基于混合聚類的海運(yùn)通道非傳統(tǒng)安全風(fēng)險空間劃分

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)險預(yù)警，對影響國際海運(yùn)通道安全最主要的非傳統(tǒng)安全風(fēng)險的時空分布模式進(jìn)行探索。海上運(yùn)輸非傳統(tǒng)安全風(fēng)險主要包括海盜、海上恐怖主義和海上偷渡，對這3類風(fēng)險發(fā)生的影響因素進(jìn)行分析并結(jié)合風(fēng)險特征構(gòu)建特征指標(biāo)體系?；趪H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原型聚類模型，并以輪廓系數(shù)法進(jìn)行模型校正，對2015—2020年全球海運(yùn)通道非傳統(tǒng)安全風(fēng)險進(jìn)行空間劃分。試驗(yàn)結(jié)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(fēng)險區(qū)；非洲沿岸港口始終是偷渡的高風(fēng)險區(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)對區(qū)域內(nèi)不同海上非傳統(tǒng)安全風(fēng)險的細(xì)致劃分。

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

中圖分類號：? 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

國際海運(yùn)通道是洲際貨物運(yùn)輸?shù)摹昂Ｉ仙€”。近年來，由于跨國犯罪的增加、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，國際海運(yùn)通道的安全性遭到了極大破壞。因此，如果能對海運(yùn)通道所經(jīng)海域的非傳統(tǒng)安全風(fēng)險進(jìn)行細(xì)致的區(qū)域劃分，尋找出海運(yùn)通道的危險節(jié)點(diǎn)或危險區(qū)域，就可以降低船舶遭遇高風(fēng)險非傳統(tǒng)安全事件的概率，有效保障海上運(yùn)輸安全。

以往針對海運(yùn)通道安全風(fēng)險的研究以定性分析為主，如：李志斐［1］分析了我國南海區(qū)域非傳統(tǒng)安全問題的現(xiàn)狀并提出了應(yīng)對機(jī)制；PRISTROM等［2］介紹了在高風(fēng)險地區(qū)建立一個打擊海上犯罪的可持續(xù)機(jī)制。對海運(yùn)通道安全風(fēng)險的定量研究較少，且定量研究多側(cè)重于風(fēng)險因素識別、風(fēng)險評估和預(yù)警系統(tǒng)設(shè)計，如：JIANG等［3］對海上航道的事故風(fēng)險進(jìn)行評估；呂靖等［4］對我國海上戰(zhàn)略通道的安全風(fēng)險進(jìn)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(shè)施面臨的海盜風(fēng)險；蔣美芝等［6］、朱樂群等［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)上對不同海運(yùn)通道進(jìn)行的整體性評價分析，評價結(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。為提高評價結(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價過程中，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］利用船舶自動識別系統(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)用空間分析方法來評估我國南海航道季節(jié)性航行環(huán)境風(fēng)險。

對國際海運(yùn)通道非傳統(tǒng)安全風(fēng)險進(jìn)行空間劃分，也需要考慮非傳統(tǒng)安全風(fēng)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(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價方法；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均值聚類算法進(jìn)行聚類分析；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(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（density-based spatial clustering of applications with noise，DBSCAN）算法對西非區(qū)域的非傳統(tǒng)安全風(fēng)險進(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，但計算過程復(fù)雜，需要多次聚類。

綜上可知，以往對海運(yùn)通道安全風(fēng)險的研究主要是海運(yùn)通道整體方面的，對通道所經(jīng)過的區(qū)域進(jìn)行細(xì)分的研究較少。將不同類型數(shù)據(jù)的整合方式和模型方法應(yīng)用于對海運(yùn)通道非傳統(tǒng)安全風(fēng)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(tǒng)安全風(fēng)險影響因素，針對不同非傳統(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)險指標(biāo)體系。應(yīng)用K原型聚類模型，并以輪廓系數(shù)法進(jìn)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(jìn)而加權(quán)聚類實(shí)現(xiàn)對國際海運(yùn)通道非傳統(tǒng)安全風(fēng)險的空間劃分，在減少聚類次數(shù)的同時盡量減少信息在轉(zhuǎn)換中的損失和主觀因素的干擾。通過實(shí)證分析不同非傳統(tǒng)安全事件的分布特點(diǎn)以及風(fēng)險等級，幫助船舶避開危險水域，警醒船舶在掛靠關(guān)鍵港口時保持警惕，為相關(guān)部門制定保障措施以及設(shè)計有效的預(yù)警系統(tǒng)提供依據(jù)。

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

1.1 非傳統(tǒng)安全風(fēng)險影響因素分析

海上的非傳統(tǒng)安全風(fēng)險主要包括海盜襲擊、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)險事件。由于人為性的非傳統(tǒng)安全事件與時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。由于聚類特征的相似性，將海盜襲擊和海上恐怖主義統(tǒng)一歸類為海上襲擊風(fēng)險。海上襲擊風(fēng)險和海上偷渡風(fēng)險的影響因素主要有以下3類：

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)爭造成的難民問題、槍支泛濫問題是導(dǎo)致歐洲港口偷渡事件增多的重要原因。

船舶特點(diǎn)。海上襲擊者會通過挑選更加脆弱、容易得手的襲擊對象來發(fā)動襲擊；海上偷渡者會根據(jù)船舶的船型、噸位、載貨類型等特點(diǎn)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(diǎn)也會影響其遭遇非傳統(tǒng)安全風(fēng)險事件的概率。

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

構(gòu)建簡潔合理的非傳統(tǒng)安全風(fēng)險指標(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)險的影響因素與各類非傳統(tǒng)安全事件的特征進(jìn)行選取。

1.2.1 海上襲擊風(fēng)險指標(biāo)體系構(gòu)建

對于海上襲擊風(fēng)險，從襲擊者和被襲擊者兩個角度進(jìn)行指標(biāo)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(jìn)行海上襲擊風(fēng)險的空間劃分。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不同時間或季節(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)對襲擊事件發(fā)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(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、搶奪船員個人物品、劫持船舶以及綁架船員這幾類。按照財產(chǎn)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(fēng)險指標(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)、報告的政府?dāng)?shù)量和偷渡者中本國人數(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)險的等級；平均偷渡人數(shù)能夠體現(xiàn)海上偷渡事件的規(guī)模；報告的政府?dāng)?shù)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(diǎn)出港，在掛靠港口時發(fā)現(xiàn)偷渡者）的國家總數(shù)，用來反映偷渡者的偷渡路線是否一致；偷渡者中本國人數(shù)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(huán)境不穩(wěn)定。

2 K原型聚類模型改進(jìn)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(wǎng)格和基于模型的5類。根據(jù)各類模型的應(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模型。其中針對多維數(shù)據(jù)的聚類，K均值模型的應(yīng)用最為廣泛。K均值模型具有聚類效果好、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原型聚類模型。K原型聚類不僅可以高效計算出高維數(shù)據(jù)相異度，還對聚類數(shù)據(jù)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(xù)了K均值聚類模型的基本特點(diǎn)，需要自主定義聚類數(shù)量和權(quán)重系數(shù)，所以本文引入輪廓系數(shù)法來彌補(bǔ)，通過對聚類效果的評價進(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原型聚類模型的輸入為初始聚類數(shù)量K的集合、初級指標(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、最佳聚類簇數(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個數(shù)據(jù)作為初始聚類中心，選取w為指標(biāo)權(quán)重。

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

步驟3 根據(jù)式（3）對聚類中心進(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）計算聚類數(shù)量與權(quán)重組合下的聚類效果得分，選取最高得分的組合。

3 實(shí)證分析

3.1 國際海運(yùn)通道海上襲擊風(fēng)險空間劃分

3.1.1 海上襲擊事件數(shù)據(jù)分析

海上襲擊風(fēng)險空間劃分以馬六甲海峽周邊海域?yàn)槔?。通過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年兩個階段進(jìn)行對比分析，見表2。

得益于船員防范意識的提高和海軍護(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(fēng)險的重視有效地規(guī)避了更多低風(fēng)險襲擊事件的發(fā)生，但高風(fēng)險襲擊事件的數(shù)量變化并不明顯，甚至非傳統(tǒng)安全勢力在一定程度上進(jìn)行了集聚。

將兩個階段的海上襲擊事件的地理信息進(jìn)行投影，見圖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，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(jìn)行K原型混合聚類，劃分海上襲擊事件的襲擊者類別。根據(jù)輪廓系數(shù)法，最佳聚類數(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型占比見表3，海上襲擊事件在不同水域和不同月份發(fā)生的比例分別見表4和5，依據(jù)聚類結(jié)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(jìn)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(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，其有針對性地?fù)尳俅霸O(shè)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(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。船員綁架主要針對漁船、補(bǔ)給船等作業(yè)船舶，船舶劫持針對油船、化學(xué)品船等高價值貨船；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月是此類非傳統(tǒng)安全事件的高發(fā)期。

3.1.3 海上襲擊風(fēng)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(jìn)行海上襲擊風(fēng)險空間劃分。最佳聚類數(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)險區(qū)，此區(qū)域共發(fā)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(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)險區(qū)，此區(qū)域共發(fā)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(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)備和船員財物為主要目的。在此區(qū)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(qū)域可以歸為海上襲擊的高風(fēng)險區(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。建議沿線國家對此區(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 國際海運(yùn)通道海上偷渡風(fēng)險空間劃分

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(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。然而，中國的上海港、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)險空間劃分

根據(jù)2015—2020年間海上偷渡事件對全球海上偷渡風(fēng)險進(jìn)行空間劃分，最佳聚類數(shù)量為6，權(quán)重系數(shù)為1，輪廓系數(shù)得分為0.55。各空間劃分見圖4，聚類結(jié)果分析見表6。

簇4和簇6區(qū)域的海上偷渡風(fēng)險屬于少次多量型，以總的偷渡次數(shù)劃分為低風(fēng)險區(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(qū)域港口偷渡事件發(fā)生頻率較低，單次偷渡人數(shù)較多，偷渡者多為非本國居民，偷渡路線單一明確?？梢哉J(rèn)為此類區(qū)域港口對海上偷渡行為監(jiān)察較松，當(dāng)?shù)卮嬖谑褂猛刀纱瑥氖麓笠?guī)模偷渡活動的專業(yè)組織團(tuán)伙。

簇1和簇2區(qū)域的海上偷渡風(fēng)險屬于混合型，以總偷渡次數(shù)劃分為中風(fēng)險區(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(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(yán)密搜查限制，報告的政府?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)險屬于多次少量型，以總偷渡次數(shù)劃分為高風(fēng)險區(qū)。主要區(qū)域?yàn)槲鞣?、南非、東非區(qū)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(dá)累斯薩拉姆港等。此類區(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)來看，偷渡規(guī)模并不大，偷渡者80%為本國居民，偷渡路線非常雜亂。此類區(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 模型聚類效果比較

為進(jìn)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(jìn)行海上襲擊風(fēng)險的空間劃分。因?yàn)镵均值聚類只能處理數(shù)值型數(shù)據(jù)，所以對非數(shù)值型數(shù)據(jù)用啞變量表示。以輪廓系數(shù)法作為評價標(biāo)準(zhǔn)，不同聚類簇數(shù)下兩個模型的輪廓系數(shù)得分見表7。

從輪廓系數(shù)得分可以看出：當(dāng)聚類簇數(shù)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?yàn)镵均值聚類模型采用啞變量表示非數(shù)值型數(shù)據(jù)，聚類簇數(shù)越少則信息轉(zhuǎn)換過程中產(chǎn)生的損失影響越小，K均值聚類模型計算復(fù)雜度低的優(yōu)勢越突出；當(dāng)聚類簇數(shù)增多時，信息轉(zhuǎn)換過程中產(chǎn)生的損失影響逐漸顯現(xiàn)，基于是或否的信息量已經(jīng)很難對數(shù)據(jù)進(jìn)行更加細(xì)致的劃分，K原型聚類模型獲取不同類型數(shù)據(jù)信息的優(yōu)勢更加突出，聚類效果更好。針對不同的應(yīng)用需求，兩類模型各有優(yōu)勢，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)對襲擊事件的風(fēng)險等級進(jìn)行區(qū)域細(xì)分，因此K原型聚類模型更加適合。

4 結(jié)束語

本文提出用輪廓系數(shù)法校正K原型聚類模型為國際海運(yùn)通道非傳統(tǒng)安全風(fēng)險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)了聚類結(jié)果的相似性，研究結(jié)果表明該模型可以實(shí)現(xiàn)對海域內(nèi)不同非傳統(tǒng)安全風(fēng)險的空間劃分。本文研究仍存在不足，如孤立點(diǎn)對聚類效果存在影響，安全風(fēng)險空間劃分是基于結(jié)果的靜態(tài)劃分。下一步的研究內(nèi)容為通過模型改進(jìn)得到更好的安全風(fēng)險空間劃分效果，研究目標(biāo)是實(shí)現(xiàn)數(shù)據(jù)動態(tài)更新下的安全風(fēng)險空間實(shí)時劃分與預(yù)警。

參考文獻(xiàn)：

［1］李志斐. 南海非傳統(tǒng)安全問題的現(xiàn)狀與應(yīng)對機(jī)制分析［J］. 太平洋學(xué)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(yùn)輸關(guān)鍵節(jié)點(diǎn)安全評價研究［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(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)險評價體系和評估技術(shù)研究［D］. 長沙： 國防科技大學(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聚類算法研究綜述［J］. 計算機(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)聚類算法［J］. 陜西科技大學(xué)學(xué)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(xiàng)目： 國家自然科學(xué)基金（71974023）；國家社會科學(xué)基金重大研究專項(xiàng)（19VHQ012）

作者簡介： 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