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

顾及实时路况的城市浪费性通勤测算

张红 徐珊 龚恩慧

张红, 徐珊, 龚恩慧. 顾及实时路况的城市浪费性通勤测算[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
引用本文: 张红, 徐珊, 龚恩慧. 顾及实时路况的城市浪费性通勤测算[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
ZHANG Hong, XU Shan, GONG Enhui. Urban Wasteful Commuting Calculation Concerning Real‑Time Traffic Information[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
Citation: ZHANG Hong, XU Shan, GONG Enhui. Urban Wasteful Commuting Calculation Concerning Real‑Time Traffic Information[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363

顾及实时路况的城市浪费性通勤测算

doi: 10.13203/j.whugis20190363
基金项目: 

国家自然科学基金 41471383

国家自然科学基金 51878558

四川省科技支撑计划 2020YJ0325

成都市重点研发支撑计划 2019-YF05-02119-SN

详细信息

Urban Wasteful Commuting Calculation Concerning Real‑Time Traffic Information

Funds: 

The National Natural Science Foundation of China 41471383

The National Natural Science Foundation of China 51878558

Program of Science and Technology of Si-chuan Province, China 2020YJ0325

the Key Research and Development Program of Chengdu 2019-YF05-02119-SN

More Information
  • 摘要: 通勤是城市居民的基本交通需求,也是联系城市居民居住地和就业地的重要桥梁。城市居民的就业地与居住地很少能完全重叠,从而导致了浪费性通勤。现有浪费性通勤研究主要通过问卷调查进行,存在样本有限、成本较高、分辨率不足等问题。提出了一种顾及实时路况的城市浪费性通勤测算思路,并将其用于中国四川省成都市浪费性通勤测算。通过调用高德地图应用程序接口(application programming interface,API)获取成都市居住地和就业地的兴趣点(point of interest,POI)数据,然后分别使用完全随机抽样和分层抽样方法对居住地与就业地POI进行抽样,生成通勤点对。编写网络爬虫程序,在高德地图中基于实时路况自动批量查询公共交通模式(公交与地铁)下最快捷、最经济、最少换乘情况时各通勤点对的实时通勤时间与通勤费用,计算出任一通勤点对的通勤时间与通勤费用的平均值。使用线性规划方法计算所有通勤点的理论最小通勤时间,分析成都市浪费性通勤时间与费用的统计与空间分布特征,揭示通勤薄弱环节和通勤供需严重不平衡地区。结果表明:成都市一环、二环、三环内的平均通勤时间分别为2 126 s、2 439 s、2 922 s。成都市老城区三环内浪费性通勤率为80.69%,通勤容量使用率69.34%。这与极光、百度等网站使用轨迹大数据分析的结果,以及其他学者的经验研究结果十分接近。
  • 图  1  成都市老城区行政区划及三环内POI数据分布图

    Figure  1.  Five Old Districts of Chengdu and POI Within the Third Ring Road of Chengdu

    图  2  成都市通勤时间与通勤成本柱状图

    Figure  2.  Histogram of Commuting Time and Cost of Chengdu

    图  3  成都市三环内通勤成本核密度图

    Figure  3.  Kernel Density Map of Commuting Cost in Chengdu

    图  4  成都市道路网指标与各环平均通勤时间关系图

    Figure  4.  Relationships Between Measurements of Road Network Morphology and Average Commuting Time for Each Ring Road of Chengdu

    图  5  地铁站2 km范围内居民通勤成本空间分布图

    Figure  5.  Commuting Time and Cost Within 2 km of Subway Stations

    图  6  成都市三环内公交站点与公交线路密度图

    Figure  6.  Density Map of Bus Stations and Routes in the Third Ring of Chengdu

    图  7  成都市各区人口密度与平均通勤时间折线图

    Figure  7.  Diagram of Population Density and Average Commuting Time of Each Districts of Chengdu

    表  1  各区域用地类型

    Table  1.   Corresponding Land Use Types for Residential and Working Places

    区域类型 一级类 编码 二级类
    居住地 住宅用地 0701 城镇住宅用地
    0702 农村宅基地
    就业地 商服用地 0501 零售商业用地
    0502 批发市场用地
    0503 餐饮用地
    0504 旅馆用地
    0505 商务金融用地
    0506 娱乐用地
    0507 其他商服用地
    公共管理与公共服务用地 0801 机关团体用地
    0802 新闻出版用地
    0803 教育用地
    0804 科研用地
    0805 医疗用地
    0806 社会福利用地
    0807 文化设施用地
    0808 体育用地
    下载: 导出CSV
  • [1] Chen H P. Commuting and Land Use Patterns[J]. Geographical and Environmental Modelling, 2000, 4(2): 163-173 doi:  10.1080/713668594
    [2] Gimenez-Nadal J I, Molina J A, Velilla J. Excess Commuting in the US: Differences Between the Self-Employed and Employees[J]. Social Science Electronic Publishing, 2015, 66: 19-29 http://papers.ssrn.com/sol3/papers.cfm?abstract_id=2675482
    [3] 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 doi:  10.3969/j.issn.2095-0446.2017.04.019

    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
    [4] Hamilton B W A. Wasteful Commuting[J]. The Journal of Political Economy, 1982, 90(5): 1 035-1 053 doi:  10.1086/261107
    [5] 孔云峰. 利用GIS与线性规划学校最优学区划分[J]. 武汉大学学报∙信息科学版, 2012, 37(5): 513-515 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201205003.htm

    Kong Yunfeng. Optimal School Allocation GIS and Linear Programming[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 513-515 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201205003.htm
    [6] 王亚萍. 北京市交通拥堵状况及浪费性通勤的测算[D]. 北京: 首都经济贸易大学, 2018

    Wang Yaping. Measurement of Traffic Congestion and Wasteful Commuting in Beijing[D]. Beijing: Capital University of Economics and Business, 2018
    [7] Horner M, Murray A. Excess Commuting and the Modifiable Areal Unit Problem[J]. Urban Studies, 2002, 39(1): 131-139 doi:  10.1080/00420980220099113
    [8] Zhou J P, Murphy E. Day-to-Day Variation in Excess Commuting: An Exploratory Study of Brisbane[J]. Journal of Transport Geography, 2019, 74: 223-232 doi:  10.1016/j.jtrangeo.2018.11.014
    [9] 谷岩岩, 焦利民, 董婷, 等. 基于多源数据的城市功能区识别及相互作用分析[J]. 武汉大学学报∙信息科学版, 2018, 43(7): 1 113-1 121 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201807021.htm

    Gu Yanyan, Jiao Limin, Dong Ting, et al. Spatial Distribution and Interaction Analysis of Urban Function Areas Based on Multi-source Data[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1 113-1 121 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201807021.htm
    [10] Boussauw K, Neutens T, Witlox F. Minimum Commuting Distance as a Spatial Characteristic in a Non-monocentric Urban System: The Case of Flanders[J]. Papers in Regional Science, 2011, 90(1): 47-65 doi:  10.1111/j.1435-5957.2010.00295.x
    [11] Lovelace R. The Energy Costs of Commuting: A Spatial Microsimulation Approach[D]. Sheffield: University of Sheffield, 2014
    [12] David M. Excess Commuting in the Tokyo Metropolitan Area: Measurement and Policy Simulations[J]. Urban Studies, 1995, 32(1): 69-86 doi:  10.1080/00420989550013220
    [13] 刘定惠. 城市空间结构对居民通勤行为的影响研究: 以成都市和兰州市为例[J]. 世界地理研究, 2015, 24(4): 78-84 doi:  10.3969/j.issn.1004-9479.2015.04.009

    Liu Dinghui. A Study on Influence of Urban Spatial Structure on Residents' Commute Travel: The Cases of Chengdu and Lanzhou[J]. World Regional Studies, 2015, 24(4): 78-84 doi:  10.3969/j.issn.1004-9479.2015.04.009
    [14] 刘定惠, 朱超洪, 杨永春. 西部大城市居民通勤特征及其与城市空间结构的关系研究: 以成都市为例[J]. 人文地理, 2014, 29(2): 61-68 https://www.cnki.com.cn/Article/CJFDTOTAL-RWDL201402011.htm

    Liu Dinghui, Zhu Chaohong, Yang Yongchun. the Characteristics of Resident Commuting and Its Relationship with Urban Spatial Structure in Large Cities of Western China: A Case Study of Chengdu[J]. Human Geography, 2014, 29(2): 61-68 https://www.cnki.com.cn/Article/CJFDTOTAL-RWDL201402011.htm
    [15] 刘定惠. 2 300多年来成都市居住空间结构演变过程研究[J]. 云南地理环境研究, 2011, 23(3): 20-25 doi:  10.3969/j.issn.1001-7852.2011.03.004

    Liu Dinghui. Evolution Process of Residential Space Structure in Chengdu over 2 300 Years[J]. Yunnan Geographical Environment Research, 2011, 23(3): 20-25 doi:  10.3969/j.issn.1001-7852.2011.03.004
    [16] 周江评, 陈晓键, 黄伟, 等. 中国中西部大城市的职住平衡与通勤效率: 以西安为例[J]. 地理学报, 2013, 68(10): 1 316-1 330 doi:  10.11821/dlxb201310002

    Zhou Jiangping, Chen Xiaojian, Huang Wei, et al. Balance Between Employment and Accommodation and Commuting Efficiency in Large Cities in Central and Western China : A Case Study of Xi'an[J]. Acta Geographica Sinica, 2013, 68(10): 1 316-1 330 doi:  10.11821/dlxb201310002
    [17] 钟国平. 快速工业化城市职住空间平衡与过剩通勤研究: 以中山为例[J]. 人文地理, 2016, 31(3): 60-66 doi:  10.3969/j.issn.1673-6974.2016.03.047

    Zhong Guoping. Job-Housing Balance an Excess Commuting in Rapid Industrialization Cities: A Case Study of Zhongshan[J]. Human Geography, 2016, 31(3): 60-66 doi:  10.3969/j.issn.1673-6974.2016.03.047
    [18] 曲大义, 于仲臣, 庄劲松, 等. 苏州市居民出行特征分析及交通发展对策研究[J]. 东南大学学报(自然科学版), 2001, 31(3): 118-123 doi:  10.3321/j.issn:1001-0505.2001.03.028

    Qu Dayi, Yu Zhongchen, Zhuang Jingsong, et al. Analysis of Travel Characteristics of Suzhou Residents and Countermeasures for Traffic Development [J]. Journal of Southeast University(Natural Science Edition), 2001, 31(3): 118-123 doi:  10.3321/j.issn:1001-0505.2001.03.028
    [19] 陈征, 周恒, 刘英舜. 苏州居民通勤出行交通方式选择特征研究[J]. 道路交通与安全, 2006(8): 34-37 https://www.cnki.com.cn/Article/CJFDTOTAL-DLJA200608009.htm

    Chen Zheng, Zhou Heng, Liu Yingshun. A Study on the Characteristics of Commuting Mode Selection in Suzhou Residents[J]. Road Traffic and Safety, 2006(8): 34-37 https://www.cnki.com.cn/Article/CJFDTOTAL-DLJA200608009.htm
    [20] Hu Y, Wang F. Decomposing Excess Commuting: A Monte Carlo Simulation Approach[J]. Journal of Transport Geography, 2015, 44: 43-52 doi:  10.1016/j.jtrangeo.2015.03.002
    [21] 刘望保, 闫小培, 方远平, 等. 广州市过剩通勤的相关特征及其形成机制[J]. 地理学报, 2008, 63(10): 1 085-1 096 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200810011.htm

    Liu Wangbao, Yan Xiaopei, Fang Yuanping, et al. Related Characteristics and Mechanisms for Excess Commuting in Guangzhou[J]. Acta Geographica Sinica, 2008, 63(10): 1 085-1 096 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200810011.htm
    [22] White M J. Urban Commuting Journeys Are Not "Wasteful"[J]. The Journal of Political Economy, 1988, 96(5): 1 097-1 110 doi:  10.1086/261579
    [23] 刘承良, 段德忠. 武汉城市圈城乡路网空间生长的分形研究[J]. 交通运输系统工程与信息, 2013, 13(5): 185-193 doi:  10.3969/j.issn.1009-6744.2013.05.028

    Liu Chengliang, Duan Dezhong. Spatial Growth of Urban-Rural Road Network in Wuhan Metropolitan Area Based on Fractal Theory[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(5): 185-193 doi:  10.3969/j.issn.1009-6744.2013.05.028
    [24] 孙峤, 任荣荣. 过度通勤的识别及其影响因素: 以深圳为例[J]. 大连理工大学学报(社会科学版), 2010, 31(4): 49-54 doi:  10.3969/j.issn.1008-407X.2010.04.009

    Sun Jiao, Ren Rongrong. Identification of Excessive Commuting and Its Influencing Factors: A Case Study of Shenzhen[J]. Journal of Dalian University of Technology (Social Sciences), 2010, 31(4): 49-54 doi:  10.3969/j.issn.1008-407X.2010.04.009
    [25] Chen J, Hu Y, Li Z, et al. Selective Omission of Road Features Based on Mesh Density for Automatic Map Generalization[J]. International Journal of Geographical Information Science, 2009, 23(8): 1 013-1 032 doi:  10.1080/13658810802070730
  • [1] 罗琼, 舒红, 徐亚瑾, 刘稳.  移动轨迹数据支持下的城市居民通勤活动分析 . 武汉大学学报 ( 信息科学版), 2021, 46(5): 718-725. doi: 10.13203/j.whugis20200025
    [2] 卢俊, 张保明, 郭海涛, 张宏伟.  利用三视匹配元进行多视影像批处理重建 . 武汉大学学报 ( 信息科学版), 2017, 42(1): 109-115. doi: 10.13203/j.whugis20140672
    [3] 许宁, 尹凌, 胡金星.  从大规模短期规则采样的手机定位数据中识别居民职住地 . 武汉大学学报 ( 信息科学版), 2014, 39(6): 750-756. doi: 10.13203/j.whugis20140085
    [4] 孔云峰.  利用GIS与线性规划学校最优学区划分 . 武汉大学学报 ( 信息科学版), 2012, 37(5): 513-515.
    [5] 甘雨, 隋立芬.  动态导航定位噪声相关性的实时探测处理 . 武汉大学学报 ( 信息科学版), 2011, 36(8): 909-913.
    [6] 张健钦, 陆锋, 徐志洁.  基于多Agent的动态路况信息服务系统仿真研究 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1226-1230.
    [7] 方志祥, 宋莺.  嵌入式环境基于实时交通信息的多层次路径规划算法 . 武汉大学学报 ( 信息科学版), 2008, 33(4): 397-401.
    [8] 张东, 刘爱龙, 杨学伟, 陈涛.  车辆导航路径规划中道路可用性研究 . 武汉大学学报 ( 信息科学版), 2007, 32(5): 462-465.
    [9] 郑肇葆.  基于Bayesian线性规划的影像纹理识别方法 . 武汉大学学报 ( 信息科学版), 2007, 32(3): 193-196.
    [10] 李书进, 虞晖.  基于扩展卡尔曼滤波的非线性带滑移滞变系统的实时估计 . 武汉大学学报 ( 信息科学版), 2004, 29(1): 89-92.
    [11] 邱卫宁.  具有稳健初值的选权迭代法 . 武汉大学学报 ( 信息科学版), 2003, 28(4): 452-454.
    [12] 耿红, 王泽民.  基于灰色线性规划的土地利用结构优化研究 . 武汉大学学报 ( 信息科学版), 2000, 25(2): 167-171.
    [13] 陈兆玉, 周婕, 贺文(龙夭).  衡水市中心区控制性详细规划中的技术问题 . 武汉大学学报 ( 信息科学版), 1998, 23(1): 76-80,91.
    [14] 郑肇葆.  基于MRF参数的纹理识别的线性规划法 . 武汉大学学报 ( 信息科学版), 1996, 21(3): 228-231.
    [15] 黄波.  GIS与ES的结合及其在控制性规划管理中的应用 . 武汉大学学报 ( 信息科学版), 1995, 20(1): 35-39.
    [16] 王新生.  线性规划原理在城市道路控制点标高优化设计中的应用 . 武汉大学学报 ( 信息科学版), 1995, 20(3): 269-272.
    [17] 赵少荣.  边角网二类优化设计 . 武汉大学学报 ( 信息科学版), 1991, 16(1): 37-48.
    [18] 郑肇葆, 谭春健, 张润根.  按残差绝对值和最小原理的光束法区域网平差 . 武汉大学学报 ( 信息科学版), 1990, 15(2): 34-40.
    [19] 高扬.  高精度工程控制网的二类优化设计研究 . 武汉大学学报 ( 信息科学版), 1987, 12(1): 92-103.
    [20] 郑肇葆.  线性规划在摄影测量粗差检测中应用的尝试 . 武汉大学学报 ( 信息科学版), 1985, 10(3): 50-60.
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  662
  • HTML全文浏览量:  162
  • PDF下载量:  69
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-09-27
  • 刊出日期:  2021-05-05

顾及实时路况的城市浪费性通勤测算

doi: 10.13203/j.whugis20190363
    基金项目:

    国家自然科学基金 41471383

    国家自然科学基金 51878558

    四川省科技支撑计划 2020YJ0325

    成都市重点研发支撑计划 2019-YF05-02119-SN

    作者简介:

    张红,博士,副教授, 主要从事空间复杂性和城市地理学研究。hzhang@re.ecnu.edu.cn

    通讯作者: 徐珊,硕士生。xushan2911@foxmail.com
  • 中图分类号: P208

摘要: 通勤是城市居民的基本交通需求,也是联系城市居民居住地和就业地的重要桥梁。城市居民的就业地与居住地很少能完全重叠,从而导致了浪费性通勤。现有浪费性通勤研究主要通过问卷调查进行,存在样本有限、成本较高、分辨率不足等问题。提出了一种顾及实时路况的城市浪费性通勤测算思路,并将其用于中国四川省成都市浪费性通勤测算。通过调用高德地图应用程序接口(application programming interface,API)获取成都市居住地和就业地的兴趣点(point of interest,POI)数据,然后分别使用完全随机抽样和分层抽样方法对居住地与就业地POI进行抽样,生成通勤点对。编写网络爬虫程序,在高德地图中基于实时路况自动批量查询公共交通模式(公交与地铁)下最快捷、最经济、最少换乘情况时各通勤点对的实时通勤时间与通勤费用,计算出任一通勤点对的通勤时间与通勤费用的平均值。使用线性规划方法计算所有通勤点的理论最小通勤时间,分析成都市浪费性通勤时间与费用的统计与空间分布特征,揭示通勤薄弱环节和通勤供需严重不平衡地区。结果表明:成都市一环、二环、三环内的平均通勤时间分别为2 126 s、2 439 s、2 922 s。成都市老城区三环内浪费性通勤率为80.69%,通勤容量使用率69.34%。这与极光、百度等网站使用轨迹大数据分析的结果,以及其他学者的经验研究结果十分接近。

English Abstract

张红, 徐珊, 龚恩慧. 顾及实时路况的城市浪费性通勤测算[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
引用本文: 张红, 徐珊, 龚恩慧. 顾及实时路况的城市浪费性通勤测算[J]. 武汉大学学报 ( 信息科学版), 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
ZHANG Hong, XU Shan, GONG Enhui. Urban Wasteful Commuting Calculation Concerning Real‑Time Traffic Information[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
Citation: ZHANG Hong, XU Shan, GONG Enhui. Urban Wasteful Commuting Calculation Concerning Real‑Time Traffic Information[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 650-658. doi: 10.13203/j.whugis20190363
  • 居住地与就业地作为城市空间结构的两大组成要素,其空间分布匹配关系是城市规划、交通出行领域的重要议题并一定程度上决定了通勤的空间格局[1-2]。通勤作为现代城市经济系统中的重要组成部分,其强度是城市经济活力的标志[3]。但是,当通勤强度过高,职住严重不均衡时将会带来严重的城市拥堵问题和一系列的社会问题。

    浪费性通勤率这一概念最早由文献[4]提出,现已成为生态经济学、地理学、城市规划和土木工程等领域的热门研究话题[5]。该值可以表示城市的通勤效率以及城市空间要素配置的合理程度[6],为提高城市通勤效率,减少通勤时间提供了独特的视角和方法。

    现有关于浪费性通勤的研究主要集中于浪费性通勤的影响因素[7]、通勤数据的获取与测算[8-9],以及浪费性通勤与城市结构的关系等[10]。文献[11]利用空间分解等方法,发现城市内部不同区域通勤效率存在差异;文献[12]指出就业离心化可以显著减少通勤时间;文献[7]通过收集半年的智能卡数据分析居民通勤特征。另外,学者们还对不同城市居民的通勤特征进行了研究[13-19]

    数据获取手段与分析方法的局限性在一定程度上制约了多时空尺度浪费性通勤的研究。例如,常见的问卷调查法由于受访者的回忆可能存在错误以及受访者的出行方式与时间不一致,导致数据的准确性不足[20],难以大范围推广,且这种方法消耗的时间和人力成本较大[21];而公交智能卡数据获取途径有限,且只代表了部分人部分时间的出行方式。

    网络地图和各种出行应用软件的出现,为实时交通数据获取提供了新的途径。本文针对现有研究的不足,提出一种顾及实时交通路况的城市浪费性通勤测算方法,通过调用高德地图应用程序接口(application programming interface,API)获取居住地与就业地的兴趣点(point of interest,POI)数据,基于实时路况查询获取多种出行策略下的出行路线,估算出行时间与出行成本。这种方法具有实时、经济、可靠、高效、复制性强等特点,可作为传统问卷调查方法的重要补充。

    • 就业与居住是城市居民生产与生活活动的空间载体和表现形式,也是城市空间结构的核心变量。就业地与居住地的空间布局决定了居民通勤模式的选择,从而影响通勤时间与通勤费用。浪费性通勤是指在不改变城市空间结构的前提下,通过相互交换居住地与就业地,使城市通勤在理论上达到最小值,实际通勤值与理论最小通勤值之差即为浪费性通勤[22]

    • 理论最小通勤值计算中的通勤成本用通勤时间与通勤费用表示,其测算基于如下3个假设条件:

      1)假定所有人员的出发时间相同;

      2)假设居住者和就业者都愿意按照最优化原则与区域内任何一位居住者和就业者交换区位;

      3)假设每个居住地的就业人数及每个就业地的工作人数均为1人。

    • 线性规划在社会经济与城市通勤中应用广泛[23]。设$ {c}_{ij} $为从居住地i到就业地j的通勤距离或时间,$ {x}_{ij} $表示该方向上的通勤人数即通勤流量,则实际通勤时间$ {Q}_{\mathrm{a}\mathrm{r}\mathrm{c}} $为:

      $$ {Q}_{\mathrm{a}\mathrm{r}\mathrm{c}}=\sum\limits_{i}\sum\limits_{j}{c}_{ij}{x}_{ij} $$ (1)

      假定$ {P}_{i} $为居住地$ i $(=1,2…n)的上班人数,$ {E}_{j} $为就业地j(=1,2…m)的上班人数,理论最小通勤值$ {Q}_{\mathrm{m}\mathrm{r}\mathrm{c}} $的计算就转化为求使整个城市的总的通勤距离或时间最短的问题。$ {Q}_{\mathrm{m}\mathrm{r}\mathrm{c}} $的计算基于如下约束条件,使用线性规划方法求解。

      1)对每一个居住地$ i $(=1,2…n),有:

      $$ \sum\limits_{j=1}^{m}{x}_{ij}\le {P}_{i} $$ (2)

      该约束条件定义了从每个居住地到各个就业地的通勤人数不能超过该居住地的上班人数。

      2)对每一个就业地$ j $(=1,2…m),有:

      $$ \sum\limits_{i=1}^{n}{x}_{ij}\le {E}_{j} $$ (3)

      该约束条件定义了从不同的居住地到每个就业地的通勤人数不能超过该就业地的上班总人数。

      3)对每一个$ i $、$ j $,有:

      $$ {x_{ij}} \ge 0,i = 1,2 \cdots n;j = 1,2 \cdots m $$ (4)

      该约束条件表示通勤人数取非负值。

    • 基于实际通勤时间$ {Q}_{\mathrm{a}\mathrm{r}\mathrm{c}} $、理论最短通勤时间$ {Q}_{\mathrm{m}\mathrm{r}\mathrm{c}} $和理论最长通勤时间$ {Q}_{\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{r}\mathrm{c}} $,可计算得到对应的浪费性通勤率$ E $和通勤容量使用率$ C $,以衡量不同城市之间的通勤效率和职住平衡状况[24]。浪费性通勤率$ E $的计算公式为:

      $$ E=\frac{{Q}_{\mathrm{a}\mathrm{r}\mathrm{c}}-{Q}_{\mathrm{m}\mathrm{r}\mathrm{c}}}{{Q}_{\mathrm{a}\mathrm{r}\mathrm{c}}}\times 100\mathrm{\%} $$ (5)

      通勤容量使用率C的计算公式为:

      $$ C=\frac{{Q}_{\mathrm{a}\mathrm{r}\mathrm{c}}-{Q}_{\mathrm{m}\mathrm{r}\mathrm{c}}}{{Q}_{\mathrm{m}\mathrm{a}\mathrm{x}\mathrm{r}\mathrm{c}}-{Q}_{\mathrm{m}\mathrm{r}\mathrm{c}}}\times 100\mathrm{\%} $$ (6)
    • 本文以中国四川省成都市为例进行城市浪费性通勤测算。成都市位于102°54′E~104°53′E、30°05′N~31°26′N之间,2018年成都市常驻人口已达1 633万人,地区生产总值15 342.77亿元。由于成都市道路网呈典型的环形放射状,三环路是中心城主体部分与中心城外围区域的分界线,所以本文以成都市老城区(包括金牛区、青羊区、武侯区、锦江区及成华区)三环内区域为研究对象。成都市老城区行政区划如图 1(a)所示。

      图  1  成都市老城区行政区划及三环内POI数据分布图

      Figure 1.  Five Old Districts of Chengdu and POI Within the Third Ring Road of Chengdu

    • 因成都市道路网呈典型的环形放射状,三环路是中心城主体部分与中心城外围区域的分界线。本文以成都市老城区三环内区域为研究对象。根据2017年国土资源部组织修订的《土地利用现状分类GB/T 21010-2017》有关标准[24],首先确定居住地和就业地对应的主要用地类型(见表 1),然后撰写网络爬虫程序,利用高德“搜索POI”接口,从高德地图网站爬取得到2019年3月成都市三环内全部居住地和就业地的POI数据,每条数据包括名称、类型、经纬度等属性信息。通过数据清洗,最终得到11 777条居住地POI数据和131 653条就业地POI数据。

      表 1  各区域用地类型

      Table 1.  Corresponding Land Use Types for Residential and Working Places

      区域类型 一级类 编码 二级类
      居住地 住宅用地 0701 城镇住宅用地
      0702 农村宅基地
      就业地 商服用地 0501 零售商业用地
      0502 批发市场用地
      0503 餐饮用地
      0504 旅馆用地
      0505 商务金融用地
      0506 娱乐用地
      0507 其他商服用地
      公共管理与公共服务用地 0801 机关团体用地
      0802 新闻出版用地
      0803 教育用地
      0804 科研用地
      0805 医疗用地
      0806 社会福利用地
      0807 文化设施用地
      0808 体育用地

      鉴于居住地类型的复杂性,对于居住地POI采用完全随机抽样方法;对于就业地POI,按POI类型比例进行分层抽样,根据各区就业地占整个研究区域的比值选取。就业地和居住地各选取1 500个POI(见图 1(b))。

      任一居民都可选择任一就业地,实际得到2 250 000条通勤点对,以2019年3月19日上午8时成都市路况为准,记录高德地图返回公共交通(含公交、地铁)路径规划的3种出行方案(最快捷、最经济、最少换乘)下对应的通勤时间和通勤费用,取其平均值作为该通勤点对的通勤时间与费用。

    • 本文从统计和空间两个角度剖析成都市整体、分环及分行政区通勤与浪费性通勤特征。同时,使用线性规划方法计算出成都市浪费性通勤率及通勤容量使用率,与其他城市进行对比。

    • 成都市三环内所有通勤点对间最长、最短和平均通勤时间分别为7 418 s、434 s和2 922 s(48.7 min),标准差为804.78 s。平均通勤时间与文献[14]在2012年通过1 635份问卷调查得到的成都市浪费性通勤结果1 896 s(31.6 min)有一定差异,但与极光大数据在《2018年中国城市通勤研究报告》中公布的成都市浪费性通勤的时间2 760 s(46 min)非常接近,也与百度地图在《2018年度中国城市交通报告》中公布的中心城区单程平均通勤时间2 634 s(43.9 min)极为接近。这表明考虑土地利用模式和实时路况,能得到与实际轨迹大数据分析相一致的通勤特征。而2018年浪费性通勤时间显著高于2012年,可能与城市化进程的快速推进、城镇空间的显著扩张等有关。

      成都市一、二、三环内的最长通勤时间分别为4 500 s、4 600 s、7 418 s,平均通勤时间分别为2 126 s、2 439 s、2 922 s。成都市整体和各环内通勤点对的通勤时间概率分布如图 2(a)所示。由图 2(a)可知,成都市通勤呈现典型的核心-外围分布模式,与成都市单中心结构形态、土地利用开发强度和人口密度从中心向外围环状衰减的规律相一致。

      图  2  成都市通勤时间与通勤成本柱状图

      Figure 2.  Histogram of Commuting Time and Cost of Chengdu

      成都市所有通勤点对中,最高、最低和平均通勤费用分别为8、0、3.215元,标准差为0.735元。成都市一、二、三环平均通勤成本分别为2.54、2.84、3.23元。成本分布如图 2(b)所示。

    • 图 3为成都市通勤成本核密度图。成都市三环内通勤时间和通勤费用均呈现出典型的中心-外围增长趋势。城市中存在多个通勤时间和费用低值聚集区,对应于交通枢纽或交通换乘便捷地带。通勤成本最高的地区位于成都市东北方向三环附近,这可能是因为郊区人口密度低、就业岗位较少、路网建设水平不高。

      图  3  成都市三环内通勤成本核密度图

      Figure 3.  Kernel Density Map of Commuting Cost in Chengdu

      各行政区相比较,锦江区、青羊区和武侯区的通勤成本较低,成华区的平均通勤时间最长,费用最高。一方面是因为成华区内许多传统工业在改革开放后倒闭或破产,第三产业发展较落后,区内就业机会有限;另一方面是由于成都市“东进”策略的推进,政府对作为中心城“东大门”的成华区进行大力改造,很多大型国有企业搬迁,原居民被安置到三环地区外,原有的职住邻近格局被打破,通勤时间和费用增加[15]

    • 成都市三环内理论最短通勤时间为475 s,浪费性通勤率为80.69%,这一数值远高于广州市(58%)、北京市(64%)、苏州市(71%)和中山市(42%)的浪费性通勤率[16-19],且略高于文献[13]计算的成都市浪费性通勤率为73.40%的结果。

      通勤容量使用率$ C $是刻画城市通勤效率的有效指标,$ C $值越小,表明该城市的通勤效率越高,职住平衡的状态越好;反之,则通勤效率越低,职住分离越严重[17]。成都市通勤容量使用率为69.34%,远高于四川绵阳市(41.85%)、北京市(17.00%)、中山市(3.36%)的通勤容量使用率,而接近于苏州市(64.00%)的通勤容量使用率[14, 16-19]

      成都市职住发展不均衡与城市空间结构特征密切相关。成都市各区呈楔形或扇形,自城市中心向外延伸,各区内居住与就业发展水平、空间分布均不平衡。

    • 本文选取道路网、地铁、公交及人口密度这4个因素,剖析它们对城市通勤效率的影响。

    • 成都市道路网为典型的环形放射状模式,局部为格网状或树状填充。本文选取路网密度(包括长度密度和条数密度[23)、网眼密度[25]、网眼形状指数4个指标分析路网特征对通勤的影响(见图 4)。图 4表明,道路网长度密度表现出显著的由中心向外围迅速衰减的趋势,而条数密度从一环到二环减速相对较缓慢。道路网长度密度、条数密度与平均通勤时间呈显著负相关,相关系数分别为-0.990 3和-0.996 8。道路网网眼密度经历了先升后降的过程,而道路网形状指数则与平均通勤时间变化趋势一致,表现出快速增加的趋势。道路网形状指数与平均通勤时间成正相关,相关系数为0.922 0。

      图  4  成都市道路网指标与各环平均通勤时间关系图

      Figure 4.  Relationships Between Measurements of Road Network Morphology and Average Commuting Time for Each Ring Road of Chengdu

    • 目前,成都市中心城区已形成“轨道交通为骨干,快速公交、有轨电车和常规公交为主体,出租车为补充”的现代大都市公共交通体系。图 5绘制了各地铁站点周围2 km范围内居民人均通勤时间与通勤费用。重要的地铁站点,如西南财大站、蜀汉路东站、九里堤站、高升桥站等地铁站附近居民的通勤时间明显低于距市中心同等距离的其他各处。这表明发展轨道交通将显著提升城市居民的通勤效率。

      图  5  地铁站2 km范围内居民通勤成本空间分布图

      Figure 5.  Commuting Time and Cost Within 2 km of Subway Stations

      本文利用高德API爬取成都市2019年三环区域内所有的公交站点,使用ArcGIS软件的点密度工具计算了成都市公交站点的分布密度(见图 6(a))。可以看出,成都市公交站点整体格局较为均匀,据《2017年中国主要城市公共交通大数据分析报告》显示,成都公共汽车、电车线路数在全国名列第9,线路网密度全国第3。

      图  6  成都市三环内公交站点与公交线路密度图

      Figure 6.  Density Map of Bus Stations and Routes in the Third Ring of Chengdu

      本文从8684公交查询网站获取公交线路信息,使用ArcGIS线密度工具绘制了成都市公交线路分布密度图(见图 6(b))。从一环往外,二、三环内,南部公交网络最为发达,通勤成本也较低。西北方向出现一块小的公交线路高密度区,但其通勤效率并没有出现明显改变。部分原因是该区域附近有集长途客运、市内公交、地铁、加油、加气为一体的综合性交通枢纽站—茶店子客运站,以及代表成都美食文化和餐饮最高水平的美食街——一品天下美食商业街,此区域内密集的公交站多服务于游客或其他机动人口。

    • 2018年成都市人口密度为1 119人/km2,一、二、三环内平均人口密度分别为10 388、1 172和543人/ km2。一环内核心区人口密度甚至高达14 000万人/km2。成都市中心城区集中了60%的城镇人口,而二、三环间区域仍处于人口净流出阶段。图 7表明人口密度与平均通勤时间表现出明显的正相关趋势,即人口密度高的地区,平均通勤成本也较高。

      图  7  成都市各区人口密度与平均通勤时间折线图

      Figure 7.  Diagram of Population Density and Average Commuting Time of Each Districts of Chengdu

    • 浪费性通勤是评价城市结构是否合理的重要指标。现有浪费性通勤研究多依赖于问卷调查,存在数据准确度不足、时空分辨率有限、可复制性差等问题。为此,本文提出一种顾及实时路况的城市浪费性通勤测算的新思路,采用开源地理数据,调用高德地图API查询、分析通勤点对通勤成本特征与影响因素。结果表明,成都市三环内所有通勤点对间最长和最短通勤时间分别为7 418 s、434 s,平均通勤时间为2 922 s(48.7 min)。成都市三环内浪费性通勤率为80.69%,通勤容量使用率为69.34%。这一结果与极光、百度大数据等使用轨迹数据分析的结果极为接近。与绵阳市、北京市、中山市、苏州市等城市的浪费性通勤相比,成都市整体通勤效率仍待提升,职住平衡问题仍较严峻。道路网形态是影响成都市通勤成本的关键因素,地铁建设明显有助于提升通勤效率。

      本文仅考虑了公交与地铁两种通勤方式,对于其他出行方式,如出租、自驾及骑行考虑不够。实际生活中,居民有多种通勤策略与通勤方式,今后将探讨面向多种出行策略的城市浪费性通勤测算方法。此外,关于通勤点对的选取方式(包括点对数量与位置)对于浪费性通勤计算结果的影响仍有待探讨;有关街道网形态、土地利用等与城市通勤效率的关联分析仍待深入。同时,结合实际GPS数据优化浪费性通勤计算模型、城市浪费性通勤的尺度效应等问题也是下一步研究的方向。

参考文献 (25)

目录

    /

    返回文章
    返回