《Journal of Marine Science and Engineering》：Artificial Intelligence-Enabled Low-Carbon Transition in Shipping: A Systematic Bibliometric Review
编辑推荐：
摘要 引言：国际航运面临脱碳与维持安全及服务可靠性的双重任务。然而，关于人工智能（artificial intelligence, AI）在何种条件下能够产生可验证碳效益的证据仍然零散。方法：本综述通过文献计量分析、科学绘图、辅助文献层面主题编码，以及对6篇代
摘要 引言：国际航运面临脱碳与维持安全及服务可靠性的双重任务。然而，关于人工智能（artificial intelligence, AI）在何种条件下能够产生可验证碳效益的证据仍然零散。方法：本综述通过文献计量分析、科学绘图、辅助文献层面主题编码，以及对6篇代表性综述和1篇观点文章的全文本综合，分析了从Web of Science核心合集（Web of Science Core Collection）和Scopus检索获得的479篇英文文章和综述，其发表时间为2016年至2026年8月23日。一项事后领域验证敏感性分析使用了两套独立指定的确定性规则集，以检验宽泛的检索词是否改变了主要结论。结果：2022年之后发表产出显著加速，2022–2025年间发表论文277篇（57.83%），2026年这一不完整年份中已有137条记录被索引。两套筛选规则在96.87%的记录上达成一致（Cohen's kappa = 0.753）。通过严格的基于规则的标题-摘要筛选，并移除1篇撤稿和1篇撤回记录后获得的437条记录的保守敏感性子集，重现了主要的时间、来源期刊和领先关键词格局。机器学习仍然是最频繁的关键词，而近期研究越来越多地涉及深度学习、船舶能效、港口运营、联邦学习和能源管理。讨论：基于这些发现，本综述提出了一种基于证据的人工智能到碳价值链（AI-to-Carbon Value Chain, AICV）概念综合，包括数据可观测性、模型可信度、决策可执行性、系统协调和碳验证。这一综合是解释性的，而非经过验证的因果框架。未来研究应优先考虑碳就绪基准、经校准的物理信息和因果模型、人在回路的现场评估、网络级协调以及可审计的井到航（well-to-wake）评估。综述注册与评估：本综述未注册，也未准备正式方案。由于未进行效应量综合，因此未应用正式的研究层面偏倚风险、报告偏倚和确定性评估。资金：本综述未获得外部资金。
1. 引言
国际航运支撑着全球生产与贸易，但面临运输需求增长、船舶使用寿命长以及日趋严格的脱碳要求的复合压力。2023年国际海事组织（IMO）温室气体战略为2050年前后实现净零排放设定了方向，并引入了2030年和2040年的指示性检查点。人工智能（AI）通过机器学习、深度学习、强化学习和智能优化等方法，在燃料消耗与排放预测、状态监测、预测性维护、航速与航线优化、混合能源管理以及船舶抵港与泊位协调等方面提供分析及决策支持能力。然而，算法性能的提升不应被直接解读为实际减排的证据：单一数据集或单一船舶上的低预测误差未必能在不同船型、运营区域、季节和运营模式下重现；局部航速或航线优化带来的燃料节省也可能被船期扰动、锚地等待、空载调运或上游燃料排放所抵消。现有综述多侧重于技术分类与应用领域识别，较少在同一分析框架内综合考察知识生产主体、合作结构、主题演化与应用范围的变化。据此，本综述提出四项相互关联的研究问题（RQ1–RQ4），涵盖发表产出与合作网络、核心主题与高影响力知识基础、应用焦点沿数据-预测-约束决策-港船船队协调-可验证低碳结果的演化路径，以及AI在何种数据、模型、运营、组织和碳核算条件下能为减排增添额外且持久的价值。
2. 数据收集与方法
2.1 数据收集与信息检索：报告遵循PRISMA 2020声明。从Web of Science核心合集（WoSCC）和Scopus中检索，检索框架结合AI技术、低碳航运目标和海事应用情境三组概念，并以NEAR/3邻近算子强化船舶、港口等语境关联。初检获得812条记录，跨数据库去重后剩余501条，经语言筛选后最终纳入479篇英文文章和综述；该主语料库未因事后主题判断而剔除任何记录。2.2 文献计量分析与科学绘图：采用R语言bibliometrix包进行描述性统计，VOSviewer构建合作与共现网络，CiteSpace进行关键词聚类、时间线和突发检测。对国家和机构采用全计数法，TLS和平均被引频次分别表征网络连接性与引文可见性。2.3 辅助主题编码与框架综合：对全部479条记录进行八类非排他性主题信号编码，并对6篇代表性综述和1篇观点文章进行全文综合，以衔接实证结果与解释性综合。2.4 PRISMA特定报告说明：数据整理与验证由指定研究人员分工完成，本综述未进行前瞻性注册，亦未进行效应量合并或正式的偏倚风险与确定性评估。2.5 事后领域验证、编码稳健性与新兴术语核查：两套独立确定性规则在96.87%的记录上一致（Cohen's kappa = 0.753）；剔除1篇撤稿和1篇撤回记录后得到的437条保守敏感性子集，重现了主要的时间、来源期刊和领先关键词格局。
3. 文献计量结果
3.1 年度发文趋势：领域在2016–2019年处于萌芽期，累计仅20篇；2020年后稳步增长，2022年累计达97篇；2023年49篇、2024年68篇、2025年128篇，截至2026年8月23日已有137篇被索引。2022–2025年发文占样本的57.83%，显示领域进入快速扩张阶段，且多数研究仍以模型开发与情景验证为主。3.2 来源期刊分析：Ocean Engineering以68篇、2072次引用和232的总连接强度（TLS）居首，Journal of Marine Science and Engineering以46篇次之；Transportation Research Part D和Part E、Energy等交通、物流与能源期刊亦位居前列，表明领域形成了以海事工程期刊为核心、交通环境与能源期刊共同支撑的跨学科发表结构。3.3 合作网络分析：作者合作网络从2016–2022年的小型松散团队，演变为2023–2024年的团队快速增殖，再到2025–2026年以Cao, Jianlin、Huang, Lianzhong、Ma, Ranqi等为核心的密集协作格局；Wang, Kai是唯一在全部四个时段均有出现的作者。机构层面，大连海事大学以49篇居首，上海海事大学（38篇）和武汉理工大学（29篇）次之，形成以中国海事与交通工程院校为主体的研究集群。国家层面，中国以208篇、3975次引用和86的TLS占据合作网络核心，新加坡、英国、韩国、瑞典、希腊等亦有重要参与。3.4 关键词共现与聚类分析：机器学习以102次出现和128的TLS成为最核心关键词，与人工智能、能效、深度学习、脱碳、燃料消耗预测等构成方法与应用两大主题核心。CiteSpace聚类得到网络模块度Q=0.5252、平均轮廓系数S=0.7902，主要聚类包括多目标优化、温室气体排放、可持续航运、航线规划、神经网络和碳强度指标等。时间线与突发检测显示，早期研究聚焦航速、二氧化碳和燃料消耗预测，近期前沿转向深度学习（突发强度4.82）、港口、联邦学习、系统与能源管理，表明研究正从船舶层面技术优化向系统层面协调与治理扩展。3.5 高被引文献分析：被引最高的文献集中于排放清单、AI与海事大数据综述、燃料消耗预测、气象航线与航速决策支持等方向，高被引研究通常兼具可复用的建模流程、明确的运营决策情境和可量化的结果指标。
4. 讨论
4.1 从发文增长到问题结构的变化：文献轨迹显示，研究对象正从估计单一船舶在给定条件下的行为，转向协调跨越技术与组织边界的干预措施；预测仍具基础性地位，但研究注意力日益转向可执行性、迁移性、协调性与可验证性。4.2 基于证据的AI到碳价值链（AICV）综合：提出包含数据可观测性、模型可信度、决策可执行性、系统协调和碳验证五个相互关联的分析环节的概念框架，作为组织文献、识别证据缺口和回答RQ4的解释性诊断结构，而非经过验证的因果模型。4.3 四条概念命题：一是最弱环节转换，即AI脱碳价值的实现受AICV中最薄弱环节约束；二是尺度依赖回弹，即随评估边界从部件扩展至船舶、航线、港口、船队、物流网络和全生命周期，干预的符号与幅度可能改变；三是技术互补性，即AI是对风能辅助、电池、岸电等物理与能源技术的赋能基础设施而非替代品；四是治理即能力，即数据权利、网络安全、标准与激励构成转换链内部的生产性能力。4.4 当前证据链的断裂：记录层面证据审计显示，数据可观测性信号见于195/479条记录（40.7%），模型可信度信号见于123/479条（25.7%），决策可执行性信号见于186/479条（38.8%），系统协调信号仅见于21/479条（4.4%），碳验证信号见于58/479条（12.1%）；其中系统协调环节证据最为薄弱，且多集中于2023–2026年。4.5 对研究、产业与政策的意义：研究应以从算法到碳结果的完整转换链为比较单位，并提高阴性发现的价值；船东与港口应优先识别自身转换损失的主要来源；监管机构与行业组织应将互操作性和验证标准视为赋能性制度基础设施。
5. 局限性与未来研究
5.1 局限性：样本限于WoSCC和Scopus两个数据库的英文文章与综述，未纳入会议论文、行业试验、标准规范和非英文文献；检索语法的部分细节未保留，影响完全可复现性；宽泛检索词存在精度-召回权衡，但保守敏感性子集验证了主要结论的稳健性；辅助编码为规则驱动且非排他，未进行重复独立人工编码；未在分数计数下检验网络稳健性；文献计量证据不能合并异质的预测误差或减排百分比。5.2 未来研究议程：第一，建设碳就绪数据共享库与外部基准，统一航段、运营阶段、燃料类型和功能单位的定义；第二，从关联预测走向物理与因果可信模型，传播不确定性并报告校准的预测区间；第三，设计人在回路闭环试验，采用历史回放、影子模式、受控船载试点和纵向船队评估的分级证据阶梯；第四，优化港-船-船队-物流系统协调并检验回弹效应；第五，将碳验证、数据治理与网络安全整合进部署前设计，实现可审计的数据溯源；第六，建立累积、可比且动态更新的活证据体系，以检验AICV命题。
6. 结论
本综述通过文献计量分析、科学绘图、辅助文献层面编码和代表性全文综合，分析了479条记录构成的WoSCC-Scopus语料库，并确认在437条保守敏感性子集中主要格局保持稳定。领域在2022年后快速扩张，并仍以燃料、动力、排放和能效预测为锚点。针对RQ4，AI减排主张应通过数据可观测性、模型可信度、决策可执行性、系统协调和碳验证五个相互关联的证据转换环节加以评估；AICV命名了这些转换并组织了相应的证据缺口，但并未确立其在运营情境中的因果关系。四条证据-informed概念命题将领域强劲的预测证据与其较弱的部署和审计证据相调和，但仍属解释性命题，有待前瞻性实证检验。未来研究应建设碳就绪的多源基准，结合物理与因果知识进行校准学习，开展人在回路闭环试验，协调港-船-船队-物流决策，整合井到航验证与隐私及网络安全，并通过共同的证据成熟度阶梯报告结果。AI对航运脱碳的贡献，只有在数据可观测、模型可信、决策可执行、系统协调且碳结果可审计的条件下才能成立。
