張金水 王群朋

摘要：為更加全面地分析水域船舶沖突的時空特征，從船舶動態(tài)航行過程出發(fā)，以船舶領域模型代替船舶碰撞半徑，對船舶沖突數(shù)據(jù)進行識別與提取。通過對空間自相關模型在時間維度上的拓展，探討船舶沖突數(shù)據(jù)在時空上的變化特征。基于該模型，研究不同時間尺度下船舶沖突空間變化趨勢。實例結果表明，研究水域內的船舶沖突具有較強的空間自相關性，且會隨著空間階的提升而消散。

關鍵詞： 船舶沖突; 船舶領域模型; 時空特征; 空間自相關分析

中圖分類號： U697.32 ? ?文獻標志碼： A

Abstract： In order to analyze the temporal and spatial characteristics of ship collision in waters more comprehensively， starting from the dynamic navigation process of ships， the ship collision radius is replaced by the ship domain model， and the ship collision data is identified and extracted. Through the expansion of the spatial autocorrelation model in time dimension， the variation characteristics of ship collision data in time and space are discussed. Based on this model， the spatial variation trend of ship collision at different time scales is studied. The example results show that， the ship collision in the waters studied is of stronger spatial autocorrelation and dissipates with the increase of the space level.

Key words： ship collision; ship domain model; temporal and spatial characteristic; spatial autocorrelation analysis

船舶沖突數(shù)據(jù)的識別與提取對于增強海上交通安全和提高通航效率具有重要意義。近年來，我國沿海航行的船舶數(shù)量與日俱增，并不斷趨向大型化和專業(yè)化。船舶密度和流量的增加，導致海上交通事故發(fā)生概率增大，其中船舶碰撞事故位列各類事故之首[1]。船舶沖突數(shù)據(jù)作為計算船舶碰撞概率的基礎，得到了國內外越來越多研究者的關注。

WU等[2]對AIS數(shù)據(jù)進行插值處理，分別使用圓形和橢圓形船舶領域對船舶沖突數(shù)據(jù)進行提取，通過對使用不同的船舶領域提取到的沖突數(shù)據(jù)進行對比，得到了船舶領域形狀對船舶沖突頻率的空間分布影響不大的結果，并且根據(jù)沖突頻率對水域的安全風險進行了評價。WENG等[3-4]在評估新加坡海峽船舶碰撞風險時，利用圓形船舶領域對船舶沖突進行分析，對船舶沖突進行了基本的時空分布統(tǒng)計，得到了沖突頻率高的船型和水域，并使用船舶沖突頻率和因果概率關系計算船舶碰撞頻率。柴田等[1]通過構建動態(tài)船舶領域模型，設計沖突判斷標準算法，使用船舶沖突數(shù)替代潛在船舶碰撞數(shù)，提出了開闊水域船舶碰撞頻率模型。WEN等[5]以相對距離、最近會遇距離、最短會遇時間等為主要指標，衡量船舶之間的相互影響，并建立沖突復雜度模型描述本船周圍的交通態(tài)勢。李恒志[6]嘗試性提出了水上交通沖突的定義，較為全面地分析了水上交通沖突的理論知識，應用船舶碰撞危險度模型判定水上交通沖突的嚴重性。

上述研究存在一個共同問題：沒有以船舶沖突數(shù)據(jù)為主體分析其在空間或時間上的變化趨勢，而直接將其應用到船舶碰撞頻率模型中，在實際中船舶沖突的時空分布不均勻性可能會影響船舶碰撞頻率的研究結果。如在船舶沖突出現(xiàn)較為集中的水域，出現(xiàn)船舶碰撞的概率應該更高。莫蘭指數(shù)的應用研究已經滲透到了各個領域[7-8]，特別在道路交通領域已經有了較為廣泛的應用：CHENG等[9]利用雙變量莫蘭指數(shù)對交通事故發(fā)生頻率進行了時空自相關分析;陳紹寬等[10]基于改進的時空莫蘭指數(shù)分析了道路交通狀態(tài)特征;溫惠英等[11]應用莫蘭指數(shù)分析方法研究了道路交通事故的空間特征，表明莫蘭指數(shù)對道路交通事故點的識別與判斷具有較好的結果。將空間自相關理論應用到船舶沖突分析中，對船舶碰撞頻率研究、水上交通調度等具有一定價值。

傳統(tǒng)的莫蘭指數(shù)更適用于空間的特征分析，但是船舶沖突數(shù)據(jù)不僅具有空間特征，而且包含時間維度的特征。因此，本文對空間相關性分析方法進行時間維度上的拓展，對沖突數(shù)據(jù)進行時間和空間維度上的特征分析，實現(xiàn)對不同水域沖突高發(fā)區(qū)域的識別與標記，也為后續(xù)船舶碰撞的定量風險評價提供數(shù)據(jù)基礎。

1 空間自相關概述

空間自相關是空間統(tǒng)計學的重要研究領域，是研究空間地理單元之間分布關聯(lián)性的核心理論方法之一，是一種度量空間屬性值聚集程度的方法。莫蘭指數(shù)由Moran在1950年首先提出，經過多年的發(fā)展，現(xiàn)已經成為衡量空間自相關的一個最重要的指標。莫蘭指數(shù)對于空間自相關的度量方式包括全局和局部兩種指標：全局指標用于衡量整個研究區(qū)域的空間模式，是用單一的值反映研究區(qū)域的自相關程度的;局部指標是計算每個空間單元與鄰近單元中某一屬性的相關程度的。

2.2 靜態(tài)數(shù)據(jù)補全

在AIS數(shù)據(jù)中，靜態(tài)數(shù)據(jù)也存在丟失的情況。經統(tǒng)計，大約有10.04%的船舶不包含船舶尺度數(shù)據(jù)，13.25%的船舶沒有準確的船舶類型數(shù)據(jù)。同樣地，考慮到數(shù)據(jù)的完整性，需要將這些缺失數(shù)據(jù)補全。船舶尺度是研究船舶沖突的關鍵參數(shù)，對于缺乏此類數(shù)據(jù)的AIS記錄，借鑒文獻[10]提出的方法進行數(shù)據(jù)補全。

該方法將有缺失數(shù)據(jù)的船舶分為兩類：第一類為有IMO號碼信息的船舶，第二類為沒有IMO號碼信息的船舶。對于第一類船舶，通過IMO號碼搜集該船的登記噸位、總噸和總載重，通過使用多元線性回歸方法分別估計船長與各參數(shù)之間的數(shù)量關系，從而補全缺失數(shù)據(jù)。對于第二類船舶，則用研究水域內所有船的船長均值代替。

2.3 沖突數(shù)據(jù)提取

本文的船舶沖突定義為兩個船舶領域的重疊，如圖1所示。取船舶領域半徑為船長的3倍，即當兩艘船之間的距離逐漸減小且小于等于兩船船長之和的3倍時，船舶沖突發(fā)生。

船舶AIS設備在向沿岸基站發(fā)送數(shù)據(jù)時并不是持續(xù)不斷的，AIS數(shù)據(jù)的傳輸存在時間間隙，這個時間間隙也不是確定的。一般地，同一艘船的連續(xù)2條AIS數(shù)據(jù)之間的時間間隔不超過1 min。由于數(shù)據(jù)傳輸時間上的不確定性，無法在同一時刻得到所有船舶的狀態(tài)信息。例如，船A的某段AIS數(shù)據(jù)的時間戳為08：00：00、08：01：00、08：01：50，而船B的某段AIS數(shù)據(jù)的時間戳為08：00：20、08：01：10、08：01：50，則在以船A為目標搜索其時空附近的船舶時將無法搜索到船B。因此，在對AIS數(shù)據(jù)進行船舶沖突數(shù)據(jù)挖掘時，這種情況最終會導致沖突頻率的銳減。

為減少由時間戳差異帶來的計算誤差，本文利用插值技術對AIS數(shù)據(jù)庫進行補充，使得在每一個時間戳下都有數(shù)據(jù)存在，以減少無法搜索到周圍船舶的情況發(fā)生。基于AIS數(shù)據(jù)的船舶沖突數(shù)據(jù)提取流程見圖2。

本文使用非關系型數(shù)據(jù)庫MongoDB對AIS數(shù)據(jù)進行管理。根據(jù)AIS數(shù)據(jù)特征，建立兩個數(shù)據(jù)集合：船舶動態(tài)航行數(shù)據(jù)集合和船舶靜態(tài)數(shù)據(jù)集合。數(shù)據(jù)庫邏輯結構見圖3。

整個數(shù)據(jù)庫的建立大致可以分為3步：創(chuàng)建集合、插入數(shù)據(jù)和創(chuàng)建地理索引。

圖4為靜態(tài)數(shù)據(jù)集合中的具體數(shù)據(jù)內容，包括船舶MMSI號、船長、船寬和船舶類型。圖5為動態(tài)航行數(shù)據(jù)集合中鍵值對的具體信息。將數(shù)據(jù)導入數(shù)據(jù)庫后對數(shù)據(jù)進行更新、補全和插值，并根據(jù)第2.3節(jié)提出的沖突數(shù)據(jù)識別和提取算法進行編程。

3.3 船舶沖突空間分布特征

本文主要研究商船之間的沖突時空特征，因此在去除了漁船等干擾船舶后，研究水域內的船舶可分為5類：貨船、油船、客船、其他船舶以及沒有提供船舶類型數(shù)據(jù)的未知船舶。經統(tǒng)計，貨船是該水域的主要航行船舶（55.26%），其中有76.74%的貨船在航行時會與其他船舶產生沖突，是最容易出現(xiàn)沖突的船舶類型。

貨船與貨船之間的沖突最為頻繁，占總沖突次數(shù)的59.57%，并且貨船與貨船之間發(fā)生交叉沖突和對遇沖突的次數(shù)較多，分別為702次和574次，而追越沖突較少，只有176次。

圖6是船舶沖突的空間分布圖。沖突主要分布在雙嶼門、佛渡水道和洋小貓島附近。該部分水域為習慣航路，船舶數(shù)量較多，船舶航行較為自由，因此船舶沖突發(fā)生頻率較高。另外，在蝦峙門航道外的錨地內航行的船舶與錨泊船舶之間也存在較多的沖突，但本文以航行船舶之間的沖突為研究主體，該水域內的錨泊船舶不在研究范圍內。

根據(jù)式（1）可以得到研究水域所有沖突數(shù)據(jù)的莫蘭指數(shù)為0.411 67，假設性檢驗的Z值為32.911，說明水域內的沖突在空間上是呈聚集狀態(tài)的，即呈現(xiàn)正的空間自相關，這與圖6所顯示的狀態(tài)是吻合的。

表1是不同空間階的權重矩陣下水域內沖突數(shù)據(jù)的莫蘭指數(shù)和Z值，其中Z值在5%的置信水平下均大于1.96，即研究水域內的沖突數(shù)據(jù)在不同的空間階下均存在空間相關性是可信的。然而，這種空間相關性隨著空間階的增加而減少，在空間階到達4階時，空間相關性已經非常小了。這說明在本文研究的空間尺度下，當空間區(qū)域之間的間隔高于2階時，沖突之間的空間相關性就幾乎消失了，即沖突的空間相關性會隨著空間階的增加而消散。

根據(jù)式（3）可以計算局部莫蘭指數(shù)，用來描述研究水域內沖突頻率的具體聚集模式，并能得到沖突的局部空間聚集圖，如圖7所示。圖7內的沖突局部熱點均經過顯著性檢驗。圖7中用“”標記的網格即為沖突熱點（高-高），表示沖突頻率在該網格及其鄰接網格內均較高，沖突在該網格及其周圍區(qū)域聚集，局部區(qū)域存在顯著的空間自相關性。圖7中的用“”標記的網格為沖突冷點（低-高），表示沖突頻率在該網格內較低，但其鄰接網格內有較高的沖突頻率，沖突頻率在該網格水域及其周圍水域內變化較大。因此，這些呈高-高聚集模式的熱點區(qū)域應受到監(jiān)管部門的重點監(jiān)管。

3.4 船舶沖突時間變化特征

將沖突數(shù)據(jù)按小時進行劃分，分別統(tǒng)計和計算各小時內的沖突次數(shù)和沖突的空間自相關指數(shù)，結果見圖8。在一天時間內，在0點至1點和22點至23點這兩個時間段內Z值小于1.96，即這兩個時間段內不存在空間相關性。

從圖8可以發(fā)現(xiàn)，在一定程度內莫蘭指數(shù)會隨著單位時間內沖突次數(shù)的變化而變化，當水域內單位時間內沖突次數(shù)較高時莫蘭指數(shù)更大。經計算，兩組數(shù)據(jù)之間的相關系數(shù)為0.577，即兩者之間存在較強的正相關關系。

4 結束語

（1）在以往的研究中，大多數(shù)研究者通常將船舶沖突數(shù)據(jù)應用于水域船舶碰撞頻率的計算，或對船舶沖突進行簡單的時空統(tǒng)計分析。本文通過對空間自相關模型在時間維度上的拓展，實現(xiàn)了對船舶沖突的時空特征分析，較以往的分析模型能更進一步地分析和挖掘隱藏在船舶沖突數(shù)據(jù)下的特征。

（2）實驗結果表明，研究水域（寧波舟山港的蝦峙門航道附近水域）內的船舶沖突在空間上具有較強的空間自相關性，且會隨著空間階的提升而消散。沖突主要集中在雙嶼門、佛渡水道和洋小貓島附近，模型識別出的沖突熱點也在該范圍內。從沖突類型看，水域內交叉沖突和對遇沖突多發(fā)，且貨船與貨船之間沖突的發(fā)生最為頻繁，占沖突總數(shù)的59.57%。因此，應該對航行在此水域的貨船進行重點監(jiān)管。

（3）雖然利用空間自相關理論在沖突的時空特征分析中取得了一定的效果，但在分析相鄰時間段內船舶沖突間的相關性及其他特征等方面還有待進一步研究。

參考文獻：

[1] 柴田， 熊德琪， 張杏谷， 等. 開闊水域船舶碰撞頻率建模及應用[J]. 儀器儀表學報， 2017， 38（9）： 251-258.

[2] WU Xing， MEHTA A L， ZALOOM V A， et al. Analysis of waterway transportation in Southeast Texas waterway based on AIS data[J]. Ocean Engineering， 2016， 121： 196-209. DOI： 10.1016/j.oceanerg.2016.05.012.

[3] WENG Jinxian， XUE Shan. Ship collision frequency estimation in port fairways： a case study[J]. The Journal of Navigation， 2015， 68（3）： 602-618. DOI： 10.1017/S0373463311000885.

[4] WENG Jinxian， MENG Qiang， QU Xiaobo. Vessel collision frequency estimation in the Singapore Strait[J]. The Journal of Navigation， 2012， 65（1）： 207-221. DOI： 10.1017/S0373463311000683.

[5] WEN Yuanqiao， HUANG Yamin， ZHOU Chunhui， et al. Modelling of marine traffic flow complexity[J]. Ocean Engineering， 2015， 104： 500-510. DOI： 10.1016/j.oceanerg.2015.04.051.

[6] 李恒志. 交通沖突技術在珠江口水域水上交通安全評價中的應用研究[D]. 武漢： 武漢理工大學， 2010.

[7] ORD J K， GETIS A. Testing for local spatial autocorrelation in the presence of global autocorrelation[J]. Journal of Regional Science， 2001， 41（3）： 411-432. DOI： 10.1111/0022-4146.00224.

[8] WARTENBERG D. Multivariate spatial correlation： a method for exploratory geographical analysis[J]. Geographical Analysis， 1985， 17（4）： 263-283. DOI： 10.1111/j.1538-4632.1985.tb00849.x.

[9] CHENG Tao， HAWORTH J， WANG Jiaqiu. Spatio-temporal autocorrelation of road network data[J]. Journal of Geographical Systems， 2012， 14（4）： 389-413. DOI： 10.1007/s10109-011-0149-5.

[10] 陳紹寬， 韋偉， 毛保華， 等. 基于改進時空Morans I 指數(shù)的道路交通狀態(tài)特征分析[J]. 物理學報， 2013， 62（14）： 148901.

[11] 溫惠英， 邢康， 沈芬. 基于Moran模型的道路交通事故空間自相關特征分析[J]. 交通與計算機， 2008（3）： 31-37.

（編輯 趙勉）