基于大数据分析的港口绩效评价研究

2019-05-14王学锋

重庆交通大学学报(自然科学版) 2019年5期

章强，何凯，王学锋

(1. 上海海事大学交通运输学院，上海 201306； 2. 浙江省海港集团，浙江宁波 315040)

0 引言

随着港口在全球物流和供应链体系中扮演着越来越重要的角色，科学地评价港口绩效已成为全球港口实践与学术领域均高度关注的热点问题。合理且完善的港口绩效评价(port performance measurement, PPM)可以协助决策者更为高效地制定港口规划，了解港口管理中所存在的不足，进而实现更好的港口治理。我国是世界港口大国，在2016年全球货物吞吐量排名前10位的港口中，我国港口占据7席[1]。尽管成绩瞩目，但我国港口业仍面临重复建设、投资过度、效率低下等问题[2]。因此，优化并完善现行的港口绩效评价体系对于促进我国水运港口行业的健康发展有着积极意义。为了把握有关港口绩效评价研究的发展现状和最新动态，笔者对国内外相关研究文献进行了深入回顾，系统梳理了有关港口绩效评价的指标体系和分析方法，总结了当前研究存在的主要问题和未来主要研究方向。

1 国内外相关研究的基本概况

早在1976年，联合国贸易和发展会议(UNCTAD)为推动全球港口业发展对外发布题为《港口绩效指标》(Port Performance Indicators)的报告[3]，肯定了港口绩效指标在港口规划和港口日常运营管理中的积极作用。尽管该报告仅侧重于构建指标体系和数据统计，未能深入探讨如何分析和评价所构建的指标体系，但其为随后数十年的港口绩效评价研究奠定了必要基础。

笔者通过中国知网(CNKI)和Science Direct这2大数据库获取中英文文献，分别以“港口绩效/港口效率”和“port performance”为搜索词来检索研究文献(不限发表时间和文献来源)，经必要筛选，最终(最后检索时间为2017年8月23日)获得51篇中文文献(39篇题名中含有“港口效率”，12篇题名中含有“港口绩效”，其中博士论文2篇，硕士论文14篇，期刊论文35篇)和28篇英文文献(均为期刊论文)。以下3方面需要说明：

1)尽管在词义上，“港口绩效”不等同于“港口效率”，但在我国港口绩效评价研究中，通过对比不同文献实际所选择的评价指标可以发现，学者们基本将两者作等同处理并纳入同一研究框架。国外研究中实际上也存在“port performance”与“port efficiency”间的混淆，但“port performance”的使用更为广泛并占据主流，PPM也已成为港口研究中一个特定子领域[4]。

2)由于一些外文期刊未被Science Direct收录且该数据库不包含硕/博士论文，因此，不能基于中英文文献数量的简单对比来评判国内外学术界对该主题在研究程度上的差异。

3)有关港口绩效评价的英文文献中有较大比重的研究是针对于空港(airport)，而在中文文献中则主要针对水运港口(海港或内河港)。由于笔者的研究对象是水运港口，故将针对空港的文献予以必要剔除，综述中所涉及的28篇英文文献均针对水运港口。

图1为国内外相关研究成果的时间分布。由图可见，该领域内国外研究在时间上先于国内，但在整体趋势上保持一致，研究主要集中在2010—2017年的这段时间，说明港口绩效评价仍属于新兴研究领域。

图1 中文和英文文献的数量与时间分布

尽管港口绩效评价属于较新的研究主题，然而实际上，绩效评价在经济学、会计学等基础学科领域早已有相关研究。如S. B. UMIT等[5]明确对绩效评价与绩效管理进行了有效区分；J. HOFFECKER等[6]指出传统绩效评价大多偏重财务评价；周守华[7]认为绩效评价与企业组织形式和公司治理结构密不可分；刘笑霞[8]则系统研究了政府绩效评价的主体、客体、信息基础等基本问题。总体来看，绩效评价面向两大主要对象，即企业和政府部门。

2 港口绩效评价的测度对象

由于学术界对“绩效”和“效率”的经济学内涵尚未形成普遍共识[9]，导致一些港口绩效评价文献的研究测度对象间存在一定差异。早期的相关研究[10-12]不太注重对于“港口绩效”或“港口效率”的内涵界定，不注重测度对象与指标体系间的内在逻辑。随着研究的深入，经济学研究中的技术效率(technical efficiency)、成本效率(cost efficiency)、配置效率(allocative efficiency)、效益(effectiveness)等具有较为明确内涵的概念开始被广泛地应用到港口绩效评价研究中。W. K. TALLEY[13]深入地探讨了港口在不同情形(如竞争/非竞争环境)下绩效测度对象(技术效率/成本效率/运营效益)以及后续评价指标的选择(目标确定法/指标确定法)问题；郑士源[2]将港口绩效评价的测度对象设定为生产率(productivity)、技术效率和配置效率，并将生产率进一步细分为纯技术效率、技术变化和规模效率来予以分析；M. R. BROOKS[14]强调港口绩效评价中需要将效率测度和效益测度紧密结合，并进一步指出港口绩效评价与港口体制改革绩效评价有着内在一致性；K. BICHOU[15]从港口绩效评价方法的角度将测度对象分为3大类：①面向港口或港口企业的指标；②港口的经济影响力；③港口前沿效率。其中，第①类测度对象又可进一步细分为财务性生产率(financial productivity)、单要素生产率(single factor productivity)、多要素或全要素生产率(multi/total factor productivity)。可见港口绩效评价的概念边界和测度范围随着相关研究的深入也愈加明晰。

随着研究的进一步深入，相关研究在明确测度对象具体内涵的同时也越来越注重其内涵的全面性和综合性。邓娟[16]基于港口的功能演进与功能拓展将港口效率分解为4个方面来予以测度，即基于运输枢纽功能、加工装卸服务功能、物流及服务功能、资源配置功能的港口效率；邓娟等[17，18]还基于港口在社会生产中的经济联系，进一步提出包含针对港口内部运营活动的港口内部效率、反映港口群经济联系的港口间联网效率、反映港口与腹地间经济联系的港口辐射效率的港口效率体系；M. H. HA等[4]基于利益相关者理论提出了涉及港口6大方面(核心活动、支持性活动、财务表现、用户满意度、供应链整合表现、可持续发展)的测度对象体系。港口绩效评价测度对象内涵的不断完善从一个侧面也反映出随着现代物流和供应链体系的健全与发展，越来越需要在一个综合评价的视角下来考察港口作为物流体系中一个组成部分的运作绩效。

3 港口绩效的评价指标体系

构建指标体系是完成港口绩效评价的关键步骤之一。在实际研究中，指标体系的构建与港口绩效评价的具体目的、分析方法、数据/信息的可获取性等方面息息相关。综合相关文献，港口绩效评价的指标体系大体可以分为以下3类。

3.1 传统绩效评价指标体系

面向港口或港口企业的传统绩效评价指标体系见表1。该体系通常将间接性的财务指标与直接性的生产指标相结合，且一般均采用定量指标，方便进行纵向和横向的比较评价。但该类评价指标体系的缺点在于：体系较为复杂，需要建立相应健全的数据收集系统；只面向港口或港口企业，紧紧围绕港口的核心活动，缺乏对港口物流和供应链系统中其他参与者和其他相关经济活动的充分考量；未能充分考虑港口生产活动中资源投入与产出效益间的内在联系。

表1 反映传统绩效评价指标体系的代表文献

3.2 投入产出评价指标体系

面向港口或港口企业的投入产出评价指标体系见表2。该体系最大的特点就是对相关指标进行投入指标与产出指标的划分，作这样的划分一方面是因与后续的分析方法紧密相关，另一方面也是为了更合理地考察港口资源利用的效果，特别是投入与产出间的关系。该评价指标体系在实际使用中所表现的缺点就是：体系较为简单，不同文献所构建的评价指标体系表现出较大的差异性，特别是在投入指标方面。值得关注的是，将船舶在港的污染排放量等非期望产出纳入产出指标体系来进行综合考量是近年来的研究相比以往研究的一个突破。

表2 反映投入产出评价指标体系的代表文献

3.3 综合绩效评价指标体系

面向港口利益相关者的综合绩效评价指标体系见表3，该体系的发展得益于港口在国际物流和供应链系统中发挥着愈加重要的作用，以及人们对于港口生产活动对周边环境影响的重视。

表3 反映综合绩效评价指标体系的主要文献

也正是由于供应链思想和环保意识的驱动，港口综合绩效评价指标体系十分注重兼顾港口供应链和环境生态体系中其他多元利益相关者(multi-stakeholder)(如：港口管理机构、港口用户、港口辅助性服务的提供商、环保组织等)对于港口绩效的认知与评价。该类评价指标体系的特点就是具有较强的综合性，将定量指标与定性指标相结合，但在具体使用过程中存在体系过于庞大、部分信息统计困难等缺陷。

4 港口绩效评价的分析方法

随着港口绩效评价研究的深入开展，相关分析方法也呈现出明显的多样化变化。

4.1 前沿分析法

前沿分析法是通过前沿生产函数(frontier production function)来测量效率水平。前沿生产函数反映在具体给定的技术水平和生产要素的投入条件下，企业投入组合与最大产出量之间的函数关系，通过比较企业的实际产出与最优产出(前沿面)间的差距来测度企业的综合效率。前沿生产函数的研究有参数和非参数2种基本方法，随机前沿分析法(stochastic frontier analysis，SFA)和数据包络分析法(data envelopment analysis，DEA)分别是参数法和非参数法中的常用方法[28]，两者在港口绩效评价中均有使用，其中以DEA模型在港口绩效评价中的应用最为普遍[29]。需要指出的是，SFA和DEA模型度量出的技术效率是相对效率，其效率值在样本内部具有很强的可比性，但在不同样本间计算出的效率值可比性不强。

4.1.1 SFA模型

SFA模型是在确定性生产函数的基础之上构建的具有复合扰动项的随机边界模型，其主要思想是随机扰动项由Vi和Ui构成。其中，Vi是随机误差项，是企业不能控制的影响因素，具有随机性，用以反映系统非效率；Ui是技术损失误差项，属于企业能够控制的影响因素，用以反映技术无效率。SFA模型的基本表达形式为：

lnYi=lnf(Xi;β)+Vi-Ui(i=1,2,3,…,n)

(1)

式中：Yi和Xi分别为生产单位i的投入和产出观测值；β为参数向量；Vi为随机误差项，服从正态分布；Ui为技术损失误差项，一般设定其服从非负的截断式正态分布；Vi和Ui相互独立。

在采用SFA进行港口绩效评价的研究中，艾亚钊等[30]比较了我国部分港口的纯效率和全效率，指出港口腹地进出口贸易总额作为外生变量对港口效率起正强化作用；J. TONGZON等[31]研究了港口私有化与港口效率间的关系，认为私有资本的参与可以提升港口效率和港口竞争力；唐沙沙[32]采用时变超越对数形式的随机前沿生产函数对我国72家集装箱码头企业在2005—2012年间的技术效率和全要素生产率进行了测定比较，研究显示，我国集装箱码头企业的技术效率仍有较大提升空间，全要素生产率总体呈下降趋势，集装箱码头产出增加比例均低于投入增加的比例。

综合来看，从技术方法而言，SFA模型的优势在于其既考虑了技术非效率因素，还考虑了实践中难以预计的随机冲击效应。但是在SFA模型的使用中有生产函数的选择、技术误差项Ui的概率密度分布选择及合成误差项Vi-Ui的偏度等3方面问题值得注意，若处理不当则会影响模型结果的合理性。

4.1.2 DEA模型

DEA模型是对有着多投入和多产出的同类经济单位(企业)的相对效率进行评价的一种非参数线性工具，其主要特点就是不需要具体的技术函数形式，不需要主观地赋予各指标相对权重，具有很强的客观性[9]。假设有k个评价对象，每个评价对象记为一个决策单位(DMU)，每个决策单位DMUi(i=1,2,3,…,n)有m种投入和s种产出，用Xij表示DMUi的第j项投入，Yik表示DMUi的第k项产出，因此，所有DMUi的投入可表示为Xi=(Xi1,Xi2,…,Xim)T，所有的产出可表示为Yi=(Yi1,Yi2,…,Yis)T。DMUi的效率可相应表示为Ei=uTYi/vTXi，其中uT和vT分别为投入和产出变量的度量(权系数)。若对第i0(1≤i0≤n)个DMU进行效率评价，得到DEA原始模型如下：

(2)

s.t.Ei0≤1且vT≥0、uT≥0

(3)

式(2)、(3)即为CCR-DEA模型。通过Charnes-Cooper变换可由分式规划转化成线性规划，然后利用对偶规划进行求解。若在CCR-DEA模型中加入一个凸约束，即可得到BCC-DEA模型，从而将综合技术效率分解为纯技术效率和规模效率2部分，进而可据此分析造成无效率的原因是因技术无效率还是因规模无效率[33]。

在港口绩效评价研究中，DEA模型的应用极为广泛，近年来不少研究开始在DEA经典模型的基础之上结合其他方法来进一步拓展港口绩效评价研究。如周婷婷[34]利用SFA模型对BCC-DEA模型中投入值进行必要调整，进而重新计算DEA效率值，形成3阶段DEA模型；刘晶[29]利用通用方向距离函数(GDDF)模型来兼容基于松弛变量的DEA模型(BSM-DEA)和一般DEA模型，并进行对考虑非期望产出(如：港口污染废气的排放)的港口效率评价；李多志[33]则将“时间”因素考虑进DEA模型，利用Malmquist全要素生产率指数方法来考察港口效率的年际变动情况。

值得关注的是，港口绩效评价研究中常用的CCR-DEA和BCC-DEA模型存在2个问题：①没有考虑随机误差；②当被考察决策单位有效率时，无法区别决策单位间的效率高低。因此，有些港口绩效评价研究引入了超效率模型，但是超效率模型本身也有弊端，在规模报酬可变情况下，超效率模型的度量结果通常会有多个决策单位的效率值为任意大，此时仍无法区分这些决策单位的技术效率水平。

4.2 BP神经网络法

BP(back propagation)神经网络是目前应用最广泛的人工神经网络模型。BP神经网络因其具有实现复杂非线性映射的功能，且能较好地避免主观随机因素的影响，故而被广泛引入企业经营绩效的评价研究，但在港口绩效评价中的应用尚处于起步阶段[21]。

典型的BP神经网络是包括输入层、隐含层和输出层的多层结构，在隐含层节点足够多的前提下，三层BP神经网络可以逼近任意连续函数。BP神经网络算法的基本思想是根据输出层的误差，从输出层反向传播来调整网络的权值和阈值，最后使得输出的均方误差最小。

设xi是神经元i(i=1,2,…,n)的输入，wij是神经元i和j(j=1,2,…,q)之间的连接权，θj为阈值，则：

神经元j的输出为yj=f(Sj)

其中，函数f(x)为神经元的传递函数，常用的传递函数有对数Sigmoid函数，即f(x)=(1+e-x)-1。

需要注意的是，在实际应用BP神经网络模型时，需要根据实际情况和必要测算来合理地确定训练样本数量、隐含层节点数、学习速率、最大训练次数以及网络精度等参数。

就港口绩效评价研究而言，BP神经网络方法逐渐受到学者关注。匡海波[9]利用BP神经网络对我国13家上市港口企业的成本效率进行了分析；陈姿颖[21]则将平衡计分卡与BP神经网络模型相结合，对我国5家散杂货港务公司的生产绩效进行了综合评价；刘玲玲[35]利用BP神经网络对我国10家集装箱码头企业的技术效率进行了评价。值得注意的是，目前大多使用BP神经网络方法的港口绩效评价研究都未能充分清晰地阐述和论证其在选择确定隐含层节点数、激励函数、训练函数等关键内容时的依据。

4.3 模拟仿真法

模拟仿真法即是通过计算机软件(如Flexsim)来对真实系统进行有条件的模仿试验，从而求得数值解的一种分析方法。该方法通常包括3个主要步骤：①建立系统的数学模型并确保模型的可信度；②对仿真模型进行数值实验并求解；③对仿真结果进行分析。

模拟仿真方法在港航研究领域并不鲜见，但就港口绩效评价研究而言，该方法的使用并不十分常见。相关研究通常仅考察港口某一生产条件或能力的改变对港口绩效的影响，缺乏对港口绩效的系统评价研究。如O. A. ALMAZ等[36]利用模拟仿真方法评估疏浚加深特拉华河(Delaware River)航道对于沿岸港口绩效的影响，仿真模型中考虑了船型、船舶到港频次、船舶在港时间、靠泊规则等诸多条件，并设置了4种不同的模拟场景对比加深航道前后的港口绩效，研究显示通航条件的改善对于港口提升操作集装箱和油品两大货种的绩效比提升操作散杂货的绩效要明显。S. KAVAKEB等[37]利用模拟仿真方法研究集装箱码头采用智能小车取代传统集卡对于码头绩效提升的影响，模型中考虑了码头布局、集装箱操作量、码头装卸设备的效率、场内车辆的速度及发车策略等因素，将码头的总装卸时间作为评价码头绩效的关键指标，研究显示：当智能小车仅作水平运输而不使用装卸功能(pick up/droop off)时，码头整体效率与使用传统集卡时相近，但智能小车作水平运输之用且使用装卸功能时则可大幅提升码头绩效。总体来看，模拟仿真方法在港口绩效评价研究中的使用比较少见，一方面是由于模拟仿真需要使用大量的随机数，会造成仿真的误差；另一方面就整个港口运营系统而言，模拟仿真的方案难以真实反映实际状况。

4.4 综合分析法

综合分析法主要是指定量分析与定性分析相结合的研究方法。由于在以往的港口绩效评价研究中，定量分析往往为便于数据处理而将港口生产过程简单化和理想化，而定性分析又常常表现出过多的主观色彩。随着供应链思想和港口环保意识的驱动，港口综合绩效评价指标体系开始受到越来越多的关注，综合分析方法也相应地被开发出来。如， M. H. HA等[4]综合模糊证据推理(fuzzy evidential reasoning, FER)、决策试验与评价试验(decision making trail and evaluation laboratory, DEMATEL)和网络分析法(analytical network process, ANP)完成了从指标体系构建到指标权重确定，再到最终的港口绩效评价实例应用；A. G. MADEIRA等[38]将因子分析(factor analysis)与基于分类评价的吸引力度量方法(measuring attractiveness by a categorical based evaluation technique, MACBETH)相结合，综合考量反映港口绩效的定量和定性指标，并完成对港口绩效的动态评价；匡海波[9]综合使用DEA模型、BP神经网络模型、主成分分析法以及熵权方法(technique for order preference by similarity to ideal solution, TOPSIS)对中国港口绩效以及影响因素进行了较为全面的研究。

综合分析方法因其全面性，自然有其自身独特的优势。但需要指出的是，在综合分析方法使用的过程中经常会遇到评价指标体系过于庞大、指标间互有冲突或重复、部分信息难以统计等问题，从而会影响综合分析方法的实际可操作性。