مدل‌سازی خطر آلودگی‌های وارداتی COVID-19 در بنادر دریایی بر اساس تحرک کشتی‌های بین‌المللی

بنادر دریایی مراکز لجستیکی حیاتی هستند که نقش مهمی در جلوگیری از انتقال عفونت‌های وارداتی COVID-19 از کشتی‌های ورودی بین‌المللی دارند. این مطالعه یک روش مبتنی بر داده را برای مدل‌سازی پویا خطرات عفونت بنادر بین‌المللی از موارد وارداتی COVID-19 معرفی می‌کند. این رویکرد مبتنی بر داده‌های سیستم شناسایی خودکار جهانی (AIS) و یک الگوریتم خوشه‌بندی مکانی-زمانی است که هم به‌طور خودکار بنادر و کشورهایی را که کشتی‌ها به آنها نزدیک می‌شوند شناسایی می‌کند و هم آنها را با آمار COVID-19 کشور و تاریخ توقف مرتبط می‌کند. خطر آلودگی یک کشتی منفرد ابتدا با در نظر گرفتن تعداد فعلی موارد COVID-19 در کشورهای مورد بررسی، افزایش نرخ موارد جدید و ظرفیت کشتی مدل‌سازی می‌شود. خطر آلودگی یک بندر دریایی عمدتاً به عنوان تجمیع خطرات تمام کشتی هایی که در یک تاریخ خاص توقف می کنند محاسبه می شود. این روش برای ردیابی خطر ابتلا به COVID-19 وارداتی از بنادر اصلی کروز در سراسر جهان استفاده می شود. نتایج نشان می‌دهد که روش پیشنهادی به صورت پویا سطح خطر COVID-19 وارداتی خارج از کشور از بنادر کروز را تخمین می‌زند و پتانسیل ارائه پشتیبانی ارزشمند برای بهبود اقدامات پیشگیرانه و کاهش خطر موارد وارداتی COVID-19 در بنادر دریایی را دارد.

کلید واژه ها:

پورت ها ؛ COVID-19 وارداتی ؛ ارزیابی ریسک ؛ سیستم های شناسایی خودکار ; داده محور

۱٫ مقدمه

ویروس کرونا در حال ظهور (COVID-19) باعث یک بیماری همه گیر جهانی شده است [ ۱ ]. اکثر کشورها اقدامات فوری، از جمله اقدامات فاصله‌گذاری اجتماعی و قرنطینه، و همچنین تجویز واکسن‌های جدید COVID-19 برای جلوگیری و کنترل شیوع COVID-19 انجام داده‌اند. با این حال، با جهش مداوم ویروس COVID-19، همه گیر COVID-19 احتمالاً به زودی ناپدید نمی شود [ ۲ ]. در حالی که بیشتر کشورها هنوز تلاش می‌کنند تا با موفقیت شیوع ویروس دلتا را در داخل کنترل کنند، اما اکثر کشورها، اگر نه همه، هنوز با خطر قابل‌توجهی واردات COVID-19 از خارج از کشور مواجه هستند [ ۳ ، ۴ ]. به عنوان مثال، شیوع اخیر COVID-19 در چین گزارش شده است که ناشی از موارد COVID-19 وارداتی به خارج از کشور است [ ۵].

با توجه به حجم زیاد مسافران ورودی و خروجی، حمل و نقل هوایی توجه قابل توجهی را برای جلوگیری از موارد وارداتی به خارج از کشور به خود جلب کرده است. شیوع اخیر کووید-۱۹ محلی در مناطقی مانند شانگهای، نانجینگ و سایر مناطق چین عمدتاً ناشی از موارد COVID-19 وارد شده از طریق کانال هوایی است. موارد وارداتی هوانوردی به خارج از کشور، تلاش‌های گسترده‌ای را از سوی مقامات بهداشتی دولتی و محققان انجام داده است. ژانگ و همکاران [ ۶ ] و ناکامورا و همکاران. [ ۷برای مثال، مدل‌سازی و رویکردهای اپیدمیولوژیک را توسعه داده‌اند که درک دقیقی از خطر عفونت ناشی از حمل‌ونقل هوایی ارائه می‌دهد. با این حال، COVID-19 نه تنها از طریق حمل و نقل هوایی، بلکه از طریق هر وسیله حمل و نقلی مانند مسیر یا شبکه های دریایی نیز قابل انتقال است. حمل و نقل، سنگ بنای تجارت جهانی، احتمالاً به دروازه مهم دیگری برای ورودی های COVID-19 تبدیل خواهد شد. شیوع اسکله Yantian در شنژن، شیوع XinfaDi در پکن، و شیوع Qingdao همگی نشان می‌دهند که ویروس نه تنها از طریق جمعیت‌های دریایی ورودی، بلکه و حتی از طریق زنجیره لجستیک دریایی بین‌المللی قابل معرفی است [ ۸ ، ۹ ].

حمل و نقل بین المللی با جهانی بودن، تحرک بالا، تجمع بالا و تراکم بالا مشخص می شود. کشتی های بین المللی معمولاً از بسیاری از کشورها و مناطق آلوده به COVID-19 بازدید می کنند. احتمالاً کشتی‌ها حامل احتمالی COVID-19 هستند که ممکن است نقش مهمی در گسترش COVID-19 در سراسر جهان داشته باشد. تاکنون چندین گزارش از شیوع کووید-۱۹ در کشتی‌های کروز و کشتی‌های باری در سراسر جهان وجود دارد [ ۱۰ ، ۱۱ ]. در زمینه یک بیماری همه گیر جهانی COVID-19، جابجایی خدمه بندر و جابجایی محموله، به ویژه حمل و نقل محموله با زنجیره سرد، باعث عفونت پرسنل خط مقدم و گسترش بیشتر محلی ویروس می شود، بنابراین احتمالاً باعث ایجاد یک اپیدمی بزرگ می شود [ ۱۲ ]]. به منظور جلوگیری جدی از انتقال و گسترش کووید-۱۹ از طریق حمل و نقل دریایی، چند بنادر ملی محدودیت هایی را اتخاذ کرده اند که شامل مسدود کردن بنادر، بستن پایانه ها، ممنوعیت پهلوگیری کشتی ها و همچنین سوار شدن و پیاده شدن خدمه، ممنوعیت بار است. تخلیه و بارگیری، و اعمال قرنطینه [ ۱۳ ، ۱۴ ]، اما این اقدامات به طور قابل توجهی بر کارایی و اثربخشی تولید بندر تأثیر می گذارد و امنیت زنجیره تأمین جهانی کالاهای اساسی را به طور جدی تهدید می کند. چگونگی به حداقل رساندن تأثیر اقدامات پیشگیری و کنترل COVID-19 بر عملیات بندری یک کار بسیار چالش برانگیز است.

در سال‌های اخیر، با بهبود قابل‌توجه در کیفیت و پوشش داده‌های سیستم شناسایی خودکار دریایی (AIS) و بلوغ اخیر فناوری‌ها و زیرساخت‌های داده بزرگ، ترکیب این داده‌های مسیر AIS با الگوریتم‌های یادگیری ماشین برای ردیابی پویا COVID امکان‌پذیر شده است. -۱۹ خطر [ ۱۵ ، ۱۶]. اگرچه تأثیرات کووید-۱۹ بر صنعت دریایی توجه فزاینده ای را به خود جلب کرده است، اما خطر آلودگی کشتی ها و بنادر دریایی در زمینه همه گیری جهانی COVID-19 هنوز به طور کامل بررسی نشده است. بنابراین، هدف این مقاله معرفی یک بندر خارج از کشور است که مدل خطر COVID-19 را بر اساس داده‌های مسیر کشتی و داده‌های شیوع جهانی COVID-19 وارد کرده است. اصول پشت این رویکرد، ردیابی پویا خطر COVID-19 وارداتی خارج از کشور از کشتی ها و بنادر، با هدف ارائه داده های قابل اعتماد برای بهینه سازی پیشگیری از بندر و اقدامات کنترل COVID-19 است.

ادامه مقاله به شرح زیر تدوین شده است. بخش ۲ کارهای قبلی مرتبط با مسائل COVID-19 در حوزه حمل و نقل را مرور می کند. بخش ۳ چارچوب روش شناختی اصلی تحقیق و مجموعه داده های دریافتی را معرفی می کند و فرآیند استخراج شبکه کشتیرانی و مدل ریسک محاسباتی بندر دریایی COVID-19 وارداتی خارج از کشور را توسعه می دهد. بخش ۴ پتانسیل روش ما را با استفاده از کشتی های کروز جهانی به عنوان مطالعه موردی نشان می دهد. در نهایت، مشارکت ها و محدودیت های اصلی این مطالعه در بخش پایانی ۵ مورد بحث قرار می گیرد .

۲٫ تحقیقات مرتبط

در مواجهه با همه‌گیری جهانی COVID-19، پیشگیری و کنترل COVID-19 وارداتی به خارج از کشور یک کار چالش برانگیز است که تلاش‌های تحقیقاتی قابل‌توجهی را به دنبال داشته است. در زمینه هوانوردی بین المللی، ژانگ و همکاران. [ ۶ ] یک شاخص ریسک برای ارزیابی ریسک موارد وارداتی در پروازهای بین‌المللی ورودی معرفی کرد و داده‌های اتصال هوانوردی بین‌المللی و داده‌های شیوع COVID-19 را به عنوان متغیرهای کلیدی در نظر گرفت. این شاخص ریسک می تواند سطح ریسک را در سطوح ملی، استانی و حتی مسیرهای خاص اندازه گیری کند. ناکامورا و همکاران [ ۷] خطر نسبی کلی واردات و صادرات COVID-19 از فرودگاه ها را بر اساس داده های جغرافیایی جهانی و همچنین تفاوت بین موارد وارداتی و صادراتی تخمین زد. این مطالعه نشان داد که بسیاری از فرودگاه‌های چین، ایران و کشورهای اروپایی ظرفیت انتقال جهانی بالاتری در صادرات خطر COVID-19 به جای واردات خطر COVID-19 دارند. داون و همکاران [ ۱۷ ] خطر ۱۳۶۴ فرودگاه را از طریق داده های شبیه سازی شده سفر هوایی جهانی و برآورد تراکم جمعیت از سراسر جهان تجزیه و تحلیل کرد و در نهایت نشان داد که فرودگاه های شرق آسیا بیشترین خطر را به عنوان منابع شیوع COVID-19 دارند.

در مقایسه با مدل‌های مشابه خطر COVID-19 که در حال حاضر در حال توسعه هستند، ویژگی اصلی رویکرد ما این است که بر اساس تعداد مسافران کشتی، تعداد موارد تأیید شده COVID-19 در بنادر دریایی و اتصال بین مسیرهای حمل‌ونقل دریایی است. ۱۴ روز گذشته به عنوان مثال، تفاوت اصلی با حمل و نقل هوایی بین‌المللی این است که داده‌های بسیار دقیق‌تری در مورد پروازهای روزانه و جریان مسافر در دسترس است. تست های آلودگی ورود و خروج مسافران نیز امروزه به طور گسترده پردازش می شود. این امر ارزیابی خطر COVID-19 را بسیار آسان تر می کند [ ۱۸ ، ۱۹ ].

خطر واردات اپیدمی از طریق دریا در مقایسه با حمل و نقل هوایی غیر قابل اغماض است. با تقریباً ۸۰ درصد تجارت جهانی و بیش از ۷۰ درصد ارزش کالاهای حمل شده از طریق دریا، حمل و نقل دریایی برای تجارت جهانی حیاتی است [ ۲۰ ]. جابجایی منظم کشتی ها در شبکه حمل و نقل دریایی به یک عامل احتمالی برای انتشار بیماری های عفونی تبدیل شده است. بنادر، کشتی‌ها، خدمه و محموله ممکن است همگی گره‌های کلیدی در شبکه کشتیرانی باشند که به COVID-19 آلوده شده‌اند. پانگ و همکاران [ ۸ ] شیوع COVID-19 را در بازار سینفادی در پکن در ژوئن ۲۰۲۰ ردیابی کرد و متوجه شد که شیوع ممکن است ناشی از مواد غذایی آلوده وارداتی باشد که از کشتی های باری از طریق زنجیره سرد حمل می شود. در اپیدمی چینگدائو، لیو و همکاران. [ ۲۱] همچنین گزارش داد که COVID-19 از نمونه‌های سواب سطحی بسته‌بندی بیرونی کد جدا شده است، که نشان می‌دهد زنجیره سرمای جهانی می‌تواند COVID-19 را از طریق حمل و نقل دریایی نیز وارد کند.

کشتی‌های کروز که هر سال حدود ۳۰ میلیون مسافر را دریافت می‌کنند، یکی دیگر از رسانه‌های مهم انتقال کووید-۱۹ به دلیل محبوس شدن مهم در حین سفر هستند [ ۲۲ ]. در اوایل سال ۲۰۲۰، بسیاری از مسافران و خدمه کشتی‌های کروز در یوکوهاما در ژاپن، کورفو در یونان و سیدنی در استرالیا به کووید-۱۹ آلوده شدند [ ۲۳ ]. به عنوان مثال، کشتی کروز Diamond Princess گزارش داده است که ۷۱۲ نفر به COVID-19 آلوده شده اند [ ۲۴ ]. تا پایان سه ماهه اول سال ۲۰۲۰، بیش از ۵۰ کشتی تفریحی موارد تایید شده کووید-۱۹ را ثبت کرده بودند که یک پنجم ناوگان دریایی جهانی اقیانوس ها را تشکیل می دهد [ ۱۰ ]. ایتو و همکاران [ ۲۵] از داده‌های AIS برای ردیابی همه کشتی‌های کروز در سراسر جهان از ژانویه ۲۰۲۰ تا مارس ۲۰۲۰ استفاده کرد، به این ترتیب مشخص شد که اکثر مسافران یا کارگران آلوده به کشتی‌های کروز بزرگ در عرض یک هفته از همان بنادر مبدا و مقصد حرکت کرده‌اند.

قفل و سایر اقدامات پیشگیرانه در برابر COVID-19 کارایی عملیاتی بنادر جهانی را کاهش داد و باعث ازدحام شدید در بنادر اصلی (مانند بنادر Yantian در چین و همچنین لس آنجلس و لانگ بیچ در ایالات متحده) شد. منجر به کمبود ظرفیت حمل و نقل جهانی شد. نوکدی و همکاران [ ۲۶ ] به این نتیجه رسید که همه‌گیری COVID-19 و محدودیت‌های حرکتی مرتبط با آن باعث اختلالات شدید در لجستیک کانتینر و زنجیره‌های تامین، به‌ویژه در راهروی آخرین مایل بین بنادر و بازارهای داخلی در نیجریه شده است. ناراسیمها و همکاران [ ۲۷] تاثیر همه گیری COVID-19 را بر حمل و نقل بندری و بخش های زنجیره تامین دریایی در هند بررسی کرد و دریافت که حجم کل کالاهای حمل شده در طول همه گیری کووید-۱۹ به میزان قابل توجهی کاهش یافته است. به طور کلی، زنجیره تامین جهانی به دلیل COVID-19 به شدت مختل شده است. مقابله با تأثیر COVID-19 وارداتی خارج از کشور بر بنادر دریایی به موضوعی کلیدی برای توسعه پایدار بنادر جهانی و صنایع کشتیرانی تبدیل شده است.

ارزیابی خطر COVID-19 وارداتی خارج از کشور در بنادر باید برای توسعه و بهینه سازی سیاست ها و اقدامات بندری با هدف پیشگیری و کنترل شیوع COVID-19 ارزش اساسی داشته باشد. با این حال، بیشتر مطالعات کنونی به جای حمل و نقل دریایی بر حوزه حمل و نقل زمینی یا هوایی متمرکز است. به عنوان مثال، وو و همکاران. [ ۱۵ ] به خطر موارد وارداتی COVID-19 از طریق حمل و نقل هوایی در شهرهای مختلف استان ژجیانگ دسترسی پیدا کرد و همچنین خطرات واردات کشورهای مبدا COVID-19 را تخمین زد. به طور مشابه، هو و همکاران. [ ۱۶] از شاخص مهاجرت و مهاجرت بایدو برای محاسبه خطر تجمعی واردات کووید-۱۹ در چندین شهر استان گوانگدونگ و ارزیابی خطر واردات کووید-۱۹ استفاده کرد. وانگ و همکاران [ ۲۸ ] یک رویکرد مبتنی بر داده را برای ارزیابی پویا خطر روزانه آلودگی یک کشتی به COVID-19 معرفی کرد و شاخص‌های قرارگیری تجمعی ۱۴ روزه کشتی را بر اساس داده‌های سطح کشور، مانند تراکم جمعیت، موارد تأیید شده تجمعی، استخراج کرد. و افزایش میزان موارد تایید شده با این حال، خطرات در سطح کشتی فردی مورد ارزیابی قرار گرفت و موضوع پرداختن به خطرات عفونت ناشی از COVID-19 وارداتی در بنادر دریایی هنوز به طور کامل مورد توجه قرار نگرفته است.

۳٫ داده ها و روش ها

۳٫۱٫ چارچوب کلی

هدف اصلی این تحقیق ساخت یک مدل داده محور برای ارزیابی پویا خطر ابتلا به کووید-۱۹ در بنادر دریایی، با هدف جلوگیری و کنترل شیوع COVID-19 از خارج از کشور در بنادر دریایی است. شکل ۱ چارچوب تحقیقاتی کلی ما را نشان می دهد که عمدتاً به چهار مرحله تکمیلی شامل یکپارچه سازی داده ها، استخراج شبکه حمل و نقل در سطح بندر، توسعه مدل ریسک بندر و مطالعه موردی کشتی کروز تقسیم می شود.

همانطور که در شکل ۱ نشان داده شده است ، داده های کشتی AIS ابتدا به عنوان ورودی برای شناسایی خودکار رویدادهای توقف کشتی با استفاده از خوشه بندی فضایی مبتنی بر چگالی مکانی-زمانی برنامه های کاربردی با الگوریتم نویز (ST-DBSCAN) در نظر گرفته می شوند. ST-DBSCAN یک روش یادگیری ماشینی بدون نظارت مبتنی بر چگالی مکانی- زمانی است که برای شناسایی خودکار ایستگاه های اسکله کشتی ها استفاده شده است [ ۲۹ ]]. ایستگاه های اسکله بر اساس فاصله آنها تا خط ساحلی بندر با نزدیکترین بنادر و کشورها مطابقت داده می شود. در نتیجه، توالی تماس بندر و تاریخ بازدید از هر کشتی استخراج می شود. با در نظر گرفتن پورت ها به عنوان گره، سفر مستقیم بین دو پورت به عنوان لبه، و فرکانس سفر هر لبه به عنوان وزن، یک شبکه حرکت کشتی ساخته می شود.

با توجه به تاریخ مکالمه بندری هر کشتی، آمار مربوط به COVID-19 کشورهای بندر بازدید شده می تواند مطابقت داشته باشد. این داده ها شدت همه گیری کووید-۱۹ را در این کشورها ارزیابی می کند. یک شاخص خطر روزانه COVID-19 برای کشتی و یک شاخص خطر تجمعی برای ۱۴ روز گذشته قابل استخراج است. با جمع کردن شاخص‌های ریسک تجمعی همه کشتی‌هایی که در یک تاریخ خاص به یک بندر نزدیک می‌شوند، می‌توان شاخصی از ریسک COVID-19 وارداتی خارج از کشور را محاسبه کرد.

کشتی های کروز به عنوان نمونه ای برای تایید روش پیشنهادی استفاده می شوند. داده‌های AIS کشتی‌های کروز ابتدا استخراج می‌شوند و تجزیه و تحلیل خوشه‌ای با استفاده از ST-DBSCAN برای استخراج توقف‌های هر کشتی کروز انجام می‌شود. سپس، بندر نزدیک و کشورهای هر کشتی شناسایی شده و با داده‌های COVID-19 هر کشور بر اساس تاریخ تماس بندر مطابقت داده می‌شوند. داده‌های COVID-19 هر کشور مورد بررسی برای محاسبه خطر COVID-19 وارداتی خارج از کشور از کشتی‌ها و بنادر دریایی استفاده می‌شود.

۳٫۲٫ منابع داده

این مطالعه به چهار مجموعه داده در مقیاس جهانی، از جمله مجموعه داده‌های AIS کشتی کروز جهانی، مجموعه داده‌های مکان بندر اصلی جهانی، مجموعه داده‌های جهانی آلودگی COVID-19 و مجموعه داده مرز اداری جهانی نیاز دارد.

اولین مجموعه داده، داده های AIS کشتی در سراسر جهان است که از hifleet.com، یک ارائه دهنده داده های AIS در شانگهای، چین به دست آمده است. تمام داده های AIS در فایل های csv با یک فایل برای یک کشتی جداگانه ذخیره می شوند. داده های AIS در درجه اول به عنوان ورودی به الگوریتم ST_DBSCAN برای شناسایی موقعیت اسکله هر کشتی استفاده می شود. نقطه AIS یک کشتی معمولاً شامل هویت خدمات سیار دریایی کشتی (MMSI)، یک مهر زمانی از زمان تولید پیام AIS، طول و عرض جغرافیایی و سرعت روی زمین است. داده های AIS معمولاً هر چند ثانیه یا چند دقیقه در پاسخ به تغییرات سرعت و عنوان به روز می شوند. مسیرهای کشتی را می توان به صورت مجموعه ای از نقاط AIS که به ترتیب زمانی مرتب شده اند بیان کرد.

مجموعه داده دوم یک مجموعه داده جهانی از تقریباً ۳۶۰۰ بندر بزرگ دریایی مرتبط با مکان های جغرافیایی است که توسط آژانس اطلاعات مکانی ملی (NGA) نگهداری می شود و در دسترس عموم قرار دارد. این مجموعه داده پورت عمدتاً شامل شماره شناسایی منحصر به فرد بندر، نام بندر، طول و عرض جغرافیایی و نام کشوری است که بندر در آن قرار دارد و بسیاری ویژگی های دیگر. این مجموعه داده به محاسبه بنادر و کشورهای بازدید شده توسط هر کشتی کمک می کند.

سومین مجموعه داده، آمار جهانی COVID-19 است که به صورت روزانه به روز می شود. این مجموعه داده اساساً از آمار جهانی COVID-19 گرفته شده است که توسط مرکز علوم و مهندسی سیستم ها (CSSE) در دانشگاه هاپکینز در ایالات متحده نگهداری می شود که یکی از معتبرترین مجموعه داده های موجود برای مطالعات COVID-19 است. این مجموعه داده شامل تعداد روزانه و تجمعی موارد تایید شده، مرده و بهبود یافته COVID-19 از ۲۲ ژانویه ۲۰۲۰ تاکنون برای هر کشور در سراسر جهان است. علاوه بر این، یک بسته زبان R در دسترس عموم، tidycovid19، عملکردهایی را برای دانلود داده های مربوط به COVID-19 ارائه می دهد. این داده ها به عنوان یک منبع استاندارد برای محققان علاقه مند به ارزیابی شیوع جهانی ویروس توسعه یافته است. داده ها در سطح کشور و زیرکشور ارائه شده است [ ۳۰ ].

مجموعه داده نهایی به مرزهای اداری جهانی مربوط می شود. این مجموعه داده‌های جغرافیایی مبتنی بر کشور، از جمله داده‌ها در سطح استان‌ها یا ایالت‌ها، شهرها، ناحیه‌ها و شهرستان‌ها را با وضوح فضایی بالا ارائه می‌کند. این مجموعه داده در درجه اول توسط دانشگاه کالیفرنیا نگهداری می شود و به صورت رایگان برای استفاده دانشگاهی و سایر استفاده های غیر تجاری در دسترس است. این شامل ۳۸۶۷۳۵ منطقه اداری در سراسر جهان، با حجم کل داده ۳٫۵۴ گیگابایت است. این مجموعه داده با فرمت gpkg ذخیره می شود. در این مطالعه، این مجموعه داده می تواند به شناسایی رویدادهای توقف اسکله کشتی جهانی کمک کند.

۳٫۳٫ شناسایی بنادر و کشورهای مورد نظر

این بخش مراحل دقیق ادغام داده های AIS و استفاده از الگوریتم ST-DBSCAN را برای شناسایی بنادر و کشورهایی که توسط یک کشتی به آنها نزدیک می شود، شرح می دهد. فرآیند اصلی مشابه فرآیند پیشنهاد شده توسط وانگ و همکاران است. (۲۰۲۰) [ ۲۸ ]. روش اصلی برای شناسایی بنادر و کشورهای نزدیک شده در شکل ۲ نشان داده شده است .

اولین قدم استخراج خودکار رویدادهای توقف یک کشتی است. رویداد توقف به مکانی (به عنوان مثال، اسکله، لنگرگاه) اشاره دارد که یک کشتی برای چندین ساعت یا حتی چند روز در آن خواهد ماند. زمانی که کشتی در اسکله یا لنگرگاه قرار دارد، پیام AIS معمولاً هر ۳ دقیقه به روز می شود. با این حال، هر ۲ تا ۳ ثانیه در هنگام حرکت با سرعت بالا به روز می شود. بنابراین، تراکم نقاط AIS در نزدیکی مکان های توقف نسبتاً بیشتر از سایر مکان ها است. رویدادهای توقف کشتی را می توان با شناسایی این مناطق با تراکم بالا شناسایی کرد. برای شناسایی مکان توقف کشتی در مکان و زمان، الگوریتم ST_DBSCAN برای تشخیص توقف کشتی استفاده می شود زیرا می تواند ویژگی های مکانی و زمانی را در نظر بگیرد. الگوریتم ST-DBSCAN عمدتاً از پارامترهای زیر تشکیل شده است:

D, e p s 1, e p s 2, M i n P t s

. پارامتر اول

D

مجموعه ای از نقاط مسیر را نشان می دهد.

e p s 1

e p s 2

به فاصله حداقل دو نقطه برای تشکیل یک خوشه به ترتیب در بعد مکان و زمان مراجعه کنید.

M i n P t s

نشان دهنده حداقل تعداد امتیاز در داخل است

e p s 1

e p s 2

فاصله ها برای تشکیل یک خوشه پس از تنظیم این پارامترها و اجرای الگوریتم ST-DBSCAN، می توان مجموعه ای از خوشه های توقف کشتی را شناسایی کرد. سپس نقاط مسیر AIS برای هر توقف به ترتیب زمانی مرتب می شوند و مهرهای زمانی اولین و آخرین نقطه به ترتیب به عنوان زمان شروع و پایان هر توقف در نظر گرفته می شوند.

مرحله بعدی یک توقف را از توقفگاه های اسکله و دیگر توقف ها متمایز کرد. ما ابتدا کوتاهترین فاصله بین ایستگاه و خط ساحلی را محاسبه کردیم. اگر فاصله کمتر از یک آستانه فاصله باشد، توقف به عنوان توقف اسکله در نظر گرفته می شود. از مجموعه داده GADM برای محاسبه کوتاه ترین فاصله برای هر توقف استفاده شد. با توجه به مکان‌های اسکله که معمولاً به خط ساحلی نزدیک‌تر از این لنگرگاه‌ها هستند، این مطالعه فرض می‌کند که اگر فاصله یک توقف کمتر از ۲ کیلومتر باشد، یک توقف اسکله خواهد بود [ ۲۸ ].]. پس از آن، مجموعه داده پورت جهانی برای یافتن پورت ها و کشورهایی که ممکن است یک توقف با آنها مرتبط باشد، استفاده می شود. ما فاصله بین تمام ایستگاه های اسکله و بنادر را محاسبه کردیم. برای یک توقف خاص، نزدیکترین بندر همانی است که در آن قرار دارد. بنابراین، بنادر و کشورهایی که کشتی به آنها نزدیک شد، قابل شناسایی است. در نظر گرفتن مدت زمان توقف کشتی در یک کروز معین در یک بندر خاص مهم است، زیرا توقف طولانی‌تر منجر به خطر بالاتری برای آن بندر می‌شود. ما همچنین مدت زمان توقف در هر پورت را محاسبه می کنیم.

در نهایت، توالی سفرهای هر کشتی را می توان به عنوان یک شبکه کوچک در نظر گرفت، که در آن گره ها پایانه ها، بنادر یا کشورهای مورد بازدید کشتی را نشان می دهند و پیوندها نشان دهنده سفرهای مستقیم بین این بنادر هستند. یک شبکه کشتیرانی در سطح بندر می تواند با یکپارچه سازی شبکه های سطح بندر همه کشتی ها توسعه یابد [ ۳۱ ].

۳٫۴٫ شاخص خطر COVID-19 وارداتی خارج از کشور بندر را محاسبه کنید

خطر ورود کووید-۱۹ تحت تأثیر عوامل متعددی است و می‌تواند در دو مرحله محاسبه شود. اولین قدم محاسبه شاخص تجمعی روزانه و ۱۴ روزه برای هر کشتی بر اساس آمار COVID-19 کشورهای مورد نظر است. مرحله دوم محاسبه شاخص های تجمعی روزانه و ۱۴ روزه یک بندر در یک تاریخ خاص بر اساس شاخص های ریسک همه کشتی هایی است که در همان تاریخ از بندر بازدید کرده اند. وانگ و همکاران (۲۰۲۰) [ ۲۸ ] به طور مفصل فرآیند محاسبه شاخص ریسک انباشته روزانه و ۱۴ روزه یک کشتی کانتینری را شرح داد. در این مقاله، ما عمدتا بر روی ریسک پورت ها تمرکز می کنیم. ما ابتدا مدلی را برای دسترسی به خطر آلوده شدن کشتی به کووید-۱۹ معرفی می کنیم که کمی با مدل پیشنهادی وانگ و همکاران متفاوت است. (۲۰۲۰) [۲۸ ] با در نظر گرفتن تعداد موارد تایید شده، جمعیت کشورهای مورد بررسی، تناژ وزن مرده (DWT) کشتی و افزایش نرخ موارد تایید شده. معادله (۱) ریسک تجمعی ۱۴ روزه کشتی j را در تاریخ t محاسبه می کند :

s h i p E x p o s u r e I n d ه ایکس j ، t = \sum t - ۱۴ تی e x p o s u r e I n d ه ایکس j ، t

(۱)

$s h i p E x p o s u r e I n d e x_{j, t}$ مسیر کشتی j را در ۱۴ روز گذشته در نظر می گیرد. بنابراین وقتی یک کشتی در یک بندر معین برای چند روز توقف می کند، $s h i p E x p o s u r e I n d e x_{j, t}$ افزایش خواهد یافت. را $e x p o s u r e I n d e x_{j, t}$ نشان دهنده شاخص ریسک تجمعی ۱۴ روزه کشتی j در تاریخ است $t$ . معادله (۲) نسبت بین موارد تایید شده جدید و جمعیت کشور را نشان می دهد که بیشتر به مقیاس ۰-۱۰۰ نرمال می شود. معادله (۳) ریسک کشتی j را در تاریخ t محاسبه می کند :

w من ، تی = ( سی تی - سی t - ۱ ) p o پ من

(۲)

e x p o s u r e I n d ه ایکس j ، t = (w من ، تی - w دقیقه w حداکثر - w دقیقه) \times ۱۰۰ \times گرم r o w F a c t o r تی \times (۱ + s h i p P a s s e n g ه r j s h i p P a s s e n g ه r حداکثر)

(۳)

جایی که $C_{t}$ و $C_{t - 1}$ تعداد کل موارد تایید شده در تاریخ را نشان می دهد $t$ و $t - 1$ به ترتیب و $C_{t} - C_{t - 1}$ تعداد موارد تایید شده جدید را در تاریخ نشان می دهد $t$ . $w_{i, t}$ به نسبت موارد تایید شده جدید به جمعیت کشور در بندر اشاره دارد $i$ در تاریخ $t$ . این داده ها را می توان از طریق بسته R tidycovid19 بر اساس نام کشور و تاریخ بازدید از دانشگاه جان هاپکینز CSSE Github دانلود کرد. $p o p_{i}$ نشان دهنده جمعیت کشوری است که بندر در آن قرار دارد $i$ واقع شده است. از آنجایی که پایگاه جمعیتی شهری که بندر در آن قرار دارد هنوز در دسترس نیست، به جای آن از جمعیت کشور استفاده می کنیم. با توجه به اینکه خطر ابتلا به COVID-19 با تعداد مسافران یک کشتی همبستگی مثبت دارد، تعداد مسافران به معادله (۳) اضافه می شود. $s h i p P a s s e n g e r_{j}$ تعداد مسافران کشتی را نشان می دهد $j$ و $s h i p P a s s e n g e r_{\max}$ حداکثر تعداد مسافران همه کشتی ها را نشان می دهد.

را $g r o w F a c t o r_{t}$ به ضریب تعدیل افزایش نرخ مورد تایید شده در تاریخ t اشاره دارد. ما فرض می کنیم که سطح خطر کشتی ها در یک کشور خاص با افزایش موارد تایید شده بسیار بیشتر از کاهش موارد تایید شده است. را $g r o w F a c t o r_{t}$ سپس به عنوان معادله (۴) [ ۲۸ ] استخراج می شود.

g r o w F a c t o r تی = ۱ + ۰٫۵ * a d د سی a s e س تی a b s ( a d د سی a s e س تی ) + a b s ( a d د سی a s e س t - ۱ )

(۴)

جایی که $t - 1$ به یک روز قبل از تاریخ اشاره دارد $t$ و $a d d C a s e s_{t}$ تعداد موارد تایید شده جدید در تاریخ است $t$ . اگر تعداد موارد تایید شده در t کاهش یابد ، مقدار منفی خواهد بود. با توجه به فرمول فوق، شاخص قرار گرفتن در معرض COVID-19 کشتی را می توان به صورت پویا محاسبه کرد که شاخص های بالاتر نشان دهنده خطر بالاتر عفونت است.

خطر یک پورت در معرض COVID-19 با معادله (۵) نشان داده می شود، که در آن خطر روزانه پورت i در تاریخ t ، به صورت $p o r t E x p o s u r e I n d e x_{i, t}$ در فرمول، با جمع‌بندی شاخص‌های ریسک همه کشتی‌هایی که در همان تاریخ از بندر بازدید می‌کنند، محاسبه می‌شود.

p o r t E x p o s u r e I n d ه ایکس من ، تی = \sum j = ۱ n s h i p E x p o s u r e I n d ه ایکس من ، ج ، تی

(۵)

$P_{i, t}$ به شاخص خطر تجمعی ۱۴ روزه وارداتی COVID-19 برای یک بندر اشاره دارد $i$ در یک تاریخ $t$ همانطور که در رابطه (۶) نشان داده شده است.

پ من ، تی = \sum t - ۱۴ تی p o r t E x p o s u r e I n d ه ایکس من ، تی

(۶)

برای مقاصد مقایسه، شاخص خطر تجمعی ۱۴ روزه وارداتی بنادر کووید-۱۹ بر اساس روش‌های پیشنهاد شده توسط Hu و همکارانش استانداردسازی می‌شود. و وو و همکاران [ ۱۵ ، ۱۶ ]. همانطور که در رابطه (۷) نشان داده شده است، شاخص ریسک تجمعی برای ایجاد یک امتیاز زیرشاخص بین ۰ تا ۱۰۰ استاندارد شده است، که در آن هر نقطه کامل در مقیاس ترتیبی به طور مساوی فاصله دارد. بنابراین، شاخص ریسک بندر $P_{i, t}$ به صورت زیر نرمال می شود.

Y من ، تی = (پ من ، تی - پ دقیقه پ حداکثر - پ دقیقه) \times ۱۰۰

(۷)

جایی که $P_{i, t}$ شاخص خطر اپیدمی تجمعی برای یک بندر است $i$ در تاریخ $t$ ; $P_{\min}$ و $P_{\max}$ به ترتیب حداقل و حداکثر شاخص ریسک هر بندر برای تمام تاریخ های ارزیابی هستند. و $Y_{i, t}$ مقادیر نرمال شده خطر COVID-19 وارداتی پورت i در تاریخ t است.

۴٫ مطالعه موردی

در این بخش، کشتی های کروز را به عنوان نمونه برای ارزیابی مدل ارزیابی ریسک پیشنهادی در نظر می گیریم. داده های AIS و داده های کشتی های کروز از hifleet.com به دست آمده است. در سال ۲۰۲۰، ۲۵۱۸۰۴۷۴ نقطه داده AIS از ۴۲۱ کشتی کروز با حجم کل داده ۱٫۳۳ گیگابایت استفاده می شود. برای پردازش موازی داده‌ها، از یک سرور کامپیوتری با پردازنده اینتر زئون ۲٫۶۰ گیگاهرتز، ۱۶ هسته و ۶۴ رم استفاده شده است.

توزیع تناژ ناخالص کشتی های کروز در شکل ۳ نشان داده شده است . همانطور که نشان داده شده است، تقریبا نیمی از کشتی های کروز، کشتی های تفریحی کوچک با تناژ ناخالص زیر ۳۰۰۰۰ تن هستند. علاوه بر این، ۶۵ کشتی کروز در محدوده ۳۰،۰۰۰ تا ۷۰،۰۰۰ تن، ۷۸ کشتی کروز در محدوده ۷۰،۰۰۰ تا ۱۰۰،۰۰۰ تن، و ۷۲ کشتی تفریحی غول پیکر بزرگتر از ۱۰۰،۰۰۰ تن وجود دارد.

همه نقاط AIS در شناسایی ایستگاه های کروز ارزش یکسانی ندارند. نقاط با سرعت پایین تر به احتمال زیاد یک رویداد توقف را نشان می دهند. بنابراین نقاط AIS با سرعت کمتر از ۱ گره برای تجزیه و تحلیل استخراج می شوند. در مجموع ۱۰,۷۵۴,۱۹۴ چنین نقطه مسیری انتخاب شده است و تقریباً نیمی از کل حجم داده را نشان می دهد. این نقاط AIS به عنوان ورودی به الگوریتم ST-DBSCAN برای شناسایی خودکار توقف های کشتی استفاده می شود. به منظور بهبود سرعت محاسبه الگوریتم ST-DBSCAN، نقاط AIS برای هر کشتی در چندین زیر گروه گروه بندی می شوند و حجم داده های هر زیرگروه به اندازه کافی کوچک است تا الگوریتم ST_DBSCAN بتواند به سرعت همگرا شود. ما فرض می کنیم که برای یک کشتی کروز جداگانه، اگر فاصله زمانی بین دو نقطه مسیر بیشتر از ۵ ساعت باشد، آنها به دو زیر گروه تقسیم می شوند. مقدار داده ها در هر زیر گروه محاسبه می شود. اگر تعداد نقاط AIS در یک زیرگروه بیشتر از ۱۰۰۰۰ باشد، این زیر گروه بیشتر به گروه های کوچک تقسیم می شود تا زمانی که تعداد هر گروه به آستانه ۱۰۰۰۰ برسد. سپس الگوریتم ST-DBSCAN برای هر گروه برای شناسایی توقف های کشتی اعمال می شود.

با توجه به اینکه فاصله بین دو نقطه متوالی AIS زمانی که یک کشتی در ترمینال یا لنگرگاه توقف می کند بسیار نزدیک است، طول یک کشتی کروز معمولاً حدود چند صد متر است. این مطالعه پارامتر دوم eps1 را روی ۰٫۰۰۵ درجه، تقریباً ۵۰۰ متر تنظیم کرد. به طور مشابه، مقدار سومین پارامتر eps2 را روی ۲ ساعت تنظیم می کنیم، زیرا فاصله زمانی بین توقف کشتی در دو پایانه عموماً بسیار بیشتر از ۲ ساعت است. این نشان می دهد که زمانی که فاصله زمانی بین دو نقطه AIS از ۲ ساعت بیشتر شود، این دو نقطه در یک خوشه توقف قرار نخواهند داشت. به منظور شناسایی توقف‌های کشتی در برخی مکان‌ها با پوشش ضعیف سیگنال AIS، پارامتر چهارم MinPts را تنظیم کردیم.به ۲٫ این بدان معنی است که اگر فاصله زمانی بین هر دو نقطه AIS کمتر از ۲ ساعت باشد و فاصله بین دو نقطه AIS کمتر از ۰٫۰۰۵ درجه باشد، دو یا چند نقطه داده می توانند یک رویداد توقف را تشکیل دهند. اگرچه این رویدادهای توقف شناسایی شده اند، اما همچنان لازم است که رویدادهای توقف لنگرگاه برای شناسایی بنادر بازدید شده توسط کشتی ها حذف شود. در نهایت، ما ۱۲۷۸۳۰ توقف اسکله را برای همه کشتی‌های کروز شناسایی کردیم که میانگین ۳۰۳ توقف در هر کشتی کروز است.

شایان ذکر است که یک کشتی کروز ممکن است بیش از یک بار از یک بندر یا کشور بازدید کند و ممکن است چندین رویداد توقف در طول یک بازدید خاص وجود داشته باشد. بنابراین، توقف های هر کشتی به ترتیب زمانی رتبه بندی می شوند. توقف‌ها در طول یک تماس پورت گروه‌بندی می‌شوند. لبه های شبکه و وزن بین دو پورت از سفر کشتی بین پورت ها استخراج می شود. در نتیجه، یک شبکه کشتیرانی از کشتی های کروز با ۴۷۷ گره بندری و ۲۸۸۸ لبه توسعه یافته است.

شکل ۴ شبکه جهانی در سطح بندر از ۴۲۱ کشتی کروز شناسایی شده در سال ۲۰۲۰ را نشان می دهد، که در آن رنگ یک گره بندر به درجه کل بندر و ضخامت یک لبه نشان دهنده مقیاس حجم ترافیک بین دو بندر است. همانطور که در شکل ۴ نشان داده شده است ، اروپا و آمریکای شمالی، به ویژه دریای کارائیب، مناطقی هستند که بیشترین تمرکز بنادر کروز و متراکم ترین مجموعه برنامه های سفر را دارند.

شکل ۵ نقشه شبکه حرکت کشتی های کروز محلی در اروپای غربی را نشان می دهد.

شکل ۶ توزیع شاخص ریسک استاندارد شده تمامی بنادر کروز را در طول سال نشان می دهد. این نشان می‌دهد که بیشتر مقادیر ریسک بندر بین ۴۰ و ۸۰ هستند و در ۶۰ به اوج می‌رسند، در حالی که تنها تعداد کمی از آنها در محدوده ۰-۴۰ و ۸۰-۱۰۰ قرار دارند.

طبق محاسبات ما، بالاترین ریسک در سال ۲۰۲۰، ۱۶ نوامبر است. بنابراین، این تاریخ را به عنوان مثال برای بررسی بنادر پرخطر و توزیع جغرافیایی آنها در نظر می گیریم. جدول ۱ ۲۰ بندر برتر را با بالاترین شاخص ریسک تجمعی استاندارد شده نشان می‌دهد که از ۸۰ تا ۱۰۰ در ۱۶ نوامبر ۲۰۲۰ متغیر است. این مقادیر خطر، اگرچه کمی هستند، اما نوعی ارزیابی کلی از خطرات عفونت COVID-19 در زمان‌ها و مکان‌های بندر مختلف ارائه می‌دهند. بنابراین، بر این اساس، ممکن است در واقع به ارزش‌های کیفی، مانند ریسک‌های متوسط تا زیاد، ترسیم شوند. بنادر پرخطر عمدتاً در ایتالیا، فرانسه، اسپانیا، بریتانیا و ایالات متحده واقع شده‌اند که با روند ملی COVID-19 در آن زمان مطابقت دارد.

شکل ۷ خطرات وارداتی COVID-19 بنادر کروز در سراسر جهان را تا ۱۶ نوامبر ۲۰۲۰ نشان می دهد.

پانصد و پنج پورت با شاخص ریسک تهی به منظور تجسم از نمودار حذف می شوند. همانطور که از نمودار مشاهده می شود، بنادر در ایالات متحده، باهاما و بسیاری از کشورهای اروپایی در معرض خطر بالای موارد وارداتی COVID-19 هستند. به عنوان مثال، بندر Civitavecchiain در ایتالیا بالاترین خطر ابتلا به COVID-19 را در ۱۶ نوامبر داشت. افزایش مداوم موارد تایید شده جدید در روز از پاییز و زمستان در ایتالیا، فرانسه، اسپانیا و بریتانیا به همه گیری در این منطقه کمک می کند. این بنادر اروپایی نیز به دلیل بازگشت مجدد کووید-۱۹ در کشورهای اروپایی، ریسک متوسط تا بالا را نشان می‌دهند. تغییرات قابل توجهی در وضعیت همه گیر بین مناطق در طول زمان وجود دارد.

شکل ۸ خطر COVID-19 وارداتی خارج از کشور را در بنادر محلی کروز در غرب اروپا در ۱۶ نوامبر ۲۰۲۰ مقایسه می کند.

شکل ۹ تکامل خطرات وارداتی کووید-۱۹ بندر سیویتاوکیا در ایتالیا و بندر میامی در ایالات متحده را در سال ۲۰۲۰ نشان می دهد. بندر سیویتاوکیا یک بندر بزرگ کشتی تفریحی و کشتی است و نقطه شروع اصلی برای اتصال دریایی از مرکز ایتالیا به ساردینیا، سیسیل، تونس و بارسلون. بندر میامی با عنوان “پایتخت سفرهای دریایی جهان” به خود می بالد و شلوغ ترین بندر مسافربری و مسافربری در جهان است. سالانه بیش از ۵٫۵ میلیون مسافر کروز از این بندر عبور می کنند. همانطور که در شکل ۹ نشان داده شده استخطرات COVID-19 در بندر Civitavecchia در آوریل تا مه ۲۰۲۰، به دلیل سیاست قرنطینه ای که در آن زمان توسط ایتالیا اجرا شد، دچار نوسان شد و سپس برای یک سال پس از اواسط اکتبر به افزایش و اوج خود ادامه داد. با این حال، الگوی بندر میامی با الگوی سیویتاوکیا کاملاً متفاوت است. این ریسک از مارس تا آوریل به شدت رشد می کند، در حدود ۸۰ در ریسک بسیار بالا باقی می ماند و در جولای به اوج خود می رسد. پس از آن، ریسک به سرعت کاهش می‌یابد تا در پایان جولای به پایین‌ترین حد خود برسد، به تدریج برگشت می‌کند، در اکتبر به اوج می‌رسد و سپس سطح ریسک را در بقیه سال حفظ می‌کند.

۵٫ نتیجه گیری ها

بنادر به عنوان قطب های کلیدی زنجیره تامین و لجستیک جهانی، به طور مداوم در معرض خطر موارد کووید-۱۹ وارداتی از خارج از کشور قرار دارند. این مقاله یک مدل ارزیابی ریسک از کشتی‌ها و بنادر دریایی را بر اساس داده‌های حرکت کشتی، داده‌های شیوع جهانی COVID-19 و داده‌های ویژگی‌های کشتی معرفی می‌کند که می‌تواند به صورت پویا خطر COVID-19 را در کشتی‌ها و همچنین بنادر ردیابی کند. مشارکت های اصلی این تحقیق به شرح زیر است: (۱) مدل و روش پیشنهادی برای ارزیابی خطر موارد COVID-19 وارداتی خارج از کشور در بنادر می تواند به طور موثری کاستی های تحقیقات در مورد پیشگیری و کنترل COVID-19 دریایی را برطرف کند. (۲) شاخص‌های ریسک پویا تخمینی کشتی‌ها و بنادر این پتانسیل را دارند که از سیاست‌گذاران، شرکت‌های کشتیرانی، پایانه‌های بندری و گمرک در کشورهای مختلف پشتیبانی تصمیم‌گیری کنند. که ممکن است به کنترل بهتر گسترش جهانی COVID-19 کمک کند. (۳) روش تخمین ریسک مبتنی بر داده پیشنهادی به طور کامل از ارزش داده‌های جهانی AIS کشتی و داده‌های آلودگی COVID-19 استفاده می‌کند، که می‌تواند خطر COVID-19 وارداتی خارج از کشور را از یک کشتی منفرد، بندر منفرد یا حتی ردیابی کند. کل شبکه حمل و نقل، به آشکار شدن روند گسترش جهانی COVID-19 از دیدگاه دریایی کمک می کند.

با این حال، هنوز مسیرهای زیادی برای بهبود بیشتر در مدل‌سازی و رویکرد محاسباتی ما وجود دارد. در مرحله اول، مدل ارزیابی ریسک پیشنهادی کشتی‌ها را می‌توان با در نظر گرفتن داده‌های مبتنی بر زمینه دقیق‌تر بهبود بخشید. خطرات آلودگی کشتی COVID-19 ممکن است به اقدامات پیشگیری و کنترل انجام شده توسط بنادر در سطح محلی، تعداد موارد تایید شده و حجم محصولات زنجیره سرد در کشتی‌ها و موارد تایید شده در سطح شهر و جمعیت مربوط باشد. هنگامی که داده‌های سطح میکرو اضافی در دسترس هستند، مدل ما می‌تواند بیشتر به‌روزرسانی شود.

ثانیاً، این روش می تواند به سایر انواع کشتی گسترش یابد. در حالی که ما عمدتاً بر تخمین خطر کشتی‌های کروز و بنادر متمرکز شده‌ایم، این روش را می‌توان برای انواع دیگر کشتی‌ها مانند کشتی‌های کانتینری و کشتی‌های فله نیز اعمال کرد.

ثالثاً، تحقیقات آینده ممکن است بر بررسی خطر پویای شبکه‌های کشتیرانی جهانی با توسعه یک مدل پایش ریسک COVID-19 در سطح شبکه پویا، تجزیه و تحلیل انتقال جهانی خطر دریایی، و انجام اقدامات پیشگیری و کنترل COVID-19 تحت شرایط مختلف COVID-19 تأکید کند. گسترش سناریوها

در نهایت، یکی دیگر از جهت‌گیری‌های تحقیقاتی مرتبط باقی مانده که می‌تواند از مزایای رویکرد مدل‌سازی ما نیز استفاده کند، بررسی تأثیر بالقوه همه‌گیری جهانی COVID-19 بر انتشار CO2 حمل‌ونقل در مقیاس جهانی و منطقه‌ای و در مقیاس‌های زمانی مختلف است.

منابع

سازمان بهداشت جهانی. سخنان افتتاحیه مدیر کل سازمان جهانی بهداشت در جلسه توجیهی رسانه ای در مورد COVID-19–۱ مارس ۲۰۲۰٫ در دسترس آنلاین: https://www.who.int/director-general/speeches/detail/who-director-general-s-opening- اظهارات-در-توصیه-رسانه-در-کووید-۱۹—۱۱-مارس-۲۰۲۰ (در ۱۱ مارس ۲۰۲۰ قابل دسترسی است).
وانگ، آر. چن، جی. گائو، ک. وی، جی. جهش های فرار از واکسن و رشد سریع در بریتانیا، ایالات متحده، سنگاپور، اسپانیا، هند و سایر کشورهای ویران شده از کووید-۱۹٫ Genomics ۲۰۲۱ ، ۱۱۳ ، ۲۱۵۸-۲۱۷۰٫ [ Google Scholar ] [ CrossRef ]
لو، جی. لی، بی. دنگ، ا. لی، ک. هو، ی. لی، ز. Xiong، Q. لیو، ز. گوا، کیو. Zou, L. عفونت و انتقال ویروسی در یک شیوع بزرگ و قابل ردیابی ناشی از نوع دلتا SARS-CoV-2. medRxiv ۲۰۲۱ ، ۲۰۲۱–۲۰۲۷٫ [ Google Scholar ] [ CrossRef ]
لی، ز. نی، ک. لی، ک. هو، ی. آهنگ، ی. کانگ، م. ژانگ، ام. دنگ، ایکس. یوان، جی. Xu, W. ژنوم مشخصه اولین شیوع کووید-۱۹ نوع دلتا B. 1.617. ۲-شهر گوانگژو، استان گوانگدونگ، چین، می ۲۰۲۱٫ CDC Wkly چین. ۲۰۲۱ ، ۳ ، ۵۸۷-۵۸۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ام. شیائو، جی. دنگ، ا. ژانگ، ی. ژوانگ، ی. هو، تی. لی، جی. تو، اچ. لی، بی. Zhou، Y. دینامیک انتقال شیوع کووید-۱۹ دلتای نوع B. 1.617. ۲ — استان گوانگدونگ، چین، می تا ژوئن ۲۰۲۱٫ CDC Wkly چین. ۲۰۲۱ ، ۳ ، ۵۸۴-۵۸۶٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ال. یانگ، اچ. وانگ، ک. ژان، ی. Bian, L. اندازه گیری ریسک مورد وارداتی COVID-19 از پروازهای بین المللی ورودی – مطالعه موردی در چین. J. Air Transp. مدیریت ۲۰۲۰ , ۸۹ , ۱۰۱۹۱۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ناکامورا، اچ. Managi، S. فرودگاه خطر واردات و صادرات بیماری همه گیر COVID-19. ترانسپ سیاست ۲۰۲۰ ، ۹۶ ، ۴۰-۴۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Pang، X. رن، ال. وو، اس. ما، دبلیو. یانگ، جی. دی، ال. لی، جی. شیائو، ی. کانگ، ال. Du, S. آلودگی مواد غذایی با زنجیره سرد به عنوان منشا احتمالی ظهور مجدد COVID-19 در پکن. Natl. علمی Rev. ۲۰۲۰ , ۷ , ۱۸۶۱–۱۸۶۴٫ [ Google Scholar ] [ CrossRef ]
زینگ، ی. وانگ، GW; نی، دبلیو. هو، ایکس. زینگ، کیو. واکنش سریع به شیوع بیماری در چینگدائو، چین. N. Engl. جی. مد. ۲۰۲۰ ، ۳۸۳ ، e129. [ Google Scholar ] [ CrossRef ]
تامپا بی تایمز کشتی‌های کروز علی‌رغم ویروس کرونا حرکت کردند. هزاران نفر بهای آن را پرداختند. در دسترس آنلاین: https://www.tampabay.com/news/health/2020/04/24/cruise-ships-sailed-on-spite-the-coronavirus-thousands-of-people-paid-the-price/ ( قابل دسترسی در ۲۵ آوریل ۲۰۲۰).
دای، Q. هو، اس. یان، ک. چن، ز. چن، بی. کای، تی. ژانگ، اس. ژانگ، جی. Zheng, J. تأمل در مورد عفونت SARS-CoV-2 دریانوردان کشتی کانتینری. Travel Med. آلوده کردن دی. ۲۰۲۰ ، ۳۶ ، ۱۰۱۷۸۷٫ [ Google Scholar ] [ CrossRef ]
یوان، Q. کو، ز. جیانگ، اف. لی، ز. ژانگ، ال. لیو، اچ. ژائو، ایکس. کانگ، دی. گائو، آر. Lei, J. شیوع بیماری کووید-۱۹ بیمارستانی توسط یک کارگر بارانداز آلوده در بندر شهر چینگدائو – استان شاندونگ، چین، اکتبر، ۲۰۲۰٫ CDC Wkly چین. ۲۰۲۰ ، ۲ ، ۸۳۸-۸۴۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Doumbia-Henry, C. Shipping and COVID-19: حفاظت از دریانوردان به عنوان کارگران خط مقدم. WMU J. Marit. Aff. ۲۰۲۰ ، ۱۹ ، ۲۷۹-۲۹۳٫ [ Google Scholar ] [ CrossRef ]
کشتی-تکنولوژی. شیوع ویروس کرونا: اقدامات و اقدامات پیشگیرانه توسط بنادر. در دسترس آنلاین: https://www.ship-technology.com/features/coronavirus-outbreak-measures-and-preventive-actions-by-ports/ (دسترسی در ۱۵ آوریل ۲۰۲۰).
ویو، اچ. دینگ، ز. WU، C. LU، Q. LI، F. LIN, J. ارزیابی ریسک موارد COVID-19 وارد شده از داخل کشتی به استان ژجیانگ. J. قبلی پزشکی ۲۰۲۰ ، ۵۴۱–۵۴۵٫ [ Google Scholar ] [ CrossRef ]
هو، JX; لیو، تی. شیائو، جی پی؛ او، GH; Rong، ZH; یین، LH؛ Wan، DH; Zeng، WL; گونگ، DX؛ ارزیابی خطر Guo، LC و هشدار اولیه COVID-19 وارداتی در ۲۱ شهر استان گوانگدونگ. Zhonghua Liu Xing Bing Xue Za Zhi Zhonghua Liuxingbingxue Zazhi ۲۰۲۰ ، ۴۱ ، ۶۵۸–۶۶۲٫ [ Google Scholar ] [ CrossRef ]
دائون، ی. تامپسون، RN; اوبولسکی، ایالات متحده تخمین خطر شیوع COVID-19 از طریق سفر هوایی. J. Travel Med. ۲۰۲۰ ، ۲۷ ، a93. [ Google Scholar ] [ CrossRef ] [ PubMed ]
چو، AM; چان، JN; Tsang، JT; تیواری، ع. بنابراین، MK تجزیه و تحلیل اتصال همه‌گیر بین کشوری در طول COVID-19 با استفاده از یک پایگاه داده مکانی-زمانی: تجزیه و تحلیل شبکه. نظارت بر سلامت عمومی JMIR. ۲۰۲۱ ، ۷ ، e27317. [ Google Scholar ] [ CrossRef ] [ PubMed ]
خطیب، ع. مک گینس، اس. وایلدر اسمیت، A. انتقال COVID-19 و ایمنی سفرهای هوایی در طول همه‌گیری: بررسی محدوده. Curr. نظر. آلوده کردن دیس ۲۰۲۱ ، ۳۴ ، ۴۱۵-۴۲۲٫ [ Google Scholar ] [ CrossRef ]
Sirimanne، SN; هافمن، جی. خوان، دبلیو. آساریوتیس، ر. عساف، م. آیالا، جی. بنامارا، اچ. چانترل، دی. هافمن، جی. Premti, A. Review of Maritime Transport 2019 ; UNCTAD: ژنو، سوئیس، ۲۰۱۹٫ [ Google Scholar ]
لیو، پی. یانگ، م. ژائو، ایکس. گوا، ی. وانگ، ال. ژانگ، جی. لی، دبلیو. هان، دبلیو. جیانگ، اف. لیو، WJ حمل و نقل با زنجیره سرد در صنایع غذایی منجمد ممکن است باعث عود موارد COVID-19 در مقصد شده باشد: جداسازی موفقیت آمیز ویروس SARS-CoV-2 از سطح بسته بندی ماهی منجمد وارداتی. بیوساف. سلامت ۲۰۲۰ ، ۲ ، ۱۹۹-۲۰۱٫ [ Google Scholar ] [ CrossRef ]
میزوموتو، ک. چاول، جی. پتانسیل انتقال کروناویروس جدید (COVID-19) در کشتی الماس پرنسس کروز، ۲۰۲۰٫ عفونی. دیس مدل. ۲۰۲۰ ، ۵ ، ۲۶۴-۲۷۰٫ [ Google Scholar ] [ CrossRef ]
موریارتی، LF; Plucinski، MM; مارستون، بی‌جی؛ کورباتوا، ای وی. کنست، بی. موری، EL; پسیک، ن. رز، دی. فیتر، دی. کوبایاشی، ام. پاسخ‌های بهداشت عمومی به شیوع کووید-۱۹ در کشتی‌های تفریحی – در سراسر جهان، فوریه تا مارس ۲۰۲۰٫ Morb. فانی. هفتگی Rep. ۲۰۲۰ , ۶۹ , ۳۴۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
وزارت بهداشت، کار و رفاه. درباره وضعیت فعلی آلودگی به ویروس کرونا جدید (از ساعت ۱۲:۰۰ روز ۱۵ مارس). در دسترس آنلاین: https://www.mhlw.go.jp/stf/newpage_10204.html (در ۳۰ سپتامبر ۲۰۲۰ قابل دسترسی است).
ایتو، اچ. هانائوکا، اس. کاوازاکی، تی. صنعت کروز و شیوع COVID-19. ترانسپ Res. بین رشته ای. چشم انداز ۲۰۲۰ ، ۵ ، ۱۰۰۱۳۶٫ [ Google Scholar ] [ CrossRef ]
Nwokedi، TC; Okoroji، LI; نولوزیری، CN; Efanga، HO; Okafor، CO COVID-19: اختلال در حمل و نقل بار کانتینری در راهروهای Last Mile بین بندرهای هاب منطقه ای و بازارهای Hinterland در نیجریه. هیمال. جی. اکون. اتوبوس. مدیریت ۲۰۲۱ ، ۲ ، ۱-۱۳٫ [ Google Scholar ] [ CrossRef ]
ناراسیمها، پی تی; ینا، روابط عمومی; Majhi، R. تاثیر COVID-19 بر حمل و نقل بندر دریایی هند و زنجیره تامین دریایی. ترانسپ سیاست ۲۰۲۱ ، ۱۱۰ ، ۱۹۱-۲۰۳٫ [ Google Scholar ] [ CrossRef ]
وانگ، ز. یائو، ام. منگ، سی. کلارامونت، سی. ارزیابی ریسک کووید-۱۹ وارداتی خارج از کشور کشتی‌های اقیانوس پیما بر اساس AIS و داده‌های عفونت. Isprs. بین المللی J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۵۱٫ [ Google Scholar ] [ CrossRef ]
بیرانت، دی. Kut، A. ST-DBSCAN: الگوریتمی برای خوشه بندی داده های مکانی-زمانی. دانستن داده ها مهندس ۲۰۰۷ ، ۶۰ ، ۲۰۸-۲۲۱٫ [ Google Scholar ] [ CrossRef ]
Gassen, J. داده‌های مرتبط با COVID-19 را دانلود، مرتب و تجسم کنید. در دسترس آنلاین: https://joachim-gassen.github.io/tidycovid19/ (دسترسی در ۲۰ آوریل ۲۰۲۱).
وانگ، ز. کلارامونت، سی. وانگ، ی. استخراج شبکه های حمل و نقل جهانی از داده های حسگر سیستم شناسایی خودکار تاریخی عظیم: رویکردی از پایین به بالا. Sensors ۲۰۱۹ , ۱۹ , ۳۳۶۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]

شکل ۱٫ چارچوب کلی: مدل سازی خطر COVID-19 وارداتی خارج از کشور در بنادر دریایی.

شکل ۲٫ چارچوب کلی برای شناسایی بنادر و کشورها.

شکل ۳٫ توزیع تناژ ناخالص ۴۲۱ کشتی کروز.

شکل ۴٫ شبکه جهانی در سطح بندر از ۴۲۱ کشتی کروز در سال ۲۰۲۰ استخراج شده از داده های AIS.

شکل ۵٫ شبکه حرکت کشتی های کروز در غرب اروپا.

شکل ۶٫ هیستوگرام شاخص سالانه خطر COVID-19 برای همه بنادر کروز.

شکل ۷٫ مقایسه خطر COVID-19 وارداتی خارج از کشور در بنادر جهانی کروز در ۱۶ نوامبر ۲۰۲۰٫

شکل ۸٫ مقایسه خطر COVID-19 وارداتی خارج از کشور در بنادر محلی کروز در غرب اروپا در ۱۶ نوامبر ۲۰۲۰٫

شکل ۹٫ ( الف ) تغییر سالانه در خطر COVID-19 وارداتی در سال ۲۰۲۰ در بندر Civitavecchia، ایتالیا. ( ب ) تغییر سالانه در خطر COVID-19 وارداتی در سال ۲۰۲۰ در بندر میامی، ایالات متحده.

مدل‌سازی خطر آلودگی‌های وارداتی COVID-19 در بنادر دریایی بر اساس تحرک کشتی‌های بین‌المللی

کلید واژه ها:

۱٫ مقدمه

۲٫ تحقیقات مرتبط

۳٫ داده ها و روش ها

۳٫۱٫ چارچوب کلی

۳٫۲٫ منابع داده

۳٫۳٫ شناسایی بنادر و کشورهای مورد نظر

۳٫۴٫ شاخص خطر COVID-19 وارداتی خارج از کشور بندر را محاسبه کنید

۴٫ مطالعه موردی

۵٫ نتیجه گیری ها

منابع

قبلیارزیابی تغییرات بلند مدت و کوتاه مدت ساحل با استفاده از داده های مشاهده زمین و تجزیه و تحلیل GIS: مورد دلتای رودخانه Sperchios

بعدیبینش جدید در مورد سیستم همراه غلات-فاجعه-اقتصاد بر اساس یک شبکه چند لایه: یک مطالعه تجربی در چین

نوشته های مرتبط ...

کوچینگ روانشناسی:رشد را به خودتان هدیه دهید!!

آموزش مقاله نویسی :۵۰ مهارت برتر جهت نوشتن مقالات حرفه‌ای

آموزش مقاله نویسی :۱۰۰ راز در یک کلاس (مدرس:دکتر سعید جوی زاده )

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ