葉子陽，陳沿伊，張培林，程 盼，鐘惠林，侯華保

(武漢理工大學(xué)交通與物流工程學(xué)院，湖北 武漢 430063)

我國水路運輸尤其是內(nèi)河運輸領(lǐng)域的投資不斷增大，有資料顯示2019年內(nèi)河建設(shè)完成投資614億元，全國內(nèi)河航道通航里程達(dá)到了12.73萬km。伴隨著我國內(nèi)河航道通航里程的增長，船舶數(shù)量不斷攀升，航運事故數(shù)居高不下。根據(jù)長江海事局通報的相關(guān)數(shù)據(jù)，2020年共發(fā)生水上交通事故113起，其中一般及以上等級事故12起，死亡失蹤人數(shù)21人，造成的直接經(jīng)濟(jì)損失約1 702萬元，安全監(jiān)管態(tài)勢十分嚴(yán)峻。2020年6月，交通運輸部發(fā)布的《內(nèi)河航運發(fā)展綱要》[1]中指出：要構(gòu)筑功能完善、能力充分的航運安全體系，完善安全風(fēng)險防控與監(jiān)管體系，完善安全生產(chǎn)風(fēng)險分級管控和事故隱患排查治理雙重預(yù)防機(jī)制，建立完善的安全風(fēng)險清單。

船舶航行安全是一項復(fù)雜的系統(tǒng)工程，它需要綜合考慮船舶、航道、氣候等多方面的因素。同時，大多數(shù)船舶交通運輸事故的特點是低概率高后果，對模型的穩(wěn)定性要求較高[2]。國內(nèi)外學(xué)者針對通航事故安全風(fēng)險進(jìn)行了廣泛的研究。如：Fan等[3]基于MAIB、 TSC等海上事故報告建立了貝葉斯網(wǎng)絡(luò)，對海上交通事故關(guān)鍵影響因素進(jìn)行了分析；Pristrom等[4]利用專家調(diào)查法建立了貝葉斯網(wǎng)絡(luò)，研究了在不確定條件下做出具有成本效益的海上反海盜決策；李振福等[5]在AIS數(shù)據(jù)的基礎(chǔ)上運用云模型和熵權(quán)法識別了海區(qū)的安全風(fēng)險。但在內(nèi)河通航安全風(fēng)險分析中，學(xué)者們較多利用模糊綜合評價或證據(jù)推理等方法來進(jìn)行通航安全風(fēng)險評估。如：王愷[6]建立了單因素模糊評價模型，對無錫運河水域的通航環(huán)境進(jìn)行了分析；郝勇等[7]參考冰山模型理論識別了船員素質(zhì)對通航安全的影響因素，構(gòu)建了長江危險品船船員素質(zhì)評價指標(biāo)體系；張笛等[8]運用模糊規(guī)則庫和證據(jù)推理相結(jié)合的方法對內(nèi)河通航安全風(fēng)險進(jìn)行了評價。此外，一些學(xué)者利用貝葉斯網(wǎng)絡(luò)模型對通航安全風(fēng)險進(jìn)行了評估。如李昊等[9]運用貝葉斯網(wǎng)絡(luò)建立了內(nèi)河航運安全指數(shù)體系，主要是從整體上反映航運安全的變動趨勢和程度。而通過數(shù)據(jù)驅(qū)動建立貝葉斯網(wǎng)絡(luò)，對內(nèi)河單船在特定風(fēng)險因素組合下船舶可能發(fā)生的事故類型和不同事故類型關(guān)鍵影響因素的研究則較為少見。如Fan等[10]的研究發(fā)現(xiàn)，發(fā)生落水事故的關(guān)鍵影響因素是船舶類型為漁船，而發(fā)生傾覆事故的關(guān)鍵因素是船舶作業(yè)類型(拖航)。

考慮貝葉斯網(wǎng)絡(luò)具有很好的建模隨機(jī)性和捕捉非線性因果關(guān)系的能力[11]，故本文引入貝葉斯網(wǎng)絡(luò)理論，在蕪湖海事局2013—2020年上報的219條內(nèi)河航運事故船舶數(shù)據(jù)的基礎(chǔ)上，經(jīng)過數(shù)據(jù)清理和補(bǔ)全提煉出影響內(nèi)河船舶航運安全的因素，使用貝葉斯可視化軟件Netica進(jìn)行參數(shù)學(xué)習(xí)，建立內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型，并對內(nèi)河船舶航運安全風(fēng)險進(jìn)行正向推理和反向診斷，進(jìn)而分析得到內(nèi)河通航船舶的高風(fēng)險情景和不同事故類型的關(guān)鍵影響因素。

1 貝葉斯網(wǎng)絡(luò)理論基礎(chǔ)

貝葉斯網(wǎng)絡(luò)是基于圖論和概率論，將先驗知識與樣本數(shù)據(jù)有機(jī)結(jié)合來對不確定性問題進(jìn)行模擬和推理的一種有效工具，它需要經(jīng)過結(jié)構(gòu)學(xué)習(xí)、參數(shù)學(xué)習(xí)和推理分析來獲得解決問題的依據(jù)[12]。

1.1 貝葉斯定理

在通常情況下，事件A在事件B發(fā)生條件下的概率和事件B在事件A發(fā)生條件下的概率是不一樣的，貝葉斯網(wǎng)絡(luò)就是基于概率理論對這種關(guān)系的陳述。P(A|B)表示事件B已經(jīng)發(fā)生的前提下，事件A發(fā)生的概率，叫做事件B發(fā)生下事件A的條件概率，其基本求解公式如下：

P(A|B)=(P(AB))/(P(B))

(1)

其中，A和B代表基本事件集E中的兩個事件。

對于事件A1，A2,…,An，且P(A1)≥P(A1,A2)≥…≥P(A1,A2,…,Pn-1)，可推導(dǎo)出乘法式如下[13]:

P(A1A2…An)=P(A1)P(A2|A1)P(A3|A1A2)…P(An|A1A2…An-1)

(2)

后驗概率公式就是貝葉斯網(wǎng)絡(luò)的推理基礎(chǔ)。設(shè)先驗概率為P(B1)， 若條件概率P(Aj|Bi)已知，且P(Bi)>0，則貝葉斯后驗概率公式如下：

(3)

1.2 貝葉斯網(wǎng)絡(luò)建模

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)是一種有向無環(huán)圖(E,A)，其中節(jié)點E={E1,E2,…,En}用來表示變量，各變量之間的相互關(guān)系則用有向弧A表示，有向弧的方向是從原因節(jié)點指向結(jié)果節(jié)點，即父節(jié)點指向子節(jié)點，而沒有直接鏈接的節(jié)點表示有條件地相互獨立。貝葉斯網(wǎng)絡(luò)的參數(shù)θ是代表變量間相互關(guān)系的條件概率表(Conditional Probability Table，CPT)，用P(Ei|Pa(Ei))表示，代表變量之間的相互依賴關(guān)系[21]。換言之，貝葉斯網(wǎng)絡(luò)是由各節(jié)點間具有相互依賴關(guān)系的網(wǎng)狀結(jié)構(gòu)和變量之間相聯(lián)系的條件概率表組成，對于有向邊(Ei,Ej)，Ei的父節(jié)點用Pa(Ei)表示，非后代節(jié)點可用A(Ei)表示。在給定父節(jié)點的條件下，非后代節(jié)點與父節(jié)點Ei條件獨立[14],即：

P(Ei|Pa(Ei),A(Ei))=P(Ei|Pa(Ei))

(4)

則聯(lián)合概率為[15]

(5)

因此,貝葉斯網(wǎng)絡(luò)節(jié)點的選擇是確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的先決條件，在確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)后，就應(yīng)對其節(jié)點的相關(guān)參數(shù)進(jìn)行學(xué)習(xí)。貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)共有兩種方式：一是基于專家經(jīng)驗，通過發(fā)放問卷的方式獲得相關(guān)變量的權(quán)重，并通過計算獲得各個節(jié)點的條件概率表；二是利用數(shù)據(jù)驅(qū)動，通過導(dǎo)入相關(guān)事故數(shù)據(jù)來訓(xùn)練模型，以獲得相關(guān)節(jié)點的條件概率。本文選用第二種方法，基于船舶航運事故數(shù)據(jù)進(jìn)行參數(shù)學(xué)習(xí)。就數(shù)據(jù)驅(qū)動方法而言，也有許多種不同的方法，如樸素貝葉斯網(wǎng)絡(luò)(NBN)算法、樹增強(qiáng)型樸素貝葉斯網(wǎng)絡(luò)(TAN)算法，考慮到本模型各影響因素之間的相互影響較小，樸素貝葉斯網(wǎng)絡(luò)算法對于給出的待分類項會選擇條件概率最大的類別，且具有建模簡單、魯棒性較強(qiáng)等特點，故本文擬定采用樸素貝葉斯網(wǎng)絡(luò)建模。

同時，由于采用具有唯一子節(jié)點的樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)(見圖1)，目標(biāo)節(jié)點的條件概率表將會非常龐大，進(jìn)行參數(shù)學(xué)習(xí)時會作為模型變量極大地增加工作量。因此，考慮到貝葉斯網(wǎng)絡(luò)具有雙向風(fēng)險分析的能力，為了簡化結(jié)構(gòu)，本文提出了一種改進(jìn)的發(fā)散樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)將目標(biāo)節(jié)點當(dāng)作唯一的父節(jié)點，其余影響因素均作為該父節(jié)點影響下的子節(jié)點(見圖2)，這種結(jié)構(gòu)可以在很大程度上減少條件概率的計算量，且對最終的結(jié)果沒有影響[10]。

圖1 樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)(唯一子節(jié)點)

圖2 改進(jìn)的發(fā)散樸素貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)(唯一父節(jié)點)

綜上所述，基于數(shù)據(jù)驅(qū)動的樸素貝葉斯網(wǎng)絡(luò)建模流程，見圖3。

圖3 基于數(shù)據(jù)驅(qū)動的樸素貝葉斯網(wǎng)絡(luò)建模流程圖

2 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型構(gòu)建

2.1 網(wǎng)絡(luò)節(jié)點及其值域的確定

本文基于蕪湖海事局內(nèi)河航運事故數(shù)據(jù)庫(包含上報及未上報數(shù)據(jù)、事故報告等)，參考相關(guān)文獻(xiàn)[16-17]以及內(nèi)河通航管理規(guī)范[18]，在確定節(jié)點名稱時從航道、氣候和船舶三個方面的影響因素展開，共提煉出與內(nèi)河船舶通航安全關(guān)聯(lián)較大且較易被海事局等部門識別的的16個影響因素作為模型變量，包括是否橋區(qū)、是否彎曲航道、航行密度、航道水深富裕程度、航道寬度富裕程度、是否下雨、是否霧天、風(fēng)力、晝夜、水期、船舶類型、船舶歸屬、船齡、是否滿載、航行方向、船員配備。其中，考慮到水流流速也是一個能夠客觀反映內(nèi)河船舶通航安全狀態(tài)的指標(biāo)，但該指標(biāo)是實時動態(tài)變化的，較難獲得，故選用綜合性指標(biāo)“水期”代替。但是，“水期”反映的是事故發(fā)生時的整體航道水流狀況，且不能完全等同于“航道水深富裕程度”，因為“水期”是一個相對客觀的評判，而“航道水深富裕程度”則與船舶本身的性質(zhì)有著很大的關(guān)系。

在本文選取的16個變量中，部分變量狀態(tài)如晝夜、是否下雨、是否起霧和航行方向等的定義可以從蕪湖海事局上報的船舶航運事故數(shù)據(jù)庫中得到，這些變量狀態(tài)的定義也在各類參考文獻(xiàn)中被廣泛接受。但也有一些變量狀態(tài)如船舶類型、是否滿載等是結(jié)合相關(guān)文獻(xiàn)和長江下游蕪湖航段的船舶通航事故總結(jié)得出，如長江下游蕪湖航段的事故船舶類型包括干散貨船、件雜貨船、危險化學(xué)品運輸船、拖輪、駁船、集裝箱船、漁船、工程船等，結(jié)合蕪湖海事局上報的航運事故船舶類型數(shù)據(jù)統(tǒng)計可以發(fā)現(xiàn)件雜貨船、漁船、工程船、駁船等船舶類型數(shù)量較少，考慮到樣本容量和模型的準(zhǔn)確度問題，本文將這些船舶類型統(tǒng)稱為其他船舶。關(guān)于內(nèi)河船舶交通事故16個影響因素的定義，詳見表1。

表1 內(nèi)河航舶交通事故影響因素的定義

由于貝葉斯網(wǎng)絡(luò)模型涉及多個維度的不同節(jié)點，為了全面、客觀地反映不同節(jié)點對子節(jié)點的影響，參考相關(guān)文獻(xiàn)及專家經(jīng)驗，本文將節(jié)點的值域用離散型變量展示，不同的父節(jié)點有著不同的值域。而對于最終的子節(jié)點，本文結(jié)合實際情況將事故類型分為碰撞(collision)、觸碰(contact)、火災(zāi)(fire damage)、擱淺(grounding)、自沉(sinking)和其他(others)6種。

通過對長江海事事故的分析發(fā)現(xiàn)，內(nèi)河船舶交通事故不同評價指標(biāo)的危險系數(shù)不同，例如：水期影響因素的危險系數(shù)表現(xiàn)為枯水期>洪水期>中水期[19]；不同類型的船舶評價指標(biāo)危險系數(shù)也不一樣，如集裝箱船一般較為堅固耐用，而危險品及油船等屬于交管部門嚴(yán)加管控的對象[16]。因此，本文根據(jù)內(nèi)河船舶交通事故不同影響因素的危險系數(shù)對各影響因素進(jìn)行了重新分級，具體等級劃分標(biāo)準(zhǔn)見表2。

表2 內(nèi)河船舶交通事故影響因素等級劃分標(biāo)準(zhǔn)

2.2 數(shù)據(jù)采集及獲取

本模型事故數(shù)據(jù)來源于蕪湖海事局2013—2020年度上報的所有內(nèi)河船舶交通事故數(shù)據(jù)庫，通過對該數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行篩選，重點是剔除與船舶通行無關(guān)的諸如游客戲水導(dǎo)致的事故以及部分發(fā)生在小型漁船上由于某些特殊原因?qū)е碌氖鹿实葦?shù)據(jù)，最終共選取最近8年具有代表性的內(nèi)河船舶交通事故數(shù)據(jù)159條，事故船舶數(shù)據(jù)219條。由于蕪湖海事局上報的內(nèi)河船舶交通事故數(shù)據(jù)庫中存在部分影響因素?zé)o法提取和信息缺失的情況，故本文廣泛運用船訊網(wǎng)、長江海事局官網(wǎng)、長江航道局電子航道圖等資料進(jìn)行數(shù)據(jù)補(bǔ)充，最終構(gòu)造出本文數(shù)據(jù)庫。

此外，考慮到不同類型的船舶具備不同的船舶特性，因此本文以事故船舶數(shù)據(jù)為基礎(chǔ)，隨機(jī)抽取154條事故船舶數(shù)據(jù)作為組建事故類型預(yù)測分析的訓(xùn)練樣本，65條事故船舶數(shù)據(jù)用于作為事故類型預(yù)測的驗證樣本。

2.3 貝葉斯網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的確定及參數(shù)學(xué)習(xí)

本文基于蕪湖海事局上報的內(nèi)河船舶交通事故數(shù)據(jù)為基礎(chǔ)，考慮構(gòu)建基于樸素貝葉斯網(wǎng)絡(luò)的內(nèi)河船舶交通事故預(yù)測模型。由于各影響因素之間并不完全獨立，但參考相關(guān)文獻(xiàn)，也沒有證據(jù)證明這些影響因素之間具有較強(qiáng)的相關(guān)性[9-10,17]，且已有研究表明這種假設(shè)并不會顯著影響貝葉斯網(wǎng)絡(luò)建立后各節(jié)點的條件概率[12]，而且對之后情景分析的影響也更為有限，因此可視為各影響因素獨立。綜上，可在此假設(shè)的基礎(chǔ)上建立樸素貝葉斯網(wǎng)絡(luò)(見圖4)，此時事故類型是唯一的父節(jié)點，其余各子節(jié)點也就是原始的各影響因素如是否橋區(qū)、航行密度、水期、船舶歸屬以及是否滿載等相互獨立。

圖4 內(nèi)河船舶交通事故的樸素貝葉斯網(wǎng)絡(luò)模型

在確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)后，基于內(nèi)河船舶交通事故船舶數(shù)據(jù)，在建立的內(nèi)河船舶交通事故樸素貝葉斯網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，通過貝葉斯可視化軟件Netica對模型中的關(guān)鍵節(jié)點進(jìn)行參數(shù)學(xué)習(xí)，而一旦條件概率表被構(gòu)建與獲得，就可以計算每個影響因素的后驗概率。該模型的訓(xùn)練結(jié)果見圖5。

圖5 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

3 貝葉斯網(wǎng)絡(luò)模型結(jié)果驗證及情景分析

3.1 貝葉斯網(wǎng)絡(luò)模型結(jié)果分析及驗證

3.1.1 貝葉斯網(wǎng)絡(luò)模型結(jié)果分析

涉及航道因素、氣候因素、船舶因素的16個影響因素的內(nèi)河船舶交通事故貝葉斯網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果，見圖5。

由圖5可以看出：

(1) 就事故類型而言，2013—2020這8年間長江下游蕪湖海事局所轄航道發(fā)生的船舶交通事故以碰撞事故(collision)為主，該事故發(fā)生概率高達(dá)54.1%，而發(fā)生觸碰、火災(zāi)、擱淺和自沉和其他事故的概率差別不大，在6.9%～13.7%范圍內(nèi)。

(2) 就航道因素而言，14.1%概率的事故發(fā)生在橋區(qū)航道，彎曲航道發(fā)生事故占比接近一半，為49.8%；蕪湖海事局所轄航道船舶航行流量較大，事故發(fā)生在航行流量高峰期的概率約為43.7%，事故發(fā)生在航行流量中峰期的概率為50.8%，兩者占比達(dá)94.5%；33.8%概率的事故發(fā)生在航道水深富裕程度高風(fēng)險時期，在該時期航道水深和吃水的比值均小于1.5；只有約4.2%概率的事故發(fā)生在航道寬度富裕程度不足的時期，而剩下95.8%的事故發(fā)生在航道寬度富裕程度充足(即低風(fēng)險)和航道寬度富裕程度中等(即中風(fēng)險)時期，但這并不能說明航道寬度富裕程度不足時船舶航行安全系數(shù)較高，這是由于目標(biāo)航段的航道寬度普遍較大，航道寬度對內(nèi)河船舶航行事故特別是碰撞事故的影響較小。

(3) 就氣候因素而言，43.5%概率的事故發(fā)生在雨天，38.5%概率的事故發(fā)生在風(fēng)力大于3級的場景下；事故發(fā)生時間對事故也有一定的影響，63.8%概率的事故發(fā)生在18∶00至次日6∶00，可見夜間船舶航行的風(fēng)險較高；而就水期而言，枯水期發(fā)生事故概率約為24.9%，洪水期發(fā)生的事故概率比達(dá)43.1%；由于目標(biāo)航道地處長江中下游，霧天相對較少，且海事局等部門往往會采取禁航等措施來限制霧天航行，因此發(fā)生在霧天的事故占比僅為7.3%。

(4) 就船舶因素而言,干散貨船發(fā)生事故的概率較高，達(dá)到了69.4%；個體所有的船舶發(fā)生事故概率接近一半，為48.0%；船舶船齡大于15 a發(fā)生事故的概率約為9.8%，船舶船齡10～15 a發(fā)生事故的概率大約為14.9%；船舶航行方向為上行、下行狀態(tài)時發(fā)生事故的概率接近，均超過40%，其余為靜止?fàn)顟B(tài)；船舶超載和空載發(fā)生事故的概率分別占28.2%和25.1%。

3.1.2 貝葉斯網(wǎng)絡(luò)正向推理

基于生成的樸素貝葉斯網(wǎng)絡(luò)，可根據(jù)目標(biāo)節(jié)點事故類型，結(jié)合事故概率分布變化逆推子節(jié)點影響因素的重要性。當(dāng)調(diào)整擱淺事故(grounding)的發(fā)生概率至100%時，發(fā)現(xiàn)變化幅度最大的幾項影響因素依次為航行方向、是否彎曲航道、航道水深富裕程度和是否下雨(見圖6)，即表明船舶在雨天下行時，其通過航道深度不足的彎曲航道時極易發(fā)生擱淺事故。

圖6 內(nèi)河船舶擱淺事故貝葉斯網(wǎng)絡(luò)模型的結(jié)果

同理，當(dāng)調(diào)整碰撞事故(collision)的發(fā)生概率至100%時，發(fā)現(xiàn)當(dāng)船齡較大的船舶夜間通航于枯水期且當(dāng)時風(fēng)力等級較高時極易發(fā)生碰撞事故。通常情況下航行密度和航道是否彎曲對碰撞事故的概率也會造成一定的影響，但本文的目標(biāo)航段處于長江中、下游地區(qū)，航道條件相對較好，即使航道處于流量高峰期或者航道較為彎曲時，也有足夠的航道富裕寬度，因此航道本身的因素對碰撞事故發(fā)生概率的影響較小，但隨著航道的上溯，當(dāng)航段處于長江上游地區(qū)時，航行密度、航道是否彎曲對碰撞事故的影響也會隨之增大。同理，可以推測出火災(zāi)、觸碰、自沉和其他內(nèi)河船舶交通事故類型的主要影響因素，見表3。

表3 內(nèi)河船舶不同交通事故類型的主要影響因素

3.1.3 貝葉斯網(wǎng)絡(luò)模型驗證

本文對219條樣本數(shù)據(jù)按照事故類型分布進(jìn)行分層隨機(jī)抽樣，選用訓(xùn)練樣本154條(70%)，驗證樣本65條(30%)，并利用貝葉斯可視化軟件Netica對樣本進(jìn)行訓(xùn)練，得到如圖5所示的貝葉斯網(wǎng)絡(luò)模型訓(xùn)練結(jié)果。

為了驗證建立的樸素貝葉斯網(wǎng)絡(luò)模型對樣本預(yù)測的準(zhǔn)確率，本文調(diào)用Python程序?qū)υ撌鹿蚀皵?shù)據(jù)集進(jìn)行驗證，經(jīng)正向驗證發(fā)現(xiàn)該模型預(yù)測的準(zhǔn)確率為75.4%，表明該模型具備一定的參考性。驗證樣本事故類型分布，見表4。

表4 驗證樣本事故類型分布

同時在Python程序中，本文針對該數(shù)據(jù)集基于樸素貝葉斯網(wǎng)絡(luò)模型進(jìn)行了100次訓(xùn)練，每次均隨機(jī)選用70%作為訓(xùn)練樣本、30%作為驗證樣本，其驗證結(jié)果見圖7。

圖7 基于樸素貝葉斯網(wǎng)絡(luò)對數(shù)據(jù)集預(yù)測準(zhǔn)確率的驗證結(jié)果

由圖7可見，基于樸素貝葉斯網(wǎng)絡(luò)模型對數(shù)據(jù)集預(yù)測的準(zhǔn)確率基本維持在65%～84%之間，表明樸素貝葉斯網(wǎng)絡(luò)模型針對該數(shù)據(jù)集的預(yù)測精度具備較好的穩(wěn)定性。

3.2 情景分析

考慮到貝葉斯網(wǎng)絡(luò)模型具備動態(tài)分析的功能特點，其適用于分析在涉及船舶運行特征和環(huán)境因素等不同情景下各種事故類型發(fā)生的可能性。因此，本文通過設(shè)置多個影響因素同時變動的四個復(fù)合場景，用以判斷在不同場景下最有可能發(fā)生的事故類型，并找出該事故類型對應(yīng)的主要影響因素，以為海事局等部門制定相應(yīng)的防控措施提供理論支持。

3.2.1 環(huán)境因素變動

環(huán)境因素主要包含航道和氣候兩個方面的因素，具體包含是否橋區(qū)、是否彎曲航道、航行密度、航道水深富裕程度、航道寬度富裕程度、是否下雨、是否有霧、風(fēng)力等級、晝夜和水期10個影響因素。

情景一：當(dāng)將環(huán)境因素節(jié)點分配到如圖8所示的狀態(tài)時，碰撞(collision)事故的發(fā)生概率增長了約22個百分點，達(dá)到了76.2%；同時發(fā)生觸碰(contact)事故的風(fēng)險也比常規(guī)情況提升了近一倍，達(dá)到了16.5%。也就是說，當(dāng)目標(biāo)船舶在洪水期風(fēng)雨交加的夜間(即18∶00至次日6∶00)駛?cè)霃澢降狼掖昂叫忻芏容^大時，最容易發(fā)生碰撞和觸碰事故。

圖8 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型(情景一)

情景二：當(dāng)將環(huán)境因素節(jié)點分配到如圖9所示的狀態(tài)時，擱淺事故成為發(fā)生概率最大的事故類型，發(fā)生事故且為擱淺事故的概率由原來的13.7%驟升至88.3%，而除碰撞事故外其他事故發(fā)生的概率均小于1%。因此，當(dāng)枯水期無風(fēng)無雨有霧的白天(即6∶00至18∶00)，航道水深富裕程度和航道寬度富裕程度均處在高風(fēng)險，且船舶航行密度正常時，在彎曲航道非橋區(qū)通航的船舶更容易發(fā)生擱淺事故，故海事局等部門應(yīng)做好有針對性的預(yù)警工作。

圖9 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型(情景二)

3.2.2 船舶因素變動

此外，本文還考慮了船舶因素變動對內(nèi)河船舶交通事故類型的影響，船舶因素包括6個影響因素，分別是：船舶歸屬、船舶類型、船齡、航行方向、是否滿載和船員配備，這也是內(nèi)河船舶一些比較突出的特征。

情景三：當(dāng)將船舶因素節(jié)點變動到如圖10所示的狀態(tài)時，即公司制的集裝箱船舶、船齡偏大且空載靜止的條件下，火災(zāi)(fire_damage)事故的發(fā)生概率最高，同比該事故發(fā)生的概率增長了67.7%，從原有的9.6%增長到如今的77.3%，此時第二種可能發(fā)生的事故類型仍為碰撞(collision)事故，不過該事故發(fā)生的概率下降了約41.9%。

圖10 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型(情景三)

情景四：當(dāng)將船舶因素節(jié)點變動到如圖11所示的狀態(tài)時，自沉事故的發(fā)生概率最大，同比其事故發(fā)生概率增長了約59.6%，此時第二種可能發(fā)生的事故類型為碰撞事故，同比其事故發(fā)生概率下降了約33.1%，說明船齡、航行方向、船舶類型等的變動，對事故類型的變動有著較大的影響。由圖11分析可知，當(dāng)船齡較大的個體所有小船處在下行超載的情況下非常容易發(fā)生自沉事故，故應(yīng)做好有針對性的預(yù)案工作。

圖11 內(nèi)河船舶交通事故的貝葉斯網(wǎng)絡(luò)模型(情景四)

4 結(jié) 論

本文結(jié)合蕪湖海事局2013—2020年間的內(nèi)河船舶交通事故上報數(shù)據(jù)，通過對影響內(nèi)河通航安全因素的分析，建立了一個基于樸素貝葉斯網(wǎng)絡(luò)的內(nèi)河船舶交通事故模型，相比現(xiàn)有多集中于事故發(fā)生可能性及嚴(yán)重程度的研究，本文完全基于數(shù)據(jù)驅(qū)動的方法，對可能發(fā)生的事故類型進(jìn)行預(yù)測，在最大程度上減少了人為主觀因素對預(yù)測結(jié)果的影響。通過對模型展開原因分析，同時設(shè)置情景分析得出了如下結(jié)論：

(1) 模型展現(xiàn)出長江中、下游蕪湖航段的船舶交通事故以碰撞事故為主，碰撞事故的先驗概率超過了50%，其余事故類型的發(fā)生概率較小，在通常情況下海事局等部門應(yīng)針對碰撞事故采取有針對性的預(yù)防措施。同時貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)顯示目標(biāo)航段航道寬度、霧天等節(jié)點對內(nèi)河船舶發(fā)生交通事故的影響較小，符合目標(biāo)航段地處長江下游的航道及其氣候特點。

(2) 通過對各種不同事故類型展開分類分析，并通過后驗概率的變化得出不同事故類型在目標(biāo)航段所對應(yīng)的關(guān)鍵子節(jié)點。碰撞事故的關(guān)鍵子節(jié)點為船員配備、晝夜、水期和風(fēng)力；觸碰事故的關(guān)鍵子節(jié)點為航行密度、航行方向、水期和是否橋區(qū)；火災(zāi)事故的關(guān)鍵子節(jié)點為船員配備、航行密度、船齡和航行方向；擱淺事故的關(guān)鍵子節(jié)點為航行方向、是否彎曲航道、航道富裕水深和是否下雨；自沉事故的關(guān)鍵子節(jié)點為船齡、船舶類型、是否彎曲航道和航行密度；其他事故的關(guān)鍵子節(jié)點為是否滿載、晝夜、船舶類型和風(fēng)力。經(jīng)走訪調(diào)查，本模型針對不同事故類型關(guān)鍵子節(jié)點的提取基本符合蕪湖海事局所轄航段的事故特征。如：當(dāng)航行密度較高且為橋區(qū)時，的確更容易發(fā)生觸碰類事故；而當(dāng)處于枯水期，航道水深富裕程度為高風(fēng)險時，由于水位較低更容易發(fā)生擱淺事故。可見，本模型預(yù)測結(jié)果與客觀實際情況較為吻合，具備較高的參考價值。

(3) 環(huán)境因素變動下的情景分析通過預(yù)設(shè)兩種不同的情景，揭示了不同航道因素和氣候因素共同作用下對事故類型造成的影響。當(dāng)船舶通航環(huán)境處于以下狀態(tài)時，碰撞事故發(fā)生的概率最高：高通航密度、彎曲航道、夜間、雨天、風(fēng)力大于3級；當(dāng)船舶通航環(huán)境處于以下狀態(tài)時，擱淺事故發(fā)生的概率最高：航道水深富裕程度為高風(fēng)險、航道寬度富裕程度為高風(fēng)險、航行密度中等、彎曲航道、非橋區(qū)航道、白天、無雨、有霧、風(fēng)力小于等于3級、枯水期。

(4) 船舶因素變動下的情景分析同樣通過預(yù)設(shè)兩種不同場景，展現(xiàn)了不同船舶因素共同作用下對事故類型造成的影響。當(dāng)船舶自身通行狀況處于以下狀態(tài)時，火災(zāi)事故發(fā)生的概率最高：個體所有船舶、集裝箱船、船齡大于15 a、空載、航行方向處于靜止?fàn)顟B(tài)、船員配備不足；當(dāng)船舶自身通行狀況處于以下狀態(tài)時，自沉事故發(fā)生的概率最高：個體所有的船舶、漁船等小型船舶、船齡大于15 a、超載、航行方向處于下行狀態(tài)、船員配備不足。

本文共提取16個最易被海事管理部門偵測的影響因素，方便海事管理部門對特定情境下船舶可能發(fā)生的事故類型進(jìn)行快速預(yù)判，并通過建立的樸素貝葉斯網(wǎng)絡(luò)模型針對任意目標(biāo)船舶動態(tài)調(diào)整相應(yīng)的參數(shù)，判斷出目標(biāo)船舶最可能發(fā)生的事故類型，從而采取相應(yīng)的控制措施將事故發(fā)生的可能性降到最低。但由于受限于樣本數(shù)量較少及上報數(shù)據(jù)庫信息不夠完善等問題，本模型的結(jié)構(gòu)還有一定的改進(jìn)空間，后期可以考慮增加完整的事故報告或添加人為因素判定來彌補(bǔ)現(xiàn)有數(shù)據(jù)的不足，完善現(xiàn)有模型以提高模型預(yù)測的準(zhǔn)確率以及處理其他復(fù)雜性問題的能力。