EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 7: 1481 - 1499

DOI: https://doi.org/10.12082/dqxxkx.2023.220884

Multi-scale Spatio-temporal Changes and Influencing Factors of the Shipping Network in the Great Lakes of North America during the COVID-19 Pandemic Period

  • PAN Jiale ,
  • XIN Rui , *
Expand
  • College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
*XIN Rui, E-mail:

Received date: 2022-11-13

  Revised date: 2023-02-17

  Online published: 2023-06-30

Supported by

National Natural Science Foundation of China(42101452)

Shandong Provincial Natural Science Foundation, China(ZR2021QD027)

Fold

Abstract

The COVID-19 pandemic has had a serious impact on the global maritime transportation industry, and there are new challenges and opportunities for the recovery of the shipping industry in the post-pandemic era. However, the limited time span of existing studies is insufficient to fully recognize the change in shipping network. Additionally, analysis of only macro-scale changes in spatial pattern ignores the intrinsic drivers of network changes. Therefore, based on the complex network theory, community detection algorithm, and TOPSIS analysis method, this study proposes a multi-scale change analysis framework for shipping network. The change characteristics of the shipping network, port community, and ports of three scales are analyzed using the North American Great Lakes ship trajectory data from 2019 to 2021. In addition, the change mechanism of each type of shipping is tracked. The results show that: (1) In terms of network traffic, freighters and tugboats accounted for 80% of the total traffic volume before the pandemic outbreak. After the pandemic, the total volume of ship traffic decreased by 22.4%. The change period and rate of the traffic volume of various types of ships are different. Cruise and cargo ships have strong recovery capability, followed by oil tankers, while passenger ships have the highest decrease in traffic volume with a decrease of more than 50% and have the weakest recovery capability. During the post-pandemic period, the total traffic volume increased by 4.4% compared to that before the epidemic, indicating that the overall network traffic recovery ability is strong; (2) In terms of network structure, before the pandemic, the shipping network showed an expansion trend with warmer temperatures, and the number of ports and routes increased incrementally. After the pandemic, the network structure was damaged, leading to a decreased connectivity. The route density increased, and the network "skeleton" was not destroyed during the period. Overall, the Great Lakes shipping network demonstrated strong resilience; (3) Large port groups in the Great Lakes region are located inside the major lakes with a stable spatial structure, and the key ports are located at the junctions of major lakes. The change of port evaluation values before and after the pandemic is complex and asymmetric. This study analyzes network changes from a multi-scale perspective, providing reference for practitioners to understand the impact of the pandemic on the shipping industry, and the method can be applied to other transportation network analyses.

Key words： COVID-19; North American Great Lakes; AIS data analysis; multi-scale spatio-temporal analysis; complex network analysis; multi-type shipping network; space-time change

Cite this article

PAN Jiale , XIN Rui . Multi-scale Spatio-temporal Changes and Influencing Factors of the Shipping Network in the Great Lakes of North America during the COVID-19 Pandemic Period[J]. Journal of Geo-information Science, 2023 , 25(7) : 1481 -1499 . DOI: 10.12082/dqxxkx.2023.220884

1 引言

2020年爆发的新冠疫情严重影响了人类健康与社会经济，对于疫情最初爆发的城市系统，研究人员基于城市人口流动信息对疫情初期病毒传播模式进行建模，为城市疫情防控提供有价值的决策信息[1⇓⇓-4]。疫情的进一步蔓延对全球人口流动与国际运输的影响加剧，此时许多研究开始聚焦于全球运输业[5⇓⇓-8]。海洋运输占全球贸易运输总量的80%，对全球贸易结构转变及能源转型至关重要[9]。疫情影响了海上供应链，导致海上贸易放缓，港口吞吐量降低，部分港口甚至停止运营。
新冠疫情的全球化冲击及相关封控措施对 国际贸易运输和全球供应链造成的严重影响被 广泛关注[10⇓⇓-13]。部分研究基于船舶自动识别系统（Automatic Identification System, AIS）数据对全球海上交通密度进行可视化，描述了各类型船舶在疫情影响下的变化特征。其中，Millefiori等[14]的研究提出船舶流动性评价指标（累积航行里程），用于量化船舶活动和反映航运流动模式变化。March等[10]考虑气候因素逐步收缩研究视角，通过对比交通密度估计值与实际值的方式量化新冠疫情影响，评估防疫措施实施后局部交通密度的变化。探明网络变化后，为减少疫情带来的经济损失同时实现产业复苏。Zhou等[15]的研究关注疫情对航运和港口运营的影响，通过系统动力学模型描述供应链中的冲击传递，结果表明疫情从航运能力、港口能力等多个方面影响航运和港口收入。只要有适当的政策和控制措施，港航系统的经济损失是可减轻甚至抵消。Narasimha等[16]通过统计与专家调查的方法对疫情前后印度主要港口的绩效进行量化分析，对疫情给海上供应链带来的影响及其相关问题进行考察。上述研究注重分析疫情对港口及其腹地带来的影响，并给出政策建议以加强供应链的弹性和业务复苏进程。
全球航运供应链结构复杂，涉及诸多港口间的相互影响，相比单纯研究港口腹地的疫情影响，从全局出发利用网络分析方法探究海上供应链的变化可以提供更广阔的视角。研究者们利用复杂网络对航运数据进行建模，选择2019年同期数据作为对照组，对比分析疫情前后中国[17]、澳大利亚[18]、全球[13]海上运输网络发生的变化，复杂网络分析指标中的节点度、连接性和聚集系数等指标常被用来衡量航运网络的空间结构和运输效率。此类研究主要围绕疫情初期航运网络变化展开，忽略了局部变化。为深入了解疫情对航行和港口产生的影响，研究人员们采用模拟预测的方法观察网络中的微观变化，如Jin等[19]在对网络结构进行量化后，进一步模拟重要节点故障后网络效率和连通性的变化，研究发现疫情期间中国国际班轮航线网络规模扩大，航线数量增加，但整体连接性和连接强度仍然下降。疫情降低了航运网络连通性，Pan等[20]基于图论提出一种用于加强航运网络连通性的模型，仿真实验将连通性相对较弱的港口与连通性较强的港口（多为枢纽港）相连接，大大提高了整个航运网络的连通性。Dirzka等[21]利用复杂网络分析方法对疫情影响进行量化，而后以图论模拟框架为基础设计了一种级联故障指数，用以评估运输网络中的中断和级联效应。结果表明全球航运网络中断首先出现在亚洲，然后波及主要贸易路线。以上研究同时对宏观尺度航运网络空间结构与微观尺度航线和港口进行分析，反映了疫情影响由关键点转至全局的动态过程，而作为航运网络与港口中间层的港口群落却罕有学者对其进行研究。
综上所述，当下围绕疫情对航运业影响的研究主要存在2个局限：① 尺度不够丰富，现有研究往往只对网络整体这一单一尺度进行研究，缺乏对网络局部变化的分析，限制了航运网络变化中的地理事件的识别；② 时期不够完整，研究者们多选择疫情初期或大爆发时期开展研究。鉴于此，本研究将地理空间网络和多尺度时空分析相结合，进行航运网络建模，分析疫情前后船舶流动性变化、各尺度航运网络结构变化和各尺度间网络结构变化的内在联系。特别的，本研究还对不同类型船舶分别构网，探究疫情后各类型航运网络的变化程度及恢复能力。以2019—2021年五大湖航运网络为对象开展研究，验证了多尺度时空变化分析方法的可行性，通过不断收缩研究视角，揭示各尺度下研究对象的变化过程，帮助人们认识航运网络变化过程中的关键点，为航运利益相关方提供参考，帮助航运管理部门在应对全球危机时充分了解航运网络的空间变化，为航运网络规划提供理论依据。

2 研究区概况及数据来源

2.1 研究区概况

五大湖是世界上最大的淡水湖群，受限于较封闭的地理位置，外界船舶对该地区航运网络影响较小。湖泊涉及两国领海，各自海关部门进出口政策的不同可能会导致网络在地缘政治层面呈现特殊的变化特征。因此，本研究选择五大湖为研究区域（图1）。五大湖地区是温带大陆性气候，1月进入冰期，并持续8~12周不等。冰期船舶通行困难，运输钢铁原料、煤炭与盐等重要物资的货轮与油轮在牵引船的辅助下靠岸[22]，4月新的航运季到来，运营船舶交通量总量逐渐增加。7月运营船舶数量达一年内顶峰，游船与帆船数量爆发式增长。
图1 研究区域及航道

Fig. 1 Study area and waterway

2.2 研究数据及数据预处理

本文使用美国海洋能源管理局（BOEM）和美国国家海洋和大气管理局（NOAA）合作的Vessel Traffic Data数据集（https://marinecadastre.gov/ais/），选择五大湖范围内2019—2021年关键月份（1、4、7和11月）共计12个月的船舶轨迹数据（100 G）进行研究。AIS数据属性和示例值如表1所示。
表1 AIS数据属性和示例值

Tab. 1 AIS data attributes and example values

属性 类型 属性含义 示例值
MMSI 静态 船舶ID 369***030
IMO 静态 海事编号 IMO92***12
VesselName 静态 船名 KI**
CallSign 静态 呼号 KA**07
VesselType 静态 船舶类型 90
LAT 动态 船舶纬度 46.59858
LON 动态 船舶经度 -90.8791
BaseDateTime 动态 UTF时间 2019/1/1T00:09:12
Status 航行 航行状态 5
Draft 航行 吃水 2.4
航运网络建模的素材为船舶航行OD数据，由原始AIS数据计算得到OD数据需经过数据预处理、空间窗口筛选、时间滑窗计算3步，该计算方法逐步去除无效信息，计算效率高。各港口的区域特征不同和各类型船舶的航行行为不同，因此需给各研究对象设置不同的空间和时间窗口。AIS数据计算基本流程如图2所示。
图2 船舶轨迹切分示意

Fig. 2 Schematic of ship trajectory cut

（1）数据预处理。对各研究时段内全美AIS数据文件进行读取，提取五大湖船舶轨迹并依照航行状态进行筛选，按月份存入子集数据库，得到OD计算的基础数据。
（2）空间窗口筛选。确定各类型港口的空间窗口（图2），首先计算各港口与其余所有同类型港口的最短距离，即插图中的港口间距。若港口间距小于给定值，则取1/4给定值为空间窗口半径，否则取1/2给定值为半径。本文研究港口分为大型港口（服务客船、货轮和油轮）与游船码头（服务游船和帆船），大型港口多位于海岸沿线与海峡内部，海岸沿线码头间距大，海峡处港口间距小；游船码头分布密集多位于城市周边。由图可知两类港口间距即覆盖范围差距大，因此需根据实际情况选取上述计算中的参数。确定各类型港口空间范围后，使用空间窗口对各类型船舶轨迹点进行停泊事件识别，当轨迹点与港口中心距离小于等于港口覆盖半径时，记录该轨迹点为停泊点。本研究计算过程中大型港口与游船码头的给定值分别为5 km与400 m。
（3）时间滑窗计算。船舶处在停泊状态时会产生大量轨迹点，为区分同一条船多次抵达同一港口，设定时间窗口，采用滑动窗口法判别同一港口内任意相邻的2个轨迹点之间的时间间隔，当该间隔大于等于时间窗口时，记录相邻2个轨迹点中的后者为该船重复抵达同一港口的停泊点，而后串联该船所有停泊点得到航行OD数据库（表2）。其中各类型船舶的时间窗口为该类船舶的平均航行时长。
表2 五大湖航运OD数据属性及示例值

Tab. 2 Great Lakes maritime OD data attributes and example values

序号 属性 示例值 序号 属性 示例值
1 MMSI 244***000 7 VesselType 80
2 VesselName IV** ***GHT 8 IMO IMO96***59
3 start_time 2020/1/5 20:46 9 end_time 2020/1/8 6:20
4 start_port_name DETROIT 10 end_port_name LEXINGTON
5 start_port_lat 42.258 11 end_port_lat 43.268
6 start_port_lon -83.123 12 end_port_lon -82.524

3 研究框架及方法

基于复杂网络理论，构建航运网络多尺度变化分析框架（图3）。将港口与航线分别视为网络节点与网络边，船舶航行方向为边的方向，航线上船舶流量为网络边的流量，得到加权有向网络。全区域航运网络、港口群落、港口形成宏观尺度、中尺度、微观尺度的多尺度分析视角，对比分析网络的空间结构、流量、社区结构和重要节点的变化，并研究其中的耦合特征。
图3 航运网络多尺度变化分析框架

Fig. 3 A framework for the multi-scale change in shipping networks

宏观尺度，构建航运网络，借助全局性网络拓扑指标、流量指标以及衡量指标分布的相关指标，分析网络拓扑结构变化，具体聚焦于港口和航线数量及其空间分布、网络连通性及流量异质性的变化，研究航运网络在疫情大爆发时期的受损程度以及后疫情时期的恢复情况。此外，分别构建各类型航运网络，使用上述指标分析网络结构变化和流量变化，重点关注其自身变化与对整体网络的扰动程度，为后续尺度的分析提供参考。
中尺度，航运网络港口群落的空间分布不仅反应网络内部流量的分布情况，还体现了港口所在区域的联系程度和区域间的贸易往来情况。本文通过Louvain算法发现航运网络中的港口群落，分析航运网络港口群落结构时空变化，研究网络拓扑结构改变是否影响社区划分结果，探寻宏观尺度网络指标变化与中尺度社区空间分布的相关性。
微尺度，港口是促进航运和贸易的关键节点，识别航运网络中的关键港口并确定疫情对其造成的影响十分重要，本文将网络节点度中心性、中介中心性和接近中心性3个评价指标纳入TOPSIS评价模型识别重要港口并评价港口重要性，综合评价结果直接反应港口在网络中的重要程度。结合港口评价值及其时空变化，分析航运网络中重要港口的性质，研究重要港口与网络群落结构的内在联系。聚焦于网络内部的重要节点，从港口评价结果变化出发寻找航运网络港口群合并与分化的线索。

3.1 宏观尺度：全局网络指标

相较于静态的统计学分析方法，复杂网络理论有助于分析研究对象整体流动性与局部相互作用等问题，而复杂网络分析方法能够准确的量化航运网络的结构特征及流量特征。宏观尺度下全局网络分析指标包含网络拓扑指标、流量指标及衡量指标分布相关指标。网络拓扑指标有助于分析航运网络结构、探索港口之间的连通性和连接性质，流量指标则侧重于网络上流量的变化特征。此外，本文还构建指标探索上述指标的分布情况。
（1）网络拓扑指标：使用节点度、网络密度和全局聚集系数3个指标来反映整个网络的拓扑特征。节点度为直接连接到该节点的网络边数[23]，在航运网络中，它反映了一个港口上的航线总数，节点度高意味着一个港口与大量的港口之间存在联系。网络密度反映了网络内部节点之间联系的密集程度，密度值越大，表明航运网络对港口的影响程度越大，港口间连接越密切（式（1））。
D = L N N - 1
式中： L为网络边数； N为网络节点数，分别对应研究中的航线总数和港口总数。
全局聚集系数反映网络节点之间集结成团的程度，系数值越大，网络节点聚集效应越明显。在航运网络中有助于分析多因素影响下网络传递性和港口聚集程度的变化，从而了解网络拓扑结构的变化情况（式（2））。全局聚集系数基于节点三元组计算，在网络中，若3个节点间存在3条连接边称为闭三元组，如图4中 Ⅰ、 Ⅱ和 Ⅲ节点；若3个节点间有且仅有两条边则称为开三元组，如图4中 Ⅱ、 Ⅳ和 Ⅴ节点。图4中，若边 a存在，则网络的全局聚集系数为1/3；若边 a不存在，则其对应网络的全局聚集系数应为1/2。
C = 3 × G C 3 × G C + G O
式中： G C表示闭三元组总数； G O表示开三元组总数，系数3保证完全闭合图的全局聚集系数为1。
图4 节点三元组示意

Fig. 4 Schematic diagram of the node triad

（2）网络流量指标：边流量（式（3））和节点流量（式（4））反应航运网络航线流量与港口流量变化情况，流量指标深入反映疫情对航运网络流动性及船舶交通量产生的影响。
W = ∑ i = 1 m r i
F = ∑ i = 1 n W i
式中：边流量 W表示港口间航线上的船舶总流量； r i为该航向上的一次航行；节点流量 F为直接连接节点的所有边上的流量之和； W i表示网络边 i的流量。
（3）网络指标分布：对于任意的网络指标 x，可以通过计算平均值 x -来检验其整体的分布情况，如式（5）所示。
x - = ∑ i = 1 n x i n
式中：计算节点平均度值与节点平均流量时， n为节点数量；计算边平均流量时， n为网络边数。
为研究网络指标分布的离散特征，引入标准化变量变异系数 C V ( x )，变异系数反应指标分布情况，其结果不受研究尺度和维度的影响（式（6））。
C V ( x ) = σ x -
式中： σ是标准差； x -是平均值。

3.2 中尺度：网络社区结构探测

本研究选择Louvain算法发现五大湖内部的港口群落结构，该方法得到的群落内部联系紧密而相互间连接较少。该算法通过多次迭代将各群落的模块度最大化，同时采用网络整体的模块度衡量划分结果的优劣，当模块度的值在0.3~0.7之间说明社区划分算法的效果较好[24]（式（7）），其划分结果仅依赖港口之间的连接强度，不受港口空间位置影响。该算法在全球航运网络港口社区群落发现相关研究中表现良好[25⇓-27]。
Q = 1 2 m ∑ A i j - k i k j 2 m δ c i , c j
式中： A i j表示连接节点 i和 j之间边的权重； m表示网络中所有边的权重总和； k i = ∑ j A i j是连接到节点 i的边的权重总和； c i和 c j表示节点所属的社区； δ用来判断节点 i与 j是否在一个社区内。
算法重复执行模块度优化和社区聚合两步，直至网络模块度不再发生变化。每次迭代开始时，每个节点或聚合点独属一个社区（图5（a））；然后将每个节点 i添加至相邻社区 j中，计算模块度增量（式（8）），将节点划分至模块度增量最大且大于0的社区中（图5（b））；再将同一社区内节点合并为一个聚合点（图5（c）），最终得到的输出网络也是下一次迭代的输入网络。重复执行上述步骤，直至模块度不再增加，得到最终结果。
图5 Louvain算法流程

Fig. 5 Louvain algorithm flow chart

Δ Q = ∑ i n + k i , i n 2 m - ∑ t o t + k i 2 m 2 - ∑ i n 2 m - ∑ t o t 2 m 2 - k i 2 m 2
式中： ∑ i n 为社区 C内部边的权重总和； ∑ t o t 为关联到社区 C中节点的边上的权重总和； k i为关联到节点 i的边的权重总和； k i , i n是从节点 i连接到 C中的节点的边的总和； m是网络中的所有边的权重总和。

3.3 微尺度：网络重要节点评价模型

为探索港口重要程度变化对网络拓扑结构产生的影响，本研究在微尺度对其重要性进行量化，港口评价方法包含数据包络分析、层次分析法、因素分析法及TOPSIS法等[28-29]。本研究重点关注港口在网络结构与流量方面的重要程度，而非绩效评估。其中TOPSIS法采用熵权法定权客观性更强，避免了数据包络分析中数据获取困难等问题。因此，本文引入基于熵权的TOPSIS法的港口重要性评估模型，将多个网络局部评价指标纳入TOPSIS方法，评价港口在航运网络拓扑结构中的重要程度，该类模型在港口重要性评价中已取得广泛 应用[30⇓-32]。模型步骤如图6所示，微尺度的评价对象为网络中所有港口，评价指标为港口中心性测度。基于航运网络计算网络节点中心性指标值，采用熵权法确定各指标的全局权重。通过指标值及自身权重构建加权规范化决策矩阵，分别计算评价对象与矩阵中的最优解及最劣解的欧式距离，最终得到各港口的综合评价值。
图6 基于TOPSIS的港口评价模型

Fig. 6 TOPSIS-based port evaluation model

本研究聚焦网络拓扑结构变化，节点中心性从拓扑学角度反映节点在网络中的重要程度，因此选取度中心性、接近中心性和中介中心性3个评价指标，对港口的重要性进行综合性评价。
度中心性：与节点直接相连的所有边的权值之和。在本研究中，港口度中心性越大意味着与该港口直接连接的港口数量越多，该港口在航运网络中越重要（式（9））。
D C ( i ) = ∑ j = 1 n a i j
式中： D C ( i )表示节点 i的度中心性； n表示网络中的节点总数； a i j为节点 i与 j之间的连接数。
接近中心性：用来度量一个节点与所有其他节点之间在网络上的接近程度，航运网络中港口接近中心性越大，表明该港口“枢纽”作用越强，所属港口群落的鲁棒性越强。节点 i的接近中心性根据网络上从该节点到所有其他节点的平均最短路径计算得出（式（10））。
C C ( i ) = n - 1 ∑ i ≠ j n d i j
式中： C C ( i )表示节点 i的接近中心性； n表示网络中的节点总数； d i j为节点 i与 j之间的最短路径。
中介中心性：衡量网络中一个节点出现在其他任意2个节点对之间的最短路径的次数。它表示网络中节点之间的连接强度。航运网络港口的中介中心性越大，港口“桥梁”作用越强（式（11））。
B C ( i ) = ∑ j ≠ i ≠ k n σ j k ( i ) σ j k
式中： B C ( i )表示节点 i )的中介中心性； n表示网络中的节点总数； σ j k ( i )为节点 j到节点 k之间经过节点 i的最短路径数； σ j k代表节点 j到节点 k之间所有最短路径数量。

4 实验结果与分析

4.1 宏观尺度：多类型航运网络变化分析

以五大湖内航行的游艇、帆船、客轮、货轮、油轮、牵引船为研究对象，参照NOAA给出的《AIS船舶类型和编号》文件，将游艇与帆船统一归至游船类，各类型船舶的交通量见表3。不同时期船舶交通量随气温年变化呈现出周期变化规律，疫情后各类型航运网络受影响程度及时间存在差异。2020年4月北美疫情爆发，船舶交通量总量同期降幅达6.9%，其中，客船受影响最早且最严重，交通量降幅超50%；7月疫情全面扩散，各类型航运业均受到冲击，交通量降幅达22.4%；油轮与牵引船在11月受影响最严重，交通量降幅分别为50%和24.6%。疫情最先影响客运，其次为海上旅游业与班轮贸易运输，油轮运输业受冲击最晚。2021年航运市场恢复，交通量总量超越2019年同期，游船交通量的提升起主导作用，客船和油轮交通量与疫情前仍有差距。此外，纵观游船交通量可知五大湖海上旅游业由气温变化主导。
表3 各类型船舶交通量统计

Tab. 3 Statistical table of vessel traffic by type （次）

时间 游船 客船 货轮 油轮 牵引船 全部
2019-01 0 32 805 165 583 1 585
2019-04 6 244 2 611 357 949 4 167
2019-07 847 613 3 082 415 1 319 6 276
2019-11 3 167 2 739 397 1 255 4 561
2020-01 0 56 599 230 497 1 382
2020-04 2 95 2 482 316 986 3 881
2020-07 705 301 2 287 307 1 268 4 868
2020-11 6 90 2 592 198 946 3 832
2021-01 0 43 801 121 461 1 426
2021-04 11 198 2 941 331 1 173 4 654
2021-07 1 068 418 3 194 384 1 396 6 460
2021-11 3 163 2 910 369 1 331 4 776
五大湖船舶航行网络如图7所示，网络指标见表4。首先观察2019年7月航运网络可视化结果，发现五大湖高度值港口多分布在密歇根湖、休伦湖、伊利湖沿岸和各湖泊连接处的河道上；航线分布方面，除各湖泊的内部航线之外，密歇根湖与休伦湖间也存在众多航线，而这两处湖泊腹地之间也可直接通过陆地运输，这表明航运尤其是货轮在两地贸易运输中起到重要作用。结合2019年航运网络空间结构与网络拓扑指标可知，1月（冰期），航运网络中港口及航线数量处全年最低位，在社会生活需求驱动下，货轮油轮依靠破冰船运营；随气温变暖冰盖消退，港口与航线数量不断增加于7月达到顶峰，观察图7发现高度值港口大都分布在湖泊连接处，航运网络的主干航线连接着苏必利尔湖、休伦湖与伊利湖。与此同时网络密度下降说明网络连通性下降，然而聚集系数增加则表明港口聚集性增强。平均度值与平均流量在2019年内呈现出低高反复的特征，这是由于流量增长的速度最初大于网络扩张的速度，而后港口与航线数量大幅上涨导致两者变化速度倒置。整体而言，五大湖地区网络指标及交通量的变化与气温相关，其中港口数量、航线数量与船舶交通量随气温变暖呈递增式上升，网络拓扑指标在港口、航线及流量等多重因素的影响下呈现出复杂的变化过程。
图7 五大湖船舶航行网络变化

Fig. 7 Great Lakes ship navigation network changes

表4 五大湖船舶航行网络指标

Tab. 4 Great Lakes vessel navigation network indicators

指标 指标描述 年份 1月 4月 7月 11月
拓扑指标 N 节点数 2019 53 80 180 80
2020 59 75 179 81
2021 55 85 200 81
L 边数 2019 186 357 718 389
2020 216 335 635 388
2021 185 387 844 395
D 网络密度 2019 0.067 0.056 0.022 0.062
2020 0.063 0.060 0.020 0.060
2021 0.062 0.054 0.021 0.061
C 全局聚集系数 2019 0.292 0.326 0.333 0.332
2020 0.226 0.327 0.292 0.332
2021 0.223 0.359 0.339 0.346
<K> 节点平均度值 2019 7.019 8.925 7.978 9.725
2020 7.322 8.933 7.095 9.580
2021 6.727 9.106 8.440 9.753
流量指标 <F> 节点平均流量 2019 59.811 104.175 69.733 114.025
2020 46.847 103.493 54.391 94.617
2021 51.855 109.506 64.600 117.926
<W> 边平均流量 2019 8.522 11.672 8.741 11.725
2020 6.398 11.585 7.666 9.876
2021 7.708 12.026 7.654 12.091
指标分布 CV(F) 节点流量变异系数 2019 1.626 1.971 2.685 1.991
2020 1.656 1.974 2.555 2.020
2021 1.611 2.069 2.650 2.001
CV(W) 边流量变异系数 2019 2.061 2.755 3.409 2.923
2020 2.176 2.797 3.150 2.921
2021 1.919 2.899 3.496 2.929
疫情爆发初期，网络指标值变化较小。2020年7月疫情全面爆发网络受影响最严重，全局聚集系数、节点平均流量与边平均流量等下降表明航运网络流量严重降低，同时网络连通性减弱，流量分布指标值降低表明流量分布变得均匀，此时休伦湖东北侧加拿大属部分港口及航线消失，伊利湖与安大略湖内港口间航线减少。2020年11月网络节点数边数及各自平均流量低于同期，网络密度与全局聚集系数与2019年同期持平，交通量总量超越2020年同期。这表明船舶流动性虽受影响，但网络整体连通性恢复，疫情影响减弱。2021年4月起，五大湖航运网络呈现出较强的恢复力，首先是网络节点与网络边的增加，这导致节点平均流量与边平均流量较2019年同期下降，但交通量总量上升体现出航运网络总流量已经恢复。其次，网络节点、网络边和全局聚集系数皆高于2019年同期表明网络连通性增强。
由图7可知五大湖地区主干航线的拓扑结构稳定且始终存在，即使在疫情影响最严重的2020年7月仍然如此。由此可认为航运网络内部的高度值港口与主干航线共同构成了大湖区航运网络的“骨架”。在遭遇疫情冲击时，网络“骨架”结构稳定表明网络抵抗力强，具备抵御冲击并维持自身结构和功能的能力。
综上，本文将航运网络变化分为3个阶段：第一阶段2019年1月—2020年1月为无疫情时期，航运网络随气温年变化呈周期变化；第二阶段2020年 4月—2020年11月为疫情爆发期，爆发初期网络变化小，影响尚不明显，中期疫情全面爆发，五大湖网络拓扑结构严重受损，连通性减弱，总流量骤降，疫情对航运网络影响具有一定滞后性，后期随着防疫工作推进及五大湖航运季即将结束，疫情影响接近尾声；第三阶段2021年为恢复期，1月份网络拓扑指标上升，连通性加强，航运网络开始复苏，4—11月疫情爆发后的第二个航运季，航运网络全面复苏。总体而言，疫情爆发后，五大湖航运网络“骨架”未改变，网络流量在降低后迅速恢复超2019年，表现出了较好的恢复能力，“骨架”的抵抗力和流量的恢复能力2个维度体现了五大湖运输业韧性强的特点。下文将对各类船舶分别构网分析。

4.1.1 游船与客船航行网络分析

五大湖地区夏天日均气温15 ℃，适合避暑，北美物质文化遗产大都位于此处，每年7月该地区海上旅游业市场繁荣[33-34]，分析游船网络的变化有助于认识疫情对城市居民休闲生活产生的影响。游船网络指标见表5， 2020年游船交通量降幅为16.8%，这直接导致网络边数即航线数量下降。网络密度与全局聚集系数的下降表明网络拓扑结构遭到破坏，流量指标因交通量下降而降低，游船网络航线流量分布异质性明显减弱。2021年，游船交通量较2019年同期上涨26.1%，网络拓扑指标及流量指标数值增加。此外，2021年流量分布异质性指标值持续降低表明五大湖航运网络流量分布变得更加均匀。
表5 游船网络指标

Tab. 5 Cruise network indicators

时间 N L L/N D C
2019-07 100 277 2.77 0.028 0.174
2020-07 100 238 2.38 0.024 0.155
2021-07 109 353 3.24 0.030 0.224
<K> <F> <W> CV(F) CV(W)
2019-07 5.540 16.940 3.058 1.583 2.324
2020-07 4.760 14.100 2.962 1.500 2.081
2021-07 6.477 19.596 3.025 1.415 2.009
疫情期间游船出行次数相较于其他船舶降幅最小，结合2021年游船出行次数大幅上涨推断，疫情并未对五大湖海上旅游业长期发展造成负面影响，长时间的居家使人们有了更多的休闲时间，加快后疫情时期海上旅游业发展。
客船承担运送乘客的任务也为病毒传播提供途径，分析客船网络变化有助于认识五大湖腹地官方防疫政策偏好。观察表6客船网络指标发现其港口数量与航线数量远低于游船网络，较2019年同期，2020年4—11月，网络节点与网络边数降幅明显，7月网络边数降幅达55.7%，节点平均度、节点平均流量下降严重，网络边数大幅下降导致边平均流量数值上升，流量变异系数指标值提升表明港口与航线流量分布异质性增强。2021年，客船交通量总量较2019年下降22.2%，通航港口数量增加，但航线数量并未恢复，网络密度较2020年下降，港口平均流量与航线平均流量变化小，流量分布异质性增强。自疫情爆发以来客船交通量降幅大，网络结构受损严重，持续时间长，这与限制病毒传播的“封锁”措施长期实施有关。
表6 客船网络指标

Tab. 6 Passenger network indicators

年份 拓扑指标 1月 4月 7月 11月 流量指标及分布 1月 4月 7月 11月
2019 N 9 30 49 23 <F> 7.111 16.267 25.020 14.522
2020 12 16 37 19 9.333 11.875 16.270 9.474
2021 11 25 51 28 7.818 15.840 16.392 11.643
2019 L 11 41 140 38 <W> 2.909 5.951 4.379 4.395
2020 14 20 62 25 4.000 4.750 4.855 3.600
2021 13 36 91 36 3.308 5.500 4.593 4.528
2019 D 0.153 0.047 0.060 0.075 CV(F) 0.754 2.218 1.205 1.749
2020 0.106 0.083 0.047 0.073 1.121 1.003 1.981 1.095
2021 0.118 0.060 0.036 0.048 0.907 1.676 2.158 1.614
2019 <K> 2.444 2.733 5.714 3.304 CV(W) 0.873 2.464 1.766 2.109
2020 2.333 2.500 3.351 2.632 1.073 1.120 2.342 1.267
2021 2.364 2.880 3.569 2.571 1.030 2.034 2.781 1.765

4.1.2 货轮与油轮航行网络分析

货轮载运农产品、日用品以及各类生活物资，油轮运输散装液体或气体，它们为人们生活提供保障，疫情爆发时保证其正常航行变得尤为重要。货轮与油轮网络指标见表7，疫情爆发后，两类航运网络变化表现在2个方面：① 空间结构上网络航线数量减少及聚集系数降低；② 网络流量减少，该变化由边平均流量与节点平均流量下降得出。此外，流量分布异质性变化较小。通过进一步对比两类航运网络指标发生变化的主要时段，可知油轮网络在2020年11月受冲击最严重，且相较货轮网络受疫情影响较晚。2021年，随着全球疫情形势好转，航运市场需求激增，货轮和油轮网络各项指标迅速恢复，网络连通性加强，表明上述航运网络具有良好的恢复能力。特别的，将图7网络“骨架”与货轮、油轮航行网络拓扑指标一起分析，可知上述“骨架”结构由货轮与油轮停靠港及港口间航线构成。
表7 货轮与油轮网络指标

Tab. 7 Cargo and tanker network indicators

指标 年份 货船 油轮
1月 4月 7月 11月 1月 4月 7月 11月
拓扑指标 N 2019 32 49 53 51 12 23 24 22
2020 36 46 47 48 14 19 18 18
2021 37 46 50 48 10 22 22 23
L 2019 100 194 245 218 31 57 61 53
2020 102 188 204 221 34 44 48 48
2021 107 201 250 222 24 57 65 63
D 2019 0.101 0.082 0.089 0.085 0.235 0.113 0.111 0.115
2020 0.081 0.091 0.094 0.098 0.187 0.129 0.157 0.157
2021 0.080 0.097 0.102 0.098 0.267 0.123 0.141 0.125
C 2019 0.279 0.302 0.351 0.294 0.214 0.244 0.277 0.340
2020 0.175 0.327 0.321 0.345 0.217 0.179 0.263 0.371
2021 0.153 0.351 0.356 0.355 0.231 0.329 0.377 0.254
<K> 2019 6.250 7.918 9.245 8.549 5.167 4.957 5.083 4.818
2020 5.667 8.174 8.681 9.208 4.857 4.632 5.333 5.333
2021 5.784 8.739 10.000 9.250 4.800 5.182 5.909 5.478
流量指标 <F> 2019 50.31 106.57 116.30 107.41 27.50 31.04 34.58 36.09
2020 33.28 107.91 97.32 108.00 32.86 33.26 34.11 22.00
2021 43.30 127.87 127.76 121.25 24.20 30.09 34.91 32.09
<W> 2019 8.050 13.459 12.580 12.564 5.323 6.263 6.803 7.491
2020 5.873 13.202 11.211 11.729 6.765 7.182 6.396 4.125
2021 7.486 14.632 12.776 13.108 5.042 5.807 5.908 5.857
指标分布 CV(F) 2019 1.316 1.756 1.760 1.753 0.647 1.123 1.131 1.060
2020 1.450 1.671 1.642 1.694 0.859 0.973 0.906 0.841
2021 1.451 1.658 1.713 1.648 0.557 1.026 0.993 1.046
CV(W) 2019 1.617 2.331 2.526 2.425 0.799 1.199 1.202 1.097
2020 1.702 2.306 2.369 2.475 0.977 0.974 1.078 0.973
2021 1.560 2.362 2.610 2.440 0.649 1.108 1.198 1.150

4.2 中尺度：港口群落拓扑结构变化分析

如图8所示，使用Louvain算法检测航运网络中的港口群落并统计模块度及网络社区数量，模块度均在0.3~0.7范围内，表明算法结果优良。将 7月份可视化结果分解以便观察，按港口数量对群落进行排名，在图9中按照港口类型对前7名的港口群进行划分：① 游船停靠港口群落；② 客船、货轮和油轮停靠港口群落；③ 其他群落（第7名以后的港口群）。
图8 五大湖航行网络社区结构变化

Fig. 8 Changes in the structure of the Great Lakes navigation network community

图9 各年7月份网络社区拆解

Fig. 9 Breakdown of online communities by month in July

疫情前五大湖地区航运网络港口群落多分布在各大湖泊内部，说明地理隔阂是港口群落空间格局形成的重要影响因素。在航运季内，各群落间联系密切，7月港口数量与航线数量大幅增长导致群落结构变得复杂，主要表现在密歇根湖内群落分化且港口分布不均。此外，由图9中2019年群落分解图可知高流量航线主要由货轮和油轮构成，其港口位于苏必利尔湖西部、各大湖泊连接处及五大湖对外出海口上。
疫情爆发后，2020年7月（汛期）港口群拓扑结构与空间分布变化显著，群落数量大幅上涨，宏观尺度网络全局聚集系数与网络密度指标数值下降，航运网络结构受损。该变化是由航线数量减少引起。其余月份群落空间结构无明显改变。2021年1月，受密歇根州疫情影响，底特律河道处发生拥堵，苏必利尔湖与休伦湖上群落分化， 4月该现象消失。此外，在分解图中各年游船网络结构差异大，疫情爆发后第一个汛期内，游船群落港口与航线大幅消失，主要分布在休伦湖、伊利湖及安大略湖中，同时群落发生分化现象。而2021年，上述地区的港口及航线重新出现且更加密集，体现出了游船网络恢复力强的特点。对于客船、货轮和油轮港口群落来说，疫情虽然导致航线消失，但密歇根湖与休伦湖上港口间联系反而更加紧密，同时港口群落合并。宏观尺度货轮和油轮网络航线数量减少，节点流量边流量异质性减弱，流量分布异质性减弱利于港口群的合并，这与上述群落合并的结果相符。全面恢复期，橙色群落港口数量上升，新出现的港口主要位于密歇根湖周边地区，该区域港口群连通性提高，群落腹地间贸易往来增加；伊利湖与安大略湖内部港口联系加强导致群落分化新群落覆盖范围减小。
五大湖地区航运网络港口群落划分由自然地理隔阂主导，疫情导致地缘政治影响加剧，归属一国的港口群落相互合并，覆盖两国领海的港口群落依国界分化。由图8可知，疫情前港口群落分布在各大湖泊内部，同时存在向外扩散的趋势。图9表明游船航行网络与客船、货轮和油轮网络相互重叠但无连接关系，宏观尺度的网络“骨架”由客船、货轮和油轮网络的高度值港口与高流量航线构成。中尺度网络群落拓扑结构在疫情前后变化显著，通过深入分析发现疫情影响下群落结构的改变响应了宏观尺度网络统计指标的变化。

4.3 微尺度：港口重要程度变化分析

评价各港口在航运网络结构中的重要程度，首先根据构建的网络计算各节点的度中心性、接近中心性和中介中心性，再通过计算信息熵冗余度得到各月中心性指标的全局权重（表8）。结果表明中介中心性占比大，最终评价值高的港口“桥梁”作用更强。且该类港口若位于群落交界处则会促进群落合并，反之落入群落内部，则会导致群落分化。最终求得综合评价值如图10所示。该图将综合评价值作为权值，并附上前10名港口评价结果及所在位置。
表8 船舶航行网络港口中心性指标全局权重

Tab. 8 Global weighting of port centrality indicators for ship navigation networks

时间 中介中心性 度中心性 接近中心性
2019-01 0.679 4 0.233 9 0.086 6
2019-04 0.687 8 0.204 2 0.108 0
2019-07 0.616 6 0.255 2 0.128 2
2019-11 0.682 1 0.244 8 0.073 1
2020-01 0.731 5 0.216 5 0.051 9
2020-04 0.686 6 0.211 3 0.102 1
2020-07 0.622 1 0.219 4 0.158 5
2020-11 0.712 8 0.233 6 0.053 6
2021-01 0.689 4 0.232 2 0.078 4
2021-04 0.653 9 0.208 3 0.137 8
2021-07 0.603 5 0.263 7 0.132 8
2021-11 0.693 8 0.223 9 0.082 3
图10 港口评价结果及空间分布变化

Fig. 10 Port evaluation results and changes in spatial distribution

如图10所示，疫情下，五大湖地区重要港口始终位于连接各湖泊的航道上，疫情限制了“桥梁”港口的转运能力，但并未完全阻断湖泊间的贸易运输。部分重要港口始终作为五大湖航运网络的转运港，如位于苏圣玛丽运河上的SAULT STE MARIE港，麦基诺水道上的MACKINAC ISLAND港等。
2020年4月疫情爆发初期，前10名港口评价结果均值下降24.4%，第2至第10名评价值低于2019年同期，转运港“桥梁”效应普遍减弱。爆发中期，高评价值港口从湖泊连接处转移至湖泊内部，导致湖泊间连通性减弱，内部贸易运输加强，湖泊内部港口群落合并或覆盖多湖泊的大型港口群发生分化，如MACKINAC ISLAND、LELAND和CALUMET HARBOR等港口评价值上升，导致密歇根湖内群落合并，CLEVELAND港评价值上升促使伊利湖与安大略湖内港口组成的群落分化。
2021年1月，密歇根州正值新的疫情冲击中，其东侧底特律河道上的港口评价值较同期降低，航运业受阻，货物积压情况严重。4月疫情形势好转，底特律河道是五大湖航行船舶从西侧入海的唯一通道，货物“堆积效应”过后迎来航运业的“报复效应”，这导致该河道处AMHERSTBURG、MOORETOWN和DETROIT港口评价结果显著上升。7月高评价值港口空间分布与疫情爆发前相似，且评价结果数值高于同期。总体而言，五大湖地区重要港口抗风险能力分异，在恢复期又呈现出了不对称复苏的情况。
如图11所示，对各月份前10名港口出现次数进行累计，结果表明湖泊连接处的港口在五大湖航运网络中始终发挥着“桥梁”作用。图7中高度值港口分布与此类似，表明五大湖地区湖泊连接处的港口是航运网络的关键节点。
图11 各港口进入前10名次数累计图

Fig. 11 Cumulative chart of top 10 entries by port

5 结论与建议

5.1 结论

为解决疫情下航运网络分析尺度不足的问题，本研究提出了一种基于AIS数据探索多尺度航运网络变化的分析框架，通过对五大湖地区主要运营船舶的航运网络的研究，证明了多尺度分析框架的可行性与有效性，基于分析结果提出航运业未来发展的相关建议。本文主要贡献如下：
（1）提出一种基于AIS数据构建标准化OD数据的方法，从而建立时空相结合的网络变化分析框架，在宏观、中观和微观3个尺度分别对网络流量及空间结构、网络社区结构和节点重要性和空间分布变化进行研究。宏观尺度的研究对航运网络的空间分布、连通性、流量及其分布进行考察，利于理解航运业整体变化情况，网络社区介于网络和节点之间，以中尺度视角揭示子网络特征变化，微观综合多个局部网络指标对节点网络结构层面的重要性进行量化。本研究提出的OD数据构建方法适用于其他地区不同类型船舶行程识别，也可用于具有停靠区或站点的轨迹数据处理。多尺度网络分析框架可应用于不同类型流动性研究工作，如反映城市人口流动的浮动车、共享单车、个体慢行OD数据研究，反映各地人口迁徙、货物流动的公路、轨道、航空OD数据研究。不同的研究中宏观尺度构网对象不同，相对应的群落结构、节点所反映事物的变化性质不同，有助于发现流动系统中的新模式新规律。
（2）通过对五大湖地区航运网络的案例研究，结果表明：① 疫情对航运交通量的冲击存在滞后性，对各类型航运网络冲击顺序为：客船>游船=货轮>油轮=牵引船，各类型航运网络恢复能力排名为：游船>货轮>牵引船>油轮>客船。货轮、游船航运业恢复能力较强，油轮网络恢复能力弱之，客船网络恢复能力最弱。② 五大湖航运网络变化具有明显的阶段性特征，疫情爆发阶段航运网络总流量降低，网络连通性减弱，海上贸易与休闲娱乐活动受严重影响。2021航运季的开始是航运网络进入恢复期的标志。纵观疫情后的网络变化，由货轮和油轮构成的网络“骨架”稳定，表明货轮和油轮运输业韧性较强，其港口主要位于苏必利尔湖西侧、各湖泊连接处及五大湖出海口三处，航线在空间上“贯穿”各大湖泊。③ 自然地理隔阂是五大湖航运网络港口群空间结构保持相对稳定的原因，游船形成的群落与客船、货轮与油轮港口群落在空间上重叠但无航线连接。疫情爆发后，地缘政治影响加剧，游船港口大量消失且群落产生分化。④ 五大湖重要港口地处各大湖泊交界处，同时具备“桥梁”与“枢纽”性质，港口受损和恢复过程呈现出复杂性与不对称性。

5.2 建议

新冠疫情对结构复杂的航运网络造成了重大影响，限制措施的推行使船舶运输网络的空间和时间变化不均衡，变化主要体现在网络流量、港口群结构和重要港口分布等方面，对于其他地区的从业者或研究人员，应结合当地疫情状况进行决策或展开研究，以下结合本研究多尺度分析结果面向航运业相关人员给出参考建议：
（1）宏观尺度航运网络中港口数量变化较小，航线数量和网络流量下降严重。大型港口及主干港口作为网络“骨架”，是航运供应链的核心，在疫情等全球范围的外源性冲击来临时，应优先对其进行治理防止影响恶化。本文采用统一的拓扑指标及流量指标对各类型航运网络空间结构变化进行量化，在未来的研究中应根据各航运业的特点选择合适的分析指标，深入挖掘网络特征变化。
（2）疫情下的港口群落的空间结构变化较小，航线消失港口群落分化主要集中在各湖泊连接处，表明各群落间港口连通性降低，而群落内港口受影响影响较小。各方合作形成港口群落具有是航运业新的发展方向，未来应注重港口整合与结构优化，提高地区港口的抗冲击能力和国际竞争力。在这一尺度上，港口群落核心-外围结构、引起网络中港口群落合并、分化的节点的探索，对于理解航运网络稳健性、效率和不均衡的发展具有实际意义。
（3）五大湖各湖泊之间皆通过狭窄的河道连接，在疫情爆发后，港口停止服务、船舶跳港等问题降低了湖泊连接处转运港的服务效率，其自身防疫难度增加。这由五大湖转运港的特殊地位决定，其他航运网络应注重微尺度下网络节点或其他对象的变化，通过寻找网络核心节点的方式发现关键港口，加强港口抗风险能力从而增强网络韧性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
尹凌, 刘康, 张浩, 等. 耦合人群移动的COVID-19传染病模型研究进展[J]. 地球信息科学学报, 2021, 23(11):1894-1909.

DOI

[Yin L, Liu K, Zhang H, et al. Integrating human mobility into the epidemiological models of COVID-19: Progress and challenges[J]. Journal of Geo-information Science, 2021, 23(11):1894-1909.] DOI:10.12082/dqxxkx.2021.210091

DOI

[2]
曹中浩, 张健钦, 杨木, 等. 基于GIS新冠智能体仿真模型及应用——以广州市为例[J]. 地球信息科学学报, 2021, 23(2):297-306.

DOI

[Cao Z H, Zhang J Q, Yang M, et al. The city agent model of COVID-19 based on GIS and application: A case study of Guangzhou[J]. Journal of Geo-information Science, 2021, 23(2):297-306.] DOI:10.12082/dqxxkx.2021.200449

DOI

[3]
周继彪, 马昌喜, 董升, 等. 新冠肺炎疫情下城市公共交通非常规防疫策略——以宁波市为例[J]. 中国公路学报, 2020, 33(11):1-10.

DOI

[Zhou J B, Ma C X, Dong S, et al. Unconventional epidemic prevention strategy for urban public transport systems during the COVID-19 outbreak: The example of Ningbo[J]. China Journal of Highway and Transport, 2020, 33(11):1-10.] DOI:10.19721/j.cnki.1001-7372.2020.11.001

DOI

[4]
刘张, 千家乐, 杜云艳, 等. 基于多源时空大数据的区际迁徙人群多层次空间分布估算模型——以COVID-19疫情期间自武汉迁出人群为例[J]. 地球信息科学学报, 2020, 22(2):147-160.

DOI

[Liu Z, Qian J L, Du Y Y, et al. Multi-level spatial distribution estimation model of the inter-regional migrant population using multi-source spatio-temporal big data: A case study of migrants from Wuhan during the spread of COVID-19[J]. Journal of Geo-information Science, 2020, 22(2):147-160.] DOI:10.12082/dqxxkx.2020.200045

DOI

[5]
Bombelli A. Integrators' global networks: A topology analysis with insights into the effect of the COVID-19 pandemic[J]. Journal of Transport Geography, 2020, 87:102815. DOI:10.1016/j.jtrangeo.2020.102815

DOI

[6]
Sobieralski J B. COVID-19 and airline employment: Insights from historical uncertainty shocks to the industry[J]. Transportation Research Interdisciplinary Perspectives, 2020, 5:100123. DOI:10.1016/j.trip.2020.100123

DOI

[7]
Suau-Sanchez P, Voltes-Dorta A, Cugueró-Escofet N. An early assessment of the impact of COVID-19 on air transport: Just another crisis or the end of aviation as we know it?[J]. Journal of Transport Geography, 2020, 86:102749. DOI:10.1016/j.jtrangeo.2020.102749

DOI

[8]
郭九霞, 杨宗鑫, 夏正洪, 等. 新冠疫情前后机场加权网络抗毁性分析[J]. 中国安全科学学报, 2022, 32(8):91-97.

DOI

[Guo J X, Yang Z X, Xia Z H, et al. Invulnerability analysis for airport weighted networks before and after COVID-19[J]. China Safety Science Journal, 2022, 32(8):91-97.] DOI:10.16265/j.cnki.issn1003-3033.2022.08.2624.

DOI

[9]
Sirimanne S N, Hoffman J, Juan W, et al. Review of maritime transport 2018[M]. Switzerland: United Nations conference on trade and development, 2018.

[10]
March D, Metcalfe K, Tintoré J, et al. Tracking the global reduction of marine traffic during the COVID-19 pandemic[J]. Nature Communications, 2021, 12:2415. DOI:10.1038/s41467-021-22423-6

DOI PMID

[11]
Verschuur J, Koks E E, Hall J W. Global economic impacts of COVID-19 lockdown measures stand out in high-frequency shipping data[J]. PLoS One, 2021, 16(4):e0248818. DOI:10.1371/journal.pone.0248818

DOI

[12]
Zheng H L, Hu Q Y, Yang C, et al. Transmission path tracking of maritime COVID-19 pandemic via ship sailing pattern mining[J]. Sustainability, 2021, 13(3):1089. DOI:10.3390/su13031089

DOI

[13]
Guerrero D, Letrouit L, Pais-Montes C. The container transport system during Covid-19: An analysis through the prism of complex networks[J]. Transport Policy, 2022, 115:113-125. DOI:10.1016/j.tranpol.2021.10.021

DOI PMID

[14]
Millefiori L M, Braca P, Zissis D, et al. COVID-19 impact on global maritime mobility[J]. Scientific Reports, 2021, 11:18039. DOI:10.1038/s41598-021-97461-7

DOI PMID

[15]
Zhou X X, Jing D Y, Dai L, et al. Evaluating the economic impacts of COVID-19 pandemic on shipping and port industry: A case study of the port of Shanghai[J]. Ocean & Coastal Management, 2022, 230:106339. DOI:10.1016/j.ocecoaman.2022.106339

DOI

[16]
Narasimha P T, Jena P R, Majhi R. Impact of COVID-19 on the Indian seaport transportation and maritime supply chain[J]. Transport Policy, 2021, 110:191-203. DOI:10.1016/j.tranpol.2021.05.011

DOI PMID

[17]
万程鹏, 陶嘉乐, 伍静, 等. 新冠肺炎疫情对中国国际航运网络空间格局影响分析[J]. 交通信息与安全, 2020, 38(2):129-135.

[Wan C P, Tao J L, Wu J, et al. An analysis of influences of the COVID-19 on the spatial structure of the China’s global shipping network[J]. Journal of Transport Information and Safety, 2020, 38(2):129-135.] DOI:10.3963/j.jssn.1674-4861.2020.02.016

DOI

[18]
Kanrak M, Nguyen H-O, Du Y Q. Analysis of the COVID-19 pandemic’s impact on the cruise shipping network in the Asian-Australasian region[J]. Journal of International Logistics and Trade, 2022, 20(1):1-17. DOI:10.24006/jilt.2022.20.1.001

DOI

[19]
Jin L J, Chen J, Chen Z L, et al. Impact of COVID-19 on China’s international liner shipping network based on AIS data[J]. Transport Policy, 2022, 121:90-99. DOI:10.1016/j.tranpol.2022.04.006

DOI

[20]
Pan J J, Zhang Y F, Fan B. Strengthening container shipping network connectivity during COVID-19: A graph theory approach[J]. Ocean & Coastal Management, 2022, 229:106338. DOI:10.1016/j.ocecoaman.2022.106338

DOI

[21]
Dirzka C, Acciaro M. Global shipping network dynamics during the COVID-19 pandemic's initial phases[J]. Journal of Transport Geography, 2022, 99:103265. DOI:10.1016/j.jtrangeo.2021.103265

DOI

[22]
Millerd F. Global climate change and Great Lakes international shipping[R]. Canada: Wilfrid Laurier University, 2007.

[23]
Strogatz S H. Exploring complex networks[J]. Nature, 2001, 410(6825):268-276. DOI:10.1038/35065725

DOI

[24]
Girvan M, Newman M E. Community structure in social and biological networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2002, 99(12):7821-7826. DOI:10.1073/pnas.122653799

DOI PMID

[25]
Kojaku S, Xu M Q, Xia H X, et al. Multiscale core-periphery structure in a global liner shipping network[J]. Scientific Reports, 2019, 9:404. DOI:10.1038/s41598-018-35922-2

DOI PMID

[26]
Xu M Q, Pan Q, Muscoloni A, et al. Modular gateway-ness connectivity and structural core organization in maritime network science[J]. Nature Communications, 2020, 11:2849. DOI:10.1038/s41467-020-16619-5

DOI PMID

[27]
Kang L, Wu W Z, Yu H, et al. Global container port network linkages and topology in 2021[J]. Sensors, 2022, 22(15):5889. DOI:10.3390/s22155889

DOI

[28]
Lim S, Pettit S, Abouarghoub W, et al. Port sustainability and performance: A systematic literature review[J]. Transportation Research Part D: Transport and Environment, 2019, 72:47-64. DOI:10.1016/j.trd.2019.04.009

DOI

[29]
Sun J, Yuan Y, Yang R, et al. Performance evaluation of Chinese port enterprises under significant environmental concerns: An extended DEA-based analysis[J]. Transport Policy, 2017, 60:75-86. DOI:10.1016/j.tranpol.2017.09.001

DOI

[30]
Cao L. Research on Green Port Efficiency Evaluation Based on DEA and TOPSIS[J]. International Core Journal of Engineering, 2019, 5(11):106-119. DOI:10.6919/ICJE.201910_5(11).0016

DOI

[31]
Wan C P, Zhao Y X, Zhang D, et al. Identifying important ports in maritime container shipping networks along the Maritime Silk Road[J]. Ocean & Coastal Management, 2021, 211:105738. DOI:10.1016/j.ocecoaman.2021.105738

DOI

[32]
张静, 张智慧, 李小冬, 等. 基于熵权的TOPSIS法的港口军事运输能力评估[J]. 清华大学学报(自然科学版), 2018, 58(5):494-499.

[Zhang J, Zhang Z H, Li X D, et al. Military transport capacity evaluation of ports using entropy weight and TOPSIS[J]. Journal of Tsinghua University (Science and Technology), 2018, 58(5):494-499.] DOI:10.16511/j.cnki.qhdxxb.2018.22.027

DOI

[33]
NOAA Report on the U.S. Marine Economy: Regional and State Profiles[R]. Charleston, SC: Office for Coastal Management, 2021.

[34]
An Assessment of the Impacts of Climate Change on the Great Lakes[R]. Chicago: Environmental Law & Policy Center, 2019.

Options
Outlines

/

〈 〉