EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 1: 153 - 164

DOI: https://doi.org/10.12082/dqxxkx.2022.210144

地理空间分析综合应用

AIS数据在集装箱港口服务效率的应用研究

  • 陈伟杰 , 1 ,
  • 赵楠 2 ,
  • 张婕姝 2 ,
  • 宋炳良 , 1, *
展开
  • 1.上海海事大学 经济管理学院,上海 201306
  • 2.上海海事大学 上海国际航运研究中心,上海 201306
* 宋炳良（1958— ）,男,浙江平湖人,博导,教授,主要从事港口经济、交通运输规划与管理研究。 E-mail:

陈伟杰（1991— ）,男,河南信阳人,博士,助理研究员,主要从事港口发展、航运中心建设研究。E-mail:

收稿日期: 2021-03-23

  修回日期: 2021-05-23

  网络出版日期: 2022-03-25

基金资助

国家社会科学基金一般项目(20BJY177)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Research on Service Efficiency of Container Ships at Port based on AIS Data

  • CHEN Weijie , 1 ,
  • ZHAO Nan 2 ,
  • ZHANG Jieshu 2 ,
  • SONG Bingliang , 1, *
Expand
  • 1. School of Economics and Management, Shanghai Maritime University, Shanghai 201306, China
  • 2. Shanghai International Shipping Institute, Shanghai Maritime University, Shanghai 201306, China
* SONG Bingliang, E-mail:

Received date: 2021-03-23

  Revised date: 2021-05-23

  Online published: 2022-03-25

Supported by

National Social Science Fund of China(20BJY177)

Copyright

Copyright reserved © 2022
Fold

摘要

港口是物流供应链中的核心环节,港口服务效率会决定整个物流供应链的效率。本文提出了一种基于海量船舶AIS（Automatic Identification System）轨迹数据的港口服务效率计算框架,利用集装箱船舶AIS轨迹、港口地理信息等海事大数据,采用滑动窗口算法等数据挖掘方法判断船舶在港内的状态,估算出反映港口服务效率的AWT/AST指标,从时间维度对港口服务效率评价,为港口管理运营部门和航运公司决策提供参考。并以上海港、宁波港、深圳港、釜山港为例,采用2018年全年全球5600余艘集装箱船舶的AIS轨迹数据,量化评价4个亚洲集装箱港口的服务效率。结果显示:① 船舶抵港泊位作业时间近似正太分布,正太分布均值在14~18 h之间,船舶泊位作业时间集中在10~30 h;② 船舶泊位作业时间与船舶船型大小成正相关,船型越大则泊位作业时间越长;③ 32%的船舶抵达上海港会发生等待时间,体现上海港集装箱码头整体处于供不应求的状态。宁波港整体服务效率较高,船舶发生等待事件较少。作为区域性枢纽港,釜山港近洋区域性运输频繁使得釜山港抵港船舶频率较高。④ 洋山四期码头为自动化码头,其港口装卸工艺与其他码头不同,但其码头作业效率并未高很多。

关键词： 水路运输; 数据挖掘; AIS船舶数据; 港口效率; 相关性分析; 泊位作业时间; 锚地等待时间; 滑动窗口算法

本文引用格式

陈伟杰 , 赵楠 , 张婕姝 , 宋炳良 . AIS数据在集装箱港口服务效率的应用研究[J]. 地球信息科学学报, 2022 , 24(1) : 153 -164 . DOI: 10.12082/dqxxkx.2022.210144

Abstract

As the key node of logistics supply chain, port service plays a very important role in the flow of cargos. In this paper, we introduce a computation framework of port service efficiency based on maritime big data. We use ship AIS trajectories and port geographic information to detect the status of the ship based on the sliding window algorithm and estimate the service efficiency of container ships in port. The service efficiency of the container ports, including Shanghai, Ningbo, Shenzhen, and Busan, is evaluated based on the statistical analysis. The results of this paper show that: (1) The ship's arrival berthing time is approximately normally distributed. The average value of the normal distribution is between 14~18 h, and the ship's berthing time ranges between 10~30 h; (2) Ship berthing time is positively correlated with ship size, the berth operation time increases with larger ship sizes; (3) In Shanghai Port, nearly 32% of the ships suffered from port congestion because of waiting for berth. The service efficiency of Ningbo Port is relatively high, and there are fewer waiting incidents for ships. Busan Port also shows a higher frequency of ship arrivals; (4) The Phase IV of Yangshan Deepwater Port is an automated container terminal, having a different port handling technology from other terminals. However, its terminal service efficiency doesn't increase.

Key words： water transport; data mining; AIS data; port service efficiency; correlation analysis; berthing time; waiting time; sliding window algorithm

1 引言

由于运输量大和运输成本低的经济特性,海运在国际贸易中的货物运输中起着重要的作用。据联合国贸发会统计数据显示,超过80%的全球货物贸易量（或70%的全球货物贸易额）都是通过海上运输完成[1]。港口是国际贸易运输的核心环节,港口服务效率会影响整个物流供应链的效率。CLARK等[2]证实了提高港口效率可以明显降低运输成本。效率有2个方面的内涵,从经济学角度来看,效率反应的是利用现有资源进行生产所提供的效用满足程度;从管理学角度来看,效率是指单位时间的生产能力。
目前,对于港口效率的评价可以分为2类:① 宏观效率评价,量化分析港口经济对城市经济的影响;② 微观效率评价,主要采用生产率、利用率、服务等作为港口效率的测量指标来评价港口的运营效率。在港口效率评价方法应用方面,数据包络分析法（Data Envelopment Analysis, DEA）[3,4,5,6,7]和随机前沿分析法（Stochastic Frontier Analysis, SFA）[8,9]是港口效率研究中最常用的两种方法。除此之外,一些学者采用了主成分分析法（Principal Component Analysis, PCA）[10]、层次分析法（Analytic Hierarchy Process, AHP）[11]、最小二乘法（Ordinary Least Squares, OLS）[12]等方法对港口效率进行评价。Cheon等[13]还采用Malmquist全要素生产率指数和重力模型分析集装箱港口的效率。在以往研究中,大多学者通过建立投入产出指标测算投入产出效率,并将泊位数量、码头长度、吊机数量、码头面积作为投入变量,港口吞吐量作为产出变量。然而,从船公司的角度来看,其更关注船舶从抵港到离港所花费的时间,而不仅仅是港口服务端的服务效率。因此,基于DEA、SFA等前沿生产效率的研究方法并不能用来量化港口服务端的时间效率。而如何从船舶的角度,以服务时间和等待时间作为主要因素成为评价港口服务效率的主要问题。
AIS数据能够提供船舶的轨迹位置与相应时间节点,为研究者分析船舶行为、航行安全、海上污染、贸易流向,以及船公司和港口运营情况等提供新的可能性[14]。例如,Zhang[15]基于AIS大数据提出自动推断船舶航线的算法,然后利用简化轨迹方向的变化来识别转折点,得到最佳船舶航行路径。AIS数据也被用来刻画船舶行为,进而分析其不同航速下的燃油消耗产生的排放物对环境的影响[16]。随着AIS系统的应用和推广,也有部分研究者将AIS数据应用到港口交通流量、港口船舶网络分析等研究领域。例如,Zhang[17]以洛杉矶港区的AIS数据为基础,建立了粒子群优化—反向传播预测模型,用于预测指定港口区域的总船舶交通流量。Li[18]和Wang[19]在AIS数据的基础上,构造判别函数以计算船舶到达观察面的规律性,然后采用时间序列方法对某一天不同时段通过观测区的船舶交通流进行建模。Peng等[20]基于船舶AIS大数据评价港口的区域网络覆盖情况,进而采用CCPE(Condition, Capacity, Potential and Efficiency)模型评估了中国21世纪海上丝绸之路沿线港口竞争力。陈龙彪等[21]结合船舶GPS轨迹数据与港口生产力指标,包括船舶到港数、货物吞吐量、码头作业效率和泊位利用率等对港口进行综合评价和比较。
船舶AIS数据能够有效、直观地反映船舶的流转、运动状态,通过对船舶AIS数据在港航领域应用研究文献的的梳理,可以发现目前研究多聚焦于船舶相关特征的分析,如船舶避碰、船舶航线优化、船舶污染等。然而将AIS的船舶地理信息数据与港口港界地理信息数据相结合,通过船舶在不同港口区域的速度、位移等衡量港口相关特征的研究相对较少,如港口效率、港口拥堵水平、港口规划等。并且,由于缺乏对于船舶在港内不同作业事件如锚泊事件、装卸作业事件的划分和判断,大部分港口效率研究将船舶在港时间全部视为港口对船舶的服务时间,不能准确的反映港口的服务效率。
因此,本文以集装箱港口为例,介绍了一种基于船舶AIS轨迹数据的港口服务效率计算框架。与传统的方法相比较,如排队论[22,23]等方法计算港口服务效率,基于AIS船舶轨迹数据的方法与实际情况更加吻合,不用设定船舶到达服从泊松分布等假设条件,评价数据更为客观。本文利用集装箱船舶AIS轨迹数据、港口地理信息数据等海事大数据,采用滑动窗口算法等数据挖掘方法判断船舶进港状态,估算出反映港口服务效率核心指标。在算法设计的基础上,进一步以上海港、宁波港、深圳港、釜山港为例,采用2018年的集装箱船舶AIS数据进行实证分析。根据船舶在港的不同作业时间结果,本文从船舶服务时间效率的角度,量化评价了4个亚洲主要的集装箱港口效率。

2 研究方法和数据来源

2.1 技术路线

本文研究的主要技术路线如图1所示,主要包括3个部分:① AIS数据获取和预处理;② 船舶港内锚泊事件、泊位作业事件挖掘判断;③ 港口效率指标计算。
图1 本文研究技术路线

Fig. 1 The logic framework of port service efficiency analysis.

2.2 数据来源与处理

（1）数据获取
AIS数据获取主要通过2种途径:① 通过分布在沿海和内河岸边的大量基站接受附近的AIS数据;② 通过低轨道卫星收集海上的AIS数据。通过这两方面的数据采集,就可以实现对全球船舶的监控。AIS数据可获取的途径包括国家/地方海事部门提供的官方数据、航运信息服务企业提供的商业数据,以及通过自建基站获取数据等。本文使用的AIS数据是基于上海国际航运研究中心港航大数据实验室经过合并多家数据源、剔除无效数据并校验后的数据,提取2018年全年5600余艘集装箱船舶轨迹数据（约100 G）进行实例研究。
（2）数据说明
本文的研究数据包括2个方面:① 集装箱船AIS轨迹数据;② 集装箱港口港界、泊位等信息数据。集装箱船AIS轨迹数据可以分为动态数据和静态数据。动态数据是船舶智能识别系统所追踪的数据,包含船舶MMSI编号、船舶船位、船速、航向等数据信息;静态数据是主要来自劳氏船籍档案、中国船籍社船舶登记档案、各海事管理部门登记档案等,包含MMSI编号、船舶类型、船长、船宽、吃水深度等信息（表1）。
表1 AIS船舶数据结构

Tab. 1 The AIS data introduction

数据分类 数据 数据说明
静态数据 MMSI编号 MMSI编号为9位阿拉伯数字编号,全球船舶MMSI编号唯一
船名 中国船舶登记船名要求不能与登记在先的船舶重名或者同音,但国际上可能会有重名
船舶总长 船舶最前端至最后端之间包括外板和两端永久性固定突出物在内的水平距离/m
船舶型宽 船体中横剖面上两舷的最大水平距离/m
载重吨 船舶允许装载货物的重量/t
船舶类型 分油轮、散货、集装箱船等
动态数据 船舶状态 在航、锚泊、失控、靠泊、捕捞作业等
数据来源 主要来源于AIS基站、卫星数据、码头TOS系统等
采集时间 采用UTC标准时间
经纬度 经纬度是经度与纬度的合称组成一个坐标系统/°
船舶速度 AIS数据发送时船舶的瞬时速度/节
（3）数据预处理
本文对AIS数据进行了以下处理:① 剔除重复数据,对于多条数据字段值完全相同的一类数据进行降重;② 剔除不完整数据,原始AIS数据可能存在缺失字段的记录,因此在数据预处理中,将缺失数据全部剔除;③ 剔除异常数据,针对偏离轨迹的AIS数据点,采用集装箱船的速度约束条件进行剔除,采用滑动窗口算法计算集装箱船轨迹中连续两点之间的速度,若某段集装箱船速度大于阈值,则剔除该点。

2.3 概念定义

2.3.1 船舶在港作业流程
基于Tang[24]和Wang等[25]针对集装箱码头操作流程的研究,本文将集装箱船抵港的作业流程分为5个阶段,从这5个阶段中挖掘锚泊事件和泊位作业事件。定义一艘船的行驶轨迹为· T m = { P 1 , P 2 , · · · , P z },则集装箱船抵港的作业流程分别主要包括（图2）,进港阶段 { P 1 , P m }、锚泊阶段 P m , P n、从锚地到泊位阶段 P n , P x、泊位作业阶段 P x , P y、驶离阶段 P y , P z。
图2 船舶在港内行驶的5个阶段

Fig. 2 The overall logic flowchart of container terminal operation.

2.3.2 停泊事件定义
本文将船舶在锚地和泊位停泊的事件定义为停泊事件。船舶AIS轨迹由是由AIS点位组成的序列,每个点 P包含船舶编号/m、时间戳/t、船舶GPS定位坐标（纬度 ϕ和经度 λ,即 P = m , t , ϕ , λ）。因此,编号为 m的船舶AIS轨迹 T能表示为 T m = P 1 , · · · , P z。在此基础上,本文采用一个四元组 m , T , b , d来定义一个停泊事件 E i的表达,即: E i = m i , T i , b i , d i。其中 m是唯一的船舶识别号,对应于AIS数据信息中的MMSI编号, T表示停泊时的船舶轨迹, b表示停泊事件开始的时间, d表示停泊事件结束的时间。
根据国际港口经营公约[26],船舶停泊时具有一些可以识别的特征,包括:
特征1:船舶停泊时的位置坐标是相对固定的,即船舶的平均行驶速度接近于零 ( v - < δ );
特征2:船舶停泊时轨迹点总是密集的位于某些特定的区域,即轨迹曲线 T对应的总位移量小于一个固定阈值 ε,假设一段AIS轨迹 T中从第 m个点开始停泊事件,到第 n个轨迹点停泊事件结束,那么其间的轨迹点 P m , · · · , P n位移范围始终在一个距离阈值 ε之内。
2.3.3 滑动窗口算法挖掘停泊事件
本文采用滑动窗口算法来判别船舶的停泊事件。AIS船舶轨迹数据具有数据点密度高的特性,动态数据的发送时间间隔并不固定,但整体维持在5 s到3 min之间。集装箱船舶在停泊状态时,会产生大量的轨迹数据,使得在停泊区域的轨迹点分布密集。滑动窗口算法被广泛应用轨迹数据流挖掘,张奇等[27]应用滑动窗口算法对轨迹数据进行压缩,将随时间序列增长而轨迹点经纬度坐标相近（轨迹点之间距离小于阈值）的若干点压缩为1点替代来反映船舶轨迹的有效信息;陈龙彪等[21]应用滑动窗口算法,根据船舶轨迹点之间的距离约束挖掘船舶停泊事件,本文则基于陈龙彪等[21]的应用基础,结合国际港口经营公约[26]对船舶停泊特征的定义,增加船舶速度约束（特征1）更为精准的判断停泊事件。
对于编号为 m船舶轨迹片段 T m = P 1 , · · · , P z,满足片断中任意相邻2个点之间的距离小于阈值 ε,且任意相邻2个点之间的平均速度 v -小于阈值 δ,则称该轨迹片段为一个停泊事件。以起始2个点 P 0 , P 1作为初始窗口,判断其距离和速度是否满足特征1和特征2,若不满足则丢弃该窗口,并滑动到下一个窗口 P 1 , P 2,然后判定新窗口是否满足特征1和特征2,若满足则将 P 2加入窗口,并重复这一过程,直到下一个不满足条件的点为止。此时,我们将会得到一个轨迹片段窗口 P 2 , · · · , P n,按照停泊事件 i的表示方法即为 E i = m i , T i , b i , d i,其中 b i是轨迹片段起始点 P 2的时间, d i是轨迹片段终点 P n的时间。
2.3.4 点与多边形位置判断
本文采用射线法判断船舶是否在港口、锚地、码头范围内,此方法具有通用性。对于任意给定的港口、锚地、码头,均可以应用密闭的多边形进行表示,船舶在某一时刻的坐标（经纬度）可视为一点,那么船舶与港口、锚地、码头之间的关系就可以抽象为点和多边形的关系。点与多边形位置判断算法有射线法、面积法、点线判断法、弧长法等,本文采用射线法作为判别方法。其基本思想是:
当点在多边形边上时,多边形包含点;当点不在多边形上,从判别点出发向左（或右）做一条射线,计算该射线与多边形各边的交点数,若为奇数,则点再多边形内部,若为偶数,则在外部。如图3所示, A点与多边形的交点为3个,则判断 A点在多边形内部, B点与多边形的交点为2个,则判断 B点在多边形外部。
图3 射线法判断点和多边形的关系

Fig. 3 The method of radial to judge the relationship between a point and a polygon

2.4 船舶港内状态判别

2.4.1 进出港口、锚地、码头事件判别
本文将船舶与港口、锚地、码头的关系定义为港界外 ( A ),港界内、锚地及码头范围外 ( B ),锚地范围内 ( C ),码头范围内 ( D )4种状态（图4）,根据实际情况也存在港外锚地,但根据本文所标定的港口和锚地来看锚地均在港界范围内,所以此种情况文中不予讨论。然后本文将船舶轨迹按照时间序列进行排序,那么一条船舶的行驶轨迹状态通常可以表示为 AAABBBCCCBBBDDDBBBAAA的结构。如前后2点的状态由 A变化为 B（以下表示为 A → B）,视为进港事件, B → A视为出港事件, B → C视为进锚地事件, C → B视为出锚地事件; B → D视为进码头事件, D → B视为出码头事件,即图2中的 P l可视为 A → B事件, P z可视为 B → A事件;在时间 T范围内保持 AAA、 BBB、 CCC、 DDD的状态不变,则表示时间 T范围内船舶状态未发生改变。
图4 船舶在港内作业状态判别

Fig. 4 The determination of ships behavior in port

2.4.2 靠泊装卸作业事件判别
本文计算港口服务效率的核心指标之一是挖掘船舶在泊位的装卸作业时间。船舶在港口中除了装卸作业,还可能会进行补给、维修等活动。因此,需要从船舶在港口中复杂的活动中判别船舶的靠泊装卸作业事件。本文提供的判别方法是:① 先用滑动窗口算法判别船舶停泊事件 E i;② 判断发生停泊事件的时间 T i范围内船舶状态为 DDD;③ 一般港口靠泊作业会通过缆绳固定,船舶朝向不会发生太大改变, AIS数据自带有角度数据信息,判断前后两点的船舶的朝向变化小于阈值（即 Δ β < μ）。满足以上①、②、③ 3个条件,则视为船舶在进行靠泊装卸作业事件。
2.4.3 锚泊事件判别
本文需要求出船舶在港口的等待时间,船舶因航道资源、泊位资源占用会去锚地锚泊等待,因此,将船舶在锚地停泊所耗费的时间定义为船舶在港口的等待时间。判断船舶为锚泊事件,需要满足以下2个约束条件:① 先用滑动窗口算法检测船舶的停泊事件 E i;② 判断发生停泊事件的时间 T i范围内船舶状态为 CCC。
2.4.4 综合判别
船舶在港口的作业行为错综复杂,仅仅根据以上条件判别船舶靠泊装卸作业事件和锚泊事件是不够的。例如部分船舶仅仅经过港区而没有挂靠泊位进行装卸作业,上文将该类船舶定义为“过路船”,在实际计算过程中将其剔除;还有部分船舶在1年内的时间范围内会反复抵达一个港口进行装卸作业,如果挖掘出的靠泊事件和锚泊事件不是同一次进港作业事件也是不允许的。为此,本文根据时间约束将进出港事件、锚泊时间以及码头作业事件进行匹配,以筛选出一次抵港作业事件,那么船舶一次抵港作业事件可分为2种情况:① 发生等待时间的船舶进港作业,即船舶进港、进锚地、出锚地、进码头、出码头、出港;② 不发生等待事件的船舶进港作业,即船舶进港、进码头、出码头、出港。针对于第①种情况,有式（1）的约束条件;针对第②种情况,有式（2）的约束条件。
t l ≤ t m ≤ t n ≤ t x ≤ t y ≤ t z
t l ≤ t x ≤ t y ≤ t z
式中: t l表示船舶进港时刻; t m表示船舶进锚地时刻; t n表示传播出锚地时刻; t x表示船舶进码头时刻; t y船舶出码头时刻; t z表示船舶出港时刻。

2.5 港口效率指标的计算

根据《港口发展:发展中国家规划人员手册》[28],本文中引入 AWT / AST作为港口服务水平的评估指标,该指标被广泛用作衡量码头提供服务水平的一种方法。其中, AWT是指船舶的平均等待时间,锚地是指在水域指定地点专供船舶停泊的场所,本文将锚地等待时间作为船舶在港的等待时间,即图2中 P m到 P n的时间;而 AST是指船舶在泊位的平均服务时间 P x到 P y的时间（图2）。 AWT / AST的值越小,则表明港口的服务水平越高[31]。
本文在求解 AWT / AST的比率时,采用AIS数据挖掘的方法直接统计出第 i艘船舶的船舶等待时间 W i和服务时间 S i。首先,应用滑动窗口法挖掘出船舶在港停泊事件 E i,应用射线法判断停泊事件是发生在泊位还是锚地,求出每艘船的在泊作业时间 S i及每艘船舶在锚地的等待时间 W i,由此可以计算港口服务效率指标 AWT / AST,即:
AWT AST = ∑ i N W i N ∑ i N S i / N
式中: N表示所有抵港船舶的个数; W i表示第 i艘船舶在锚地的等待时间, S i表示第 i艘船舶在泊位的作业时间。

3 实证分析

3.1 研究港口和数据

3.1.1 港界和锚地标定
航海图标定基本港口信息（包括港界、锚地、航道和VTS报告线等）,本文主要根据航海图以及各大港口官方网站公布的港口地理信息为依据对港界和锚地边界进行标定,图5为上海港港界和锚地边界标定示意图。
图5 上海港港界和锚地边界标定

Fig. 5 Shanghai port and anchorage boundary

3.1.2 码头标定
本文在进行码头标定时,以釜山新港集装箱码头为例,从IHS官网获取釜山新港码头的泊位地理信息（图6）,并根据谷歌地图投影进行人工核实确认,集装箱码头通常会有集装箱大型装卸设备和堆存集装箱的堆场（图7）。釜山新港码头共有22个集装箱泊位,根据泊位经纬度坐标,采用闭合多边形对码头边界进行标定（图7）,船舶进入多边形内则视为进入码头区域进行装卸作业。
图6 釜山新港泊位坐标

注:图片来源:IHS Market官网（https://ihsmarkit.com/）。

Fig. 6 Busan New Port Container Terminal geographic information

图7 釜山新港码头划定

Fig. 7 Delineation of Busan New Port Container Terminal boundaries

3.2 数据统计结果

3.2.1 停泊事件挖掘
本文首先根据滑动窗口算法挖掘出2018年全球集装箱船舶的停泊事件（表2）,记录船舶MMSI编号、停泊事件开始时间、停泊事件开始经纬度坐标、停泊事件结束时间、停泊事件结束经纬度、停泊时间信息。然后根据式（1）、式（2）中的约束条件,筛选出相互匹配的锚泊事件和泊位作业事件。
表2 2018年上海港、宁波港、深圳港、釜山港停泊事件筛选

Tab. 2 Stop events screening at Shanghai, Ningbo, Busan port in 2018

船舶MMSI编号 开始时间（时间戳） 开始纬度/ºE 开始经度/ºN 结束时间（时间戳） 结束纬度/ºE 结束经度/ºN 停泊时间/s
211331640 1515797137 31.56 121.50 1515801957 31.56 121.50 4820
211387390 1517063120 30.62 122.06 1517071456 30.62 122.06 8336
212151000 1516975163 30.62 122.06 1516980418 30.62 122.06 5255
218566000 1516366319 30.62 122.06 1516369740 30.62 122.06 3421
219018271 1515422473 30.63 122.05 1515467078 30.63 122.05 44605
219018864 1516622247 30.63 122.05 1516628353 30.62 122.06 6106
219019094 1516866363 30.63 122.06 1516880704 30.63 122.06 14341
…… …… …… …… …… …… …… ……
3.2.2 港口泊位作业时间分布
利用spss软件对2018年上海港、宁波港、深圳港和釜山港泊位作业时间进行统计分析,如图8显示。结果显示,4大港口泊位作业时间分布形态近似正太分布,上海港泊位作业平均时间为15.62 h,标准差为7.89 h;宁波港泊位作业平均时间为17.01 h,标准差为7.81 h;深圳港泊位作业平均时间为14.02 h,标准差为5.76 h;釜山港泊位作业平均时间为14.31,标准差为6.72 h。
图8 2018年上海港、宁波港、深圳港、釜山港泊位作业时间分布

Fig. 8 Distribution of berthing time at Shanghai, Ningbo, Shenzhen, Busan port in 2018

3.2.3 泊位作业时间与船型相关性分析
从上文泊位作业时间的分布统计图可以看出 4大港口的泊位作业时间近似正态分布,首先应用Pearson相关系数对4大港口43 778次泊位作业事件的泊位作业时间和船型大小进行相关性分析（表3）。结果显示,船舶泊位作业时间与船型大小在0.01显著性水平上呈现正相关,相关系数为0.536,意味着船型越大的船舶在港泊位作业时间越长。此外,泊位作业时间分布并不完全服从正太分布,本文又采用Spearman相关系数对船舶泊位作业时间和船型大小进行了非参数相关性分析（表4）。结果同样显示船舶泊位作业时间与船型大小在0.01显著性水平上呈现正相关,相关系数为0.514,进一步说明了检测结果的可靠性。区别于散货运输,班轮运输通常会挂靠多个港口,船舶在某个港口装卸集装箱量仅占此次货物运输的一部分,由此船舶在泊位装卸箱量未知,并非船型越大装卸集装箱量越多。但本文的研究结果明确表明船舶泊位作业时间与船型大小正相关,对港口公司安排调度计划以及航运公司船队、航线部署有一定参考意义。
表3 采用Pearson相关系数对船舶泊位作业时间与船型大小的相关性分析

Tab. 3 Using Pearson's correlation coefficient to analyze the correlation between berthing time and ship size

泊位作业时间 船型大小
泊位作业时间 Pearson相关性 1 0.536**
显著性（双尾） 0
个案数 43 778 43 778
船型大小 Pearson相关性 0.536** 1
显著性（双尾） 0
个案数 43 778 43 778

注:**表在0.01级别（双尾）,相关性显著。

表4 采用Spearman相关系数对船舶泊位作业时间与船型大小的非参数相关性分析

Tab. 4 Using Spearman's correlation coefficient to analyze the correlation between berthing time and ship size

泊位作业时间 船型大小
泊位作业时间 Spearman相关性 1 0.514**
显著性（双尾） 0
个案数 43 778 43 778
船型大小 Spearman相关性 0.514** 1
显著性（双尾） 0
个案数 43 778 43 778

注:**表在0.01级别（双尾）,相关性显著。

3.2.4 港口效率统计分析
以上海港、宁波港、深圳港、釜山港为例,对港口效率指标AWT/AST的指标进行统计分析。表5呈现了4港2018年的船舶靠港作业事件、等待事件、等待事件占比、平均等待事件、平均服务事件以及港口效率指标AWT/AST。从统计结果来看(图9）,上海港发生等待事件占所有抵港作业事件的比例相对较高,32%左右的船舶抵港会发生等待事件,说明上海港集装箱码头整体处于供不应求的状态,因泊位紧缺,船舶靠港作业会出现排队等候的状态。得益于港口岸线资源禀赋,宁波港整体服务效率较高,船舶发生等待事件较少。釜山港是东北亚区域枢纽港,从船舶抵港结构来看,0~4000 TEU的小船占比（64%）相对较高,因中韩、日韩等区域性小船来往频繁,釜山港总体抵港船舶艘次较高。深圳港平均等待时间和平均服务时间均较短,船舶在深圳港滞留时间较短,总体服务效率也相对较高。
表5 上海港、宁波港、深圳港、釜山港港口效率指标统计

Tab. 5 Data for Service Efficiency of Shanghai container port and Singapore container port

船舶抵港艘次 抵港作业事件 等待事件 等待事件占比 平均等待时间/h 平均服务时间/h 港口服务效率（AWT/AST）
上海港 12 933 4143 0.32 1.39 15.6 0.089
宁波港 7119 836 0.12 1.06 17.0 0.055
深圳港 10 190 2361 0.23 0.83 14.0 0.059
釜山港 13 572 2146 0.16 0.90 14.3 0.063
图9 2018年泊位作业时间与船型大小线性拟合图

Fig. 9 Linear fitting diagram of berthing time and ship size in 2018

3.2.5 上海港细分指标统计
本文以上海港为例,统计其各个码头服务效率、抵港集装箱船型结构、上海港集装箱船等待时间分布情况。表6具体展示了上海港不同码头区域的平均等待时间、码头平均服务时间以及码头作业效率AWT/AST等指标统计数据。从统计结果来看,张华浜和军工路码头作业效率相对较低,这两个码头位于长江里面,并不靠海,船舶进港需要经过一段长江航道,航道条件不佳也是导致进港船舶锚地等待的主要因素。外高桥码头与洋山码头效率相当,但船舶在外高桥的等待时间与泊位作业时间相对较短,主要因为外高桥港区的集装箱船以内支线为主,集装箱船以中小型船为主。洋山四期码头为自动化码头,其港口装卸工艺与其他码头不同,但其码头作业效率与其他码头相比并未高很多。目前上海港的集装箱船型结构仍以中小型集装箱为主（图10）,0~4 kTEU和4~8 kTEU集装箱船型占比较高;约67.4%的集装箱船进港作业无需等待,18.9%的船舶靠港需等待1 h以内,约4.4%的船舶靠港需等待3 h以上（图11）。
表6 上海港各个码头服务效率统计

Tab. 6 Service efficiency statistics of various terminals of Shanghai container port

码头 平均服务
时间/h		 平均等待
时间/h		 港口服务效率AWT/AST
张华浜 21.4 2.4 0.112
军工路 20.4 2.9 0.144
外高桥一、二期码头 15.8 0.6 0.035
外高桥四、五期码头 13.2 0.6 0.044
洋山一、二、三期码头 20.7 1.1 0.053
洋山四期码头 17.7 1.2 0.044
图10 2018年上海港抵港集装箱船型结构

Fig. 10 Composition of container ships arriving at Shanghai Port in 2018

图11 2018年上海港集装箱船舶锚地等待时间直方分布图

Fig. 11 Histogram of waiting time at anchorage for container ships in Shanghai Port

4 结论与讨论

4.1 结论

基于AIS船舶数据,本文提出一种新的港口服务效率计算框架,利用港口和船舶的时空数据测算港口服务效率。同时,通过对亚洲4个主要港口（上海港、宁波港、深圳港、釜山港）的案例研究,证明了基于AIS船舶数据评估港口服务效率的可行性和有效性,并基于评价结果提出了港口运行管理的相关建议。本文的主要贡献如下:
（1）建立时空概念框架下的港口服务效率评价框架,利用港口和船舶的时空数据作为港口服务效率的核心评价指标,与传统的评价方法相比,如DEA和SFA等方法通常采用泊位数量、码头长度、吊机数量、码头面积、港口吞吐量等指标进行评价,本文选取时空数据作为核心评价指标,从另一个维度反映港口的服务效率;
（2）将AIS船舶数据应用于港口服务效率评估。AIS仍然是海上运输研究领域的一个相对较新的“大数据”来源,目前应用AIS船舶数据评估港口效率的研究相对较少,且主要聚焦于船舶领域,很少有研究从港口角度出发应用AIS数据解决港口运营管理问题。利用AIS数据的最大优点是能够及时发现服务滞后瓶颈以便有效解决,随着AIS数据应用的成熟,基于AIS船舶数据的港口效率评价可以实现实时测算,海运受天气、海上事故等各种条件的影响变化莫测,实现及时发现变化、及时采取应对措施变得尤为重要,为国际航运管理提供新的思路和具有实践意义的管理标准;
（3）通过对亚洲4个主要港口（上海港、宁波港、深圳港、釜山港）的案例研究,研究结果表明:① 船舶抵港泊位作业时间近似正太分布,正太分布均值在14~18 h之间,船舶泊位作业时间集中在10~30 h之间;② 船舶泊位作业时间与船舶船型大小成正相关,船型越大则泊位作业时间越长;③ 32%的船舶抵达上海港会发生等待时间,体现上海港集装箱码头整体处于供不应求的状态。宁波港整体服务效率较高,船舶发生等待事件较少。作为区域性枢纽港,釜山港近洋区域性运输频繁使得釜山港抵港船舶频率较高;④ 洋山四期集装箱码头为自动化码头,其港口装卸工艺与其他码头不同,但其码头作业效率与其他码头相比并未高很多。

4.2 讨论

但是,将AIS数据应用于港口服务效率的研究也存在一定的局限性。基于时间特征的港口效率评价属于单一纬度的数据分析,尚未形成数据体系,从多个维度进行综合评价,例如本文的港口效率评价的核心指标是时间维度的指标,尚不能将货的信息和船的信息进行匹配,集装箱船舶靠港作业装卸多少货物信息尚不能获得,需要采用物联网的技术采集此类信息数据,若能够与货的数据进行匹配将能够对港口运营进行更精准的效率评估。此外,船舶进港除了进行装卸作业,港口针对部分船舶还有引航、拖轮、燃油加注等服务,针对细分服务效率评价过程中船舶所受服务状态的判别以及同等服务效率的评价是应用AIS数据评价港口效率面临的难点,也是下一步研究的方向,希望更多的港航研究人员和地理学家能够继续从事这些有意义的研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Hoffmann J, Sirimanne S. Review of maritime transport[C]. United Nations Conference on Trade and Development. 2017. DOI: 10.18356/a9b345e7-en

DOI

[2]
Clark X, Dollar D, Micco A. Port efficiency, maritime transport costs, and bilateral trade[J]. Journal of Development Economics, 2004, 75(2):417-450. DOI: 10.1016/j.jdeveco.2004.06.005

DOI

[3]
Roll Y, Hayuth, Yehuda. Port performance comparison applying data envelopment analysis (DEA)[J]. Maritime policy and Management, 1993, 20.2:153-161. DOI: 10.1080/03088839300000025

DOI

[4]
Simar L, Wilson P W. Estimation and inference in two-stage, semi-parametric models of production processes[J]. Journal of Econometrics, 2007, 136(1):31-64. DOI: 10.1016/j.jeconom.2005.07.009

DOI

[5]
Figueiredo de Oliveira G, Cariou P. The impact of competition on container port (in)efficiency[J]. Transportation Research Part A: Policy and Practice, 2015, 78:124-133. DOI: 10.1016/j.tra.2015.04.034

DOI

[6]
Estrada M A R, Jenatabadi H S, Chin A T H. Measuring Ports efficiency under the application of PEP-model[J]. Procedia Computer Science, 2017, 104:205-212. DOI: 10.1016/j.procs.2017.01.107

DOI

[7]
Barros C P, Athanassiou M. Efficiency in European seaports with DEA: Evidence from Greece and Portugal[M]// Port Management. London: Palgrave Macmillan UK, 2015:293-313. DOI: 10.1057/palgrave.mel.9100099

DOI

[8]
Cullinane K, Song D W. A stochastic frontier model of the productive efficiency of Korean container terminals[J]. Applied Economics, 2003, 35(3):251-267. DOI: 10.1080/00036840210139355

DOI

[9]
Cullinane K, Wang T F, Song D W, et al. The technical efficiency of container Ports: Comparing data envelopment analysis and stochastic frontier analysis[J]. Transportation Research Part A: Policy and Practice, 2006, 40(4):354-374. DOI: 10.1016/j.tra.2005.07.003

DOI

[10]
Tongzon J, Heng W. Port privatization, efficiency and competitiveness: Some empirical evidence from container Ports (terminals)[J]. Transportation Research Part A: Policy and Practice, 2005, 39(5):405-424. DOI: 10.1016/j.tra.2005.02.001

DOI

[11]
Zhong M, Wang J H, Lv Y Y. Measuring efficiency of major container Ports in China mainland[C]// Eighth International Conference of Chinese Logistics and Transportation Professionals (ICCLTP). Reston, VA, USA: American Society of Civil Engineers, 2008:3067-3072. DOI: 10.1061/40996(330)452

DOI

[12]
Blonigen B A, Wilson W W. Port efficiency and trade flows[J]. Review of International Economics, 2008, 16(1):21-36. DOI: 10.1111/j.1467-9396.2007.00723.x

DOI

[13]
Cheon S, Dowall D E, Song D W. Typology of long-term port efficiency improvement paths: Malmquist total factor productivity forWorld container Ports[J]. Journal of Infrastructure Systems, 2009, 15(4):340-350. DOI: 10.1061/(ASCE)1076-0342(2009)15:4(340)

DOI

[14]
Yang D, Wu L X, Wang S A, et al. How big data enriches maritime research - a critical review of Automatic Identification System (AIS) data applications[J]. Transport Reviews, 2019, 39(6):755-773. DOI: 10.1080/01441647.2019.1649315

DOI

[15]
Zhang S K, Shi G Y, Liu Z J, et al. Data-driven based automatic maritime routing from massive AIS trajectories in the face of disparity[J]. Ocean Engineering, 2018, 155:240-250. DOI: 10.1016/j.oceaneng.2018.02.060

DOI

[16]
Winther M, Christensen J H, Plejdrup M S, et al. Emission inventories for ships in the arctic based on satellite sampled AIS data[J]. Atmospheric Environment, 2014, 91:1-14. DOI: 10.1016/j.atmosenv.2014.03.006

DOI

[17]
Zhang Z G, Yin J C, Wang N N, et al. Vessel traffic flow analysis and prediction by an improved PSO-BP mechanism based on AIS data[J]. Evolving Systems, 2019, 10(3):397-407. DOI: 10.1007/s12530-018-9243-y

DOI

[18]
Li J D, Li X Q, Yu L J. Ship traffic flow prediction based on AIS data mining[C]// 2018 33rd Youth Academic Annual Conference of Chinese Association of Automation (YAC). IEEE, 2018:825-829. DOI: 10.1109/YAC.2018.8406485

DOI

[19]
Wang C B, Zhang X Y, Chen X A, et al. Vessel traffic flow forecasting based on BP neural network and residual analysis[C]// 2017 4th International Conference on Information, Cybernetics and Computational Social Systems (ICCSS). IEEE, 2017:350-354. DOI: 10.1109/iccss.2017.8091438

DOI

[20]
Peng P, Yang Y, Lu F, et al. Modelling the competitiveness of the Ports along the Maritime Silk Road with big data[J]. Transportation Research Part A: Policy and Practice, 2018, 118:852-867. DOI: 10.1016/j.tra.2018.10.041

DOI

[21]
陈龙彪, 张大庆, 李石坚, 等. 基于海事大数据的港口感知计算[J]. 地球信息科学学报, 2016, 18(11):1485-1493.

DOI

[ Chen L B, Zhang D Q, Li S J, et al. Port sensing computation based on maritime big data[J]. Journal of Geo-Information Science, 2016, 18(11):1485-1493. ] DOI: 10.3724/SP.J.1047.2016.01485

DOI

[22]
Radmilovich Z R. Ship-berth link as bulk queueing system in Ports[J]. Journal of Waterway, Port, Coastal, and Ocean Engineering, 1992, 118(5):474-495. DOI: 10.1061/(ASCE)0733-950X(1992)118:5(474)

DOI

[23]
Carl A, Thoresen. Port designer's handbook: Recommendations and guidelines[M]. T. Telford, 2003. DOI: 10.1680/PDHRAG.32286

DOI

[24]
Tang G L, Wang W Y, Song X Q, et al. Effect of entrance channel dimensions on berth occupancy of container terminals[J]. Ocean Engineering, 2016, 117:174-187. DOI: 10.1016/j.oceaneng.2016.03.047

DOI

[25]
Wang W Y, Peng Y, Tian Q, et al. Key influencing factors on improving the waterway through capacity of coastal Ports[J]. Ocean Engineering, 2017, 137:382-393. DOI: 10.1016/j.oceaneng.2017.04.013

DOI

[26]
Alderton P, Saieva G. Port management and operations[M]. Taylor & Francis, 2013. DOI: 10.4324/9781315275215

DOI

[27]
张奇, 成毅, 徐立, 等. 顾及运动特征的滑动窗口轨迹数据压缩改进算法[J]. 测绘科学技术学报, 2020, 37(6):622-627.

[ Zhang Q, Cheng Y, Xu L, et al. Improved sliding window trajectory compression algorithm considering motion characteristics[J]. Journal of Geomatics Science and Technology, 2020, 37(6):622-627. ] DOI: 10.3969/j.issn.1673-6338.2020.06.012

DOI

[28]
Development Secretariat. Port development: A handbook for planners in developing countries[M]. United Nations Publications, 1985.

Options
文章导航

/

〈 〉