基于DEA博弈交叉效率—SDM模型的江蘇省沿江八市港口效率研究

蔣惠園，丁建軍

(武漢理工大學(xué) 交通學(xué)院，湖北 武漢 430063)

0 引 言

江蘇省沿江八市作為“一帶一路”建設(shè)和長江經(jīng)濟(jì)帶發(fā)展融合交匯地帶，在江蘇的社會和經(jīng)濟(jì)發(fā)展中起到重要的戰(zhàn)略支撐作用。2019年江蘇省沿江八市港口完成貨物吞吐量為22.10×108t，集裝箱吞吐量為1 326.02×104TEU，共有7個港口吞吐量超過1×108t，其中蘇州港吞吐量位居全國第6位。基于此，筆者對江蘇省沿江八市港口進(jìn)行了效率評價和影響因素分析，并對港口行業(yè)發(fā)展提出有針對性的建議[1]。

目前對港口效率評價采用的方法主要分為參數(shù)法和非參數(shù)法，其中運用最廣的是數(shù)據(jù)包絡(luò)分析方法(DEA模型)。R.D.BANKER等[2]首次利用DEA模型建立了港口的技術(shù)效率和規(guī)模效率評價模型；高倜鵬等[3-4]運用三階段DEA模型對“一帶一路”主要沿海港口的效率進(jìn)行了分析，并針對南、北方區(qū)域港口效率存在明顯差異的現(xiàn)象提出了相關(guān)建議；杜利楠等[5]對我國長江干線20個主要內(nèi)河港口效率進(jìn)行了測度評價，并針對我國長江干線港口發(fā)展特點，對資源配置進(jìn)行了優(yōu)化，提升了港口效率；丁彩虹[6]以江蘇省大型港口作為研究對象，認(rèn)為江蘇省各港口存在外在環(huán)境因素和隨機(jī)誤差的干擾，并基于三階段DEA模型對港口效率進(jìn)行了分析；鄭琰等[7]以連云港港為例，應(yīng)用DEA模型對連云港港物流數(shù)據(jù)進(jìn)行了效率評價研究，并在此基礎(chǔ)上針對其物流發(fā)展中存在的問題提出改進(jìn)建議。傳統(tǒng)港口效率的研究大多只對效率進(jìn)行時空上的評價，未從根本上分析其成因[8]。葉士琳等[9]運用超效率SBM模型和TOBIT模型對長三角地區(qū)集裝箱碼頭的效率進(jìn)行測度分析，結(jié)果表明：人力資源和集疏運設(shè)施對港口效率具有顯著的正向作用。

盡管學(xué)界對港口效率研究已取得一定成果，但鮮有學(xué)者在研究港口效率時會考慮港口之間相互競爭的關(guān)系以及港口效率在空間上存在的差異性。DEA博弈交叉模型充分考慮了各港口之間存在的競爭；空間杜賓模型能在考慮空間差異的情況下，對港口效率與其影響因素之間的進(jìn)行分析?；诖?，筆者選用DEA博弈交叉效率—SDM模型對江蘇省沿江八市港口進(jìn)行效率及影響因素分析，以期對江蘇省港口行業(yè)發(fā)展提出有針對性的建議，更好服務(wù)于長三角地區(qū)的經(jīng)濟(jì)。

1 模型構(gòu)建

1.1 DEA博弈交叉效率模型

假設(shè)有n個決策單元(decision making units, DMU)，決策單元Dj(j=1, 2, …,n)有m個不同的輸入和s個不同的輸出；決策單元Dj的第i個輸入和第r個輸出分別記作xij(i=1, 2, …,m)和yrj(r= 1, 2, …,s)。決策單元Dd的效率值被設(shè)定為Ed，則其他決策單元Dj在Dd效率值不被降低的情況下最大化其效率值；決策單元Dj相對于Dd的博弈交叉效率值αdj可通過式(1)表示[10]。

(1)

博弈交叉效率如式(2)：

(2)

(3)

平均博弈交叉效率值求解過程如下：

(4)

得到一般形式，如式(5)：

(5)

1.2 SDM模型

考慮到周邊港口之間存在顯著的互相競爭關(guān)系，即被解釋變量受解釋變量的空間滯后項影響。此時建立空間杜賓模型對港口效率和解釋變量之間關(guān)系進(jìn)行分析，如式(6)：

(6)

式中：ε～N(0,σ2I)；γ為參數(shù)向量，用以度量相鄰區(qū)域的解釋變量對因變量y的邊際影響。

2 指標(biāo)選取和處理

2.1 指標(biāo)選取

反映港口效率產(chǎn)出的變量為港口吞吐量和港口集裝箱吞吐量[11-12]；投入的變量較多，通過分析港口基本情況及數(shù)據(jù)統(tǒng)計情況，最終選取生產(chǎn)用碼頭泊位數(shù)、萬噸級生產(chǎn)用碼頭泊位數(shù)、碼頭總長度、人均GDP、公路線路里程、內(nèi)河航道里程、第三產(chǎn)業(yè)固定資產(chǎn)投資、交通運輸業(yè)從業(yè)人數(shù)、交通運輸從業(yè)人員平均工資、出口總額等指標(biāo)作為投入變量[13]，如表1。

表1 選取指標(biāo)Table 1 Selection indicators

2.2 數(shù)據(jù)處理

由于選取的投入變量較多，決策單元與投入產(chǎn)出指標(biāo)間的比值較小，可能會導(dǎo)致DEA模型的分析能力有所下降。因此，筆者基于SPSS軟件對投入變量采用因子分析法提取其主成分。以2019年的數(shù)據(jù)為例，提取3個特征值大于1的公因子。解釋總方差如表2，表2中僅列出特征值大于1的成分；正交旋轉(zhuǎn)后的成分矩陣如表3。

表2 解釋總方差Table 2 Total variance explained %

表3 旋轉(zhuǎn)成分矩陣Table 3 Rotation component matrix

從表3可得出：成分1主要由腹地城市人均GDP、第三產(chǎn)業(yè)固定資產(chǎn)投資、交通運輸業(yè)從業(yè)人數(shù)、交通運輸業(yè)人均工資和出口總額組成；成分2主要由生產(chǎn)用碼頭個數(shù)、萬噸級碼頭個數(shù)和碼頭總長度組成；成分3主要由公路線路里程、內(nèi)河航道里程和鐵路里程組成。故分別給3個主成分命名為X1(經(jīng)濟(jì)投入指標(biāo))、X2(基礎(chǔ)設(shè)施指標(biāo))、X3(聯(lián)運設(shè)施指標(biāo))，各主成分得分如表4。

表4 主成分得分Table 4 Principal component scores

筆者對江蘇省沿江八市港口2012—2018年度的數(shù)據(jù)進(jìn)行因子分析，3個主成分分類與2019年一致。各年解釋總方差如表5，解釋總方差均大于85%，滿足提取主成分要求。

表5 各年主成分解釋的總方差Table 5 Total variance explained by principal components in each year

由于DEA中投入、產(chǎn)出指標(biāo)不能為負(fù)，需要將表4中得分為負(fù)的值變換到區(qū)間(0, 1]內(nèi)，且不能改變評價結(jié)果，則數(shù)據(jù)變換如式(7)。

(7)

3 效率測算及空間效應(yīng)分析

依據(jù)選取的投入、產(chǎn)出指標(biāo)，運用DEAP軟件求得傳統(tǒng)DEA效率值，運用MATLAB軟件求解平均博弈交叉效率，得到港口效率值如表6。

表6 2012—2019年各港口博弈交叉效率值Table 6 The game cross efficiency values of each port from 2012 to 2019

3.1 港口效率時序變化

各港口效率值時序變化如圖1。從圖1可知：港口效率值呈現(xiàn)一定的波動發(fā)展趨勢。無錫港效率值常年處于較高水平，可以看出無錫港的港口資源利用率很高；南京港經(jīng)濟(jì)資源投入和基礎(chǔ)設(shè)施投入規(guī)模屬于省內(nèi)前列，效率值穩(wěn)定在省內(nèi)中下游水平，說明其自身產(chǎn)出并非有效，南京港在今后的發(fā)展中更應(yīng)該注意產(chǎn)出效率的提高；蘇州港和鎮(zhèn)江港產(chǎn)出量常年位于省內(nèi)前列，隨著近年來港口資源整合的有序進(jìn)行，其港口效率也穩(wěn)步提升；南通港和常州港經(jīng)濟(jì)資源投入規(guī)模較大，基礎(chǔ)設(shè)施投入規(guī)模較小，效率值總體呈上升趨勢，說明其港口資源利用率穩(wěn)步提升、港口定位明確；泰州港和揚州港近年來港口效率值處于持續(xù)降低的狀態(tài)，主要是由于其集裝箱化水平較低，2019年泰州港集裝箱吞吐量為35.08×104TEU、貨物吞吐量為3.063 8×108t，集裝箱吞吐量在同一水平線上的常州港(32.05×104TEU)其貨物吞吐量僅為0.761 3×108t。

圖1 港口平均博弈交叉效率時序變化Fig. 1 Time series vaniation of port average game cross efficiency

總體而言，自長江經(jīng)濟(jì)帶發(fā)展戰(zhàn)略提出后，江蘇省沿江八市港口效率值一直保持著較快的增長速度。從國家政策應(yīng)對能力來看，江蘇省能很好的把握其帶來的發(fā)展機(jī)遇，在政策環(huán)境改變時較好的調(diào)整了發(fā)展方向，從而保證穩(wěn)定的發(fā)展模式。

3.2 港口效率的空間特征

筆者運用ArcGIS軟件采用自然斷點法對2019年港口效率值空間分布進(jìn)行可視化操作，如圖2。由港口效率的空間分布得出：效率值呈現(xiàn)中部較高，兩端較低的空間特征。

圖2 港口效率空間分布特征Fig. 2 Spatial distribution characteristics of port efficiency

3.3 空間效應(yīng)分析

3.3.1 全局空間自相關(guān)檢驗

進(jìn)行空間效應(yīng)分析前，需要對被解釋變量進(jìn)行空間自相關(guān)檢驗。2019年江蘇省沿江八市港口效率值的全局Moran’s I=-0.245，z值為-2.16，通過顯著性檢驗，如圖3。由圖3可知：2019年港口效率具有空間負(fù)相關(guān)性，這說明效率值和周邊港口存在相反的變化趨勢，這符合港口間相互競爭的特性。

圖3 全局moran’I散點圖Fig. 3 Global moran’I scatter plot

3.3.2 空間杜賓模型

筆者采用空間杜賓模型對2019年港口效率值截面數(shù)據(jù)進(jìn)行空間效應(yīng)分析，如表7。

表7 空間杜賓模型回歸結(jié)果Table 7 Regression results of spatial Doberman model

由表7可知：X1(經(jīng)濟(jì)投入指標(biāo))對港口效率有顯著的正向作用；X2(基礎(chǔ)設(shè)施指標(biāo))對港口效率有顯著的負(fù)向作用，說明基礎(chǔ)設(shè)施投入大于需求，基礎(chǔ)設(shè)施利用不充分；X3(聯(lián)運設(shè)施指標(biāo))對港口效率有顯著的正向作用，即港口聯(lián)運設(shè)施建設(shè)不足，發(fā)展鐵水聯(lián)運能顯著提升港口效率；W_X1(經(jīng)濟(jì)投入指標(biāo)空間滯后項)對港口效率有顯著的正向作用，提高周邊地區(qū)經(jīng)濟(jì)投入能顯著提升核心地區(qū)港口的效率；W_X2(基礎(chǔ)設(shè)施投入空間滯后項)對港口效率有顯著的負(fù)向作用，周邊地區(qū)對港口資源有效利用能快速掠奪資源，導(dǎo)致核心地區(qū)港口效率降低；W_X3(聯(lián)運設(shè)施指標(biāo)空間滯后項)對核心地區(qū)港口效率影響不具有顯著性；W_2019(港口效率空間滯后項)對核心地區(qū)港口效率有顯著的負(fù)向作用，進(jìn)一步驗證了全局空間自相關(guān)檢驗的結(jié)果。

4 結(jié) 論

筆者基于DEA博弈交叉效率—SDM模型對江蘇省沿江八市港口進(jìn)行了效率測度及影響因素分析。得出如下結(jié)論：

1)2012—2019年沿江八市港口效率總體處于上升趨勢，很好地把握住了長江經(jīng)濟(jì)帶發(fā)展戰(zhàn)略帶來的機(jī)遇；在空間分布上，與江蘇省內(nèi)河港口的發(fā)展定位高度一致。

2)由空間自相關(guān)檢驗結(jié)果表明：2019年沿江八市港口效率空間截面數(shù)據(jù)具有空間負(fù)相關(guān)性，符合港口間互相競爭的事實，驗證了博弈交叉效率的準(zhǔn)確性。

3)依據(jù)空間杜賓模型分析得出：當(dāng)其他條件不變時，核心地區(qū)經(jīng)濟(jì)投入每提升8.9%或聯(lián)運設(shè)施投入提升3.5%，效率就會上升1%；基礎(chǔ)設(shè)施投入每提升1.9%，效率則會下降1%。周邊地區(qū)經(jīng)濟(jì)投入每提升1%或基礎(chǔ)設(shè)施投入下降0.1%，核心地區(qū)效率就會上升1%。

4)依據(jù)沿江八市港口效率與其影響因素間的關(guān)系，江蘇省在今后發(fā)展中應(yīng)注意：① 加快推進(jìn)江蘇省港口集團(tuán)資源整合，強化港口間合作，依據(jù)港口特點進(jìn)行合理的資源分配，降低同質(zhì)化競爭；② 針對港口基礎(chǔ)設(shè)施投入冗余問題，應(yīng)該注重提高碼頭泊位專業(yè)化水平，推進(jìn)高等級航道建設(shè)，發(fā)展重心應(yīng)該放在“質(zhì)”而非“量”；③ 加快構(gòu)建多式聯(lián)運體系建設(shè)，大力發(fā)展公鐵水聯(lián)運，推進(jìn)疏港鐵路建設(shè)，打通水鐵聯(lián)運最后一公里；④ 針對近年來長距離大宗貨物的運輸，要加快“公轉(zhuǎn)鐵”、“公轉(zhuǎn)水”的建設(shè)，推進(jìn)大宗貨物散改集，降低運輸成本，實現(xiàn)裝卸零損耗，同時助力“綠色”運輸。