我国沿海水域船舶碰撞事故形态特征分析*

2023-12-12江玉杰陈继红

中国安全生产科学技术 2023年11期

江玉杰,万征,陈继红,2

(1.上海海事大学交通运输学院,上海 201306;2.深圳大学管理学院,广东深圳 518060)

0 引言

随着航运业不断发展,海事事故时有发生[1]。文献[2-3]指出,船舶碰撞事故是主要的海事事故类型,占全球海事事故的40%以上。船舶碰撞事故一旦发生,不仅可能威胁船员生命健康和货物安全,而且可能会造成一定的水域污染和经济损失[4-5]。在上述背景下,船舶碰撞事故引起相关学者的广泛关注。目前,国内外学者主要从以下3个方面开展船舶碰撞事故研究:

1)船舶碰撞事故特征分析。例如,Rong等[6]运用空间自相关方法剖析葡萄牙沿海水域船舶碰撞事故热点区域与交通特征因素之间的空间相关性;Yang等[7]使用核密度分析方法揭示我国国内沿海水域商船与渔船碰撞事故的空间分布。

2)船舶碰撞事故致因分析。例如,Weng等[8]借助动态船舶领域模型探讨长江口交通与环境特征因素对船舶碰撞事故的影响,研究结果表明:黑暗条件是影响船舶碰撞事故主要因素;Antao等[9]运用COX回归模型分析船舶特征因素与地理区域对船舶碰撞事故的影响,研究结果表明:船型和地理区域是影响全球船舶碰撞事故主要因素;郑霞忠等[10]采用复杂网络辨识内河水域船舶碰撞事故关键致因;Li等[11]利用HFACS-BN模型分析长江水域船舶碰撞事故的人为与组织因素。

3)船舶碰撞事故后果分析。例如,Lan等[4]使用数据驱动的方法分析船舶碰撞事故严重度的影响因素,研究结果表明:团队沟通不良是影响船舶碰撞事故严重度主要因素;Kim等[5]采用非线性有限元方法量化油船碰撞事故的环境污染度;Weng等[12]运用有序Probit模型剖析福建海域船舶碰撞事故严重度的影响因素,研究结果表明:大型船、能见度不良、春季和夜间是船舶碰撞事故严重度的主要影响因素;Weng等[13]利用贝叶斯回归模型估计船舶碰撞事故的经济损失,研究结果表明:渔船参与会较大程度增加船舶碰撞的经济损失。

综上可知,关于船舶碰撞事故研究主要侧重于船舶碰撞事故的特征、致因和后果3个方面,但鲜有研究分析船舶碰撞事故形态特征。在实际中,沿海水域相较于其他水域发生船舶碰撞事故概率更高[2]。根据《2020中国交通运输统计年鉴》中数据统计可知,2020年我国有79.92%船舶事故险情发生在4大海区[14]。与其他事故类型相比,我国沿海水域发生船舶碰撞事故的概率较高,占比64%[15]。因此,探讨我国沿海水域船舶碰撞事故形态特征具有一定现实意义。

基于此,本文从中国海事局及其相关直属机构官方网站上采集研究数据,运用贝叶斯网络分析方法,探讨我国沿海水域船舶碰撞事故形态特征,研究结果可为我国沿海水域船舶碰撞事故治理提供理论参考。

1 数据与方法

1.1 数据采集

为确保数据的权威性、公开性和完整性,本文从中国海事局及其直属机构官方网站上遴选出可用于本文研究的293份2013-2021年我国沿海水域船舶碰撞事故调查报告。其中,每份船舶事故调查报告均包括事故时间与地点、事故环境、涉事船舶和事故后果等信息。

1.2 数据处理

按照用途不同,船舶可划分为干货船、液货船、渔船和其他类型船舶[16]。其中,干货船是指运输干燥货物的船舶,包括杂货船、散货船、冷藏船、集装箱船、多用途货船等[17];液货船是指运载液态货物的船舶,包括油船和液化气船等[17];渔船是指捕捞和采收水生动植物、辅助捕捞生产的船舶,包括渔业捕捞船、渔业运输船、渔业辅助船和灯光诱鱼围网船等[18];其他类型船舶是指除干货船、液货船和渔船之外的其他船舶,包括挖泥船、吸泥船、打桩船和农用船等[18]。在上述基础上,可将船舶碰撞事故形态划分为干货船与干货船碰撞、干货船与液货船碰撞、干货船与渔船碰撞、干货船与其他类型船舶碰撞、液货船与液货船碰撞、液货船与渔船碰撞、液货船与其他类型船舶碰撞、渔船与渔船碰撞、渔船与其他类型船舶碰撞、其他类型船舶与其他类型船舶碰撞10类碰撞。经统计可知,上述10类占总数的比重分别约为22.87%,5.80%,50.51%,5.12%,1.02%,7.17%,0.34%,0%,6.48%,0.68%。依据上述样本船舶碰撞事故形态分布情况,将船舶碰撞事故形态划分为干货船与干货船碰撞(记为CT1,占样本量22.87%,下同)、干货船与渔船碰撞(CT2,50.51%)、其他船舶间碰撞(CT3,26.62%)3类碰撞。因此,相较于干货船与干货船碰撞、其他船舶间碰撞,我国沿海发生干货船与渔船碰撞的概率更高,其原因在于:我国沿海商船的习惯航路与渔船作业区交叉重叠,使得商船与渔船时常并行,但因通信设备存在差异、语言不通而导致商船与渔船之间通信不畅[19],同时,我国沿海货运干货船数量远高于其他类型商船[20],因而更易导致干货船与渔船发生碰撞。

从事故时间、事故地点、事故环境和事故后果角度,选取9个船舶碰撞事故形态特征变量,各变量的描述统计如表1所示。由表1可知,我国沿海水域船舶碰撞事故多发生在夜间[21]、沿海航路、通航环境复杂情景下,而较少发生在夏季、强风、能见度不良情景下;多造成沉船、人员死亡/失踪等事故后果,而较少造成船舶溢油等事故后果。

1.3 分析方法

贝叶斯网络(BN)是1种基于概率推理的图形模型,其不仅可以通过引入先验知识改进传统统计方法的缺陷,而且可以基于观测信息对网络概率进行推理分析。BN主要由网络模型即有向无环图和网络参数即条件概率表P组成[22]。其中,V={v1,v2,…,vn}为节点集;E={(vi,vj)}为有向边集;P为量化节点vi(i=1,2,…,n)与父节点Parent(vi)之间关系的参数。在所有节点条件独立的前提下,遵循Judea Pearl所提D分离准则,可得V的联合概率分布,如式(1)所示:

(1)

式中:P(V)表示网络联合概率分布;V表示网络节点集;vi表示序号为i的节点;i表示节点序号;n表示节点总数;Parent(vi)表示节点vi的父节点。

BN建模与分析主要有以下3个步骤:

1)确定网络结构。目前,确定网络结构有3种方法。第1种方法是依据专家知识经验确定网络结构。该方法属于主观建模范畴,适用于网络节点较少、节点之间关系清晰的情况。Cakir等[23]认为,该方法不能保证所建网络结构的准确性,很难在网络节点较多的情况下确定节点之间的关系,而专家知识经验的局限也可能使网络结构产生不确定性与偏差。第2种方法是依据数据分析结果确定网络结构,该方法属于客观建模范畴,适用于样本量足够大的情况,但忽略了专家知识经验。第3种方法是依据专家知识经验和数据分析结果确定网络结构,该方法属于主客观建模范畴,能够弥补前2种方法的不足之处,因而所确定的网络结构更加符合实际情况[24]。基于此,本文综合列联表分析结果和专家知识经验,确定网络结构。

2)确定网络参数。目前,有2种方法可以确定网络参数[23]。第1种方法是依据专家知识经验确定网络参数。该方法适用于网络节点较少、网络结构简单的情况,而对于网络结构复杂的情况不再适用。与此同时,该方法易受专家知识经验的限制,即当专家知识经验并不完整和准确时,易导致结果存在较大偏差[23]。第2种方法是依据样本数据进行参数学习,以确定网络参数。EM(最大期望)算法可用于所有数据(包括完整数据或不完整数据、小样本数据等)的参数估计,参数估计收敛速度较快,参数估计结果具有较强的鲁棒性[25]。基于此,本文采用EM算法确定网络参数。

3)BN分析。BN分析包括预测推理分析、敏感性分析和支持推理分析等[26]。本文采用预测推理分析、敏感性分析和支持推理分析来揭示我国沿海水域船舶碰撞事故形态特征。

2 结果分析

2.1 贝叶斯网络构建

由表1可知,事故季节、事故时段、事故地点、强风、能见度不良、通航环境复杂、人员死亡/失踪、沉船、船舶溢油是船舶碰撞事故形态特征变量,因而可确定BN模型的节点变量及其状态。其中,“事故季节”节点存在AS1(春季)、AS2(夏季)、 AS3(秋季)和AS4(冬季)4种状态;“事故时段”节点存在AT1(白天)和AT2(夜间)2种状态;“事故地点”节点存在AL1(港口航道)、AL2(停泊水域)、AL3(沿海航路)3种状态;“强风” “能见度不良” “通航环境复杂” “人员死亡/失踪” “沉船” “船舶溢油”等6个节点存在No(否)和Yes(是)2种状态;“船舶碰撞事故形态”节点存在CT1(干货船与干货船碰撞)、CT2(干货船与渔船碰撞)、CT3(其他船舶间碰撞)3种状态。

从事故演化逻辑角度看,事故季节、事故时段、事故地点、强风、能见度不良、通航环境复杂是船舶碰撞事故形态的前因变量,而人员死亡/失踪、沉船、船舶溢油是船舶碰撞事故形态的结果变量。为探究前因变量间相关关系和结果变量间的相关关系,进行列联表分析,结果如表2所示(表2中仅列出具有统计显著性的相关对)。

表2 列联表分析结果Table 2 Analysis results of contingency table

由表2可知,事故季节与事故地点、能见度不良之间存在显著的相关关系;事故时段与能见度不良之间存在显著的相关关系;沉船与人员死亡/失踪、船舶溢油之间存在显著的相关关系;船舶溢油与人员死亡/失踪之间存在显著的相关关系。根据文献[27]和专家知识经验可知,事故季节是事故地点、能见度不良的前因变量;事故时段是能见度不良的前因变量;沉船是人员死亡/失踪、船舶溢油的前因变量;船舶溢油与人员死亡/失踪之间不存在因果关系。依据节点间因果关系,构建以事故影响因素→船舶碰撞事故形态→事故后果作为演化逻辑的BN网络结构,并使用EM算法进行参数学习,以此来构建BN模型。本文所建BN模型示意如图1所示。

图1 BN模型示意Fig.1 Schematic diagram of BN model

2.2 预测推理分析

本文将事故季节、事故时段、事故地点、强风、能见度不良、通航环境复杂和船舶碰撞事故形态分别作为证据变量进行预测推理分析。

1)“事故季节”节点预测推理分析

将“事故季节”证据变量依次设置为春季、夏季、秋季和冬季,可得不同事故季节下船舶碰撞事故形态分布情况,如图2所示。由图2可知,不同事故季节下船舶碰撞事故形态分布存在差异,具体表现为:与其他事故季节相比,春季发生干货船与干货船碰撞事故的概率较高;秋季发生干货船与渔船碰撞事故的概率较高;冬季发生其他船舶间碰撞事故的概率较高。

图2 不同事故季节下船舶碰撞事故形态分布Fig.2 Morphology distribution of ship collision accidents in different accident seasons

2)“事故时段”节点预测推理分析

将“事故时段”证据变量依次设置为白天和夜间,可得不同事故时段下船舶碰撞事故形态分布情况,如图3所示。由图3可知,不同事故时段下船舶碰撞事故形态分布存在差异,具体表现为:与白天相比,夜间发生干货船与干货船碰撞事故的概率较高,而发生其他船舶间碰撞事故的概率较低;白天和夜间发生干货船与渔船碰撞事故的概率无明显不同。

图3 不同事故时段下船舶碰撞事故形态分布Fig.3 Morphology distribution of ship collision accidents in different accident periods

3)“事故地点”节点预测推理分析

将“事故地点”证据变量依次设置为港口航道、停泊水域和沿海航路,可得不同事故地点下船舶碰撞事故形态分布情况,如图4所示。由图4可知,不同事故地点下船舶碰撞事故形态分布存在差异,具体表现为:与其他事故地点相比,停泊水域发生干货船与干货船碰撞事故的概率较最高;沿海航路发生干货船与渔船碰撞事故的概率较高;港口航道发生其他船舶间碰撞事故的概率较高。

4)“强风”节点预测推理分析

将“强风”证据变量依次设置为否、是,可得不同风级下船舶碰撞事故形态分布情况,如图5所示。由图5可知,不同风级下船舶碰撞事故形态分布存在差异,具体表现为:与其他风级相比,强风环境下发生干货船与干货船碰撞事故的概率较高,而发生干货船与渔船碰撞事故、其他船舶间碰撞事故的概率较低。

5)“能见度不良”节点预测推理分析

将“能见度不良”证据变量依次设置为否、是,可得不同能见度下船舶碰撞事故形态分布情况,如图6所示。由图6可知,不同能见度下船舶碰撞事故形态分布存在差异,具体表现为:与其他能见度相比,能见度不良环境下发生其他船舶间碰撞事故的概率较高,而发生干货船与干货船碰撞事故、干货船与渔船碰撞事故的概率较低。

图6 不同能见度下船舶碰撞事故形态分布Fig.6 Morphology distribution of ship collision accidents under different visibility

6)“通航环境复杂”节点预测推理分析

将“通航环境复杂”证据变量依次设置为否、是,可得不同通航环境下船舶碰撞事故形态分布情况,如图7所示。由图7可知,不同通航环境下船舶碰撞事故形态分布存在差异,具体表现为:与其他通航环境相比,通航环境复杂下发生干货船与干货船碰撞事故、干货船与渔船碰撞事故的概率较高,而发生其他船舶间碰撞事故的概率较低。

图7 不同通航环境下船舶碰撞事故形态分布Fig.7 Morphology distribution of ship collision accidents under different navigation environments

7)“船舶碰撞事故形态”节点预测推理分析

将“船舶碰撞事故形态”证据变量依次设置为干货船与干货船碰撞、干货船与渔船碰撞、其他船舶间碰撞,可得不同船舶碰撞事故形态下事故后果分布情况,如图8所示。由图8可知,不同船舶碰撞事故形态下事故后果分布存在差异,具体表现为:与其他船舶碰撞事故形态相比,干货船与渔船碰撞事故导致人员死亡/失踪和沉船的概率较高,而导致船舶溢油的概率较低。

图8 不同船舶碰撞事故形态下事故后果分布Fig.8 Distribution of accident consequences under different morphology of ship collision accidents

2.3 敏感性分析

敏感性分析能够量化父节点的微小变化对子节点的影响程度,因而可识别出对目标变量有重要影响的前因变量。借助GeNIe软件中的敏感性分析功能,可得“船舶碰撞事故形态”节点的敏感性分析结果,如表3所示。由表3可知,对船舶碰撞事故形态敏感性由强到弱的特征变量依次为:强风(0.380)>事故季节(0.160)>事故地点(0.137)>事故时段(0.119)>通航环境复杂(0.053)>能见度不良(0.032)。由此可见,强风是对船舶碰撞事故形态敏感性较高的特征变量,而能见度不良是对船舶碰撞事故形态敏感性较低的特征变量。从变化幅度角度看,根据预测推理分析结果统计可知,强风环境相较于非强风环境,使得干货船与干货船碰撞的发生概率增加约37.97个百分点(从20.966%增至58.931%),而使得干货船与渔船碰撞、其他船舶间碰撞的发生概率分别下降约28.31个百分点(从52.769%减至24.462%)和9.66个百分点(从26.265%减至16.607%);能见度不良相较于能见度良好,使得干货船与干货船碰撞、干货船与渔船碰撞的发生概率分别下降约4.02个百分点(从23.476%减至19.454%)和5.23个百分点(从52.323%减至47.092%),而使得其他船舶间碰撞的发生概率增加约9.25个百分点(从24.201%增至33.455%)。

表3 敏感性分析结果Table 3 Sensitivity analysis results

2.4 支持推理分析

开展支持推理分析需要设置事故情景[22],在多节点BN模型中,不同节点组合可形成数量众多的事故情景,因而很难模拟所有事故情景[15]。由表3可知,强风和事故季节是对船舶碰撞事故形态敏感性较高的2个特征变量,因而选择上述2个变量作为事故情景变量。基于此,设计出8种事故情景,即事故情景1:强风=否,事故季节=春季;事故情景2:强风=否,事故季节=夏季;事故情景3:强风=否,事故季节=秋季;事故情景4:强风=否,事故季节=冬季;事故情景5:强风=是,事故季节=春季;事故情景6:强风=是,事故季节=夏季;事故情景7:强风=是,事故季节=秋季;事故情景8:强风=是,事故季节=冬季。借助GeNIe 软件中的支持推理分析功能,得到上述不同事故情景下船舶碰撞事故形态分布情况,如图9所示。由图9可知,事故情景6发生干货船与干货船碰撞事故的概率较高,约为77.00%;事故情景3发生干货船与渔船碰撞事故的概率较高,约为65.86%;事故情景4发生其他船舶间碰撞事故的概率较高,约为32.17%。