基于数据驱动的贝叶斯网络方法分析海事职业事故风险影响因素及其预防策略

为解决海事职业事故研究稀疏且缺乏数据驱动分析的问题，研究人员采用统计技术与Tree-Augmented Naive Bayesian Network（TAN-BN）模型，系统分析了505起事故案例中的17项风险影响因素（RIFs）。研究揭示了船员受伤情况、受伤部位、伤害类型等关键因素对事故严重程度的显著影响，并通过敏感性分析验证了模型的预测准确性。该研究为海事利益相关者制定事故预防法规和安全管理措施提供了创新性实践指导。

　　

海上作业环境的高风险性使船员长期暴露在极端工作压力下，据统计每11名船员就有1人遭遇工伤，英国船员工伤风险甚至比陆地工作者高70%。然而现有研究多聚焦船舶碰撞或环境污染等宏观事故，对日常作业中频发的职业伤害缺乏系统性分析，且主要依赖主观访谈而非客观数据。这种研究空白使得海事安全管理长期缺乏精准的风险评估工具。

为解决这一问题，上海海事大学的研究团队创新性地采用数据驱动的Tree-Augmented Naive Bayesian Network（TAN-BN）模型，对欧洲海事事故信息平台（EMCIP）2013-2021年间505起职业事故案例进行多维度分析。研究通过统计方法与机器学习相结合，首次系统识别出影响事故严重程度的17项关键风险因素（RIFs），并将其归类为船员后果、船舶因素、人为因素和外部环境四大维度。相关成果发表在《Ocean》期刊，为海事安全管理提供了量化决策工具。

研究团队首先对EMCIP数据库进行严格筛选，排除渔船、海军舰艇等非常规商船数据，最终锁定505例符合标准的职业事故案例。采用Netica软件构建TAN-BN模型时，创新性地将事故严重程度作为目标节点，通过互信息（MI）分析量化各RIFs的关联强度。研究还引入真实风险影响（TRI）指标进行敏感性分析，并通过实际案例验证模型预测准确性。

在事故特征分析部分，统计结果显示77%事故属于"较轻微"等级，且61%发生在船舶停泊期间。值得注意的是，上肢受伤占比达36.3%，骨折成为最常见伤害类型（33.5%）。通过TAN-BN模型识别出五大关键RIFs：受伤船员数量、受伤部位、伤害类型、船员职级和年龄。其中"船员受伤"对严重事故的影响最为显著，当两名船员受伤时，严重和非常严重事故概率分别升至17.5%和13.9%。

敏感性分析揭示了各因素的差异化影响：身体受伤部位对轻微事故和海事事件的影响最大（TRI值30.2），而受伤人数对严重事故起决定性作用。模型验证环节，通过英国海事事故调查局（MAIB）的真实案例测试，预测结果与实际事故分类匹配度达99.7%，证实了模型的可靠性。

在应用场景分析中，研究团队演示了如何通过最可能解释（MPE）技术反推事故成因。当输入"较轻微事故"条件时，模型自动推断出最可能场景：50-60岁非值班船员在客滚船（10,000-100,000 GT）上因滑倒导致肢体骨折。这种逆向推理能力为事故调查提供了新思路。

该研究的创新价值在于将传统定性分析转化为量化风险评估。相比国际海事组织（IMO）现行的事后报告机制，TAN-BN模型实现了事前风险预警，使安全管理从被动响应转向主动预防。特别是对客滚船和中小型货船（<500 GT）的针对性分析，为船舶分类监管提供了科学依据。研究建议航运公司建立基于TAN-BN的实时风险仪表盘，将预测结果与安全管理系统（SMS）联动，动态调整高风险作业流程。

值得注意的是，研究也揭示了当前事故报告系统的局限性——约19%的"海事事件"实际存在严重事故隐患，但因船员畏惧追责而瞒报轻微事件。这印证了建立"非惩罚性"报告制度的紧迫性。未来研究可扩展至钻井平台等特殊船舶，并通过纳入管理因素进一步提升模型精度。

这项研究开创了贝叶斯网络在海事职业安全领域的创新应用，其构建的TAN-BN框架不仅适用于事故预测，更能通过持续学习形成动态风险知识库。对于保障全球200万船员职业安全，完善海事劳工公约（MLC）实施标准具有重要实践意义，也为人工智能技术在航运安全管理的深度融合提供了典范案例。