王明|谭志佳|杜宇泉|任洋
摘要
人工智能（AI）的快速采用推动了区域港口集群向高度互联的生态系统转变，在这种系统中，深度自动化提高了边际生产力，同时也增加了在系统冲击下发生级联故障的风险。为了应对这一复杂动态，本文提出了一种针对异构港口集群的弹性AI采用策略，该策略基于深度强化学习（DRL）框架。我们建立了一个动态网络模型，使用逻辑扩散模型来模拟AI技术的部署，并捕捉网络中拥堵的非线性传播。然后采用受限近端策略优化（PPO）算法来学习一种在严格预算限制下平衡运营速度和长期稳定性的最优投资策略。通过对长江港口集群（YRPC）的实证验证（使用高分辨率AIS数据校准），发现“一刀切”的自动化策略对于以散货为主的港口网络来说是次优的。相反，所提出的DRL代理通过优先考虑基础技术（如预测性维护和用于安全的计算机视觉）并强化关键桥梁节点，实现了“韧性红利”。仿真结果表明，这种适应性策略达到了更好的帕累托平衡，在保持高水平服务的同时，将中断的中位数传播规模减少了60%以上。
引言
全球海运行业目前正在经历一场深刻的范式转变，从传统的机械化向数字化和人工智能（AI）的新时代过渡，这通常被称为“海运4.0”（Sullivan等人，2020年；Bayrak和Muslu，2025年）。从自动化引导车辆（AGVs）简化集装箱码头操作到预测性维护系统（PMS）保护散货处理设备，AI技术正在重新定义现代港口的运营边界（K.X. Li等人，2023年）。作为全球供应链中的关键节点，港口面临着提高吞吐能力和运营效率的压力，以适应不断增长的贸易量。因此，“智能港口”的概念应运而生，它承诺通过数据驱动的决策和自动化实现前所未有的生产力提升。
然而，在高度互联的区域港口集群中广泛采用AI的系统性影响仍然没有得到充分探索。与孤立的深海枢纽不同，区域集群中的港口（例如长江三角洲或莱茵-默兹-斯海尔德三角洲）作为一个集成的物流生态系统运作，通过密集的驳船流动、共享的内陆连接和同步的班轮时刻表物理连接在一起。随着这些港口从孤立节点演变为高度互联的数字生态系统，它们面临着一个关键的战略困境，我们称之为“依赖性-脆弱性悖论”（Senarak，2024年；Wang等人，2025年）。这一悖论指出，虽然深度数字化在正常情况下提高了边际效率，但它同时也引入了新的结构脆弱性来源（Dokas，2026年；Gazos等人，2025年）。数字基础设施的同质化、对算法协调的依赖以及面临的网络物理威胁（从软件漏洞到有针对性的网络攻击）为级联故障创造了途径。
最近的中断事件生动地说明了全球供应链对这种系统冲击的脆弱性。2017年对马士基公司的NotPetya网络攻击导致全球76个码头的运营瘫痪，展示了数字故障如何瞬间冻结了物理货物流动（Punt等人，2023年）。同样，2021年苏伊士运河堵塞后的级联拥堵显示了在紧密耦合的网络中延迟传播是如何被放大的（Wan等人，2023年）。在区域集群中，枢纽港口的智能调度系统中的局部故障不再是一个局部事件；它可以通过船舶重新路由和排队溢出迅速传播到邻近的 feeder 码头，导致广泛的区域交通瘫痪。最近的研究强调了AI在增强对灾害的结构性韧性方面的关键作用（Ma等人，2025年），以及在密集环境中对自主系统实施受限控制框架的必要性（Gu和Wang，2026年）。区域中断频率的增加，需要通用策略来动态缓解风险，以维持系统稳定性。这种积极主动的数据驱动的韧性需求得到了最近在应用机器学习预测系统对环境灾害的易感性方面的进展的支持（Eslaminezhad等人，2022年）。尽管存在这些风险，现有的关于港口数字化的文献大多采用以技术为中心的单一港口视角，主要关注最大化单个码头的投资回报（ROI），而忽视了技术扩散和网络级韧性的时空动态。
为了弥合这一差距，本文提出了一种针对异构港口集群的弹性AI采用策略。我们摆脱了将AI采用视为静态财务投资决策的传统观点，将其重新定义为动态网络韧性控制问题。本研究旨在解决两个基本研究问题：
1. AI技术的异构采用如何影响提高局部运营效率与增加网络对级联拥堵的结构脆弱性之间的权衡？
2. 考虑网络拓扑的协调投资策略在平衡运营速度和系统稳定性方面的表现如何优于传统的基于容量的方法？
为了回答这些问题，我们开发了一个将复杂网络科学与深度强化学习（DRL）相结合的新方法论框架。我们将港口集群建模为一个复杂的适应性系统，其中AI技术的扩散遵循特定于货物的逻辑过程，受到内部需求和外部投资的影响。我们通过定义一个非线性风险结构来明确数学化“依赖性-脆弱性悖论”，在这种结构中，更高的自动化水平不成比例地加剧了故障的严重性，从而形成了一个需要深度强化学习解决方案的非凸随机优化问题。然后采用受限近端策略优化（PPO）算法来学习最优投资策略。与启发式规则不同，DRL代理可以预测未来的拥堵级联，并动态调整其策略以降低风险。
本研究的主要贡献有三个方面。首先，从理论角度来看，我们为区域港口集群建立了一个动态网络模型，捕捉了AI采用的双重效应——在提高效率与风险积累之间的平衡——并形式化了内陆水道网络中拥堵溢出的机制。其次，在方法论上，我们提出了一个多目标深度强化学习（DRL）框架，能够在严格预算限制下处理高维连续动作空间；通过将网络中心性指标纳入奖励函数，代理学会了识别并主动保护对网络连通性至关重要的关键“桥梁节点”。最后，在实证方面，我们对长江港口集群（YRPC）进行了全面的研究，利用来自20,000多艘船舶的高分辨率AIS数据进行校准。结果提供了可操作的管理见解，表明“一刀切”的自动化策略对于以散货为主的集群来说是次优的，而对基础技术的有针对性投资产生了显著的“韧性红利”。
本文的其余部分组织如下。第2节回顾了有关港口技术采用和弹性物流的相关工作。第3节详细介绍了系统动态模型，定义了AI采用和拥堵传播的机制。第4节介绍了深度强化学习框架和受限PPO算法。第5节提供了实证案例研究、参数校准和仿真结果的详细讨论。最后，第6节总结了本文。
文献综述
在港口集群中战略性地采用人工智能（AI）和数字技术处于三个不同研究领域的交叉点：数据驱动的港口生态系统转型、不确定性下的战略技术投资以及港口系统韧性。本节回顾了相关研究，以背景化我们的研究贡献。
问题描述
我们考虑一个由I=|I|个异构港口组成的区域港口集群，这些港口由集合I={1,2,…,I}索引，范围从主要的深水枢纽到较小的 feeder 码头，并通过密集的海运和内陆网络连接起来。在这种设置中，一个中央决策者（如港口管理局或区域协调机构）计划在Tmax个决策期的有限决策期限内逐步采用K种类型的港口AI技术。该系统的动态深深植根于深度强化学习框架，用于弹性AI部署。
区域港口集群中的战略AI投资问题被形式化为一个有限视界的马尔可夫决策过程（MDP），其特征是高维连续状态空间和由网络拥堵级联引起的复杂非线性随机动态。由于维数灾难和故障事件的离散性质，分析优化方法对于此类系统来说是不可行的，因此我们采用深度强化学习（DRL）方法来近似解决这个问题。
实证设置和数据校准
为了证明所提出的深度强化学习框架的实际适用性和有效性，我们对长江港口集群（YRPC）进行了全面的实证案例研究。作为世界上最繁忙的内陆水道之一，YRPC代表了一个复杂的、多层次的物流网络，其特征是显著的结构异质性和密集的港口间依赖性，使其成为评估系统韧性的理想测试平台。
结论
本研究解决了在区域港口集群的数字化转型中培养韧性的关键挑战。通过将基于网络的拥堵动态模型与深度强化学习（DRL）控制框架相结合，我们探讨了运营效率与系统鲁棒性之间的复杂权衡。我们的理论模型明确捕捉了“依赖性-脆弱性悖论”，揭示了无缓冲地追求自动化如何使物流网络变得脆弱。
作者贡献声明
王明：撰写——原始草稿、方法论、调查、形式分析、数据整理。
谭志佳：撰写——审阅与编辑、验证、监督、项目管理、资金获取、概念化。
杜宇泉：可视化、资源、方法论、概念化。
任洋：可视化、调查、数据整理。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了中国国家自然科学基金（72471098）和中国留学基金委（编号202406570041）的支持。
