郭明德 李红

内容摘要：本文选取物流科技创新投入能力、物流科技创新产出能力、物流科技创新宏观发展环境三个维度的影响因子，采用“一带一路”省域数据，应用因子分析法和探索性空间数据法进行分析。研究表明：“一带一路”各省域物流科技创新能力存在较大差异，总体上呈现阶梯型;同时，各省域物流科技创新能力存在正向空间相关性;从物流科技创新综合能力来看，广东、浙江、上海都位于物流科技创新能力前列。

关键词：物流科技创新   因子分析   探索性空间数据法   空间相关性   一带一路

近年来，物流业已成为我国重要产业之一，物流科技创新是区域物流持续发展的保证，也是助推区域物流发展的引擎，“一带一路”省域物流业的发展关键在于物流科技创新。因此，探讨“一带一路”沿线省域物流科技创新能力，提升“一带一路”各省域物流业竞争力显得尤为重要。

格拉等指出协同合作关系可以为创新提供新的商业模式和解决方案，从客户处感知的需求信息会转换为对客户的承诺，同时，又会驱动物流创新。杨清乔指出：创新能力、物流服务可靠性、物流服务灵活性对企业绩效具有正向影响，创新能力对物流服务能力具有调节作用。张德海等（2010）从联盟式物流服务创新的内涵及特征进行分析，从创新产出、新服务产品收益、联盟合作效应、创新人才培养等维度构建了联盟式物流服务创新的绩效评价体系，为物流企业的服务创新评价提供了新的思路。谭狄溪（2014）对物流服务创新概念进行界定，再深入分析物流服务创新的因素及企业战略和组织层面的行为等问题，提出了企业应对行为与物流服务创新之间关系的研究框架。申静等（2016）應用了层次分析法和综合指数法，构建了中国物流业服务创新能力评价体系，并对2009-2013年中国物流业的服务创新能力进行了评价。关于创新能力评价研究有：黄天蔚等（2016）首先从园区创新能力的内部构成要素和外部支撑要素两方面出发，构建以创新投入能力、创新产出能力、创新支撑能力、潜在创新能力四方面组合的评价体系，应用长江经济带11个省市文化创意产业园区2013年数据对其创新能力进行实证研究。王金国等（2017）运用因子分析法对北京市属高校的科技创新能力进行实证研究，研究显示，北京市属高校的科技创新能力存在较大差异性。然而，创新活动的地理分布存在空间相关效应，科技创新空间相关性研究有：邓恒进（2012）提出“区域物流创新系统”逻辑模型的构造和应用思路。崔玉英等（2013）运用空间计量方法，以省域作为观察点，考察我国科技创新活动的空间聚集状况，并针对其主要影响因素进行实证分析。毛良虎等（2016）应用主成分分析法评价了2014年长江经济带省域科技创新能力，并采用空间数据分析法对其空间关联格局进行了分析。朱辉（2015）采用 GPCA 模型和MoransI统计量的空间自相关分析法，对我国31个省域2009-2011年的科技创新水平的空间分布进行了综合评价。

上述研究存在一些问题：一是关于科技创新评价研究方法上主要应用了层次分析法、综合指数法、因子分析法等，而上述研究方法忽略了地理邻近引起科技创新的空间相关性，尚缺采用因子分析法和探索性空间数据组合方法对物流科技创新能力的研究文献。二是从研究地理范围看，主要是面向全国、长江经济带及某一个省域，尚未涉及“一带一路”省域。三是在研究对象主要是园区创新能力、高校科技创新能力、区域科技创新能力，尚缺关于物流科技创新能力评价的文献。基于此，文章将主要从以下两个方面进行改进：一是文章采用因子分析方法和探索性空间数据法，拟观察“一带一路”省域物流科技创新能力及空间相关性;二是研究范围及对象为“一带一路”省域物流科技创新能力。

研究设计

（一）物流科技创新能力影响因素的分析与选取

物流科技创新已成为现代物流发展的助推器，在整个物流管理活动中具有重要的作用。从已有的研究文献来看，物流科技创新能力的影响因素众多，由于研究者关注的视角不同，选取因素也不同，综合现有研究文献及物流科技创新能力影响因素的相关性及数据可得性，同时考虑物流科技创新能力数据的客观性及物流科技创新发展的最新动态，文章构建了“一带一路”省域的物流科技创新能力的影响因子。“一带一路”省域物流科技创新能力包括三方面维度16个影响因子，即物流科技创新投入能力、物流科技创新产出能力、物流科技创新能力宏观环境，如表1所示。

（二）物流科技创新能力评价模型

实证分析

原始数据及其预处理。各影响因子原始数据来源于2017年《中国统计年鉴》的“一带一路”各省域2016年统计数据，为消除不同量纲对计算造成的影响，首先运用“标准化方法（ Z -Scores） ”对原始数据进行标准化处理。标准化公式为：yi=（xi-x-）/s。

样本数据信度检验。文章应用SPSS22.0软件进行分析，计算的KMO和Bartlett的检验结果若在0.6-0.7之间，各因子适合做进一步分析。计算结果得到KMO检验统计量值为0.671，大于0.6，表明各物流科技创新影响因子适合做进一步分析;Bartlett球形度检验统计量相应的伴随概率为0.000，小于显著性水平0.005。因此，文章认为物流科技创新各影响因子之间存在显著相关性，说明计算结果有效。

样本数据效度检验。物流科技创新影响因子的特征值与方差贡献率，初始时，被提取的第一个主成分的特征值是11.210，方差贡献率是70.063% ，说明第一个主成分表明了样本数据70.063%的有用信息。观察发现第二、第三主成分的特征值分别为1.949、1.005，方差贡献率分别为12.184%、6.282%，前三个主成分累计的方差贡献率为88.529%，这说明前三个主成分充分表达了样本数据中88.529% 的有效信息，其大于85%，由累计方差贡献率方法可知，应选取前三个主成分来表示。即R&D经费（万元）X01、R&D人员数（人年）X02、交通、仓储和邮政投资额（亿元）X03。

因子载荷分析。文章经过计算可以得到物流科技创新能力因子载荷矩阵，见表2所示。从表2可以看出：从“物流科技创新能力宏观环境”因子上看，高载荷的因子有登记科技成果（项）X11、人均GDP （元）X12、电子商务销售额（亿元）X14、电子商务采购额（亿元）X15、互联网普及率（%） X16。这些因子中互联网普及率（%）X16对物流科技创新能力的影响最大，并且这些因子的关系比较近。因此，第一公共因子命名F1为“物流科技创新能力宏观环境”影响因子。从“物流科技创新投入能力”因子上看，物流科技创新能力投入能力高载荷的因子有R&D经费（万元）X01、R&D人员数（人年）X02、交通、仓储和邮政投资额（亿元）X03、货运车辆数（万辆）X04、仓储和邮政从业人员（人）X05、货运总量（万吨）X07、有效发明专利数（项）X10等，这些因子中交通、仓储和邮政投资额（亿元）X03和货运车辆数（万辆）X04对物流科技创新投入能力的影响最大，并且第二公共因子与这些因子变量的关系比较近。因此，第二公共因子命名F2为“物流科技创新投入”影响因子。从“物流科技创新产出能力”因子上看，高载荷的因子有技术市场成交额（万元）X06、货运总量（万吨）X07、每10万人中在校大学生人数（万人）X13等，这些因子中每10万人中在校大学生人数（万人）X13对物流科技创新产出能力的影响最大，并且第三公共因子与这些因子的关系比较近。因此，第三公共因子命名F3为“物流科技创新产出能力”影响因子。

结果分析。文章应用因子得分系数矩阵，得到物流科技创新能力宏观环境、物流科技创新投入能力、物流科技创新产出能力评价计算公式，见式（4）、（5）、（6）：

“一带一路”各省域实证计算结果如表3所示，从表3可知：从“物流科技创新能力宏观环境”排名情况上看，前三省市是上海、广东、浙江。上海排名靠前主要是互联网普及率第一位。由于物流科技创新能力宏观环境受网上购物、人均GDP、在校大学生群体人数等因素的制约，这说明“一带一路”各省市加强互联网基础设施建设，物流科技创新能力宏观环境會有很大上升空间。从“物流科技创新投入能力”排名情况上看，排在前三省市是广东、上海、浙江。这三区域投入信息传输、软件和信息技术服务业投资额最多，说明当地政府和企业都非常注重对物流科技创新的扶持和投入。在当前创新、创业大背景下，鼓励物流企业投入成为各地政府提升物流科技创新的首选。从“物流科技创新产出能力”排名情况上看，前三名是陕西、上海、重庆，在技术市场成交额方面都是遥遥领先。形成这个现象的原因是陕西科研能力强，为物流科技创新提供了较好的智力支持;陕西、上海、重庆集聚了大量的现代化物流企业，为物流科技创新提供基础。从物流科技创新能力综合排名来看，广东，浙江、上海物流科技创新都位于前列，而上述属于我国经济最发达地区，说明经济发达地区物流科技创新能力较强。

“一带一路”省域物流科技创新能力空间相关性分析

（一）“一带一路”省域物流科技创新能力的全局相关分析

文章采用 Geoda软件，应用表3中的数据计算2016 年“一带一路”省域物流科技创新能力宏观环境、物流科技创新投入能力、产出能力及物流科技创新综合能力的Moran's I值，来判断“一带一路”各省域的空间相关性显著性水平。Moran's I的值一般在[-1，1]之间，Moran's I>0表示正相关，越接近1，表示空间相关性越强;Moran's I<0表示负相关，即某地区与周边的测度值的水平趋于空间离散，越接近-1，空间差异越大。I=0或近似于0，表示属性随机分布或不存在空间自相关。计算结果如表4所示。从表4可以看出， “一带一路”省域物流科技创新能力宏观环境、物流科技创新投入能力及物流科技创新综合能力具有明显的正向空间相关性，且物流科技创新综合能力正向空间相关性最强。

（二）“一带一路”省域物流科技创新能力的局部相关分析

从表5计算结果可以看出四个象限分布情况，分布在第一象限的省份有3个，分别是广东、浙江、上海。属物流科技创新能力最强省域，位于物流科技创新的龙头，上述省域也属于我国“一带一路”省域沿海经济发达地区，人均GDP也属较高区域;分布在第二象限的省份有6个，分别是陕西、重庆、内蒙古、广西、云南、黑龙江，这部分区域属“一带一路”省域的物流科技创新能力中等偏下水平;分布在第三象限的省份有7个，分别是吉林、甘肃、新疆、宁夏、海南、青海、西藏，这些省域的物流科技创新能力水平属“一带一路”沿线省域的洼地;分布在第四象限的省份有2个，福建、辽宁，这部分区域属“一带一路”沿线省市的物流科技创新能力中等偏上水平，这也与当地整体经济发展水平基本契合。可以看出，大部分省份集中于第二象限和第三象限，尤以第三象限居多，即大部分省域属于低-高和低-低集聚地区，表明“一带一路”省域物流科技创新能力较弱的省域相邻的情况居多，而物流科技创新能力发展较好的省域相邻的情况则较少。从表5还可以看出“一带一路”省域物流科技创新能力强的省域集中在沿海发达地区，而物流科技创新能力弱的省域主要集中在西部区域。

结论

文章分析表明“一带一路”各省域的物流科技创新能力水平存在较大差异，总体上呈现阶梯型。文章应用探索性空间数据法对“一带一路”沿线省域物流科技创新能力宏观环境、物流科技创新投入能力产出能力及物流科技创新综合能力进行全局性分析，表明具有明显的正向空间相关性特征，而局部相关分析表明，处于第一象限（高-高）的省份有3 个，分别是广东、浙江、上海。同时，“一带一路”各省域大部分省份集中于第二象限和第三象限，属于低-高和低-低集聚地区。总体上看，“一带一路”省域物流科技创新能力位于前列是广东、浙江、上海，物流科技创新能力发展较好的省域相邻的情况则较少，而物流科技创新能力较弱的省域相邻的情况居多。上述结果比较客观评价了“一带一路”省域物流科技创新能力的绩效，具有一定的科学性和实用性，对物流科技创新能力评价研究具有一定的参考意义。政府和物流企业应以市场需求为导向加大物流科技创新投入，依托物流科技创新、优化物流作业流程、不断提高物流作业效率，加强省域协调与合作，促进物流业从业人员合理流动，提升物流科技创新能力。

参考文献：

1.张德海，刘德文.联盟式物流服务创新的绩效评价指标体系构建[J].统计与决策，2010（12）

2.谭狄溪.物流服务创新研究现状评价与研究框架构建[J].科技管理研究，2014（6）

3.申静，耿瑞利，陈中华.中国物流业服创新能力评价[J].技术经济，2016（5）

4.黄天蔚，刘容志.长江经济带文化创意产业园创新能力评价研究[J].科研管理，2016（4）

5.王金国，张经强.王娇.北京市属高校科技创新能力评价研究[J].科技进步与对策，2017（10）

6.王庆喜，张朱益.我国省域创新活动的空间分布及其演化分析[J].经济地理，2013（10）

7.邓恒进.区域物流创新系统的逻辑构造与应用思路[J].商业研究，2012（3）

8.崔玉英，李程宇，李长青.我国省域科技创新关联与知识溢出效果的空间计量分析[J].科学管理研究，2013（2）

9.毛良虎，姜莹.长江经济带省域科技创新能力评价及空间关联格局分析[J].科技进步与对策，2016（11）

10.朱辉.我国省域科技创新水平的空间分布评价[J].东南大学学报（哲学社会科学版），2015（12）