基于貝葉斯時空模型的洋山港及其附近水域事故險情分布特征分析

劉劍平 杜佳欣 尚麟

摘 要：洋山深水港自2005年建港以來，已迅速崛起為中國最重要的國際集裝箱樞紐港。近期規(guī)劃調(diào)整將在北作業(yè)區(qū)設立新航道并新增錨地，這將對洋山深水港及附近水域的通航環(huán)境帶來實質(zhì)性改變。本文采用貝葉斯時空模型，考慮時空交互效應，對事故險情進行分析，提前研判水域風險。研究結(jié)果顯示，小洋山港區(qū)和東海大橋附近水域的風險最高，航行安全水平不穩(wěn)定。大戟洋和北鼎星附近水域風險次高，蘆潮港沿岸碼頭水域風險最低。事故險情主要發(fā)生在春夏兩季，特別是3月、8月和10月。這有助于制定更具針對性的監(jiān)管政策和安全措施，確保航行安全和港口高效運營。

關鍵詞：貝葉斯時空模型；事故險情；風險；洋山港

0 引 言

上海港地處長江下游入海口、東海之濱，是世界上最繁忙的港口之一[1]。自然條件復雜，船舶種類多樣，船舶流量龐大。自2001年明確建設上海國際航運中心目標以來，上海港集裝箱吞吐量于2010年首次超越新加坡港成為世界第一，之后持續(xù)保持領先地位[2]。洋山深水港作為中國首個在海島建設的港口，位于杭州灣口[3]，自2005年開港以來，其集裝箱吞吐量逐年增長，在上海港連續(xù)13年的集裝箱吞吐量排名第一中發(fā)揮著重要作用[4]。

2016年12月，上海市人民政府與浙江省人民政府簽署了《關于共同推進小洋山區(qū)域開發(fā)等重大合作事項的框架協(xié)議》，旨在共同推進小洋山進一步綜合開發(fā)。新的小洋山北作業(yè)區(qū)項目的啟動將引起水域通航環(huán)境的實質(zhì)性變化，使得警戒區(qū)和附近水域的船舶交通管理變得更加復雜。因此，需要提前進行針對性研究，識別水域船舶航行風險，厘清水域事故險情分布特征，保障洋山深水港區(qū)及其附近水域的水上交通安全，確保航行安全和港口運營的可持續(xù)性[5]。

貝葉斯時空模型是一種強大的統(tǒng)計學習方法，它綜合利用先驗信息和觀測數(shù)據(jù)，以概率分布表示參數(shù)不確定性，從而實現(xiàn)更準確、可靠的建模，在探究時空變化或時空分布特征方面具有廣泛應用。鄒齊[6]利用貝葉斯時空分層模型，對新冠疫情傳播規(guī)律的時空相依性進行研究，為有針對性地進行疫情防控提供參考。董文錢[7]等人基于貝葉斯時空模型，探究街面秩序、市容環(huán)境等城管事件的時空演變特征及影響因素，為城市管理提供支持。徐冰[8]針對湖南省手足口病傳染問題，構建貝葉斯時空模型，研究手足口病的高發(fā)季節(jié)與時間，為建立傳染病早期預警系統(tǒng)奠定基礎。Yu[9]等人基于華北、朝鮮半島和日本的部分地區(qū)10年的碰撞報告，考慮空間和時間的相互影響，建立了貝葉斯時空模型來評估碰撞風險。

貝葉斯時空模型通過分析時空分布特征，為風險防控提供了可靠的工具[10]，使得有關部門能夠更準確地理解和預測潛在風險，從而采取針對性的措施。因此，本文利用貝葉斯時空模型，對洋山深水港及其附近水域事故險情分布特征進行建模分析，研究水域風險水平分布特點，為船舶交通安全組織管理提供參考。

1 研究區(qū)域概況與數(shù)據(jù)來源

1.1 研究區(qū)域

本文研究區(qū)域為洋山海事局VTS管理服務區(qū)，洋山海事局管轄洋山深水港及其附近超4 000 m2水域，VTS管理服務區(qū)示意圖如圖1所示[11]。岸線達123 km，轄區(qū)呈現(xiàn)“六多一線”的顯著特點，即：航道多，重要水工構筑物多；大型集裝箱船進出港艘次多，集裝箱吞吐量大；客運航線多，客船多；危險品船多；重點工程多；惡劣天氣多；東海大橋生命線。該水域船舶密度大、交通流復雜、種類多樣化、船舶大型化特征明顯，宏觀的東西向進出港與南北向過境船舶之間船長、吃水、航速差異較為明顯，總體交通流維度的交通環(huán)境較為復雜，安全管理難度較大。

1.2事故險情報告數(shù)據(jù)及預處理過程

為掌握水域事故險情發(fā)生特點，加強重點水域管理，對洋山海事局VTS管理服務區(qū)2017年1月至2023年4月事故險情報告進行分析，共收集134份有效記錄，在建模之前，需要對事故險情數(shù)據(jù)進行收集與預處理，事故險情數(shù)據(jù)的收集與預處理是進行基于貝葉斯時空模型的事故險情分布特征分析的關鍵步驟，準確、完整的數(shù)據(jù)收集以及有效的預處理過程對于后續(xù)模型建立和結(jié)果分析至關重要。

根據(jù)洋山VTS管理服務區(qū)部分航路的位置，將該區(qū)域劃分為金山航道東西向西段至金山沿岸碼頭、蘆潮港沿岸碼頭、小洋山港區(qū)及東海大橋、大戟洋及北鼎星、主航道警戒區(qū)及大洋山以南5個區(qū)域，各區(qū)域的劃分及位置如圖2所示：

本文提取事故險情報告中的時間與位置信息，根據(jù)經(jīng)緯度位置信息，將事故對應到各個區(qū)域中，對位置信息進行處理。事故險情發(fā)生位置屬于區(qū)域1時，位置點記為“1”；事故險情發(fā)生位置屬于區(qū)域2時，位置點記為“2”。以此類推，將所有的位置信息進行歸類，并記錄事故險情的發(fā)生年份，組成一組具有時空信息的數(shù)據(jù)樣本，并收集整理各個區(qū)域的交通流量，作為模型的輸入。

2 研究方法

根據(jù)貝葉斯理論，貝葉斯模型可以將樣本信息與先驗分布相結(jié)合來估計后驗分布，后驗分布表示影響因素導致事故險情發(fā)生的概率。由于典型的貝葉斯模型遵循泊松分布[12]，因此似然函數(shù)可以表示為：

L（y|μ）=i=1∏5? ?μiyiexp（－μi）/yi?。?）

式中，yi表示服從泊松分布的船舶事故險情發(fā)生次數(shù)，μi表示事故險情發(fā)生次數(shù)的期望值，i表示事故險情發(fā)生區(qū)域，i∈{1，2，3，4，5}。

假定船舶事故險情發(fā)生是相互獨立的。因此，泊松分布μi的期望值可建模為 ：

E（yi）=μi=eiθi（2）

式中ei為事故險情發(fā)生的預期次數(shù)，θi為區(qū)域i的事故險情發(fā)生相對風險值。參數(shù)ei可表示為：

ei=rk pi（3）

式中，r為整個區(qū)域的事故險情發(fā)生概率，pi為區(qū)域i的船舶流量。r可以通過事故險情發(fā)生次數(shù)和每個區(qū)域i的交通流量表示為：

r=5Σi=1 yi / 5Σi=1pi（4）

在本文中，事故險情發(fā)生相對風險值θ是評估事故險情發(fā)生風險概率的關鍵參數(shù)。以空間和時間參數(shù)為橋梁，計算時空交互效應對潛在事故險情發(fā)生風險的影響。為了比較貝葉斯模型的性能，從考慮或不考慮時空交互效應出發(fā)，本文提出了3種類型的貝葉斯時空模型，如模型（5）、（6）、（7）所示。在實踐中，通過DIC （Deviance Information Criterion）值來評價擬合優(yōu)度，DIC是對擬合優(yōu)度性能的評價標準，廣泛應用于多個候選模型之間的比較[13]。具體而言，DIC值越小代表模型的性能越好。

θij=exp（a0+a1*timelj+ui+gi+di*timelj）（5）

θij=exp（a0+a1*timelj+ui+vi+gj+ditimelj）（6）

θij=exp（a0+a1*timelj+ui+vi+gj+psiij+ditimelj（7）

其中參數(shù)j表示年份，α0為表示平均事故險情發(fā)生相對風險的截距參數(shù)，由馬爾可夫鏈蒙特卡羅（MCMC）方法得到，α1為時間效應系數(shù)，time1j為j年的時間效應，ui為由空間因素引起的隨機效應。在模型（6）和（7）中，vi分別表示非空間因素引起的隨機效應，gj表示自回歸時間效應，di表示位置效應，psiij表示時空交互效應。

3 結(jié)果與分析

經(jīng)求解，模型（5）的DIC值為130.6548，模型（6）的DIC值為129.9314，模型（7）的DIC值為115.9526。其中模型（7）的DIC值最小，因而表明時空交互效應psiij對船舶事故險情發(fā)生有較大影響，且模型（7）是評估事故險情風險的最佳模型。

根據(jù)事故險情報告歸類得到的各區(qū)域發(fā)生的事故險情位置如圖 3所示，可以直觀地發(fā)現(xiàn)，區(qū)域3和區(qū)域5發(fā)生事故險情的頻率較高，其次是區(qū)域4，區(qū)域1與區(qū)域2發(fā)生事故險情的頻率較低。從圖中也可以看出，在警戒區(qū)及警戒區(qū)以南事故險情發(fā)生的頻率較高，警戒區(qū)以北相對較低。

利用所選模型（7），計算各研究區(qū)域的相對風險值θ，如表1所示。根據(jù)事故險情發(fā)生相對風險值，將5個區(qū)域劃分為低、中、高3個事故險情發(fā)生風險等級。

根據(jù)表1中結(jié)果，將事故險情發(fā)生相對風險（RCR）值小于1.00的區(qū)域定義為低風險區(qū)域，RCR值在[1.00，1.50）之間的區(qū)域定義為中風險區(qū)域，RCR值大于1.50的區(qū)域定義為高風險區(qū)域。因此，區(qū)域3為高風險區(qū)域，區(qū)域4和5為中風險區(qū)域，區(qū)域1和區(qū)域2屬于低風險區(qū)域。

圖4展示了各區(qū)域相對風險值逐年變化情況。觀察圖中可知，區(qū)域3、區(qū)域4和區(qū)域5的相對風險值均于2018年達到一個峰值，表明2018年可能是事故險情高發(fā)的一年，水域風險水平較高。區(qū)域3的相對風險水平波動較大，表明區(qū)域3事故險情發(fā)生的數(shù)量在歷年的分布并不均勻，可能是由于航行規(guī)則的改變，導致交通流量發(fā)生變化，進而影響事故險情的發(fā)生。除區(qū)域3外，其他區(qū)域的相對風險水平較為平穩(wěn)，波動較小，表明這些水域較為穩(wěn)定，整體航行安全水平變化不大。

2017年1月至2023年4月事故險情數(shù)變化情況如圖5所示，可以看出，事故險情數(shù)在2018年達到高峰，全年共發(fā)生54起。然而，隨后的幾年，即2019年至2021年，事故險情數(shù)量明顯減少。這可能是由于疫情導致了社會活動的限制以及各項安全措施的加強，從而降低了事故的發(fā)生率。而隨著疫情的穩(wěn)定與好轉(zhuǎn)，2022年雖然事故數(shù)量未發(fā)生明顯變化，但險情數(shù)量明顯上升，導致事故險情數(shù)再次呈現(xiàn)上升趨勢。隨著經(jīng)濟的復蘇以及海上貿(mào)易的逐漸恢復，洋山海事局VTS管理服務區(qū)來往的交通流量也在逐步恢復疫情前的水平。因此，為防止事故險情數(shù)的進一步攀升，須繼續(xù)加強安全措施和管理，以確保航行安全和避免事故的發(fā)生。

船舶事故險情在2017年至2023年間呈現(xiàn)出較為明顯的季節(jié)性分布趨勢，如圖6所示，從事故險情總量而言，春季和夏季是高發(fā)季節(jié)，而秋季和冬季則相對較低，但在每一年里面季節(jié)性特點并不完全相同。每年春季洋山水域為大風及能見度不良天氣多發(fā)季節(jié)，一定程度上導致了險情事故多發(fā)的客觀現(xiàn)象，而夏季主要受高溫、短時強對流天氣以及臺風影響，風險因素較多，海上風浪較大，增加了事故發(fā)生的可能性。

為了更加詳細地總結(jié)險情事故在時間維度上的分布特點，本文進一步分析了2017至2023年來事故險情數(shù)在各月的分布情況，如圖7?？芍鹿孰U情在3月發(fā)生的頻率較大，達到了月平均4.3起。其次為8月和10月，事故險情數(shù)為月平均2.3起。因此，應格外注意水域在春夏兩季的事故發(fā)生情況，特別是3月、8月與10月，采取一定措施預防事故的發(fā)生。

4 結(jié) 論

厘清事故險情發(fā)生時空分布特點在海事部門對水域進行針對性監(jiān)管方面具有重要意義。本文基于貝葉斯時空模型，考慮時空交互效應，對洋山深水港及其附近水域事故險情發(fā)生情況進行建模分析。研究結(jié)果顯示，小洋山港區(qū)以及東海大橋附近水域的相對風險水平最為突出。這一區(qū)域的風險水平呈現(xiàn)出逐年波動的趨勢，航行安全水平相對不穩(wěn)定。大戟洋及北鼎星附近水域的航行風險居次高，蘆潮港沿岸碼頭附近水域船舶航行風險最低。在洋山港及其附近水域，事故險情多發(fā)于春夏兩季，其中主要分布在3月、8月和10月。

基于模型分析結(jié)果，針對高風險區(qū)域，可以采取更頻繁的巡航巡檢、加強導航警示設施建設等措施，以提高航行安全性。同時，對于低風險區(qū)域，可以適度調(diào)配監(jiān)管資源，優(yōu)化監(jiān)管策略，以確保資源的最優(yōu)利用。

綜上所述，本文深入分析了洋山深水港及其周邊水域事故險情的時空分布特點，識別水域安全風險，為小洋山北作業(yè)區(qū)的規(guī)劃與建設后，海事部門水上交通安全組織提供有力保障。未來的研究可以考慮更多影響事故發(fā)生的因素，進一步提升預測模型的準確性和實用性。這將有助于在海域管理中更好地平衡航行效率與安全性，確保水域的可持續(xù)發(fā)展。

參考文獻

[1] 趙一飛.上海國際航運中心洋山深水港區(qū)國際中轉(zhuǎn)業(yè)務的新里程碑[J].集裝箱化，2021，32（12）：1-2+19.DOI：10.13340/j.cont.2021.12.001.

[2] 洋山深水港區(qū)四期工程上海國際航運中心[J].城鄉(xiāng)建設，2021（18）：72-73.

[3] 陳煒俊.上海港洋山深水港區(qū)發(fā)展對策[J].集裝箱化，2012，23（02）：16-19.

[4] 王桂英.發(fā)展國際集裝箱水水中轉(zhuǎn)助推上海國際航運中心建設——以洋山港為例[J].物流工程與管理，2012，34（05）：1-2+7.

[5] 黃少卿.洋山港——名副其實的東方大港[J].港口經(jīng)濟，2016（07）：53-55.

[6] 鄒齊. 基于貝葉斯分層時空模型的新冠疫情時空相依性研究[D].上海師范大學，2022.DOI：10.27312/d.cnki.gshsu.2022.000759.

[7] 董文錢，董良，向琳等.基于貝葉斯時空模型的城管事件時空變化分析[J].地球信息科學學報，2020，22（05）：1073-1082.

[8] 徐冰. 基于貝葉斯網(wǎng)絡的傳染病時空預警模型研究[D].長安大學，2016.

[9] Yu Y， Chen L， Shu Y， et al. Evaluation model and management strategy for reducing pollution caused by ship collision in coastal waters[J]. Ocean & Coastal Management， 2021， 203： 105446.

[10] 梁永玉，田茂再.基于分層貝葉斯時空Poisson模型的流行病建模研究[J].系統(tǒng)科學與數(shù)學，2022，42（02）：462-472.

[11] 徐善雷，郭錦春.洋山港海事局：大數(shù)據(jù)應用讓水域更安全[J].中國海事，2018（11）：70-71.DOI：10.16831/j.cnki.issn1673-2278.2018.11.023.

[12] 趙昕. 基于貝葉斯時空模型的甘肅省猩紅熱發(fā)病時空分布及與氣象等因素的關聯(lián)研究[D].蘭州大學，2023.

[13] 徐單. 基于貝葉斯新方法的時空獨立模型影響分析[D].東南大學，2016.董天翔. 江蘇省高速路網(wǎng)道路低溫時空分布及預警模型對比研究[D].南京信息工程大學，2018.