基于AIS數據的中國沿海集裝箱港口碳排放

陳偉杰,宋炳良,張婕姝

基于AIS數據的中國沿海集裝箱港口碳排放

陳偉杰1,宋炳良1,張婕姝2*

(1.上海海事大學經濟管理學院,上海 201306；2.上海海事大學,上海國際航運研究中心,上海 201306)

為了精確有效地測量船舶在港碳排放,提出了一種基于海量船舶AIS(Automatic identification System)航行軌跡數據的港口碳排放計算框架,并結合上市港務公司經營數據,估算港口碳排放承擔能力.以中國11個沿海主要集裝箱港口為例,采用2018年全球4280艘集裝箱船的AIS軌跡全年數據計算碳排放社會成本.結果顯示:中國沿海集裝箱港口碳排放量與船舶抵港艘次整體呈正相關,上海港是全球第一大集裝箱港口,2018年其港口CO2排放量最高,為69.3萬t;船舶靠港作業時,在泊和錨泊狀態CO2的排放比例較高,占碳排放比例的65.8%;從CO2排放社會成本來看,上海港域內的船舶碳排放社會成本最高,2018年需要支付2459.6萬元,從承擔碳排放社會成本的能力來看,連云港壓力較大,每億營業收入需要承擔碳排放社會成本24.46萬元.

水路運輸；數據挖掘；AIS船舶數據；港口CO2排放量；碳排放社會成本

海運在國際進出口商品運輸中占有重要地位.據聯合國貿發會統計數據顯示,超過80%的全球貨物貿易量(或70%的全球貨物貿易額)都是通過海上運輸完成[1].隨著全球經濟和貿易活動的快速發展,海運活動產生的溫室氣體排放量不斷增加[2-3].CO2是全球氣候升溫的罪魁禍首,2015年其在溫室氣體中的占比達到76%[4].國際海事組織(IMO)于2018年4月通過了全球首份航運業溫室氣體減排戰略,以2008年碳排放為基準,提出到2030年將航運業碳排放強度降低40%;2050年碳排放強度降低70%(碳排放總量降低50%)的明確目標[5].同時,為了推進船舶碳減排, IMO出臺了一系列舉措.自2013年以來,新船必須符合IMO的能效設計指數(EEDI)的要求, IMO還在同年實施了船舶能效管理計劃(SEEMP).但是,由于船舶的分散性和機動性,監管部門難以準確收集每艘船的尾氣排放數據,對船舶尾氣排放的監測和監管面臨挑戰.

隨著AIS數據在全球船舶的應用推廣,船舶的AIS軌跡數據快速增長,基于AIS大數據的港航運營管理研究越來越多,通過對船舶AIS數據在港航領域的應用研究文獻的梳理,可以發現目前圍繞AIS數據的主要聚焦于船舶和港口兩個方面:在船舶方面,涉及船舶避碰[6-7]、航線優化[8-9]、軌跡預測[10]、船舶交通流分析[11]等;在港口方面,主要聚焦于港口生態效率[12-13]、港口污染排放[14-15]、港口擁堵[16]等.AIS數據能夠提供船舶的軌跡坐標、速度、時間等關鍵信息,為研究者測算船舶CO2排放量提供了新的可能性[12-18].根據IMO第三次(2014年)和第四次(2020年)船舶溫室氣體研究報告統計數據顯示,集裝箱船舶CO2排放量在所有類型船舶排放占比最高,是污染最為嚴重的船舶類型.而中國港口集裝箱吞吐量位居全球第一,2020年中國沿海港口集裝箱吞吐量約占全球港口集裝箱吞吐量的32.1%[19],每年有大量的集裝箱船舶靠港.由此,中國集裝箱港口每年CO2排放量非?？捎^.目前,支持航運碳減排方案和政策制定的船舶排放數據相對匱乏[20],且針對港口的碳排放水平缺乏衡量方法和指標.由此,本文基于AIS船舶數據,建立港口碳排放計算框架,測算中國沿海集裝箱港口碳排放成本,為政府環保監管和企業綠色經營提供對策建議,為中國港航領域2060年實現碳中和目標提供參考.

1 研究方法和數據來源

1.1 技術路線

圖1 本研究技術路線

本研究的主要技術路線如圖1所示,首先對船舶AIS動態航線軌跡數據進行預處理,計算船舶碳排放量所需要的速度和時間;然后將AIS動態軌跡數據和船舶靜態數據匹配,獲取計算船舶碳排放量所需要的功率、最大速度、發動機類型等信息;其次根據速度和發動機負載情況對港內船舶狀態判別;接著采用STEAM模型測算船舶CO2排放量,估算出港內船舶CO2排放社會成本,最后分析港口社會成本差異原因.

1.2 數據來源與預處理

1.2.1 數據來源 本文數據來源主要包括兩大類:①港口數據;②船舶數據.其中,港口數據主要有港口地理信息數據和港口生產數據,此類數據獲取通常由港口官方網站獲得;船舶數據主要由船舶AIS動態信息數據和船舶檔案(靜態數據)構成.靜態數據源于IHS Markit官網和勞氏船舶檔案;AIS動態數據可獲取的途徑包括國家/地方海事部門提供的官方數據、航運信息服務企業提供的商業數據,以及通過自建基站獲取數據等.本文使用的AIS數據是基于上海國際航運研究中心港航大數據實驗室經過合并多家數據源、剔除無效數據并校驗后的數據,提取2018年全年約86G集裝箱船舶航行軌跡數據,進行實例研究.

1.2.2 數據說明 本文研究的數據主要包括船舶AIS動態軌跡數據、船舶檔案數據、港口生產數據以及港口地理信息數據.其中船舶AIS動態軌跡數據主要指包含經緯度、時間、速度等動態時空信息數據;船舶檔案主要包含MMSI編號、船型、船舶載重噸、船寬、發動機功率、最大設計速度等船舶信息;港口生產數據主要包括港口吞吐量、港口營收數據等;港口地理信息數據主要包括港界坐標、泊位坐標、航道范圍等地理信息(表1).

1.2.3 數據預處理 原始AIS信息解碼后,所得信息數據是離散的,通過數據預處理可剔除異常、錯誤AIS數據.本文主要通過3個步驟對AIS數據進行預處理:①對AIS進行數據清洗,數據清洗主要是剔除明顯錯誤、重復的數據;②剔除異常數據,主要剔除嚴重偏離軌跡的AIS數據點,采用集裝箱船的速度約束條件進行剔除,若某段集裝箱船速度大于閾值,則剔除該點,使得求出船舶速度整體平滑(式1);③將船舶AIS動態信息數據與船舶靜態信息數據(船舶檔案)進行匹配.

表1 數據說明

1.3 船舶行駛狀態判別

表2 船舶航行狀態分類

根據IMO第四次溫室氣體(GHG)研究報告,將船舶的運行分為5個階段:在泊(berth)、錨泊(anchored)、機動(manoeuvring)、低速巡航(slow- steaming)、巡航(normal cruising),并根據船舶與陸地或港口的距離以及船舶的行駛速度來判斷船舶狀態.還有學者對判別狀態的約束條件進行了簡化[21-22],依據船舶發動機負載系數和船舶行駛速度作為參照條件.本文主要測算港域范圍內的船舶排放清單,故船舶與陸地的距離在較小范圍內,不考慮船舶到陸地距離對船舶狀態的影響因素,僅考慮負載系數和速度對船舶狀態的影響(表2).

1.4 船舶碳排放估算方法

1.4.1 船舶碳排放模型建立 船舶消耗燃料產生碳排放的主要部件包括主機、輔機以及鍋爐,由此建立碳排放估算模型.

式中:為CO2排放量,g;m為主機CO2排放量;E為輔機CO2排放量;E為鍋爐CO2排放量.

目前,業界通常采用兩種排放計算思路來測算港口和船舶CO2排放量,即為“自上而下”和“自下而上”的方法.“自上而下”的方法是使用燃油消耗量和CO2排放因子來估算CO2排放量.不少研究[20,23-24]直接搜集船舶燃油消耗量數據估算不同國家和區域的船舶排放清單(式3).“自下而上”的方法[13-21]是利用船速、航行時間、地理位置信息等實時航行AIS軌跡數據,結合船舶檔案數據以及地理信息數據對船舶能耗進行估算.

式中:為CO2排放量,g;為燃油消耗量,kg;EF為排放系數,單位為g/kg.

有多種“自下而上”的方法估算船舶碳排放量.Trozzi等[25]建立MEET框架,使用15000個船舶數據,對船舶載重噸和能源單位時間消耗量進行擬合,得到兩者之間的線性關系,從而估算船舶能耗量;Georgakaki等[26]采用一種更為直接的TRENDS框架進行估算,應用船舶數據庫得到了船舶載重噸和能源單位公里消耗量的關系;Jalkanen等[27]和Shi等[12]建立STEAM (船舶運輸排放評估模型)評估模型,基于AIS船舶軌跡數據以及船舶檔案數據估算船舶能耗量,采用能耗值與各類污染物的排放因子估算船舶排放清單;Topic等[18]建立 SEA(船舶排放評估模型)評估模型估算船舶航次排放清單,其計算方法與STEAM評估模型相似,但SEA評估模型主要以航次為單位計算航次平均速度以及耗費時間來估算船舶的某個航次的碳排放.對比這些方法,Jalkanen等[27]建立的STEAM模型被論證為最可靠的模型,其估算結果更為精準,因此本文采用STEAM評估模型用來評估港口船舶主機的CO2排放量.

式中:為船舶區域內單艘船舶的CO2排放量總量,t;為船舶發動機的額定功率,kW;LF為負載因子,%,由船舶速度和船舶發動機類型決定;為船舶航行時間,h;EF為CO2的排放因子,g/kW×h;為船舶發動機類型,船舶的發動機主要分為主機、輔機和鍋爐;P表示不同發動機對應的功率;為船舶發動機燃料類型,包括重油(RO)、船用柴油(MDO)、船用輕柴油(MGO),發動機類型和燃料類型決定碳排放因子(表5);為船舶行駛速度,節,T表示船舶以速度行駛的時間.

1.4.2 載重系數 船舶發動機負荷系數LF是計算船舶排放的重要參數,通常船舶發動機負荷系數LF是由最大航速和實際航行速度確定(式(5)).

主機的負載系數與船舶行駛速度相關,而輔機和鍋爐的負載系數與速度并不相關,曾凡濤等[14]和Browning等[28]給出輔機負載系數(表3).

表3 船舶不同行駛狀態下輔機負載系數

1.4.3 輔機與鍋爐碳排放估算 輔機與鍋爐能源消耗主要與船舶類型、船舶尺寸、船舶行駛狀態有關.IMO第四次溫室氣體(GHG)研究報告[19]對不同船型、不同船舶尺寸以及不同行駛狀態下的輔機和鍋爐功率進行規定,本文將直接引用.規定如下:

(1)當主機功率m?[0,150kW]機和鍋爐功率為零;

(2)當主機功率m?[150kW,500kW]時,輔機功率是主機功率的5%,鍋爐功率參照表4;

(3)當主機功率m?(500kW,+￥]時,輔機功率和鍋爐功率參照表4.

表4 輔機和鍋爐功率參照

注:巡航包含低速巡航.

1.4.4 船舶CO2排放因子選定 排放因子由船舶機器類型、轉速、燃料類型等因素決定.其中,船舶類型包括主機、輔機和鍋爐;船舶轉速包括低速、中速和高速發動機.關于船舶發動機類型,IHS船舶檔案和克拉克森官方網站均有集裝箱船舶主機數據信息.發動機曲軸最高轉速小于350r/min的低速柴油機主要用于大型船舶主機;發動機曲軸最高轉速介于350～1000r/min的中速柴油機通常用于大型船舶主機或輔機;發動機曲軸最高轉速超過1000r/min的通常用于小型船主機或大型船輔機[13].船舶燃料類型主要包括重油(RO)、船用柴油(MD)和船用輕柴油(MG).由于缺乏船舶使用燃油數據,結合調查結果,本文設定船舶主機使用重油(RO),船舶輔機使用船用柴油(MD)、船舶鍋爐使用船用柴油(MD)或船用輕柴油(MG).通過參考相關文獻,針對主機、輔機、鍋爐不同機器類型及燃料類型,選取船舶排放因子如表5所示.

表5 不同發動機類型的CO2排放因子[g/(kW×h)]

1.5 港口碳排放社會成本

Nunes等[29]和Papaefthimiou等[30]建立了港口生態效率評價指標,考慮了港口排放對經濟、環境和社會的影響,進行了綜合評價.曾凡濤等[14]也定義了港口的生態效率,考慮了環境和社會兩類指標,并使用港口單位收入的社會成本作為核心的環境指標.基于以上研究,本文將測算各個港口碳排放社會成本,并評估各大港口承擔碳排放的能力(式(6)),客觀反映港口經濟—資源—環境復合系統的協調發展情況.

式中:port為港口承擔碳排放的能力,即每營業收入億元所需承擔的碳排放社會成本,萬元/億元;ECport是港內船舶CO2排放的社會成本,元;port為港口的營業收入,億元;port是港內船舶CO2的排放量,t; ECF是每種CO2排放的社會成本系數,元/t.

CO2排放的社會成本是CO2排放量造成的損害以貨幣價值來表示.Maragkogianni等[31]采用CAFE(歐洲清潔空氣)和NEEDS(新能源外向性的可持續發展)兩種方法估算希臘5大港口的污染物排放社會成本,邱達春等[32]定義了碳排放的SCC(社會成本),以及闡述了SCC的經濟學原理.2013年美國白宮部門聯席工作組發布《技術上調碳排放社會成本用以政策影響分析》的報告,給出了2015～2050年碳排放社會成本.趙巧芝等[33]測算了中國30省份2000～2015年CO2邊際減排成本,反應了中國各個省份CO2邊際減排成本存在差異性.根據以上學者對CO2排放的社會成本研究,本文采用我國碳配合交易市場中碳配額的價格代表社會成本系數(表8).

2 實證分析

2.1 研究港口和數據

本文選取中國上海、寧波、天津等11大沿海港口4類信息數據,即:①港務集團生產經營數據,主要包括港口集裝箱吞吐量、上市港口經營公司營業收入;②集裝箱軌跡數據:包含2018年1～12月4280艘船舶的AIS動態軌跡數據;③船舶檔案數據:由IHS提供的全球主要船舶檔案,包括船舶MMSI編號、IMO編號、尺寸、噸位、船型、船舶功率等屬性信息;④港口地理信息數據:航海圖標定基本港口信息(包括港界、錨地、航道和VTS報告線等),本文主要根據航海圖、《船舶交通服務指南》[34]以及各大港口官方網站公布的港口地理信息為依據對標定各港口港界范圍.

表6 2018年中國沿海集裝箱港口吞吐量和營收數據

注:數據來源:中國交通運輸部和各大港口年報.

2.2 港口碳排放數據測算核心步驟

本文進行港域碳排放主要分為8個步驟(圖2):①篩選港域內船舶AIS軌跡點;②將每艘船舶軌跡點按照時間序列排序,求出船舶軌跡段(相鄰兩點之間)的時間間隔、球面距離以及速度;③將AIS動態數據與船舶檔案匹配,獲取船舶尺寸、發動機類型、船舶主機功率、最大速度等信息;④計算船舶負載系數,基于速度和負載系數判斷船舶航行狀態;⑤根據船舶尺寸和船舶航行狀態判斷船舶輔機和鍋爐功率;⑥計算每個船舶軌跡段的燃料消耗;⑦根據CO2排放因子計算每個船舶軌跡段的CO2排放量;⑧匯總所有船舶軌跡段CO2排放量.本文以上海港為例具體展示(表7).

圖2 CO2排放量計算流程

2.3 港口碳排放量計算

本文統計了11個港口碳排放量月度數據(圖3),采用python 3.0進行運算求解.從圖中可以看出,中國沿海11個港口2月和8月的碳排放量最低,此前的研究結果表明,全球船舶排放量不會隨季節發生顯著變化,Weng等[13]研究2014年長江口水域碳排放2月和7月的污染物排放量最少.由此,可能的原因是2月份屬于中國春節前后,靠港船只相應減少,而7、8月份處于中國沿海地區臺風高發期,影響港口生產.

從CO2排放比例來看,2018年中國沿海11個港口CO2碳排放主機、輔機、鍋爐占比分別為42.3%,24.9%,32.8%,在泊、錨泊、機動、低速巡航、巡航占比分別為45.2%、20.6%、7.9%、10.6%、15.7%,與國內外文獻進行比較分析,與Weng等[13]的對比顯示出主機的CO2排放量偏低主要因為監測區域不同,Weng等[13]主要監測長江口水域,絕大多數船舶在航道上正常運行,而本文研究的是港域內的船舶,在港時大部分時間是用來裝卸作業,船舶處于在泊狀態或者錨泊狀態,而主機的負載系數取決于速度,低速下的主機CO2排放量較小,由此測算的CO2的主機排放量偏低,這點與曾凡濤等[14]觀點一致.輔機和鍋爐是船舶拋錨時的主要排放源,這與Chen等[15]和Yau等[35]的研究結論一致.輔機通常用于供電,當船舶處于低速狀態時會產生更多的排放.

圖3 2018年中國沿海集裝箱港口碳排放量逐月數據

表7 上海港CO2排放量測算實例

注:表中經緯度數值為方便計算所用,實際經緯度為表中數值′10-6;表中“速度”為AIS數據獲得,表中“計算速度”根據相鄰兩點的時間和距離計算得出.

2.4 港口碳排放社會成本計算

中國從2013年在7個城市的重點行業開展碳交易試點,2021年上海市出臺《上海市2020年碳排放配額分配方案》,對名單納入配額管理的單位按照《上海市碳排放管理試行辦法》的有關規定開展碳交易,交易標的為碳排放配額.由于部分港口城市尚不屬于碳交易試點城市,故將中國11個港口分配到周邊交易市場進行碳配額交易(表8).

根據估算模型和相關數據,計算得到2018年中國沿海11個港船舶CO2排放量如表9所示.2018年中國沿海集裝箱港口共排放CO2量214萬t,其中上海港集裝箱船CO2排放量為69.3萬t,占比32%.從單位箱量CO2排放量來看,唐山港和日照港排名靠前,每完成一萬標準箱分別排放CO2量327.5t和264.0t.船舶靠港作業時,在泊和錨泊狀態CO2的排放比例較高,占碳排放比例的65.8%,且主要是由輔機和鍋爐產生.根據交通運輸部數據顯示,截至2018年6月,全國主要港口以及排放控制區內港口岸電設施覆蓋率達40%,但具有受電設施的船舶較少,航運企業已完成船舶受電設施改造占在運船只數量的比例不足1%,導致船舶岸電使用率極低.而輔機的主要作用是為船舶發電,由此港口管理方要加大岸電基礎設施投入和推廣,采取措施提升船舶靠港岸電使用率,以降低港域內CO2污染.

表8 2018年中國主要碳交易市場碳配額價格

注:數據來源:碳排放交易網.

從CO2排放社會成本來看,2018年中國沿海11個主要集裝箱港口CO2排放共為港航企業帶來6359.6萬元的社會成本.上海港域內的船舶碳排放社會成本最高,2018年需要支付2459.6萬元.從承擔碳排放社會成本的能力來看,連云港壓力較大,每億營業收入需要承擔碳排放社會成本24.46萬元,大連、營口、廈門、天津等港口承受壓力較小.目前,中國港航業碳減排之路剛開始起步,港航企業碳排放付出的成本相對較小,未來隨著“碳達峰、碳中和”目標接近,碳排放權將會變成一種稀缺資源,港航企業碳排放的成本也將水漲船高,甚至會實施碳稅等政策.由此,通過測算港口碳排放社會成本以及港口承擔碳排放的能力,能夠及時反映港口在“雙碳”推進進程中所面臨的壓力,未雨綢繆,盡早推進港口綠色轉型;從圖4可以看出,港口的CO2排放量與抵港船舶艘次成正相關,計算相關系數(式(8)),相關系數=0.94(∈[0,1],值越接近1,表明兩組數據越相關).說明港口船舶靠港艘次越多,CO2排放量越多,由此,上海港碳排放量過高的原因是上海港是全球第一大集裝箱港,抵港船舶艘次、船舶在港裝卸吞吐量要遠高于其他城市.受各大碳交易市場碳配額價格差異影響,上海、寧波等長三角區域港口碳排放社會成本較高.

表9 2018年中國沿海集裝箱港口碳排放社會成本計算

本文對港口碳排放量和碳排放社會成本測算,為港口的可持續發展提供依據.但仍存在一些工作需要繼續研究和探討:①港口的碳排放包括港機和港域船舶兩個方面的CO2排放,受港口的數據獲取限制,部分港口港機CO2的排放無法估算;②受限于數據限制,本文僅采用可獲取數據的港口,中國仍有幾大集裝箱港口尚未囊括進去,如深圳港因股權結構過于復雜,無法取得港口公司營收數據.

圖4 2018年我國11個集裝箱沿海港口CO2排放量和抵港船舶艘次

2.5 不確定性分析

本文采取定量分析手段評估中國沿海集裝箱港口CO2排放量以及社會成本的不確定性主要來自于以下3個方面:

第一,船舶動態數據誤差.本文通過船舶AIS動態數據統計分析,盡可能采用所有船舶軌跡數據,但仍存在各種不確定因素導致小部分AIS數據采集誤差,且樣本量略小于實際樣本總數,帶來一定不確定性.

第二,船舶靜態數據誤差.本文的船舶靜態數據主要來自IHS提供的船舶檔案,部分船舶主機、輔機和鍋爐的功率以及燃料類型的選取是根據相關文獻統計分析確定,具有較強代表性,但與實際情況略微存在差異,給CO2排放量估算帶來不確定性.

第三,碳排放吞吐量計算相關參數誤差.本文在碳排放量計算過程中,輔機和鍋爐的發動機功率、碳排放因子、輔機負載系數等相關參數來源于國內外相關研究文獻,會與船舶真實數據存在一定誤差.

3 結論

3.1 2018年中國沿海集裝箱港口共排放CO2量214萬t,其中上海港集裝箱船CO2排放量為69.3萬t,占比32%.

3.2 從CO2排放比例來看,2018年中國沿海11個港口CO2碳排放主機、輔機、鍋爐占比分別為42.3%,24.9%,32.8%,在泊、錨泊、機動、低速巡航、巡航占比分別為45.2%、20.6%、7.9%、10.6%、15.7%.

3.3 從CO2排放社會成本來看,2018年中國沿海11個主要集裝箱港口CO2排放共為港航企業帶來6359.6萬元的社會成本.

[1] Sirimanne S N, Hoffman J, Juan W, et al. Review of maritime transport 2019 [C]//United Nations Conference on Trade and Development, Geneva, Switzerland, 2019.

[2] Kurtenbach R, Vaupel K, Kleffmann J, et al. Emissions of NO, NO2and PM from inland shipping [J]. Atmospheric Chemistry and Physics, 2016,16(22):14285-14295.

[3] Zhang Y, Yang X, Brown R, et al. Shipping emissions and their impacts on air quality in China [J]. Science of the Total Environment, 2017,581:186-198.

[4] Hockstad L, Hanel L. Inventory of US greenhouse gas emissions and sinks [R]. Environmental System Science Data Infrastructure for a Virtual Ecosystem, 2018.

[5] Joung T H, Kang S G, Lee J K, et al. The IMO initial strategy for reducing Greenhouse Gas (GHG) emissions, and its follow-up actions towards 2050 [J]. Journal of International Maritime Safety, Environmental Affairs, and Shipping, 2020,4(1):1-7.

[6] 冮龍暉,鄭中義,齊 樂.AIS數據中船舶會遇信息的提取方法 [J]. 中國科技論文, 2017,12(7):802-805.

Jiang L H, Zheng Z Y, Qi L. Extraction of ship-encounter information from AIS data [J]. China Sciencepaper, 2017,12(7):802-805.

[7] 李子強,杜利娥.基于AIS信息的船舶自動避讓決策研究[J]. 農業網絡信息, 2016,(6):44-47.

Li Z Q, Du L E. Automatic Collision Avoidance Decision-making Based on AIS [J]. Agriculture Network Information, 2016,(6):44-47.

[8] Breithaupt S A, Copping A, Tagestad J, et al. Maritime route delineation using AIS data from the atlantic coast of the US [J]. The Journal of Navigation, 2017,70(2):379-394.

[9] Fiorini M, Capata A, Bloisi D D. AIS data visualization for Maritime Spatial Planning (MSP) [J]. International Journal of e-Navigation and Maritime Economy, 2016,5:45-60.

[10] Zhao L, Shi G. A method for simplifying ship trajectory based on improved Douglas–Peucker algorithm [J]. Ocean Engineering, 2018, 166:37-46.

[11] Weng J, Shi K, Gan X, et al. Ship emission estimation with high spatial-temporal resolution in the Yangtze River estuary using AIS data [J]. Journal of Cleaner Production, 2020,248:119297.

[12] Shi K, Weng J. Impacts of the COVID-19epidemic on merchant ship activity and pollution emissions in Shanghai port waters [J]. Science of the Total Environment, 2021,790:148198.

[13] Kang M J, Zohoori S, Hamidi M, et al. Study of narrow waterways congestion based on automatic identification system (AIS) data: a case study of Houston Ship Channel [J]. Journal of Ocean Engineering and Science, 2021.

[14] 曾凡濤,呂 靖.廈門港船舶排放清單及港口生態效率評價 [J]. 中國環境科學, 2020,40(5):2304-2311.

[15] Chen D, Zhao Y, Nelson P, et al. Estimating ship emissions based on AIS data for port of Tianjin, China [J]. Atmospheric environment, 2016,145:10-18.

[16] Kang M J, Zohoori S, Hamidi M, et al. Study of narrow waterways congestion based on automatic identification system (AIS) data: a case study of Houston Ship Channel [J]. Journal of Ocean Engineering and Science, 2021.

[17] Ju Y, Hargreaves C A. The impact of shipping CO2emissions from marine traffic in Western Singapore Straits during COVID-19 [J]. Science of The Total Environment, 2021,789:148063.

[18] Topic T, Murphy A J, Pazouki K, et al. Assessment of ship emissions in coastal waters using spatial projections of ship tracks, ship voyage and engine specification data [J]. Cleaner Engineering and Technology, 2021,2:100089.

[19] Shi K, Weng J. Impacts of the COVID-19epidemic on merchant ship activity and pollution emissions in Shanghai port waters [J]. Science of the Total Environment, 2021,790:148198.

[20] Smith T, Jalkanen J P, Anderson B A, et al. Fourth IMO Greenhouse Gas Study 2020 [R].

[21] Miola A, Ciuffo B. Estimating air emissions from ships: Meta-analysis of modelling approaches and available data sources [J]. Atmospheric environment, 2011,45(13):2242-2251.

[22] Goldsworthy L, Goldsworthy B. Modelling of ship engine exhaust emissions in ports and extensive coastal waters based on terrestrial AIS data–An Australian case study [J]. Environmental Modelling & Software, 2015,63:45-60.

[23] Leong S C, Singhal P. Estimation of CO2emission from marine traffic in Singapore Straits using Automatic Identification Systems data [M]//Environmental Science and Information Application Technology. CRC Press, 2015:177-184.

[24] Nash C, Sansom T, Matthews B. Transport Research: Fourth Framework Programme Strategic: Concerted Action on Transport Pricing Research Integration CAPRI: Project Duration 1 January 1998 to 31 December 1999: Final Report for Publication [M]. EUR-OP, 2001.

[25] Trozzi C, Vaccaro R. Ships transport [J]. European Commission, Transport Research fourth framework programme strategic research DG VII–99, Meet, Methodologies for calculating transport emissions and energy consumption, European Communities, 1999.

[26] Georgakaki A, Coffey R A, Lock G, et al. Transport and Environment Database System (TRENDS): Maritime air pollutant emission modeling [J]. Atmospheric Environment, 2005,39(13):2357-2365.

[27] Jalkanen J P, Brink A, Kalli J, et al. A modelling system for the exhaust emissions of marine traffic and its application in the Baltic Sea area [J]. Atmospheric Chemistry and Physics, 2009,9(23):9209-9223.

[28] Browning L, Bailey K. Current methodologies and best practices for preparing port emission inventories [J]. ICF Consulting report to Environmental Protection Agency, 2006.

[29] Nunes R A O, Alvim-Ferraz M C M, Martins F G, et al. Environmental and social valuation of shipping emissions on four ports of Portugal [J]. Journal of environmental management, 2019,235:62-69.

[30] Papaefthimiou S, Maragkogianni A, Andriosopoulos K. Evaluation of cruise ships emissions in the Mediterranean basin: The case of Greek ports [J]. International Journal of Sustainable Transportation, 2016, 10(10):985-994.

[31] Maragkogianni A, Papaefthimiou S. Evaluating the social cost of cruise ships air emissions in major ports of Greece [J]. Transportation Research Part D: Transport and Environment, 2015,36:10-17.

[32] 邱達春.碳排放社會成本的經濟分析 [J]. 發展研究, 2014,(7):75- 77.

Qiu D C. Economic Analysis of the Social Cost of Carbon Emissions [J]. Development Research, 2014,(7):75-77

[33] 趙巧芝,閆慶友.中國省域二氧化碳邊際減排成本的空間演化軌跡 [J]. 統計與決策, 2019,35(14):128-132.

Zhao Q Z, Yan Q Y. Spatial evolution trajectory of marginal CO2emission reduction costs in China's provinces [J]. Statistics & Decision, 2019,35(14):128-132.

[34] 李曉輝,王 偉,李遠航.《船舶交通服務指南》修訂情況及履約策略研究[J]. 中國海事, 2020,(2):62-64.

Li X H, Wang W, Li Y H. The amendments to “Vessel Traffic Service Guidance” and research on associated implementation strategy [J]. China Maritime Safety, 2020,(2):62-64.

[35] Yau P S, Lee S C, Corbett J J, et al. Estimation of exhaust emission from ocean-going vessels in Hong Kong [J]. Science of the Total Environment, 2012,431:299-306.

Carbon emission from coastal container ports in China based on AIS data.

CHEN Wei-jie1, SONG Bing-liang1, ZHANG Jie-shu2*

(1.School of Economics and Management, Shanghai Maritime University, Shanghai 201306, China；2.Shanghai International Shipping Institute, Shanghai Maritime University, Shanghai 201306, China)., 2022,42(7)：3403～3411

A calculation framework of port carbon emission was proposed to accurately and effectively measure the carbon emission of ships in port, and the carbon emission capacities of ports were analyzed based on massive ship AIS (automatic identification system) navigation trajectory data and the operating data of listed port companies. Taking the AIS trajectory data of 4,280 container ships in 2018 as an example, we achieved several results in calculating the social cost of carbon emissions of the 11major coastal container ports in China. First of all, the result revealed that the carbon emissions of China's coastal container ports were overall positively correlated with the number of ships arriving at the port. For example, Shanghai port was the world's largest container port in 2018, which also suffered the highest carbon dioxide emissions of 693,000 tons. Secondly, the proportion of carbon dioxide emissions of ships in berthing and anchoring was relatively high, accounting for 65.8% of carbon emissions in port. Thirdly, the social cost of carbon emission from ships in the Shanghai port area was the highest, reaching 24.596million yuan in total. But in terms of the capacity to bear the social cost of carbon emission, Lianyungang was under tremendous pressure, expending 244,600 yuan on the social cost of carbon emission for every 100million operating incomes.

water transport；data mining；AIS data；port carbon emission；social cost of carbon emissions

X511

A

1000-6923(2022)07-3403-09

陳偉杰(1991-),男,河南信陽人,博士,助理研究員,主要從事港口發展、國際航運中心建設研究.發表論文3篇.

2021-12-10

國家社會科學基金一般項目(20BJY177)

* 責任作者, 教授, jszhangsh@126.com