EN中文

SCIENTIA GEOGRAPHICA SINICA >

2021 , Vol. 41 >Issue 6: 998 - 1008

DOI: https://doi.org/10.13249/j.cnki.sgs.2021.06.009

Spatial Distribution and Network Community Structure of Expressway Car Flow in Jiangsu Province Based on Big Data Analysis of Toll Collection

  • Huang Zhenfang , 1 ,
  • Chen Yu , 1, * ,
  • Huang Rui 1, 2 ,
  • Lu Yuqi 1
Expand
  • 1. School of Geographical Science, Nanjing Normal University/Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, Jiangsu, China
  • 2. School of Economics and Management, Nanjing Vocational University of Industry Technology, Nanjing 210023, Jiangsu, China

Received date: 2020-04-28

  Revised date: 2020-08-20

  Online published: 2021-08-13

Supported by

National Natural Science Foundation of China(42071175)

National Natural Science Foundation of China(41701122)

Priority Academic Program Development of Jiangsu Higher Education Institutions(164320H116)

Copyright

Copyright reserved © 2021.
Fold

Abstract

As an important part of modern transportation system, the huge traffic flow of expressway truly reflects the regional connection and has a profound impact on the social economy, people’s life and spatial structure. The massive expressway toll data collection is a significant support to analyse and reveal the traffic flow characteristics and the spatial structure evolution. According to the Jiangsu expressway toll collection data in 2011, 2014 and 2017, this paper selects car traffic to construct the O-D flow network and county connection network, so that the key toll stations and distribution characteristics of network degree are identified effectively, and the spatial pattern of car flow and the features of its network group structure are revealed. It is found that the spatial distribution of car flow shows a notable difference between the south and north of Jiangsu, with high-value points around the toll stations of central cities, provincial boundaries and cross-river bridges. The O-D flow network has an obvious scale-free feature, while the community structure is characterized by distribution along the expressway routes. The county connection network can be divided into 8 communities, with central cities as the cores.

Key words： expressway; traffic passenger flow; O-D flow network; community structure; Jiangsu Province

Cite this article

Huang Zhenfang , Chen Yu , Huang Rui , Lu Yuqi . Spatial Distribution and Network Community Structure of Expressway Car Flow in Jiangsu Province Based on Big Data Analysis of Toll Collection[J]. SCIENTIA GEOGRAPHICA SINICA, 2021 , 41(6) : 998 -1008 . DOI: 10.13249/j.cnki.sgs.2021.06.009

中共中央、国务院发布的《交通强国建设纲要》（中发〔2019〕39号）指出，交通是经济社会发展的基础支撑，是建设现代化经济体系的先行领域。交通快速发展所带来的巨大交通流，是区域间联系最真实的直观反映，也是推动社会经济空间结构重塑的显著力量[1]。“流动性”作为社会发展的普遍现象和重要特征，是当前人文地理研究的焦点话题[2]。随着现代交通网络体系的完善，交通的流动特征与空间规律成为学界日益关注的科学问题。国内外学者主要利用数理统计、计量建模和GIS空间分析方法，研究交通的流动特征与空间规律，其中航空和铁路流数据较易获取，这两种交通运输方式的流网络研究成果较为丰富。研究内容主要涉及航空（航线）网络演化与空间模式[3,4]、航班供给对国际旅游流的影响[5]、高铁可达性变化与客流空间特征[6~8]、铁路运输流动（物流）格局与空间格局重构[9,10]、经济社会要素流动与交通流的空间演变[11]等。在公路交通流方面，主要涉及基于城市间客货运量数据的物流网络构建[12,13]、基于公路流量的城市空间组织模式[14,15]以及公路交通旅游流的时空分异[16]等研究。高速公路是现代交通体系的重要组成部分，是区域联系的重要纽带。针对高速公路网，学者们围绕可达性格局与布局模式[17~19]、路网结构特征[20]、交通可达性与城镇化的空间耦合关系[21]及对区域旅游空间结构的影响[22]等方面展开了大量研究。但是，上述成果较少运用精准的高速公路流量大数据，这直接影响了研究的深度与广度[23]。高速公联网收费数据记录了车辆通行的时间、进出站、车型等信息，能够为深入挖掘交通流动特征提供基础支撑。有学者利用高速公路联网收费数据进行过交通网络空间格局与演化研究，其研究成果较好地揭示了高速公路流的距离衰减模式、高速公路网络的空间组织模式、网络结构演化和影响因素作用机制等[24~28]。然而，高速公路联网收费数据还可以进行更多层面和视角的分析。其中，车型信息可以实现对客、货车流空间流动格局的探讨，而客车流量能较好地反映客流的特征与空间规律，但目前很少有通过提取客车流量信息，对客流特征及其空间结构进行深入挖掘和研究。
随着“以人为本”理念的深入人心和逐步落实，交通和空间研究日益体现出人文关怀的特点，对客流规律的关注及其交通优化与服务提升成为日益重要的现实需求和理论课题。高速公路的建设和发展极大提升了区域经济与社会联系，带来显著的时空压缩效应，在客车（尤其是私家车）保有量大幅度提升的背景下，高速公路成为区域尺度中短距离旅行的主要出行方式之一。客车作为旅客的主要承载工具，其流量状况能客观真实地反映客流状况。随着智能化公路收费站数据管理系统的构建，为从地理学视角开展公路交通流动空间研究提供了可靠的数据支撑。为此，本文选择高速公路投资与建设一直处于全国领先水平，在全国具有典型性和示范意义的江苏省为研究案例地，基于高速公路联网收费站数据，提取客车流量数据，从流空间视角深入挖掘和精准刻画公路交通的客流空间格局以及网络结构特征，为有效揭示公路交通流的时空规律，优化公路交通与相关设施（产业）空间布局提供科学依据。

1 数据说明与研究方法

1.1 数据说明

本研究数据来源于江苏省高速公路中心，研究过程中获取了2011—2017年公路收费站联网数据，每条收费站数据记录了一辆车进入公路的相关信息，主要包括进出公路的收费站点名称、时间、车型等，经过数据清理，每年的收费站总数据量达到数亿条。2011年以后，江苏省高速公路网络已经成型，新建里程增速明显放缓，但路网上发生的流量增速却非常明显。2011年江苏省高速公路收费站点的进出站流量总和为5.88亿车次，到2017年底，江苏省高速公路收费站点的进出站流量总和突破了12.16亿车次，是典型的交通大数据，为交通流及其时空演化分析提供了精细的海量数据支撑。将经过快速网络化发展后的江苏高速公路作为研究对象，一方面是因为高速公路建设进入稳步优化阶段，另一方面是因为该阶段高速公路收费站数据更加完整、准确和可靠。基于数据的可获取性和完整性，本文主要选取2011年、2014年和2017年江苏省高速公路收费站客车通行数据进行流量分析，以期较好地反映路网成型后高速公路的客流变化及其空间流动特征。同时本文所有分析保留G25长深高速安徽省境内部分，以保证该路线的连通性。2011年、2014年和2017年高速公路收费站的分布格局如图1所示。
图1 2011年、2014年和2017年江苏省高速公路网及收费站点空间分布

Fig. 1 Spatial distribution of expressway network and toll stations in Jiangsu Province in 2011, 2014 and 2017

1.2 网络的定义与构建

1）高速公路O-D客流网络。图1呈现的是江苏省高速公路的实际物理网络，即节点为收费站、边为高速公路线路，均束缚于地理空间，一般适用于分析路网的可达性。本文为探讨收费站点之间的交通联系构建O-D流网络，以收费站为节点，站点间的O-D联系为边，站点间的客车年总流量为边权，形成有向加权网络。2011年、2014年和2017年高速公路客流网络的节点数分别为318、375和407，共形成了44 600、124 241和148 082条边，其空间格局如图2所示。
图2 2011年、2014年和2017年江苏省高速公路客流流动网络

为了可视化效果，此图仅呈现网络中流量前3.5%的边

Fig. 2 Expressway car flow network among tolls in Jiangsu Province in 2011, 2014 and 2017

2）县域客流联系网络。将属于县域行政区划内的收费站流量合并，以县域单元为节点（对范围较小、联系紧密的各地市主城辖区进行合并），县域间所有收费站往来的客流联系为边，构建基于高速公路客流的江苏省县域联系网络。由于在省界收费站车辆会结算费用，重新领卡计费，此时产生的收费记录不能够表征起始地-目的地之间的交通联系，为过境车流。因此，将省界收费站择选出来，根据其连接省市定义为外省市节点，包括上海市、浙江省、安徽省和山东省，以表示外省市与江苏省的客流联系（其中安徽省天长市处于江苏省省内联系的最短路径上，不一定为省外车流，因此，本文中将该节点流量单列，不与安徽省节点合并）。2011年、2014年和2017年江苏省高速公路客流的县域联系网络如图3所示。
图3 2011年、2014年和2017年江苏省高速公路客车流的县域联系网络

Fig. 3 County connection network of expressway car flow in Jiangsu Province in 2011, 2014 and 2017

1.3 加权度分布与位序规模法则

度（Degree）是图论或网络分析理论中节点的基本测度指标，它是指连接节点的边的数量。设节点i的度为ki，则在网络中任意选择一个节点，其度值恰好为k的概率为p（k），p（k）即为度分布函数，其实际物理意义是观测网络中节点度值的分布结构。在常见的交通网络中，实际物理路网大都为随机网络，而航空网络、交通流网络和道路对偶图等的度值分布大都表现为幂律分布）或指数分布形态，即大部分的节点度值较小，仅少量关键节点具有较高的度值（或加权度值），被称为具有无标度网络或无标度特征[29]。另一种表示度分布的方法是累积度分布函数P（k），它表示的是度不小于k的节点的概率分布。如果度分布符合幂律分布或指数分布，则其累积度分布函数符合一样的分布形态。加权度即为在加权网络中，连接节点的边权之和，对应的节点加权度值分布结构即为考察加权度分布函数或累积加权度分布函数。本文构建的江苏省高速公路客流网络中，加权度即为各收费站节点的年客车流量总和。
与度分布类似的，在城市地理领域，常采用位序-规模法则审视一定区域内的城镇体系规模结构。本文采用Zipf于1949年提出的城市位序-规模法则[30]对2011—2017年江苏省县域高速公路客流联系网络中各区县节点的流量规模等级结构进行分析。由于讨论的是县域节点的规模等级，不仅仅是节点之间的关系强度，因此，保留县域内部往来的客车流量参与计算，如南京市客车流量规模为其范围内收费站点的流量之和。
$ {\rm{ln}}{P_i}=a - q{\rm{ln}}i $
式中，i表示县域位序，Pi表示排名第i位的县域节点客车流量规模大小，a为常数，当q=1时，县域客车流量等级规模为位序-规模分布；当q>1时，各县域节点的客车流量规模等级差异较大，表现为明显的首位分布；当q<1时，县域节点的客车流量规模等级呈现出对数正态分布，高位次区县的流量规模不大。

1.4 组团结构分析模型

组团结构（community structure）是指一个网络可以划分为若干个组团，组团内部节点之间的联系紧密，而组团与组团之间的联系较为稀疏[31]，是隐藏在复杂联系关系中的集聚特征，这种结构还被称为社团结构或社区结构等。通过对组团结构的分析，可为规划、建设和完善与组团结构形态相匹配的多层次路网体系，优化城镇体系、道路交通与相关产业（如旅游业等）的空间布局，提高交通组织效率和服务水平奠定基础。
目前，挖掘组团结构的聚类算法很多，本文基于Newman快速算法[32]进行组团结构分析。其算法思想是将网络中的边全部剔除，将网络初始化为n个组团，即每个节点就是一个独立组团；然后，不断地添加边使得节点逐渐相互抱团，添加的原则基于模块度（modularity）指标，即每一次合并节点组团都朝着使网络模块度增量最大或减少最小的方向进行；不断合并组团直至网络合并为一个组团；最后，同样依据模块度值，在不断凝聚的过程中某一状态下具有最优的模块度，则认为该状态为网络的组团结构划分结果。模块度（Q）是Newman等人提出的[30]概念，是被广泛使用于组团结构识别方法中的经典指标。其值为对于某一种组团结构，计算每个组团内部边数（加权网络为权重和）与期望值之差，如公式（2）所示。
$Q=\sum\limits_j {\left( {{e_{jj}} - a_j^2} \right)} $
式中，ejj表示组团j内部边的数目（或权重和），aj表示一端与社团j中任意节点相连的边的数目（或权重和）。模块度值在0~1区间内，其值越大则表明组团结构越明显，实际网络中该值通常位于0.3~0.7之间。

2 高速公路的客流空间格局与网络等级结构特征

2.1 客流的总体规模

收费站进出站流量呈现明显的上升趋势，2011年收费站进出站总流量达到5.88亿车次，2014年，高速公路里程数量较2011年仅增加了366 km，收费站点的数目增加了57个，而收费站进出站总流量达到2011年的1.6倍。2017年，高速公路里程数比2014年仅增加204 km，收费站数量增加32个，但收费站总流量突破了13.46亿车次，为2014年的1.3倍，达到2011年的2.3倍。
客车流量在高速公路总流量中占有较高比重，从收费站数据来看，约达到总流量的70%左右。从年际变化来看，这个比重呈现逐步增大的趋势：2011年高速公路收费站进出站流量中有66.23%是客车流量，2014年该比重达到74.06%，到2017年突破了76.46%①(① 2012年中国开始实行在部分节假日高速公路对7座及以下客车免费的优惠政策，收费站数据不采集免费期间小客车通行的信息记录，即2014年和2017年实际客车流量更高。)。这表明，客车所贡献的流量增量超过货车流量，随着私家车保有量的增加，人们选择高速公路出行的频次显著攀升。2011年，江苏省高速公路收费站进出站的客车流量为3.90亿车次，2014年该值达到7.08亿车次，2017年突破10.29亿车次，增幅达到164.1%。依据收费站通行客车流量数据进行分析，能有效揭示高速公路的客流空间格局与网络结构特征（图4）。
图4 2011—2017年江苏省高速公路收费站进出站总流量、客车流量及收费站数量

Fig. 4 Total in and out traffic, car traffic and number of expressway toll stations in Jiangsu Province in 2011-2017

2.2 客流的空间格局

2011年、2014年和2017年各收费站点的进出站客车流量空间分布如图5所示。苏南和苏北的差距非常显著，2011年苏南地区收费站的客车流量达到6.26×107车次，占全省的64.2%，为苏北地区的1.8倍，2014年苏南地区收费站客车流量达到苏北地区的1.9倍，占全省的65.6%，到2017年，苏南苏北差距缩小，但仍然表现为1.7倍的差距。
图5 2011年、2014年和2017年江苏省高速公路收费站进出站客车流量空间分布

Fig. 5 Spatial distribution of in and out car traffic of expressway toll stations in Jiangsu Province in 2011, 2014 and 2017

流量的空间分布表现为跨江大桥收费站、市辖区收费站和省界收费站为高值的特征。① 从联系南北的跨江大桥收费站来看，2011年，苏通大桥、江阴大桥和南京长江三桥收费站是高值点。2012年4月江苏省苏南和苏北地区的高速公路计费系统合并，车辆到达跨江大桥收费站后无需结算费用即可继续通行，给南北跨江车流的通行带来便利。随着南北联系的进一步加强，跨江大桥南北区域，包括南京长江三桥、四桥连接的南京城区与南京浦口区，润扬大桥连接的镇江和扬州区域，泰州大桥连接的扬中和泰州区域，江阴大桥连接的无锡江阴和泰州靖江区域，苏通大桥连接的苏州和南通区域，以及崇启大桥启东地区都逐渐形成连片的高流量区域。②从市辖区收费站和省界收费站来看，进出站的客流量涨幅较高。苏北地区围绕市辖区收费站形成明显的点状高值区域，苏南地区市辖区收费站的流量更为显著，沿沪宁高速公路廊道显现南京、镇江、常州、无锡和苏州市辖区流量高值特征；与上海、浙江接壤的省界收费站点流量攀升趋势更为显著，到2017年，接近上海和浙江的苏州-无锡区域，集中心城市、跨省联系和跨江联系作用形成客流量高值连片区。

2.3 网络等级结构特征

1）收费站节点的客流量规模体系符合指数分布形式，即少数重要节点汇集了大量的客流量，且这种趋势逐步增强。2011年、2014年和2017年江苏省高速公路客流网络的累积加权度分布如图6所示，历年客流网络的累积加权度分布函数均符合指数分布形式（用幂律函数拟合，其R2均小于0.6），即表现为大部分的节点都具有较小的加权度值（即客流量），仅少数重要节点汇集了大量的客流量。2011年节点加权度值大于等于250×103的概率为0.8，而大于等于1 500×103的概率仅为0.2，即加权度值大于等于1 500×103的节点仅占网络节点数量的20%，而这些节点汇集的流量值高达250×106，为2011年总客流量的64.63%，其中，加权度前三的收费站节点为：花桥收费站（苏沪省界收费站）、江阴大桥（靖江南）收费站和苏通大桥收费站，可见江苏省东南区域的省际间交互和苏南苏北跨江联系客流量较大；2014年，网络中加权度值大于等于2 400×103的节点以20%的节点数占据了网络57.85%的客流量，达到400×106，其中，加权度前三的收费站为花桥收费站（苏沪省界收费站）、太仓主线收费站（苏沪省界收费站）和苏州收费站，集中在苏州片区，并以与上海的联系为主；到2017年，57.66%的客流量都汇集在加权度值大于等于3 000×103的20%节点上，汇集的流量达到530×106以上，加权度前三的收费站节点分别为：花桥收费站（苏沪省界收费站）、太仓收费站（苏沪省界收费站）和南京收费站，作为省会的南京，进出其市辖区的位于沪宁高速公路出入口的南京收费站流量显著攀升。
图6 2011年、2014年和2017年江苏省高速公路客流网络节点累积加权度分布

Fig. 6 Cumulative weighted degree distribution of the nodes of expressway car flow network of Jiangsu Province in 2011, 2014 and 2017

实际上，仅从度值（某一收费站点与多少个收费站有客流往来）看，除少部分新增收费站，其他节点的度值的大小相差不大，网络呈现规则全连通特征。而加权度分布表明加权网络具有无标度特征，这样的加权度分布结构表明由旅游、商业交流、探亲及通勤等为主要出行目的的客流向这些关键节点集聚，是讨论高速公路客流和服务业（如旅游业等）发展耦合关系的代表性节点和关键核心。同时，尽管2011—2017年，大多数流量汇集在少数节点的集聚特征有减弱趋势，网络中许多收费站的通行流量在不断地扩大，但仍然表现为高速路网整体的服务体量由这些少数节点决定的特征。这些节点如果出现拥堵或故障对于江苏省高速公路的运营与收费盈利都会造成较大的影响，因此，甄别关键收费站节点，加强其维护及流量监控工作对路网建设与服务能力具有重要意义。
2）县域节点的客流量规模体系具有明显的首位分布特征，且首位态势增强。保留外省流量，但不讨论上海、浙江、安徽和山东4个省域节点。根据位序-规模法则，拟合得到2011—2017年县域节点客流量位序-规模分布如图7所示。2011年其拟合方程为：lnPi=9.48-1.24lni，R2=0.8971，其中，q=1.24大于1，说明县域节点客车流量的规模等级呈现明显的首位分布特征，以苏州市辖区、无锡市辖区和南京市辖区的流量较高，位序前十的县域节点汇集了63.5%流量，而较多的苏北地区县域流量规模较小，差距较大。2014年江苏省尚未实现县县通高速公路的网络化布局，阜宁县、如东县和高淳县未纳入位序分析中，2014年县域节点客流规模体系的拟合方程为：lnPi=10.17-1.26lni，R2=0.8829，其中，q=1.26，较2011年q值略有增大，首位分布态势更为明显。2017年江苏省所有县域实现高速公路通达，县域节点客流规模体系同样表现为首位分布，拟合方程为：lnPi=10.69-1.27lni，R2=0.8722，其中，q=1.27与2014年略有增加，南京市辖区的客流规模攀升成为区域内首位，南京市辖区、苏州市辖区和无锡市辖区的客流规模仍然占据位序前列，流量均已经突破了6 000万车次，而有43.75%的县域节点流量不足600万车次，县域客流量的规模差异有略微扩大的趋势。
图7 2011年、2014年和2017年江苏省县域节点的客流位序-规模分布

Fig. 7 Ranking-scale distribution of expressway car traffic of counties in Jiangsu Province in 2011, 2014 and 2017

3 高速公路客流网络的组团结构

3.1 全省高速公路客流网络的组团结构分布特征

依据上述组团结构分析模型和模块度值的测度分析，可有效识别和划分江苏省高速公路客流网络的组团结构（图8），不同的颜色表示不同的组团，节点的大小表示该收费站点的总客流量。
图8 2011年、2014年和2017年江苏省高速公路客流网络的组团结构

Fig. 8 Community structure of expressway car flow network in Jiangsu Province in 2011, 2014 and 2017

1）从组团结构的演进来看，2011—2017年高速公路客流网络组团结构较为固化，由7个组团演进为8个组团。具体为：沿太仓主线收费站（苏沪省界收费站）通过苏通大桥，顺沿江苏东部沿海岸线的G15沈海高速公路形成组团a；在苏北地区的中部区域形成组团b，主要为沿G2京沪高速（苏鲁省界-靖州）延伸至G15沈海高速（靖州-南通）、S18盐淮高速（盐城-淮安）、S28启扬高速（海安-扬州）和G1515盐靖高速（盐城-靖州）线路形成“井”字形团体；在江苏西部和北部区域形成组团c，主要包括了徐州、连云港、宿迁和淮安区域的收费站点；在江苏省西南部G25长深高速（太湖苏浙省界-南京苏皖省界段）和S48沪宜高速（环太湖西岸段）上的收费站点形成车流来往密切的组团d；在苏南地区沿东至西包括了G42沪宁高速、高速和扬溧高速上的收费站点形成了组团e，该组团2014年后分裂成两个团体，其中，S38常合高速（常熟-南京）沿线和江阴大桥沿线仍然为组团e，其余部分沿沪宁高速公路（无锡-南京段）以及泰州大桥、润扬大桥和南京四桥上的收费站形成了往来联系紧密的组团f；苏州-无锡近上海和浙江地区收费站点的组团结构呈现出空间集聚特征，形成组团g；2017年组团g近上海省界区域和南京近安徽马鞍山省界区域形成新的组团，而原沿G50沪渝高速（苏沪主线-苏浙省界）上的组团h（粉色）与苏州-无锡片区的收费站点形成空间上邻近的群组。
2）从组团结构的空间格局来看，表现为沿高速公路路线分布的特征。这表明，尽管车辆可以去往高速路网通达的任意目的地，但在同一线路上的地区客流量往来更为紧密。但是，这个现象在路网布局更为密集、流量大小居高的苏州-无锡区域却不明显，该区域的组团结构表现出明显的空间邻近特征。这暗示着在路网较为稀疏的发展阶段，客流往来与路网线路走向与布局有着密切的关系，高速公路的建设与规划会对线路周边区域的发展具有明显的带动作用。另外，苏沪省界（苏州）与苏皖省界（南京）的收费站点组团表现出了空间跳跃性特征，表明有很多客流为过境客流，主要沿上海方向进入江苏省，从南京出江苏省流向安徽境内，表征着一定的跨省上海-安徽联系。

3.2 基于高速公路客流的县域联系网络组团结构

基于高速公路客流的县域联系网络组团结构如图9所示，该图中不同的颜色表示不同的组团，节点的大小表示该县域高速公路客流量（组团结构计算过程不考虑县域内部往来的客流量），节点的位置由它和其他节点的紧密联系决定。
图9 2011年、2014年和2017年基于高速公路客流的江苏省县域联系网络组团结构

Fig. 9 Community structure of county connection network based on the expressway car flow in Jiangsu Province in 2011, 2014 and 2017

1）以市辖区为核心节点形成5个组团，空间邻近特征显著。具体为：①以南京市辖区为关键节点，包括徐州市辖区、淮安市辖区、宿迁市辖区等在江苏省西部形成组团a，组团a一直保持规模最大，并不断扩张，包括连云港市辖区、盐城市辖区等江苏中北部县域都先后融入该组团中；②以南通市辖区为关键节点，主要由江苏东部沿海县域形成组团b，随着连云港-盐城地区与徐州-淮安地区客流联系的不断加强，这些县域逐渐脱离组团b，使得组团b成为规模最小的群组；③以常州市辖区、镇江市辖区为关键节点，在苏南西部地区形成组团c，包括句容市、溧水县等，组团的规模有缩小的趋势，其内部节点与无锡市及其下辖县域逐步并入组团d；④以苏州市辖区为关键节点，在江苏东南部形成与上海、浙江省际联系紧密的组团d，组团d不断扩张，逐渐包括了苏州和无锡辖属的所有区县；⑤由扬州和泰州及其下辖县域组成规模较小的组团e，组团e的规模大小较为稳定，这些县域与江苏中北部徐州、连云港、宿迁等的客流联系强度不够大，同时，由于自然阻隔长江的存在，造成它们同苏南地区的苏州、无锡、常州等区域联系强度也不足够紧密，从而形成了相对独立的群组。到2017年，基本形成了组团a南京-宿迁-徐州-连云港-淮安-盐城、南通组团b、常州-镇江-溧水组团c、苏州-无锡组团d和扬州-泰州组团e。
2）组团间联系越发紧密，跨江联系不断加强。从图9中组团的位置来看，2011年，组团结构受到自然阻隔长江的影响较为显著，明显的划分为长江以南（组团c和组团d）和长江以北（组团a、组团b和组团e）2个片区，跨江大桥所属的县域成为连接组团的中介节点；随后，跨江联系进一步攀升，组团a与扬泰城市组团e和常镇城市组团c联系不断加强，整个县域联系网络呈现出组团不断抱紧的趋势。
3）省外联系加强，邻近省份在组团中的地位逐步攀升。由于山东、安徽与苏北地区客流来往密切，这两个省份被划分到组团a中，随后，山东省逐渐成为该组团中的中心节点，组内各县域节点均与山东有较多的客流往来；安徽省与组团e的扬州市辖区、高邮市等县域联系加强，其位置不断向南倾斜，随着安徽省与苏南地区高速公路的打通，2017年节点安徽从组团a中剥离，进入组团c，但仍和组团a联系紧密；上海归属于组团d，同时，它一直与南通组团b和扬泰城市组团e的联系也十分紧密，与江苏省省际联系最强；浙江一直与苏南各县域保持强联系，逐渐并入组团d，上海、浙江成为苏州-无锡组团结构形成的重要节点。

4 结论与讨论

本文依据江苏省高速公路联网收费站数据，选择客车通行数据，从流动性视角对江苏省高速公路的客流空间格局与网络组团结构特征进行了探讨，得出如下主要结论：
1） 海量的高速公路联网收费数据是分析和揭示交通流动特征和空间结构演化的重要数据支撑，通过分析客流量数据和构建流网络，可甄别关键收费站节点并分析客流空间结构特征，实现从数据驱动角度对公路交通客流网络的时空规律与结构特征的理论解析和模型提炼，可为动态化、精细化和定量化分析交通网络提供新的研究视角和方法工具，并为优化公路交通与相关设施（产业）空间布局提供科学依据。
2） 对江苏省高速公路联网收费客车通行数据的提取和分析表明，近年来，江苏省高速公路客流量显著攀升，占总流量比重逐年增加。客流量的空间分布呈现以中心城市收费站、省界收费站及跨江大桥收费站为高值区域的特征，整体上苏南和苏北差异显著。
3） 通过复杂性测度指标的基本分析，发现江苏省高速公路客流网络具有明显的无标度特征和组团结构，具体表现为：① 网络的加权度累积分布符合指数分布形式，即大部分的收费站节点都具有较小的客流量，仅少数重要收费站节点汇集了大量的客流量。这些节点如果出现拥堵或故障对于江苏省高速公路的运营与收费盈利都会造成较大的影响，因此，甄别关键收费站节点，加强其维护及流量监控工作对路网建设与服务能力具有重要意义；② 网络的组团结构明显，基本上可以划分为8个组团，不同组团的收费站点在空间上表现为沿高速公路路线分布的特征，表明高速公路的建设与规划对带动线路周边区域的发展具有明显的作用。
4） 通过构建县域间高速客流联系网络，可进一步探讨县域联系的强度和方向，并提炼出县域节点流量规模的等级结构及组团结构特征，具体表现为：① 县域节点客流量的位序-规模具有明显的首位分布特征，苏南地区市辖区节点的流量规模较大，以南京市辖区、苏州市辖区和无锡市辖区为首，而中小规模的县域节点数目较多，与高位次县域节点的流量规模相差较大，等级差异显著，且这种差异有逐渐增加的趋势；② 以区域市辖区节点为核心的组团结构特征明显，到2017年，形成了苏州-无锡组团、常州-镇江-溧水组团、南京-宿迁-徐州-连云港-淮安-盐城组团、扬州-泰州组团和南通组团五大组团。
要说明的是，获取高速公路收费站联网大数据实属不易，本研究虽然获得了2011—2017年的数据并提取了客车流量数据，但还不能获取每辆客车承载旅客的准确人数和总体规模，今后需收集更多年份的相关数据，以便在更长的时间尺度分析公路交通的客流时空格局，更加准确地刻画其演化特征。此外，本文仅分析了高速公路的客流空间格局与组团结构，对高速公路客流空间格局演化机制等方面的研究还有待深化。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Jin C, Xu J, Lu Y et al. The impact of Chinese Shanghai-Nanjing high-speed rail on regional accessibility[J]. Geografisk Tidsskrift-Danish Journal of Geography, 2013, 113(2): 133-145.

DOI

[2]
Sheller M, Urry J. The new mobilities paradigm[J]. Environment & Planning A, 2006, 38(2): 207-226.

[3]
Lordan O, Sallan J M, Simo P. Study of the topology and robustness of airline route networks from the complex network approach: A survey and research agenda[J]. Journal of Transport Geography, 2014, 37(5): 112-120.

[4]
金凤君, 王成金. 轴—辐侍服理念下的中国航空网络模式构筑[J]. 地理研究, 2005, 24(5): 774-784.

DOI

Jin Fengjun, Wang Chengjin. Hub-and-spoke system and China aviation network organization. Geographical Research, 2005, 24(5): 774-784.

DOI

[5]
Alderighi M, Gaggero A A. Flight availability and international tourism flows[J]. Annals of Tourism Research, 2019, 79(11): 102642

[6]
Shaw S L, Fang Z, Lu S et al. Impacts of high speed rail on railroad network accessibility in China[J]. Journal of Transport Geography, 2014, 40(3): 112-131.

[7]
Wang L. High-speed rail services development and regional accessibility restructuring: The case of the Yangtze River Delta, China[J]. Transport Policy, 2018, 72(9): 34-44.

[8]
吴康, 方创琳, 赵渺希, 等. 京津城际高速铁路影响下的跨城流动空间特征[J]. 地理学报, 2013, 68(2): 159-174.

DOI

Wu Kang, Fang Chuanglin, Zhao Miaoxi et al. The intercity space of flow influenced by high-speed rail: A case study for the rail transit passenger behavior between Beijing and Tianjin. Acta Geographica Sinica, 2013, 68(2): 159-174.

DOI

[9]
王成金. 城际集装箱交流枢纽的识别及其物流特征——以中国铁路运输为例[J]. 地理学报, 2010, 65(10): 1275-1286.

DOI

Wang Chengjin. Identification of inter-urban container transport hubs and their spatial characteristics: A case study of railway transportation in China. Acta Geographica Sinica, 2010, 65(10): 1275-1286.

DOI

[10]
Chen C L. Reshaping Chinese space-economy through high-speed trains: Opportunities and challenges[J]. Journal of Transport Geography, 2012, 22(1): 312-316.

[11]
张敏, 顾朝林. 近期中国省际经济社会要素流动的空间特征[J]. 地理研究, 2002, 21(3): 313-323.

DOI

Zhang Min, Gu Chaolin. Spatial characteristics of the recent inter-provincial flow of social-economic elements in China. Geographical Research, 2002, 21(3): 313-323.

DOI

[12]
徐建, 曹有挥, 孙伟. 基于公路运输成本的长三角轴—辐物流网络的构建[J]. 地理研究, 2009, 29(4): 911-919.

DOI

Xu Jian, Cao Youhui, Sun Wei. Construction of hub-and-spoke logistics network based on road traffic cost in Yangtze River Delta. Geographical Research, 2009, 29(4): 911-919.

DOI

[13]
王鑫磊, 王圣云. 中部地区“轴—辐”物流网络构建: 基于公路和铁路运输成本的分析视角[J]. 地理科学进展, 2012, 31(12): 1583-1590.

DOI

Wang Xinlei, Wang Shengyun. The Hub-and-Spoke logistics network system in central China based on road and railway transportation cost. Progress in Geography, 2012, 31(12): 1583-1590.

DOI

[14]
王海江, 苗长虹, 牛海鹏, 等. 中国中心城市公路客运联系及其空间格局[J]. 地理研究, 2016, 35(4): 745-756.

Wang Haijiang, Miao Changhong, Niu Haipeng et al. Highway passenger transport contact and its spatial distribution in the central cities of China. Geographical Research, 2016, 35(4): 745-756.

[15]
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.

DOI

Chen Wei, Liu Weidong, Ke Wenqian et al. The spatial structures and organization patterns of China’s city networks based on the highway passenger flows. Acta Geographica Sinica, 2017, 72(2): 224-241.

DOI

[16]
戢晓峰, 戈艺澄, 陈方. 基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017 年7 个节假日为例[J]. 旅游学刊, 2019, 34(6): 37-47.

Ji Xiaofeng, Ge Yicheng, Chen Fang. Spatial and temporal differentiation characteristics of holiday tourism flow based on highway traffic flow big data: A case study of 7 holidays in 2017 in Yunnan province. Tourism Tribune, 2019, 34(6): 37-47.

[17]
王成金, 程佳佳. 中国高速公路网的可达性格局及演化[J]. 地理科学, 2016, 36(6): 803-812.

Wang Chengjin, Cheng Jiajia. Spatial pattern of expressway network accessibility and evolution in China. Scientia Geographica Sinica, 2016, 36(6): 803-812.

[18]
Ribeiro A, Antunes A P, Páez A. Road accessibility and cohesion in lagging regions: Empirical evidence from Portugal based on spatial econometric models[J]. Journal of Transport Geography, 2010, 18(1): 125-132.

DOI

[19]
王成金. 中国高速公路网发展演化及区域效应研究[J]. 地理科学进展, 2006, 25(6): 126-137.

DOI

Wang Chengjin. Regional impaction and evolution of express way networks in China. Progress in Geography, 2006, 25(6): 126-137.

DOI

[20]
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.

Li Xiamiao, Wang Guoming, Hu Zhengdong et al. Identifying hierarchical structure and community structure of the traffic networks of urban agglomeration. Systems Engineering, 2012, 30(5): 81-88.

[21]
汪德根, 孙枫. 长江经济带陆路交通可达性与城镇化空间耦合协调度[J]. 地理科学, 2018, 38(7): 1089-1097.

Wang Degen, Sun Feng. Geographic patterns and coupling-coordination between urbanization and land transportation accessibility in the Yangtze River Economic Zone. Scientia Geographica Sinica, 2018, 38(7): 1089-1097.

[22]
李一曼, 修春亮, 孔翔. 浙江陆路交通对区域旅游空间结构及发展的影响研究[J]. 地理科学, 2018, 38(12): 2066-2073.

Li Yiman, Xiu Chunliang, Kong Xiang. Influence of land transportation network evolution on spatial structure and development of regional tourism in Zhejiang Province. Scientia Geographica Sinica, 2018, 38(12): 2066-2073.

[23]
刘法建, 张捷, 章锦河, 等. 旅游流空间数据获取的基本方法分析——国内外研究综述及比较[J]. 旅游学刊, 2012, 27(6): 101-109.

Liu Fajian, Zhang Jie, Zhang Jinhe et al. Analysis of the basic method of collecting the spatial data of tourist flows: A study review and comparison both at home and abroad. Tourism Tribune, 2012, 27(6): 101-109.

[24]
陈卓, 金凤君, 王姣娥. 基于高速公路流的东北大都市区边界识别与结构特征研究[J]. 地理科学, 2019, 39(6): 929-937.

Chen Zhuo. Spatial boundaries and structural characteristics of metropolitan areas in Northeast China: A study using the data of expressway flows. Scientia Geographica Sinica, 2019, 39(6): 929-937.

[25]
陈卓, 金凤君, 杨宇, 等. 高速公路流的距离衰减模式与空间分异特征——基于福建省高速公路收费站数据的实证研究[J]. 地理科学进展, 2018, 37(8): 1086-1095.

DOI

Chen Zhuo, Jin Fengjun, Yang Yu et al. Distance-decay pattern and spatial differentiation of expressway flow: An empirical study using data of expressway toll station in Fujian Province. Progress in Geography, 2018, 37(8): 1086-1095.

DOI

[26]
柯文前, 陆玉麒, 陈伟, 等. 高速交通网络时空结构的阶段性演进及理论模型[J]. 地理学报, 2016, 71(2): 281-292.

DOI

Ke Wenqian, Lu Yuqi, Chen Wei et al. Evolutionary stages and theoretical model of high-speed traffic network spatio-temporal structure. Acta Geographica Sinica, 2016, 71(2): 281-292.

DOI

[27]
柯文前, 陆玉麒, 朱宇, 等. 交通流网络的时空特征解析——基于张量分解方法视角[J]. 地理科学, 2016, 36(11): 1679-1687.

Ke Wenqian, Lu Yuqi, Zhu Yu et al. Traffic flow network spatio-temporal characteristics analysis: Basis on the tensor decomposition method perspective. Scientia Geographica Sinica, 2016, 36(11): 1679-1687.

[28]
靳诚, 徐菁, 黄震方, 等. 基于高速公路联网收费数据的江苏省交通流动特征与影响因素[J]. 地理学报, 2018, 73(2): 248-260.

DOI

Jin Cheng, Xu Jing, Huang Zhenfang et al. Analysis of regional traffic flow characteristics and influence factors based on expressway network toll collection data: A case study in Jiangsu Province. Acta Geographica Sinica, 2018, 73(2): 248-260.

DOI

[29]
Barabási A L, Albert R. Emergence of scaling in random networks[J]. Science, 1999, 286(10): 509-512.

[30]
Zipf G K. Human behavior and the principle of least effort: An introduction to human ecology[M]. New Jersey: Addison Wesley, 1949.

[31]
Newman M E J, Girvan M. Finding and evaluating community structure in networks[J]. Physical Review E, 2004, 69 026113

DOI

[32]
Newman M E J. Fast algorithm for detecting community structure in networks[J]. Physical Review E, 2004, 69 066133

DOI

Options
Outlines

/

〈 〉