基于混合机器学习方法的船舶事故致因分析增强研究

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Enhancing Maritime Accident Causation Analysis Through a Hybrid Machine Learning Approach

本文提出了一种融合卡方检验与专家知识的新型半数据驱动贝叶斯网络（BN）方法，通过两阶段验证和厦门港实证研究，有效解决了海事事故数据稀缺性与模型可解释性难题，为构建动态风险评估体系提供了创新框架。

　　

亮点聚焦

差异性分析

基于互信息（MI）方法筛选出三大水域各前6位风险影响因素（RIFs）后（详见表3），我们开展了联合概率分析以评估这些关键RIFs对事故严重程度的影响。具体而言，通过将选定RIFs各状态概率设为100%并固定其他节点，进一步探究了这些RIFs在不同水域对事故严重程度影响的差异化表现。

如图6所示，轻微后果事故的发生概率在南部水域受能见度（VIS）和船舶类型（Vessel Type）共同影响时呈现显著波动，而北部水域中船舶吨位（Tonnage）与航行状态（Navigation Status）的交互作用对严重事故概率提升幅度最大。值得注意的是，东部水域的潮汐条件（Tidal Condition）与风级（Wind Scale）组合展现出独特的"风险叠加效应"，使重大事故概率上升约23个百分点。

研究局限与展望

本研究提出的融合卡方检验与专家知识的贝叶斯网络（BN）混合方法论，其核心在于运用统计检验识别影响因素间关联机制，并结合领域专家判断进行验证。该研究框架具备跨水域适用性，案例研究结果展现了其向其他海事管辖区域推广的重要潜力。然而，当前研究仍存在三方面局限：其一，海事事故数据的稀疏性导致部分变量状态样本量不足，可能影响条件概率表（CPT）计算的稳定性；其二，专家知识整合过程虽通过德尔菲法优化，但主观偏差仍难以完全消除；其三，模型对新兴风险要素（如智能船舶人机交互风险）的适应性有待验证。后续研究将重点探索三类深化方向：开发基于生成对抗网络（GAN）的数据增强技术以缓解样本不平衡问题；引入模糊认知图谱（FCM）强化多源知识融合机制；结合数字孪生（Digital Twin）技术构建动态风险预警系统。

结论

本研究创新性地提出了融合数据驱动与背景知识的贝叶斯网络（BN）训练增强方法。首先采用卡方独立性检验识别影响因素间关联，经由五位领域专家组成的评审组验证后，作为背景知识嵌入BN模型训练。该方法应用于2012-2023年中国沿海水域海事事故分析的结果表明：混合方法较传统数据驱动BN的模型拟合度提升17.3%，特别在碰撞/搁浅事故的致因链识别方面表现出更强解释力。关键发现包括：能见度（VIS）与操船人员负荷的非线性耦合效应、船龄（Ship Age）在恶劣海况中的风险放大作用，以及不同水域地理特征对事故演化路径的调制规律。所建模型成功实现厦门港实时交通风险动态评估，为海事安全管理体系（SMS）优化提供了决策支持工具。这项研究为海事交通风险管理综合框架的构建奠定了方法论基础，对推动智能航运安全技术的发展具有重要参考价值。