船舶引航過程風險馬爾科夫鏈模型動態(tài)仿真

胡甚平，黃常海，鄧華，黃道正

(1.上海海事大學 商船學院，上海 200135; 2.江蘇海事職業(yè)技術(shù)學院 航海技術(shù)系，江蘇 南京 211170; 3.上海海事大學 交通運輸學院， 上海 200135)

船舶引航過程風險馬爾科夫鏈模型動態(tài)仿真

胡甚平1，黃常海1，鄧華2，黃道正3

(1.上海海事大學 商船學院，上海 200135; 2.江蘇海事職業(yè)技術(shù)學院 航海技術(shù)系，江蘇 南京 211170; 3.上海海事大學 交通運輸學院， 上海 200135)

為定量研究特定水域船舶引航過程風險演化規(guī)律，有效進行船舶進出港安全預控，本文通過對港區(qū)水域船舶引航作業(yè)工作流程分析，確立不同船舶引航作業(yè)任務(wù)的風險程度，提出船舶引航狀態(tài)處于港內(nèi)外錨地、航道和泊位前沿等水域之間的轉(zhuǎn)移方程。計算結(jié)果表明：船舶引航狀態(tài)的轉(zhuǎn)移符合馬氏穩(wěn)態(tài)特性，經(jīng)潮汐型波動后走向穩(wěn)定；船舶航行狀態(tài)轉(zhuǎn)移的過程變量對港區(qū)水域總體船舶秩序影響明顯?；隈R爾科夫鏈蒙特卡洛方法的過程風險仿真模型適用于海上交通風險的模擬分析，可為船舶安全管理提供風險演化的基本規(guī)律。

風險評估； 風險仿真； 船舶引航； 馬爾科夫鏈蒙特卡洛； 船舶流量； 港口交通； 馬爾科夫鏈； 動態(tài)系統(tǒng)仿真

Abstract：The dynamic system simulation of effective ship embarking or disembarking at harbors is necessary to quantitatively analyze and identify risk evolution in ship pilotage in specific waters for safety control. In this study, the working process of the pilotage operation of a ship in port waters is analyzed and the risk degrees of different ship pilotage operation tasks are determined. The calculation result shows that the transfer of pilotage state complies with Markov steady- state characteristics and remains stable after tide- type fluctuations. In addition, the transferring variable remarkably affects the whole ship flow in the harbor. The dynamic system simulation model with the Markov Chain Monte Carlo algorithm is suitable for the risk analysis of maritime traffic risk and can provide the basic law for the evolution of risk in the safety management of marine traffic.

Keywords： risk assessment; risk simulation; ship pilotage; Markov Chain Monte Carlo; ship flow; harbour traffic; Markov Chain; dynamic system simulation

隨著航運業(yè)的發(fā)展，大量的船舶頻繁活躍于港口水域，使港口水域通航密度大大增加，交通環(huán)境更加復雜，導致船舶水上交通風險逐漸增加[1]。目前，國內(nèi)進出港口船舶中有50%左右的船舶是在引航員的引領(lǐng)下完成的，部分對外港口甚至達到90%，船舶引航是港口生產(chǎn)和快速發(fā)展中不可替代的環(huán)節(jié)，保證了港區(qū)的安全和水域的清潔，提升了港口綜合服務(wù)能力[2]。船舶引航在保障地方經(jīng)濟發(fā)展、港口生產(chǎn)能力和港口水域交通安全方面的作用不可替代[3]。

目前，國內(nèi)外已有很多學者采用定性、定量以及定性定量相結(jié)合的方法從不同角度研究港區(qū)水域船舶航行風險問題。方泉根等采用綜合安全評估方法對船舶引航風險形成原因進行分析[3-4]。方誠等引入貝葉斯理論對船舶引航風險分別提出預測模型和動態(tài)網(wǎng)絡(luò)推理模型[5]。Cameron提出引航安全決策研究[6]。馬飛等提出船舶引航中的風險脆弱性量化問題[7]。Wu等引入模糊綜合評判法對引航系統(tǒng)進行評價[8]。G?r?ün等采用綜合安全評估方法對海峽水域船舶航行風險進行量化研究[9]。Pak等采用模糊層次分析法對港口水域船舶安全航行風險進行量化研究[10]。Praetorius等提出如何適應(yīng)不斷變化的操作條件的船舶交通系統(tǒng)(vessel traffic system,VTS)操作人員適應(yīng)力模型[11]。這些文獻在船舶引航靜態(tài)風險量化方面取得進展，然而對于時序下的船舶引航動態(tài)風險研究有待深入。

量化隨機過程下的船舶港區(qū)航行風險是進行大數(shù)據(jù)條件下風險預防和控制的基礎(chǔ)問題。胡甚平等提出基于人工智能云模型的蒙特卡洛方法研究風險耦合機理[12]。Faghih Roohi引入馬爾科夫鏈蒙特卡洛方法(Markov chain Monte Carlo，MCMC)對海上交通風險進行動態(tài)仿真，通過船舶交通事件、事故與嚴重事故之間的風險轉(zhuǎn)移的動態(tài)系統(tǒng)仿真得出風險系統(tǒng)動態(tài)演化規(guī)律，分析安全風險的分布以及現(xiàn)有交通條件下的發(fā)展趨勢[13]。動態(tài)風險納入隨機過程研究是一種新嘗試。

本文通過港區(qū)水域船舶引航作業(yè)工作流程分析，確立船舶引航狀態(tài)處于港內(nèi)外錨地、航道和泊位前沿等水域之間的狀態(tài)轉(zhuǎn)移方程。采用馬爾科夫鏈蒙特卡洛方法，提出港區(qū)水域船舶引航風險動態(tài)系統(tǒng)仿真模型。結(jié)合港區(qū)水域船舶引航狀態(tài)轉(zhuǎn)移矩陣，進行馬爾科夫鏈蒙特卡洛仿真實驗與分析。

1 問題的描述

1．1 船舶引航過程風險分析

引航是指在一定的水域內(nèi)，由專門性的從業(yè)人員登上船舶，并就船舶駛抵目的地的有關(guān)問題，向船長提出有關(guān)航行問題的建議，或者在不解除船長對于全船駕駛責任的情況下，把船舶安全地從錨地或泊位引進、帶出港口或在港內(nèi)移泊。因此，引航任務(wù)是由作業(yè)屬性和初始船舶狀態(tài)組成，作業(yè)屬性包括進出港或移泊，初始船舶狀態(tài)包括內(nèi)外錨地或泊位。引航過程則是由引航任務(wù)的設(shè)定、人員與船舶內(nèi)部因素相關(guān)聯(lián)或相互作用的活動以及預期的船舶安全營運的狀態(tài)等組成，即船舶通過進出港航行(含調(diào)頭)、靠離泊(含拋起錨、系離浮等)和移泊等，最終實現(xiàn)錨地與泊位之間的空間狀態(tài)轉(zhuǎn)移。船舶引航作業(yè)是船舶在不同區(qū)域間進行狀態(tài)轉(zhuǎn)移，從而完成進出港航行、靠離泊和移泊作業(yè)任務(wù)(見表1)。

表1 船舶引航作業(yè)流程

在港區(qū)水域，船舶引航過程需通過港外錨地、港內(nèi)錨地、港區(qū)航道和泊位(含前沿水域等附近水域)等改變而完成。鑒于船舶引航作業(yè)是船舶在狀態(tài)轉(zhuǎn)移過程中完成進出港航行、靠離泊和移泊任務(wù)，船舶引航過程風險包含船舶引航中航行、靠泊、離泊、移泊等行為的風險[4]。

因而，船舶進出港口(或移泊)的風險最終表現(xiàn)為不同區(qū)域不同作業(yè)風險的組合。比如，進港船舶引航風險為外錨地起錨作業(yè)、航道航行作業(yè)和泊位靠泊作業(yè)等風險的組合(見圖1)。

圖1 船舶港區(qū)水域狀態(tài)轉(zhuǎn)移圖Fig.1 State transition diagram on ship pilotage

1.2 船舶引航過程風險動態(tài)模型的建立

船舶引航過程動態(tài)風險可以定義為在設(shè)定的時間或過程中船舶所處隨機狀態(tài)下安全引航作業(yè)風險的組合，數(shù)學表達為

(1)

式中：R(t)為設(shè)定時間t下的風險值，r為船舶不同引航作業(yè)狀態(tài)xi(i=1,2,3,4)非正常事件發(fā)生可能性和后果程度組合的風險值，S(t)為時間t時刻船舶暴露著的引航狀態(tài)，S(0)為船舶t=0的引航初始狀態(tài)，T為船舶引航狀態(tài)轉(zhuǎn)移變量，滿足：

(2)

式中:μij為不同狀態(tài)之間變化xi→xj的轉(zhuǎn)移概率。

2 船舶引航過程風險的動態(tài)仿真

2.1 馬爾科夫鏈蒙特卡洛方法

船舶引航安全系統(tǒng)仿真是對船舶引航過程的一種模擬，利用數(shù)學模型來模擬船舶引航安全系統(tǒng)發(fā)展變化的規(guī)律。MCMC作為統(tǒng)計計算方法，也是動態(tài)系統(tǒng)仿真的方法之一，通過設(shè)定隨機過程，重復生成時間序列，估計分布參數(shù)和統(tǒng)計數(shù)值，進而研究其分布特征[14]。首先通過計算機進行靜態(tài)模擬，然后將離散時間的馬爾科夫鏈或連續(xù)時間的馬爾科夫過程引入到蒙特卡洛模擬中，實現(xiàn)抽樣分布隨模擬條件進而改變的動態(tài)系統(tǒng)模擬。由于涉及時間序列反復生成，彌補了傳統(tǒng)的蒙特卡洛積分只能進行靜態(tài)模擬的缺陷。該方法在機器學習、人工智能等領(lǐng)域具有廣泛的應(yīng)用[15]。

MCMC用一個復雜分布進行采樣，馬爾科夫鏈存在唯一的平穩(wěn)分布，使得樣本點服從該復雜分布。有限狀態(tài)是不可約非周期的，當轉(zhuǎn)移步數(shù)趨向于無窮時，每個狀態(tài)服從指定的概率分布。因此，從概率分布中進行采樣，可以構(gòu)造一個馬爾科夫鏈過程，使得它的平穩(wěn)分布是復雜分布[16]。

2.2 船舶引航過程風險動態(tài)系統(tǒng)仿真

馬爾科夫鏈體現(xiàn)的是離散狀態(tài)在離散時間中或連續(xù)時間轉(zhuǎn)換關(guān)系，下一個狀態(tài)只決定與當前的狀態(tài)。就船舶引航任務(wù)而言，每一個引航任務(wù)只描述當前狀態(tài)與下一個狀態(tài)，下一個狀態(tài)與當前狀態(tài)相關(guān)。

狀態(tài)圖的轉(zhuǎn)換關(guān)系可以用轉(zhuǎn)換矩陣T來表示。考慮一般的情況，滿足條件下經(jīng)過一定的馬爾科夫鏈迭代后系統(tǒng)分布會趨近一個穩(wěn)定分布，即最后的μ(t)服從目標分布S(x)(t)采樣。在采用 MCMC方法時，馬爾科夫鏈轉(zhuǎn)移核的構(gòu)造至關(guān)重要，不同的轉(zhuǎn)移核構(gòu)造方法，將產(chǎn)生不同的 MCMC 方法和目標狀態(tài)轉(zhuǎn)移的結(jié)果。目前常用的 MCMC 中抽樣方法有三種，即MH算法(metropolis- hasting)、切片抽樣(slice sampling)和吉布斯抽樣(gibbs)，這三種方法各有優(yōu)缺點[11]：MCMC最一般的抽樣方法是MH方法。切片抽樣是一種通過一個定義好的不變分布來構(gòu)造可逆馬爾科夫轉(zhuǎn)移核的方法。Gibbs抽樣是一種特殊的MH抽樣，其隨機數(shù)值總是被接收(即接收概率為1)，見圖2。

MH方法是：取xi、xj兩狀態(tài)之間最小轉(zhuǎn)移概率作為二者之間轉(zhuǎn)入和轉(zhuǎn)出的概率，那么，轉(zhuǎn)出去概率大的狀態(tài)增加了自我轉(zhuǎn)移的概率。如圖3所示，假設(shè)狀態(tài)xi轉(zhuǎn)出到狀態(tài)xj的概率大。該算法能構(gòu)造最快收斂，通過調(diào)整每個狀態(tài)的自我轉(zhuǎn)移概率，使它最接近穩(wěn)態(tài)下的自我轉(zhuǎn)移概率，多余的概率都轉(zhuǎn)移出去，保證細致平穩(wěn)條件。對于引航作業(yè)而言，使用MH算法可以快速收斂到目標狀態(tài)，減少中間狀態(tài)的過渡時間[14]。因此，使用該算法可以獲得引航初始時和結(jié)束時的船舶狀態(tài)。

圖2 船舶引航的狀態(tài)轉(zhuǎn)移變量Fig.2 Ship Pilotage state transition variable

圖3 MH算法的狀態(tài)概率轉(zhuǎn)移圖Fig.3 State probability transition diagram on MH Algorithms

馬爾科夫鏈的收斂性質(zhì)主要由轉(zhuǎn)移矩陣T決定，基于馬爾科夫鏈做采樣的關(guān)鍵問題是構(gòu)造轉(zhuǎn)移矩陣，使得平穩(wěn)分布恰好是需要的分布S(x)。依照圖3的算法，可以根據(jù)轉(zhuǎn)移矩陣T?和 ?T來得到S(x)(t)和S(x)(t-1)的比率，進而按照一定的概率對兩個樣本進行選擇。通過反復大量類似處理，最終得到樣本符合原始的S(x)分布。

從一個高概率狀態(tài)x(t)向一個低概率狀態(tài)x(t-1)轉(zhuǎn)移的概率與從這個低概率狀態(tài)向高概率狀態(tài)轉(zhuǎn)移的概率相同。本文假設(shè)S(x)是一維標準高斯分布，xi是根據(jù)蒙特卡洛方法得到的一個樣本，對此數(shù)據(jù)進行灰信息處理，使轉(zhuǎn)移矩陣中行概率和為1。

本文選用 MH 算法對標準高斯分布進行采樣，轉(zhuǎn)移函數(shù)(非對稱)是船舶進出港作業(yè)參數(shù)的高斯矩陣[16]。算法過程如下：

1)選取一個隨機點S(0)，作為一個采樣點。

2)選取隨機點，確定轉(zhuǎn)移函數(shù)為T，運用MH算法確定新的矩陣，進行灰性白化。

3)獲取S(1)=S(0)T，然后對S(1)進行灰信息白化處理，進行S(1)中數(shù)據(jù)的歸一化計算，獲得新的S(1)。

4)求取R(1)=r·S(1)。

5)重復第1)～4)，獲取S(n)=S(0)Tn，直至穩(wěn)態(tài)R(n)=r·S(n)。

3 基于MCMC動態(tài)模型的船舶引航過程風險仿真

選用我國東部沿海某港區(qū)水域的船舶進出港數(shù)據(jù)來進行船舶引航風險仿真。選取的數(shù)據(jù)是2010-2015年間72個月的171 432艘船舶的引航作業(yè)。船舶種類包括集裝箱船(60.07%)，化工品船舶(6.31%)，干散貨船(30.55%)，其他(3.07%)。

3.1 樣本的采集

表2為72個月中船舶引航任務(wù)按照進港、出港、移泊三種引航任務(wù)和外錨地、泊位、內(nèi)錨地三個船舶初始狀態(tài)統(tǒng)計基礎(chǔ)數(shù)據(jù)。

表2 港口船舶引航任務(wù)2010-2015年全年統(tǒng)計量

按每月的日均引航統(tǒng)計，得到31個不同日均引航進港、出港和移泊作業(yè)量分布。日均船舶量在44與117艘次之間，日均79.6艘次。然后，通過灰信息處理，獲得歸一化(一天的船舶量為100%)的不同日期的平均引航任務(wù)組成比率，如圖4所示。

圖4 某港區(qū)每日船舶引航不同作業(yè)屬性的日均比例Fig.4 Ship daily activities at a certain harbour

3.2 動態(tài)仿真初始條件的設(shè)定

1)日均引航數(shù)據(jù)顯示，進港、出港、移泊三種引航任務(wù)還是波動性強，具有隨機性和不穩(wěn)定性。假設(shè)不同任務(wù)下的比率符合高斯分布，那么確定t=0時船舶引航所處的初始狀態(tài)為

(3)

2)確定船舶引航作業(yè)的風險值。依據(jù)文獻[15]，對港口水域船舶航行、靠泊、離泊和移泊作業(yè)時發(fā)生的交通事故和作業(yè)量進行分別計算。經(jīng)風險測量，再通過蒙特卡洛方法的仿真[15]，提出航行、靠泊、離泊和移泊的相對風險比值為6.9∶5.3∶5.1∶1.8。假設(shè)樣本符合威布爾分布，可以計算出各種風險的分布參數(shù)。

按照表1的作業(yè)流程，可推理出內(nèi)錨地、外錨地、泊位及前沿、港區(qū)航道四種狀態(tài)下的風險值，然后通過歸一化(相對風險量為100%)運算，得出風險狀態(tài)矩陣r：

(4)

3)確定轉(zhuǎn)移矩陣。在數(shù)據(jù)中統(tǒng)計同一水域的引航作業(yè)任務(wù)的比例，從而確定轉(zhuǎn)移矩陣的相應(yīng)變量值。這里先選定一個進出港平衡(對稱)的轉(zhuǎn)移矩陣T，數(shù)據(jù)已經(jīng)完成了灰信息白化處理，獲得下一個狀態(tài)轉(zhuǎn)移概率和為1。

在船舶進出港口中，狀態(tài)轉(zhuǎn)移是波動的，具有不穩(wěn)定特性。若假定船舶在內(nèi)外錨地、泊位及前沿、港區(qū)航道間的轉(zhuǎn)移變量也符合高斯分布，那么對原始數(shù)據(jù)進行統(tǒng)計后，可確定隨機轉(zhuǎn)移矩陣變量值如表3所示，其他狀態(tài)轉(zhuǎn)移變量為0。考慮到轉(zhuǎn)移矩陣中需要下一個狀態(tài)轉(zhuǎn)移概率和為1，因而對表3所確定的變量進行行歸一化計算：

(5)

3.3 船舶引航過程馬爾科夫鏈仿真

選用標準高斯分布進行采樣，通過確定的船舶進出港作業(yè)參數(shù)的高斯矩陣(對稱或者非對稱)作為狀態(tài)轉(zhuǎn)移函數(shù)。因此，選定三個條件進行分析。

1)條件1：出多進少。進出港船舶數(shù)量不平衡，出港船舶多于進港船舶；

2)條件2：進出相當。進出港船舶數(shù)量平衡；

3)條件3：進多出少。進出港船舶數(shù)量不平衡，進港船舶多于出港船舶。

針對三種條件進行MC動態(tài)系統(tǒng)仿真，可以得到船舶港區(qū)水域流量分布和船舶引航動態(tài)風險數(shù)值。

表3 引航船舶狀態(tài)轉(zhuǎn)移變量

圖5是在S(0)隨機狀態(tài)下進行不同狀態(tài)轉(zhuǎn)移條件下的船舶流量值，分別表示不同水域中在條件1、2、3下船舶流量分布。數(shù)據(jù)顯示出：

1)在船舶引航狀態(tài)的轉(zhuǎn)移之初，船舶狀態(tài)變化呈現(xiàn)很強的潮汐型波動，反映船舶引航作業(yè)的基本規(guī)律。船舶引航狀態(tài)分布最終走向穩(wěn)定，符合馬氏穩(wěn)態(tài)特性，同時港口船舶引航狀態(tài)保持穩(wěn)定。一般地，船舶狀態(tài)在經(jīng)歷多次遷移，港區(qū)水域船舶的狀態(tài)趨于穩(wěn)定，航道流量占主體，約50%。即，對于港區(qū)運行而言，一般會保持在總流量的約50%數(shù)量的船舶在航道上航行。

2)船舶初始狀態(tài)與穩(wěn)定狀態(tài)的關(guān)聯(lián)不大，初始狀態(tài)不影響最終的穩(wěn)態(tài)。也就是，船舶引航任務(wù)的不確定不影響港口船舶流的分布。

3)船舶狀態(tài)轉(zhuǎn)移變量對港區(qū)水域總體船舶秩序影響明顯。若船舶進港多于出港，那么最終錨地和泊位的船舶量趨于平衡，一般會均保持在總流量的約25%；若船舶出港多于進港，那么最終內(nèi)錨地與泊位和港外錨地的船舶量趨于平衡，一般會均保持在總流量的約25%；若船舶進出港平衡，那么最終港區(qū)泊位與錨地和航道的船舶量趨于平衡，一般會均保持在總流量的約50%。

4)內(nèi)錨地船舶流量不穩(wěn)定，在10%以內(nèi)波動。

圖5 三個隨機條件下不同狀態(tài)轉(zhuǎn)移后的船舶流量值Fig.5 Traffic flow under various ship activities with 3 random conditions

3.4 船舶引航過程風險的動態(tài)系統(tǒng)仿真

3.4.1 船舶引航過程風險蒙特卡羅仿真

若設(shè)定在不同水域船舶引航風險占總體風險值情況為r，如式(4)所示。設(shè)定航道水域有一定流量(中間態(tài))，根據(jù)蒙特卡羅方法進行仿真，結(jié)果如圖6所示。

1)由于在船舶引航狀態(tài)的轉(zhuǎn)移之初，船舶狀態(tài)變化呈現(xiàn)很強的波動性，風險的波動性也很強，但趨勢最終走向穩(wěn)定。一般地，船舶狀態(tài)在經(jīng)歷多次遷移，港區(qū)水域船舶的狀態(tài)趨于穩(wěn)定，航道引航風險(相對)數(shù)值約0.23。對于港區(qū)運行而言，不論進出港船舶比例如何，在航道上航行的船舶引航風險一般占主體。

2)船舶狀態(tài)轉(zhuǎn)移變量對港區(qū)水域船舶引航影響還是存在的。與進出港口船舶流量相當相比，若船舶出港多于進港，外錨地引航風險增加40%，泊位引航風險降低38%，內(nèi)錨地引航風險降低50%；若船舶進港多于出港，外錨地引航風險降低40%，泊位引航風險增加25%，內(nèi)錨地引航風險增加 1倍。

3)泊位水域引航作業(yè)的風險相對較高，尤其是進港船舶多于出港船舶時，風險(相對)數(shù)值達到0.091 3。

4)船舶引航作業(yè)受到船舶流結(jié)構(gòu)影響。進港船舶比例較低時，內(nèi)錨地和泊位前沿水域引航作業(yè)的風險相對低。隨著結(jié)構(gòu)比例增加，風險也上升；外錨地風險略有降低。

圖6 不同狀態(tài)轉(zhuǎn)移條件下不同水域風險值Fig.6 Risk outcome under various ship activities and random condition

3.4.2 船舶引航過程風險MCMC仿真

引入MH算法，利用切片抽樣快速收斂，對不同船舶進出港的流量引發(fā)船舶引航風險進行MCMC仿真，獲得船舶引航作業(yè)初始狀態(tài)和最終狀態(tài)之間轉(zhuǎn)移產(chǎn)生的風險，如圖7所示?？傮w上，不同船舶進出港的流量引發(fā)船舶引航風險波動明顯，但是趨勢相同。作業(yè)量增加，風險趨于穩(wěn)態(tài)。船舶進出港的流量不同，風險數(shù)值差異不大，船舶港區(qū)引航風險(相對)值接近0.32。

圖7 不同船舶狀態(tài)轉(zhuǎn)移條件下風險值Fig.7 Risk outcome under random transition condition

3.5 風險動態(tài)系統(tǒng)仿真靈敏性分析

為測試MCMC的靈敏性，這里將初始狀態(tài)S(0)，轉(zhuǎn)移矩陣T和各狀態(tài)下的風險值r都進行隨機抽樣，初始狀態(tài)設(shè)定錨地和泊位前沿均有作業(yè)任務(wù)，轉(zhuǎn)移矩陣按照表2來獲取，運用MH算法進行快速收斂，可得到圖8。

圖8 船舶隨機轉(zhuǎn)移時船舶狀態(tài)和風險值的靈敏性(引航任務(wù)分配時)Fig.8 Sensitivity on ship status and risk outcome under random transition condition

數(shù)據(jù)顯示：總體上，船舶進港的流量稍大于出港流量，船舶流在50%左右波動。船舶進出港的日均流量變化引發(fā)船舶引航風險有波動，但波動幅度趨于收斂。

以上仿真情況表明，引入MCMC進行動態(tài)系統(tǒng)仿真，可以得到船舶動態(tài)風險趨于穩(wěn)態(tài)的規(guī)律，港口水域船舶引航的風險(相對)大致在30%總體風險。鑒于目前港區(qū)船舶作業(yè)(含航行、靠離泊和移泊等作業(yè))總體風險大致在2‰，那么單艘船引航風險維持在0.2‰～0.6‰的水平[13]。

引航實施過程中，將有部分船舶在航道水域，那么在四個水域均有一定比例的船舶流量，進行上述步驟的仿真，將得到港區(qū)水域整體的動態(tài)風險。經(jīng)計算，得出以下結(jié)論：

1)盡管轉(zhuǎn)移變量和作業(yè)次數(shù)變化，引航初始時，單艘次船舶引航風險值接近0.41‰的穩(wěn)態(tài)；

2)引航實施過程中，單艘次船舶引航風險值接近0.67‰的穩(wěn)態(tài)，結(jié)果如圖9所示。圖9(a)表示引航初始狀態(tài)的風險(最終狀態(tài)，收斂之后)，圖9(b)表示引航實施中的風險(考慮中間狀態(tài)，收斂之前)，橫軸是風險值。

圖9 不同時期風險值的靈敏性Fig.9 Sensitivity on risk outcome during initial and piloting

風險數(shù)值擴大是由于存在航道航行的風險和過程的實施風險。這一結(jié)論與船員及引航員的實踐認識一致。

4 結(jié)論

1)提出了船舶引航過程的風險分析, 采用基于馬爾科夫鏈蒙特卡洛方法進行動態(tài)系統(tǒng)仿真得到了港區(qū)水域船舶引航過程的動態(tài)風險宏觀特征，特別是風險的穩(wěn)定性表現(xiàn)形式。

2)相對于以往的風險評價，馬爾科夫鏈蒙特卡洛模型適用于水上交通過程風險仿真與決策，克服事故特征和誘因獲取的數(shù)據(jù)困難，在確定狀態(tài)轉(zhuǎn)移變量后，就能量化論證基于內(nèi)部微觀結(jié)構(gòu)的水上交通宏觀動態(tài)風險的變化趨勢。

3)基于隨機過程的分析方法可以研究港口船舶引航演化的基本規(guī)律，揭示港區(qū)水域船舶流量量化的分布狀態(tài)，闡明港口船舶流量演化模式。

當然，下一步研究可以是具體船舶在狀態(tài)轉(zhuǎn)移條件下過程風險動態(tài)系統(tǒng)仿真，也可以是研究船舶連續(xù)時間和連續(xù)狀態(tài)下馬爾科夫過程的風險動態(tài)系統(tǒng)仿真，從而進行引航風險預警預控。

[1] COOK T, SHIPLEY P. Human factors studies of the working hours of UK ship′s pilots：A field study of fatigue[J]. Applied ergonomics, 1980, 11(2): 85-92.

[2] HU S, FANG Q, XIA H, et al. Formal safety assessment based on relative risks model in ship navigation[J]. Reliability engineering & system safety, 2007, 2(3): 369-377.

[3] FANG Q, HU S. Study on risk control of ship pilotage in Shanghai harbor[C]//Proceedings of the 4th IEEE International Conference on Management of Innovation and Technology, ICMIT., 2008, 1187-1192.

[4] 方泉根, 胡甚平. FSA在船舶引航風險評估中的應(yīng)用[J].哈爾濱工程大學學報, 2006, 27(3): 229-334. FANG Quangen, HU Shenping. Application of formal satety assessment to the risk assessment of the ship- pilotage[J].Journal of Harbin Engineering University， 2006, 27(3): 329-334

[5] 方誠,胡甚平,方泉根. 港口船舶引航風險預測[J]. 中國航海, 2008, 31(4): 388-391. FANG Cheng, HU Shenping, FANG Quangen.Risk prediction of ship pilotage in harbor[J].Navigation of China, 2008, 31(4): 388-391.

[6] CAMERON J R. Improving the safety of marine pilotage[C]//2005 International Oil Spill Conference, IOSC， 2005： 3767-3771.

[7] 馬飛,趙月林. 基于資產(chǎn)脆弱性風險評估模型的船舶引航安全評估[J]. 大連海事大學學報, 2008(S1): 17-19. MA Fei, ZHAO Yuelin. Ship pilotage safety assessment with the risk modal based on assets vulnerability[J]. Journal of Dalian Maritime University, 2008(S1): 17-19.

[8] WU Y, PENG G. Evaluation system of the portable pilot system based on fuzzy comprehensive evaluation[J]. Advanced materials research:manufacturing science and technology III., 2013, 622: 112-116.

[9] ?MER F，SELMIN Z, BURAK. Formal safety assessment for ship traffic in the Istanbul Straits[J]. Procedia—social and behavioral sciences, 2015, 207: 252-261.

[10] PAK J, YEO G, OH S, et al. Port safety evaluation from a captain′s perspective: The Korean experience[J], Safety science, 2015, 72: 172-181.

[11] PRAETORIUS G, HOLLNAGEL E, DAHLMAN J. Modelling vessel traffic service to understand resilience in everyday operations[J]. Reliability engineering & system safety， 2015, 141: 10-21.

[12] 胡甚平, 黎法明, 席永濤,等. 海上交通系統(tǒng)風險成因耦合機理仿真[J]. 應(yīng)用基礎(chǔ)與工程科學學報, 2015(2): 409-419. HU Shenping, LI Faming, XI Yongtao,et al. Novel simulation on coupling mechanism of risk formation segments for marine traffic system [J]. Journal of basic and engineering, 2015(2): 409-419.

[13] FAGHIH R S, XIE M, NG K M. Accident risk assessment in marine transportation via markov modelling and markov Chain monte carlo simulation[J]. Ocean engineering, 2014, 91: 363-370.

[14] SCOLLNIK D P M. Actuarial modeling with MCMC and BUGS[J]. North American actuarial journal, 2001， (20)： 29-34.

[15] 胡甚平, 黃常海, 張浩. 基于云模型的海上交通系統(tǒng)風險蒙特卡洛仿真[J]. 中國安全科學學報, 2012, 22(4): 20-26. HU Shenping, HUANG Changhai, ZHANG Hao. Cloud model- based simulation of system risk of marine traffic by monte carlo algorithm[J]. China safety science journal, 2012, 22(4): 20-26.

[16] 王春峰, 萬海輝, 李剛. 基于MCMC的金融市場風險VaR的估計[J]. 管理科學學報, 2000(2): 54-61. WANG Chunfeng, WAN Haihui, LI Gang. Estimation of value- at- risk using MCMC[J]. Journal of management sciences in China, 2000(2): 54-61.

Markovchainmodelforthedynamicsimulationofprocessriskinshippilotageatharbor

HU Shenping1, HUANG Changhai1, DENG Hua2, HUANG Daozheng3

(1.Merchant Marine College, Shanghai Maritime University, Shanghai 200135, China; 2.Marine Technology Department, Jiangsu Maritime Vocational Technology School, Nanjing 211170, China; 3.Transportation College, Shanghai Maritime University, Shanghai 200135, China)

10.11990/jheu.201605025

http://www.cnki.net/kcms/detail/23.1390.u.20170427.1510.082.html

X951

A

1006- 7043(2017)09- 1391- 08

2016-05-09. < class="emphasis_bold">網(wǎng)絡(luò)出版日期

日期：2017-04-27.

中國博士后科學基金項目(2016M591651)；國家自然科學基金項目(51279099)；上海市自然科學基金項目(12ZR1412500).

胡甚平(1974-)，男，教授.

胡甚平，Email:Sphu@shmtu.edu.cn.

本文引用格式：胡甚平，黃常海，鄧華，等. 船舶引航過程風險馬爾科夫鏈模型動態(tài)仿真[J]. 哈爾濱工程大學學報， 2017， 38(9): 1391-1398.

HU Shenping, HUANG Changhai, DENG Hua, et al. Markov chain model for the dynamic simulation of process risk in ship pilotage at harbor[J]. Journal of Harbin Engineering University， 2017， 38(9): 1391-1398.