《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Decomposing Spatial and Seasonal Heterogeneity in Fishing Vessel Accident Loss Severity: A Bayesian Generalized Beta Distribution of the Second Kind Approach
编辑推荐：
•贝叶斯GB2模型能够捕捉到渔业船舶事故的严重尾部分布特性。•该模型使用了来自中国东海研究区域的14,150条事故记录。•船舶倾覆或沉没与火灾或爆炸之间存在强烈的正相关性。•该模型能够区分空间基线、时间异常和季节性交互作用。•热点概率有助于制定差异化和季节性调整的安全规划。引言渔
- •
贝叶斯GB2模型能够捕捉到渔业船舶事故的严重尾部分布特性。
- •
该模型使用了来自中国东海研究区域的14,150条事故记录。
- •
船舶倾覆或沉没与火灾或爆炸之间存在强烈的正相关性。
- •
该模型能够区分空间基线、时间异常和季节性交互作用。
- •
热点概率有助于制定差异化和季节性调整的安全规划。
引言
渔业对食品供应、就业和沿海生计至关重要，然而渔业船舶的操作被认为是全球最危险的职业之一[1]。在全球范围内，渔业船舶事故仍然导致大量人员伤亡和经济损失[2]。在中国等主要渔业国家，由于海洋捕捞规模巨大，渔业船舶事故的经济后果尤为严重。先前的研究表明，中国海域的渔业船舶事故造成的财产损失远高于其他类型的海上事故[3,4]。因此，了解影响事故损失严重程度的因素不仅对海上安全管理至关重要，也对渔业保险定价、监管目标和应急资源分配具有重要意义。
大多数现有的关于渔业船舶事故的研究要么关注事故的发生，要么关注通过离散类别来衡量的事故严重程度[[5], [6], [7], [8]]。这些研究提供了有关船舶特征、环境条件、人为因素和事故类型作用的有用证据[6,9]。然而，从风险管理的角度来看，严重的经济损失本质上是连续的，而不是有序的。一旦将事故损失简化为宽泛的严重程度类别，关于类别内部变化的信息就会丢失。这种信息的丢失也使得难以估计与政策相关的量，例如单个事故记录的损失超过某一监管或保险门槛的概率。对于渔业船舶事故而言，这一限制尤为重要，因为其损失分布高度不均匀、严重右偏，并且具有长尾特征，集中了大部分总成本[10,11]。
挑战不仅仅在于分布。条件下的损失严重程度还表现出多种结构性不同的异质性。在记录层面，关键协变量的影响可能因保险船舶的不同事故记录而异。这种差异可能源于未观察到的因素，如船舶维护状况、船员经验、装载状态或事故发生时的具体操作环境[3,12]。在空间层面，附近的渔区可能表现出相似的严重程度特征。这种空间相似性可能反映了共同的海洋条件、相似的船舶组成或地区在监督和搜救可及性方面的持久差异[13,14]。在时间层面，年-季节单元可能反映了在去除平均季节性差异后仍然存在的共同异常。此外，空间严重程度模式可能随季节变化，某些渔区表现出超出持续空间基线的季节性放大效应。这些特点促使我们需要建立一个模型，能够同时考虑严重尾部的连续损失[15]、记录层面的异质性[3,12]以及结构化的时空依赖性[16,17]。
海上安全文献中的一个关键空白是连续性严重损失建模与记录层面和结构化时空异质性的整合有限。现有研究通常一次只解决其中一个方面。虽然已经为海上事故数据开发了连续损失模型，但一般忽略了结构化的空间依赖性[3,11]。对事故热点的空间分析通常是描述性的或基于计数的，并没有正式对连续损失分布进行建模[13,18]。随机参数严重程度模型能够捕捉记录层面的未观察到的异质性，但通常以较为有限的方式处理空间和时间维度[3,12]。因此，以往的方法只能部分解释严重损失为何持续集中在某些地方、更广泛的异常何时出现，以及哪些区域-季节组合在空间和季节性主效应之外表现出额外的放大效应。
为了解决这一空白，本研究为舟山、台州和温州注册的保险船舶的事故记录开发了一个贝叶斯广义贝塔分布（GB2）损失严重程度模型。研究区域位于中国东海。推断目标是事故发生条件下的经济损失严重程度，而不是事故频率、发生概率或调整后的事故风险。选择GB2分布是因为假定的损失是非负的、连续的、严重右偏且具有重尾特征的[15,19]。引入随机参数来捕捉选定协变量效应的记录层面异质性。通过内在条件自回归（ICAR）先验来表示结构化的空间依赖性[20,21]。年-季节时间效应和季节特定的空间交互作用分别代表了季节内的特定异常和超出持续基线的季节特定空间放大效应。
本研究在三个方面做出了贡献。首先，在实质性层面，它将渔业船舶事故的假定损失视为连续的严重尾部分布结果，从而保留了在损失被简化为有序严重程度类别时丢失的分布信息。其次，在方法论层面，它开发了一个统一的贝叶斯层次框架，将条件损失严重程度分解为记录层面的异质性、季节内的持续空间基线、季节内的特定异常以及超出持续基线的季节特定空间放大效应，所有这些都在一次估计中完成。第三，在决策层面，它为区分持续存在的基线热点和季节特定空间热点提供了基于不确定性的依据，从而支持更有针对性和季节性适应的渔业安全管理。
本文的其余部分组织如下。第2节回顾了相关文献并阐明了未解决的方法论空白。第3节介绍了带有随机参数和结构化时空效应的贝叶斯GB2严重程度模型。第4节描述了事故记录数据和变量构建。第5节报告了估计结果。第6节讨论了研究发现及其对海上安全治理的意义。第7节总结了本文。
章节摘录
文献综述
关于渔业船舶事故的研究确定了众多因果和促成因素，包括船舶特征、人类行为、环境暴露和操作实践。使用案例分析、逻辑回归、贝叶斯网络等相关方法的研究表明，人为错误、培训不足、 observership不当、超载和稳定性缺陷是事故发生和事故类型的重要原因[6,9,[22], [23], [24], [25]]。
方法
本节介绍了建模框架和模型选择流程，包括数据准备、分布筛选、基准回归比较、随机参数筛选以及最终的层次化规范，其中包括固定效应、记录层面效应和结构化时空效应（图1）。
数据收集
事故信息来自中国渔业互助保险协会（FMIS）管理的理赔文件，这是一个针对渔业运营的全国性互助保险组织。每条FMIS记录包含事故日期、报告地点、船舶识别码、事故类型、简要的因果描述以及用于理赔调整的假定损失金额。在本研究中，假定损失被视为根据FMIS程序评估的标准保险财产损失。
分布筛选和基准比较
在估计贝叶斯层次模型之前，我们评估了损失结果是否需要一个灵活的严重尾部似然函数，以及该似然函数是否适合用于回归分析。筛选分为两个初步步骤。
讨论
本研究在保险船舶事故记录层面模型化了事故发生条件下的经济损失严重程度。层次化比较显示，在引入记录层面随机系数后取得了显著改进，而RPM-STE和RPM-ICAR规范之间的额外差异相对较小。因此，RPM-ICAR规范的主要价值在于其能够将条件严重程度分解为总体层面的关联。
结论
本研究使用中国东海研究区域内的记录，对事故发生条件下的经济损失严重程度进行了建模。分析与事故发生无关，而是关注实际发生事故中的假定损失严重程度的变化。通过结合重尾GB2似然函数、记录层面异质性和结构化的空间及季节效应，该研究提供了多种来源的联合描述。
CRediT作者贡献声明
Hongxia Zhou：撰写 – 原始草案、方法论、正式分析、调查、数据整理、可视化。Yun Ye：撰写 – 审阅与编辑、方法论、正式分析、验证。Fang Wang：撰写 – 审阅与编辑、软件、数据整理。Hongzhu Zhou：撰写 – 审阅与编辑、调查、正式分析。Yibing Wang：撰写 – 审阅与编辑、软件、资源管理。Yusheng Zhou：撰写 – 审阅与编辑、验证、项目管理。Pengjun Zheng：
数据可用性声明
支持本研究发现的数据可向相应作者P.Z.提出合理请求获得。
CRediT作者贡献声明
Hongxia Zhou：撰写 – 原始草案、可视化、方法论、调查、正式分析、数据整理。Yun Ye：撰写 – 审阅与编辑、验证、方法论、正式分析。Fang Wang：撰写 – 审阅与编辑、软件、数据整理。Hongzhu Zhou：撰写 – 审阅与编辑、调查、正式分析。Yibing Wang：撰写 – 审阅与编辑、软件、资源管理。Yusheng Zhou：撰写 – 审阅与编辑、验证、项目管理。Pengjun Zheng：：撰写 –
Hongxia Zhou|Yun Ye|Fang Wang|Hongzhu Zhou|Yibing Wang|Yusheng Zhou|Pengjun Zheng
