EN中文

经济地理 >

2024 , Vol. 44 >Issue 10: 126 - 135

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.10.013

产业经济与创新发展

基于绿通大数据的中国鲜活农产品运输流格局及其演变机制

  • 宋京妮 , 1 ,
  • 侯文婷 1 ,
  • 李友良 2 ,
  • 颜飞 1 ,
  • 陈丹 3 ,
  • 杜凯 , 3, ※
展开
  • 1.长安大学 运输工程学院，中国陕西 西安 710064
  • 2.行云数聚（北京）科技有限公司，中国 北京 100200
  • 3.长安大学 电子与控制工程学院，中国陕西 西安 710064
※杜凯（1984—），男，博士，副教授，研究方向为交通信息化与交通数据分析。E-mail：

宋京妮（1990—），女，博士研究生，讲师，研究方向为交通运输大数据分析。E-mail：

收稿日期: 2024-04-11

  修回日期: 2024-09-04

  网络出版日期: 2024-11-29

基金资助

国家自然科学基金项目(71871027)

陕西省社会科学基金项目(2020D028)

中央高校基础研究基金项目(300102341104)

陕西省自然科学基金项目(2022JM-426)

收起

Pattern and Evolution Mechanism of Fresh Agricultural Products Transportation Flows in China Based on the Green Traffic Big Data

  • SONG Jingni , 1 ,
  • HOU Wenting 1 ,
  • LI Youliang 2 ,
  • YAN Fei 1 ,
  • CHEN Dan 3 ,
  • DU Kai , 3, ※
Expand
  • 1. School of Transportation Engineering，Chang'an University，Xi'an 710064，Shanxi，China
  • 2. Xingyun Shuju （Beijing） Technology Co. Ltd.，Beijing 100200，China
  • 3. School of Electronics and Control Engineering，Chang'an University，Xi'an 710064，Shaanxi，China

Received date: 2024-04-11

  Revised date: 2024-09-04

  Online published: 2024-11-29

Fold

摘要

文章利用2022年8月—2023年1月全国绿通车数据，分析了鲜活农产品的时空运输模式；同时，通过GIS技术和统计分析，揭示了运输量的区域差异、集聚现象及其成因，并探讨了运输距离与载重、货物类型与运输向心性的关系。研究发现：①8—10月的蔬菜及水果运输量较高，11月—次年1月减少，鲜肉蛋奶运输量保持稳定，鱼虾贝蟹在1月运输量略低。②蔬菜、水果、鲜肉蛋奶未呈现聚集模式，而鱼虾贝蟹则表现出显著的空间相关性。③运输重量与平均运输距离呈正相关关系，运输流的演变主要受季节更替、产销区域扩张及城市群集聚效应的共同作用。研究结论为优化农产品运输路径、提升运输效率与质量提供了科学依据，同时也为政府制定针对性政策以促进农产品流通、保障生产与消费平衡提供了重要参考。

关键词： 绿通数据; 鲜活农产品; 运输流; 蔬菜与水果; 肉蛋奶; 供应链; 生产与消费

本文引用格式

宋京妮 , 侯文婷 , 李友良 , 颜飞 , 陈丹 , 杜凯 . 基于绿通大数据的中国鲜活农产品运输流格局及其演变机制[J]. 经济地理, 2024 , 44(10) : 126 -135 . DOI: 10.15957/j.cnki.jjdl.2024.10.013

Abstract

Based on the green traffic data from August 2022 to January 2023,this study analyzes the spatiotemporal transportation patterns of fresh agricultural products. Through GIS technology and statistical analysis,it reveals regional differences in transportation volumes, patterns of aggregation, and their causes. Additionally,it discusses the relationships between transportation distance and load,as well as cargo types and transportation centrality. It's found that: 1) The transportation volume of vegetables and fruits was higher from August to October in 2022, and decreased from November 2022 to January 2023. Meanwhile,the transportation volume of fresh meat,eggs,and dairy remains stable. The transportation volume of fish,shellfish,and crustaceans is slightly lower in January 2023. 2) The transportation of vegetables,fruits,and fresh meat, eggs, and dairy do not show an aggregation pattern. However,the transportation of fish,shellfish,and crustaceans exhibit significant spatial correlation. 3) There is a positive correlation between transportation weight and average transportation distance. The evolution of transportation flows is mainly influenced by seasonal changes,the expansion of production and marketing areas,and the agglomeration effects of urban agglomerations. This study provides a scientific basis for optimizing the transportation paths of agricultural products and improving transportation efficiency and quality. It also provides an important reference for the government to formulate targeted policies to promote the circulation of agricultural products and ensure the balance of production and consumption.

Key words： green traffic data; fresh agricultural products; transportation flow; vegetables and fruits; meat,eggs and milk; supply chain; production and consumption

鲜活农产品在现代社会中发挥着至关重要的作用，既是人们日常饮食的基础，也是保障国家食品安全和人民健康的关键。随着国民生活水平的提高，公众对鲜活农产品的质量和数量需求持续增长。近年来，全国人均主要食品消费量和鲜活农产品产量稳步提升（图1），推动了产销区域的扩展，农产品生产和销售的覆盖范围不断扩大。
图1 全国主要食品消费量和鲜活农产品产量变化

Fig.1 Changes of national consumption of major foods and the output of fresh agricultural products

《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》明确提出推动农产品流通现代化的任务，强调保障食品安全和改善市场供应水平。然而，鲜活农产品在生产、运输和销售过程中面临诸多挑战。气候变化和土地退化等环境因素影响着农产品的产量和质量。此外，由于鲜活农产品保质期短、易腐烂，对温度、湿度和光照等环境条件敏感[1]，加之保鲜技术和物流设施不足，运输过程中的损耗问题尤为严重，导致资源浪费。与此同时，市场信息不对称和分布不均削弱了农民与消费者之间的有效沟通，降低了农产品流通效率。
城市化进程的加快，特别是城市群[2]的崛起，为鲜活农产品的运输带来了机遇和挑战。作为区域经济的驱动力，城市群集聚大量人口和经济活动，对农产品的需求不断增长，从而促进了市场发展并对运输链产生了显著影响。城市群的规模经济和集聚效应增加运输流量，促使运输网络重组。然而，现有研究很少深入分析城市群如何影响农产品的时空分布，以及如何优化运输网络以适应这些变化。
研究鲜活农产品的时空分布对于理解其生产地理和时间模式、指导农业生产、优化物流网络、减少运输损耗、提高流通效率至关重要。而信息技术在农产品运输监测中的应用，尤其是高速公路绿通车数据，为研究鲜活农产品的时空分布及其演变提供了新机遇。这些数据涵盖车辆信息、行驶时间、费用以及货物类型、重量和收费站位置等详细信息，具有高时间精度和广泛的地理覆盖等特征。深入分析此类数据，不仅可以揭示高速公路绿通车的整体运输状况，还能探究农产品生产地与高速公路的联系，洞察地区产能和需求变化。这为理解鲜活农产品在不同区域和时间的运输模式及其形成机制，提供了新的视角和方法。
目前，鲜有关于鲜活农产品运输流时空分布格局的研究，部分研究仅探讨了交通流的时空分布情况。如Siripirote等利用货车GPS数据分析货车出行与活动特征、活动模式以及出行链的可行性[3]；Zhao等提出了一个多视角分析框架，通过轨迹挖掘技术揭示了农产品流通网络的季节性层次结构和地域差异[4]；还基于全国卡车轨迹数据，构建了农产品流通网络[5]，并以北京市为例，分析其时空交互格局和季节变化，进一步细化了城市节点功能和运输走廊的季节性特征；Chen等通过分析深圳重型货运车辆轨迹数据，提出了一种确定轨迹数据行程切削阈值的统计抽样方法，分析了不同类型重卡的时空特征和活动差异[6]；王庆晔基于1995—2022年的时空数据，分析了吉林省农产品物流企业的布局演化特征和区位选择影响因素，并基于社会经济统计和企业数据库，运用地理探测器模型量化了影响因素和它们的交互作用[7]；Yang等通过分析重型卡车的长期轨迹数据，并运用全局和局部回归模型，揭示了工业、交通和土地利用等因素对重型卡车活动分布的异质性影响[8]；Yang等提出了一种数据驱动的重型卡车GPS轨迹分析方法，用于识别市内重卡货运的行程终点[9]；丁晓青基于12 t以上货车GPS数据分析了厦门和深圳重型货运车辆交通特征[10]。
此外，还有部分研究关注农产品运输配送问题，诸如农产品供应链管理、运输路径优化、冷链物流技术等。如Li等通过比较传统和基于区块链的生鲜农产品供应链，探讨了COVID-19期间，区块链技术对保鲜工作、广告工作和供应链管理的动态优化效果[11]；Wang等针对智慧城市中生鲜农产品需求的增长，提出基于第三方物流配送模式的优化数学模型[12]；Pratap针对易腐食品物流，创建综合生产—库存—路线的模型，为物流规划提供支持[13]；姚源果等针对生鲜农产品冷链物流配送的成本高、在途时间长等问题，建立考虑实时路况信息的总成本最小化配送路径优化模型[14]；Modak等分析了农产品供应链中区块链技术的成本效益，提出了集中式和去中心化决策模型[15]；任腾等提出了一个考虑顾客满意度和道路拥堵的冷链物流配送路径优化模型，并通过设计一种融合禁忌搜索和动态概率选择的知识型蚁群算法进行求解[16]；高浩然等通过构建易腐品冷链配送车辆路径优化模型，设计改进的遗传算法，并从时效性和品质性两方面度量客户满意度，以总成本最小为目标进行优化[17]。
综上发现，已有研究运用不同方法探究了物流高效运输和降本增效的方式，但少有学者分析鲜活农产品运输流的时空分布格局及演变机制。因此，本文选用2022年8月—2023年1月的全国绿通车数据，将鲜活农产品按照蔬菜、水果、鱼虾贝蟹、鲜肉蛋奶四类进行研究，探讨运输农产品货车活动的空间相关性、冷热点区域和移动向心性，并分析不同省份四类鲜活农产品的供需关系，以期为鲜活农产品的生产、供应链管理以及市场调控提供指导。

1 数据来源与研究方法

1.1 数据来源

本文基于全国高速公路收费系统的数据库，并选取2022年8月—2023年1月约1800万条绿通车数据。绿通车数据包括运输车辆的车牌号、车种、查验时间、入口收费站、出口收费站、绿通种类、重量等详细信息。绿通车数据示例见表1。
表1 绿通车数据示例

Tab.1 Example of green vehicle data

数据字段 示例
车牌（全） 京AV2298_01
查验时间 2022/08/18 0:00
重量 14744
入口站ID 1102040102
出口站ID 1102040203
绿通品种 新鲜的家禽肉和家畜肉
入口收费站 北京上清站
出口收费站 北京回龙观站
免收费用 800

1.2 研究方法

为探索中国鲜活农产品运输流时空分布格局及其演变机制，本文通过高德地图API获取高速公路收费站信息。同时，结合绿通车数据，使用ArcGIS软件，将收费站信息与绿通数据相关联。通过匹配起终点信息，重构了鲜活农产品车辆的实际运输路线。随后，通过分析时间戳，揭示运输流量的时间分布特征。进一步采用莫兰指数和Getis-Ord Gi*统计量，量化评估运输流的时空格局，并探讨其演变机制。最后，对鲜活农产品运输的移动范围进行分析和可视化，以探索其演变规律。

1.2.1 核密度分析法

核密度分析[18]是一种用于分析空间数据分布密度的方法。它通过将数据点周围的特定区域赋予权重值，然后将所有核函数相加，得到一个表达空间密度的连续表面。

1.2.2 盈亏法

盈亏值[19]能反映一个地区鲜活农产品的供需情况。本文使用盈亏值反映不同地区鲜活农产品的供需情况，并以此分析鲜活农产品的时空分布格局。盈亏值计算公式如下：
C = V a - V b
式中：C表示该地区此类鲜活农产品供应与需求的盈亏值； V a表示该地区鲜活农产品的供应值； V b表示该地区鲜活农产品的需求值。C为负值表示供应小于需求，为正值表示供应大于需求，为0表示两者平衡。

1.2.3 空间自相关

空间自相关[20]包括全局自相关和局部自相关，常用来检验某一现象与其相邻空间单元的现象关联性是否显著。全局空间自相关主要用于描述区域变量在整个研究区内的空间分布状况。使用全局莫兰指数评估不同时间段鲜活农产品运输流量分布的空间自相关性。全局自相关主要用于判断研究区整体是否呈现聚集、分散或随机趋势，无法反映局部区域内变化规律，因此本文进一步采用局部自相关分析研究区内各局部单元的数据变化特征。局部自相关通过局部莫兰对研究区内局部数据进行分析，判断同一变量在不同区域是否存在空间异质性。

1.2.4 移动向心性

移动距离指不同种类鲜活农产品在一天内运输的平均距离，反映了货车活动的空间范围，揭示了不同产品在运输过程中的分布特征。计算公式为：
D g = 1 n ∑ i = 1 n l i - l 0 2
式中： l 0为入口收费站的地理坐标； l i为出口收费站的地理坐标；n为1天内统计得到的货运次数。
K S l i l o = K S D g ( l i ) , D g ( l 0 ) = S u p D g F D g ( l i ) - F D g ( l 0 )
式中： K S ( · )为KS距离，用于量化两组数据之间的统计差异及其累积分布； F D g ( l 0 )和 F D g ( l i )分别是 D g ( l 0 )和 D g ( l i )的累积分布函数；Sup是Supremum函数。
移动向心性[20]是一个量化不同地区货物流动规模异质性的指标。将 l m a x定义为覆盖至少95%鲜活农产品的最小距离，相对距离 l ^定义为实际距离l与货物移动的最大距离之比。用线性函数拟合 l i ^的距离与它们的 K S l i l o之间的关系，并将斜率 Δ K S命名为评估不同种类鲜活农产品的流动性中心性指数，图解如图2。
图2 移动距离和移动向心性图解

Fig.2 Movement distance and movement centrality

2 鲜活农产品时空分布格局分析

2.1 绿通各品类时间特征分析

鲜活农产品主要分为蔬菜、水果、鲜肉蛋奶和鱼虾贝蟹四大类。图3显示了2022年8月—2023年1月中国四类绿通农产品的运输量月变化情况。
图3 鲜活农产品运输量月变化

Fig.3 Monthly changes in the transportation volume of fresh agricultural products

由图3可以看出，四类农产品中，蔬菜由于其在人们日常饮食中的核心地位和广泛市场需求，显示出最高的运输占比。蔬菜生产的季节性与全年稳定的消费需求之间的不匹配，导致了对跨地区运输的需求，以确保全年供应的稳定。特别是在2022年8月—10月期间，由于蔬菜和水果的丰收季节，运输量显著增加。然而，随着季节的变化，蔬菜和水果的产量下降，特别是在不利气候条件下，运输量也随之减少。鲜肉蛋奶作为日常必需食品，其运输量相对稳定，反映出此类产品的市场需求较为恒定。相比之下，鱼虾贝蟹类产品的运输量在1月份出现轻微下降，这主要与季节性消费习惯有关。
在2022年8月—2023年1月的周期性波动分析中（图4a），蔬菜运输量在600~800万t波动，显示出稳定性，在第10周和第20周达到峰值，可能与季节性需求或节日消费有关。水果运输量在400~600万t小幅波动，第20周达到峰值后在第25周下降，可能标志着季节性供应周期的结束或需求变化。相比之下，鲜肉蛋奶和鱼虾贝蟹的运输量较低，保持在100万~200万t，波动较小，表明此类产品的需求相对稳定，但在某些周有小幅波动，可能与节日需求或捕捞周期相关。
图4 鲜活农产品运输量周变化和日变化

Fig.4 Weekly and daily changes in the transportation volume of fresh agricultural products

图4b日变化趋势显示，蔬菜和水果的日运输量在每月的月初和月末表现出明显的周期性波动，与市场供需的时间性规律相关。鲜肉蛋奶的日运输量相对稳定，未观察到显著的高峰或低谷，表明该品类需求受季节和节日影响较小。鱼虾贝蟹的日运输量同样呈现周期性波动，峰值出现在每月中旬和月末，可能与捕捞季节、市场供需以及冷链物流能力有关。
综上发现，影响运输量变化的因素包括季节性变化、节假日效应、市场需求变动以及供应链效率等。季节性变化导致不同季节农产品供应量的差异，节假日期间消费者需求的增加导致运输量显著上升，市场需求的变动影响运输量，供应链效率、运输能力和天气条件等均对运输量产生影响。总体而言，鲜活农产品运输量的变化趋势是市场需求的季节性波动、节假日效应、消费者需求变动以及供应链效率等多重因素综合作用的结果。

2.2 绿通货车流动空间特征分析

绿通车数据揭示了农产品运输的时间和空间特征，与城市的人口、地理位置和规划布局紧密相关。本节从地理视角出发，通过分析各区域的运输次数来评估货车的空间活跃度，并进行可视化展示。
图5显示，货车在经济发达城市如北京、上海、广州和深圳等地的运输次数明显高于其他地区，显示出运输活动的集中趋势。此外，交通枢纽地区的运输量也较大。而偏远地区如西藏和新疆，并没有记录到货车运输的情况。这反映了不同城市对新鲜农产品需求的差异，经济繁荣地区需求旺盛，可能蕴含更多市场机遇；而偏远或经济发展较慢地区可能面临供应短缺或需求不足的挑战。
图5 收费站核密度分布

注：基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图6、图7同。

Fig.5 Kernel density of toll stations

2.3 全国各省份供需关系分析

由于鲜活农产品具有很强的季节性特点，为了更好地了解不同时期蔬菜的产量、消费量以及不同地区之间的供需关系，选取2022年8月和2023年1月的绿通车收费数据作为研究对象，并按照蔬菜、水果、鲜肉蛋奶和鱼虾贝蟹四大类进行探讨。
图6a显示了8月份和1月份各省份蔬菜的输出与输入的差值情况。正值表示净输出，负值表示净输入。在8月和1月，内蒙古、陕西、河南、安徽、云南等省份净输出较多，江西、广西、浙江、江苏等省份净输入较多。山东、福建和广东等省份在8月份净输入，1月份则反之。甘肃和吉林在8月份净输出，1月则相反。
图6 不同种类鲜活农产品各省份供需变化对比

Fig.6 Supply-demand comparison of different types of fresh agricultural products at the provincial level

内蒙古、陕西8月蔬菜净输出多归因于适宜的气候、丰富的农田资源和先进的种植技术。这些地区8月气候条件利于蔬菜生长，且农田资源丰富，为蔬菜生产提供了良好条件。云南1月净输出是因为地理位置优势和冬季露地种植特点，其气候温暖，适宜冬季蔬菜生长。山东、福建等省8月蔬菜供应不足，1月供应充足，原因包括季节性因素、供需关系和运输储存条件。山东冬季气候寒冷，不利于蔬菜生长，导致供应不足；夏季则相反。其次，供需关系和运输储存条件也影响供应。
图6b显示8月和1月不同省份水果的供需情况。广西以水果资源丰富著称，气候条件利于水果生长，全年供应新鲜水果。陕西以苹果产业迅速崛起，成为农村经济的重要产业。四川、辽宁8月水果供应大于需求，1月则相反。四川夏季气候适宜水果生长，供应充足；辽宁夏季供应不足，冬季部分水果供应增加。云南8月水果供应大于需求，1月需求大于供应，夏季气候适宜水果生长，供应充足；冬季部分水果生长受限，供应减少。云南的复杂地形和独特气候为水果种植提供有利条件。
图6c显示，鱼虾贝蟹的主要输出省份集中在沿海地区，如广东、福建、山东和辽宁。这些省份靠近海洋，便于捕捞和出口海产品，拥有悠久的渔业历史和丰富的经验，注重海洋养殖和渔业开发，采用先进技术和管理，提高海产品生产和质量。养殖和捕捞技术的进步减少了季节性供需波动，确保了供应的稳定性。
图6d显示，鲜肉蛋奶的运输活动主要分布在农牧区和人口密集区，如河北、河南、山东和东北三省。这些地区农业资源丰富，养殖基地众多，满足大量市场需求。北京、上海等一线城市作为主要需求地，由于人口密集和经济发达，对鲜肉蛋奶的需求持续增长。

2.4 空间相关性分析

将2022年8月—2023年1月四类鲜活农产品各省份的输出量和输入量相加，运用ArcGIS计算全国鲜活农产品的全局莫兰指数值及相关指标，从空间视角探究全国鲜活农产品的演变趋势，结果见表2。
表2 全国四类鲜活农产品总输出量与总输入量的全局莫兰指数

Tab.2 Global Moran's index for total output and total input of four categories of fresh agricultural products in China

品类 Moran's I Z值 E（I） P值
蔬菜 输出量 -0.0923 -0.6791 -0.0333 0.4971
输入量 -0.0829 -0.5861 -0.0333 0.5578
水果 输出量 -0.1134 -0.8919 -0.0333 0.3724
输入量 -0.2090 -1.9893 -0.0333 0.0467
鲜肉蛋奶 输出量 0.0800 1.6066 -0.0333 0.1081
输入量 0.0804 1.2839 -0.0333 0.1992
鱼虾贝蟹 输出量 0.1072 3.6687 -0.0333 0.0053
输入量 0.1925 2.6625 -0.0333 0.0078
莫兰指数大于0，并且当Z值超过1.96，P值小于0.01时，可以认为鲜活农产品的分布显示出显著的空间相关性，表现为空间上的聚集趋势。其中，蔬菜和水果的输出量和输入量，莫兰指数分别为 -0.0923、-0.0829、-0.1134和-0.2090，且P值均大于0.01，表明此类农产品的分布无显著的空间相关性。农产品的空间分布分散性可能是气候、土壤、种植技术和市场需求等地区差异因素的综合作用结果。鲜肉蛋奶类的输出量和输入量莫兰指数分别为0.0800和0.0804，显示出一定的聚集趋势，但P值大于0.01，意味着这种趋势并不显著，表明鲜肉蛋奶的生产和分配在空间上相对均匀，没有形成明显的聚集模式。相反，鱼虾贝蟹的输出量和输入量莫兰指数分别为0.1072和0.1925，Z值为3.6687和2.6625，P值为0.0053和0.0078，均满足莫兰指数大于0，Z值大于1.96，P值小于0.01的条件，表明鱼虾贝蟹的分布具有显著的空间相关性。水产品聚集特征的形成主要受两个因素影响：一是水域资源的区域性分布为水产品提供了适宜的生长环境，导致产品在某些区域集中；二是市场需求的集中，特别是在需求大的地区，推动了产业的快速发展和聚集。因此，尽管蔬菜、水果和鲜肉蛋奶的分布没有明显的空间相关性，鱼虾贝蟹的分布却因水域资源和市场需求的区域性而表现出聚集性。
由图7可进一步确定鲜活农产品局部空间聚集或异常的具体位置。其中，鲜活农产品在空间上出现了HH聚集、LL聚集、HL异常、LH异常4种类型。蔬菜类产品在空间分布上未表现出明显的聚类或异常，可能因生产和消费分布均匀或受地理气候影响小。水果类产品主要表现为LH异常，反映了水果生产区与消费区在地理位置上的不一致。鲜肉蛋奶类农产品在空间上显示出HH聚集、LL聚集、HL异常、LH异常等多种类型。输出量的HH聚类地区在中国北方，如内蒙古、河北、辽宁；LH异常地区在陕西、天津。输入量的HH聚类地区为江苏、安徽等；LH异常地区为河北。新疆在两者中均体现在LL聚集。鱼虾贝蟹类产品在空间上的LL聚集地区为西藏和甘肃，该地区由于其特殊的地理位置和气候条件，导致生产和消费均较低。LH异常地区为江西，表明该省鱼虾贝蟹的消费量高于生产量。HH聚集地区包括福建、安徽等，这些区域在鱼虾贝蟹的生产和消费上均较为活跃。
图7 四类鲜活农产品输出量和输入量LISA分布图

Fig.7 LISA Distribution of exports and imports of four categories of fresh agricultural products

2.5 移动向心性分析

根据图8热图的变化趋势，可以推断出运输重量与平均运输距离之间存在正相关关系，当运输的货物量增加时，其运输距离也相应增长。8月份蔬菜类产品第二周的运输距离明显低于其他时间段，可能是由于疫情导致市场对农产品的需求降低；加之夏季收获季节供应增加，减少了长距离运输需求。鲜肉蛋奶产品在2022年8月—2023年1月平均运输距离较短且稳定，8月后略有增加，反映出鲜肉蛋奶类产品的供应链具有一定的稳定性，且随着季节的变化，运输距离有所调整。水果类和鱼虾贝蟹类产品的运输距离在这一时期内季节性变化不明显，可能因为这些产品的生产和消费地相对固定或其供应链优化，从而减少了季节性波动对运输距离的影响。
图8 2022年8月—2023年1月运输重量与Avg.Dg关系

Fig.8 Relationship between transportation weight and Avg.Dg from August 2022 to January 2023

2.6 政策建议

在深入探讨了中国鲜活农产品运输流的时空分布格局及其演变机制后，本文进一步提出以下针对性的分析与建议：
①区域协调与物流网络建设。不同区域和农产品种类的运输量差异显著，蔬菜、水果和鲜肉蛋奶类产品分布较为广泛，而鱼虾贝蟹类产品则呈现区域性聚集特征。这一现象凸显了区域协调发展的重要性。通过优化产销布局和减少长途运输，可以有效降低成本并提升运输效率。城市群的聚集效应对运输流量影响显著，因此，加强其内部及相互间的物流网络建设，对于提高运输流量和效率，满足城市群增长的运输需求至关重要。
②供应链管理与技术应用。供应链的优化对于提升运输效率至关重要。货物运输重量与运输距离之间呈正相关关系，反映了一种普遍的流通模式。因此，应鼓励企业采用先进的供应链管理技术，优化运输路线和物流配送，以提高货物运输重量与运输距离的匹配效率。同时，政府的政策支持与财政激励对于促进冷链物流技术的应用至关重要，有助于保障鲜活农产品的质量和安全。此外，建立数据驱动的决策支持系统，利用大数据和人工智能技术分析运输数据，可以为政策制定和企业决策提供科学依据。
③持续监测、绿色物流与公众意识提升。长期监测是持续改进运输网络的基础。本研究的数据和样本仅限于特定时期，建议扩大样本规模并进行长期监测，以深入研究运输流动性的变化趋势，从而持续优化运输网络。推广绿色物流和可持续运输实践，减少运输过程中的环境影响，是促进农业和物流行业绿色发展的重要措施。此外，建立农产品运输应急响应机制，以应对突发事件对运输网络的影响，保障供应链的稳定性。提高公众对农产品运输重要性的认识，鼓励消费者支持本地农产品，将减少运输距离和环境影响，进一步推动社会的可持续发展。

3 结论

本文基于2022年8月—2023年1月的绿通系统数据，对中国主要鲜活农产品的货车运输流时空分布格局进行分析，研究结果揭示了农产品运输量在不同种类和区域间的季节性变化规律，以及运输流演变的主要影响因素。
①四类农产品中，蔬菜因应市场需求和生产季节性，运输量最高且波动显著，尤其在丰收季节和节假日。鲜肉蛋奶运输量相对稳定，鱼虾贝蟹类受季节性消费习惯影响较大。运输量受季节变化、节日效应、市场需求及供应链效率等因素影响，其中蔬菜和水果在月初和月末波动明显，鲜肉蛋奶和鱼虾贝蟹则在每月中旬和月末出现峰值。
②货车运输活动在经济发达城市如北京、上海、广州和深圳等地更为集中，偏远地区如西藏和新疆的运输记录较少，反映出不同地区对新鲜农产品需求和市场机会的差异。运输重量与平均运输距离呈正相关关系，8月份蔬菜运输距离因疫情和季节性供应增加而缩短。鲜肉蛋奶运输距离相对稳定，季节变化影响较小。水果和水产品运输距离季节性波动不明显，表明供应链优化降低了季节性影响。
③8月份内蒙古、陕西、河南等省份蔬菜净输出多，而江西、广西、浙江和江苏等省份净输入多。水果供需情况受气候和地理位置影响。水产品主要来自沿海省份，如广东、福建。鲜肉蛋奶需求集中在农牧区和人口密集区，北京、上海等大城市需求大。供需变化受季节、气候、地理位置和市场需求影响。
④蔬菜和水果的空间分布无显著相关性，而鱼虾贝蟹类表现出显著的空间聚集性，主要由水域资源和市场需求决定。鲜肉蛋奶类虽有聚集趋势但不显著。
尽管本研究系统揭示中国鲜活农产品货车运输流的时空分布格局，但其局限在于数据时间范围有限，难以深入探讨长期趋势和季节变化。未来研究将扩大样本规模，覆盖更多地区和农产品种类，建立长期监测机制，以跟踪运输网络布局和效率的长期变化。同时，采用实时数据收集技术如物联网和大数据分析，增强数据的动态性和实时性，有助于更准确地捕捉运输流的动态变化。此外，探究政策如何影响运输网络的布局和效率，并为政策制定提供科学依据，也是未来研究的重要方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Hsiao Y H, Chen M C, Chin C L. Distribution planning for perishable foods in cold chains with quality concerns: Formulation and solution procedure[J]. Trends in Food Science & Technology, 2017,61:80-93.

[2]
Zhong C, Hu R, Wang M, et al. The impact of urbanization on urban agriculture:Evidence from China[J]. Journal of Cleaner Production, 2020,276:122686.

[3]
Siripirote T, Sumalee A, Ho H W. Statistical estimation of freight activity analytics from Global Positioning System data of trucks[J]. Transportation Research Part E:Logistics and Transportation Review, 2020,140:101986.

[4]
Zhao Y, Cheng S, Lu F. Seasonal characteristics of agricultural product circulation network:A case study in Beijing,China[J]. Agronomy, 2022, 12(11):2827.

[5]
Zhao Y, Cheng S, Lu F. Spatiotemporal interaction pattern of the Beijing agricultural product circulation[J]. Journal of Geographical Sciences, 2023, 33(5):1075-1094.

DOI

[6]
Chen X H, Liu H, Zhang H, et al. Temporal and spatial characteristic differences and influencing factors of heavy greight vehicle travel[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(6):160-171.

[7]
王庆晔. 吉林省农产品物流企业时空演变及其影响因素分析[D]. 长春: 吉林农业大学, 2023.

[8]
Yang Z, Chen X, Deng J, et al. Footprints of goods movements:Spatial heterogeneity of heavy-duty truck activities and its influencing factors in the urban context[J]. Journal of Transport Geography, 2023,113:103737.

[9]
Yang Y, Jia B, Yan X Y, et al. Identifying intracity freight trip ends from heavy truck GPS trajectories[J]. Transportation Research Part C:Emerging Technologies, 2022,136:103564.

[10]
丁晓青. 基于货运GPS数据的产业园区货运特征分析——以厦门为例[J]. 交通与港航, 2020, 7(1):62-68.

[11]
Li Y, Tan C, Ip W H, et al. Dynamic blockchain adoption for freshness-keeping in the fresh agricultural product supply chain[J]. Expert Systems with Applications, 2023,217:119494.

[12]
Wang H, Li W, Li M, et al. Intelligent selection of delivery parties for fresh agricultural product based on third-party logistics in smart city[J]. Sustainable Energy Technologies and Assessments, 2022,52:102151.

[13]
Pratap S, Jauhar S K, Paul S K, et al. Stochastic optimization approach for green routing and planning in perishable food production[J]. Journal of Cleaner Production, 2022,333:130063.

[14]
姚源果, 贺盛瑜. 基于交通大数据的农产品冷链物流配送路径优化研究[J]. 管理评论, 2019, 31(4):240-253.

[15]
Modak N M, Senapati T, Simic V, et al. Managing a sustainable dual-channel supply chain for fresh agricultural products using blockchain technology[J]. Expert Systems with Applications, 2024,244:122929.

[16]
任腾, 罗天羽, 李姝萱, 等. 面向冷链物流配送路径优化的知识型蚁群算法[J]. 控制与决策, 2022, 37(3):545-554.

[17]
高浩然, 张玉林, 张顺顺. 考虑时效性和品质性满意度约束的易腐品冷链物流配送[J]. 控制与决策, 2024, 39(4):1342-1350.

[18]
Silverman B W. Density Estimation for Statistics and Data Analysis[M]. New York: Routledge, 1998.

[19]
Fu Y. Research on Supply and Demand Matching Model Based on SARIMA-BP Model[C]// Proceedings of the 2022 5th International Conference on E-Business,Information Management and Computer Science, 2022.

[20]
O'Sullivan D, Unwin D J. Geographic Information Analysis[M]. New York: Wiley, 2010.

[21]
Xu Y, Olmos L E, Mateo D, et al. Urban dynamics through the lens of human mobility[J]. Nature Computational Science, 2023, 3(7):611-620.

DOI PMID

Options
文章导航

/

〈 〉