呂靖　張晨　班豪

摘要：為保障海上運(yùn)輸安全，實(shí)現(xiàn)有效的海上風(fēng)險(xiǎn)預(yù)警，對(duì)影響國(guó)際海運(yùn)通道安全最主要的非傳統(tǒng)安全風(fēng)險(xiǎn)的時(shí)空分布模式進(jìn)行探索。海上運(yùn)輸非傳統(tǒng)安全風(fēng)險(xiǎn)主要包括海盜、海上恐怖主義和海上偷渡，對(duì)這3類(lèi)風(fēng)險(xiǎn)發(fā)生的影響因素進(jìn)行分析并結(jié)合風(fēng)險(xiǎn)特征構(gòu)建特征指標(biāo)體系。基于國(guó)際海事組織全球航運(yùn)信息集成系統(tǒng)（Global Integrated Shipping Information System，GISIS），應(yīng)用K原型聚類(lèi)模型，并以輪廓系數(shù)法進(jìn)行模型校正，對(duì)2015—2020年全球海運(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)進(jìn)行空間劃分。試驗(yàn)結(jié)果表明：東馬來(lái)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(fēng)險(xiǎn)區(qū)；非洲沿岸港口始終是偷渡的高風(fēng)險(xiǎn)區(qū)，拉丁美洲海上偷渡發(fā)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(shí)現(xiàn)對(duì)區(qū)域內(nèi)不同海上非傳統(tǒng)安全風(fēng)險(xiǎn)的細(xì)致劃分。

關(guān)鍵詞：海上運(yùn)輸； 非傳統(tǒng)安全風(fēng)險(xiǎn)； 空間劃分； K原型聚類(lèi)； 混合聚類(lèi)

中圖分類(lèi)號(hào)：? U698.6 文獻(xiàn)標(biāo)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(guó)際海運(yùn)通道是洲際貨物運(yùn)輸?shù)摹昂Ｉ仙€”。近年來(lái)，由于跨國(guó)犯罪的增加、地區(qū)沖突的加劇以及殺傷性武器和小型武器的擴(kuò)散，海盜襲擊、海上恐怖主義、海上偷渡等非傳統(tǒng)安全事件急劇增多，國(guó)際海運(yùn)通道的安全性遭到了極大破壞。因此，如果能對(duì)海運(yùn)通道所經(jīng)海域的非傳統(tǒng)安全風(fēng)險(xiǎn)進(jìn)行細(xì)致的區(qū)域劃分，尋找出海運(yùn)通道的危險(xiǎn)節(jié)點(diǎn)或危險(xiǎn)區(qū)域，就可以降低船舶遭遇高風(fēng)險(xiǎn)非傳統(tǒng)安全事件的概率，有效保障海上運(yùn)輸安全。

以往針對(duì)海運(yùn)通道安全風(fēng)險(xiǎn)的研究以定性分析為主，如：李志斐［1］分析了我國(guó)南海區(qū)域非傳統(tǒng)安全問(wèn)題的現(xiàn)狀并提出了應(yīng)對(duì)機(jī)制；PRISTROM等［2］介紹了在高風(fēng)險(xiǎn)地區(qū)建立一個(gè)打擊海上犯罪的可持續(xù)機(jī)制。對(duì)海運(yùn)通道安全風(fēng)險(xiǎn)的定量研究較少，且定量研究多側(cè)重于風(fēng)險(xiǎn)因素識(shí)別、風(fēng)險(xiǎn)評(píng)估和預(yù)警系統(tǒng)設(shè)計(jì)，如：JIANG等［3］對(duì)海上航道的事故風(fēng)險(xiǎn)進(jìn)行評(píng)估；呂靖等［4］對(duì)我國(guó)海上戰(zhàn)略通道的安全風(fēng)險(xiǎn)進(jìn)行等級(jí)評(píng)價(jià)；BOUEJLA等［5］從整個(gè)處理鏈的角度分析了海上船舶和油田設(shè)施面臨的海盜風(fēng)險(xiǎn)；蔣美芝等［6］、朱樂(lè)群等［7］建立了不同的海上通道安全預(yù)警模型。以上研究均是在綜合多種影響因素的基礎(chǔ)上對(duì)不同海運(yùn)通道進(jìn)行的整體性評(píng)價(jià)分析，評(píng)價(jià)結(jié)果具有片面性，在實(shí)際應(yīng)用中很難精確到某一階段或某一區(qū)域。為提高評(píng)價(jià)結(jié)果的合理性和準(zhǔn)確性，部分學(xué)者將地理位置信息引入評(píng)價(jià)過(guò)程中，在空間維度上進(jìn)行更加細(xì)致的區(qū)域劃分，如：PRISTROM等［8］結(jié)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(qū)海盜及其搶劫可能性；ZHANG等［9］利用船舶自動(dòng)識(shí)別系統(tǒng)（automatic identification system， AIS）大數(shù)據(jù)分析新加坡港口水域船舶事故的空間分布；WANG等［10］應(yīng)用空間分析方法來(lái)評(píng)估我國(guó)南海航道季節(jié)性航行環(huán)境風(fēng)險(xiǎn)。

對(duì)國(guó)際海運(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)進(jìn)行空間劃分，也需要考慮非傳統(tǒng)安全風(fēng)險(xiǎn)事件的地理位置信息，同時(shí)還需要合理兼顧非地理位置信息的特點(diǎn)，這意味著需要合理縮小定性數(shù)據(jù)與定量數(shù)據(jù)之間的差異。部分學(xué)者對(duì)此進(jìn)行了研究，如：DABROWSKI等［11］提出一種應(yīng)用貝葉斯因子和巴塔查里亞距離度量的評(píng)價(jià)方法；楊理智［12］采用云模型將非傳統(tǒng)安全事件的定性數(shù)據(jù)轉(zhuǎn)換為定量數(shù)據(jù)，運(yùn)用K均值聚類(lèi)算法進(jìn)行聚類(lèi)分析；RAWSON等［13］利用機(jī)器學(xué)習(xí)，訓(xùn)練一種基于船舶交通、天氣和歷史傷亡數(shù)據(jù)的算法，從歷史船舶軌跡中識(shí)別出事故候選；孫茂金［14］將非地理位置信息表征為二叉樹(shù)每個(gè)終端節(jié)點(diǎn)的函數(shù)分布，結(jié)合具有噪聲的基于密度的空間聚類(lèi)（density-based spatial clustering of applications with noise，DBSCAN）算法對(duì)西非區(qū)域的非傳統(tǒng)安全風(fēng)險(xiǎn)進(jìn)行空間劃分。將定性數(shù)據(jù)轉(zhuǎn)換為定量數(shù)據(jù)，可以將不同類(lèi)型的數(shù)據(jù)統(tǒng)一維度進(jìn)行考察，但主觀因素的干擾和轉(zhuǎn)換過(guò)程中信息的損失不可避免；而采用機(jī)器學(xué)習(xí)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(jié)合，但計(jì)算過(guò)程復(fù)雜，需要多次聚類(lèi)。

綜上可知，以往對(duì)海運(yùn)通道安全風(fēng)險(xiǎn)的研究主要是海運(yùn)通道整體方面的，對(duì)通道所經(jīng)過(guò)的區(qū)域進(jìn)行細(xì)分的研究較少。將不同類(lèi)型數(shù)據(jù)的整合方式和模型方法應(yīng)用于對(duì)海運(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)的空間劃分，目前仍然在嘗試中。因此，本文通過(guò)分析非傳統(tǒng)安全風(fēng)險(xiǎn)影響因素，針對(duì)不同非傳統(tǒng)安全威脅選取相應(yīng)的特征指標(biāo)，建立非傳統(tǒng)安全風(fēng)險(xiǎn)指標(biāo)體系。應(yīng)用K原型聚類(lèi)模型，并以輪廓系數(shù)法進(jìn)行模型校正，對(duì)地理信息和非地理信息在各自維度上分別計(jì)算距離，進(jìn)而加權(quán)聚類(lèi)實(shí)現(xiàn)對(duì)國(guó)際海運(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)的空間劃分，在減少聚類(lèi)次數(shù)的同時(shí)盡量減少信息在轉(zhuǎn)換中的損失和主觀因素的干擾。通過(guò)實(shí)證分析不同非傳統(tǒng)安全事件的分布特點(diǎn)以及風(fēng)險(xiǎn)等級(jí)，幫助船舶避開(kāi)危險(xiǎn)水域，警醒船舶在掛靠關(guān)鍵港口時(shí)保持警惕，為相關(guān)部門(mén)制定保障措施以及設(shè)計(jì)有效的預(yù)警系統(tǒng)提供依據(jù)。

1 非傳統(tǒng)安全風(fēng)險(xiǎn)影響因素分析及指標(biāo)選取

1.1 非傳統(tǒng)安全風(fēng)險(xiǎn)影響因素分析

海上的非傳統(tǒng)安全風(fēng)險(xiǎn)主要包括海盜襲擊、海上恐怖主義、海上偷渡、海洋環(huán)境污染和自然災(zāi)害等安全風(fēng)險(xiǎn)事件。由于人為性的非傳統(tǒng)安全事件與時(shí)空存在著更加緊密的聯(lián)系，本文選取海盜襲擊、海上恐怖主義、海上偷渡等3類(lèi)非傳統(tǒng)安全事件進(jìn)行地理信息與非地理信息相結(jié)合的空間劃分。由于聚類(lèi)特征的相似性，將海盜襲擊和海上恐怖主義統(tǒng)一歸類(lèi)為海上襲擊風(fēng)險(xiǎn)。海上襲擊風(fēng)險(xiǎn)和海上偷渡風(fēng)險(xiǎn)的影響因素主要有以下3類(lèi)：

自然環(huán)境。船舶在海上航行必然受到海浪、風(fēng)力和海上能見(jiàn)度等海運(yùn)通道自然環(huán)境條件的限制。另外，部分非傳統(tǒng)安全風(fēng)險(xiǎn)研究顯示，非傳統(tǒng)安全事件發(fā)生概率與當(dāng)?shù)氐暮r也存在密切聯(lián)系，尤其是季節(jié)性的自然條件變化。

政治軍事環(huán)境。國(guó)際海運(yùn)通道非傳統(tǒng)安全事件的數(shù)量很大程度上受到沿岸國(guó)家政局穩(wěn)定性和民生條件的影響，如：亞丁灣區(qū)域的索馬里海盜問(wèn)題是索馬里連年內(nèi)戰(zhàn)、民生凋敝的直接后果；局部戰(zhàn)爭(zhēng)造成的難民問(wèn)題、槍支泛濫問(wèn)題是導(dǎo)致歐洲港口偷渡事件增多的重要原因。

船舶特點(diǎn)。海上襲擊者會(huì)通過(guò)挑選更加脆弱、容易得手的襲擊對(duì)象來(lái)發(fā)動(dòng)襲擊；海上偷渡者會(huì)根據(jù)船舶的船型、噸位、載貨類(lèi)型等特點(diǎn)來(lái)判斷船舶的未來(lái)航線和自身躲藏的困難程度。因此，船舶自身特點(diǎn)也會(huì)影響其遭遇非傳統(tǒng)安全風(fēng)險(xiǎn)事件的概率。

1.2 非傳統(tǒng)安全風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建

構(gòu)建簡(jiǎn)潔合理的非傳統(tǒng)安全風(fēng)險(xiǎn)指標(biāo)體系是進(jìn)行高效可靠的空間劃分的重要基礎(chǔ)。指標(biāo)體系中的地理位置信息采用國(guó)際海事組織全球航運(yùn)信息集成系統(tǒng)（Global Integrated Shipping Information System，GISIS）提供的經(jīng)緯度坐標(biāo)，非地理位置信息則結(jié)合非傳統(tǒng)安全風(fēng)險(xiǎn)的影響因素與各類(lèi)非傳統(tǒng)安全事件的特征進(jìn)行選取。

1.2.1 海上襲擊風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建

對(duì)于海上襲擊風(fēng)險(xiǎn)，從襲擊者和被襲擊者兩個(gè)角度進(jìn)行指標(biāo)選取，從襲擊者視角聚類(lèi)海上襲擊事件的襲擊者類(lèi)別，從被襲擊者角度進(jìn)行海上襲擊風(fēng)險(xiǎn)的空間劃分。襲擊者角度指標(biāo)包括：襲擊月份、襲擊船型和襲擊水域。被襲擊者角度指標(biāo)包括：被劫持人數(shù)、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(shí)間所面臨的海上風(fēng)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(duì)不同時(shí)間或季節(jié)海上自然環(huán)境的選擇傾向；襲擊船型可以反映船舶自身特點(diǎn)對(duì)襲擊事件發(fā)生概率的影響；襲擊水域可以說(shuō)明沿岸國(guó)家的港口安全狀況和水域管轄能力。被劫持人數(shù)、襲擊者是否持槍可以反映襲擊事件的規(guī)模以及是否有組織、有預(yù)謀；傷亡人數(shù)和整體損失可以反映襲擊目的及其危害性。

在以上指標(biāo)中，地理坐標(biāo)、水域、人數(shù)等均可量化，而整體損失需要進(jìn)一步解釋。GISIS給出了襲擊事件的詳細(xì)描述，主要有偷竊船上損耗品、拆卸船舶設(shè)備、搶奪船員個(gè)人物品、劫持船舶以及綁架船員這幾類(lèi)。按照財(cái)產(chǎn)損失價(jià)值和船員傷亡可能性，將整體損失分為6個(gè)等級(jí)，每個(gè)等級(jí)涵蓋下級(jí)損失，具體分級(jí)及舉例見(jiàn)表1。

1.2.2 海上偷渡風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建

由于GISIS中關(guān)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(jìn)行海上偷渡風(fēng)險(xiǎn)特征指標(biāo)的選取與空間劃分。特征指標(biāo)包括：總的偷渡次數(shù)、平均偷渡人數(shù)、報(bào)告的政府?dāng)?shù)量和偷渡者中本國(guó)人數(shù)?？偟耐刀纱螖?shù)在一定程度上可以代表該港口海上偷渡風(fēng)險(xiǎn)的等級(jí)；平均偷渡人數(shù)能夠體現(xiàn)海上偷渡事件的規(guī)模；報(bào)告的政府?dāng)?shù)量指的是向國(guó)際海事組織報(bào)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(diǎn)出港，在掛靠港口時(shí)發(fā)現(xiàn)偷渡者）的國(guó)家總數(shù)，用來(lái)反映偷渡者的偷渡路線是否一致；偷渡者中本國(guó)人數(shù)指的是偷渡者中有多少為偷渡港口所屬?lài)?guó)家的人，可以反映偷渡事件是否源于本國(guó)的政治軍事環(huán)境不穩(wěn)定。

2 K原型聚類(lèi)模型改進(jìn)及算法介紹

空間聚類(lèi)模型主要分為基于劃分、基于層次、基于密度、基于網(wǎng)格和基于模型的5類(lèi)。根據(jù)各類(lèi)模型的應(yīng)用特點(diǎn)以及前人經(jīng)驗(yàn)，本文選擇基于劃分的空間聚類(lèi)模型。其中針對(duì)多維數(shù)據(jù)的聚類(lèi)，K均值模型的應(yīng)用最為廣泛。K均值模型具有聚類(lèi)效果好、容易實(shí)現(xiàn)等優(yōu)點(diǎn)，但只能處理數(shù)值型數(shù)據(jù)［15］，因此在K均值模型的基礎(chǔ)上發(fā)展出了K原型聚類(lèi)模型。K原型聚類(lèi)不僅可以高效計(jì)算出高維數(shù)據(jù)相異度，還對(duì)聚類(lèi)數(shù)據(jù)的類(lèi)型沒(méi)有限制，是目前混合聚類(lèi)模型的有效算法［16］。由于K原型聚類(lèi)模型延續(xù)了K均值聚類(lèi)模型的基本特點(diǎn)，需要自主定義聚類(lèi)數(shù)量和權(quán)重系數(shù)，所以本文引入輪廓系數(shù)法來(lái)彌補(bǔ)，通過(guò)對(duì)聚類(lèi)效果的評(píng)價(jià)進(jìn)行參數(shù)選擇。

2.3 具體算法

求解結(jié)合輪廓系數(shù)法的K原型聚類(lèi)模型的輸入為初始聚類(lèi)數(shù)量K的集合、初級(jí)指標(biāo)權(quán)重w的集合、數(shù)據(jù)集X，輸出為最高輪廓系數(shù)得分、最佳聚類(lèi)簇?cái)?shù)、最佳指標(biāo)權(quán)重、最終劃分結(jié)果。具體步驟如下：

步驟1 在數(shù)據(jù)集中隨機(jī)選取K個(gè)數(shù)據(jù)作為初始聚類(lèi)中心，選取w為指標(biāo)權(quán)重。

步驟2 根據(jù)式（1）計(jì)算數(shù)據(jù)集中的數(shù)據(jù)到每個(gè)初始聚類(lèi)中心的距離，根據(jù)計(jì)算結(jié)果將其歸類(lèi)到距離最近的簇中。

步驟3 根據(jù)式（3）對(duì)聚類(lèi)中心進(jìn)行更新，并重復(fù)步驟2和步驟3迭代至目標(biāo)函數(shù)值不再發(fā)生變化，進(jìn)入步驟4。

步驟4 根據(jù)式（4）計(jì)算聚類(lèi)數(shù)量與權(quán)重組合下的聚類(lèi)效果得分，選取最高得分的組合。

3 實(shí)證分析

3.1 國(guó)際海運(yùn)通道海上襲擊風(fēng)險(xiǎn)空間劃分

3.1.1 海上襲擊事件數(shù)據(jù)分析

海上襲擊風(fēng)險(xiǎn)空間劃分以馬六甲海峽周邊海域?yàn)槔?。通過(guò)GISIS中的Piracy and Armed Robbery選取2011—2020年發(fā)生的708起海上襲擊事件（已篩除其中信息嚴(yán)重缺失的事件22起）。將整理后的數(shù)據(jù)分為2011—2015年和2016—2020年兩個(gè)階段進(jìn)行對(duì)比分析，見(jiàn)表2。

得益于船員防范意識(shí)的提高和海軍護(hù)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(shù)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(xiàn)了綁架船員、勒索贖金的惡性事件。GISIS的詳細(xì)報(bào)告也顯示，2016年以后的海上襲擊事件襲擊者人數(shù)增多，多配備槍支、快艇等現(xiàn)代化裝備，呈現(xiàn)出有組織的團(tuán)伙活動(dòng)趨勢(shì)，撕票、斬首等極端恐怖主義行為抬頭。顯然，對(duì)海上襲擊風(fēng)險(xiǎn)的重視有效地規(guī)避了更多低風(fēng)險(xiǎn)襲擊事件的發(fā)生，但高風(fēng)險(xiǎn)襲擊事件的數(shù)量變化并不明顯，甚至非傳統(tǒng)安全勢(shì)力在一定程度上進(jìn)行了集聚。

將兩個(gè)階段的海上襲擊事件的地理信息進(jìn)行投影，見(jiàn)圖1。從圖1可以發(fā)現(xiàn)：2016—2020年馬六甲海峽周邊海域散亂分布的點(diǎn)比2011—2015年的明顯減少，有更多的數(shù)據(jù)點(diǎn)重合于同一區(qū)域，這意味著海上襲擊事件的發(fā)生區(qū)域變得更加集中；襲擊事件的分布呈現(xiàn)出明顯東移的趨勢(shì)，其重點(diǎn)區(qū)域從馬六甲海峽入口處的賓坦島、巴淡島附近向東馬來(lái)西亞沿岸、蘇祿海與蘇拉威西海交界處轉(zhuǎn)移。

3.1.2 襲擊者類(lèi)別聚類(lèi)

從襲擊者角度對(duì)馬六甲海峽周邊海域的海上襲擊事件進(jìn)行K原型混合聚類(lèi)，劃分海上襲擊事件的襲擊者類(lèi)別。根據(jù)輪廓系數(shù)法，最佳聚類(lèi)數(shù)量為4，指標(biāo)權(quán)重為0.5，輪廓系數(shù)得分為0.79。海上襲擊事件中被襲擊船舶所屬類(lèi)型占比見(jiàn)表3，海上襲擊事件在不同水域和不同月份發(fā)生的比例分別見(jiàn)表4和5，依據(jù)聚類(lèi)結(jié)果可以將襲擊者分為3類(lèi)。

簇1、簇2的襲擊者可以歸為低傷害性襲擊者，多是進(jìn)行小型的船舶物資盜竊，造成的整體損失為1～2級(jí)。簇1中襲擊者的襲擊對(duì)象以散貨船、雜貨船為主，襲擊水域集中于港口水域，襲擊發(fā)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(duì)象以油船、化學(xué)品船為主，襲擊水域主要在領(lǐng)海和港口水域，襲擊發(fā)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(duì)性地?fù)尳俅霸O(shè)備和船員物品，很少會(huì)對(duì)船員造成人身傷害，造成的損失為2～4級(jí)。襲擊對(duì)象中48.35%為油船和化學(xué)品船，24.18%為散貨船和雜貨船；襲擊水域以領(lǐng)海和港口水域?yàn)橹鳎?0.66%的襲擊事件發(fā)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(jìn)行性質(zhì)惡劣的船舶劫持和船員綁架，造成的整體損失達(dá)到了4～6級(jí)。船員綁架主要針對(duì)漁船、補(bǔ)給船等作業(yè)船舶，船舶劫持針對(duì)油船、化學(xué)品船等高價(jià)值貨船；76.47%的襲擊事件發(fā)生在領(lǐng)海和公海水域，每年的4月、6月和10月是此類(lèi)非傳統(tǒng)安全事件的高發(fā)期。

3.1.3 海上襲擊風(fēng)險(xiǎn)空間劃分

基于海上襲擊事件的襲擊者類(lèi)別劃分，從被襲擊者視角對(duì)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(lèi)模型進(jìn)行海上襲擊風(fēng)險(xiǎn)空間劃分。最佳聚類(lèi)數(shù)量為10，指標(biāo)權(quán)重為1，輪廓系數(shù)得分為0.75，劃分結(jié)果見(jiàn)圖2。

簇0、簇1、簇3和簇8區(qū)域可以歸為海上襲擊的低風(fēng)險(xiǎn)區(qū)，此區(qū)域共發(fā)生86起襲擊事件，整體損失在3級(jí)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(qū)域?yàn)橘闼{兩側(cè)、菲律賓靠近九段線的西北部海域以及北部灣內(nèi)越南沿岸。這些區(qū)域的襲擊事件一般是在港口水域?qū)坎醇靶敦浀拇斑M(jìn)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(diǎn)港口有印度尼西亞的雅加達(dá)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(guān)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(qū)域可以歸為海上襲擊的中風(fēng)險(xiǎn)區(qū)，此區(qū)域共發(fā)生122起襲擊事件，整體損失為2～4級(jí)的事件占比60%，為5～6級(jí)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(qū)域?yàn)轳R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(cè)、東北側(cè)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(fā)生在領(lǐng)?；蚬Ｋ颍u擊者的武器裝備較為精良，以搶奪船舶設(shè)備和船員財(cái)物為主要目的。在此區(qū)域航行的船舶遭遇海上襲擊時(shí)，建議避免沖突，以船員人身安全為重。

簇5和簇6區(qū)域可以歸為海上襲擊的高風(fēng)險(xiǎn)區(qū)，此區(qū)域共發(fā)生31起襲擊事件，其中50%的襲擊事件整體損失在4級(jí)及以上，持槍事件占比高達(dá)74%，船員傷亡率為15%。此區(qū)域是劫持船舶和綁架船員事件的高發(fā)區(qū)域，主要為東馬來(lái)西亞沿岸領(lǐng)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(shù)均大于5人，更傾向于大規(guī)模的襲擊事件。建議沿線國(guó)家對(duì)此區(qū)域進(jìn)行重點(diǎn)護(hù)航巡邏，商船航行也盡量規(guī)避此處。

3.2 國(guó)際海運(yùn)通道海上偷渡風(fēng)險(xiǎn)空間劃分

3.2.1 海上偷渡事件數(shù)據(jù)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(yán)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(jiàn)圖3。

從圖3可以看出：非洲大陸的沿岸港口始終是發(fā)生海上偷渡事件的重點(diǎn)區(qū)域，這與當(dāng)?shù)亻L(zhǎng)期落后的經(jīng)濟(jì)水平以及不穩(wěn)定的治安環(huán)境有密切聯(lián)系；拉丁美洲發(fā)生海上偷渡事件的重點(diǎn)區(qū)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(dá)和多巴哥共和國(guó)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(qū)的局部戰(zhàn)爭(zhēng)造成敘利亞、利比亞等國(guó)難民涌入歐洲，致使地中海沿岸國(guó)家出現(xiàn)海上偷渡事件的港口明顯增多，尤其是意大利和希臘兩國(guó)。然而，中國(guó)的上海港、防城港、香港港等自2015年起均未再發(fā)生海上偷渡事件（圖中未顯示）。

3.2.2 海上偷渡風(fēng)險(xiǎn)空間劃分

根據(jù)2015—2020年間海上偷渡事件對(duì)全球海上偷渡風(fēng)險(xiǎn)進(jìn)行空間劃分，最佳聚類(lèi)數(shù)量為6，權(quán)重系數(shù)為1，輪廓系數(shù)得分為0.55。各空間劃分見(jiàn)圖4，聚類(lèi)結(jié)果分析見(jiàn)表6。

簇4和簇6區(qū)域的海上偷渡風(fēng)險(xiǎn)屬于少次多量型，以總的偷渡次數(shù)劃分為低風(fēng)險(xiǎn)區(qū)。主要區(qū)域?yàn)楹诤Ｑ匕稓W洲東南部、中亞區(qū)域以及拉丁美洲區(qū)域國(guó)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(lèi)區(qū)域港口偷渡事件發(fā)生頻率較低，單次偷渡人數(shù)較多，偷渡者多為非本國(guó)居民，偷渡路線單一明確?？梢哉J(rèn)為此類(lèi)區(qū)域港口對(duì)海上偷渡行為監(jiān)察較松，當(dāng)?shù)卮嬖谑褂猛刀纱瑥氖麓笠?guī)模偷渡活動(dòng)的專(zhuān)業(yè)組織團(tuán)伙。

簇1和簇2區(qū)域的海上偷渡風(fēng)險(xiǎn)屬于混合型，以總偷渡次數(shù)劃分為中風(fēng)險(xiǎn)區(qū)。主要區(qū)域?yàn)榉侵尬鞅辈亢臀鳉W地區(qū)的意大利、希臘、法國(guó)等國(guó)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(qū)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(lèi)區(qū)域海上偷渡行為一方面受到局部沖突的強(qiáng)烈影響，規(guī)模型偷渡與個(gè)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(guó)家的嚴(yán)密搜查限制，報(bào)告的政府?dāng)?shù)量少，偷渡路線不夠明確。

簇3和簇5區(qū)域的海上偷渡風(fēng)險(xiǎn)屬于多次少量型，以總偷渡次數(shù)劃分為高風(fēng)險(xiǎn)區(qū)。主要區(qū)域?yàn)槲鞣恰⒛戏?、東非區(qū)域國(guó)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(dá)累斯薩拉姆港等。此類(lèi)區(qū)域港口偷渡事件發(fā)生頻率較高，但結(jié)合其偷渡次數(shù)來(lái)看，偷渡規(guī)模并不大，偷渡者80%為本國(guó)居民，偷渡路線非常雜亂。此類(lèi)區(qū)域的海上偷渡事件多為當(dāng)?shù)厝送挡剡M(jìn)港口碼頭停泊的貨船中，具有一定的隨機(jī)性。

3.3 模型聚類(lèi)效果比較

為進(jìn)一步論證K原型聚類(lèi)模型的聚類(lèi)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(lèi)和K均值聚類(lèi)進(jìn)行海上襲擊風(fēng)險(xiǎn)的空間劃分。因?yàn)镵均值聚類(lèi)只能處理數(shù)值型數(shù)據(jù)，所以對(duì)非數(shù)值型數(shù)據(jù)用啞變量表示。以輪廓系數(shù)法作為評(píng)價(jià)標(biāo)準(zhǔn)，不同聚類(lèi)簇?cái)?shù)下兩個(gè)模型的輪廓系數(shù)得分見(jiàn)表7。

從輪廓系數(shù)得分可以看出：當(dāng)聚類(lèi)簇?cái)?shù)較少時(shí)，K均值聚類(lèi)模型的聚類(lèi)效果比K原型聚類(lèi)模型的好，因?yàn)镵均值聚類(lèi)模型采用啞變量表示非數(shù)值型數(shù)據(jù)，聚類(lèi)簇?cái)?shù)越少則信息轉(zhuǎn)換過(guò)程中產(chǎn)生的損失影響越小，K均值聚類(lèi)模型計(jì)算復(fù)雜度低的優(yōu)勢(shì)越突出；當(dāng)聚類(lèi)簇?cái)?shù)增多時(shí)，信息轉(zhuǎn)換過(guò)程中產(chǎn)生的損失影響逐漸顯現(xiàn)，基于是或否的信息量已經(jīng)很難對(duì)數(shù)據(jù)進(jìn)行更加細(xì)致的劃分，K原型聚類(lèi)模型獲取不同類(lèi)型數(shù)據(jù)信息的優(yōu)勢(shì)更加突出，聚類(lèi)效果更好。針對(duì)不同的應(yīng)用需求，兩類(lèi)模型各有優(yōu)勢(shì)，而本文需要結(jié)合數(shù)值型數(shù)據(jù)與整體損失、船型等非數(shù)值型數(shù)據(jù)對(duì)襲擊事件的風(fēng)險(xiǎn)等級(jí)進(jìn)行區(qū)域細(xì)分，因此K原型聚類(lèi)模型更加適合。

4 結(jié)束語(yǔ)

本文提出用輪廓系數(shù)法校正K原型聚類(lèi)模型為國(guó)際海運(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)空間劃分提供了新方法。其中根據(jù)不同海上非傳統(tǒng)安全事件特點(diǎn)構(gòu)建的指標(biāo)體系確保了空間劃分的針對(duì)性，采用地理位置信息與非地理位置信息相結(jié)合的方式增強(qiáng)了聚類(lèi)結(jié)果的相似性，研究結(jié)果表明該模型可以實(shí)現(xiàn)對(duì)海域內(nèi)不同非傳統(tǒng)安全風(fēng)險(xiǎn)的空間劃分。本文研究仍存在不足，如孤立點(diǎn)對(duì)聚類(lèi)效果存在影響，安全風(fēng)險(xiǎn)空間劃分是基于結(jié)果的靜態(tài)劃分。下一步的研究?jī)?nèi)容為通過(guò)模型改進(jìn)得到更好的安全風(fēng)險(xiǎn)空間劃分效果，研究目標(biāo)是實(shí)現(xiàn)數(shù)據(jù)動(dòng)態(tài)更新下的安全風(fēng)險(xiǎn)空間實(shí)時(shí)劃分與預(yù)警。

參考文獻(xiàn)：

［1］李志斐. 南海非傳統(tǒng)安全問(wèn)題的現(xiàn)狀與應(yīng)對(duì)機(jī)制分析［J］. 太平洋學(xué)報(bào)， 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(guó)海上運(yùn)輸關(guān)鍵節(jié)點(diǎn)安全評(píng)價(jià)研究［J］. 交通運(yùn)輸系統(tǒng)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(wǎng)絡(luò)的海盜襲擊事件影響因素［J］. 中國(guó)航海， 2019， 42（2）： 87-92.

［7］朱樂(lè)群， 呂靖， 李晶. 基于高維突變模型的海上通道安全預(yù)警研究［J］. 運(yùn)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(jì)海上絲綢之路”安全風(fēng)險(xiǎn)評(píng)價(jià)體系和評(píng)估技術(shù)研究［D］. 長(zhǎng)沙： 國(guó)防科技大學(xué)， 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(yùn)通道非傳統(tǒng)安全風(fēng)險(xiǎn)預(yù)警與策略博弈研究［D］. 大連： 大連海事大學(xué)， 2019.

［15］楊俊闖， 趙超. K-means聚類(lèi)算法研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)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(qiáng)的K-prototypes混合數(shù)據(jù)聚類(lèi)算法［J］. 陜西科技大學(xué)學(xué)報(bào)， 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(xiàng)目： 國(guó)家自然科學(xué)基金（71974023）；國(guó)家社會(huì)科學(xué)基金重大研究專(zhuān)項(xiàng)（19VHQ012）

作者簡(jiǎn)介： 呂靖（1959—），男，黑龍江五常人，教授，博士，研究方向?yàn)榻煌ㄟ\(yùn)輸規(guī)劃與管理，（E-mail） lujing@dlmu.edu.cn