Transport Research >

2021 , Vol. 7 >Issue 6: 40 - 49

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2021.06.005

Spatial Structure Characteristic Analytical Approach to Urban Agglomeration Based on Traffic Flow Data

  • HE Ming-guang , 1, 2 ,
  • LI Bao-qing 2 ,
  • ZHUANG Zhou-yang 2
Expand
  • 1. Changsha University of Science & Technology, Changsha 410114, China
  • 2. China Academy of Transportation Sciences, Beijing 100029, China

Received date: 2021-08-24

  Online published: 2022-01-19

Copyright

Copyright reserved © 2021
Fold

Abstract

In order to grasp the mechanism of regional coordination and interaction, and guide the spatial planning of urban agglomeration to form a reasonable regional development pattern, this paper carried out a study on the spatial structure characteristics of urban agglomeration. According to the first and second laws of geography and comparative advantage theory, the paper proposed an iterative algorithm: collecting OD data of traffic flow in urban agglomeration, identifying the consistency of neighboring cities in terms of travel characteristics by determining the similarity of travel patterns between cities, and building regional group sets to analyze the spatial structure characteristics of urban agglomeration. Taking the Pearl River Delta urban agglomeration as an example, the paper studied the interaction patterns between regional groups and the relationship between traffic supply and demand. The results showed that: the spatial aggregation characteristics of the Pearl River Delta regional group were obvious and the flow directions were clear; there were 6 pairs of regional groups had significant interaction and strong economic complementarity; there were 4 regional groups in Zhaoqing, Zhuhai and Shenzhen that were relatively active in economy and had frequent exchanges with other regional groups; the flow intensity of Guangzhou-Foshan regional group was the highest, and the factor supply and demand were quite strong. The above results show that the basic law of strong positive correlation between flow intensity of regional groups and economic development quality of core urban areas in regional groups is still valid, which can analyze the key information like interaction mode between regional groups composed of districts and counties, economic activity, and the supply relationship of production factors with other regional groups. It can provide theoretical basis for urban agglomeration spatial decision-making.

Key words： urban agglomeration; traffic flow; spatial structure; regional correlation; Pearl River Delta

Cite this article

HE Ming-guang , LI Bao-qing , ZHUANG Zhou-yang . Spatial Structure Characteristic Analytical Approach to Urban Agglomeration Based on Traffic Flow Data[J]. Transport Research, 2021 , 7(6) : 40 -49 . DOI: 10.16503/j.cnki.2095-9931.2021.06.005

0 引言

区域空间结构是在一定时期和地域范围内,各要素通过其内在机制相互联系、相互作用而形成的空间形态。该空间形态既可表现为点、线、网络、面域等静态要素以不同的组合模式形成的区域空间布局,也可表现为基于以上要素的流动负载（如人流、物流、信息流、资金流等）。随着全球化和互联网信息技术的发展,人员、物资、信息、资金在城市间的流动显著增大,距离对空间关联的约束作用逐渐弱化,传统的“地理空间”被“流空间”融合[1],国内外研究关注重点逐渐转移到以流动负载为主的空间结构表现形式上来,城市群空间结构研究由关注静态的城市节点等级规模向关注动态网络化的城际联系功能流转变[2,3],这些“流”通过各种形式的网络通道,体现广泛的城市群空间网络特征。
目前,国内外对于区域空间结构的网络化特征研究主要分三个方向：（1）以分形理论为基础计算区位熵,通过计算基于客货运输流[4]、企业组织结构[5]、专利创新数量[6]、基础设施联系等指标的关联强度构建城市关联网络,对研究城市进行功能层次划分,研究空间极化发展对区域经济发展及空间结构塑造产生的影响[7,8];（2）采用引力模型或社会网络法分析城市群空间格局的演变[9];（3）基于拓扑图论法（如Infomap等社区发现类算法）分析城市群网络结构演变[10],以城市群间和城市群内各城市间联系路径的编码系数期望值最小为目标识别社区网络。还有研究利用 UCINET软件识别了城市群内部城市节点构成的凝聚子群[11,12]。以上方法能发掘城市群发展的总体空间特征[13],也对城市间的交互作用进行了分析[14],对城市群协调性和一体化推进有重要意义。
然而城市群空间结构的研究中还存在一些不足,如针对局部城市间的交互特征仍以聚类分析为主,而对联系方向性和研究对象城市本身的关注不足;针对凝聚子群的分析多基于宏观指标进行联系强度测算,忽略了对个体节点的特征分析和局部优化,而这通常是改善区域协调性的关键。针对以上问题,本文提出了一种基于相似流识别的空间结构表示方法：以一段时间内有向的动态交通流表示城市间交互,提取具有相似交通流特征的相邻城市构建区域组,从而识别城市群内部区域组团间的互动模式和要素供给关系,挖掘城市群空间结构特征,进一步优化城市群交通规划及服务供给,为推动城市群产业聚集和协同发展提供理论支撑。

1 研究假设

1.1 理论基础

本研究基础假设主要依据3个理论：Ricardo的比较优势理论[15],Tobler提出的地理学第一定律[16]和Goodchild提出的地理学第二定律[17]。
（1）基于比较优势理论,人力、资源等生产要素的不平衡产生了供需关系;交通流作为人、物资源在区域间移动的主要载体,能反映出城市群内部各区域组的经济活跃程度和组间生产要素供给关系。
（2）本研究以地理学第一定律、第二定律为基础理论,认为相邻的城市或区域大概率存在相似的空间结构,即均与距离较远的某城市或某区域存在相似的交互、供需关系。

1.2 基本假设

根据上述理论,本文建模基于以下3点假设。
（1）生产要素的交互关系既存在于两个独立的城市间,也存在于一组城市与另一组城市之间。
（2）相邻城市间很可能存在相似的空间结构,即均与某几个相隔较远的城市间存在相似的交互关系。
（3）具有相似空间结构的相邻城市构成区域群组,能与其他区域群组形成有向的组间交互,将其定义为起始区域组和终止区域组,形成的交通流集合称为相似流集合。

2 研究方法

2.1 方法概述

本文借鉴Kim等[18]研究地铁乘客在区域间的移动模式时采用的区域间行动模式（Movement Patterns Between Zones, MZPs）建模思想（见图1（a））,其利用地铁刷卡数据表征乘客的出行轨迹,通过站点周边用地性质定义站点间关系,找出区域组和组间移动模式。
图1 区域间行动模型在城市群空间表达中应用示意图
在城市群空间结构特征分析中,很难赋予城市单一的属性定位,但通过交通流的走向特征和空间分布可识别出城市间的交通要素供需模式,同时进行区域合并和区域组间运动模式判断（见图1（b））。有别于城市交通MZPs模型,评价流的相似性时,判断依据在于交互流量和区域流强度两个指标[19],并通过阈值判断空间合并条件。

2.2 邻域定义

在原MZPs模型中线路站点间相邻特征显著（见图2（a））,而在三维空间中,邻域有多种存在形式（见图2（b））。本文目的是研究区域组间空间联系和交互特征,研究对象应最大限度考虑邻域空间与目标空间的相似性,因此选择图2（b4）所示的缓冲区邻域关系[20],即基于空间位置,牺牲迭代时间,拓展研究距离,以扩大模型考虑的空间范围。
图2 线路节点和面域空间邻域关系

2.3 相似流识别

命名区域组和区域流集合。区域组包括起始区域组 O rig = O 1 , O 2 , O 3 , … , O m 和终止区域组 D est = D 1 , D 2 , D 3 , … , D n , m , n 代表区域组元素初始个数。区域组的每个元素 O i 和 D j 都是由符合以上定义邻域关系的单个区域合并组合而成。区域流集合为 F low = { F ij , i ≤ m , j ≤ n } ,其中 F ij 表示从起始节点 i 至终止节点 j 的流量,设 f k ( k ∈ R ) 为该单向流的初始命名,初始时 F ij = f k ;区域流强度集合为 S tre = { S ij , i ≤ m , j ≤ n } ,其中 S ij 表示从起始节点 i 到终止节点 j 的流量强度, S ij = I k , I k 为该单向流强度计算值,其计算公式[18]为：
I k = UniF ( f k ) ∑ f i * · ∑ f * j
式（1）中： I k 为单向流强度; UniF ( f k ) 为被识别的起点为 O i 邻域或终点为 D j 邻域的单向流; ∑ f i * 为起始区域为 O i 的所有区域流之和; ∑ f * j 为终止区域为 D j 的所有区域流之和。
区域流每个元素都对应一对起始组元素和终止组元素,即对于流 F ij , O i ∈ O rig , D j ∈ D est ,元素 O i 和 D j 在空间上可以相邻,但不可以相交。参考MZPs模型定义相似流,将单向流强度 I k 作为识别相似流的主要指标。如图3所示,初始区域组 O rig = { s 1 , s 2 , s 4 , s 5 , s 6 , s 7 } ,终止区域组 D est = { s 1 , s 3 , s 4 , s 5 , s 6 , s 7 } ,初始区域流 F low = { f 1 , f 2 , f 3 , … , f 12 } ,计算所有节点的中心度排名和交通流大小等优先级,根据优先级顺序优先比较以 s 6 节点为起点和终点的邻域交通流,给定阈值 δ ,当 I 7 = f 7 / [ ( f 7 + f 9 + f 11 ) × ( f 7 + f 1 + f 8 ) ] ≥ δ 时, f 7 即可被识别为区域相似流。
图3 识别相似流及区域组合并迭代过程
参考MZPs模型的相似流识别方式,定义面域交通流相似性特征,但相对于线性节点,面域元素的相邻元素数量大幅增加,需对指标 I k 的计算公式进行修正。经算例实验可知,修改为 I k ' （计算公式见式（2））更符合实际要求。此外,阈值 δ 也需根据特征值 I k ' 进行动态调整（调整为 δ ′）,以提高模型的收敛性。
I k ' = UniF f k ∑ f i * · ∑ f * j
当 I k ' 不小于给定阈值 δ' 时,识别为相似流。

2.4 面域合并

由调整后的指标识别相似流,设区域组合并条件如下：
S ij = F mn + F ij ( ∑ f i * + ∑ f m * ) · ( ∑ f * j + ∑ f * n ) ≥ θ
式（3）中： F mn 为符合合并条件的流。若 O m 与 O i 为邻域关系,或 D n 与 D j 为邻域关系,给定阈值 θ ,当 S ij ≥ θ 时,即可将 O m 与 O i 或 D n 与 D j 进行合并,同步修改 F ij ' = F ij + F mn , S ij ' = S ij + I k ' 。最终得到区域流强度 F low 和区域流贡献率 S tre 两个集合,得出空间结构关系如图4所示。
图4 区域组相似流识别示意图

3 实证分析

3.1 研究范围

本文选择珠江三角洲城市群进行实证分析。珠江三角洲是我国发展较成熟的城市群之一,本研究涉及的珠三角城市群包括：广州、深圳、佛山、东莞、中山、珠海、江门、肇庆、惠州共9个城市及其所辖区、县,其中东莞市和中山市不设区县,分别整体作为一个空间单元。

3.2 数据来源

区县是新型城镇化建设与区域协同发展的重要区域,县域经济是功能完备的综合性经济体系,是国民经济的基本单元。因此以县级行政区划为地理空间基础单元进行研究。
实验中使用的基础数据由两部分组成：①珠三角9个城市所辖区县构成的行政区划多边形,用于确定城市空间关系,由民政部最新更新的行政区划图确定;②不同城市区县间的流动数据。本文获取了2019年3月珠三角9个城市所辖区县间的高速公路出入口数据,经过异常值处理、降噪、OD识别分配,得到每日区县间OD数据,包括出发地区县、目的地区县和对应标准车车流量数据约10 200条,作为基础数据。

3.3 珠三角城市群空间特征分析

采用上述研究方法,设区县为区域单元,采用图2（b4）所示的空间关系及式（1）~式（3）相似流识别及面域合并条件建模,得到16对起始、终止区域组及其相似流集合。图5给出了珠三角城市群空间特征分析结果中的部分图形。
图5 起始区域与终止区域组集合图示
由计算得出的起始区域组集合和终止区域组集合可发现：①起始区域组和终止区域组构成相似,说明各区县间空间聚集特征明显,交通活跃区域在城市群范围内相对显著,流向明确;②比较特殊的东莞市和深圳市（龙岗区）区域组仅作为流出区域;③佛山市（南海区、荔湾区）区域组仅作为流入区域。
计算得出存在强交互关系的6对区域组（见图6）,包括：①广州市（白云区、越秀区）与珠海市（香洲区、金湾区）;②珠海市（香洲区、金湾区）与深圳市（龙岗区、盐田区）;③肇庆市（鼎湖区、端州区）与肇庆市（怀集县、广宁县、封开县、德庆县）;④佛山市（禅城区、顺德区）与中山市、珠海市（香洲区）;⑤深圳市（宝安区、福田区）与深圳市（龙岗区、盐田区）;⑥肇庆市（怀集县、广宁县、封开县、德庆县）与肇庆市（怀集县、广宁县、封开县、德庆县）。
图6 强交互关系的区域组
计算在起始、终止区域组两个集合中出现超过3次的区域组,包括：①肇庆市（怀集县、广宁县、封开县、德庆县）;②珠海市（香洲区、金湾区）;③深圳市（龙岗区、盐田区）;④深圳市（福田区、南山区、宝安区）。将与其存在流关系的其他区域组一同标出,见图7。
图7 高频率出现的区域组及其空间交互关系
由图7可看出：①肇庆市（怀集县、广宁县、封开县、德庆县）为流量输出主要城市,对肇庆市（鼎湖区、端州区）和中山市、珠海市（香洲区）两个区域组存在生产要素供应关系,自身内部流动特征也较为显著;②珠海市（香洲区、金湾区）与多个区域组存在流关系,经济活跃,流动频繁。
各区域组间流量强度见表1,结合 S ij 和 I k ' 判断面域合并条件。表1中的起始区域组和终止区域组为经相似面域合并后得到的区域流起终点集合。表1中流量强度数据公差较大, F_ID = 1 流量强度虽小,但强度贡献率不是最低的,即从深圳市龙岗区、盐田区构成区域组出发的交通流大部分流向深圳市福田区、南山区、宝安区,而流入深圳市福田区、南山区、宝安区的交通流大部分来自深圳市龙岗区、盐田区,二者供需关系较强,亦可构成合并条件,形成区域组。由表1可看出：①广州市（白云区、天河区）→佛山市（南海区、荔湾区）区域组为流量强度最大的区域组;②佛山市（禅城区、顺德区）与中山市、珠海市（香洲区）交流密切,交互强度较大,流量贡献率较高;③深圳市（南山区、宝安区、福田区）与深圳市（龙岗区、盐田区）交流密切,交互强度较大,流量贡献率较高。
表1 区域组间流量强度及贡献率
F_ID 起始
区域组		 终止
区域组		 区域流量
强度		 强度
贡献率
0 303;301 105;101 2860.667 0.021499
1 206;205 202;203;204 0.1 0.004921
2 206;205 203;204;202 14052.97 0.055645
3 203;204 206;205 12122.3 0.048324
4 303;301 206;205 101.9667 0.001169
5 401;403 301;901 19889.77 0.101094
6 606;605;
604;607		 301;901 54.03333 0.001634
7 105;101 303;301 2660.1 0.020075
8 205;801 303;301 2016.467 0.014031
9 206;205 303;301 144.8333 0.001681
10 104;105 401;402 56321.3 0.150969
11 301;901 401;403 17932.23 0.094077
12 606;607;
604;605		 601;602 2136.4 0.131365
13 202;203 606;605;
607;604		 20.1 0.000467
14 607;604;
606;605		 606;605;
607;604		 967.6333 0.067293
15 601;602 607;604;605 1550.6 0.099055

注：表中F_ID为区域流代码,起始区域组和终止区域组下数据为区县构成代码。

3.4 珠三角城市群空间结构发展规律

通过分析珠三角城市群内部的区域空间结构及交互关系,依据上文给出的空间结构特征,可得出以下结论：
（1）以区县为基础单元分析其构成的城市群空间结构,发现由交通流合并所体现的区域组打破了传统地级市行政区划,更符合区域发展的自然规律。
（2）以区县级行政单元作为基础面元分析城市群空间结构和要素供给,与以城市为基础面元得出的结论（可参见广州市规划和自然资源局发布的《2020年广州市交通发展年报》中广东省内各城市对外出行OD分布图）有显著差异：传统意义上的珠三角自然形成的 “广佛肇”“深莞惠”“珠中江”3个城市组团在本文图6中并不显著,说明随着城市群的日益融合和粤港澳大湾区发展战略的提出,市域边界逐渐模糊,空间关系和资源互补对组团凝聚的影响作用更大。
（3）广佛交通流最显著的特征是“枢纽共享”。佛山出入交通流占广州白云机场和广州南站现状总客流近20%,是本研究涉及的城市中占比最大的;88%的佛山交通流可在45min内到达广州南站。佛山市在高水平基础设施和低营商成本的结构性优势下,与广州的同城化趋势愈加明显。
（4）肇庆市4县（封开县、广宁县、怀集县、德庆县）的经济对广州、深圳的依赖性较强：流量绝对水平不高,但在其流入流出量中贡献率占比较高,低水平均衡状态亟待摆脱。

4 结语

本文通过分析区域组的经济活跃度、与其他区域组的联系广度等,挖掘出相关区域组的生产要素供给交互特征。珠三角各区县构成区域组间的要素供给关系显著,其集聚效应不断转化为扩散效应,“广深佛莞”的新型城市关系正在形成。本文通过研究2019年珠三角城市群公路交通流这一断面,发现枢纽共享、传统生产要素共享等现象对组团凝聚有明显推动作用,体现了珠三角城市群呈现出的部分一体化特征,分析方法可为实现个体城市优化和整体区域协调提供理论依据。
本文基于交通流数据对珠三角城市群空间结构特征进行分析,充分解释了由区县构成的区域组间的交互模式,也能判断区域组的经济活跃度、与其他区域组的生产要素供给关系等,但对空间结构形成的内在机制探讨不足,且出于数据获取难度较大等原因缺乏历史对比分析。未来需提升研究精度、拓展数据来源渠道,并通过引入社会网络分析法等加强对比分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王姣娥, 景悦. 中国城市网络等级结构特征及组织模式——基于铁路和航空流的比较[J]. 地理学报, 2017,72(8):1508-1519.

[2]
CASTELLS M. Globalization, networking, urbanization: Reflections on the spatial dynamics of the information age[J]. Urban Studies, 2010,47(13):2737-2745.

[3]
TAYLOR P J, HOYLER M, VERBRUGGEN R. External urban relational process: Introducing central flow theory to complement central place theory[J]. Urban Studies, 2010,47(13):2803-2818.

[4]
陈伟, 刘卫东, 柯文前, 等. 基于公路客流的中国城市网络结构与空间组织模式[J]. 地理学报, 2017,72(2):224-241.

[5]
唐子来, 李涛. 长三角地区和长江中游地区的城市体系比较研究:基于企业关联网络的分析方法[J]. 城市规划学刊, 2014(2):24-31.

[6]
王冲. 我国区域专利创新效率差异研究[D]. 合肥:合肥工业大学, 2008.

[7]
SASSEN S. The Global City: New York, London, Tokyo[M]. Princeton: Princeton University Press, 2001.

[8]
JACOBS W, DUCRUET C, LANGEN D P. Integrating world cities into production networks: The case of port cities[J]. Global Networks, 2010,10(1):92-113.

[9]
罗震东, 何鹤鸣, 耿磊. 基于客运交通流的长江三角洲功能多中心结构研究[J]. 城市规划学刊, 2011(2):16-23.

[10]
ROSVALL M, BERGSTROM C T. Maps of Random walks on complex networks reveal community structure[J]. Proceedings of the National Academy of Sciences, 2008,105(4):1118-1123.

[11]
BUNNELL T, BARTER P A, MORSHIDI S. Kuala Lumpur metropolitan area: A globalizing city-region[J]. Cities, 2002,19(5):357-370.

[12]
汤放华, 汤慧, 孙倩, 等. 长江中游城市集群经济网络结构分析[J]. 地理学报, 2013,68(10):1357-1366.

[13]
王圣云, 翟晨阳, 顾筱和. 长江中游城市群空间联系网络结构及其动态演化[J]. 长江流域资源与环境, 2016,25(3):353-364.

[14]
刘望保, 石恩名. 基于ICT的中国城市间人口日常流动空间格局——以百度迁徙为例[J]. 地理学报, 2016,71(10):1667-1679.

[15]
RICARDO D. On the Principles of Political Economy and Taxation[M]. London: Arkose Press, 1817.

[16]
TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970,46:234-240.

[17]
GOODCHILD M F. The Accuracy of Spatial Databases[M]. Los Angeles: CRC Press, 1989.

[18]
KIM K, OH K, LEE Y K, et al. An analysis on movement patterns between zones using smart card data in subway networks[J]. International Journal of Geographical Information Science, 2014,28(9):1781-1801.

[19]
HE B, DING Y, YAN E. Mining patterns of author orders in scientific publications[J]. Journal of Informetrics, 2012,6(3):359-367.

[20]
ZHANG H P, ZHOU X X, GUN X, et al. Method for the analysis and visualization of similar flow hotspot patterns between different regional groups[J]. ISPRS International Journal of Geo Information, 2018,7(8):327-346.

[21]
陈伟, 修春亮, 柯文前, 等. 多元交通流视角下的中国城市网络层级特征[J]. 地理研究, 2015,34(11):2073-2083.

Options
Outlines

/

〈 〉