EN中文

Economic geography >

2026 , Vol. 46 >Issue 2: 115 - 123

DOI: https://doi.org/10.15957/j.cnki.jjdl.2026.02.011

Spatial Organization Pattern of Airport Agglomeration based on Aviation Passenger's Big Data： A Case Study of Shandong Province

  • MO Huihui , 1 ,
  • ZHANG Bing 1 ,
  • WANG Han 1 ,
  • HE Wanqin 2, 3 ,
  • DU Fangye 4 ,
  • WANG Jiaoe , 2, 3, ※
Expand
  • 1. China Academy of Civil Aviation Science and Technology， Beijing 100028， China
  • 2. Key Laboratory of Regional Sustainable Development Modeling & Institute of Geographic Sciences and Natural Resources Research， Chinese Academy of Sciences， Beijing 100101， China
  • 3. College of Resources and Environment， University of Chinese Academy of Sciences， Beijing 100049， China
  • 4. College of Geography and Environment， Shandong Normal University，Jinan 250358， Shandong， China

Received date: 2025-02-24

  Revised date: 2025-12-15

  Online published: 2026-04-10

Fold

Abstract

Based on the big data of mobile users' online check-in in Shandong Province, this paper analyzes the spatial distribution of passenger sources, regional market organization, and market competition pattern of airport agglomeration. It's found that: 1) The overall distribution of aviation passenger source in the Shandong airport agglomeration is characterized by the superposition of a "gradually increasing dependence on cities" and an "accelerating decline in regional demand". The statistical characteristics of aviation passenger travel exhibit both a monocentric circle pattern and a multi-centric radiation pattern. 2) The majority of airport hinterland passenger are concentrated within 100km, with nearly two-thirds of passengers in the airport agglomeration located within 50km. 3) There is a significant spatial scale effect in the distribution of aviation passenger markets at the city and county levels, but the overall market shows high concentration characteristics. The primary market share at the city level is mostly above 80%, and the concentration of city-level aviation passenger in most airports is above 0.5, while the county-level is above 0.15. 4) There is no spatial scale effect difference in the structure of aviation passenger markets, and the index of regional differences in market structure between airports at the city level and county level is generally above 0.80. The level of interaction between the source hinterland markets of each airport is relatively low. 5) Qingdao and Ji'nan, the two major air hubs, have become the dominant markets in the hinterland of Shandong airport agglomeration, accounting for over 60% of the total number of counties. The degree of monopoly in the county-level passenger markets is relatively high, with the total number of counties in oligopolistic and monopolistic competitive markets accounting for over 90% of the total. This paper provides a basic research framework and methodological system for the analysis of the spatial organization pattern of airport agglomeration.

Key words： airport agglomeration; aviation passenger; big data; spatial organization; air transportation; hinterland; Shandong

Cite this article

MO Huihui , ZHANG Bing , WANG Han , HE Wanqin , DU Fangye , WANG Jiaoe . Spatial Organization Pattern of Airport Agglomeration based on Aviation Passenger's Big Data： A Case Study of Shandong Province[J]. Economic geography, 2026 , 46(2) : 115 -123 . DOI: 10.15957/j.cnki.jjdl.2026.02.011

航空运输是现代综合交通体系的重要组成部分。随着航空需求的持续增长与地面交通条件的不断改善，多个机场在区域尺度内集聚发展的区域机场体系（Regional Airport System）逐渐成为全球航空体系的重要形态[1-2]。自1940年代都市区机场体系（Metropolitan Airport System）受到广泛关注以来[3-4]，由其演变而来的多机场体系（Multiple/Multi-Airport System）逐步发展为交通规划、航空地理与城市发展等领域的重要研究对象[5-7]。近年来，伴随城市群发展与区域协同战略的推进，国家层面正式提出并持续推动机场群建设[8-9]。在多机场并存、功能分化不断加深的背景下，机场群逐渐成为我国民航体系的重要组织单元，其内部结构与运行方式日益复杂。
机场群是指在一定区域范围内，以一个或多个大型机场为核心，各机场与区内城市之间通过服务航空需求的地面交通联系而形成的空间集群[9]。与早期区域机场体系或多机场体系研究侧重机场布局与容量配置不同，机场群更强调群内机场围绕航空旅客需求所形成的分工、竞合与协同关系，其集中体现为空间腹地的划分与旅客市场的组织方式。因此，机场群组织格局的识别与刻画，成为理解其运行机理、提升整体效率与优化资源配置的关键问题。既有研究表明，旅客出行行为与腹地市场组织始终是区域机场体系研究的核心内容。早期研究主要依赖于抽样调查数据，分析旅客出行特征与机场选择行为[10]。1970年代，随着离散选择模型在旅客出行领域的推广运用[11]，机场腹地旅客出行的定量化研究成果不断涌现，但多关注影响旅客出行的因素或机理[12-13]，研究发现地面交通时间、票价水平、航班频率、旅客类型等是影响出行决策的关键因素。进入21世纪以来，相关定量研究主要集中在航线网络[14]、发展模式及等级结构[15]、同质化及竞合关系[16]等领域。
随着交通大数据的不断开发与应用，机场旅客出行特征得以在更高时空精度下刻画，大数据分析已成为揭示航空市场格局与运行机理的重要技术手段[17-19]。相关研究基于票务数据、手机信令及抽样调查等多源数据，在机场可达性、旅客出行选择、腹地范围及旅客类型识别等方面取得了丰富成果[20-22]，显示出相较传统调查数据在精度和可操作性上的显著优势，尤其有助于旅客出行行为的深度建模[23]。然而，既有研究多聚焦单机场或局部竞争关系，基于大数据从整体视角系统刻画机场群组织格局的研究仍然不足。尽管出租车轨迹、社交媒体等数据已被用于旅客行为分析，但其推断方式难以准确识别真实航空旅客。航旅纵横作为我国主要航空服务平台，其移动用户值机数据覆盖面广、旅客属性明确，能够较为准确地反映航空旅客出行行为，为机场群空间组织与客源结构分析提供可靠数据支撑。基于此，本文以航空运输市场较为发达的山东机场群为研究对象，利用航旅纵横在线值机数据，从机场腹地始发旅客的空间分布及群内机场关联关系入手，分析机场群的空间组织特征，以期为机场群规划建设及市场决策提供参考。

1 研究框架

在对既有理论与研究系统梳理的基础上，本文构建了一个基于航空旅客出行行为的机场群组织格局分析框架（图1）。该框架以旅客—机场OD流为研究对象，认为机场群组织格局并非单纯由机场规模或行政区划决定，而是大量旅客在多机场环境下进行机场选择的空间累积结果，是出行需求与机场供给条件长期交互作用的体现。
图1 研究框架

Fig.1 Research framework

在机场群内部，旅客的机场选择行为是连接微观出行决策与宏观空间结构的关键机制。从需求层面看，旅客的出行目的、频率、个体属性及偏好差异，决定其对出行时间、价格和服务质量的权衡。从供给层面看，不同机场在航线网络、航班密度、票价及服务能力等方面存在显著差异，直接影响旅客出行效用。在多机场并存条件下，旅客常在本地机场与枢纽或不同层级机场之间进行差异化选择，使机场群内部客源流动呈现不确定性与异质性。需求与供给的相互联系通常通过集疏运条件实现。地面交通方式、便捷性及由此产生的时间成本，显著影响旅客对机场可达性的感知，并在出行需求约束与机场供给条件之间发挥调节作用，从而影响综合出行成本判断，并在一定程度上重塑机场腹地范围及空间结构。
随着大量旅客选择行为在空间上累积，其结果表现为机场群内部旅客空间分布的差异，并进一步形成相对稳定的客源空间组织和机场腹地市场结构。不同机场在客源吸引力、市场覆盖及功能定位上的差异，反映为机场群内部等级结构、竞争关系与功能分工模式。此外，宏观经济发展水平、国家发展战略、交通技术进步及突发公共突发事件等外部因素，也对机场群组织格局的形成与演化产生阶段性约束作用。
基于上述分析框架，本文以山东机场群为研究对象，利用航空专业App用户值机数据，从旅客实际出行行为出发，系统分析机场腹地客源空间分布特征及群内机场关联关系。同时，通过刻画旅客选择行为的空间累积效应，识别枢纽机场与中小机场在客源吸引、市场覆盖及功能互补方面的差异，以揭示机场群的组织格局特征，为机场群规划建设及协同发展提供实证参考。

2 研究对象、数据与方法

2.1 研究对象

本研究对象为山东机场群，研究区域为山东省，陆域面积16.5万km2，辖16个地级市、135个县级区域。截至2024年底，山东省共有民用运输机场（以下简称“机场”）10座，机场数量位居中国省级区域（不包含港澳台地区）第7位（与湖南省并列），其中有3个旅客吞吐量千万级机场，是全国仅有的3个省份之一。同期，山东机场群旅客吞吐量为6486万人次，占全国机场旅客吞吐量的4.4%，旅客吞吐量规模位居全国省级区域第7位。从机场管理主体来看，山东省机场体系以山东省机场管理集团有限公司为主导。该集团直接管理济南遥墙（TNA）、烟台蓬莱（YNT）、威海大水泊（WEH）、临沂启阳（LYI）、日照山字河（RIZ）、东营胜利（DOY）、菏泽牡丹（HZA）7个机场，并委托管理济宁大安机场（JNG）。此外，青岛胶东国际机场（TAO）由青岛国际机场集团有限公司负责经营管理，潍坊机场（WEF）则由海南机场集团有限公司负责经营管理。根据《山东省航空航天产业发展规划》（2024年）分析，山东省正在推动新建枣庄、聊城、淄博、滨州机场，并开展德州、泰安机场前期研究工作，以打造层次清晰、布局合理、功能完善的现代化运输机场群。

2.2 数据来源及处理

本文采用中航信移动科技有限公司开发运营的移动用户APP（航旅纵横）在线值机数据。航旅纵横注册用户超过8000万，约占我国航空旅客用户总量的17%、用户出行业务量约占全国航空旅客出行总量的40%。在获取用户许可下，航旅纵横在线值机数据记录了用户使用APP时的地理位置，原始信息主要包括Userid（用户编号）、Deptcode（始发机场）、Destcode（目的机场）、Longitude（用户使用时记录）、Latitude（用户使用时记录）等信息。
本文主要考虑机场腹地旅客出行特征，不对目的机场相关信息进行分析，以此对记录的相关数据进行清洗及筛选。具体做法如下：首先，对旅客进行脱敏处理，所有信息记录不包括个体旅客信息。其次，剔除无坐标等异常记录以及位于山东省域外的记录。考虑同一用户在同一出行航班中可能多次值机，采用出行频率最高的位置作为最终信息。再次，对处理后的相同经纬度数据点进行集计。最终，获取山东省机场群旅客出行信息为2024年8月份全月数据，涉及位置点近17.9万个、出发旅客总量58.6万人次，约占本月度山东全省始发旅客总量的16.5%，远高于传统抽样调查率（0.5‰~2‰） ① 。
对于所有的用户位置数据，用Lijk表示经（i）纬（j）度位置点至机场k的数量，其中位置点数据仅考虑位于山东省域内的相关用户；k为青岛胶东、济南遥墙、烟台蓬莱等10个机场；Lk表示始发机场k的样本总量；考虑用户数据的局限性（缺乏交通方式等信息），用Dijk表示用户始发地与始发机场的直线距离；为分析航空旅客出行的区域分布特征及机场对区域市场吸引力的尺度差异，分别从市域和县域2个维度对数据进行集计，用Muk表示从市域u（包括济南、青岛、威海等16个地级市）经机场k始发的旅客数量；用Cvk表示从县域v（包括安丘市、滨城区、博山区等135个县级区域）经机场k始发的旅客数量。通过对机场周边值机数据进行空间精度分析后发现：以1 km为统计粒度，青岛、济南、潍坊等机场在2 km范围内以及其他机场在1 km范围内出现异常高值，明显偏离正常出行分布。为消除虚拟位置或测试值机等干扰，剔除所有机场周边2 km范围内的异常数据，以保证后续分析的可靠性与有效性。

2.3 分析方法

基于机场客源数据，从空间分布格局、市场集聚性、区域格局与竞合关系等方面进行量化探讨分析。
①空间分布特征。长期以来，机场影响的经济社会分布格局存在圈层结构、廊道分布、多中心分布等多种经验性假设，但缺乏强有力的实证检验[24-25]。本文依托Lijk、Dijk等数据，以圈层结构为基础建立旅客空间格局统计分布函数如下：
$p=f\left({D}_{k}\right)$
式中：p=∑DkLijk/Lk为不同距离（测度带）Dk下的旅客占比。为消除采样数据的非连续性等误差，采用累计概率 $P={\sum }_{{D}_{k}}^{\infty }p$对旅客出行景观进行分析。同时，出行半径（步长）也是解析人类移动性特征的重要指标[18,26-27]，因此构建基于旅客空间分布的机场腹地服务水平（Rk）测算模型公式如下：
${R}_{k}=\frac{\sum _{}\left({L}_{ijk}·{D}_{ijk}\right)}{{L}_{k}}$
②市场集中度。对于机场群而言，因机场所处腹地经济社会差异及机场能级而形成不同的客源格局。本文引入首位度、赫芬达尔—赫希曼指数（Hk）[28]来考察各机场的市场集中程度，其中赫芬达尔—赫希曼指数计算方法如下：
${H}_{k}=\sum _{}{\left(\frac{{x}_{ik}}{\sum _{}{x}_{ik}}\right)}^{2}$
式中：xik从Muk（或Cvk）中取值，且有0＜Hk≤1。
③区域格局及竞合关系。基于出行旅客“点”数据及与机场关联的“线”联系（Muk或Cvk），本文从流空间视角对机场群的客源组织格局及竞合关系进行画像，具体采用差异性指数、优势度模型对机场群市场结构及竞合程度进行量化分析。其中，市场结构差异性评价模型[28-29]如下：
${T}_{ij}=0.5·{\sum }_{k}\left|{Z}_{ik}-{Z}_{jk}\right|$
式中：Zik、Zjk分别表示机场群内客流量Muk（或Cvk）相对联系强度，既有：
${Z}_{ik}={M}_{ik}/{\sum }_{k}{M}_{ik}  或  {Z}_{ik}={C}_{ik}/{\sum }_{k}{M}_{ik}$
${Z}_{jk}={M}_{jk}/{\sum }_{k}{M}_{jk}  或  {Z}_{jk}={C}_{jk}/{\sum }_{k}{M}_{jk}$
0≤Tij≤1表示两场之间的市场差异程度，Tij值越大，表示两场之间的腹地市场差异性越大、竞争性越小。其中，Tij=0表示两场腹地市场完全一致；Tij=1表示两场腹地市场完全差异化。
基于流网络构建的优势度竞合评价模型计算方法[30-32]如下：
${Y}_{ik}=\frac{max\left\{{x}_{ik}\right\}}{{\sum }_{i}{x}_{ik}}$
式中：xik从Muk（或Cvk）中取值，0＜Yik≤1表示不同机场在客源地腹地优势指向（i→k）及市场竞争度。本文采用四分法对市场竞争度（类型）进行划分[20,32]，具体如下：Yik≤0.25表示完全竞争市场，0.25＜Yik⩽0.5表示合作竞争市场，0.5＜Yik≤0.75表示垄断竞争市场，Yik＞0.75表示寡头垄断市场，Yik=1为完全垄断市场。

3 结果与讨论

3.1 旅客市场分布及统计特征

首先，山东机场群航空旅客空间分布呈现出显著的集聚型非均衡格局，主要集中于青岛、济南和烟台三大枢纽机场。2024年，三者旅客吞吐量合计约占全省84.5%，客源占比73.3%，构成山东航空网络的核心板块；威海和临沂机场作为第二梯队，旅客量约占全省3%左右，对区域航空网络具有一定支撑作用；其他机场旅客量相对有限，均不足3%，客源占比约1%，显示出明显的不均衡性。其次，机场旅客分布与人口规模和经济活动强度高度相关。依据空间重心测算的结果显示，旅客分布重心位于潍坊市附近（约36.44°N、119.63°E），相较于人口重心（淄博市附近）和经济重心（潍坊市西部），分别向东部沿海方向偏移约138.8 km和92.9 km。这一结果表明，航空客流在空间上更倾向于集聚于东部沿海地区及核心城市，与人口和经济分布的整体格局存在一定差异。
从旅客距离分布来看，济南机场83.6%的旅客，以及青岛、烟台、威海等其他9个机场95%的旅客位于200 km以内（图2），这与已有研究结论基本一致[17,31]。在100 km范围内，次梯队机场（威海、东营、临沂、济宁、菏泽）旅客集中度均超过90%，显示出强烈近域集聚特征；相比之下，青岛、烟台、日照、潍坊集中度略低，济南旅客分布最为分散，市场腹地更广。整体来看，山东机场群67.6%的旅客集中在50 km范围内（济南49.8%），其中威海和东营近域集聚尤为显著。平均出行距离方面，群内机场多在40~60 km，次梯队机场低于40 km，青岛、烟台未超过60 km，唯有济南超过60 km，接近100 km，可能受高铁竞合及都市圈唯一机场地位影响，体现出群内不同机场在市场覆盖范围上的差异。
图2 山东机场群旅客地面侧的平均出行距离

Fig.2 Average ground travel distance of aviation passengers in Shandong airport agglomeration

基于1 km测度带的统计结果显示，机场客源分布呈类似曲线，总体表现为两段特征——“城市依赖逐渐增强”与“区域需求加速衰减”（图3）。机场所在地市是客源核心，但因经济活力和跨市出行存在差异或异常值。综合分析，山东机场群航空旅客空间格局可分为两类：①单中心圈层模式。旅客空间距离呈典型单峰正态分布，市场份额在100 km内快速累计至约90%，核心市场集中，决定整体格局。青岛、威海、临沂、济宁、东营、菏泽机场均属此类。例如，青岛机场核心市场在30~50 km（市场份额56%），威海机场在10~40 km（85.9%）。该模式可细分为区域型（核心市场离机场有一定距离，如青岛）与城市型（核心市场紧邻机场，如临沂10 km内，市场份额47.4%）。②多中心辐射模式。机场客源空间分布较分散，存在多个峰值。以济南机场为例，首位市场10~40 km（44.4%）、次位市场60~100 km（16.9%），远距离260~270 km也有市场份额（8.8%）。烟台、日照、潍坊等机场亦呈此特征，说明机场不仅依赖所在城市需求，同时对区域市场也具有显著吸引力。
图3 山东机场群内青岛与济南机场旅客地面侧的距离分布曲线

注：仅绘制距离200 km以内的旅客分布情况。

Fig.3 Distance distribution curve of aviation passengers in Qingdao Airport and Ji’nan Airport of the Shandong airport agglomeration

3.2 客源空间联系及组织格局

从机场航空旅客地面来源地空间分布来看，山东机场群旅客呈城市内部与跨区域混合流特征（图4），与省域城市群的经济、交通格局基本一致，整体呈“星云”状。青岛和济南机场与省域经济中心及主要交通廊道高度契合，围绕核心都市圈形成“节点+廊道”式全省辐射格局。烟台机场主要联系胶东半岛及交通便利的周边城市（如潍坊、济南）。次梯队机场（威海、临沂、济宁、菏泽）主要服务所在城市及邻近区域，其与省内重点城市的联系受航空能级与交通便捷性限制，例如青岛在威海、临沂、潍坊等城市客源中占有一定比例，而菏泽机场客源主要集中于本地周边。
图4 山东机场群内青岛与济南机场旅客空间分布密度

Fig.4 Spatial distribution of aviation passenger density in Qingdao Airport and Ji’nan Airport of the Shandong airport agglomeration

从旅客地区分布来看，胶东半岛机场（青岛、烟台、威海、潍坊、日照）整体市场高度依赖本地客源，尤以威海和东营为典型，首位度接近垄断，腹地呈本地化集聚特征（图5）。具体来看，青岛、烟台作为区域枢纽，首位市场份额相对较低，但客源覆盖更广，体现门户型机场的外向辐射能力。鲁中地区以省会济南为核心，市场集中度较低（68.0%），客源可辐射至周边地市（如德州、聊城、滨州），呈典型省会枢纽型格局；潍坊机场虽位于胶济走廊，但受济南、青岛双核挤压，腹地范围有限。鲁西南机场（济宁、菏泽、枣庄）客源相对分散，部分跨市联系不足，主要依赖县市内部市场。鲁西北地区（聊城、德州、滨州）缺乏枢纽机场，主要依附济南，呈单中心依赖格局，客源组织独立性弱。总体而言，胶东半岛机场群表现为本地高度集聚与枢纽外向辐射并存，鲁中地区依托省会展现广域辐射能力，而鲁西南和鲁西北地区则客源组织相对单一、依附性明显。
图5 山东机场群航空旅客地面侧的流空间分布

Fig.5 Spatial distribution of the flow on the ground side of the aviation passengers at the Shandong airport agglomeration

从市级区域联系来看，山东机场群各机场客源主要覆盖省内各地级市，仅在少数市场存在缺失，如威海—枣庄、东营—菏泽等。整体上，各机场省域最大客源均在所在城市，首位市场份额大多超过80%。其中，首位市场份额最高的威海市场占比为96.1%、其次为东营的93.8%、潍坊的84.5%，较低的分别为济南（50.4%）、日照（71.2%）。受首位市场高度集中的影响，机场客源的区域市场整体也呈现高集中特征[31]，多数机场市域客源集中度指数（H）超过0.5，其中威海（0.92）、东营（0.88）、临沂（0.75）较高（H≥0.7）（图6a）。其主要驱动因素包括：一是机场与中心城市高度绑定，中小机场依赖本地市场形成本地化依附；二是城市规模与经济能级差异，核心城市（济南、青岛）腹地广、来源分散，集中度较低；三是交通区位与联系条件，通达性强的机场更易突破行政边界吸引跨市域客源。
图6 山东机场群的旅客客源地集聚性

注：R1、R2、R3、R4分别表示从大到小排序的前4位客源市场。

Fig.6 HHI index of aviation passenger hinterlands in Shandong airport agglomeration

从县域尺度来看，山东机场群各机场平均覆盖度为64%，其中济南（100%）、青岛（97.8%）、烟台（75.6%）最高，而潍坊（38.5%）、威海（40.7%）、菏泽（43.7%）相对较低（图6b）。这表明，机场规模能级一定程度影响辐射服务范围。与市域客源市场类似，高首位度（ ${R}_{1}/{R}_{2}\ge 2$）、头部（Top Head）—长尾（Long Tailer）分布导致市场具有较高的集中度，大部分机场的县域客源集中度（H）都在0.15以上，其中东营（0.57）、威海（0.42）、日照（0.33）等机场集中度超过0.3，显示其腹地市场的明显集中性。主要驱动因素包括邻近效应显著（县域旅客依赖最近机场）、核心枢纽航线供给多样性以及县域经济和人口基础差异。总体而言，山东机场群在市域和县域均表现出较高的市场集中度，反映出机场与本地市场的强绑定性及枢纽机场在区域航空网络中的主导地位。

3.3 机场腹地市场分异与竞争关系

从机场群客源市场结构差异来看（表1），市域层面机场差异指数大多超过0.80，平均值达0.92，显示腹地市场差异显著，其中最大差异为威海（WEH）—东营（DOY）（0.99），最小为临沂（LYI）—日照（RIZ）（0.78）。县域层面差异性反而略增，指数大多超过0.85，平均值0.93，最大与最小市场同样分别为威海—东营和临沂—日照。整体来看，机场客源腹地较为独立，山东机场群仍处于成长阶段，且机场分布均匀和自然垄断性可能导致旅客流动交互性较弱。进一步分析显示，高差异市场多对应经济发展水平、产业结构和交通联系差异显著的城市组合；低差异市场则往往是经济功能相似或交通网络紧密。县域尺度差异更大的主要原因包括：一是统计口径聚合效应掩盖市域内部差异，而县域尺度凸显非均衡性；二是区域性机场航线布局和航班密度差异明显，本地交通可达性对县域旅客选择影响较大；三是县域经济发展分化直接影响航空需求，经济活跃或对外联系强的县域对机场腹地结构的影响力更高，从而扩大市场差异。
表1 山东各机场腹地客源市场差异性指数

Tab.1 Market differentiation of aviation passenger hinterlands in Shandong

Tij TAO TNA YNT WEH LYI JNG DOY HZA RIZ WEF
TAO 0.79 0.82 0.92 0.93 0.96 0.96 0.97 0.79 0.85
TNA 0.83 0.85 0.93 0.92 0.88 0.91 0.92 0.83 0.85
YNT 0.82 0.88 0.86 0.95 0.98 0.98 0.98 0.87 0.92
WEH 0.93 0.94 0.86 0.98 0.98 0.99 0.98 0.96 0.95
LYI 0.94 0.93 0.96 0.97 0.93 0.98 0.95 0.78 0.95
JNG 0.97 0.91 0.98 0.99 0.94 0.98 0.82 0.95 0.96
DOY 0.96 0.91 0.99 0.99 0.98 0.98 0.98 0.96 0.94
HZA 0.97 0.93 0.98 0.99 0.97 0.84 0.99 0.98 0.97
RIZ 0.80 0.86 0.88 0.97 0.80 0.96 0.98 0.97 0.93
WEF 0.88 0.86 0.92 0.97 0.97 0.98 0.95 0.98 0.95

注：表格上对角数值基于市域测算、下对角数值基于县域测算。

从市域层面看，除潍坊主要依附济南机场外，其余有机场城市均依赖本地机场；尚未建设机场的泰安、枣庄、淄博、滨州、德州、聊城则依附省会济南，显示省会枢纽极化效应与地市机场自有腹地并存。县域层面，济南机场优势区最多，包括东平县、滕州市、市中区等62个县域（约占45.9%），服务范围覆盖济南及周边淄博、滨州、德州、聊城、泰安等县域；青岛机场次之，包括市北区、城阳区、黄岛区等23个县域（约17.0%），主要服务青岛及周边潍坊县域。烟台（8个）、临沂（13个）、济宁（12个）、菏泽（9个）等机场优势区中等，而威海等机场优势区均未超过5个。潍坊机场受济南、青岛双核分流，未形成明显优势服务区。
从市场结构来看，山东机场群腹地整体呈现出较强的垄断性特征（表2）。具体而言，沂南县（0.75）、莱山区（0.84）、平度市（0.94）等84个县域被划分为寡头垄断市场，占县域总数的62.2%，构成腹地市场结构的主体；潍城区（0.50）、莱州市（0.60）、任城区（0.74）等42个县域属于垄断竞争市场，占比31.1%；莒县（0.33）、台儿庄区（0.41）、胶州市（0.49）等8个县域为合作竞争市场，占比不足10%。此外，完全垄断市场仅1个（武城县），且腹地范围内不存在完全竞争市场。市场结构形成的主要原因包括：一是枢纽效应与规模差异，济南、青岛凭借航线网络、航班密度及国际通达性形成明显客源集聚；二是地理区位与交通联系，部分机场（如潍坊）夹于两大枢纽之间，腹地受挤压且缺乏区位优势，难以形成稳定市场；三是市场需求与经济基础差异，经济活跃或航空出行需求高的县域倾向依赖枢纽机场，强化优势区集中；四是空间布局均衡与自然垄断性，机场腹地交叉有限，固化了自有市场，减少潜在流动性。
表2 山东机场群腹地客源市场优势区及竞合度情况

Tab.2 Advantageous market areas and competitive integration levels of the passenger source market within the core area of Shandong airport agglomeration

机场 优势区（竞合度）
青岛（TAO） 城阳区（0.99）、崂山区（0.98）、李沧区（0.98）、黄岛区（0.98）、市北区（0.97）、即墨区（0.97）、高密市（0.95）、平度市（0.94）、市南区（0.94）、莱西市（0.94）、诸城市（0.90）、海阳市（0.75）、寒亭区（0.73）、昌邑市（0.70）、莱阳市（0.69）、乳山市（0.67）、奎文区（0.63）、安丘市（0.62）、坊子区（0.61）、莱州市（0.60）、潍城区（0.50）、胶州市（0.49）、昌乐县（0.42）
济南（TNA） 历下区（0.98）、历城区（0.98）、市中区（0.97）、文登区（0.65）、张店区（0.90）、槐荫区（0.97）、天桥区（0.96）、章丘区（0.98）、泰山区（0.93）、滨城区（0.96）、东昌府区（0.96）、寿光市（0.58）、岱岳区（0.93）、莱芜区（0.98）、德城区（0.96）、青州市（0.72）、邹平市（0.98）、临淄区（0.87）、长清区（0.98）、垦利区（0.58）、济阳区（0.99）、周村区（0.93）、淄川区（0.96）、博兴县（0.93）、广饶县（0.71）、桓台县（0.90）、肥城市（0.95）、新泰市（0.91）、博山区（0.94）、临朐县（0.65）、齐河县（0.98）、滕州市（0.66）、沂源县（0.93）、禹城市（0.97）、茌平区（0.98）、高青县（0.97）、惠民县（0.97）、临邑县（0.98）、商河县（0.99）、平阴县（0.99）、钢城区（0.98）、东平县（0.79）、临清市（0.97）、东阿县（0.97）、乐陵市（0.98）、无棣县（0.95）、利津县（0.61）、高唐县（0.99）、平原县（0.98）、阳信县（0.96）、阳谷县（0.92）、薛城区（0.66）、沾化区（0.82）、莘县（0.89）、夏津县（1.00）、陵城区（0.97）、冠县（0.97）、宁津县（0.98）、庆云县（0.98）、武城县（1.00）、山亭区（0.67）、峄城区（0.53）
烟台（YNT） 福山区（0.94）、芝罘区（0.88）、莱山区（0.84）、蓬莱区（0.87）、龙口市（0.90）、牟平区（0.82）、招远市（0.70）、栖霞市（0.77）
威海（WEH） 环翠区（0.44）、荣成市（0.61）
临沂（LYI） 兰山区（0.87）、河东区（0.86）、罗庄区（0.89）、沂水县（0.45）、莒南县（0.63）、费县（0.79）、沂南县（0.75）、临沭县（0.87）、平邑县（0.53）、蒙阴县（0.52）、兰陵县（0.83）、郯城县（0.88）、台儿庄区（0.41）
济宁（JNG） 任城区（0.74）、兖州区（0.83）、邹城市（0.68）、曲阜市（0.55）、嘉祥县（0.69）、宁阳县（0.56）、汶上县（0.68）、梁山县（0.44）、金乡县（0.63）、泗水县（0.57）、鱼台县（0.69）、微山县（0.50）
东营（DOY） 东营区（0.63）、河口区（0.52）
菏泽（HZA） 牡丹区（0.88）、郓城县（0.57）、巨野县（0.62）、定陶区（0.89）、曹县（0.87）、单县（0.73）、成武县（0.85）、鄄城县（0.79）、东明县（0.85）
日照（RIZ） 东港区（0.52）、莒县（0.33）、岚山区（0.55）、五莲县（0.46）
潍坊（WEF） -

4 结论与未来研究方向

机场群是航空运输市场集群化发展的重要趋势，提升机场群的国际竞争力和辐射带动力已经成为国家综合立体交通网建设发展的重要抓手。近年来，随着我国民航改革的深入推进，省级层面乃至跨区域机场群的统筹规划与协同发展已被纳入重要议事日程；与此同时，以人类移动性为焦点的地理大数据在数据可得性、技术方法创新等方面取得了巨大进步[20-21]，利用大数据对机场群组织格局展开深入研究应运而生。

4.1 主要结论

考虑航空旅客出行大数据的高度离散、内在关联等基本特点，结合地理空间组织理念，本文从均质空间（连续二维平面）和功能地域（市域与县域）建立机场群空间组织格局的基础分析框架及方法体系，同时基于航旅纵横在线值机数据，以山东机场群为对象进行了实证研究。主要结论如下：
①山东机场群客源市场空间分布差异性显著。基于1 km间隔测度带的统计分析表明大多数机场的航空旅客分布在距机场100 km范围内，50 km范围集聚了近2/3的旅客；大多数机场市场平均出行距离在40~60 km，而济南机场平均出行距离接近100 km，威海、东营、临沂等机场则低于40 km。综合测度带的旅客统计及空间分布探析，机场客源分布呈现距离呈现“城市依赖逐渐增强”与“区域需求加速衰减”叠合的特征，出行景观统计特征呈现单中心圈层模式（如青岛、临沂）和多中心辐射模式（如济南、烟台）。
②山东机场群客源市场在市域及县域尺度均呈现高度的集聚特征，但存在显著的空间尺度效应及地理邻近性特征。各机场客源覆盖绝大多数的地级市，各机场最大客源市场均为本机场所在的地级市；首位市场份额大多在80%以上，首位市场份额最高的威海市场占比为97.3%；大部分机场市域客源集中度在0.5以上，县域客源市场集中度都在0.2以上，其中东营成为唯一集中度超过0.5的机场。
③山东各机场之间的客源市场结构差异性较大，但县域市场垄断性较强。市域尺度机场间客源结构差异指数大多在0.80以上，而县域尺度差异指数增加至0.85以上，机场客源市场呈现相对独立分布格局。机场优势度区域格局分布差异性较大，机场群内的青岛机场、济南机场覆盖的优势县域市场数量占比分别为17.0%、45.9%，两大枢纽机场占据主导地位；机场群内客源县域市场84个呈现寡头垄断、42个呈现垄断竞争，仅有8个为合作竞争市场。

4.2 未来研究方向

大数据为人类移动性的空间组织探索提供了重要手段，当前不可避免面临基本困境，即数据精准度及丰度仍有待提升，如APP用户多为常旅客带来的采样偏误、数据清洗并未能全面客观获取有效的数据，这些都可能给实证研究带来潜在偏差。尽管如此，作为利用大数据对机场群组织格局“有没有”的初步探索，未来研究可通过更精准、更丰富（包括属性与要素）的数据，并结合手机信令数据、机场问卷调查等多源数据进行交叉验证，进一步提升研究的科学性和稳健性。同时，可将研究范围拓展至不同发展阶段的机场群，以形成更具普适性的差异化政策启示，并逐步推进对“好不好”的深入分析。与此同时，对比“小数据”的丰富研究及不同大数据的成果，未来研究还应从以下方面深化：一是要加强开展不同地域（包括国内外）机场群的实证分析及比较研究，深度总结凝练旅客出行空间组织特征及规律，并分析影响其差异性的原因；二是融合经济社会数据及“小数据”，对机场群的发展机理进行深入剖析，发掘关键影响因子以为实践提供决策指导；三是充分利用大数据的丰富性（包括多源大数据），开创具有学科引领意义的理论及方法，以促进交通（航空）地理学的创新发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
王姣娥, 莫辉辉. 航空运输地理学研究进展及展望[J]. 地理科学进展, 2011, 30(8):670-680.

[2]
O'Connor K. Air transport research:The next 25 years[J]. Journal of Transport Geography, 2019, 81:102597.

DOI

[3]
Putnam J O. Airport Planning and Its Relation to the Community[D]. Cambridge: Massachusetts Institute of Technology, 1954.

[4]
Federal Aviation Administration and Airport Operation Council International. Planning the Metropolitan Airport System(150-5070-5)[M]. Washington: U. S. Government Printing Office, 1970.

[5]
DE Neufville R. Planning for multiple airports in a metropolitan region[J]. Built Environment 1984, 10(3):159-167.

[6]
Graham B. Geography and Air Transport[M]. New York: Wiley-Blackwell, 1995.

[7]
肖凡, 莫辉辉, 王姣娥, 等. 多机场体系的概念内涵、识别方法与实证研究[J]. 地理科学, 2023, 43(4):606-616.

DOI

[8]
莫辉辉, 王姣娥, 黄洁. 2010年以来我国航空运输地理学研究进展与展望[J]. 人文地理, 2023, 38(5):9-15,35.

[9]
莫辉辉, 王姣娥, 高超, 等. 机场群研究进展与展望[J]. 地理科学进展, 2021, 40(10):1761-1770.

DOI

[10]
The Port of New York Authority Aviation Department,Forecast and Analysis Division. New York's Air Travelers (1956 Edition)[R]. Saugatuck: The Eno Foundation for Highway Traffic Control, 1956.

[11]
Fukushi M, Delgado F, Raveau S. Discrete choice model applications for air passenger airport choices:A literature review[J]. Transportation Research Record, 2024, 2679(2):748-769.

DOI

[12]
Skinner R E. Airport choice:An empirical study[J]. Transportation Engineering Journal of ASCE, 1976, 102(4):871-883.

DOI

[13]
Pels E, Nijkamp P, Rietveld P. Airport and airline choice in a multiple airport region:An empirical analysis for the San Francisco Bay Area[J]. Regional Studies, 2001, 35(1):1-9.

DOI

[14]
莫辉辉, 王姣娥, 彭峥, 等. 机场群航线网络竞合评价方法及实证探讨:以粤港澳大湾区世界级机场群为例[J]. 热带地理, 2022, 42(11):1797-1805.

DOI

[15]
张莉, 张越, 胡华清. 核心机场与多核机场群发展模式及其特点研究[J]. 综合运输, 2018, 40(1):50-55.

[16]
蒋永雷, 杨忠振, 王璐, 等. 区域机场同质化发展特征分析:以长三角地区机场群为例[J]. 经济地理, 2013, 33(2):122-127.

[17]
Hawelka B, Sitko I, Beinat E, et al. Geo-located Twitter as proxy for global mobility patterns[J]. Cartography and Geographic Information Science, 2014, 41(3):260-271.

PMID

[18]
刘瑜, 康朝贵, 王法辉. 大数据驱动的人类移动模式和模型研究[J]. 武汉大学学报(信息科学版), 2014, 39(6):660-666.

[19]
黄洁, 王姣娥. 交通大数据在人文与经济地理学的应用及学科影响[J]. 地球信息科学学报, 2020, 22(6):1180-1188.

DOI

[20]
姚海芳, 刘云溪, 刘劲松. 基于手机信令大数据的机场腹地识别算法研究[J]. 地理与地理信息科学, 2021, 37(2):77-83.

[21]
Adler N, Brudner A, Gallotti R, et al. Does big data help answer big questions? The case of airport catchment areas & competition[J]. Transportation Research Part B:Methodological, 2022, 166:444-467.

DOI

[22]
Wang S, Kong N N, Gao Y. Use mobile location data to infer airport catchment areas and calibrate Huff gravity model in the New York metropolitan area[J]. Journal of Transport Geography, 2024, 114:103790.

DOI

[23]
Gregg A, Blasco-Puyuelo J, Jordá-Muñoz R, et al. Airport accessibility surveys and mobile phone records data fusion for the analysis of air travel behavior[J]. Transportation Research Procedia, 2024, 76:269-282.

DOI

[24]
Kasarda D J, Lindsay G. 航空大都市:我们未来的生活方式[M]. 曹允春,沈丹阳,译. 郑州: 河南科学技术出版社, 2013.

[25]
莫辉辉, 刘雪妮, 高超, 等. 我国航空枢纽经济发展的思考[J]. 综合运输, 2023, 45(2):43-49.

[26]
Song C, Koren T, Wang P, et al. Modelling the scaling properties of human mobility[J]. Nature Physics, 2010, 6(10):818-823.

DOI

[27]
Barbosa H, Barthelemy M, Ghoshal G, et al. Human mobility:Models and applications[J]. Physics Reports, 2018, 734:1-74.

DOI

[28]
莫辉辉, 王涵, 高超, 等. 纽约大都市区机场体系的组织格局探讨[J]. 民航学报, 2023, 7(1):25-29,122.

[29]
Krugman P. 地理和贸易[M].张兆杰,译. 北京: 北京大学出版社, 2000.

[30]
Nystuen J D, Dacey M F. A graph theory interpretation of nodal regions[J]. Papers of the Regional Science Association, 1961, 7(1):29-42.

DOI

[31]
金凤君. 我国航空客流网络发展及其地域系统研究[J]. 地理研究, 2001(1):31-39.

[32]
王姣娥, 金凤君, 孙炜, 等. 中国机场体系的空间格局及其服务水平[J]. 地理学报, 2006, 61(8):829-838.

Options
Outlines

/

〈 〉