全球集裝箱海運航線網絡關鍵港口識別

孫　建，胡志華

(上海海事大學 物流研究中心，上海 201306)

?

全球集裝箱海運航線網絡關鍵港口識別

孫建，胡志華

(上海海事大學 物流研究中心，上海 201306)

針對關鍵港口識別方法相對孤立、測度指標相對單一的現狀，基于復雜網絡理論，以海運航線網絡中港口度、港口介數、接近度、集聚因數和港口流量為指標，運用主成分分析法，得出了海運航線網絡中港口的綜合排名。以排名比較靠前的港口為關鍵港口，并運用相關性分析對港口的綜合排名進行驗證。驗證結果表明：關鍵港口的分布受腹地位置影響，在數量上，亞洲和歐洲居于主導地位，新加坡港口以絕對優勢居于綜合排名的首位，中國的上海港口和香港港口分別進入了前10位。

復雜網絡；海運航線網絡；關鍵港口；主成分分析

0　引言

隨著經濟全球化和貿易自由化的發展，國際間貨物運輸量越來越大，海運變得越來越重要。高效可靠的航線網絡是各國間進行海上貿易的前提，而海運航線網絡的可靠性由關鍵港口的穩定性決定，如何準確識別關鍵港口，對航線網絡的規劃和管理是至關重要的。

復雜網絡是描繪和研究復雜系統拓撲結構和行為因素的有效途徑，錢學森將其定義為具有自組織、自相似、吸引子、小世界、無標度中部分或全部性質的網絡[1]。最近幾年，國內外一些學者將海運航線網絡抽象成眾多航線構成的復雜網絡，并在海運航線網絡的復雜性、連通性和可靠性等方面做了許多有影響力的研究。文獻[2]對世界航運網絡的復雜性進行了研究。文獻[3]研究了集裝箱航運網絡的連通性。文獻[4]揭示了航運區域中心性演化規律。文獻[5]研究了集裝箱班輪航運網絡的可靠性。文獻[6]研究了海上絲綢之路港口空間分布特征。文獻[7]研究了某種傳染性疾病的網絡，以病患為節點，以特別明顯病癥為關鍵節點，實施專門的醫治，不僅可以迅速找到醫治的方法，而且還能防止病毒的傳播?，F有的研究大部分使用單一的測度指標，僅是各個測度指標的依次使用，可能會造成一定程度的關鍵港口遺失。

文獻[8-9]的研究表明：復雜網絡理論可以有效解釋復雜系統的形成機理，反映出網絡中的關鍵個體及個體之間的關系。利用復雜網絡理論方法，有助于揭示海運航線網絡的關鍵港口，為網絡的規劃、管理以及可靠性研究提供依據。本文結合復雜網絡的相關理論，以港口度、港口介數、接近度、集聚因數和港口流量為測度指標，得出港口的綜合排名，綜合排名靠前的港口即為關鍵港口。

1　數據采集

在數據可達性的原則下，搜集了世界排名前10位班輪公司中7家公司的航運數據，他們占全球海運運輸份額的44.4%，7家班輪公司標準集裝箱(twenty-feetequivalentunit,TEU)數量及市場份額如表1所示。以班輪公司網站上公布的船期表為基礎，分別跟蹤、獲取每條海運航線上一個航期中班輪掛靠的所有港口[10]，跟蹤時間為2015年10月1日至2016年1月1日。

表1　7家班輪公司TEU數量及市場份額

圖1　海運航線網絡港口分布

根據海運航線情況，搜集了網絡中掛靠的777個港口數據、航線數據及物流統計數據，使用MATLAB軟件對相應數據進行整理，畫出了這777個港口的具體位置，如圖1所示。

2　關鍵港口評價指標設計

這777個港口形成的海運航線網絡具有小世界特征和無標度特性，因此，可認為其具有復雜網絡的特征，是復雜網絡。故選取以下指標來衡量港口。

(Ⅰ)港口度。港口度是指與港口Vi連接的其他港口數目，用Ki表示。所有港口度的平均值稱為海運航線網絡的平均度，用表示。網絡中港口度分布用度分布函數P(k)表示，描述的是一個港口恰好連接K個港口的概率，P(k)為港口度是K的港口數占總港口數的比例。

(Ⅱ)集聚因數[11]。集聚因數用來描述海運航線網絡中港口的聚集情況，即網絡的緊密程度。假設網絡中港口Vi與Ki個港口相連接，則這Ki個港口間最多可能存在的航線數為Ki(Ki-1)/2。假設這Ki個港口間實際存在的航線數為Ei，則港口的集聚因數Ci為Ei與最多可能存在的航線數之比，計算公式見式(1)。整個網絡的集聚因數C為所有港口集聚因數的平均值，計算公式見式(2)。

(1)

(2)

(Ⅲ)港口介數[11]。港口介數CB(Vi)為網絡中所有最短路徑中經過港口Vi的路徑數目占最短路徑總數的比值，計算公式為：

(3)

其中：σij為港口i和港口j之間最短路徑數；σij(Vi)為港口i和港口j之間的最短路徑中通過港口Vi的數目；N為網絡的總港口數。

(Ⅳ)接近度[4]。港口接近度Cij(i)為港口i與網絡中其余港口的最短距離之和，計算公式為:

(4)

其中：dij為港口i和港口j之間的最短距離。

(Ⅴ)港口流量。港口流量反映了選定時間內海港之間海運聯系的次數，可以衡量該港口與其他港口的聯系強度。

3　關鍵港口識別

運用MATLAB軟件分別計算出777個港口的港口度、港口介數、接近度、集聚因數和港口流量，分別記為X1、X2、X3、X4和X5，再運用SPSS軟件對其進行主成分分析[12]。

3.1數據檢驗

對主成分分析采用了Kaiser-Meyer-Olkin(KMO)和Bartlett檢驗。檢驗結果為：KMO值為0.689；近似卡方值為2 449.667；自由度df為10；顯著性水平Sig為0.000，各變量之間的信息重疊程度比較高，說明主成分分析法是可行的。

3.2主成分分析

運用主成分分析對數據進行處理，結果見表2。由表2可知：第1個成分特征值大于1，第2個成分接近1，且兩個成分累計貢獻率達80.696%，故選擇前兩個成分為主成分。

表2　主成分分析結果

表3為因子載荷矩陣，從表3中可以看出：第1主成分對X1、X2、X3和X5的解釋力度較大；而第2主成分對X4的解釋力度較大。

表4是成分得分系數矩陣，由表4可以得出兩個主成分的表達式：

W1=0.313X1+0.280X2+0.308X3+0.117X4+0.280X5；

(5)

W2=-0.040X1-0.086X2+0.287X3+0.950X4-0.021X5，

(6)

其中：W1和W2分別為第1主成分和第2主成分；X為標準化后的數據。

表3　因子載荷矩陣

表4　成分得分系數矩陣

計算各港口的綜合得分F，以每個主成分的特征值與所選取的兩個主成分總特征值之和的比值為權重：

(7)

其中：λ1和λ2分別為第1主成分和第2主成分的特征值。

根據表2中第1主成分和第2主成分的初始特征值數據，以及式(5)～式(7)可以得到下式：

F=0.183X1+0.154X2+0.242X3+0.254X4+0.167X5，

(8)

其中：X1、X2、X3、X4和X5分別表示港口度、港口介數、接近度、集聚因數和港口流量，且都為標準化后的數據。

由式(8)可以看出：在決定關鍵港口時，港口度權重為0.183；港口介數權重為0.154；接近度權重為0.242；集聚因數權重為0.254；港口流量權重為0.167，接近度和集聚因數相對比較重要。通過式(8)可以計算得到排名前10港口的指標和綜合得分，結果如表5所示。

表5　排名前10位港口的指標和綜合得分

圖2　海運航線網絡中排名前100位的港口分布

根據主成分分析法，計算出了777個港口的綜合排名，排名靠前的部分港口即為海運航線網絡中的關鍵港口，圖2顯示了海運航線網絡中排名前100位的港口。

由圖2可以看出：亞洲、歐洲、美洲、非洲和大洋洲分別包含41個、27個、19個、11個和2個關鍵港口。海運航線網絡的關鍵港口主要分布在東亞到東南亞、歐洲與地中海沿岸以及北美的墨西哥灣一帶，豐富的海岸線資源和良好的戰略位置為這些港口的發展提供了重要條件。

4　結果與分析

為驗證本文識別關鍵港口方法的有效性。選取了2015年全球TEU排名前100位港口與本文中分析獲得的港口排名進行了相關性分析[13]，數據處理如下：將2015年全球TEU排名前100位港口與本文所研究的777個港口對比，保留兩者共同的港口，最終選取了85個港口為樣本。表6為港口TEU排名及本文排名順序的對比(節選)。

表6　港口TEU排名及本文排名順序的對比(節選)

由表6可知：上海港口、新加坡港口、香港港口、釜山港口、巴生港港口和安特衛普港口的TEU排名和本文港口綜合排名較為接近，鹽田港口、南沙港口、青島港口、阿里山港口、天津港口、大連港口、洛杉磯港港口和長灘港口的TEU排名與本文港口綜合排名存在一定的差距。故對2015年全球TEU前100位港口的排名與本文中分析獲得的港口綜合排名進行相關性分析。相關性分析結果認為：TEU前100位港口排名與本文港口排名在顯著性水平0.000的情況下顯著相關，相關系數達到0.678。說明本文研究的關鍵港口識別在一定程度上與按照港口吞吐量大小確定的關鍵港口是吻合的。

5　結束語

本文以海運航線網絡中港口度、港口介數、接近度、集聚因數和港口流量為指標，運用主成分分析法綜合考慮港口的排名，排名靠前的部分港口即為海運航線網絡中的關鍵港口。其中，新加坡港口、上海港口和香港港口等都為關鍵港口，并對關鍵港口的具體分布進行了分析，關鍵港口主要分布在東亞、南亞、地中海及墨西哥灣一帶。其中，亞洲的關鍵港口數量高達41個，說明亞洲在世界海運網絡中占有重要地位。最后，運用2015年TEU排名前100位港口的排名與本文得出的港口排名進行相關性分析，相關系數為 0.678，說明本文所采用的識別關鍵港口的方法是可行的。

[1]郭世澤,陸哲明.復雜網絡基礎理論[M].北京:科學出版社,2012:9-11.

[2]田煒,鄧貴仕,武佩劍,等.世界航運網絡復雜性分析[J].大連理工大學學報(自然科學版),2007,47(4):605-610.

[3]JIANGJL,LEELH,CHEWEP,etal.Portconnectivitystudy:ananalysisframeworkfromaglobalcontainerlinershippingnetworkperspective[J].Transportationresearchparte,2015,73:47-64.

[4]LIZF,XUMQ,SHIYL,etal.Centralityinglobalshippingnetworkbasingonworldwideshippingareas[J].Geojournal,2015,80(1):47-60.

[5]武佩劍.集裝箱班輪航運網絡可靠性建模與仿真研究[D].大連:大連理工大學,2010.

[6]曾慶成,吳凱,滕藤.海上絲綢之路港口的空間分布特征研究[J].大連理工大學學報(社會科學版),2016,37(1):25-31.

[7]呂天陽,樸秀峰,謝文艷,等.基于傳播免疫的復雜網絡可控性研究[J].物理學報,2012,61(17):141-149.

[8]WATTSDJ,STROGATZSH.Collectivedynamicsofsmallworldnetworks[J].Nature,1998,393(6684):440-442.

[9]BARABASIAL,ALBERTR.Emergenceofscalinginrandomnetworks[J].Science,1999,286(5439):509-512.

[10]顏章龍.世界海運網絡拓撲結構及演化規律研究[D].大連:大連海事大學,2013.

[11]楊汀.依復雜網絡關鍵節點識別技術研究[D].南京:南京理工大學,2011.

[12]海峰,閻欣,丁燦,等.基于軸輻理論的現代區域物流網絡節點選擇[J].計算機集成制造系統,2012,18(6):1295-1305.

[13]廖小琴,孫建軍,鄭彥寧,等.高校微博互聯網絡-邊緣結構分析(鏈接結構和信息分布視角)[J].情報科學,2014,32(1):119-123,149.

國家自然科學基金項目(71471109,71101088);教育部博士點基金項目(20113121120002);交通部應用基礎研究基金項目(2015329810260);上海市曙光計劃基金項目(13SG48);上海市教委科研創新基金項目(14YZ100)

孫建(1991-),男,江蘇揚州人,碩士生;胡志華(1977-),男,湖南長沙人,教授,博士,博士生導師,主要研究方向為港航與物流運作優化、社會科學計算實驗和計算智能.

2016-04-23

1672-6871(2016)06-0095-05

10.15926/j.cnki.issn1672-6871.2016.06.020

F550.74

A