基于大数据的全球汽车船运力分布及需求分析 陈书航，张健豪，王新波,2，张哲熙，韩 懿(1中远海运科技股份有限公司，上海 200135；2上海交通大学 船舶海洋与建筑工程学院，上海 200240)0 引 言汽车船是专门用来运输汽车的船舶1，目前主要有纯运汽车的汽车船(Pure Car Carriers, PCC)和混运汽车与卡车的汽车船(Pure Car and Truck Carriers, PCTC)2种2。在汽车船出现之前，通常采用普通货船运输汽车，其装卸通过起重机完成。20世纪50年代，随着车辆运输需求的不断增加，普通货船逐渐无法满足汽车装载需求，同时对运输汽车的船舶的安全性的要求不断提高，这促使Wallenius航运公司开发了专门运输汽车的船舶2。近年来，随着新能源车的快速发展，汽车运输量的不断增加，汽车船的需求不断增大，利用航线分析汽车船的运力市场具有重要意义3-4。本文运用船舶自动识别系统(Automatic Identification System, AIS)数据进行分析，发现汽车船的抵达港口存在重复循环的情况，这表示汽车船存在固定的航线。若进一步对AIS数据中的汽车船航线进行分割并统计其数量，则可得到汽车船的航线分布和运力部署情况。本文采用动态规划算法5-6对纯汽车船航线进行分割，并统计航线分割结果，判断汽车船运力市场的分布范围，为汽车船的国际贸易情况分析(从国际贸易区到国家港口)提供一个由浅入深的视角。AIS数据是汽车船航线统计的数据来源，而动态规划算法是常用的航线分割方法，可为汽车船航线分割提供支撑。得到汽车船的运力分布情况之后，进一步分析其市场运力需求，限于篇幅，选取小范围的数据进行分析。通过对采用动态规划算法得到的航线分割结果进行分析，发现日本在汽车船市场中占据较大份额，因此选取日本作为研究对象。进一步采用AIS数据计算日本各港口的汽车运输量，得到汽车运输量在日本的离散分布情况。由于汽车运输量大标志着汽车船运力需求高，假设汽车运输量分布可看作汽车船运力需求分布。此外，为得到连续的汽车船运力需求分布，运用莫兰指数证明汽车运输量在日本境内具有空间相关性，并采用克里金插值法对日本境内的汽车运输量进行插值预测。1 研究方法目前有关航线分割的研究较少，且主要集中在集装箱船航线分割方面6。本文基于船舶AIS动态数据和动态规划法，按贸易区级、国家级和港口级等3个层级对汽车船航线进行分割，其中：贸易区级包含21个节点7；国家级包含197个节点；港口级包含2 307个节点。贸易区级航线按联合国地理区划列表划分；国家级航线按世界现有国家总数划分；港口级航线按近3 a汽车船途经港口的AIS数据划分。本文参照文献6中的动态规划算法，将其运用到汽车船航线分析中。航线分割完毕之后，采用排列组合方法去除重复的航线(形成相同环线的航线)，并统计各航线上的船舶航行次数，由此分析汽车船在国际贸易中的运力分布。得到各航线上的船舶航行次数(即得到全球运力分布)之后，进一步对汽车船市场的运力需求进行分析。限于篇幅，本文选取航行次数较多的国家，即对汽车船运力影响较大的国家作为研究对象，采用克里金插值法对其汽车船运力需求进行分析，得到对汽车船运力影响力较大的国家的汽车船运力需求分布情况。克里金插值法的应用前提是预测空间具有相关性，广泛应用于降雨量分析8、健康分析9、环境污染分析10-12、温度预测13和土壤分析14中。基于莫兰空间相关指数显著，将克里金插值法应用于汽车运输量分析中，最终从所得数据中得到汽车船需求分布情况。1.1 基于动态规划法的航线分割分割航线的前提是从AIS数据中提取汽车船的航线轨迹。AIS数据中包含所有船型的数据，因此首先需从其中将汽车船数据提取出来。为此，先选出“船型代码”表示为“汽车船”的船(vessel_sub_type=60910)，再将AIS数据中“载货能力描述”包含“汽车”且不包含其他载货类型(如“拖车”“卡车”和“粮食”等)作为进一步筛选的条件。此为汽车船提取步骤，由此便能使AIS数据中只保留汽车船的数据。随后提取船舶的航线轨迹。AIS数据中包含船舶的起始港和目的港信息，本文提出起始港，由于下一港口的起始港即为上一港口的目的港，因此可将起始港序列看作船舶的航线轨迹顺序，此为汽车船舶航线轨迹提取步骤。航线分割步骤如下：1) 将AIS数据中船舶经过的二级贸易区(或国家、港口)作为序列，若经过港口A、港口B、港口C、港口B、港口A、港口C、港口B、港口C、港口A、港口C，则得到航线序列A,B,C,B,A,C,B,C,A,C。2) 统计序列中不重复的元素(港口)作为航线分割的字典，即A,B,C。3) 按顺序选取字典中的元素作为航线分割的起点和终点，对航线序列进行分割。若对A进行分割，则得到A B C B A、A C B C A和A C A等3段航线；若对B进行分割，则得到B A B、B C B、B A C B和B C A C B等4段航线；若对C进行分割，则得到C A B C、C B A C、C B C和C A C等4段航线。4) 选取每次分割得到的航线长度最大的值，对A分割得到A B C B A的长度为5，对B分割得到B C A C B的长度为5，对C分割得到C B A C的长度为4。为保证航线的不重复性满足要求，选取长度最小的分割结果，即此航线采用C进行分割。1.2 重复航线处理航线之间可能存在重复的情况，如A B C D E与D E A B C为同一条航线，只是起点和终点不同。本文采用以下方法消除重复航线：1) 排除首尾港口相同的情况(如A B C D E A)，即得到首尾不重复的航线。将该航线不重复的元素作为字典，并从0开始按顺序对该字典赋值，例如对A B C D E赋值，可得到0 1 2 3 4。2) 按该字典对所有航线赋值，对D E A B C赋值，可得到3 4 0 1 2。3) 任意选取2条已赋值的航线，挑选出2条航线数值最大的值作为序列的首项，其余元素按顺序排列，即2条航线将以4 0 1 2 3和4 0 1 2 3输出。若2个输出的序列相同，则表示2条航线为同一条航线。若航线中包含不止1个最大值，则2条航线同时去除该最大值，再按上述方法比较，循环比较即可完成对所有航线重复情况的检测。1.3 普通克里金插值法分割航线并处理重复航线之后可得到汽车船的全球运力分布情况，从中选取对汽车船运力分布影响较大的国家进行空间量化分析，得到国家级的汽车船运力需求分布情况。本文假设汽车运输量在空间上均匀分布，通过莫兰指数验证节点与节点之间的空间相关性，采用克里金插值法进行量化分析。克里金插值法的应用前提是预测空间具有相关性。本文采用莫兰指数验证空间相关性，其定义15为(1)克里金插值法是以结构分析和变异函数理论为基础，在一定范围内对区域化变量进行无偏最优估计的方法16-17，其定义18如下。假定在位置s1,sn处存在一组随机数据组Z(Z(s1),Z(sn)，其中snD,DRd,满足Z(s)=+(s),sD(2)式(2)中：()为零均值随机过程;为常数。协方差函数C(s,u)cov(Z(s),Z(u)，其中s,uD。(3)最优线性无偏预测值M可由最小化均方预测误差得到,即(4)根据拉格朗日乘数法，最优估计值为=(c+(1-cC-11)(1C-11)-11)C-1(5)式(5)中：1为元素全为1的n1向量；c(C(s0,s1),C(s0,sn)为n1向量，C(C(si,sj)为nn矩阵，其第(i,j)个元素为C(si,sj)。Z(S0)的最优线性预测值为Z*(s0)=cC-1Z+(1-cC-11)(1C-11)-1(1C-1Z)(6)此时的估计值为=(1C-11)-11C-1Z。Z(S0)的均方预测误差为E(Z(s0)-Z*(s0)2=C(s0,s0)-cC-1c+(1-cC-11)2(1C-11)-1(7)2 结果分析及验证基于AIS数据，从贸易区、国家和港口等3个维度对全球汽车船航线进行分割。通过这3个维度的分析发现日本对汽车船国际贸易的影响较大。进一步采用克里金插值法分析日本的汽车运输量分布，从而揭示其汽车船需求分布情况，其中日本汽车生产地位置数据来源于Marklines19。2.1 贸易区航线分割结果根据地理位置，将贸易区划分为远东、地中海、西北欧、波斯湾和东南亚等地。贸易区航线分割结果见图1，所取数据来源于20202022年的AIS数据。贸易区级别的航线分割提供了一个宏观的视角，可发现远东、西北欧、地中海、东南亚和美东等贸易区的汽车船内贸运输量较大(分别超过6万艘、超过2万艘、近2万艘、近1万艘和近5 000艘)，更细致的运力分布需从国家级别的航线分割中获取。2.2 国家级航线分割结果图2为国家级航线分割结果。由图2可知，日本、中国、美国、意大利和韩国等国家的汽车船内贸运输量较大(分别近4万艘、近1万艘、超过6 000艘、超过5 000艘和超过4 000艘)。为进一步分析全球汽车船运力分布情况，需对港口级别的航线进行分割。图1 贸易区航线分割结果图2 国家级航线分割结果2.3 港口级航线分割结果按运输的车辆数将汽车船分成0图4 中型汽车船港口级航线分割结果图5 大型汽车船港口级航线分割结果1) 由图3可知，小型汽车船的运力主要分布在日本，多数分布在日立、钏路、鹿儿岛、西之表、苫小牧、敦贺和博多等日本城市；2) 由图4可知，中型汽车船的运力主要分布在欧洲、中国和新加坡等区域，多数分布在泽布吕赫(比利时)、明朗赫姆(英国)、都柏林(爱尔兰)、广州、上海外高桥、天津、大连、上海和新加坡等地；3) 由图5可知，大型汽车船的运力主要分布在日本、北美洲、欧洲和新加坡等区域，多数分布在丰桥、新加坡、泽布吕赫和名古屋等地。结合大中小型汽车船的运力分布可知，日本在汽车船国际贸易市场中具有很大的影响力，该结果也可从国家级航线分割结果中得出，因此本文选取日本作为进一步分析的对象。2.4 日本境内汽车船运力需求分析汽车运输量通过AIS数据计算得到，汽车生产地的位置信息从Marklines19中获取。通过观察日本汽车船流量分布图(见图6)可知，日本的汽车船流量主要分布在爱知县、东京沿海区域和宫城县，其次分布在福冈县和北海道县。图6中的黑点为日本汽车生产地分布(圆锥形为日本港口分布)，可看出日本的汽车船流量分布与汽车生产地分布具有极强的关联性，大部分汽车生产地靠近爱知县、东京沿海区域、宫城县、福冈县和北海道县。爱知县主要是丰田汽车的生产地；东京沿海区域主要是日野、日产和本田汽车的生产地；宫城县主要是丰田东日本的生产地；福冈县主要是丰田九州、大发九州和日产九州的生产地；北海道县主要是丰田北海道的生产地。这些地区对汽车船运力也有较大的需求。图6 日本汽车船流量分布图在Arcgis pro中对汽车运输量进行全局莫兰指数计算，结果为0.82(pvalue=0.03，pvalue0.05表明关系显著)，即汽车运输量具有空间相关性，可采用克里金插值法进行量化分析。图7为日本汽车运输量插值图。从图7中可看出，爱知县是日本汽车运输量最大的县，其次是东京沿海区域。此外，日本中部地区的港口贸易活动明显好于日本北部和日本南部，因此该地区的汽车船需求量较大，而南北部的汽车船需求量较少。图8为