韓歡歡,王寧寧,王勤升,賈思琪,馮尊

(北京信息科技大學(xué) 信息管理學(xué)院,北京 100192)

0 引言

近年來,物流業(yè)逐步成為國民經(jīng)濟(jì)的重要產(chǎn)業(yè)。隨著信息化與智能化的深入推進(jìn),智慧物流受到國家的高度重視。相較于傳統(tǒng)物流,智慧物流是指物流產(chǎn)業(yè)結(jié)合大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等智慧技術(shù),提升物流系統(tǒng)的自動化、網(wǎng)絡(luò)化、可視化和智能化水平,進(jìn)而塑造技術(shù)引領(lǐng)下的物流生態(tài)圈層[1]。智慧物流效率以相關(guān)資源投入與有效產(chǎn)出的方式,反映了物流行業(yè)發(fā)展的速度和質(zhì)量,對物流經(jīng)濟(jì)的高質(zhì)量發(fā)展具有重要的作用。因此,本文從網(wǎng)絡(luò)視角切入,對各省份智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的演化規(guī)律與影響因素進(jìn)行研究,為加強(qiáng)省域物流行業(yè)之間的協(xié)同發(fā)展,提高智慧物流產(chǎn)業(yè)效率提供決策支撐。

通過梳理國內(nèi)外物流效率相關(guān)研究發(fā)現(xiàn):在研究方法上,主要基于數(shù)據(jù)包絡(luò)分析(data envelopment analysis,DEA)及其改進(jìn)方法展開[2];國外學(xué)者主要采用數(shù)據(jù)包絡(luò)分析-人工神經(jīng)網(wǎng)絡(luò)(data envelopment analysis-artificial neural network,DEA-ANN)[3]等方法從微觀角度對中小物流企業(yè)的物流效率進(jìn)行深入分析研究;國內(nèi)學(xué)者則聚焦在宏觀層面的城市群和中觀層面的省域、市域物流效率的研究上[4]。

社會網(wǎng)絡(luò)分析是用來探究社會網(wǎng)絡(luò)的關(guān)系結(jié)構(gòu)及其屬性的重要方法之一。在物流研究中主要應(yīng)用于物流網(wǎng)絡(luò)、運(yùn)輸網(wǎng)絡(luò)和一帶一路海運(yùn)聯(lián)系等領(lǐng)域[5]。目前,學(xué)者們對物流效率的研究多以“屬性”數(shù)據(jù)為主,忽視了關(guān)系數(shù)據(jù),因而僅能反映出物流效率空間聚集類型與特征,難以探究各省份之間關(guān)聯(lián)關(guān)系以及在網(wǎng)絡(luò)空間中所處地位。

因此,本研究結(jié)合社會網(wǎng)絡(luò)分析方法探究省域尺度上物流效率的空間關(guān)聯(lián)關(guān)系,將研究視角由智慧物流個(gè)體的信息化建設(shè)與應(yīng)用等屬性研究轉(zhuǎn)向個(gè)體之間的關(guān)聯(lián)關(guān)系研究。此外,目前物流網(wǎng)絡(luò)效率的影響因素探究主要集中在物流實(shí)體的屬性層面,鮮少關(guān)注物流網(wǎng)絡(luò)的結(jié)構(gòu)效應(yīng)影響,本文嘗試在中觀尺度層面分析智慧物流效率網(wǎng)絡(luò)結(jié)構(gòu)演化特征的基礎(chǔ)上,深入探究智慧物流網(wǎng)絡(luò)的結(jié)構(gòu)效應(yīng)。

1 研究區(qū)域與研究方法

1.1 區(qū)域劃分

選取中國31個(gè)省(區(qū)、市)(不包括港澳臺)為研究區(qū)域。根據(jù)國家統(tǒng)計(jì)局的區(qū)域劃分方法,將研究區(qū)域劃分為東部、中部、西部及東北部。東部地區(qū)包括北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東和海南10省(市);中部地區(qū)包括山西、安徽、江西、河南、湖北和湖南6省;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、寧夏和新疆12省(區(qū)、市);東北地區(qū)包括遼寧、吉林和黑龍江3省。

1.2 測度指標(biāo)選擇與數(shù)據(jù)來源

物流業(yè)最核心的投入指標(biāo)是資金投入和人力投入,且信息技術(shù)是物流業(yè)轉(zhuǎn)型與持續(xù)發(fā)展的先決條件,因此智慧物流的投入指標(biāo)主要從信息化切入,以反映物流業(yè)信息化、智慧化的程度。通過分析已有文獻(xiàn)[6-7],選取信息傳輸、計(jì)算機(jī)服務(wù)和軟件業(yè)固定資產(chǎn)投資額,交通運(yùn)輸、倉儲和郵政業(yè)城鎮(zhèn)固定資產(chǎn)投資額,倉儲就業(yè)人數(shù),智慧物流企業(yè)數(shù)量,移動電話交換機(jī)容量,互聯(lián)網(wǎng)寬帶接入端口數(shù)作為投入變量。對于產(chǎn)出指標(biāo),學(xué)者們主要選取物流業(yè)增加值、環(huán)境污染作為產(chǎn)出變量,因此本文選取交通運(yùn)輸、倉儲和郵政業(yè)增加值作為期望產(chǎn)出指標(biāo)[8],氮氧化物排放量、化學(xué)需氧量作為非期望產(chǎn)出指標(biāo);此外,隨著物流信息化、智慧化的發(fā)展,一些崗位會被人工智能取代,導(dǎo)致失業(yè)率上升,所以選取失業(yè)率作為非期望產(chǎn)出指標(biāo)。

智慧物流測度指標(biāo)具體見表1。需要注意的是,由于數(shù)據(jù)的可獲取性和實(shí)證測度需要,本文所選指標(biāo)無法涵蓋智慧物流產(chǎn)業(yè)發(fā)展的全部內(nèi)容,而是在研究可行的情況下最大程度體現(xiàn)智慧物流發(fā)展的實(shí)際水平。研究數(shù)據(jù)主要來源于2011—2020年《中國統(tǒng)計(jì)年鑒》和各省區(qū)市統(tǒng)計(jì)年鑒,部分缺少數(shù)據(jù)通過線性插值法進(jìn)行補(bǔ)充。

表1 智慧物流測度指標(biāo)Table 1 Measurement index of intelligent logistics

1.3 研究方法

1.3.1 非期望產(chǎn)出模型

本文擬采用非期望產(chǎn)出模型對各省份智慧物流效率進(jìn)行測算。傳統(tǒng)的DEA模型通常假定相對于較少的投入資源,更多的產(chǎn)出是效率的衡量標(biāo)準(zhǔn)。然而,在存在非期望產(chǎn)出的情況下,相對于較少的投入資源,具有較多的期望產(chǎn)出和較少的非期望產(chǎn)出的技術(shù)是更有效率的。生產(chǎn)和社會活動的不良產(chǎn)出,如空氣污染物和危險(xiǎn)廢物,已被強(qiáng)烈認(rèn)為是社會弊病,這些都應(yīng)被納入計(jì)算之中。相比傳統(tǒng)的DEA模型,非期望產(chǎn)出模型更能反應(yīng)實(shí)際情況。

1.3.2 修正引力模型

引力模型是研究空間關(guān)聯(lián)關(guān)系的重要工具,近年來,眾多學(xué)者利用改進(jìn)引力模型從人工智能發(fā)展的空間關(guān)聯(lián)、能源消費(fèi)空間關(guān)聯(lián)和數(shù)字經(jīng)濟(jì)空間聯(lián)系[9]等方面開展了大量的研究。本文采用王兆峰等[10]提出的修正引力模型,研究省份之間智慧物流效率的空間關(guān)聯(lián)關(guān)系,測算中國31個(gè)省份之間智慧物流效率的空間關(guān)聯(lián)強(qiáng)度。智慧物流效率空間關(guān)聯(lián)強(qiáng)度按式(1)計(jì)算:

(1)

其中:

(2)

(3)

式中:Ki,j為關(guān)聯(lián)系數(shù);Ei、Ej為i省和j省的智慧物流效率;Di,j為其“經(jīng)濟(jì)距離”;di,j為i省與j省的客運(yùn)總站之間的距離;gi、gj分別為i省和j省的GDP。

基于以上修正引力模型計(jì)算出的各省份之間智慧物流效率的空間關(guān)聯(lián)強(qiáng)度,構(gòu)建有向智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)鄰接矩陣,如式(4)所示。以矩陣中各省份關(guān)聯(lián)強(qiáng)度的平均值為閾值,將矩陣轉(zhuǎn)化為0-1矩陣。具體操作如下:若Fij大于閾值則取值為1,表示該行與該列省份的智慧物流效率存在空間關(guān)聯(lián)關(guān)系;反之則取值為0,即不存在空間關(guān)聯(lián)關(guān)系。

(4)

1.3.3 馬爾可夫鏈

本文運(yùn)用馬爾可夫鏈研究各省份智慧物流發(fā)展水平初始所處狀態(tài)與其他狀態(tài)之間相互轉(zhuǎn)移的概率,探究智慧物流效率中心性演化特征。用mij表示從狀態(tài)Mi轉(zhuǎn)移到Mj的概率。如果某省份的智慧物流發(fā)展水平i,在下一年仍保持不變,則該省份轉(zhuǎn)移類型為平穩(wěn);如果有所下降,則為向下轉(zhuǎn)移;否則為向上轉(zhuǎn)移,具體研究方法不再贅述,詳見參考文獻(xiàn)[11-12]。

1.3.4 社會網(wǎng)絡(luò)分析方法

對于社會個(gè)體之間關(guān)系的研究,社會網(wǎng)絡(luò)分析是一種較好的方法,可以反映個(gè)體和網(wǎng)絡(luò)的特性[13]。因此,本文使用社會網(wǎng)絡(luò)分析法從整體網(wǎng)和個(gè)體網(wǎng)2個(gè)層面探究各省份智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的結(jié)構(gòu)特征。

其中整體網(wǎng)特征分析主要從網(wǎng)絡(luò)密度、網(wǎng)絡(luò)效率和網(wǎng)絡(luò)等級度展開:

1)網(wǎng)絡(luò)密度。由網(wǎng)絡(luò)中“實(shí)際關(guān)系數(shù)”與“理論上的最大關(guān)系數(shù)”之比表示,密度值越接近1,表明各節(jié)點(diǎn)間聯(lián)系越密切。

2)網(wǎng)絡(luò)效率。描述的是網(wǎng)絡(luò)中各個(gè)節(jié)點(diǎn)發(fā)生關(guān)聯(lián)的效率,網(wǎng)絡(luò)效率水平越低,說明各節(jié)點(diǎn)間有效聯(lián)系邊數(shù)越多。

3)網(wǎng)絡(luò)等級度?？坍嫷氖枪?jié)點(diǎn)相互之間在多大程度上非對稱可達(dá),網(wǎng)絡(luò)等級度越高,表明網(wǎng)絡(luò)越具有等級結(jié)構(gòu)。

個(gè)體網(wǎng)特征分析主要從網(wǎng)絡(luò)中心度與核心-邊緣展開:

1)網(wǎng)絡(luò)中心度。中心度主要包括度數(shù)中心度、中間中心度和接近中心度,其中,度數(shù)中心度刻畫的是網(wǎng)絡(luò)中節(jié)點(diǎn)自身的交往能力,包括點(diǎn)出度和點(diǎn)入度,點(diǎn)出度表示各省份在整體網(wǎng)絡(luò)中對其他省份的輻射作用,點(diǎn)入度表示各省份對整體網(wǎng)絡(luò)中其他省份要素的集聚作用;接近中心度表征節(jié)點(diǎn)的資源控制能力,用以判斷省份之間智慧物流效率空間關(guān)聯(lián)產(chǎn)生的難易程度;中間中心度刻畫其他節(jié)點(diǎn)如何控制或調(diào)整并不直接連接的兩節(jié)點(diǎn)間的關(guān)系,能夠識別出網(wǎng)絡(luò)中的樞紐節(jié)點(diǎn)。

2)核心-邊緣。核心-邊緣模型反映了某一省份在網(wǎng)絡(luò)結(jié)構(gòu)中的地位。

2 智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)時(shí)空分析

2.1 中國省域智慧物流效率空間差異演化

基于1.2節(jié)的測度指標(biāo)數(shù)據(jù),采用DEA-Slover Pro 5.0軟件中的非期望產(chǎn)出模型對2011—2020年我國各省份智慧物流效率進(jìn)行計(jì)算,各年均值如圖1所示。從圖中可以看出,研究期內(nèi),全國的智慧物流效率整體上呈波動增長的趨勢,其均值保持在0.7～0.8。在空間分布上,總體呈現(xiàn)出“東部>中部>東北部>西部”的局面,東部地區(qū)的智慧物流效率遠(yuǎn)大于其他區(qū)域。中部地區(qū)的智慧物流效率在2013—2014、2018—2019年之間顯著增加,究其原因,發(fā)現(xiàn)這是因?yàn)檎邔?dǎo)向下,重點(diǎn)物流樞紐節(jié)點(diǎn)、物流園的建設(shè)取得積極進(jìn)展,提升了物流基建之間的銜接度。圖中顯示,西部地區(qū)在2019年智慧物流效率明顯提升,我們發(fā)現(xiàn)這一時(shí)期,國家發(fā)展改革委印發(fā)《西部陸海新通道總體規(guī)劃》,著力加快通道和物流設(shè)施建設(shè),為推動西部地區(qū)建設(shè)現(xiàn)代化經(jīng)濟(jì)體系提供有力支撐;東北部地區(qū)智慧物流效率較低,且2014年和2019年明顯下滑。雖然2004年國家提出振興東北戰(zhàn)略后東北經(jīng)濟(jì)出現(xiàn)良好態(tài)勢,但由于東北地區(qū)產(chǎn)業(yè)結(jié)構(gòu)單一、投資環(huán)境差、東北人口老齡化現(xiàn)象等,2014年和2019年經(jīng)濟(jì)增速再次下滑,導(dǎo)致東北地區(qū)生產(chǎn)總值增長率在全國排名靠后,智慧物流發(fā)展困難。

圖1 2011—2020年全國及東部、中部、西部、東北部地區(qū)智慧物流效率均值Fig.1 The average efficiency of intelligent logistics in China and the eastern,central,western and northeastern regions from 2011 to 2020

2.2 整體網(wǎng)特征分析

基于1.3.2節(jié)的有向智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)鄰接矩陣,運(yùn)用Ucinet 6.0計(jì)算2011—2020年智慧物流效率網(wǎng)絡(luò)密度、網(wǎng)絡(luò)效率和網(wǎng)絡(luò)等級度,分析中國省域智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的整體網(wǎng)特征。結(jié)果如圖2所示。從圖中可看出:

圖2 2011—2020年智慧物流效率空間網(wǎng)絡(luò)密度、網(wǎng)絡(luò)效率及網(wǎng)絡(luò)等級度Fig.2 Network density,network efficiency and network degree of intelligent logistics efficiency from 2011 to 2020

1)網(wǎng)絡(luò)密度。研究期內(nèi)網(wǎng)絡(luò)密度整體保持緩慢波動下降的態(tài)勢,基本保持在0.14～0.16之間,遠(yuǎn)低于0.5的中等水平,表明各省份之間聯(lián)系水平基本保持穩(wěn)定,整體網(wǎng)絡(luò)聯(lián)系疏松,揭示了中國智慧物流效率的空間關(guān)聯(lián)強(qiáng)度具有一定的發(fā)展空間。

2)網(wǎng)絡(luò)效率。整體網(wǎng)絡(luò)效率偏高,數(shù)值接近0.9,表明網(wǎng)絡(luò)中有近90%的網(wǎng)絡(luò)連線是多余的,不利于各省份智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的優(yōu)化。因此,智慧物流效率的空間聯(lián)系可進(jìn)一步精簡數(shù)量,增加聯(lián)系的效率和質(zhì)量。

3)網(wǎng)絡(luò)等級度。在2011—2020年中,我國的網(wǎng)絡(luò)等級度大體表現(xiàn)出緩慢波動并趨向穩(wěn)定的態(tài)勢,其取值范圍為0.2～0.36,揭示了各省份間智慧物流效率的空間關(guān)聯(lián)關(guān)系較為穩(wěn)定。

2.3 個(gè)體網(wǎng)特征分析與演化

2.3.1 中心度分析

基于1.3.2節(jié)的有向智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)鄰接矩陣,運(yùn)用Ucinet 6.0計(jì)算2011—2020年各省份智慧物流效率度數(shù)中心度、中間中心度以及接近中心度。

1)度數(shù)中心度。研究期內(nèi),中國省域智慧物流效率網(wǎng)絡(luò)度數(shù)中心度總體上變化緩慢,如天津從2011年的20.0增長到2020年的23.3,增長緩慢;區(qū)域智慧物流的發(fā)展呈現(xiàn)不均衡的趨勢,其中江蘇、山東和廣東3省的發(fā)展交往能力較強(qiáng),這3個(gè)省份的度數(shù)中心度均值為63.33,遠(yuǎn)遠(yuǎn)超過其他地區(qū)度數(shù)中心度均值10.6。此外,江蘇、山東和廣東的點(diǎn)入度和點(diǎn)出度最高,分別為18、11、17和24、13、20,具有較高的智慧物流活力,這與其區(qū)位優(yōu)勢密不可分,上述區(qū)域均隸屬中國東部地區(qū),省內(nèi)經(jīng)濟(jì)發(fā)展水平和信息化發(fā)展水平領(lǐng)先于其他區(qū)域,是智慧物流發(fā)展的聚集中心。北京和上海作為中國的兩大核心城市,按2.1節(jié)計(jì)算,北京和上海的智慧物流效率均為1,物流業(yè)已經(jīng)相對發(fā)達(dá),但由于土地資源相對緊缺、已形成的均衡發(fā)展基礎(chǔ)以及交通擁堵等因素,使得其點(diǎn)入度和點(diǎn)出度相對較低,只有7、4和2、3。

2)接近中心度。研究期內(nèi),各省份接近中心度值大都保持在20左右,分布相對均衡,區(qū)域差異較小。接近中心度前三名的地區(qū)為江蘇、山東、廣東,表明這些地區(qū)在智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)中整體連通能力較強(qiáng),可以與其他省份較快產(chǎn)生連接,在智慧物流資源的流轉(zhuǎn)和控制方面具有優(yōu)勢。

3)中間中心度。研究期內(nèi),江蘇和廣東中間中心度為37.14和24.94,表明江蘇和廣東在智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)中的控制能力較強(qiáng)。除江蘇、廣東2個(gè)省份外,大部分中間中心度值較低,西藏、新疆等地區(qū)甚至為0。隨時(shí)間推進(jìn),山東的中間中心度下降趨勢顯著,由20.867(2011年)下降至4.784(2020年),說明其在智慧物流效率空間網(wǎng)絡(luò)中的控制能力在下降,但中間中心度排名第四,仍處于核心地位,樞紐性較強(qiáng)。而西藏、新疆、黑龍江的中間中心度始終為0,因?yàn)槠涮幱谶呥h(yuǎn)地區(qū),多屬于物流網(wǎng)絡(luò)的初始節(jié)點(diǎn)或結(jié)束節(jié)點(diǎn),并不會對其他省份產(chǎn)生控制力,也不會呈現(xiàn)明顯的樞紐性,是其他省份的依賴節(jié)點(diǎn),因此網(wǎng)絡(luò)中樞紐性與地理空間具有一定的相關(guān)性。

2.3.2 中心性演化

對各省份度數(shù)中心度進(jìn)行排序,采用平均方法[14]將各省份智慧物流發(fā)展水平劃分為4個(gè)等級:1)滯后區(qū):度數(shù)中心度排序位于75%以后的省份;2)追趕區(qū):度數(shù)中心度排序位于50%～75%的省份;3)推進(jìn)區(qū):度數(shù)中心度排序位于25%～50%的省份;4)先行區(qū):度數(shù)中心度排序位于前25%的省份?；诖朔诸?本文使用馬爾可夫鏈對各省份智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的中心性進(jìn)行時(shí)空演化分析,得出了2011—2020年各省份中心性的狀態(tài)轉(zhuǎn)移矩陣,如表2所示。表中對角線上(表2中加粗?jǐn)?shù)據(jù))的元素表明等級保持不變的概率,非對角線上(表2中非加粗?jǐn)?shù)據(jù))的元素表明從一種類型轉(zhuǎn)變?yōu)榱硪环N類型的概率。

表2 2011—2020年各省份中心性類型的狀態(tài)轉(zhuǎn)移矩陣Table 2 State transition matrix of central types of provinces from 2011 to 2020

由表2可知:1)對角線最大的元素為0.952 4,最小的元素為0.878 8,表明各省份中心性類型維持在原來的發(fā)展類型的概率位于87.88%～95.24%。2)非對角線上的元素遠(yuǎn)小于對角線上的元素,表明中心性發(fā)展的類型間基本不會發(fā)生狀態(tài)轉(zhuǎn)移。此外,非對角線元素?cái)?shù)值大于0的概率多數(shù)分布在對角線兩側(cè),表明中心性發(fā)展類型多呈現(xiàn)向上或向下一級轉(zhuǎn)移,基本不會實(shí)現(xiàn)跨級轉(zhuǎn)移。3)中心性演化具有明顯的俱樂部趨同效應(yīng),初期處于滯后區(qū)域,在今后的發(fā)展中有95.24%的概率保持其滯后區(qū)狀態(tài)不變,向上轉(zhuǎn)移的概率只有4.76%;而初期處于先行區(qū),在后續(xù)的發(fā)展中保持先行區(qū)不變的概率為94.74%,向下轉(zhuǎn)移的概率為5.26%。

2.4 核心邊緣結(jié)構(gòu)演化

基于1.3.2節(jié)的有向智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)鄰接矩陣,運(yùn)用Ucinet 6.0計(jì)算2011年、2020年各省份的智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)核心邊緣分布,如表3所示,并得出了中國省域智慧物流效率“核心-邊緣”密度矩陣,如表4所示。

表3 2011和2020年中國省域智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)核心邊緣分布Table 3 The core edge distribution of spatial correlation network of intelligent logistics efficiency in China′s provinces of 2011 and 2020

表4 中國省域智慧物流效率“核心-邊緣”密度矩陣Table 4 The"core-edge"density matrix of China′s provincial intelligent logistics efficiency

由表3可知:1)從核心-邊緣整體演化趨勢來看,研究期內(nèi),中國省域智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)“核心-邊緣”結(jié)構(gòu)逐步形成,且核心區(qū)域主要分布在北京、河南、上海、廣東、江蘇、山東等中國東部和中部區(qū)域,呈現(xiàn)聚集分布格局。2)從核心省份變化來看,2011年核心區(qū)有17個(gè),2020年只有14個(gè),湖南、貴州、寧夏退出核心區(qū)域范圍,中國東部地區(qū)核心省份規(guī)模較為穩(wěn)定。

由表4可知,核心區(qū)和邊緣區(qū)對應(yīng)的網(wǎng)絡(luò)密度總體呈現(xiàn)擴(kuò)張態(tài)勢,空間聯(lián)系有所增強(qiáng)。核心區(qū)內(nèi)部以及核心區(qū)對邊緣區(qū)網(wǎng)絡(luò)密度分別由0.386增至0.478和0.050增至0.071,邊緣區(qū)內(nèi)部以及邊緣區(qū)對核心區(qū)分別由0增至0.007和0.105增至0.113,表明各省份之間相互作用強(qiáng)度逐漸加強(qiáng),核心區(qū)的輻射帶動效應(yīng)明顯。

3 智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)效應(yīng)分析

目前,物流網(wǎng)絡(luò)效率的影響因素探究主要集中在物流實(shí)體的屬性層面,鮮少關(guān)注物流網(wǎng)絡(luò)的結(jié)構(gòu)效應(yīng)影響。本文使用逐步多元線性回歸分析整體網(wǎng)和個(gè)體網(wǎng)結(jié)構(gòu)效應(yīng)對智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的影響。在多元線性回歸分析中,自變量之間可能會存在多重共線性,造成對因變量有顯著影響的自變量被判定為不顯著,導(dǎo)致顯著的自變量被剔除,使模型與實(shí)際有差距[15]。因此本文選擇逐步線性回歸法,以避免自變量之間的相互干擾。

3.1 整體網(wǎng)結(jié)構(gòu)效應(yīng)分析

選取2011—2020年全國智慧物流效率均值作為因變量,網(wǎng)絡(luò)密度、網(wǎng)絡(luò)等級度、網(wǎng)絡(luò)效率、最短路徑作為自變量,對整體網(wǎng)結(jié)構(gòu)效應(yīng)進(jìn)行分析,回歸分析結(jié)果如表5所示。

表5 整體網(wǎng)結(jié)構(gòu)回歸分析結(jié)果Table 5 Overall network structure regression analysis results

由表5可知,網(wǎng)絡(luò)效率和最短路徑的VIF值均小于10,但沒有通過0.1的顯著性檢驗(yàn),故不做分析。R2是0.913,說明回歸的擬合度非常高,德賓-沃森值為2.057,VIF值均小于10,表示自變量之間不存在共線性,不會相互影響。網(wǎng)絡(luò)密度和網(wǎng)絡(luò)等級度均通過了0.01的顯著性水平檢驗(yàn),表明網(wǎng)絡(luò)密度和網(wǎng)絡(luò)等級度對智慧物流效率影響顯著。從回歸系數(shù)的符號來看,網(wǎng)絡(luò)密度、網(wǎng)絡(luò)等級度2個(gè)變量的回歸系數(shù)均為負(fù),表明網(wǎng)絡(luò)密度、網(wǎng)絡(luò)等級度與智慧物流效率成負(fù)相關(guān)。網(wǎng)絡(luò)密度越高,節(jié)點(diǎn)之間的連接越復(fù)雜,信息傳遞的路徑越長,這可能導(dǎo)致信息傳遞的延遲增加,從而降低了物流操作的實(shí)時(shí)性和準(zhǔn)確性。而網(wǎng)絡(luò)等級度越高,網(wǎng)絡(luò)等級結(jié)構(gòu)越明顯,不利于各省份之間相關(guān)資源的流動,阻礙網(wǎng)絡(luò)中各省份之間的合作與聯(lián)系。所以,網(wǎng)絡(luò)密度和網(wǎng)絡(luò)等級度對智慧物流效率有阻滯作用。

3.2 個(gè)體網(wǎng)結(jié)構(gòu)效應(yīng)分析

選取2020年中國各省份智慧物流效率作為因變量,點(diǎn)入度、點(diǎn)出度、接近中心度、中間中心度作為自變量,對個(gè)體網(wǎng)結(jié)構(gòu)效應(yīng)進(jìn)行分析,如表6所示。

表6 個(gè)體網(wǎng)結(jié)構(gòu)回歸分析結(jié)果Table 6 Individual network structure regression analysis results

由表6可知,點(diǎn)入度VIF值為27.738,存在多重共線性,將其剔除。R2是0.667,說明回歸的擬合度符合要求,德賓-沃森值為2.088,VIF值均小于10,說明自變量之間不存在共線性,不會相互影響。點(diǎn)出度和中間中心度通過了0.01的顯著性水平檢驗(yàn),接近中心度通過了0.05的顯著性水平檢驗(yàn),表明點(diǎn)出度、中間中心年度和接近中心度對智慧物流效率有顯著影響。從回歸系數(shù)的符號來看,接近中心度、點(diǎn)出度2個(gè)變量的回歸系數(shù)均為正,表明接近中心度和點(diǎn)出度每提升1,可使智慧物流效率分別提高0.015和0.059。接近中心度越高的省份,越容易與其他省份直接建立合作與聯(lián)系,這意味著該省能夠更快地將物流信息傳遞給其他省份,加快決策和操作的速度,有利于提高資源流動的效率;點(diǎn)出度較高的省份集中了網(wǎng)絡(luò)中大部分的資源,具有明顯的信息化優(yōu)勢,對其他省份具有輻射作用,所以提高接近中心度和點(diǎn)出度可以促進(jìn)智慧物流效率的提高。中間中心度的回歸系數(shù)為負(fù),表明中間中心度與智慧物流效率成負(fù)相關(guān),會抑制智慧物流效率。中間中心度是各省份建立聯(lián)系的橋梁。高中間中心度的省份是網(wǎng)絡(luò)中的重要樞紐,但是一旦發(fā)生故障,將會直接影響與其相連的其他省份,可能會導(dǎo)致物流活動被迫中斷或延誤,從而降低整體智慧物流效率。且高中間中心度省份可能會面臨資源分配不均的難題,無法充分滿足所有節(jié)點(diǎn)需求,這也會導(dǎo)致整體層面智慧物流效率降低。

4 結(jié)論與建議

4.1 結(jié)論

本文采用非期望產(chǎn)出模型計(jì)算2011—2020年中國智慧物流效率,并運(yùn)用社會網(wǎng)絡(luò)分析法探究其空間關(guān)聯(lián)特征,采用逐步線性回歸法探究智慧物流網(wǎng)絡(luò)結(jié)構(gòu)對智慧物流效率的影響。主要結(jié)論如下:

1)整體上中國省份之間的空間聯(lián)系已經(jīng)不受地理位置限制,但整體網(wǎng)絡(luò)密度較低,各省份之間聯(lián)系不夠緊密;網(wǎng)絡(luò)效率偏高,各省份之間冗余的聯(lián)系過多,不利于智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)的優(yōu)化;網(wǎng)絡(luò)等級度呈現(xiàn)緩慢波動穩(wěn)定的態(tài)勢,中國智慧物流效率的空間關(guān)聯(lián)強(qiáng)度具有一定的發(fā)展空間。

2)研究期內(nèi),各中心度指數(shù)整體變化緩慢,江蘇、山東和廣東處于網(wǎng)絡(luò)核心地位,在智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)中與其他省份發(fā)展交往能力較強(qiáng),可以在智慧物流生產(chǎn)要素與資源的傳輸中發(fā)揮有力的橋梁和紐帶作用。中國智慧物流效率存在明顯的俱樂部趨同效應(yīng),初期智慧物流發(fā)展所處狀態(tài)在之后的發(fā)展中大概率仍保持該狀態(tài)。

3)中國省域智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)具有明顯的“核心-邊緣”結(jié)構(gòu)特征,且核心區(qū)域呈現(xiàn)聚集分布狀態(tài),主要分布于東部地區(qū)和中部地區(qū)。研究期內(nèi),“核心-邊緣”網(wǎng)絡(luò)密度整體呈現(xiàn)擴(kuò)展態(tài)勢,各省份之間相互作用強(qiáng)度逐漸加強(qiáng)。

4)從整體網(wǎng)結(jié)構(gòu)效應(yīng)來看,網(wǎng)絡(luò)密度和網(wǎng)絡(luò)等級度對智慧物流效率有阻滯作用。從個(gè)體網(wǎng)結(jié)構(gòu)效應(yīng)來看,接近中心度和點(diǎn)出度可以促進(jìn)智慧物流效率的提高,而中間中心度會抑制智慧物流效率。

4.2 建議

依據(jù)上述結(jié)論,提出以下建議:

1)國家層面。政府應(yīng)當(dāng)重視各省份智慧物流效率的空間關(guān)聯(lián)效應(yīng),探索建立中國省域智慧物流一體化發(fā)展機(jī)制,加快推進(jìn)區(qū)域間智慧物流產(chǎn)業(yè)協(xié)同發(fā)展,應(yīng)設(shè)立相關(guān)機(jī)構(gòu)負(fù)責(zé)區(qū)域物流效率的管理,并在國家層面建立完善協(xié)同管理機(jī)制,以弱化省域智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)中冗余的關(guān)聯(lián)關(guān)系。

2)區(qū)域?qū)用?。積極把握中國智慧物流發(fā)展內(nèi)在演變規(guī)律,為緩解區(qū)域智慧物流發(fā)展不均衡性,應(yīng)充分發(fā)揮江蘇、山東和廣東等典型強(qiáng)核心地區(qū)的優(yōu)勢條件,推動現(xiàn)代物流和相關(guān)產(chǎn)業(yè)深入融合智慧發(fā)展,加強(qiáng)與落后區(qū)域在智慧物流技術(shù)方面的交流合作,促進(jìn)區(qū)域空間布局優(yōu)化,打造點(diǎn)帶面智慧物流一體化發(fā)展格局,穩(wěn)妥有序開展國家物流樞紐經(jīng)濟(jì)示范區(qū)建設(shè)。

3)實(shí)體層面。優(yōu)化市場資源配置,網(wǎng)絡(luò)邊緣省份應(yīng)盡快落實(shí)人才引進(jìn)優(yōu)惠政策,加大其交通建設(shè)的投資力度,通過專項(xiàng)資金補(bǔ)貼和財(cái)政支持完善信息網(wǎng)絡(luò)和交通網(wǎng)絡(luò)建設(shè),為智慧物流建設(shè)提供充足的人才儲備和基礎(chǔ)設(shè)施?？朔Y源向個(gè)別城市聚集的困難,增強(qiáng)各省份之間的智慧物流聯(lián)系與合作,帶動中國智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)從中心式發(fā)展向多中心組團(tuán)式發(fā)展。

本文對我國智慧物流效率空間關(guān)聯(lián)網(wǎng)絡(luò)演化進(jìn)行了探討,需要指出的是,現(xiàn)有投入指標(biāo)從財(cái)力資本、人力資本以及信息技術(shù)等維度考慮,不足以全面刻畫智慧物流業(yè)的內(nèi)涵,進(jìn)一步的研究可將國家及各省份政策支持力度納入智慧物流效率評價(jià)指標(biāo)體系。此外,限于篇幅,本文社會網(wǎng)絡(luò)分析發(fā)并未涉及凝聚子群分派指數(shù),未來研究內(nèi)容可進(jìn)一步深化討論。