吳靜嫻 胡 榮 趙 靖 楊 敏

(上海理工大學(xué)管理學(xué)院1) 上海 200093) (東南大學(xué)交通學(xué)院2) 南京 210096)

0 引 言

在城市化進(jìn)程中，特大城市進(jìn)行大規(guī)模的新區(qū)建設(shè)和老城改造，遠(yuǎn)城區(qū)因產(chǎn)業(yè)化滯后、功能用地單一導(dǎo)致新遷居民的通勤距離普遍較長，加之外圍新區(qū)公共交通系統(tǒng)基礎(chǔ)設(shè)施配建和服務(wù)供給相對不足，居民出行交通結(jié)構(gòu)日趨機(jī)動化[1].以北京、上海、廣州、南京為代表的中國特大城市，城市空間擴(kuò)張和空間結(jié)構(gòu)演變最為突出，小汽車出行比例增長迅速，城市內(nèi)部頻頻出現(xiàn)潮汐性通勤流、高峰時段交通擁堵、尾氣排放、環(huán)境污染等問題[2].2015年，南京新區(qū)仙林副城、江北副城和東山副城居民出行機(jī)動化顯著，出行比例為33%，25.6%和32.1%，明顯高于主城區(qū)(17%).

針對城鎮(zhèn)化背景下城市遷居通勤機(jī)動化問題，國內(nèi)外學(xué)者試圖以微觀城市規(guī)劃和交通規(guī)劃政策調(diào)控和引導(dǎo)個體出行.Timmermans等[3]研究發(fā)現(xiàn)，社區(qū)就業(yè)崗位數(shù)、商場休閑娛樂場所數(shù)量以及其他服務(wù)設(shè)施的配建對個體出行方式選擇有影響.Cervero等[4]對比傳統(tǒng)社區(qū)和郊區(qū)社區(qū)出行特征，發(fā)現(xiàn)高密度、混合型用地、高可達(dá)性的街區(qū)更利于居民非機(jī)動出行.在新遷社區(qū)配建自行車道、人行道和自行車停車場等非機(jī)動基礎(chǔ)設(shè)施，利于個體居民的步行和自行車出行[5].與此同時，Winters等[6]表示社區(qū)主干道可達(dá)性越高，人們對于汽車出行的需求就越大.其他研究則關(guān)注于社區(qū)公交服務(wù)密度和質(zhì)量對個體出行方式選擇的影響.Aditjandra等[7]發(fā)現(xiàn)充沛的公交基礎(chǔ)設(shè)施供給、高可達(dá)性的公交服務(wù)更利于引導(dǎo)社區(qū)居民的公交通勤.因缺乏城市土地利用數(shù)據(jù)，吳靜嫻等[8]基于回憶式問卷調(diào)查數(shù)據(jù)，分析主觀感知的建成環(huán)境變化與遷居個體出行方式轉(zhuǎn)移之間的相關(guān)性，發(fā)現(xiàn)社區(qū)軌道及公交服務(wù)可達(dá)性提升對遷居個體軌道通勤有積極的導(dǎo)向作用.

綜觀上述研究，數(shù)據(jù)來源整體較為單一，以居民出行調(diào)查數(shù)據(jù)或?qū)ｍ?xiàng)遷居個體通勤調(diào)查數(shù)據(jù)為主，通過橫向?qū)Ρ群暧^層面不同區(qū)域?qū)泳用裢ㄇ诔鲂刑卣鞑町?，或以個體主觀建成環(huán)境數(shù)據(jù)替代社區(qū)微觀土地利用數(shù)據(jù)，解釋遷居通勤者出行機(jī)動化的原因.文中將彌補(bǔ)以往研究數(shù)據(jù)上的不足，以南京為例，融合實(shí)際問卷調(diào)查和多源網(wǎng)絡(luò)爬蟲技術(shù)，建立遷居人群通勤出行的多源數(shù)據(jù)庫，利用Probit模型分析建成環(huán)境與遷居個體通勤方式選擇微觀層面的相關(guān)性，解釋遷居人群通勤機(jī)動化的內(nèi)在原因.

1 多源數(shù)據(jù)匹配與指標(biāo)測度

1.1 數(shù)據(jù)源與網(wǎng)絡(luò)數(shù)據(jù)爬取

數(shù)據(jù)源包括遷居人群通勤出行調(diào)查數(shù)據(jù)、基于百度地圖API的網(wǎng)絡(luò)數(shù)據(jù)和第三方城市數(shù)據(jù)團(tuán)數(shù)據(jù).兩類網(wǎng)絡(luò)爬蟲數(shù)據(jù)以問卷調(diào)查數(shù)據(jù)為基礎(chǔ)，通過問卷職住地址信息對應(yīng)的經(jīng)緯度，銜接兩類網(wǎng)絡(luò)數(shù)據(jù)，構(gòu)建以個體微觀視角的遷居人群通勤出行行為數(shù)據(jù)庫.遷居個體通勤出行調(diào)查主要獲取城市遷居通勤人群個人家庭屬性、遷居住宅屬性、通勤出行特征信息；根據(jù)問卷中個體提供的職住地址信息，用R語言編寫函數(shù)通過百度地圖API接口訪問地圖開放平臺，獲取與城市遷居個體職住地址匹配的路網(wǎng)通勤距離、通勤時間和城市建成環(huán)境相關(guān)的POI數(shù)據(jù)(point of interest)；城市數(shù)據(jù)團(tuán)主要負(fù)責(zé)提供城市道路網(wǎng)數(shù)據(jù)，通過地址信息匹配，獲取緩沖區(qū)內(nèi)與道路網(wǎng)相關(guān)的建成環(huán)境指標(biāo)數(shù)據(jù).

其中，建成環(huán)境指標(biāo)相關(guān)的百度地圖POI數(shù)據(jù)主要包括居民樓、公司企業(yè)、購物、餐廳、休閑娛樂、公交車站點(diǎn)、附近站點(diǎn)對應(yīng)公交線路數(shù)等信息.百度地圖提供多種POI抓取方法，行政區(qū)劃區(qū)域檢索、周邊檢索、矩形區(qū)域檢索、和地點(diǎn)詳情檢索.本文采用API周邊檢索法，依據(jù)緩沖區(qū)半徑、地址經(jīng)緯度、搜索地點(diǎn)類型關(guān)鍵詞，調(diào)用訪問路徑分類抓取目標(biāo)地點(diǎn)緩沖區(qū)范圍內(nèi)的POI數(shù)量.此外，借助城市團(tuán)數(shù)據(jù)平臺存儲的城市路網(wǎng)數(shù)據(jù)，根據(jù)既定的緩沖區(qū)半徑確定目標(biāo)地點(diǎn)周邊的路網(wǎng)相關(guān)數(shù)據(jù).具體數(shù)據(jù)來源與數(shù)據(jù)獲取類型見圖1.

圖1 遷居人群通勤出行數(shù)據(jù)源與數(shù)據(jù)類型

1.2 建成環(huán)境指標(biāo)測度

遷居常伴隨居住社區(qū)建成環(huán)境的變化，建成環(huán)境是對城市街區(qū)物理特性的描述，是影響個體出行決策的重要因素.與城市交通關(guān)聯(lián)的建成環(huán)境指標(biāo)主要包括密度(density)、多樣性(diversity)、街區(qū)設(shè)計(design)、公共交通可達(dá)性(distance to public transport)、目的地可達(dá)性(destination accessibility)和至中心區(qū)鄰近度(distance to city center)六個維度.不同于以往建成環(huán)境指標(biāo)數(shù)據(jù)，本研究采用是百度地圖POI數(shù)據(jù)和城市數(shù)據(jù)團(tuán)數(shù)據(jù)，要構(gòu)建以上6類建成環(huán)境指標(biāo)需對相關(guān)數(shù)據(jù)進(jìn)行處理與指標(biāo)測度計量，具體如下.

1) 密度 居住密度、人口密度以及崗位密度指標(biāo)是影響個體出行的重要密度指標(biāo).研究根據(jù)百度地圖爬取的住房、公司企業(yè)、政府、金融機(jī)構(gòu)等類型POI數(shù)據(jù)，估算遷居個體所給地址確定半徑(常用半徑1 km)緩沖區(qū)域的單位面積住宅數(shù)量、POI總數(shù)和崗位密度.

2) 土地利用多樣性 主要指標(biāo)有土地利用混合熵、商業(yè)用地強(qiáng)度和職住比.通過統(tǒng)計修正的緩沖區(qū)各類POI值得出該三類指標(biāo)值.其中，借鑒Ding等選用1 km的圓形緩沖區(qū)計算居住用地、商業(yè)用地、辦公用地三種用地對應(yīng)的混合熵來計算土地利用混合熵[10].在樣本采集中，部分受訪者所在居住區(qū)域或工作就業(yè)區(qū)域的用地開發(fā)相對滯后導(dǎo)致出現(xiàn)抓取后的POI點(diǎn)數(shù)過少現(xiàn)象.因此，本文對相關(guān)POI統(tǒng)計值進(jìn)行人為修正，減少由此導(dǎo)致的混合熵計算偏差.具體修正為

(1)

式中：Pi為第i類POI的數(shù)量占POI總數(shù)的比例；n為POI的類型數(shù).混合用地熵指數(shù)取值范圍為0(用地單一，某類用地占主要部分，其他類用地面積比例較少)到1(用地混合復(fù)雜，且各類用地面積相當(dāng))，取值越高表示混合度越高.居住區(qū)商業(yè)用地強(qiáng)度由緩沖區(qū)單位面積商業(yè)POI數(shù)計量，職住比指標(biāo)則由緩沖區(qū)住就業(yè)崗位和住宅的POI統(tǒng)計值計算.

3) 設(shè)計 以緩沖區(qū)單位面積交叉口數(shù)衡量街道路網(wǎng)的連通性，結(jié)合城市團(tuán)數(shù)據(jù)統(tǒng)計半徑為500 m的街區(qū)交叉口數(shù)量[9].

4) 可達(dá)性 可達(dá)性主要描述公共交通服務(wù)的可用性與便捷性，城市常見公交服務(wù)主體有常規(guī)公交和軌道交通兩種.城市常規(guī)公交接入方式以步行為主，建議緩沖區(qū)半徑取值為500 m，而軌道接入方式種類相對較多，如共享單車與步行，可根據(jù)目標(biāo)城市具體接入模式確定.

5) 目的地可達(dá)性 鑒于研究目標(biāo)出行類型為通勤出行，研究以職住崗位是否隸屬于同個行政區(qū)和基于百度地圖爬取的最短職住通勤距離來描述目的地就業(yè)點(diǎn)可達(dá)性.

6) 中心區(qū)鄰近度 中心區(qū)鄰近度以居住區(qū)位、就業(yè)地區(qū)位,以及基于百度地圖計算的居住區(qū)至CBD距離指標(biāo)來衡量.就業(yè)地區(qū)位和居住區(qū)位根據(jù)問卷中地址信息定性判定，中心區(qū)鄰近程度利用百度地圖API計算居住點(diǎn)至CBD距離來量化.

2 實(shí)證案例研究

以南京為例，調(diào)查覆蓋中心城區(qū)、仙林副城、東山副城、河西新城4個區(qū)域.調(diào)查于2017年3—5月份展開，社區(qū)選定綜合考慮地理位置、地鐵可達(dá)性、遷入率以及住房類型等差異，調(diào)查地點(diǎn)定于被選社區(qū)周邊大型休閑場所，具體分布見圖2.經(jīng)調(diào)查與問卷回收檢驗(yàn)，共獲有效樣本2 241份，調(diào)查樣本信息，見表1.

圖2 調(diào)查點(diǎn)分布

表1 樣本基礎(chǔ)信息統(tǒng)計(N=2 241)

根據(jù)受訪者提供的職住地址信息，抓取百度地圖公開的南京城市建成環(huán)境相關(guān)類別的興趣點(diǎn)數(shù)據(jù)和城市數(shù)據(jù)圖中的路網(wǎng)數(shù)據(jù).基于遷居問卷數(shù)據(jù)和匹配多源網(wǎng)絡(luò)數(shù)據(jù)，建立南京城市遷居人群通勤出行基礎(chǔ)數(shù)據(jù)庫.建成指標(biāo)測算則根據(jù)文獻(xiàn)[9]推薦的建成環(huán)境緩沖區(qū)半徑，采用以1 km為半徑的圓形緩沖區(qū)域?yàn)閰^(qū)域測度，統(tǒng)計南京遷居人群居住社區(qū)建成環(huán)境指標(biāo).同時，鑒于南京常規(guī)公交出行以步行接入為主，相關(guān)公交建成環(huán)境指標(biāo)建議采用500 m(步行可達(dá)范圍)為緩沖區(qū)半徑，而軌道出行多以共享單車和步行接入為主，則軌道相關(guān)建成環(huán)境指標(biāo)采用1 km服務(wù)半徑計算.表2為基于多源網(wǎng)絡(luò)平臺數(shù)據(jù)的建成環(huán)境統(tǒng)計情況.

表2 建成環(huán)境指標(biāo)統(tǒng)計(N=2 241)

3 模型建立和結(jié)果分析

3.1 多項(xiàng)Probit模型

多項(xiàng)Probit模型是基于效用最大化理論的常見離散選擇回歸模型之一，模型假定效用函數(shù)的隨機(jī)誤差項(xiàng)服從正態(tài)分布.結(jié)合Probit回歸模型效用理論和當(dāng)前遷居人群主要通勤方式，確定慢行交通-ACT、公共交通-PT和小汽車-CAR三項(xiàng)選擇肢，構(gòu)建遷居人群遷居后的通勤方式選擇模型的效用函數(shù)：

(2)

式中：Uj和Vj(j=ACT，PT，CAR)分別為遷居后改用慢行交通(步行、自行車與電動車三類出行)、公共交通和小汽車通勤的效用函數(shù)和可觀測效用變量；εj為效用函數(shù)中的不可觀測誤差項(xiàng)；βj為估計的變量參數(shù);∑disc為3×3式的方差-協(xié)方差矩陣.誤差項(xiàng)服從均值為0，∑disc方差為多元正態(tài)分布，函數(shù)視遷居后慢行出行通勤群體為參照，對另外兩類使用公交和小汽車通勤的群體進(jìn)行多項(xiàng)Probit回歸.

3.2 基于Probit的遷居通勤方式選擇分析

利用R語言構(gòu)建建成環(huán)境與遷居個體通勤方式選擇的多項(xiàng)Probit模型，以最大似然估計法標(biāo)定建成環(huán)境指標(biāo)變量參數(shù).模型以非機(jī)動出行方式(ACT-步行、自行車和電動車)選擇肢為參照，分別對遷居人群當(dāng)前出行方式(PT-公共交通，CAR-小汽車)進(jìn)行回歸，模型回歸后獲得的最大似然估計值為-697.497 2，R2為0.15，模型整體效果較好，模型回歸結(jié)果見表3.表3中與遷居通勤者出行方式選擇顯著相關(guān)的因素有土地用地混合熵、商業(yè)用地強(qiáng)度、職住比、交叉口數(shù)、公交站點(diǎn)數(shù)、軌道站點(diǎn)數(shù)、職住同區(qū)、居住區(qū)位、工作區(qū)位、職住通勤距離和通勤時耗.

表3 建成環(huán)境-通勤方式Probit回歸結(jié)果

其中，居住區(qū)周邊用地混合熵、商業(yè)用地強(qiáng)度、職住同區(qū)位、居住中心區(qū)位與遷居者的機(jī)動化通勤顯著負(fù)相關(guān).當(dāng)社區(qū)居民所在地1 km范圍內(nèi)的用地混合度和商業(yè)開發(fā)強(qiáng)度較高時，個體遷居者更傾向于使用非機(jī)動方式通勤，即高混合度和高強(qiáng)度商業(yè)開發(fā)區(qū)域利于社區(qū)居民就近擇業(yè)，適用于短途非機(jī)動通勤.職住隸屬同個行政區(qū)的居民通勤距離相對較短，其采用非機(jī)動通勤的概率更高.居住于中心區(qū)的個體遷居者采用非機(jī)動通勤的概率更高，中心區(qū)土地用地更為緊湊、多元化，其就業(yè)資源和機(jī)會就更多，區(qū)內(nèi)基本就能滿足個體活動的需求，因此短途非機(jī)動出行比例更高.

居住區(qū)周邊500 m范圍內(nèi)交叉口數(shù)與個體遷居者的小汽車通勤顯著正相關(guān)，表示社區(qū)周邊完備的道路基礎(chǔ)設(shè)施對遷居個體的小汽車使用有促進(jìn)作用.通勤時耗和職住通勤距離對兩種機(jī)動化出行有顯著正效應(yīng)，中長距離、長時間通勤更適于機(jī)動化出行.工作地點(diǎn)區(qū)位、軌道站點(diǎn)數(shù)對遷居個體是否采用公交出行具有一定正效應(yīng)，即工作點(diǎn)位于城市中心的人群和居住區(qū)域周邊有軌道服務(wù)的遷居者其使用公共交通出行的概率更高，中心區(qū)公交服務(wù)覆蓋率和可達(dá)性相對較高，更利于個體公交通勤.

另居住區(qū)公交站點(diǎn)和軌道站點(diǎn)對個體小汽車通勤顯著正相關(guān)，可解釋為：①在新一線城市，軌道沿線房源升值空間大也備受歡迎，因此，小汽車通勤群體購買該房源居住的概率也很高；②多數(shù)小汽車遷居通勤者對“P+R”模式(軌道交通+小汽車)持較積極的態(tài)度；③便捷的地鐵或公交服務(wù)可便于小汽車通勤者家庭成員的日常出行.

4 結(jié) 束 語

文中針對城鎮(zhèn)化背景下城市遷居通勤者出行機(jī)動化問題，突破以往宏觀遷居出行研究慣例以及土地用地數(shù)據(jù)限制，以南京為例，融合遷居個體通勤出行問卷調(diào)查、百度地圖API和第三方城市團(tuán)網(wǎng)絡(luò)爬蟲數(shù)據(jù)平臺，構(gòu)建基于多源數(shù)據(jù)融合的南京遷居通勤人群出行數(shù)據(jù)庫.針對遷居人群高比例的機(jī)動化出行，構(gòu)建遷居人群體通勤方式選擇的Probit模型，從微觀層面探究遷居后個體居住社區(qū)的外部建成環(huán)境與個體通勤方式選擇之間的相關(guān)性.模型結(jié)果顯示，遷居后住宅周邊用地混合熵、商業(yè)用地強(qiáng)度、職住同區(qū)位、居住中心區(qū)位對遷居者的機(jī)動化通勤具有顯著負(fù)效應(yīng)；社區(qū)周邊交叉口數(shù)量、職住通勤距離、通勤時間、軌道站點(diǎn)數(shù)、公交站點(diǎn)數(shù)與個體遷居者的小汽車通勤顯著正相關(guān).