长三角城市群物流韧性的空间特征演化

金凤花，杨白玫

（上海电机学院商学院，上海 201306）

随着规划的调整，长三角城市群由最初提出时的16个核心城市，至2019年底范围已覆盖江浙沪皖4省市全部区域的城市。近几年，许多学者基于原有的城市范围，对长三角城市群进行了研究。文献［1-3］中主要从长三角的经济发展质量方面，分析城市间的协同发展及一体化机制；赵青霞等［4］关注长三角区域创新一体化、区域创新能力影响因素等方面的分析；王腾飞等［5］基于专利合作数据，结合社会网络分析和二次指派程序方法，分析了长三角地区城市创新关联事实及其隐性壁垒，证明了长三角确实存在城市创新关联现象，呈现逐步深化特征；樊霞等［6］利用协统度模型，分析长三角、珠三角地区区域创新政策的协同特征，长三角的需求型政策与环境型政策表现更为协同，环境型政策措施与政策目标的协同较好；金露露等［7］基于长三角26个城市的面板数据，分析区域一体化对技术推动型、市场拉动型、环境规制型等绿色创新的影响，验证得出区域一体化能促进城市绿色创新水平的结论；Zhang等［8］结合熵值法和回归分析，实证分析了长三角城市群2006—2015年的空间差异以及对可持续发展水平的影响。城市群是中国未来经济格局中最具有活力和潜力的核心地区，近几年关于长三角城市群的研究集中于区域的协同发展、经济一体化、区域间经济联系、区域网络结构、产业集群等方面，力图推动城市经济边界的模糊化。在区域经济一体化的进程中，提高区域经济韧性是实现经济持续、稳定、高质发展目标的基本要求。否则所有的投入在受到外部环境变化的干扰下，将无法实现区域经济发展目标［9］。而区域经济韧性的提高，需要区域物流韧性等关键要素的共同提升。现有文献，有少量学者尝试对区域经济韧性的界定、发展路径等方面进行了研究，物流系统作为城市间实质要素流通的渠道平台，对区域物流韧性的研究还很少涉及。

因此，本文基于区域经济韧性相关理论研究，对区域物流韧性的概念进行界定，并构建区域物流韧性的描述指标体系。以长三角城市群41个地级及以上城市为研究对象，利用因子分析法对各城市2013—2018年物流韧性进行测算，并结合空间自相关分析方法对长三角城市群物流韧性空间特征的演化进行分析。本文的探索有利于提高区域物流韧性，促进长三角城市群优化均衡发展，为促进区域经济一体化提供科学支持。

1 区域物流韧性的界定

经济韧性的理论，常以工程韧性向演化韧性的发展为主线，在阐述概念演变的过程中，引入不同学者对经济韧性的理解。对经济韧性的理解中，“对外部冲击的抵抗能力”“受到冲击后的恢复能力”“对已发生变化的环境的适应能力”等描述经常出现，中心词为抵抗、恢复、适应和更新［10-11］。区域物流是区域经济的子系统，当经济系统受到外部冲击时，区域物流作为区域经济韧性表现中的重要能量源之一，亦需要具备对环境抵抗或者适应的能力。因此，本文界定区域物流韧性为区域物流系统在受到外部经济、自然等环境条件扰动时，表现出来的抵抗能力，或通过系统优化朝更优路径转向的恢复及提升能力。区域物流韧性的发展过程是螺旋循环上升的过程，外部条件的扰动不能完全理解为负面冲击，在适应冲击、寻找更优路径的过程中，区域物流将获得自我能力的综合提升，并作为区域经济韧性的重要助力发挥效用。

对区域经济韧性的细化描述研究中，一些学者认同纽约州立大学区域研究所发布的大都市地区韧性能力指标体系。这个指标体系由区域经济能力、社会人口能力、社区连通力三大维度组成，用于提高对人口迅速增长、经济衰退和自然灾害等冲击的适应能力。齐昕等［12］通过实证分析，验证得出创新因素在经济韧性的空间格局上有显著的影响。因此，本文在描述区域物流韧性时，结合纽约州立大学的研究成果，将创新能力也纳入到指标体系中，创新能力的发展有助于获得持久有力的物流韧性及经济韧性。借鉴区域经济韧性评价的相关研究，结合物流系统的特点、指标可描述性需求等，从物流经济能力、社会人口能力、社区连接能力和创新能力等4方面描述区域物流韧性，具体指标含义如表1所示。在“城市稳定性”方面，养老保险参保人数占总人口比重指标曾纳入指标体系，但在后续的数据统计分析中，数据信息提取比例很低，故将其删除；而之所以在“城市稳定性”方面纳入医疗相关指标，是考虑到突发性公共卫生事件发生及控制过程中，医疗条件对社会稳定性的显著影响。

表1 区域物流韧性描述指标体系

2 区域物流韧性的测算

以长三角城市群41个地级及以上城市为实证分析对象。考虑到安徽省巢湖市行政区域规划的调整，以及其他城市相关物流数据获取限制的原因，时间周期选择2013—2018年。本文借鉴相关年份各省统计年鉴、各城市统计年鉴和《中国城市统计年鉴》等，获得相应指标数据进行分析。

为了用较少的指标代替原来较多的指标，同时能够尽可能多地反映原始数据的信息，更好地揭示区域物流韧性的内在本质，本文引入了因子分析法对区域物流韧性描述指标数据进行分析。将2013—2018年表1对应的数据输入SPSS软件，基于特征值大于1的原则提取公因子，以最大方差法进行因子旋转，得到KMO值为0.841，远大于最低标准0.5；Bartlett球形度检验中的P＜0.001，拒绝单位相关矩阵的原假设，充分表明数据适合做因子分析。

数据解释的总方差相关结果如表2所示。前5个公因子的特征值大于1，其中，后3个公因子方差百分比相近，前5个公因子的累积方差百分比达到76%；而且有21个指标在公因子方差中提取的信息百分比均在0.5以上，大多数接近或超过了0.7，说明这5个公因子能够很好地反映原始指标的大部分信息。

表2 解释的总方差结果

以最大方差法旋转6次迭代后收敛，旋转后的成分矩阵数据如表3所示。公因子F1的载荷中比较突出的是移动电话年末用户数、社会消费品零售总额、执业（助理）医师数、互联网宽带接入用户数和医院床位数。与表1结合分析，可以将F1定义为社区连接能力因子；公因子F2的载荷比较突出的是高校生占比、高校专任教师占比，将F2定义为教育素质因子；公因子F3的载荷比较突出的是公路货运量、公路通车里程、物流从业人员规模，将F3定义为物流资源因子；公因子F4的载荷比较突出的是公路客运量，将F4定义为客运需求因子；公因子F5的载荷比较突出的是物流GDP比重、邮政收入比重，将F5定义为物流经济因子。

表3 旋转后的成分矩阵数据

结合方差百分比和2013—2018年长三角城市群各城市的5个公因子得分数据，测算各城市物流韧性的总得分。在区域物流韧性综合得分占比突出的是F1，网络基础设施、医疗条件等指标是促进物流韧性提升的主要内容。先不考虑各城市F1的起始数值，大部分城市保持持续的上升状态，其余少部分城市尽管存在波动，但2018年均比2013年韧性有所加强。现行的消费主导方式、物流订单的数据传输、物流服务模式的改革创新等，在很大程度上需要凭借网络平台技术的支撑，网络基础设施在F1中的贡献、F1在物流韧性中的重要影响力，共同体现出区域物流韧性的提升需要加强对物流信息平台建设和物流信息技术革新的关注。

以往物流评价相关研究结论中经常重点提出经济相关因素，而本文的结论则有些差异，教育素质因子对区域物流韧性的影响比较明显。但F2的总体表现并不理想，无锡、杭州、蚌埠的F2一直表现为下降状态，大部分城市则在波动中，总趋势还是下降的状态。物流业具有高投入、低产出的特点，与初期粗放型发展模式相关。教育素质作为物流业实现技术效益增加的关键路径基础，在物流战略发展规划中的作用不可替代，且不可估量。

而公因子F3、F4和F5分别作为区域物流发展所需的人力资源、基础设施及投入转化为经济产出的能力，在物流韧性的分析中不再具有物流评价研究中的主角色彩。F3、F4和F5都没有表现出统一的某种演化状态，将2018年结果与2013年结果进行比较，只有无锡、苏州、宁波、舟山、淮南、阜阳、六安、亳州的F3有所提升，南京和镇江的F4有所提升，而F5则有28个城市实现了提升。作为区域物流系统的重要组成要素，物流从业人员规模、公路通车里程等共同作用表现出的结果，并没有在促进物流韧性提升中发挥明显的效用。

从综合得分来看，大部分城市物流韧性保持上升趋势，尽管经历一些波动，2018年较2013年有一定程度韧性强化表现，少部分物流韧性较弱城市的物流韧性则被弱化。上海的物流韧性以绝对的优势一直领先，杭州稳居第2位，苏州和南京则交错位于第3和第4位，合肥始终为第5位。其中，苏州无论是经济发展水平，还是物流韧性方面的数据，表现总是很突出，充分利用了与长三角中心上海的邻近优势。宁波和温州交错位于第6和第7。安徽省中只有合肥列入前10位，41个城市排序中后4位均隶属安徽省。物流韧性的排序与各城市GDP排序有较大差别，这是因为物流韧性并不是单纯地关注物流经济产出，同时需要凭借稳定的城市环境、持续的购买力、高素质的人员基础等，在受到外部环境冲击时，能够迅速恢复而且实现综合能力的进一步优化提升。

3 长三角城市群物流韧性的空间特征

为了结合物流韧性数据刻画长三角城市群物流韧性的空间特征，本文采用全局Moran’sI指数分析长三角城市物流韧性的空间关联程度，采用局部Moran’sI分析局部城市与邻接城市的物流韧性差异程度。本文图片资料来源于中国国家测绘局网站，数据分析建立在ArcGIS和GeoDa平台［13］。

3.1 全局空间自相关

全局Moran’sI指数是在统计量分析中Pearson相关系数基础上形成的，可对区域内的观察值空间分布特征、变化情况进行衡量［14］。

式中：I为全局莫兰指数，取值在［-1，1］之间，1表示高度正相关，-1表示高度负相关，0表示没有相关性，I＞0表示单元在空间内呈现聚集分布，I＜0则表示单元在空间呈现离散分布；i、j为单元编号，W ij为空间连接矩阵，如果单元i和j相邻则Wij取值为1，如果不相邻则Wij取值为0［15］；Xi、X j分别为研究单元i和j的观测值；-X为所有单元观测值的均值。

利用ArcGIS和GeoDa软件对41个城市各年份物流韧性值进行全局空间自相关分析，并且仅以物流韧性值为唯一的属性值。本文基于P=0.05，对全局空间自相关计算得出的Z值进行显著性检验，具体如表4所示。

表4 2013—2018年长三角城市群全局空间自相关数据

基于相关研究中P值与Z值的对应关系表，表4数据表明长三角城市群2013—2018年数据均通过检验，物流韧性具有一定的空间自相关性，即物流韧性高的城市与物流韧性高的城市相邻，物流韧性低的城市与物流韧性低的城市相邻，长三角城市群城市在空间上表现出明显的相似值聚集特征。但Moran’sI＜0.1，说明物流韧性空间关联性稍微弱些；2018年的Moran’sI比2013年有所降低，即聚集态势有所缓解。与处于快速发展初期的城市群有所不同，长三角城市群核心城市的抱团模式有所分解，几个核心城市的极化能量在波动中有所弱化。

3.2 局部空间自相关

全局空间自相关分析过程，忽略了空间过程存在的潜在不稳定问题，故需要进一步分析长三角城市群的局部集聚性。局部空间自相关的分析，可以结合Moran散点分布或LISA集聚图等，将局部空间格局的差异与关联规律进行可视化。局部Moran’sI具体公式为［16］

利用GeoDa软件对物流韧性进行局部空间自相关分析，生成聚类分布如图1所示。

图1 2013—2018年长三角城市群物流韧性局部空间自相关分布图

续图1 2013—2018年长三角城市群物流韧性局部空间自相关分布图

2013—2018年长三角城市群物流韧性分为不显著、高-高、高-低和低-高等类型。图1中，空间格局基本稳定。以2018年为例，通过相关性显著性检验的城市主要有11个城市，包括南通、苏州、无锡、上海、宁波、绍兴、台州、泰州、湖州、嘉兴和舟山，其中高-高类型有7个，低-高类型有4个，其余30个城市相关性不显著，高-高类型和低-高类型城市连片分布在长三角城市群东部。这些城市均属于2010年5月国务院正式批准实施《长江三角洲地区区域规划》中的核心城市，其中上海是长三角地区的中心城市，发挥了增长极作用，而宁波、苏州、常州为推进2016年《长江三角洲城市群发展规划》提出的“苏锡常都市圈”“宁波都市圈”的同城化发展发挥了作用，南京、杭州、合肥则还未能实现显著的集聚特征。

4 结 论

本文在界定区域物流韧性定义的基础上，从物流经济能力、社会人口能力、社区连接能力和创新能力等方面构建描述指标体系，利用因子分析法对2013—2018年长三角城市群各城市物流韧性进行实证测算，并利用ArcGIS和GeoDa对长三角城市群物流韧性进行空间自相关分析，得出如下结论。

（1）长三角城市群物流韧性整体表现出不断提高的趋势，东部与西部布局一直不够均衡。区域物流韧性是融合经济优化发展、人力资源素质提升、城市环境稳定、创新融入等多方面因素共同实现的综合效应，经济因素是区域物流韧性的组成部分，长三角城市群物流韧性总体形成以上海为区域中心的“一主多副”结构，这个结论与其他学者对长三角空间结构相关研究的结论类似；而且东部城市整体物流韧性比西部城市高，高值城市多为原长三角核心城市，一定程度说明政策引导作用有效、有力，对经济发展有很好的推动力。

（2）行政界线对区域经济一体化存在一定影响。后纳入长三角城市群的安徽省，物流韧性整体表现与其他省份有差别。结合因子分析中“网络基础设施”、“科技创新产出”有利于提高物流韧性的结论，可以考虑从加强交通设施一体化建设、完善网络设施等方面，以创新为城市关联动力，促进区域间要素渠道畅通；同时，各市在物流系统规划、物流设施建设、物流资源投入等方面，应以全局网络角度提高资源使用效率，提高区域要素的流动与合理配置，加强物流系统组成要素在提升物流韧性中的效用，加强城市之间的联系，弱化行政界限带来的影响，助力区域经济一体化发展。

（3）从全局空间自相关结果来看，长三角城市群物流韧性表现出聚集特征。Moran’sI指数逐年减弱，说明长三角城市群物流韧性的极化能量有向外扩散的趋势，但大多数城市仍与物流韧性数值相近的城市邻接，在各省内城市及与上海邻接的城市表现较为明显。

（4）从局部空间自相关结果来看，部分都市圈核心城市的核心作用需要加强。通过检验的城市主要分布在长三角东部地区，未通过检验的城市表明物流韧性在空间上分布具有一定的随机性。2019年底中共中央、国务院印发《长江三角洲区域一体化发展规划纲要》中提出，“加快南京、杭州、合肥、苏锡常、宁波都市圈建设，提升都市圈同城化水平”。其中苏锡常和宁波都市圈的核心城市位于高-高类型区域，即扩散型区域，核心城市能够很好地发挥其核心作用。而南京、杭州和合肥，尽管自身物流韧性在长三角城市群中排序靠前，但在自身所处的都市圈中空间关联较弱，在加强核心城市的物流韧性的同时，应提升核心城市的带动作用；另外，对于低-高类型的城市，即沉陷型城市，应充分利用与高值城市邻接的机遇，接受辐射所带来的机遇与挑战，并加强与其他都市圈的联动合作。