水上貨物運輸風險演化系統(tǒng)動力學仿真

張陽 席永濤 胡甚平 張錦朋 危小瑤 劉明明

摘要：

為刻畫水上貨物運輸風險的動態(tài)性和因素關聯(lián)性，采用系統(tǒng)動力學仿真水上貨物運輸風險的演化規(guī)律?；凇叭?、機、環(huán)境、管理、貨物”理論，建立水上貨物運輸風險指標體系。結合風險演化的相關理論，采用系統(tǒng)動力學構建風險演化模型。通過分析各風險因素間的量化因果關系，應用層次分析法、信息熵法以及最小二乘法對風險因素進行定量分析。對實際案例的仿真表明，基于系統(tǒng)動力學的風險演化模型可揭示風險演化過程，顯示系統(tǒng)風險隨時間的變化趨勢。

關鍵詞：

海運安全; 風險演化; 系統(tǒng)動力學

中圖分類號： U698.3;X913.4

文獻標志碼： A

System dynamics simulation on risk evolution of

cargo transportation on water

ZHANG Yang， XI Yongtao， HU Shenping， ZHANG Jinpeng，

WEI Xiaoyao， LIU Mingming

（Merchant Marine College， Shanghai Maritime University， Shanghai 201306， China）

Abstract：

To describe the dynamic characteristic and factor correlation of cargo transportation risk on water， the system dynamics is adopted to simulate the risk evolution law of cargo transportation on water. Based on the theory of “people， machine， environment， management and cargo”， the risk index system of cargo transportation on water is established. Based on the theories of risk evolution， the risk evolution model is constructed by the system dynamics. By analyzing the quantitative causality among risk factors， the risk factors are analyzed quantitatively by AHP， the information entropy method and the least square method. The case simulation shows that the risk evolution model based on the system dynamics can reveal the risk evolution and the trend of system risk with time.

Key words：

maritime safety; risk evolution; system dynamics

收稿日期： 2017-05-09

修回日期： 2017-06-27

基金項目： 上海國際港務（集團）股份有限公司科技創(chuàng)新項目（2017）（引航站_17KY-04B-31Z）

作者簡介：

張陽（1994—），男，山西長治人，碩士研究生，研究方向為交通物流安全與管理，（E-mail）646413576@qq.com;

席永濤（1977—），男，河北石家莊人，副教授，碩導，博士，研究方向為交通物流安全與管理、人因可靠性分析，（E-mail）xiyt@shmtu.edu.cn

0 引 言

水路運輸成本低、運量大的特點使得水運行業(yè)快速發(fā)展。大型的船舶能夠產生較高的運輸經濟效益，但是一旦發(fā)生事故，后果將會非常嚴重。近年來，學者們在海事分析、風險評估和事故預測等方面進行了大量研究。[1]李偉磊等[2]將預先性危險分析與人、機、環(huán)境、管理相結合對可能發(fā)生的事故進行分析，有效避免了在分析過程中遺漏危險要素;胡甚平等[3]運用綜合安全評估方法得出沿海水上交通風險的定量化特征;齊跡[4]將模糊突變理論用于海上交通風險評價領域，建立了風險評估模型。為解決水上貨物運輸系統(tǒng)安全評估中的不確定性和復雜性，張其兵[5]用集對分析方法的原理來表達和刻畫系統(tǒng)中的不確定性因素，并建立了運輸安全集對評價模型;許玲[6]利用不確定性人工智能云模型算法，結合變權機理，開展了水上貨物運輸風險的研究;胡甚平等[7]引入云理論和綜合云的蒙特卡洛方法對海上風險成因進行仿真，得出耦合機理。

雖然運用模糊評判[8]、灰色理論[9]、貝葉斯理論等可以有效解決風險評估中的不確定性問題，但在刻畫系統(tǒng)風險的動態(tài)性和系統(tǒng)各因素間的關系方面，系統(tǒng)動力學（system dynamics， SD）更具有優(yōu)越性。BALIWANGI等[10]建立了SD風險改進模型，對風險管理進行仿真，探討了系統(tǒng)行為應用在風險管理方面的優(yōu)勢;NASIRZADEH等[11]通過建立集成SD和模糊邏輯的風險管理模型，解決了風險的系統(tǒng)性和不確定性問題;席永濤等[12]基于海上運輸?shù)墓芾砟Ｊ?，從人、機、環(huán)境、管理、貨物等5個方面分析危險品運輸?shù)娘L險因素及各因素間的因果關系，建立海上運輸SD模型。此建模方法強調系統(tǒng)的整體性，注重因素之間的交互作用，并能對系統(tǒng)進行動態(tài)仿真。[13]

1 水上貨物運輸風險演化機理

風險指各種因素導致未來發(fā)生不利事件的概率或可能性[14]，由因素、事故和損失三要素構成。從水上貨物運輸?shù)慕嵌瘸霭l(fā)，風險是指水上貨物運輸過程中，由人、機、環(huán)境、管理、貨物等5個因素相互作用所造成的危險事故發(fā)生的可能性以及損失的嚴重程度。

風險演化由風險源、載體和誘因組成，是系統(tǒng)從無序狀態(tài)轉變?yōu)橛行驙顟B(tài)或反向運動的過程。[15]在水上貨物運輸過程中，如果客觀存在的危險源沒有受到外界環(huán)境因素的刺激，則系統(tǒng)處于相對穩(wěn)定的狀態(tài)。當某一誘因對系統(tǒng)產生了刺激，并且超出一定的范圍時，風險源的相對穩(wěn)定狀態(tài)就會被打破，風險因子沿著某一演化路徑運動，當各個演化路徑的風險在某一時間、地點發(fā)生疊加或者耦合作用時，就會導致風險的結果。[16]風險演化示意圖見圖1。

圖1 風險演化示意圖

2 風險演化的仿真模型

2.1 系統(tǒng)邊界的確定

劃定系統(tǒng)邊界的基本原則就是把系統(tǒng)所需要考慮的所有因素都設置在系統(tǒng)內，并且一定要保證系統(tǒng)的完整性。根據(jù)這一原則，系統(tǒng)的邊界為：整個系統(tǒng)不考慮由不可抗力引發(fā)的風險事故，只考慮人、機、

環(huán)境、管理和貨物等5個因素引發(fā)的風險。

2.2 風險演化模型的建立

水上貨物運輸風險是多種因素綜合作用的結果。船員、船舶、環(huán)境、管理和貨物等5個風險子系統(tǒng)之間的因果關系和反饋結構，可以較為完整地反映系統(tǒng)風險隨時間的動態(tài)發(fā)展趨勢。人作為系統(tǒng)中最活躍的一部分，往往是事故的直接原因和受害者。水上貨物運輸事故的發(fā)生是船員的生理和心理因素、船員綜合從業(yè)能力、船舶設備水平綜合作用的結果。船員風險子系統(tǒng)中各風險因子的因果關系見圖2。船舶自身的安全狀態(tài)水平以及船舶上相關設備的技術狀態(tài)水平是運輸風險演化的基本條件。船舶風險子系統(tǒng)中各風險因子的因果關系見圖3。環(huán)境中危險源的凸顯會使環(huán)境風險程度加大，進而加速運輸過程中風險的演化。環(huán)境風險子系統(tǒng)中各風險因子的因果關系見圖4。管理風險子系統(tǒng)包括航運公司對其船舶和船員的有效管理活動，以及在航船舶在運輸過程中為保障安全航行、降低風險而進行的各項活動，見圖5。貨物的危險性、貨物包裝、貨物裝箱時的隔離積載、船舶的結構、環(huán)境都會對運輸過程中的風險產生影響，見圖6。根據(jù)上述各風險子系統(tǒng)中風險因子的因果關系建立SD仿真模型，見圖7;本文所用到的參數(shù)見表1。圖2～7中：“+”表示存在正相關關系;“-”表示存在負相關關系;未標明表示存在其他非線性關系。

圖4 環(huán)境風險子系統(tǒng)因果關系

圖7 水上貨物運輸風險系統(tǒng)SD仿真模型

2.3 動力學方程的建立

要表達系統(tǒng)中變量的性質以及風險演化的狀態(tài)，需要從前文的定性分析轉向定量分析。在確定系統(tǒng)方程式時，需要首先確定因素間對應的函數(shù)關系，然后收集系統(tǒng)所需參數(shù)，最后將所需數(shù)據(jù)和方程輸入模型中進行仿真。具體參數(shù)方程（式中λGH表示參數(shù)G對參數(shù)H的影響系數(shù)）如下：

L1= λL2L1L2+ λL3L1L3+ λL4L1L4+ λL5L1L5+ λL8L1L8

L2= λA2L2A2+ λA3L2A3+ λA8L2A8+ λA12L2A12

L3= λC3L3C3+ λA9L3A9+ λA11L3A11

L4= λL6L4L6+ λL7L4L7

L5= R1+L5

表1 水上貨物運輸風險系統(tǒng)參數(shù)說明

L6= λA20L6A20+ λA12L6A12+ λT5L6T5+ λA10L6A10

L7= λT1L7T1+ λT3L7T3+ λT4L7T4

L8=λA16L7A16+ λA17L8A17+ λA21L8A21+ λA22L8A22+ λA23L7A23+ λC3L8C3

A4= λA5A4A5

A5= λL5A5L5

A6= λA8A6A6

A7= λA5A7A5

A8=λT5A8T5

A9= λC4A9C4

A10= λL3A10L3

A11= λC8A11C8

A13= λC8A13C8

A14= λC8A14C8

A15= λC8A15C8

A16= λC8A16C8

A17=f（T1，C1，C2）

A18=λA5A18A5

A19= λC8A19C8

A20=（C5+C6+C7）/3

A24= λC8A24C8+ λA4A24A4+ λA7A24A7

R1=INTEG（t， L5）

2.4 風險因子的量化

風險子系統(tǒng)中內部分風險因子是可以量化的，部分卻只能定性分析。對于可以量化的風險因子，也可能因量綱的不同而沒有統(tǒng)一的度量標準，因此需要對各風險因子進行無量綱化處理?？紤]到本文所研究的風險子系統(tǒng)中風險因子多且很多風險因子無法量化，各風險因子之間關系復雜，本文采用5段取值法[17]實現(xiàn)風險因子的無量綱化。例如“風險很大”“風險較大”“一般風險”“比較安全”“很安全”等，或者A，B，C，D，E等5個級別，對應的取值范圍分別為[90，100]，[75，89]，[60，74]，[45，59]，（0，44]（本次仿真過程均取整數(shù)），并根據(jù)事實和專家意見加以修正，實現(xiàn)定性向定量的順利轉換。某一子系統(tǒng)風險的量化值通過下式確定：

Y=mi=1（ωi×Mi）（1）

式中：ωi為子系統(tǒng)中風險因子i的權重;Mi為子系統(tǒng)中風險因子i的量化值;m為子系統(tǒng)中風險因子的個數(shù)。

在SD仿真模型中，存在密度、潮汐關于時間的表函數(shù)。為減少誤差，用函數(shù)（如正態(tài)分布、γ分布）擬合密度、潮汐隨時間變化的趨勢，并輸入SD仿真模型進行仿真。

以交通密度為例。依據(jù)風險演化的時間和水上交通密度的實際狀態(tài)，用X表示演化時間、Y表示交通密度，擬合出二者之間的非線性關系。在擬合過程中，根據(jù)歷史相關數(shù)據(jù)，找到最符合密度隨時間變化情況的函數(shù)，在其量化值的基礎上調用Vensim中的WITHLOOKUP函數(shù)，取（Xi，Yj）（i，j=1，2，…，20）點，建立表函數(shù)。用同樣的方法可得風浪、溫度、潮汐和心理因素的變化。

2.5 子系統(tǒng)權重

通過AHP[18]確定系統(tǒng)內各子系統(tǒng)的主觀權重，再由信息熵法[19]確定客觀權重。為使主、客觀權重間的差距盡量小，運用最小二乘法[20]進行優(yōu)化決策，得出系統(tǒng)的綜合權重。

（1）利用AHP，根據(jù)子系統(tǒng)間的關系，得到如下權重：

w=（wj）1×5=（0.30，0.16，0.17，0.33，0.04）

（2）邀請30位專家對各項指標進行打分，根據(jù)調查結果構造決策矩陣（標準化處理后記為（bij）30×5，根據(jù)信息熵理論得到客觀權重：

μ=（μj）1×5=（0.33，0.13，0.16，0.32，0.06）

（3）建立基于最小二乘法的決策模型，得到綜合權重W=（w′j）1×5。模型為

min H（W）=30i=15j=1（（（wj-w′j）2+

（μj-w′j）2）b2ij）

經過以上計算，得到表2所示的權重。

表2 子系統(tǒng)權重及其各風險因子權重

3 模型實證

結合一個案例，對前述模型進行仿真。2013年9月18日凌晨約4點34分，馬耳他籍化學品船“Ovit”號從荷蘭鹿特丹港出發(fā)，前往意大利布林迪西，途中在多佛爾海峽Varne淺灘擱淺。隨后，“Ovit”號借助漲潮成功脫淺，并錨定在多佛爾。按照事故發(fā)生前后相關系統(tǒng)表現(xiàn)的細節(jié)，通過問詢行業(yè)內的專家，在專業(yè)判斷的基礎上確定模型參數(shù)值。

3.1 子系統(tǒng)風險量化值的確定

船員系統(tǒng)風險量化值。

①根據(jù)對船員心理的了解，船員情緒低落，部分船員希望離開，因此將此次事件中的心理因素等級確定為E，量化值為40。

②船員在海上3～6個月（屬于正常作業(yè)時間），沒有出現(xiàn)不良的生理狀態(tài)，因此將生理因素等級確定為C，量化值為70。③根據(jù)對事故前相關系統(tǒng)的調查結果，雖然所有船員具備相應的資格證書，航運公司也對設備的使用專門進行過培訓，但是船員仍無法熟練操作船上設備，故將船員綜合從業(yè)能力等級定為D，量化值為55，并且將船員違章操作等級定為D，量化值為50。④此次航行中，船員頻頻發(fā)生失誤，船上沒有形成有序的安全文化意識，因此將失誤出現(xiàn)的可能性等級定為E，量化值為40。結合表1，可以確定船員系統(tǒng)風險量化值為

40×0.19+70×0.08+55×0.56+50×0.09+40×0.08=51.7。

設備系統(tǒng)風險量化值。

①根據(jù)對事故的敘述，船舶的導航設備存在問題，警報設備未正常開啟，說明設備維護不到位，因此將設備維護等級定為D，量化值為55。②船舶設備都屬于較新的設備，并且采用了難度較大的電子海圖導航設備，船員無法熟練掌握，因此將設備老化落后等級定為B，量化值為75。③同理，將船舶結構強度等級定為B，量化值為75。結合表1，可以確定設備系統(tǒng)風險量化值為55×0.65+75×0.22+75×0.13=62。

貨物系統(tǒng)和管理系統(tǒng)風險量化值。

通過咨詢專家以及查詢歷史數(shù)據(jù)，確定貨物系統(tǒng)中貨物危險性、貨物積載、包裝、船舶環(huán)境和船舶結構的量化值分別為70，70，70，70和75，管理系統(tǒng)中信息支持、安全監(jiān)管、船員配備和安全培訓的量化值分別為55，50，60和55。結合表1可知：貨物系統(tǒng)風險量化值=70×0.39+70×0.20+70×0.20+70×0.13+75×0.08=70.4;管理系統(tǒng)風險量化值=55×0.16+50×0.32+60×0.05+55×0.47=53.65。

環(huán)境系統(tǒng)風險量化值。

根據(jù)同樣的方法確定風險因子的量化值，結合各風險因子權重計算出通航風險量化值為48，自然風險的量化值為75。

3.2 仿真結果

案例中，船從發(fā)生擱淺事故到最后安全脫險總共經歷了5 h。因此，本模型的時間單位為min，步長為1 min，時間持續(xù)300 min。水上貨物運輸風險值在0～100之間，數(shù)值越高系統(tǒng)越安全，數(shù)值越接近0系統(tǒng)風險越大。

將上述量化值代入模型中，結合Vensim軟件，得出該化學品船運輸風險子系統(tǒng)風險水平變化曲線，見圖8。根據(jù)各子系統(tǒng)及其風險因子的變化，得到圖9所示的水上貨物運輸風險水平仿真結果。初始時刻02：30（圖中以0時刻表示），風險值為50左右，相對安全。船舶航行過程中，隨著各風險子系統(tǒng)風險因子的變化以及風險的疊加耦合作用，船舶安全水平不斷降低，風險值為45左右時系統(tǒng)安全水平降至最低。隨后，各子系統(tǒng)中風險因子的變化使得系統(tǒng)安全水平不斷升高。在系統(tǒng)安全水平最低時，即在90～150 min時，事故爆發(fā)，船舶發(fā)生擱淺事故。這與該船在04：30發(fā)生擱淺的實際情況相吻合。該模型的演化過程與該化學品船擱淺事故比較吻合。

e）管理系統(tǒng)

圖8 “Ovit”號運輸風險子系統(tǒng)風險水平變化曲線

圖9 “Ovit”號運輸風險水平仿真結果

3.3 靈敏度分析

圖10中：6表示水上貨物運輸風險的初始狀態(tài);5表示貨物危險性變化時系統(tǒng)風險的變化，當貨物危險性降低15%時，系統(tǒng)風險降低2%;4表示船舶因素的變化，當船舶設備因素升高10%時，系統(tǒng)風險降低2.12%;3表示外界環(huán)境變化時系統(tǒng)風險的變化，當通風、濕度降低10%時，系統(tǒng)風險降低2.3%;2表示安全投入發(fā)生變化時系統(tǒng)風險的變化，當安全投入提高10%時，系統(tǒng)風險降低4.4%;1表示當安全投入提高10%，同時貨物危險性降低5%時，系統(tǒng)風險降低4.8%。

圖10 “Ovit”號運輸風險變化

4 結束語

本文采用系統(tǒng)動力學（SD）的方法在Vensim平臺構建水上貨物運輸風險演化模型，刻畫了各風險因子的相互關聯(lián)特性以及風險的動態(tài)變化情況。在風險演化方面，本文只進行了初步嘗試。SD的建模需要大量數(shù)據(jù)的支持，例如風險因子的初始值、風險因子的量化影響因素等。本文在相關參數(shù)量化方面還存在著很大的主觀性，需要進一步改進。

參考文獻：

[1]毛喆， 嚴新平， 陳輝， 等. 水上交通事故分析研究進展[J]. 中國安全科學學報， 2010， 20（12）： 86-92.

[2]李偉磊， 陳偉炯. 基于人、機、環(huán)、管理論的預先性危險分析方法[J]. 水運管理， 2014， 36（3）： 27-28.

[3]胡甚平， 方泉根， 張錦朋， 等. 沿海水上交通安全的風險評估研究[J]. 中國航海， 2010， 33（1）： 50-55.

[4]齊跡. 基于突變理論的海上交通風險預測研究[D]. 大連： 大連海事大學， 2014.

[5]張其兵. 基于集對分析的長江危險品水上運輸安全評價研究[D]. 武漢： 武漢理工大學， 2013.

[6]許玲. 基于變權云模型的水上船舶貨物運輸風險評價研究[D].上海： 上海海事大學， 2014.

[7]胡甚平， 黎法明， 席永濤， 等. 海上交通系統(tǒng)風險成因耦合機理仿真[J]. 應用基礎與工程科學學報， 2015（2）： 409-419.

[8]繆克銀. 危險品貨物海上安全運輸風險模糊評判[J]. 中國航海， 2012， 35（4）： 76-79.

[9]暢建霞， 黃強， 王義民， 等. 基于耗散結構理論和灰色關聯(lián)熵的水資源系統(tǒng)演化方向判別模型研究[J]. 水利學報， 2002， 33（11）： 107-112.

[10]BALIWANGI L， ARIMA H， ARTANA K， et al. Risk modification through system dynamic simulation[C]//Proceedings of the IASTED International Conference on Modelling and Simulation， 2007： 350-354.

[11]NASIRZADEH F， AFSHAR A， KHANZADI

M， et al. Integrating system dynamic and fuzzy logic modelling for construction risk management[J]. Construction Management and Economics， 2008， 26（11）： 1197-1212.

[12]席永濤， 陳杰， 胡甚平， 等. 水上危險貨物運輸管理系統(tǒng)動力學仿真[J]. 上海海事大學學報， 2014， 35（3）： 7-11.

[13]張波， 虞朝暉， 孫強， 等. 系統(tǒng)動力學簡介及其相關軟件綜述[J]. 環(huán)境與可持續(xù)發(fā)展， 2010， 35（2）： 1-4.

[14]黃崇福， 劉安林， 王野. 災害風險基本定義的探討[J]. 自然災害學報， 2010（6）： 8-16.

[15]容志， 李丁. 基于風險演化的公共危機分析框架：方法及其運用[J]. 中國行政管理， 2012（6）： 82-86.

[16]李建民， 齊跡， 鄭中義. 不確定條件下海上?；愤\輸安全演變機理[J]. 哈爾濱工程大學學報， 2014， 35（6）： 707-712.

[17]何葉榮， 李慧宗， 王向前. 煤礦安全管理多元風險辨識及演化機理[J]. 中國安全生產科學技術， 2014（5）： 180-185.

[18]朱茵， 孟志勇， 闞叔愚. 用層次分析法計算權重[J]. 北京交通大學學報， 1999， 23（5）： 119-122.

[19]周薇， 李筱菁. 基于信息熵理論的綜合評價方法[J]. 科學技術與工程， 2010， 10（23）： 5839-5843.

[20]王長青， 張一農， 許萬里. 運用最小二乘法確定后評估指標權重的方法[J]. 吉林大學學報（信息科學版）， 2010， 28（5）： 513-518.