基于模糊聚类分析的江苏省物流业发展水平评价

打开文本图片集

摘 要：江苏省物流业发展步伐较快，但各市物流发展水平如何尚需具体评价。文章通过采集2013年江苏统计年鉴中13个地级市的13项数据，运用模糊聚类分析，得出13个市的物流业水平。结果表明江苏物流业呈现四个梯队，第一梯队基础好、发展水平高；第二梯队物流发展平稳并具有发展前景；第三第四梯队发展较为落后，最后给出了发展建议。

关键词：物流发展评价；模糊数学；聚类分析

中图分类号：F259.27 文献标识码：A

Abstract： Jiangsu keeps a fast pace of logistics development in China， but development status for each cities in Jiangsu still need be evaluated. In this article， 13 types of data from statistical yearbook for each city are calculated by fuzzy cluster analysis to analyze the development status for each city. The results shows that 13 cities make up 4 groups， in which the 1st group has a good performance and good logistics basic， the 2nd group develops stable and also has good future， the 3rd and 4th group has a low pace of development. Suggestions are provided at the end of article.

Key words： logistics development evaluation； fuzzy mathematics； cluster analysis

江苏省依托长三角的区位优势，凭借外向型经济的发展策略，物流业的发展步伐位于全国前列。但各市物流发展水平如何尚需具体评价。近年来已有很多关于物流业发展的研究，贾海成[1]用向自量回归模型对天津和上海的物流业与经济发展互动关系进行考察，为区域物流发展提出建议。金芳芳[2]等人运用SPSS软件对长三角3省共16个主要城市进行聚类分析并结合各城市物流发展情况进行归类。谢林婕[3]等人以浙江省为例运用灰关联分析法寻找对物流影响较大的关联因子。对于长三角地区物流的研究较多，但是尚无对于江苏全省13市的物流发展评价，本文通过模糊聚类分析针对江苏各市物流发展进行研究，并为江苏省物流规划提供宝贵建议。

1 数据的采集

聚类分析按照隶属度的划分可以分为硬聚类算法和模糊聚类算法。传统硬聚类算法只有两个隶属度0和1，而模糊集中的隶属度可取范围在0，1之间的一个数。因为现实的分类问题常常伴随着模糊性，并无一个确切分割的界限，因此本文应用模糊聚类分析法更符合实际。

考虑到统计数据的全面性、科学性及可得性，本文所需数据从社会物流、企业物流、物流基础设施和物流人才情况角度进行采集。由此确定了X～X共13个物流评价指标。其中，X为社会物流总额（亿元）；X为物流企业从业人员数量（万人）；X为工业总产值（亿元）；X为进出口贸易总额（亿美元）；X为公路通车里程数（公里）；X为内河航道里程数（公里）；X为公路货运量（万吨）；X为水路货运量（万吨）；X为载货汽车数（万辆）；X为港口货物吞吐量（万吨）；X为邮政业务总量（亿元）；X为快递量（万件）；X为开设物流相关专业普通高等学校（所）。

本文所有数据来源于2013江苏省统计年鉴，分别取自于国民经济核算、人口就业工资、工业、城市经济与建设、运输邮电、教育科技等模块。对于不能直接获得的数据进行了人工计算。例如：社会物流总额=（全省交通运输仓储和邮政业GDP/全省GDP）×各市GDP；物流企业从业人数数量=（全省仓储物流业人数/全省就业人数）×各地区就业人数。

具体数据参见表1。

2 数据的模糊聚类分析

模糊数学是运用数学方法研究和处理模糊性现象（例如苏州的物流发展“很好”）的数学，能有效解决自然界和日常生活中普遍存在的模糊性问题。聚类分析是把按一定要求和规律对事物进行分类的方法，其基本思想是用相似性尺度来衡量事物之间的亲疏程度，并以此来实现分类。

第一步：数据标准化。即利用统计公式最大程度地把所有数据的大小缩小到0，1之间消除量纲影响。在此选择平移—标准差变换，对论域X，X，X…，X中的每个x进行如下处理：

x=i=1，2，3…，n； k=1，2，…，m

其中：=x，s=，分别代表均值和标准差。

第二步：确定关联程度。即通过数学公式对标准化数据再次进行处理从而得到模糊相似矩阵R=r，在此选择欧式距离法，其数学模型如下：

r=1-c

式中：c为可使0≤r≤1的一个常数。 i，j=1，2，…，n。

上面两步的所有计算均可以通过Excel2007中的AVERAGE、STDEV、SQRT、MAX等函数公式实现，表1中的数据计算后得到的相似矩阵如下：

得到的模糊相似矩阵为一个13×13的矩阵，通过13个样本（在此表示13个城市）之间的距离程度来反映样本之间的亲疏程度。例如r=r=0.36表示苏州和无锡之间的距离为0.36，说明两城市间关联程度比较密切。

第三步：聚类。聚类就是将对象聚集成若干个簇（类别），并且使同一个簇内的对象具有较大相似性，而不同簇间的对象具有较小相似性。聚类的方法有很多，在此选择传递闭包法求得模糊等价矩阵进行聚类。依次计算R=R？莓R， R=R？莓R…，直到满足R=R为止，R即为所要计算的模糊等价矩阵。聚类的过程同样可以通过Excel2007中的MAX，MIN函数实现，反复计算得到R=R，从而求得传递闭包为tR，得到的模糊等价矩阵如下（因为是等价矩阵故省略对角线上半部分数据予以简化）：

第四步：求λ截矩阵。即在上述矩阵中依次取不同的聚类置信水平λ=0.8，0.7，0.6，0.4，0.3，并求实际截距阵R。首先取λ

=0.8，得到的下面所示的截距阵。这里r=，从而可以得到常州、镇江、扬州、泰州、淮安、宿迁、连云港为第一类。同理根据不同的λ取值可以得到其他对应的截距阵（由于篇幅关系在此省略）。

第五步：画模糊聚类图。根据不同置信区间下的截距阵画出下列模糊聚类图如图2。λ值越小说明排名越靠前，λ值越接近说明类别之间越相似。

3 结 论

根据上述动态聚类图，江苏物流城市的发展水平呈现四个梯队。

苏州濒临上海，GDP、工业发达程度、外资引入、物流园区和港口数量均属全省最高，其物流整体水平也最高。

南京是省会城市，高校众多，物流人才储备充足，加之国家重点扶持、工业基础较好，但开放程度和外资引入不如苏州无锡，其物流业发展良好位居第二梯队。

无锡以商贸业为主体、外资引入较多，但其区域面积较小、物流基础设施和物流企业数量不如苏州南京多。南通和盐城近几年经济发展较快在苏中地区属于领先地位，同时这两城市与苏州无锡紧密合作，苏州不仅产业转移，还与之合作建苏通、苏盐工业园，同时还输出软实力，使其物流水平也得到提高。徐州位于山东、安徽、河南和江苏四省交汇地，公路铁路基础设施发达，物流需求充足，故上述四城市列数第三梯队。

常州、镇江、扬州、泰州、淮安、宿迁、连云港的工业、GDP、教育、物流基础设施等均落后于其他城市，物流发展相对落后，属于第四梯队。

4 发展建议

（1）着力引导区域物流平衡发展。建议引导第一梯队加快制造业服务化进程，适度将工业和商贸业向第三、第四梯队转移，同时配套转移物流业，实行跨区域交流与合作，利用目前成熟的信息化渠道，推动物流园区南北共建和物流企业合作，打破区域壁垒，引导物流资源跨区域流动与整合，打造全省统一开放、通畅高效的现代物流市场体系。

（2）发展各地特色物流。江苏各地，特别是第一梯队要发展与整个产业链相融合的供应链体系；第二、第三梯队要结合自己城市定位，发展冷链物流、化工、医药等专业物流；第四梯队的城市应结合实际，大力发展以农产品加工、菜篮子等民生产品的特色物流。

（3）利用市场机制和政策优势协调物流资源。充分利用市场机制和政策优势，鼓励苏南地区工商业向苏中、苏北梯级转移，可以充分调配物流资源效用最大化。

（4）促进第一至第四梯队城市的跨境电商和国内电商及进出口业务，如连云港可利用“丝绸之路”发展与“一带一路”相配套的跨欧亚大陆桥的开放型经济，带动港口和铁路经济的繁荣；泰州加大医药的投入，建设具有江苏特色的智慧医药港；常州、镇江同处苏南，与苏州、无锡和南京错位发展，主要发展与恐龙和醋为特色的旅游业及观赏农业，带动以旅游为主导的服务业经济等，从而带动全省物流的繁荣。

参考文献：

[1] 王宁. 经济数学[M]. 北京：北京邮电大学出版社，2012：197-218.

[2] 贾海成. 物流产业发展与区域经济关联分析[J]. 科技进步与对策，2012（12）：45-50.

[3] 金芳芳，黄祖庆，虎陈霞. 长三角城市群物流竞争力评价及聚类分析[J]. 科技管理研究，2013（9）：184-189.

[4] 谢林婕，彭建良. 浙江物流产业发展影响因素的灰关联分析[J]. 浙江科技学院学报，2012（10）：357-360.

[5] 许永安，徐恒玉. 用Excel实现模糊聚类分析[J]. 安徽农业科学，2005（4）：740-742.

[6] Ren Y C， Xing T. Fuzzy cluster analysis of regional city multi-level logistics distribution center location plan[J]. Quantitative logic and soft computing， 2010，82：499-508.