基于混合聚类的海运通道非传统安全风险空间划分

吕靖　张晨　班豪

摘要：为保障海上运输安全，实现有效的海上风险预警，对影响国际海运通道安全最主要的非传统安全风险的时空分布模式进行探索。海上运输非传统安全风险主要包括海盗、海上恐怖主义和海上偷渡，对这3类风险发生的影响因素进行分析并结合风险特征构建特征指标体系。基于国际海事组织全球航运信息集成系统（Global Integrated Shipping Information System，GISIS），应用K原型聚类模型，并以轮廓系数法进行模型校正，对2015—2020年全球海运通道非传统安全风险进行空间划分。试验结果表明：东马来西亚沿岸、苏禄海、苏拉威西海是马六甲海峡周边海域海上袭击的高风险区；非洲沿岸港口始终是偷渡的高风险区，拉丁美洲海上偷渡发生地逐渐南移，地中海沿岸港口海上偷渡频率显著上升。研究成果表明该方法可实现对区域内不同海上非传统安全风险的细致划分。

关键词：海上运输； 非传统安全风险； 空间划分； K原型聚类； 混合聚類

中图分类号：  U698.6 文献标志码：  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

国际海运通道是洲际货物运输的“海上生命线”。近年来，由于跨国犯罪的增加、地区冲突的加剧以及杀伤性武器和小型武器的扩散，海盗袭击、海上恐怖主义、海上偷渡等非传统安全事件急剧增多，国际海运通道的安全性遭到了极大破坏。因此，如果能对海运通道所经海域的非传统安全风险进行细致的区域划分，寻找出海运通道的危险节点或危险区域，就可以降低船舶遭遇高风险非传统安全事件的概率，有效保障海上运输安全。

以往针对海运通道安全风险的研究以定性分析为主，如：李志斐［1］分析了我国南海区域非传统安全问题的现状并提出了应对机制；PRISTROM等［2］介绍了在高风险地区建立一个打击海上犯罪的可持续机制。对海运通道安全风险的定量研究较少，且定量研究多侧重于风险因素识别、风险评估和预警系统设计，如：JIANG等［3］对海上航道的事故风险进行评估；吕靖等［4］对我国海上战略通道的安全风险进行等级评价；BOUEJLA等［5］从整个处理链的角度分析了海上船舶和油田设施面临的海盗风险；蒋美芝等［6］、朱乐群等［7］建立了不同的海上通道安全预警模型。以上研究均是在综合多种影响因素的基础上对不同海运通道进行的整体性评价分析，评价结果具有片面性，在实际应用中很难精确到某一阶段或某一区域。为提高评价结果的合理性和准确性，部分学者将地理位置信息引入评价过程中，在空间维度上进行更加细致的区域划分，如：PRISTROM等［8］结合船舶特征和地理位置等影响因素分析西印度和东非地区海盗及其搶劫可能性；ZHANG等［9］利用船舶自动识别系统（automatic identification system， AIS）大数据分析新加坡港口水域船舶事故的空间分布；WANG等［10］应用空间分析方法来评估我国南海航道季节性航行环境风险。

对国际海运通道非传统安全风险进行空间划分，也需要考虑非传统安全风险事件的地理位置信息，同时还需要合理兼顾非地理位置信息的特点，这意味着需要合理缩小定性数据与定量数据之间的差异。部分学者对此进行了研究，如：DABROWSKI等［11］提出一种应用贝叶斯因子和巴塔查里亚距离度量的评价方法；杨理智［12］采用云模型将非传统安全事件的定性数据转换为定量数据，运用K均值聚类算法进行聚类分析；RAWSON等［13］利用机器学习，训练一种基于船舶交通、天气和历史伤亡数据的算法，从历史船舶轨迹中识别出事故候选；孙茂金［14］将非地理位置信息表征为二叉树每个终端节点的函数分布，结合具有噪声的基于密度的空间聚类（density-based spatial clustering of applications with noise，DBSCAN）算法对西非区域的非传统安全风险进行空间划分。将定性数据转换为定量数据，可以将不同类型的数据统一维度进行考察，但主观因素的干扰和转换过程中信息的损失不可避免；而采用机器学习或概率分布的方式，虽然可以保证地理信息与非地理信息的有效结合，但计算过程复杂，需要多次聚类。

综上可知，以往对海运通道安全风险的研究主要是海运通道整体方面的，对通道所经过的区域进行细分的研究较少。将不同类型数据的整合方式和模型方法应用于对海运通道非传统安全风险的空间划分，目前仍然在尝试中。因此，本文通过分析非传统安全风险影响因素，针对不同非传统安全威胁选取相应的特征指标，建立非传统安全风险指标体系。应用K原型聚类模型，并以轮廓系数法进行模型校正，对地理信息和非地理信息在各自维度上分别计算距离，进而加权聚类实现对国际海运通道非传统安全风险的空间划分，在减少聚类次数的同时尽量减少信息在转换中的损失和主观因素的干扰。通过实证分析不同非传统安全事件的分布特点以及风险等级，帮助船舶避开危险水域，警醒船舶在挂靠关键港口时保持警惕，为相关部门制定保障措施以及设计有效的预警系统提供依据。

1 非传统安全风险影响因素分析及指标选取

1.1 非传统安全风险影响因素分析

海上的非传统安全风险主要包括海盗袭击、海上恐怖主义、海上偷渡、海洋环境污染和自然灾害等安全风险事件。由于人为性的非传统安全事件与时空存在着更加紧密的联系，本文选取海盗袭击、海上恐怖主义、海上偷渡等3类非传统安全事件进行地理信息与非地理信息相结合的空间划分。由于聚类特征的相似性，将海盗袭击和海上恐怖主义统一归类为海上袭击风险。海上袭击风险和海上偷渡风险的影响因素主要有以下3类：

自然环境。船舶在海上航行必然受到海浪、风力和海上能见度等海运通道自然环境条件的限制。另外，部分非传统安全风险研究显示，非传统安全事件发生概率与当地的海况也存在密切联系，尤其是季节性的自然条件变化。

政治军事环境。国际海运通道非传统安全事件的数量很大程度上受到沿岸国家政局稳定性和民生条件的影响，如：亚丁湾区域的索马里海盗问题是索马里连年内战、民生凋敝的直接后果；局部战争造成的难民问题、枪支泛滥问题是导致欧洲港口偷渡事件增多的重要原因。

船舶特点。海上袭击者会通过挑选更加脆弱、容易得手的袭击对象来发动袭击；海上偷渡者会根据船舶的船型、吨位、载货类型等特点来判断船舶的未来航线和自身躲藏的困难程度。因此，船舶自身特点也会影响其遭遇非传统安全风险事件的概率。

1.2 非传统安全风险指标体系构建

构建简洁合理的非传统安全风险指标体系是进行高效可靠的空间划分的重要基础。指标体系中的地理位置信息采用国际海事组织全球航运信息集成系统（Global Integrated Shipping Information System，GISIS）提供的经纬度坐标，非地理位置信息则结合非传统安全风险的影响因素与各类非传统安全事件的特征进行选取。

1.2.1 海上袭击风险指标体系构建

对于海上袭击风险，从袭击者和被袭击者两个角度进行指标选取，从袭击者视角聚类海上袭击事件的袭击者类别，从被袭击者角度进行海上袭击风险的空间划分。袭击者角度指标包括：袭击月份、袭击船型和袭击水域。被袭击者角度指标包括：被劫持人数、袭击者是否持枪、是否有人受伤和整体损失程度。

船舶在不同时间所面临的海上风力、波浪、海雾、海冰等情况各不相同，因此袭击月份在一定程度上可以反映袭击者对不同时间或季节海上自然环境的选择倾向；袭击船型可以反映船舶自身特点对袭击事件发生概率的影响；袭击水域可以说明沿岸国家的港口安全状况和水域管辖能力。被劫持人数、袭击者是否持枪可以反映袭击事件的规模以及是否有组织、有预谋；伤亡人数和整体损失可以反映袭击目的及其危害性。

在以上指标中，地理坐標、水域、人数等均可量化，而整体损失需要进一步解释。GISIS给出了袭击事件的详细描述，主要有偷窃船上损耗品、拆卸船舶设备、抢夺船员个人物品、劫持船舶以及绑架船员这几类。按照财产损失价值和船员伤亡可能性，将整体损失分为6个等级，每个等级涵盖下级损失，具体分级及举例见表1。

1.2.2 海上偷渡风险指标体系构建

由于GISIS中关于海上偷渡事件的描述信息非常少，本文仅从偷渡者的角度进行海上偷渡风险特征指标的选取与空间划分。特征指标包括：总的偷渡次数、平均偷渡人数、报告的政府数量和偷渡者中本国人数。总的偷渡次数在一定程度上可以代表该港口海上偷渡风险的等级；平均偷渡人数能够体现海上偷渡事件的规模；报告的政府数量指的是向国际海事组织报告同一偷渡路线的偷渡事件（载有偷渡者的船舶从同一地点出港，在挂靠港口时发现偷渡者）的国家总数，用来反映偷渡者的偷渡路线是否一致；偷渡者中本国人数指的是偷渡者中有多少为偷渡港口所属国家的人，可以反映偷渡事件是否源于本国的政治军事环境不稳定。

2 K原型聚类模型改进及算法介绍

空间聚类模型主要分为基于划分、基于层次、基于密度、基于网格和基于模型的5类。根据各类模型的应用特点以及前人经验，本文选择基于划分的空间聚类模型。其中针对多维数据的聚类，K均值模型的应用最为广泛。K均值模型具有聚类效果好、容易实现等优点，但只能处理数值型数据［15］，因此在K均值模型的基础上发展出了K原型聚类模型。K原型聚类不仅可以高效计算出高维数据相异度，还对聚类数据的类型没有限制，是目前混合聚类模型的有效算法［16］。由于K原型聚类模型延续了K均值聚类模型的基本特点，需要自主定义聚类数量和权重系数，所以本文引入轮廓系数法来弥补，通过对聚类效果的评价进行参数选择。

2.3 具体算法

求解结合轮廓系数法的K原型聚类模型的输入为初始聚类数量K的集合、初级指标权重w的集合、数据集X，输出为最高轮廓系数得分、最佳聚类簇数、最佳指标权重、最终划分结果。具体步骤如下：

步骤1 在数据集中随机选取K个数据作为初始聚类中心，选取w为指标权重。

步骤2 根据式（1）计算数据集中的数据到每个初始聚类中心的距离，根据计算结果将其归类到距离最近的簇中。

步骤3 根据式（3）对聚类中心进行更新，并重复步骤2和步骤3迭代至目标函数值不再发生变化，进入步骤4。

步骤4 根据式（4）计算聚类数量与权重组合下的聚类效果得分，选取最高得分的组合。

3 实证分析

3.1 国际海运通道海上袭击风险空间划分

3.1.1 海上袭击事件数据分析

海上袭击风险空间划分以马六甲海峡周边海域为例。通过GISIS中的Piracy and Armed Robbery选取2011—2020年发生的708起海上袭击事件（已筛除其中信息严重缺失的事件22起）。将整理后的数据分为2011—2015年和2016—2020年两个阶段进行对比分析，见表2。

得益于船员防范意识的提高和海军护航力量的参与，2016—2020年马六甲海峡周边海域的海上袭击事件总数比2011—2015年的少了49%。然而，2016—2020年持枪事件和劫持事件的比例相较于2011—2015年不降反升，2016—2020年还出现了绑架船员、勒索赎金的恶性事件。GISIS的详细报告也显示，2016年以后的海上袭击事件袭击者人数增多，多配备枪支、快艇等现代化装备，呈现出有组织的团伙活动趋势，撕票、斩首等极端恐怖主义行为抬头。显然，对海上袭击风险的重视有效地规避了更多低风险袭击事件的发生，但高风险袭击事件的数量变化并不明显，甚至非传统安全势力在一定程度上进行了集聚。

将两个阶段的海上袭击事件的地理信息进行投影，见图1。从图1可以发现：2016—2020年马六甲海峡周边海域散乱分布的点比2011—2015年的明显减少，有更多的数据点重合于同一区域，这意味着海上袭击事件的发生区域变得更加集中；袭击事件的分布呈现出明显东移的趋势，其重点区域从马六甲海峡入口处的宾坦岛、巴淡岛附近向东马来西亚沿岸、苏禄海与苏拉威西海交界处转移。

3.1.2 袭击者类别聚类

从袭击者角度对马六甲海峡周边海域的海上袭击事件进行K原型混合聚类，划分海上袭击事件的袭击者类别。根据轮廓系数法，最佳聚类数量为4，指标权重为0.5，轮廓系数得分为0.79。海上袭击事件中被袭击船舶所属类型占比见表3，海上袭击事件在不同水域和不同月份发生的比例分别见表4和5，依据聚类结果可以将袭击者分为3类。

簇1、簇2的袭击者可以归为低伤害性袭击者，多是进行小型的船舶物资盗窃，造成的整体损失为1～2级。簇1中袭击者的袭击对象以散货船、杂货船为主，袭击水域集中于港口水域，袭击发生在3月、5月、6月、7月的频率略高。簇2中袭击者的袭击对象以油船、化学品船为主，袭击水域主要在领海和港口水域，袭击发生在10月、11月、12月的频率明显较高。

簇3的袭击者可以归为中伤害性袭击者，其有针对性地抢劫船舶设备和船员物品，很少会对船员造成人身伤害，造成的损失为2～4级。袭击对象中48.35%为油船和化学品船，24.18%为散货船和杂货船；袭击水域以领海和港口水域为主；40.66%的袭击事件发生在每年的2月、5月、12月。

簇4的袭击者可以归为高伤害性袭击者，主要进行性质恶劣的船舶劫持和船员绑架，造成的整体损失达到了4～6级。船员绑架主要针对渔船、补给船等作业船舶，船舶劫持针对油船、化学品船等高价值货船；76.47%的袭击事件发生在领海和公海水域，每年的4月、6月和10月是此类非传统安全事件的高发期。

3.1.3 海上袭击风险空间划分

基于海上袭击事件的襲击者类别划分，从被袭击者视角对2011—2020年马六甲海峡周边海域的海上袭击事件采用K原型聚类模型进行海上袭击风险空间划分。最佳聚类数量为10，指标权重为1，轮廓系数得分为0.75，划分结果见图2。

簇0、簇1、簇3和簇8区域可以归为海上袭击的低风险区，此区域共发生86起袭击事件，整体损失在3级及以下的事件占比97.7%，且持枪事件占比1.1%，仅有1起事件造成船员轻微受伤。这4簇的主要区域为巽他海峡两侧、菲律宾靠近九段线的西北部海域以及北部湾内越南沿岸。这些区域的袭击事件一般是在港口水域对靠泊及卸货的船舶进行少量的物资偷窃，袭击者一般携带刀、棍等武器，装备较差且威胁性不大。重点港口有印度尼西亚的雅加达港、菲律宾的马尼拉港、越南的海防港和清化港等，建议前往相关港口的船舶提高警惕，做好日常值班与船上巡逻。

簇2、簇4、簇7和簇9区域可以归为海上袭击的中风险区，此区域共发生122起袭击事件，整体损失为2～4级的事件占比60%，为5～6级的事件占比6.5%，持枪事件占比13.1%，船员伤亡率为5%。这4簇的主要区域为马六甲海峡入口处的宾坦岛、巴淡岛附近，越南的头顿港及其附近的湄公河口，巴厘巴板海湾西侧、东北侧海域，以及菲律宾的棉兰老岛海域。除菲律宾棉兰老岛海域偶有劫持船舶后抽取原油的事件外，63%的袭击事件发生在领海或公海水域，袭击者的武器装备较为精良，以抢夺船舶设备和船员财物为主要目的。在此区域航行的船舶遭遇海上袭击时，建议避免冲突，以船员人身安全为重。

簇5和簇6区域可以归为海上袭击的高风险区，此区域共发生31起袭击事件，其中50%的袭击事件整体损失在4级及以上，持枪事件占比高达74%，船员伤亡率为15%。此区域是劫持船舶和绑架船员事件的高发区域，主要为东马来西亚沿岸领海和苏禄海与苏拉威西海交界处。与簇5相比，簇6中的袭击事件被劫持人数均大于5人，更倾向于大规模的袭击事件。建议沿线国家对此区域进行重点护航巡逻，商船航行也尽量规避此处。

3.2 国际海运通道海上偷渡风险空间划分

3.2.1 海上偷渡事件数据分析

GISIS中的Facilitation of International Maritime Traffic在2011—2020年共收录了564起海上偷渡事件（其中已筛除信息严重缺失事件29起）。2011—2015年和2016—2020年海上偷渡事件的地理信息投影见图3。

从图3可以看出：非洲大陆的沿岸港口始终是发生海上偷渡事件的重点区域，这与当地长期落后的经济水平以及不稳定的治安环境有密切联系；拉丁美洲发生海上偷渡事件的重点区域从古巴马里埃尔港、巴哈马拿骚港、多米尼加的海纳港等向特立尼达和多巴哥共和国的西班牙港、巴拿马曼萨尼约港、智利圣安东尼奥港逐渐南移。2015年后中东和北非地区的局部战争造成叙利亚、利比亚等国难民涌入欧洲，致使地中海沿岸国家出现海上偷渡事件的港口明显增多，尤其是意大利和希腊两国。然而，中国的上海港、防城港、香港港等自2015年起均未再发生海上偷渡事件（图中未显示）。

3.2.2 海上偷渡风险空间划分

根据2015—2020年间海上偷渡事件对全球海上偷渡风险进行空间划分，最佳聚类数量为6，权重系数为1，轮廓系数得分为0.55。各空间划分见图4，聚类结果分析见表6。

簇4和簇6区域的海上偷渡风险属于少次多量型，以总的偷渡次数划分为低风险区。主要区域为黑海沿岸欧洲东南部、中亚区域以及拉丁美洲区域国家沿岸港口，如希腊罗兹港、土耳其亚洛瓦港和梅尔辛港、吉布提港、洪都拉斯卡斯蒂利亚港、厄瓜多尔瓜亚基尔港等。此类区域港口偷渡事件发生频率较低，单次偷渡人数较多，偷渡者多为非本国居民，偷渡路线单一明确。可以认为此类区域港口对海上偷渡行为监察较松，当地存在使用偷渡船从事大规模偷渡活动的专业组织团伙。

簇1和簇2区域的海上偷渡风险属于混合型，以总偷渡次数划分为中风险区。主要区域为非洲西北部和西欧地区的意大利、希腊、法国等国家。非洲西北部港口有摩洛哥阿加迪尔港、卡萨布兰卡港、阿尔及利亚安纳巴港、突尼斯拉古莱特港、马耳他瓦莱塔港等；西欧地区港口有安科纳港、巴里港、卡塔尼亚港，伊古迈尼察港、帕特雷港、瑟堡港、鲁昂港和福斯港等。此类区域海上偷渡行为一方面受到局部冲突的强烈影响，规模型偷渡与个人偷渡行为混杂，偷渡人员多为伊拉克、利比亚、叙利亚难民；另一方面受到直布罗陀海峡的地理位置和周边国家的严密搜查限制，报告的政府数量少，偷渡路线不够明确。

簇3和簇5区域的海上偷渡风险属于多次少量型，以总偷渡次数划分为高风险区。主要区域为西非、南非、东非区域国家沿岸港口，如冈比亚班珠尔港、塞拉利昂弗里敦港、科特迪瓦圣佩德罗港、加纳特马港、莫桑比克马普托港、南非伊丽莎白港、南非理查兹湾、肯尼亚蒙巴萨港、坦桑尼亚达累斯萨拉姆港等。此类区域港口偷渡事件发生频率较高，但结合其偷渡次数来看，偷渡规模并不大，偷渡者80%为本国居民，偷渡路线非常杂乱。此类区域的海上偷渡事件多为当地人偷藏进港口码头停泊的货船中，具有一定的随机性。

3.3 模型聚类效果比较

为进一步论证K原型聚类模型的聚类效果，以马六甲海峡周边海域海上袭击事件为例，分别采用K原型聚类和K均值聚类进行海上袭击风险的空间划分。因为K均值聚类只能处理数值型数据，所以对非数值型数据用哑变量表示。以轮廓系数法作为评价标准，不同聚类簇数下两个模型的轮廓系数得分见表7。

从轮廓系数得分可以看出：当聚类簇数较少时，K均值聚类模型的聚类效果比K原型聚类模型的好，因为K均值聚类模型采用哑变量表示非数值型数据，聚类簇数越少则信息转换过程中产生的损失影响越小，K均值聚类模型计算复杂度低的优势越突出；当聚类簇数增多时，信息转换过程中产生的损失影响逐渐显现，基于是或否的信息量已经很难对数据进行更加细致的划分，K原型聚类模型获取不同类型数据信息的优势更加突出，聚类效果更好。针对不同的应用需求，两类模型各有优势，而本文需要结合数值型数据与整体损失、船型等非数值型数据对袭击事件的风险等级进行区域细分，因此K原型聚类模型更加适合。

4 结束语

本文提出用轮廓系数法校正K原型聚类模型为国际海运通道非传统安全风险空间划分提供了新方法。其中根据不同海上非传统安全事件特点构建的指标体系确保了空间划分的针对性，采用地理位置信息与非地理位置信息相结合的方式增强了聚类结果的相似性，研究结果表明该模型可以实现对海域内不同非传统安全风险的空间划分。本文研究仍存在不足，如孤立点对聚类效果存在影响，安全风险空间划分是基于结果的静态划分。下一步的研究内容为通过模型改进得到更好的安全风险空间划分效果，研究目标是实现数据动态更新下的安全风险空间实时划分与预警。

参考文献：

［1］李志斐. 南海非传统安全问题的现状与应对机制分析［J］. 太平洋学报， 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］吕靖， 王爽. 我国海上运输关键节点安全评价研究［J］. 交通运输系统工程与信息， 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］蒋美芝， 吕靖， 王爽. 基于贝叶斯网絡的海盗袭击事件影响因素［J］. 中国航海， 2019， 42（2）： 87-92.

［7］朱乐群， 吕靖， 李晶. 基于高维突变模型的海上通道安全预警研究［J］. 运筹与管理， 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］杨理智. “21世纪海上丝绸之路”安全风险评价体系和评估技术研究［D］. 长沙： 国防科技大学， 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］孙茂金. 海上货运通道非传统安全风险预警与策略博弈研究［D］. 大连： 大连海事大学， 2019.

［15］杨俊闯， 赵超. K-means聚类算法研究综述［J］. 计算机工程与应用， 2019， 55（23）： 7-14. DOI： 10.3778/j.issn.1002-8331.1908-0347.

［16］李顺勇， 顾嘉成. 一种增强的K-prototypes混合数据聚类算法［J］. 陕西科技大学学报， 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.

（编辑 贾裙平）

收稿日期： 2021-11-29

修回日期： 2022-03-31

基金项目： 国家自然科学基金（71974023）；国家社会科学基金重大研究专项（19VHQ012）

作者简介： 吕靖（1959—），男，黑龙江五常人，教授，博士，研究方向为交通运输规划与管理，（E-mail） lujing@dlmu.edu.cn