文 高鴻飛（上海海事大學(xué)，上海 201306）

一、引言

海上交通安全具有重要意義，而船舶交通事故時有發(fā)生，造成人身傷亡，船舶、貨物、港口等損壞，以及海洋環(huán)境污染。為預(yù)防和控制事故的發(fā)生，國家水上交通安全管理機(jī)關(guān)制定了一系列相關(guān)的公約、規(guī)則、法律、法規(guī)及其他規(guī)范性文件，然而仍未能有效控制事故發(fā)生，重大事故仍然存在。

國內(nèi)外學(xué)者運用了多種方法對船舶交通事故進(jìn)行分析。張逸飛等[1]利用自回歸綜合移動平均模型與反饋神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法（ARIMA-BP）構(gòu)建船舶交通事故預(yù)測模型，探究船舶交通事故隨年份變化的規(guī)律；葉子陽等[2]利用貝葉斯網(wǎng)絡(luò)分析內(nèi)河船舶交通事故，探究不同事故類型與各方面影響因素之間的關(guān)系；張鋒等[3]提出了一種關(guān)聯(lián)規(guī)則模型，挖掘船舶事故間的強(qiáng)關(guān)聯(lián)規(guī)則并分析事故原因；于佳佳等[4]分別運用系統(tǒng)聚類分析法、離差平方和聚類準(zhǔn)則分析影響碰撞事故的因素，提出了船舶碰撞后果分析模型，得出了碰撞時排水量、碰撞角度、碰撞速度、碰撞位置對碰撞損失結(jié)果影響最為顯著的結(jié)論；鄔惠國等[5]利用模糊聚類的算法，建立碰撞危險度的分類模型，使危險度變得更加直觀。然而，上述研究缺少對事故變量相關(guān)性的研究，通過引入兩步聚類算法，以近六年的船舶交通事故為樣本，建立聚類模型，挖掘事故種類與事故原因的相關(guān)性以及事故種類、傷亡數(shù)、損失等級的相關(guān)性。

二、數(shù)據(jù)采集及統(tǒng)計分析

事故原始數(shù)據(jù)來源于我國海事局管轄水域的船舶交通事故數(shù)據(jù)。以近六年的事故數(shù)據(jù)為基礎(chǔ)進(jìn)行分析，統(tǒng)計范圍為2013年3月20日至2019年12月30日，對所有事故逐次進(jìn)行統(tǒng)計。由于事故具體信息較多，主要選取事故時間、事故種類、死亡數(shù)、事故等級、具體原因等屬性作為數(shù)據(jù)挖掘的對象。最終保留739條數(shù)據(jù)作為聚類分析的原始數(shù)據(jù)，詳見表1。

表1 數(shù)據(jù)庫（部分）

續(xù)表

（一）事故種類分析

船舶交通事故是指船舶發(fā)生碰撞、擱淺、觸礁、觸損、浪損、風(fēng)災(zāi)、火災(zāi)及其他造成財產(chǎn)和營業(yè)損失或人身傷亡的交通事故[3]。因此，收集數(shù)據(jù)時將事故種類分為碰撞、風(fēng)災(zāi)、火災(zāi)/爆炸、擱淺、觸礁、觸碰、自沉，其余歸為其他。對事故種類進(jìn)行統(tǒng)計分析得出，碰撞事故401起（54.2%）；自沉事故106起（4.3%）；風(fēng)災(zāi)30起（4.05%）；火災(zāi)/爆炸27起（3.65%）；觸碰事故23起（3.11%）；觸礁事故20起（2.7%）；擱淺事故11起（1.48%）；其他類事故121起（16.3%），詳見表2。

表2 事故種類統(tǒng)計

（二）事故船舶類型分析

事故涉及船舶種類繁多，主要分為以下10類，多用途船、干雜貨船、工程船、集裝箱船、客船、散貨船、砂石運輸船舶、油船和危險品船、漁船、其他船舶。事故多發(fā)主要是干雜貨船、散貨船、漁船和砂石運輸船舶，分別為223、180、61、48起，占比分別為30%、24%、8%、6%，詳見表3。

表3 事故船舶類型統(tǒng)計

（三）事故發(fā)生時間段分析

以4個小時為時間間隔，統(tǒng)計各時段內(nèi)發(fā)生的事故數(shù)。由表4可知，16點至次日凌晨4點為事故多發(fā)時段。其中16點至20點、20點至0點和0點至4點發(fā)生事故分別為139、131、160起，總事故數(shù)的占比分別為18.8%、17.7%、21.6%，詳見表4。

表4 事故發(fā)生時間統(tǒng)計

三、兩步聚類算法

（一）算法描述

聚類算法是聚類分析的核心，聚類分析是根據(jù)劃分對象的某些類似的特點，將抽象集合或是物理集合劃分為多個不同的類別[6]。通過使用數(shù)據(jù)挖掘軟件（IBM SPSS MODELER 15.0）進(jìn)行分析，MODELER中的聚類方法有快速聚類/K均值聚類（K-means）、兩步聚類和自組織特征映射的網(wǎng)絡(luò)（Kohonen）。由于兩步聚類具有自動確定聚類數(shù)、診斷樣本的離群點和噪聲數(shù)據(jù)且能同時處理數(shù)值型變量和分類型變量的特點，進(jìn)而運用兩步聚類實現(xiàn)數(shù)據(jù)分析。

兩步聚類是一種改進(jìn)的利用層次方法的平衡迭代規(guī)約和聚類（BIRCH，Balanced Iterative Reducing and Clustering using Hierarchies）算法[7]。顧名思義，兩步聚類通過2個步驟進(jìn)行數(shù)據(jù)分析——預(yù)聚類和聚類。預(yù)聚類步驟通過BIRCH算法構(gòu)建和修改聚類特征樹(Clustering Feature Tree)實現(xiàn)數(shù)據(jù)的初始?xì)w類[8]。聚類步驟通過對數(shù)似然函數(shù)對預(yù)聚類步驟的結(jié)果進(jìn)行再聚類，從而得到合適的聚類集合[9]。

（二）聚類過程

由于變量較多，為了提高聚類分析結(jié)果的準(zhǔn)確性，運用兩個聚類模型進(jìn)行數(shù)據(jù)分析，運用事故具體原因、事故種類的聚類模型，以及事故種類、傷亡數(shù)、損失等級的聚類模型。

1. 事故種類與事故具體原因的相關(guān)性

以“航行操作過失”“船舶條件”“潛在缺陷”“自然災(zāi)害”“事故種類”作為輸入變量。各聚類大小見圖1，最終聚成5類：聚類1包含122個樣本（16.5%）；聚類2包含103個樣本（13.9%）；聚類3包含197個樣本（26.7%）；聚類4包含37個樣本（5.0%）；聚類5包含280個樣本（37.9%）。由圖2可知輪廓系數(shù)為0.6，聚類質(zhì)量好。

圖1 聚類大?。Ｐ?）

圖2 聚類質(zhì)量（模型1）

圖3為聚類的總體分布。航行操作過失、船舶條件、潛在缺陷、自然災(zāi)害分別代表事故主要原因的四個方面：人為因素、船舶因素、貨物因素、自然因素。碰撞事故多由船員在航行中的過失操作引起，自沉事故由兩方面因素（船舶條件和潛在缺陷）引起，自然災(zāi)害則會給船舶帶來風(fēng)災(zāi)。

圖3 聚類總體分布（模型1）

2. 事故種類與傷亡數(shù)、損失等級的相關(guān)性

以“損失等級”“種類”“死亡數(shù)”“自然災(zāi)害”“事故種類”作為輸入變量，各聚類大小見圖4，最終聚成5類：聚類1包含211個樣本（28.6%）；聚類2包含180個樣本（24.4%）；聚類3包含117個樣本（15.8%）；聚類4包含106個樣本（14.3%）；聚類5包含125個樣本（16.9%）。由圖5可知輪廓系數(shù)為0.5，聚類質(zhì)量好。

圖4 聚類大?。Ｐ?）

圖5 聚類質(zhì)量（模型2）

由圖6可知各種事故所帶來的事故后果。自沉事故帶來的后果最為嚴(yán)重，損失等級為全損，死亡數(shù)達(dá)到2.82人。碰撞事故的損失等級較低，通過聚類被分為兩類：聚類1碰撞事故死亡數(shù)較高，達(dá)到了1.04人，損失等級輕微；聚類2碰撞事故死亡數(shù)較低，僅為0.26人，有一般損失。風(fēng)災(zāi)事故損失等級一般，死亡數(shù)為0.42人。

圖6 聚類總體分布（模型2）

四、船舶交通事故防范對策

（一）落實船東與企業(yè)安全管理責(zé)任。改善航行值班制度，加強(qiáng)夜晚特別是凌晨0點至4點的航行值班。杜絕超載運輸?shù)冗`法作業(yè)行為，定期安排船舶進(jìn)廠維護(hù)保養(yǎng)，以維持良好的技術(shù)狀態(tài)。

（二）培養(yǎng)船員良好的操作規(guī)范。一方面提高船員駕駛技術(shù)，另一方面形成優(yōu)秀的駕駛習(xí)慣，以減少船員在航行中的操作過失，避免船舶碰撞事故的發(fā)生，減少船舶交通事故數(shù)量。

（三）提高船員的安全意識。自沉事故帶來的后果往往是災(zāi)難性的，船員應(yīng)擅于在日常工作中發(fā)現(xiàn)安全隱患與船舶缺陷以防止自沉事故。

五、結(jié)語

通過提出運用兩步聚類算法對船舶交通事故進(jìn)行數(shù)據(jù)挖掘，構(gòu)建事故種類同事故具體原因，事故種類同傷亡數(shù)、損失等級的聚類模型，能夠有效準(zhǔn)確地挖掘出事故變量的相關(guān)性，呈現(xiàn)出事故的共性要素，為海事部門制定防范措施提供參考依據(jù)。但對于致因四個方面（人、機(jī)、船舶、環(huán)境），每一方面僅選取了重要性最高的變量作為輸入，而事故致因變量繁多，后期可以增加事故具體原因的變量，以提高聚類結(jié)果的準(zhǔn)確性。