全球集装箱海运航线网络关键港口识别

孙　建，胡志华

(上海海事大学 物流研究中心，上海 201306)



全球集装箱海运航线网络关键港口识别

孙建，胡志华

(上海海事大学 物流研究中心，上海 201306)

针对关键港口识别方法相对孤立、测度指标相对单一的现状，基于复杂网络理论，以海运航线网络中港口度、港口介数、接近度、集聚因数和港口流量为指标，运用主成分分析法，得出了海运航线网络中港口的综合排名。以排名比较靠前的港口为关键港口，并运用相关性分析对港口的综合排名进行验证。验证结果表明：关键港口的分布受腹地位置影响，在数量上，亚洲和欧洲居于主导地位，新加坡港口以绝对优势居于综合排名的首位，中国的上海港口和香港港口分别进入了前10位。

复杂网络；海运航线网络；关键港口；主成分分析

0　引言

随着经济全球化和贸易自由化的发展，国际间货物运输量越来越大，海运变得越来越重要。高效可靠的航线网络是各国间进行海上贸易的前提，而海运航线网络的可靠性由关键港口的稳定性决定，如何准确识别关键港口，对航线网络的规划和管理是至关重要的。

复杂网络是描绘和研究复杂系统拓扑结构和行为因素的有效途径，钱学森将其定义为具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络[1]。最近几年，国内外一些学者将海运航线网络抽象成众多航线构成的复杂网络，并在海运航线网络的复杂性、连通性和可靠性等方面做了许多有影响力的研究。文献[2]对世界航运网络的复杂性进行了研究。文献[3]研究了集装箱航运网络的连通性。文献[4]揭示了航运区域中心性演化规律。文献[5]研究了集装箱班轮航运网络的可靠性。文献[6]研究了海上丝绸之路港口空间分布特征。文献[7]研究了某种传染性疾病的网络，以病患为节点，以特别明显病症为关键节点，实施专门的医治，不仅可以迅速找到医治的方法，而且还能防止病毒的传播。现有的研究大部分使用单一的测度指标，仅是各个测度指标的依次使用，可能会造成一定程度的关键港口遗失。

文献[8-9]的研究表明：复杂网络理论可以有效解释复杂系统的形成机理，反映出网络中的关键个体及个体之间的关系。利用复杂网络理论方法，有助于揭示海运航线网络的关键港口，为网络的规划、管理以及可靠性研究提供依据。本文结合复杂网络的相关理论，以港口度、港口介数、接近度、集聚因数和港口流量为测度指标，得出港口的综合排名，综合排名靠前的港口即为关键港口。

1　数据采集

在数据可达性的原则下，搜集了世界排名前10位班轮公司中7家公司的航运数据，他们占全球海运运输份额的44.4%，7家班轮公司标准集装箱(twenty-feetequivalentunit,TEU)数量及市场份额如表1所示。以班轮公司网站上公布的船期表为基础，分别跟踪、获取每条海运航线上一个航期中班轮挂靠的所有港口[10]，跟踪时间为2015年10月1日至2016年1月1日。

表1　7家班轮公司TEU数量及市场份额

图1　海运航线网络港口分布

根据海运航线情况，搜集了网络中挂靠的777个港口数据、航线数据及物流统计数据，使用MATLAB软件对相应数据进行整理，画出了这777个港口的具体位置，如图1所示。

2　关键港口评价指标设计

这777个港口形成的海运航线网络具有小世界特征和无标度特性，因此，可认为其具有复杂网络的特征，是复杂网络。故选取以下指标来衡量港口。

(Ⅰ)港口度。港口度是指与港口Vi连接的其他港口数目，用Ki表示。所有港口度的平均值称为海运航线网络的平均度，用表示。网络中港口度分布用度分布函数P(k)表示，描述的是一个港口恰好连接K个港口的概率，P(k)为港口度是K的港口数占总港口数的比例。

(Ⅱ)集聚因数[11]。集聚因数用来描述海运航线网络中港口的聚集情况，即网络的紧密程度。假设网络中港口Vi与Ki个港口相连接，则这Ki个港口间最多可能存在的航线数为Ki(Ki-1)/2。假设这Ki个港口间实际存在的航线数为Ei，则港口的集聚因数Ci为Ei与最多可能存在的航线数之比，计算公式见式(1)。整个网络的集聚因数C为所有港口集聚因数的平均值，计算公式见式(2)。

(1)

(2)

(Ⅲ)港口介数[11]。港口介数CB(Vi)为网络中所有最短路径中经过港口Vi的路径数目占最短路径总数的比值，计算公式为：

(3)

其中：σij为港口i和港口j之间最短路径数；σij(Vi)为港口i和港口j之间的最短路径中通过港口Vi的数目；N为网络的总港口数。

(Ⅳ)接近度[4]。港口接近度Cij(i)为港口i与网络中其余港口的最短距离之和，计算公式为:

(4)

其中：dij为港口i和港口j之间的最短距离。

(Ⅴ)港口流量。港口流量反映了选定时间内海港之间海运联系的次数，可以衡量该港口与其他港口的联系强度。

3　关键港口识别

运用MATLAB软件分别计算出777个港口的港口度、港口介数、接近度、集聚因数和港口流量，分别记为X1、X2、X3、X4和X5，再运用SPSS软件对其进行主成分分析[12]。

3.1数据检验

对主成分分析采用了Kaiser-Meyer-Olkin(KMO)和Bartlett检验。检验结果为：KMO值为0.689；近似卡方值为2 449.667；自由度df为10；显著性水平Sig为0.000，各变量之间的信息重叠程度比较高，说明主成分分析法是可行的。

3.2主成分分析

运用主成分分析对数据进行处理，结果见表2。由表2可知：第1个成分特征值大于1，第2个成分接近1，且两个成分累计贡献率达80.696%，故选择前两个成分为主成分。

表2　主成分分析结果

表3为因子载荷矩阵，从表3中可以看出：第1主成分对X1、X2、X3和X5的解释力度较大；而第2主成分对X4的解释力度较大。

表4是成分得分系数矩阵，由表4可以得出两个主成分的表达式：

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分别为第1主成分和第2主成分；X为标准化后的数据。

表3　因子载荷矩阵

表4　成分得分系数矩阵

计算各港口的综合得分F，以每个主成分的特征值与所选取的两个主成分总特征值之和的比值为权重：

(7)

其中：λ1和λ2分别为第1主成分和第2主成分的特征值。

根据表2中第1主成分和第2主成分的初始特征值数据，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分别表示港口度、港口介数、接近度、集聚因数和港口流量，且都为标准化后的数据。

由式(8)可以看出：在决定关键港口时，港口度权重为0.183；港口介数权重为0.154；接近度权重为0.242；集聚因数权重为0.254；港口流量权重为0.167，接近度和集聚因数相对比较重要。通过式(8)可以计算得到排名前10港口的指标和综合得分，结果如表5所示。

表5　排名前10位港口的指标和综合得分

图2　海运航线网络中排名前100位的港口分布

根据主成分分析法，计算出了777个港口的综合排名，排名靠前的部分港口即为海运航线网络中的关键港口，图2显示了海运航线网络中排名前100位的港口。

由图2可以看出：亚洲、欧洲、美洲、非洲和大洋洲分别包含41个、27个、19个、11个和2个关键港口。海运航线网络的关键港口主要分布在东亚到东南亚、欧洲与地中海沿岸以及北美的墨西哥湾一带，丰富的海岸线资源和良好的战略位置为这些港口的发展提供了重要条件。

4　结果与分析

为验证本文识别关键港口方法的有效性。选取了2015年全球TEU排名前100位港口与本文中分析获得的港口排名进行了相关性分析[13]，数据处理如下：将2015年全球TEU排名前100位港口与本文所研究的777个港口对比，保留两者共同的港口，最终选取了85个港口为样本。表6为港口TEU排名及本文排名顺序的对比(节选)。

表6　港口TEU排名及本文排名顺序的对比(节选)

由表6可知：上海港口、新加坡港口、香港港口、釜山港口、巴生港港口和安特卫普港口的TEU排名和本文港口综合排名较为接近，盐田港口、南沙港口、青岛港口、阿里山港口、天津港口、大连港口、洛杉矶港港口和长滩港口的TEU排名与本文港口综合排名存在一定的差距。故对2015年全球TEU前100位港口的排名与本文中分析获得的港口综合排名进行相关性分析。相关性分析结果认为：TEU前100位港口排名与本文港口排名在显著性水平0.000的情况下显著相关，相关系数达到0.678。说明本文研究的关键港口识别在一定程度上与按照港口吞吐量大小确定的关键港口是吻合的。

5　结束语

本文以海运航线网络中港口度、港口介数、接近度、集聚因数和港口流量为指标，运用主成分分析法综合考虑港口的排名，排名靠前的部分港口即为海运航线网络中的关键港口。其中，新加坡港口、上海港口和香港港口等都为关键港口，并对关键港口的具体分布进行了分析，关键港口主要分布在东亚、南亚、地中海及墨西哥湾一带。其中，亚洲的关键港口数量高达41个，说明亚洲在世界海运网络中占有重要地位。最后，运用2015年TEU排名前100位港口的排名与本文得出的港口排名进行相关性分析，相关系数为 0.678，说明本文所采用的识别关键港口的方法是可行的。

[1]郭世泽,陆哲明.复杂网络基础理论[M].北京:科学出版社,2012:9-11.

[2]田炜,邓贵仕,武佩剑,等.世界航运网络复杂性分析[J].大连理工大学学报(自然科学版),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]武佩剑.集装箱班轮航运网络可靠性建模与仿真研究[D].大连:大连理工大学,2010.

[6]曾庆成,吴凯,滕藤.海上丝绸之路港口的空间分布特征研究[J].大连理工大学学报(社会科学版),2016,37(1):25-31.

[7]吕天阳,朴秀峰,谢文艳,等.基于传播免疫的复杂网络可控性研究[J].物理学报,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]颜章龙.世界海运网络拓扑结构及演化规律研究[D].大连:大连海事大学,2013.

[11]杨汀.依复杂网络关键节点识别技术研究[D].南京:南京理工大学,2011.

[12]海峰,阎欣,丁灿,等.基于轴辐理论的现代区域物流网络节点选择[J].计算机集成制造系统,2012,18(6):1295-1305.

[13]廖小琴,孙建军,郑彦宁,等.高校微博互联网络-边缘结构分析(链接结构和信息分布视角)[J].情报科学,2014,32(1):119-123,149.

国家自然科学基金项目(71471109,71101088);教育部博士点基金项目(20113121120002);交通部应用基础研究基金项目(2015329810260);上海市曙光计划基金项目(13SG48);上海市教委科研创新基金项目(14YZ100)

孙建(1991-),男,江苏扬州人,硕士生;胡志华(1977-),男,湖南长沙人,教授,博士,博士生导师,主要研究方向为港航与物流运作优化、社会科学计算实验和计算智能.

2016-04-23

1672-6871(2016)06-0095-05

10.15926/j.cnki.issn1672-6871.2016.06.020

F550.74

A