派智库

摘要：基于城市间铁路客运车次数据，借助加权平均旅行时间、吸附指数和依附指数及社会网络分析方法，对中心城市的可达性及联动格局进行分析。结果表明：高铁建设显着提升各中心城市的可达性，然而当前建成运行的高铁网络，并未带来中心城市可达性的空间收敛，反而加大了中心城市间可达性的非均衡程度，呈现“马太效应”；中心城市的吸附能力与可达性密切相关，高铁联网成为重塑城市体系格局的重要因素；中心城市间依附关系沿“四横四纵”高铁网络干线“强强联动”，呈现为南强北弱、东强西弱，且南北联系明显强于东西联系的空间分布格局。研究显示地理区位仍然是影响可达性的重要因素，空间距离和市场因素共同作用，决定中心城市的联动关系以及空间体系格局演变，高铁联网下中心城市的腹地快速扩张，非均衡发展态势还将持续更长时间。 本文来自织梦

关键词：高铁；可达性；城市体系；联动格局。

织梦好，好织梦

0 引言

内容来自dedecms

高铁，正史无前例地重构中国的城市与区域空间格局。截至2016年底，我国高铁营运里程已经超过2.2万km，连贯东西南北中的“四纵四横”网络基本成型。不仅如此，2016年6月，国家《中长期铁路网规划》中又明确提出建设“八横八纵”为主干的全国高速铁路网，构建近邻大中城市1～4 h交通圈；预期到2020年，全国的高铁营运里程将达到3万km。高铁建设实现了中心城市间显着的“时空压缩”[1]，极大地促进了劳动力、资本和技术信息的跨区流动。同时，借助于高铁网络，各中心城市的腹地范围也将快速向外拉伸，城市群发展已突破原有的地理和行政边界，被置入全国联动发展的开放格局之中，高铁已经成为重塑中国城市体系格局的重要因素[2]。高铁建设对我国中心城市可达性的改善程度有多大?其空间格局是趋向均衡还是非均衡?高铁联网背景下，中心城市间的联动关系及其空间格局如何?这一系列问题都需要在详细的分析基础上进行回答。 内容来自dedecms

高铁会通过增强可达性来重塑区域人口和经济的空间结构，然而因地理空间尺度不同，可达性的意义也不尽相同。在城市群和大都市区层面，高铁建设将带来可达性变化和空间重构，高铁将扩展高铁沿线城市的等时圈范围，并扩大中心城市的腹地范围[2-4]；但不连续的站点分布可能会加剧高铁城市和非高铁城市间的非均衡性，从而增加空间极化的风险。在国家和跨行政区层面，高铁建设通过减少旅行时间，将边缘地区拉近发达地区，为区域协调发展提供基础设施机会；高铁建设可以带来可达性在空间层面显着的时空收敛，使各区域享受交通的便捷程度更趋均衡[5-6]。受城市所处的地理空间区位及高铁建设条件（时间先后、线路规划和建设标准等）的影响，不同城市可达性的改善程度也存在显着差异[6-8]。可达性与城市空间相互作用密切相关，后者是城市体系时空演化的根本动力。大量研究借助城市交通数据分析城市联动关系。除了利用经典的重力模型[9-10]，较多研究运用航空网络客运数据[11]和铁路网络数据[12-13]等刻画中国城市间联动关系、等级体系与空间格局。已有研究表明，城市经济特征与城市间联动关系共同塑造城市体系的空间格局及演变方式[14-15]。总体上，由于在区域选择、空间尺度、测度数据和方法上的不同，已有关于高铁可达性的分析在测度结果上存在较大差异，并且缺乏在当前高铁网络下对我国中心城市可达性的全面测度。特别是，已有研究在刻画城市联动关系时还存在诸多不足，一是基于重力模型的实证分析还不能准确指示区域间的实际联系，并且综合的联系指标测度掩盖了城市联系的具体信息；二是点对点分析忽略城市体系节点之间的网络特征，无法分离城市直接和间接联系，不能有效区分城市联系的程度和方向。

内容来自dedecms

基于以上分析，本研究旨在测度高铁联网背景下中心城市可达性格局的变化趋势，以及在此基础上中心城市间的联动格局。相比以往研究，本研究的贡献主要体现在3个方面：一是利用铁路客运车次和列车时刻表数据测度当前高铁运行网络下中心城市的可达性及空间格局，并与普铁网络进行比较，以反映高铁建设对中心城市可达性的真实影响；二是借助基于铁路实际客运车次数据构建的城市吸附指数和依附指数，对高铁联网背景下我国中心城市的实际联动关系进行测度，不仅包括联系的大小还包括联系的方向；三是借助于社会网络分析方法明示城市联动的网络特征和空间格局，在此基础上对未来我国城市体系空间格局的演变趋势进行判断。

dedecms.com

1 研究方法与数据 织梦好，好织梦

使用铁路客运车次数据刻画我国中心城市之间的可达性格局和联动关系，需要解决3个问题：一是中心城市的选择，选择我国直辖市、省会城市以及副省级城市作为全国中心城市，总计36个中心城市，其中省会城市27个，直辖市4个，副省级城市15个（其中10个也是省会城市）1、；二是评价指标的确定，选择平均旅行时间、加权平均旅行时间和可达性系数来衡量中心城市间的可达性格局，选择依附指数来衡量中心城市间的联动关系，选择吸附指数衡量城市吸附能力；三是数据的获取，铁路客运车次以及旅行时间的数据全部来源于去哪网和12306网站。 dedecms.com

1.1 指标计算方法

1.1.1 可达性和可达性系数，采用加权平均旅行时间进行测度。加权平均旅行时间是指以各城市的社会发展水平或城市规模为权重，计算某特定城市到其他中心城市的平均最短旅行时间。该指数融合了城市规模和发展水平对可达性的影响。计算公式为：

本文来自织梦

式中：Ai为中心城市i的加权平均可达性；Tij为城市i至城市j的最短铁路旅行时间；n为网络中目标城市数量；Mij为城市j的社会发展水平或城市规模，参考冯长春等[5]的研究，本研究用GDP度量城市经济规模。平均加权旅行时间指标值越低，表示该城市的可达性愈高，与其他中心城市的经济联系机会愈高，反之亦然。

内容来自dedecms

可达性系数为某中心城市可达性与所有目标城市可达性平均值的比值，反映该城市在整个网络中可达性水平的高低。由于平均旅行时间越短，可达性越高，因此，如果该比值大于1，则表明该城市的可达性优于网络平均水平，反之亦然。计算公式为： 内容来自dedecms

织梦好，好织梦

式中：Ai*为城市加权平均旅行时间计算的可达性系数。 dedecms.com

1.1.2 城市吸附指数和依附指数。从某种程度上讲，可达性仅提供了城市之间的连接机会，还不能表征城市间的实际发生联系大小，而城市间铁路客运车次数据则可以在一定程度上反映城市间的实际联系[16]，但是在统计城市间铁路的客运车次数据时，需要根据车次类型（G，C，D，Z，T，K，L，O）来区分不同类型车次在城市联系中的重要程度。选择周靖祥[17]的研究方法，依据铁路客运的客运车次类型、车次数量以及设置不同的权重构建城市吸附指数和依附指数，该指数能表征城市间的联系强度与方向。计算公式为：

本文来自织梦

式中：Adsorption为城市铁路客运的吸附指数；Xij为城市铁路客运分车次类型的车次数；j为车次类型（包括G，C，D，Z，T，K，L，O八种车次类型）的权重，根据不同车次类型的重要性，所赋权依次递减，分别为8，7，6，5，4，3，2和1，权重不同用以区分不同车次类型在城市联系中的重要程度；i是客运列车经过某城市的方式，包含“始发”“途径”和“终到”，依重要性不同分别赋予权重ηi，本研究对3种方式的权重分别设为0.35，0.30和0.35。同时，根据此方式构建城市间铁路客运的依附指数，公式如下：

copyright dedecms

式中：Dependency为城市间铁路客运的依附指数，由于每次列车开行对应不同的始发城市和到达城市（列车编号不同），并且城市间往来车次的数目并不相同，因此，依附指数具有方向性，呈现不同的相互依附关系；a→b代表a城市对b城市的依附指数，反之为b对a的依附指数；Xij（a→b）为a城市对b城市的“始发”且“终到”车次数，反之为城市b对城市a的“始发”且“终到”车次数，ηi=0.35；Xij（a∨b）为途径城市a并且达到城市b的“途径”车次数或者为经过城市a并且“终到”城市b的车次数，ηi分别为0.30和0.35。 织梦内容管理系统

1、副省级城市：哈尔滨、长春、沈阳、济南、南京、杭州、广州、武汉、成都、西安、大连、青岛、宁波、厦门、深圳。 copyright dedecms

1.2 数据来源与处理

研究采用的铁路客运数据和城市间旅行时间数据主要来自“去哪儿网”“携程网”以及“12306铁路售票网”网站，数据查询时间为2017年4月10日至30日。其中，铁路客运车次数据来源于“去哪儿网”和“12306铁路售票网”；最短旅行时间信息来源于“携程网”。研究中用到的国内生产总值（GDP）数据来源于2017年的《中国统计年鉴》。具体数据收集方法为：“去哪儿网”网站提供了每个城市的客运站点信息，不仅包括每个城市内所有“客运车站”的“始发”“途径”和“终到”三类车次数量信息，而且包括不同车次类型的数量信息。“12306铁路售票网”则提供了城市之间所有“客运线路”的“始发”“途径”和“终到”车次信息，以及不同车次类型的车次信息。所有数据均为2017年4月30日当天之内的客运车次数。在收集最短旅行时间时，分别收集高铁和普铁的最短旅行时间。高铁最短旅行时间的收集方法：如果两城市间有直达的高铁，按运行时间最短的班次提取；如果两城市间没有直达的高铁而有直达的普铁，则以普铁运行的最短时间代替；若两城市间无直达列车，根据“携程网”推荐的中转方案，选择通过一次中转运行的最短时间（含中转、停留时间）代替。普铁最短旅行时间的收集方法：如果两城市间有直达的普铁，按运行的最短的班次提取；如果两城市间没有直达的列车，则以普铁中转一次的最短时间（含中转、停留时间）代替（若推荐方案中没有普铁中转方案，以推荐方案中运行的最短时间代替）。 dedecms.com

2 中心城市可达性格局及演变 本文来自织梦

2.1 高铁联网下中心城市可达性及空间格局 dedecms.com

高铁网络下，我国中心城市可达性存在显着的地区差异（图1，表1）。可达性前5位的城市为武汉、郑州、北京、南京和上海，平均加权旅行时间均小于400 min，分别为356.793，359.822，373.317，389.451，419.171 min，表现出优良的可达性。位于我国国土边缘地区的海口、乌鲁木齐和拉萨，则为可达性最差的3个城市，平均加权旅行时间分别为1750.781，2551.473，2757.503 min。可达性最差的城市拉萨的加权平均旅行时间是可达性最好的城市武汉的7.729倍。可达性系数的测算结果表明，我国中心城市可达性存在明显的区域差异，东部和中部城市的可达性明显优于西部城市和东北城市。可达性前10位的城市均位于我国中东部地区，可达性最差的10个城市则位于东北、西北和西南地区。从中心城市可达性系数的地理分布（图1）看出，可达性优于网络平均水平的城市有23个，劣于网络平均水平的城市有8个。可达性优于网络平均水平的城市大多集中在中东部，边缘城市的可达性则多低于网络平均水平。

织梦好，好织梦

我国中心城市形成当前可达性格局的原因如下：一是我国铁路网分布主要集中在我国的中东部地区，使得中东部城市的交通条件明显优于西部地区和东北地区的城市，位于可达性前列的城市均是我国重要的铁路交通枢纽城市，如武汉、郑州和石家庄等；二是我国中部和东部中心城市的经济发展水平整体较高，使得中东部城市可以在时间相差不大的情况下更接近全国的经济中心；三是地理位置仍然是决定可达性的重要影响因素，尽管铁路客运的发展已经对可达性产生了显着影响。尤其对于两个邻近的城市而言，靠近版图中心的城市可达性可能会更好，比如南京的可达性优于上海、石家庄的可达性优于天津、广州的可达性优于深圳、重庆的可达性优于成都等。

copyright dedecms

2.2 高铁与普铁网络下的可达性对比 本文来自织梦

从可达性数值的大小来看，高铁对中心城市可达性的提升毋庸置疑，但高铁对各城市相对可达性的影响却不尽相同。从可达性的数值来看，在普铁网络下，可达性优于平均水平的城市也主要分布在我国的东部和中部地区，而西部地区和东北地区中心城市的可达性则较差，普遍低于全国平均水平（图2）。可达性位列前5位的城市为武汉、石家庄、郑州、北京和长沙，接下来是南昌和合肥，平均加权旅行时间均小于800 min，是可达性最好的中心城市；而位于我国国土边缘地区的昆明、海口、乌鲁木齐和拉萨，则为可达性最差的4个城市，平均加权旅行时间超过1800 min。通过对比高铁和普铁网络下中心城市的可达性，可以发现二者显着的相关性。并且，在普铁网络下可达性较高的城市，在高铁网络下改善更多，而原本可达性较差的城市可达性的改善则更少，这使得中心城市的可达性呈现非均衡的变化格局，城市间可达性的差距有所增加。

本文来自织梦

一方面，高铁对各中心城市可达性均具有显着的提升作用，高铁联网使得各中心城市对外界的联系变得更为便捷。在高铁和普铁网络下，加权平均旅行时间的平均值分别为926.884，1265.005 rain，后者是前者的1.365倍，说明高铁的“时空压缩”特征非常明显，显着提高了我国中心城市的可达性；另一方面，高铁对中心城市可达性的提升效果是非均衡的，从而扩大了各中心城市之间可达性的差异。高铁建设对可达性改善最大的城市为昆明和贵阳，平均加权旅行时间分别降低768.868，640.853 min，结果说明沪昆高铁的建成通车对西南地区城市町达性的改善十分明显，拉近了这些城市到达其他中心城市的距离。但是从中心城市可达性数值的分布情况来看，中心城市的可达性的极差和极值分别为2400.710，7.729 min，均大于普铁的2237.351，4.246 min，而且高铁加权平均旅行时间的标准差为558.963 min，而普铁为503.206 min。以下结果说明在高铁网络下，城市铁路客运可达性变得更为不均衡，此结论与冯长春等7“高铁运营使得省级可达性均衡化”的预测结论并不一致，主要原因是在指标的测算过程中，两者对旅行时间的设定有所不同，本研究抽取的是城市间实际旅行时间而非时间的估算值。

高铁对中心城市相对可达性的影响存在显着的空间差异（图3）。使用高铁与普铁可达性系数的比值反映可达性的改善程度，结果发现，高铁对可达性系数的提升较为明显的城市有武汉、郑州、北京、南京、上海、济南、杭州和西安，可达性系数比值大于1.3，这些城市也是普铁网络下可达性较高的城市，高铁对这些城市可达性的贡献最为明显，呈现可达性在原有较高基础上的较大提升。高铁网络下，由低于可达性平均水平跃迁到高于可达性平均水平的城市有重庆、贵阳和大连；而成都、哈尔滨、海口、呼和浩特、拉萨、兰州、沈阳、太原、天津、乌鲁木齐、西宁、银川、长春13个城市在高铁网络下的可达性系数却低于在普铁网络下的可达性系数，说明在高铁网络下，上述13个城市对外可达性水平较网络的平均水平则变得更差。尤其是乌鲁木齐、海口、呼和浩特和拉萨，相对可达性下降最为明显。总体上，对于普铁网络下可达性优于网络平均水平的中东部城市，在高铁网络下可达性系数提升更多；而对于在普铁网络下可达性低于网络平均水平的东北城市和西部城市，高铁则拉大了这些城市与其他城市的相对可达性水平的差距，从而呈现强者恒强、弱者恒弱的中心城市可达性“马太效应”。

3 中心城市吸附能力与联动关系

织梦内容管理系统

3.1 中心城市的吸附能力

本文来自织梦

城市的可达性提供了城市与外界联系的机会，但可达性影响下市场潜力的真实反映则需要通过吸附能力及与其他城市的联动关系体现出来（表2）。从表2中心城市吸附能力的测算结果可以看出，与可达性一样，各中心城市吸附能力存在较大的空间差异。吸附能力位列前三的城市分别为上海、广州、北京，吸附指数均超过70，分别为79.243，74.138，70.009，表现出强大的吸附能力。其次是南京、深圳、武汉、杭州、郑州、长沙和天津，吸附指数均大于40。吸附指数排名后三位分别为呼和浩特、银川、拉萨，吸附指数均小于5，分别为4.779，1.596，1.400，表现出极差的吸附能力。吸附能力最强的上海的吸附指数是吸附能力最弱的拉萨的56.602倍。吸附能力最强的前10位城市均位于东部和中部地区，其中的上海、南京、杭州为长三角城市群的中心城市，广州、深圳为珠三角城市群的中心城市，北京、天津为京津冀经济圈的中心城市，而郑州、武汉和长沙则为我国“四横四纵”高铁客运网络的枢纽城市。而吸附能力排名靠后的城市，基本都位于我国的边缘地区。由此可以发现，中心城市的吸附能力与城市可达性具有很强的相关关系，即城市的可达性越强，其市场潜力越大，该城市对经济要素的集聚和扩散能力也越强。 copyright dedecms

copyright dedecms

3.2 中心城市的联动关系 织梦好，好织梦

全国中心城市之间铁路客运联系呈现复杂的网络特征，其空间分布格局呈现沿“四横四纵”主要客运专线分布。高铁不仅串联起各大中心城市，同时城市群内部的铁路客运联系也主要依托这些线路。给定不同的依附指数门槛值，可以刻画不同空间层次的城市联动关系和空间格局。当城市间依附指数大于100，除乌鲁木齐外，中心城市被高铁网络纳入到全国联动发展的网络之中；当依附指数大于400，中心城市间的联动关系只存在京津冀、长三角和珠三角3个城市群，说明这些城市间的依附关系最为密切，依附关系随距离增加呈现衰减趋势。可见，高铁联网背景下的中国城市体系发展和演化正在通过中心城市间的联动而被纳入更为开放的环境之中。地理区位、空间距离和市场因素共同作用，决定中心城市的联动关系以及空间体系格局演变。

内容来自dedecms

1、运用社会网络分析软件分析中间中心性和点度中心性，中间中心性用以测量网络中经过某个节点的最短路径数日，点度中心性用以测量网络中一个节点与所有其他节点相联系的程度。 copyright dedecms

借助于社会网络1、的分析方法，可以识别中心城市联动关系的网络特征。中间中心性的分析结果表明，北京、上海、广州、武汉、郑州和长沙是铁路客运网络中起决定作用的节点城市，处于网络的中心节点地位，这些城市依托于铁路客运网络，将其他中心城市以及京津冀、长三角、珠三角、长江中游和中原城市群等多个国家级城市群串联起来。点度中心性的分析结果表明，北京、天津、沈阳、郑州、西安、武汉、长沙、广州、上海和南京是客运铁路网络的关键节点，这些城市节点与其他城市的直接联系数目最多，联系关系最为密切，是整个铁路客运网络中的运输枢纽和集散中心。整体上，从测算结果来看，无论是联系数目还是联结强度，全国铁路客运联系呈现南方强北方弱（南北向）、东部强西部弱（东西向）而且南北的联系要明显强于东西城市联系的空间分布特征。

3.3 可达性、吸附能力与中心城市联动关系 dedecms.com

一般来说，吸附能力是一个城市的区位优势、经济发展水平和人口规模等信息的综合反映，城市联动关系反映了特定的城市之间实际联系的大小和方向；而城市可达性则反映了城市对外联系的便捷程度，也反映该城市的市场潜力。前述分析表明，可达性除了更多地受城市地理区位的影响，同时受交通发达程度如高铁的影响，进而也会影响城市的吸附能力和城市之间的联动关系，因而三者呈现显着的相关性。在所研究的36个中心城市中，各城市的可达性、吸附能力和中心度的排名呈现较强的相关性。其中，可达性与吸附能力和点度中心度的Pearson相关系数分别为0.794，0.842（P=0.000）。而吸附能力与点度中心度的Pearson相关系数为0.920（P=0.000）， 对可达性与吸附能力二者关系更为清楚的描述可以绘制城市可达性与吸附能力的散点图（图4），第Ⅰ象限为高可达性和高吸附能力，第Ⅲ象限为低可达性和低吸附能力，两个象限表现为正的相关性；而第Ⅱ象限和第Ⅳ象限则表现为负的相关性。分布于不同象限的城市其可达性与吸附能力呈现不同的相互关系。分布在Ⅰ，Ⅲ象限的共有23个城市，这些城市的可达性和吸附能力呈现明显的正相关，这些城市的可达性比较大（小），城市的吸附能力也比较大（小）。分布在第Ⅱ象限的城市仅有沈阳和成都，这两个城市的可达性低于网络平均水平，但吸附能力则好于网络平均水平，说明这两个城市的可达性虽然相对较差，但是吸附能力却相对较好。沈阳和成都分别为我国东北和西南地区的经济和人口的中心城市，城市的经济和人口规模均较大，但是受地理区位以及交通条件的影响，城市的可达性相对较差。分布在Ⅳ象限的城市有石家庄、合肥、西安、福州、厦门、贵阳、重庆、大连、宁波、青岛和太原共11个城市，这些城市的可达性相对较好，但吸附能力较低，在某种意义上说明可达性提供了城市的发展机会，但其效应还取决于其他经济因素。 本文来自织梦

4 结论与启示 copyright dedecms

4.1 结论 内容来自dedecms

高铁显着提升各中心城市的可达性，然而，当前建成并运行的高铁网络并未带来中心城市可达性的空间收敛，反而加大了中心城市间可达性的非均衡程度，中心城市可达性呈现“马太效应”。中心城市的吸附能力与可达性密切相关，并呈现“强强联动”及随距离衰减的特征。地理区位仍然是影响中心城市可达性的重要因素，而空间距离和市场因素共同决定了中心城市之间的联动关系。 dedecms.com

4.2 启示

织梦好，好织梦

首先，城市的协同联动依赖于快速便捷的交通基础设施网络，当前快速推进的高铁建设加速了城市体系的经济重组，或将再造城市群的空间格局。高铁开通不仅实现了客货分离，拉近了城市时间距离，更改变了人口流动和流向，间接降低了要素流动成本。其次，高铁建设明显改善了高铁城市的区位条件，将城市发展置于更为开放的空间发展格局之下，充分发挥高铁城市对周边地区乃至整个城市群的空间溢出效应。高铁建设带来了发展契机，但高铁城市的发展还依赖于其自身的吸附能力，如何增强吸附能力以及与其他城市的联动发展，是高铁城市能够借助高铁实现经济增长的关键。最后，高铁对城市体系格局的影响在王见阶段表现为集聚高于分散、极化强于扩散的演化特征，但并非这种格局会持续不变。随着城市群高铁和城际铁路的不断联网，城市群各城市的通达性将不断趋于均衡，经济重组或将向均衡的方向演化。而当前，非高铁城市应主动接驳高铁城市，以城际铁路网和快速交通体系来弥合跨越大区域尺度空间的高铁建设所带来的不利影响。 copyright dedecms

参考文献：

dedecms.com

[1]孙阳，姚士谋，张落成.长三角城市群“空间流”层级功能结构——基于高铁客运数据的分析[J].地理科学进展，2016，35（11）：1381-1387. 织梦内容管理系统

[2]贾善铭，覃成林.高速铁路对中国区域经济格局均衡性的影响[J].地域研究与开发，2015，34（2）：13-20. dedecms.com

[3]蒋海兵，徐建刚，祁毅.京沪高铁对区域中心城市陆路可达性影响[J].地理学报，2010，65（10）：1287-I298.

[4]汪德根，牛玉，陈田，等.高铁驱动下大尺度区域都市圈旅游空间结构优化——以京沪高铁为例[J].资源科学.2015.37（3）：581-592. 本文来自织梦

[5]冯长春，丰学兵，刘思君.高速铁路对中国省际可达性的影响[J].地理科学进展，2013，32（8）：1187-1194.

织梦内容管理系统

[6]孟德友，陈文峰，陆玉麒.高速铁路建设对我国省际可达性空间格局的影响[J].地域研究与开发，2011，30（4）：6-10. 本文来自织梦

[7]钟业喜，黄洁，文玉钊.高铁对中国城市可达性格局的影响分析[J].地理科学，2015，35（4）：387-395.

织梦好，好织梦

[8]钟少颖，郭叶波.中国高速铁路建设对城市通达性影响分析[J].地域研究与开发，2013，32（2）：46-51.

本文来自织梦

[9]顾朝林，庞海峰.基于重力模型的中国城市体系空间联系与层域划分[J].地理研究，2008，27（1）：1-12. copyright dedecms

[10]钟业喜，陆玉麟.基于空间联系的城市腹地范围划分——以江苏省为例[J].地理科学，2012，32（5）：536-543.

内容来自dedecms

[11]薛俊菲.基于航空网络的中国城市体系等级结构与分布格局[J].地理研究，2008，27（1）：23-32. 织梦好，好织梦

[12]钟业喜，陆玉麒.基于铁路网络的中国城市等级体系与分布格局[J].地理研究，2011，30（5）：785-794. 织梦好，好织梦

[13]王海江，苗长虹.中国中心城市铁路客运的空间联系及其结构图谱[J].地理研究，2015，34（1）：157-168. 本文来自织梦

[14]武文杰，董正斌，张文忠，等.中国城市空间关联网络结构的时空演变[J].地理学报，2011，66（4）：435-445. 内容来自dedecms

[15]吴健生，刘浩，彭建，等.中国城市体系等级结构及其空间格局——基于DMSP／OLS夜问灯光数据的实证[J].地理学报，2014，69（6）：759-770.

[16]王姣娥，焦敬娟，金凤君.高速铁路对中国城市空间相互作用强度的影响[J].地理学报，2014，69（12）：1833-1846. copyright dedecms

[17]周靖祥.测度中国高铁的城市吸附能力[N].中国社会科学报，2014—04—13（08）. copyright dedecms