基于AIS 數據的集裝箱班輪航線分析

張健豪，韓懿

（中遠海運科技股份有限公司，上海 200135）

1 引言

隨著經濟全球化的快速發展，國際貿易往來日益密切，集裝箱運輸船舶憑借其運輸能力強、裝卸效率高、節約裝卸勞動力、貨損和貨差小等優勢成為國際貨物運輸的主要方式之一。目前絕大部分海運集裝箱航線都以班輪形式經營，但各船公司對集裝箱班輪航線的劃分沒有一個統一的模式，即航線結構日益復雜，各船公司根據經營需要可能是點—點航線、樞紐—輻射式航線、鐘擺式航線和環繞式航線等，且為保證箱位的充分利用，航線上船舶往返可能掛靠不同的港口。這給航線運力的分類和識別造成了障礙，也很難統計航線運力變化。

根據各船公司集裝箱班輪歷史航線相對固定并會不斷重復出現的特點，本文提出基于AIS 數據的集裝箱班輪航線分析方法。運用動態規劃算法對集裝箱班輪歷史航線進行識別，結合業務邏輯，識別出全球集裝箱班輪的歷史航線，根據航線經過的港口提煉出航線的相關信息，如航線經過的貿易區、國家等，對識別出的歷史航線進行智能分類，為航線運力統計分析提供數據基礎，為航運決策提供數據支持。同時，為驗證航線識別結果的合理性，本文對2M、Ocean、THE 這三大航運聯盟中的大型集裝箱班輪航線進行分析，揭示聯盟內班輪公司之間在運輸服務領域航線關系。

2 全球班輪航線識別

2.1 航線識別

首先是采集集裝箱班輪的AIS 歷史數據，并進行清洗等預處理，去除無用的干擾數據。然后運用動態規劃算法[1]解決“最長公共子串問題”來識別集裝箱班輪多次出現的航線循環，將識別出的最長公共子串作為識別出的集裝箱班輪歷史航線。按照集裝箱船舶的載箱量范圍可以分為8000-12000 TEU，12000-15000 TEU，15000-18000 TEU，18000 TEU 以上這四個不同船型的船舶。該步驟是基于動態規劃算法對不同船型的集裝箱班輪歷史航線進行識別。

2.2 航線分類

從業務邏輯上來看，全球集裝箱班輪航線主要在亞太、歐洲、美洲、拉非四個貿易區之間循環往復運行，以上四個貿易區作為一級貿易區。根據班輪航線的業務邏輯可以將這四個一級貿易區繼續細分為遠東、西北歐、美西北、美西南等二級貿易區。根據集裝箱班輪的港口歷史數據，將港口信息映射到這些二級貿易區中，得到集裝箱班輪的貿易區歷史航線數據。根據集裝箱班輪航線的一級貿易區編碼，對貿易區航線進行分類。

2.3 運力識別

由于集裝箱班輪運力監控需要細化到港口層面，根據航線經過的二級貿易區信息，將貿易區的歷史航線細化到對應的途經國家航線和港港航線。首先是港港航線起始時間和終止時間，用以確定該航線運營的相關年份時間信息。其次是各港口的到港時間、離港時間、航行時長、航行里程、靠泊時長等信息。通過比較港港航線經過的港口東西向和南北向的距離來判斷港港航線的方向是東西向還是南北向，并取其最東、最西或最南、最北的港口作為航線起終點。從AIS 數據中挖掘出的全球集裝箱航線信息已經作為數字化產品“運力寶”主要功能之一。詳見中遠海運科技股份有限公司的“船視寶”網站：www.myvessel.cn/。

3 航線識別例證

下面以一條集裝箱班輪為例，對集裝箱班輪歷史航線識別算法的可行性和有效性進行驗證。

3.1 數據采集處理

考察MMSI 為219861000 的集裝箱船的AIS 歷史動態數據，以及港口的相關信息，包括港口所屬的國家和貿易區、港口經緯度等。對AIS 數據進行預處理后，將起始港和終點港分別匹配到相應的國家和區域。

3.2 航線識別

根據船舶的歷史航行動態，使用動態規劃算法在歷史動態中查找重復出現的最長公共子字符串作為識別出的歷史航線。該集裝箱班輪自2020 年2 月起一直在跑亞洲到歐洲的航線，歷史航線識別結果為：遠東 東南亞 西北歐 地中海 東南亞 遠東。

3.3 航線分類

從一級貿易區來看，上述航線屬于亞太-歐洲貿易區航線，采用字母與數字結合的方式將其編碼，其中AP 代表亞太貿易區，EU 代表歐洲貿易區。

3.4 運力識別

將上述貿易區航線細化到港口層面，并提取航線每個港口的抵離港時間、航行時長及里程、靠泊時長等信息，歷史船期信息如下圖所示：

從港口層面來看該航線每次經過的港口并不完全相同，這里取其眾數作為標準推薦航線，即上海洋山-大連-天津-釜山-寧波-上海洋山丹戎帕拉帕斯-蘇伊士運河-鹿特丹-不來梅港-哥德堡-奧爾胡斯-不來梅港-威廉港-丹吉爾-蘇伊士運河-新加坡-上海-洋山。

4 航線統計分析

目前國際海運市場各集裝箱班輪運輸公司紛紛加強合作并組建海運班輪聯盟，已經形成了三大海運聯盟，即：2M（包含馬士基航運和地中海航運）、Ocean（包含法國達飛輪船、臺灣長榮海運、香港東方海外及中國遠洋海運）、THE（包含赫伯羅特、陽明海運、日本郵船、川崎汽船、商船三井及韓進海運）。三大海運聯盟主導集裝箱班輪運輸市場，現通過機器學習方法對航運班輪聯盟及聯盟內船公司航線數據進行挖掘和分析，揭示各公司集裝箱班輪航線中隱藏的規律。我們將識別的集裝箱班輪航線整理為航線頻率矩陣，通過泊松主成分分析（Poisson Principal component analysis）[2]提取出數據矩陣最大的兩個主要成分，這些成分可以解釋并歸納數據。

這里以18000TEU 以上的船舶為例分析航線數據。首先基于AIS 數據的船舶基本信息，可以獲得船舶所屬船公司信息，以及相應的航運聯盟信息。

如圖所示，每個點代表某個時間段一艘集裝箱船舶，三個不同的航運聯盟船分別用不同顏色和形狀的點表示，可以看到三大航運聯盟的航線布局。Ocean 聯盟和2M 聯盟有明顯的聚類效應，形成可三個相對獨立的聚類族群，說明這兩個聯盟在某些航線上處于壟斷地位。同時三個聯盟有重合的業務，比如Ocean 聯盟和2M 聯盟之間存在公共聚類中心，Ocean 聯盟和THE 聯盟之間存在公共聚類中心，這些現象說明了三大航運聯盟之間的競爭關系。

如圖所示，每個點代表某一個時段的一艘集裝箱船舶，九個不同船公司分別用不同顏色和形狀的點表示。從圖中，可以看出不同船公司有明顯的航線偏好，比如中遠海運，馬士基航運，以及臺灣長榮，這些船舶的航線特征明顯，獨立于其他船舶。同時不同船公司有著類似的航線規劃，明顯的聚集現象表示船舶有相似的航線規劃。比如ONE 航運，臺灣長榮，現代商船，赫伯羅特這四家船公司有非常多的重合，說明業務類似。又比如法國達飛、中遠海運、香港東方海外，馬士基這四家船公司也有重合部分，表明了船公司之間的競爭和合作，展示了航運聯盟班輪公司內部在運輸服務領域航線和掛靠港口協作關系。

5 總結與展望

AIS 數據蘊藏了巨大的價值，為智能航運發展帶來了新的機遇。應用集裝箱航線的分析研究成果，將極大提升航運勞動生產力。一是幫助掌握全球的航線結構、航線運力統計及各航線運力的變化等，獲得實時世界經濟貿易的流向，優化國內經濟貿易的整體布局；二是根據不同的船舶積載系數，結合不同航線的各種商品的不同價值來確定班輪運輸價格，給盈利提供指導和幫助等；三是方便查找相關集裝箱船舶歷史掛靠港口，當前船舶的位置、對下一港及預抵時間進行預測等。我們要積極推進傳統航運領域的數字化轉型，通過不斷創新行業發展模式，研發新產品，實現管理升級，提升我國航運企業在國際市場上的競爭力，加快推進由航運大國向航運強國邁進。