我国省际数字物流空间关联网络结构特征及其驱动因素识别

Structural Characteristics of Interprovincial Digital Logistics Spatial Association Network and Identification of Its Driving Factors in China

摘要

以2013—2022年我国30个省份的面板数据为研究对象，基于熵值法测度并运用核密度估计、修正引力模型、社会网络分析方法、QAP模型探究数字物流空间关联的网络结构特征及驱动因素。研究结果表明，我国各省份均存在于整个空间关联网络中，展现出稳定且复杂的空间关联关系，但整体的空间关联性较低，省份间数字物流的交流协作仍有很大发展空间；数字物流空间关联网络的“马太效应”显现，东部地区省份充分发挥着领头作用和中介作用，中西部地区省份处于关联网络的边缘位置；数字物流空间关联网络形成4大板块，各板块内部“俱乐部”效应明显；地理距离、财政支持水平、科技创新水平、对外开放程度差异矩阵对数字物流空间关联网络的形成有显著影响，而经济发展水平和社会消费水平差异矩阵对网络的形成效果甚微。

Abstract

Taking the panel data of 30 Chinese provinces as research objects and based on the entropy method, this paper examined the characteristics of network structures associated with digital logistics space and its driving factors using kernel density estimation, modified gravity model, social network analysis, and QAP model. The results show that all Chinese provinces exist in the whole spatial correlation network, showing stable and complex spatial correlation relationships. However, the overall spatial correlation is low, and there is still a lot of room for the development of communication and collaboration in digital logistics among provinces. The spatial correlation network of digital logistics exhibits a significant "Matthew effect", with the eastern provinces playing a prominent and intermediary role and central and western provinces in a peripheral situation. The digital logistics spatial association network involves four major segments, with an obvious "club" effect existing in each segment. The matrices of geographic distance, financial support, scientific and technological innovation, and openness to the outside world strongly affect the formation of digital logistics spatial correlation networks. However, the matrices of economic development and social consumption have little effect on the formation of these networks.

Graphical abstract

关键词

数字物流 / 空间关联网络 / 修正引力模型 / 社会网络分析 / 驱动因素

Key words

Digital Logistics / Spatial Association Network / Modified Gravity Model / Social Network Analysis / Driving Factor

0　引言

《“十四五”现代物流发展规划》(国办发〔2022〕17号)提出加快物流数字化转型，利用现代信息技术推动物流要素在线化数据化，实现物流资源线上线下联动。随着数字技术与传统物流行业深度融合及市场对物流行业新需求的推动，在新质生产力的驱动下科学技术创新不断推动物流业智能化、数字化变革，促进数字物流发展。通过分析数字物流的空间联系、网络结构特征及其驱动因素，不仅能够应对多样化的市场需求，提升数字物流的服务供给能力，还可以推动物流数据要素安全高效的流通，提高数字物流资源要素的优化配置效率，有助于构建现代化数字物流体系，促进区域协调发展。

数字物流的既有研究主要聚焦在概念界定、效应研究及时空特征。在数字物流的概念界定方面，张则强等^[1]提出数字物流实际上是对物流的整个过程进行数字化描述，从而提升物流系统处理复杂问题的能力，为人们提供方便快捷的服务；吕广超等^[2]认为数字物流是通过信息技术与物流技术的融合，达到信息流与实体物流同步，实现对实体物流的综合管理；王术峰等^[3]指出数字物流是采用数字化技术，面向物流全要素、全过程对物流系统进行优化，其核心是通过数字化技术改造传统物流。在数字物流的效应研究方面，学者主要聚焦于探究数字物流与区域经济^[4]、生态环境^[5]、可持续发展水平^[6]等方面的关系，也有学者通过物流数字化发展分析产业数字化的关键因素^[7]，还有学者从县域层面分析数字物流促进农村居民的消费升级^[8]。在数字物流的时空特征方面，既有研究通过基尼系数、莫兰指数、空间计量模型^[9-10]等方法，探究数字物流的时空演化及空间分布特征，如罗瑞等^[9]运用基尼系数，测算出我国数字物流高质量发展总体区域差异主要来源于区域间差异，并运用空间收敛模型分析其空间收敛性；佐赫^[10]通过莫兰指数检验，表明数字物流韧性在空间上存在集聚效应，并通过地理探测器来探究驱动因素。随着区域协调发展战略的深入推进，交通运输网络、数字基础设施建设逐步完善，我国物流业发展在空间上呈现复杂的网络化特征。在省际物流业的空间关联网络方面，钟昌宝等^[11]分析我国省际物流业存在网络化特征，网络稳定性逐步增强，但存在等级属性；花均南等^[12]指出我国物流业效率的空间网络关联结构稳定且松散，各区域的辐射能力和中介作用存在差异。

综上，数字物流的既有研究大多是基于属性数据进行研究，鲜有从关系数据的视角探究我国数字物流的空间关联关系，揭示各区域在数字物流空间关联网络的地位和作用；关于数字物流空间效应的研究较少，主要是基于空间计量模型，探讨相邻地区数字物流的空间关系，难以从整体上把握区域间数字物流的空间分布动态及其关联结构特征。基于此，以2013—2022年我国30个省份的面板数据为研究对象，探究我国数字物流空间关联的网络结构特征及驱动因素，为推动区域间数字物流的协同发展和物流行业的高质量发展提供参考。

1　研究设计

1.1　指标体系构建

在数字物流指标体系构建方面，学术界还未形成统一标准。基于数字物流的核心内涵，按照整体性、科学性、可得性原则，并结合参考文献基础上^[4-5，13]，从物流供给能力、物流运输能力、数字化发展水平3个维度构建评价指标。数字物流评价指标体系构建如表1所示。物流的供给能力是物流发展的基础，在物流发展过程中的投入力度对数字物流发展起决定性作用，选取指标：固定资产投资与从业人数^[4]。物流的运输能力充分体现物流业整体发展成效，展现物流业作为第三方服务业的服务水平，因此为体现物流业的发展规模，选取指标：货物周转量、货运量、快递业务总量^[13]。数字化发展能够依托数字技术，推动物流业的数字化转型升级，对数字物流发展起基础性作用。信息技术产业为数字物流提供技术支持，选取指标：软件业务、软件产品、信息技术服务^[14]；电子商务在一定程度上能够体现物流业数字化交易水平，选取指标：电子商务交易企业、销售额、采购额^[15]；数字基础设施能够助推物流业数字化变革，选取指标：移动电话普及率、光缆线路长度、移动电话交换机容量^[9，16]。

1.2　研究方法

1.2.1　熵值法

熵值法是按照客观赋权的方式来确定权重，能够有效避免主观随意性。具体步骤如下。

（1）数据标准化。正向型指标测算公式如下。

⑴

式中：Z_ij 和& _ij 分别表示数据标准化之后与标准化之前的值；max(& _ij )和min(& _ij )分别表示第j项指标的最大值与最小值。

（2）计算i样本占j项指标的比重P_ij。

P_{ij}=\frac{Z_{ij}}{{\displaystyle \sum _{i=\mathrm{1}}^v}{Z}_{ij}}⑵

（3）计算熵值E_j。

E_j=-\frac{\mathrm{1}}{\mathrm{l}\mathrm{n}v}{\displaystyle \sum _{i=\mathrm{1}}^v}{P}_{ij}\mathrm{l}\mathrm{n}{P}_{ij}⑶

（4）计算各指标的差异系数D_j。

D_j=\mathrm{1}-E_j⑷

（5）计算各指标权重W_j。

W_j=\frac{D_j}{{\displaystyle \sum _{i=\mathrm{1}}^v}{D}_j}⑸

1.2.2　Kernel核密度估计

为了更加直观地体现我国省际数字物流动态演进与时空演变特征，使用高斯核密度估计^[17]方法分析我国省际及东中西3大区域的分布位置、主峰分布形态及极化趋势。设定F(x)为我国省际数字物流发展水平的密度函数。

F(x)=\frac{\mathrm{1}}{Nh}{\displaystyle \sum _{i=\mathrm{1}}^N}k(\frac{x_i-x}{h})⑹

式中：N表示观测值的个数；h表示带宽；k(·)表示核函数；x_i 和x分别表示独立同分布的观测值和均值。

1.2.3　修正引力模型

构建我国省际数字物流的空间关联矩阵是进行社会网络分析的基础。借鉴梁红艳^[18]的研究，采用修正引力模型进行测度，并构建空间关联矩阵。修正后的模型如下。

R_{ij}=k_{ij}\frac{L_i{L}_j}{{D_{ij}}^{\mathrm{2}}}⑺

k_{ij}=\frac{L_i}{L_i+L_j}⑻

式中：R_ij 表示引力强度；k_ij 表示修正后的引力常量；L_i 和L_j 表示数字物流发展水平；D_ij 表示省会城市的距离。

以引力矩阵中的各行平均值为临界值，高于均值记为1，表示数字物流具有关联关系；低于均值记为0，表示数字物流不存在关联关系，最终构建数字物流30×30的空间二值矩阵。

1.2.4　社会网络分析方法

运用社会网络分析方法(SNA)，通过空间关联矩阵分析我国省际数字物流空间网络整体网络结构特征、个体网络结构特征及块模型^[19]。整体网络结构特征主要通过网络关系数和密度，表征我国省际数字物流空间关联网络中各节点的关联性；通过网络关联度、等级度和效率，表征我国省际数字物流空间关联网络的稳定性。通过点度、接近、中介中心度，分析个体网络结构特征。通过块模型进行空间聚类分析，揭示我国数字物流空间关联网络的内部联系，并分析各省份所处的地位^[20]，最后将数字物流空间关联网络划分为4个板块：净溢出、主受益、经纪人、双向溢出，并深入探究各个板块内部与板块之间的空间关联网络关系。

1.2.5　QAP模型

二次指派程序(QAP)回归法，是基于关系数据通过对矩阵数据置换的形式，探究驱动因素的非参数方法。QAP回归法无须假设自变量间的独立性，相较于传统计量模型而言，能够有效地解决内生性问题，使结果更加稳健。因此，借鉴文献[21-23]，采用QAP回归法探究数字物流空间关联网络的驱动因素。为此，构建我国省际数字物流空间关联网络的驱动因素计量模型如下。

DL＝f (GD，ED，STI，OOW，SC，FS) ⑼

式中：DL表示我国省际数字物流的空间关联矩阵；GD表示地理距离，以省际地理距离表征；ED表示经济发展水平差异，以人均GDP的差异表征；STI表示科技创新水平差异，以专利授权数量的差异表征；OOW表示对外开放程度差异，以省际间进出口总额占GDP比重的差异表征；SC表示社会消费水平差异，以社会消费品零售额占GDP比重的差异表征；FS表示财政支持水平差异，以政府财政支出占GDP比重的差异表征。

1.3　数据来源

选取2013—2022年我国30个省份(不含西藏自治区和港澳台地区)为网络节点，指标数据来自中国统计年鉴、各省份统计年鉴及国家统计局，其中为了消除价格因素的影响，与价格相关的指标以2013为基期进行价格平减，个别缺失数据采用插值法补全。

2　结果与分析

2.1　数字物流发展水平测度结果分析

为考察我国数字物流发展水平的时间演变规律与空间分布特征，采用高斯核密度估计进行分析。运用数学软件绘制我国省际及东、中、西各区域数字物流发展水平的核密度分布图。数字物流发展水平的三维核密度图如图1所示。

基于分布位置分析，2013—2022年我国省际数字物流发展水平持续上升，总体核密度分布曲线随时间推移逐步由左向右转移，表明在观测期内我国省际数字物流发展水平呈明显上升趋势。基于不同区域分析，东部地区核密度分布曲线右移明显，说明东部地区数字物流发展水平上升趋势较快；中部地区核密度分布曲线右移程度较小，说明中部地区数字物流发展水平较为平稳；西部地区核密度分布曲线表现由右向左的发展态势，说明西部地区数字物流发展水平表现为先上升后下降的趋势。

基于主峰分布形态分析，2013—2022年我国省际数字物流发展水平的核密度分布曲线逐渐由“窄”向“宽”发展，曲线宽度略有扩大，峰值逐渐下降，表明我国省际数字物流发展水平展现出差异扩大的趋势。基于不同区域分析，东部地区核密度分布曲线由“窄”向“宽”发展，曲线宽度不断扩大，说明东部地区数字物流发展水平的区域差异扩大趋势明显；中部地区核密度分布曲线宽度略有扩大趋势，说明中部地区数字物流发展水平的区域差异略有扩大；西部地区核密度分布曲线由“窄”向“宽”再向“窄”发展，说明西部地区数字物流发展水平的区域差异表现出先升后降的发展态势。

基于极化趋势分析，我国省际数字物流发展水平的核密度分布曲线呈现多峰分布态势。分区域来看，东部地区由双峰向单峰演进，数字物流发展水平两极分化趋势逐渐消失；中部地区单峰趋势明显，数字物流发展水平差异稳定；西部地区双峰趋势明显，数字物流发展水平两极分化趋势显现。

2.2　数字物流空间关联网络结构特征分析

根据公式⑺，测度我国省际数字物流的空间关联强度，并构建空间关联矩阵。利用数学软件绘制2013—2022年我国省际数字物流的空间关联网络拓扑图。我国省际数字物流空间关联网络拓扑图如图2所示。根据图2可知，各省份均存在于整个空间关联网络中，省份之间数字物流发展打破了传统的地理空间限制，展现出稳定且复杂的空间关联关系。

2.2.1　整体网络结构特征分析

运用数学软件测度2013—2022年我国省际数字物流空间关联网络的整体特征。从整体上来看，我国省际数字物流空间关联网络的关联性偏低，稳定性较强，各省份之间存在显著的空间关联关系。网络关系数和网络密度如图3所示。在我国省际数字物流的空间关联网络结构特征中，网络关系数和网络密度发展趋势基本相同，均表现出“上升→下降”的倒V型发展态势，网络关系数和网络密度的平均值分别为245，0.282。表明在研究期内各省份间数字物流存在显著的空间关联关系，但网络密度值仍然偏低，网络关系数仍有待提升，各省份数字物流的交流协作仍有很大发展空间。随着省际数字物流之间空间关联网络逐渐密切，数字物流网络中的冗余连线上升，当超过网络可承受范围，数字物流的流通成本将会上升，阻碍数字物流发展效率。其次，由于受新冠疫情的影响，2020年、2021年数字物流的整体性发展受到限制，对我国各省份之间数字物流空间关联网络的形成产生阻碍作用，网络关系数和网络密度呈现下降态势。

网络关联度、网络等级度和网络效率如图4所示。2013—2022年数字物流的网络关联度均为1，表明各省份之间数字物流发展联系紧密，省际数字物流在空间上网络的联系存在明显的空间关联和溢出效应。2013—2022年数字物流的网络等级度和网络效率均呈现“下降→上升”的V型发展态势，表明我国省际数字物流空间关联网络的网络等级度和网络效率表现出波动态势。在发展过程中，2015年网络效率值最低，网络结构表现出最强稳定状况。随着时间推移除2018年外，2016—2021年间网络效率值均趋向上升，网络结构的稳定性呈现下降态势。说明数字物流在空间上的联系程度还有待加强，要实现各省份之间数字物流的协调发展，仍需要推动省际数字物流要素之间的流动，构建多元化的空间关联路径，不断加强省份之间的合作与联系。

2.2.2　个体网络结构特征分析

运用数学软件测度2022年我国省际数字物流空间关联网络的中心度指标。取排名高于均值的，我国省际数字物流中心度分析如表2所示。基于度数中心度分析，高于均值的12个省份处于网络中心地位，在数字物流空间关联网络中的空间关联关系较多。基于接近中心度分析，高于均值的10个省份是“中心行动者”，在网络中起引领作用。基于中间中心度分析，高于均值的7个省份中介作用明显，在网络中处于枢纽位置，能够推动资金和技术等物流资源要素流动。分区域来看，东部地区省份在度数中心度、接近中心度与中间中心度中占比较大且排名位于前列，中西部省份总体占比较小，在中间中心度中除重庆外其余省份均来自于东部地区。原因在于东部地区省份数字基础设施建设完善，交通网络建设较为健全，区域创新水平较高，在数字化发展背景下能够推动物流业发生变革，促进数字物流资源要素的流动从而产生“虹吸效应”，在网络结构中不仅发挥带头作用还发挥桥梁的作用。虽然中西部地区的湖北、重庆、四川、陕西等省份正在逐渐发挥带头作用，但大多数中西部省份仍处于被支配的边缘地位，与其他省份的数字物流空间关联相对较弱，难以对其他省份数字物流的发展产生影响。

2.2.3　块模型分析

采用迭代收敛法(CONCOR)，选择最大分割度和收敛标准分别为2，0.2，将我国数字物流空间关联网络划分为4大板块，分析板块之间的关联关系。我国省际数字物流空间关联板块的关联关系如表3所示。板块内与板块外存在较强的关联关系与溢出效应，板块内与板块外关系数分别为97，148，总关系数为245，表明板块外的联系更为明显。基于板块分析，板块Ⅰ成员有11个，分别是安徽、青海、河南、甘肃、陕西、云南、新疆、四川、湖北、宁夏和重庆，主要集中于中西部地区，该板块溢出效应明显，属于净溢出板块；板块Ⅱ成员有7个，分别是江西、贵州、湖南、海南、福建、广西和广东，属于泛珠三角地区，该板块双向溢出关系明显，属于双向溢出板块；板块Ⅲ成员有5个，分别是北京、上海、浙江、山东和江苏，主要集中于东部地区，该板块受益关系明显，属于净受益板块；板块Ⅳ成员有7个，分别是辽宁、山西、天津、黑龙江、内蒙古、吉林和河北，主要集中于中部和东部地区，该板块中介效应明显，属于经纪人板块。整体而言，我国省际数字物流处于非均衡发展状态，东部发达地区省份充分展现出“虹吸效应”，为净受益板块，溢出关系明显的省份集中于中西部地区，为净溢出板块，中部和东部地区部分省份处于经纪人板块，在数字物流发展过程中充分发挥中介和桥梁的作用，成为连通东西部省份数字物流发展资源要素流通的重要渠道。

网络密度矩阵能够捕捉各板块之间的连接关系。通过测算板块间网络密度矩阵，分析板块间数字物流的空间关联关系和分布特征，并以平均密度值0.282作为标准，进行像矩阵转化。我国省际数字物流板块间密度矩阵和像矩阵如表4所示。板块Ⅰ、板块Ⅱ、板块Ⅲ、板块Ⅳ内部数字物流空间关联关系明显，展现出强烈的“俱乐部”效应。板块Ⅲ接收所有板块的溢出效应，但板块之间的关联强度差异性明显，说明现阶段各板块内部数字物流之间的联系紧密。板块Ⅲ内部数字物流之间的联系程度最高，处于板块Ⅲ的东部地区省份正在吸引中西部省份物流资源要素的流动从而产生“虹吸效应”，呈现出明显的东强西弱的局面，我国各区域间数字物流发展的马太效应显现。

2.3　QAP回归结果分析

随机置换设置为5 000次，并选取2013年、2016年、2019年和2022年为典型年份进行QAP回归分析。QAP回归分析结果如表5所示。根据QAP回归结果分析，随着时间的不断演进，不同的驱动因素对数字物流空间关联网络的影响产生差异化特征。地理距离矩阵的回归系数显著为负，表明地理位置距离越近越容易形成数字物流空间网络关联关系。经济发展水平差异的回归系数始终为正，整体回归系数不显著，表明省际之间经济发展水平对数字物流空间关联网络的影响较小。科技创新水平差异的回归系数始终显著为正，表明科技创新水平差异扩大，能够促进数字物流的关联关系，随着科技创新水平差异的不断扩大，省份之间的技术互补性逐渐加强，从而不断提升数字物流的空间联系。对外开放程度差异的回归系数呈现由负向正转变的态势，表明对外开放水平差异扩大，能够推动省际之间贸易流动，打破贸易壁垒，促进数字物流空间关联网络的发展。社会消费水平差异的整体回归系数不显著，说明社会消费水平差异对数字物流发展并未产生较大影响。财政支持水平差异的回归系数始终显著为负，表明财政支持水平差异扩大阻碍了数字物流空间关联网络的发展。

3　研究结论

基于关系数据与网络视角，以2013—2022年我国30个省份为研究对象，运用社会网络分析方法基于整体、个体和块模型分析我国省际数字物流空间关联网络的结构特征，并通过QAP模型探究数字物流空间关联性的驱动因素，主要研究结论如下。

（1）基于整体网络结构特征分析，各省份均存在于整个空间关联网络中，数字物流空间关联网络的空间关联和溢出效应明显。省份之间数字物流发展打破了传统的地理空间限制，展现出稳定且复杂的空间关联关系，但整体的空间关联性较低，省份间数字物流的交流协作仍有很大发展空间。

（2）基于个体网络结构特征分析，数字物流空间关联网络的“马太效应”显现。江苏、上海、浙江等东部地区省份与其他省份产生较多的空间关联关系处于主导地位，充分发挥着领头作用和中介作用。数字物流关联关系相对较少的省份多集中在中西部地区，在数字物流关联网络中的边缘区域。

（3）基于块模型分析，将数字物流空间关联网络划分为4大板块，所有板块内部数字物流存在显著的关联关系，并呈现出明显的“俱乐部”效应。东部发达地区省份充分展现出“虹吸效应”，为净受益板块；溢出关系明显的省份集中于中西部地区，为净溢出板块；泛珠三角地区双向溢出关系显著，为双向溢出板块；中部和东部地区部分省份充分发挥中介作用，为经纪人板块。

（4）基于QAP回归分析，不同的驱动因素对数字物流空间关联网络的影响产生差异化特征。地理距离、财政支持水平越接近的省份越有利于数字物流空间关联网络的形成，科技创新水平、对外开放程度差异越大越有利于数字物流空间关联网络的形成，而经济发展水平和社会消费水平差异矩阵，对数字物流空间关联网络的形成效果甚微。

参考文献

[1] 张则强，程文明，李　涛，等. 数字物流的概念与关键技术研究[J]. 起重运输机械，2003(1)：31-34.

[2] ZHANG Zeqiang， CHENG Wenming， LI Tao，et al. Concept of Digital Logistics and Research of Its Key Technologies[J]. Hoisting and Conveying Machinery，2003(1)：31-34.

[3] 吕广超，关忠良. 数字物流体系结构研究[J]. 数量经济技术经济研究，2003，20(8)：95-97.

[4] Guangchao LYU， GUAN Zhongliang. Study on the Architecture of Digital Logistics[J]. Quantitative & Technica Economics，2003，20(8)：95-97.

[5] 王术峰，何鹏飞，吴春尚. 数字物流理论、技术方法与应用：数字物流学术研讨会观点综述[J]. 中国流通经济，2021，35(6)：3-16.

[6] WANG Shufeng， HE Pengfei， WU Chunshang. The Theory，Technology，Method，and Application of Digital Logistics：A Summary of the Views of Experts and Scholars in the Symposium[J]. China Business and Market，2021，35(6)：3-16.

[7] 李晓梅，崔　靓.数字物流、区域经济与碳环境治理耦合及影响因素：基于我国30个省级面板数据的实证检验[J].中国流通经济，2022，36(2)：11-22.

[8] 崔　靓，李晓梅，姚若羲. 数字物流、生态环境治理与区域经济增长的耦合协调度分析[J]. 统计与决策，2023，39(1)：29-33.

[9] 马晓君，聂昀秋，肖　潇. 数字物流赋能可持续发展的机制与效应：基于物流碳生产率视角[J/OL]. 中国流通经济.

[10] SERGI B S， POPKOVA E G， FERRARIS A，et al. Digitalisation in Transport and Logistics：A Roadmap for Entrepreneurship in Russia[J]. International Journal of Technology Management，2021，87(1)：7.

[11] 唐立强，王伟静. 数字物流对农村居民消费升级的影响[J]. 华南农业大学学报(社会科学版)，2023，22(6)：63-73.

[12] TANG Liqiang， WANG Weijing. Impact of County Digital Logistics on Rural Residents' Consumption Upgrading[J]. Journal of South China Agricultural University (Social Science Edition)，2023，22(6)：63-73.

[13] 罗　瑞，王琴梅. 数字物流高质量发展水平区域差异及空间收敛性研究[J]. 统计与决策，2022，38(17)：109-113.

[14] 佐　赫. 绿色发展背景下数字物流韧性的影响因素和提升路径[J]. 商业经济研究，2023(14)：71-75.

[15] ZUO He. Research on Influencing Factors and Improving Paths of Digital Logistics Resilience in the Context of Green Development[J]. Journal of Commercial Economics，2023(14)：71-75.

[16] 钟昌宝，干心一. 中国省际物流产业发展的空间关联网络结构特征分析[J]. 常州大学学报(社会科学版)，2017，18(4)：51-61.

[17] ZHONG Changbao， GAN Xinyi. The Characteristic Analysis of Spatial Correlation Network Structure of Provincial Logistics Industry's Development in China[J]. Journal of Changzhou University (Social Science Edition)，2017，18(4)：51-61.

[18] 花均南，胡美佳. 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[J]. 铁道运输与经济，2024，46(4)：42-50.

[19] HUA Junnan， HU Meijia. Analysis of Spatial Correlation Network Structure of Logistics Efficiency in China Considering Undesirable Outputs[J]. Railway Transport and Economy，2024，46(4)：42-50.

[20] 薛　阳，郭世乐，冯银虎. 长江经济带数字物流与物流高质量发展[J]. 华东经济管理，2024，38(3)：23-34.

[21] XUE Yang， GUO Shile， FENG Yinhu. Coupling and Coordination of Digital Logistics and High-Quality Logistics Development in the Yangtze River Economic Belt[J]. East China Economic Management，2024，38(3)：23-34.

[22] 金灿阳，徐蔼婷，邱可阳. 中国省域数字经济发展水平测度及其空间关联研究[J]. 统计与信息论坛，2022，37(6)：11-21.

[23] JIN Canyang， XU Aiting， QIU Keyang. Measurement of China's Provincial Digital Economy and Its Spatial Correlation[J]. Journal of Statistics and Information，2022，37(6)：11-21.

[24] 刘　军，杨渊鋆，张三峰. 中国数字经济测度与驱动因素研究[J]. 上海经济研究，2020，32(6)：81-96.

[25] LIU Jun， YANG Yuanjun， ZHANG Sanfeng. Research on the Measurement and Driving Factors of China's Digital Economy[J]. Shanghai Journal of Economics，2020，32(6)：81-96.

[26] 王娟娟，佘干军. 我国数字经济发展水平测度与区域比较[J]. 中国流通经济，2021，35(8)：3-17.

[27] WANG Juanjuan， SHE Ganjun. School of Economics，Institute of Economics，Lanzhou University of Finance and Economics. Measurement and Regional Comparison of Digital Economy Development Level in China[J]. China Business and Market，2021，35(8)：3-17.

[28] 周正柱，冯博文. 长三角城市群商品流通发展的时空演变特征、区域差异及分布动态演进[J]. 上海交通大学学报(哲学社会科学版)，2024，32(2)：24-47.

[29] ZHOU Zhengzhu， FENG Bowen. Spatiotemporal Evolution Characteristics，Regional Differences and Distribution Dynamic Evolution of Commodity Circulation Development in Yangtze River Delta Urban Agglomeration[J]. Journal of Shanghai Jiao Tong University (Philosophy and Social Sciences)，2024，32(2)：24-47.

[30] 梁红艳. 我国五大城市群物流业发展的空间网络结构及其运行效应[J]. 中国流通经济，2019，33(3)：50-61.

[31] LIANG Hongyan. Spatial Network Structure of Logistics Development and Its Operating Effect in China's Five Urban Clusters[J]. China Business and Market，2019，33(3)：50-61.

[32] 邵海琴，王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素[J]. 中国人口·资源与环境，2021，31(4)：32-41.

[33] SHAO Haiqin， WANG Zhaofeng. Spatial Network Structure of Transportation Carbon Emissions Efficiency in China and Its Influencing Factors[J]. China Population，Resources and Environment，2021，31(4)：32-41.

[34] WHITE H C， BOORMAN S A， BREIGER R L. Social Structure from Multiple Networks：Block Models of Roles and Positions[J]. American Journal of Sociology，1976，81(4)：730-780.

[35] 孙　磊，张树山，郭　坤. 中国物流产业智慧化水平测度及影响因素[J]. 中国流通经济，2021，35(10)：30-38.

[36] SUN Lei， ZHANG Shushan， GUO Kun. Research on the Measurement of Intelligent Level and Driving Factors of China's Logistics Industry[J]. China Business and Market，2021，35(10)：30-38.

[37] 赵　芮，丁志伟. 基于流空间视角的中原城市群物流网络结构及其影响因素分析[J]. 地域研究与开发，2022，41(4)：71-77.

[38] ZHAO Rui， DING Zhiwei. Analysis of Logistics Network Structure and Its Influencing Factors in Central Plains Urban Agglomeration from the Perspective of Flow Space[J]. Areal Research and Development，2022，41(4)：71-77.

[39] 谷　城，张树山. 中国物流产业智慧化空间联系的网络结构及其影响因素[J]. 经济地理，2023，43(5)：117-127.

[40] GU Cheng， ZHANG Shushan. Network Structure and Influencing Factors of Spatial Connection in the Intelligence of China's Logistics Industry[J]. Economic Geography，2023，43(5)：117-127.

基金资助

贵州省哲学社会科学规划课题(22GZYB19)