一种港口气象灾害风险及气象服务效益评估的方法

技术领域

本发明涉及气象服务评估技术领域，尤其涉及一种港口气象灾害风险及气象服务效益评估的方法。

背景技术

日益增长的专业气象服务需求给沿海港口城市的气象部门带来巨大的机遇和挑战。

天气对港口生产作业有着严重影响，大风、海雾、雷电、台风等常见灾害性天气给正常的航道通行和港口作业等带来安全问题。高影响天气对船舶行驶和港口作业的影响可分为锚地船舶停泊、沿海航道船舶行驶、船舶进出港调度和船舶货物装卸等，并且不同类型船舶有不同的靠泊大风管制标准，不同类型码头有不同的港区大雾管制标准，因而，如今的港航作业需要越来越专业化、精细化、个性化的气象服务。

由于大风、海雾、雷电、台风等可能给港口生产作业带来安全隐患，甚至是灾害事故，为此，当港口生产区域可能出现高影响天气时，需要对该区域采取管制，甚至停止相关作业，随着港口贸易繁忙，管制所造成的损失也切实存在，即缩短了作业时间，影响港口效率的美誉度。港口气象服务的宗旨是减少因天气原因导致的灾害风险，同时在确保安全的情况下，延长港口作业时间，尽量减小损失。

然而，由于目前缺少针对港口气象服务的效益尤其是经济效益的客观评估，因而影响港口的生产效率甚至会由于高影响天气扩大港口的损失。

发明内容

针对目前没有对港口气象服务效益进行评估的问题，本申请提出了一种从灾害风险减少和作业时间延长两个方面对港口气象服务进行效益评估，本评估方法快速直观，并且能够进一步地显示港口气象服务的重要性和服务的突破口。

本申请采用以下技术方案：一种港口气象灾害风险及气象服务效益评估的方法，包括步骤：

S1：计算港口自然灾害风险指数；

所述计算港口自然灾害风险指数包括计算港口致灾因子综合强度指数和计算港口承灾体脆弱性指数；

所述计算港口致灾因子综合强度指数通过对预设标准化指标数据进行主成分分析确定，其表达式为：

H＝a*PC1+b*PC2

其中：H为港口致灾因子综合强度指数；a为第一致灾因子特征根的方差贡献率，b为第二致灾因子特征根的方差贡献率；PC1为预设标准化指标数据第一主成分，PC2为预设标准化指标数据第二主成分；

所述计算港口承灾体脆弱性指数通过港口致灾因子出现的概率和致灾因子的破坏率确定，其表达式为：

其中：V为港口承灾体脆弱性指数；Pi为致灾因子达到i等级的概率；Fi为i等级致灾因子下各港口承灾体所遭受的最大破坏率；m为港口不同致灾因子不同等级的个数；

通过计算的港口致灾因子综合脆弱性指数和计算的港口承灾体脆弱性指数计算港口自然灾害风险指数，其表达式为：

R＝H*V

其中：R为自然灾害风险指数；H为港口致灾因子综合强度指数；V为港口承灾体脆弱性指数；

S2：计算港口经济效益；

所述计算港口经济效益包括计算港口作业时间延长效益和计算港口作业效率提高效益，其表达式为：

E＝u*Δt*(1+ΔF)

其中：E为港口经济效益；u为港口预设行业单位时间经济效益；Δt为港口延长的作业时间；ΔF为港口作业效率提高的效益。

进一步地，所述第一致灾因子为大风致灾因子，所述第二致灾因子为能见度致灾因子。

进一步地，所述计算港口致灾因子综合强度指数通过对预设指标数据进行主成分分析确定步骤包括：

采用主成分分析法对港口的致灾因子进行数据降维；

通过预设线性变换，从预设多个相关联系的致灾因子数据中获取两个相互无关的致灾因子，所述两个相互无关的致灾因子为大风致灾因子和能见度致灾因子；

在预设致灾因子指标数据库中获取预设标准化指标数据；

对获取的预设标准化指标数据进行主成分分析，获取大风致灾因子和能见度致灾因子的特征根，并获取大风致灾因子特征根的方差贡献率a和能见度致灾因子特征根的方差贡献率b；

判断大风致灾因子特征根的方差贡献率a和能见度致灾因子特征根的方差贡献率b的累积贡献率是否超过预设贡献率标准；

若是，通过大风致灾因子特征根的方差贡献率a和能见度致灾因子特征根的方差贡献率b对预设标准化指标数据的两个主成分进行加权求和；

获取港口致灾因子综合强度指数H。

进一步地，所述港口延长的作业时间Δt的计算为：

获取港口预设年份的各年份的延误时长ti；

对获取的港口预设年份的各年份的延误时长ti通过港口致灾因子综合强度指数H进行标准化处理，获取标准化延误时长ti’，

按照预设算法公式获取港口预设年份的平均标准化延误时长t0，计算公

式为：

其中x为预设年份的年份个数，A为预设年份的末年份，B为预设年份的初年份；

计算获取港口当年港口延长的作业时间Δt，计算公式为：

Δt＝(t0-t’)*H

其中H为港口致灾因子综合强度指数。

进一步地，所述港口作业效率提高的效益ΔF的计算为：

其中获取港口由天气原因占所有码头计划未兑换情况的百分比F，港口致灾因子综合强度指数H，获取标准化港口由天气原因占所有码头计划未兑换情况的百分比F’，其计算公式为：

F’＝F/H；

按照预设算法公式获取港口预设年份由天气原因所有码头计划未兑换情况的平均标准化百分比F0，计算公式为：

其中x为预设年份的年份个数，A为预设年份的末年份，B为预设年份的初年份；

计算港口作业效率提高的效益ΔF，其计算公式为：

ΔF＝(F0-F’)/F0。

进一步地，所述港口预设行业单位时间经济效益u的计算包括码头每小时

作业时间延长效益U1和船公司每小时作业时间延长效益U2：所述

u＝U1+U2。

进一步地，码头每小时作业时间延长效益U1的计算为：

获取港口的预设码头日平均总营业额M；

根据获取的预设码头日平均总营业额M，获取预设码头每小时经济效益：

U1＝M/24。

进一步地，其中船公司每小时作业时间延长效益U2计算为：

获取港口内每天作业的船只数X；

获取每个船只的租赁费和燃油费之后与平均船只数相乘再除以24获取平均值g；

获取船公司每小时的效益Q；

根据获取的内每天作业的船只数X和每个船只的租赁费H和燃油费I之后与平均船只数相乘再除以24获取平均值g，获取船公司每小时经济效益U2：

U2＝Q+X*(H+I)/24。

本发明至少包括以下有益效果：

(1)：本发明给出了港口气象服务效益评估的一种比较全面的技术，既有灾害风险减少体现的社会效益，又有作业时间延长得到的经济效益；既有定性的描述，又有客观化的计算，非常直观、清晰，并可以业务化。

(2)本发明应用构建了不同的评估公式；利用主成分分析法的数据降维方式，从原有多个且相互联系的变量数据集中，通过线性变换选取少数几个相互无关且尽可能保留原信息的重要变量，并根据方差贡献率计算致灾因子综合强度指数；采用基于灾损情况的算法，将重现期概率与遭破坏概率相乘，计算承灾体脆弱性指数；本发明中的算法针对性强，可实际操作。

(3)本发明技术适用于不同港口，根据港口的气象数据进行表达式内数据调整即可。在针对特定港口应用时可研制成业务系统，自动运行。

(4)本发明技术针对特定港口研制成的业务系统，可以计算每一次过程的效益，也可以计算总的效益，为港口提供定制式专业气象服务，形成可持续发展的机制，提供了依据。

(5)本发明的港口经济效益评估通过港口作业时间延长效益和港口作业效率提升两个方面进行评估，更加精准的获取港口的效益评估。

附图说明

图1为本港口气象服务效益评估的方法流程框图。

图2为实施例提供的致灾因子的前两个主成分(PC1、PC2)和危险性综合强度指数(H)统计图。

图3为实施例提供的预设年份内的自然灾害指数。

图4为实施例提供的预设年份内的港口气象管制准确率、延误率和风险率。

图5为实施例提供的预设年份内的港口未兑现航舶天气原因占比。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例

本实施例提供了一种港口气象灾害风险和气象服务效益评估的方法，如图1至图5所示，本方法包括：

S1：计算港口自然灾害风险指数；

所述计算港口自然灾害风险指数包括计算港口致灾因子综合强度指数和计算港口承灾体脆弱性指数；

所述计算港口致灾因子综合强度指数通过对预设标准化指标数据进行主成分分析确定，其表达式为：

H＝a*PC1+b*PC2

其中：H为港口致灾因子综合强度指数；a为第一致灾因子特征根的方差贡献率，b为第二致灾因子特征根的方差贡献率；PC1为预设标准化指标数据第一主成分，PC2为预设标准化指标数据第二主成分；

其中港口致灾因子主要指由强风、低能见度、雷电、暴雨等带来的次生灾害，根据致灾机理表现形式以强风、低能见度为主，其中可能形成大风的天气系统复杂多样，包括台风、冷空气、低压、强对流等，出现的大雾主要是平流雾、辐射雾，以及局地出现的团雾等。通常在探讨致灾因子评价指标时，着重考虑强风与雾这两大因素；

本实施例中评价致灾因子危险性采用主成分分析(PCA)法，利用数据降维方式，从原有多个且相互联系的变量数据集中，通过线性变换选取少数几个相互无关且尽可能保留原信息的重要变量；

如下表：致灾因子危险性(H)评价指标体系：

具体地，首先对指标矩阵[W

根据方差贡献对前两个主成分进行加权求和，计算得到致灾因子综合强度指数H。

H＝0.66PC

如说明书附图2给出1974-2019年宁波北仑港附近(炮台山站)致灾因子综合强度指数的时间演变情况，发现其具有长期下降趋势，说明致灾因子强度持续减弱，尤其是20世纪90年代初和21世纪初减弱趋势明显，但近10年出现回升现象。分析发现，危险性指数的下降主要取决于大风日数的显著减少，如炮台山站1974年7级以上大风日数有68天，而2019年只有11天；低能见度日数具有波动变化特征，如炮台山能见度小于1km日数最多35天(1985年)、最少0天(2012年)，且近年来危险性指数的增长现象与低能见度日数的增加密切相关。

所述计算港口承灾体脆弱性指数通过港口致灾因子出现的概率和致灾因子的破坏率确定，其表达式为：

其中：V为港口承灾体脆弱性指数；Pi为致灾因子达到i等级的概率；Fi为i等级致灾因子下各港口承灾体所遭受的最大破坏率；m为港口不同致灾因子不同等级的个数；

承灾体脆弱性是指当承灾体在抗击自然灾害时，对可能造成灾损进行的度量，反映了灾害影响的暴露程度和灾害应对的能力两大方面[24]。承灾体脆弱性指数采用基于灾损情况的算法，将重现期概率与遭破坏概率相乘即：

其中，V为承灾体脆弱性指数；P为不同等级致灾因子的概率，即致灾天气出现日数的年频率；F为特定致灾因子级别下各承灾体所遭受的最大破坏率；i为不同等级致灾因子的个数，主要包括大风、低能见度两个方面。利用Pearson-III型函数估计各重现期下不同等级大风、低能见度日数的年极值，并根据海事部门提供的事故破坏率，计算各重现期下的脆弱性指数，结果显示，脆弱性指数随重现期增大而快速增加。

通过计算的港口致灾因子综合脆弱性指数和计算的港口承灾体脆弱性指数计算港口自然灾害风险指数，其表达式为：

R＝H*V

其中：R为自然灾害风险指数；H为港口致灾因子综合强度指数；V为港口承灾体脆弱性指数；近几年中2016、2019年自然灾害风险较高，见说明书附图3。2016年出现6级风日数(33天)多且该天气条件下发生2起事故是造成脆弱性指数偏大的主要原因，从而导致自然灾害风险增加；2019年大风和低能见度日数为2014年以来最多的年份，因而致灾因子危险性最大，导致自然灾害风险偏高。

所述计算港口经济效益包括计算港口作业时间延长效益和计算港口作业效率提高效益，其表达式为：

E＝u*Δt*(1+ΔF)

其中：E为港口经济效益；u为港口预设行业单位时间经济效益；Δt为港口延长的作业时间；ΔF为港口作业效率提高的效益。

其中本实施例提供的作业时间效益评估还包括管制数据的分析，

对2013到2019年海事部门发布的港口管制信息进行标准化处理，结合气象观测资料，对管制准确程度进行评估。管制评估属于二元事件，涉及到两个变量：是否发生管制、是否出现大风天气。相对应的，共四类情况：a1表示出现大风且管制发生(准确管制)；b1表示出现大风但没有管制(漏管制)，该情况下港口有作业风险；c1表示风力没有达到阈值但执行管制(误管制)，该情况为不必要的管制，港口作业效率受到影响；d1表示没有大风且没有管制(正常作业)。定义以下公式来评价管制的实际效果。

管制准确率(Accuracy rate)：

CA＝a1/(a1+b1+c1)

管制风险率(Risk rate)：

CR＝b1/(a1+b1)

管制延误率(Delay rate)：

CD＝c1/(a1+c1)

计算结果如说明书附图4所示，2013-2016年无港航气象服务，海事管制准确率在0.5以下，具体表现为延管制误率高，管制风险率高。2017年以来，港航气象服务正式开展，海事部门以定制化的气象信息为参考，管制准确率明显上升，表现为误管制逐年减少，管制风险率逐年降低。

进一步地，所述港口延长的作业时间Δt的计算为：

获取港口预设年份的各年份的延误时长ti；

对获取的港口预设年份的各年份的延误时长ti通过港口致灾因子综合强度指数H进行标准化处理，获取标准化延误时长ti’，

按照预设算法公式获取港口预设年份的平均标准化延误时长t0，计算公

式为：

其中x为预设年份的年份个数，A为预设年份的末年份，B为预设年份的初年份；

计算获取港口当年港口延长的作业时间Δt，计算公式为：

Δt＝(t0-t’)*H

其中H为港口致灾因子综合强度指数。

即管制评估中，误管制的减少代表气象服务为港口额外争取的作业时间，采用对比分析法确定具体数值。由于天气具有不可复制性，无法重现同一年的数据，因此本文选取气象服务前、后的数据，即2013-2016年求平均作为对照组，2017-2019年逐年与对照组进行对比。考虑到历年天气存在差异，灾害多的年份延误时长自然会出现偏高。为排除年变化干扰，利用致灾因子综合强度指数H对各年份延误时长t

2017年起港口采用气象服务，t

Δt＝(t

进一步地，所述港口作业效率提高的效益ΔF的计算为：

其中获取港口由天气原因占所有码头计划未兑换情况的百分比F，港口致灾因子综合强度指数H，获取标准化港口由天气原因占所有码头计划未兑换情况的百分比F’，其计算公式为：

F’＝F/H；

按照预设算法公式获取港口预设年份由天气原因所有码头计划未兑换情况的平均标准化百分比F0，计算公式为：

其中x为预设年份的年份个数，A为预设年份的末年份，B为预设年份的初年份；

计算港口作业效率提高的效益ΔF，其计算公式为：

ΔF＝(F0-F’)/F0。

其中码头计划兑现率数据记录了船舶具体的作业情况，如该船只按计划完成作业，即为计划兑现，反之为未兑现。

未兑现率(％)＝(未完成计划船舶数/工作船舶数)×100％

未兑现率直观反映港口的调度水平，未兑现率越低，说明调度越精准、科学，港口运行越高效。针对未兑现的船舶，记录有相应的未兑现原因，以此帮助港口定位问题，提高港口运营水平。

造成未兑现的原因包括天气影响、引航问题、船舶代理问题等，其中天气原因是一个重要因素。定义F为天气原因占所有未兑现情况的百分比，通过数据统计可知，2017年以前F值普遍在4成左右如说明书附图5所示，说明往年由于缺乏精准可靠的气象预报信息，港口调度对未来气象了解不足，会出现大风期间仍安排作业等情况，造成计划偏差，船舶因天气原因未兑现。

考虑到历年天气存在差异，灾害多的年份天气原因的占比自然会出现偏高。以2019年为例，当年致灾因子综合强度指数H明显高于其他年份，灾害性天气影响港口频率高、强度大，F值为35％，与其他年份相差不大。2013年则相反，当年H值为近7年来最低，气象灾害对港口影响最小，但F值仍高达44％，说明港口安排作业出现较大偏差。为排除上述年变化的干扰，结合历年致灾因子综合强度指数H，定义“标准化占比”F'：

对比历年F'的变化，能够更真实地反映天气对港口计划的影响。排除天气差异性，由F'可知，引入气象服务后，天气原因导致的船舶未兑现占比明显减少，港口调度水平显著提升。

为定量计算气象服务为港口调度带来的优化程度，采用对比分析法，仍以2013到2016年为对照组，定义：

2017年采用港航气象服务后，天气原因占比F'的降低比例即为港口作业效率提升的效益：

通过上述公式计算得到的当年实际延长的作业时长Δt和港口作业效率提升的效益ΔF，还有港口单位时间内的经济效益u即可获得当前港口的气象服务效益。

对于港口单位时间内各行业的经济效益u的计算，需要对港口各码头公司、船公司的生产效益进行估算。

对于码头公司，以2018年为例，针对宁波舟山港两大主要业务集装箱和铁矿石，梅山国际集装箱码头公司的营业收入约142万元/小时，北仑矿石码头公司约30万元/小时，宁波舟山港各类码头(包括集装箱、矿石、原油、液化、煤炭等)营业收入总和在322万元/小时左右。

对于船公司，管制期间港内平均作业大型船只约37艘，每船租赁费4万美元/天、燃油费3.5万美元/天。无法作业导致船公司共损失约79万元/小时。即港口、船公司受管制影响，每小时损失合计401万元。

因此可以根据码头每小时作业时间延长效益U1的计算为：

获取港口的预设码头日平均总营业额M；

根据获取的预设码头日平均总营业额M，获取预设码头每小时经济效益：

U1＝M/24。

进一步地，其中船公司每小时作业时间延长效益U2计算为：

获取港口内每天作业的船只数X；

获取每个船只的租赁费和燃油费之后与平均船只数相乘再除以24获取平均值g；

获取船公司每小时的效益Q；

根据获取的内每天作业的船只数X和每个船只的租赁费H和燃油费I之后与平均船只数相乘再除以24获取平均值g，获取船公司每小时经济效益U2：

通过u＝U1+U2,即可计算出港口港口单位时间内的经济效益u。

综上即可对港口气象的经济效益进行估算：经济效益增加值E表现为作业时间延长效益、作业效率提升效益：

E＝u×Δt×(1+ΔF)

其中，u为单位时间生产效益，估算为401万元/小时。根据公式可算得，2017年正式开展港行气象服务以来，针对大风天气，宁波舟山港各码头公司、船公司产生直接经济效益逐年递增，效果显著。

本方法应用构建了不同的评估公式；利用主成分分析法的数据降维方式，从原有多个且相互联系的变量数据集中，通过线性变换选取少数几个相互无关且尽可能保留原信息的重要变量，并根据方差贡献率计算致灾因子综合强度指数；采用基于灾损情况的算法，将重现期概率与遭破坏概率相乘，计算承灾体脆弱性指数；本发明中的算法针对性强，可实际操作。

本方法技术适用于不同港口，根据港口的气象数据进行表达式内数据调整即可。在针对特定港口应用时可研制成业务系统，自动运行。

本方法技术针对特定港口研制成的业务系统，可以计算每一次过程，也可以计算总的效益。为港口提供定制式专业气象服务，形成可持续发展的机制，提供了依据。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。