EN中文

经济地理 >

2021 , Vol. 41 >Issue 1: 39 - 48

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.01.005

区域经济与理论方法

全球班轮航运网络结构特征演变及驱动因素——基于联合国LSBCI数据的社会网络分析

  • 邱志萍 , 1, 2 ,
  • 刘镇 3
展开
  • 1.上海财经大学 城市与区域科学学院/财经研究所，中国 上海 200433
  • 2.上海财经大学 财经研究所，中国 上海 200433
  • 3.江西财经大学 江西经济发展与改革研究院，中国江西 南昌 330013

邱志萍（1991—），男，江西赣州人，博士研究生，主要研究方向为区域经济、国际海运和社会网络。E-mail：

收稿日期: 2020-03-04

  修回日期: 2020-09-24

  网络出版日期: 2025-04-23

基金资助

国家自然科学基金青年项目(71763011)

国家自然科学基金青年项目(71763061)

收起

Research on the Structure Features Evolution and Driving Factors of Global Liner Shipping Network：Based on the Social Network Analysis of UN LSBCI Data

  • QIU Zhiping , 1, 2 ,
  • LIU Zhen 3
Expand
  • 1. School of Urban and Regional Science，Shanghai University of Finance and Economics，Shanghai 200433，China
  • 2. Institute of Finance and Economics，Shanghai University of Finance and Economics，Shanghai 200433，China
  • 3. Institute of Jiangxi Economics Development and Reform，Jiangxi University of Finance and Economics，Nanchang 330013，Jiangxi，China

Received date: 2020-03-04

  Revised date: 2020-09-24

  Online published: 2025-04-23

Fold

摘要

基于2006—2019年联合国班轮运输双边连通性指数（LSBCI）矩阵数据，采用社会网络分析方法实证研究了全球班轮航运网络结构特征及驱动因素。研究表明：①样本期内全球班轮航运网络密度与效率仍偏低，具有“小世界性”、自稳定性和循序渐进的结构特点；②网络由四大及其八小子群构成，在空间上呈现由均衡化小片区向非均衡化大片区转变的“小核心大边缘”特点；③收入与经济发展水平越高的节点，其节点强度、中心性和异质性特征表现更好；④中国的节点强度、特征向量中心性和核心度逐渐位居全球首位，而节点差异性和中介中心性仍有待加强；⑤海运能力差异、双边贸易额、海运区位优势和经济规模差距将显著促进全球班轮航运网络演变，而双边互联网信息化差距和地理距离则产生显著抑制影响。最后，文章就中国国际海运发展和研究展望进行了讨论。

关键词： 全球班轮航运网络; 结构特征; 班轮运输双边连通性指数; 社会网络分析; 海运能力; 国际贸易

本文引用格式

邱志萍 , 刘镇 . 全球班轮航运网络结构特征演变及驱动因素——基于联合国LSBCI数据的社会网络分析[J]. 经济地理, 2021 , 41(1) : 39 -48 . DOI: 10.15957/j.cnki.jjdl.2021.01.005

Abstract

Based on matrix data of the liner shipping bilateral connectivity index (LSBCI) published by the United Nations from 2006 to 2019,this paper uses social network analysis methods to empirically research the structure features and driving factors of global liner shipping network(GLSN). The results shows that: 1) During the sample period,the density and the efficiency of GLSN both stay low,and GLSN shows the "small world",self-stability and "incremental development" features. 2) GLSN is composed of four major groups and eight small subgroups,and it appears "small cores and large edges" features from a small balanced area to big unbalanced area in term of spatial evolution. 3) The higher level of income and economic development,the better node strength,centrality and heterogeneity. 4) China's node strength,eigenvector centrality and coreness gradually occupy first position in the world,but node disparity and betweenness centrality need to be strengthened. 5) Bilateral trade volume,maritime location advantage,economic scale gap and maritime capacity difference will significantly promote the GLSN evolution which is negatively affected by the geographic distance and the gap of internet network informatization. Finally,the paper discusses the development of China's international shipping and research prospects.

Key words： Global Liner Shipping Network; structure feature; Liner Shipping Bilateral Connectivity Index; social network analysis; shipping capacity; international trade

随着国际分工的逐步深化和国际贸易的快速增长，国际生产、供给与消费联系日趋紧密，极大地推动了全球海上运输的发展。从体积来看，全球八成以上的商品贸易在海港处理并经船运完成，而从贸易价值来看，全球七成以上的贸易额则由集装箱船运输完成[1]。迄今为止，海运仍是全球范围内货物和原材料运输最具低成本效益的运输方式，其中班轮运输是主要的运输类型[2]。随着航运企业、承运人服务和船舶移动的数据的不断更新和使用，海上运输也越来越受关注[3]。对于全球航运系统来说，主要由海港、海船、海运货物和航线等要素构成的全球航运网络早已成为现实[4]。事实上，全球班轮航运网络（Global Liner Shipping Network，GLSN）可看作是以各国（海港）为节点，班轮按照相对固定的航线、船期和运费率将货物运输至目的国，进而在空间上形成动态复杂的国际海运连通关系集合。
关于全球班轮航运网络的相关研究，考虑到网络内部具有动态复杂关系和大数据量的特点，应采用社会网络分析方法进行研究[5-6]。国外学者主要以班轮挂靠航线、港口连接频率和集装箱班轮联系等方法测度关联关系，选取核心—边缘、中心性、集聚系数、节点强度、度分布、平均最短路径长度和等级结构等指标重点阐述全球班轮航运网络特征，并以国际集装箱年鉴、英国劳氏船级社（Lloyd's Register of Shipping）和国际集装箱在线（CI-Online）等数据库提供的航运企业集装箱班轮数据展开研究[2,6⇓⇓⇓-10]。牟向伟等基于达飞班轮航线数据和复杂网络分析方法，发现班轮航运网络结构具有“小世界”特点[5]。此外，国内学者还从港口网络和集装箱海运网络等研究视角，以中国长江三角洲及沿海港口、大洲区域、“海上丝绸之路”沿线和全球等多尺度进行研究[11⇓⇓⇓⇓⇓-17]。总体来看，现有研究为本文提供了方法借鉴，但局部海运数据无法全面刻画网络结构特征，同时对网络演化的原因分析也较为匮乏。
综上所述，本文将尝试解答以下两个问题：全球班轮航运网络具备怎样的结构特征?其网络演变的原因又是怎样的?具体来看，本文将首次基于联合国贸易与发展会议UNCTAD公布的2006—2019年班轮运输双边连通性指数（Liner Shipping Bilateral Connectivity Index，LSBCI）矩阵数据，采用社会网络分析方法，借助Ucinet6、Pajek5和VOSviewer等网络分析与可视化软件，尝试从整体与个体双维度刻画由160个样本国家形成的全球班轮航运网络结构特征及其时空演化格局，并探讨网络演变背后的驱动因素。LSBCI矩阵数据考虑全球班轮的整体部署与连通情况，有效避免了已有研究采用局部航运数据而无法全面揭示网络结构特征的问题。本研究不仅有助于把握全球班轮航运网络结构特征和网络演化背后的驱动因素，而且对于明确中国在全球班轮航运网络中的地位具有重要的研究意义和实践价值。

1 数据来源与研究方法

1.1 数据来源

2004年UNCTAD制定了班轮运输连通性指数（Liner Shipping Connectivity Index，LSCI），以度量各国在全球班轮航运网络中对外连通性水平。鉴于双边海运连通关系的重要性，Hoffmann等基于LSCI数据进一步整理得到班轮运输双边连通性指数（LSBCI），旨在反映各国之间班轮运输的连通性水平[18]。UNCTAD的合作伙伴MDS Transmodal公司对Hoffmann等提出的LSBCI指标内容进行略微修正，并将修订版的2006—2019年对称的LSBCI矩阵数据公布在UNCTAD统计数据库中 ① 。LSBCI数值越大，双边班轮航运连通关系愈加紧密，促使全球班轮航运网络日趋成熟完善。

1.2 研究方法

1.2.1 全球班轮航运网络的构建

社会网络是由多个节点（社会行动者）和节点间的连接（行动者之间的关系）组成的集合[19]。依据社会网络理论，考虑LSBCI矩阵数据的对称性特点，本文将各国视为节点（节点数N为160），将各国之间班轮航运连通性水平视为节点间连边，以权值矩阵构建加权无向的全球班轮航运网络。本文还将LSBCI矩阵数值大于矩阵平均值的取1，反之取0，对角线取值也为0，以邻接矩阵构建无权无向网络。具体指标说明与计算公式如下。

1.2.2 整体结构特征指标

①网络密度（Network Density，DS）。衡量全球班轮航运网络中节点间班轮连通联系的紧密程度，在包含M个实际班轮连通关系数的无权无向网络中，计算公式为[20]：
D S = 2 M / N ( N - 1 )
②网络效率（Network Efficiency，NE）。采用任意两节点间的路径长度的倒数表示，反映班轮运输的可达性程度。若 h i j为路径长度（距离） d i j的倒数（i≠j），计算公式为[21]：
N E = 1 N N - 1 ∑ i = 1 N ∑ j = 1 N h i j
③集聚系数（Clustering Coefficient，CC）。刻画网络内部各节点紧邻之间整体的集聚程度，当节点i的点度为 D i，其与相邻节点之间存在 E i个连边数，则计算公式为[22]：
C C = 1 N E i D i D i - 1
④平均路径长度（Average Path Lengths，AD）。表示所有可能相连的节点间最短路径经过边数的均值，反映节点间班轮连通效率。在节点i与j之间最短路径为d（i，j）的网络中，对应计算公式为[23]：
A D = 1 N N - 1 ∑ i ∑ j 1 d ( i , j )
⑤二次指派程序（Quadratic Assignment Procedure，QAP）。相关性分析是一种基于随机置换方式来计算矩阵之间的相关系数的非参数检验方法，反映网络结构的动态演变趋势[24]。
⑥凝聚子群是一种反映网络内子群构成和节点间紧密度的分析方法，对应凝聚子群密度矩阵能够有效地体现各子群内部与外部之间的班轮连通性联系紧密程度[25]。

1.2.3 个体结构特征指标

①节点强度（Node Strength，SG）。反映某个节点在网络中的重要性，是无权网络中节点度的推广，考虑了节点的近邻数量及其之间的边权[24]。若节点i和j之间边的权重为 W i j，则有：
S G i = ∑ j = 1 N W i j
②特征向量中心性（Eigenvector Centrality，EC）。反映节点的相对影响力，在计算时考虑了网络的结构类型，表示每个节点所有直接与间接连接的加权平均和，即其大小受到近邻节点中心性的影响[27-28]。
③中介中心性（Betweenness Centrality，BC）。度量节点对整个网络的控制能力，即全球班轮航运网络中所有最短路径中经过某个节点的数量占比。若 N j a为节点j和a最短路径的连边数， N j a（i）为节点j和a最短路径经过节点i（j≠a≠i）的连边数，则有[29]：
B C i = ∑ j = 1 ; a = 1 N N j a i N j a
④差异性（Disparity，DP）。描述与节点i相连的边上权重分布的离散程度（分布特征），对应数值越大，表明节点班轮航运连通联系集中在少数国家[24,30]。考虑到节点连接方式的影响，本文采用邻接矩阵能够更好的表征网络差异性[31]，具体计算公式可为：
D P i = N - 1 ∑ j A i j S A i - 1 / N - 2
式中： A i j为邻接矩阵中节点i与j之间关系值；SAi为无权网络中节点i的节点强度。
⑤节点核心度（CORE）反映节点的核心地位，通过核心边缘分析来揭示网络中中心节点联系紧密和外围节点联系稀疏分散的特殊结构[2,19]。

2 全球班轮航运网络结构的时空演化：整体特征分析

2.1 网络密度与网络效率分析

表1显示，2006—2019年全球班轮航运网络密度和网络效率水平偏低且整体波动下降，表明节点间班轮连通关系仍处于弱联结状态，同时连通效率仍有待进一步提升。具体来看，2006年网络密度为0.407，2008年达到了最大值0.409，最终波动降至0.391，整体均值为0.398，而网络效率围绕0.681上下波动，其中2008年金融危机对班轮航运连通关系产生不利影响。可见，全球班轮航运网络结构仍需优化与完善，强化连通关系和优化连通效率。
表1 历年全球班轮航运网络结构的整体特征结果

Tab.1 The results of overall features in GLSN structure from 2006 to 2019

指标 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 均值
DS 0.407 0.402 0.409 0.401 0.397 0.396 0.401 0.400 0.401 0.394 0.395 0.394 0.391 0.391 0.398
NE 0.686 0.684 0.687 0.684 0.68 0.681 0.683 0.685 0.684 0.68 0.674 0.679 0.672 0.677 0.681
CC 0.864 0.863 0.864 0.867 0.870 0.865 0.858 0.864 0.860 0.857 0.860 0.863 0.861 0.862 0.863
AD 1.625 1.632 1.624 1.628 1.641 1.635 1.621 1.643 1.632 1.641 1.620 1.630 1.624 1.635 1.631

2.2 集聚系数与平均路径长度分析

由表1可知，全球班轮航运网络具有较大的集聚系数和较小的平均路径长度，并表现出“小世界性”的结构特征，这与牟向伟等研究结论[5]相一致。具体来看，集聚系数整体在0.863上下波动，而平均路径长度则在1.635上下波动，表明班轮海运连通关系具有集聚性特点，同时任意一国的商品运往任意一节点所需的平均班轮更换次数不超过两次。

2.3 QAP相关性分析

表2可知，全球班轮航运网络结构演变具有自稳定性和循序渐进式演进的特点。具体来看，2019年与2018年QAP相关性系数为0.981，而与2006年的相关系数仍达到了0.885，表明前一期网络结构演变影响后一期变化，前后期相关系数呈现稳定的逐年递减趋势。
表2 全球班轮航运网络的QAP相关性分析结果

Tab.2 The QAP correlation results of GLSN

时间 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
2006 1.000
2007 0.977 1.000
2008 0.963 0.972 1.000
2009 0.954 0.961 0.971 1.000
2010 0.938 0.941 0.949 0.968 1.000
2011 0.932 0.932 0.940 0.957 0.977 1.000
2012 0.919 0.922 0.930 0.942 0.960 0.971 1.000
2013 0.917 0.919 0.925 0.941 0.956 0.964 0.982 1.000
2014 0.913 0.915 0.922 0.937 0.954 0.960 0.976 0.988 1.000
2015 0.909 0.910 0.919 0.930 0.949 0.956 0.965 0.973 0.979 1.000
2016 0.905 0.908 0.913 0.930 0.950 0.958 0.959 0.965 0.968 0.977 1.000
2017 0.892 0.894 0.903 0.917 0.939 0.942 0.941 0.945 0.947 0.958 0.973 1.000
2018 0.888 0.890 0.896 0.912 0.936 0.938 0.936 0.939 0.943 0.952 0.965 0.980 1.000
2019 0.885 0.885 0.892 0.905 0.929 0.933 0.932 0.934 0.938 0.947 0.957 0.972 0.981 1.000

注：本表相关系数结果均通过了1%显著性水平的检验。

2.4 凝聚子群分析

由图1可知，全球班轮航运网络由四大子群及其八小子群构成，表明网络内部存在碎片化小群体集聚特点，不利于各子群间进行直接的班轮连通联系。进一步结合表3来看，第一大子群起初覆盖欧洲西部沿海、非洲北部及西部沿海和南美洲东部沿海等国家，而2019年则由仅有少数欧洲及非洲国家组成；第二大子群由开始的美墨和中美洲、南美洲西北部沿线演变为少数集中在加勒比海及其南部沿岸国家，第三大子群则由起初的日韩菲等亚洲东部和以澳新为主的大部分大洋洲国家逐渐从内部收缩，此时前三大子群内部及其之间的班轮连通关系的紧密度整体上有所下降；第四大子群的区域范围实现了明显的扩张，即逐步向全球大多数国家快速蔓延且节点数量明显增加，但其子群内部班轮联系紧密度则进一步强化。因此，全球班轮航运网络的凝聚子群呈现出由均衡化小片区结构向非均衡化大片区结构的演变态势，既强化了大片区子群内节点联系，也促使网络形成等级森严的非对称结构。
图1 全球班轮航运网络凝聚子群的时空演变

注：本文所有地图均基于自然资源部标准地图服务系统网站中世界地图底图（审图号GS(2016)1666）进行制作，底图无修改。

Fig.1 The spatial-temporal evolution of cohesive subgroups in GLSN

表3 凝聚子群密度矩阵及其变化

Tab.3 The density matrix and it change of cohesive subgroups

大子群 小子群 1 2 3 4 5 6 7 8
1 1 0.199（-0.068） 0.171 0.137 0.172 0.113 0.108 0.218 0.140
2 （-0.047） 0.186（-0.054） 0.142 0.174 0.117 0.108 0.213 0.131
2 3 （-0.033） （-0.007） 0.218（0.017） 0.205 0.152 0.110 0.195 0.117
4 （-0.090） （-0.044） （-0.006） 0.269（-0.057） 0.162 0.147 0.260 0.153
3 5 （-0.067） （-0.038） （0.014） （-0.031） 0.204（-0.016） 0.182 0.187 0.126
6 （-0.061） （-0.035） （-0.025） （-0.058） （0.013） 0.191（-0.007） 0.211 0.149
4 7 （-0.055） （-0.009） （0.022） （-0.011） （-0.022） （-0.003） 0.373（0.047） 0.224
8 （-0.027） （-0.021） （0.008） （-0.008） （-0.017） （0.002） （0.011） 0.207（0.020）

注：无向网络的密度矩阵是对称的，括号内数值为2019年各子群间密度值较2006年的变化幅度。

3 全球班轮航运网络结构的时空演化：个体特征分析

3.1 节点强度分析

基于邻接矩阵，本节将节点强度值分为五个层级，并借助Pajek和VOSviewer软件实现网络可视化展示（图2）。结合图2和表4可知，2006—2019年全球班轮航运网络呈现典型的“中心—外围”结构，节点强度均值及其中心势均有所增长，表明多数节点对外海运连通联系有所增强，但存在明显的空间差异化与等级化特点，最终中国占据网络点强度中心。
图2 基于节点强度的全球班轮航运网络拓扑结构

Fig.2 The topological structure of GLSN from node strengths

表4 不同分组下全球班轮航运网络结构的个体特征均值

Tab.4 The average level of nodes features in GLSN structure by different group

类别 节点强度SG 中介中心性BC 特征向量中心性EC 差异性DP 核心度CORE
2006 2019 2006 2019 2006 2019 2006 2019 2006 2019
整体 均值 33.863 35.874 48.637 48.262 0.076 0.075 0.049 0.055 0.076 0.075
中心势（%） 17.56 18.39 4.22 4.30 8.55 8.55 - - - -
非洲 32.015 33.298 17.842 19.817 0.072 0.069 0.028 0.042 0.071 0.069
亚洲 37.348 40.706 70.462 67.228 0.084 0.087 0.045 0.043 0.084 0.087
欧洲 36.286 39.620 88.039 94.483 0.082 0.084 0.044 0.044 0.082 0.084
北美洲 32.181 33.818 45.288 42.558 0.072 0.070 0.079 0.073 0.072 0.070
大洋洲 28.282 27.697 24.970 18.622 0.063 0.057 0.082 0.067 0.063 0.057
南美洲 35.825 37.682 22.440 21.014 0.080 0.079 0.013 0.100 0.080 0.079
高收入 36.178 38.886 84.020 85.131 0.082 0.082 0.060 0.055 0.082 0.082
中高收入 33.734 35.987 33.030 32.197 0.076 0.075 0.038 0.049 0.063 0.058
中低收入 32.454 33.972 24.935 23.522 0.073 0.071 0.045 0.041 0.072 0.071
低收入 28.269 27.910 8.7190 6.1670 0.063 0.058 0.047 0.101 0.076 0.075
非B&R沿线 34.845 36.198 53.560 54.160 0.078 0.076 0.047 0.059 0.078 0.076
B&R沿线 31.427 35.072 36.438 33.646 0.071 0.074 0.052 0.045 0.071 0.074

注：本表按世界银行分类标准，匹配样本后高收入国家62个，中高收入48个，中低收入34个，低收入16个；按中国“一带一路”（简称B&R）官网标准，并纳入中国大陆、中国香港和中国台湾，匹配样本后B&R沿线国家共计算46个，而非B&R沿线共计114个。

进一步从整体均值看，节点强度最大的六个节点分别为中、英、比、美、西和法，由此在空间上形成了中国和西欧北美两大中心区。在区域分组中，除大洋洲外，其余地区节点强度整体水平均实现了不同程度的提高；非洲和大洋洲区内的节点强度水平较低，美洲国家强度水平居中，欧洲和亚洲节点强度水平较高。在收入分组中，收入水平越高的节点拥有更高水平的节点强度，表明发达国家掌控着全球班轮航运连通联系强度的发展演变。同时，“一带一路”沿线节点强度呈现快速增加态势，并缩小了与非沿线国家的差距，这表明沿线节点的影响力得到明显提高。表5显示，中国节点强度由52.563提升至60.513，对应排名从第9位升至第1位，表明中国逐渐占据全球班轮航运网络的主导地位，并增强了对外班轮航运连通联系，这与中国在世界经济贸易活动的重要性和国际海运业务快速发展密切相关。
表5 历年中国大陆地区个体特征水平值及排名

Tab.5 The value and rank of nodes features in China mainland from 2006 to 2019

指标 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
SG 52.563
（9）		 53.837
（9）		 55.360
（4）		 55.531
（3）		 56.479
（2）		 57.577
（1）		 57.529
（1）		 58.615
（1）		 59.231
（1）		 59.104
（1）		 61.258
（1）		 60.575
（1）		 61.143
（1）		 60.513
（1）
BC 120.34
（21）		 150.50
（18）		 180.83
（16）		 177.48
（14）		 209.12
（15）		 306.87
（5）		 201.58
（16）		 259.72
（9）		 193.05
（14）		 222.43
（13）		 304.20
（7）		 311.47
（6）		 366.49
（3）		 355.36
（4）
EC 0.121
（9）		 0.123
（6）		 0.127
（2）		 0.126
（3）		 0.128
（1）		 0.130
（1）		 0.129
（1）		 0.128
（1）		 0.128
（1）		 0.128
（1）		 0.130
（1）		 0.131
（1）		 0.130
（1）		 0.131
（1）
DP 0.0019
（14）		 0.0017
（12）		 0.0015
（12）		 0.0014
（10）		 0.0015
（8）		 0.0013
（5）		 0.0014
（10）		 0.0013
（3）		 0.0015
（6）		 0.0016
（8）		 0.0011
（4）		 0.0012
（5）		 0.0011
（5）		 0.0013（5）
CP 0.122
（9）		 0.124
（6）		 0.128
（2）		 0.127
（3）		 0.127
（3）		 0.131
（1）		 0.130
（1）		 0.125
（1）		 0.124
（1）		 0.125
（1）		 0.127
（1）		 0.132
（1）		 0.131
（1）		 0.132
（1）

注：本表括号内数值为中国对应特征指标水平值的全球排名。

3.2 节点中心性分析

结合图3和表4可知，中介中心性均值水平有所下降，而中心势则略微提高，这表明基于中介中心性的全球班轮航运网络存在明显的空间层级分化现象，即由少数节点（如英国、美国和新加坡等）充当着网络班轮连通枢纽与桥梁的地位。在空间分布中，非洲和大洋洲的节点中介中心性水平明显低于整体平均水平，欧洲中介水平最高且继续提高，北美洲水平居中，而亚洲中介中心性水平明显下降。相比欧洲地区，北美洲和亚洲各国的中介中心性存在大量的低水平节点，典型的空间差异导致整体平均水平偏低。在收入分组中，高收入节点中介中心性水平远高于中低收入的，表明发达国家始终占据网络核心枢纽地位，并掌握着全球海运资源。“一带一路”沿线节点中介中心性水平下降，且远低于非沿线节点，表明沿线节点枢纽地位仍有待进一步提高。表5显示，中国中介中心性水平由120.34波动增至355.36，最终排名快速升至第4位，表明中国在网络中枢纽地位日益增强，但仍存在较大的提升空间。
图3 全球班轮航运网络特征向量中心性和中介中心性的时空演变

Fig.3 The spatial-temporal evolution of eigenvector centrality and betweenness centrality in GLSN

此外，样本期内节点特征向量中心性及中心势未发生显著的变化，但存在典型的空间差异特征，其中西欧、东亚、东南亚和北美等地区节点中心性水平较高。从不同地区来看，大洋洲特征向量中心性水平最低，其次是非洲、北美洲、南美洲和欧洲，亚洲最高；非洲和大洋洲外，其余地区中心性水平均实现了不同程度的提高。随着收入水平的逐步降低，整体中心性水平越小且下降越明显。尽管非沿线中心性水平整体更高，但呈现出下降趋势，而沿线节点则有明显的上升。表5显示，中国特征向量中心性水平呈现波动增长趋势，对应排名快速升至第一位，表明中国逐渐占据全球班轮航运网络的中心地位，对临近节点具有重要价值。

3.3 节点差异性分析

图4显示，节点差异性水平更高的节点主要集中在西欧、北美和东亚等地区，并随时间推移其多样化更加明显，而非洲、大洋洲岛国和南美洲大部分国家的差异性水平则不断下降。结合表4可知，样本期内节点差异性均值由0.049提高至0.055，表明节点班轮海运连通的伙伴国多元化和异质性日益强化。在区域分组中，非洲和南美洲节点差异性水平不断增加，欧洲未发生明显的变化，而亚洲、北美洲和大洋洲则有所下降。在收入分组中，收入水平与节点差异性呈现“U”型关系，中等收入群体国家的班轮航运伙伴的多样化多元化特点更明显。“一带一路”沿线国家差异性水平有所下降，并低于非沿线国家，表明沿线国家班轮航运伙伴多元化发展趋势更好。表5显示，中国的差异性水平逐步下降，对应排名逐步升至第5位，表明中国对外班轮连通的伙伴国日趋多元化，海运连通性与可达性有所提升，但仍存在较大的发展空间。可见，班轮航运连通伙伴国的多元化有利于扎实推进“一带一路”倡议的实施，特别是对加快实现基础设施建设互联互通具有重要的促进作用。
图4 全球班轮航运网络差异性和核心边缘结构的时空演变

Fig.4 The spatial-temporal evolution of disparity and core periphery structure in GLSN

3.4 节点核心度分析

基于Ucinet6软件核心边缘中的连续（Continuous）模块，整理得到样本期内各节点的核心度（CORE）。本文将核心度大于0.1的节点列为核心，在0.07~0.10之间列为半边缘，而小于0.07则列为边缘。结合图4和表4可知，从空间分布来看，除埃及外，非洲和大洋洲大多数国家以半边缘和边缘节点为主，对应区域核心度有所下降；欧洲以英法德和荷兰、西班牙及比利时等发达国家为核心节点，其核心度有所增加；美洲地区以美、加、巴西和哥伦比亚等为主要核心节点，而北欧、中东欧国家和其余大多美洲国家更多是边缘半边缘节点，而核心度水平整体下降；亚洲中东亚的中国大陆、中国香港、中国台湾和日韩，东南亚新加坡、马来西亚、南亚印度和西亚的沙特及阿联酋等为主要核心节点，对应核心度水平有所上升。此外，高收入组核心度最高且未发生明显变化，收入水平越低，其节点核心度越低且降幅也越大。尽管“一带一路”沿线国家核心度低于非沿线国家，但两者差距正在不断减小，这有利于推动中国与丝路沿线国家班轮互联互通的建设。
表6显示，核心节点数量稳步增加，半边缘数量则不断下降，而边缘数量则整体波动上升，这与全球核心度有所下降和两极分化趋势愈加明显相呼应，表明全球班轮航运网络结构呈现典型的“小核心大边缘”特征。具体来看，样本期内始终为核心节点有19个国家或地区，分别为比利时、中国、新加坡、韩国、荷兰、西班牙、英国、美国、法国、德国、意大利、中国香港、中国台湾、埃及、马来西亚、阿联酋、沙特、日本和印度。其中既有西欧、日本和北美等发达经济体，也有中国、沙特、印度和印尼等新兴经济体，还有扼守海运重要节点的新加坡和埃及等国家，进而在空间上呈现出地理邻近性和空间集聚性的分布特点。表5显示，中国核心度由0.122波动增至0.132，排名从2006年第9位上升至2011年以来的第1位。
表6 历年全球班轮航运网络核心—半边缘—边缘的节点数量

Tab.6 The nodes number of core-semi periphery-periphery in GLSN from 2006 to 2019

数量 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
核心 22 22 24 24 24 26 24 23 25 26 29 29 31 31
半边缘 65 65 63 59 59 57 61 63 60 58 55 50 49 48
边缘 73 73 73 77 77 77 75 74 75 76 76 81 80 81

4 全球班轮航运网络演化的驱动因素分析

4.1 驱动机制分析

全球班轮航运双边连通性LSBCI水平变化能够反映不同节点在全球班轮航运网络的地位演变，进而促使网络结构发生变化。从LSBCI数据的构成来看，主要包括双边转运次数、双边共同的班轮直接连通数、按一次转运的双边共同连通数、双边班轮服务的竞争力和双边最弱航线上的最大船只的尺寸。UNCTAD研究发现双边直航数、转运次数和船舶尺寸是影响海运双边连通性的主要驱动因素，而降低地理距离在其中的不利影响则需要建设与国际贸易市场所需的海港软硬件基础设施[32]。由此可见，双边班轮服务水平和船舶数量及尺寸不仅是对外海运能力的重要表现，同时与自身经济规模（或港口经济腹地）和基础设施等有关。同时，国际海运是绝大部分跨国商品贸易的运输载体，最具成本优势的运输方式[1-2]。地理位置和双边经济贸易量是提升双边海运连通性的重要因素，一方面低贸易额无法吸引船运公司投入运力，另一方面地理位置偏离主要国际海运航线，国际海运成本高且竞争力弱，容易陷入恶性循环的发展困境[33]。此外，在当前互联网+和大数据迅速发展背景下，信息科技通过与港航业的深度融合使海运业进入了数字化转型期，数字化转型能够实现各国航运业在不同业务范围尺度下的协同，信息在航运业务链的流动能力有所强化[34]。互联网信息化在航运产业的深度融合，能够有效降低成本和提高效率，减少冗余环节和提高资源配置效率[35]，这为构建稳定的航运连通与合作关系提供保障。

4.2 模型构建与变量说明

二次指派程序QAP回归是一种基于1-Model的N×N矩阵数据形式的随机置换的非参数检验方法，能够考察一个矩阵与多个矩阵之间的计量关系[36]。因此，借鉴刘华军等的做法[37]，考虑两两差值形成关系数据，本文构建如下的QAP回归模型：
Y = α 0 + α 1 G D P + α 2 T r a d e + α 3 M A + α 4 Q P I + α 5 T E U + α 6 N E T + α 7 B S L + α 8 D I S + U
式中： α 0为截距项； α 1 ∼ α 8为待估参数；U为残差项。关于因变量Y，采用两两国家之间的班轮航运双边连通性LSBCI表示，以此反映全球班轮航运网络演变。
结合机制分析和数据可得性，本文选取如下因素：①经济规模差距（GDP），采用双边GDP差值矩阵表示，反映双边生产、需求和海港的经济腹地的规模差异；②双边贸易（Trade），采用双边进出口额贸易总额矩阵表示，反映双边商品贸易往来的紧密程度；③海运能力差距（MA），采用双边的班轮海运连通性水平差值矩阵表示，该指标能够准确地反映各节点在船运企业数量、船舶大小与数量和班轮业务量等方面的发展差距；④港口质量差距（QPI），采用双边港口基础设施质量差值矩阵表示；⑤港口吞吐量差距（TEU），采用双边以20英尺标准集装箱为当量的货柜码头吞吐量差值矩阵表示；⑥互联网信息化差距（NET），采用双边互联网普及率差值矩阵进行代理表示；⑦海运区位（BSL），如果双方与五大国际海运中心（中国、新加坡、英国、荷兰和美国 ① ）的最短地理距离都小于全样本与五大国际海运中心最短距离的前30%临界值，则对应矩阵格值取2，表明双方都处于国际航运中心的辐射范围，具备明显的海运区位优势，如果其中一方小于临界值则取1，双方都大于临界值则取0；⑧地理距离（DIS），采用双边首府地理距离矩阵表示，空间距离可能会抑制海运连通性发展。
在数据来源上，各国GDP和货柜码头吞吐量数据均整理自世界货币基金组织和世界银行，双边贸易和海运连通性数据分别来源于UNComtrade和UNCTAD统计数据库，港口设施质量和互联网普及率数据来源于世界经济论坛的全球竞争力报告（GCR），双边地理距离数据整理自CEPII数据库和美国NOAA经纬度测距计算器。考虑到上述变量数据大多只更新到2018年，因而本文采用2006年和2018年矩阵数据进行实证检验。上述所有关系变量均为160×160的矩阵，对应样本观测量为160×（160-1）=25 440。最后，针对部分群岛小国数据缺失情况，本文采用与其地理临近的小国的数据进行近似表示。

4.3 QAP回归结果与分析

表7中QAP结果报告了未标准化与标准化两种系数，其中标准化后系数符号不发生改变，且已消除量纲便于各系数大小的直接比较[37]。QAP的调整后拟合优度值一般比OLS模型更低[38]，因此本文拟合优度（0.353和0.263）对模型解释力表现较为良好。
表7 QAP回归结果

Tab.7 The regression result of QAP

变量 2006 2018
未标准化系数 标准化系数 P值 P-large P-small 未标准化系数 标准化系数 P值 P-large P-small
截距 0.236 0.000 0.259 0.000
GDP 1.0E-8 0.089 0.091 0.091 0.909 1.0E-6 0.128 0.040 0.040 0.960
Trade 2.0E-6 0.203 0.000 0.000 1.000 2.0E-6 0.184 0.000 0.000 1.000
MA -0.145 -0.304 0.000 1.000 0.000 7.4E-4 0.215 0.000 0.000 1.000
QPI -0.003 -0.043 0.109 0.891 0.109 -0.002 -0.020 0.286 0.714 0.286
TEU 1.8E-5 0.206 0.000 0.000 1.000 -1.0E-6 -0.023 0.407 0.594 0.407
NET -4.5E-4 -0.098 0.016 0.984 0.016 -6.0E-4 -0.149 0.000 1.000 0.000
BSL 0.017 0.103 0.045 0.045 0.956 0.030 0.153 0.007 0.007 0.993
DIS -0.038 -0.194 0.000 1.000 0.000 -0.052 -0.225 0.000 1.000 0.000
Adj. R2 0.353 （P=0.000） 0.263 （P=0.000）

注：本表结果基于DDSP（Double-Dekker Semi-Partialing）方法随机置换5 000次整理得来，采用双尾检验度量显著性水平；P-small和P-large分别表示随机置换得到的回归系数不大于和不小于各变量回归系数的比例；当变量的回归系数为正时，应采用P-large表示显著性水平，反之则采用P-small表示。

第一，双边经济规模差距显著为正，且系数分别为0.089~0.128，表明一定的双边经济规模（港口经济腹地）差距有利于班轮海运双边连通性水平的提高，同时其促进作用有所强化。前文结构特征结果表明，收入与经济发展水平越高的节点，在网络中具有绝对的主导地位，对网络结构演变具有重要的影响。因此，一定的双边经济规模差距，容易形成生产供需能级差异，实现商品等要素跨国流动，进而增强全球班轮航运连通关系紧密度。
第二，双边进出口贸易总额在1%统计水平上显著为正，系数分别为0.184和0.203，表明国家间商品贸易与流动越为频繁，越能够实现全球班轮航运连通性的发展。可见，愈加紧密的国际贸易活动也将强化双边海运连通性，并实现全球班轮航运网络的优化升级。
第三，双边海运能力差距通过1%显著性水平检验，系数由-0.304变为0.215，表明随着时间的推移，一定程度的双边海运能力差异将有助于推动全球班轮航运网络发展。这可能的解释是：①前文特征结果表明，全球班轮航运网络存在典型的等级森严的核心—边缘结构，航运联系分布呈现“小核心大边缘”的极化趋势；②全球前10个集装箱班轮公司几乎占据着全球80%左右的海运市场份额 ① ，存在明显的市场垄断现象。因此，非对称的国际运力承担着全球主要运输业务，市场垄断为大多非核心节点融入全球海运体系提供可能。
第四，港口设施质量差距和港口吞吐量差距的整体影响不显著且作用程度偏弱，而双边互联网信息化差距则显著为负，且系数由-0.098变为-0.149，这表明双边互联网信息化差距越小，越有利于强化双边海运业务合作和双边海运连通性。可见，相比传统的硬件基础设施，以互联网和大数据为基础的港口软件设施建设对于完善全球班轮航运网络具有重要作用。
第五，海运区位最终显著为正，系数由0.103升至0.153，表明双边地理位置上越是靠近国际航运中心，越有可能融入主要的国际航运线路，进而有助于推动双边航运连通性发展。地理距离在1%统计水平上显著为负，系数由-0.194变为-0.225，表明双边地理距离越远，海运成本越高，将显著降低双边海运连通性水平。因此，海运区位和地理距离等自然因素的作用不容忽视，正在深刻地影响着全球班轮航运网络演变。
总体而言，全球班轮航运网络演变的三大驱动因素分别为地理距离、双边海运能力差距和双边贸易额，而海运能力差距、地理距离、海运区位、互联网信息化差距和经济规模差异对网络演化的影响程度有所强化。

5 结论与讨论

5.1 结论

基于2006—2019年160个样本国家之间的LSBCI矩阵数据，本文借助社会网络分析方法实证研究了全球班轮航运网络结构特征及驱动因素。主要研究结论有：
第一，全球班轮航运网络密度与效率偏低且有所下降，具有较大的集聚系数和较小的平均路径长度，表现出“小世界性”结构特征，其结构演变具备自稳定性和循序渐进的特点；网络由四大子群及其八小子群构成，在空间上呈现出由均衡化小片区结构向非均衡化大片区结构的演变，其中第四大子群范围明显扩大且内部节点联系得到强化。
第二，收入与经济发展水平越高的节点，其节点强度、中心性、差异性和核心度等个体特征整体表现更好；网络核心边缘结构呈现明显的两极分化发展趋势，存在典型的“小核心大边缘”特征；“一带一路”沿线样本的个体特征具备较好的发展潜力，中国点强度、特征向量中心性和核心度逐渐占据网络核心位置，但差异性和中介中心性仍有较大的提升空间。
第三，双边贸易额、海运区位优势和一定的经济规模差距、海运能力差异将显著正向提升班轮航运双边连通性，而双边地理距离和互联网信息化差距则产生显著抑制影响，其中双边海运能力差距、地理距离和双边贸易额是推动全球班轮航运网络演变的三大驱动因素。

5.2 讨论

需要说明的是，LSBCI数据是基于全球集装箱班轮的整体部署情况计算得来，考虑了众多国家班轮海运企业的数据。因此，尽管中国在全球班轮航运网络中逐渐占据核心地位，但也要清醒地认识到仍存在国际海运服务贸易逆差不断扩大、国际运力不足和海运服务竞争力仍偏弱等问题。鉴于此，结合上述结论，本文提出如下政策建议供参考：
首先，应重视中国在全球班轮航运网络的作用，对接国际标准提高自身海港服务与管理水平，有重点分层次地加快建设新时代现代化国际航运中心与枢纽中心。构建合理完善的国际航运枢纽规划体系，积极发挥现有海港的区位优势，推进海港航运信息和交易平台建设。
然后，应深化海运基建合作，发挥智能化信息与大数据技术优势，推进海港基础设施硬件与软件协同化发展。加强对外海港基建合作与投资，特别是针对主要国际海运航线的沿线经济体；积极发挥云计算和大数据等技术优势，加快推进服务协同化和信息智能化海港建设。
最后，还应推动中国海运企业参与国际竞争，建立多样化的航运合作关系，不断提高自身航运能力，实现由海运大国向海运强国的实质性转变。应借助“一带一路”倡议、自贸区和自贸港等发展平台，建立能够适应全球海运竞争形势的经营策略；积极参与全球海运市场竞争，优化班轮航线和运输资源配置，降低营运成本；加快建立区域性服务站点和分支机构，重点开拓丝路沿线、非洲和中南美洲等新兴海运市场，推动海运合作的多元化发展。
未来研究还可从以下三个方面进行拓展：研究内容上，还可采用复杂网络理论与指标研究全球班轮航运网络的复杂性特征，如节点特征的幂律分布和网络的脆弱性等；技术方法上，还可结合前沿的社会网络分析方法，尝试进一步构建面板矩阵数据模型，并解决模型潜在的内生性问题，以获得更可靠的估计结果；研究尺度上，除全球层面外，相关研究可从海上丝绸之路沿线和与中国国际经济贸易与投资相对紧密的样本国家进行分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
UNCTAD. Review of Maritime Transport 2017[M]. Switzerland: Geneva, 2017.

[2]
Kojaku S, Xu M Q, Xia H X, et al. Multiscale core-periphery structure in a global liner shipping network[J]. Scientific Reports, 2019, 9(1):1-22.

[3]
Ducruet C, Rozenblat C, Zaidi F. Ports in multi-level maritime networks:evidence from the Atlantic (1996-2006)[J]. Journal of Transport Geography, 2010, 18(4):508-518.

[4]
Rodrigue J P, Notteboom T. Foreland-based regionalization:integrating intermediate hubs with port Hinterlands[J]. Research in Transportation Economics, 2010, 27(1):19-29.

[5]
牟向伟, 陈燕, 杨明, 等. 班轮航运网络拓扑特性[J]. 大连海事大学学报, 2009, 36(2):34-37.

[6]
Kang D J, Woo S H. Liner shipping networks,port characteristics and the impact on port performance[J]. Maritime Economics and Logistics, 2017, 19(2):274-295.

[7]
Kaluza P, Kölzsch A, Gastner M T, et al. The complex network of global cargo ship movements[J]. Journal of the Royal Society Interface, 2010, 48(7):1093-1103.

[8]
Ducruet C, Lee S W, Adolf Ng K Y. Centrality and vulnerability in liner shipping networks:revisiting the Northeast Asian port hierarchy[J]. Maritime Policy and Management, 2010, 37(1):17-36.

[9]
Li Z F, Xu M Q, Shi Y L. Centrality in global shipping network basing on worldwide shipping areas[J]. GeoJournal, 2015, 80(1):47-60.

[10]
Hu Y H, Zhu D L. Empirial analysis of the worldwide maritime transportation network[J]. Physica A:Statistical Mechanics and its Applications, 2009, 388(10):2061-2071.

[11]
蹇令香, 李东兵, 赵诗晨. 我国沿海港口复杂网络演化特征[J]. 经济地理, 2016, 36(12):96-103.

[12]
李振福, 史砚磊, 徐梦俏, 等. 亚洲集装箱港口的全球班轮网络地位[J]. 经济地理, 2016, 36(3):91-98.

[13]
刘婵娟, 胡志华. 海上丝绸之路海运网络层次体系划分[J]. 经济地理, 2017, 37(7):27-32.

[14]
吴迪, 王诺, 于安琪, 关雷. “丝路”海运网络的脆弱性及风险控制研究[J]. 地理研究, 2018, 37(6):1133-1148.

[15]
李振福, 史砚磊, 徐梦俏, 等. 世界集装箱海运网络层次结构研究[J]. 系统工程理论与实践, 2016, 36(4):981-988.

DOI

[16]
潘坤友, 曹有挥, 刘可文, 等. 长江三角洲集装箱班轮网络空间格局及其演化[J]. 地理科学, 2017, 37(5):682-690.

DOI

[17]
刘婵娟, 胡志华, 杨正璇. 基于社会网络的全球集装箱海运网络层次体系与派系划分[J]. 世界地理研究, 2019, 28(6):68-76.

DOI

[18]
Hoffmann J, Van Hoogenhuizen J W, Wilmsmeier G. Developing an index for bilateral liner shipping connectivity[R]. International Association of Maritime Economists Conference. Norfolk, 2014.

[19]
刘军. 社会网络分析导论[M]. 北京: 社会科学文献出版社, 2004.

[20]
林聚任. 社会网络分析:理论、方法与应用[M]. 北京: 北京师范大学出版社, 2009.

[21]
王诺, 董玲玲, 吴暖, 等. 蓄意攻击下全球集装箱海运网络脆弱性变化[J]. 地理学报, 2016, 71(2):293-303.

DOI

[22]
Fagiolo G. Clustering in complex directed networks[J]. Physical Review E, 2007, 76(2):1-8.

[23]
王祥, 强文丽, 牛叔文, 等. 全球农产品贸易网络及其演化分析[J]. 自然资源学报, 2018, 33(6):940-953.

DOI

[24]
马述忠, 任婉婉, 吴国杰. 一国农产品贸易网络特征及其对全球价值链分工的影响——基于社会网络分析视角[J]. 管理世界, 2016, 31(3):60-72.

[25]
张荣天. 长三角城市群网络结构时空演变分析[J]. 经济地理, 2017, 37(2):46-52.

[26]
曾冰, 邱志萍. 省际交界区经济网络空间结构研究——以湘鄂赣的灯光数据为实证[J]. 财经科学, 2018, 42(11):110-121.

[27]
Bonacich P. Some unique properties of eigenvector centrality[J]. Social Networks, 2007, 29(4):555-564.

[28]
刘林青, 谭畅. 国际贸易中出口结构对经济绩效的影响——基于国家空间的社会网络分析[J]. 国际贸易问题, 2016, 41(6):15-27.

[29]
刘承良, 桂钦昌, 段德忠, 等. 全球科研论文合作网络的结构异质性及其邻近性机理[J]. 地理学报, 2017, 72(4):737-752.

DOI

[30]
陈银飞. 2000—2009年世界贸易格局的社会网络分析[J]. 国际贸易问题, 2011, 36(11):31-42.

[31]
卢国祥, 李冰清, 王丽佳. 基于节点度和连接方式的网络异质性测度方法[J]. 系统工程, 2017, 35(4):154-158.

[32]
UNCTAD. Trading Into Sustainable Development:Trade,Market Access, and the Sustainable Development Goals[M]. UN Publications: UNCTAD/DITC/TAB, 2015.

[33]
UNCTAD. Review of Maritime Transport 2019[M]. Geneva, 2019.

[34]
交通运输部科学研究院,上海自贸区管委会陆家嘴管理局. 2017中国航运互联网产业发展报告[R]. 2017.

[35]
上海国际航运研究中心. 全球港航信息化发展报告(2018版)[R]. 2018.

[36]
Scott J P. Social network analysis[M]. London: SAGE Publications, 2017.

[37]
刘华军, 彭莹, 裴延峰, 等. 全要素生产率是否已经成为中国地区经济差距的决定力量?[J]. 财经研究, 2018, 44(6):50-63.

[38]
刘法建, 张捷, 陈冬冬. 中国入境旅游流网络结构特征及动因研究[J]. 地理学报, 2010, 65(8):1013-1024.

DOI

Options
文章导航

/

〈 〉