欧洲海港系统中可持续与智慧物流转型:一种决策树分类方法

《Logistics》:Sustainable and Smart Logistics Transition in European Maritime–Port Systems: A Decision Tree Classification Approach

【字体: 大 中 小 】 时间:2026年06月26日 来源:Logistics 3.6

编辑推荐:

  背景(Background):可持续与智慧物流转型(Sustainable and Smart Logistics Transition)需要能够将环境、能源、社会及数字化绩效与运输结构相连接的工具。本研究基于Eurostat国家—年度观测数据,提出欧洲海港—

  
背景(Background):可持续与智慧物流转型(Sustainable and Smart Logistics Transition)需要能够将环境、能源、社会及数字化绩效与运输结构相连接的工具。本研究基于Eurostat国家—年度观测数据,提出欧洲海港—物流系统(maritime–port logistics systems)的探索性分类框架。方法(Methods):从环境、能源、社会及数字指标构建复合过渡画像(composite transition profile),采用最小值—最大值归一化(min–max normalization)、等权加权及三分位(tercile)分类为低、中、高画像;应用浅层决策树分类器(shallow decision tree classifier)识别能区分各画像的运输、模态结构及海港活动变量。结果(Results):公路货运强度(road freight transport intensity)是首要判别变量,其次为内陆客运模态结构变量;初始预测集中包含的海港活动变量未被最终树保留,表明在国家—年度层面上过渡画像更多由内陆物流及模态配置所区分。模型五折交叉验证准确率(five-fold cross-validated accuracy)为0.561,高于多数类基线。结论(Conclusions):该框架为识别物流相关转型模式及支持可持续物流规划提供了可解释的诊断工具,其探索性范畴及数据局限性已予明确说明。
论文解读——《欧洲海港系统中可持续与智慧物流转型:一种决策树分类方法》(Sustainable and Smart Logistics Transition in European Maritime–Port Systems: A Decision Tree Classification Approach),发表于《Logistics》
一、研究背景与立项依据
在欧洲绿色新政(European Green Deal)及可持续与智慧出行战略(Sustainable and Smart Mobility Strategy)推动下,欧盟交通体系需在2050年前减排90%。海港系统是海运流、内陆运输网络与区域经济的物流接口(logistics interfaces),其可持续转型不仅取决于港口自身活动,更取决于其与公路、铁路及客运出行结构的连接方式。现有研究多依赖孤立指标、复合得分或描述性比较,虽可用于标杆管理,却难以揭示运输、模态及海港变量如何组合形成不同转型画像(transition profiles)。此外,海港研究常聚焦港口绩效或技术转型,忽视海港系统嵌入的更广泛运输结构;可解释的分类方法作为诊断工具仍未得到充分利用。因此,研究人员开展此项研究,旨在基于Eurostat指标构建多维过渡画像,并利用可解释的决策树识别区分低、中、高可持续与智慧物流转型画像的关键物流与模态结构变量,为政策制定提供透明决策规则。
二、主要关键技术方法概述
研究人员基于Eurostat公开数据库构建欧洲国家—年度(country-year)面板数据集,经清洗后保留239个有效观测。目标变量(因变量)由环境(温室气体排放、环境压力等负向指标取逆)、能源(可再生能源占比、能源生产率等正向指标)、社会及数字维度指标构成,各指标按方向性进行最小值—最大值归一化至0–100尺度,等权求均得到复合过渡指数(composite transition index, CTI),按样本三分位数划分为低(≤57.61)、中(57.61<CTI≤62.39)、高(>62.39)三个过渡画像类别。预测变量初选39个Eurostat运输、模态结构及海港活动指标(含公路/铁路/海运货运、内陆客运模态分担率、海港客货吞吐量等),与构建目标变量的指标严格分离以避免循环论证;缺失值以中位数插补(median imputation)。采用基尼不纯度(Gini impurity)准则拟合最大深度为3、平衡类权重(balanced class weighting)的浅层决策树分类器(decision tree classifier),通过五折分层交叉验证(five-fold stratified cross-validation)评估性能,计算特征重要性(feature importance,基于Gini减少量的全局归一化测度)、混淆矩阵(confusion matrix)、平衡准确率(balanced accuracy)及宏平均F1值(macro-averaged F1 score)。
三、研究结果
4.1. 可持续与智慧物流过渡画像的构建(Construction of Sustainable and Smart Logistics Transition Profiles)
研究人员将CTI按三分位切分得到低、中、高过渡画像,阈值分别为≤57.61、>57.61且≤62.39、>62.39。该分类反映欧洲样本内的相对位置,用作决策树分类的目标变量。
4.2. 决策树结构(Decision Tree Structure)
浅层决策树首节点分裂变量为公路货运运输量(Road freight transport, E05,单位:百万吨·公里或等价Eurostat度量),特征重要性(feature importance)为0.642;次层分裂变量为内陆客运模态结构2(Inland passenger modal split 2, E1002,重要性0.231)和内陆客运模态结构3(Inland passenger modal split 3, E1003,重要性0.127)。初始预测集中的海港活动变量未被最终树保留,说明本研究中内陆货运与客运模态结构较海港直接活动指标具更强区分力。
4.3. 主要分类路径(Main Classification Paths)
首分裂阈值为E05 ≤ 810,118:高于此阈值直接判为低过渡画像(高公路货运强度关联弱转型表现);低于此阈值者进入第二层,按E1002≤ 11.80再分——若E1002≤ 11.80且E05 ≤ 165,399.5判为中过渡画像,若E1002≤ 11.80且E05 > 165,399.5判为高过渡画像;若E1002> 11.80则按E1003≤ 4.25判为低画像,>4.25判为中画像。表明高过渡画像出现在公路货运强度低于主阈值且整体物流—模态结构具较好整合性的情形。
4.4. 变量重要性(Variable Importance)
最终树仅保留E05(0.642)、E1002(0.231)、E1003(0.127),归一化重要性之和为1.000,其余36个候选预测变量未参与分裂。
4.5. 模型性能(Model Performance)
训练集表观准确率0.678;五折分层交叉验证平均准确率0.561(标准差0.067),高于多数类基线(≈0.335);平衡准确率0.560,宏平均F1值0.552,表明模型捕获了跨类别的相关结构但属中等预测性能,符合探索性浅树设计。
4.6. 混淆矩阵与分类行为(Confusion Matrix and Classification Behavior)
交叉验证混淆矩阵显示:低画像正确分类40/80(召回0.500,精度0.755),中画像正确分类30/79(召回0.380,F1 0.435),高画像正确分类64/80(召回0.800,精度0.629)。中画像最难区分为其位于两分位边界易受连续指数离散化影响;高画像区分最佳。模型适合作探索性诊断而非高精度预测工具。
4.7. 实证发现小结(Summary of Empirical Findings)
复合指数可有效划分三维过渡画像;公路货运强度是最强判别因子;客运模态结构提供次级区分;模型具中等预测性能但强可解释性,适合作为可持续物流分析的诊断工具。
四、讨论与结论翻译总结
讨论部分指出:①公路货运依赖性是物流转型的结构性障碍,高公路货运强度与低过渡画像显著关联但不宜解释为因果;②客运模态结构虽次要但说明转型受广义交通系统配置影响,海港活动变量未入选说明国家—年度层面内陆物流结构更具判别力,海港系统应视为嵌入多式联运网络的物流接口而非孤立设施;③本研究创新在于联结复合过渡评估、物流导向预测集与可解释分类模型;④政策含义强调降低过度公路依赖、强化多式联运整合及利用透明规则辅助规划;⑤方法学上强调目标变量与预测变量分离及浅树优先可解释性;⑥局限含指标选取与三分位主观性、Eurostat粒度不足、中位数插补平滑效应、树对阈值敏感及仅为关联性非因果推断。
结论(Conclusions)部分翻译总结:
本研究开发了用于分析欧洲海港系统可持续与智慧物流转型画像的探索性可解释分类框架。基于Eurostat指标从环境、能源、社会及数字维度构建复合过渡画像并三分化,应用决策树识别最具判别力的运输及模态变量。结果表明公路货运强度是主要判别因子——高公路货运值倾向归为低过渡画像,说明公路依赖仍是转型结构性障碍;客运模态结构变量亦参与分类但解释力较弱。本研究科学贡献在于联结常被分开处理的三个要素:复合过渡评估、物流与模态结构指标及可解释机器学习分类,以目标画像为基础检验物流变量对画像差异的解释力。实践上强调需降低过度公路依赖并加强欧洲海港系统多式联运整合,可解释分类工具能将多维指标转化为显式决策规则以辅助政策对话。模型受限于复合指数构建选择、三分位简化、Eurostat指标粒度、中等交叉验证准确率(0.561)及关联性非因果性质,应作为探索性诊断工具使用。总体而言,可持续与智慧物流转型不仅由环境或能源绩效决定,亦受货运运输结构、模态均衡及物流系统向平衡综合运输网络转变能力所塑造,需开展可衡量、可解释且有助于决策的物流导向转型评估。未来可引入时序数据、替代权重与分类阈值、港口级治理—数字化—集疏运连接指标及对比其他分类算法以拓展框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号