考虑互补效应的城市群多模式客运网络鲁棒性
Robustness of multimodal passenger transport network in urban agglomeration considering complementary effect
通讯作者:
收稿日期: 2023-05-31
基金资助: |
|
Received: 2023-05-31
Fund supported: | 国家自然科学基金资助项目(72104034);陕西省自然科学基础研究计划资助项目(2022JM-423,2022JM-426);西安市社会科学规划基金重大资助项目(211423220227). |
作者简介 About authors
马飞(1979—),男,教授,博导,从事交通基础设施韧性的研究.orcid.org/0000-0003-1398-5972.E-mail:
为了分析城市群客运网络对突发事件的应对能力,从多种交通模式互补视角,基于复杂网络理论构建城市群多模式客运网络模型,应用引力模型建立节点失效后网络性能计算的规则,对城市群多模式客运网络的鲁棒性进行测度. 引入基于鲁棒性的动态互补强度指标,对客运网络间的互补效应(CE)进行量化. 对是否考虑CE时的鲁棒性进行对比,分析CE对鲁棒性的提升程度. 以关中平原城市群为例进行实例研究,结果表明,在城市群多模式客运网络中,普铁网应对突发事件时的鲁棒性最强,公路网最弱. 无论在何种攻击策略下,考虑CE时,城市群多模式客运网络的鲁棒性均有明显的提升,高铁网、普铁网和公路网的敏感度分别下降了19.1%、29.3%和22.0%.
关键词:
A multimodal passenger transport network model of urban agglomeration was constructed based on complex network theory from the perspective of multiple complementary traffic modes in order to analyze the response ability of urban agglomeration passenger transport networks to emergencies. The gravity model was applied to establish rules for network performance calculation after node failure, and the robustness of the multimodal passenger transport network of urban agglomeration was measured. A dynamic complementary strength index based on robustness was introduced to quantify the complementary effect (CE) between passenger transport networks. The robustness when considering CE was compared, and the degree to which CE improves the robustness value was analyzed. A case study of Guanzhong Plain urban agglomeration was conducted. Results showed that the general railway network was the most robust to unexpected events, and the highway network was the least robust to unexpected events among the multimodal passenger transport networks in urban agglomerations. The robustness of the urban agglomeration multimodal passenger network was significantly improved when CE was considered regardless of the attack strategy. The sensitivity of high-speed rail network, rail network and highway network was decreased by 19.1%, 29.3%和22.0%, respectively.
Keywords:
本文引用格式
马飞, 委笑琳, 孙启鹏, 刘擎, 苟慧艳.
MA Fei, WEI Xiaolin, SUN Qipeng, LIU Qing, GOU Huiyan.
客运网络间存在竞争和互补2种关系. 当研究多模式客运网络的鲁棒性时,互补关系比竞争关系更重要,因为客运网络间可以通过提供替代服务,增强鲁棒性[11]. 部分学者将多模式客运网络间的互补关系对客运网络鲁棒性的积极影响描述为互补效应(complementary effect,CE),以公交-地铁[11-12, 14]和高铁-航空双层网络[15-18]为例,研究鲁棒性,证明了CE使客运网络在受到扰动时性能损失减小,提高了客运网络的鲁棒性. 为了分析不同客运网络间的互补强度差异,刘承良等[19]构建城际交通互补度模型,结果表明,中国过半城市为铁路-公路“双轮驱动型”,公路和铁路之间的互补强度最高,高值区高度集聚于西部省份,但未考虑中断情景下客运网络的性能变化.
1. 模型构建
1.1. 考虑互补效应的城市群多模式客运网络模型构建
交通网络模型的构建方法包括Space P和Space L 2种方法. Space P方法中,网络节点对应实际站点,边对应站点之间的列车服务线路,若2个节点沿着同一服务线路,则无论它们是否相邻,对应的节点之间都存在边. Space L方法中,将实际站点视为网络节点,将列车服务线路视为边. 以铁路网为例,绘制Space L和Space P方法的示意图,如图1所示. 站点a至站点i为网络中的节点,黑色实线为网络中的边.
图 1
Space P建模方法从交通网络的服务特征突出了节点的连通性,适用于描述基于交通站点与服务之间关系的动态服务网络[15]. 本文侧重于从交通网络服务特性的视角,研究城市群客运网络的鲁棒性,因此采用复杂网络的Space P建模方法. 以城市群内不同交通模式的所有长途客运站点为客运网络节点,根据不同交通模式站点之间是否存在直达班次、出行时间和列车频次,构建4种交通方式无向有权的客运网络GS,分别为公路网G1、铁路网G2、航空网G3和水运网G4.
将客运网络抽象为图G=(N,E,W),其中N为节点集合,E为连边集合,W为连边的权重集合. Space P方法将公路客运站、火车站、机场和港口分别定义为公路网、铁路网、航空网和水运网中的节点,若节点i和节点j存在车次联系,则节点i和节点j间存在一条连边,连边权重由节点间的出行时间和车站间日均客运班次决定. 多模式互补客运网络GC拓扑模型由4个不同的客运网络复合而成,当公路客运站、火车站、高铁站、机场或港口位于同一个市时视为互补节点,互补节点内各交通方式的站点均互相连接,视为互补关系,互补关系对客运网络鲁棒性产生的影响为节点间的互补效应.
1.2. 城市群多模式客运网络鲁棒性测度模型的构建
鲁棒性作为反映系统抗干扰能力的指标,被广泛应用于各种基础设施系统的安全性研究中,用于衡量系统在局部扰动下维持自身性能及连接状态的能力. 客运网络的重要功能是为乘客提供快速出行的服务,已有学者为了解决客运网络鲁棒性测度的问题,提出使用客运网络中OD对间的客流量和出行时间作为客运网络性能的计算指标,对客运网络鲁棒性进行测度. 参考文献[15, 20],考虑客运网络的服务特性,选取城市群多模式客运网络中节点i和节点j间的客流量和出行时间,计算客运网络的性能P. 考虑到数据的可获得性,用航空、铁路和公路站点间的日均开行客运班次代替客流数据[7,10],将不同交通模式的日均开行客运班次统一定义为列车频次fij[9,15]. 客运网络性能的计算公式如下所示:
式中:N为城市群多模式客运网络中的节点集合,n为节点总个数,fij为节点i和节点j之间的列车频次,tij为节点i和节点j之间的最短出行时间.
式中:Pab和Pno分别为城市群多模式客运网络在正常运行状态和中断情景下的网络性能.
1.3. 城市群多模式客运网络节点失效情景下的网络性能计算规则
以公路网G1和铁路网G2为例,考虑G1和G2节点间的CE,当铁路网G2中节点i失效时,一部分客流将会转移至公路模式,继续完成出行至节点j. 已有学者明确提出在客运网络中,两城市间的经济社会联系越紧密,客流引力就越强. 当解决多种交通模式互补的客流量转移比例问题时,提出应用引力模型计算城市间的引力[15],据此表示客流引力,引力模型的计算公式如下:
式中:θij为节点i和j所在城市之间的引力,它由2个城市的区域生产总值vi、vj、人口μi、μj及两者之间的距离kij决定,λ为距离的摩擦因数.
转移的客流实际通过公路出行,但用铁路列车频次与转移比例的乘积表示,因此定义为间接列车需求指数. 归一化处理有助于消除不同OD对间引力的量纲差异,使得不同OD对间的引力具有可比性.
在城市群客运中不同区域的不同交通方式存在绝对优势出行距离[22],将公路、铁路和航空的绝对优势出行距离分别记为[x1, x2]、[x2, x3]和[x3, x4]. 用kij表示节点i和节点j所在城市间的地理距离,当铁路网G2中节点i失效时,乘客选择出行方式到达目的地j有以下2种情景.
情景A:当kij≥x2时,旅客有以下2种选择.
A1:选择公路出行到达最近的公路客运站所在的城市o,在城市o中转选择铁路的方式继续到达目的地j,此时,
A2:选择公路方式直接到达目的地j,此时,
式中:
出行时间是本文计算客运网络性能的重要指标,因此在情景A中,假定旅客倾向于选择时间少的出行方式. 当
情景B:当kij<x2时,旅客选择公路出行直达目的地,此时
1.4. 城市群多模式客运网络互补强度模型的构建
以公路网G1和铁路网G2为例,在G1中节点失效的情景下,G2对G1的静态互补强度(static complementary strength,SCS)计算如下:
式中:
基于1.2节中构建的客运网络鲁棒性测度模型,在G1中节点失效的情景下,不考虑CE时G1的鲁棒性用
2. 实例分析
2.1. 研究区域及数据来源
关中平原城市群地处我国内陆中心,是我国西部地区第二大城市群,横跨甘肃、山西、陕西3个省份,含11个地级市(平凉市、庆阳市、天水市、临汾市、运城市、宝鸡市、商洛市、铜川市、渭南市、西安市、咸阳市)的90个县级行政单元,是开创西部大开发格局、助力全国高质量发展的重要支撑. 关中平原城市群作为正在发展中的区域性城市群,是引领西北地区发展的重要增长极和内陆生态文明建设先行区. 随着城市群发展进程不断加快,关中平原城市群综合立体交通运输网基本形成,“米”字型高铁网加快构建,高速公路网规模不断扩大,已逐步形成多种交通模式汇聚的格局. 关中平原城市群组成城市和客运网络相对稀疏,交通系统鲁棒性面临网络和地理复合特性带来的独特挑战,多种交通模式间的衔接融合和优势互补仍显薄弱,具有城市群多模式客运网络鲁棒性研究的条件和需求.
关中平原城市群中交通站点的位置数据源于谷歌地图(
2.2. 考虑互补效应时关中平原城市群多模式客运网络模型的构建
图 2
图 2 关中平原城市群多模式客运网络拓扑图
Fig.2 Multimode passenger transport network topology of Guanzhong Plain urban agglomeration
图 3
图 3 关中平原城市群的客运网络及节点互补关系
Fig.3 Passenger transport network and node complementarity in Guanzhong Plain urban agglomeration
根据关中平原城市群客运网络拓扑结构,借助Gephi软件计算网络密度、平均路径长度和平均聚类系数3个指标. 对关中平原城市群GC、G1、G2-1和G2-2的结构指标进行测度,结果如表1所示.
表 1 关中平原城市群客运网络拓扑指标的统计
Tab.1
客运网络 | 网络密度 | 平均路径 长度 | 平均聚类 系数 |
多模式互补客运网络GC | 0.206 | 2.126 | 0.453 |
公路网G1 | 0.364 | 1.890 | 0.412 |
高铁网G2-1 | 0.556 | 1.306 | 0.805 |
普铁网G2-2 | 0.636 | 1.418 | 0.772 |
从单个客运网络来看,高铁网G2-1和普铁网G2-2的连通性较高,公路网G1的连通性较弱. 平均聚类系数反映了交通网络集聚程度,平均聚类系数越大,则交通网络节点受到攻击后节点间的离散程度越高,网络的鲁棒性越差[10]. 关中平原城市群中高铁网G2-1的平均聚类系数为0.805,在3个客运网络中最高,高铁网的集聚效应最显著,鲁棒性最弱.
2.3. 关中平原城市群多模式客运网络节点失效时的鲁棒性仿真分析
2.3.1. 单个节点失效时的客运网络鲁棒性及动态互补强度分析
对城市群多模式客运网络的鲁棒性进行测度,须以客运网络的性能指标计算为基础. 依据1.2节构建的客运网络性能测度指标,计算得到城市群多模式客运网络正常运行时的公路网性能Pno(G1) = 1.447,高铁网性能Pno(G2-1) = 6.219,普铁网性能Pno(G2-2) = 2.839. 选择合适的攻击策略对交通网络鲁棒性的测度至关重要. 按照攻击对象的类别,攻击策略可以分为攻击节点和攻击边. 攻击节点会在删除节点的同时,删除与点相连的边,而攻击边仅会导致某条线路失效. 由于城市群多模式互补客运网络本身是多种客运网络复合的结果,某条线路失效,节点之间仍可通过其他方式到达,对城市群多模式互补客运网络鲁棒性的影响较小. 选取攻击节点的策略研究城市群多模式客运网络的鲁棒性,应用MATLAB软件依次对3个客运网络节点进行攻击. 结果按照鲁棒性从小到大进行排序,如表2所示.
表 2 关中平原城市群各节点失效后的客运网络鲁棒性
Tab.2
G2-1 | G2-2 | G1 | ||||||||
站点编号 | 站点名称 | R | 站点编号 | 站点名称 | R | 站点编号 | 站点名称 | R | ||
9 | 西安北站 | 0.410 | 20 | 西安站 | 0.288 | 31 | 西安汽车站 | 0.414 | ||
8 | 渭南北站 | 0.708 | 21 | 咸阳站 | 0.470 | 30 | 渭南中心客运站 | 0.633 | ||
10 | 咸阳北站 | 0.723 | 16 | 宝鸡站 | 0.714 | 32 | 咸阳汽车北站 | 0.667 | ||
6 | 宝鸡南站 | 0.727 | 18 | 渭南站 | 0.768 | 29 | 铜川汽车站 | 0.719 | ||
3 | 天水南站 | 0.790 | 13 | 天水站 | 0.910 | 22 | 平凉市汽车东站 | 0.802 | ||
5 | 运城北站 | 0.829 | 17 | 商洛站 | 0.943 | 27 | 宝鸡汽车南站 | 0.813 | ||
4 | 临汾西站 | 0.888 | 14 | 临汾站 | 0.976 | 28 | 商洛汽车客运站 | 0.883 | ||
2 | 庆阳站 | 0.929 | 15 | 运城站 | 0.978 | 23 | 庆阳西峰南站 | 0.894 | ||
7 | 铜川东站 | 0.996 | 19 | 韩城站 | 0.979 | 24 | 天水汽车站 | 0.938 | ||
1 | 平凉南站 | 1 | 11 | 平凉站 | 0.982 | 26 | 运城客运中心站 | 0.941 | ||
— | — | — | 12 | 长庆桥站 | 0.993 | 25 | 临汾北汽车站 | 0.956 |
从表2可知,当西安、咸阳和渭南3个城市的客运站点失效时,在G1、G2-1和G2-2鲁棒性值排序中均位居前列,此时,客运网络维持正常运行状态性能的能力最差. 在西安市3种客运站点失效后,所在客运网络的鲁棒性均为最小值. 这是因为在关中平原城市群,西安作为核心城市,是连接山西省和甘肃省的重要中间点,一旦节点失效,G1、G2-1和G2-2的连接关系就会被极大程度地削弱,客运网络处于大面积崩溃的状态. 当咸阳和渭南2个城市的客运站点失效时,所在客运网络的鲁棒性最小值分别为0.470和0.633,表明除西安外,这2个城市也在关中平原城市群中承担了一定的区域客流组织功能. 基于以上分析,部分客运站点失效对关中平原城市群客运网络鲁棒性的影响较大,这导致关中平原城市群路网的容错能力较差,当节点受到攻击后有较少路径保障网络正常运行. 由此可见,关中平原城市群城际出行网络形成了以西安为主中心、咸阳和渭南为次级中心的客运网络格局. 除G2-1中的独立站点平凉南站外,对G1、G2-1和G2-2网络性能影响最小的节点分别为临汾北汽车站、铜川东站和长庆桥站,节点失效后网络性能变化极小,鲁棒性接近于1. 这说明在客运网络服务特性方面,客运网络中各节点在城市群中的重要性差距较大. 分析表2可知,不考虑CE时,公路网、高铁网和普铁网站点失效时的鲁棒性平均值分别为0.787、0.800和0.818,可见在关中平原城市群中,普铁网应对突发事件时的鲁棒性最强,公路网应对突发事件时的鲁棒性最弱.
当原出行方式的站点失效时,旅客将根据目的地的距离重新选择出行方式,项昀等[22]研究证明在关中平原城市群中公路和铁路的绝对优势出行距离分别为[8,163]和[164,1 575] km. 为了研究CE对关中平原城市群多模式客运网络性能的影响,计算得到在单个节点失效情景下是否考虑CE时客运网络的性能,如图4所示. 图中,Pno(G1)、Pno(G2-1)和Pno(G2-2)分别为公路网、高铁网和普铁网在正常运行情况下的客运网络性能值,Pab(G1)、Pab(G2-1)和Pab(G2-2)分别为公路网、高铁网和普铁网在节点失效时不考虑CE时的客运网络性能值, Pab(G1_with CE)、Pab(G2-1_with CE)和Pab(G2-2_with CE)分别为公路网、高铁网和普铁网在节点失效时考虑CE时的客运网络性能值. 在考虑CE时,须计算间接列车需求指数
图 4
图 4 关中平原城市群节点失效后客运网络的性能值
Fig.4 Performance values of different passenger transport networks after node failure in Guanzhong Plain urban agglomeration
从图4可知,当关中平原城市群多模式客运网络中的节点失效时,考虑CE时的客运网络性能值始终高于不考虑CE时的性能值,CE使得在应对突发事件时客运网络性能损失值显著下降. 在西安汽车站、西安北站和西安站失效后,考虑CE时,G1、G2-1和G2-2的网络性能提升值最高,分别为50.2%、26.5%和44.5%. 仿真结果验证了CE使得G1、G2-1和G2-2的网络性能均有明显提升,表明在节点失效情景下不同客运网络合作的必要性. 根据仿真结果计算可知,当考虑CE时,公路网、高铁网和普铁网单个节点失效后,鲁棒性平均值分别为0.872、0.920和0.943,可见在关中平原城市群中,无论是否考虑CE,普铁网应对突发事件时的鲁棒性最强,公路网应对突发事件时的鲁棒性最弱.
根据建立的动态互补强度模型,计算关中平原城市群每个站点的互补强度,如图5所示. 图中,DCS_ G1为G1中节点失效后G2-1和G2-2对G1的动态互补强度,DCS_ G2-1为G2-1中节点失效后G1和G2-2对G2-1的动态互补强度,DCS_ G2-2为G2-2中节点失效后G1和G2-1对G2-2的动态互补强度.
图 5
图 5 关中平原城市群多模式客运网络节点动态互补强度
Fig.5 Dynamic complementary strength values of each node in Guanzhong Plain urban agglomeration
从图5可知,关中平原城市群中互补强度较大的交通站点均位于中心城市西安、渭南和咸阳. G1、G2-1和G2-2中西安市的各类客运站点在考虑CE时互补强度最大,分别为1.212、0.569和1.543. 这是因为关中平原城市群是以西安市为中心的单核城市群,当一种交通模式失效而互补客运网络中的节点全部正常运行时,可提供的替代路径最多,对客运网络鲁棒性的提升最大.
与关中平原城市群多模式客运网络中单个节点失效时客运网络性能的下降排序相同,互补强度紧随其后的是咸阳和渭南,但在G2-2中商洛站的DCS为0.104,略高于渭南站0.095. 这说明关中平原城市群多模式客运网络节点失效对网络性能影响较小的节点,在互补作用下也能给客运网络性能带来较大的提升.
2.3.2. 多节点失效时的客运网络鲁棒性分析
自然灾害、人为破坏和公共卫生事件等突发事件可能导致城市群多模式客运网络中多个节点同时失效,以往研究大多使用随机攻击(RFM)和蓄意攻击(MAM)2种攻击方式模拟各种突发事件[8,15],因此采用RFM和MAM 2种方式,模拟突发事件下多个节点同时失效对关中平原城市群客运网络鲁棒性的影响. 在RFM中,节点选择是随机的;在MAM中,节点选择根据其在交通网络中的重要性决定. 在交通网络中,节点度值越大,节点越重要[23];删除节点后网络性能变化幅度越大,节点越重要[24]. 选择节点度值D和受到攻击时的网络性能P下降值作为重要性的评判标准,对应的攻击策略分别为MAM_D和MAM_P,仿真结果如图6所示. 图中,F为节点失效个数,R为鲁棒性,RFM_with CE、MAM_D_with CE和MAM_P_with CE分别表示考虑CE时的RFM、MAM_D和MAM_P攻击策略.
图 6
图 6 不同攻击策略下关中平原城市群多模式客运网络的鲁棒性变化
Fig.6 Robustness change of multi-mode transportation network in Guanzhong Plain urban agglomeration under different attack strategies
对比随机攻击和蓄意攻击下的关中平原城市群多模式客运网络鲁棒性可知,客运网络节点失效时在随机攻击下有较强的鲁棒性,但蓄意攻击相比于随机攻击能够显著降低城市群多模式客运网络的鲁棒性,更早使客运网络趋于崩溃状态.当图6(b)~(d)中节点失效的比例为60%时,G1、G2-1和G2-2在MAM中几乎失去了所有的性能,网络鲁棒性接近于0;在RFM中保留了至少30%的性能. 考虑CE时,在MAM和RFM中大多数节点失效时,G1、G2-1和G2-2可以保持一定的性能水平. 即使关中平原城市群某个客运网络的所有站点都被蓄意攻击,互补客运网络仍然可以提供补充服务,以保持该客运网络正常运行时性能值的19%以上. 这是因为在客运网络中,节点一旦失效,网络中的许多节点将无法到达. 当考虑CE时,其他客运网络提供了旅客到达目的地的替代路径,此时关中平原城市群客运网络均具有较强的鲁棒性. 从图6(a)可知,无论采取何种攻击策略,当考虑CE时,关中平原城市群多模式互补客运网络GC的鲁棒性有所提高. 当GC中节点全部失效时,没有节点可以在异常的情况下提供补充服务,GC的鲁棒性为0,G1、G2-1和G2-2均处于崩溃状态.
从图5(b)~(d)可知,当G1、G2-1和G2-2中的节点全部失效时,考虑CE时,鲁棒性值分别为0.215、0.190和0.294,这说明分别能够保持初始性能的21.5%、19%和29.4%. 由此可见,在关中平原城市群中普铁网和公路网在节点中断后其他模式客运网络提供的互补效应较强,高铁网最弱. 这是因为从客运网络服务特性的角度选取列车频次和出行时间作为性能计算指标,而高速铁路出行速度快、耗时少,城市群内列车频次较多,当高铁站点失效时,即使有其他出行模式可以提供替代服务,客流量损失也相对较大. 仿真结果表明,面对城市群中多模式交通汇聚的现状,当考虑客运网络的鲁棒性时,应该从系统的角度考虑其他客运网络的CE以及节点之间的相互依赖性.
从以上分析可知,G2-2在互补作用下的鲁棒性提升程度最高,说明客运网络节点失效后,G1和G2-1对G2-2的CE强度最大. 选取普铁网G2-2为例,研究客运网络鲁棒性随互补客运网络中失效节点个数变化的情况. 当不考虑CE时G2-2中节点度值和失效后性能损失值前50%的节点失效后,G2-2鲁棒性几乎为0,其余节点失效对G2-2鲁棒性无显著影响. 为了得到客运网络间相互影响更显著的结论,选择RFM随机攻击的方式,对G1、G2-1和G2-2进行攻击. 用ω表示互补客运网络G1和G2-1中正常运行的站点比例,ω = 0.8表示互补客运网络中80%的站点处于正常状态,20%的站点已经失效. 仿真结果如图7所示.
图 7
图 7
随机攻击下
Fig.7 Effect of ω on transportation network robustness under random attacks
从图7可知,ω的取值不同对G2-2节点失效时的鲁棒性有不同的影响. 当G2-2中的失效节点个数一定时,随着ω的增大,普铁网G2-2的鲁棒性随之增强. 随着关中平原城市群中的G2-2节点失效个数增加,为了保持较高的鲁棒性水平,对互补客运网络中正常运行节点的比例要求增高. 这是因为随着ω的提升,当面对节点失效的突发情况时,旅客完成出行的可替代路径增多,对旅客出行的影响降低,客运网络的鲁棒性随之增强.
2.4. 互补效应对关中平原城市群客运网络敏感度的影响
引入子网敏感度,研究关中平原城市群各客运网络和互补客运网络之间的关系. 子网敏感度是指某一种交通方式站点失效后对互补客运网络的服务功能影响程度[25],本文中Gs(s = 1, 2-1, 2-2,分别表示公路网、高铁网和普铁网)的敏感度测度指标Ms计算公式如下:
式中:Pno(GC)为关中平原城市群多模式互补客运网络GC正常运行状态的性能值,Pab(GC-s)为Gs中节点失效后GC的性能值.
如图8(a)~(c)所示为不考虑CE时客运网络在不同攻击策略下的敏感度变化曲线,如图9(a)~(c)所示为考虑CE时客运网络在不同攻击策略下的敏感度变化曲线. 从图8、9可知,无论在何种攻击策略下,关中平原城市群G1、G2-1和G2-2节点失效对多模式互补客运网络性能影响的敏感度从大到小趋势为:高铁网、普铁网、公路网. 这是因为在城际出行中,当考虑交通服务特性时,高铁具有速度快和效率高的绝对优势,在关中平原城市群中出行频次多,出行时间短,一旦站点失效,对城市群多模式客运网络中的旅客出行影响最大. 相对于铁路出行,公路出行的速度和效率都较低,在关中平原城市群中公路网的网络密度最小,城市间通过公路出行的联系最少;因此,公路站点失效对城市群互补客运网络的敏感度最微弱.
图 8
图 8 不考虑CE时不同攻击策略下关中平原城市群子网的敏感度变化曲线
Fig.8 Sensitivity curve of subnetwork in Guanzhong Plain urban agglomeration under different attack strategies when CE was not considered
图 9
图 9 考虑CE时不同攻击策略下关中平原城市群子网的敏感度变化曲线
Fig.9 Sensitivity curve of subnetwork in Guanzhong Plain urban agglomeration under different attack strategies when CE was considered
当考虑CE时,关中平原城市群高铁网、普铁网和公路网的敏感度分别从0.550、0.307和0.150下降至0.445、0.217和0.117,下降比例分别为19.1%、29.3%和22.0%,可见CE虽然对子网敏感度排序无影响,但在CE影响下,G1、G2-1和G2-2的敏感度都有不同程度的下降. 由此可见,关中平原城市群多模式客运网络间互相衔接,可以减小单个客运网络节点失效对互补客运网络性能的影响程度,提高整个交通系统的运行效率和鲁棒性.
3. 结 论
(1)考虑客运网络的服务特性时,城市群多模式客运网络鲁棒性呈现出差异性和互补性,互补效应对客运网络鲁棒性的影响程度存在空间差异. 无论是否考虑CE,普铁网应对突发事件时的鲁棒性最强,公路网应对突发事件时的鲁棒性最弱. 互补强度较大的交通站点均位于中心城市,但非中心城市的交通站点失效后,城市群多模式客运网络的鲁棒性有明显提升.
(2)城市群多模式客运网络对随机攻击策略有较好的容忍性,在蓄意攻击策略下鲁棒性较差. 当考虑CE时,城市群多模式互补客运网络及单个客运网络的鲁棒性均有明显提升. 多个节点同时失效时,考虑CE时公路网、高铁网和普铁网的鲁棒性提升值分别为0.215、0.190和0.294. 当分析城市群不同客运网络间如何相互影响时,用ω表示公路网和高铁网中正常运行的站点比例,当普铁网节点失效个数不变时,鲁棒性随ω的增大而增强.
(3)CE对城市群中不同客运网络敏感度大小的排序无显著影响,但当考虑CE时,子网敏感度均有不同程度的下降. 无论采取何种攻击策略,当节点失效数量相同时,城市群单个客运网络对多模式互补客运网络性能影响的敏感度从大到小总体趋势为:高铁网、普铁网、公路网. 当考虑CE时,高铁网、普铁网和公路网的敏感度分别下降了19.1%、29.3%和22.0%.
从城市群多模式客运网络互补的视角,提出鲁棒性测度模型,可以有效测度鲁棒性及CE对鲁棒性的提升程度,有利于制定针对性的交通规划策略,以确保城市群交通系统高效运行. 本文仅从空间维度分析城市群多模式客运网络的鲁棒性,客运网络鲁棒性及CE是否会随突发事件发生时间变化,须在今后的研究中进一步分析.
参考文献
Distribution characteristics of the transportation network in China at the county level
[J].DOI:10.1109/ACCESS.2019.2910299 [本文引用: 1]
Research on the measurement and path of urban agglomeration growth effect
[J].DOI:10.3390/su11195179 [本文引用: 1]
城市群多模式交通网络结构韧性分析: 以关中平原城市群为例
[J].
Structural resilience of multimodal transportation networks in urban agglomerations: a case study of Guanzhong Plain urban agglomeration network
[J].
Exploring the robustness of public transportation for sustainable cities: a double-layered network perspective
[J].DOI:10.1016/j.jclepro.2020.121747 [本文引用: 1]
Vulnerability analysis of complementary transportation systems with applications to railway and airline systems in China
[J].DOI:10.1016/j.ress.2015.05.013 [本文引用: 2]
基于可达性的城市群交通网络公平性分析
[J].
Equity analysis of transportation networks in urban agglomerations based on accessibility
[J].
基于多智能体的城市群客运网络脆弱性动态仿真
[J].
Dynamic simulation of urban agglomeration passenger transport network vulnerability based on multi-agent
[J].
Cascading failure in multiple critical infrastructure interdependent networks of syncretic railway system
[J].DOI:10.1109/TITS.2021.3057404 [本文引用: 3]
Cascading failures and vulnerability evolution in Bus-Metro complex bilayer networks under rainstorm weather conditions
[J].DOI:10.3390/ijerph16030329 [本文引用: 2]
复杂网络视角下的成渝城市群网络结构韧性演变
[J].DOI:10.3969/j.issn.1004-9479.2022.03.2020538 [本文引用: 4]
Evalution of network structure resilience of Chengdu-Chongqing urban agglomeration from the perspective of complex networks
[J].DOI:10.3969/j.issn.1004-9479.2022.03.2020538 [本文引用: 4]
基于区域攻击的城市公共交通互补网络脆弱性分析
[J].
The vulnerability analysis of urban complementary transit network under spatially localized failures
[J].
公交接驳场景下轨道交通网络脆弱性研究
[J].
Vulnerability research of rail transit network under bus connection scenarios
[J].
Robustness evaluation for multi-subnet composited complex network of urban public transport
[J].DOI:10.1016/j.aej.2020.12.016 [本文引用: 1]
Vulnerability analysis of public transit systems from the perspective of urban residential communities
[J].DOI:10.1016/j.ress.2019.04.018 [本文引用: 2]
Spatiotemporally complementary effect of high-speed rail network on robustness of aviation network
[J].DOI:10.1016/j.tra.2021.10.020 [本文引用: 7]
Vulnerability analysis and critical area identification of public transport system: a case of high-speed rail and air transport coupling system in China
[J].DOI:10.1016/j.tra.2019.07.008 [本文引用: 3]
On the resilience assessment of complementary transportation networks under natural hazards
[J].DOI:10.1016/j.trd.2022.103331 [本文引用: 1]
Complementary strengths of airlines under network disruptions
[J].DOI:10.1016/j.ssci.2017.11.010 [本文引用: 1]
基于多中心性分析的中国交通网络互补性的空间格局
[J].
Spatial pattern of complementarity between the three transport networks in China based on multiple centrality assessments
[J].
A comprehensive method for the robustness assessment of high-speed rail network with operation data: a case in China
[J].DOI:10.1016/j.tra.2019.12.019 [本文引用: 2]
生态安全约束下基于“交通-信息”流的城市群空间网络结构
[J].
Spatial network structure of urban agglomeration based on traffic-information flow under ecological security constraints
[J].
基于人口迁徙大数据的城市对外交通客运方式优势出行距离研究
[J].
Dominant trip distance of urban external passenger transport mode based on big data of migration.
[J].
时序多层网络熵值结构洞节点重要性建模
[J].
Modeling of node importance in entropy-value structured hole of temporal multilayer network
[J].
图卷积融合计算时效网络节点重要性评估分析
[J].
Identification of critical nodes in temporal networks based on graph convolution union computing
[J].
多模式复合交通网脆弱性测度
[J].DOI:10.19818/j.cnki.1671-1637.2023.01.015 [本文引用: 1]
Vulnerability metrics of multimodal composite transportation network
[J].DOI:10.19818/j.cnki.1671-1637.2023.01.015 [本文引用: 1]
/
〈 |
|
〉 |
