CN112365217B - 一种入厂物流集群的空间集聚特征提取方法 - Google Patents

Abstract

本发明公开了一种入厂物流集群的空间集聚特征提取方法，包括以下步骤：S1：时空数据收集和标准化，S2：物流企业空间分布特征提取，S3：物流企业空间集聚度特征提取，S4：物流企业路网依赖度特征提取，S5：物流集群空间集聚特征判别，S6：根据核心模式和轴分布特征，判别集聚路段和集聚区域，最终判别轴核格局。空间分析方法在物流集群特性分析领域的应用，针对实践中物流集聚群体特征难以提取、判断和推演的特殊性，从空间分布特征、空间集聚度特征以及路网依赖性特征三个维度，来提取物流集群的空间集聚特征。

Description

一种入厂物流集群的空间集聚特征提取方法

技术领域

本发明涉及物流分析方法，特别是一种入厂物流集群的空间集聚特征提取方法。

背景技术

传统物流集群的特征提取，由于物流流量、流向、时空特征的数据获得十分困难，侧重于从宏观产业布局角度提取产业规模化和集约化特征，而缺乏科学有效方法从物流集群角度提取物流企业的空间集聚特征。随着物流产业在国民经济中重要地位的认可，全国范围内的物流基础设施网络基本形成，物流集群研究处于快速成长期，侧重于研究物流集群的运营管理特征，例如所有制、经营规模、功能、服务模式、特色领域等。

以汽车制造厂入厂物流为例，按照生产力布局原则，汽车零部件供应商及其物流服务商以生产工厂为中心集中布局，具有显著的“多到一”入厂、“一到多”出厂物流路径特点，此类物流企业数量繁多、集聚布局、配送路径具有依赖性。汽车制造厂内外物流一体化优化是充分发挥物流集群优势、从根源上提高汽车零部件入厂物流精益化水平的重要环节。如何整合规模以上供应商入厂物流资源，在现有城市路网、物流企业集中布局条件下，寻求有效的入厂物流集群空间集聚特征提取方法，辅助判定物流集群的空间集聚路段、集聚区域和空间格局，以科学制定内外物流协同调度计划，对外辅助交通管理部门进行交通精细化组织，对内提高物流系统效率和降低物流成本是目前物流行业的急需解决的问题。

发明内容

本发明的目的在于解决以上现有技术的不足，提供一种入厂物流集群的空间集聚特征提取方法。

为实现以上目的，提供以下技术方案：

一种入厂物流集群的空间集聚特征提取方法，包括以下步骤：

S1：时空数据收集和标准化：获取供应商和物流企业的地理位置坐标、服务区域范围、服务区域范围内城市道路网络结构数据，并对以上数据进行标准化处理；

S2：物流企业空间分布特征提取：以物流企业数量、物流企业到其最邻近物流企业之间的欧式距离和物流企业服务区域覆盖面积为基础数据，通过最邻近点指数分析法得出最邻近点指数R，根据最邻近点指数R分析出物流企业空间分布特征；

S3：物流企业空间集聚度特征提取：通过核密度估计分析方法，以每个物流企业x_i为中心，计算每个物流企业在其周围指定服务半径覆盖邻域内的核密度值f_n，利用自然断点法和随机森林算法实现自适应分类，将核密度值f_n进行等级划分，并绘制核密度估计分布图；

S4：物流企业路网依赖度特征提取：通过空间自相关分析方法对于所有物流企业，建立每一物流企业配送路径所涵盖的所有城市路段集合，计算路段α的局部Moran指数I_α，根据I_α分析出物流企业路网依赖度特征；

S5：物流集群空间集聚特征判别：借助地理信息技术空间数据分析方法，综合物流企业空间分布特征、物流企业空间集聚度特征、物流企业路网依赖度特征上判定物流集群在城市空间中的集聚路段、集聚区域以及集聚格局；

第一，将核密度高峰值处判别为物流集群的集聚核心；进而依据集聚核心的数量，判别为多核心模式和单核心模式；

第二，依据物流企业路网依赖性特征，将局部Moran指数I_α接近1的路段，判别为物流集群空间集聚特征中的轴分布特征。

S6：根据核心模式和轴分布特征，判别集聚路段和集聚区域，最终判别轴核格局。

优选地，所述最邻近点指数分析法为：

其中，n表示测算区域内的物流企业数；A表示物流企业服务区域的面积；E(d_min)表示各物流企业理论最邻近距离；

表示各物流企业实际平均最邻近距离；R为物流企业最邻近点指数；当R<1时，物流企业呈集聚分布特征；当R>1时，物流企业呈现均匀分布特征；当R＝1时，物流企业呈随机分布特征。

优选地，所述核密度估计方法为：

式中，f_n为物流企业核密度估计值；n为物流企业数量；k为核密度函数；x_i-x_j为测算物流企业x_i到物流企业x_j处的距离；h为带宽，是指搜索半径，按照西尔弗曼的大拇指法则计算,即h＝θ*(4/(3n))^(1/5)，θ＝sd(H[S]-log(h_i)),sd表示标准差，h_i表示随机生成的随机序列，H是将区间[-2,2]分成n-1份，其中H序列中有n个值，H[S]表示H序列中第S个值，f_n越大，则物流集群空间分布密度越高。

优选地，空间自相关分析方法为：

式中，

y_α表示路段α的频次；n为区域总数；w_αβ为路段α和路段β权值矩阵，为二元邻接权重矩阵；

I_α取值在[-1,1]之间，I_α<0，表示负相关；I_α＝0等于不相关，I_α>0表示正相关；I_α越接近1，表示物流企业选取的配送路段间越相关，性质越相近，配送路段分布越集聚，表示此路段与其空间邻接路段在物流属性上高值集聚，此路段即为物流属性上的集聚路段；I_α越接近0，表示物流企业选取的配送路段间越不相干，性质越不同，分布越分散，表示此路段与其空间邻接路段在物流属性上低值集聚，此路段即为物流属性上的分散路段。

有益效果：

以物流集群的空间集聚特征为依据，选择物流企业集中程度属于核密度值层次最高的区域，作为建立物流中转库的选址场所，在物流企业集中程度高值区，便于充分发挥物流集群带来的经济优势。通过物流集群的空间集聚特征提取，获取一定区域内物流企业的空间集聚分布，为物流企业建立中转库提供参考。

通过物流企业路网依赖性特征的提取，识别出物流企业聚集分布的城市路段，便于物流企业在选址决策时根据空间集聚特征选择集中布局还是分散布局，在运营管理时制定科学的城市配送方案，提高准时化精益化管理水平；也便于城市交通管理部门，合理利用城市道路资源，兼顾生产物流配送需求和居民生活出行需求，进行交通精细化组织。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种入厂物流集群的空间集聚特征提取方法，包括以下步骤：

S1：时空数据收集和标准化：通过产品供应链平台的供应商和物流服务商信息库，获取直送供应商和物流企业名单，结合城市矢量图，获取供应商和物流企业的地理位置坐标、服务区域范围、服务区域范围内城市道路网络结构数据，并对以上数据进行标准化处理；

S2：物流企业空间分布特征提取：以物流企业数量、物流企业到其最邻近物流企业之间的欧式距离和物流企业服务区域覆盖面积为基础数据，通过最邻近点指数分析法得出最邻近点指数R，根据最邻近点指数R分析出物流企业空间分布特征；

S3：物流企业空间集聚度特征提取：通过核密度估计分析方法，以每个物流企业x_i为中心，计算每个物流企业在其周围指定服务半径覆盖邻域内的核密度值f_n，利用自然断点法和随机森林算法实现自适应分类，将核密度值f_n进行等级划分，并绘制核密度估计分布图；

S4：物流企业路网依赖度特征提取：通过空间自相关分析方法对于所有物流企业，建立每一物流企业配送路径所涵盖的所有城市路段集合，计算路段α的局部Moran指数I_α，根据I_α分析出物流企业路网依赖度特征；

S5：物流集群空间集聚特征判别：借助地理信息技术空间数据分析方法，综合物流企业空间分布特征、物流企业空间集聚度特征、物流企业路网依赖度特征上判定物流集群在城市空间中的集聚路段、集聚区域以及集聚格局；

第一，将核密度高峰值处判别为物流集群的集聚核心；进而依据集聚核心的数量，判别为多核心模式和单核心模式；

第二，依据物流企业路网依赖性特征，将局部Moran指数I_α接近1的路段，判别为物流集群空间集聚特征中的轴分布特征。

S6：根据核心模式和轴分布特征，判别集聚路段和集聚区域，最终判别轴核格局。

所述最邻近点指数分析法为：

其中，n表示测算区域内的物流企业数；A表示物流企业服务区域的面积；E(d_min)表示各物流企业理论最邻近距离；

表示各物流企业实际平均最邻近距离；R为物流企业最邻近点指数；当R<1时，物流企业呈集聚分布特征；当R>1时，物流企业呈现均匀分布特征；当R＝1时，物流企业呈随机分布特征。

所述核密度估计方法为：

式中，f_n为物流企业核密度估计值；n为物流企业数量；k为核密度函数；x_i-x_j为测算物流企业x_i到物流企业x_j处的距离；h为带宽，是指搜索半径，按照西尔弗曼的大拇指法则计算,即h＝θ*(4/(3n))^(1/5)，θ＝sd(H[S]-log(h_i)),sd表示标准差，h_i表示随机生成的随机序列，H是将区间[-2,2]分成n-1份，其中H序列中有n个值，H[S]表示H序列中第S个值，f_n越大，则物流集群空间分布密度越高。

空间自相关分析方法为：

式中，

y_α表示路段α的频次；n为区域总数；w_αβ为路段α和路段β权值矩阵，为二元邻接权重矩阵；

I_α取值在[-1,1]之间，I_α<0，表示负相关；I_α＝0等于不相关，I_α>0表示正相关；I_α越接近1，表示物流企业选取的配送路段间越相关，性质越相近，配送路段分布越集聚，表示此路段与其空间邻接路段在物流属性上高值集聚，此路段即为物流属性上的集聚路段；I_α越接近0，表示物流企业选取的配送路段间越不相干，性质越不同，分布越分散，表示此路段与其空间邻接路段在物流属性上低值集聚，此路段即为物流属性上的分散路段。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (2)

1.一种入厂物流集群的空间集聚特征提取方法，其特征在于，包括以下步骤：

S1：时空数据收集和标准化：获取供应商和物流企业的地理位置坐标、服务区域范围、服务区域范围内城市道路网络结构数据，并对以上数据进行标准化处理；

S2：物流企业空间分布特征提取：以物流企业数量、物流企业到其最邻近物流企业之间的欧式距离和所有物流企业服务区域覆盖面积为基础数据，通过最邻近点指数分析法得出最邻近点指数R，根据最邻近点指数R分析出物流企业空间分布特征；

S3：物流企业空间集聚度特征提取：通过核密度估计分析方法，以每个物流企业x_i为中心，计算每个物流企业在其周围指定服务半径覆盖邻域内的核密度值f_n，利用自然断点法和随机森林算法实现自适应分类，将核密度值f_n进行等级划分，并绘制核密度估计分布图；

S4：物流企业路网依赖度特征提取：通过空间自相关分析方法对于所有物流企业，建立每一物流企业配送路径所涵盖的所有城市路段集合，计算路段α的局部Moran指数I_α，根据I_α分析出物流企业路网依赖度特征；

S5：物流集群空间集聚特征判别：借助地理信息技术空间数据分析方法，综合物流企业空间分布特征、物流企业空间集聚度特征、物流企业路网依赖度特征上判定物流集群在城市空间中的集聚路段、集聚区域以及集聚格局；

第一，将核密度高峰值处判别为物流集群的集聚核心；进而依据集聚核心的数量，判别为多核心模式和单核心模式；

第二，依据物流企业路网依赖性特征，将局部Moran指数I_α接近1的路段，判别为物流集群空间集聚特征中的轴分布特征；

S6：根据核心模式和轴分布特征，判别集聚路段和集聚区域，最终判别轴核格局。

2.根据权利要求1所述的一种入厂物流集群的空间集聚特征提取方法，其特征在于，所述核密度估计方法为：

式中，f_n为物流企业核密度估计值；n为物流企业数量；k为核密度函数；x_i-x_j为测算物流企业x_i到物流企业x_j处的距离；h为带宽，是指搜索半径，按照西尔弗曼的大拇指法则计算,即h＝θ*(4/(3n))^(1/5)，θ＝sd(H[S]-log(h_i)),sd表示标准差，h_i表示随机生成的随机序列，H是将区间[-2,2]分成n-1份，其中H序列中有n个值，H[S]表示H序列中第S个值，f_n越大，则物流集群空间分布密度越高。