張玲玉 霍佳震

摘要：為對(duì)處在不同效率層次的港口制定針對(duì)性決策，運(yùn)用2014—2018年港口群的100個(gè)樣本數(shù)據(jù)構(gòu)建分層SBM-BPNN模型，該模型是基于松弛變量的測量（slack-based measure， SBM）模型與反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network， BPNN）模型的結(jié)合。用構(gòu)建的模型對(duì)2019年的港口群進(jìn)行效率分層和決策制定。結(jié)果表明：分層SBM-BPNN模型不僅可以基于全體決策單元信息對(duì)分層SBM模型起替代作用，還可以在信息無法在各港口實(shí)時(shí)共享時(shí)，依據(jù)單個(gè)港口的信息對(duì)港口進(jìn)行效率層次定位和分層最優(yōu)決策的制定。分層效率研究有利于港口根據(jù)實(shí)際資源配置情況制定可行性較高的分階段決策。

關(guān)鍵詞： 港口效率; 基于松弛變量的測量（slack-based measure， SBM）模型; 反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）

中圖分類號(hào)： F552 ? ?文獻(xiàn)標(biāo)志碼： 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

港口作為我國對(duì)外貿(mào)易的門戶，是對(duì)外運(yùn)輸?shù)闹匾?jié)點(diǎn)，然而在港口的實(shí)際運(yùn)營中存在著投入資源浪費(fèi)、產(chǎn)出不足等問題，因此對(duì)港口效率進(jìn)行準(zhǔn)確而及時(shí)的分析，對(duì)提高港口運(yùn)行效率進(jìn)而提高整個(gè)海運(yùn)效率都具有重要意義。港口效率不僅代表了港口利用資源獲取產(chǎn)出的能力，也代表了港口的競爭能力和經(jīng)營管理水平[1]。目前，數(shù)據(jù)包絡(luò)分析（data envelopment analysis，DEA）作為一種非參數(shù)方法被廣泛運(yùn)用于港口效率評(píng)定中[2]。DEA模型主要分為基于時(shí)間序列的動(dòng)態(tài)模型和基于面板數(shù)據(jù)的靜態(tài)模型，如：MUSTAFA等[3]運(yùn)用徑向DEA模型對(duì)比中亞和東亞港口群的靜態(tài)效率;LI等[4]使用超效率模型對(duì)20個(gè)中國集裝箱碼頭公司的靜態(tài)效率進(jìn)行探究;SETH等[5]利用DEA窗口分析（DEA window analysis）對(duì)美國15個(gè)集裝箱港口的動(dòng)態(tài)效率進(jìn)行計(jì)算分析;高倜鵬等[6]使用DEA三階段模型對(duì)“一帶一路”主要沿海港口2013—2017年的動(dòng)態(tài)效率進(jìn)行研究。

無論是DEA靜態(tài)模型還是DEA動(dòng)態(tài)模型，都是將所有決策單元在同一層次進(jìn)行比較與分析的。對(duì)于一些非有效決策單元而言，以整個(gè)決策群體的效率前沿面為目標(biāo)進(jìn)行效率提升往往要求其在短期內(nèi)進(jìn)行幅度較大的改變，在實(shí)施過程中會(huì)遇到較大的阻力[7]。因此，上述方法在短期內(nèi)的可行性較低，對(duì)港口管理者不具有實(shí)際指導(dǎo)意義。而分層DEA（context-dependent DEA）[8]將與實(shí)際投入產(chǎn)出情況差距較大的目標(biāo)分成幾個(gè)可行性較高的分階段目標(biāo)，具有更強(qiáng)的實(shí)用價(jià)值和研究意義[9]。

DEA模型必須基于全體決策單元的信息對(duì)效率進(jìn)行分析，對(duì)數(shù)據(jù)的敏感性較高，而實(shí)際上單一港口管理者對(duì)其他港口信息的獲得往往存在滯后性，很難及時(shí)根據(jù)全部信息對(duì)自身效率進(jìn)行分析并做出相應(yīng)的調(diào)整。ATHANASSOPOULOS等[10]將DEA模型與反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network， BPNN）模型相結(jié)合來解決這類數(shù)據(jù)可獲得性較低的問題。當(dāng)前基于DEA-BPNN模型對(duì)港口效率進(jìn)行評(píng)價(jià)的探究仍舊處于起步階段，研究多集中于對(duì)港口的效率值和排名進(jìn)行預(yù)測[11-12]，而忽視了對(duì)改進(jìn)決策的探究。然而在港口的實(shí)際運(yùn)營中，改進(jìn)決策對(duì)于港口管理者具有更強(qiáng)的實(shí)用價(jià)值。同時(shí)，模型中使用的DEA模型主要是徑向DEA模型[13]，但這些徑向DEA模型忽略了投入與產(chǎn)出的松弛變量，將含有冗余但效率值為1的決策單元與不含有冗余的有效決策單元?dú)w為同一類別[14]，并且這些模型的改進(jìn)策略要求松弛變量基于原始變量進(jìn)行等比例收縮或擴(kuò)大[15]，而這是港口在實(shí)際運(yùn)營中做不到的。與BCC模型和CCR模型相比，基于松弛變量的測量（slack-based measure， SBM）模型[16]可以實(shí)現(xiàn)松弛變量的非等比例改進(jìn)，并將不存在資源浪費(fèi)的有效決策單元與存在資源浪費(fèi)的港口進(jìn)行區(qū)分，更加符合港口實(shí)際運(yùn)營規(guī)律。

基于上述分析，本文將非徑向分層SBM模型與BPNN模型相結(jié)合進(jìn)行港口效率決策改進(jìn)的分析。該模型不僅可以為港口效率層次進(jìn)行定位，也可以為港口管理者提供較為準(zhǔn)確和及時(shí)的分階段目標(biāo)，為港口運(yùn)營管理與優(yōu)化提供有力的支持。

1 研究指標(biāo)的選取

1.1 投入和產(chǎn)出指標(biāo)的選取

本文的研究對(duì)象為包括上海港、深圳港在內(nèi)的中國20個(gè)主要規(guī)模以上沿海港口。參考以港口效率為研究對(duì)象的文獻(xiàn)，同時(shí)考慮數(shù)據(jù)的可獲得性，將沿海碼頭長度和沿海泊位數(shù)量作為投入指標(biāo)，分別體現(xiàn)港口的承載能力和運(yùn)行能力;將貨物吞吐量和集裝箱吞吐量作為產(chǎn)出指標(biāo)，分別體現(xiàn)港口對(duì)貨物和集裝箱運(yùn)輸?shù)漠a(chǎn)出能力。

1.2 數(shù)據(jù)來源與處理

本文使用的數(shù)據(jù)來源于2015—2020年的《中國港口年鑒》、各港口所在地區(qū)年鑒、中國港口網(wǎng)站、中國交通運(yùn)輸部網(wǎng)站、InfoBank數(shù)據(jù)庫以及國泰安數(shù)據(jù)庫。因?yàn)樯鲜鰯?shù)據(jù)均為二手?jǐn)?shù)據(jù)，所以存在少量數(shù)據(jù)不一致的現(xiàn)象。對(duì)于不一致的地理信息數(shù)據(jù)，本文采取GDAL（geospatial data abstraction library）與遙感地圖相結(jié)合的方法對(duì)沿海碼頭長度進(jìn)行核對(duì)：首先將對(duì)應(yīng)年份的遙感地圖導(dǎo)入ARCGIS 10.2 軟件，再按照?qǐng)D1所示流程對(duì)遙感地圖進(jìn)行處理得到沿海碼頭的真實(shí)長度。以圖1中得到的11.613 6 cm為例，根據(jù)比例尺1：7 000得到實(shí)際長度約為813 m，最后對(duì)所有數(shù)據(jù)進(jìn)行累加得到碼頭總長度。當(dāng)不同來源的數(shù)據(jù)值不同時(shí)，選擇與GDAL測量結(jié)果的誤差在±5%以內(nèi)的數(shù)據(jù)。對(duì)沿海泊位數(shù)采取DE KOSTER的方法進(jìn)行人工核對(duì)，數(shù)值不一致的較少，總體上年鑒數(shù)據(jù)的準(zhǔn)確性大于數(shù)據(jù)庫數(shù)據(jù)的準(zhǔn)確性。

1.3 相關(guān)性檢驗(yàn)

本文基于表1所示的2014—2018年的100個(gè)樣本數(shù)據(jù)構(gòu)建分層SBM-BPNN模型?？紤]到SBM模型構(gòu)建的前提是投入變量與產(chǎn)出變量之間具有正相關(guān)性，也就是投入變量的增加對(duì)產(chǎn)出變量能夠產(chǎn)生正向影響，在模型構(gòu)建前，先使用SPSS對(duì)投入與產(chǎn)出變量進(jìn)行相關(guān)性檢驗(yàn)。由表2可知，樣本數(shù)據(jù)投入與產(chǎn)出變量之間的相關(guān)性處于0.689與0.860之間，均為正相關(guān)，符合SBM模型構(gòu)建的前提要求。

2.2 第二階段：效率層次定位神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

在得到所有決策單元的效率分層結(jié)果后，將表1中的4個(gè)投入產(chǎn)出變量作為輸入，效率分層類別作為輸出，構(gòu)建BPNN。本文基于MATLAB 2020進(jìn)行BPNN的構(gòu)建，見圖2。

2.3 第三階段：最優(yōu)決策神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

港口管理者可以基于港口現(xiàn)有的資源配置情況選擇不同層次的前沿面制定效率改進(jìn)決策，通過減小投入或者增大產(chǎn)出這兩種方式實(shí)現(xiàn)?？紤]到港口基礎(chǔ)設(shè)施建設(shè)周期往往較長且所需成本較高，本文主要討論如何在投入不變的情況下對(duì)產(chǎn)出的目標(biāo)值進(jìn)行設(shè)定。

將港口的投入變量作為輸入，虛擬前沿面作為輸出，其中虛擬前沿面由有效決策單元的實(shí)際產(chǎn)出數(shù)值與非有效決策單元的產(chǎn)出目標(biāo)值構(gòu)成。與只由有效決策單元的實(shí)際產(chǎn)出構(gòu)成的前沿面相比，增加樣本數(shù)據(jù)量的神經(jīng)網(wǎng)絡(luò)模型可以提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度。構(gòu)建的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

3 實(shí)證分析

3.1 SBM-BPNN模型構(gòu)建

使用2014—2018年的100個(gè)樣本數(shù)據(jù)構(gòu)建SBM-BPNN模型，并基于所構(gòu)建的模型對(duì)2019年的港口群進(jìn)行效率提升決策。通過第一階段的分層SBM模型計(jì)算可得，在100個(gè)樣本數(shù)據(jù)中有26個(gè)樣本數(shù)據(jù)的分層類別為1，20個(gè)樣本數(shù)據(jù)的分層類別為2，25個(gè)樣本數(shù)據(jù)的分層類別為3，29個(gè)樣本數(shù)據(jù)的分層類別為4。

按照14∶3∶3的比例從樣本數(shù)據(jù)中隨機(jī)選取70個(gè)數(shù)據(jù)作為訓(xùn)練集，15個(gè)數(shù)據(jù)作為驗(yàn)證集，15個(gè)數(shù)據(jù)作為測試集，構(gòu)建圖3所示的結(jié)構(gòu)為4-8-1（輸入層節(jié)點(diǎn)數(shù)為4，隱含層節(jié)點(diǎn)數(shù)為8，輸出層節(jié)點(diǎn)數(shù)為1）的BPNN模型。其中，神經(jīng)元為4個(gè)實(shí)際投入產(chǎn)出變量，目標(biāo)值為效率分層結(jié)果。所得模型的訓(xùn)練集、驗(yàn)證集、測試集的均方誤差（mean square error， MSE）分別為4.81%、1.62%和5.12%，見表3。

最后基于三層目標(biāo)值分別構(gòu)建3個(gè)類似圖3所示的結(jié)構(gòu)為2-8-2的SBM-BPNN模型，各層神經(jīng)網(wǎng)絡(luò)模型的信息見表3的后3行數(shù)據(jù)。測試集的MSE均在6%以下，由此可知SBM-BPNN模型預(yù)測的準(zhǔn)確度較高。

3.2 預(yù)測效率層次

在進(jìn)行決策前，首先使用基于樣本數(shù)據(jù)構(gòu)建的SBM-BPNN模型對(duì)2019年的港口群進(jìn)行效率分層。2019年港口群的實(shí)際投入產(chǎn)出數(shù)據(jù)見表4。

將2019年港口群的投入產(chǎn)出數(shù)據(jù)作為BPNN的神經(jīng)元，預(yù)測所得的效率分層結(jié)果見表5最后一列數(shù)據(jù)。為檢驗(yàn)效率分層結(jié)果的準(zhǔn)確性，將SBM-BPNN模型與分層SBM模型所得的效率分層結(jié)果進(jìn)行對(duì)比。表5中，第一、二、三層效率值分別為利用分層SBM模型所得的三次效率計(jì)算結(jié)果，根據(jù)該結(jié)果得到的效率分層結(jié)果見倒數(shù)第2列數(shù)據(jù)。

參照MISIUNAS等[13]使用的方法，使用yrj和rj分別代表產(chǎn)出的實(shí)際值和預(yù)測值，ymax和ymin分別代表產(chǎn)出的最大值和最小值，對(duì)模型的準(zhǔn)確率進(jìn)行預(yù)測：準(zhǔn)確率=12nnj=1 pr=11-|yrj-rj||ymax-ymin| ?計(jì)算可得，SBM-BPNN模型在效率分層中的準(zhǔn)確度大于90%，說明本文所構(gòu)建的模型可以在港口群數(shù)據(jù)均可知的情況下有效替代分層SBM模型。同時(shí)，分層SBM模型需要經(jīng)過3次SBM模型計(jì)算才能得到各個(gè)港口的效率分層結(jié)果，而分層SBM-BPNN模型可以基于單個(gè)港口的信息直接預(yù)測得到其效率分層結(jié)果。

處在第一層前沿面上的寧波舟山港、青島港、日照港、上海港和深圳港（效率分層結(jié)果為1的港口）具有比較合理的資源配置比例，這類港口應(yīng)當(dāng)保持合理的投入產(chǎn)出比例。對(duì)于處在其他效率層次的港口，可以通過逐層改變投入產(chǎn)出資源配置比例以提高港口效率。

3.3 制定最優(yōu)分層決策

在對(duì)每個(gè)決策單元進(jìn)行效率分層后，進(jìn)行最優(yōu)決策的預(yù)測。將2019年各個(gè)港口的投入變量代入SBM-BPNN模型，分別得到各個(gè)港口達(dá)到3層前沿面所需的產(chǎn)出增量，見表4。從表4可以看出：第一層前沿面作為整個(gè)港口群中的資源配置目標(biāo)，可以作為分層類別為2、3、4的非有效決策單元的改進(jìn)目標(biāo);同樣，第二層前沿面可以作為分層類別為3、4的決策單元的改進(jìn)目標(biāo);以此類推，處于不同效率層次的港口可以選擇不同的前沿面作為效率改進(jìn)的目標(biāo)值。

從處于不同效率層次的港口角度進(jìn)行分析，對(duì)于非有效決策單元（分層類別為2、3、4的港口）而言，在短時(shí)間內(nèi)要獲得產(chǎn)出的大幅度增加往往會(huì)遇到較大的阻力。以單個(gè)產(chǎn)出變量所需增量為例進(jìn)行分析，達(dá)到各層有效前沿面所需的平均集裝箱增量分別為：處于第二層前沿面上的港口到第一層前沿面上需增加0.24倍的集裝箱吞吐量;處于第三層前沿面上的港口到第一層和第二層前沿面上需分別增加3.91倍和3.56倍的集裝箱吞吐量;處于第四層前沿面上的港口到第一、二、三層前沿面上需分別增加8.04倍、7.38倍、0.58倍的集裝箱吞吐量。因此，當(dāng)港口與第一層有效前沿面的距離較大時(shí)，可以通過逐層（從第三層前沿面到第一層前沿面）增加產(chǎn)出的方式不斷提高港口的效率值，分階段實(shí)現(xiàn)可行性較低的目標(biāo)。特別是對(duì)于效率分層類別為4的決策單元，若以整個(gè)港口群中的效率前沿面（第一層前沿面）為目標(biāo)，平均集裝箱吞吐量的增量較高，港口效率提升會(huì)遇到很大的阻力，可行性很低。對(duì)于此類港口的效率提升，制定分階段計(jì)劃將會(huì)更加切實(shí)可行，此類港口可以首先選擇以第三層前沿面為目標(biāo)，增加0.58倍的集裝箱吞吐量以提高港口效率。

以福州港為例從港口角度進(jìn)行分析，若直接以第一層前沿面作為目標(biāo)，則需要增加1.05倍的貨物吞吐量和4.41倍的集裝箱吞吐量，該目標(biāo)需要福州港在短期內(nèi)有大幅度的產(chǎn)出增加，這樣的決策港口難以實(shí)施。在這種情況下，可以選擇先以第三層前沿面作為目標(biāo)對(duì)產(chǎn)出指標(biāo)進(jìn)行改進(jìn)，分別增加0.2倍的貨物吞吐量和0.79倍的集裝箱吞吐量，以達(dá)到第三層前沿面;或者以較高的第二層前沿面作為目標(biāo)，分別增加0.41倍的貨物吞吐量和1.71倍的集裝箱吞吐量以達(dá)到第二層前沿面。綜上，通過對(duì)產(chǎn)出進(jìn)行分階段調(diào)整，逐步成為港口群中的有效決策單元，可以有效增加目標(biāo)決策的可行性，具有更高的實(shí)用價(jià)值。

4 結(jié)束語

本文以中國20個(gè)沿海港口作為研究對(duì)象，運(yùn)用2014—2018年的100個(gè)樣本數(shù)據(jù)構(gòu)建分層SBM-BPNN模型，并使用該模型對(duì)2019年的港口群進(jìn)行分析，預(yù)測得到各個(gè)港口的效率分層類別以及達(dá)到各層效率前沿面所需產(chǎn)出增量。研究結(jié)果表明：（1）基于歷史數(shù)據(jù)構(gòu)建的SBM-BPNN模型不僅可以在已知2019年所有港口信息的情況下替代分層SBM模型，還可以在其他港口信息未知的情況下對(duì)單一港口進(jìn)行準(zhǔn)確的分層效率分析，具有較高的實(shí)用性和及時(shí)性。（2）處于不同效率層次的港口可以根據(jù)所構(gòu)建的模型分階段確定更加切實(shí)可行的目標(biāo)進(jìn)行效率的提升。

隨著大數(shù)據(jù)的發(fā)展，基于歷史數(shù)據(jù)構(gòu)建的分層SBM-BPNN模型對(duì)于信息共享存在障礙并且短期內(nèi)無法進(jìn)行大幅度資源改變的產(chǎn)業(yè)而言，具有較大的實(shí)用價(jià)值?？紤]到外部因素對(duì)模型的影響，在未來的研究中也可以將該影響因素加入到模型的構(gòu)建中，進(jìn)一步提高模型的穩(wěn)定性。

參考文獻(xiàn)：

[1] 龐瑞芝. 我國主要沿海港口的動(dòng)態(tài)效率評(píng)價(jià)[J]. 經(jīng)濟(jì)研究， 2006， 6： 92-100.

[2] 杜利楠， 張建寶. 基于三階段DEA模型的長江干線主要港口效率評(píng)價(jià)[J]. 上海海事大學(xué)學(xué)報(bào)， 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， 劉翠蓮， 袁博. 基于三階段DEA模型的“一帶一路”中國主要沿海港口效率評(píng)價(jià)[J]. 上海海事大學(xué)學(xué)報(bào)， 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， 陳樹文. 基于神經(jīng)網(wǎng)絡(luò)的技術(shù)效率研究： 對(duì)中國港口的實(shí)證分析[J]. 科學(xué)學(xué)研究， 2007， 25（4）： 676-681. DOI： 10.16192/j.cnki.1003-2053.2007.04.015.

[12] 劉玲玲. 基于神經(jīng)網(wǎng)絡(luò)的港口效率評(píng)價(jià)研究[D]. 大連： 大連海事大學(xué)， 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.

（編輯 賈裙平）