EN中文

地理科学进展 >

2025 , Vol. 44 >Issue 1: 34 - 48

DOI: https://doi.org/10.18306/dlkxjz.2025.01.003

专栏：流动性影响下的区域与城市空间重构

西部陆海新通道陆路物流网络格局演变模拟与比较分析

  • 张扬 , 1, 2, 3 ,
  • 杨成超 1 ,
  • 王兴平 , 3, * ,
  • 张广霞 4 ,
  • 李娟 1
展开
  • 1.成都理工大学地理与规划学院，成都 610059
  • 2.成都理工大学数字胡焕庸线研究院，成都 610059
  • 3.东南大学建筑学院，南京 210096
  • 4.阜阳师范大学历史文化与旅游学院，安徽 阜阳 236037
* 王兴平(1970— )，男，陕西宝鸡人，博士，教授，博士生导师，研究方向为新型城镇化与新型城乡空间。E-mail:

张扬(1992— )，男，河南周口人，博士，副研究员，硕士生导师，研究方向为地理大数据挖掘。E-mail:

收稿日期: 2024-07-01

  修回日期: 2024-12-03

  网络出版日期: 2025-01-15

基金资助

国家社科基金重点项目(22AZD052)

收起

Simulation and comparative analysis of the change of land logistics network configuration in the new western land-sea corridor

  • ZHANG Yang , 1, 2, 3 ,
  • YANG Chengchao 1 ,
  • WANG Xingping , 3, * ,
  • ZHANG Guangxia 4 ,
  • LI Juan 1
Expand
  • 1. College of Geography and Planning, Chengdu University of Technology, Chengdu 610059, China
  • 2. Digital Hu Line Research Institute, Chengdu University of Technology, Chengdu 610059, China
  • 3. School of Architecture, Southeast University, Nanjing 210096, China
  • 4. History, Culture and Tourism School, Fuyang Normal University, Fuyang 236037, Anhui, China

Received date: 2024-07-01

  Revised date: 2024-12-03

  Online published: 2025-01-15

Supported by

National Social Science Foundation of China(22AZD052)

Fold

摘要

随着中国与东南亚等地区经贸合作更加紧密，加快西部陆海新通道建设，提升物流发展质量和效率，对于推动中国西部内陆地区经济发展和高水平对外开放具有重要意义。论文以西部陆海新通道核心覆盖区30个城市单元为研究区，基于长时间序列统计数据，应用BP神经网络模型预测西部陆海新通道主通道建成后各城市铁路、高速公路物流量，利用改进引力模型模拟未来通道能力条件下各城市间物流联系量，并借助社会网络分析方法开展西部陆海新通道建成前后铁路、高速公路物流网络结构比较分析。研究表明：① 西部陆海新通道建设有助于缩短核心覆盖区城市间铁路和高速公路距离，提高各城市的货运总量；② 西部陆海新通道建成后，防城港、昆明等面向东南亚的海港、陆港城市与重庆及各省会城市间的物流联系得以较大程度强化，并促进各类货物流向一般地级市，物流网络格局呈现层级化和一体化发展的特点；③ 无论是距离缩减效应、货运量变化还是物流网络结构变化，西部陆海新通道的建设对铁路物流网络的影响均强于高速公路物流网络。通过对比新道建设前后陆路物流网络格局变化，可为优化通道布局、升级物流网络及促进区域经济高质量发展提供科学参考。

关键词： 物流网络; BP神经网络; 改进引力模型; 社会网络分析; 西部陆海新通道

本文引用格式

张扬 , 杨成超 , 王兴平 , 张广霞 , 李娟 . 西部陆海新通道陆路物流网络格局演变模拟与比较分析[J]. 地理科学进展, 2025 , 44(1) : 34 -48 . DOI: 10.18306/dlkxjz.2025.01.003

Abstract

As China's economic and trade cooperation with Southeast Asia and other regions becomes increasingly close, accelerating the construction of the new western land-sea corridor and enhancing the quality and efficiency of logistics development is of great significance for promoting economic development and high-level opening-up in the inland areas of western China. This study focused on 30 urban units within the core coverage area of the new western land-sea corridor. Based on long-term statistical data, it employed the back propagation (BP) neural network model to predict the railway and highway freight volumes of each city after the completion of the main corridor. An improved gravity model was used to simulate the freight connections between cities under future corridor capacity conditions. Additionally, social network analysis was applied to compare the railway and highway logistics network structures before and after the completion of the corridor. The results indicate that: 1) The construction of the new western land-sea corridor helps reduce the railway and highway distances between cities in the core coverage area, increasing the total freight volume of each city. 2) Upon completion of the corridor, logistics connections between seaports and landports, such as Fangchenggang and Kunming facing Southeast Asia, and cities such as Chongqing and various provincial capitals, will be significantly strengthened. This will also promote the flow of goods to prefecture-level cities, leading to a hierarchical and integrated development pattern in the logistics network. 3) In terms of the distance reduction effect, changes in freight volume, and shifts in logistics network structure, the construction of the corridor has a stronger impact on the railway logistics network compared to the highway network. By comparing the changes in land logistics network patterns before and after the construction of the corridor, this study provides scientific insights for optimizing corridor layout, upgrading logistics networks, and promoting high-quality regional economic development.

Key words： logistics network; BP neural network; improved gravity model; social network analysis; new western land-sea corridor

随着中国与东南亚国家经贸合作趋于紧密，加强西部地区的物流通道建设既有助于深度融入共建“一带一路”，也有利于形成交通、物流、商贸、产业深度融合的“新走廊”，对于推动西部地区经济发展和高水平对外开放具有重要意义。2019年8月，国家发展改革委印发了《西部陆海新通道总体规划》(以下简称“《规划》”)，提出建设由东中西三条通路形成的主通道，并围绕主通道完善西南地区综合交通运输网络。作为中国“向西开放”的重要抓手[1]，西部陆海新通道建设将大大提升西南地区通道运输能力，并对区域物流格局产生深刻影响，支撑区域经济高质量发展。在西部陆海新通道建设背景下开展陆路物流网络格局变化模拟，对提升区域物流发展质量和效率，以及推动区域经济快速发展具有明显的必要性和迫切性。
物流网络作为区域社会经济联系的外在表征[2]，近年来被广泛应用于城市网络相关研究。基于1989年Castells[3]提出的“流空间”理论，学者们通过构建各种流要素网络刻画城市网络空间结构特征[4⇓⇓-7]。而物流作为流要素的一种重要类型也被重点关注。国外学者基于航空客货流联系对物流网络空间格局进行研究[8-9]，国内学者也通过高速公路[10]、铁路(高铁)[11-12]、航空[13]等物流数据揭示城市间的网络关系。如李苑君等[14]利用高速公路联网收费数据，构建高速公路物流网络，发现广东省高速公路已形成典型的网络式空间结构；冯兴华等[15]利用铁路客运班次数据，构建铁路物流网络，分析了东北地区城市网络演变特征；马学广等[16]利用航空客运数据，构建航空物流网络，发现全国城市网络的空间形态、整体联系和局部联系特征。也有学者关注国家综合立体交通网建设背景下区域未来物流网络格局演变模拟，论证重要通道建设带来的物流格局改变以及对物流和经济发展的带动作用。如孙峰华等[17]基于长时间统计年鉴和实际调查数据分析预测中国31个省区之间的陆路物流交流量；高鑫等[18]通过构建多个时间断面的陆路物流联系网络，探讨渤海海峡跨海通道建设对环渤海地区75个城市单元陆路物流网络格局的影响；王泽东等[19]探究渤海海峡跨海通道建设前后山东半岛城市群与辽中南城市群物流网络结构演化趋势。西部陆海新通道建设将重点打造枢纽化、通道化的物流网络，促进形成交通、物流与经济深度融合的重要平台，但学术界尚未开展针对这一重要通道地区的陆路物流网络格局演变研究。
为此，本文以西部陆海新通道作为研究区，基于多项物流相关指标的长时间序列统计数据，借助BP神经网络预测西部陆海新通道建成后各城市铁路、高速公路物流量，通过改进引力模型模拟在未来通道能力条件下各城市间铁路、高速公路物流联系量，并利用社会网络分析法，以《西部陆海新通道总体规划》文本中的规划期为时间节点(2019年为基期、2025年为末期)，探讨西部陆海新通道建设对区域陆路物流网络格局的影响，以期为优化通道布局、升级物流网络及促进区域经济高质量发展提供科学参考。

1 研究区域、方法与数据

1.1 研究区概况

本文将研究区域界定为西部陆海新通道核心覆盖区。根据《规划》，该区域主要围绕主通道完善西南地区综合交通运输网络，即重庆经贵阳、南宁至北部湾出海口，自重庆经怀化、柳州至北部湾出海口，以及自成都经泸州(宜宾)、百色至北部湾出海口三条通路连接范围和贵阳、南宁、昆明、遵义、柳州等西南地区重要节点城市和物流枢纽(图1)。本文进一步明确其范围：四川省成都市、资阳市、遂宁市、内江市、自贡市、宜宾市、泸州市，重庆市，湖南省怀化市，贵州省的贵阳市、遵义市、毕节市、安顺市、六盘水市、铜仁市、黔西南布依族苗族自治州、黔南布依族苗族自治州、黔东南苗族侗族自治州，云南省的昆明市、曲靖市、昭通市，广西壮族自治区的南宁市、百色市、崇左市、柳州市、来宾市、河池市、钦州市、防城港市、北海市，共计6个省、自治区、直辖市的30个城市单元。《规划》明确推进黄桶至百色铁路建设和其他若干铁路线路的改造升级，以及G69、G85待贯通路段建设和其他若干高速公路路段扩能。
图1 研究区示意图

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(2023)2767号的中国标准地图绘制，底图无修改。下同。

Fig.1 The study area

1.2 研究方法

1.2.1 BP神经网络预测

对物流量的预测主要有指数平滑法、回归分析法、灰色模型、趋势外推法、时间序列法、BP神经网络法[20⇓-22]。其中，BP神经网络具有良好的非线性映射能力，能够处理复杂的物流量变化；具备自学习和自适应能力，可以根据数据自动调整模型，提高预测准确性；其泛化能力和容错能力确保模型在面对新数据和处理噪声数据时仍能保持良好的预测性能和极好的稳定性。因此，BP神经网络被广泛运用于城市物流量的预测[23-24]。
影响物流量因素的确定是进行神经网络预测的基础。程前昌等[25]认为客运量、批发零售贸易业商品销售总额、城市化水平与物流量关系明显；朱道才等[26]认为人口数、地区生产总值、社会消费品零售总额、进出口总额4个指标是影响城市发展的主要因素；王玉梅等[27]认为GDP、人均GDP、公路货运量、社会消费品零售总额等9个指标影响城市物流质量；章文燕[28]认为生产总值、工业、第三产业对城市物流影响较大。本文结合已有研究，并考虑到指标的长时间序列、数据可获性及运输方式的差别，将工业增加值、第二产业产值比重、农业总产值、城市化率和限额以上的批发零售业商品销售总额等5个指标作为影响铁路物流的因素，将人均GDP、社会消费品零售总额、第三产业增加值、非农业人口总量和公路总里程等5个指标作为影响高速公路物流的因素。本文利用Python语言编写程序对1996—2022年各城市10项指标的数据进行回归分析，推算2025年的各个指标值。在此基础上，通过Python语言编程进行BP神经网络预测，模型参数设置如下：输入层包含5个神经元，隐藏层设有5个神经元，输出层为1个神经元。模型训练进行1000次迭代，学习率为0.01，误差阈值设置为0.000001。通过均方根误差(RMSE)、平均绝对误差(MAE)及决定系数(R2)对模型性能进行综合评估。结果表明，模型的RMSE和MAE大多在80万t内，R2值均超过0.9，该模型在预测中的表现良好，精度较高，模型具有可靠性。

1.2.2 城市间物流量指数

城市间物流量受到两个区域物流相关因素的影响，也受到城市间距离的影响，因此可利用改进重力模型估算每个因素的物流指数[29]。以工业增加值数据为例，某城市单元与另一城市单元工业增加值的乘积，除以两城市之间铁路(高速公路)路网距离的b次方，得到两城市之间的工业增加值物流引力；某城市与其他所有城市之间的工业增加值物流引力除以该城市与其他所有城市之间的工业增加值物流引力之和，得到该城市与其他所有城市之间的工业增加值的物流量指数[30]。其公式是：
r I = d I i d I j / s i j b ∑ j = 1 n ( d I i d I j / s i j b )
式中：I表示10个影响铁路和高速公路物流的因素之一，rI为各影响因素铁路(高速公路)物流指数；dIi、dIj分别表示i、j城市的影响因素指标值，sij为i城市与j城市之间的铁路路网或高速公路路网距离；b为度量距离的摩擦性系数。由于研究区各城市间距离相差较大，区间物流量失真，需要对摩擦系数b进行修正。结合运输特点和已有经验，b取值范围一般为0.5~3.0之间，将城市间铁路(高速公路)建立6组对应关系[19,31]，即sij≤300 km，b=0.5；300 km<sij≤600 km，b=1；600 km<sij≤900 km，b=1.5；900 km<sij≤1200 km，b=2；1200 km<sij≤1500 km，b=2.5；sij>1500 km，b=3。
分别将影响铁路和高速公路因素的物流指数取平均值得到该城市与其他城市间的输出物流量指数ro，将ro与2019、2025年的城市i的铁路(高速公路)物流总量相乘，即得城市i向城市j发出的铁路(高速公路)物流量[18]。

1.2.3 社会网络分析

基于社会网络分析中的中心性、联系流、核心—边缘结构及凝聚子群分析方法对西部陆海新通道核心覆盖区的陆路物流网络结构进行探析。其中，程度中心性作为节点中心性的一部分，用来反映网络结构中某节点在空间联系中的重要程度，根据其方向性，进一步将程度中心性划分为出度中心性和入度中心性[32]。联系流是用来表示网络联系强度差异，反映城市间陆路物流网络联系格局[33]。根据物流联系的强度和方向，可以进一步细分为离心流和向心流。核心—边缘结构是根据城市间的物流联系密度，将物流网络划分为核心区域与边缘区域[34]。凝聚子群根据物流网络内部潜在的空间组织和结构状态将节点划分为若干子群，识别出具有较强联系的城市集合[35]。

1.3 数据来源与处理

本文涉及的经济、社会、产业和交通等多项指标的数据来源于1997—2023年各省、市的统计年鉴、交通运输统计年鉴、《中国城市统计年鉴》、国民经济和社会发展统计公报、政府工作报告等官方统计资料。由于时间跨度较大，考虑到数据的可获得性，对于个别缺失数据采用K近邻算法进行插值填补。此外，由于高速公路货运量未被官方统计，考虑到高速公路在城际之间物流运输中的重要地位，本文将公路货运量替代高速公路货运量。
规划基期铁路路网、高速公路路网数据来源于OpenStreetMap网站(https://www.openstreetmap.org/)。《规划》文本中规划建设的重大铁路项目与公路项目资料分别来自国家《“十四五”铁路发展规划》和《国家公路网规划(2013年—2030年)》。利用AcrGIS 10.8的网络分析模块(network analist)对规划建设的重大铁路与公路项目线路进行矢量化，分别计算西部陆海新通道建设前后各城市间铁路和高速公路网络距离。

2 结果分析

2.1 西部陆海新通道建设的距离缩减效应

通过计算西部陆海新通道建设前后城市间的铁路和高速公路距离变化量发现，各城市在区域中的铁路网络总距离和高速公路网络总距离呈不同程度的缩减(图2)。其中铁路项目的建设将显著缩减防城港、钦州、北海等北部湾城市、南宁市与其他城市之间铁路距离，提升这些城市综合交通枢纽的功能；百色、崇左、泸州等位于主通道西线城市的铁路距离缩减程度同样较高，反映了黄百铁路等重点干线建设对补齐通道短板的突出作用；除铜仁、怀化、曲靖、黔西南等位于东、西边缘的城市外，中线、东线城市的铁路距离缩减也较为显著。
图2 新通道建设对各城市陆路网络距离缩减程度

Fig.2 Reduction in land network distances between cities due to the construction of the new corridor

作为陆路交通通道中对铁路骨干的补充，高速公路距离缩减程度整体小于铁路，其核心项目的建设主要对成都、宜宾、怀化等枢纽(节点)城市及其邻近城市的高速公路距离成本具有较为显著的缩减效应。

2.2 西部陆海新通道建设前后货运量变化

2.2.1 铁路货运量变化

西部陆海新通道核心覆盖区铁路物流发出规模较大的城市主要为防城港、曲靖、昆明、钦州等面向东南亚的海港、陆港城市，而物流接受规模较大的城市主要为南宁、曲靖、重庆、遵义、贵阳等消费市场活力较强的城市(图3a)。东南亚各国的水果、粮食、矿产品等各种商品多经这些面向东南亚的海港、陆港城市中转，通过铁路干线大量运输至西南地区的其他城市。2019—2025年，大多数城市铁路物流发出量和接收量均有一定程度的提高，其中百色、内江、防城港等城市物流发出量和钦州、崇左、重庆等城市物流接收量提升尤为明显，表明随着新通道的建设，将优化核心覆盖区铁路物流网络，促进沿线更多城市的物流发展。值得注意的是，贵阳市物流接收量提高的同时，其物流发出量出现降低的情况，其原因可能是产业转型升级逐步摆脱了资源依赖；自贡市的物流接收量出现较大幅度的降低，其原因在于近年来人口和产业持续收缩导致的需求不足。
图3 物流网络接收地与发出地分布格局

Fig.3 Distribution pattern of receiving and sending locations of the logistics networks

2.2.2 高速公路货运量变化

与铁路物流不同，西部陆海新通道核心覆盖区高速公路物流主要受经济内循环的驱动，物流总量较大的城市其人口和经济规模往往较大，如重庆市、遵义市、贵阳市、南宁市、昆明市、成都市(图3b)，且其物流发出量往往大于物流接收量，表明这些城市具有强大的资源配置能力，推动了区域间商品与资源的流通，凸显在区域经济中的核心地位。除此之外，川渝地区其他城市的高速公路物流接收量大于发出量，其原因除了消费市场活力以外，可能还和该地区产业价值链在区域中处于相对领先的地位有关。2019—2025年，大多数城市高速公路物流发出量和接收量保持相对稳定或略有增长，反映了高速公路建设对区域物流发展的总体效益较优。然而，遵义市、黔南州、黔东南州的高速公路物流发出量均呈现一定程度的下降，其原因可能是随着铁路网络可达性的提高，铁路物流方式在一定程度上替代了高速公路物流。

2.3 西部陆海新通道建设前后物流网络结构比较分析

2.3.1 节点中心性

(1) 铁路
出度中心性反映一个城市对其他城市的物流输出能力。图4a表明：防城港、曲靖、昆明、钦州等面向东南亚的海港、陆港城市的出度中心性表现强势，在铁路物流网络中居于中心地位，对其他城市铁路物流具有支配作用；河池、遂宁、资阳等城市出度中心性一直居于末端，铁路物流输出能力不足，在网络中处于不利地位。随着新通道的建设，防城港等城市的地位更加稳固，铁路物流量提升明显，具有更强的辐射能力；除贵阳、怀化等对外铁路物流输出能力有所下降外，其余城市中心性均有不同程度的提升，表明新通道的建设使得城市间铁路物流联系加强，对物流发展格局具有积极的影响作用。
图4 新通道建成前后铁路网络中心性分布

Fig.4 Distribution of railway network centrality before and after the construction of the new corridor

入度中心性表征一个城市对其他城市物流吸引力的强弱。图4b表明：南宁、曲靖、重庆、贵阳等城市入度中心性普遍较高，这些城市社会经济发展水平往往较高，消费市场活力较强；南宁市作为邻近北部湾港口最大的铁路枢纽城市，在铁路物流网络中接受来自内陆和港口两个方向的货物，其入度中心性明显高于其他地市。2019—2025年，重庆、钦州、防城港、成都、南宁等城市入度中心性提升明显，表明区域经济发展和资源配置的不均衡，省会城市、直辖市和海港城市在铁路物流网络中对物流输入的集聚效应将更加明显。
(2) 高速公路
与铁路相比，高速公路网络的出度中心性发生了显著变化(图5a)。重庆、贵阳、昆明等经济发展水平较高的城市高速公路网络出度中心性提升明显，表明了这些城市的高速公路物流辐射力持续增强。而遵义、黔南、黔东南的出度中心性有一定下降，反映它们在高速公路物流网络中影响力下降。在入度中心性方面，各城市整体保持稳定或小幅度提升，但重庆、贵阳的入度中心性有所下降，反映了高速公路网络布局优化促进了物流的均衡发展，有助于各类货物流向一般地级城市(图5b)。
图5 新通道建成前后高速公路网络中心性分布

Fig.5 Distribution of highway network centrality before and after the construction of the new corridor

2.3.2 联系流

(1) 铁路
向心流表示核心覆盖区内其他城市进入某城市的物流量，首位向心流、第二向心流、第三向心流分别表示流入物流量排名前三的联系流；离心流表示离开某城市的物流量，物流量流出前三的联系流即为首位离心流、第二离心流、第三离心流。向心流和离心流可综合反映城市间物流网络的骨干结构。
从向心流联系来看(图6)，防城港、曲靖、重庆分别作为港口城市、资源型城市和区域制造业中心的代表，借助铁路物流网络辐射周边城市，是主要的首位向心流来源城市；第二、三向心流的主要来源城市为成都、遵义、黔东南等资源型城市或区域内制造业较强的城市，物流辐射地域邻近城市，并在一定程度上打破了行政区划限制。随着新通道的建设，首位向心流的空间格局保持较好稳定性，细微的变化在于重庆取代贵阳成为遵义市的最大向心流流入城市。第二、三向心流变化主要表现为百色、六盘水、内江等城市的铁路物流网络中地位显著提升，这些城市物流辐射范围和影响力不断扩大，成为多个城市的第二、三向心流来源城市。
图6 新通道建成前后铁路物流网络向心流格局

Fig.6 Centripetal flow pattern of the railway logistics network before and after the construction of the new corridor

从离心流联系来看(图7)，2019年，以重庆、贵阳、南宁为代表的省会城市是首位离心流的主要指向城市，作为直辖市或省会城市，能够集聚行政区范围内及周边城市的资源要素推动自身发展，且拥有较高的消费能力。第二离心流的主要指向城市为成都、遵义、钦州3个城市，其中钦州是为临港工业城市，遵义是贵州省工业强市，表现了工业强市货物运输对铁路的依赖。成都市虽然是四川省省会，但其位于核心覆盖区边缘，未成为首位离心流的主要指向城市。第三离心流多是较为分散的物流联系，起到了对大城市物流网络的补充，在一定程度上打破了行政区划的限制，对区域内的物流具有支撑作用。2025年，成都市在区域铁路物流网络中的地位得以显著提升，反映了其南向开放合作的加强；泸州是长江上游重要内河港口，随着长江经济带战略推进，在2025年成为内江、宜宾、资阳的第三离心流指向城市。
图7 新通道建成前后铁路物流网络离心流格局

Fig.7 Centrifugal flow pattern of the railway logistics network before and after the construction of the new corridor

(2) 高速公路
从向心流联系来看(图8)，2019年高速公路首位向心流的主要来源城市为重庆、贵阳、南宁、昆明等直辖市或省会城市，这些城市工业发达且为重要的交通枢纽，成为大量货物集散中心；第二向心流的主要来源城市主要为成都、遵义、钦州等次级高速物流枢纽城市，主要向周边城市输送货物，在区域物流体系中具有衔接和支撑作用；第三向心流增强了中小城市的物流联系，实现跨区域流动，强化了区域物流网络的整合性。随着新通道的建设，2025年首位向心流格局变动不大。铜仁、怀化作为核心覆盖区的边缘城市，首位向心流分别指向对方，削弱了与核心覆盖区的物流联系，未能充分发挥其潜在的枢纽作用。其余向心流的变化则体现了跨区域物流的增加。
图8 新通道建成前后高速公路物流网络向心流格局

Fig.8 Centripetal flow pattern of the highway logistics network before and after the construction of the new corridor

从离心流联系来看(图9)，2019年，除铜仁、怀化相对独立外，区域内多数城市高速公路物流的首位离心流指向城市主要为重庆、贵阳、南宁、昆明等直辖市或省会城市，表明这些城市依托于自身资源支撑着省会城市(直辖市)的发展。成都、钦州、黔东南等城市成为第二离心流的主要指向城市，对周边城市货物吸引力较强。第三离心流指向城市相对分散，形成了错综复杂的网络关系。2025年，相对独立的铜仁、怀化两市成为重庆市及贵州省多个城市的首位、第二、第三离心流的来源城市，表明核心覆盖区边缘城市更好地融入了高速公路物流网络，区域物流网络体系趋于层级化和一体化发展。
图9 新通道建成前后高速公路物流网络离心流格局

Fig.9 Centrifugal flow pattern of the highway logistics network before and after the construction of the new corridor

2.3.3 核心—边缘结构

利用Ucinet 6.0软件将西部陆海新通道物流联系空间网络划分为核心区与边缘区。图10展示了铁路核心—边缘划分结果：铁路物流网络的核心区集中分布于广西壮族自治区，随着新通道的建设，百色市纳入了核心区，扩大了百色在铁路物流网络中的影响力。图11为高速公路物流网络的核心—边缘划分结果：川渝贵地区的7市为核心区，随着新通道的建设，高速公路物流网络得到优化，成都、内江、自贡取代了黔南、黔东南成为核心区，形成了以川渝地区为主的核心区，表明川渝地区正逐步成为区域经济发展的先行区。
图10 新通道建设前后铁路物流网络核心区与边缘区

Fig.10 The core and peripheral areas of the railway logistics network before and after the construction of the new corridor

图11 新通道建设前后高速公路物流网络核心区与边缘区

Fig.11 The core and peripheral areas of the highway logistics network before and after the construction of the new corridor

2.3.4 凝聚子群

根据物流联系空间网络的关系密度，利用Ucinet 6.0软件的CONCOR算法将西部陆海新通道核心覆盖区划分为8个三级凝聚子群。图12a为2019年铁路物流网络凝聚子群分析结果：子群1为百色、柳州组成；子群2为河池单独构成；子群3由钦州、北海、防城港、崇左4个城市组成；子群4为南宁、来宾；子群5以昆明为核心的6个城市组成；子群6以贵阳为核心的6个城市组成；子群7由宜宾、泸州等7个城市组成；子群8为成都、重庆。子群1和8的组成城市均存在一定的空间分割，成都和重庆作为西南地区的国家中心城市和重要的铁路枢纽，物流联系一直处于高水平状态，而百色与柳州则存在紧密的产业上下游联系。子群3、4、5、6、7均由空间邻近的多个城市组成，其物流联系也较为紧密，且子群5、6、7打破了行政边界。到2025年，得益于新通道铁路重大项目的建设，各物流网络组团得到优化(图12b)，北海、钦州、防城港等3个北部湾港口城市形成单独的一个子群，南宁—崇左—来宾、百色—黔西南、河池—柳州等子群均由空间邻近的城市重组而成。
图12 新通道建设前后铁路物流网络凝聚子群

Fig.12 Railway logistics network cohesion subgroup before and after the construction of the new corridor

图13展示了高速公路物流凝聚子群结果，其子群格局与铁路类似，不同之处在于以六盘水、安顺与贵阳等城市高速公路物流联系密切，成为一个子群；南宁作为省会城市，单独成为一个子群；河池与来宾空间邻近，物流联系密切，成为一个子群。随着新通道的建设，怀化市与川渝地区的部分城市物流联系进一步增强，成为同一个子群。
图13 新通道建设前后高速公路物流网络凝聚子群

Fig.13 Highway logistics network cohesion subgroup before and after the construction of the new corridor

铁路与高速公路作为陆路物流网络的重要组成部分，西部陆海新通道的建设优化了核心覆盖区陆路物流网络的空间格局。具体而言：从距离缩减程度来看，新通道建设对铁路物流网络的影响要强于高速公路物流网络；从货运量变化来看，高速公路货运量远超铁路货运量，铁路的骨干作用并未很好发挥，但随着新通道建设，铁路承担了更多的货物运输，在陆路物流网络中的地位明显提升；从物流网络结构特征来看，铁路流向更规律，稳定性强；而高速公路路网密集，运输灵活。此外，铁路作为大宗商品运输的主要通道，其物流主要输出地是资源型城市、工业城市或港口城市；而高速公路的输入与输出地城市则更多依靠城市社会经济实力等优势发挥其在物流网络中的影响力。因此，西部陆海新通道建设对铁路物流网络格局的影响整体上要大于对高速公路网络的影响。

3 结论与讨论

3.1 结论

本文通过选取西部陆海新通道核心覆盖区30个城市的长时间序列物流相关指标，借助BP神经网络、改进引力模型等模拟在未来通道能力条件下各城市间铁路、高速公路物流联系，并利用社会网络分析方法，对西部陆海新通道建设前后陆路物流网络结构进行比较分析，主要结论如下：
(1) 西部陆海新通道建设对缩短核心覆盖区城市间的距离、提高各城市的物流联系总量具有重要促进作用，特别是对重庆、成都、贵阳、昆明、防城港等城市影响明显。
(2) 西部陆海新通道建设在一定程度上优化了核心覆盖区物流网络的总体格局，有助于内陆各类产品向港口城市的输出，也有利于港口城市进口商品向内陆的输送，且物流网络格局趋于层级化和一体化。
(3) 西部陆海新通道建成后对铁路物流网络的影响作用均强于高速公路物流网络，反映了核心覆盖区铁路运输干线建设对西部地区物流发展的重要支撑能力。

3.2 讨论

西部陆海新通道建设是促进西部地区经济社会发展和扩大对外开放的重大战略，对陆路物流网络格局变化具有重要影响。本文通过对比模拟新道建设前后陆路物流网络格局变化，可为区域未来物流网络优化提升提供一定参考。分析发现，西部陆海新通道建设在优化物流网络空间布局的同时，也存在部分城市物流网络融入程度不够，行政壁垒较为明显，铁路网络的骨干优势未充分发挥等问题。因此，需要进一步提升区域中心城市的物流对外的辐射能力，发挥溢出效应；推动次级物流节点城市建设，加强其与一般地级市的物流联系；健全一体衔接的流通规则和标准，降低省际货运成本；新增铁路线路规划的建设，进一步加密和优化现有铁路货运网络，充分发挥铁路骨干作用。
物流网络时空演化进程与社会经济发展存在着密切的关系，本文相关指标预测是建立在各城市经济、社会和交通在未来总体稳定发展趋势的基础上，探讨陆路物流网络格局演变，最大限度保证研究的科学性与可靠性，为西部陆海新通道的建设提供了一定的参考价值。但立足于经济社会发展的预测，涉及的物流货运量数据主要通过改进引力模型计算得出，可能与未来的实际发展水平存在着一定的误差。BP神经网络模型需要足够的长时间序列数据预测，而由于数据的可获性、统计口径的变更等影响仅收集到近27年的数据，在一定程度上影响预测结果的准确性。此外，西部陆海新通道建设对推进西部大开发形成新格局、推动区域经济高质量发展具有重要意义，未来需要进一步对西部陆海新通道建设带来的社会经济效益进行深入探讨。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
汪田姣, 陈金源, 温可仪. 国际贸易通道建设与中国向西开放: 来自西部陆海新通道的经验证据[J]. 南方经济, 2024(3): 101-120.

[Wang Tianjiao, Chen Jinyuan, Wen Keyi. International trade corridor construction and China's opening to the West: Empirical evidence from the New Western Land-Sea Corridor. South China Journal of Economics, 2024(3): 101-120.]

[2]
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.

DOI

[Wang Jiao'e, Jing Yue. Comparison of spatial structure and organization mode of inter-city networks from the perspective of railway and air passenger flow. Acta Geographica Sinica, 2017, 72(8): 1508-1519.]

DOI

[3]
Castells M. The informational city:Information technology, economic restructuring, and the urban-regional process[M]. Oxford, UK: Blackwell, 1989.

[4]
李卓伟, 王士君, 程利莎, 等. 东北地区人口流动与多元交通网络格局的偏离和关联[J]. 地理科学进展, 2022, 41(6): 985-998.

DOI

[Li Zhuowei, Wang Shijun, Cheng Lisha, et al. Differences and relationship between population flow and transportation networks in Northeast China. Progress in Geography, 2022, 41(6): 985-998.]

DOI

[5]
方嘉雯, 贺灿飞. 流动与重构: 物流产业研究综述与展望[J]. 人文地理, 2024, 39(3): 1-12, 24.

[Fang Jiawen, He Canfei. Flow and rescale: Rethinking logistics industry as space of flows. Human Geography, 2024, 39(3): 1-12, 24.]

[6]
王彦, 修春亮. 基于抖音社交平台的城市网络特征及影响因素研究[J]. 地理科学进展, 2023, 42(7): 1272-1284.

DOI

[Wang Yan, Xiu Chunliang. Urban network characteristics and influencing factors based on Douyin (TikTok) social media platform. Progress in Geography, 2023, 42(7): 1272-1284.]

DOI

[7]
杨辉宇, 曾达, 李苗苗, 等. 多元流空间视角下粤港澳大湾区城市生态位研究[J]. 地理学报, 2023, 78(8): 1983-2000.

DOI

[Yang Huiyu, Zeng Da, Li Miaomiao, et al. Urban niche in the Guangdong-Hong Kong-Macao Greater Bay Area from the perspective of multiple space of flows. Acta Geographica Sinica, 2023, 78(8): 1983-2000.]

DOI

[8]
Matsumoto H. International urban systems and air passenger and cargo flows: Some calculations[J]. Journal of Air Transport Management, 2004, 10(4): 239-247.

[9]
Taaffe E J. The urban hierarchy: An air passenger definition[J]. Economic Geography, 1962, 38(1): 1-14.

[10]
宗会明, 刘绘敏, 陈易林, 等. 基于高速公路客流数据的重庆与毗邻地区联系网络空间结构研究[J]. 热带地理, 2024, 44(5): 794-803.

DOI

[Zong Huiming, Liu Huimin, Chen Yilin, et al. The study on spatial structure of the network between Chongqing and adjacent areas based on highway passenger flow. Tropical Geography, 2024, 44(5): 794-803.]

DOI

[11]
陈俐锦, 欧国立, 范梦余, 等. 高铁流视角下的中国县域网络结构特征与演化研究[J]. 地理科学进展, 2021, 40(10): 1639-1649.

DOI

[Chen Lijin, Ou Guoli, Fan Mengyu, et al. Structural characteristics and change of China's county network from the perspective of high-speed rail flow. Progress in Geography, 2021, 40(10): 1639-1649.]

DOI

[12]
刘想, 李晓东, 马晨. 日流量视角下铁路客运网络时空格局演变: 以成渝地区双城经济圈为例[J]. 地理科学, 2022, 42(5): 810-819.

DOI

[Liu Xiang, Li Xiaodong, Ma Chen. Spatial connection pattern and evolution trend of railway passenger transport network from the perspective of daily traffic: Taking Chengdu-Chongqing twin-city economic circle as an example. Scientia Geographica Sinica, 2022 42(5): 810-819.]

[13]
马淑燕, 赵作权, 赵紫威, 等. 2000—2019年中国航空客运格局演变及其影响因素研究[J]. 地理科学, 2023, 43(6): 1011-1021.

DOI

[Ma Shuyan, Zhao Zuoquan, Zhao Ziwei, et al. Evolution and influencing factors of air passenger transport in China from 2000 to 2019. Scientia Geographica Sinica, 2023, 43(6): 1011-1021.]

DOI

[14]
李苑君, 吴旗韬, 张玉玲, 等. “流空间”视角下高速公路交通流网络结构特征及其形成机制: 以广东省为例[J]. 地理研究, 2021, 40(8): 2204-2219.

DOI

[Li Yuanjun, Wu Qitao, Zhang Yuling, et al. Spatial structure and formation mechanism of expressway traffic flow network based on space of flows: A case study of Guangdong Province. Geographical Research, 2021, 40(8): 2204-2219.]

[15]
冯兴华, 修春亮, 刘志敏, 等. 东北地区城市网络层级演变特征分析: 基于铁路客运流视角[J]. 地理科学, 2018, 38(9): 1430-1438.

DOI

[Feng Xinghua, Xiu Chunliang, Liu Zhimin, et al. Characteristics of urban network hierarchy evolution based on the perspective of railway passenger transport in Northeast China. Scientia Geographica Sinica, 2018, 38(9): 1430-1438.]

DOI

[16]
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.]

[17]
孙峰华, 陆大道, 柳新华, 等. 中国物流发展对渤海海峡跨海通道建设的影响[J]. 地理学报, 2010, 65(12): 1507-1521.

DOI

[Sun Fenghua, Lu Dadao, Liu Xinhua, et al. Influence of the development of China's logistics on the construction of Trans-Bohai Strait passageway. Acta Geographica Sinica, 2010, 65(12): 1507-1521.]

DOI

[18]
高鑫, 孙峰华, 李山, 等. 渤海海峡跨海通道建设对环渤海陆路物流网络格局的影响[J]. 经济地理, 2018, 38(11): 141-149.

[Gao Xin, Sun Fenghua, Li Shan, et al. Influence of the construction of the Bohai Strait cross-sea channel to the land logistics network pattern in the Bohai rim region. Economic Geography, 2018, 38(11): 141-149.]

[19]
王泽东, 张小林, 孙东琪, 等. 渤海海峡跨海通道建设前后区际城市群物流网络结构的时空演变[J]. 地理研究, 2020, 39(3): 585-600.

DOI

[Wang Zedong, Zhang Xiaolin, Sun Dongqi, et al. Spatial-temporal evolution of the logistics network structure of inter-regional urban agglomeration before and after the construction of the Bohai Strait cross-sea channel. Geographical Research, 2020, 39(3): 585-600.]

[20]
谢晓燕, 韦学婷, 王霖. 基于指数平滑法的呼包鄂三角区物流需求量预测[J]. 干旱区资源与环境, 2013, 27(1): 58-62.

[Xie Xiaoyan, Wei Xueting, Wang Lin. Prediction of logistics demand based on exponential smoothing model for Hohhot, Baotou and Ordos. Journal of Arid Land Resources and Environment, 2013, 27(1): 58-62.]

[21]
鲁渤, 汪寿阳, 匡海波. 基于引力模型的区域物流需求预测研究[J]. 管理评论, 2017, 29(2): 181-190.

[Lu Bo, Wang Shouyang, Kuang Haibo. Forecast of regional logistics demand based on the gravity model. Management Review, 2017, 29(2): 181-190.]

[22]
胡小建, 张美艳, 卢林. 物流需求预测模型构建[J]. 统计与决策, 2017(19): 185-188.

[Hu Xiaojian, Zhang Meiyan, Lu Lin. Construction of logistics demand forecasting model. Statistics and Decision, 2017(19): 185-188.]

[23]
高雪雪. 基于BP神经网络的海南省物流需求预测[J]. 物流技术, 2018, 37(1): 87-90.

[Gao Xuexue. Forecast of logistics demand in Hainan Province based on BP neural network. Logistics Technology, 2018, 37(1): 87-90.]

[24]
李明月, 赖笑娟. 基于BP神经网络方法的城市土地生态安全评价: 以广州市为例[J]. 经济地理, 2011, 31(2): 289-293.

[Li Mingyue, Lai Xiaojuan. Evaluation on ecological security of urban land based on BP neural network: A case study of Guangzhou. Economic Geography, 2011, 31(2): 289-293.]

[25]
程前昌. 中国市域物流运输规模的空间格局及主要影响因素[J]. 兰州学刊, 2014(3): 95-99.

[Cheng Qianchang. Spatial pattern and main influencing factors of regional logistics transportation scale in China. Lanzhou Academic Journal, 2014(3): 95-99.]

[26]
朱道才, 陆林, 晋秀龙, 等. 基于引力模型的安徽城市空间格局研究[J]. 地理科学, 2011, 31(5): 551-556.

[Zhu Daocai, Lu Lin, Jin Xiulong, et al. Spatial patterns of city in Anhui Province based on gravity model. Scientia Geographica Sinica, 2011, 31(5): 551-556.]

DOI

[27]
王玉梅, 丁俊新, 孙海燕, 等. 渤海海峡跨海通道对辽东、山东半岛城市物流联系的影响[J]. 经济地理, 2016, 36(12): 104-111, 176.

[Wang Yumei, Ding Junxin, Sun Haiyan, et al. The influence of trans-Bohai Strait passageway on urban logistics contact in Shandong and Liaodong peninsulas. Economic Geography, 2016, 36(12): 104-111, 176.]

[28]
章文燕. 基于灰色关联分析法的物流发展影响因素分析[J]. 统计与决策, 2011(23): 105-107.

[Zhang Wenyan. Analysis of factors influencing logistics development based on the grey relational analysis method. Statistics and Decision, 2011(23): 105-107.]

[29]
杨吾杨, 张国伍. 交通运输地理学[M]. 北京: 商务印书馆, 1986: 28-29.

[Yang Wuyang, Zhang Guowu. Transportation geography. Beijing, China: The Commercial Press, 1986: 28-29.]

[30]
王泽东. “流空间”视角下渤海海峡跨海通道建成前后山东半岛、辽东半岛城市群物流空间差异研究[D]. 烟台: 鲁东大学, 2018.

[Wang Zedong. Research on the logistics spatial difference of Shandong Peninsula and East Liaoning Peninsula urban agglomeration on the construction of Trans-Bohai Strait passageway from the perspective of "space of flows". Yantai, China: Ludong University, 2018.]

[31]
孙东琪, 陆大道, 王振波, 等. 渤海海峡跨海通道客货流量预测分析[J]. 地理学报, 2017, 72(8): 1486-1507.

DOI

[Sun Dongqi, Lu Dadao, Wang Zhenbo, et al. Predictive analysis of passenger and goods flow of Bohai Strait cross-sea channel. Acta Geographica Sinica, 2017, 72(8): 1486-1507.]

DOI

[32]
程雪兰, 方叶林, 苏雪晴, 等. 中国东部沿海5大城市群旅游流网络结构空间分布特征研究[J]. 地理科学进展, 2021, 40(6): 948-957.

DOI

[Cheng Xuelan, Fang Yelin, Su Xueqing, et al. Spatial distribution characteristics of network structure of tourism flow in five major urban agglomerations of coastal China. Progress in Geography, 2021, 40(6): 948-957.]

DOI

[33]
王少剑, 高爽, 王宇渠. 基于流空间视角的城市群空间结构研究: 以珠三角城市群为例[J]. 地理研究, 2019, 38(8): 1849-1861.

DOI

[Wang Shaojian, Gao Shuang, Wang Yuqu. Spatial structure of the urban agglomeration based on space of flows: The study of the Pearl River Delta. Geographical Research, 2019, 38(8): 1849-1861.]

[34]
郑伯铭, 刘安乐, 韩剑磊, 等. 云南省旅游经济联系网络结构演化与协同发展模式建构[J]. 经济地理, 2021, 41(2): 222-231.

[Zheng Boming, Liu Anle, Han Jianlei, et al. The structural evolution of Yunnan tourism economic contact network and the construction of cooperative development model. Economic Geography, 2021, 41(2): 222-231.]

[35]
张扬, 赵银兵, 赵晶晶, 等. 基于人流—物流—信息流的成渝城市群网络结构特征研究[J]. 地域研究与开发, 2023, 42(6): 40-45.

[Zhang Yang, Zhao Yinbing, Zhao Jingjing, et al. Networks analysis of Chengdu-Chongqing urban agglomeration based on multiple flows. Areal Research and Development, 2023, 42(6): 40-45.]

Options
文章导航

/

〈 〉