通过数据驱动的方法揭示海上事故的影响因素：利用大型语言模型工具

《Safety Science》：Unveiling the influencing factors of maritime accidents through data-driven approaches: leveraging large language model tools

maritime accidents through integrating large language models with N-K coupling analysis, revealing human-vessel-management environmental interactions and spatiotemporal risk amplification, proposing a dynamic governance framework. 海事事故因素耦合分析及动态治理框架研究，通过整合大语言模型与N-K耦合模型，揭示人类-船舶-管理-环境交互作用及时空风险叠加效应，提出智能驱动型海事安全治理范式。

　　

孟伟|崔颖|刘家国

大连海事大学海洋经济与管理学院，中国大连116026

摘要

本研究采用数据驱动的方法结合大型语言模型（LLMs）来探讨海上事故的影响因素。首先，使用DeepSeek V3从海上事故报告中提取有关人员、船舶、管理、环境和时间及空间等方面的数据。其次，应用N-K模型分析耦合风险，发现这四个因素的耦合风险值最高，其中人员、船舶和管理是关键因素，而环境因素在特定事故中具有显著影响。进一步的时空分析表明存在阶段性时间风险和空间聚集的沿海风险。研究发现了一种显著的非线性叠加效应：高空间风险会放大时间风险的边际贡献，而低水平的耦合则显著降低整体风险。最后，本文提出了一种动态协作治理框架。该框架利用由LLMs驱动的集成认知架构，将非结构化数据转化为可操作的风险情报，从而实现分级干预方案和优化资源配置，以提升海上安全管理。

引言

作为全球贸易的主要通道，海上运输承担了全球90%以上的货物运输量，其安全运行直接关系到全球经济命脉和海洋生态环境（Rahayu等人，2024年；Sui等人，2023年）。Cardenas等人（2025年）将“事故”定义为已经升级为造成人员伤亡和严重伤害的危险情况或事件。这一定义明确揭示了此类事件的严重后果。同时，海上事故作为航运领域风险的极端表现形式，由于海洋环境的特殊性，其危害性进一步加剧。作为全球航运业固有的挑战，海上事故风险长期以来一直对海上运输系统的安全运行构成威胁。2024年，中国共进行了1,516次搜救行动，成功救助了832艘遇险船舶和8,422名遇险人员。¹这些数据凸显了确保海上安全的紧迫性。事实上，自从航运活动出现以来，各种海上事故就一直伴随着人类航行历史——从早期木制帆船时代的搁浅事件，到现代巨型钢船面临的碰撞和火灾风险。尽管事故模式随着技术进步而演变，但其潜在风险从未消除（Du等人，2020年）。特别是进入工业时代后，随着船舶规模的增大、航运路线的密集以及导航环境的复杂性增加，海上事故的频率和严重程度逐渐上升，成为长期困扰国际海上安全界的系统性挑战（Madsen等人，2025年）。从1912年泰坦尼克号沉没到最近埃弗杰恩号货轮在苏伊士运河搁浅（导致全球航运中断）以及瓦卡希奥号油轮泄漏（造成严重海洋污染）等事件，都进一步凸显了海上运输系统的脆弱性。国际海事组织（IMO）的统计数据显示，2024年全球报告的航运事故或事件数量增加了约10%，达到3,310起，涉及沉没、火灾、碰撞和搁浅等多种类型。大多数事故是由多种因素的耦合引起的，例如船员操作失误、船舶设备故障、监管漏洞和恶劣海况的协同效应。因此，深入探讨影响事故的各种因素之间的耦合机制已成为国际海上安全领域的核心问题。

其余部分的结构如下：第2节回顾了海上事故风险的相关文献；第3节介绍了相关的基本理论、模型方法和数据来源；第4节选择并评估了LLMs，包括文本信息提取能力和代码生成能力；第5节分析了海上交通风险的耦合因素；第6节进行了时间风险分析、空间风险分析和时空交互风险分析；第7节提出了管理启示和结论。

章节片段

当前研究综述

传统的海上事故风险研究主要依赖于单因素分析或简单的统计模型，难以捕捉复杂系统中多个因素的非线性交互效应。尽管存在不同的观点（Wróbel，2021年），早期研究往往忽略了船舶系统故障和环境压力的协同影响（Hanzu-Pazara等人，2008年；Youn等人，2018年）。随着方法论的发展，人们开始采用

海上事故风险耦合

海上运输系统是一个由人员、船舶、管理和环境等要素组成的复杂安全系统（Hu等人，2025年）。每个要素中的风险因素通过耦合效应影响系统安全。人员因素包括船员的身体和心理状态、理论知识、操作经验等，他们的错误（如因疲劳导致的操作不当）会直接引发风险。船舶因素涉及船体结构、设备

大型语言模型的选择与评估

本文选择中国领先的开源大型模型DeepSeek V3作为从海上事故报告中提取文本数据的工具。该模型旨在从报告中获取影响海上事故的人员、船舶、管理及环境等驱动因素的信息，以及本文所需的时间和空间（坐标）因素数据，这些数据将作为原始研究资料。

选择DeepSeek V3的原因在于其卓越的性能

海上事故风险因素耦合分析

鉴于N-K模型在海上风险评估中的优势，本节利用该模型分析海上事故中风险因素的耦合情况。同时，本文使用DeepSeek V3模型（如图1和表3所示具有最佳性能）从所有678份调查报告中提取目标信息。在提供本文所需的N-K模型相关提示后，模型会生成辅助数据计算的相关代码。

海上事故的时间风险影响

首先，采用K-means聚类方法进行自然分类。根据事故时间数据的发生频率，将事故的时间风险等级分为五个类别：非常低（VL）、低（L）、中等（M）、高（H）和非常高（VH）。其次，采用层次分析法（AHP）。基于Satty的成对比较基本尺度，使用成对比较矩阵

管理启示

本研究提出的管理要求需要对海上安全治理进行根本性的重新构想，从基于静态合规的体制转向动态适应、以智能为驱动的组织模式。这种转变基于对风险的理解——风险不是一系列离散的故障，而是复杂、紧密耦合的社会技术系统的新兴属性，在这些系统中风险因素表现出非线性交互

CRediT作者贡献声明

孟伟：撰写——初稿、软件开发、方法论设计、数据整理、概念构建。崔颖：撰写——审阅与编辑、监督。刘家国：撰写——初稿、监督、概念构建。

利益冲突声明

作者声明他们没有已知的财务利益冲突或可能影响本文工作的个人关系。

致谢

我们感谢匿名审稿人对本文的细致审阅和宝贵意见。

致谢

我们感谢匿名审稿人对本文的细致审阅和宝贵意见。