中国沿海港口分层效率研究

张玲玉 霍佳震

摘要：为对处在不同效率层次的港口制定针对性决策，运用2014—2018年港口群的100个样本数据构建分层SBM-BPNN模型，该模型是基于松弛变量的测量（slack-based measure， SBM）模型与反向传播神经网络（back propagation neural network， BPNN）模型的结合。用构建的模型对2019年的港口群进行效率分层和决策制定。结果表明：分层SBM-BPNN模型不仅可以基于全体决策单元信息对分层SBM模型起替代作用，还可以在信息无法在各港口实时共享时，依据单个港口的信息对港口进行效率层次定位和分层最优决策的制定。分层效率研究有利于港口根据实际资源配置情况制定可行性较高的分阶段决策。

关键词： 港口效率; 基于松弛变量的测量（slack-based measure， SBM）模型; 反向传播神经网络（BPNN）

中图分类号： F552    文献标志码： A

Abstract： In order to make specific decisions on ports at different levels of efficiency， this paper uses 100 sample data of port groups in 2014-2018 to construct a multi-level SBM-BPNN model， which combines a slack-based measure （SBM） model with a back propagation neural network （BPNN） model. The constructed model is used to carry out the efficiency stratification and decision making of port groups in 2019. The results show that， the multi-level SBM-BPNN model can not only replace the multi-level SBM model based on the whole decision unit information， but also position the efficiency level of ports and make the hierarchical optimal decision according to the information of a single port when the information can not be shared in real time by each port. The multi-level efficiency research is beneficial to ports making feasible phased decisions based on the actual resource allocation.

Key words： port efficiency; slack-based measure （SBM） model; back propagation neural network （BPNN）

0 引 言

港口作为我国对外贸易的门户，是对外运输的重要节点，然而在港口的实际运营中存在着投入资源浪费、产出不足等问题，因此对港口效率进行准确而及时的分析，对提高港口运行效率进而提高整个海运效率都具有重要意义。港口效率不仅代表了港口利用资源获取产出的能力，也代表了港口的竞争能力和经营管理水平[1]。目前，数据包络分析（data envelopment analysis，DEA）作为一种非参数方法被广泛运用于港口效率评定中[2]。DEA模型主要分为基于时间序列的动态模型和基于面板数据的静态模型，如：MUSTAFA等[3]运用径向DEA模型对比中亚和东亚港口群的静态效率;LI等[4]使用超效率模型对20个中国集装箱码头公司的静态效率进行探究;SETH等[5]利用DEA窗口分析（DEA window analysis）对美国15个集装箱港口的动态效率进行计算分析;高倜鹏等[6]使用DEA三阶段模型对“一带一路”主要沿海港口2013—2017年的动态效率进行研究。

无论是DEA静态模型还是DEA动态模型，都是将所有决策单元在同一层次进行比较与分析的。对于一些非有效决策单元而言，以整个决策群体的效率前沿面为目标进行效率提升往往要求其在短期内进行幅度较大的改变，在实施过程中会遇到较大的阻力[7]。因此，上述方法在短期内的可行性较低，对港口管理者不具有实际指导意义。而分层DEA（context-dependent DEA）[8]将与实际投入产出情况差距较大的目标分成几个可行性较高的分阶段目标，具有更强的实用价值和研究意义[9]。

DEA模型必须基于全体决策单元的信息对效率进行分析，对数据的敏感性较高，而实际上单一港口管理者对其他港口信息的获得往往存在滞后性，很难及时根据全部信息对自身效率进行分析并做出相应的调整。ATHANASSOPOULOS等[10]将DEA模型与反向传播神经网络（back propagation neural network， BPNN）模型相结合来解决这类数据可获得性较低的问题。当前基于DEA-BPNN模型对港口效率进行评价的探究仍旧处于起步阶段，研究多集中于对港口的效率值和排名进行预测[11-12]，而忽视了对改进决策的探究。然而在港口的实际运营中，改进决策对于港口管理者具有更强的实用价值。同时，模型中使用的DEA模型主要是径向DEA模型[13]，但这些径向DEA模型忽略了投入与产出的松弛变量，将含有冗余但效率值为1的决策单元与不含有冗余的有效决策单元归为同一类别[14]，并且这些模型的改进策略要求松弛变量基于原始变量进行等比例收缩或扩大[15]，而这是港口在实际运营中做不到的。与BCC模型和CCR模型相比，基于松弛变量的测量（slack-based measure， SBM）模型[16]可以实现松弛变量的非等比例改进，并将不存在资源浪费的有效决策單元与存在资源浪费的港口进行区分，更加符合港口实际运营规律。

基于上述分析，本文将非径向分层SBM模型与BPNN模型相结合进行港口效率决策改进的分析。该模型不仅可以为港口效率层次进行定位，也可以为港口管理者提供较为准确和及时的分阶段目标，为港口运营管理与优化提供有力的支持。

1 研究指标的选取

1.1 投入和产出指标的选取

本文的研究对象为包括上海港、深圳港在内的中国20个主要规模以上沿海港口。参考以港口效率为研究对象的文献，同时考虑数据的可获得性，将沿海码头长度和沿海泊位数量作为投入指标，分别体现港口的承载能力和运行能力;将货物吞吐量和集装箱吞吐量作为产出指标，分别体现港口对货物和集装箱运输的产出能力。

1.2 数据来源与处理

本文使用的数据来源于2015—2020年的《中国港口年鉴》、各港口所在地区年鉴、中国港口网站、中国交通运输部网站、InfoBank数据库以及国泰安数据库。因为上述数据均为二手数据，所以存在少量数据不一致的现象。对于不一致的地理信息数据，本文采取GDAL（geospatial data abstraction library）与遥感地图相结合的方法对沿海码头长度进行核对：首先将对应年份的遥感地图导入ARCGIS 10.2 软件，再按照图1所示流程对遥感地图进行处理得到沿海码头的真实长度。以图1中得到的11.613 6 cm为例，根据比例尺1：7 000得到实际长度约为813 m，最后对所有数据进行累加得到码头总长度。当不同来源的数据值不同时，选择与GDAL测量结果的误差在±5%以内的数据。对沿海泊位数采取DE KOSTER的方法进行人工核对，数值不一致的较少，总体上年鉴数据的准确性大于数据库数据的准确性。

1.3 相关性检验

本文基于表1所示的2014—2018年的100个样本数据构建分层SBM-BPNN模型。考虑到SBM模型构建的前提是投入变量与产出变量之间具有正相关性，也就是投入变量的增加对产出变量能够产生正向影响，在模型构建前，先使用SPSS对投入与产出变量进行相关性检验。由表2可知，样本数据投入与产出变量之间的相关性处于0.689与0.860之间，均为正相关，符合SBM模型构建的前提要求。

2.2 第二阶段：效率层次定位神经网络模型构建

在得到所有决策单元的效率分层结果后，将表1中的4个投入产出变量作为输入，效率分层类别作为输出，构建BPNN。本文基于MATLAB 2020进行BPNN的构建，见图2。

2.3 第三阶段：最优决策神经网络模型构建

港口管理者可以基于港口现有的资源配置情况选择不同层次的前沿面制定效率改进决策，通过减小投入或者增大产出这两种方式实现。考虑到港口基础设施建设周期往往较长且所需成本较高，本文主要讨论如何在投入不变的情况下对产出的目标值进行设定。

将港口的投入变量作为输入，虚拟前沿面作为输出，其中虚拟前沿面由有效决策单元的实际产出数值与非有效决策单元的产出目标值构成。与只由有效决策单元的实际产出构成的前沿面相比，增加样本数据量的神经网络模型可以提高神经网络模型的预测准确度。构建的神经网络结构见图3。

3 实证分析

3.1 SBM-BPNN模型构建

使用2014—2018年的100个样本数据构建SBM-BPNN模型，并基于所构建的模型对2019年的港口群进行效率提升决策。通过第一阶段的分层SBM模型计算可得，在100个样本数据中有26个样本数据的分层类别为1，20个样本数据的分层类别为2，25个样本数据的分层类别为3，29个样本数据的分层类别为4。

按照14∶3∶3的比例从样本数据中随机选取70个数据作为训练集，15個数据作为验证集，15个数据作为测试集，构建图3所示的结构为4-8-1（输入层节点数为4，隐含层节点数为8，输出层节点数为1）的BPNN模型。其中，神经元为4个实际投入产出变量，目标值为效率分层结果。所得模型的训练集、验证集、测试集的均方误差（mean square error， MSE）分别为4.81%、1.62%和5.12%，见表3。

最后基于三层目标值分别构建3个类似图3所示的结构为2-8-2的SBM-BPNN模型，各层神经网络模型的信息见表3的后3行数据。测试集的MSE均在6%以下，由此可知SBM-BPNN模型预测的准确度较高。

3.2 预测效率层次

在进行决策前，首先使用基于样本数据构建的SBM-BPNN模型对2019年的港口群进行效率分层。2019年港口群的实际投入产出数据见表4。

将2019年港口群的投入产出数据作为BPNN的神经元，预测所得的效率分层结果见表5最后一列数据。为检验效率分层结果的准确性，将SBM-BPNN模型与分层SBM模型所得的效率分层结果进行对比。表5中，第一、二、三层效率值分别为利用分层SBM模型所得的三次效率计算结果，根据该结果得到的效率分层结果见倒数第2列数据。

参照MISIUNAS等[13]使用的方法，使用yrj和rj分别代表产出的实际值和预测值，ymax和ymin分别代表产出的最大值和最小值，对模型的准确率进行预测：准确率=12nnj=1 pr=11-|yrj-rj||ymax-ymin|  计算可得，SBM-BPNN模型在效率分层中的准确度大于90%，说明本文所构建的模型可以在港口群数据均可知的情况下有效替代分层SBM模型。同时，分层SBM模型需要经过3次SBM模型计算才能得到各个港口的效率分层结果，而分层SBM-BPNN模型可以基于单个港口的信息直接预测得到其效率分层结果。

处在第一层前沿面上的宁波舟山港、青岛港、日照港、上海港和深圳港（效率分层结果为1的港口）具有比较合理的资源配置比例，这类港口应当保持合理的投入产出比例。对于处在其他效率层次的港口，可以通过逐层改变投入产出资源配置比例以提高港口效率。

3.3 制定最优分层决策

在对每个决策单元进行效率分层后，进行最优决策的预测。将2019年各个港口的投入变量代入SBM-BPNN模型，分别得到各个港口达到3层前沿面所需的产出增量，见表4。从表4可以看出：第一层前沿面作为整个港口群中的资源配置目标，可以作为分层类别为2、3、4的非有效决策单元的改进目标;同样，第二层前沿面可以作为分层类别为3、4的决策单元的改进目标;以此类推，处于不同效率层次的港口可以选择不同的前沿面作为效率改进的目标值。

从处于不同效率层次的港口角度进行分析，对于非有效决策单元（分层类别为2、3、4的港口）而言，在短时间内要获得产出的大幅度增加往往会遇到较大的阻力。以单个产出变量所需增量为例进行分析，达到各层有效前沿面所需的平均集装箱增量分别为：处于第二层前沿面上的港口到第一层前沿面上需增加0.24倍的集装箱吞吐量;处于第三层前沿面上的港口到第一层和第二层前沿面上需分别增加3.91倍和3.56倍的集装箱吞吐量;处于第四层前沿面上的港口到第一、二、三层前沿面上需分别增加8.04倍、7.38倍、0.58倍的集装箱吞吐量。因此，当港口与第一层有效前沿面的距离较大时，可以通过逐层（从第三层前沿面到第一层前沿面）增加产出的方式不断提高港口的效率值，分阶段实现可行性较低的目标。特别是对于效率分层类别为4的决策单元，若以整个港口群中的效率前沿面（第一层前沿面）为目标，平均集装箱吞吐量的增量较高，港口效率提升会遇到很大的阻力，可行性很低。对于此类港口的效率提升，制定分阶段计划将会更加切实可行，此类港口可以首先选择以第三层前沿面为目标，增加0.58倍的集装箱吞吐量以提高港口效率。

以福州港为例从港口角度进行分析，若直接以第一层前沿面作为目标，则需要增加1.05倍的货物吞吐量和4.41倍的集装箱吞吐量，该目标需要福州港在短期内有大幅度的产出增加，这样的决策港口难以实施。在这种情况下，可以选择先以第三层前沿面作为目标对产出指标进行改进，分别增加0.2倍的货物吞吐量和0.79倍的集装箱吞吐量，以达到第三层前沿面;或者以较高的第二层前沿面作为目标，分别增加0.41倍的货物吞吐量和1.71倍的集装箱吞吐量以达到第二层前沿面。综上，通过对产出进行分阶段调整，逐步成为港口群中的有效决策单元，可以有效增加目标决策的可行性，具有更高的实用价值。

4 结束语

本文以中国20个沿海港口作为研究对象，运用2014—2018年的100个样本数据构建分层SBM-BPNN模型，并使用该模型对2019年的港口群进行分析，预测得到各个港口的效率分层类别以及达到各层效率前沿面所需产出增量。研究结果表明：（1）基于历史数据构建的SBM-BPNN模型不仅可以在已知2019年所有港口信息的情况下替代分层SBM模型，还可以在其他港口信息未知的情况下对单一港口进行准确的分层效率分析，具有较高的实用性和及时性。（2）处于不同效率层次的港口可以根据所构建的模型分阶段确定更加切实可行的目标进行效率的提升。

随着大数据的发展，基于历史数据构建的分层SBM-BPNN模型对于信息共享存在障碍并且短期内无法进行大幅度资源改变的产业而言，具有较大的实用价值。考虑到外部因素对模型的影响，在未来的研究中也可以将该影响因素加入到模型的构建中，进一步提高模型的稳定性。

参考文献：

[1] 庞瑞芝. 我国主要沿海港口的动态效率评价[J]. 经济研究， 2006， 6： 92-100.

[2] 杜利楠， 张建宝. 基于三阶段DEA模型的长江干线主要港口效率评价[J]. 上海海事大学学报， 2020， 41（3）： 89-96. DOI： 10.13340/j.jsmu.2020.03.015.

[3] MUSTAFA F S， KHAN R U， MUSTAFA T. Technical efficiency comparison of container ports in Asian and Middle East region using DEA[J]. The Asian Journal of Shipping and Logistics， 2021， 37（1）： 12-19. DOI： 10.1016/j.ajsl.2020.04.004.

[4] LI L L， SEO Y J， HA M H. The efficiency of major container terminals in China： super-efficiency data envelopment analysis approach[J]. Maritime Business Review， 2021， 6（2）： 173-187. DOI： 10.1108/MABR-08-2020-0051.

[5] SETH S， FENG Qianmei. Assessment of port efficiency using stepwise selection and window analysis in data envelopment analysis[J]. Maritime Economics & Logistics， 2020， 22： 536-561. DOI： 10.1057/s41278-020-00155-6.

[6] 高倜鵬， 刘翠莲， 袁博. 基于三阶段DEA模型的“一带一路”中国主要沿海港口效率评价[J]. 上海海事大学学报， 2020， 41（3）： 82-88. DOI： 10.13340/j.jsmu.2020.03.014.

[7] RAMN N， RUIZ J L， SIRVENT I. Two-step benchmarking： setting more realistically achievable targets in DEA[J]. Expert Systems with Applications， 2018， 92： 124-131. DOI： 10.1016/j.eswa.2017.09.044.

[8] KUO K C， LU W M， LE M H. Exploring the performance and competitiveness of Vietnam port industry using DEA[J]. The Asian Journal of Shipping and Logistics， 2020， 36： 136-144. DOI： 10.1016/j.ajsl.2020.01.002.

[9] AGARWAL S. DEA-neural networks approach to assess the performance of public transport sector of India[J]. OPSEARCH， 2016， 53： 248-258. DOI： 10.1007/s12597-015-0229-2.

[10] ATHANASSOPOULOS A D， CURRAM S P. A comparison of data envelopment analysis and artificial neural networks as tools for assessing the efficiency of decision making units[J]. Journal of the Operational Research Society， 1996， 47（8）： 1000-1016. DOI： 10.1057/jors.1996.127.

[11] 匡海波， 陳树文. 基于神经网络的技术效率研究： 对中国港口的实证分析[J]. 科学学研究， 2007， 25（4）： 676-681. DOI： 10.16192/j.cnki.1003-2053.2007.04.015.

[12] 刘玲玲. 基于神经网络的港口效率评价研究[D]. 大连： 大连海事大学， 2010.

[13] MISIUNAS N， OZTEKIN A， CHEN Yao， et al. DEANN： a healthcare analytic methodology of data envelopment analysis and artificial neural networks for the prediction of organ recipient functional status[J]. Omega， 2016， 58： 46-54. DOI： 10.1016/j.omega.2015.03.010.

[14] MORITA H， HIROKAWA K， ZHU J. A slack-based measure of efficiency in context-dependent data envelopment analysis[J]. Omega， 2005， 33： 357-362. DOI： 10.1016/j.omega.2004.06.001.

[15] FANG H H， LEE H S， HWANG S N， et al. A slacks-based measure of super-efficiency in data envelopment analysis： an alternative approach[J]. Omega， 2013， 41： 731-734. DOI： 10.1016/j.omega.2012.10.004.

[16] TONE K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research. 2001， 130： 498-509. DOI： 10.1016/S0377-2217（99）00407-5.

（编辑 贾裙平）