基于组合算法的铁路物流网络空间结构特征识别

葛 勇，朱桃杏，马琳娜，陈建群

基于组合算法的铁路物流网络空间结构特征识别

葛 勇1，朱桃杏2，马琳娜3，陈建群1

（1.石家庄邮电职业技术学院 教务处，河北 石家庄 050043；2.石家庄铁道大学 管理学院，河北 石家庄 050043；3.石家庄邮电职业技术学院 速递物流系，河北 石家庄 050043）

铁路物流是物流系统的重要组成部分，其网络结构反映了铁路物流系统内部要素间相互联系、相互制约的内在性。应用PageRank算法测算铁路物流网络节点重要程度，应用首要流分析法提取网络主体结构，应用多重流分析法确定显著流数量，设计组合算法识别铁路物流网络空间结构特征。研究结果表明铁路物流对外联系密切省份集聚，形成了7个数量和规模不同的铁路物流圈，铁路物流圈呈现出地理相邻、产业相关和中心辐射的特征。根据铁路物流圈层特征提出推动铁路物流高质量发展的建议。

铁路物流；PageRank算法；首要流分析；显著流分析

在全球化和信息化趋势加剧的背景下，随着区域间基础设施不断完善，城市间交流日益紧密，区域间通过物流、资金流、信息流、技术流等途径实现要素流动，形成了动态变化的区域系统。物流作为要素流动的重要途径之一，流空间视角下研究物流网络体现出研究焦点由物流网络形态、等级评价向网络结构、网络层次、功能和联系转变的过程。铁路是国民经济的大动脉，铁路物流是物资在区域间通过铁路运输通道、铁路站点等物流枢纽而产生的联系与作用，其网络结构反映了铁路物流系统内部要素间相互联系、相互制约的内在性。研究网络结构特征，尤其是网络关键节点识别，有利于探索区域铁路物流网络的本质，同时也是深入探究铁路物流网络规划的基本要求。铁路物流圈层构建研究，是优化省级间铁路物流组织和区域协调发展的重要参考。

复杂流动网络是探索区域经济体系新的研究角度[1]，1989年Castells提出“流空间”的概念，这一概念为在动态角度研究区域空间结构提供了新的思路。目前，已有很多学者在流空间视角下研究空间网络结构，包含了旅游流、交通流、科技流、信息流等多个领域。要素流的定向运动可以真实的反映出节点城市间的相互作用关系，进一步凸显出节点城市功能与作用。物流要素是流要素系统的重要组成部分，早期关于物流要素空间特征的研究主要集中于物流要素流动理论分析，缺少实证数据的支撑。20世纪以来，关于物流要素流动实证分析的研究逐渐增多，学者通过选取指标表征物流要素流动特征，以此为基础分析物流要素流动效率[2-3]，物流要素流动驱动机制[4-5]及其与经济要素的互动关系[6]等。物流要素的流动演化出物流网络，物流网络引导经济空间格局的走向。高效物流网络的构建可以实现区域物流规模效益，降低运输成本。已有研究主要从两个角度构建物流网络，一是借助物理学模型测算节点间作用力，通过物流联系程度构建网络[7-8]；二是根据物流企业总部-分支结构的地理位置模拟物流联系，构建物流网络[9-10]。这两个角度的研究方法本质上均是把空间距离作为联系的阻力，是静态的研究视角，不能真实反映物流网络特征。

本文基于流空间视角和全国铁路物流OD量数据，通过“全域网络节点识别-主体结构提取-显著流分析-网络构建-特征识别”的研究逻辑，全面梳理我国省际铁路物流网络层次结构，分析铁路物流网络节点的整体布局和铁路物流圈层特征，对铁路物流空间特征的点线面研究是区域经济、区域物流、交通地理的重要课题，研究可为促进区域物流发展，优化区域物流网络布局提供参考价值。

1 研究设计与数据说明

铁路物流网络是依托铁路基础设施进行物资流通所形成的在空间结构形态，是由货运站、货场等铁路节点和铁路线路构成的实体网络。为充分挖掘铁路货运流数据特征及其网络结构的经济意义，论文分三个层次进行识别，通过PageRank 算法梳理全域铁路物流网络结构，通过首要流分析法考虑首要流，提取网络主体结构，通过多重流分析法考虑一定阈值内的流进行重点区域结构识别和判断。

1.1 PageRank算法

PageRank算法在1998年被Page等人提出，最早应用于网页排序中。越来越多经济和管理领域的学者不断尝试将PageRank算法应用于“流”的研究过程中。PageRank算法在研究有向图网络节点重要性问题上已基本得到认可。本文将省区作为有向图的节点，省区间的铁路物流联系作为边，应用PageRank算法识别铁路物流网络关键节点。假设4个网页组成一个群体，B网页链接到A网页和C网页，C网页只链接到A网页，D网页链接到A、B、C这3个网页，网页链接关系如图1所示。

图1 网页链接关系示意图

根据PageRank算法基本思想，每个节点将自身的PR值平均分配给它链出的节点，每个节点收到的PR值将会形成自己的PR值。A网页的PR值如式(1)所示。

当某个节点链出数量为0时，这个节点则停止对外分配PR值，为解决这一问题，Page设计了衰减因子，其计算公式如式(2)所示。

式中：(A)为节点的PR值；为衰减因子，一般选择0.75；为网络节点数量；(A)为节点指向其他节点边的数量。

根据上述公式可以看出，每个节点将自身的PR值平均分配给它链出的节点，每个节点收到的PR值将会形成自己的PR值。显然，省区间货流量不是均匀分配的，论文考虑节点的PR值是按边的权重分配，即PR值按照货流量比例分配。改进之后的公式如式(3)所示。

论文采用幂迭代法设计算法，首先为各个节点随机赋予PR值，论文为每个节点赋予的PR值均为1，通过公式1不断迭代计算PR值，直到满足式(3)，算法停止，如式(4)、(5)所示。

1.2 首要流分析法

Nystuen和Dacey最早提出首要流分析法(primary linkage analysis，PLA)，该方法的核心是以一个节点的最大流出量的流向为依据判断这个节点的等级。铁路物流网络节点的重要性由网络中的OD量决定，首要流分析法保留网络中节点的首要流，从而提取出铁路物流网络的主体结构。论文应用首要流分析方法抽取铁路物流网络主体结构，为网络层次识别提供基础资料。铁路物流网络主体结构包括：从属型节点，即只有1条首要流与该节点有联系；次主导型节点，即有2条首要流与该节点有联系；主导型节点，即有3条及以上数量的首要流与节点有联系。

1.3 多重流分析法

显著流数量计算流程如下：

(1)=0

(2)=+1

若满足2=max2，则输出，否则转(2)。

1.4 研究区域与数据来源

省域间铁路物流OD量是反映铁路物流网络特征的重要数据。考虑数据的可得性和系统性，论文研究范围为不含港澳台地区在内的31个省级行政区。研究统计2014年—2018年国家铁路地区间货物交流数据。省际间铁路货物交流数据（104t）来源于《中国统计年鉴（2015—2019）》。

2 铁路物流网络结构特征分析

2.1 铁路物流网络节点重要度识别

论文应用4年数据的均值反映地区间铁路物流联系，改进的Pagerank算法是充分挖掘了铁路物流网络节点间的OD量，又考虑了节点间联系的权重系数，计算结果如图2所示。

图2 铁路物流网络节点PR值计算图

从铁路物流分布空间角度来看，我国铁路物流水平差异显著，北方区域是省际铁路物流的核心地带，华北地区和东北地区是铁路物流最为集中的区域。北方地区是金属、矿石、钢铁及有色金属等生产量和需求量最大的地区，很大程度上加强了北方地区铁路物流联系。山西、内蒙古是我国主要的煤炭等矿产资源产地，华北区域的河北、山东、天津铁路物流需求较大，是铁路货流的重要的输出地，这种稳定的供给需求关系奠定了北方地区铁路物流的核心地位。南方地区信息技术等高新产业较为发达，高新产业与铁路物流联系较弱，从而造就了铁路物流市场弱于北方的局面。

分省份来看，河北省在我国铁路物流网络中占有绝对重要地位，河北省工业发展迅速，2019年，规模以上工业增加值同比增长5.6%，钢铁产业连续15年位高居全国首位，钢产量连续18年居全国第一位，发达的钢铁产业使得河北省铁路物流需求量高居不下，是河北省PR值高居第一位的主要原因。山东、辽宁、河南和四川排在前五位，山东、辽宁、河南和四川在铁路物流网络中占有重要地位。天津、吉林、湖北、江苏、黑龙江、山西、湖南、云南、江西、广西、贵州、安徽、重庆、甘肃、广东、内蒙古、陕西、北京、新疆、浙江和福建依次排列，青海、上海、宁夏、西藏和海南等5省排在末五位，这5个省区在铁路物流网络中作用不明显。

2.2 铁路物流网络主体结构提取

节点间货运量是描述网络节点重要程度的核心指标之一，网络主体结构可以清晰展现出省际间首要流的分布和流向。应用首要流分析方法提取铁路物流网络的主体结构，对其主体结构分析，确定各省区在铁路物流网络中的节点类型，PLA分析结果如图3所示。

图3 铁路物流网络首要流PLA分析结果图

PLA分析结果表明，河北、山西、内蒙古、甘肃、陕西和广西等五个省区为铁路物流网络主导型节点，在我国铁路物流网络中处于核心地位。根据区域铁路物流输入量与输出量，主导型节点可分为输出主导型节点和输入主导型节点。山西、内蒙古、陕西3个省份是我国的矿产资源富集区，煤、铝、稀土等矿产资源密集，有色金属、黑色金属和各类非金属矿产的等大宗长距离的运输方式首选铁路运输，从而使得这3个省份成为输出主导型节点；河北、广西、甘肃3个省份在与周边省份构成的区域范围内，工业、建筑业等行业发展良好，矿产等资源需求量大，从而使得这3个省份成为输入主导型节点。广东、江西、四川、江苏、青海和山东等5省为次主导型节点，在我国铁路物流网络中处于相对重要地位。其余省区为从属型节点。

2.3 铁路物流网络显著流分析

论文应用国家铁路地区间货物交流数据，基于多重流分析法识别我国铁路物流网络显著流。数据结果中显著流数量表示节点在铁路物流网络中的影响力，显著流数量越多，表明该省在铁路物流网络中地位越高，显著流数量统计如表2所示。

表2 铁路物流网络显著流数量统计

层次区域显著流数量层次区域显著流数量层次区域显著流数量 1四川142山东83天津3 河南12湖北8吉林3 广东12浙江7黑龙江3 重庆11安徽7青海3 云南113辽宁6北京2 江西10陕西6上海1 贵州10甘肃6西藏1 2湖南9内蒙古54海南0 广西9新疆5宁夏0 河北8山西4 江苏8福建4

由表2可以看出，显著流数量大于等于10的省份包括四川、河南、广东、重庆、云南、江西和贵州，这7个省份属于铁路物流网络的第一层，在铁路物流网络中具有优势地位。显著流数量介于5和10之间的省份包括湖南、广西、河北、江苏、山东、湖北、浙江和安徽，这8个省份属于铁路物流网络的第二层，在铁路物流网络中具有较强的中介作用。辽宁、陕西、甘肃、内蒙古、新疆、山西、福建、天津、吉林、黑龙江、青海、北京、上海、西藏等14个省份显著流数量介于0和6之间，属于铁路物流网络的第三层。海南和宁夏显著流数量为0，属于铁路物流网络的第四层。

3 我国铁路物流圈层结构及特征

3.1 铁路物流圈层结构设计

PageRank值是考虑所有节点间关系计算得到的数值，数据信息最全面，是挖掘所有数据关系得到的结果；PLA结果表明铁路物流网络主体结构特征，MLA值包含了比较重要的节点关系论文综合考虑PageRank值、MLA值和PLA结果3个指标数据，按照“多角度节点评价—区域划分—物流圈层可视化”的研究思路构建铁路物流圈。

评价网络节点质量。论文根据节点的PageRank值、MLA值和PLA结果构建评价方法。由PageRank算法的原理可以看出，值的相对大小顺序是最重要的。论文根据节点的PageRank值从大到小排序，排在第一位的记为32分，名次每落后一名，得分就减1分，最后一名记为1分。MLA值本身表示节点显著流的数量，节点每拥有1条显著流记为1分。PLA结果分为主导型节点、次主导型节点和从属型节点，为均衡各个指标数据，主导型节点记为15分，次主导型节点记为10分，从属型节点记为5分。以网络节点质量得分从大到小进行排序，以铁路物流量为依据划分铁路物流联系区域。具体过程如下：

(1)将网络中质量得分最高的节点定义为核心区域，然后以此核心区域为中心，将与该核心区域相邻省份相连，将铁路物流量定义为连接线的权重，箭头方向描述了物流量的流向，连接到网络中的节点不能再被定义为核心区域。

(2)按网络节点质量得分选取第二个节点定义为核心区域，然后重复(1)，直至所有节点连接到网络中。

(3)删除重复的连接线。若出现网络中的非核心区域同时与多个核心区域相连，则比较连接线的权重，只保留权重最大的连接线。为提高铁路物流网络空间特征可视化效果，将省域缩放为一个节点，空间位置根据省会城市的经纬度来确定。按照以上规则，构建出我国铁路物流圈，如图4所示。

图4 铁路物流圈结构图

3.2 铁路物流圈层结构特征

铁路物流对外联系密切省份集聚，形成一定区域范围内的铁路物流圈。铁路物流圈呈现出地理相邻、产业相关和中心辐射的特征。

(1)地理相邻

我国31个省级行政区划形成了7个数量和规模不同的铁路物流圈。受地理、经济和交通等因素的影响，联系紧密的省份出现近距离“抱团”现象。

(2)产业相关

铁路运输的经济特性决定了大宗货物是其主要服务类型，故铁路物流需求较大区域往往采矿业、制造业等第二产业发达，因此北京、天津、河北、内蒙古、山西和山东构成了我国最大的、联系最紧密的以河北为核心的铁路物流圈。此铁路物流圈成为我国铁路物流最核心地带。2019年，山西铁路物流共发送85 840万t，我国铁路物流量输出最大的省级行政区，河北铁路物流共接收73 850万t，由山西发往河北的铁路货运量高达47 376万t，山西−河北间铁路物流量关系在所有联系对中最紧密。黑龙江、吉林和辽宁矿产资源丰富，构成了以辽宁为核心的矿产资源铁路物流圈。随着产业结构的调整、新旧动能的转换，省际铁路物流量也会受到冲击。

(3)中心辐射

铁路物流圈由多个省份组成，每个省份都有自身的资源优势和发展特色，其发展主要通过省际间的铁路物流资源整合、优势互补。铁路物流圈的构建可以发挥核心区域的辐射作用，促进人流、物流、资金流和信息流等资源的整合，进一步扩大资源优化配置范围，提高欠发达区域的铁路物流水平，进一步促进区域社会物流协调发展。河南、陕西、江苏、安徽构成了以河南为核心的中原铁路物流圈。江西、浙江、湖南、福建和上海构成了以江西为核心的东南铁路物流圈。广西、广东、贵州、云南和海南构成以广西为核心的南部铁路物流圈。甘肃、宁夏、青海、新疆和西藏在铁路运输网络中运量少、彼此联系较弱，构成了以甘肃为核心的西北物流圈。四川和重庆间铁路物流联系密切，构成一个铁路物流圈。

4 结论

论文设计组合算法研究我国铁路物流网络空间结构特征。主要结论如下：我国铁路物流水平差异显著，北方区域是省际铁路物流的核心地带，华北地区和东北地区是铁路物流最为集中的区域。稳定的供给需求关系奠定了北方地区铁路物流的核心地位。南方地区信息技术等高新产业较为发达，高新产业与铁路物流联系较弱，从而造就了铁路物流市场弱于北方的局面。铁路物流对外联系密切省份集聚，形成了7个数量和规模不同的铁路物流圈，铁路物流圈呈现出地理相邻、产业相关和中心辐射的特征。

针对上述结论，提出以下建议：

(1)实现轴心与辐点联动发展。充分发挥轴心区域的集散功能，提高铁路物流要素资源配置效率。轴心区域技术先进、资金充足、人才众多，积极推动铁路物流要素和人才的转移和扩散，支援辐点区域铁路物流网络建设。

(2)明确功能定位。铁路物流圈反映出区域铁路物流联系程度，明确功能定位，充分发挥区位优势，利用各城市的区位优势、产业特色、物流功能定位等优势，打造功能互补与协同可持续发展的铁路物流网络。

(3)构建多式联运协同机制。以铁路物流枢纽为支点，延伸服务，构建“通道+节点”的铁路物流生态圈，形成以铁路为主导的现代物流生态圈。

[1] Pflieger G, Rozenblat C. Introduction. Urban networks and network theory: the city as the connector of multiple networks[J]. Urban Studies, 2010, 47(13): 2723-2735.

[2] 曹炳汝, 孔泽云, 邓莉娟. 长江经济带省域物流效率及时空演化研究[J]. 地理科学, 2019, 39(12): 1841-1848.

[3] 曹炳汝, 邓莉娟. 长江经济带物流业效率增长影响因素[J]. 经济地理, 2019, 39(7): 148-157.

[4] 贾鹏, 吴寄石, 李海江, 等. 中国物流枢纽承载城市货运网络时空演化及驱动机制[J]. 地理科学, 2021, 41(5): 759-767.

[5] 孙春晓, 裴小忠, 刘程军, 等. 中国城市物流创新的空间网络特征及驱动机制[J]. 地理研究, 2021, 40(5): 1354-1371.

[6] 戢晓峰, 张雪, 陈方, 等. 基于多源数据的区域物流与经济发展关联特性分析—以云南省为例[J]. 经济地理, 2016, 36(1): 39-45.

[7] 刘程军, 周建平, 蒋建华, 等. 电子商务背景下县域物流的空间联系及其网络结构研究—以浙江省为例[J]. 地理科学, 2019, 39(11): 1719-1728.

[8] 王东方, 董千里, 陈艳, 等. 中欧班列节点城市物流网络结构分析[J]. 长江流域资源与环境, 2018, 27(1): 32-40.

[9] 宗会明, 吕瑞辉. 基于物流企业数据的2007—2017年年中国城市网络空间特征及演化[J]. 地理科学, 2020, 40(5): 760-767.

[10] 刘正兵, 戴特奇, 廖聪, 等. 中国城际公路货运空间网络特征—基于“第一物流”网站数据[J]. 经济地理, 2017, 37(6): 28-35.

Identification of Spatial Structure Characteristics of Railway Logistics Network Based on Combination Algorithm

GE Yong1，ZHU Tao-xing2，MA Lin-na3，CHEN Jian-qun1

（1.Division of Teaching Affairs, Shijiazhuang Posts and Telecommunications Technical College, Shijiazhuang 050043, China;2. School of Management, Shijiazhuang Tiedao University, Shijiazhuang 050043, China;3.Department of Express and Logistics, Shijiazhuang Posts and Telecommunications Technical College, Shijiazhuang 050043, China）

Railway logistics is an important part of logistics system. This paper uses PageRank algorithm to calculate the railway logistics network nodes, applies primary flow analysis method to extract the main structure of the network, and applies multiple flow analysis method to determine the number of significant flows. The research results show that the level of railway logistics in China is significantly different, and the stable supply-demand relationship has laid the core position of railway logistics in northern China. The provinces with close external links of railway logistics gather together, forming seven railway logistics circles with different numbers and scales. The railway logistics circles are characterized by geographical proximity, industry correlation and central radiation. By realizing the coordinated development of the hub and spoke, defining the functional orientation, giving full play to the location advantages, and constructing the multimodal transport coordination mechanism strategy, the suggestions for promoting high-quality development of railway logistics are put forward.

railway logistics; pagerank algorithm; primary linkage analysis; significant flow analysis

10.15916/j.issn1674-3261.2023.02.005

F259.27

A

1674-3261(2023)02-0093-06

2022-05-22

2022年度石家庄市社科专家培养项目立项课题(2022zjpy08)；2022年度河北省社会科学发展研究课题(20220202387)；国家社会科学基金项目(20FJYB030)

葛 勇(1995-)，男，山东德州人，硕士。

马琳娜(1995-)，女，河北沧州人，硕士。

责任编辑：陈 明