楊霖， 楊斌， 任青山， 楊信廷， 韓佳偉. 中國智慧冷鏈發(fā)展水平評價及對策建議[J]. 智慧農(nóng)業(yè)（中英文）， 2023， 5(1): 22-33.
doi:10.12133/j.smartag.SA202302003

YANG Lin， YANG Bin， REN Qingshan， YANG Xinting， HAN Jiawei. Evaluation and Countermeasures on the Development Level of Intelligent Cold Chain in China[J]. Smart Agriculture， 2023， 5(1): 22-33. doi:10.12133/j.smartag.SA202302003

官網(wǎng)全文在線閱讀

通過熵權法對2017—2021年冷鏈數(shù)據(jù)進行計算，確定相應年份智慧冷鏈發(fā)展評價指標權重，本文僅展示了2021年指標權重結果（見表1）。從表1中可以看出，2021年二級指標中人均冷藏車、電子商務銷售額、餐飲企業(yè)營業(yè)額影響較大，人均冷藏車最為重要，權重為0.1343，冷藏車在流通過程中保持低溫環(huán)境，保障生鮮農(nóng)產(chǎn)品質量。第二位是電子商務銷售額，權重為0.1274，通過電商平臺進行銷售，提高冷鏈經(jīng)濟效益，有利于信息技術融合，促進智慧冷鏈發(fā)展。第三位是餐飲企業(yè)營業(yè)額，權重為0.1252，通過餐飲行業(yè)對生鮮農(nóng)產(chǎn)品進行分銷，促進智慧冷鏈高速發(fā)展。

表 1 2021年智慧冷鏈發(fā)展水平評價指標權重

Table 1 Weights of indicators for evaluating the development level of intelligent cold chain in 2021

一級指標中經(jīng)濟效益比重最大為0.2873，經(jīng)濟發(fā)展對于智慧冷鏈發(fā)展具有重要影響，高水平經(jīng)濟推動智慧冷鏈物流高質量發(fā)展。第二位是倉儲能力，權重為0.2230，基礎建設是智慧冷鏈的硬實力，保障冷鏈流通作業(yè)。第三位是信息化水平，權重為0.2060，信息化水平對智慧冷鏈發(fā)展重要，信息技術融合程度越高，智慧冷鏈建設越強。第四位是運輸能力，權重是0.1750，冷藏運輸可以保證生鮮農(nóng)產(chǎn)品品質，提高智慧冷鏈服務質量。雖然二級指標中人均冷藏車權重最為重要，但在一級指標歸類時，冷鏈運輸能力僅包含人均冷藏車和公路里程兩個二級指標，且相比其他二級指標，公路里程權重較小，導致在一級指標權重排序時冷鏈運輸能力權重僅為第四位。第五位是供給能力，權重為0.1087，穩(wěn)定的生鮮農(nóng)產(chǎn)品供應保障智慧冷鏈正常運作，有助于提升智慧冷鏈綜合實力。

通過TOPSIS法綜合分析2017—2021年中國30個省市（不含西藏、香港、澳門、臺灣）智慧冷鏈發(fā)展水平如圖1所示，首先對各省市智慧冷鏈發(fā)展進行分析，由各省市的年份柱形長度變化可知，不同省市間的智慧冷鏈發(fā)展水平起伏較大，上海、北京、廣州智慧冷鏈發(fā)展水平最好，遠超其余省市，青海、甘肅發(fā)展最差。雖然絕大部分省市智慧冷鏈發(fā)展水平較低，但多數(shù)省市智慧冷鏈發(fā)展勢頭較好。其次分區(qū)域對地區(qū)智慧冷鏈發(fā)展水平進行研究，華東沿海地區(qū)整體柱形長度最長，表明華東地區(qū)2017—2021年總體發(fā)展最好，明顯優(yōu)于其他地區(qū)，其次是華南和華北地區(qū)，智慧冷鏈發(fā)展最為落后的為西北和西南地區(qū)。區(qū)域間整體差距較大，并且差距隨時間變化越來越大，構成了東強西弱，南強北弱現(xiàn)狀。

圖 1 2017—2021年中國智慧冷鏈發(fā)展水平評價結果

Fig.1 Evaluation results of Chinas intelligent cold chain development level from 2017 to 2021

圖2為2017—2021年中國智慧冷鏈發(fā)展水平地理分級圖。首先從圖3可知中國各省市智慧冷鏈發(fā)展分為四類等級，第一類評價得分大于0.5，有上海、廣東、北京，這3個省市一直處于第一梯隊，2017—2021年從未發(fā)生變化，主要是因為該類省市經(jīng)濟發(fā)達、人均可支配收入高、生鮮農(nóng)產(chǎn)品需求量大、基礎設施建設完備、地理位置便利、冷鏈企業(yè)數(shù)量充足、信息化技術應用率高，智慧冷鏈發(fā)展最好。第二類評價得分在0.3~0.5之間，在2017—2018年期間有江蘇、山東、浙江、天津、河南，但在2019—2021年減少為江蘇、山東、浙江、天津，該類省市經(jīng)濟發(fā)展向好，人均可支配收入較高，生鮮農(nóng)產(chǎn)品產(chǎn)量多、基礎設施建設達標、冷鏈企業(yè)數(shù)量多，智慧冷鏈發(fā)展較好。處于第三類和第四類等級中的省市變化較大，例如，陜西在2017年處于第四等級，而到2018年就發(fā)展上升為第三等級；而江西2019年之前一直處于第四等級，到2020年才發(fā)展為第三等級。吉林省在2017年處于第四等級，到2018年上升為第三等級，但在2019年卻下降到第四等級，并一直持續(xù)到2021年。寧夏2019年之前一直處于第四等級，到2020年才提升為第三等級，但在2021年就下降為第四等級。其中第三類得分在0.2~0.3之間，主要有四川、安徽、湖南、河北等，該類地區(qū)經(jīng)濟發(fā)展適中，人均可支配收入一般、基礎設施建設不足、冷鏈企業(yè)數(shù)量較少，信息技術利用率低，智慧冷鏈發(fā)展一般。第四類為得分在0.2以下，主要有云南、吉林、寧夏等，該類地區(qū)經(jīng)濟發(fā)展較為落后，基礎設施明顯欠缺，冷鏈企業(yè)不足，人均可支配收入較少，智慧冷鏈發(fā)展較差。

圖2 2017—2021年中國智慧冷鏈發(fā)展水平地理分級圖

注：該圖基于國家測繪地理信息局標準地圖服務網(wǎng)站下載的審圖號為GS（2020）4619號的標準地圖制作，底圖無修改

Fig.2 The geographical grading chart of Chinas intelligent cold chain development level from 2017 to 2021

對中國智慧冷鏈發(fā)展水平結果進行全局自相關分析，Morans I變化曲線如圖3所示。2017—2021年中國各省市智慧冷鏈發(fā)展存在空間正相關性，總體空間相關性呈先下降后上升趨勢，下降趨勢逐漸減慢，下降幅度大于上升幅度。表明自2017年以來中國智慧冷鏈發(fā)展水平相似地區(qū)在空間中的集中分布性逐漸減弱，2020年到達最低值0.13，然后2021年回升到0.168，但依然低于2017年，說明中國在智慧冷鏈物流建設過程中總體空間差異性在變大。

圖3 2017—2021年中國智慧冷鏈發(fā)展全局自相關系數(shù)

Fig. 3 The global autocorrelation coefficient of Chinas intelligent cold chain development from 2017 to 2021

根據(jù)各省市智慧冷鏈發(fā)展時空分布特性，繪制2017—2021年LISA聚集圖，如圖4所示，在5%顯著性水平下的進行分析可得，中國智慧冷鏈發(fā)展存在較為顯著的差異格局，在華東區(qū)域內(nèi)的省市間存在正空間相關性，與鄰近省市間具有相互關聯(lián)的發(fā)展趨勢，而在華北和華南區(qū)域中存在負空間性，智慧冷鏈協(xié)同發(fā)展較差。華東地區(qū)局部空間差異性較小，自身與鄰近省市的智慧冷鏈發(fā)展均處于較高水平（高-高），主要在上海、浙江、江蘇、安徽，天津和山東等地區(qū)附近，該區(qū)域經(jīng)濟發(fā)展較好，冷鏈基礎設施建設完備，地理位置優(yōu)越，信息技術融合程度高，智慧冷鏈協(xié)同發(fā)展性較好。

圖 4 2017—2021年中國智慧冷鏈發(fā)展LISA聚集程度地理分布圖

注：該圖基于國家測繪地理信息局標準地圖服務網(wǎng)站下載的審圖號為GS（2020）4619號的標準地圖制作，底圖無修改

Fig. 4 Geographic distribution map of LISA clustering degree of smart cold chain development in China from 2017 to 2021

華北地區(qū)空間差異性較大，鄰近省市智慧冷鏈發(fā)揮較好但自身發(fā)展較差（低-高），主要在河北和山西等地區(qū)附近。華南地區(qū)空間差異性同樣較大，自身智慧冷鏈發(fā)展較好但鄰近省市發(fā)展較低（高-低），主要在廣東附近。

從整體數(shù)量角度來看，低-高類型省市數(shù)量在2021年之前一直是2個（河北和山西），2021年減少到只有山西省。高-高類型省市從2017年開始逐漸減少，在2019年數(shù)量最少，從2020年開始增多，與全局自相關系數(shù)變化趨勢相吻合。高-低類型省市未發(fā)生變化，一直都在廣東省附近。不顯著區(qū)域占絕大數(shù)，且不存在低-低區(qū)域。與2017年對比，2021年全國智慧冷鏈發(fā)展空間發(fā)展格局變化較小，華東區(qū)域內(nèi)各省市間依然存在正空間相關性，華北和華南區(qū)域空間性仍較差，說明經(jīng)過近五年的智慧冷鏈建設，智慧冷鏈高發(fā)展水平地區(qū)其協(xié)調帶動作用沒有發(fā)揮出來。

在進行地理加權回歸分析之前，首先通過線性回歸分析出智慧冷鏈評價指標間的線性相關性，然后根據(jù)分析結果中膨脹因子（Variance Inflation Factor，VIF），選取VIF<10的評價指標，最后根據(jù)選取的評價指標構建GWR模型。2017、2018、2019年GWR建模的6個自變量有人均生鮮農(nóng)產(chǎn)品產(chǎn)量、貨物運輸量、公路里程、人均需求量、每百家企業(yè)擁有網(wǎng)站數(shù)和每百人使用計算機數(shù)，2020年GWR模型的7個自變量有人均生鮮農(nóng)產(chǎn)品產(chǎn)量、貨物運輸量、人均冷藏車、公路里程、人均需求量、每百家企業(yè)擁有網(wǎng)站數(shù)和每百人使用計算機數(shù)，2021年GWR的5個自變量有人均生鮮農(nóng)產(chǎn)品產(chǎn)量、公路里程、人均需求量、每百家企業(yè)擁有網(wǎng)站數(shù)和每百人使用計算機數(shù)。為減少不同量綱間的影響，將變量數(shù)據(jù)進行歸一化處理。

根據(jù)公式（12）創(chuàng)建2021年GWR模型（公式（13））和2017年GWR模型（公式（14）），將兩者進行比較分析。2021年各自變量分別為：人均生鮮農(nóng)產(chǎn)品產(chǎn)量（PCOFAP），公路里程（HM），人均需求量（PCD），每百家企業(yè)擁有網(wǎng)站數(shù)量（NWPOE）和每百人使用計算機數(shù)量（NCPOP）。2017年各自變量分別為人均生鮮農(nóng)產(chǎn)品產(chǎn)量（PCOFAP），貨物運輸量（VT）， 人均需求量（PCD），每百家企業(yè)擁有網(wǎng)站數(shù)量（NWPOE）和每百人使用計算機數(shù)量（NCPOP）。

表2為GWR計算結果，基于局部R2的空間變異性可知，2021年全國各省市擬合程度較為相近，2017年西北地區(qū)各省擬合度較高，東北地區(qū)省市擬合度較低。由R2、調整R2以及殘差平方和可知，2021年整體擬合程度較2017年好，表明2021年所選取指標較2017年更為準確和更具代表性。

表 2 中國智慧冷鏈發(fā)展水平GWR計算結果

Table 2 GWR calculation results of Chinas intelligent cold chain development level

表3為2017年GWR模型自變量回歸系數(shù)結果，可以明顯看出各自變量對各省市的影響程度存在空間差異。每百人使用計算機數(shù)對智慧冷鏈建設最為重要并呈現(xiàn)正相關性，對各省市智慧冷鏈的發(fā)展產(chǎn)生不同程度影響，在華南地區(qū)最為強烈，主要以上海、浙江為主，并逐漸向西北部減弱，影響最小的省市主要集中在新疆、青海地區(qū)。

表 3 2017年智慧冷鏈GWR自變量回歸系數(shù)與地區(qū)分布

Table 3 Regression coefficients and regional distribution of GWR independent variables for intelligent cold chain in 2017

人均需求量對智慧冷鏈建設的影響次之，與智慧冷鏈發(fā)展呈正相關性，說明人均需求量增加可以提升智慧冷鏈建設速度，對不同省市的影響程度差異明顯，影響較大值在華南和西南地區(qū)，影響程度向北逐漸減弱，最小值在黑龍江和新疆地區(qū)。

貨物運輸量對智慧冷鏈發(fā)展影響程度位于第三，對各省市影響差異較大，對西南和西北地區(qū)影響最大，影響程度向東逐漸減弱，在東北地區(qū)最小。每百家企業(yè)擁有網(wǎng)站數(shù)對智慧冷鏈發(fā)展影響居于第四，在吉林和黑龍江地區(qū)敏感度較大，以此向西南依次減少，到廣西、海南、云南地區(qū)最弱。公路里程對智慧冷鏈建設的影響力處于第五，正相關性最小，在吉林和黑龍江最為敏感，向西南和西北地區(qū)逐漸減弱，在云南、青海、新疆地區(qū)最小。人均生鮮農(nóng)產(chǎn)品產(chǎn)量對智慧冷鏈建設影響最小，其影響力從海南地區(qū)向北逐漸減弱，到華北和東北地區(qū)最小。

表4為通過GWR模型計算2021年自變量回歸系數(shù)結果，各自變量對于不同省市的影響程度未存在空間差異。每百人使用計算機數(shù)對智慧冷鏈影響最為明顯并呈現(xiàn)正相關性，人均需求量正相關影響同樣較大。與表3進行比較，2021年每百人使用計算機數(shù)和人均需求量對智慧冷鏈發(fā)展影響地位相同，但每百人使用計算機數(shù)影響程度在減少，人均需求量影響作用逐漸增減。主要由于智慧冷鏈建設主要通過智能計算進行信息化轉型升級，計算機數(shù)量占主要地位，但隨著建設進程，大部分冷鏈企業(yè)計算機數(shù)量飽和，逐漸轉變?yōu)橐孕枨鬄閷虻闹腔劾滏溄ㄔO。

表 4 2021年智慧冷鏈GWR自變量回歸系數(shù)

Table 4 Regression coefficients of GWR independent variables for intelligent cold chain in 2021