方曉平，李歡，倪玲霖

?

基于空間自相關(guān)模型的鐵路貨流空間效應(yīng)分析

方曉平1，李歡1，倪玲霖2

(1. 中南大學(xué) 交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410075； 2. 浙江財(cái)經(jīng)大學(xué) 東方學(xué)院，浙江 杭州 310012)

為探究鐵路貨流影響因素和空間效應(yīng)，從空間角度把握貨流的產(chǎn)生和變化規(guī)律，以全國(guó)各省域鐵路貨運(yùn)往來數(shù)據(jù)為基礎(chǔ)構(gòu)建網(wǎng)絡(luò)空間權(quán)重矩陣，對(duì)貨流的空間自相關(guān)性進(jìn)行探索，并建立空間自相關(guān)模型分析其邊際效應(yīng)。研究結(jié)果表明：鐵路貨流呈現(xiàn)出顯著的空間自相關(guān)性；其中發(fā)送地GDP、距離與鐵路貨流呈負(fù)相關(guān)，到達(dá)地GDP、工業(yè)產(chǎn)品產(chǎn)量、鐵路營(yíng)業(yè)里程、發(fā)送地資源產(chǎn)量與鐵路貨流呈正相關(guān)；發(fā)送地空間自相關(guān)、到達(dá)地空間自相關(guān)和流的空間自相關(guān)都對(duì)鐵路貨流有重要的影響，因此在進(jìn)行貨流分析時(shí)需要考慮其空間效應(yīng)。

鐵路貨流；網(wǎng)絡(luò)空間權(quán)重矩陣；空間自相關(guān)性；空間自相關(guān)模型；空間效應(yīng)分析

隨著我國(guó)各種交通運(yùn)輸方式的發(fā)展，運(yùn)輸快遞企業(yè)興起，貨運(yùn)市場(chǎng)競(jìng)爭(zhēng)加劇，鐵路貨運(yùn)占比由2000年的13.14%下降為2016年的7.59%。作為傳統(tǒng)貨物運(yùn)輸方式，鐵路運(yùn)輸要想在激烈的市場(chǎng)競(jìng)爭(zhēng)中獲得持續(xù)發(fā)展則必須有所行動(dòng)。目前，關(guān)于鐵路貨運(yùn)的研究主要集中在貨運(yùn)預(yù)測(cè)方法和影響因素的研究上，梁寧等[1]提出基于灰色關(guān)聯(lián)分析與混合核函數(shù)支持向量機(jī)的方法來對(duì)貨運(yùn)量進(jìn)行預(yù)測(cè)；耿麗艷等[2]提出灰色模型的LS-SVM方法并應(yīng)用隨機(jī)權(quán)重粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化來對(duì)鐵路貨運(yùn)量進(jìn)行分析。這些預(yù)測(cè)方法都在一定程度上忽略了鐵路貨運(yùn)的空間效應(yīng)，某區(qū)域鐵路貨流不僅受本區(qū)域因素的影響，還會(huì)受相鄰區(qū)域因素的影響，若忽略這種影響，勢(shì)必會(huì)導(dǎo)致較大的預(yù)測(cè)偏差。因此對(duì)鐵路貨運(yùn)空間效應(yīng)的探討是有必要的，正確把握鐵路貨運(yùn)的空間效應(yīng)有利于提高貨運(yùn)分析的準(zhǔn)確性和預(yù)測(cè)的精確性，從而為鐵路生產(chǎn)力安排、正確制定生產(chǎn)計(jì)劃提供參考依據(jù)。鐵路貨物運(yùn)輸是在鐵路空間網(wǎng)絡(luò)下進(jìn)行的，其空間效應(yīng)探究就是分析在鐵路空間網(wǎng)絡(luò)下各區(qū)域貨流的空間自相關(guān)性?？臻g網(wǎng)絡(luò)下的相關(guān)是由Black[3]在Tobler[4]的研究基礎(chǔ)上進(jìn)行定義的，是從空間自相關(guān)發(fā)展而來的對(duì)網(wǎng)絡(luò)中流的分析方法，這種分析主要應(yīng)用在交通[5]、人 口[6]和經(jīng)濟(jì)[7?8]等領(lǐng)域?？臻g網(wǎng)絡(luò)下的相關(guān)很重要的一部分是對(duì)空間OD流的研究，國(guó)外對(duì)空間OD流的研究始于20世紀(jì)三四十年代，Zif提出人口遷移的重力模型[9]，之后Griffith等[10]通過對(duì)通勤流的分析發(fā)現(xiàn)重力模型的殘差中存在顯著的自相關(guān)，因此提出用因變量或誤差空間滯后來捕捉流的空間依賴關(guān)系。本文將帶有空間滯后項(xiàng)的空間自相關(guān)模型引入貨流分析，以此來對(duì)貨流的影響因素和空間效應(yīng)進(jìn)行探討。

1 數(shù)據(jù)來源與描述

本文研究數(shù)據(jù)主要來源于2個(gè)部分：

1) 統(tǒng)計(jì)年鑒中的鐵路貨流數(shù)據(jù)和各省域相關(guān)統(tǒng)計(jì)指標(biāo)數(shù)據(jù)，主要包括全國(guó)31省域(剔除了臺(tái)灣、香港、澳門)間的貨運(yùn)交流數(shù)據(jù)，各省域經(jīng)濟(jì)、人口、資源、交通數(shù)據(jù)。

2) 全國(guó)各省域行政區(qū)劃shp文件地圖數(shù)據(jù)，該地圖數(shù)據(jù)包括了各省域經(jīng)緯度位置、省域輪廓、省域面積和省域間的鄰接情況。

1.1 因變量分析

本文以2015年各省域鐵路貨流數(shù)據(jù)為基礎(chǔ)進(jìn)行研究，由于空間自相關(guān)模型一般為正態(tài)分布，因此需要對(duì)因變量的頻率分布狀況進(jìn)行考慮。首先對(duì)貨流原始數(shù)據(jù)構(gòu)建頻率分布直方圖，見圖1(a)，由圖1(a)可知該分布與正態(tài)分布相去甚遠(yuǎn)，進(jìn)一步考慮對(duì)其進(jìn)行對(duì)數(shù)處理，由于有些省域間的貨流為0，因此采用對(duì)原始數(shù)據(jù)加1后再取其對(duì)數(shù)，并建立頻率分布直方圖，見圖1(b)。由圖1可知，對(duì)數(shù)處理后的頻率分布直方圖更符合正態(tài)分布，因此將對(duì)數(shù)處理的數(shù)據(jù)作為因變量。

(a) 省域間貨流分布直方圖；(b) 省域間貨流對(duì)數(shù)分布直方圖

為把握省域鐵路貨流的整體狀況，借助ArcGis對(duì)貨流進(jìn)行可視化分析。由2015年各省域貨流的統(tǒng)計(jì)分析發(fā)現(xiàn)，超過100萬t的貨流數(shù)量占總貨流數(shù)量的26.34%，然而其貨流量卻占總貨流量的93.83%，所以在此僅選取大于100萬t的貨流進(jìn)行可視化操作。圖2中以省會(huì)重心代替省域來對(duì)貨運(yùn)交流進(jìn)行了可視化，由圖2可知，大于1 000萬t的貨流多是由山西、內(nèi)蒙古和東北部省域發(fā)出，這些省域都是資源型省域，而資源型貨物對(duì)鐵路的依賴性較高，因此這些省域發(fā)出的貨流都較大；500~ 1 000萬t的貨流主要集中在中部地區(qū)省域，尤其是陜西、四川和湖南；100~500 萬t的貨流在中東部地區(qū)居多，西部地區(qū)相對(duì)較少，這與我國(guó)不同地區(qū)省域經(jīng)濟(jì)發(fā)展?fàn)顩r是相聯(lián)系的。此外，從整體上觀察圖2可知鄰近省域間的貨流都較大，所以在進(jìn)行貨流分析時(shí)，考慮其空間效應(yīng)是十分有必要的。

(a) 100~500萬t貨運(yùn)交流；(b) >500萬t貨運(yùn)交流

1.2 自變量分析

目前，對(duì)于貨運(yùn)量影響因素的探究有很多，李瑞等[11]指出影響鐵路貨運(yùn)的因素有GDP、農(nóng)業(yè)生產(chǎn)總值、工業(yè)生產(chǎn)總值、煤炭產(chǎn)量、鋼鐵產(chǎn)量、有色金屬產(chǎn)量、糧食產(chǎn)量、公路水路發(fā)展、電商發(fā)展等；梅曉玲[12]則從鐵路貨運(yùn)周轉(zhuǎn)量、水路貨運(yùn)量、公路貨運(yùn)量、GDP、進(jìn)出口貿(mào)易總額、全國(guó)鐵路里程等方面對(duì)鐵路貨運(yùn)量進(jìn)行分析。本文結(jié)合前者的研究，從經(jīng)濟(jì)、交通便利度和資源狀況3部分對(duì)鐵路貨流的影響因素進(jìn)行探索。

1.2.1 經(jīng)濟(jì)

鐵路網(wǎng)絡(luò)是我國(guó)貨物運(yùn)輸?shù)墓歉删W(wǎng)絡(luò)，與經(jīng)濟(jì)發(fā)展密切相關(guān)。前者文獻(xiàn)中提到的經(jīng)濟(jì)因素概括起來主要有GDP、農(nóng)業(yè)生產(chǎn)總值、工業(yè)生產(chǎn)總值、第一、二、三產(chǎn)業(yè)GDP、工業(yè)產(chǎn)品產(chǎn)量等，將這些經(jīng)濟(jì)因素與貨流進(jìn)行相關(guān)性分析，確定GDP和工業(yè)產(chǎn)品產(chǎn)量為影響貨流的經(jīng)濟(jì)因素。由于這2個(gè)因素的極差較大，所以對(duì)其進(jìn)行對(duì)數(shù)處理。

1.2.2 交通便利度

便利的交通網(wǎng)絡(luò)更有利于鐵路貨物的運(yùn)輸，更能促進(jìn)企業(yè)或個(gè)人對(duì)鐵路運(yùn)輸選擇的傾向性。由于鄰近省域間的貨運(yùn)往來更為龐大，所以將省域間的距離作為影響鐵路交通便利性的因素，考慮到兩省域間距離的度量，將省會(huì)間的距離作為省域間的距離進(jìn)行分析。此外，鐵路運(yùn)輸依托于鐵路線路，而在地形平坦區(qū)域線路的修建相對(duì)于高原和山地更為容易，所以將鐵路營(yíng)業(yè)里程作為體現(xiàn)其交通便利性的因素之一。同樣，考慮到兩因素的極差，也對(duì)其進(jìn)行對(duì)數(shù)處理。

1.2.3 資源

我國(guó)貨物運(yùn)輸網(wǎng)絡(luò)主要是鐵路、公路、航空、水運(yùn)，每種運(yùn)輸方式都有其自身的特性，其中鐵路運(yùn)輸更適合大運(yùn)量、中長(zhǎng)距離、價(jià)值偏低的貨物，而這一類型的貨物主要是資源型貨物，所以在進(jìn)行貨流分析時(shí)，需要考慮到省域的資源狀況。目前在鐵路貨運(yùn)中占比較大的資源型貨物主要是煤炭與礦石，因此將煤炭與礦石的總產(chǎn)量作為資源要素進(jìn)行考慮。

由圖3中的資源分布可知，山西和內(nèi)蒙古的資源產(chǎn)量最高，其次是新疆、陜西、貴州、安徽、河南以及東北部省域，而由上文圖2中的貨流分布可知，這些資源大省附近的貨流都較大，說明鐵路貨流與資源分布密切相關(guān)?？紤]不同省域資源產(chǎn)量差值較大，也對(duì)其進(jìn)行對(duì)數(shù)處理。

圖3 省域資源分布圖

鐵路貨流的形成必定同時(shí)存在發(fā)送地和到達(dá)地，對(duì)于發(fā)送地來說，存在一種“推力”推動(dòng)本省域貨運(yùn)的流出，對(duì)于到達(dá)地來說，存在一種“拉力”拉動(dòng)本省域貨運(yùn)的流入，根據(jù)推拉理論將自變量分為發(fā)送地變量和到達(dá)地變量，并與因變量進(jìn)行回歸分析，發(fā)現(xiàn)加入了到達(dá)地資源要素后共線性增大，而在剔除到達(dá)地資源要素后共線性統(tǒng)計(jì)量VIF小于3，處于可接受范圍內(nèi)，此外由于資源要素主要是推力的作用，所以對(duì)資源要素僅作為發(fā)送地變量考慮。

2 空間自相關(guān)性檢驗(yàn)

在構(gòu)建空間自相關(guān)模型進(jìn)行貨流分析之前，需要對(duì)貨流的空間自相關(guān)性進(jìn)行探索，檢驗(yàn)其是否存在空間上的自相關(guān)。

2.1 Moran’s I指數(shù)

空間自相關(guān)指標(biāo)是用來確定是否存在空間自相關(guān)的依據(jù)，分為全局和局部2種，全局指標(biāo)用來檢驗(yàn)屬性的觀測(cè)值在整個(gè)區(qū)域內(nèi)是否存在集聚效應(yīng)，其中應(yīng)用較為廣泛的是Moran’s I指數(shù)，公式[13]如下：

取值在?1~1之間，<0表示呈現(xiàn)負(fù)相關(guān)，值越小空間差異越大；=0表示不相關(guān)；>0表示正相關(guān)，值越大空間相關(guān)性越強(qiáng)。

2.2 網(wǎng)絡(luò)空間權(quán)重矩陣

把省域間的貨運(yùn)流動(dòng)抽象為一個(gè)網(wǎng)絡(luò)，發(fā)送地和到達(dá)地看成節(jié)點(diǎn)，兩地間的貨流看成網(wǎng)絡(luò)中各個(gè)弧上的值，那么所有貨流之間的相互關(guān)系就可以用網(wǎng)絡(luò)空間權(quán)重矩陣來表示。同時(shí)由圖2中的貨流分布可知，鄰近省域間的貨流相對(duì)較大，非鄰近省域間的貨流相對(duì)較小，因此以空間鄰接規(guī)則來定義網(wǎng)絡(luò)空間權(quán)重矩陣能更好的描述省域間鐵路貨流的空間依賴關(guān)系，其一般形式為[14]：

1) 發(fā)送地空間權(quán)重矩陣

指2條流的到達(dá)地相同，發(fā)送地在空間上相鄰，則可以判定這2條流相鄰，相應(yīng)的權(quán)重矩陣用o表示，具體為：

2) 到達(dá)地空間權(quán)重矩陣

指2條流的發(fā)送地相同，到達(dá)地在空間上相鄰，則可以判定這2條流相鄰，相應(yīng)的權(quán)重矩陣用d表示，具體為：

3) 流的空間權(quán)重矩陣

指兩條流的發(fā)送地相鄰且到達(dá)地也相鄰，則可以判定這2條流相鄰，相應(yīng)的權(quán)重矩陣用w表示，具體為：

2.3 結(jié)果分析

將以上3種空間權(quán)重矩陣代入式(1)，以2015年鐵路貨流原始數(shù)據(jù)為基礎(chǔ)分析其全局空間自相關(guān)性，分析結(jié)果見表1。

表1 鐵路貨運(yùn)流Moran’s I值

**表示通過5%顯著性檢驗(yàn)

由表1可知，3種空間權(quán)重矩陣下鐵路貨流的Moran’s I值都為正且通過了顯著性檢驗(yàn)，表明鐵路貨流存在顯著的空間自相關(guān)，且發(fā)送地空間權(quán)重矩陣下貨流的空間自相關(guān)性最強(qiáng)，因此可以對(duì)鐵路貨流構(gòu)建空間自相關(guān)模型。

3 空間自相關(guān)模型分析

3.1 空間自相關(guān)模型

空間自相關(guān)模型用于研究存在空間交互效應(yīng)的變量之間的關(guān)系[14]，即空間依賴或空間相關(guān)。實(shí)際中某一地區(qū)的觀測(cè)值會(huì)表現(xiàn)出與其他地區(qū)觀測(cè)值相關(guān)，如果忽略變量之間的這種相關(guān)性仍采用普通的回歸模型來分析變量之間的關(guān)系，則會(huì)導(dǎo)致模型估計(jì)錯(cuò)誤，歪曲經(jīng)濟(jì)變量之間的影響關(guān)系[15]?？臻g自相關(guān)模型基本形式如下：

將o，d和w引入式(6)中即可得到發(fā)送地空間自相關(guān)模型、到達(dá)地空間自相關(guān)模型、流的空間自相關(guān)模型：

3.2 邊際效應(yīng)模型

空間自相關(guān)模型中，網(wǎng)絡(luò)流之間是相互影響的，某一區(qū)域變量的改變，不僅會(huì)影響到與這個(gè)區(qū)域相關(guān)的流，還會(huì)對(duì)其他流造成影響。根據(jù)Lesage等[16]的研究，記te為區(qū)域內(nèi)某變量對(duì)整個(gè)網(wǎng)絡(luò)中流的影響，oe為對(duì)該區(qū)域發(fā)送流的影響，de為對(duì)該區(qū)域到達(dá)流的影響，ie為對(duì)該區(qū)域內(nèi)部貨流的影響，ne為對(duì)網(wǎng)絡(luò)中其他流的影響，其中

以一個(gè)小型貨流網(wǎng)絡(luò)來對(duì)發(fā)送地空間自相關(guān)模型和邊際效應(yīng)模型進(jìn)描述說明，假設(shè)網(wǎng)絡(luò)中存在2個(gè)區(qū)域，分別為區(qū)域1和區(qū)域2，且2區(qū)域在空間上相互鄰接，那么共存在4條貨流，若僅考慮一個(gè)影響因素，則其模型變量分別為：

其中：1和2分別表示區(qū)域1和2中影響因素的值，表示發(fā)送地和到達(dá)地間的距離，因此11=22=0，21=12，將以上各變量代入式(7)中，求解出各待估系數(shù)。再將d和o代入式(15)~(18)中對(duì)影響因素的邊際效應(yīng)進(jìn)行分析：

將以上各矩陣代入式(10)~(14)中，即可求解出影響因素對(duì)網(wǎng)絡(luò)中各種流的影響。同理，到達(dá)地空間自相關(guān)模型、流的空間自相關(guān)模型及其影響因素邊際效應(yīng)的求解，也可按以上步驟進(jìn)行。

3.3 空間自相關(guān)模型分析

將經(jīng)過對(duì)數(shù)處理的因變量和自變量代入模型(7)~(9)中，采用極大似然估計(jì)，應(yīng)用Matlab求解，并以赤池信息準(zhǔn)則來檢驗(yàn)?zāi)Ｐ偷膬?yōu)越性，分析結(jié)果見表2。

表2中赤池信息準(zhǔn)則(AIC值)是用來衡量模型擬合度的標(biāo)準(zhǔn)，其值越小，模型擬合度越高[17]。由表2可知，標(biāo)準(zhǔn)回歸模型的AIC值最大，說明空間自相關(guān)模型的擬合度優(yōu)于標(biāo)準(zhǔn)回歸模型。

表2中發(fā)送地GDP和距離的系數(shù)都為負(fù)，表明這兩個(gè)因素與鐵路貨流呈負(fù)相關(guān)，其他各因素的系數(shù)都為正，表明與鐵路貨流呈正相關(guān)。對(duì)于發(fā)送地空間自相關(guān)模型來說，發(fā)送地工業(yè)產(chǎn)品產(chǎn)量的作用相對(duì)于回歸模型得到了放大，而距離、發(fā)送地鐵路營(yíng)業(yè)里程、到達(dá)地鐵路營(yíng)業(yè)里程、發(fā)送地資源產(chǎn)量的作用都被減弱了；對(duì)于到達(dá)地空間自相關(guān)模型來說，到達(dá)地GDP，到達(dá)地工業(yè)產(chǎn)品產(chǎn)量、到達(dá)地鐵路營(yíng)業(yè)里程的作用被強(qiáng)化，發(fā)送地工業(yè)產(chǎn)品產(chǎn)量、距離、發(fā)送地鐵路營(yíng)業(yè)里程、發(fā)送地資源產(chǎn)量的作用被弱化了；對(duì)于流的空間自相關(guān)模型來說，到達(dá)地GDP、發(fā)送地工業(yè)產(chǎn)品產(chǎn)量、到達(dá)地工業(yè)產(chǎn)品產(chǎn)量、到達(dá)地鐵路營(yíng)業(yè)里程的作用被強(qiáng)化，而距離、發(fā)送地鐵路營(yíng)業(yè)里程、發(fā)送地資源產(chǎn)量的作用被弱化。由此可知，在引入了空間滯后的因變量后，自變量對(duì)因變量的影響程度發(fā)生了改變，所以如果不考慮空間上的相互影響，勢(shì)必會(huì)造成對(duì)影響因素的過高或過低估計(jì)。

表2 鐵路貨流標(biāo)準(zhǔn)回歸模型和空間自相關(guān)模型估計(jì)

*表示通過10%顯著性檢驗(yàn)，**表示通過5%顯著性檢驗(yàn)

3.4 邊際效應(yīng)分析

下面以流的空間自相關(guān)模型為例，對(duì)影響因素進(jìn)行邊際效應(yīng)分析，結(jié)果見表3。

表3 空間自相關(guān)模型邊際效應(yīng)分析

由于影響因素的邊際效應(yīng)需要同時(shí)考慮其在發(fā)送地和到達(dá)地的作用，所以在此僅對(duì)GDP，工業(yè)產(chǎn)品產(chǎn)量和鐵路營(yíng)業(yè)里程進(jìn)行分析。

由表2可知在流的空間自相關(guān)模型中，發(fā)送地GDP表現(xiàn)出空間上的負(fù)相關(guān)，但是未通過顯著性檢驗(yàn)，而到達(dá)地GDP表現(xiàn)出空間上的正相關(guān)，通過了顯著性檢驗(yàn)。根據(jù)表3中的邊際效應(yīng)分析可知，GDP對(duì)整個(gè)鐵路網(wǎng)絡(luò)貨流的影響為0.161，即某省域GDP增加1%，整個(gè)網(wǎng)絡(luò)鐵路貨流增加0.161%；且某省域GDP的變化對(duì)該省域到達(dá)流的影響最大為0.172%，其次是對(duì)網(wǎng)絡(luò)中其他貨流的影響為0.036%，而對(duì)該省域發(fā)送流的影響為負(fù)。

在工業(yè)產(chǎn)品產(chǎn)量方面，發(fā)送地工業(yè)產(chǎn)品產(chǎn)量和到達(dá)地工業(yè)產(chǎn)品產(chǎn)量都表現(xiàn)出空間上的正相關(guān)，且通過了顯著性檢驗(yàn)。表3中工業(yè)產(chǎn)品產(chǎn)量對(duì)整個(gè)鐵路網(wǎng)絡(luò)貨流的影響為0.375，即某省域工業(yè)產(chǎn)品產(chǎn)量增加1%，整個(gè)鐵路網(wǎng)絡(luò)中貨流增加0.375%，其中對(duì)該省域發(fā)送流的影響最大為0.203%，其次是對(duì)網(wǎng)絡(luò)中其他出行流的影響為0.1%，而對(duì)該省域到達(dá)流的影響僅為0.063%。

在鐵路營(yíng)業(yè)里程方面，發(fā)送地鐵路營(yíng)業(yè)里程和到達(dá)地鐵路營(yíng)業(yè)里程都表現(xiàn)出空間上的正相關(guān)，且通過了顯著性檢驗(yàn)。從表3中來看，鐵路營(yíng)業(yè)里程的邊際效應(yīng)在3個(gè)影響因素中最大，其對(duì)整個(gè)鐵路網(wǎng)絡(luò)下貨流的影響為1.009，即某省域的鐵路營(yíng)業(yè)里程增加1%，整個(gè)網(wǎng)絡(luò)中貨流將增加1.009%，其中省域到達(dá)流將增加0.451%，發(fā)送流將增加0.279%，網(wǎng)絡(luò)中其他貨流將增加0.255%。

表2中3個(gè)模型的空間自回歸系數(shù)都為正值，且都通過了顯著性檢驗(yàn)，其中發(fā)送地空間自相關(guān)回歸系數(shù)最大為0.428，表明貨流的發(fā)送地省域和其相鄰省域之間呈現(xiàn)顯著的正相關(guān)，即隨著某一貨流的增加，該貨流的發(fā)送地相鄰省域發(fā)送至到達(dá)地省域的貨流也會(huì)增加，所以該省域GDP、工業(yè)產(chǎn)品產(chǎn)量、鐵路營(yíng)業(yè)里程的增加不僅會(huì)刺激本省域貨流的增加，還會(huì)對(duì)周邊省域的貨運(yùn)流也起到促進(jìn)作用；其次是到達(dá)地空間自相關(guān)回歸系數(shù)為0.365，表明貨流的到達(dá)地省域與其相鄰省域呈現(xiàn)出顯著的正相關(guān)，即隨著某一貨流的增加，該貨流發(fā)送地省域發(fā)送至到達(dá)地相鄰省域的貨流也會(huì)受到刺激從而增加；而流的空間自相關(guān)回歸系數(shù)值最小為0.239，表明貨流的發(fā)送地省域和到達(dá)地省域與其相鄰省域都呈現(xiàn)出顯著的正相關(guān)，即隨著某一貨流的增加，由該貨流發(fā)送地相鄰省域發(fā)送至到達(dá)地相鄰省域的貨流也會(huì)增加，所以省域GDP、工業(yè)產(chǎn)品產(chǎn)量、鐵路營(yíng)業(yè)里程的增加不僅會(huì)刺激本省域貨流，還會(huì)對(duì)相鄰省域的貨流產(chǎn)生刺激。

4 結(jié)論

1) 從空間角度，采用了Moran’s I指數(shù)和引入了網(wǎng)絡(luò)空間權(quán)重矩陣的空間自相關(guān)模型對(duì)鐵路貨流進(jìn)行研究，為鐵路貨運(yùn)提供了一種新的研究方法和思路。

2) 通過對(duì)鐵路貨流的Moran’s I指數(shù)分析發(fā)現(xiàn)，貨流表現(xiàn)出顯著的空間自相關(guān)，且發(fā)送地的空間自相關(guān)性更強(qiáng)。

3) 通過建立空間自相關(guān)模型，分析了GDP、工業(yè)產(chǎn)品產(chǎn)量、距離、鐵路營(yíng)業(yè)里程和資源產(chǎn)量對(duì)鐵路貨流的影響，其中發(fā)送地GDP、距離與鐵路貨流呈負(fù)相關(guān)，而到達(dá)地GDP、發(fā)送地工業(yè)產(chǎn)品產(chǎn)量、到達(dá)地工業(yè)產(chǎn)品產(chǎn)量、發(fā)送地鐵路營(yíng)業(yè)里程、到達(dá)地鐵路營(yíng)業(yè)里程、發(fā)送地資源產(chǎn)量都與鐵路貨流呈正相關(guān)。

4) 3種空間自相關(guān)模型的空間回歸系數(shù)都顯著為正，因此，如果忽略鐵路貨流的空間效應(yīng)，將會(huì)造成影響因素的過高或過低估計(jì)。

[1] 梁寧, 耿立艷, 張占福. 基于GRA與SVM-mixed的貨運(yùn)量預(yù)測(cè)方法[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2016, 16(6): 94?99. LIANG Ning, GENG Liyan, ZHANG Zhanfu. A prediction method of railway freight volumes using GRA and SVM-mixed[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(6): 94?99.

[2] 耿立艷, 張?zhí)靷? 趙鵬. 基于灰色關(guān)聯(lián)分析的LS-SVM鐵路貨運(yùn)量預(yù)測(cè)[J]. 鐵道學(xué)報(bào), 2012, 34(3): 1?6. GENG Liyan, ZHANG Tianwei, ZHAO Peng. Forecast of railway freight volumes based on LS-SVM with grey correlation analysis[J]. Journal of the China Railway Society, 2012, 34(3): 1?6.

[3] Black W R. Network autocorrelation in transport network and flow systems[J]. Geographical Analysis, 2010, 24(3): 207?222.

[4] Tobler W R. An alternative formulation for spatial interaction modeling[J]. Environment & Planning A, 1983, 15(5): 693?703.

[5] LU Qingchang, PENG Zhangren, ZHANG Liye, et al. Economic analyses of sea-level rise adaptation strategies in transportation considering spatial autocorrelation[J]. Transportation Research Part D Transport & Environment, 2014, 33(33): 87?94.

[6] Chun Y. Modeling network autocorrelation within migration flows by eigenvector spatial filtering[J]. Journal of Geographical Systems, 2008(10): 317?344.

[7] Yoo J, Ready R. The impact of agricultural conservation easement on nearby house prices: incorporating spatial autocorrelation and spatial heterogeneity[J]. Journal of Forest Economics, 2016(25): 78?93.

[8] Melecky L. Spatial autocorrelation method for local analysis of the EU[J]. Procedia Economics & Finance, 2015(23): 1102?1109.

[9] Zipf G K. The hypothesis of the” Minimum Equation” as a unifying social principle: with attempted synthesis[J]. Amercian Sociological Review, 1947, 12(6): 627?650.

[10] Griffith D A, Jones K G. Explorations into the relationship between spatial structure and spatial interaction[J]. Environment & Planning A, 1980, 12(2): 187?201.

[11] 李瑞, 代明睿, 李鳳姿. 基于灰色關(guān)聯(lián)度的鐵路貨運(yùn)量關(guān)鍵影響因子選取方法研究[J]. 鐵道貨運(yùn), 2015(11): 11?14. LI Rui, DAI Mingrui, LI Fengzi. The research of the key factors of railway freight volume based on grey relational analysis[J]. Railway Freight Transport, 2015(11): 11?14.

[12] 梅曉玲. 基于灰色關(guān)聯(lián)與投影算法的鐵路貨運(yùn)量影響因素分析[J]. 四川理工學(xué)院學(xué)報(bào)(自科版), 2015, 28(5): 85?88. MEI Xiaoling. Analysis of influencing factors of railway freight volume based on grey relational analysis and projection algorithm[J]. Journal of Sichuan University of Science& Engineering (Natural Science), 2015, 28(5): 85?88.

[13] Cliff A D, Ord J K. Spatial processes: models & applications[J]. Quarterly Review of Biology, 1982, 57(2): 236.

[14] 王曉玲. 基于空間滯后模型的區(qū)域經(jīng)濟(jì)發(fā)展影響因素分析[J]. 大同大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 29(1): 6?9. WANG Xiaoling. Analysis of influencing factors of regional economic development based on spatial lag model[J]. Journal of Datong University (Natural Science), 2013, 29(1): 6?9.

[15] 楊春, 陸文聰. 基于空間計(jì)經(jīng)濟(jì)模型的縣域糧食生產(chǎn)區(qū)域格局研究[J]. 農(nóng)業(yè)技術(shù)經(jīng)濟(jì), 2010(5): 24?29.YANG Chun, LU Wencong. Study on the regional pattern of grain production in county based on spatial econometric model[J]. Journal of Agrotechnical Economics, 2010(5): 24?29.

[16] Lesage J P, Thomas-Agnan C. Interpreting spatial economic origin-destination flow models[J]. Journal of Regional Science, 2015, 55(2): 188?208.

[17] 馬榮華, 蒲英霞, 馬曉冬. GIS空間關(guān)聯(lián)模式發(fā)現(xiàn)[M]. 北京: 科學(xué)出版社, 2007. MA Ronghua, PU Yingxia, MA Xiaodong. Mining spatial association patterns from GIS database[M]. Beijing: Science Press, 2007.

Research on spatial effect of railway freight flow based on SAR

FANG Xiaoping1, LI Huan1, NI Linglin2

(1. School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China; 2. Dongfang College, Zhejiang University of Finance and Economics, Hangzhou 310012, China)

In order to explore the spatial effects of railway freight flow, this paper established network spatial weight matrix based on the freight data, and constructed the SAR model then analyzed the marginal effect of the flow. The results show that the freight flow have obvious spatial autocorrelation; the GDP of origin and distance are negatively correlated with the flow, the GDP of destination, industrial product, the mileage of railway business, the resource of origin are positively correlated with the flow; the spatial autocorrelation of the origin, the spatial autocorrelation of destination and the spatial autocorrelation of OD flow all have an important impact of flow, so it need to take spatial effects into account in carrying out rail freight flow analysis.

railway freight flow; network spatial weight matrix; spatial autocorrelation; SAR; spatial effect analysis

10.19713/j.cnki.43?1423/u.2019.01.034

U2-9

A

1672 ? 7029(2019)01 ? 0257 ? 09

2017?12?27

浙江省自然科學(xué)基金資助項(xiàng)目(LQ17G010001)；國(guó)家自然科學(xué)基金青年資助項(xiàng)目(71801188)；浙江省哲學(xué)社科規(guī)劃一般資助項(xiàng)目(19NDJC167YB)

倪玲霖(1980?)，女，浙江永康人，教授，博士，從事交通與物流需求預(yù)測(cè)、網(wǎng)絡(luò)規(guī)劃與管理方面研究；E?mail：nll@zufe.edu.cn

(編輯 蔣學(xué)東)