CN117829613A - 海运事故影响因素分析方法、系统、智能终端及介质 - Google Patents
海运事故影响因素分析方法、系统、智能终端及介质 Download PDFInfo
- Publication number
- CN117829613A CN117829613A CN202410241387.3A CN202410241387A CN117829613A CN 117829613 A CN117829613 A CN 117829613A CN 202410241387 A CN202410241387 A CN 202410241387A CN 117829613 A CN117829613 A CN 117829613A
- Authority
- CN
- China
- Prior art keywords
- accident
- influence
- marine
- sea area
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000000556 factor analysis Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 86
- 238000009826 distribution Methods 0.000 claims abstract description 64
- 230000000694 effects Effects 0.000 claims abstract description 62
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000006378 damage Effects 0.000 description 43
- 238000004880 explosion Methods 0.000 description 22
- 230000001419 dependent effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 230000002265 prevention Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供的海运事故影响因素分析方法、系统、智能终端及介质,具体涉及信息处理技术领域,方案包括:对目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有事故空间分布特征,确定若干个事故高发海域;基于预设的探究目标和事故空间分布特征,提取出若干个影响因素,从而针对每个事故高发海域分别构建若干种类型的回归模型;对各个回归模型进行拟合对比分析,筛选出每个事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素的影响程度,从而确定关键影响因素。该方案能够准确地分析出和探究目标相关的海运事故影响因素及各种因素的影响程度,从而为合理规划海运事故防范措施提供科学精准的依据。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及的是一种海运事故影响因素分析方法、系统、智能终端及介质。
背景技术
随着海洋运输业务的急速增加,航运业得到了快速发展,同时,船舶数量陡增和航运环境日益复杂,致使海上事故频发。海运事故受到船舶自身条件、海上自然环境、操作人员诸多显性和隐形因素共同影响,呈现复杂性和关联性等特征。
目前诸多学者大多是针对选定的海域或者全球海域直接进行事故影响因素的探究,其中,对选定的海域进行事故影响因素的探究,可能存在由于选定的海域不是事故高发海域,分析得到的海运事故的影响因素分析结果的参考价值不高的问题;直接针对全球海域进行事故影响因素的探究,可能存在无法准确辨识不同影响因素对不同海域的海运事故的发生所产生的影响的差异,这两种方案均可能导致对海运事故影响因素的分析结果不准确的问题。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种海运事故影响因素分析方法、系统、智能终端及介质,旨在解决现有技术中存在的对海运事故影响因素的分析结果不准确的问题。
为了实现上述目的,本发明第一方面提供一种海运事故影响因素分析方法,包括:
获取目标海运事故样本数据;
对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
可选的,所述对所述目标海运事故样本数据进行分析,获得事故空间分布特征,包括:
对所述目标海运事故样本数据进行数据可视化分析,获得各类事故发生的位置特征;
利用核密度分析方法对所述目标海运事故样本数据进行分析,获得各类事故发生的空间集聚特征;
基于所有的所述位置特征和所述空间集聚特征,获得事故空间分布特征。
可选的,所述基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,包括:
预设若干种相关性因子,所述相关性因子至少包括管辖海域变量、船舶属性变量、事故发生的时间变量、事故类型变量和外界环境变量;
基于预设的探究目标和至少一种所述相关性因子,对每个所述事故高发海域的事故空间分布特征进行相关性分析,获得与所述探究目标相关的若干个影响因素。
可选的,所述对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型,包括:
将每个所述事故高发海域中的各个所述影响因素分别代入各个所述回归模型参与拟合,获得各个所述回归模型的拟合结果;
基于所述拟合结果,对各个所述回归模型进行拟合优度检验,筛选出每个所述事故高发海域对应的拟合效果最佳的模型。
可选的,在所述获得各个所述回归模型的拟合结果之后,还包括:
对各个所述回归模型的拟合结果进行显著性检验、回归系数检验和/或标准误差检验,获得检验结果;
基于所述检验结果,对各个所述影响因素进行筛选,获得显著影响因素;
将各个所述显著影响因素分别代入各个所述回归模型参与拟合,更新各个所述回归模型的拟合结果。
可选的,所述对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,包括:
对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,获得各个所述影响因素的弹性系数;
基于每个所述弹性系数的大小,确定各个影响因素对相应的事故高发海域的影响程度。
可选的,在所述确定各个影响因素对相应的事故高发海域的影响程度之后,还包括对若干个所述事故高发海域的影响因素进行对比分析,获得分析结果,具体包括:
对各个所述事故高发海域对应的拟合效果最佳的模型分别进行弹性分析,获得各个所述事故高发海域的各个所述影响因素的弹性系数;
将每个所述影响因素在各个所述事故高发海域下的弹性系数进行对比分析,获得分析结果,所述分析结果用于表示每个所述影响因素对各个所述事故高发海域的影响效果的异同。
本发明第二方面提供一种海运事故影响因素分析系统,所述系统包括:
数据获取模块,用于获取目标海运事故样本数据;
事故高发海域筛选模块,用于对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
回归模型构建模块,用于基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
最优回归模型构建模块,用于对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
影响程度分析模块,用于对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
本发明第三方面提供一种智能终端,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的海运事故影响因素分析程序,所述海运事故影响因素分析程序被所述处理器执行时实现任意一项上述海运事故影响因素分析方法的步骤。
本发明第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有海运事故影响因素分析程序,所述海运事故影响因素分析程序被处理器执行时实现任意一项上述海运事故影响因素分析方法的步骤。
与现有技术相比,本方案的有益效果如下:
本发明通过对目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有事故空间分布特征,确定若干个事故高发海域,将海域的识别纳入到伤亡人数影响因素的探究中,结合事故空间分布特征提取出的影响因素,构建多种类型的回归模型并筛选出拟合效果最佳的模型,能够准确地分析出和探究目标相关的海运事故影响因素及各种因素的影响程度,从而根据影响程度的大小确定出影响程度较大的若干项关键影响因素,有利于进一步根据关键影响因素探究海运事故发生的真正原因,从而为海上从业人员制定海运事故防范措施提供科学精准的依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的海运事故影响因素分析方法流程图;
图2为本发明的两个目标海域影响因素弹性分析结果柱形图;
图3为本发明的海运事故影响因素分析系统模块示意图;
图4为本发明的智能终端结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面结合本发明实施例的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明面对现有技术中存在的对海运事故影响因素的分析结果不准确的问题,提出一种海运事故影响因素分析方法,首先基于核密度分析的方法分析海事事故空间分布特征,确定事故高发海域为研究海域。其次,对模型中的因变量和自变量进行选取和描述,确定伤亡人数(含失踪人数)为因变量,船旗、船舶类型、碰撞、火灾爆炸等因素为潜在自变量。再次,分别对事故高发海域的事故数据进行若干种类型的回归建模,判断是否有显著影响。然后,选取拟合效果最佳的模型进行弹性分析。最后,根据弹性系数分别分析事故高发海域中每个显著因素的影响程度,并对事故高发海域的影响因素对比分析,探究异同。
本发明实施例提供一种海运事故影响因素分析方法,部署于电脑、智能手机、智能穿戴设备、服务器等电子设备上,应用场景为探究海运事故的影响因素,针对的是探究与海运事故相关的指标的影响因素,其中与海运事故相关的指标包括但不限于海运事故伤亡人数,船舶损伤数量或程度,或者货运集装箱的损坏数量等等。本发明主要是以与海运事故人员伤亡(含失踪)人数相关的影响因素为探究目标,说明海运事故影响因素分析方法的过程,具体的,如图1所示,本实施例方法的步骤包括:
步骤S100:获取目标海运事故样本数据;
具体地,目标海运事故样本数据来源于劳氏全球海事事故数据库,研究的海域为近海海域,劳氏船级社作为全球权威的机构,其数据是可靠有效的,也可以选用其他来源的可靠数据。选定时间段内的全球海域海事事故数据(无论有无人员伤亡失踪,只要是发生事故均记作事故样本)作为研究样本。以探究海运事故伤亡人数相关的影响因素为例,样本中的每条数据均包括船舶名称、船舶IMO编码、船旗、总吨、事故时间、事故海域、事故原因、船舶类型、伤亡失踪人数、船舶损坏程度以及事故发生地经纬度等信息,但是除了船舶总吨、伤亡失踪人数、经纬度、事故时间之外,其他的信息是文字表达并且部分数据存在缺失不完整的情况。因此,在使用样本数据之前需要对样本数据进行数据清洗,包括填补缺失值、删除重复数据、数据格式转换、光滑噪声数据和/或平滑离群点等操作,以确保样本数据光滑且具备一致性和完整性。
步骤S200:对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
具体地,利用ArcGIS软件,采用数理统计和核密度分析方法对选定时间段内的目标海运事故样本数据进行事故空间分布特征分析,一方面是通过数据可视化分析全球海事事故频数在空间上的分布,即事故发生的位置特征,另一方面是利用核密度分析方法揭示事故的空间集聚特征,从而反映出各种类型的海运事故的在其周围邻域中发生的频率大小,综合事故发生的位置特征和空间集聚特征两方面的分析结果来识别事故高发海域。本发明将海域的识别纳入到伤亡人数影响因素的探究中,是一种具有海域特征的因素分析。
步骤S300:基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
具体地,在运用模型分析每个事故高发海域中影响人员伤亡因素之前,确定模型中的因变量和自变量。本实施例将预设的探究目标作为因变量,所述探究目标可以是探究海运事故伤亡人数、探究在海运事故中船舶损伤数量或程度、探究在海运事故中货运集装箱的损坏数量等。
然后,基于探究目标和事故空间分布特征,提取出若干个与探究目标相关性比较大的影响因素,并将提取出的这些影响因素作为自变量。并利用因变量和自变量,分别构建若干种类型的回归模型,其中所要构建的回归模型的类型可以根据实际应用需要或者所研究数据的特点进行选择。
步骤S400:对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
具体地,针对每个事故高发海域,通过将所有构建出的回归模型按照预设的评价指标进行拟合对比分析,筛选出拟合效果最佳的模型,将该模型作为最适合描述因变量和自变量之间关系的回归模型,以确保对探究目标的探究结果的准确性。
步骤S500:对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
具体地,针对每个事故高发海域,对筛选出的拟合效果最佳的模型进行弹性分析,并根据弹性值的大小确定各个影响因素对相应的事故高发海域的影响程度,然后将各个影响因素对应的事故高发海域的影响程度和预设的影响程度阈值进行对比,筛选出超过预设的影响程度阈值的影响程度对应的影响因素,作为对应的事故高发海域内发生海运事故的关键影响因素,以便于进一步根据关键影响因素规划海运事故防范措施。一般来说,两个变量之间的关系越密切,相应的弹性值就越大;两个变量越是不相关,相应的弹性值就越小。需要声明的是,预设的影响程度阈值是根据所要指定的海运事故防范措施的全面性和完整性的级别进行设置,设置的影响程度阈值越小,表明所要制定的海运事故防范措施的防范级别越高;反之,设置的影响程度阈值越大,表明所要制定的海运事故防范措施的防范级别越低。海运事故防范措施的全面性和完整性的各个级别可以预先综合考虑历史海运事故防范措施的防范有效性和安全性、相关专业人员的经验等各方面的因素来制定。
本实施例中,首先分析海事事故空间分布特征,确定事故高发海域为研究海域;然后根据实际的探究目标和事故空间分布特征,提取出相关性比较大的若干个影响因素,从而构建出若干种类型的回归模型,并根据各个回归模型的拟合效果筛选出每个事故高发海域对应的拟合效果最佳的模型;最后对每个事故高发海域对应的拟合效果最佳的模型进行弹性分析,明确各个影响因素对相应的事故高发海域的影响程度,并根据各种影响因素对探究目标的影响程度,从而根据影响程度的大小确定出影响程度较大的若干项关键影响因素,有利于进一步根据关键影响因素探究海运事故发生的真正原因,从而为海上从业人员制定海运事故预防机制提供科学精准的依据,实现降低事故发生和保障人民生命财产安全的目的。
在一种实施方式中,步骤S200中的对所述目标海运事故样本数据进行分析,获得事故空间分布特征,包括:
步骤S210:对所述目标海运事故样本数据进行数据可视化分析,获得各类事故发生的位置特征;
具体地,根据目标海运事故样本数据中显示的海运事故的发生区域及海运事故的密集程度等信息进行数据可视化分析,获得各类事故发生的位置特征,以从宏观层面反映各类海运事故的位置布局情况。例如,通过事故频数空间分布图进行可视化分析得到。
步骤S220:利用核密度分析方法对所述目标海运事故样本数据进行分析,获得各类事故发生的空间集聚特征;
具体地,核密度分析方法能够计算出各个影响因素在其周围邻域中的密度,从而根据密度估计结果得到各类海运事故发生的空间集聚特征,以从微观层面反映各类海运事故在不同位置的聚集和分散程度。海运事故的类型包括但不限于碰撞事故、搁浅事故、火灾/爆炸事故、触损事故、沉船事故、船体损坏事故和机械损坏/故障事故等。例如,针对每种类型的海运事故,分别采用ArcGIS软件中的自然间断点分级法(Jenks)将核密度的属性值分成若干种类,将每种属性值利用不同的颜色进行渲染,通过颜色的深浅程度即可直观地判断每种类型的海运事故在不同的海域发生的频率大小。
步骤S230:基于所有的所述位置特征和所述空间集聚特征,获得事故空间分布特征。
具体地,结合每个事故高发海域中所有的位置特征和空间集聚特征,获得事故空间分布特征,从而全面掌握海运事故的发生在不同维度的特征表现情况。
本实施例中,通过分析各类事故发生的位置特征,获得各类事故发生的位置布局情况,再分析各类事故发生的空间集聚特征,获得各类海运事故在不同位置的聚集和分散程度,从而得到各类海运事故在不同维度的空间分布特征,确保得到的事故空间分布特征的精确度。
在一种实施方式中,步骤S300中的基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,包括:
步骤S310:预设若干种相关性因子,所述相关性因子至少包括管辖海域变量、船舶属性变量、事故发生的时间变量、事故类型变量和外界环境变量;
步骤S320:基于预设的探究目标和至少一种所述相关性因子,对每个所述事故高发海域的事故空间分布特征进行相关性分析,获得与所述探究目标相关的若干个影响因素。
具体地,运用数理统计的方法描述选定的时间段内全球海事事故的属性特征、涉事船舶属性特征、时间分布特征以及外界环境特征,包括管辖海域变量、船舶属性变量、事故发生的时间变量、事故类型变量和外界环境变量,将这些特征作为相关性因子,并分析其中的一类或若干类相关性因子与探究目标之间的相关性,获得与探究目标相关性较大的若干个影响因素。需要声明的是,一类相关性因子中可能包括多种特征,例如,船舶属性变量包括船舶载重吨、船舶总吨、船舶类型以及船龄等多种特征。相关性的大小的衡量标准可以通过设置显著水平的大小进行限定。采用相关性分析法,能够准确表征各种相关性因子中的各个特征与探究目标之间的相关性的大小。
例如,以海运事故伤亡人数为探究目标,根据泊松回归(Pearson)相关分析法的相关性分析结果可知,在0.05显著水平下,船旗、船舶载重吨、船舶总吨、事故发生年份、事故发生月份、船舶类型、损失类型、机械损坏/故障、碰撞、搁浅、火灾/爆炸、触损、沉船、船体损坏、严重程度、污染程度、船龄、事故发生在港这18个因素与人员伤亡人数存在较大的相关性,因此,将这18个因素作为海运事故人员伤亡人数的影响因素。
在一种实施方式中,步骤S400中的对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型,包括:
步骤S410:将每个所述事故高发海域中的各个所述影响因素分别代入各个所述回归模型参与拟合,获得各个所述回归模型的拟合结果;
步骤S420:基于所述拟合结果,对各个所述回归模型进行拟合优度检验,筛选出每个所述事故高发海域对应的拟合效果最佳的模型。
具体地,针对每个事故高发海域,利用确定出的影响因素同时参与每个选定的回归模型的拟合过程,也就是利用所有的影响因素分别对每个回归模型一一拟合,获得每个回归模型的拟合结果,并对各个回归模型进行拟合优度检验,从中筛选出拟合效果最佳的模型。本实施例中选择的回归模型包括泊松回归(Poisson)模型、朴素贝叶斯模型(NaiveBayes Model,NB)、零膨胀泊松(ZIP)回归模型、负二项回归模型和零膨胀负二项回归(Zero-inflated Negative Binomial,ZINB)模型,但不局限于这四类回归模型,可以根据实际应用需求,灵活选择合适的回归模型。采用赤池信息量准则(Akaike informationcriterion,AIC)和/或贝叶斯信息准则(Bayesian Information Criterion,BIC)选取拟合效果最佳的模型,且AIC和BIC值越小,说明信息损失越少,模型的拟合效果就越佳。
需要声明的是,对于同一种影响因素,在不同海域中的该类影响因素的数值可能不同,因此在不同海域利用多种相同的影响因素对同一种回归模型的拟合结果可能不同。但是,由于在不同事故高发海域所要探究的探究目标相同,选择出的多种影响因素也相同,理论上筛选出的拟合效果最佳的模型的类型相同。
本实施例中,通过选定多个回归模型,利用影响因素对各个回归模型进行拟合并进行拟合优度检验,从而筛选出最能够准确反映探究目标和各个影响因素之间的相关性的回归模型,作为当前事故高发海域对应的拟合效果最佳的模型,从而有利于后续利用拟合效果最佳的模型准确分析不同影响因素对探究目标的影响程度。
经过试验验证得知,海运事故人员伤亡人数和影响因素之间的关系符合零膨胀负二项回归模型,因此,有效验证了所选用的样本数据中的海运事故人员伤亡人数存在零膨胀现象。
在一种实施方式中,在步骤S410中获得各个所述回归模型的拟合结果之后,还包括:
步骤S411:对各个所述回归模型的拟合结果进行显著性检验、回归系数检验和/或标准误差检验,获得检验结果;
步骤S412:基于所述检验结果,对各个所述影响因素进行筛选,获得显著影响因素;
步骤S413:将各个所述显著影响因素分别代入各个所述回归模型参与拟合,更新各个所述回归模型的拟合结果。
具体地,为了从初步筛选出的若干种影响因素中进一步筛选出对探究目标具有显著影响的影响因素,本实施例通过对各个回归模型的拟合结果按照预期的评价指标,选择进行显著性检验、回归系数检验和/或标准误差检验,然后利用评价指标对检验结果进行评价,从而筛选出显著影响因素。
很显然,利用显著影响因素对回归模型进行拟合,能够使得各个回归模型获得更优的拟合结果,因此通过利用显著影响因素重新对回归模型进行拟合,来更新拟合结果,从而利用更新后的拟合结果进行拟合优度检验,筛选出每个事故高发海域对应的拟合效果最佳的模型,能够进一步地提高筛选出的拟合效果最佳的模型的有效性和鲁棒性。
在一种实施方式中,步骤S500中的对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,包括:
步骤S510:对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,获得各个所述影响因素的弹性系数;
步骤S520:基于每个所述弹性系数的大小,确定各个影响因素对相应的事故高发海域的影响程度。
具体地,对拟合效果最佳的模型进行弹性分析,根据弹性系数分别分析事故高发海域中每个显著影响因素的影响程度,且影响因素对应的弹性系数越大,说明该影响因素的影响程度越大。从而可以结合海上环境、船舶自身的特点、海域地理条件、船员的专业素质等因素,综合分析引发海运事故的真正原因,从而根据影响因素提出“因海制宜”的防范措施有利于为目标海域事故防控措施制定提供决策思路。
在一种实施方式中,在步骤S500中确定各个影响因素对相应的事故高发海域的影响程度之后,还包括步骤S600:对若干个所述事故高发海域的影响因素进行对比分析,获得分析结果,具体包括:
步骤S610:对各个所述事故高发海域对应的拟合效果最佳的模型分别进行弹性分析,获得各个所述事故高发海域的各个所述影响因素的弹性系数;
步骤S620:将每个所述影响因素在各个所述事故高发海域下的弹性系数进行对比分析,获得分析结果,所述分析结果用于表示每个所述影响因素对各个所述事故高发海域的影响效果的异同。
具体地,通过利用拟合效果最佳的模型对应的弹性系数,分析相同的探究目标下的同一个海运事故影响因素对不同海域的影响程度,能够获得同一个海运事故影响因素对不同海域的影响程度的差异,有利于探究各个影响因素对不同海域的海运事故的发生所造成的影响程度,从而明确整个海域中引起海运事故的关键因素在不同海域的差异,是对海域因素研究的一种创新思路。
为了验证本发明方法的有效性,下面以劳氏全球海事事故数据库2005年1月至2020年12月全球海事事故为例进行阐述,具体如下:
一、空间分布建模分析
(1)全球海事事故频数空间分布
统计了2005年1月至2020年12月全球海事事故发生次数,共计43177例事故,可见全球海事事故发生数量基数较大,且分布在各个海域。但事故频数空间分布无法准确地展示事故发生的集聚程度。
为了直观地分析出海事事故的空间集聚特征,本研究采用核密度分析的方法识别事故发生聚集的海域,从而全面掌握海事事故发生的特征。采用自然间断点分级法(Jenks)将核密度的属性值分为事故密度最高的海域、事故密度高的海域、事故密度较高的海域、事故密度较低的海域以及事故密度低的海域五大类。
本节利用ArcGIS软件对全球海事事故中的碰撞事故、搁浅事故、火灾/爆炸事故、触损事故、沉船事故、船体损坏事故、机械损坏/故障事故等多种类型的事故进行了空间分布建模研究,初步描述了各类事故在空间上的集聚情况。
二、空间分布特征提取
本节将对各类事故空间分布特征进行提取,主要提取事故密度最高区域和事故密度高区域内的事故空间分布特征。
三、事故高发海域选取
空间分布特征提取结果表明,海域是影响海事事故伤亡人数的潜在因素。为了分析海域因素对人员伤亡的影响情况,采用对比分析法开展研究。选取两个数据样本近似且事故空间分布特征明显的两个海域,对比分析相同因素在两个海域的影响程度。因此,综合事故发生位置特征和空间分布特征,选取出事故高发海域一和事故高发海域二。
四、伤亡影响因素选取与描述
在运用模型分析影响人员伤亡因素之前,需要确定模型中的因变量和自变量。根据Pearson相关分析法分析结果可知,在0.05显著水平下,船旗、船舶载重吨、船舶总吨、事故发生年份、事故发生月份、船舶类型、损失类型、机械损坏/故障、碰撞、搁浅、火灾/爆炸、触损、沉船、船体损坏、严重程度、污染程度、船龄、事故发生在港这18个因素与人员伤亡人数存在较大的相关性。为此,本节结合分析所得的特征和相关性分析结果,对模型中的变量进行选取和描述。
以海事事故中人员伤亡(含失踪)的人数为因变量主要基于以下两点:1)事故中人命损失直接反映了事故的严重程度,无论是死亡还是失踪均属于人命损失的范畴。2)受伤人数也可反映事故的严重性,也是一种对人身造成伤害的表现。基于生命至上的原则,本研究将受伤人数纳入研究的范畴。因此,将因变量设定为事故中人员伤亡(含失踪)的总人数。
将船旗、船舶载重吨、总吨、事故发生年份、事故发生月份、涉事船舶类型、损失类型、事故污染情况、涉事船舶船龄、事故是否发生在港口、事故严重情况以及事故类型中所属的碰撞、搁浅等7个指标纳入到潜在自变量的范畴。其中,船旗属于监管层面变量,船舶载重吨、船舶总吨、船舶类型以及船龄属于船舶变量层面,事故发生年份和事故发生月份属于时间变量层面,机械损坏/故障、碰撞、搁浅、火灾/爆炸、触损、沉船、船体损坏属于事故类型变量层面,港口和海域属于环境变量层面。变量具体描述如表1所示。
表1:
五、事故高发海域一伤亡人数影响因素分析
本实施例选取和事故高发海域一相关的样本数据作为研究对象,总计7864组样本数据,事故字段与全球事故数据字段保持一致,包括事故类型、船旗、船型等。利用负二项回归及零膨胀负二项回归模型进行伤亡人数影响因素探究。经数据缺失值处理后,本海域总计7637组事故样本参与回归拟合。将18个潜在变量代入到模型中,发现部分变量无法通过显著性检验或者所得到的回归系数与实际意义不相符。因此,通过变量筛选,保留显著的自变量。模型具体结果如下所示:
(1)负二项回归模型结果
负二项回归模型所得的回归系数、标准误差以及P值如表2所示,如果P值低于显著性水平(通常是0.05),则认为该系数是显著的。
表2:
由模型结果分析可知,在99%的置信水平下,船舶类型、损失类型、事故严重程度、船龄、事故发生在港口、碰撞、搁浅、火灾/爆炸这8个变量对人员伤亡产生影响,其中事故发生在港口产生显著负向影响。在95%的置信水平下,船旗、事故污染程度、机械损坏/故障、触损这4个变量对人员伤亡产生影响,其中,污染程度产生显著负向影响。在90%的置信水平下,沉船和船体损坏对人员伤亡产生影响。
(2)零膨胀负二项回归模型(ZINB)结果
零膨胀负二项回归模型所得的回归系数、标准误差以及P值如表3所示。
表3:
由模型结果分析可知,在99%的置信水平下,损失类型、事故严重程度、船龄、机械损坏/故障、碰撞、搁浅、火灾/爆炸、触损这8个变量对事故中人员伤亡产生影响,且均产生显著正向影响。在95%的置信水平下,船舶类型、事故污染程度、事故发生在港口以及沉船这4个变量对人员产生显著影响,其中事故发生在港口产生显著负向影响。在90%的置信水平下,船旗对人员伤亡产生显著正向影响。而船体损坏这个变量在该模型中无显著影响。
综合两个模型中变量的回归系数可知,船旗在两个模型中所分析出的回归系数符号不一致。从船舶类型的系数来看,邮轮相比其他船舶具有更高致使人员伤亡的风险。船龄系数为正值,说明船龄越大,人员伤亡的可能性也越大。机械损坏/故障、碰撞、搁浅、火灾/爆炸以及触损的回归系数均为正值,说明这几类事故都可能造成人员伤亡。损失类型和严重程度的系数说明,全损和事故严重可以指示人员伤亡严重的情形。污染程度的系数为负值,说明事故对水域污染严重,造成人员伤亡几率会下降。事故发生在港口情况的系数为负值,说明事故发生在港口以外的地方,引发人员伤亡的可能性大。但是,各个变量的影响程度需要通过弹性分析定量表示。
(3)模型结果分析
为了选取拟合效果最佳的模型进行影响程度的研究,本研究采用BIC和AIC准则对泊松回归、负二项回归、零膨胀泊松回归和零膨胀负二项回归进行拟合优度检验,结果如表4所示。
表4:
AIC和BIC值越小,说明信息损失越少,模型的拟合效果就越佳。由表4可知,在AIC指标上,Poisson>NB>ZIP>ZINB;在BIC指标上,Poisson>NB>ZIP>ZINB,因此综合可得ZINB模型拟合优度最佳。为此,选用零膨胀负二项回归模型中的回归系数进行弹性分析,数据如表5所示。
表5:
在表5中所示的14个自变量中,损失程度、污染情况以及严重程度这三个变量是事故发生后人为所界定的一种指标,可通过这三个指标可分析出深层次的原因。其余11个自变量是在事故中对伤亡人数起到直接影响的因素,可反映引起事故的现实原因。
在这三个指标中,严重程度、损失程度与人员伤亡数量成正相关关系,说明这两个指标可以用来衡量人员伤亡的情况。污染情况弹性系数为负值,即具有污染的事故增加1%,人员伤亡人数就会减少约0.044%。其可解释为,事故造成污染的船舶一般多为油轮、危险品船舶,而此类船舶上的人员仅为船员,所以人员伤亡的基数会变小。从另一个角度看,污染情况越多说明事故船舶中油轮、危险品船等数量就越多,邮轮的基数就会减少。因此,污染情况这个指标可以反映涉事船舶类型的占比。
在直接原因中,碰撞事故的弹性系数是最大的,为1.17839,即该类事故变化1%,伤亡人数会变化1.17839%。一般而言,船舶碰撞事故涉及的船舶数在2艘以上,伤亡人员基数会呈相应倍数增加。此外,船舶碰撞时间极短,给船员和乘客反应及逃生的时间也很少,所以发生人员伤亡的几率就增大。
船龄的弹性系数为1.00828,是影响该海域伤亡人数的第二大因素。船龄一定程度反映了船舶的使用年限,船龄越大船舶的性能也会越低,更容易引发船体或机械的故障,极易造成事故,因此事故中人员伤亡基数也会增加。
搁浅的弹性系数为0.26101,是影响人员伤亡较为严重的一个因素。一般而言,搁浅事故给船上人员反应的时间较为充足,发生伤亡的几率并不是很大。但该海域地理条件相对较差,尤其英吉利海峡狭窄且浅滩多,航行环境较差。因此,该地发生搁浅事故的可能性就增加了,人员伤亡几率也会增大。
火灾/爆炸的弹性系数为0.20098,也是不容忽视的一个因素。船舶发生火灾/爆炸时,船上人员情绪会激烈,难以做出理性行为。如果遇到严重的火灾/爆炸,只能借助救生设备跳海,但是海上环境恶劣,生还几率依旧很小。
触损的弹性系数为0.13269,是影响人员伤亡的重要因素。触损是指船舶碰到水上水下物体而发生故障。如果该类事故严重会引发船舶沉船或者倾覆,所以船舶触损对人员的伤亡影响较大。
沉船的弹性系数为0.04925。一般而言,沉船可能会发生倾覆的情况,船员和乘客难以迅速逃生。同时,海上环境险恶,一般人员缺乏专业自救能力,生还几率较小。船舶类型的弹性系数为0.03661。本研究将船舶类型划分为邮轮和其他两类,目的在于探究船上人员数量对伤亡人数的影响程度。研究结论和实际情况一致,但影响程度相对其他学者所得出的结论偏低。
事故发生在港口的弹性系数为-0.20738,即发生在港口的事故增加1%,则相对应的伤亡人数会减少0.06%。一般而言,事故发生在离海岸越近,尤其在港口,岸上救援会越及时。同时,周边的海洋环境相对不恶劣,人员的伤亡几率就会下降。
机械故障的弹性系数为0.06437。一般而言,船员可借助相应的设备及早检测出船体或机械故障,预留给船上人员的救生时间是充足的。此外,当前船舶的应急救援方案科学完备,人员实现自救的可能性也在不断提升。因此,综合这两方面分析,船舶机械故障造成人员伤亡几率较小。
船旗的弹性系数为0.13145。将船旗分类方便旗和非方便旗,目的是探究登记注册及监管程度对事故发生和人员伤亡的影响。一般情况下,方便旗登记注册及监管较为宽松,对船舶的监督相对宽松,发生事故的可能性会偏高。
六、事故高发海域二伤亡人数影响因素分析
事故高发海域二包括黑海和东地中海两个区域,以突尼斯海峡为界。事故高发海域二的样本数据总计6815组,事故字段与全球事故数据字段是一致的,包括事故类型、船旗、船型等。
经数据缺失值处理后,本海域总计6778组事故样本参与回归拟合。同理,将18个潜在变量代入到模型中,通过变量的显著性检验或者实际意义相符程度进行变量的筛选。因此,通过变量筛选,保留显著的自变量。具体模型结果如下所示:
(1)负二项回归模型结果
负二项回归模型所得的回归系数、标准误差以及P值如表6所示。
表6:
由模型结果分析可知,在99%的置信水平下,损失类型、事故严重程度、事故发生在港口、碰撞、搁浅、火灾/爆炸、触损这7个变量对人员伤亡产生影响,其中事故发生在港口产生显著负向影响。在95%的置信水平下,船舶类型、事故污染程度、船龄、机械损坏/故障、沉船这5个变量对人员伤亡产生影响,其中,污染程度产生显著负向影响。在90%的置信水平下,船旗对人员伤亡产生负向显著影响。而船体损坏无法对人员伤亡产生显著影响。
(2)零膨胀负二项回归模型结果
零膨胀负二项回归模型所得的回归系数、标准误差以及P值如表7所示。
表7:
由模型结果分析可知,在99%的置信水平下,损失类型、事故严重程度、事故发生在港口、机械损坏/故障、碰撞、触损以及沉船这7个变量对事故中人员伤亡产生影响,事故发生在港口产生显著负向影响。在95%的置信水平下,船旗、船舶类型、污染程度、船龄、搁浅、火灾/爆炸这6个变量对人员伤亡产生显著影响,其中污染程度负向影响。在90%的置信水平下,机械损坏/故障对人员伤亡产生显著正向影响。
综合两个模型所得变量的回归系数可知,船旗、船舶类型、损失程度、船龄、机械损坏/故障、碰撞、搁浅、火灾/爆炸、触损、沉船以及船体损坏的系数均为正值,对人员伤亡均有正向促进效果。而污染情况和事故发生在港口系数为负值,对人员伤亡有负向促进效果。后续,将用弹性分析定量探究各变量相应的影响程度。
(3)模型结果分析
同理,采用BIC和AIC准则进行拟合优度检验,具体结果如表8所示。
表8:
由表8可知,在AIC指标上,Poisson>ZIP>NB>ZINB;在BIC指标上,Poisson>ZIP>NB>ZINB。因此,综合两个指标,ZINB模型拟合优度最佳。为此,选用零膨胀负二项回归模型参数估计进行弹性系数的计算分析,具体数据如表9所示。
表9:
本海域除了损失类型、污染情况、严重程度三个指标外,在直接原因中,影响程度最高的三个因素依次是碰撞、船龄、事故发生在港口;最低的三个因素是船体损坏、沉船以及船舶类型。事故发生在港口影响程度较大的原因有以下两点:1)所研究海域内的港口分布较为密集,且航线比较密集,极容易发生事故;2)该海域岛屿分布密集,海岸线曲折。
船体损坏在海域一中无显著影响,在本海域有显著影响,但是影响程度是所有因素中最低的。可解释为,船体损坏一般可以通过人员巡查及设备监测发现。同时,船体损坏也不是一蹴而就的,有一定的发展时间,因此船上工作人员可以及早介入避免事故的发生,从而降低这类事故发生率,人员伤亡率也会下降。其他几个因素影响人员伤亡的机制和海域一结果分析是一致的。
七、两个海域伤亡人数影响因素对比分析
通过柱形图将两个海域影响因素的弹性系数描述出来,直观地对比同一个影响因素在两个海域的差别,结果如图2所示。
月份、年份、载重吨和总吨四个自变量在两个海域模型分析中均没有产生显著影响。主要原因为:1)月份和年份在第二章特征分析时就表明没有显著的分布特征,故影响程度不会显著,与特征分析结果一致;2)样本数据中的载重吨和总吨是船舶注册时所登记的衡量船舶运载能力的指标,但是在实际航行过程中,尤其在发生事故的航次中,并不明确实际运载量是多少。
在事故类型中,两个海域的船舶碰撞影响程度都是最高的,表明碰撞事故是引起伤亡人数变化的首要因素。火灾/爆炸事故极易造成救援困难和逃生秩序的混乱,从而增加了人员伤亡的几率。两海域中事故搁浅的影响程度相对较高,但海域一的影响程度明显高于海域二,主要是由两海域的地理差异所引起的。海域一中的英吉利海峡狭窄且浅滩多,极易引发船舶的搁浅。
两个海域中船体损坏、机械损坏/故障因素对伤亡人数有影响,但影响程度均不大,与实际情况一致。但在实际航运过程中需要关注人为原因所引起的船体和机械损坏,避免造成更大的海难。两个海域中沉船事故对伤亡人数影响并不是很大。这可能与岸上救援的及时性和海域周边国家海洋治理水平的差异有较大的关系。
船龄表征着船舶的使用年限,两个海域中船舶船龄均对伤亡人数产生显著正向影响,说明船舶船龄越大,发生事故和人员伤亡的可能性越大。同时,船龄在两个海域中对人员伤亡的影响程度都很高,说明控制船舶船龄对降低人员伤亡具有显著的效果。
事故是否发生在港口反映的是事故发生位置距离海岸的远近程度。两个海域中该因素的影响程度均为负向,说明离港区越远,事故中的伤亡人数越多。但海域二中该因素的影响程度远远大于海域一,可以解释为海域二的港口数量多且分布密集,同时海岸线曲折,这些地理特征共同造成了港口船舶事故频发的现象。
船旗在本研究中主要分为方便旗和非方便旗。一般而言,方便旗登记注册及监管较为宽松,发生事故的概率会更大,伤亡人数也会增加。两海域中船旗回归系数均为正值,验证了这一结论。
相同因素在不同海域中表现出对伤亡人数的不同程度影响,可以理解为,不同海域因地理条件、航运贸易、港口分布以及周边国家海洋治理水平的差异而造成其他因素对伤亡人数的影响差异。
总体而言,两个海域的影响伤亡人数因素的方向是一致的,是符合实际情况的。但是受到地理条件、航运贸易以及港口分布等因素约束,在程度上会有较大差异。
八、船舶碰撞事故防范措施
进行海事事故防范措施研究是分析事故伤亡人数影响因素的主要目标。关键影响因素探究的最终目的旨在根据分析出的结果,准确科学地了解事故发生的具体机理,并针对影响机理提出可行的防范措施,有效地降低事故发生以及人员伤亡。
根据对上述两个事故高发海域的关键影响因素的分析可知,影响这两个事故高发海域的伤亡人数的最重要的关键影响因素是碰撞,影响程度均很小的是船体损坏、机械损坏/故障。搁浅、事故发生在港口两个因素对伤亡人数影响存在较大的差异,引起这种差异的主要原因是这两个海域存在港口分布、海岸线曲折程度、海域内岛屿分布数量以及海洋治理水平的差异。月份、年份、船舶载重吨和船舶总吨四个潜在自变量在两个海域模型分析中均没有产生显著影响。因此,本发明针对模型所分析出的关键影响因素及其影响程度,从防范船舶碰撞、火灾/爆炸、沉船、船龄控制、事故救援、船旗等七个方面规划船舶碰撞事故防范措施。
根据实证研究结果可知,船舶碰撞事故对人员伤亡的影响程度最大。因此,有效防范船舶碰撞事故的发生,可以最大程度减少海上事故人员伤亡。船舶碰撞可以从以下几方面进行防范。
(1)强化船员职业素质,减少由于人为因素引起的船舶碰撞事故。定期加强对船员的职业教育和培训,提升船员的职业技能,比如船舶的规范操作、事故应急预演以及航行规则培训等。
(2)提升船员在船舶操作过程中的规范性。一方面,严格按照要求将船舶行驶在安全的航速范围内,以避免发生因船速太快而无法避碰的事故。另一方面,提高瞭望的频率和科学性,在自身经验的基础上运用现代的先进科技来增强瞭望的准确性和科学性。
(3)识别船舶碰撞隐患区,强化人为治理。在船舶流量大的海域设置相应的避险区域,为船舶应急提供场地。若发生碰撞事故,可引导事故船舶停靠,避免给其他船舶造成危险。此外,航道管理部门定期对航道通航条件进行调研,及早发现隐患,优化船舶通航环境。
船舶发生严重的火灾或者爆炸事故会直接造成人员伤亡,一般的火灾爆炸事故因组织疏散不及时、救援不得当等其他原因而对人员造成伤害。因此,在海事事故预防过程中不可忽视对船舶火灾/爆炸的防范。对于船舶火灾/爆炸防范主要从以下几方面展开。
(1)常态化监控火灾隐患。对于船舶中容易发生火灾的隐患点进行常态化管理和监测,比如发动机区域、排烟管等。对于具有高风险发生此类事故的船舶,安排专业人员及安装设备实时监测,实现第一时间发现问题并解决问题。
(2)建立健全火灾事故应对机制。针对不同类型的船舶分别制定相应的火灾/爆炸事故处理预案,明确事故发生时具体应急措施。同时,定期开展船舶消防应急演练,明确在船职员的职责分工,提升船员应对此类事故的处理能力。
(3)加大科学培训力度,提升船员的心理素质和应急能力。
进一步地,从船龄控制、事故救援、沉船人员定位、船旗这几个角度预防事故发生,减少人员伤亡。
(1)针对船龄因素,加强对高龄船舶的监测,定期检查此类船舶,尤其是该类船舶的行驶性能、船体结构以及机械设备等,并将超龄的船舶禁航。
(2)加强岸船监控,实时跟进船舶航行,同时,加强在高风险海域的应急救援力量,保障海上救援的及时性。
(3)针对沉船事故,积极运用现代科技加强对船上人员的高精准定位,遇到危险及时发送定位呼叫救援,减少因搜寻盲区引起的人员伤亡。比如,便携式个人卫星紧急示位装置等。
(4)根据对船旗,建议船旗国切实履行相关的公约规定,肩负起对旗下船舶的管理职责。
(5)针对不同的海域根据其地理环境特征、船舶流量以及港口分布特征等多角度制定针对性的事故防范政策和措施。比如,对于岛屿分布众多的海域可优化航道设置;对于港口分布密集的海域可加强对港口水域船舶行驶安全监管等。
综上所述,本发明通过分析海域的海运事故空间分布特征,筛选出事故高发海域,然后构建回归模型及弹性分析,层层递进地确定多项影响因素对海运事故发生的影响程度,从而根据影响程度的大小精确筛选出影响海运事故发生的关键影响因素。本发明能够根据分析出的不同事故高发海域的海运事故发生的关键影响因素准确科学地了解海运事故发生的具体影响机理,并针对影响机理提出有效、可行的防范措施,从而有效地降低海运事故发生以及人员伤亡,保障人员的生命财产安全。
如图3所示,对应于上述海运事故影响因素分析方法,本发明实施例还提供一种海运事故影响因素分析系统,上述海运事故影响因素分析系统包括:
数据获取模块310,用于获取目标海运事故样本数据;
事故高发海域筛选模块320,用于对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
回归模型构建模块330,用于基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
最优回归模型构建模块340,用于对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
影响程度分析模块350,用于对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
具体的,本实施例中,上述海运事故影响因素分析系统的具体功能还可以参照上述海运事故影响因素分析方法中的对应描述,在此不再赘述。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图4所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内部存储器。该非易失性存储介质存储有操作系统和海运事故影响因素分析程序。该内部存储器为非易失性存储介质中的操作系统和基于海运事故影响因素分析程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该海运事故影响因素分析程序被处理器执行时实现上述任意一种海运事故影响因素分析方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的海运事故影响因素分析程序,上述海运事故影响因素分析程序被上述处理器执行时实现本发明实施例提供的任意一种海运事故影响因素分析方法的步骤。
本发明实施例还提供一种计算机可读存储介质,上述计算机可读存储介质上存储有海运事故影响因素分析程序,上述海运事故影响因素分析程序被处理器执行时实现本发明实施例提供的任意一种海运事故影响因素分析方法的步骤。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将上述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,上述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以由另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.海运事故影响因素分析方法,其特征在于,包括以下步骤:
获取目标海运事故样本数据;
对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
2.根据权利要求1所述的海运事故影响因素分析方法,其特征在于,所述对所述目标海运事故样本数据进行分析,获得事故空间分布特征,包括:
对所述目标海运事故样本数据进行数据可视化分析,获得各类事故发生的位置特征;
利用核密度分析方法对所述目标海运事故样本数据进行分析,获得各类事故发生的空间集聚特征;
基于所有的所述位置特征和所述空间集聚特征,获得事故空间分布特征。
3.根据权利要求1所述的海运事故影响因素分析方法,其特征在于,所述基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,包括:
预设若干种相关性因子,所述相关性因子至少包括管辖海域变量、船舶属性变量、事故发生的时间变量、事故类型变量和外界环境变量;
基于预设的探究目标和至少一种所述相关性因子,对每个所述事故高发海域的事故空间分布特征进行相关性分析,获得与所述探究目标相关的若干个影响因素。
4.根据权利要求1所述的海运事故影响因素分析方法,其特征在于,所述对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型,包括:
将每个所述事故高发海域中的各个所述影响因素分别代入各个所述回归模型参与拟合,获得各个所述回归模型的拟合结果;
基于所述拟合结果,对各个所述回归模型进行拟合优度检验,筛选出每个所述事故高发海域对应的拟合效果最佳的模型。
5.根据权利要求4所述的海运事故影响因素分析方法,其特征在于,在所述获得各个所述回归模型的拟合结果之后,还包括:
对各个所述回归模型的拟合结果进行显著性检验、回归系数检验和/或标准误差检验,获得检验结果;
基于所述检验结果,对各个所述影响因素进行筛选,获得显著影响因素;
将各个所述显著影响因素分别代入各个所述回归模型参与拟合,更新各个所述回归模型的拟合结果。
6.根据权利要求1所述的海运事故影响因素分析方法,其特征在于,所述对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,包括:
对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,获得各个所述影响因素的弹性系数;
基于每个所述弹性系数的大小,确定各个影响因素对相应的事故高发海域的影响程度。
7.根据权利要求1所述的海运事故影响因素分析方法,其特征在于,在所述确定各个影响因素对相应的事故高发海域的影响程度之后,还包括对若干个所述事故高发海域的影响因素进行对比分析,获得分析结果,具体包括:
对各个所述事故高发海域对应的拟合效果最佳的模型分别进行弹性分析,获得各个所述事故高发海域的各个所述影响因素的弹性系数;
将每个所述影响因素在各个所述事故高发海域下的弹性系数进行对比分析,获得分析结果,所述分析结果用于表示每个所述影响因素对各个所述事故高发海域的影响效果的异同。
8.海运事故影响因素分析系统,其特征在于,所述系统包括:
数据获取模块,用于获取目标海运事故样本数据;
事故高发海域筛选模块,用于对所述目标海运事故样本数据进行分析,获得事故空间分布特征,并基于所有所述事故空间分布特征,确定若干个事故高发海域;
回归模型构建模块,用于基于预设的探究目标和所述事故空间分布特征,提取出若干个影响因素,并基于所述探究目标和所有所述影响因素,分别构建若干种类型的回归模型;
最优回归模型构建模块,用于对各个所述回归模型进行拟合对比分析,筛选出每个所述事故高发海域对应的拟合效果最佳的模型;
影响程度分析模块,用于对每个所述事故高发海域对应的拟合效果最佳的模型进行弹性分析,确定各个影响因素对相应的事故高发海域的影响程度,并根据所述影响程度的大小和预设的影响程度阈值,确定关键影响因素。
9.智能终端,其特征在于,所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的海运事故影响因素分析程序,所述海运事故影响因素分析程序被所述处理器执行时实现如权利要求1-7任意一项所述海运事故影响因素分析方法的步骤。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有海运事故影响因素分析程序,所述海运事故影响因素分析程序被处理器执行时实现如权利要求1-7任意一项所述海运事故影响因素分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241387.3A CN117829613A (zh) | 2024-03-04 | 2024-03-04 | 海运事故影响因素分析方法、系统、智能终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241387.3A CN117829613A (zh) | 2024-03-04 | 2024-03-04 | 海运事故影响因素分析方法、系统、智能终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829613A true CN117829613A (zh) | 2024-04-05 |
Family
ID=90517607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410241387.3A Pending CN117829613A (zh) | 2024-03-04 | 2024-03-04 | 海运事故影响因素分析方法、系统、智能终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829613A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472225A (zh) * | 2019-06-26 | 2019-11-19 | 北京交通大学 | 基于词扩展lda的铁路事故原因分析方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
KR20210084182A (ko) * | 2019-12-26 | 2021-07-07 | 한국국토정보공사 | 사고 발생패턴 분석을 통한 사고 취약지 분석 장치 및 방법 |
CN113704317A (zh) * | 2021-07-12 | 2021-11-26 | 武汉众智数字技术有限公司 | 一种基于交通事故特征分析的事故黑点预测方法 |
CN114386844A (zh) * | 2022-01-11 | 2022-04-22 | 合肥工业大学 | 一种基于事故前交通状态与事故关系的建模方法 |
CN117455237A (zh) * | 2023-11-07 | 2024-01-26 | 四川警察学院 | 一种基于多源数据的道路交通事故风险预测方法 |
-
2024
- 2024-03-04 CN CN202410241387.3A patent/CN117829613A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472225A (zh) * | 2019-06-26 | 2019-11-19 | 北京交通大学 | 基于词扩展lda的铁路事故原因分析方法 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
KR20210084182A (ko) * | 2019-12-26 | 2021-07-07 | 한국국토정보공사 | 사고 발생패턴 분석을 통한 사고 취약지 분석 장치 및 방법 |
CN112613664A (zh) * | 2020-12-25 | 2021-04-06 | 武汉理工大学 | 基于水上交通事故风险预测与评估的预警方法和系统 |
CN113704317A (zh) * | 2021-07-12 | 2021-11-26 | 武汉众智数字技术有限公司 | 一种基于交通事故特征分析的事故黑点预测方法 |
CN114386844A (zh) * | 2022-01-11 | 2022-04-22 | 合肥工业大学 | 一种基于事故前交通状态与事故关系的建模方法 |
CN117455237A (zh) * | 2023-11-07 | 2024-01-26 | 四川警察学院 | 一种基于多源数据的道路交通事故风险预测方法 |
Non-Patent Citations (2)
Title |
---|
H. RONG等: "Spatial correlation analysis of near ship collision hotspots with local maritime traffic characteristics", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》, 16 January 2021 (2021-01-16), pages 1 - 14 * |
JIAXUAN YANGA等: "Laws and preventive methods of collision accidents between merchant and fishing vessels in coastal area of China", 《OCEAN AND COASTAL MANAGEMENT》, 20 October 2022 (2022-10-20), pages 1 - 13 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Spatial patterns and characteristics of global maritime accidents | |
Cakir et al. | An analysis of severity of oil spill caused by vessel accidents | |
Silveira et al. | A multicriteria outranking approach for ship collision risk assessment | |
Fang et al. | Automatic identification system-based approach for assessing the near-miss collision risk dynamics of ships in ports | |
Marchenko et al. | Arctic shipping and risks: emergency categories and response capacities | |
Wang et al. | Study on the critical factors and hot spots of crude oil tanker accidents | |
Endrina et al. | Influence of ship design and operational factors on human performance and evaluation of effects and sensitivity using risk models | |
Sevgili et al. | A data-driven Bayesian Network model for oil spill occurrence prediction using tankship accidents | |
Wang et al. | Analysis of the injury-severity outcomes of maritime accidents using a zero-inflated ordered probit model | |
Turna et al. | A causative analysis on ECDIS-related grounding accidents | |
Khan et al. | Factor assessment of hazardous cargo ship berthing accidents using an ordered logit regression model | |
Zhang et al. | Quantitative analysis of maritime piracy at global and regional scales to improve maritime security | |
Chou et al. | A study of the distribution of marine incidents in the harbours and waters surrounding Taiwan | |
Ma et al. | On the development and measurement of human factors complex network for maritime accidents: A case of ship groundings | |
Demirci et al. | An evaluation of the effects of human factors on potential ship accidents under pilotage | |
Son et al. | Development of collision risk assessment model for bridge across waterways based on traffic probability distribution | |
Yildirim et al. | Human factor analysis of container vessel’s grounding accidents | |
Onwuegbuchunam | An analysis of determinants of accident involving marine vessels in nigeria’s waterways | |
CN117829613A (zh) | 海运事故影响因素分析方法、系统、智能终端及介质 | |
CN115239110A (zh) | 一种基于改进topsis方法的通航风险评价方法 | |
Li et al. | Dynamic evolution of maritime accidents: Comparative analysis through data-driven Bayesian Networks | |
Olgaç et al. | An investigation of the maritime accident in the Aegean Sea Turkish search and rescue region | |
Artana et al. | Real-time monitoring of subsea gas pipelines, offshore platforms, and ship inspection scores using an Automatic Identification System | |
Bailey et al. | Safety and perceptions of risk: A comparison between respondent perceptions and recorded accident data | |
Kim et al. | Fundamental research for video-integrated collision prediction and fall detection system to support navigation safety of vessels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |