• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      物流業(yè)發(fā)展的區(qū)位差異、驅(qū)動因素及時空異質(zhì)性研究
      ——基于GTWR模型的分析

      2019-02-18 08:52:30唐建榮張鑫和類延波
      財貿(mào)研究 2019年1期
      關(guān)鍵詞:物流業(yè)驅(qū)動物流

      唐建榮 張鑫和 類延波

      (江南大學(xué) 商學(xué)院,江蘇 無錫 214122)

      一、引言及文獻綜述

      中國物流與采購聯(lián)合會公布的《2016年全國物流運行情況通報》指出,2016年中國社會物流總額達(dá)229.7萬億元,按可比價格計算比上年增長6.1%,增速提高了0.3個百分點。由此可見,隨著社會經(jīng)濟的穩(wěn)步增長,物流服務(wù)需求也隨之水漲船高。事實上,中國物流業(yè)在快速發(fā)展的同時也存在諸多問題,如“東強西弱”的集聚態(tài)勢、兩極分化的“馬太效應(yīng)”等(唐建榮 等,2017)。在此背景下,剖析物流產(chǎn)業(yè)的發(fā)展演化規(guī)律及其差異成因成為學(xué)術(shù)界關(guān)注的熱點。

      近年來,對物流產(chǎn)業(yè)發(fā)展驅(qū)動因素的相關(guān)研究屢見不鮮。如王健等(2014)采用向量自回歸模型、格蘭杰因果檢驗等方法對影響區(qū)域物流發(fā)展的因素進行的動態(tài)分析;唐建榮等(2015)基于經(jīng)濟、支撐和信息視角,運用結(jié)構(gòu)方程模型,分析了城市物流業(yè)發(fā)展的驅(qū)動因素,同時對比了各區(qū)域的發(fā)展差異;陳恒等(2015)利用LMDI指數(shù)法分析了勞動力投入對于物流業(yè)發(fā)展的驅(qū)動效應(yīng),并甄別了影響物流業(yè)發(fā)展的要素;謝守紅等(2015)利用TOPSIS法測算了長三角地區(qū)16市的物流業(yè)發(fā)展水平,結(jié)合嶺回歸方法探討了城市物流業(yè)發(fā)展的驅(qū)動因素。這些研究從不同角度探討了物流產(chǎn)業(yè)發(fā)展的驅(qū)動因素,但均未將產(chǎn)業(yè)發(fā)展的空間異質(zhì)性納入研究視域,從而忽略了地理單元之間的聯(lián)系,導(dǎo)致分析結(jié)果可能存在偏差情況。

      隨著空間計量方法的發(fā)展,包含空間滯后和空間誤差等在內(nèi)的常系數(shù)模型被廣泛應(yīng)用于克服產(chǎn)業(yè)發(fā)展的空間自相關(guān)性,如蔡海亞等(2016)采用空間計量模型(SEM模型和SAR模型)分析了長江三角洲物流產(chǎn)業(yè)發(fā)展的時空格局演變及影響機理。然而,物流產(chǎn)業(yè)發(fā)展是經(jīng)濟水平、基礎(chǔ)建設(shè)、資源稟賦等多核共振的結(jié)果,作用機理復(fù)雜,且不同時空分布下各驅(qū)動因素的作用力大小和方向并不盡相同。若要兼顧不同的作用,并識別區(qū)域特質(zhì)因素的影響強度,此時常系數(shù)空間計量模型便不再滿足研究要求。

      20世紀(jì)90年代中期,地理加權(quán)回歸模型(Geographical Weighted Regression,簡記為GWR)作為一種可識別空間非平穩(wěn)性的局部變系數(shù)模型被提出并得到廣泛應(yīng)用(Fotheringham et al.,1996)。GWR模型可以克服地理單元間的空間異質(zhì)性,突破常系數(shù)模型的局限性,針對不同地區(qū)得出差異化的研究結(jié)論,其理論意義以及異質(zhì)化的政策價值較為顯著,且具有“因地制宜”的效果(呂光樺 等,2011),進而被廣泛應(yīng)用于不同行業(yè)研究中(王愛 等,2017;馬勇 等,2017;Diniz-Filho et al.,2016;向書堅 等,2016)。但GWR模型只能對截面數(shù)據(jù)進行回歸,Wu et al.(2014)在GWR模型中加入時間效應(yīng),構(gòu)建出時空地理加權(quán)回歸模型(Geographical and Temporally Weighted Regression,簡記為GTWR),可以在時間和空間兩個維度上捕捉不同空間單元的參數(shù)變異情況,從而可以有效彌補GWR模型的不足。時空地理加權(quán)回歸作為一種能夠有效識別非平穩(wěn)性的方法,在理論上得到較好的發(fā)展,現(xiàn)實中也被廣泛的應(yīng)用(Fotheringham et al.,2015;Guo et al.,2017;Chu et al.,2015;Liu et al.,2017;Bai et al.,2016)。

      綜上所述,考慮時間因素的時空變系數(shù)模型對于面板數(shù)據(jù)的適用性大大增強,并具備更加優(yōu)良的統(tǒng)計性質(zhì)(韓兆洲 等,2017),且目前國內(nèi)外并不存在采用局部變系數(shù)模型研究相關(guān)問題的文獻。有鑒于此,本文利用2005—2015年中國31個省區(qū)的面板數(shù)據(jù),從時空異質(zhì)性的角度研究物流產(chǎn)業(yè)發(fā)展的驅(qū)動路徑,甄別出區(qū)域產(chǎn)業(yè)發(fā)展的“要核”,以厘清各因素間環(huán)環(huán)相扣的機制,進而準(zhǔn)確揭示區(qū)域物流發(fā)展差異的癥結(jié)所在。與現(xiàn)有文獻相比,本文可能的貢獻在于:(1)研究視角上,從異質(zhì)性角度出發(fā),分析了物流產(chǎn)業(yè)驅(qū)動因素的空間差異及時序波動;(2)研究方法上,采用前沿的時空地理加權(quán)回歸模型,彌補了相關(guān)研究的空白,有效擴展了該方法的應(yīng)用領(lǐng)域,豐富了物流產(chǎn)業(yè)發(fā)展的理論。

      二、研究方法

      為研究物流業(yè)的發(fā)展演化、驅(qū)動因素及其時空異質(zhì)性,先利用TOPSIS模型評價物流產(chǎn)業(yè)發(fā)展水平,接下來利用核密度及探索性空間數(shù)據(jù)分析方法研究物流產(chǎn)業(yè)的演化狀況,最后構(gòu)建GTWR模型分析物流產(chǎn)業(yè)發(fā)展的驅(qū)動因素及其時空異質(zhì)性。

      (一)TOPSIS模型

      TOPSIS模型最早是由Hwang et al.(1981)提出的,這一方法核心思路是構(gòu)造一組理想解,通過衡量所有決策方案的結(jié)果與理想解的逼近程度來比較不同方案的優(yōu)劣,本文主要借鑒TOPSIS模型來構(gòu)建評價各省區(qū)物流產(chǎn)業(yè)發(fā)展的綜合指標(biāo)。熵權(quán)TOPSIS法是對傳統(tǒng)TOPSIS法的改進,即通過熵權(quán)法確定評價指標(biāo)權(quán)重,再通過TOPSIS法利用逼近理想解的技術(shù)確定評價對象的排序(李沙浪 等,2014)。由于TOPSIS評價值是各省區(qū)的指標(biāo)與正理想解和負(fù)理想解的相對余力,某個省區(qū)的評價值越高則該省區(qū)的各項指標(biāo)離正理想解越近,這表示其物流產(chǎn)業(yè)發(fā)展水平越高。

      (二)探索性空間數(shù)據(jù)分析

      探索性空間數(shù)據(jù)法(ESDA)常用于分析空間數(shù)據(jù)自相關(guān)特性??臻g自相關(guān)是指某要素與其鄰近要素屬性值在不同空間單元上的顯著程度,用于度量對象的空間集聚度和關(guān)聯(lián)性。本文通過全局Moran指數(shù)判斷物流業(yè)發(fā)展的空間相關(guān)性(李沙浪 等,2014)。全局Moran指數(shù)可以反映區(qū)域物流業(yè)發(fā)展空間分布特征,有效衡量空間鄰接的省區(qū)物流業(yè)發(fā)展水平的相似度,具體公式如下:

      (1)

      (三)核密度估計

      核密度估計(Kernel)是一種非參數(shù)方法,可以將隨機變量的分布形態(tài)以連續(xù)的密度曲線形式予以反映,進而對變量的概率密度進行估計(Silverman,1986)。這一方法假定隨機變量x的密度函數(shù)為f(x),在點x的概率密度可以用式(2)進行估計:

      (2)

      式(2)中:N為觀測值的個數(shù);Xi為獨立同分布的觀察值;h為帶寬;x為均值;K(·)為核函數(shù),核函數(shù)包括高斯核函數(shù)、Epanechnikov核函數(shù)等形式。本文采用高斯核函數(shù)進行估計,其表達(dá)式為:

      (3)

      核密度估計沒有確定的表達(dá)式,往往通過圖形分布的變化進行比較分析,而圖形中曲線可以反映變量的分布位置、形態(tài)和延展性等信息。

      (四)地理加權(quán)回歸模型(GWR)

      地理加權(quán)回歸模型(GWR)作為一種變系數(shù)空間回歸模型,常用于分析空間數(shù)據(jù)。地理加權(quán)回歸模型是運用局部多項式光滑技術(shù)對區(qū)域及其鄰近區(qū)域的觀測值進行全局最小二乘估計,進而得到每個地理區(qū)域?qū)?yīng)的局部估計值,從而有效檢測出空間非平穩(wěn)性(韓兆洲 等,2017)。

      地理加權(quán)回歸模型的一般公式如下:

      (4)

      其中,ui、νi表示i地區(qū)的經(jīng)度和緯度,即其具體的地理位置; βp(ui,νi)表示P個解釋變量的系數(shù),且該系數(shù)是經(jīng)緯度的函數(shù);yi、xip分別表示被解釋變量、解釋變量;β0(ui,νi)為P個解釋變量的截距項;εi~iidN(0,σ2)表示模型的擾動項,反映的是空間隨機效應(yīng)水平。

      式(4)可用矩陣形式表示:

      Y=(X?βT)I+ε

      (5)

      式(5)中:?表示矩陣的克羅內(nèi)克積;I為(P+1)×1維的矩陣;X和βT為N×(P+1)維矩陣。

      Brunsdon et al.(1999)利用加權(quán)最小二乘估計模型進行了修正:

      (6)

      式(6)中:矩陣W={wij}表示空間權(quán)重矩陣;Wij為區(qū)域i和區(qū)域j之間距離的衰減函數(shù);βi=(βi0,βi1,…,βip)T(其中i=1,2,…,N),表示第i個區(qū)域P個解釋變量組成的P維向量。

      (7)

      (8)

      (9)

      式(9)中:H=Xi(XTWiX)-1XTWi為帽子矩陣;Xi表示矩陣X第i行元素組成的P維向量。

      進而求出模型殘差項γ及殘差平方和:

      (10)

      (11)

      (12)

      (13)

      (14)

      (15)

      進而可求得殘差平方和為:

      (16)

      等式兩邊同時取期望可得:

      E(γTγ) =E(tr(εT(1-H)T(I-H)ε))=tr(E(εT(I-H)T(I-H)ε))=tr(E(εTε)(I-H)T(I-H))=σ2(N+tr(HTH)-2tr(H))

      (17)

      化簡可得σ2的無偏估計:

      (18)

      σ2的估計值為:

      (19)

      式(19)中,2tr(H)-tr(HTH)為解釋變量個數(shù),N-(2tr(H)-tr(HTH))為地理加權(quán)回歸模型的自由度。

      (五)時空地理加權(quán)回歸模型

      考慮到地理加權(quán)回歸模型忽略了時間效應(yīng)的影響,進而導(dǎo)致參數(shù)估計的非平穩(wěn)性。因此,可以進一步構(gòu)建時空地理加權(quán)回歸模型(GTWR)作為分析工具:

      (20)

      式(20)中:yi為n×1維解釋變量;β0為常數(shù)項系數(shù);(ui,vi,ti)表示第i個觀測點的經(jīng)緯度坐標(biāo)ui、vi[注]本文采用Gauss-Kruger Projection方法將觀測點橢球體坐標(biāo)系下的經(jīng)緯度轉(zhuǎn)為直角坐標(biāo)系下的坐標(biāo)。和觀測時點;βk(ui,vi,ti)為第k個因素在(ui,vi,ti)處的未知參數(shù);xik是n×k維解釋變量;參數(shù)通過局部加權(quán)最小二乘法估計得出,即對于給定的一個觀測點,靠近該點的觀測值賦予較大的權(quán)重值,遠(yuǎn)離該點的觀測值賦予較小的權(quán)重值,通過使得觀測值與擬合值差的加權(quán)平方和最小,從而可以求得參數(shù)的估計值。

      GTWR模型的核心是空間權(quán)重矩陣的設(shè)定,時空權(quán)重矩陣一般構(gòu)建為:W(ui,vi,ti)=diag(wi1,wi2,…,win),其中對角線元素Wij是時空距離衰減函數(shù)。常用的權(quán)函數(shù)有距離閾值函數(shù)、距離反比函數(shù)、高斯函數(shù)和截尾型函數(shù),這些函數(shù)共同特點是通過樣本點距離和效應(yīng)隨距離的衰減程度來反映權(quán)重大小(Fotheringham et al.,1996)。本文采用高斯函數(shù)作為權(quán)函數(shù),具體見式(21):

      (21)

      (22)

      式(21)中,dij為i與j之間的時空距離,時空距離的測算涉及時間、空間雙維度,需要設(shè)定空間尺度參數(shù)λ和時間尺度參數(shù)μ,以此來平衡不同量綱間的差異。將給定的空間距離dS和時間距離dT綜合成時空距離dST,進而構(gòu)建時空距離函數(shù):

      (23)

      式(23)中,當(dāng)λ=0時,表示不存在空間效應(yīng),時空距離為時間距離的比例函數(shù),此時模型設(shè)定為TWR模型;當(dāng)μ=0時,表示不存在時間效應(yīng),模型設(shè)定為GWR模型;當(dāng)λ≠0且μ≠0時,則為GTWR模型。

      由此,可以構(gòu)建的時空權(quán)重矩陣表示為:(ui,vi,ti)=diag(wi1,wi2,…,win),其中Wij的具體計算公式如下所示:

      (24)

      GTWR模型對每一個觀測的空間單元都進行了局部回歸,在地理位置的變化過程中對不同時點的每個參數(shù)進行估計,這能夠較好地反映各驅(qū)動要素的空間依賴性和時空差異性。

      三、物流業(yè)發(fā)展水平測度及時空演化分析

      準(zhǔn)確評價各省區(qū)物流業(yè)發(fā)展水平是分析其演化狀況的基礎(chǔ),有利于厘清物流業(yè)發(fā)展驅(qū)動機制的來龍去脈。本文利用2005—2015年中國31個省區(qū)面板數(shù)據(jù),結(jié)合基于熵權(quán)的TOPSIS模型評價中國各省區(qū)物流業(yè)的發(fā)展水平,并利用核密度和探索性數(shù)據(jù)分析方法研究物流產(chǎn)業(yè)的時空演化狀況。

      (一)指標(biāo)體系構(gòu)建與數(shù)據(jù)來源

      通過對已有文獻的梳理發(fā)現(xiàn),由于不同研究者研究視角和目標(biāo)不同,其所構(gòu)建的物流發(fā)展水平評價指標(biāo)體系也不盡相同。本文在參考唐建榮等(2017)、謝守紅等(2015)研究的基礎(chǔ)上,構(gòu)建出評價中國省區(qū)物流產(chǎn)業(yè)發(fā)展的指標(biāo)體系,具體如表1所示。

      表1 中國省區(qū)物流產(chǎn)業(yè)發(fā)展評價指標(biāo)體系

      表1中,物流增加額包括交通運輸業(yè)物流增加值、倉儲物流業(yè)增加值、批發(fā)物流業(yè)增加值、配送加工包裝物流業(yè)增加值和郵政業(yè)物流增加值;郵電業(yè)務(wù)總量是指以價值量形式表現(xiàn)的郵電通信企業(yè)為社會提供各類郵電通信服務(wù)的總數(shù)量;物流增加額和郵電業(yè)務(wù)總量直接反映了產(chǎn)業(yè)的市場規(guī)模;貨運周轉(zhuǎn)量是指在一定時期內(nèi)各種運輸工具運輸?shù)呢浳?旅客)數(shù)量與其相應(yīng)的運輸距離的乘積之和;汽車總量是指報告期末已注冊登記領(lǐng)有牌照的全部民用汽車數(shù)量與公用汽車數(shù)量之和;貨運周轉(zhuǎn)量和汽車總量反映了區(qū)域物流的運輸能力;第三產(chǎn)業(yè)增加額是指除第一產(chǎn)業(yè)、第二產(chǎn)業(yè)以外其它行業(yè)的增加額,該指標(biāo)作為反映宏觀產(chǎn)業(yè)發(fā)展?fàn)顩r的“鏡子”,反映了物流業(yè)的產(chǎn)業(yè)規(guī)模;社會消費品零售額是指批發(fā)和零售業(yè)、住宿和餐飲業(yè)以及其他行業(yè)直接銷售給城鄉(xiāng)居民和社會集團的消費品零售額,可以直觀反映產(chǎn)業(yè)的需求規(guī)模。為了消除人口因素的影響,本文將上述各指標(biāo)除以各省區(qū)當(dāng)年的人口數(shù)量之后再納入指標(biāo)體系。綜上,本文從市場規(guī)模、產(chǎn)業(yè)規(guī)模、需求規(guī)模和運輸能力四個方面構(gòu)建評價省區(qū)物流業(yè)發(fā)展水平的指標(biāo)體系。

      本文用交通運輸、倉儲及郵政業(yè)的統(tǒng)計值替代物流產(chǎn)業(yè)的相關(guān)指標(biāo),以2005—2015年中國大陸31個省區(qū)作為研究樣本,數(shù)據(jù)來源于歷年《中國統(tǒng)計年鑒》。

      (二)省區(qū)物流業(yè)發(fā)展水平

      結(jié)合上文構(gòu)建的指標(biāo)體系和熵權(quán)TOPSIS模型計算出2005—2015年各省區(qū)物流產(chǎn)業(yè)發(fā)展水平得分,具體結(jié)果見表2。

      表2 2005—2015年中國省區(qū)物流產(chǎn)業(yè)發(fā)展水平測度結(jié)果

      (續(xù)表2)

      20052006200720082009201020112012201320142015湖北0.0480.0620.0750.0960.1110.1340.1490.1710.1970.2310.258湖南0.0450.0590.0720.0900.1050.1250.1350.1580.1760.2030.222廣東0.1680.2070.2420.2760.3040.3480.3530.4070.4520.5340.588廣西0.0290.0390.0470.0630.0740.0950.1050.1220.1340.1500.164海南0.0170.0340.0430.0420.0530.0690.0860.0990.0820.1190.118重慶0.0290.0430.0510.0650.0760.0920.1060.1230.1350.1660.187四川0.0470.0590.0720.0880.1030.1250.1290.1500.1690.2030.233貴州0.0150.0220.0300.0390.0480.0590.0660.0790.0920.1070.122云南0.0260.0350.0440.0510.0610.0730.0800.0930.1080.1230.139西藏0.0090.0180.0220.0250.0290.0330.0400.0470.0590.0670.075陜西0.0330.0450.0550.0750.0890.1060.1170.1360.1520.1750.191甘肅0.0200.0290.0350.0460.0520.0610.0710.0840.0940.1070.117青海0.0110.0180.0230.0360.0420.0510.0600.0710.0750.0890.096寧夏0.0170.0260.0320.0540.0630.0760.0900.1050.1070.1150.122新疆0.0360.0410.0470.0580.0650.0750.0850.1020.1190.1350.141

      表2顯示了2005—2015年中國大陸31個省區(qū)的物流產(chǎn)業(yè)發(fā)展水平。由表2中數(shù)據(jù)可知,各省區(qū)物流產(chǎn)業(yè)發(fā)展水平存在明顯差異,廣東、上海、江蘇、北京、浙江等地區(qū)產(chǎn)業(yè)水平較高,并且近年來增長速度較快;新疆、寧夏、青海、甘肅、西藏等地區(qū)產(chǎn)業(yè)水平較低,且增長速度較為緩慢。總體上,中國物流業(yè)呈現(xiàn)出“東強西弱”的發(fā)展態(tài)勢,各省區(qū)物流產(chǎn)業(yè)發(fā)展的初始水平、發(fā)展路徑、發(fā)展速度均存在明顯差異。

      (三)省區(qū)物流業(yè)時空演化分析

      圖1中國物流業(yè)發(fā)展的核密度分布

      (1)物流產(chǎn)業(yè)發(fā)展的分布狀況。為直觀展現(xiàn)出2005—2015年物流產(chǎn)業(yè)整體演化情況,根據(jù)表2數(shù)據(jù),結(jié)合核密度估計結(jié)果繪制2005年、2010年和2015年物流業(yè)發(fā)展水平Kernel密度圖,從而有效呈現(xiàn)產(chǎn)業(yè)整體的發(fā)展遷移趨勢。具體如圖1所示。

      圖1中,2005—2015年密度曲線整體向右遷移,反映出各地區(qū)的物流產(chǎn)業(yè)發(fā)展呈現(xiàn)逐步提升態(tài)勢;2005年波峰較陡,呈現(xiàn)出明顯雙峰分布態(tài)勢,2010年波峰較為平穩(wěn),且雙峰態(tài)勢減弱,2015年波峰更為平穩(wěn),且波峰已由雙峰分布逐漸轉(zhuǎn)變?yōu)閱畏宸植?,說明產(chǎn)業(yè)發(fā)展的低位趨同現(xiàn)象出現(xiàn)減弱趨勢;2005年主峰分布在低值與中間值之間,到2015年波峰向右遷移,且波峰下降明顯,說明物流產(chǎn)業(yè)發(fā)展水平較高地區(qū)發(fā)展提速放緩,而部分發(fā)展中等水平地區(qū)發(fā)展速度增快。

      為展現(xiàn)區(qū)域間產(chǎn)業(yè)發(fā)展差異,進一步繪制出2005—2010年和2011—2015年中國東部、中部、西部地區(qū)[注]東部地區(qū)包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南11個省區(qū),中部地區(qū)包括黑龍江、吉林、山西、安徽、江西、河南、湖北、湖南8個省區(qū),西部地區(qū)包括內(nèi)蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆12個省區(qū)。的核密度分布對比圖,具體如圖2所示。

      由圖2可知:從位置上看,由第一階段到第二階段,東部、中部、西部三大區(qū)域產(chǎn)業(yè)發(fā)展密度曲線均呈現(xiàn)向右遷移的趨勢,表明各區(qū)域的產(chǎn)業(yè)發(fā)展水平都有所提升;從形狀上看,中部和西部地區(qū)的波峰較陡,而東部地區(qū)的波峰較為平穩(wěn),由第一階段到第二階段中、西部地區(qū)的密度曲線形狀變化不大,仍然處于“尖陡”態(tài)勢,東部地區(qū)則呈現(xiàn)雙峰分布的特點,這說明中西部地區(qū)整體發(fā)展速度差異不大,而東部地區(qū)間的差異較為明顯;從峰值來看,從第一階段到第二階段,三大區(qū)域的峰值均明顯下降,這表明區(qū)域內(nèi)部的發(fā)展分散化,但區(qū)域間的差距仍然明顯。

      圖2 2005—2010年(左)、2011—2015年(右)中國物流業(yè)發(fā)展的核密度分布

      (2)產(chǎn)業(yè)發(fā)展的空間相關(guān)性。核密度分析顯示了產(chǎn)業(yè)發(fā)展的區(qū)域分布差異,在此基礎(chǔ)上可以利用探索性數(shù)據(jù)分析方法研究產(chǎn)業(yè)發(fā)展的空間關(guān)聯(lián)性。全局Moran指數(shù)用于表現(xiàn)整個研究區(qū)域物流業(yè)發(fā)展空間分布特征,可以衡量空間鄰接省區(qū)物流業(yè)發(fā)展水平的相似度。本文利用Geoda軟件,結(jié)合式(1)計算各年中國物流產(chǎn)業(yè)的全局Moran指數(shù)[注]對空間位置進行隨機排列,從而模擬計算出全局Moran指數(shù)的P值,即Pseodu p值。本文選擇的排列次數(shù)(permutations)為999次。,具體結(jié)果如表3所示。

      表3 2005—2015年物流產(chǎn)業(yè)發(fā)展的全局Moran指數(shù)統(tǒng)計表

      注:***表示在1%的顯著性水平下顯著;Z-value為Z得分。

      由表3可知,中國物流業(yè)全局Moran指數(shù)最小值為2006年的0.3528,最大值為2011年的0.4797;從顯著性水平來看(結(jié)合P值和Z得分),各年Moran值均在1%的水平下顯著,表明中國各省區(qū)的物流業(yè)發(fā)展水平呈現(xiàn)顯著的空間正相關(guān)。從時序的角度來看,Moran指數(shù)呈現(xiàn)倒“U”型的發(fā)展趨勢:2005—2011年Moran指數(shù)呈增大趨勢,此時產(chǎn)業(yè)發(fā)展在空間上的正向集聚區(qū)域持續(xù)擴大,空間相關(guān)性逐步增強;2011—2015年Moran指數(shù)呈減小趨勢,此時地理上的局部差異性擴大,相似性減小。

      四、物流業(yè)驅(qū)動因素及其時空異質(zhì)性研究

      由上文分析可知,省區(qū)物流業(yè)發(fā)展差異性與相關(guān)性并存,為了進一步甄別物流產(chǎn)業(yè)發(fā)展演化的驅(qū)動因素,需要構(gòu)建相關(guān)計量模型進行探究。Tobler(1970)認(rèn)為,空間地理位置鄰近地區(qū)具有相似的屬性值,地理區(qū)位鄰近的區(qū)域往往存在空間自相關(guān)性,一般不滿足相互獨立的假設(shè),普通全局線性回歸模型的估計將會造成偏差,因而應(yīng)構(gòu)建空間計量模型來識別產(chǎn)業(yè)發(fā)展的驅(qū)動因素,分析各因素的時空異質(zhì)性。

      (一)變量選取與指標(biāo)說明

      多數(shù)學(xué)者(唐建榮 等,2015;王健 等,2014;魏修建 等,2014)將物流總額、物流增加額或者貨運周轉(zhuǎn)量作為因變量,以此對產(chǎn)業(yè)發(fā)展的驅(qū)動因素進行研究,但由于物流產(chǎn)業(yè)受經(jīng)濟、環(huán)境、政治等多方面因素的影響,僅使用物流總額等單一指標(biāo)難以準(zhǔn)確度量其驅(qū)動因素。因此,可以利用上文TOPSIS模型評價所得產(chǎn)業(yè)發(fā)展水平作為因變量,能夠減少單一指標(biāo)作為因變量可能產(chǎn)生的信息失真問題。

      在自變量的選取上,本文利用PEST分析框架,從政治、經(jīng)濟、社會和技術(shù)四個方面總結(jié)出影響物流產(chǎn)業(yè)發(fā)展的因素:

      (1)政治因素。進出口貿(mào)易和外商直接投資可以作為影響物流業(yè)發(fā)展的政治因素。對外貿(mào)易能夠從需求端拉動物流產(chǎn)業(yè)發(fā)展,并通過“乘數(shù)”作用產(chǎn)生連鎖反應(yīng);同時,外商直接投資可以發(fā)揮中國市場、資源和勞動力方面的比較優(yōu)勢,從而提高物流業(yè)的發(fā)展效率。本文用各地區(qū)人均進出口貿(mào)易總額(按經(jīng)營單位所在地分)代表進出口貿(mào)易水平(ie)(唐建榮 等,2017),以人均外商直接投資總額(fdi)代表外商直接投資水平(姚娟 等,2012)。

      (2)經(jīng)濟因素。經(jīng)濟發(fā)展可以改善產(chǎn)業(yè)結(jié)構(gòu)、分配結(jié)構(gòu)、消費結(jié)構(gòu),進而促進區(qū)域間的資本、要素的流通;同時通過影響用戶消費偏好,促進物流服務(wù)業(yè)的發(fā)展。人均gdp是衡量區(qū)域經(jīng)濟運行狀況的晴雨表,因此使用省區(qū)人均gdp代表其經(jīng)濟發(fā)展?fàn)顩r(唐建榮 等,2017)。

      (3)社會因素。人口因素,即勞動力數(shù)量的增加會為產(chǎn)業(yè)發(fā)展帶來“人口紅利”;基礎(chǔ)建設(shè)可以提高既有資源的整合水平和利用程度,實現(xiàn)不同區(qū)域主體間的要素流動和功能整合,發(fā)揮產(chǎn)業(yè)發(fā)展網(wǎng)絡(luò)擴散的正外部性。本文以物流業(yè)從業(yè)人員數(shù)代替物流產(chǎn)業(yè)的勞動力投入水平(lab)(陳恒 等,2015),用物流網(wǎng)絡(luò)密度(鐵路與公路營業(yè)里程之和比上區(qū)域國土面積)代表基礎(chǔ)建設(shè)水平(王健 等,2014)。

      (4)技術(shù)因素??萍及l(fā)展縮短了用戶和服務(wù)商之間的距離,提高了商品流通速度,增加了物流配送需求,降低了企業(yè)產(chǎn)品和服務(wù)的成本,提升了服務(wù)質(zhì)量。研發(fā)(rd)經(jīng)費內(nèi)部支出可以較好地反映區(qū)域科技發(fā)展程度。因此,本文用人均研發(fā)(rd)經(jīng)費內(nèi)部支出反映地區(qū)科技水平。

      綜上,本文選取進出口貿(mào)易、外商直接投資、經(jīng)濟發(fā)展、勞動力投入、基礎(chǔ)建設(shè)、科研投入作為產(chǎn)業(yè)發(fā)展的驅(qū)動因素。數(shù)據(jù)來源于歷年《中國統(tǒng)計年鑒》,為了避免殘差的異方差性帶來的影響,對上述數(shù)據(jù)均進行自然對數(shù)轉(zhuǎn)換(以e為底)。各變量的描述性統(tǒng)計結(jié)果見表4所示。

      表4 變量的描述性統(tǒng)計結(jié)果

      (二)單位根與多重共線性檢驗

      為了避免偽回歸情況的出現(xiàn),本文采用ADF和PP兩種單位根檢驗方法確定數(shù)據(jù)的平穩(wěn)狀況。此外,利用方差膨脹因子(Variance Inflation Factor,VIF)檢驗各變量之間是否存在多重共線性(姚昕 等,2017),具體結(jié)果見表5所示。

      表5 各變量的單位根檢驗和VIF檢驗結(jié)果

      注:表中的Dickey-Fuller為迪基-福勒檢驗值,Lag order為滯后長度,結(jié)果由R軟件計算所得。

      由表5可知,不論是ADF單位根檢驗還是PP單位根檢驗,均在1%水平下顯著地拒絕數(shù)據(jù)不平穩(wěn)的原假設(shè),因此所有變量都是平穩(wěn)的,適合進行面板數(shù)據(jù)回歸建模。同時,各變量的方差膨脹因子均小于經(jīng)驗值10,因此變量之間不存在多重共線性。

      (三)物流業(yè)驅(qū)動因素的實證結(jié)果與分析

      GTWR模型能估計自變量在時空演變中的局部效應(yīng),其參數(shù)估計值隨著時空的演變而不同,從而可以揭示驅(qū)動要素的時空異質(zhì)性。為了保證回歸結(jié)果的有效性和穩(wěn)健性,在進行GTWR回歸之前,要先做普通面板回歸,結(jié)果見表6。

      表6 普通面板數(shù)據(jù)回歸匯總

      注:括號內(nèi)數(shù)字為t統(tǒng)計值;*、**、***分別表示在10%、5%、1%的水平上顯著。

      由表6可知,F(xiàn)檢驗的P值小于1%,拒絕了建立混合模型的原假設(shè);Hausman檢驗的P值小于1%,拒絕了建立隨機效應(yīng)模型的原假設(shè),這表明應(yīng)采用固定效應(yīng)模型。從固定效應(yīng)模型的回歸結(jié)果來看,個體固定效應(yīng)模型的解釋力最強,說明個體間的差異較為顯著,經(jīng)濟發(fā)展、基礎(chǔ)設(shè)施建設(shè)、研發(fā)投入、進出口水平及外商直接投資對物流產(chǎn)業(yè)的正向影響依次減弱,勞動力因素的影響為負(fù)。值得注意的是,勞動力投入系數(shù)在各種效應(yīng)下均為負(fù),表明物流產(chǎn)業(yè)的勞動密集性特征已逐漸弱化,過多的勞動力聚集可能會由于要素競爭阻礙產(chǎn)業(yè)的發(fā)展,或表明地區(qū)勞動力效率并不高,這也印證了陳恒等(2015)的觀點,即勞動力規(guī)模擴大并不能有效驅(qū)動物流業(yè)發(fā)展。

      表7 2005—2015年各要素的GWR及TWR估計結(jié)果

      注:回歸結(jié)果由Arcgis10.3.1軟件結(jié)合GTWR Beta1.0工具箱計算得到,該工具箱由香港中文大學(xué)開發(fā)提供。

      普通面板回歸一定程度上反映了各要素的作用強度,但并未考慮空間距離因素,因此不同觀察值間的差異被平均了,只能得到一個整體的相互依賴關(guān)系,不能反映參數(shù)在不同空間的非穩(wěn)定性(齊亞偉 等,2014)。因此,本文從時間、空間角度構(gòu)建局部加權(quán)回歸模型進行參數(shù)估計,并利用高斯核函數(shù)法構(gòu)建權(quán)重矩陣,同時結(jié)合交叉驗證法CV、AIC測算最優(yōu)帶寬[注]在GWR模型中,若帶寬趨于無窮大,任意兩點的權(quán)重將趨于1,則被估計的參數(shù)變成一致時,GWR就等于經(jīng)典的OLS線性回歸;反之當(dāng)帶寬變得很小時,參數(shù)估計將會更加依賴于鄰近的觀測值。,最終得到GWR、TWR模型的估計結(jié)果(具體見表7)。

      表7呈現(xiàn)了GWR和TWR的回歸結(jié)果,根據(jù)CV、AIC及調(diào)整的R2進行綜合判斷,GWR的解釋力強于全局線性回歸結(jié)果,也強于TWR的估計結(jié)果(AIC、CV值越小,表示模型的解釋力越強)。在GWR模型中加入時間因素構(gòu)建GTWR模型,從而得到參數(shù)估計結(jié)果,具體見表8所示。

      表8 2005—2015年各要素的GTWR估計結(jié)果

      注:相對于GWR和TWR模型,GTWR模型從時間、空間兩個維度同時進行考察,故表中提供了Spatio-temporal distance rate的數(shù)值;變異系數(shù)反映了系數(shù)的波動幅度,其計算公式為:變異系數(shù)(CV)=標(biāo)準(zhǔn)偏差(SD)/平均值(Mean)。

      表8報告了GTWR模型的估計結(jié)果。對比表7可知,三種局部回歸模型的估計結(jié)果都在相應(yīng)區(qū)間內(nèi)波動,波動強度存在一定的差異。這可能是因為不同的模型關(guān)注了不同方面的非平穩(wěn)性。從擬合度、CV和AIC等結(jié)果來看,GTWR模型調(diào)整的R2值達(dá)到0.973,CV、AIC值分別為0.214、-1606.41,表明該模型的擬合優(yōu)良性全面優(yōu)于GWR、TWR模型,因而綜合考慮時間和空間因素的GTWR模型為最優(yōu)選擇。

      為了更加清楚地揭示驅(qū)動要素的波動情況,接下來從回歸系數(shù)總體分布、空間差異、時序波動三個方面進行探討。

      (1)系數(shù)的總體分布。基于GTWR回歸結(jié)果,繪制出各變量系數(shù)的密度圖[注]GTWR模型綜合考慮時間和空間信息進行參數(shù)估計。N×T的回歸樣本可得到N×T個系數(shù),本文樣本數(shù)量31×11,可得到341個估計系數(shù)。限于文章篇幅,各年不同地區(qū)的參數(shù)估計值不再一一列出,具體結(jié)果在圖3中進行展示。,具體如圖3所示。

      由圖3可知,不同變量系數(shù)的分布存在較大差異。其中,ie的系數(shù)分布較為對稱,高峰位于0.01左右,說明進出口貿(mào)易作用于產(chǎn)業(yè)發(fā)展呈現(xiàn)出較為顯著的梯度特征,即對于不同地區(qū)的驅(qū)動力存在較大差異,對部分地區(qū)的產(chǎn)業(yè)發(fā)展甚至存在抑制作用;fdi的系數(shù)呈現(xiàn)明顯的右偏尖峰分布,峰值位于0.001前后,表明外商直接投資對各地區(qū)產(chǎn)業(yè)發(fā)展存在正向驅(qū)動作用,呈現(xiàn)出強度小、穩(wěn)健性高、變異性低的特征;gdp的系數(shù)均為正值,且總體呈右偏分布,峰值約為0.05,表明經(jīng)濟發(fā)展能有力推動地區(qū)物流產(chǎn)業(yè)發(fā)展;lab的系數(shù)值正負(fù)不一,峰值位于-0.025左右,說明勞動力數(shù)量對于多數(shù)物流產(chǎn)業(yè)發(fā)展的作用為負(fù),且地區(qū)間系數(shù)也存在較大差異;inf的系數(shù)呈現(xiàn)明顯的左偏分布,峰值接近于0,說明基礎(chǔ)設(shè)施建設(shè)對于區(qū)域產(chǎn)業(yè)發(fā)展的促進作用較小,甚至存在一定程度的抑制作用;rd的系數(shù)呈多峰分布態(tài)勢,主峰值約為0.01,表明研發(fā)投入對于大部分地區(qū)的產(chǎn)業(yè)發(fā)展具有明顯促進作用,對部分地區(qū)的驅(qū)動作用較強。

      圖3 各要素回歸系數(shù)的分布密度圖

      (2)系數(shù)的空間差異。利用GTWR模型年均局域估計結(jié)果,結(jié)合Arcgis10.3.1軟件對各要素系數(shù)的地區(qū)分布情況進行可視化處理,采用自然斷點分類法(Natural Breaks Jenks)將相似性最大的數(shù)據(jù)分在同一級(劉華軍 等,2016),差異性最大的數(shù)據(jù)分在不同級,從而可以在空間上分析各驅(qū)動要素的差異性,具體結(jié)果如圖4、圖5、圖6所示。

      由圖4—圖6可知,對于不同區(qū)域而言,各變量的分布存在明顯差異:

      關(guān)于ie系數(shù)的空間分布。由圖4(左)可知,ie系數(shù)的空間分布總體呈現(xiàn)東低、中高、西低的格局。東部地區(qū)尤其是長三角地區(qū)處于貿(mào)易活躍區(qū),港口物流貿(mào)易較為發(fā)達(dá),進出口貿(mào)易已達(dá)到一定規(guī)模,繼續(xù)通過進出口貿(mào)易促進產(chǎn)業(yè)發(fā)展的收益有限,甚至?xí)霈F(xiàn)邊際效應(yīng)遞減現(xiàn)象;中部地區(qū)地處交通要塞,擁有物流網(wǎng)絡(luò)核心的地位,該地區(qū)ie系數(shù)較高,其貿(mào)易規(guī)模仍有進一步提升的空間;西部地區(qū)經(jīng)濟活力較低,貿(mào)易規(guī)模較小,其作用系數(shù)也較低。

      關(guān)于fdi系數(shù)的空間分布。由圖4(右)可知,外商直接投資系數(shù)的空間分布總體呈現(xiàn)“東中部地區(qū)低、西部地區(qū)高”的特點。擴大外商直接投資規(guī)??梢酝卣菇?jīng)濟范圍,減少交易成本,提高中國整體物流從業(yè)者的相對工資水平。相對于東部地區(qū)等產(chǎn)業(yè)“富饒區(qū)”而言,西部地區(qū)外商直接投資能夠更好地促進勞動力、資本等要素的流入,增強地區(qū)經(jīng)濟活力,促進產(chǎn)業(yè)的發(fā)展;同時,還能顯著提高工農(nóng)業(yè)領(lǐng)域的貨物周轉(zhuǎn)水平(姚娟 等,2012)。西部地區(qū)制造業(yè)基礎(chǔ)較好,因此外商直接投資在該地區(qū)的作用系數(shù)也較高。

      圖4 ie和fdi平均作用的空間分布圖

      圖5 gdp和lab平均作用的空間分布圖

      圖6 inf和rd平均作用的空間分布圖

      關(guān)于gdp系數(shù)的空間分布。由圖5(左)可知,gdp對各地區(qū)物流業(yè)發(fā)展均具有正向作用,物流業(yè)的需求量依賴于地區(qū)經(jīng)濟的發(fā)展。gdp對中部地區(qū)物流產(chǎn)業(yè)的作用系數(shù)較高,對西部地區(qū)的作用強度較低,表明區(qū)域經(jīng)濟發(fā)展存在不均衡的現(xiàn)象:即區(qū)域間經(jīng)濟發(fā)展差距過大,缺乏聯(lián)動性,使得資源要素產(chǎn)生集聚,從而導(dǎo)致產(chǎn)業(yè)發(fā)展存在“馬太效應(yīng)”;區(qū)域內(nèi)經(jīng)濟與基礎(chǔ)建設(shè)、科技研發(fā)等要素發(fā)展的“不配套”,協(xié)同度較低,從而導(dǎo)致部分地區(qū)經(jīng)濟驅(qū)動力較弱。

      關(guān)于lab系數(shù)的空間分布。由圖5(右)可知,勞動力投入系數(shù)呈現(xiàn)出“東部-中部-西部”的梯度遞減分布。這表明勞動力投入對于東部地區(qū)物流產(chǎn)業(yè)發(fā)展具有較強促進作用,對西部地區(qū)的促進作用較小,甚至存在反向抑制作用。隨著物流產(chǎn)業(yè)的快速發(fā)展,物流從業(yè)人員的工作范圍已從過去的運輸和倉儲等低端領(lǐng)域向物流信息系統(tǒng)開發(fā)、物流系統(tǒng)規(guī)劃、第四方物流管理等領(lǐng)域拓展(鄔躍 等,2007)。物流產(chǎn)業(yè)勞動密集型的特征正在變?nèi)?,技術(shù)密集型的特點開始凸顯。在此背景下,市場對勞動力的要求逐漸由“量”轉(zhuǎn)為“質(zhì)”。東部地區(qū)作為人才的聚集地,高端人才較多,可以較好地滿足產(chǎn)業(yè)發(fā)展需求;西部地區(qū)物流人才缺乏,勞動力“量”的提升并不能滿足產(chǎn)業(yè)發(fā)展需要,反而會因惡性競爭抑制產(chǎn)業(yè)發(fā)展。

      關(guān)于inf系數(shù)的空間分布。由圖6(左)可知,基礎(chǔ)設(shè)施建設(shè)的系數(shù)呈現(xiàn)出由南向北梯度遞減的規(guī)律,表明隨著區(qū)位的北移,基礎(chǔ)設(shè)施建設(shè)的促進效果減弱,甚至出現(xiàn)系數(shù)為負(fù)的情況。在GTWR模型中,特定區(qū)域的回歸參數(shù)不再是利用所有樣本估計的假定常數(shù),而是利用其鄰近區(qū)域的子樣本信息進行局域回歸估計,并隨時空位置的變化而對參數(shù)進行調(diào)整。區(qū)域物流產(chǎn)業(yè)的發(fā)展同時受到該地區(qū)及鄰近地區(qū)基礎(chǔ)設(shè)施建設(shè)的影響,跨地區(qū)交通基礎(chǔ)設(shè)施的建設(shè)往往會擴大發(fā)達(dá)地區(qū)對落后地區(qū)各類生產(chǎn)要素的“虹吸效應(yīng)”,進而導(dǎo)致基礎(chǔ)設(shè)施建設(shè)的負(fù)向溢出(張學(xué)良,2012)。當(dāng)這種負(fù)向溢出效應(yīng)大于其鄰近地區(qū)基礎(chǔ)設(shè)施建設(shè)的正向擴散效應(yīng)時,則會出現(xiàn)系數(shù)為負(fù)的情況。歸根到底,這是由于鄰近地區(qū)間產(chǎn)業(yè)發(fā)展協(xié)同度不高,地區(qū)差異過大所導(dǎo)致的。

      關(guān)于rd系數(shù)的空間分布。由圖6(右)可知,東部沿海地區(qū)的研發(fā)投入系數(shù)較高,南部地區(qū)、北部地區(qū)的系數(shù)相對較低,部分地區(qū)的系數(shù)為負(fù),從而產(chǎn)生了“創(chuàng)新悖論”的現(xiàn)象[注]創(chuàng)新悖論指創(chuàng)新不一定能有效地轉(zhuǎn)化為增長(Pessoa et al.,2010)。(Pessoa et al.,2010)。從“社會過濾”[注]社會過濾用于描述本地經(jīng)濟社會條件對創(chuàng)新轉(zhuǎn)化為增長所產(chǎn)生的“過濾”作用,本地經(jīng)濟社會條件就好比創(chuàng)新與增長中間的“介質(zhì)層”,“介質(zhì)層”的不同導(dǎo)致創(chuàng)新轉(zhuǎn)化率也不同(Rodriguez-pose et al.,1999)。的角度來看,各地區(qū)的產(chǎn)業(yè)基礎(chǔ)、經(jīng)濟條件并不相同,導(dǎo)致其社會過濾能力也不盡相同。而社會過濾對于創(chuàng)新的有效轉(zhuǎn)化兼具促進和抑制兩種作用,這兩種作用的對沖及消長可能是科技投入轉(zhuǎn)化物流產(chǎn)業(yè)增長之間的黑箱。從區(qū)域協(xié)調(diào)發(fā)展的角度來看,鄰近地區(qū)之間科技水平或者產(chǎn)業(yè)發(fā)展差距過大,可能導(dǎo)致科技創(chuàng)新系數(shù)為負(fù)的情況。因此,系數(shù)較高的地區(qū),表明其社會過濾能力較強,創(chuàng)新轉(zhuǎn)化效率較高;系數(shù)較低的地區(qū),表明其社會過濾能力較差。值得注意的是,系數(shù)為負(fù)不一定是要求地區(qū)減少相應(yīng)的科技投入,而是在政策含義上意味著注重區(qū)域投資實踐中效率與數(shù)量的均衡。

      (3)系數(shù)的時序變動。為展現(xiàn)各要素的時序波動情況,本文繪制出各要素驅(qū)動系數(shù)時序波動圖,橫軸代表不同年份(2005—2015年),縱軸表示變量的系數(shù)大小,具體見圖7—12所示。

      由圖7可知,ie系數(shù)的時序波動大致可分為上升型和波動型。其中,波動型的地區(qū)包括黑龍江、遼寧、吉林、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆等省區(qū),其余省區(qū)為上升型。波動型區(qū)域應(yīng)根據(jù)不同階段的實際市場需求來確定進出口貿(mào)易目標(biāo),使得進出口貿(mào)易規(guī)模與物流產(chǎn)業(yè)發(fā)展實力相匹配;上升型區(qū)域由于市場需求尚未飽和,可以加強進出口貿(mào)易以帶動當(dāng)?shù)匚锪鳂I(yè)的進一步發(fā)展。

      由圖8可知,fdi系數(shù)的時序波動大致可劃分為三類:上升型、下降型、波動型。其中,上升型的地區(qū)包括湖南、廣東、廣西、海南、重慶、四川、貴州、云南等南方省區(qū);波動型地區(qū)的有西藏、陜西、甘肅、寧夏、新疆等西北部省區(qū),其余省區(qū)為下降型。上升型區(qū)域應(yīng)繼續(xù)加大外商投資力度;下降型地區(qū)應(yīng)適度把握外商直接投資規(guī)模,基于地區(qū)發(fā)展?jié)摿蛢攤芰侠硪M外資;波動型區(qū)域應(yīng)強化外商直接投資的“利用效率”和溢出效應(yīng)。

      圖7 ie系數(shù)的時序波動情況

      圖8 fdi系數(shù)的時序波動情況

      由圖9可知,gdp系數(shù)的時序波動基本呈現(xiàn)出逐年增長態(tài)勢,不同地區(qū)的增長速度略有不同,這表明經(jīng)濟發(fā)展水平是區(qū)域物流業(yè)發(fā)展的核心驅(qū)動力,且驅(qū)動作用日益增強,但地區(qū)間動力演化存在顯著的差異性。

      由圖10可知,lab系數(shù)的時序波動可分為三種類型:“下降-上升型”、“上升-下降-上升”型、下降型。其中,“下降-上升”型包括北京、天津、河北、山西、內(nèi)蒙古等省區(qū);“上升-下降-上升”型包括遼寧、吉林、黑龍江、上海、江蘇、浙江、安徽等省區(qū);其余省區(qū)為下降型。值得注意的是,2008—2009年間三種類型地區(qū)勞動力系數(shù)都呈現(xiàn)出明顯的下降趨勢。這是由于2008年經(jīng)濟危機先影響到中國進出口貿(mào)易,進而導(dǎo)致物流產(chǎn)業(yè)發(fā)展出現(xiàn)停滯,多數(shù)地區(qū)物流業(yè)勞動力供求出現(xiàn)失衡,從而表現(xiàn)出其作用系數(shù)呈現(xiàn)顯著衰減的特征。

      圖9 gdp系數(shù)的時序波動情況

      圖10 lab系數(shù)的時序波動情況

      由圖11可知,inf系數(shù)的時序波動呈現(xiàn)出“兩極分化”的現(xiàn)象:華東地區(qū)、華北地區(qū)(包括北京、天津、河北、山西、內(nèi)蒙古、遼寧、吉林、黑龍江、上海、江蘇、浙江、安徽、福建、江西、山東、河南等省區(qū))的系數(shù)呈持續(xù)上升的態(tài)勢,并逐漸由負(fù)數(shù)轉(zhuǎn)變?yōu)檎龜?shù);華南、西北等地區(qū)的系數(shù)表現(xiàn)為逐漸下降或先上升后下降的態(tài)勢。說明華東、華北等地區(qū)物流基礎(chǔ)設(shè)施建設(shè)的協(xié)同度和聯(lián)動性較好,跨地區(qū)基礎(chǔ)設(shè)施的“虹吸效應(yīng)”出現(xiàn)逐漸減弱趨勢。

      由圖12可知,rd系數(shù)的時序波動可分為三種類型:上升型、下降型、上升-下降型。其中,上升型包括重慶、四川、云南、甘肅、青海、新疆等省區(qū);下降型包括北京、天津、河北、山西、內(nèi)蒙古、山東、河南、湖北、湖南、廣西、海南、貴州、西藏、陜西、寧夏等省區(qū);其余省區(qū)屬于先上升后下降型。上升型地區(qū)的科研投入可以較好地促進該地物流產(chǎn)業(yè)的進步;下降型地區(qū)的研發(fā)投入對于當(dāng)?shù)禺a(chǎn)業(yè)促進作用呈現(xiàn)逐漸減弱態(tài)勢,可能是由于當(dāng)?shù)厣鐣^濾能力較弱或邊際效應(yīng)遞減所致;先上升后下降型地區(qū)的研發(fā)驅(qū)動系數(shù)也呈現(xiàn)出一定的邊際遞減效應(yīng)。

      圖11 inf系數(shù)的時序波動情況

      圖12 rd系數(shù)的時序波動情況

      五、結(jié)論與建議

      基于2005—2015年中國省級面板數(shù)據(jù),運用TOPSIS模型測度省區(qū)物流業(yè)發(fā)展水平,并結(jié)合核密度估計、探索性數(shù)據(jù)分析研究物流產(chǎn)業(yè)演化規(guī)律,通過構(gòu)建GTWR模型考察物流產(chǎn)業(yè)發(fā)展的驅(qū)動因素及其時空異質(zhì)性。研究結(jié)果表明:中國省域物流業(yè)發(fā)展差異性與相關(guān)性并存;物流產(chǎn)業(yè)多維驅(qū)動要素呈現(xiàn)出明顯的時空非平穩(wěn)性,不同時點、不同地區(qū)各驅(qū)動要素的波動方向和作用強度并不相同;不同驅(qū)動要素分別呈現(xiàn)出左偏、右偏、對稱、多峰等分布態(tài)勢;各要素均呈現(xiàn)出一定的東、中、西梯度分布格局;不同地區(qū)各驅(qū)動要素的時變形態(tài)不同。

      為了促進區(qū)域物流業(yè)的協(xié)同健康發(fā)展,接下來從區(qū)位差異、驅(qū)動異質(zhì)、動力演化三個層面提出對策建議,以破解中國物流業(yè)發(fā)展區(qū)域失衡的困境:

      (1)區(qū)域協(xié)同,穩(wěn)健驅(qū)動。地區(qū)產(chǎn)業(yè)發(fā)展差距過大是造成驅(qū)動要素波動的重要原因。因而,應(yīng)首先在政策導(dǎo)向上建立跨區(qū)域協(xié)調(diào)機制,加大對物流產(chǎn)業(yè)發(fā)展弱勢區(qū)的扶持力度,加強跨區(qū)域產(chǎn)業(yè)協(xié)作,促進區(qū)域流通資源優(yōu)勢互補,縮小地區(qū)間產(chǎn)業(yè)發(fā)展差距。此外,要從各要素本身出發(fā),提高其驅(qū)動力的穩(wěn)健性。比如提高創(chuàng)新轉(zhuǎn)化效率,加速區(qū)域間的知識溢出、技術(shù)擴散;完善交通樞紐設(shè)施的共建共享,加強支線與干線的互聯(lián)互通,優(yōu)化運輸方式連接路徑,弱化基礎(chǔ)建設(shè)的負(fù)向溢出效應(yīng);合理分配區(qū)域勞動力投入,提升勞動力效率;縮小地區(qū)經(jīng)濟貧富差距,建立區(qū)域間經(jīng)濟聯(lián)動機制。

      (2)因地制宜,精準(zhǔn)驅(qū)動。針對不同地區(qū)要素驅(qū)動效應(yīng)的異質(zhì)性,應(yīng)根據(jù)各區(qū)域在空間關(guān)聯(lián)中的不同地位和作用以及產(chǎn)業(yè)增長板塊的不同功能,選擇有針對性的區(qū)域產(chǎn)業(yè)政策,進行定向調(diào)控和精準(zhǔn)調(diào)控,以優(yōu)化產(chǎn)業(yè)發(fā)展的空間配置效率、提升區(qū)域物流產(chǎn)業(yè)發(fā)展的空間協(xié)同性。要因地制宜地走集約化、錯位化的產(chǎn)業(yè)發(fā)展道路,形成各地區(qū)優(yōu)勢互補、產(chǎn)業(yè)錯位、合理分工、聯(lián)動發(fā)展的產(chǎn)業(yè)發(fā)展新格局。依托相對優(yōu)勢,提升產(chǎn)業(yè)發(fā)展水平和綜合實力,進一步實現(xiàn)中國物流業(yè)的跨越式發(fā)展。

      (3)動態(tài)迭代,多元驅(qū)動。不同時期,各地區(qū)物流產(chǎn)業(yè)驅(qū)動力會產(chǎn)生迭代和遷移。因此,要結(jié)合各地區(qū)產(chǎn)業(yè)發(fā)展的動力轉(zhuǎn)換機制,實時調(diào)整產(chǎn)業(yè)驅(qū)動策略,以適應(yīng)不同時點各區(qū)位產(chǎn)業(yè)發(fā)展的獨特要求;要實現(xiàn)不同驅(qū)動力之間的動態(tài)、多元組合,并形成合力,以提升要素驅(qū)動效率。同時,應(yīng)在科技水平、經(jīng)濟發(fā)展、基礎(chǔ)建設(shè)和勞動力等要素驅(qū)動的基礎(chǔ)上,繼續(xù)探尋產(chǎn)業(yè)發(fā)展的新驅(qū)動,構(gòu)建全新的多維度、立體式驅(qū)動網(wǎng)絡(luò),進一步釋放產(chǎn)業(yè)活力,推動物流產(chǎn)業(yè)持續(xù)健康發(fā)展。

      猜你喜歡
      物流業(yè)驅(qū)動物流
      基于模糊PI控制的驅(qū)動防滑仿真系統(tǒng)分析
      屈宏斌:未來五年,雙輪驅(qū)動,砥礪前行
      軌旁ATC系統(tǒng)門控柜接收/驅(qū)動板改造
      本刊重點關(guān)注的物流展會
      “智”造更長物流生態(tài)鏈
      汽車觀察(2018年12期)2018-12-26 01:05:44
      物 流 業(yè)
      江蘇年鑒(2018年0期)2018-02-12 04:22:17
      我國物流業(yè)的供給側(cè)改革的突破口
      中國制筆(2016年1期)2016-12-01 06:47:30
      基于S3C6410的Wi-Fi驅(qū)動移植實現(xiàn)
      基于低碳物流的公路運輸優(yōu)化
      決戰(zhàn)“最后一公里”
      商界(2014年12期)2014-04-29 00:44:03
      丹寨县| 缙云县| 连山| 白水县| 扎兰屯市| 富裕县| 自治县| 蕉岭县| 永登县| 西乌珠穆沁旗| 东源县| 柳江县| 都江堰市| 北辰区| 浦城县| 株洲市| 常德市| 龙川县| 体育| 集安市| 新河县| 怀仁县| 卓尼县| 杂多县| 屏山县| 保康县| 柘荣县| 屯留县| 普兰县| 罗定市| 永福县| 沭阳县| 芦山县| 萝北县| 渭源县| 乐至县| 磐安县| 阿坝县| 龙游县| 新沂市| 贵阳市|