基于百度API開源數據的居民出行研究

王 振，張志敏，王 偉，高 歌，沈俊峻

（1.青島市城市規劃設計研究院，山東 青島 266071；2.中國海洋大學經濟學院，山東 青島 266100；3.山東科技大學交通學院，山東 青島 266590；4.青島董家口經濟區管理委員會，山東 青島 266400）

0 引言

截至2017年末，我國的城鎮化率已升至58.52%。伴隨著城市化進程的不斷加快，城市的界限不斷被突破，城市的空間不斷得到擴張，由此帶來了居民出行的多樣性。尤其是在城市群、都市圈、中心區范圍內，通勤性出行和生活性出行呈現各自不同的特點，因此有必要開展居民出行調查，以支撐城市的理性發展。

居民出行調查是城市總體規劃、城市綜合交通規劃的基礎，主要包括出行次數、外出目的、交通方式結構、出行距離以及時耗等[1]。國外的居民出行調查的主要方法為電話訪問（Computer-Assisted Telephone Interviewing，簡稱CATI），但是出行漏報率較高，在20%～25%之間[2]。美國、瑞士等國多次進行基于GPS的居民出行調查測試，解決了傳統居民出行調查漏報率較高的弊端[3]。國內趙暉等基于萬份問卷調查數據，構建了以通勤時間和距離為基礎的職住分離度量模型[4]。劉志林等基于問卷調查的基礎數據、北京市第5次人口普查及第1次經濟普查數據，討論了職住空間錯位和居民通勤時間之間的關系[5]。孟斌以北京市主城區為研究對象，通過11 000份調查問卷分析居民的通勤時間，得出北京職住分離現象嚴重的結論[6]。目前，居民出行調查以問卷調查為主，調查工作量大，抽樣率一般為2%～5%[5]甚至更低，并且調查成本較高，因此有必要借助新技術提高居民出行調查的便捷性和可操作性。綜上，國內外的居民出行調查在出行漏報率、樣本抽樣率等方面仍然存在不足，由此基于互聯網發展起來的網絡調查問卷具有覆蓋范圍廣、填報時間相對自由等優勢，在一定程度上是對傳統居民出行調查的有效補充。

北京、上海等國內城市已經率先采用網絡問卷和電子終端結合的方式進行居民出行調查，網絡問卷能夠通過地圖定位動態記錄居民的坐標位置，避免了后期數據錄入工作，但仍然需要借助移動設備入戶調查。劉鵬程等通過百度地圖應用程序編程接口 （Application Programming Interface，簡稱 API），對調查所得的居住地和就業地進行路徑匹配，進而得到不同交通方式下的通勤距離，為分析居民的職住通勤特征提供了量化依據[8]。龍瀛等借助公交IC卡識別居民的通勤出行行為，分析居民的出行特征，并與居民出行調查數據進行對比，得出兩者較吻合的結論[9]。李艷紅等借助出租車起訖點數據，構建了基于出租車出行的居民時空分布指標體系和分析方法[10]。王開泳等提出了基于微博數據判別城市空間聯系度的方法，彌補了城際通勤數據困乏的現狀[11]。

國內學者通過公交IC卡數據、出租車數據、微博數據等多源數據對出行鏈進行了廣泛的研究，尤其是多源數據之間的相互融合、相互校正能夠大幅提高城市調查和規劃管理的效率和水平，但在傳統調查與新興技術的結合上仍然處于探索階段。鑒于此，本文通過設計網絡調查問卷，借助百度地圖等國內先進的互聯網數據平臺在線分析數據，實現線上線下有機融合，以彌補傳統居民入戶調查中出行時間、出行距離難以估計的弊端。

1 居民出行鏈數據的提取方法

本文借助百度API接口，通過對網絡調查獲得的居民出行起訖點（Origin-Destination，簡稱OD）規劃完整的出行鏈，并與青島市第3次交通出行調查（2016）結果進行對比校正，以彌補傳統入戶調查對出行時間和距離預估不準、完整出行鏈難以獲取的不足。

1.1 出行起訖點獲取

最早的居民出行調查起源于美國，至今已有60多年的歷史。美國1944年頒布《聯邦資助公路法案》，但缺乏對居民出行信息調查的相關條款，由此提出了居民出行起訖點調查方法[12]。青島市分別于2002年、2011年進行了2次交通出行大調查，并于2016年由青島市地鐵集團組織了第3次交通出行調查。

青島市第3次交通出行調查（2016）以青島市內6區（市南區、市北區、李滄區、嶗山區、黃島區、城陽區）為核心，兼顧外圍膠州、即墨、平度、萊西，以網絡調查為主，人工調查為輔。

網絡問卷調查分為全體居民出行調查和就學家庭出行調查，以前者為主體、后者為補充調查。全體居民出行調查主要針對在青島居住的人口，調查日出行信息；就學家庭出行調查則是以青島市中心城區內所有中小學為調查范圍，調查學生及其家庭成員一天的出行信息。

本文以2016年青島市第3次交通出行調查數據為對象，通過設計網絡問卷（見圖1），共收集92 916萬條出行數據，其中基于公交的有效出行數據為21 205條，基于小汽車的有效出行數據為27 809條。而濟南于2009年組織了第3次居民出行調查，通過傳統問卷調查獲得了38 328條出行數據[11]，由此可見新技術能夠顯著提高數據獲取的能力。

圖1 居民出行網絡調查問卷

調查以家庭為單位，通過網絡填寫問卷，主要采集居民的家庭特征（年齡、性別、職業等）和出行特征（出行起點及終點、交通方式、換乘比例、出行目的等）（見表1）。

表1 居民出行調查數據示例

1.2 出行路線規劃

通過網絡交通出行調查得到的原始數據，僅能反映出行的起訖點、出行時間、出行方式等主要信息，具體出行距離是無所獲取的。將調查的樣本數據按公交和小汽車兩種方式篩選后，通過百度地圖地址匹配接口獲取出行起訖點位置坐標，依據坐標信息和百度地圖API，推算居民出行時耗、出行距離等出行信息，從而解決了傳統調查方法無法獲取出行距離和對出行耗時預估不準的問題，技術路線如圖2所示。

圖2 出行路線規劃的技術路線

2 交通出行數據挖掘

2.1 居民出行分析

（1）公交出行

一次完整的公交出行（見圖3）需由出發點O步行至公交站，在公交站等候上車后，經由中間站換乘（可以不換乘），到達公交下客站，最后步行至目的地D。期間將會產生出發點O至上客站的步行時間、上客站至換乘站的公交運行時間、換乘站間的步行時間、換乘站至下客站的公交運行時間以及下客站至目的地D的步行時間等數據。

圖3 公交出行路線

（2）小汽車出行

一次完整的小汽車出行（見圖4）相對簡單，即由出發點O駕乘私家車或者乘坐出租車到達目的地D，是一種“門到門”運輸，期間將會產生車輛運行時間數據。

圖4 小汽車出行路線

2.2 百度地圖API

百度地圖Web服務API為開發者提供了基于百度地圖應用的程序接口，即通過http/https形式發起檢索請求，獲取指定格式的檢索數據。為了研究城市居民公交出行和小汽車出行的出行特征，主要采用百度地圖Direction API v2.0服務。該服務能夠根據起點和終點檢索符合條件的公共交通方案或小汽車行駛路線規劃方案。公交出行路線規劃方案見表2，針對同一OD對，共規劃5條不同路線及相應不同階段的出行時間和距離。同理，小汽車出行路線規劃方案見表3。

表2 百度地圖公交出行API調用數據示例

表3 百度地圖小汽車出行API調用數據示例

2.3 數據融合分析

基于百度地圖API和居民網絡出行調查得到的起終點坐標，得到同一個OD下的不同出行路線，如表2所示；然后根據時間最少、距離最短原則，按照式（1）和式（2）確定最佳路徑（示例見表4），并與居民出行網上問卷數據相互比對校驗。

式（1）～（2）中：Dij,Tij分別為起訖點i和j之間第k條路線的最短距離（m）和最小耗時（s）；dij(k)tij(k)分別為起訖點i和j之間第k條路線的出行距離（m）和時間（s）。

表4 不同OD最優路線規劃方案示例

3 不同出行方式出行特征分析

居民的出行方式是刻畫城市居民出行結構、了解居民出行特點的重要方面，一般可分為公交、小汽車、步行、自行車、單位班車及其他。出行方式結構與各種交通方式的特性、服務水平、城市空間結構以及交通管理措施等相關，與城市規模的相關性不是很明顯[14]。公交和小汽車是居民常用的兩種出行方式，通過百度API路線規劃計算得出的平均出行距離及出行時間等總體指標與青島市第3次交通出行調查（2016）中通過公交IC卡計算的結果基本一致，但在具體的分布上有所差異。

公交出行總體平均出行距離為5.83km，而青島市第3次交通出行調查（2016）中該項數據為5.7km（不含步行的公交運距），小汽車出行的平均出行距離為9.97km，小汽車出行的平均出行距離接近公交車出行的2倍。從具體分布上來看（見圖5），小汽車的出行距離分布相對分散，即小汽車出行的適應性相對較高，出行距離的覆蓋半徑較大；公交車的出行距離分布相對集中，6km以下占比高達50.28%。與此同時，小汽車在6km以下的出行占比同樣高達52.22%。由此可看出，6km以下的距離范圍內，公交和小汽車在對居民出行的吸引上是存在競爭關系的，應該提倡居民6km以內短距離出行選擇公共交通工具，以合理優化出行結構。

圖5 不同出行方式平均出行距離

公交車出行的平均時耗為45.2min，而青島市第3次交通出行調查（2016）中該項數據為48.9min，小汽車出行的平均出行時間為18.14min，具體分布見圖6。公交車出行的平均出行時間是小汽車出行的2.5倍，尚不能滿足深圳公交提速“1.5”戰略提出的“乘坐公交加步行的時間要控制在開私家車時間的1.5倍之內”。

圖6 不同出行方式平均出行時間

4 不同出行目的出行特征分析

根據城市居民出行的特性，本次調查將出行目的分成11類：上班、上學、購物餐飲、單位業務、個人事務、接送孩子、到達/離開青島、就醫、回家、娛樂及其他[15]。不同出行目的平均出行時間如圖7所示。

圖7 不同出行目的平均出行時間

在公交出行中，除回家外，上班、個人事務和購物出行是城市居民的主要出行活動，其平均出行時間分別為54min,56.6min及45.4min。其中，單位業務的平均出行時間最長，為57.7min；上學的平均出行時間最短，為40.6min。在小汽車出行中，單位業務的平均出行時間最長，為23.94min；其次為娛樂的平均出行時間，為23.16min；上學的平均出行時間最短，為10.89min。

不同出行目的平均出行距離如圖8所示。在一次公交出行中，單位業務的平均出行距離最長，為10.5km；其次是個人事務的平均出行距離，為10km；接送孩子和上學的平均出行距離最短，為6km左右。在一次小汽車出行中，娛樂的平均出行距離最長，為18.84km；其次是單位業務的平均出行距離，為15.15km；接送孩子和上學的平均出行距離最短，為5.5km左右。

圖8 不同出行目的平均出行距離

通過分析可以得出，就平均出行距離而言，非常發性的事務類出行，如單位業務、個人事務，無論公交還是小汽車均大于通勤類出行，如上班、就學。在各種出行目的下，公交車的平均出行時間均顯著高于小汽車。

5 結論

在傳統的出行調查中，居民出行特征（包括出行時間和出行距離）往往來源于被調查者的主觀感知，難以有效地反映真實的出行狀況；同時一條完整的出行鏈包含兩端步行時間、在車時間、換乘時間等，但調查數據僅能大致地反映總出行時耗，難以分階段統計。并且傳統的居民出行調查往往以入戶問卷調查為主，需要投入大量的人力、物力和財力，且受調查成本所限，樣本抽樣率較低。隨著互聯網和大數據技術的發展，通過網絡問卷收集居民的出行信息成為可能，同時居民出行信息實時的入庫和地址編碼也大幅縮短了調查的時間周期。

結合青島市第3次交通出行調查（2016），本文基于地圖設計網絡調查問卷，獲取居民出行起訖點坐標，并通過百度地圖API路線推測得到一次出行的完整出行鏈，從而有效解決了傳統調查中無法準確得到出行時間和出行距離的弊端，尤其是步行時間和步行距離。無論是調查前期的數據收集還是后期的數據分析，本文提供的技術方法都能夠顯著縮短出行調查周期，且具有采集數據樣本量大、成本低、精度高的特點，在城市居民出行調查中有著廣泛的應用前景，但同時也存在樣本分布不均、互聯網低頻用戶采樣不足的問題，需要在下一步的入戶補充調查中解決。