基于贝叶斯时空模型的洋山港及其附近水域事故险情分布特征分析

刘剑平 杜佳欣 尚麟

摘 要：洋山深水港自2005年建港以来，已迅速崛起为中国最重要的国际集装箱枢纽港。近期规划调整将在北作业区设立新航道并新增锚地，这将对洋山深水港及附近水域的通航环境带来实质性改变。本文采用贝叶斯时空模型，考虑时空交互效应，对事故险情进行分析，提前研判水域风险。研究结果显示，小洋山港区和东海大桥附近水域的风险最高，航行安全水平不稳定。大戟洋和北鼎星附近水域风险次高，芦潮港沿岸码头水域风险最低。事故险情主要发生在春夏两季，特别是3月、8月和10月。这有助于制定更具针对性的监管政策和安全措施，确保航行安全和港口高效运营。

关键词：贝叶斯时空模型；事故险情；风险；洋山港

0 引 言

上海港地处长江下游入海口、东海之滨，是世界上最繁忙的港口之一[1]。自然条件复杂，船舶种类多样，船舶流量庞大。自2001年明确建设上海国际航运中心目标以来，上海港集装箱吞吐量于2010年首次超越新加坡港成为世界第一，之后持续保持领先地位[2]。洋山深水港作为中国首个在海岛建设的港口，位于杭州湾口[3]，自2005年开港以来，其集装箱吞吐量逐年增长，在上海港连续13年的集装箱吞吐量排名第一中发挥着重要作用[4]。

2016年12月，上海市人民政府与浙江省人民政府签署了《关于共同推进小洋山区域开发等重大合作事项的框架协议》，旨在共同推进小洋山进一步综合开发。新的小洋山北作业区项目的启动将引起水域通航环境的实质性变化，使得警戒区和附近水域的船舶交通管理变得更加复杂。因此，需要提前进行针对性研究，识别水域船舶航行风险，厘清水域事故险情分布特征，保障洋山深水港区及其附近水域的水上交通安全，确保航行安全和港口运营的可持续性[5]。

贝叶斯时空模型是一种强大的统计学习方法，它综合利用先验信息和觀测数据，以概率分布表示参数不确定性，从而实现更准确、可靠的建模，在探究时空变化或时空分布特征方面具有广泛应用。邹齐[6]利用贝叶斯时空分层模型，对新冠疫情传播规律的时空相依性进行研究，为有针对性地进行疫情防控提供参考。董文钱[7]等人基于贝叶斯时空模型，探究街面秩序、市容环境等城管事件的时空演变特征及影响因素，为城市管理提供支持。徐冰[8]针对湖南省手足口病传染问题，构建贝叶斯时空模型，研究手足口病的高发季节与时间，为建立传染病早期预警系统奠定基础。Yu[9]等人基于华北、朝鲜半岛和日本的部分地区10年的碰撞报告，考虑空间和时间的相互影响，建立了贝叶斯时空模型来评估碰撞风险。

贝叶斯时空模型通过分析时空分布特征，为风险防控提供了可靠的工具[10]，使得有关部门能够更准确地理解和预测潜在风险，从而采取针对性的措施。因此，本文利用贝叶斯时空模型，对洋山深水港及其附近水域事故险情分布特征进行建模分析，研究水域风险水平分布特点，为船舶交通安全组织管理提供参考。

1 研究区域概况与数据来源

1.1 研究区域

本文研究区域为洋山海事局VTS管理服务区，洋山海事局管辖洋山深水港及其附近超4 000 m2水域，VTS管理服务区示意图如图1所示[11]。岸线达123 km，辖区呈现“六多一线”的显著特点，即：航道多，重要水工构筑物多；大型集装箱船进出港艘次多，集装箱吞吐量大；客运航线多，客船多；危险品船多；重点工程多；恶劣天气多；东海大桥生命线。该水域船舶密度大、交通流复杂、种类多样化、船舶大型化特征明显，宏观的东西向进出港与南北向过境船舶之间船长、吃水、航速差异较为明显，总体交通流维度的交通环境较为复杂，安全管理难度较大。

1.2事故险情报告数据及预处理过程

为掌握水域事故险情发生特点，加强重点水域管理，对洋山海事局VTS管理服务区2017年1月至2023年4月事故险情报告进行分析，共收集134份有效记录，在建模之前，需要对事故险情数据进行收集与预处理，事故险情数据的收集与预处理是进行基于贝叶斯时空模型的事故险情分布特征分析的关键步骤，准确、完整的数据收集以及有效的预处理过程对于后续模型建立和结果分析至关重要。

根据洋山VTS管理服务区部分航路的位置，将该区域划分为金山航道东西向西段至金山沿岸码头、芦潮港沿岸码头、小洋山港区及东海大桥、大戟洋及北鼎星、主航道警戒区及大洋山以南5个区域，各区域的划分及位置如图2所示：

本文提取事故险情报告中的时间与位置信息，根据经纬度位置信息，将事故对应到各个区域中，对位置信息进行处理。事故险情发生位置属于区域1时，位置点记为“1”；事故险情发生位置属于区域2时，位置点记为“2”。以此类推，将所有的位置信息进行归类，并记录事故险情的发生年份，组成一组具有时空信息的数据样本，并收集整理各个区域的交通流量，作为模型的输入。

2 研究方法

根据贝叶斯理论，贝叶斯模型可以将样本信息与先验分布相结合来估计后验分布，后验分布表示影响因素导致事故险情发生的概率。由于典型的贝叶斯模型遵循泊松分布[12]，因此似然函数可以表示为：

L（y|μ）=i=1∏5   μiyiexp（－μi）/yi！（1）

式中，yi表示服从泊松分布的船舶事故险情发生次数，μi表示事故险情发生次数的期望值，i表示事故险情发生区域，i∈{1，2，3，4，5}。

假定船舶事故险情发生是相互独立的。因此，泊松分布μi的期望值可建模为 ：

E（yi）=μi=eiθi（2）

式中ei为事故险情发生的预期次数，θi为区域i的事故险情发生相对风险值。参数ei可表示为：

ei=rk pi（3）

式中，r为整个区域的事故险情发生概率，pi为区域i的船舶流量。r可以通过事故险情发生次数和每个区域i的交通流量表示为：

r=5Σi=1 yi / 5Σi=1pi（4）

在本文中，事故险情发生相对风险值θ是评估事故险情发生风险概率的关键参数。以空间和时间参数为桥梁，计算时空交互效应对潜在事故险情发生风险的影响。为了比较贝叶斯模型的性能，从考虑或不考虑时空交互效应出发，本文提出了3种类型的贝叶斯时空模型，如模型（5）、（6）、（7）所示。在实践中，通过DIC （Deviance Information Criterion）值来评价拟合优度，DIC是对拟合优度性能的评价标准，广泛应用于多个候选模型之间的比较[13]。具体而言，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）

其中参数j表示年份，α0为表示平均事故险情发生相对风险的截距参数，由马尔可夫链蒙特卡罗（MCMC）方法得到，α1为时间效应系数，time1j为j年的时间效应，ui为由空间因素引起的随机效应。在模型（6）和（7）中，vi分别表示非空间因素引起的随机效应，gj表示自回归时间效应，di表示位置效应，psiij表示时空交互效应。

3 结果与分析

经求解，模型（5）的DIC值为130.6548，模型（6）的DIC值为129.9314，模型（7）的DIC值为115.9526。其中模型（7）的DIC值最小，因而表明时空交互效应psiij对船舶事故险情发生有较大影响，且模型（7）是评估事故险情风险的最佳模型。

根据事故险情报告归类得到的各区域发生的事故险情位置如图 3所示，可以直观地发现，区域3和区域5发生事故险情的频率较高，其次是区域4，区域1与区域2发生事故险情的频率较低。从图中也可以看出，在警戒区及警戒区以南事故险情发生的频率较高，警戒区以北相对较低。

利用所选模型（7），计算各研究区域的相对风险值θ，如表1所示。根据事故险情发生相对风险值，将5个区域划分为低、中、高3个事故险情发生风险等级。

根据表1中结果，将事故险情发生相对风险（RCR）值小于1.00的区域定义为低风险区域，RCR值在[1.00，1.50）之间的区域定义为中风险区域，RCR值大于1.50的区域定义为高风险区域。因此，区域3为高风险区域，区域4和5为中风险区域，区域1和区域2属于低风险区域。

图4展示了各区域相对风险值逐年变化情况。观察图中可知，区域3、区域4和区域5的相对风险值均于2018年达到一个峰值，表明2018年可能是事故险情高发的一年，水域风险水平较高。区域3的相对风险水平波动较大，表明区域3事故险情发生的数量在历年的分布并不均匀，可能是由于航行规则的改变，导致交通流量发生变化，进而影响事故险情的发生。除区域3外，其他区域的相对风险水平较为平稳，波动较小，表明这些水域较为稳定，整体航行安全水平变化不大。

2017年1月至2023年4月事故险情数变化情况如图5所示，可以看出，事故险情数在2018年达到高峰，全年共发生54起。然而，随后的几年，即2019年至2021年，事故险情数量明显减少。这可能是由于疫情导致了社会活动的限制以及各项安全措施的加强，从而降低了事故的发生率。而随着疫情的稳定与好转，2022年虽然事故数量未发生明显变化，但险情数量明显上升，导致事故险情数再次呈现上升趋势。随着经济的复苏以及海上贸易的逐渐恢复，洋山海事局VTS管理服务区来往的交通流量也在逐步恢复疫情前的水平。因此，为防止事故险情数的进一步攀升，须继续加强安全措施和管理，以确保航行安全和避免事故的发生。

船舶事故险情在2017年至2023年间呈现出较为明显的季节性分布趋势，如图6所示，从事故险情总量而言，春季和夏季是高發季节，而秋季和冬季则相对较低，但在每一年里面季节性特点并不完全相同。每年春季洋山水域为大风及能见度不良天气多发季节，一定程度上导致了险情事故多发的客观现象，而夏季主要受高温、短时强对流天气以及台风影响，风险因素较多，海上风浪较大，增加了事故发生的可能性。

为了更加详细地总结险情事故在时间维度上的分布特点，本文进一步分析了2017至2023年来事故险情数在各月的分布情况，如图7。可知事故险情在3月发生的频率较大，达到了月平均4.3起。其次为8月和10月，事故险情数为月平均2.3起。因此，应格外注意水域在春夏两季的事故发生情况，特别是3月、8月与10月，采取一定措施预防事故的发生。

4 结 论

厘清事故险情发生时空分布特点在海事部门对水域进行针对性监管方面具有重要意义。本文基于贝叶斯时空模型，考虑时空交互效应，对洋山深水港及其附近水域事故险情发生情况进行建模分析。研究结果显示，小洋山港区以及东海大桥附近水域的相对风险水平最为突出。这一区域的风险水平呈现出逐年波动的趋势，航行安全水平相对不稳定。大戟洋及北鼎星附近水域的航行风险居次高，芦潮港沿岸码头附近水域船舶航行风险最低。在洋山港及其附近水域，事故险情多发于春夏两季，其中主要分布在3月、8月和10月。

基于模型分析结果，针对高风险区域，可以采取更频繁的巡航巡检、加强导航警示设施建设等措施，以提高航行安全性。同时，对于低风险区域，可以适度调配监管资源，优化监管策略，以确保资源的最优利用。

综上所述，本文深入分析了洋山深水港及其周边水域事故险情的时空分布特点，识别水域安全风险，为小洋山北作业区的规划与建设后，海事部门水上交通安全组织提供有力保障。未来的研究可以考虑更多影响事故发生的因素，进一步提升预测模型的准确性和实用性。这将有助于在海域管理中更好地平衡航行效率与安全性，确保水域的可持续发展。

参考文献

[1] 赵一飞.上海国际航运中心洋山深水港区国际中转业务的新里程碑[J].集装箱化，2021，32（12）：1-2+19.DOI：10.13340/j.cont.2021.12.001.

[2] 洋山深水港区四期工程上海国际航运中心[J].城乡建设，2021（18）：72-73.

[3] 陈炜俊.上海港洋山深水港区发展对策[J].集装箱化，2012，23（02）：16-19.

[4] 王桂英.发展国际集装箱水水中转助推上海国际航运中心建设——以洋山港为例[J].物流工程与管理，2012，34（05）：1-2+7.

[5] 黄少卿.洋山港——名副其实的东方大港[J].港口经济，2016（07）：53-55.

[6] 邹齐. 基于贝叶斯分层时空模型的新冠疫情时空相依性研究[D].上海师范大学，2022.DOI：10.27312/d.cnki.gshsu.2022.000759.

[7] 董文钱，董良，向琳等.基于贝叶斯时空模型的城管事件时空变化分析[J].地球信息科学学报，2020，22（05）：1073-1082.

[8] 徐冰. 基于贝叶斯网络的传染病时空预警模型研究[D].长安大学，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.基于分層贝叶斯时空Poisson模型的流行病建模研究[J].系统科学与数学，2022，42（02）：462-472.

[11] 徐善雷，郭锦春.洋山港海事局：大数据应用让水域更安全[J].中国海事，2018（11）：70-71.DOI：10.16831/j.cnki.issn1673-2278.2018.11.023.

[12] 赵昕. 基于贝叶斯时空模型的甘肃省猩红热发病时空分布及与气象等因素的关联研究[D].兰州大学，2023.

[13] 徐单. 基于贝叶斯新方法的时空独立模型影响分析[D].东南大学，2016.董天翔. 江苏省高速路网道路低温时空分布及预警模型对比研究[D].南京信息工程大学，2018.