基于主成分分析和BP神经网络的组合港竞争力评价

张宝清，李彦刚

（1.中交第三航务工程勘察设计院有限公司，上海 200032；2.南通港集团建设投资有限公司，江苏 南通 226006）

0 引言

组合港是市场自发组织下的衍生产物，受国际贸易摩擦和国内产业结构调整的双重影响，我国组合港建设步伐逐年提速，这样的港口重组从短期发展来看，优化了资源配置，产生了新的区域竞争力，但从长期效应来看，由于缺乏创新机制必然会产生区域性垄断，降低其自身竞争力。因此，需要科学评价组合港竞争力，从而为我国组合港发展提供理论支撑。

国内外学者对于组合港竞争力的研究相对较少，多数研究较笼统和宽泛。Hyuksoo C[1]将资源和制度2种指标纳入集装箱港口竞争力，同时考虑到各个指标之间的相互影响和调节作用；KIM S等[2]研究了影响要素之间的差异性对港口竞争力的影响；DANG L V等[3]探讨规划战略实施在港口竞争力上的特殊地位，但缺少从系统角度全面衡量港口竞争力；文献[4]从港口条件、生产力水平、腹地城市、港口发展潜力和集疏运便捷程度5个方面构建评价指标体系，运用TOPSIS和DEA法对13个沿海港口竞争力进行排序；文献[5]和文献[6]探究了在“海上丝绸之路”视角下港口网络地位、投资、空间分布等对港口竞争力的影响；文献[7]充分考虑了资源、环境和评价指标间相互影响关系，对绿色港口竞争力进行评价；文献[8]～文献[12]运用古诺博弈等方法，对港口竞争力及绿色港口评价进行了研究。

本文在分析供给侧改革与组合港竞争力的级联关系基础上构建评价指标体系，同时为避免指标间重叠性和异化性，利用主成分分析法对原始样本分模块测算组合港能级，在此基础上选用BPNN模型对组合港竞争力进行评价，为组合港竞争力研究提供了重要方法指导。

1 评价指标体系构建

从港口供给侧改革这一核心点出发，以港口企业为中心，以周边产业为依托，实现资源的优化配置和整合，通过延伸港口的物流服务网链，带动本企业和腹地经济的发展。

从总体上来看，供给侧改革与组合港竞争力的级联关系表现为：一是正面引导推动作用，在组合港发展带动下港城关联性和城市互动性有所加强，有序的竞争机制使得港口既形成分工，又适度合作，从而统筹规划与协调，激发新的增长动能；二是反面抑制作用，产生区域垄断性，降低其核心竞争力。

通过明晰供给侧改革与组合港竞争力的级联关系，构建具有1个目标层、2个准则层、5个因素层、19个指标层的组合港竞争力评价指标体系，如表1所示。

表1 组合港竞争力评价指标体系Table 1 Evaluation index system for combination port competitiveness

2 基于主成分分析的组合港能级梯度测评

2.1 外部环境因素指标能级测评

采用SPSS20.0对外部环境因素指标做主成分分析，KMO为0.558＞0.5，Bartlett检验概率P为0＜0.05，经分析认为可以进行主成分分析。根据主成分特征值及解释的总方差，前3个主成分累计贡献率超过83%，主成分X1的方差贡献率为50.446%，因此考虑提取3个主成分代替原来的10个变量，这3个新的变量组合依据主成分原理并通过因子荷载矩阵来获得，分别是：

以主成分的方差贡献率作为指标权重，进而得到主成分得分Y1计算公式为：

根据式（1）—式（4）计算得到外部环境因素指标主成分综合得分，同时计算腹地条件、自然条件、发展潜力3个三级因素对港口能级分布的影响得分，得到影响能级，见表2。

表2 外部环境因素指标影响等级Table 2 Influence level of external environmental factor indicators

2.2 内部条件因素指标能级测评

同理，通过计算内部条件因素指标主成分综合得分及梯度分布情况得到内部条件因素指标影响等级，见表3。

表3 内部条件因素指标影响等级Table 3 Influence level of internal condition factor indicators

3 基于BP模型的组合港竞争力评价

考虑到组合港竞争力评价指标非线性特点，同时避免出现尖峰和毛刺现象[10]，将主成分分析法外部环境因素指标提取3个、内部条件因素指标提取2个主成分作为神经网络输入，从而简化神经网络的拓扑结构。

3.1 外部环境因素指标评价

选取主成分得分X1、X2、X3作为输入层节点，将14个港口数据输入构建好的神经网络拓扑结构进行训练，训练9步后，网络精度达到0.000 481 13，下降到目标值0.001。由图1可知，训练样本中期望输出与实际输出的误差控制在0.033%～2.489%，平均误差0.604%，训练效果较好，可以进行检验样本仿真。

图1 训练样本期望输出与实际输出对比Fig.1 Comparison between expected output and actual output of training samples

为探究模型的适用性与先进性，对本文构建模型与传统的BP神经网络模型[13]做对比，见表4。结果表明：本文模型训练样本平均误差0.604%优于传统BP神经网络模型1.184%，检验样本平均误差0.875%，优于传统BP神经网络模型1.295%，在收敛速度和精度上也优于传统BP神经网络模型，有效地克服了传统BP神经网络模型网络结构复杂、指标间关联性大的缺点，同时证明改进后的PCA-BP神经网络模型在进行外部环境因素指标评价时更具优越性，收敛速度更快且精度更高。

表4 PCA-BP模型与传统BP神经网络模型外部因素指标评价结果Table 4 Evaluation results of external factor indicators of PCA-BP model and traditional BP neural network model

3.2 内部条件因素指标评价

同理，选取主成分得分X4、X5作为输入层节点，训练108步后，网络精度达到0.000 988 07，下降到目标值0.001，训练样本中期望输出与实际输出的误差控制在0.013%～1.904%之间，平均误差为0.656%，训练效果较好，可以进行检验样本仿真。同样，对本文构建模型与传统的BP神经网络模型做对比，见表5。

表5 PCA-BP模型与传统BP神经网络模型内部因素指标评价结果Table 5 Evaluation results of internal factor indicators of PCA-BP model and traditional BP neural network model

结果表明：本文模型训练样本平均误差0.656%与传统BP神经网络模型0.555%相近，检验样本平均误差9.416%优于传统BP神经网络模型15.58%，改进之后的PCA-BP神经网络模型在进行内部条件因素指标评价时更具优越性，收敛速度更快且精度更高。

4 结语

1）从主成分得分来看，内部条件指标大于外部环境因素指标，说明港口内因是港口竞争力的主要来源；从能级梯度分布来看，上海组合港、宁波舟山组合港、深港组合港、广州-东莞港组合港体现了强劲的竞争力水平；从BPNN仿真结果来看，外部环境因素评价结果相对误差在0.033%～2.489%之间，平均误差为0.604%，内部条件因素指标评价结果相对误差在0.013%～1.904%之间，平均误差为0.656%，可用于组合港竞争力评价。

2）通过分析供给侧改革与组合港竞争力的级联关系，构建评价指标体系，为降低指标间相互影响程度，将评价指标体系分为外部环境指标和内部条件指标2个模块，同时为避免指标间的重叠性和异化性，将2个模块运用主成分分析分别进行主成分提取，对港口能级进行测算；构建了合理的BP神经网络模型进行评价，最后将构建PCA-BP神经网络模型结果与传统BP神经网络模型做对比可知，本文构建模型收敛速度快、迭代精度高，评价结果科学、有效，可以为组合港竞争力提升提供理论支撑。