我國沿海水域船舶碰撞事故形態(tài)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(yè)不斷發(fā)展,海事事故時有發(fā)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(fā)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(jīng)濟損失[4-5]。在上述背景下,船舶碰撞事故引起相關(guān)學者的廣泛關(guān)注。目前,國內(nèi)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(guān)方法剖析葡萄牙沿海水域船舶碰撞事故熱點區(qū)域與交通特征因素之間的空間相關(guān)性;Yang等[7]使用核密度分析方法揭示我國國內(nèi)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(tài)船舶領(lǐng)域模型探討長江口交通與環(huán)境特征因素對船舶碰撞事故的影響,研究結(jié)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(qū)域?qū)Υ芭鲎彩鹿实挠绊?研究結(jié)果表明:船型和地理區(qū)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(wǎng)絡辨識內(nèi)河水域船舶碰撞事故關(guān)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(shù)據(jù)驅(qū)動的方法分析船舶碰撞事故嚴重度的影響因素,研究結(jié)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(huán)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(jié)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(jīng)濟損失,研究結(jié)果表明:漁船參與會較大程度增加船舶碰撞的經(jīng)濟損失。

綜上可知,關(guān)于船舶碰撞事故研究主要側(cè)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(tài)特征。在實際中,沿海水域相較于其他水域發(fā)生船舶碰撞事故概率更高[2]。根據(jù)《2020中國交通運輸統(tǒng)計年鑒》中數(shù)據(jù)統(tǒng)計可知,2020年我國有79.92%船舶事故險情發(fā)生在4大海區(qū)[14]。與其他事故類型相比,我國沿海水域發(fā)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(tài)特征具有一定現(xiàn)實意義。

基于此,本文從中國海事局及其相關(guān)直屬機構(gòu)官方網(wǎng)站上采集研究數(shù)據(jù),運用貝葉斯網(wǎng)絡分析方法,探討我國沿海水域船舶碰撞事故形態(tài)特征,研究結(jié)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(shù)據(jù)與方法

1.1 數(shù)據(jù)采集

為確保數(shù)據(jù)的權(quán)威性、公開性和完整性,本文從中國海事局及其直屬機構(gòu)官方網(wǎng)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(diào)查報告。其中,每份船舶事故調(diào)查報告均包括事故時間與地點、事故環(huán)境、涉事船舶和事故后果等信息。

1.2 數(shù)據(jù)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(tài)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(chǎn)的船舶,包括漁業(yè)捕撈船、漁業(yè)運輸船、漁業(yè)輔助船和燈光誘魚圍網(wǎng)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(nóng)用船等[18]。在上述基礎(chǔ)上,可將船舶碰撞事故形態(tài)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(jīng)統(tǒng)計可知,上述10類占總數(shù)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(jù)上述樣本船舶碰撞事故形態(tài)分布情況,將船舶碰撞事故形態(tài)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(fā)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(yè)區(qū)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(shù)量遠高于其他類型商船[20],因而更易導致干貨船與漁船發(fā)生碰撞。

從事故時間、事故地點、事故環(huán)境和事故后果角度,選取9個船舶碰撞事故形態(tài)特征變量,各變量的描述統(tǒng)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(fā)生在夜間[21]、沿海航路、通航環(huán)境復雜情景下,而較少發(fā)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(wǎng)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(tǒng)統(tǒng)計方法的缺陷,而且可以基于觀測信息對網(wǎng)絡概率進行推理分析。BN主要由網(wǎng)絡模型即有向無環(huán)圖和網(wǎng)絡參數(shù)即條件概率表P組成[22]。其中,V={v1,v2,…,vn}為節(jié)點集;E={(vi,vj)}為有向邊集;P為量化節(jié)點vi(i=1,2,…,n)與父節(jié)點Parent(vi)之間關(guān)系的參數(shù)。在所有節(jié)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(lián)合概率分布,如式(1)所示:

(1)

式中:P(V)表示網(wǎng)絡聯(lián)合概率分布;V表示網(wǎng)絡節(jié)點集;vi表示序號為i的節(jié)點;i表示節(jié)點序號;n表示節(jié)點總數(shù);Parent(vi)表示節(jié)點vi的父節(jié)點。

BN建模與分析主要有以下3個步驟:

1)確定網(wǎng)絡結(jié)構(gòu)。目前,確定網(wǎng)絡結(jié)構(gòu)有3種方法。第1種方法是依據(jù)專家知識經(jīng)驗確定網(wǎng)絡結(jié)構(gòu)。該方法屬于主觀建模范疇,適用于網(wǎng)絡節(jié)點較少、節(jié)點之間關(guān)系清晰的情況。Cakir等[23]認為,該方法不能保證所建網(wǎng)絡結(jié)構(gòu)的準確性,很難在網(wǎng)絡節(jié)點較多的情況下確定節(jié)點之間的關(guān)系,而專家知識經(jīng)驗的局限也可能使網(wǎng)絡結(jié)構(gòu)產(chǎn)生不確定性與偏差。第2種方法是依據(jù)數(shù)據(jù)分析結(jié)果確定網(wǎng)絡結(jié)構(gòu),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(jīng)驗。第3種方法是依據(jù)專家知識經(jīng)驗和數(shù)據(jù)分析結(jié)果確定網(wǎng)絡結(jié)構(gòu),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(wǎng)絡結(jié)構(gòu)更加符合實際情況[24]?；诖?本文綜合列聯(lián)表分析結(jié)果和專家知識經(jīng)驗,確定網(wǎng)絡結(jié)構(gòu)。

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

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(tài)特征。

2 結(jié)果分析

2.1 貝葉斯網(wǎng)絡構(gòu)建

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

從事故演化邏輯角度看,事故季節(jié)、事故時段、事故地點、強風、能見度不良、通航環(huán)境復雜是船舶碰撞事故形態(tài)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(tài)的結(jié)果變量。為探究前因變量間相關(guān)關(guān)系和結(jié)果變量間的相關(guān)關(guān)系,進行列聯(lián)表分析,結(jié)果如表2所示(表2中僅列出具有統(tǒng)計顯著性的相關(guān)對)。

表2 列聯(lián)表分析結(jié)果Table 2 Analysis results of contingency table

由表2可知,事故季節(jié)與事故地點、能見度不良之間存在顯著的相關(guān)關(guān)系;事故時段與能見度不良之間存在顯著的相關(guān)關(guān)系;沉船與人員死亡/失蹤、船舶溢油之間存在顯著的相關(guān)關(guān)系;船舶溢油與人員死亡/失蹤之間存在顯著的相關(guān)關(guān)系。根據(jù)文獻[27]和專家知識經(jīng)驗可知,事故季節(jié)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(guān)系。依據(jù)節(jié)點間因果關(guān)系,構(gòu)建以事故影響因素→船舶碰撞事故形態(tài)→事故后果作為演化邏輯的BN網(wǎng)絡結(jié)構(gòu),并使用EM算法進行參數(shù)學習,以此來構(gòu)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(jié)、事故時段、事故地點、強風、能見度不良、通航環(huán)境復雜和船舶碰撞事故形態(tài)分別作為證據(jù)變量進行預測推理分析。

1)“事故季節(jié)”節(jié)點預測推理分析

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

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

2)“事故時段”節(jié)點預測推理分析

將“事故時段”證據(jù)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(tài)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(tài)分布存在差異,具體表現(xiàn)為:與白天相比,夜間發(fā)生干貨船與干貨船碰撞事故的概率較高,而發(fā)生其他船舶間碰撞事故的概率較低;白天和夜間發(fā)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(tài)分布Fig.3 Morphology distribution of ship collision accidents in different accident periods

3)“事故地點”節(jié)點預測推理分析

將“事故地點”證據(jù)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(tài)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(tài)分布存在差異,具體表現(xiàn)為:與其他事故地點相比,停泊水域發(fā)生干貨船與干貨船碰撞事故的概率較最高;沿海航路發(fā)生干貨船與漁船碰撞事故的概率較高;港口航道發(fā)生其他船舶間碰撞事故的概率較高。

4)“強風”節(jié)點預測推理分析

將“強風”證據(jù)變量依次設置為否、是,可得不同風級下船舶碰撞事故形態(tài)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(tài)分布存在差異,具體表現(xiàn)為:與其他風級相比,強風環(huán)境下發(fā)生干貨船與干貨船碰撞事故的概率較高,而發(fā)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(jié)點預測推理分析

將“能見度不良”證據(jù)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(tài)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(tài)分布存在差異,具體表現(xiàn)為:與其他能見度相比,能見度不良環(huán)境下發(fā)生其他船舶間碰撞事故的概率較高,而發(fā)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(tài)分布Fig.6 Morphology distribution of ship collision accidents under different visibility

6)“通航環(huán)境復雜”節(jié)點預測推理分析

將“通航環(huán)境復雜”證據(jù)變量依次設置為否、是,可得不同通航環(huán)境下船舶碰撞事故形態(tài)分布情況,如圖7所示。由圖7可知,不同通航環(huán)境下船舶碰撞事故形態(tài)分布存在差異,具體表現(xiàn)為:與其他通航環(huán)境相比,通航環(huán)境復雜下發(fā)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(fā)生其他船舶間碰撞事故的概率較低。

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

7)“船舶碰撞事故形態(tài)”節(jié)點預測推理分析

將“船舶碰撞事故形態(tài)”證據(jù)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(tài)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(tài)下事故后果分布存在差異,具體表現(xiàn)為:與其他船舶碰撞事故形態(tài)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(tài)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(jié)點的微小變化對子節(jié)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(tài)”節(jié)點的敏感性分析結(jié)果,如表3所示。由表3可知,對船舶碰撞事故形態(tài)敏感性由強到弱的特征變量依次為:強風(0.380)>事故季節(jié)(0.160)>事故地點(0.137)>事故時段(0.119)>通航環(huán)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(tài)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(tài)敏感性較低的特征變量。從變化幅度角度看,根據(jù)預測推理分析結(jié)果統(tǒng)計可知,強風環(huán)境相較于非強風環(huán)境,使得干貨船與干貨船碰撞的發(fā)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(fā)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(fā)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(fā)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(jié)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(jié)點BN模型中,不同節(jié)點組合可形成數(shù)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(jié)是對船舶碰撞事故形態(tài)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。基于此,設計出8種事故情景,即事故情景1:強風=否,事故季節(jié)=春季;事故情景2:強風=否,事故季節(jié)=夏季;事故情景3:強風=否,事故季節(jié)=秋季;事故情景4:強風=否,事故季節(jié)=冬季;事故情景5:強風=是,事故季節(jié)=春季;事故情景6:強風=是,事故季節(jié)=夏季;事故情景7:強風=是,事故季節(jié)=秋季;事故情景8:強風=是,事故季節(jié)=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(tài)分布情況,如圖9所示。由圖9可知,事故情景6發(fā)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(fā)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(fā)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(tài)分布Fig.9 Morphology distribution of ship collision accidents in different accident scenarios

3 結(jié)論

1)在2013-2021年間,我國沿海水域發(fā)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(fā)生在夜間、沿海航路、通航環(huán)境復雜情景下,而較少發(fā)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(jié)、事故時段、事故地點、風級、能見度、通航環(huán)境下船舶碰撞事故形態(tài)的分布存在差異;與其他船舶碰撞事故形態(tài)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(tài)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(fā)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(fā)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%。