0 引　言

近年来，大数据技术和人工智能的快速发展，推动了智能系统在交通运输领域的广泛应用。在此背景下，具备远程操作的智能船舶，在提升船舶航行安全性、优化经济效益以及维护海洋生态环境等多个方面展现出了巨大的应用潜力。鉴于此，针对此类智能船舶的航行风险评价问题，已成为为国际海事组织（International Maritime Organization，IMO）及学术界高度关注的议题^[1]。本文研究聚焦于L3级智能船舶的航行风险评价，即针对那些无船员在船，具有远程遥控功能的船舶，旨在深入分析其潜在的航行风险，为智能船舶的安全运营提供理论依据与实践指导。

随着智能船舶技术的快速发展，众多专家学者已将研究目光投向了智能船舶航行风险的领域。鉴于智能船舶仍处于持续发展阶段，因此，智能船舶的风险识别研究主要聚焦于风险的根源剖析与核心风险因素的精准识别上。邹志强^[2]采用模糊综合评价方法确定了在复杂条件下的智能船舶航行风险因素隶属度，通过实例验证了其风险评价方法的适用性。Fan等^[3]基于VBPO-HSET风险识别模型，首次提出一种用于识别影响远程控制智能船舶航行风险因素的框架，对智能船舶航行风险进行识别。张文君^[4]提出一种基于DS-模糊加权距离贝叶斯网络的智能船舶航行风险评价方法，该方法可确保风险评价结果的定量化和直观化。杨仔豪等^[5]提出一种基于RFRM-有限云模型的智能船舶航行风险预警方法，采用定性与定量相结合的方法实现对航行风险的动态预警。

目前，在智能船舶航行风险领域的评价方法正处于发展阶段，本文从其他不同领域的风险研究得到了诸多启示与借鉴。在安全风险评价方法上，潘寒川等^[6]运用最优最劣法和反熵权法对各指标进行组合赋权，应用可拓云模型确定城市轨道交通线路运营安全评价等级，验证了此方法的可操作性。从明智等^[7]运用PSO-AHP法求得主观权重与CRITIC法求得客观权重，然后结合组合赋权确定综合权重，并运用可拓学评估法，构建装配式建筑成本控制水平物元可拓模型。Hsu等^[8]采用层次分析法、熵权法来计算评价对象权重后利用不同综合评价法对港口水域通航安全等进行评价，但由于主观因素占比重和权重分配不均等问题，评价结果误差较大。

综上所述，在陆地交通、港口水域等领域，博弈论组合赋权-可拓云模型已经相对成熟，然而，在当前船舶航行风险研究中，大多数研究仍然侧重于从主观角度构建船舶航行风险体系，且在风险指标权重的计算过程中，未能充分考虑指标冗余问题和航行环境的动态变化，这在一定程度上削弱了风险体系的准确性。对于L3级智能船舶而言，操控职能由在船船员转移至岸基控制中心。当智能船舶遭遇外部风险时，岸基控制中心的工作人员仍然发挥着关键作用，他们需要根据实时航行数据快速作出准确的决策。因此，迫切需要建立一个能够量化并反映动态航行风险的博弈论组合赋权-可拓云模型。利用双重标准过滤对航行风险因素进行筛选，有效避免指标冗余问题，提升后续赋权与评价的计算效率，通过博弈论优化层次分析法、熵权法以及变异系数法，综合计算各项指标的权重，降低不同权重方法带来的差异性并对权重进行量化，再将博弈论组合赋权方法与可拓云模型引入智能船舶航行风险评价中，是一种创新且具有实际意义的航行风险分析手段，该模型应当综合考虑指标冗余问题以及航行环境的动态变化，运用科学的方法对航行风险进行评价，从而实现智能船舶航行风险的动态预警，为岸基控制中心提供常规航行环境下的决策支持，旨在提升智能船舶在正常航行条件下的整体安全性与运营效率。

1 智能船舶航行风险评价指标体系的构建

航行风险评价指标体系的构建是一个系统性且精细化的过程，需要通过科学的方法论和严谨的数据分析，来确立一系列能够准确反映特定风险领域或对象风险状况的关键参数或变量^[9]。航行风险评价指标体系的构成及其内在逻辑关系，深刻揭示了各个航行风险影响因素之间的排列组合与相互关联特性。

1.1 智能船舶航行风险因素分析

智能船舶在航行过程中面临的外部环境，存在着显著的不稳定性和模糊性挑战，这些挑战主要体现在诸多因素的界限不明晰上，对智能船舶的运行构成了重要影响。本文在建立风险指标体系时，风险因素迭代分析流程如图1所示。首先，通过查阅相关文献和事故资料，初步筛选出影响航行风险的关键指标；其次，通过调查问卷，再运用德尔菲法对航行风险要素进行分析，并结合专家的咨询意见，对指标进一步分析与修正；最后，通过数理统计方法对专家意见进行推算与归纳，梳理出影响度较高的风险指标，确保指标的科学性和合理性。

风险指标体系构建的核心在于精准地体现风险要素之间的内在关联与相互影响，因此需要对每一个风险要素进行细致的筛选与分类处理，旨在全面且准确地映射出智能船舶所面临的风险状况。针对L3级别的智能船舶而言，航行风险识别评价指标的创建应遵循以船舶因素、环境因素及岸基控制中心为基准的分类原则，本文建立的智能船舶航行风险指标体系如图2所示，这一分类框架涵盖了智能船舶航行过程中的主要风险来源，为后续的风险分析与评价提供了清晰的结构框架。

1.2 双重标准风险过滤

智能船舶航行风险识别是一项极具挑战性、涵盖复杂且多层次结构的系统工程，其中，内在风险因素间的相互作用错综复杂，外部环境与船舶之间动态交互，从不同维度催生出多样化的风险源，进一步增加了风险识别的难度，若仅局限于局部风险因素，将难以实现对航行风险的有效控制。为确保能够全面而精准地捕捉智能船舶航行的风险根源，采用双重标准风险过滤机制对风险因素进行细致筛选，显著提升了风险管理的效率与精确度^[10]。

风险场景所带来的风险水平，主要取决于两大核心要素：风险事件的出现概率及其潜在危害程度，为了有效缩减风险场景的数量，在此阶段，将风险场景按照可能性和严重度作定性筛选分析，本文依据这2个关键因素实施了双重筛选标准，如图3所示。进一步细化，将风险发生的可能性细化为极小、很小、中等、大及非常大5个等级。同时，航行风险可能引发的后果也被划分为较低风险、一般风险、较高风险、高风险4个风险层次。

专家对筛选后的风险场景、风险发生的后果和发生的可能性进行评价，综合专家对风险后果和可能性的意见，可以得到关于风险发生可能性和发生后果的评级。将过滤后的风险组成矩阵，结果见表1。去掉位于较低风险和一般风险等级中的风险，如图4所示，最终保留了15个风险因素作为智能船舶航行风险指标体系的核心指标。

1）船舶因素S

船舶速度S₅是衡量船舶在水面上移动效率的重要参数，直接影响航行时效和航线选择。目标识别能力S₉指自主航行系统通过传感器融合和图像识别等技术对海上物体进行实时检测的能力。态势判断S₁₀指系统在综合多源感知数据的基础上，对当前航行环境进行分析、预测与评价。通信可靠性S₁₁指船舶在执行任务过程中，与岸基控制中心、其他船舶或辅助系统之间保持稳定的通信链路能力。自主航行决策能力S₁₂指船舶在复杂多变的海上环境中，基于实时感知数据和航行规则，完成路径规划、避碰操作和目标优先级排序等决策行为的能力。

2）环境因素E

风E₁是智能船舶航行中的重要环境因素，强风或突发性风速变化可能导致船舶航行稳定性下降，增加操控难度。水流E₂的速度和方向是影响智能船舶航行路径和稳定性的关键因素。能见度E₇通常受到天气、海雾、降雨等因素的影响，能见度低时，船舶的视觉感知能力受到限制。交通流密度E₈是指在一定水域内船舶密集度的高低。港口环境E₁₀包括了船舶进出港的流线安排、港口设施的布局等因素。

3）岸基控制中心C

应急管理水平C₂是指智能船舶在遭遇突发事件时，能否迅速有效地响应并采取适当措施的能力。处理速率C₃是指智能船舶在接收数据后，分析和处理信息的速度。通信协调能力C₄是指智能船舶在航行过程中与其他船舶、岸基控制中心、相关管理单位等进行信息交流和协同作业的能力。监管水平C₅是指相关政府机构、航运管理部门或国际组织对智能船舶航行行为、航运安全、环境保护等方面的监督管理能力。网络安全C₇是指智能船舶在信息传输、数据存储与系统运行过程中，受到数据泄露、系统篡改或其他网络风险恢复的时间。

2 博弈论组合赋权—可拓云模型的智能船舶航行风险模型

对于智能船舶航行风险指标进行双重过滤筛选，构建了一个系统化的智能船舶航行风险指标体系。利用博弈论思想融合层次分析法、熵权法以及变异系数法3种赋权方式，最终确定智能船舶航行风险指标的综合权重，避免单一赋权方法偏差，提高权重确定的科学性。鉴于博弈组合赋权方法能够根据风险情境的变化动态调整指标权重，可拓云模型具备实时处理风险信息变化的能力二者融合实现航行风险的实时监测、动态评价，满足智能船舶动态航行风险评价的需求。因此，本文构建一种博弈论组合赋权—可拓云模型，对智能船舶航行风险进行评价。

2.1 博弈论组合赋权

博弈论组合赋权法的基本理念在于寻求不同权重分配间的内在一致性，旨在高效融合主观权重与客观权重的优势^[11]。层次分析法擅长于从系统性和层次性的角度分解问题，熵权法则侧重于依靠数据的离散程度客观来反映各指标的重要性，而变异系数法则通过衡量数据的变异程度来揭示指标间的相对差异。通过博弈论思想的引导，不仅避免了单一赋权方法可能带来的主观或客观偏差，还优化了权重分配，显著提升了评价结果的准确性和可靠性^[12]。为此，运用博弈论原理，结合层次分析法、熵权法以及变异系数法综合计算各项指标的权重，实现权重均衡化。

构造航行风险评价指标向量集$ {W}_{k}=\left\{{W}_{k1},{W}_{k2},\cdots , {W}_{kn}\right\}\left(k=1,2,\cdots ,s\right) $，$ n $为评价指标数量，则这$ s $个向量任意线性组合为：

$ {w}_{\beta }=\sum \limits_{k=1}^{n}{\lambda }_{k}W_{k}^{\mathrm{T}}，{\lambda }_{k} \gt 0。$

(1)

式中：$ {w}_{\beta } $为权重向量；$ {\lambda }_{k} $为线性组合系数。

为了寻找各种加权方法之间的平衡，求解最优权重组合系数。假设存在一个最理想的线性组合系数$ {\lambda }^{\ast } $，它可以使$ {w}_{\beta } $和$ {w}_{k} $之间的偏差最小化，从而达到$ s $个权重之间的均衡，这一优化过程可以通过以下方程来实现：

$ \min \left|\left|\sum \limits_{k=1}^{s}{\lambda }_{k}W_{k}^{\mathrm{T}}-{w}_{k}\right|\right|。$

(2)

求解后可得最优组合系数$ {\lambda }^{*}=\left({\lambda }_{1},{\lambda }_{2},\cdots ,{\lambda }_{L}\right) $，求解综合权重。

对最优组合系数进行归一化处理：

$ \lambda _{k}^{*}={\lambda }_{k}/\sum \limits_{k=1}^{s}{\lambda }_{k}，$

(3)

最终的综合权重计算方式为:

$ W=\sum \limits_{k=1}^{s}\lambda _{k}^{*}W_{k}^{\mathrm{T}}，k=1,2,\cdots ,s。$

(4)

2.2 基于可拓云模型理论的风险评价

可拓云模型作为一种不确定性分析工具，结合了可拓学与云模型的思想，能够在风险因素存在模糊性、随机性和复杂性的情况下，精准高效地进行风险分析，可拓云理论将一组基础物元进行符号化表示为$ R=\left(N,C,V\right) $，其中特征值$ V $通过云模型的数字特征$ \left({E}_{x},{E}_{n},{H}_{e}\right) $进行替代和描述，具体涉及期望值$ {E}_{x} $、熵值$ {E}_{n} $以及超熵值$ {H}_{e} $。这种表示方法旨在实现评价流程中对随机性和模糊性的量化刻画^[13]。

$ R=\left[\begin{matrix}N & {C}_{1} & \left({E}_{x1},{E}_{n1},{H}_{e1}\right)\\ N & {C}_{2} & \left({E}_{x2},{E}_{n2},{H}_{e2}\right)\\ \vdots & \vdots & \vdots \\ N & {C}_{n} & \left({E}_{xm},{E}_{nm},{H}_{em}\right)\\ \end{matrix}\right]。$

(5)

其中，$ m $为事物特征的数量，在文中为评价等级，$ m=\left(1,2,3,4\right) $。

将智能船舶航行评价等级划分为低风险、中等风险、较高风险、高风险，对应Ⅰ ~ Ⅳ级，将通过咨询专家意见，确定评价标准等级，并划分评分区间$ \left[{Q}_{\min },{Q}_{\max }\right] $，计算标准云参数为：

$ \left\{\begin{aligned} & Ex=({Q}_{\max }+{Q}_{\min })/2，\\& En=({Q}_{\max }-{Q}_{\min })/6，\\ &{H}_{e}=k。\\ \end{aligned}\right. $

(6)

式中：$ {Q}_{\max } $、$ {Q}_{\min } $分别为评分区间的上下限；$ k $为常数，通常取0.01。

将云参数输入正向云发生器，生成评价标准云和评价综合云，通过观察云图，可直观判断风险等级。

根据可拓云模型生成算法，结合评价指标云模型数字参数模拟出指标正态云模型，确定关联度，将评价指标值看作云滴，生成期望值$ {E}_{n} $，标准差$ {H}_{e} $的正态分布随机数$ {E}_{nn} $，根据式(7)计算出各指标值$ {x}_{j} $与各评价等级之间的云关联度$ {k}_{jm} $，得到综合评价判断矩阵$ K $^[14]。

$ {k}_{jm}={e}^{-\frac{{\left({x}_{j}-{E}_{x}\right)}^{2}}{2E_{nn}^{2}}} $

(7)

式中：$ {k}_{jm} $为第$ j $个指标$ m $等级界限云的关联度，$ j $为2级指标个数，$ j=15 $。

$ {\boldsymbol{K}}=\left[\begin{matrix}{k}_{11} & {k}_{12} & \cdots & {k}_{1m}\\ {k}_{21} & {k}_{22} & \cdots & {k}_{2m}\\ \vdots & \vdots & \cdots & \vdots \\ {k}_{j1} & {k}_{j1} & \cdots & {k}_{jm}\\ \end{matrix}\right]。$

(8)

博弈论组合赋权提供了动态调整的权重向量，为可拓云模型的风险评价提供了量化输入，博弈论组合权重向量$ W $和综合评价判断矩阵$ {\boldsymbol{K}} $相乘得到综合云的关联度如式(9)所示，按照最大关联度原则，智能船舶航行安全综合评价等级$ d=\max D\left({d}_{1},{d}_{2},{d}_{3},{d}_{4}\right) $，实现航行风险的定量化评价与动态监测。

$ D=W{\boldsymbol{K}}。$

(9)

2.3 模型构建流程

基于此，本文构建为智能船舶航行风险评价路线图如图5所示。

3 实例验证

为验证智能船舶航行风险评价模型计算的有效性，设计一艘符合智能船舶L3级标准的2000TEU集装箱船作为研究对象，实验使用“V.Dragon-5000 A”型航海模拟器开展船舶操纵模拟试验，选取了北京某日9:00−18:00的AIS航行数据，通过中国气象局提供的公开气象资料获取了对应的气象数据，并邀请具有丰富航行经验的船舶驾驶专家进行航行风险评分。对数据进行分析与整理，综合航行数据、气象数据以及专家评分，分析了该船舶在上述时段内的不同时刻的航行指标数据，具体相关指标数据详见表2。

3.1 权重计算

通过查阅智能船舶航行风险因素的相关文献，咨询专家的意见结合实际情况，从而构建风险评价指标体系的目标层$ N $，准则层$ S $、$ E $、$ C $的判断矩阵，运用层次分析法计算出准则层权重和指标层下各个指标层的权重，进而求取出目标层下各个指标的权重，再根据航行风险指标数据，运用熵权法、变异系数法计算各个评价指标的权重，通过博弈论求出最优组合系数λ₁=0.417、λ₂=0.394、λ₃=0.189，最终计算出组合权重，如表3所示，指标层排序得S₁₂(0.1636) > S₅(0.1368) > E₈(0.1290) > S₉(0.0814) > S₁₁(0.0751) > E₂(0.0731) > E₁₀(0.0610) > S₁₀(0.0522) > E₇(0.0506) > E₁(0.0460) > C₄(0.0442) > C₃(0.0403) > C₇(0.0268) > C₂(0.0136) > C₅(0.0063)，其中，自主航行决策能力、船舶速度、交通流密度权重较高，对于智能船舶航行风险影响较大。

3.2 可拓云模型 3.2.1 评价指标分级

按照可拓云模型的评价思路，结合现有文献来划分智能船舶航行风险评价指标等级界限，对智能船舶各个航行风险评价指标进行分级，指标分级界限见表4，将智能船舶航行安全评价指标等级划分为低风险（对航行安全几乎无影响或影响极小）、中等风险（可能引发轻微异常，需引起注意但未达警报阈值）、较高风险（已构成明确威胁，需立即干预）、高风险（极可能造成重大事故的紧急状态）四个等级，分别对应Ⅰ ～ Ⅳ级。

3.2.2 计算云的数字特征

根据式(6)计算出等级界限云模型的数字特征如表5所示，根据指标的离散程度、模糊特性、随机变动进行适当调整。在本文选定调整系数$ k $=0.01。

3.2.3 单指标云图

结合表5指标云模型数字特征，将云参数输入正向云发生器，生成智能船舶各个航行风险指标的评价云图，通过观察云图，可直观判断风险等级，这里仅仅展示船舶速度、自主航行决策能力、交通流密度3个权重较大的指标标准等级云图。由图6可知，各指标Ⅰ ～ Ⅳ级风险等级的云模型表现出以下特征：1）云团边界清晰，等级间存在显著的非重叠区间；2）云滴离散程度低。3）云模型数字特征呈现良好的梯度分布。这些特征共同表明本研究建立的风险分级体系具有明确的等级区分度和良好的稳定性，能够有效支持智能船舶航行风险的评估。

3.2.4 计算单指标云关联度

根据云模型的特征，按照式(7)进行计算，得到T₁时刻不同评价指标在不同等级下的云关联度分布，如表6所示，输出结果为[0，1]区间的关联度值，数值越大表示与该等级匹配度越高。取各指标最大关联度对应的等级作为最终风险等级S₉和C₄与Ⅰ级、E₂与Ⅱ级、C₃与Ⅰ级具有显著关联性；E₁与Ⅱ级、C₇与Ⅰ级具有中等关联性；多数指标与其等级有微量关联性。

3.2.5 评价等级的确定

将表3中各个风险指标的综合权重和表6的各个风险评价指标的云关联度按照式(9)的步骤，得出T₁时刻段各个风险等级的综合关联度。根据表7的航行风险评价结果，T₁和T₂时刻段低风险（Ⅰ）的综合云关联度最大，分别为0.21865和0.30306，风险评价均为Ⅰ，表明航行环境较为安全。T₃时刻段低风险（Ⅰ）的值为0.22566，中等风险（Ⅱ）上升至0.17570，高风险（Ⅲ）也达到0.09699，风险有所增加，但总体仍为Ⅰ级。T₄时刻段低风险（Ⅰ）值下降至0.05725，中等风险（Ⅱ）上升至0.27235，较高风险（Ⅲ）虽为0.03627，但风险评价升至Ⅱ，表明风险显著增加。综合来看，从T₁到T₄，航行风险呈现由低风险逐步向中等风险转变的趋势，特别是T₄时刻段风险显著上升，该船舶所在区域的气象条件发生了明显变化，能见度降低，同时交通流密度增大等外部因素发生了变化，导致船舶操控性和态势判断受到一定影响，使得风险等级较前几个时段明显升高，建议对此时段加强风险管理措施，以确保航行安全。

4 结　语

本文旨在探讨一种创新的智能船舶航行风险评价方法，即融合博弈论组合赋权与可拓云模型的综合评价框架，研究选取了不同时刻的评价指标作为研究对象，通过模拟实验进行分析，充分验证了所提模型在评价过程中的高度稳定性与低模糊性，该模型的应用对于精准评价智能船舶的航行风险具有重要的实践价值和指导意义，然而，也需要指出模型在某些特定情况下的潜在局限性。具体的研究结论有：

1）深入分析智能船舶航行的风险因素，本文创新性地实施双重标准的风险过滤机制，剔除低相关性或重复性指标，构建了常规航行条件下的风险评价体系，提升后续赋权与评价的计算效率。但需要指出的是，对于海冰等极端恶劣海况因素尚未纳入考量，后续研究可重点突破极端海况下的风险评价方法，以进一步完善智能船舶航行安全评估体系。

2）采用层次分析法、熵权法以及变异系数法，对各项风险指标的权重进行了综合计算，进一步运用博弈论原理确定了最优的综合权重分配，这一过程显著减少了风险评价中的主观偏差，提升了评价的客观性和准确性。然而，权重的确定仍可能受到专家判断和参数设定的影响，未来研究可以探索更多自动化和数据驱动的权重分配方法。

3）在组合赋权方法的基础上，本文创新性地引入可拓云模型，充分考虑智能船舶航行风险中的模糊性和随机性。该方法有效解决了传统风险评价模型在处理模糊边界时的局限性，提升了评价结果的精确性和可靠性，为智能船舶的航行风险评价提供了更加科学、全面的分析框架。