Допустим, что после выполнения обычных (перед запрещающим знаком светофора) действий, водитель обнаружил недостаточное снижение скорости автомобиля. Далее он мог действовать, например, по одному из следующих трех вариантов: а) осознав недопустимость въезда на перекресток, и зная о возможности торможения автомобиля стояночным тормозом, он мог попытаться сбавить скорость с его помощью; б) понимая невозможность сделать это из-за скользкого покрытия или ненадежной работы стояночного тормоза, он мог принять решение на увеличение скорости, в надежде преодолеть перекресток до въезда на него автомобилей с поперечной дороги, либо в) видя, что наперерез и слева по отношению к его грузовику приближается легковой автомобиль, а справа, но чуть дальше – уже грузовик, водитель мог не предпринимать никаких действий, растерявшись или понадеявшись на счастливый исход...
При принятии решений о способе поведения в подобных условиях любой человек обычно руководствуется субъективно оцененной им мерой опасности и собственными возможностями, определяемыми психофизиологическими качествами – оперативностью мышления, знанием порядка действий в подобных нестандартных ситуациях, способностью прогнозировать ожидаемые последствия и уровнем мотивации к их изменению. С учетом этого он вначале выбирает оптимальный для него выход из сложившейся ситуации, а затем и осуществляет “наилучшие” в его представлении действия, которые в действительности могут быть либо точными, либо ошибочными. Отказ от них, вследствие замешательства или потери самообладания в данных нестандартных условиях, учтен на рис. 1 в виде отдельного исхода «Бездействие человека», расположенного над соответствующим (уже третьим) стохастическим узлом-разветвлением.
Если принятое решение и действия водителя грузовика, перевозящего АХОВ, окажутся действительно точными, то они могут возвратить рассматриваемую здесь ЧМС в состояние равновесия – за счет адаптации к возникшему возмущению (событие 44). А вот в других случаях там уже появится опасная ситуация, что и показано на модели событием 50. К её возникновению в системе будут также приводить отказы других ответственных элементов автомобиля или опасные внешние воздействия на него или водителя со стороны окружающей их среды.
Появившаяся в рассматриваемой системе опасная ситуация может перерасти в критическую (событие 65), т.е. привести к взаимному совмещению зоны действия возник ших опасных факторов с незащищенными от них объектами, либо завершиться адаптацией ЧМС к опасной ситуации (событие 64). Возможность такой адаптации будет зависеть от особенностей возникшей дорожно-транспортной ситуации: качества и взаимной совместимости конкретных компонентов исследуемого транспортного средства и его окружения – технических средств обеспечения безопасности дорожного движения, обученности других водителей и оказавшихся вблизи пешеходов точным действиям в подобной нештатной ситуации и т.п.
Подобно будет обстоять дело и с возникшей затем критической ситуацией. Она может завершиться либо адаптацией ЧМС (событие 78), либо фактом проявления аварийности или травматизма, т.е. возникновением какого-либо из событий, помеченных на рис. 1 номерами 79а, 79б или 79в. Конкретный вид ТП (несчастный случай, катастрофа, авария или поломка) будет определяться спецификой возникшей критической ситуации – каков потенциал случайно возникшего опасного фактора, какие из незащищенных объектов оказались в зоне его появления, какому разрушительному воздействию они подверглись.
В частности, при низком потенциале опасности (малых массе и скорости соударяющихся тел), а также её воздействии на незащищенные элементы транспортных средств или окружающих их объектов, возможны поломки или аварии, иногда сопровождающиеся загрязнением природной среды. При воздействии же опасного фактора только на людей, возможны несчастные случаи, включая их гибель. В тех случаях, когда выход из строя одних компонентов ЧМС (например, гибель экипажа самолета) неизбежно ведет к уничтожению других (воздушного судна вместе с пассажирами и грузом) – каскадный эффект, а также при очень больших потенциалах аварийно высвободившихся энергии и вредного вещества, будут возникать катастрофы.
Применительно к рассматриваемой здесь перевозочной ситуации подобные исходы могут проявиться, например, в следующем. При незначительной относительной скорости и массе столкнувшихся автомобилей, они сами и их водители могут «отделаться» лишь незначительными повреждениями. В случае «въезда» на большой скорости легкового автомобиля в грузовик с АХОВ, внезапно оказавшийся на перекрестке и «подставивший» свой левый бок, помимо неизбежных при этом поломок, могут пострадать также и оба водителя.
Наконец, если в результате столкновения на большой скорости двух грузовых автомобилей произошла утечка, воспламенение или взрыв находящегося в одном из них АХОВ, то данное ТП может иметь катастрофические последствия по причине гибели оказавшихся вблизи пешеходов, уничтожения столкнувшихся транспортных средств и имеющихся в них людей, причинения иного крупного материального ущерба. Возможность одних техногенных происшествий инициировать другие («эффект домино») учтена в показанной на рис. 1 модели пунктирной линией, идущей от верхних событий изображенной там сети к нижним.
Как мог убедиться читатель, только что рассмотренная (логико-лингвистическая) модель техногенного происшествия при функционировании ЧМС (возникновения ТП при перевозке АХОВ автомобилем) полностью соответствует современным представлениям о закономерностях проявления источников транспортного риска. Об этом же свидетельствуют и результаты анализа обстоятельств возникновения других техногенных происшествий, указывающие, что их появлению всегда предшествуют ПЦП, обычно включающие ошибки людей, отказы техники и неблагоприятные для них внешние воздействия. Кроме того, на возникновение отдельных предпосылок каждого типа влияет громадное число реально действующих факторов, большинство из которых имеет нечетко определенную природу, а потому и являются лингвистическими переменными, т.е. чаще всего пригодными для выражения лишь словами разговорной речи.
Данное обстоятельство позволяет использовать предложенную выше модель для разработки такого машинного алгоритма, который был бы пригоден для априорной оценки риска транспортных происшествий путем имитационного моделирования процесса их возникновения. Приемлемость такого (имитационного) подхода может быть обоснована, по меньшей мере, двумя соображениями. Во-первых, выполнение большинства перевозочных процессов правомерно представлять в виде функционирования соответствующих ЧМС. При этом успешное или неуспешное завершение каждого из них будет эквивалентно отсутствию или появлению какого-либо транспортного происшествия. Во-вторых, если же рассматривать конкретный перевозочный процесс, многократно выполняемый с привлечением однотипных транспортных средств, то можно утверждать и о массовом характере перечисленных выше исходов. Следовательно, требования к массовости и стохастичности соблюдаются, что позволяет использовать имитационное моделирование для прогноза транспортного риска.
Поясним идею подобного моделирования с помощью модели, показанной на рис. 2 и полученной путем дальнейшей формализации только что рассмотренной ранее (см. рис. 1). Она получена путем замены 1) подавляющего большинства имеющихся там прямоугольников на каплеобразные узлы стохастического разветвления, помеченные сверху арабскими цифрами, 2) а всех ромбовидных фигур – на оцифрованные в нижней части круги, размещенные по контуру этой модели и снабженные выходящими из них спиралевидными стрелками с латинскими буквами.
До того как охарактеризовать полученную таким образом сеть GERT, поясним, что в построенном на её основе машинном алгоритме (детально будет рассмотрен чуть ниже – см. рис. 3), все узлы и дуги будут генерировать, обрабатывать или передавать цифровую информацию, указывающую на вклад учитываемых факторов (свойств ЧМС) в условия зарождения и развития ПЦП. Для удобства восприятия моделируемого этой сетью процесса, первоисточники такой информации (генераторы случайных чисел) помечены там волнистыми стрелками, входящими в соответствующие стохастические узлы с цифровыми кодами (соответствуют частным свойствам конкретных компонентов ЧМС), а некоторые её дуги и каждый узел – цифрами, часть из которых уже использована в предыдущей модели (см. рис. 1).
Уточним, что все узлы стохастического разветвления сети имеют одинаковые (единичные) степени свободы для первой и последующих реализаций входящих дуг (предецессеров). Кроме того, лишь три её узла (23, 33 и 35) имеют там более двух выходящих дуг (саксессеров). В предыдущей модели (см. рис. 1) они соответствовали выполнению следующих этапов операторского алгоритма: 23 – восприятие и дешифровка информации о состоянии ЧМС, 33 – принятие решения о необходимости и способе устранения нарушенного в ней равновесия, 35 – практическая реализация оператором принятого решения. Обратим также внимание на события, закодированные одними и теми же цифрами (26, 44, 50, 64, 65, 78 и 79) на обоих рисунках. При моделировании они исполняют роль узлов-статистик, регистрирующих факт достижения цифровым потоком любого из этих исходов. На такую возможность в ходе проведения имитационных машинных экспериментов указывают спиралевидные стрелки, исходящие из таких узлов.
Сведения об учитываемых при этом факторах: коды, наименования, номера соответствующих узлов (исток и сток) сети GERT, а также переменные индексы значимости (символ «∨» между их возможными величинами означает логическое условие «или») приведены в таблице 1.