在存在安全隐患缺陷及整改限制的情况下,港口国管制机构的滞留期限评估
《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Port State Control Detention Duration Assessment under Safety-Critical Deficiencies and Rectification Constraints
【字体:
大
中
小
】
时间:2026年10月21日
来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7
编辑推荐:
• 数据驱动的贝叶斯网络(BN)能够预测五种不同时间段内的港口国控制(PSC)滞留时长。
• 纠正缺陷的可行性是决定滞留时间的主要因素。
• 安全关键缺陷比船舶的总体状况或船旗国因素更为重要。
• 情景分析和Tri分析有助于识别避免长期滞留的策略。
• 研究结果支
• 数据驱动的贝叶斯网络(BN)能够预测五种不同时间段内的港口国控制(PSC)滞留时长。
• 纠正缺陷的可行性是决定滞留时间的主要因素。
• 安全关键缺陷比船舶的总体状况或船旗国因素更为重要。
• 情景分析和Tri分析有助于识别避免长期滞留的策略。
• 研究结果支持针对特定港口或船型的措施以缩短滞留时间。
**引言**
港口国控制(PSC)是国际海上安全体系中的关键机制,作为防止不符合标准的船舶通过船旗国监管的“最后一道防线”[[1], [2], [3], [4]]。根据《巴黎谅解备忘录》、《东京谅解备忘录》、《印度洋谅解备忘录》、《利雅得谅解备忘录》、《阿布贾谅解备忘录》、《加勒比海谅解备忘录》等区域性协议,港口当局会对外国船舶进行检查,确保其遵守《国际海上人命安全公约》(SOLAS)、《防止船舶污染公约》(MARPOL)、《海员培训、发证和值班公约》(STCW)等国际公约及安全标准[[5,2,6]]。如果检查人员(PSCO)发现严重缺陷,船舶可能会被滞留,直至问题得到解决。滞留是PSC检查的最严厉后果,因为它会中断航程、产生巨额直接成本(如维修费用、停运时间等),并导致间接损失,比如延误航期和增加保险费用[[1,6,3]]。例如,一艘巴拿马型船舶因滞留而产生的停运损失每天可达2万美元[[5]]。对港口当局而言,滞留高风险船舶对于防止海上事故和环境破坏至关重要,这意味着PSC必须有效识别这些船舶,以防事故发生[[6]]。然而,当前的PSC实践中仍存在不准确性和低效率问题:目标制定机制并不总能精准锁定高风险船舶,且滞留决定可能因检查人员或地区而异[[6,3]]。这可能导致危险船舶逃避监管,或者不同协议之间的执法标准不一致[[7]]。这些挑战凸显了需要数据驱动的决策支持工具来提升PSC检查的有效性和一致性。
PSC的出现与20世纪后半叶船舶登记制度的变革密切相关。随着船东越来越多地将船舶注册在成本较低、监管较松的“方便旗”国家,执行国际安全公约的责任与实际停靠外国港口的船旗国分离[[8,9]]。在一些登记制度下,法定认证事务委托给不同的船级社,这些船级社的严格性和独立性各不相同,导致有缺陷的船舶仍能继续航行[[10]]。一系列重大海难事故,包括造成严重污染的油轮事故,暴露了仅依赖船旗国监管的局限性,促使港口国采取联合行动[[11,10]]。1982年的《巴黎谅解备忘录》建立了第一个区域性的PSC机制,各方同意共同检查部分进出港的外国船舶并共享检查结果,随后这一模式被推广到《东京谅解备忘录》、《印度洋谅解备忘录》、《地中海谅解备忘录》、《黑海谅解备忘录》、《利雅得谅解备忘录》、《阿布贾谅解备忘录》、《加勒比海谅解备忘录》等协议中[[11,10]]。因此,PSC作为一种补充性安全网,在船旗国监管和船级社监管不足时发挥作用,常被称为防范不合格船舶的最后一道防线。
在实际操作中,PSC检查遵循一系列固定程序。首先,根据基于风险的筛选机制确定需要检查的船舶;例如,在《巴黎谅解备忘录》和《东京谅解备忘录》下,每艘船舶都有一个由类型、船龄、船旗国表现、认可组织、公司记录以及过去缺陷和滞留历史等因素构成的船舶风险档案,这些因素决定了检查的频率和深度[[6,3]]。选定船舶后,PSCO会上船进行初步检查,核实法定证书和文件的有效性,并对船舶状况形成初步印象。如果发现明显问题(如缺失或无效的证书,或船舶、设备或船员不符合要求的迹象),则会进行更详细的检查[[7]]。发现的缺陷会被记录在标准化代码中,并针对每种缺陷指定相应的处理措施(如出发前纠正、在下一个港口纠正或在规定时间内纠正)。如果缺陷严重到足以危及船舶的安全,PSCO有权滞留船舶,直至问题得到解决并验证。只有在完成必要的纠正措施后,船舶才能获准离港,有时需要重新检查[[3]]。本研究基于这些记录的数据进行。
研究人员和监管机构越来越多地利用PSC检查数据库来改进风险评估和目标制定策略。船舶的PSC检查记录,尤其是发现的缺陷数量和类型,被视为其整体安全风险的强烈指标[[12], [13], [14]]。多项实证研究表明,较差的PSC检查结果与未来事故的发生率密切相关[[14]]。例如,Heij和Knapp的研究指出,过去的检查结果(缺陷和滞留情况)能显著预测船舶发生事故的可能性[[14]]。同样,曾被滞留或多次发现严重缺陷的船舶在后续更容易发生事故[[15]]。这些发现表明,PSC数据不仅可以用于确保合规,还可以主动识别高风险船舶[[16,14]]。因此,近十年来越来越多的研究致力于分析PSC记录以提高海上安全[[17], [18], [19]]。早期研究采用传统统计学和计量经济学方法评估针对不合格船舶的监管效果[[20]],但近年来逐渐转向更先进的数据分析方法,包括机器学习(ML)技术和贝叶斯网络(BN)[[18],[21],[22],[23]]。这些数据驱动的方法能够捕捉PSC数据中的非线性关系和相互关联的风险因素,比传统方法更具准确性和洞察力[[2]]。
在相关文献中,尤其关注了影响PSC检查中船舶滞留的关键因素。多项跨地区的研究一致认为,船舶的船龄是导致滞留风险的主要因素:老式船舶更可能存在严重缺陷并面临滞留[[6]]。这一现象在早期和近期研究中均有体现[[10],[24],[25],[26]],反映了船舶老旧导致的设备和结构退化。除船龄外,船舶类型和大小也有影响[[27],[28],[29]],例如H?nninen和Kujala的研究指出,某些类型船舶(如普通货船)和小型船舶的滞留概率更高,可能是因为它们的安全裕度和监管力度较低[[30]]。检查中发现的缺陷数量是一个明显指标:存在多个缺陷的船舶更有可能被滞留[[6,31]]。实际上,《巴黎谅解备忘录》等PSC机制已将缺陷数量纳入船舶风险档案的计算公式中。此外,缺陷的类型也很重要;某些缺陷类别比其他类别更为关键[[5]]。以往的集中检查活动通常针对消防安全或救生设备等关键领域,因为这些领域的缺陷与滞留事件密切相关[[5]]。船旗国和管理质量同样受关注:统计数据显示,悬挂监管薄弱船旗(即“方便旗”)的船舶或由表现不佳的公司管理的船舶更容易被滞留[[17,5]],例如,船旗选择被认定为重要因素[[32]]。总体而言,现有研究确定了多个影响滞留风险的因素,包括船舶船龄、类型、吨位、船旗国、船东/运营商表现、检查历史和缺陷细节[[33,20]]。然而,大多数早期研究仅关注船舶是否被滞留(二元结果),而没有关注滞留的严重程度或持续时间,这是一个关键的区别。
以往研究的一个重要局限是滞留时间的关注度较低。滞留时长差异很大:一些船舶在纠正问题后几小时内即可获释,而另一些则因严重缺陷被滞留数天甚至数周[[34,35]]。这对港口和船东都有重大影响:长时间滞留的船舶会占用码头的资源和空间,加剧港口拥堵;对船东而言,滞留会导致航期延误和合同问题,有时需要安排替代船舶[[5]]。尽管滞留时间很重要,但预测模型很少将其作为明确研究对象。大多数风险模型将结果简化为“被滞留与否”这一二元判断,忽略了滞留时间的实际长短。实际上,短期滞留(如一天)与长期滞留(如数周)代表不同的安全违规程度。直到最近,很少有研究能够根据船舶的缺陷和特征定量预测滞留时长[[5]]。这一领域存在显著空白。Yang等人指出,尽管滞留时间对海事当局和行业都至关重要,但目前相关研究和学术文献仍较为匮乏[[34,35]]。在全球数千次检查中,滞留事件相对罕见(通常仅占2-5%[[36]]),但一旦发生,判断船舶滞留时间的长短对于决策至关重要。例如,如果港口官员能预见到长期滞留,他们可以更好地分配码头和检查资源;船东也可以提前制定货物交付的应急计划[[5]]。
针对这些空白,我们开发了一个数据驱动的贝叶斯网络模型来分析和预测PSC检查中的滞留时长。具体而言,我们构建了一个贝叶斯网络,将多种缺陷变量和船舶特征与不同滞留结果(不滞留、1-2天、3-4天、5-7天、超过7天)的概率联系起来。为了从数据中自动学习贝叶斯网络结构,我们采用了TAN算法和EM参数估计方法,这两种方法最近才被引入PSC领域[[34,31]]。我们使用了涵盖全球多个协议(东京、巴黎、印度洋、地中海、黑海、利雅得、阿布贾等)的庞大PSC数据集,从而能够捕捉全球滞留趋势和跨区域差异,这是以往单一协议研究无法实现的[[34,31]]。本研究的新颖性和贡献如下:
(1) 据我们所知,这是为数不多专注于多州滞留时长结果的综合性模型之一,突破了传统的“被滞留/未被滞留”二元范式。通过这种分析方法,我们揭示了不同类型缺陷(及其组合)不仅影响滞留决策,还影响船舶的滞留时长,这对安全管理和社会运营具有实际意义[[33,20]]。
(2) 在方法论上,我们引入了一个集成式的贝叶斯网络框架,结合TAN结构学习和EM参数估计,以实现数据驱动的分析[[34,31]]。该概率模型能够捕捉因素之间的复杂依赖关系(这是黑盒机器学习模型难以实现的),提供了风险影响的可视化表示[[2]]。
(3) 本研究具有全球视野,涵盖了多个地区的PSC记录。这种广泛的覆盖范围使我们能够识别共同的风险因素和地区特定模式,并探讨不同协议之间的差异(如缺陷关注点或执行力度)对滞留结果的影响[[33]]。总之,本研究通过严谨地将缺陷档案与滞留时长联系起来,填补了相关文献的空白,并提供了实用的决策支持工具,有助于港口当局优化检查目标制定和航运公司进行运营规划,以减少滞留带来的干扰。
本文余下部分结构如下:第2节回顾了PSC滞留风险因素、数据驱动的PSC分析方法以及关于滞留时间的有限研究,并指出了研究空白;第3节介绍了数据来源、不同协议间记录的协调方式以及贝叶斯网络方法(包括TAN结构学习和参数估计);第4节展示了模型开发、验证、情景分析和敏感性评估结果;第5节讨论了研究结果及其对港口当局和行业的实际影响。第6节总结了本文,指出了其局限性,并为未来的研究指明了方向。
**研究片段**
**PSC检查数据与扣留风险因素**
大量研究已经分析了PSC检查记录,以确定导致船舶被扣留的因素[37,38,33]。这些研究一致表明,某些船舶属性和缺陷特征显著增加了扣留风险。船舶年龄是经常被提及的决定因素之一:较旧的船舶往往会有更多的磨损问题,并且设备可能过时,这使得它们更有可能被扣留[10,24,6,25,26]。例如...
**方法论**
本研究采用数据驱动的概率框架来解释和预测PSC扣留时长。首先,通过系统性地清理、变量标准化以及对船舶、检查、缺陷和纠正措施属性的离散化处理,从2019年至2024年的10,475次PSC记录中构建了一个统一的数据集(共2,415条记录)。然后开发了一个贝叶斯网络(BN),其结构是通过TAN算法学习的,条件概率则通过EM算法估计的。
**模型开发**
PSC扣留最好被理解为一个分级结果,它反映了检查中发现的缺陷的严重性和可纠正性,而不仅仅是一个简单的“被扣留/未被扣留”事件。当法定不符合要求的情况影响到关键船舶系统(如推进系统、导航系统、救生设备)时,或者当纠正措施无法及时验证时,通常会导致更长的扣留时间。这些延误会大规模地增加运营成本和供应链成本。
**讨论**
如图3所示,学习到的TAN-BN模型表明,纠正难度和纠正路径是与扣留时间最密切相关的因素;表2中的场景后验分布进一步证明了这一点,从“在港口纠正”转变为“在海上纠正”或“未纠正”会使得概率质量大幅向较长的时间区间移动。这种条件依赖结构反映了PSC工作的机制。
**结论**
本研究开发并验证了一个数据驱动的贝叶斯网络,用于解释和预测主要谅解备忘录(MoUs)下的港口国控制(PSC)扣留时长。从10,475次原始检查中,我们编制了一个统一的、可用于分析的数据集,其中包含2,415个案例,这些案例具有统一的船舶信息、检查背景、统一的缺陷分类以及五状态的扣留时长目标。网络结构是通过树增强朴素贝叶斯(TAN)算法学习的,参数则通过EM算法进行估计。
**作者贡献声明**
王新博:撰写——审阅与编辑、撰写——初稿、可视化、验证、软件、资源、方法论、调查、正式分析、数据整理、概念化。
尹静波:撰写——审阅与编辑、可视化、验证、监督、软件、资源、项目管理和协调、方法论、调查、资金获取、正式分析、概念化。
段俊丽:撰写——审阅与编辑、可视化、软件、方法论、调查。
**作者名单**
王新博 | 尹静波 | 段俊丽 | 郭颖超 | 王少涵