基于改进FMECA-FBN和ER的铝矾土海运物流风险评估

谢露强，孙家臣*，王海燕,2

(1.武汉理工大学交通与物流工程学院，湖北 武汉 430063；2.武汉理工大学国家水运安全工程技术中心，湖北 武汉 430063)

作为众多工业产品原材料的铝土矿，近年来在我国的需求量呈现不断攀升的趋势。由于我国铝土矿资源萎缩以及受环保政策等的影响，每年均需从国外进口大量铝矾土以满足需求，对外依存度不断提高。据国家海关总署统计，仅2019年，我国铝矾土进口量就达到1.01亿t，占全球铝矾土海运贸易量的比例高达72.4%，其中进口的铝矾土主要来自几内亚、澳大利亚等铝土矿资源较为丰富的国家[1]。海运物流作为铝矾土进口的关键环节之一，具有运距长、途经节点众多以及海域环境复杂等特点，潜在的不安全因素较多，加之铝矾土具有易流态化的特性，进一步对海运物流环节的稳健性和可靠性产生干扰[2-3]。因此，有必要对我国进口铝矾土海运物流环节风险进行评估，以最大限度地降低海运物流环节潜在的风险因素对我国铝矾土稳定、持续进口的影响，确保我国铝产业有序、健康发展。

失效模式影响和危害性分析(Failure Mode Effects and Criticality Analysis，FMECA)在风险评估与可靠性分析领域应用广泛。但是，传统的FMECA法存在诸多的局限性，主要存在风险表征参数不全面、参数重要性差异未体现以及风险优先数(Risk Priority Number，RPN)区分度有限等问题[4-5]。针对上述问题，国内外学者开展了大量的研究。如Gul等[6]基于塑料生产的特点，提出了一种改进的失效模式与影响分析(Failure Mode and Effects Analysis，FMEA)与模糊贝叶斯网络(Fuzzy Bayesian network，FBN)相结合的塑料生产风险评估模型用来评估塑料生产中的失效模式，模型中重新构建了风险表征参数并借助模糊最佳-最差方法进行参数加权；Wan等[7]将模糊信念规则方法与贝叶斯网络相结合，建立了一种新的海运供应链风险评估模型，通过在模型中引入3个子参数用以表征风险事件的后果，继而构建了更加完善的海运供应链风险表征参数体系，并通过层次分析(Analytic Hierarchy Process，AHP)法对风险表征参数进行了赋权；Ma等[8]鉴于贝叶斯网络在处理不确定性知识方面的优势，提出了一种将FMEA与故障树分析相结合的贝叶斯网络构建方法，并对系统安全性进行了评估；Liu等[9]基于D数与灰色关联度，提出了一种用于FMEA风险评估的新的风险优先级模型。

考虑到风险评估过程中存在大量的不确定信息，模糊集理论凭借其在处理不确定信息方面表现出的灵活、可靠和操作性强等优势，已在风险评估领域得到了广泛的应用。如Lee等[10]依据结构重要性和模糊理论提出了一种新的模糊综合风险评价方法，有效处理了不确定条件下的主观模糊性；Renjith等[11]提出采用模糊RPN法对系统故障进行优先排序，该方法通过模糊语言变量对风险参数进行评价，并通过IF-THEN规则库将语言变量连接到模糊RPN，有效克服了传统RPN法存在的不足；Li等[12]在传统FMECA方法的基础上应用模糊综合风险评价法对飞机设备的可靠性进行了评估，这在一定程度上提高了评估结果的准确性；Alyami等[13]通过引入基于模糊规则的贝叶斯网络，提出了一种先进的FMEA方法用来评估集装箱码头风险事件的临界性。

综上研究，本文基于改进的FMECA，提出了一种结合FBN和改进证据推理(Evidential Reasoning，ER)理论的铝矾土海运物流风险评估模型。为了实现对风险事件更深入的刻画，在模型中构建了新的风险表征参数体系，并通过适当的方法对风险表征参数进行赋权，而模糊集理论则用于处理专家评分过程中的不确定性，通过创建基于置信结构的模糊规则库，并充分利用贝叶斯网络的推理技术，可有效得到失效模式危害度的准确评估和清晰评级结果。而改进的ER理论则显著提高了对多源不确定信息的处理能力，能够有效融合FBN推断结果实现对系统风险的准确评估。

1 铝矾土海运物流风险表征参数的确定

1.1 铝矾土海运物流风险表征参数体系的构建

风险表征参数是用于刻画和描述风险事件危害性的重要指标，科学、合理且完善地构建风险表征参数体系有利于更加全面、准确地把握失效模式特征，提高风险评估结果的准确性与可靠性。传统FMECA利用发生度O、后果严重程度S和检测度D这三个参数对失效模式进行表征与刻画[14]。本文针对海运物流的特点，在上述3个参数的基础上重新引入3个子参数来对铝矾土海运物流风险发生后的严重程度参数S进行深入度量与区分，据此以风险表征参数指标层级结构形式构建起较为完备的铝矾土海运物流风险表征参数体系，见图1。

图1 铝矾土海运物流风险表征参数体系

当海运物流遭受到不确定风险事件影响后，通常会表现为海运物流的正常运输受到干扰而产生运输时间延迟，情况严重时甚至会出现海运物流断链现象。对于铝矾土海运物流来说，则降低了海运物流服务的可靠性；而对于时间和温度敏感的货物来说，时间延误带来的后果往往要比普通货物更严重。额外成本是指受到风险因素影响导致一系列额外费用/成本的增加，例如额外管理成本或风险驱动因素而产生的费用等。安全和安保损失是指参与或构成海运物流的实体要素在遭受风险事件影响后而受到的损害，例如人员受伤、运输货物受损和港口基础设施或船舶受损等。从某种程度上讲，风险事件发生后对系统的影响可统一由额外成本增加来概述，本文旨在从系统构成实体要素、时间和货币等不同角度出发对风险后果参数进行更加全面和详细的度量与区分，避免由统一概述导致刻画不清晰现象的发生。

1.2 基于AHP-熵权法的风险表征参数赋权

鉴于所构建的铝矾土海运物流风险表征参数体系各参数之间表现出较为明显的层级结构关系和重要性程度差异，本文采用适当的权重系数来量化不同风险表征参数间的相对重要性大小。

1.2.1 AHP法风险表征参数权重的确定

根据AHP法确定风险表征参数权重的步骤是：依据建立的风险表征参数体系，将同层风险表征参数进行两两比较，构造出判断矩阵，用以表示该层风险表征参数相对于上层风险表征参数而言，本层各风险表征参数之间的相对重要性的比较；在通过判断矩阵一致性检验后，确定风险表征参数的权重向量，并通过计算出不同专家对同层风险表征参数的权重向量，利用算术平均法集结专家对同层风险表征参数的评估结果确定该层风险表征参数最终的权重向量；最后将同层风险表征参数的权重值与所属的上层风险表征参数权重值进行加权计算，得到该风险表征参数在整个系统中的综合权重值。

1.2.2 熵权法风险表征参数权重的确定

熵是源自热力学的一个概念，主要反映系统的混乱程度。信息论中的熵值反映了某项指标携带的信息程度，熵值越小，表明指标所涵盖数据间的离异程度越大，指标携带的信息量就越多，对应的权重值也就越大。在利用熵权法确定风险表征参数权重向量时，需要结合专家经验对这些风险表征参数进行打分，分值在1～10分之间，分值越高，表明该风险表征参数的重要性越大。利用熵权法计算风险表征参数权重向量的步骤如下:

(1) 构建初始评估矩阵。假设由m个专家对n个风险表征参数进行评估打分，形成的初始评估矩阵R为

(1)

式中：xij为第i个专家对第j个风险表征参数的评估值，i∈(1,2,…,m),j∈(1,2,…,n)。

(2) 初始评估矩阵标准化。为保证计算结果的正确性和简便性，对初始评估矩阵进行了标准化处理。评估值的标准化处理公式如下：

(2)

式中：rij(0≤rij≤1)为第i个专家对第j个风险表征参数的评估标准值。

标准化处理后得到的标准评估矩阵为R*=(rij)m×n.

(3) 计算赋分比重。为计算出准确的信息熵，需要计算出第i个专家对第j个风险表征参数赋分所占的比重Pij，其计算公式为

(3)

(4) 计算每个风险表征参数的信息熵，并计算信息效用值。第j个风险表征参数的信息熵Ej的计算公式为

(4)

依据信息熵Ej值，可求出信息效用值dj=1-Ej。

(5) 计算风险表征参数熵权。信息效用值dj越大，表明该风险表征参数越重要，在进行风险表征参数赋权时该风险表征参数所占的权重也应该越大。风险表征参数熵权wj的计算公式为

(5)

1.2.3 风险表征参数综合权重的确定

基于AHP法计算出的风险表征参数权重向量侧重于决策者的主观偏好，虽然能在一定程度上对风险表征参数的重要度进行区分，但仍然无法克服主观随意性较大的缺陷；而熵权法虽然在风险表征参数权重向量计算过程中采用到了专家的主观评分意见，但该方法可以充分保留各风险表征参数本身所蕴含的信息，因而评估结果带有一定的客观性。将通过这两种方法得到的风险表征参数权重进行综合，可以得到更加科学、合理的风险表征参数综合权重向量。利用AHP-熵权法确定风险表征参数综合权重Wj的公式为[15]

Wj=αwj+(1-α)vj

(6)

式中：vj、wj分别为依据AHP法和熵权法所求出的风险表征参数权重值；α为偏好系数，且0≤α≤1，经征询专家意见后确定偏好系数α为0.6。

由此可得到风险表征参数的综合权重向量为W=(W1,W2,…,Wn)。

本文通过对领域专家发放调查问卷，在剔除无效样本后，共计收到4份有效问卷，依据问卷调查结果可进一步得到判断矩阵，在满足判断矩阵一致性检验后，综合熵权法与AHP法得到各风险表征参数的综合权重，见表1。

表1 风险表征参数的综合权重

1.3 基于模糊逻辑的风险表征参数等级确定

1.3.1 风险表征参数模糊评定等级表示

在利用所建立的风险表征参数体系对海运物流环节潜在的风险事件危害性进行评估时，由于工程领域往往历史数据匮乏加之风险表征参数本身的特殊性，在实际中通常依据所建立的评定等级对风险事件在某个方面的危害性做出判断。对风险事件的表征参数进行等级划分常常是一个模糊的概念，通常依赖专家经验给出低、较低、高、较高等模糊语言的判断，并依据模糊语言确定相应的评价等级。因此，本文将模糊集理论引入到依赖专家评级的风险表征参数等级确定中，从而确保风险表征参数定量化结果更加准确和符合实际情况。专家根据事先定义好的模糊评级集合对风险表征参数给出一个评价等级，进而依据隶属度函数构造出模糊数。常见的隶属函数有三角形隶属度函数与梯形隶属度函数两种，鉴于梯形隶属函数更加符合客观评价情况，本文采用梯形模糊数来处理专家评估语言变量。设实数a、b、c、d(a

(7)

在专家评级前，需要定义风险表征参数O、S、D属性等级的模糊评级集合以及对应的隶属度函数。本文对所构建的铝矾土海运物流风险表征参数体系中的风险表征参数均划分为5个等级，各风险表征参数不同等级属性、语言变量和对应的模糊数，见表2至表6。各风险表征参数的评级变量可使用梯形模糊数来表示，其中风险发生度Oi对应的评级标准所属隶属度函数，见图2。

表2 风险发生度(O)不同等级属性、语言变量和对应的模糊数

表3 风险检测度(D)不同等级属性、语言变量和对应的模糊数

表4 时间延误/断链(ST)不同等级属性、语言变量和对应的模糊数

表5 额外成本(SC)不同等级属性、语言变量和对应的模糊数

表6 安全和安保损失(SF)不同等级属性、语言变量和对应的模糊数

图2 风险发生度所属隶属度函数

1.3.2 模糊评级结果计算

在得到专家以梯形模糊数形式给出的评估值后，借助不确定有序加权平均(Uncertain Ordered Weighted Average，UOWA)算子的思想来综合不同专家的评估信息。该方法通过比较每个专家给出的评估值模糊数与综合不同专家意见得出的平均估值模糊数之间的差异程度，来确定专家的权重。

(8)

(9)

(10)

(4) 模糊数集结，计算综合梯形模糊数R。利用UOWA算子的集结方法可综合不同专家评估值模糊数，得到综合梯形模糊数R为

(11)

在利用UOWA算子集结专家评估意见后，得到的评估结果仍为一个梯形模糊数，通过将其与隶属度函数结合，可得到综合专家意见后特定失效模式下不同风险表征参数的模糊评定结果。其中风险发生度等级评价示意图，见图3。

图3 风险发生度等级评价示意图

(12)

2 基于FBN的铝矾土海运物流风险评估模型构建

2.1 铝矾土海运物流失效模式辨识

铝矾土海运物流是指货物从起运港至目的港经由海上运输的整个物流过程。从运输要素角度，可将其物流过程划分为运输节点和运输线路两部分：运输节点包括铝土矿出口港、枢纽转运港和目的地港等，船舶在港口节点的风险主要来源于主观人为因素；运输线路则是指非运输节点之外的具体运输过程，船舶在航行过程中会受到外部环境、货物状态、船舶自身运行条件和船员等多方面因素的干扰而遭受风险。为了保证所选取风险因素的科学性、客观性和合理性，本文通过咨询行业领域经验丰富的专家，并结合相关文献，得到了我国进口铝矾土海运物流环节潜在的主要风险因素即失效模式(FM)清单，见表7。

表7 我国进口铝矾土海运物流失效模式清单

2.2 基于置信结构的模糊规则库系统构建

关于模糊规则库中置信度的确定可以基于过去事件积累的知识或来自领域专家的主观经验，前一种方法常常需要大量的客观数据为支撑，而结合领域专家的知识来合理确定模糊规则库中所有的置信度往往存在很大的主观性和困难，特别是当面对大型模糊规则库时。鉴于这种情况，Alyami等[13]提出了一种比例法来确保模糊规则库中的置信度分布合理化，但是这种方法的主要缺陷是并未考虑参数权重所带来的影响。本文在建立模糊规则库置信度时，在考虑各风险表征参数重要性的基础上，使用比例法来确定其置信度分布。在本模糊规则库的创建过程中，IF部分与THEN部分中所有属性参数均用5个等级变量来描述，因此结论属性参数中某个特定等级变量的置信度可通过将前提属性参数中属于相同等级变量的风险表征参数归一化权重求和得到，由于前提属性包含了3个五值状态的风险表征参数，因此所构建的基于置信结构的模糊规则库共有125条规则。由于篇幅所限，本文仅列出了模糊规则库中的部分规则，见表8。

表8 基于置信结构的模糊规则库

2.3 贝叶斯网络的构建

由于贝叶斯网络(BN)具有良好的描述事件之间不确定非线性关系的能力，能够很好地处理基于置信结构的模糊规则库系统，且具备高效的推理能力，因此本文将基于置信结构的模糊规则用BN推理技术来刻画与实现。

依据失效模式特征属性之间的关系，结合所构建的风险表征参数体系，定义以风险发生度O、风险检测度D和风险后果严重程度S的参数时间延误/断链ST、额外成本SC、安全和安保损失SF为根节点，以风险后果严重程度S为中间节点，失效模式的危害度C为叶节点，构建铝钒土海运物流风险评估的BN拓扑模型，见图4。

图4 铝钒土海运物流风险评估的BN拓扑模型

为了更好地利用BN进行推理，基于置信结构的模糊规则库需要转化为条件概率表的形式，本文以表8中的规则2为例进行如下转化:

中度水分亏缺对棉花果枝数影响较大。由图2 d可以看出，整个生育期M3W1处理棉花果枝数显著低于其他处理，果枝数从8月5日后趋于稳定。6月26日之前，除M3W1处理外，各处理间果枝数无显著差异，6月26日之后，不同处理棉花果枝数表现为：M3W3>M3W2>M3W4>M3W1。

R2:IF低O1，轻S1，较容易D2,THEN{(75%,低)，(25%，较低)，(0%，中度)，(0%，较高)，(0%，高)}，即在给定O1、S1和D2的条件下，子节点Cm(m=1,2,…,5)的概率为(0.75,0.25,0,0,0)，或者可表示为P(Cm|O1,S1,D2)=(0.75,0.25,0,0,0),由此可将置信结构的模糊规则库转化为条件概率分布的形式，见表9。

表9 BN条件概率分布

将模糊规则库转化为所创建的BN用以描述节点间关联程度的条件概率分布后，对失效模式危害度的分析即转化为对叶节点C边缘概率的计算。依据第2节的方法，以梯形模糊数形式表征专家评估意见并经过处理变换，可得到各风险表征参数变量以隶属度形式分配给不同的语言变量，最终得到离散的模糊子集形式O、D、ST、SC和SF。由于在BN推理过程中，所有节点不同状态的概率值之和必须满足等于1的条件，因此需要将根节点参数不同状态的隶属度按下式进行归一化处理：

(13)

经归一化处理后，可得到根节点参数不同状态变量的先验概率值，由此可计算出中间节点参数S的概率分布：

P(SCm)P(SFn) (j=1,2，…,5)

进而可得到叶节点参数C的边缘概率：

P(Sj)P(Dk) (m=1,2,…,5)

2.4 利用效用函数对失效模式危害度进行排序

为了确定各失效模式的危害度级别，需要对每种失效模式进行危害度排序，明确不同失效模式之间的危害性大小，从而有利于管理者快速、准确地制定出差异化管理策略。在利用FBN推理得到的各失效模式危害度是以模糊子集的形式给出的，因此需要将各失效模式的多指标风险状态值转化为清晰值，以便进行排序。此处需要采用适当的效用函数向量依据不同风险状态之间的差异度进行量化处理，从而达到对失效模式危害性水平的整体判断。利用效用函数U对失效模式危害度进行清晰化处理的方法如下：

CI=P(Cm)Um

(14)

式中：CI为失效模式的风险评估值；Um为效用函数向量，本文取效用函数向量Um=(1,25,50,75,100)T。

2.5 海运物流系统的风险评估

利用FBN仅能从失效模式本身进行危害度评估，无法有效评判整个海运物流系统的风险水平。据此，利用改进的ER理论融合各失效模式危害度评估结果，将以置信结构表示的语言变量作为ER的输入值进而计算海运物流系统的风险值，达到从整体角度评估海运物流系统风险的目的。

鉴于传统的ER理论存在“证据冲突”与缺乏“鲁棒性”问题，采用王姣等[16]提出的基于权值分配和矩阵分析的DS合成算法对利用FBN推断得出的各失效模式评估结果进行融合处理。

假设对某3类失效模式评估结果进行融合，评价等级如上所述的5个等级，识别框架θ={L,RL,M,RH,H}，3类失效模式的评估结果见表10。

表10 某3类失效模式的评估结果

具体融合步骤如下：

(1) 基于权值分配和矩阵分析的DS证据融合方法步骤为：设矩阵A={a1,a2,a3，a4,a5)，B={b1,b2,b3，b4,b5),C={c1,c2,c3，c4,c5)，用矩阵A的转置与B相乘，得到矩阵M1:

(15)

在矩阵M1中，非主对角线元素之和即为失效模式A与B的冲突程度。

(16)

则某3个失效模式的冲突程度K为矩阵M1和M2的所有非主对角线元素之和。按照同样的步骤，可对有限个其他的失效模式进行融合，并求得所有失效模式的冲突程度K。

(3) 利用权值分配改进后的合成公式进行计算，得到各失效模式的融合结果m(A)：

(17)

2.6 模型敏感性分析

一般来说，当新的模型被提出与构建时，需要经过严密的测试来检验所提出模型的可靠性与合理性，尤其是当涉及主观判断的信念结构时，对模型进行有效性检验就显得尤为必要。敏感性分析用于研究输入对输出变量的灵敏程度，其中输入既可以是参数也可以是变量，在本研究中将FBN的根节点变量对应的置信度参数作为输入部分，重点探究输入参数置信度的变化对失效模式置信度水平的影响程度。如果所构建的FBN是合理的，则进行敏感性分析至少应该满足以下2条公理[13]。

公理1：每个输入节点的先验主观概率的轻微增加/减少应该导致输出节点的后验概率值的相对增加/减少的效果。

公理2：来自x属性(证据)的组合概率变化对风险优先值影响的总幅度应总是大于来自x-y(y∈x)属性(子证据)集合的影响。

2.7 基于改进FMECA-FBN和ER的铝钒土海运物流风险评估模型的建立

基于上述分析，本文构建了基于改进FMECA-FBN和ER的铝钒土海运物流风险评估模型，见图5。

图5 基于改进FMECA-FBN和ER的铝矾土海运物流风险评估模型

3 我国进口铝矾土海运物流风险评估

3.1 失效模式危害度评估

为了更加准确地获取铝矾土海运物流失效模式关于各风险表征参数的先验概率，本文首先采用专家判断法，对4名长期从事铝矾土海运物流的企业管理者和研究人员发放调查问卷。在调查问卷中，这些专家需要对所辨识出来的失效模式分别进行评估，评估的内容包括对5个风险表征参数及其模糊语言变量的评定等级，以失效模式“工人暴动或罢工”(FM1)为例，表11列出了4位专家对该失效模式FM1在5个风险表征参数下的评估结果。

表11 失效模式“工人暴动或罢工”(FM1)专家评估结果

然后，利用UOWA算子综合专家组评估结果得到集结后的梯形模糊数，根据风险表征参数等级隶属度函数图形，求出与各风险表征参数等级对应梯形所交的最高点纵坐标，经归一化处理后即可得到该失效模式FM1在不同风险表征参数下的先验概率分布(见表11)。类似地，可获得所有失效模式关于各风险表征参数的先验概率分布情况。

最后，在获得不同失效模式下基于FBN拓扑结构根节点的先验概率后，结合所建立的模糊规则库系统，利用公式(13)可计算得到失效模式的危害度评估结果，具体计算可使用Netica软件。对失效模式FM1进行风险推理得出的评估结果，见图6。

图6 基于Netica软件的失效模式“工人暴动或罢工” (FM1)风险评估结果

由图6可知：失效模式“工人暴动或罢工”(FM1)的风险状态P(C)=(17.2%,19.4%,14.5%,27.4%,21.4%),即失效模式FM1风险状态为“低”的置信度为17.2%、“较低”的置信度为19.4%、“中度”的置信度为14.5%、“较高”的置信度为27.4%、“高”的置信度为21.4%。在Netica软件中，5个风险表征参数相关的任何风险输入修改都可以触发节点状态的改变，这将有助于自动对铝矾土海运物流环节的任意目标风险因素进行即时风险评估。

用语言变量表示的失效模式的风险状态需要进一步利用效用函数进行清晰化处理，以便进行风险优先级排序。失效模式“工人暴动或罢工”(FM1)的风险评估值利用效用函数向量计算可表示为

表12 铝钒土海运物流不同失效模式的风险评估结果

由表12可知，铝矾土海运物流各失效模式危害度大小排序依次为FM4>FM1>FM7>FM2>FM5>FM6>FM3，表明“海盗或恐怖主义袭击”和“工人暴动或罢工”失效模式的危害性水平最高，是影响铝矾土海运物流环节可靠性的关键失效模式。

3.2 铝矾土海运物流系统风险评估

在得到海运物流各失效模式的危害性水平后，采用改进的基于权值分配和矩阵分析的DS合成算法对单个失效模式的评估结果进行融合，可得到我国进口铝矾土海运物流系统的风险评估结果，见图7。

图7 我国进口铝钒土海运物流系统的风险评估结果

由图7可知，我国进口铝矾土海运物流系统风险状态为低、较低、中度、较高、高的置信度分别为18.32%、30.18%、26.93、17.71%、6.94%。而利用效用函数向量计算得到的系统风险评估值CI为41.419，系统处于中高风险水平的置信度达到51.58%，表明我国进口铝钒土海运物流系统的整体风险较高。

3.3 模型敏感性分析

依据2.6节介绍的公理对模型进行敏感性分析，以测试所构建的基于模糊规则库系统的BN的有效性与可靠性。所有风险表征参数的语言变量应与CI值正相关，即当每个风险表征参数的语言变量稍微增加或减少时，风险评估结果的CI值也应该变得更高或更低。将10%的主观概率重新分配给每个风险表征参数的不同语言变量，并使CI值往增量方向变化，如果所构建的模型是合理的，那么CI值应该会相应增加。以失效模式“工人暴动或罢工”(FM1)为例，通过分别将单个风险表征参数以及风险表征参数的不同组合中每个风险表征参数语言变量属于“H”的状态值分别增加10%，并将发生变化的风险表征参数当前最低语言变量先验概率减少10%以保持总置信度不变进而对公理1和公理2进行检验，其结果见表13。

表13 风险表征参数不同组合敏感性分析结果

由表13可知：当单个风险表征参数中语言变量属于“H”的先验概率分别增加10%后，最终风险评估结果CI值同样发生了不同程度的增加，如当风险表征参数“O”处于“H”状态的置信度增加10%后，其风险评估结果CI值增加了2.970，当风险表征参数“D”处于“H”状态的置信度增加10%后，其风险评估结果CI值增加了1.875，公理1得以验证；此外，当风险表征参数采用不同数量风险表征参数的组合类型时，随着组合数量的增加，风险评估结果CI值亦以升序的形式保持变化，如风险表征参数不同组合类别分别为“O”、“OD”、“ODST”、“ODSTSC”和“ODSTSCSF”时，其风险评估结果CI值分别增加了2.970、4.845、5.470、5.720和6.220，因此公理2得以验证。

上述分析结果表明，本文提出的基于改进FMECA-FBN和ER的铝钒土海运物流风险评估模型具有可靠性、合理性。

4 结论与建议

在竞争日益激烈和多变的全球铝矾土市场中，铝矾土海运物流也日趋复杂，我国作为铝矾土消费和进口大国，如何在面临诸多不确定风险因素影响下确保进口铝矾土海运物流的顺利开展显得十分重要。因此，有必要建立一种高效而灵活的方法来评估铝矾土海运物流风险。针对传统的FMECA方法存在风险表征参数不全面、参数重要性差异未体现以及风险优先数区分度有限等问题，本文基于改进的FMECA提出了一种结合FBN和改进ER理论的铝钒土海运物流风险评估模型。改进的FMECA通过在风险后果严重程度参数中引入3个子参数以达到更全面、准确地刻画失效模式的目的，并通过AHP-熵权法对风险表征参数进行加权。此外，针对铝矾土海运物流风险影响因素具有不确定性和模糊性的特点，提出将模糊集理论与BN相结合的海运物流风险评估方法。通过将模糊集理论与专家知识相结合构建基于置信结构的模糊规则库系统，利用BN推理技术实现在不确定环境下对复杂系统的风险推断，并采用加权效用函数向量将风险状态的多指标类集转换为数值，进而实现对不同的失效模式危害度的重要性排序。而改进后的ER有效克服了传统ER理论对基本信任度分配较敏感以及缺乏鲁棒性等问题，提高了对多源信息处理的普适性和准确性，并通过利用改进后的ER汇总单个失效模式进而实现了对铝矾土海运物流系统整体风险的评判。研究结果表明，在铝矾土海运物流环节中，“海盗或恐怖主义袭击”是最重要的风险因素，其次是“工人暴动或罢工”、“船舶设施设备故障”、“港口拥挤”、“海况恶劣”、“铝矾土自由液面效应”和“船员操作不当”，我国进口铝矾土海运物流系统整体处于中高风险水平。综上所述，本文的主要贡献如下：

(1) 提出了一种系统性的风险评估模型，该模型能从局部和整体两个维度对我国进口铝矾土海运物流系统开展风险评估，并能够有效提高在不确定环境下对该系统进行风险评估的科学性与准确性。

(2) 改进后的FMECA能有效克服传统FMECA法存在的局限性，通过与FBN结合使模型更适用于风险分析领域，并显著提高了风险评估的可靠性与灵活性。

(3) 改进后的ER有效提高了对多源信息的处理能力，利用其对海运物流系统整体风险进行评估，为风险评估领域提供了一个新的视角。

(4) 应用比例法结合参数权重来构建模糊规则库，从而使模糊规则库中的置信度分布合理化。

然而，我国进口铝矾土供应链面临各种风险的挑战，本文主要侧重于铝矾土海上运输环节，而在其他方面，例如铝钒土开采、陆上运输、加工等环节的风险评估有待进一步探究。