Transport Research >

2024 , Vol. 10 >Issue 4: 125 - 136

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.04.012

Modernization of Governance System

Provincial Transportation Logistics Development Level Evaluation in Yangtze River Delta Based on Multi-Level Dynamic Evaluation Model

  • LANG Kun ,
  • NIU Chunhui 1 ,
  • ZENG Suyu 1 ,
  • LI Yinghua , 2, *
Expand
  • 1 School of Maritime Economics and Management of Dalian Maritime University, Dalian 116026, China
  • 2 China Academy of Transportation Sciences, Beijing 100029, China

Received date: 2024-08-06

  Online published: 2024-10-15

Fold

Abstract

To promote the high-quality development of provincial transportation logistics in Yangtze River Delta, a method was proposed to evaluate the dynamic development level of the transportation logistics objectively. Firstly, based on the national strategy of sustainable development and the "carbon peaking and carbon neutrality" goal orientation, in order to promote the green and sustainable development of transportation logistics, 22 indicators were selected from the perspectives of transportation logistics development strength and development potential to construct an evaluation index system. Then, considering that the regional transportation logistics development level has dynamic evolution characteristics, aiming at the dynamic system engineering problem of transportation logistics development, a multi-level dynamic evaluation model that could effectively capture the time series data information was proposed. It could realize the scientific evaluation of the development level of transportation logistics, the analysis of the overall regional development trend, the development trend of provinces, and the differences of development level among provinces, as well as the prediction of the future development trend and the analysis of its dynamic evolution rules. In order to capture the dynamic evolution characteristics of transportation logistics development level effectively, the nonlinear programming method and the idea of maximizing the total squared deviation were used to quantify the differences in the importance of data at different times and the differences in the importance of different factors, respectively, to improve the objectivity and scientific validity of the evaluation results. And the comprehensive evaluation value of the transportation logistics development level of each province was determined by processing the data from bottom to top. Then, the Gini coefficient was applied to analyze the difference of logistics development level among provinces and the Markov Chain was used to predict the dynamic evolution trend of transportation logistics development level in each province. Finally, based on the statistical data of the transportation logistics development status of four provinces in Yangtze River Delta from 2018 to 2022, the case study was conducted. The results show that improving the green development potential is of great importance to the improvement of the transportation logistics development level. The transportation logistics development level in this region is generally on the rise. In the dynamic evolution process, the difference in development level between provinces shows an expanding trend. In conclusion, in order to improve the development quality of transportation logistics in Yangtze River Delta, it is necessary to accelerate the green transformation of provincial transportation logistics, and make comprehensive and coordinated development plans from a global perspective to achieve balanced and coordinated development among provinces in the region.

Key words： dynamic evaluation; transportation logistics development level; time series; Dagum Gini coefficient; Markov chain

Cite this article

LANG Kun , NIU Chunhui , ZENG Suyu , LI Yinghua . Provincial Transportation Logistics Development Level Evaluation in Yangtze River Delta Based on Multi-Level Dynamic Evaluation Model[J]. Transport Research, 2024 , 10(4) : 125 -136 . DOI: 10.16503/j.cnki.2095-9931.2024.04.012

0 引言

物流业是支撑我国国民经济发展的重要产业，而交通运输是物流业发展的主力军，因此，交通物流的高质量发展对于推动我国经济高质量发展具有至关重要的作用。长三角地区是我国经济发展最活跃的区域之一，也是全球重要的先进制造业基地，但目前该地区的交通物流发展仍面临诸多挑战，如交通拥挤、运输网络不完善、环保压力、人才短缺和安全问题等。因此，有必要对长三角地区交通物流发展水平进行科学有效的评价和预测，为交通运输部门因地制宜采取有效措施激发长三角物流发展活力、优化资源配置提供决策依据。
目前围绕物流业发展状况的评价问题，学者们主要从物流发展水平和物流效率两方面开展了相关研究。一是对物流发展水平的研究。杨扬等[1]从基础设施、经济规模、发展潜力、地理优势、营商环境、物流效率等6个准则层出发，选取18个二级指标构建评价指标体系，基于熵权-云评价模型对“一带一路”沿线省份的国际冷链物流发展水平进行评价，结果表明，71%的省份国际冷链物流发展水平总体处于中上水平。张宝友等[2]从“创新、协调、绿色、开放、共享”5个维度构建中国物流业发展综合评价指标体系，对2005—2021年中国物流业发展水平进行了研究，结果表明，中国物流业高质量发展水平呈缓慢上升趋势。Zeng等[3]从港口基础设施、国际物流能力、智能物流能力等方面构建了港口物流评价指标体系，并提出了一种基于熵和复杂比例评价(COPRAS)的综合评价方法，对宁波—舟山港物流水平进行了综合评价和纵向比较分析，研究发现，近年来该港口的发展水平较高，但受到智能物流能力的严重制约，未来应致力于提高其物流的智能化水平。赵洁琼[4]以陕西省的物流业发展水平为研究对象，从发展质量、发展效率、发展动力和发展贡献等4个方面构建了物流业高质量发展综合评价指标体系，采用因子分析法对陕西省2016—2021年的物流发展水平进行了综合评价及排名，对陕西省的物流业发展具有参考意义。二是对物流效率的研究。Wang等[5]构建低碳物流评价指标体系，运用回归分析的方法对2010—2019年武汉市物流综合效率进行了评价，并提出针对性的政策建议。Deng等[6]提出了一种基于主成分分析和数据包络分析的方法，对2016年中国各省份的物流绩效进行了测算和分析，从宏观角度比较了中国物流效率的地区差异，并运用tobit方法探讨了影响物流业效率的驱动因素，结果表明：我国物流效率存在较大的区域差异，呈现由东向西逐渐下降的趋势；规模效率低是制约物流发展的重要原因。
现有研究为衡量物流业发展情况、考察其空间非均衡性及分布演化趋势奠定了良好的基础，但仍存在以下局限性。第一，交通物流发展水平评价指标不够全面。绿色交通物流指标有助于评估交通物流系统的可持续性，推动交通物流向更加可持续的发展方向前进，符合新发展理念。在“双碳”目标指引下，发展新能源汽车是推动交通物流绿色发展的重要战略举措。但目前学术界关于考虑绿色发展的交通物流发展水平测度研究大多聚焦于如何有效利用资源和提高环境质量等方面，而对于交通物流绿色化发展潜力等方面的考虑不多。基于此，本文将通过引入新能源物流车增长情况以刻画交通物流绿色化发展潜力对于交通物流发展水平的影响程度。第二，相关的评价方法大多缺乏动态性，且基于当前交通物流发展水平预测其未来演进趋势的研究较少。目前学者们主要基于截面数据对交通物流水平进行静态评价，仅能测度某一年份多属性评价对象之间的差异或某一城市连续几年的排名情况。而交通物流的发展是一项动态的系统工程问题，仅以单一年份数据来衡量其交通物流发展水平难免有失偏颇，且无法揭示地区交通物流水平随时间的动态演化规律。为了解决以上问题，本文首先基于国家的可持续发展战略和“双碳”目标导向，从交通物流发展实力与发展潜力两方面选取指标构建评价指标体系；然后，考虑到区域交通物流发展水平具有动态演化特征，针对交通物流发展这一动态的系统工程问题，提出一种能有效捕捉时序数据信息的多层次动态评价模型。具体而言，为科学地量化不同时期数据的重要性差异，采用非线性规划法对时间序列数据进行赋权；为客观地量化不同因素在交通物流发展水平评价中的重要性差异，基于最大化总离差平方和的思想逐层确定各指标因素的权重，进而自下而上地逐层计算各省交通物流发展水平的综合评价值；并利用基尼系数对各省交通物流发展水平的差异进行分析，利用Markov链实现对区域交通物流发展水平动态演进趋势的预测和分析；最后，以2018—2022年长三角地区4个省级行政区的交通物流时序数据为例进行实例分析和模型验证。

1 模型构建

1.1 指标体系构建

为了更加科学客观地评价长三角地区省域交通物流发展水平，首要任务是构建一套科学合理的评价指标体系。交通物流发展实力可直接反映某地区在物流资源配置、运营效率、服务质量及技术创新等方面的能力。由于区域交通物流发展水平具有动态演化特征，因此还需要考虑到该地区未来的发展潜力。交通物流发展潜力直接关系到该地区未来交通物流系统的发展空间，进而影响该地区交通物流水平的动态演进趋势。因此，有必要同时从交通物流发展实力和交通物流发展潜力两个方面，综合考虑影响省域交通物流发展水平的因素，根据科学性、可比性、可操作性和综合性等指标选取原则，在已有研究的基础上[7⇓-9]，科学合理地选取评价指标，构建一套既能够衡量长三角地区省域交通物流现实发展水平，又能够衡量其未来动态演进趋势的综合评价指标体系。
针对长三角地区交通物流的特点，在交通物流发展实力方面，选取了交通物流国际化水平、交通物流经济水平、交通物流设备水平、交通物流设施网络水平、交通物流运输信息化水平、交通物流运输服务水平、交通物流集约化水平等7个一级指标，以及进出口总额、物流业增加值、第一产业增加值、第二产业增加值、第三产业增加值、公路汽车数量、万吨级码头泊位数占比、等级公路占比、铁路网密度、物流企业信息化程度、交通物流从业人员数量、货运量密度、集约化交通方式运输周转量占比等13个二级指标；在交通物流发展潜力方面，选取了交通物流信息化发展潜力、交通物流市场增长潜力、交通物流服务货量增长潜力、交通物流绿色化发展潜力、交通物流设施扩容潜力等5个一级指标，以及有电子商务交易活动的企业占比增长情况、交通运输、仓储和邮政业固定资产投资增长情况、物流业从业人员平均工资、限额以上批发业法人企业增长情况、快递业务量增长情况、货运周转量增长情况、货运量增长情况、新能源物流车增长情况、交通网络密度增长率等9个二级指标。特别地，在可持续发展战略和“双碳”目标背景下，为推动交通物流的绿色可持续发展，本研究重点关注交通物流绿色化发展潜力等“绿色”因素对交通物流发展水平的影响并采用“新能源物流车增长情况”这一指标对其进行量化描述。综上所述，本文构建了一套长三角地区省域交通物流发展水平综合评价指标体系，其中最底层为二级指标，顶层为目标层，如表1所示。
表1 长三角地区省域交通物流发展水平综合评价指标体系
目标层 准则层 一级指标 二级指标 指标度量
交通
物流
发展
水平		 交通
物流
发展
实力		 交通物流国际化水平 进出口总额 （亿元）
交通物流经济水平 物流业增加值 （亿元）
第一产业增加值 （亿元）
第二产业增加值 （亿元）
第三产业增加值 （亿元）
交通物流设备水平 公路汽车数量 公路营运载货汽车拥有量（万辆）
交通物流设施网络水平 万吨级码头泊位数占比 区域万吨级码头泊位数/区域码头泊位数
等级公路占比 区域等级公路里程/区域公路总里程
铁路网密度 区域线路总长度/区域面积
交通物流运输信息化水平 物流企业信息化程度 有电子商务网站的企业数占比(%)
交通物流运输服务水平 交通物流从业人员数量 交通运输、仓储和邮政业就业人员数（人）
货运量密度 区域货运量/区域面积
交通物流集约化水平 集约化交通方式运输周转量占比 铁路和水路货运周转量/总的货运周转量
交通
物流
发展
潜力		 交通物流信息化发展潜力 有电子商务交易活动的企业占比增长情况 有电子商务交易活动的企业数比重增长率（%）
交通物流市场增长潜力 交通运输、仓储和邮政业固定资产
投资增长情况		 交通运输、仓储和邮政业固定资产投资增长
速度（%）
物流业从业人员平均工资 （万元）
限额以上批发业法人企业增长情况 批发业法人企业单位数年均增长率（%）
交通物流服务货量
增长潜力		 快递业务量增长情况 货运量年均增长率（%）
货运周转量增长情况 货物周转量年均增长率（%）
货运量增长情况 快递业务量年均增长率（%）
交通物流绿色化发展潜力 新能源物流车增长情况 新能源物流车年均增长率（%）
交通物流设施扩容潜力 交通网络密度增长情况 交通网络密度增长率（%）
（其中，交通网络密度=(公路里程+铁路里程+
内河航道里程)/行政区域面积（公里/平方公里））

1.2 基于多层次动态评价模型的交通物流发展水平综合评价

交通物流发展水平评价问题具有多层次、多指标和多维度的特点，其观测数据是由时间、指标和评价对象组成的三维数据，此类由时序立体数据表支持的综合评价问题，称为动态综合评价问题[10]。考虑到区域交通物流发展水平具有动态演化特征，针对交通物流发展这一动态的系统工程问题，本节构建了一种能有效捕捉时序数据信息的多层次动态评价模型，以期实现对区域交通物流发展水平的科学评价。首先，考虑到时间因素对数据的影响，即通常近期数据的重要性远高于远期数据，采用对数据赋予时间序列权重的方式以衡量不同时期数据的重要性。接着，由于不同的指标因素在交通物流发展水平评价中的重要程度不同，故基于最大化总离差平方和的思想对不同指标的重要性差异进行量化。最后，自下向上逐层计算，直至求出目标层交通物流发展水平的测度值。

1.2.1 数据预处理

为了深入分析评价对象在时间序列上的动态变化，将评价对象在各个评价指标上的观测数据按时间顺序进行排列，形成时间序列立体数据集。同时，为了消除原始数据的量纲差异，本文采用最小-最大标准化法进行数据的无量纲化处理，计算公式如下：
x i j * = x i j - m i n { x 1 j ,   x 2 j , ⋯ ,   x n j } m a x { x 1 j ,   x 2 j , ⋯ ,   x n j } - m i n { x 1 j ,   x 2 j , ⋯ ,   x n j }
式（1）中： x i j为观测值（i=1, 2,…, n; j=1, 2,…, m）；n为观测值个数；m为指标个数。

1.2.2 对时间序列数据进行加权

在动态评价问题中，不同时期数据的重要性存在差异，因而在做评价时，给予的重视程度也应不同。因此，本文考虑时间因素对数据的影响，通过对时序数据进行加权以体现对不同时期数据的重视程度差异。“熵值”非线性规划法为时间序列权重的求解提供了一种科学方法，其核心思想是引入时间度刻画对不同时期数据的重视程度，同时基于信息熵原理兼顾各评价指标的重要性，使权重之间的差异最小。该方法客观性较高，避免了人为主观判断带来的偏差，在确定权重方面具有显著优越性，适用于解决本文问题。因此，本文基于该方法对省域物流发展水平数据的时间序列权重进行计算。具体计算公式如下：
m a x - ∑ k = 1 K w t k l n w t k
s . t . λ = ∑ k = 1 K K - k K - 1 ⋅ w t k ∑ k = 1 K w t k = 1 w t k ∈ [ 0,1 ]           k = 1 ,   2 , ⋯ ,   K
式（2）~式（3）中：K为考察年数； w t k为第k年的时间序列权重；时间度 λ ∈ [ 0 ,   1 ]，其标度参考表2。
表2 时间度λ的标度参考表
λ的取值 重要程度
0.1 非常重视近期数据
0.3 较重视近期数据
0.5 对各时期数据同样重视
0.7 较重视远期数据
0.9 非常重视远期数据
0.2, 0.4, 0.6, 0.8 对应以上各相邻判断的中间情况
根据研究的实际情况，选取合适的时间度 λ，计算不同时间段的时间序列权重，并对观测数据进行时间序列权重赋权处理。对于本文讨论的问题，近期数据更具有价值，然而， λ的取值过小会过分强调近期数据而削弱了数据的历史表现，因此本文中 λ取值为0.35。

1.2.3 综合评价值计算

针对交通物流发展水平评价问题，本文构建时序立体数据表，并在第1.2.2小节中考虑到不同时期数据的重要性差异，对数据进行了赋权处理。此外，在多层次评价指标体系中，各层次指标存在包含关系，且各层各指标的重要程度不同，需要对各指标的重要性差异进行量化。基于此特点，本文提出一种综合评价值计算方法，对数据进行自下而上的逐层加工处理，最终对交通物流发展水平的评价值进行计算，具体流程如下。
第一步：计算指标权重。
为了更加科学客观地评价长三角地区省域交通物流发展水平，需要考虑不同的指标因素在交通物流发展水平评价中的重要程度存在差异性，因此，需要对不同的指标因素进行赋权。最大化总离差平方和可以更好地体现各评价对象的差异，因此本文使用该方法确定各指标的权重，具体计算公式如下：
σ 2 = ∑ k = 1 K ∑ n = 1 N [ y ( n ) ( t k ) - y _ ] 2
式（4）中： y ( n ) ( t k )为评价体系中某一层第 n个指标在 t k时刻评价值；n=1, 2, …, N, N为该层指标个数；k=1, 2, …, K, K表示时间序列的时间标签。由于数据已经过标准化处理，正负偏差的平均值为0，因此均值 y ¯值为0，所以离差平方和 σ 2又可以表示为：
σ 2 = ∑ k = 1 K ∑ r = 1 N [ y ( r ) ( t k ) - y _ ] 2 = ∑ k = 1 K ∑ r = 1 N [ y ( r ) ( t k ) ] 2 = ∑ k = 1 K [ w i w d T · H k · w i w d ] = w i d T ∑ k = 1 K [ H k · w i w d ] = w i d T · H · w i d
式（5）中： i表示第 i层， i = 1 ,   2 , ⋯ ,   I； i d 为第 i层的指标权重， i d = ( w i d 1 , w i d 2 , ⋯ , w i d n ) T； H k = A k T A k。由于权重和为1，因此限定 w d T w d = 1，将权重求解问题转化成求解下列非线性规划问题：
m a x w i d T H w i d
s . t . i w d = 1 i w d n 0
当 i d 取矩阵H的最大特征值 λ m a x ( H )所对应的特征向量时， σ 2取最大值。此时差异化效果最好。
第二步：计算指标综合评价值。
对于一个包含 I个层的评价体系，其第 i层指标的综合评价值计算方法如下：
当 i = I时，第 i层指标的综合评价值可由该层各指标的观测值加权算得：
y i i w d ( t k ) = w i d · x i ( t k )
当 i I时，将第i+1层指标的综合评价值求和作为第i层各指标的评价值：
y i n ( t k ) = ∑ j = 1 m y i i + 1 w d ( t k )
其中，m为第i层第n个指标对应第i+1层指标的数量。
根据第一步公式计算第i层指标的指标权重 i d，因此第 i层指标的综合评价值为：
i i w d ( t k ) = w i d · y i ( t k )
重复第一步和第二步，不断迭代求解，直至求出目标层综合评价值。

1.3 基于Dagum基尼系数的省域物流发展水平差异分析

区域差异分析能够量化区域之间的差异程度，揭示不同区域发展的不平衡性，为政策制定者在优化资源分配、实施精准干预措施和促进区域协调发展方面提供参考依据。相比于传统的区域差异测度方法，如T检验或方差分析，Dagum基尼系数适应性强，能够全面、系统地揭示区域差异的来源和特征[11-12]。这种综合性使得Dagum基尼系数在测度区域差异方面具有显著的优势。因此，本文采用Dagum基尼系数法对长三角地区4个省级行政区的交通物流发展水平进行差异分析。
交通物流发展水平的Dagum基尼系数及其分解公式如下：
D a g u m = ∑ j = 1 k ∑ h = 1 k ∑ i = 1 n j ∑ r = 1 n h y j i - y h r 2 n 2 Y _
式（11）中：Dagum为整体基尼系数； Y _为不同地区所有评价对象交通物流发展水平的均值；n为评价对象的数量；k为区域数； y j i ,   y h r为 j ( h )地区内任意评价对象的交通物流水平的评价值； n j ,   n h为 j ( h )区域内评价对象的数量。
Dagum基尼系数的分解公式如下：
D a g u m = G ω + G n b + G t
G j j = 1 2 Y j ¯ ∑ i = 1 n j ∑ r = 1 n j y j i - y j r n j 2 G ω = ∑ j = 1 k G j j p j s j
G j h = ∑ i = 1 n j ∑ r = 1 n h y j i - y h r n j n h ( Y j ¯ + Y h ¯ ) G n b = ∑ j = 2 k ∑ h = 1 j - 1 G j h ( p j s h + p h s j ) D j h
G t = ∑ j - 2 k ∑ h - 1 j - 1 G j h ( p j s h + p h s j ) ( 1 - D j h )
式（12）~式（15）中： G ω为j地区内的差异贡献度； G n b为j地区和h地区间超变净值差距的贡献度； G t为j地区和h地区间超变密度的贡献度； G j j为j地区的基尼系数； G j h为j地区和h地区间的基尼系数； p j = n j / n； s j = n j Y j ¯ / n Y _；j=1, 2,…, k； D j h为j地区和h地区之间交通物流发展水平的相对影响程度，其计算公式如下：
D j h = d j h - p j h d j h + p j h
对于连续的密度分布函数 F j ( y )和 F h ( y )， d j h与 p j h的计算公式如下：
d j h = ∫ 0 ∞ d F j ( y ) ∫ 0 y ( y - x ) d F h ( x ) p j h = ∫ 0 ∞ d F h ( y ) ∫ 0 y ( y - x ) d F j ( x )
式（17）中， d j h为j地区和h地区之间交通物流水平评价值的差值，表示j地区和h地区中所有 y j i - y h r 0的样本值总和的加权平均； p j h为超变一阶矩，表示j地区和h地区中所有 y h r - y j i 0的样本值总和的加权平均。

1.4 基于Markov链的省域物流发展水平动态演化分析

预测交通物流发展水平的未来趋势能够为政策制定和资源配置提供更为合理的建议，是实现高效管理的重要手段。Markov链是一种具有马尔可夫性质的随机过程，适用于系统短期预测，能够有效地计算状态转移概率[13⇓-15]。因此，针对传统的评价方法在预测未来发展水平演进趋势方面存在的不足，本文利用Markov链研究交通物流发展水平的动态演化规律，对区域交通物流发展水平动态演进趋势进行预测和分析。首先根据四分位分类法将长三角地区的物流发展水平分为4个等级，然后基于Markov链测算长三角地区物流发展水平的转移概率，转移概率的计算公式如下：
p i ,   j t ,   t + 1 = ∑ t = T 0 T - 1 n i ,   j t ,   t + 1 ∑ t = T 0 T - 1 n i t ,   t + 1 i = 1 ,   2 ,   3 ,   4 ; j = 1 ,   2 ,   3 ,   4 ; t = T 0 , ⋯ ,   T - 1
式（18）中： n i ,   j t ,   t + 1为物流发展水平由第t年第i等级变化到第t+1年第j等级的省份个数； n i t ,   t + 1为交通物流发展水平在第t年属于第i等级的省份个数。

2 实例分析

本文基于长三角地区的4个省级行政区（浙江、安徽、上海和江苏）2018—2022年的交通物流数据，计算各省份在各年份的物流发展水平指数。所有数据均来自各省份统计年鉴和Wind数据库。

2.1 交通物流发展水平评价

以2022年作为观察年，旨在测度长三角地区2018—2022年的交通物流发展水平，属于短期动态评价研究，因此根据时间度的通用标度参考表，将时间度 λ设定为0.35，表示“较重视近期数据”，运用本文第1.2.2小节中所述方法计算得到时间序列权重，如表3所示。
表3 交通物流发展水平时间序列权重
年份 2018 2019 2020 2021 2022
时间序列
权重		 0.097 281 0.132 995 0.181 744 0.248 404 0.339 576
接着，基于本文1.2节所述的指标权重确定方法，通过非线性规划法逐层计算二级指标权重、一级指标权重和准则层权重，计算结果如表4所示。
表4 交通物流发展水平评价指标权重
目标层 准则层 准则层权重 一级指标 一级指标
权重		 二级指标 二级指标权重
交通
物流
发展
水平		 交通
物流
发展
实力		 0.590 488 交通物流国际化水平 0.141 878 进出口总额 1.000 000
交通物流经济水平 0.119 695 物流业增加值 0.257 118
第一产业增加值 0.256 761
第二产业增加值 0.229 605
第三产业增加值 0.256 516
交通物流设备水平 0.129 323 公路汽车数量 1.000 000
交通物流设施网络水平 0.149 340 万吨级码头泊位数占比 0.263 548
等级公路占比 0.449 294
铁路网密度 0.287 158
交通物流运输信息化水平 0.160 492 物流企业信息化程度 1.000 000
交通物流运输服务水平 0.145 825 交通物流从业人员数量 0.523 836
货运量密度 0.476 164
交通物流集约化水平 0.153 447 集约化交通方式运输周转量占比 1.000 000
交通
物流
发展
潜力		 0.409 512 交通物流信息化发展潜力 0.115 674 有电子商务交易活动的企业数比重增长情况 1.000 000
交通物流市场增长潜力 0.278 064 交通运输、仓储和邮政业固定资产投资增长情况 0.336 242
物流业从业人员平均工资 0.231 947
限额以上批发业法人企业增长情况 0.431 811
交通物流服务货量增长潜力 0.179 983 快递业务量增长情况 0.312 325
货运周转量增长情况 0.352 481
货运量增长情况 0.335 194
交通物流绿色化发展潜力 0.302 529 新能源物流车增长情况 1.000 000
交通物流设施扩容潜力 0.123 750 交通网络密度增长率 1.000 000
由表4可知，在准则层中，“交通物流发展实力”对交通物流发展水平的重要性略高于“交通物流发展潜力”。此外，在“交通物流发展实力”的一级指标中，各项指标权重差异较小，这表明在评估交通物流领域的综合实力时，各方面的重要性相当，这种均衡反映了交通物流系统内部各组成部分的协调性和平衡性。
在“交通物流发展潜力”的一级指标中，“交通物流绿色化发展潜力”以30.25%的权重位居第一，凸显了绿色可持续发展在未来交通物流发展中的重要性；“交通物流市场增长潜力”权重为27.81%，表明了市场需求的增大对物流行业的发展具有推动作用。
结合表4的指标权重，计算2018—2022年长三角地区四省份交通物流发展水平测度值，结果如表5所示。
表5 2018—2022年长三角地区四省份交通物流发展水平测度值
省份 2018 2019 2020 2021 2022
安徽 0.412 915（1） 0.485 865（2） 0.423 183（4） 0.529 933（4） 0.552 067（4）
江苏 0.396 638（2） 0.488 211（1） 0.484 980（1） 0.671 480（1） 0.716 933（1）
上海 0.371 364（4） 0.390 453（4） 0.433 334（3） 0.582 693（2） 0.611 283（3）
浙江 0.385 263（3） 0.405 738（3） 0.442 211（2） 0.561 572（3） 0.654 147（2）
平均 0.391 545 0.442 567 0.445 927 0.586 420 0.633 608

注：括号内数字为相应年份各省份的交通物流发展水平测度值排名。

由表5可知，长三角地区四省份2018—2022年的交通物流发展水平整体呈上升趋势，各省份之间的交通物流发展水平差异较小。在这4个省份中，安徽的交通物流发展水平在2020—2022年处于相对落后的位置；江苏的交通物流发展水平在2019—2022年稳居第一；上海的交通物流发展水平在这5年中始终处于中上水平；浙江的交通物流发展水平呈逐年上升趋势。此外，从这5年的平均测度值来看，2019—2020年长三角地区的交通物流发展整体处于停滞状态，这一现象在很大程度上可以归因于新冠疫情及其后续影响。
各年度的交通物流发展水平测度值虽然可以反映各年度各地区的交通物流发展水平，但无法全面反映研究期内的整体交通物流发展水平。由于观测数据已经过时间序列权重的加权处理，因此可以采用求均值的方法对面板数据进行动态综合评价，得到2018—2022年长三角地区四省份最终的交通物流发展水平综合评价值，如表6所示。
表6 2018—2022年长三角地区四省份交通物流发展水平综合评价值
省份 综合评价值 排名
安徽 0.480 793 3
江苏 0.551 648 1
上海 0.477 825 4
浙江 0.489 786 2
表6所示结果表明，2018—2022年，江苏的综合交通物流发展水平位居长三角地区首位，然后依次是上海、安徽、浙江，且后3个省份之间的综合交通物流发展水平差异较小。

2.2 省域交通物流发展水平差异分析

基于第1.5节所述的区域差异测度算法计算2018—2022年长三角地区四省份交通物流水平的Dagum基尼系数，结果如图1所示。
图1 交通物流发展水平的Dagum基尼系数
图1显示了2018—2022年长三角地区交通物流发展水平的总体差异及变化趋势。从Dagum基尼系数值来看，各年的总体差异较小；但从趋势上来看，这一时间段长三角地区四省份之间的Dagum基尼系数先出现较大幅度的下降，然后上涨，呈“V”字形突变。具体而言，2018—2019年差异呈上升趋势，2019—2020年差异突然下降，下降速度和2018—2019年上升速度基本相同，2020—2022年差异逐年上升，在2022年达到最高（0.053）。究其原因，这一现象是当时新冠疫情对区域交通物流系统产生重大影响的直观体现。疫情期间，长三角地区四省份都面临着相似的挑战，如运输受阻、需求萎缩、成本上升等。这些共同的问题使得原本交通物流发展水平较高的省份与较低的省份之间的差异在短期内缩小。从2021年初开始，随着疫情逐步得到控制，长三角地区四省份的交通物流发展水平开始逐步恢复增长状态。由表5可知，在这一过程中，不同省份的增长速度存在差异，因此，区域间交通物流发展水平差异重新扩大。

2.3 省域交通物流发展水平动态演化分析

根据四分位分类方法，将长三角地区四省份的物流发展水平分为4个等级。用ici表示交通物流发展水平综合评价值， i c i 0.50为低等级， 0.50 ≤ i c i 0.54为中低等级， 0.54 ≤ i c i 0.59为中高等级， i c i ≥ 0.59为高等级。并且，基于Markov链测算长三角地区物流发展水平的转移概率，结果如表7所示。
表7 长三角地区四省份2018—2022年交通物流发展水平转移概率
t t+1
低等级 中低等级 中高等级 高等级
低等级 75% 25% 0% 0%
中低等级 0% 25% 75% 0%
中高等级 25% 50% 0% 25%
高等级 0% 0% 25% 75%
根据表7中的计算结果，以2022年为基准，长三角地区四省份的交通物流发展水平在1年后依然保持原等级的概率依次为75%, 25%, 0%, 75%，说明各省份物流发展水平等级的整体稳定性适中，其中高等级与低等级稳定性较强。1年以后交通物流发展水平由低等级转变为中低等级的概率为25%，由低等级转变为中高等级的概率为0，由低等级转变为高等级的概率为0，由中低等级上升到中高等级的概率为75%，由中低等级上升到高等级的概率为0，由中高等级转变为高等级的概率为25%，由高等级保持原等级的概率较高，为75%。由此可知，从2018—2022年的数据来看，长三角地区交通物流发展水平各等级大多具有跃迁式上升的可能性，但跨级跃迁的难度较大。

2.4 讨论与建议

2.4.1 讨论

采用本文方法对长三角地区四省份2018—2022年的交通物流发展水平进行综合评价和分析，可得出以下结论：
1）长三角地区省域交通物流发展水平评价指标体系中的一级指标“交通物流绿色化发展潜力”的权重最大，说明该指标对交通物流发展水平的影响最显著。因此，在可持续发展战略和“双碳”目标背景下，提升绿色化发展潜力对于提高交通物流发展水平具有重要作用。
同时，验证了本文在构建评价指标体系时重点关注交通物流绿色化发展潜力等因素对交通物流发展水平的影响并采用“新能源物流车增长情况”这一指标对其进行量化描述的必要性和科学合理性。
2）长三角地区省域交通物流发展水平总体呈上升趋势；四省份交通物流发展水平的差异呈“先上升，后下降，再上升”的波动趋势，差异总体较小；从动态演进过程来看，四省份中处于高等级和低等级的省份交通物流发展水平稳定性较强，处于中等级和中高等级的省份交通物流发展水平具有跃迁式上升的可能性。可见，处于高等级和低等级的省份交通物流发展水平呈现出一定的“马太效应”，即“强者更强，弱者更弱”。因此，随着时间的推移，处于不同等级的省份间的发展水平差距将呈扩大趋势。

2.4.2 建议

综上，为进一步提升长三角地区省域交通物流发展水平，提出以下建议：
1）应深化研究并加速推进各省交通物流的绿色化转型。需瞄准新一代信息技术、智能制造、新材料、新能源等前沿科技，加强绿色交通物流技术研发，探索清洁能源车辆、智能物流系统的应用，以提升物流作业的能效。同时，需构建完善的绿色物流政策体系，通过财政补贴、税收优惠等手段激励企业实施绿色化改造，并建立健全监管机制，确保政策的有效执行。此外，还应加强交通物流业与其他行业的合作与交流，促进绿色物流技术的共享与推广，形成绿色物流发展的良好生态。
2）应从全局视角出发做好交通物流的统筹发展规划，实现各省份均衡协调发展。以区域整体利益最大化为导向，构建跨省域的交通物流协作机制。具体而言，需加强顶层设计，制定区交通物流发展规划，明确区域交通物流网络布局、节点建设及运输方式优化等关键任务。同时，推动省域间交通基础设施的互联互通，打破行政区划壁垒，促进资源高效配置。此外，还需强化政策协同，确保各省份在交通物流政策上的连贯性和一致性，为行业提供稳定、可预期的发展环境。

3 结束语

本文以长三角地区为研究对象，提出了一种能够客观评价省域交通物流动态发展水平的方法。
首先，在可持续发展战略和“双碳”目标背景下，为推动交通物流的绿色可持续发展，本研究在构建交通物流发展水平评价指标体系时，重点关注交通物流绿色化发展潜力等因素对交通物流发展水平的影响，引入“新能源物流车增长情况”作为其量化指标，并通过对长三角地区的实证分析验证了所提出的“交通物流绿色化发展潜力”指标对交通物流发展水平的影响显著，说明该指标具有一定的科学合理性。
然后，考虑到区域交通物流发展水平具有动态演化特征，而目前相关的评价方法多为基于截面数据的静态评价方法，通常忽略了交通物流的发展是一项动态的系统工程问题，因此，本研究提出了一种能有效捕捉时序数据信息的多层次动态评价模型，不仅可对当前交通物流发展水平进行科学评价、分析区域总体发展趋势、各省域发展趋势及各省份之间发展水平的差异，而且可对未来交通物流发展水平的发展趋势进行预测。
本研究所提方法同时考虑到不同时期历史数据的重要性差异和不同指标因素在交通物流发展水平评价中的重要性差异，分别采用非线性规划法和最大化总离差平方和的思想对上述重要性差异进行量化处理，以提高评价结果的客观性和科学有效性；并利用基尼系数对各省份物流发展水平的差异进行分析，利用Markov链实现对区域交通物流发展水平动态演进趋势的预测和分析。研究结果可为交通物流相关部门制定管理决策提供参考。
最后，采用本文所提方法对长三角地区进行实证分析，得出如下结论：提升绿色化发展潜力对于提高交通物流发展水平具有重要作用；长三角地区的交通物流发展水平总体呈上升趋势，但在动态演进过程中，处于不同等级的省份间的发展水平差异呈扩大趋势。并基于实证结果，进一步提出对策建议：为提高长三角地区交通物流的发展质量，应加速推进各省域交通物流的绿色化转型，从全局视角出发做好统筹发展规划，实现各省域的均衡协调发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
杨扬, 罗仲禹, 徐新扬. 基于云模型的“一带一路”沿线省份国际冷链物流发展水平评价研究[J]. 铁道运输与经济, 2024, 46(3):99-106.

[2]
张宝友, 高家璐, 谭旭睿, 等. 中国物流业高质量发展水平评价与区域差异演变[J]. 经济地理, 2023(9):111-120.

DOI

[3]
ZENG S, FANG Z, HE Y, et al. An integrated Entropy-COPRAS framework for Ningbo-Zhoushan port logistics development from the perspective of dual circulation[J]. Systems, 2022, 10(5): 131.

[4]
赵洁琼. 基于因子分析法的陕西省物流业高质量发展水平评价[J]. 物流技术, 2023, 42(10):38-41.

[5]
WANG Z, CHEN W. Evaluation of coordinated development of logistics development and Low-Carbon economy in Wuhan based on big data[J]. Wireless Communications & Mobile Computing, 2022, 1: 1314699.

[6]
DENG F, XU L, FANG Y, et al. PCA-DEA-tobit regression assessment with carbon emission constraints of China’s logistics industry[J]. Journal of Cleaner Production, 2020, 271(8): 122548.

[7]
ZHANG Z, DAVID J. An entropy-based approach for assessing the operation of production logistics[J]. Expert Systems with Applications, 2019, 119: 118-127.

[8]
YIN Y, XU J, WEN X, et al. Evaluation of regional port logistics operation based on TQS logistics equilibrium[J]. Journal of Coastal Research, 2019(94): 738-742.

[9]
ZHANG H, JIN Y. Credit system of smart logistics public information platform based on improved neural network[J]. Neural Computing & Applications, 2021, 33(9): 3987-4000.

[10]
郭亚军. 一种新的动态综合评价方法[J]. 管理科学学报, 2002(2):49-54.

[11]
XIAO W, HE M. Characteristics, regional differences, and influencing factors of China′s Water-Energy-Food (W-E-F) pressure: Evidence from Dagum Gini coefficient decomposition and PGTWR model[J]. Environmental Science and Pollution Research, 2023, 30(24): 66062-66079.

[12]
LIANG X, LI J, GUO G, et al. Urban water resource utilization efficiency based on SBM-undesirable-Gini coefficient-kernel density in Gansu Province, China[J]. Environment Development and Sustainability, 2023, 25(11): 13015-13034.

[13]
ZHANG K, SU K, YAO Y, et al. Dynamic evaluation and analysis of the uncertainty of roundness error measurement by Markov Chain Monte Carlo method[J]. Measurement, 2022, 201: 111771.

[14]
ZHANG J, ZHANG X, XIAO H. Study of the dynamic evaluation model of overall hydrological alteration degree based on the RVA and set pair analysis-Markov chain methods[J]. Water Supply, 2019, 19(5): 1515-1524.

[15]
YU W, ZHENG X, WEN F, et al. A methodology to evaluate the vulnerability of the natural gas supply chain based on set pair analysis and Markov chain[J]. Journal of Pipeline Systems Engineering and Practice, 2023, 14(2): 04023015.

Options
Outlines

/

〈 〉