Developing a Framework for Assessing Boat Collision Risks Using Fuzzy Multi-Criteria Decision-Making Methodology
Notice bibliographique
Résumé
Boat collisions pose severe threats to maritime safety, economic activity, and environmental sustainability. Conventional risk assessment methods—such as Failure Mode and Effects Analysis, and Fault Tree Analysis—are widely applied but remain inadequate for addressing the uncertainty, subjectivity, and interdependency of risk factors in complex maritime environments. This study proposes a fuzzy Multi-Criteria Decision-Making framework for the risk assessment of boat collisions. The model integrates fuzzy logic with Analytic Hierarchy Process for criterion weighting and the Technique for Order Preference by Similarity to the Ideal Solution for risk ranking. Fuzzy logic is employed to capture linguistic expert judgments and to manage vague or incomplete data, which are common challenges in marine operations. Key collision risk factors—human error, boat engine system failure, environmental conditions, and intentional threats—are identified through literature review, incident data analysis, and expert consultation. A comparative analysis with a baseline non-fuzzy model demonstrates the added value of the fuzzy-integrated framework, showing improved capacity to handle imprecision and uncertainty. The model outputs not only prioritise risk rankings but also support the identification of critical control actions and effective safety measures. A case study of Nigerian waters illustrates the practicality of the framework in guiding risk mitigation strategies and informing policy decisions under uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».