張靜 張志堅 周芯玉

(1.廣州市氣象臺，廣東 廣州 511430； 2.廣州市突發(fā)事件預警信息發(fā)布中心，廣東 廣州 511430)

引言

廣州港地處珠江口中心地帶，是經濟高度集中的區(qū)域，也是氣象災害脆弱區(qū)和高暴露區(qū)，南海地區(qū)天氣復雜多變，災害性天氣時常發(fā)生，夏季強對流頻發(fā)[1-2]，冬春季則容易發(fā)生海霧現象。廣州港幾乎每年都遭受強對流、海霧等惡劣天氣襲擊，給廣州港的運行造成不利影響和經濟損失[3]。海上的風力等級、浪的高度、能見度距離都對海上航行有重大威脅。前人對海上航行氣象風險評估的主要做法是利用風浪進行的[4-7]。劉振[4]分析了黃渤海區(qū)因大風浪導致的航行事故，構造了黃渤海區(qū)船舶在大風浪條件下的風險估算模型，該模型實現了在遇到大風浪時對航線上重點船舶提前預警的功能，對減少海上事故和降低風險有顯著意義。李耿[5]統(tǒng)計分析了小型登陸艇受大風浪影響的情況，搭建了大風浪對小型登陸艇的風險評價系統(tǒng)，研究表明大風浪下的風險預警方案對保障小型登陸艇航行有很大價值。前人大部分研究沒有充分考慮能見度對航行風險的影響。而大霧和強對流造成的低能見度事件對廣州港船舶航行和港口作業(yè)有重大影響，容易引發(fā)擱淺、碰撞或觸礁等類似險情，給海上航行造成嚴重隱患[8-11]。為了廣州港安全作業(yè)，廣州海事局按照廣州港水域的狀況，制定了能見度低時的相關航行規(guī)則，在保障廣州港安全作業(yè)上發(fā)揮著積極的作用。但廣州港作為珠三角的航運樞紐，船舶流量增長迅速，而南方天氣復雜多變，天氣條件導致能見度變化頻繁，有關能見度低時的航行規(guī)則使得廣州港得不到最大化的利用[11]。為合理調配廣州港的資源，在充分考慮能見度對船舶航行和廣州港安全生產影響的同時，有必要對廣州港在不同等級能見度下的航行風險展開研究，將定性的廣州港航行風險進行定量化，從而可以按照不同能見度條件采取更科學的風險控制措施。

近年來蒙特卡羅方法在小樣本事件分析中逐漸被廣泛運用，趙濱等[12]在對T639和Grapes模式24降水預報效果評估中，采用蒙特卡羅方法重構樣本，有效解決了評估差異是由于模式預報效果差異還是樣本數據的不確定性所造成的困擾。本文以提高廣州港水上交通氣象保障服務能力為核心，采用蒙特卡羅仿真對不同能見度下的航行氣象風險展開分析，為廣州港生產調度和船舶安全航行提供氣象科技支撐。本文統(tǒng)計分析了廣州港水域出現的航行事故信息，將船舶出現事故的頻率以及造成后果的嚴重性定量化，接著對二者建立概率分布模型，然后分別對不同等級能見度下的事故數據進行蒙特卡羅仿真，綜合分析后將航行風險定量化。最終對能見度在0—12 km內的風險值進行擬合，得到能見度在0—12 km內的風險分布特征，從而對廣州港水域航行風險作出合理的評估，為廣州港管理部門掌握不同能見度時的風險狀況提供參考，對水上交通，尤其港口(近海)的航行氣象保障技術是有力的完善和補充，是提升廣州港這一“海上絲綢之路”氣象保障能力的有效手段。

1 資料與方法

1.1 資料來源

使用的廣州港事故數據來源于廣州海事局，資料包括發(fā)生時間、遇險狀況和救助結果；能見度數據來自于廣東省氣象局觀測站網，共有30個能見度自動觀測站，儀器型號為美國Belfort公司生產的Model 6000能見度自動觀測儀，數據時間分辨率為1 min，分析時能見度取10 min滑動平均，資料起始時間為2014年6月5日至2019年12月31日。

1.2 航行風險建模

海上航行風險涉及兩個要素：一個是出現事故的可能性；另一個是事故導致損害的嚴重性。因此，風險可以看成是這二者的組合。由于事故樣本量比較少，引入蒙特卡羅方法可以將有限的事故數據在合理條件下進行放大。蒙特卡羅(Monte Carlo)仿真是以概率模型為基本思想的統(tǒng)計實驗方法[12-18]，在港口航行風險分析中，該方法被用作樣本數據的模擬仿真，簡稱MC方法[13]。先構造合適的概率模型來明確船舶航行風險事件，將船舶航行事故出現的可能性與造成后果的嚴重性分別轉化為具體的數學問題，使得航行風險值接近于風險事件出現的概率[12-14]。接著借助MC方法開展仿真實驗，多次仿真得到更多的隨機樣本，然后用統(tǒng)計學方法分析仿真結果，將風險事件發(fā)生的概率近似為風險結果定量的數值解。

廣州港航行風險是指在人、船、環(huán)境、管理組成的船舶交通系統(tǒng)中，在某種狀態(tài)下，導致系統(tǒng)中的各部分遭到損害的可能性和這種損害嚴重程度的組合[19-22]。可能性指事故出現的機會，用頻率來表示，損害嚴重程度用后果來表示。頻率p用式(1)表示，是指每年出現的事故次數n占總的船舶活動量N的比例。后果涉及的內容一般分為：人身傷亡、直接經濟虧損、環(huán)境污染損害和社會效應等[20-22]，可以簡單地概括為人命損失、財產損失。根據廣州港航行事故信息，按照遇險情況和救助結果，考慮采取“事故等效后果”來表述[19-21]，例如一箱貨物落水與直接經濟損失10萬元的后果等效[20]，按照損失程度可用“1—10”來衡量，從而將后果定量化?！笆鹿实刃Ш蠊眂用式(2)表示，是指單位時間內事故造成的等效后果總和K與出現次數n的比值[19-21]。

p=n/N

(1)

式(1)中，p為事故出現的頻率；n為每年出現的事故數；N為每年的船舶活動量。

c=K/n

(2)

式(2)中，c為事故造成的后果；n為每年出現的事故數；K為每年事故造成的各種后果總和。

國際海事組織(IMO)在舉辦的海上安全委員會(MSC)第74屆會議上通過的《FSA應用正式指南》[21]將風險定義為具有頻率和后果程度的雙重特性，其函數關系式見式(3)：

R=f(p,c)

(3)

從式(3)可以看出，風險可以看成系統(tǒng)內事故出現的頻率；風險也可以看成一次事故導致損害的后果程度[21]，所以式(3)可表示為：

(4)

1.3 概率模型構建

在MC中確定合適的概率分布模型是很重要的工作。在現有的樣本信息中，確定各種隨機樣本的性質，選用合適的概率分布模型對廣州港風險事件進行仿真，充分增加廣州港船舶風險的數據樣本，進而對風險定量化展開分析。

1.3.1 船舶發(fā)生事故的可能性

當不知道船舶發(fā)生事故的可能性是多少時，可以認為事故率是[0，1]區(qū)間里的任意數字。而貝塔(Beta)分布常用來表示一個事件出現的概率的概率分布。Beta分布是一組定義在[0，1]區(qū)間里的連續(xù)概率分布，具有兩個參數α、β，且均為正值。Beta分布的概率密度函數為：

(5)

1.3.2 事故的后果

各事故造成的后果之間相互獨立，且都為正值，有可加性，所以可認為事故后果服從伽馬(Gamma)分布。Gamma分布的概率密度函數為：

(6)

式(6)中，α為形狀參數；β為尺度參數，均為正值。

根據2014—2019年的樣本信息可以得到能見度不良(Vis≤5 km)情況下平均發(fā)生的事故率為2.287×10-5，后果為8.653，能見度受限(5 km

表1 Beta分布和Gamma分布的參數Table 1 Parameters of Bela distribution and Gamma distribution

各參數值見表1。實現MC仿真的基本工具就是根據已知樣本產生隨機數。風險是船舶事故可能性和后果程度的組合。二者的任意變量之間相互獨立，且對總體風險影響都較小，因此,可分別對事故可能性和后果進行隨機抽樣。按照三種能見度條件下樣本數據的均值μ，標準差σ，分別生成服從Beta分布模型的事故率的隨機數和服從Gamma分布模型的后果隨機數。

1.3.3 模型的檢驗

模型仿真數據的檢驗方法主要采用文獻[13-15]中的變異系數。根據大數法則和中心極限定理，在抽取一定的樣本后，需要判斷估計值與待求真值的收斂性檢驗仿真數據的可靠性。一般地，引入變異系數作為計算收斂判斷依據。

(7)

式(7)中，σ為風險標準差；μ為風險平均值。

由表2可以看出，原始數據和MC仿真模擬的數據均值、標準差及變異系數都相差不大，可見仿真數據有效，模型參數合理。

表2 風險統(tǒng)計特征值Table 2 Statistical characteristic value of risk

1.4 航行風險MC仿真流程

(1)確定隨機變量。確定對航行風險有影響的因素，把航行風險構造成一個概率模型，模型主要涉及兩個隨機變量，即事故出現的頻率及其造成的后果。

(2)數據收集及統(tǒng)計。收集并分析與航行風險相關的樣本信息，得到事故率和事故后果的樣本數據。

(3)分析上述兩個變量的性質，確定二者的概率分布模型。

(4)為這兩個變量分別抽取隨機數。

(5)根據隨機抽樣的數據計算出航行風險值。

(6)重復(4)和(5)兩個步驟，直到滿足需要的模擬次數。

(7)對仿真實驗數據作統(tǒng)計處理，分析得到分布曲線，并檢驗其概率分布，計算平均值和標準差及其他統(tǒng)計特征；最終以平均值、標準差等其他統(tǒng)計特征作為航行風險評估的結果。

具體仿真流程如圖1。

圖1 廣州港航行風險仿真流程Fig.1 Simulation process of navigation risk of Guangzhou port

2 結果分析

根據廣州港2014—2019年的航行事故信息統(tǒng)計，按照三種等級能見度距離(能見度不良，能見度受限，能見度良好)對其分類。由于廣州港事故數據樣本量較少，屬于小樣本事件，出現風險事件的可能性和后果都屬于有限個離散數據，風險在不同特征條件下呈現較大的波動性。為獲取航行風險事件發(fā)生的可能性只能用頻率進行估計，后果采取“事故等效后果”進行換算。分別對事故可能性建立Beta分布模型，對事故后果建立Gamma分布模型，進行蒙特卡羅仿真，每次仿真抽取500個隨機數，求均值得出一組數據，連續(xù)仿真得出2000組數據。最終對不同等級能見度下的風險值進行擬合，得出廣州港在不同能見度下的總體風險分布。

2.1 不同能見度下的風險仿真

廣州港能見度低絕大多數是天氣狀況造成的，通常是由于海霧、連陰雨、強對流、霾等導致能見度受到限制。能見度不佳時，視線受到阻礙，對周圍物標、航標和船舶動態(tài)辨別不清，給船舶的避讓、導航及定位帶來了較大的不便，航行風險很大。根據廣州港水域的情況，將廣州港能見度分成3個等級，即能見度不良(Vis≤5 km)、能見度受限(5 km

由圖2可知，能見度不良(Vis≤5 km)時，廣州港航行平均事故發(fā)生率為2.753×10-5，平均后果嚴重程度為7.046，平均風險值為1.92×10-4，風險值標準差7.197×10-5。能見度不良時廣州港出現險情的幾率最小，而造成的后果最為嚴重，整體的風險值最低。樣本數據波動性較小。

圖2 能見度不良時事故后果值頻率(a)、風險值占比(b)、仿真次數平均風險值(c)和平均風險值占比(d)仿真圖Fig.2 Simulation result of frequency of accident consequence (a),percentage of risk value (b),average risk value of the number of simulation times (c),and percentage of average risk value (d) for poor visibility

由圖3可知，能見度受限(5 km

圖3 能見度受限時時事故后果值頻率(a)、風險值占比(b)、仿真次數平均風險值(c)和平均風險值占比(d)仿真圖Fig.3 Simulation result of frequency of accident consequence (a),percentage of risk value (b),average risk value of the number of simulation times (c),and percentage of average risk value (d) for limited visibility

由圖4可知，能見度良好(Vis≥10 km)的情況下，廣州港航行平均事故發(fā)生率為5.830×10-5，平均后果嚴重程度為3.615，平均風險值為2.647×10-4，風險值標準差為1.278×10-4。結果表明，當能見度良好時，廣州港出現險情的幾率相對較小，且造成后果的嚴重性最小，因而整體的風險值不大。說明廣州港船舶航行受能見度的影響很大。樣本數據總體波動不大。

圖4 能見度良好時事故后果值頻率(a)、風險值占比(b)、仿真次數平均風險值(c)和平均風險值占比(d)仿真圖Fig.4 Simulation result of frequency of accident consequence (a),percentage of risk value (b),average risk value of the number of simulation times (c),and percentage of average risk value (d) for good visibility

2.2 風險曲線擬合

采用蒙特卡羅方法對廣州港航行事故樣本的仿真，得出在三種等級能見度下船舶航行的風險值。在實際航行中，12 km以下的能見度可對船舶航行造成一定的影響，因此，為了得到能見度在0—12 km連續(xù)狀態(tài)下的航行風險分布曲線，在0—12 km范圍內逐1 km仿真得出風險值和能見度的隨機數，采用數值分析方法對0—12 km的能見度風險進行擬合，利用高斯分布獲得風險分布曲線(圖5)。

圖5 0—12 km的風險擬合曲線Fig.5 Risk fitting curve between 0 and 12 km

從圖5可以得到0—12 km能見度下的廣州港航行風險的估算方程:

y=-0.793+5.909e-0.034(x-6.829)2

(7)

由風險曲線可以得出以下結果：

(1)在一定范圍內，即能見度在0—7 km，船舶航行風險與能見度呈正比，即能見度越高，風險越大；而當能見度在7—12 km時，二者呈反比，即能見度越高，風險越小。

(2)不同的能見度條件航行風險也不同。當能見度很低時(如0 km

(3)當能見度處于受限水平時(如6 km

3 結論與討論

(1)廣州港航行事故出現的頻率表現為能見度不良時最小，良好次之，而能見度受限時出現的頻率幾乎為前兩者的1.3—2.5倍。說明在能見度特別差時，廣州港船舶航行事故出現的幾率并不高。廣州港航行事故造成的后果嚴重性表現為能見度不良時后果最嚴重，能見度受限時次之，能見度良好時后果最小。廣州港航行的平均風險值表現為能見度不良時風險最小，良好次之；能見度受限時風險最大，近似為前兩者的1.7—2.4倍左右。

(2)在0—7 km內，能見度處于較低水平時，船舶航行風險與能見度呈正比，即能見度越低，風險越?。荒芤姸仍?—12 km內，二者呈反比，即能見度越高，風險越小。

(3)不同能見度下船舶航行的風險狀況不一樣，能見度在受限水平時，風險相對最高；能見度處于不良與良好水平時，風險較小。由此可知，能見度受限時，廣州港相關部門在日常引航、調度及風險控制中應該更為重視。

(4)廣州港船舶事故發(fā)生的可能性采用的是Beta分布模型，后果采用的是Gamma分布模型進行MC仿真，需要進一步研究其他概率分布模型從而獲取較小的偏差和最佳的擬合風險；同時本文僅考慮能見度單因子對船舶航行風險的影響，實際航行中容易受到強降水、雷電、大風及其伴隨的大浪等多種惡劣天氣的影響，這些需今后進一步探討。