EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 4: 685 - 699

DOI: https://doi.org/10.18306/dlkxjz.2024.04.005

研究论文

粤港澳大湾区物流网络特征与影响因素研究

  • 赵亚博 ,
  • 胡蝶 ,
  • 黄柳倩 ,
  • 陈敬业 ,
  • 蔡云楠 , *
展开
  • 广东工业大学建筑与城市规划学院，广州 510090
*蔡云楠(1969— )，男，上海人，博士，教授，博士生导师，研究方向为生态城市、自然资源资产管理体制与城市更新。E-mail:

赵亚博(1988— )，男，河南南阳人，博士，副教授，硕士生导师，研究方向为城市与区域发展。E-mail:

收稿日期: 2023-09-01

  修回日期: 2023-11-20

  网络出版日期: 2024-04-25

基金资助

国家自然科学基金项目(42101186)

广东省自然科学基金项目(2020A1515110341)

自然资源部城市国土资源监测与仿真重点实验室开放基金资助课题(KF-2020-05-010)

收起

Logistics network characteristics and influencing factors in the Guangdong-Hong Kong-Macao Greater Bay Area

  • ZHAO Yabo ,
  • HU Die ,
  • HUANG Liuqian ,
  • CHEN Jingye ,
  • CAI Yunnan , *
Expand
  • School of Architecture and Urban Planning, Guangdong University of Technology, Guangzhou 510090, China

Received date: 2023-09-01

  Revised date: 2023-11-20

  Online published: 2024-04-25

Supported by

National Natural Science Foundation of China(42101186)

Natural Science Foundation of Guangdong Province(2020A1515110341)

Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources(KF-2020-05-010)

Fold

摘要

快递物流直接反映城市间物质流动，是城市联系的重要表征形式。论文以粤港澳大湾区63个区县为基本研究单元，基于物流网点数据，构建63×63的物流联系矩阵，综合运用社会网络分析、GIS空间分析、多尺度地理加权回归模型探究粤港澳大湾区物流网络空间结构特征及其影响因素。研究表明：① 各区县网络中心性与社会经济及城镇规模的宏观格局基本一致，区县间物流非均衡性显著，白云区物流职能突出；② 物流网络整体形成以“穗莞深”为主、佛山与中山为辅的“三核两辅”多中心结构，物流联系集聚与极化现象显著，网络连接优先在“穗莞深”等核心城市；③ 粤港澳大湾区内部可划分为4个凝聚子群，呈“散点状分布、圈层式扩展”特征，为典型的“核心—边缘”结构；④ 物流网络的形成主要受常住人口数量和GDP影响，人均GDP、城乡居民人均可支配收入、就业人员平均工资和社会消费品零售总额也发挥着重要作用。研究对丰富城市网络理论、促进物流协调发展、提升物流服务水平和城市群综合竞争力具有积极意义。

关键词： 流空间; 物流网点; 网络特征; 多尺度地理加权回归模型; 粤港澳大湾区

本文引用格式

赵亚博 , 胡蝶 , 黄柳倩 , 陈敬业 , 蔡云楠 . 粤港澳大湾区物流网络特征与影响因素研究[J]. 地理科学进展, 2024 , 43(4) : 685 -699 . DOI: 10.18306/dlkxjz.2024.04.005

Abstract

Express logistics is a direct reflection of intercity material flows and an important form of representation of urban connectivity. Taking 63 districts and counties in the Guangdong-Hong Kong-Macao Greater Bay Area as the basic research unit, this study constructed a 63×63 logistics linkage matrix based on logistics network data, and explored the spatial structure characteristics of logistics networks and their influencing factors by using social network analysis, GIS spatial analysis, and multi-scale geographically weighted regression (MGWR) models. The findings show that: 1) The centrality of the network of districts and counties is basically consistent with the macro pattern of socioeconomic development level and town size, and the imbalance of logistics between districts and counties is notable, with Baiyun District having a prominent logistics function. 2) The overall network has formed a multi-center structure of "three nuclei and two auxiliaries", with Guangzhou, Dongguan, and Shenzhen as the main cities, supplemented by Foshan and Zhongshan. The clustering and polarization of logistics links are significant, with network connections prioritized in core cities such as Guangzhou, Dongguan, and Shenzhen. 3) The Guangdong-Hong Kong-Macao Greater Bay Area can be divided into four cohesive subgroups, which are characterized by a scattered distribution and zonal expansion, a typical core-periphery structure. 4) The formation of logistics networks is mainly influenced by the size of the resident population and GDP, while GDP per capita, per capita disposable income of urban and rural residents, average wages of employed persons, and total retail sales of consumer goods also play an important role. The study is of significance for enriching the theory of urban networks, promoting the coordinated development of logistics, and enhancing the level of logistics services and the comprehensive competitiveness of urban agglomerations.

Key words： space of flows; logistics network; network characteristics; MGWR; Guangdong-Hong Kong-Macao Greater Bay Area

在全球化、区域一体化和知识经济的快速发展下，城市群已成为国家参与国际竞争和分工的重要地域单元，对世界政治经济新格局产生深远影响[1-2]，物质流与非物质流在城市间交织，促进传统场所空间向流动空间转变[3]，这一转变也使学者关注点从城市内在属性转向城市外部联系，城市发展研究逐渐关注基于流动空间的区域网络特征。
“流”的形式主要分为物质流和非物质流两种，前者涵盖人流[4⇓⇓⇓-8]、物流[9-10]、交通流[11-12]等，后者有信息流[13-14]、知识流[15-16]、技术流[17-18]等。物流基于实体物质流动桥接区域，相较于其他流要素，它对城市供需变化更为敏感，侧重物质的全过程流动，与城市生产分工及产业体系联系更为紧密[19]。2018年底，国家发改委和交通运输部联合发布的《国家物流枢纽布局与建设规划》明确提出国家物流枢纽将配合国家重大战略实施需要，建立健全现代物流服务体系，提高物流业发展水平。物流业已成为中国经济发展的战略性产业和新兴动力，基于物流视角开展区域网络研究成为重要议题。已有研究中，在方法和数据上，部分学者基于引力模型[20]测度城市物流发展程度，但这一方法难以直接反映城市联系。一些研究借鉴高级生产性服务业(advanced producer service, APS)企业测度城市联系的锁链模型[21]和总部分支数据[22]表征城市联系，但多关注单一物流企业[23-24]，难以全面反映整体格局，物流网点具有跨区域布局及组织机构网络化双重特征，反映区域间生产物质流动和经济联系往来，也在一定程度上塑造城市与区域格局，还有研究基于物流细分领域从专线物流[19]、生产性和生活性物流视角[25]分析城市网络格局及城市结构。在研究尺度上，多以全国[26]和区域的市级网络为主，在城市群尺度，研究对象涉及中国各大城市群，如长三角城市群[27]、珠三角城市群[28]、京津冀城市群[29]、中原城市群[30]以及中国三大城市群[31]、五大城市群[32]物流网络对比研究，而粤港澳大湾区囿于数据获取受限，深入探究其物流网络特征的研究还相对较少，且粤港澳大湾区内部特殊的制度环境，物流网络表现可能更为复杂。
在经济全球化与信息技术高度发达的今天，以物流业为代表的各类生产性服务业对区域空间体系的重构及网络化存在较大影响，其背后的作用机制也值得深入探讨。在探究物流网络影响因素的方法上，一些研究使用二次指派程序(QAP回归模型)来衡量外生网络的影响效应[28]，运用地理探测器探索空间分异特征并揭示其驱动因子[30]，还有研究使用指数随机图模型(exponential random graph model, ERGM)[26]推断内生结构、节点属性和外部网络对某一网络结构形成的影响效应[33]。现有关于影响因素的研究多聚焦网络整体层面，而对微观节点的分析亟待加强，以全局回归为主导的方法掩盖了区域内节点间驱动因子的差异性。本文引入多尺度地理加权回归模型(multi-scale geographically weighted regression，MGWR)，允许多带宽方式满足多变量各自不同的空间平滑问题，可将影响因子精确到每个区县节点，以发掘物流网络的县域差别原因。
总体来看，已有研究主要围绕城市群的市级网络展开，而受制于数据获取，对内部制度环境存在差异的粤港澳大湾区区县尺度的研究仍较少。因此，本文选择物流活动频繁的粤港澳大湾区作为研究区域，针对区域内部行政单元划分标准不一的现实，整合研究单元尺度，以规避行政区划不同导致的分析结果误差。数据上区别于已有研究采用总部—分支的数据刻画形式，选取粤港澳大湾区25家代表性物流企业，在区县尺度整合物流企业组分网络和运营网络，构建区域物流网络模型，以求更具针对性地刻画粤港澳大湾区物流网络，更全面地反映物流对城市网络的影响。研究基于关系数据，运用社会网络分析和GIS空间分析，从宏观角度把握物流网络的结构特征，从微观角度剖析物流要素间的联系与流动特征，以明确不同区县在整体网络的功能定位，运用MGWR模型研究粤港澳大湾区物流网络运行效应，探寻影响因子的县域差别，以期丰富城市网络理论，识别粤港澳大湾区物流业发展规律，促进物流业协同发展，优化现代化物流服务水平。

1 研究区域、数据与方法

1.1 研究区域

粤港澳大湾区定位是建设国际一流湾区和世界级城市群，包括“九市二区”，即珠三角城市群的9个城市与香港、澳门两个特别行政区，总面积约5.6万km2，拥有完善的交通网络和雄厚的产业基础，内外部互联互通，产业串珠成链。首先，物流业快速发展离不开城市群发达的交通网络，大湾区内部有广佛肇、广佛江珠等高速公路，核心区高速公路密度高于世界其他三大湾区，铁路通车总里程超2200 km，高铁里程超1200 km，大湾区城市间“1 h生活圈”正在成型，由公路、铁路、水路、航空、管道所构成的综合立体交通运输网络也基本形成。其次，物流业与经济发展密不可分，雄厚的经济实力为构建物流体系提供了坚实基础。2019年发布的《粤港澳大湾区发展规划纲要》中“运输”“物流”和“交通”等词频分别达到10、16和30次，反映出发展物流业对建设粤港澳大湾区的重要性。广东省快递业务量与收入分别占全国的26%和25%，均居全国首位，其中，广州、深圳、东莞、佛山和中山均进入全国快递量Top50，快递量之和占全国总量的21%。因此，粤港澳大湾区是物流要素频繁交换地区，也是物流网络研究的典型区域。本文以粤港澳大湾区为实证案例，分析其物流网络特征与影响因素。由于东莞和中山是不设区县的地级市，而香港各区面积较小，为避免行政区划标准不一导致物流网络衔接与分析存在尺度差异，借鉴相关研究对中山、东莞和香港进行尺度整合，其中：东莞划分为城区、东部产业园、东南临深、滨海、水乡新城、松山湖6个片区；中山分为中心、东部、西北、南部、东北5个组团；香港地区按传统划分为香港港岛、香港九龙、香港新界(包括离岛区)[34]。澳门由于物流网点规模较小，对整体网络影响较弱，故不再对澳门进行区域细化。最终得到63个行政单元(图1)。
图1 研究区域范围及其主要交通网

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2019)4342号的标准地图绘制，底图无修改。下同。

Fig.1 Scope of the study area and its main transport networks

1.2 数据来源与预处理

为规避新冠疫情这一突发公共卫生事件的影响，本文基于2019年末的物流网点数据构建物流网络。通过2019年度中国物流企业50强和民营物流企业50强企业名单(http://www.chinawuliu.com.cn/lhhzq/202006/12/508156.shtml)确定目标物流企业，具体筛选标准如下：① 截至2020年1月1日，至少在粤港澳大湾区的两个城市拥有办事处或以上级别的分支机构；② 拥有规范的企业网站，在网站中可查询到服务网点及其空间信息。通过查询企业网站及基于物流网点构建的物流数据库，在2019年度Top50物流企业中选取粤港澳大湾区前25家物流企业的物流网点作为研究对象(表1)。
表1 粤港澳大湾区主要物流企业名录及其总部状况

Tab.1 List of major logistics enterprises in the Guangdong-Hong Kong-Macao Greater Bay Area and their headquarter status

序号 企业名称 总部所在地 序号 企业名称 总部所在地
1 中国远洋海运集团有限公司 上海 14 一汽物流有限公司 长春
2 厦门象屿股份有限公司 厦门 15 全球国际货运代理(中国)有限公司 上海
3 顺丰控股股份有限公司 深圳 16 日日顺供应链科技股份有限公司 青岛
4 中国外运股份有限公司 北京 17 嘉里物流(中国)投资有限公司 北京
5 百世物流科技(中国)有限公司 杭州 18 准时达国际供应链管理有限公司 成都
6 中通快递股份有限公司 上海 19 四川安吉物流集团有限公司 宜宾
7 韵达控股股份有限公司 上海 20 日通国际物流(中国)有限公司 北京
8 中铁物资集团有限公司 北京 21 中创物流股份有限公司 青岛
9 圆通速递股份有限公司 上海 22 深圳越海全球供应链股份有限公司 深圳
10 德邦物流股份有限公司 上海 23 上海则一供应链管理有限公司 上海
11 申通快递有限公司 上海 24 利丰供应链管理(中国)有限公司 上海
12 江苏苏宁物流有限公司 南京 25 建华物流有限公司 珠海
13 京东物流股份有限公司 北京
物流企业作为承担物流活动的专业化组织，是具有空间网络的企业形式，由企业属性要素和物流属性要素共同组成，二者共同作用导致企业职能分化和区位分离，从而形成包括企业组分网络和物流运营网络的物流企业网络[35]。物流企业在区域尺度构筑组分网络通常包括企业总部、区域/地区分公司、办事处和受理点；物流运营网络包括区域物流中心、一级分拨中心、二级配送中心和末端配送网点，将组分网络与运营网络等级分别进行对应，由此形成赋分标准(表2)[35]。通过网页查询和Python爬虫获取物流网点的空间信息与网点名称，利用网点名称补充级别信息，剔除无效数据后得到13349条数据。通过《广东省统计年鉴2020》《香港统计年刊》(2020年)、《澳门统计年鉴》(2020年)获取各城市与区县2019年的GDP、人均GDP、城乡居民人均可支配收入、就业人员平均工资、社会消费品零售总额等统计数据，并利用各地发布的国民经济和社会发展统计公报进行补充。
表2 粤港澳大湾区物流网点分级赋分标准

Tab.2 Grading criteria for classifying logistics outlets in the Guangdong-Hong Kong-Macao Greater Bay Area

物流分级 具体名称 主要内容 赋分
一级 总公司 公司总部 5
二级 分公司 区域级物流中心、地区分公司 4
三级 一级分拨中心 城市级分拨中心、大型物流园、物流中心 3
四级 二级配送中心 区级分拨中心、配送中心、办事处 2
五级 末端配送网点 营业部、服务部 1

1.3 研究方法

1.3.1 基于锁链模型的连通度

快递网点是物流企业分布在不同区域的分支机构，通过集中与分散两种功能实现物质的空间流动[36]。为反映粤港澳大湾区的物流联系，借鉴GaWC小组提出的链锁模型[21]构建粤港澳大湾区25家代表性物流企业与63个区县的加权矩阵，计算城市间连通度。公式如下：
V i j = ∑ h = 1 5 ( w h · n i j , h )
式中：Vij为物流公司j在区县i的得分；h表示物流网点级别；wh为某一级别网点对应的权重值，参考已有研究将网点到总部依次赋分为1~5分[35-36]；nij,h为物流企业j在区县i拥有的h级别网点的数量。
将物流与城市间的二模矩阵变为城市联系矩阵，用Rab,j表示物流企业j在区县a与区县b间的连通度，Vaj、Vbj为物流企业j在区县a和区县b的得分，则Rab,j计算公式如下：
R a b , j = V a j · V b j ( j = 1,2 , ⋯ , 25 )
区县a与区县b的总体连接度Rab为：
R a b = ∑ R a b , j ( j = 1,2 , ⋯ , 25 )
单一区县a在物流网络中的连通度Na为：
N a = ∑ i = 1 n R a i ( i ≠ a )

1.3.2 社会网络分析

采用社会网络分析法揭示粤港澳大湾区快递物流网络的整体形态、结构及特征，并分析其中心度和凝聚子群。中心度可以表征节点在网络中心的影响力及地位，数值越大，节点在网络中联系越强；凝聚子群并非多个区县之间形成结盟关系，而是探寻哪些区县间在空间上存在直接紧密的强关联，利用凝聚子群可以更好地分析区域内部的网络结构，采用UCINET软件进行计算[37⇓-39]。

1.3.3 MGWR模型

地理加权回归(geographically weighted regression, GWR)自1996年提出后就广泛用于空间数据的影响因素分析[40⇓⇓⇓⇓-45]。MGWR是对经典GWR的改进，克服了GWR无法满足每个特定变量各自差异的空间平滑水平，基于不同影响尺度捕捉不同变量，从而减少噪音和偏差的影响[46]，采用多带宽的方式产生更接近真实的空间作用模型[47]。以往基于GWR模型的研究可能存在一定的不稳健，而MGWR可反映不同变量对于因变量的影响尺度，其回归结果也更为可靠，使用软件MGWR 2.2进行计算。公式如下：
y i = ∑ j = 1 m β b w j u i , v i x i j + ε i
式中：yi为节点i的因变量； u i , v i是节点i的坐标；xij为节点i的第j个自变量； b w j为第j个变量回归系数使用的带宽； β b w j u i , v i为在 u i , v i处第j个变量的回归系数； ε i是节点i的误差项；m为变量数。

2 粤港澳大湾区物流网络特征

2.1 物流节点特征

粤港澳大湾区各区县中心度基本与社会经济及城镇规模的宏观格局一致，区县间物流联系非均衡性特征显著，广州市白云区物流职能突出。节点中心度越高代表在物流网络中节点间的关联更紧密和广泛，基于物流的合作交流更为频繁。中心度较高的区县主要集中在广州、深圳、佛山、东莞等中东部城市，相较于周边区域具有较高的核心地位(图2)。其中，广州市白云区在粤港澳大湾区63个区县中的节点中心度最高，显示其物流职能的核心地位。一方面，白云区地处广州市中心，是粤港澳大湾区的核心地带，与大湾区内其他地区以及国际市场间的物流业务联系密切，为物流业提供了广阔的发展空间；另一方面，距离广州白云国际机场和广州火车站等交通枢纽较近，有利于降低运输成本，为物流业务提供更多选择；此外，白云区的电子信息、汽车制造、化妆品等产业的发展对物流需求较大，推动了白云区物流业的发展。其次，深圳市龙岗区和宝安区的节点中心度也较高。龙岗区是连接珠三角城市群和香港之间的交通要冲，是深圳市跨境电商发展的重要区域之一，众多跨境电商企业在此设立了仓储和物流中心，推动了物流产业的增长，同时龙岗区也在积极推动现代化物流园区的建设，为物流园区配备先进的设施和技术，提供高效便捷的物流服务；宝安区毗邻深圳机场和深圳港，地理位置使其成为国际货运的重要枢纽，拥有宝安物流中心、前海物流园等多个现代化的物流园区和仓储设施，为众多物流企业提供高质量的物流服务，此外，宝安区也是深圳市的制造业重要基地之一，拥有众多制造业企业，这些企业的集聚带动了物流业务的增长。东莞市滨海片区凭借其地理位置优势、现代化物流设施、产业集聚效应和政策支持等优势紧随其后，滨海片区地处广州和深圳的重要物流接点，位于东莞市的珠江口沿岸，拥有发达的多式联运体系，包括铁路、公路、水路和航空等多种运输方式的联接，使得货物能够以多样化的方式进行运输，提高了物流的效率和灵活性；同时，东莞市作为中国重要的制造业基地之一，滨海片区集聚了大量的制造业企业和供应链企业，这些企业带动物流需求，推动物流水平的提升。总体而言，中心度较高的区县大多是地理位置、交通条件、现代化物流设施、产业集聚效应和政策支持等多优势共同作用的结果。
图2 粤港澳大湾区物流网络中心度空间分布图及物流联系拓扑图

注：由于数值较大，对计算所得的中心度数值进行标准化处理，将其映射在1~100之间。

Fig.2 Spatial distribution of logistics network centrality and logistics linkage topology in the Guangdong-Hong Kong-Macao Greater Bay Area

各城市内部区县节点的发展不均衡，存在显著的区域高值与低值。其中肇庆市端州区、江门市蓬江区和新会区为区域高值，是边缘城市物流集散的重要节点，对区域物流发展起带动作用；核心城市也会出现区域低值，如深圳市光明区和坪山区、广州市南沙区，对标其区域发展状况，实际上也与社会经济、人口和城镇规模存在一致性。此外，江门市江海区邻近佛山顺德区、中山市西北组团等中心度高值区域，也出现中心度值低地，这表明佛山、中山对其辐射带动作用较弱，物流扩散倾向于等级扩散而非邻近扩散。

2.2 物流网络联系

粤港澳大湾区物流网络层级越高，区县对数量越少，随着物流网络层级的降低，网络结构趋于完整(表4、图3)。利用ArcGIS中的自然断裂点法将物流联系强度划分为5级，发现物流网络层级呈现稳定的金字塔结构，第一到第五层级的区县对数量逐渐增多，层级越高，区县对数量越少，区县间联系对处于第五层级的最多，而随着层级下移，区县节点间联系加强，网络密度及完整度增加。网络完整度在不同层级存在差异，第一、二层级总体上形成以白云区为核心的放射状结构，网络闭合性较差；第三层级将粤港澳大湾区中东部城市的大多数区县纳入网络中，边缘城市的部分区县，如惠州市的惠阳区、惠城区、博罗县以及江门市蓬江区也开始参与到物流网络中，“穗莞深”物流联系廊道基本形成，网络形态初显、密度增加；第四层级物流联系重心向东偏移，物流联系集中在广州、深圳、东莞，形成显著的“穗莞深”物流联系廊道，网络形态完整；第五层级网络呈现星状结构，并收敛于粤港澳大湾区中东部，更多的区县加入到物流网络中，网络密度与连通度迅速提高，核心与边缘城市间建立连接，节点间联系紧密。
表4 粤港澳大湾区物流联系强度分级

Tab.4 Classification of the intensity of linkages in the Guangdong-Hong Kong-Macao Greater Bay Area

物流联系强度层级 联系强度范围 区县对 联系量
数量 比例/% 数量 比例/%
第一层级 87741~150767 11 0.56 1288427 7.56
第二层级 47201~87740 46 2.36 2837687 16.64
第三层级 23500~46496 150 7.68 4856555 28.48
第四层级 8351~23275 325 16.64 4635326 27.18
第五层级 35~8317 1421 72.76 3435295 20.14
图3 2019年粤港澳大湾区物流联系强度分级

Fig.3 Logistics linkage intensity classification of the Guangdong-Hong Kong-Macao Greater Bay Area in 2019

网络层级与构架也反映了粤港澳大湾区各区县的等级，网络连接优先在发展较好的“穗莞深”等核心城市，随着层级的下移，核心区的其他区县也逐渐参与网络连接。第一层级的区县对数量最少，只占粤港澳大湾区0.56%的区县对，但拥有7.56%的物流联系，在整体网络中起到重要的联系作用；而第五层级拥有总量72.76%的区县对，仅有物流联系总量的20.14%，这反映出粤港澳大湾区物流联系的集聚与极化现象，也显示出边缘城市内部大多数区县的物流不活跃，是物流网络中的“冷点地区”，这些区县的经济规模普遍较小，与核心区城市的差距较大。
粤港澳大湾区物流高强度联系集中于中东部地区，形成不同于传统“广—深”双核联动结构的物流联系廊道，物流联系以等级扩散为主(图4)。物流空间视角下，粤港澳大湾区形成以“穗—莞—深”三个节点为主的物流联系廊道，此外，佛山和中山在物流网络中的作用也较大，综合形成以“穗—莞—深”为主、佛山和中山为辅的“三核两辅”的多中心结构。粤港澳大湾区的物流联系以等级扩散为主，邻近扩散效应不显著，具体表现为经济发展水平接近的区域之间的联系高于其他区域间联系，而位置邻近的区域间尚未形成明显的强物流联系。例如，江门与佛山、中山、珠海等经济发展较好的城市相邻，但各区县与相邻城市及核心区的物流联系较弱，说明江门并未享受到周围城市的辐射带动作用。当邻近扩散机制失效、等级扩散效应明显时，毗邻大城市但经济发展一般或者地处边缘的城市就无法充分享受中心城市释放的红利。
图4 2019年不同网络保留状态下粤港澳大湾区物流联系空间结构

Fig.4 Spatial structure of logistics linkages in the Guangdong-Hong Kong-Macao Greater Bay Area under different network retention states in 2019

2.3 空间组织结构

根据内部凝聚状态可将粤港澳大湾区的63个行政单元划分为4个子群，基于子群的网络特征，可进一步将其归为两种类型(图5)。① 多市域凝聚片区，即主要在两个及以上市域建立物流联系较为紧密的子群，如子群4主要涵盖江门市、肇庆市和惠州市，子群1汇集东莞市、中山市、香港、澳门以及广州市局部片区；② 跨区域凝聚片区，即不同市域局部片区间建立起物流联系较紧密的团体，如子群3地跨广州市和深圳市部分区域。4个子群都是跨界子群，尚未呈现单市域凝聚特征(子群内的单元基本不跨越市级行政区划)，且每个子群城市数较多，跨市联系强，说明粤港澳大湾区城市间物流互动频繁，构成多态子群结构。子群跳跃现象在粤港澳大湾区核心城市也较为突出，这得益于核心城市间地理位置邻近、经济发展水平高、综合交通设施完善以及产业的高物流需求，提升了县区间的物流关联度，由此形成联系紧密的团体。物流联系的凝聚子群也存在等级效应，即物流业发达地区间往往更易于形成一个子群，物流欠发达地区间形成一个子群。
图5 2019年粤港澳大湾区物流凝聚子群空间分布

Fig.5 Spatial distribution of logistics cohesion subgroups in the Guangdong-Hong Kong-Macao Greater Bay Area in 2019

子群组织呈现“散点状分布、圈层式扩展”的特征。除子群1外，其余3个子群在空间分布上较为紧密，形成物流集聚区，但并非所有地理邻近的区县都同属一个子群，如广州市的11个区、深圳市的9个区被分别划入4个不同子群，这说明两个核心城市内部联系紧密度差异较大，与其他区域物流联系频繁，对其他区域具有一定辐射作用。① 子群1包括广州市荔湾区和白云区、深圳市宝安区与龙岗区以及东莞滨海片区5个重要物流节点，结合粤港澳大湾区经济发展状况，该子群内部各节点经济发达、人口密集、交通设施完善，是区域的物流枢纽，子群1的5个县区也具有中心度高值特征。② 子群2呈团块状汇集了广州、深圳、珠海、佛山、东莞和中山等粤港澳大湾区重要城市的10个区县与组团，包括广州市海珠区、天河区、番禺区，深圳市福田区、龙华区，佛山市南海区、顺德区，珠海市香洲区以及东莞城区片区和中山西北组团。子群内部单元空间位置多邻近、商贸经济发达、联系紧密且物流需求大，形成相对紧密的地理区域。③ 子群3县区数量较多，包括广州市越秀区、增城区、黄埔区和花都区，深圳市罗湖区和南山区，佛山市禅城区、惠州市惠城区、惠阳区和博罗县，东莞东部产业园片区、东南临深片区和松山湖片区及中山市中心组团。其中：广州市黄埔区、花都区和增城区为城市的外围区域，受交通与地租影响，大型物流园和中转站都在此设立，形成城市重要的物流中转基地，黄埔区和增城区在制造业方面也有较大优势；深圳市罗湖区和南山区集聚了高科技和创新产业方面等新兴产业，需要物流支持；东莞市以制造业为主，东部产业园、东南临深片区等有不少制造业企业，而松山湖片区则更加注重创新和科技产业，这种产业分布使得原材料、半成品、成品，以及技术和知识之间的流通和交换频繁，需要紧密的物流联系来支持；佛山市、惠州市等也有各自的制造业特色，产业集聚导致了原材料、零部件和成品之间的频繁物流流动，以满足生产和制造的需求，由于优势产业与职能分工不同，这些区县间形成了相互依赖的供应链关系，以实现供应链协同。同时，企业通常会在不同地方设立生产基地，以实现成本优化和生产效率，这就需要各地物流紧密联系，以确保原材料和产品的及时供应。④ 子群4主要分布在粤港澳大湾区东西两侧的非核心地区，以及核心城市的物流发展程度不高的区域，主要以行政区划为界，缺乏大型区域级核心城市的辐射带动，只能依赖区域中心城市的有限引领，子群内部区县地理位置距核心区较远，与核心区的物流联系较弱。

3 粤港澳大湾区物流网络的影响因素

3.1 计量模型

本文采用MGWR模型分析粤港澳大湾区物流网络特征的影响因素，物流联系强度作为因变量，常住人口数量、GDP、人均GDP、就业人员平均工资、城乡居民人均可支配收入、社会消费品零售总额等6个影响因子作为自变量，将自变量与因变量标准化数据导入MGWR 2.2中计算。模型尺度方面，GWR为全局尺度带宽，而MGWR模型允许每个自变量的带宽、空间平滑水平不同，带宽为50和44；此外，MGWR的拟合优度R2和调整后R2均高于GWR，残差平方和与Sigma估计值也更小(表5)，表明MGWR更接近真实回归结果，由此判定MGWR的结果优于GWR。
表5 经典GWR与MGWR模型指标

Tab.5 Indicators for classical GWR and MGWR

模型指标 MGWR GWR
拟合优度R2 0.922 0.917
调整后R2 0.905 0.902
AICc 40.476 39.217
有效参数数量 9.019 7.563
残差平方和 4.066 4.323
Sigma估计值 0.308 0.312

3.2 影响因素分析

遵循科学性与数据可获取性等原则，对2个不设区县的地级市和2个特别行政区不再进行尺度划分，以粤港澳大湾区52个区县的物流联系强度为因变量，以城镇规模、经济实力、消费水平3个维度合计6个因子为自变量，运用MGWR模型分析物流网络特征的影响因素。区域人口数量与物流的供需关系紧密相关，因此，采用常住人口数量表示城镇规模大小；GDP、人均GDP和就业人员平均工资在一定程度上反映地区经济发展水平、居民收入水平和生活质量、就业人员薪水和地区企业经济实力，因此，采用这3个指标表征地区经济实力；人均可支配收入反映了居民消费能力，社会消费品零售总额反映区域商品购买力的实现程度和零售市场的规模，因此，选取城乡居民人均可支配收入和社会消费品零售总额表征消费水平。为避免指标间的多重共线性，运用回归分析方法对标准化变量进行共线性检验，结果显示，VIF值均小于5，表明指标间不存在共线性。
对所选指标进行标准化处理，采用MGWR模型分析影响因素(表6)。结果显示，并非所有节点的所有指标都通过显著性检验，具体来说：就业人员平均工资有29个节点通过5%的显著性检验，其中13个通过1%的显著性检验；城乡居民人均可支配收入有28个节点通过5%的显著性检验；每个节点的GDP、人均GDP和常住人口数量的回归系数均通过1%的显著性检验，社会消费品零售总额的回归系数则均通过10%的显著性检验。可见，常住人口数量和GDP是影响物流网络特征的决定性因素，人均GDP、城乡居民人均可支配收入、就业人员平均工资和社会消费品零售总额也发挥着重要作用。
表6 粤港澳大湾区物流联系影响因素测度

Tab.6 Influencing factor measurements of logistics linkages in the Guangdong-Hong Kong-Macao Greater Bay Area

维度 变量名称 变量符号 回归系数 显著性 排名
城镇规模 常住人口数量 Population 1.734 <0.001∗∗∗ 1
经济实力 GDP GDP -1.257 <0.001∗∗∗ 2
人均GDP Per_GDP 0.350 <0.001∗∗∗ 3
就业人员平均工资 Salary 0.242 0.042∗∗ 5
消费水平 城乡居民人均可支配收入 Income -0.307 0.016∗∗ 4
社会消费品零售总额 Consum 0.167 0.061∗ 6

注：∗、∗∗、∗∗∗分别表示通过10%、5%、1%的显著性检验。

城镇规模层面，常住人口数量的回归系数在所有指标中最高，达到1.734。这表明人口规模是影响粤港澳大湾区物流网络的首要因素，说明粤港澳大湾区的物流正处于人口红利期，是典型的人口红利释放地。
经济实力层面，GDP对粤港澳大湾区的物流网络具有负向影响，而人均GDP和就业人员平均工资具有正向影响。GDP的回归系数为-1.257，表明GDP的增加未转变成快递物流业发展的优势。如2019年广州市天河区的GDP为5047.38亿元、白云区GDP为2211.8亿元，天河区GDP是白云区的2.28倍，但在粤港澳大湾区的物流网络中，白云区的物流联系强度是天河区的两倍，这是受地租理论的影响，出于成本考虑，物流基地、物流仓储、分拨中心通常位于城市非核心区的交通便利处，且随着现代物流技术的发展，城市内部多采用智能化的同仓共配物流模式，快递服务点不再局限于传统街巷门店，而是采用智能化快递驿站来解决“最后100 m”的问题，以降低物流成本、提高配送效率，GDP越高的区县，传统的快递物流门店网点越少，智能化快递驿站的数量越多。人均GDP和就业人员平均工资的回归系数分别为0.350和0.242，说明二者对物流网络均具有正向影响。人均GDP和就业人员平均工资越高的区县，其经济活动和消费水平也会相应较高，将带动更多的商品和服务流入该区域，从而需要更频密的物流运输以满足市场需求。
消费水平层面，城乡居民人均可支配收入对粤港澳大湾区的物流网络具有负向影响，而社会消费品零售总额具有正向影响。城乡居民人均可支配收入在一定程度上代表着消费者的消费能力，消费能力强的地方，通常商圈覆盖面广、线下门店体系完善，人们线下消费的占比更高，从而削弱了对快递物流的需求，对物流网络产生负向影响。社会消费品零售总额反映一定时期内已完成的商品供给量，所供应的商品除满足自身需求外，还可供其他区县消费，由此促进物流网络的发展，如2019年广州市社会消费品零售总额达9975.59亿元，位居全省第一，广州市的白云区、天河区、番禺区和花都区均成为重要物流节点。
此外，MGWR能反映影响因素的区县差别，值得注意的是，就业人员平均工资与城乡居民人均可支配收入回归系数的显著性检验结果在空间上基本相反(图6)。在就业人员平均工资与物流联系方面，就业人员平均工资与物流联系的关联强度由粤港澳大湾区的东南向西北递增，不显著和低显著性区域主要集中在大湾区东南部。MGWR模型的回归系数显示，就业人员平均工资与物流联系成正相关，即工资越高物流联系越紧密，通过显著性检验的多为非核心区，该类区县人们的经济来源较单一，经济活动主要依赖工资收入，工资越高产生的物质交换活动越多，物流联系越强。城乡居民人均可支配收入与物流联系呈负相关，不显著区域主要集中在西北部非核心地区。核心地区由于城乡居民人均可支配收入相对较高，消费结构多元，对物流服务的需求更分散，可支配收入越高，物流联系越低。同时这些区县的经济发展多依靠服务业等高附加值产业，产业特性也使得物流联系相对较少。
图6 MGWR模型系数空间分布

Fig.6 Spatial distribution of the coefficients of the MGWR model

4 结论与讨论

4.1 结论

本文基于粤港澳大湾区代表性物流企业的网点数据和统计数据，分析了粤港澳大湾区物流网络特征及其影响因素，主要结论为：
(1) 各区县的物流网络中心度与其社会经济及城镇规模的格局基本一致，区县间物流发展非均衡性显著；物流网络结构呈现多级多核的空间形态特征，白云区在物流职能上处于核心地位。中心度较高区县集中在粤港澳大湾区的中东部核心城市，中心度高值区域多是地理位置、交通条件、现代化物流设施、产业结构和政策支持等优势共同作用的结果。
(2) 物流网络总体形成以“穗莞深”为主、佛山和中山为辅的“三核两辅”的多中心结构。物流网络连接优先“穗莞深”等核心城市，随着联系层级下移，核心区的其他区县也逐渐参与网络连接，区县节点间联系加强、网络密度及完整度增加；物流联系存在集聚与极化现象，少数区县对拥有大量的物流联系；物流联系以等级扩散为主，邻近扩散效应不显著。
(3) 粤港澳大湾区的4个凝聚子群可分为多市域凝聚片区和跨区域凝聚片区两种，呈“散点状分布、圈层式扩展”的特征，整体呈现由内向外的环状圈层结构。4个子群都为跨界子群，子群包含城市数较多，出现跳跃现象，跨市联系强，构成多态子群结构，说明粤港澳大湾区城市间物流互动频繁；子群跳跃现象在粤港澳大湾区核心城市尤为显著，这得益于核心城市间地理位置邻近、经济发展水平高、综合交通设施完善以及产业的高物流需求，提升了其与其他县区的物流关联度，由此形成联系紧密的团体。
(4) 常住人口数量和GDP是影响物流网络特征的关键因素，人均GDP、城乡居民人均可支配收入、就业人员平均工资和社会消费品零售总额也发挥着重要作用。其中，GDP和城乡居民人均可支配收入对物流网络具有负向影响，而其他因素则具有正向影响。

4.2 讨论

结合本文研究发现，为促进粤港澳大湾区物流业协同发展，实现优势互补，尝试从以下三方面提出对物流网络的优化建议。
(1) 梳理物流网络节点功能，合理规划引导物流网络发展。充分利用东莞市滨海地区地处广深廊道的区位优势，打造现代化、智能化的物流网络，培育华南物流新中心；积极构建以“穗莞深”为核心、中山和佛山为区域增长极，以“穗莞深”对接国内物流市场、香港对接国际物流需求，形成粤港澳内外联动、双向发展的物流网络体系；充分发挥广州市白云区与深圳市龙岗区、宝安区的物流枢纽作用，同时以江门市蓬江区、肇庆市端州区带动西侧外围区县，以惠州市惠城区为区域物流核心带动东侧外围区县，各地形成发展合力，实现节点间有机连接。
(2) 提升物流要素的市场活力，构建高效现代交通体系。优化线上服务，积极满足高收入群体的优质网购需求，提升粤港澳大湾区物流要素流动的市场活力；交通运输影响物流网络的骨架结构，粤港澳大湾区核心区域的交通网络较完善，今后应重点关注核心区域与边缘区域间的交通建设，优化东西翼交通与产业要素的配置，构建层级式交通运输结构，疏通各环节物流，实现物流能力的整体提升，打造具有国际竞争力的现代物流综合体。
(3) 未来物流业以低碳为导向，建设绿色智慧物流。物流联系受人均GDP、就业人员平均工资和社会消费品零售总额等的影响，根源上受制于经济发展程度，因此要提升区域有效供给，提升物流流动活力。促进粤港澳大湾区快递物流由依赖人口红利向科技创新转型，运用人工智能、大数据等手段整合粤港澳大湾区物流运输，推动粤港澳大湾区智慧物流体系建设，合理规划物流运输、仓储、分拣、配送等各项活动，形成物流过程低碳化和生态化，降低对环境的影响，促进产业升级与成本节约；优化整合物流综合运输体系，形成联运联配，减少交通碳排放量，以促进物流行业的绿色可持续发展。
本文重点讨论粤港澳大湾区内部物流网络协同发展，香港作为全球性的物流枢纽，拥有经济发达的珠三角作为腹地，主要承担国际性向外的物流联系作用，对内的物流联系强度相比较弱。本文基于物流视角探索粤港澳大湾区的网络特征及其影响因素，但受限于数据等客观因素，仍然存在一些不足。首先，使用物流网点的级别来表征物流联系强度，这种替代方式存在一定局限：一方面，可能会扩大总部所在区县在物流网络中的重要性，而缩小其他城市的作用；另一方面，这种做法只能粗略地划分物流网点的等级，未能准确反映现实情况。未来可采用节点间的真实客货流数据，以更准确地刻画物流联系强度和方向。其次，物流网络的形成不仅受到粤港澳大湾区内部要素流动和规则衔接的制约，也受到全球市场需求、国际贸易政策、区域经济一体化等外部因素的影响，未来需要同时考虑物流网络与内外部环境之间的相互作用，分析不同内外部因素对物流网络节点功能和结构特征的影响程度和方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Scott A J. Global city-regions:Trends, theory, policy[M]. Oxford, UK: Oxford University Press, 2001: 78-87.

[2]
Fang C L, Yu D L. Urban agglomeration: An evolving concept of an emerging phenomenon[J]. Landscape and Urban Planning, 2017, 162: 126-136.

DOI

[3]
Castells M. The rise of the network society[M]. Cambridge, USA: Blackwell Publishers, 1996: 294-302.

[4]
王录仓, 刘海洋, 刘清. 基于腾讯迁徙大数据的中国城市网络研究[J]. 地理学报, 2021, 76(4): 853-869.

DOI

[Wang Lucang, Liu Haiyang, Liu Qing. China's city network based on Tencent's migration big data. Acta Geographica Sinica, 2021, 76(4): 853-869.]

DOI

[5]
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.

DOI

[Liu Wangbao, Shi Enming. Spatial pattern of population daily flow among cities based on ICT: A case study of "Baidu Migration". Acta Geographica Sinica, 2016, 71(10): 1667-1679.]

DOI

[6]
王雪微, 赵梓渝, 曹卫东, 等. 长三角城市群网络特征与省际边界效应: 基于人口流动视角[J]. 地理研究, 2021, 40(6): 1621-1636.

DOI

[Wang Xuewei, Zhao Ziyu, Cao Weidong, et al. Study of network characteristics and inter-provincial boundary effect of the Yangtze River Delta urban agglomeration: From the perspective of population flow. Geographical Research, 2021, 40(6): 1621-1636.]

DOI

[7]
马学广, 鹿宇. 基于航空客运流的中国城市空间格局与空间联系[J]. 经济地理, 2018, 38(8): 47-57.

[Ma Xueguang, Lu Yu. Spatial structure and connection of cities in China: Based on air passenger transport flow. Economic Geography, 2018, 38(8): 47-57.]

[8]
杨勇, 眭霞芸, 刘震. 中国省际虚拟旅游流网络结构的空间演变特征研究[J]. 地理科学进展, 2022, 41(8): 1349-1363.

DOI

[Yang Yong, Sui Xiayun, Liu Zhen. Spatial pattern change of the network structure of China's inter-provincial virtual tourism flow. Progress in Geography, 2022, 41(8): 1349-1363.]

DOI

[9]
钟倩, 李功权. 长江中游城市群货运网络结构及影响因素分析[J]. 地域研究与开发, 2023, 42(1): 20-25, 31.

[Zhong Qian, Li Gongquan. Analysis on freight transport network structure and influencing factors of the urban agglomeration in the middle reaches of the Yangtze River. Areal Research and Development, 2023, 42(1): 20-25, 31.]

[10]
沈丽珍, 席广亮, 秦萧, 等. 基于快递物流测度的区域流动空间特征: 以江苏省为例[J]. 人文地理, 2018, 33(1): 102-108.

[Shen Lizhen, Xi Guangliang, Qin Xiao, et al. The research on the characteristics of the regional space of flows based on measurement of the express logistic of flows: A case study of Jiangsu Province. Human Geography, 2018, 33(1): 102-108.]

[11]
王姣娥, 杜德林, 金凤君. 多元交通流视角下的空间级联系统比较与地理空间约束[J]. 地理学报, 2019, 74(12): 2482-2494.

DOI

[Wang Jiao'e, Du Delin, Jin Fengjun. Comparison of spatial structure and linkage systems and geographic constraints: A perspective of multiple traffic flows. Acta Geographica Sinica, 2019, 74(12): 2482-2494.]

DOI

[12]
廖创场, 李晓明, 洪武扬, 等. 交通流空间视角下粤港澳大湾区网络结构多维测度[J]. 地理研究, 2023, 42(2): 550-562.

DOI

[Liao Chuangchang, Li Xiaoming, Hong Wu-yang, et al. Multi-dimensional measurement of network structure of Guangdong-Hong Kong-Macao Greater Bay Area from the perspective of traffic flows space. Geographical Research, 2023, 42(2): 550-562.]

DOI

[13]
雷菁, 钟业喜, 冯兴华, 等. 基于交通信息流的长江经济带城市中心性及其影响因素[J]. 经济地理, 2021, 41(8): 97-105.

[Lei Jing, Zhong Yexi, Feng Xinghua, et al. Urban centrality and its influencing factors in the Yangtze River economic belt based on traffic and information flow. Economic Geography, 2021, 41(8): 97-105.]

[14]
刘耀彬, 孙敏. 基于信息流的工作日与节假日城市网络联系特征对比: 以长江中游城市群为例[J]. 经济地理, 2021, 41(5): 75-84.

[Liu Yaobin, Sun Min. Comparison on the characteristics of city network connections between workdays and holidays based on information flow: A case study of the urban agglomeration in the middle reaches of the Yangtze River. Economic Geography, 2021, 41(5): 75-84.]

[15]
马海涛. 知识流动空间的城市关系建构与创新网络模拟[J]. 地理学报, 2020, 75(4): 708-721.

DOI

[Ma Haitao. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020, 75(4): 708-721.]

DOI

[16]
吴家权, 谢涤湘, 李超骕, 等. 知识创新与技术创新网络空间结构的演化特征: 基于“流空间”视角的粤港澳大湾区案例研究[J]. 城市问题, 2021(4): 12-21.

[Wu Jia-quan, Xie Dixiang, Li Chaosu, et al. Evolution characteristics of spatial structure of knowledge and technology innovation network: A case study of Guangdong-Hong Kong-Macao Greater Bay Area. Urban Problems, 2021(4): 12-21.]

[17]
刘承良, 闫姗姗. 中国跨国城际技术通道的空间演化及其影响因素[J]. 地理学报, 2022, 77(2): 331-352.

DOI

[Liu Chengliang, Yan Shanshan. Spatial evolution and determinants of transnational technology transfer network in China. Acta Geographica Sinica, 2022, 77(2): 331-352.]

DOI

[18]
刘耀彬, 孙敏. 中国城市技术转移网络空间格局分析: 基于企业控股与专利转移的视角[J]. 地理科学, 2022, 42(10): 1695-1705.

DOI

[Liu Yaobin, Sun Min. Spatial pattern of interurban technology transfer network in China: A case study from the corporate holding and patent transfer. Scientia Geographica Sinica, 2022, 42(10): 1695-1705.]

DOI

[19]
任梦瑶, 肖作鹏, 王缉宪. 中国城际专线物流网络空间格局[J]. 地理学报, 2020, 75(4): 820-832.

DOI

[Ren Mengyao, Xiao Zuopeng, Wang Jixian. Spatial pattern of intercity less-than-truckload logistics networks in China. Acta Geographica Sinica, 2020, 75(4): 820-832.]

DOI

[20]
Thill J C, Lim H. Intermodal containerized shipping in foreign trade and regional accessibility advantages[J]. Journal of Transport Geography, 2010, 18(4): 530-547.

DOI

[21]
Taylor P, Derudder B, Hoyler M, et al. City-dyad analyses of China's integration into the world city network[J]. Urban Studies, 2014, 51(5): 868-882.

DOI

[22]
孙阳, 张落成, 姚士谋. 基于快递企业总—分机构的中国城市网络空间结构[J]. 中国科学院大学学报, 2017, 34(5): 591-597.

DOI

[Sun Yang, Zhang Luocheng, Yao Shimou. Spatial structure of urban network in China based on the headquarters and branches of express enterprises. Journal of University of Chinese Academy of Sciences, 2017, 34(5): 591-597.]

DOI

[23]
倪玲霖, 王姣娥, 胡浩. 中国快递企业的空间组织研究: 以顺丰速运为例[J]. 经济地理, 2012, 32(2): 82-88, 159.

[Ni Linglin, Wang Jiao'e, Hu Hao. Spatial organization of express delivery enterprise in China: A case study of Shunfeng Express. Economic Geography, 2012, 32(2): 82-88, 159.]

[24]
吴晓, 王凌瑾, 宁昱西, 等. 南京市快递企业网点布局及其影响因素解析: 基于民营企业(顺丰速递)和国营企业(EMS)的比较[J]. 地域研究与开发, 2019, 38(4): 52-59, 67.

[Wu Xiao, Wang Lingjin, Ning Yuxi, et al. Analysis on express enterprise network distribution and related influential factors in Nanjing: Based on a comparison between private express enterprise (SF Express) and state-owned enterprise (EMS). Areal Research and Development, 2019, 38(4): 52-59, 67.]

[25]
王钊, 杨山, 龚富华, 等. 基于城市流空间的城市群变形结构识别: 以长江三角洲城市群为例[J]. 地理科学, 2017, 37(9): 1337-1344.

DOI

[Wang Zhao, Yang Shan, Gong Fuhua, et al. Identification of urban agglomerations deformation structure based on urban-flow space: A case study of the Yangtze River Delta urban agglomeration. Scientia Geographica Sinica, 2017, 37(9): 1337-1344.]

DOI

[26]
周建平, 刘程军, 徐维祥, 等. 电子商务背景下快递企业物流网络结构及自组织效应: 以中通快递为例[J]. 经济地理, 2021, 41(2): 103-112.

[Zhou Jianping, Liu Chengjun, Xu Weixiang, et al. Logistics network structure of express delivery companies and their self-organization effect under the background of e-commerce: Taking ZTO Express as an example. Economic Geography, 2021, 41(2): 103-112.]

[27]
叶磊, 段学军. 基于物流企业的长三角地区城市网络结构[J]. 地理科学进展, 2016, 35(5): 622-631.

DOI

[Ye Lei, Duan Xuejun. City network structure of the Yangtze River Delta region based on logistics enterprise network. Progress in Geography, 2016, 35(5): 622-631.]

DOI

[28]
李苑君, 吴旗韬, 吴康敏, 等. “流空间”视角的电子商务快递物流网络结构研究: 以珠三角城市群为例[J]. 地域研究与开发, 2021, 40(2): 20-26.

[Li Yuanjun, Wu Qitao, Wu Kangmin, et al. Structure of E-commerce express logistics network from the perspective of flow space: Take the Pearl River Delta urban agglomeration as example. Areal Research and Development, 2021, 40(2): 20-26.]

[29]
李会, 任启龙, 张春梅. 京津冀城市物流联系时空演变及驱动因素研究[J]. 世界地理研究, 2022, 31(5): 1046-1056.

DOI

[Li Hui, Ren Qilong, Zhang Chunmei. Study on the spatial-temporal evolution and driving factors of urban logistics links in Beijing-Tianjin-Hebei region. World Regional Studies, 2022, 31(5): 1046-1056.]

DOI

[30]
赵芮, 丁志伟. 基于流空间视角的中原城市群物流网络结构及其影响因素分析[J]. 地域研究与开发, 2022, 41(4): 71-77.

[Zhao Rui, Ding Zhiwei. Analysis of logistics network structure and its influencing factors in Central Plains urban agglomeration from the perspective of flow space. Areal Research and Development, 2022, 41(4): 71-77.]

[31]
李苑君, 吴旗韬, 张玉玲, 等. 中国三大城市群电子商务快递物流网络空间结构及其形成机制研究[J]. 地理科学, 2021, 41(8): 1398-1408.

DOI

[Li Yuanjun, Wu Qitao, Zhang Yuling, et al. Spatial structure and formation mechanism of E-commerce express logistics network in the three major urban agglomerations of China. Scientia Geographica Sinica, 2021, 41(8): 1398-1408.]

DOI

[32]
梁红艳. 我国五大城市群物流业发展的空间网络结构及其运行效应[J]. 中国流通经济, 2019, 33(3): 50-61.

[Liang Hongyan. Spatial network structure of logistics development and its operating effect in China's five urban clusters. China Business and Market, 2019, 33(3): 50-61.]

[33]
Windzio M. The network of global migration 1990-2013: Using ERGMs to test theories of migration between countries[J]. Social Networks, 2018, 53: 20-29.

DOI

[34]
王洋, 吴康敏, 张虹鸥, 等. 粤港澳大湾区住房租金与影响因素数据集研发[J]. 全球变化数据学报, 2022, 6(1): 37-44.

[Wang Yang, Wu Kangmin, Zhang Hong'ou, et al. Spatial differentiation and influencing factors dataset of housing rents in the Guangdong-Hong Kong-Macao Greater Bay Area. Journal of Global Change Data & Discovery, 2022, 6(1): 37-44.]

[35]
王成金. 中国物流企业的空间组织网络[J]. 地理学报, 2008, 63(2): 135-146.

[Wang Chengjin. Spatial organizational network of logistics company in China. Acta Geographica Sinica, 2008, 63(2): 135-146.]

[36]
唐承辉, 马学广. 中国城市网络化物流联系空间格局与结构: 基于快递网点数据的研究[J]. 地理科学进展, 2020, 39(11): 1809-1821.

DOI

[Tang Chenghui, Ma Xueguang. Spatial pattern and structure of networked logistics connection of cities in China based on express logistics branch data. Progress in Geography, 2020, 39(11): 1809-1821.]

DOI

[37]
刘军. 整体网分析讲义: UCINET软件实用指南[M]. 上海: 格致出版社, 2009.

[Liu Jun. Lectures on whole network approach:A practical guide to UCINET. Shanghai, China: Gezhi Press, 2009.]

[38]
孙炜, 岳金桂. 长三角城市群知识密集型服务业空间关联研究: 基于社会网络分析视角[J]. 资源与产业, 2019, 21(2): 34-44.

DOI

[Sun Wei, Yue Jingui. Spatial correlation of knowledge intensive servicing in long triangle urban group based on social network views. Resources & Industries, 2019, 21(2): 34-44.]

[39]
叶磊, 段学军, 欧向军. 基于交通信息流的江苏省流空间网络结构研究[J]. 地理科学, 2015, 35(10): 1230-1237.

DOI

[Ye Lei, Duan Xuejun, Ou Xiangjun. The urban network structure of Jiangsu Province based on the traffic and information flow. Scientia Geographica Sinica, 2015, 35(10): 1230-1237.]

DOI

[40]
丁亮, 徐志乾, 章俊屾, 等. 长三角城市网络外部性的空间异质性[J]. 地理研究, 2022, 41(9): 2433-2447.

DOI

[Ding Liang, Xu Zhiqian, Zhang Junshen, et al. Spatial heterogeneity of urban network externalities in the Yangtze River Delta. Geographical Research, 2022, 41(9): 2433-2447.]

DOI

[41]
张静, 张丽芳, 濮励杰, 等. 基于GWR模型的城市住宅地价的时空演变研究: 以江苏省为例[J]. 地理科学, 2012, 32(7): 828-834.

DOI

[Zhang Jing, Zhang Lifang, Pu Lijie, et al. Research on spatio-temporal variation of urban residential land price based on GWR model: A case study of Jiangsu Province. Scientia Geographica Sinica, 2012, 32(7): 828-834.]

DOI

[42]
Brunsdon C, Fotheringham A S, Charlton M. Some notes on parametric significance tests for geographically weighted regression[J]. Journal of Regional Science, 1999, 39(3): 497-524.

DOI

[43]
Yao J, Fotheringham A S. Local spatiotemporal modeling of house prices: A mixed model approach[J]. The Professional Geographer, 2016, 68(2): 189-201.

DOI

[44]
沈静, 王少谷, 周楚平. 环境公正视角下广州市污染企业分布与区域人口社会特征的时空关系研究[J]. 地理研究, 2022, 41(1): 46-62.

DOI

[Shen Jing, Wang Shaogu, Zhou Chuping. Spatio-temporal relations between distribution of polluting enterprises and regional sociodemographic characteristics in Guangzhou from the perspective of environmental justice. Geographical Research, 2022, 41(1): 46-62.]

DOI

[45]
Yu H C, Fotheringham A S, Li Z Q, et al. Inference in multiscale geographically weighted regression[J]. Geographical Analysis, 2020, 52(1): 87-106.

DOI

[46]
Fotheringham A S, Yang W, Kang W B. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265.

DOI

[47]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制: 基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3): 75-83.

[Shen Tiyan, Yu Han-chen, Zhou Lin, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity. Economic Geography, 2020, 40(3): 75-83.]

Options
文章导航

/

〈 〉