張 笛， 梁 崢， 范存龍， 伍 靜

(1. 武漢理工大學(xué) 智能交通系統(tǒng)研究中心，武漢 430063; 2.國家水運安全工程技術(shù)研究中心，武漢 430063)

基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測

張 笛1,2， 梁 崢1,2， 范存龍1,2， 伍 靜1,2

(1. 武漢理工大學(xué) 智能交通系統(tǒng)研究中心，武漢 430063; 2.國家水運安全工程技術(shù)研究中心，武漢 430063)

針對船舶自沉事故頻發(fā)的問題，提出一種基于貝葉斯網(wǎng)絡(luò)的模型預(yù)測船舶自沉事故后果和評價船舶自沉事故應(yīng)急措施。該模型從人、環(huán)境、船舶和管理等4個方面綜合分析影響船舶自沉事故后果的因素，并對28起自沉事故進行案例分析。研究結(jié)果表明，該模型能充分利用船舶自沉事故發(fā)生時的主客觀信息，對船舶自沉事故后果進行有效預(yù)測，并對事故應(yīng)急措施進行較為客觀的評價，為決策降低船舶自沉事故后果提供理論支撐。

船舶自沉；貝葉斯網(wǎng)絡(luò)；后果預(yù)測；應(yīng)急措施評價

近年來，隨著經(jīng)濟的迅速發(fā)展，我國內(nèi)河和沿海的船舶通航密度不斷增大、水上交通建筑物等不斷增多，通航環(huán)境日益復(fù)雜，船舶在航行過程中面臨的風(fēng)險也越來越大。在船舶大型化的背景下，自沉事故作為水上交通的主要事故形式之一，極易帶來嚴重的人員傷亡和財產(chǎn)損失，造成重大社會影響。

以長江海事局轄區(qū)為例，據(jù)統(tǒng)計[1]，2010—2014年長江干線共發(fā)生船舶事故885起，重特大事故315起，其中自沉事故59起，分別占事故險情和重特大事故險情總量的8%及15%。根據(jù)不同事故類型的重特大事故比例(見圖1)，自沉作為船舶航行過程中發(fā)生的一種典型事故，雖然在所有事故類型中所占的比例并不高，但在重特大事故中所占的比例較高。由此可見，自沉是重要的水上交通事故，降低船舶自沉事故發(fā)生率是海事部門重點關(guān)注的問題。

圖1 不同事故類型的重特大事故比例

鑒于船舶自沉事故會造成不同程度的人員傷亡和財產(chǎn)損失，產(chǎn)生不良的社會影響，國內(nèi)外已有很多學(xué)者針對這一特定事故場景開展相應(yīng)的研究，主要采用的研究方法有事故致因分析法[2]、綜合安全評估法[3]、事件樹分析法[4]和蒙特卡洛分析法[5]等?？v觀國內(nèi)外研究現(xiàn)狀發(fā)現(xiàn)，國內(nèi)外對水上交通事故的研究主要集中在碰撞和擱淺上，鮮有針對船舶自沉事故場景的研究。僅有的對船舶自沉的研究主要集中于挖掘船舶穩(wěn)定性和船舶結(jié)構(gòu)缺陷等船舶力學(xué)方面的致因，缺乏對導(dǎo)致船舶自沉的人為因素、環(huán)境因素和管理因素等的整體歸納研究，且研究多局限于提出風(fēng)險控制方案，缺乏對其發(fā)展過程的動態(tài)演化分析和對事故后果控制策略的研究。

鑒于此，提出一種基于貝葉斯網(wǎng)絡(luò)(Bayesian Network, BN)的船舶自沉事故后果預(yù)測方法，該方法能充分利用客觀和主觀信息，相比傳統(tǒng)不確定系統(tǒng)分析方法具有較高的可靠性，可為海事部門和船公司在處理船舶自沉險情時降低船舶自沉事故后果的嚴重程度提供理論支撐。

1 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)也稱信度網(wǎng)絡(luò)，是一種運用DAG(Directed Acyclic Graph)表達節(jié)點因素之間邏輯關(guān)系的一種統(tǒng)計推斷方法。[6]貝葉斯網(wǎng)絡(luò)可通過情景因素來描述特定后果發(fā)生的可能性，而這些情景因素即代表研究系統(tǒng)的研究點；同時，其還可通過各種類型的概率來整合不同類型的證據(jù)，用于相關(guān)性和敏感性分析。貝葉斯網(wǎng)絡(luò)具有強大的不確定表達能力，通過結(jié)合先驗概率和條件概率，已成為近年來分析大型綜合不確定性系統(tǒng)的熱點理論方法，被廣泛應(yīng)用于水上交通風(fēng)險成因耦合分析[7]、礙航風(fēng)險研究[8]、船舶溢油風(fēng)險評價[9]、預(yù)測交通事故持續(xù)時間[10]、煤礦生產(chǎn)事故致因分析[11]和交通設(shè)施風(fēng)險評估[12]等領(lǐng)域中。

貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)是貝葉斯公式，也稱貝葉斯定理，即

(1)

一個具有n個節(jié)點的貝葉斯網(wǎng)絡(luò)可用Δ={G(V,E),P}來表示，主要包括以下2部分內(nèi)容：

1) (V,E)表示一個具有n個節(jié)點的有向無環(huán)圖G，集合V={V1，…，Vn}中的元素代表圖中節(jié)點變量，弧E表示變量間的因果關(guān)系。

2)P表示與各節(jié)點相關(guān)的條件概率分布表(Conditional Probability Table, CPT)。

同理，在給定事件B={B1,…,Bm}的情況下，事件A的后驗概率可利用貝葉斯規(guī)則表示為

(2)

以概率論為基石的傳統(tǒng)BN模型，通過網(wǎng)絡(luò)節(jié)點分析(變量)、網(wǎng)絡(luò)結(jié)構(gòu)(節(jié)點連接線)和變量間條件概率傳遞等3部分組合成一個有向無環(huán)圖，以圖論的形式能直觀、形象地表達變量間的條件因果關(guān)系，具有更強的處理不確定性信息的能力及特有的雙向推理機制。[13-14]

貝葉斯網(wǎng)絡(luò)研究過程主要包括4個階段(見圖2)。

圖2 BN建模分析步驟

1.1 數(shù)據(jù)采集

貝葉斯網(wǎng)絡(luò)建模研究始于數(shù)據(jù)采集，在明確建模目的之后，可采用歷史數(shù)據(jù)、專家判斷或兩者相結(jié)合的方式搭建樣本數(shù)據(jù)庫，作為建模分析的基礎(chǔ)。

1.2 模型結(jié)構(gòu)學(xué)習(xí)

模型結(jié)構(gòu)學(xué)習(xí)是貝葉斯網(wǎng)絡(luò)學(xué)習(xí)的核心，是基于樣本數(shù)據(jù)分析尋找最適合的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的過程。在數(shù)據(jù)完整的情況下，根據(jù)結(jié)構(gòu)和數(shù)據(jù)集估算條件概率表等貝葉斯分析的重要內(nèi)容；在大數(shù)據(jù)情況下，可通過機器學(xué)習(xí)構(gòu)建貝葉斯網(wǎng)絡(luò)學(xué)習(xí)模型。[15-16]

1.3 貝葉斯建模及分析

在模型結(jié)構(gòu)學(xué)習(xí)的基礎(chǔ)上構(gòu)建貝葉斯網(wǎng)絡(luò)模型。貝葉斯網(wǎng)絡(luò)作為不確定系統(tǒng)的建模工具，可執(zhí)行向前推理和向后推理2種類型的推理。

1) 向前推理也稱預(yù)測推理，通過模型，沿著網(wǎng)絡(luò)弧的方向傳遞關(guān)于潛在原因(解釋變量)的新信息，以更新關(guān)于效果(響應(yīng)變量)的概率。

2) 向后推理又稱診斷推理，通過響應(yīng)變量修正后的期望值，沿著網(wǎng)絡(luò)弧向后傳遞來確定解釋變量最有可能的值，通常運用于風(fēng)險管理。

1.4 模型驗證

通過重構(gòu)結(jié)構(gòu)學(xué)習(xí)利用負反饋的方式對模型進行驗證及適當?shù)男薷摹?/p>

2 基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型

2.1 建模目標

國際海事組織(International Maritime Organization, IMO)在海上安全委員會第953號通函中將傾斜與傾覆事故定義為受外力的作用使船舶的動態(tài)傾覆力矩大于穩(wěn)性力矩，進而導(dǎo)致船舶失去穩(wěn)性而傾覆的事故。[17]由于其發(fā)生在海域或河流，事故發(fā)生之后營救難度較大，極易發(fā)生溢油爆炸等次生災(zāi)害事故，在給人民的生命財產(chǎn)帶來巨大損害的同時，會造成極為惡劣的社會影響，因此基于貝葉斯網(wǎng)絡(luò)對船舶自沉事故致因及可能造成的后果進行研究。

2.2 數(shù)據(jù)來源

遵循下列原則選取事故報告。

1)完整性：事故報告內(nèi)容完整，事故發(fā)生過程表達清晰，事故原因分析有理有據(jù)。

2)公平性：事故報告必須由我國海事部門授權(quán)專業(yè)的調(diào)查機構(gòu)發(fā)布，對肇事方和失事船舶并無偏袒等有失公允的行為。

3)時效性：隨著時間的推進，包括船舶本身、船員技能及海事部門管理在內(nèi)的多個因素均有較大變化，因此選出的典型事故報告時間盡量靠近當前。

基于上述原則，在我國海事部門編寫的《1995—2010年水上交通事故案例集》[18]中選取28份典型船舶自沉事故調(diào)查報告，并從船舶及船公司基本情況，船舶配員及所持證書情況，事發(fā)時水域的水文環(huán)境，事發(fā)時船舶所處水域的風(fēng)力、浪涌級別、能見度，事故經(jīng)過及船員的應(yīng)對措施，應(yīng)急救援情況，事故損失及污染情況，事故原因分析及責(zé)任認定等8個方面抽取事故報告內(nèi)容。

2.3 貝葉斯建模及分析

2.3.1網(wǎng)絡(luò)節(jié)點分析

船舶自沉事故作為典型的水上交通安全事故類型，其后果受事發(fā)時船舶的狀態(tài)及氣象水文環(huán)境等多方面因素的影響。因此，對影響船舶自沉事故后果的關(guān)鍵因素進行考慮，根據(jù)系統(tǒng)工程理論和事故致因理論，將水上交通事故看作是一個各種要素相互聯(lián)系、相互作用形成的系統(tǒng)，系統(tǒng)中的要素可被劃分為輸入要素、狀態(tài)要素和輸出要素等3類，在對船舶自沉事故中影響因素進行識別提煉的基礎(chǔ)上，對影響事故后果因素進行分類，結(jié)果見表1。

2.3.2網(wǎng)絡(luò)結(jié)構(gòu)分析

表1 船舶自沉事故貝葉斯網(wǎng)絡(luò)節(jié)點離散狀態(tài)及其分類

將Hugin軟件作為貝葉斯網(wǎng)絡(luò)建模的軟件工具。針對表3分析所得網(wǎng)絡(luò)節(jié)點，以“事故后果”為輸出子節(jié)點，結(jié)合專家知識和相關(guān)文獻構(gòu)建模型，結(jié)果見圖3。由圖3可知，用于預(yù)測船舶自沉事故后果的貝葉斯模型是由多個根節(jié)點、中間節(jié)點和目標節(jié)點構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果演化模型

2.3.3條件概率分析

確定條件概率表是進行貝葉斯模型推理的理論基礎(chǔ)。由于船舶自沉事故的特殊性，在分析事故后果時，存在數(shù)據(jù)缺失、信息不足等方面的不確定性問題。這里在數(shù)據(jù)缺失的情況下用專家調(diào)研與數(shù)據(jù)分析方法相結(jié)合的方式判斷節(jié)點概率表概率的組成。子節(jié)點條件概率計算方法[19]為

(3)

式(3)中：αi為專家對影響A事件的父節(jié)點集合B={}兩兩比較后的權(quán)重。

以子節(jié)點“事故后果”為例，假設(shè)A事件為“事故后果”，根據(jù)提出的船舶自沉事故后果預(yù)測BN模型，其后驗概率的計算式為

P(A|B1,B2,B3)=α1P(A|B1)+

α2P(A|B2)+α3P(A|B3)

(4)

根據(jù)專家對“救援難度”“救援效率”“自救能力”的兩兩比較，得到α1=0.23，α2=0.31，α3=0.46。統(tǒng)計歷史事故數(shù)據(jù)，得到子節(jié)點“事故后果”在單個父節(jié)點影響下的概率見表2。

表2 基于歷史數(shù)據(jù)的船舶自沉事故后果條件概率

根據(jù)式(4)，在救援難度大、救援效率低和自救能力弱的狀態(tài)下，事故后果為嚴重的條件概率為

P(A=嚴重|B1=大,B2=低,B3=弱)=0.82

(5)

以此類推，得到其他狀態(tài)下的“事故后果”條件概率見表3。

表3 船舶自沉事故后果節(jié)點條件概率

2.3.4模型驗證

具體來說，對于給定的事故情形下船舶自沉可能造成的后果，參考式(1)，提出事故背景下事故后果指標ACIj(Accident Consequence Index)，有

(6)

式(6)中：VCi為對應(yīng)第i事故等級造成的損失；PCi為給定事故j下第i個等級的事故等級概率分布；N為事故等級的數(shù)量。

參考《水上交通事故統(tǒng)計辦法》[20]對水上交通事故等級的分類，考慮到所提出船舶自沉事故后果演化BN模型“事故后果”節(jié)點分類的實際情況，在征求專家意見的基礎(chǔ)上，選取事故等級人員傷亡數(shù)量作為對應(yīng)等級事故可能造成損失的量化取值，得到VC1(嚴重)=10，VC2(輕微)=1；定義事故后果嚴重的ACIj分級標準為[0.5×VC1+0.5×VC2, 1.0×VC1]，定義事故后果輕微的ACIj分級標準為[1.0×VC2, 0.5×VC1+0.5×VC2)。由此得到的ACIj指標的離散化分級標準見表4。

表4 ACIj指標的離散化分級標準

2.4 實例分析

相比單一考慮船舶自沉后果，ACIj更能體現(xiàn)自沉風(fēng)險的高低。針對提出的基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型，利用選取出的典型船舶自沉事故調(diào)查報告，對所提出的船舶自沉事故后果預(yù)測模型進行驗證。以“銘揚洲178”翻沉事故為例，事發(fā)當日能見度>1 000 m，水流湍急，海上風(fēng)力8～9級，陣風(fēng)10級，船舶失事水域水文條件復(fù)雜，船舶失穩(wěn)之后傾覆速度較快，且船上救援裝備落后沒有及時向外界發(fā)出求救信號，事發(fā)后參與救援的船舶救援能力較弱。

將以上各節(jié)點的數(shù)據(jù)輸入基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型中，得到“銘揚洲178”翻沉事故的ACIj=9.498 7，模型輸出結(jié)果處在嚴重事故后果區(qū)間[5.5，10.0]內(nèi)，即模型判斷該起事故造成大量人員傷亡，與實際情況一致(見圖4)。

圖4 “銘揚洲178”輪翻沉事故后果預(yù)測模型輸入

28起基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果演化模型的典型船舶自沉事故ACIj值輸出見表5。

表5 基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果驗證結(jié)果

以上分析表明，根據(jù)本文方法，將影響事故后果的風(fēng)險因素關(guān)聯(lián)合并形成的船舶自沉事故后果演化貝葉斯網(wǎng)絡(luò)，對整個事故帶來的后果及損失進行估計的方法是可行的，基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型預(yù)測結(jié)果與事故后果基本吻合，因此模型驗證合格。

3 船舶自沉后果控制方案

3.1 船舶自沉事故后果控制措施

為研究分析特定影響因素對船舶自沉事故后果的影響，通過仿真分析，設(shè)定特定的事故情景，采取風(fēng)險控制措施提高對事故演化起積極作用的過程節(jié)點，判斷其對最終“事故后果”節(jié)點的影響，從而提出相應(yīng)的事故后果控制策略。根據(jù)船舶自沉事故后果預(yù)測模型，對“事故后果”節(jié)點起積極作用和消極作用的父節(jié)點進行劃分，結(jié)果見表6。

表6 基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型節(jié)點依賴關(guān)系

根據(jù)水上交通應(yīng)急處置辦法，從船公司管理和海事部門應(yīng)急指揮等方面出發(fā)，針對表6中的4個影響“事故后果”節(jié)點的父節(jié)點，提出相應(yīng)的事故后果控制辦法，結(jié)果見表7。

表7 船舶自沉事故不同后果的應(yīng)急措施

3.2 船舶自沉事故后果控制措施

為根據(jù)上述提出的降低船舶自沉事故后果的風(fēng)險控制措施，進一步計算采取單個事故后果控制措施之后的船舶自沉事故后果預(yù)測BN模型的ACIj輸出值，評價單個事故后果控制措施對降低船舶自沉事故后果的有效性。

圖5 RCM4對“銘揚洲178”翻沉事故的ACIj影響效用

以“銘揚洲178”翻沉事故為例，基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型輸出的“事故后果”ACIj值為9.498 7，即此次事故后果原始輸出為9.498 7。以事故后果控制措施(RCM4)為例，有關(guān)專家指出，在從船舶設(shè)計方面提高船舶對風(fēng)浪的抵御能力之后，能提升船舶在惡劣天氣條件下的穩(wěn)定性保持能力，在極端大風(fēng)條件下，翻沉的速度也會較普通船舶慢，因此在基于貝葉斯網(wǎng)絡(luò)的船舶自沉事故后果預(yù)測模型中，“Overturn speed”輸入由P(quick)=1，P(slow)=0轉(zhuǎn)化為P(quick)=0，P(slow)=1，調(diào)整“船舶傾覆速度”節(jié)點輸入后的模型“事故后果”ACI2輸出值為9.172(見圖5)，占原始ACI1輸出值的96.56%，計算式為

(7)

其他事故后果控制措施效用計算結(jié)果見表8。

表8 單個事故后果控制措施下船舶自沉事故ACI2有效性排序

3.3 船舶自沉事故后果控制方案

運用船舶自沉事故后果預(yù)測BN模型開展自沉后果控制方案研究。根據(jù)自沉后果控制效用分析結(jié)果，提高極端天氣預(yù)測的能力(RCM1)、擴大應(yīng)急救援力量和設(shè)備覆蓋水域(RCM2)及提高水上救援力量的專業(yè)化水平(RCM8)是相對有效的事故后果控制措施。然而，采取單個事故后果措施對降低事故后果輸出的效用不夠明顯，無法滿足海事部門對降低事故后果嚴重程度的要求，因此在考慮單個船舶自沉措施對其父節(jié)點的影響之后，制訂以下3個事故后果控制方案。

1)事故后果控制方案RCO1：同時采用RCM2和RCM3。

2)事故后果控制方案RCO2：同時采用RCM4，RCM5和RCM6。

3)事故后果控制方案RCO3：同時采用RCM7和RCM8。

分別計算在采取以上事故后果控制方案的情況下，事故后果指標ACIj的變化情況，結(jié)果見表9。

表9 采用事故后果控制方案下ACIj值有效性排序

從表9中可看出：RCO1(同時采用擴大應(yīng)急救援力量和設(shè)備覆蓋水域及提高對失事船舶的定位能力的措施)是最優(yōu)的控制方案，其次是RCO3(同時采用提高惡劣氣象條件下船舶的通信能力和提高水上救援力量的專業(yè)化水平的措施)，最后是RCO2(同時采用從船舶設(shè)計方面提高船舶對風(fēng)浪的抵御能力、增加船上救援裝備/資源配備和開展船員應(yīng)急自救培訓(xùn)的措施)，采用這3種事故后果控制方案可分別將ACIj值降低到原來的74.14%，78.13%和79.84%，相對于單個事故后果控制措施顯示出其優(yōu)勢。

4 結(jié)束語

本文通過分析典型船舶自沉事故報告數(shù)據(jù)和救援行動報告，對船舶自沉后救援行動與船舶本身及環(huán)境等因素狀態(tài)的映射關(guān)系進行分析，構(gòu)建基于貝葉斯網(wǎng)絡(luò)的船舶自沉后果預(yù)測模型。試驗結(jié)果驗證了該方法的可行性，具有很好的預(yù)測效果。此外，針對船舶自沉事故演化過程中涉及的中間事件提出8項后果控制措施和3種事故后果控制方案，可為海事部門和船公司在處理船舶自沉險情時降低船舶自沉事故后果的嚴重程度提供理論支撐。

[1] 長江海事局.長江海事局2014年安全形勢通報[EB/OL]. [2015-05-02].http://www.cjmsa.gov.cn/9/368/2/39/59/2048319.html.

[2] GALLUCCI R H V, METZGER B. Statistical Characterization of Heat Release Rates from Electrical Enclosure Fires for Nuclear Power Plant Applications[J]. Fire Technology, 2016: 1-23.

[3] 方泉根, 王津, DATUBO A. 綜合安全評估(FSA)及其在船舶安全中的應(yīng)用[J]. 中國航海, 2004 (1):1-5.

[4] FU S, ZHANG D, MONTEWKA J, et al. Towards a Probabilistic Model for Predicting Ship Besetting in Ice in Arctic Waters[J]. Reliability Engineering & System Safety, 2016, 155: 124-136.

[5] ZHOU T, ZHANG D, FU S, et al. Safety Assessment of LNG Carriers Based on Fault Tree Analysis[C]//Transportation Information and Safety, 2015 International Conference on. IEEE, 2015: 715-719.

[6] 黃影平. Bayes網(wǎng)絡(luò)發(fā)展及其應(yīng)用綜述[J]. 北京理工大學(xué)學(xué)報, 2013, 12: 1211-1219.

[7] 賈立校, 胡甚平. 水上交通風(fēng)險成因耦合作用診斷[J]. 中國航海,2016, 39(4): 91-96.

[8] 張笛, 萬程鵬, 嚴新平. 基于事故特征分析的長江礙航風(fēng)險研究[J]. 中國航海, 2013, 36(2): 94-99.

[9] 劉克中, 干偉東, 黃明, 等. 基于貝葉斯網(wǎng)絡(luò)的船舶溢油風(fēng)險評價研究[J]. 中國航海, 2012, 37(1): 85-89.

[10] 馬雪婧, 邵春福, 錢劍培, 等. 交通事件持續(xù)時間預(yù)測的貝葉斯網(wǎng)絡(luò)模型[J]. 交通信息與安全, 2015 (6): 65-71.

[11] 李賢功, 葛家家, 胡婷. 煤礦頂板事故致因分析的貝葉斯網(wǎng)絡(luò)研究[J]. 中國安全科學(xué)學(xué)報, 2014(7): 10-14.

[12] 張道玉, 胡曉偉. 基于改進貝葉斯網(wǎng)絡(luò)模型的高速公路交通設(shè)施風(fēng)險評估[J]. 交通信息與安全, 2016, 34 (5): 102-107.

[13] LANGSETH H, PORTINALE L. Bayesian Networks in Reliability[J]. Reliability Engineering and System Safety, 2007, 92(1): 92-108.

[14] 姚成玉, 陳東寧, 王斌. 基于T-S故障樹和貝葉斯網(wǎng)絡(luò)的模糊可靠性評估方法[J]. 機械工程學(xué)報, 2014, 50(2): 193-201.

[15] 毛承勝. 基于貝葉斯決策理論的局部分類方法研究及其應(yīng)用[D]. 蘭州：蘭州大學(xué),2016.

[16] 祝璞, 黃章進. 基于稀疏貝葉斯模型的特征選擇[J]. 計算機工程,2017,43(4):183-187.

[17] 張圣坤, 白勇, 唐文勇. 船舶與海洋工程風(fēng)險評估[M]. 北京:國防工業(yè)出版社, 2003.

[18] 交通部海事局. 1995—2010年水上交通事故案例集[M]. 北京: 人民交通出版社, 2010.

[19] YANG Y, ELFAYOUMY S. Anti-Spam Filtering Using Neural Networks and Baysian Classifiers[C]//International Symposium on Computational Intelligence in Robotics and Automation. IEEE, 2007: 272-278.

[20] 交通運輸部. 水上交通事故統(tǒng)計辦法[Z]. 北京：交通運輸部, 2014.

ConsequencePredictionofShipFounderingAccidentsBasedonBayesianNetwork

ZHANGDi1, 2,LIANGZheng1, 2,FANCunlong1, 2,WUJing1, 2

(1. Intelligent Transportation Systems Research Center, Wuhan University of Technology, Wuhan 430063, China; 2. National Engineering Research Center for Water Transport Safety, Wuhan 430063, China)

To predict the consequence of ship foundering accidents and to evaluate the effective consequence control measures, a model is proposed using the Bayesian Network (BN). The proposed model can effectively analyze factors affecting the consequence of such accidents from the perspective of the human errors, environment, ship, and management. The application of the proposed approach is demonstrated by analyzing such 28 accidents. The obtained results seem reasonable and effective consequence control measures are proposed as theoretical support for the decision-making in maritime department and the shipping company to alleviate consequences.

ship foundering; bayesian network; consequence prediction; emergency measure assessment

2017-12-23

國家自然科學(xué)基金面上項目(51579203；51711530033); 國家科技支撐計劃(2015BAG20B01)

張 笛(1983—)，男，湖北武漢人，研究員，博士，研究方向為交通系統(tǒng)安全工程。E-mail: zhangdi@whut.edu.cn

1000-4653(2018)01-0053-07

U698.6

A