港口投资效益评价研究

港口投资效益评价研究

0投资效益评价的应用实践港口投资建设可以积极推动港口城市的经济和社会发展。但是,港口建设往往投资巨大、周期较长且常伴随着较高的沉没成本,一旦投资有误就会造成极大的浪费。由此可见,对港口投资活动进行效益的预测及评价显得尤为重要。投资效益反应了投资活动所取得的成果与所消耗的投资之间的对比关系。能否实现港口投资效益最大化是港口投资决策的主要判断标准,港口投资前都要依据现行的投资情况对港口投资效果进行预测,并进行投资效益评价,从而判断港口投资的可行性高低。通常,大型建设项目的投资效益评价主要包括财务效益评价(微观经济效益)、国民经济效益评价(宏观经济效益)和社会效益评价。由于港口投资对港口周边其他产业经济具有较强的连带效应,因此,本研究认为在进行港口效益评价时不仅要考虑微观效益指标,而更应该侧重于评价国民经济效益和社会效益指标。国内外对大型投资项目的投资效益研究主要有两种方法:一是依据投资效益指标历史统计数据进行时序预测。这类研究往往选取以往投资活动的投资效益历史数据进行线性回归或者平滑预测,如高弋绢(2002)运用生产函数模型选取水利行业20年的投资效益数据对十五期间的全国水利投资效益进行了预测。二是基于多因素影响条件下构建效益指标的预警模型。这类研究侧重分析影响投资效益的多种影响因素,探寻影响因素与效益指标间的函数关系,如中国经济社会效益预警也是运用预警模型进行经济效益指标的预测和评价。复杂的港口投资活动隐含的高不确定性特征导致了港口投资效益的不确定性。因此,在对港口未来投资效益进行预测时并不适合采用常规的线性预测方法,如直线外推、指数平滑,回归分析,灰色预测等,这些方法大都只能处理一些简单的线性预测问题。港口投资系统因为受内外各种因素的影响,涉及经济形势、市场需求、投资规模等多个方面,具有多维度、非线性的系统特征。RBF神经网络预测模型能够很好的实现港口投资效益影响因素到未来投资效益的非线性输入输出关系,使得港口投资效益预测更科学更准确。因此,本研究选取RBF神经网络来构建港口投资效益预警模型。1基于rbf神经网络的港口投资效益预警模型在广泛搜集整合港口投资效益相关指标的基础上,本研究建立了港口投资效益的警兆和警情指标体系,使用较少的指标表达了港口投资效益更多的原始信息。且在此基础上建立了基于RBF神经网络的港口投资效益预警模型,并对警情指标的警度区间进行了设置。为了能够反映港口投资效益的实际特点,本研究关于警度区间的划分按照对港口投资效益历史数据的正态分布区间进行设置。本研究对港口投资效益进行预警初探,旨在为港口投资优化理论开辟新的研究思路和方法。本研究的思路如图1所示:①分析辨识港口投资效益的影响因素;②建立港口投资效益预警指标体系;③选择合适的效益预测模型;④模型学习及检验;⑤确定投资效益预警界限,划分警度。2建立港口投资效益预警的指标体系预警指标体系由一系列具有内在联系的指标组成,它可以从多个视角反映港口投资系统的运行状态。因此,投资效益预警指标体系的建立,为分析港口投资系统的未来效益状态提供了一定的手段和依据,有助于港口投资效益研究的定量化和可操作化过程实施。作为可以实现港口投资效益预警的一套科学的指标体系,该套指标体系应该具有以下两点功能:①能够对港口投资效益值进行测量和评价;②指标具有通用性,适合于不同港口间的比较。2.1港口投资效益影响因素分析在警兆指标的设置方面,本文遵循系统性与科学性、规范性与可比性、理论性和可操作性相结合的原则,考虑影响港口投资效益的重要方面和关键环节,经过警源分析,警义明确过程确定港口投资效益的警兆指标。本文结合港口投资效益影响因素现有研究成果,从港口腹地范围内的外贸增长、腹地范围内的市场需求增长、港口资金投入、技术改进提升情况四个方面设计出影响港口投资效益的警兆指标体系,共计4项指标。如表1所示。港口因对国际贸易的影响该项指标反映了投资期间港口腹地范围内对外贸易的增长情况,具体取值为港口腹地所在省市在同一时期的对外贸易增长率的平均值。一般来讲,腹地范围内的对外贸易活动越频繁意味着港口运输需求越旺盛,则港口利用率越高,投资效益相对较好。烟台市中小企业增长率该项指标反映了市场需求的增长情况,具体取值为港口腹地所在省市在同一时期的第二产业增长率的平均值。在航运总体需求中,第二产业占据了较大部分,本文选取第二产业的增长率来代表未来航运市场需求的总体变化趋势,航运市场需求越高,港口投资效益越好。投资总额的统计该项指标反映了港口的资金投入多少,具体取值为统计期(本文统计期为5年)内的投资总额。投资总额对将来的建设规模和生产能力造成积极的影响,最终将促进港口效益的进一步提升。技术措施提升港口集装箱岸线处理能力该项指标反映了港口技术提升的程度,具体取值为投资期末码头岸线处理效率与投资期初码头岸线处理效率的比值。港口技术效率的提升对港口码头岸线的处理能力提升提供了保障。港口技术效率提升对将来的货物处理能力有很大的决定性作用,从而保障了港口的投资效益。2.2效益定量评价在警情指标的设置方面,考虑到警情指标尽量少且具有代表性,能够衡量效益大小便于定量评价。同时要遵循大型项目投资效益评价时兼顾微观效益评价、宏观效益评价的原则。本文设定两项指标用于衡量港口投资的微观效益和宏观效益值。如表2所示。投资效果分析该项指标作为港口投资微观效益评价指标,考虑到中国港口对货物的处理能力要求较高,单位港口投资产生的货物吞吐增加量可以很好的衡量港口微观投资效益。同时,采用相对增加量而不是绝对增加量就避免了因投资规模不同而造成的缺乏可比性问题。具体公式为:y1=投资后货物吞吐量-投资前货物吞吐量港口投资总额y1=投资后货物吞吐量−投资前货物吞吐量港口投资总额研究设计及模型该项指标作为港口投资宏观效益评价指标,可以对港口投资后所产生的宏观效益进行衡量和评价。港口经济会促进港口所在城市经济的发展,经济的发展相应表现为区域GDP增长、财政收入增加。本研究选取港口投资对港口所在城市的财政收入年均增长率所作的贡献来进行衡量。具体公式为:y2=投资期间港口所在城市财政收入平均增长率×港口投资总额港口所在城市投资总额×港口投资总额港口所在城市投资总额其中:财政收入平均增长率=4√投资后港口所在城市财政收入投资前港口所在城市财政收入-13rbf神经网络投资预警模型3.1rbf神经网络神经网络方法有两个重要特征:对不完全信息、带噪音的信息具有良好的适应性,对非线性输入输出关系的学习更具优越性。RBF神经网络即是一种性能良好的前向网络,只要中心点选择得当,只需较少的神经元就可以获得很好的逼近效果,并且具有唯一最佳逼近点。港口投资系统因为受来自系统内外各种因素的影响,涉及经济形势、市场需求、投资规模等多个方面,具有复杂、非线性的系统特征。因此,考虑到RBF神经网络较强的函数逼近能力本研究选择RBF神经网络来实现预警过程。RBF网络是一种前向传递无反馈三层神经网络,相邻两层单元之间由前向后单向传递,具有唯一最佳逼近点。RBF网络包括一个输入层、一个隐含层和一个输出层。在RBF网络中,层内神经元之间没有连接,信号只在层间传递。隐含层由一组径向基函数构成,与每个隐含层节点相关的参数向量为Ci(隐含层节点中心)和σi(隐含层节点宽度)。一般隐含层各节点都采用相同的径向基函数,一般取高斯函数。本研究的RBF神经网络模型结构如图2所示。Powell于1985年提出了多变量插值的径向基函数(RBF)RedialBasisFunction方法。一般径向基函数常选为高斯函数,此时可写成:yi(X)=m∑i=1ωijgki(∥X-Ci∥,σi)=m∑i=1ωijexp(-∥X-Ci∥22σ2i)(1)其中:j=1,2;yj(X)为输出的警情指标值;m为隐含层节点数;‖·‖为欧式函数;X=(x1,x2,x3,x4)为警兆指标输入向量;Ci为第i个隐节点的中心;σi为第i个隐节点的宽度;ωij为第i个RBF与输出层结点yj的连接权值。在上述RBF神经网络模型中有两个可调参数分别是中心Ci和权值ωij,调整Ci的方法为K—均值聚类法,K—均值聚类算法是循环地选取聚类中心与聚类集合的一个迭代过程。暂时选定各中心后,然后通过竞争分类过程对新中心的总的欧式距离取极小值;调整ωij的方法为递推学习算法。3.2港口投资效率评估模型的建立对输入指标进行标准化处理对搜集整理的港口投资效益警兆指标进行标准化处理,消除因量纲不同造成的影响。且神经网络对输入数据有一定的要求,即输入的样本数据的最大最小值间的距离不宜过大。因此,本研究在对模型进行学习之前对输入指标进行了标准化处理,将警兆指标数据处理成均值为0,方差为1的标准数据集。按照以下公式进行标准化。x′i=[xi-min(xj)][max(xi)-min(xi)](2)多次训练和误差率测算输入历史期间的13组历史数据,选定不同的spread(扩散系数)值,进行多次训练,并测算不同扩散系数下的误差率,直至误差率达到理想范围。预测模型验证将待检验的港口警兆指标数据标准化后X′(x′1,x′2,x′3,x′4)输入该模型,得到输出数据集Y′(y′1,y′2)。计算错误差平均误差率为ˉe,模型精度为1-ˉeˉe=122∑j=1(y′j-yj)yj(3)警度及预警界限警度划分就是对警情指标划分预警界限设置预警区间。由于警情指标只有两项,所以本文采取单向指标预警,分别对两项警情指标进行警度预报。警度的设置以均值作为基准值,以指标数据的标准差为单位,以偏离均值若干单位标准差来确定各个预警区间的预警界限。本文将警度划分为三个区间,分别是无警、中警、重警。4确认研究4.1研究数据来源为保证该模型有足够的学习样本进行神经网络训练,本研究以沿海7个重要港口(上海港、大连港、天津港、青岛港、营口港、深圳港、厦门港)为统计对象,选取1996到2005年期间的港口投资历史相关数据。考虑到港口投资见效慢、经济波动呈周期、投资效益具有时滞等特点,不适合以年为单位时间间隔,结合国家计划大型投资规划的特点选定每五年为一个单位投资周期。因此,本文的相关数据收集了7个港口在九五期间和十五期间的投资相关数据,共计14组数据,其中13组数据用于神经网络模型的学习过程,1组数据用于检验训练后模型的精确度。原始数据主要来源于1996到2005年间的《港口统计年鉴》及各港口所在城市的《统计年鉴》《国民经济与社会发展统计公报》。本研究共计14组原始数据见附表。4.2指标处理对表3中的原始警兆指标进行标准化处理,采取公式(2)进行处理。港口投资效益预警指标标准化处理结果见表3。4.3投资数据的检验由于RBF神经网络逼近函数的边缘效果不够精确。所以,在检验样本的选取过程中,尽量避免选取样本的边缘值。本文将深圳港十五期间的投资历史数据作为模型检验的样本。将表4中其他13组的标准化样本数据作为训练样本,代入matlab7.0软件神经网络工具包中的RBF神经网络进行学习。然后,将经过标准化的深圳港十五投资的警兆指标输入RBF模型。学习中不断调整spread值,对比模型输出值和实际值,按照公式(3)计算平均误差率,直至误差效果达到理想状态。4.4spwell值对预测的影响不同的spread值会相应改变模型输出的函数,就会对应着不同的输出结果。表5为取不同spread值时对应的输出值。运用公式(3)对在不同spread值下的输出结果进行误差计算。不同spread值对应的输出结果如表4所示。通过对比发现当spread值为0.6时,平均误差率最低为4.93%,此时模型预测精度最高为95.07%。因此,该模型的扩散系数定为0.6时,预测效果达到理想状态。该模型能够较准确地对港口投资效益警情指标进行预测。4.5企业主要港口的投资效益指标y1与y2警情指标警度划分方法采用区间法,对历史数据进行统计分析,求得相应警情指标的均值和标准差,以偏离均值若干个单位作为不同的警度区间。本研究将警情指标划分为三个警度区间。分别是无警(ˉyi~ˉyi+3σ)、中警(ˉyi-σ~ˉyi)、重警(ˉyi-3σ~ˉyi-σ)。区分有警和无警的预警界限为ˉy,区分中警和重警的预警界限为ˉyi+σ,警情指标取值范围为(ˉyi-3σ~ˉyi+3σ)。经过统计分析得到y1的均值为112.00。标准差为30.7041;y2的均值为0.0053,标准差为0.0036。按照上述警度划分所得到的结果如表5所示。本研究中的14个港口的y1与y2指标预警结果输出见图3和图4。上述警度输出图将港口投资效益两项指标的历史数据进行了区间划分,以y1警情指标为例,在y1指标输出图中,该项效益指标的区间范围分别为(19.90～204.12),两条警界线分别为112和81.3,将整体区间划分成三个区间,从上往下分别对应着无警、中警、重警。在统计的14个港口中,落入无警区间(112.00～204.12)的有5个数据,分别是十五期间的天津、营口、青岛、上海、深圳港;落入中警区间(81.30～112.00)的有7个数据,分别是九五期间的七个港口和十五期间的大连港和厦