2025, Vol. 55
海洋捕捞风险是渔民面临的重要问题之一，恶劣天气、自然灾害及海盗等海上风险常对渔船和渔民安全造成严重的威胁[1-2]。20世纪80年代以来，世界各国通过成立渔业组织或签署相关渔业协定和公约来保障渔业活动的安全[3]。但随着全球气候变化、人口增长等问题的日益突出，海洋捕捞面临着愈加严峻的挑战[4]，例如安联保险集团自2012年以来的报告(https://commercial.allianz.com/news-and-insights/reports/shipping-safety.html)表明亚洲沿海及附近海域受热带气旋、地震、海啸的影响海上事故频发[5-6]，还有研究表明部分小规模渔业可能涉及违禁品跨境运输[7]，这对海洋捕捞业发展构成严重威胁。因此，有必要评价亚洲沿海及附近捕捞海域中的多源风险，以更好制定海洋捕捞业风险管理办法[8]。然而，过去对海洋捕捞风险的研究主要关注：(1)以渔船为研究对象进行渔船碰撞、搁浅、溢油及渔获物转运风险评估[9-12]；(2)渔民安全、网具遗弃及非法、不报告和不管制(Illegal, unreported and unregulated, IUU)捕捞风险评估[13-16]; (3)海洋渔业保险及政策研究[17-21]; (4)气候变化背景下的渔业风险评估与管理[22-23]。对海域中威胁渔船和渔民安全的固有风险关注较少，这使得渔民经验仍然是捕捞活动重要的安全保障[24]。虽然卫星通信系统及气象预报系统等安全保障系统在渔业领域已被广泛应用[25-26]，但由于亚洲沿海及附近海域超过80%的渔船都是小于12 m的小型渔船[2]，其大多并未配备，这导致诸多的渔业安全管理措施实施效果可能并不理想。
目前对海洋捕捞风险的研究主要基于国际海事组织(International Maritime Organization, IMO)提出的综合安全评估方法(Formal safety assessment, FSA)及美国空军电子系统中心(Electronic Systems Center, ESC)提出的风险矩阵方法，利用国际海事组织全球综合航运信息系统(GISIS)(https://gisis.imo.org/Public/MCIR/Search.aspx)提供的船只事故数据库及各国发布的渔船事故数据库。但这些研究难以量化捕捞海域风险，海上事故数据库也可能缺失小规模渔业事故数据，导致评估结果可能具有一定局限性。因此，如何在数据限制下定量化评估捕捞海域中的多源风险成为需要研究的问题。
本研究旨在定量化评价捕捞海域中威胁渔船及渔民安全的多源风险，以探究亚洲沿海及附近捕捞海域不同区域发生渔业事故的可能性，为区域性渔业安全管理提供科学依据。研究将海洋捕捞时受海域固有风险的威胁而发生渔业事故的可能性定义为渔场风险，并将渔场风险分为环境风险与社会风险两大类。前者指渔场所在海域中可能存在的短期或长期对渔船和渔民安全构成威胁的气候灾害、自然灾害和其他海上环境风险，其对渔业安全的威胁往往是直接的、严重的及不可逆转的，前两类风险包括但不限于热带气旋、海啸、地震等，其他海上环境风险包括但不限于海平面压强、综合涌浪和风浪的显著高度、总降雨量、离港口距离及离海上平台距离等；后者指渔场所在海域中由于人类活动和社会因素对渔船和渔民安全构成威胁的社会风险，对渔业安全的影响往往是间接的、具有犯罪及利益谋取性质的，这些风险包括但不限于违禁品跨境运输、人口买卖、海盗犯罪、治理能力及识字率等，其中并不包含渔船故障及船员失误等可能造成海上事故的风险。
1 材料及方法 1.1 研究区域研究区域为60°E—150°E，0°—50°N的亚洲沿海及附近捕捞海域(见图 1)，地处热带、亚热带，其独特的地理位置和丰富的渔业资源使得全球约2/3的渔船在此从事渔业活动。该海域极端气候事件频发[5]，分布在环太平洋地震带的部分海域经常遭受地震、海啸的影响[6]，违禁品跨境运输可能对该海域众多小规模渔业也构成威胁[7]。这些风险导致亚洲沿海及附近捕捞海域渔船事故频发[27-28]，对海洋捕捞业发展构成了严重威胁。通过对文献和保险报告的综合分析，研究发现该海域导致渔业事故发生的风险种类最齐全，选区有较高的代表性。
|
( 水深范围为0~10 921 m。Bathymetry range from 0 m to 10 921 m. 审图号：GS(2016)1663号。Map approval number: GS(2016)1663. ) 图 1 研究区域示意图 Fig. 1 Diagram of the study area |
依据国际海事组织发布的综合安全评估框架、美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)渔业安全管理、历史文献、渔业报告、保险报告及各国政府报告，研究使用了11种环境数据和5种社会数据来构建亚洲沿海及附近捕捞作业海域渔场风险评估模型。环境数据包括热带气旋、海啸、地震、风浪和涌浪的综合有效高度(Significant height of combined wind waves and swell, SWH)、体感温度、平均海平面气压、风速、总降雨量、离岸距离、离港口距离及活动火点；社会数据包括人口买卖、违禁品跨境运输、海盗犯罪、治理能力及识字率。国际海事组织全球综合航运信息系统2012年以来的报告显示，2019和2020年亚洲沿海及附近捕捞海域渔船海上事故的发生次数接近2012年以来的平均次数，表明这两年均有普遍代表性，考虑到数据的最新性、完整性和可用性，研究中所用数据均来自2020年。
NOAA国家环境信息中心[29-30]提供了全球尺度的海啸和地震数据，记录了发生地点、时间、影响程度、海啸发生源及其影响海域范围；NOAA的国际热带气旋最佳路径数据集(IBTrACS)[31-32]提供了全球尺度的风暴数据，记录了风暴发生地点、时间、等级等信息。
欧洲中期天气预报中心的第五代大气再分析数据集(ERA5)[33]提供了全球每月的风浪和涌浪的综合有效高度、体感温度、平均海平面气压、风速及总降水量数据。
联合国毒品和犯罪问题办公室(United Nations Office on Drugs and Crime, UNODC)[34]提供了人口买卖、违禁品跨境运输、海盗犯罪数据，数据记录了事件发生的时间、所属国及具体数量。世界银行(World Bank)[35]提供了每年的治理能力数据集和识字率数据集。联合国开发计划署提供了人类发展指数(Human development index, HDI)[36]。
美国国家航空航天局(National Aeronautics and Space Administration, NASA)的Earthdata平台[37]提供了每天的活动火点数据，用于计算海域中任一点到海上平台的最短距离。地球观测组织(Earth observation group, EOG)发布了每年的VNL V2夜间灯光数据集[38]，其中受阳光、月光影响的多云像素及大多数火灾像素已被去除。
全球渔业观测(Global Fishing Watch, GFW)组织发布了离岸距离[39]和离港口距离栅格数据[40]，该数据提供了每个最小栅格单元到岸边及港口的距离；GFW发布的捕捞努力AIS数据集[41]记录了日期、经纬度、船旗国、网具类型、时间、捕捞时间及MMSI识别编码等信息。数据详情见表 1。
|
表 1 数据使用清单 Table 1 List of the utilized data |
研究运用层次分析法(Analytic hierarchy process, AHP)对11种环境风险和5种社会风险空间加权分析得到渔场风险指数；利用AIS船位数据和夜间灯光数据提取渔船在不同渔场风险海域的分布特征，以分析渔场风险对不同海域渔船捕捞密度的影响，这里渔船捕捞密度指每2°×2°的海域中渔船点位的密度；对渔场风险管理问题和渔业利益相关者进行矩阵分析，提出渔场风险应对能力指标(见图 2)。
|
图 2 技术路线图 Fig. 2 Technology roadmap |
第一步，构建亚洲沿海及附近捕捞海域渔场风险评估模型。首先利用11种环境风险和5种社会风险构建层次评价模型框架，随后结合文献和经验构造了判断矩阵。判断矩阵采用Saaty九分标度法比较两两风险因子间的关系，随后计算矩阵得到风险因子的权重值(见表 2)，环境风险和社会风险的权重分别直接设定为0.70和0.30。矩阵计算通过一致性检验(CR=0.071 8 < 0.1)。各因子的权重值被用于各因子在标准化后的空间加权分析，计算公式为
| $ R_{\text {index }}=\frac{\sum\nolimits_{n=1}^{16} f_n w_n}{16} 。$ | (1) |
|
|
表 2 风险因子权重值 Table 2 The weight value of risk factors |
式中：Rindex表示渔场风险指数，取值范围为0~1；fn表示风险因子栅格数据；wn表示风险因子权重值；n表示参与计算的风险因子序号。
研究采用ArcGIS 10.7中的natural breaks (Jenks)方法将渔场风险分为五类，分别为最低风险(0~0.15)、低风险(0.15~0.25)、中等风险(0.25~0.35)、高风险(0.35~0.45)和最高风险(0.45~1)。该方法通过优化分类，使组内差异最小化，同时使组间差异最大化，从而将研究对象划分为性质相似的群组。为增强模型的可解释性，研究采用六边形网格进一步对风险数据进行均值处理。
第二步，提取渔船在不同渔场风险海域的分布模式。首先筛选出研究区域内的AIS船位数据，再按船旗国进行二次筛选，之后利用ArcGIS 10.7的Extract Value to Point工具提取各船旗国渔船在不同风险海域的分布特征。利用掩膜提取研究区域内的夜间灯光数据，用Christopher D. Elvidge[42]和田浩[43]开发的船位提取模型提取夜间灯光渔船船位(见图 3)，提取阈值取0.5，之后利用ArcGIS 10.7的Extract Value to Point工具提取灯光渔船在不同渔场风险海域的风险值。最后利用ArcGIS 10.7的Kernel density analysis工具对渔船做密度分析，以探究渔场风险对不同海域渔船捕捞密度的影响。
|
( a. 夜间灯光原始影像Nighttime light original images. b. 夜间灯光渔船船位提取，绿点为船位点。Nighttime light fishing vessels position extraction, and the green dot is vessels position point. ) 图 3 夜间灯光渔船船位提取示例 Fig. 3 Schematic extraction of vessel position for nighttime light fishing vessels |
第三步，构建渔场风险应对能力指标。综合分析了渔场风险时空分布、渔船在不同渔场风险海域分布特征、不同渔场风险海域中的渔船捕捞密度及FAO渔业报告，提出了渔场风险管理问题，考虑了渔民或船东、渔业组织、政府部门、渔业企业、渔业保险机构、海洋风险类科研机构和海洋环保组织7方渔业利益相关者。渔场风险管理问题和渔业利益相关者构成渔场风险管理决策矩阵，然后依据国家或地区的渔业发展要求、相关参考资料及个人经验对矩阵进行定量分析，评价划分为1、2、3三个打分标准，分数越高，表示该利益相关者解决相关问题的能力越强，反之则越弱，将船旗国对所有问题的决策矩阵总得分之和标准化至0~100，标准化后的得分即为该船旗国的渔场风险应对能力指标。指标满分为100分，按照60%和80%的划分原则将其分为三个等级，分别为能力不足(0~60(不含60))、能力一般(60~80(不含80))和能力突出(80~100)。
2 结果 2.1 环境及社会风险分布模式环境风险与社会风险空间分布模式相反(见图 4)。2020年亚洲沿海及附近捕捞海域的环境风险在0.11~0.45间波动，总体上亚洲东部海域的风险值更高。高环境风险海域表现出明显的空间聚集特征，其主要集中分布在苏拉威西海东部海域、菲律宾主张的专属经济区、南海北部、东海及日本主张的专属经济区。相比之下，其他海域皆呈较低的环境风险，南海南部的环境风险最低。社会风险在0.11~0.57间波动，总体上亚洲中西部海域的风险值更高。缅甸、孟加拉国、伊朗等国主张的专属经济区呈现最高社会风险，而在韩国、朝鲜和密克罗尼西亚联邦主张的专属经济区风险值最低。值得注意的是，菲律宾主张的专属经济区和苏拉威西海东部海域同时面临较高环境风险和社会风险的影响，其他亚洲东部环境风险较高的海域则受到较低的社会风险影响。
|
( a.亚洲沿海及附近捕捞海域环境风险空间分布Spatial distribution of environmental risk in Asian coastal and adjacent fishing waters. b. 亚洲沿海及附近捕捞海域社会风险空间分布Spatial distribution of social risk in Asian coastal and adjacent fishing waters. 审图号：GS(2016)1663号。Map approval number: GS(2016)1663. ) 图 4 亚洲沿海及附近捕捞海域渔场风险因子空间分布图 Fig. 4 Spatial distribution of risk factor of fishing grounds in Asian coastal and adjacent fishing waters |
2020年的渔场风险(见图 5)揭示了亚洲沿海及附近捕捞海域最低风险、低风险、中风险、高风险和最高风险海域的占比分别为2.8%，61.78%，33.81%，1.45%和0.17%。约1.62%的区域为高风险和最高风险，高风险海域集中分布于菲律宾东部离岸500 km以内的海域和苏拉威西海东部海域，南海北部分布较少。中低风险海域的占比超过了95%，其中，中风险区域多分布于133°E以西海域，低风险海域广泛分布于亚洲沿海及附近捕捞海域，最低风险区域仅在西太平洋南部部分海域出现。
|
( 审图号：GS(2016)1663号。Map approval number: GS(2016)1663. ) 图 5 亚洲沿海及附近捕捞海域2020年渔场风险评估图 Fig. 5 Fishing grounds risk assessment map for Asian coastal and adjacent fishing waters in 2020 |
各国主张的专属经济区中渔场风险分布差异明显。菲律宾主张的专属经济区风险水平最高，南海九段线以内约60%区域为中风险海域，除日本、朝鲜、韩国、泰国、文莱主张的专属经济区及中国近海主要处于低风险海域外，其他大多国家主张的专属经济区为中风险水平。亚洲多数船旗国发展小规模渔业，探究专属经济区的风险特征将有助于制定有效的渔业安全管理办法。对于中国、日本等发展远洋渔业的国家而言，不仅需要应对渔场风险，还要考虑海上航行过程中的安全风险。因此，这些国家需要更加关注渔场风险的时空特征，以降低损失并确保渔业安全。
2.3 渔船所在海域的渔场风险指数分布模式各船旗国渔船所在海域的平均渔场风险指数存在显著差异，密克罗尼西亚联邦渔船所在海域的风险指数平均值最小，印度尼西亚渔船所在海域的渔场风险平均值最大。总体而言，东南亚和印度洋周边国家渔船的平均渔场风险指数高于其他国家，表明其面临更严重的潜在威胁。夜间灯光渔船多分布在渔场风险指数0.16~0.33的海域，尤其在渔场风险指数为0.25的海域分布最为密集。渔场风险指数从0.14到0.25，夜间灯光渔船数量整体呈上升趋势，随后逐渐下降(见图 6)。
|
( a. 各船旗国渔船的平均渔场风险指数分布模式Distribution pattern of average fishing grounds risk index for fishing vessels of various flag states. b. 夜间灯光渔船的渔场风险指数分布模式Distribution pattern of fishing grounds risk index for nighttime light fishing vessels. 各船旗国的标准缩写以联合国国家代码为准，详见表 3。Standardized abbreviations for flag states are based on United Nations country codes, see table 3 for details. ) 图 6 渔船所在海域的渔场风险指数分布模式 Fig. 6 Distribution pattern of fishing grounds risk index in areas fishing vessels located |
|
|
表 3 船旗国缩写说明 Table 3 Description of flag state or areas abbreviations |
在低风险海域，渔船呈现出比中风险海域更高的捕捞密度(见图 7)。AIS渔船在西北太平洋、西太平洋、中国近海和阿拉伯海等地区存在高密度捕捞点，但仅与阿拉伯海中风险海域的空间重叠比例较高；而夜间灯光渔船高密度捕捞点则主要分布在东亚、东南亚近海和阿拉伯海北部海域，与北部湾和东海中风险海域的重叠较为明显。
|
( a. AIS渔船捕捞热点与渔场风险的空间分布关系Spatial distribution relationship between fishing hotspots and fishing grounds risk by AIS fishing vessels. b. 夜间灯光渔船捕捞热点与渔场风险的空间分布关系Spatial distribution relationship between fishing hotspots and fishing grounds risk by nighttime light fishing vessels. 审图号：GS(2016)1663号。Map approval number: GS(2016)1663. ) 图 7 捕捞热点与渔场风险的空间分布关系 Fig. 7 The spatial distribution relationship between fishing hotspots and fishing grounds risk |
高渔场风险海域的渔船捕捞密度较低。AIS渔船的低捕捞密度点主要分布在孟加拉湾和南海，尽管在菲律宾主张的专属经济区和苏拉威西海东部海域也有低密度捕捞点分布，但实际上，在菲律宾近海有许多小型渔船进行捕捞活动，这些渔船未被AIS数据覆盖，因此实际捕捞密度可能更高。夜间灯光渔船主要分布在各船旗国的专属经济区内，捕捞密度普遍较低，其中孟加拉湾均为低密度捕捞点。尽管如此，与AIS渔船相比，夜间灯光渔船的捕捞密度值更高，这归因于模型提取的夜间灯光渔船船位可能偏多以及AIS数据并未涵盖大量小型渔船。
2.5 渔场风险应对能力指标提出5个渔场风险管理问题：(Ⅰ)如何更全面地构建亚洲沿海及附近捕捞海域风险评估模型？(Ⅱ)如何应对持续变化的渔场风险？(Ⅲ)如何推进渔场风险与渔业行为研究？(Ⅳ)如何解决各船旗国渔业保险覆盖率低的问题？(Ⅴ)如何解决亚洲沿海及附近捕捞海域众多小规模渔业数据的不可获取问题？基于各利益相关者的工作性质及内容、联合国减灾署及各船旗国减灾防灾相关部门对风险的应对办法和历史文献，构建了渔场风险管理决策矩阵，并以中国的渔场风险管理决策矩阵为例进行解读(见表 4)。
|
|
表 4 中国的渔场风险管理矩阵 Table 4 Fishing grounds risk management matrix in China |
问题Ⅱ的总得分最高，表明中国对渔场风险的应对办法较为全面，可能得益于其丰富的经验和有效的管理措施，问题Ⅱ可以优先被解决；问题Ⅴ的总得分最低，凸显当前解决渔业数据缺乏具有挑战性，根本原因在于可能较多渔港并未实行渔船登记制度，加之渔船设备落后，小规模渔业无法被有效管理，导致数据收集工作难以推进；其他问题的总得分相差较小，但随着渔业安全管控重心的转变，解决渔场风险管理问题的能力随之改变。
朝鲜应对渔场风险的能力不足，其他国家则保持能力一般(见图 8)。朝鲜仅有49.5分，其他国家则均保持在65~77分的范围内，韩国、日本及新加坡三个发达国家的渔场风险应对能力指标最高。渔场风险应对能力指标与HDI呈良好的线性关系(r=0.92, R2=0.84)，表明社会发展程度越高的国家对渔场风险管理问题的解决能力也越强，同时也验证了渔场风险应对能力指标构建方法的合理性与适用性。
|
( a. 各船旗国渔场风险应对能力指标Fishing grounds risk resilience indicator by flag states. b. 渔场风险应对能力与HDI的线性回归Linear regression of fishing grounds risk resilience indicator with HDI.各船旗国的标准缩写以联合国国家代码为准，详见表 3。Standardized abbreviations for flag states are based on United Nations country codes, see table 3 for details. ) 图 8 渔场风险应对能力分析 Fig. 8 Analysis of fishing grounds risk resilience |
各船旗国的渔场风险应对能力指标整体上受HDI影响，但大多船旗国的利益相关者对5个渔场风险管理问题的解决能力分布相似(见图 9)。除马来西亚外，各船旗国对问题Ⅰ的解决能力都大于问题Ⅴ的解决能力。各船旗国对问题Ⅳ和问题Ⅱ的解决能力基本相同，而对问题Ⅲ的解决能力差异性较大。
|
( 各船旗国的标准缩写以联合国国家代码为准，详见表 3。Standardized abbreviations for flag states are based on United Nations country codes, see table 3 for details. ) 图 9 亚洲各船旗国的风险管理问题能力指标 Fig. 9 Capacity indicators on risk management issues for Asian flag states |
2020年亚洲东部海域易受环境风险的影响，受社会风险的影响较小，而西部海域则易受社会风险的影响，受环境风险的影响较小(见图 4)。菲律宾主张的专属经济区和苏拉威西海东部海域同时受较高的环境风险和社会风险威胁，导致高风险及最高风险区域较多。孟加拉湾和阿拉伯海域受较高的社会风险影响，尤其是巴基斯坦、缅甸及斯里兰卡主张的专属经济区，但较低的权重使其保持在中低风险。
在东部海域，多数渔场分布在地震频发的环太平洋地震带，地震和海啸是渔业活动面临的首要潜在威胁[44]，菲律宾主张的专属经济区和苏拉威西海东部海域出现的环境风险高值便主要由地震及海啸引起。热带气旋也是重要的环境风险，中国气象局热带气旋资料中心的数据显示[45]，2020年西北太平洋共发生26次热带气旋，其严重影响着南海北部及西北太平洋的渔业活动安全[46]。南海热带气旋与西北太平洋热带气旋的活动规律不同[47]，前者更加复杂多变，对众多小规模渔业的威胁更大。随着气候变化的加剧，西部海域的热带气旋逐渐增多，造成的人员伤亡和经济损失日益严重[46-47]。其他环境和社会风险对渔场风险的贡献依据表 2风险因子的权重值进行评估，权重值越高的风险因子对渔场风险的贡献度越大。
3.2 驱动渔船在不同渔场风险海域分布的主要因素分析海洋渔业资源量和捕捞政策是主要驱动因素。图 7中AIS渔船的捕捞密度点分布特征表明，公海海域中渔船可能更倾向在渔业资源丰富的区域进行捕捞，渔场风险水平可能并非渔业活动决策的主导因素；而在各船旗国主张的专属经济区，由于近年来渔业资源衰退以及渔业管理政策的严格实施(如渔业许可、捕捞配额、禁渔期等措施)，部分小型渔船可能更倾向于集中在风险较低的区域进行捕捞。另外，网具类型可能也影响着渔船分布模式。
数据源及提取模型精度影响渔船分布。AIS数据可能存在漏报、虚报或错误报告的情况，且亚洲沿海及邻近捕捞海域多数小型渔船并未配备AIS。此外，使用机器学习提取的AIS数据本身可能存在误差。夜间灯光数据仅提供了灯光值，无法判断每个灯光是否为渔船，因此提取的灯光渔船可能不完全准确。阈值的选择需要依赖经验，且提取模型也可能无法精确捕捉每个像素点。因此，渔船捕捞密度分析可能存在误差。
3.3 影响渔场风险应对能力指标构建效果的主要因素分析充足的参考资料与合理的矩阵分析保证了渔场风险应对能力指标的科学性。构建指标的两个关键步骤包括渔场风险评估模型的构建和决策矩阵的定量分析。前者的准确性受渔场风险评估模型构建方法的准确性和渔业数据缺乏的影响；后者则受参考资料不足以及渔业利益相关者对渔场风险管理能力的影响。
渔业利益相关者及风险管理问题的选取决定了渔场风险应对能力指标的有效性。渔场风险应对能力指标与HDI呈正相关关系，表明社会发展水平越高的国家通常在渔业安全管理方面具有更强的应对能力。由于各船旗国渔业利益相关者对风险管理问题的侧重点具有差异，正确选取渔业利益相关者和风险管理问题是决定指标构建有效性的关键因素。
3.4 渔场风险管理建议渔场风险评估为各船旗国制定具体的风险管理办法提供基础的科学依据，对渔船分布模式、捕捞热点与渔场风险空间分布关系的探究为各船旗国提供风险管理思路，渔场风险应对能力指标量化了各船旗国对渔场风险的综合应对能力。为更好地管理亚洲沿海及附近捕捞海域风险，本研究结合渔场风险评价结果给出以下建议：
(1) 解决数据缺乏问题。数据共享与开放对于构建渔场风险评价模型和渔场风险应对能力指标至关重要。各船旗国应加强数据有限条件下的渔场风险评估与管理工作，利用历史数据、现场监测和模型预测等手段及时发现和预警潜在风险，为渔民和渔业管理部门提供决策支持。
(2) 构建全面的渔场风险保障体系。尽管一些船旗国的风险应对能力指标处于充足状态，但对于社会发展水平较低的国家可能不适用。特别对于菲律宾这类专属经济区风险较高的国家，可能需要更多渔业安全保障措施。因此，建议各船旗国聚焦于渔业金融、渔场风险与渔业行为研究以及渔场风险联合管理机制的构建，推进渔业保险、贷款和补贴的发展，提升人们对渔场风险的认知和管理能力，构建亚洲沿海及附近捕捞海域全面的渔场风险应对机制。
(3) 实施基于区域的渔场风险管理策略。环境风险和社会风险空间分布模式的相反强调了开展区域性渔场风险管理的必要性。2020年亚洲沿海及附近捕捞海域高风险和最高风险区域主要集中在菲律宾主张的专属经济区和苏拉威西海东部海域，而中低风险的分布则没有明显的聚集。在高风险海域，建立完善的监测系统和管理机制，特别是需要加强菲律宾的小规模渔业管理，例如提供技术培训和改善渔船设备等，以提升其应对风险的能力。同时，推动亚洲各国建立渔船登记制度，确保渔船信息的准确记录和管理，为渔业管理提供有效的基础数据。通过建立区域性和国际性合作机制，可有效促进亚洲各国在渔业风险管理方面的合作与交流，渔场风险应对能力指标将为渔业安全合作提供科学的基础参考。
4 结论研究通过对亚洲沿海及附近捕捞海域风险评价实现三个重要目标：(1)评估了亚洲沿海及附近捕捞海域风险空间分布特征；(2)探究了渔船在不同风险等级海域的分布模式；(3)量化了各船旗国对渔场风险管理问题的应对能力。研究还分析了影响渔场风险空间变动、渔船空间分布模式、以及渔场风险应对能力指标构建效果的主要因素，为政府部门更合理地制定亚洲沿海及附近捕捞海域风险管理策略提供依据。然而，由于数据质量和构建方法等问题，结果可能存在偏差，未来研究需要结合渔船属性(如渔船大小、渔船功率)和渔民因素(如安全意识)，来进一步探究不同情景下渔船发生事故的可能性，更全面地构建渔场风险评价体系。
| [1] |
Wang H, Liu Z, Wang X, et al. , An analysis of factors affecting the severity of marine accidents[J]. Reliability Engineering & System Safety, 2021, 210(3): 107513. (  0) |
| [2] |
FAO. The State of World Fisheries and Aquaculture 2020. Sustainability in action[R]. Rome: FAO, 2020.
( 0) |
| [3] |
陈晔, 蔡元菁. 海洋渔业治理能力国际比较——基于OECD数据库[J]. 海洋开发与管理, 2023, 40(3): 39-52. Chen Y, Cai Y J. International comparison of marine fisheries governance capability: Based on OECD database[J]. Ocean Development and Management, 2023, 40(3): 39-52. ( 0) |
| [4] |
FAO. The State of World Fisheries and Aquaculture 2022. Towards Blue Transformation[R]. Rome: FAO, 2022.
( 0) |
| [5] |
Allianz Global Corporate & Specialty. Safety and Shipping Review 2021[R]. Munich: Allianz, 2021.
( 0) |
| [6] |
Allianz Global Corporate & Specialty. Safety and Shipping Review 2024[R]. Munich: Allianz, 2024.
( 0) |
| [7] |
Belhabib D, Le Billon P, Wrathall D J. Narco-fish: Global fishe-ries and drug trafficking[J]. Fish and Fisheries, 2020, 21(5): 992-1007. DOI:10.1111/faf.12483 ( 0) |
| [8] |
范之安. 中国海洋渔业风险管理研究[D]. 青岛: 中国海洋大学, 2007. Fan Z A. Study on the Management of the Marine Fishery Risk in China[D]. Qingdao: Ocean University of China, 2007. ( 0) |
| [9] |
迟娟. 海洋渔业船舶风险评估及保险研究[D]. 沈阳: 沈阳航空航天大学, 2020. Chi J. Risk Assessment and Insurance Research of Marine Fishing Vessels[D]. Shenyang: Shenyang Aerospace University, 2020. ( 0) |
| [10] |
Balmat J, Lafont F, Maifret R, et al. A decision-making system to maritime risk assessment[J]. Ocean Engineering, 2011, 38(1): 171-176. DOI:10.1016/j.oceaneng.2010.10.012 ( 0) |
| [11] |
Seto K, Miller N, Young M, et al. Toward transparent governance of transboundary fisheries: The case of Pacific tuna transshipment[J]. Marine Policy, 2022, 136: 104200. DOI:10.1016/j.marpol.2020.104200 ( 0) |
| [12] |
于梦露, 周利粒, 潘灶林, 等. 基于模糊AHP-DEMATEL的小型木质海洋渔船安全风险评估[J]. 船舶工程, 2023, 45(10): 49-57. Yu M L, Zhou L L, Pan Z L, et al. Safety risk assessment of small wooden marine fishing boats based on fuzzy AHP-DEMATEL[J]. Ship Engineering, 2023, 45(10): 49-57. ( 0) |
| [13] |
Gilman E, Musyl M, Suuronen P, et al. Highest risk abandoned, lost and discarded fishing gear[J]. Scientific Reports, 2021, 11(1): 7195. DOI:10.1038/s41598-021-86123-3 ( 0) |
| [14] |
Oozeki Y, Inagake D, Saito T, et al. Reliable estimation of IUU fishing catch amounts in the northwestern Pacific adjacent to the Japanese EEZ: Potential for usage of satellite remote sensing images[J]. Marine Policy, 2018, 88: 64-74. DOI:10.1016/j.marpol.2017.11.009 ( 0) |
| [15] |
Dowling N A, Wilcox C, Mangel M. Risk sensitivity and the behaviour of fishing vessels[J]. Fish and Fisheries, 2015, 16(3): 399-425. DOI:10.1111/faf.12064 ( 0) |
| [16] |
Long T, Widjaja S, Wirajuda H, et al. Approaches to combatting illegal, unreported and unregulated fishing[J]. Nature Food, 2020, 1(7): 389-391. DOI:10.1038/s43016-020-0121-y ( 0) |
| [17] |
Anderson S C, Ward E J, Shelton A O, et al. Benefits and risks of diversification for individual fishers[J]. Proceedings of the National Academy of Sciences, 2017, 114(40): 10797-10802. DOI:10.1073/pnas.1702506114 ( 0) |
| [18] |
Hickey G M, Snyder H T, DeVries J R, et al. On inter-organizational trust, control and risk in transboundary fisheries gover-nance[J]. Marine Policy, 2021, 134: 104772. DOI:10.1016/j.marpol.2021.104772 ( 0) |
| [19] |
Pfeiffer L, Gratz T. The effect of rights-based fisheries management on risk taking and fishing safety[J]. Proceedings of the National Academy of Sciences, 2016, 113(10): 2615-2620. DOI:10.1073/pnas.1509456113 ( 0) |
| [20] |
FAO. World review of capture fisheries and aquaculture insurance 2022[R]. Rome: FAO, 2022.
( 0) |
| [21] |
Finnis J, Reid-Musson E. Managing weather & fishing safety: Marine meteorology and fishing decision-making from a gover-nance and safety perspective[J]. Marine Policy, 2022, 142: 105120. DOI:10.1016/j.marpol.2022.105120 ( 0) |
| [22] |
Cheung W W L, Jones M C, Reygondeau G, et al. Opportunities for climate-risk reduction through effective fisheries management[J]. Global Change Biology, 2018, 24(11): 5149-5163. DOI:10.1111/gcb.14390 ( 0) |
| [23] |
Ma S, Kang B, Li J, et al. Climate risks to fishing species and fisheries in the China Seas[J]. Science of The Total Environment, 2023, 857: 159325. DOI:10.1016/j.scitotenv.2022.159325 ( 0) |
| [24] |
Pfeiffer L, Kraan M. How storms affect fishers' decisions about going to sea[J]. ICES Journal of Marine Science, 2020, 77(7-8): 2753-2762. DOI:10.1093/icesjms/fsaa145 ( 0) |
| [25] |
徐硕, 郭宇东, 王宇, 等. 海洋渔业自主卫星通信系统应用现状与发展趋势[J]. 中国渔业经济, 2021, 39(4): 31-39. Xu S, Guo Y D, Wang Y, et al. Review on the application and development of autonomous satellite communication systems in the field of marine fishery[J]. Chinese Fisheries Economics, 2021, 39(4): 31-39. ( 0) |
| [26] |
李国栋, 陈军, 汤涛林, 等. 渔业船联网关键技术发展现状和趋势研究[J]. 渔业现代化, 2018, 45(4): 49-58. Li G D, Chen J, Tang T L, et al. Key technologies of fishery internet of vessels (FIoV): State-of-the-art and future trends[J]. Fishery Modernization, 2018, 45(4): 49-58. ( 0) |
| [27] |
NCC. The major global catastrophic weather events[EB/OL]. (2023-01-16)[2024-03-25]. http://cmdp.ncc-cma.net/Monitoring/cn_global_extreme.php.
( 0) |
| [28] |
FAO and ICSF. Cyclone Ockhi-disaster risk management and sea safety in the Indian marine fisheries sector[R]. Rome: FAO, 2019.
( 0) |
| [29] |
NCEI. National Geophysical Data Center/World data service: NCEI/WDS global historical tsunami database[DB/OL]. (2023-01-16)[2024-03-25]. https://www.ngdc.noaa.gov/hazel/view/hazards/tsunami/event-search.
( 0) |
| [30] |
NCEI. National Geophysical Data Center/World data service (NGDC/WDS): NCEI/WDS global significant earthquake database[DB/OL]. (2023-01-16)[2024-03-25]. https://www.ngdc.noaa.gov/hazel/view/hazards/earthquake/search.
( 0) |
| [31] |
Knapp K R, Kruk M C, Levinson D H, et al. The international best track archive for climate stewardship (IBTrACS)[J]. Bulletin of the American Meteorological Society, 2010, 91(3): 363-376. DOI:10.1175/2009BAMS2755.1 ( 0) |
| [32] |
Knapp K R, Kruk M C, Levinson D H, et al. International Best Track Archive for Climate Stewardship (IBTrACS) Project, Version 4[DB/OL]. (2023-01-16)[2024-03-25]. https://doi.org/10.25921/82ty-9e16.
( 0) |
| [33] |
Hersbach H, Bell B, Berrisford P, et al. ERA5 monthly averaged data on single levels from 1940 to present[DB/OL]. Copernicus Climate Change Service (C3S) Climate Data Store (CDS). (2023-01-16)[2024-03-25]. https://cds.climate.copernicus.eu/cdsapp#!/dataset/10.24381/cds.f17050d7?tab=form.
( 0) |
| [34] |
United Nations Office on Drugs and Crime. dataUNODC[DB/OL]. (2023-01-16)[2024-03-25]. https://dataunodc.un.org/.
( 0) |
| [35] |
World Bank. World Development Indicators[DB/OL]. (2023-01-16)[2024-03-25]. https://databank.worldbank.org/source/world-development-indicators.
( 0) |
| [36] |
(United Nations Development Programme. Human development report 2023-2024: Breaking the gridlock: Reimagining cooperation in a polarized world[R]. New York: United Nations Develo-pment Programme, 2024.
( 0) |
| [37] |
NASA. Active fire data[DB/OL]. (2023-01-16)[2024-03-25]. https://www.earthdata.nasa.gov/learn/find-data/near-real-time/firms/active-fire-data.
( 0) |
| [38] |
Elvidge C D, Zhizhin M, Ghosh T, et al. Annual time series of global VIIRS nighttime lights derived from monthly averages: 2012 to 2019[J]. Remote Sensing, 2021, 13(5): 922. DOI:10.3390/rs13050922 ( 0) |
| [39] |
GFW. Distance from shore in meters[DB/OL]. (2023-01-16)[2024-03-25]. https://globalfishingwatch.org/data-download/datasets/public-distance-from-shore-v1.
( 0) |
| [40] |
GFW. Distance from port in meters[DB/OL]. (2023-01-16)[2024-03-25]. https://globalfishingwatch.org/data-download/datasets/public-distance-from-port-v1.
( 0) |
| [41] |
GFW. Fishing effort[DB/OL]. (2023-01-16)[2024-03-25]. https://globalfishingwatch.org/data-download/datasets/public-fishing-effort.
( 0) |
| [42] |
Elvidge C D, Zhizhin M, Baugh K, et al. Automatic boat identification system for VIIRS low light imaging data[J]. Remote Sensing, 2015, 7(3): 3020-3036. DOI:10.3390/rs70303020 ( 0) |
| [43] |
田浩, 刘阳, 田永军, 等. 以遥感夜间灯光数据为基础的西北太平洋秋刀鱼渔船识别[J]. 水产学报, 2019, 43(11): 2359-2371. Tian H, Liu Y, Tian Y J, et al. Detection of Pacific saury (Cololabis saira) fishing boats in the Northwest Pacific using satellite nighttime imaging data[J]. Journal of Fisheries of China, 2019, 43(11): 2359-2371. ( 0) |
| [44] |
吴同. 海底地震引发的大灾难——地震海啸[J]. 生命与灾害, 2023(5): 12-15. Wu T. Catastrophes caused by undersea earthquakes: Seismic tsunamis[J]. Life and Disasters, 2023(5): 12-15. ( 0) |
| [45] |
Lu X, Yu H, Ying M, et al. Western north pacific tropical cyclone database created by the China Meteorological Administration[J]. Advances in Atmospheric Sciences, 2021, 38(4): 690-699. DOI:10.1007/s00376-020-0211-7 ( 0) |
| [46] |
赵宗慈, 罗勇, 黄建斌. 全球变暖与热带气旋[J]. 气候变化研究进展, 2023, 19(6): 823-826. Zhao Z C, Luo Y, Huang J B. Global warming and tropical cyclones[J]. Climate Change Research, 2023, 19(6): 823-826. ( 0) |
| [47] |
杨亚新. 1971-2020年南海生成热带气旋的活动规律与大风分布特征[J]. 海洋预报, 2024, 41(1): 104-111. Yang Y X. Activity regularity and gale distribution characteristics of tropical cyclones generated in the South China Sea from 1971 to 2020[J]. Marine Forecasts, 2024, 41(1): 104-111. ( 0) |