Thanh bên bài viết

PDF
Số xuất bản: Số 85 (2026): Số 85 (01/2026)
Chuyên mục: AN TOÀN, MÔI TRƯỜNG VÀ PHÁT TRIỂN HÀNG HẢI BỀN VỮNG
DOI: 10.65154/jmst.881
Ngày xuất bản: 30/01/2026
Lượt xem 103
Lượt tải xuống 29
Trích dẫn bài báo
Vũ, Đ. T., Nguyễn, B. T., & Đặng, Đ. C. (2026). ĐÁNH GIÁ TAI NẠN HÀNG HẢI THEO PHƯƠNG PHÁP ƯỚC LƯỢNG MẬT ĐỘ KDE KẾT HỢP KỸ THUẬT PHÂN CỤM ST-CLUSTERING (EVALUATION OF MARITIME ACCIDENTS USING KERNEL DENSITY ESTIMATION COMBINED WITH SPATIOTEMPORAL CLUSTERING). Tạp chí Khoa học Công nghệ Hàng hải, 85, 266-273. https://doi.org/10.65154/jmst.881
Crossref
Scopus
Google Scholar
Europe PMC

ĐÁNH GIÁ TAI NẠN HÀNG HẢI THEO PHƯƠNG PHÁP ƯỚC LƯỢNG MẬT ĐỘ KDE KẾT HỢP KỸ THUẬT PHÂN CỤM ST-CLUSTERING (EVALUATION OF MARITIME ACCIDENTS USING KERNEL DENSITY ESTIMATION COMBINED WITH SPATIOTEMPORAL CLUSTERING)

Vũ Đăng Thái1, , Nguyễn Bá Thắng1, Đặng Đình Chiến2
1 Khoa Hàng hải, Trường Đại học Hàng hải Việt Nam
2 Viện Đào tạo Quốc tế, Trường Đại học Hàng hải Việt Nam

Nội dung chính của bài viết

Tóm tắt

Nghiên cứu này tập trung phân tích sự dịch chuyển không gian và thời gian của các tai nạn hàng hải trên phạm vi toàn cầu trong giai đoạn 2005-2025 bằng cách kết hợp hai phương pháp: ước lượng mật độ hạt nhân (KDE) và phân cụm không gian - thời gian (ST-Clustering). Phương pháp KDE được sử dụng để xác định và trực quan hóa các khu vực có mật độ tai nạn cao theo thời gian, trong khi kỹ thuật ST-Clustering cho phép nhận diện các cụm tai nạn có tính tương đồng về vị trí và thời điểm xảy ra. Kết quả cho thấy sự hình thành và dịch chuyển của các vùng tai nạn trọng điểm có liên quan chặt chẽ đến các tuyến hàng hải chính, sự thay đổi lưu lượng vận tải biển, cũng như các yếu tố địa chính trị và khí hậu. Nghiên cứu cung cấp bằng chứng thực tiễn hỗ trợ công tác quản lý rủi ro và hoạch định chính sách an toàn hàng hải hiệu quả hơn trong bối cảnh giao thông biển ngày càng thay đổi phức tạp.

Abstract

This study investigates the spatiotemporal dynamics of maritime accidents worldwide during the period 2005-2025 by integrating two analytical methods: Kernel Density Estimation (KDE) and Spatio-Temporal Clustering (ST-Clustering). KDE is employed to identify and visualize high-density accident areas over time, while ST-Clustering techniques detect clusters of accidents sharing spatial and temporal similarities. The results reveal the emergence and shift of accident hotspots closely associated with major shipping routes, variations in maritime traffic flow, as well as geopolitical and climatic factors. This study provides empirical evidence to support more effective risk management and maritime safety policy planning amid the growing complexity of global maritime traffic.

Keywords: Maritime accidents, data analysis, spatiotemporal analysis, Kernel Density Estimation (KDE), Spatio-Temporal Clustering (ST-Clustering).

Từ khóa

Tai nạn hàng hải, phân tích dữ liệu, chuyển dịch dữ liệu, ước lượng mật độ hạt nhân, phân cụm không gian - thời gian.

Chi tiết bài viết

Tài liệu tham khảo

[1] Huang, D.Z., Hu, H., & Li, Y.Z., (2013). Spatial Analysis of Maritime Accidents Using the Geographic Information System. Transportation Research Record, Vol.2326(1), pp.39-44.
https://doi.org/10.3141/2326-06.
[2] Zhang, Y., Sun, X., Chen, J. & Cheng, C. (2021). Spatial patterns and characteristics of global maritime accidents. Reliability Engineering & System Safety, Vol.206, 107310p.
https://doi.org/10.1016/j.ress.2020.107310
[3] Sun, Y., Hou, C., Chen, X., Wang, Y., Dai, L. and Hu, Q. (2024). Accident black spot clustering oriented maritime search and rescue resource allocation and optimization. Frontiers in Marine Science. Vol.11, 1395614p.
https://doi.org/10.3389/fmars.2024.1395614
[4] Li, G., Gao, K., Weng, J., & Qu, X. (2024). Deciphering spatial heterogeneity of maritime accidents considering impact scale variations. Maritime Policy & Management, Vol.52(2), pp.309-333.
https://doi.org/10.1080/03088839.2024.2347893
[5] Feng, Y., Huang, D., Hong, X., Wang, H., Loughney, S., & Wang, J. (2025). Spatial-Temporal Evolution of Maritime Accident Hot Spots in the East China Sea: A Space-Time Cube Representation. Journal of Marine Science and Engineering, Vol.13(2), 233.
https://doi.org/10.3390/jmse13020233
[6] Farahnakian, F., Nicolas, F., Farahnakian, F., Nevalainen, P., Sheikh, J., Heikkonen, J., & Raduly-Baka, C. (2023). A Comprehensive Study of Clustering-Based Techniques for Detecting Abnormal Vessel Behavior. Remote Sensing, Vol.15(6), 1477p.
https://doi.org/10.3390/rs15061477
[7] Cao, Y., Wang, X., Yang, Z., Wang, J., Wang, H. & Liu, Z., (2023). Research in marine accidents: A bibliometric analysis, systematic review and future directions. Ocean Engineering, Vol.284, 115048. https://doi.org/10.1016/j.oceaneng.2023.115048
[8] Nguyễn Văn Quảng (2024). Nghiên cứu thuật toán xác định nguy cơ đâm và tàu thuyền theo thời gian thực. Luận án tiến sĩ kỹ thuật.
[9] Cổ Tấn Anh Vũ và cộng sự (2023). Đánh giá nguy cơ đâm và tàu biển sử dụng kết hợp thuật toán phân cụm và lý thuyết hàm tin cậy. Tạp chí Khoa học Công nghệ Hàng hải, Số 75, tr.76-81.
[10] International Maritime Organization (IMO). Global Integrated Shipping Information System (GISIS) - Marine Casualty and Incident Module. https://gisis.imo.org/Public/MCI/Search.aspx. (accessed on 1 June 2025).
[11] MAIB Data Portal - Power BI Dashboard. https://maps.dft.gov.uk/maib-data-portal/web-pages/pbi_dashboard.html

Các bài báo được đọc nhiều nhất của cùng tác giả

1 2 > >>