基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的組合港競(jìng)爭(zhēng)力評(píng)價(jià)

張寶清，李彥剛

（1.中交第三航務(wù)工程勘察設(shè)計(jì)院有限公司，上海 200032；2.南通港集團(tuán)建設(shè)投資有限公司，江蘇 南通 226006）

0 引言

組合港是市場(chǎng)自發(fā)組織下的衍生產(chǎn)物，受國(guó)際貿(mào)易摩擦和國(guó)內(nèi)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的雙重影響，我國(guó)組合港建設(shè)步伐逐年提速，這樣的港口重組從短期發(fā)展來(lái)看，優(yōu)化了資源配置，產(chǎn)生了新的區(qū)域競(jìng)爭(zhēng)力，但從長(zhǎng)期效應(yīng)來(lái)看，由于缺乏創(chuàng)新機(jī)制必然會(huì)產(chǎn)生區(qū)域性壟斷，降低其自身競(jìng)爭(zhēng)力。因此，需要科學(xué)評(píng)價(jià)組合港競(jìng)爭(zhēng)力，從而為我國(guó)組合港發(fā)展提供理論支撐。

國(guó)內(nèi)外學(xué)者對(duì)于組合港競(jìng)爭(zhēng)力的研究相對(duì)較少，多數(shù)研究較籠統(tǒng)和寬泛。Hyuksoo C[1]將資源和制度2種指標(biāo)納入集裝箱港口競(jìng)爭(zhēng)力，同時(shí)考慮到各個(gè)指標(biāo)之間的相互影響和調(diào)節(jié)作用；KIM S等[2]研究了影響要素之間的差異性對(duì)港口競(jìng)爭(zhēng)力的影響；DANG L V等[3]探討規(guī)劃戰(zhàn)略實(shí)施在港口競(jìng)爭(zhēng)力上的特殊地位，但缺少?gòu)南到y(tǒng)角度全面衡量港口競(jìng)爭(zhēng)力；文獻(xiàn)[4]從港口條件、生產(chǎn)力水平、腹地城市、港口發(fā)展?jié)摿图柽\(yùn)便捷程度5個(gè)方面構(gòu)建評(píng)價(jià)指標(biāo)體系，運(yùn)用TOPSIS和DEA法對(duì)13個(gè)沿海港口競(jìng)爭(zhēng)力進(jìn)行排序；文獻(xiàn)[5]和文獻(xiàn)[6]探究了在“海上絲綢之路”視角下港口網(wǎng)絡(luò)地位、投資、空間分布等對(duì)港口競(jìng)爭(zhēng)力的影響；文獻(xiàn)[7]充分考慮了資源、環(huán)境和評(píng)價(jià)指標(biāo)間相互影響關(guān)系，對(duì)綠色港口競(jìng)爭(zhēng)力進(jìn)行評(píng)價(jià)；文獻(xiàn)[8]～文獻(xiàn)[12]運(yùn)用古諾博弈等方法，對(duì)港口競(jìng)爭(zhēng)力及綠色港口評(píng)價(jià)進(jìn)行了研究。

本文在分析供給側(cè)改革與組合港競(jìng)爭(zhēng)力的級(jí)聯(lián)關(guān)系基礎(chǔ)上構(gòu)建評(píng)價(jià)指標(biāo)體系，同時(shí)為避免指標(biāo)間重疊性和異化性，利用主成分分析法對(duì)原始樣本分模塊測(cè)算組合港能級(jí)，在此基礎(chǔ)上選用BPNN模型對(duì)組合港競(jìng)爭(zhēng)力進(jìn)行評(píng)價(jià)，為組合港競(jìng)爭(zhēng)力研究提供了重要方法指導(dǎo)。

1 評(píng)價(jià)指標(biāo)體系構(gòu)建

從港口供給側(cè)改革這一核心點(diǎn)出發(fā)，以港口企業(yè)為中心，以周邊產(chǎn)業(yè)為依托，實(shí)現(xiàn)資源的優(yōu)化配置和整合，通過(guò)延伸港口的物流服務(wù)網(wǎng)鏈，帶動(dòng)本企業(yè)和腹地經(jīng)濟(jì)的發(fā)展。

從總體上來(lái)看，供給側(cè)改革與組合港競(jìng)爭(zhēng)力的級(jí)聯(lián)關(guān)系表現(xiàn)為：一是正面引導(dǎo)推動(dòng)作用，在組合港發(fā)展帶動(dòng)下港城關(guān)聯(lián)性和城市互動(dòng)性有所加強(qiáng)，有序的競(jìng)爭(zhēng)機(jī)制使得港口既形成分工，又適度合作，從而統(tǒng)籌規(guī)劃與協(xié)調(diào)，激發(fā)新的增長(zhǎng)動(dòng)能；二是反面抑制作用，產(chǎn)生區(qū)域壟斷性，降低其核心競(jìng)爭(zhēng)力。

通過(guò)明晰供給側(cè)改革與組合港競(jìng)爭(zhēng)力的級(jí)聯(lián)關(guān)系，構(gòu)建具有1個(gè)目標(biāo)層、2個(gè)準(zhǔn)則層、5個(gè)因素層、19個(gè)指標(biāo)層的組合港競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)體系，如表1所示。

表1 組合港競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)體系Table 1 Evaluation index system for combination port competitiveness

2 基于主成分分析的組合港能級(jí)梯度測(cè)評(píng)

2.1 外部環(huán)境因素指標(biāo)能級(jí)測(cè)評(píng)

采用SPSS20.0對(duì)外部環(huán)境因素指標(biāo)做主成分分析，KMO為0.558＞0.5，Bartlett檢驗(yàn)概率P為0＜0.05，經(jīng)分析認(rèn)為可以進(jìn)行主成分分析。根據(jù)主成分特征值及解釋的總方差，前3個(gè)主成分累計(jì)貢獻(xiàn)率超過(guò)83%，主成分X1的方差貢獻(xiàn)率為50.446%，因此考慮提取3個(gè)主成分代替原來(lái)的10個(gè)變量，這3個(gè)新的變量組合依據(jù)主成分原理并通過(guò)因子荷載矩陣來(lái)獲得，分別是：

以主成分的方差貢獻(xiàn)率作為指標(biāo)權(quán)重，進(jìn)而得到主成分得分Y1計(jì)算公式為：

根據(jù)式（1）—式（4）計(jì)算得到外部環(huán)境因素指標(biāo)主成分綜合得分，同時(shí)計(jì)算腹地條件、自然條件、發(fā)展?jié)摿?個(gè)三級(jí)因素對(duì)港口能級(jí)分布的影響得分，得到影響能級(jí)，見(jiàn)表2。

表2 外部環(huán)境因素指標(biāo)影響等級(jí)Table 2 Influence level of external environmental factor indicators

2.2 內(nèi)部條件因素指標(biāo)能級(jí)測(cè)評(píng)

同理，通過(guò)計(jì)算內(nèi)部條件因素指標(biāo)主成分綜合得分及梯度分布情況得到內(nèi)部條件因素指標(biāo)影響等級(jí)，見(jiàn)表3。

表3 內(nèi)部條件因素指標(biāo)影響等級(jí)Table 3 Influence level of internal condition factor indicators

3 基于BP模型的組合港競(jìng)爭(zhēng)力評(píng)價(jià)

考慮到組合港競(jìng)爭(zhēng)力評(píng)價(jià)指標(biāo)非線性特點(diǎn)，同時(shí)避免出現(xiàn)尖峰和毛刺現(xiàn)象[10]，將主成分分析法外部環(huán)境因素指標(biāo)提取3個(gè)、內(nèi)部條件因素指標(biāo)提取2個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)輸入，從而簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

3.1 外部環(huán)境因素指標(biāo)評(píng)價(jià)

選取主成分得分X1、X2、X3作為輸入層節(jié)點(diǎn)，將14個(gè)港口數(shù)據(jù)輸入構(gòu)建好的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行訓(xùn)練，訓(xùn)練9步后，網(wǎng)絡(luò)精度達(dá)到0.000 481 13，下降到目標(biāo)值0.001。由圖1可知，訓(xùn)練樣本中期望輸出與實(shí)際輸出的誤差控制在0.033%～2.489%，平均誤差0.604%，訓(xùn)練效果較好，可以進(jìn)行檢驗(yàn)樣本仿真。

圖1 訓(xùn)練樣本期望輸出與實(shí)際輸出對(duì)比Fig.1 Comparison between expected output and actual output of training samples

為探究模型的適用性與先進(jìn)性，對(duì)本文構(gòu)建模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型[13]做對(duì)比，見(jiàn)表4。結(jié)果表明：本文模型訓(xùn)練樣本平均誤差0.604%優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型1.184%，檢驗(yàn)樣本平均誤差0.875%，優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型1.295%，在收斂速度和精度上也優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，有效地克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、指標(biāo)間關(guān)聯(lián)性大的缺點(diǎn)，同時(shí)證明改進(jìn)后的PCA-BP神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行外部環(huán)境因素指標(biāo)評(píng)價(jià)時(shí)更具優(yōu)越性，收斂速度更快且精度更高。

表4 PCA-BP模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型外部因素指標(biāo)評(píng)價(jià)結(jié)果Table 4 Evaluation results of external factor indicators of PCA-BP model and traditional BP neural network model

3.2 內(nèi)部條件因素指標(biāo)評(píng)價(jià)

同理，選取主成分得分X4、X5作為輸入層節(jié)點(diǎn)，訓(xùn)練108步后，網(wǎng)絡(luò)精度達(dá)到0.000 988 07，下降到目標(biāo)值0.001，訓(xùn)練樣本中期望輸出與實(shí)際輸出的誤差控制在0.013%～1.904%之間，平均誤差為0.656%，訓(xùn)練效果較好，可以進(jìn)行檢驗(yàn)樣本仿真。同樣，對(duì)本文構(gòu)建模型與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型做對(duì)比，見(jiàn)表5。

表5 PCA-BP模型與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型內(nèi)部因素指標(biāo)評(píng)價(jià)結(jié)果Table 5 Evaluation results of internal factor indicators of PCA-BP model and traditional BP neural network model

結(jié)果表明：本文模型訓(xùn)練樣本平均誤差0.656%與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型0.555%相近，檢驗(yàn)樣本平均誤差9.416%優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型15.58%，改進(jìn)之后的PCA-BP神經(jīng)網(wǎng)絡(luò)模型在進(jìn)行內(nèi)部條件因素指標(biāo)評(píng)價(jià)時(shí)更具優(yōu)越性，收斂速度更快且精度更高。

4 結(jié)語(yǔ)

1）從主成分得分來(lái)看，內(nèi)部條件指標(biāo)大于外部環(huán)境因素指標(biāo)，說(shuō)明港口內(nèi)因是港口競(jìng)爭(zhēng)力的主要來(lái)源；從能級(jí)梯度分布來(lái)看，上海組合港、寧波舟山組合港、深港組合港、廣州-東莞港組合港體現(xiàn)了強(qiáng)勁的競(jìng)爭(zhēng)力水平；從BPNN仿真結(jié)果來(lái)看，外部環(huán)境因素評(píng)價(jià)結(jié)果相對(duì)誤差在0.033%～2.489%之間，平均誤差為0.604%，內(nèi)部條件因素指標(biāo)評(píng)價(jià)結(jié)果相對(duì)誤差在0.013%～1.904%之間，平均誤差為0.656%，可用于組合港競(jìng)爭(zhēng)力評(píng)價(jià)。

2）通過(guò)分析供給側(cè)改革與組合港競(jìng)爭(zhēng)力的級(jí)聯(lián)關(guān)系，構(gòu)建評(píng)價(jià)指標(biāo)體系，為降低指標(biāo)間相互影響程度，將評(píng)價(jià)指標(biāo)體系分為外部環(huán)境指標(biāo)和內(nèi)部條件指標(biāo)2個(gè)模塊，同時(shí)為避免指標(biāo)間的重疊性和異化性，將2個(gè)模塊運(yùn)用主成分分析分別進(jìn)行主成分提取，對(duì)港口能級(jí)進(jìn)行測(cè)算；構(gòu)建了合理的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)，最后將構(gòu)建PCA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型做對(duì)比可知，本文構(gòu)建模型收斂速度快、迭代精度高，評(píng)價(jià)結(jié)果科學(xué)、有效，可以為組合港競(jìng)爭(zhēng)力提升提供理論支撐。