2. 江苏省智慧城市设计仿真与可视化技术工程实验室, 南京 210093;
3. 研车数据科技(江苏)有限公司, 南京 210046
2. Provincial Engineering Laboratory of Smart City Design Simulation & Visualization, Nanjing 210093, China;
3. Yakka System & Technology(Jiangsu) Co., Ltd, Nanjing 210046, China
自2014年欧盟发布《可持续城市移动性规划》(Sustainable Urban Mobility Plan,SUMP)以来,关于城市交通的研究与规划实践已经开始逐渐脱离了原先更多面向基础设施建设的“交通规划”,逐渐走向面向实际需求的“移动性规划”[1, 2]。近年来,在人口老龄化现象愈发普遍的背景下,老年人群的移动性受到许多学者的关注。移动性不仅反映了老年人获取各种设施和服务的功能需求,还体现了老年人幸福感和对生活的满意度等心理需求[3, 4]。研究显示,驾驶机动车出行是美国、荷兰等国家和地区老年人出行的主要方式,而目前我国老年人小汽车拥有率和持有驾驶证比例均较低,老年人长距离出行大多依赖公共交通[5]。同时,由于生活习惯等方面的差异,老年人与年轻人公交出行特征存在较大差异[6]。因此,分析老年人公交移动性的影响机制对提升老年人公交移动能力、推动以人为本的城市交通和公共服务设施规划具有至关重要的作用。
老年人移动性受到多方面因素的影响,并随着年龄的变化而不断演变[7]。社会学和医学等领域更加关注个体属性对老年人移动性的影响,性别、年龄、家庭结构、拥有小汽车情况等构成了老年人移动性的内在因素[8, 9]。地理学和城乡规划领域大多从时空分异角度出发,分析建成环境对老年人移动性的影响,距离CBD距离、土地利用混合度、公园密度、道路连通性、交通安全感等客观与感知的建成环境因子均被证实对老年人移动性有显著影响[10-12]。近年来,研究逐渐从经典通用的建成环境因子(例如“3D”,即密度、多样性和设计)转向了对不同社会经济背景下老年人移动性影响因素异质性的探讨[11, 13]。然而,目前有关老年人步行出行的研究已经较为成熟[14],而对公交出行的分析主要关注公交出行需求和交通方式选择上,仍缺少对公交移动性更全面的测度和影响因素的探讨[15, 16]。
自然环境变化是季节更替的最重要表现,已有大量研究证实了温度、光照、降水等自然环境条件的变化对居民出行需求、出行方式、出行距离等多个方面的影响[17, 18]。可见,季节变化是影响居民移动性的重要因素。不同季节居民移动特征具有显著差异,尤其在非强制性的、休闲性的活动中表现更加明显[19, 20]。也有研究显示,尽管季节对移动性分异影响显著,但其解释力并不强,并和移动性的测度方式有关[21]。老年人由于自身身体机能下降,移动能力受季节的限制可能较年轻人更高,但相关研究大多集中在老年人的季节性迁居行为和健康地理视角[22, 23],对城市内部移动时空特征的季节分异关注较少。此外,季节对移动性的影响并非是固化的,不同空间环境对季节的敏感程度可能存在差异[24]。已有研究大多直接将季节或天气因素与居民的移动性相关联,但对时空协同作用的关注较少[17]。
长时间序列时空大数据的广泛应用推动了相关研究的进展。不同于传统活动日志调查等数据形式,手机信令数据、浮动车数据等移动定位数据具有样本量大、时间跨度长的优势,为长时间序列研究分析提供极大便利[25]。然而,这类数据对个体属性的感知往往十分有限,因此在探究影响因素时难以对不同类型人群进行分类,或者控制个体属性变量的影响,给更加细致的移动性分析带来了一定困扰。公交刷卡数据可以利用智能卡类型对人群进行分类,比较不同类型人群的公交移动特征,因而在分析特定人群出行行为上有独特优势,尤其是针对老年人、残疾人等弱势群体[26, 27]。
综上,老年人移动性受到个体属性、建成环境、自然环境等因素的共同影响,但现有研究对老年人公交移动性影响因素的季节分异特征的分析仍较少,特别是关于不同空间因子以及时空因子间的交互影响效应探索不足。从季节时空交互视角分析老年人移动性的影响因素有助于更加系统地分析影响城市居民移动性的时空机制,并在全年时间跨度下重新审视静态城市空间设施的供给策略,辅助城市开展更加灵活的移动性政策干预。基于此,本研究以芜湖市城区为实证研究区域,利用老年卡公交刷卡数据,分析季节时空因子对老年人公交移动性多元交互影响,试图为老龄化背景下城市移动性规划提供重要参考。
2 数据与方法 2.1 研究区域与思路芜湖市位于安徽省东南部,城市沿江而建,下辖5区2县。该市人口老龄化情况严重,是观察分析老年人公交出行的良好样本。芜湖市统计局公开数据显示,截至2019年末,全市65岁及以上老年人口约为57.6万人,占全市常住人口的15.24%,且老年人口增速快,较2018年增长12.9%。另一方面,芜湖目前公共交通以公交车为主,交通出行结构相对简单,且城市总体呈现单中心结构,相比大型城市可以更加清晰地观察到老年人公交出行的典型模式。
研究以2018年芜湖市区镜湖、弋江、三山和鸠江四区为实证研究区域(图 1)。
在观察老年人公交移动性分布特征的基础上,利用地理探测器因子探测分析比较不同季节空间分异对老年人公交移动性分异的解释力差异,并进一步利用交互探测探究季节和空间因子之间的协同作用对老年人公交移动性时空分异的解释力,总结时空双重作用对老年人公交出行的影响机制。
2.2 研究数据与方法 2.2.1 公交移动性测度研究依据芜湖公交站点建立泰森多边形,并将站点距离小于500 m的多边形聚合作为空间分析单元。使用芜湖公交智能卡刷卡数据计算老年人公交移动性,采样时间为2018年4月、7月、10月和12月四个整月,分别代表春季、夏季、秋季和冬季,字段信息包括卡号、刷卡时间、刷卡位置等。首先,依据卡号筛选出老年卡用户。根据芜湖公交卡管理规定,70岁以上居民可以申请使用老年卡,即作为本文老年人定义范围。其次,建立300 m格网识别老年人居住地和主要活动地。由于芜湖公交乘车仅需上车刷卡,且考虑到用户某次出行上车点通常与上一次出行的下车点为同一地点,故将上车记录的刷卡地点识别为老年人活动地。进一步,将活动地中刷卡次数前25%(活动地≥4时)或活动地在总体样本中刷卡次数前25%(活动地 < 4时)的格网作为主要活动地,并选取其中早8点前刷卡次数最多的格网作为居住地。清洗后得到181256位老年人共计3958762条刷卡数据。
已有文献主要从时间、频率、范围、方向、随机性等方面测度移动性[6, 28]。本研究选取移动频率、移动半径、移动熵三个指标表征老年人的公交移动性(表 1)。其中,移动频率反映出公交出行意愿强弱,移动半径反映出公交出行范围远近,移动熵则表征了公交出行目的地的随机性。指标计算均基于居住地和主要活动地,并将每个老年人的公交移动性指标以均值形式聚合到居住地所在的泰森多边形空间单元中,表示不同空间单元的老年人公交移动性。
针对老年人的特点,研究选取的移动性的影响因子主要包括空间因子和季节两部分(表 2)。空间因子从公共交通设施和公共服务设施两方面考量:选取空间单元内公交站点的平均线路数量和中心性衡量公共交通设施供给;选取空间单元边界距最近的综合医院、大型公园和购物中心距离衡量公共服务设施供给,同时也侧面反映了老年人公交出行需求。站点中心性因子计算中,以公交站点为节点,两站点之间连接的线路为边构建无向网络,使用三种指标度量中心性:度中心性表示与某站点直接相连的站点数量,即在该站乘坐公交一站即可到达的站点数量;接近中心性表示某站点到其它所有站点最短距离倒数,表示该站点在公交网络中的中心程度;中介中心性表示某站点处于其它任意两站点间最短路径上的比例,表示该站点在公交出行中路过的可能性。由于研究建立的网络为无加权网络,任意两直接相连的节点距离均记为1。用自然间断点分类法将所有影响因子离散化处理为5类,以保证组间差异最大化。季节用分类变量1—4表示。
研究中结合了定量和定性分析方法。其中定量分析主要使用地理探测器方法,建立老年人时空分异影响模型。定性分析则主要通过对芜湖市老年人非结构式访谈,以求对定量分析结果进行深入解读。访谈时间为2021年3月27—29日,访谈内容主要包括老年人日常乘坐公交出行目的,出行频率和距离,季节变化是否及如何会影响其出行选择等。
地理探测器是一种分析变量空间分异特征关联性的工具,在地理学、生态学、医学等领域得到广泛应用[29]。该工具基本假设为若自变量对因变量有影响,则二者间应具有相似的空间分布特征。相比于地理加权回归等分析方法,地理探测器的一大优势是可以探究不同变量之间的交互作用,更有助于解释时空双重作用对老年人公交移动性的影响。此外,该工具还在分析如季节等分类变量上有独特优势,并可以避免个体属性控制变量缺乏和多重共线性问题的干扰。
首先,将四个季节数据分别均基于空间因子分层,利用地理探测器因子探测模块计算每个季节中空间因子对老年人公交移动性的解释力,比较不同季节老年人公交移动性的空间影响机制差异。分析结果q值表示该自变量对因变量空间分异的解释力,例如q值为0.10表示自变量能够解释10%的因变量时空分异[30]。沿用已有研究计算公式如下[29]:
(1) |
式中,h表示自变量的分层,k为该自变量总分层数,Nh和σh2表示第h层中样本的数量和相应因变量方差,N和σ 2表示总体样本的数量和因变量方差。
进一步,利用交互探测模块计算季节和各空间因子交互作用的解释力,分析季节时空分异对老年人公交移动性分异的影响。将季节和空间因子同时作为分层变量纳入分析,以四个季节总体数据基于季节和空间因子双重分层(图 2),得到计算公式如下:
(2) |
式中,i取1,2,3,4,分别代表春季、夏季、秋季和冬季,Nih和σih2表示自变量在季节i和第h层中样本的数量和相应因变量方差。
3 老年人公交移动性的分布特征Welch方差分析显示,老年人移动性在不同季节的特征存在明显差异,移动频率、移动半径和移动熵在四个季节的组间差异均在0.01水平显著。表 3显示了四个季节老年人移动性的统计分布特征。由于数据存在较多极值,均值和标准差可能难以有效反映样本的总体特征,因此研究选用中位数与四分位数表征数据的集中趋势,四分位差和变异系数表征数据的离散趋势。
老年人四个季节公交移动频率的中位数与四分位数均表现出春季与冬季略大于夏季和秋季的特征,说明大多数老年人春季和冬季整体出行较多;春季的四分位差最大,即老年人春季公交出行频率个体差异更加明显,而夏季则相对更加均质。移动半径在不同季节差异明显,秋季老年人公交出行距离中位数最大,冬季次之,春季和夏季则较小。季节间下四分位数差值普遍大于上四分位数与中位数,说明移动半径偏小的老年人可能受到季节影响更加强烈。移动熵中位数分布规律也呈现出秋冬高于春夏的特征,冬季老年人移动随机性可能偏大,而春季可能倾向有更固定的活动地。但冬季尽管中位数相对更高,四分位差略小于夏季和秋季,即冬季老年人公交出行随机性分布更加集中。
整体而言,统计数据显示出三个指标的四分位数和中位数在不同季节相对大小特征相同,即老年人在不同季节的统计分布规律有一定相似性。此外,老年人移动频率的在四个季节较为接近,而移动半径和移动熵的季节性差异更加明显,这一定程度上可以说明季节变化对老年人的频率的影响相较于其它两个指标更小。横向比较三个指标的变异系数可以发现,老年人移动半径的离散程度明显较高,且在春季和夏季表现更加明显,即春夏两季老年人公交出行范围个体个体差异十分明显。移动频率和移动熵则变异系数较小且各个季节基本相同,但同样在夏季表现出略高于其它季节的特征。
4 老年人公交移动性的季节时空交互影响 4.1 影响因素空间分层特征将离散化处理后的影响因素在空间上展示可以看出,各类影响因子在空间上均存在不同程度的集聚现象(图 3)。公共交通设施方面,站点平均公交线路数量、站点平均度中心性和站点平均中介中心性在空间上分布特征相似,高值空间单元数量整体较少,主要零散分布在城市中心,并向南北方向带状延伸。即芜湖市公交供给呈现出南北向沿江轴线集聚的特征,轴线附近公交站点的通达性整体较好。站点平均接近中心性高值区基本集中在城市中心,并放射状向周围4个方向扩散,与芜湖的城市形态相近。公共服务设施方面,3类因子均在城市中心表现低值,但高值区则存在明显差异。说明芜湖城市中心各类公共服务设施供给相对完善,但周边区域存在不同程度的设施供给不足。
利用地理探测器中因子探测模块分析空间因子对老年人移动性的影响,并对比不同季节影响因素差异(表 4)。结果显示,老年人移动频率、移动半径和移动熵的影响因素不同,且同一因子在不同季节的解释力和显著性也有差异。
公共交通因子对老年人移动性空间分异的解释力普遍较弱,且存在明显的季节差异。移动频率四个季节均仅受到站点接近中心性的显著影响,其中夏季受到的影响最强(q值为0.056),秋季次之(0.034),春季和冬季则影响较弱且显著性较差。移动半径也受到接近中心性的影响,但仅在春季和夏季表现显著,解释效应分别为2.5%和3.3%。接近中心性反映了该节点到其它所有节点的距离,意味着居住在接近中心性较高空间的老年人乘坐公交到达其它大多数地点均比较便利,这可能刺激老年人更高频率和更远距离的公交出行。移动熵受到站点公交线路数量、度中心性和接近中心性的影响。春季和秋季三个因子对移动熵均有显著的解释效应,但秋季q值普遍更大。夏季老年人移动熵主要受到接近中心性的影响,而冬季受到度中心性和接近中心性的共同影响。度中心性反映了老年人乘坐一站公交即可到达的站点数量,与站点公交线路数量可能具有一定的相关性,均可以反映老年人乘坐较短时间公交可以到达地点的丰富程度。夏冬季节老年人出行可能由于受到气候影响,乘坐公交到达多样化地点的意愿普遍下降,因此对公交供给的空间敏感性可能也随之下降。此外,中介中心性在每个季节对移动性的影响均不显著。
公共服务设施因子总体上对移动性分异均有显著的解释力。距综合医院和大型公园距离在夏季和秋季对老年人移动频率的影响更强,冬季则最弱。距最近购物中心距离的解释力普遍高于其它两个因子。大型公园和购物中心对移动半径的影响显著,而综合医院则显著性较弱,且解释力也较低。老年人对综合医院的需求往往是有针对性的,离居住地最近医院可能难以恰好满足老年人就医需求,因此与老年人移动距离分异不显著相关;相反,老年人休闲与购物需求可能更加倾向于服从就近原则,使得距最近设施距离表现出显著影响。相比于移动频率,购物中心对移动半径的解释力明显降低,仅在夏季表现出解释力高于大型公园。移动熵受到的公共服务设施因子的影响明显更强,几乎所有因子解释力均高于20%,即公共服务设施配置的空间分异与老年人公交出行随机性的空间分异重合度较高。其中距最近公园距离在四个季节解释力均最强,综合医院与购物中心则基本相等。
总体而言本文发现季节影响不仅表现在移动性特征差异,也意味着移动性在不同季节的影响因素和机制有所不同。公共交通和公共服务设施因子均可以显著地解释老年人移动性的空间分异,尽管不同影响因素在不同季节对移动性的解释力不同,这与以往的研究基本相符[12]。研究发现,不同公共服务设施在城市中低值层的分布空间有明显差异,城市中心对各类设施可达性较好,与城市外围空间移动半径、移动频率和移动熵的分层明显,进一步证实了公共服务供给是影响老年人移动性的最主要因素之一。相对而言,公共交通对老年人移动性的影响机制表现得更加多元和复杂。站点在公交线网的中心程度对移动性的影响整体较强,尤其是对于移动频率和半径,这与芜湖单中心城市结构相符。而城市沿江轴线则对老年人移动随机性的分异限制明显,尤其是在春、秋、冬三个季节。
4.3 季节时空交互作用探测进一步,交互探测结果显示了季节和各个空间因子之间对老年人公交移动性的协同影响机制(表 5)。表中对角线上的数据表示了该因子的q值及显著性,其余数据表示因子间两两交互后的q值。结果表明,任意两因子间交互均对解释移动性的空间分异有增强作用。表中加粗数字表示双因子增强,即两因子交互作用q值大于二者任意一个因子的q值;未加粗数字表示非线性增强,即交互作用q值大于二者q值之和。
移动频率受到季节以及接近中心性、中介中心性、距三类公共服务设施因子距离的显著影响。公共交通因子中,接近中心性和中介中心性交互可以非线性增强因子解释力。而三类公共服务设施因子两两交互也形成明显的增强效应,其中购物中心与综合医院呈现非线性增强,其余两组之间呈现双因子增强。此外,公共交通和公共服务设施因子的交互也可以增强对移动频率的解释力,中介中心性与公共服务设施因子交互均为非线性增强,而接近中心性与距医院距离形成非线性增强,与其余两个因子形成双因子增强关系。季节分异对老年人移动频率的空间分异具有显著的解释效应,且与上述空间因子均存在非线性增强的交互作用。其中季节与医院和购物中心的交互效应对移动频率的解释力最高,分别为12.7%和15.7%,而公交站点中心性由于对移动频率解释力本身较弱,与季节交互增强后解释力仍没有超过10%。
移动半径的所有影响因子两两交互作用均为非线性增强,因子间交互作用对移动半径解释力的提升非常明显。空间单元内公交站点的接近中心性和中介中心性分异分别可以解释约3.3%和2.0%的移动半径分异,而二者交互的解释力则达到了约7.2%。公共服务设施中仅有大型公园和购物中心对移动半径有影响,交互后的q值约为0.153。各个公共交通与公共服务设施的交互因子均大于0.1,远大于将两因子q值的和,其中中介中心性与距最近购物中心距离交互因子达到0.151,约为两单独因子和的1.5倍。季节对移动半径的解释力也明显更高,约为对移动频率的两倍。联合季节与公交站点的接近中心性和中介中心性后分别可以解释7.9%和6.4%的移动半径分异,即在相似公共交通供给的城市空间中居住的老年人移动半径在不同季节仍表现出明显的时间分异。类似地,季节与距最近大型公园和购物中心距离的交互作用,相较于单一指标有明显提升。
移动熵的时空分异对公共交通供给的敏感度明显高于移动频率和移动半径,且空间因子间交互全部呈现双因子增强,季节与各空间因子间交互全部呈现非线性增强。公交站点的线路数量以及站点的度中心性和接近中心性均对移动熵有显著且强烈的影响,其中接近中心性与公交站点线路数量交互可以解释约21.0%的移动熵分异,而与度中心性交互可以解释约19.0%。距最近综合医院、大型公园和购物中心三类公共服务设施距离间的交互对移动熵的解释力接近50%,其中综合医院与大型公园交互q值为0.447,综合医院与购物中心交互q值为0.470。公共交通与公共服务因子的交互对移动熵的解释也基本达到了30%以上,仅有度中心性与距离最近医院距离交互效应为28.9%。季节对移动熵的影响略小于移动半径,仍明显大于移动频率,q值为0.038,且季节与空间的交互作用比空间因子间的交互对移动熵解释力增强更明显。
总体而言,不同空间因子间的交互作用以及季节与空间因子间的交互作用均显著增强了对老年人公交移动性的解释力,这意味着考虑不同因子的综合影响有利于更加清晰地解释其分异特征。老年人出行受到多种因素的综合影响,以往研究多使用多元线性回归、结构方程模型等方法进行分析,忽略了变量之间的交互作用[31],地理探测器分析进一步验证了不同因子间的影响可能并非是线性叠加的,可能存在更多样的交互机制。从增强效果看,因子交互对解释移动半径分异的提升效果最为明显,而对移动频率和移动熵的提升作用相对较弱。这可能由于老年人日常短距离活动主要依赖居住地周边环境,而长距离出行以随机性活动为主,受到气候等因素影响也更加明显,因而移动半径总体表现出了对季节和多种建成环境组合更加明显的空间依赖[32]。此外,研究发现老年人移动性影响因素在全年总体样本和各个季节单独探测结果并不完全吻合。在具体的空间表现上,沿江轴线的分层作用在叠合了季节因素的交互分析中得到了明显增强,即在季节的复合作用下开始表现出对移动性的限制作用。这主要表现在中介中心性在全体样本下对移动频率和移动半径表现出了显著影响,但在单个季节探测中证实对每个季节的移动频率和半径的解释效应均不显著。其佐证了移动性的季节分布并非是均质的,而呈现出差异化的空间和数理分布特征。
5 总结与讨论随着对老年人生活质量关注的提升,老年人的移动性成为老龄化背景下社会关注的重点议题。本文从季节时空分异视角出发,利用芜湖市4个月的老年人公交刷卡数据,使用地理探测器分析了季节和空间因子对老年人移动频率、移动半径和移动熵的解释力。研究关注了老年人移动性影响因素的季节分异,并摆脱了不同因子间相互独立的研究假设,进一步探索时空因子之间和不同空间因子之间的交互作用对解释老年人移动性时空分异的提升效应。同时,研究通过公交刷卡数据中卡号特征提取人群分类,丰富了在大数据层面对老年人这一特定群体的关注,尤其弥补了对老年人公交出行关注的不足。
研究主要发现:①老年人公交移动性的空间影响机制存在明显的季节分异。在单一季节分析中,城市单中心结构主导了移动性的空间分异,接近中心性、距公共服务设施距离等由城市中心圈层状或放射状扩散的因子对移动性有明显影响。在全年的季节时空交互分析中,公共交通轴线的作用开始被放大,中介中心性、站点平均公交线路等因素表现更加显著;②不同空间因子之间两两交互对老年人公交移动性的解释力相较于单一因子有明显增强。相较于单一因子,两类因子的交互效应可能表现出双因子增强或者非线性增强,这与因子类型和移动性的测度方式有关。地理探测器本身不含有对自变量间关系的假设,因而可以观察出的交互效应更加丰富多元;③季节和空间因子交互对解释老年人移动性的时空分异也具有显著增强效应。尽管季节对老年人移动性的直接解释效应不强,但与空间因子交互后的解释力在三个移动性指标中均表现出显著大于时空因子单独的解释力之和。这印证了联合时空因子的共同效应对解释老年人移动性时空分异的重要意义。季节可能直接或者通过改变对公共设施和服务的使用间接影响了老年人移动性。
对于芜湖这样较为典型的单中心中等城市来说,设施供给的空间分异导致了老年人移动性以及移动性对季节的敏感程度的显著空间分异。在城市中心地区,公共服务和公共交通供给的质量均相对较高,老年人移动性表现出的季节稳定性也更高。而在城市外围,绝大多数地区存在部分公共服务设施供给不足和公共交通通达性较差的问题,但不同区域老年人移动性表现仍差异较大。这表现在多因子交互过程中,因子解释力得到更多增强,即对移动性指标的分层效果更好。基于数据分析结果,进一步实地访谈发现,居住在城市中心的老年人对于季节的敏感程度明显低于居住在城市边缘、公交供给较差地区的老年人,空间上较低的可达性会促使老年人出行的心理认知需求产生变化。例如,居住在城市边缘的老年人可能由于冬天天气寒冷主动降低到公园休闲的频率,或者选择距离更近的地点,而居住在城市中心的老年人则相对固定。
研究结果对老年友好型城市的建设具有重要的实践价值。其一,提升老年人移动性应统筹考虑交通供给、公共服务设施需求等多重作用。在新的“移动性规划”范式下,从城市系统角度整体干预才是优化老年人出行结构,提升出行效率的必要条件。在公共交通布局中,研究证实了中心性等基于系统整体供给的测度指标对老年人公交移动性有较强的解释力,较以往主要关注站点密度和距离站点最近距离的测度方式有一定补充。在实践中应不仅着眼于增加站点和线路的供给,而是从整体公交线网的视角进行分析,注重公交供给质量的提高。而在公共设施布局规划中也应关注的不同设施之间的组合配置,避免局限于对单一种类设施的关注;其二,城市交通治理中可以运用更加灵活的时空动态政策。例如,尽管已有研究分析了老年人免费乘坐公交等政策对老年人公交出行的影响[9],但对时空差异的关注仍较少。针对不同空间和不同季节设立临时公交或者调整公交线路和时间等运营模式可能可以有效改善现有公交系统服务能力。
研究仍存在一定不足。首先,研究虽然通过大数据聚焦到了特定老年群体,但数据包含的个体属性信息仍几乎为零。抛开年龄、健康状况等因素的分析极大限制了研究的深入程度。其次,为防止分层太多影响分析结果准确性,研究仅分析了两个因子的交互作用,因此对多个因子的协同作用仍不明晰。第三,研究主要探讨了季节时空因子对老年人公交移动性时空分异的解释效应,但缺乏影响方向和路径的探讨,未来可以结合结构方程模型等多种研究方法进行大小数据结合的分析。此外,本研究只关注了芜湖市区老年人的移动性,而相比城市,居住在农村的老年人通常具有更差的移动性[33],对公交移动性影响因素的城乡分异仍值得进一步思考。同时,智慧流动技术的应用可能会从根本上影响老年人的移动性前景,如自动驾驶和虚拟出行等,可能改变时空对老年人的制约和影响机制,值得在未来的研究中加以探究[34-36]。
[1] |
Wefering F, Rupprecht S, Bührmann S, et al. Guidelines-Developing and Implementing a Sustainable Urban Mobility Plan[J]. Cologne: Rupprecht Consult-Forschung und Beratung GmbH, 2014. |
[2] |
杨东援. 城市居民空间活动研究中大数据与复杂性理论的融合[J]. 城市规划学刊, 2017(2): 31-36. [Yang Dongyuan. The integration of big data and complexity theory in the study of residents' activity space[J]. Urban Planning Forum, 2017(2): 31-36.] |
[3] |
Metz D H. Mobility of older people and their quality of life[J]. Transport Policy, 2000, 7(2): 149-152. DOI:10.1016/S0967-070X(00)00004-4 |
[4] |
Nordbakke S, Schwanen T. Well-being and mobility: A theoretical framework and literature review focusing on older people[J]. Mobilities, 2014, 9(1): 104-129. DOI:10.1080/17450101.2013.784542 |
[5] |
Hu X W, Wang J, Wang L. Understanding the travel behavior of elderly people in the developing country: A case study of Changchun, China[J]. Procedia-Social and Behavioral Sciences, 2013, 96: 873-880. DOI:10.1016/j.sbspro.2013.08.099 |
[6] |
Shao F J, Sui Y, Yu X, et al. Spatio-temporal travel patterns of elderly people: A comparative study based on buses usage in Qingdao, China[J]. Journal of Transport Geography, 2019, 76: 178-190. DOI:10.1016/j.jtrangeo.2019.04.001 |
[7] |
谷志莲, 柴彦威. 城市老年人的移动性变化及其对日常生活的影响——基于社区老年人生活历程的叙事分析[J]. 地理科学进展, 2015, 34(12): 1617-1627. [Gu Zhilian, Chai Yanwei. Change of mobility of urban elderly and effects on their daily life: A narrative analysis of the life of a retired couple living in an urban community[J]. Progress in Geography, 2015, 34(12): 1617-1627.] |
[8] |
Roorda M J, Páez A, Morency C, et al. Trip generation of vulnerable populations in three Canadian cities: A spatial ordered probit approach[J]. Transportation, 2010, 37(3): 525-548. DOI:10.1007/s11116-010-9263-3 |
[9] |
Wong R C P, Szeto W Y, Yang L C, et al. Public transport policy measures for improving elderly mobility[J]. Transport Policy, 2018, 63: 73-79. DOI:10.1016/j.tranpol.2017.12.015 |
[10] |
Moniruzzaman M, Páez A, Scott D, et al. Trip generation of seniors and the geography of walking in montreal[J]. Environment and Planning A, 2015, 47(4): 957-976. DOI:10.1068/a130070p |
[11] |
Feng J X. The influence of built environment on travel behavior of the elderly in urban China[J]. Transportation Research Part D: Transport and Environment, 2017, 52: 619-633. DOI:10.1016/j.trd.2016.11.003 |
[12] |
冯建喜, 杨振山. 南京市城市老年人出行行为的影响因素[J]. 地理科学进展, 2015, 34(12): 1598-1608. [Feng Jianxi, Yang Zhenshan. Factors influencing travel behavior of urban elderly people in Nanjing[J]. Progress in Geography, 2015, 34(12): 1598-1608.] |
[13] |
Schwanen T, Páez A. The mobility of older people-an introduction[J]. Journal of Transport Geography, 2010, 18(5): 591-595. DOI:10.1016/j.jtrangeo.2010.06.001 |
[14] |
姜玉培, 甄峰, 孙鸿鹄, 等. 健康视角下城市建成环境对老年人日常步行活动的影响研究[J]. 地理研究, 2020, 39(3): 570-584. [Jiang Yupei, Zhen Feng, Sun Honghu, et al. Research on the influence of urban built environment on dailywalking of older adults from a perspective of health[J]. Geographical Research, 2020, 39(3): 570-584.] |
[15] |
Böcker L, van Amen P, Helbich M. Elderly travel frequencies and transport mode choices in greater rotterdam, the netherlands[J]. Transportation, 2017, 44(4): 831-852. DOI:10.1007/s11116-016-9680-z |
[16] |
Truong L T, Somenahalli S V C. Exploring frequency of public transport use among older adults: A study in Adelaide, Australia[J]. Travel Behaviour and Society, 2015, 2(3): 148-155. DOI:10.1016/j.tbs.2014.12.004 |
[17] |
Böcker L, Dijst M, Prillwitz J. Impact of everyday weather on individual daily travel behaviours in perspective: A literature review[J]. Transport Reviews, 2013, 33(1): 71-91. DOI:10.1080/01441647.2012.747114 |
[18] |
许熳灵, 付晓, 汤君友, 等. 天气因素对城市地铁客流时空分布的影响——基于智能交通卡数据的实证研究[J]. 地理科学进展, 2020, 39(1): 45-55. [Xu Manling, Fu Xiao, Tang Junyou, et al. Effects of weather factors on the spatial and temporal distributions of metro passenger flows: An empirical study based on smart card data[J]. Progress in Geography, 2020, 39(1): 45-55.] |
[19] |
Bhat C R, Srinivasan S. A multidimensional mixed ordered-response model for analyzing weekend activity participation[J]. Transportation Research Part B: Methodological, 2005, 39(3): 255-278. DOI:10.1016/j.trb.2004.04.002 |
[20] |
Termida N A, Susilo Y O, Franklin J P, et al. Understanding seasonal variation in individual's activity participation and trip generation by using four consecutive two-week travel diary[J]. Travel Behaviour and Society, 2018, 12: 52-63. DOI:10.1016/j.tbs.2017.12.006 |
[21] |
Järv O, Ahas R, Witlox F. Understanding monthly variability in human activity spaces: A twelve-month study using mobile phone call detail records[J]. Transportation Research Part C: Emerging Technologies, 2014, 38: 122-135. DOI:10.1016/j.trc.2013.11.003 |
[22] |
冯健, 周一星. 郊区化进程中北京城市内部迁居及相关空间行为——基于千份问卷调查的分析[J]. 地理研究, 2004, 23(2): 227-242. [Feng Jian, Zhou Yixing. Intra-urban migration and correlative spatial behavior in Beijing in the process of suburbanization: Based on 1000 questionnaires[J]. Geographical Research, 2004, 23(2): 227-242.] |
[23] |
Cepeda M, Koolhaas C M, van Rooij F J A, et al. Seasonality of physical activity, sedentary behavior, and sleep in a middle-aged and elderly population: The Rotterdam study[J]. Maturitas, 2018, 110: 41-50. DOI:10.1016/j.maturitas.2018.01.016 |
[24] |
李智轩, 甄峰, 张姗琪, 等. 老年人公交移动性的季节时空分异特征研究——以安徽省芜湖市为例[J]. 地理科学进展, 2021, 40(2): 293-303. [Li Zhixuan, Zhen Feng, Zhang Shanqi, et al. Seasonal and spatiotemporal differences in the public transport-based mobility of elderly population: A case study of Wuhu City in Anhui Province[J]. Progress in Geography, 2021, 40(2): 293-303.] |
[25] |
杨喜平, 方志祥. 移动定位大数据视角下的人群移动模式及城市空间结构研究进展[J]. 地理科学进展, 2018, 37(7): 880-889. [Yang Xiping, Fang Zhixiang. Recent progress in studying human mobility and urban spatial structure based on mobile location big data[J]. Progress in Geography, 2018, 37(7): 880-889.] |
[26] |
Huang X, Tan J. Understanding spatio-temporal mobility patterns for seniors, child/student and adult using smart card data[J]. ISPRSInternational Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2014, XL-1: 167-172. DOI:10.5194/isprsarchives-XL-1-167-2014 |
[27] |
Zhang S Q, Yang Y, Zhen F, et al. Understanding the travel behaviors and activity patterns of the vulnerable population using smart card data: An activity space-based approach[J]. Journal of Transport Geography, 2021, 90: 102938. DOI:10.1016/j.jtrangeo.2020.102938 |
[28] |
Song C M, Qu Z H, Blumm N, et al. Limits of predictability in human mobility[J]. Science, 2010, 327(5968): 1018-1021. DOI:10.1126/science.1177170 |
[29] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. [Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134.] |
[30] |
Wang J F, Li X H, Christakos G, et al. Geographical detectorsbased health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24: 107-127. |
[31] |
宋彦李青, 王竹影. 城市老年人活动——出行行为特征及相关建成环境影响研究[J]. 西南交通大学学报(社会科学版), 2018, 19(6): 77-89. [Songyan Liqing, Wang Zhuying. Study on the characteristics of activity-travel behavior of urban elderly and the impact of related built environment[J]. Journal of Southwest Jiaotong University(Social Scirences), 2018, 19(6): 77-89.] |
[32] |
黄建中, 张芮琪, 胡刚钰. 基于时空间行为的老年人日常生活圈研究——空间识别与特征分析[J]. 城市规划学刊, 2019(3): 87-95. [Huang Jianzhong, Zhang Ruiqi, Hu Gangyu. A research of the elderly's daily life circle based on spatial-temporal behaviors: Analysis of place recognition and spatial features[J]. Urban Planning Forum, 2019(3): 87-95.] |
[33] |
Zhao P J, Yu Z. Investigating mobility in rural areas of China: Features, equity, and factors[J]. Transport Policy, 2020, 94: 66-77. |
[34] |
李智轩, 甄峰, 张姗琪. 城市居民智慧流动性研究进展及展望[J/OL]. 国际城市规划: 1-13. [2021-06-27]. http://kns.cnki.net/kcms/detail/11.5583.TU.20201104.1212.002.html. [Li Zhixuan, Zhen Feng, Zhang Shanqi. Review and prospects of urban residents' smart mobility[J/OL]. Urban PlanningInternational: 1-13[2021-06-27]. https://kns.cnki.net/kcms/detail/11.5583.TU.20200903.1637.002.html.]
|
[35] |
Cirella G T, Bak M, Kozlak A, et al. Transport innovations for elderly people[J]. Research in Transportation Business & Management, 2019, 30: 100381. |
[36] |
Kovacs F S, Mcleod S, Curtis C. Aged mobility in the era of transportation disruption: Will autonomous vehicles address impediments to the mobility of ageing populations?[J]. Travel Behaviour and Society, 2020, 20: 122-132. |