基于GPS數據的城市居民多日出行活躍度分析

張 蕾 雋志才 高晶鑫

(上海交通大學 安泰經濟與管理學院，上海 200030)

1 研究的數據來源

本調查以智能手機為載體，是基于GPS軌跡數據的活動-出行調查，研究區域選在上海市。調查過程中每位志愿者需要提供自己的社會經濟屬性，然后在自己的手機上安裝相關定位-上傳軟件，連續上傳一周的GPS定位數據。研究人員通過數據挖掘的可視化處理后，通過帶提示的電話回訪調查確認志愿者的行程和活動-出行信息。調查流程如圖1所示，帶提示的電話回訪調查界面如圖2所示。

本研究數據來源于2014年11月至2015年12月上海交通大學交通運輸研究所實施的上海市居民活動-出行調查，共包含251個志愿者，覆蓋了7個中心城區與9個郊區縣，包括每位接受調查居民的社會經濟屬性、一周的活動日志及GPS軌跡數據。本研究選取了年齡在18～60歲、有正式工作且有效出行記錄在三天以上的160個志愿者作為有效樣本，共包含881天的2 202條出行記錄，平均每位志愿者上傳了5.5天的出行軌跡。有效樣本的基本情況如表1所示。有效樣本中女性比例高于男性，年齡最小為19歲，最大為49歲，平均年齡為30.28歲，61.9%的居民擁有本科及以上學歷，19.4%居民的個人月收入在一萬元以上，平均家庭規模為3.12人，平均家庭擁有小汽車數量為0.46輛。

圖1 基于智能手機的調查流程

圖2 帶提示的電話回訪調查界面示意圖

2 居民出行活躍度的概念與測度

居民的出行特征包含出行頻率、出行方式、出行目的、出行距離和時長等多個方面，現有文獻也從不同的維度解讀了GPS軌跡數據中反映出的這些居民日常出行的行為特征。然而，參照組織行為學領域中企業績效等相關概念，居民出行是否活躍也應該是對其出行特征各個方面進行的綜合全面的考察。一般認為，出行頻率較高的居民出行比較活躍，但就擁有相似出行頻率的居民而言，出行距離的遠近、出行時間的長短、出行方式和出行目的是單一還是多樣，這些因素同樣影響著我們對于居民出行是否活躍的判斷。因此，筆者綜合了以上五個廣受認可的居民出行特征，提出居民出行活躍度的概念。本文所指的居民出行活躍度泛指居民日常出行的活躍程度，是對居民的出行頻率、距離、時長、出行目的和出行方式進行的綜合全面的考量。每位居民的出行活躍度可以看作一個五維向量，五個指標的大小、分布共同決定了居民出行活躍度類型。

表1 被調查者社會經濟屬性

居民出行活躍度的測度是指利用定量化的指標區分具有相似出行活躍類型的人群，方法為K-均值聚類。本文使用的指標包含以下五個：出行頻率指數等于該志愿者平均每天的出行次數與總樣本平均每天的出行次數之比，出行距離指數等于該志愿者平均每天的出行距離與總樣本平均每天的出行距離之比，出行時長指數等于該志愿者平均每天的出行時長與總樣本平均每天的出行時長之比， 非強制性指數指的是該志愿者非強制性出行(除去目的為上班、上學、工作外出、回家之外的出行)的出行次數與總出行次數之比， 復雜性指數則為該志愿者平均每次出行所包含的片段數量現總樣本平均每次出行所包含的片段數量(一次出行中每換一次交通方式視為進入下一個出行片段)之比。

本文通過調查得到出行數據，對160名參與調查的志愿者的五個居民出行活躍度指標分別進行運算，再運用K-均值聚類的方法對志愿者進行聚類。通過設定不同的類別、多次重復聚類過程并對聚類結果進行比較發現，將志愿者的出行活躍度分為四類所得到的結果具有較強的代表性，每種類型的樣本數和聚類中心指標參數見表2。多方式活躍出行者的出行頻率、距離和非強制性出行比例均遠低于平均值，出行時長指數和復雜性指數遠大于1；出行次數少但換乘多、時間長的出行者，占總體樣本的7.5%；多目的活躍出行者的出行頻率和非強制性指數較高，代表此類人群休閑娛樂類出行較多，出行意愿較強，這類人群占總體樣本的39.4%；長距離活躍出行者的出行距離和出行時長遠高于平均值，非強制性指數遠低于平均值，代表了職住距離較遠、出行以通勤為主的出行者，占總體樣本的4.4%；較不活躍出行者的五個活躍度指標都小于1，即低于總體平均值，是總體中出行較不活躍的群體，占總體樣本的48.7%。四種居民的出行活躍度類型特征見圖3。

圖3 居民出行活躍度類型特征

表2 居民多日出行活躍度指標

3 基于居民出行活躍度的描述性統計

3.1 出行頻率差異顯著，一周內日間分布不平均

本次調查樣本總體的平均每日出行頻率為3.23次，其中周末出行頻率高于工作日出行頻率，而不同出行活躍度類型的出行者在出行頻率方面具有較為明顯的差異，如圖4所示。平均來看，多目的活躍出行者的出行頻率最高，達到3.84次/日，較不活躍出行者、長距離與多方式活躍出行者的出行頻率依次遞減。同時，多方式與多目的活躍出行者在周末的出行頻率遠高于工作日，而長距離活躍出行者與較不活躍的出行者出行則較為平均，工作日與周末沒有明顯差異。

3.2 交通方式各有偏好，長距離類型特征突出

交通方式方面，四種活躍度類型的出行者差異較為明顯。多方式活躍出行者以地鐵為主要交通方式，其次為公交車和步行，這與城市公共交通的換乘機制一脈相承。長距離活躍出行者對于交通方式的選擇非常集中。小汽車占比為62%，遠遠超過其他交通方式，體現了這類人群職住距離遠、通勤出行多的特點。多目的活躍出行者與較不活躍出行者的交通方式分布相對平均，以公共交通為主，輔以小汽車和步行等。

圖4 四種出行活躍度居民出行頻率分布

具體到工作日與周末的比較方面，多方式活躍出行者在工作日首選地鐵出行，周末則更多使用公交車和步行；長距離活躍出行者依舊選擇小汽車為主要的出行方式，周末與工作日相比減少了地鐵出行而增加了步行；多目的活躍出行者在周末出行時除了公交車之外，更多地選擇了小汽車和自行車出行，分別對應著他們的家庭出行與休閑出行；較不活躍的出行者也在周末增加了小汽車的出行比例，結合志愿者訪談，這種情況多由于周末家庭共同出行導致。四種出行活路居民交通方式分布見圖5。

圖5 四種出行活躍度居民交通方式分布

3.3 出行目的分布不均，“多方式”類型通勤比例高

不同出行活躍度類型的出行者在出行目的方面同樣具有明顯差異。多方式活躍出行者的通勤出行比例超過80%，可見其多樣化的出行方式主要是由于上下班途中換乘導致；多目的活躍出行者顧名思義，出行目的分布較為均勻，購物、外出就餐、休閑娛樂等出行遠超其他類型；長距離活躍出行者與較不活躍出行者與工作相關的出行比例都略超過40%，然而前者工作外出的比例僅為后者一半，表明長距離活躍出行者的工作地點較為穩定。此外，對四種類型工作日與周末出行目的對比分析發現其變化趨勢較為一致，均減少了工作相關出行，增加了購物、外出就餐和休閑娛樂出行的比例，與現實生活情況較為一致。四種出行活躍度居民出行目的分布見圖6。

圖6 四種出行活躍度居民出行目的分布

3.4 出發時間分布規律不同，“多方式”與“不活躍”構成早晚高峰期

上海市第五次綜合交通調查數據表明，2009—2014年，居民出行的平峰和高峰差異有所減少。從本次調查出行者的出發時間進行分析，多方式活躍出行者和較不活躍出行者這兩種類型居民的出行是早晚高峰的主要構成者，而多目的與長距離活躍出行者的出發時間分布則較為平緩，前者是因為其通勤出行較少，后者則是因為通勤距離長有意避開了交通量最集中的時段。四種出行活躍度居民出發時間分布見圖7。

圖7 四種出行活躍度居民出發時間分布

4 上海市居民出行活躍度類型與社會經濟屬性特征互動解讀

從以上分析不難看出，不同出行活躍度類型的居民在出行頻率、交通方式、活動參與等活動-出行行為方面都有較為明顯的差異。本節以樣本出行活躍度類型為因變量，使用多項Logistic回歸模型，探討各類人群的社會經濟屬性特征，以及家庭因素對出行活躍度的影響。

4.1 變量

個人社會經濟屬性包括教育程度、職業、個人月收入、是否擁有駕照以及上下班時間是否固定。家庭社會經濟屬性包括家庭規模、家庭擁有的交通工具數量以及是否有青少年家庭成員。具體見表3。

表3 居民出行活躍度類型影響因素模型解釋變量

4.2 模型擬合結果

模型分析結果如表4所示，通過卡方檢驗、似然比檢驗等方式，證明模型具有較高的擬合度，解釋力較強。

(1)居民個人社會經濟屬性對于出行活躍度類型具有顯著影響。收入越低的居民越不太可能是長距離活躍出行者，是由于長距離活躍出行者多采用小汽車作為主要的出行方式，他們的出行距離是平均值的4.1倍而出行時長僅為平均值的1.6倍，而低收入人群更多地采用價格相對低廉的公共交通。同時，較高收入的群體則更可能為多方式活躍出行者，他們不拘泥于交通費用，可以根據出行目的和時間更靈活地采用不同交通方式。在政府機關事業單位工作的居民更可能為多目的或長距離活躍出行者，說明相對于其他職業，這類居民具有更穩定的出行模式，普遍擁有較遠的通勤路程,或者由于穩定的作息時間比較方便安排其休閑娛樂類出行。擁有駕照的居民更不可能是多目的活躍出行者，是由于擁有駕照的居民較其他人而言更多使用小汽車出行，而由于交通擁堵、停車空間緊缺等問題限制了城市居民對于汽車的使用，多目的活躍出行者更多地采用公共交通和步行作為休閑購物等出行的交通方式，這一現象在前文的交通方式分析中也有映證。上下班時間穩定的居民擁有更固定的出行模式，通勤時更經常采用固定線路和換乘方式，因而與出行時間長、出行方式多的多方式活躍類型相匹配。從分析結果看，出行者是否為高學歷對出行活躍度類型影響不顯著，可能因為隨著公共設施配套的完善和居民受教育程度的普遍提升，高學歷在交通平臺的知悉和選擇上不再具有優勢，因而表現出更多樣化的特點。

表4 社會經濟屬性對居民出行活躍度類型影響的多項Logistic模型

(2)家庭社會經濟屬性從交通資源和家庭成員構成方面影響居民出行活躍度類型。家庭中擁有越多自行車數量的居民越不可能是多方式和長距離活躍出行者類型，這是由于多方式活躍出行者更多地使用多種公共交通換乘，長距離活躍出行者更多選擇小汽車作為出行方式，而擁有自行車數量較多的居民偏好較短的出行距離，出行更加靈活。家庭成員構成方面，家庭中有12～18歲青少年的居民更可能是長距離活躍出行者，這類出行者考慮家庭中青少年的活動和出行的影響，更多地居住在近郊區并以小汽車作為主要出行方式，對于這類出行者而言通勤距離是相對次要的考量因素。

5 結論與討論

本文基于居民出行的出行頻率、出行距離、出行時長、出行方式和出行目的等多個衡量出行活躍程度的維度，將居民出行活躍度劃分為多方式、多目的、長距離三種較活躍出行者類型以及較不活躍出行者類型，并基于上海市2014—2015年基于手機GPS收集的活動-出行數據，分析每種活躍度類型出行者日常出行的行為特征以及工作日和周末的出行差異，并利用多項Logistic模型從居民的個人和家庭社會經濟屬性的角度分析了居民活躍度類型的影響因素。

(1)使用出行頻率、出行距離、出行時長、出行方式和出行目的作為居民出行活躍度的測度，發現不同居民活躍度類型之間存在差異。多方式活躍出行者出行時長和出行鏈復雜程度較高，表明此類出行者日常出行中常常在不同交通方式間換乘，對于公共交通的熟悉程度和利用率較高，平時出行以通勤出行為主；多目的活躍出行者的出行頻率和非強制性指數較高，是一類經常出現休閑娛樂類非通勤出行的人群，在出發時間的選擇上也表現得更為平均，通常是城市中擁有較多閑暇時間的居民群體；長距離活躍出行者表現為較長的出行距離和出行時長，居住地與工作地點間距離較遠，多采用小汽車作為主要的出行方式；較不活躍類型的出行者則在各個指標上都表現得較為平庸，低于樣本平均值，代表了城市居民中對交通資源占用較少的人群。

(2)通過對上海地區基于手機GPS數據的活動-出行調查數據分析發現，居民出行活躍度類型受到個人和家庭社會經濟屬性的影響。高收入群體在出行方式的選擇上更自由和多樣；工作模式固定的居民通勤換乘多，出行鏈較為復雜；職業為政府機關事業單位的居民或擁有更多休閑類出行或擁有更長的通勤距離；家庭成員中有12～18歲青少年的居民更可能居住在近郊，以小汽車為主要交通方式，成為長距離活躍出行者。

(3)本文結合城市居民交通出行的多個特征，對居民出行活躍度進行了定義和測度。居民出行活躍度的概念對居民的出行特征進行綜合考量，強調了居民在日常出行與空間互動中形成相對穩定的出行模式，以此透視居民出行活躍度對于社會交通資源使用的影響。對于長距離活躍出行者而言，較長的職住距離導致其通勤多采用小汽車，為引導公共交通的使用、改變現有情形可以從改善城市空間布局、加強多中心建設出發；對于多方式活躍出行者而言，由于通勤過程中換乘較多，可考慮繼續采用或保持公交換乘優惠政策以鞏固這類人群對于公共交通的使用，并在線路規劃時有針對性地聽取他們的建議，優化城市交通格局。

(4)本文提出的概念模式偏單一化，未來應進一步細化居民出行活躍度的測度方法，豐滿邏輯體系骨架，構建個體時空行為與活動-出行的互動理論，進一步分析居民出行需求對城市空間與交通政策的反饋作用。同時，文中所使用的分析方法存在一定局限，未能全面考量居民的居住地及工作地區位對于出行活躍度的影響，這些方面將在未來繼續研究并加以改善。