海上人命损失的时间和形态分布规律

曹　亮，刘正江

(大连海事大学 航海学院，辽宁 大连 116026)

海上人命损失的时间和形态分布规律

曹亮，刘正江

(大连海事大学 航海学院，辽宁 大连 116026)

摘要：基于MAIB数据库和某航企海员工伤数据库，通过“ARIMA”时间序列预测模型和“致死率”模型，对海上人命损失时间的分布特征和形态特征分析，发现海上人命损失随时间呈总体下降趋势，海员操作事故和疾病等导致的人命损失数量已经超过传统海上交通事故造成的生命损失数量。应将交通行为和操作行为一并纳入海上交通安全理论的研究范畴，改变以往通过预防海上交通事故达到减少海上人命损失的路径，建立以人命保护为核心的研究路径，实现海上人命安全保护的目的。

关键词：海上人命损失；时间分布；形态分布；ARIMA；致死率；海上交通安全理论

海上人命安全一直是行业和社会关注的焦点。诸如“泰坦尼克”海难等一系列的海上恶性事故引发了SOLAS等国际公约的诞生和实施，通过提高客船和货船船舶的建造和营运水平，挽救了成千上万航海人和海上旅客的生命[1]。

针对二战后海上运输迅速发展，船舶数量猛增，海上交通出现船舶密度高、会遇率高和大量船舶碰撞事故发生的状况，20世纪70年代海上交通安全学者建立了海上交通工程学科[2]，研究海上交通行为，目的是增进海上交通的安全与效率。并将“海难”中与海上交通有关的碰撞、搁浅、触礁和触碰、浪损等称为“海上交通事故”分离出来单独研究，用来揭示某水域、某类船舶的交通实况。相应的 “船舶避碰规则”“分道通航制”等研究成果先后付诸实施，极大的促进了海上交通安全实践，避免了大量海上人命、环境污染和经济利益损失。

随着时代的发展，越来越多的研究表明，“海难”中除“海上交通事故”外的船舶倾覆、沉没等也造成了海上人命的大量损失[3-5]；海员在船期间遭受的其他劳动伤害以及疾病、自杀和他杀等造成的海员死亡也不容忽视[6-7]。对于船员在船期间发生的事故是海上交通事故或者职业事故存在着争议。2014年韩国“岁月号”客轮的倾覆事故和2015年中国“东方之星号”客轮风灾事故，也不属于上述“海上交通事故”范畴。并且随着安全科学的发展，文献[8-9]等指出安全研究的对象是系统整体，事故不应再是安全科学的研究对象。这凸显出当下海上交通安全研究对象的不足。

ARIMA方法广泛应用于事故等领域预测[10-14]，具有很好的适用性和准确性。为此，采用ARIMA等方法，分析海上人命损失现状和趋势，研究海上人命损失时间分布和形态分布规律，试图勾画出海上人命损失图谱，突出当前阶段预防海上人命损失的现状和趋势。

1数据处理

1.1数据准备

本文所指“海上人命损失”是指乘客、海员(包含渔船海员)和其他人(包括港口装卸、维修人员等)在海上活动中的死亡现象。由于渔船特殊的用途、结构和设备要求，IMO针对渔船制定了《国际渔船公约》[15]。限于学科限制，本文研究过程中不含渔船船员和其他人命损失。为准确还原海上人命损失现状，初定按照乘客、海员死亡为变量，并按照变量的5～10倍的样本容量来选择样本，即选择20年跨度以上的海上人命损失时间序列数据样本。由于各国、群体，以及研究机构对于海上人命损失的理解和实践不一致，致使统计的数据具有较大差异。国际海事组织IMO的GISIS数据库信息具有大量信息，但数据不完整，不能满足变量要求[16]。日本运输安全委员会(Japan Transport Safety Board，JTSB)数据自2008年开始公布，不能满足样本数量需求[17]。中国海事局根据《水上交通事故统计办法》[18]对中国管辖水域发生的水上交通事故和悬挂中国国旗船舶在任何水域发生的碰撞、搁浅、操作性污染事故等进行统计，但对海员在船上发生的操作事故、疾病等造成的海员死亡刚刚开始统计，并且占事故总量90%的小故事数据并没有得到全国性的统计分析，其数据因此其数据难以覆盖海上人命损失[19]。HIS从货运船舶全损的角度记录了海员死亡数据，但也难以满足全部海上人命损失统计的变量要求[20]。欧盟自2010年开始建立海难信息平台，用于储存和分析各成员国海难信息，并于2011年开始发布年度欧盟海海难信息年报，但由于平台刚刚建立，数据正处于上升期，其数据暂时还不能反映事故全貌，并由于年限较短，不能满足样本数量需要[21]。MAIB是英国交通部下属的专业海事调查机构，专门负责对英国管辖水域的所有船舶和悬挂英国国旗的船舶在任何水域发生的海事进行专业调查，并自1973年起发布年度调查报告，能覆盖各类原因导致的海上人命损失并符合样本容量要求，并且英国水域是世界最繁忙水域之一，其数据一定具有代表性。为此，选择MAIB数据作为研究样本来研究海上人命损失的时间分布和形态分布规律具有明显的优势。按照英国海事调查局(Marine Accident Investigation Branch，MAIB)的分类方法，将乘客死亡数量(简称，乘客)和海员在海难中死亡数量(简称，海难)、海员在操作事故中死亡数量(简称，操作事故)和疾病、自杀、他杀造成的海员死亡数量为变量(简称疾病等)。同时由于随着航空业的竞争，乘客越来越减少海上出行，乘客在海上的死亡现象日渐减少；还由于货船数量的大幅增长，海员的死亡现象在当前阶段已经较为突出，为此引入国内某企业海员死亡数据作为分析海员人命损失形态分布规律的补充材料。

1.2MAIB海员死亡数据

MAIB在1973～1984年度报告中，按照航海习惯，将乘客和海员死亡归为乘客、海难、操作事故和疾病、自杀、他杀4个大类别统计，其中后3类是指海员人命损失。MAIB从1985年起对年度报告进行了更改，不再统计疾病、自杀和他杀数据，并对事故种类重新进行了划分，见表1。

表1　MAIB1973～2014海上人命损失数据

资料来源：MAIB年度报告[22]。

1.3国内某企业海员工伤数据

某航企船海员数量约2.1万～2.3万人/年。海员伤亡数据按照中国《企业职工伤亡事故分类标准(GB6441—86)》进行分类，将不能分类的部分海员人命损失按照“其他类”处理。本文在此分列基础上，参照MAIB分类标准，对“其他类”项目进行细分，数据见表2。

表2　某航企海员伤亡数据

资料来源：张晓论文[23]。

2海上人命损失时间分布特征

2.1ARIMA模型

ARIMA(autoregressive integrated moving average model)是由Box和Jenkins于20世纪70年代初提出的著名时间序列预测模型，根据对时间序列特性的预先研究，可以指定3个参数来分析，即描述自回归阶数(p)、差分次数(d)、移动平均阶数(q)，通常模型被写作ARIMA(p,d,q)。

2.2海上人命损失模型拟合

2.2.1乘客人命损失模型拟合

用ARIMA(1,2,1)模型对乘客人命损失数据进行拟合，并用Eviews软件进行系数估计和模型检验，具体如下。

(1-0.282 263B)(1-B)2xt=

(1)

(2)

结果见表3，2个系数的t统计量的p值均小于0.05，说明这2个系数估计结果都是显著有效的，且可决系数R拟合优度达到0.73，效果较好，模型的拟合效果见图1。

表3　乘客时间序列模型

图1　乘客二阶差分拟合曲线

2.2.2海难导致海员人命损失模型拟合

用ARIMA(1.2.2)模型对海难海员人命损失数据进行拟合，并用Eviews软件进行系数估计和模型检验。具体如下。

(1+0.077 679B)(1-B)2xt=

(1-1.918 114B+0.923 068B2)ε1t

(3)

(4)

可决系数R拟合优度达到了0.8以上，AIC值约为7.54。因此根据AIC准则可知，模型拟合效果良好。参数详细结果表和差分数据拟合效果图略。

2.2.3操作事故导致海员人命损失模型拟合

用ARIMA(1,2,3)模型对操作事故导致海员人命损失数据进行拟合，并用Eviews软件进行系数估计和模型检验，具体的模型如下。

(1+0.437 285B)(1-B)2at=

(1-2.290 147B+2.249 744B2-

0.935 738B3)ε2t

(5)

(6)

式中：a0为t=0时即1973年操作事故的数据；ε20是同期即t=0时的模型的残差数据。可决系数R拟合优度接近0.8，AIC值约为6.84，且各个系数均通过了显著性检验，根据AIC准则可知，模型拟合效果良好。参数详细结果表和差分数据拟合效果图略。

2.2.4人命损失模型拟合

用ARIMA(0,1,(3))疏系数模型对疾病、自杀和他杀导致的海员人命损失数据进行拟合，并用Eviews软件进行系数估计和模型检验。具体模型如下。

(7)

(8)

式中：b0为t=0，即1973年疾病、自杀和他杀的数据；ε30是同期即t=0时的模型的残差数据。可决系数R的拟合优度值为0.79，AIC值约为7.36，且MA(3)的系数的p值为0，小于0.01，通过了显著性检验。参数详细结果表和差分数据拟合效果图略。

2.3海上人命损失模型精度检验和预测

对预留的2010-2014年的数据进行精度检验。由于所分析时间序列数据为整数型并且数值较小，所以从精度检验结果来看，各个模型的预测效果较好，见表4。进而对2015-2019年的数据进行预测，结果见表5。

表4　精度分析

2.4趋势分析和综合关联分析

根据表1和表5数据，分析得出海难、操作事故和疾病导致海员人命损失数量的趋势线，见图2。

表5　海上人命损失预测

图2　MAIB 1973～2019年海上人命损失趋势

利用表1数据，对1985-2014年的数据进行相关分析，显示有显著相关关系的是海难和乘客高度相关；操作事故和乘客高度相关，具体见表6。

表6　相关性分析

注：***为高度相关；括号内的是其对应的p值。

2.5结果分析

1) 经对乘客死亡预测和海难、操作事故、疾病等导致海员人命损失预测模型(1)～(8)和图2可见，在各类情况保持现状不变的情况下，各类事故造成的海上人命损失总体呈下降趋势，尤其是在20世纪80年代以前呈快速下降趋势；在80～90年代略有震荡；在90年代后保持较为平稳下降趋势。从大的国际背景来看，1960年版、1974年版SOLAS公约和若干修正案、议定书，以及COLREGS、STCW78/95规则等的相继制定和实施，船舶技术条件和海员素质都得到了具大的提升，对于避免海上人命损失起到了积极的作用。

2) 对1985年后的数据相关性分析可以看出，船舶海难导致的海员人命损失和乘客人命损失具有较强的相关性，且由于海难属于随机性事件，一旦发生可能造成较为乘客和海员人命损失的严重后果；另外，乘客和海员在船期间，经常发生诸如滑倒、磕碰等事故，造成一定的人命损失，说明船上生活和工作环境具有一定的风险性。

3海员人命损失的形态分布特征

3.1海员人命损失形态特征分析

海员人命损失形态见图3～6。引进“致死率”概念，模型如下。

(7)

式中：B为海员遭受某种风险的致死率；D为海员遭受某种风险的致死数量；I为海员遭受某种风险的受伤数量。并对某企业数据进行计算，结果见表2。

图3　海上人命损失占比统计

图4　MAIB 1973～2014年海上人命损失形态分布

图5　MAIB海员人命损失形态分布

图6　某航企2001～2009年海员人命损失形态分析

3.2结果分析

MAIB数据是从1973-2014年，间隔时间较大，通过其数据可以窥探到海上人命损失形态分布的部分整体性特征。

1) 乘客人命损失占据的份额较海上人命损失比重越来越小，与现实感受一致，社会不良影响和关注度降低，现阶段更关注环境污染。

2) 海员已成为当前阶段海上人命损失的主体，其中船上操作事故造成的人命损失占据第一位。疾病、自杀和他杀造成的海员人命损失占据较大份额，也是造成海员人命损失的主要原因之一。前两类分布造成的海员人命损失远高于传统海上交通事故[2]造成的人命损失数量。

3) 造成海员人命损失数量最多的事故是船舶倾覆，然后依次是坠海、高处跌落、上下船、失踪、抛锚带揽作业、搬挪设备等、物体打击、火灾爆炸等。传统海上交通研究的船舶碰撞等造成海员人命损失数量排在最末位。

某企业[7]数据时间跨度从2001-2009年，海员数量以及海员人命损失数据量较大，反映出当下阶段海员人命损失形态分布特点和海员面临的主要风险特征。可与MAIB数据相互印证结果。

首先，海难造成海员人命损失的数量仍然较多。但从整体上看，由于船上操作和疾病等风险造成的海员人命损失占比更大。

其次，火灾、中毒和窒息、疾病造成海员受伤的比例很小，但其致死率分列第1～3位。其中疾病造成的海员人命损失数量占总数第2位，火灾造成的海员人命损失数量占总数第3位。淹溺和落水、触电伤害、车辆伤害、爆炸等也是造成海员人命损失率较高的原因。

4结论

由于本次研究结果来源于英国专业海事机构和国内某企业的数据，其样本的时间分布和形态分布易受到人为因素干扰，造成样本集是“有偏的”，且形态分类方法存在一定混乱。为此，下一步要加强收集和分析样本，对样本进行无偏化处理，以获得更好的海上人命损失分布规律。

参考文献

[1] 刘正江.百年SOLAS公约[J].中国海事,2014(3):8-12.

[2] 吴兆麟,朱军.海上交通工程[M].大连:大连海事大学出版社,2009.

[3] ROBERTS S E, MARLOW P B, Jaremin B. Shipping casualties and loss of life in UK merchant shipping, UK second register and foreign flags used by UK shipping companies[J]. Marine policy,2012,36(36):703-712.

[4] ROBERTS S E, PETTIT S J, MARLOW P B. Casualties and loss of life in bulk carriers from 1980 to 2010[J]. Marine Policy,2013,42:223-235.

[5] GOULIELMOS A M, MITROUSSI K, GATZOLI A. Marine accidents quality vs. safety and one step further[J]. International journal of ocean systems management,2008(1):45.

[6] OLDENBURG M, HERZOG J, HARTH V. Seafarer deaths at sea: a german mortality study[J]. Occupational Medicine,2015,32:342-351.

[7] ROBERTS S E, MARLOW P B. Traumatic work related mortality among seafarers employed in british merchant shipping 1976-2002[J].Occupational and environmental medicine,2005,62(3):172-180.

[8] 张景林,王晶禹,黄浩.安全科学的研究对象与知识体系[J].中国安全科学学报,2007(2):20-25.

[9] 陈伟炯.国际海运安全策略研究[C]∥1995～2009航海技术论文选集:第1集.北京:中国航海学会,2010.

[10] 张杰,刘小明,贺玉龙,等.ARIMA模型在交通事故预测中的应用[J].北京工业大学学报,2007(12):1295-1299.

[11] 孙轶轩,邵春福,计寻,等.基于ARIMA与信息粒化SVR组合模型的交通事故时序预测[J].清华大学学报(自然科学版),2014(3):348-353,359.

[12] BARBA L, RODRGUEZ N, MONTT C. Smoothing strategies combined with arima and neural networks to improve the forecasting of traffic accidents[J]. Scientific World Journal,2014(4):152375-152375.

[13] GILBERT K. An arima supply chain model[J]. Management Science,2005,51(2):305-310.

[14] REBECCA S, JIEMIN M, ZHAOHUI Z, et al. Cancer Statistics, 2014[J]. A Cancer Journal for Clinicians,2014,64(1):9-29.

[15] 刘正江,吴兆麟,李桢.国际海事组织海事安全类公约的最新发展[J].中国航海,2012(1):61-65.

[16] IMO. GISIS[DB/OL]. London: IMO,2015-12-31[2016-01-15]. https://gisis.imo.org/Public/MCI/Search.aspx.

[17] JTSB. FARS[DB/OL].Tokyo: JTSB,(2015-12-31)[2016-01-15]. http://www.mlit.go.jpjtsbmarrep.html.

[18] 水上交通事故统计办法[Z].中华人民共和国国务院公报,2015-01:44-47.

[19] 李光辉.水上交通安全规律研究[D].大连:大连海事大学,2007.

[20] FAIR I H S. World casualty statistics[M]. London: Polestar Wheatons ltd,2010.

[21] EMSA. Annual overview of marine casualties and incidents 2015[M]. Portugal: EMSA,2015:10-15.

[22] MAIB. (Marine Accident Investigation Branch) annual report[EB/OL].London: MAIB,(2015-07-27)[2016-01-15].https://www.gov.uk/government/organisations/marine-accident-investigation-branch.

[23] 张晓,张钢,眭云方,等.中国船员劳动工伤事故分析报告[J].中国航海,2012(1):113-118.

The Time and Categorization Distribution Characteristics of Loss Life at Sea

CAO Liang, LIU Zheng-Jiang

(Navigation Colleague, Dalian Maritime University, Dalian Liaoning 116026, China)

Abstract:The time distribution, categorization distribution and characters are studied by the ARIMA module and mortality rate module with the MAIB database and an enterprise database. The historical data illustrated that the death ratios at sea had declined as time goes by. The death caused by the operation failure and illness are over exceeded than the death caused by the marine traffic accident. So it is necessary to take account of traffic behavior and operation behavior into the marine traffic safety theory. It will be very valuable to reduce the loss of life at sea.

Key words:loss of life; time distribution; categorization distribution; ARIMA; mortality rate module; marine traffic safety theory

DOI:10.3963/j.issn.1671-7953.2016.03.033

收稿日期：2016-01-14

基金项目：国家自然科学基金(51309041)；国家863计划(2009AA045003)；中央高校基本科研业务费基金(2015YB03,3132014201)

第一作者简介：曹亮(1978—)，男，博士生 E-mail:4991925@qq.com

中图分类号：U698

文献标志码：A

文章编号：1671-7953(2016)03-0146-07

修回日期：2016-02-19

研究方向:交通信息工程及控制