TOD 真的需要公共交通嗎？
——軌道交通可達性以外的重要因素探討

Daniel G.Chatman著，葉 峰，楊 策譯

(1.加利福尼亞州大學伯克利分校城市與區域規劃系，美國伯克利CA94720；2.拉薩市住房和城鄉建設局，西藏拉薩850000；3.國家發展和改革委員會城市和小城鎮改革發展中心綜合交通研究院，北京100045)

0 引言

以公共交通為導向的發展模式(Transitoriented Development,TOD)是一項普遍的城市規劃策略；在實際應用中，它通常意味著在軌道交通車站周邊新建住房。TOD這一術語可以解釋為公共交通周邊的房屋(群)，或者軌道交通車站周邊大至0.5英里(約800 m)半徑范圍區域，其內部高密度、混合功能開發，步行可達購物場所，擁有便捷的步行設施、較低的停車供應，設計鼓勵家庭使用步行、自行車及公共交通來取代汽車出行[1-2]。

TOD政策的一個主要目標是降低汽車使用對地區及全球環境的影響。通過TOD追求環境目標需要滿足兩個重要的前提條件：1)居住在軌道交通車站附近新開發小區內的家庭，比那些老小區內的家庭或遠離軌道交通車站的家庭開車更少；2)與TOD模式的其他屬性相比，臨近軌道交通車站是考慮問題的關鍵因素。我們有很多理由去懷疑這些前提條件。新開發小區也許會吸引更多的富裕居民，他們往往比那些住在軌道交通車站附近老房子里的居民開車更多。無論是否有軌道交通通過，開發強度越高、停車位越少、更多就近商店和服務的存在，都會減少汽車的使用。

雖然研究早已揭示居住在軌道交通車站周邊的家庭明顯擁有更高的公共交通使用率，特別是使用軌道交通[3]。然而對于這些家庭是否同時也更少地擁有和使用私人汽車的研究卻很少。2003年，加利福尼亞州一項公共交通導向的住房開發研究證實，72%的受訪者使用私人汽車通勤，低于周邊城市1999年人口普查中90%的使用率[4]。利用安裝在道路上的車輛計數器，一項針對美國4個都市區17個公共交通導向開發區域的研究發現，這些小區的車輛出行較交通工程師協會(Institute of Transportation Engineers,ITE)手冊公布的出行率降低了44%[5]。由于這些研究均缺乏對照組，所以報告揭示的巨大差異也許并不能推廣。對TOD調查普遍存在無回應的情況、運用不同的調查設備以及調查時間的差異(間隔4年)都可能導致實驗觀察到的汽車使用率低于普查結果；相比ITE評估的車輛出行次數較低，部分原因可能是ITE評估本身偏高[6]。

關于建設環境對汽車出行影響的統計分析與本主題相關，這是因為其限定了TOD的很多組成要素。然而，與諸如人口密度的建設環境指標相比，涉及軌道交通或公交可達性指標的研究卻很少。在最近一項對超過200篇研究建設環境與出行行為關系的文獻綜述中，只有6項研究在家庭或個人層面上使用車輛行駛距離作為因變量，并且以居住地到軌道交通或公交車站的距離作為自變量[7]。車輛使用相對于公交臨近程度的平均彈性系數非常小(-0.05)，并且在統計學上不顯著。

一些研究發現，軌道交通可達性與車輛擁有及使用之間要么幾乎沒有聯系，要么呈正相關關系。一項圣地亞哥和舊金山灣區的研究發現，當控制大量街區層面建設環境的情況下，臨近重軌(heavy rail)的程度與較高車輛行駛里程密切相關[8]。一項曼哈頓和香港的研究表明，軌道交通車站乘客流量往往與周邊居民家庭汽車擁有量呈正相關[9]。一項針對美國370個都市圈的研究，利用結構方程發現鐵路可達性僅僅與人均汽車行駛距離有微弱關系[10]。根據奧斯丁仿真模型估計，隨著更多的建設開發集中在軌道交通車站周邊，雖然汽車平均出行距離縮短帶來行駛里程降低，但交通結構卻不會有太大變化[11]。

更多的研究證實，軌道交通可達性往往與較少的汽車使用相關。一項關于通勤方式和汽車出行距離的研究，基于全美家庭交通調查中覆蓋114個大都市區的數據，發現軌道交通可達性、公共汽車可達性以及城市形態都與較低的汽車使用密切相關[12]。另一項利用全美家庭交通調查數據進行的國家層面的研究運用結構方程揭示，以步行距離衡量的軌道交通可達性與較低的車輛行駛距離密切相關，直接原因可能是因為軌道交通對汽車使用的替代作用，間接原因則是鐵路周邊通常擁有更高的人口密度[13]。一項基于紐約出行日志數據的研究發現，居住和工作周邊的地鐵線路往往與更低的汽車使用率和更高的步行比例相關，同時指出地鐵線路可能是適宜步行街區的代表[14]。兩項國際研究也揭示了這種預期的關系。智利圣地亞哥市的一項研究發現，距城市軌道交通車站的距離與汽車通勤方式比例的高低密切相關，其主要是通過對交通方式選擇產生直接影響，而非對汽車擁有產生的任何強烈影響[15]。一項利用德國全國數據、針對擁有汽車的有照駕駛人的研究揭示，步行至公交車站的距離與車輛行駛距離高度相關[16]。

上述研究中都缺少了一個重要因素，即停車位供應。對路內及路外停車的研究甚至比軌道交通可達性的研究還要少，很大程度上是因為缺乏數據。一項關于紐約兩個社區的案例研究指出，二者在汽車使用上的差異很有可能由停車位供給引起，而非公共交通可達性、高速公路可達性或者人口特征的差異[17]。一項對紐約市1998年街區層面的人口普查數據研究發現，公共交通可達性及估計的路外停車供給都與往返曼哈頓的通勤汽車出行呈正相關[18]。紐約市最近一次使用相同數據庫、僅限于谷歌可以觀測停車位的研究發現，無論地鐵距離還是路外停車供應，都是汽車擁有量的顯著預測因子[19]。有關路內停車如何影響汽車使用方面的研究更是鳳毛麟角。一項研究表明，紐約市出于街道清潔的要求，沒有路外停車位的家庭往往會更多地開車，而有路外停車位的家庭則更少開車[20]。

幾乎所有研究對于這一研究問題都存在應用的局限，因為忽略了與軌道交通可達性相關的潛在重要協變量。除停車位供給之外，這些變量還包括街區尺度和分區建設環境指標，以及房齡和住房類型。極少有測試這些變量在軌道交通步行距離內重要性的研究。

1 研究設計

本研究組織了一項家庭郵件調查，調查對象為新澤西州10個地鐵車站2英里(約3.219 km)半徑范圍內的家庭。這些家庭有的居住在有目的建造的TOD社區里，有的居住在遠離軌道交通的新舊住房里。之所以選擇2英里半徑區域而不是對整個州取樣，目的在于平衡控制汽車使用的空間相關影響和方便觀察車站不同距離內的出行行為。由于距離最近公交車站超過0.5英里(約800 m)后公交使用會急速下降[21-22]，同時TOD被定義為在軌道交通車站適宜步行范圍以內，所以步行范圍以外的家庭被作為對照組。將取樣范圍限制在10個車站區域內有利于收集大量被調查人的路內停車數據。這些停車數據包括在10個車站周圍0.25英里(約400 m)半徑之內步行觀測到的路內停車供應。將家庭調查與路內停車數據融合，并結合從次級地理信息系統數據源中提取的調查范圍內街區和分區的空間數據，構成了本研究所使用的數據源。只有距離固定車站最近的家庭才有路內停車供給狀況的觀測數據。這些數據構建步驟簡述如下，更多的細節見其他文章[23]。

調查車站包括位于莫里斯-埃塞克斯線(Morris&Essex Line)的莫里斯城(Morristown)和南橙縣(South Orange)、北澤西沿海線(North Jersey Coast Line)的珀斯安博伊(Perth Amboy)和南安博伊(South Amboy)，東北走廊干線(Northeast Corridor line)的雷維(Rahway)和特倫敦(Trenton)、拉里坦河谷線(Raritan Valley Line)的韋斯特菲爾德(Westfield)和克蘭福德(Cranford)、哈德遜卑爾根輕軌線(Hudson-Bergen Light Rail Line)的第二大街(2nd Street)和埃塞克斯(Essex)站(見圖1)。這些車站可以非常容易地通往曼哈頓市區，涵蓋了輕軌、重軌、高頻次通勤鐵路，具有很好的公共交通可達性。以2英里為半徑，圍繞這10個車站的區域范圍內涵蓋74萬人口，約為新澤西州人口總量的9%，比新澤西州其他地區有著更好的公交可達性和更高的人口密度。

本文構建了一個包括5 000個房屋單元的樣本，其中包括1 073個位于車站步行范圍以內新近建成或大規模翻新過的多戶住宅。其他樣本均為從住戶名單中抽取，其美國郵政編碼地址均位于車站2英里范圍內。對這份名單進行地理編碼，隨機抽取2 427棟距離車站0.25英里直線距離范圍內的住房，以及其他1 500棟位于距離車站0.25～2.00英里的住房。

問卷調查主要關注住宅特性、路內和路外停車、是否工作出行、家庭特征以及住宅區位條件[23]。問卷調查經過測試和修訂，最終在2009年6月3日—8月26日寄出。利用調整后的迪爾曼(Dillman)郵件調查總體設計方法協議，共發送了5封招聘郵件：問卷調查及邀請信，提醒卡，隨后給未回復調查問卷的用戶替代調查問卷的兩封信，一份最后機會的聯系信[24-25]。最終，共收到1 143份完成的調查卷，回收率25.4%，數據匯總見表1。

觀測記錄地鐵車站0.25英里直線距離范圍內至少50%區域的路內停車位。所有街區平均分配給3組受過訓練的學生調查員。調查員于17:00—20:30步行觀測晚高峰的停車狀況，按類型收集818個街道區段的6 237個路內停車位的數量(劃線和非劃線)，停車位是否被使用，停車時長限制，空間類型(殘疾人專用及特別許可)，停車時間限制，街道清潔，禁停時間段。停車數據收集早于家庭調查前一年進行(家庭調查推遲是因為研究資金方面的原因)。將停車觀測數據與街道分區地圖整合，并匯集到GIS中構建522戶住在地鐵車站周邊直線距離0.25英里范圍內的家庭，得到其周邊0.25英里直線范圍內每英里道路的夜間停車位供給觀測指標。

圖1 調查車站周邊2英里及0.25英里范圍Fig.1 Selected stations with two-mile and quarter-mile buffers

基于2000年人口普查中街區人口和土地數據，利用GIS可以計算得到每位受訪者家庭0.25英里直線范圍內的普查街區人口密度。利用人口普查局(Census Bureau)2008年進行的雇主家庭縱向動態調查(Longitudinal Employer Household Dynamics)數據庫以類似的方法也可以計算獲得當地零售和總體就業密度[26]。從referenceusa網站下載北美產業分類體系中編號為445110的數據，按照地址進行地理編碼，并集計到受訪者家庭0.25英里范圍內，從而形成研究所用的雜貨店超市數目數據。家庭1英里范圍內的公交車站密度可以通過公交車站位置計算得到，數據來源于2010年新澤西州公共交通部門(NJ Transit)。距離曼哈頓中央商務區(CBD)的網絡距離，可以被定義為距離中央火車站(Grand Central Station)或者賓州車站(Penn Station)的距離，通過使用GIS中的街道文件和網絡線路分析計算得到。分區人口密度、就業密度以及公共汽車站密度等指標，可以從2005—2007年匯集的美國社區調查公眾使用微觀數據樣本(American Community Survey Public Use Microdata Sample)中當地家庭所在的可公開使用微觀數據區域(Public Use MicrodataAreas,PUMAs)中獲取。

表1 描述性統計(選定變量)Tab.1 Descriptive statistics(selected variables)

本文運用問卷中對以下問題的回答設計住宅區位條件變量：“請依序列出吸引你來到這一社區的3個主要因素”。在受訪者對一組因素進行排序時，一個虛擬變量被設定為1，不論其具體排名。

1)新房子指調查時建成時間在7年及以內的房屋，靠近軌道交通指道路網測量距離0.4英里以內范圍；2)路內、路外停車緊缺指路內停車空間低于平均值，家庭每位成年人路外停車位不足1個。

如果受訪者家庭中平均每位成年人的路外停車位少于1個，設定其路外停車位稀缺性為1，其他情況則設為0。此外，本文還設計變量描述路內停車與路外停車的相互作用。如果沒有路外停車而有充足的路內停車，或者有充足的路外停車但沒有路內停車，則不存在停車困難。如果每個家庭每位成年人擁有不足1個路外停車位，或者可用的夜間路內停車位低于觀察到的中位數(每英里街道138個夜間停車位)，變量為1。

在數據描述和分析中，對新老住宅、軌道交通步行范圍內外進行區分。新住宅指在調查時間7年及以內建成的房屋，依據受訪者問答以及其他獨立收集到的針對車站附近選定住宅的信息確定①。適宜步行距離指任何車站沿道路網0.4英里(約644 m)以內的范圍，在本研究區域內人行道普遍存在。這一定義比文獻[2]針對TOD提出的步行距離2 000英尺(約610 m)稍短。對于大多數住宅來說，大致等同于0.25英里(約400 m)的直線距離。

表1顯示了分析中使用的主要變量的均值和標準差。

表2 房齡及與軌道交通車站間距離與汽車擁有和使用的關系Tab.2 Auto ownership and use by age of housing and distance to rail

表3 房齡及距軌道交通車站距離與住宅、停車及空間特征的關系Tab.3 Housing,parking,and spatial characteristics by age of housing and distance to rail

2 距軌道交通線路距離及房齡觀測的差異

與居住在更遠新老住宅中的居民相比，居住在軌道交通車站步行范圍內新房子中的受訪者，其私人汽車擁有量、汽車通勤以及每周私人汽車購物出行都更少(見表2)。同樣比居住在軌道交通線路附近老房子內的居民有更低的汽車通勤及購物出行頻率，一個顯著的結論是軌道交通線路附近新房子內的居民家庭收入顯著更高。

與軌道交通車站間距離以及房齡等有關的大量因素也許對汽車擁有和使用起到一定影響作用。出租屋及小房子也許會吸引那些更少使用汽車的家庭，因為他們更年輕、收入更低、并且孩子更少。在這些區域，軌道交通線路附近的新房子往往更可能被出租，它們基本上都是小房子。事實上，即使距離軌道交通更遠的新房子也更有可能是小房子(見表3，列1和2)。盡管新房子有更多的可用路內停車位，但是軌道交通線路附近新房子的路外停車供給比遠距離房子更少(見表3，列3和4)。盡管更多靠近軌道交通線路的老房子擁有的路外及路內停車位都偏低，但這一差別在統計意義上并不明顯(見表3，列5)。更大的街區空間環境也扮演著重要角色。無論是軌道交通線路附近的新舊房屋還是遠離軌道交通線路的老房子，人口密度均遠高于遠離軌道交通線路的新房子(見表3，列6)。軌道交通附近新房子1英里范圍內平均擁有超過150個公共汽車站，遠高于其他組(見表3，列7)。

軌道交通線路附近新房子居民的汽車擁有和使用均較低也有其他可能的解釋，但是這些數據很難獲得。例如，或許最近遷移至TOD區域內的人短期內是為了方便地使用公共交通進行通勤，但是也許過幾年隨著工作地點的變化，他們就開始開車。年輕人生活方式偏好的轉變或許也可以解釋一些新的TOD房屋與較低汽車使用的關聯，或者房屋和勞動力市場的變化以及最近的經濟衰退，都會被最近這些遷徙者更敏銳的感知，他們更傾向于通過更少地擁有及使用汽車來省錢。

為了探索這些可能的解釋，本文進行一系列多元回歸分析，包括汽車擁有量、通勤量以及購物出行頻率②。首先對三項指標分別構建回歸模型，僅將與軌道交通線路間距離和房齡作為自變量。在第二次回歸中，加入其他住房、停車及空間特征。第三次回歸中，加入人口特征和住宅選擇標準③。不同的房屋和街區會吸引那些對汽車擁有和使用有著不同水平和偏好的家庭。每個表格中的第二個模型都隱含了這些住房選擇影響，而第三個模型是為了估計那些與住房選擇相獨立的影響。系數的變異表征了與偏好以及住房選擇相關的效果在未來可能達到的范圍。第四個回歸模型僅應用軌道交通車站步行范圍內的家庭數據，測試與軌道交通線路間距離與其他如可用停車位等因素之間的相互作用。最后，對汽車通勤及購物出行頻率構建第五個模型，將汽車擁有作為一個(內生的)解釋變量，解釋如下。

3 車輛擁有

本文定義人均汽車擁有量為家庭擁有汽車數量與家庭中成年成員數量的比值。第一個模型采用最小二乘法，用與軌道交通線路間距離、房齡和步行距離臨界值回歸分析人均汽車擁有量。住宅每遠離軌道交通車站1 km，人均汽車保有量增加0.09輛(見表4，列1)。無論是否在軌道交通車站步行距離以內，老房子都具有較低的人均汽車保有量(將步行距離之外的新房子作為對照組)。這些系數表明，距離軌道交通線路較近的新房子平均汽車保有量比距離軌道交通線路較遠的新房子低27%。

當同時考慮居住、停車和建筑環境指標時，汽車保有量與距離軌道交通線路的遠近程度和房屋新舊程度的相關性明顯下降(見表4，列2)。無論是與軌道交通線路的距離還是房屋的新舊程度，從統計學上講都對人均汽車擁有量沒有顯著影響，而事實上軌道交通線路周邊新住宅的系數變為正數。路外停車匱乏、較低的路內及路外停車供給是模型中最重要的變量。人均路外停車位小于1的家庭，人均汽車保有量較其他家庭低0.16，其他都持平；而路內、路外停車位都較少的家庭，人均汽車保有量還要額外降低0.13。租住房屋的家庭人均汽車保有量要低0.065。在環境變量中，起到最大作用的是在住宅1英里范圍內的公共汽車站數量。-0.000 8的系數表明公共交通服務水平每增加一標準差(相當于在住宅1英里半徑范圍內多118個公交車站)，人均汽車保有量下降0.09。

第三個模型增加家庭人口特征和選擇偏好的變量，從而在模型中同時考慮了TOD會吸引原有公共交通使用者以及鼓勵現住戶更多地采用汽車之外的交通方式這兩種情況(見表4，模型3)。在這一模型中，新加入的人口特征、個人偏好變量的系數較大且較顯著，但本文更加關注房屋類型和空間特征，因為其與政策最為相關。與軌道交通線路間距離的系數仍然很小且不顯著。路外停車匱乏及路內、路外停車位稀缺性系數對人均汽車擁有量的影響分別從-0.16和-0.13降至-0.11，但是影響仍然很大，這兩種情況都會導致人均汽車保有量均值下降13%。聯排別墅及高層公寓的系數從-0.065增至-0.13；這主要是由于家庭規模在模型中被控制，因為家庭規模越大、人均汽車保有量越少。聯排別墅和高層公寓也許有遠離房屋的路外停車位。簡而言之，該模型表明區分收入、住宅大小以及房屋選擇偏好之后可以在很大程度上解釋汽車擁有量與停車供應、房屋類型及使用權、公共汽車可達性、就業密度等因素的相互關系。但是，這些影響因素仍然與低汽車擁有量顯著相關，而非距軌道交通線路距離。

針對靠近軌道交通線路家庭的研究可以測試軌道交通線路可達性與其他因素的相互作用(見表4，列4)。低路內、路外停車供給顯然對軌道交通車站可達性的影響更強烈：當分析僅限于臨近軌道交通車站的住戶時，低路內、路外停車供給的家庭人均汽車擁有量要低0.24，影響接近模型2中的2倍。

4 汽車通勤

在1 143位受訪者中，810位表示他們在調查之前一周全職或兼職工作，同時告訴其采用的通勤方式。表5展現了采用汽車(獨自駕駛)通勤方式的Logit模型，給出指數系數或比數比(OR)，系數與1的正負增量可以解釋為選用汽車通勤概率的變化。

表4 家庭成人人均汽車保有量與距軌道交通線路距離及其他因素間的函數關系(普通最小二乘回歸)Tab.4 Vehicles per adult in household as a function of distance to rail and other factors(OLS regressions)

在控制非軌道交通因素之前，距離軌道交通車站每增加1英里，汽車通勤概率將增加74%；與遠離軌道交通車站的新房住戶相比，軌道交通車站步行范圍內的新房住戶采用汽車通勤的概率僅為43%(見表5，列1)。在這一初始模型中，新老住戶不具備統計學上的明顯差別。

當加入住宅類型、停車位供應和建筑外環境變量后(見表5，列2)，在軌道交通步行范圍內這一因素對汽車通勤選擇的影響完全消失，繼而與軌道交通線路間距離的系數從1.72收縮到1.32，并且在統計學上不顯著。路外停車、就業密度、分區公共汽車站密度以及與市中心距離，均與汽車通勤密切相關。在控制住房、停車和建筑環境要素的情況下，住在老房子的住戶更有可能使用汽車通勤。鑒于所有新房子住戶均為最近搬遷，而老房子住戶自從上次搬遷后更加有可能經歷工作地點或其他相關地點的改變，使用汽車通勤可能成為一個更有吸引力的選擇。

當人口特征和住宅位置選擇標準得到控制，盡管相關性仍然比較大，但是老房子與汽車通勤之間正相關聯系的顯著性降低(見表5，列3)。路外停車位稀缺性對降低汽車通勤的可能性有非常顯著的作用，能夠使汽車通勤比例從63%降低至57%。軌道交通可達性的影響變得更加不顯著。

第四種汽車通勤模型僅考慮位于軌道交通線路步行范圍內的家庭，以便檢查軌道交通與其他因素間的相互作用(見表5，列4)。在這一模型中，新房子住戶更少采用汽車通勤，這一結論與模型2的結論相符。雖然路外停車供應本身不再顯著，車站周邊停車供給較低的家庭采用汽車通勤的比例只有其他家庭的40%。除了當地人口密度以外，其他模型2中的變量均不顯著。

最后，建立一個類似于模型2的汽車通勤模型，額外增加人均汽車保有量作為一個解釋變量。由于汽車保有量與通勤方式選擇間聯系緊密，汽車保有量的加入將會造成其他自變量系數的估計出現偏差。但其確實解釋了停車位供應、住房特性和公共交通可達性是怎樣與汽車通勤直接相關、并與汽車保有量間接相關。人均汽車保有量的系數為7.59，而路外停車供給統計學上的顯著性降低，這表明路外停車供給對汽車通勤選擇的作用主要通過汽車保有量體現(見表5，列5)。

5 利用汽車購物出行頻率

軌道交通線路可達性可以直接或間接地減少開車去超市的頻率，通過減少汽車保有量，降低汽車通勤頻率及與此相關聯的超市購物出行，或是鼓勵利用軌道交通去超市購物。最近一次全國居民出行調查顯示：購買食品、五金器具、服裝是最常見的出行目的，甚至超過通勤頻率[28]。超市購物也許是最普遍的出行，因為食物需求是最基本的需求；因此超市購物出行最容易被記住且正確報告。

基于被調查者最近3次超市購物出行的時間和出行方式信息，用最早一次超市購物至今的周數除以這段時間內通過私人汽車(單人或多人同車)進行的超市購物次數，由此構建每周利用汽車購物出行頻率的指標。僅對匯報了至少兩次購物出行完整信息的878名(占總樣本量的77%)受訪者計算這一指標。利用最小二乘法估計回歸模型。這一變量是連續的，范圍從每周0次(約5%的受訪者)到10.5次，均值為2.07次。

初始回歸發現：每遠離軌道交通車站1英里，每周利用汽車購物出行即增加0.51次；而臨近軌道交通車站新房子住戶的每周利用汽車去超市購物比其他家庭少0.73次(見表6，列1)。當住房、停車位和建筑環境特性都受控時，在軌道交通線路步行范圍內以及房齡的影響都變得不顯著，盡管與軌道交通車站間距離這一變量的系數減小但仍然顯著(見表6，列2)。在住宅0.25英里半徑范圍內每增加一家商店，則每周利用汽車購物出行將減少0.098次。路內、路外停車位稀缺性系數為-0.57，這意味著利用汽車購物出行會減少25%。路內及路外停車都不顯著，這表明對于具有貨物搬運需求的非工作出行，汽車更具吸引力，這時只有明顯阻礙汽車使用的因素會對最終出行方式選擇產生影響。住宅類型和使用權、當地人口密度以及就業密度在這些模型中均不顯著，而分區公共汽車站密度和就業密度則與預期一致，與利用汽車購物出行頻率負相關。有兩個令人費解的系數：距曼哈頓CBD的距離與利用汽車購物出行頻率負相關，1英里范圍內公共汽車站密度與利用汽車購物出行正相關(盡管后者效果下降，而且一旦控制人口統計特征這一效果即變得不顯著)。也許在公共交通可達性較高且更接近曼哈頓的區域，利用汽車進行短距離的購物出行會更多。然而，本研究所采用的數據中沒有出行距離的記錄。

表5 獨自駕駛汽車通勤的可能性與距軌道交通線路距離及其他因素間的關系方程(Logit回歸)Tab.5 Probability of commuting by singly occupied vehicle as a function of distance to rail and other factors(logit regressions)

當增加人口特征和住宅位置選擇標準變量，路內、路外停車位稀缺性對利用汽車購物的影響依然很大，每周汽車購物將減少0.48次，盡管這一變量僅在90%的置信水平下顯著；分區公共汽車站密度、商店數量以及與曼哈頓的距離3個變量的系數輕微減小，但仍然顯著；分區就業密度以及1英里范圍內公共汽車站密度不再顯著(見表6，列3)。與無工作的人相比，有工作的人超市購物出行次數少0.41，這是由于工作的人可支配時間更少。在所有住房選擇標準中，只有尋求好學校這一因素與購物出行頻率有關。

僅對軌道交通車站附近居民進行分析，與軌道交通線路間距離這一變量變得不顯著(見表6，模型4)，這表明無論這一因素對利用汽車購物出行有何種影響，這一作用都是間接的。也許這一因素可以近似表示道路擁堵程度，而后者并沒有在數據中被觀測到。路內、路外停車位稀缺性這一變量的系數與模型2基本相同，鄰近地區商店數量的影響增大且更加顯著，而分區建筑環境指標已不再顯著。

最后，當人均汽車擁有量作為內生解釋變量加入模型后(見表6，模型5)，家庭中人均擁有汽車增加1輛時，每個星期將增加0.4次利用汽車的購物出行，而路內、路外停車位稀缺性的影響有所下降，但仍然很大且在90%的置信水平顯著。與汽車通勤模型相比，這一結果意味著：即使是汽車擁有量很高的家庭，路內、路外停車位稀缺性依然會影響利用汽車購物出行頻率。

表6 每周利用汽車超市購物出行頻率與距軌道交通線路距離和其他因素間的關系方程(最小二乘法回歸)Tab.6 Weekly auto grocery trips as a function of distance to rail and other factors(OLS regressions)

6 結論

在軌道交通車站周邊開發高密度、混合住宅社區可以降低區域道路交通擁堵和汽車污染，也可以降低溫室氣體排放的增長速度。但這些優勢，在很大程度上并不依賴于軌道交通可達性。根據數據分析，在TOD區域內較低的汽車保有量及使用率并非由公共交通(T)造成，或者至少不是由軌道交通(R)造成的，而是較低的路內及路外停車供給，更好的公交服務，小型以及租賃住宅，步行距離范圍內更多的就業機會、房屋和商店，距離市中心較近以及較高的分區就業密度綜合影響的結果。

以前針對軌道交通可達性對汽車擁有及使用影響的非集計研究中，通常只控制部分街區和區域建筑環境因素，很少包括住宅類型和所有權，更沒有涉及路內及路外的停車供給狀況。很多人認為，軌道交通可達性及人口密度與汽車使用之間的高度關聯可歸因于那些未能觀測到的變量，例如停車供給以及區域內的步行環境[14]。

與本文的結論相反，一項研究采用1998年紐約調查數據與現狀谷歌關于路外停車的數據相匹配，發現當路外停車供給受控時，與地鐵車站的步行距離仍然是預測汽車保有量的顯著因子[19]。這項分析中并沒有控制與市中心的距離、分區工作和就業密度、公共汽車可達性、住宅類型、路內停車供給，也沒有專門測試本研究中所包含的步行距離閾值。研究區域也會有一定影響，紐約地鐵可達性與更廣義的公交可達性高度相關。

相比其他研究，本文發現軌道交通可達性對汽車擁有及使用的影響較弱，主要原因可能是新澤西州的軌道交通服務非常好，且其通勤比例很高。盡管軌道交通服務與公共汽車服務在吸引汽車使用者的機理上有所不同，某些情況下，軌道交通也會吸引公共汽車乘客、步行和自行車出行者。為了在通勤出行中驗證這些假設，本文額外建立了通勤交通方式的二項Logit模型(見表5)。在其他因素不變的情況下，距軌道交通車站的距離與選擇軌道交通通勤高度正相關，但與公共汽車、步行或自行車、乘船出行以及在家工作呈負相關④。軌道交通與其他非汽車方式之間呈現明顯的替代關系，這有助于解釋為什么與軌道交通線路間距離對汽車使用的影響很小。

一些軌道交通車站遠離工作和購物區域，相比于街區特征，區域可達性及與市中心距離往往和出行方式更加密切相關[7,29-30]。因此，一些臨近軌道交通線路的住宅開發可能會導致汽車使用意外增長。因此明確地控制建筑環境所定義的尺度，同時考慮街區、分區以及區域建筑環境特性十分有必要[8,31]。

出行方式、軌道交通可達性、停車供給以及建筑環境措施之間的相互關系比本文呈現的更為復雜。例如，從市場或是政治意義上，軌道交通投資可能起到提高人口密度[13]、增加商店數量或是減少停車供給的作用。但是，這些結果表明軌道交通最多發揮間接作用，并且這一作用可能并不強，因為在所有受控模型中測量到的軌道交通直接作用均不顯著。

7 政策啟示

當前的可持續性發展政策往往十分關注軌道交通投資及軌道交通車站周邊住宅開發。例如，加利福尼亞州參議院法案(California Senate Bill)第375條是一項大家熟知并推崇的區域內交通和土地利用規劃與氣候規劃相結合的嘗試，給予公共交通優先項目特別關注：在主要公共汽車站或高質量公交走廊0.5英里范圍內發展高密度住宅[32]。這種以TOD戰略來減少溫室氣體排放的政策可能難以達到預期效果。本文研究結果表明：在許多城市地區，一個更好的戰略是鼓勵在擁有較好的公共汽車服務和較高分區就業密度的區域，開發一些較小的租賃住宅，并配套以較低的路內及路外停車供給。

軌道交通車站地區可能是房地產開發最為關注的地方，因為開發商知道在軌道交通車站附近反對建設的力度較小，并且政策制定者和城市規劃師認為軌道交通的使用將減小土地開發對交通的影響。但事實上，若軌道交通投資和軌道交通線路周邊住宅開發對降低汽車使用和提升軌道交通使用沒有任何作用，這樣的政策將不會擁有長期可持續效應。若軌道交通車站附近的開發僅僅是簡單的臨近公共交通、提供大量停車位以及低密度大戶型住宅的情況，那么過分關注軌道交通對汽車使用的影響則存在問題。

開發高密度住宅并配以良好的汽車停車管理，在許多情況下可以減少汽車使用，這種開發方式有巨大的市場應用前景。先前的研究已經提出減少停車位的必要性，因為有良好公交服務的地方停車需求較低[33]。但是，停車需求本身會通過過度供應對出行產生影響[34]；換句話說，有良好軌道交通服務的地區停車需求比較低，部分原因是停車供給匱乏。在調節路外停車最低供給以及提供和調節路內停車等方面，公共機構起主要作用。可以允許開發商提供較少的路外停車位，同時路內停車應采用收費、管理及許可的方式來減輕溢出效應[6]。美國未來人口增長很可能集中在城市，路內停車可能成為稀缺資源，而建設私人路外停車場將會非常昂貴。若如此，現有的關于路內及路外停車場的政策會顯著抑制密集開發和填充式開發。

所幸的是軌道交通可達性并不是減少汽車使用的主要因素，這不僅因為修建軌道交通基礎設施非常昂貴，還因為軌道交通車站附近的可用土地有限。也就是說，如果不謹慎管理，無處不在的高住宅密度和低路內及路外停車供給可能導致更嚴重的機動車擁堵。事實上，如果汽車出行不再增長，對地區和全局的積極影響可能從局部的負面影響中顯現。然而，局部的不良影響容易導致城市放棄密集開發，同時當地居民也會抵制這種發展模式。城市規劃師該如何提供適應性更廣且更加寬松的停車規則、高度限制、合理容積率標準以及限制開發與再開發中形式和位置的總體規劃？這是值得我們關注的規劃難題。追求以軌道交通為導向的發展可能會偏離這樣的目標。

致謝許多人對本文的研究做出了貢獻。項目經理Stephanie DiPetrillo對本文中調查問卷的結構進行設計，定義了調查中大部分的“新TOD”屬性，組織路內停車實地調查，本文“研究設計”一章部分內容參考其撰寫的項目報告。Marc Weiner在Orin Puniello的協助下協調家庭調查。在Chintan Turakhia和David Ciemnec Ki的指導下，ABT/SRBI承擔了郵件寄送和數據輸入的任務。Marc和Chintan還指導問卷和抽樣調查設計。按照標準職業分類，Dan Tischler細致地將文字描述的職業進行編碼。Nick Klein接手了最早由Nicholas Tulach和Kyeongsu Kim開始的工作，承擔了大部分GIS中空間指標的構建工作。Matt Brill完成了商店計數工作。停車場統計以及停車場數據管理，由Nick Klein,Lewis Thorwaldson,Katie Thielman,Milan Patel,Rodney Stiles,Liz Thompson,Charu Kukreja,Andrew Besold,Aaron Sugiura,Michael Parenti及 Graydon Newman共同承擔。感謝Mike Manville,Robert Noland,Robert Cervero和3個匿名審稿人對本文之前版本有價值的評價。

注釋：

①房齡主要通過受訪者的回答來記錄，并結合已知的多戶復合型住宅項目的開發時間信息進行補充。近20%的受訪者稱其不清楚房齡或者沒有回答這一問題；這之中只有6%住在新近開發的多戶復合型住宅。本文假設其余的住宅房齡至少有8年。

②結構方程、NL模型(Nested Logit)、二階段最小二乘法(Two-stage Least Squares)等替代方法都可以用來控制住宅位置、公共交通、人口密度、停車供給及其他因變量潛在的內生性[10,13-14,27]。這些方法需要大量額外的外生變量及歷史數據的支撐，本文所使用的數據不符合這一條件，但可以作為未來研究的主題。

③除路內停車變量，以及局限于車站周邊住戶模型中的分區建筑環境變量，這些數據中一般沒有出現多重共線性問題。例如，本文中列出的14個模型中，與軌道交通線路間距離這一變量的方差膨脹因子的平均值為1.99，分布范圍為1.72～2.29。當由于方差膨脹導致我們感興趣的獨立變量不顯著時，通過刪除其他共線變量來觀察方差膨脹降低時相應變量是否會變得顯著。除空間變量之外，其他變量的統計顯著性都沒有因為這一做法產生改變；因此可以觀察到，除了模型4和5在每種設定下都與模型2保持一致，每個模型中空間變量的系數都會略有不同。

④拼車模型在解釋拼車選擇行為上的表現非常糟糕，距軌道交通線路距離以及很多其他建筑環境變量均不顯著。本文曾嘗試其他交通方式組合的劃分，但結果依然非常相似。需要詳細結果的讀者請直接與作者聯系。

[1]Belzer D，Autler G．Transit-Oriented Development:Moving from Rhetoric to Reality[R].Washington DC:Brookings Institution Center on Urban and Metropolitan Policy,2002.

[2]Calthorpe P.The Next American Metropolis:Ecology,Community,and theAmerican Dream[M].New York:Princeton Architectural Press,1993.

[3]Cervero R,Ferrell C,Murphy S.Transit-oriented Development and Joint Development in the United States:A Literature Review[R].WashingtonDC:TransitCooperativeResearch Program,2002.

[4]Lund H M,Cervero R,Willson R W.Travel Characteristics of Transit-Oriented Development in California[R].San Francisco:Bay Area Rapid Transit District,2004.

[5]Arrington G B,Cervero R.Effects of TOD on Housing,Parking,and Travel[R].TCRP Report 128,Washington DC:Transportation Research Board,2008.

[6]Shoup D C.The High Cost of Free Parking[M].Chicago:Planners Press,2005.

[7]Ewing R,Cervero R.Travel and the Built Environment:A Meta-Analysis[J].Journal of the American Planning Association,2010,76(3):265-294.

[8]Chatman D G.Deconstructing Development Density:Quality,Quantity and Price Effects on Household Non-Work Travel[J].Transportation Research Part A:Policy and Practice,2008,42(7):1008-1030.

[9]Loo B P Y,Chen C,Chan E T H.Rail-based Transit-oriented Development:Lessons from New York City and Hong Kong[J].Landscape and Urban Planning,2010,97(3):202-212.

[10]Cervero R,Murakami J.Effects of Built Environments on Vehicle Miles Traveled:Evidence from 370 US Urbanized Areas[J].Environmentand Planning A,2010,42(2):400-418.

[11]Zhang M.Can Transit-oriented Development Reduce Peak-hour Congestion?[J].Transportation Research Record,2010(2174):148-155.

[12]Bento A M,Cropper M L,Mobarak A M,Vinha K.The Impact of Urban Spatial Structure on Travel Demand in the United States[J].Review of Economics and Statistics,2005,87(3):466-478.

[13]Bailey L,Mokhtarian P L,Little A.The Broader Connection Between Public Transportation,Energy Conservation and Greenhouse Gas Reduction[R].Fairfax:ICF International,2008.

[14]Salon D.Neighborhoods,Cars,and Commuting in New York City:A Discrete Choice Approach[J].Transportation Research Part A:Policy and Practice,2009,43(2):180-196.

[15]Zegras C.The Built Environment and Motor Vehicle Ownership and Use:Evidence from Santiago de Chile[J].Urban Studies,2010,47(8):1793-1817.

[16]Vance C,Hedel R.The Impact of Urban Form on Automobile Travel:Disentangling Causation from Correlation[J].Transportation,2007,34(5):575-588.

[17]Weinberger R,Seaman M,Johnson C.Residential Off-Street Parking Impacts on Car Ownership,Vehicle Miles Traveled and Related Carbon Emissions[J].Transportation Research Record,2009(2118):24-30.

[18]Weinberger R.Death by a Thousand Curb-Cuts:Evidence on the Effect of Minimum Parking Requirements on the Choice to Drive[J].Transport Policy,2012,20:93-102.

[19]Guo Z.Does Residential Parking Supply Affect Household Car Ownership?The Case of New York City[J].Journal of Transport Geography,2013,26:18-28.

[20]Guo Z,Xu P.Duet of the Commons:The Impact of Street Cleaning on Car Usage in the New York City Area[J].Journal of Planning Education and Research,2012,33(1):34-48.

[21]Dill J.Transit Use and Proximity to Rail:Results from Large Employment Sites in the San Francisco,California,Bay Area[J].Transportation Research Record,2003,1835(1):19-24.

[22]Pushkarev B,Zupan J M.Public Transportation and Landuse Policy[M].Bloomington:Indiana University Press,1977.

[23]Chatman D,DiPetrillo S.Eliminating Barriers to Transit-oriented Development[R/OL].2010[2013-09-05].http://www.nj.gov/transportation/refdata/research/reports/FHWA-NJ-2010-002.pdf.

[24]Dillman D A.Mail and Telephone Surveys:The Total Design Method[R].New York:Wiley,1978.

[25]Dillman D A,Dillman J J,Makela C J.The Importance of Adhering to Details of The Total Design Method(TDM)for Mail Surveys[J].New Directions for Program Evaluation,1984,1984(21):49-64.

[26]U.S.Census Bureau.LEHD Origin-Destination Employment Statistics(LODES)[R/OL].2008[2013-09-05].http://lehd.ces.census.gov/data/.

[27]Deka D.Transit Availability and Automobile Ownership:Some Policy Implications[J].Journal of Planning Education and Research,2002,21(3):285-300.

[28]Federal Highway Administration.National Household Travel Survey[R/OL].2009[2013-09-05].http://nhts.ornl.gov/download.shtml.

[29]Boarnet M G.A Broader Context for Land Use and Travel Behavior,and a Research Agenda[J].Journal of the American PlanningAssociation,2011,77(3):197-213.

[30]Handy S L.Regional Versus Local Accessibility:Implications for Non-work Travel[J].Transportation Research Record,1993(1400):101-107.

[31]Zhang M,Kukadia N.Metrics of Urban Form and the Modifiable Areal Unit Problem[J].Transportation Research Record,2005(1902):71-79.

[32]California Senate Bill 375.Cal.Govt.Code§21155.1[S/OL].2008[2013-09-05].http://www.leginfo.ca.gov/cgi-bin/displaycode?section=prc&group=21001-22000&fi le=21155-21155.3.

[33]Rowe D H,Bae C H C,Shen Q.Evaluating the Impact of Transit Service on Parking Demand and Requirements[J].Transportation Research Record,2011(2245):56-62.

[34]Cutter W B,Franco S F.Do Parking Requirements Significantly Increase the Area Dedicated to Parking?A Test of the Effect of Parking Requirements Values in Los Angeles County[J].Transportation Research A,2012,46(6):901-925.