不同潮流時段船舶靠泊作業風險貝葉斯決策模型

李壯 胡甚平 高郭平 陶瀟穎 田力

摘要：為采取有效決策行為降低船舶靠泊作業風險，分析船舶靠泊作業流程，結合專家的知識對任務節點進行篩選，得到船舶靠泊作業過程圖。通過對因素間可靠度進行檢驗，構建貝葉斯網絡結構，建立船舶靠泊作業風險決策模型。結合油船靠泊作業相關數據，獲取各節點條件概率，將貝葉斯推理、決策等分析方法應用到模型中，得出一定風險狀態下的風險決策結論。將潮流分為6個時段，根據每個時段的證據推理結果，識別出各時段船舶靠泊作業中的關鍵環節，為相關部門提供參考。

關鍵詞： 貝葉斯網絡; 船舶靠泊作業風險; 決策模型

中圖分類號： U675.92 ? ?文獻標志碼： A

Abstract： To reduce the ship berthing operation risk by taking effective decision-making behaviors， the ship berthing operation process is obtained by analyzing the ship berthing operation flow and combining the knowledge of experts to screen the task nodes. By testing the reliability between factors， the Bayesian network structure is constructed， and the risk decision-making model of the ship berthing operation is established. Combined with the data related to the berthing operation of oil tankers， the conditional probability of each node is obtained， the Bayesian reasoning and decision-making analysis methods are applied to the model， and the risk decision-making conclusion under a certain risk state is obtained. The tide is divided into six periods. According to the evidence reasoning results of each tide period， the key tasks in the ship berthing operation of each tide period are identified， which provides reference for relevant departments.

Key words： Bayesian network; ship berthing operation risk; decision-making model

0 引 言

伴隨全球經濟的迅速發展，尤其是發展中國家工業化進程不斷加深，全球航運貿易依賴度持續提升，各港口國船舶靠港量持續增長[1]。航運業的繁榮導致越來越多的船舶投入生產使用，在促進經濟繁榮的同時，也帶來了嚴重的安全問題[2]。研究表明，在船舶安全事故中，有很大一部分是在港內發生的[3]。船舶安全事故具有發生概率較小，事故后果較為嚴重的特點，一旦發生事故，不僅會嚴重威脅生命財產安全，而且會帶來惡劣的社會影響。靠泊作業作為船舶港內作業的重要任務環節，應當對其風險進行評估，并及時采用相應的管理措施，以保證船舶靠泊作業的安全。

目前，對于港口船舶靠泊安全作業的研究多集中于風險的定性或定量評價方面：周端標[4]根據大型鉆井平臺靠離泊操作的具體工作，提出了其中可能存在的風險以及相關建議;劉軼華等[5]針對Q-Max型LNG船，配置各個參數，通過模擬找出其在上海洋山港碼頭靠離泊的主要限制條件，保證靠離泊作業安全;CUI等[6]基于模糊蝴蝶結模型對油船靠離泊作業發生溢油的風險進行了評估。

在船舶作業風險評價研究中也出現了基于綜合安全評估（formal safety assessment，FSA）[7]、熵權物元模型[8]、可拓學理論[9]、脆性聯系理論[10]、貝葉斯分析[11-15]等的風險評估方法。貝葉斯分析方法在推理、預測和決策方面有著較大的優勢，并在水上航行風險評估領域得到了一定的應用。TRUCCO等[11]通過事故樹分析法分析技術因素，并結合貝葉斯信念模型對公海船舶碰撞風險進行了評估;ZHANG等[12]結合FSA和貝葉斯網絡，對我國長江航道的船舶航行安全進行了評估;郭云龍等[13]利用貝葉斯網絡建立了引航風險的動態預測模型，對引航任務進行分級;葉躍祥等[14]對不確定多屬性的決策問題，使用貝葉斯網絡推理技術進行了研究;陳朝等[15]構建了貝葉斯網絡拓撲結構實現對長江航運安全狀態的監測。以上這些研究大多是基于因素識別的船舶航行風險評估，但對于船舶作業可以看作時間順序下不同作業任務的銜接過程這一特點考慮較少。此外，如何根據船舶風險狀態采取有效的決策行為也是一個值得研究的問題。

本文通過對船舶靠泊作業過程進行分析，利用貝葉斯網絡建立基于作業過程的船舶靠泊作業風險決策模型，分析在一定風險狀態下各任務環節的決策行為，并利用貝葉斯網絡推理技術對靠泊作業過程中的主要風險環節進行分析。

1 相關問題的描述

1.1 船舶靠泊作業過程分析

影響船舶靠泊作業安全的因素眾多，以往的研究多集中于風險因素的研究，但是結合大量事故樣本的分析發現，船舶靠泊作業事故主要是由作業任務環節失敗造成的。基于船舶靠泊作業歷史數據分析，以及對相關專業人員進行訪談，對船舶靠泊作業過程進行梳理分析，得出主要任務環節。船舶靠泊作業過程見圖1。在船舶靠泊作業準備階段，主要有輔助作業、船舶位置控制、作業區清爽3個任務環節。

（1）輔助作業是船舶在靠泊作業時同步進行的作業任務，包括纜繩和拖船的準備，其所提供的輔助作業服務可大大提高靠泊作業的安全性。拖船在作業前需依照相關管理部門規定依計劃使用，同時需要根據氣象、潮流等環境條件的變化及時對拖船作業任務進行調整。

（2）船舶位置控制指在機艙內工作人員和出艙人員的配合下，通過不斷調整船舶角度，保證船舶處于安全位置。船舶位置控制與泊位前后是否有系泊船舶有關：一般分為前后已有船停泊、前或后有1艘船停泊、前后無他船停泊3種情況。不同情況下準備靠泊的操作方案有較大的差異，本文以前后已有船停泊的靠泊作業為研究對象。

（3）作業區清爽的目的是保障船舶安全航行。安全航行主要依靠船舶狀況和速度控制，同時依賴方案準備和信息系統。船舶狀況主要體現在船舶的抗風險能力上，不良的船舶狀況在靠泊作業時會大大降低船舶抗風險能力，使事故更易發生，良好的船舶狀況以及合適的行駛速度，不僅能夠提升靠泊作業效率，還可以很大程度上保證船舶靠泊作業安全;方案準備指利用信息、潮流等通過合理有效的方法制訂靠泊作業方案，以保證船舶靠泊作業的安全性;信息系統包含人員信息、他船信息和VTS信息，實時動態掌握、利用這些信息，可以有效避開不安全行為，提升船舶靠泊作業安全度。

船舶靠泊作業任務包括纜繩作業和系泊控制：纜繩作業指船舶在進行靠泊作業時的系、解纜作業，用于輔助調整船舶位置，直至完成靠泊作業;系泊控制的目的是將船舶固定在規定的位置上，可靠的系泊控制是保證船舶安全進行裝卸等作業任務的關鍵。根據對船舶靠泊作業過程中各作業任務的分析，綜合數據樣本所反映的主要作業環節，按照實際操作流程解析船舶靠泊作業路徑，初步得到船舶靠泊作業任務圖;進一步結合相關作業人員經驗及專家知識，對圖中不合理的節點、網絡結構進行調整，在真實反映船舶靠泊作業任務的基礎上，方便對船舶靠泊作業風險進行科學研究。

1.2 不同作業條件下船舶靠泊作業風險貝葉斯決策 ?船舶靠泊作業可以看作時間順序下不同操作任務的銜接過程，通過對船舶靠泊作業任務的分析，將船舶靠泊作業過程分為靠泊作業前的準備階段和靠泊作業階段，在每一階段都有基于操作順序的一系列任務，且兩個任務階段也是具有前后關系的。

2.3 船舶靠泊作業決策模型

為在貝葉斯網絡中實現船舶靠泊作業風險決策，增加決策節點F和效用節點D[14]。決策節點F表示在經過模型評估得到船舶靠泊作業風險值后所采取的各種措施，包括繼續作業（F1）、暫緩整治后作業（F2）和停止作業（F3）3種。效用節點D表示在一定的靠泊作業風險值下采取各決策行為所得到的期望值。在本文模型中，經過貝葉斯網絡推理后得到該節點的值（即效用值），然后根據該值進行決策，選取最合適的措施。以靠泊作業準備工作Z1為例，根據其風險狀態進行相應的決策，對應的船舶靠泊作業決策模型見圖3。

3 案例分析

3.1 情景描述

以油船在港口的靠泊作業為例，搜集油船多次靠泊作業數據，獲取節點的條件概率。在某次油船靠泊時，人員失誤造成船舶位置控制失誤，同時造成纜繩作業失效，管理部門叫停了作業任務，經過6 h的排查整治后作業繼續進行。

3.2 數據獲取與網絡結構

在船舶靠泊作業風險貝葉斯網絡中，對于與父節點存在邏輯關系的節點，可以通過邏輯分析得到其條件概率，對于在父節點共同作用下的節點，結合該港口相關歷史數據和專家經驗獲得其條件概率。為此，對某港船舶靠泊作業現場進行調研：選取2012—2017年該港油船靠泊作業數據和253起歷史事故數據作為樣本;對該港口引航員、船員、港口管理人員以調查問卷的方式進行訪談，共發放問卷120份，收回問卷114份，剔除其中的無效問卷2份，最終得到有效問卷112份;把處理后的數據代入式（1）和（2），對因素之間的相關性進行檢驗，結果見表1。

由表1可以看出，因素相關性檢驗結果與建立的貝葉斯網絡具有一致性。然而，也有個別例外，如節點L6與R1、節點L10與Z1之間的相關系數均大于0.3，但是在網絡結構中，兩兩節點間并無直接的連線。這是因為節點L6可以通過L6-N2-R1與節點R1建立聯系，節點L10可以通過L10-Y1-Z1與節點Z1建立聯系，雖然兩者之間有相關性，但是可以省略掉兩者之間的連線。至此，完成對圖2所示的船舶靠泊作業風險貝葉斯網絡的驗證，表明網絡結構是可靠的。

3.3 節點條件概率獲取

在搜集到的油船靠泊作業相關數據中，隨機選取125起事故數據和56份有效問卷構建訓練集對模型進行訓練。通過在各節點連續設置證據信息（即單因素和多因素失效信息）對模型進行訓練，通過預測推理，得到相應條件下的不同風險值和決策效用值，通過對風險值和決策效用值的分析，獲得最佳效用系數和效用值區間。訓練結果顯示，決策效用值的范圍為[-100，100]，且決策效用值越大表明決策效果越好。對于網絡中的根節點（即沒有父節點的節點），其條件概率主要通過歷史數據獲取，見表2。

對于有父節點的節點，其條件概率主要結合實際作業狀況及專家經驗獲取，如節點Y2、R1等節點。對于需要根據專家打分來獲取先驗概率的節點，聘請來自海事領域的教授1名、引航員2名和船長1名對其風險概率進行打分，并進行加權平均計算，得到這些節點的條件概率表。限于文章篇幅，以節點Y2為例，Y2的條件概率見表3。

3.4 模型仿真

在進行船舶靠泊作業風險決策時，增加效用節點，根據其效用值來選擇決策行為。為保證決策結果的有效性，需要對模型進行訓練，即對模型進行多次輸入輸出，得到效用節點中最佳的決策效用系數。獲取油船靠泊作業風險決策模型各節點條件概率后，將各節點條件概率輸入到模型中，進行模型的決策演練。以圖3所示的決策行為為例，為“靠泊作業準備工作”節點添加父節點“決策”，為“靠泊作業”節點添加子節點“效用”，同時連接由“決策”指向“效用”的連線。該決策以“靠泊作業準備工作”的風險狀態為依據，根據不同的決策行為所產生的效用值，確定是否進行靠泊作業。

在更新節點數據和狀態后，得到該任務環節的風險決策結果，如圖4所示。從模型決策結果看，采取暫緩整治后作業（F2）的效果最佳，采取停止作業（F3）的效果次之，而不推薦采取繼續作業（F1）措施，這與實際作業中所采取的決策行為是一致的，同時也驗證了模型的可靠性。

3.5 結果分析

靠泊作業管理是一項復雜的工作，涉及到眾多的不確定性因素。潮流對船舶靠泊作業有較大的影響，為更好地保障該港口船舶靠泊作業安全，將潮流分為初漲、急漲、高平潮、初落、急落和落末6個時段。對節點L3進行初始條件設定，見表4。設置靠泊作業風險值為100%，進行診斷推理，得出不同潮流作用下的決策行為，找出影響船舶靠泊作業的主要風險任務節點（本文取風險值最高的4個節點），見表5。

根據診斷推理的結果，在不同潮流時段船舶靠泊作業應各有側重，保證作業安全：

（1）在初漲潮時段，應做好靠泊的方案準備，密切關注吃水，提早控制船速，及時加強纜繩作業。如果選擇順流靠泊作業方式，應避免側推作業，必要時增加拖船協助作業。

（2）在急漲潮時段，根據模型推理結果顯示，各任務環節均處于高風險狀態，不適合進行靠泊作業。

（3）在高平潮時段，應派遣有經驗的引航員，按要求在指定地點帶纜、送纜，提前做好應急預案。在該時段應注意避免掉頭靠泊作業，如采取掉頭靠泊的作業方式，應增加拖船作業，以保障作業安全。

（4）在初落潮時段，要高標準進行靠泊方案準備工作，提前控制好船舶速度和靠泊姿態，規范操作，必要時增加輔助作業，如拖船協助。

（5）在急落潮時段，船方應密切配合，注意提前控制余速，掌握船舶角度，關注小船動態，保證船舶間的有效安全距離，提前避讓。

（6）在落潮末時段，要做好順流靠泊的方案準備，盡量增加拖船來協助靠泊作業，提前控制余速，及時關注船舶姿態，遠距離候泊，同時注意提前避讓其他船舶。

3.6 網絡靈敏度分析

為驗證模型的可靠性，需要對模型進行靈敏度分析。在油船靠泊作業風險評估和決策模型中，可通過創建一個新的決策節點（靈敏度檢測）驗證模型的靈敏度，靈敏度檢測節點的狀態集合為{low，normal，high}，表示網絡靈敏度的高低。將新創建的靈敏度檢測節點分別與決策節點F和一個根節點用弧線連接，以便在兩個決策節點之間引入一個明確的時間順序，通過效用值的差異判別網絡的靈敏性。為增強驗證的可靠性，從不同作業任務環節中選取船舶狀況（L7）、纜繩（L10）和機艙配合（L12）3個根節點分別作為連接節點依次進行驗證。

以節點L7進行靈敏度檢測為例。在圖4所建模型的基礎上，新建靈敏度檢測節點，分別連向節點L7和決策節點F;通過第3.1節對各因素的條件概率分析可以知道，節點L7在正常狀態下的low risk為0.62;基于此，假設靈敏度檢測節點分別處于low、normal、high靈敏度狀態，節點L7的low risk分別為0.52、0.62、0.72，進而獲得節點L7的條件概率表;對靈敏度檢測節點設置證據信息后運行模型進行邏輯推理，分別獲得其在low、normal、high靈敏度狀態下的效用值，完成靈敏度檢測。節點L10和節點L12的靈敏度檢測同理進行。得到的靈敏度檢測結果見圖5。

從圖5可以看出：（1）在相同決策行為下，選擇不同任務環節作為檢測節點，同一靈敏度狀態下效用值具有一致性，表明模型具有良好的穩定性;（2）當選擇某一任務環節，如船舶狀況（L7）為不變量時，效用值在不同靈敏度狀態、不同決策行為下表現出明顯的差異性，表明網絡有較高的靈敏性;（3）模型是可靠的，具有普遍的適用性。

4 結 論

結合船舶靠泊作業流程和貝葉斯決策分析方法，針對船舶靠泊作業的特點，基于船舶靠泊實際操作過程，得到船舶靠泊作業過程圖。利用貝葉斯推理、決策等分析方法，構建船舶靠泊作業風險貝葉斯網絡，通過節點間的置信度檢驗對模型可靠性進行驗證。添加決策變量和效用變量，以“靠泊作業準備工作”任務環節為例，構建船舶靠泊作業風險決策模型，通過大量樣本信息，進行網絡訓練，獲取效用值區間范圍。以某港油船靠泊作業為研究對象，針對“靠泊作業準備工作”的決策行為進行建模分析，通過設置證據信息，得到不同潮流條件下采取“繼續作業”決策行為的船舶靠泊作業主要風險任務。

結果表明，模型決策結果與作業實際情況具有良好的一致性，且在不同潮流作用下，模型表現出很強的靈敏性，表明在不同潮流作用下船舶靠泊作業的主要風險環節有明顯的差異性。本模型可為港口相關管理人員進行靠泊作業決策提供參考。本文研究背景為前后有他船停靠情況下的船舶靠泊作業風險決策，對于其他停靠情況未做研究;所建的風險決策模型屬于靜態模型，對動態預警功能的研究存在不足：下一步的研究可以從這兩點進行拓展。

參考文獻：

[1] TSAINI P. International shipping and world trade[R]. Greece： University of Piraeus， 2012.

[2] VIDMAR P， PERKOVI M. Safety assessment of crude oil tankers[J]. Safety Science， 2018， 105：178-191. DOI： 10.1016/j.ssci.2018.02.009.

[3] PIKE K， BUTT N， JOHNSON D， et al. 15 years of shipping accidents： a review for WWF[R]. Southampton： Southampton Solent University， 2013.

[4] 周端標. 海上大型鉆井平臺拖帶航行與靠離泊方法[J]. 中國航海， 2013， 36（3）： 147-150.

[5] 劉軼華， 楊小軍， 肖英杰. Q-Max型LNG船舶靠離江蘇洋口港模擬[J]. 上海海事大學學報， 2014， 35（3）： 1-6. DOI： 10.13340/j.jsmu.2014.03.001.

[6] CUI Wengang， FAN Houming， YAO Xi， et al. Oil spill risk analysis of tanker berthing and handling operation based on fuzzy bow-tie model[C]//International Conference on System Reliability and Science. IEEE， 2017： 72-77.DOI： 10.1109/ICSRS.2016.7815841.

[7] 羅福才， 林焰， 王運龍. 基于綜合安全評估的漁船安全風險分析[J]. 大連海事大學學報， 2011， 37（2）： 51-53. DOI： 10.16411/j.cnki.issn1006-7736.2011.02.029.

[8] 胡甚平， 方泉根， 夏海波. 船舶航行規范化安全評估技術與相對風險評估模型[J]. 大連海事大學學報， 2005， 31（2）： 18-22.DOI： 10.16411/j.cnki.issn1006-7736.2005.02.006.

[9] 鄭世民， 翁大濤， 劉廣強. 跨海客滾運輸船舶航行風險評估[J]. 交通運輸研究， 2015（4）： 75-80. DOI： 10.16503/j.cnki.2095-9931.2015.04.011.

[10] 陳厚忠， 趙尊榮， 郭國平， 等. 基于脆性聯系理論的客滾船航行風險辨識研究[J]. 武漢理工大學學報（交通科學與工程版）， 2016， 40（3）： 490-494.DOI： 10.3963/j.issn.2095-3844.2016.03.020.

[11] TRUCCO P， CAGNO E， RUGGERI F， et al. A Bayesian belief network modelling of organisational factors in risk analysis： a case study in maritime transportation[J]. Reliability Engineering & System Safety， 2008， 93（6）： 845-856. DOI： 10.1016/j.ress.2007.03.035.

[12] ZHANG D， YAN X P， YANG Z L， et al. Incorporation of formal safety assessment and Bayesian network in navigational risk estimation of the Yangtze River[J]. Reliability Engineering & System Safety， 2013， 118（10）： 93-105.DOI： 10.1016/j.ress.2013.04.006.

[13] 郭云龍， 胡甚平， 軒少永， 等. 基于動態風險預測的船舶引航任務分級管理[J]. 中國安全科學學報， 2014， 24（12）： 63-69.DOI： 10.16265/j.cnki.issn1003-3033.2014.12.019.

[14] 葉躍祥， 糜仲春， 王宏宇， 等. 基于貝葉斯網絡的不確定環境下多屬性決策方法[J]. 系統工程理論與實踐， 2007， 27（4）： 107-113.

[15] 陳朝， 張慶年， 殷月， 等. 基于貝葉斯網絡的長江航運安全狀況監測模型研究[J]. 交通運輸研究， 2017， 3（6）： 32-39. DOI： 10.16503/j.cnki.2095-9931.2017.06.005.

[16] FU Shanshan， ZHANG Di， MONTEWKA J， et al. Towards a probabilistic model for predicting ship besetting in ice in Arctic waters[J]. Reliability Engineering & System Safety， 2016， 155： 124-136.DOI： 10.1016/j.ress.2016.06.010.

（編輯 趙勉）