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

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。