水上交通风险成因耦合作用诊断

，

(1. 南通航运职业技术学院 航海系， 江苏 南通 226010； 2. 上海海事大学 商船学院， 上海 201306)

水上交通风险成因耦合作用诊断

贾立校1，胡甚平2

(1.南通航运职业技术学院航海系，江苏南通226010； 2.上海海事大学商船学院，上海201306)

为有效降低水上交通风险、提高安全管理效率，对风险的成因及因素间的耦合作用进行诊断和研究。在对水上交通风险的成因及因素间的耦合机理进行分析的基础上，引入贝叶斯网络(Bayesian Network, BN)构建水上交通风险成因耦合作用的诊断模型。结合水上交通事故数据进行算例应用，推理人员因素、船舶因素和环境因素等不同因素间的耦合作用对风险的影响，并根据事故后果诊断风险成因间的耦合作用。结果表明：不同风险因素间的耦合对水上交通风险的影响程度不同，多因素的耦合作用比单因素强;环境因素与其他因素的耦合作用对水上交通风险的影响比较突出，且船舶因素对水上交通事故后果的影响较大。

水上交通； 风险成因； 耦合作用； 贝叶斯网络； 诊断

Abstract: In order to reduce water transportation risk effectively and improve safety management efficiency, it is necessary to research risk factors and their coupling effects. The diagnostic model of the coupling effects of water transportation risk causing factors is built by Bayesian Network (BN) on the basis of analyzing the risk factors and their coupling mechanism. The effect of coupling between different risk factors is studied quantitatively; the relation among risk factors and the accident consequences is investigated. The illustrative example shows that the coupling effect of multiple factors is stronger than that of single factor. The influence of coupling effect among environmental factor with others on water transportation risk is more prominent, and ship factor is an important factor affecting the consequences of maritime accidents.

Keywords: waterway transportation; risk cause; coupling effect; Bayesian Network (BN); diagnosis

随着我国水路运输业迅猛发展，船舶呈现出大型化、高速化和专业化的趋势，水上交通事故带来的人员伤亡和经济损失逐年增长，受到相关部门的高度关注。[1]因此，采取科学的方法对水上交通风险成因和因素间的耦合作用进行研究尤为重要。

近年来已有很多学者[2-4]对水上交通事故的成因进行深入研究，通常将各风险因素作为独立的个体进行分析，研究主要集中在对水上交通风险的评估和预测等方面。但是，水上交通风险是系统性的，风险因素间是相互影响、具有耦合性的。罗帆等[5]利用N-K模型对单因素耦合、双因素耦合和多因素耦合情况下空中交通风险的发生概率及风险值进行计算；刘全龙等[6]通过构建煤矿事故致因耦合度模型推理分析同质因子和异质因子的影响；胡甚平等[7]利用云模型的方法对船员、船舶和环境等3个不安全因素间的耦合机理进行研究；曹久华等[8]利用系统动力学来研究船舶通航风险成因中“人、船、环境、管理”各因素间的耦合作用。以上研究主要集中在风险因素间的耦合作用对系统风险的整体影响程度上，而根据事故后果诊断事故成因的耦合关系的研究相对较少。

在对水上交通风险成因进行系统分析的基础上，引入贝叶斯网络(Bayesian Network,BN)理论构建风险成因耦合作用的诊断模型，通过该模型定量化研究各风险因素间不同耦合作用对风险的影响,并进行给定事故后果下的耦合风险成因诊断。

1 水上交通风险成因耦合机理分析

1.1 水上交通风险成因分析

根据事故致因理论，水上交通事故的成因主要来自于人员的不安全行为、船舶的不安全状态和环境的不安全条件等3个方面。[7]人员因素主要包括船员因素和引航员、码头工人等其他人员子因素；船舶因素主要包括设备状态、船龄和货物等子因素；环境因素主要包括自然因素、地理因素(航道码头)和交通因素等子因素[9]；人员、船舶和环境等多种因素共同作用带来水上交通风险不同的影响程度。

1.2 水上交通风险耦合机理分析

系统活动过程中一类风险的发生及其影响力依赖于其他风险的程度和影响其他风险发生及其影响力的程度，这种风险间的依赖和相互影响关系称为风险耦合。[10]水上交通风险耦合指的是水上交通活动过程中各种风险因素间相互依赖和影响的关系。根据水上交通风险成因分类，其耦合风险可分为以下2种类型。

(1) 单因素耦合风险:是指影响水上交通风险的3个单因素所属的风险因子间相互耦合所导致的风险，主要包括人员因素耦合风险、船舶因素耦合风险和环境因素耦合风险等3种。

(2) 多因素耦合风险:是指影响水上交通风险的2个或2个以上因素之间相互耦合导致的风险，这里包括双因素耦合风险(包括人员-船舶因素耦合风险、人员-环境因素耦合风险和船舶-环境因素耦合风险等3种)和三因素耦合风险(指人员-船舶-环境因素耦合风险)。

2 水上交通风险成因耦合诊断模型

2.1 贝叶斯网络

贝叶斯网络又称概率图模型，是带有概率注释的有向无环图，能表示大的变量集合的联合概率分布及分析大量变量间的相互关系，利用贝叶斯定理实现网络学习和统计推断功能，完成预测、诊断、分类及聚类等任务。[11]

一组变量X={X1，X2，…,Xn}的贝叶斯网络由以下2部分组成：

1) 表示X中变量的条件独立的网络结构S。S为有向无环图，其节点一一对应X中的变量，以Xi表示变量节点，Pai表示S中Xi的父节点，则有Pai→Xi，S的节点之间由有向弧线连接表示条件独立。

贝叶斯网络推理[12]是指利用所建的贝叶斯网络模型的结构和条件概率表，在给定证据后推理计算某些节点的后验概率,一般有因果推理和诊断推理2种推理模式，其中：因果推理是由原因计算结果的推理；诊断推理是由结果寻找成因的推理。这里主要利用诊断推理分析水上交通风险的成因机理，利用因果推理研究风险因素间的耦合关系。

2.2 水上交通风险成因耦合作用诊断方法

利用贝叶斯网络进行水上交通风险成因耦合作用研究，具体步骤如下。

2.2.1建立贝叶斯网络诊断模型

首先构建贝叶斯网络结构表示风险因素间的关系，一般有专家指定法、大量数据训练法和综合确定法等3种方法[13]，这里采用专家指定法。在确定网络结构的基础上进行贝叶斯网络条件概率表的确定，BN的节点变量分为以下2类：

(1) 与其父节点之间存在逻辑关系，其条件概率可通过逻辑分析获得；

(2) 在其父节点的综合作用下导致该节点发生，其条件概率主要通过事故数据学习和专家问卷调查获得。

根据水上交通事故的特点，将其节点状态指定为Small，General，Big和Major等4个，其他风险因素和子因素节点的状态均为Yes及No。

2.2.2研究水上交通风险因素耦合作用

利用建立的贝叶斯网络模型对特定的变量指定节点的状态(证据)，推理得到各类风险事故发生的概率；按照表1对各类事故进行赋值[14]，利用式(1)合成事故概率与后果，得到水上交通风险值。[15]

(1)

式(1)中：pi为某类事故发生的概率；ci为该类事故的后果。

表1 水上交通事故后果赋值表

通过指定不同变量的状态，研究不同因素间相互耦合对风险大小的影响。

2.2.3诊断水上交通风险成因

利用水上交通风险诊断的贝叶斯网络模型，根据给定水上交通事故的不同状态推理诊断不同事故下风险因素的变化情况，以此研究事故致因机理。

3 算例

选取我国某沿海水域近7 a的交通事故数据进行模型的应用[16]，采用贝叶斯网络推理的方式定量化研究不同风险因素间的耦合作用和水上交通风险的成因耦合机理。

首先，根据风险成因分析确定BN节点，结合专家建议指定BN结构；在此基础上，利用BN建模软件，通过参数学习的方法获取先验概率和条件概率表，事故数据库中没有涉及的节点的条件概率通过专家问卷调查的方式获得。综合确定的水上交通风险成因耦合作用诊断模型见图1。

3.1 水上交通风险因素耦合作用研究

通过对水上交通风险BN模型中的风险因素进行状态(证据)指定，推理计算出风险的大小，据此研究不同风险因素相互耦合对风险大小的影响。

图1 水上交通风险成因耦合作用诊断模型

3.1.1风险致因的单因素作用

首先，在BN模型初始状态下进行推理计算，得到该沿海水上交通风险的初始状态(见图2a)。由于模型是从已发生的事故数据中获得的，因此推理结果中水上交通事故发生概率为100%，得到的是不同事故类型的概率，根据表1和式(1)可计算得到初始风险值R0=8.199。在此基础上，研究人员因素、船舶因素和环境因素等3个单因素对风险大小的影响，分别对其状态进行指定(将某单因素状态设置为Y=100%，其他单因素状态设置为N=100%)来推理对应的事故风险大小，研究3个单因素的不同影响。推理得到人员、船舶和环境3个单因素作用下的推理结果见图2。

a) 初始状态

c)船舶因素

d) 环境因素

对推理结果进行计算分析可得到：

(1) 根据历史事故数据库学习、推理得到的初始状态风险值R0=8.199，低于一般风险值(一般事故后果值为10)，说明该水域整体风险水平处于英国健康安全环保委员会认定的最低合理可行区间内，属于目前水上交通系统风险的基本水平。

(2) 经推理计算，环境单因素作用下的水上交通风险值RE=8.536，船舶单因素作用下的水上交通风险值RS=4.233，人员单因素作用下的水上交通风险值RH=6.194，3个单因素所导致的风险值比例约为RE∶RH∶RS=4∶3∶2，与文献[7]中的结论基本相同，证明了所建模型的有效性。

(3) 3个单因素中环境因素对水上交通风险的影响最为突出；同时，人员因素的影响也较为突出，尤其是船员因素的影响需相关管理人员高度重视。船舶因素导致的风险值最小，不足环境因素的1/2，反映出船舶因素对水上交通风险的影响随着船舶技术的发展和船况的改善而降低的现状。

3.1.2多风险因素的耦合作用

利用BN诊断模型进行4种情况下多因素耦合风险的推理，推理结果见图3，经计算得到各自的风险值为RCE=10.582(人员-环境耦合风险值)，RCS=9.588(人员-船舶耦合风险值)，RSE=11.396(船舶-环境耦合风险值)，RCSE=21.743(人员-船舶-环境耦合风险值)。对推理计算结果进行分析可得到以下结论：

a) 人员-环境因素耦合风险

b) 船舶-环境因素耦合风险

c) 人员-船舶因素耦合风险

d) 人员-船舶-环境因素耦合风险

(1) 三因素耦合作用对水上交通风险的影响明显比双因素大，三因素耦合的风险值高达21.743，介于大事故与重大事故的后果值之间，比两因素耦合高出91%～127%，说明当3个风险因素同时出现时发生大事故乃至重大事故的概率比较大，因此在风险防范和预警方面应特别注意避免三因素耦合作用的情况出现。

(2) 人员因素、船舶因素和环境因素间的两两耦合作用各不相同，其中环境因素的影响比较显著，环境与船舶因素耦合导致的风险最大，3个两因素耦合风险值的比例为RCE∶RCS∶RSE=1.1∶1.0∶1.2，说明当船舶航经环境较差的水域之前或在该水域航行时不仅要加强人员因素的管理，更要注意检查船舶的状况，使船舶保持良好的适航性。

(3) 基于贝叶斯网络推理的水上交通风险因素耦合研究与以往的定性分析不同，不仅可定量测度不同因素间耦合风险的大小，还可推理得到不同条件下各类水上交通事故的发生概率，有助于相关管理部门采取有针对性的应对和预防措施。

3.2 水上交通风险成因诊断研究

利用BN风险诊断模型，在给定水上交通事故状况下进行推理诊断，得到各类事故成因的作用机理和耦合关系。分别对4种水上交通事故状态下的风险成因进行诊断，得到推理结果见图4。

4种水上交通事故状态下各风险因素的概率统计见表2，4种状态下各风险因素的概率与初始状态对比的变化率分布情况见图5。

通过对表2和图5中的数据进行分析可得到：

1) 人员因素、船舶因素和环境因素在各类事故中的波动都比较明显，其中：人员因素的波动最小,为-66.67%～17.78%，相对比较稳定，表明人员因素(尤其是船员因素)造成的事故后果是随机的，取决于与其他因素的耦合作用；环境因素的波动最大,为-42.86%～280.95%，稳定性最差，表明客观因素导致的风险比主观因素更难以把握，与水上交通的实践经验相一致。

a) 小事故成因诊断

b) 一般事故成因诊断

c) 大事故成因诊断

d) 重大事故成因诊断

状态人员因素船员因素其他人员船舶因素环境因素航道码头交通因素自然因素初始456514252119733小事故154391080301866一般事故536715231217628大事故3857134760271455重大事故3455123854251352

图5 4种水上交通事故状态下各风险因素的概率与初始状态对比的变化率分布情况

2) 小事故和一般事故情况下船舶因素的影响较小，而大事故和重大事故情况下船舶因素的影响较大，表明在船舶因素与其他因素的耦合作用下发生事故的后果往往比较严重。

3) 发生小事故时人员因素和船舶因素的影响较小，环境因素(尤其是交通因素和自然因素)的影响较大，表明在人员因素和船舶因素没有失效的情况下，环境因素出现异常时事故后果的影响往往比较小；发生大事故和重大事故时船舶因素和环境因素的影响都较大，表明当船舶因素和环境因素均失效时，尤其是在交通因素和自然因素与船舶因素的耦合作用下，事故的后果往往比较严重。

4 结束语

(1) 引入贝叶斯网络理论建立水上交通风险成因的耦合作用诊断模型，不仅能得出风险因素间的耦合作用机理，还可推理诊断不同事故后果下各个风险因素的影响大小及相互耦合关系；

(2) 水上交通风险因素的耦合作用随耦合因素的增加而增强，三因素耦合比两因素耦合和单因素造成的风险都要大；

(3) 船舶因素对事故后果的影响较大，尤其是在船舶因素与环境因素的耦合作用下容易出现较严重的事故后果，因此相关部门和船舶管理人员要加强对船舶的安全管理，使船舶具备应对相应航行环境的适航性。

[1] 胡甚平. 海上交通系统风险蒙特卡洛仿真[J]. 上海海事大学学报,2011,32(4):7-11.

[2] 张文青,胡甚平,刘琨,等. 基于熵权的海上交通风险成因物元评价模型[J]. 上海海事大学学报, 2010,31(2):18-22.

[3] 张欣欣,轩少永,席永涛,等. 基于HFACS的海上交通事故原因系统分析[J]. 上海海事大学学报, 2012,33(4):15-19.

[4] 周丽丽,胡甚平. 船舶引航风险成因灰色综合评价模型[J].上海海事大学学报,2008,29(2):21-25.

[5] 罗帆,刘堂卿. 基于N-K模型的空中交通安全耦合风险分析[J]. 武汉理工大学学报(信息与管理工程版),2011,33(2):267-270.

[6] 刘全龙,李新春,王雷.煤矿事故风险因子耦合作用分析及度量研究[J]. 统计与信息论坛,2015,30(3):82-87.

[7] 胡甚平,黎法明,席永涛,等.海上交通系统风险成因耦合机理仿真[J].应用基础与工程科学学报, 2015,23(2):409-419.

[8] 曹久华,席永涛,胡甚平,等. 基于系统动力学的港口船舶通航风险成因耦合模型[J]. 安全与环境学报,2015,15(3):65-71.

[9] 胡甚平,方泉根,乔归民,等. 大型船舶航行的风险分析与风险控制[J]. 中国航海,2006,29(3):34-38.

[10] 刘堂卿. 空中交通管制安全风险耦合机理研究[D].武汉:武汉理工大学,2011.

[11] 朱明敏. 贝叶斯网络结构学习与推理研究[D].西安:西安电子科技大学,2013.

[12] 叶跃祥,糜仲春,王宏宇,等. 基于贝叶斯网络的不确定环境下多属性决策方法[J]. 系统工程理论与实践,2007(4):107-113.

[13] 郭云龙,席永涛,胡甚平,等. 基于动态贝叶斯网络的船舶溢油风险预报[J]. 中国安全科学学报, 2013,23(11):53-59.

[14] 吴金龙,刘大刚,范中洲,等. 大风浪条件下渤海海区重点船舶风险评估模型[J].中国航海,2012,35(2):89-92.

[15] 方泉根,胡甚平. FSA在船舶引航风险评估中的应用[J]. 哈尔滨工程大学学报,2006,27(3):329-334.

[16] 胡甚平,方泉根,张锦朋,等. 沿海水上交通安全的风险评估研究[J]. 中国航海,2010,33(1):50-55.

Diagnosis of Coupling Effect Among Risk Causes of Water Transportation

JIALixiao1,HUShenping2

(1. Navigation Department, Nantong Shipping College, Nantong 226010, China;2. Merchant Marine College, Shanghai Maritime University, Shanghai 201306, China)

1000-4653(2016)04-0091-06

U698

A

2016-07-12

上海海事大学校基金(20120057)；广东省交通运输厅科技项目(201202004)

贾立校(1982—)，男，河北邢台人，讲师，硕士，研究方向为水上交通安全管理。E-mail:jialx@ntsc.edu.cn