2. 同济大学 建筑与城市规划学院, 上海 200092
2. College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China
近年来,手机信令数据因其样本覆盖广、记录连续且时空精度相对较高,被逐渐引入到城市空间与人群活动的研究中[1-3]。尤其对于通勤这种规律性极强的出行活动,手机信令数据的上述优势能帮助研究者在大规模层面实现较为准确的识别,因此以其为数据基础的通勤及职住空间研究日渐受到关注。相关研究大多围绕以下四个方面展开:①探讨技术方法,如职住地及通勤行为识别[4];②分析通勤行为特征[5],以全体通勤人口或特定区域的人群为对象;③评价职住空间关系,包括职住平衡或分离程度的测度[6-8];④把握整体通勤格局,如城市的职住空间结构或区域的通勤联系[9-11]。这些研究逐步积累出了借助手机信令数据分析通勤问题的基础方法,所得到的结论也逐渐被学界重视。
另一方面,从现实需求来看,大城市的职住失衡与通勤困难一直是学界乃至全社会颇为关注的话题,对其持续探究仍具有较强的现实意义。就国内基于手机信令数据的通勤研究进展来看,已有学者在上海、苏州、广州等地形成了一些实证案例[12-15],加深了我们对国内城市通勤问题的认知,但对于“通勤难”问题尤为突出的北京市,这方面的成果仍显欠缺。依据住房和城乡建设部发布的《全国主要城市通勤监测报告(2020)》,北上广深四个超大城市的平均通勤距离为9.3 km,其中北京以11.1 km居首位;而北京的职住分离度也在全国重点城市中排名最高,这表明北京当前的职住失衡以及通勤问题十分突出。
事实上,既往已有一批学者对北京通勤及职住空间问题进行了探讨,视角各异。例如,围绕北京市的职住空间分离现象,测度分离程度[16],分析就业和居住的空间错位特征[17],寻找背后因素[18, 19];又如,关注北京职住分布的空间结构[20, 21],追溯其历史演化[22];此外,亦有研究着重关注个别居住区的通勤行为,如大型居住区[23, 24]、城中村等[25],或是多个居住小区的比较[26];更进一步,也有探究通勤者职住地选择背后的决策机制[27]。这些研究形成的主要结论可以概括为:从职住空间关系来看,北京近郊区的“职住分离”现象相对更严重,在天通苑、回龙观等大型居住区表现得尤为明显[23, 24];从通勤流向来看,不仅郊区居住区中存在较高比例的长距离内向通勤,在老城区传统居住区中亦存在相当比例的长距离向外通勤,情况较为复杂[26];从变化趋势来看,中心城区的职住空间错位情况在近二十年间不断放大且呈现加速发展趋势[17]。
但总体而言,这些研究结论的支撑大多还是传统数据源,如现场勘察、个体访谈得到的小样本数据[28, 29],或是五年一次的全市居民交通出行调查数据[30]。前者可以支撑对个别区域的通勤特征进行细致刻画,但不足以反映出北京通勤全貌;而后者的范围拓展至全北京,但仍是一种样本量有限的抽样调查,未能实现空间的有效覆盖。而在新型大数据方面,虽然也有少数学者进行了一些探索,例如,基于公交车或轨道刷卡数据分析北京市域层面的通勤状况[31, 32],但都是针对某一特定出行方式的通勤者,局限性较强。相较而言,手机信令数据则几乎可以无差别地被动记录各类人群的出行活动。
鉴于此,本研究旨在依托手机信令数据,从职住分布、通勤联系、距离时耗等多个维度展开剖析,完善对北京全市层面通勤格局的认知。重点突出对通勤特征空间异质性的呈现,既包括单元层面的通勤特征差异,也包括对典型居住类型区与就业类型区中通勤模式的对比分析。
2 数据来源与分析思路 2.1 研究数据与研究范围本研究使用联通智慧足迹平台提供的北京手机信令数据,时间跨度为2017年9月全月。数据量方面,单日产生停留记录的用户数在900—1000万人的区间波动,单日产生出行记录的用户数在500—650万人的区间波动。对于利用此数据源研究北京通勤问题的有效性,需要做两点说明:其一,手机信令数据的人群覆盖存在局限性,例如对高龄老人以及儿童的覆盖较低,但因为本研究主要关注通勤者,所以受此问题影响不大;其二,因为只采用了一家运营商的数据,所以无法准确测算出诸如全市通勤总人口、通勤总距离等总量指标,但这也并非本研究的关注点,本研究的重点在于提炼通勤行为的空间特征尤其是不同地区之间的相对差异,因而来自该运营商的样本量已经足以提供有效的数据支撑,后续过程也有进一步进行数据有效性校验与高质量样本筛选。
在数据的空间尺度上,因原始数据被记录在从250 m到16000 m边长不等的方形网格中,为便于分析,笔者通过空间重分配步骤将数据统一整合至2000 m边长的方形单元格,并以此作为本研究的标准空间单元。后续针对不同分析需要,会将数据进一步汇总到街道、行政区等层面。
此外,也进一步检验了该数据记录在不同空间区域上的有效性。经数据校验发现北京北部及西部的外围区域数据记录量较小而波动较大,考虑到该区域以郊野山区为主,剔除后对研究通勤问题影响不大,故最终将研究范围限定于北京市规划建设范围内,由1676个标准单元格覆盖(图 1)。需要说明的是因城市中心天安门附近的两个单元格性质特殊,不进行单独分析。
首先需要从手机信令数据中筛选出北京市稳定通勤人口。本批次数据中已经包含了运营商基于长期数据标记出的用户居住地、工作地位置标签,基本原理是:夜间在同一位置高频次、长时间停留则认为是居住地,工作日白天在同一位置高频次、长时间停留则认为是工作地。该方法目前已被广泛接受,笔者不再进行重新识别。由此,同时被打上居住地、工作地标签的用户共有848万人。因为本研究更希望关注的是规律性的、相对稳定的通勤人口,所以筛除了研究月份记录天数少于10天的用户,最终留下了471万人视为稳定通勤用户。
进而对北京市的通勤空间分布特征展开描述性分析。最基础的,借由用户的职住地位置可以连出其通勤OD,依据其从家到工作地的早高峰通勤出行记录测算其单程通勤耗时,并在此之上延展出更多维度的分析。主体内容包含两大部分。第一部分是全市整体通勤特征:通过分析通勤者的居住分布与就业分布,观察北京通勤在何处产生,又被吸引至何处;通过分析主要的通勤流特征以及中心城区—郊区新城间的双向联系,来探究北京通勤联系的流量与流向;通过比较各空间单元中居民的平均通勤距离、用时以及单位距离耗时等指标,反映不同地区的通勤难度差异。第二部分则重在探究北京市不同类型的空间区域所呈现出的通勤规律差异:提取了具有北京特色的五种典型居住类型区与四种典型就业类型区,分别比较其中居民及职工的通勤特征差异,并进行模式归纳(图 2)。
(1)通勤者居住分布:高密度区成环成片,正中部略有凹陷
北京市居住密度最高的区域主要在四环内,并形成一个环带(图 3红圈范围),而在城市正中心则出现了密度凹陷,原因在于二环以内的居住形态仍以北京传统民居(胡同)为主,建设强度较低,因而所承载的居住人口密度也相对较低。而到了四环外,除正东、正西两侧略高外,居住密度在各方向呈现出相对均匀的下降。到了五环外,整体居住密度进一步大幅降低,仅在个别地区呈现出相对高密度的片区或条带:例如往东延伸至通州(城市副中心)方向的整个条带区域居住密度都较高,而北五环外的居住密度也明显高于周边,原因在于这里正是北京市经济适用房集中建设的两大片区——回龙观和天通苑的所在地。
(2)通勤者就业分布:极化特征明显,不同等级的点状中心
相对于居住分布中连绵的高密度区,就业分布的极化特征更明显,就业高密度单元更多以点状中心的形态呈现。虽然四环以内整体就业密度都较高,但仍有三个就业主中心凸显而出(图 4红圈):最大的就业中心是泛CBD地区——建国门外至国贸周边由商务、商业等多功能复合形成的中央区域,其次是金融产业高度集聚的金融街,以及作为互联网科技公司主阵地、同时集聚较多科研院所的中关村地区。而在五环周边及外围,亦呈现了几个次级的就业中心,包括北部的上地地区(西二旗)、东北角的望京地区、东面的通州新城以及东南角的亦庄新城。整体来看,以长安街为界,南半边的就业密度明显低于北半边。
在对居住端和就业端进行相对独立的分析后,接下来对其间的联系——通勤OD走向展开分析,这也是我们探究职住空间关系的重点。
(1)主要通勤流向:中心区两大通勤带凸显,郊区内通勤节点突出
将各单元层面的通勤OD汇总到街道尺度后,观察主要通勤流向(图 5、图 6)。在中心城区,大流量的通勤OD线密集交织、关系错综复杂,尽管如此,仍有两条相对明显的通勤集聚带可以被辨识出来:一条由北向南,位于“昌平—上地—中关村”一带,主要受中关村、上地众多互联网科技公司及大学科技园的就业吸引;另一条由东向西,位于“通州新城— CBD”一带,主要是CBD地区从东面的城市副中心吸引了大量通勤人口进入中心区就业。而在更外围的郊区部分,则呈现出各行政区内相对独立的通勤组团,即区内通勤的倾向性明显。这一现象,一方面表明郊区居民受到这些邻近新城就业机会的吸引而前往工作;另一方面,也反映出各郊区新城尤其是远郊新城的就业辐射范围往往局限于各区内部,一般不超过周边10 km。
(2)中心城区与郊区新城的联系:卧城与产业新城分异,副中心本地平衡待加强
进一步,对于旨在缓解中心城区压力的一众郊区新城,定量分析其与中心城区的联系强弱及其内部的职住平衡程度。此处,中心城区指东城、西城、海淀、朝阳、丰台、石景山六个区组成的区域;市域其余部分则为郊区,并在当中单独划分出了集中规划建设的郊区新城区域。
先从中心城区居民的视角来看,高达89% 的居民在中心城区内就业,逆向前往郊区新城就业的比例为6%(图 7)。而这当中,就业去向的前三依次是亦庄、通州、顺义新城,三者合计占比超过一半。其中亦庄和顺义一直以来就是北京的制造业基地,产业职能突出,就业岗位密集,因而甚至能对中心城区居民产生吸引;而通州新城则是以承担综合职能的城市副中心在打造,产业职能仍在进一步加强中。图 8则展示了中心城区职工的通勤来源,11% 的职工来自于郊区新城,这其中又以来自通州、大兴、昌平新城的比例最高。两图比较可见,中心城区从郊区新城吸引就业的比例几乎是其向郊区新城输送就业比例的两倍。
对应地,也可以从郊区新城一侧,统计各自与中心城区间的通勤流入流出占比(表 1)。各新城中来自中心城区的职工比例都无一例外地低于前往中心城区就业的居民比例,两数值相差较为悬殊的有昌平、大兴、通州新城,表明它们在本地提供的就业机会与就业吸引力仍然有限,目前作为中心城区周边“卧城”的属性更突出。门头沟新城与中心城区的双向通勤联系都较为紧密,不仅有超过半数的本地居民到中心城区就业,其来自中心城区的职工占比也达到了40%,主要原因还是在于门头沟新城在空间上紧邻中心城区,存在区位条件上的优势。
通勤距离是用于测度职住平衡状况的最为简单、直接的指标。因为从手机信令数据难以准确获得通勤路径,所以本研究直接用通勤直线距离进行分析。通勤时耗则是通勤距离叠加上交通状况后真实通勤体验的反映——距离相近的两点通勤时耗却不一定短,所以时耗更具有现实意义。
(1)居民通勤距离:由内至外,在各方向相对均匀递增
对于筛选出的稳定通勤用户,其平均通勤直线距离为12.22km,而根据北京交通发展研究院利用手机信令等多源数据的测算,该值为12.4km,数值相近。进一步,观察这种通勤距离在空间分布上的差异(图 9)。直观来看,由城市中心向外围的各方向上,居民平均通勤距离均呈现出逐渐增加的特征。而汇总到各个圈层统计,同样严格符合由内部圈层到外部圈层递增的规律,但五环以内的圈层相差不大(都在9km内),而再往外围通勤距离增加的幅度迅速扩大(图 10)。
(2)居民通勤时间:向外非均匀变化,个别方向先增后减
通勤时耗分布与通勤距离分布的规律大体相似,但局部有别(图 11、图 12)。相似在于,整体看都是外围高于内部;差异则在于,距离分布在各个方向上均由内向外单调递增,且增加速度在不同方向大致相当,因而呈现了一种相对均匀的渐变,而在通勤时间的分布图中,这种变化在各个方向并不是均匀单调的——例如五六环之间局部地区的通勤耗时明显高于周边,使得在这些方向上通勤耗时由内向外呈现了先增后降的过程。这样居民通勤时耗显著高于周边的局部包括了五环外的天通苑、六环西北角的昌平一带、房山新城以及首都机场周边等地。
(3)单位距离通勤耗时:近郊一带尤其是北面大居的通勤交通最困难
将各单元的通勤耗时除以通勤直线距离,可以得到单位距离通勤耗时。该值越高,某种程度上表示该地附近的通勤交通困难程度越高。如图 13所示,中心城区的数值普遍较高,而极高值区主要分布西五环内与北五环周边,尤其是在北五环以外形成了大面积的高值区,而该地区也正是北京的回龙观、天通苑等大型居住区的所在地,表明这些地区的居民在通勤时往往面临着更为困难的交通状况。这背后存在多层原因的叠加:既包括了该地区道路体系本身联通不畅、节点受阻的空间因素,也来自于特定方向通勤流过于集中形成的高峰交通堵塞。
不同居住类型区(或就业类型区)的区位与人员特征往往存在较大差异,这是通勤规律空间异质性产生的重要来源。因此,考虑提取北京市内具有典型性的职住类型区,对比观察其居民(或职工)的通勤特征。
4.1 典型居住类型区的居民通勤特征依据北京居住空间的发展历史及属性差异,并参考了相关研究[26],最终提取了五类相对典型、易于界定的居住类型区:老城旧居住区、单位大院居住区、大型居住区、近郊新城居住区、远郊新城居住区(图 14)。
首先从基础指标展开对比(图 15)。可以发现,从老城旧居住区、单位大院居住区到大型居住区,再到郊区新城居住区,居民平均通勤距离递增。这很大程度上取决于各类居住地周边的就业岗位供给,附近的就业机会越丰富,居民通勤距离往往越短。其中值得一提的是,虽然大居、近郊新城、远郊新城三类居住区的居民通勤距离存在较大差距,但实际通勤时间花费却相差不大(接近40 min),原因主要在于前文提及的大居周边较为困难的通勤交通条件,单位距离耗时较高。而老城区和单位大院居民的单位距离时耗虽然也较高,但因为通勤距离短,所以最终反映在总时长上并不高(25 min左右)。
继而,对比居民通勤去向的空间分布(图 16)。由老城旧居住区出发的通勤大部分仍位于二环内,向外也极少超出三环。从单位大院出发的通勤者主要流向二三环之间的区域,小部分向外流至东南的亦庄、西北的上地等地。从两个大型居住区出发的通勤,其共性在于均以向南为主导,差异则在于西侧回龙观大居的居民主要流向中关村、西二旗一带,基本在三环外,而东侧天通苑大居的居民则向南一路流至二环内,在沿路的亚运村、望京、三元桥、国贸等地逐渐分流。对于近郊新城的居民,向心通勤的流量大,基本一一对应地流入三大就业中心(通州新城—CBD、昌平新城—中关村、大兴新城—金融街及沿线),房山新城的居民则与四环西南角的丰台科技园联系较强。对于远郊新城的居民,其通勤大多集中在所属新城附近,少数会从远郊流至近郊区域(如门头沟—石景山,延庆—昌平),但极少流入中心城区。
更进一步,结合北京规划中由内至外界定的城市空间功能板块,可以将上述不同居住类型区的区位特征和居民通勤去向特征提炼成对应的空间模式简图(图 17)。其中,箭头方向表示该类居住区居民在不同板块间的主要通勤流向,箭头宽度表示通勤量大小。
而对于就业类型,其在空间上往往相互混杂,要划定出严格、精确的类型边界线基本无法实现。所以此处只是提取了北京市内就业岗位相对集中的区域,依据其最为突出的类型特色进行了类型命名(图 18)。共提取了四种典型就业类型区:商务办公集中区包括了金融街、CBD、朝外、望京等地;科技研究集中区包括中关村周边、上地—西二旗、丰台科技园;大型制造基地包括亦庄和顺义这两座以制造业为主导的产业新城;此外,考虑到其他新城的主城区亦承担了外围地区就业次中心的角色,但其中的产业类型又难以用某一类来概括,故以新城综合就业类型区命名。
从基本指标——职工通勤距离来看,所选取的这几种就业类型区其职工平均通勤距离相差不大,都在11km上下(图 19)。原因或许在于提取出的这些区域本就是就业密度相对较高的区域,就业机会多,所以都能吸引到相当部分的长距离通勤人口。区别则在于,商务办公集中区和科技研究集中区都位于中心城区,所以其中的远距离就业者都是从近郊流向城市中心;而近郊的制造基地和新城的一部分长距离通勤者多来自于更远的郊区。其中,大型制造基地的职工通勤距离在这几类中最远,原因或在于该制造基地的产业功能远大于居住功能,本地能提供的居住空间体量和居住品质都有限。
从职工来源的空间分布图来看这种差异更为直观(图 20)。商务办公集中区所辐射的通勤者范围较广,来自四面八方,但东、西、西南向尤为突出。北京的科技研究区本身集中于中心城区东北角,所以其职工以来自北面的为主导,且通勤距离相对较远,此外也有来自房山乃至通州等地。对于两大制造基地,南部的亦庄规模更大,吸引了西北方向部分来自中心区的通勤,而北边顺义的职工基本来自周边郊区。对于新城综合就业区,其职工一大部分来自新城内部,还有一部分来自更靠外围的郊区地带。
对此进行抽象提炼,结合北京的城市空间功能板块,刻画出对应的空间模式图,以相对简单明了的形式总结上述各就业类型区的区位特征及职工来源分布特征(图 21)。
本文首先筛选出北京市稳定通勤人口,继而从职住分布、通勤流向、距离时耗等方面对北京市的现状通勤特征进行了较为全面、细致的剖析,主要发现包括:①北京的高密度居住区以环带状呈现,而就业分布极化特征更明显,形成三大就业主中心及若干次中心;②主要通勤OD交织出了“昌平—中关村”、“通州—CBD”这两条长距离、大流量的通勤带,而郊区新城则形成若干区内通勤节点;③昌平、大兴、亦庄等近郊新城与中心城区通勤联系紧密,但均偏向于居住职能或产业职能一侧,即便是定位为城市副中心的通州新城,目前仍未实现较好的职住平衡状态;④通勤距离与时耗大体上呈现由内向外递增趋势,但两者的变化并不同步,西五环内及北五环以北的居民单位通勤距离耗时更多,表明其面临着更严峻的通勤交通状况。在全市整体层面的分析之外,本文亦通过提取具有北京特色的五种典型居住类型区与四种就业类型区,从基础指标与通勤空间分布方面切入,在对比中展现了不同职住类型区中居民(职工)的通勤空间模式差异。
总体而言,从研究内容来看,本研究借助手机信令数据这一大数据源从多维度深化了对北京市域层面通勤分布特征的认知。既往对于北京整体通勤状况的分析多见于交通出行调查报告,关注点往往在于全体通勤耗时、距离、交通方式占比等宏观指标的测度,涉及空间的部分也仅停留于居住/就业的密度分布,对于更细致的空间片区之间、乃至网格单元之间通勤特征差异性的探究极少,而这正是本研究基于手机信令数据形成的新贡献所在。从研究结论来看,通过职住空间分布的差异以及通勤OD分析,佐证了已有研究指出的北京职住空间严重失衡与通勤难的问题,并且更进一步,呈现了两大方面的主要原因:一方面,识别出了全市范围内主要的长距离通勤带,这种通勤带的起点地区往往就业欠缺,而终点居住紧张,因此可以通过针对性地平衡其中的职住功能布局来减少远距离通勤需求;另一方面,通过比较各地居民单位距离的通勤耗时,反映出北五环及西五环附近区域的通勤交通尤为困难,例如北边回龙观的居民到中关村等地即便距离并不算远,但因交通受限、人流集中也会导致通勤耗时激增,因此需要重点从这类地区的道路系统优化、交通条件升级与高峰通勤分流等方面进行改善,从而提升通勤效率与体验。
本研究的局限性则在于重点内容更多落在描述层面,对通勤特征背后的原因虽然有一定探讨,但仍然较为初步,部分推测性的分析尚缺少足够的论证支撑。对此,笔者后续将通过通勤模型的构建探究北京通勤分布的影响因素,以定量化的手段进行背后的成因剖析。此外,当前的通勤特征分析仍是一种静态分析,尚未对早晚通勤出行随时间的动态空间变化展开更细致的研究,这也是有待进一步完善的内容。
[1] |
钮心毅, 丁亮, 宋小冬. 基于手机数据识别上海中心城的城市空间结构[J]. 城市规划学刊, 2014(6): 61-67. [Niu Xinyi, Ding Liang, Song Xiaodong. Understanding urban spatial structure of Shanghai central city based on mobile phone data[J]. Urban Planning Forum, 2014(6): 61-67.] |
[2] |
王德, 钟炜菁, 谢栋灿, 等. 手机信令数据在城市建成环境评价中的应用——以上海市宝山区为例[J]. 城市规划学刊, 2015(5): 82-90. [Wang De, Zhong Weijing, Xie Dongcan, et al. The application of cell phone signaling data in the assessment of urban built environment: A case study of Baoshan district in Shanghai[J]. Urban Planning Forum, 2015(5): 82-90.] |
[3] |
王德, 王灿, 谢栋灿, 等. 基于手机信令数据的上海市不同等级商业中心商圈的比较——以南京东路、五角场、鞍山路为例[J]. 城市规划学刊, 2015(3): 50-60. [Wang De, Wang Can, Xie Dongcan, et al. Comparison of retail trade areas of retail centers with different hierarchical levels: A case study of East Nanjing Road, Wujiaochang, Anshan Road in Shanghai[J]. Urban Planning Forum, 2015(3): 50-60.] |
[4] |
Caceres N, Wideberg J P, Benitez F G. Deriving origin-destination data from a mobile phone network[J]. IET Intelligent Transport Systems, 2007, 1(1): 15-26. DOI:10.1049/iet-its:20060020 |
[5] |
Csáji B C, Browet A, Traag V A, et al. Exploring the mobility of mobile phone users[J]. Physica A: Statistical Mechanics and its Applications, 2012, 392(6): 1459-1473. |
[6] |
Ahas R, Silm S, Järv O, et al. Using mobile positioning data to model locations meaningful to users of mobile phones[J]. Journal of Urban Technology, 2010, 17(1): 3-27. DOI:10.1080/10630731003597306 |
[7] |
宋小冬, 王园园, 张开翼, 等. 考虑通勤距离的职住分离测度方法[J]. 城市规划学刊, 2017(6): 25-32. [Song Xiaodong, Wang Yuanyuan, Zhang Kaiyi, et al. Measurement of jobs-housing separation based on commuting distance[J]. Urban Planning Forum, 2017(6): 25-32.] |
[8] |
Zhou X, Yeh A G O, Yue Y. Spatial variation of self-containment and jobs-housing balance in Shenzhen using cellphone big data[J]. Journal of Transport Geography, 2018, 68: 102-108. DOI:10.1016/j.jtrangeo.2017.12.006 |
[9] |
Ahas R, Aasa A, Silm S, et al. Daily rhythms of suburban commuters' movements in the Tallinn metropolitan area: Case study with mobile positioning data[J]. Transportation Research Part C: Emerging Technologies, 2010, 18(1): 45-54. DOI:10.1016/j.trc.2009.04.011 |
[10] |
Louail T, Lenormand M, Ros O G C, et al. From mobile phone data to the spatial structure of cities[J]. Scientific Reports, 2014, 4(1): 1-12. |
[11] |
钮心毅, 丁亮, 宋小冬. 基于职住空间关系分析上海郊区新城发展状况[J]. 城市规划, 2017, 41(8): 47-53. [Niu Xinyi, Ding Liang, Song Xiaodong. Analyzing suburban new town development in Shanghai from the perspective of jobs-housing spatial relationship[J]. City Planning Review, 2017, 41(8): 47-53.] |
[12] |
钮心毅, 丁亮. 利用手机数据分析上海市域的职住空间关系——若干结论和讨论[J]. 上海城市规划, 2015(2): 39-43. [Niu Xinyi, Ding Liang. Analyzing job-housing spatial relationship in Shanghai using mobile phone data: Some conclusions and discussions[J]. Shanghai Urban Planning Review, 2015(2): 39-43.] |
[13] |
张天然. 基于手机信令数据的上海市域职住空间分析[J]. 城市交通, 2016, 14(1): 15-23. [Zhang Tianran. Job-housing spatial distribution analysis in Shanghai metropolitan area based on cellular signaling data[J]. Urban Transport of China, 2016, 14(1): 15-23.] |
[14] |
邹戴晓, 过秀成, 樊钧, 等. 基于手机信令数据的苏州市域职住空间和通勤出行分析[J]. 现代城市研究, 2018(12): 16-21. [Zou Daixiao, Guo Xiucheng, Fan Jun, et al. Analysis of living space distribution and commute patterns in Suzhou based on cellular signaling data[J]. Modern Urban Research, 2018(12): 16-21.] |
[15] |
杨朗, 周丽娜, 张晓明. 基于手机信令数据的广州市职住空间特征及其发展模式探究[J]. 城市观察, 2019(3): 87-96. [Yang Lang, Zhou Lina, Zhang Xiaoming. Research and evaluation of jobshousing space characteristics based on mobile phone signaling data: A case study of Guangzhou[J]. Urban Insight, 2019(3): 87-96.] |
[16] |
梁海艳, 孟斌, 李灿松. 大城市职住分离的区域测度方法探究——以北京市为例[J]. 人口学刊, 2014, 36(4): 16-25. [Liang Haiyan, Meng Bin, Li Cansong. Research on metropolitan's job-housing separation region measurement method: Taking Beijing as an example[J]. Population Journal, 2014, 36(4): 16-25.] |
[17] |
徐涛, 宋金平, 方琳娜, 等. 北京居住与就业的空间错位研究[J]. 地理科学, 2009, 29(2): 174-180. [Xu Tao, Song Jinping, Fang Linna, et al. Spatial mismatch between housing and employment in Beijing[J]. Scientia Geographica Sinica, 2009, 29(2): 174-180.] |
[18] |
柴彦威, 张艳, 刘志林. 职住分离的空间差异性及其影响因素研究[J]. 地理学报, 2011, 66(2): 157-166. [Chai Yanwei, Zhang Yan, Liu Zhilin. Spatial differences of home-work separation and the impacts of housing policy and urban sprawl: Evidence from household survey data in Beijing[J]. Acta Geographica Sinica, 2011, 66(2): 157-166.] |
[19] |
党云晓, 董冠鹏, 余建辉, 等. 北京土地利用混合度对居民职住分离的影响[J]. 地理学报, 2015, 70(6): 919-930. [Dang Yunxiao, Dong Guanpeng, Yu Jianhui, et al. Impact of land-use mixed degree on resident's home-work separation in Beijing[J]. Acta Geographica Sinica, 2015, 70(6): 919-930.] |
[20] |
刘霄泉, 孙铁山, 李国平. 北京市就业密度分布的空间特征[J]. 地理研究, 2011, 30(7): 1262-1270. [Liu Xiaoquan, Sun Tieshan, Li Guoping. Research on the spatial structure of employment distribution in Beijing[J]. Geographical Research, 2011, 30(7): 1262-1270.] |
[21] |
陈蕾, 孟晓晨. 北京市居住-就业空间结构及影响因素分析[J]. 地理科学进展, 2011, 30(10): 1210-1217. [Chen Lei, Meng Xiaochen. A study on the job-housing spatial balance of Beijing[J]. Progress in Geography, 2011, 30(10): 1210-1217.] |
[22] |
孙铁山, 王兰兰, 李国平. 北京都市区人口-就业分布与空间结构演化[J]. 地理学报, 2012, 67(6): 829-840. [Sun Tieshan, Wang Lanlan, Li Guoping. Distributions of population and employment and evolution of spatial structures in the Beijing metropolitan area[J]. Acta Geographica Sinica, 2012, 67(6): 829-840.] |
[23] |
李强, 李晓林. 北京市近郊大型居住区居民上班出行特征分析[J]. 城市问题, 2007(7): 55-59. [Li Qiang, Li Xiaolin. The characteristics of resident's working-trip in inner-suburb of Beijing[J]. Urban Problems, 2007(7): 55-59.] |
[24] |
孟斌, 于慧丽, 郑丽敏. 北京大型居住区居民通勤行为对比研究——以望京居住区和天通苑居住区为例[J]. 地理研究, 2012, 31(11): 2069-2079. [Meng Bin, Yu Huili, Zheng Limin. The analysis of commuting behavior in the huge residential districts: A case study of Wangjing and Tiantongyuan in Beijing[J]. Geographical Research, 2012, 31(11): 2069-2079.] |
[25] |
郑承智, 张旺锋, 武炳炎, 等. 北京市外来人口集聚型城中村流动人口职住分离研究[J]. 地理科学进展, 2017, 36(4): 416-425. [Zheng Chengzhi, Zhang Wangfeng, Wu Bingyan, et al. Job-housing mismatch of floating population in urban villages of Beijing[J]. Progress in Geography, 2017, 36(4): 416-425.] |
[26] |
张艳, 柴彦威. 基于居住区比较的北京城市通勤研究[J]. 地理研究, 2009, 28(5): 1327-1340. [Zhang Yan, Chai Yanwei. Characteristics of commuting pattern in Beijing: Based on the comparison of different urban residential areas[J]. Geographical Research, 2009, 28(5): 1327-1340.] |
[27] |
余建辉, 董冠鹏, 张文忠, 等. 北京市居民居住-就业选择的协同性研究[J]. 地理学报, 2014, 69(2): 147-155. [Yu Jianhui, Dong Guanpeng, Zhang Wenzhong, et al. The correlated decision process of house moving and job change and its heterogeneity: A case study of Beijing[J]. Acta Geographica Sinica, 2014, 69(2): 147-155.] |
[28] |
刘志林, 张艳, 柴彦威. 中国大城市职住分离现象及其特征——以北京市为例[J]. 城市发展研究, 2009, 16(9): 110-117. [Liu Zhilin, Zhang Yan, Chai Yanwei. Home-work separation in the context of institutional and spatial transformation in urban China: Evidence from Beijing household survey data[J]. Urban Studies, 2009, 16(9): 110-117.] |
[29] |
文婧, 王星, 连欣. 北京市居民通勤特征研究——基于千余份问卷调查的分析[J]. 人文地理, 2012, 27(5): 62-68. [Wen Jing, Wang Xing, Lian Xin. A study on commuting characteristics in Beijing: Based on over 1000 questionnaires[J]. Human Geography, 2012, 27(5): 62-68.] |
[30] |
刘志林, 王茂军. 北京市职住空间错位对居民通勤行为的影响分析——基于就业可达性与通勤时间的讨论[J]. 地理学报, 2011, 66(4): 457-467. [Liu Zhilin, Wang Maojun. Job accessibility and its impacts on commuting time of urban residents in Beijing: From a spatial mismatch perspective[J]. Acta Geographica Sinica, 2011, 66(4): 457-467.] |
[31] |
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.] |
[32] |
申犁帆, 张纯, 李赫, 等. 城市轨道交通通勤与职住平衡状况的关系研究——基于大数据方法的北京实证分析[J]. 地理科学进展, 2019, 38(06): 791-806. [Shen Lifan, Zhang Chun, Li He, et al. Relationship between urban rail transit commuting and jobs-housing balance: An empirical analysis from Beijing based on big data methods[J]. Progress in Geography, 2019, 38(6): 791-806.] |