基于AIS数据的中国沿海集装箱港口碳排放

陈伟杰,宋炳良,张婕姝

基于AIS数据的中国沿海集装箱港口碳排放

陈伟杰1,宋炳良1,张婕姝2*

(1.上海海事大学经济管理学院,上海 201306；2.上海海事大学,上海国际航运研究中心,上海 201306)

为了精确有效地测量船舶在港碳排放,提出了一种基于海量船舶AIS(Automatic identification System)航行轨迹数据的港口碳排放计算框架,并结合上市港务公司经营数据,估算港口碳排放承担能力.以中国11个沿海主要集装箱港口为例,采用2018年全球4280艘集装箱船的AIS轨迹全年数据计算碳排放社会成本.结果显示:中国沿海集装箱港口碳排放量与船舶抵港艘次整体呈正相关,上海港是全球第一大集装箱港口,2018年其港口CO2排放量最高,为69.3万t;船舶靠港作业时,在泊和锚泊状态CO2的排放比例较高,占碳排放比例的65.8%;从CO2排放社会成本来看,上海港域内的船舶碳排放社会成本最高,2018年需要支付2459.6万元,从承担碳排放社会成本的能力来看,连云港压力较大,每亿营业收入需要承担碳排放社会成本24.46万元.

水路运输；数据挖掘；AIS船舶数据；港口CO2排放量；碳排放社会成本

海运在国际进出口商品运输中占有重要地位.据联合国贸发会统计数据显示,超过80%的全球货物贸易量(或70%的全球货物贸易额)都是通过海上运输完成[1].随着全球经济和贸易活动的快速发展,海运活动产生的温室气体排放量不断增加[2-3].CO2是全球气候升温的罪魁祸首,2015年其在温室气体中的占比达到76%[4].国际海事组织(IMO)于2018年4月通过了全球首份航运业温室气体减排战略,以2008年碳排放为基准,提出到2030年将航运业碳排放强度降低40%;2050年碳排放强度降低70%(碳排放总量降低50%)的明确目标[5].同时,为了推进船舶碳减排, IMO出台了一系列举措.自2013年以来,新船必须符合IMO的能效设计指数(EEDI)的要求, IMO还在同年实施了船舶能效管理计划(SEEMP).但是,由于船舶的分散性和机动性,监管部门难以准确收集每艘船的尾气排放数据,对船舶尾气排放的监测和监管面临挑战.

随着AIS数据在全球船舶的应用推广,船舶的AIS轨迹数据快速增长,基于AIS大数据的港航运营管理研究越来越多,通过对船舶AIS数据在港航领域的应用研究文献的梳理,可以发现目前围绕AIS数据的主要聚焦于船舶和港口两个方面:在船舶方面,涉及船舶避碰[6-7]、航线优化[8-9]、轨迹预测[10]、船舶交通流分析[11]等;在港口方面,主要聚焦于港口生态效率[12-13]、港口污染排放[14-15]、港口拥堵[16]等.AIS数据能够提供船舶的轨迹坐标、速度、时间等关键信息,为研究者测算船舶CO2排放量提供了新的可能性[12-18].根据IMO第三次(2014年)和第四次(2020年)船舶温室气体研究报告统计数据显示,集装箱船舶CO2排放量在所有类型船舶排放占比最高,是污染最为严重的船舶类型.而中国港口集装箱吞吐量位居全球第一,2020年中国沿海港口集装箱吞吐量约占全球港口集装箱吞吐量的32.1%[19],每年有大量的集装箱船舶靠港.由此,中国集装箱港口每年CO2排放量非常可观.目前,支持航运碳减排方案和政策制定的船舶排放数据相对匮乏[20],且针对港口的碳排放水平缺乏衡量方法和指标.由此,本文基于AIS船舶数据,建立港口碳排放计算框架,测算中国沿海集装箱港口碳排放成本,为政府环保监管和企业绿色经营提供对策建议,为中国港航领域2060年实现碳中和目标提供参考.

1 研究方法和数据来源

1.1 技术路线

图1 本研究技术路线

本研究的主要技术路线如图1所示,首先对船舶AIS动态航线轨迹数据进行预处理,计算船舶碳排放量所需要的速度和时间;然后将AIS动态轨迹数据和船舶静态数据匹配,获取计算船舶碳排放量所需要的功率、最大速度、发动机类型等信息;其次根据速度和发动机负载情况对港内船舶状态判别;接着采用STEAM模型测算船舶CO2排放量,估算出港内船舶CO2排放社会成本,最后分析港口社会成本差异原因.

1.2 数据来源与预处理

1.2.1 数据来源 本文数据来源主要包括两大类:①港口数据;②船舶数据.其中,港口数据主要有港口地理信息数据和港口生产数据,此类数据获取通常由港口官方网站获得;船舶数据主要由船舶AIS动态信息数据和船舶档案(静态数据)构成.静态数据源于IHS Markit官网和劳氏船舶档案;AIS动态数据可获取的途径包括国家/地方海事部门提供的官方数据、航运信息服务企业提供的商业数据,以及通过自建基站获取数据等.本文使用的AIS数据是基于上海国际航运研究中心港航大数据实验室经过合并多家数据源、剔除无效数据并校验后的数据,提取2018年全年约86G集装箱船舶航行轨迹数据,进行实例研究.

1.2.2 数据说明 本文研究的数据主要包括船舶AIS动态轨迹数据、船舶档案数据、港口生产数据以及港口地理信息数据.其中船舶AIS动态轨迹数据主要指包含经纬度、时间、速度等动态时空信息数据;船舶档案主要包含MMSI编号、船型、船舶载重吨、船宽、发动机功率、最大设计速度等船舶信息;港口生产数据主要包括港口吞吐量、港口营收数据等;港口地理信息数据主要包括港界坐标、泊位坐标、航道范围等地理信息(表1).

1.2.3 数据预处理 原始AIS信息解码后,所得信息数据是离散的,通过数据预处理可剔除异常、错误AIS数据.本文主要通过3个步骤对AIS数据进行预处理:①对AIS进行数据清洗,数据清洗主要是剔除明显错误、重复的数据;②剔除异常数据,主要剔除严重偏离轨迹的AIS数据点,采用集装箱船的速度约束条件进行剔除,若某段集装箱船速度大于阈值,则剔除该点,使得求出船舶速度整体平滑(式1);③将船舶AIS动态信息数据与船舶静态信息数据(船舶档案)进行匹配.

表1 数据说明

1.3 船舶行驶状态判别

表2 船舶航行状态分类

根据IMO第四次温室气体(GHG)研究报告,将船舶的运行分为5个阶段:在泊(berth)、锚泊(anchored)、机动(manoeuvring)、低速巡航(slow- steaming)、巡航(normal cruising),并根据船舶与陆地或港口的距离以及船舶的行驶速度来判断船舶状态.还有学者对判别状态的约束条件进行了简化[21-22],依据船舶发动机负载系数和船舶行驶速度作为参照条件.本文主要测算港域范围内的船舶排放清单,故船舶与陆地的距离在较小范围内,不考虑船舶到陆地距离对船舶状态的影响因素,仅考虑负载系数和速度对船舶状态的影响(表2).

1.4 船舶碳排放估算方法

1.4.1 船舶碳排放模型建立 船舶消耗燃料产生碳排放的主要部件包括主机、辅机以及锅炉,由此建立碳排放估算模型.

式中:为CO2排放量,g;m为主机CO2排放量;E为辅机CO2排放量;E为锅炉CO2排放量.

目前,业界通常采用两种排放计算思路来测算港口和船舶CO2排放量,即为“自上而下”和“自下而上”的方法.“自上而下”的方法是使用燃油消耗量和CO2排放因子来估算CO2排放量.不少研究[20,23-24]直接搜集船舶燃油消耗量数据估算不同国家和区域的船舶排放清单(式3).“自下而上”的方法[13-21]是利用船速、航行时间、地理位置信息等实时航行AIS轨迹数据,结合船舶档案数据以及地理信息数据对船舶能耗进行估算.

式中:为CO2排放量,g;为燃油消耗量,kg;EF为排放系数,单位为g/kg.

有多种“自下而上”的方法估算船舶碳排放量.Trozzi等[25]建立MEET框架,使用15000个船舶数据,对船舶载重吨和能源单位时间消耗量进行拟合,得到两者之间的线性关系,从而估算船舶能耗量;Georgakaki等[26]采用一种更为直接的TRENDS框架进行估算,应用船舶数据库得到了船舶载重吨和能源单位公里消耗量的关系;Jalkanen等[27]和Shi等[12]建立STEAM (船舶运输排放评估模型)评估模型,基于AIS船舶轨迹数据以及船舶档案数据估算船舶能耗量,采用能耗值与各类污染物的排放因子估算船舶排放清单;Topic等[18]建立 SEA(船舶排放评估模型)评估模型估算船舶航次排放清单,其计算方法与STEAM评估模型相似,但SEA评估模型主要以航次为单位计算航次平均速度以及耗费时间来估算船舶的某个航次的碳排放.对比这些方法,Jalkanen等[27]建立的STEAM模型被论证为最可靠的模型,其估算结果更为精准,因此本文采用STEAM评估模型用来评估港口船舶主机的CO2排放量.

式中:为船舶区域内单艘船舶的CO2排放量总量,t;为船舶发动机的额定功率,kW;LF为负载因子,%,由船舶速度和船舶发动机类型决定;为船舶航行时间,h;EF为CO2的排放因子,g/kW×h;为船舶发动机类型,船舶的发动机主要分为主机、辅机和锅炉;P表示不同发动机对应的功率;为船舶发动机燃料类型,包括重油(RO)、船用柴油(MDO)、船用轻柴油(MGO),发动机类型和燃料类型决定碳排放因子(表5);为船舶行驶速度,节,T表示船舶以速度行驶的时间.

1.4.2 载重系数 船舶发动机负荷系数LF是计算船舶排放的重要参数,通常船舶发动机负荷系数LF是由最大航速和实际航行速度确定(式(5)).

主机的负载系数与船舶行驶速度相关,而辅机和锅炉的负载系数与速度并不相关,曾凡涛等[14]和Browning等[28]给出辅机负载系数(表3).

表3 船舶不同行驶状态下辅机负载系数

1.4.3 辅机与锅炉碳排放估算 辅机与锅炉能源消耗主要与船舶类型、船舶尺寸、船舶行驶状态有关.IMO第四次温室气体(GHG)研究报告[19]对不同船型、不同船舶尺寸以及不同行驶状态下的辅机和锅炉功率进行规定,本文将直接引用.规定如下:

(1)当主机功率mÎ[0,150kW]机和锅炉功率为零;

(2)当主机功率mÎ[150kW,500kW]时,辅机功率是主机功率的5%,锅炉功率参照表4;

(3)当主机功率mÎ(500kW,+¥]时,辅机功率和锅炉功率参照表4.

表4 辅机和锅炉功率参照

注:巡航包含低速巡航.

1.4.4 船舶CO2排放因子选定 排放因子由船舶机器类型、转速、燃料类型等因素决定.其中,船舶类型包括主机、辅机和锅炉;船舶转速包括低速、中速和高速发动机.关于船舶发动机类型,IHS船舶档案和克拉克森官方网站均有集装箱船舶主机数据信息.发动机曲轴最高转速小于350r/min的低速柴油机主要用于大型船舶主机;发动机曲轴最高转速介于350～1000r/min的中速柴油机通常用于大型船舶主机或辅机;发动机曲轴最高转速超过1000r/min的通常用于小型船主机或大型船辅机[13].船舶燃料类型主要包括重油(RO)、船用柴油(MD)和船用轻柴油(MG).由于缺乏船舶使用燃油数据,结合调查结果,本文设定船舶主机使用重油(RO),船舶辅机使用船用柴油(MD)、船舶锅炉使用船用柴油(MD)或船用轻柴油(MG).通过参考相关文献,针对主机、辅机、锅炉不同机器类型及燃料类型,选取船舶排放因子如表5所示.

表5 不同发动机类型的CO2排放因子[g/(kW×h)]

1.5 港口碳排放社会成本

Nunes等[29]和Papaefthimiou等[30]建立了港口生态效率评价指标,考虑了港口排放对经济、环境和社会的影响,进行了综合评价.曾凡涛等[14]也定义了港口的生态效率,考虑了环境和社会两类指标,并使用港口单位收入的社会成本作为核心的环境指标.基于以上研究,本文将测算各个港口碳排放社会成本,并评估各大港口承担碳排放的能力(式(6)),客观反映港口经济—资源—环境复合系统的协调发展情况.

式中:port为港口承担碳排放的能力,即每营业收入亿元所需承担的碳排放社会成本,万元/亿元;ECport是港内船舶CO2排放的社会成本,元;port为港口的营业收入,亿元;port是港内船舶CO2的排放量,t; ECF是每种CO2排放的社会成本系数,元/t.

CO2排放的社会成本是CO2排放量造成的损害以货币价值来表示.Maragkogianni等[31]采用CAFE(欧洲清洁空气)和NEEDS(新能源外向性的可持续发展)两种方法估算希腊5大港口的污染物排放社会成本,邱达春等[32]定义了碳排放的SCC(社会成本),以及阐述了SCC的经济学原理.2013年美国白宫部门联席工作组发布《技术上调碳排放社会成本用以政策影响分析》的报告,给出了2015～2050年碳排放社会成本.赵巧芝等[33]测算了中国30省份2000～2015年CO2边际减排成本,反应了中国各个省份CO2边际减排成本存在差异性.根据以上学者对CO2排放的社会成本研究,本文采用我国碳配合交易市场中碳配额的价格代表社会成本系数(表8).

2 实证分析

2.1 研究港口和数据

本文选取中国上海、宁波、天津等11大沿海港口4类信息数据,即:①港务集团生产经营数据,主要包括港口集装箱吞吐量、上市港口经营公司营业收入;②集装箱轨迹数据:包含2018年1～12月4280艘船舶的AIS动态轨迹数据;③船舶档案数据:由IHS提供的全球主要船舶档案,包括船舶MMSI编号、IMO编号、尺寸、吨位、船型、船舶功率等属性信息;④港口地理信息数据:航海图标定基本港口信息(包括港界、锚地、航道和VTS报告线等),本文主要根据航海图、《船舶交通服务指南》[34]以及各大港口官方网站公布的港口地理信息为依据对标定各港口港界范围.

表6 2018年中国沿海集装箱港口吞吐量和营收数据

注:数据来源:中国交通运输部和各大港口年报.

2.2 港口碳排放数据测算核心步骤

本文进行港域碳排放主要分为8个步骤(图2):①筛选港域内船舶AIS轨迹点;②将每艘船舶轨迹点按照时间序列排序,求出船舶轨迹段(相邻两点之间)的时间间隔、球面距离以及速度;③将AIS动态数据与船舶档案匹配,获取船舶尺寸、发动机类型、船舶主机功率、最大速度等信息;④计算船舶负载系数,基于速度和负载系数判断船舶航行状态;⑤根据船舶尺寸和船舶航行状态判断船舶辅机和锅炉功率;⑥计算每个船舶轨迹段的燃料消耗;⑦根据CO2排放因子计算每个船舶轨迹段的CO2排放量;⑧汇总所有船舶轨迹段CO2排放量.本文以上海港为例具体展示(表7).

图2 CO2排放量计算流程

2.3 港口碳排放量计算

本文统计了11个港口碳排放量月度数据(图3),采用python 3.0进行运算求解.从图中可以看出,中国沿海11个港口2月和8月的碳排放量最低,此前的研究结果表明,全球船舶排放量不会随季节发生显著变化,Weng等[13]研究2014年长江口水域碳排放2月和7月的污染物排放量最少.由此,可能的原因是2月份属于中国春节前后,靠港船只相应减少,而7、8月份处于中国沿海地区台风高发期,影响港口生产.

从CO2排放比例来看,2018年中国沿海11个港口CO2碳排放主机、辅机、锅炉占比分别为42.3%,24.9%,32.8%,在泊、锚泊、机动、低速巡航、巡航占比分别为45.2%、20.6%、7.9%、10.6%、15.7%,与国内外文献进行比较分析,与Weng等[13]的对比显示出主机的CO2排放量偏低主要因为监测区域不同,Weng等[13]主要监测长江口水域,绝大多数船舶在航道上正常运行,而本文研究的是港域内的船舶,在港时大部分时间是用来装卸作业,船舶处于在泊状态或者锚泊状态,而主机的负载系数取决于速度,低速下的主机CO2排放量较小,由此测算的CO2的主机排放量偏低,这点与曾凡涛等[14]观点一致.辅机和锅炉是船舶抛锚时的主要排放源,这与Chen等[15]和Yau等[35]的研究结论一致.辅机通常用于供电,当船舶处于低速状态时会产生更多的排放.

图3 2018年中国沿海集装箱港口碳排放量逐月数据

表7 上海港CO2排放量测算实例

注:表中经纬度数值为方便计算所用,实际经纬度为表中数值´10-6;表中“速度”为AIS数据获得,表中“计算速度”根据相邻两点的时间和距离计算得出.

2.4 港口碳排放社会成本计算

中国从2013年在7个城市的重点行业开展碳交易试点,2021年上海市出台《上海市2020年碳排放配额分配方案》,对名单纳入配额管理的单位按照《上海市碳排放管理试行办法》的有关规定开展碳交易,交易标的为碳排放配额.由于部分港口城市尚不属于碳交易试点城市,故将中国11个港口分配到周边交易市场进行碳配额交易(表8).

根据估算模型和相关数据,计算得到2018年中国沿海11个港船舶CO2排放量如表9所示.2018年中国沿海集装箱港口共排放CO2量214万t,其中上海港集装箱船CO2排放量为69.3万t,占比32%.从单位箱量CO2排放量来看,唐山港和日照港排名靠前,每完成一万标准箱分别排放CO2量327.5t和264.0t.船舶靠港作业时,在泊和锚泊状态CO2的排放比例较高,占碳排放比例的65.8%,且主要是由辅机和锅炉产生.根据交通运输部数据显示,截至2018年6月,全国主要港口以及排放控制区内港口岸电设施覆盖率达40%,但具有受电设施的船舶较少,航运企业已完成船舶受电设施改造占在运船只数量的比例不足1%,导致船舶岸电使用率极低.而辅机的主要作用是为船舶发电,由此港口管理方要加大岸电基础设施投入和推广,采取措施提升船舶靠港岸电使用率,以降低港域内CO2污染.

表8 2018年中国主要碳交易市场碳配额价格

注:数据来源:碳排放交易网.

从CO2排放社会成本来看,2018年中国沿海11个主要集装箱港口CO2排放共为港航企业带来6359.6万元的社会成本.上海港域内的船舶碳排放社会成本最高,2018年需要支付2459.6万元.从承担碳排放社会成本的能力来看,连云港压力较大,每亿营业收入需要承担碳排放社会成本24.46万元,大连、营口、厦门、天津等港口承受压力较小.目前,中国港航业碳减排之路刚开始起步,港航企业碳排放付出的成本相对较小,未来随着“碳达峰、碳中和”目标接近,碳排放权将会变成一种稀缺资源,港航企业碳排放的成本也将水涨船高,甚至会实施碳税等政策.由此,通过测算港口碳排放社会成本以及港口承担碳排放的能力,能够及时反映港口在“双碳”推进进程中所面临的压力,未雨绸缪,尽早推进港口绿色转型;从图4可以看出,港口的CO2排放量与抵港船舶艘次成正相关,计算相关系数(式(8)),相关系数=0.94(∈[0,1],值越接近1,表明两组数据越相关).说明港口船舶靠港艘次越多,CO2排放量越多,由此,上海港碳排放量过高的原因是上海港是全球第一大集装箱港,抵港船舶艘次、船舶在港装卸吞吐量要远高于其他城市.受各大碳交易市场碳配额价格差异影响,上海、宁波等长三角区域港口碳排放社会成本较高.

表9 2018年中国沿海集装箱港口碳排放社会成本计算

本文对港口碳排放量和碳排放社会成本测算,为港口的可持续发展提供依据.但仍存在一些工作需要继续研究和探讨:①港口的碳排放包括港机和港域船舶两个方面的CO2排放,受港口的数据获取限制,部分港口港机CO2的排放无法估算;②受限于数据限制,本文仅采用可获取数据的港口,中国仍有几大集装箱港口尚未囊括进去,如深圳港因股权结构过于复杂,无法取得港口公司营收数据.

图4 2018年我国11个集装箱沿海港口CO2排放量和抵港船舶艘次

2.5 不确定性分析

本文采取定量分析手段评估中国沿海集装箱港口CO2排放量以及社会成本的不确定性主要来自于以下3个方面:

第一,船舶动态数据误差.本文通过船舶AIS动态数据统计分析,尽可能采用所有船舶轨迹数据,但仍存在各种不确定因素导致小部分AIS数据采集误差,且样本量略小于实际样本总数,带来一定不确定性.

第二,船舶静态数据误差.本文的船舶静态数据主要来自IHS提供的船舶档案,部分船舶主机、辅机和锅炉的功率以及燃料类型的选取是根据相关文献统计分析确定,具有较强代表性,但与实际情况略微存在差异,给CO2排放量估算带来不确定性.

第三,碳排放吞吐量计算相关参数误差.本文在碳排放量计算过程中,辅机和锅炉的发动机功率、碳排放因子、辅机负载系数等相关参数来源于国内外相关研究文献,会与船舶真实数据存在一定误差.

3 结论

3.1 2018年中国沿海集装箱港口共排放CO2量214万t,其中上海港集装箱船CO2排放量为69.3万t,占比32%.

3.2 从CO2排放比例来看,2018年中国沿海11个港口CO2碳排放主机、辅机、锅炉占比分别为42.3%,24.9%,32.8%,在泊、锚泊、机动、低速巡航、巡航占比分别为45.2%、20.6%、7.9%、10.6%、15.7%.

3.3 从CO2排放社会成本来看,2018年中国沿海11个主要集装箱港口CO2排放共为港航企业带来6359.6万元的社会成本.

[1] Sirimanne S N, Hoffman J, Juan W, et al. Review of maritime transport 2019 [C]//United Nations Conference on Trade and Development, Geneva, Switzerland, 2019.

[2] Kurtenbach R, Vaupel K, Kleffmann J, et al. Emissions of NO, NO2and PM from inland shipping [J]. Atmospheric Chemistry and Physics, 2016,16(22):14285-14295.

[3] Zhang Y, Yang X, Brown R, et al. Shipping emissions and their impacts on air quality in China [J]. Science of the Total Environment, 2017,581:186-198.

[4] Hockstad L, Hanel L. Inventory of US greenhouse gas emissions and sinks [R]. Environmental System Science Data Infrastructure for a Virtual Ecosystem, 2018.

[5] Joung T H, Kang S G, Lee J K, et al. The IMO initial strategy for reducing Greenhouse Gas (GHG) emissions, and its follow-up actions towards 2050 [J]. Journal of International Maritime Safety, Environmental Affairs, and Shipping, 2020,4(1):1-7.

[6] 冮龙晖,郑中义,齐 乐.AIS数据中船舶会遇信息的提取方法 [J]. 中国科技论文, 2017,12(7):802-805.

Jiang L H, Zheng Z Y, Qi L. Extraction of ship-encounter information from AIS data [J]. China Sciencepaper, 2017,12(7):802-805.

[7] 李子强,杜利娥.基于AIS信息的船舶自动避让决策研究[J]. 农业网络信息, 2016,(6):44-47.

Li Z Q, Du L E. Automatic Collision Avoidance Decision-making Based on AIS [J]. Agriculture Network Information, 2016,(6):44-47.

[8] Breithaupt S A, Copping A, Tagestad J, et al. Maritime route delineation using AIS data from the atlantic coast of the US [J]. The Journal of Navigation, 2017,70(2):379-394.

[9] Fiorini M, Capata A, Bloisi D D. AIS data visualization for Maritime Spatial Planning (MSP) [J]. International Journal of e-Navigation and Maritime Economy, 2016,5:45-60.

[10] Zhao L, Shi G. A method for simplifying ship trajectory based on improved Douglas–Peucker algorithm [J]. Ocean Engineering, 2018, 166:37-46.

[11] Weng J, Shi K, Gan X, et al. Ship emission estimation with high spatial-temporal resolution in the Yangtze River estuary using AIS data [J]. Journal of Cleaner Production, 2020,248:119297.

[12] Shi K, Weng J. Impacts of the COVID-19epidemic on merchant ship activity and pollution emissions in Shanghai port waters [J]. Science of the Total Environment, 2021,790:148198.

[13] Kang M J, Zohoori S, Hamidi M, et al. Study of narrow waterways congestion based on automatic identification system (AIS) data: a case study of Houston Ship Channel [J]. Journal of Ocean Engineering and Science, 2021.

[14] 曾凡涛,吕 靖.厦门港船舶排放清单及港口生态效率评价 [J]. 中国环境科学, 2020,40(5):2304-2311.

[15] Chen D, Zhao Y, Nelson P, et al. Estimating ship emissions based on AIS data for port of Tianjin, China [J]. Atmospheric environment, 2016,145:10-18.

[16] Kang M J, Zohoori S, Hamidi M, et al. Study of narrow waterways congestion based on automatic identification system (AIS) data: a case study of Houston Ship Channel [J]. Journal of Ocean Engineering and Science, 2021.

[17] Ju Y, Hargreaves C A. The impact of shipping CO2emissions from marine traffic in Western Singapore Straits during COVID-19 [J]. Science of The Total Environment, 2021,789:148063.

[18] Topic T, Murphy A J, Pazouki K, et al. Assessment of ship emissions in coastal waters using spatial projections of ship tracks, ship voyage and engine specification data [J]. Cleaner Engineering and Technology, 2021,2:100089.

[19] Shi K, Weng J. Impacts of the COVID-19epidemic on merchant ship activity and pollution emissions in Shanghai port waters [J]. Science of the Total Environment, 2021,790:148198.

[20] Smith T, Jalkanen J P, Anderson B A, et al. Fourth IMO Greenhouse Gas Study 2020 [R].

[21] Miola A, Ciuffo B. Estimating air emissions from ships: Meta-analysis of modelling approaches and available data sources [J]. Atmospheric environment, 2011,45(13):2242-2251.

[22] Goldsworthy L, Goldsworthy B. Modelling of ship engine exhaust emissions in ports and extensive coastal waters based on terrestrial AIS data–An Australian case study [J]. Environmental Modelling & Software, 2015,63:45-60.

[23] Leong S C, Singhal P. Estimation of CO2emission from marine traffic in Singapore Straits using Automatic Identification Systems data [M]//Environmental Science and Information Application Technology. CRC Press, 2015:177-184.

[24] Nash C, Sansom T, Matthews B. Transport Research: Fourth Framework Programme Strategic: Concerted Action on Transport Pricing Research Integration CAPRI: Project Duration 1 January 1998 to 31 December 1999: Final Report for Publication [M]. EUR-OP, 2001.

[25] Trozzi C, Vaccaro R. Ships transport [J]. European Commission, Transport Research fourth framework programme strategic research DG VII–99, Meet, Methodologies for calculating transport emissions and energy consumption, European Communities, 1999.

[26] Georgakaki A, Coffey R A, Lock G, et al. Transport and Environment Database System (TRENDS): Maritime air pollutant emission modeling [J]. Atmospheric Environment, 2005,39(13):2357-2365.

[27] Jalkanen J P, Brink A, Kalli J, et al. A modelling system for the exhaust emissions of marine traffic and its application in the Baltic Sea area [J]. Atmospheric Chemistry and Physics, 2009,9(23):9209-9223.

[28] Browning L, Bailey K. Current methodologies and best practices for preparing port emission inventories [J]. ICF Consulting report to Environmental Protection Agency, 2006.

[29] Nunes R A O, Alvim-Ferraz M C M, Martins F G, et al. Environmental and social valuation of shipping emissions on four ports of Portugal [J]. Journal of environmental management, 2019,235:62-69.

[30] Papaefthimiou S, Maragkogianni A, Andriosopoulos K. Evaluation of cruise ships emissions in the Mediterranean basin: The case of Greek ports [J]. International Journal of Sustainable Transportation, 2016, 10(10):985-994.

[31] Maragkogianni A, Papaefthimiou S. Evaluating the social cost of cruise ships air emissions in major ports of Greece [J]. Transportation Research Part D: Transport and Environment, 2015,36:10-17.

[32] 邱达春.碳排放社会成本的经济分析 [J]. 发展研究, 2014,(7):75- 77.

Qiu D C. Economic Analysis of the Social Cost of Carbon Emissions [J]. Development Research, 2014,(7):75-77

[33] 赵巧芝,闫庆友.中国省域二氧化碳边际减排成本的空间演化轨迹 [J]. 统计与决策, 2019,35(14):128-132.

Zhao Q Z, Yan Q Y. Spatial evolution trajectory of marginal CO2emission reduction costs in China's provinces [J]. Statistics & Decision, 2019,35(14):128-132.

[34] 李晓辉,王 伟,李远航.《船舶交通服务指南》修订情况及履约策略研究[J]. 中国海事, 2020,(2):62-64.

Li X H, Wang W, Li Y H. The amendments to “Vessel Traffic Service Guidance” and research on associated implementation strategy [J]. China Maritime Safety, 2020,(2):62-64.

[35] Yau P S, Lee S C, Corbett J J, et al. Estimation of exhaust emission from ocean-going vessels in Hong Kong [J]. Science of the Total Environment, 2012,431:299-306.

Carbon emission from coastal container ports in China based on AIS data.

CHEN Wei-jie1, SONG Bing-liang1, ZHANG Jie-shu2*

(1.School of Economics and Management, Shanghai Maritime University, Shanghai 201306, China；2.Shanghai International Shipping Institute, Shanghai Maritime University, Shanghai 201306, China)., 2022,42(7)：3403～3411

A calculation framework of port carbon emission was proposed to accurately and effectively measure the carbon emission of ships in port, and the carbon emission capacities of ports were analyzed based on massive ship AIS (automatic identification system) navigation trajectory data and the operating data of listed port companies. Taking the AIS trajectory data of 4,280 container ships in 2018 as an example, we achieved several results in calculating the social cost of carbon emissions of the 11major coastal container ports in China. First of all, the result revealed that the carbon emissions of China's coastal container ports were overall positively correlated with the number of ships arriving at the port. For example, Shanghai port was the world's largest container port in 2018, which also suffered the highest carbon dioxide emissions of 693,000 tons. Secondly, the proportion of carbon dioxide emissions of ships in berthing and anchoring was relatively high, accounting for 65.8% of carbon emissions in port. Thirdly, the social cost of carbon emission from ships in the Shanghai port area was the highest, reaching 24.596million yuan in total. But in terms of the capacity to bear the social cost of carbon emission, Lianyungang was under tremendous pressure, expending 244,600 yuan on the social cost of carbon emission for every 100million operating incomes.

water transport；data mining；AIS data；port carbon emission；social cost of carbon emissions

X511

A

1000-6923(2022)07-3403-09

陈伟杰(1991-),男,河南信阳人,博士,助理研究员,主要从事港口发展、国际航运中心建设研究.发表论文3篇.

2021-12-10

国家社会科学基金一般项目(20BJY177)

* 责任作者, 教授, jszhangsh@126.com