EN中文

地理学报 >

2026 , Vol. 81 >Issue 2: 439 - 452

DOI: https://doi.org/10.11821/dlxb202602008

新质生产力与区域发展

广东省新能源汽车跨城出行的空间格局与影响因素

  • 李苑君 , 1 ,
  • 陈嘉璇 1 ,
  • 陈卓 2 ,
  • 吴旗韬 , 1 ,
  • 芮洋 1 ,
  • 沈堪海 3
展开
  • 1.广东省科学院广州地理研究所，广州 510070
  • 2.中国科学院地理科学与资源研究所，北京 100101
  • 3.广东省交通运输规划研究中心，广州 510101
吴旗韬(1982-), 男, 河南平顶山人, 博士, 研究员, 中国地理学会会员(S110008399M), 研究方向为交通地理学。E-mail:

李苑君(1995-), 女, 湖北襄阳人, 博士, 助理研究员, 中国地理学会会员(S110011666M), 研究方向为时空大数据与交通流网络。E-mail:

收稿日期: 2024-10-23

  修回日期: 2025-04-22

  网络出版日期: 2026-02-05

基金资助

国家自然科学基金项目(42301200)

国家自然科学基金项目(42071165)

广东省科学院打造综合产业技术创新中心行动资金项目(2023GDASZH-2023010101)

收起

Spatial patterns and influencing factors of electric vehicle inter-city travel in Guangdong province

  • LI Yuanjun , 1 ,
  • CHEN Jiaxuan 1 ,
  • CHEN Zhuo 2 ,
  • WU Qitao , 1 ,
  • RUI Yang 1 ,
  • SHEN Kanhai 3
Expand
  • 1. Guangzhou Institute of Geography, Guangdong Academy of Sciences, Guangzhou 510070, China
  • 2. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 3. Guangdong Provincial Transportation Planning and Research Center, Guangzhou 510101, China

Received date: 2024-10-23

  Revised date: 2025-04-22

  Online published: 2026-02-05

Supported by

National Natural Science Foundation of China(42301200)

National Natural Science Foundation of China(42071165)

The GDAS' Project of Science and Technology Development(2023GDASZH-2023010101)

Fold

摘要

跨城出行方式的新能源化对于促进交通运输业全面绿色转型具有重要意义，其中亟待解决的首要问题即新能源汽车跨城出行空间格局与影响因素识别。本文以广东省为例，利用高速公路联网收费大数据，融合复杂网络分析、随机森林和岭回归等方法探索新能源汽车跨城出行的空间格局和关键影响因子。结论如下：① 2024年广东省新能源汽车跨城出行以纯电车型为主，纯电车比非纯电车流量更多、覆盖范围更广。纯电和非纯电车流网络的优势流打破了珠江口的地理阻隔，改变了传统的广深“双核”式空间结构，形成了广深珠“三足鼎立”的网络格局。② 新能源汽车跨城出行规模与交通运输枢纽布局密切相关。基于K-means聚类算法，纯电车流网络可划分为4个子群，包括机场县区子群、高铁县区子群、珠三角县区子群和粤东西北县区子群。③ 珠江口两岸县区新能源汽车出行的互惠性、便捷性差异均较小。西岸亦涌现出香洲区、中山市中心组团、金湾区等互惠系数和三角形密度双高型节点。④ 服务业劳动力、常住人口、高速公路路网密度和企业布局是影响新能源汽车跨城出行规模的主要因素。本文从跨城出行视角探索了新能源汽车的空间分布格局，同时围绕新能源汽车这一新颖的交通流形态丰富了流动性理论。

关键词： 绿色转型; 交通网络; 跨城出行; 联网收费数据; 新能源汽车; 广东省

本文引用格式

李苑君 , 陈嘉璇 , 陈卓 , 吴旗韬 , 芮洋 , 沈堪海 . 广东省新能源汽车跨城出行的空间格局与影响因素[J]. 地理学报, 2026 , 81(2) : 439 -452 . DOI: 10.11821/dlxb202602008

Abstract

The new energy mode for inter-city travel is crucial for promoting the comprehensive green transformation of the transport industry, among which the first issue to address is identifying the spatial patterns and influencing factors of electric vehicle (EV) inter-city travel. This study takes Guangdong province as a case study and utilizes big data from the expressway online toll collection (OTC) system for March 2024. By integrating complex network analysis, the random forest algorithm, and ridge regression, it explores the spatial patterns of EV inter-city travel and identifies the key influencing factors. The conclusions are as follows: (1) The EV inter-city travel is dominated by pure electric vehicles, which exhibit greater traffic flows and broader coverage compared to hybrid electric vehicles. The dominant flows within the EV networks break the geographical barrier of the Pearl River estuary, resulting in spatial structures that differ from the traditional "dual-core" model centered around Guangzhou and Shenzhen. Instead, a "three-pillar" structure emerges, comprising Guangzhou, Shenzhen and Zhuhai. (2) The scale of EV inter-city travel is closely related to the distribution of transportation hubs. Based on the K-means clustering algorithm, the pure electric vehicle network can be divided into four subgroups, namely the airport county subgroup, the high-speed railway county subgroup, the Pearl River Delta subgroup, and the Guangdong peripheral county subgroup. (3) The differences in reciprocity and convenience of EV inter-city travel on both sides of the Pearl River estuary are minimal. Notably, Xiangzhou district, the Zhongshan City Center Group, Jinwan District, and other key nodes characterized by high reciprocity coefficients and triangle density have also emerged on the west coast. (4) The service industry workforce, permanent population, highway network density, and new energy enterprises are the main factors affecting the scale of EV inter-city travel. This study explores the spatial distribution pattern of electric vehicles from the perspective of inter-city travel, enhancing mobility theory by focusing on the novel traffic flows.

Key words： green transformation; transport network; inter-city travel; online toll collection data; electric vehicles; Guangdong province

1 引言

近年来，在国家战略布局指引下，新能源汽车产业实现了跨越式发展[1-2]。2023年中国新能源汽车产量、销量分别为959万辆和950万辆，连续9年位居世界第一，且在国内市场占有率超过30%。随着市场规模扩大和区域互联互通水平提升，新能源汽车保有量和出行频率也显著增加。2024年春节期间，中国高速公路新能源车日均流量为594万辆，占日均总车流的10.04%；国庆假期期间，居民自驾出行比例达80%，其中新能源汽车流量持续高速增长[3]。各项统计数据直观显示，在中国新能源汽车不仅是可持续交通运输系统的基础构成部分，更是居民跨城出行的实际交通选择。在此背景下，探索新能源汽车跨城出行的空间格局，识别其关键影响因子，为优化配置区域交通资源和理解多元化城市空间结构提供了全新视角，也成为交通地理学亟需解决的重要问题。
跨城出行映射着区域劳动力、技术、信息等资源的高效流动，对优化城市群功能性联系、推进区域协调发展具有重要意义[4]。交通地理学通过交通流与城市网络相结合的方法，探索跨城出行的动态格局和城市空间相互作用[5]。梳理相关研究发现，国内外学者目前主要关注航空流、铁路流和公路流等，新能源车流研究较少。其中，航空流研究相对丰富，从航空城市网络的稳健性、连通性、可达性等拓扑特性[6]，延伸至网络化空间格局和形成机理[7-8]等，研究脉络清晰且不断深入，全面展示了航空跨城出行的空间组织模式，为其他交通方式研究奠定了流动性理论和复杂网络分析方法的双重基础。在铁路流领域，相关研究主要以发车时刻表、客流订票数据为基础[9-10]，探索铁路出行空间格局和演化特征[11-12]等。近年来，随着数据可获取性提升，公路跨城出行研究大量涌现，如基于公路班次客流刻画城市空间网络特征[13]；利用高速公路联网收费数据表征城市交通往来联系[14-16]等。然而，由于机动车型混杂、车牌识别困难等原因，新能源车流这一新颖的交通流要素尚未引起广泛关注。相关研究多通过保有量、市场销量数据和问卷调研等，探索新能源汽车的环境效应[2,17]和消费者偏好[18-19]，对其空间出行格局研究仍处于起步阶段。
从影响因素上看，已有研究多聚焦于新能源汽车产业发展和市场销售量的影响因素。新能源汽车产业发展受社会经济、政策、技术水平、交通基础设施等因素影响[20-24]。随着经济增长，居民收入水平不断提升，为追求高品质绿色出行提供了物质基础[21]。政策是驱动新能源汽车购置与普及的重要助推剂[21]，通过实施购车补贴、税收减免以及传统燃油车限行限购等措施，降低了消费者购置新能源汽车的经济门槛，增强了新能源汽车的市场竞争力和占有率。企业技术进步则提高了电池技术与新能源汽车续航里程[22]，有利于满足居民远程出行需求。充电配套设施是衡量新能源出行便捷性的关键标尺[22]，也是提升新能源汽车购置吸引力，促进消费方式从燃油车向新能源车转型的推动力。物流运输业不断向绿色化方向迈进[23]，在短途快递物流领域，新能源汽车以低能耗、低成本的优势逐渐成为传统燃油车的替代选择。综上可知，目前新能源汽车影响因素研究多关注宏观产业发展，较少涉及居民出行行为；且多以定性论述为主，缺乏对关键影响因子的定量化识别。
本文利用高速公路联网收费系统的新能源车牌大数据，以交通流频繁、新能源产业发达的广东省为典型案例区，以县级行政区为研究单元，利用复杂网络分析和地理空间分析探索新能源汽车跨城出行的空间格局；融合随机森林算法和岭回归方法定量识别其关键影响因子，以期从跨城出行的视角探索交通绿色转型的创新路径，同时围绕交通流绿色化、新能源车流远程化丰富流动性理论研究。

2 数据和方法

2.1 研究区域

广东省在新能源汽车跨城出行研究领域具有代表性。首先，广东省是中国经济和人口规模最大、高速公路路网最密集的省份。2023年全省生产总值为13.57万亿元，常住人口约1.3亿人，高速公路通车总里程达11481 km，实现了“县县通高速”。其次，广东省是跨城出行热度最高的区域。根据百度地图发布的《2023年度中国城市交通报告》，广东省下属的广州、深圳、东莞和佛山均位列全国跨城出行热度十大城市。第三，广东省是中国新能源汽车产业第一大省，已构建起较为完整的新能源汽车产业链。根据广东省统计局数据，2023年全省新能源汽车累计产量达253万辆，占全国新能源汽车产量的26%，占全球超15%。中国每4辆新能源汽车中就有1辆是“广东造”。

2.2 数据介绍

交通流大数据来源于广东省交通运输厅。随着数字交通发展，高速公路联网收费系统得以广泛应用。该系统记录有车辆类型、所经收费站、车流量等辅助收费结算的海量信息，通过大数据挖掘技术可转化为多类型机动车轨迹数据、多尺度O-D（Origin-Destination）交通流数据等。从车型上看，新能源汽车可划分为纯电车和非纯电车，通过车牌编码规则进行识别（表1）。从尺度上看，本文以县级行政区作为交通流统计的最小行政单元，将广东省划分为118个县区[15]。车流记录时间为2024年3月，原始数据含18万条O-D车流，去冗、归并后得2.7万条车流。
表1 基于英文字母和阿拉伯数字组合的新能源汽车编码规则*

Tab. 1 Coding rules for electric vehicles based on the combination of English letters and Arabic numerals

小型新能源汽车 大型新能源汽车
第一位 第二位 其他位 第六位 其他位
纯电车 A/B/C/D/E - 阿拉伯数字 A/B/C/D/E 阿拉伯数字
A/B/C/D/E 英文字母 阿拉伯数字
非纯电车 F/G/H/J/K - 阿拉伯数字 F/G/H/J/K 阿拉伯数字
F/G/H/J/K 英文字母 阿拉伯数字

注：*编码规则获取自广东省交通运输厅。因大型新能源汽车数量较少，本文不区分大型、小型车。

此外，为探索新能源汽车跨城出行的影响因素，解释变量均滞后一期，即2023年数据。高速公路路网矢量、县区间最短高速公路驾驶距离来自Open Street Map开源地图数据集；常住人口、GDP等统计数据源于《广东统计年鉴2024》；快递物流包裹数量由顺丰公司提供；服务区充电桩、新能源企业数量等源于高德地图POI数据。

2.3 研究方法

2.3.1 新能源汽车跨城出行网络构建

结合图论原理，以有向加权矩阵 G表示新能源汽车跨城出行网络，则有 G = ( V ,   E m ,   W )。其中 V是网络中包含所有县区节点的集合， V = { v i }， ( i   =   1 ,   2 ,   … ,   n )； n是县区数量，文中 n为118； E是连边的集合， E = { e i j }， ( i ,   j =   1 ,   2 ,   … ,   n )， e i j表示从县区i到县区j的交通流联系；W是连边权重的集合， W = { w i j }， ( i ,   j =   1 ,   2 ,   … ,   n )； w i j是县区 i和县区 j之间连边的权重，即从县区 i到县区 j的新能源汽车流量，单位为辆。

2.3.2 新能源汽车跨城出行网络分析

通过地理信息技术刻画县区间新能源汽车出行的空间格局；采用基于点度数的K-means聚类算法和核心子图提取算法探索新能源汽车出行的聚类特征和网络主干结构；选取互惠系数和三角形密度分析县区新能源汽车出行的便捷性和互惠性；基于网络密度度量新能源车流网络的覆盖范围和完整程度。
互惠系数：互惠性（Reciprocity）指县区节点之间的相互依赖性、连通性。如果节点i指向节点j，同时节点 j也指向节点 i，则称这两个节点之间存在双向互惠连接[25]。
R i = E d g e r e c E d g e
式中：Ri表示节点i的互惠系数；Edgerec表示该节点的互惠连接边数；Edge表示该节点的总边数。Ri越高，节点i与其他所有节点的互惠连接越强。
三角形密度：三角形密度（Triangle Density）用以分析县区节点的便捷性。三角形在网络分析中也称“节点三元组”，以节点i为顶点，包括节点i在内的3个节点组成。三角形也是一个常用且稳定的网络结构[26]，其密度常基于无向矩阵计算。
C i = 1 2 × G i i 3
T r i C i = C i - C m i n C m a x - C m i n
式中： C i代表以i为顶点的三角形的数量；G3代表矩阵G的三次幂矩阵，其对角线元素即为每个节点参与构建的三角形数量； T r i C i是归一化后的数据， T r i C i越接近于1，表示由节点i构造出的三角形数量越多，与其形成稳定关系的组群越多，节点i在网络中的便捷性越突出。
以下几点需说明：① 三角形密度、互惠系数指标均在Matlab中编程计算；K-means聚类直接调取程序语言包，在Matlab中分析并制图。② 核心子图分析中，使用PageRank节点重要性评估算法计算每个县区的重要性，参考已有研究[27]，取前10%核心节点构建网络子图。③ 网络密度、节点度、PageRank算法常用于社会网络分析，相关公式在此均不赘述。

2.3.3 新能源汽车跨城出行影响因子

（1）影响因子分析方法。为提升定量分析结果的科学性，首先构建新能源汽车跨城出行影响因子理论体系，其次采用随机森林算法对变量重要性进行排序，最后选择重要程度较高的影响因子代入回归模型。
随机森林算法：是一种基于决策树的集成学习方法。它利用训练集的随机性和节点分裂的最优性，可以处理大量线性或非线性数据，具有简单高效、误差较低等特性[28]。随机森林算法中“特征重要性”指标用以衡量每个特征值在模型分类过程中的贡献值大小。本文基于该指标对新能源汽车影响因子进行重要性排序，并采用机器学习中的五折交叉验证法和网格搜索法寻找最优参数，计算得出算法最优参数为：决策树数量n_estimators = 50，决策树最大深度max_depth = 10，最大特征数max_features = 11。
岭回归：传统研究常利用普通最小二乘法（OLS）对多元线性回归模型中的参数进行估计，但现实中自变量之间往往存在共线性，采用OLS模型进行参数估计会产生扭曲。为解决该问题，本文利用岭回归模型探索新能源汽车的主要影响因素。岭回归是解决多重共线性问题的有偏估计方法，通过在最小二乘估计中加入一个惩罚项来修正回归系数，损失无偏性换取模型的稳定性和预测能力。岭回归基本思路是给奇异矩阵 X ' X加上一个正常数矩阵kI，以改善其奇异性，从而得到岭估计系数，表达式为[15]：
β ^ k = X ' X + k I - 1 X ' Y
式中： β ^ ( k )为岭估计系数，当k = 0时即为普通最小二乘估计；当k → ∞时，岭估计系数则趋于0。k值越小，表明岭回归偏差越小，计量结果越接近最小二乘法的无偏估计。本文中的回归模型如下：
Y = ρ 0 + ρ 1 x 1 + ρ 2 x 2 + ρ 3 x 3 + … + ρ i x i + ε
式中：Y为因变量，即各县区高速公路新能源车流规模（以点度数指标衡量）；xi为自变量，即影响车流规模的各项因素；ρi为自变量的参数；ρ0为截距； ε为扰动项。
（2）影响因子体系构建。从出行供需、出行主体、出行能力和出行条件四大维度构建新能源汽车跨城出行的影响因子体系（图1）。基于流动性理论，交通流网络属于“需求网络”[5]，其形成依赖于资源供需的空间错配与经济社会活动的空间差异[29]，可理解为交通跨城出行是区域间供给和需求的合力，与经济社会多个层面存在紧密且复杂的联系。近年来，网络平台零售与直播带货促使快递包裹量激增，极大提升了货运需求[30]；加之新能源货车技术发展、运输成本控制等因素，大量轻型新能源货车被投放市场，且成为快递物流企业中短程运输派件的重要选择。在此以快递物流数量、社会消费品零售总额映射新能源货运需求[31]。以地方一般公共预算支出表示财政供给力度[32]，政府对新能源汽车产业发展、居民新能源汽车购置的双向补贴，均影响着新能源汽车的普及与使用。宏观经济发展决定着新能源汽车供给水平和出行规模，结合已有跨城出行研究成果，以生产总值和第三产业生产总值度量[15]。产业发展则直接影响新能源汽车装备制造的技术水平，也间接影响着新能源汽车的销售市场范围与社会接受程度[33]，以规模以上工业企业数量及新能源企业数量表征。
图1 新能源汽车跨城出行影响因子理论体系

Fig. 1 Theoretical system of factors affecting inter-city travel of new energy vehicles

常住人口、制造业与服务业从业人口构成了出行主体维度指标[34-35]。与户籍人口不同，常住人口数量直接映射着跨城迁徙行为[34]，常住人口规模越大，区域交通往来愈为频繁。服务业从业人口包括交通、邮电等行业劳动力，是营运性新能源汽车的驾驶主体。制造业从业人口包括消费品、装备制造等行业劳动力[35]，考虑到广东制造业发达且区域一体化发展程度较高的现实情况，将该指标也纳入新能源汽车跨城出行的驾驶主体。出行能力维度指标包括人均GDP及居民可支配收入，体现了居民对新能源汽车的购买力和对新能源出租车服务的消费力。与高速公路联网收费数据保持一致，出行条件维度选择了服务区充电桩数量与高速公路路网密度。服务区充电桩作为“新基建”七大工程之一[36]，其布局决定了新能源汽车续航便捷性；高速公路路网建设影响着交通时间和空间可达性[16]。上述两大因素也是新能源汽车突破“出不了城，下不了乡”的魔咒，实现跨城出行的推动力。

3 结果分析

3.1 新能源汽车跨城出行的空间格局与特征分析

3.1.1 县区间新能源汽车出行的网络空间格局

网络密度结果显示，2024年广东省新能源汽车跨城出行的覆盖范围接近燃油车。纯电车网络密度为0.83，即17%的有向线路缺失，仅少部分县区之间出现网络“断链”；非纯电车网络密度为0.79，较之纯电车低4个百分点。对比燃油车网络密度（0.87），广东省新能源汽车跨城出行面域较广，已形成典型的网络化空间格局。以县区间新能源纯电车、非纯电车流量为基础，在ArcGIS Pro平台中通过自然断点法将纯电车流连边分为5级。为便于对比，本文以相同的数值分级标准划分非纯电车流，可视化结果见图2a、2b。
图2 2024年广东省纯电与非纯电车流网络空间格局

Fig. 2 Spatial patterns of pure electric/hybrid electric vehicle flow networks in Guangdong province in 2024

新能源纯电车和非纯电车的差异性在于跨城出行规模和范围，纯电车流量更多、覆盖范围更广。统计表明，县区间日均纯电车流量为93辆，珠三角城市群内部新能源车往来频繁；而日均非纯电车流量为20辆，且仅聚集于珠江口两岸。相比非纯电车，纯电车价格优势和财政补贴力度更大，购置成本和维护费用更低，因而市场占有率更高，相应成为目前新能源汽车跨城出行的主力。
新能源纯电车和非纯电车的相似性在于跨城出行空间格局，均表现出广深珠主导、短程出行特征和富人俱乐部效应。首先，纯电和非纯电车网络的优势流（取前两级，日均车流量> 2500辆）打破了珠江口的地理阻隔，连接了两岸5大城市（广州、佛山、深圳、珠海和东莞），其空间结构均异于传统广深“双核”，形成广深珠“三足鼎立”态势。尤其西岸珠海市金湾区与东岸深圳市中心区、宝安区往来密切，日均单程纯电车流均超过10000辆；单程非纯电车流也接近1000辆。金湾区成为牵引新能源车流要素向西扩散的重要县区节点。此外，金湾区是珠江口西岸唯一被优势流串联的县区，也是唯一将优势流空间路径拓展至100 km以上的县区。其次，新能源纯电和非纯电车优势流的空间路径主要分布在邻近接壤县区之间，如广州市中心区和番禺区，日均单程纯电车流超过30000辆；广州市白云区和佛山市南海区，日均单程车流超过20000辆。最后，基于核心子图、函数拟合方法，探索纯电和非纯电车流网络的主干结构和节点分布特征。如图2所示，两者主干结构相似、节点重要性分布与帕累托函数拟合优度超过90%，可理解为主干网络中的少部分节点，如深圳市中心区和宝安区、广州市中心区和白云区、东莞东南组团等，控制着新能源车流网络的核心拓扑结构，使其具有显著的富人俱乐部效应。

3.1.2 基于新能源汽车出行规模的县区聚类

通过K-means聚类方法对广东省所有县区进行子群划分（图3），结合经济社会发展现状、交通运输枢纽布局等挖掘子群内县区共性。纯电车流网络被划分为4个子群，子群1包括深圳市宝安区、广州市中心区和白云区，共性在于国际机场布局，除广州市中心区外，白云区拥有广州白云国际机场，宝安区坐落深圳宝安国际机场，因此子群1为机场县区子群。子群2表现为高铁县区子群，覆盖佛山市南海区、深圳市中心区和龙岗区、珠海市金湾区、东莞西南组团和广州市番禺区。除金湾区建设有珠海机场外，其他县区分别建有佛山西站、深圳北站、深圳坪山站、东莞虎门站以及中国客流量最大高铁站之一的广州南站。子群3和子群4的区别在于地域差异，子群3内县区地处珠三角城市群内部，子群4内县区地处粤东西北外围。非纯电车流网络亦被划分为4个子群，但相比之下纯电车流网络聚类特征更为显著。
图3 基于K-means聚类的纯电与非纯电车流网络子群划分

Fig. 3 Pure electric/hybrid electric vehicle flow network subgroup divisions based on K-means clustering

3.1.3 县区新能源汽车出行的互惠性和便捷性

从互惠系数上看，珠三角城市群内节点的互惠性较强，在网络中具有协调发展的潜力。如白云区、宝安区和番禺区等，纯电车和非纯电车的互惠系数均为1，与外界所有县区节点实现了双向互联。对比而言，非纯电车互惠系数差异更大，连接性能较差的县区广泛分布在省界和粤东沿海地区（图4），如肇庆市封开县、清远市连山壮族瑶族自治县等，互惠系数均为0.7，与30%的县区间存在“单边”或“断链”现象。从三角形密度上看，与珠三角城市群（外围拓展至清远市、韶关市）形成稳定关系的组群较多，该区域节点在网络中的便捷性较为突出。值得关注的是，在新能源汽车出行互惠性和便捷性方面，珠江口东西两岸整体差异较小，并未出现优势县区集聚在东岸“穗莞深”的局面；反之，珠江口西岸亦涌现出香洲区、中山市中心组团、金湾区等互惠系数和三角形密度双高节点。
图4 纯电与非纯电车流网络中节点的互惠系数和三角形密度数值

Fig. 4 Reciprocity coefficient and triangle density values of nodes in pure electric/hybrid electric vehicle flow networks

3.2 新能源汽车跨城出行的影响因素

3.2.1 基于随机森林算法的影响因子重要性排序

影响因子相对重要性计量结果如图5所示。筛选掉区间中值以下重要程度偏低的影响因子，以服务业从业人口、常住人口、社会消费品零售总额、高速公路路网密度、第三产业生产总值、快递物流数量、新能源企业数量和地区生产总值共8个影响因子代入回归模型。
图5 基于随机森林算法的影响因子重要性排序

Fig. 5 Ranking of impact factors based on random forest algorithm

3.2.2 新能源汽车跨城出行影响因素分析

岭回归的k值为0.204，趋近于0，回归分析整体偏差较小，结果可信。F检验值为142.77，通过显著性检验（P < 0.001），变量之间存在回归关系；R2为0.884，调整后R2为0.877，模型拟合效果较好。社会消费品零售总额、快递物流数量、地区生产总值未能通过显著性检验，其他自变量回归分析结果如表2所示。
表2 新能源汽车跨城出行影响因素岭回归结果

Tab. 2 Ridge regression results of factors affecting inter-city travel of new energy vehicles

影响因子 非标准化系数 标准误 标准化系数 t p
常数 -13266.158 1896.75 - -6.994 < 0.001***
第三产业生产总值 0.535 0.653 0.025 0.819 0.015**
新能源企业数量 5.593 1.23 0.144 4.548 < 0.001***
服务业劳动力数量 0.252 0.017 0.304 15.112 < 0.001***
常住人口 0.008 0.001 0.251 8.825 < 0.001***
高速公路路网密度 47748.953 6405.379 0.255 7.455 < 0.001***
服务业从业人口数量是影响新能源汽车跨城出行最重要的因素，标准化系数为0.304。服务业劳动力涉及商品销售、交通运输、邮政和快递等多个领域。新能源汽车销售人员数量增加会影响汽车销量，又间接影响出行量。交通运输服务人员（如专职网约车司机、的士司机）的增加，直接提升了区域间新能源车流量。在绿色出行政策推行下，珠三角城市群许多地市已实现出租车全面新能源化；而网约车平台出于利益考量，也多倾向选择成本更低、上牌更简单的新能源车。此外，除了出租车司机这类驾驶主体，其他金融商贸、购销仓储、科研业务等从业人员，相比制造业从业者具有更高的跨城出行流动性，也更加青睐成本较低的新能源汽车。高速公路路网密度（标准化系数0.255）和常住人口（标准化系数0.251）是第二、第三大影响因素。路网密度高的区域往往城市化发展程度较高，为新能源车提供了更加便利的出行环境；常住人口较多的区域消费市场更为广阔，日常通勤等交通需求也比较旺盛。相比旅游出行，通勤具有短距离、高频次的特点，新能源车因低经济成本（维护成本、购置成本、能耗成本）成为通勤的重要选择。新能源企业数量（标准化系数0.144）对新能源车流具有一定影响。企业发展推动了电池技术创新，显著改善了新能源汽车的续航里程、充电速度和安全性，进而促进了新能源汽车普及。同时，新能源企业集聚发展也带来了市场竞争加剧和生产效率提升，进一步降低了消费者的购置成本，推动了新能源汽车的广泛应用。

4 结论与讨论

（1）广东省新能源汽车跨城出行呈现出纯电车型使用广泛、短程出行为主、广深珠主导等空间分布特征。纯电车比非纯电车流量更多，且空间覆盖范围接近燃油车。此外，新能源车流网络的优势流主要集中于相邻接壤县区和珠江口两岸县区之间，打破了珠江口地理阻隔。与燃油车以广深为核心的“双核”式结构不同，新能源车流形成了广深珠“三足鼎立”的网络空间格局，这是本文的第一结论，该现象可归结为产业发展的影响。
产业发展是新能源汽车跨城出行的重要“牵引力”，也是塑造车流网络空间结构的关键因子。珠三角城市群网络空间结构由广深两市或者由珠江口东线城市控制（广州、深圳和东莞），在高速公路全类车网络（油车主导）[37]、铁路流网络[38-39]、信息流和资金流网络[40]中均得以证实，而新能源汽车网络则呈现差异化的空间拓扑表达。除广州和深圳这种新能源产业强市的下属县区，珠海市下属县区，如金湾区等，也是新能源产业高度集聚的核心区域，其产业布局深度、广度和力度高于广东多数县区。根据《广东省制造业高质量发展“十四五”规划》，十大战略性支柱产业重点提及珠海以金湾区为核心，发展新能源整车制造、锂电池材料、动力总成、充电设备以及新能源汽车关键零部件。这种覆盖上下游全链条的产业供给，加速了新能源汽车技术研发与应用。华南唯一的国家级新能源汽车动力电池及电驱动系统质量检验检测中心亦位于珠海市金湾区，进一步拉动了新能源汽车向金湾区流动，使得该地区成为广东省新能源汽车网络的优势节点和牵引新能源要素“西渐”的动力源。此外，从整个珠海市看，城市建成区域集中且面积狭小，充电基础设施配套较全，也使得新能源汽车成为居民出行的常态化选择。较之处于技术发展和市场开拓阶段的新能源汽车，油车主导的全类车网络结构差异显著。传统燃油车在市场上存在时间较长，已深度融入居民日常生活，其保有量大且市场地位相对稳固，车流方向、车流规模与广东经济社会发展的整体态势保持高度一致[37]，交通流网络主要呈现中心指向性（区域中心城市）、邻近指向性（邻近城市）、等级指向性（发达城市）3种特性，除深中通道等重大交通基础设施建设外，现阶段很难因某类产业的布局而对流网络产生较强的空间扰动。
（2）新能源汽车跨城出行规模与机场、高铁站等交通枢纽的布局密切相关。基于 K-means聚类算法，纯电车流网络可划分为4个子群，包括机场县区子群（白云区和宝安区等）、高铁县区子群（番禺区和南海区等）、珠三角子群和粤东西北子群。该现象可归结为常住人口规模和服务业劳动力的影响。
人口规模影响着交通出行需求，一方面，从交通运输服务人员上看，出租车趋于新能源化，新能源专职司机数量逐渐增多。随着网络预约出租汽车（简称网约车）市场发展，各类平台不断涌现，网约车司机注册门槛也不断降低，越来越多人从顺风车兼职司机进入网约车专职司机行列，加之巡游出租汽车（简称巡游车）专职司机，城市整体交通运输服务业劳动力数量不断提升。就巡游车而言，随着广东省公共交通绿色转型政策推进，广州、深圳等许多城市基本实现电动化；就网约车而言，受运输成本和市场利益驱动，近90%的网约车为新能源汽车。另一方面，从新能源汽车跨城出行上看，其空间集聚地多为机场、高铁等重要交通场站。县区子群基于其相似性分别被定义为机场县区子群、高铁县区子群，该子群内部新能源车流规模较大。机场、高铁等交通运输枢纽通常与城市中心距离较远，在广东省暂未实现市市建机场、县县通高铁的情况下，这两类运输枢纽的空间服务范围覆盖周边多个城市。考虑到时间成本和接驳便利性，出租车和网约车成为居民出行的重要选择；在远途费补贴、返程空载率低等利益驱动下[41]，网约车和巡游车司机也倾向接机场、高铁方向的跨城出行订单。因此，综合以上两个视角可发现，交通运输服务人员的增加，影响了新能源汽车跨城出行量；而从车流集聚区域中，又能进一步透视新能源出租车往返接驳旅客出行的现实情境。除运输服务人员外，其他服务人员同样值得关注。随着中国经济结构转型升级，服务业逐渐成为创造和吸纳劳动力就业的主力军。相比制造业和农业等劳动力，服务业劳动力工作地点更为分散，工作时间更为灵活，人口流动性和出行需求也更大。同样在经济和时间成本驱动下，很多服务业劳动者倾向新能源汽车出行。
（3）珠江口两岸县区新能源汽车出行的互惠性、便捷性差异均较小，并未出现优势县区集聚在东岸“穗莞深”的局面。珠江口西岸亦涌现出香洲区、中山市中心组团、金湾区等互惠系数和三角形密度双高节点。可见，新能源汽车跨城出行将成为实现珠江口东西两岸绿色转型公平的重要切入点。
中共中央、国务院于2024年8月印发《关于加快经济社会发展全面绿色转型的意见》，指出要将绿色转型的要求融入经济社会发展全局，全方位、全领域、全地域协同推进绿色转型[1]。结合现状分析，珠江口东西两岸的能级差异一直是广东省协调发展的痛点，也是粤港澳大湾区向国际一流湾区迈进的阻碍。传统观点认为，珠三角未来交通发展应以东岸城市为导向[37,40]，而广东省在新能源汽车跨城出行方面实现了东西两岸的效率均衡，即两岸县区在对外连接的双向协调性和便捷性上差异较小。这为区域绿色交通公平转型、协同转型提供了良好契机。促进经济社会发展全面绿色转型，需要协同推进转型时序、协同推进顶层设计，珠江口作为珠三角城市群的“黄金内湾”区域，也是要素流动最为频繁的区域，新能源汽车跨城出行打破了东岸主导下的广深双核格局，也意味着未来的转型进程中，在新能源汽车跨城出行鼓励政策联合部署等方面，珠江口西岸城市应享有同样的首发经济政策红利和转型试点实验区，以“带动”而非“联动”的角色，进入绿色转型系统性部署和区域高质量发展新格局。
本文的不足之处主要体现在影响因子选择。比如聚焦社会经济因素，未考虑自然环境、地形因素等，且受制于行政区内统计变量和行政区间关系变量的结构型矛盾，本文也未定量分析距离对新能源汽车出行的影响。已有高速公路研究认可并解释了空间距离摩擦、空间距离衰减对车流的影响[42-43]，而城市间距离因素如何影响新能源汽车跨城出行行为、新能源车流空间交互强度如何随距离增加而逐渐衰减，将成为未来研究的重点。
关联数据信息：本文关联实体数据集已在国家地球系统科学数据中心出版，获取地址： https://doi.org/10.12041/geodata.85331332499866.ver1.db

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
CPC Central Committee and the State Council. Opinions on accelerating the comprehensive green transformation of economic and social development. 2024-08-11. http://www.scio.gov.cn/zdgz/jj/202408/t20240812_858282.html.

[中共中央、 国务院. 关于加快经济社会发展全面绿色转型的意见. 2024-08-11. http://www.scio.gov.cn/zdgz/jj/202408/t20240812_858282.html/]

[2]
Zhang Haoran, Liu Yu, Tan Xiujie, et al. Research on the impact of the leap-forward development of new energy vehicles on urban traffic congestion. Chinese Management Science, 2024. DOI: 10.16381/j.cnki.issn1003-207x.2024.0110.

[张浩然, 刘宇, 谭秀杰, 等. 新能源汽车跨越式发展对城市交通拥堵的影响研究. 中国管理科学, 2024. DOI: 10.16381/j.cnki.issn1003-207x.2024.0110.]

[3]
Li X, Wang Z Y, Jiang S M, et al. Financial subsidy, government audit and new transportation technology: Evidence from the new energy vehicle pilot city program in China. Research in Transportation Economics, 2024, 106: 101447. DOI: 10.1016/J.RETREC.2024.101447.

[4]
Zhao Pengjun, Hu Haoyu, Zeng Liang'en, et al. Revisiting the gravity laws of inter-city mobility in megacity regions. Scientia Sinica (Terrae), 2023, 53(2): 256-266.

[赵鹏军, 胡昊宇, 曾良恩, 等. 重探城市群地区跨城移动性的引力模型. 中国科学: 地球科学, 2023, 53(2): 256-266.]

[5]
Wang Jiaoe, Huang Jie. Theoretical innovation and practical application of transportation-region development interactions. Advances in Earth Science, 2022, 37(2): 177-186.

DOI

[王姣娥, 黄洁. 交通—区域发展交互的理论创新与实践应用. 地球科学进展, 2022, 37(2): 177-186.]

DOI

[6]
Lordan O, Sallan J M, Simo P. Study of the topology and robustness of airline route networks from the complex network approach: A survey and research agenda. Journal of Transport Geography, 2014, 37: 112-120.

DOI

[7]
Zhang Lei, Sun Wei, Song Yan. Spatio-temporal evolution of the aviation network structure of the world-class airports cluster: Taking the Northeast Corridor of the United States as an example. Acta Geographica Sinica, 2024, 79(6): 1540-1555.

[张蕾, 孙伟, 宋彦. 世界级机场群航空网络时空演化特征与模式. 地理学报, 2024, 79(6): 1540-1555.]

DOI

[8]
Dai L, Derudder B, Liu X J. The evolving structure of the Southeast Asian air transport network through the lens of complex networks, 1979-2012. Journal of Transport Geography, 2018, 68: 67-77.

DOI

[9]
Tao Zhuolin, Dai Teqi, Zheng Qingjing, et al. Competing effects among destinations in spatial interaction models: An empirical study based on intercity railway passenger data of China. Scientia Geographica Sinica, 2017, 37(2): 181-189.

DOI

[陶卓霖, 戴特奇, 郑清菁, 等. 空间相互作用模型中的目的地竞争效应: 基于中国城市间铁路客流数据的实证研究. 地理科学, 2017, 37(2): 181-189.]

DOI

[10]
Wen K Y, Xie J M, Chen A, et al. Empirical analysis of scaled mixed itinerary-size weibit model for itinerary choice in a schedule-based railway network. Transportmetrica A: Transport Science, 2022, 18(3): 934-962.

DOI

[11]
Jiao Jingjuan, Wang Jiaoe, Jin Fengjun, et al. Impact of high-speed rail on inter-city network based on the passenger train network in China, 2003-2013. Acta Geographica Sinica, 2016, 71(2): 265-280.

[焦敬娟, 王姣娥, 金凤君, 等. 高速铁路对城市网络结构的影响研究: 基于铁路客运班列分析. 地理学报, 2016, 71(2): 265-280.]

DOI

[12]
Wu Wei, Tang Zhaopei, Liang Shuangbo, et al. Spatio-temporal evolution of land transportation connection in the Yangtze River Delta urban agglomeration under the background of area expansion. Human Geography, 2022, 37(3): 163-171, 182.

[吴威, 唐昭沛, 梁双波, 等. 空间扩容背景下长三角城市群陆路交通联系时空演化. 人文地理, 2022, 37(3): 163-171, 182.]

[13]
Chen Wei, Liu Weidong, Ke Wenqian, et al. The spatial structures and organization patterns of China's city networks based on the highway passenger flows. Acta Geographica Sinica, 2017, 72(2): 224-241.

DOI

[陈伟, 刘卫东, 柯文前, 等. 基于公路客流的中国城市网络结构与空间组织模式. 地理学报, 2017, 72(2): 224-241.]

DOI

[14]
Chen Zhuo, Jin Fengjun, Wang Jiaoe. Spatial boundaries and structural characteristics of metropolitan areas in Northeast China: A study using the data of expressway flows. Scientia Geographica Sinica, 2019, 39(6): 929-937.

DOI

[陈卓, 金凤君, 王姣娥. 基于高速公路流的东北大都市区边界识别与结构特征研究. 地理科学, 2019, 39(6): 929-937.]

DOI

[15]
Li Yuanjun, Wu Qitao, Jin Shuangquan, et al. Spatio-temporal pattern and formation mechanism of expressway traffic flows in Guangdong Province based on the online toll collection data. Progress in Geography, 2023, 42(11): 2113-2125.

DOI

[李苑君, 吴旗韬, 金双泉, 等. 基于联网收费大数据的广东省高速公路交通流时空格局与形成机理. 地理科学进展, 2023, 42(11): 2113-2125.]

DOI

[16]
Ke Wenqian, Chen Wei, Lu Yuqi, et al. Extracting spatial structures and evolutionary characteristics of city networks in Jiangsu province based on the expressway traffic flow. Scientia Geographica Sinica, 2019, 39(3): 405-414.

DOI

[柯文前, 陈伟, 陆玉麒, 等. 基于高速公路流的江苏省城市网络空间结构与演化特征. 地理科学, 2019, 39(3): 405-414.]

DOI

[17]
Cheng A, Jiang G G, Teng X Y, et al. Changes in low-carbon transportation efficiency of Chinese roads after considering the impact of new energy vehicles. Transport Policy, 2024, 159: 28-43.

DOI

[18]
Buhmann K M, Criado J R. Consumers' preferences for electric vehicles: The role of status and reputation. Transportation Research Part D: Transport and Environment, 2023, 114: 103530. DOI: 10.1016/J.TRD.2022.103530.

[19]
Nigam N, Senapati S, Samanta D, et al. Consumer behavior towards new energy vehicles: Developing a theoretical framework. Journal of Environmental Management, 2024, 370: 122817. DOI: 10.1016/J.JENVMAN.2024.122817.

[20]
Zhang Kaihuang, Qian Qinglan. Characteristics and proximities mechanism of China's new energy vehicle industry innovation network. Geographical Research, 2021, 40(8): 2170-2187.

[张凯煌, 千庆兰. 中国新能源汽车产业创新网络特征及其多维邻近性成因. 地理研究, 2021, 40(8): 2170-2187.]

DOI

[21]
Liu Y R, Zhao X L, Lu D, et al. Impact of policy incentives on the adoption of electric vehicle in China. Transportation Research Part A: Policy and Practice, 2023, 176: 103801. DOI: 10.1016/J.TRA.2023.103801.

[22]
Jones N. The new car batteries that could power the electric vehicle revolution. Nature, 2024, 626(7998): 248-251.

DOI

[23]
Moktadir M A, Ren J Z. Towards green logistics: An innovative decision support model for zero-emission transportation modes development. Transportation Research Part E: Logistics and Transportation Review, 2024, 189: 103648. DOI: 10.1016/J.TRE.2024.103648.

[24]
Ruan Yirun, Lao Songyang, Tang Jun, et al. Node importance ranking method in complex network based on gravity method. Acta Physica Sinica, 2022, 71(17): 298-309.

[阮逸润, 老松杨, 汤俊, 等. 基于引力方法的复杂网络节点重要度评估方法. 物理学报, 2022, 71(17): 298-309.]

[25]
Allard A, Serrano M Á, Boguñá M. Geometric description of clustering in directed networks. Nature Physics, 2024, 20(1): 150-156.

DOI

[26]
Guo Qianqian, Zhang Zhibin, Ma Xiaomin, et al. Evaluation and optimization strategy of resilience of urban network structures in northwest China. Resources Science, 2024, 46(8): 1636-1650.

DOI

[郭倩倩, 张志斌, 马晓敏, 等. 西北地区城市网络结构韧性测度及其优化策略. 资源科学, 2024, 46(8): 1636-1650.]

DOI

[27]
Bornmann L, Leydesdorff L, Mutz R. The use of percentiles and percentile rank classes in the analysis of bibliometric data: Opportunities and limits. Journal of Informetrics, 2013, 7(1): 158-165.

DOI

[28]
Cheng L, De Vos J, Zhao P J, et al. Examining non-linear built environment effects on elderly's walking: A random forest approach. Transportation Research Part D: Transport and Environment, 2020, 88: 102552. DOI: 10.1016/j.trd.2020.102552.

[29]
Liu Yu, Yao Xin, Gong Yongxi, et al. Analytical methods and applications of spatial interactions in the era of big data. Acta Geographica Sinica, 2020, 75(7): 1523-1538.

DOI

[刘瑜, 姚欣, 龚咏喜, 等. 大数据时代的空间交互分析方法和应用再论. 地理学报, 2020, 75(7): 1523-1538.]

DOI

[30]
Zong Huiming, Hao Lingsha, Liang Jialing. Analysis on spatial distribution and organization operation mode of Chongqing urban and rural logistics terminal network. Human Geography, 2024, 39(4): 27-35.

[宗会明, 郝灵莎, 梁嘉玲. 重庆市城乡物流末端网点空间布局以及组织运行模式分析. 人文地理, 2024, 39(4): 27-35.]

[31]
Zhou Huan, Huang Jin, Zou Xiao. Intra-city logistics connection and network structure from the perspective of flow space: A case study of Shenzhen City. Tropical Geography, 2023, 43(10): 1917-1928.

DOI

[周欢, 黄金, 邹筱. 流空间视域下城市内部物流联系及其网络结构: 以深圳市为例. 热带地理, 2023, 43(10): 1917-1928.]

DOI

[32]
Wang Mingjie, Yan Zihan, Yu Bin, et al. Spatial pattern and change of e-commerce specialized villages and influence factors based on the data of Taobao villages in China from 2015 to 2020. Progress in Geography, 2022, 41(5): 838-853.

DOI

[王明杰, 颜梓晗, 余斌, 等. 电子商务专业村空间格局演化及影响因素研究: 基于2015—2020年中国淘宝村数据. 地理科学进展, 2022, 41(5): 838-853.]

DOI

[33]
Wang Huanfang, Zhang Xing, Bin Hou, et al. Research on agglomeration measurement and structural optimization of strategic emerging industries: Taking the new energy industry as an example. Inquiry into Economic Issues, 2018(10): 179-190.

[王欢芳, 张幸, 宾厚, 等. 战略性新兴产业的集聚测度及结构优化研究: 以新能源产业为例. 经济问题探索, 2018(10): 179-190.]

[34]
Gu Hengyu, Lao Xin, Wen Fenghua, et al. Spatiotemporal patterns and determinants of interprovincial migration in China between 2000 and 2020. Acta Geographica Sinica, 2022, 77(12): 3041-3054.

[古恒宇, 劳昕, 温锋华, 等. 2000—2020年中国省际人口迁移格局的演化特征及影响因素. 地理学报, 2022, 77(12): 3041-3054.]

DOI

[35]
Fan Shide, Shen Kunrong, Zhu Kepeng. China's labor mobility rigidity in manufacturing industry and the inter-regional transfer of industries: Numerical simulation and empirical research based on developed core-periphery model. China Industrial Economics, 2015(11): 94-108.

[樊士德, 沈坤荣, 朱克朋. 中国制造业劳动力转移刚性与产业区际转移: 基于核心—边缘模型拓展的数值模拟和经验研究. 中国工业经济, 2015(11): 94-108.]

[36]
Zhang Pei, Wang Jiaoe, Ma Li. Spatiotemporal coupling and influencing factors of new infrastructure and coordinated economic development. Scientia Geographica Sinica, 2024, 44(4): 562-572.

DOI

[张佩, 王姣娥, 马丽. 新基建与区域经济协调发展的时空耦合及影响因素. 地理科学, 2024, 44(4): 562-572.]

DOI

[37]
Li Yuanjun, Wu Qitao, Zhang Yuling, et al. Spatial structure and formation mechanism of expressway traffic flow network based on space of flows: A case study of Guangdong province. Geographical Research, 2021, 40(8): 2204-2219.

[李苑君, 吴旗韬, 张玉玲, 等. “流空间”视角下高速公路交通流网络结构特征及其形成机制: 以广东省为例. 地理研究, 2021, 40(8): 2204-2219.]

DOI

[38]
Li Tao, Zhang Weiyang, Cao Xiaoshu, et al. Analyzing intercity railways network in the Pearl River Delta: A comparative study based on connections, capacity and actual flow. Geographical Research, 2019, 38(11): 2730-2744.

[李涛, 张维阳, 曹小曙, 等. 珠江三角洲城际轨道网络结构: 基于连接、容量和流量的对比. 地理研究, 2019, 38(11): 2730-2744.]

DOI

[39]
Hu Haoyu, Huang Xinrong, Li Peilin, et al. Comparison of network structure patterns of urban agglomerations in China from the perspective of space of flows: Analysis based on railway schedule. Journal of Geo-Information Science, 2022, 24(8): 1525-1540.

[胡昊宇, 黄莘绒, 李沛霖, 等. 流空间视角下中国城市群网络结构特征比较: 基于铁路客运班次的分析. 地球信息科学学报, 2022, 24(8): 1525-1540.]

DOI

[40]
Wang Shaojian, Gao Shuang, Wang Yuqu. Spatial structure of the urban agglomeration based on space of flows: The study of the Pearl River Delta. Geographical Research, 2019, 38(8): 1849-1861.

[王少剑, 高爽, 王宇渠. 基于流空间视角的城市群空间结构研究: 以珠三角城市群为例. 地理研究, 2019, 38(8): 1849-1861.]

DOI

[41]
Zhu Pingfang, Ma Yiyuan. Willingness of labor force participation and capacity utilization under online ride-hailing: Research on the big data of Shanghai taxi drivers. China Economic Studies, 2022(3): 67-83.

[朱平芳, 马艺瑗. 网约车平台下的劳动参与意愿与运力利用率: 基于上海网约车与巡游车行程大数据的研究. 中国经济问题, 2022(3): 67-83.]

[42]
Zhou Jian, Jin Cheng, Li Pingxing. Regional differentiation and its influencing factors of traffic network in Jiangsu Province based on the expressway flow. Journal of University of Chinese Academy of Sciences, 2022, 39(1): 64-73.

DOI

[周健, 靳诚, 李平星. 基于高速公路流的江苏省交通网络地域分异及影响因素. 中国科学院大学学报, 2022, 39(1): 64-73.]

DOI

[43]
Zheng L F, Long F J, Zhang S. Comparison of the spaces of call and traffic flows: An empirical study of Qianzhong urban region, China. Cities, 2020, 107: 102927. DOI: 10.1016/j.cities.2020.102927.

Options
文章导航

/

〈 〉