2024-Structure and dynamics of urban freight truck movements: A complex network theory perspective


城市货运为什么收成枢纽放射,而不是地点之间均匀互连?

论文名片|Yitao Yang、Bin Jia、Xiao-Yong Yan、Yan Chen、Lóránt Tavasszy、Michiel de Bok、Zhuotong Bai、Erjian Liu、Ziyou Gao,Structure and dynamics of urban freight truck movements: A complex network theory perspective,Transportation Research Part C: Emerging Technologies,2024,158:104442。2023年12月2日在线发表,期刊卷期为2024年第158卷。DOI:10.1016/j.trc.2023.104442。本文依据该正式版本解读。

一辆载重超过12吨的货车离开物流园。下一站可以是附近任意一座仓库,也可以是已经和很多客户保持来往的地点。前一种走法会把连边铺开;后一种会让少数地点既挂着许多小节点,又彼此对接。路网密不密,是另一条可能的线索:货流大的地方,也许只是因为旁边高等级道路更密。

这项研究用2018年5月18日至31日的重型货车轨迹,在北京、上海、重庆、天津把货运兴趣点连成加权网络。四座城市的连边都偏向短距离和高度数地点,高度数地点之间又越来越密。一个在真实地点上逐步加边的模型,把直线距离、节点强度和“复制已有伙伴”放在一起,能在图上跟上这些形态。北京的道路密度与货流量相关没有给出低于0.05的p值;吸引参数、距离尺度和间接作用强度的估计值,正文也没有列出。

先说结论

  • 四市网络的节点与边来自表1:北京15,983个节点、207,264条边,上海16,094个节点、436,172条边,重庆10,629个节点、203,203条边,天津10,697个节点、216,724条边。按无向网络计算的平均度数2E/N分别约为25.9、54.2、38.2和40.5,分母是各市节点数。
  • 度数服从截断幂律。图6给出的幂指数γ为北京1.85、上海1.62、重庆1.54、天津1.56;连边直线距离的指数特征尺度为7.8、8.8、17.1和10.2千米。特征尺度是拟合曲线的尺度参数,平均运距正文没有报告。
  • 富人俱乐部系数随度数升高并在高度数处接近1。节点对里较大的那个度数偏向高值,较长距离的连边仍然经过高度数节点。这是枢纽放射的截面形态。
  • 边权并不均匀。高度数地点的加权邻居度和加权聚类系数,相对各自的无权版本更高;低度数地点的加权聚类系数低于无权版本。图8标出的Jaccard均值,四市真实网络为0.550、0.510、0.508、0.501。
  • 生长模型的点与上述分布叠在一起。正文称吻合良好,同时没有给出α、典型尺度r_c、间接强度σ,也没有给出相似度或误差。模型校准的是这两周的截面,地点坐标来自已经存在的兴趣点。

这两周的轨迹,汇总成什么样的网络?

数据来自全国道路货运车辆公共监管与服务平台,对象是载重超过12吨的货车。2018年5月18日至31日共有260万辆货车的410亿条轨迹记录,字段包括车辆编号、时间、经纬度、速度和方向角。这是全国平台上的两周,四市网络是其中能匹配到本市货运兴趣点的部分。各市留下多少辆车、多少次行程,正文没有单列。

地点来自高德地图的货运相关兴趣点,包括货运公司、市场、物流设施和交通枢纽,使用名称和坐标。行程端点用作者此前的识别算法从连续轨迹中切出,再按地理邻近连到兴趣点。这篇论文没有重述停留时间阈值和匹配半径。

每个节点是一处货运兴趣点,每条边是地点之间的货车移动,边权是货车行程次数。后文的度数、聚类和Jaccard都按有无连接计算,去程和回程没有分开报告。节点强度是连在该点上的边权之和,图1用它给地点着色;色标范围是10⁰到10⁵,表示图例的刻度,正文没有逐城报告最大强度。

完整原论文图1

图 1|单车轨迹怎样变成四座城市的货运网络?

(a)左侧按车辆把GPS轨迹连到货运兴趣点,右侧把全部车辆汇总成地点之间的空间交互;虚线、仓库图标和实线分别表示轨迹、兴趣点和汇总后的连边。(b)北京,比例尺25千米。(c)上海,比例尺20千米。(d)重庆,比例尺75千米。(e)天津,比例尺30千米。b–e中点的大小和颜色表示节点强度,色标由10⁰到10⁵,画在天津一幅上。来源:原论文 Fig. 1。

四座城市被选来代表不同的面积、人口、经济和路网。表1的面积一列与正文使用同一组数字,重庆一格就是正文写出的82,403 km²,因此这一列按平方千米读。人口、地区生产总值和道路长度在表中没有单位,下面只转述原数:上海的GDP数字32,680最高,天津的人口1,560、GDP 18,810和道路长度16,257在四市中较低,重庆面积最大。这些背景数字描述城市差异,网络结论的直接分母仍是节点和边。

城市 面积 GA(km²) 人口 POP GDP 道路长度 RL 节点 N 边 E Moran’s I Geary’s C
北京 16,410 2,154 30,320 22,256 15,983 207,264 0.43 0.39
上海 6,341 2,424 32,680 13,106 16,094 436,172 0.52 0.23
重庆 82,403 3,102 20,363 157,483 10,629 203,203 0.71 0.15
天津 11,920 1,560 18,810 16,257 10,697 216,724 0.65 0.18

人口、GDP和道路长度保持表中原数。Moran’s I和Geary’s C度量的是各地点进出货车流量的空间自相关,解释见下一节。

货流量大的地点,周围的高等级道路也更密吗?

路网关系只以北京为例。道路来自OpenStreetMap,保留高速公路、主干路、次干路和支路四类。每个货运地点生成一个泰森多边形:多边形内部任意一点到该地点的距离,短于到其他货运地点的距离。道路密度等于多边形内该类道路的总长度除以多边形面积,单位是km/km²。然后计算地点货流量与这四类密度的皮尔逊相关系数。

完整原论文图2

图 2|货运地点和四类道路怎样放进同一个空间单元?

(a)北京的高速公路、主干路、次干路和支路,比例尺25千米。(b)全部节点的泰森多边形,点的大小和颜色仍表示节点强度。(c)多边形内部的放大,灰线是多边形边界。这一张说明密度算在哪个面积上,相关数字在图4。来源:原论文 Fig. 2。

图4把四类道路分开。高速公路与货流量的相关系数r=0.1521,p=0.1669;主干路r=0.2038,p=0.0627;次干路r=−0.0292,p=0.1384;支路r=−0.1273,p=0.0801。四个p值都高于0.05。分箱均值的方向与文字描述一致:货流量较低的箱子里,高速公路和主干路密度的均值较低,次干路和支路密度的均值较高;货流量较高的箱子方向相反。正文没有说明p值按全部15,983个地点计算,还是按分箱后的点数计算。在这组已印刷的检验里,四类道路密度都没有跨过0.05的门槛。

完整原论文图4

图 4|北京的货流量和周围道路密度有多强的线性关系?

(a)高速公路。(b)主干路。(c)次干路。(d)支路。四幅地图的比例尺都是25千米。(e–h)对应四类道路的密度箱线图,横轴是地点货流量,纵轴是道路密度(km/km²),灰点是地点,箱内圆点是分箱均值。图中印刷的r和p值分别为0.1521与0.1669、0.2038与0.0627、−0.0292与0.1384、−0.1273与0.0801。来源:原论文 Fig. 4。

货流相近的地点靠在一起,和地点本身挤在一起,是同一件事吗?

Moran’s I和Geary’s C用的是地点进出货车流量。I为正表示流量相近的地点在空间上靠近;C小于1表示邻近地点的流量差小于随机排布时期望的差,C大于1则表示邻近地点更不相似。四市的I都为正,C都小于1。重庆的I为0.71、C为0.15,在四市中聚集信号最强;北京的I为0.43、C为0.39,聚集信号最弱。这里的聚集是流量取值的空间自相关。它回答“大货流地点是否彼此靠近”,还没有回答兴趣点坐标本身是否比随机点更挤。

坐标的聚集用论文定义的Ripley’s F函数F(r)。对每个地点,数出直线距离小于r的其他地点,再按地点数和平均密度换算;作者给出,点若近似均匀,F(r)接近πr²。平均密度按N/A估计,A是包含全部点的区域面积。图中的随机基线就是这条πr²,它把城市区域看成均匀的泊松点过程,没有先扣除山地、水面或建成区形状。

完整原论文图5

图 5|货运地点在多远的半径内比均匀随机更聚集?

(a)北京,观察曲线与πr²交于65千米,横轴至100千米。(b)上海,交于69千米,横轴至100千米。(c)重庆,交于41千米,横轴至70千米。(d)天津,交于42千米,横轴至80千米。实线是观察模式,虚线是πr²。短半径上实线高于虚线,超过交点后实线低于虚线。来源:原论文 Fig. 5。

交点之前,地点对比均匀随机更集中;交点之后,曲线落到πr²下面。重庆和天津的交点在41千米和42千米,北京和上海在65千米和69千米。作者据此认为,前两市的地点聚集压在更短的距离内,后两市的聚集铺得更开。这个比较的基线是全市均匀随机,建成区本身集中在市域一侧时,短距离上也会高出πr²。

少数地点如何把网络收成枢纽放射?

度数kᵢ是地点i的邻居数。四市的度数分布被拟合为截断幂律p(k)~(k+Δk)^(−γ)e^(−k/kₓ)。图6的拟合式为:北京(k+13)^(−1.85)e^(−k/134),上海(k+18)^(−1.62)e^(−k/167),重庆(k+12)^(−1.54)e^(−k/176),天津(k+14)^(−1.56)e^(−k/181)。多数地点度数低,少数地点度数高;指数截断使分布在大度数处下降更快,纯幂律并没有延伸到任意大的度数。正文把北京较高的γ读成更集中的枢纽结构,把上海、重庆、天津较低的γ读成连接更分散。γ描述的是度数分布的陡峭程度,枢纽的具体业态没有按兴趣点类别拆开。

连边距离d是两端兴趣点的直线距离,单位千米。距离分布拟合为P(d)~e^(−d/r_d),r_d为北京7.8、上海8.8、重庆17.1、天津10.2。重庆的尺度最长,上海最短。图的近距离段比这条指数线更平,指数线主要跟上衰减的那一段,所以r_d是这条拟合的特征尺度。

富人俱乐部系数RC(k)=E₍>k₎/[N₍>k₎(N₍>k₎−1)/2]。分子是度数大于k的节点之间实际有多少边,分母是这些节点两两之间全部可能的边数。RC(k)随k上升,在足够大的k处接近1。高度数地点之间几乎彼此相连;低度数处的系数远低于1。接近1的那个俱乐部有多少个地点,正文没有按k报告N₍>k₎。

完整原论文图6

图 6|度数、距离和富人俱乐部,真实网络和模型各是什么形状?

(a–d)北京、上海、重庆、天津的度数分布。品红为真实数据,青色为模型,黑线为截断幂律;拟合式依次为(k+13)^(−1.85)e^(−k/134)、(k+18)^(−1.62)e^(−k/167)、(k+12)^(−1.54)e^(−k/176)、(k+14)^(−1.56)e^(−k/181)。(e–h)连边直线距离分布,黑线为e^(−d/7.8)、e^(−d/8.8)、e^(−d/17.1)、e^(−d/10.2),d以千米计。(i–l)富人俱乐部系数RC(k),四市都随k上升并在高度数端接近1。来源:原论文 Fig. 6。

只看度数分布,还会漏掉“低度数地点连向谁”。作者对每条连边取两端度数的较大值,再和直线距离一起作二维概率。较大度数集中在高值一侧,和“大多数地点度数很低”的边际分布放在一起,表示低连接地点倾向于连上高连接地点。距离拉长时,概率质量仍留在较大度数较高的区域。作者把这张图读成枢纽放射:枢纽是城市内部跨区域转运的主要接点,边远地点相对孤立。图7a是结构示意,b–e才是四市连边的概率。

完整原论文图7

图 7|长距离连边是否仍然经过高度数地点?

(a)枢纽放射示意:红点为高连接节点,蓝点为低连接节点,底图不作为实测货流。(b)北京。(c)上海。(d)重庆。(e)天津。热力是连边落入“较大度数×直线距离”格子的概率,色标约从10⁻⁵到10⁻²;上方直方图是较大度数的边际,左侧直方图是距离的边际。重庆的距离质量更靠外,天津更靠短距离。来源:原论文 Fig. 7。

四市差异也写在这组图里。重庆的r_d为17.1千米,节点对距离相对更长,作者将其与82,403 km²的市域面积放在一起理解。上海的r_d为8.8千米,连边更局部。天津的节点对距离更集中于短距离。北京和上海的较大度数分布比重庆更铺开。这些是连边统计的城市差异,还没有换成运输成本或排放差。

连边的重量和伙伴重叠,分别堆在哪一类地点上?

邻居的平均度数有两个版本。无权版本把每个邻居同等看待;加权版本按连边重量加权。若较重的边更常连向高度数邻居,加权值就大于无权值。按度数分组后,四市的比值〈kₙₙ〉ʷ(k)/〈kₙₙ〉(k)都随k上升,并位于等于1的虚线之上。边权因此是不均匀的,高度数地点上的不均匀更明显。正文指出北京这条比值上升更慢、最大值更低;图上北京的右端也低于其余三市。

聚类系数看一个地点的邻居之间有没有互相连接。加权版本若大于无权版本,说明构成三角形的那些边更重。比值Cʷ(k)/C(k)随k上升:低度数一端低于1,高度数一端达到或超过1。高度数地点组成的局部集团连着较重的边;低度数地点组成的局部集团,内部边权通常更低。作者用末端配送点举例说明后一种情况,节点数据本身没有标注是否为末端点。

完整原论文图8

图 8|边权偏向谁,地点之间又共享多少伙伴?

(a–d)加权与无权的邻居平均度数之比,虚线为1;四市比值随度数上升,北京右端低于上海、重庆和天津。(e–h)加权与无权聚类系数之比,虚线为1;低度数低于1,高度数升到1附近或以上。(i–l)Jaccard系数分布。图中印刷的真实均值与模型均值为:北京0.550与0.565,上海0.510与0.486,重庆0.508与0.538,天津0.501与0.465。分布在0.4到0.5附近达到高峰。来源:原论文 Fig. 8。

Jaccard系数Jacᵢⱼ=|Γ(i)∩Γ(j)|/|Γ(i)∪Γ(j)|。分子是两个地点的共同邻居数,分母是两边邻居并集的大小。图注写明均值针对全部节点对。四市真实均值都在0.50上下,峰在0.5附近,0附近的概率质量很低。按表1的无向简单图计算,边占全部可能节点对的比例约为北京0.162%、上海0.337%、重庆0.360%、天津0.379%,分母是N(N−1)/2。在这样的密度下,若每一个节点对都进入Jaccard分布,大量没有共同邻居的对会把均值拉向0。图上的分布几乎没有这堆0。因此0.50到0.55是图中那组节点对的平均值;正文没有说明是否先去掉了邻居集为空或不相交的对。它可以支持“被纳入这张分布的地点对有不低的伙伴重叠”,还不能直接换成“任意两个货运地点都有一半伙伴相同”。

图9把上述比较画成示意。高连接子图里,加权邻居度高于无权邻居度,加权聚类系数不低于无权聚类系数。低连接子图里,加权聚类系数低于无权聚类系数。最后一幅用3/5演示Jaccard的算法,这个分数是示意图上的五个邻居里有三个相同,不是四市的实证均值。

完整原论文图9

图 9|高连接、低连接和伙伴重叠在示意里如何区分?

(a)城市轮廓上的高连接节点与低连接节点,属于结构示意。(b)高连接节点i及其邻居,连边粗细表示作用强弱;加权邻居平均度大于无权版本,加权聚类系数不低于无权版本。(c)低连接节点j及其邻居,加权聚类系数低于无权版本。(d)节点m与n的共同邻居示意,图中的Jaccard写为3/5。来源:原论文 Fig. 9。

在已经存在的地点上加边,模型复现了哪些形态?

模型要解释的是:截断幂律、短距离连边、富人俱乐部、边权随度数加重,以及伙伴重叠,能否由同一套加边规则长出来。地点坐标不是模型生成的。每一步从该市尚未入网的货运兴趣点中随机抽一个新节点,长到设定的网络规模为止。正文没有另给一个不同于真实节点数的目标规模。

初始网络是5个随机地点的全连接图,每条边权重w₀=1。这两个数被固定,不参与估计。新节点n以概率Pᵢ∝sᵢ^α·e^(−dₙᵢ/r_c)挑选一个已有地点i作为复制对象。sᵢ是i当前的节点强度,α调节强度的吸引力,dₙᵢ是n与i的直线距离,r_c是距离尺度。被复制地点的全部邻居成为候选伙伴。n只连接其中一半,每个候选j再按P₍n,j₎∝sⱼ^α·e^(−dₙⱼ/r_c)抽取。一半是简化规则,奇数个邻居如何取整,正文没有说明。

新边的直接重量设为1。作者同时设一条间接作用σ:n连上j之后,还通过j接触j的邻居。j的强度加上1+σ;σ再按j的各邻居强度占邻居强度总和的比例,分到j与这些邻居的既有边上。于是一条新的枢纽连接会抬高枢纽周围已有边的重量。作者把〈kₙₙ〉和聚类比值随k上升,归到这种外溢。

完整原论文图3

图 3|新地点加入时,拓扑和边权分别按什么规则更新?

(a)初始为5个节点的全连接网络,边权为1,每个节点对应城市中的一处货运地点。(b)从剩余地点中随机加入节点n。(c)按强度与距离挑选被复制节点i,i的邻居是候选连接。(d)n按同样的强度和距离规则,连接i的一半邻居。(e)这一步结束后的拓扑。(f)每条新边的直接重量为1,并使被连接节点的强度增加w₀+σ。(g)σ按邻居强度的比例改写已有边的重量,邻居强度同步增加。来源:原论文 Fig. 3。

α、r_c和σ用基于图相似度的方法估计,目标是尽量复现真实网络的结构。估计值和相似度都没有印刷出来。图6里,模型的度数、距离和富人俱乐部与真实点叠在同一套坐标上;重庆的距离分布在中长距离处,模型点略高于真实点。图8里,两类比值的上升和Jaccard的单峰也被模型跟上。Jaccard均值的差距为百分之一个位数:北京模型0.565、真实0.550;上海模型0.486、真实0.510;重庆模型0.538、真实0.508;天津模型0.465、真实0.501。上海和天津的模型均值低于真实均值。每个城市图上是一套模型点,不同随机种子的波动没有画出。

作者对各项拟合的机制解释是:强度偏好使新地点更常连向已经很大的地点,从而拉出截断幂律;距离项使新连接更常落在近处;复制规则使成功地点的伙伴关系被反复沿用,高度数地点在扩张中彼此相连;间接作用σ使枢纽周围的边越来越重。这些句子解释的是模型规则与图6、图8的对应。规则是事先写入的,参数又按同一批结构指标校准,因此图上的贴近表示这套规则足以产生类似形态。它还没有把距离、强度和复制拆开,也没有用下一段时间的新地点做核对。

这些证据停在哪一层?

网络描述的是2018年5月18日至31日、载重超过12吨的货车,以及能匹配到高德货运兴趣点的行程。面包车、小货车和末端配送车辆不在这张网里。一个在重型货车网中度数很低的地点,仍可能是小车辆的集散点。直线距离代替了沿路里程和行程时间,作者把这一点列为后续工作。兴趣点没有按产业、就业或服务范围分开,货流方向也没有识别。

北京道路分析给出的是四个皮尔逊系数和箱线图。最高的主干路相关是r=0.2038、p=0.0627。这组结果描述道路等级与货流量的弱线性关系,还不能作为“高等级道路导致货流”的证据。Moran’s I描述流量取值的空间聚集,F(r)描述坐标相对均匀泊松过程的聚集,两者的基线不同。

生长模型使用真实兴趣点的位置,加边顺序是随机的。它拟合一个两周截面,并不是观测到新公司逐年开设后记录下来的生长过程。政策讨论中,作者由距离项延伸到集聚、税收或地价激励和分区,由复制规则延伸到可持续做法的知识共享,由σ延伸到多式联运设施。模型没有计算车公里、费用或排放,因此这些是规则启发的政策设想。正文同时建议,在缺少货车轨迹的城市,可参照用地、规模和经济发展相近的城市近似参数;由于四市的参数值没有列出,这一步还无法从论文中的数字直接操作。

一句话总结

四座城市的重型货车把少数高强度地点连成枢纽,连边偏向短距离,复制伙伴、距离和强度写在一起的加边模型能重现这些统计形态;道路密度并没有给出显著的线性相关,模型也还没有单独证明复制就是枢纽形成的原因。

核心来源

  • 正式版本为Transportation Research Part C: Emerging Technologies,2024,158:104442,在线发表于2023年12月2日。收稿日期2023年5月17日,修回9月22日,接受11月27日。DOI:10.1016/j.trc.2023.104442。
  • 正文图1至图9和表1均来自该版本。17页PDF包含参考文献,没有附录。数据声明写明可向作者申请。
  • 行程端点算法引自作者此前的Yang et al., 2022a,Identifying intracity freight trip ends from heavy truck GPS trajectories,Transportation Research Part C,136。匹配半径和停留阈值以那篇论文为准,本文没有复述。

作者介绍

机构与分工以论文首页署名前缀和文末CRediT为准。

  • Yitao Yang:署名北京交通大学系统科学学院与代尔夫特理工大学交通与规划系,负责概念、形式分析、调查、方法、可视化和初稿。
  • Bin Jia:署名北京交通大学系统科学学院与西安工业大学经济与管理学院,通讯作者之一,负责概念、指导、资助和项目管理。
  • Xiao-Yong Yan:署名北京交通大学系统科学学院,通讯作者之一,负责概念、指导、资助、方法和修改。
  • Yan Chen:署名北京交通大学交通运输学院,参与方法和修改。
  • Lóránt Tavasszy:署名代尔夫特理工大学土木与地球科学学院交通与规划系,参与修改和指导。本文参考文献中的Combes and Tavasszy(2016)讨论库存、方式选择与货运网络结构。
  • Michiel de Bok:同一代尔夫特单位,参与修改和指导。
  • Zhuotong Bai:署名清华大学Institute of Civil Engineering,参与修改。
  • Erjian Liu:署名北京交通大学系统科学学院,参与修改。
  • Ziyou Gao:署名北京交通大学系统科学学院,在CRediT中负责资助。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

参数没有公布,城市之间就还不能比较“谁更受距离约束”。可以把同一批地点做三次残缺实验:只保留距离项、只保留强度项、只保留复制一半邻居,看哪一次仍能同时追上截断幂律、r_d和富人俱乐部。三项绑在一起的拟合,留下的是一套够用的规则;拆开之后,规划上该优先缩短枢纽之间的距离,还是该改变新地点可复制的伙伴名单,才会变成两个不同的问题。

另一项可核对的预测来自Jaccard。若新地点确实在复制一个已有地点,它的邻居集合应更接近那个被复制地点的邻居,而不是接近距离最近地点的邻居。这需要地点进入网络的先后。2018年5月这14天的截面没有这个时间戳。把平台上另一个月份的兴趣点新增情况接上这张网,才能把“伙伴重叠很高”从截面现象推进到复制规则。

重型货车图也不宜直接拿来合并低度数地点。低度数在12吨以上的网络里成立,小货车和面包车的停留仍可能集中在这些点。同一批兴趣点若叠加载重12吨以下车辆,高度数集合一旦换人,按本文枢纽制定的货运分区就会漏掉末端集散。这个对照使用的是论文已经划出的车辆门槛,换的是被排除的那一部分车。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录