物流业公共交通基础设施动态趋势分析——基于中国2001—2012年省域面板数据

魏修建，郑广文

（西安交通大学 经济与金融学院，陕西 西安 710061）

物流业公共交通基础设施动态趋势分析
——基于中国2001—2012年省域面板数据

魏修建，郑广文

（西安交通大学 经济与金融学院，陕西 西安 710061）

采用线性潜变量发展模型对中国物流业公共交通基础设施的动态发展趋势进行实证分析。研究表明：就整体而言，中国物流业公共交通基础设施初始平均水平较高，但不能为其后续发展提供足够的动力和支撑。就省域间比较而言，无论从空间地域上，还是时间维度上，均存在着显著的不均衡，且这种不均衡表现出逐年扩大的趋势。

物流业；公共交通基础设施；线性潜变量发展模型

一、引 言

物流业作为国民经济发展的“加速器”和“第三利润源”，已成为衡量一国（地区）一定时期内整体竞争实力的重要因素。由于其对公共交通基础设施的天然依赖性，公共交通基础设施发展水平的高低将对物流业的发展起到决定性的影响。科学、合理地剖析与物流相关的公共交通基础设施的发展水平、动态和趋势，已成为掌握其发展规律，进而促进本国（地区）物流业规模壮大，结构升级的重要保证。因此合理分析物流业公共交通基础设施动态发展轨迹，不仅可以了解中国物流业发展现状，而且可以制定相关发展战略。

基于此，在文献梳理的基础上，构建了衡量中国物流业公共交通基础设施发展水平的指标，采用省级面板数据（2001－2012年），利用线性潜变量发展模型（Linear LGM）对中国物流业公共交通基础设施的动态发展轨迹进行分析。

二、文献综述

公共交通基础设施是推动物流业稳步发展，实现“物畅其流”的关键因素之一。它为物流业的发展提供了时间和空间效用，也为实现区域物流一体化和建立市场物流体系提供了保障，已成为影响和制约一国（地区）一定时期内物流业综合发展水平的重要因素。一些学者已对此问题进行了研究，主要有以下两个方面：

第一，将公共交通基础设施纳入物流业综合发展水平体系中。由于公共交通基础设施对物流业具有重要影响，在已构建的关于区域物流业综合发展水平评价指标体系中，几乎所有的学者都将公共交通基础设施纳入其分析体系中，尽管所选择的指标有所差异。如李玉民等将交通运输作为衡量区域物流发展水平的内部因素之一，并采用公路密度、运输方式种类和社会货运量三个指标进行综合反映，为后续相关研究提供了有益的借鉴［1］；王新安等将公共交通基础设施纳入其构建的物流业综合发展水平评价指标体系中，并选用单位铁路里程、单位公路里程和单位内河里程对其进行衡量［2］；姜金贵等在对省域物流业发展水平进行评价时，选用了公路货运量、铁路货运量和全社会货运总量对物流业交通基础设施的运力进行评价［3］；金凤花等从交通基础设施等五个方面研究了区域物流业综合发展水平，并选取铁路里程、公路里程和内河里程三个指标对物流业交通基础设施加以反映，并在相关的实证分析中得到了公共交通基础设施对物流业综合发展水平具有重要作用的结论［4］。

第二，单独就公共交通基础设施与物流业发展水平关系的研究。随着物流业的发展，公共交通基础设施对物流业的影响程度日益凸显。为进一步探析两者之间的关系，一些学者对此进行了有益的探索。赵泉午等利用空间计量模型对公共交通基础设施与物流业规模之间的相关性进行了实证分析，并得出盲目扩大公共交通基础设施的规模并不一定会提升物流业自身发展水平的结论［5］。

通过文献回顾可知，多数研究将公共交通基础设施作为影响因素之一来考察其对物流业发展水平的影响，而单独就公共交通基础设施与物流业发展水平关系的研究则很少，至于从物流的角度将公共交通基础设施作为一个独立的因素，对其发展规律和轨迹进行动态分析的研究则更少。

基于此，本文将采用线性潜变量发展模型并结合省域面板数据，分别从物流业公共交通基础设施的初始平均水平、初始平均水平对后续发展的影响程度以及初始平均水平随时间的变化率对其发展轨迹进行分析，研究其发展规律并为制定物流业发展政策提供科学依据。

三、指标构建与方法选择

（一）指标构建

研究物流业公共交通基础设施发展水平，可以从“基础性”和“支撑性”的角度对物流业的发展进行反映和衡量。依据中国物流业发展现状和结构方程原理，结合相关研究成果及小范围样本甄别调查，本文采用（高速）公路、铁路、内河里程及货运汽车拥有量来反映物流业公共交通基础设施发展水平，详见表1。

表1 中国物流业公共交通基础设施发展水平评价指标表

（二）方法选择

公共交通基础设施作为支撑物流业发展的基础性因素之一，其发展水平的高低不仅表现为一定的静态结果，更表现为一定的独立性、动态性和规律性。线性潜变量发展模型（Linear LGM）作为结构方程在纵向数据中的应用，则可以很好地分析测量结局变量的动态发展轨迹。因此，本文将选择线性潜变量发展模型对中国物流业公共交通基础设施的发展轨迹进行动态分析。

线性潜变量发展模型作为结构方程模型在纵向数据分析中的应用，不仅能客观地反映结局测量的动态发展轨迹特征，如潜变量发展轨迹的形式、结局测量的初始水平、结局测量变化率以及结局测量初始水平和变化率之间的关联等，还可以分析结局测量轨迹变化的影响因素，且能方便地在模型中纳入不同的结局变量，并能处理观察变量的测量误差［6－7］。因此，本文将采用 Linear LGM 分析法，对中国物流业公共交通基础设施发展水平各影响因素的发展轨迹进行动态分析。线性潜变量发展模型的表达式为：

方程（1）表示研究对象个体内模型，其中yti表示模型第i个个体在时点t的观察结局测量；η1i为潜截距发展因子，表示结局测量的初始水平；η1i为潜斜率发展因子，表示结局测量随时间的变化率；λt表示时间分值；εti为式（1）的残差项，表示随机测量误差和第i个个体的特定时间效应；η0表示模型估计的结局测量的平均初始水平；ηt表示模型估计的结局测量的平均变化率；ζ0i和ζ1i为式（2）和式（3）的误差项，表示有关结局测量发展轨迹的研究对象个体间变异。将式（2）、（3）代入式（1），则可得研究对象个体内与个体间混合模型：

其中发展轨迹的固定部分η0＋λtη1表示在特定时点t的结局测量yti的预测值；发展轨迹的随机部分ζ0i＋λtζ1i＋εti代表个体内和个体间的随机变异。

四、实证分析

（一）描述性统计

本文以中国2001－2012年省级面板数据为依据，所有测量数据均来源于国家统计局官方数据库（http：／／www．stats．gov．cn／tjsj／ndsj／）。在 数 据整理时发现：北京（2001－2012年）内河里程指标中2006年为0．17km，其余各年均为零，鉴于此数据在同指标中影响十分微小，很难对相关分析产生影响，本文用零值替代。为消除各个指标测量数据量纲对统计结果的影响，对所有数据进行了标准化处理。

首先，采用Eviews6．0对面板数据进行综合、组间和组内描述性统计分析。由最大（小）值可知，各指标极值都很大，由标准差可知，各指标的离散程度都很高。其次，物流业公共交通基础设施的平均水平逐年提升，物流业公共交通基础设施的区域不均衡在逐年扩大。由各观察对象（省市）跨时期分析可知，同一指标不同观察对象的最大（小）值、均值和标准差均差异显著，表明各省份间物流规模在平均水平、最低（高）水平上都存在着显著的差异。由面板数据描述性统计分析可知，从时间上看，物流业平均水平逐年提高，区域不均衡也在逐年扩大；从空间上看，各区域发展水平参差不齐。

（二）量表分析

模型设定的有效性是实质性分析的先决条件和逻辑起点。首先，利用面板数据因子分析的思想，将面板数据集转换成截面数据集［8］。其次，以转化后的截面数据为基础，采用软件Spss19．0对量表进行可靠性测试。量表Cronbach＇s Alpha＝0．893，大于临界值0．70，即量表设计较为合理，可靠性较高［9－10］。再次，通过Mplus6．0分别对量表的转化后的截面数据①即根据面板数据因子分析中降维的思想，将本文各因素所包含显变量的面板数据转化而成的截面数据。、观察期内（2001－2012）起始年份和终止年份的截面数据进行相应的验证性因子分析（CFA），结果表明各年份数据均能很好地拟合模型，详见表2［11］。

表2 转化样本、起始和结束年份物流业公共交通基础设施验证性因子分析常用拟合指数计算结果表

由表2可知，所有的CFI均大于临界值0．90，即使所有的TLI不全大于临界值0．90，但TLIMIN＝0．872稍稍低于临界值0．90，这表明其大致满足模型的拟合要求。所有SRMS都接近或小于临界值0．08，RMSEAMAX＝0．083稍稍超过临界值0．08，表明其大致满足模型的拟合要求。所有的SRMS均小于临界值0．08。由此可知，样本数据无论在信度还是效度方面都能较好地满足所设潜变量模型的需要，为进一步研究奠定基础。

（三）Linear LGM 模型分析

由验证性因子分析（CFA）结果可知，物流业公共交通基础设施各衡量指标因子载荷均大于临界值0．30，且均在5%的水平下显著，即所有的显变量（指标）都能对潜变量（物流业公共交通基础设施）起到良好的解释作用。

为了增强各指标对潜变量（物流业公共交通基础设施）测度的准确性，本文利用潜变量所对应的转化样本、起始和终止年份样本数据的验证性因子分析（CFA）中因子载荷值的综合加权平均数作为各指标对潜变量（物流业公共交通基础设施）的因子载荷值，并据此对物流业公共交通基础设施进行测度，具体的测试公式为：

其中λχι表示潜变量（物流业公共交通基础设施）所对应显变量的加权平均因子载荷值；χι表示各潜变量（物流业公共交通基础设施）对应的各显变量；JS表示物流业公共交通基础设施；ι＝1，2，…，5表示它是第几个指标。基于上述公式及相关数据，对各省份2001－2012年物流规模进行测试而得到物流业公共交通基础设施省级面板数据，因子载荷结果见表3。

表3 物流业公共交通基础设施各衡量指标因子载荷及加总平均载荷表

由表3知，各年份的数据均能很好地拟合模型，各指标的因子载荷也均大于临界值0．3，且均在1%的水平下显著。表明各指标的选取较为理想，指标能从不同的侧面反映中国物流业公共交通基础设施的发展水平，为进一步分析物流业公共交通基础设施的动态发展轨迹提供理论支撑。

本文将采用线性潜变量发展模型从物流业公共交通基础设施的初始发展水平、初始发展水平对后续发展的影响程度，以及初始发展水平随时间的变化率等方面对其发展轨迹进行动态分析。物流业公共交通基础设施线性潜变量发展模型分析结果详见表4。

表4 物流业公共交通基础设施线性潜变量发展模型分析结果表

由表4可知：CFI和TLI均大于0．90，SRMS小于0．08，表明本文构建的物流业公共交通基础设施线性潜变量发展模型拟合良好。

模型中潜变量截距发展因子ETA0的基期（2001年）估计均值为1．356（p＝0．000），表明物流业公共交通基础设施的初始发展水平较高，从而为中国大力发展物流业提供了基础性保障；潜变量斜率发展因子ETA1的估计均值为0．049（p＝0．007），表明就全国而言，tk到tk＋1期（本文的时间间隔为一年）物流业公共交通基础设施整体水平增长显著，即在过去十几年中中国物流业公共交通基础设施对物流业的“基础性”和“支撑性”作用明显增加。

模型中潜变量截距发展因子ETA0和潜变量斜率发展因子ETA1的协方差没有通过统计检验。就整体而言，物流业公共交通基础设施随时间变化率和基期（2001年）初始水平无显著相关，即在过去十几年中，原有的物流业公共交通基础设施不能为其后续发展提供有效的支撑力。

模型中潜变量截距发展因子ETA0和潜变量斜率发展因子ETA1的方差均显著，表明物流业公共交通基础设施的初始水平和变化率均在个体（省域）间差异显著。这进一步说明，中国省域物流业公共交通基础设施无论在基期（2001年）还是在后续发展中，均存在着显著的区域性差异，即在过去十几年中，中国省域物流业公共交通基础设施无论在空间地域上，还是在时间维度上，均存在着发展失衡的现象。

五、结论及建议

本文在文献梳理的基础上，基于结构方程相关原理，构建了衡量中国物流业公共交通基础设施发展水平的评价指标，结合省级面板数据（2001－2012年）进行实证分析。首先采用Eviews 6．0对数据进行描述性统计分析，其次采用Spss19．0和 Mplus 6．0对所构建评价指标进行Cronbach’s alpha信度和CFA效度测试，并在此基础上构建了反映中国物流业公共交通基础设施动态发展轨迹的线性潜变量发展模型，对其发展轨迹进行动态分析。据此，本文得出如下结论和建议。

首先，通过Cronbach’s alpha信度和CFA效度测试，表明本文构建的物流业公共交通基础设施评价指标，具有一定的稳定性、科学性和有效性，对今后的相关研究具有一定的借鉴意义。

其次，通过描述性统计分析可知，从时间上看，中国物流业公共交通基础设施的平均水平逐年提高，但区域不均衡也在逐年扩大，且平均水平的增长速度低于区域不均衡的扩大速度。从空间看，物流业公共交通基础设施发展水平层次不齐，差距显著。

最后，通过构建反映中国物流业公共交通基础设施动态发展趋势的线性潜变量发展模型可知，就整体而言，虽然其初始平均水平较高，但不能为其后续发展提供足够的动力和有效支撑。就省域间比较而言，无论在空间地域上，还是在时间维度上，均存在着显著的不均衡，这进一步表明中国物流业公共交通基础设施区域发展不平衡的动态性、多维性和复杂性。

因此，合理利用、有效整合已有的物流业公共交通基础设施资源，使其能够最大限度地推动物流业发展。通过科学布局、政策引导等手段，进一步缩小区域间物流业公共交通基础设施的差距，从而为中国构筑“大物流、大流通”的格局奠定基础。

［1］ 李玉民，李旭宏，毛海军，等．基于主成分分析的区域物流综合评价及发展战略［J］．交通运输系统工程与信息，2004（2）．

［2］ 王新安，魏修建，谢芳．陕西物流发展水平评价指标体系、模型与发展对策研究［J］．统计与信息论坛，2009（5）．

［3］ 姜金贵，梁静国．基于模糊聚类的省域物流发展评价研究［J］．统计与信息论坛，2008（6）．

［4］ 金凤花，李全喜，孙磐石．基于场论的区域物流发展水平评价及聚类分析［J］．经济地理，2010（7）．

［5］ 赵泉午，廖勇海．我国交通基础设施与物流规模的实证研究——基于中国1998－2010年省域空间面板数据［J］．华东经济管理，2012（3）．

［6］ Muthén B．Latent Variable Modeling in Heterogeneous Populations［J］．Psychometrika，1989，54（6）．

［7］ Chou C P，Bentler P，Pentz M A．Comparisons of Two Statistical Approaches to Study Growth Curves：the Multilevel Model and the Latent Curve Analysis［J］．Structural Equation Modeling：A Multidisciplinary Journal，1998（5）．

［8］ 朱建平，陈民肯．面板数据的聚类分析及其应用［J］．统计研究，2007（4）．

［9］ 邓维斌．SPSS19．0（中文版）统计分析实用教程［M］．北京：电子工业出版社，2012．

［10］Cronbach L J．Coefficient Alpha and the Internal Structure of a Test［J］．Psychometrika，1951，16（6）．

［11］Muthén L，Muthén O．M－plus User’s Guide［M］．6th ed．CA：Los Angeles，2010．

A Dynamic Trend Analysis on Logistics Public Transport Infrastructure：Based on the Provincial Panel Data（2001－2012）

WEI Xiu-jian，ZHENG Guang-wen
（School of Economics and Finance，Xi＇an Jiaotong University，Xi＇an 710061，China）

This article uses linear latent growth model（Linear LGM）to evaluate the dynamic development trend of logistics public transport infrastructure．The results show that，on the whole，the initial average of logistics public transport infrastructure is higher and significant，however，which can＇t supply enough power for its subsequent development；partly，no matter from the space，or on the time，here is a significant imbalance among the provincial，more seriously，this unbalanced phenomenon is expanding year by year and so on．Hereby，we put forward relevant policy suggestions．

logistics industry；public transport infrastructure；linear latent growth model

F259．22

A

1007－3116（2014）07－0076－05

2014－02－20

国家社会科学基金项目《现代物流产业体系发展研究》（08XJY036）

魏修建，男，陕西兴平人，教授，博士生导师，研究方向：产业经济；

郑广文，男，河北张家口人，博士生，研究方向：产业经济。

book=80,ebook=389

（责任编辑：李 勤）