留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

出租车出行的空间不平等及其与人口结构的关联

季航宇 蔡忠亮 姜莉莉 李桂娥 李伯钊

季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊. 出租车出行的空间不平等及其与人口结构的关联[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
引用本文: 季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊. 出租车出行的空间不平等及其与人口结构的关联[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
JI Hangyu, CAI Zhongliang, JIANG Lili, LI Guie, LI Bozhao. Analysis of Spatial Inequality in Taxi Ride and Its Relationship with Population Structure[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
Citation: JI Hangyu, CAI Zhongliang, JIANG Lili, LI Guie, LI Bozhao. Analysis of Spatial Inequality in Taxi Ride and Its Relationship with Population Structure[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327

出租车出行的空间不平等及其与人口结构的关联

doi: 10.13203/j.whugis20190327
基金项目: 

国家重点研发计划 2017YFB0503500

详细信息

Analysis of Spatial Inequality in Taxi Ride and Its Relationship with Population Structure

Funds: 

The National Key Research and Development Program of China 2017YFB0503500

More Information
    Author Bio:

    JI Hangyu, postgraduate, specializes in geographic transportation big data.E-mail: 2014301110136@whu.edu.cn

    Corresponding author: CAI Zhongliang, PhD, professor. E-mail: zlcai@whu.edu.cn
  • 摘要: 出租车出行是表征空间不平等的重要指标,分析其特征对于城市规划、交通管理、智慧城市建设等具有重要意义。利用中国上海市出租车出行的车流数据与人口普查数据,对研究区域进行空间多尺度划分,运用Hadoop大数据处理、社会网络分析、地理加权回归等方法,探究中国上海市出租车出行的空间不平等状况及其与人口结构的关联性。结果表明:上海市存在出租车出行的空间不平等现象,在中心城区以及城市副中心区域,出租车出行便利性高于其他地区且平均出行距离小于其他地区;不同类型人口在出行能力上有差异,出行弱势人群(儿童、老人、外来人口、农业人口等)比例高的区域具有更低的出行便利性与更长的出行距离,这一相关性随空间位置与空间尺度的变化而发生变化。
  • 图  1  人口结构变量与空间不平等变量的提取与相关性分析流程

    Figure  1.  Extraction and Correlation Analysis Process of Population Structure and Spatial Inequality Variables

    图  2  各个空间尺度下上海市出租车出行的相对度数中心度分布

    Figure  2.  Distribution of Degree Centrality of Taxi Ride in Shanghai at Various Spatial Scales

    图  3  各个空间尺度下上海市出租车出行平均距离的空间分布

    Figure  3.  Distribution of Average Distance Traveled by Taxi in Shanghai at Various Spatial Scales

    图  4  5 km×5 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

    Figure  4.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 5 km×5 km Grid Scale

    图  5  4 km×4 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

    Figure  5.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 4 km×4 km Grid Scale

    图  6  3 km×3 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

    Figure  6.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 3 km×3 km Grid Scale

    图  7  街道尺度下上海市出租车出行便利性与人口结构的空间关联性

    Figure  7.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at Street Scale

    图  8  社区尺度下上海市出租车出行便利性与人口结构的空间关联性

    Figure  8.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at Neighborhood Committee Scale

    图  9  各个空间尺度下上海市出租车平均出行距离与人口结构的空间关联性

    Figure  9.  Spatial Correlation Between Average Taxi Ride Distance and Demographic Conditions at Various Spatial Scales in Shanghai

    表  1  5 km×5 km格网尺度人口结构变量描述性统计

    Table  1.   Descriptive Statistics of Population Structure Variables at 5 km×5 km Grid Scale

    人口结构变量 最小值 最大值 均值 标准差
    男性比例 0.476 0.857 0.518 0.043
    女性比例 0.143 0.524 0.482 0.043
    儿童比例 0.014 0.115 0.054 0.013
    少年比例 0.015 0.123 0.070 0.018
    青年比例 0.282 0.756 0.435 0.070
    中年比例 0.109 0.508 0.359 0.055
    老年比例 0.015 0.171 0.083 0.030
    汉族比例 0.928 1 0.991 0.007
    少数民族比例 0 0.073 0.009 0.007
    本地户籍比例 0.015 0.950 0.626 0.169
    非本地户籍比例 0.050 0.986 0.373 0.169
    农业户籍比例 0 0.143 0.034 0.021
    非农业户籍比例 0.857 1 0.966 0.021
    下载: 导出CSV

    表  2  3 km×3 km格网尺度下度数中心度的描述性统计

    Table  2.   Descriptive Statistics of Degree Centrality at 3 km×3 km Grid Scale

    度数中心度 极小值 极大值 均值 标准差
    OutDegree 0 321 693 14 467.790 40 083.868
    InDegree 0 288 401 14 416.620 37 554.424
    NrmOutDeg 0 1.719 0.077 0.214
    NrmInDeg 0 1.541 0.077 0.201
    NrmDeg 0 1.630 0.077 0.207
    下载: 导出CSV

    表  3  人口结构变量与相对度数中心度之间的回归系数统计

    Table  3.   Statistics of Regression Coefficient Between Demographic Variables and Normalized Degree Centrality

    人口结构变量 空间尺度
    5 km×5 km格网 4 km×4 km格网 3 km×3 km格网 街道 社区
    儿童比例(P1) -0.195** -0.182** -0.172*** -0.152* -0.131***
    少年比例(P2) -0.185** -0.158** -0.120** -0.164* -0.083***
    青年比例(P3) -0.181** -0.179** -0.198*** -0.285*** 0.044**
    中年比例(P4) 0.141** 0.141* 0.156** 0.250***
    老年比例(P5) 0.351*** 0.340*** 0.340*** 0.409***
    本地户籍比例(P6) 0.139** 0.310*** -0.030*
    非本地户籍比例(P7) -0.139** -0.310*** 0.030*
    农业户籍比例(P8) -0.293*** -0.247*** -0.278*** -0.489*** -0.208***
    非农业户籍比例(P9) 0.293*** 0.247*** 0.278*** 0.489*** 0.208***
    注:*p < 0.05,**p < 0.01,***p < 0.001
    下载: 导出CSV

    表  4  人口结构变量与出租车平均出行距离之间的回归系数统计

    Table  4.   Statistics of Regression Coefficient Between Demographic Variables and Average Taxi Ride Distance

    人口结构变量 空间尺度
    街道 社区
    儿童比例(P1)
    少年比例(P2) 14 000***
    青年比例(P3) 2 267.27***
    中年比例(P4) -2 366***
    老年比例(P5) -3 422.02**
    本地户籍比例(P6) -1 592.60***
    非本地户籍比例(P7) 1 592.65***
    农业户籍比例(P8) -12 828* -14 537***
    非农业户籍比例(P9) 12 828* 14 537***
    注:*p < 0.05,**p < 0.01,***p < 0.001
    下载: 导出CSV
  • [1] Townsend P. Deprivation[J]. Journal of Social Policy, 1987, 16(2): 125-146 doi:  10.1017/S0047279400020341
    [2] Weng M, Pi J, Tan B, et al. Area Deprivation and Liver Cancer Prevalence in Shenzhen, China: A Spatial Approach Based on Social Indicators[J]. Social Indicators Research, 2017, 133(1): 317-332 doi:  10.1007/s11205-016-1358-6
    [3] Su S, Gong Y, Tan B, et al. Area Social Deprivation and Public Health: Analyzing the Spatial Non-stationary Associations Using Geographically Weighed Regression[J]. Social Indicators Research, 2017, 133(3): 819-832 doi:  10.1007/s11205-016-1390-6
    [4] Wang Q, Zhang Z. Examining Social Inequalities in Urban Public Leisure Spaces Provision Using Principal Component Analysis[J]. Quality and Quantity, 2017, 51(6): 2 409-2 420 doi:  10.1007/s11135-016-0396-0
    [5] 卢国显. 空间隔离与集中化生存方式: 城市农民工与市民的社会距离研究[J]. 甘肃行政学院学报, 2011(3): 71-76 doi:  10.3969/j.issn.1009-4997.2011.03.008

    Lu Guoxian. Spatial Segregation and Concentrating Survival Way: The Social Distance Between Rural Migrant Workers and Citizens[J]. Journal of Gansu Administration Institute, 2011(3): 71-76 doi:  10.3969/j.issn.1009-4997.2011.03.008
    [6] 黄怡. 大都市核心区的社会空间隔离: 以上海市静安区南京西路街道为例[J]. 城市规划学刊, 2006(3): 76-84 doi:  10.3969/j.issn.1000-3363.2006.03.012

    Huang Yi. Socio-spatial Segregation in Metropolitan Nuclei Areas: A Case Study of Nanjing Xilu Street, Shanghai[J]. Urban Planning Forum, 2006(3): 76-84 doi:  10.3969/j.issn.1000-3363.2006.03.012
    [7] 刘耀林, 方飞国, 王一恒. 基于手机数据的城市内部就业人口流动特征及形成机制分析: 以武汉市为例[J]. 武汉大学学报∙信息科学版, 2018, 43(12): 2 212-2 224 doi:  10.13203/j.whugis20180140

    Liu Yaolin, Fang Feiguo, Wang Yiheng. Characteristics and Formation Mechanism of Intra Urban Employment Flows Based on Mobile Phone Data Taking Wuhan City as an Example[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2 212-2 224 doi:  10.13203/j.whugis20180140
    [8] Delmelle E C, Casas I. Evaluating the Spatial Equity of Bus Rapid Transit-based Accessibility Patterns in a Developing Country: The Case of Cali, Colombia[J]. Transport Policy, 2012, 20(SI): 36-46 http://www.sciencedirect.com/science/article/pii/S0967070X11001338
    [9] Pyrialakou V D, Gkritza K, Fricker J D. Accessibility, Mobility, and Realized Travel Behavior: Assessing Transport Disadvantage from a Policy Perspective[J]. Journal of Transport Geography, 2016, 51: 252-269 doi:  10.1016/j.jtrangeo.2016.02.001
    [10] Gulhan G, Ceylan H, Özuysal M, et al. Impact of Utility-Based Accessibility Measures on Urban Public Transportation Planning: A Case Study of Denizli, Turkey[J]. Cities, 2013, 32(32): 102-112 http://www.sciencedirect.com/science/article/pii/S0264275113000425
    [11] Fransen K, Neutens T, Farber S, et al. Identifying Public Transport Gaps Using Time-Dependent Accessibility Levels[J]. Journal of Transport Geography, 2015, 48: 176-187 doi:  10.1016/j.jtrangeo.2015.09.008
    [12] Xiao R, Wang G, Wang M. Transportation Disadvantage and Neighborhood Sociodemographics: A Composite Indicator Approach to Examining Social Inequalities[J]. Social Indicators Research, 2018, 137(1): 29-43 doi:  10.1007/s11205-017-1616-2
    [13] Trost S G, Owen N, Bauman A E, et al. Correlates of Adults' Participation in Physical Activity: Review and Update[J]. Medicine and Science in Sports and Exercise, 2002, 34(12): 1 996-2 001 doi:  10.1097/00005768-200212000-00020
    [14] Shay E, Combs T S, Findley D, et al. Identifying Transportation Disadvantage: Mixed-Methods Analysis Combining GIS Mapping with Qualitative Data[J]. Transport Policy, 2016, 48: 129-138 doi:  10.1016/j.tranpol.2016.03.002
    [15] Kong X, Xu Z, Shen G, et al. Urban Traffic Congestion Estimation and Prediction Based on Floating Car Trajectory Data[J]. Future Generation Computer Systems, 2015, 61(C): 97-107 doi:  10.1016/j.future.2015.11.013
    [16] 杨伟, 艾廷华. 基于众源轨迹数据的道路中心线提取[J]. 地理与地理信息科学, 2016, 32(3): 1-7 doi:  10.3969/j.issn.1672-0504.2016.03.001

    Yang Wei, Ai Tinghua. Road Centerline from Crowdsourcing Trajectory Data[J]. Geography and Geo-Information Science, 2016, 32(3): 1-7 doi:  10.3969/j.issn.1672-0504.2016.03.001
    [17] 侯赟慧, 刘志彪, 岳中刚. 长三角区域经济一体化进程的社会网络分析[J]. 中国软科学, 2009(12): 90-101 doi:  10.3969/j.issn.1002-9753.2009.12.012

    Hou Yunhui, Liu Zhibiao, Yue Zhonggang. Social Network Analysis over the Process of Economic Integration in the Yangtze River Delta[J]. China Soft Science, 2009(12): 90-101 doi:  10.3969/j.issn.1002-9753.2009.12.012
    [18] 罗震东. 长江三角洲功能多中心程度初探[J]. 国际城市规划, 2010, 25(1): 60-65 https://www.cnki.com.cn/Article/CJFDTOTAL-GWCG201001013.htm

    Luo Zhendong. Study on the Functional Polycentricity of Yangtze River Delta[J]. Urban Planning International, 2010, 25(1): 60-65 https://www.cnki.com.cn/Article/CJFDTOTAL-GWCG201001013.htm
    [19] Freeman L C. Centrality in Social Networks Conceptual Clarification[J]. Social Networks, 1979, 1(3): 215-239
    [20] 刘军. 整体网分析[M]. 上海: 格致出版社, 2014

    Liu Jun. Lectures on Whole Network Approach[M]. Shanghai: Truth and Wisdom Press, 2014
    [21] Lesage J P, Pace R K. Introduction to Spatial Econometrics[M]. Boca Raton: CRC Press, 2009
    [22] 庄少勤. 迈向卓越的全球城市: 上海新一轮城市总体规划的创新探索[J]. 上海城市规划, 2016(4): 1-8 https://www.cnki.com.cn/Article/CJFDTOTAL-HCSG201604003.htm

    Zhuang Shaoqin. Striving for the Excellent Global City: Innovations in the New Round of Shanghai Master Plan[J]. Shanghai Urban Planning Review, 2016(4): 1-8 https://www.cnki.com.cn/Article/CJFDTOTAL-HCSG201604003.htm
    [23] Moran P A P. The Interpretation of Statistical Maps[J]. Journal of the Royal Statistical Society, 1948, 10(2): 243-251 doi:  10.1111/j.2517-6161.1948.tb00012.x
    [24] Marr E. Assessing Transportation Disadvantage in Rural Ontario, Canada: A Case Study of Huron County[J]. Journal of Rural and Community Development, 2015, 10(2): 100-120 http://www.researchgate.net/publication/280112753_Assessing_Transportation_Disadvantage_in_Rural_Ontario_Canada_A_Case_Study_of_Huron_County
  • [1] 陈勉, 李龙海, 谢鹏, 付少锋, 何列松, 周校东.  基于Phoenix的地理空间大数据管理系统 . 武汉大学学报 ● 信息科学版, 2020, 45(5): 719-727. doi: 10.13203/j.whugis20180435
    [2] 卢宾宾, 葛咏, 秦昆, 郑江华.  地理加权回归分析技术综述 . 武汉大学学报 ● 信息科学版, 2020, 45(9): 1356-1366. doi: 10.13203/j.whugis20190346
    [3] 胡定利, 李锐, 孟瑶, 吴华意.  新闻地名共现视角下的中国城市网络 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 281-288. doi: 10.13203/j.whugis20180383
    [4] 万幼, 刘耀林.  基于地理加权中心节点距离的网络社区发现算法 . 武汉大学学报 ● 信息科学版, 2019, 44(10): 1545-1552. doi: 10.13203/j.whugis20180025
    [5] 刘纪平, 董春, 亢晓琛, 邱士可, 赵荣, 栗斌, 孙立坚.  大数据时代的地理国情统计分析 . 武汉大学学报 ● 信息科学版, 2019, 44(1): 68-76, 83. doi: 10.13203/j.whugis20180420
    [6] 贾涛, 李琦, 马楚, 李雨芊.  武汉市出租车轨迹二氧化碳排放的时空模式分析 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1115-1123. doi: 10.13203/j.whugis20170334
    [7] 姚尧, 张亚涛, 关庆锋, 麦可, 张金宝.  使用时序出租车轨迹识别多层次城市功能结构 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 875-884. doi: 10.13203/j.whugis20170111
    [8] 林珲, 游兰, 胡传博, 陈旻.  时空大数据时代的地理知识工程展望 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2205-2211. doi: 10.13203/j.whugis20180318
    [9] 聂磊, 舒红, 刘艳.  复杂地形地区月平均气温(混合)地理加权回归克里格插值 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1553-1559. doi: 10.13203/j.whugis20160433
    [10] 刘瑜, 詹朝晖, 朱递, 柴彦威, 马修军, 邬伦.  集成多源地理大数据感知城市空间分异格局 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 327-335. doi: 10.13203/j.whugis20170383
    [11] 龚希, 陈占龙, 谢忠.  出租车轨迹数据的地域间移动模式分析 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1595-1602. doi: 10.13203/j.whugis20170035
    [12] 杨静, 程昌秀, 李晓岚, 陈驰.  网络结构空间格局相似度分析——以1938~2014年北京市骨干交通网络为例 . 武汉大学学报 ● 信息科学版, 2016, 41(12): 1593-1598. doi: 10.13203/j.whugis20140569
    [13] 周洋, 方志祥, 李清泉, 郭善昕.  利用经验约束规则和证据理论进行出租车异常轨迹检测 . 武汉大学学报 ● 信息科学版, 2016, 41(6): 797-802. doi: 10.13203/j.whugis20140221
    [14] 刘经南, 方媛, 郭迟, 高柯夫.  位置大数据的分析处理研究进展 . 武汉大学学报 ● 信息科学版, 2014, 39(4): 379-385. doi: 10.13203/j.whugis20140210
    [15] 张晓祥.  大数据时代的空间分析 . 武汉大学学报 ● 信息科学版, 2014, 39(6): 655-659. doi: 10.13203/j.whugis20140143
    [16] 于胜杰, 柳林涛.  水汽加权平均温度回归公式的验证与分析 . 武汉大学学报 ● 信息科学版, 2009, 34(6): 741-744.
    [17] 王海军.  基于注水模型的网络分析方法研究 . 武汉大学学报 ● 信息科学版, 2007, 32(5): 419-422.
    [18] 覃文忠, 王建梅, 刘妙龙.  混合地理加权回归模型算法研究 . 武汉大学学报 ● 信息科学版, 2007, 32(2): 115-119.
    [19] 杨仁, 王冬根.  近代回归分析在交通调查分析建模中的应用 . 武汉大学学报 ● 信息科学版, 1990, 15(3): 77-83.
    [20] 李静波, 关雪峰, 曾星, 杨昌兰, 邢巍然, 吴华意.  长株潭城市群建成区时空扩展特征及驱动力分析 . 武汉大学学报 ● 信息科学版, 0, 0(0): -. doi: 10.13203/j.whugis20210634
  • 加载中
图(9) / 表(4)
计量
  • 文章访问数:  583
  • HTML全文浏览量:  222
  • PDF下载量:  90
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-02
  • 刊出日期:  2021-05-05

出租车出行的空间不平等及其与人口结构的关联

doi: 10.13203/j.whugis20190327
    基金项目:

    国家重点研发计划 2017YFB0503500

    作者简介:

    季航宇,硕士生,主要从事地理交通大数据的研究。2014301110136@whu.edu.cn

    通讯作者: 蔡忠亮,博士,教授。zlcai@whu.edu.cn
  • 中图分类号: P208

摘要: 出租车出行是表征空间不平等的重要指标,分析其特征对于城市规划、交通管理、智慧城市建设等具有重要意义。利用中国上海市出租车出行的车流数据与人口普查数据,对研究区域进行空间多尺度划分,运用Hadoop大数据处理、社会网络分析、地理加权回归等方法,探究中国上海市出租车出行的空间不平等状况及其与人口结构的关联性。结果表明:上海市存在出租车出行的空间不平等现象,在中心城区以及城市副中心区域,出租车出行便利性高于其他地区且平均出行距离小于其他地区;不同类型人口在出行能力上有差异,出行弱势人群(儿童、老人、外来人口、农业人口等)比例高的区域具有更低的出行便利性与更长的出行距离,这一相关性随空间位置与空间尺度的变化而发生变化。

English Abstract

季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊. 出租车出行的空间不平等及其与人口结构的关联[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
引用本文: 季航宇, 蔡忠亮, 姜莉莉, 李桂娥, 李伯钊. 出租车出行的空间不平等及其与人口结构的关联[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
JI Hangyu, CAI Zhongliang, JIANG Lili, LI Guie, LI Bozhao. Analysis of Spatial Inequality in Taxi Ride and Its Relationship with Population Structure[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
Citation: JI Hangyu, CAI Zhongliang, JIANG Lili, LI Guie, LI Bozhao. Analysis of Spatial Inequality in Taxi Ride and Its Relationship with Population Structure[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 766-776. doi: 10.13203/j.whugis20190327
  • 空间不平等是指社会经济发展导致的资源在空间上的分配不平等[1],表现在居住环境、社会服务等各个方面[2-4]。目前,对于空间不平等的研究大多是基于静态数据的定性描述,数据来自于问卷调查等传统方式,文献[5]对农民工职业隔离、社群隔离现象进行了研究,文献[6]对上海市街道的就业、教育、住房方面空间不平等进行了研究。这类研究使用的数据具有收集成本高、周期长、更新慢等缺点[7]

    相比于传统方式获取的数据,交通数据由于其精确性、客观性,成为了空间不平等的重要度量指标。交通出行可以影响社会资源的分配,从而对空间不平等产生影响[8],提升空间上弱势区域的交通系统质量被认为是解决空间不平等、加强流动性与服务可达性的重要手段[9]。目前,基于交通数据的空间不平等研究包括基于道路密度、公交车站数量等道路设施状况对空间不平等的研究[10];基于公共服务可达性的研究[11];还有学者将多个维度的评价指标结合起来,对交通的空间不平等进行综合性评价[12]。此外,人口结构作为重要的行为预测指标[13],常常被包含在研究内。有研究表明,不同人群的流动性存在差异,部分人群(例如老人、流动人口、贫困人口)具有出行弱势性[14]。虽然基于交通的空间不平等研究取得了较多成果,但大部分研究所使用的还是如区域内的公交车站数量等静态数据,其时效性较差,可靠性较低。

    基于上述背景,本文从实时采集的交通流数据出发,基于能够代表整体交通流的出租车数据[15]与人口普查数据,将中国上海市进行多个空间尺度的剖分,将平均出行距离与出行便利性作为衡量空间不平等的指标,用各类人口比例作为人口结构的指标,研究人口结构与空间出行特征及其不平等的关系。

    • 本文以中国上海市市区域数据、人口普查数据、出租车数据为基础,分析上海市基于出租车的出行便利性、出行距离的空间结构,以及以这两个变量为表征的基于出租车的空间不平等与人口结构之间的关联性。总体流程如图 1所示。

      图  1  人口结构变量与空间不平等变量的提取与相关性分析流程

      Figure 1.  Extraction and Correlation Analysis Process of Population Structure and Spatial Inequality Variables

    • 根据上海市行政区划数据,本文将上海市划分为以街道为尺度的285个区域,以及以社区为尺度的5 848个区域。为了排除人工划分的行政边界对研究的影响,根据社区与街道的面积大小,在两者所在的空间尺度之间划分更多尺度来对上海市区域进行研究。本文分别对上海市进行3 km×3 km、4 km×4 km、5 km×5 km的格网划分。另外,上海市崇明区由于处于特殊地理位置(位于长江入海口,由岛屿组成,不与陆地直接相连),导致其与上海市其他区域之间的联系以轮渡与公交为主,基于出租车的联系较少,因此在本文研究中将其排除出研究区域。

      经过上述处理,总共得到了5种空间尺度的研究区域,分别为5 432个社区,229个街道,294个5 km×5 km的格网,441个4 km×4 km的格网,以及760个3 km×3 km的格网。

    • 本文的人口数据为第六次全国人口普查数据,该数据中包含性别、年龄、民族、迁移流动等方面信息。为了将其与各个尺度下的空间单元联系起来,对原始数据进行剖分,汇总各区域内的各类人口数量。在此基础上,为了更好地理解人口结构对空间不平等的影响,本文计算得到了每个区域内各个类型的人口数与该区域内总人口数的比值,以此作为表征人口结构的变量。表 1为5 km×5 km格网尺度下人口结构变量的描述性统计。

      表 1  5 km×5 km格网尺度人口结构变量描述性统计

      Table 1.  Descriptive Statistics of Population Structure Variables at 5 km×5 km Grid Scale

      人口结构变量 最小值 最大值 均值 标准差
      男性比例 0.476 0.857 0.518 0.043
      女性比例 0.143 0.524 0.482 0.043
      儿童比例 0.014 0.115 0.054 0.013
      少年比例 0.015 0.123 0.070 0.018
      青年比例 0.282 0.756 0.435 0.070
      中年比例 0.109 0.508 0.359 0.055
      老年比例 0.015 0.171 0.083 0.030
      汉族比例 0.928 1 0.991 0.007
      少数民族比例 0 0.073 0.009 0.007
      本地户籍比例 0.015 0.950 0.626 0.169
      非本地户籍比例 0.050 0.986 0.373 0.169
      农业户籍比例 0 0.143 0.034 0.021
      非农业户籍比例 0.857 1 0.966 0.021
    • 本文所使用的出租车数据为上海市20 d的出租车轨迹数据,共包含数据228 907 892项。每项数据表示一个浮动车点位信息,包含该点所属时刻、车辆唯一标识码、经度、纬度以及用于表示车辆是否载客的空重状态等信息。由于数据量较大,普通软件无法胜任处理工作,因此使用Hadoop大数据处理框架对出租车数据进行预处理,主要预处理内容为:由于出租车数据采样间隔稀疏、建筑物遮挡、GPS信号漂移等原因,数据中存在大量的噪音点,表现为经纬度越界、时间格式不正确、轨迹点丢失等异常情况。因此在Hadoop框架中编写代码去除上述异常点[16]

      完成异常点去除后,利用标识出租车是否载客的空重状态这一字段,将空车状态后的第一个载客点作为上车点,以及载客状态后的第一个空车点作为下车点,提取出租车出行的起讫点(origin destination,OD)。根据OD点坐标,将其与各个尺度下的空间单元联系起来,得到以空间单元为节点的OD矩阵。

    • 1) 出行便利性的计算。社会网络分析是用于解决与网络相关问题的一种分析方法,被广泛地应用于城市间或城市内的区域联系与发展状况研究[17-18]

      在社会网络分析领域,"中心性"用于表征节点在网络中地位的指标,分为度中心性、接近中心性、中介中心性等。本文使用度数中心度来衡量节点的中心性,度数中心度能反映当前节点与其他节点的联系强度,分为绝对度数中心度(与节点直接相连的其他节点数)以及相对度数中心度(节点的绝对度数中心度与图中节点的最大可能度数中心度之比[19])。本文以多空间尺度下的各个区域为节点,区域间的出租车联系为边,计算各个节点的度数中心度,该指标能够反映节点在出租车出行网络中的影响力与控制力。网络中节点的度数中心度越高,其在网络中越处于中心地位[7, 20],出行便利性越高。

      使用ucinet软件计算该网络各个节点的度数中心度,表 2为3 km×3 km格网尺度下度数中心度的描述性统计。其中,OutDegree表示绝对度数中心度的出度,该值越大,节点的控制力越强;InDegree表示绝对度数中心度的入度,该值越大,节点的吸引力越高;NrmOutDeg表示相对度数中心度的出度,NrmInDeg表示相对度数中心度的入度;NrmDeg表示相对度数中心度,不同规模的图之间可以使用这一数值来相互比较节点的中心性强弱[19]

      表 2  3 km×3 km格网尺度下度数中心度的描述性统计

      Table 2.  Descriptive Statistics of Degree Centrality at 3 km×3 km Grid Scale

      度数中心度 极小值 极大值 均值 标准差
      OutDegree 0 321 693 14 467.790 40 083.868
      InDegree 0 288 401 14 416.620 37 554.424
      NrmOutDeg 0 1.719 0.077 0.214
      NrmInDeg 0 1.541 0.077 0.201
      NrmDeg 0 1.630 0.077 0.207

      2) 出行距离的计算。使用Java代码编写程序,调用高德地图提供的计算行驶距离的应用程序接口(application programming interface,API),将数据中的OD点坐标作为参数输入,得到各个OD点之间的行驶距离。根据OD点中的起始点坐标得到各个起始点所属的空间单元,将其行驶距离计入所属空间单元的出行距离之中,统计各个空间单元的平均出行距离。

    • 由于本文是在空间尺度上衡量变量之间的关系,因此要考虑其空间自相关现象。先对各个尺度下的变量进行空间自相关分析,得到相应的Moran'I指数,发现变量存在空间上的自相关现象。由于传统线性回归模型是基于全局进行分析,没有考虑到空间上局部变量之间的联系,在本文中具有局限性,所以本文使用空间回归模型进行分析。

      本文使用Geoda软件进行空间回归分析,使用的模型有空间滞后模型、空间误差模型[21]。在分析之前,结合实验数据为相互邻接的面状区域这一特点,先使用Queen邻接方式生成基于邻接关系的空间权重矩阵,然后分别使用两种空间回归模型进行分析,选取检验指标最优的结果。其计算公式为:

      $$ \mathit{\boldsymbol{Y}} = \rho \mathit{\boldsymbol{WY}} + \mathit{\boldsymbol{X\beta}} + \mathit{\boldsymbol{\mu}} $$ (1)
      $$ \mathit{\boldsymbol{Y}} = \mathit{\boldsymbol{X\beta}} + \mathit{\boldsymbol{\varepsilon}} $$ (2)
      $$ \mathit{\boldsymbol{\varepsilon}} = \lambda \mathit{\boldsymbol{W\varepsilon}} + \mathit{\boldsymbol{\mu}} $$ (3)

      式(1)为空间滞后模型公式,其中Y是因变量;X是解释变量;W是空间权重矩阵;β是解释变量的系数向量;ρ是空间滞后项WY的参数;μ是白噪音干扰项。式(2)及式(3)为空间误差模型公式,其中ε是回归残差向量;λ是自回归参数。

      为了进一步研究变量之间关联性的空间非平稳性,对数据进行地理加权回归。由于实验数据的因变量为连续的值,因此选择高斯模型进行分析,基于最小化改正的赤池信息量准则(Akaike information criterion with a correction for small sample sizes,AICc),使用黄金搜索算法确定带宽,并使用bi-square函数作为空间权重函数。地理加权回归的公式为:

      $$ {y_i} = \mathop \sum \limits_k {\beta _k}\left( {{u_i}, {v_i}} \right){x_{k, i}} + {\varepsilon _i} $$ (4)

      式中,yi为在位置i处的因变量;xki为在位置i处的第k个自变量;(uivi)为位置i的坐标;βk(uivi)为在位置i处的系数,随着空间位置的变化而变化。

    • 使用社会网络分析法得到上海市不同空间尺度下各个区域的相对度数中心度,用以表征出行便利性。图 2为各个空间尺度下上海市的相对度数中心度分布。结果表明不同尺度下中心度的分布状态基本是一致的,通过与地图比对,发现上海市出行便利性最高的区域集中在主城区部分,该地区是上海的老牌中心区域,包括徐家汇、五角场、真如、花木;在主城区外围也分布着许多出行便利性较高的区域,证明这些区域形成了一定规模的副中心,主要为浦东国际机场、嘉定区、松江区、金山滨江地区、奉贤区,这与上海市城市规划是一致的,说明上海市制定的"多中心"发展战略取得了一定成效[22]

      图  2  各个空间尺度下上海市出租车出行的相对度数中心度分布

      Figure 2.  Distribution of Degree Centrality of Taxi Ride in Shanghai at Various Spatial Scales

    • 本文使用高德地图提供的距离测算API统计多尺度下每个空间单元的平均出行距离,图 3为多尺度下平均出行距离的空间分布。结果表明,城市中心区域与副中心区域的平均出行距离较小,其他区域的平均出行距离较大。这是因为在城市中心与副中心区域,各种社会服务的可达性较好,人们无需出行太长距离即可到达目的地。

      图  3  各个空间尺度下上海市出租车出行平均距离的空间分布

      Figure 3.  Distribution of Average Distance Traveled by Taxi in Shanghai at Various Spatial Scales

    • 在进行回归分析之前,对各个尺度下的变量进行空间自相关分析,得到相应的Moran'I指数[23]均介于0.14~0.85之间,并且均通过了显著性检验(z得分大于2.58且p值小于0.01),这证明变量存在空间上的自相关现象,因此需要进行空间回归分析。

    • 表 3为以人口结构为自变量,以相对度数中心度为因变量,在剔除了关联性不显著的自变量以后得到的回归分析结果,第一列括号内变量为人口结构变量的简称。

      表 3  人口结构变量与相对度数中心度之间的回归系数统计

      Table 3.  Statistics of Regression Coefficient Between Demographic Variables and Normalized Degree Centrality

      人口结构变量 空间尺度
      5 km×5 km格网 4 km×4 km格网 3 km×3 km格网 街道 社区
      儿童比例(P1) -0.195** -0.182** -0.172*** -0.152* -0.131***
      少年比例(P2) -0.185** -0.158** -0.120** -0.164* -0.083***
      青年比例(P3) -0.181** -0.179** -0.198*** -0.285*** 0.044**
      中年比例(P4) 0.141** 0.141* 0.156** 0.250***
      老年比例(P5) 0.351*** 0.340*** 0.340*** 0.409***
      本地户籍比例(P6) 0.139** 0.310*** -0.030*
      非本地户籍比例(P7) -0.139** -0.310*** 0.030*
      农业户籍比例(P8) -0.293*** -0.247*** -0.278*** -0.489*** -0.208***
      非农业户籍比例(P9) 0.293*** 0.247*** 0.278*** 0.489*** 0.208***
      注:*p < 0.05,**p < 0.01,***p < 0.001

      表 3中可以看出,人口结构与出行便利性存在关联性,并且这种关联性会随着空间尺度的变化而发生变化。

      为了进一步研究变量之间关联性的空间非平稳性,以各区域相对度数中心度为因变量,以在空间回归分析中与因变量有显著关联性的人口结构变量为自变量,进行地理加权回归,得到图 4~8所示的结果。

      图  4  5 km×5 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

      Figure 4.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 5 km×5 km Grid Scale

      图  5  4 km×4 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

      Figure 5.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 4 km×4 km Grid Scale

      图  6  3 km×3 km格网尺度下上海市出租车出行便利性与人口结构的空间关联性

      Figure 6.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at 3 km×3 km Grid Scale

      图  7  街道尺度下上海市出租车出行便利性与人口结构的空间关联性

      Figure 7.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at Street Scale

      图  8  社区尺度下上海市出租车出行便利性与人口结构的空间关联性

      Figure 8.  Spatial Correlation Between Taxi Ride Convenience and Demographic Conditions at Neighborhood Committee Scale

      图 4~8中可以看出,低龄人口(儿童、少年、青年)、经济条件较差人口(农业人口、非本地户籍人口)的比例与出行便利性之间普遍呈负相关,这是因为这些人口由于生理条件、经济条件等原因,具有交通出行上的弱势性,与之前的研究相符[24];相比而言,中年人具有很强的流动性,因此其聚集区域的出行需求较大,容易打到车,出行便利性较高。

      老年人口比例与出行便利性在全局空间回归中呈正相关,这与前人的研究具有明显差异。进一步使用地理加权回归分析发现,老年人口比例与出行便利性之间的关联具有很明显的空间非平稳性。在城区内其关联性呈正相关,因为一方面,城市中的老人经济条件较好,并且由于身体条件限制,不适合选择公共交通出行,因此会倾向于打车出行;另一方面,该区域老人聚集处大多处于中心区域,具有较强的出行便利性。而在郊区,老人比例与出租车出行便利性呈负相关,可以理解为居住在郊区的老人大多经济条件较差,活动范围较小,因此乘坐出租车出行的需求小,而且郊区交通基础设施条件较差,出租车出行的便利性也较差。

      在街道、社区尺度下,非本地人口比例与出行便利性在部分郊区呈现正相关。可以理解为在外地人口聚集区域形成了局部中心区,这些区域较周边区域更为繁华,出行便利性也更高。因此当把尺度细化到街道、社区时,会出现在部分郊区,非本地人口比例与出行便利性呈正相关的现象。

    • 以人口结构变量为自变量,各个区域的平均出行距离为因变量进行回归分析,剔除相关性不显著的变量后得到表 4所示的结果,表明在街道与社区尺度下,人口结构与出行距离存在关联性。以出行距离为因变量,选取在空间回归分析中与因变量显著相关的自变量,进行地理加权回归,得到图 9所示的结果。

      表 4  人口结构变量与出租车平均出行距离之间的回归系数统计

      Table 4.  Statistics of Regression Coefficient Between Demographic Variables and Average Taxi Ride Distance

      人口结构变量 空间尺度
      街道 社区
      儿童比例(P1)
      少年比例(P2) 14 000***
      青年比例(P3) 2 267.27***
      中年比例(P4) -2 366***
      老年比例(P5) -3 422.02**
      本地户籍比例(P6) -1 592.60***
      非本地户籍比例(P7) 1 592.65***
      农业户籍比例(P8) -12 828* -14 537***
      非农业户籍比例(P9) 12 828* 14 537***
      注:*p < 0.05,**p < 0.01,***p < 0.001

      图  9  各个空间尺度下上海市出租车平均出行距离与人口结构的空间关联性

      Figure 9.  Spatial Correlation Between Average Taxi Ride Distance and Demographic Conditions at Various Spatial Scales in Shanghai

      由地理加权回归结果可知,出行弱势人口(少年、老年人口、农业人口)比例与出行距离普遍呈负相关,而青年人口与中年人口具有较强的移动性[24]。细化来看,中年人口与出行距离的关联性在基于全局的空间回归中呈负相关,而地理加权回归结果显示,在大部分城市中心区域,中年人口比例与出行距离呈正相关。这表明在这些区域,中年人较强的移动性导致其聚集区域的平均出行距离较大;而在城市周边区域,其关联性则普遍呈负相关,这是因为城市周边的中年人口大部分生产生活活动都在郊区的小范围内进行,因此无需出行太大距离。

      非本地户籍人口比例与出行距离呈现正相关,这是由于空间隔离的存在,该人群倾向于集中居住在特定区域,而非工作地点附近[5],因此需要在工作地点与居住地之间来回移动,其出行距离会较大。

    • 本文以上海市区域数据、人口普查数据、出租车数据为基础,分析上海市基于出租车的出行便利性、出行距离的空间结构,以及以这两个变量表征的基于出租车的空间不平等与人口结构之间的关联性。在空间不平等变量的空间分布上,上海市主城区以及副中心区域的出行便利性较高且出行距离较小。上述空间不平等变量与人口结构存在关联性,这种关联性出现的原因是不同类型人口的经济条件、生理条件差异与居住空间隔离,导致部分人口存在空间弱势性(儿童、老人、外来人口、农业人口等)。同时受上海市"多中心"城市结构所影响,人口结构与空间不平等的关联性还存在空间非平稳性,表现在部分空间位置与空间尺度下,出行弱势人口占比高的区域也具有较高的出行便利性与较小的出行距离。根据研究结果,上海市规划单位应该针对出行便利性较差的区域加大出租车运力投放,提升其交通系统质量,继续发展"多中心"的城市结构,改善空间不平等状况。

      本文的研究结果揭示了上海市基于出租车数据的空间不平等现状,以及人口结构对于空间不平等的影响,同时本文的方法需要人口普查数据、浮动车数据,不依赖于特定区域的数据,因此具有普适性,适用于其他城市的分析,这对于城市规划、交通管理、智慧城市建设具有一定意义。在此基础上,未来还需深入完善的内容,包括增加表征空间不平等的变量,提升指标完整性;在时间尺度上对实验数据进行划分,探究其在时间尺度上的变化。

参考文献 (24)

目录

    /

    返回文章
    返回