复杂社会技术系统中基于情境敏感性的绩效变异性分析与干预框架

为解决复杂社会技术系统中绩效变异性导致的效率与安全问题，研究人员结合人机工程学分析（EWA）、功能共振分析方法（FRAM）和模糊集理论（FST），提出了一种情境敏感的干预框架。该研究通过医疗转诊案例验证了模型有效性，揭示了跨部门信息流协调的关键作用，为资源受限系统提供了精准干预工具。

　　

在医疗、交通等复杂社会技术系统中，绩效变异性（Performance Variability）既是适应性的体现，也可能引发连锁风险。传统方法如功能共振分析方法（Functional Resonance Analysis Method, FRAM）虽能建模系统功能交互，但缺乏量化分析能力；而现有量化模型又难以捕捉情境因素（Contextual Factors）对变异性传播的动态影响。这种矛盾在资源紧张的巴西医疗转诊系统中尤为突出——部门间信息断层常导致预约延误，但现有工具无法精准定位干预靶点。

为此，巴西国家科学技术发展委员会（CNPq）资助的研究团队提出创新解决方案。通过整合人机工程学分析（Ergonomic Work Analysis, EWA）的深度情境洞察、FRAM的系统拓扑表达能力，以及模糊集理论（Fuzzy Set Theory, FST）对不确定性的数学处理能力，构建了首个支持敏感性分析的混合框架。该研究以巴西某高复杂度医院的医疗预约系统为样本，采集医护人员工作日志和访谈数据，利用Sobol指数量化了21项情境因素对系统功能的差异化影响。

关键技术包括：1）基于EWA的参与式情境因素提取，确保模型反映真实工作场景；2）FRAM-FST耦合建模，将语言变量（如"资源不足"）转化为模糊规则；3）基于Sobol指数的全局敏感性分析，识别关键变异性传播路径。

Results

• 功能关键性排序：通过模糊推理系统量化得出，"构建医疗日程表"（Build medical schedule）、"检查"（）和"选择"（）功能敏感性指数最高（0.7741），其绩效波动对系统影响最大。
• 情境因素权重：部门间信息同步延迟（）的敏感性指数达0.682，工作人员反馈"其他部门数据更新不及时，我们只能凭经验猜测"。
• 干预模拟：提升跨部门信息流协调可使系统稳定性提升41%，显著优于单纯增加人力（仅12%改善）。

Discussion
该框架突破传统FRAM的三大局限：1）通过EWA实现情境因素的数据驱动提取，避免预设通用绩效条件（Common Performance Conditions, CPCs）的偏差；2）首创基于Sobol指数的敏感性分析模块，量化显示"信息流"因素对系统影响是非线性的；3）模糊规则库设计遵循FRAM的变异性传播理论，如"如果资源充足性为低，则执行时间变异性升高"。

Conclusion
研究证实，该框架能有效识别医疗系统中的"杠杆点"（Leverage Points）——即通过最小干预获取最大改善的环节。相比蒙特卡洛模拟（Monte Carlo Simulation, MCS）或贝叶斯网络（Bayesian Networks, BN），FST更适合处理医疗领域常见的语言化描述数据。作者Luiza dos Santos指出，该方法已应用于巴西5家医院的流程优化，平均缩短预约等待时间23%。未来可扩展至航空管制、应急响应等高风险系统，为复杂社会技术系统的韧性（Resilience）建设提供新范式。