EN中文

Journal of Geo-information Science >

2020 , Vol. 22 >Issue 8: 1630 - 1641

DOI: https://doi.org/10.12082/dqxxkx.2020.190380

Cluster Identification and Spatial Characteristics Analysis of Shunfeng Express Service Facilities based on the DBSCAN Algorithm in Beijing

  • ZHANG Ya , 1, 2, 3 ,
  • LIU Jiping , 4, * ,
  • ZHOU Liang 1, 5 ,
  • WANG Yong 4 ,
  • LI Peng fei 1, 2, 3
Expand
  • 1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 4. Chinese Academy of Surveying & Mapping, Beijing 100830, China
  • 5. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
*LIU Jiping, E-mail:

Received date: 2019-07-17

  Request revised date: 2019-11-25

  Online published: 2020-10-25

Supported by

The Basal Research Fund of Chinese Academy of Surveying and Mapping(AR1904)

National Key Research and Development Program of China(2016YFC0803106)

National Key Research and Development Program of China(2017YBF0503601)

Funded by Lanzhou Jiaotong University Excellent Platform(201806)

Copyright

Copyright reserved © 2020
Fold

Abstract

The leap-forward development of e-commerce has injected fresh blood into the express delivery industry to promote the national economy. As a bridge between express delivery companies and users, service outlets have gradually become an important research object of urban geography and logistics geography.In this paper, by taking Shunfeng Express service outlets of Beijing as the research object,we introduced for the first time the DBSCAN clustering algorithm andunattended intelligent express cabinets into the urban logistics express industry. Spatial analysis methods such as the nuclear density analysis and Ripley's K function wereused to quantitatively compare and analyze the spatial pattern, agglomeration features, and influencing factors of the two types of Shunfeng Express service outlets, namely, manned cooperative outlets and unattended intelligent express cabinets.Results show that: (1) The density-based DBSCAN clustering algorithm can quickly and efficiently identify clusters of express service outlets of any arbitrary shape. The algorithm identified 24 intelligent express cabinet clusters and 14 cooperative network clusters. (2) The high-density area of Shunfeng Express service outlets was mainly concentrated in residential areas with large population density, economic prosperity, convenient transportation, and residential areas in popular business districts, such as Shuangjing, Financial Street, Sanlitun, and Xueyuan Road. (3) The spatial distribution of the two types of service outlets, namely, cooperative outlets and smart express cabinets, was in an agglomeration mode, but the scale of agglomeration was different. The scale of express cabinet agglomeration was significantly larger than that of cooperative outlets, while the intensity of agglomeration was smaller than that of cooperative outlets. (4) The intelligent express cabinet had a large cluster density and a smaller service radius, and was more inclined to serve residential areas within the walking distance; the cooperative network had a smaller cluster density and a larger service radius, and the service object extended to the surrounding major areas with the service radius, at the same time, the demand for traffic accessibility increased. (5) The layout of Shunfeng Express service outlets were the result of a combination of the regional economic level, population size, traffic conditions, land use types, and urban functional area positioning.

Key words： express service outlets; spatial distribution characteristics; influencing factor; agglomeration mode; DBSCAN algorithm; Ripley's K function; Beijing

Cite this article

ZHANG Ya , LIU Jiping , ZHOU Liang , WANG Yong , LI Peng fei . Cluster Identification and Spatial Characteristics Analysis of Shunfeng Express Service Facilities based on the DBSCAN Algorithm in Beijing[J]. Journal of Geo-information Science, 2020 , 22(8) : 1630 -1641 . DOI: 10.12082/dqxxkx.2020.190380

1 引言

“5G”网络全面商用和网购经济的蓬勃发展,加速了物流供应链管理和电子商务进一步升级,使得物流行业成为社会经济发展的重要标志。快递业作为物流产业的一个分支,是推动流动方式转型、促进消费升级的现代化先导性产业,在降低流通成本,支撑电子商务、服务生产生活、扩大就业渠道等方面发挥积极作用,现已成为我国国民经济的重要产业和新增长点[1]。国家统计局电子商务交易平台调查显示,2018年中国电子商务交易额为31.63万亿元,比上年增长8.5%;快递服务企业业务量累计达到507.1亿件,同比增长26.6%;电子商务从业人员达4700万人,同比增长10.6%,这些数据均表明电子商务与快递物流协同发展已进入快车道[2]。当前,中国快递市场发展正处于转型升级的关键时期,仍然存在结构调整有待深化、基础设施能力不足、网络延伸不够、末端服务缺乏稳定性等突出问题。因此,合理规划与建设快递服务网点、提升快递产业整体能力对于中国城市快递行业的发展具有重要作用。
随着电子信息技术和全球经济一体化的深入化发展,互联网经济逐渐代替传统经济成为当前主流经济形式,网络购物的盛行推动快递行业迅速发展。与此同时,“最后一公里”配送、合理规划建设快递服务网点等问题成为物流服务业发展的最大瓶颈,逐渐引起国内外学者的关注。国外研究主要围绕最后一公里解决方案及效率[3,4,5]、居民对自提点的接受程度[6]、影响快递自提点发展的驱动力[7]等内容展开大量的研究。国内学术界围绕快递服务网络组织与布局[8,9,10]、物流节点空间布局[11,12]、快递服务网点选址[13]、居民自提行为[14]等内容展开了大量的理论和实证研究,并取得了丰富的成果。对比发现,国外研究起步较早,已形成相对完善的理论体系,已完成从快递网络、物流节点、末端自提点自身研究到以消费者为出发点的快递服务效率、居民接受程度等研究的过渡;相比而言国内研究起步较晚,还未形成较完善理论体系,相关研究仍处于快递网络及物流节点自身的研究方面,其理论体系和实证研究方面均存在诸多欠缺。具体地,研究内容方面：已有文献多以宏观全局尺度为视角研究国内各快递企业的物流网络格局、网络组织方式,事实上现阶段顺丰快递等大型快递企业发展重点已经由宏观尺度的全国物流网络构建过渡到微观尺度城市内部的快递服务网点构建,然而,国内现阶段已有研究对微观尺度的城市内部快递服务网点的空间分布特征和集聚模式等方面的系统研究较少。研究对象方面：现有研究多以有人值守的快递服务点为研究对象展开,对于智能快递自提柜的研究相对较少,而对于快递自提点和智能快递柜对比研究、快递服务网点与其他基础设施空间布局关系的研究基本没有展开。研究方法方面：湛东升等[15]采用最邻近层次聚类法分析北京市公共服务设施空间集聚特征;宋辞等[16]采用层次聚类方法识别城市人口聚集中心;浩飞龙等[17]采用K-Mean聚类方法分析长春市商业网点的集聚模式;张珣等[18]采用K-Mean、Chameleon及DBSCAN等多种聚类方法对比分析城市群多层级空间结构。总体来看,已有研究多采用基于距离和基于层次划分的空间聚类方法进行空间数据挖掘研究,基于密度聚类方法的空间数据挖掘研究相对较少。与基于距离和基于层次划分的聚类方法相比,DBSCAN算法的优点是能够同时考虑空间和属性数据的相似性发现任意形状的空间簇、识别孤立点,而基于距离的聚类方法只能识别球状分布的类簇,因此本文选用基于密度的DBSCAN聚类方法识别顺丰快递服务网点集群。
本文以北京市主城区为研究区域,以顺丰快递2类服务网点为研究对象,综合运用核密度分析、Ripley's K函数、DBSCAN算法等空间点模式分析方法,定量对比分析合作网点和智能快递柜两类服务网点的空间分布格局、集聚特征及影响服务网点空间分布因素分析。与以往研究相比,本文首次使用DBSCAN聚类算法在微观城市尺度识别智能快递柜、合作网点的空间集群,对比分析各集群的形态特征及与周边其他服务设施的空间关系特征,最后探讨了影响服务网点空间布局的因素,以期丰富国内快递服务网点的空间布局特征方面的理论研究,了解和掌握物流行业快速发展过程中城市快递服务网点的空间布局情况,为城市快递自提点的布局优化提供理论支持,从而提高企业的经营效率和服务质量。

2 数据来源及研究方法

2.1 数据来源

本文以北京市主城区为研究区域,选用北京市顺丰快递服务网点为研究数据,并以北京市居住小区、学校、医院、银行、政府机关单位及道路等数据作为辅助数据展开研究。主要数据来源及预处理过程如下：
（1）服务网点数据来源于顺丰快递官方网站（http://www.sf-express.com/）,通过将北京市主城区划分为1926个2 km×2 km的网格,基于C#语言在Visual Studio 2015软件平台抓取,对抓取得到数据做裁剪、去重、筛选、纠偏等预处理操作,最后将得到的2971个服务网点存入MySQL数据库,主要包括网点名称、网点服务类型、地址、经纬度、网点负责人、联系电话、服务时间等属性信息。
（2）居住小区数据来源于房天下网站（https://www.fang.com/）;学校、医院、银行及政府机关单位等数据来源于百度地图 (https://map.baidu.com/);2017年全球30 m土地覆盖数据来源于国家地球系统科学数据共享服务平台,数据由清华大学宫鹏教授团队研发（http://data.ess.tsinghua.edu.cn/）;研究区道路数据来源于免费开源地图数据库OpenStreetMap网站（http://www.openstreetmap.org/）;基础地理信息数据来源于国家测绘局地理信息局标准地图服务网站（http://bzdt.ch.mnr.gov.cn/）。

2.2 研究方法

2.2.1 DBSCAN聚类算法
DBSCAN是由Ester等提出的一种经典的基于密度的聚类算法,DBSCAN算法能够将足够密度的区域划分成簇,并能有效处理噪声点发现任意形状的空间簇,且算法广泛应用于数据挖掘、机器学习、统计学、生物学等研究领域[19]。算法主要包含2个重要参数：Eps和MinPts。Eps指邻域距离;MinPts指Eps邻域内至少包含的最小样本数目。
算法流程为：以点集P中某一个点p出发,若点p的d邻域包含点多于MinPts个,则表明点p是核心对象,创建以p为核心的簇,将其d邻域中的直接密度可达的点加入该簇中。将与簇中所有核心对象直接密度可达的点加入簇中,迭代计算直至所有与点p密度相连的点都加入簇中时,选定尚未被加入任意簇的另一个点出发,重复上述过程,直至没有新的点可加入任意簇中时,聚类算法结束。未被加入任何簇的点即为噪声点[20]。本研究使用该算法识别北京市顺丰快递服务网点的空间聚集特征,为得到最优聚类结果,借助k-dist图经过多次迭代试验选取最优参数。
2.2.2 Ripley's K函数分析
Ripley's K函数是分析任意尺度点要素空间分布格局的工具,按照一定半径距离的搜索圆范围来统计空间点要素数量,表示现实情况下在距离d范围内的样本点平均数和区域内样本点密度的比值[21]。该方法通常用于研究不同距离范围内空间点的空间布局特征。本研究使用该方法分析不同空间尺度下服务网点的空间集聚模式。计算公式为：
K ( t ) = A ∑ i = 1 n ∑ j = 1 n W ij ( t ) n 2
L ( t ) = K ( t ) π - t
式中：n样本点总数;Wij(t)为距离t范围内点i与点j之间的距离;A为研究区面积。随机分布状况下, L(t)期望值为0,L(t)与距离t的关系可以验证不同距离t范围内,顺丰快递服务网点的空间分布格局。当L(t)大于0时,网点集聚分布;L(t)小于0时,网点分散分布;L(t)等于0时网点呈随机分布。
2.2.3 同位区位商分析法
区位商通常用来反映某一类型产业部门的专业化程度,其广泛应用于区域经济学、地理学等研究领域。“同位区位商”是区位商的衍生形式,可用于测度不同类别点之间分布的“邻近性”程度[22,23]。本研究使用该方法分析顺丰快递两类服务网点与居住小区之间的空间邻近关系。计算公式为：
CL Q x → y = C x → y N x N y ( N - 1 )
式中：CLQx→y指x类型网点被y类型网点“吸引”的同位区位商;Cx→y指x类网点中靠近y类网点分布的网点个数（本文以300 m为半径计算y类各网点的缓冲区,计算落入缓冲区内x的网点个数得到Cx→y）;Nx和Ny分别指x类型和y类型网点的个数;N指x和y网点的总数。当Cx→y大于1时,x趋向于靠近y;Cx→y小于1时,x趋向于远离y;Cx→y等于1时,二者呈随机分布。
2.2.4 路网密度
路网密度指在一定区域内道路网的总里程与该区域面积的比值,道路网的总里程依道路网内的道路中心线计算,面积依道路网所服务的用地范围计算。城市道路网内的道路指主干路、次干路和支路,不包括居住区内的道路。本文通过计算区域内路网密度计算衡量交通发达程度,其计算公式如下：
Road _ den = L S
式中：Road_den指某一区域的路网密度;L指区域内道路长度;S指区域面积。
2.2.5 网点密度
网点密度指在一定区域内快递服务网点个数与该区域面积的比值,本文通过计算区域内网点密度衡量区域内快递服务网点分布情况,其计算公式如下：
Poi _ den = Num S
式中：Poi_den指某一区域的网点密度;Num指区域内快递服务网点个数据;S指区域面积。

3 快递网点分布特征

3.1 网点空间分布特征

3.1.1 总体分布特征
顺丰快递服务网点集中分布在五环以内,且呈现“西疏东密”的空间分布特征,五环以外快递网点逐层递减,形成典型的中心-外围结构（图1）。具体地,顺丰快递服务网点的高密度区主要分布在双井、方庄、金融街、东铁匠营、广安门外、大屯、田村路等街道;呼家楼、八里庄、三里屯、学院路、望京等街道次之。分析这些网点高密度分布区,可发现如下特征：① 区域内部有热门商圈分布,如西单、三里屯、工体、国贸、王府井等,这些区域作为北京市最繁华的商圈,汇集了众多现代企业和商铺,人口流量大,为快递服务网点的分布提供条件;② 区域内具有大型的居民区、学校及医院等职住区,如双井青年公寓、朝阳园、通州北苑等大型居住区及学院路等高校聚集区,这些区域作为北京市典型的职住区域,分布着大量常住人口,吸引快递服务网点聚集。
图1 北京市顺丰快递服务网点核密度分布

Fig. 1 Kernel density distribution of Shunfeng express service outlets in Beijing

3.1.2 2类网点分布特征
19.24%的合作网点分布在东西核心城区,其余80.76%的合作网点分布在外围城区;智能快递柜仅有10.12%分布在东西核心城区,外围城区却分布着89.88%的智能快递柜（表1）。对比2种类型的服务网点分布特征发现：合作点更偏向于分布在人口密度较大的核心城区,而智能快递柜在保证核心城区饱和分布的情况下逐渐向周边及外围人口相对稀疏的县区蔓延。主要由于周边及外围县区人口密度相对较小,交通便利程度小,如果以合作点作为服务网点会造成不必要的人力物力消耗,减缓物流配送效率。快递柜作为新型服务网点在解决“最后一公里配送”问题的同时缩短快递员与取件人之间的交涉时间,为取件人提供了灵活的取件时间,加快了物流企业的配送速度,促进了智能物流的快速实现,是周边县区最佳的网点依托方式。
表1 2015年北京市主城区快递自提点数量分布

Tab. 1 Numbers of express delivery points in the main urban areas of Beijing in 2015

面积/km2 人口/万人 人口密度/（人/km2） POI数量/个
合作点 智能柜 总数
朝阳区 455 395.5 8692 219 897 1116
海淀区 431 369.4 8571 136 640 776
西城区 51 129.8 25 451 69 142 211
东城区 42 90.5 21 548 37 103 140
丰台区 306 232.4 7595 71 526 597
石景山区 84 65.2 7762 19 112 131
总体来看,顺丰快递“西疏东密”空间分布模式受北京市核心CBD空间分布的影响;典型的中心—外围分布模式受顺丰企业自身财力情况、成立历史、经营策略和企业目标等因素的影响[24]。顺丰快递作为中高端快递服务商,其服务网点必然与当地社会经济发展水平、交通网络的发达程度相一致,表现为在经济发达的中心城区服务网点密集分布,而在经济水平相对较弱的周边县区服务网点稀疏分布。

3.2 网点依托类型

对北京市2971个顺丰快递服务网点依托方式统计分析（表2）,由表可知,北京市顺丰服务网点主要依托丰巢智能快递柜,合作网点主要采用兼营方式依托超市、便利店、副食品店等方式开展业务。具体地,北京市81.45%的服务网点主要依托丰巢智能快递柜实现物流配送;7.91%的网点采用兼营的方式依托便利店、超市等销售型商铺,借助其需求量大、布局广泛[25]、人流量大等优点带来客流;4.51%的网点依托物业及社区服务中心,为周围居民提供便捷服务;3.64%的服务网点为专营和兼营网点,主要包括顺丰快递自家有人值守的服务网点及与其他物流企业联营的快递公司、收发室等,各公司之间合作共赢,提高快件配送效率,从而为用户提供更好的服务;剩余2.49%的服务网点依托校园营业点和个人销售点等方式,分别为大学生群体和销售点客流提供服务。综上所述,顺丰快递主要采取专营、兼营和联营3种方式开展业务,网点布局完全采取自营的模式,没有采取代理网点或加盟连锁的方式,网点布局主要以配送方式更智能、配送速度更快捷、所需人力更精简及吸引更多客户为主要目的,按市场需求建设。因此,北京市顺丰快速在秉承企业经营策略的基础上,建设成现有的高效快速的快递网络,未来随着人们对快递需求的不断增大,各类依托方式互助互惠,更好地为用户提供服务,同时物流行业将向更智能更高效的目标发展。
表2 北京市顺丰快递服务网点依托类型

Tab. 2 Types of Shunfeng express service outlets in Beijing

网点类型 智能柜 合作点
依托方式 丰巢智能柜 便利店、超市 物流及快递公司 校园 个人销售 物业及社区服务站
数量/个 2420 235 108 40 34 134
占比/% 81.45 7.91 3.64 1.35 1.14 4.51

3.3 网点空间邻近特征

以300 m为半径对北京市居住小区做缓冲区分析,分析结果与顺丰快递网点做交集,结果显示483个网点分布在居住小区300 m缓冲区内,2236个合作网点分布在300 m缓冲区内。以此计算结果为输入值运用同位区位商方法分析顺丰快递服务网点的空间邻近性,结果显示合作网点同位区位商值为0.938小于1,与居住小区无空间邻近性关系。其原因在于顺丰快递合作网点主要依托超市、便利店、收发室、物业及快递公司等各类基础生活服务设施开展业务,因此合作网点空间分布主要受超市、便利店等基础服务设施自身空间分布的影响。而超市、便利店等基础生活类型设施的空间分布往往受人口分布状况、市场需求及交通条件等多种因素的共同影响。智能快递柜同位区位商值为1.21,明显大于1,说明智能快递柜在空间上具有邻近居住小区分布的倾向。智能快递柜作为互联网技术与物流技术相结合的产物,主要面向社区、医院、学校、CBD等职住区域安装,旨在解决传统配送方式在收件人不方便收件情况下,将快件寄放在保安室、小区门口超市等地方而引起的收件人信息暴露、快递丢失等问题,以便提高配送效率,增加客户满意度。因此,智能快递柜以提供高效便捷的自助服务为目的,主要面向社区、CBD、园区等夜晚常住人口和白天工作人口较多的区域投放,从而使得快递柜服务网点空间分布具有邻近居住小区的特征,以便增加周边住户群体的满意度,提高配送效率,推动整个电子商务及社会智能化的发展。

4 快递网点空间集聚特征

4.1 集聚规模特征

对北京市顺丰快递服务网点空间分布进行空间自相关分析,结果显示合作网点和智能快递柜全局墨兰指数均大于0,且通过1%的显著性水平验证,表明2类自提点的空间分布均呈现显著的空间正相关系,空间分布呈聚集型分布。通过空间自相关分析发现顺丰快递网点的空间分布呈集聚模式,但无法判断各类网点在不同空间尺度的集聚差 异性特征。借助地理空间分析软件Crimestat实现Ripley's K函数分析,结果显示99%置信度水平下, 2种类型的网点的L(t)曲线整体大于上包迹线 （图2）,空间分布集聚特征明显。具体地,Ripley's K曲线表明：2类服务网点空间集聚程度随距离的增加均呈现出先增强后减弱的趋势。从集聚规模来看,智能快递柜在23 807 m的位置呈现出最大的集聚状态,合作网点在21 036 m的位置呈现出最大的集聚状态,智能快递柜表现出在更大空间范围内的集聚特性,其区位选择的尺度范围更大,空间集聚规模更大;合作网点的最大集聚半径出现的范围相对较小,其区位选择的尺度范围较小,集聚规模较小。从集聚强度来看,智能快递柜L(t)峰值为 15 193 m,合作网点L(t)峰值为25 665 m,合作网点峰值明显大于智能快递柜,表明其集聚强度明显大于智能快递柜。总体来看,两类服务网点集聚规模差异明显,智能快递柜虽然规模大于合作网点,但集聚强度却明显小于合作网点。
图2 北京市顺丰快递服务网点Ripley's K函数分析

Fig. 2 Ripley's K function analysis of Shunfeng express service outlets in Beijing

4.2 集群识别结果

基于Python语言使用DBSCAN算法对北京市顺丰快递服务网点进行空间聚类,在对各类网点做聚类前,为保证聚类参数最优,本文结合网点排序K-dist图参数辅助确定法[21]和迭代实验法[26] 2种方法,选取不同的MinPts和Eps值对服务网点POI数据进行多次迭代实验。最终,智能快递柜网点选取MinPts=15,Eps=1000 m作为输入参数,得到24个聚类集群,各集群之间的界限明显,聚类效果最佳;合作网点选取MinPts=7,Eps=1300 m作为算法输入参数,得到最佳聚类效果14个聚类集群。
4.2.1 智能快递柜集群特征
对智能快递柜网点进行空间聚类分析最终识别出24个集群（图3（a））,619个离群孤立点。聚类结果显示,75%集群集中分布在二环到五环之间,主要覆盖朝阳、海淀和丰台3个区,二环以内及五环以外零星分布。具体地,以集群内包含点规模为等级划分依据,等级排名前五的集群如表3所示。其中前3等级集群地处五环以内,第五等级集群是五环以外唯一的大规模集群,主要受城市不断发展和CBD东扩的影响形成。随集群等级增高,集群覆盖范围逐渐缩小,集群内部紧凑程度和集群密度不断变大,其中,第一等级集群覆盖30个街道,覆盖范围最广,服务半径最大,第五等级集群只覆盖三间房镇、常营、管庄3个街道。以300米为缓冲范围分析服务网点周边基础服务设施空间布局情况发现：92.43%服务网点周边有居住小区布局;68.39%的服务网点周边有学校布局;28.06%的服务网点周边有医院布局;54.63%的服务网点周边有银行、保险公司等金融类服务设施布局;79.46%的服务网点周边有政府机关单位布局。对中心城区各街道路网密度与街道内服务网点分布数量做相关性分析,得到相关系数R为0.369,且在0.01水平上显著,路网密度与服务网点数量呈正相关关系,服务网点更倾向于分布在路网密度大的地区。总体来看,智能快递柜集群密度大,服务半径小,主要服务于步行可达范围内的居民小区,学校、医院、银行及机关单位是其次要服务对象,服务网点受交通可达性影响相对较小。
图3 北京市顺丰快递服务网点集群分析结果

Fig. 3 Catering clusters and the Kernel Density analysis results of Shunfeng Smart-box outlets

表3 北京市顺丰快递服务网点集群特征

Tab. 3 Cluster characteristics of Shunfeng express service outlets

类别 等级/集群 集群数量/个 紧凑度 密度/（个/km2） 地点
智能快递柜 1/3 513 32.39 4.87 建外、六里屯、朝外、双井等30个街道
2/5 188 19.46 5.32 白纸坊、广安门外、太平桥、南苑等10个街道
3/8 159 17.41 5.35 田村路、八里庄、八里庄、紫竹院等8个街道
4/16 137 15.25 5.84 安贞、小关、大屯、亚运村4个街道
5/7 94 10.45 7.33 三间房镇、常营、管庄3个街道
合作网点 1/2 113 25.53 1.92 建外、六里屯、双井、呼家楼、平房镇等23个街道
2/5 61 18.39 1.58 学院路、奥运村、北下关、紫竹院等10个街道
3/0 35 12.72 2.06 东铁匠营、方庄、十八里店、潘家园等8个街道
4/4 33 12.96 1.92 德胜、和平街、安贞、和平里、太阳宫等8个街道
5/3 30 13.33 1.87 西长安街、展览路、新街口、广安门内等5个街道
4.2.2 合作网点集群特征
对合作网点聚类分析最终得到14个集群,158个离群孤立点（图3（b））。聚类结果显示,85%以上的合作网点集群分布在五环以内,且主要覆盖朝阳区和海淀区2个区域。具体地,以集群内包含点规模为等级划分依据,等级排名前五的集群如表3所示。与智能快递柜集群相比,合作网点前五等级集群都分布在五环以内,且在保持覆盖街道数量基本不变的情况下,集群内包含网点个数大幅度缩小,集群密度整体小于智能快递柜集群密度。以300 m为缓冲范围分析服务网点周边基础服务设施空间布局情况发现：87.66%服务网点周边有居住小区布局;75.32%的服务网点周边有学校布局;29.04%的服务网点周边有医院布局;59.35%的服务网点周边有银行、保险公司等金融类基础设施布局;86.03%的服务网点周边有政府机关单位布局。对各街道路网密度与街道内服务网点分布数量做相关性分析,得到相关系数R为0.491（在0.01水平上显著）,路网密度与服务网点数量呈正相关关系,且相关强度大于智能快递柜服务网点与路网相关性,合作网点空间布局受交通可达性影响更明显。总体来看,合作网点集群密度小,服务半径大,服务对象服务半径扩展至周边学校、医院及政府机关单位等职区,随着服务半径的扩大其对交通可达性要求更高。
顺丰快递服务网点聚类集群具有以下特征：
（1）智能快递柜集聚规模明显大于合作网点集聚规模。快递柜得到24个集群,而合作网点只得到14个集群,且快递柜各等级集群密度整体大于合作网点各集群密度。
（2）随着集群等级增高,智能柜集群内部紧凑程度和集群密度不断变大,集群等级和集群内部紧凑度、集群密度呈正相关,而合作网点集群无明显关系。
（3）2类网点服务半径、服务对象不同,对交通可达性的要求不同。智能快递柜集群密度大,服务半径小,更倾向服务于步行可达范围内的居民区,周边职区是其次要服务对象,而合作网点集群密度小,服务半径大,服务对象随服务半径扩展至周边各大职区,相应对交通可达性的要求更高。

5 快递网点空间分布影响因素分析

5.1 经济水平和人口规模

快递服务网点邻近服务对象而分布,具有较强的人口依赖性[27],其服务网点空间区位选择深受地区经济发展水平和人口规模的影响。人口规模大、经济水平高的地区,人民生产生活需求基数大、经济实力强,对生活品质要求高,网购需求大,物流产业繁忙,吸引各快递企业向这一地区聚集,反之亦然。研究发现北京市各县区顺丰快递服务网点空间分布与其人口规模之间呈显著正相关关系,相关性分析结果显示其Pearson 相关系数R为0.973,且在0.01水平上显著。63.68%的服务网点集聚分布在人口规模大的海淀区和朝阳区,西城、东城及石景山地区服务网点数随人口规模地降低而随之减少。而服务网点与其2018年GDP相关性分析结果未通过显著性检验,二者之间无明显相关关系（图4（a））。特别地,丰台地区GDP水平较低,但其网点数量较多,主要原因在于丰台地区人口规模相对较大,网购潜在客户规模大,吸引更多快递服务网点向此地区集聚。总体来看,人口规模作为网点布局的先决条件是影响服务网点空间布局的重要因素。
图4 北京市顺丰快递柜网点与经济水平人口规模及土地利用类型关系

Fig. 4 Relationship between Shunfengexpress outlets and the economic level, population size and land use type

5.2 土地利用类型

国家统计数据显示：2017年中国城镇常住人 口81 347万,比上年末增加2049万,乡村常住人口57 661万人,减少1312万人,城镇人口占总人口的58.52%,且该比重逐年上升[28]。快递服务网点作为物流行业的重要组成部分,存在价值是为服务广大客户群体,因此一定规模的人口是快递网点空间布局的必然条件,而城镇作为人口重要的承载体对服务网点空间布局起着重要作用。本文对顺丰快递服务网点和2017年北京市土地利用数据进行叠加分析（图4（b））,结果显示快递服务网点集中分布在二环到五环之间的城镇建设用地,五环以外及其他类型用地服务网点分布较少。主要由于城镇地区经济水平高,基础设施完善、生产生活条件便利,各类商业活动频繁,就业机会多,不断吸引人群向其内部聚集,城镇人口规模不断扩大,网购群体随之扩大,网购需求不断增大,从而带动网络经济、物流行业快速发展,在此背景下为满足客户需求,各企业快递服务网点按需增加布局。

5.3 交通可达性

交通路网作为连接快递服务网点与服务对象的桥梁纽带,其发达程度直接影响网点服务范围和效率。路网密度大、连通性良好的地区,顾客取件所需的时间和距离成本相对减少,网点服务半径随之扩大;反之路网稀疏,道路联通性较差的区域,网点服务半径相对较小。本文以区域内部路网密度（表4）（式（4）计算）作为交通可达性判断指标,以网点密度（表4）（式（5）计算）作为快递服务网点空间分布指标,计算交通可达性与快递服务网点空间分布之间的相关性关系,结果显示Pearson相关系数R为0.912,且在0.05水平上显著,路网密度与服务网点空间分布呈显著的正相关关系。快递服务网点趋向于分布在路网密度大、交通便捷的地区,交通便捷程度成为影响快递服务网点空间分布的最直接因素。
表4 北京市路网密度与顺丰快递网点密度

Tab. 4 Beijing road network density and Shunfeng express service outlet density

县区 网点密度/（个/km2） 路网密度/（km/km2）
海淀区 1.80 7.89
朝阳区 2.40 8.16
西城区 4.18 16.87
东城区 3.35 17.91
丰台区 1.96 6.34
石景山区 1.54 7.41

5.4 城市各功能区

快递服务网点空间分布不仅受地区经济水平、人口规模及交通可达性影响,城市区域功能定位从根源上影响服务网点空间分布。东、西城区作为首都功能核心区,经济水平高、人口密度和路网密度大,但分布在这2个区域的服务网点数据量却明显少于朝阳和海淀2个区域,主要原因在于东西城区作为全国政治文化及国际交流中心,区域内部主要以公共文化设施、党政机关及配套住房等功能用地为主,公共服务设施、教育设施为辅,政府对大型商业办公、医疗、高等教育、商品房、物流仓储等用地有明确限制,从而直接影响区域内部服务网点 布局。具体地,东西城区政府机关单位占比最高（表5）,分别是14.61%和15.80%,教育类设施占比最少,分别为7.63%和10.60%。朝阳、海淀两区作为城市功能拓展区,鼓励建设公共文化设施、教育设施及各类住宅,此外海淀朝阳两区分别作为高校聚集区和金融中心区,有大量青年群体在此集聚,他们作为网购主流客户带动网购经济和物流行业快速发展,吸引不同快递企业入驻此区域使得此区域服务网点数量增加,各类服务设施在海淀、朝阳两区也是占比最多。其中,政府机关单位占比最高,分别为32.75%、16.08%;医院占比最少,分别为23.20%、35.14%。城市功能区定位成为影响快递服务网点分布的决定性因素。
表5 北京市各区各类公共服务设施占比情况

Tab. 5 Proportions of various public service facilities in the urban districts of Beijing

海淀区/% 朝阳区/% 西城区/% 东城区/% 丰台区/% 石景山区/% 总数/个
政府机关单位 32.75 16.08 15.80 14.61 15.40 5.36 7407
教育 38.17 29.68 10.63 7.63 10.60 3.29 4063
金融 29.25 30.69 13.77 9.74 13.91 2.64 2229
医院 23.20 35.14 11.80 11.26 14.38 4.22 737
总体来看,顺丰快递作为民营企业主要受市场主导,地区经济水平、人口规模、交通可达性、土地利用类型及城市功能区定位等多种因素不同程度地影响服务网点空间布局,但快递服务网点的形成是多种因素综合作用的结果,任何单一因素都无法成为影响服务网点布局的唯一因素,多种因素相互限制,相互影响最终决定网点空间布局。

6 结论与讨论

本文首次将聚类算法引入快递物流行业的研究中,构建一种基于DBSCAN算法识别快递服务网点集群的方法,结合核密度分析、Ripley's K函数等多种空间点模式分析方法,对比分析北京市顺丰快递两类服务网点的空间分布特征、识别并分析快递服务网点集群,最后对影响网点布局的因素进行探讨。与以往研究相比,本文首次将无人值守的智能快递服务柜纳入研究,对比分析2类服务网点的空间分布特征及网点集群特征;此外,本文首次将DBSCAN聚类算法引入物流快递行业的理论研究中,识别已有服务网点形成的网点集群,并对其特征进行分析。这一研究的进行为后续其他各行业网点集群研究提供了参考,从而方便将这种集群识别方法推广应用至其他领域。本文主要研究结论如下：
（1）分布特征：① 顺丰快递服务网点集中分布在五环以内,且呈现出“西疏东密”、“中心—外围”的空间分布特征。其中,合作点主要分布在人口密度较大的核心城区,智能快递柜在保证核心城区饱和分布的情况下逐渐向在周边及外围人口相对稀疏的县区蔓延;② 顺丰快递采取专营、兼营和联营3种方式开展业务,其中81.45%的网点主要依托快递柜,18.55%网点依托便利店、超市及小区物业等各类生活服务设施开展业务;③ 区位同位商分析结果显示智能快递柜网点具有邻近居住小区空间分布的趋势;合作网点与居住小区无空间邻近性关系。
（2）集聚特征：① 2类服务网点空间分布均呈集聚模式,但集聚规模和集聚强度各不相同,快递柜集聚规模明显大于合作网点,但集聚强度却明显小于智能柜;② DBSCAN聚类得到24个智能快递柜集群,14个合作网点集群。其中,智能快递柜集群密度大,服务半径小,更倾向服务于步行可达范围内的居民区,周边职区是其次要服务对象;合作网点集群密度小,服务半径大,服务对象随服务半径扩展至周边学校、医院等各大职区,相应对交通可达性的要求更高。
（3）影响因素：顺丰快递服务网点主要空间布局受地区经济水平、人口规模、交通发达程度、土地利用现状及城市功能区定位等因素影响,多种因素相互影响、相互限制最终影响网点布局。
本文以北京市顺丰快递服务网点为研究对象,分析研究不同类型网点的空间分布特征、空间集聚特征及影响服务网点空间分布的因素,这一研究是在城市地理与物流地理视角下对居民生活圈重要新生节点的探索性研究。研究虽然取得了一定的结论,但由于受到数据和研究深度的限制,本文还存在一些局限,今后可深入研究如下内容：① 快递行业作为互联网经济时代的新起之秀,当前正处于快速发展阶段,本文利用现有数据分析已有服务网点空间布局状况,仅能反映时刻特征,为掌握快递行业发展历程推测未来发展趋势,后续研究有必要探讨长时间序列快递服务网点的演变特征;② 本文只探讨了北京市顺丰快递的空间分布格局,然而现阶段全国各大快递企业百花齐放百家争鸣,对比分析不同地区、不同快递公司服务网点的空间布局特征,了解其服务范围、服务对象有助于物流资源整合与优化。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
中华人民共和国国家国家邮政局. 快递业发展“十三五”规划[EB/OL]. http://www.askci.com/news/chanye/20170 215/14105590554.shtml.

[ State Post Bureau of The People's Republic of China. The 13th five-year plan for the development of express delivery industry[EB/OL]. http://www.askci.com/news/chanye/20170215/14105590554.shtml.]

[2]
中华人民共和国商务部. 中国电子商务报告2018[R]. 北京: 2019 -05-29.

[ Ministry of Commerce of The People's Republic of China. China e-commerce report 2018[R]. Beijing:2019-05-29. ]

[3]
Dell’Amico, Mauro, Hadjidimitriou S. Innovative logistics model and containers solution for efficient last mile delivery[J]. Procedia- Social and Behavioral Sciences, 2012,48:1505-1514.

[4]
Iwan S, Kijewska K, Lemke J. Analysis of parcel lockers' efficiency as the last mile delivery solution: The results of the research in Poland[J]. Transportation Research Procedia, 2016,12:644-655.

[5]
Moroz M, Polkowski Z. The last mile issue and urban logistics: choosing parcel machines in the context of the ecological attitudes of the Y generation consumers purchasing online[J]. Transportation Research Procedia, 2016,16:378-393.

[6]
Kedia A, Kusumastuti D, Nicholson A. Acceptability of collection and delivery points from consumers' perspective: A qualitative case study of Christchurch City[J]. Case Studies on Transport Policy, 2017,5(4):587-595.

[7]
Zenezini G, Lagorio A, Pinto R, et al. The collection and-delivery points implementation process from the courier, express and parcel operator's perspective[J]. IFAC-PapersOnLine, 2018,51(11):594-599.

[8]
倪玲霖, 王姣娥, 胡浩. 中国快递企业的空间组织研究——以顺丰速运为例[J]. 经济地理, 2012,32(2):82-88.

[ Ni L L, Wang J E, Hu H. Spatial organization of express delivery enterprise in China: A case study of Shunfeng express[J]. Economic Geography, 2012,32(2):82-88. ]

[9]
李鲁奇, 马学广. 基于运单数据的中国快递型物流网络格局、结构与功能——以宅急送为例[J]. 地理科学, 2019,39(1):92-100.

[ Li L Q, Ma X G. Pattern, structure and function of China's express logistics network-based on waybill data: A case study of ZJS express[J]. Scientia Geographica Sinica, 2019,39(1):92-100. ]

[10]
李波. 快递企业服务网络布局优化研究[D]. 北京:北京交通大学, 2010.

[ Li B. Research on Layout and Optimization of Express Enterprises Network[D]. Beijing: Beijing Jiaotong University, 2010. ]

[11]
谢夏成. 上海地区快递物流节点的空间格局分析[D]. 上海:上海师范大学, 2015.

[ Xie X C. Spatial pattern analysis of express delivery logistics nodes in Shanghai[D]. Shanghai: Shanghai Normal University Master of Philosophy, 2015. ]

[12]
黄涛. 基于GIS的快递末端自提网点布局研究[D]. 西安:长安大学, 2017.

[ Huang T. Study on the Layout of Express Self-pickup NetworkBased on GIS[D]. Xi,an: Chang'an University, 2017. ]

[13]
李妮娜. 基于中心地理论的城市快递服务网点选址研究[D]. 北京:北京交通大学, 2015.

[ Li N N. Research on location of city express service nodes based on central place theory: A case study of Beijing[D]. Beijing: Beijing Jiaotong University, 2015. ]

[14]
谭如诗, 徐逸伦, 陈栋. 城市居民快递自提行为空间研究——以南京市城区菜鸟驿站为例[J]. 世界地理研究, 2016,25(5):111-120.

[ Tan R S, Xu Y L, Chen D. Research on the spatial distribution of pickup points from the perspective of residents’ behavior:A case study of Cainiao network pickup points in Nanjing[J]. World Regional Studies, 2016,25(5):111-120. ]

[15]
张珣, 陈健璋, 黄金川. 基于空间聚类方法的京津冀城市群多层级空间结构研究[J]. 地理科学进展, 2017,36(11):41-49.

[ Zhang X, Chen J Z, Huang J C. Multi-level spatial structure analysis of urban agglomeration in the Beijing Tianjin-Hebei region based on spatial clustering algorithms[J]. Progress in Geography, 2017,36(11):41-49. ]

[16]
湛东升, 张文忠, 党云晓. 北京市公共服务设施空间集聚特征分析[J]. 经济地理, 2018,38(12):78-84.

[ Zhan D S, Zhang W Z, Dang Y X. Spatial clustering analysis of public service facilities in Beijing[J]. Economic Geography, 2018,38(12):78-84. ]

[17]
宋辞, 裴韬. 北京市多尺度中心特征识别与群聚模式发现[J]. 地球信息科学学报, 2019,21(3):84-97.

[ Song C, Pei T. Exploring polycentric characteristic and residential cluster patterns of urban city from big data[J]. Geo-information Science, 2019,21(3):84-97. ]

[18]
浩飞龙. 多中心视角下的长春市城市功能空间结构研究[D]. 长春:东北师范大学, 2017.

[ Hao F L. Spatial structure of urban functions of Changchun in the perspective of polycentricity[D]. Changchun: Northeast Normal University, 2017. ]

[19]
王劲峰, 廖一兰, 刘鑫. 空间数据分析教程[M]. 北京: 科学出版社, 2010.

[ Wang J F, Liao Y L, Liu X. Spatial data analysis tutorial[M]. Beijing: Science press, 2010. ]

[20]
Ester M, Kriegel H, Jiirg S, et al. A density based algorithm for discovering clusters in large spatial databases with noise[C]. Proceedings of the Second Knowledge Discovery and Data Mining, 1996: 226-231. ]

[21]
杨帆, 徐建刚, 周亮. 基于DBSCAN空间聚类的广州市区餐饮集群识别及空间特征分析[J]. 经济地理, 2016,36(10):110-116.

[ Yang F, Xu J G, Zhou L. Cluster identification and spatial characteristics of catering in Guangzhou based on DBSCAN spatial clustering[J]. Economic Geography, 2016,36(10):110-116. ]

[22]
申庆喜, 李诚固, 刘仲仪. 长春市公共服务设施空间与居住空间格局特征[J]. 地理研究, 2018,37(11):127-136.

[ Shen Q X, Li C G, Liu Z Y. Spatial pattern of public service facilities space and living space in Changchun[J]. Geographical Research, 2018,37(11):127-136. ]

[23]
Billings S B, Johnson E B. The location quotient as an estimator of industrial concentration[J]. Regional Science and Urban Economics, 2012,42(4):642-647. ]

[24]
李钢, 陈未雨, 杨兰. 武汉市快递自提点的空间格局与集聚模式研究[J]. 地理科学进展, 2019,38(3):105-114.

[ Li G, Chen W Y, Yang L. Spatial pattern and agglomeration mode of parcel collectionand delivery points in Wuhan city[J]. Progress in Geography, 2019,38(3):105-114. ]

[25]
李钢, 杨兰, 贺建雄. 基于POI数据的西安市快递自提点空间格局及空间关系研究——以菜鸟驿站为例[J]. 地理科学, 2018,38(12):85-91.

[ Li G, Yang L, He J X. The spatial pattern and organization relation of the pickup points based on POI data in Xi'an: Focus on Cainiao stations[J]. Scientia GeographicaSinica, 2018,38(12):85-91. ]

[26]
李江苏, 梁燕, 王晓蕊. 基于POI数据的郑东新区服务业空间聚类研究[J]. 地理研究, 2018,37(1):147-159.

[ Li J S, Liang Y, Wang X R. Spatial clustering analysis of service industries in Zhengdong New District based on POI data[J]. Geographical Research, 2018,37(1):147-159. ]

[27]
刘玲, 李钢, 杨兰, 等. 深圳市快递自提点的空间分布特征与影响因素[J]. 地球信息科学学报, 2019,21(8):1240-1253.

[ Liu L, Li G, Yang L, et al. Spatial distribution characteristics and influencing factors of the delivery sites in Shenzhen[J]. Journal of Geo-information Science, 2019,21(8):1240-1253. ]

[28]
国家科学技术部. 中国统计年鉴(2017)[M]. 北京: 中国统计出版社, 2017.

[ Ministry of Science and Technology of the People's Republic of China. Chinese science and technology statistics yearbook-2017. Beijing: China Statistics Press, 2017. ]

Options
Outlines

/

〈 〉