范麗先， 葉圓慧， 尹靜波

(1. 上海大學 管理學院， 上海 200444； 2. 上海交通大學 船舶海洋與建筑工程學院， 上海 200240)

據(jù)聯(lián)合國貿易和發(fā)展會議(United Nations Conference on Trade And Development, UNCTAD)[1]統(tǒng)計，當前全球海上貿易運輸量占國際貿易運輸總量的80%左右。我國作為出口貿易大國，海上貿易運輸量占我國國際貿易運輸總量的比例更高達90%以上。[2]隨著船舶建造技術和管理水平不斷提高，海上運輸能以較低的成本完成更加安全、可靠和高效的運輸任務，從而有效加快世界經濟的全球化進程。[3]

但是，海運事業(yè)的蓬勃發(fā)展也給海上交通安全帶來很大隱患。根據(jù)國際海事組織(International Marithime Organization, IMO) 官方網站統(tǒng)計，從1986年初至2015年底，前10 a共發(fā)生海上事故1 257起，中間10 a共發(fā)生4 394起，近10 a下降到3 648起。海上交通事故發(fā)生率雖然遠不及陸路交通事故發(fā)生率，但一旦發(fā)生，就會造成巨大的人員傷亡、財產損失和環(huán)境污染。[4]

海上事故發(fā)生后付出的沉重代價使人們不得不從中汲取教訓，以盡量避免事故再次發(fā)生。在眾多研究中，貝葉斯網絡(Bayesion Network, BN)技術因具有系統(tǒng)的成本效益分析能力而廣泛應用于對風險控制手段的預測和評估中。[5]HNNINEN等[6-7]和 BANDA等[8]用貝葉斯模型分析海上安全管理與影響變量之間的關系，通過研究這些變量之間的關聯(lián)和變量與整體安全管理水平之間的關聯(lián)為安全管理提供決策支持。周國華等[9]用貝葉斯模型分析影響京滬高速鐵路項目質量和風險的關鍵因素，以進行項目風險管理。這些研究通常采用專家的意見建立貝葉斯網絡模型，具有較強的主觀性。為降低主觀性對貝葉斯模型的影響，不少學者采用客觀的船舶事故數(shù)據(jù)分析風險概率，例如：YIN等[10]采用船齡、船型、船旗及船級社等指標，通過Logit 模型擬合海上交通事故發(fā)生的概率，并在此基礎上建立一套海上交通安全指標系統(tǒng)；LI等[11]用一種創(chuàng)新的方式將Logistic回歸與貝葉斯網絡相結合應用到海上風險分析中，研究各變量在不同狀態(tài)下對船舶損失和維修保養(yǎng)成本的影響。這種將客觀的條件概率與貝葉斯網絡相結合的方法可使航運事故及其成本效益分析更加準確、客觀，但只選取幾個基本的變量，僅將事故及系統(tǒng)因素狀態(tài)劃分為正常和失效2種狀態(tài)。本文對IMO和巴黎諒解備忘錄(Memoradum of Understanding, MoU)組織公布的船舶事故及事故影響程度進行詳細分析，并將其影響因素(如檢查次數(shù))擴展至多態(tài)。

1 數(shù)據(jù)來源及研究方法

1.1 數(shù)據(jù)來源

本文構造貝葉斯模型的數(shù)據(jù)來自于以下4個方面。

1) 船舶基本信息：包括近12萬艘船舶(100總噸以上)的200多項基本信息(Lloyd’s全球船舶數(shù)據(jù)庫)。

2) 海上事故信息：IMO網站公布的2006—2015年3 648項海上事故報告。

3) 海上安全檢查報告：巴黎MoU自2006—2015年發(fā)布的有關港口國監(jiān)控(Port State Control, PSC)年度報告，包含20余萬條檢查結果。

4) 世界經濟發(fā)展數(shù)據(jù)(World Bank及Clarkson數(shù)據(jù)庫)：所有國家近10 a的經濟、貿易、人口及資源等數(shù)據(jù)。

1.2 貝葉斯網絡模型

貝葉斯網絡是一種概率圖模型，其網絡拓樸結構是一個有向無環(huán)圖,由節(jié)點和帶方向的箭頭組成，節(jié)點表示隨機變量，帶方向的箭頭表示因果依賴關系。

根據(jù)文獻[10]、文獻[12]及巴黎MoU網站相關信息選擇6個變量，分別為船舶尺度(Size)、船齡(Age)、船旗(Flag)、船型(Ship Type)、PSC檢查次數(shù)(Inspection)和滯留情況(Detention)。前5個變量直接影響事故發(fā)生率(Accident)，PSC檢查次數(shù)直接影響滯留情況。圖1為船舶事故的貝葉斯模型。船舶尺度分為大船和小船；船齡分為新船和舊船；船旗分開放式和封閉式；PSC檢查次數(shù)沿襲CARIOU等[13]的分類方法，分為未被檢查過、檢查次數(shù)在1～10次和大于10次等3種；滯留情況分為曾滯留和未滯留過2種。船舶類型分為干散貨船(Bulker)、集裝箱船(Container)、油船(Tanker)、客船(Passenger)和一般貨船(General Cargo)。此外，YIN等[10]發(fā)現(xiàn)發(fā)達國家的事故率比發(fā)展中國家更低，因此對發(fā)達國家和發(fā)展中國家航運安全因素分別進行研究。

1.3 貝葉斯網絡模型的先驗概率

船舶事故分為嚴重事故和較輕事故，因此對嚴重事故船舶和較輕事故船舶分別進行建模分析。

利用建立的數(shù)據(jù)庫計算圖1中貝葉斯網絡模型的各先驗概率，其中船舶尺度、船齡、船舶類型和船旗等4個變量均為外生自變量，采用各狀態(tài)所占比例作為其先驗概率(見圖2和圖3)。

注：事故發(fā)生率、PSC檢查次數(shù)和滯留情況各概率值為其各狀態(tài)下條件概率期望值

圖3 發(fā)展中國家船舶事故先驗概率

1.4 基于Logistic回歸模型的條件概率

為估計圖2和圖3中的貝葉斯模型，需進一步計算各影響因素不同狀態(tài)下的船舶事故、檢查次數(shù)和滯留情況的條件概率。采用Logistic回歸方法估計各因素對事故、檢查和滯留情況的影響系數(shù)，進而

對每艘船舶發(fā)生事故、被PSC檢查和滯留的概率進行預測，最后根據(jù)圖1中各影響因素的不同狀態(tài)計算條件概率。

表1為各因素對事故發(fā)生率、PSC檢查次數(shù)和滯留情況的Logistic回歸分析結果，其中：模型1是各因素對事故的影響系數(shù)；模型2是各因素對檢查情況的回歸系數(shù)；模型3是各因素對船舶滯留情況的影響系數(shù)。3個模型的極大似然比均高度顯著，表明模型的整體擬合度均較高。由于國家類型、船旗和船舶類型均為類別變量，因此表1中該3個變量以啞變量形式代入回歸，即Develop代表發(fā)達國家，Open代表開放式登記旗船，Bulker，Container，Tanker，Passenger，General Cargo分別代表5種主要類型船舶啞變量，未放入回歸中的對比組為其他類型船舶。

表1 各因素對事故發(fā)生率、PSC檢查次數(shù)和滯留情況的Logistic回歸分析結果

2 結果分析

2.1 各因素對嚴重事故的影響及敏感性分析

模型結果顯示，各因素對嚴重事故和較輕事故的影響均類似，因此僅列出對嚴重事故影響的結果分析。表2～表7中：最后一列為不同狀態(tài)下后驗概率的變化率；最后一行為發(fā)達國家對比發(fā)展中國家的變化率。

表2為船舶尺度對航運安全影響的敏感性分析。最后一列為不同船舶尺度下事故后驗概率的變化率，可見發(fā)達國家大船事故發(fā)生概率比小船高14.52%，而發(fā)展中國家大船事故發(fā)生概率比小船高8.38%。最后一行的變化率表明，無論是大船還是小船，發(fā)達國家船舶事故發(fā)生概率均比發(fā)展中國家高60%左右。

表3為船旗對航運安全影響的敏感性分析。由后驗概率變化率可知，開放式旗船事故發(fā)生概率平均比封閉式旗船高70%左右。

表2 船舶尺度對航運安全影響的敏感性分析 %

表3 船旗對航運安全影響的敏感性分析 %

表4為船齡對航運安全影響的敏感性分析。由表4可知：舊船引發(fā)事故的概率平均比新船高40%～50%。

表4 船齡對航運安全影響的敏感性分析 %

表5為船舶類型對航運安全影響的敏感性分析。由表5可知：發(fā)達國家的船舶中客船事故發(fā)生概率最高，為5.7%；其次是集裝箱船，為5.11%；其后是一般貨船、油船和干散貨船。發(fā)展中國家各類型船舶發(fā)生事故的概率均低于發(fā)達國家，但相對排序類似。

表5 船舶類型對航運安全影響的敏感性分析 %

表6為檢查次數(shù)對航運安全影響的敏感性分析。由表6可知，發(fā)生事故概率較高的船舶累計PSC檢查的次數(shù)也較多。該結果與預期相反，當前各大MoU均建立有一套較為系統(tǒng)、科學的船舶監(jiān)控機制，可滯留抽查出的問題船舶，并責令其修補缺陷。一般認為被港口國監(jiān)控檢查次數(shù)越多，越有助于其提高船舶質量，從而降低事故發(fā)生概率。[13]

表6 檢查次數(shù)對航運安全影響的敏感性分析 %

該結果表明，當前港口PSC監(jiān)控對篩選易發(fā)事故船舶非常有效，能準確篩選出問題船舶并進行抽查，但因被檢查船舶存在的嚴重問題未得到全面改善，并未消除其后續(xù)事故發(fā)生的可能性。

表7為檢查次數(shù)對滯留情況影響的敏感性分析。由表7可知：若船舶在港口國被檢查超過10次，則滯留的概率比檢查次數(shù)少的船舶高出很多；而發(fā)展中國家船舶滯留的概率高于發(fā)達國家。這充分說明被多次檢查并滯留后并未有效敦促船舶所有人提高船舶質量。

2.2 模型整體分析

表8為模型整體有效性分析。由表8可知，當船舶為大船且懸掛的是開放式船旗時，發(fā)達國家和發(fā)展中國家發(fā)生嚴重事故的概率增加到4.91%及3.05%。依此類推，發(fā)達國家和發(fā)展中國家在各因素最差狀態(tài)下發(fā)生事故的概率分別高達21.36%及9.68%。這說明船舶尺度較大、懸掛開放式船旗、船齡越大、被港口檢查次數(shù)較多的客船或集裝箱船，發(fā)生事故的概率較高。

與各因素對較輕事故的影響相比，各因素對嚴重事故發(fā)生概率的影響均較高，這在一定程度上說明盡管船舶發(fā)生事故的概率相對較低，但其發(fā)生的事故一般都較為嚴重，這也是各傳統(tǒng)航運國、沿岸港口國及國際海事組織對航運安全較為重視的原因。因此，該研究結果可幫助各相關國際、國內機構完善航運政策，有效降低航運事故發(fā)生的概率。

表7 檢查次數(shù)對滯留情況影響的敏感性分析 %

表8 模型整體有效性分析 %

3 結束語

本文將貝葉斯網絡與Logistic回歸相結合，研究各類因素對船舶事故的影響，挖掘當前海上交通安全管理中存在的問題。分析發(fā)現(xiàn)，不論是發(fā)達國家還是發(fā)展中國家，易發(fā)生事故的船舶均已被港口PSC檢查多次，滯留概率較高的船舶同樣被檢查過多次。這充分說明當前各MoU制定的船舶監(jiān)控制度具有一定的有效性。然而，因未能對高風險船舶實施進一步的控制，致使事故發(fā)生概率未能從根本上降低。船舶類型、船齡和船舶尺度對事故發(fā)生概率也有顯著影響。結合研究結果，為加強海上航行安全，提出以下建議：

1) 加強各MoU之間在船舶檢查數(shù)據(jù)上的溝通，建立一個完善的船舶監(jiān)控數(shù)據(jù)庫，以更好地對經停的累積檢查次數(shù)過多的船舶進行限制。建議對船舶累積檢查次數(shù)進行分類，輕者限制船舶航行的某些權限(比如載重等)，重者禁止在某些海域航行。

2) 對不同類型的船舶進行不同程度的檢查。不同類型船舶運營條件的嚴格程度不同，船舶發(fā)生事故的概率也有所差別。

3) 敦促完善港口國PSC監(jiān)控的處罰力度，有效促進船舶質量的提升。由于船舶涉及到的相關國家較多，各相關國家的海事組織對船舶的監(jiān)控不力，停經港口要求修補缺陷或滯留的處罰并未對其造成實質性影響，使得缺陷船舶沒有動力通過增加投入來改善船舶質量?？梢?，通過IMO協(xié)調各國家建立一套完善的監(jiān)控、處罰機制，可更加有效地促進全球航運安全的提升。

[1] UNCTAD. Review of Maritime Transport[R]. Geneva: UNCTAD, 2015.

[2] 呂靖, 高天航. 海上通道關鍵節(jié)點安全保障效率研究[J]. 中國軟科學, 2015(10):1-8.

[3] LUO M. Emission Reduction in International Shipping—The Hidden Side Effects[J]. Maritime Policy & Management, 2013,40(7):694-708.

[4] MANSELL JNK. Development of International Law for Flag State Responsibility[Z] Berlin, Heidelberg: Springer-Verlag Berlin Heidelberg, 2009: 53-69.

[8] BANDA OAV, HNNINEN M, GOERLANDT F, et al. Bayesian Networks as a Decision Making Tool to Plan and Assess Maritime Safety Management Indicators[C]∥Probabilistic Safety Assessment and Management PSAM 12. Honolulu, Hawaii,2014.

[9] 周國華, 彭波. 基于貝葉斯網絡的建設項目質量管理風險因素分析——以京滬高速鐵路建設項目為例[J]. 中國軟科學, 2009(9):99-106.

[10] YIN JB, LI KX, FAN LX. A New Safety Index for Maritime Transportation [J]. Transportation Research Part A: Policy and Practice, 2014,66:75-87.

[11] LI K, YIN J, BANG H, et al. Bayesian Network with Quantitative Input for Maritime Risk Analysis[J]. Transportmetrica A: Transport Science, 2014,2:89-118.

[12] LADAN M, HNNINEN M. Data Sources for Quantitative Marine Traffic Accident modeling[M]. Helsinki: School of Engineering, 2012.

[13] CARIOU P, WOLFF F. Identifying Substandard Vessels Through Port State Control Inspections: A New Methodology for Concentrated Inspection Campaigns[J]. Marine Policy, 2015,60:27-39.