考虑起讫空间自相关的卷钢铁路运输需求影响因素挖掘与空间效应分析

The Influencing Factors Exploration and Spatial Effect Analysis on the Coil Steel Railway Transportation Demand Considering the Origin-Destination Spatial Autocorrelation

摘要

为量化评估卷钢铁路运输需求的影响因素和空间效应，实现更多大宗货物运输公转铁的目标，基于卷钢铁路运输需求构建1种OD空间自相关模型（SAM）。该模型以2022年卷钢铁路运输统计数据为基础，通过检验卷钢铁路运输需求的起点、讫点和起讫点空间自相关性，量化分析产业结构和交通基础设施对卷钢铁路运输需求的影响，通过边际效应分析各因素作用的方向和强度。结果表明：铁路线经过数量、铁路营业里程密度、起点的钢铁总产量以及讫点的经济与交通特征（包括人均工业生产总值、房地产投资总额、公路总里程和内河航道里程）等因素均与卷钢铁路运输需求呈显著正相关；起讫点间距离、讫点的钢铁总产量、起点的经济与交通特征等因素均与卷钢铁路运输需求呈显著负相关；起点自相关、讫点自相关和起讫点空间自相关参数分别为0.050，0.055和-0.008，验证了考虑空间效应的必要性。该模型综合考虑起点供给推动、讫点需求拉动和距离及其他运输方式发展对卷钢铁路运输需求的抑制及互补影响，为卷钢铁路运输需求预测及大宗货物公转铁的政策制定提供了理论基础。

Abstract

To quantitatively evaluate the influencing factors and spatial effects of coil steel railway transportation demand, and to achieve the modal shift of bulk cargo transportation from highway to railway, an Origin-Destination (OD) spatial autocorrelation model (SAM) is constructed based on coil steel railway transportation demand. On the basis of statistical data of coil steel railway transportation in 2022, the model examines the spatial autocorrelation at the origin, destination, and OD levels of coil steel railway transportation demand. Then the impact of industrial structure and transportation infrastructure on the coil steel railway transportation demand is quantitatively analyzed. Furthermore, the direction and magnitude of each influencing factor are assessed through marginal effect analysis. The results show that factors such as the number of railway lines, railway operating mileage density, the total steel output at the origin, and the economic and transportation characteristics at the destination (including per capita gross industrial product, total real estate investment, total highway mileage and inland waterway mileage) are significantly positively correlated with coil steel railway transportation demand. The factors such as the distance between OD, the total steel output at the destination, and the economic and transportation characteristics at the origin are significantly negatively correlated with coil steel railway transportation demand. The spatial autocorrelation parameters for the origin, destination, and OD are 0.050, 0.055, and -0.008, respectively, indicating the necessity of considering spatial effects. The model comprehensively considers the supply-driven effect at the origin, the demand-driven effect at the destination, the inhibitory and complementary impacts of distance and the development of other transportation modes on coil steel railway transportation demand. It provides a theoretical basis for forecasting the coil steel railway transportation demand and formulating policies for modal shift of bulk cargo transportation from highway to railway.

Graphical abstract

关键词

铁路运输 / 卷钢运输空间自相关模型 / 产业结构 / 交通基础设施 / 空间效应

Key words

Railway transportation / Spatial autocorrelation model of coil steel transportation / Industrial structure / Transportation infrastructure / Spatial effects

2023年底中央经济工作会议明确提出“有效降低全社会物流成本”^［1］，随后，国家发展改革委员会等四部门明确提出大力推进大宗货物公转铁，降低全社会物流成本^［2］。钢铁是大宗货物运输的主要商品之一，其运输结构呈现明显的公路主导特征。据运联研究院统计，2023年全国钢铁运输中68%经由公路运输，铁路运输仅占10%^［3］，表明我国钢铁运输在“公转铁”方面仍有较大提升空间。2023年我国钢材年产量为13.63亿t，其中卷钢年产量超4.33亿t，占钢材总产量的32%^［4-6］。作为最主要的钢材品类，卷钢凭借其运输便捷、仓储高效和易于再加工等优势，被广泛应用于建筑、造船、车辆制造、家具以及电气等工业领域。

产业结构是影响卷钢铁路运输需求的重要因素^［7-10］，主要从供给和需求2方面影响卷钢铁路运输量。在供给方面，张岄^［11］通过构建多元线性回归模型，证实钢铁产量与铁路货运量存在显著正相关关系，即钢铁产能的提升会直接带动铁路运输需求的增长。在需求方面，卷钢作为工业的重要原料，工业发展越好，则对卷钢的需求越旺盛，该地区的卷钢流入量也增加。Kim等^［12］研究发现钢铁的需求与GDP和工业化有直接关系。房地产是钢铁行业的重要下游应用领域，据统计，房地产钢铁消费体量占比为30%左右^［13］。Xu等^［14］通过地理加权回归模型分析得出，在城市化进程中，房地产建设对钢铁制成品的需求巨大，进而显著增加了钢铁的运输需求。另一个影响卷钢铁路运输需求的因素为交通基础设施，包括铁路设施及其他运输方式的设施^［15-19］。李红娟等^［20］采用脉冲响应函数分析发现铁路、水路、公路以及民航4种货运方式之间存在竞争与协同的双重关系。公路、水路等交通设施的完备性在一定程度上会削弱铁路运输的竞争力，从而减少卷钢铁路运输需求，但在铁路网还尚未完全覆盖所有县级城市的情况下，完善的铁水和公铁衔接将有助于提高卷钢铁路运输需求。

方晓平等^［21］的研究表明铁路货物运输存在空间自相关性。具体表现为：某省份的卷钢铁路运输需求不仅受本省内因素影响，还与相邻省份的影响因素有关。若忽略这种空间自相关关系，将导致对运输需求影响因素的估计偏差。因此，研究卷钢铁路货运需求影响因素时，必须考虑空间效应。

本研究基于2022年卷钢铁路OD运输数据，在分析不同省份间的卷钢铁路运输需求的空间分布特征及其影响因素的基础上，以2省间是否有直达的铁路为元素，构建空间权重矩阵并建立面向产业结构和交通基础设施影响的卷钢铁路运输需求OD空间自相关模型（spatial autocorrelation model，SAM），以量化2类因素对卷钢铁路运输需求的影响，并进行政策讨论，为卷钢铁路运输需求预测、交通基础设施规划及大宗货物公转铁的政策制定奠定基础。

1 数据来源及变量设计

1.1　数据来源

数据来源主要有以下4个部分。

（1）来自中国国家铁路集团有限公司（下面简称国铁集团）的2022年卷钢铁路运输统计数据，包括年份、发局、发站、到局、到站、累计运量以及累计车数，共计1 934条数据。其中，包含95个发站，452个到站，分别占铁路总车站数的17.367%和82.633%。将其汇总后，得到31个省份间的卷钢铁路运输量。

（2）来自《中国统计年鉴2023》的统计数据，包括31个省份2022年的工业生产总值、常住人口、钢铁总产量、房地产投资总额、铁路营业里程、省份面积、公路总里程和内河航道里程等。

（3）来自国铁集团的2022年铁路线路示意图，主要统计了31个省份铁路线经过的数量。

（4）来自高德地图，主要采集起点质心至讫点质心间的公路自驾前5条推荐路径距离的平均值。

1.2　因变量

根据国铁集团提供的卷钢运量数据，按发、到站所属省份汇总，共计31个省份，可计算出这些省份间的卷钢铁路运输量，共计961对OD货流，其中最大值为1 417.62万t，最小值为0万t，平均值为7.31万t，零流为606对。剔除零流，剩余货流实行对数转化，其分布基本符合正态分布规律。因此，将2022年31个省间的卷钢铁路运输量的对数作为因变量。

为了更好地分析OD货流的分布特征，对剩余355对OD货流进行分析并统计各省份间OD货流量，结果见表1。由表1可知：从距离上看，邻近省份间的货流量较大，存在明显的空间效应。

1.3　自变量

1.3.1　产业结构自变量

产业结构是影响卷钢铁路运输需求的重要因素，从供给能力、工业需求、终端需求3个维度对其进行分析。上游供给以钢铁总产量表征：产量越高，外运卷钢越多。中游工业需求以人均工业生产总值衡量，该指标综合反映采矿业、制造业及公共事业产出水平，直接拉动钢铁消耗。下游终端需求以房地产投资总额表征，房地产行业对钢材需求具有显著正向影响^［22］。三者统计结果如图1所示。

1.3.2　交通基础设施自变量

铁路运输的便利度是影响卷钢运输的重要因素之一，通过省内和省份间2个维度进行分析。省内铁路运输的便利度以铁路营业里程密度来表征，铁路营业里程密度分布与卷钢铁路货流分布基本吻合。省份间铁路运输的便利度以铁路线经过该省的数量来表征，经过的数量越多，卷钢运输量越高。二者统计结果如图2所示。

公路和水路的便利度也会影响卷钢铁路运输，公路的便利度以公路总里程来表征，铁路与公路当前在卷钢运输方面存在较强的竞争性。随着公路路网的日益完善，可能导致卷钢铁路运输需求的下降，但是铁路运输要实现门到门的运输，也依然需要公路的配合。因此，公路的发展可能会促进卷钢铁路运输需求的增加。各省公路总里程统计结果如图3所示。水路的便利度以内河航道里程来表征。水路运输和铁路运输都不能实现门到门的运输，但两者都在大宗货物中长距离运输中具有优势，其服务擅长区域有明显差异，可以较好地实现优势互补。因此，水路运输的发展水平，一定程度上可以促进铁路运输的发展，实现铁路与内河航运的有效衔接，能够推动铁水联运的发展。各省内河航道里程统计结果如图4所示。

距离是影响运输需求的重要因素，随着运输距离的增加，卷钢铁路运输需求减小。距离以从高德地图中采集的起点质心至讫点质心间的公路自驾前5条推荐路径距离的平均值来表征。

将以上统计变量做共线性诊断，方差膨胀因子VIF均小于5.2，处于可接受范围，具体变量统计情况见表2。

2 空间自相关模型

卷钢铁路运输需求具有很强的空间自相关性，包括起点、讫点和起讫点自相关。货流空间自相关示意图如图5所示。图中：O为起点；D为讫点；O_{\mathrm{1}}，O_{\mathrm{2}}，…，O_n为起点的邻居；D_{\mathrm{1}}，D_{\mathrm{2}}，…，D_n为讫点的邻居。起点自相关指讫点需求不变时，起点邻居至该讫点的运输量增加，会导致该起讫点的需求量减少。讫点自相关指起点供给不变时，该起点至讫点邻居的运输量增加，会导致该起讫点的需求量减少。起讫点自相关指讫点需求不变时，起点邻居至讫点邻居的运输需求增加，会导致起点邻居至该讫点的需求下降，进而使该起讫点的需求增加。

2.1　空间权重矩阵构建

空间权重矩阵是刻画省份间空间关联特性的重要工具。在961对卷钢铁路运输流中，有606对的运输流为0，其中81.85%的零流（496对）是由于起讫点省份间没有直达的铁路连接所致。因此，用2省间是否有直达的铁路连接构建空间权重矩阵，能够有效反映其空间特性。空间权重矩阵\mathit{W}的表达式为

\mathit{W}=(w_{ij}{)}_{n\times n}（1）

式中：w_{ij}为起点i至讫点j的权重元素，当2省之间有直达铁路时取值为1，否则取值为0；矩阵\mathit{W}的对角线元素全部为0；n为省份个数，其取值为31。

由此可得起讫点空间权重矩阵{\mathit{W}}_w为

{\mathit{W}}_w={\mathit{W}}_d\cdot {\mathit{W}}_o（2）

其中，

{\mathit{W}}_o=\mathit{W}\otimes {\mathit{I}}_n

{\mathit{W}}_d={\mathit{I}}_n\otimes \mathit{W}

式中：{\mathit{W}}_o和{\mathit{W}}_d分别为起点和讫点省份的空间权重矩阵；{\mathit{I}}_n为\mathrm{31}\times \mathrm{31}的单位矩阵；\otimes表示克罗内克积运算。

起讫点空间权重矩阵反映了起讫点空间自相关性，表明某OD对间的货流受到从起点邻居到讫点邻居货流的影响。

2.2　空间自相关判断

通过全局莫兰指数（Moran’s I），分别检验卷钢铁路货流的起点、讫点和起讫点的自相关程度，结果见表3。三者的莫兰指数分别为0.268，0.373和0.075，且三者的P值都小于0.01，Z值都大于1.96，表明在0.01的置信水平下空间自相关均通过显著性检验，其中，前两者的莫兰指数相对较高，表明其空间自相关程度较强。

2.3　OD空间自相关模型构建

卷钢铁路运输OD空间自相关模型的表达式为

\begin{array}{l}\mathit{y}={\rho }_o{\mathit{W}}_o\mathit{y}+{\rho }_d{\mathit{W}}_d\mathit{y}+{\rho }_w{\mathit{W}}_w\mathit{y}+{\mathit{X}}_o{\beta }_o+\\ \hspace{1em}{\mathit{X}}_d{\beta }_d+\theta \mathit{H}+\alpha {\mathit{\iota }}_N+\epsilon \end{array}（3）

式中：\mathit{y}为\mathrm{31}个省份间的卷钢铁路运输量所构成的\mathrm{961}\times \mathrm{1}列向量，即\mathit{y}=(y_{\mathrm{11}},y_{\mathrm{12}},\cdots ,y_{\mathrm{1}n},y_{\mathrm{21}}，y_{\mathrm{22}},\cdots ,y_{\mathrm{2}n},\cdots ,y_{n\mathrm{1}},y_{n\mathrm{2}},\cdots ,y_{nn}{)}^{\mathrm{T}}，y_{ij}为起点省份i至讫点省份j的卷钢铁路运输量；{\mathit{X}}_o和{\mathit{X}}_d分别为起点和讫点省份的自变量矩阵，维度均为\mathrm{961}\times \mathrm{7}，矩阵中包含3个产业结构自变量和4个交通基础设施自变量，{\beta }_o和{\beta }_d分别为起点和讫点自变量的系数；{\rho }_o，{\rho }_d和{\rho }_w分别为起点、讫点和起讫点自相关系数；\mathit{H}为起点和讫点间的距离值构成的\mathrm{961}\times \mathrm{1}列向量；\theta为\mathit{H}的系数；{\mathit{\iota }}_N为所有元素均为1的\mathrm{961}\times \mathrm{1}列向量；\alpha为{\mathit{\iota }}_N的相关系数；\epsilon为误差项。

根据LeSage等^［23］的理论，应有{\rho }_w=-{\rho }_o{\rho }_d，但为使模型更具适用性，此处不对参数{\rho }_w施加该限制。

模型采用极大似然估计法进行估计，对数似然函数值L_{\mathrm{l}\mathrm{n}}({\rho }_o,{\rho }_d,{\rho }_w)的表达式为

L_{\mathrm{l}\mathrm{n}}({\rho }_o,{\rho }_d,{\rho }_w)=C+\mathrm{l}\mathrm{n}\left|{\mathit{I}}_N-{\rho }_o{\mathit{W}}_o-{\rho }_d{\mathit{W}}_d-{\rho }_w{\mathit{W}}_w\right|-\frac{N}{\mathrm{2}}\mathrm{l}\mathrm{n}\left(S({\rho }_o,{\rho }_d,{\rho }_w)\right)（4）

式中：C为常数项；{\mathit{I}}_N为\mathrm{961}\times \mathrm{961}的单位矩阵，S({\rho }_o,{\rho }_d,{\rho }_w)为误差平方和。

3 边际效应

在非空间自相关模型中，某省份的某一属性变化只会影响到与该省份相关的卷钢铁路运输需求，但在空间自相关模型中，该变化不仅影响与该省份相关的运输需求，还会影响周边省份的需求。设某省内某一变量的变化对整个网络卷钢铁路货运量的总效应为\mathit{V}；对该省份流出的卷钢铁路货运量的起点效应为\mathit{S}；对流入该省份的卷钢铁路货运量的讫点效应为\mathit{E}；对该省份内部卷钢铁路货运量的区域内效应为\mathit{A}；对其他省份间的卷钢铁路货运量的网络效应为\mathit{F}，各效应间的关系为\mathit{V}=\mathit{S}+\mathit{E}+\mathit{A}+\mathit{F}。

根据LeSage等^［24］的理论，\mathit{V}的计算式为

\mathit{V}={\left({\mathit{I}}_N-{\rho }_d{\mathit{W}}_d-{\rho }_o{\mathit{W}}_o-{\rho }_w{\mathit{W}}_w\right)}^{-\mathrm{1}}\cdot \left(\begin{array}{c}\begin{array}{c}{\mathit{J}}_{{\mathit{d}}_{\mathrm{1}}}{\beta }_d^r+{\mathit{J}}_{{\mathit{o}}_{\mathrm{1}}}{\beta }_o^r\\ {\mathit{J}}_{{\mathit{d}}_{\mathrm{2}}}{\beta }_d^r+{\mathit{J}}_{{\mathit{o}}_{\mathrm{2}}}{\beta }_o^r\\ ⋮\end{array}\\ {\mathit{J}}_{{\mathit{d}}_{\mathit{n}}}{\beta }_d^r+{\mathit{J}}_{{\mathit{o}}_{\mathit{n}}}{\beta }_o^r\end{array}\right)（5）

式中：{\mathit{J}}_{{\mathit{d}}_{\mathit{i}}}和{\mathit{J}}_{{\mathit{o}}_{\mathit{i}}}均为31阶方阵，{\mathit{J}}_{{\mathit{d}}_{\mathit{i}}}的第i列为{\mathit{\iota }}_n{\beta }_d，其余元素为0，{\mathit{J}}_{{\mathit{o}}_{\mathit{i}}}的第i行为{\mathit{\iota }}_n^{\mathrm{T}}{\beta }_o，其余元素为0。

某一变量的变化在各省的平均总效应v为

v=(\mathrm{1}/N){\mathit{\iota }}_N^{\mathrm{T}}\cdot \mathit{V}\cdot {\mathit{\iota }}_n（6）

起点效应\mathit{S}的计算式为

\mathit{S}=\left(\begin{array}{c}\begin{array}{c}{\tilde{\mathit{J}}}_{{\mathit{o}}_{\mathrm{1}}}{\beta }_o^r\\ {\tilde{\mathit{J}}}_{{\mathit{o}}_{\mathrm{2}}}{\beta }_o^r\\ ⋮\end{array}\\ {\tilde{\mathit{J}}}_{{\mathit{o}}_{\mathit{n}}}{\beta }_o^r\end{array}\right)（7）

式中：{\tilde{\mathit{J}}}_{{\mathit{o}}_{\mathit{i}}}为将矩阵{\mathit{J}}_{{\mathit{o}}_{\mathit{i}}}的第i行第i列设置为0后生成的矩阵。

某一变量的变化在所有省份的平均起点效应为s

s=(\mathrm{1}/N){\mathit{\iota }}_N^{\mathrm{T}}\cdot \mathit{S}\cdot {\mathit{\iota }}_n（8）

讫点效应\mathit{E}的计算式为

\mathit{E}=\left(\begin{array}{c}\begin{array}{c}{\tilde{\mathit{J}}}_{{\mathit{d}}_{\mathrm{1}}}{\beta }_d^r\\ {\tilde{\mathit{J}}}_{{\mathit{d}}_{\mathrm{2}}}{\beta }_d^r\\ ⋮\end{array}\\ {\tilde{\mathit{J}}}_{{\mathit{d}}_{\mathit{n}}}{\beta }_d^r\end{array}\right)（9）

式中：{\tilde{\mathit{J}}}_{{\mathit{d}}_{\mathit{i}}}为将矩阵{\mathit{J}}_{{\mathit{d}}_{\mathit{i}}}中的第i行第i列设置为0后生成的矩阵。

则某一变量的变化在所有省份的平均讫点效应e为

e=(\mathrm{1}/N){\mathit{\iota }}_N^{\mathrm{T}}\cdot \mathit{E}\cdot {\mathit{\iota }}_n（10）

区域内效应\mathit{A}的计算式为

\mathit{A}=\left(\begin{array}{c}\begin{array}{c}{\mathit{J}}_{{\mathit{i}}_{\mathrm{1}}}\left({\beta }_d^r+{\beta }_o^r\right)\\ {\mathit{J}}_{{\mathit{i}}_{\mathrm{2}}}\left({\beta }_d^r+{\beta }_o^r\right)\\ ⋮\end{array}\\ {\mathit{J}}_{{\mathit{i}}_{\mathit{n}}}\left({\beta }_d^r+{\beta }_o^r\right)\end{array}\right)（11）

式中：{\mathit{J}}_{{\mathit{i}}_{\mathit{i}}}为31阶方阵，其第i行第i列为1，其余元素为0。

某一变量变化在所有省份的平均区域内效应a为

a=\left(\mathrm{1}/N\right){\mathit{\iota }}_N^{\mathrm{T}}\cdot \mathit{A}\cdot {\mathit{\iota }}_n（12）

网络效应\mathit{F}的计算式为

\mathit{F}=\mathit{V}-\mathit{S}-\mathit{E}-\mathit{A}（13）

某一变量的变化在各省的平均网络效应f为

f=v-s-e-a（14）

当因变量为对数形式时，若自变量也为对数形式，边际效应可理解为因变量对自变量变化的弹性，否则，可理解为自变量变化一个单位时，因变量的增长率。

4 实证结果与分析讨论

4.1　实证结果

SAM和标准线性模型（Standard Linear Model，SLM）的计算结果见表4。由表4可知：似然比检验结果显示SAM优于SLM，空间自相关模型的{\rho }_o，{\rho }_d和{\rho }_w都具有统计上的显著性，再次证明了考虑起点、讫点和OD空间自相关的必要性。为量化不同变量的影响程度，边际效应的计算结果见表5。

由表5可知：在产业结构方面，起点钢铁总产量对卷钢铁路运输量具有统计上的显著正相关关系，讫点钢铁总产量对卷钢铁路运输量具有统计上的显著负相关关系；起点的人均工业生产总值和房地产投资总额均与卷钢铁路运输量呈显著负相关，讫点的人均工业生产总值和房地产投资总额均与卷钢铁路运输量呈显著正相关；在交通基础设施方面，各省铁路线经过的数量在起点和讫点省份与卷钢铁路运输量呈正相关，铁路营业里程密度这一变量也体现了同样的动态变化，进一步完善铁路路网，有助于提升铁路的竞争力；起点公路总里程对卷钢铁路运输量具有负相关关系，而讫点公路总里程对卷钢铁路运输量具有正相关关系，从整个网络效应来看，具有正相关关系，这充分说明公路运输与铁路运输在起点的竞争性和讫点的互补性，且总体表现为互补性，也就是说，对于卷钢产地省份，铁路集团应通过多建设专用线等方式完善铁路基础设施，而对中转或需求省份，应加强公铁联运，提高卷钢铁路运输量；起点内河航道里程对卷钢铁路运输量在统计上是不显著的，讫点内河航道里程对卷钢铁路运输量具有统计上的显著正相关关系，体现了卷钢在讫点水路运输与铁路运输的互补性，对于卷钢的中转或需求省份，应加强铁水联运，提高卷钢铁路运输量；距离变量对卷钢铁路运输量具有统计上的显著负相关关系，随着2省间距离的增加，卷钢铁路运输量会减少。

此外，在空间方面起点、讫点和起讫点空间自相关系数均统计显著，具体情况如下。

（1）起点自相关系数{\rho }_o=\mathrm{0.050}，表明起点省份与其相邻省份呈显著正相关。某起讫点省份间运输量增加时，则由该起点的相邻省份到讫点省份的运输量也相应增加。

（2）讫点空间自相关系数{\rho }_d=\mathrm{0.055}，表明讫点省份与其相邻省份呈显著正相关。某起讫点省份间运输量增加时，则由该起点省份到讫点的相邻省份的货运量也相应增加。

（3）起讫点空间自相关系数{\rho }_w=-\mathrm{0.008}，该值同样具有显著的统计学意义，表明起点的相邻省份和讫点的相邻省份与OD对之间呈显著正相关。某起讫点省份间的运输量增加时，由该起点的相邻省份到讫点的相邻省份的货运量也相应增加。

综上，省份产业结构的优化和交通基础设施的改善不仅促进本省货运流入和流出量增加，也带动周边省份货运量上升，在增强自身货运吸引力的同时，也刺激相邻省份货运的生成与吸引。

4.2　相关讨论

4.2.1　产业结构自变量

据《2025—2030房地产投资行业市场深度调研及发展趋势与投资战略研究报告》显示，2030年房地产投资总额将达15.0×10¹²元，较2022年增加2.2×10¹²元。根据房地产投资总额的边际效应，预计2030年整个网络的卷钢铁路运输量将增加约7.520%，其中流入、省内以及周边省份间的运输量将分别增加约7.814%，0.134%和3.201%，流出量下降约3.630%，若能获得2030年31个省份的钢铁总产量和人均工业生产总值的增加情况，可进一步估算各省卷钢铁路运输量的流入、流出、省内、周边省份间以及整个网络的运输量变化情况。

4.2.2　交通基础设施自变量

1）铁路营业里程密度

根据各省《综合立体交通网规划纲要（2023—2035年）》《“十四五”及中长期铁路网规划》等政策文件，可获得2035年各省铁路营业里程，据此计算铁路营业里程密度，预测其对卷钢铁路运输量的影响，结果见表6。由表6可知：以湖北省为例，2035年该省铁路营业里程密度增至0.538×10⁹ km · （10⁴ km²）⁻¹，比2022年增加0.237×10⁹ km · （10⁴ km²）⁻¹；基于铁路营业里程密度的边际效应，预计2035年整个网络的卷钢铁路运输量增加约0.712%，流出、流入以及省内运输量分别增加约0.993%，0.013%和0.034%，周边省份间运输量下降约0.328%。若可获得2035年31个省份铁路线路增加情况，可据此估算该变量对各省卷钢铁路运输量的流入、流出、省内、周边省份间以及整个网络的运输量变化情况。

2）公路总里程

根据各省《综合立体交通网规划纲要（2023—2035年）》《省级公路网规划（2018—2035年）》《高速公路网布局规划（2022—2035年）》等政策文件，可获得2035年各省公路总里程，据此预测其对卷钢铁路运输量的影响，结果见表7。由表7可知：以云南省为例，该省公路总里程由2022年的32.634×10⁴ km增至2035年的38.300×10⁴ km，增加比例为0.174%；根据公路总里程的边际效应，预计2035年整个网络的卷钢铁路运输量增加约0.375%，流入、省内以及周边省份间的运输量将分别增加约0.455%，0.005%和0.216%，流出的运输量下降约0.301%。

3）内河航道里程

根据各省《内河航道与港口布局规划（2022—2035年）》《干线航道网规划（2023—2035年）》《综合立体交通网规划纲要（2023—2035年）》等政策文件，获取2035年各省内河航道里程，预测其对卷钢铁路运输量的影响，结果见表8。由表8可知：以山东省为例，该省内河航道里程由2022年的0.112×10⁴ km增至2035年的0.310×10⁴ km，增加0.198×10⁴ km；根据内河航道里程的边际效应，预计2035年整个网络的卷钢铁路运输量增加约0.629%，流入、省内以及周边省份间的运输量分别增加约0.496%，0.016%和0.131%，流出量下降约0.014%。

5 结语

本研究基于2022年卷钢铁路运输统计数据，构建了OD空间自相关模型，该模型包含起点自变量（起点供给推动）、讫点自变量（讫点需求拉动）、距离以及其他运输方式发展对因变量的抑制和互补的影响，同时，考虑了周边区域变化对其需求的影响。

模型结果证明，卷钢铁路运输需求与铁路线经过的数量、铁路营业里程密度、起点的钢铁总产量、讫点的人均工业生产总值、房地产投资总额、公路总里程和内河航道里程都呈显著正相关；与起讫点间的距离、讫点钢铁总产量、起点人均工业生产总值、房地产投资总额、公路总里程都呈显著负相关。起点自相关、讫点自相关和起讫点空间自相关参数分别为0.050，0.055和-0.008，充分表明考虑起讫点空间自相关对卷钢铁路运输需求分析的必要性。

该模型揭示了产业结构和交通基础设施对卷钢铁路运输需求的影响方向和强度，分析了《综合立体交通网规划纲要（2023—2035年）》等政策实施后，产业结构和交通基础设施相关变量变化对卷钢铁路运输量的影响，为卷钢铁路运输需求预测及大宗货物公转铁的政策制定奠定基础。

参考文献

[1] 新华社.2023中央经济工作会议全文公报［EB/OL］.（2023-12-11）［2024-11-03］.

[2] Xinhua News Agency. Full Text Communique of the 2023 Central Economic Work Conference ［EB/OL］. （2023-12-11） ［2024-11-03］. in Chinese

[3] 中国网财经.四部门：研究制定《有效降低全社会物流成本行动方案》［EB/OL］.（2024-05-23）［2024-11-03］.

[4] China Business Network. The Four Departments： Research and Formulate the Action Plan for Effectively Reducing Logistics Costs across Society ［EB/OL］. （2024-05-23） ［2024-11-03］. in Chinese

[5] 运联研究院.谁在服务超7000亿元钢铁公路运输大市场［EB/OL］.（2024-05-13）［2024-11-03］.

[6] Yunlian Research Institute. Who is Serving the over 700 Billion Yuan Steel Highway Transport Market ［EB/OL］. （2024-05-13） ［2024-11-03］. in Chinese

[7] 中国经济网.2023年我国钢材产量超13.6亿吨［EB/OL］.（2024-01-19）［2024-11-03］.

[8] China Economic Network. China's Steel Output Exceeded 1.36 Billion Tons in 2023 ［EB/OL］. （2024-01-19） ［2024-11-03］. in Chinese

[9] 和讯网.热轧板卷：2023年产量增幅超 11%，2024高产模式或将继续［EB/OL］.（2024-03-05）［2024-11-03］.

[10] Network Hexun. Hot Rolled Coils： Production Growth Rate Exceeds 11% in 2023， and High-Yield Mode may Continue in 2024 ［EB/OL］. （2024-03-05） ［2024-11-03］. in Chinese

[11] 卓创钢铁.冷轧板卷：2023年供需格局分析［EB/OL］.（2024-04-05）［2024-11-03］.

[12] Steel Zhuochuang. Cold Rolled Coil： Analysis of Supply and Demand Pattern in 2023 ［EB/OL］. （2024-04-05） ［2024-11-03］. in Chinese

[13] 游艳雯，宗岩，王菲.铁路钢铁运量与钢材市场运行波动关系研究［J］.铁道运输与经济，2023，45（5）：128-134.

[14] YOU Yanwen， ZONG Yan， WANG Fei. Volatility Relationship between Railway Steel Transportation Volume and Steel Market Operation ［J］. Railway Transport and Economy， 2023， 45 （5）： 128-134. in Chinese

[15] 谷志刚.铁路大宗货物运输需求特征探析［J］.铁道运输与经济，2019，41（增1）：78-83.

[16] GU Zhigang. An Analysis on the Demand Characteristics of Railway Bulk Goods Transportation ［J］. Railway Transport and Economy， 2019， 41 （）： 78-83. in Chinese

[17] 杨子滕.京津冀公转铁的货运减排绿色效益分析［D］.石家庄：石家庄铁道大学，2021.

[18] YANG Ziteng. Green Benefit Analysis of Freight Transport Emission Reduction of Beijing-Tianjin-Hebei Railway ［D］. Shijiazhuang： Shijiazhuang Tiedao University， 2021. in Chinese

[19] XIN H J， WANG S S， CHUN T T， et al. Effective Pathways for Energy Conservation and Emission Reduction in Iron and Steel Industry towards Peaking Carbon Emissions in China： Case Study of Henan ［J］. Journal of Cleaner Production， 2023， 399： 136637.

[20] 张岄.铁路货运量预测及影响因素研究［D］.北京：北京交通大学，2016.

[21] ZHANG Yue. Prediction and Factors Analysis of Railway Freight Volumes ［D］. Beijing： Beijing Jiaotong University， 2016. in Chinese

[22] KIM J， SOVACOOL B K， BAZILIAN M， et al. Decarbonizing the Iron and Steel Industry： a Systematic Review of Sociotechnical Systems， Technological Innovations， and Policy Options ［J］. Energy Research & Social Science， 2022， 89： 102565.

[23] 观研天下.我国钢铁行业保持平稳运行，并逐步向高质量方向发展转型［EB/OL］.（2024-09-12）［2024-11-03］.

[24] Guanyantianxia. China's Steel Industry Maintains Stable Operation and Gradually Transforms towards High-Quality Development ［EB/OL］. （2024-09-12） ［2024-11-03］. in Chinese

[25] XU B， LIN B Q. Investigating Spatial Variability of CO₂ Emissions in Heavy Industry： Evidence from a Geographically Weighted Regression Model ［J］. Energy Policy， 2021， 149： 112011.

[26] 冯芬玲，李杰潞.基于Hoteling模型的公路和铁路货运价格与服务竞争［J］.铁道科学与工程学报，2017，14（2）：388-394.

[27] FENG Fenling， LI Jielu. Price and Service Competition between Rail and Road Freight Transportation Based on Hoteling Model ［J］. Journal of Railway Science and Engineering， 2017， 14 （2）： 388-394. in Chinese

[28] ROLBIECKI R， MATUSIEWICZ M. Periodic Fluctuations of Transport as a Determinant of Inland Waterway Shipping Competitiveness ［J］. Journal of Waterway， Port， Coastal and Ocean Engineering， 2024， 150 （2）： 04024001.

[29] 陈实，周辉宇.水路、铁路运输互动发展关系—基于长江立体交通走廊的研究［J］.北京交通大学学报，2022，46（1）：11-21.

[30] CHEN Shi， ZHOU Huiyu. Relationship between Development of Railway and Waterway Intermodal Transport-a Study Based on Comprehensive Transportation Corridor along Yangtze River ［J］. Journal of Beijing Jiaotong University， 2022， 46 （1）： 11-21. in Chinese

[31] LI L， ZHANG X Q. Integrated Optimization of Railway Freight Operation Planning and Pricing Based on Carbon Emission Reduction Policies ［J］. Journal of Cleaner Production， 2020， 263： 121316.

[32] 颜保凡，郭垂江，李夏苗.铁路货运量的内部影响因素及其敏感度分析［J］.铁道科学与工程学报，2018，15（5）：1341-1346.

[33] YAN Baofan， GUO Chuijiang， LI Xiamiao. Internal Influence Factors of Railway Freight Volume and Its Sensitivity Analysis ［J］. Journal of Railway Science and Engineering， 2018， 15 （5）： 1341-1346. in Chinese

[34] 李红娟，卢天哲，祝汉灿.全国货运量预测与货运结构分析［J］.统计与决策，2022，38（18）：179-183.

[35] LI Hongjuan， LU Tianzhe， ZHU Hancan. National Freight Volume Forecasting and Freight Structure Analysis ［J］. Statistics & Decision， 2022， 38 （18）： 179-183. in Chinese

[36] 方晓平，李欢，倪玲霖.基于空间自相关模型的铁路货流空间效应分析［J］.铁道科学与工程学报，2019，16（1）：257-265.

[37] FANG Xiaoping， LI Huan， NI Linglin. Research on Spatial Effect of Railway Freight Flow Based on SAR ［J］. Journal of Railway Science and Engineering， 2019， 16 （1）： 257-265. in Chinese

[38] 窦彬.需求拉动对钢铁产业增长动态效应的实证研究［J］.工业技术经济，2007（5）：37-41.

[39] DOU Bin. An Empirical Study on the Dynamic Effects of Demand Pull on the Growth of the Steel Industry ［J］. Journal of Industrial Technology and Economy， 2007 （5）： 37-41. in Chinese

[40] LESAGE J P， PACE R K. Spatial Econometric Modeling of Origin-Destination Flows ［J］. Journal of Regional Science， 2008， 48 （5）： 941-967.

[41] LESAGE J P， THOMAS-AGNAN C. Interpreting Spatial Econometric Origin-Destination Flow Models ［J］. Journal of Regional Science， 2015， 55 （2）： 188-208.

基金资助

国家自然科学基金资助项目(72431009)

国家自然科学基金资助项目(72171210)

国家自然科学基金资助项目(72350710798)