胡榮 鄭穎

（南京航空航天大學(xué)金城學(xué)院，江蘇 南京 211156）

1 概述

港口作為水路運(yùn)輸?shù)闹匾M成部分，在提供傳統(tǒng)貨物裝卸、中轉(zhuǎn)等服務(wù)的基礎(chǔ)上，依靠其獨(dú)特的地理位置、裝備設(shè)施、倉(cāng)儲(chǔ)等優(yōu)勢(shì)，已逐漸發(fā)展立體化、樞紐型交通運(yùn)輸網(wǎng)絡(luò)。通過(guò)倉(cāng)儲(chǔ)運(yùn)輸、商業(yè)貿(mào)易、工業(yè)生產(chǎn)和社會(huì)服務(wù)等功能，港口實(shí)現(xiàn)了物流、商流、資金流、技術(shù)流、信息流的匯集，在物流服務(wù)中的地位和作用逐漸提高。對(duì)港口物流網(wǎng)絡(luò)進(jìn)行合理評(píng)價(jià)研究則可以在一定程度上揭示港口物流的不足，從而不斷完善港口物流的發(fā)展。

目前，已有很多學(xué)者針對(duì)港口物流的各個(gè)方面建立評(píng)價(jià)模型，從而揭示目標(biāo)港口物流的優(yōu)缺點(diǎn)，輔助決策。國(guó)內(nèi)學(xué)者楊健[1]等利用港口物流投入、產(chǎn)出指標(biāo)，結(jié)合數(shù)據(jù)包絡(luò)分析建立了C2R 模型，定量分析港口物流生產(chǎn)力效率，為港口物流效率的提高提供了有效的建議；陳繼紅[2]等根據(jù)硬件基礎(chǔ)實(shí)力和軟環(huán)境服務(wù)能力，結(jié)合灰色關(guān)聯(lián)模型，實(shí)現(xiàn)了對(duì)沿海港口物流綜合服務(wù)能力的評(píng)價(jià)，有助于我國(guó)沿海城市物流服務(wù)環(huán)境的建設(shè)。

寧波舟山港以浙江省寧波市和舟山市為依托，位于中國(guó)大陸中部海岸線、“長(zhǎng)江經(jīng)濟(jì)帶”的南翼，“絲綢之路經(jīng)濟(jì)帶”于寧波舟山港和“21 世紀(jì)海上絲綢之路”相匯集。寧波舟山組合港的成功將進(jìn)一步實(shí)現(xiàn)我國(guó)港口資源優(yōu)化配置和港口管理體制改革。因此，對(duì)其物流網(wǎng)絡(luò)展開研究分析具有必要性。本文以現(xiàn)有港口物流理論為基礎(chǔ)，利用主成分分析法，在寧波舟山港、上海港、天津港、大連港、連云港之間建立港口物流網(wǎng)絡(luò)評(píng)價(jià)模型，應(yīng)用于寧波舟山港，為寧波舟山港提供決策服務(wù)。

2 主成分分析法原理

主成分分析在統(tǒng)計(jì)分析中應(yīng)用廣泛，適用于人口統(tǒng)計(jì)學(xué)、地理系統(tǒng)分?jǐn)?shù)量地理學(xué)等。它將數(shù)量較多的多維變量通過(guò)線性變換綜合為較少數(shù)個(gè)重要變量，且保留了原始數(shù)據(jù)絕大多數(shù)信息。

3 評(píng)價(jià)模型建立步驟

3.1 評(píng)價(jià)指標(biāo)制定

本文綜合考慮了影響港口物流網(wǎng)絡(luò)內(nèi)部環(huán)境和外部環(huán)境發(fā)展的多種因素，同時(shí)這些因素能夠在各港口間客觀地進(jìn)行橫向比較，從而客觀評(píng)價(jià)港口物流網(wǎng)絡(luò)。本文選取了2016-2019 年的多組數(shù)據(jù)（數(shù)據(jù)來(lái)源于歷年《中國(guó)統(tǒng)計(jì)年鑒》和各地區(qū)統(tǒng)計(jì)年鑒），如表1 所示，最終將影響因素分為2大類、3 個(gè)一級(jí)指標(biāo)、10 個(gè)二級(jí)指標(biāo)，分別為反映港口物流生產(chǎn)規(guī)模的貨物吞吐量、集裝箱吞吐量、貨物吞吐量增速、集裝箱吞吐量增速；反映港口物流硬件設(shè)施基礎(chǔ)的碼頭長(zhǎng)度、碼頭泊位數(shù)、萬(wàn)噸級(jí)泊位數(shù)；反映港口腹地經(jīng)濟(jì)環(huán)境的港口城市GDP、港口城市進(jìn)出口總額、交通運(yùn)輸、倉(cāng)儲(chǔ)、郵電業(yè)務(wù)總額。

表1 寧波舟山港物流網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)

3.2 數(shù)據(jù)預(yù)處理

這里所收集到的數(shù)據(jù)量綱不同，表現(xiàn)為他們之間存在數(shù)量級(jí)或計(jì)量單位的差異，因而各個(gè)變量之間不具有綜合性，這樣會(huì)對(duì)結(jié)果造成大幅度影響，或因計(jì)量單位不統(tǒng)一導(dǎo)致計(jì)算結(jié)果不具有現(xiàn)實(shí)意義[3]。

因此，本文首先需要先對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即無(wú)量綱化處理，用線性函數(shù)將原始數(shù)據(jù)線性化的方法轉(zhuǎn)換到[0，1]的范圍，以便消除各個(gè)指標(biāo)間量綱和數(shù)量級(jí)的影響，歸一化公式如下：

其中，Xnorm為歸一化后的數(shù)據(jù)，X 為原始數(shù)據(jù)，

Xmax、Xmin分別為原始數(shù)據(jù)集的最大值和最小值。

該方法實(shí)現(xiàn)了對(duì)原始數(shù)據(jù)的等比例縮放。變量U1、U2、U3、U4、U5、U6、U7、U8、U9、U10歸一化后對(duì)應(yīng)變量為X1、X2、X3、X4、X5、X6、X7、X8、X9、X10。

3.3 確定主成分的數(shù)量

本研究中采用的方法論是一種基于主成分分析的方法論，根據(jù)采集到的10 項(xiàng)二級(jí)指標(biāo)通過(guò)SPSS 軟件進(jìn)行主成分分析，得到如表2 結(jié)果。

從表2 可以看出，第一個(gè)主成分包含了全部64%的信息，第二個(gè)主成分包含了全部18%的信息，前2 個(gè)主成分累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到81.921%，大體上涵蓋了所有的指標(biāo)信息。因此，選擇前兩個(gè)主成分即可解釋關(guān)鍵問(wèn)題。

表2 總解釋方差

3.4 確定綜合評(píng)價(jià)函數(shù)

確定兩個(gè)主成分的特征向量，公式如下：

通過(guò)與歸一化后的數(shù)據(jù)相乘得出兩個(gè)主成分的表達(dá)式分別為：

主成分分析法通過(guò)線性變換將數(shù)據(jù)轉(zhuǎn)變到一個(gè)新的坐標(biāo)系中。根據(jù)方差最大理論，投影維度是K 維變量空間中在最小二乘意義上最接近數(shù)據(jù)的線，這條線穿過(guò)平均點(diǎn)。將每個(gè)數(shù)據(jù)投影的第一大方差在第一個(gè)坐標(biāo)上，即第一主成分，第二大方差在第二個(gè)坐標(biāo)上，即第二主成分。

從表3 可以看出第一主成分（簡(jiǎn)稱F1）對(duì)所有變量均具有載荷，且集裝箱吞吐量、萬(wàn)噸級(jí)泊位數(shù)、碼頭泊位數(shù)、港口城市外貿(mào)進(jìn)出口總額這些指標(biāo)的載荷絕對(duì)值均在0.9 以上，在第一主成分得分較高；而第二主成分（簡(jiǎn)稱F2）主要反映了貨物吞吐量和貨物吞吐量增速兩個(gè)指標(biāo)的信息。

表3 成分矩陣

3.5 綜合評(píng)價(jià)結(jié)果

將各港口標(biāo)準(zhǔn)化后的數(shù)據(jù)帶入上述各方程，可得2019 年各港口的各主成分得分，如表4 所示，以及綜合得分和排名，如表5 所示。

表4 2019 年各成分得分

表5 2019 年綜合評(píng)價(jià)得分及排名

通過(guò)各主成分得分和綜合評(píng)價(jià)結(jié)果可知，2019 年各港口物流網(wǎng)絡(luò)排名依次為上海港、寧波舟山港、天津港、大連港、連云港。并且根據(jù)原始數(shù)據(jù)與綜合評(píng)價(jià)結(jié)果結(jié)合分析，可以幫助各港口做出物流網(wǎng)絡(luò)的優(yōu)化決策。

3.6 方差分析結(jié)果

圖1 為根據(jù)調(diào)查和采樣點(diǎn)港口位置分區(qū)的PCA 得分箱線圖：（a）PC 1；(b) PC 2 。在箱線圖中，橫穿方框的線代表中位數(shù)。箱子的上下兩側(cè)顯示了上四分位數(shù)（Q3）和下四分位數(shù)（Q1）。 晶須延伸到由Q1+1.5(Q3-Q1) 和Q3+1.5(Q3-Q1)定義的區(qū)域內(nèi)的最低和最高觀測(cè)值。超出這些限制的單個(gè)點(diǎn)為異常值，用星號(hào)繪制。

圖1 PCA 得分箱線圖

箱線圖1(a)顯示了一個(gè)虛構(gòu)的數(shù)字的物流網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)。從該圖中，我們可以看到物流網(wǎng)絡(luò)評(píng)價(jià)指標(biāo)從每個(gè)集合的最大值延伸到最小值，顯示了這兩個(gè)極端之間的范圍大小，例如，港口5（連云港）在PC 1 是個(gè)短框，意味著它們的數(shù)據(jù)點(diǎn)始終圍繞中心值徘徊; 港口1（寧波舟山港）歸屬于范圍大、分布廣類型，即數(shù)據(jù)較為分散。其次，在5 個(gè)不同港框架的中線（每組的“中間”值）皆位于其他四個(gè)框架之外，則組之間可能存在差異，可以很好地區(qū)分不同指標(biāo)。反之，箱線圖圖1(b)出現(xiàn)了很多長(zhǎng)框意味著有更多的可變數(shù)據(jù)。與此同時(shí)，港口1、4、5 的中線都位于相互框之間的重疊范圍內(nèi)，我們將不得不采取另一個(gè)步驟來(lái)得出關(guān)于它們的組的結(jié)論。

4 結(jié)論

本文將多元統(tǒng)計(jì)學(xué)中的主成分分析法應(yīng)用于港口物流網(wǎng)絡(luò)的評(píng)價(jià)問(wèn)題，通過(guò)將與原有的多維變量簡(jiǎn)化為少數(shù)綜合變量，對(duì)寧波舟山港、上海港、大連港、天津港、連云港2016-2019 年的10 項(xiàng)指標(biāo)進(jìn)行分析，得出了各港口物流網(wǎng)絡(luò)排名。結(jié)果表明，2019 年寧波舟山港的現(xiàn)有水平和綜合實(shí)力稍遜于上海港，但未來(lái)的發(fā)展?jié)摿薮?。由此，為了提高寧波舟山港的物流網(wǎng)絡(luò)水平，應(yīng)加大對(duì)基礎(chǔ)設(shè)施的資源投入，建立海鐵聯(lián)運(yùn)、疏港鐵路等相結(jié)合的交通網(wǎng)絡(luò)。

影響港口物流發(fā)展的因素眾多，而在現(xiàn)實(shí)生活中，部分影響因素具有不確定性，無(wú)法用具體數(shù)值描述，不能直接和定量指標(biāo)一起進(jìn)行運(yùn)算。因此我們可以考慮采用模糊評(píng)價(jià)方法，將定性指標(biāo)量化更全面地評(píng)價(jià)港口物流網(wǎng)絡(luò)的發(fā)展，作者將在未來(lái)的研究中對(duì)該方法進(jìn)行深入探討。