição percentual dos PSF para colisões que ocorreram nas condições estabelecidas

0%

10%

20%

30%

40%

50%




PSF categories - Collision

0%2%4%6%8%

10%12%14%16%18%20%

Am

big

uou

s in

form

ation

La

ck o

f in

form

atio

n

Wro

ng

info

rma

tion

La

ng

ua

ge

pro

ble

ms

Mis

com

munic

atio

n

We

ath

er

Tim

e o

f da

y (

dark

/lig

ht)

Atm

osp

he

re o

n th

e v

esse

l

Busin

ess c

limate

Org

. cultu

re

Org

. str

uctu

re

Org

. po

licie

s

Org

. O

pera

tion

s

Org

. P

roced

ure

s

Sup

erv

isio

n

Man

nin

g/ sta

ffin

gch

ara

cte

ristics

Tim

e p

ressure

La

ck o

f e

xpe

rie

nce

La

ck o

f o

rie

nta

tion

Inad

eq

uate

tra

inin

g/

instr

uction

No

tra

inin

g

Co

gn

itiv

e f

atig

ue

Bod

ily fa

tigu

e

Str

ess

Into

xic

atio

n

Em

otio

na

l con

ditio

n

Oth

ers

Aspects of communication/information Internal/external environment Organisational factors Training/competence Personal factors Others

PSF - Collision

Collision

52

Para as colisões identificadas como tendo ocorrido perante as condições estabelecidas na tabela

4.4 é possível observar, através da figura 4.13 uma maior identificação de omissões (33.3%) e acções

demasiado tarde (22.2%) como modos de erro externo.

A partir da figura 4.14 os principais modos de erro interno são: má projecção (22.2%) - no domínio

da tomada de decisão – detecção tardia (20%) e ausência de detecção (22%) – ambos no domínio da

percepção.

Já em termos de modos de erro psicológicos, a figura 4.15 permite uma maior identificação de

distracção (33.3%) – no domínio da percepção - e má interpretação (22.2%) – no domínio da decisão.

Na análise dos factores de desempenho, a figura 4.16 permite uma visão geral da distribuição

percentual dos vários factores identificados, segundo as categorias a que são associados. Assim é de

realçar a existência de 44.4% de factores associados ao ambiente interno e externo ao navio.

Posteriormente, efectuou-se uma análise mais detalhada, sendo possível identificar, a partir da figura

4.17, os factores de desempenho que mais se destacam: condições climatéricas (18.6%) e horário

(14.4%), ambos associados ao ambiente externo/interno. Num segundo plano surgem ainda, com uma

distribuição percentual de 9.3%, os seguintes factores: ambiente no navio (associado ao ambiente

externo/interno), pressão temporal (como factor organizacional), falta de experiência (associado à

categoria de treino/competência) e stresse (como factor pessoal).

Os encalhes considerados na análise que se segue ocorreram na sequência de erros realizados

durante a supervisão de tarefas na ponte, não estando envolvido qualquer equipamento técnico. Tal

como para as colisões, serão apresentados as figuras correspondentes à análise da distribuição

percentual dos EEMs, IEMs, PEMs e PSF.

Figura 4.18 - Distribuição percentual dos EEMs para encalhes que ocorreram nas condições estabelecidas

0%

10%

20%

30%

40%

50%

60%

Action in wrongdirection

Action too little Omission Wrong action onright object

Action too long

Selection and quality Timing andSequence

of Bridge Tasks

Supervision

None

Bridge

EEM - Grounding

Grounding

53

Figura 4.19 - Distribuição percentual dos IEMs para encalhes que ocorreram nas condições estabelecidas

Figura 4.20 - Distribuição percentual dos PEMs para encalhes que ocorreram nas condições estabelecidas

0%

10%

20%

30%

40%

50%

60%

Non-performedaction

Misprojection No decision/planning

ExceptionalViolation

IntendedViolation

RoutineViolation

Action Decision-Making Violation

of Bridge Tasks

Supervision

None

Bridge

Cognitive Domain and IEM - Grounding

Grounding

0%

5%

10%

15%

20%

25%

30%

Into

xic

atio

n

Fa

ilure

to c

onsid

er

sid

e o

r lo

ng e

ffe

ct

Mis

inte

rpre

tatio

n

Fatigue

Into

xic

atio

n

None

Str

ess/p

ressure

Action Decision-Making Violation

of Bridge Tasks

Supervision

None

Bridge

Cognitive Domain and PEM - Grounding

Grounding

54

Figura 4.21 - Distribuição percentual dos PSF de acordo com as categorias principais para encalhes que ocorreram nas condições

Figura 4.22 - Distribuição percentual dos PSF para encalhes que ocorreram nas condições estabelecidas

0%

5%

10%

15%

20%

25%

30%

35%




PSF categories - Grounding

0%

2%

4%

6%

8%

10%

12%

Am

big

uous in

form

atio

n

Lack o

f in

form

atio

n

Wro

ng in

form

atio

n

Langua

ge p

roble

ms

Mis

com

munic

atio

n

Weath

er

Tim

e o

f day (

dark

/lig

ht)

Atm

osphere

on the v

essel

Bu

sin

ess c

lima

te

Org

. culture

Org

. str

uctu

re

Org

. polic

ies

Org

. O

pera

tio

ns

Org

. P

roced

ure

s

Su

perv

isio

n

Ma

nnin

g/ sta

ffin

gcha

racte

ristics

Tim

e p

ressure

Lack o

f experie

nce

Lack o

f orie

nta

tio

n

Inadequate

tra

inin

g/ in

str

uctio

n

No tra

inin

g

Cognitiv

e fatig

ue

Bo

dily

fatig

ue

Str

ess

Into

xic

atio

n

Em

otio

nal con

ditio

n

Oth

ers




PSF - Grounding

55

Para os encalhes identificados como tendo ocorrido perante as condições estabelecidas na

tabela 4.4 é possível observar, através da figura 4.18, uma maior identificação de omissões (56.3%) e

acção errada no objecto correcto (18.8%) como modos de erro externo.

A observação da figura 4.19 permite verificar que os principais modos de erro interno são:

violações de rotina (56.3%) – no domínio das violações – má projecção (12.5%) e falta de

decisão/planeamento (12.5%) – ambos no domínio da tomada de decisão.

A figura 4.20 mostra que 25% dos modos de erro psicológicos estão associados ao domínio

da violação mas não correspondem a nenhuma das opções definidas na taxonomia. É possível ainda

uma maior identificação dos seguintes PEMs: fadiga (18.8%) e intoxicação (18.8%), ambos no domínio

da violação.

Na análise dos factores de desempenho, a figura 4.21 permite uma visão geral da distribuição

percentual dos vários factores identificados, segundo as categorias a que são associados. Assim é de

realçar a existência de 33.3% de factores organizacionais e 26.7% de factores associados ao ambiente

interno e externo ao navio. Posteriormente, efectuou-se uma análise mais detalhada, sendo possível

identificar, a partir da figura 4.22, os factores de desempenho que mais se destacam. Em primeiro

plano, com uma distribuição percentual de 11.1% surgem os seguintes factores: ambiente no navio e

horário (ambos associados ao ambiente externo/interno), stresse e condição emocional (como factores

pessoais). Num segundo plano surgem factores de desempenho de natureza organizacional -

características do pessoal/tripulação (8.9%), supervisão (6.7%) e pressão temporal (6.7%) –

associados à estrutura organizacional – e factores associados a treino/competência – falta de

experiência (6.7%).

57

5 As redes bayesianas na colisão de navios

A análise de acidentes que se efectuou nos capítulos anteriores demonstra a importância do

factor humano na ocorrência de acidentes com navios. Nesse sentido, a consideração do factor humano

numa análise quantitativa permitiria investigar medidas para reduzir as probabilidades de ocorrência de

acidentes ou consequências. Assim, no presente capítulo apresenta-se a aplicação de redes

bayesianas para a modelação de acidentes marítimos com integração dos factores humanos em

colisões.

Os modelos de redes bayesianas podem ser usados para: identificar todos os factores relevantes

que influenciam significativamente um acontecimento crítico; ilustrar numa rede as relações entre os

vários factores de influência de risco; calcular a probabilidade de ocorrência do acontecimento crítico;

identificar os factores contributivos mais importantes para a probabilidade de ocorrência do

acontecimento crítico.

A mais-valia das redes bayesianas é permitirem a aferição de determinados riscos de uma

estrutura gráfica de relações causa-efeito, utilizando dados históricos, opiniões de peritos ou uma

combinação de ambas (Antão, 2011).

Na presente dissertação foi utilizado o software GeNIe, que consiste numa ferramenta

informática para implementação gráfica de modelos probabilisticos e de decisão, tais como redes

bayesianas, diagramas de influência e modelos de equações estruturais. O GeNIe foi criado pelo

Decision Systems Laboratory of University of Pittsburg e é um editor gráfico que permite criar e

modificar modelos de rede (Kristiansen, 2010).

Neste capítulo apresentar-se-á uma breve introdução às redes bayesianas e a sua possível

aplicação em diferentes domínios. Pretende-se sobretudo descrever a aplicação das redes bayesianas

em colisões, tendo sido utilizado um modelo desenvolvido no âmbito do projecto CyClaDes onde se

incluem algumas das variáveis utilizadas na codificação de acidentes com a taxonomia TRACEr. Neste

sentido será apresentada a análise de sensibilidade do modelo.

5.1 Introdução às redes bayesianas

Uma rede Bayesiana (BN – Bayesian Network) é um gráfico acíclico constituído por nós e

relações de natureza probabilística que mostram a sua influência recíproca (Jansen, 2001). A

representação de uma rede bayesiana é feita através de um grafo direccionado no qual os nós

representam variáveis de um domínio e os arcos representam a dependência condicional entre as

variáveis.

Os modelos definidos permitem a avaliação da incerteza associada a um determinado

acontecimento a partir da aplicação do teorema de Bayes. Este teorema considera que a relação entre

as variáveis X1 e X2 é dada pela expressão:

58

𝑃(𝑋2|𝑋1) =𝑃(𝑋1|𝑋2) ∙ 𝑃(𝑋2)

𝑃(𝑋1)

A expressão representa a probabilidade do acontecimento X2 ser determinado estando já

estabelecida a probabilidade do acontecimento X1. Assim, de e um modo geral, uma rede bayesiana é

caracterizada por um conjunto 𝐺 = {𝑉, 𝐸} de variáveis e de relações de probabilidade condicionada, ou

respectivamente por um conjunto de variáveis 𝑉 = {𝑋1, 𝑋2, … , 𝑋𝑛} e de arcos 𝐸 𝑉 × 𝑉. As ligações

directas e acíclicas entre as vaiáveis definem a representação gráfica da rede bayesiana (Antão et al.,

2008).

Os nós que influenciam directamente ou antecedem um certo nó são denominados de pais desse

mesmo nó. Os nós que são influenciados condicionalmente por outras variáveis são definidos como

filhos. Variáveis pais que não influenciam qualquer outra variável (filho) possuem estados simplesmente

definidos pela designada probabilidade marginal. Por norma os estados de uma variável são definidos

pela Tabela de Probabilidade Condicional (TPC) que se obtém pela combinação entre os estados dos

nós pais e filhos.

Figura 5.1 - Exemplo de rede bayesiana

Como exemplo, olhemos para a rede bayesiana apresentada na figura 5.1. Para o nó Xn com

dois estados (s=sim, n=não) e dois pais (X1 e X3) com estados iguais, a tabela de probabilidade

condicional é dada por:

Xn

X1

s n

X3

s n s n

s p1 p2 p3 p4

n 1-p1 1-p2 1-p3 1-p4

Tabela 5.1 - Exemplo de tabela de probabilidade condicional

Na TPC cada coluna contém a probabilidade condicional de cada valor do nó para as

combinações de valores possíveis dos seus pais. O somatório das probabilidades apresentadas em

cada coluna deve ser 1. Acrescenta-se ainda que um nó sem pais tem apenas uma coluna, que

corresponde à probabilidade inicial de cada um dos estados definidos para esse mesmo nó.

59

Desta forma é possível, a partir da rede bayesiana definida, obter informação qualitativa – através

da estrutura da rede que identifica as relações causais entre as variáveis – e quantitativa – através das

tabelas de probabilidade condicional entre as variáveis, cujo resultado é dado pela expressão:

𝑃(𝑉) = ∏ 𝑃(𝑋𝑖|𝑝𝑎𝑟𝑒𝑛𝑡𝑠(𝑋𝑖))

𝑛

𝑖=1

Onde 𝑝𝑎𝑟𝑒𝑛𝑡𝑠(𝑋𝑖) representa o conjunto de variáveis pais de Xi. Deste modo, se for

suficientemente conhecida a estrutura da rede, em termos qualitativos, de forma a definir as relações

causa-efeito, é possível identificar as variáveis que sofrem a influência de um determinado contexto.

No entanto, o conhecimento quantitativo da rede depende da definição completa das tabelas de

probabilidade condicional, o que na maioria dos casos se revela de alguma dificuldade por não se

encontrarem disponíveis todas as informações necessárias à construção das tabelas.

Seguidamente serão apresentados dois exemplos de redes bayesianas simples, de modo a

descrever os mecanismos associados à utilização desta ferramenta.

O primeiro exemplo consiste numa rede com quatro nós, apresentada na figura 5.2, em que os

arcos entre os nós representam as relações causais ou de influência. Neste exemplo os nós

competência do vendedor e número de vendas influenciam a possível atribuição de prémio ao

vendedor. O nó número de vendas tem influência directa sobre o nó lucro da empresa.

Figura 5.2 - Rede bayesiana - Exemplo 1

Após ter sido definida a rede foram adicionadas as probabilidades de cada estado para as

variáveis sem pais, ou seja, para os nós Competência do vendedor e Número de vendas.

Posteriormente são definidas as probabilidades dos nós filhos que consistem numa combinação dos

estados dos nós pais, por exemplo, as probabilidades dos estados do nó Atribuição de prémio são o

resultado da combinação entre os estados dos nós Competência do vendedor e Número de vendas.

Na figura 5.3 apresentam-se as tabelas de probabilidade condicional a partir das quais é possível

observar, por exemplo, que a probabilidade da empresa ter um lucro elevado sabendo que o número

de vendas foi alto é de 0.9.

60

Figura 5.3 - Tabelas de probabilidade condicional - Exemplo 1

A partir da definição das tabelas de probabilidade é possível executar várias análises ao modelo

construído. A figura 5.4 apresenta o resultado obtido para a probabilidade da atribuição de prémio ou

lucro sem qualquer inferência.

Se soubermos que o lucro da empresa era elevado (L = E), podemos avaliar o impacto desse

condicionamento através da aplicação do Teorema de Bayes, dado pela expressão 5.1. Esta

informação pode então ser utilizada para rever a probabilidade dos restantes nós, numa actividade que

se designa por propagação. A figura 5.5 apresenta a actualização do modelo considerando a evidência

L = E.

Figura 5.4 - Probabilidade de atribuição de prémio e lucro, sem inferências

Figura 5.5 - Propagação da evidência Lucro = Elevado

61

A observação de que L = E conduziu a um aumento de 45% da probabilidade do número de

vendas ser alto (de 0.65 para 0.94). Por outro lado, a probabilidade de se verificar a atribuição de prémio

ao vendedor sofreu também um aumento de 0.63 para 0.78.

A probabilidade posterior do nó número de vendas dada a evidência no nó lucro pode, tal como

já foi mencionado, ser facilmente calculada pela aplicação do Teorema de Bayes. Assim a probabilidade

posterior do número de vendas ser alto (NV = A) é dada por:

𝑃(𝑁𝑉 = 𝐴|𝐿 = 𝐸) =𝑃(𝐿 = 𝐸|𝑁𝑉 = 𝐴) ∙ 𝑃(𝑁𝑉 = 𝐴)

𝑃(𝐿 = 𝐸)

Das tabelas de probabilidade condicional (ver figura 5.3) é simples verificar que a probabilidade

do lucro ser elevado dado que se observa um alto número de vendas é 0.9. Da mesma forma observa-

se que a probabilidade de o número de vendas ser alto é de 0.65. O denominador representa a

probabilidade marginal do lucro ser elevado e pode ser obtida através da seguinte expressão:

𝑃(𝐿 = 𝐸) = 𝑃(𝐿 = 𝐸|𝑁𝑉 = 𝐴) ∙ 𝑃(𝑁𝑉 = 𝐴) + 𝑃(𝐿 = 𝐸|𝑁𝑉 = 𝐵) ∙ 𝑃(𝑁𝑉 = 𝐵)

= 0.9 × 0.65 + 0.1 × 0.35

= 0.62

Assim é agora possível obter a probabilidade posterior pretendida:

𝑃(𝑁𝑉 = 𝐴|𝐿 = 𝐸) =0.9 × 0.65

0.62= 0.944

Este valor é igual ao obtido com a rede bayesiana, tal como era esperado. É de realçar que a

facilidade do cálculo executado se prende com a não complexidade do exemplo, em que se apresentam

poucos nós e poucas dependências entre estes.

O segundo exemplo que aqui se apresenta retracta um sistema de fornecimento de energia

constituído por um motor, uma fonte de combustível principal para o motor e cabos eléctricos que

distribuem a energia aos consumidores. Além disso é instalada uma fonte de combustível de reserva

com capacidade limitada. O sistema de fornecimento de energia falha se o consumidor fica privado da

recepção de energia, o que acontece se cabos eléctricos falharem ou o motor parar, que só ocorre se

for interrompido o fornecimento de combustível. Desta forma, para que o sistema funcione normalmente

e o consumidor receba energia, tanto o motor como os cabos eléctricos terão que funcionar. A rede

bayesiana que representa o sistema é apresentada na figura 5.6.

Após ter sido definida a rede foram adicionadas as probabilidades de cada estado para todas

as variáveis apresentadas. Na figura 5.7 apresentam-se as tabelas de probabilidade condicional para

todos os nós do exemplo.

62

Figura 5.6 - Rede Bayesiana - Exemplo 2

Figura 5.7 - Tabelas de probabilidade condicional - Exemplo 2

Neste exemplo os nós Engine e Power Supply apresentam estados binários, sendo o nó Engine

uma And-Gate – uma vez que o sistema falha se ambas as fontes de combustível, a principal e a de

reserva, falharem – e nó Power Supply uma Or-Gate – já que o sistema falha se, entre o motor e os

cabos eléctricos, se verificar a falha de um ou ambos os elementos.

A partir da definição das tabelas de probabilidade é possível executar várias análises ao modelo.

A figura 5.8 apresenta o resultado obtido para a probabilidade de falha do sistema de fornecimento de

energia sem qualquer inferência.

63

Figura 5.8 - Probabilidade do Power Supply, sem inferências

Figura 5.9 - Propagação da evidência Power Supply = Fail

As redes bayesianas possuem várias vantagens, sendo que uma delas é a capacidade de

fornecer um suporte de diagnóstico, isto é, se soubermos que o sistema de fornecimento de energia

falhou (PS = F) podemos utilizar esta informação para rever a probabilidade dos restantes nós. Ou seja,

ao condicionar o estado de fornecimento de energia à falha, podemos propagar essa informação na

rede e avaliar a causa ou os factores mais influentes. A figura 5.9 apresenta a propagação da evidência

PS = F no modelo e a actualização das probabilidades dos restantes nós.

Neste caso, ao assumirmos a falha do sistema, é possível verificar que a causa mais provável

é a falha dos cabos de distribuição de energia cuja probabilidade de falha aumentou para 99%. A falha

dos cabos de distribuição, embora o motor esteja a funcionar (a probabilidade de falha deste é baixa

porque o sistema de abastecimento de combustível é redundante), conduz à interrupção do

fornecimento de energia.

64

Este exemplo é um pouco mais complexo pelo que não são aqui apresentados os cálculos

referentes à aplicação do teorema de Bayes, no entanto podem sempre efectuar-se várias inferências

ao modelo com o objectivo de avaliar o impacto nas restantes variáveis. Nos casos mais complexos,

para qual quer conjunto de variáveis aleatórias, a probabilidade de qualquer estado pode ser calculada

a partir das probabilidades condicionais usando a expressão:

𝑃(𝑥1, … , 𝑥𝑛) = ∏ 𝑃(𝑥𝑖|𝑥1, … , 𝑥𝑖−1)

𝑛

𝑖=1

O grau de complexidade dos modelos está directamente ligado à disponibilidade de dados que

suportem o preenchimento das tabelas de probabilidade condicional. Tal como seria de esperar, o

modelo de rede bayesiana utilizado nesta dissertação é mais complexo já que se pretende incluir o

papel do operador na avaliação do risco associado às operações com navios.

5.2 Aplicação das redes bayesianas no contexto marítimo

Nas últimas décadas a IMO reconheceu a importância de adoptar procedimentos de avaliação

de riscos no seu processo de decisão, tendo desenvolvido e implementado a Avaliação Formal de

Segurança (FSA – Formal Safety Assessment), com vista a aumentar a segurança marítima, no que

diz respeito à protecção da vida humana, do ambiente e da propriedade. O uso e a eficácia da

modelação por redes bayesianas foi também avaliado pela IMO como parte do FSA, nomeadamente

na quantificação da eficácia de algumas medidas de mitigação do risco (IMO, 2006). Nesse documento,

a IMO realizou uma avaliação da eficácia do ECDIS (Electronic Chart Display and Information System),

do ENC (Electronic Navigational Charts) e do piloto automático. Os modelos bayesianos desenvolvidos

permitiram estimar a probabilidade de ocorrência e a taxa de mortalidade associada a diferentes tipos

de acidentes.

Contudo, os trabalhos desenvolvidos com a aplicação de modelos bayesianos no sector marítimo

é ainda muito reduzido quando comparado com outros sectores industriais. Além disso, a maioria dos

estudos desenvolvidos baseiam-se na opinião de peritos de forma a estimar as probabilidades dos nós,

sendo que cada nó tem um número reduzido de estados.

Em Clausen et al. (2001) foi utilizada uma base de dados contendo informação sobre 85000

navios para desenvolver uma rede que aferisse as relações entre os elementos principais de um navio

na fase inicial de projecto. Neste trabalho pretendia-se optimizar as características principais do navio

através da utilização de redes bayesianas.

Or & Kahraman (2002) abordaram o problema do tráfego marítimo em áreas congestionadas,

recorrendo às redes bayesianas de forma a analisar e simular os factores que contribuíram para

acidentes no Canal de Istambul. O desenvolvimento da rede bayesiana permitiu estimar as

probabilidades condicionais de acidentes marítimos, através da simulação de de condições que

65

correspondiam às características, regras e comportamentos típicos de navegação no canal. Os

resultados obtidos apontam para um aumento no número de acidentes em condições que envolvem

um maior número de travessias, uma maior densidade de tráfego, uma elevada percentagem de navios

com maior comprimento e condições meteorológicas adversas.

Antão et al. (2008) desenvolveram um estudo com o objectivo de desenvolver um modelo de

acidentes marítimos baseado em redes bayesianas, em que se inclui o tipo de acidente, a causa e as

consequências. Para tal recorreu-se à base de dados da Direcção-Geral da Autoridade Marítima

(DGAM), que inclui os registos de 857 acidentes ocorridos entre 1997 e 2006. Neste estudo as tabelas

de probabilidade condicional foram contruídas com base em dados reais que constituem a base de

dados, não sendo por isso baseada em opiniões de peritos o que permite reduzir a incerteza que,

normalmente, se associa a esse tipo de procedimento. A análise bayesiana desenvolvida permitiu,

perante determinados cenários, estimar as probabilidades condicionais de acidentes marítimos em

águas portuguesas. Os resultados deste estudo mostram que é possível desenvolver um modelo

simples, baseados em dados reais, de forma a analisar a contribuição dos principais factores de risco

e apoiar a tomada de decisão.

Helle et al. (2011) propõem um modelo bayesiano que visa avaliar a eficácia de diferentes

estratégias de combate a derrames de crude no golfo da Finlândia de forma a minimizar as

consequências negativas em seis espécies locais. O modelo desenvolvido permite criar diferentes

cenários de acidentes e avaliar o desempenho de diferentes acções de combate em condições de

incerteza, podendo ser usado como apoio à tomada de decisões.

Poderiam ser ainda referidos algumas aplicações de redes bayesianas desenvolvidas por Pedrali

et al. (2004), Trucco et al. (2006), Norrington et al. (2008) ou Zhang et al. (2013) em diferentes contextos

do sector marítimo.

Os trabalhos desenvolvidos para a aplicação de redes bayesianas com modelação de factores

humanos no contexto marítimo é ainda reduzido e bastante recente.

Trucco et al. (2008) utilizaram um modelo bayesiano na fase preliminar de projecto de

embarcações de alta velocidade de forma a quantificar os erros humanos e organizacionais na análise

de risco efectuada. A abordagem consiste num método de unificação de árvores de falha e redes

bayesianas, desenvolvido com base em colisões em mar aberto. Este estudo permitiu identificar

correlações entre os acontecimentos básicos contemplados nas árvores de falha para o cenário de

colisão, e as condições operacionais e organizacionais consideradas no modelo bayesiano.

Antão & Guedes Soares (2010) desenvolveram um modelo, baseado noutro dos mesmos autores

(Antão & Guedes Soares, 2009) no qual que introduziram dados da altura significativa de ondas, de

forma a avaliar as contribuições do erro humano em acidentes com diferentes condições de mar e a

contribuição de ondas de grande amplitude na ocorrência de determinados tipos de acidentes. Os

resultados obtidos mostram que elevadas alturas significativas de onda estão associadas à ocorrência

de acidentes específicos em determinadas épocas do ano. As conclusões obtidas neste estudo

apontam para a necessidade de implementar procedimentos de vigilância rigorosos de forma a que,

em estados de mar adversos, a navegação de navios de pesca seja efectivamente restrita. Por outro

66

lado é referida a necessidade de divulgação de informação acerca dos perigos subjacentes à

navegação de embarcações de recreio em épocas de elevado tráfego costeiro, que tipicamente se

observa no período de Verão. Além disso os resultados obtidos identificam a falta de experiência das

tripulações das embarcações de recreio como factor causal determinante à ocorrência de acidentes

com estes navios.

Ventikos & Vagias (2010) estudaram a aplicação de redes bayesianas na modelação da fadiga

humana no contexto marítimo. O modelo desenvolvido tem como objectivo avaliar a fadiga dos

elementos da tripulação causada pelo ambiente de trabalho, no que diz respeito às responsabilidades,

à condição física e sobretudo à qualidade do repouso acumulado. A garantia da qualidade do sono,

que está directamente relacionada com o horário de trabalho, e o bom funcionamento biológico são

considerados aspectos essenciais para a redução da fadiga humana. Neste caso as tabelas de

probabilidade condicional foram preenchidas com recurso a dados relativos à segurança rodoviária,

nomeadamente, em relação à fadiga dos motoristas.

A modelação do erro humano por redes bayesianas no sector marítimo foi, em alguns casos,

levada a cabo com recurso a métodos de fiabilidade humana, cujos valores de referência adoptado são

provenientes de contextos fora do sector marítimo. Martins & Maturana (2013) aplicaram as redes

bayesianas à operação de um navio tanque, tendo como foco a quantificação da contribuição do factor

humano em cenários de colisão. Para esse efeito utilizaram o THERP, que usa árvores de falha e

considera os factores de desempenho (PSF) na definição das probabilidades do erro humano,

permitindo a identificação das tarefas e actividades que mais contribuem para a ocorrência de colisões

de modo a propor medidas de mitigação.

Na presente dissertação foi utilizada uma rede bayesiana, desenvolvida com base na taxonomia

TRACEr – um método de identificação do erro humano – sendo que, neste caso, as tabelas de

probabilidade condicional foram preenchidas com recurso a dados da literatura e à opinião de peritos.

5.3 Modelo para colisões

Na presente secção será apresentada a rede bayesiana estudada, que foi desenvolvida no

âmbito do projecto CyClaDes com o objectivo de incluir adequadamente o elemento humano na

avaliação do risco. Nesse desenvolvimento destacam-se dois aspectos relevantes: a influência

quantificável do operador no risco associado a uma operação e a predição do desempenho humano

em operações críticas. No contexto da análise quantitativa foi desenvolvida uma metodologia que

incorporasse o factor humano e a avaliação dos factores contributivos. Esta abordagem baseia-se na

elaboração de um modelo com dois segmentos interactivos: o dinâmico e o estático. A parte dinâmica

foi desenvolvida a partir da utilização das redes bayesianas, integrando elementos do TRACEr, e foca-

se no cálculo da probabilidade de colisão. Esta probabilidade é inserida na parte estática que permite

o cálculo do risco humano, económico e ambiental. O modelo considera o desempenho humano em

67

condições normais, anormais e de operação crítica e implementa tarefas específicas que derivam da

análise desenvolvida para os erros nas tarefas desempenhadas em colisões.

No âmbito do projecto foram discutidas as diferentes abordagens para considerar o elemento

humano na análise de risco no que diz respeito à modelação estática e dinâmica, bem como na

consideração de aspectos de foco na interface homem-máquina. Foi decidido combinar as duas

abordagens e usar a modelação estática para a descrição dos cenários depois do acidente e a

modelação dinâmica para a fase que antecede o acidente e que inclui a análise dos factores que a ele

conduziram.

Nesta dissertação será abordado apenas o modelo dinâmico que foi desenvolvido de acordo

com a metodologia das redes bayesianas. O modelo dinâmico destina-se a quantificar e prever o

desempenho do operador em cenários específicos e a probabilidade de colisão (nós alvo).

A rede bayesina desenvolvida apresenta uma dupla utilidade, uma vez que permite a obtenção

da probabilidade de colisão e do desempenho humano de acordo com duas perspectivas: a reactiva –

segundo a qual deve manter-se o número de acidentes o menor possível, pelo que se foca no que

correu mal de forma a prevenir o risco – e a proactiva – segundo a qual o número de resultados positivos

ou aceitáveis deve ser o maior possível, focando-se no que correu bem e sustentando o desempenho

diário aceitável. Assim o modelo desenvolvido possui a capacidade de avaliar medidas reactivas (inputs

com influência negativa nos nós alvo) ou proactivas (inputs com influência positiva nos nós alvo) através

da análise de diferentes cenários.

O ponto de partida para o desenvolvimento do modelo foi a especificação de uma sequência de

acontecimentos com início na operação normal do navio que poderia terminar com uma colisão ou

manter a sua normalidade. Foram distinguidas três fases diferentes que caracterizam a situação em

relação ao tempo de análise e reacção disponível o que, por conseguinte, influencia o desempenho do

operador:

Operação normal – identificação do potencial rumo de colisão com recurso, por exemplo,

ao radar;

Operação anormal – embora limitado, o tempo disponível ainda permite identificar o

rumo de colisão (se este não tiver sido identificado antes) e desempenhar acções

correctivas (se essa acção não tiver sido desempenhada antes) ou corrigir esta acção

(se esta não foi desempenhada correctamente na situação normal);

Operação crítica – onde ainda é possível realizar uma acção de última hora, executando

uma manobra que evite a colisão.

Se a acção de última hora não for sucedida, ou se o a tripulação do navio não estiver consciente do

rumo de colisão até ao último momento, a colisão ocorre.

A figura ilustra a rede bayesiana inicial, onde se apresentam as variáveis agrupadas por cores e

as ligações de dependência entre estas. Esta rede foi a base do desenvolvimento da rede final, tendo

sido incorporados elementos do método TRACEr, o que se traduziu num aumento de detalhes e por

isso uma maior complexidade.

68

Figura 5.10 - Principais grupos da Rede Bayesiana desenvolvida

A partir da observação da figura 5.10 é possível distinguir os seguintes grupos de variáveis:

Colisão (a amarelo) – é o nó alvo desta rede, sendo o seu principal objectivo o cálculo

da probabilidade posterior;

Nós relacionados com a detecção (a azul escuro) – estes nós descrevem se o operador

detectou ou não o perigo, quer por meios visuais quer pela utilização de equipamentos

de navegação;

Nós relacionados com o equipamento fora da ponte (a laranja) – estes nós descrevem a

possibilidade dos equipamento falharem, bem como se as rotinas de manutenção dos

sistemas técnicos são seguidas;

Comunicação externa (a vermelho) – este nó descreve se o oficial recebeu ou não um

aviso de alerta externo;

Nós relacionados com o human centred design (a azul claro) – estes nós descrevem se

a ponte foi projectada de forma a possibilitar que o operador realize as suas tarefas de

forma adequada. Reflectem o arranjo da ponte, a interface com o utilizador e as

condições ergonómicas.

Nós relacionados com a colisão (a verde claro) – estes nós descrevem a distância até à

colisão e o tipo de encontro entre os navios.

Nós relacionados com o operador (a violeta) – estes nós reflectem a atitude do operador

para a tarefa pré-definida a realizar e indicam as funções pela quais este é responsável.

O desenvolvimento da rede passou por várias etapas de consolidação, sendo adicionados

alguns elementos e retirados outros, sempre com base na abordagem genérica apresentada

69

anteriormente que se manteve aproximadamente intacta. Além disso, foram adicionados os factores de

desempenho considerados na codificação de acidentes pela taxonomia TRACEr nas suas diferentes

categorias: factores pessoais, organizacionais, de comunicação/informação, de treino/competência e

de ambiente externo/interno.

A rede bayesiana final, apresentada na figura 5.11, é constituída por grupos de nós que se

caracterizam em seguida.

Figura 5.11 - Rede Bayesiana final detalhada

1. Colisão (a amarelo)

O principal objectivo deste nó é o cálculo da probabilidade posterior de colisão. A rede

bayesiana permite, por um lado, identificar os factores que influenciaram a ocorrência da

colisão ou, por outro, identificar os factores que contribuíram para evitar o acidente, já que estes

factores não são necessariamente os mesmos.

70

2. Nós relacionados com os factores pessoais (a azul claro)

Estes nós (condição emocional, stresse, fadiga e intoxicação) descrevem os factores que

influenciam o elemento humano a um nível pessoal assumindo uma importância significativa

para a condição física e emocional da tripulação.

3. Nós relacionados com a organização (a azul escuro)

Estes nós descrevem o conjunto de operações, regras, procedimentos e opiniões que

representam a acção da organização sob o ponto de vista da segurança. De modo resumido,

os factores organizacionais incluem o clima de segurança e a cultura da organização.

4. Nós relacionados com o treino (a cinzento)

Estes nós descrevem o nível de treino, a experiência e a orientação que caracteriza a tripulação

do navio.

5. Nós relacionados com as condições de trabalho (a verde escuro)

São os nós que descrevem os factores que descrevem o ambiente de trabalho, numa

perspectiva interna e externa. Assim considera-se que tanto as condições meteorológicas como

a atmosfera no navio contribuem para moldar o ambiente onde o elemento humano

desempenha as suas funções.

6. Nós relacionados com a comunicação (a vermelho)

Estes nós dizem respeito aos factores de comunicação interna do navio, o que inclui os factores

que determinam a qualidade da comunicação entre os membros da tripulação (falta ou má

comunicação, comunicação errada ou problemas de linguagem).

7. Nós relacionados com a detecção dos sistemas de navegação (a rosa)

Estes nós que descrevem se o operador detectou o perigo através da utilização de

equipamentos de auxílio à navegação, onde se inclui o radar, o ECDIS e as cartas de

navegação.

8. Nós relacionados com a detecção visual (a lilás)

Nós que descrevem se o operador detectou o perigo por meios visuais.

9. Nós relacionados com os equipamentos fora da ponte (a laranja)

Nós que descrevem se os equipamentos externos à ponte podem falhar, bem como se as

rotinas de manutenção destes equipamentos foram seguidas.

10. Nó relacionado com a comunicação externa (a verde fluorescente)

Nó que descreve se o operador recebeu um sinal de alerta externo.

71

11. Nós relacionados com o HCD (a azul pálido)

Estes nós descrevem se a ponte foi projectada de forma a possibilitar que o operador realize

as suas tarefas de forma adequada. Consideram o arranjo da ponte, a interface com o utilizador

e as condições ergonómicas.

12. Nós relacionados com a colisão (a verde claro)

Estes nós descrevem a distância até à colisão e o tipo de encontro entre os navios.

13. Nós relacionados com o operador (a violeta)

Estes nós reflectem a atitude do operador para a tarefa pré-definida a realizar e indicam as

funções pela quais este é responsável. Neste grupo inclui-se a competência, o desempenho, a

tarefa/responsabilidade, a detecção, a avaliação e a acção do operador.

No anexo B é possível observar, de forma mais detalhada, os nós definidos e os seus estados. Deve

ainda referir-se que as probabilidades iniciais de cada estado foram definidas com base em revisões

de literatura ou opiniões de peritos, o que permitiu também o preenchimento das tabelas de

probabilidade condicional, que se apresentam no mesmo anexo conjuntamente com a fonte de

informação utilizada.

5.4 Resultados

Nesta secção serão apresentados alguns resultados obtidos com o modelo descrito anteriormente,

nomeadamente, a partir de acidentes reais incluídos na base de dados. Nesse sentido foram estudados

dois relatórios de investigação, sendo seleccionadas as evidências a adicionar sucessivamente. A

probabilidade de colisão inicial, isto é, a probabilidade de colisão sem inferências, é de 0.0045. As

evidências são então introduzidas sucessivamente e a cada nova introdução é revista a probabilidade

de colisão. A probabilidade posterior de colisão é assim obtida após a inclusão de todas as evidências

no modelo.

5.4.1 Estudo de caso 1

Este estudo de caso corresponde à colisão do navio Cosco Hong Kong com o navio Zhe Ling Yu Yun

135, cujo relatório de investigação produzido pelo MAIB foi utilizado para a codificação com a

metodologia TRACER, sendo parte integrante da base de dados analisada. As evidências que se

apresentam em seguida derivam da narrativa apresentada no Anexo C:

Time of day: Night (e1)

Weather: Storm_Rain (e2)

Visibility: Greater than 1 nm (e3)

Mis-see: Yes (e4)

72

Distance to collision: Lower than 3 nm (e5)

Supervision: Poor (e6)

Inadequate Training-Competence: Yes (e7)

OOW Performance: Poor (e8)

Encounter type: Crossing (e9)

O resultado final é obtido com a adição sucessiva de cada uma das evidências, desta forma é possível

verificar a influência, positiva ou negativa, de cada evidência na probabilidade de colisão obtida.

Figura 5.12 - Estimativa da probabilidade de colisão para as evidências do estudo de caso 1

A probabilidade inicial de colisão é de 0.0045 e, após a introdução de todas as evidências, a

probabilidade posterior de colisão é 0.0324. É possível verificar que todas as evidências têm um

impacto negativo, aumentando a probabilidade de colisão, à excepção da evidência relacionada com a

visibilidade (e3: Visibility = Greater than 1 nm) que reduz a probabilidade de colisão. Observa-se ainda

que a evidência que indica um fraco desempenho do operador (e8: OOW Performance = Poor) tem

uma influência muito significativa na diferença entre as probabilidades anterior e posterior de colisão,

representando um aumento de 216%.

5.4.2 Estudo de caso 2

O segundo estudo de caso corresponde à colisão do graneleiro Alam Pintar com o navio de

pesca Etoile des Ondes, cuja codificação foi efectuada a partir do relatório de investigação produzido

pelo MAIB podendo ser consultada a narrativa deste acidente no Anexo D. O relatório de investigação

permitiu ainda retirar as evidências apresentadas em seguida:

Time of day: Night

Fatigue: No

0.005

0.010

0.015

0.020

0.025

0.030

0.035

e0 e1 e2 e3 e4 e5 e6 e7 e8 e9

Pro

ba

bili

ty o

f th

e c

olli

sio

n n

od

e (

Ye

s

sta

te)

Evidences

Resultados - Estudo de caso 1 (cenário de colisão)

73

Lack of experience: Yes

Supervision: Poor

Organisational policies: Poor

OOW Competence: Low (acção insuficiente para evitar a colisão)

Visibility: Greater than 1 nm

Radar detection: Yes

Visual misperception: Yes

External communication: No

Na figura apresentam-se os resultados obtidos para a probabilidade do estado “Yes” do nó alvo

“Collision”, a partir da introdução sucessiva de cada uma das evidências indicadas acima.

Figura 5.13 - Estimativa da probabilidade de colisão para as evidências do estudo de caso 2

Tal como no primeiro estudo de caso a probabilidade inicial de colisão é de 0.0045 e, após a

introdução de todas as evidências, a probabilidade posterior de colisão é 0.0194. É possível verificar

que todas a maioria das evidências têm um impacto negativo, aumentando a probabilidade de colisão.

As evidências relacionadas com a fadiga (e2: Fatigue = No), a visibilidade (e7: Visibility = Greater than

1 nm) e a detecção através do radar (e8: Radar detection = Yes), por outro lado, têm um impacto

positivo reduzindo a probabilidade de colisão.

Verifica-se ainda que a evidência que identifica uma fraca competência do operador (e6: OOW

Competence = Low), que neste caso é motivada pela acção insuficiente para evitar a colisão, causa o

impacto mais significativo na diferença entre as probabilidades anterior e posterior de colisão,

representando um aumento de 107%. As evidências relacionadas com o horário nocturno (e1: Time of

day = Night) e com a falta de comunicação externa (e10: External communication = No) apresentam

uma influência de cerca de 37% na variação da probabilidade de colisão.

0.005

0.007

0.009

0.011

0.013

0.015

0.017

0.019

0.021

e0 e1 e2 e3 e4 e5 e6 e7 e8 e9 e10

Pro

ba

bili

ty o

f th

e c

olli

sio

n n

od

e (

Ye

s

sta

te)

Evidences

Resultados - Estudo de caso 2 (cenário de colisão)

74

5.5 Análise de sensibilidade

Nesta secção da dissertação pretende-se proceder a uma análise de sensibilidade do modelo

utilizado. Esta análise terá como objectivo avaliar a influências de algumas variáveis seleccionadas em

dois nós: “Collision” e “OOW Performance”. Neste processo as evidências são estudadas em separado,

sendo considerados dois cenários probabilísticos básicos:

Estado “0” – este estado representa a probabilidade inicial de cada evidência

Pior cenário – a evidência é considerada como um acontecimento certo, pelo que a

probabilidade da evidência é igual a 1

Com base nestes cenários a resposta dos nós “Collision” e “OOW Performance” foi identificada

e estudada tendo sido produzidas figuras para ambos os nós, nos diferentes cenários em análise. Para

efectuar esta análise foram consideradas diferentes medidas. A primeira abordagem consiste em

introduzir uma evidência num estado particular de uma variável. Isto corresponde à alteração da

probabilidade anterior do estado (SPo) para 1, de forma a simular o “pior cenário” da variável. Desta forma

a variação da probabilidade do estado é ∆𝑥𝑖 = (1 − 𝑆𝑃𝑜).

O efeito de ∆𝑥𝑖 na probabilidade da variável em estudo (“Collision” e “OOW Performance”) é

então avaliada através da rede bayesiana desenvolvida. Posteriormente foram criadas figuras para a

análise de sensibilidades para as diferentes variáveis em estudo para os casos abordados.

No caso em que a variável alvo é a colisão, a probabilidade prévia de colisão (𝑃𝐶,𝑖𝑜 ) é alterada

para 𝑃𝐶,𝑖𝑒 pelo efeito da introdução da evidência (e) na variável (i), cuja probabilidade de estado sofre o

incremento ∆𝑥𝑖.

Através do cálculo da diferença entre a probabilidade final e inicial de colisão ∆𝑃𝐶,𝑖 = (𝑃𝐶,𝑖𝑒 − 𝑃𝐶,𝑖

𝑜 )

foram consideradas as seguintes medidas de sensibilidade:

𝑆𝑖 =∆𝑃𝐶,𝑖

𝑃𝑐𝑜

(1)

𝑆𝑖 =∆𝑃𝐶,𝑖

∆𝑥𝑖

(2)

A equação (1) estabelece a variação normalizada da probabilidade de colisão dada pelo rácio

ente a variação de probabilidade ∆𝑃𝐶,𝑖 e a probabilidade inicial de colisão (𝑃𝐶𝑜). A equação (2) representa

a relação ente a variação de probabilidade de colisão e a variação da probabilidade de estado ∆𝑥𝑖 após

ser introduzida a evidência. A equação (2) traduz assim a derivada parcial de 𝑃𝑐 em torno da variável

(i). Estas medidas de sensibilidade serão igualmente aplicadas para o nó alvo “OOW Performance”.

Foi ainda considerada uma medida de sensibilidade alternativa, baseada em Hänninen & Kujala

(2012). Esta abordagem consiste em calcular a variação máxima da probabilidade do nó alvo que a

variável (i) pode produzir. Por outras palavras, a probabilidade do estado a observar é igualada a 1

75

enquanto que a probabilidade dos restantes estados da variável passa a ser nula. A diferença entre as

probabilidades de colisão produzidas por cada estado da variável Y é calculada por:

∆𝑃𝐶𝑚𝑎𝑥 = max

jP ("Collision" = "Yes"|Y = yi) − min

kP ("Collision" = "Yes"|Y = yk) (3)

Onde 𝑦𝑗 e 𝑦𝑘 correspondem aos estados da variável Y que produzem a maior e a menor probabilidade

de colisão, respectivamente. A diferença ∆𝑃𝐶𝑚𝑎𝑥 descreve a variação máxima da probabilidade de

colisão que uma determinada variável pode produzir. De outra forma, ∆𝑃𝐶𝑚𝑎𝑥 pode ser vista como a

variação da probabilidade de colisão produzida por uma variável entre o seu pior estado (o estado que

induz a maior probabilidade de colisão) e o seu melhor estado (o estado que induz a menor

probabilidade de colisão). Assim esta variação máxima pode ser representada por:

∆Pcmax = PCworst state − PC

best state (4)

5.5.1 Selecção de variáveis

Para proceder à análise de sensibilidade do modelo da rede bayesiana foram seleccionada vinte

e quatro variáveis. A maioria destas variáveis foram escolhidas com base nos resultados obtidos com

a análise estatística da base de dados, executada no capítulo 4 desta dissertação. No capítulo 4 foram

analisadas 70 colisões, anteriormente codificadas segundo a taxonomia TRACEr. A análise da base de

dados permitiu a identificação das principais variáveis envolvidas num cenário de colisão para

categorias como: equipamento técnico, IEM, PEM e PSF. Após terem sido identificados os factores

dentro destas categorias que mais influenciaram a ocorrência de colisões foi analisada a sua possível

aplicabilidade à rede bayesiana em estudo.

A partir da análise da figura 4.2 o radar foi identificado como o equipamento técnico envolvido

em 41.33% das colisões.

Na figura 4.8 pode ser observada a distribuição percentual dos modos de erro internos para as

colisões codificadas. Sabendo que no desenvolvimento da rede bayesiana apenas se considerou a

categoria percepção, todas variáveis seleccionadas a partir desta figura estão incluídas nesta categoria.

Desta forma foram seleccionadas as seguintes variáveis: ausência de detecção (17.35%), detecção

tardia (8.67%) e má percepção visual (1.53%).

Considerando os resultados apresentados na figura 4.9 é possível identificar os principais modos

de erro psicológicos associados às colisões codificadas, no entanto nenhum desses factores foi

considerado no desenvolvimento da rede bayesiana, pelo que os resultados obtidos não foram

utilizados neste ponto.

Os factores de desempenho têm um importante papel na rede bayesiana, em particular, e nesta

dissertação em geral, pelo que a maioria das variáveis seleccionadas pertencem a esta categoria. A

base de dados identificou 398 factores de desempenho associados às colisões codificadas e a figura

76

4.11 apresenta uma distribuição percentual destes factores, agrupados por categorias. Contudo apenas

alguns destes factores foram considerados no desenvolvimento da rede bayesiana, pelo que os PSF

seleccionados foram os seguintes:

Condições meteorológicas (14.57%), horário (10.05%) e ambiente no navio (6.03%) – factores

associados ao ambiente interno/externo;

Má comunicação (4.77%), falta de informação (4.02%) e problemas de linguagem (1.76%) –

aspectos de comunicação/informação;

Pressão temporal (5.53%), procedimentos (5.03%), políticas organizacionais (4.52%),

operações (2.51%), cultura organizacional (2.26%), supervisão (2.01%) e características do

pessoal/tripulação (1.01%) – factores organizacionais;

Treino/competência inadequados (7.04%), falta de experiência (3.77%), falta de orientação

(2.26%) – factores associados a treino/competência;

Fadiga corporal (8.04%), stresse (3.77%) e fadiga cognitiva (1.26%) – factores pessoais.

Adicionalmente foram ainda considerados três factores que não se incluem na base de dados mas que

foram inseridos na rede bayesiana: detecção do sistema de navegação, visibilidade e familiarização. A

tabela sumariza todas as variáveis consideradas no processo de análise de sensibilidade para o nó

alvo “Collision”.

TRACER Category Variables

Material Radar detection

IEM

Late detection

No detection

Visual misperception

PSF - Aspects of communication /

information

Lack of information

Miscommunication

Language Problems

PSF - Internal/external environment

Weather

Time of day

Atmosphere on the vessel

PSF - Organizational factors

Time pressure

Procedures

Organizational policies

Operations

Organizational culture

Supervision

Manning/Staffing characteristics

PSF - Training / competence

Inadequate training

Lack of experience/orientation

PSF - Personal factors Fatigue

Stress

--- Navigation System detection

--- Visibility

--- Familiarisation Tabela 5.2 - Variáveis seleccionadas para a análise de sensibilidade do nó "Collision"

77

Para o nó alvo “OOW Performance” além destas variáveis foi ainda adicionada a variável “HMI

Problems”. A interface homem-máquina pode ser descrita como o ponto de comunicação entre o

utilizador e o equipamento, sendo que problemas na interface homem-máquina consistem na

interrupção (ou redução de qualidade) do fluxo de informação entre estes.

5.5.2 Resultados da Análise de Sensibilidade

A análise de sensibilidade apresentada anteriormente foi aplicada para três objectivos diferentes:

analisar a influência das variáveis no nó “Collision”, analisar a influência das variáveis no nó “OOW

Performance” e ainda analisar a resposta do nó “Collision” à introdução de evidências de um caso de

estudo específico.

5.5.2.1 “Collision” – Caso Genérico

A figura 5.14 apresenta a sensibilidade da variável de saída “collision” à introdução de cada

uma das variáveis seleccionadas nos estados “negativos”. A figura apresenta em simultâneo as

diferentes medidas de sensibilidade, descritas anteriormente - ∆𝑃𝐶 , ∆𝑃𝐶 𝑃0⁄ e ∆𝑃𝐶 ∆𝑥𝑖⁄ – que foram

avaliadas com base na variação da probabilidade de colisão ∆𝑃𝐶 induzida pela introdução da evidência

(e) no modelo. Pode observar-se que as medidas de sensibilidade fornecem resultados semelhantes e

termos da importância relativa de cada variável na variação da probabilidade de colisão.

A figura 5.15 apresenta a variação máxima na probabilidade de colisão produzida pelas

variáveis no seu “pior” estado (o estado que produz o maior valor de 𝑃𝐶) e no seu “melhor” estado

(aquele que induz o menor valor de 𝑃𝐶).

78

Figura 5.14 - Análise de sensibilidade para o nó "Collision"

Figura 5.15 - Diferença máxima na probabilidade do estado “Yes” do nó “Collision” produzida pelas variáveis no seu "pior" e "melhor" estado

0.0 2.0 4.0 6.0 8.0

0.000 0.010 0.020 0.030 0.040

Language problems = Yes

Miscommunication = Yes

Lack of information = Yes

Org. culture = poor

Org. policies = poor

Operations = poor

Procedures = poor

Staffing characteristcs = poor

Time pressure = yes

Supervision = Poor

Lack of experience/orientation = yes

Inadequate training = Yes

Late detection = Yes

No detection = Yes

Atmosphere on the vessel = poor

Stress = High

Fatigue = Yes

Visual misperception = Yes

Weather = fog

Visibility = lower_than_1nm

Radar detection = No

Time of day = night

Familiarisation = not_familiar

Navigation system detection = No

ΔPc/ΔXi

ΔPc ΔPc/ P0

Sensitivity Analysis

ΔPc/ΔXi

ΔPc

ΔPc/P0

0.000 0.005 0.010 0.015 0.020 0.025 0.030 0.035

Lack of informationLanguage Problems

MiscommunicationProcedures

Staffing characteristicsTime pressure

Org. cultureOrg. policies

OperationsSupervision

Lack of experience/orientationInadequate training

Late detectionNo detection

FatigueAtmosphere on the vessel

StressVisual misperception

VisibilityWeather

Radar detectionTime of day

FamiliarisationNavigation system detection

ΔPc max

79

A análise da Figura 5.15 permite verificar que a variável “detecção do sistema de navegação” é

a que produz a maior variação na probabilidade de colisão (∆𝑃𝐶𝑚𝑎𝑥 = 0.033). A familiarização e o horário

(diurno/nocturno) são variáveis que produzem uma variação considerável da probabilidade de colisão,

0.0063 e 0.0034, respectivamente. Os aspectos relacionados com a comunicação, factores

organizacionais e de treino/competência apresentam uma baixa influência na variação da probabilidade

de colisão.

Os resultados obtidos na análise de sensibilidade do modelo para o nó alvo “Collision” podem

ser observados em detalhe no Anexo E.1.

5.5.2.2 “OOW Performance” – Caso Genérico

Foram desenvolvidos cálculos semelhantes para a variável de saída “OOW Performance”, sendo os

resultados obtidos apresentados na figura 5.16. Esta figura apresenta em simultâneo a diferença entre

a probabilidade final e inicial do estado “poor” da variável “OOW Performance” (∆𝑃𝑂𝑂𝑊 𝑝𝑜𝑜𝑟 𝑝𝑒𝑟𝑓), o rácio

entre este valor e a probabilidade inicial de um mau desempenho (∆𝑃𝑜𝑜𝑤 𝑝𝑜𝑜𝑟 𝑝𝑒𝑟𝑓 𝑃0 ⁄ ) e o rácio entre o

mesmo valor e ∆𝑥𝑖, que corresponde à variação da probabilidade de estado após ter sido introduzida

uma determinada evidência (∆𝑃𝑜𝑜𝑤 𝑝𝑜𝑜𝑟 𝑝𝑒𝑟𝑓 ∆𝑥𝑖⁄ ).

Figura 5.16 – Análise de sensibilidade para o estado “Poor” da variável “OOW Performance“

0.00 0.05 0.10 0.15 0.20 0.25

0.000 0.010 0.020 0.030

Radar detection = NoFamiliarisation = not_familiar

Language problems = YesMiscommunication = YesWrong information = Yes

Late detection = YesNo detection = YesProcedures = poor

Time pressure = yesOrg. culture = poor

Org. policies = poorOperations = poor

Staffing characteristcs = poorSupervision = poor

Lack of experience/orientation = yesInadequate training = Yes

Navigation system detection = NoVisual misperception = Yes

HMI Problems = YesTime of day = night

Atmosphere on the vessel = poorFatigue = Yes

Visibility = lower_than_1nmWeather =fogStress = High

ΔP oow poor perf/ΔXi

ΔP oow poor perf ΔP oow poor perf/ P0

Sensivity Analysis

ΔP_oow perf/ΔXi

ΔP_oow perf

ΔP_oow perf / Po

80

A Figura 5.17 apresenta a variação máxima para o estado “poor” da variável “OOW Performance”

produzida pelas variáveis no seu “pior” estado (aquele que produz a maior 𝑃𝑜𝑜𝑤 𝑝𝑜𝑜𝑟 𝑝𝑒𝑟𝑓) e no “melhor”

estado (aquele que produz a menor 𝑃𝑜𝑜𝑤 𝑝𝑜𝑜𝑟 𝑝𝑒𝑟𝑓).

Figura 5.17 - Diferença máxima da probabilidade do estado “Poor” para o nó “OOW Performance” produzida pelas variáveis no seu “melhor” e “pior” estado

A análise de sensibilidade demonstra que os principais factores contributivos para o desempenho do

operador são: o ambiente interno/externo (condições climatéricas, horário e ambiente no navio) e

factores pessoais (stresse e fadiga). Estes factores produzem no estado “poor” da variável de saída

“OOW Performance” diferenças de probabilidade entre 0.018 e 0.028. Problemas ao nível da interface

homem-máquina, má percepção visual, falhas na detecção do sistema de navegação e factores de

treino/competência (treino inadequado ou falta de experiência/orientação) representam factores que

contribuem significativamente para o aumento da probabilidade de um fraco desempenho do OOW.

Por outro lado, os factores organizacionais têm um impacto insignificante na variável de saída, pelo que

o contributo destes factores para a variação da probabilidade do estado “poor” da variável “OOW

Performance” é praticamente imensurável. As variáveis de comunicação/informação (má comunicação,

0.000 0.005 0.010 0.015 0.020 0.025 0.030

Radar detection

Familiarisation

Language Problems

Miscommunication

Wrong information

Late detection

No detection

Procedures

Time pressure

Org. culture

Org. policies

Operations

Staffing characteristics

Supervision


Inadequate training

Navigation system detection


HMI Problems

Time of day


Fatigue

Visibility

Stress

Weather

ΔP (OOW poor perf) max

81

informação errada e problemas de linguagem), familiarização e detecção (detecção tardia ou ausência

desta) não têm qualquer impacto na probabilidade da variável de saída.

Os resultados obtidos na análise de sensibilidade do modelo para o nó alvo “OOW Performance”

podem ser observados em detalhe no Anexo E.2

5.5.2.3 “Collision” – Estudo de caso 3

Ainda no capítulo da análise de sensibilidade do modelo foi conduzido um estudo da variação da

probabilidade de colisão num cenário específico. Este cenário foi proposto no âmbito do projecto

CyClaDes e diz respeito a um acidente real com o navio de carga Joshu Maru. A narrativa principal do

acidente em causa é apresentada no Anexo F.

As evidências aplicadas à rede bayesiana derivam da narrativa apresentada e do relatório de

investigação do caso de estudo, e são as seguintes:

Time of day: Night (e1)

Lack of experience/orientation (e2)

Weather: Windy (e3)

Procedures: Poor (e4)

Visual Misperception: Yes (e5)

Visibility: Greater than1 nm (e6)

Radar detection: No (e7) – Not directly stated in the report, rather “No” considering scanty radar

OOW Assessment: Wrong (e8)

A Figura 5.18 apresenta a sensibilidade da variável de saída “Collision” para alterações nas

probabilidades de estado das variáveis seleccionadas, isto é, após a introdução da evidência (e) para

a variável (i) que muda a sua probabilidade de estado em ∆𝑥𝑖.

A Figura 5.19 apresenta os mesmos resultados com exclusão da variável “OOW Assessment”,

uma que esta têm uma influência substancialmente superior na probabilidade de colisão, quando

comparada com as restantes variáveis.

Os resultados obtidos para este estudo de caso são apresentados em detalhe no Anexo E.3.

82

Figura 5.18 - Análise de sensibilidade para o estado "Yes" da variável de saída "Collision", com base no cenário do estudo de caso 3

Figura 5.19 - Análise de sensibilidade do estado "Yes" para a variável de saída "Collision" no cenário do estudo de caso 3,, excluindo a variável "OOW Assessment"

A partir da figura 5.19 é possível verificar que a evidência e6 (visibilidade superior a uma milha

náutica) tem uma contribuição contrária, ou seja, promove a diminuição da probabilidade de colisão.

Desta forma um aumento da probabilidade do estado “Greater than 1 nm” do nó “visibility” conduz à

redução da probabilidade do estado “Yes” do nó “Collision”.

-50 0 50 100 150 200 250

-0.2 0.0 0.2 0.4 0.6 0.8 1.0

OOW Assessment = Wrong

Time of day = Night


Visibility = Greater than 1nm


Weather = windy

Lack of experience/orientation = Yes

Procedures = Poor

ΔPc/ΔXi

ΔPc ΔPc/ P0

Sensitivity Analyisis

ΔPc/ΔXi

ΔPc

ΔPc/P0

-0.2 -0.1 0.0 0.1 0.2 0.3 0.4

-0.002 -0.001 0.000 0.001 0.002 0.003 0.004

Time of day = Night


Visibility = Greater than 1nm


Weather = windy

Lack of experience/orientation = Yes

Procedures = Poor

ΔPc/ΔXi

ΔPc ΔPc/ P0

Sensitivity analysis excluding variable "OOW Assessment"

ΔPc/ΔXi

ΔPc

ΔPc/P0

83

A Figura 5.20 apresenta a diferença máxima na probabilidade de colisão produzida pelas

variáveis seleccionadas no seu “pior” estado (aquele que produz a maior 𝑃𝐶) e no seu “melhor” estado

(aquele que induz a menor 𝑃𝐶) para o caso de estudo 1, excluindo a variável “OOW Assessment”. Esta

variável, aplicada isoladamente, produz uma variação da probabilidade de colisão de ∆𝑃𝑐𝑚𝑎𝑥 = 0.923

que é significativamente superior às demais.

Figura 5.20 - Diferença máxima da probabilidade do estado “Yes” do nó “Collision” produzida pelas variáveis no seu “melhor” e “pior” estado para o estudo de caso 3, excluindo a variável “OOW Assessment”

Esta análise de sensibilidade mostra que o horário é o factor que mais contribui para a variação

da probabilidade de colisão neste cenário em particular. A diferença na probabilidade de colisão é de

0.0034 quando se varia o estado da variável de “mau” para “bom”, isto é, quando o estado do nó “time

of day” é alterado de “night” para “day”. A detecção do radar, as condições climatéricas, a visibilidade

e a percepção visual apresentam também contribuições significativas para o modelo. Os procedimentos

organizacionais não têm qualquer influência na variável de saída, que representa a probabilidade de

ocorrência de uma colisão.

O modelo dinâmico desenvolvido no âmbito do projecto CyClaDes, que se centra na rede

bayesiana analisada, permite a inclusão do elemento humano no cálculo da probabilidade de colisão

considerando factores característicos do desempenho do operador. Mais tarde este modelo pode

fornecer as informações necessárias para proceder a uma análise de custo-benefício sobre a

implementação de melhorias no projecto de navios centrado no elemento humano, podendo ser

utilizado para o desenvolvimento e introdução de novas concepções.

0.0000 0.0005 0.0010 0.0015 0.0020 0.0025 0.0030 0.0035 0.0040

Procedures



Visibility

Weather

Radar detection

Time of day

ΔPcmax

85

6 Análise e gestão do risco de colisão

Neste momento existem diversas técnicas para identificar ameaças e cenários de forma a avaliar

e gerir os riscos. Entre as técnicas existentes o método Bowtie tem apresentado uma popularidade

crescente ao longo das últimas décadas, sobretudo no sector de petróleo e gás offshore. Esta

abordagem pretende demonstrar a identificação dos maiores perigos e a gestão dos riscos, e devido à

sua natureza gráfica, é particularmente útil para a comunicação de risco. O diagrama Bow-tie possui

características importantes que o tornam bastante útil para a modelação e análise de resiliência,

podendo revelar particularidades interessantes do sistema. Além disso a utilização de diagramas Bow-

tie permite também analisar e melhorar qualquer sistema, incluindo navios e sistemas marítimos através

de uma estratégia de duas camadas: uma que cria uma série de barreiras com o propósito de proteger

o sistema de perturbações externas e internas – absorvendo o choque e reduzindo a incerteza; e outra

que fornece ao sistema a aplicação de mecanismos de contingência e emergência, de forma a

minimizar as consequências negativas das interrupções que não puderam ser prevenidas –

caracterizando um plano de mitigação ou recuperação (Mansouri et al., 2009).

Os benefícios associados à utilização dos diagramas Bow-tie para gestão de risco têm sido

percepcionados por diversas organizações em variados sectores, pelo que a sua aplicabilidade foi

estendida para abranger o risco em vertentes como, por exemplo, financeira, estratégica, segurança,

qualidade, projecto ou recursos humanos. Também conhecidos como diagramas de barreira, consistem

num modelo estruturado de causas e efeitos de acontecimentos e possibilitam uma representação

gráfica do processo de avaliação de risco que pode ser facilmente entendido por indivíduos não

especializados.

Basicamente a abordagem possibilita uma visualização intuitiva das relações entre as causas de

acontecimentos indesejáveis, a intensificação de tais acontecimentos a uma gama de resultados

possíveis, as barreiras que previnem a ocorrências desses acontecimentos e as medidas existentes

que limitam as consequências. As medidas de prevenção e de mitigação podem estar ligadas a tarefas,

procedimentos, indivíduos responsáveis ou competências.

A análise é iniciada no acontecimento/interrupção indesejável, apresentado a meio do diagrama,

estando este tipicamente relacionado com um perigo específico. À esquerda estão ilustradas as

possíveis causas dos acontecimentos indesejáveis, e as consequências que se podem seguir estão

apresentadas à direita. Estão implementadas diversas barreiras e funções de segurança que previnem

a ocorrência de um acontecimento indesejável, ou que mitigam as consequências dada a ocorrência

desse mesmo acontecimento. A eficácia de cada uma das barreiras definidas pode ser afectada por

factores externos ou internos. Estes factores ou modos de falha da barreira podem ser modelados

como factores de agravamento (escalation factors), que por sua vez podem ser regulados por controlos

de factores de agravamento (escalation factor control), que podem ser entendidos como barreiras

secundárias.

86

Figura 6.1 - Exemplo de um diagrama Bow-tie genérico

A análise de diagramas Bow-tie para um único perigo envolve os passos seguintes (Rausand,

2011):

Especificar o acontecimento perigoso (qual é, onde e quando ocorre);

Identificar as ameaças ou acontecimentos que podem desencadear, de forma singular ou

combinada, a ocorrência do acontecimento perigoso;

Listar as barreiras proactivas existentes e viáveis, relacionadas com o acontecimento perigoso

e com os riscos identificados, e inseri-las no diagrama;

Identificar os possíveis acontecimentos sequenciais que se dão após o acontecimento

perigoso;

Listar as barreiras reactivas existentes e viáveis que podem interromper a sequência ou reduzir

as consequências, e inseri-las no diagrama;

Listar todas as possíveis consequências que resultam do acontecimento indesejável;

Identificar influências da engenharia, manutenção e actividade operacional nas várias barreiras

e ilustrar essas influências no diagrama.

Um dos passos mais importantes da análise Bow-tie é a identificação das barreiras que, por norma,

são uma combinação de medidas técnicas, humanas e organizacionais que previnem ou protegem o

sistema de um efeito adverso. A categorização de barreiras baseada na análise de um modelo bow-tie

faz a distinção entre barreiras de redução de frequência – que podem ser de evitação ou de prevenção

– e barreiras de redução de consequências – que podem ser de controlo ou de mitigação.

Reason (1997) classifica as barreiras de acordo com objectivos práticos, sendo sugeridos os seguintes

sete objectivos (adaptado de Rausand (2011)):

1. Criar compreensão e consciencialização dos perigos locais;

2. Dar uma orientação clara de como operar em segurança;

3. Providenciar alarmes e avisos quando o perigo é eminente;

87

4. Restaurar o estado seguro do sistema perante uma situação fora do normal;

5. Interpor barreiras de segurança entre os perigos e os potenciais danos;

6. Conter e eliminar os perigos que escaparem a esta barreira;

7. Providenciar meios de evacuação e salvamento caso falhe a barreira de contenção.

É ainda considerada uma importante distinção entre funções de barreira, isto é o seu propósito,

e sistemas de barreira que descrevem os meios pelos quais as funções de barreira são levados a cabo.

Hollnagel (2008) apresentou uma classificação de sistemas de barreira baseado em quatro categorias

principais: sistemas de barreiras físicas ou materiais, sistemas de barreiras funcionais, sistemas de

barreiras simbólicas e sistemas de barreiras imateriais. A descrição destas barreiras foi desenvolvida

no capítulo 3, uma vez que esta abordagem foi utilizada pela metodologia TRACEr para a codificação

das barreiras existentes, aquando da análise de acidentes desempenhada anteriormente.

Trbojevic & Carr (2000) desenvolveram uma aplicação do método Bow-tie no sector marítimo

para melhorar a segurança nos portos. Neste estudo a identificação dos perigos e a avaliação

qualitativa do risco foram realizados de forma a estabelecer barreiras que estão ou deveriam estar

implementadas de modo a prevenir a progressão dos perigos. Neste caso o acontecimento principal é

um erro de pilotagem, que pode ter início num comando inapropriado dado pelo piloto ou numa falha

de execução do comando cometida pela tripulação. As consequências definidas neste estudo podem

ser um encalhe, perda de vida ou um derrame. A cada ameaça está associada uma ou mais barreiras,

que podem prevenir ou minimizar a probabilidade de ocorrência do acontecimento perigoso. Este

estudo inclui ainda factores de agravamento, associados a algumas barreiras, e ainda os respectivos

controlos ou barreiras secundárias.

6.1 Modelo Bow-tie do risco de colisão

Nesta secção pretende-se desenvolver um modelo Bow-tie adaptado a acidentes marítimos,

mais concretamente a colisões. Para isso foi utilizado uma versão experimental de um software

comercial, o BowTie Pro. Este modelo foi desenvolvido a partir da rede bayesiana apresentada

anteriormente e da metodologia TRACEr, sobretudo através da utilização dos factores de desempenho

e das barreiras definidas.

O desenvolvimento do modelo iniciou-se com a definição do perigo e do acontecimento crítico,

tendo sido considerado um perigo de navegação que pode originar uma colisão devida a um erro

humano. Posteriormente foram definidas as ameaças, à esquerda do acontecimento, e as

consequências, à direita do mesmo. Desta forma considerou-se como ameaças: uma falha na

detecção, a baixa competência do operador, um fraco desempenho do operador ou uma acção errada

por parte do operador. À direita é possível observar que como possíveis consequências podemos

registar perda de vida humana ou danos ambientais. Na figura 6.2 é apresentada uma versão

88

simplificada do modelo Bow-tie para colisões, onde se observam apenas as ameaças, o acontecimento

acidental e possíveis consequências.

Figura 6.2 - Modelo Bow-tie simplificado (ameaças e consequências)

Figura 6.3 - Modelo Bow-tie: barreiras de prevenção

O modelo Bow-tie desenvolvido pode ser observado na íntegra no anexo G, dada a

impossibilidade de o apresentar neste capítulo devido à sua dimensão. No entanto, o modelo será aqui

descrito através de alguns exemplos de forma a melhor se perceber o seu funcionamento.

Tal como foi explicado anteriormente são implementadas diversas barreiras e funções de

segurança que previnem a ocorrência do acontecimento indesejável, neste caso a colisão devido a um

erro humano, ou que mitigam as consequências dada a ocorrência da colisão. Para o desenvolvimento

do modelo foram identificadas diversas barreiras entre cada uma das ameaças e a ocorrência de

colisão, que podem ser observadas na figura 6.3. Por exemplo, quando um fraco desempenho do

operador é considerado como ameaça, foram identificadas as seguintes barreiras:

Influência positiva dos factores pessoais;

89

Boas condições de trabalho;

Comunicação eficaz com a equipa da ponte;

Correcta avaliação da situação por parte do operador.

Figura 6.4 - Modelo Bow-tie: factores de agravamento e respectivas barreiras secundárias para a ameaça OOW Poor Performance

Foram ainda identificados os factores de agravamento eventualmente associados a cada uma

das barreiras, bem como os respectivos controlos ou barreiras secundárias. Na figura 6.4 podem ser

90

observados os factores de agravamento e respectivos controlos associados às barreiras de prevenção

implementadas quando um mau desempenho do operador é uma ameaça à ocorrência de uma colisão.

Por exemplo, a barreira influência positiva dos factores pessoais está associada aos seguintes factores

de agravamento:

Fadiga, que pode ser controlado pela variação das horas de trabalho ou por procedimentos

organizacionais;

Intoxicação, que pode ser controlado pelas orientações formais (regras, restrições, leis,

orientações ou proibições) e informais (auto-contenção, normas éticas, morais, pressão social

ou grupal).

Nível de stresse elevado, passível de controlo a partir de uma correcta alocação de tarefas e

responsabilidades.

De uma forma geral as barreiras definidas consideram os factores de desempenho incluídos na

metodologia TRACEr – factores pessoais, comunicação, treino/experiência, aspectos relacionados com

o ambiente externo e interno e factores organizacionais -, a utilização de determinados equipamentos,

o comportamento/acção do operador, as barreiras consideradas no TRACEr e convenções/códigos

implementados pela IMO. Os factores de agravamento foram seleccionados tendo em vista os

resultados obtidos com a análise estatística efectuada anteriormente à base de dados tendo sido

considerados, na sua maioria, aqueles que se afiguravam como mais influenciadores da ocorrência de

colisões. Por exemplo, no caso da barreira boas condições de trabalho foram considerados como

factores de agravamento o horário nocturno, as condições meteorológicas e um mau ambiente a bordo

do navio (ver figura 4.11).

Após terem sido definidas as barreiras de prevenção foram identificadas, entre o acontecimento

acidental e cada uma das possíveis consequências, as barreiras de mitigação que podem ser

observadas na figura 6.5. Por exemplo, quando se analisou a perda de vida humana como

consequência de colisões entre navios foram identificadas as seguintes barreiras de mitigação:

Características do projecto do navio;

Secções 7 (Shipboard Operations) e 8 (Emergency Preparedness) do ISM (International Safety

Management) Code;

Plano e instruções de evacuação eficientes;

Capítulo III (Life-saving appliances and arrangement) da convenção internacional SOLAS

(Safety Of Life At Sea);

LSA (Live-saving Appliance) Code implementado pela IMO;

Capítulo VI (Emergency, occupational safety, medical care and survival functions) da

convenção internacional STCW (Standards of Training, Certification and Watchkeeping for

Seafarers);

Convenção internacional SAR (Maritime Search and Rescue)

Eficácia das operações de busca e salvamento

Assistência médica

91

Figura 6.5 - Modelo Bow-tie: Barreiras de mitigação

Figura 6.6 - Modelo Bow-tie: factores de agravamento e respectivas barreiras secundárias para a consequência Loss of life

92

Tal como para as barreiras de prevenção foram ainda identificados os factores de agravamento

eventualmente associados a cada uma das barreiras de mitigação, bem como os respectivos controlos

ou barreiras secundárias. Na figura 6.6 podem ser observados os factores de agravamento e

respectivas barreiras secundárias implementadas quando se analisa a perda de vida humana como

consequência de uma colisão. Por exemplo, para a barreira plano e instruções de evacuação eficientes

foi identificado como factor de agravamento a possibilidade de se tratar de um navio de passageiros.

Neste caso são implementadas as seguintes barreiras secundárias:

Identificação dos passageiros de acordo com a regulação 27 do capítulo III da convenção

internacional SOLAS;

IMO MSC/Circ.1238, que fornece orientações para a análise de evacuação de navios de

passageiros;

Capítulo V da convenção internacional STCW que define os requisitos de treino específico para

a tripulação de navios de passageiros, tais como, treino para gestão de multidões.

No anexo H é apresentada uma descrição completa das ameaças, barreiras, factores de

agravamento e respectivos controlos considerados no desenvolvimento do modelo.

93

7 Conclusões e Recomendações

7.1 Conclusões

Nesta dissertação foram analisados em detalhe 70 colisões e 55 encalhes codificados com a

metodologia TRACEr em que os erros ocorridos se relacionavam com a interface homem-máquina.

Foram identificados 418 erros de tarefa, dos quais 97.1% foram desempenhados na ponte e os

restantes 2.9% na casa da máquina. O estudo desenvolvido permitiu observar que para a totalidade

dos acidentes codificados a maioria dos erros ocorre em tarefas de navegação (33.5%), monitorização

do tráfego marítimos (21.1%) e supervisão (19.21%). Quando se observam separadamente os

resultados para os dois tipos de acidentes marítimos conclui-se que para as colisões a maioria dos

erros ocorre em tarefas de monitorização do tráfego marítimo (34.2%) e em tarefas de navegação

(31.1%). Já em situações de encalhe é em tarefas de navegação (35.7%) e supervisão (27.1%) que se

identifica a maioria dos erros cometidos. Foi possível ainda identificar que as sub-tarefas em que ocorre

a maioria erros sendo estas, monitorização de equipamento (25.5%) para as colisões e supervisão das

tarefas na ponte (16.%) para os encalhes. Estes erros manifestam-se sob a forma de omissões, sendo

esse o principal modo de erro externo observado tanto para colisões (24.5%) como para encalhes

(29.5%). Olhando para o contexto interno em que o operador desempenhou o erro, os principais

domínios cognitivos envolvidos são a tomada de decisão (42.4% para colisões e 34.3% para encalhes)

e a percepção (28.6% para colisões e 31% para encalhes), o que sugere que o operador recebeu uma

informação crucial, processou-a correctamente mas, no entanto, chegou a uma conclusão errada e por

isso tomou uma decisão incorrecta, ou por outro lado, o operador não recebeu qualquer informação de

forma a poder processá-la e poder decidir em conformidade.

A análise destes acidentes marítimos permitiu ainda identificar quais os factores que afectaram

o desempenho do operador, estando a sua maioria associada ao ambiente externo/interno (33.2% para

colisões e 29.5% para encalhes) ou a factores de natureza organizacional (22.9% para colisões e 31.9%

para encalhes). Quando se observam estes factores de forma mais detalhada verifica-se que, para

situações de colisão, é nas condições meteorológicas (14.6%), no horário (10.1%) e na fadiga corporal

do operador (8%) que residem os principais factores de agravamento. Para os encalhes analisados os

principais factores de desempenho identificados são os procedimentos organizacionais (9.1%), a falta

de informação (8%) e as condições meteorológicas (7.5%).

De uma forma geral, para um cenário de colisão, a maioria dos erros ocorre na monitorização

de equipamento associada ao controlo do tráfego marítimo, sendo o radar o principal equipamento

técnico envolvido (40.5%). Ainda que a ponte seja eficaz do ponto de vista ergonómico, os resultados

obtidos mostram que, em muitas situações, o operador confia num só equipamento esquecendo-se de

monitorizar outros equipamentos auxiliares ou não utiliza o equipamento em causa de forma

apropriada. Este facto explica que os principais modos de erro interno sejam uma decisão ou

planeamento incorrecto, associado ao domínio da tomada de decisão, e a ausência de detecção que

se relaciona com a percepção do operador. Quando a esta problemática se associam factores

ambientais externos, como as condições meteorológicas ou o período nocturno, ou ainda factores de

94

ordem pessoal como a fadiga corporal do operador, estão reunidas condições de risco que podem

resultar numa colisão.

Para um cenário de encalhe regista-se uma elevada percentagem de erros associados à

supervisão de tarefas na ponte, o que denuncia um ambiente frágil, muitas vezes motivado pela

ausência de uma supervisão eficaz, e mais susceptível à influência negativa de factores

organizacionais. Embora os factores ambientais externos/internos, como as condições meteorológicas,

o horário e o ambiente a bordo, apresentem uma importância significativa são os factores de natureza

organizacional como os procedimentos, a supervisão e as características da tripulação que mais

influenciam o desempenho do operador.

Posteriormente foi efectuada uma análise de sensibilidade com o objectivo de identificar os

parâmetros com maior influência na probabilidade de colisão calculada através de uma rede bayesiana.

A rede bayesiana estudada foi desenvolvida no âmbito do projecto CyClaDes e integra elementos da

metodologia TRACEr focando-se no cálculo da probabilidade de colisão. Foram aplicadas diferentes

medidas de sensibilidade para dois nós: o nó “collision” - que avalia a influência das variáveis sobre a

probabilidade de colisão – e o nó “OOW Performance” – que estuda o impacto das variáveis

seleccionadas na probabilidade de um fraco desempenho por parte do operador.

A análise de sensibilidades mostrou que as variáveis com maior influência na probabilidade de

colisão são: a detecção do sistema de navegação – que compreende o auxílio à navegação pelos

diferentes sistemas (radar, ECDIS e cartas de navegação) –, a familiarização do operador com a

navegação numa dada área e o horário (diurno/nocturno). Outras variáveis como as condições

meteorológicas, a utilização do radar como sistema de detecção, a visibilidade, a percepção visual, o

ambiente a bordo ou o stresse e a fadiga do operador têm também um impacto significativo na

probabilidade de colisão. Os factores relacionados com a comunicação, treino/competência ou os

factores organizacionais apresentam uma influência muito reduzida sobre o nó “colisão”.

Relativamente ao nó “OOW Performance” verifica-se que as variáveis que induzem uma maior

variação da probabilidade de um fraco desempenho do operador são: as condições meteorológicas, o

stresse, a visibilidade, a fadiga, o ambiente a bordo e o horário. A possibilidade de ocorrerem problemas

relacionados com a interface homem-máquina, uma má percepção visual, uma falha no sistema de

detecção, treino inadequado ou a falta de experiência/orientação influenciam também

significativamente o desempenho do operador. Embora produzam alterações no desempenho

individual, os factores organizacionais, como a supervisão, as características da tripulação ou os

procedimentos, apresentam um impacto pouco significativo.

As observações registadas permitem verificar que a rede bayesiana estudada atribui particular

importância à detecção, quer visual - motivo pelo qual factores como a visibilidade, as condições

meteorológicas ou a familiarização se assumem como variáveis determinantes - quer por parte dos

sistemas de apoio à navegação, onde se inclui a utilização do radar ou a interface homem-máquina.

Desta forma verifica-se que a análise de sensibilidades efectuada para ambos os nós (colisão e

desempenho do operador) corrobora a análise de acidentes apresentada anteriormente, onde a maioria

dos erros ocorria em tarefas relacionadas com a monitorização do tráfego marítimo e em que a

ausência de detecção surge como uma das principais fontes de erro.

95

Posteriormente, e tendo sido percepcionada a importância da existência de barreiras que

previnam a ocorrência de acidentes ou que mitiguem as consequências a estes associadas foi

desenvolvido um modelo bow-tie adaptado a acidentes marítimos, mais concretamente a um cenário

de colisão, para análise de resiliência com o objectivo de modelar barreiras de prevenção e de

mitigação à ocorrência de colisões. O modelo desenvolvido a partir da rede bayesiana estudada e da

metodologia TRACEr considera como acontecimento crítico a colisão devida a um erro humano, tendo

sido definidas ameaças à ocorrência do acidente – falha na detecção, baixa competência, fraco

desempenho ou acção errada do operador – e as consequências do mesmo – perda de vida humana

e danos ambientais. Os resultados obtidos na análise de acidentes possibilitaram a selecção de

variáveis que se manifestaram influentes em cenário de colisão, permitindo assim a definição de

barreiras de prevenção e de mitigação de acordo com as ameaças e as consequências a analisar. De

um modo geral as barreiras implementadas consideram não só as barreiras e os factores de

desempenho que integram a metodologia TRACEr (factores pessoais, comunicação,

treino/experiência, ambiente externo/interno e factores organizacionais), mas também a utilização de

determinados equipamentos ou o comportamento/acção do operador. Além disto foi feito um esforço

por incluir as convenções e códigos implementados pela IMO que abrangem um variado leque de áreas,

desde requisitos estruturais até às operações de busca e salvamento passando por planos de combate

a incêndios ou poluição.

Através da representação do diagrama Bow-tie é possível obter uma visão global clara dos

diferentes cenários, bem como a identificação das barreiras de segurança presentes em cada cenário.

A aplicação de medidas e sistemas de controlo de risco tem como objectivo a redução da probabilidade

da ocorrência de acidentes, da gravidade da consequência ou ambos. Embora a prioridade seja

eliminar as ameaças, o que nem sempre é possível, é importante que se desenvolvam sistemas e

organizações cada vez mais resilientes, capazes de recuperar de um erro a partir da implementação

de barreiras de prevenção e de mitigação.

7.2 Recomendações para trabalhos futuros

Os estudos desenvolvidos ao longo deste trabalho no domínio da análise de acidentes podem ser

aprofundados através de:

Análise da fiabilidade das codificações efectuadas, o que permitiria verificar se diferentes

peritos codificam um determinado acidente da mesma forma;

Análise de um sub-grupo de acidentes de colisões e encalhes ocorridos em condições

ambientais adversas, de forma a identificar padrões de desempenho das tripulações em

cenários mais severos.

Aplicação da metodologia TRACEr a outro tipo de acidentes marítimos, como por exemplo,

incêndios ou explosões;

96

Análise de determinados acidentes com diferentes metodologias, por exemplo o TRACEr e o

EMCIP, o que permitiria avaliar a capacidade das diferentes metodologias na análise de

acidentes e a possibilidade destas se complementarem. Além disso podem ser incluídas

medidas de avaliação dos factores humanos internos e cognitivos procedentes do TRACEr na

metodologia EMCIP;

Em relação à Rede Bayesiana estudada, tal como já foi mencionado, esta pode ser utilizada para

proceder a uma análise de custo-benefício sobre a implementação de melhorias no projecto de navios

centrado no elemento humano.

O diagrama Bow-tie desenvolvido poderia ser futuramente utilizado como modelo de quantificação

do risco, permitindo a identificação de possíveis soluções com o objectivo de reduzir o risco e as

consequências inerentes ao cenário de colisão. A junção do modelo Bow-tie com diferentes modelos

matemáticos para avaliação de risco constitui uma possível evolução. Além disto, a análise de

resiliência efectuada nesta dissertação não considerou efeitos simultâneos nem dependência entre

barreiras, que tem que ser tida em conta numa análise de resiliência. Para isso teriam que ser aplicados

outros métodos, como por exemplo o FRAM (Functional Resonance Analysis Method) sugerido por

Hollnagel, com o objectivo de modelar as funções de um sistema e os potenciais acoplamentos entre

funções.

97

Referências

Antão, P. (2011). O Factor Humano na Segurança do Transporte Marítimo. Universidade Técnica de Lisboa - Instituto Superior Técnico.

Antão, P., Grande, O., Trucco, P., & Guedes Soares, C. (2008). Analysis of maritime accident data with BBN modeling. In S. Martorell, C. Guedes Soares, & J. Barnett (Eds.), Safety, Reliability and Risk Analysis - Theory, Methods and Applications (pp. 3265–3274). Balkema, Taylor & Francis Group.

Antão, P., & Guedes Soares, C. (2009). Análise de dados de Acidentes Marítimos Através de um Modelo de Redes Bayesianas. In C. G. Soares, C. Jacinto, A. P. Teixeira, & P. Antão (Eds.), Riscos Industriais e Emergentes (pp. 877–893). Lisboa: Edições Salamandra.

Antão, P., & Guedes Soares, C. (2010). Analysis of the Influence of Waves in the Occurrence of Accidents in the Portuguese Coast Using Bayesian Belief Networks. Journal of Konbin, 13(Safety and Reliability Systems), 105–116.

Caridis, P. (1999). Casualty Analysis Methodology for Maritime Operations. In Final Report of the European Research Project CASMET.

Clausen, H. B., Lützen, M., Friis-Hansen, A., & Bjørneboe, N. (2001). Bayesian and Neural Networks For Preliminary Ship Design. In Pratical Design of Ships and Other Floating Structures (pp. 349–356). Proceedings of the International Symposium on Practical Design of Ships and Other Floating Structures, 16 - 21 Setembro 2001, Shangai, China.

Correia, P. (2010). European Marine Casualty Information Platform a common EU taxonomy. In 5th International Conference on Collision and Grounding of Ships (pp. 13–16). Espoo , Finland.

Coss, J. (2011). Tools for Anticipating Potential Problems in Biosecurity Applications ACERA Project No . 0606.

Edwards, E. (1972). Man and machine: Systems for safety. In B. A. P. Associations (Ed.), Proc. of British Airline Pilots Associations Technical Symposium (pp. 21–36). London.

Embrey, D. E. (1986). SHERPA: A Systematic Human Error Reduction and Prediction Approach. In Proceedings of the International Topical Meeting on Advances in Human Factors in Nuclear Power Plants (pp. 184–193). American Nuclear Society.

Graziano, A., Teixeira, A. P., & Guedes Soares, C. (2014). Application of the TRACEr taxonomy for the codification of grounding and collision accidents. In C. Guedes Soares & T. Santos (Eds.), Maritime Technology and Engineering (pp. 215–226). CRC Press.

Guedes Soares, C., Teixeira, A. P., & Antão, P. (2000). Accounting for Human Factors in the Analysis of Maritime accidents. In J. Cottam, M.P., Harvey, D.W., Pape, R.P. & Tait (Ed.), Foresight & Precaution (pp. 521–528). Edimburgh, Scotland: Balkema.

Hänninen, M., & Kujala, P. (2012). Influences of variables on ship collision probability in a Bayesian belief network model. Reliability Engineering & System Safety, 102, 27–40. doi:10.1016/j.ress.2012.02.008

Hansson, S. O., & Helgesson, G. (2003). What is stability? Synthese, 136, 219–235.

Harms-Ringdahl, L. (2013). Guide to safety analysis for accident prevention. Stockholm, Sweden: IRS Riskhantering AB.

98

Helle, I., Lecklin, T., Jolma, A., & Kuikka, S. (2011). Modeling the effectiveness of oil combating from an ecological perspective - A Bayesian network for the Gulf of Finland; the Baltic Sea. Journal of Hazardous Materials, 185, 182–192.

Hofmann, S., & Schröder-Hinrichs, J. (2013). CyClaDes Task 1.2 Incident and accident analysis. World Maritime University, Sweden.

Hollnagel, E. (1993). The phenotype of erraneous actions. International Journal of Man-MAchine Studies, 39(1), 1–32.

Hollnagel, E. (1998). CREAM - Cognitive Reliability and Error Analysis Method. Oxford: Elsevier Science.

Hollnagel, E. (2004). Barriers and Accident Prevention. Aldershot, UK: Ashgate.

Hollnagel, E. (2005). Human Reliability Assessment in Context. Nuclear Engineering and Technology, 37(2), 159–166.

Hollnagel, E. (2008). Risk + barriers = safety? Safety Science, 46(2), 221–229.

Hollnagel, E., Woods, D. D., & Leveson, N. (Eds.). (2006). Resilience engineering: Concepts and precepts. Aldershot: Ashgate Publishing Limited.

IMO. (1997). Code for the investigation of marine casualties and incidents. Resolução A.849(20).

IMO. (2000). Amendments to the code for the investigation of marine casualties and incidents (resolution A.849(20)). Resolução A.884(21).

IMO. (2006). Formal Safety Assessment - Consideration on utilization of Bayesian network at step 3 of FSA - Evaluation of the effect of ECDIS, ENC and Track control by using Bayesian natwork. MSC 81/18/1.

IMO. (2008). Casualty-related matters, Reports on marine casualties and inicdents - Revised harmonized reporting procedures - reports required under SOLAS regulation I/21and MARPOL 73/78 articles 8 and 12. MSC-MEPC.3/Circ.3.

Jansen, F. (2001). Bayesian Networks and Decision Graphs. New York: Springer-Verlag.

Kirwan, B. (1994). A guide to practical Human Reliability Assessment. London, UK: Taylor & Francis.

Kirwan, B. (1998). Human error identification techniques for risk assessment of high risk systems; Part 1: Review and evaluation of techniques. Applied Ergonomics, 29(3), 157–177.

Kristiansen, S. (1995). An Approach for Systematic Learning from Accidents. In IMAS’95: Management and Operation of Ships. London, UK: The Institute of Marine Engineers.

Kristiansen, S. (2005). Maritime Transportation: Safety Management and Risk Analysis. Elsevier Butterworth-Heinemann.

Kristiansen, S. (2010). A BBN approach for analysis of maritime accident scenarios. In B. J. M. Ale, I. A. Papazoglou, & E. Zio (Eds.), Reliability, Risk and Safety (pp. 382–389). London: Taylor & Francis Group.

Kristiansen, S., Koster, E., Schmidt, W. F., Olofsson, M., Guedes Soares, C., & Caridis, P. (1999). A New Methodology for Marine Casualty Analysis Accounting for Human and Organisational Factors. Londres: Proceedings of the International Conference on Learning from Marine Incidents.

99

Liebl, A., Haller, J., Jödicke, B., Baumgartner, H., Schlittmeier, S., & Hellbrück, J. (2012). Combined effects of acoustic and visual distraction on cognitive performance and well-being. Applied Ergonomics, 43(2), 424–34.

Madonna, M., Martella, G., Monica, L., Maini, E. P., & Tomassini, L. (2009). The Human factor in risk assessment: methodological comparison between human reliability analysis techniques. Prevention Today, 5(1/2), 67–83.

Mansouri, M., Mostashari, A., & Nilchiani, R. (2009). A Decision Analysis Framework for Resilience Strategies in Maritime Systems.

Martins, M. R., & Maturana, M. C. (2013). Application of Bayesian Belief networks to the human reliability analysis of an oil tanker operation focusing on collision accidents. Reliability Engineering & System Safety, 110, 89–109.

McDaniels, T., Chang, S., Cole, D., Mikawoz, J., & Longstaff, H. (2008). Fostering resilience to extreme events within infrastructure systems: Characterizing decision contexts for mitigation and adaptation. Globe Environmental Change, 18(2), 310–318.

Norrington, L., Quigley, J., Russell, A., & Van der Meer, R. (2008). Modellig the reliability of search and rescue operations with Bayesian Networks. Reliability Engineering & System Safety, 93(7), 940–949.

Or, I., & Kahraman, I. (2002). A simulation study of the accident risk in the Istanbul Channel. International Journal of Emergency Management, 1, No.2, 110–124.

Pedrali, M., Trucco, P., Cagno, E., & Ruggeri, F. (2004). Using BBN for Integrating Human and Organisational Factors in Risk Analysis. A Case Study for the Marine Industry. In 2nd International ASRANet. Barcelona, Spain.

Rasmussen, J. (1987). The definition of human error and taxonomy for technical system design. In J. Rasmussen, K. Duncan, & J. Leplat (Eds.), New technology and human error. Toronto: John Wiley & Sons.

Rasmussen, J., & Member, S. (1983). Skills , Rules , and Knowledge ; Signals , Signs , and Symbols , and Other Distinctions in Human Performance Models. IEEE Transactions on Systems, Man and Cybernetics, 13(3), 257–266.

Rausand, M. (2011). Risk Assessment: Theory, Methods and Applications. Statistics in Practice: John Wiley & Sons.

Reason, J. (1990). Human Error. Cambridge, United Kingdom: Cambridge University Press.

Reason, J. (1997). Managing the Risks of Organizational Accidents. Aldershot, UK: Ashgate.

Shorrock, S. T., & Kirwan, B. (2002). Development and application of a human error identification tool for air traffic control. Applied Ergonomics, 33(4), 319–36.

Swain, A. D., & Guttmann, H. E. (1983). Handbook of human reliability analysis with emphasis on nuclear power plant applications. Washington DC, USA: US Nuclear Regulatory Commission, Report No. NUREG/CR-1278.

Trbojevic, V. M., & Carr, B. J. (2000). Risk based methodology for safety improvements in ports. Journal of Hazardous Materials, 71, 467–480.

Trucco, P., Cagno, E., Grande, O., & Ruggeri, F. (2006). A Bayesian Approach for Integrating Organizational Factors in Risk Analysis: A Case Study in Maritime. In C. Guedes Soares & E. Zio

100

(Eds.), Safety and Reliability for Managing Risk (pp. 443–450). Balkema, Taylor & Francis Group, Volume I.

Trucco, P., Cagno, E., Ruggeri, F., & Grande, O. (2008). A Bayesian Belief Network modelling of organisational factors in risk analysis: A case study in maritime transportation. Reliability Engineering & System Safety, 93(6), 845–856.

Ventikos, N., & Vagias, N. (2010). A Bayesian Network Application for the prediction of human fatigue in maritime industry. Athens, Greece: National Technical University of Athens.

Wickens, C. D., Gordon, S., & Liu, Y. (1998). Introduction to Human Factors Engineering (1a ed.). Nova Iorque, EUA: Addison-Wesley-Longman.

Wiegmann, D. A., & Shappell, S. A. (2001). Human Error Perspectives in Aviation. The International Journal of AviationPsychology, 11(4), 341–357.

Williams, J. C. (1986). HEART - a proposed method for assessing and reducing human error. In 9th Advances in Reliability Technology Symposium. University of Bradford.

Woods, D. D. (2000). Behind human error: Human factors research to improve patient safety. In National summit on medical errors and patient safety research. Washington: Quality Inter-agency Coordination Task Force and Agency for Healthcare Research and Quality.

Yoshimura, K., Takemoto, T., Murata, S., & Mitomo, N. (2014). A Study for Adapting a Human Reliability Analysis Technique to Marine Accidents. In Probabilistic Safety Assessment and Management PSAM 12. Honolulu, Hawaii.

Zhang, D., Yan, X. P., Yang, Z. L., Wall, A., & Wang, J. (2013). Incorporation of formal safety assessment and Bayesian network in navigational risk estimation of the Yangtze River. Reliability Engineering & System Safety, 118, 93–105.

101

Anexos

103

Anexo A: TRACEr

1. General Information

IMO vessel number/call sign

Note the IMO vessel number, when indicated. Otherwise please note the call sign of the vessel for identification.

Name of vessel Name of the vessel at the time of the occurrence as indicated in the report.

Date of occurrence The date of the occurrence as indicated in the report.

Geographical position Insert the GPS location of the vessel when the incident occurred.

Severity of occurrence Mitigated or total loss; Near-miss

Type of occurrence Fire, Explosion, Grounding, Foundering, Stranding, Capsized, Listed, Flooded, Collision, Hull, Machinery, others

Flag state The flag state of the vessel at the time of the occurrence (when indicated in the report)

Type of vessel Tankers, combined carriers, product carriers, gas carriers, chemical carriers, bulk carriers, Ro-Ro, tween deckers, container carriers, reefers, cruise, ferry

Deadweight or GRT The deadweight or GRT of the vessel as indicated in the report.

Age of vessel The age of the vessel at the time of occurrence, in years should be noted. Please chose the correct age from the drop-down list.

Station on the vessel The location on the vessel where the incident was triggered should be chosen from the drop-down list.

2. Task error

Operator performing the task error

Bridge Chose the operator from the drop-down list

Deck Chose the operator from the drop-down list

Engine (Control)Room Chose the operator from the drop-down list

Others Please indicate in writing

User Task

Bridge

Internal communication Communication between crew members.

External communication Communication between a crew member and a third party on another vessel or ashore.

Hand-over/take-over Some relevant information was not passed on during the hand-over process. This information was crucial and led or contributed to the accident.

Safety drills The safety drills were not performed according to the regulations. This led to a situation where an emergency could not get under control.

Supervision Supervision was not performed with care. A mistake was not noticed and led to the incident.

Navigation A navigational error occurred and led to an emergency situation.

Traffic monitoring The traffic was not monitored with enough attention, critical information was not perceived and this led to an incident.

Voyage planning incl. preparation

An error occurred during voyage planning. The error was not discovered and led to a risky situation.

Other tasks Any other task related to the bridge personnel which was not performed properly and had serious consequences.

Deck


External communication Communication between a crew member and a third party on another vessel or ashore.


Safety drills The safety drills were not performed according to the regulations. This led to a situation where an emergency could not be controlled.

Supervision Supervision was not performed with care. A mistake was not noticed and led to an incident.

104

Mooring operations During mooring operations a mistake was made that had negative consequences.

Cargo-work During cargo-handling work a mistake led to an emergency situation.

Maintenance work During maintenance work an error led to a risky situation.

Other tasks Any other task that was performed by the deck personnel and which was performed faultily and led to an incident.

Engine (Control) Room



Safety drills The safety drills were not performed according to the regulations. This led to a situation where an emergency could not be controlled.

Supervision Supervision was not performed with care. A mistake was not noticed and led to the incident.

Monitoring of engine room control panel

The monitoring of the engine room control panel was not performed with enough care and this action led to an emergency.

Maintenance of equipment During maintenance work an error led to a risky situation.

Other tasks Any other task that was performed by the engine room personnel and which was performed faultily and led to an incident

3. Error Information

User Material

Bridge

Radar Information from the radar was read out or interpreted wrongly or not taken into account.

GPS Information from the GPS was read out or interpreted wrongly or not taken into account.

ECDIS Information from the ECDIS was read out or interpreted wrongly or not taken into account.

AIS Information from the AIS was read out or interpreted wrongly or not taken into account.

Echo Sounder Information from the echo sounder was read out or interpreted wrongly or not taken into account.

Autopilot Faulty interaction with the autopilot led to the incident.

Steering panel Faulty interaction with the steering panel led to the incident.

External equipment Faulty interaction with the external equipment led to the incident.

Sea chart Information from the sea chart was read out or interpreted wrongly or not taken into account.

VHF Problems with the VHF led to the occurrence of an error.

Other communication devices Problems with the other communication devices led to the occurrence of an error

Alarm panels Information from alarm panels was read out or interpreted wrongly or not taken into account.

Engine room controls Information from engine room controls was read out or interpreted wrongly or not taken into account.

Checklists, Forms… Checklists or forms were not filled out as required leading to an incidence.

Handbooks Information from handbooks was read out or interpreted wrongly or not taken into account.

Decision support system (paper, electronic)

Faulty interaction with the decision support systems led to the incident.

Stairs, ladders An error occurred while the operator was using the stairs or ladders.

Other material Other material was used when the error occurred.

No technical equipment involved

The task error did not involve a human-machine/tool-interface

Deck

Communication devices Problems with communication devices led to the occurrence of an error.

Monitoring devices Problems with monitoring devices led to the occurrence of an error

105

Loading devices (cranes, pumps)

Problems with loading devices led to the occurrence of an error

Mooring equipment Problems with mooring equipment led to the occurrence of an error

Forms, checklists Checklists or forms were not filled out as required leading to an incidence.

Other working tools Other working tools were used when the error occurred.

Ladders, staircases, … An error occurred while the operator was using the stairs or ladders.

Emergency response equipment

Problems with emergency response equipment led to the occurrence of an error





Main engine Problems with the main engine led to the occurrence of an error.

Auxiliary engine Problems with an auxiliary engine led to the occurrence of an error.

Engine control room panel Information from the Engine control room panel was read out or interpreted wrongly or not taken into account.

Fuel pumps Problems with fuel pumps led to the occurrence of an error.

Boilers Problems with boilers led to the occurrence of an error.

Turbo chargers Problems with turbo chargers led to the occurrence of an error.

Separators Problems with separators led to the occurrence of an error.

Ballast water pumps Problems with ballast water pumps led to the occurrence of an error.

Communication equipment Problems with communication equipment led to the occurrence of an error.

Forms, checklists Checklists or forms were not filled out as required leading to an incidence.

Handbooks Information from handbooks was read out or interpreted wrongly or not taken into account.

Generators Problems with generators led to the occurrence of an error.

Electricity control panel Problems with electricity control panel led to the occurrence of an error.

Stairs, ladders… An error occurred while the operator was using the stairs or ladders.

Steering system Problems with the steering system led to the occurrence of an error.




User activities

Bridge

Internal communication Communication between bridge officers, between officers and captain, between bridge and deck, between bridge and engine room, between bridge officers and helms man

External communication Communication between bridge and pilot, bridge and port employees, bridge and tug boat

Hand-over/take-over Hand-over between captain and officers, between officers

Safety drills Safety drills not performed with care

Supervision Supervision of deck work, bridge tasks, engine room work

Navigation Dead reckoning, radar navigation, satellite navigation, pilotage, …

Traffic monitoring Look out, monitoring equipment regarding traffic

Voyage planning incl. preparation Appraisal, planning, Manoeuvring, and monitoring

Other tasks Other tasks were performed unsatisfactorily leading to the error. Please indicate in writing.

Deck

Internal communication Communication between ABs/OSs, between bosun and AB/OS, between bridge and deck, between deck and engine room

External communication Communication between deck personnel and pilot, port employees, tug boat…

Hand-over/take-over Hand-over of tasks between AB/OS, between bosun and AB/OS


Supervision Supervision of deck work

Mooring operations Mooring in harbour, anchoring

106

Cargo-work In harbour, in route, loading, unloading

Maintenance work Painting, rust removal, maintenance of machinery



Internal communication Communication between engineers, between AB/OS, between AB/OS and engineers, between engine room and deck, between bridge and engine room

Hand-over/take-over Hand-over tasks between engineers, between AB/OS, between engineers and ABs/OSs


Supervision Supervision of engine room work

Monitoring of engine room control panel

The engine room control panel was not monitored at all or not monitored with care so that information was not registered, information was wrongly interpreted

Maintenance work Painting, rust removal, maintenance of machinery


Ship fixed information

Size and dimensions Fixed information about the built of the ship was not taken into account leading to an incident.

Manoeuvring characteristics Fixed information concerning the reaction of the ship to manoeuvres and its movement characteristics in water was not taken into account leading to an incident

Maine engine specifics, propulsion

Fixed information concerning the performance of a vessel’s machinery was not taken into account leading to an incident.

Stability of the vessel Information on how stable a ship in a certain situation is and how she reacts to a certain context was not taken into account leading to an incident

Ship variable information

Draught, trim, list, current stability Ship variable information concerning the current draught, list, trim or current stability issues were not taken into account leading to an incident.

Current propulsion, machinery deficiencies

Ship variable information concerning the current propulsion, machinery deficiencies or other issues were not taken into account leading to an incident.

Condition of navigational aids

Ship variable information concerning the current condition of navigational aids, i.e. problems or deficiencies, were not taken into account leading to an incident. Error margins or variations in the display of information were not taken into account.

4. Causality level

Type Description

Causal The operator’s action was the ultimate cause without which the incident would not have happened.

Contributory Error that contributed to the incident and occurred in addition to the causal error but the error would probably still have occurred.

Compounding Errors that made the situation worse and that occurred after the person realised that the situation was going to occur.

Non-contributory Other errors that occurred but had no bearing on the situation.

107

5. External Error Mode

Selection and quality Timing and sequence Communication

Omission

Action too much

Action too little

Action in wrong direction

Wrong action on right object

Right action on wrong object

Wrong action on wrong object

Extraneous act

Action too long

Action too short

Action too early

Action too late

Action repeated

Mis-ordering

Unclear information transmitted

Unclear information recorded

Information not sought/obtained

Information not transmitted

Information not recorded

Incomplete information transmitted

Incomplete information recorded

Incorrect information transmitted

Incorrect information recorded

6. Cognitive Domain

Perception Deals with the input of information and the question of whether or not the user received the necessary information in order to be able to process it

Memory Means that the user did perceive the information, but did not deal with the perceived critical situation or the crucial information in the way the he should have due to not remembering correctly or not knowing what to do

Decision-making Means that the user received the crucial information and processed it correctly, but came to a wrong conclusion and therefore took a wrong decision

Action Means that the user perceived and processed the information correctly, decided on a correct decision, but then made a mistake in the implementation of the action

Violation Means an intended violation of rules and regulations that finally led to the incident

7. Internal Error Mode

Perception

Mishear The signal(s) of technical equipment were not heard accurately.

Mis-see The signal of technical equipment was not seen properly. This aspect focusses on the ergonomic or physical part of human perception.

No detection (audio/visual) The signal of technical equipment was not seen or heard.

Late detection The signal of technical equipment was only detected when it was too late to correct the situation.

Repeat error Repeating a mistake leading to a worsening of the situation.

Misread The information from the technical equipment was misread.

Visual misperception The visual signal was inaccurately perceived/ misperceived by the operator.

Memory

Forget to monitor The operator forgot to monitor the technical equipment.

Omitted or late action The occurrence can be traced back to an operator who omitted to act or reacted late to a warning signal.

Forget temporary information The occurrence can be traced back to a user who temporarily forgot relevant information.

Forget store information The occurrence can be traced back to a failure in storing relevant information.

Mis-recall information/action The user recalls inaccurate information and provides an inaccurate account of his actions post incident.

Prospective memory failure Post-incident failure in recalling the event as it happened.

Forget to ask / share information The operator suffered from a lack of information as he forgot to ask for relevant information/ share relevant information with other crew members.

108

Decision making

Mis-projection Faulty interpretation of information.

Poor decision/planning A wrong decision taken that led to or could not prevent the occurrence.

Late decision/planning The decision was taken too late to prevent the occurrence.

No decision/planning No decision was taken to prevent the occurrence.

Action

Information/data entry error Wrong information was entered into the technical equipment

Selection error Wrong technical equipment was selected for performing a certain task.

Unclear information The information transferred to another party via technical equipment was not clear.

Incorrect information The information transferred to another involved party via technical equipment was not correct.

Non-performed action No action was taken in order to prevent the occurrence.

Timing error

The action taken was not faulty itself, but occurred at the wrong moment

Unclear information recorded The information that was recorded was not clear.

Information not transmitted Necessary information was not transmitted / transferred to the involved parties.

Violation

Routine violations On the vessel some informal work practise followed instead of complying with the formal rules. The formal rule was therefore routinely disobeyed.

Exceptional violation The formal rule was not followed only in this one scenario which led to the incident.

Sabotage The official rule was not followed with the intention to cause harm.

8. Psychological Error Mode

Perception

Expectation Information was not perceived properly as the operator was influenced by an expectation bias, i.e. the operator did only perceive the information that was expected and supported his view of the situation.

Confusion The operator confused the perceived information with something else.

Discrimination failure The operator perceived the information, but did not process it as he perceived it to be irrelevant

Tunnel vision The operator focused on one single technical equipment or piece of information, ignoring all the others and not perceiving the relevant information.

Overloaded The operator was overloaded with other information and therefore did not perceive the new information

Vigilance The operator did not perceive the necessary information due to lack of vigilance

Distraction The operator was distracted and therefore did not perceive the information

Memory

Memory confusion The operator got confused and used the wrong information for the given situation

Memory overloaded The Operator’s memory was overloaded as he was simultaneously processing other information.

Insufficient familiarisation The operator was not familiar with the kind of information that he should process and therefore erred in processing it.

Mental block Operator could not access the relevant information.

Distraction The operator was processing other information and therefore did not realize the relevance of the new information and failed to process it.

Similarity interference Due to the similarity of the character of the information the operator processed the information based on wrong assumptions.

109

Decision making

Misinterpretation The data were misinterpreted leading to a wrong decision.

Failure to consider side or long effects

The operator did not consider the long term or the side effects of the situation.

Mind set The mind set and world view of the operator had an important influence on the decision making and eventually led to a wrong decision.

Knowledge/competency problems The operator did not have the necessary competency or knowledge to make the right decision.

Decision freeze or overloaded The operator was overloaded with information or tasks and was therefore unable to make a decision.

Risk cognition failure The operator failed to recognize the risk in a given situation or the decision taken by him.

Action

Manual Variability The risky situation occurred due to a mistake in the manual handling of technical equipment.

Confusion The operator got confused and used the wrong technical equipment for the action he wanted to perform.

Habit intrusion Out of habit the operator handled the technical equipment in a certain way. However, this action led to a mistake in the given situation.

Distraction/preoccupation The operator was distracted or preoccupied with something else and therefore did not perform the necessary action.

Other slip Any other slip that occurred in the connection with the handling of technical equipment.

Violation

Stress/pressure Stress and pressure to perform lead to risky actions consciously violating existing rules.

Fatigue Bodily and cognitive fatigue leading to risk taking behaviour/risky decisions taken consciously.

Intoxication The operator is intoxicated due to alcohol, drugs or medicines and takes a risky decision consciously.

Lack of knowledge The operator takes a risk knowing about the rules that are being violated, but not being aware of/not knowing the potential consequences.

Emotional condition The operator is dissatisfied or emotional unstable leading him to willingly not follow the procedures and rules in place.

9. Performance Shaping Factors

Personal factors

Cognitive fatigue Cognitive fatigue influenced a person’s performance in an emergency situation.

Bodily fatigue Bodily fatigue influenced a person’s performance in an emergency situation.

Stress A person being qualitatively or quantitatively overloaded or under challenged which influenced his or her performance.

Intoxication A person was intoxicated either by alcohol, drugs, medicine or by engine fumes. This led to a limitation in the performance.

Emotional condition The person was preoccupied with some emotional matters and did therefore not perform according to usual level.

Aspects of communication/information

Ambiguous information The information received from technical equipment or other persons was ambiguous and the person therefore did not know which information to rely on.

Lack of information The person did not have the crucial information to hand in order to come to a good conclusion in a certain situation.

Wrong information The received information for a decision-making was wrong.

Language problems Misunderstandings occurred due to language problems.

Miscommunication Miscommunication occurred for various reasons.

Training/competence

Lack of experience The person was working under a lack of experience and could not perform up to expected standards.

110

Lack of orientation A person had not the necessary orientation in a certain situation and this decreased his performance level.

Inadequate training/instruction The person had only inadequate instruction and training on how to react/what to do in a certain situation and therefore could not perform to the expected standards.

No training The person had no training and could not perform to expected standards.

Internal/external environment

Weather The weather/climate and related issues had an influence on the operator or the technical equipment and influenced his/her/its performance.

Time of day Sunshine or darkness influenced the operator’s performance.

Atmosphere on the vessel The atmosphere in the group influenced the individual behaviour of the operator leading to worse performance.

Business climate The business climate of the company has had an influence on the performance on board via e.g. budget restrictions.

Organisational factors

Organisational culture The organisational culture of the shipping company had an influence in the performance on the ship.

Organisational structure The organisational structure of the shipping company had an influence in the performance on the ship.

Organisational policies The organisational policies of the shipping company had an influence in the performance on the ship

Operations The organisational operations of the shipping company had an influence in the performance on the ship

Procedures The organisational procedures of the shipping company had an influence in the performance on the ship

Supervision A lack of supervision had a negative influence on the shipboard operations.

Manning/staffing characteristics Manning policies, i.e. international crewing, has an influence on the performance of the individual operators on board the vessel.

Time pressure Time pressure put on shipping operations by the shipping company led to decreased performance by the operators.

Others

Other factors Any other factors that had a negative influence on the performance of the operators.

10. Error Recovery

Physical barrier

Wall, doors, fences, containers… Prevents penetration of people into unsafe areas

Helmets, safety clothes, gas masks… Prevents penetration of dangerous material to the human body.

Safety glass, fire safe rooms, fire doors… Prevents penetration of dangerous material into a place/space.

Functional barrier

Locks, equipment match, physical interlocking…

Preventing movement or action concerning “hardware”.

Passwords, entry codes, action sequences, pre-conditions…

Preventing movement or action concerning “software”.

Distance (too far away for being touched by mistake), persistence (dead-man button), …

Hindering or impeding actions in a spatio-temporal sense.

Sprinklers, air bags, fire extinguisher… Dissipating energy, quenching, extinguishing.

111

Symbolic barrier

Demarcations, labels, warnings… Countering, preventing or thwarting actions.


Regulating actions.

Signs, signals, warnings, alarms, … Indicating system status or conditions.

Clearance, approval, … Communication and interpersonal dependency.

Incorporeal barrier

Informal guidance: Self-restraint, ethical norms, morals, social or group pressure…

Complying with or conforming to those rules will help to recover from an accident.

Formal guidance: Rules, restrictions, laws, guidelines, prohibitions, training…

Complying with or conforming to those rules will help to recover from an accident.

113

Anexo B: Descrição dos nós da Rede Bayesiana

Variable Description States Parent Nodes Parent states Probabilities Reference

Intoxication

The influence of the use of drugs, alcohol and other substances (per scripted or not) on mariner’s performance.

Yes --- 0.02 literature review (Akhtar and Utne, 2012) No --- 0.98

Emotional condition

The effect of an individual’s general emotional condition

Unstable --- 0.01 literature review (Ventikos and Vagias, 2010) Stable --- 0.99

Stress Introduction of the stress factor on operator's performance

High --- 0.24 literature review (Ventikos and Vagias, 2010) Normal --- 0.76

Fatigue

The fatigue node quantifies fatigue, in order to access if operator's competence is decreased

Yes --- 0.05 literature review (Ventikos & Papamichalis, 2008) No --- 0.95


Evaluation of manning levels in terms of lack of the resquested characteristics to complete their tasks

Good --- 0.9938 literature review (Cai et. al, 2013) Poor --- 0.0062

Operations

In this node all the facts or conditions of a ship’s functioning based on human element are included


Supervision

This node highlights the crucial role of supervision, as an organizational factor


Procedures

In this node, the importance of following good procedures inside the environment of a ship is included

Good --- 0.55 literature review (Akhtar and Utne, 2012) Poor --- 0.45

Organisational Policies

This node includes all the courses or principles of actions adopted by the crew members and the organization in general, which are proposed by governments or other organisations

Good --- 0.9981

literature review (Cai et. al, 2013)

Poor --- 0.0019

Organisational Structure

Organizational structure defines how activities such as task allocation, coordination and supervision are directed towards the achievement of organisational aims.

Good --- 0.9942


Poor --- 0.0058

Time Pressure

This node contains the significant importance of timing to the procedures, tasks and action on board a ship.

No --- 0.68 literature review (Akhtar and Utne, 2012) Yes --- 0.32

Organisational culture

Organisational culture is the behaviour of humans within an organisation and the meaning that people attach to those behaviours

Excellent --- 0.25

literature review (DNV, 2006)

Standard --- 0.5

Poor --- 0.25

114

Variable Description States Parent Nodes

Parent states

Probabilities Reference

Weather

The weather node takes into consideration every climatic or environmental phenomenon that can affect the living on board, or any on-going task

Good --- 0.8

literature review (Ventikos & Papamichalis, 2008)

Storm_rain --- 0.02

Windy --- 0.16

Fog --- 0.02

Time of day

This node include the influence of time of day (day/night) in human performance or other factors like visibility

Day --- 0.5 literature review (DNV, 2006) Night --- 0.5


In this node all the characteristics that shape the atmosphere on the vessel are included and their relationship with the working conditions is explained

Good --- 0.69 literature review (Akhtar and Utne, 2012)

Poor --- 0.31

Lack of experience /orientation

This node describes the level of experience lack that characterizes the mariners on board

No --- 0.9949 literature review (Cai et. al, 2013)

Yes --- 0.0051

No training

In this nodes the effects of complete absence of training, are taken into consideration

No --- 0.91 literature review (Akhtar and Utne, 2012)

Yes --- 0.09

Inadequate training/competence

This node expresses the negative effects of inadequate training. Inadequate training refers to the presence of training, which is incomplete or includes wrong characteristics.

No --- 0.9949


Yes --- 0.0051

Familiarisation

This node describes whether the officer on watch on the bridge has the experience of cruising a particular ship, under the different circumstances, in the area

Quite familiar

--- 0.9 literature review (Ventikos & Papamichalis, 2008)

Familiar --- 0.05

Not familiar

--- 0.05

Maintenance

This node describes whether the maintenance routines of technical systems on board are followed or not

Followed --- 0.8 literature review (Ventikos & Papamichalis, 2008)

Not followed

--- 0.2

OOW Tasks/Responsabilities

This node indicates the tasks and responsibilities for which the officer in charge of the ship is responsible. Tasks represent the amount of workload that an individual has to process in a given amount of time

Normal --- 0.1 literature review (Ventikos & Papamichalis, 2008)

High --- 0.8

Extreme --- 0.1

115

Variable Description States Parent Nodes Parent states Probabilities Reference

External Communication

This node describes the level and quality of communication between crew members located on the bridge of the ship or on board another ship, with which the vessel is in collision course with

Yes --- 0.3

literature review (Ventikos & Papamichalis, 2008)

No --- 0.7

Paper chart detection

This node describes the ability to detect a dangerous course on the paper chart given that the paper chart is updated with information of danger causes

Yes --- 0.95

literature review (DNV, 2006) No --- 0.05

ECDIS used This node describes whether the ECDIS is in use or not

Yes --- 0.999 literature review (DNV, 2006) No --- 0.001

Radar detection

The radar detection node, determines whether the officer has the ability to detect danger through the radar.

Yes --- 0.97 literature review (DNV, 2006) No --- 0.3

Language problems

In this node the effect of language problems, to the internal communication factor, are suggested.


Yes --- 0.13

Wrong communication

This node includes the effects of wrong communication between crew members

No --- 0.995 literature review (Cai et. al, 2013) Yes --- 0.005

Lack of communication

This node represents the complete absence between crew members, which increases the probability of error.

No --- 0.995 literature review (Cai et. al, 2013) Yes --- 0.005

Miscommunication

This node includes the effects of miscommunication between crew members. Miscommunication consists of both the wrong message dispatch, as well as the wrong message reception.

No --- 0.995

literature review (Cai et. al, 2013) Yes --- 0.005

Mis-see

This node represents the wrong reading, both from the officer on watch and from the detection systems.


Mishear This node contains the influence of wrong detection by hearing



This node describes the wrong impression created on the human element, from the act of visual detection.

No --- 0.82 literature review (Ventikos & Papamichalis, 2008)

Yes --- 0.18

Late detection

This node describes the delay of the detection process from both the human element and the machine factor


Yes --- 0.26

116

Variable Description States Parent Nodes

Parent states


Timing error

This node describes the effects of timing error in human-machine interface. Timing error is the poorly timed interaction of human and machines

No --- 0.75 Selected from expert group judgements

Yes --- 0.25

No detection

This node represents the negative effects of the complete absence of the detection process, either from the navigational systems or from the OOW


Yes --- 0.26

Distance to collision (CPA)

This node describes the geometrical distance of two ships in collision course

More than 3 miles

--- 0.5 Selected from expert group judgements

Less than 3 miles

--- 0.5

Encounter type

This node describes the geometrical trajectories of two ships in collision course

Overtaking --- 0.22 literature review (Przywarty, 2008)

Head on --- 0.2

Crossing --- 0.58

Personal factors

This node describes the physical and mental state of the officer on watch and indicates his ability to perform his duties as navigator of the ship.

Poor

Fatigue Yes 0.7

Selected from expert group judgements and the literature review (DNV, 2006)

Intoxication Yes 0.35

Emotional condition

Unstable 0.3

Stress High 0.7

Good

Fatigue Yes 0.3

Intoxication Yes 0.65

Emotional condition

Ustable 0.7

Stress High 0.7

Training competence

This node describes the quality of training with which the human element on board a ship has been shaped. This term also refers to previous experiences and orientations that make crew members more efficient.

Adequate

No training

No 0.9

literature review (Ventikos and Vagias, 2010)

Yes 0

Inadequate training

No 0.9

Yes 0

Lack of experience

No 0.9

Yes 0

Acceptable

No training No 0.1

Yes 0

Inadequate training

No 0.1

Yes 0

Lack of experience

No 0.1

Yes 0

Inadequate

No training No 0

Yes 1

Inadequate training

No 0

Yes 1

Lack of experience

No 0

Yes 1

117

Variable Description States Parent Nodes Parent states


Organisational factors

This node describes how well the vessel operator deals with organisational issues and how well the operator promotes a good organisational mind-set among its employees. The “organisational factors” term, refers work procedures, instructions, drills and attitude.

Good

Time pressure No 1

Selected from expert

group judgements

Yes 0

Org. policies Good 1

Poor 0

Org. culture

Excellent 1

Standard 1

Poor 0

Org. structure Good 1

Poor 0


Good 1

Poor 0

Procedures Good 1

Poor 0

Operations Good 1

Poor 0

Supervision Good 1

Poor 0

Poor

Time pressure No 0

Yes 1

Org. policies Good 0

Poor 1

Org. culture

Excellent 0

Standard 0

Poor 1

Org. structure Good 0

Poor 1


Good 0

Poor 1

Procedures Good 0

Poor 1

Operations Good 0

Poor 1

Supervision Good 0

Poor 1

118



OOW Competence

Competence is a combination of knowledge skills and attitude. This node reflects the officer’s on watch knowledge, the level of training, the way he utilizes the given knowledge and the attitude he has towards his tasks.

Excellent

Personal factors Poor 0

Selected from expert group judgements

Good 0

Organizational factors

Good 0

Poor 0

Training competence

Adequate 1

Acceptable 0

Inadequate 0

Standard


Good 1


Good 1

Poor 0

Training competence

Adequate 0

Acceptable 1

Inadequate 0

Low


Good 0


Good 0

Poor 1

Training competence

Adequate 0

Acceptable 0

Inadequate 1

Navigational system detection

The node describes whether the OOW has detected the danger on either the charts, the radar or because of a collision alarm

Yes

Probability matrix presented separately

literature review (DNV, 2006), (Ventikos and Vagias, 2010)

No

OOW Performance

The node describes how well the OOW performs his tasks. It includes personal condition, bridge design and competence.

Excellent


Selected from expert group judgements and the literature review (DNV, 2006), (Ventikos and Vagias, 2010)

Standard

Poor

119



Working conditions

Working conditions can best be described as the ability of each individual to work by putting aside distractions and other factors.

Good

Atmosphere on vessel

Good 1


group judgements

and the literature review

(DNV, 2006)

Poor 0

Time of day Day 1

Night 0

Weather

Good 1

Strom_rain 0

Windy 0

Fog 0

Moderate


Good 0

Poor 0

Time of day Day 0

Night 0

Weather

Good 0

Strom_rain 1

Windy 1

Fog 0

Difficult


Good 0

Poor 1

Time of day Day 0

Night 1

Weather

Good 0

Strom_rain 0

Windy 0

Fog 1

Visibility

This node defines the probability distribution for the visibility, conditional on the weather.

Greater than 1 nm

Weather

Good 1

literature review

(DNV, 2006)

Strom_rain 0.75

Windy 1

Fog 0

Less than 1 nm

Weather

Good 0

Strom_rain 0.25

Windy 0

Fog 1

Non bridge equipment

failure

The node indicates the reliability of the non-bridge equipment

Function Maintenance Followed 0.999961

literature review

(DNV, 2006)

Not followed

0.99961

Not function Maintenance

Followed 3.90E-05

Not followed

0.00039

Visual detection

Visual detection indicates whether the OOW visually detects the danger. For the collision scenario, the danger to detect is the fact that the vessel is heading towards another ships (on collision course).

Yes



group judgements

and the literature review

(DNV, 2006)

No

120

Variable Description States

Parent Nodes Parent states Probabilities Reference

HMI Problems

The human–computer interface can be described as the point of communication between the human user and the computer. The flow of information between the human and computer is defined as the loop of interaction. HMI problems consist of the interruption (or decrease in quality) of this flow.

No

Mis-see No 1


group judgements

Yes 0

Mishear No 1

Yes 0

Visual misperception No 1

Yes 0

Timing error Good 1

Poor 0

No detection No 1

Yes 0

Late detection No 1

Yes 0

Yes

Mis-see No 0

Yes 1

Mishear No 0

Yes 1

Visual misperception No 0

Yes 1

Timing error Good 0

Poor 1

No detection No 0

Yes 1

Late detection No 0

Yes 1

Communication with Bridge

Team

Depending on the existence of a Bridge Resource Management system, the node describes the level and the quality of the communication between the bridge personnel.

Beyond standard

Wrong communication No 0.1


group judgements

Yes 0

Miscommunication No 0.1

Yes 0


No 0.1

Yes 0

Language problems No 0.1

Yes 0

Standard

Wrong communication No 0.9

Yes 0

Miscommunication No 0.9

Yes 0


No 0.9

Yes 0

Language problems No 0.9

Yes 0

Substandard

Wrong communication No 0

Yes 1

Miscommunication No 0

Yes 1


No 0

Yes 1

Language problems No 0

Yes 1

121

Variable Description States Parent Nodes Parent states Probabili

ties Reference

OOW Detection

This node describes whether the prison officer has identified the danger-risk by optical means or by the use of navigational equipment.

Correct

OOW Performance

Excellent 0.9

Selected from expert group

judgements and the literature review

(DNV, 2006), (Ventikos and Vagias, 2010)

Standard 0.7

Poor 0

External communication

Yes 0.9

No 0

Visual detection Yes 0.9

No 0


Yes 0.9

No 0

Distance to collision More than 3 nm 0.5

Less than 3 nm 0

Wrong

OOW Performance

Excellent 0.1

Standard 0.3

Poor 0


Yes 0.1

No 0

Visual detection Yes 0.1

No 0


Yes 0.1

No 0

Distance to collision More than 3 nm 0.5

Less than 3 nm 0

No diagnosis

OOW Performance

Excellent 0

Standard 0

Poor 1


Yes 0

No 1

Visual detection Yes 0

No 1


Yes 0

No 1

Distance to collision More than 3 nm 0

Less than 3 nm 1

Bridge layout

This node describes whether the bridge is designed to enable the OOW to perform his tasks properly. The node reflects user interface, the design of the work station (ergonomic conditions) and bridge arrangement

Standard


Selected from expert group

judgements and the literature review

(Ventikos & Papamichalis, 2008)

Beyond standard

Below Standard

122

Variable Description States Parent

Nodes Parent states Probabilities Reference

OOW Assessment

This node describes whether the OOW is making the correct assessment of the situation based on his observations

Correct Probability matrix presented

separately literature review

(Ventikos and Vagias, 2010)

Wrong

OOW Action

The node defines whether the OOW, given he or someone else has discovered the danger, acts correct or not to avoid an accident

Correct


Selected from expert group judgements and the literature

review (DNV, 2006), (Ventikos and Vagias,

2010)

Wrong

Collision

The node defines whether the OOW, given he or someone else has discovered the danger, acts correct or not to avoid an accident

No


Selected from expert group judgements and theliterature

review (Ventikos & Papamichalis, 2008)

Yes

VISUAL DETECTION

Parents Parents States

Familiarisation Quite familiar

Visibility Greater than 1 nm Lower than 1 nm

Bridge layout standard beyond

standard below standard standard beyond standard below standard

Time of day day night day night day night day night day night day night

Node states

Yes 0,99 0,8 0,99 0,9 0,73 0,7 0,9 0,85 0,95 0,8 0,65 0,6

No 0,01 0,2 0,01 0,1 0,27 0,3 0,1 0,15 0,05 0,2 0,35 0,4

Familiarisation Familiar





Node states

Yes 0,95 0,85 0,98 0,9 0,87 0,8 0,99 0 1 1 0,984 0

No 0,05 0,15 0,02 0,1 0,13 0,2 0,01 1 0 0 0,016 1

Familiarisation Not familiar





Node states

Yes 0,984 0 0,99 0 1 0 0,984 0 0,99 0 0,984 0

No 0,016 1 0,01 1 0 1 0,016 1 0,01 1 0,016 1

OOW ASSESSMENT

Parents Parent states

OOW

Performance Excellent Standard Poor

OOW

Detection Correct Wrong No

diagnosis Correct Wrong No

diagnosis Correct Wrong No

diagnosis

Node states

Correct 0,999988 0 0 0,999984 0 0 0,999968 0 0

Wrong 1,20E-05 1 1 1,60E-05 1 1 3,20E-05 1 1

123

BRIDGE LAYOUT


HMI Problems No

Visual misperception No Yes

Mis-see No Yes No Yes

Mishear No Yes No Yes No Yes No Yes

Node states

Standard 0,8 0,75 0,75 0,7 0,75 0,7 0,7 0,65

Beyond Standard 0,2 0,1 0,1 0,05 0,1 0,05 0,05 0,02

Below Standard 0 0,15 0,15 0,25 0,15 0,25 0,25 0,33

HMI Problems No

Visual misperception No Yes

Mis-see No Yes No Yes

Mishear No Yes No Yes No Yes No Yes

Node states

Standard 0,75 0,7 0,7 0,65 0,7 0,2 0,2 0,1

Beyond Standard 0,1 0,05 0,95 0,02 0,05 0 0 0

Below Standard 0,15 0,25 0,25 0,33 0,25 0,8 0,8 0,9

NAVIGATIONAL SYSTEM DETECTION


Paper chart detection Yes

HMI Problems No Yes

ECDIS used Yes No Yes No

Radar detection Yes No Yes No Yes No Yes No

Node states

Yes 1 1 1 0 0,8 0,8 0,8 0

No 0 0 0 1 0,2 0,2 0,2 1

Paper chart detection Yes

HMI Problems No Yes

ECDIS used Yes No Yes No

Radar detection Yes No Yes No Yes No Yes No

Node states

Yes 1 0 0,8 0 0,8 0 0,8 0

No 0 1 0,2 1 0,2 1 0,2 1

OOW ACTION

Parents Parents states

Non bridge equipment Function

OOW Assessment Correct Wrong

Communication with bridge

Beyond standard Standard

Substandard

Beyond standard

Standard

Substandard

Node state

s

Correct action 0,999996 0,99999

2 0,99998 0 0 0

Wrong action 4,00E-06 8,00E-06 2,00E-05 1 1 1

Non bridge equipment Not function

OOW Assessment Correct Wrong

Communication with bridge

Beyond standard Standard

Substandard

Beyond standard

Standard

Substandard

Node state

s

Correct action 0,001 0,001 0,001 0,001 0,001 0,001

Wrong action 0,999 0,999 0,999 0,999 0,999 0,999

124

OOW PERFORMANCE


Working conditions Good

Bridge layout Standard Beyond standard Below standard

OOW tasks/responsabilities Normal High Extreme Normal High Extreme Normal High Extreme

OOW competence E S L E S L E S L E S L E S L E S L E S L E S L E S L

Node states

Excellent 0,93 0,8 0,35 0,8 0,6 0,15 0,7 0,55 0,1 0,95 0,85 0,4 0,8 0,6 0,15 0,55 0,1 0,9 0,75 0,75 0,3 0,8 0,6 0,15 0,7 0,55 0,1

Standard 0,07 0,2 0,6 0,2 0,4 0,6 0,3 0,45 0,55 0,05 0,15 0,55 0,2 0,4 0,6 0,45 0,55 0,1 0,25 0,25 0,65 0,2 0,4 0,6 0,3 0,45 0,55

Poor 0 0 0,05 0 0 0,25 0 0 0,35 0 0 0,05 0 0 0,25 0 0,35 0 0 0 0,05 0 0 0,25 0 0 0,35

Working conditions Moderate




Node states

Excellent 0,8 0,6 0,15 0,7 0,55 0,1 0,6 0,5 0 0,9 0,7 0 0,75 0,6 0 0,7 0,55 0 0,75 0,55 0 0,6 0,5 0 0,5 0,4 0

Standard 0,2 0,4 0,6 0,3 0,45 0,55 0,4 0,5 0,2 0,1 0,3 0,2 0,25 0,4 0,2 0,3 0,45 0,1 0,25 0,45 0,2 0,4 0,5 0,2 0,5 0,5 0,1

Poor 0 0 0,25 0 0 0,35 0 0 0,8 0 0 0,8 0 0 0,8 0 0 0,9 0 0 0,8 0 0 0,8 0 0,1 0,9

Working conditions Difficult




Node states

Excellent 0,7 0,55 0 0,6 0,5 0 0,5 0,4 0 0,75 0,6 0 0,7 0,55 0 0,6 0,5 0 0,6 0,5 0 0,5 0,4 0 0,1 0 0

Standard 0,3 0,45 0,2 0,4 0,5 0,2 0,5 0,5 0,1 0,25 0,4 0,2 0,3 0,45 0,2 0,4 0,4 0,1 0,4 0,5 0,1 0,5 0,5 0,1 0,5 0,4 0,05

Poor 0 0 0,8 0 0 0,8 0 0,1 0,9 0 0 0,8 0 0 0,8 0 0,1 0,9 0 0 0,9 0 0,1 0,9 0,4 0,6 0,95

(OOW Competence: E – Excellent; S – Standard; L – Low)

125

COLLISION


OOW Action Correct

OOW Detection Correct Wrong No diagnosis

Distance to collision CPA more than 3 nm CPA less than 3 nm CPA more than 3 nm CPA less than 3 nm CPA more than 3 nm CPA less than 3 nm

Encounter type O H C O H C O H C O H C O H C O H C

Node states

No 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999 0,9999

Yes 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04 1,E-04

OOW Action Wrong

OOW Detection Correct Wrong No diagnosis

Distance to collision CPA more than 3 nm CPA less than 3 nm CPA more than 3 nm CPA less than 3 nm CPA more than 3 nm CPA less than 3 nm

Encounter type O H C O H C O H C O H C O H C O H C

Node states

No 0,3 0,28 0,25 0,245 0,22 0,19 0,15 0,13 0,11 0,1 0,08 0,01 0,25 0,23 0,21 0,22 0,18 0,14

Yes 0,7 0,72 0,75 0,755 0,78 0,81 0,85 0,87 0,89 0,9 0,092 0,99 0,75 0,77 0,79 0,78 0,82 0,86

(Encounter type: O – Overtaking; H – Head on; C – Crossing)

127

Anexo C: Narrativa – Estudo de Caso 1

At 0218 on 6 March 2011, the UK registered container ship Cosco Hong Kong collided with the China

registered fish transportation vessel Zhe Ling Yu Yun 135. The accident occurred in international waters

off the coast of Zhejiang Province, China. Zhe Ling Yu Yun 135 sank almost immediately, with the loss

of 11 lives. Cosco Hong Kong was not damaged.

Factors that led to the collision included:

• The performance of Cosco Hong Kong’s OOW fell well short of expected standards. He did not

correctly apply the collision regulations or follow onboard instructions.

• Zhe Ling Yu Yun 135 and Cosco Hong Kong turned towards each other at about the same time when

only about 1.5nm apart and with a closing speed of over 20kts.

• Cosco Hong Kong’s OOW was the sole lookout. In darkness, in adverse weather conditions, and

among large concentrations of fishing vessels, he did not see that Zhe Ling Yu Yun 135 was

approaching.

• Even though many fishing vessels were concentrated in the area, Cosco Hong Kong’s master or OOW

did not consider amending the voyage plan, reducing speed, or enhancing the bridge manning.

Analysis for evidences selection:

Time of day = night

Mis-see = Yes

Cosco Hong Kong’s OOW was the sole lookout. In darkness, in adverse weather conditions,

and among large concentrations of fishing vessels, he did not see that Zhe Ling Yu Yun 135

was approaching.

OOW Performance = poor

The performance of Cosco Hong Kong’s OOW fell well short of expected standards. He did not

correctly apply the collision regulations or follow onboard instructions.

There were serious departures from regulation, guidance and best practice that bring the OOW’s

knowledge and application of the COLREGS, his judgment, and his overall competency into

question. Although the second officer was qualified for his rank, aspects of his bridge

watchkeeping on board Cosco Hong Kong on the morning of 6 March 2011 fell well short of the

standard required by STCW.

Distance < 3 nm

Zhe Ling Yu Yun 135 and Cosco Hong Kong turned towards each other at about the same time

when only about 1.5nm apart and with a closing speed of over 20kts.

Weather = Rain

Visibility > 1 nm

128

The visibility was 3nm in rain, the sea state was moderate, and the wind was from the north-

north-west force 5.

Inadequate Training-Competence = Yes

The second officer’s apparent lack of competency, the previous accidents involving Cosmar

managed vessels and the subsequent unsatisfactory results of the rule of the road tests, indicate

that there is an underlying problem with the continuation and refresher training provided to deck

officers by COSCO Shanghai, and possibly other COSCO subsidiaries.

In allowing the lookout to leave the bridge at a critical time, when the vessel was on a night

passage through dense shipping in adverse weather conditions, the second officer appears

not to have appreciated the value of the lookout or the dangers developing ahead.

Supervision = Poor

Had the master been on the bridge, he could have enhanced the effectiveness of the bridge

team through his knowledge and experience. He would also have been best placed to assess

and mitigate the risks posed by the concentrations of fishing vessels by amending the vessel’s

route or by reducing speed. It is highly unlikely that the master would have allowed the lookout

to leave the bridge.

Encounter type: Crossing

Cosco Hong Kong’s OOW failed to comply with fundamental requirements of the COLREGS,

the master’s night orders, the vessel’s onboard instructions and MCA guidance. In particular,

he: (…) altered the container ship’s heading to port when Cosco Hong Kong was the stand on

vessel in a crossing situation.

129

Anexo D: Narrativa – Estudo de Caso 2

At 1851 on 20 December 2009 the Singapore registered bulk carrier Alam Pintar was in collision with

the UK registered fishing vessel Etoile des Ondes 15 nm north of the

Cherbourg peninsula. As a result of the collision the fishing vessel sank; one of her four crew, Chris

Wadsworth, tragically lost his life.

Alam Pintar was on an east-north-easterly course between the Casquets and the

Dover Strait traffic separation schemes (TSS) on her way to Hamburg. The bridge was manned by an

inexperienced officer and an unqualified deck cadet.

The officer of the watch (OOW) had seen Etoile des Ondes and realised there was a risk of collision,

but his initial alterations of course to avoid collision were rendered ineffective when the fishing vessel

also changed course to start shooting her pots.

Finally, Alam Pintar’s OOW ordered the wheel hard-a-starboard, but this was too late to be effective in

preventing the collision.

The master and OOW of Alam Pintar were aware of the collision, but failed to stop.

They made no attempt to confirm if Etoile des Ondes and her crew were safe, and failed to report the

incident. There is evidence to suggest that the crew of Alam Pintar subsequently attempted to alter

recorded contemporaneous data to mask the vessel’s involvement in the accident.

Analysis for evidences selection:

Lack of experience = Yes

Alam Pintar was on an east-north-easterly course between the Casquets and the Dover Strait

traffic separation schemes (TSS) on her way to Hamburg. The bridge was manned by an

inexperienced officer and an unqualified deck cadet.

Supervision = Poor

OOW Assessment = Poor

The actions taken by Alam Pintar to avoid collision with Etoile des Ondes were ineffective.

Although the initial action was in good time it was not substantial.

The OOW on Alam Pintar lacked experience and was unsure about the actions of Etoile des

Ondes, however he did not consider calling the master for assistance. There was no effective

lookout.

Fatigue = No

The hours of work records of Alam Pintar’s crew were examined and found to be in accordance

with the ILO Hours of Work Convention C180 which ensures that seafarers receive a minimum

of 10 hours rest in any 24 hour period, and a minimum of 77 hours rest in any 7 day period. The

working arrangements on Etoile des Ondes were discussed with the crew and, although they

worked intensively during the day, they were all able to get sufficient, good quality rest overnight.

Fatigue is not considered a contributory factor in this accident.

130

Visual misperception = No

Time of day = Night

Radar detection = Yes

The OOW on Alam Pintar first saw the lights and radar target of Etoile des Ondes at a range of

between 3 and 4 miles, on his starboard bow. After acquiring the radar target, using the ARPA,

he realised there was a risk of collision and made a small alteration to starboard of 5º, which

placed Etoile des Ondes on the vessel’s port bow. This decision was based mainly on the ARPA

information as he found it difficult to positively distinguish the fishing vessel’s navigation lights

visually, due to the glare produced by her deck working lights. The bearing of Etoile des Ondes

opened to port as the fishing vessel continued on her northerly heading while hauling her pots.

The OOW later noticed that the target had once again drawn ahead. At this time, Etoile des

Ondes had probably picked up the end of the string and was heading east-south-east,

repositioning for shooting. The OOW then made a second alteration, of 10º to port, to place her

on his starboard bow. However, this action probably coincided with Etoile des Ondes resuming

shooting on a 27 northerly heading, which made the action ineffective. Once again the lights

drew ahead and the OOW’s subsequent emergency action of a large alteration to starboard was

too late to be effective in avoiding the collision

Visibility = Good

At the time of the collision visibility was good, with the shore lights of France clearly visible from

Etoile des Ondes. The wind and sea conditions were slight and there was a clear sky.

Organisational Policies = Poor

At the time of the accident the bridge team of Alam Pintar consisted of the 4th officer, and a

deck cadet who was not qualified to form part of the navigational watch.

The company did not provide any formal training in BTM for its masters or deck officers.

However, chief officers were sent on a bridge simulator course before taking their first command,

but this was not a recognised BTM course.

131

Anexo E: Análise de sensibilidade

E.1 Output: Collision

X 𝑆𝑃𝑜 ∆𝑥𝑖

𝑃𝑐

𝑜 𝑃𝑐

𝑒 ∆𝑃𝑐

∆𝑃𝑐

/𝑃𝑐𝑜

∆𝑃𝑐 /∆𝑥𝑖

Language problems = Yes 0.13 0.87 0.0045 0.00450 0.00000 0.00000 0.00000

Miscommunication = Yes 0.005 0.995 0.0045 0.00450 0.00000 0.00000 0.00000

Lack of information = Yes 0.005 0.995 0.0045 0.00450 0.00000 0.00000 0.00000

Org. culture = poor 0.25 0.75 0.0045 0.00451 0.00001 0.00222 0.00001

Org. policies = poor 0.0019 0.9981 0.0045 0.00451 0.00001 0.00222 0.00001

Operations = poor 0.0031 0.9969 0.0045 0.00451 0.00001 0.00222 0.00001

Procedures = poor 0.55 0.45 0.0045 0.00451 0.00001 0.00222 0.00002

Staffing characteristics = poor 0.0062 0.9938 0.0045 0.00451 0.00001 0.00222 0.00001

Time pressure = yes 0.32 0.68 0.0045 0.00451 0.00001 0.00222 0.00001

Supervision = Poor 0.0081 0.9919 0.0045 0.00451 0.00001 0.00222 0.00001

Lack of experience/orientation = yes 0.0051 0.9949 0.0045 0.00457 0.00007 0.01556 0.00007

Inadequate training = Yes 0.0051 0.9949 0.0045 0.00457 0.00007 0.01556 0.00007

Late detection = Yes 0.26 0.74 0.0045 0.00468 0.00018 0.04000 0.00024

No detection = Yes 0.26 0.74 0.0045 0.00468 0.00018 0.04000 0.00024

Atmosphere on the vessel = poor 0.31 0.69 0.0045 0.00474 0.00024 0.05333 0.00035

Stress = High 0.24 0.76 0.0045 0.00477 0.00027 0.06000 0.00036

Fatigue = Yes 0.05 0.95 0.0045 0.00479 0.00029 0.06444 0.00031

Visual misperception = Yes 0.18 0.82 0.0045 0.00534 0.00084 0.18667 0.00102

Weather = fog 0.02 0.98 0.0045 0.00576 0.00126 0.28000 0.00129

Visibility = lower_than_1nm 0.025 0.975 0.0045 0.00574 0.00124 0.27556 0.00127

Radar detection = No 0.03 0.97 0.0045 0.00587 0.00137 0.30444 0.00141

Time of day = night 0.5 0.5 0.0045 0.00618 0.00168 0.37333 0.00336

Familiarisation = not_familiar 0.05 0.95 0.0045 0.01051 0.00601 1.33556 0.00633

Navigation system detection = No 0.03175 0.96825 0.0045 0.03647 0.03197 7.10444 0.03302

Worst and Best state 𝑆𝑃𝑜 𝑃𝑐

𝑒 ∆𝑃𝑐𝑚𝑎𝑥

Radar detection Radar detection = Yes 0.97 0.0045

0.00137

Radar detection = No 0.03 0.00587


Navigation system detection =Yes 0.96825 0.00346 0.03301

Navigation system detection = No 0.03175 0.03647

Late detection Late detection = No 0.74 0.00444

0.00024

Late detection = Yes 0.26 0.00468

No detection No detection = No 0.74 0.00444

0.00024

No detection = Yes 0.26 0.00468

Visual misperception Visual misperception = No 0.82 0.00432

0.00102

Visual misperception = Yes 0.18 0.00534

Lack of information Lack of information = No 0.995 0.0045 0.00000

132

Lack of information = Yes 0.005 0.0045

Language Problems Language problems = No 0.87 0.0045

0.00000

Language problems = Yes 0.13 0.0045

Miscommunication Miscommunication = No 0.995 0.0045

0.00000

Miscommunication = Yes 0.005 0.0045

Weather

Weather = Good 0.8 0.00441

0.00135 Weather = storm_rain 0.02 0.00496

Weather = windy 0.16 0.00474

Weather = fog 0.02 0.00576

Time of day Time of day = day 0.5 0.00283

0.00335

Time of day = night 0.5 0.00618

Atmosphere on the vessel Atmosphere on the vessel = good 0.69 0.00440

0.00034

Atmosphere on the vessel = poor 0.31 0.00474

Org. culture

Org. culture = excellent 0.25 0.0045

0.00001

Org. culture = standard 0.5 0.0045

Org. culture = poor 0.25 0.00451

Org. policies Org. policies = good 0.9981 0.0045

0.00001 Org. policies = poor 0.0019 0.00451

Operations Operations = good 0.9969 0.0045

0.00001 Operations = poor 0.0031 0.00451

Procedures Procedures = good 0.45 0.0045

0.00000 Procedures = poor 0.55 0.0045

Staffing characteristics Staffing characteristics = good 0.9938 0.0045

0.00001 Staffing characteristics = poor 0.0062 0.00451

Time pressure Time pressure = no 0.68 0.0045

0.00001 Time pressure = yes 0.32 0.00451

Lack of experience/orientation Lack of experience/orientation = no 0.9949 0.0045

0.00007 Lack of experience/orientation = yes 0.0051 0.00457

Inadequate training Inadequate training = No 0.9949 0.0045

0.00007 Inadequate training = Yes 0.0051 0.00457

Supervision Supervision = Good 0.9918 0.0045

0.00001 Supervision = Poor 0.0081 0.00451

Fatigue Fatigue = No 0.95 0.00449

0.00030 Fatigue = Yes 0.05 0.00479

Stress Stress = Normal 0.76 0.00442

0.00035 Stress = High 0.24 0.00477

Visibility Visibility = greater_than_1nm 0.975 0.00447

0.00127 Visibility = lower_than_1nm 0.025 0.00574

Familiarisation

Familiarisation = quite_ familiar 0.9 0.0042

0.00631

Familiarisation = familiar 0.05 0.00395

Familiarisation = not_familiar 0.05 0.01051

133

E.2 Output: OOW Performance

X 𝑆𝑃𝑜 ∆𝑥𝑖

𝑃𝑂𝑂𝑊 𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒=𝑃𝑜𝑜𝑟 ∆𝑃

∆𝑃 /𝑃

𝑜 ∆𝑃 /∆𝑥𝑖

Radar detection = No 0.03 0.97 0.10934 0.00000 0.00000 0.00000

Familiarisation = not_familiar 0.05 0.95 0.10934 0.00000 0.00000 0.00000

Language problems = Yes 0.13 0.87 0.10934 0.00000 0.00000 0.00000

Miscommunication = Yes 0.005 0.995 0.10934 0.00000 0.00000 0.00000

Wrong information = Yes 0.005 0.995 0.10934 0.00000 0.00000 0.00000

Late detection = Yes 0.26 0.74 0.10951 0.00017 0.00155 0.00023

No detection = Yes 0.26 0.74 0.10951 0.00017 0.00155 0.00023

Procedures = poor 0.55 0.45 0.10963 0.00029 0.00265 0.00064

Time pressure = yes 0.32 0.68 0.10981 0.00047 0.00430 0.00069

Org. culture = poor 0.25 0.75 0.10987 0.00053 0.00485 0.00071

Org. policies = poor 0.0019 0.9981 0.1101 0.00076 0.00695 0.00076

Operations = poor 0.0031 0.9969 0.1101 0.00076 0.00695 0.00076

Staffing characteristics = poor 0.0062 0.9938 0.1101 0.00076 0.00695 0.00076

Supervision = poor 0.0081 0.9919 0.11010 0.00076 0.00691 0.00076

Lack of experience/orientation = yes 0.0051 0.9949 0.11298 0.00364 0.03329 0.00366

Inadequate training = Yes 0.0051 0.9949 0.11298 0.00364 0.03329 0.00366

Navigation system detection = No 0.03175 0.96825 0.1151 0.00576 0.05268 0.00595

Visual misperception = Yes 0.18 0.82 0.11464 0.00530 0.04847 0.00646

HMI Problems = Yes 0.15132 0.84868 0.1154 0.00606 0.05542 0.00714

Time of day = night 0.5 0.5 0.11837 0.00903 0.08259 0.01806

Atmosphere on the vessel = poor 0.31 0.69 0.12365 0.01431 0.13088 0.02074

Fatigue = Yes 0.05 0.95 0.13116 0.02182 0.19956 0.02297

Visibility = lower_than_1nm 0.025 0.975 0.13196 0.02262 0.20688 0.02320

Weather =fog 0.02 0.98 0.13377 0.02443 0.22343 0.02493

Stress = High 0.24 0.76 0.12958 0.02024 0.18511 0.02663

worst and best state 𝑆𝑃𝑜 𝑃𝑂𝑂𝑊 𝑃𝑒𝑟𝑓𝑜𝑟𝑚𝑎𝑛𝑐𝑒=𝑃𝑜𝑜𝑟

∆𝑃


0.00000



Navigation system detection =Yes 0.96825 0.10915 0.00595

Navigation system detection = No 0.03175 0.1151

Late detection Late detection = No 0.74 0.10927

0.00024

Late detection = Yes 0.26 0.10951

No detection No detection = No 0.74 0.10927

0.00024

No detection = Yes 0.26 0.10951


0.00647


134

Wrong information Wrong information = No 0.995 0.10934

0.00000

Wrong information = Yes 0.005 0.10934

Language Problems Language problems = No 0.87 0.10934

0.00000

Language problems = Yes 0.13 0.10934

Miscommunication Miscommunication = No 0.995 0.10934

0.00000

Miscommunication = Yes 0.005 0.10934

Weather


0.02851 Weather = storm_rain 0.02 0.12472


Weather = fog 0.02 0.13377


0.01806


Atmosphere on the vessel Atmosphere on the vessel = good 0.69 0.10290

0.02075

Atmosphere on the vessel = poor 0.31 0.12365

Org. culture

Org. culture = excellent 0.25 0.10916

0.00071 Org. culture = standard 0.5 0.10916

Org. culture = poor 0.25 0.10987

Org. policies Org. policies = good 0.9981 0.10933

0.00077

Org. policies = poor 0.0019 0.1101

Operations Operations = good 0.9969 0.10933

0.00077

Operations = poor 0.0031 0.1101


0.00065

Procedures = poor 0.55 0.10963

Staffing characteristics Staffing characteristics = good 0.9938 0.10933

0.00077

Staffing characteristics = poor 0.0062 0.1101

Time pressure Time pressure = no 0.68 0.10911

0.00070

Time pressure = yes 0.32 0.10981


0.00366

Lack of experience/orientation = yes 0.0051 0.11298

Inadequate training Inadequate training = No 0.9949 0.10932

0.00366

Inadequate training = Yes 0.0051 0.11298

Supervision Supervision = Good 0.9918 0.10933

0.00077

Supervision = Poor 0.0082 0.11010

Fatigue Fatigue = No 0.95 0.10819

0.02297

Fatigue = Yes 0.05 0.13116

Stress Stress = Normal 0.76 0.10294

0.02664

Stress = High 0.24 0.12958


0.02320

Visibility = lower_than_1nm 0.025 0.13196

Familiarisation

Familiarisation = quite_ familiar 0.9 0.10934

0.00000 Familiarisation = familiar 0.05 0.10934

Familiarisation = not_familiar 0.05 0.10934

HMI Problems HMI Problems = No 0.84868 0.10825

0.00715

HMI Problems = Yes 0.15132 0.1154

135

E.3 Estudo de caso 3 – Output: Collision

𝑆𝑃𝑜 ∆𝑥𝑖

𝑃𝑐𝑒 ∆𝑃𝑐

∆𝑃𝑐 /𝑃𝑐

𝑜 ∆𝑃𝑐 /∆𝑥𝑖

OOW Assessment = Wrong 0.00467 0.99533 0.92297 0.91847 204.10444 0.92278

Time of day = Night 0.5 0.5 0.00618 0.00168 0.37333 0.00336

Radar detection = No 0.03 0.97 0.00587 0.00137 0.30444 0.00141

Visibility = Greater than 1nm 0.975 0.025 0.00447 -0.00003 -0.00667 -0.00120

Visual misperception = Yes 0.18 0.82 0.00534 0.00084 0.18667 0.00102

Weather = windy 0.16 0.84 0.00474 0.00024 0.05333 0.00029

Lack of experience/orientation = Yes 0.0051 0.9949 0.00457 0.00007 0.01556 0.00007

Procedures = Poor 0.55 0.45 0.0045 0.00000 0.00000 0.00000

worst and best state 𝑆𝑃𝑜 𝑃𝑐

𝑒 ∆𝑃𝑐𝑚𝑎𝑥

OOW Assessment OOW Assessment = Correct 0.99533 0.00019

0.92278

OOW Assessment = Wrong 0.00467 0.92297


0.00335



0.00137



0.00127

Visibility = lower_than_1nm 0.025 0.00574


0.00102


Weather


0.00135 Weather = storm rain 0.02 0.00496


Weather = fog 0.02 0.00576


0.00007

Lack of experience/orientation = yes 0.0051 0.00457


0.00000

Procedures = poor 0.55 0.0045

137

Anexo F: Narrativa – Análise de sensibilidade

“At about 2147 local time on 14 November 2009, the Hong Kong registered general cargo ship Joshu

Maru collided with the Republic of Korea fishing vessel No.3 Dae Kyung in approximate position 32_

13.7’ N 127_ 21.3’ E, about 72 nm (nautical miles) southeast of Seogwipo, Jeju-Do (Cheju-Do), the

Republic of Korea. At the time of the collision, the weather was cloudy, the visibility was about 3 to 6

nm, the wind was northwest to west force about 7 to 6 and the sea state was rough with heavy swells.

Following the collision, No.3 Dae Kyung took in water, became semi-submerged and finally foundered

on the next day. Seven out of the total nine crewmembers onboard were lost (four dead and three

missing). The remaining two were rescued by the crew of Joshu Maru and afterwards conveyed by

Korea Coast Guard to hospital for treatment in Seogwipo. On the other hand Joshu Maru incurred some

scratches to paintwork and slight indentation in the ship’s stem and at the port bow. The investigation

revealed the following contributory factors: The Third Officer of Joshu Maru did not comply with Rule 7,

Rule 8 and Rule 15 of COLREGS1. Based on scanty radar information, he first took actions by making

a succession of small alterations of course to port just to keep own ship further away from No.3 Dae

Kyung when he saw the light (the masthead light) of No.3 Dae Kyung at about 20_ on own ship’s

starboard bow at ranges of 6 and 3 nm respectively. He did not call the Master even though the

movement of No.3 Dae Kyung was causing concern afterwards. He continued altering course slowly

then hard to port instead of taking action to avoid crossing ahead of No.3 Dae Kyung when he saw the

red light (the port sidelight) of No.3 Dae Kyung at about 20_ and 10_ on own ship’s starboard bow

(crossing situation) at ranges of 1.5 and 0.5 nm respectively until collision occurred, and The bridge

team of No.3 Dae Kyung did not comply with Rule 5 of COLREGS. They did not maintain a proper and

effective lookout and, consequently, not aware of the presence of Joshu Maru until the moment collision

occurred.

Narrative (Radar, Lack of experience):

Based on scanty radar information and assumption that the target would be set towards own ship by the

prevailing strong wind and heavy swells, he took avoiding actions by making a succession of small

alterations i.e. 10° of course to port just to keep own ship further away from the target. Despite the

actions taken at about 2125 and 2135 respectively, the target was observed remaining on almost the

same visual bearing on own ship’s starboard bow but at a closer range. This indicated that risk of

collision still existed.

External Error mode: The 3rd officer misinterpreted the data from the radar thinking that the other vessel

was on an opposite course.

Internal Error mode: He changed his course to port in order to give the other vessel more space to pass

on an opposite direction. He did not realize that he should change course to starboard.

Training Competency Experience: He just started keeping the “8 to 12” watch independently as the

OOW when he joined Joshu Maru in April 2009.”

(CyClaDes 2.1, 2014)

139

Anexo G: Modelo Bow-tie para colisões

141

Anexo H: Modelo Bow-tie – Descrição

H01 - Navigational hazard (Collision (due to Human Error))

THREATS Detection Failure

o CONTROLS

Visual detection

o THREATS

Weather

Low visibility

o CONTROLS

Familiarity with situation

SOLAS Ch. V – Safety of navigation

Bridge Layout

o THREATS

HMI Problems

o CONTROLS

Bridge design

Radar detection

o THREATS

Radar failure

o CONTROLS

Preventive maintenance

Effective look-out

Navigational alarms

OOW Low Competence

o CONTROLS

Training

o THREATS

Inadequate training

o CONTROLS

Organizational procedures

STCW Standards and Certification

Experience

Supervision

o THREATS

Poor supervision

o CONTROLS

Organizational policies

International Safety Management (ISM) Code Sec.

4 (Designated persons), 5 (Master’s Responsibility

and authority) & 6 (Resources and personnel)

OOW Poor Performance

o CONTROLS

Positive influence of personal factors

o THREATS

Fatigue

o CONTROLS

Working hours

Organizational procedures

Intoxication

o CONTROLS

Formal guidance

Informal guidance

High stress

o CONTROLS

Task/ responsibilities allocation

142

Good working conditions

o THREATS

Weather

Poor atmosphere on the vessel

o CONTROLS

Organizational operations

Organizational structure

Night

Effective communication with bridge team

o THREATS

Miscommunication

Lack of information

Language problems

o CONTROLS


OOW Correct Assessment

OOW Wrong Action

o CONTROLS

Vessel Traffic Management (VTS)

Corrective action (collision avoidance manoeuvre)

o THREATS

Time pressure

CONSEQUENCES Loss of life

o CONTROLS

Ship design characteristics

o THREATS

Structural damage

o CONTROLS

Crashworthiness of the structure

Intact Stability (IS) Code

SOLAS Ch.II-1: Subdivision and Stability

Fire

o CONTROLS

Fire Safety Systems (FSS) Code

SOLAS Ch.II-2: Fire protection, fire safety and fire

extinction

ISM Code Sec. 7 (Development of plans for shipboard operations) & 8 (Emergency

preparedness)

Efficient evacuation plan

o THREATS

Passenger Ships

o CONTROLS

Passengers identification SOLAS Ch.III Reg.27

(Information on passengers)

IMO MSC/Circ.1238: Guidelines for evacuation

analysis for passenger ships

STCW Ch.V: Special training requirements for

personnel on certain type of ships

SOLAS Ch.III: Life-saving appliances and arrangement

International Life-Saving Appliance (LSA) Code

STCW Ch.VI: Emergency, occupational safety, medical care and survival functions

International Convention on Maritime Search and Rescue (SAR)

Efficient search and rescue

Health safety and medical care

Environmental damage o CONTROLS

Ship design characteristics

o THREATS

Structural damage

143

o CONTROLS

Intact Stability (IS) Code

SOLAS Ch.II-1: Subdivision and Stability

Fire

o CONTROLS

Fire Safety Systems (FSS) Code

SOLAS Ch.II-2: Fire protection, fire safety and fire

extinction

ISM Code

MARPOL – International convention for the prevention of pollution from ships

Onshore assistance

Measures of International Convention on Oil Pollution, Preparedness, Response and

Co-operation (OPRC)

Places of refuge

Análise e modelação da contribuição dos factores humanos ... · À Sara Lourenço, pela...

Documents

Transcript of Análise e modelação da contribuição dos factores humanos ... · À Sara Lourenço, pela...