彭子烜，于濱

(1.北京交通大學，交通運輸學院，北京100044；2.北京航空航天大學，交通科學與工程學院，北京102206)

0 引言

2020年長江干線貨物通過量為30.6 億t，同比增長超4.4%，干線港口集裝箱吞吐量達2000×104TEU，長江經(jīng)濟帶成為推動國內、國外雙循環(huán)的重要通道。在有限的運力資源下，內外貿同船運輸需求日益旺盛，正逐漸改變長江經(jīng)濟帶集裝箱運輸網(wǎng)絡的布局。

在以往的長江經(jīng)濟帶集裝箱運輸中，內貿和外貿貨物運輸相互獨立，各自經(jīng)營。在需求低迷期，船舶艙位利用率不足，降低服務頻率將導致無法與干線大船班期合理銜接；在需求旺盛期，運力資源有限，即使船期排滿，仍無法滿足運輸需求。而內外貿同船運輸模式的提出有效地解決了以上困境。內貿和外貿貨物可由同一艘船舶運輸，避免了艙位資源的浪費；同時，內貿和外貿貨物運輸需求相互補充，避免了單一貿易運輸類型帶來的不確定性和波動性。因此，充分利用內外貿同船運輸政策優(yōu)勢，優(yōu)化長江經(jīng)濟帶穿梭巴士網(wǎng)絡，是降低運輸成本和碳排放，提高運作效率的重要途徑之一[1]。

在穿梭巴士網(wǎng)絡優(yōu)化方面，一類研究關注于內河穿梭巴士網(wǎng)絡優(yōu)化以鏈接海港，例如，CARIS等[2]以安特衛(wèi)普港為服務對象，構建基于非線性整數(shù)規(guī)劃的穿梭巴士網(wǎng)絡優(yōu)化模型，模型約束主要考慮了流量平衡約束。ZHANG 等[3]研究了基于樞紐港的穿梭巴士網(wǎng)絡，考慮船隊的經(jīng)濟規(guī)模和船型，以最小服務成本為目標建立雙層優(yōu)化模型。另一類研究圍繞港口運營問題，派遣穿梭巴士出港，例如，F(xiàn)AZI等[4]以最小化運輸成本為目標，優(yōu)化從港口到腹地的集裝箱運輸問題，模型中考慮了流量平衡約束、船舶載重約束和返回時間約束等。相關綜述類研究可參考BU 等[5]，在已有的穿梭巴士網(wǎng)絡研究中，大多以運輸成本最小化或收益最大化為目標，考慮流量平衡、服務時間、船舶載重和需求滿足等約束，進行基于往返的單航次優(yōu)化。

在長江經(jīng)濟帶集裝箱運輸網(wǎng)絡優(yōu)化方面，國內外學者進行了一系列研究。宮之光等[6]以長江上游出口集裝箱運輸為研究對象，構建考慮水運、陸運、海運和換裝的超級網(wǎng)絡，以運輸費用最小為目標，優(yōu)化設計集裝箱網(wǎng)絡。陳琛[7]通過長江航運大數(shù)據(jù)預測長江干線短期貨運量和船舶在港停留時間，分別對長江干線班輪進行航線優(yōu)化和船期優(yōu)化。杜劍等[8]以班輪航線期望周期運營成本最小化為目標設計航線，考慮了承諾到港時間，并通過模擬仿真進行求解。NOTTEBOOM 等[9]從地理、宏觀經(jīng)濟、制度等方面對長江經(jīng)濟帶和萊茵河的集裝箱網(wǎng)絡進行了比較實證分析。YANG 等[10]建立整數(shù)規(guī)劃模型優(yōu)化長江經(jīng)濟帶的集裝箱網(wǎng)絡，同時優(yōu)化航線，掛靠港口及掛靠順序和船舶配置。優(yōu)化結果建議在長江中游使用大船，在上游和下游使用小船。ZHENG等[11]設計了長江經(jīng)濟帶軸輻式內貿集裝箱網(wǎng)絡，研究結果符合長江經(jīng)濟帶貨物集中化和港口區(qū)域化的趨勢。

上述研究多基于內貿集裝箱或外貿集裝箱運輸進行網(wǎng)絡優(yōu)化，考慮內外貿同船運輸模式的研究較少。在模型構建方面，大多數(shù)研究從單航次角度進行網(wǎng)絡優(yōu)化。本文松弛了內貿貨物和外貿貨物不能同船運輸?shù)募s束，考慮可拆分的運輸需求，并且保證每個港口的訪問頻率，構建內外貿同船運輸政策下，軸輻式長江經(jīng)濟帶穿梭巴士網(wǎng)絡優(yōu)化模型，優(yōu)化一定周期內船舶多航次運輸。并以長江經(jīng)濟帶干線港口為例，對內外貿同船運輸政策的經(jīng)濟效益及內外貿同船運輸政策實施后，穿梭巴士網(wǎng)絡結構的變化進行分析，為長江經(jīng)濟帶干線港口發(fā)展提出建議。

1 問題描述與建模

1.1 問題描述

內外貿同船運輸如圖1所示。以圖1中的例子對基于內外貿同船運輸?shù)拇┧蟀褪烤W(wǎng)絡優(yōu)化進行說明。如圖1(a)所示，該例子中包含2 個內河港口1、2 和1 個海港3，僅考慮運輸時間，從港口1 到港口2 的運輸時間為2 d，從港口2 到港口3 的運輸時間1 d，規(guī)劃周期為1 周。從港口1 到港口3 的內貿集裝箱運輸需求為10 TEU，外貿集裝箱運輸需求為20 TEU，從港口2到港口3的內貿集裝箱運輸需求為30 TEU，外貿集裝箱運輸需求為90 TEU。假設穿梭巴士最大載箱量為80 TEU。傳統(tǒng)的小型船舶內貿和外貿貨物不能同船運輸，需安排不同的船舶分別進行承運，如圖1(b)所示。穿梭巴士1 裝載20 TEU 外貿集裝箱從港口1 到港口2，在港口2 裝載40 TEU 外貿集裝箱，于第3 天將60 TEU 外貿集裝箱運抵港口3。穿梭巴士1 返回港口2，裝載50 TEU外貿集裝箱，于第5天運抵港口3。同理，穿梭巴士2 裝載10 TEU 內貿集裝箱從港口1 到港口2，在港口2 裝載30 TEU 內貿集裝箱，最終，將40 TEU內貿集裝箱運抵港口3。

當內外貿貨物可以同船運輸時，可由1艘穿梭巴士完成承運，如圖1(c)所示。10 TEU內貿集裝箱和20 TEU外貿集裝箱同時在1港裝船，穿梭巴士1到達2 港后，裝載40 TEU 外貿集裝箱，穿梭巴士1繼續(xù)將內外貿集裝箱運至3港。穿梭巴士1返回港口2，裝載30 TEU 內貿集裝箱和50 TEU 外貿集裝箱，運抵港口3。內外貿同船運輸模式可以節(jié)約運力，提高艙位利用率，有利于加快貨物的中轉。

圖1 內外貿同船運輸示例Fig.1 Case of waterbuses engaging in domestic and foreign trade

1.2 模型構建

本文基于內外貿同船運輸政策，以上海港為外部交換海港，進行從上海港和各長江經(jīng)濟帶干線港口間的內外貿集裝箱運輸，優(yōu)化長江經(jīng)濟帶穿梭巴士網(wǎng)絡。該問題等價于可拆分的車輛路徑問題的變形，模型的目標函數(shù)為最小化運輸成本，考慮服務頻率、服務時間、轉運等約束條件，優(yōu)化1個周期內多艘船舶的多個運輸航次。模型部分應用的變量及參數(shù)如表1所示。

表1 模型變量及參數(shù)Table 1 Variables and parameters

式(1)為目標函數(shù)，使運輸總成本最小化，包括：燃油成本、轉運成本和固定運營成本；式(2)表示航線服務頻率應滿足港口頻率要求；式(3)和式(4)為路徑平衡約束；式(5)表示穿梭巴士到達港口的時間；式(6)～式(11)為集裝箱流量平衡約束；式(12)表示穿梭巴士的載箱量不能超過船舶載重量；式(13)表示從樞紐港出發(fā)的航線可以到達下一個樞紐港或其分配的支線港；式(14)表示在規(guī)劃周期內經(jīng)營航次；式(15)和式(16)為轉運約束；式(17)表示當兩個航次由同一艘船舶運營時，后一航次的開始時間不能早于前一航次的結束時間；式(18)和(19)表示同一船舶運營航次約束；式(20)表示總航線長度不能超過最大限度。

2 算法設計

大鄰域搜索(LNS)算法是一種基于破壞和再修復機制的啟發(fā)式算法。在LNS 的基礎上，學者Ropke 和Pisinger 在一次迭代中考慮選擇多個破壞和修復算子，破壞和修復算子被選擇的概率取決于算法的權重，提出了自適應大鄰域搜索(Adaptive Large Neighborhood Search,ALNS)[12]。本文模型是可拆分車輛路徑問題的變形，雖然可以通過Cplex等求解軟件進行求解，但是僅限于小規(guī)模算例。因此，本文設計自適應大鄰域搜索算法求解該問題。自適應大鄰域搜索算法的基本框架如圖2所示。

圖2 自適應大鄰域搜索算法框架流程Fig.2 Framework of adaptive large neighborhood search algorithm

本文采用貪婪算法生成該問題的1 個可行解。在鄰域搜索階段，本文設計了5個破壞算子和2 個修復算子。每個算子被選擇的概率正相關于該算子當前的權重。在一次鄰域搜索迭代中，隨機確定當前解的qI個中間港口，以及qS個始發(fā)港(樞紐港或海港)，根據(jù)破壞算子規(guī)則從當前解中提取出來。然后，把這些港口按照選擇的修復算子重新插入到當前解中，形成1 個新的可行解。最后，根據(jù)每個破壞算子和修復算子的表現(xiàn)，更新所有算子的權重，為下一次迭代選擇哪些算子提供參考。初始化每個破壞算子di和修復算子ri的表現(xiàn)得分為0，在每一次鄰域搜索迭代中，如果破壞算子di和修復算子ri被選擇并產(chǎn)生了1 個新的可行解，那么算子的得分和取決于產(chǎn)生的新解S′的狀態(tài)：

(1)若新解S′優(yōu)于目前最優(yōu)解Sbest，則算子di和ri的得分增加θ1；

(2)若新解S′劣于目前最優(yōu)解Sbest且優(yōu)于當前解S，則算子di和ri的得分增加θ2；

(3)若新解S′劣于當前解S，但被模擬退火準則接受，則算子di和ri的得分增加θ3；

(4)若新解S′未被接受，則算子di和ri的得分不變。

假設θ1>θ2>θ3，經(jīng)過qI+qS次鄰域搜索迭代后，算子di(或者ri)共被選擇次，根據(jù)算子的得分，算子di(或者ri)的權重計算公式為

式中：μ為反應參數(shù)，表示上一次鄰域搜索迭代的算子表現(xiàn)對其權重影響程度。根據(jù)每個算子的權重，通過輪盤賭的方法，選擇下一次被選擇的算子，每個算子di(或者ri)被選擇的概率為

式中：OD為所有破壞算子的集合。

2.1 生成初始解

采用基于貪婪思想的插入算法生成1 個初始可行解。在初始解中，只考慮始發(fā)港為海港的航線，以確保找到的解總是可行的。將所有港口按照距離海港的航行距離降序排列，記為P′。首先構造1 條只有從海港發(fā)出并且返回海港的空載航線{0,0,0}。

令Δfig為將港口i插入航線g的最佳位置所帶來的成本增加值，如果將港口i插入船舶路徑g中不滿足約束，則Δfig=∞。依次將港口i插入到當前解的航線池G( )S中，所獲得的成本增量的最小值為。每次都從P′中選擇1 個港口插入到當前航線池G(S)的最佳位置，保證滿足載重量約束、航次長度約束和服務時長約束。

當未被訪問的港口P′均因為服務時長約束(所有內外貿集裝箱運輸必須在1 個規(guī)劃周期內完成)無法插入到現(xiàn)有航線的任何位置時，可以考慮構造1 個新的航線，該航線不再從海港發(fā)船，而是從1 個樞紐港發(fā)船。構造初始解的具體過程如算法1所示。

算法1 構造初始解S輸入：港口集合P；P′←將P 按照距離海港的距離降序排列，G( )S ←?;While P′≠?do i ←從P′中取出第一個港口；If ?Δfig<∞,g ∈G( )S then插入i 到航線arg min g ∈G( )S { }Δfig 的最佳插入位置；Else從距離i 最近的樞紐港出發(fā)訪問港口i；End if P′←P′{}i，更新G( )S；End while輸出：初始可行解S。

2.2 破壞算子設計

在本文中，破壞算子從當前解的構成航線中取出一定數(shù)量的中間港口和始發(fā)港口。在某次迭代中，移除的中間港口數(shù)量在中產(chǎn)生一個隨機數(shù)qI，其中，ρI為移除中間港口數(shù)量的上限。同理，移除的始發(fā)港口數(shù)量在中產(chǎn)生一個隨機數(shù)qS。本文設計了5 種破壞算子，。

(1)基于服務完成時間近似度的中間港口破壞算子(d1)

在Shaw 提出的基于近似度算子的基礎上，本文根據(jù)裝載量和服務完成時間，構成中間港口的近似度越小，表示兩個港口的近似度越大。

式中：γ1和γ2分別為裝載量和服務完成時間在近似度中的權重；Li為當前解中，穿梭巴士到達i港口時船上的總裝載量；為當前解中，i港口的外貿進口和內貿卸貨集裝箱到達i港口的時間，或者i港口的外貿出口和內貿裝載集裝箱到達海港的時間。

基于上述對兩個中間港口近似度的定義，假設當前解為S，需要移除的中間港口數(shù)量為qI，移除的中間港口集合為R(I)，則移除算子的步驟如算法2所示。

(2)基于移除成本最高的中間港口破壞算子(d2)

當把港口i從當前解S中移除后，模型的目標函數(shù)會有所下降。使目標函數(shù)下降最小的港口被認為是當前解S中“最差”的中間港口。破壞算子d2試圖將其移除，并用修復算子將其重新插入到1個更好的航線中。令為從解S中移除港口i后對應的目標函數(shù)值。港口i從解S移除的成本為

在該算子中，對當前解S中所有中間港口按照的升序排列，將移除成本最小的港口移除。移除港口i?后，根據(jù)剩余港口的解結構，重新計算剩余港口的移除成本并按照Δf( )S,i的升序排序。不斷重復此過程，直到共移除qI個中間港口。

算法2 基于服務完成時間近似度的中間港口移除算子d1輸入：當前解S，需要移除的中間港口數(shù)量qI；在當前解S 中隨機移除一個中間港口i，R( )I ←{}i；While ||R( )I

(3)中間港口隨機破壞算子(d3)

從當前解S中隨機選擇qI個中間港口并移除，設置該算子的目的是增加ALNS搜索的多樣性。

(4)基于靈活時間的始發(fā)港口隨機破壞算子(d4)

注意到，在該模型中每條航線是否可行取決于載重量約束、航線長度約束和服務時長約束。當1條航線上移除其始發(fā)港口并選擇1 個新的始發(fā)港口出發(fā)，該航線的載重量約束始終滿足。為提高新航線滿足航線長度約束和服務時長約束的概率，本文引入靈活時間τg為w航線g中所有富裕航次時間(最大航次時間與某航次完成時間的差值)與航線富裕時間(周期長度與到達最后1 個港口時間的差值)。在該算子中，對當前解S中所有航線的靈活時間進行降序排序，依序選擇前qS個航線，并移除選擇航線上的始發(fā)港口。

(5)始發(fā)港口隨機破壞算子(d5)

與破壞算子d3類似，從當前解S中隨機選擇qS個航線，并移除這些航線上的始發(fā)港口。

2.3 修復算子設計

破壞算子是在當前解S中移除了qI個中間港口和qS個始發(fā)港口，修復算子旨在將這些中間或者始發(fā)港口重新插入到已修改的解結構中，產(chǎn)生新的或者更優(yōu)的解。本文設計了2 種修復算子，。

(1)基于目標函數(shù)增加值的貪婪修復算子(r1)

該算子目的在于將移除的中間港R(I)按照一定順序重新插入到它們的最佳位置。在本文中，每個中間港的插入順序是根據(jù)插入前、后目標函數(shù)的增加值來計算。當前解S經(jīng)過破壞算子移除操作后為S-，令表示在解S-的第l條航線的第k個位置插入港口i的目標函數(shù)。修復算子r1首先計算出每個中間港口i的最佳插入位置的目標函數(shù)，選擇在最佳插入位置使目標函數(shù)增加最小的港口執(zhí)行插入操作，再計算更新后的。重復以上過程，直到所有港口被重新插入到S-中。

插入一個中間港，該航線的載重量約束可通過在相應航次中加入插入中間港的裝箱或者卸箱量來檢驗。轉運約束可通過干線航次的當前運力是否能滿足轉運需求來檢驗。

(2)基于服務完成時間的貪婪修復算子(r2)

與基于目標函數(shù)增加值的貪婪修復算子類似，該算子同樣是通過一定順序將qS個被移除始發(fā)港的航線重新指定始發(fā)港。每個重新指定的始發(fā)港的表現(xiàn)則是通過整條航線的最早服務完成時間來衡量。尋找最早服務完成時間航線的優(yōu)勢是可以提高生成可行解的概率。注意到，為滿足樞紐港與喂給港之間的從屬關系(式(13))，若原本是支線航次，在重新指派始發(fā)港時，可指派原來的樞紐港或直接從海港出發(fā)。

2.4 新解接受標準設定

為使自適應大鄰域搜索算法能夠搜索更大范圍的鄰域，增加跳出當前局部最優(yōu)解的概率，本文利用模擬退火相關接受新解的規(guī)則進行設定。假設當前模擬退火溫度為T，則可以根據(jù)如下準則判斷是否接受新解S′：如果f(S′)

3 實例分析

本文以上海港為樞紐海港，以上海和長江干線港口瀘州、重慶、武漢、安慶、宜昌、黃石、九江、太倉、銅陵、南京、揚州、鎮(zhèn)江、泰州、常州、江陰、張家港、南通、常熟、荊州等19 個港口間的內貿集裝箱運輸和外貿集裝箱運輸為(1 家航運企業(yè))實例，分析內外貿同船政策對長江經(jīng)濟帶穿梭巴士網(wǎng)絡影響。本文選取重慶、武漢、南京和太倉作為樞紐港，假設其他港口只能喂給1 個樞紐港。樞紐港及其喂給港如圖3所示。

圖3 樞紐港及其喂給港Fig.3 Hub ports and feeder ports

瀘州是重慶的喂給港，宜昌、荊州、黃石和九江是武漢的喂給港，安慶、銅陵、揚州和鎮(zhèn)江是南京的喂給港，泰州、常州、江陰、張家港、南通、常熟是太倉的喂給港。本文規(guī)劃周期為1周，受南京長江大橋和水深影響，假設穿梭巴士采用統(tǒng)一船型[11]，即300 TEU，航速22 km·h-1，燃油成本550 元·h-1，固定運營成本21000 元·周-1。根據(jù)現(xiàn)有航線，最大航次長度為5100 km(包含下游到上游和上游到下游2個過程)，轉運成本為500 元·TEU-1。

3.1 內外貿同船運輸政策的影響分析

內外貿同船運輸重塑了長江經(jīng)濟帶穿梭巴士的網(wǎng)絡結構，實施該政策后，總運輸成本下降23.6%，節(jié)約穿梭巴士13艘。當內外貿集裝箱不能同船運輸時，穿梭巴士的直達航次比例較低，為了提高艙位利用率，需要掛靠更多的港口，因而，穿梭巴士周轉時間增加，需要投入更多的穿梭巴士以保證每個港口的服務頻率。當內貿集裝箱和外貿集裝箱可以由同一船舶運輸時，穿梭巴士不用經(jīng)過太多港口就可以達到87%的艙位利用率，內貿集裝箱和外貿集裝箱相互補充，可以開通更多的直達航線，加快集裝箱的流轉。內外貿同船運輸政策下，平均艙位利用率可達87%，穿梭巴士一周平均運營時長為149 h。

表2 內外貿不同船運輸和內外貿同船運輸?shù)慕Y果比較Table 2 Result comparisons of two transport policies

圖4 長江經(jīng)濟帶穿梭巴士網(wǎng)絡Fig.4 Shipping Network Design in Yangtze River Economic Belt

長江上游至下游方向喂給港集裝箱運輸方式如圖5所示。長江上游瀘州港的內外貿集裝箱運輸量較少，52%需要在重慶轉運，與重慶的運輸需求進行整合，由重慶始發(fā)航線運往上海，剩余48%經(jīng)瀘州-重慶-上海航線運達上海。長江中游宜昌港、荊州港的內外貿集裝箱運到武漢，經(jīng)武漢中轉，運達上海。而九江港的內外貿集裝箱運輸量相對較多，大部分通過黃石-九江-上海航線滿足運輸需求。長江下游設有南京、太倉兩個樞紐港，除了江陰、銅陵、南通的內外貿集裝箱運輸需求較少外，其他港口的運輸需求較大。在內外貿同船運輸政策的作用下，經(jīng)樞紐港直達上海的內外貿集裝箱占66%，加密了太倉港到上海的直達航線。同時，長江上游、中游、下游樞紐港間的航線也有所增加。

圖5 長江上游至下游方向喂給港集裝箱運輸方式Fig.5 Transport mode from upstream to downstream

3.2 針對樞紐港數(shù)量的敏感性分析

長江經(jīng)濟帶下游港口內外貿集裝箱運輸需求遠大于上游和中游。本文主要針對下游樞紐港數(shù)量進行敏感性分析，研究樞紐港數(shù)量對穿梭巴士網(wǎng)絡的影響，共設置4 種情境。情境1，只設置南京港；情境2，只設置太倉港；情境3，同時設置南京港和太倉港；情境4，同時設置南京港、南通港和太倉港。

本文通過EHHI指數(shù)衡量樞紐港數(shù)量對下游港口系統(tǒng)集裝箱集中度的影響。

式中：n為下游港口數(shù)量；Ei為港口i的吞吐量。

當僅考慮南京港作為樞紐港時，長江下游港口EHHI值要低于僅考慮太倉港作為樞紐港時的EHHI值，如圖6所示。

圖6 不同樞紐港下長江下游港口EHHI 和穿梭巴士總成本Fig.6 EHHI and total costs with different hub port settings in downstream

長江下游僅考慮1個樞紐港時，穿梭巴士總成本增加了6%～17%。相對于南京港，太倉港距上海較近，具有區(qū)位優(yōu)勢，南京港與太倉港共同作為樞紐更有利于為中上游內外貿集裝箱提供中轉、集并和分撥服務，降低總運輸成本。當考慮南京、南通、太倉共同作為樞紐港時，EHHI值和穿梭巴士總成本均有所下降，南通港位于南京港和太倉港之間，可承接長江中上游貨物的中轉，同時也有一定的掛靠南京和太倉間下游港口的區(qū)位優(yōu)勢。但是，新增加南通港后，84%的長江中上游內外貿集裝箱仍通過南京港和太倉港進行中轉。

3.3 算法性能

本文對設計自適應大鄰域搜索算法性能進行了分析，如表3所示。

表3 大鄰域搜索算法性能Table 3 Performance of Adaptive Large Neighborhood Search

當港口規(guī)模為5時，自適應大鄰域搜索算法和Cplex 獲得的解相同，但自適應大鄰域搜索算法的計算時間小于Cplex的計算時間。當港口規(guī)模超過5時，Cplex無法在3600 s內獲得最優(yōu)解。隨著港口規(guī)模的增加，自適應大鄰域搜索算法的計算時間雖然增加了，但是，均可獲得優(yōu)于Cplex 的解，算法的求解效率較好。

4 結論

本文得到的主要結論如下：

(1)提出內外貿同船運輸政策下長江經(jīng)濟帶穿梭巴士網(wǎng)絡的優(yōu)化模型。通過實例分析可得，內、外貿同船運輸政策的實施有利于優(yōu)化長江經(jīng)濟帶穿梭巴士的網(wǎng)絡結構，該政策實施后，內外貿集裝箱運輸需求相互補充，不再割裂，穿梭巴士航線可以減少掛靠港口，增加由樞紐港至上海港的航線密度，加快穿梭巴士的周轉，直達航次比例由原來的15%增加到32%。另外，內、外貿同船運輸政策為航運公司帶來了經(jīng)濟效益和社會效益。政策實施后，節(jié)約23.6%總成本，平均艙位利用率可提升至87%，在保持服務頻率和水平不變的情況下，降低了穿梭巴士的投入和穿梭巴士網(wǎng)絡的碳排放。

(2)樞紐港的選擇對長江經(jīng)濟帶穿梭巴士網(wǎng)絡的運營效率尤為重要。對于長江經(jīng)濟帶下游，將南京港和太倉港同時作為樞紐港更有利于為中上游內外貿集裝箱提供中轉、集并和分撥服務。相比于設置1 個樞紐港，穿梭巴士總成本可節(jié)約6%～17%。在國內、國外雙循環(huán)的背景下，長江經(jīng)濟帶將承擔更多的內外貿集裝箱運輸。這種情況下，航運企業(yè)可以考慮增加南通港作為樞紐港，分擔部分南京港和太倉港的中轉需求。