Each language version is independently generated for its own context, not a direct translation.

この論文は、「港のキャパシティ（処理能力）」を測る新しい方法について書かれたものです。

港には、船が到着して荷物を下ろすまでの間に、沖合で並ぶ「待機列（アンカレッジ）」があります。この列の長さや動きを見ることで、港がどれくらい頑張れるかがわかります。

この研究の最大の特徴は、港の能力を**「2 つの異なるタイプ」**に分けて考え、それぞれを測る方法を作った点です。

まるで**「普通の日の仕事」と「緊急時の大忙し」**を分けて考えるようなものです。

1. 2 つの「港の力」の違い

著者たちは、港の能力を以下の 2 つに分けて定義しました。

A. 運営キャパシティ（Operating Capacity）

イメージ： 「毎日、疲れずに続けられるペース」
説明： 港が長期的に、安定して船を処理し続けられる最大の数です。
例え話： 毎日 8 時間働き、残業もせず、休日もちゃんと取って、何年も同じペースで働ける「健康的な労働量」です。
なぜ重要？ 将来の港の拡張計画や、普段の混雑対策には、この数字が基準になります。

B. 究極キャパシティ（Ultimate Capacity）

イメージ： 「限界まで突っ張った時の一時的な爆発力」
説明： 安定性は度外視して、短時間だけ無理をして処理できる最大の数です。
例え話： 大イベントや緊急事態で、全員が徹夜して、休憩も取らずに「限界まで」働いた時の一時的な処理量です。
なぜ重要？ 台風や霧で港が閉鎖された後、一気に溜まった船をさばく「復旧計画」や、一時的な需要の急増に対応する時に使います。

重要なポイント：
「究極キャパシティ」は「運営キャパシティ」より常に高いですが、それを続けると**「待機列が無限に伸びてしまい、後から来た船が何ヶ月も待たされる」**という混乱（不安定な状態）が起きます。

2. どのように測ったのか？（2 つのツール）

この論文では、それぞれの能力を測るために、異なる「道具」を使いました。

道具①：待機列の数学（運営キャパシティの測定）

方法： 過去の船の到着データ（AIS データ）を使って、**「待ち行列の理論」**という数学の公式を使います。
例え話： 銀行の窓口を想像してください。「客が何人来て、窓口が何人いて、平均待ち時間がどれくらいか」を数学的に計算すれば、「この窓口が長期的に処理できる最大人数」がわかります。
メリット： 複雑なシミュレーションが不要で、過去のデータさえあれば簡単に計算できます。

道具②：シミュレーションと微分方程式（究極キャパシティの測定）

方法： 港の動きをコンピューターで詳しく再現する「シミュレーション」を行い、そこに**「微分方程式（ODE）」**という数式を当てはめます。
例え話： 港を「小さなゲーム」のように再現します。「船を 1 時間に 1 隻、2 隻、3 隻……とどんどん増やしていったら、どれくらい処理できるか」をテストします。そして、その結果を滑らかな曲線（数式）にフィットさせて、「限界のピーク」を見つけ出します。
メリット： 混乱した状態（船が溢れている状態）でも、港がどれくらい頑張れるかを予測できます。

3. ハウストン港での実験結果

この方法を、アメリカの**「ポート・オブ・ヒューストン（ヒューストン港）」**に当てはめてみました。

運営キャパシティ（普通のペース）： 1 時間あたり約 0.9 隻
- 船が 1 時間に 1 隻以上来ると、待機列が徐々に伸び始めます。
究極キャパシティ（限界のペース）： 1 時間あたり約 1.4 隻
- 無理をすれば、1 時間に 1.4 隻くらいは処理できますが、これは長続きしません。

どこがボトルネック（渋滞の原因）か？

普段の状況： 「液体バルク（油や化学薬品など）を扱うターミナル」が最も混雑しており、ここが制限要因でした。
緊急・復旧時： 船の到着が急増すると、「パイロット（船の操縦士）」の人手不足が最大のボトルネックになりました。

4. この研究がもたらすもの

この新しい考え方は、港の管理者にとって非常に役立ちます。

投資の判断： 「普段の混雑を減らしたいなら、液体ターミナルを拡張すべきだ」とわかります。
災害対策： 「台風で港が止まった後、早く復旧させるには、パイロットの数を増やすのが一番効果的だ」とわかります。

まとめると：
この論文は、「港の能力は一つではない」ということを教えてくれました。**「長く続ける力（運営）」と「一時的に爆発する力（究極）」**を区別して測ることで、港はより賢く、強靭に運営できるようになるのです。

まるで、マラソンランナーが「持久走のペース」と「スプリントの全力疾走」を使い分けるように、港も状況に合わせて最適な戦略を立てられるようになる、そんな画期的な研究です。

Each language version is independently generated for its own context, not a direct translation.

論文要約：アンカレッジ（停泊地）待ち行列を伴う多モーダル港湾システムの容量測定

本論文は、複数の船種を扱う多モーダル港湾システムの容量を推定するための新しい枠組みを提示するものである。特に、**「運用容量（Operating Capacity）」と「究極容量（Ultimate Capacity）」**という 2 つの異なる容量概念を定義し、それぞれを算出する手法を開発した。

以下に、問題提起、手法、主要な貢献、結果、および意義について詳細をまとめる。

1. 問題提起

港湾システムの容量測定は、ボトルネックの特定、インフラ投資の指針、および混乱後の回復計画において不可欠である。しかし、既存の港湾容量モデルには以下の限界があった。

容量の定義の曖昧さ: 既存のモデルは、安定した条件下での持続可能な容量と、不安定な状態（混乱直後や需要急増時）で一時的に達成可能な最大容量を区別していない。
構成要素の独立性: 個別のコンポーネント（係留施設、パイロット、水路など）の容量を単純に足し合わせたり、最小値を選んだりするだけでは、システム全体の相互依存関係を捉えきれない。
データ依存性: 高精度なシミュレーションには膨大なデータが必要だが、実務では入手困難な場合が多い。
安定性の欠如: 多くの研究が、短期的なピーク処理能力を長期的な容量として誤って評価している。

2. 提案手法

著者は、港湾の容量を 2 つの異なる概念として定義し、それぞれに適したモデルを構築した。

2.1 定義

運用容量 ( $C_o$ ): 安定したアンカレッジ（停泊地）待ち行列条件下で、長期的に持続可能な船舶の最大処理率。
究極容量 ( $C_u$ ): 待ち行列の安定性を無視した場合、有限の時間枠内で達成可能な船舶の絶対的な最大処理率。
飽和容量 ( $C_s$ ): 極度の混雑下での処理率の下限（理論的な概念）。

2.2 手法

運用容量の推定（待ち行列理論に基づくモデル）:
- 港のシステム（アンカレッジ、水路、ターミナル）を多クラス G/M/1 待ち行列ネットワークとしてモデル化する。
- 自動船舶識別システム（AIS）の履歴データや港の記録から、到着率、待ち時間、待ち行列長を推定する。
- キングマンの公式（Kingman's formula）やリトルの法則（Little's law）を用いて、水路と各ターミナルの容量を算出し、システム全体の制約となる最小値を運用容量とする。
- 特徴: 詳細なシミュレーションを不要とし、既存のデータから迅速に評価可能。
究極容量の推定（シミュレーションと常微分方程式（ODE）モデル）:
- 港湾の離散事象シミュレーション（DES）を実行し、様々な到着率における船舶の退出数を記録する。
- 得られたデータに常微分方程式（ODE）モデルを適合させる。このモデルは、到着率の増加に伴う処理率の変化（成長フェーズから飽和フェーズ、そして混雑による減少フェーズへ）を記述する。
- 微分進化アルゴリズムを用いてパラメータを最適化し、究極容量を推定する。
- 特徴: 不安定な状態や混乱後の回復プロセスにおける最大処理能力を捉える。

3. 主要な貢献

運用容量の待ち行列モデル: 限られたデータ（AIS データ等）で、長期的な持続可能な容量を推定する簡潔なモデルを提案。シミュレーションに依存しないため、初期スクリーニングツールとして有効。
究極容量のシミュレーション駆動 ODE モデル: シミュレーション出力を理論的 ODE モデルに適合させることで、容量の定義に理論的根拠を与え、混乱後の回復計画や最大処理率の特定を可能にした。
2 つの容量の関連性の確立: 数学的に「運用容量は常に究極容量より厳密に小さい（ $C_o < C_u$ ）」ことを示し、両者の関係性を定式化した。
ヒューストン港への適用: 実データを用いたケーススタディにより、枠組みの有効性とボトルネックの特定能力を実証。

4. 結果（ヒューストン港のケーススタディ）

ヒューストン港（テキサス州）を対象とした分析結果は以下の通りである。

容量推定値:
- 運用容量 ( $C_o$ ): 約 0.9 隻/時 (vph)
- 究極容量 ( $C_u$ ): 約 1.4 隻/時 (vph)
- 現在の到着率（約 0.79 vph）に対して、運用容量には約 14% の余裕があるが、短期的には最大 78% 増の船舶を受け入れる究極容量が存在する。
ボトルネックの特定:
- 安定運用時: 水路の制限はボトルネックとならず、液体バルク（液状ばら積み）ターミナルが主要な制約要因であった。
- 混乱・回復時: 船舶の到着が急増する状況や混乱後の回復期には、パイロット（船見張り）の可用性が支配的なボトルネックとなる。パイロット数が 10% 減少すると、究極容量は約 7.1% 低下する。
モデルの精度:
- 運用容量モデルの予測待ち時間と AIS 観測値の相対誤差は最大 1.24% であり、高い精度を示した。
- 究極容量の推定値（1.41 vph）は、過去の霧による閉鎖後の回復率データから推測される値（約 1.5 vph）と整合性があった。

5. 意義と応用

インフラ計画: 長期的な需要増に対応するためには、液体バルクターミナルの拡張が優先されるべきである。
レジリエンス（回復力）向上: 災害や事故後の迅速な回復を目指す場合、パイロットの確保や配置の最適化が重要である。
意思決定支援: 運用容量と究極容量を区別することで、政策決定者が「持続可能な計画」と「一時的な危機対応」のどちらの指標を使用すべきかを明確にできる。
オープンソース化: 提案されたシミュレーションフレームワークはオープンソースとして公開され、他の港湾の研究者や実務家による再利用が可能である。

結論

本論文は、港湾容量を「安定した運用限界」と「物理的な最大限界」に明確に区分けし、それぞれを算出する統合的な手法を確立した。このアプローチは、港湾システムの複雑な相互依存関係を考慮しつつ、データ利用度の異なる状況下でも容量評価を可能にする点で画期的であり、将来の港湾計画と危機管理に重要な示唆を与えるものである。

Measuring capacities in multimodal maritime port systems with anchorage queues