楊霖， 楊斌， 任青山， 楊信廷， 韓佳偉. 中國智慧冷鏈發展水平評價及對策建議[J]. 智慧農業（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

官網全文在線閱讀

通過熵權法對2017—2021年冷鏈數據進行計算，確定相應年份智慧冷鏈發展評價指標權重，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、餐飲企業營業額影響較大，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境，保障生鮮農產品質量。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，提高冷鏈經濟效益，有利于信息技術融合，促進智慧冷鏈發展。第三位是餐飲企業營業額，權重為0.1252，通過餐飲行業對生鮮農產品進行分銷，促進智慧冷鏈高速發展。

表 1 2021年智慧冷鏈發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

一級指標中經濟效益比重最大為0.2873，經濟發展對于智慧冷鏈發展具有重要影響，高水平經濟推動智慧冷鏈物流高質量發展。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。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產品品質，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，穩定的生鮮農產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）智慧冷鏈發展水平如圖1所示，首先對各省市智慧冷鏈發展進行分析，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展水平起伏較大，上海、北京、廣州智慧冷鏈發展水平最好，遠超其余省市，青海、甘肅發展最差。雖然絕大部分省市智慧冷鏈發展水平較低，但多數省市智慧冷鏈發展勢頭較好。其次分區域對地區智慧冷鏈發展水平進行研究，華東沿海地區整體柱形長度最長，表明華東地區2017—2021年總體發展最好，明顯優于其他地區，其次是華南和華北地區，智慧冷鏈發展最為落后的為西北和西南地區。區域間整體差距較大，并且差距隨時間變化越來越大，構成了東強西弱，南強北弱現狀。

圖 1 2017—2021年中國智慧冷鏈發展水平評價結果

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年從未發生變化，主要是因為該類省市經濟發達、人均可支配收入高、生鮮農產品需求量大、基礎設施建設完備、地理位置便利、冷鏈企業數量充足、信息化技術應用率高，智慧冷鏈發展最好。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，該類省市經濟發展向好，人均可支配收入較高，生鮮農產品產量多、基礎設施建設達標、冷鏈企業數量多，智慧冷鏈發展較好。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，該類地區經濟發展適中，人均可支配收入一般、基礎設施建設不足、冷鏈企業數量較少，信息技術利用率低，智慧冷鏈發展一般。第四類為得分在0.2以下，主要有云南、吉林、寧夏等，該類地區經濟發展較為落后，基礎設施明顯欠缺，冷鏈企業不足，人均可支配收入較少，智慧冷鏈發展較差。

圖2 2017—2021年中國智慧冷鏈發展水平地理分級圖

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展水平相似地區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年中國智慧冷鏈發展全局自相關系數

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

根據各省市智慧冷鏈發展時空分布特性，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，中國智慧冷鏈發展存在較為顯著的差異格局，在華東區域內的省市間存在正空間相關性，與鄰近省市間具有相互關聯的發展趨勢，而在華北和華南區域中存在負空間性，智慧冷鏈協同發展較差。華東地區局部空間差異性較小，自身與鄰近省市的智慧冷鏈發展均處于較高水平（高-高），主要在上海、浙江、江蘇、安徽，天津和山東等地區附近，該區域經濟發展較好，冷鏈基礎設施建設完備，地理位置優越，信息技術融合程度高，智慧冷鏈協同發展性較好。

圖 4 2017—2021年中國智慧冷鏈發展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

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

從整體數量角度來看，低-高類型省市數量在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年數量最少，從2020年開始增多，與全局自相關系數變化趨勢相吻合。高-低類型省市未發生變化，一直都在廣東省附近。不顯著區域占絕大數，且不存在低-低區域。與2017年對比，2021年全國智慧冷鏈發展空間發展格局變化較小，華東區域內各省市間依然存在正空間相關性，華北和華南區域空間性仍較差，說明經過近五年的智慧冷鏈建設，智慧冷鏈高發展水平地區其協調帶動作用沒有發揮出來。

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產品產量、貨物運輸量、公路里程、人均需求量、每百家企業擁有網站數和每百人使用計算機數，2020年GWR模型的7個自變量有人均生鮮農產品產量、貨物運輸量、人均冷藏車、公路里程、人均需求量、每百家企業擁有網站數和每百人使用計算機數，2021年GWR的5個自變量有人均生鮮農產品產量、公路里程、人均需求量、每百家企業擁有網站數和每百人使用計算機數。為減少不同量綱間的影響，將變量數據進行歸一化處理。

根據公式（12）創建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：人均生鮮農產品產量（PCOFAP），公路里程（HM），人均需求量（PCD），每百家企業擁有網站數量（NWPOE）和每百人使用計算機數量（NCPOP）。2017年各自變量分別為人均生鮮農產品產量（PCOFAP），貨物運輸量（VT）， 人均需求量（PCD），每百家企業擁有網站數量（NWPOE）和每百人使用計算機數量（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年西北地區各省擬合度較高，東北地區省市擬合度較低。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對智慧冷鏈建設最為重要并呈現正相關性，對各省市智慧冷鏈的發展產生不同程度影響，在華南地區最為強烈，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。

表 3 2017年智慧冷鏈GWR自變量回歸系數與地區分布

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，影響程度向北逐漸減弱，最小值在黑龍江和新疆地區。

貨物運輸量對智慧冷鏈發展影響程度位于第三，對各省市影響差異較大，對西南和西北地區影響最大，影響程度向東逐漸減弱，在東北地區最小。每百家企業擁有網站數對智慧冷鏈發展影響居于第四，在吉林和黑龍江地區敏感度較大，以此向西南依次減少，到廣西、海南、云南地區最弱。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，向西南和西北地區逐漸減弱，在云南、青海、新疆地區最小。人均生鮮農產品產量對智慧冷鏈建設影響最小，其影響力從海南地區向北逐漸減弱，到華北和東北地區最小。

表4為通過GWR模型計算2021年自變量回歸系數結果，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對智慧冷鏈影響最為明顯并呈現正相關性，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和人均需求量對智慧冷鏈發展影響地位相同，但每百人使用計算機數影響程度在減少，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，計算機數量占主要地位，但隨著建設進程，大部分冷鏈企業計算機數量飽和，逐漸轉變為以需求為導向的智慧冷鏈建設。

表 4 2021年智慧冷鏈GWR自變量回歸系數

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