基于因子聚类研究区域物流中心探究

《基于因子聚类研究区域物流中心探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于因子聚类研究区域物流中心探究　　路璐，等：基于因子聚类分析的区域物流中心研究（安徽工业大学管理科学与工程学院，安徽马鞍山243002）[摘要]本文运用因子分析模型对安徽17个（假设巢湖未拆分）城市物流发展水平进行分析，运用聚类分析方法对安徽区域物流中心进行聚类，把所得的结果结合中心城市的区位地理等因素，选取了合肥等五个城市作为区域物流中心。[关键词]区域物流中心；因子分析；聚类分析[中图分类号]F252[文献标识码]A[文章编号]1005-6432（2013）46-0018-038区域物流作为区域经济系统形成与发展的一种主导力量，对提高区域生产领域、流通领域的效

2、率和经济效益，提高区域市场竞争能力，改变生产企业的布局和生产方式都发挥着积极的作用。李婷（2007）[1]，以广东为例，分析了影响地区物流发展的因素并利用主成分分析得出地区物流综合得分，进而利用聚类分析划分出各级物流。郜振华（2008）[2]，利用粒子群优化算法，对区域各地区的物理区位进行分析，进而找出适合的物流中心。本文认为区域物流中心城市的选择如果把定性因素（比如区域物流环境、区域物流实力、区域物流潜力）与定量分析结合，则得出的结论更科学、可信。目前我国区域物流正在快速发展，但在发展过程中，线路和节点配套不够好、各种运输方式衔接不畅、区域布局不合理等，导致物流资

3、源不能得到充分利用。区域物流中心的选择对充分利用物流资源至关重要，但是目前不少区域物流中心选址方案的评选往往会有一定的局限性和不适应性，主要有以下几个原因：（1）影响因素考虑不全，影响评选结论；（2）在考虑各种因素的问题上，很难将定性指标有效地转化为定量指标；（3）将定性指标转化为定量指标带有一定主观性，对选址方案的评价造成偏差。为此本文从区域经济地理的角度，将定性与定量分析相结合，探讨区域物流中心的构建，以期为区域物流中心的构建提供新的思路。1区域物流发展评价指标体系影响物流中心选址的因素很多，本文选取最重要的因素进行量化分析，主要从三个方面来概括：8（1）区域物

4、流环境。本文着重考虑经济环境，因为地区的经济水平体现了地区的综合实力，经济发展好的地区生产和消费量大、物流量也相应大，更适合成为物流中心。在这里本文选取一些能体现物流环境的主要指标，如GDP，社会消费品零售总额等。（2）区域物流实力。本文着重考虑物流基础设施和物流产业规模，这些内容体现了地区的交通便利条件和综合运输能力，交通便利和运输能力强的地区适合成为物流中心。（3）区域物流潜力。本文着重考虑物流的增长能力和信息化水平，一个地区是否能够成为物流中心不仅要看其地区实力和环境，地区的发展潜力也是至关重要的。区域物流发展评价指标体系如表1所示：2区域物流发展综合评价模型

5、因子分析方法用于研究相关矩阵的内部依赖关系，它将多个变量综合为少数几个因子之间的相关关系。采用因子分析法可以对指标体系进行降维处理，将众多指标数据浓缩成较少的几个公共因子，使其反映数据的本质特征，然后将数据的信息转换成公共因子的因子值，再分别加权，从而得出各个城市物流发展水平的总分值。根据物流发展水平的分值，可以对众多城市物流发展水平排序、分类和分析。21因子分析的数学模型23因子旋转8建立因子分析数学模型的目的不仅是为了找出公共因子，更重要的是要知道每个公共因子的意义，以便对实际问题进行分析。如果每个公共因子的含义不清，不便于对实际背景进行解释，这时根据因子载荷阵

6、的不唯一性，可对因子载荷阵实行旋转，即用一个正交阵右乘使旋转后的因子载荷阵结构简化，便于对公共因子进行解释。所谓结构简化就是使每个变量仅在一个公共因子上有较大的载荷，而在其余公共因子上的载荷比较小。这种变换因子载荷的方法称为因子旋转。因子旋转有方差最大正交旋转和斜交旋转。24综合评价3区域物流发展聚类分析模型对安徽省内各地区物流发展进行分析和归类，可以按照常规的聚类方法进行。但由于指标较多，计算繁琐且容易出错，鉴于前面因子分析已经得到p个能够反映原始变量的绝大多数信息，且为彼此互不相关的因子指标，因此可以采用这p个因子指标并结合综合评价得分对安徽省内各地区的物流发展

7、进行聚类分析，这样处理将使问题大大简化。由于在系统聚类法中，类平均法聚类时步伐比较适中，因此本文利用类平均法进行聚类分析。步骤如下：用因子分析得到的前p个因子组成一个新矩阵，并以此作为聚类分析的样本矩阵，计算各地区新样本数据之间的欧式距离。再用类平均法进行聚类，画出聚类图，得到各地区物流发展的分类结果，并进行分析。4实证分析8安徽经济实力不断增强，区位优势突出，沿江近海、承东启西，地处长三角腹地，发展现代物流业具有得天独厚的优势。41安徽地区物流发展因子分析因子分析结果如下表2所示：为了减少信息损失，使综合评价和后面的聚类分析最大限度地接近原始状态，本文取前2个