基于船舶大數(shù)據(jù)的港口裝卸效率值計算方法

廖詩管，楊冬，白茜文，翁金賢,1b

(1.上海海事大學(xué)，a.海洋科學(xué)與工程學(xué)院，b.交通運(yùn)輸學(xué)院，上海201306；2.香港理工大學(xué)，物流及航運(yùn)學(xué)系，香港999077；3.清華大學(xué)，工業(yè)工程系，北京100084)

0 引言

港口裝卸效率是港口競爭力的重要指標(biāo)，對于縮短船舶在港停泊時間、加快船舶周轉(zhuǎn)、降低運(yùn)輸成本起著至關(guān)重要的作用，直接影響著船公司對航線掛靠港的選擇[1]。評估港口的裝卸效率需要考慮許多因素的影響，包含可獲取因素(岸吊數(shù)量等)、難以獲取因素(港口的操作和管理水平等)和隨機(jī)因素(天氣和岸吊機(jī)械故障等)。難以獲取因素和隨機(jī)因素為評估港口實(shí)際裝卸效率帶來巨大挑戰(zhàn)，使港口間的效率衡量及比較沒有唯一的方法可遵循。為準(zhǔn)確估計港口的裝卸效率值，比較不同港口裝卸效率的差異，亟需提出一種標(biāo)準(zhǔn)化的港口裝卸效率值估計方法，以更客觀地評估和比較復(fù)雜多因素下的港口裝卸效率，為港口提升管理水平和船公司決策提供參考。

較為典型的港口效率評估方法是Charnes 等[2]率先提出的數(shù)據(jù)包絡(luò)分析法(DEA)，該方法得到了廣泛的運(yùn)用與發(fā)展。例如：李丹等[3]采用改進(jìn)的三階段DEA 模型對我國沿海集裝箱碼頭2008-2012年的運(yùn)營效率進(jìn)行測度分析；Cheon 等[4]構(gòu)建了基于DEA 模型的Malmquist 生產(chǎn)力指數(shù)(MPI)模型，用以評估世界集裝箱港口效率變化情況；Wu等[5]應(yīng)用DEA 技術(shù)估算了集裝箱港口效率，他們認(rèn)為難以觀測的非有形因素會影響集裝箱港口的效率。DEA更多的是考慮宏觀指標(biāo)(資本、勞動和土地等)對港口效率變化的影響，對微觀運(yùn)作指標(biāo)(港口的裝卸設(shè)備和運(yùn)營條件等)缺乏考慮。陳龍彪等[6]估算了反映港口生產(chǎn)力的指標(biāo)，利用了岸吊設(shè)備對碼頭作業(yè)效率進(jìn)行評估。Zhong 等[7]使用海事大數(shù)據(jù)，提出一種識別船舶裝卸作業(yè)事件的算法，估算了石油港口的裝卸效率、吞吐量等5個港口性能指標(biāo)。虞哲人[8]分析了新型岸吊設(shè)備對提高碼頭作業(yè)效率的作用，并預(yù)測其應(yīng)用前景。此類方法雖然考慮了港口的微觀運(yùn)作數(shù)據(jù)，但依賴較為詳細(xì)的碼頭裝卸設(shè)備的數(shù)據(jù)資料，故在應(yīng)用擴(kuò)展性上有局限。

AIS提供全球船舶實(shí)時動態(tài)信息，被廣泛認(rèn)為是未來改變航運(yùn)業(yè)運(yùn)營模式的大數(shù)據(jù)來源。近年來，基于AIS利用大數(shù)據(jù)技術(shù)發(fā)展出來的實(shí)際應(yīng)用越來越廣，評估港口競爭力指標(biāo)被認(rèn)為是其未來的發(fā)展方向之一[9]。本文利用GMap可視化技術(shù)和港口的歷史裝卸數(shù)據(jù)，提出一種基于船舶大數(shù)據(jù)的港口裝卸效率值的估計方法，以評估多因素和微觀運(yùn)作數(shù)據(jù)不足的復(fù)雜條件下的港口績效指標(biāo)。該指標(biāo)所具備的實(shí)用價值，可為港口管理提供標(biāo)準(zhǔn)，同時用于估算和實(shí)時監(jiān)控港口的吞吐量，最終提升港口數(shù)字化管理水平。本文以2017年全球集裝箱吞吐量前四的港口作為算例，證明該方法的有效性。

1 港口裝卸效率值計算模型

1.1 港口裝卸效率值計算公式

《海港總體設(shè)計規(guī)范》[10](簡稱《規(guī)范》)是我國根據(jù)近十多年來沿海港口總體設(shè)計經(jīng)驗(yàn)及專家知識制定而成?！兑?guī)范》的主要內(nèi)容包括港址選擇、設(shè)計基礎(chǔ)條件、裝卸工藝等。其中，裝卸工藝所在章節(jié)中提出了港口裝卸效率值的估計方法。

根據(jù)《規(guī)范》，集裝箱船設(shè)計船時效率pi表示為船舶i?？扛劭跁r，單位時間內(nèi)的裝卸量，即

式中：Eport為港口的裝卸效率值；ni為滿足船舶i裝卸所需配備的岸吊臺數(shù)；qi為船舶i所配備的岸吊臺時效率基準(zhǔn)值(TEU·h-1)；ki為船舶i所配備的岸吊同時作業(yè)率；ri為船舶i的作業(yè)倒箱率。

《規(guī)范》中給定的港口裝卸效率值Eport定義為兩個因素的乘積，即集裝箱標(biāo)準(zhǔn)箱折算系數(shù)和新型裝卸設(shè)備(可吊雙箱的集裝箱岸吊等)對裝卸效率的提升系數(shù)，單位為無量綱。在實(shí)際生產(chǎn)過程中，不確定因素也可能影響港口的裝卸效率(不良天氣，設(shè)備故障等)。因此，《規(guī)范》中也僅給出裝卸效率值的經(jīng)驗(yàn)取值范圍，并沒有具體的計算方法。

理論上，港口實(shí)際吞吐量是所有靠港船舶的設(shè)計船時效率與靠泊時長的乘積，即

式中：Qa為港口實(shí)際吞吐量(TEU)；ti為船舶i的靠泊時長(h)；I為所有靠港船舶的集合。

船舶自動識別系統(tǒng)(AIS)實(shí)時采集船舶在港口中的位置信息[6]。港口操作的隨機(jī)因素和難以觀測因素可通過歷史吞吐量與靠泊時間長短觀測而得。AIS提供了一個提取靠泊時間的平臺，可通過設(shè)計算法識別船舶靠離泊時刻，估計靠泊時長(詳見第1.2 節(jié))。根據(jù)《規(guī)范》提供的ni,qi,ki,ri的取值范圍，本文提出其唯一的取值方法(詳見第2.3 節(jié))，從而估計港口的裝卸效率值，即

本文提出的港口裝卸效率值估計方法，彌補(bǔ)了現(xiàn)有文獻(xiàn)對不可知或不確定因素考慮不足的情形，把《規(guī)范》中效率的范圍取值進(jìn)一步估算為確切的港口裝卸效率，從而使實(shí)時大規(guī)模港口吞吐量的估計和監(jiān)控成為可能。

1.2 靠泊時長估計方法

船舶靠泊時長一般可理解為船舶離泊時刻與船舶靠泊時刻的時間差，準(zhǔn)確地識別船舶靠離泊時刻是估計港口裝卸效率值的關(guān)鍵。本文通過兩個步驟估計船舶的靠泊時長：步驟1，根據(jù)衛(wèi)星地圖和專業(yè)網(wǎng)站實(shí)時地圖信息，識別港口泊位位置以確定船舶靠泊區(qū)域；步驟2，輸入AIS數(shù)據(jù)中船舶位置信息，利用GMap可視化技術(shù)確定船舶是否進(jìn)入泊位區(qū)域以確定靠離泊時刻。圖1為船舶靠泊時長估計方法的框架。

圖1 船舶靠泊時長估計方法框架Fig.1 Methodology framework for ship berthing time estimation

如圖2所示，由于集裝箱碼頭分布著大量岸吊及堆場，從衛(wèi)星圖像中能夠明顯地觀察出這些特征，初步識別泊位區(qū)域。船訊網(wǎng)、勞氏船級社等專業(yè)網(wǎng)站提供了實(shí)時船舶位置信息，通過觀察是否有船舶?？吭诔醪阶R別的泊位區(qū)域，可校正所識別泊位區(qū)域的準(zhǔn)確性。本文定義的泊位區(qū)域?qū)挾纫圆次痪€沿水域方向100 m劃分[11]。

圖2 泊位區(qū)域確定方法Fig.2 Method for berth area identification

圖3為將原始AIS數(shù)據(jù)去噪后提取的實(shí)時船舶運(yùn)動軌跡。通過GMap可視化技術(shù)，將標(biāo)定的泊位區(qū)域與實(shí)時船舶運(yùn)動軌跡結(jié)合，確定船舶靠離泊時刻。例如圖3中的船舶MMSI 編號為477335600，在2017年8月26日12:56:56 識別為靠泊時刻，在2017年8月26日20:05:43識別為離泊時刻，靠泊時長約為7 h。

圖3 基于GMap可視化技術(shù)的船舶靠離泊時刻識別Fig.3 Method for GMap-visualization-technology-based ship berthing and unberthing time identification

2 數(shù)據(jù)收集與分析

2.1 集裝箱吞吐量統(tǒng)計數(shù)據(jù)

規(guī)模以上(例如年吞吐量達(dá)到200萬TEU)港口統(tǒng)計集裝箱吞吐量一般以月度數(shù)據(jù)為主，本文基于中國交通運(yùn)輸部和新加坡海事及港務(wù)管理局官方統(tǒng)計數(shù)據(jù)，梳理出2017年全球集裝箱吞吐量排名前四的港口：上海港、新加坡港、深圳港和寧波-舟山港的月度集裝箱吞吐量數(shù)據(jù)，即Qa的值，結(jié)果如表1所示。

表1 2017年4個港口集裝箱吞吐量月度數(shù)據(jù)Table 1 Monthly container throughput data of four ports in 2017

2.2 AIS數(shù)據(jù)

基于2017年全球AIS 數(shù)據(jù)，時間頻率為10～15 s，共計超2 TB的數(shù)據(jù)容量。收集的數(shù)據(jù)具有較高的數(shù)據(jù)精度，為識別船舶的靠離泊時刻提供可靠的數(shù)據(jù)保障，也能夠保證計算和驗(yàn)證所提出方法的有效性。

共收集到全球6320 艘有MMSI(船舶編碼)的集裝箱船數(shù)據(jù)，經(jīng)匹配AIS數(shù)據(jù)獲得4787艘船舶運(yùn)動軌跡數(shù)據(jù)，每月數(shù)據(jù)規(guī)模達(dá)到約5 GB。匹配結(jié)果少于總集裝箱船數(shù)量，可能原因?yàn)椋?/p>

(1)某些船舶已經(jīng)報廢；

(2)部分船舶經(jīng)改造成非集裝箱船，造成MMSI改變；

(3)部分集裝箱船在一段時間內(nèi)并不進(jìn)行運(yùn)輸作業(yè)；

(4)2017年之后新造的船舶。

2.3 計算參數(shù)取值

依據(jù)《規(guī)范》，ni,qi,ki,ri的取值范圍僅與船舶噸級(GDWT)或載箱量(CTEU)有關(guān)，如表2和表3所示。其中，ni和qi的取值為整數(shù)，ki的取值隨載箱量的增大而減小，ri的取值隨船舶載箱量的增大而增大。

表2 不同噸級的集裝箱船岸吊配備數(shù)量Table 2 Number of quay cranes for container ships by different tonnages

表3 不同載箱量的集裝箱船岸吊臺時效率、同時作業(yè)率及倒箱率Table 3 Loading and unloading efficiency of quay cranes,simultaneous operation rate and turnover rate of container ships with different TEU capacity

進(jìn)一步確定4個參數(shù)唯一取值的方法，即

例如：依據(jù)表2，當(dāng)船舶噸級在[27500,45000)時，ni的取值按船舶噸級范圍的中值分為兩組，即ni=2,GDWT∈(2 7500,36250);ni=3,GDWT∈[3 6250,45000)。依據(jù)表3，當(dāng)船舶載箱量在(1900,5650]時，qi的取值根據(jù)船舶載箱量范圍按組距等量分為6 組，即其中表示向下取整符號；對應(yīng)ki的取值采用兩點(diǎn)之間的一次方程確定唯一取值，即ki=-0.00003CTEU+0.9507,CTEU∈(1 900,5650 ]；ri的取值按給定范圍的均值做近似估計，即ri=0.035,CTEU∈(1 900,9500 ]。

3 計算結(jié)果分析

3.1 集裝箱船靠泊時長計算

根據(jù)1.2節(jié)提出的方法和所匹配的4787艘AIS數(shù)據(jù)，估計2017年上海港、新加坡港、深圳港和寧波-舟山港集裝箱船靠泊時長的月度數(shù)據(jù)，利用@RISK軟件對1月的單船靠泊時長進(jìn)行統(tǒng)計分析，結(jié)果如圖4所示。上海港單船靠泊時長呈Person分布，平均靠泊時長為14.56 h；新加坡港單船靠泊時長呈LogLogistic 分布，平均靠泊時長為15.58 h；深圳港單船靠泊時長呈LogLogistic分布，平均靠泊時長為13.89 h；寧波-舟山港單船靠泊時長呈InvGauss分布，平均靠泊時長為17.25 h。本文關(guān)于船舶靠泊時間分布規(guī)律與現(xiàn)有文獻(xiàn)[11]研究結(jié)果相似。

圖4 1月的靠泊時長分布結(jié)果Fig.4 Distribution of calculated berthing time in January

表4為4個港口1月靠泊船舶的大小分布。結(jié)果表明，上海港和新加坡港靠泊船舶大小分布類似；深圳港和寧波-舟山港相對來說大型船舶靠泊比例較高。一般地，大型船舶的單位集裝箱操作時間較長。

表4 1月份靠泊船舶的大小分布Table 4 Size distribution of ships berthing in January

3.2 港口裝卸效率值計算

根據(jù)式(3)和第2.3 節(jié)給出的參數(shù)取值方法，在求得船舶靠泊時長的情況下，對4個港口2017年上半年的裝卸效率值進(jìn)行計算，結(jié)果如圖5所示。

圖5 2017年上半年港口裝卸效率值估計結(jié)果Fig.5 Estimated handling efficiency of ports in first half of 2017

研究結(jié)果表明：

(1)2017年上半年，上海港、新加坡港、深圳港和寧波-舟山港的裝卸效率月度均值分別為2.86、1.87、2.17 和2.10。在靠泊船舶的大小分布相似的情況下，上海港的裝卸效率高于新加坡港，深圳港的裝卸效率高于寧波-舟山港。根據(jù)2015年ITF/OECD報告結(jié)果，新加坡港每船每小時平均集裝箱移動量僅為66 TEU，而上海港為167TEU，深圳港為133 TEU[12]。本文研究結(jié)論與該結(jié)果一致。

(2)各港口月度裝卸效率值起伏變化不明顯，說明港口裝卸效率在一定時間內(nèi)不會有較大變化。一般地，港口引進(jìn)新型設(shè)備或智能化技術(shù)能夠明顯提高港口裝卸效率[8]。因此，有理由認(rèn)為港口裝卸效率在一段時間內(nèi)相對穩(wěn)定，較少出現(xiàn)突變特征。

3.3 算例驗(yàn)證

為驗(yàn)證所提出方法的準(zhǔn)確性，利用所估計的上半年裝卸效率值對4 個港口下半年的吞吐量進(jìn)行估計。根據(jù)式(2)，港口吞吐量的估計值可表示為

式中：為估計的港口裝卸效率值。假設(shè)港口下半年裝卸效率值維持上半年月度均值水平，估計下半年港口吞吐量與實(shí)際吞吐量的誤差，結(jié)果如圖6所示。其中，誤差百分比為正數(shù)表示估計吞吐量大于實(shí)際吞吐量，反之亦然。

圖6 2017年下半年港口的估計吞吐量與實(shí)際吞吐量誤差結(jié)果Fig.6 Estimation error of ports in second half of year of 2017

研究結(jié)果表明：

(1)上海港、新加坡港、深圳港和寧波-舟山港下半年月度吞吐量估計誤差絕對值的均值分別為2.77%、2.06%、2.93%和2.46%。

(2)4 個港口月度吞吐量的估計均值準(zhǔn)確率在97%以上，故認(rèn)為本文所提出的估計港口裝卸效率值的方法具有較高的準(zhǔn)確性，能夠在一定程度上反映港口確切的裝卸效率。

(3)基于AIS 實(shí)時數(shù)據(jù)，利用該方法可對全球集裝箱港口吞吐量進(jìn)行實(shí)時測算和監(jiān)控。

4 結(jié)論

本文基于高頻AIS船舶大數(shù)據(jù)，提出一種基于圖像技術(shù)的港口裝卸效率值的計算方法，用于評估多因素和微觀運(yùn)作數(shù)據(jù)不足的復(fù)雜條件下的港口實(shí)際裝卸效率。通過對2017年全球集裝箱吞吐量排名前四的港口裝卸效率值進(jìn)行估算發(fā)現(xiàn)，上海港的裝卸效率高于新加坡港，深圳港的裝卸效率高于寧波-舟山港，利用估算的效率值估算4 個港口的吞吐量，準(zhǔn)確率可達(dá)到97%以上，這表明此方法能夠準(zhǔn)確地對不同港口間裝卸效率進(jìn)行估算和比較。本文提出的效率參數(shù)計算方法，可用于估算全球集裝箱港口或碼頭的實(shí)時吞吐量，極大的減少了人工統(tǒng)計產(chǎn)生的成本和誤差，使市場數(shù)據(jù)變得透明，不僅為港口提升管理水平和船公司選擇掛靠港口的決策提供理論參考，也有助于提升航運(yùn)港口業(yè)數(shù)字化的科研和發(fā)展。