唐建荣;张鑫和;类延波;

• 1:江南大学商学院

摘要(Abstract)：

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、探索性数据等方法研究物流产业演化规律,最终构建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、地区各驱动要素的波动方向和强度并不相同,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也存在不同。

关键词(KeyWords)： 物流产业;驱动因素;GTWR模型;异质性

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目“小样本非等距灰色预测模型建模及其应用研究”(71301061);; 江苏省研究生培养创新工程项目“基于可拓物元模型的我国物流产业成熟度评价”(SJZZ16_0213)

作者(Authors): 唐建荣;张鑫和;类延波;

DOI: 10.19337/j.cnki.34-1093/f.2019.01.001

参考文献(References)：

• 蔡海亚,徐盈之.2016.长江三角洲物流产业发展格局及影响机理研究:基于空间经济学的视角[J].华东经济管理(10):15-23.
• 陈恒,魏修建,杜勤.2015.“一带一路”物流业发展驱动因素的动态轨迹演变:基于劳动力投入的视角[J].上海财经大学学报(2):31-43.
• 韩兆洲,林仲源.2017.我国最低工资增长机制时空非平稳性测度研究[J].统计研究(6):38-51.
• 刘华军,何礼伟.2016.中国省际经济增长的空间关联网络结构:基于非线性Granger因果检验方法的再考察[J].财经研究(2):97-107.
• 李沙浪,雷明.2014.基于TOPSIS的省级低碳经济发展评价及其空间面板计量分析[J].中国管理科学(Special Issue):741-748.
• 吕光桦,宋文飞,李国平,等.2011.考虑空间相关性的我国区域研发全要素生产率测算:基于1999-2008年省际空间面板数据[J].科学学与科学技术管理(4):105-110,133.
• 马勇,黄智洵.2017.基于GWR模型的长江中游城市群传统村落空间格局及可达性探究[J].人文地理(4):78-85.
• 齐亚伟,陶长琪.2014.环境约束下要素集聚对区域创新能力的影响:基于GWR模型的实证分析[J].科研管理(9):17-24.
• 唐建荣,徐媛媛,李晓静.2015.基于SEM的城市物流驱动因素分析及对策研究:以江苏省为例[J].华东经济管理(8):39-46.
• 唐建荣,张鑫和.2017.物流业发展的时空演化、驱动因素及溢出效应研究:基于中国省域面板数据的空间计量分析[J].财贸研究(5):11-21.
• 王爱,陆林,包善驹,等.2017.基于GWR模型的合肥居住地价影响因素研究[J].人文地理(5):89-97.
• 王健,刘荷.2014.区域物流发展的影响因素研究:基于福建省的实证分析[J].华东经济管理(3):22-27.
• 魏修建,陈恒.2014.物流发展驱动要素对经济增长贡献度的区域差异性研究:基于丝绸之路经济带西北地区面板数据模型的实证分析[J].上海经济研究(6):14-22.
• 邬跃,梁晨,温卫娟.2007.外资进入中国物流业的影响[J].中国流通经济(5):18-20.
• 向书坚,许芳.2016.中国的城镇化和城乡收入差距[J].统计研究(4):64-70.
• 谢守红,蔡海亚.2015.长江三角洲物流业发展的时空演变及影响因素[J].世界地理研究(3):118-125.
• 姚娟,庄玉良.2012.外商直接投资对我国地区物流发展水平的影响研究[J].世界经济研究(7):60-66.
• 姚昕,潘是英,孙传旺.2017.城市规模、空间集聚与电力强度[J].经济研究(11):165-177.
• 张学良.2012.中国交通基础设施促进了区域经济增长吗:兼论交通基础设施的空间溢出效应[J].中国社会科学(3):60-77.
• BAI Y,WU L X,QIN K,et al.2016.A geographically and temporally weighted regression model for ground-level PM2.5 estimation from satellite-derived 500m resolution AOD[J].Remote Sensing,8(3):262.
• BRUNSDON C,AITKIN M,FOTHERINGHAM S,et al.1999.A comparison of random coefficient modelling and geographically weighted regression for spatially non-stationary regression problems[J].Geographical&Environmental Modelling,3(1):47-62.
• CHU H J,HUANG B,LIN C Y.2015.Modeling the spatio-temporal heterogeneity in the PM10-PM2.5 relationship[J].Atmospheric Environment,102:176-182.
• CLEVELAND W S,DEVLIN S J.1988.Locally weighted regression:an approach to regression analysis by local fitting[J].Journal of the American Statistical Association,83(403):596-610.
• DINIZ-FILHO J A,SOARES T N,DE CAMPOS TELLES M P.2016.Geographically weighted regression as a generalized wombling to detect barriers to gene flow[J].Genetica,144(4):1-9.
• FOTHERINGHAM A S,CHARLTON M,BRUNSDON C.1996.The geography of parameter space:an investigation of spatial non-stationarity[J].International Journal of Geographical Information Systems,10(5):605-627.
• FOTHERINGHAM A S,CRESPO R,YAO J.2015.Geographical and temporal weighted regression(GTWR)[J].Geographical Analysis,47(4):431-452.
• GUO Y,TANG Q,GONG D Y,et al.2017.Estimating ground-level PM2.5 concentrations in Beijing using a satellite-based geographically and temporally weighted regression model[J].Remote Sensing of Environment,198:140-149.
• HWANG C L,YOON K.1981.Multiple attribute decision making[M].Heidelberg:Springer.
• LIU J,ZHAO Y,YANG Y,et al.2017.A mixed geographically and temporally weighted regression:exploring spatial-temporal variations from global and local perspectives[J].Entropy,19(2):53.
• PESSOA A.2010.R&D and economic growth:how strong is the link[J].Economics Letters,107(2):152-154.
• RODRIGUEZ-POSE A.1999.Innovation prone and innovation averse societies:economic performance in Europe[J].Growth and Change,30(1):75-105.
• SILVERMAN B W.1986.Density estimation for statistics and data analysis[M].London:Chapman&Hall.
• TOBLER W R.1970.A computer movie simulating urban growth in the detroit region[J].Economic Geography,46(S1):234-240.
• WU B,LI R,HUANG B.2014.A geographically and temporally weighted autoregressive model with application to housing prices[J].International Journal of Geographical Information systems,28(5):1186-1204.
• (1)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。
• (1)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。
• (1)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。
• (1)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。
• (2)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。
• (1)创新悖论指创新不一定能有效地转化为增长(Pessoa et al.,2010)。
• (2)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)。