CN113553391B - 一种基于gis技术的港口腹地划分方法 - Google Patents
一种基于gis技术的港口腹地划分方法 Download PDFInfo
- Publication number
- CN113553391B CN113553391B CN202110881885.0A CN202110881885A CN113553391B CN 113553391 B CN113553391 B CN 113553391B CN 202110881885 A CN202110881885 A CN 202110881885A CN 113553391 B CN113553391 B CN 113553391B
- Authority
- CN
- China
- Prior art keywords
- port
- region
- transportation
- mode
- cost
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 20
- 210000001015 abdomen Anatomy 0.000 title abstract description 14
- 230000003187 abdominal effect Effects 0.000 claims abstract description 38
- 238000000513 principal component analysis Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000003012 network analysis Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002860 competitive effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000035515 penetration Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003204 osmotic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 102000052581 Cullin Human genes 0.000 description 1
- 108700020475 Cullin Proteins 0.000 description 1
- 241000305492 Gastrodia Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 235000015095 lager Nutrition 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GIS技术的港口腹地划分方法,包括:获取目标区域内所有港口的相关指标数据;对相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj;分别构建目标区域内公路模式下的栅格分析图层和多式联运的网络分析图层,综合得出从任意地区i到任意港口j的运输成本距离Dij;将各个港口的港口强度Aj和从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率;将上述概率代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果。本方法实现了精细化、现代化的港口腹地划分,实用性强,应用性广。
Description
技术领域
本发明涉及港口规划技术领域,特别涉及一种基于GIS技术的港口腹地划分方法。
背景技术
现今,港口群作为区域贸易进出口的门户,是区域乃至国家空间结构的基本支撑和重塑力量,对区域经济的发展具有重要推动作用。而港口群的发展必然带来域内港口的货源竞争,其本质是经济腹地的竞争。在此背景下,明确港口的腹地发展现状、腹地范围和腹地竞争关系将为港口投资者的战略决策提供重要支撑,也将对港口群的合理规划建设,减少港口恶性竞争,优化资金和社会资源的配置提供重要参考依据。
现有的港口腹地划分理论大多从港口对地区影响力的辐射角度出发,在一定程度上科学地界定了腹地范围。然而,随着港口功能的不断更新换代和腹地划分影响因素的复杂化,港口的激烈竞争为腹地范围的界定提出了更加精细化的要求;公铁联运,江海联运等多模式物流***的不断完善,也对港口腹地的划分产生新的重要影响;而港口群域内港口高度集中的特点,又导致了竞争关系复杂的竞争腹地的产生。
因此,在现有的港口腹地划分方法的基础上,如何提供一种基于GIS技术的港口腹地划分方法,以满足现代化的港口群腹地划分需求,实现港口更为精细化的腹地划分成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题,本发明提出了一种至少解决上述部分技术问题的一种基于GIS技术的港口腹地划分方法,该方法可实现精细化、现代化的港口腹地划分。
本发明实施例提供一种基于GIS技术的港口腹地划分方法,包括如下步骤:
S1、获取目标区域内所有港口的相关指标数据;对所述相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj;
S2、分别构建所述目标区域内公路模式下的栅格分析图层和多式联运的网络分析图层,综合得出从任意地区i到任意港口j的运输成本距离Dij;
S3、将所述各个港口的港口强度Aj和所述从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率;
S4、将所述运输成本最优条件下地区i的货主选择到港口j的概率,代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果。
进一步地,所述步骤S1中的相关指标数据包括:一级指标数据和二级指标数据;所述一级指标数据包括:港口基础设施条件和地区经贸发展水平数据;所述二级指标数据包括:货物吞吐量、泊位数、泊位水深、港口信息化水平、物流绩效水平、资源丰富程度、贸易包容度和政府支持力度数据。
进一步地,所述步骤S1中,对所述相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj,包括:
S101、根据所述相关指标数据,建立港口强度矩阵:
F=B×C×E (1)
式(1)中,B为标准化后的相关指标数据矩阵;C为成分得分系数矩阵;E为所提取主成分的方差贡献率矩阵;
S102、将所述港口强度矩阵做非负标准化处理,得到各个港口标准化后的港口强度Aj:
式(2)中,Fj为标准化前任意港口j的强度;(Fj)min为标准化前所有港口强度的最小值;(Fj)max为标准化前所有港口强度的最大值。
进一步地,所述步骤S2中,公路模式下的栅格分析图层的构建包括:
S201、获取所述目标区域内路网数据;所述路网数据包括:交通运输网、物流节点、港口和行政区划数据;
S202、根据所述路网数据创建矢量图层,将所述矢量图层栅格化,得到单位栅格图;
S203、将所述单位栅格图进行成本赋值,完成公路模式下的栅格分析图层的构建,得到公路模式下累积成本距离。
进一步地,所述步骤S2中,多式联运的网络分析图层的构建包括:
S204、根据所述步骤S201中获得的交通运输网和物流节点,构建网络数据集;所述交通运输网包括公路运输模式、铁路运输模式和水路运输模式;
S205、将同一运输模式设置为同一连通性组,并在所述物流节点处设置多个连通性属性;
S206、根据所述连通性组生成OD成本矩阵,计算物流节点到港口的网络成本距离,完成多式联运的网络分析图层的构建;
S207、根据所述多式联运的网络分析图层,得到多式联运模式下累积成本距离。
进一步地,所述步骤S203中,将单位栅格图进行成本赋值,以及步骤S206中,计算物流节点到港口的网络成本距离的计算公式均为:
式(3)中,value为公路模式下的单位成本距离;M为不同公路运输模式下单位时间内运输单位货运量的物流费用;v为货车在当前栅格的通行速度。
进一步地,所述步骤S2中,得出从任意地区i到任意港口j的运输成本距离Dij,包括:
将所述步骤S203获得的公路模式下累积成本距离,以及所述步骤S207获得的多式联运模式下累积成本距离相加,输出货物运输总成本;从所述货物运输总成本中筛选出最小值,得到从地区i到港口j的运输成本距离Dij。
进一步地,所述步骤S3中,基于腹地划分的Huff模型为:
式(4)中,Pij为地区i的货主选择到港口j的概率;Uij为地区i的货主选择到港口j的效用;Aj为各个港口的港口强度;Dij为从任意地区i到任意港口j的运输成本距离;n为目标区域内港口的数量;β为距离衰减系数。
进一步地,所述步骤S4,包括:
S401、根据所述运输成本最优条件下地区i的货主选择到港口j的概率,提取所述地区i的货主选择到港口j的概率最大值(Pi)max;
S402、根据所述概率最大值(Pi)max,计算地区i的货主选择港口j概率的相对差异zij:
式(5)中,Pij为地区i的货主选择到港口j的概率;(Pi)max为地区i的货主选择到港口j的概率最大值;
S403、根据所述地区i的货主选择港口j概率的相对差异zij,与港口竞争渗透力f作比较,输出港口专属腹地和竞争腹地的划分结果。
进一步地,所述步骤S403,包括:
S4031、若zij≤f,则认为地区i选择港口j与选择最大概率港口相比效用差异较小,地区i属于港口j的腹地范围;
S4032、根据所述步骤S4031得到的地区i与各港口的不同腹地隶属关系,重新划分腹地区域。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种基于GIS技术的港口腹地划分方法,包括:获取目标区域内所有港口的相关指标数据;对相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj;分别构建目标区域内公路模式下的栅格分析图层和多式联运的网络分析图层,综合得出从任意地区i到任意港口j的运输成本距离Dij;将各个港口的港口强度Aj和从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率;将运输成本最优条件下地区i的货主选择到港口j的概率,代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果。本港口腹地划分方法,实现了在多式联运和腹地竞争背景下,精细化、现代化的港口腹地划分,实用性强,应用性广。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于GIS技术的港口腹地划分方法流程图;
图2为本发明实施例提供的模式1的流程示意图;
图3为本发明实施例提供的模式2的流程示意图;
图4为本发明实施例提供的港口强度计算结果示意图;
图5为本发明实施例提供的多式联运基本地理数据示意图;
图6为本发明实施例提供的矢量数据栅格化示意图;
图7为本发明实施例提供的多式联运网络分析图层示意图;
图8-图12为本发明实施例提供的多式联运背景下的累积成本距离栅格图;
图13-图17为本发明实施例提供的多式联运背景下区域内各地区货主选择特定港口的概率分布栅格图;
图18为本发明实施例提供的港口腹地划分最终结果示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种基于GIS技术的港口腹地划分方法,参照图1所示,包括如下步骤:
S1、获取目标区域内所有港口的相关指标数据;对相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj;
S2、分别构建目标区域内公路模式下的栅格分析图层和多式联运的网络分析图层,综合得出从任意地区i到任意港口j的运输成本距离Dij;
S3、将各个港口的港口强度Aj和从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率;
S4、将运输成本最优条件下地区i的货主选择到港口j的概率,代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果。
具体地,步骤S1中,构建港口强度综合评价指标体系;根据构建的港口强度综合评价指标体系,获取目标区域内相关指标数据。其中,相关指标数据包括:一级指标数据和二级指标数据;一级指标数据包括:港口基础设施条件和地区经贸发展水平数据;二级指标数据包括:货物吞吐量、泊位数、泊位水深、港口信息化水平、物流绩效水平、资源丰富程度、贸易包容度和政府支持力度数据。
具体地,步骤S2包括:
获取目标区域内路网数据;根据路网数据创建矢量图层,在WGS1984 Mercator投影坐标系下做投影处理,将矢量图层栅格化,得到单位栅格图;将单位栅格图进行成本赋值,完成公路模式下的栅格分析图层的构建,得到公路模式下累积成本距离。其中,路网数据包括:交通运输网、物流节点、港口和行政区划数据。
根据获取的交通运输网和物流节点,进行OD矩阵分析,计算网络成本距离,完成多式联运的网络分析图层的构建,得到多式联运模式下累积成本距离。
将获得的公路模式下累积成本距离,以及多式联运模式下累积成本距离相加,输出货物运输总成本;从货物运输总成本中筛选出最小值,得到从任意地区i到任意港口j的运输成本距离Dij。
本实施例中,通过GIS技术实现了精细化、现代化的港口腹地划分技术,建立了一种在多式联运和腹地竞争背景下,符合投资决策者精细化需求的现代港口腹地划分方法,实用性强,应用性广。
以下提供一个具体的实施例为对上述各步骤进行详细说明:
具体地,步骤S1中,构建的港口强度综合评价指标体系及数据来源如表1所示:
表1港口强度综合评价指标体系
进一步地,步骤S1中,根据构建的港口强度综合评价指标体系,获取目标区域内相关指标数据;对相关指标数据进行PCA主成分分析,计算各个港口的港口强度Aj,具体包括:
从构建的港口强度综合评价指标体系中,获取相关指标数据;对获取的指标数据做标准化处理以消除不同量纲对计算结果的影响;再将标准化后的指标数据导入SPSS平台进行PCA主成分分析,建立港口强度矩阵:
F=B×C×E (1)
式(1)中,B为标准化后的指标数据矩阵;C为成分得分系数矩阵;E为所提取主成分的方差贡献率矩阵。
将港口强度矩阵按“最大-最小值”模式做非负标准化处理,得到各个港口标准化后的港口强度Aj:
式(2)中,Fj为标准化前任意港口j的强度;(Fj)min为标准化前所有港口强度的最小值;(Fj)max为标准化前所有港口强度的最大值。Aj即可代表港口j的综合发展水平。
具体地,步骤S2中,获取目标区域内路网数据;根据路网数据创建矢量图层,在WGS1984 Mercator投影坐标系下做投影处理,将矢量图层栅格化,得到单位栅格图;将单位栅格图进行成本赋值,完成公路模式下的栅格分析图层的构建,得到公路模式下累积成本距离。具体包括:
首先通过Natural Earth等网站获取路网数据:研究地区最新的分等级路网、行政区划和港口shape格式数据,具体包括:交通运输网、物流节点、港口和行政区划,将路网数据导入ArcGIS软件创建矢量图层,并在WGS1984 Mercator投影坐标系下做投影处理;通过ArcGIS矢量转栅格工具,将矢量图层栅格化。根据道路等级的不同,采用重分类工具,分别对货物通过单位栅格的成本赋值,得到成本栅格图,即公路模式下的ArcGIS栅格分析图层,得到公路模式下累积成本距离。由于货物运输具有费用敏感的特点,因此物流成本主要基于费用成本考虑,因此将单位栅格图进行成本赋值的计算公式如下:
式(3)中,value为公路模式下的单位成本距离;M为不同公路运输模式下单位时间内运输单位货运量的物流费用;v为货车在当前栅格的通行速度。由于Huff模型所有参数只比较相对值的大小,因此M和v的量纲可根据实例具体情况确定。
具体地,步骤S2中,根据获取的交通运输网和物流节点,进行OD矩阵分析,计算网络成本距离,完成多式联运的网络分析图层的构建,得到多式联运模式下累积成本距离。实际上,为创建多式联运的ArcGIS网络分析图层(多式联运背景下的累积成本距离栅格图)的过程,具体包括:
在ArcGIS网络分析模块中,根据从Natural Earth等网站获取到的路网数据,基于多式联运交通网络(公路、铁路、水路)和特定物流节点构建网络数据集。将不同的运输模式设置为不同连通性组,且在物流节点处设置多个连通性属性,使得不同模式间仅在物流节点处建立连通性。通过生成OD成本矩阵计算物流节点到港口的网络成本距离。按式(3)设置单位货物通过单位距离的交通运输成本(即网络阻抗)后,即完成多式联运的ArcGIS网络分析图层的创建,得到多式联运模式下累积成本距离。
进一步地,步骤S4,将步骤S2获得的公路模式下累积成本距离,以及步骤S3获得的多式联运模式下累积成本距离相加,输出货物运输总成本。可以根据特定地区的货物“是否接入多式联运网络”分2种模式到达特定港口。
可选地,参照图2所示,为模式1,特定地区的货物接入多式联运网络到达特定港口的情况。在模式1的运输条件下,起始点货物通过公路栅格***(公路模式下的ArcGIS栅格分析图层)到达物流节点(无水港)完成换装,并在该处接入多式联运网络***(多式联运的ArcGIS网络分析图层)运输至特定港口。在忽略换装时间的条件下,模式1的货物运输成本由公路模式下累积成本距离和多式联运模式下累积成本距离两部分构成,将两种模式下的累积网络成本相加,即可求出所有栅格的货物通过特定物流节点到达特定港口的货物运输总成本。
可选地,参照图3所示,为模式2,特定地区的货物不接入多式联运网络到达特定港口的情况。模式2不接入多式联运网络(多式联运的ArcGIS网络分析图层),起始点货物直接通过公路栅格***(公路模式下的ArcGIS栅格分析图层)到达特定港口。模式2不参与多式联运网络运输,直接计算公路模式下累积成本距离,公路模式下累积成本距离即为货物运输总成本。
具体地,公路模式下累积成本距离通过ArcGIS成本距离工具(Dijkstra算法)生成物流节点和港口的成本栅格图。多式联运模式下累积成本距离通过生成OD成本矩阵计算物流节点到港口的网络成本距离。
进一步地,步骤S2中,从货物运输总成本中筛选出最小值,得到从任意地区i到任意港口j的运输成本距离Dij,具体包括:
使用像元统计数据工具,比较通过不同地区到达特定港口的货物运输总成本并筛选出最小值,得出区域内各栅格选择港口的最小成本距离栅格图,得到从任意地区i到任意港口j的运输成本距离Dij。
进一步地,步骤S3,将步骤S1获得的港口强度和步骤S2获得的从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率,即,在运输成本最优条件下内陆任意栅格地区货主选择特定港口的概率。其中,腹地划分的Huff模型,基本公式为:
式(4)中,Pij为地区i的货主选择到港口j的概率;Uij为地区i的货主选择到港口j的效用;Aj为各个港口的港口强度;Dij为从任意地区i到任意港口j的运输成本距离;n为目标区域内港口的数量;β为距离衰减系数。
具体地,步骤S4,将步骤S3获得的运输成本最优条件下地区i的货主选择到港口j的概率,代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果,具体包括:
S401、根据步骤S3获得的运输成本最优条件下地区i的货主选择到港口j的概率,提取地区i的货主选择到港口j的概率最大值(Pi)max;
S402、根据概率最大值(Pi)max,计算地区i的货主选择港口j概率的相对差异zij:
式(5)中,Pij为地区i的货主选择到港口j的概率;(Pi)max为地区i的货主选择到港口j的概率最大值;
S403、根据地区i的货主选择港口j概率的相对差异zij,与港口竞争渗透力f作比较,输出港口专属腹地和竞争腹地的划分结果。f描述港口与内陆地区的最小通行成本差异。
进一步地,步骤S403,包括:
S4031、若zij>f,则认为地区i选择港口j与选择最大概率港口相比效用差异较大,地区i不属于港口j的腹地范围;若zij≤f,则认为地区i选择港口j与选择最大概率港口相比效用差异较小,地区i属于港口j的腹地范围;
S4032、根据S4031得到的地区i与各港口的不同腹地隶属关系,重新划分腹地区域。
重新划分腹地区域的规则为:对仅被划分为一个港口腹地范围的地区i,定义为该港口j的专属腹地;对拥有两个及以上港口腹地归属的地区i,定义为这些港口的竞争腹地。
最后通过ArcGIS平台的合并工具,可以确定各区域参与腹地竞争的港口名录(港口j和地区i之间的关系:i是j的专属腹地or竞争腹地),从而实现港口群“专属-竞争”腹地的划分。
下面列举一个实际具体应用场景的例子对本发明实施例提供一种基于GIS技术的港口腹地划分方法,展开详细说明:
将本实施例提供的一种基于GIS技术的港口腹地划分方法应用于几内亚湾港口群腹地划分,实施步骤如下:
一、确定研究范围
根据港口综合实力,从几内亚湾25个主要港口中通过PCA主成分分析法筛选出腹地划分研究港口范围,具体包括:阿比让港(科特迪瓦)、特马港(加纳)、洛美港(多哥)、拉各斯港(尼日利亚)、杜阿拉港(喀麦隆)共计5个重点港口。
腹地研究范围包括几内亚湾沿岸地区和西非、中非的部分内陆地区,其中:几内亚湾沿岸地区包括:利比里亚、科特迪瓦、加纳、多哥、贝宁、尼日利亚、喀麦隆、赤道几内亚、加蓬9国;内陆地区包括:马里、布基纳法索、尼日尔、乍得、中非、刚果(金)、刚果(布)7国,共计16国。
二、港口强度计算
根据前述计算方法,构建港口强度综合评价指标体系,采用主成分分析法(PCA)计算各个港口的港口强度Aj。具体计算过程如下:
1.基础数据
根据已构建的港口强度综合评价指标体系,定量指标数据通过世界银行、非洲开发银行、各港口港务局等机构官方网站获取,定性指标通过实地调研并参考驻外企业提供的当地资料后打分。采用的港口所在地区经贸条件有关数据以国家为研究单元,所有资料以2017年为统计基准年,指标的具体赋值结果如表2所示:
表2港口强度指标评价体系赋值
注:
1.资源丰富程度、信息化水平和政府支持力度在0-9区间内打分赋值;
2.物流绩效水平来源为世界银行2017年公开数据(0-5分),得分越高表示物流效率越高;
3.贸易包容度用世界银行2017年公开数据中的海关手续负担表示(0-7分),得分越高表示港口所在国海关效率越高,其对跨境贸易的包容度也越高。
进一步地,将上述指标数据导入SPSS平台,平台自动将数据标准化后进行PCA主成分分析,计算结果如表3-表5所示:
表3 KMO和巴特利特球形度检验结果
表4成分方差贡献率计算结果
表5主成分得分系数矩阵
1 | 2 | 3 | |
货物吞吐量(万t) | .236 | .066 | -.026 |
泊位数 | .224 | .082 | -.375 |
泊位水深(米) | .153 | .036 | .061 |
物流绩效水平 | .145 | -.501 | -.004 |
资源丰富程度 | -.004 | .642 | .042 |
贸易包容度 | .109 | -.027 | .868 |
信息化水平 | .236 | .014 | -.219 |
政府支持力度 | .222 | .160 | .173 |
分析表3-表5,可见因子间存在较大相关性,适合做主成分分析;根据前述方法公式(1)、公式(2)计算各个港口的港口强度Aj,结果如图4所示:
可以看出,阿比让、特马港、拉各斯港和洛美港在所有港口的计算结果中表现突出,因此将其纳入腹地划分的研究港口范围;又由于杜阿拉港在几内亚湾中非地区表现最佳,因此也将其纳入腹地划分范围。综上所述,确定几内亚湾港口腹地划分研究港口范围和各个港口的港口强度值Aj如表6所示:
表6重点港口强度值
重点港口 | 阿比让 | 特马 | 洛美 | 拉各斯 | 杜阿拉 |
Aj | 100 | 95.26 | 87.84 | 90.49 | 66.60 |
三、成本距离计算
1.基础数据来源
本部分内容需要使用研究地区的交通运输网(Polyline)、重点港口(Point)和行政区划(Polygon)三类数据。为保证数据质量,采用Natural Earth官方网站Version4.1.0版本(2018年发布)10m分辨率shape格式数据。其中公路模式路网数据分为Major Highway、Road和Unknown三类,结合研究区域实际情况综合考虑,将Major Highway和Road划为一级道路,Unknown为二级道路进行研究;其他模式方面,根据JICA、美国经济咨询机构NATHAN(以下简称NATHAN)等机构的研究结果,西非地区铁路基础设施发展比较落后,目前仅瓦加杜古-阿比让铁路运输通道利用率相对较高,大部分地区铁路运输成本公路运输相比并不明显。而除加纳沃尔特湖流域以外,当前研究区域内水路运输所占比例极小。因此,铁路模式仅考虑瓦加杜古-阿比让一条铁路运输通道,并将瓦加杜古、阿比让作为网络分析的无水港物流节点,不考虑水路运输模式。具体路网和物流节点数据,参照图5所示。
2.公路矢量数据栅格化及成本赋值
将矢量数据导入ArcGIS软件,并在WGS1984 Mercator投影坐标系下投影后,将研究地区划分为约407356个边长5km的栅格。根据公路模式下通行条件的不同使用重分类工具,按前述公式(3)对栅格进行成本赋值。定义式中的v为货车在当前栅格的通行速度,参考NATHAN关于西非和中非的物流***调研报告后取值如表7所示:
表7栅格通行速度取值
等级 | 一级公路 | 二级公路 | Nodata |
V(km/h) | 50 | 30 | 5 |
赋值后得到的成本栅格图,参照图6所示。
3.公路模式成本距离计算
基于上述计算得到的成本栅格图,使用ArcGIS空间分析中的成本距离工具,分别计算研究区域内各栅格到各港口的累积成本距离,得到累积成本距离分布栅格图。图中每个栅格的值即为该栅格在公路模式下到特定港口的累积成本距离。
4.多式联运成本距离计算
(1)网络数据集构建
将多式联运交通网络和物流节点构建网络数据集。按照前述方法设置网络连通性,并按照前述公式(1)设置网络通行阻抗:参考NATHAN等机构相关研究报告,经过换算后发现当前西非铁路运输单位时间运输成本约为公路运输的80%。由于仅二者的比例关系会对计算结果产生影响,因此Mj可简单取Mroad=1,Mrail=0.8。铁路网运输速度取v=40km/h,公路运输速度取值与前述内容相同。设置以上所有参数后完成网络数据集的构建,参照图7所示。
(2)“栅格-网络”联合分析
在ArcGIS中使用添加位置工具将物流节点和研究港口分别作为起始点和终点加入网络数据集,进行OD矩阵分析。按照前述方法求出多式联运背景下的累积成本距离栅格图,参照图8-12所示,得到多式联运模式下累积成本距离。根据公路模式下到特定港口的累积成本距离和多式联运模式下累积成本距离,得到货物运输总成本。从货物运输总成本中筛选出最小值,得到从任意地区i到任意港口j的运输成本距离Dij。
四、腹地划分
将上述计算所得模型参数(各个港口的港口强度Aj;从任意地区i到任意港口j的运输成本距离Dij)带入Huff模型中(式4),其中距离衰减系数β的取值参考姜晓丽、石培基等学者的研究成果,取β=2。使用ArcGIS地图代数数据集中的栅格计算器进行计算,即可分别求出多式联运背景下区域内各地区的货主选择特定港口的概率图,参照图13-17所示。
根据前述基于“Cullinane竞争腹地模型”优化的港口腹地划分方法,采用ArcGIS局部分析中的像元统计工具从港口选择概率栅格图提取最大值栅格图(提取地区i的货主选择到港口j的概率最大值(Pi)max)后,将港口选择概率栅格图进行条件判断,并对栅格重新赋值:
若zij>f,将对应栅格赋值为0,地区i不属于港口j的腹地范围;若zij≤f,将对应栅格赋值为1,地区i属于港口j的腹地范围。其中,zij为地区i的货主选择港口j概率的相对差异;f为港口竞争渗透力;栅格为地区i的计算单元。
按上述赋值规则形成各港口腹地范围栅格图。再使用合并工具按各港口腹地范围栅格图在特定栅格区域值的不同(即特定地区对各港口腹地隶属关系的不同,特定地区具体指研究范围内的任意栅格)生成唯一值栅格。每个唯一值栅格的属性信息即为各港口在该栅格地区内的栅格值信息。例如,若研究港口数量为2,即会产生属性值为00、01、10、11共计四类的唯一值栅格,其中数字0和1为经过条件判断后的栅格赋值结果,如表8所示。
表8港口数量为2(n=2)时合并后的栅格属性值组合
进一步地,将不同类别的唯一值栅格用不同色块表示,从而使不同色块体现不同的港口腹地竞争关系,进行滤波等概化处理后将数据矢量化,得到最终的专属腹地和竞争腹地划分结果。
取f=0.2划分“专属-竞争”腹地范围。腹地划分最终结果,参照图18所示,图中编号区域对应的腹地归属情况如表9所示。
表9腹地划分结果(表中编号对应图18)
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于GIS技术的港口腹地划分方法,其特征在于,包括如下步骤:
S1、获取目标区域内所有港口的相关指标数据;对所述相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj;
S2、分别构建所述目标区域内公路模式下的栅格分析图层和多式联运的网络分析图层,综合得出从任意地区i到任意港口j的运输成本距离Dij;
S3、将所述各个港口的港口强度Aj和所述从任意地区i到任意港口j的运输成本距离Dij,代入基于腹地划分的Huff模型中,得到运输成本最优条件下地区i的货主选择到港口j的概率;
S4、将所述运输成本最优条件下地区i的货主选择到港口j的概率,代入Cullinane竞争腹地模型中,输出各港口腹地区域划分结果;
所述步骤S1中的相关指标数据包括:一级指标数据和二级指标数据;所述一级指标数据包括:港口基础设施条件和地区经贸发展水平数据;所述二级指标数据包括:货物吞吐量、泊位数、泊位水深、港口信息化水平、物流绩效水平、资源丰富程度、贸易包容度和政府支持力度数据;
所述步骤S3中,基于腹地划分的Huff模型为:
式(4)中,Pij为地区i的货主选择到港口j的概率;Uij为地区i的货主选择到港口j的效用;Aj为各个港口的港口强度;Dij为从任意地区i到任意港口j的运输成本距离;n为目标区域内港口的数量;β为距离衰减系数;
所述步骤S4,包括:
S401、根据所述运输成本最优条件下地区i的货主选择到港口j的概率,提取所述地区i的货主选择到港口j的概率最大值(Pi)max;
S402、根据所述概率最大值(Pi)max,计算地区i的货主选择港口j概率的相对差异Zij:
式(5)中,Pij为地区i的货主选择到港口j的概率;(Pi)max为地区i的货主选择到港口j的概率最大值;
S403、根据所述地区i的货主选择港口j概率的相对差异zij,与港口竞争渗透力f作比较,输出港口专属腹地和竞争腹地的划分结果;
所述步骤S403,包括:
S4031、若zij≤f,则认为地区i选择港口j与选择最大概率港口相比效用差异较小,地区i属于港口j的腹地范围;
S4032、根据所述步骤S4031得到的地区i与各港口的不同腹地隶属关系,重新划分腹地区域。
2.如权利要求1所述的一种基于GIS技术的港口腹地划分方法,其特征在于,所述步骤S1中,对所述相关指标数据进行PCA主成分分析,计算出各个港口的港口强度Aj,包括:
S101、根据所述相关指标数据,建立港口强度矩阵:
F=B×C×E (1)
式(1)中,B为标准化后的相关指标数据矩阵;C为成分得分系数矩阵;E为所提取主成分的方差贡献率矩阵;
S102、将所述港口强度矩阵做非负标准化处理,得到各个港口标准化后的港口强度Aj:
式(2)中,Fj为标准化前任意港口j的强度;(Fj)min为标准化前所有港口强度的最小值;(Fj)max为标准化前所有港口强度的最大值。
3.如权利要求1所述的一种基于GIS技术的港口腹地划分方法,其特征在于,所述步骤S2中,公路模式下的栅格分析图层的构建包括:
S201、获取所述目标区域内路网数据;所述路网数据包括:交通运输网、物流节点、港口和行政区划数据;
S202、根据所述路网数据创建矢量图层,将所述矢量图层栅格化,得到单位栅格图;
S203、将所述单位栅格图进行成本赋值,完成公路模式下的栅格分析图层的构建,得到公路模式下累积成本距离。
4.如权利要求3所述的一种基于GIS技术的港口腹地划分方法,其特征在于,所述步骤S2中,多式联运的网络分析图层的构建包括:
S204、根据所述步骤S201中获得的交通运输网和物流节点,构建网络数据集;所述交通运输网包括公路运输模式、铁路运输模式和水路运输模式;
S205、将同一运输模式设置为同一连通性组,并在所述物流节点处设置多个连通性属性;
S206、根据所述连通性组生成OD成本矩阵,计算物流节点到港口的网络成本距离,完成多式联运的网络分析图层的构建;
S207、根据所述多式联运的网络分析图层,得到多式联运模式下累积成本距离。
5.如权利要求4所述的一种基于GIS技术的港口腹地划分方法,其特征在于,所述步骤S203中,将单位栅格图进行成本赋值,以及步骤S206中,计算物流节点到港口的网络成本距离的计算公式均为:
式(3)中,value为公路模式下的单位成本距离;M为不同公路运输模式下单位时间内运输单位货运量的物流费用;v为货车在当前栅格的通行速度。
6.如权利要求1所述的一种基于GIS技术的港口腹地划分方法,其特征在于,所述步骤S2中,得出从任意地区i到任意港口j的运输成本距离Dij,包括:
将所述步骤S203获得的公路模式下累积成本距离,以及所述步骤S207获得的多式联运模式下累积成本距离相加,输出货物运输总成本;从所述货物运输总成本中筛选出最小值,得到从地区i到港口j的运输成本距离Dij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881885.0A CN113553391B (zh) | 2021-08-02 | 2021-08-02 | 一种基于gis技术的港口腹地划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881885.0A CN113553391B (zh) | 2021-08-02 | 2021-08-02 | 一种基于gis技术的港口腹地划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553391A CN113553391A (zh) | 2021-10-26 |
CN113553391B true CN113553391B (zh) | 2024-05-10 |
Family
ID=78133547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881885.0A Active CN113553391B (zh) | 2021-08-02 | 2021-08-02 | 一种基于gis技术的港口腹地划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553391B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2525997A1 (en) * | 2005-05-11 | 2006-11-11 | Optosecurity Inc. | Method and system for screening containers |
CN101436345A (zh) * | 2008-12-19 | 2009-05-20 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测*** |
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102663579A (zh) * | 2012-04-27 | 2012-09-12 | 同济大学 | 基于货运流程的港口道路交通需求od估计方法 |
CN103886394A (zh) * | 2014-04-04 | 2014-06-25 | 天津市市政工程设计研究院 | 港口物流生产型用地功能调整交通影响测评方法 |
CN110400053A (zh) * | 2019-06-28 | 2019-11-01 | 宁波市气象台 | 一种港口气象服务效益评估的方法 |
CN110673183A (zh) * | 2019-09-24 | 2020-01-10 | 南通润邦重机有限公司 | 一种结合gps\ins的集装箱识别定位方法 |
-
2021
- 2021-08-02 CN CN202110881885.0A patent/CN113553391B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2525997A1 (en) * | 2005-05-11 | 2006-11-11 | Optosecurity Inc. | Method and system for screening containers |
CN101436345A (zh) * | 2008-12-19 | 2009-05-20 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测*** |
CN101976501A (zh) * | 2010-10-29 | 2011-02-16 | 天津市市政工程设计研究院 | 基于主成分分析和神经网络的港区道路安全性预测方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102663579A (zh) * | 2012-04-27 | 2012-09-12 | 同济大学 | 基于货运流程的港口道路交通需求od估计方法 |
CN103886394A (zh) * | 2014-04-04 | 2014-06-25 | 天津市市政工程设计研究院 | 港口物流生产型用地功能调整交通影响测评方法 |
CN110400053A (zh) * | 2019-06-28 | 2019-11-01 | 宁波市气象台 | 一种港口气象服务效益评估的方法 |
CN110673183A (zh) * | 2019-09-24 | 2020-01-10 | 南通润邦重机有限公司 | 一种结合gps\ins的集装箱识别定位方法 |
Non-Patent Citations (4)
Title |
---|
improved gauss plume model for port sub-category hinterland division;wenyuan wang等;CICTP 2020;20201209;1-10 * |
区域港口群协同发展研究――以山东半岛为例;黄昶生;王刚;周备;;河南科学;20200215;第38卷(第02期);311-320 * |
基于GIS的港口腹地划分模型;王杰等;水运工程;20141025(第10期);91-96 * |
大连港和营口港空间效应变化预测分析――基于太平湾港口建设;金一;韩增林;郭建科;王绍博;;资源开发与市场;20160915;第32卷(第09期);1083-1087+1153 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553391A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gigović et al. | Application of the GIS-DANP-MABAC multi-criteria model for selecting the location of wind farms: A case study of Vojvodina, Serbia | |
Shahparvari et al. | A GIS-LP integrated approach for the logistics hub location problem | |
Wu et al. | Identifying different types of urban land use dynamics using Point-of-interest (POI) and Random Forest algorithm: The case of Huizhou, China | |
CN109359162B (zh) | 一种基于gis的学校选址方法 | |
CN107133900B (zh) | 城市土地混合利用特征格网计算方法及装置 | |
Özsoy et al. | Structural and operational management of Turkish airports: a bootstrap data envelopment analysis of efficiency | |
Budarova et al. | Information technologies for monitoring the territory of subsoil use | |
Fan et al. | The spatial restructuring and determinants of industrial landscape in a mega city under rapid urbanization | |
CN102289581A (zh) | 一种基于空间作用划分的模拟城市扩展的方法 | |
Han et al. | Evaluating the spatial deprivation of public transportation resources in areas of rapid urbanization: accessibility and social equity | |
Verhetsel et al. | Assessing daily urban systems: A heterogeneous commuting network approach | |
CN109118004A (zh) | 一种工程构筑选址适宜区预测方法 | |
Jing et al. | A hierarchical spatial unit partitioning approach for fine‐grained urban functional region identification | |
Tezel et al. | Accurate assessment of protected area boundaries for land use planning using 3D GIS | |
Karountzos et al. | A decision support GIS framework for establishing zero-emission maritime networks: the case of the Greek coastal shipping network | |
CN107909245B (zh) | 一种存量用地的制作方法 | |
CN113553391B (zh) | 一种基于gis技术的港口腹地划分方法 | |
Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
Önden et al. | Green energy source storage location analysis based on GIS and fuzzy Einstein based ordinal priority approach | |
Liang et al. | Projection of landscape ecological risk and exploration of terrain effects in the Qilian Mountains, China | |
Beukes et al. | Quantifying the contextual influences on road design | |
Partridge et al. | Integrating regional economic development analysis and land use economics | |
Wu | Research on Spatial Distribution Characteristics of Zhanjiang Industrial Structure Based on POI Data Clustering | |
Shoshany et al. | Progression of greenway corridors through conflict: Cellular automata simulation and AHP evaluation | |
Pantazis et al. | GIS applications in costal transport: the Co. Tr. IS case and its contribution towards the islands sustainable smartification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |