西部城市群交通网络结构分析和实证研究
——以兰西城市群为例
2017-02-21曾俊伟钱勇生广晓平
冯 骁,曾俊伟,钱勇生,广晓平
(兰州交通大学,甘肃 兰州 730070)
西部城市群交通网络结构分析和实证研究
——以兰西城市群为例
冯 骁,曾俊伟,钱勇生,广晓平
(兰州交通大学,甘肃 兰州 730070)
随着西部城市群城镇化的推进和“一带一路”战略的部署,我国西部城市群的交通网络需要进行合理的规划建设。利用K-Means算法和支持向量机,以兰西城市群为例,对城市群内节点城市和城市间联系度进行分类,研究了西部城市群的交通网络结构。在对兰西城市群交通网络结构的研究中发现:兰西城市群内整体经济基础薄弱,交通网络基础设施建设不足,交通网络内城市联系度不高,兰西城市群内城市分化比较严重。兰西城市群的发展状况在我国西部城市群中具有一定的代表性,根据兰西城市群特点研究发现西部城市群内交通网络基本成型,但节点城市分化明显且城市联系分布不均。
西部地区;城市群;K-Means;支持向量机;交通网络
1 引言
城市群是以一个或多个核心城市为中心,向周围辐射构成的一个复杂的城市集合体[1]。随着社会发展,城市的边界逐渐向外扩展,地理上相邻的城市在交通设施的连接下物资、信息的沟通逐渐频繁。而不同城市由于产业结构上的互补关系也在便捷交通体系的基础上日益紧密,产生了互相聚合的趋势,建立起了跨越行政区域的城市群[2]。
我国西部地区经济水平落后,人口密度低,较其他地区而言难以形成大规模的城市群,但丰富的自然资源是西部地区发展的重要基础。就目前来看,我国西部已形成了大致10个城市群[3]。随着“一带一路”发展布局的逐步推进,西部城市群所担负的走廊作用日益明显。交通运输是连接城市群内城市的物理基础,交通运输网络也是城市群间人员物资流通的底层设施,交通运输的发展是加速推进城镇化进程的重要先决条件。对于西部城市群来说,交通运输网络建设起步晚,基础薄弱,适度超前的交通网络规划对西部城镇化的发展具有引导作用。在对区域交通网络的研究中,需要对网络内节点城市和节点间的联系强度进行评价,以此获得区域内交通网络现状的合理认识,而这也是进行区域交通网络规划的重要基础。利用K-Means算法和支持向量机可以对城市群的交通运输网络结构进行合理的分析,以得到客观的兰西城市群交通网络结构分析结果,为西部城市群的交通运输网络布局建设提供参考意见。
2 研究现状概述
1915年英国城市规划思想家P.Geddes最早在其著作《进化中的城市(Cities in Evolution)》中提出了城市群的概念,它将其称为集合城市(conturbations)或城市群(urban agglomeration)[4],而我国对城市群的学术研究最早始于1964年严重敏对1962年国际地理联合会城市地理年会论文集中Walter Christaller的“Die Hierarchi der stadte(城市的层次结构)”的翻译“城市的系统”[5]。在对城市群的发展演进进行研究后,近年来西方学术界提出了“区域城市[6]”、“城市网络[7]”、“城市村庄群落[8]”等理念。我国学者也对城市群不同发展阶段下交通系统所起的作用进行了研究[9-10]。在对系统动力学和可达性的研究基础上,一些学者参考城市交通规划提出了城市群交通规划的模式和评价方式[11-12]。在对城市群交通网络的结构研究过程中,有着如下研究成果:城市群的交通网络可视为复杂网络,复杂网络可划分为不同的层级结构[13];而区域交通网络符合无标度网络特性,即绝大部分节点连通度较小,只有少数节点具有较大的连通度[14];通过研究城市公交网络,也能证明交通运输网络具有无标度性[15];以上研究都说明交通网络是可分层的。在进一步的研究中,通过建立网络层级结构的识别模型,李夏苗等人对交通网络进行了深入分析[16]。在对兰西城市群的研究中,贾卓、陈兴鹏等人以兰白西城市群为例对中国西部城市之间的联系强度进行了建模计算[3]。而支持向量机最早由Vapnik在1995年提出用以进行样本分类,相较其他分类算法,支持向量机采用风险最小理论,在解决小样本、高维度的分类的问题上有很大的优势,成为机器学习领域的研究热点。
3 研究方法介绍
3.1 算法介绍
目前,在不同领域中有多种分类算法的应用,如模糊聚类、层次聚类,而K-Means算法因其简单有效的特点而被广泛采用。K-Means算法是一种无监督类算法,是数据挖掘过程中的一种重要工具。这种方法属于硬聚类方法[17],以样本间的距离作为相似性的指标,认为不同数据样本间的距离越近他们之间的相似性就越高。K-Means算法将多维空间上的若干个样本分为K个簇,使同一个簇内的数据的距离尽可能小,而不同簇之间的距离尽可能大。
支持向量机将求解问题转化为一个二次型寻优问题,其解出的最优解在理论上是全局最优解,这就避免了神经网络算法中难以解决的局部极值问题。支持向量机将非线性问题转化到高维度的特征空间,在转化到高维度空间后构造线性分类函数在高维度中进行分类,通过这样升维的方式解决原空间中较难解决的非线性分类问题,这样其算法复杂度与样本的维数无关。
3.2 城市群网络分析方法
本文所需数据全部来自2014年中国交通统计年鉴、2014年各省、市年度统计公报以及各省市交通地图,研究方法如下:
3.2.1 城市群交通运输网节点评价分级。在城市群的交通运输网络中,城市被视为网络的节点,节点城市的交通发生与吸引量是整个交通运输网络所承载的交通量的直接影响因素。而节点城市的交通建设情况、人口、GDP都可以反映该城市的交通发生吸引量。节点城市的交通建设情况如公交车数、高速公路里程等都反映了该城市的交通属性与经济状况的匹配程度。对城市交通发生量的衡量需要考虑城市建设中与交通相关的多个因素及城市所在网络的总体情况。为了综合考虑影响城市交通发生量的不同因素,本文从交通建设、交通运输量、城市公交发展水平以及城市综合因素这三个方面考量一个城市的交通发生量水平。在成熟的城市群体系中,各个城市之间依赖完善的高速铁路、高速公路以及航空运输进行连接,而兰州-西宁城市群正在完善高速铁路运输网络,故而未考虑铁路运输。具体的分级所需指标见表1。
表1 节点城市分级指标
城市高速公路里程和高速公路的密度反映了一个城市的交通建设强度和这个城市的路网特性,一个城市的高速公路建设强度越高就说明这个城市有着越高的交通通行需求。公路和民航的客货运量反映了一个城市在这个交通网络中的重要程度。一个城市的公路、民航客货运量直接决定这个城市在交通网络中的重要程度,越高的客货运量就说明这个节点城市向网络中产生、吸引越多的交通量。城市内的公交数量与公交线路数体现了这个城市内部的交通活跃程度,一个城市内的交通活动越频繁也可以反映出这个城市有较高的交通需求。一个城市所能产生和吸引的交通量与这个城市的经济水平和人口有很大的关系,而越高的邮电营业额也说明这个城市的活跃度较高,会产生较大的交通量。城市的空间尺寸是受城市内交通便捷性制约的,便利快捷的交通系统可以为城市的扩张提供保障,而城市交通的拓展方向也是城市空间扩张的指导,故而城市面积也可以反映一个城市的交通需求、建设水平。
我们把K-Means聚类和支持向量机配合使用,可以通过上述数据对城市群内的城市进行聚类,以此完成对网络内节点的分级。
3.2.2 城市群交通运输网络中节点间联系强度分级。城市群交通运输网络中的城市被视为节点,不同节点间的联系强度反应了两个节点之间交通需求的大小。不同城市间的两两联系强度可以反映运输网络上所承载流量的直接指标,若两城市间的联系强度较大,那么它们之间的物理交通网络上就会有较高的流量。
城际交通的联系强度主要受两座城市各自的经济水平和人口数影响,而交通吸引力是两座城市之间的联系强度的体现[18]。本文参照重力模型,选用交通联系度模型[19]:
式中fij为两城市间的联系强度,Pi和Pj为i,j两城的人口数,Gi和GJ为i,j两城的人均GDP值,Rij为两城间的高速公路里程,Kij为两城市之间的联系系数,计算公式如下:
式中Qi和Qj分别为两城的公路、民航总客运量,Q为城市群内所选城市的平均公路、民航客运量,Ci和Cj分别为两城的公路、民航总货运量,C为城市群内所选城市的平均公路、民航货运量。
因为构建支持向量机所需的训练集中所包含的样本来自西部城市群中的城市,这些城市大都不在同一城市群中,而在各自城市群中建立的联系强度值又与兰西城市群的具体情况不符,故对城市群联系强度的分类只采用K-Means聚类方法。
4 城市群节点城市与城市间联系度分级实例
交通网络是由节点城市和交通线路组成的,本文通过K-Means算法与支持向量机结合的方式将各城市分为三类,对应将算出的城市联系值用K-Means算法分为四类。在将节点和联系分类的基础上进行对兰西城市群交通网络的分析。
4.1 节点城市分级
本文将西部除兰西城市群外城市群内重要节点城市选为训练集,如西安、呼和浩特、南宁、贵阳、乌鲁木齐、昆明、咸阳、宝鸡、华阴、渭南、德阳等,将兰西城市群内的节点城市列为测试集,它们是兰州、西宁、银川、白银、定西、中卫、固原、海北、海东。节点城市的数据收集完毕后,首先将用来构建支持向量机训练集的城市和构建测试集的城市数据输入统计产品与服务解决方案(Statistical Product and Service Solutions,SPSS)软件进行数据归一化处理,得到标准化后数据。
为比较使用支持向量机的分类效果,本文对测试集内的兰西城市群内城市也进行了K-Means聚类,聚类结果见表3。
表2 训练集节点城市K-Means分类结果
表3 测试集节点城市K-Means分类结果
根据K-Means对训练集的分类,用此训练集对支持向量机进行训练,得到用支持向量机进行分级的兰西城市群分类结果。本文所使用支持向量机的核函数选为径向基核函数,在迭代过程中,最大进化代数为100,种群最大数量为20,惩罚因子C为5.656 9,核函数的参数g为0.353 55,CV精度为86.666 7%,图1为本次分类的参数图,图2为样本数据的分布图。
图1 支持向量机分类参数图
分类结果见表4:
表4 测试集节点城市支持向量机分类结果
在用K-Means算法对测试集的分类中,兰州、银川、西宁、白银、定西被分为一级节点,而其他城市被分为二级节点,而利用支持向量机的分类结果中兰州被列为一级,银川为二级,其他为三级。这样的分级结果不论是从客观数据还是主观的判断上都更符合现实情况,由此可见结合K-Means算法与支持向量机进行分类其分类效果是优于只用K-Means算法的。
4.2 城市联系度分级
由于难以构建城市联系度的训练集,本文只对城市联系度进行K-Means聚类。各城市间的联系度KMeans聚类过程与上述类似。各城市之间的联系值见表5。
表5 各城市间联系强度值
聚类之后分类结果见表6。
表6 各城市间联系强度分级
5 西部城市群交通网络结构分析—以兰西城市群为例
通过上述数据处理过程,本文已将兰西城市群的节点城市及城市间的联系强度做了分级,在此基础上该交通网络已有了清晰的结构层次,综合数据处理结果,我们可以得到兰西城市群的交通网络建设现状水平及其中的问题,如图3所示。
通过初审的课题将送交美国国立卫生研究院各研究所或研究中心的国家顾问委员会(the National Advisory Boards or Councils)进行二审。该委员会由科学家和关注健康问题的各界代表组成,成员一般有12~18人,名单公开,该委员会对通过初审的申请书就其整体水平、是否符合各研究所科技优先领域和经费预算及初审意见等进行全面审核。
5.1 城市群交通网络节点城市分析
在兰西城市群的主要节点城市中,各城市被分为三级,具体分析如下。兰州作为兰西城市群的核心城市,不论交通建设水平、交通运输水平还是城市综合水平都明显高于城市群内的城市,所以被列为一级节点城市。兰州是全国主要的交通中转城市,而兰州新区更成为兰州进一步发展的主要动力。兰州作为区域核心城市,其综合发展水平是评价兰西城市群的重要衡量标准,而为了进一步发挥兰州作为核心的辐射作用,还需要进一步加强兰州的综合交通建设。
银川是宁夏回族自治区的省会,虽然其各项数据指标都低于兰州,但由于其面积小,人口少,故而在路网密度和人均GDP上显示出了和兰州相差不大的水平,就兰西城市群范围内其各项指标水平与自身的定位是相符的,所以被列为二级节点城市。
此外的城市被列为三级城市。西宁是青海省的省会,作为省会城市,其交通现状分类明显与其行政等级划分不符,导致其分类较低的是西宁在交通直接相关指标都偏低,而这是由青海整体经济水平较低造成的。西宁城市市内公交线路与公交车数也显示出西宁城市内交通需求较低,这也从侧面印证了青海省经济水平不高。白银、定西和中卫、固原分别是甘肃和宁夏的地级城市,这四个地级市被划为第三级,就目前兰西城市群的整体经济水平来说是合理的,它们都紧邻各自所处省份的省会城市且互相毗邻。这四座城市中白银的各项数据都略高于其他三座城市。而海东和海北作为青海省的自治州和地级市受制于整体薄弱的经济基础,其交通建设水平也有不足,这两座城市都有着较大的面积,但路网密度不高,人口稀疏,在未来的发展过程中基础建设方面仍有很大的缺口。
图2 样本数据分布图
图3 兰西城市群交通网络结构图
5.2 城市群交通联系强度分析
在兰西城市群中,各城市之间的联系强度总体水平偏低,这说明各城市之间的交通需求并不旺盛且交通建设不足。在所有联系强度中只有兰州-白银间为一级,一方面这是由于兰州在兰西城市群内经济发展水平和交通建设水平都较高,有着较高的交通需求,另一方面两座城市间的地理距离也很近,只需强度不大的交通建设就可以满足两座城市间的交通需求。而其他列为二级的联系强度所连接的城市都是直接相接的城市,且都是建立在与其相邻的省会城市之间。直接与兰州相接的城市间联系都为二级以上,这说明以兰州为核心的城市群已出具规模,兰州已经显现出作为核心的辐射作用。被列为三、四级的联系都建立在经济基础薄弱的城市间和距离较远的城市之间。如定西和白银虽然相邻,二者经济水平较低,交通需求并不高;西宁与海东经济基础薄弱,两座城市内部的交通需求水平本就不高,故而虽然同处青海省内且西宁为青海省会城市,但二者之间的联系强度并不强;兰州是兰西城市群的核心城市,银川为宁夏区域核心,这两座城市虽然有着较好的经济水平,但由于二者间的地理距离较远,故而其联系强度也并不高,但这也同样说明兰西城市群内核心城市的辐射水平仍有待提升。
5.3 兰西城市群交通网络结构综合分析
总体来说兰西城市群内部的交通网络已经初具规模,其中银川地区内的公路运输网络不论是从路网密度还是运输量来说都已与成渝城市群、关中城市群这个两个定位更高的西部城市群相当,而作为核心的兰州的辐射作用也正在逐步显现,兰州与周边城市的交通联系度正在逐步提升,但兰西城市群的交通运输网络建设仍有很多不足。
5.3.1 兰西城市群整体经济基础薄弱。兰西城市群跨甘肃、青海、宁夏三省,这三省的经济基础较薄弱,城市之间的联系强度都偏低。 城市之间的联系强度取决于各城市的整体发展水平,而经济水平与交通需求之间又存在着相互促进的关系。加大这三省的交通建设投资不仅可以促进兰西城市群内城市的经济发展,也可以刺激城市之间的交通需求增长。
5.3.2 兰西城市群内交通网络基础设施不足。兰西城市群内,高铁网络尚未完全建成,高速公路网密度整体水平不高。成熟的城市群都以便捷的交通设施相连接为基础,但相较成渝、关中城市群来说兰西城市群在此方面仍有欠缺。
5.3.3 兰西城市群内城市分化比较严重。在兰西城市群内的城市分级中,只有兰州为一级城市,而二级城市也只有银川一座,其他城市为三级城市。这说明兰西城市群内只有兰州和银川有着较为优越的交通条件,而其他城市在交通建设方面仍有较大不足。
6 结语
本文根据K-Means算法和支持向量机,以兰西城市群作为实例,分析了我国西部城市群的交通运输网络结构,得出了其发展特征。在研究过程中,因为研究资料所限,在构建支持向量机的训练集时只选取了部分城市,未能构成一个更充分的训练集。在城市联系度的测算上参考重力模型,这样就只考虑了两座城市间的客货运量、道路里程这些客观因素,不能估计交通出行的人为主观因素。以上这些不足将会在以后的研究中进一步完善。
[1]张倩,胡云峰,刘纪远,等.基于交通、人口和经济的中国城市群识别[J].地理学报,2011,66(6):761-770.
[2]顾朝林.城市群研究进展与展望[J].地理研究,2011,30(5): 771-784.
[3]贾卓,陈兴鹏,袁媛.中国西部城市群城市间联系测度与功能升级研究—以兰白西城市群为例[J].城市发展研究,2013,20 (4):71-76.
[4]Geddes P.City in Evolution:An Introduction to the Townplanning Movement and the Study of City[M].London:Williams and Norgate,1915.
[5]Walter C,著,严重敏,等译.城市的系统[J].地理译从,1964,(4): 1-8.
[6]Peter C,William F.The Regional City:Planning for the End of Sprawl[M].Washington D C:Island Press,2001.
[7]Arjen J,Van B,Frans D.Dutch urbanisation policies:from‘compact city’to‘urban network[J].Tijdschrift voor Economische en Sociale Gergrafie,2004,95(1):108-116.
[8]Yosef Rafeq Jabareen.Sustainable urban forms:Their typologies,models,and concepts[J].JournalofPlanning Education and Research,2006,26:38-52.
[9]鞠志龙,霍娅敏.交通运输系统对城市群发展支撑作用的探讨[J].铁道运输与经济,2009,31(3):39-42.
[10]董艳华.城市群交通规划的理论分析与政策建议[J].综合运输,2010,(9):21-26.
[11]陈必壮,杨立峰,王忠强,等.中国城市群综合交通系统规划研究[J].城市交通,2010,8(1):7-13.
[12]朱彦东,吴兵,汪海渊.城市群综合交通战略系统规划研究[J].现代城市研究,2001,(4):44-47.
[13]Clauset A,et al.Hierarchical structure and the prediction of missing links in networks[J].Nature,2008,453(7 191):98-101.
[14]曾明华,李夏苗,刘大鹏.城市群交通网络特性[J].系统工程, 2009,27(3):10-15.
[15]Wu J J,Gao Z Y.Urban transit system as a scale-free network[J]. Modern Physics Letter B,2004,18(19-20):1 043-1 049.
[16]李夏苗,王国明,胡正东,等.城市群交通网络层级结构与组团结构识别[J].系统工程,2012,30(5):81-88.
[17]Chen T W,Chen S Y.Bandwidth Adaptive Hardware Architecture of K-Means Clustering for Video Analysis[J].IEEE transactions on very large scale integration system,2010,18 (6):957-966.
[18]刘丽亚.基于SD模型的城市群—交通影响机理研究[J].道路交通与安全,2011,11(1):41-45.
[19]戴帅,陈艳艳,王振报.山东半岛城市群的城际公路交通吸引研究[J].道路交通与安全,2006,6(2):29-31.
Structural Analysis and Empirical Study on Traffic Network of Western City Agglomeration: In the Case of Lan-Xi City Agglomeration
Feng Xiao,Zeng Junwei,Qian Yongsheng,Guang Xiaoping
(Lanzhou Jiaotong University,Lanzhou 730070,China)
In this paper,using the K-Means algorithm and SVM,we analyzed the nodal cities in the Lan-Xi city agglomeration and their level of correlation,studied the traffic network structure of the agglomeration,identified the existing problems,such as weak economic foundation,lack of traffic infrastructure,low level of correlation between the network cities,etc.,and proposed that the development status of the Lan-Xi city agglomeration was representative among the city agglomerations in western China and that though the traffic network of the agglomeration had come into shape,the nodal cities were polarized seriously and not correlated evenly.
westernregion;city agglomeration;K-Means;SVM;trafficnetwork
F252;U125
A
1005-152X(2017)01-0006-06
10.3969/j.issn.1005-152X.2017.01.002
2016-10-24
国家社科基金青年项目(14CJY052);国家社科基金项目(15BJY037);甘肃省自然科学基金项目(1606RJZA017);甘肃省自然科学基金项目(1508RJZA112)
冯骁(1991-),男,甘肃酒泉人,兰州交通大学硕士研究生,研究方向:交通运输规划与管理。