基于海事大数据的船舶综合风险评价和船旗国检查选船标准优化研究

张 帆 范文红 黄 亮 俞 磊 刘 浩 彭鹏飞

(武汉理工大学航运学院1) 武汉 430063) (国家水运安全工程技术研究中心2) 武汉 430063) (内河航运技术湖北省重点实验室3) 武汉 430063)(武汉理工大学智能交通系统研究中心4) 武汉 430063) (深圳海事局5) 深圳 518031)

0 引 言

船舶安全检查作为提高水上交通安全水平和运输效率的重要手段，能有效防止船舶污染水域，保障水上人命财产安全[1].船舶安全检查按管辖性质可分为两大类，第一类是船旗国检查(flag state control, FSC)；第二类是港口国监督(port state control, PSC).针对FSC，国内学者进行了相关研究.程宇骁等[2]分析了船舶缺陷和岸基管理的关系.曾光[3]提出了海事部门在船旗国检查中如何减少不当滞留的对策建议.在监督检查目标船选择方面，赵述欣[4]利用层次分析法及模糊综合评判方法，建立FSC目标船确认评判模型.以上研究完善了我国现行的船舶安全检查选船机制，但并未考虑船舶航行环境、船舶行为等动态因素，也未充分关联已有的海事动、静态数据.

为规范船舶安全检查工作，2017年交通运输部海事局出台了《船舶安全监督选船标准(试行)》(以下简称《选船标准》)，现行的选船机制作为船舶安全检查工作中确定检查目标的标准，在识别低标准船舶上发挥了重要作用，提高了船舶安全检查的针对性.但随着国家海洋战略的实施和沿海地区经济的快速发展，水上交通活动的类型和频率不断增加[5]，现行选船机制存在的问题也越来越突出，主要体现在：船舶到港数量较大，船舶的技术状况、维修保养状况得到很大提升，现行的以船舶基础数据和历史检查数据为基准的选船方法得到的船舶风险值差异较小，且现行船舶安全检查选船标准重点关注船舶的静态信息，忽略了航行过程中直接影响船舶安全的动态航行行为，从而影响船旗国检查的效果.

随着海事信息化的发展，涉及船舶、船员、船公司、AIS(automatic identification system, AIS)等日益积累构成了“人-船舶-货物-环境-设施”等海事大数据.

文中综合利用现有的船舶动、静态数据，在现行选船机制的基础上，采用FP-growth(frequent pattern-growth, FP-Tree)算法挖掘分析风险因素之间的关联关系，增添船舶静、动态因素，构建船舶综合风险评价指标体系，优化相应的选船标准，利用深圳海事局的海事业务数据进行实验，验证优化的选船标准的有效性和实用性.

1 船舶综合风险评价模型和选船方法

1.1 船舶综合风险评价指标体系构建

依据深圳海事局2020年滞留船舶、必检船舶、应检船舶、协查船舶、重点跟踪船舶和事故船舶共4 210条船舶数据进行风险因素关联规则挖掘分析，探索船员等因素对船舶安全的影响.

关联规则的实质是分析数据项集在所有事物项集合中出现的频度关系.一般定义如下：设Q={Q1,Q2,…，Qn}是一个项目集，A是一个事务数据库，其中每个事务B⊂Q，每个事物用TID作为标志符.关联规则的挖掘就是发现数据库中支持度和可信度大于最小支持度和最小可信度的全部规则.

根据实验数据数量，结合专家建议，并参考文献[6]，将最小支持度(包含风险A和风险B的事物数与所有事物数之比)和最小置信度(包含风险A和风险B的事务数与包含A的事务数之比)分别设置成0.6和20，根据置信度从高到低进行排序，见表1.

表1 风险因素关联规则

由表1可知：海事事故、船舶缺陷、船舶行政处罚等因素对船舶安全影响较大.因此，在现行选船标准的基础上，参考关联分析结果，以全面性和可获取性为原则，结合数据统计分析，将风险因素划分为船舶、船员、船公司、货物、历史检查五个要素，并划分相应的二、三级指标，并利用德尔菲法和头脑风暴法为纳入的风险属性赋予风险值，形成船舶综合风险评价指标体系，见表2.

表2 船舶综合风险评价指标体系

1.2 指标说明

1.2.1静态指标

1) 船员 研究表明，人的失误是各类事故中的重要原因，超过60%的事故与人的失误直接相关.全球贸易中90%以上的货物运输是由海上运输来完成的，水路运输中近年来重大航运事故，均暴露出是人为因素造成事故的重要原因.

2) 航次货物 据《国际海运危险货物规则》、《MARPOL 73/78公约》《IBC规则》,以及实际监管实践经验可知，不同危险货物的风险属性差别较大.

1.2.2动态指标

1) 船舶AIS信号无故消失1 h AIS数据，是一种随船舶状态变化而采集的数据，准实时变化的AIS数据，不仅确定了船舶的空间地理位置，还可以对船舶的行为进行分析，例如，海上交通密度、船舶会遇态势等.AIS数据是目前船舶动态属性研究应用最多的数据之一，具有很好的时间特性.船舶在锚泊状态下180 s报告一次，船速0～14 kn，12 s报告一次，船速14～23 kn，6 s报告一次，船速大于23 kn，3 s报告一次.因此，若长时间(本文定义为1 h)未接收到AIS信号，则有可能是船员由于业务水平原因操作不当而关闭或故意关闭发生违规行为.

2) 过去12个月内在监管区域逗留时间80%以上为非工作时间的次数 打击低标准船舶一直是船舶管理的重点和难点.根据海事一线人员的反馈，低标准船舶会选择在海事现场执法频次较少时进行靠泊作业或其他活动，试图躲避海事管理机构的检查.因此为进一步识别低标准船舶，增加过去12个月内在监管区域逗留时间80%以上为非工作时间的次数，每连续异常逗留3次记1分.为减少船舶停靠时间为非工作时间的偶然性带来的影响，设置80%的停留时间阈值.

2 船舶风险指标计算方法

2.1 静态风险指标计算方法

1) 船员违法扣分 针对船员指标，在船员基本信息表中，记录了船员历次扣分分值及扣分时间，在船员就职信息表中，记录了船员的上、下船时间及服务船只，依据关键字“NAME”将船员基本信息与船员就职信息聚合，得到每个船员在相应船只的扣分分值及扣分时间，船员违法扣分风险值为

(1)

式中：scorej为第j条船舶的船员风险分值；scorei为第j个船员的第i次扣分分值.

2) 装载货物 对货物风险，在危防液货明细表、危防集装箱货物明细表和危防固货明细表中分别索引相应属性计分.例如，对于集装箱货物，依据船舶集装箱货物数据集中的GOODS_CLASS(货物种类)索引船舶装运货物类型进行相应计分.

3) 部门警告 在FSC的数据表中，将船舶安全检查部门RESPECT_ORG依据SHIP_ID进行聚合，筛选COMENT_DESC中包含“警告”的处罚决定，相应船舶的部门警告风险值计为1.

4) FSC历史缺陷记录 在历史检查数据事实表中，“number_of_defectsi”一栏记录了船舶缺陷数量，平均缺陷数为

(2)

式中：i为第i艘船舶；number_of_defectsi为第i艘船舶的缺陷数量；i为船舶总数.

2.2 动态风险指标计算方法

1) 船舶AIS信号无故消失1 h 将AIS数据依据MMSI和RECEIVE_TIME排序，对于同一船舶，AIS信号风险为

receive_timem=receive_timej-receive_timei

(3)

式中：receive_timem为第m艘船舶的AIS接收时间差；receive_timej为第m艘船舶的第i次接收时间；receive_timei为第m艘船舶的第j次接收时间，且j>i.若receive_timej大于1 h，则第m艘船舶风险分值为1，统计receive_timej大于1 h的次数，次数即为分值.

2) 船舶轨迹停留点识别算法 船舶轨迹停留点识别算法流程图见图1.

图1 船舶轨迹停留点识别算法流程图

3) 过去12个月内在监管区域逗留时间80%以上为非工作时间的次数 利用船舶轨迹停留点识别算法识别出船舶停留点后，再进行船舶停留时间的计算，船舶非正常逗留风险计算流程图见图2.

图2 船舶非正常逗留时间风险分值计算流程图

根据综合风险评价模型及动、静态风险指标计算方法，在《选船标准》的基础上，船舶风险属性的界定标准不变，对FCS的选船优先顺序进行重新分类，标准变化见表3.

表3 船舶风险属性分类对比

3 实验与分析

采用深圳海事局2019—2020年的海事业务数据进行实验，处理后的可用数据量约451 GB，采用2020年深圳FSC的13 100条船舶数据验证本文提出模型的有效性和准确性.

1) 有效性分析 对于船舶综合风险评价模型，选择部分滞留船舶，对比是否为综合风险评价模型选择出的风险值高的船舶.若验证为100%吻合，则综合风险评价模型验证为有效.

2020年深圳FSC滞留船舶34艘·次，经过综合风险评价模型计算得到滞留船舶的风险分值均大于等于8，为高风险船舶.因此，可认为船舶综合风险评价模型是有效的.部分船舶及风险分值对应见表4.其中，船名相同的船舶为2020年中不同时间的滞留记录.

表4 滞留船舶对应综合风险值

2) 提升性分析 在2020年深圳FSC船舶中，共有13 100条船舶.现行选船标准与本文提出模型标记必检船、应检船、可检船的数量对比见表5.

表5 选船模型结果对比

由表5可知：针对关注度较高的必检船舶，本文提出的模型识别必检船舶的能力相较于现行选船模型提升了9.06%，FSC选船标准优化效果比较突出.

4 结 束 语

文中在现行选船标准的基础上，针对船舶船旗国安全检查工作中的实际问题，利用FP-Tree算法分析高风险船舶风险因素的关联关系，挖掘影响船舶安全的主要风险因素.并结合海事数据，构建基于海事大数据的船舶综合风险评价模型评估船舶风险.基于深圳海事局的海事业务数据进行的实验表明，基于综合风险评价模型的船舶安全检查选船标准相较于传统选船模型，识别必检船的准确性提升了9.06%.

本文在现行选船标准的基础上进行了一些创新，在现行FSC船舶风险评级指标基础上，增添了部分静态指标和部分动态指标，能更全面、精确的量化船舶风险，提高选船的有效性.但在一些方面仍存在不足，如在建立船舶风险综合评价体系时新增了诸多以往选船标准并未提及的风险属性，但不能确保该体系涵盖风险属性的全面性，在后续的研究中，可进一步探究更多动态风险属性对船舶的影响，提升选船质量.