我國沿海水域船舶碰撞事故形態特征分析*

江玉杰,萬 征,陳繼紅,2

(1.上海海事大學 交通運輸學院,上海 201306;2.深圳大學 管理學院,廣東 深圳 518060)

0 引言

隨著航運業不斷發展,海事事故時有發生[1]。文獻[2-3]指出,船舶碰撞事故是主要的海事事故類型,占全球海事事故的40%以上。船舶碰撞事故一旦發生,不僅可能威脅船員生命健康和貨物安全,而且可能會造成一定的水域污染和經濟損失[4-5]。在上述背景下,船舶碰撞事故引起相關學者的廣泛關注。目前,國內外學者主要從以下3個方面開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]運用空間自相關方法剖析葡萄牙沿海水域船舶碰撞事故熱點區域與交通特征因素之間的空間相關性;Yang等[7]使用核密度分析方法揭示我國國內沿海水域商船與漁船碰撞事故的空間分布。

2)船舶碰撞事故致因分析。例如,Weng等[8]借助動態船舶領域模型探討長江口交通與環境特征因素對船舶碰撞事故的影響,研究結果表明:黑暗條件是影響船舶碰撞事故主要因素;Antao等[9]運用COX回歸模型分析船舶特征因素與地理區域對船舶碰撞事故的影響,研究結果表明:船型和地理區域是影響全球船舶碰撞事故主要因素;鄭霞忠等[10]采用復雜網絡辨識內河水域船舶碰撞事故關鍵致因;Li等[11]利用HFACS-BN模型分析長江水域船舶碰撞事故的人為與組織因素。

3)船舶碰撞事故后果分析。例如,Lan等[4]使用數據驅動的方法分析船舶碰撞事故嚴重度的影響因素,研究結果表明:團隊溝通不良是影響船舶碰撞事故嚴重度主要因素;Kim等[5]采用非線性有限元方法量化油船碰撞事故的環境污染度;Weng等[12]運用有序Probit模型剖析福建海域船舶碰撞事故嚴重度的影響因素,研究結果表明:大型船、能見度不良、春季和夜間是船舶碰撞事故嚴重度的主要影響因素;Weng等[13]利用貝葉斯回歸模型估計船舶碰撞事故的經濟損失,研究結果表明:漁船參與會較大程度增加船舶碰撞的經濟損失。

綜上可知,關于船舶碰撞事故研究主要側重于船舶碰撞事故的特征、致因和后果3個方面,但鮮有研究分析船舶碰撞事故形態特征。在實際中,沿海水域相較于其他水域發生船舶碰撞事故概率更高[2]。根據《2020中國交通運輸統計年鑒》中數據統計可知,2020年我國有79.92%船舶事故險情發生在4大海區[14]。與其他事故類型相比,我國沿海水域發生船舶碰撞事故的概率較高,占比64%[15]。因此,探討我國沿海水域船舶碰撞事故形態特征具有一定現實意義。

基于此,本文從中國海事局及其相關直屬機構官方網站上采集研究數據,運用貝葉斯網絡分析方法,探討我國沿海水域船舶碰撞事故形態特征,研究結果可為我國沿海水域船舶碰撞事故治理提供理論參考。

1 數據與方法

1.1 數據采集

為確保數據的權威性、公開性和完整性,本文從中國海事局及其直屬機構官方網站上遴選出可用于本文研究的293份2013-2021年我國沿海水域船舶碰撞事故調查報告。其中,每份船舶事故調查報告均包括事故時間與地點、事故環境、涉事船舶和事故后果等信息。

1.2 數據處理

按照用途不同,船舶可劃分為干貨船、液貨船、漁船和其他類型船舶[16]。其中,干貨船是指運輸干燥貨物的船舶,包括雜貨船、散貨船、冷藏船、集裝箱船、多用途貨船等[17];液貨船是指運載液態貨物的船舶,包括油船和液化氣船等[17];漁船是指捕撈和采收水生動植物、輔助捕撈生產的船舶,包括漁業捕撈船、漁業運輸船、漁業輔助船和燈光誘魚圍網船等[18];其他類型船舶是指除干貨船、液貨船和漁船之外的其他船舶,包括挖泥船、吸泥船、打樁船和農用船等[18]。在上述基礎上,可將船舶碰撞事故形態劃分為干貨船與干貨船碰撞、干貨船與液貨船碰撞、干貨船與漁船碰撞、干貨船與其他類型船舶碰撞、液貨船與液貨船碰撞、液貨船與漁船碰撞、液貨船與其他類型船舶碰撞、漁船與漁船碰撞、漁船與其他類型船舶碰撞、其他類型船舶與其他類型船舶碰撞10類碰撞。經統計可知,上述10類占總數的比重分別約為22.87%,5.80%,50.51%,5.12%,1.02%,7.17%,0.34%,0%,6.48%,0.68%。依據上述樣本船舶碰撞事故形態分布情況,將船舶碰撞事故形態劃分為干貨船與干貨船碰撞(記為CT1,占樣本量22.87%,下同)、干貨船與漁船碰撞(CT2,50.51%)、其他船舶間碰撞(CT3,26.62%)3類碰撞。因此,相較于干貨船與干貨船碰撞、其他船舶間碰撞,我國沿海發生干貨船與漁船碰撞的概率更高,其原因在于:我國沿海商船的習慣航路與漁船作業區交叉重疊,使得商船與漁船時常并行,但因通信設備存在差異、語言不通而導致商船與漁船之間通信不暢[19],同時,我國沿海貨運干貨船數量遠高于其他類型商船[20],因而更易導致干貨船與漁船發生碰撞。

從事故時間、事故地點、事故環境和事故后果角度,選取9個船舶碰撞事故形態特征變量,各變量的描述統計如表1所示。由表1可知,我國沿海水域船舶碰撞事故多發生在夜間[21]、沿海航路、通航環境復雜情景下,而較少發生在夏季、強風、能見度不良情景下;多造成沉船、人員死亡/失蹤等事故后果,而較少造成船舶溢油等事故后果。

1.3 分析方法

貝葉斯網絡(BN)是1種基于概率推理的圖形模型,其不僅可以通過引入先驗知識改進傳統統計方法的缺陷,而且可以基于觀測信息對網絡概率進行推理分析。BN主要由網絡模型即有向無環圖和網絡參數即條件概率表P組成[22]。其中,V={v1,v2,…,vn}為節點集;E={(vi,vj)}為有向邊集;P為量化節點vi(i=1,2,…,n)與父節點Parent(vi)之間關系的參數。在所有節點條件獨立的前提下,遵循Judea Pearl所提D分離準則,可得V的聯合概率分布,如式(1)所示:

(1)

式中:P(V)表示網絡聯合概率分布;V表示網絡節點集;vi表示序號為i的節點;i表示節點序號;n表示節點總數;Parent(vi)表示節點vi的父節點。

BN建模與分析主要有以下3個步驟:

1)確定網絡結構。目前,確定網絡結構有3種方法。第1種方法是依據專家知識經驗確定網絡結構。該方法屬于主觀建模范疇,適用于網絡節點較少、節點之間關系清晰的情況。Cakir等[23]認為,該方法不能保證所建網絡結構的準確性,很難在網絡節點較多的情況下確定節點之間的關系,而專家知識經驗的局限也可能使網絡結構產生不確定性與偏差。第2種方法是依據數據分析結果確定網絡結構,該方法屬于客觀建模范疇,適用于樣本量足夠大的情況,但忽略了專家知識經驗。第3種方法是依據專家知識經驗和數據分析結果確定網絡結構,該方法屬于主客觀建模范疇,能夠彌補前2種方法的不足之處,因而所確定的網絡結構更加符合實際情況[24]?；诖?本文綜合列聯表分析結果和專家知識經驗,確定網絡結構。

2)確定網絡參數。目前,有2種方法可以確定網絡參數[23]。第1種方法是依據專家知識經驗確定網絡參數。該方法適用于網絡節點較少、網絡結構簡單的情況,而對于網絡結構復雜的情況不再適用。與此同時,該方法易受專家知識經驗的限制,即當專家知識經驗并不完整和準確時,易導致結果存在較大偏差[23]。第2種方法是依據樣本數據進行參數學習,以確定網絡參數。EM(最大期望)算法可用于所有數據(包括完整數據或不完整數據、小樣本數據等)的參數估計,參數估計收斂速度較快,參數估計結果具有較強的魯棒性[25]?；诖?本文采用EM算法確定網絡參數。

3)BN分析。BN分析包括預測推理分析、敏感性分析和支持推理分析等[26]。本文采用預測推理分析、敏感性分析和支持推理分析來揭示我國沿海水域船舶碰撞事故形態特征。

2 結果分析

2.1 貝葉斯網絡構建

由表1可知,事故季節、事故時段、事故地點、強風、能見度不良、通航環境復雜、人員死亡/失蹤、沉船、船舶溢油是船舶碰撞事故形態特征變量,因而可確定BN模型的節點變量及其狀態。其中,“事故季節”節點存在AS1(春季)、AS2(夏季)、 AS3(秋季)和AS4(冬季)4種狀態;“事故時段”節點存在AT1(白天)和AT2(夜間)2種狀態;“事故地點”節點存在AL1(港口航道)、AL2(停泊水域)、AL3(沿海航路)3種狀態;“強風” “能見度不良” “通航環境復雜” “人員死亡/失蹤” “沉船” “船舶溢油”等6個節點存在No(否)和Yes(是)2種狀態;“船舶碰撞事故形態”節點存在CT1(干貨船與干貨船碰撞)、CT2(干貨船與漁船碰撞)、CT3(其他船舶間碰撞)3種狀態。

從事故演化邏輯角度看,事故季節、事故時段、事故地點、強風、能見度不良、通航環境復雜是船舶碰撞事故形態的前因變量,而人員死亡/失蹤、沉船、船舶溢油是船舶碰撞事故形態的結果變量。為探究前因變量間相關關系和結果變量間的相關關系,進行列聯表分析,結果如表2所示(表2中僅列出具有統計顯著性的相關對)。

表2 列聯表分析結果Table 2 Analysis results of contingency table

由表2可知,事故季節與事故地點、能見度不良之間存在顯著的相關關系;事故時段與能見度不良之間存在顯著的相關關系;沉船與人員死亡/失蹤、船舶溢油之間存在顯著的相關關系;船舶溢油與人員死亡/失蹤之間存在顯著的相關關系。根據文獻[27]和專家知識經驗可知,事故季節是事故地點、能見度不良的前因變量;事故時段是能見度不良的前因變量;沉船是人員死亡/失蹤、船舶溢油的前因變量;船舶溢油與人員死亡/失蹤之間不存在因果關系。依據節點間因果關系,構建以事故影響因素→船舶碰撞事故形態→事故后果作為演化邏輯的BN網絡結構,并使用EM算法進行參數學習,以此來構建BN模型。本文所建BN模型示意如圖1所示。

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

2.2 預測推理分析

本文將事故季節、事故時段、事故地點、強風、能見度不良、通航環境復雜和船舶碰撞事故形態分別作為證據變量進行預測推理分析。

1)“事故季節”節點預測推理分析

將“事故季節”證據變量依次設置為春季、夏季、秋季和冬季,可得不同事故季節下船舶碰撞事故形態分布情況,如圖2所示。由圖2可知,不同事故季節下船舶碰撞事故形態分布存在差異,具體表現為:與其他事故季節相比,春季發生干貨船與干貨船碰撞事故的概率較高;秋季發生干貨船與漁船碰撞事故的概率較高;冬季發生其他船舶間碰撞事故的概率較高。

圖2 不同事故季節下船舶碰撞事故形態分布Fig.2 Morphology distribution of ship collision accidents in different accident seasons

2)“事故時段”節點預測推理分析

將“事故時段”證據變量依次設置為白天和夜間,可得不同事故時段下船舶碰撞事故形態分布情況,如圖3所示。由圖3可知,不同事故時段下船舶碰撞事故形態分布存在差異,具體表現為:與白天相比,夜間發生干貨船與干貨船碰撞事故的概率較高,而發生其他船舶間碰撞事故的概率較低;白天和夜間發生干貨船與漁船碰撞事故的概率無明顯不同。

圖3 不同事故時段下船舶碰撞事故形態分布Fig.3 Morphology distribution of ship collision accidents in different accident periods

3)“事故地點”節點預測推理分析

將“事故地點”證據變量依次設置為港口航道、停泊水域和沿海航路,可得不同事故地點下船舶碰撞事故形態分布情況,如圖4所示。由圖4可知,不同事故地點下船舶碰撞事故形態分布存在差異,具體表現為:與其他事故地點相比,停泊水域發生干貨船與干貨船碰撞事故的概率較最高;沿海航路發生干貨船與漁船碰撞事故的概率較高;港口航道發生其他船舶間碰撞事故的概率較高。

4)“強風”節點預測推理分析

將“強風”證據變量依次設置為否、是,可得不同風級下船舶碰撞事故形態分布情況,如圖5所示。由圖5可知,不同風級下船舶碰撞事故形態分布存在差異,具體表現為:與其他風級相比,強風環境下發生干貨船與干貨船碰撞事故的概率較高,而發生干貨船與漁船碰撞事故、其他船舶間碰撞事故的概率較低。

5)“能見度不良”節點預測推理分析

將“能見度不良”證據變量依次設置為否、是,可得不同能見度下船舶碰撞事故形態分布情況,如圖6所示。由圖6可知,不同能見度下船舶碰撞事故形態分布存在差異,具體表現為:與其他能見度相比,能見度不良環境下發生其他船舶間碰撞事故的概率較高,而發生干貨船與干貨船碰撞事故、干貨船與漁船碰撞事故的概率較低。

圖6 不同能見度下船舶碰撞事故形態分布Fig.6 Morphology distribution of ship collision accidents under different visibility

6)“通航環境復雜”節點預測推理分析

將“通航環境復雜”證據變量依次設置為否、是,可得不同通航環境下船舶碰撞事故形態分布情況,如圖7所示。由圖7可知,不同通航環境下船舶碰撞事故形態分布存在差異,具體表現為:與其他通航環境相比,通航環境復雜下發生干貨船與干貨船碰撞事故、干貨船與漁船碰撞事故的概率較高,而發生其他船舶間碰撞事故的概率較低。

圖7 不同通航環境下船舶碰撞事故形態分布Fig.7 Morphology distribution of ship collision accidents under different navigation environments

7)“船舶碰撞事故形態”節點預測推理分析

將“船舶碰撞事故形態”證據變量依次設置為干貨船與干貨船碰撞、干貨船與漁船碰撞、其他船舶間碰撞,可得不同船舶碰撞事故形態下事故后果分布情況,如圖8所示。由圖8可知,不同船舶碰撞事故形態下事故后果分布存在差異,具體表現為:與其他船舶碰撞事故形態相比,干貨船與漁船碰撞事故導致人員死亡/失蹤和沉船的概率較高,而導致船舶溢油的概率較低。

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

2.3 敏感性分析

敏感性分析能夠量化父節點的微小變化對子節點的影響程度,因而可識別出對目標變量有重要影響的前因變量。借助GeNIe軟件中的敏感性分析功能,可得“船舶碰撞事故形態”節點的敏感性分析結果,如表3所示。由表3可知,對船舶碰撞事故形態敏感性由強到弱的特征變量依次為:強風(0.380)>事故季節(0.160)>事故地點(0.137)>事故時段(0.119)>通航環境復雜(0.053)>能見度不良(0.032)。由此可見,強風是對船舶碰撞事故形態敏感性較高的特征變量,而能見度不良是對船舶碰撞事故形態敏感性較低的特征變量。從變化幅度角度看,根據預測推理分析結果統計可知,強風環境相較于非強風環境,使得干貨船與干貨船碰撞的發生概率增加約37.97個百分點(從20.966%增至58.931%),而使得干貨船與漁船碰撞、其他船舶間碰撞的發生概率分別下降約28.31個百分點(從52.769%減至24.462%)和9.66個百分點(從26.265%減至16.607%);能見度不良相較于能見度良好,使得干貨船與干貨船碰撞、干貨船與漁船碰撞的發生概率分別下降約4.02個百分點(從23.476%減至19.454%)和5.23個百分點(從52.323%減至47.092%),而使得其他船舶間碰撞的發生概率增加約9.25個百分點(從24.201%增至33.455%)。

表3 敏感性分析結果Table 3 Sensitivity analysis results

2.4 支持推理分析

開展支持推理分析需要設置事故情景[22],在多節點BN模型中,不同節點組合可形成數量眾多的事故情景,因而很難模擬所有事故情景[15]。由表3可知,強風和事故季節是對船舶碰撞事故形態敏感性較高的2個特征變量,因而選擇上述2個變量作為事故情景變量?；诖?設計出8種事故情景,即事故情景1:強風=否,事故季節=春季;事故情景2:強風=否,事故季節=夏季;事故情景3:強風=否,事故季節=秋季;事故情景4:強風=否,事故季節=冬季;事故情景5:強風=是,事故季節=春季;事故情景6:強風=是,事故季節=夏季;事故情景7:強風=是,事故季節=秋季;事故情景8:強風=是,事故季節=冬季。借助GeNIe 軟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態分布情況,如圖9所示。由圖9可知,事故情景6發生干貨船與干貨船碰撞事故的概率較高,約為77.00%;事故情景3發生干貨船與漁船碰撞事故的概率較高,約為65.86%;事故情景4發生其他船舶間碰撞事故的概率較高,約為32.17%。

圖9 不同事故情景下船舶碰撞事故形態分布Fig.9 Morphology distribution of ship collision accidents in different accident scenarios

3 結論

1)在2013-2021年間,我國沿海水域發生干貨船與漁船碰撞事故的概率較高;我國沿海水域船舶碰撞事故,多發生在夜間、沿海航路、通航環境復雜情景下,而較少發生在夏季、強風、能見度不良情景下;多造成人員死亡/失蹤、沉船的事故后果,而較少造成船舶溢油的事故后果。

2)不同的事故季節、事故時段、事故地點、風級、能見度、通航環境下船舶碰撞事故形態的分布存在差異;與其他船舶碰撞事故形態相比,干貨船與漁船碰撞導致人員死亡/失蹤和沉船的概率較高、船舶溢油的概率較低。

3)強風是對船舶碰撞事故形態敏感性較高的特征變量。

4)在強風、夏季情景下干貨船與干貨船碰撞事故發生概率約為77.00%;在非強風、秋季情景下干貨船與漁船事故發生概率約為65.86%;在非強風、冬季情景下其他船舶間碰撞事故的概率約為32.17%。