0 引言

物流业是一个囊括运输、仓储、流通及配送等多种行业的复合型产业, 其在经济发展中所扮演的重要角色已经得到学者们的普遍认可。据国家统计局最新数据显示, 2010—2019年间我国物流产业增加值由18 783.6亿元增加到42 802.1亿元, 10年间累计增长幅度高达127.87%。物流业已逐步成为推动我国经济增长的重要抓手与缩小区域发展的着力点。但由于我国各省市在经济发展水平、地理位置及资源禀赋等方面都存在差异, 使得我国物流资源配置水平在地区间呈现各不相同的局面。因此, 在当前我国提倡区域协调发展的大环境下, 深入探究物流资源配置水平区域差异的长期演变趋势至关重要, 一方面能够推动区域物流产业和经济发展, 另一方面能为物流业均衡发展及政策制定提供新思路。

1 文献综述

当前学者对我国区域物流资源配置水平的研究绝大部分围绕物流效率展开, 研究成果主要集中于3个方面:

1.1 对区域物流效率评价的研究

现有成果对区域物流效率评价的研究最为全面具体。小到对具体省份物流效率的测度, 如曾佑新等利用DEA及其扩展模型对江苏省物流产业效率展开了评价^[1]; 钟群英、朱顺东将DEA模型和Malmquist指数结合起来具体地评价了江西省11个设区市的物流效率^[2]。大到对我国整体物流效率的评价, 如雷勋平等学者以DEA和超效率模型为基础评价了2008年我国各省市物流效率并具体分析了各省市物流资源投入不足与投入沉余状况^[3]; 张竟轶、张竟成通过三阶段DEA模型给出了我国七大地区物流综合技术效率、纯技术效率及规模效率的具体数值和排名情况^[4]; 范建平等人在考虑非期望产出的基础上, 利用改进EBM-DEA模型测算了2012年我国各省市物流业环境、经济和技术效率并分析了其地域特征^[5]。同时, 较多的学者评价研究了特定省群的物流效率, 如Sun采用三阶段DEA模型评价了东北三省的物流效率^[6]; 孟魁以同样的方法研究了中部地区在能耗和碳排放约束下的物流效率并发现其存在非技术和非规模效率^[7]; 刘俊华等应用DEA—Malmquist指数法实证分析了西部十二省市物流效率与技术变动的演变过程^[8]。此外, 王琴梅和张玉在定义丝绸之路经济带“核心区”的基础上评价了国内沿线各省的物流效率并予以排名^[9]; 杨恺钧等通过建立考虑碳排放的SBM与GML模型对比分析了长江经济带上中下游三段的物流业全要素能源效率^[10]。

1.2 对区域物流效率空间演化的研究

近年来, 随着空间计量的兴起, 学者们也逐步开始关注我国物流效率的空间格局。唐建荣等人利用DEA-Malmquist模型测算了江苏省各地级市的物流效率, 并在此基础上通过ESDA分析了其空间格局, 结果显示江苏省物流效率存在明显的空间差异并在演变过程中伴随着空间依赖特征^[11]。钟昌宝、钱康、曹炳汝等采用DEA-BBC模型和空间自相关分析对长江经济带物流效率空间相关的研究得出了类似的结论, 即长江经济带物流效率在空间上存在正相关且效率高的省份主要集聚在中下游^[12-13]。高康等通过超效率DEA-ESDA模型的研究表明我国西部地区物流效率呈现空间弱正相关, 空间异质性由西北向西南不断增强^[14]。张亮亮等借助PP-SFA发现在考虑能源和碳排放的前提下, 中国物流产业技术效率在时序上呈下降态势, 在空间上呈明显区域性^[15]。唐建荣、唐萍萍用方向距离函数测算了2007—2016年中国各省市物流效率, 并用ESDA及标准椭圆法探索了其空间相关, 结果显示我国物流产业效率的空间相关性显著, 东部地区效率优于西部地区且差距在不断扩大^[16]。刘明、杨路明对我国277个地级市物流效率空间相关展开研究后得出临近区域物流效率之间有正向溢出效应且能促进相互之间协同发展的结论^[17]。

1.3 对区域物流效率影响要素的研究

探索我国区域物流效率的影响因素也始终是学者们的关注点之一。余泳泽、武鹏利用随机前沿生产函数探索发现影响我国物流效率的因素主要有经济发展水平、物流资源使用率及地区制度变迁等^[18]。李煜、骆温平发现环境规制对我国物流效率的影响在地区间各不相同, 对东北地区的影响最明显, 对沿海地区的影响最不显著^[19]。袁丹和雷宏振认为物流专业化程度及资源利用显著影响物流效率, 而经济实力、产业结构及人力资本水平对物流效率的影响并不明显^[20], 但王琴梅和李娟经过分析认为合理的产业结构是能够对流效率产生显著的正向影响的^[21], 龚雅玲等人进一步发现物流产业自身结构是影响物流效率众多因素中最为明显的一个^[22]。于丽英则通过研究发现技术进步在物流效率变动中扮演着重要角色^[23]。除此之外, 学者们发现影响我国区域物流效率的因素还有政府干预、产业集聚、开放程度及市场一体化等等^[24-25]。

毋庸置疑, 学者们关于我国区域物流资源配置效率已经取得丰硕的研究成果, 但仍存在不足之处: (1)当前学者们对我国区域物流资源配置效率的评价方法大多以DEA模型为基准。DEA模型只能宏观的反映出物流效率的有效或者无效, 对效率无效的地区尚可做进一步对比分析, 但对于效率有效(即DEA结果为1)的省份则无法进行对比分析。(2)虽然学者们也注意到了我国物流资源配置水平的区域差异, 但尚未有文献对我国物流资源配置水平区域差异的来源及动态演变过程做出深入研究。基于此, 本研究将从以下方面做出进一步研究: (1)采用熵权TOPSIS法对我国物流资源配置水平做出更为动态化的评价。TOPSIS法有对数据要求低、测算结果客观等优点, 其核心思想是通过测算各衡量指标与“最优解”和“最劣解”的距离进而对各指标进行排序, 这种“最优解”思想与经济学所追求的“最优资源配置”高度契合, 非常适合用来测算物流资源配置水平。但TOPSIS法在确定各指标的权重时存在严重的主观倾向, 很容易造成评价结果与实际情况相背离, 而熵权法是一种应用相当广泛的客观赋权法, 有效弥补了TOPSIS法的缺陷, 从而对能够对我国物流资源配置水平做出客观、真实、有效的评价。从结果反映上来看, 传统惯用的DEA模型更多反映的是评价对象是否有效, 其对效率有效的评价对象统一以1作为衡量尺度, 无法直观显示出进一步的区别, 熵权TOPSIS法则能够以不同的数字对不同评价对象进行赋值, 使得各评价省份的物流资源配置水平能够被更为直观、更为动态地表达出来。(2)通过Dagum基尼系数及其分解、Kernel核密度估计及Markov链等方法明确我国区域物流差异的来源及其分布演进过程。

2 物流资源配置水平综合测度 2.1 评价指标体系构建

本研究中物流资源配置水平指的是对物流要素投入与产出之间关系的衡量。因此在构建物流资源配置水平评价体系时须包含这两个方面。基于C-D生产函数可知, 生产要素主要包括资本、劳动力和土地这3个方面, 产出包括经济产出和非经济产出两个方面。物流资本投入主要有经济资本投入和物质资本投入, 在参照前人研究基础与综合考虑数据可得性等原则上, 本研究分别选取物流业全社会固定投资总额和民用载货汽车数量作为物流资本投入衡量指标。劳动力投入方面以物流业从业人员数量作为代理变量。物流土地投入包括仓储建设占地、配送基地等, 相比之下, 在物流运输过程中发挥重要作用的铁路、公路等用地更广且能在一定程度上反映物流运输能力的大小, 故本研究以公路里程作为物流土地投入的衡量指标。从产出角度来看, 一方面, 货运周转量属于物流活动过程中的“中间产出”, 而完整物流活动产出的初级形式体现在货运量上, 因此以货运量和货运周转量来衡量物流活动的非经济产出; 另一方面, 物流经济活动的最终结果需要经济效益来衡量, 故以物流业生产总值的增加值作为经济产出的代表。

除此之外, 现有研究表明, 零售业发展与居民消费水平也对物流效率有显著影响, 在物流资源配置中扮演重要角色^[26]。基于评价体系构建的科学性与综合性考量, 本研究将这二者也均纳入物流资源配置水平评价体系当中, 并选取社会消费品零售总额和城镇居民年平均消费来分别作为这二者的衡量指标。综合以上分析, 构建如表 1所示的物流资源配置水平评价指标体系。

2.2 评价方法与数据来源 2.2.1 评价方法

本研究采用熵权TOPSIS法来测算我国物流资源配置的综合水平。其建模步骤为:

步骤1:数据标准化处理。因涉及到熵权计算, 本研究利用归一化方法对数据进行标准化处理, 处理公式为:

(1)

式中, y_ij为第i个评价对象在第j项评价指标的取值; 为标准化处理后对应的数据; y_jmax为所有评价对象在第j项评价指标下的最大值; y_jmin为所有评价对象在该指标下的最小值。

步骤2:以m个评价对象为列, n项评价指标为行, 构建标准化矩阵:

(2)

步骤3:计算信息熵:

(3)

步骤4:计算权重:

(4)

步骤5:构建加权矩阵:

(5)

步骤6:分别确定最优解和最劣解和

(6)

步骤7:利用欧氏距离公式计算评价对象的最优距离和最劣距离:

(7)

步骤8:计算综合评价指数:

(8)

其中C值越大, 表明物流资源配置水平越高。

2.2.2 数据来源

本研究以我国31省市为主要研究对象, 并参照中国国家统计局的划分标准, 将31省市划分为东部、中部和西部3大地区。东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省市; 中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南等8个省份; 西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、西藏、甘肃、青海、宁夏和新疆等12个省市。研究时段为2003—2017年。由于我国目前并没有专门的物流统计出版物, 因此本研究在数据选取方面采取学者们的一贯做法, 以交通运输业、物流仓储业及邮政业来代替物流业。数据来源于2004—2018年《中国统计年鉴》及各省市统计年鉴。

2.3 评价结果分析

通过熵权TOPSIS评价方法对我国2003—2017年物流资源配置水平进行了测算, 结果如表 2所示。从整体上来看, 我国省际物流资源配置水平呈上升态势。2003年全国省际物流资源配置水平的平均值为0.269, 2017年的平均值增加到了0.305, 增加幅度为13.38%, 表明我国物流资源配置水平处于提升状态, 但年均增加幅度仅为0.96%, 提升速度缓慢。东部地区物流资源平均配置水平由2003年的0.423上升到了2017年的0.436, 提升幅度仅为3.07%, 远低于全国平均上升水准; 中部地区物流资源配置水平的均值在15年里共增加了0.037, 增幅为15.10%, 略高于全国平均增加水平; 西部地区是3大地区中增加最快的地区, 共增加21.8%。从省级角度来看, 2003年, 广东、上海和浙江这3省的物流资源配置水平最高, 分别为0.658, 0.572和0.545;2017年综合评价水平最高的为广东、山东和江苏, 说明这些省市的物流资源配置水平相对较高。与此同时, 2003—2017年间, 有9个省市物流资源配置水平出现下降现象, 其中下降最快的西藏在15年间年均下降幅度为4.89%, 下降趋势明显。而物流资源配置水平提升最快的省份是贵州省, 累计提升幅度高达134.41%, 是31个省市中唯一增加速度超过100.00%的省份。另外, 统计期内有18个省市物流资源配置水平的增长速度超过了全国平均速度。由此可见, 在研究范围内, 中国省级物流资源配置水平虽存在一定的个体异质性, 但从全局角度来看, 仍呈现出向上提升发展的态势。

图 1描绘的是2003—2017年全国、东部、中部、西部及历年省际最大差值的变化曲线。从曲线走势来看, 我国整体、东部、中部和西部物流资源配置平均水平都表现出缓慢波动上升趋势。东部地区波动趋势最为明显, 中部地区物流资源配置水平的演变路径与全国大致相同, 西部地区则呈现先小幅下降而后平稳上升的两阶段态势。从曲线位置来看, 以全国平均水平为基准线, 东部地区物流资源配置水平曲线位于其上, 且距离明显; 中部地区变化曲线稍微低于全国平均变化曲线; 西部地区曲线位置则远低于全国平均曲线。可见, 我国物流资源配置水平存在明显的区域差异。以2003年为例, 东部与中部、东部与西部、中部与西部物流资源配置水平的差值分别为0.178, 0.258和0.08, 到2017年这种差距变为0.154, 0.235和0.081, 地区间差距并未明显缩小, 区域物流资源配置水平的非均衡发展态势仍未得到改善。另外, 各省历年最大差值曲线呈现上升状态, 说明物流资源配置水平在省际之间的非均衡发展愈演愈烈。

3 中国物流资源配置水平的时序演进 3.1 方法选取 3.1.1 Dagum基尼系数及其分解法

Dagum基尼系数分解是一种以子群为单位的分解方法, 它既克服了传统基尼系数不能对地区展开分解的弊端, 又能弥补锡尔指数无法考虑子样本分布状况的不足^[27]。基于此, 本研究将采取Dagum基尼系数及其分解法对我国物流资源配置水平的相对差异进行分解, 进而揭示地区间物流资源配置水平差异的来源与构成。总基尼系数计算公式为:

(9)

式中, n为地区划分类别; m为研究省市个数; m_j(m_h)为第j(h)类地区中所包含的省市数量。y_ji(y_hr)为第j(h)个地区中第i(r)个省份的物流资源配置水平; 为所有研究省市物流资源配置水平的平均值。

Dagum分解将总基尼系数分解为地区内差异贡献G_w, 地区间差异贡献G_nb和超变密度贡献G_t 3大部分, 各部分计算公式为:

(10)

(11)

(12)

(13)

(14)

式中, 表示地区j和h之间物流资源配置水平的相对影响; G_jj和G_jh则分别为第j类地区内部各省份之间的基尼系数及第j类地区和第i类地区不同省份之间的基尼系数。另外d_jh和p_jh的计算公式为:

(15)

(16)

式中, F_j(F_h)为j地区的累积概率密度函数; d_jh定义为地区间物流资源配置水平差值, 可看作是地区j和h中所有y_jh-y_hr > 0的样本的平均值; p_jh定义为物流资源配置水平的超变一阶矩阵, 即所有y_hr-y_ji > 0的样本的平均值。

3.1.2 Kernel核密度估计

Dagum基尼系数及其分解反映的是地区物流资源配置水平相对差异的分布演进。为全面剖析地区间物流资源配置水平差异分布的演化过程, 本研究将选择非参数估计方法Kernel核密度估计来刻画区域物流资源配置水平的绝对差异与分布演化^[28]。其基本形式为:

(17)

式中, x_i为服从独立同分布的观测值; 为物流资源配置水平的数学期望; K(·)为核函数; h为带宽。核函数的类型较为多样, 本研究选择当前研究广泛应用的高斯函数, 其基本形式为:

(18)

3.1.3 Markov链方法

Dagum基尼系数及其分解法与Kernel核密度估计法虽然能够全面刻画我国区域物流资源配置水平的外部演变趋势, 但无法明确其内部演变规律, 本研究将进一步利用Markov链来揭示我国区域物流资源配置水平的内部变化趋势。马尔可夫链的基本条件是, 假定对概率空间(A, B, C)内以一维可数集为随机变量的集合X={x_n∶n > 0}, 若随机变量的取值都在可数集内: X=s_i, s_i⊂s, 且满足: P{X_t+1|X_t, …, X₁}=p{X_t+1|X_t}, 则集合X可称为马尔可夫链^[29]。在经过转移后可形成马尔可夫转移矩阵, 基本形式为:

(19)

若将我国物流资源配置水平划分为N种类型, 则可以得到形如式(19)所示的N×N转移概率矩阵M, 便可以对物流资源配置水平的内部演化特征展开分析。

其中:

3.2 相对差异演进及其来源 3.2.1 全国及地区内相对差异演进分析

表 3给出了全国、分地区及各地区间物流资源配置水平的基尼系数, 图 2描绘了全国及3大地区内部物流资源配置水平基尼系数演变趋势。从全国层面上来看, 2003—2017年间, 我国物流资源配置水平整体基尼系数下降了0.012 7, 年均下降0.28%, 物流资源配置水平的相对差异在缩小, 朝着均衡发展的方向前进。而其具体演变过程则呈现先上升后平稳下降的两阶段特征。具体而言, 在2003—2007年的增长阶段里, 我国物流资源配置水平的基尼系数由0.315 0增加到研究时期内的最大值0.343 7, 增加幅度为10.16%, 说明在这段时间内, 我国整体物流资源配置水平的相对差异在扩大, 不均衡发展明显加强。2007—2017年, 除2012, 2015和2016年出现些微的增加外, 其他年份均表现为下降, 并在2017年达到历年物流资源配置水平基尼系数的最小值0.302 3, 可见近10年来我国物流资源配置水平的非均衡发展态势得到了相应的改善, 朝着均衡发展方向前进。

分地区来看, 东部、中部和西部物流资源配置水平基尼系数的均值分别为0.203 4, 0.151 8和0.285 5, 均小于全国平均值0.312 3, 可见, 3大地区内部物流资源配置水平的相对差异都小于全国, 意味着我国东部、中部和西部物流资源配置水平的均衡发展程度都要优于全国。各区域横向对比来看, 西部地区内部物流资源配置水平的相对差异最大, 东部次之, 中部最为均衡。就演变过程而言, 中部地区演变过程较为平缓, 东部和西部地区则呈现出波浪式的复杂演变形态。从纵向演变结果来看, 东部地区和中部地区物流资源配置水平的基尼系数分别由2003年的0.189 6和0.149 9上升到了2017年的0.229 6和0.172 1, 增长幅度分别为21.09%和14.81%, 可见, 东部和中部物流资源配置水平的相对差距在不断扩大, 呈现出“马太效应”。西部地区基尼系数则由0.269 3下降到0.262 8, 累计下降2.41%, 意味着西部地区内部物流资源配置水平的相对差异有改善迹象, 但效果并不明显。

3.2.2 地区间相对差异演进分析

从表 3前后数据对比来看, 地区间物流资源配置水平的基尼系数明显高于地区内基尼系数, 说明地区之间物流资源配置的不均衡发展态势显著高于地区内。整个研究期内, 东-中部与东-西部之间的资源配置不均衡在波动中缩小, 年均分别下降0.54%和0.79%;中-西部的相对差异呈现扩张态势, 年均增长0.047%。

此外, 东-西部物流资源配置相对差异的平均值分别高出东-中部和中-西部50.63%和70.00%, 是物流资源配置水平相对差距最大的两个地区, 东-中部的相对差异略高于中-西部的相对差异, 但差距并不明显。从图 3的演进趋势上看, 东-西部物流资源配置水平的相对差异沿着先上升后下降路径演进; 东-中部和中-西部则沿着上下波动的路径演进且中-西部的演进过程相较更为平缓。

3.2.3 地区相对差异来源及贡献率

表 4给出了我国物流资源配置水平相对差异的具体来源及贡献占比。由表可知, 我国物流资源配置水平相对差异的贡献主要来自超变密度, 地区间和地区内分列二三位, 但二者的差距较小。变化趋势方面, 地区间对物流资源配置水平相对差异的贡献相当平稳, 15年间仅增长了0.93%;地区内对物流资源配置水平相对差异的贡献率分别在波动中由21.99%稳步上升到25.73%, 超变密度的贡献率则与之相反, 由50.79%下降到46.12%。就波动幅度而言, 地区内贡献的波动幅度为0.013 4, 地区间贡献的波动幅度为0.024 3, 超变密度贡献的波动幅度则为0.034 2。整体而言, 超变密度仍在当前我国物流资源配置水平的相对差异中占据主导位置。

3.3 绝对差异演进趋势

本研究分别选取2003, 2008, 2013和2017年这4个年份作为Kernel核密度估计的样本, 最终估计结果如图 4所示。通过对核密度曲线位置、高度及波峰数量的对比分析, 可进一步明确我国物流资源配置水平绝对差异的动态演进历程。

3.3.1 全国物流资源配置水平绝对差异演进

总体来看, 全国历年核密度曲线位置移动并不明显, 2017年的曲线相对靠右, 2008年的曲线峰波最高, 2013年为双峰形态。说明我国整体物流资源配置水平提升缓慢, 2017年的物流资源配置水平相对最高, 但2008年物流资源配置水平的绝对差异最小, 2013年存在极化现象。整体2003—2017年间, 核密度曲线稍微右移, 高度未发生明显变化, 说明我国整体物流资源配置水平有所提升但绝对差异并未有太大变化。具体演进来看, 相比2003年, 2008年核密度曲线高度上升, 说明我国物流资源配置水平的绝对差异在这一阶段有所缩小; 相较2008年, 2013年的核密度估计曲线高度有了明显的下降且在主峰的右边出现了副峰, 意味着我国物流资源配置水平的绝对差异在扩大并产生了极化现象; 2017年核密度估计曲线在升高的同时由双峰形态变成了单峰形态, 表明物流资源配置水平的相对差异再次缩小且极化发展得到了有效的控制。

3.3.2 东部物流资源配置水平绝对差异演进

总体来看, 东部地区2013年核密度曲线位置最靠右, 2003年曲线波峰高度最高且存在双峰现象, 说明2013年东部地区物流资源配置水平最高, 而2003年物流资源配置水平的绝对差异虽然最小但存在着极化发展趋势。整体2003—2017年间, 核密度曲线高度明显下降, 说明东部物流资源配置水平的绝对差异在扩大。具体演进来看, 与2003年相比, 2008年波峰高度明显下降且宽度增加, 同时双峰形态消失, 说明东部物流资源配置水平的相对差异在扩大但极化现象得到了控制; 2013年曲线相较2008年波峰高度上升, 同时位置向右移动明显, 表明这一时期内东部物流资源配置水平不仅得到了大幅度的提升且地区间的相对差距也得到了改善; 与2013年相比, 2017年核密度曲线波峰再次回落, 意味着该阶段内东部物流资源配置水平的绝对差异呈增大态势。

3.3.3 中部物流资源配置水平绝对差异演进

总体来看, 中部地区2013年曲线的位置最靠右, 2003年的波峰最高, 2013年和2017年分别拥有3个和2个波峰, 说明在研究期内, 中部地区物流资源配置水平最高的年份为2013年, 2003年的物流资源配置水平的绝对差异最小, 同时中部地区是3大地区中物流资源配置水平极化现象最严重的地区, 并在2013年达到顶峰。整体2003—2017年间, 核密度曲线右移、高度下降且波峰数量增加, 意味着中部地区物流资源配置水平在提升, 但绝对差异也在扩大并且有极化现象。具体演进来看, 与2003年相比, 2008年曲线小幅向右移动, 波峰高度些微下降, 说明2008年中部地区物流资源配置水平与绝对差异都有所提高, 但并不显著; 与2008年相比, 2013年核密度曲线波峰高度呈坠崖式下落, 宽度增大, 峰状由单峰变为三峰, 意味着在这5年期间, 中部物流资源配置水平的绝对差异急速扩大并伴随着严重的极化现象; 对比2013年, 2017年核密度曲线的位置向左稍微移动, 波峰高度几乎未变化, 波峰数量减少到了2个, 说明2017年中部地区物流资源的配置水平有所下降, 绝对差异却并未有效改善, 但极化现象得到了一定的缓解。

3.3.4 西部物流资源配置水平绝对差异演进

总体来看, 西部地区历年核密度估计曲线的位置比较集中, 相对而言2017年曲线位置最靠右, 2003年的曲线峰波最高, 峰形均以单峰呈现, 并无明显的多峰形态, 代表着西部地区物流资源配置水平在2017年最优, 地区内绝对差异最小的时期为2003年, 研究期内并未出现极化现象。整体2003—2017年间, 核密度曲线右移, 高度下降, 说明西部地区在物流资源配置水平提升的同时伴着相对差距的扩大。具体演进来看, 2008年相比2003年, 核密度曲线位置无明显变化但波峰高度出现了下降, 说明西部物流资源配置水平的绝对差异在这一阶段内有扩张态势; 与2008年相比, 2013年核密度曲线小幅度右移, 波峰高度再度下降, 意味着2008—2013年间, 西部地区物流资源配置水平有了一定的进步, 但配置水平的绝对差异再次扩大; 相对于2013年, 2017年波峰明显升高的核密度曲线表明西部地区物流资源配置水平的绝对差异开始朝着缩小的方向前进。

3.4 内部动态信息变化

下面将通过Markov转移矩阵对我国物流资源配置水平的内部动态变化展开分析。根据Markov链的基本要求, 需要先对我国各省市物流资源配置水平进行分类, 在此基础上, 计算出相应的Markov转移概率矩阵并加以分析。

本研究以我国各省市物流资源配置水平综合评价指数为基本划分依据, 通过聚类分析的方法, 将31省市物流资源配置水平共分为4种状态: 将低于综合指数平均值50%的单元定义为物流资源配置低级发展水平, 处于综合评价指数平均值50%~100%的单元定义为物流资源配置初级发展水平, 处于平均值100%~150%的单元定义为物流资源配置中级发展水平, 高于平均值150%的单元定义为物流资源配置高级发展水平。计算结果如表 5所示。

从整个研究期来看, 首先, 2003—2017年转移矩阵斜对角对应的概率分别为0.972 6, 0.905 3, 0.800 0和0.869 6, 说明我国省际物流资源配置水平保持初始发展状态的概率最低也达到了80%, 其中, 低级水平稳定性最高, 达到了0.972 6, 可见我国物流资源配置水平存在明显的路径依赖; 其次, 物流资源配置低级水平、初级水平和中级水平发生状态转移的概率分别为0.027 4, 0.094 6和0.200 0, 资源配置水平越高, 发生转移的概率也随之提高, 意味着前期物流资源配置水平越低, 越容易出现发展停滞现象; 最后, 除高级发展状态有0.010 9的概率向初级发展状态跨等级向下转移外, 其他发展状态均是在相邻状态之间以一定概率发生转移, 整个过程向上跨等级的转移概率均为0, 表明我国物流资源配置水平地区差异的演进是一个循序渐进的过程。

分阶段来看, 首先, 与2003—2010年相比, 2010—2017年间, 我国物流资源配置水平处于低级、初级和中级水平的概率分别由0.947 4, 0.853 9和0.746 4增加到了1.000, 0.962 5和0.834 6, 表明我国省际物流资源配置水平不断趋于稳定, 存在固化倾向, 尤其是处于低级配置水平的单元稳定的概率达到了100%, 因此要做好因水平固化而造成的地区差异进一步扩大的防范工作; 其次, 相比2003—2010年, 2010—2017年处于低级、初级和中级状态的省市向更高状态转移的概率分别下降了0.052 6, 0.086 1和0.022 8, 即我国物流资源配置水平的提升速度变得更加缓慢, 地区间差异演进速率放缓; 最后, 2003—2010年间, 处于高级状态的单元仍有0.021 3的概率跨等级向下转移, 而2010—2017年间, 任意状态都不存在跨等级转移, 表明我国省际物流资源配置水平逐渐趋于均衡, 地区间的差异有缩小态势。

4 中国物流资源配置水平的空间演进 4.1 中国物流资源配置水平的空间相关

莫兰指数常被用于空间相关特征研究当中, 莫兰指数的计算公式为:

(20)

式中, x_i, x_j分别表示第i个和第j个省市的物流资源配置水平综合评价指数; 为平均值; w_ij为二进制空间权重; S²为样本方差。

Moran’s I指数在[-1, 1]范围内取值, 若Moran’s I指数大于0, 说明我国物流资源配置水平在空间上存在正向自相关, 若Moran’s I指数小于0, 则说明我国物流资源配置水平在空间上存在负向自相关, 若Moran’s I指数等于0, 意味着我国物流资源配置水平在空间上不存在自相关关系。本研究借助GeoDa软件测算了历年我国物流资源配置水平的Moran’s I指数, 结果如表 6所示。

由表 6结果可知, 2003—2017年间我国物流资源配置水平Moran’s I指数的均值为0.350且历年Moran’s I指数的数值均大于0, 意味着我国物流资源配置水平在空间上存在明显的正相关, 空间集聚效应显著。

4.2 中国物流资源配置水平的空间演进

在确定我国物流资源配置水平在空间上存在正向相关的基础上, 进一步通过Moran’s I指数散点图来揭示其空间演进规律。本研究以2003, 2010和2017年为分析对象并绘制出对应的物流资源配置水平Moran’s I指数散点图, 结果如图 5所示。

根据Moran’s I指数散点图的常规分析方法, 可按象限将我国物流资源配置水平分为4种类型。第1象限表示自身与周边物流资源配置水平都高的地区, 记作HH型; 第2象限表示自身物流资源配置水平低而周边配置水平高的地区, 记作LH型; 第3象限表示自身与周边物流资源配置水平都低的地区, 记作LL型; 第4象限表示自身物流资源配置水平高而周边配置水平低的地区, 记作HL型。各省市演变路径如表 7所示。

从表 7可以直观地看出, 我国物流资源配置水平高(HH型)的省市高度集中在东部地区, 物流资源配置水平低(LL型)的地区高度集中于西部地区, 中部地区省市的物流资源配置水平在空间上更容易呈现异质性(HL、LH型)。具体而言, 整个研究期间内, 我国物流资源配置水平在空间演变路径上未发生任何变动的省市达到了24个, 分别是上海、江苏、山东、浙江、福建、河南、河北、北京、江西、广西、山西、贵州、云南、陕西、西藏、黑龙江、青海、甘肃、新疆、宁夏、湖北、四川、广东和海南(其中海南省始终位于二三象限的交接线上), 占比达到77.42%;经过一定演变又回到最初路径的省市有2个, 分别是内蒙古、辽宁, 占比6.45%;空间演变路径发生改变的省市共5个, 分别是天津、安徽、重庆、湖南和吉林, 占比16.13%。空间路径在总体上未发生演变的省市多达26个, 占比83.87%, 可见我国区域物流资源配置水平在空间演变上存在明显的路径依赖。另外, 在空间演变路径发生改变的5个省市中, 向更高物流资源配置水平集聚的省市有安徽、重庆和湖南, 向物流资源配置低水平集聚的省市有天津和吉林。

5 结论

本研究利用熵权TOPSIS对我国省际物流资源配置水平综合指数进行了测算, 在此基础上, 利用Dagum基尼系数分解、Kernel核密度估计及Markov链等方法实证分析了我国物流资源配置水平的地区差异及其时序分布演进, 同时根据Moran’s I指数对其空间演进路径进行了刻画, 得到的主要结论有:

(1) 熵权TOPSISI结果显示我国整体物流资源配置水平呈现缓慢上升的态势, 东中西3大地区物流资源配置水平差距明显, 东部最优, 中部次之, 西部最差, 同时这种差距并没有得到应有的改善。另外, 省际物流资源配置水平之间的差距有进一步扩大迹象, 非均衡发展态势显著。

(2) Dagum基尼系数及其分解的结果表明我国整体物流资源配置水平的相对差异向缩小的方向前进。东中西3大地区内部物流资源配置水平的相对差异均小于全国, 但东部与中部地区内部物流资源配置水平的相对差异呈现出“马太效应”, 西部地区内部物流资源配置水平的相对差异虽有缩小但并不明显。地区间的相对差异要高于地区内且东部与西部是物流资源配置水平相对差异最大的两个地区, 相对差异的主要来源于超变密度, 占比始终在50%左右。

(3) Kernel核密度估计结果表明我国整体物流资源配置水平的绝对差异在研究期内并未明显改变, 绝对差异演进速度缓慢。东部地区物流资源配置水平的绝对差异扩大但极化发展态势得到了控制; 中部地区物流资源配置水平在绝对差异扩大的同时伴随着极化现象; 西部地区物流资源配置水平的绝对差异也在扩大, 但扩张幅度小于东部和中部。

(4) Markov概率转移矩阵结果表明我国物流资源配置水平内部演变速度缓慢, 在时序演进上存在明显的路径依赖; Moran’s I指数结果显示我国物流资源配置水平存在空间自相关, 东部地区呈现高水平集聚, 西部地区为低水平集聚, 其在空间演进路径上也存在明显的路径依赖。

基于以上研究结论, 提出以下发展建议:

第一, 加强落后地区物流业资金支持力度, 提升对应从业人员待遇。从物流资源配置倾向来看, 东部地区物流业获得的资金和人力支持都明显优于西部地区, 这与地区经济发展息息相关。落后地区财政紧张, 很难给予物流业太大的资金支持, 同样也会引起相应从业人员待遇低, 从业积极性不高等诸多问题。中央财政应加大对中西部落后地区物流业的资金补充力度, 地方政府也需出台相应的从业人员优惠政策予以配合, 达到提升物流资源配置水平的目的。

第二, 充分发挥地区优势, 完善物流资源配置动态监管体系。一方面, 各地区要利用好区位优势来提高自身物流资源配置水平。东部地区应充分发挥好其在科技方面的领先优势, 通过优化资源有效使用率来提升物流资源配置水平; 中部地区要利用好其作为连接东西交通枢纽的区位优势, 做好物流中转工作, 通过扩大物流中间产出来实现资源配置水平的提高; 西部地区则需要把握住其地域广阔的发展优势, 通过建立大型物流仓储基地、冷冻物流链等方式提升物流产出, 提高资源配置水平。另一方面, 定时监测我国及三大地区物流资源配置水平, 把握其动态演变过程, 国家层面需要统筹物流资源配置, 进而缩小地区间的发展差距, 各地区尤其是东部和中部则需要进一步对其范围内省际物流资源之间的配置进行优化, 阻断其内部非均衡演化态势。

第三, 设立高水平物流资源配置示范点, 构建跨区域对口合作机制。物流资源配置水平在空间上存在明显的正向集聚效应, 因此可以省际为基本单元, 通过对辐射效应最优距离的测算, 在中西部落后地区设立一批高物流资源配置水平示范点, 发挥带动效应, 提升落后地区物流资源配置水平。此外, 可选取部分高水平资源配置水平的省份与低水平资源配置的省份形成一一对口合作机制, 借助发达地区的技术、发展思路和发展经验等来加速落后地区的发展, 同时有条件的对口省份可尝试物流资源统一配置与调度, 不断促进区域物流资源配置水平的提升与均衡发展。