支持可持续货运规划的城市货运类型学框架构建——以日本地方自治体为例

《Journal of Transport Geography》：Development of an urban typology framework for supporting sustainable freight planning: A case of Japanese municipalities

　　

随着世界各地城市物流环境发生剧烈变化，各种货运相关问题不断涌现。为解决这些问题，公共部门的应对日益重要，尤其是在地方政府层面。然而，城市货运/城市物流方面的知识和经验在地方层面尚未充分积累，这使得应对地方货运相关问题具有挑战性。本文基于日本七大都市圈688个地方政府单位的数据，提出了一种城市货运类型学。与以往主要依赖精细空间单元和估算货运需求指标的类型学研究不同，所提出的框架采用地方政府（municipality）层面的视角，并整合了观测到的货运需求数据以及社会经济、土地利用和运输系统特征。通过因子分析（factor analysis）和凝聚聚类（agglomerative clustering）方法，研究人员识别出七个城市货运因子和九个类型簇。结果证实，每个类型簇都能有效捕捉地方政府特有的货运特征。此外，为论证所提类型学的实用性，研究人员分析了类型簇与车辆停靠频率之间的关系，并以关东都市圈为例，识别出适合布局超大型物流设施的类型簇。统计验证表明，该类型学解释了车辆停靠密度和大型物流设施空间分布的显著变异，支持其在货运规划与政策分析中的实用价值。

近年来，随着电子商务快速增长、城市人口与产业集聚以及碳减排要求，城市物流环境发生剧变。货运交通带来拥堵、污染、行人安全等负面影响，地方政府需要采取应对措施。然而，地方政府普遍缺乏城市货运的专业知识和经验，不清楚应优先解决哪些问题以及如何解决。以往的城市类型学研究主要面向客运和城市形态，而货运类型学研究多采用精细网格单元，使用有限变量且多依赖估算数据，与行政决策尺度脱节。因此，亟需构建一个基于地方行政单元、整合货运需求与城市特征的类型学框架，以支持地方政府识别自身货运挑战，并促进同类城市间的知识共享。

研究人员利用日本七大都市圈688个地方政府单位的数据，开展城市货运类型学研究。数据来源包括2020年人口普查、2021年道路交通普查、2016年经济普查、2021年物流普查、国家土地数值信息、市政统计，以及物流房地产企业和配送服务商提供的资料，共包含56个变量，涵盖社会经济、路网、物流需求与供给。研究采用探索性因子分析（EFA）提取因子，使用平行分析确定因子数，并以最大似然法和Geomin斜交旋转进行因子提取；然后基于因子得分采用Ward层次聚类进行城市分类，通过R的NbClust包确定最优簇数。验证阶段使用单因素方差分析（ANOVA）、多元方差分析（MANOVA）和Kruskal-Wallis检验评价类型学对车辆停靠密度和物流设施分布的解释力。

### 4.1 城市货运因子解读

通过EFA识别出七个城市货运因子：城市化（反映商业活力、人口集聚和客车出行）、货运生产（反映仓储和轻工业品物流）、重型制造（反映金属机械等重工业）、网络密度（反映高速公路和主要道路可达性）、腹地配送（反映大规模货物配送和商业交易）、住宅开发（反映住宅用地集中度）以及港口物流（反映港口机场可达性和临海产业）。这些因子共同刻画了城市货运多维结构。

### 4.2 城市货运类型学描述

基于七个因子得分进行层次聚类，得到九个类型簇：城市核心（高城市化与高货运生产）、连接型住宅区（高住宅开发和中高网络密度）、孤立型住宅区（高住宅开发但低网络密度）、产业住宅混合（重工业与住宅开发并存）、港口重工业（港口物流与重工业突出）、孤立工业（重工业但网络密度低）、物流腹地（腹地配送功能强且城市化水平低）、制造腹地（重工业与腹地配送组合但网络密度低）、低密度孤立区（各项因子得分均低）。每个类型簇均有代表性的地方政府单位，能够反映不同的货运特征和潜在政策问题。

### 4.3 各都市圈簇构成

通过比较七个都市圈内各簇的比例和空间分布，发现都市圈之间的货运类型结构差异显著。例如，关东都市圈呈现以城市核心为中心、连接型住宅沿高速公路扩展、港口重工业位于东京湾沿岸的同心圆模式；中京都市圈广泛分布产业和制造导向类型；近畿都市圈拥有多个城市核心和沿海工业带；其他地方都市圈则表现出各自的区域特征。这些差异有助于理解都市圈尺度下的货运空间结构。

### 4.4 停靠密度与城市货运簇

利用道路交通普查数据计算各自治体货车停靠密度（次/km²）。ANOVA结果显示，类型簇对停靠密度有显著影响（F(8,679)=127.2，p<0.001），效应量η²=0.60，远大于都市圈分类的解释力（η²=0.07）。城市核心簇的停靠密度最高，港口重工业和产业住宅混合簇次之，而物流腹地、制造腹地和低密度孤立区最低。MANOVA进一步显示，类型簇对轻型、小型和标准货车的停靠密度均有显著影响，表明类型学能够捕捉不同车型的运营特征差异。此外，部分簇存在区域异质性，如关东都市圈城市核心中标准货车比例更高。

### 4.5 多租户物流设施位置与城市货运簇

以关东都市圈为案例，研究人员计算多租户物流设施楼面面积密度，并通过Kruskal-Wallis检验发现不同簇之间存在显著差异（χ²(8)=79.86，p<0.001）。大型物流设施主要集中于港口重工业、产业住宅混合、连接型住宅和制造腹地四个簇。在港口重工业簇，旧工厂和仓库被改造为大型多租户设施；在产业住宅混合簇，设施多邻近高速公路互通；在连接住宅簇，设施靠近人口密集区但可能引发交通干扰；在制造腹地簇，设施沿北关东高速公路分布。这表明类型学有助于理解物流设施区位偏好及相应规划挑战。

研究讨论指出，类型学支持针对不同簇设计差异化政策，而非“一刀切”方案。例如，城市核心需加强路缘管理和非高峰配送；连接住宅区需控制货运对居住环境的影响；港口重工业和产业住宅混合簇需通过空间规划分离客货流。同一类型的自治体即使地理位置不相邻，也可互相借鉴经验。类型学还能帮助理解物流设施空间格局的复杂组合，超越单一的“城市-郊区”二分法。研究结论认为，提出的城市货运类型学框架能够将具有相似特征的市政单元归类，使地方政府可以共享知识并制定更有效的货运规划。统计验证表明，该类型学显著解释了车辆停靠密度和大型物流设施空间分布的变异，可作为货运规划与政策分析的有效工具。