设施规模作为物流集群模式中时空动态的决定因素

高效城市货运系统依赖物流服务设施的空间布局，包括邻近物流、物流扩散和物流集群。本研究通过空间时间分析美国八个大都市区（MSA）的物流设施聚类，发现不同规模设施动态差异显著：微设施（1-4人）占比最高（27%-62%），集中于城市核心和混合用途走廊，反映最后一公里配送需求增长；中大型设施（≥20人）则沿港口、机场和州际公路形成持久集群。城市规模（如洛杉矶、纽约等超大城市呈现多中心集群）和经济复杂性影响集群形态，政策需针对设施规模制定差异化策略，如核心区最后一公里管理、枢纽周边土地保护等。

　　

Daniel Pineda-Agudelo | Carlos A. Gonzalez-Calderon | Carlos Rivera-Gonzalez

杰拉尔德·梅（Gerald May）新墨西哥大学土木、建筑与环境工程系，美国新墨西哥州阿尔伯克基市87106

摘要

高效的城市货运系统依赖于物流服务设施的空间组织，这种组织受到邻近性物流（proximity logistics）、物流扩散（logistics sprawl）和物流聚集（logistics clustering）的影响。尽管之前的研究分别探讨了这些现象，但对于物流集群如何随时间演变，以及这些动态如何因设施规模的不同而有所差异，我们知之甚少。本研究通过分析美国八个大都市统计区（MSAs）中物流服务设施的时空聚集情况，填补了这一空白。这些大都市统计区代表了从小到大型区域的四个规模层级。利用2009至2020年的NAICS 493（仓储和储存）行业的数据（包括一般商品、冷藏货物、农产品以及其他专业仓储和储存服务），并将CBP（海关与边境保护局）报告的10个就业规模区间内的设施数量汇总为四个设施规模类别：微型（1–4人）、小型（5–9人）、中型（10–19人）和大型（≥20人）。我们应用Getis–Ord Gi*统计量和新兴热点分析（EHSA）方法，在邮政编码（ZIP code）层面识别和描述物流集群。

研究结果显示，不同规模设施的聚集行为存在显著差异。在八个大都市统计区内，微型设施占被认定为物流集群的邮政编码的比例最高（从27%到62%不等），而大型设施的比例较低（从0%到13%不等）。微型设施表现出最动态和最新的聚集特征，主要集中在密集的城市核心区和混合用途走廊中，反映了最后一公里配送需求的增加。中型和大型设施则形成了与主要交通基础设施（如港口、机场和州际走廊）紧密相关的持久或加剧的集群。大都市统计区的规模和区域经济复杂性也影响了集群的形态：大型大都市统计区（如洛杉矶和纽约）呈现出多中心集群系统，而小型大都市统计区则呈现简单的放射状或走廊型模式。这些发现表明，设施规模对物流集群的空间和时间演变具有关键作用。政策建议包括针对不同规模设施制定特定分区策略、保护货运走廊、优化城市核心区的路边和最后一公里配送管理，以及对货运密集型基础设施进行长期土地使用保护。本研究提供了一种可扩展的、基于实证的方法，以支持高效的货运土地利用。

引言

高效的供应链在大都市经济中发挥着至关重要的作用，因为它们促进了商品从生产地到消费地的运输（Rodrigue, 2024）。电子商务的发展、高城市化率以及快速配送服务使得大都市地区比以往任何时候都吸引了更多的货物（Fried and Goodchild, 2023）。如今，供应链管理（涵盖运输和库存管理）已成为高效供应链和充满活力的大都市经济的重要组成部分（Chopra, 2025）。

物流服务设施是提供货运物流服务的机构，主要通过仓储、整合和转运活动来支持库存定位和货物分配，例如仓库和配送中心。在这种情况下，物流服务设施的位置至关重要，因为配送中心（DCs）和仓库作为转运点，将全球经济与地方经济连接起来（Heitz et al., 2017）。这些设施的位置不仅影响物流成本和服务水平，还影响外部成本，如排放和交通事故风险（Holguin-Veras et al., 2021）。

在研究物流服务设施选址合理性时，通常会观察到三种空间现象：邻近性物流、物流扩散和物流聚集。邻近性物流指的是小型物流服务设施位于密集的城市区域，以缩短最后一公里的距离并提高配送速度（Buldeo Rai et al., 2022）。物流扩散指的是大型物流服务设施转移到土地成本较低的外围地区，在区域网络层面获得连接优势（Dablanc and Rakotonarivo, 2010）。物流集群是货运活动的空间聚集，通常以港口、机场或州际公路为枢纽，企业在此聚集（Rivera et al., 2016, Sheffi, 2012）。这三种力量相互作用：邻近性物流在核心城区抑制了物流扩散，而集群可以在核心区和外围地区形成，只要可达性和市场需求相匹配（Buldeo Rai et al., 2022, Dablanc and Rakotonarivo, 2010）。文献综述部分详细讨论了这三种城市货运空间现象。

不同规模的物流服务设施在这些现象之间起到了中介作用，小型设施主要服务于快速配送（Buldeo Rai et al., 2022），而大型设施则更注重规模经济、范围经济和密度经济，以实现区域覆盖（Dablanc and Rakotonarivo, 2010, Sheffi, 2012）。尽管已有相关研究，但大多数研究仍局限于特定案例，难以推广到不同规模的大都市地区。此外，在研究物流服务设施的集群模式时，大多数研究使用的是横截面数据而非面板数据，也没有区分不同规模的设施。因此，目前尚不清楚这些集群如何随时间演变，也不清楚物流集群的时空模式是否与特定的设施规模分类相关。

因此，我们缺乏对物流集群演变过程的清晰认识，例如物流服务设施的热点区域可能会随时间增强或减弱。本文通过证明集群形成、持续性和衰退受到设施规模的强烈影响，填补了城市物流研究中的这一空白。虽然之前分别研究了邻近性物流、物流扩散和集群现象，但现有研究尚未使用面板数据系统地将这些现象与不同规模设施的行为联系起来。本研究引入了一个可扩展的框架，结合新兴热点分析（EHSA）和针对八个大都市统计区的自定义就业规模分类，来诊断物流活动的空间演变。这种方法区分了短期运营动态和长期结构模式，从而揭示了塑造城市货运格局的规模特定机制。

本研究的动机是解决以下三个研究问题：首先，物流集群如何随时间演变？即，在不同规模的大都市统计区内，物流服务设施的热点区域是增强还是减弱？其次，这些时空模式如何因设施规模而异？第三，交通基础设施如何影响不同规模大都市统计区内物流集群的位置和演变？

在这方面，本研究有三个主要贡献：首先，利用面板数据从规模角度识别集群的位置及其随时间的变化；其次，通过涉及四个规模层级八个大都市统计区的比较设计，提供具有规模敏感性的证据；第三，将不同规模物流设施的时空动态与基于证据的政策标准联系起来，从而支持土地使用、交通和供应链效率的提升。

本文余下部分包括第2节文献综述、第3节数据和方法介绍、第4节结果展示以及第5节政策建议。

文献综述

高效的供应链在大都市经济中起着关键作用，因为它们促进了商品从生产地到消费地的流动（Rodrigue, 2024）。电子商务的增长、高城市化率和快速配送服务使得大都市地区吸引了比以往更多的货物（Fried and Goodchild, 2023）。如今，供应链管理（包括运输和库存管理）已成为高效供应链和充满活力的大都市经济的重要组成部分（Chopra, 2025）。

物流服务设施是提供货运物流服务的机构，主要通过仓储、整合和转运活动来支持库存管理和货物分配。在这些情况下，物流服务设施的位置至关重要，因为配送中心和仓库作为连接全球经济与地方经济的转运点（Heitz et al., 2017）。这些设施的位置不仅影响物流成本和服务水平，还影响外部成本，如排放和交通事故风险（Holguin-Veras et al., 2021）。

在文献中，研究物流服务设施选址合理性时通常会观察到三种空间现象：邻近性物流、物流扩散和物流聚集。邻近性物流指的是小型物流服务设施位于密集的城市区域，以缩短最后一公里的距离并提高配送速度（Buldeo Rai et al., 2022）。物流扩散指的是大型物流服务设施转移到土地成本较低的外围地区，在区域网络层面获得连接优势（Dablanc and Rakotonarivo, 2010）。物流集群是货运活动的空间集中区，通常以港口、机场、铁路场或州际公路为枢纽（Rivera et al., 2016, Sheffi, 2012）。这三种力量相互作用：邻近性物流在核心城区抑制了物流扩散，而集群可以在核心区和外围地区形成，只要可达性和市场需求相匹配（Buldeo Rai et al., 2022, Dablanc and Rakotonarivo, 2010）。文献综述部分详细讨论了这三种城市货运空间现象。

不同规模的物流服务设施在这些现象之间起到了中介作用，小型设施主要服务于快速配送（Buldeo Rai et al., 2022），而大型设施则更注重规模经济、范围经济和密度经济，以实现区域覆盖（Dablanc and Rakotonarivo, 2010, Sheffi, 2012）。尽管已有相关研究，但大多数研究仍局限于特定案例，难以推广到不同规模的大都市地区。此外，在研究物流服务设施的集群模式时，大多数研究使用的是横截面数据而非面板数据，也没有区分不同规模的设施。因此，目前尚不清楚这些集群如何随时间演变，也不清楚物流集群的时空模式是否与特定的设施规模分类相关。

因此，我们缺乏对物流集群演变过程的清晰认识，例如物流服务设施的热点区域可能会随时间增强或减弱。本文通过证明集群形成、持续性和衰退受到设施规模的强烈影响，填补了城市物流研究中的这一空白。虽然之前分别研究了邻近性物流、物流扩散和集群现象，但现有研究尚未使用面板数据系统地将这些现象与不同规模设施的行为联系起来。本研究提出了一个可扩展的框架，结合新兴热点分析（EHSA）和针对八个大都市统计区的自定义就业规模分类，来诊断物流活动的空间演变。这种方法区分了短期运营动态和长期结构模式，从而揭示了塑造城市货运格局的规模特定机制。

本研究的动机是解决以下三个研究问题：首先，物流集群如何随时间演变？即，在不同规模的大都市统计区内，物流服务设施的热点区域是增强还是减弱？其次，这些时空模式如何因设施规模而异？第三，交通基础设施如何影响不同规模大都市统计区内物流集群的位置和演变？

在这方面，本研究有三个主要贡献：首先，使用面板数据从规模角度识别集群的位置及其随时间的变化；其次，通过涉及四个规模层级八个大都市统计区的比较设计，提供具有规模敏感性的证据；第三，将不同规模物流设施的时空动态与基于证据的政策标准联系起来，从而支持土地使用、交通和供应链效率的提升。

本文余下部分包括第2节文献综述、第3节数据和方法介绍、第4节结果展示以及第5节政策建议。

数据和方法

本节分为四个小节，讨论了本研究各阶段采用的方法。第一小节讨论了研究的方法论框架；第二小节讨论了选择纳入分析的八个大都市统计区的标准和过程；第三小节描述了基于员工数量的物流服务设施规模分类方法。

结果

本章分为四个小节，每个小节对应一个预先定义的大都市统计区规模类别。结果通过使用EHSA生成的地图呈现，这些地图识别并分类了不同规模物流服务设施的物流聚集空间模式。这些地图揭示了每个大都市统计区设施类型分布的时空动态。

在八个选定的大都市统计区内，结果显示出明显的空间和时间差异。

最终评论/政策建议

本研究结合了Getis–Ord Gi*统计量和新兴热点分析（EHSA）来检测和描述随时间变化的聚集模式。Gi*统计量识别出每年具有统计显著性的局部聚集点，而EHSA将这些信号汇总为时间类型（例如，新兴、稳定、衰退）。通过使用面板数据和设施规模分层（微型、小型、中型、大型），研究揭示了不受规模限制的时空模式。

作者贡献声明

Daniel Pineda-Agudelo：撰写——审稿与编辑、初稿撰写、可视化、方法论设计、概念构建。Carlos A. Gonzalez-Calderon：撰写——审稿与编辑、初稿撰写、监督、方法论设计、概念构建。Carlos Rivera-Gonzalez：撰写——审稿与编辑、初稿撰写、监督、软件开发、方法论设计、概念构建。

资金来源

本研究未获得公共部门、商业部门或非营利部门的任何特定资助。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。