重大突发疫情对港口运营能力的影响研究*

2020-08-13刘文君何新华胡文发

交通信息与安全 2020年2期

刘文君何新华▲ 胡文发

（1.上海海事大学经济管理学院上海201306；2.同济大学经济与管理学院上海200092）

0 引言

重大突发疫情的突发和蔓延对我国港口的安全运营与管理在短期内产生极大冲击，我国政府及世界各地实施的管控措施迫使港口生产运营陷入瘫痪，导致我国出口贸易被迫放缓并面临新的贸易壁垒、港口作业被迫中断延期、国际贸易磋商和合同签订周期被迫延长甚至存在履约风险[1]。与此同时，港口作为我国重要交通枢纽性节点，在应对重大突发疫情中承担着保障国计民生的重要物资运输重任，港口的生产运营更是我国宏观经济的晴雨表，提前预测重大突发疫情对港口安全生产和运营管理产生的影响，有助于政府和企业开展科学有效的防控工作，降低负面影响[2]。重大突发疫情不会改变我国港口发展长期稳定繁荣的趋势，随着重大突发疫情的结束以及管控措施的取消，港口生产运营会逐渐步入正轨[3]。

数据包络分析（DEA）是评估港口运营能力的有效模型。H.O.Nguyen等[4]运用Bootstrape-DEA模型、传统DEA 模型、SFA（随机前沿分析）模型分别测算了越南港口效率，研究显示Bootstrape-DEA模型的评估结果最优。Chang 等[5]运用考虑投入产出松弛性问题的SBM-DEA模型评估和检验了欧盟和北美实施的环境法规是否影响港口运营能力，结果表明：环境法规将会导致港口平均运营能力下降6%左右。S.Zarbi等[6]运用DEA模型分析了伊朗港口在受到制裁期间的港口效率,发现所有港口在实施制裁后均出现了港口效率下降的现象。刘名武等[7]运用DEA-Tobit 模型评估了长江中上游地区集装箱港口的运营能力，发现集装箱吞吐量和地区进出口贸易总额对港口运营能力产生的影响较大。P.N.Nguyen 等[8]为了考察东南亚集装箱港口的市场集中度，运用超效率DEA 模型对东南亚主要的10大集装箱港口的运营能力进行了评估。

港口评价指标体系及确定各指标权重是评估港口运营能力的关键。层次分析法（AHP）是理想的主观评价法。N.Akbari 等[9]通过AHP 确定指标的相对重要性研究了海上风能港口的物流能力，有利于决策者评估多个港口对英国北海沿岸海上风电场的适用性。N.S.F.A.Rahman 等[10]以马来西亚凯末曼港为例，采用AHP确定指标的相对重要性找出了导致干散货运输延误的最显著因素，这有助于港口运营商及其利益相关者采取针对性措施以改善港口运营系统。此外，DEA模型作为一种基于数据本身而确定指标权重的线性规划模型也得到了广泛应用。何宜庆等[11]以企业内部供应链为例，使用改进的DEA模型确定了各项指标的客观权重，提出一种基于G1-DEA 组合赋权的供应链绩效评价方法。Song 等[12]研究出一种将极大极小优化法和DEA 模型相结合的混合权重确定方法，以应对决策者偏好不明确或难以获得的情况。姜旭[13]将AHP 和DEA相结合确定出天津港集装箱物流服务评价指标的综合权重，以评估比较天津港6 个码头的集装箱物流服务水平。

现阶段的研究一方面集中在利用DEA 模型评估港口效率，另一方面集中在构建港口评价指标体系以及各指标权重的确定，但DEA模型中缺乏对投入产出指标权重的细分，港口评价指标体系缺乏对突发公共事件作为非期望投入的考虑，并且有关重大突发疫情对港口运营能力的影响规律以及港口运营能力的空间特征研究较少，本文从投入产出角度构建了重大突发疫情下的港口运营能力评价指标体系，构建细分各指标权重的DEA模型以及具有权重偏好和考虑非期望投入、非期望产出的WP-SBMDEA模型评估我国20个重要港口的运营能力，通过空间三维图和莫兰指数散点图分析出重大突发疫情对港口运营能力的影响规律及其空间特征。

1 重大突发疫情下的港口运营能力评价指标体系

1.1 港口运营能力评价指标体系构建

考虑到近年来不同国家和地区相继发生病毒疫情等突发公共事件，在投入产出角度的基础上，将重大突发疫情作为非期望投入来考察它对港口各项指标以及港口运营能力的影响，基于期望投入、非期望投入、期望产出、非期望产出构建重大突发疫情下我国港口运营能力评价指标体系，见表1。

1.2 指标选取和数据来源

选取我国20个重要港口作为研究对象，具体港口选取见表2。各项指标的描述性统计见表3。

基于生命周期理论将重大突发疫情发展分为潜伏期、增长期、爆发期、衰退期、长尾期。选取2019年12 月的港口数据作为重大突发疫情潜伏期港口产出指标数据，在已知投入指标和重大突发疫情潜伏期产出指标的基础上，将细分指标权重的DEA模型和具有权重偏好的WP-SBM-DEA模型相结合来预测重大突发疫情增长期、爆发期、衰退期以及长尾期各项产出指标的发展趋势，从而评估出重大突发疫情不同时期内的港口运营能力。

表1 重大突发疫情下的港口运营能力评价指标体系Tab.1 Evaluation indicator system of port operational capacity under major epidemic in public health emergencies

表2 我国5大港口群中的主要港口Tab.2 Major ports in China's five largest port groups

1.2.1 投入指标

1）期望投入指标。资本、土地、劳动力是重要投入指标，选取码头长度m、泊位个数个、万吨级泊位数量占比%、知识集聚能力作为期望投入指标，其中知识集聚能力衡量港口企业的创新能力，用港口本科以上学历的员工人数占在岗职工总人数的比例表示，相关数据来源于《中国港口年鉴》《中国统计年鉴》、中国港口网。

2）非期望投入指标。考虑到在政府、企业，以及社区基层的防控措施下重大突发疫情发展趋势与港口生产运营呈相反趋势，因此选取地区重大突发疫情的确诊病例及基本再生数（basic reproduction number，R0）作为非期望投入指标，其中确诊病例数据使用国家卫健委公布的港口所在城市的新冠肺炎疫情实时动态数据，R0对于判断重大突发疫情的传染力、预测其发展趋势具有重要意义，其数据基于武文韬等[14-15]提出的SIR模型预测得到。

1.2.2 产出指标

1）期望产出指标。港口吞吐量是反映港口生产运营成果的重要数量指标，地区外贸依存度是衡量腹地经济和对外贸易发展的关键指标，港口企业营业收入是衡量港口经济效益的关键指标，而腹地经济发展水平和港口企业经济效益水平在很大程度上决定了港口的运营能力，因此选取货物吞吐量、外贸货物吞吐量、集装箱吞吐量、地区外贸依存度，以及港口企业营业收入作为期望产出指标，其中地区外贸依存度用各地区外商投资企业进出口总额占GDP的比重来表示。相关数据来源于交通运输部、中国港口网。

表3 我国20个港口的投入产出指标的描述性统计Tab.3 Descriptive statistics of input and output indicators of 20 ports in China

2）非期望产出指标。为了解港口污染物质对港口运营的影响，将二氧化碳（CO2）排放量作为非期望产出。由于各个港口的二氧化碳排放量统计数据无法直接获得，本文采用门联欢等[16]提出的根据港口吞吐量与能源消耗量的关系来计算碳排放量的方法测算2019年12月的碳排放量。

2 港口运营能力评估模型

2.1 确定各指标权重

基于张熠等[17]的研究，笔者根据期望投入、非期望投入、期望产出、非期望产出细分指标权重，并改进了2个虚拟决策单元，提出以下权重确定模型。

假设有k 个决策单元DMUj(j=1，2，…，k) ，每个决策单元有θ 个评价指标，其中包括a 个期望投入指标、b 个非期望投入指标、c 个期望产出指标，以及d 个非期望产出指标(a+b+c+d=θ) 。m 表示重大突发疫情发生时期，m=1，2，3，4，5 分别表示潜伏期、增长期、爆发期、衰退期、长尾期。

1）k 个决策单元的期望投入指标值、非期望投入指标值、期望产出指标值、非期望产出指标值分别由矩阵X，Y，Z，Q 表示，见公式（1）～（4）。

2）期望投入指标权重、非期望投入指标权重、期望产出指标权重、非期望产出指标权重分别由向量λr1，μr2，ξr3，ηr4表示，见式（5）～（8）。

3）令

则考虑非期望产出的生产可能性P 集定义见式（13）。

P 是一个封闭的凸集，其边界点定义为有效生产边界；并且满足

式中：

4）构造2个虚拟决策单元DMUk+1和DMUk+2。DMUk+1表示最优决策单元，其非期望投入指标值和非期望产出指标值由上述k 个决策单元相应指标值的最小值表示，期望投入指标值和期望产出指标值由上述k 个决策单元相应指标值的最大值表示。其期望投入向量、非期望投入向量、期望产出向量和非期望产出向量分别由Xk+1，Yk+1，Zk+1和Qk+1表示，见式（18）～（21）。

DMUk+2表示最劣决策单元，其非期望投入指标值和非期望产出指标值由上述k 个决策单元相应指标值的最大值表示，期望投入指标值和期望产出指标值由上述k 个决策单元相应指标值的最小值表示。其期望投入向量、非期望投入向量、期望产出向量和非期望产出向量分别由Xk+2，Yk+2，Zk+2和Qk+2表示，见式（22）～（25）。

5）在建模之前，首先要对指标数据进行归一化处理，然后求解以下改进的DEA模型来确定各指标权重，见式（26）。

该模型以最劣决策单元DMUk+2的效率φk+2最小为目标函数，以最优决策单元DMUk+1的效率φk+1最大为约束条件。核心思想在于从能够使DMUk+1效率最大的多组权重中筛选出使DMUk+2的效率最小的一组权重，称为指标最优公共权重W*。

2.2 港口运营能力评估模型

传统DEA 模型能够测算出具有多个输入和输出的复杂系统的相对效率，但是没有考虑投入产出的松弛性问题以及港口生产运营活动的非期望产出。K Tone[18]在目标函数中引入松弛变量，改进了传统DEA 模型，称为SBM-DEA 模型，但是没有考虑到投入和产出指标的权重以及突发公共事件作为非期望投入的情况，笔者将上述细分各指标权重的DEA 模型权重与具有权重偏好和考虑非期望投入、非期望产出的WP-SBM-DEA 模型相结合来评估重大突发疫情下我国港口的运营能力，在建模之前所有已知数据均需进行归一化处理。

令

WP-SBM-DEA模型构建见式（28）。

2.3 空间自相关模型

空间自相关模型也称为莫兰指数（Moran's I），能够根据指标变量的数值和位置来判断空间相关性，可以检验出重大突发疫情下我国港口运营能力的空间依赖性是否发生变化。首先通过式（29）进行莫兰指数值计算。

莫兰指数值的范围为[- 1，1] ，I ＞0 表示港口运营能力的空间自相关为正，I ＜0 表示港口运营能力的空间自相关为负。

式中：E( I )=-1 ( n-1)，V( I )=E( I2)-E 。式（30）是对莫兰指数进行标准化得到Z 统计量以检验莫兰指数的显著性，Z(I)服从渐进标准正态分布。

空间权重矩阵Wij描述了观测变量的空间依赖性和异质性的相关效应，在回顾先前文献之后[19-20]，模型中的空间权重矩阵Wij分别用空间相邻矩阵、空间地理距离矩阵或空间经济距离矩阵这3个矩阵代替。

式中：dij=r arccos [cos(Ei-Ej)cos Nicos Nj+sin Nisin Nj]，dij表示港口i 和港口j 之间的地理距离，r表示地球半径，Ei和Ni分别表示港口所在地的经度和纬度；和分别表示港口i 和港口j 的月平均营业收入。

3 重大突发疫情下的港口运营能力的影响规律

3.1 重大突发疫情下的港口运营能力评估结果

由于重大突发疫情潜伏期各项指标数据已知，通过式（26）可得到各指标权重，通过式（28）中权重与指标值之间的关系，可以预测出重大突发疫情增长期、爆发期、衰退期、长尾期各项指标数据在重大突发疫情下的发展趋势，从而评估出重大突发疫情下的港口运营能力，见表4。

3.2 重大突发疫情对我国港口运营能力的影响规律

3.2.1 重大突发疫情下我国港口运营能力的空间格局

根据表4中的数据及各港口地理位置绘制出重大突发疫情下我国港口运营能力的空间三维图，见图1。

表4 重大突发疫情下的我国20个港口的运营能力评估Tab.4 Operational capacity assessment of 20 ports in China under major epidemics in public health emergencies

图1 重大突发疫情下我国港口运营能力的空间格局Fig.1 Spatial pattern of China's port operational capability under major epidemic in public health emergencies

根据表4和图1可得出以下结论。

1）重大突发疫情潜伏期、增长期、爆发期、衰退期、长尾期内我国港口运营能力的平均水平分别为0.617，0.523，0.4，0.474，0.615，表明重大突发疫情对我国港口运营能力产生短期负面影响，重大突发疫情爆发期产生的负面影响最大，但不会改变我国港口生产运营长期稳中向好的趋势。

2）重大突发疫情下我国港口运营能力的空间格局具有多个峰值并且不同时期内的峰值高低不同，这些峰值主要位于北纬25°～40°和东经115°～125°。这表明环渤海地区和长三角地区的港口运营能力高于其他地区，而且这些地区的港口运营能力受重大突发疫情影响最大。

3）疫情潜伏期和长尾期的峰值最高，爆发期峰值最低。重大突发疫情潜伏期间，政府防控力度、媒体曝光度较低，各大港口的生产运营活动正常进行，其港口运营能力几乎不受影响；重大突发疫情增长期和爆发期间，政府防控力度逐渐加强升级，导致港口的生产运营停滞，进出口贸易存在延期甚至是解约的风险；重大突发疫情衰退期间，港口企业逐渐复工复产，运输需求以及供应链逐渐恢复，港口生产运营活动随之步入正轨；当重大突发疫情到达长尾期时，港口的生产运营才会完全恢复正常，但也会面临由重大突发疫情期间生产运营停滞带来的高潮冲击。

3.2.2 重大突发疫情下我国港口运营能力的空间依赖性

基于空间自相关模型中式（31）～（33）得到的3个空间权重矩阵以及表4 中的数据，可以得到重大突发疫情下我国港口运营能力莫兰指数值以及变化趋势，见表5和图2。

表5 重大突发疫情下我国港口运营能力的莫兰指数评估Tab.5 Moran's I Index evaluation of China's port operational capability in major epidemic in public health emergencies

根据表5和图2可得出以下结论。

1）我国港口运营能力存在相邻依赖关系、地理空间距离依赖关系以及经济距离依赖关系，3种依赖关系受重大突发疫情影响不大，保持相对稳定。

2）基于3种空间矩阵下的莫兰指数值均在重大突发疫情爆发期时达到最高。表明在面临重大突发疫情时，我国港口运营能力的3 种依赖关系会有所加强。

图2 重大突发疫情下基于空间权重矩阵的莫兰指数趋势Fig.2 Trend graph of Moran's I index based on spatial weight matrices under major epidemic in public health emergencies

3）重大突发疫情下，基于空间相邻矩阵和空间地理距离矩阵的港口运营能力莫兰指数值均通过了10%显著性检验，而基于空间经济距离矩阵的港口运营能力莫兰指数值均通过了1%显著性检验，因此港口运营能力的空间经济距离依赖关系最为显著，从而基于经济距离矩阵绘制重大突发疫情下港口运营能力的莫兰指数散点图，见图3。

图3 重大突发疫情下我国港口运营能力的莫兰指数散点图Fig.3 ScatterplotofMoran'sIindexofChina'sportoperational capacityundermajorepidemicinpublichealthemergencies

表6 重大突发疫情下我国港口运营能力集群度的关联模式分布Correlation mode distribution of operational capability clustering of China's ports under major epidemic in public health emergencies

根据图3 和表6 可知，重大突发疫情的潜伏期、增长期、爆发期、衰退期、长尾期内的莫兰指数散点图均有90%的港口位于第1象限和第3象限，其中位于第1象限的港口具有较高的运营能力集群度和相关性；位于第2 象限的港口具有较低的运营能力集群度并且被周围运营能力集群度高的港口包围；位于第3 象限的港口具有较低的运营能力集群度，而且港口之间经济发展差距小；位于第四象限的港口具有较高的运营能力集群度，但是被周边运营能力集群度高的港口包围。因此中国港口运营能力存在空间差异化、集聚现象，并且不会受到重大突发疫情的影响。