英语原文共 20 页，剩余内容已隐藏，支付完成后下载完整资料
外文翻译
4.海洋运输的研究方法
在解决海上运输的主要研究方向后，我们进一步考虑了研究方法，即研究人员如何研究这些主题和感兴趣的主题。 据我们所知，很少有研究从经济和管理的角度对海上运输进行全面的方法评估。 例如，Talley（2013）声称，相关性研究的方法可以分为制定，统计推断，优化，调查，模拟（SI），命题及其他。 但是，这种分类有点含糊不清，对于开展具体的海运问题研究提供了很少实际的建议。 Woo等人 （2011）采用更详细的分类方法，将港口研究中使用的研究方法划分为调查，访谈，经济建模（EM），数学建模，SI，案例研究（CS），概念性工作，档案分析和内容分析。
我们利用我们收集的1292篇论文对此类研究采用的所有方法进行回顾。在Woo等人的指导下（2011），确定了七种方法：调查，访谈，问卷调查和观察（SIQO）;EM; 数学，计量经济学和统计分析（MES）;CS; 概念，内容，比较和定性分析（CCCQ）;LR; 和SI。与Woo等人相比（2011），我们的分类中有一些值得考虑的差异。首先，为了简单起见，我们将访谈纳入SIQO方法。其次，我们强调了MES中的统计量经济学和计分析方法。 第三，我们将概念方法扩展到包括比较和定性分析。 第四，我们放弃了档案分析方法因为我们的收藏包括这一类的几篇论文。 然后，每张纸分配一个并只有一个组。 如图3所示，2000年至2014年间，601篇（46.52％）论文使用MES方法，273篇（21.13％）采用CCCQ方法，149例（11.53％）采用EM方法，269例（20.82％）采用其他的方法。
表7列出了各年间所采用研究方法的分布情况，其中揭示了一些有趣的发现。首先，MES论文的比例从2000 - 2004年间的35.79％（271个中的97个）上升至46.47％（368个中的171个），然后于2010 - 2014年涨至约为51％（653个中的333个）。其次，EM和SI方法被使用的频率也在增加，分别达到12.24％（653人中的81人）和4.75％（653人中的31人）。第三，与初始阶段相比，CS和LR方法的使用略有增加。第四，使用CCCQ方法的频率急剧下降，从34.32％（271人中的93人）降为14.54％（653人中的95人），下降了19.78％。 SIQO方法的使用频率也出现了下滑，从的2000 - 2004年期间的6.27％（271个中的17个）下降至2010年至2014年期间的4.44％（653个中的29个）。
如表7所示，如SIQO和CCCQ的定性方法已经不太流行，而诸如MES和EM之类的定量方法已变得越来越流行。定性或定性概念性工作通常基于参与者的想法和经验（Woo 等人。2011）。这样研究通常是指为了发现关联的潜在意义与模式的非数字性的数据。但定性研究不能给研究人员提供准确或可行的方法从而让他们科学地做出运营决策，然而量化的建议研究可以做到且它的主要任务是如何恰当地分析数据。此外，应用程序数学，统计学和计算机科学向海事研究提供了更多的先进性的分析技术，这反过来又增加了对定量方法的需求。
5.海洋运输的数据分析模型
由于定量分析越来越受欢迎，因此我们特别关注了MES方法。 表8显示了主要数据分析技术及其绝对频率及相对频率。
5.1.普通回归（9.82%）
在海运中，回归的方法通常用于解决变量之间的相关性与预测。通过使用回归技术，Glen（2003）研究出了影响了英国海员在1999年的工作时间的因素；Drobetz，Schilling和Tegtmeier（2010）等人研究了航运业预期股票收益的宏观经济风险因素的影响；Pagano等人研究了私有化及港口效率和效益之间的关系（2013年）。其他中使用回归法的研究包括Tongzon（2009）和Pantouvakis和Dimas（2010）的研究。
5.2. Logit，Probit，Tobit和泊松模型（10.48%）
传统上，Logit和Probit模型被用作二元响应模型来解决离散选择问题，例如港口偏好和选择（Nir，Lin和Liang 2003），船旗的选择（Luo，Fan，Li 2013;Fan，Luo，Yin 2014），船舶管理的选择（Cariou和Wolff 2011），航运业的并购（Alexandrou，Gounopoulos和Thomas 2014），船舶安全（李，尹和范2014a）和海员就业选择（Ding and Liang 2005）。在处理不完整观测数据时，tobit模型十分的有效。在海上运输中，经常会遇到与海上事故有关的损失费用使用陀螺技术进行了研究（Talley，Yip和Jin 2012）。当因变量是一个计数，例如，港口状态控制检查，泊松模型就十分适用。其他问题，如港口国监督检查的有效性（Carious，Mejia和Wolff 2008），漏油事件的数量（Glen 2010）以及受伤人数的决定因素也可以使用这种技术分析（Talley 2002a，2002b）。
5.3. DEA，SFA，TFP方法（10.32%）
相对效率的评估在海运方面尤为重要，如港口效率（Song和Cui，2014），航运公司绩效评估（Wang，Woo和Meleski，2014）以及造船政策评估（Pires Jr and Lamb，2008），此类可以采用数据包络分析（DEA），随机前沿分析（SFA）和全要素生产率（TFP）技术进行分析。首先，由Charnes，Cooper和Rhodes（1978）正式开发的DEA技术，在生产过程呈现多种投入和产出结构时，凭经验衡量多个决策单位的相对效率。 DEA扩展有很多种，如BC2模型（Banker，Charnes和Cooper 1984），FG模型（Fauml;reand Grosskopf，1985）和ST模型（Seiford and Thrall 1990）。更多细节可以在Charnes，Cooper和Rhodes（1978）中找到。其次，与基于完善的非参数效率测量的DEA技术不同，SFA方法起源于Meeusen和Van Den Broeck（1977）以及Aigner，Lovell和Schmidt（1977），假定参数函数（例如柯布 - 道格拉斯）存在于生产投入和产出之间。第三，TFP技术是衡量不是由投入而是由技术增长和效率提高带来的生产力的标准工具。
5.4. GARCH级，AR级模型和ECM（5.32%）
在海运中，预测运费是另一个热门话题，因为它影响运输服务的供需（Angelidis和Skiadopoulos 2008）。由于相关数据的缺失，潜在关系的错误规定和测量误差等，运费可能无法很好地被预测。所幸的是，时间序列技术提供了一种使用过去的观测值预测未来运费的直观方法（Batchelor，Alizadeh和Visvikis 2007）。首先，自回归综合移动平均数（ARIMA，Box和Jenkins，1970）作为一个结合了AR和MA规范的代表性模型是经常被使用的。然而，ARIMA模型通常违反了常数方差的假设（Jing，Marlow和Hui，2008）。更重要的是，运费收入的分布被发现显示出一个臃肿的末端，许多尖锐的顶峰和方差结构的一致性，这是ARIMA模型无法揭示的（Adland and Cullinane 2005）。其次，由Engle（1982）提出的自回归条件异方差（ARCH）模型及其被称为GARCH类模型的广义版本，已广泛应用于海事研究; 指数GARCH模型（Jing，Marlow和Hui，2008），GJR- GARCH模型（Kavussanos，Visvikis和Batchelor 2004）和Engle 1993），极限GARCH模型（Glosten，Jagannathan和Runkle，1993）以及加权ARCH模型（Ding，Granger，Granger，Granger和Granger模型）。第三，使用误差修正模型（ECM）估算短期动态、长期平衡的关系，以及以前偏离平衡的速度可以达到很好效果。
5.5. 面板回归，SEM，VAR，VECM（6.82%）
对于AR和ECM技术的矢量规范，VAR（矢量自回归）和VECM（矢量误差修正模型）已经在海事研究中得到普及。 例如，Poulakidas等人（2009）采用一种VAR模型研究油价与油轮运费率之间的先导 - 滞后关系，Batchelor，Alizadeh和Visvikis（2007）采用VECM和VAR模型来预测主要海运货运航线的即期和远期利率， Shi，Yang和Li（2013）利用一种结构化的VAR来研究原油价格在油轮市场的影响。
另一方面，一般线性建模和多元回归分析可以结合并用结构方程模型（SEM）表示。 其主要优势在于研究多重指标所表现的潜在结构之间的关系（Lei and Wu，2007）。研究者使用SEM技术讨论了许多与海运研究相关的有趣话题，如港口与区域经济（Deng，Lu，and Xiao 2013），航海选择（Guo，Liang，and Ye，2006），海员工作满意度（Li et al。2014b），以及隐性知识和交易成本对知识转移的影响（Lu and Kuo 2014）。
与上述使用纯典型性或纯时间序列数据的模型不同，面板数据模型是指将典型性和时间序列两方面相结合的数据集。它经常被用于海上运输研究，尤其是对于公司增长的决定因素（Luo，Fan和Wilson 2014），海港的经济影响（Shan，Yu和Lee，2014）以及全球航运债券利差的决定因素 Kavussanos和Tsouknidis，2014年）。
5.6. MCDM，AHP，ANP等（5.32%）
为了确定关键决定因素，关于构建和解决具有多重标准的决策和计划问题的多准则决策（MCDM）技术在海上运输中越来越受欢迎，特别是在绩效评估中。例如，用于航运公司绩效评估的模糊MCDM模型（Chou 和 Liang 2001），运输业务流程的MCDM方法（Celik 和 Topcu，2009），以及用于不确定环境中港口选择的MCDM流程（Yeo等人。2014 ）都已经发表。在所有的MCDM方法中，层次分析法（AHP）是最常用的方法，因为它的直观简单。利用层次分析法，Li，Bang和Wang（2012）确定了评估造船竞争力的八个关键因素。 AHP技术的其他应用包括选择较优的码头起重机（Chao 和 Lin 2011），航运业的竞争力评估（Lee等，2014b），影响集装箱运输公司采用沿海运输的各种因素的重要性评估（Yang 2014），以及最佳船旗选择的确定（Yang 和 Chung 2013）。层次分析中各因素之间的相关性通常在AHP方法中被忽略，而在分析网络过程（ANP）方法中则被考虑到。作为AHP方法的一种更通用的形式，ANP在实证研究中获得了重视。决策问题在ANP方法中被构建为网络而不是等级。随着ANP方法的应用，Jharkharia和Shankar（2007）利用这种方法进行了物流服务提供商选择的研究，Hsu和Hu（2009）利用这种方法调研了供应商选择，Boran，Gouml;ztepe和Yavuz（2008）利用这种方法研究了选举和选择过程。
5.7. 常用的统计数据，度量和指标（7.65%）
该技术通过使用统计指标来描述数据并对此提供一些初步的了解。根据不同的研究问题，可以使用各种指标或统计数据，如基尼系数（Veenstra和Notteboom 2011）; Hirschman-Herfindahl指数（Notteboom 2010）; Luenberger指标（Barros和Peypoch 2007）; 均值，标准差和相关性（Shi，Yang，Li 2013）; 和V—统计（Goulielmos和Psifia 2011）。
5.8. FA，PCA，ANOVA和聚类分析（4.49%）
首先，因子分析（FA）和主成分分析（PCA）是相当有效的降维技术。具体而言，由Thurstone（1931）首先引入的FA通过检查相关模式将相关变量减少为较小数量的因子，而PCA将许多可观察和相关变量转换为较小数量的线性不相主成分变量的值（Jolliffe 1972）。一个明显的区别是PCA在描述主成分与其原始变量之间的关系时并不考虑误差项（Brown，2009）。他们在海上运输中的应用可见于Saacute;nchez等人（2003），Yeo，Roe和Dinwoodie（2008），Dahl，Fenstad和Kongsvik（2014）等的研究。
其次，正如de Langen和Haezendonck（2012）所指出的，港口可以被看作是有利于经济增长的经济活动集群（Zhang and Lam 2013）。因此，可以使用聚类分析进行分析的港口集群和海运集群已经变得越来越流行。聚类分析起源于1932年的Driver和Kroeber人类学，并被Cattell（1943）用于人格心理学中的特质理论分类。其主要任务是对一组对象进行分组，使得组内（或“簇”）内的对象较其他组中的对象更为相似（Han和Kamber 2006）。 Brett和Roe（2010）在对海运进行聚类分析时证实，海运集群不仅为海运业提供了特殊的竞争优势，而且促进了当地的经济增长。 Lee等人（2014b）研究了主要海洋国家的航运竞争力，并根据每个国家目前和潜在的竞争力确定了四个集群。许多其他研究丰富了这一领域，如Lazzeretti和Capone（2010），Shinohara（2
全文共7722字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[17228]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
