考虑非期望产出的我国物流业效率空间关联网络结构分析

Analysis of Spatial Correlation Network Structure of Logistics Efficiency in China Considering Undesirable Outputs

摘要

深入研究非期望产出的我国物流业效率的空间关联网络对于推进物流业的低碳转型，促进物流产业区域协同发展具有重要的现实意义。基于2011—2020年我国内陆30个省份的数据，利用超效率SBM模型测算考虑非期望产出的物流业效率，借助修正的引力模型和社会网络分析方法对效率空间关联网络特征及其影响因素进行了分析。结果表明：考虑非期望产出的物流业效率空间关联效应已经突破了地理邻近范围，其空间关联网络结构较为稳定但松散。研究期内，空间关联网络中各地区物流产业辐射关联能力及中介作用表现情况不同。地理位置、经济发展水平差异、科技水平差异和政府支持力度差异对考虑非期望产出的物流业效率空间关联网络结构的形成有显著影响。

Abstract

In-depth studies on the spatial correlation network of logistics efficiency considering undesirable outputs in China have great practical significance for promoting the low-carbon transformation and the region-coordinated development of the logistics industry. Based on the data of 30 inland provinces in China from 2011 to 2020,a super-efficiency SBM model with undesirable outputs was constructed to calculate the efficiency of the logistics industry in this paper. Moreover, a modified gravity model and social network analysis methods are used to analyze the characteristics of the efficiency spatial correlation network and its influencing factors. The results show that the spatial correlation effect of logistics industry efficiency, considering undesirable outputs, has expanded beyond geographical proximity, with a relatively stable but loose spatial correlation network structure. During the research period,logistics industries in different regions in the spatial correlation network exhibit different radiation and correlation performance and played different intermediary roles. Factors such as geographical location, economic development disparities, technological differences, and varying levels of government support significantly influenced the formation of the spatial correlation network structure for logistics industry efficiency considering undesirable outputs.

Graphical abstract

关键词

非期望产出 / 物流业效率 / 超效率SBM模型 / 空间网络结构 / 社会网络分析

Key words

Undesirable Output / Logistics Efficiency / Super-Efficiency SBM Model / Spatial Correlation Network / Social Network Analysis

0　引言

2020年，我国在第75届联合国大会上正式提出“双碳”战略目标。“双碳”目标的提出，意味着全国各行业低碳转型的必然趋势。将能源消耗和二氧化碳排放量纳入物流产业效率评价指标体系，并对物流产业的效率进行相关研究，能够提高资源利用率，减少二氧化碳的排放，有助于物流产业的低碳转型。

近年来，学者们利用DEA模型^[1]、DEA衍生模型^[2]和Malmquist^[3-4]指数模型等对考虑非期望产出的物流业效率和全要素生产率进行了时空演变的探索。此外，学者们结合Tobit模型^[5-6］探索考虑非期望产出的物流业效率的影响因素。随着空间分析方法的广泛应用，学者们在前期研究的基础上利用空间计量模型^[7-8]进一步对考虑非期望产出的物流业效率的空间演化情况及其影响因素进行研究。目前，学界关于考虑非期望产出的物流业效率空间方面的研究方法以空间计量模型为主，这些方法往往重视数据之间的属性关系^[9]，未能有效反映物流业效率的空间关联网络特征。社会网络分析法可以将属性数据转化为关系数据，通过对关系数据的分析，研究空间关联网络结构特征。

基于此，将物流业能耗和二氧化碳排放量纳入指标体系中，利用超效率SBM模型，计算出考虑非期望产出的物流业效率值，进而利用修正后的引力模型和社会网络分析方法，探析物流业效率的空间关联网络结构特征及其影响因素，对考虑非期望产出的物流业效率空间关系的研究进行探索，通过探析考虑非期望产出的物流业效率的空间关联网络结构的特征、演化规律及其影响因素，以期为我国物流产业的低碳转型和区域协同发展的推进提供理论借鉴与决策参考。

1　研究方法与数据来源

1.1　考虑非期望产出的物流业效率测度模型与指标选取

1.1.1　超效率SBM模型

包含非期望产出的超效率SBM模型^[10]的基本形式为

\mathrm{m}\mathrm{i}\mathrm{n}\rho =\frac{\mathrm{1}+\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}\frac{s_i^{-}}{x_{ik}}}{\mathrm{1}-\frac{\mathrm{1}}{q+h}\left({\displaystyle \sum _{r=\mathrm{1}}^q}\frac{s_r^{+}}{y_{rk}^g}+{\displaystyle \sum _{t=\mathrm{1}}^h}\frac{s_t^{b-}}{y_{tk}^b}\right)}

\mathrm{s}.\mathrm{t}.\left\{\begin{array}{c}{x}_{ik}\ge {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{\lambda }_j{x}_{ij}-s_i^{-}i=\mathrm{1,2},\cdots ,m\\ y_{rk}^g\le {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{\lambda }_j{y}_{rj}^g+s_r^{+}r=\mathrm{1,2},\cdots ,q\\ y_{tk}^b\ge {\displaystyle \sum _{j=\mathrm{1},j\ne k}^n}{\lambda }_j{y}_{tj}^b-s_t^{b-}t=\mathrm{1,2},\cdots ,h\\ \mathrm{1}-\frac{\mathrm{1}}{q+h}\left({\displaystyle \sum _{r=\mathrm{1}}^q}\frac{s_r^{+}}{y_{rk}^g}+{\displaystyle \sum _{t=\mathrm{1}}^h}\frac{s_t^{b-}}{y_{tk}^b}\right)>\mathrm{0}\\ {\lambda }_j\ge \mathrm{0}\left(\forall j\right),s_i^{-}\ge \mathrm{0}\left(\forall i\right),s_r^{+}\ge \mathrm{0}\left(\forall r\right),s_t^{b-}\ge \mathrm{0}\left(\forall t\right)\end{array}\right.⑴

式中：m为决策单元投入数量；q为期望产出数量；h为非期望产出数量；i为第i个投入；r为第r个期望产出；t为第t个非期望产出；j为第j个决策单元；n为决策单元数量；下角标k为被评价的决策单元；x_i 为投入矩阵；y{}_r^g和y{}_t^b分别为期望产出矩阵和非期望产出矩阵；λ_j ≥0表示规模报酬不变；s{}_i^{-}为投入变量的松弛变量，s{}_r^{+}，s{}_t^{b-}分别为期望产出和非期望产出的松弛变量；ρ为考虑非期望产出的物流业效率值。

1.1.2　指标选取及数据来源

参考国内外学者的研究成果，综合考虑数据的可获得性、代表性和客观性，确定考虑非期望产出的物流业效率评价指标体系如表1所示。使用2011—2020年我国30个省份(西藏自治区、港澳台地区除外)的数据。各项指标数据以《中国统计年鉴》和《中国能源统计年鉴》为主要来源，各省(区、市)统计年鉴和《第三产业统计年鉴》为补充数据来源。当前我国各年鉴的产业分类体系中尚未有“物流产业”这一专门分类，考虑到现代物流产业主要是一项融合了交通运输、物流仓储及邮政等产业的复合型服务业部门，参考目前学术界通用的做法，提取交通运输、物流仓储及邮政产业数据来反映我国物流产业发展水平^[11]。

1.2　修正的引力模型与空间关联矩阵

通过引力模型构建空间关联矩阵是空间关联网络分析开展的基础。引入修正的引力模型^[9，12]对我国内陆30个省份(西藏自治区、港澳台地区除外)之间考虑非期望产出的物流业效率的空间关联强度进行测度。其计算公式为：

Q_{ij}=K\frac{{\rho }_i\times {\rho }_j}{D_{ij}^{\mathrm{2}}/(g_i-g_j{)}^{\mathrm{2}}}⑵

K=\frac{G_i}{G_i+G_j}⑶

式中：Q_ij 为i、j地之间物流业效率的引力；ρ_i 、ρ_j 、G_i 、G_j 、g_i 、g_j 分别为i、j地考虑非期望产出的物流业效率、物流业生产总值和物流业劳动力人均生产总值；D{}_{ij}^{\mathrm{2}}为各地间的地理距离，利用百度地图确定的各省(区、市)政府所在地的中心经纬度位置来计算各地之间的距离。

在获得引力值Q_ij 后，构建物流业效率空间关联网络矩阵，将矩阵中各行数据的均值作为临界值，大于临界值的记为1，反之则记为0，由此构建考虑非期望产出的物流业效率空间二值矩阵。

1.3　社会网络分析方法

基于空间二值矩阵，采用社会网络分析法，研究考虑非期望产出的物流业效率的空间关联网络结构特征及其演变情况。主要采用网络关系数、网络密度、网络关联度以及网络效率对网络结构整体特征进行分析；采用点度中心度和中间中心度对网络结构个体特征进行分析，其中有向网络又可将点度中心度分为点出度和点入度；最后采用二次指派程序(Quadratic Assignment Procedure，QAP)就空间关联网络的影响因素进行研究。

2　实证分析

2.1　考虑非期望产出的我国物流业效率

参考国家统计局发布的地区划分方法，将我国各地区划分为东部、中部、西部和东北部四大经济区域。2011—2020年全国及四大经济区域物流业效率值如图1所示，由图1可知：研究期内全国平均物流业效率值为0.62，效率总体水平一般；西部地区物流业效率相对较低，存在较大的提升空间。

考虑非期望产出的物流业效率在空间分布上存在较大差异。区域物流业效率均值总体上呈现从东部向中部再到东北和西部的“阶梯型”分布。因此，有必要厘清我国物流业的空间结构，梳理物流业的地区结构特征，有针对性地发挥地区优势、填补地区劣势，从而促进区域物流产业的协同发展。

2.2　考虑非期望产出的物流业效率空间关联网络特征分析

2.2.1　空间关联网络结构整体特征分析

基于上文测度的考虑非期望产出的物流业效率值，利用修正的引力模型获得物流业效率引力，并构建物流业效率空间关联矩阵。通过空间关联矩阵，绘制考虑非期望产出的物流业效率空间网络拓扑图进行对比分析。综合考虑版面以及特征指标的变化趋势，按照年份间隔，部分指标只选取2011年、2014年、2017年和2020年的数据进行展示。观察省际物流业效率空间关联网络演变图如图2所示，发现我国30个省(区、市)物流业效率空间关联效应已经突破了地理邻近范围，不仅对其邻近省份的物流业效率产生联动效应，也与非邻近省份之间发生较为复杂的空间作用关系。为此，进一步利用整体网络指标，具体研究考虑非期望产出的物流业效率空间网络的整体结构特征。

分析2011—2020年物流业效率空间关联网络结构整体特征指标如表2所示，发现研究期内考虑非期望产出的物流业效率的网络关联度指标均为1，表明各省(区、市)均包含于该空间关联网络中，反映其空间关联网络结构具有良好的稳健性。网络密度和网络效率指标数值较为稳定，围绕均值存在轻微波动的情况。其中2019年网络密度和网络关系数达到研究期内的最大值为0.21和182，与理论上网络密度最大值1和最大潜在关联关系数870相比存在较大差距。表明资金、劳动力、能源等物流业效率相关的诸多要素在空间关联网络内各节点流动较为稳定；现阶段各省(区、市)之间物流业效率关联程度较低，各地区在物流业关联上的相互影响作用较弱，网络关系较为松散。

2.2.2　空间关联网络结构个体特征分析

为探析30个省(区、市)在考虑非期望产出下的物流业效率空间关联网络中的地位和作用，利用软件计算得到物流业效率空间关联网络结构个体特征指标如表3所示。2011—2020年物流业效率空间关联网络点度中心度指标如图3所示，并对其进行中心性分析。

由于考虑非期望产出的物流业效率空间关联强度是有向的，构建出来的二值矩阵为有向矩阵，因此将点度中心度分为点出度与点入度。文中的点出度表示此地区物流产业对其他地区物流产业的辐射关联能力，点入度表示该地区物流产业受到其他地区的辐射关联能力^[13]。与点入度相比，四大经济区的点出度差距较小。研究期内，东北地区的点出度较大，东部地区的点出度较小；中部地区存在点出度变小的趋势，而西部地区存在点出度变大的趋势。这表明，东北地区物流产业对其他地区物流产业的辐射关联能力较强，东部地区该能力较弱；中部地区物流产业对其他地区的辐射关联能力呈现减弱趋势，而西部地区呈现上升趋势。

各地区点入度指标存在较大差距，具体表现为东部地区大于中部地区，远大于西部地区和东北地区。东部地区的点入度呈现下降趋势，中部地区呈现上升趋势，东北地区和西部地区点入度指标较为稳定。这表明，东部地区物流产业受到其他地区的辐射关联影响较大，且远大于其他地区，但该影响呈现下降趋势；中部地区所受影响呈现上升趋势，东北地区和西部地区所受影响较小且较为稳定。

某地区的中间中心度越高，则其在网络中的中介作用越突出，其对于空间关联网络中其余地区的调节作用越强，其将成为网络中要素交流的枢纽和桥梁^[12]。通过观察考虑非期望产出的物流业效率空间关联网络的中间中心度的演变情况可知，河北始终保持着较高的中间中心度，这表明河北在物流业效率空间关联网络中对其他地区的调节作用较强，是空间关联网络中要素交流的重要桥梁。研究期内，安徽、陕西等地在网络中的中间中心度有所提高，表明中西部地区部分省份的中介作用逐渐凸显，对其他地区的调节作用有所增强。

2.3　考虑非期望产出的物流业效率空间关联的影响因素

2.3.1　模型设定与指标选取

考虑非期望产出的物流业效率空间关联网络的形成与演化是多重因素相互作用的结果。地理位置邻近的区域能更好地发挥区域物流产业资源的集聚效应^[14]。经济发展水平是各地区物流业发展的基础，而信息网络和科技发展水平的差异又推动了物流要素的跨地区流动，因此经济、信息化水平和科技发展水平的差异都在一定程度上对空间关联网络的形成产生影响。物流业与第三产业中其他各行业息息相关^[14]，第三产业的发展一定程度上影响了物流业的发展情况。政府的支持力度有助于推动物流业发展，促进物流产业区域一体化的形成。基于上述分析，构建QAP模型

L=f\left(D，E，N，T，I，G\right)⑷

式中：L为考虑非期望产出的物流业效率空间关联矩阵；D为空间关联矩阵，两地区相邻取1，否则取0；E为经济水平差异矩阵，以人均GDP表征；N为信息化水平差异矩阵，以地区互联网接入端口数量表征；T为科技发展水平差异矩阵，以地区科学研究与试验发展(R&D)经费进行表征；I为产业结构差异矩阵，以第三产业产值占GDP比重表征；G为政府支持力度差异矩阵，以交通运输财政支出占总财政支出比重表征。

2.3.2　QAP相关性分析

利用QAP相关性计算软件，得到研究期内各年物流业效率空间关联矩阵与影响因素差异矩阵的相关系数如表4所示。由表4可知，空间关联矩阵在研究期内均通过了1%的显著性检验，这表明地理位置与考虑非期望产出的物流业效率空间网络结构有非常紧密的联系。经济水平差异在前期与物流业效率空间网络结构相关性较大，后期相关性有所减弱。总体来看，科技发展水平差异、产业结构差异和政府支持力度差异在一定程度上与物流业效率空间网络结构存在一定的相关性。其中，地理位置和政府支持力度差异与物流业效率空间网络结构呈正相关，经济水平差异、科技发展水平差异和产业结构差异与物流业效率空间结构呈负相关。信息化水平差异与物流业效率空间网络结构关联性较差，仅在2012年通过了显著性水平为10%的检验。

2.3.3　QAP回归分析

QAP检验的是“关系”之间的关系^[15]，基于QAP分析的本质，剔除信息化水平差异这一影响因素。为了使选择的解释变量对被解释变量的拟合优度达到最优，且选择出重要的解释变量，以表4的相关性为基础，参考逐步回归的思路，利用软件进行QAP回归分析，建立“最优”的回归方程。物流业效率空间关联矩阵与影响因素差异矩阵的QAP回归结果如表5所示。

由表5可知，研究期内，调整后的判定系数Adj R²在0.10左右，表明在考虑非期望产出的情况下，以上各年选择的解释变量只能解释物流业效率空间关联的10%左右。其中，空间距离和政府支持力度差异的系数为正，表明地理位置和政府支持力度的差异对物流业效率空间关联效应起到正向作用。地理位置越靠近的地区资源流动更加便利，更易产生物流业空间关联效应；政府对物流产业的投入越多，也更利于物流产业空间网络关联的生成。经济水平差异和科技水平差异的系数为负，表明地区之间经济水平差异和科技水平差异越小越有利于物流业效率空间网络关联的形成。地区间经济水平和科技水平差异越小，意味着地区间经济和科技的发展水平和发展状态相似，物流业效率发展情况较为接近，从而增强了地区间物流业效率的空间联系。虽然产业结构差异矩阵与物流业效率空间关联矩阵存在一定的相关性，但其在回归分析中影响效果不显著，因此产业结构差异不是影响物流业效率空间网络结构形成的主要原因。

3　结论及建议

在测度考虑非期望产出的物流业效率的基础之上，利用修正的引力模型构建物流业效率空间关联矩阵，采用社会网络分析方法揭示考虑非期望产出的物流业效率空间关联网络结构特征及其影响因素。得出以下结论及建议：

（1）从整体网络特征来看，考虑非期望产出的物流业效率空间关联效应已经突破了地理邻近范围，形成了辐射全国的且较为稳定的空间关联网络结构。但现阶段各省(区、市)的物流业效率关联程度较低，网络关系较为松散，其空间关联水平有较大的提升空间。因此，现阶段可加大推动各地区之间物流产业合作，努力探寻促进物流产业效率空间关联的有效途径。

（2）从个体网络特征来看，研究期内，东北地区对其他地区的辐射关联能力较强，西部地区辐射关联能力有所上升；东部地区受其他地区的辐射关联影响较大，中部地区所受影响呈上升趋势。河北在网络中的中介作用突出，对其他地区的调节作用较强；安徽、陕西等中西部地区部分省份的中介作用逐渐凸显。因此，应增强东部地区的辐射带动作用，充分发挥中介作用突出地区的调节作用，推动物流产业效率均衡发展。

（3）从影响因素来看，地理位置和政府支持力度差异对考虑非期望产出的物流业效率空间关联网络的形成具有显著正向影响。经济水平差异和科技水平差异对物流业效率空间关联网络的形成具有显著负向影响。研究期内，经济水平差异带来的影响有所降低，科技水平差异和政府支持力度差异带来的影响有所上升。因此，可加快完善物流产业基础设施，同时增强各地区物流产业经济合作和技术交流，全面贯彻区域协同发展理念，进而推动在全国层面形成物流业均衡发展新局面。

参考文献

[1] 郑金娥，关高峰，杜厚维.长江经济带省域物流业效率差异研究[J].统计与决策，2020，36(11)：110-113.

[2] 柳 键，涂 建.中国产业结构调整对低碳物流效率的影响研究：基于超效率DEA低碳物流效率评价模型的实证分析[J].价格理论与实践，2017(12)：130-133.

[3] LIU Jian， TU Jian.Research on the Relationship between CPI and Economic Growth，Industrial and Agricultural Product Price in China：Based on Factor Analysis and Multiple Linear Regression Model[J].Price：Theory＆Practice，2017(12)：130-133.

[4] 杨传明.低碳约束下江苏物流产业效率测度[J].华东经济管理，2018，32(1)：27-32.

[5] YANG Chuanming.Efficiency Measurement of Logistics Industry in Jiangsu Province under Low Carbon Constraint[J].East China Economic Management，2018，32(1)：27-32.

[6] LIANG Z J， CHIU Y H， GUO Q，et al.Low-carbon Logistics Efficiency：Analysis on the Statistical Data of the Logistics Industry of 13 Cities in Jiangsu Province，China[J].Research in Transportation Business & Management，2022，43.

[7] 王 燕，刘 婷.碳排放约束下我国区域物流能源效率及影响因素研究[J].生态经济，2018，34(10)：14-18，90.

[8] WANG Yan， LIU Ting.Energy Efficiency and Influencing Factors of Regional Logistics Industry of China under the Constraint of Carbon Emissions[J].Ecological Economy，2018，34(10)：14-18，90.

[9] 何景师，王术峰，徐 兰.碳排放约束下我国三大湾区城市群绿色物流效率及影响因素研究[J].铁道运输与经济，2021，43(8)：30-36.

[10] HE Jingshi， WANG Shufeng， XU Lan.Research on the Efficiency and Influencing Factors of Green Logistics in Three Bay-Area City Clusters under the Constraint of Carbon Emission[J].Railway Transport and Economy，2021，43(8)：30-36.

[11] 刘承良，管明明.低碳约束下中国物流业效率的空间演化及影响因素[J].地理科学，2017，37(12)：1805-1814.

[12] LIU Chengliang， GUAN Mingming.Spatial Evolution of Chinese Logistics Industry Efficiency Under Low Carbon Constraints and It's Influencing Factors[J].Scientia Geographica Sinica，2017，37(12)：1805-1814.

[13] 李 健，田 丽，王 颖.考虑非期望产出的区域物流产业效率空间效应分析[J].干旱区资源与环境，2018，32(8)：67-73.

[14] LI Jian， TIAN Li， WANG Ying.Spatial Effect of Regional Logistics Industry Efficiency Considering Undesirable Output[J].Journal of Arid Land Resources and Environment，2018，32(8)：67-73.

[15] 刘 佳，宋秋月.中国旅游产业绿色创新效率的空间网络结构与形成机制[J].中国人口·资源与环境，2018，28(8)：127-137.

[16] LIU Jia， SONG Qiuyue.Space Network Structure and Formation Mechanism of Green Innovation Efficiency of Tourism Industry in China[J].China Population，Resources and Environment，2018，28(8)：127-137.

[17] 焦柳丹，吴奉彦，张 羽，等.基于超效率SBM-Malmquist模型的城市轨道交通运营效率评价[J].铁道运输与经济，2022，44(5)：99-106.

[18] JIAO Liudan， WU Fengyan， ZHANG Yu，et al. Operational Efficiency Evaluation of Urban Rail Transit Based on Super-efficiency SBM-Malmquist Model[J].Railway Transport and Economy，2022，44(5)：99-106.

[19] 梅国平，龚雅玲，万建香，等.基于三阶段DEA模型的华东地区物流产业效率测度研究[J].管理评论，2019，31(10)：234-241.

[20] MEI Guoping， GONG Yaling， WAN Jianxiang，et al.Study of the Efficiency Measurement of Logistics Industry in East China Based on Three-stage DEA Model[J].Management Review，2019，31(10)：234-241.

[21] 谭日辉，刘慧敏.中国农业绿色全要素生产率空间关联网络特征演化及影响因素[J].中国生态农业学报(中英文)，2022，30(12)：2011-2026.

[22] TAN Rihui， LIU Hiumin.Characteristic Evolution of Agricultural Green Total Factor Productivity Spatial Correlation Network in China and the Influencing Factors[J].Chinese Journal of Eco-Agriculture，2022，30(12)：2011-2026.

[23] 王 娜，陈兴鹏，张子龙，等.西北地区产业关联网络演变的社会网络分析[J].资源开发与市场，2015，31(9)：1045-1051.

[24] WANG Na， CHEN Xingpeng， ZHANG Zilong，et al. Social Network Analysis of Evolution of Industrial Network in Northwestern China[J].Resource Development & Market，2015，31(9)：1045-1051.

[25] 王 凯，余芳芳，胡 奕，等.中国旅游业碳减排潜力的空间关联网络结构及其影响因素[J].地理科学，2022，42(6)：1034-1043.

[26] WANG Kai， YU Fangfang， HU Yi，et al.Spatial Correlation Network Structure of Tourism Carbon Emission Reduction Potential and the Determinants in China[J].Scientia Geographica Sinica，2022，42(6)：1034-1043.

[27] 刘 军.QAP：测量“关系”之间关系的一种方法[J].社会，2007(4)：164-174，209.

[28] LIU Jun.QAP：A Unique Method of Measuring "Relationships" in Relational Data[J].Society，2007(4)：164-174，209.

基金资助

广西哲学社会科学规划研究课题(17FJY009)