《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Operational drivers of fuel performance in Ro–Ro shipping
编辑推荐：
本研究利用两艘由DFDS运营的姊妹Ro–Ro船舶为期22个月的高分辨率（1分钟）传感器数据，量化了运营因素对燃油性能的影响。研究人员构建了混合基准速度–功率曲线（低速段采用分段回归，高速段采用基于模型试验曲线外推的约束多项式拟合），并据此构建性能指标（PI），
本研究利用两艘由DFDS运营的姊妹Ro–Ro船舶为期22个月的高分辨率（1分钟）传感器数据，量化了运营因素对燃油性能的影响。研究人员构建了混合基准速度–功率曲线（低速段采用分段回归，高速段采用基于模型试验曲线外推的约束多项式拟合），并据此构建性能指标（PI），以将运营影响与速度和吃水的dominant效应分离。采用基于分组的统计方法（ANOVA及成对比较）和混合效应模型（mixed-effects modelling）对技术因素与人为因素进行统计分析。结果表明，船体状况与船长决策是主导性能因素。船体涂层质量对性能漂移具有显著影响：全面喷砂重新涂装后PI年漂移约0.8%，局部处理后约1.15%。混合效应分析表明，船长效应主要通过运营条件的选择与管理体现，而非独立的性能差异；船员与大幅在运营条件可比时仍存在执行层面的变异。机器学习（ML）决策支持试点显示，ML支持时段的燃油性能较基准平均改善约2个百分点，并降低了不同船长与船员之间的操作差异性。研究结果为Ro–Ro航运的船体维护质量管理、艏倾优化及数据驱动决策支持的推广提供了定量依据。
研究背景：海上运输虽为能效较高的货运方式，但仍是全球温室气体（GHG）排放的重要且持续增长的来源。2018年国际航运约占人为GHG排放的3%，若缺乏减排措施，预计排放将大幅增加。国际海事组织（IMO）强化的脱碳战略及欧盟将航运纳入排放交易体系等监管框架，凸显了技术与运营措施并重的必要性。运营优化被认为是短期最具成本效益的减排路径之一，速度管理、纵倾调整、船体维护和船员意识提升等措施可带来显著效率收益。然而，船舶实际燃油性能不仅取决于物理特征与环境条件，还取决于船上运营决策。船长与高级船员常依据经验、情境判断及对天气和性能信息的不同解读采取不同航行策略，这些人因差异对理解和管理运营效率至关重要。在此背景下，旨在支持或标准化航次决策的数据驱动工具日益被商业船队采用，但量化运营因素对燃油性能相对影响的实证研究仍然稀缺，尤其是针对Ro–Ro船舶。现有研究多依赖noon-report数据或聚焦其他船型，限制了时间分辨率与结论的普适性。本研究通过分析两艘DFDS姊妹Ro–Ro船舶22个月的高分辨率传感器数据弥补上述空白，量化速度、载重量、纵倾、距干船坞时间、船舶身份及船员角色与构成等关键运营因素对燃油性能的影响，并评估在一艘船上试点的企业内部机器学习决策支持系统相对于传统船长主导航行的效果。
主要技术方法：研究采集2024年1月1日至2025年11月1日共22个月的高分辨率（1分钟）传感器数据，测量包括对地航速、轴功率、扭矩、发动机转速、首尾吃水、GPS位置、航向与水深；气象海洋条件采用空间分辨率1/4°、时间分辨率3小时的后报格点数据，经三线性插值、反距离加权（IDW）及最近邻分配至船舶时空轨迹。船员活动数据记录船长、大副与轮机长的在船时段，并与传感器时间戳匹配生成匿名化标识。数据经过滤以确保稳态、深水、静水条件（蒲福风级≤4、h/T>4等）。基准曲线构建采用低速段对数空间分段线性回归与高速段基于拖曳水池模型试验的约束三阶多项式外推，并在16节处±1节过渡区平滑混合。统计分析采用单因素方差分析（ANOVA）、双样本t检验及线性混合效应模型（MATLAB fitlme），以速度、纵倾、载重量、距干船坞时间为固定效应，船舶、船长、大副、轮机长及船员为随机效应。
研究结果：描述性模式与关键关系方面，燃油消耗随速度强烈增加，与纵倾、载重量及距干船坞时间的关系较弱且分散；Ship 1较Ship 2更频繁地处于艏倾状态，Ship 2燃油消耗较高但其船长在更高平均速度下仍更接近或低于基准，表明绝对油耗高反映的是速度而非效率低下。基准曲线与性能指标行为方面，PI与速度的关系明显平坦化，证实基准曲线有效，剩余变异可归因于运营因素而非速度。基于ANOVA的运营因素排序方面，距干船坞时间（ΔPI=0.073）、船长（ΔPI=0.070）、纵倾（ΔPI=0.053）、船员（ΔPI=0.049）、轮机长（ΔPI=0.049）、大副（ΔPI=0.042）、船舶（ΔPI=0.033）、载重量（ΔPI=0.020）均显著；分船分析显示Ship 1以纵倾影响最大而船员效应有限，Ship 2以距干船坞时间主导且轮机长不显著。混合效应建模方面，纵倾（0.027/单位）与速度（?0.022/节）效应量最大，载重量与距干船坞时间系数小数个数量级；随机效应中船员标准差最大（0.045），其次大副（0.025），船舶较小（0.0076），船长与轮机长方差可忽略；决策水平分析显示船员选择运营条件的变异最大（1.00），船长次之（0.50），表明船长在ANOVA中的表观效应源于运营条件选择差异而非直接影响燃油性能，而船员与大副的非零随机效应表明执行差异是人因性能变异的主要来源。运营因素效应方面，纵倾组间比较显示最佳艏倾窗口为?1.25 m至?1.0 m（第5组），最差为艉倾+0.5 m至+0.75 m（第12组），与纵倾优化试验建议设计吃水下全速度范围艏倾1.2 m一致；距干船坞时间方面，Ship 2跨越两次坞修的长周期分析显示2023年1月全面喷砂重新涂装后PI年漂移约0.8%，局部处理后增至约1.15%；船员与个体方面，Ship 2船长总体较Ship 1更接近基准，部分船员组合相对基准节省3–6%，另一些则额外消耗5%、7%甚至14%。机器学习决策支持方面，所有时段均优于基准（PI<1），ML时段持续表现更佳，最弱ML时段较最强非ML时段多节省逾1个百分点（3.42%对2.16%），时长加权平均显示ML支持期间燃油节省约1.9个百分点（3.94%对2.04%）；船长层面，Captain 2在ML支持期节省提升约2.3个百分点（从1.97%升至4.22%），Captain 1仅提升0.6个百分点但仅约100小时支持航行数据可靠性较低；轮机长层面，Chief Engineer 2提升1.4个百分点（从1.82%升至3.17%），约2640小时试点航行；ML应用时船员间方差亦减小。研究结果总结表明，基准速度–功率曲线构建的PI成功中和了速度/吃水效应；船舶性能主要受物理运营条件支配，船体状况与人因通过影响运营条件的选择、管理与执行贡献次要变异；最佳纵倾位于约?1.25 m至?1.0 m的艏倾范围；ML决策支持显示出平均燃油性能改善与操作者间变异降低。
讨论部分总结：讨论围绕四个主题展开。运营因素对燃油性能的影响方面，ANOVA识别距干船坞时间与船长为差异最大的因素，但混合效应分析表明船长表观效应多由运营条件选择与管理差异解释，船长仍是关键人因，因其界定其他船上决策与活动的运营框架；船体状况影响主要通过阻力及相应运营调整体现，Ship 2长周期分析量化年PI漂移约0.8%（全面处理）与1.15%（局部处理），虽年度数值温和但在典型2–3年坞修周期内累积成显著燃油惩罚，且该退化发生在几乎未见可见生物污损的条件下，最可能归因于表面粗糙度增加及黏液与早期生物膜累积而非可见宏观污损；纵倾效应虽非主导但模式清晰，最佳区域为艏倾约?1.25 m至?1.0 m，最差组为艉倾；载重量经基准归一化后影响温和，符合预期。人因与运营变异方面，人因因素与日常燃油性能的显著变异相关，个体及三人船员组合间差异达5%、7%甚至14%，且在过滤后的深水静水条件下仍出现，表明变异主要反映运营策略差异而非对外部条件的反应；这些差异不应解释为个体操作者的直接因果效应，而是反映运营实践、经验与情境条件的复合代理；Ship 2各角色PI持续低于Ship 1尽管平均速度更高，说明绝对油耗不等同于性能不佳；个体操作者间变异凸显了标准化与决策支持的必要性。干船坞效应解读方面，2024年7月坞修后PI立即上升及部分坞修组反直觉，经与DFDS内部船舶建筑师咨询澄清：2023年1月坞修含全面喷砂与完整涂层更新，而2024年7月仅局部喷砂与部分重涂，目视检查与操作者报告显示局部处理区域存在底漆与喷砂区域未被面漆完全覆盖的可见过渡，此类表面不连续可增加摩擦阻力并加速生物膜发展，可能解释2024年坞修后PI漂移更快，凸显船体维护质量而非仅坞修事件本身决定性能。机器学习决策支持方面，ML支持时段平均PI低于非ML时段且操作者间变异更小，时长加权平均显示相对基准约2个百分点燃油节省，即使所有非ML时段已优于预期；ML支持降低了船长与船员间离散度，表明ML建议可支持更一致的运营决策；但结论需谨慎，分析基于单船与有限ML时段，手动分段可能引入选择偏差，ML时段平均速度略高（19.1节对18.5节），天气、航线约束与交通差异亦可能影响，PI虽部分校正但残余混杂不能完全排除，数据不足以进行严格统计显著性评估，结果应为指示性而非结论性、探索性而非因果性。实践启示包括涂层质量与船体维护、纵倾管理、以人为本的性能管理及决策支持。局限与未来工作方面，所有结果基于观测数据，限制因果推断；广泛过滤减少天气、浅水与操纵影响但残余环境与交通效应可能仍存；部分船员及组合数据有限使个体比较具试探性，ML试点仅单船较短时期；研究基于同一公司同一地理区域内两艘相似技术与组织条件的姊妹船，内部可比性强但向其他船型、航线或运营情境的直接迁移受限，需更广数据确认稳健性与适用性；本文仅从工程技术视角考虑，未涉及社会技术层面，理解为何跨操作者变异需补充定性或混合方法研究；未来工作应扩展ML支持运营至多船、多季节与多航线，开发可解释与人本界面，研究维护规划、性能监测与组织实践如何与模型建议互动。研究结论部分翻译：本研究利用22个月的一分钟传感器数据并结合后报环境信息，量化了运营与人因如何塑造两艘Ro–Ro姊妹船的燃油性能。通过构建混合基准速度–功率曲线（低速段分段回归、高速段基于模型曲线外推的约束多项式拟合）并分析所得性能指标（PI），采用基于分组的统计与混合效应建模，研究人员将运营影响与速度、吃水的dominant效应分离。得出三项主要结论：第一，船体状况通过其对阻力的影响及相应运营调整在塑造燃油性能随时间变化方面发挥重要作用，Ship 2的详细分析显示全面喷砂重新涂装后PI每年增加约0.8%，局部处理后每年约1.15%，意味着典型坞修间隔内显著的燃油惩罚，凸显维护质量而非仅坞修时机具有重大经济与环境后果。第二，人为决策主要通过运营条件的选择、管理与执行影响燃油性能，而非通过独立的操作者特定效应；船长与船员表现出持续变异，部分组合相对基准节省3–6%，另一些则超出5–14%；混合效应分析表明该变异并非由固有性能水平差异驱动，而是由运营条件选择与管理实践差异所致，因此培训、反馈与程序标准化可显著改善平均结果并降低操作者间离散度；纵倾虽不如船体状况或船长效应显著，但存在明确的艏倾最佳窗口约?1.25 m至?1.0 m，为日常优化提供实用杠杆。第三，基于机器学习的决策支持显示出改善的平均性能与降低的操作者间变异；试点中所有时段均优于基准，ML支持时段按时长加权额外节省约2个百分点燃油，同时缩小船长与船员间离散度，表明运营收益潜力。从实践角度，研究支持三管齐下策略：严格且质量保证的船体维护以控制涂层退化带来的摩擦惩罚；主动纵倾管理以保持接近观测到的艏倾最优值；更广泛、透明地部署ML决策支持以标准化航行同时保留操作者自主性。这些措施使成本节约与脱碳目标相一致。研究存在观测数据集与ML试点范围（单船、操作者暴露有限）的固有局限，未来工作应扩展ML部署至多船、多航线与多季节，纳入可解释AI界面以增强操作者信任与学习，并深化动态纵倾与流体动力相互作用的建模。尽管存在这些局限，结果表明严格的维护、明智的运营选择与精心整合的决策支持可为（Ro–Ro）航运带来可测量、可扩展的燃油性能改善。
