中国沿海港口分层效率研究

张玲玉 霍佳震

摘要：为对处在不同效率层次的港口制定针对性决策，运用2014—2018年港口群的100个样本数据构建分层SBM-BPNN模型，该模型是基于松弛变量的测量（slack-based measure， SBM）模型与反向传播神经网络（back propagation neural network， BPNN）模型的结合。用构建的模型对2019年的港口群进行效率分层和决策制定。结果表明：分层SBM-BPNN模型不仅可以基于全体决策单元信息对分层SBM模型起替代作用，还可以在信息无法在各港口实时共享时，依据单个港口的信息对港口进行效率层次定位和分层最优决策的制定。分层效率研究有利于港口根据实际资源配置情况制定可行性较高的分阶段决策。

关键词： 港口效率; 基于松弛变量的测量（slack-based measure， SBM）模型; 反向传播神经网络（BPNN）

中图分类号： F552    文献标志码： 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

港口作为我国对外贸易的门户，是对外运输的重要节点，然而在港口的实际运营中存在着投入资源浪费、产出不足等问题，因此对港口效率进行准确而及时的分析，对提高港口运行效率进而提高整个海运效率都具有重要意义。港口效率不仅代表了港口利用资源获取产出的能力，也代表了港口的竞争能力和经营管理水平[1]。目前，数据包络分析（data envelopment analysis，DEA）作为一种非参数方法被广泛运用于港口效率评定中[2]。DEA模型主要分为基于时间序列的动态模型和基于面板数据的静态模型，如：MUSTAFA等[3]运用径向DEA模型对比中亚和东亚港口群的静态效率;LI等[4]使用超效率模型对20个中国集装箱码头公司的静态效率进行探究;SETH等[5]利用DEA窗口分析（DEA window analysis）对美国15个集装箱港口的动态效率进行计算分析;高倜鹏等[6]使用DEA三阶段模型对“一带一路”主要沿海港口2013—2017年的动态效率进行研究。……