因子分析在中國城市物流技術指數模型上的應用

夏 艷，張 旭，陳建軍，徐 露

（上海工程技術大學 航空運輸學院，上海 201600）

0 引言

我國物流信息化建設成為了物流行業發展的必然趨勢，但在建設物流信息化、自動化、智能化的同時，也存在價格戰、重復建設等難題。

隨著大數據時代的到來，越來越多的人開始關注大數據，海量數據的挖掘和利用，為生產率帶來了新一輪的增長。而現代物流更是依托于大數據和物聯網發展，積累的大量信息。因此，有效地組織和使用大數據成為了現代物流發展的突破口。

在未來，物流公司可以依托大數據和物聯網，積極建設智能物流體系和綠色快遞服務，使用戶體驗好感度提高，結合大數據來增強物流競爭力，提升物流效率，從而節約物流成本，讓用戶體驗到“精、快、好、省”的現代物流服務。

1 中國城市物流技術指數模型建立

近年來的發展經驗表明，物流對城市經濟發展具有巨大的拉動作用，尤其是對于地處交通樞紐的城市，物流的迅速發展將大大提高其在該地區的經濟中心地位。在此背景下，如何找到一個合理的測評體系，來對中國不同城市的物流競爭力的方方面面進行科學分析？這將會指導中國物流業未來的發展。否則各地政府及業界盲目投資物流項目，并不能有效協同全國性的物流網絡并發揮各城市的資源優勢。

然而縱觀現有的較權威的物流評價體系，要么視角過于宏觀，沒有深入到城市或偏重于物流中的個別環節。此外，在構建評價體系時只使用了從問卷調研中獲得的主觀數據，沒有通過大數據分析工具去采集分析實踐中的大量客觀數據，評價體系相對片面。

開發與研究中國城市物流技術指數模型的度量指標需要建立一個全面而客觀的中國不同城市的物流技術指標體系，通過標桿及借鑒，促進不同城市和區域間的產生競爭，為提升城市物流競爭力提供基于數據的科學指導，促進物流業與政府合作，提高物流運作效率；為政府制定物流產業規劃與促進城市和區域合作提供科學依據。

1.1 研究和建立中國城市物流技術指數模型

模型中并不局限于物流領域中的個別主題，而是應該涵蓋物流價值鏈中的關鍵環節及資源，從中識別影響物流技術發展的核心要素，分別為：環境、技術就緒、技術應用。

進一步地，需要研究各類“定性指標”和“定量指標”對物流技術的單獨/協同影響機理，從而建立較為全面的城市物流技術指數模型。

結合城市的真實情況，從功能性、可獲得性、可比性、非重疊性等原則出發，選擇政治和監管環境指數、商業和創新環境指數、基礎設施及使用成本指數、人才素質指數、企業應用指數、政府應用指數、個人應用指數7個指標作為二級指標，如圖1所示。

圖1 城市物流技術二級指數體系

1.2 我國城市現代物流技術指數評估模型數據收集

本文以廣州、深圳、上海、南京、杭州、蘇州、北京、青島、寧波、武漢、天津、大連、重慶、成都、鄭州、廈門、南寧、長沙、西安、貴陽、沈陽、昆明、烏魯木齊這23個城市作為研究對象，城市現代物流技術指數評估體系中有3個一級指標，分為環境、技術就緒、技術應用指標；7個二級指標，分為政治和監管環境指數、商業和創新環境指數、基礎設施及使用成本指數、人才素質指數、企業應用指數、政府應用指數、個人應用指數，指標類型為定量指標和定性指標。

（1） 定量指標

定量指標的數據需要遵守準確、權威、易查詢原則，主要來源于《中國統計年鑒》、《中國城市統計年鑒》、國家知識產權局網站、《中國互聯網感知數據報告》、《六普公報》、中國軟件評測中心、《中國政府網站績效評估指標體系》、網絡搜索等。

（2） 定性指標

城市現代物流技術指數評估體系中定性指標的數據（如：企業應用指數中的企業信息共享水平、企業創新能力、企業物流技術應用等）通過設計問卷對物流企業和物流企業客戶進行現有物流技術情況調查，包括企業技術應用、政治和政策監管、商業創新環境。將政治和政策監管、商業創新環境方面指標相應題目答案劃分為7個等級，分別為（完全不同意、基本不同意、不太同意、不確定、部分同意、基本同意、完全同意），對應得分為（1,2,3,4,5,6,7）。定性指標根據問卷答案得出相應的指標得分。

（3）問卷數據效度分析

經過量化以后的數據再通過SPSS軟件進行問卷數據效度分析，本文問卷數據的檢測結果如表1所示，指標個數為36個。經過計算KMO統計量的值為0.713；Bartlett球形檢驗的顯著性P=Sig=0（＜0.05），表明選取的問卷數據樣本適合做主成分分析。

表1 KMO和巴特萊特球性檢驗

（4）一些可量化的公開數據收集

定量指標的數據需要遵守準確、權威、易查詢原則，主要來源于《中國統計年鑒》、《中國城市統計年鑒》、國家知識產權局網站、《中國互聯網感知數據報告》、《六普公報》、中國軟件評測中心、《中國政府網站績效評估指標體系》、網絡搜索等。

2 因子分析法

因子分析是主成分分析的推廣，也是一種把多個變量化為少數幾個綜合變量的多變量分析方法，其目的是用有限個不可觀測的隱變量來解釋原始變量之間的相關關系。

因子分析主要優點在于：①通過對原始變量間相關關系探測，將原始變量進行重新組合，即將相關性高的變量分為一組，用共性因子代替該組變量；②尋找共性因子，簡化數據，減少分析變量個數。

結合城市現代物流技術指數體系的特征，為保證準確度，降低隨機性，避免主觀因素，擬選取因子分析法作為主要的研究方法對城市現代物流技術進行研究分析。

因子分析法一般分析步驟：

（1） 檢驗數據信度

因子分析法研究分析的要素之間需要有較緊密的關聯度，因此在分析之前，需要用SPSS軟件對數據進行信度檢驗分析，檢測數據的可靠性。信度是指采用同一種方法對同一種對象測量時所得到結果的一致性程度。本文采用的是α信度系數法。

α信度系數法信度計算公式為：

其中，K為量表中題項的總數，S2i為第i題得分的題內方差，S2T為全部題項總得分的方差；

α檢測的是數據內在的一致性；

當α信度系數小于0.7時，說明要素的數據不可靠，不適合做分析；

當α信度系數大于0.7時，說明要素的數據可靠，適合做分析，信度系數越大數據則越可靠，最好在0.8以上。

將問卷量化數據與公開數據整理整合，再通過SPSS軟件用α信度系數法進行數據信度分析，本文數據的檢測結果如表2所示：

表2 可靠性統計

本文Cronbach's alpha系數為0.958大于0.8，因此，本文數據內在一致性程度高，可以使用。

（2） 原數據標準化

通過對定性數據與定量數據的整理分析，再經過數據標準化公式。

SPSS標準化數值是變量值與其平均值的差與標準差的比值。

設標準化數值為z，標準化公式為：

本文選擇使用最值法，最值法也稱離差標準化，是對原始數據的線性變換，使結果落到［0.1］區間，轉換函數如下：

其中：max｛xj｝為樣本數據的最大值，min｛xj｝為樣本數據的最小值。這種方法有一個缺陷就是當有新數據加入時，可能導致max和min的變化，需要重新定義。

（3）因子相關性的檢驗

相關系數矩陣中的大部分相關系數大于0.3，適合作因子分析。

另一方面可以從變量共同度的角度分析因子的相關性。共同度是指某一個在所有因子上的因子載荷平方和，它代表了所有因子合起來對該條目的變異解釋量，因子是用來代替繁多的條目的簡化測量指標，那么共同度高即代表某個條目與其他條目相關性高。

例如：政治和監管環境下的x1：政府對物流業的支持的共同度為0.863。根據Kaiser準則，變量的共同度最好在0.70以上，本文變量共同度都滿足要求（如表3所示），變量轉為公共因子時，保留大量信息，數據分析效果明顯。

表3 變量共同度（部分）

（4）抽取共同因子，確定因子的數目以及因子求解的方法

碎石檢驗準則是根據因子被提取的順序繪出特征值隨因子個數變化的散點圖，根據圖的形狀來判斷因子的個數。散點曲線的特點是由高到低，先陡后平，最后幾乎成一條直線。曲線開始變平的前一個點被認為是提取的最大因子數。后面的散點類似于山腳下的碎石，可舍棄而不會丟失很多信息。

如圖2所示，有7個成分的特征值超過了1，只考慮這7個成分即可。

（5）使因子更具有命名可解釋性

通常最初因素抽取后，對因素無法作有效的解釋。這時往往需要進行因子旋轉（rotation），通過坐標變換使因子解的意義更容易解釋。

圖2 碎石圖

轉軸后，要決定因素數目，選取較少因素層面，獲得較大的解釋量。在因素命名與結果解釋上，必要時可將因素計算后的分數存儲，作為其它程序分析的輸入變量。

表4 旋轉后的因子載荷矩陣（部分）

城市物流技術指數體系中一共有36個三級指標來補充二級指標，把36個三級指標分為7個二級指標后取平均，由主成分表和因子評分系數矩陣可知，F1因子主要描述的是政治和監管環境，所以命名為政治和監管環境因子；以此類推，F2可以稱為商業和創新環境因子；F3稱為人才素質因子；F4命名為企業應用因子；F5命名為個人應用因子；F6命名為政府應用因子；F7命名為基礎設施和使用成本應用因子。因此，7個因子分別為F1：政治和監管環境因子；F2：商業和創新環境因子；F3：人才素質因子；F4：企業應用因子；F5：個人應用因子；F6：基礎設施和使用因子；F7：個人應用因子。

（6）計算各樣本的因子得分

因子分析的最終目標是減少變量個數，以便在進一步的分析中用較少的因子代替原有變量參與數據建模。本步驟正是通過各種方法計算各樣本在各因子上的得分，為進一步的分析奠定基礎。

通過SPSS軟件和公共因子得分函數，可以得出評價城市現代物流技術7個因子的得分，并將方差貢獻率作為因子權重，計算因子的綜合得分和23座城市現代物流技術的排名情況。所以由上述的方差貢獻率可得綜合的因子得分，計算出廣州、深圳、上海、南京、杭州、蘇州、北京這些城市的因子得分較高。

3 大數據創新

創建指數評價體系并不提倡局限于傳統方法，即單純通過問卷調研、檔案數據或二者的結合來開發指數評價體系。在大數據時代，我們期望在傳統數據分析的基礎上有所突破，能夠針對一些特定的實時數據，使用相應的技術和工具和進行大數據分析，開發出一些具備更好的時效性與實踐價值的指標。

4 機遇與挑戰

運用從問卷調研中獲得的主觀數據以及通過大數據分析工具去采集分析實踐中的大量客觀數據構建以上評價體系，可以使得政府、企業和學術界獲得差異化的收益。在政府端，對于中央及各地方政府，可以在區域物流規劃、線路網絡優化、物流服務體系建設、招商引資、政策支持等方面為其提供建議。在企業端，對于各類組織化物流企業（物流/快遞/冷鏈）、非組織化物流企業（零擔/貨代）、交通運輸企業（鐵/公/空/港）、園區企業、第三方服務企業等，可以在優化現有業務、拓展新區位、尋找新業務增長點等方面為其提供建議。在學術界端，期望開發的指數體系能夠成為權威的二手數據源之一，推動相關領域的學術研究，履行社會責任。

一是雖然通過大數據分析工具去采集分析實踐中的大量客觀數據可以使得評價體系更加客觀全面。但如何有效地組織和使用大數據變成了新的挑戰。怎樣獲取有質量，權威性的數據成為了首要難題。二是大數據的來源十分廣泛，一般單位主要用的是自身場景下積累的數據，算法不盡相同，這會導致評估結果在不同單位存在差異。三是個人隱私保護及信息安全問題。大數據的來源依賴個人的互聯網交易記錄以及社交網絡數據，這樣會使得隱私泄露風險放大。四是企業與企業、內部部門之間信息孤島現象普遍存在，數據不能及時交互、共享和集成，這樣數據融合應用價值就很難被有效的挖掘利用。

5 未來的研究方向

不同類型的貨物運到不同城市的物流成本/服務質量的差異？導致成本/質量變動的因素有哪些？分別會導致怎樣的變動方向？這些因素中的哪些核心因素會顯著地幫助一座城市成為業務想來的地方？基于多期指數，可以挖掘哪些隱含的變化趨勢？