2. 江苏省地理信息资源开发与利用协同创新中心, 南京 210023;
3. 江西师范大学 地理与环境学院, 南昌 330022;
4. 华东师范大学 城市与区域科学学院, 上海 200062
2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China;
3. School of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China;
4. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China
绿色出行行动计划(2019—2022年)中指出要推进实施差别化交通需求管理,促进多元出行方式共生发展。网约车作为运输业态革新的产物,极大地改变了居民的通勤行为。2020年滴滴出行数据表明,上下班通勤是最主要的打车需求,网约车已成为居民通勤出行的普遍选择。然而,城市用地无序开发、基础设施供需错位等规划建设问题严重制约着居民的通勤出行。这意味着,通勤行为特征并非是居民主观选择的结果,还受到城市建成环境的深刻影响。因此,基于网约车大数据重新审视居民通勤时间和通勤距离的空间分异格局及其影响因素,对促进城市交通与建成环境协调优化具有重要意义。
居民通勤出行作为透视城市空间结构的重要窗口[1],探究其行为特征以及关联要素是优化通勤结构的基本环节。居民通勤行为涵盖通勤方式、通勤时间、通勤距离三个方面,长距离通勤引致机动化通勤出行和通勤时耗的增长[2],通勤方式选择是通勤时间与通勤距离等多因素综合作用的结果[3, 4]。已有成果多围绕通勤出行特征[5, 6]、通勤行为模式[7]、通勤影响效应[8]等展开,部分学者基于地理学视角发现常规通勤现象的距离衰减规律及其圈层模式[9, 10];同时网约车平台产生的海量高精度的轨迹、OD数据为洞悉人群流动格局提供新的切入点[11],相关研究发现网约车出行距离和出行时间分别表现出稳定性、波动性特征[12]。现阶段职住空间与通勤行为的关联机制仍是“灰箱”,职住平衡可以有效减少长距离通勤,职住分离导致过剩通勤[13, 14]。影响职住平衡的关键环节在于通勤成本,一方面,居民通勤行为是住房成本、交通成本、时间成本综合博弈的结果[15];另一方面,通勤出行碳排放是城市交通碳排放的“主力军”,通勤环境成本成为政府优化通勤出行结构的主要考量[16]。随着全球定位数据、空间轨迹数据、交通刷卡数据的采集挖掘,运用手机信令数据、POI数据、网约车订单数据等多源数据探讨城市通勤出行的研究方兴未艾[17-19]。
居民通勤特征受制于内外源因素的共同驱动,探析通勤行为的影响机制是满足居民出行需求的理论依据。国内外学者多运用结构方程模型[20]、多项Logit回归模型[21]、多层次混合效应模型[16]等研究方法,分析通勤方式、通勤时间、通勤距离、通勤出行碳排放的影响因素与驱动机制。从内生要素分析,通勤交通方式的变化直接作用于通勤时间和通勤距离的空间格局;从外部条件分析,城市空间形态、社会经济属性以及建成环境特征驱动职住空间重构与通勤模式演化。大量实证研究表明,个体社会经济属性、职住空间关系、就业可达性、土地利用等是影响通勤行为的关键动力[22, 23]。网约车出行受到多方面因素的影响,地理学领域关注个体属性和建成环境的影响,个体年龄收入、POI类型、土地利用混合度、距CBD距离、职住平衡、街区大小、道路交叉口密度、距商店的距离、到最近公园的距离等,均被证实对网约车出行有显著影响[24]。近年来,城市化的快速发展促使通勤行为的机理分析从“人”要素转向“地”要素,建成环境被认为是居民通勤行为空间格局差异的核心驱动因子[25]。密度、多样性、设计、目的地可达性和距离等城市建成环境“5D”模型是影响居民通勤行为的重要因素[26, 27]。然而,基于网约车大数据揭示不同维度的城市建成环境因子及其交互效应对居民通勤行为影响的实证研究仍然较为匮乏。
综上,近年兴起的多源大数据为居民通勤行为透视提供强大支撑,相关研究成果大量涌现,但仍有亟待思考之处:总体而言,①从研究对象来看,居民通勤行为研究多关注公交车、私家车、出租车、轨道交通、城际高铁等出行模式,鲜见网约车通勤的研究。②从研究内容看,已有研究主要关注个人社会经济属性对通勤行为的影响分析,以“5D”要素表征的建成环境对通勤时间和通勤距离的影响分析略显薄弱。③研究区域集中于北京、上海、广州等经济体量较大的超大城市,而海口等大城市的研究较为欠缺。④研究手段上,多基于传统问卷调查数据,数据来源较为单一。新时期,网约车是居民通勤方式的重要组成部分,建成环境对网约车出行的影响是当前交通地理学领域亟待回答的科学命题。因此,本文基于2017年海口市滴滴出行订单数据、POI、道路网络等数据,分析海口市居民通勤时间与通勤距离的空间分异格局,并利用地理探测器探讨城市建成环境对居民通勤行为的影响,以期为大城市通勤结构优化提供基础性研究成果。
2 研究设计 2.1 研究区概况海口市为海南省省会,是海南自由贸易港核心城市,国家“一带一路”战略支点城市,具有重要的战略地位。海口市下辖4区,2020年地区生产总值1791.58亿元,常住人口288.66万人,总面积约3126.83 km2。海口城市交通主要依赖于四通八达的路面交通,近年来网约车渐已成为市内通勤出行方式之一[28]。海口市北部的网约车出行较为密集,较好地反映了网约车通勤出行特征。影响因素分析部分以海口市主城区为样本单元(图 1),包括秀英、滨江、金宇、和平南路、海垦、白沙、蓝天、新埠、海秀、凤翔、金贸、滨海、大同、海甸、白龙、国兴、府城、博爱、中山19个街道和城西、海秀2个乡镇。
本文采用的数据主要包括滴滴出行订单数据和影响因子数据两部分。滴滴出行订单数据来自滴滴出行“盖亚”数据开放计划(https://gaia.didichuxing.com),包括订单的起讫点经纬度、订单ID、订单时效、出发时间、司机点击“到达”的时间等属性信息。为了尽可能避免节庆节事和恶劣天气对数据的干扰,同时在效率和结果之间找寻平衡点,故而选取2017年6月5—9日和12—16日10个工作日通勤时段(早高峰:7:00—9:00、晚高峰:17:00—19:00)的订单数据。与许多研究类似,本文依据早晚高峰识别可能的通勤出行,认为高峰期样本总体上具有通勤行为的代表性[29]。在数据预处理过程中,以订单ID识别唯一个案,以订单时效筛选实时订单,得到早高峰起点数据25368条和晚高峰讫点数据38924条,表示海口市居住要素;早高峰讫点数据25292条和晚高峰起点数据39026条,表示海口市就业要素。基于此,借助ArcGIS 10.8软件的网络分析工具计算订单起讫点间的时间和距离成本,分别表征通勤时间和通勤距离。同时,将海口市划分为1 km×1 km格网作为统计分析单元。
影响因子数据包括POI数据、道路网络数据、人口密度数据、公交站点数据等。①POI数据基于百度地图开发平台获取,共115个二级行业分类,据此采用信息熵方法计算单位格网的土地利用混合度作为建成环境影响因子。②2017年海口市道路网络数据来源于OpenStreetMap开源地图,运用ArcMap分别计算路网密度、距公交站距离、距市中心距离,利用UNA计算道路邻近度等建成环境影响因子。③2017年海口市人口数据源于WorldPop人口密度数据,空间分辨率为1 km×1 km,由于数据存在偏差,因此基于源数据统计单位格网的平均人口密度作为建成环境因子。④通过Python语言采用百度地图开放的API接口,获取了研究区内共1994个公交站点的空间属性数据。
2.3 变量选取以往研究表明,城市建成环境是影响居民出行行为的重要掣肘因素,本文基于建成环境“5D”模型选取影响因子,分为密度(density)、多样性(diversity)、设计(design)、目的地可达性(destination accessibility)、距离(distance)5个类别(表 1)。密度类别主要考虑了交通设施建设与人类活动强度,选取路网密度和人口密度两个因子。多样性类别中包括土地利用混合度和职住比,土地利用混合度基于单位格网计算POI二级分类的信息熵值;职住比基于滴滴数据,采用格网统计就业地与居住地数量之比。设计类别包括道路邻近度、生活设施密度和购物设施密度,考虑了城市设计中的出行便捷性与生活便利度。目的地可达性类别选取就业可达性表征通勤交通供给水平,采用两步移动搜索法计算就业可达性[30]。而距离类别考虑了不同通勤方式之间的竞合关系和区位条件,包括职住地距公交站距离以及距市中心距离。对比相关研究,本文较为系统全面地考虑道路、城市形态、服务设施、土地利用方式等城市建成环境对居民通勤特征的影响。
Ester等提出的基于密度的DBSCAN聚类算法在发现任意形状的空间聚类和识别噪声点方面具有明显优势[31]。本文采用DBSCAN聚类算法进行数据预处理,即去除单独存在于低密度区域的离群点。该算法主要涉及2个参数:Eps和Minpts。其中Eps是指研究对象在给定半径内的邻域,Minpts是指邻域内至少包含的最小样本数目。
算法流程为:首先任意选择空间中一个点,若该点在Eps半径范围内包含的点多于Minpts个,则标记该点为核心对象,创建以该点为核心的簇,将Eps半径范围内的直接密度可达的点加入该簇中,未被加入簇的点则标记为噪声点。继而选定尚未被加入任意簇的另一个点出发,重复上述过程,直至没有新的点可加入任意簇中时,聚类算法结束。本研究借助R语言编写DBSCAN算法,依据k-dist图确定最优参数:Eps=500 m,Minpts=4,最终识别出474个噪声点。
2.4.2 平均通勤时间与平均通勤距离滴滴出行订单数据潜藏着反映通勤特征的时间标签和地理标识属性。为了现实与理论的贴合,采用出发地—目的地(origin-destination,O-D)成本矩阵,确定每次订单的出行时间与距离。基于不同等级道路的长度与速度两个属性测算时间和距离成本,将其赋值于每一订单的起讫点。参考已有研究[32],本文中平均通勤时间与平均通勤距离的度量考虑了区域内所有的居住地与就业地,即每个格网的出发地与目的地均被保留,其虽忽略了起讫点间的现实匹配,但能较好地反映区域总体通勤状况,两者的计算公式如下:
(1) |
式中:ti为平均通勤时间;Tio、Tid分别为格网i内出发点和到达点的通勤时间;m、n分别为格网i内出发点与到达点的个数。
(2) |
式中:hi为平均通勤距离;Hio、Hid分别为格网i内出发点和到达点的通勤距离;m、n分别为格网i内出发点与到达点的个数。
2.4.3 地理探测器地理探测器基于地理空间分异论,是用以探测地理要素空间格局影响因素与驱动机制的一组统计学方法[33]。本文利用其中的因子探测及交互探测模块,探寻居民通勤行为的影响因素以及不同因素之间的交互作用(表 2)。该方法基于以下假设:如果某一建成环境因子对居民通勤时间或通勤距离存在显著影响,则此因素与居民通勤行为空间分布具有一致性或相似性。模型表达式为:
(3) |
式中,qD, U为居民通勤时间或通勤距离影响因子D的解释力;n为格网数量;m为各影响因子的类型数;nD, i为影响因子D在类型i内的格网数量;σU2为研究区所有格网通勤时间或通勤距离的方差;σUD, i2为类型i内格网通勤时间或通勤距离的方差;qD, U的取值范围为[0, 1],qD, U值越大,表明因子D对居民通勤行为的影响力越强。
3 研究结果 3.1 居民通勤行为空间分异特征 3.1.1 通勤时间空间特征海口市居民通勤时间整体表现为核心主城区集聚,外围区分散且空间异质性显著的特征。从早高峰通勤时间看(图 2a),以省政府、滨江街道、金盘工业区、药谷工业区、金牛岭公园、国贸中心和海甸社区围合而成的主城区集聚了海口市主要的就业要素与居住要素,通勤流量较大,居民倾向于就近就业。而近郊区与远郊区表现为长时间通勤与短时间通勤交错分布特征,与已有关于多中心城市的通勤模式的研究发现基本一致[34],推测其可能由于近郊区就业居住自给产生时间压缩,内外城长距离通勤导致通勤时间延长;同时远郊区通勤时间空间分异格局趋向复杂。江东新区作为建设中国(海南)自由贸易试验区的重点先行区域,从本文的分析结果看,新城区周围的通勤时间相对适中,通勤发展态势良好。从晚高峰通勤时间看(图 2b),主城区的通勤时间较长且连片特征更为明显,可能受到其他类型出行流的影响。从累积分布看(图 2c、2d),早高峰的平均通勤时间为9.01分钟,其中通勤时间小于10分钟的比例为67.54%,大约有4.67% 的通勤时间大于20分钟;晚高峰的平均通勤时间为8.79分钟,其中通勤时间小于10分钟的比例为69.25%,大约有3.72% 的通勤时间大于20分钟。由此推断,时间成本压缩是居民选择网约车通勤方式的主要原因。
海口市居民通勤距离的空间格局更为显著,表现为从核心主城区向外围区递增的特征,同时低值区集聚、高值区分散。从早高峰通勤距离看(图 3a),以省政府、滨江街道、金盘工业区、药谷工业区、金牛岭公园、国贸中心和海甸社区围合而成的主城区,通勤距离小且呈现出集中连片特征;同时江东新区周围的通勤距离适中。从晚高峰通勤距离看(图 3b),总体通勤距离分布格局与早高峰相似,但圈层变化更为明显且边缘区的通勤距离变化的空间异质性较早高峰更为波动。结合通勤时间分析可知,海口市主城区通勤距离和通勤时间均较小,表明主城区的职住趋于平衡;郊区的通勤行为特征较为复杂,通勤时间和通勤距离总体上偏长,可能存在职住空间错位现象。从累积分布看(图 3c、3d),海口市早晚高峰通勤距离的累积频率分布呈现“长尾式”正态分布,早高峰的平均通勤距离为6.05千米,其中通勤距离小于10千米的比例为89.04%,大约有1.76% 的通勤距离大于20千米;晚高峰的平均通勤距离为5.83千米,其中通勤距离小于10千米的比例为90.22%,大约有1.52%的通勤距离大于20千米。
基于所选取的影响城市居民通勤时间与通勤距离的10项建成环境细化指标,探究居民通勤行为的形成机制。考虑海口市就业要素与居住要素集中于主城区,故以主城区格网作为数据处理单元,借助ArcGIS 10.8软件,采用自然断点法将10个驱动因子转换为5级类型变量。通过地理探测器法,测度10个驱动因子对海口市居民通勤时间与通勤距离空间分异驱动力q值和显著性p值,q值越大,说明该因素对其的影响力越大。
3.2.1 通勤行为驱动因子探测分析距公交站距离、距市中心距离、职住比、道路邻近度是影响居民早晚高峰通勤时间与通勤距离的核心驱动因素,四者的q值均保持在前四位序(表 3)。通勤时间层面,距公交站距离和距市中心距离两个影响因素的解释力最强,q值均在0.6以上;职住比与道路邻近度两个驱动因子对于早晚高峰通勤时间的影响力较大,q值均在0.5以上;同时距公交站距离、距市中心距离、道路邻近度表现为对晚高峰的通勤时间解释力较早高峰更为明显。通勤距离层面,距公交站距离和距市中心距离两个驱动因子的解释力最强,职住比和道路邻近度次之,同时距公交站距离、距市中心距离、道路邻近度表现为对晚高峰的通勤距离解释力较早高峰显著。
人口密度和就业可达性是影响早晚高峰通勤时间空间格局分异的主要影响因素,而人口密度、就业可达性和路网密度是影响早晚高峰通勤距离空间格局分异的主要驱动因子。通勤时间层面,人口密度的解释力稍强于就业可达性,同时两个因子对早高峰通勤时间的影响大于晚高峰,从侧面说明了晚高峰人们的活动强度较大且晚高峰居民通勤行为影响因素多元驳杂。通勤距离层面,3个因子的解释能力为:人口密度>就业可达性>路网密度,人口密度和就业可达性表现为对早高峰通勤距离影响大于晚高峰。
路网密度、生活设施密度、购物设施密度是影响早晚高峰通勤时间格局分异的次要影响因素,而生活设施密度和购物设施密度是影响早晚高峰通勤距离空间分异的次要驱动因素。通勤时间层面,生活设施密度和购物设施密度2个因子对于早高峰的解释力大于晚高峰,且p值均小于0.05。通勤距离层面,2个因子对于早高峰的解释力大于晚高峰,且均在0.05的水平上显著。而土地利用混合度对早晚高峰通勤时间与通勤距离的解释力不强,q值均低于0.1,印证了部分研究认为混合土地利用对通勤出行影响不显著[35]。
3.2.2 通勤行为驱动因子交互探测分析为了探测不同驱动因子之间的交互作用,本文利用地理探测器分别对影响居民早晚高峰通勤时间和通勤距离的10个指标进行两两交互探测,选择前10位序的结果进行分析。不同因子间的交互作用会强化对居民通勤时间空间分异的解释,即两两因子之间的交互作用强度大于单因子的作用,多属于双因子增强(表 4)。从早高峰看,道路邻近度和距公交站距离两个因子的交互作用对通勤时间的q值最高为0.7938,此外,影响较大的交互因子为职住比和道路邻近度(0.7866),职住比和距公交站距离(0.7803),职住比和距市中心距离(0.7587),土地利用混合度和距公交站距离(0.7556)。从晚高峰看,距公交站距离和距市中心距离、道路邻近度和距公交站距离、土地利用混合度和距公交站距离、路网密度和距公交站距离对居民通勤时间的决定力较强,分别为0.8648、0.8646、0.8530和0.8519。总体而言,两两交互作用的影响因素会增强对居民通勤时间空间分异的解释力,任意两个驱动因子对通勤时间空间分异的综合作用多大于单个因子的作用强度,说明导致居民通勤时间分异不是单一影响因素造成的,多个因子的共同作用导致空间格局分异,且各个因子叠加后对空间格局的交互影响力是互相增强的。
城市建成环境因素对居民通勤距离的影响存在交互作用,多呈现出双因子增强关系(表 5)。从早高峰看,职住比和距市中心距离、职住比和距公交站距离、职住比和道路邻近度、道路邻近度和距公交站距离产生较强的合力作用,q值分别为0.8293、0.8239、0.8030、0.7887。从晚高峰看,影响较大的交互因子为距公交站距离和距市中心距离(0.8889)、职住比和距市中心距离(0.8685)、职住比和距公交站距离(0.8677)、生活设施密度和距公交站距离(0.8672)。总体而言,无论对于通勤时间还是通勤距离而言,两两因子交互作用增强了居民通勤行为空间格局的解释力,且围绕距公交站距离、距市中心距离、职住比、道路邻近度4个核心驱动因子形成累积协同效应。
基于因子探测和交互探测分析,以早晚高峰q值相加求均值分别表征10项指标对居民通勤时间和通勤距离的影响力,同时以相同维度指标q值相加求均值表征一级类别对居民通勤时间和通勤距离的影响(图 4),探讨城市建成环境对居民通勤行为影响机制。由于研究尺度、研究地域、研究方法等存在差异,不同驱动因子对于居民通勤行为的影响尚未有定论,本文针对海口市居民网约车通勤出行,结合不同建成环境因子的空间分异格局以及通勤行为的空间分异特征进行解析。
(1)密度维度
密度维度包括路网密度和人口密度两个指标。人口密度对居民通勤时间和通勤距离的影响较路网密度显著。一方面,高度密集的人口会造成通勤集中化,进而引致交通拥堵和通勤时间的增加,海口市主城区人口密度大一定程度上会增强其拥堵效应;另一方面,人口密度和路网密度与距离因子交互作用,产生协同效应,高密度人口和高密度路网有助于减少通勤时耗,释放通勤压力。总体而言,密度维度的建成环境对居民通勤行为的影响较不显著,其通过与距离因素的交互作用,产生显著影响。
(2)多样性维度
多样性维度包括土地利用混合度和职住比两个指标。职住比对居民通勤行为的影响较强,土地利用混合度的影响不显著。一般而言,职住趋于平衡,居民倾向于就近就业,会促进通勤时间和通勤距离的减小;而职住空间错位会导致长距离和长时间通勤流的增长,海口市职住比呈环状分布,与通勤时间空间格局较为一致。因此,平衡职住要素是改善城市通勤行为的重要路径。而土地利用混合度的影响微弱,与距离因素联合作用呈现非线性增强和双因子增强,土地利用混合度越高,距公交站距离越近,有利于促进城市通勤交通的集约化发展。
(3)设计维度
设计维度包括道路邻近度、生活设施密度和购物设施密度3个指标。道路与公共服务设施两个方面是城市设计的主要考量,道路邻近度表征居民出行的交通便捷性,生活设施密度和购物设施密度表征居民居住和就业的服务设施配套。道路邻近度对居民通勤时间和通勤距离的影响较为显著,影响力分别为0.580和0.585,道路邻近度越低,居民倾向于减少公共交通出行转而选择机动车或网约车通勤出行;生活设施密度和购物设施密度对居民通勤行为的影响较小。可见,建设便捷邻近的交通网络可以推动居民通勤方式转变。
(4)目的地可达性维度
目的地可达性维度选取就业可达性1个指标。就业可达性反映了居民到就业地的交通通行时间,其合理性在于考虑不同等级道路的供给服务水平以及居民的职住分布状况。就业可达性对于海口市居民通勤时间和通勤距离的影响较不明显,影响力分别为0.180和0.181;就业可达性与距离因素相互作用可产生较为显著的影响。时间成本往往是居民通勤出行的主要考虑因素,就业可达性好的区域往往会形成较强的吸引力,引导城市职住空间结构的改变,进而作用于通勤时间和通勤距离。
(5)距离维度
距离维度包括距公交站距离、距市中心距离2个指标,考虑了不同交通方式之间的竞合关系和区位条件。距离因子是影响居民通勤行为的主导因素,就整体维度而言,其对通勤时间和通勤距离的影响力分别为0.708和0.811。距离维度下,单个因子的影响力本身较强,叠合其他因子产生更为显著的影响效应。时间成本和距离成本导向下,改善城市建成环境是引导网约车、私家车、公共交通等通勤方式融合发展的有效路径。
4 结论与讨论 4.1 结论本文以海口为研究案例地,基于2017年海口市滴滴出行订单数据、POI数据等,利用格网统计分析了高峰期网约车通勤时间与通勤距离的空间分异格局,并采用地理探测器探讨了城市建成环境对居民通勤行为的影响。结论如下:
(1)在通勤时间层面,海口市居民通勤时间空间分布格局呈现出核心主城区集聚、外缘分散的特征,晚高峰主城区的通勤时间较早高峰长且呈现复杂的交错特征;早晚高峰平均通勤时间分别为9.01分钟和8.79分钟,可以推测时间成本压缩是居民网约车通勤出行的主要原因。在通勤距离层面,海口市居民通勤距离表现为梯度递增的核心边缘结构,且“低值集聚、高值分散”特征显著;早晚高峰平均通勤距离分别为6.05 km和5.83 km,可推测选择网约车通勤的居民倾向于就近就业。
(2)针对网约车通勤出行,距公交站距离、距市中心距离、职住比、道路邻近度是影响居民通勤时间与通勤距离空间分异的核心影响因素;人口密度、就业可达性和路网密度是影响居民通勤时间与通勤距离的主要影响因素;生活设施密度、购物设施密度是影响居民通勤时间与通勤距离的次要影响因素;土地利用混合度对居民通勤行为的解释力不强。不同城市建成环境因子的交互作用增强了对居民通勤时间及通勤距离空间分异的解释力,且以4个核心影响因素为主导形成累积协同效应。
(3)城市建成环境的密度、多样性、设计、目的地可达性、距离五个维度共同驱动,形成了海口市居民通勤时间与通勤距离的空间分异格局。从整体维度看,距离、多样性、设计、目的地可达性、密度维度对居民通勤时间的解释力依次降低;而对居民通勤距离的解释力由高到低为距离、多样性、设计、密度、目的地可达性。便捷邻近的道路网络、趋于平衡的职住空间、合理配置的公共设施等可以引导小汽车换乘公共交通出行和交通通勤新业态融合发展。
4.2 讨论新时期,居民通勤方式处于多元发展、更新融合的过程中。现有通勤行为的影响研究多基于问卷调查数据展开,主要探讨个体社会经济属性对通勤行为的影响。与已有研究相比,本文的贡献在于:一是围绕网约车通勤展开研究,探讨居民通勤时间与通勤距离的空间格局与影响因素,拓展了通勤行为研究的广度;二是基于网约车出行大数据,聚焦城市建成环境,从密度、多样性、设计、目的地可达性、距离五个维度构建居民通勤行为的影响指标,分析不同驱动因子的影响力和交互作用,较为系统地推进了通勤行为影响研究的深度。
然而,本研究仍存在诸多不足之处:一是以早晚高峰所有订单代表通勤流动尚有偏颇,通过权重划分或模型识别通勤出行是未来考量;二是城市建成环境指标复杂多样,本文仅选取部分指标进行量化分析,影响指标构建有待丰富完善,同时,以单位格网测度的建成环境为影响因素,还不能较为细致地反映城市建成环境对居民通勤行为的影响,从居住地与就业地建成环境开展精细化研究是未来研究重点。
致谢: 感谢两位匿名审稿专家对本文研究所提出的宝贵意见和建议。[1] |
周素红, 闫小培. 基于居民通勤行为分析的城市空间解读——以广州市典型街区为案例[J]. 地理学报, 2006, 61(2): 179-189. [Zhou Suhong, Yan Xiaopei. The impact of commuters' travel pattern on urban structure: A case study in some typical communities in Guangzhou[J]. Acta Geographica Sinica, 2006, 61(2): 179-189. DOI:10.3321/j.issn:0375-5444.2006.02.007] |
[2] |
张雪, 柴彦威. 基于结构方程模型的西宁城市居民通勤行为及其影响因素[J]. 地理研究, 2018, 37(11): 2331-2343. [Zhang Xue, Chai Yanwei. Influencing factors of residents' commuting behavior in Xining: A SEM analysis using activity-travel diary survey data[J]. Geographical Research, 2018, 37(11): 2331-2343.] |
[3] |
韩会然, 杨成凤, 宋金平. 公共交通与私家车出行的通勤效率差异及影响因素——以北京都市区为例[J]. 地理研究, 2017, 36(2): 253-266. [Han Huiran, Yang Chengfeng, Song Jinping. Impact factors and differences in commuting efficiency between public transit and private automobile travel: A case study on the Beijing metropolitan area[J]. Geographical Research, 2017, 36(2): 253-266.] |
[4] |
孙斌栋, 但波. 上海城市建成环境对居民通勤方式选择的影响[J]. 地理学报, 2015, 70(10): 1664-1674. [Sun Bindong, Dan Bo. Impact of urban built environment on residential choice of commuting mode in Shanghai[J]. Acta Geographica Sinica, 2015, 70(10): 1664-1674. DOI:10.11821/dlxb201510010] |
[5] |
柴彦威, 谭一洺. 中国西部城市居民时空间行为特征研究——以西宁市为例[J]. 人文地理, 2017, 32(4): 37-44. [Chai Yanwei, Tan Yiming. Examining the space-time behavior patterns of residents in cities of the western China: Evidence from Xining[J]. Human Geography, 2017, 32(4): 37-44. DOI:10.3969/j.issn.2095-0446.2017.04.019] |
[6] |
田金玲, 王德, 谢栋灿, 等. 上海市典型就业区的通勤特征分析与模式总结——张江、金桥和陆家嘴的案例比较[J]. 地理研究, 2017, 36(1): 134-148. [Tian Jinling, Wang De, Xie Dongcan, et al. Identifying the commuting features and patterns of typical employment areas in Shanghai using cellphone signaling data: A case study in Zhangjiang, Jinqiao and Lujiazui[J]. Geographical Research, 2017, 36(1): 134-148. DOI:10.3969/j.issn.1004-9479.2017.01.014] |
[7] |
Wong C, Zheng W, Qiao M. Urban expansion and neighbourhood commuting patterns in the Beijing metropolitan region: A multilevel analysis[J]. Urban Studies, 2020, 57(13): 2773-2793. DOI:10.1177/0042098019884254 |
[8] |
曹晨, 甄峰, 汪侠, 等. 基于结构方程模型的南京市就业者通勤行为特征对健康的影响研究[J]. 地理科学进展, 2020, 39(12): 2043-2053. [Cao Chen, Zhen Feng, Wang Xia, et al. Study on the influence of commuting behavior characteristics of urban residents on health in Nanjing city based on structural equation model[J]. Progress in Geography, 2020, 39(12): 2043-2053.] |
[9] |
刘耀林, 陈龙, 安子豪, 等. 基于公交刷卡数据的武汉市职住通勤特征研究[J]. 经济地理, 2019, 39(2): 93-102. [Liu Yaolin, Chen Long, An Zihao, et al. Research on job-housing and commuting in Wuhan based on bus smart card data[J]. Economic Geography, 2019, 39(2): 93-102.] |
[10] |
李峥嵘, 柴彦威. 大连市民通勤特征研究[J]. 人文地理, 2000, 15(6): 67-72. [Li Zhengrong, Chai Yanwei. A study on the commuting features of Dalian citizens[J]. Human Geography, 2000, 15(6): 67-72.] |
[11] |
Li T, Jing P, Li L C, et al. Revealing the varying impact of urban built environment on online car-hailing travel in spatio-temporal dimension: An exploratory analysis in Chengdu, China[J/OL]. Sustainability, 2019, 11(5): 1336. https://doi.org/10.3390/su11051336.
|
[12] |
Shi C Y, Li Q Q, Lu S W, et al. Exploring temporal intra-urban travel patterns: An online car-hailing trajectory data perspective[J/OL]. Remote Sensing, 2021, 13(9): 1825. https://doi.org/10.3390/rs13091825.
|
[13] |
刘望保, 侯长营. 转型期广州市城市居民职住空间与通勤行为研究[J]. 地理科学, 2014, 34(3): 272-279. [Liu Wangbao, Hou Changying. Urban residents' home-work space and commuting behavior in Guangzhou[J]. Scientia Geographica Sinica, 2014, 34(3): 272-279.] |
[14] |
朱玮, 梁雪媚, 桂朝, 等. 上海职住优化效应的代际差异[J]. 地理学报, 2020, 75(10): 2192-2205. [Zhu Wei, Liang Xuemei, Gui Zhao, et al. The inter-generational differences in the effects of job-housing optimization in Shanghai[J]. Acta Geographica Sinica, 2020, 75(10): 2192-2205.] |
[15] |
Ahrens A, Lyons S. Do rising rents lead to longer commutes? A gravity model of commuting flows in Ireland[J]. Urban Studies, 2021, 58(2): 264-279. |
[16] |
杨文越, 梁斐雯, 曹小曙. 多尺度建成环境对居民通勤出行碳排放的影响——来自广州的实证研究[J]. 地理研究, 2020, 39(7): 1625-1639. [Yang Wenyue, Liang Feiwen, Cao Xiaoshu. Examining the effects of the multi-scale built environment on residents' CO2 emissions from commuting: An empirical study of Guangzhou[J]. Geographical Research, 2020, 39(7): 1625-1639.] |
[17] |
龙瀛, 张宇, 崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行[J]. 地理学报, 2012, 67(10): 1339-1352. [Long Ying, Zhang Yu, Cui Chengyin. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012, 67(10): 1339-1352.] |
[18] |
许园园, 塔娜, 李响. 基于地铁刷卡数据的城市通勤与就业中心吸引范围研究[J]. 人文地理, 2017, 32(3): 93-101. [Xu Yuanyuan, Ta Na, Li Xiang. Analysis of commuting behavior and employment center using subway smart card data[J]. Human Geography, 2017, 32(3): 93-101.] |
[19] |
Liu Y L, Fang F G, Jing Y. How urban land use influences commuting flows in Wuhan, Central China: A mobile phone signaling data perspective[J/OL]. Sustainable Cities and Society, 2020, 53: 101914. https://doi.org/10.1016/j.scs.2019.101914.
|
[20] |
张学波, 宋金平, 于伟, 等. 基于感知的北京居民职住空间关系生成机理[J]. 地理学报, 2021, 76(2): 383-397. [Zhang Xuebo, Song Jinping, Yu Wei, et al. Formation mechanism of Beijing's jobs-housing spatial relationship based on residents' perception[J]. Acta Geographica Sinica, 2021, 76(2): 383-397.] |
[21] |
张纯, 程志华, 于晓萍, 等. 乌鲁木齐公共交通基础设施对低收入群体就业的影响研究[J]. 地理科学进展, 2020, 39(1): 111-119. [Zhang Chun, Cheng Zhihua, Yu Xiaoping, et al. Impact of public transportation infrastructure on employment of the low-income group in Urumqi[J]. Progress in Geography, 2020, 39(1): 111-119.] |
[22] |
熊丽芳, 甄峰, 钱前, 等. 基于CHAID决策树方法的城市居民通勤时间影响因素分析——以南京为例[J]. 人文地理, 2013, 28(6): 68-73, 35. [Xiong Lifang, Zhen Feng, Qian Qian, et al. The influencing factors analysis of city residents' commute time based on CHAID model of decision tree: A case study of Nanjing[J]. Human Geography, 2013, 28(6): 68-73, 35.] |
[23] |
Mitra S K, Saphores J D M. Why do they live so far from work? Determinants of long-distance commuting in California[J/OL]. Journal of Transport Geography, 2019, 80: 102489. https://doi.org/10.1016/j.jtrangeo.2019.102489.
|
[24] |
朱秋宇, 塔娜. 职住建成环境对郊区居民通勤方式的影响——以上海市为例[J]. 世界地理研究, 2021, 30(2): 433-442. [Zhu Qiuyu, Ta Na. The impact of built environment in neighborhood and workplace on suburban residents' commuting mode: A case study in Shanghai[J]. World Regional Studies, 2021, 30(2): 433-442.] |
[25] |
Zhang B, Chen S Y, Ma Y F, et al. Analysis on spatiotemporal urban mobility based on online car-hailing data[J/OL]. Journal of Transport Geography, 2020, 82: 102568. https://doi.org/10.1016/j.jtrangeo.2019.102568.
|
[26] |
高枫, 李少英, 吴志峰, 等. 广州市主城区共享单车骑行目的地时空特征与影响因素[J]. 地理研究, 2019, 38(12): 2859-2872. [Gao Feng, Li Shaoying, Wu Zhifeng, et al. Spatial-temporal characteristics and the influencing factors of the ride destination of bike sharing in Guangzhou city[J]. Geographical Research, 2019, 38(12): 2859-2872.] |
[27] |
Sun B D, Yin C. Impacts of a multi-scale built environment and its corresponding moderating effects on commute duration in China[J]. Urban Studies, 2019, 57(10): 2115-2130. |
[28] |
Ma S, Long Y. Functional urban area delineations of cities on the Chinese mainland using massive Didi ride-hailing records[J/OL]. Cities, 2020, 97: 102532. https://doi.org/10.1016/j.cities.2019.102532.
|
[29] |
Yong J, Zheng L J, Mao X W, et al. Mining metro commuting mobility patterns using massive smart card data[J/OL]. Physica A: Statistical Mechanics and its Applications, 2021, 584: 126351. https://doi.org/10.1016/j.physa.2021.126351.
|
[30] |
王法辉. 基于GIS的数量方法与应用[M]. 姜世国, 滕俊华, 译. 北京: 商务印书馆, 2016: 98-119. [Wang Fahui. Quantitative Methods and Applications in GIS[M]. Jiang Shiguo, Teng Junhua, trans. Beijing: The Commercial Press, 2016: 98-119.]
|
[31] |
Ester M, Kriegel H P, Sander J, et al. A Density-based Algorithm for Discovering Clusters in Large Spatial Databases with Noise[C]. Portland: The AAAI Press, 1996: 226-231.
|
[32] |
Boussauw K, Neutens T, Witlox F. Relationship between spatial proximity and travel-to-work distance: The effect of the compact city[J]. Regional Studies, 2012, 46(6): 687-706. |
[33] |
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.] |
[34] |
Modarres A. Polycentricity, commuting pattern, urban form: The case of southern California[J]. International Journal of Urban and Regional Research, 2011, 35(6): 1193-1211. |
[35] |
Zhang M. The role of land use in travel mode choice: Evidence from Boston and Hong Kong[J]. Journal of the American Planning Association, 2004, 70(3): 344-360. |