呂靖　張新放

【摘 要】 為提高港口運營效率評價的精確性，在傳統(tǒng)數(shù)據(jù)包絡分析（DEA）模型的基礎上，提出三階段DEA法，對港口的技術效率、規(guī)模效率和純技術效率等進行評價，并運用主成分分析（PCA）法確定最終的評價指標?；诟劭谛试u價提出港口發(fā)展對策：深化港口資源整合，建設智能智慧化港口，完善集疏運體系，合理規(guī)劃碼頭泊位，提升港口綜合服務水平，建立港口信息聯(lián)通機制。

【關鍵詞】 數(shù)據(jù)包絡分析（DEA）；三階段DEA法；技術效率；主成分分析（PCA）

0 引 言

航運是我國綜合交通運輸?shù)闹匾M成部分，其中港口是航運業(yè)發(fā)展的重要支撐，在國際貿易中的地位越來越凸顯。因此，提升港口效率，促進航運貿易發(fā)展，對加快我國“交通強國”建設具有重要意義。

港口發(fā)展受多種因素影響，效率評價復雜，選取評價指標和評價方法至關重要。目前效率評價的研究主要采用數(shù)據(jù)包絡分析（Data Envelopment Analysis，DEA）法。由于傳統(tǒng)DEA模型沒有將環(huán)境因素和隨機誤差考慮在內，影響評價結果的精確性，因此，有學者提出了三階段DEA法（Three-stage DEA，T-S DEA）。該方法聯(lián)合隨機前沿分析（Stochastic Frontier Analysis，SFA），即在相同的外部條件下，基于SFA回歸模型調節(jié)初始輸入數(shù)據(jù)，用最大似然估計評價變量的回歸系數(shù)，較好地彌補了傳統(tǒng)DEA模型的缺陷，提高了效率評價的精確性。然而，由于輸入指標與輸出指標之間一般具有較強的相關性，SFA回歸模型同樣對評價結果具有較大的影響，而主成分分析（Principle Component Analysis，PCA）借助降維理論能夠將多個評價指標轉變?yōu)樯贁?shù)幾個典型的主成分綜合指標，且主成分之間沒有相關性或具有弱相關性。因此，本文采用T-S DEA結合PCA法和SFA回歸模型對港口效率進行評價，以此提高評價結果的精確性，客觀、真實地反映港口的實際效率。

1 研究方法

DEA作為一種非參數(shù)評價方法，利用數(shù)學規(guī)劃模型衡量輸入指標與輸出指標的決策單元（Decision Making Units，DMU）之間的效率，本質上是基于DMU的輸入數(shù)據(jù)和輸出數(shù)據(jù)判斷DEA是否有效，即判斷DMU是否處于生產(chǎn)前沿面上。該生產(chǎn)前沿面是由以最小投入、最大產(chǎn)出為目標的帕累托最優(yōu)解組成的。

1.1 DEA法

1.1.1 CCR-DEA模型

DEA最初由Charnes、Cooper和Rhode等人于1978年提出，被稱為CCR-DEA模型。它能評價相似DMU間的相對效率，包括規(guī)模效率（Scale Efficiency，SE，ES）和技術效率（Technology Efficiency，TE，ET），因此也稱作規(guī)模收益不變（Constant Returns to Scale，CRS）模型或投入導向的DEA模型。

1.1.2 BCC-DEA模型

1984年Banker等人基于規(guī)模收益可變（Variable Returns to Scale，VRS），即產(chǎn)出規(guī)模的擴大與投入的增加成等比例關系，在CCR-DEA模型中加入常數(shù)約束，提出了BCC-DEA模型，用來評價不考慮ES的純技術效率（Pure Technology Efficiency，PTE，EPT），其中， EPT=ET / ES。

1.2 T-S DEA法

由于傳統(tǒng)DEA模型未考慮環(huán)境變量和隨機誤差對評價結果的影響，評價結果的精確性較低，因此在傳統(tǒng)DEA模型的基礎上提出了T-S DEA模型。T-S DEA模型聯(lián)合SFA回歸模型，對輸入數(shù)據(jù)進行調節(jié)，使DMU均處于相同或相似的外部條件下，有效剔除環(huán)境變量和隨機誤差的影響，較好地彌補傳統(tǒng)DEA模型的缺陷。T-S DEA模型評價流程見圖1。

第一階段：采用傳統(tǒng)DEA模型。

采用傳統(tǒng)DEA模型（包括CCR-DEA和BCC-DEA模型）對DMU的初始投入指標和產(chǎn)出指標進行效率評價。為了較全面地考慮影響港口效率的因素，往往選取與港口內外部相關的多個綜合指標，且各指標間的關聯(lián)性較強，不能準確得出單個指標的影響程度。因此，應通過PCA法對選取的初始指標進行提取，得到最終的輸入指標和輸出指標。該階段可獲得TE、VRS、松弛和剩余變量，且評價結果受環(huán)境變量和隨機誤差的影響。

第二階段：建立相似SFA模型。

由于第一階段未考慮環(huán)境因素和隨機誤差對評價效率值的影響，結果的準確性較低。為了消除其影響，通過回歸分析建立SFA模型及輸入指標與環(huán)境變量、隨機誤差間的回歸關系。以環(huán)境因素為自變量，以輸入冗余為因變量，建立相似SFA模型，剔除外部因素的干擾，調整后的輸入數(shù)據(jù)變?yōu)榭煽匾蛩?，使得參與評價的所有DMU均具有相似的外部條件。

第三階段：調整后的DEA模型。

利用第二階段調整后的輸入值和第一階段最終確定的輸出值再次運用傳統(tǒng)DEA模型對港口效率進行評價，計算經(jīng)過第二階段SFA回歸分析消除環(huán)境變數(shù)與隨機誤差因素以后的DMU效率。通過該階段對港口效率的評價，得到的效率值消除了環(huán)境變量和隨機誤差的影響，并將所得結果與第一階段結果進行比較，以驗證本文方法的優(yōu)越性。

2 指標選取及分析

由于影響港口效率的因素較多，因此在選取評價指標時，應盡可能全面考慮，綜合選取。港口的輸入指標、輸出指標和環(huán)境因素的選取分別見圖2、圖3、圖4。

在評價港口效率時，所選取的評價指標較多，可能會出現(xiàn)輸入指標與輸出指標之和大于DMU個數(shù)、輸入指標與輸出指標之間的相關性較強等情況，使DEA評價效率降低。因此，應先采用PCA法處理初始輸入指標和輸出指標，以確定最終的指標。這些指標基本上能夠代表港口效率的影響因素。

3 提升港口效率的建議

（1）深化港口資源整合。借助目前國家對航運港口資源整合高度重視的東風，加快跨區(qū)域、跨省市不同實力的港口整合，使各種資源得以合理利用，各港口從競爭轉向競合、聯(lián)盟，加強信息互通，共享腹地，形成區(qū)域級甚至國家級港口群系統(tǒng)，提高整體實力。

（2）建設智能智慧化港口。借助目前的物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、人工智能和區(qū)塊鏈等高新技術，加快港口的轉型升級，建設高度智能化的碼頭，提高作業(yè)效率，降低作業(yè)成本，優(yōu)化設施設備，減少設備能耗。

（3）完善集疏運體系。貨物陸路運輸方式多樣，可加強各種運輸方式的調配銜接，如海鐵聯(lián)運、公水聯(lián)運等，形成完整的運輸體系，使運輸時間盡可能短，消耗的費用盡可能少。

（4）合理規(guī)劃碼頭泊位。泊位是衡量一個港口貨物吞吐量的重要因素，規(guī)劃時既要充分考慮自然條件，又要使泊位前沿水域盡可能開闊、水深盡可能大，能夠容納噸位較大的船舶裝卸貨物。

（5）提升港口綜合服務水平。轉變傳統(tǒng)港口職能，提供金融、經(jīng)紀、咨詢、保險、交易等綜合服務業(yè)務，與貨主或托運人建立合作關系，提供優(yōu)惠政策，維持客戶的穩(wěn)定；針對航運企業(yè)推出具有吸引力的港口使費策略，爭取盡可能多的船舶掛靠，使泊位閑置率降到最低。

（6）建立港口信息聯(lián)通機制。緊跟信息化時代的步伐，加強與國內外港口、物流供應鏈上各企業(yè)間信息的互聯(lián)互通和共享，提升貨物處理能力，建設信息化、智能化的現(xiàn)代港口。

4 結 語

近年來，國家對交通領域越來越重視，尤其是在航運貿易、港口國際競爭力等方面。本文對港口效率評價進行研究，通過選取影響港口效率的輸入指標、輸出指標及環(huán)境變量等構建港口效率評價指標體系，采用T-S DEA模型與PCA方法和SFA回歸模型相結合，對港口的ET、ES、EPT等進行分析。首先選取初始的輸入指標和輸出指標，通過PCA法確定最終的輸入指標和輸出指標，再運用T-S DEA模型，將最終得出的結果與傳統(tǒng)DEA結果進行比較，最后對提升港口效率提出對策。

雖然目前對港口效率的評價已有較多研究，但由于港口效率的影響因素較多且關系極其復雜，評價模型是否精確等問題仍需進一步解決和完善。未來的研究應進一步考慮更多參數(shù)以提高精確性，或與其他評價方法相結合，彌補單一方法的缺陷。由于本文沒有對模型加以實證研究，下一步的研究將選取實際港口數(shù)據(jù)進行實證分析，以實際結果驗證模型的有效性，分析提升港口效率的措施，提高港口的整體競爭力，促進航運貿易的發(fā)展，加快我國交通強國建設的步伐。