基于混合聚類的海運通道非傳統安全風險空間劃分

呂靖　張晨　班豪

摘要：為保障海上運輸安全，實現有效的海上風險預警，對影響國際海運通道安全最主要的非傳統安全風險的時空分布模式進行探索。海上運輸非傳統安全風險主要包括海盜、海上恐怖主義和海上偷渡，對這3類風險發生的影響因素進行分析并結合風險特征構建特征指標體系。基于國際海事組織全球航運信息集成系統（Global Integrated Shipping Information System，GISIS），應用K原型聚類模型，并以輪廓系數法進行模型校正，對2015—2020年全球海運通道非傳統安全風險進行空間劃分。試驗結果表明：東馬來西亞沿岸、蘇祿海、蘇拉威西海是馬六甲海峽周邊海域海上襲擊的高風險區；非洲沿岸港口始終是偷渡的高風險區，拉丁美洲海上偷渡發生地逐漸南移，地中海沿岸港口海上偷渡頻率顯著上升。研究成果表明該方法可實現對區域內不同海上非傳統安全風險的細致劃分。

關鍵詞：海上運輸； 非傳統安全風險； 空間劃分； K原型聚類； 混合聚類

中圖分類號：? U698.6 文獻標志碼：? A

Spatial classification of non-traditional security risks of maritime channels based on mixed clustering

LYU Jing， ZHANG Chen， BAN Hao

（College of Transportation Engineering， Dalian Maritime University， Dalian 116026， Liaoning， China）

Abstract： To ensure the safety of maritime transport and realize effective maritime risk early warning， the spatial and temporal distribution mode of non-traditional security risks that most mainly affect the safety of international maritime channels is investigated. Non-traditional security risks of maritime transport mainly include piracy， maritime terrorism and maritime smuggling. The influencing factors of the three types of risks are analyzed， and the characteristic index system is constructed by combining risk characteristics. Based on the Global Integrated Shipping Information System （GISIS） of International Maritime Organization， the K-prototype clustering model is adopted to carry out the spatial classification of non-traditional security risks of global maritime channels in 2015-2020， where the silhouette coefficient method is used to correct the model. The experimental results indicate that： the coast of East Malaysia， Sulu Sea， and Sulawesi Sea are high risk regions for maritime attacks in the waters around the Strait of Malacca; the ports along Africa have always been high risk regions for smuggling， the place of maritime smuggling in Latin America gradually moves southward， and the frequency of smuggling at ports along Mediterranean increases significantly. The research results show that this method can realize a detailed classification of different maritime non-traditional security risks in a region.

Key words： maritime transport; non-traditional security visk; spatial division; K-prototype clustering; mixed clustering

0 引 言

國際海運通道是洲際貨物運輸的“海上生命線”。近年來，由于跨國犯罪的增加、地區沖突的加劇以及殺傷性武器和小型武器的擴散，海盜襲擊、海上恐怖主義、海上偷渡等非傳統安全事件急劇增多，國際海運通道的安全性遭到了極大破壞。因此，如果能對海運通道所經海域的非傳統安全風險進行細致的區域劃分，尋找出海運通道的危險節點或危險區域，就可以降低船舶遭遇高風險非傳統安全事件的概率，有效保障海上運輸安全。

以往針對海運通道安全風險的研究以定性分析為主，如：李志斐［1］分析了我國南海區域非傳統安全問題的現狀并提出了應對機制；PRISTROM等［2］介紹了在高風險地區建立一個打擊海上犯罪的可持續機制。對海運通道安全風險的定量研究較少，且定量研究多側重于風險因素識別、風險評估和預警系統設計，如：JIANG等［3］對海上航道的事故風險進行評估；呂靖等［4］對我國海上戰略通道的安全風險進行等級評價；BOUEJLA等［5］從整個處理鏈的角度分析了海上船舶和油田設施面臨的海盜風險；蔣美芝等［6］、朱樂群等［7］建立了不同的海上通道安全預警模型。以上研究均是在綜合多種影響因素的基礎上對不同海運通道進行的整體性評價分析，評價結果具有片面性，在實際應用中很難精確到某一階段或某一區域。為提高評價結果的合理性和準確性，部分學者將地理位置信息引入評價過程中，在空間維度上進行更加細致的區域劃分，如：PRISTROM等［8］結合船舶特征和地理位置等影響因素分析西印度和東非地區海盜及其搶劫可能性；ZHANG等［9］利用船舶自動識別系統（automatic identification system， AIS）大數據分析新加坡港口水域船舶事故的空間分布；WANG等［10］應用空間分析方法來評估我國南海航道季節性航行環境風險。

對國際海運通道非傳統安全風險進行空間劃分，也需要考慮非傳統安全風險事件的地理位置信息，同時還需要合理兼顧非地理位置信息的特點，這意味著需要合理縮小定性數據與定量數據之間的差異。部分學者對此進行了研究，如：DABROWSKI等［11］提出一種應用貝葉斯因子和巴塔查里亞距離度量的評價方法；楊理智［12］采用云模型將非傳統安全事件的定性數據轉換為定量數據，運用K均值聚類算法進行聚類分析；RAWSON等［13］利用機器學習，訓練一種基于船舶交通、天氣和歷史傷亡數據的算法，從歷史船舶軌跡中識別出事故候選；孫茂金［14］將非地理位置信息表征為二叉樹每個終端節點的函數分布，結合具有噪聲的基于密度的空間聚類（density-based spatial clustering of applications with noise，DBSCAN）算法對西非區域的非傳統安全風險進行空間劃分。將定性數據轉換為定量數據，可以將不同類型的數據統一維度進行考察，但主觀因素的干擾和轉換過程中信息的損失不可避免；而采用機器學習或概率分布的方式，雖然可以保證地理信息與非地理信息的有效結合，但計算過程復雜，需要多次聚類。

綜上可知，以往對海運通道安全風險的研究主要是海運通道整體方面的，對通道所經過的區域進行細分的研究較少。將不同類型數據的整合方式和模型方法應用于對海運通道非傳統安全風險的空間劃分，目前仍然在嘗試中。因此，本文通過分析非傳統安全風險影響因素，針對不同非傳統安全威脅選取相應的特征指標，建立非傳統安全風險指標體系。應用K原型聚類模型，并以輪廓系數法進行模型校正，對地理信息和非地理信息在各自維度上分別計算距離，進而加權聚類實現對國際海運通道非傳統安全風險的空間劃分，在減少聚類次數的同時盡量減少信息在轉換中的損失和主觀因素的干擾。通過實證分析不同非傳統安全事件的分布特點以及風險等級，幫助船舶避開危險水域，警醒船舶在掛靠關鍵港口時保持警惕，為相關部門制定保障措施以及設計有效的預警系統提供依據。

1 非傳統安全風險影響因素分析及指標選取

1.1 非傳統安全風險影響因素分析

海上的非傳統安全風險主要包括海盜襲擊、海上恐怖主義、海上偷渡、海洋環境污染和自然災害等安全風險事件。由于人為性的非傳統安全事件與時空存在著更加緊密的聯系，本文選取海盜襲擊、海上恐怖主義、海上偷渡等3類非傳統安全事件進行地理信息與非地理信息相結合的空間劃分。由于聚類特征的相似性，將海盜襲擊和海上恐怖主義統一歸類為海上襲擊風險。海上襲擊風險和海上偷渡風險的影響因素主要有以下3類：

自然環境。船舶在海上航行必然受到海浪、風力和海上能見度等海運通道自然環境條件的限制。另外，部分非傳統安全風險研究顯示，非傳統安全事件發生概率與當地的海況也存在密切聯系，尤其是季節性的自然條件變化。

政治軍事環境。國際海運通道非傳統安全事件的數量很大程度上受到沿岸國家政局穩定性和民生條件的影響，如：亞丁灣區域的索馬里海盜問題是索馬里連年內戰、民生凋敝的直接后果；局部戰爭造成的難民問題、槍支泛濫問題是導致歐洲港口偷渡事件增多的重要原因。

船舶特點。海上襲擊者會通過挑選更加脆弱、容易得手的襲擊對象來發動襲擊；海上偷渡者會根據船舶的船型、噸位、載貨類型等特點來判斷船舶的未來航線和自身躲藏的困難程度。因此，船舶自身特點也會影響其遭遇非傳統安全風險事件的概率。

1.2 非傳統安全風險指標體系構建

構建簡潔合理的非傳統安全風險指標體系是進行高效可靠的空間劃分的重要基礎。指標體系中的地理位置信息采用國際海事組織全球航運信息集成系統（Global Integrated Shipping Information System，GISIS）提供的經緯度坐標，非地理位置信息則結合非傳統安全風險的影響因素與各類非傳統安全事件的特征進行選取。

1.2.1 海上襲擊風險指標體系構建

對于海上襲擊風險，從襲擊者和被襲擊者兩個角度進行指標選取，從襲擊者視角聚類海上襲擊事件的襲擊者類別，從被襲擊者角度進行海上襲擊風險的空間劃分。襲擊者角度指標包括：襲擊月份、襲擊船型和襲擊水域。被襲擊者角度指標包括：被劫持人數、襲擊者是否持槍、是否有人受傷和整體損失程度。

船舶在不同時間所面臨的海上風力、波浪、海霧、海冰等情況各不相同，因此襲擊月份在一定程度上可以反映襲擊者對不同時間或季節海上自然環境的選擇傾向；襲擊船型可以反映船舶自身特點對襲擊事件發生概率的影響；襲擊水域可以說明沿岸國家的港口安全狀況和水域管轄能力。被劫持人數、襲擊者是否持槍可以反映襲擊事件的規模以及是否有組織、有預謀；傷亡人數和整體損失可以反映襲擊目的及其危害性。

在以上指標中，地理坐標、水域、人數等均可量化，而整體損失需要進一步解釋。GISIS給出了襲擊事件的詳細描述，主要有偷竊船上損耗品、拆卸船舶設備、搶奪船員個人物品、劫持船舶以及綁架船員這幾類。按照財產損失價值和船員傷亡可能性，將整體損失分為6個等級，每個等級涵蓋下級損失，具體分級及舉例見表1。

1.2.2 海上偷渡風險指標體系構建

由于GISIS中關于海上偷渡事件的描述信息非常少，本文僅從偷渡者的角度進行海上偷渡風險特征指標的選取與空間劃分。特征指標包括：總的偷渡次數、平均偷渡人數、報告的政府數量和偷渡者中本國人數。總的偷渡次數在一定程度上可以代表該港口海上偷渡風險的等級；平均偷渡人數能夠體現海上偷渡事件的規模；報告的政府數量指的是向國際海事組織報告同一偷渡路線的偷渡事件（載有偷渡者的船舶從同一地點出港，在掛靠港口時發現偷渡者）的國家總數，用來反映偷渡者的偷渡路線是否一致；偷渡者中本國人數指的是偷渡者中有多少為偷渡港口所屬國家的人，可以反映偷渡事件是否源于本國的政治軍事環境不穩定。

2 K原型聚類模型改進及算法介紹

空間聚類模型主要分為基于劃分、基于層次、基于密度、基于網格和基于模型的5類。根據各類模型的應用特點以及前人經驗，本文選擇基于劃分的空間聚類模型。其中針對多維數據的聚類，K均值模型的應用最為廣泛。K均值模型具有聚類效果好、容易實現等優點，但只能處理數值型數據［15］，因此在K均值模型的基礎上發展出了K原型聚類模型。K原型聚類不僅可以高效計算出高維數據相異度，還對聚類數據的類型沒有限制，是目前混合聚類模型的有效算法［16］。由于K原型聚類模型延續了K均值聚類模型的基本特點，需要自主定義聚類數量和權重系數，所以本文引入輪廓系數法來彌補，通過對聚類效果的評價進行參數選擇。

2.3 具體算法

求解結合輪廓系數法的K原型聚類模型的輸入為初始聚類數量K的集合、初級指標權重w的集合、數據集X，輸出為最高輪廓系數得分、最佳聚類簇數、最佳指標權重、最終劃分結果。具體步驟如下：

步驟1 在數據集中隨機選取K個數據作為初始聚類中心，選取w為指標權重。

步驟2 根據式（1）計算數據集中的數據到每個初始聚類中心的距離，根據計算結果將其歸類到距離最近的簇中。

步驟3 根據式（3）對聚類中心進行更新，并重復步驟2和步驟3迭代至目標函數值不再發生變化，進入步驟4。

步驟4 根據式（4）計算聚類數量與權重組合下的聚類效果得分，選取最高得分的組合。

3 實證分析

3.1 國際海運通道海上襲擊風險空間劃分

3.1.1 海上襲擊事件數據分析

海上襲擊風險空間劃分以馬六甲海峽周邊海域為例。通過GISIS中的Piracy and Armed Robbery選取2011—2020年發生的708起海上襲擊事件（已篩除其中信息嚴重缺失的事件22起）。將整理后的數據分為2011—2015年和2016—2020年兩個階段進行對比分析，見表2。

得益于船員防范意識的提高和海軍護航力量的參與，2016—2020年馬六甲海峽周邊海域的海上襲擊事件總數比2011—2015年的少了49%。然而，2016—2020年持槍事件和劫持事件的比例相較于2011—2015年不降反升，2016—2020年還出現了綁架船員、勒索贖金的惡性事件。GISIS的詳細報告也顯示，2016年以后的海上襲擊事件襲擊者人數增多，多配備槍支、快艇等現代化裝備，呈現出有組織的團伙活動趨勢，撕票、斬首等極端恐怖主義行為抬頭。顯然，對海上襲擊風險的重視有效地規避了更多低風險襲擊事件的發生，但高風險襲擊事件的數量變化并不明顯，甚至非傳統安全勢力在一定程度上進行了集聚。

將兩個階段的海上襲擊事件的地理信息進行投影，見圖1。從圖1可以發現：2016—2020年馬六甲海峽周邊海域散亂分布的點比2011—2015年的明顯減少，有更多的數據點重合于同一區域，這意味著海上襲擊事件的發生區域變得更加集中；襲擊事件的分布呈現出明顯東移的趨勢，其重點區域從馬六甲海峽入口處的賓坦島、巴淡島附近向東馬來西亞沿岸、蘇祿海與蘇拉威西海交界處轉移。

3.1.2 襲擊者類別聚類

從襲擊者角度對馬六甲海峽周邊海域的海上襲擊事件進行K原型混合聚類，劃分海上襲擊事件的襲擊者類別。根據輪廓系數法，最佳聚類數量為4，指標權重為0.5，輪廓系數得分為0.79。海上襲擊事件中被襲擊船舶所屬類型占比見表3，海上襲擊事件在不同水域和不同月份發生的比例分別見表4和5，依據聚類結果可以將襲擊者分為3類。

簇1、簇2的襲擊者可以歸為低傷害性襲擊者，多是進行小型的船舶物資盜竊，造成的整體損失為1～2級。簇1中襲擊者的襲擊對象以散貨船、雜貨船為主，襲擊水域集中于港口水域，襲擊發生在3月、5月、6月、7月的頻率略高。簇2中襲擊者的襲擊對象以油船、化學品船為主，襲擊水域主要在領海和港口水域，襲擊發生在10月、11月、12月的頻率明顯較高。

簇3的襲擊者可以歸為中傷害性襲擊者，其有針對性地搶劫船舶設備和船員物品，很少會對船員造成人身傷害，造成的損失為2～4級。襲擊對象中48.35%為油船和化學品船，24.18%為散貨船和雜貨船；襲擊水域以領海和港口水域為主；40.66%的襲擊事件發生在每年的2月、5月、12月。

簇4的襲擊者可以歸為高傷害性襲擊者，主要進行性質惡劣的船舶劫持和船員綁架，造成的整體損失達到了4～6級。船員綁架主要針對漁船、補給船等作業船舶，船舶劫持針對油船、化學品船等高價值貨船；76.47%的襲擊事件發生在領海和公海水域，每年的4月、6月和10月是此類非傳統安全事件的高發期。

3.1.3 海上襲擊風險空間劃分

基于海上襲擊事件的襲擊者類別劃分，從被襲擊者視角對2011—2020年馬六甲海峽周邊海域的海上襲擊事件采用K原型聚類模型進行海上襲擊風險空間劃分。最佳聚類數量為10，指標權重為1，輪廓系數得分為0.75，劃分結果見圖2。

簇0、簇1、簇3和簇8區域可以歸為海上襲擊的低風險區，此區域共發生86起襲擊事件，整體損失在3級及以下的事件占比97.7%，且持槍事件占比1.1%，僅有1起事件造成船員輕微受傷。這4簇的主要區域為巽他海峽兩側、菲律賓靠近九段線的西北部海域以及北部灣內越南沿岸。這些區域的襲擊事件一般是在港口水域對靠泊及卸貨的船舶進行少量的物資偷竊，襲擊者一般攜帶刀、棍等武器，裝備較差且威脅性不大。重點港口有印度尼西亞的雅加達港、菲律賓的馬尼拉港、越南的海防港和清化港等，建議前往相關港口的船舶提高警惕，做好日常值班與船上巡邏。

簇2、簇4、簇7和簇9區域可以歸為海上襲擊的中風險區，此區域共發生122起襲擊事件，整體損失為2～4級的事件占比60%，為5～6級的事件占比6.5%，持槍事件占比13.1%，船員傷亡率為5%。這4簇的主要區域為馬六甲海峽入口處的賓坦島、巴淡島附近，越南的頭頓港及其附近的湄公河口，巴厘巴板海灣西側、東北側海域，以及菲律賓的棉蘭老島海域。除菲律賓棉蘭老島海域偶有劫持船舶后抽取原油的事件外，63%的襲擊事件發生在領海或公海水域，襲擊者的武器裝備較為精良，以搶奪船舶設備和船員財物為主要目的。在此區域航行的船舶遭遇海上襲擊時，建議避免沖突，以船員人身安全為重。

簇5和簇6區域可以歸為海上襲擊的高風險區，此區域共發生31起襲擊事件，其中50%的襲擊事件整體損失在4級及以上，持槍事件占比高達74%，船員傷亡率為15%。此區域是劫持船舶和綁架船員事件的高發區域，主要為東馬來西亞沿岸領海和蘇祿海與蘇拉威西海交界處。與簇5相比，簇6中的襲擊事件被劫持人數均大于5人，更傾向于大規模的襲擊事件。建議沿線國家對此區域進行重點護航巡邏，商船航行也盡量規避此處。

3.2 國際海運通道海上偷渡風險空間劃分

3.2.1 海上偷渡事件數據分析

GISIS中的Facilitation of International Maritime Traffic在2011—2020年共收錄了564起海上偷渡事件（其中已篩除信息嚴重缺失事件29起）。2011—2015年和2016—2020年海上偷渡事件的地理信息投影見圖3。

從圖3可以看出：非洲大陸的沿岸港口始終是發生海上偷渡事件的重點區域，這與當地長期落后的經濟水平以及不穩定的治安環境有密切聯系；拉丁美洲發生海上偷渡事件的重點區域從古巴馬里埃爾港、巴哈馬拿騷港、多米尼加的海納港等向特立尼達和多巴哥共和國的西班牙港、巴拿馬曼薩尼約港、智利圣安東尼奧港逐漸南移。2015年后中東和北非地區的局部戰爭造成敘利亞、利比亞等國難民涌入歐洲，致使地中海沿岸國家出現海上偷渡事件的港口明顯增多，尤其是意大利和希臘兩國。然而，中國的上海港、防城港、香港港等自2015年起均未再發生海上偷渡事件（圖中未顯示）。

3.2.2 海上偷渡風險空間劃分

根據2015—2020年間海上偷渡事件對全球海上偷渡風險進行空間劃分，最佳聚類數量為6，權重系數為1，輪廓系數得分為0.55。各空間劃分見圖4，聚類結果分析見表6。

簇4和簇6區域的海上偷渡風險屬于少次多量型，以總的偷渡次數劃分為低風險區。主要區域為黑海沿岸歐洲東南部、中亞區域以及拉丁美洲區域國家沿岸港口，如希臘羅茲港、土耳其亞洛瓦港和梅爾辛港、吉布提港、洪都拉斯卡斯蒂利亞港、厄瓜多爾瓜亞基爾港等。此類區域港口偷渡事件發生頻率較低，單次偷渡人數較多，偷渡者多為非本國居民，偷渡路線單一明確。可以認為此類區域港口對海上偷渡行為監察較松，當地存在使用偷渡船從事大規模偷渡活動的專業組織團伙。

簇1和簇2區域的海上偷渡風險屬于混合型，以總偷渡次數劃分為中風險區。主要區域為非洲西北部和西歐地區的意大利、希臘、法國等國家。非洲西北部港口有摩洛哥阿加迪爾港、卡薩布蘭卡港、阿爾及利亞安納巴港、突尼斯拉古萊特港、馬耳他瓦萊塔港等；西歐地區港口有安科納港、巴里港、卡塔尼亞港，伊古邁尼察港、帕特雷港、瑟堡港、魯昂港和福斯港等。此類區域海上偷渡行為一方面受到局部沖突的強烈影響，規模型偷渡與個人偷渡行為混雜，偷渡人員多為伊拉克、利比亞、敘利亞難民；另一方面受到直布羅陀海峽的地理位置和周邊國家的嚴密搜查限制，報告的政府數量少，偷渡路線不夠明確。

簇3和簇5區域的海上偷渡風險屬于多次少量型，以總偷渡次數劃分為高風險區。主要區域為西非、南非、東非區域國家沿岸港口，如岡比亞班珠爾港、塞拉利昂弗里敦港、科特迪瓦圣佩德羅港、加納特馬港、莫桑比克馬普托港、南非伊麗莎白港、南非理查茲灣、肯尼亞蒙巴薩港、坦桑尼亞達累斯薩拉姆港等。此類區域港口偷渡事件發生頻率較高，但結合其偷渡次數來看，偷渡規模并不大，偷渡者80%為本國居民，偷渡路線非常雜亂。此類區域的海上偷渡事件多為當地人偷藏進港口碼頭停泊的貨船中，具有一定的隨機性。

3.3 模型聚類效果比較

為進一步論證K原型聚類模型的聚類效果，以馬六甲海峽周邊海域海上襲擊事件為例，分別采用K原型聚類和K均值聚類進行海上襲擊風險的空間劃分。因為K均值聚類只能處理數值型數據，所以對非數值型數據用啞變量表示。以輪廓系數法作為評價標準，不同聚類簇數下兩個模型的輪廓系數得分見表7。

從輪廓系數得分可以看出：當聚類簇數較少時，K均值聚類模型的聚類效果比K原型聚類模型的好，因為K均值聚類模型采用啞變量表示非數值型數據，聚類簇數越少則信息轉換過程中產生的損失影響越小，K均值聚類模型計算復雜度低的優勢越突出；當聚類簇數增多時，信息轉換過程中產生的損失影響逐漸顯現，基于是或否的信息量已經很難對數據進行更加細致的劃分，K原型聚類模型獲取不同類型數據信息的優勢更加突出，聚類效果更好。針對不同的應用需求，兩類模型各有優勢，而本文需要結合數值型數據與整體損失、船型等非數值型數據對襲擊事件的風險等級進行區域細分，因此K原型聚類模型更加適合。

4 結束語

本文提出用輪廓系數法校正K原型聚類模型為國際海運通道非傳統安全風險空間劃分提供了新方法。其中根據不同海上非傳統安全事件特點構建的指標體系確保了空間劃分的針對性，采用地理位置信息與非地理位置信息相結合的方式增強了聚類結果的相似性，研究結果表明該模型可以實現對海域內不同非傳統安全風險的空間劃分。本文研究仍存在不足，如孤立點對聚類效果存在影響，安全風險空間劃分是基于結果的靜態劃分。下一步的研究內容為通過模型改進得到更好的安全風險空間劃分效果，研究目標是實現數據動態更新下的安全風險空間實時劃分與預警。

參考文獻：

［1］李志斐. 南海非傳統安全問題的現狀與應對機制分析［J］. 太平洋學報， 2020， 28（4）： 69-80. DOI： 10.14015/j.cnki.1004-8049.2020.04.006.

［2］PRISTROM S， LI K X， YANG Z L， et al. A study of maritime security and piracy［J］. Maritime Policy & Management， 2013， 40（7）： 675-693. DOI： 10.1080/03088839.2013.851461.

［3］JIANG M Z， LU J. Maritime accident risk estimation for sea lanes based on a dynamic Bayesian network［J］. Maritime Policy & Management， 2020， 47（5）： 649-664. DOI： 10.1080/03088839.2020.1730995.

［4］呂靖， 王爽. 我國海上運輸關鍵節點安全評價研究［J］. 交通運輸系統工程與信息， 2015， 15（1）： 30-36. DOI： 10.16097/j.cnki.1009-6744.2015.01.005.

［5］BOUEJLA A， CHAZE X， GUARNIERI F， et al. A Bayesian network to manage risks of maritime piracy against offshore oil fields［J］. Safety Science， 2014， 68： 222-230. DOI： 10.1016/j.ssci.2014.04.010.

［6］蔣美芝， 呂靖， 王爽. 基于貝葉斯網絡的海盜襲擊事件影響因素［J］. 中國航海， 2019， 42（2）： 87-92.

［7］朱樂群， 呂靖， 李晶. 基于高維突變模型的海上通道安全預警研究［J］. 運籌與管理， 2016， 25（3）： 261-266. DOI： 10.12005/orms.2016.0111.

［8］PRISTROM S， YANG Z L， WANG J， et al. A novel flexible model for piracy and robbery assessment of merchant ship operations［J］. Reliability Engineering and System Safety， 2016， 155： 196-211. DOI： 10.1016/j.ress.2016.07.001.

［9］ZHANG L Y， MENG Q， FWA T F. Big AIS data based spatial-temporal analyses of ship traffic in Singapore port waters［J］. Transportation Research Part E， 2019， 129： 287-304. DOI： 10.1016/j.tre.2017.07.011.

［10］WANG J S， LI M C， LIU Y X， et al. Safety assessment of shipping routes in the South China Sea based on the fuzzy analytic hierarchy process［J］. Safety Science， 2014， 62： 46-57. DOI： 10.1016/j. ssci.2013.08.002.

［11］DABROWSKI J J， DE VILLIERS J P. Maritime piracy situation modelling with dynamic Bayesian networks［J］. Information Fusion， 2015， 23： 116-130. DOI： 10.1016/j. inffus.2014.07.001.

［12］楊理智. “21世紀海上絲綢之路”安全風險評價體系和評估技術研究［D］. 長沙： 國防科技大學， 2018.

［13］RAWSON A， BRITO M， SABEUR Z， et al. A machine learning approach for monitoring ship safety in extreme weather events［J］. Safety Science， 2021， 141： 105336. DOI： 10.1016/j.ssci.2021.105336.

［14］孫茂金. 海上貨運通道非傳統安全風險預警與策略博弈研究［D］. 大連： 大連海事大學， 2019.

［15］楊俊闖， 趙超. K-means聚類算法研究綜述［J］. 計算機工程與應用， 2019， 55（23）： 7-14. DOI： 10.3778/j.issn.1002-8331.1908-0347.

［16］李順勇， 顧嘉成. 一種增強的K-prototypes混合數據聚類算法［J］. 陜西科技大學學報， 2021， 39（2）： 183-188. DOI： 10.19481/j.cnki.issn2096-398x.2021.02.028.

［17］HUANG Z X. Extensions to the K-means algorithm for clustering large data sets with categorical values［J］. Data Mining and Knowledge Discovery， 1998， 2： 283-304. DOI： 10.1023/A：1009769707641.

（編輯 賈裙平）

收稿日期： 2021-11-29

修回日期： 2022-03-31

基金項目： 國家自然科學基金（71974023）；國家社會科學基金重大研究專項（19VHQ012）

作者簡介： 呂靖（1959—），男，黑龍江五常人，教授，博士，研究方向為交通運輸規劃與管理，（E-mail） lujing@dlmu.edu.cn