中欧班列沿线贸易－物流网络结构优化分析

刘晓宇，杨 斌，黄振东

（上海海事大学 物流科学与工程研究院，上海 201306)

0 引言

自2016 年 10 月印发《中欧班列建设发展规划(2016—2020 年)》以来，我国中欧班列发展进入了新阶段。2020 年中欧班列安全顺畅稳定运行，开行数量逆势增长。2020 年开行中欧班列1.24万列、发送113.5 万标箱，同比分别增长50%，56%，综合重箱率达98.4%，年度开行数量首次突破1 万列，单月开行均稳定在1 000 列以上。随着“一带一路”倡议逐步被更多的国家所接受，中欧贸易往来更加密切，货物往来进一步增加，为中欧班列带来了新的发展机遇。但同时也面临着线路拥堵、进出口货源不平衡、数据不透明、信息不对称等严峻挑战，其中物流网络布局不合理、线路与市场需求匹配结合不紧密、班列运行未形成规范体系是主要痛因。

Young 等[1]运用经济评价方法比较笔记本产品从重庆到鹿特丹的多种不同运输方式的优劣情况，得出中欧班列渝新欧线路为最佳运输方式。文思涵等[2]针对中欧班列不同线路恶性竞争、国内货源分散等问题，运用轴辐式网络模型对国内中欧班列路径进行了优化。王东方等[3]采用引力模型测算了中欧班列国内节点城市间的空间物流联系强度，并借助社会网络分析方法分析了中欧班列节点城市间物流网络结构。

现有研究通常将国内与国外节点、贸易需求与物流网络分割开来，缺乏将中欧班列视为一个整体的系统研究。研究中欧班列节点城市2010 年、2014 年、2019 年的贸易－物流网络动态变化情况，并运用地理可视化技术及网络结构分析提出优化网络结构的建议。

1 中欧班列沿线贸易－物流网络结构分析

考虑中欧班列节点城市贸易关联度及中欧班列节点城市的物流绩效，运用修正引力模型计算中欧班列节点城市贸易－物流网络关联指数，从贸易及物流双维度探究中欧班列节点城市贸易－物流网络结构的演变，布局中欧班列中转集货枢纽中心，从而优化中欧班列节点城市贸易－物流网络结构。

1.1 问题分析

国内外学者在运用引力模型测算物流网络联系时，常选用相对单一的指标测算“质量”和“距离”，但单一的指标很难全面反映“质量”的含义；同时，随着物流业的发展，物流联系越来越强调经济性和时效性，而空间距离无法反映物流业的上述特征，因而需要改进引力模型的相关参数，进而综合考虑贸易及物流因素，更合理地分析城市及国家间的联系，因而定义贸易－物流关联指数描述城市间贸易及物流整体关联情况[4]。

从贸易及物流双维度考虑城市间整体关联度，即贸易关联度及物流绩效。李敬等[5]指出，从根本上说贸易的发展取决于地区之间的贸易竞争与互补关系。如果2 个国家或地区之间产业结构相似度高，贸易竞争激烈，则合作空间小，反之若产业结构不同，合作空间就大，即用贸易互补指数量化贸易关联度。物流绩效得分水平与对应物流发展水平呈正相关，将物流绩效量化表示为物流绩效指数，通过物流绩效指数衡量物流发展水平及反映贸易的便利程度。

1.2 中欧班列节点城市物流绩效指数

采用熵权法对节点城市物流绩效指数进行测算，具体公式如下

式中：xi，xij为数据的原始值；pij为各指标数据出现的概率值；Yij为各指标数据标准化后的值；u 为节点城市个数；Ej为各指标的信息熵；O 为指标个数；Wi，Wj分别为i 城市及j 城市的指标权重；LPIi，LPIj分别为i城市及j城市的物流绩效指数。

1.3 中欧班列节点城市贸易关联度

测算城市间贸易互补指数，具体公式为[6]

式中：mni为i城市n产业的进口量，万美元；xnj为j城市n产业的出口量，万美元；TCLij为i城市和j城市的贸易互补指数。

1.4 节点城市贸易－物流网络关联指数

引力模型的原理是万有引力定律和空间距离衰减规律，1942 年Zipf 首次将引力模型应用到城市空间相互作用的分析。引力模型作为距离衰减效应和研究空间相互作用的重要工具，被广泛应用到经济研究领域，引力模型可表示为[7]

式中：Gij为城市i和城市j之间的空间引力；Mi，Mj分别为城市i和城市j的“质量”；Dij为城市i和城市j之间的距离；h为引力调节系数。

（1）模型假设。①用物流绩效表示“质量”，国外采用各城市所在国家的物流绩效作为其物流绩效进行计算。②量化中欧班列对沿线节点城市贸易－物流网络结构的影响，参考已开行中欧班列货物运输情况，从国际标准贸易分类的98 类商品中选取适合中欧班列运输的63 种货物，查找进出口数据进行贸易相关度研究。③考虑空间距离、时间距离及成本3 个要素的“经济距离”，其中成本记为单位运输费率，借鉴已有研究成果，公路运输费率为1.5，铁路运输费率为1[8]。由于2 个城市间的物流联系存在不对等性，采用城市货运量占关联城市货运量之和的比重来修正引力调节系数。

（2）修正引力模型构建。考虑中欧班列核心节点城市间贸易关联度及城市物流绩效修正引力模型，公式(9)和公式(10)分别表示测算中欧班列国内城市及国外城市贸易－物流关联指数，指数的数值越大表明对应2 个城市间的贸易－物流关联性越强，反之则越弱。修正后的引力模型计算公式为

式中：n为商品产业分类；dij为i城市到j城市的空间距离，取公路距离、铁路距离几何平均数，km；rij为i城市到j城市的时间距离，取公路运输时间、铁路运输时间几何平均数，h；cij为i城市到j城市的单位运输费率；k为引力调节系数；Gij为i城市到j城市的贸易－物流关联指数。

1.5 中欧班列沿线贸易－物流网络结构分析

识别交通网络的关键节点是设置中欧班列集货枢纽的重要部分。为了探究中欧班列节点城市贸易－物流网络结构，并得出最优中欧班列中转集货枢纽中心选址，采用社会网络分析的方法探究中欧班列沿线贸易－物流网络结构特征，重点分析其网络中心性及凝聚子群。

（1）网络中心性分析。中心性是衡量行动者网络中心地位程度的重要指标，是网络分析的重要工具之一。度数中心度是指网络中与某个行动者有直接关系的行动者的数量，一个行动者和网络中其他行动者直接关联越多，该行动者度数中心度越高，说明该行动者居于网络中心地位。

（2）凝聚子群分析。凝聚子群研究是网络结构研究的重要方法之一，主要探讨一个整体网络由哪些小群体构成，这些小群体中的行动者之间一般具有直接、紧密、较强或者积极的关系。

2 实证分析

选取已开行中欧班列的货源地节点和具备货运列车重新编组能力的铁路枢纽节点作为研究对象，包括北京、天津、重庆、成都、郑州、苏州、义乌、长沙、合肥、东莞、广州、西安、哈尔滨、南京、杭州、乌鲁木齐16 个国内城市，汉堡、华沙、莫斯科、巴黎、鹿特丹、马德里、维也纳、布拉格8 个欧洲城市，重点研究中欧班列节点城市间物流网络结构。

2.1 中欧班列节点城市物流绩效评价指标体系

综合考虑海关效率、物流基础设施、国际货物运输便利性、物流服务能力、货运全程监控能力、运输及时性6 个指标，构建中欧班列节点城市物流绩效评价指标体系[9]如表1 所示。

表1 中欧班列节点城市物流绩效评价指标体系Tab.1 Index system of logistic performance evaluation of main node cities along the China-Europe Railway Express

2.2 中欧班列节点城市物流绩效指数

基于中欧班列节点城市物流绩效评价指标体系，采用熵权法测算各节点城市物流业发展水平。考虑与世界银行发布的物流指数数据保持一致，对熵权法计算所得数值进行加权处理，得到中欧班列国内节点城市物流绩效指数及排名如表2 所示。由表2 可知，国内一线城市、长江经济带沿线城市物流绩效指数排名较高，哈尔滨市、义乌市排名较低。从2010 年、2014 年、2019 年比较来看，重庆市、乌鲁木齐市物流绩效指数排名上升较快。

2.3 中欧班列节点城市贸易关联度

计算选取的中欧班列节点城市间贸易关联度，2010 年、2019 年中欧班列部分节点城市贸易关联度(部分)如表3 所示。

表2 中欧班列国内节点城市物流绩效指数及排名Tab.2 Logistic performance index and ranking of main node cities along the China-Europe Railway Express

表3 2010 年、2019 年中欧班列部分节点城市贸易关联度(部分)Tab.3 Trade relevance of some main node cities along the China-Europe Railway Express in 2010 and 2019 (Excerpts)

2.4 节点城市贸易－物流网络关联指数

采用修正引力模型计算中欧班列部分节点城市贸易－物流网络关联指数如表4 所示。

由表4 可知，2010—2019 年东线城市、中线城市、西线城市物流联系总强度平均上升了4.28，3.55，4.43，攀升率分别为70.74%，59.17%，109.11%。由此可知，国内城市间引力增长较快，西线城市受中欧班列辐射效应最为明显，重庆、成都物流引力总和占西线城市物流总强度的62.63%，说明重庆和成都对西线主要货源城市物流影响力较大。国内城市间物流联系差异较大，引力较大的城市主要集中在长三角及珠三角地区，而乌鲁木齐与其他城市之间贸易－物流网络关联指数总和仅为0.93。2014 年中欧班列已开通3 年，中欧城市之间的贸易－物流网络结构发生了显著变化，物流联系加强，城市间引力值增大，节点城市平均贸易－物流网络关联指数由2010 年的0.32 上升为0.44，中欧班列的开通推动了中欧经济和物流水平的发展。其中，乌鲁木齐与各城市之间的物流联系发展迅速，2014 年乌鲁木齐与各城市之间贸易－物流网络关联指数之和已上升为2.75。2019 年中欧城市物流差异进一步缩小，互联互通发展迅速，其中鹿特丹、维也纳、北京、重庆、苏州、广州与各城市间物流联系最强，这6 个城市贸易－物流网络关联指数之和占总贸易－物流网络关联指数的62.05%。综上分析可知，鹿特丹、维也纳、北京、重庆、苏州、广州具有建设中欧班列物流中转站的良好基础。

表4 中欧班列部分节点城市贸易－物流网络关联指数Tab.4 Trade-Logistics network correlation index of some main node cities along the China-Europe Railway Express

2.5 节点城市贸易－物流网络结构分析

中欧班列的开通，切实影响了中欧贸易－物流网络结构的变化，促进了中欧班列节点城市之间的贸易往来。测算节点城市贸易－物流网络中心度指数并进行排名，结果表明，从2010 至2019 年贸易－物流网络中心度逐年增加，各城市之间的联系愈发紧密。国内城市中，重庆市、乌鲁木齐上升较快，重庆市至2019 年中心度指数已上升至13.791，位列第3 名；乌鲁木齐市由2010 年度最后一名，中心度指数为5.481 上升至2019 年度第12 名，中心度指数为11.205。欧洲城市中维也纳的中心度指数连年增长，一直位列第一名。

分析2019 年国内城市中心度指数可知，北京、广州、重庆、天津、东莞、郑州、苏州都在12 分以上，说明这些城市处于贸易－物流网络中心位置，其他城市之间的连接大都依靠这些城市的枢纽作用实现，因而以上城市具有建设成为物流中转站的良好基础。

采用Concor 算法将中欧班列节点城市划分为3 个群集[10]，中欧班列节点城市贸易－物流网络凝聚子群分析结果如图1 所示。从2019 年国内城市凝聚子群分析结果3 个层面来看，三级子群1、子群3 中北京和苏州中心度指数排名靠前，且在贸易－物流网络中与其他各城市联系密切，说明北京及苏州对各城市的物流影响力较强，可以作为中转集货枢纽。三级子群4 中广州中心度指数排名始终位列前三位，是珠三角地区最合适的物流中转地。三级子群5 中重庆是国内发行班次最频繁且发运量最大的城市，重庆兴隆场编组站是西南地区最大的铁路编组站，因而选择重庆作为三级子群5 的中转枢纽站。三级子群6，郑州中心度指数排名较高且郑州市作为中国中部地区经济快速增长城市，中欧班列发送量屡创新高，因而选择郑州作为三级子群6 中的中转枢纽点。三级子群7，乌鲁木齐市是自中欧班列开行以来物流绩效指数、物流引力指数、物流中心指数增长较快的城市之一，位于通往阿拉山口口岸必经道路上，选择乌鲁木齐作为中转枢纽点将促进中欧班列有序合理健康发展。从2019 年欧洲城市凝聚子群分析结果3 层面分析，鹿特丹及维也纳物流绩效指数、中心性指数都位于领先地位，说明鹿特丹及维也纳对中欧班列节点城市物流影响力较强，且具有较强的物流辐射能力，因而选择鹿特丹及维也纳作为中转集货枢纽。

图1 中欧班列节点城市贸易－物流网络凝聚子群分析结果Fig.1 Analysis results of aggregated subgroups of trade-logistics networks of some main node cities along the China-Europe Railway Express

综上分析，中欧班列直接推动了中欧城市间贸易－物流网络的发展。2010—2019 年，中欧班列节点城市贸易－物流网络关联指数上升了2.87，中欧城市间贸易－物流网络拓展迅速，潜力巨大。中欧班列有助于间接改善中欧城市经济格局，在引力模型中考虑中欧班列节点城市间贸易关联度，由分析结果可知，中欧班列使城市间经济关联强度得以提振，中欧经济关联格局会由缺乏层级感的交错经济体逐步演变为陆运连通性强和经济关联性高的集成经济体。中欧班列节点城市中，鹿特丹、维也纳、北京、重庆、苏州、广州、郑州、乌鲁木齐8 个城市在各自凝聚子群中网络中心度指数较高，位于各自凝聚子群的核心地位，说明这8 个城市对周围城市有较强的物流辐射，其他城市间的物流联系主要通过以上城市的枢纽效应实现，因而中欧班列中转集货枢纽中心可从这8 个城市中选取。

3 结束语

中欧班列发展迅速且潜力巨大，物流组织日趋成熟，沿线国家经贸交往日趋活跃。2020 年全球疫情期间，海运、空运均受到了极大的限制，中欧班列承接了大量由海运、空运转移的出境货运业务，以中欧贸易为主的跨境铁路运输正逐渐获得市场认可。研究中欧班列沿线贸易－物流网络结构优化，系统分析得出适合作为中欧班列中转节点的8 个城市，不仅为中欧班列未来建设发展提供理论支持，而且对其他跨区域交通网络布局提供借鉴。该方法多角度分析中欧班列沿线贸易－物流网络结构，具有普适性，有助于促进中欧班列健康平稳可持续发展。