《Sci》：From Accident Records to Safety Decisions: An Artificial Neural Network for Integrated Maritime Risk Assessment
编辑推荐：
海事事故分析日益采用机器学习以支持安全管理，但现有研究多聚焦于单一输出预测，如事故发生概率、严重程度等级、近事故频率或某一特定后果。本研究提出了一种基于多输入多输出人工神经网络（MIMO-ANN）的数据驱动决策支持框架，用于同时预测多种海事事故后果。研究人员通
海事事故分析日益采用机器学习以支持安全管理，但现有研究多聚焦于单一输出预测，如事故发生概率、严重程度等级、近事故频率或某一特定后果。本研究提出了一种基于多输入多输出人工神经网络（MIMO-ANN）的数据驱动决策支持框架，用于同时预测多种海事事故后果。研究人员通过整合SafePASS项目记录与文献中的后果、严重程度和结构损伤信息，构建了包含582起记录事故案例的数据集。该数据集包含15个输入变量，涵盖船舶特征、运行情境、环境条件、事故类型和地理区域；以及15个后果输出变量，涵盖结构损伤、人员伤亡、应急响应指标、全损和次生后果/升级机制。该人工神经网络采用缩放共轭梯度（SCG）算法进行训练，并在不同网络配置和数据划分策略下进行评估。性能最优的模型采用30个隐含神经元，以60/20/20比例划分数据，在测试集上达到相关系数（R）等于0.9249和均方误差（MSE）等于0.0240，在验证集上达到R等于0.9278和MSE等于0.0231。十折交叉验证进一步确认了内部预测稳定性，平均测试R等于0.8803±0.0827，MSE等于0.0445±0.0478。基于置换的敏感性分析表明，事故类型、区域、船旗、自然光照、环境和能见度是预测后果的关键驱动因素，而船舶特定参数具有次要的、情境依赖性的影响。该框架应被理解为对记录或情景定义的事故案例中事故后果的相对可能性、严重程度或幅度进行预测，而非事故发生概率。未来工作应解决数据集不平衡问题，纳入近事故和非严重记录，整合更丰富的AIS和海洋气象数据，引入暴露数据，并利用独立事故数据集对框架进行验证。
海事运输作为全球贸易的重要支柱，承担着货物、能源资源、乘客及关键供应链在国际水域的流通任务。尽管船舶<|reserved_token_163756|>行器设计、导航系统、船员培训和监管框架持续改进，海事事故仍不断发生，并可能导致包括生命损失、结构损伤、环境污染、港口运营中断和重大经济损失在内的严重后果。这些后果往往相互关联，单一事故可能同时涉及船体损伤、人员伤亡、搜救（SAR）行动、疏散程序及更广泛的运营中断。因此，海事事故分析需要能够捕捉事故 outcome 相互关联本质的方法，而非将每个后果独立处理。
现有海事安全分析中的机器学习应用虽取得进展，但多数研究集中于单一输出预测，如估计事故概率、严重程度等级或某一特定后果，这限制了其实际应用价值。真实海事事故常产生多个相互依赖的 outcome，分别预测可能忽略输出之间的相关性，产生不一致的决策支持信息。此外，海事事故数据具有稀疏、异质、部分缺失和不平衡的特点，某些事故类型（如碰撞、火灾/爆炸、搁浅）报告频率较高，而罕见但灾难性案例的记录数量有限，且船舶类别和运营区域的分布也不均衡。这些特征使得海事事故建模更为困难，需要能够处理混合数据类型、非线性依赖关系并提供透明解释的方法。
为应对上述挑战，研究人员提出了一种基于多输入多输出人工神经网络（MIMO-ANN）的数据驱动决策支持框架，用于综合预测海事事故后果。该模型基于从SafePASS项目记录和文献中编译的582起事故案例的精选数据集进行训练。输入空间包含15个风险影响因素，涵盖船舶 particulars、环境条件、运营状态、事故类型和地理背景；输出空间包括15个事故后果变量，涵盖严重程度分类、船舶层面后果、结构损伤、人员伤亡、应急响应指标以及次生后果/升级机制。通过采用多输出学习结构，该人工神经网络能够联合预测相关的事故后果，提供比单独单输出模型更连贯的事故影响表征。
该研究的方法论包含五个主要阶段。第一阶段，通过分类编码、输出归一化、缺失值处理和一致的数据划分对事故数据集进行预处理。第二阶段，开发前馈MIMO-ANN并使用缩放共轭梯度（SCG）算法进行训练。第三阶段，在不同隐含神经元配置和训练/验证/测试划分比例下，通过回归分析、均方误差（MSE）、相关系数（R）和误差直方图对模型进行系统评估。第四阶段，对选定模型应用10折交叉验证，进一步评估内部预测稳定性并降低对单一随机数据划分的依赖。第五阶段，进行基于置换的敏感性分析以提高可解释性，并识别事故类型、船舶特征、运营区域、环境条件和情境变量对预测后果的相对影响。
在模型性能评估方面，研究人员比较了10、20和30个隐含神经元配置以及60/20/20和70/15/15两种数据划分比例。结果表明，增加隐含神经元数量通常能提高人工神经网络建模复杂非线性关系的能力。在60/20/20划分比例下，30个隐含神经元的配置表现最优，验证集和测试集的R分别达到0.9278和0.9249，MSE分别为0.0231和0.0240。尽管70/15/15划分比例下30个隐含神经元的测试性能也较好（R=0.9130，MSE=0.0276），但其验证性能较弱，且测试性能略低于60/20/20配置。因此，研究人员最终选择60/20/20划分比例下30个隐含神经元的MIMO-ANN作为最终模型。
为进一步验证所选模型的内部泛化能力，研究人员进行了10折交叉验证。结果显示训练行为高度一致，平均训练R为0.9335±0.0117，平均训练MSE为0.0208±0.0023；测试结果显示平均测试R为0.8803±0.0827，MSE为0.0445±0.0478。大多数折的测试R值接近或高于0.89，低测试MSE值一般低于0.04，表明所选MIMO-ANN在不同未见子集上保持良好预测能力。但第2折测试性能下降明显（R=0.6553，MSE=0.1793），这与海事事故数据集的不平衡结构一致，当罕见事故类型、代表性不足的船舶类别、缺失数据模式或高后果异常值集中于某一折时，模型表现出敏感性。
在敏感性分析方面，研究人员采用基于分组置换的方法以提高模型可解释性。由于多个输入和输出变量为分类变量并由多个编码列表示，分析在分组变量层面进行，将属于同一原始特征的所有编码列视为单一输入组。结果显示，事故类型是最具影响力的变量，全局重要性得分约为0.16；区域排名第二（约0.14）；船旗和自然光照分别排名第三和第四（约0.12和0.11）。船舶细节上水状态、环境、能见度、船舶类型和货物装载状态构成第二组有影响力的变量。相比之下，蒲福风级、建造年份、总长（LOA）、载重吨（DWT）、总吨（GT）和总人数等显示较低的全局重要性得分。
这一发现并非表明船舶尺度、船龄、船上人员、风力或海况条件在海事安全中不重要，而是在当前数据集和模型结构下，一旦事故类型、运营背景、环境条件和应急响应变量已纳入模型，这些特定参数的边际影响相对较小。蒲福风级的重要性较低应被视为数据集和模型特定的结果，原因包括：该MIMO-ANN预测的是已定义事故情景下的事故后果而非事故发生或 flooding 概率；蒲福风级是风力的粗略序数代理，不直接代表波高、波向、流速、海况、当地暴露或综合海洋气象载荷；历史事故报告中的环境信息常不完整或不均匀报告；部分风力效应可能已被相关情境变量（如环境、能见度和区域）所捕获。
从决策支持角度，这些发现强调需要优先识别事故机制、开展区域特定风险评估、实时情境感知、能见度知情运营和应急响应规划。风险缓解不应仅依赖船舶设计或尺度相关指标，而应整合运营背景、环境条件和应急响应可及性。该框架将历史事故记录转化为多维、可解释、基于后果的安全洞察，可支持船舶运营商、港口当局、应急规划人员、监管机构和安全管理人员在运营规划、应急准备、后果优先级排序和资源分配方面的决策。
该研究发表于《Sci》期刊，其重要贡献包括：开发了用于同时预测15个相互关联海事事故后果的MIMO-ANN框架；构建了包含582个案例的多源海事事故数据集，并结构化输入风险影响因素和多维后果输出；引入了基于分组置换的敏感性分析以提高模型可解释性；明确区分了事故后果预测与事故发生概率估计，澄清了所提出框架预测的是记录或情景定义事故案例中后果严重性和相关 outcome，而非事故发生概率。
该研究的主要结论为：所提出的MIMO-ANN框架能够同时预测15个相互关联的海事事故后果，超越了传统的单输出后果预测；该框架基于582起记录事故案例进行训练，其输出应被理解为记录或情景定义事故案例中事故后果的相对可能性、严重程度或幅度，而非严格统计意义上的事故发生概率；缩放共轭梯度算法训练的MIMO-ANN在不同网络配置和数据划分策略下均实现了强大的预测性能，其中60/20/20划分比例下30个隐含神经元的配置表现最优；10折交叉验证确认了模型的内部预测稳定性；基于置换的敏感性分析识别了事故后果的主要驱动因素，提高了模型的可解释性和实用价值。该框架定位为决策支持工具，旨在将历史事故记录转化为实用的、基于后果的安全洞察，以辅助海事运营、应急准备和风险管理方面的实际决策。
