胡甚平，謝瑩，張欣欣，江帥，席永濤

(上海海事大學(xué)商船學(xué)院，上海 201306)

0 引 言

在“一帶一路”大背景下，經(jīng)濟高速發(fā)展，水上交通越來越繁忙。隨著水上運輸需求的顯著增加，航運業(yè)在過去三十年中取得了迅速發(fā)展。然而，水上運輸需求的顯著增加導(dǎo)致船舶交通事故發(fā)生概率增加。韓國“歲月”號傾覆事故、“桑吉”號與“長峰水晶”號碰撞事故的發(fā)生，引起國際社會廣泛關(guān)注。決策者有責(zé)任實施有效的通航策略，以減少嚴(yán)重船舶交通事故發(fā)生的概率。因為事故及災(zāi)害的發(fā)生是由物的隱患狀態(tài)與人的不安全行為在環(huán)境條件、管理缺陷等共同作用下持續(xù)演化的結(jié)果，所以在采取有效措施前，確定特征與促成因素之間的關(guān)聯(lián)關(guān)系是非常重要的。

當(dāng)前國內(nèi)外學(xué)者一致認(rèn)為，人的不安全行為既是事故的最后表現(xiàn)，也是事故的形成原因。CHOI等提出一種程序驅(qū)動操作過程中船員交互作用下的不安全行為分類方法。YILDIRIM等利用人為因素分析與分類系統(tǒng)(human factors analysis and classification system, HFACS)對碰撞和擱淺事故進(jìn)行評估，提出了不安全行為的表現(xiàn)和前提條件。HOOPER等進(jìn)一步指出采用HFACS框架下的認(rèn)知錯誤分類法能加強對不安全行為的分析。CHOUDHRY則提出基于行為的安全管理方法改善現(xiàn)場環(huán)境安全。隨后，研究者從系統(tǒng)的視角確定人的安全行為體系中的關(guān)鍵因素，并對人的安全行為風(fēng)險因素的層次性及各層次因素間的結(jié)構(gòu)關(guān)聯(lián)性進(jìn)行探究。HUANG等提出Apriori算法分析事故影響因素之間的關(guān)系。ZHANG等采用系統(tǒng)動力學(xué)方法分析HFACS框架下事故影響因素間的耦合關(guān)系，提出事故影響因素在組織管理、安全監(jiān)督、前提條件等方面的關(guān)聯(lián)問題。HU等采用結(jié)構(gòu)方程模型進(jìn)一步論證關(guān)聯(lián)假設(shè)的合理性，提出事故形成因素層次結(jié)構(gòu)的路徑依賴性問題。船員的不安全行為(事故直接影響因素)及其關(guān)聯(lián)因素比較多，因素之間的關(guān)聯(lián)結(jié)構(gòu)關(guān)系也存在著許多不確定性，因而可引入高效率機器學(xué)習(xí)算法研究船員不安全行為及其關(guān)聯(lián)因素間的不確定結(jié)構(gòu)關(guān)聯(lián)特性。

鑒于此，筆者在辨識船員不安全行為及其關(guān)聯(lián)因素的基礎(chǔ)上，結(jié)合船舶交通事故場景數(shù)據(jù)，采用優(yōu)化后的頻繁模式增長(frequent pattern growth, FP-growth)算法對這些因素進(jìn)行支持度和關(guān)聯(lián)度分析，找出不確定結(jié)構(gòu)下船員不安全行為發(fā)展路徑。

1 問題描述

1.1 船員不安全行為

早在20世紀(jì)70年代，學(xué)界就已經(jīng)開始對人的不安全行為進(jìn)行研究。目前有關(guān)不安全行為的研究多集中于公路交通、礦業(yè)工程、建筑工程等安全事故頻發(fā)的領(lǐng)域，涉及海事領(lǐng)域的研究較少。

多數(shù)研究都將不安全行為界定為結(jié)果偏離既定的目標(biāo)，導(dǎo)致系統(tǒng)失效或事故發(fā)生等不良后果的行為，并且大多從決策判斷錯誤(未及時決策或決策錯誤)和操作不當(dāng)(違規(guī)和冒險行為)這兩個方面進(jìn)行表征。在案例信息中，船員在確定場景下，借助自己意識的支配，出現(xiàn)與法律法規(guī)、安全操作規(guī)程或規(guī)章制度博弈的狀態(tài)，使船舶陷入險情或者發(fā)生事故的行為，被視為船員的不安全行為。船員的不安全行為是導(dǎo)致船舶交通事故發(fā)生的最直接的因素。

1.2 船員不安全行為描述

船員不安全行為指船舶在拋起錨、航行、靠離碼頭過程中由于船員的疏忽、知識匱乏、技能不精、規(guī)則意識不強導(dǎo)致的錯誤行為。船舶在港口水域航行，引航員加入駕駛臺團(tuán)隊工作，此時局面最為復(fù)雜，不安全行為表現(xiàn)更為突出，故本文以引航場景為例，研究船員的不安全行為。根據(jù)船舶航行實際情況，共辨識出35種船員不安全行為，主要表現(xiàn)在信息交互(F)、情境感知(I)、行為決策(J)、處理輸出(K)和違章(L)等5個方面，具體見表1。

表1 船員不安全行為的基本組成

1.3 船員不安全行為關(guān)聯(lián)因素描述

通常情況下，外界環(huán)境會對人產(chǎn)生影響，人經(jīng)過感知、思維分析和判斷，作出決策，進(jìn)而產(chǎn)生行為，因此人的不安全行為的產(chǎn)生是由外界環(huán)境與人的內(nèi)在思維共同作用的結(jié)果，船舶交通事故中船員不安全行為的產(chǎn)生也是如此。船員不安全行為的關(guān)聯(lián)因素是導(dǎo)致船員做出不安全行為的原因或前提條件，如環(huán)境、設(shè)備和管理因素等。結(jié)合船舶交通事故案例，這里提出22個船員不安全行為的關(guān)聯(lián)因素，主要表現(xiàn)在環(huán)境(E)、設(shè)備(H)和管理(G)等3個方面，具體見表2。

表2 船員不安全行為的關(guān)聯(lián)因素

1.4 考慮不確定關(guān)聯(lián)因素的船員不安全行為特征

船員不安全行為的關(guān)聯(lián)因素之間存在著不確定性，由此形成以不確定為主要特征的關(guān)聯(lián)規(guī)則問題。例如：通航密度會對船員不安全行為中的情境感知產(chǎn)生影響，船舶設(shè)備的有效性決定船員行為輸出處理的效果，操作管理和程序會影響船員的安全行為決策，這些因素均可能導(dǎo)致船員的不安全行為。因此，要在對船員不安全行為的研究中，發(fā)現(xiàn)事故因素間的不確定關(guān)聯(lián)特征。

2 數(shù)據(jù)與方法

2.1 事故數(shù)據(jù)庫

樣本數(shù)據(jù)涵蓋了1995—2016年22年間港口水域(含航道、錨地、泊位等限制性通航水域)890起船舶交通事故，主要涉及碰撞、觸損、浪損、擱淺、失控等事故類型，包括不同后果等級事故，其中產(chǎn)生嚴(yán)重后果的占2.4%，產(chǎn)生較大后果的占8.9%，產(chǎn)生一般后果的占18.8%，產(chǎn)生較小后果的占63.3%，產(chǎn)生輕微后果的占6.6%。

事故數(shù)據(jù)的描述包括事故的物理特征描述和邏輯特征描述。物理特征主要包括時間、地點、事故種類和級別、涉事船舶、人員和環(huán)境等；邏輯特征主要表現(xiàn)在事故原因分析上。

一般地，事故原因涉及管理缺陷、環(huán)境的不安全條件、船舶的不安全狀態(tài)和船員的不安全行為等多個維度，要全面確定這些因素在事故演化中的影響。船員不安全行為不僅與船員不安全行為基本組成相關(guān)，也涉及航行會遇船舶、拖船、他船等各相關(guān)方人員，還涉及與不安全行為相關(guān)聯(lián)的環(huán)境、設(shè)備和管理因素，數(shù)據(jù)結(jié)構(gòu)見圖1。這個數(shù)據(jù)庫中的案例細(xì)節(jié)信息對分析船員的行為表現(xiàn)是非常必要的。在事故反演過程中需要對不安全行為的基本組成和關(guān)聯(lián)因素等信息有詳細(xì)的描述。

圖1 事故數(shù)據(jù)庫的構(gòu)成要素

2.2 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則常應(yīng)用于數(shù)據(jù)庫挖掘，核心是通過挖掘從龐大的數(shù)據(jù)中找到相關(guān)的因素，形成→的蘊涵式描述。支持度、置信度和提升度是關(guān)聯(lián)規(guī)則的3個重要參數(shù)。支持度是數(shù)據(jù)庫中同時出現(xiàn)項集和的次數(shù)與總項集數(shù)之比，確定其在總項集中出現(xiàn)的概率。置信度是表示項集同時出現(xiàn)的概率占某一項集出現(xiàn)概率的比值。頻繁項集是在數(shù)據(jù)集中經(jīng)常一起出現(xiàn)的變量，可以為可能的決策提供支持。提升度表示包含項集的事務(wù)中同時包含項集的比例與包含項集的事務(wù)的比例的比值。

2.3 關(guān)聯(lián)分析算法選擇

在數(shù)據(jù)挖掘中，可借助頻繁項集的計算，獲得關(guān)聯(lián)規(guī)則的支持度、置信度和提升度等定量結(jié)果，從而進(jìn)行關(guān)聯(lián)規(guī)則的識別。關(guān)聯(lián)分析算法很多，其中Apriori算法得到了普遍應(yīng)用。2000年由韓家煒等提出的FP-growth算法是最近在機器學(xué)習(xí)領(lǐng)域被廣泛接受的數(shù)據(jù)挖掘算法。該關(guān)聯(lián)分析算法將頻繁項的數(shù)據(jù)整理成頻繁樹(frequent pattern tree, FP-tree)模式，充分利用Apriori算法的優(yōu)點，保留數(shù)據(jù)相關(guān)項集的關(guān)聯(lián)信息，進(jìn)一步對數(shù)據(jù)頻繁項集進(jìn)行挖掘分析。在這一過程中，數(shù)據(jù)庫需要被掃描兩次，降低了運算效率；在挖掘FP-tree時，也需要反復(fù)遍歷FP-tree。為提升計算效率，本文引入哈希表記錄項頭表信息，根據(jù)項名進(jìn)行數(shù)據(jù)學(xué)習(xí)，得到支持度計數(shù)等信息。通過構(gòu)造FP-growth算法，將數(shù)據(jù)存儲于FP-tree中，后續(xù)數(shù)據(jù)分析在FP-tree中進(jìn)行，不再訪問數(shù)據(jù)庫，實現(xiàn)高效的頻繁項集挖掘。改進(jìn)的FP-growth算法流程見圖2，主要分為4個步驟：

圖2 改進(jìn)的FP-growth 算法流程

(1)設(shè)定約束條件。通過對數(shù)據(jù)庫中元素的頻數(shù)進(jìn)行統(tǒng)計，設(shè)置最小支持度，刪除不滿足最小支持度的元素，用篩選出的數(shù)據(jù)構(gòu)建項目結(jié)點鏈表。

(2)構(gòu)建多維表(NFP_tab)。掃描數(shù)據(jù)庫，得到所有的頻繁項(單項集)的集合和支持度計數(shù)，按照每個數(shù)據(jù)庫中項的出現(xiàn)順序建立哈希表(HasList)，獲取相互兩項的支持度計數(shù)的二維表后建立NFP_tab(保存相互多項的支持度計數(shù))；對建立的HasList按照支持度計數(shù)遞減的方法重新排序生成新的項頭表(HeadList)；根據(jù)HeadList構(gòu)建NFP_tab，通過HeadList和HasList更新NFP_tab。

(3)構(gòu)建FP-tree。生成的NFP_tab結(jié)合HeadList，生成相應(yīng)的頻繁項集和條件FP-tree。

(4)挖掘頻繁項集。掃描NFP_tab，將滿足最小支持度的頻繁項根據(jù)出現(xiàn)的次數(shù)，按照順序更新FP-tree，在完成FP-tree的基礎(chǔ)上挖掘頻繁項集并輸出。

3 算 例

3.1 數(shù)據(jù)預(yù)處理

通過對事故報告的分析，梳理船員不安全行為的基本組成和關(guān)聯(lián)因素，并進(jìn)行賦值。本文邀請來自引航機構(gòu)、航運企業(yè)和航海院校等從事安全管理的8名專家針對890起案例進(jìn)行討論和專業(yè)判斷。通過案例反演分析，確定事故情況，分析不安全行為及其關(guān)聯(lián)因素表現(xiàn)。若某事故發(fā)生與該因素有關(guān)，則將其賦值為1，否則將其賦值為0，最終得到事故案例數(shù)據(jù)庫。

結(jié)合船員不安全行為基本組成和關(guān)聯(lián)因素劃分模式，對人行為層面的界面因素進(jìn)一步拓展，獲取不同因素的結(jié)果表現(xiàn)，具體見圖3。

a)信息交互

3.2 基于FP-growth算法的不安全行為關(guān)聯(lián)分析

人的不安全行為是導(dǎo)致事故發(fā)生的最直接的因素，各因素影響都很大。根據(jù)計算所得的各個因素的支持度，選取不同的支持度進(jìn)行試錯，最終設(shè)置最小支持度為15%，輸出結(jié)果如圖4所示：在人的不安全行為中，識別到15個因素的支持度較高，這15個因素也是核心影響因素。

圖4 船員不安全行為及其關(guān)聯(lián)因素的支持度

由圖4可知：(1)船員在情境感知方面的不安全行為對船舶安全的影響顯著，其中I(瞭望疏忽)是對船舶安全影響較大的因素，需要重點關(guān)注。(2)船員在處理輸出方面的不安全行為K(應(yīng)急處理不當(dāng))和K(應(yīng)急處理不力)具有較高的支持度，說明船舶操作人員的應(yīng)急處理能力對船舶安全非常重要；K(船位控制不當(dāng))、K(船速控制失誤)和K(拖船控制失誤)也具有較高的支持度，說明船舶操作人員需認(rèn)真控制船位，處理好與拖船間的相互作用關(guān)系。(3)船員在行為決策方面的不安全行為J(安全航速過失)、J(危險判斷失誤)、J(避讓行動過失)的支持度較高。在航行過程中，若沒有保持正規(guī)的瞭望和安全航速，且危險判斷失誤，同時沒有采取正確的避讓措施，則最終會導(dǎo)致事故的發(fā)生。(4)E(風(fēng))、E(流)和E(通航密度)的影響也較為顯著，支持度均在15%以上，說明自然環(huán)境和通航環(huán)境在一定程度上明顯影響船舶操作人員的行為。

3.3 不安全行為關(guān)聯(lián)(誘發(fā))因素的關(guān)聯(lián)規(guī)則

根據(jù)數(shù)據(jù)分析，不安全行為關(guān)聯(lián)因素的影響比不安全行為本身的影響低。為獲取關(guān)聯(lián)規(guī)則，將最小支持度設(shè)置為15%，其計算結(jié)果見圖5。

由圖5可知：(1)支持度超過15%的關(guān)聯(lián)規(guī)則共10條，其中支持度超過20%的關(guān)聯(lián)規(guī)則為J→J。J(危險判斷失誤)與J(安全航速過失)相互影響明顯，支持度高達(dá)21.80%。(2)在多因素關(guān)聯(lián)規(guī)則中J→J→I比較顯著，支持度超過15%，再次證明大部分船舶碰撞事故的直接原因為船員的不安全行為，即危險判斷失誤、安全航速過失、瞭望疏忽，這與用傳統(tǒng)方法分析得到的碰撞事故原因相一致。

圖5 船舶不安全行為及其關(guān)聯(lián)因素的關(guān)聯(lián)規(guī)則

Apriori算法被用于從890起船舶交通事故數(shù)據(jù)中挖掘關(guān)聯(lián)規(guī)則，支持度和置信度閾值均被設(shè)置為15%。為獲得高質(zhì)量的關(guān)聯(lián)規(guī)則，提升支持度、置信度和提升度的閾值。針對大多數(shù)非嚴(yán)重事故，將提升度閾值由1.30提高到1.45，將置信度閾值設(shè)置在70%與85%之間，但得到的關(guān)聯(lián)規(guī)則總體變化不大，主要的影響因素會體現(xiàn)在這些關(guān)聯(lián)規(guī)則中。在船舶航行過程中，基于這些關(guān)聯(lián)規(guī)則，實時監(jiān)控來船的動態(tài)，及時保持通信和合作，及時采取正確的措施，并關(guān)注自然環(huán)境和交通環(huán)境的影響，將會減少船舶操作人員的不安全行為。

3.4 事故發(fā)展路徑分析

為加強對不確定關(guān)聯(lián)因素的研究，進(jìn)一步探究不安全行為及其關(guān)聯(lián)因素的相關(guān)性，構(gòu)建主要因素致因鏈。設(shè)置最小支持度為15%，將不安全行為及其關(guān)聯(lián)因素按照支持度大小進(jìn)行梳理分析，得出圖6。

由圖6可以發(fā)現(xiàn)：(1)關(guān)聯(lián)因素對船員不安全行為的影響存在結(jié)構(gòu)不確定性，目前數(shù)據(jù)顯示至少有3條路徑。船員不安全行為導(dǎo)致事故發(fā)生的路徑有多條，究其本質(zhì)，是由于因素間不確定的關(guān)聯(lián)結(jié)構(gòu)造成的。(2)有些因素之間有著很大的關(guān)聯(lián)度，這些因素包括環(huán)境、信息交互方面的不安全行為、瞭望失誤、避讓行動過失、船舶設(shè)備操作失誤以及違章等。船員不安全行為的作用路徑不同，在有些不安全行為的影響下事故必然會發(fā)生。(3)將支持度較高的影響因素進(jìn)行關(guān)聯(lián)發(fā)現(xiàn)，航行過程中事故發(fā)生的路徑模式為沒有保持正規(guī)的瞭望→沒有及時發(fā)現(xiàn)航行作業(yè)過程中的問題→沒有針對緊急情況采取正確的措施→沒有避免違規(guī)現(xiàn)象→事故發(fā)生。(4)基于15%以上支持度的所得到的事故路徑主要體現(xiàn)在船員不安全行為上，若將支持度調(diào)小，環(huán)境因素將被覆蓋，因此確立環(huán)境甚至管理因素能影響船員不安全行為。

圖6 事故影響因素間的致因結(jié)構(gòu)與路徑(線條上的數(shù)字表示關(guān)聯(lián)度)

3.5 關(guān)聯(lián)規(guī)則的不確定結(jié)構(gòu)

船舶交通事故的形成原因往往是非常復(fù)雜的，發(fā)生過程也充滿著不確定性，由此事故致因結(jié)構(gòu)也是不確定的。隨著事故樣本的增加，事故致因結(jié)構(gòu)會表現(xiàn)出一定的確定性。本文研究的890起事故中，事故類型主要為碰撞(占51.5%)和觸損(占34.1%)，事故發(fā)生與船舶位置控制有關(guān)的不安全行為強相關(guān)，在船員不安全行為的基本組成中存在相對穩(wěn)定的關(guān)聯(lián)規(guī)則，見圖7。

圖7 船員不安全行為的基本組成中的關(guān)聯(lián)規(guī)則(線條上的數(shù)字表示關(guān)聯(lián)度)

圖7展現(xiàn)了引航過程中碰撞風(fēng)險形成的主要表現(xiàn)形式。由圖7可知：J(安全航速過失)、J(危險判斷失誤)和F(與他船通信與合作過失)在所有不安全行為中支持度相對較高，處于網(wǎng)絡(luò)關(guān)鍵節(jié)點。當(dāng)然，圖4中還有別的因素的支持度也超過30%，也是事故發(fā)生的主要原因。雖然頻率高的因素不止這些，但通過關(guān)聯(lián)規(guī)則分析可以明確事故發(fā)生的主要原因。

4 結(jié) 論

本文描述了船員的不安全行為及其關(guān)聯(lián)因素，對船員不安全行為及其關(guān)聯(lián)因素進(jìn)行關(guān)聯(lián)規(guī)則分析，闡述船員的不安全行為及其關(guān)聯(lián)因素的置信度和關(guān)聯(lián)度，利用機器學(xué)習(xí)算法進(jìn)行事故路徑分析，確立事故發(fā)展路徑。由于FP-growth 算法使用項頭表記錄所有的頻繁項集，在挖掘FP-tree時需要反復(fù)遍歷FP-tree，導(dǎo)致算法效率低，故引入了二維表結(jié)合哈希表技術(shù)進(jìn)行了改進(jìn)；優(yōu)化后的算法具有較強的適用性，且獲得了效率提升。船員的不安全行為導(dǎo)致事故發(fā)生的路徑有多條，歸根結(jié)底是由因素間的不確定關(guān)聯(lián)結(jié)構(gòu)所導(dǎo)致的。下一步的研究方向是進(jìn)一步研究合理可信的船員不安全行為發(fā)展路徑，提升基于事故物理特征與邏輯特征的致因路徑耦合程度。