1 引言

港口是复杂实体, 伴随极端天气事件而引发的灾害链或多种灾害复合将对港区内基础设施建设带来毁坏性破坏, 对人民群众生命财产安全和港口经济的持续发展构成严重威胁。随着港口规模扩大和吞吐量的激增, 天气造成的影响更加明显^[1], 因此通过精细化专业气象服务, 降低气象灾害风险, 趋利避害, 提高港口运行效率越来越重要。

对港航作业有严重影响的天气主要有大风、大雾、强对流、风暴潮、台风等^[1]。开展港口多种自然灾害风险评估, 为港口防灾减灾提供理论依据, 具有重要的科学价值与实践意义。自然灾害风险评估不仅是一项以预防为主、防患于未然的重要防灾减灾措施, 也是开展综合减灾和制定应急管理对策的基础和依据^[1-2]。围绕灾害风险评估原理与预测模型, 国内专家学者不断深入探索并提出诸多研究方法。王静静^[2]以多灾种复合为背景, 从危险性、暴露性和脆弱性等方面选取指标, 探讨构建了沿海8个港口自然灾害风险评价指标体系与评估模型; 殷洁等^[3-4]采用历史资料构建灾损标准, 综合承灾体脆弱性和台风发生可能性两者的结果运用于风险模型中作定量评估; 陈文方等^[5]利用主成分分析计算致灾因子强度与承灾体脆弱性指数, 基于各县区尺度划分灾害风险等级; 庞古乾等^[6]基于多年气象观测资料和潮位数据, 对台风及风暴潮灾害进行特征分析和频率计算; 洪凯等^[7]则以气象观测资料结合港口统计数据, 评估不同重现期下港区台风灾害风险的分布特征和经济灾损状况。以上研究为气象灾害风险评估提供了技术方法。

早在1960年代, 世界气象组织(WMO)就认识到气象服务具有重大的经济和社会效益。1990年代前后, 美国、德国、日本等气象技术发达国家先后借鉴社会学方法, 结合调查问卷、敏感度分析等方法建立专家咨询法, 对气象效益进行了评估, 这些评估为国家的气象现代化建设决策提供了重要依据^[8]。进入21世纪以来, 全球变化和人类扩张使得天气灾害的影响日益显著。美国的一些科学家开始尝试建立经济模型, 并与天气要素建立联系, 结合历史数据, 得出天气要素在决定产值中的作用。2004年起, 美国国家海洋和大气管理局(NOAA)发布《NOAA经济统计》, 针对气象服务现状和实现现代化后的情况开展对比评估, 利用对比分析得出气象发展对国家产生的效益, 从而加快了美国1990年代现代化的开展, 也为国家层面重大决策提供了最客观和科学的依据^[9-13]。国内专家对行业气象服务效益评估的研究, 普遍使用的是投入产出法、层次分析法、损失矩阵法、专家评估法等^[14-17]。近年来, 应用较多的方法包括对比分析法、逆推法、专家评估法、问卷调查法等^[18-19]。

浙江宁波舟山港是中国古代“海上丝绸之路”起锚地之一, 有1 200多年发展历史, 2019年货物吞吐量首破11亿吨、连续11年位居全球港口首位, 集装箱吞吐量超2 753万标准箱, 排名位居全球第三。2017年4月以来, 宁波海事局、宁波舟山港等部门开始采用定制式的港航气象监测、预报信息, 作为灾害性天气下港口作业安全保障、精准调度的重要参考。本文结合气象、海事、港口多部门数据, 通过评估宁波舟山港致灾因子危险性、承灾体脆弱性, 构建港口自然灾害风险评估模型, 对港口行业进行分类, 利用对比分析法、个例分析法等, 确定气象效益评估模型的具体技术方案, 并给出服务效益的估算结果。

2 研究区域和资料

宁波舟山港现有19个港区, 600多个生产泊位, 本文主要分析位于宁波北仑到舟山定海之间, 业务最繁忙的港口核心区域, 包含镇海、北仑、穿山、大榭、梅山5个港区(图 1)。

本文风险评估所用风、能见度资料来自距离宁波舟山港最近的北仑国家气象站地面气象观测数据, 其中逐日资料的年限为1974—2019年, 用来做风险评估; 逐小时资料的观测年限为2013—2019年, 用来做效益评估。所用港口灾害险情数据、港口管制数据来自宁波海事局指挥中心, 资料年限为2013—2019年。码头计划兑现率数据来自宁波舟山港调度中心, 资料年限为2013—2019年。港口生产运营数据由实地调研、访谈获得。

3 自然灾害风险评估 3.1 致灾因子危险性评估

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^[20], 出现的大雾主要是平流雾、辐射雾, 以及局地出现的团雾等^[1]。在探讨致灾因子评价指标时, 着重考虑强风和大雾两大因素^{[5] 21]}, 根据宁波地方标准《DB3302T 1108-2019港口水上交通气象条件等级》、宁波海事局《宁波海事局辖区船舶航行、锚泊和作业管理规定》等文件, 选取风力阈值6级、7级、7.5级(15.5~17.1 m/s)、8级, 能见度阈值1 000 m、500 m, 建立致灾因子评价指标体系(表 1), 用影响时间(单位: 天)衡量致灾因子对港口生产的危险性。

评价致灾因子危险性可采用主成分分析(Principal Component Analysis, PCA)法, 利用降低数据维度方式, 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^[22]。

具体地, 首先对指标矩阵[W₆W₇W_7.5W₈V_{1 000}V₅₀₀]进行标准化处理, 消除量纲影响后对新矩阵做PCA分析, 得到前两个特征根的方差贡献率分别为65.52%、30.05%, 累积贡献率达到95%, 说明前两个主成分能够反映所有危险性指标的信息, 因而可根据前两个特征向量构造主成分PC₁和PC₂, 如公式(1)所示。

$ \left\{\begin{array}{l} \mathrm{PC}_{1}=0.50 W_{6}^{*}+0.50 W_{7}^{*}+0.49 W_{7.5}^{*}+0.48 W_{8}^{*}+0.09 V_{1000}^{*}+0.17 V_{500}^{*} \\ \mathrm{PC}_{2}=0.01 W_{6}^{*}-0.09 W_{7}^{*}-0.11 W_{7.5}^{*}-0.17 W_{8}^{*}+0.70 V_{1000}^{*}+0.67 V_{500}^{*} \end{array}\right. $

(1)

根据方差贡献对前两个主成分进行加权求和, 如公式(2)所示, 计算得到致灾因子综合强度指数H。

$ H=0.66 \mathrm{PC}_{1}+0.30 \mathrm{PC}_{2} $

(2)

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1990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1 km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。

3.2 承灾体脆弱性评估

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^[23]。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, 如公式(3)所示:

$ C=\sum\limits_{i=1}^{m} P_{i} \times D_{i} $

(3)

其中, C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; D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(表 2), 结果显示脆弱性指数随重现期增大而快速增加。

3.3 自然灾害风险性评估

通过借鉴国际减灾战略(ISDR)自然灾害风险评估模型, 港区自然灾害风险评估充分考虑潜在致灾因子危险性和承灾体脆弱性, 利用灾害事件发生可能性和影响范围来判断该自然灾害的风险等级(UN/ISDR, 2004), 构建的概念函数如公式(4)所示。

$ R=H \times C $

(4)

其中, R表示自然灾害风险, H和C则是构成自然灾害风险的两个影响维度, 分别表示潜在致灾因子危险度和承灾体脆弱性。近几年中2016年、2019年自然灾害风险较高(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。

4 经济效益评估

气象服务为港口生产带来的提升具体表现为作业时长延长、作业效率提高两方面。经济效益评估可由公式(5)计算得出:

$ E=\sum\limits_{i=1}^{n} u_{i} \times t_{i} \times r_{i} $

(5)

其中, E为经济效益(万元); u为港口各行业单位时间经济效益(万元/小时); t为气象服务为港口延长的作业时间(小时); r为气象服务为港口带来的作业效率增长; i的取值代表港口不同运营单位, 下文以大风天气为主, 结合海事管制数据、港口作业数据分别对各项进行讨论。

4.1 作业时间效益评估

宁波舟山港各码头公司全年无休, 操作密集, 且存在上、下游关联作业, 因此对时效性要求高。大风天气影响时段内, 一旦实况风速超过港口作业阈值, 海事部门会停止港口作业, 保障作业安全。如果不能提前预知天气过程的开始、结束时间, 为规避风险, 海事部门往往提前管制, 延后解除, 形成管制延误。而对于某些突发性的大风过程, 如准备不足, 则可能来不及进行管制, 造成作业风险。

4.1.1 管制数据分析

对2013—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: a表示出现大风且管制发生(准确管制); b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; c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; d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^[24]。

管制准确率(Accuracy rate)：

${C_{\rm{A}}} = \frac{a}{{a + b + c}}$

(6)

管制风险率(Risk rate)：

${C_{\rm{R}}} = \frac{b}{{a + b}}$

(7)

管制延误率(Delay rate)：

${C_{\rm{D}}} = \frac{c}{{a + c}}$

(8)

计算结果如图 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, 具体表现为管制延误率高, 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。

4.1.2 作业延长时间计算

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_i进行标准化处理, 与H相除得到“标准化时长”t'_i。其中2013—2016年的平均标准化长t₀作为对照组:

$ t_{0}=\frac{1}{4} \sum\limits_{i=2013}^{2016} t_{i}^{\prime} $

(9)

2017年起港口采用气象服务, t₀与之后每年的标准化时长t′之差, 乘以当年的致灾因子综合强度指数H, 即为当年实际延长的作业时长Δt, 其计算公式如下:

$ \Delta t=\left(t_{0}-t^{\prime}\right) \times H $

(10)

4.2 作业效率效益估算

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40%左右(图 5), 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信息了解不足, 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′:

$ F^{\prime}=\frac{F}{H} $

(11)

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—2016年为对照组, 定义:

$ F_{0}=\frac{1}{4} \sum\limits_{i=2013}^{2016} F_{i}^{\prime} $

(12)

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:

$ \Delta r=\frac{F_{0}-F^{\prime}}{F_{0}} $

(13)

4.2 单位时间生产效益估算

通过多次调研走访, 结合宁波舟山港历年业务增长数据, 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。

4.3 经济效益估算

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, 如公式(14)所示:

$ E=u \times \Delta t \times(1+\Delta r) $

(14)

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。

4.4 天然气接收站、客运航线等效益分析

除密集作业的码头公司、船公司外, 港口还有一些承担社会公共职责的单位如天然气接收站、客运码头等。天然气船属于大型危险品船舶, 其作业对天气条件、水文条件要求高, 需要根据预报至少提前一天进行作业申请、进港预排; 客运码头由于其公众服务属性, 营运信息需要提前发布, 不能随时变更, 也需要在保证安全的大前提下根据预报进行预设。没有港航气象服务时, 这类作业通常以本地发布的公众预报结论为准。

公众气象预报范围覆盖面较大, 风力预报存在偏大的情况; 预报时间则较模糊, 可能错过一天中的作业“窗口期”。因此, 精细化的港航气象服务能增加可作业时间。以宁波天然气接收站为例, 自2018年采用港航气象服务以来, 在影响时间较长的大风、海雾过程中通过预报灾害天气“窗口期”, 成功保障天然气运输船“索拉瑞斯”号、“阿波罗尼亚”号等按期靠泊作业, 每次过程可帮助目标船舶提前作业一天以上。

对于此类单位, 气象服务效益的估算可采用公式(15)。

$ E=u \times\left(t_{p}-t_{0}\right) $

(15)

将港航气象预报的可做业时长定义为t_p, 公众气象预报的可作业时长定义为t₀, 两者之差即为作业时间增加效益。由于并非密集作业, 排班调整并不影响作业效率, 因此不考虑作业效率的增加。此处u不止包含经济效益, 也应考虑社会效益, 需结合行业数据及当地实际情况, 进一步调研估算。

4.5 海雾、台风天气下的效益分析

在海雾高发期, 如判断当晚有海雾发生, 港口将采取“二次引航”操作, 将重点船只提前引进港内锚地等候。当海雾发生时, 主航道出入口关闭后, 已经进港的船舶自内锚地再次引航, 前往作业码头, 从而达到增加作业时长的目的。据港方统计, 2018年以来, 得益于港航气象服务对雾的临近准确预报, 目前“二次引航”的预排成功率已经由40%提高到70%以上, 该数据可推算得出延长作业的时长, 进一步计算得出服务效益。

台风过程影响区域、持续时间等差异大, 因此不易采取统一的公式进行计算, 而应结合每次过程特点, 采用个例分析法进行计算。台风天气致灾能力强, 影响严重, 因此“保安全”的任务相比其他灾害更重, 港口管理会留足安全余量。在此前提下, 气象服务仍有优化港口作业、提升效益的空间。例如, 2018年第10号台风“安比”过程中, 在减风时段通过气象加密服务, 区分港内、港外风力差异, 为港口争取提早4小时解封; 2019年第9号台风“利奇马”过程中, 在起风段提供气象预报建议, 港口将停工时间适当延后, 作业时间增加6小时。

5 结论与讨论

本文以过去47年气象历史资料、灾情统计资料为基础, 通过自然灾害风险评估模型对致灾因子危险性、承载体脆弱性、自然灾害风险指数分别进行计算和讨论。根据宁波海事局、宁波舟山港提供的港口运营数据, 对灾害天气下港口的运营状况进行分析讨论, 通过对比港航气象服务前、后港口管制准确率、码头计划兑现率等的变化, 直观反映气象服务对港口作业产生的影响, 并给出经济效益的量化计算方案。

自然灾害风险评估是对区域遭受不同强度灾害的可能性及其可能造成的后果进行的定量分析和评估。由于大风天数的显著减少, 1974—2019年宁波舟山港致灾因子强度持续减弱, 尤其是1990年代初和21世纪初减弱趋势明显, 但近年来低能见度日数增多, 致灾因子强度出现回升现象; 基于灾损情况的算法, 同时考虑高影响气象因子重现期概率与承灾体遭破坏概率的叠加作用, 承灾体脆弱性指数呈现随重现期增大而快速增加现象; 在充分考虑潜在致灾因子危险性和承灾体脆弱性的基础上, 判断2016年承灾体脆弱性、2019年致灾因子危险性偏高分别是当年自然灾害风险较高的主要原因。

对于气象服务效益评估, 由于天气影响下的港口作业无法直接重现, 因此直接估算存在困难。本文以开展气象服务前的港口运营数据为对照组, 与服务后的数据进行对比分析, 得出效益。本文利用致灾因子综合强度指数H对运营数据进行“标准化”, 排除不同年份天气影响的特征差异, 使得年份间的对比分析成立。计算结果表明, 2017年采用气象服务以后, 海事管制准确率、码头计划兑现率均得到提升, 管制风险率降低, 表明港航气象服务能在“保安全”的大前提下实现“增效益”。经计算, 针对大风天气, 气象服务每年产生的经济效益就在亿元以上, 2019年达5.18亿元。另有海雾、台风等灾害, 通过典型个例的评估, 每年服务效益达千万元级。在国家海洋经济战略的背景下, 随着宁波舟山港体量的进一步递增和气象服务能力的不断进步, 服务效益将愈发凸显。

本文提出的港航气象效益评估技术在“港口全息化气象预警与决策系统”中实现业务化应用。该服务系统曾获2017年首届全国气象服务创新大赛一等奖, 已在宁波市气象局、宁波市海事局、宁波舟山港股份有限公司三家单位部署应用, 预计还将在全国主要港口城市展开推广试点服务。