基于多源數據的遷居個體通勤方式選擇研究*

吳靜嫻 胡 榮 趙 靖 楊 敏

(上海理工大學管理學院1) 上海 200093) (東南大學交通學院2) 南京 210096)

0 引 言

在城市化進程中，特大城市進行大規模的新區建設和老城改造，遠城區因產業化滯后、功能用地單一導致新遷居民的通勤距離普遍較長，加之外圍新區公共交通系統基礎設施配建和服務供給相對不足，居民出行交通結構日趨機動化[1].以北京、上海、廣州、南京為代表的中國特大城市，城市空間擴張和空間結構演變最為突出，小汽車出行比例增長迅速，城市內部頻頻出現潮汐性通勤流、高峰時段交通擁堵、尾氣排放、環境污染等問題[2].2015年，南京新區仙林副城、江北副城和東山副城居民出行機動化顯著，出行比例為33%，25.6%和32.1%，明顯高于主城區(17%).

針對城鎮化背景下城市遷居通勤機動化問題，國內外學者試圖以微觀城市規劃和交通規劃政策調控和引導個體出行.Timmermans等[3]研究發現，社區就業崗位數、商場休閑娛樂場所數量以及其他服務設施的配建對個體出行方式選擇有影響.Cervero等[4]對比傳統社區和郊區社區出行特征，發現高密度、混合型用地、高可達性的街區更利于居民非機動出行.在新遷社區配建自行車道、人行道和自行車停車場等非機動基礎設施，利于個體居民的步行和自行車出行[5].與此同時，Winters等[6]表示社區主干道可達性越高，人們對于汽車出行的需求就越大.其他研究則關注于社區公交服務密度和質量對個體出行方式選擇的影響.Aditjandra等[7]發現充沛的公交基礎設施供給、高可達性的公交服務更利于引導社區居民的公交通勤.因缺乏城市土地利用數據，吳靜嫻等[8]基于回憶式問卷調查數據，分析主觀感知的建成環境變化與遷居個體出行方式轉移之間的相關性，發現社區軌道及公交服務可達性提升對遷居個體軌道通勤有積極的導向作用.

綜觀上述研究，數據來源整體較為單一，以居民出行調查數據或專項遷居個體通勤調查數據為主，通過橫向對比宏觀層面不同區域層居民通勤出行特征差異，或以個體主觀建成環境數據替代社區微觀土地利用數據，解釋遷居通勤者出行機動化的原因.文中將彌補以往研究數據上的不足，以南京為例，融合實際問卷調查和多源網絡爬蟲技術，建立遷居人群通勤出行的多源數據庫，利用Probit模型分析建成環境與遷居個體通勤方式選擇微觀層面的相關性，解釋遷居人群通勤機動化的內在原因.

1 多源數據匹配與指標測度

1.1 數據源與網絡數據爬取

數據源包括遷居人群通勤出行調查數據、基于百度地圖API的網絡數據和第三方城市數據團數據.兩類網絡爬蟲數據以問卷調查數據為基礎，通過問卷職住地址信息對應的經緯度，銜接兩類網絡數據，構建以個體微觀視角的遷居人群通勤出行行為數據庫.遷居個體通勤出行調查主要獲取城市遷居通勤人群個人家庭屬性、遷居住宅屬性、通勤出行特征信息；根據問卷中個體提供的職住地址信息，用R語言編寫函數通過百度地圖API接口訪問地圖開放平臺，獲取與城市遷居個體職住地址匹配的路網通勤距離、通勤時間和城市建成環境相關的POI數據(point of interest)；城市數據團主要負責提供城市道路網數據，通過地址信息匹配，獲取緩沖區內與道路網相關的建成環境指標數據.

其中，建成環境指標相關的百度地圖POI數據主要包括居民樓、公司企業、購物、餐廳、休閑娛樂、公交車站點、附近站點對應公交線路數等信息.百度地圖提供多種POI抓取方法，行政區劃區域檢索、周邊檢索、矩形區域檢索、和地點詳情檢索.本文采用API周邊檢索法，依據緩沖區半徑、地址經緯度、搜索地點類型關鍵詞，調用訪問路徑分類抓取目標地點緩沖區范圍內的POI數量.此外，借助城市團數據平臺存儲的城市路網數據，根據既定的緩沖區半徑確定目標地點周邊的路網相關數據.具體數據來源與數據獲取類型見圖1.

圖1 遷居人群通勤出行數據源與數據類型

1.2 建成環境指標測度

遷居常伴隨居住社區建成環境的變化，建成環境是對城市街區物理特性的描述，是影響個體出行決策的重要因素.與城市交通關聯的建成環境指標主要包括密度(density)、多樣性(diversity)、街區設計(design)、公共交通可達性(distance to public transport)、目的地可達性(destination accessibility)和至中心區鄰近度(distance to city center)六個維度.不同于以往建成環境指標數據，本研究采用是百度地圖POI數據和城市數據團數據，要構建以上6類建成環境指標需對相關數據進行處理與指標測度計量，具體如下.

1) 密度 居住密度、人口密度以及崗位密度指標是影響個體出行的重要密度指標.研究根據百度地圖爬取的住房、公司企業、政府、金融機構等類型POI數據，估算遷居個體所給地址確定半徑(常用半徑1 km)緩沖區域的單位面積住宅數量、POI總數和崗位密度.

2) 土地利用多樣性 主要指標有土地利用混合熵、商業用地強度和職住比.通過統計修正的緩沖區各類POI值得出該三類指標值.其中，借鑒Ding等選用1 km的圓形緩沖區計算居住用地、商業用地、辦公用地三種用地對應的混合熵來計算土地利用混合熵[10].在樣本采集中，部分受訪者所在居住區域或工作就業區域的用地開發相對滯后導致出現抓取后的POI點數過少現象.因此，本文對相關POI統計值進行人為修正，減少由此導致的混合熵計算偏差.具體修正為

(1)

式中：Pi為第i類POI的數量占POI總數的比例；n為POI的類型數.混合用地熵指數取值范圍為0(用地單一，某類用地占主要部分，其他類用地面積比例較少)到1(用地混合復雜，且各類用地面積相當)，取值越高表示混合度越高.居住區商業用地強度由緩沖區單位面積商業POI數計量，職住比指標則由緩沖區住就業崗位和住宅的POI統計值計算.

3) 設計 以緩沖區單位面積交叉口數衡量街道路網的連通性，結合城市團數據統計半徑為500 m的街區交叉口數量[9].

4) 可達性 可達性主要描述公共交通服務的可用性與便捷性，城市常見公交服務主體有常規公交和軌道交通兩種.城市常規公交接入方式以步行為主，建議緩沖區半徑取值為500 m，而軌道接入方式種類相對較多，如共享單車與步行，可根據目標城市具體接入模式確定.

5) 目的地可達性 鑒于研究目標出行類型為通勤出行，研究以職住崗位是否隸屬于同個行政區和基于百度地圖爬取的最短職住通勤距離來描述目的地就業點可達性.

6) 中心區鄰近度 中心區鄰近度以居住區位、就業地區位,以及基于百度地圖計算的居住區至CBD距離指標來衡量.就業地區位和居住區位根據問卷中地址信息定性判定，中心區鄰近程度利用百度地圖API計算居住點至CBD距離來量化.

2 實證案例研究

以南京為例，調查覆蓋中心城區、仙林副城、東山副城、河西新城4個區域.調查于2017年3—5月份展開，社區選定綜合考慮地理位置、地鐵可達性、遷入率以及住房類型等差異，調查地點定于被選社區周邊大型休閑場所，具體分布見圖2.經調查與問卷回收檢驗，共獲有效樣本2 241份，調查樣本信息，見表1.

圖2 調查點分布

表1 樣本基礎信息統計(N=2 241)

根據受訪者提供的職住地址信息，抓取百度地圖公開的南京城市建成環境相關類別的興趣點數據和城市數據圖中的路網數據.基于遷居問卷數據和匹配多源網絡數據，建立南京城市遷居人群通勤出行基礎數據庫.建成指標測算則根據文獻[9]推薦的建成環境緩沖區半徑，采用以1 km為半徑的圓形緩沖區域為區域測度，統計南京遷居人群居住社區建成環境指標.同時，鑒于南京常規公交出行以步行接入為主，相關公交建成環境指標建議采用500 m(步行可達范圍)為緩沖區半徑，而軌道出行多以共享單車和步行接入為主，則軌道相關建成環境指標采用1 km服務半徑計算.表2為基于多源網絡平臺數據的建成環境統計情況.

表2 建成環境指標統計(N=2 241)

3 模型建立和結果分析

3.1 多項Probit模型

多項Probit模型是基于效用最大化理論的常見離散選擇回歸模型之一，模型假定效用函數的隨機誤差項服從正態分布.結合Probit回歸模型效用理論和當前遷居人群主要通勤方式，確定慢行交通-ACT、公共交通-PT和小汽車-CAR三項選擇肢，構建遷居人群遷居后的通勤方式選擇模型的效用函數：

(2)

式中：Uj和Vj(j=ACT，PT，CAR)分別為遷居后改用慢行交通(步行、自行車與電動車三類出行)、公共交通和小汽車通勤的效用函數和可觀測效用變量；εj為效用函數中的不可觀測誤差項；βj為估計的變量參數;∑disc為3×3式的方差-協方差矩陣.誤差項服從均值為0，∑disc方差為多元正態分布，函數視遷居后慢行出行通勤群體為參照，對另外兩類使用公交和小汽車通勤的群體進行多項Probit回歸.

3.2 基于Probit的遷居通勤方式選擇分析

利用R語言構建建成環境與遷居個體通勤方式選擇的多項Probit模型，以最大似然估計法標定建成環境指標變量參數.模型以非機動出行方式(ACT-步行、自行車和電動車)選擇肢為參照，分別對遷居人群當前出行方式(PT-公共交通，CAR-小汽車)進行回歸，模型回歸后獲得的最大似然估計值為-697.497 2，R2為0.15，模型整體效果較好，模型回歸結果見表3.表3中與遷居通勤者出行方式選擇顯著相關的因素有土地用地混合熵、商業用地強度、職住比、交叉口數、公交站點數、軌道站點數、職住同區、居住區位、工作區位、職住通勤距離和通勤時耗.

表3 建成環境-通勤方式Probit回歸結果

其中，居住區周邊用地混合熵、商業用地強度、職住同區位、居住中心區位與遷居者的機動化通勤顯著負相關.當社區居民所在地1 km范圍內的用地混合度和商業開發強度較高時，個體遷居者更傾向于使用非機動方式通勤，即高混合度和高強度商業開發區域利于社區居民就近擇業，適用于短途非機動通勤.職住隸屬同個行政區的居民通勤距離相對較短，其采用非機動通勤的概率更高.居住于中心區的個體遷居者采用非機動通勤的概率更高，中心區土地用地更為緊湊、多元化，其就業資源和機會就更多，區內基本就能滿足個體活動的需求，因此短途非機動出行比例更高.

居住區周邊500 m范圍內交叉口數與個體遷居者的小汽車通勤顯著正相關，表示社區周邊完備的道路基礎設施對遷居個體的小汽車使用有促進作用.通勤時耗和職住通勤距離對兩種機動化出行有顯著正效應，中長距離、長時間通勤更適于機動化出行.工作地點區位、軌道站點數對遷居個體是否采用公交出行具有一定正效應，即工作點位于城市中心的人群和居住區域周邊有軌道服務的遷居者其使用公共交通出行的概率更高，中心區公交服務覆蓋率和可達性相對較高，更利于個體公交通勤.

另居住區公交站點和軌道站點對個體小汽車通勤顯著正相關，可解釋為：①在新一線城市，軌道沿線房源升值空間大也備受歡迎，因此，小汽車通勤群體購買該房源居住的概率也很高；②多數小汽車遷居通勤者對“P+R”模式(軌道交通+小汽車)持較積極的態度；③便捷的地鐵或公交服務可便于小汽車通勤者家庭成員的日常出行.

4 結 束 語

文中針對城鎮化背景下城市遷居通勤者出行機動化問題，突破以往宏觀遷居出行研究慣例以及土地用地數據限制，以南京為例，融合遷居個體通勤出行問卷調查、百度地圖API和第三方城市團網絡爬蟲數據平臺，構建基于多源數據融合的南京遷居通勤人群出行數據庫.針對遷居人群高比例的機動化出行，構建遷居人群體通勤方式選擇的Probit模型，從微觀層面探究遷居后個體居住社區的外部建成環境與個體通勤方式選擇之間的相關性.模型結果顯示，遷居后住宅周邊用地混合熵、商業用地強度、職住同區位、居住中心區位對遷居者的機動化通勤具有顯著負效應；社區周邊交叉口數量、職住通勤距離、通勤時間、軌道站點數、公交站點數與個體遷居者的小汽車通勤顯著正相關.