基于主成分分析—熵值法的绿色发展视角下城市物流绩效指标体系构建与评价研究

作 者:
徐娟 

作者简介:
徐娟(1982- ),女,河南平顶山人,湖南现代物流职业技术学院,副教授,高级统计师,硕士,研究方向:统计(湖南 长沙 410131)。

原文出处:
物流科技

内容提要:

针对目前物流业高成本、低效率、对资源环境的巨大影响等问题,从绿色发展的视角出发构建包含物流需求、物流投入、物流产出、环境与资源4个方面、19个二级指标的城市物流绩效评价指标体系,通过主成分分析法筛选因子载荷大的指标,保留第一主成分的|b[,ij]|>0.9的指标和第二、三等主成分的|b[,ij]|最大的指标,删除其他的指标,从19个评价指标中筛选出11个指标。而后通过熵值法确定筛选后11个评价指标的权重,通过计算:(1)各指标熵值都在0.6以上,说明所选取的指标较好,能代表城市物流绩效的大部分信息;(2)四个一级指标的权重分别为0.1864、0.4757、0.2207、0.1172。最后,选取样本数据,利用权重计算中部6省物流需求、物流投入、物流产出、环境与资源4个方面的得分以及各省的综合得分,综合得分排名为:河南省>湖北省>湖南省>安徽省>山西省>江西省。研究认为:(1)实证评价验证了基于主成分分析—熵值法构建评价指标体系的合理性;(2)评价指标体系的构建为建立和完善绿色发展视角下物流业绩效量化评价提供了标准参考。


期刊代号:F14
分类名称:物流管理
复印期号:2020 年 11 期

字号:

      新发展理念提出以来,绿色发展被高度重视。作为经济发展的支柱产业物流业,面对经济的快速发展和经济发展方式的转变,如何打好污染防治攻坚战、打赢蓝天保卫战,如何保护生态环境、降低能源消耗、提高资源利用率,如何实现可持续发展是其直面的问题。

      物流业发展成效如何,如何实现可持续发展,到目前为止还未有统一的评价指标体系作为衡量标准,城市物流绩效评价指标体系特别是绿色发展视角下城市物流绩效评价指标体系的构建有利于推动统一标准的出台,有利于推进物流业指标数据的规范与收集,同时有利于推动物流业在提质增效,有利于物流业在发展过程中思考如何降低成本、减小环境污染。

      1 研究综述

      自世界环境问题提出以来,国内外学者开始将环境因素纳入到物流研究中,尤以国外学者领先。关于物流绩效的研究,国外学者Chhabra D等(2017)[1]、Zaman K和Shamsuddin S(2016)[2]、Psaraftis H N(2016)[3]等学者开展了绿色物流绩效的相关研究。

      国内学者田洪燕(2018)[4]、刘妤(2018)[5]、张林强(2017)[6]、薛红松(2017)[7]、窦锦(2017)[8]、曹兵斌(2016)[9]等众多学者关于绿色物流、区域物流绩效开展了相关研究,梳理前任学者的研究成果发现,学者们认为经济、基础设施、环境因素、信息网络、技术、资源、运营管理方面是对物流业的影响因素。

      2 城市物流绩效评价指标体系构建

      2.1 评价指标选取原则

      由于物流活动贯穿于经济活动中,涉及面广、影响因素错综复杂,故在设计评价指标体系时应从全面、综合的角度出发找寻影响指标。遵循全面性、简明性、可操作性、定量与定性相结合的原则选取评价指标。

      2.2 城市物流绩效评价指标体系构建

      鉴于物流活动的广泛性、复杂性、影响因素的多样性特点,本研究认为绿色发展视角下城市物流绩效评价指标体系应包含物流需求、物流投入、物流产出、环境与资源4个方面19个二级指标,具体指标如表1所示。

      表1 绿色发展视角下城市物流绩效评价指标体系
一级指标二级指标一级指标二级指标
物流需求地区生产总值X[,11]邮政营业网点个数X[,26]
人均地区生产总值X[,12]物流产业货运量X[,31]
第三产业总值占GDP的比重X[,13]货物周转量X[,32]
外商投资总额X[,14]物流业增加值X[,33]
社会消费品零售总额X[,15]邮政行业快递业务量X[,34]
物流投入物流业从业人数X[,21]环境与资源物流业能源消费量X[,41]
物流业固定资产投资额X[,22]物流业废水排放量X[,42]
物流业新增固定资产投资额X[,23]物流业CO[,2]排放量X[,43]
物流业网络里程X[,24]单位GDP能源X[,44]
水利、环境和公共设施固定资产投资额X[,25]

      3 基于主成分分析筛选评价指标

      3.1 主成分分析[10]的步骤

      (1)对原始数据进行标准化[11]处理。

      (2)根据标准化数据计算指标的相关系数矩阵R,利用相关系数矩阵求特征值与特征向量。

      (3)求相关系数矩阵R的特征值λ[,i](i=1,…,k),λ[,i]反映了第i个主成分所表示的原始信息含量,即F[,i]所解释原始指标数据的方差,则主成分F[,i]所表示的贡献率为λ[,i]/λ[,i]。也就是说第i个主成分的贡献率就是第i个主成分的方差λ[,i]占全部方差λ[,i]的比重。

      (4)对相关系数矩阵求出的特征值从大到小排序,根据特征值的累计贡献率达到85%以上的原则提取相应的特征向量,当前k个主成分的累计贡献率λ[,i]/λ[,i]达到85%时,选取前k个主成分。

      (5)根据因子载荷b[,ij]筛选指标。b[,ij]是第j个主成分在第i个指标在上的因子载荷,根据主成分F[,j]在第i个指标上的因子载荷|b[,ij]|筛选指标,|b[,ij]|越大表明第i个指标对评价结果的影响越显著,|b[,ij]|越小表明指标第i个指标对评价结果的影响越不明显,本文保留|b[,ij]|大的指标。具体的保留删除原则是:保留第一主成分的|b[,ij]|>0.8的指标和第二,三,…,第K个主成分|b[,ij]|最大的指标,删除其他的指标。

      3.2 主成分分析筛选评价指标

      3.2.1 样本数据的选取

      本文选取2017年中部6省物流业的样本数据,由于没有单独的物流业相关数据,本研究将交通运输、仓储邮电业数据作为物流业数据。数据来源《中国统计年鉴》《安徽省统计年鉴》《河南省统计年鉴》《山西省统计年鉴》《湖北省统计年鉴》《湖南省统计年鉴》和《江西省统计年鉴》等。具体数据略。

相关文章: