中国智慧物流效率空间关联网络演化与结构效应

韩欢欢,王宁宁,王勤升,贾思琪,冯尊

(北京信息科技大学 信息管理学院,北京 100192)

0 引言

近年来,物流业逐步成为国民经济的重要产业。随着信息化与智能化的深入推进,智慧物流受到国家的高度重视。相较于传统物流,智慧物流是指物流产业结合大数据、云计算、物联网等智慧技术,提升物流系统的自动化、网络化、可视化和智能化水平,进而塑造技术引领下的物流生态圈层[1]。智慧物流效率以相关资源投入与有效产出的方式,反映了物流行业发展的速度和质量,对物流经济的高质量发展具有重要的作用。因此,本文从网络视角切入,对各省份智慧物流效率空间关联网络的演化规律与影响因素进行研究,为加强省域物流行业之间的协同发展,提高智慧物流产业效率提供决策支撑。

通过梳理国内外物流效率相关研究发现:在研究方法上,主要基于数据包络分析(data envelopment analysis,DEA)及其改进方法展开[2];国外学者主要采用数据包络分析-人工神经网络(data envelopment analysis-artificial neural network,DEA-ANN)[3]等方法从微观角度对中小物流企业的物流效率进行深入分析研究;国内学者则聚焦在宏观层面的城市群和中观层面的省域、市域物流效率的研究上[4]。

社会网络分析是用来探究社会网络的关系结构及其属性的重要方法之一。在物流研究中主要应用于物流网络、运输网络和一带一路海运联系等领域[5]。目前,学者们对物流效率的研究多以“属性”数据为主,忽视了关系数据,因而仅能反映出物流效率空间聚集类型与特征,难以探究各省份之间关联关系以及在网络空间中所处地位。

因此,本研究结合社会网络分析方法探究省域尺度上物流效率的空间关联关系,将研究视角由智慧物流个体的信息化建设与应用等属性研究转向个体之间的关联关系研究。此外,目前物流网络效率的影响因素探究主要集中在物流实体的属性层面,鲜少关注物流网络的结构效应影响,本文尝试在中观尺度层面分析智慧物流效率网络结构演化特征的基础上,深入探究智慧物流网络的结构效应。

1 研究区域与研究方法

1.1 区域划分

选取中国31个省(区、市)(不包括港澳台)为研究区域。根据国家统计局的区域划分方法,将研究区域划分为东部、中部、西部及东北部。东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南10省(市);中部地区包括山西、安徽、江西、河南、湖北和湖南6省;西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆12省(区、市);东北地区包括辽宁、吉林和黑龙江3省。

1.2 测度指标选择与数据来源

物流业最核心的投入指标是资金投入和人力投入,且信息技术是物流业转型与持续发展的先决条件,因此智慧物流的投入指标主要从信息化切入,以反映物流业信息化、智慧化的程度。通过分析已有文献[6-7],选取信息传输、计算机服务和软件业固定资产投资额,交通运输、仓储和邮政业城镇固定资产投资额,仓储就业人数,智慧物流企业数量,移动电话交换机容量,互联网宽带接入端口数作为投入变量。对于产出指标,学者们主要选取物流业增加值、环境污染作为产出变量,因此本文选取交通运输、仓储和邮政业增加值作为期望产出指标[8],氮氧化物排放量、化学需氧量作为非期望产出指标;此外,随着物流信息化、智慧化的发展,一些岗位会被人工智能取代,导致失业率上升,所以选取失业率作为非期望产出指标。

智慧物流测度指标具体见表1。需要注意的是,由于数据的可获取性和实证测度需要,本文所选指标无法涵盖智慧物流产业发展的全部内容,而是在研究可行的情况下最大程度体现智慧物流发展的实际水平。研究数据主要来源于2011—2020年《中国统计年鉴》和各省区市统计年鉴,部分缺少数据通过线性插值法进行补充。

表1 智慧物流测度指标Table 1 Measurement index of intelligent logistics

1.3 研究方法

1.3.1 非期望产出模型

本文拟采用非期望产出模型对各省份智慧物流效率进行测算。传统的DEA模型通常假定相对于较少的投入资源,更多的产出是效率的衡量标准。然而,在存在非期望产出的情况下,相对于较少的投入资源,具有较多的期望产出和较少的非期望产出的技术是更有效率的。生产和社会活动的不良产出,如空气污染物和危险废物,已被强烈认为是社会弊病,这些都应被纳入计算之中。相比传统的DEA模型,非期望产出模型更能反应实际情况。

1.3.2 修正引力模型

引力模型是研究空间关联关系的重要工具,近年来,众多学者利用改进引力模型从人工智能发展的空间关联、能源消费空间关联和数字经济空间联系[9]等方面开展了大量的研究。本文采用王兆峰等[10]提出的修正引力模型,研究省份之间智慧物流效率的空间关联关系,测算中国31个省份之间智慧物流效率的空间关联强度。智慧物流效率空间关联强度按式(1)计算:

(1)

其中:

(2)

(3)

式中:Ki,j为关联系数;Ei、Ej为i省和j省的智慧物流效率;Di,j为其“经济距离”;di,j为i省与j省的客运总站之间的距离;gi、gj分别为i省和j省的GDP。

基于以上修正引力模型计算出的各省份之间智慧物流效率的空间关联强度,构建有向智慧物流效率空间关联网络邻接矩阵,如式(4)所示。以矩阵中各省份关联强度的平均值为阈值,将矩阵转化为0-1矩阵。具体操作如下:若Fij大于阈值则取值为1,表示该行与该列省份的智慧物流效率存在空间关联关系;反之则取值为0,即不存在空间关联关系。

(4)

1.3.3 马尔可夫链

本文运用马尔可夫链研究各省份智慧物流发展水平初始所处状态与其他状态之间相互转移的概率,探究智慧物流效率中心性演化特征。用mij表示从状态Mi转移到Mj的概率。如果某省份的智慧物流发展水平i,在下一年仍保持不变,则该省份转移类型为平稳;如果有所下降,则为向下转移;否则为向上转移,具体研究方法不再赘述,详见参考文献[11-12]。

1.3.4 社会网络分析方法

对于社会个体之间关系的研究,社会网络分析是一种较好的方法,可以反映个体和网络的特性[13]。因此,本文使用社会网络分析法从整体网和个体网2个层面探究各省份智慧物流效率空间关联网络的结构特征。

其中整体网特征分析主要从网络密度、网络效率和网络等级度展开:

1)网络密度。由网络中“实际关系数”与“理论上的最大关系数”之比表示,密度值越接近1,表明各节点间联系越密切。

2)网络效率。描述的是网络中各个节点发生关联的效率,网络效率水平越低,说明各节点间有效联系边数越多。

3)网络等级度。刻画的是节点相互之间在多大程度上非对称可达,网络等级度越高,表明网络越具有等级结构。

个体网特征分析主要从网络中心度与核心-边缘展开:

1)网络中心度。中心度主要包括度数中心度、中间中心度和接近中心度,其中,度数中心度刻画的是网络中节点自身的交往能力,包括点出度和点入度,点出度表示各省份在整体网络中对其他省份的辐射作用,点入度表示各省份对整体网络中其他省份要素的集聚作用;接近中心度表征节点的资源控制能力,用以判断省份之间智慧物流效率空间关联产生的难易程度;中间中心度刻画其他节点如何控制或调整并不直接连接的两节点间的关系,能够识别出网络中的枢纽节点。

2)核心-边缘。核心-边缘模型反映了某一省份在网络结构中的地位。

2 智慧物流效率空间关联网络时空分析

2.1 中国省域智慧物流效率空间差异演化

基于1.2节的测度指标数据,采用DEA-Slover Pro 5.0软件中的非期望产出模型对2011—2020年我国各省份智慧物流效率进行计算,各年均值如图1所示。从图中可以看出,研究期内,全国的智慧物流效率整体上呈波动增长的趋势,其均值保持在0.7～0.8。在空间分布上,总体呈现出“东部>中部>东北部>西部”的局面,东部地区的智慧物流效率远大于其他区域。中部地区的智慧物流效率在2013—2014、2018—2019年之间显著增加,究其原因,发现这是因为政策导向下,重点物流枢纽节点、物流园的建设取得积极进展,提升了物流基建之间的衔接度。图中显示,西部地区在2019年智慧物流效率明显提升,我们发现这一时期,国家发展改革委印发《西部陆海新通道总体规划》,着力加快通道和物流设施建设,为推动西部地区建设现代化经济体系提供有力支撑;东北部地区智慧物流效率较低,且2014年和2019年明显下滑。虽然2004年国家提出振兴东北战略后东北经济出现良好态势,但由于东北地区产业结构单一、投资环境差、东北人口老龄化现象等,2014年和2019年经济增速再次下滑,导致东北地区生产总值增长率在全国排名靠后,智慧物流发展困难。

图1 2011—2020年全国及东部、中部、西部、东北部地区智慧物流效率均值Fig.1 The average efficiency of intelligent logistics in China and the eastern,central,western and northeastern regions from 2011 to 2020

2.2 整体网特征分析

基于1.3.2节的有向智慧物流效率空间关联网络邻接矩阵,运用Ucinet 6.0计算2011—2020年智慧物流效率网络密度、网络效率和网络等级度,分析中国省域智慧物流效率空间关联网络的整体网特征。结果如图2所示。从图中可看出:

图2 2011—2020年智慧物流效率空间网络密度、网络效率及网络等级度Fig.2 Network density,network efficiency and network degree of intelligent logistics efficiency from 2011 to 2020

1)网络密度。研究期内网络密度整体保持缓慢波动下降的态势,基本保持在0.14～0.16之间,远低于0.5的中等水平,表明各省份之间联系水平基本保持稳定,整体网络联系疏松,揭示了中国智慧物流效率的空间关联强度具有一定的发展空间。

2)网络效率。整体网络效率偏高,数值接近0.9,表明网络中有近90%的网络连线是多余的,不利于各省份智慧物流效率空间关联网络的优化。因此,智慧物流效率的空间联系可进一步精简数量,增加联系的效率和质量。

3)网络等级度。在2011—2020年中,我国的网络等级度大体表现出缓慢波动并趋向稳定的态势,其取值范围为0.2～0.36,揭示了各省份间智慧物流效率的空间关联关系较为稳定。

2.3 个体网特征分析与演化

2.3.1 中心度分析

基于1.3.2节的有向智慧物流效率空间关联网络邻接矩阵,运用Ucinet 6.0计算2011—2020年各省份智慧物流效率度数中心度、中间中心度以及接近中心度。

1)度数中心度。研究期内,中国省域智慧物流效率网络度数中心度总体上变化缓慢,如天津从2011年的20.0增长到2020年的23.3,增长缓慢;区域智慧物流的发展呈现不均衡的趋势,其中江苏、山东和广东3省的发展交往能力较强,这3个省份的度数中心度均值为63.33,远远超过其他地区度数中心度均值10.6。此外,江苏、山东和广东的点入度和点出度最高,分别为18、11、17和24、13、20,具有较高的智慧物流活力,这与其区位优势密不可分,上述区域均隶属中国东部地区,省内经济发展水平和信息化发展水平领先于其他区域,是智慧物流发展的聚集中心。北京和上海作为中国的两大核心城市,按2.1节计算,北京和上海的智慧物流效率均为1,物流业已经相对发达,但由于土地资源相对紧缺、已形成的均衡发展基础以及交通拥堵等因素,使得其点入度和点出度相对较低,只有7、4和2、3。

2)接近中心度。研究期内,各省份接近中心度值大都保持在20左右,分布相对均衡,区域差异较小。接近中心度前三名的地区为江苏、山东、广东,表明这些地区在智慧物流效率空间关联网络中整体连通能力较强,可以与其他省份较快产生连接,在智慧物流资源的流转和控制方面具有优势。

3)中间中心度。研究期内,江苏和广东中间中心度为37.14和24.94,表明江苏和广东在智慧物流效率空间关联网络中的控制能力较强。除江苏、广东2个省份外,大部分中间中心度值较低,西藏、新疆等地区甚至为0。随时间推进,山东的中间中心度下降趋势显著,由20.867(2011年)下降至4.784(2020年),说明其在智慧物流效率空间网络中的控制能力在下降,但中间中心度排名第四,仍处于核心地位,枢纽性较强。而西藏、新疆、黑龙江的中间中心度始终为0,因为其处于边远地区,多属于物流网络的初始节点或结束节点,并不会对其他省份产生控制力,也不会呈现明显的枢纽性,是其他省份的依赖节点,因此网络中枢纽性与地理空间具有一定的相关性。

2.3.2 中心性演化

对各省份度数中心度进行排序,采用平均方法[14]将各省份智慧物流发展水平划分为4个等级:1)滞后区:度数中心度排序位于75%以后的省份;2)追赶区:度数中心度排序位于50%～75%的省份;3)推进区:度数中心度排序位于25%～50%的省份;4)先行区:度数中心度排序位于前25%的省份。基于此分类,本文使用马尔可夫链对各省份智慧物流效率空间关联网络的中心性进行时空演化分析,得出了2011—2020年各省份中心性的状态转移矩阵,如表2所示。表中对角线上(表2中加粗数据)的元素表明等级保持不变的概率,非对角线上(表2中非加粗数据)的元素表明从一种类型转变为另一种类型的概率。

表2 2011—2020年各省份中心性类型的状态转移矩阵Table 2 State transition matrix of central types of provinces from 2011 to 2020

由表2可知:1)对角线最大的元素为0.952 4,最小的元素为0.878 8,表明各省份中心性类型维持在原来的发展类型的概率位于87.88%～95.24%。2)非对角线上的元素远小于对角线上的元素,表明中心性发展的类型间基本不会发生状态转移。此外,非对角线元素数值大于0的概率多数分布在对角线两侧,表明中心性发展类型多呈现向上或向下一级转移,基本不会实现跨级转移。3)中心性演化具有明显的俱乐部趋同效应,初期处于滞后区域,在今后的发展中有95.24%的概率保持其滞后区状态不变,向上转移的概率只有4.76%;而初期处于先行区,在后续的发展中保持先行区不变的概率为94.74%,向下转移的概率为5.26%。

2.4 核心边缘结构演化

基于1.3.2节的有向智慧物流效率空间关联网络邻接矩阵,运用Ucinet 6.0计算2011年、2020年各省份的智慧物流效率空间关联网络核心边缘分布,如表3所示,并得出了中国省域智慧物流效率“核心-边缘”密度矩阵,如表4所示。

表3 2011和2020年中国省域智慧物流效率空间关联网络核心边缘分布Table 3 The core edge distribution of spatial correlation network of intelligent logistics efficiency in China′s provinces of 2011 and 2020

表4 中国省域智慧物流效率“核心-边缘”密度矩阵Table 4 The"core-edge"density matrix of China′s provincial intelligent logistics efficiency

由表3可知:1)从核心-边缘整体演化趋势来看,研究期内,中国省域智慧物流效率空间关联网络“核心-边缘”结构逐步形成,且核心区域主要分布在北京、河南、上海、广东、江苏、山东等中国东部和中部区域,呈现聚集分布格局。2)从核心省份变化来看,2011年核心区有17个,2020年只有14个,湖南、贵州、宁夏退出核心区域范围,中国东部地区核心省份规模较为稳定。

由表4可知,核心区和边缘区对应的网络密度总体呈现扩张态势,空间联系有所增强。核心区内部以及核心区对边缘区网络密度分别由0.386增至0.478和0.050增至0.071,边缘区内部以及边缘区对核心区分别由0增至0.007和0.105增至0.113,表明各省份之间相互作用强度逐渐加强,核心区的辐射带动效应明显。

3 智慧物流效率空间关联网络效应分析

目前,物流网络效率的影响因素探究主要集中在物流实体的属性层面,鲜少关注物流网络的结构效应影响。本文使用逐步多元线性回归分析整体网和个体网结构效应对智慧物流效率空间关联网络的影响。在多元线性回归分析中,自变量之间可能会存在多重共线性,造成对因变量有显著影响的自变量被判定为不显著,导致显著的自变量被剔除,使模型与实际有差距[15]。因此本文选择逐步线性回归法,以避免自变量之间的相互干扰。

3.1 整体网结构效应分析

选取2011—2020年全国智慧物流效率均值作为因变量,网络密度、网络等级度、网络效率、最短路径作为自变量,对整体网结构效应进行分析,回归分析结果如表5所示。

表5 整体网结构回归分析结果Table 5 Overall network structure regression analysis results

由表5可知,网络效率和最短路径的VIF值均小于10,但没有通过0.1的显著性检验,故不做分析。R2是0.913,说明回归的拟合度非常高,德宾-沃森值为2.057,VIF值均小于10,表示自变量之间不存在共线性,不会相互影响。网络密度和网络等级度均通过了0.01的显著性水平检验,表明网络密度和网络等级度对智慧物流效率影响显著。从回归系数的符号来看,网络密度、网络等级度2个变量的回归系数均为负,表明网络密度、网络等级度与智慧物流效率成负相关。网络密度越高,节点之间的连接越复杂,信息传递的路径越长,这可能导致信息传递的延迟增加,从而降低了物流操作的实时性和准确性。而网络等级度越高,网络等级结构越明显,不利于各省份之间相关资源的流动,阻碍网络中各省份之间的合作与联系。所以,网络密度和网络等级度对智慧物流效率有阻滞作用。

3.2 个体网结构效应分析

选取2020年中国各省份智慧物流效率作为因变量,点入度、点出度、接近中心度、中间中心度作为自变量,对个体网结构效应进行分析,如表6所示。

表6 个体网结构回归分析结果Table 6 Individual network structure regression analysis results

由表6可知,点入度VIF值为27.738,存在多重共线性,将其剔除。R2是0.667,说明回归的拟合度符合要求,德宾-沃森值为2.088,VIF值均小于10,说明自变量之间不存在共线性,不会相互影响。点出度和中间中心度通过了0.01的显著性水平检验,接近中心度通过了0.05的显著性水平检验,表明点出度、中间中心年度和接近中心度对智慧物流效率有显著影响。从回归系数的符号来看,接近中心度、点出度2个变量的回归系数均为正,表明接近中心度和点出度每提升1,可使智慧物流效率分别提高0.015和0.059。接近中心度越高的省份,越容易与其他省份直接建立合作与联系,这意味着该省能够更快地将物流信息传递给其他省份,加快决策和操作的速度,有利于提高资源流动的效率;点出度较高的省份集中了网络中大部分的资源,具有明显的信息化优势,对其他省份具有辐射作用,所以提高接近中心度和点出度可以促进智慧物流效率的提高。中间中心度的回归系数为负,表明中间中心度与智慧物流效率成负相关,会抑制智慧物流效率。中间中心度是各省份建立联系的桥梁。高中间中心度的省份是网络中的重要枢纽,但是一旦发生故障,将会直接影响与其相连的其他省份,可能会导致物流活动被迫中断或延误,从而降低整体智慧物流效率。且高中间中心度省份可能会面临资源分配不均的难题,无法充分满足所有节点需求,这也会导致整体层面智慧物流效率降低。

4 结论与建议

4.1 结论

本文采用非期望产出模型计算2011—2020年中国智慧物流效率,并运用社会网络分析法探究其空间关联特征,采用逐步线性回归法探究智慧物流网络结构对智慧物流效率的影响。主要结论如下:

1)整体上中国省份之间的空间联系已经不受地理位置限制,但整体网络密度较低,各省份之间联系不够紧密;网络效率偏高,各省份之间冗余的联系过多,不利于智慧物流效率空间关联网络的优化;网络等级度呈现缓慢波动稳定的态势,中国智慧物流效率的空间关联强度具有一定的发展空间。

2)研究期内,各中心度指数整体变化缓慢,江苏、山东和广东处于网络核心地位,在智慧物流效率空间关联网络中与其他省份发展交往能力较强,可以在智慧物流生产要素与资源的传输中发挥有力的桥梁和纽带作用。中国智慧物流效率存在明显的俱乐部趋同效应,初期智慧物流发展所处状态在之后的发展中大概率仍保持该状态。

3)中国省域智慧物流效率空间关联网络具有明显的“核心-边缘”结构特征,且核心区域呈现聚集分布状态,主要分布于东部地区和中部地区。研究期内,“核心-边缘”网络密度整体呈现扩展态势,各省份之间相互作用强度逐渐加强。

4)从整体网结构效应来看,网络密度和网络等级度对智慧物流效率有阻滞作用。从个体网结构效应来看,接近中心度和点出度可以促进智慧物流效率的提高,而中间中心度会抑制智慧物流效率。

4.2 建议

依据上述结论,提出以下建议:

1)国家层面。政府应当重视各省份智慧物流效率的空间关联效应,探索建立中国省域智慧物流一体化发展机制,加快推进区域间智慧物流产业协同发展,应设立相关机构负责区域物流效率的管理,并在国家层面建立完善协同管理机制,以弱化省域智慧物流效率空间关联网络中冗余的关联关系。

2)区域层面。积极把握中国智慧物流发展内在演变规律,为缓解区域智慧物流发展不均衡性,应充分发挥江苏、山东和广东等典型强核心地区的优势条件,推动现代物流和相关产业深入融合智慧发展,加强与落后区域在智慧物流技术方面的交流合作,促进区域空间布局优化,打造点带面智慧物流一体化发展格局,稳妥有序开展国家物流枢纽经济示范区建设。

3)实体层面。优化市场资源配置,网络边缘省份应尽快落实人才引进优惠政策,加大其交通建设的投资力度,通过专项资金补贴和财政支持完善信息网络和交通网络建设,为智慧物流建设提供充足的人才储备和基础设施。克服资源向个别城市聚集的困难,增强各省份之间的智慧物流联系与合作,带动中国智慧物流效率空间关联网络从中心式发展向多中心组团式发展。

本文对我国智慧物流效率空间关联网络演化进行了探讨,需要指出的是,现有投入指标从财力资本、人力资本以及信息技术等维度考虑,不足以全面刻画智慧物流业的内涵,进一步的研究可将国家及各省份政策支持力度纳入智慧物流效率评价指标体系。此外,限于篇幅,本文社会网络分析发并未涉及凝聚子群分派指数,未来研究内容可进一步深化讨论。