基于综合方法的海洋牧场技术创新风险识别与影响分析模型

《Regional Studies in Marine Science》：Risk identification and influence analysis model for marine ranching of technology innovation based on comprehensive method

　　**摘要**

技术创新越来越多地被认为是海洋养殖可持续发展的重要途径。然而，该领域的决策面临由多种风险因素引起的不确定性，包括研发投资不足和海洋环境污染。为了应对这些挑战，本研究开发了一个在不确定条件下进行海洋养殖技术创新的风险决策框架。所提出的框架整合了区间值勾股模糊集（IVPFS）、DEMATEL、PROMETHEE II和ISM-MICMAC方法来识别和评估相关风险因素。首先，通过文献回顾和专家咨询建立了一个全面的风险因素体系。接下来，利用IVPFS来校准专家权重，并应用DEMATEL方法计算因素权重。PROMETHEE II用于对创新方案进行排序。ISM-MICMAC模型用于探索风险因素之间的层次结构和依赖关系。结果表明，在18个 identified 风险因素中，组织转型、鱼类福利和生物安全、监管/监督风险、基础理论研究、研发投资、环境风险和食品安全是关键风险因素。监管/监督风险作为一个整体驱动力，依次触发中间和表面创新风险，成为系统性风险治理的关键目标。驱动力-依赖矩阵将所有风险分为四类，并为差异化的风险治理提供定量支持。当考虑所有风险因素时，生态平衡的技术创新代表了中国海洋养殖的最佳技术发展路径。总之，在不确定性条件下，该框架不仅能够识别关键风险因素，还能揭示它们之间的因果、层次和驱动关系，从而为海洋养殖的技术创新提供理论指导和实践见解。

**引言**

频繁的全球气候事件和不断扩展的人类生产活动增加了近岸环境的脆弱性（Gao等人，2025年）。因此，海洋养殖作为一种增强渔业资源和生态恢复的重要策略，引起了沿海国家的关注（Jiao等人，2023年）。目前，中国已建立了189个国家级的海洋养殖区。随着开发规模的扩大，科学和技术支持的薄弱、技术人员不足以及研发资金的短缺已成为海洋养殖现代化的障碍（Sun等人，2023年；Wan等人，2022年）。海洋养殖的建设和发展是一个整合资源、环境、经济和技术的复杂系统工程举措（Hu等人，2015年），其顺利进行依赖于对科学研究和技术创新的投资（Zhang & Liu，2019年）。技术创新是海洋养殖技术转型和发展的驱动力（Du等人，2026年）。海洋养殖的技术创新朝着智能化方向发展，涵盖了水产养殖、管理、能源以及运营和维护等领域的研发、应用和模式创新（Qin和Guo，2025年；Yang等人，2018年；Zhang等人，2019年）。这种创新不仅带来经济、社会和生态效益，还促进了沿海城市的经济发展（Qin & Guo，2025年）。因此，海洋养殖企业积极开展技术创新活动，以推动渔业领域的转型和升级（Zhang等人，2023年）。然而，从事海洋养殖的企业在技术创新方面遇到了许多不确定性，这些问题包括海洋生态污染（Chen等人，2019年）、突发自然灾害（Jin & Quan，2023年）、栖息地破坏（Qin等人，2022年）、水技术促进者（Zhang & Liu，2019年）、技术突破（Yang等人，2020年）、融资渠道不畅（Wan等人，2022年）、海洋养殖政策和法规的不确定性（Yu & Zhang，2020年）。因此，采用科学方法识别和缓解技术创新风险对于促进海洋养殖的可持续发展至关重要。

目前，关于海洋养殖风险管理的研究已经取得了一系列重要成果。在内容上，海洋养殖风险的研究从关注与水产养殖建设相关的生态风险，发展到解决智能运营和维护风险，同时从宏观角度审视整个行业风险。在方法上，风险识别主要依赖于文献分析、专家咨询和统计归纳，而风险评估通常采用模拟建模和定量决策技术。一方面，海洋养殖风险研究从探索由环境和生物因素引起的生态风险转向研究系统性和复合风险。例如，海洋养殖沉积物中重金属和微塑料的分布以及赤潮灾害增加了海洋养殖的生态风险（An等人，2026年；Gao等人，2024年；Guan等人，2026年；Lu等人，2023年）。同时，鲑鱼孵化场的选址、海参及相关物种的承载能力评估以及海洋生物体内的微塑料含量使海洋养殖的生物群面临生态风险（Lu等人，2023年；Ma等人，2022年；Smoker和Heard，2007年）。随后，研究人员从多维度角度分析了海洋养殖的运营过程风险和生态安全风险。例如，Qin等人从六个维度划分了海洋养殖开发过程中的风险因素：生态、技术、财务、管理、政治和经济（Qin等人，2022年）。同样，Jiao等人从环境、资源基础、经济和社会四个角度考察了与海洋养殖生态安全相关的早期预警指标（Jiao等人，2023年）。Grant的研究强调，海洋养殖中的各种形式的水产养殖可能对野生种群和生态系统产生负面影响，包括资源耗竭、竞争、污染、种群适应能力下降和遗传风险（Grant等人，2017年）。

另一方面，海洋养殖风险管理的研究通常采用定量和定性相结合的混合方法。例如，研究人员通过文献回顾识别了29个海洋养殖风险，并使用DECTEL-ISM-BN方法量化了它们的影响关系（Qin等人，2022年）；研究人员使用德尔菲法构建了海洋养殖的融资风险指标，并基于PLTS-ER方法评估了融资风险（Wan等人，2023a；Wan等人，2023b；Wan等人，2023c）；研究人员通过专家咨询、频率统计和文献调查确定了海洋养殖的生态安全指标，并使用系统动力学模型评估了生态安全风险（Jiao等人，2023年）；他们通过专家研讨会确定了渔业生态系统风险指标，并使用数学建模进行了评估（Zhang等人，2009年）。此外，研究人员还应用强化学习和博弈论来分析海洋养殖中决策者的灾害管理和风险偏好。例如，使用强化学习算法开发了基于场景的灾害模拟器（Song等人，2023年），并利用进化博弈论揭示了企业风险偏好如何影响海洋养殖企业的转型（Dong等人，2026年）。

现有研究为海洋养殖企业的技术创新风险管理提供了宝贵的参考。然而，当前研究存在以下局限性：首先，大多数研究集中在海洋养殖的产业层面风险上，如与养殖环境和生物相关的生态风险、整个生命周期的复合风险、融资风险和灾害风险。人工智能（AI）的进步产生了提高海洋养殖效率和可持续性的创新技术、算法和模型（Song等人，2023年）。然而，现有研究忽略了特定于海洋养殖的技术风险研究，而是优先讨论技术应用和创新（Jia等人，2023年；Wan等人，2023a；Wan等人，2023b；Wan等人，2023c；Wang等人，2025年）。其次，海洋养殖的风险指标在不同运营环境中表现出共性和特定特征。通常，这些指标是基于海洋养殖的功能定位、PSR模型以及内部/外部环境变量来确定的（Jiao等人，2023年；Sun等人，2018年）。然而，海洋养殖技术创新是一个复杂的系统，涉及利益相关者合作、政策环境支持、技术进步和生态系统健康（Liu和Wu，2024年；Liu等人，2025年；Wan等人，2023a；Wan等人，2023b；Wan等人，2023c；Wan等人，2023）。现有研究既没有针对海洋养殖技术创新的具体背景进行风险管理，也没有系统地综合影响这种创新的因素，特别是那些阻碍技术发展的因素。第三，现有研究解决了风险因素之间的因果关系、层次结构、模糊判断和不完整信息等问题（Qin等人，2022年；Wan等人，2023a；Wan等人，2023b；Wan等人，2023c）。然而，对这些问题的分析是零散的。例如，基于PLTS-ER方法的评估只能反映风险水平，但无法揭示风险因素之间的相互作用机制；而DEMATEL-ISM-BN方法虽然可以识别海洋养殖风险的传播路径，但缺乏对专家模糊判断信息的分析。此外，海洋养殖的技术创新风险涉及多个风险指标和替代方案，使其治理成为一个多标准决策问题。此外，由于人为主观性、时间限制和数据不完整，指标的评估数据在技术创新风险评估过程中往往存在模糊性（Rani等人，2023年）。因此，分析海洋养殖中的风险关系需要综合考虑风险评估中的相互依赖性和不确定性。

为了弥补现有研究的不足，本研究旨在构建一个在不确定条件下的海洋养殖技术创新风险决策框架，并回答以下关键问题：（1）基于海洋养殖技术创新的整个生命周期，影响此类创新的风险因素有哪些？（2）如何在考虑专家判断固有不确定性的前提下，系统地分析海洋养殖技术创新中风险因素之间的相互作用机制？（3）海洋养殖的发展策略是什么，以减轻与技术创新相关的风险？为了解决这些问题，本研究首先通过文献回顾确定了影响海洋养殖技术创新的障碍，然后使用IVPFS、DEMATEL、ISM、MICMAC和PROMETHEE II方法构建了海洋养殖技术创新的风险决策模型。具体来说，海洋养殖专家往往难以使用精确的数值来评估风险指标；因此，他们可以使用“高”、“中”和“低”等文字评估，并将这些转换为表示区间值的模糊数，从而尽可能保留人类判断的固有模糊性（Khot等人，2026年）。此外，与PLTS（Wan等人，2023a；Wan等人，2023b；Wan等人，2023c）相比，这种方法具有更大的灵活性（R.，2014年），克服了固定评估术语的局限性，不需要使用BPA函数或ER理论进行数值转换和聚合；它操作简单且信息丰富（Rani等人，2023年）。因此，本研究引入IVPFS来反映专家意见的不确定性。其次，使用DEMATEL-ISM方法分析因素之间的相互作用，并构建复杂系统的层次网络模型（Gonzalez-Solano等人，2025年）。这些方法的结合在于DEMATEL方法可以衡量风险指标之间的相对影响和强度，而ISM方法可以确定风险指标之间的影响方向并绘制层次图，但无法量化这些影响关系的强度（Maddah等人，2026年）。此外，使用PROMETHEE II方法根据风险指标的评估来选择最佳技术创新策略。最后，使用MICMAC来说明风险指标之间的相对影响强度和相互依赖性（Maddah等人，2026年），使海洋养殖运营商能够为不同类型的风险设计差异化的风险管理策略。

本文的结构如下。第2节确定了海洋养殖技术创新的风险因素。第3节详细介绍了混合风险决策模型的实施。第4节报告了实证结果并提出了针对性的风险管理策略。第5节总结了研究结果并概述了未来的研究方向。

**海洋养殖技术创新的风险识别**

在海洋养殖中，研究人员基于PSR和DPSIR模型以及海洋养殖的功能开发了评估指标体系（Du和Cao，2022年；Du和Gao，2020年；Du和Huang，2024年；Jiao等人，2023年）。鉴于海洋养殖数据的可用性，通过文献综述、频率分析和专家咨询等方法确定了评估指标（Belderbos等，2014；Chen，2020；Ma和Ni，2010；Qin等，2022）。在本研究中，开发了一个综合的多标准决策（MCDM）框架，该框架结合了IVPFS、DEMATEL、PROMETHEE II、ISM和MICMAC方法，如图1所示。该框架旨在解决两个核心挑战：专家判断中固有的信息不确定性和需要明确阻碍技术创新的风险因素之间的因果关系、层次结构和依赖模式。与替代的模糊集范式相比，IVPFS具有更好的效率和准确性。

自从2012年以来，中国大力推动了海洋养殖的发展（Qin等，2020）。在数字经济的驱动下，现代海洋养殖迫切需要数字化赋能，技术进步为其数字化转型奠定了基础。然而，由于技术限制和资金短缺带来的双重约束阻碍了海洋养殖的进步和创新。山东省处于国家海洋产业发展前列。

本研究通过整合文献综述与IVPFS、DEMATEL、PROMETHEE II、ISM和MICMAC方法，系统地识别了海洋养殖技术创新的18个风险因素，并构建了一个包含因果关系、层次结构和依赖关系的风险因素分析框架。主要结论如下：
1. 我们识别了技术、政治、管理和生态四个维度上的18个风险因素，其中包括8个主要原因因素。

**作者贡献声明**
Ya-Lu Sun：撰写原始草案、软件开发、方法论设计、数据整理。
Yuan-Wei Du：撰写修订稿、监督指导、方法论制定、数据调查。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

**致谢**
本工作得到了山东省自然科学基金（项目编号：ZR2026QC0709）、国家自然科学基金（项目编号：72464035）、国家社会科学基金专项计划（项目编号：25VHQ035）、教育部人文社会科学研究项目（项目编号：24YJA630019）以及云南省科技关键项目（项目编号：202401AS070126）的支持。