随着中国国际贸易和航运业的蓬勃发展，商船航行日趋频繁，大量商渔船长期在同一片水域航行、作业，存在的商渔矛盾更加突出明显。鉴于水上交通的特性，一旦发生水上交通事故，其造成的经济损失和人员伤亡往往难以估量。而船舶碰撞则是危害最大的几类水上交通事故之一，常常会导致重大的人员伤亡，以及船舶和货物损失，甚至还会伴随着环境污染等危害。尤其在狭窄水道发生碰撞沉船事故时，还可能引起通航受阻或停止等次生灾害[1]。
作为全球最大的渔业生产国，渔业经济在中国占据举足轻重的地位，但其面临的安全挑战也日益严峻。特别是在东海和南海等主要渔业生产区域，商渔船碰撞事故屡见不鲜，给渔民生命和财产安全带来了巨大威胁[2]。为了应对这一严峻形势，中国已经实施了多项海上安全管理措施[3-4]，并有许多学者从不同角度对商渔船碰撞事故的原因和预防策略进行了深入研究[5-11]。然而，针对中国沿海商渔船碰撞事故的致因分析尚显不足，现有研究多局限于特定区域，且方法单一，难以全面揭示碰撞事故的复杂致因。本研究结合帕累托图法(Pareto chart method)、事故树分析法(fault tree analysis，FTA)与贝叶斯网络(Bayesian network，BN)，通过跨区域、多维度的数据收集与分析，构建了商渔船碰撞事故综合致因分析模型，旨在深入剖析事故的根源和内在机制，以便为制定更加科学、有效的预防措施提供理论依据，从而推动中国海洋经济的安全与可持续发展。
1 数据收集与分析
1.1 事故风险因素确立
本研究系统地整理了中国海事局官网公开发布的2012年5月—2022年10月期间的商渔船碰撞事故调查报告，共获取189份典型事故报告。在进一步分析之前，对收集到的事故报告进行了严格的质量筛查，确保数据内容完整、事故描述清晰且原因分析充分[12-13]。
随后，本研究对这些事故报告开展了初步细致的统计分析和梳理，旨在提取出关键的事故风险因素，这些因素将作为后续深入分析和数学模型构建的重要基础。为了更精确地识别风险，采用了事故致因链富集统计方法，详细记录每起事故的成因，并通过对比分析找出这些事故的共性，从而提炼出关键的事故风险因素。由于每份事故报告都详细叙述了事故的发生、经过和深层次原因，因此能够清晰地构建出每起事故风险因素所关联的致因链。通过对189起典型事故致因链的深入分析，按照环境因素、船舶因素、人为因素和管理因素这4个类别[14]，详细记录、筛选并统计提取出了25个事故风险因素(表1)。这些风险因素不仅为后续研究提供了宝贵参考，还能帮助相关人员更准确地评估商渔船碰撞事故的风险，并制定更为有效的预防措施。此外，这些风险因素还将被应用于模型的构建和验证，以确保模型在评估事故风险方面的准确性和实用性。
表1 商渔船碰撞事故风险因素表
Tab.1 Risk factors for collision accidents between commercial vessels and fishing vessels
事故风险因素accident risk factor因素类别factor category事故风险因素accident risk factor因素类别factor category事故风险因素accident risk factor因素类别factor categoryX1瞭望不当人为因素X10 VHF未畅通船舶因素X19横越航道人为因素X2危险局面判断失误人为因素X11未使用声光提醒人为因素X20狭水道航行不当人为因素X3安全意识缺乏人为因素X12航海仪器缺失船舶因素X21未协助避碰人为因素X4未采取安全航速船舶因素X13驾驶台人员不足管理因素X22避碰不当人为因素X5冒险夜航人为因素X14疲劳驾驶人为因素X23船员配合失误管理因素X6能见度不良环境因素X15人员不适任管理因素X24会让意图不统一人为因素X7复杂水域环境因素X16超限航行人为因素X25未检验行动有效性人为因素X8导航仪器使用不当人为因素X17休渔出海人为因素X9号灯号型显示不当人为因素X18冒险追越人为因素
1.2 商渔船主要过失分析
帕累托图法，又称排列图法，是基于数据分析和图形展示的一种统计工具，它的核心理念源于“关键的少数和次要的多数”的原则。这一原则深刻反映出在许多复杂系统中，通常是由少数几个关键因素导致了大部分问题或结果。该方法通过数据的分类、排序及图形化展示，深入剖析并识别了对系统性能或特定问题产生重大影响的主要因素[15]。
帕累托图，即排列图的构建，主要是基于对数据的分类、统计与图形化展示。首先，收集并整理相关数据，将数据按照影响程度或频次进行分类排列。然后利用直方图高度反映各类因素对事件的影响程度。帕累托曲线的应用，可进一步帮助确定因素的主次关系。通过计算累计频率，影响因素可被划分为A、B、C 3类，分别代表主要、次要和一般因素。在排列图中，以累计频率80%为界作线，线左侧及线上的矩形代表影响事件的主要项目或因素。这样的图形化展示可以直观地呈现问题的主次关系，便于分析并制定相应的预防措施。
通过对商渔船碰撞事故的调查报告进行详细整理和分析，本研究成功地识别出导致碰撞事故的主要因素、次要因素和一般因素。商渔船双方的主要过失主次图如图1和图2所示。
图1 商船主要过失主次图
Fig.1 Main faults of commercial vessels in order of importance
图2 渔船主要过失主次图
Fig.2 Main faults of fishing vessels in order of importance
分析得出，商船的主要过失包括疏忽瞭望、违章航行和操作不当，而渔船的主要过失也同样涉及疏忽瞭望、操作不当和违规航行。这些关键过失在帕累托图中占据显著位置，凸显了其在事故中的核心作用。同时还存在一些次要因素和一般因素，如人员不适任和判断失误等，这些因素虽然影响较小，但同样不容忽视。它们的存在为研究者提供了全面的安全管理视角，有助于更全面地预防和应对潜在的风险。
虽然帕累托图法在数据分析和问题识别方面具有直观性和可视化效果好等优势，且应用广泛，易于操作，但也存在着数据处理简单，项目分类粗糙等局限性，不能充分反映子项目对项目的重要性[16]。为进一步深入剖析商渔船碰撞的事故原因，本研究在帕累托图法的基础上，结合事故树和贝叶斯网络模型进行分析，旨在为预防措施的制定提供更为精确的依据。
2 商渔船碰撞事故贝叶斯网络模型构建
2.1 事故树模型建立
事故树分析法是系统安全工程的一种重要分析方法，其主要目的是辨识和评价系统的危险性[17]。该方法通过树形图清晰地展示了系统可能发生的事故与导致事故发生的各种原因间的逻辑关系，从而能够精确地找出事故发生的主要原因，并为制定有效的安全对策提供可靠的数据支持，以达到预测与预防事故发生的目的[18]。
为了构建事故树模型，首先确定了25种关键的事故风险因素作为基本事件。借助AutoFTA 3.2软件，并结合深入的事故致因链分析，对事故发生前后的各个环节进行了详细剖析，全面揭示了事故发生和发展的过程和原因，深化了对商渔船碰撞事故成因的理解。此外，研究中还特别咨询了海事安全领域的专家，并认真参考了专家的宝贵意见和建议，以确保所构建事故树模型的科学性和精确性。最终，成功地构建了商渔船碰撞的事故树模型(图3)。中间事件和顶事件名称见表2。此模型清晰地揭示了导致商渔船碰撞的各种潜在原因及其相互间的逻辑联系，为深入研究和有效预防此类事故提供了有力的分析工具。
图3 商渔船碰撞事故树模型
Fig.3 Fault tree model for collisions between commercial vessels and fishing vessels
表2 顶事件和中间事件名称
Tab.2 Names of top events and intermediate events
符号 symbol名称 name符号 symbol名称 name符号 symbol名称 name符号 symbol名称 nameT商渔船碰撞M5行动过迟M10沟通缺失M15航道违规M1避碰不及时M6发现过迟M11人为疏忽M16航行失误M2未发现来船M7局面判断不当M12提醒缺失M17避碰失误M3未遵守法规M8环境不良M13违法行为M18操作失误M4船舶操纵失误M9仪器使用不当M14违规行为
构建事故树模型后，首先需要判断事故树是否为独立树或包含独立子树。如果事故树或其子树中的基本事件是相互独立的，则可以直接利用事故树结构中的与门/或门的逻辑关系进行概率计算，即可精确计算顶事件和中间事件的概率。如果事故树中不包含重复事件，则称其为独立树或独立子树，这时可使用与/或门的概率计算公式来求解。如果事故树中包含重复事件，则需要使用事故树不交化算法来进行计算，即通过逻辑运算将事故树转化为由不交事件组成的形式，并求解这些不交事件的概率之和，从而得到最终的事故发生概率[19]。
在构建的事故树模型中，各基本事件之间现实中可能存在复杂的微妙关联。为了更有效地进行事故分析和风险评估，本研究中假设25个基本事件之间在理论上相互独立且无关联，即满足独立分布的条件，这样能够更有效地进行事故分析和风险评估。基于该假设，采用极大似然估计法来推算事件的概率，即以事件的实际发生频率作为其概率的估算值，作为各个基本事件的概率。
事故树分析在进行事故风险因素的重要性评估时，主要参考4个关键指标：结构重要度(IΦ)、概率重要度(Iq)、临界重要度(IC)和RAW(risk achievement worth)重要度(IRAW)[20]。结构重要度关注基本事件在事故树结构中的位置与影响，概率重要度考虑事件概率变化对顶事件发生概率的直接作用，临界重要度则结合这两方面因素综合评估，而RAW重要度则衡量了当基本事件发生时顶事件风险的增加程度。这4个重要度为事故树分析提供了定性和定量的评估基础，从而使得分析结果更加科学、合理。设基本事件i(i=1,2,3,…,n)，4种重要度的计算公式为
(1)
Iqi=∂Q/∂qi,
(2)
ICi=(qi/Q)Iqi,
(3)
(4)
式中：Q为顶事件发生的概率；qi为表示基本事件i发生的概率；Φ(1i，X)和Φ(0i，X)分别表示在基本事件i发生和不发生时，顶事件的布尔函数；Q(q1，q2，q3，…，qn|qi=1)表示在基本事件i必然发生(即qi=1)的条件下，顶事件发生的概率；Q(q1，q2，q3，…，qn)表示在所有基本事件按各自概率发生时，顶事件发生的概率。
运用AutoFTA 3.2软件进行定量分析，能够精确地计算出事故树模型中各中间事件、顶事件的概率及相关的重要度指标。这些数据不仅为风险评估提供了有力的数据支持，还将在后续建立的贝叶斯网络模型中进行对比验证。通过这种对比验证，可以进一步确认事故树模型与贝叶斯网络模型之间的一致性，并检验模型转化过程的准确性。
2.2 贝叶斯网络模型构建
贝叶斯网络是一种用于处理不确定性的图模型工具，它是由节点、节点条件概率表及有向边三大核心要素构成，结合了概率统计和图论的方法。通过构建直观的图模型，贝叶斯网络能够清晰地揭示出问题的内在结构，并降低问题推理的难度和复杂度[21]。贝叶斯网络利用先验知识和数据信息进行推理分析，将原本复杂的联合概率分布分解为相对简单的条件概率分布，从而有效地处理复杂系统的推理问题[22]。
贝叶斯网络的核心在于概率推理，其构建和推理依赖于一系列关键的概率公式[23]。
1)联合概率。联合概率P(AB)指A、B事件同时发生的概率，计算公式为
P(AB)=P(B|A)P(A)。
(5)
式中：P(B|A)表示在事件A发生的条件下事件B发生的概率。
若A、B为独立事件，则计算公式为
P(AB)=P(B)P(A)。
(6)
2)全概率公式。该公式用于计算在给定一组完备事件组情况下，某一事件发生的概率。在贝叶斯网络中，全概率公式可将一个复杂事件的概率分解为简单事件的概率之和，极大地简化了计算过程。设完备事件组E={A1,A2,A3,…,An}构成，且事件间相互独立互不相容，B为E的任意事件，且P(Ai)>0(i=1,2,3,…,n),P(B)>0,计算公式为
(7)
3)贝叶斯公式。贝叶斯公式用于根据条件概率和先验概率来计算后验概率，即更新某一事件在给定新信息下的发生概率，计算公式为
(8)
式中：P(Ai)称为先验概率；P(Ai|B)称为后验概率；P(B|Ai)称为似乎度，也记作L(Ai|B)。
4)链式法则。链式法则是一种计算复杂联合概率分布的有效方法。通过将联合概率分布分解为一系列条件概率分布的乘积，可利用已知条件概率表计算整个网络的联合概率。对于随机变量集合A={A1，A2，A3，…，An}构成的联合概率分布，其联合概率可通过链式法则来表示，计算公式为
(9)
式中：P(Ai|Ai-1,…,A1)表示在给定前面所有变量Ai-1,…,A1的状态下，变量Ai发生的概率。
贝叶斯公式(8)与链式规则(9)共同构成了贝叶斯网络推理的核心，使得在复杂的不确定性环境中进行精确的概率推理成为可能。
贝叶斯网络包括基于专家经验的专家构造法、依赖客观数据的数据构造法，以及融合上述两种或更多方法的混合构造法[24]。本研究中通过将事故树结构转化为贝叶斯网络结构，实现了对贝叶斯网络混合构造法的深化与拓展。事故树与贝叶斯网络均属于有向无环图，在保持节点间因果逻辑关系的单向性同时，避免了原因与结果的双向干扰。事故树模型通过梳理事故过程中各种风险的递进因果关系而建立，其构建逻辑更符合人类的思维习惯，而贝叶斯网络优秀的节点间推理能力，增强了事故树多因素分析功能，进一步强化了事故树对于多因素的分析能力，二者相结合使得对商渔船碰撞事故的因素分析更加科学合理[25]。运用GeNie 2.0软件，将事故树的基本事件概率数据作为先验概率，导入到贝叶斯网络的对应根节点中，从而成功构建了商渔船碰撞的贝叶斯网络模型(图4)。
图4 商渔船碰撞贝叶斯网络模型
Fig.4 Bayesian network model for collisions between commercial vessels and fishing vessels
3 模型验证与应用
3.1 模型验证
贝叶斯网络模型的可靠性验证是通过对已构建的模型进行测试来完成的。由于此模型由事故树模型转化而来，因此在验证贝叶斯网络的有效性时，也相当于同时验证了事故树模型的有效性。这需要对每个事故报告进行详细分析，梳理出每起事故的具体原因及风险因素。通过原因推断结果的预测推理，可以计算出商渔船碰撞的后验概率，以此来验证模型的准确度和有效性。
根据从事故报告中梳理出的事故风险因素，在GeNie 2.0软件中设置对应基础节点的概率为100%，进而可以推导出顶节点，即商渔船碰撞的概率。如随机选取1起事故调查报告进行计算(图5)，可得碰撞概率为86.45%。同样，对所有事故报告的顶节点碰撞概率进行了统计分析，并据此绘制了平均概率散点图(图6)。
图5 事故碰撞概率图
Fig.5 Accident collision probability chart
图6 商渔船碰撞事故平均概率散点图
Fig.6 Scatter plot of average probability of collisions between commercial vessels and fishing vessels
计算结果显示，平均碰撞概率约为90.06%，这一数据与实际碰撞情况基本一致。这种一致性不仅证明了贝叶斯网络模型及事故树模型在预测和分析商渔船碰撞事故中的有效性，更凸显了这些模型的可靠性、准确性和实用性，可用于深入推理分析商渔船碰撞事故。
3.2 模型应用
在验证模型的合理性之后，本研究中进一步利用该模型对事故发生因素进行了深入分析。通过详细剖析模型中的各个节点，可以识别出对碰撞事故有显著影响的关键因素。基于贝叶斯公式，在设定顶节点商渔船碰撞概率为100%的条件下(图7)，模型各基本节点的概率即为对应事故风险因素的后验概率[26]。从表3可见，通过比较先验概率与后验概率的差值，即可选取出差值较大的事件作为导致事故发生的重要影响因素。
图7 贝叶斯网络推理图
Fig.7 Bayesian network inference diagram
表3 事件先后验概率和差值表
Tab.3 Table of prior and posterior probabilities and differences for events %
事件event先验概率prior probability后验概率posterior probability差值difference事件event先验概率prior probability后验概率posterior probability差值differenceX194.1899.425.24X143.173.580.41X242.8648.906.04X1583.6083.710.11X353.9776.0122.04X168.999.000.01X444.4461.3316.88X173.173.170.00X568.2568.610.35X185.295.520.23X619.0519.960.91X195.295.510.21X765.0865.470.39X206.356.620.27X847.0947.370.28X2133.3333.870.54X934.3934.630.24X2257.6765.808.12X1021.1621.210.04X2313.2313.320.09X1129.1029.140.04X248.478.560.10X1238.1043.014.92X2511.6411.730.09X1347.6253.776.15
经过分析，选取差值较大的前7条事故风险因素，从大到小依次为X3安全意识缺失、X4未采取安全航速、X22避碰不当、X13驾驶台人员不足、X2危险局面判断失误、X1瞭望不当和X12航海仪器缺失。这些重要风险因素对顶事件发生的影响较大，是事故防范的重要环节。
此外，根据图7所示的贝叶斯网络推理图，从顶节点T商渔船碰撞出发，选择后验概率最大的节点M4船舶操纵失误作为新的起点，并逐级向外进行反向推理，直至追溯至根节点为止，通过这种方式，推导出了导致事故发生的主要致因链：瞭望不当→航行失误→船舶操纵失误→商渔船碰撞。在此基础上，还可找出其他的一些次要致因链，如瞭望不当→沟通缺失→未发现来船→商渔船碰撞、驾驶台人员不足→人为疏忽→未发现来船→商渔船碰撞等。这些次要致因链丰富了对事故原因的理解，同时也是事故防范中不可忽视的重要因素。
综上所述，通过深入的推理分析，不仅识别出7种关键的事故风险因素，还成功推导出事故发生的主要致因链和一些次要致因链。这些发现为进一步理解商渔船碰撞事故的深层次原因提供了有力依据。
4 讨论
4.1 商渔船碰撞事故发生的重要因素
本研究中通过系统的数据分析与模型构建，深入剖析了商渔船碰撞事故的重要风险因素。研究结果表明，人为因素如瞭望不当、安全意识缺失和未保持安全航速等，在事故中占据显著地位，这一结论与事故树模型计算出的概率重要度相吻合，验证了研究的准确性。同时，该结论也与运用帕累托图法分析得出的主要过失原因高度一致。这些高重要度的风险因素凸显了船员专业素养、警觉性和操作规范在预防碰撞事故中的核心作用。
进一步分析揭示，船舶因素中的航海仪器缺失和管理因素中的安全制度不完善也是导致事故发生的重要原因。这些发现表明，除加强船员的培训和管理外，还需要特别关注船舶设备的完好性和管理制度的有效性。通过综合评估这些风险因素的重要度，可以更加精准地制定有针对性的预防措施，降低商渔船碰撞事故的风险。
4.2 商渔船碰撞事故发生的主要致因链
主要致因链{瞭望不当→航行失误→船舶操纵失误→商渔船碰撞}凸显了瞭望在航行安全中的关键性作用。船员在瞭望过程中疏忽或判断错误，未能及时发现潜在的航行风险，进而做出了错误的航行决策。这种航行失误直接引发了船舶操纵失误，船员在操纵船舶时由于先前的航行错误而无法做出正确的反应，最终导致商渔船碰撞事故的发生。
主要致因链代表事故发生的一条最可能路径，在重点关注的同时，次要致因链的潜在影响也不可忽视。次要致因链虽非直接诱因，但并不排除有些事故发生不会遵循这些致因链[27]。同时，次要致因链可能加剧主要致因链的效应，增加事故风险。因此，制定防范措施时，应综合考虑主要与次要致因链，采取综合性、前瞻性的策略，以确保航行安全，降低事故风险。
综上所述，这些致因链的分析为预防事故提供了明确的方向。即通过加强船员的瞭望、沟通和避碰能力培训等，提高他们的瞭望意识、决策能力、操作技能和沟通能力，同时加强船舶操纵的准确性和稳定性，确保在面对潜在碰撞风险时能够迅速、准确地做出反应，以有效降低商渔船碰撞事故的发生。
5 结论
1)商船和渔船在碰撞事故中的主要过失包括疏忽瞭望、违章航行及操作不当，这些关键过失在帕累托图法分析中占据核心位置，显示出其对事故发生的重要影响。此外，还存在诸如人员不适任、判断失误等次要因素和一般因素，尽管它们对事故的直接贡献较小，但同样值得关注和改善。
2)瞭望不当、安全意识缺乏和未采取安全航速等人为因素在事故中占据核心地位，凸显了船员专业素养和警觉性在预防碰撞事故中的关键作用。瞭望不当→航行失误→船舶操纵失误是导致商渔船碰撞事故发生的主要致因链。
3)人为因素和管理因素是防范商渔船碰撞事故的重要环节。为降低事故风险，应加强船员的专业素养和安全意识培训，确保船员熟练掌握航行规则并能准确应对突发状况；管理层需优化安全策略，制定科学的航行计划和操作规程，并考虑引入先进技术来提升航行的安全性。
本研究在中国沿海商渔船碰撞风险评估方面取得了创新性成果，但也存在一些不足，如受限于数据获取的难度和广度，模型构建过程中可能未能涵盖所有潜在的影响因素，导致分析结果存在一定的局限性。此外，模型的验证与实际应用效果还需进一步通过实际案例进行检验和优化。未来研究应致力于扩大数据收集范围，提高数据质量，并加强模型的验证与迭代，以构建更加精准、全面的商渔船碰撞风险评估体系。
[1] 任亚磊.基于AIS数据的船舶会遇特征研究[D].武汉:武汉理工大学,2013.REN Y L.Research on ship encounter characteristics based on AIS data[D].Wuhan:Wuhan University of Technology,2013.(in Chinese)
[2] 李先强.基于中国沿海商渔船碰撞事故的商船安全航行对策分析[J].世界海运,2018,41(7):22-28.LI X Q.Analysis of countermeasures for safe navigation of merchant ships based on collision accidents of commercial and fishing vessels along the coast of China[J].World Shipping,2018,41(7):22-28.(in Chinese)
[3] 杨善利.水上交通安全形势分析与政策探讨[EB/OL].2019.7.11-12.https://www.cnss.com.cn/html/cnss/20190716/329008.html.YANG S L.Analysis of water traffic safety situation and policy discussion[EB/OL].2019.7.11-12.https://www.cnss.com.cn/html/cnss/20190716/329008.html.(in Chinese)
[4] 中国渔业互保协会.中国渔业船舶安全分析报告:1994—2015[M].北京:中国农业出版社,2018.China Fishery Mutual Insurance Association.Analysis report of China fishery vessel safety[M].Beijing:China Agriculture Press,2018.(in Chinese)
[5] ZHU C G,LEI J Y,WANG Z Y,et al.Risk analysis and visualization of merchant and fishing vessel collisions in coastal waters:a case study of Fujian coastal area[J].Journal of Marine Science and Engineering,2024,12(4):681.
[6] YANG J X,SUN Y,SONG Q Y,et al.Laws and preventive methods of collision accidents between merchant and fishing vessels in coastal area of China[J].Ocean &Coastal Management,2023,231:106404.
[7] 杜柏松,池弘福,丁天明.舟山海域商渔船碰撞事故规律与对策[J].世界海运,2022,45(5):15-20.DU B S,CHI H F,DING T M.Law and countermeasures of collision accidents of commercial fishing boats in Zhoushan Sea Area[J].World Shipping,2022,45(5):15-20.(in Chinese)
[8] 苏六十.基于黄渤海域的商渔船碰撞事故分析[J].中国水运(上半月),2019(9):33-34.SU L S.Analysis of collision accidents of commercial fishing vessels based on Bohai Huang Sea Area[J].China Water Transport,2019(9):33-34.(in Chinese)
[9] 陈振昌.中山市政府商渔船碰撞事故防范研究[D].大连:大连海事大学,2021.CHEN Z C.Study on collision prevention of government commercial fishing boats in Zhongshan city[D].Dalian:Dalian Maritime University,2021.(in Chinese)
[10] 尹相达,李先强,赵学军,等.基于复杂系统脆性的商渔船碰撞事故分析[J].中国航海,2019,42(3):62-66.YIN X D,LI X Q,ZHAO X J,et al.Analysis on collisions ions between merchant ship and fishing vessel from angle of brittleness of complex system[J].Navigation of China,2019,42(3):62-66.(in Chinese)
[11] 李锋.渔业船舶安全管理中商渔船碰撞问题及对策研究[D].淄博:山东理工大学,2022.LI F.Study on the collision problems and countermeasures of commercial fishing boats in the safety management of fishing vessels[D].Zibo:Shandong University of Technology,2022.(in Chinese)
[12] 赵博宇.基于贝叶斯网络的集装箱船舶碰撞致因分析[D].大连:大连海事大学,2017.ZHAO B Y.Cause analysis of container ship collision based on Bayesian network[D].Dalian:Dalian Maritime University,2017.(in Chinese)
[13] 向阳.基于AIS数据的船舶碰撞风险评价研究[D].武汉:武汉理工大学,2021.XIANG Y.Research on ship collision risk assessment based on AIS data[D].Wuhan:Wuhan University of Technology,2021.(in Chinese)
[14] 冯胤伟,刘正江,蒋子怡,等.基于关联规则挖掘和复杂网络理论的船舶碰撞事故影响因素分析[J].大连海事大学学报,2023,49(3):31-44.FENG Y W,LIU Z J,JIANG Z Y,et al.Analysis of factors affecting ship collisions based on association rule mining and complex network theory[J].Journal of Dalian Maritime University,2023,49(3):31-44.(in Chinese)
[15] 王华.排列图法在工程项目管理中的应用[J].山西建筑,2008,34(20):195-196.WANG H.The application of the permutation picture method in project management[J].Shanxi Architecture,2008,34(20):195-196.(in Chinese)
[16] 顾亚锋,柏汝群.排列图法在工程项目质量管理与控制中的应用实例[J].机电信息,2016(36):168-169.GU Y F,BAI R Q.Application example of Pareto diagram method in quality management and control of engineering projects[J].Mechanical and Electrical Information,2016(36):168-169.(in Chinese)
[17] 徐志胜,姜学鹏.安全系统工程[M].3版.北京:机械工业出版社,2017.XU Z S,JIANG X P.Safety system engineering[M].3rd ed.Beijing:China Machine Press,2017.(in Chinese)
[18] 姚杰,任玉清,李玉伟.基于事故树分析的海上交通事故的研究[J].大连海洋大学学报,2010,25(4):348-352.YAO J,REN Y Q,LI Y W.Research of marine accidents based on FTA method[J].Joumnal of Dalian Ocean University,2010,25(4):348-352.(in Chinese)
[19] 马洪涛.计算机辅助事故树分析计算[J].科技风,2008(23):41-42.MA H T.Computer aided fault tree analysis and calculation[J].Technology Wind,2008(23):41-42.(in Chinese)
[20] 程绍强,赵文婕.基于事故树理论的电力建设工程EPC项目风险的研究[J].自动化应用,2023,64(10):137-140.CHENG S Q,ZHAO W J.Research on EPC project risk of electric power construction engineering based on fault tree theory[J].Automation Application,2023,64(10):137-140.(in Chinese)
[21] 张连文,郭海鹏.贝叶斯网引论[M].北京:科学出版社,2006.ZHANG L W,GUO H P.Introduction to Bayesian networks[M].Beijing:Science Press,2006.(in Chinese)
[22] 胡立伟,杨志莹,胡飞宇,等.山区高速公路交通事故与行车环境关联研究[J].昆明理工大学学报(自然科学版),2024 ,49 (5):149-159.HU L W,YANG Z Y,HU F Y,et al.Correlation between traffic accidents and driving environment on mountainous expressways[J].Journal of Kunming University of Science and Technology(Natural Science Edition),2024,49 (5):149-159.(in Chinese)
[23] 韦来生,张伟平.贝叶斯统计[M].2版.北京:高等教育出版社,2022.WEI L S,ZHANG W P.Bayesian statistics[M].2nd ed.Beijing:Higher Education Press,2022.(in Chinese)
[24] 郭连琦.基于贝叶斯网络的船舶碰撞事故人为因素分析[D].大连:大连海事大学,2022.GUO L Q.Analysis of human factors in ship collision accidents based on Bayesian Network[D].Dalian:Dalian Maritime University,2022.(in Chinese)
[25] 迟娟.海洋渔业船舶风险评估及保险研究[D].沈阳:沈阳航空航天大学,2020.CHI J.Study on risk assessment and insurance of marine fishing vessels[D].Shenyang:Shenyang Aerospace University,2020.(in Chinese)
[26] 张术琳,王澜凝,鲁义.基于动态贝叶斯网络的蒽醌法制备双氧水工艺风险评估[J].中国安全科学学报,2024,34(2):110-116.ZHANG S L,WANG L N,LU Y.Risk assessment of hydrogen peroxide production technology by using anthraquinine process based on dynamic Bayesian network[J]China Safety Science Journal,2024,34(2):110-116.(in Chinese)
[27] 尚云龙.基于贝叶斯网络的船舶碰撞事故致因分析[D].大连:大连海事大学,2009.SHANG Y L.Cause analysis of ship collision accident based on Bayesian network[D].Dalian:Dalian Maritime University,2009.(in Chinese)