物流业发展的区位差异、驱动因素及时空异质性研究——基于GTWR模型的分析

唐建荣 张鑫和 类延波

(江南大学 商学院，江苏 无锡 214122)

一、引言及文献综述

中国物流与采购联合会公布的《2016年全国物流运行情况通报》指出，2016年中国社会物流总额达229.7万亿元，按可比价格计算比上年增长6.1%，增速提高了0.3个百分点。由此可见，随着社会经济的稳步增长，物流服务需求也随之水涨船高。事实上，中国物流业在快速发展的同时也存在诸多问题，如“东强西弱”的集聚态势、两极分化的“马太效应”等(唐建荣 等，2017)。在此背景下，剖析物流产业的发展演化规律及其差异成因成为学术界关注的热点。

近年来，对物流产业发展驱动因素的相关研究屡见不鲜。如王健等(2014)采用向量自回归模型、格兰杰因果检验等方法对影响区域物流发展的因素进行的动态分析；唐建荣等(2015)基于经济、支撑和信息视角，运用结构方程模型，分析了城市物流业发展的驱动因素，同时对比了各区域的发展差异；陈恒等(2015)利用LMDI指数法分析了劳动力投入对于物流业发展的驱动效应，并甄别了影响物流业发展的要素；谢守红等(2015)利用TOPSIS法测算了长三角地区16市的物流业发展水平，结合岭回归方法探讨了城市物流业发展的驱动因素。这些研究从不同角度探讨了物流产业发展的驱动因素，但均未将产业发展的空间异质性纳入研究视域，从而忽略了地理单元之间的联系，导致分析结果可能存在偏差情况。

随着空间计量方法的发展，包含空间滞后和空间误差等在内的常系数模型被广泛应用于克服产业发展的空间自相关性，如蔡海亚等(2016)采用空间计量模型(SEM模型和SAR模型)分析了长江三角洲物流产业发展的时空格局演变及影响机理。然而，物流产业发展是经济水平、基础建设、资源禀赋等多核共振的结果，作用机理复杂，且不同时空分布下各驱动因素的作用力大小和方向并不尽相同。若要兼顾不同的作用，并识别区域特质因素的影响强度，此时常系数空间计量模型便不再满足研究要求。

20世纪90年代中期，地理加权回归模型(Geographical Weighted Regression，简记为GWR)作为一种可识别空间非平稳性的局部变系数模型被提出并得到广泛应用(Fotheringham et al.,1996)。GWR模型可以克服地理单元间的空间异质性，突破常系数模型的局限性，针对不同地区得出差异化的研究结论，其理论意义以及异质化的政策价值较为显著，且具有“因地制宜”的效果(吕光桦 等，2011)，进而被广泛应用于不同行业研究中(王爱 等，2017;马勇 等，2017;Diniz-Filho et al.,2016;向书坚 等，2016)。但GWR模型只能对截面数据进行回归，Wu et al.(2014)在GWR模型中加入时间效应，构建出时空地理加权回归模型(Geographical and Temporally Weighted Regression，简记为GTWR)，可以在时间和空间两个维度上捕捉不同空间单元的参数变异情况，从而可以有效弥补GWR模型的不足。时空地理加权回归作为一种能够有效识别非平稳性的方法，在理论上得到较好的发展，现实中也被广泛的应用(Fotheringham et al.,2015;Guo et al.,2017;Chu et al.,2015;Liu et al.,2017;Bai et al.,2016)。

综上所述，考虑时间因素的时空变系数模型对于面板数据的适用性大大增强，并具备更加优良的统计性质(韩兆洲 等,2017)，且目前国内外并不存在采用局部变系数模型研究相关问题的文献。有鉴于此，本文利用2005—2015年中国31个省区的面板数据，从时空异质性的角度研究物流产业发展的驱动路径，甄别出区域产业发展的“要核”，以厘清各因素间环环相扣的机制，进而准确揭示区域物流发展差异的症结所在。与现有文献相比，本文可能的贡献在于：(1)研究视角上，从异质性角度出发，分析了物流产业驱动因素的空间差异及时序波动；(2)研究方法上，采用前沿的时空地理加权回归模型，弥补了相关研究的空白，有效扩展了该方法的应用领域，丰富了物流产业发展的理论。

二、研究方法

为研究物流业的发展演化、驱动因素及其时空异质性，先利用TOPSIS模型评价物流产业发展水平，接下来利用核密度及探索性空间数据分析方法研究物流产业的演化状况，最后构建GTWR模型分析物流产业发展的驱动因素及其时空异质性。

(一)TOPSIS模型

TOPSIS模型最早是由Hwang et al.(1981)提出的，这一方法核心思路是构造一组理想解，通过衡量所有决策方案的结果与理想解的逼近程度来比较不同方案的优劣，本文主要借鉴TOPSIS模型来构建评价各省区物流产业发展的综合指标。熵权TOPSIS法是对传统TOPSIS法的改进，即通过熵权法确定评价指标权重，再通过TOPSIS法利用逼近理想解的技术确定评价对象的排序(李沙浪 等,2014)。由于TOPSIS评价值是各省区的指标与正理想解和负理想解的相对余力，某个省区的评价值越高则该省区的各项指标离正理想解越近，这表示其物流产业发展水平越高。

(二)探索性空间数据分析

探索性空间数据法(ESDA)常用于分析空间数据自相关特性。空间自相关是指某要素与其邻近要素属性值在不同空间单元上的显著程度，用于度量对象的空间集聚度和关联性。本文通过全局Moran指数判断物流业发展的空间相关性(李沙浪 等,2014)。全局Moran指数可以反映区域物流业发展空间分布特征，有效衡量空间邻接的省区物流业发展水平的相似度，具体公式如下：

(1)

(三)核密度估计

核密度估计(Kernel)是一种非参数方法，可以将随机变量的分布形态以连续的密度曲线形式予以反映，进而对变量的概率密度进行估计(Silverman,1986)。这一方法假定随机变量x的密度函数为f(x)，在点x的概率密度可以用式(2)进行估计：

(2)

式(2)中：N为观测值的个数；Xi为独立同分布的观察值；h为带宽；x为均值；K(·)为核函数，核函数包括高斯核函数、Epanechnikov核函数等形式。本文采用高斯核函数进行估计，其表达式为：

(3)

核密度估计没有确定的表达式，往往通过图形分布的变化进行比较分析，而图形中曲线可以反映变量的分布位置、形态和延展性等信息。

(四)地理加权回归模型(GWR)

地理加权回归模型(GWR)作为一种变系数空间回归模型，常用于分析空间数据。地理加权回归模型是运用局部多项式光滑技术对区域及其邻近区域的观测值进行全局最小二乘估计，进而得到每个地理区域对应的局部估计值，从而有效检测出空间非平稳性(韩兆洲 等,2017)。

地理加权回归模型的一般公式如下：

(4)

其中，ui、νi表示i地区的经度和纬度，即其具体的地理位置； βp(ui,νi)表示P个解释变量的系数，且该系数是经纬度的函数；yi、xip分别表示被解释变量、解释变量；β0(ui,νi)为P个解释变量的截距项；εi～iidN(0,σ2)表示模型的扰动项，反映的是空间随机效应水平。

式(4)可用矩阵形式表示：

Y=(X⊗βT)I+ε

(5)

式(5)中：⊗表示矩阵的克罗内克积；I为(P+1)×1维的矩阵；X和βT为N×(P+1)维矩阵。

Brunsdon et al.(1999)利用加权最小二乘估计模型进行了修正：

(6)

式(6)中:矩阵W={wij}表示空间权重矩阵；Wij为区域i和区域j之间距离的衰减函数；βi=(βi0,βi1,…，βip)T(其中i=1,2,…,N)，表示第i个区域P个解释变量组成的P维向量。

(7)

(8)

(9)

式(9)中：H=Xi(XTWiX)-1XTWi为帽子矩阵；Xi表示矩阵X第i行元素组成的P维向量。

进而求出模型残差项γ及残差平方和：

(10)

(11)

(12)

(13)

(14)

(15)

进而可求得残差平方和为：

(16)

等式两边同时取期望可得：

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)

化简可得σ2的无偏估计：

(18)

σ2的估计值为：

(19)

式(19)中，2tr(H)-tr(HTH)为解释变量个数，N-(2tr(H)-tr(HTH))为地理加权回归模型的自由度。

(五)时空地理加权回归模型

考虑到地理加权回归模型忽略了时间效应的影响，进而导致参数估计的非平稳性。因此，可以进一步构建时空地理加权回归模型(GTWR)作为分析工具：

(20)

式(20)中：yi为n×1维解释变量；β0为常数项系数；(ui,vi,ti)表示第i个观测点的经纬度坐标ui、vi[注]本文采用Gauss-Kruger Projection方法将观测点椭球体坐标系下的经纬度转为直角坐标系下的坐标。和观测时点；βk(ui,vi,ti)为第k个因素在(ui,vi,ti)处的未知参数；xik是n×k维解释变量；参数通过局部加权最小二乘法估计得出，即对于给定的一个观测点，靠近该点的观测值赋予较大的权重值，远离该点的观测值赋予较小的权重值，通过使得观测值与拟合值差的加权平方和最小，从而可以求得参数的估计值。

GTWR模型的核心是空间权重矩阵的设定，时空权重矩阵一般构建为：W(ui,vi,ti)=diag(wi1,wi2,…,win)，其中对角线元素Wij是时空距离衰减函数。常用的权函数有距离阈值函数、距离反比函数、高斯函数和截尾型函数，这些函数共同特点是通过样本点距离和效应随距离的衰减程度来反映权重大小(Fotheringham et al.,1996)。本文采用高斯函数作为权函数，具体见式(21)：

(21)

(22)

式(21)中，dij为i与j之间的时空距离，时空距离的测算涉及时间、空间双维度，需要设定空间尺度参数λ和时间尺度参数μ，以此来平衡不同量纲间的差异。将给定的空间距离dS和时间距离dT综合成时空距离dST，进而构建时空距离函数：

(23)

式(23)中，当λ=0时，表示不存在空间效应，时空距离为时间距离的比例函数，此时模型设定为TWR模型；当μ=0时，表示不存在时间效应，模型设定为GWR模型；当λ≠0且μ≠0时，则为GTWR模型。

由此，可以构建的时空权重矩阵表示为：(ui,vi,ti)=diag(wi1,wi2,…,win)，其中Wij的具体计算公式如下所示：

(24)

GTWR模型对每一个观测的空间单元都进行了局部回归，在地理位置的变化过程中对不同时点的每个参数进行估计，这能够较好地反映各驱动要素的空间依赖性和时空差异性。

三、物流业发展水平测度及时空演化分析

准确评价各省区物流业发展水平是分析其演化状况的基础，有利于厘清物流业发展驱动机制的来龙去脉。本文利用2005—2015年中国31个省区面板数据，结合基于熵权的TOPSIS模型评价中国各省区物流业的发展水平，并利用核密度和探索性数据分析方法研究物流产业的时空演化状况。

(一)指标体系构建与数据来源

通过对已有文献的梳理发现，由于不同研究者研究视角和目标不同，其所构建的物流发展水平评价指标体系也不尽相同。本文在参考唐建荣等(2017)、谢守红等(2015)研究的基础上，构建出评价中国省区物流产业发展的指标体系，具体如表1所示。

表1 中国省区物流产业发展评价指标体系

表1中，物流增加额包括交通运输业物流增加值、仓储物流业增加值、批发物流业增加值、配送加工包装物流业增加值和邮政业物流增加值；邮电业务总量是指以价值量形式表现的邮电通信企业为社会提供各类邮电通信服务的总数量；物流增加额和邮电业务总量直接反映了产业的市场规模；货运周转量是指在一定时期内各种运输工具运输的货物(旅客)数量与其相应的运输距离的乘积之和；汽车总量是指报告期末已注册登记领有牌照的全部民用汽车数量与公用汽车数量之和；货运周转量和汽车总量反映了区域物流的运输能力；第三产业增加额是指除第一产业、第二产业以外其它行业的增加额，该指标作为反映宏观产业发展状况的“镜子”，反映了物流业的产业规模；社会消费品零售额是指批发和零售业、住宿和餐饮业以及其他行业直接销售给城乡居民和社会集团的消费品零售额，可以直观反映产业的需求规模。为了消除人口因素的影响，本文将上述各指标除以各省区当年的人口数量之后再纳入指标体系。综上，本文从市场规模、产业规模、需求规模和运输能力四个方面构建评价省区物流业发展水平的指标体系。

本文用交通运输、仓储及邮政业的统计值替代物流产业的相关指标，以2005—2015年中国大陆31个省区作为研究样本，数据来源于历年《中国统计年鉴》。

(二)省区物流业发展水平

结合上文构建的指标体系和熵权TOPSIS模型计算出2005—2015年各省区物流产业发展水平得分，具体结果见表2。

表2 2005—2015年中国省区物流产业发展水平测度结果

(续表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广东0.1680.2070.2420.2760.3040.3480.3530.4070.4520.5340.588广西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重庆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贵州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陕西0.0330.0450.0550.0750.0890.1060.1170.1360.1520.1750.191甘肃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宁夏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显示了2005—2015年中国大陆31个省区的物流产业发展水平。由表2中数据可知，各省区物流产业发展水平存在明显差异，广东、上海、江苏、北京、浙江等地区产业水平较高，并且近年来增长速度较快；新疆、宁夏、青海、甘肃、西藏等地区产业水平较低，且增长速度较为缓慢。总体上，中国物流业呈现出“东强西弱”的发展态势，各省区物流产业发展的初始水平、发展路径、发展速度均存在明显差异。

(三)省区物流业时空演化分析

图1中国物流业发展的核密度分布

(1)物流产业发展的分布状况。为直观展现出2005—2015年物流产业整体演化情况，根据表2数据，结合核密度估计结果绘制2005年、2010年和2015年物流业发展水平Kernel密度图，从而有效呈现产业整体的发展迁移趋势。具体如图1所示。

图1中，2005—2015年密度曲线整体向右迁移，反映出各地区的物流产业发展呈现逐步提升态势；2005年波峰较陡，呈现出明显双峰分布态势，2010年波峰较为平稳，且双峰态势减弱，2015年波峰更为平稳，且波峰已由双峰分布逐渐转变为单峰分布，说明产业发展的低位趋同现象出现减弱趋势；2005年主峰分布在低值与中间值之间，到2015年波峰向右迁移，且波峰下降明显，说明物流产业发展水平较高地区发展提速放缓，而部分发展中等水平地区发展速度增快。

为展现区域间产业发展差异，进一步绘制出2005—2010年和2011—2015年中国东部、中部、西部地区[注]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、海南11个省区，中部地区包括黑龙江、吉林、山西、安徽、江西、河南、湖北、湖南8个省区，西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省区。的核密度分布对比图，具体如图2所示。

由图2可知：从位置上看，由第一阶段到第二阶段，东部、中部、西部三大区域产业发展密度曲线均呈现向右迁移的趋势，表明各区域的产业发展水平都有所提升；从形状上看，中部和西部地区的波峰较陡，而东部地区的波峰较为平稳，由第一阶段到第二阶段中、西部地区的密度曲线形状变化不大，仍然处于“尖陡”态势，东部地区则呈现双峰分布的特点，这说明中西部地区整体发展速度差异不大，而东部地区间的差异较为明显；从峰值来看，从第一阶段到第二阶段，三大区域的峰值均明显下降，这表明区域内部的发展分散化，但区域间的差距仍然明显。

图2 2005—2010年(左)、2011—2015年(右)中国物流业发展的核密度分布

(2)产业发展的空间相关性。核密度分析显示了产业发展的区域分布差异，在此基础上可以利用探索性数据分析方法研究产业发展的空间关联性。全局Moran指数用于表现整个研究区域物流业发展空间分布特征，可以衡量空间邻接省区物流业发展水平的相似度。本文利用Geoda软件，结合式(1)计算各年中国物流产业的全局Moran指数[注]对空间位置进行随机排列，从而模拟计算出全局Moran指数的P值，即Pseodu p值。本文选择的排列次数(permutations)为999次。，具体结果如表3所示。

表3 2005—2015年物流产业发展的全局Moran指数统计表

注：***表示在1%的显著性水平下显著；Z-value为Z得分。

由表3可知，中国物流业全局Moran指数最小值为2006年的0.3528，最大值为2011年的0.4797；从显著性水平来看(结合P值和Z得分)，各年Moran值均在1%的水平下显著，表明中国各省区的物流业发展水平呈现显著的空间正相关。从时序的角度来看，Moran指数呈现倒“U”型的发展趋势：2005—2011年Moran指数呈增大趋势，此时产业发展在空间上的正向集聚区域持续扩大，空间相关性逐步增强；2011—2015年Moran指数呈减小趋势，此时地理上的局部差异性扩大，相似性减小。

四、物流业驱动因素及其时空异质性研究

由上文分析可知，省区物流业发展差异性与相关性并存，为了进一步甄别物流产业发展演化的驱动因素，需要构建相关计量模型进行探究。Tobler(1970)认为，空间地理位置邻近地区具有相似的属性值，地理区位邻近的区域往往存在空间自相关性，一般不满足相互独立的假设，普通全局线性回归模型的估计将会造成偏差，因而应构建空间计量模型来识别产业发展的驱动因素，分析各因素的时空异质性。

(一)变量选取与指标说明

多数学者(唐建荣 等，2015；王健 等，2014；魏修建 等，2014)将物流总额、物流增加额或者货运周转量作为因变量，以此对产业发展的驱动因素进行研究，但由于物流产业受经济、环境、政治等多方面因素的影响，仅使用物流总额等单一指标难以准确度量其驱动因素。因此，可以利用上文TOPSIS模型评价所得产业发展水平作为因变量，能够减少单一指标作为因变量可能产生的信息失真问题。

在自变量的选取上，本文利用PEST分析框架，从政治、经济、社会和技术四个方面总结出影响物流产业发展的因素：

(1)政治因素。进出口贸易和外商直接投资可以作为影响物流业发展的政治因素。对外贸易能够从需求端拉动物流产业发展，并通过“乘数”作用产生连锁反应；同时，外商直接投资可以发挥中国市场、资源和劳动力方面的比较优势，从而提高物流业的发展效率。本文用各地区人均进出口贸易总额(按经营单位所在地分)代表进出口贸易水平(ie)(唐建荣 等，2017)，以人均外商直接投资总额(fdi)代表外商直接投资水平(姚娟 等，2012)。

(2)经济因素。经济发展可以改善产业结构、分配结构、消费结构，进而促进区域间的资本、要素的流通；同时通过影响用户消费偏好，促进物流服务业的发展。人均gdp是衡量区域经济运行状况的晴雨表，因此使用省区人均gdp代表其经济发展状况(唐建荣 等，2017)。

(3)社会因素。人口因素，即劳动力数量的增加会为产业发展带来“人口红利”；基础建设可以提高既有资源的整合水平和利用程度，实现不同区域主体间的要素流动和功能整合，发挥产业发展网络扩散的正外部性。本文以物流业从业人员数代替物流产业的劳动力投入水平(lab)(陈恒 等，2015)，用物流网络密度(铁路与公路营业里程之和比上区域国土面积)代表基础建设水平(王健 等，2014)。

(4)技术因素。科技发展缩短了用户和服务商之间的距离，提高了商品流通速度，增加了物流配送需求，降低了企业产品和服务的成本，提升了服务质量。研发(rd)经费内部支出可以较好地反映区域科技发展程度。因此，本文用人均研发(rd)经费内部支出反映地区科技水平。

综上，本文选取进出口贸易、外商直接投资、经济发展、劳动力投入、基础建设、科研投入作为产业发展的驱动因素。数据来源于历年《中国统计年鉴》，为了避免残差的异方差性带来的影响，对上述数据均进行自然对数转换(以e为底)。各变量的描述性统计结果见表4所示。

表4 变量的描述性统计结果

(二)单位根与多重共线性检验

为了避免伪回归情况的出现，本文采用ADF和PP两种单位根检验方法确定数据的平稳状况。此外，利用方差膨胀因子(Variance Inflation Factor，VIF)检验各变量之间是否存在多重共线性(姚昕 等，2017)，具体结果见表5所示。

表5 各变量的单位根检验和VIF检验结果

注：表中的Dickey-Fuller为迪基-福勒检验值，Lag order为滞后长度，结果由R软件计算所得。

由表5可知，不论是ADF单位根检验还是PP单位根检验，均在1%水平下显著地拒绝数据不平稳的原假设，因此所有变量都是平稳的，适合进行面板数据回归建模。同时，各变量的方差膨胀因子均小于经验值10，因此变量之间不存在多重共线性。

(三)物流业驱动因素的实证结果与分析

GTWR模型能估计自变量在时空演变中的局部效应，其参数估计值随着时空的演变而不同，从而可以揭示驱动要素的时空异质性。为了保证回归结果的有效性和稳健性，在进行GTWR回归之前，要先做普通面板回归，结果见表6。

表6 普通面板数据回归汇总

注：括号内数字为t统计值；*、**、***分别表示在10%、5%、1%的水平上显著。

由表6可知，F检验的P值小于1%，拒绝了建立混合模型的原假设；Hausman检验的P值小于1%，拒绝了建立随机效应模型的原假设，这表明应采用固定效应模型。从固定效应模型的回归结果来看，个体固定效应模型的解释力最强，说明个体间的差异较为显著，经济发展、基础设施建设、研发投入、进出口水平及外商直接投资对物流产业的正向影响依次减弱，劳动力因素的影响为负。值得注意的是，劳动力投入系数在各种效应下均为负，表明物流产业的劳动密集性特征已逐渐弱化，过多的劳动力聚集可能会由于要素竞争阻碍产业的发展，或表明地区劳动力效率并不高，这也印证了陈恒等(2015)的观点，即劳动力规模扩大并不能有效驱动物流业发展。

表7 2005—2015年各要素的GWR及TWR估计结果

注：回归结果由Arcgis10.3.1软件结合GTWR Beta1.0工具箱计算得到，该工具箱由香港中文大学开发提供。

普通面板回归一定程度上反映了各要素的作用强度，但并未考虑空间距离因素，因此不同观察值间的差异被平均了，只能得到一个整体的相互依赖关系，不能反映参数在不同空间的非稳定性(齐亚伟 等，2014)。因此，本文从时间、空间角度构建局部加权回归模型进行参数估计，并利用高斯核函数法构建权重矩阵，同时结合交叉验证法CV、AIC测算最优带宽[注]在GWR模型中，若带宽趋于无穷大，任意两点的权重将趋于1，则被估计的参数变成一致时，GWR就等于经典的OLS线性回归；反之当带宽变得很小时，参数估计将会更加依赖于邻近的观测值。，最终得到GWR、TWR模型的估计结果(具体见表7)。

表7呈现了GWR和TWR的回归结果，根据CV、AIC及调整的R2进行综合判断，GWR的解释力强于全局线性回归结果，也强于TWR的估计结果(AIC、CV值越小，表示模型的解释力越强)。在GWR模型中加入时间因素构建GTWR模型，从而得到参数估计结果，具体见表8所示。

表8 2005—2015年各要素的GTWR估计结果

注：相对于GWR和TWR模型，GTWR模型从时间、空间两个维度同时进行考察，故表中提供了Spatio-temporal distance rate的数值；变异系数反映了系数的波动幅度，其计算公式为：变异系数(CV)=标准偏差(SD)/平均值(Mean)。

表8报告了GTWR模型的估计结果。对比表7可知，三种局部回归模型的估计结果都在相应区间内波动，波动强度存在一定的差异。这可能是因为不同的模型关注了不同方面的非平稳性。从拟合度、CV和AIC等结果来看，GTWR模型调整的R2值达到0.973，CV、AIC值分别为0.214、-1606.41，表明该模型的拟合优良性全面优于GWR、TWR模型，因而综合考虑时间和空间因素的GTWR模型为最优选择。

为了更加清楚地揭示驱动要素的波动情况，接下来从回归系数总体分布、空间差异、时序波动三个方面进行探讨。

(1)系数的总体分布。基于GTWR回归结果，绘制出各变量系数的密度图[注]GTWR模型综合考虑时间和空间信息进行参数估计。N×T的回归样本可得到N×T个系数，本文样本数量31×11，可得到341个估计系数。限于文章篇幅，各年不同地区的参数估计值不再一一列出，具体结果在图3中进行展示。，具体如图3所示。

由图3可知，不同变量系数的分布存在较大差异。其中，ie的系数分布较为对称，高峰位于0.01左右，说明进出口贸易作用于产业发展呈现出较为显著的梯度特征，即对于不同地区的驱动力存在较大差异，对部分地区的产业发展甚至存在抑制作用；fdi的系数呈现明显的右偏尖峰分布，峰值位于0.001前后，表明外商直接投资对各地区产业发展存在正向驱动作用，呈现出强度小、稳健性高、变异性低的特征；gdp的系数均为正值，且总体呈右偏分布，峰值约为0.05，表明经济发展能有力推动地区物流产业发展；lab的系数值正负不一，峰值位于-0.025左右，说明劳动力数量对于多数物流产业发展的作用为负，且地区间系数也存在较大差异；inf的系数呈现明显的左偏分布，峰值接近于0，说明基础设施建设对于区域产业发展的促进作用较小，甚至存在一定程度的抑制作用；rd的系数呈多峰分布态势，主峰值约为0.01，表明研发投入对于大部分地区的产业发展具有明显促进作用，对部分地区的驱动作用较强。

图3 各要素回归系数的分布密度图

(2)系数的空间差异。利用GTWR模型年均局域估计结果，结合Arcgis10.3.1软件对各要素系数的地区分布情况进行可视化处理，采用自然断点分类法(Natural Breaks Jenks)将相似性最大的数据分在同一级(刘华军 等，2016)，差异性最大的数据分在不同级，从而可以在空间上分析各驱动要素的差异性，具体结果如图4、图5、图6所示。

由图4—图6可知，对于不同区域而言，各变量的分布存在明显差异：

关于ie系数的空间分布。由图4(左)可知，ie系数的空间分布总体呈现东低、中高、西低的格局。东部地区尤其是长三角地区处于贸易活跃区，港口物流贸易较为发达，进出口贸易已达到一定规模，继续通过进出口贸易促进产业发展的收益有限，甚至会出现边际效应递减现象；中部地区地处交通要塞，拥有物流网络核心的地位，该地区ie系数较高，其贸易规模仍有进一步提升的空间；西部地区经济活力较低，贸易规模较小，其作用系数也较低。

关于fdi系数的空间分布。由图4(右)可知，外商直接投资系数的空间分布总体呈现“东中部地区低、西部地区高”的特点。扩大外商直接投资规模可以拓展经济范围，减少交易成本，提高中国整体物流从业者的相对工资水平。相对于东部地区等产业“富饶区”而言，西部地区外商直接投资能够更好地促进劳动力、资本等要素的流入，增强地区经济活力，促进产业的发展；同时，还能显著提高工农业领域的货物周转水平(姚娟 等，2012)。西部地区制造业基础较好，因此外商直接投资在该地区的作用系数也较高。

图4 ie和fdi平均作用的空间分布图

图5 gdp和lab平均作用的空间分布图

图6 inf和rd平均作用的空间分布图

关于gdp系数的空间分布。由图5(左)可知，gdp对各地区物流业发展均具有正向作用，物流业的需求量依赖于地区经济的发展。gdp对中部地区物流产业的作用系数较高，对西部地区的作用强度较低，表明区域经济发展存在不均衡的现象：即区域间经济发展差距过大，缺乏联动性，使得资源要素产生集聚，从而导致产业发展存在“马太效应”；区域内经济与基础建设、科技研发等要素发展的“不配套”，协同度较低，从而导致部分地区经济驱动力较弱。

关于lab系数的空间分布。由图5(右)可知，劳动力投入系数呈现出“东部-中部-西部”的梯度递减分布。这表明劳动力投入对于东部地区物流产业发展具有较强促进作用，对西部地区的促进作用较小，甚至存在反向抑制作用。随着物流产业的快速发展，物流从业人员的工作范围已从过去的运输和仓储等低端领域向物流信息系统开发、物流系统规划、第四方物流管理等领域拓展(邬跃 等，2007)。物流产业劳动密集型的特征正在变弱，技术密集型的特点开始凸显。在此背景下，市场对劳动力的要求逐渐由“量”转为“质”。东部地区作为人才的聚集地，高端人才较多，可以较好地满足产业发展需求；西部地区物流人才缺乏，劳动力“量”的提升并不能满足产业发展需要，反而会因恶性竞争抑制产业发展。

关于inf系数的空间分布。由图6(左)可知，基础设施建设的系数呈现出由南向北梯度递减的规律，表明随着区位的北移，基础设施建设的促进效果减弱，甚至出现系数为负的情况。在GTWR模型中，特定区域的回归参数不再是利用所有样本估计的假定常数，而是利用其邻近区域的子样本信息进行局域回归估计，并随时空位置的变化而对参数进行调整。区域物流产业的发展同时受到该地区及邻近地区基础设施建设的影响，跨地区交通基础设施的建设往往会扩大发达地区对落后地区各类生产要素的“虹吸效应”，进而导致基础设施建设的负向溢出(张学良，2012)。当这种负向溢出效应大于其邻近地区基础设施建设的正向扩散效应时，则会出现系数为负的情况。归根到底，这是由于邻近地区间产业发展协同度不高，地区差异过大所导致的。

关于rd系数的空间分布。由图6(右)可知，东部沿海地区的研发投入系数较高，南部地区、北部地区的系数相对较低，部分地区的系数为负，从而产生了“创新悖论”的现象[注]创新悖论指创新不一定能有效地转化为增长(Pessoa et al.，2010)。(Pessoa et al.,2010)。从“社会过滤”[注]社会过滤用于描述本地经济社会条件对创新转化为增长所产生的“过滤”作用，本地经济社会条件就好比创新与增长中间的“介质层”，“介质层”的不同导致创新转化率也不同(Rodriguez-pose et al.，1999)。的角度来看，各地区的产业基础、经济条件并不相同，导致其社会过滤能力也不尽相同。而社会过滤对于创新的有效转化兼具促进和抑制两种作用，这两种作用的对冲及消长可能是科技投入转化物流产业增长之间的黑箱。从区域协调发展的角度来看，邻近地区之间科技水平或者产业发展差距过大，可能导致科技创新系数为负的情况。因此，系数较高的地区，表明其社会过滤能力较强，创新转化效率较高；系数较低的地区，表明其社会过滤能力较差。值得注意的是，系数为负不一定是要求地区减少相应的科技投入，而是在政策含义上意味着注重区域投资实践中效率与数量的均衡。

(3)系数的时序变动。为展现各要素的时序波动情况，本文绘制出各要素驱动系数时序波动图，横轴代表不同年份(2005—2015年)，纵轴表示变量的系数大小，具体见图7—12所示。

由图7可知，ie系数的时序波动大致可分为上升型和波动型。其中，波动型的地区包括黑龙江、辽宁、吉林、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆等省区，其余省区为上升型。波动型区域应根据不同阶段的实际市场需求来确定进出口贸易目标，使得进出口贸易规模与物流产业发展实力相匹配；上升型区域由于市场需求尚未饱和，可以加强进出口贸易以带动当地物流业的进一步发展。

由图8可知，fdi系数的时序波动大致可划分为三类：上升型、下降型、波动型。其中，上升型的地区包括湖南、广东、广西、海南、重庆、四川、贵州、云南等南方省区；波动型地区的有西藏、陕西、甘肃、宁夏、新疆等西北部省区，其余省区为下降型。上升型区域应继续加大外商投资力度；下降型地区应适度把握外商直接投资规模，基于地区发展潜力和偿债能力合理引进外资；波动型区域应强化外商直接投资的“利用效率”和溢出效应。

图7 ie系数的时序波动情况

图8 fdi系数的时序波动情况

由图9可知，gdp系数的时序波动基本呈现出逐年增长态势，不同地区的增长速度略有不同，这表明经济发展水平是区域物流业发展的核心驱动力，且驱动作用日益增强，但地区间动力演化存在显著的差异性。

由图10可知，lab系数的时序波动可分为三种类型：“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、内蒙古等省区；“上升-下降-上升”型包括辽宁、吉林、黑龙江、上海、江苏、浙江、安徽等省区；其余省区为下降型。值得注意的是，2008—2009年间三种类型地区劳动力系数都呈现出明显的下降趋势。这是由于2008年经济危机先影响到中国进出口贸易，进而导致物流产业发展出现停滞，多数地区物流业劳动力供求出现失衡，从而表现出其作用系数呈现显著衰减的特征。

图9 gdp系数的时序波动情况

图10 lab系数的时序波动情况

由图11可知，inf系数的时序波动呈现出“两极分化”的现象：华东地区、华北地区(包括北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南等省区)的系数呈持续上升的态势，并逐渐由负数转变为正数；华南、西北等地区的系数表现为逐渐下降或先上升后下降的态势。说明华东、华北等地区物流基础设施建设的协同度和联动性较好，跨地区基础设施的“虹吸效应”出现逐渐减弱趋势。

由图12可知，rd系数的时序波动可分为三种类型：上升型、下降型、上升-下降型。其中，上升型包括重庆、四川、云南、甘肃、青海、新疆等省区；下降型包括北京、天津、河北、山西、内蒙古、山东、河南、湖北、湖南、广西、海南、贵州、西藏、陕西、宁夏等省区；其余省区属于先上升后下降型。上升型地区的科研投入可以较好地促进该地物流产业的进步；下降型地区的研发投入对于当地产业促进作用呈现逐渐减弱态势，可能是由于当地社会过滤能力较弱或边际效应递减所致；先上升后下降型地区的研发驱动系数也呈现出一定的边际递减效应。

图11 inf系数的时序波动情况

图12 rd系数的时序波动情况

五、结论与建议

基于2005—2015年中国省级面板数据，运用TOPSIS模型测度省区物流业发展水平，并结合核密度估计、探索性数据分析研究物流产业演化规律，通过构建GTWR模型考察物流产业发展的驱动因素及其时空异质性。研究结果表明：中国省域物流业发展差异性与相关性并存；物流产业多维驱动要素呈现出明显的时空非平稳性，不同时点、不同地区各驱动要素的波动方向和作用强度并不相同；不同驱动要素分别呈现出左偏、右偏、对称、多峰等分布态势；各要素均呈现出一定的东、中、西梯度分布格局；不同地区各驱动要素的时变形态不同。

为了促进区域物流业的协同健康发展，接下来从区位差异、驱动异质、动力演化三个层面提出对策建议，以破解中国物流业发展区域失衡的困境：

(1)区域协同，稳健驱动。地区产业发展差距过大是造成驱动要素波动的重要原因。因而，应首先在政策导向上建立跨区域协调机制，加大对物流产业发展弱势区的扶持力度，加强跨区域产业协作，促进区域流通资源优势互补，缩小地区间产业发展差距。此外，要从各要素本身出发，提高其驱动力的稳健性。比如提高创新转化效率，加速区域间的知识溢出、技术扩散；完善交通枢纽设施的共建共享，加强支线与干线的互联互通，优化运输方式连接路径，弱化基础建设的负向溢出效应；合理分配区域劳动力投入，提升劳动力效率；缩小地区经济贫富差距，建立区域间经济联动机制。

(2)因地制宜，精准驱动。针对不同地区要素驱动效应的异质性，应根据各区域在空间关联中的不同地位和作用以及产业增长板块的不同功能，选择有针对性的区域产业政策，进行定向调控和精准调控，以优化产业发展的空间配置效率、提升区域物流产业发展的空间协同性。要因地制宜地走集约化、错位化的产业发展道路，形成各地区优势互补、产业错位、合理分工、联动发展的产业发展新格局。依托相对优势，提升产业发展水平和综合实力，进一步实现中国物流业的跨越式发展。

(3)动态迭代，多元驱动。不同时期，各地区物流产业驱动力会产生迭代和迁移。因此，要结合各地区产业发展的动力转换机制，实时调整产业驱动策略，以适应不同时点各区位产业发展的独特要求；要实现不同驱动力之间的动态、多元组合，并形成合力，以提升要素驱动效率。同时，应在科技水平、经济发展、基础建设和劳动力等要素驱动的基础上，继续探寻产业发展的新驱动，构建全新的多维度、立体式驱动网络，进一步释放产业活力，推动物流产业持续健康发展。