学术服务内容

在线编辑 学术顾问

咨询率高的期刊

经济论文

“一带一路”核心城市物流发展水平评价

时间:2022年09月19日 所属分类:经济论文 点击次数:

摘要:文章利用深度SAE-SOFM模型,对一带一路国内西北段沿线13个核心节点城市的物流竞争力进行了特征分析与聚类。同时,运用社会网络分析法解构了这些城市在物流业发展上的空间关联网络特征。结果显示,这些城市的物流竞争力可以被划分为四个类别,相同类别的城市在物

  摘要:文章利用深度SAE-SOFM模型,对“一带一路”国内西北段沿线13个核心节点城市的物流竞争力进行了特征分析与聚类。同时,运用社会网络分析法解构了这些城市在物流业发展上的空间关联网络特征。结果显示,这些城市的物流竞争力可以被划分为四个类别,相同类别的城市在物流竞争实力、竞争潜力以及竞争环境上得分不同;这些城市的物流业发展存在明显的空间关联,在协同发展中各自的角色定位不同。

  关键词:物流发展;物流竞争力;深度学习;稀疏自编码器;空间关联

物流发展论文

  0引言

  当前,我国经济已进入高质量发展阶段,高质量的物流产业发展是实现“一带一路”高质量建设的重要前提。城市是物流产业发展的关键节点,其物流竞争力是影响城市物流体系的各种因素的综合体现,能全面反映城市的物流产业发展水平。作为连接我国与中西亚地区纽带的“一带一路”国内西北段城市,肩负着国际物流通道的使命与促进西部大开发的重任。准确定位这些城市的物流竞争力,对于推进“一带一路”沿线城市的优势互补与协同发展,缩小中西部地区在改革开放中的差距具有重要的意义。当前国内外学术界多通过构建物流竞争力评价指标体系的方法对城市物流竞争力进行研究。评价指标体系间存在较大差异,分析竞争实力的文献居多,关注竞争潜力的则较少[1—6]。

  此外,对城市物流竞争力的研究方法多集中于传统的因子分析、聚类分析、灰色关联法、熵值法[7—9]以及神经网络方法[10],缺乏包括深度学习、量子计算等人工智能方法。本文针对上述研究的不足,探讨深度学习方法应用于城市物流竞争力研究的可行性,并结合实际案例,以物流竞争实力、竞争潜力、竞争环境三类因素构建评价指标体系,对“一带一路”国内西北段沿线的13个核心节点城市的物流竞争力进行特征分析与聚类。同时,运用引力模型与社会网络分析法解构这些城市在物流业发展上的空间关联网络特征。

  1研究模型与算法

  1.1基于深度学习的物流竞争力研究优势

  传统模式分类方法受到模型设计与算法设计等诸多因素影响,限制了数据特征学习的精确性。传统物流竞争力评价方法的实质是对数据进行简单加权,多采用主成分分析(PCA)方法,提取具有最大贡献率的一部分指标对全局进行分析,忽略了贡献率较低的其他指标,缺乏全面性,无法对物流竞争力进行全方位综合评价,不利于后续的竞争力数值分析。

  城市物流竞争力分析的本质在于将各类指标数据进行整合处理,以确定每个城市在特定区域中物流竞争力的强弱类别以及相应的发展模式,因此可将竞争力分析问题转化为模式分类问题进行研究。深度学习是人工智能的一个重要分支,是在人工神经网络的基础上通过增加多个隐层以构建深层网络而实现,具有突出的模式分类能力与很强的特征学习能力。

  深层自编码器(DAE)通过自学习的方式自动调整网络权值,使损失函数最小化,从而完成数据特征的精确提取。稀疏自编码器(SAE)在DAE的基础上遵循高维且稀疏原则,在隐层神经元多于输入层神经元的情况下增加稀疏约束,适合非线性数据的特征学习,可对数据特征进行深度细化。自组织特征映射(SOFM)网络是一种无监督学习机制的竞争神经网络,利用竞争机制对数据进行自组织学习,使连接权值空间分布密度与输入数据的概率分布趋于一致,即连接权值向量空间分布能够反映输入数据的统计特性。

  本文将DAE、SAE、SOFM网络相结合,构建深层SAE-SOFM模型,先将全部物流竞争力指标数据作为网络输入,经SAE进行特征提取后再输入SOFM网络,最终输出物流竞争力分值。这种方法能够对所有指标数据进行特征分析与数据重构,可全面获取数据之间的内在联系,使输出结果更具客观性,有助于在后续工作中提高数据分类结果的准确性,相较于传统方法具有更大的应用价值。

  1.2DAE标准模型

  DAE是一种无监督学习的非线性特征提取模型[10,11],多隐层结构可学习更复杂的数据,网络的后一层学习前一层的数据特征,隐层越多,则可学习到越高层次的数据特征,从而可以处理更复杂的数据。

  1.3SAE结构

  稀疏自编码是指隐层特征具有稀疏响应特征,其编码特征可以较好地重构网络输入[12],在DAE标准模型中引入稀疏性,使网络的输入数据结构更加清晰,编码方案既符合生物进化普遍的能量最小经济策略,又满足电生理实验的结论,还具有联想记忆功能,可以简化计算[13,14]。

  1.4SAE学习算法

  标准的自编码器是PCA的一种非线性推广,SAE增加了L1规则限制,约束每个隐层中的大部分神经元输出为0,少部分不为0,即对隐层神经元进行稀疏性约束,使多数隐层神经元处于非激活状态;同时又对误差函数进行优化,采用平方重构误差与某个稀疏正则项之和。

  2指标体系与数据来源

  2.1指标体系构建

  综合以往研究成果,并考虑到数据的可操作性、客观性与功能性,本文从城市物流竞争实力、竞争潜力、竞争环境三个方面将城市物流竞争力划分为目标层、准则层、指标层三个层次,构建具有9个维度22个指标的物流竞争力评价指标体系。

  2.2数据来源

  由于“一带一路”国内西北段城市的物流活动主要依靠铁路运输方式,本文选取包兰、陇海、兰新、宝中等铁路沿线的13个核心节点城市为研究对象。同时,利用2013—2020年这些城市的相关数据进行估算。数据来源于各城市统计年鉴与《中国城市统计年鉴》。

  3模型构建与数据分析

  3.1模型构建

  构建具有三隐层的SAE与具有单隐层的SOFM网络组成的深层SAE-SOFM模型,其中将SAE的输出作为SOFM网络的输入,将城市物流竞争力评价指标体系中的22个指标数据作为SAE的输入层神经元与输出层神经元,45个参数作为第一隐层与第三隐层神经元,第二隐层神经元数为91个,网络学习速率α为0.7;将SAE的输出层作为SOFM网络的输入,SOFM网络的隐层神经元数为9个、输出层神经元数为3个。

  3.2数据分析

  利用SAE对西北五省核心节点城市物流竞争力指标数据进行数据特征分析与重构,将分析结果作为SOFM网络的输入数据并进行自组织分类,分别形成城市物流竞争力的竞争实力、竞争潜力、竞争环境输出值,完成自组织分类。

  4物流业发展空间关联分析

  “一带一路”国内西北段这些节点城市的物流产业之间只有加强空间联系才能实现高效协同发展。但是,不同物流产业发展水平的城市在整体物流发展中的角色定位也不同。因此,深入剖析这些城市物流产业发展的空间关联网络结构以及各自在协同发展中的路径尤为重要。本文采用社会网络分析法结合引力模型对节点城市的物流业发展空间关联进行研究。

  4.1中心性分析

  利用UCINET软件中的Centrality功能计算出各城市的点度中心度、中介中心度和接近中心度。

  (1)在13个城市中,点度中心度最高的是西安,其次是兰州、乌鲁木齐,说明西安在物流发展网络中处于中心位置,这三个城市在物流发展网络中具有较大的关联性。

  (2)城市的中介中心度越高,对其他城市物流发展的影响力越大。西安、乌鲁木齐、兰州的中介中心度位列前三,再一次有力地证明了西安处于该物流发展空间关联网络的核心位置,西安、乌鲁木齐、兰州这三个城市对推进整个网络物流发展的影响力最大;宝鸡、银川、武威、咸阳、天水和西宁的中介中心度依次递减,说明这些城市在网络中虽有一定的影响力,但影响力有限;其他城市均为零。

  (3)城市的接近中心度越低,说明该城市越不受其他城市的影响,不受所在网络的控制。吐鲁番、固原、白银、酒泉在该指标上得分较低,说明这些城市的物流业发展受网络中其他城市的影响程度小,较难有效参与整体物流产业的协同发展。这与物流发展空间关联的可视化网络图是一致的。

  5结论

  本文利用深层SAE-SOFM模型,对“一带一路”国内西北段沿线13个核心节点城市的物流竞争力进行测算。同时,利用社会网络分析法判断这些城市在流业发展上是否存在空间关联。研究结果表明:

  (1)这些城市的物流业发展存在明显的空间关联。(2)物流竞争力划分为第一类和第二类的西安、兰州和乌鲁木齐是推进整个物流发展空间关联网络的中坚力量,但兰州、乌鲁木齐分别在竞争潜力、竞争实力上稍显不足。

  (3)物流竞争力划分为第三类的西宁、咸阳、银川和宝鸡在物流业发展空间关联网络中有一定的“桥梁”作用,能够连通其他城市的物流活动,但竞争潜力不足是这4个城市共同的问题。(4)物流竞争力划分为第四类的包括天水、吐鲁番、白银、酒泉、武威和固原,其中大部分城市尚未有效地融入物流产业整体发展的大格局中。天水与吐鲁番欠缺竞争潜力,白银、酒泉、武威、固原欠缺竞争实力,酒泉、武威、固原的竞争环境较差。

  参考文献:

  [1]EkiciSÖ,KabakÖ,ÜlenginF.LinkingtoCompete:LogisticsandGlobalCompetitivenessInteraction[J].TransportPolicy,2016,(48).

  [2]ÖzceylanE,CetinkayaC,ErbasM,etal.LogisticperFormAnceevalu⁃ationofProvincesinTurkey:AGIS-basedMulti-criteriaDecisionAnalysis[J].TransportationResearchPartA:PolicyandPractice,2016,(94).

  [3]OzmenM.LogisticsCompetitivenessofOECDCountriesUsinganIm⁃provedTODIMMethod[J].Sādhanā,2019,44(5).

  [4]宋玲,左小明.基于因子分析的区域物流竞争力实证研究[J].西南师范大学学报(自然科学版),2017,42(7).

  [5]王晓乐“.一带一路”背景下连云港港口物流竞争力聚类分析[J].淮海工学院学报(人文社会科学版),2019,17(7).

  [6]朱芳阳,谭保华,王婷婷.生态位视角下区域物流产业竞争力评价——以“一带一路”重点省份为例[J].经济与管理,2019,33(1).

  [7]MoYK,ZhaoY,LiSL,etal.EvaluationofPortLogisticsCompeti⁃tivenessBasedonDEA[C].2018InternationalConferenceonCivilandHydraulicEngineering(IConCHE2018),2018.

  [8]贾海成.物流产业发展与区域经济关联分析——以天津和上海为例[J].科技进步与对策,2012,29(23).

  [9]章艳华.长三角地区物流产业发展竞争力比较——基于江、浙、皖、沪的实证[J].商业经济研究,2019,(10).

  作者:李楠