【本站讯】随着全球海上航运交通密度持续攀升，船舶碰撞事故频发，准确、可解释地开展海事碰撞严重程度预测，对海上风险预警、应急处置与海事安全管理具有十分重要的现实意义。现有主流基于相关性的数据驱动预测模型易受混杂因素、数据异质性、类别不平衡等问题干扰，大多属于事后特征归因，缺少显式因果机理，难以厘清风险要素的直接、间接传播路径，制约了海事风险主动预判能力的提升。

面向海事安全领域对可解释碰撞严重程度预测技术的现实工程需求，针对现有预测方法难以处理事故样本类别不平衡、忽视事故后果多维度耦合关系等技术瓶颈，我校王彦富教授研究团队提出多任务因果表示学习方法，用于可解释海事碰撞严重程度预测。基于结构化因果建模实现风险效应路径分解，结合对抗训练与正交约束缓解表征层面混杂偏移，利用交互式数据合成模块生成高质量难分类样本以缓解数据集类别失衡，并采用动态多任务融合策略对碰撞严重程度主任务与污染、财产损失、人员死亡三类辅助后果开展自适应联合建模。研究揭示船舶属性、环境条件、航行态势等前置风险要素通过人为失误、设备故障等不安全中介因素影响碰撞严重程度的内在机制，识别不同事故场景的主导因果通路，实现单样本异质性因果效应解析。该研究将传统“黑箱式”的事故严重程度预测进一步拓展为面向风险传播路径的结构化解释，为船舶碰撞事故的主动风险识别和针对性安全干预提供新的方法支撑。

相关研究成果以“A novel multi-task causal representation learning approach for interpretable maritime collision severity prediction”为题，发表于国际学术期刊《Reliability Engineering & System Safety》（2026年第271卷，文章号112236）。我校安全科学与工程学科博士研究生王妙妙为第一作者，王彦富教授为通讯作者，中国石油大学（华东）为第一署名单位。该研究获得国家自然科学基金等项目资助。

论文链接：https://doi.org/10.1016/j.ress.2026.112236