[发明专利]考虑船舶事故数据漏报问题的Bootstrap-Tobit船舶事故经济损失预测方法

摘要

本发明首次提出了一种考虑水域内船舶事故漏报情况的Bootstrap‑Tobit船舶事故经济损失预测方法。由于船舶事故数据库均存在不同程度的漏报问题,大大降低了船舶事故发明过程中的可靠性。本发明利用所构造的Bootstrap‑Tobit模型来补充漏报船舶事故数据，并评估船舶事故各影响因素对事故后果的影响。该方法首次在考虑船舶事故数据漏报问题的前提下进行事故经济损失预测，对海上安全对策的精确部署有很大的帮助。

主权项

1.一种考虑水域内船舶事故漏报情况的Bootstrap‑Tobit船舶事故经济损失预测方法，其特征在于包括以下步骤：步骤一：收集处理船舶历史事故数据：(1)确定研究对象，即目标水域；(2)规定研究数据的统计期；(3)收集船舶事故经济损失相关数据；(4)将数据按照船舶事故类型、船舶信息、环境特征、船舶事故起因多个类别进行分类梳理，得到影响船舶事故经济损失的自变量：碰撞事故、触碰事故、搁浅事故、沉没事故、火灾/爆炸事故、倾覆事故、货船、渔船、LNGLPG船、其他船舶类型、船舶总吨、航行状态、发生时间、能见度、大风/浪、事故位置、判断错误、瞭望疏忽、操作失误、机械故障，以及船舶事故经济损失因变量；步骤二：问卷调查：(1)设计面向船长、船员和海事局官员的调查问卷来收集关于水域内严重事故和一般事故数据的漏报情况；(2)处理问卷结果，得到不同漏报程度的概率；步骤三：建立模型：(一)产生Bootstrap样本：(1)将原始船舶事故数据按照严重程度分为严重船舶事故样本和一般船舶事故样本两个部分；(2)分别从严重船舶事故样本和一般船舶事故样本中随机有放回的抽取比例为r^serious和r^{non‑serious}的船舶事故数据，并添加至原始样本中，作为Bootstrap样本；r^serious和r^{non‑serious}分别为水域内严重船舶事故的漏报率和一般船舶事故的漏报率，本发明中漏报率定义为漏报船舶事故的样本量与原始样本量的比值；(3)假设共有H对严重船舶事故漏报率和不严重漏报率的组合，对每对漏报率小组重复步骤(2)K次，其中K值大小具体根据后期迭代情况而定；(二)建立Tobit模型：采用Tobit模型估计方法对原始样本及Bootstrap样本进行估计，得到原始样本模型系数β和Bootstrap样本模型系数β_bootstrap；Tobit模型表达如下；log(Y)＝βX+εε～N(0,σ²)其中，Y表征各类船舶事故的经济损失的因变量；C是船舶事故经济损失的上限值；Y^*是船舶事故经济损失的估计值；X代表影响船舶事故经济损失因变量的解释变量，即X＝(x₁,x₂,…,x_n)；β是所需估计的船舶事故解释变量系数；ε是服从正态分布的随机误差项。假设考虑H组漏报率情形，每个情形产生K个bootstrap样本，因此共建立K*H个Tobit回归模型；(三)Bootstrap‑Tobit模型估计：(1)首先，对各组相应漏报率的Bootstrap样本模型系数求均值，即：其中是h个漏报率小组的bootstrap系数均值，K是相应漏报率小组所产生的bootstrap样本数量；(2)根据严重船舶事故和一般船舶事故漏报率的概率密度函数可求得bootstrap系数的理论期望值如下：其中f_serious(r)和f_{non‑serious}(r)代表严重船舶事故和一般船舶事故的概率密度函数，是考虑所有可能漏报情形的bootstrap系数期望值；(3)实际情况下，所有漏报率情形不可能完全考虑到，因此本发明对漏报率采用权重分配方式计算实际期望值：(4)为确保K的数量足以得到可靠的Bootstrap样本系数期望值，使用变化率来表示船舶事故样本系数期望值和Bootstrap样本数量之间的关系：(5)Bootstrap‑Tobit模型系数计算如下：其中β_bootstrap是Bootstrap‑Tobit模型的系数；步骤四：船舶事故经济损失预测：产生Bootstrap样本，对原始样本和Bootstrap样本采用Tobit回归模型进行估计，得到相应的模型系数，根据Bootstrap‑Tobit模型系数，对船舶事故的经济损失作出预测。