基于主成分分析的舟山水域交通事故成因分析

Analysis of the Causes of Traffc Accidents in Zhoushan Waters Based on Principal Component Analysis

LI Ziqiang （Zhejiang International Maritime College， Zhoushan 316021， China）

Abstract：ThenavigationenvironmentinthewatersofZhoushaniscomplex.Inordertoimprovewatertraffcsafetyandreduce theoccurrenceoftraffcaccidents，basedontheinvestigationreportsofwatertraffcaccidentsinrecentyears，principalompo nentanalysisisusedtoanalyethecauseofwatertraficaccidentsfromtheperspectivesofrew，ships，environmentandman agement.Thekeycausalfactorsofacidentsareidentifiedtofacilitatethedevelopmentoftargetedwatertraffcriskprevention and control measures.

Key words： principal component analysis; water traffic accidents; cause analysis

0引言

隨著航運業快速發展，港口吞吐量逐年增加，船舶數量快速擴張，伴隨著船舶質量與性能的改進提升，水路運輸的高效、快捷、安全得以快速提高。目前，全球 90% 以上的貨物貿易是通過海上交通運輸實現的，因此，航運安全對于世界經濟的健康、可持續發展尤為重要。舟山是長三角綜合運輸網的重要節點，但舟山海域島嶼眾多，且港區分散，明礁、干出礁、暗礁、沉船等礙航物多，航行環境復雜，受潮流影響大，流急且流向復雜，船舶操縱難度大。舟山擁有全國最大的漁場，漁場作業區內漁船密集，匯聚多條商船習慣航線，通航條件復雜。

目前，國內外學者圍繞水上交通事故成因分析已開展一定的研究。曹久華等2從港口船舶通航復雜系統角度，運用系統動力學方法對港口船舶通航風險成因進行了耦合仿真研究；張欣欣等提出海上交通事故人失誤分析與分類系統 （HEACS-MTA），運用灰色關聯分析法對事故形成原因進行定量分析，發現導致事故發生的人失誤因素依次為不安全行為的前提條件、不安全的監督、不安全行為和組織影響；盛小曼等針對長江干線水上安全事故，從事故類型、事故時間段、事故人員傷亡等多角度進行分析，歸納事故主要特征，并從時間特征、分布特征等方面分析了事故致因。徐燕等采用層次分析法，針對選取的典型事故案例，從船員素質、船舶狀況、航行環境、管理因素等4個方面進行分析，研究發現船舶駕駛與值班人員因素是導致舟山島礁區發生水上交通事故的主要原因等。在對交通事故的分析中，為了更加準確全面的分析事故致因因素，就需要考慮盡可能多的指標，這樣不可避免的會增加問題的復雜性，再者各指標均是對交通事故的反映，還會造成信息的大量重疊。主成分分析方法是利用降維思想從眾多變量之間復雜的關系中找出一些主要成分，通過提取出較少的綜合變量來代替原始大量變量進行統計分析，用以揭示變量之間的內在關系。

1主成分分析法的算法步驟

（1）原始數據標準化。在多元主成分分析中，假設共有 n 個待評樣本，每個樣本有 p 個指標變量，則構成一個 n×p 階的事故數據矩陣，如式（1）：

各變量在數量級或量綱上會存在不同，需對其運用式（2）進行標準化處理：

式中： （其中： 0

（2）求相關系數矩陣 R 。根據標準化矩陣 ，運用式（3）求相應的相關系數矩陣 R ：

式中： r_jk 為指標 j 與指標 k 的相關系數。 即， ，當河時， r_ij=1 ， r_jk=r_kj （其中： i=1，2，…，n j=1，2，…，p ; k=1，2，…，p， 。

（3）求相關系數矩陣 R 的特征根與特征向量，進而確定主成分。通過求解特征方程式 ，可得其特征根 λ_g （20號 ，和每一特征根對應的特征向量， L_g=l_g1，l_g2，…，l_gp=1

根據標準化后的指標變量，則主成分Fg=lg1z1+lg2z++lgpε（g=1，2，，p）。

（4）計算累計貢獻率，并確定主成分個數。累計貢獻率表示的是前 k 個主成分提取原始總信息的比重：

在實際分析中，通常使前 k^{（k 個主成分的累計貢獻率達到一定的比率，這樣用前 k 個主成分代替原來的 p 個變量，可以在不損失太多信息的情況下又能夠達到減少變量個數的目的。}

2數據收集

根據中國海事局及浙江海事局發布的信息，整理舟山海域 2014—2021年來水上交通事故數據（見圖1）。舟山海域每年水上交通事故數量大致維持在10件左右，死亡、失蹤人數少時10幾人，多時高達近40人，年直接經濟損失均在千萬元以上。

由圖1和圖2可知，該海域發生一般等級及以上事故數量總體較為平穩，但2020年事故數量較其他年份較高。事故數量的顯著增長可歸因于多重復雜因素的交織影響，一方面，自然環境極端變化，如強對流天氣、頻繁臺風和創紀錄的高溫降水，直接加劇了海上航行風險；另一方面，港口經濟活動的激增，特別是貨物與油氣吞吐量的顯著增長，導致航運活動密度上升，航道擁堵，事故發生的概率隨之升高。此外，全球新冠疫情的蔓延也改變了航運模式，船員長時間海上作業導致的疲勞累積及心理壓力增加，進一步提升了事故風險。

3建立評價指標體系

根據國家海事局所發布的舟山水域水上交通事故調查報告，從船員、船舶、環境、管理等方面分析導致事故發生的影響因素。以船員因素為例，包括的影響因素如表1所示。

4評價結果與分析

4.1KMO與BTS 檢驗結果。KMO檢驗是用于評估因子分析模型適合度的統計檢驗工具，檢驗的目的是測試每個觀察變量與其他變量之間的相關性程度。介于0＼～1之間，值越接近1表示變量之間的相關性越高，相應的因子分析結果將更為準確。通常，KMO取樣適切性量數大于0.5，則可用因子分析。巴特利特球形檢驗（BTS）用來檢驗數據樣本中變量之間的相互獨立性。當p -value 小于0.001時，表明各個變量之間存在統計學上顯著的相關性，存在進行因子分析的可能]。

通過對主成分分析數據進行KMO和BTS檢驗，結果見表2，KMO為0.823，BTS檢驗顯著性為0.000，符合主成分分析的要求。

4.2累計方差貢獻率。根據特征值大于1的原則，提取出5個主成分，這5個主成分累計方差為 68.22% ，反映了船員因素原始數據提供的 68.22% 的信息，累計方差貢獻率如表3所示。4.3關鍵影響因素篩選。通過統計分析軟件輸出成分矩陣（見表4），比較幾個主成分中各指標因素系數大小，選出系數最大的因素即為水上交通事故風險的關鍵影響因素。主成分1在P2、P3、P12、P13處得分最高，可以歸類為業務技能差；主成分2在P4、P5處得分最高，可歸納為工作責任心差；主成分3在P1、P7、P9處得分最高，可歸納為自身操作失誤；主成分4在P8、P10處得分最高，可歸納為安全意識差；主成分5在P6處得分最高，可以歸納為經驗不足。通過上述主成分分析，篩選出水上交通事故中影響船員因素的關鍵影響因子5個。

5結束語

根據近年來舟山海域的水上交通事故調查報告，對舟山海域的交通事故進行分析，辨識舟山海域水上交通存在的各種風險因素，研究水上交通事故的時空分布特征，并對事故原因進行分析，得出關鍵影響因素，為進一步的預測、防范水上交通事故提供理論支撐，也為海事安全監管部門及航運企業制定風險應對決策提供依據。

參考文獻：

[1]虞佳維，張恩澤，等．舟山海損事故統計分析及風險防范建議[J].水運管理，2023（2）：19-22.

[2]曹久華，席永濤，等．基于系統動力學的港口船舶通航風險成因耦合模型[J].安全與環境學報，2015（3）：65-71.

[3]張欣欣，軒少永，等．基于HFACS的海上交通事故原因系統分析[J].上海海事大學學報，2012（4）：15-19.

[4]盛小曼，劉旭，等．長江干線船舶水上交通事故分析與對策研究[J]．水上安全，2023（2）：50-53，65.

[5]徐燕，龐少杰．舟山島礁區船舶事故分析及應對策略[J].山東交通學院學報，2023（3）：156-161.

[6]閆建華，宇仁德，等．基于主成分分析的道路交通事故預測[J].交通標準化，2023（3）：86-90.

[7]李慧敏，龐奇志，等．主成分分析法在煤礦事故統計分析中的應用[J].安全與環境工程，2012（3）：77-79.

[8]王松，吳彤，等．基于主成分分析法對樂山市2022年度水環境評價研究[J].四川環境，2024（1）：64-67.