江苏省港口发展策略研究

王建涛 夏存霞

(南通航运职业技术学院航海系，江苏南通 226010)

江苏省港口发展策略研究

王建涛 夏存霞

(南通航运职业技术学院航海系，江苏南通 226010)

根据评价指标体系建立的原则，建立了港口竞争力评价指标体系，然后利用主成分分析方法对评价指标的因素之间进行了影响度分析，选取前三个比较大影响值,建立了神经网络评价港口竞争力模型，利用影响值比较大的三个影响值进行了港口竞争力评价。根据评价结果，验证了主成分-神经网络方法对评价港口竞争力的可行性，并提出了江苏省港口提高竞争力的相应建议。

主成分分析法；BP神经网络；江苏；港口竞争力

20世纪60年代，英国学者Bird提出Anyport模型，将港口的发展分成了六个阶段，开启了对港口竞争的研究。随着港口竞争的激化，港口竞争的研究不断深入,对“港口竞争力”也有了比较完整的定义：港口企业在竞争的市场环境中为相关企业和行业提供质优价廉的服务的能力和机会，从而达到港口企业价值的最大化[1,2]。韩国学者田一秀[3]，通过调查问卷的方式，对东北亚港口进行了统计分析并提出了建议。文献[4]结合港口竞争力的不同影响因素，作出了西班牙港口排名，为西班牙港口当局提升港口竞争力做参考。文献[5]研究了港口之间进行合作将对同一区域的临近港口竞争力产生积极影响，而区域港口之间的竞争强度和航运公司以及码头运营商采取的策略则对港口竞争力产生间接影响。

近些年来，对竞争力的评价利用了数学工具和工程方法。文献[6]分析了目前港口竞争力的评价方法，主观评价方法简单易行，难以量化；客观评价方法的权重值真实可靠，冗余指标难以删除，过程繁琐。文献[7]构建煤码头竞争力评价指标体系，采用AHP(Analytic Hierarchy Process，层级分析法)和TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution )相结合的方法对煤码头竞争力进行了评价研究，结合了客观和主观评价方法。文献[8]运用主成分分析法，确定了西南港口竟争力指标，应用SPSS分析软件进行竟争力分析，最终得到西南主要港口竟争力由大到小的排列顺序。文献[9]利用主成分分析及神经网络方法对采矿方法进行了优选，既减少了计算过程，又利用神经网络自学习的优势。目前，利用主成分分析法和神经网络方法结合的方法对港口竞争力进行分析评价还没有，有必要对利用两者结合的方法对港口竞争力进行应用研究。根据文献[10]、文献[11]江苏港口货物吞吐量、集装吞吐量及外贸货物运输量等数据可知，江苏省亿吨港口数量全国第一，但外贸货物占总吞吐量占比不高，利用主成分-神经网络方法对江苏港口竞争力进行实证研究，找到江苏主要港口的优势和劣势，促进江苏港口竞争力升级、协同发展。

1 港口竞争力评价指标体系构建

为了尽可能客观、准确对港口竞争力进行评价，就需要建立一个客观、全面并且指标因素合理的评价指标体系。根据文献[6]设计了一个考虑政策因素及盈利水平的港口竞争力的15个子指标体系。根据竞争力评价原则，构建港口竞争力评价指标体系，如表1所示。设立1个总指标，即港口竞争力，这是用以评价一个港口竞争力强弱的标准。6个二级指标，分别是港口区位条件、港口投资情况、吞吐量增长率、港口作业能力、港口财务状况及港口政策潜力。15个三级指标，分别是港口经济腹地年GDP、港口经济腹地年外贸进出口总额、港口与经济腹地距离指数、港口投资额、港口吞吐量及增长率、港口集装箱吞吐量及增长率、港口航线、港口装卸率、港口吊桥数、港口泊位数、港口总资产、港口总利润及港口政策潜力。

表1 港口竞争力评价指标

本文选取了江苏主要港口作为一个研究群体，以这8个港口2014年的各项指标作为样本数据集，整理后的数据[11,12]见表2。

表2 2014年上海港及江苏主要港口指标数据

2 港口竞争力模型及验证

2.1 基于主成分分析法的港口竞争力分析

2.1.1 主成分分析数学模型

统计学上是将最初的P个变量作线性组合，作为新的综合性变量。对于第一个综合性变量(记作F1)，一般要求F1中尽量包含原来变量的所有信息。一般认为Var(F1)越大，则F1包含的信息越多。所以，在全部线性组合中第1主成分的方差最大。在第1主成分不能够包含原来P个变量的全部信息的情况下，需要选取第2个线性组合F2，即第2主成分，按照这样的方法可选取第3，第4,…，第P个主成分。这些主成分之间具有独立性，且包含的信息量递减，表现为方差递减。现实情况中，一般只选前若干个方差贡献率最大的主成分，尽管未捕捉到部分信息，可是已经获取了绝大部分有价值的信息，从而减少了原始变量的个数，方便对问题进行研究。

假设有n个样本，测得p项指标(p

Zi=(ιi)′X(i=1,2,…p)

现实情况中，通常协差阵Σ是未知的，此时就以样本协差阵S来近似。另外因为变量的量纲不同，因此在计算之前需要对原始变量数据进行标准化，以剔除量纲的影响。协差阵S计算公式如下:

基于上述方法也可以求出相关阵，以获得特征值，进而完成主成分分析。理论上讲，若存在n个变量，则最多能够提取出n个主成分，如果全部提取就没有达到简化数据的目的，并且提取全部信息也不具有太大的现实意义。所以，一般根据方差累计贡献率的大小取前k个己囊括了85%以上[6]信息的主成分，剩余成分包含信息过少，可不予考虑。

2.1.2 主成分分析的步骤

主成分分析一般经过以下4步完成:

(1)标准化原始变量数据，以避免量纲的影响；

(2)求出标准化数据矩阵的协方差矩阵或相关矩阵；

(3)计算协方差矩阵的特征根和特征向量；

(4)确定主成分。

2.1.3 港口竞争力评价指标的主成分分析

表2数据表示各项港口竞争力指标的绝对数值，绝对数值反映了各项指标的绝对大小。本文提出从竞争力指标相对值的角度，分析港口竞争力。竞争力指标相对值计算公式如下:

相对竞争力指标相对值更加直观地反映了某港口的某项指标在群体中所处的水平，利用上面公式计算出2014年各港口的竞争力相对值，如下表3。

表3 2014年江苏及上海港口竞争力相对值

2.1.4 港口竞争力评价指标主成分分析的实现

如果将过多的样本直接输入神经网络可能造成网络结构十分复杂，不易得到精准的训练结果，因此先对数据作主成分分析处理，得到小于指标数目的主成分作为神经网络的输入数据。求出协方差矩阵的特征根和特征向量，对特征值累计贡献率达到85%以上的进行选择作为主成份，经过数据标准化，可以选取前三个，选取值如表4。

表4 指标因素选取影响值

2.2 主成分-BP神经网络的港口竞争力训练及模型

BP (Back Propagation) 神经网络由Rumelhart和McCelland等科学家于1986年首次提出，是目前应用最为广泛的人工神经网络模型[13]。主成分分析法—BP神经网络方法结合了两种方法的优点，使建模与仿真更加便有效，映射关系如图1。对于评价对象的评价指标过于繁杂时，将其直接应用于BP神经网络容易引起训练结果的不稳定，因此可以先运用主成分分析选出可以代表大部分信息的主成分，将这少数几个主成分输入BP神经网络，可以使训练结果更精准，评价结果更准确。

图1 主成分-BP神经网络模型

图2 神经网络及数据管理工具

Matlab提供了建立BP神经网络模型的工具箱，调出命令为nntool，使用该工具箱能够在简单的操作界面下快速高效地建立神经网络。神经网络的建立需要确定训练函数，神经网络权值和闽值的学习函数，隐含层神经元数目及各层的激励函数等。本文选取各类函数的常用形式及不同的神经元数目，经组合建立了10个神经网络以备选，如图2。经过多次训练，发现神经网络Network5优于其他网络，不仅具有良好的收敛性，且通过Network5的输出值相对于期望输出有较高的拟合精度。

2.3 验证

拟对所研究的港口群体中各港口2014年的竞争力进行评价，评价样本表2，其中Evaluate_x表示输入，为待评价港口竞争力指标相对值的主成分得分； Evaluate_y表示网络输出，为港口相对竞争力指数，即港口竞争力评价结果。本文所构建的BP神经网络Networks具有很好的仿真预测功能，港口相对竞争力的测算通过该BP神经网络的仿真功能来实现，如图3。输入Evaluate_ x，便可得到Evaluate_y，即港口相对竞争力指数，见表5。

图3 BP神经网络仿真

图4 BP神经网络训练结果图

Evaluate_xEvaluate_yG1苏州港5.060.581.5810.12G2南京港1.082.873.459.78G3南通港-5.022.060.587.64G4连云港港3.77-3.211.59.12G5泰州-5.54-0.78-0.246.74G6镇江港-6.321.4-0.746.53G7江阴港(无锡)9.17-1.88-1.628.23G8扬州港-7.631.3-0.766.89

3 评价结果分析

根据评价结果进行数据标准化处理，如表6，分析如下：

(1)港口竞争力排名依次为苏州港，南京港，连云港港，江阴(无锡)港，南通港，泰州港，扬州港和镇江港。利用主成分-BP神经网络评价得到的各个港口的竞争力指数与《中国港口综合竞争力指数排行榜报告》基本一致，也验证了本方法的可行性。

表6 上海及江苏主要港口港口竞争力指数

(2)结合表5、6可以看出，港口竞争力指数与X5即港口吞吐量正相关，但是也有差异。港口吞吐量苏州港明显高于其他港口，其竞争力指数也高于其他港口。但是南京港，南通港，连云港港及江阴港进出口吞吐量相差不大，但是竞争力排名还是差异比较明显，特别是南京港和南通港对比可以发现。这与南京地理区位优势即占据长江黄金航道下游重要据点有关，南京港不仅通过长江航道与国际港口连接，同时还为长江中上游的安徽至重庆的港口向国内外贸易的一个中转节点。

(3)港口竞争力指数与经济腹地GDP关系。同样，苏州港口的经济腹地GDP高于其他港口的经济腹地，也为其竞争力提升提供了坚实基础。但是对比南通港和连云港港发现，南通的GDP明显高于连云港，但是其港口竞争力指数却比连云港港低。根据表3发现，连云港经济腹地GDP有明显的被弱化现象，因为江苏盐城宿迁等地的进出口通道有很多选择，其中连云港港是重要选择。所以连云港港经济腹地GDP不仅要看连云港市的GDP，还要进一步统计外来货源的数据加以分析。

4 结 论

利用主成分-BP神经网络对港口竞争力进行评价方法可行，评价指数本身相差不大，说明还需要做进一步的数据处理，BP神经网络的设计模型还有进一步改进的空间。江苏省主要港口为提高竞争力，江苏港口特别是苏州港、南通港、南京港应立足上海航运中心北翼集装箱干线港的定位，协助上海港做好支线喂及服务，大力发展长江内贸中转业务，加快建成长江内贸集装箱运输枢纽港或江海中转港；江苏省内港口特别是连云港港和南京港，应努力发掘自身潜力，利用现有的优势发展国际集装箱业务，合理发展近洋和远洋精品航线，对货源充足的主线特别要坚持本地港口直接输出，提高其外贸速度。

1 大连海事大学世界经济研究所课题组.2007年中国港口综合竞争力指数排行榜报告[R].信息产业报道. 2008.03.01.

2 Yeo G.T., Song D.W. The Hierarchical Analysis of Perceived Competitiveness:Application to Korean Container Ports[J].Journal of the Eastern Asia Society for Transportation Studies.2005,(6):866-880.

3 田一秀.关于港口竞争力的具体衡量指标[M].北京:清华大学出版社.1993.

4 Jose C.M., Mercedes C.N., Fernando G.L.etc.Low-cost port competitiveness index: Implementation in the Spanish port system[J].Marine Policy.2009,33(4):591-598.

5 Hwang C.C., Chiang C.H. Cooperation and Competitiveness of Intra-Regional Container Ports[J].Journal of the Eastern Asia Society for Transportation Studies, 2010, 8(0):2283-2298.

6 王爱虎，刘晓辉.港口竞争力研究综述[J].华南理工大学学报，2013(1): 9-16.

7 王森勋.日照港煤码头国内环境分析与竞争力提升策略[J].特区经济，2013(1):251-253.

8 张菁菁. 基于因子分析法的西南港口竞争力评价[J].物流工程与管理,2013(10):55-57.

9 陈建宏，刘浪，周智勇等.基于主成分分析与神经网络的采矿方法优选[J].中南大学学报(自然科学版),2010(10):1967-1972.

10 吕妍. 全省去年港口货物吞吐量超23亿吨[N].新华日报,2016-01-16.

11 中国港口年鉴编辑部.中国港口年鉴[M].北京:中国港口杂志社,2016.

12 国家统计局.中国统计年鉴[M].北京:中国统计出版社,2015.

13 陈建宏，刘浪，周智勇等.基于主成分分析与神经网络的采矿方法优选[J].中南大学学报(自然科学版),2010(10):1967-1972.

(责任编辑：谭银元)

Study on Jiangsu Port Competitiveness Based on Principal Component-Neural Networks

WANG Jiantao,XIA Cunxia

(Nantong Shipping College, Nantong 226010, China)

According to the principles of evaluation index system, this essay established a port competitiveness evaluation index system, used principal component analysis(PCA) to make impact analysis between factors, selected the first three coefficient of influence, build the model of neural networks model (NNs) for port competitiveness evaluation and selected three influence value to evaluate port competitiveness. According to results of the evaluations,the method of PCA- NNs is feasible for evaluating port competitiveness, and strategies were put forward to improve the competitiveness of Jiangsu Ports.

principal component analysis; back propagation neural network; jiangsu; port competitiveness

江苏省社科联应用研究项目(14SWB-126) “自贸区视角下江苏省港口竞争力研究”。

2016-08-10

王建涛，男，硕士研究生，博士在读，主要研究水上运输。

U691

A

1671-8100(2017)01-0008-05