EN中文

地理研究 >

2024 , Vol. 43 >Issue 2: 429 - 445

DOI: https://doi.org/10.11821/dlyj020230532

研究论文

双视角、双维度下超大城市的通勤效率——以上海市为例

  • 岳丽莹 , 1 ,
  • 朱宇 , 1 ,
  • 李开明 2
展开
  • 1.上海大学人口研究所暨亚洲人口研究中心，上海 200444
  • 2.上海大学上海美术学院建筑系，上海 200444
朱宇（1961-），男，福建省闽清县人，博士，研究员，博士生导师，主要研究方向为人口迁移流动和城镇化。E-mail:

岳丽莹（1988-），女，山东省莘县人，博士，主要研究方向为人口地理学。E-mail:

收稿日期: 2023-07-03

  录用日期: 2023-10-30

  网络出版日期: 2024-02-04

基金资助

教育部人文社会科学青年基金项目(23YJCZH287)

中国博士后科学基金项目(2023M732174)

上海市浦江人才计划(22PJC049)

上海市哲学社会科学规划课题(2023BCK003)

收起

Commuting efficiency in dual dimensions of education and travel mode in Shanghai from the perspectives of average distance and spatial organization

  • YUE Liying , 1 ,
  • ZHU Yu , 1 ,
  • LI Kaiming 2
Expand
  • 1. Asian Demographic Research Institute, Shanghai University, Shanghai 200444, China
  • 2. Department of Architecture, Shanghai Academy of Fine Arts, Shanghai University, Shanghai 200444, China

Received date: 2023-07-03

  Accepted date: 2023-10-30

  Online published: 2024-02-04

Fold

摘要

居住-就业空间配置决定居民通勤行为，开展通勤效率研究对优化职住空间分布，解决城市交通问题尤为重要，但已有研究鲜有从双视角（平均通勤距离与通勤空间组织）、双维度（学历与出行方式）对其进行考察。以上海市为例，基于2015年1%人口抽样调查数据，采用过剩通勤指标，从双视角、双维度深入分析超大城市的通勤效率及其群体异质性。研究表明：① 整体上，上海市52.12%的居民出行属于过剩通勤，使用了15.38% 的通勤容量，表明城市职住关系优化潜力较大。② 具体维度上，不同学历、出行方式的通勤效率存在明显差异。相较于小汽车出行，公共交通出行的通勤效率更低，职住关系优化空间更大，尤其是低学历就业者。与单一维度相比，双维度的交叉分析呈现更加复杂的结果。③ 视角上，平均通勤距离和通勤空间组织之间存在非线性关系。对于公共交通出行，低学历就业者的实际通勤距离大于高学历就业者，但前者的通勤空间组织更为有序。同时，过剩通勤指标表明相较于短通勤模式，长通勤模式不一定是低效率、无序的。以上结果强调了基于双视角、双维度研究通勤效率的重要性和必要性。此外，值得注意的是，低学历-公共交通出行的职住平衡程度最低，城市应该在未来保障性住房、公共交通体系建设方面更加关注低技能、低收入等弱势群体。

关键词： 职住平衡; 过剩通勤; 通勤效率; 上海

本文引用格式

岳丽莹 , 朱宇 , 李开明 . 双视角、双维度下超大城市的通勤效率——以上海市为例[J]. 地理研究, 2024 , 43(2) : 429 -445 . DOI: 10.11821/dlyj020230532

Abstract

The jobs-housing spatial relationship determines urban residents' commuting behavior. Research on commuting efficiency is of great significance for optimizing urban spatial structure and alleviating urban traffic problems such as congestion. However, few studies have examined commuting efficiency from dual perspectives (average trip length and spatial organization) and dual dimensions (education level and travel mode). Based on data at sub-district scale from the 1% National Population Sampling Survey in 2015, this paper describes the characteristics of urban commuting efficiency from the perspectives of average travel distance and spatial organization under the excess commuting framework, and explores its heterogeneity across education level and travel mode subgroups in Shanghai. The results show that: (1) 52.12% of the commuting trips belong to excess commuting, and only 15.38% of the commuting capacity is used, which indicates that great capacity exists for optimizing the jobs-housing spatial relationship in Shanghai. (2) There is a significant difference in commuting efficiency across education level and travel mode subgroups. Compared with low education level and car travel, high education level and public transportation travel have a lower degree of commuting efficiency, and a greater potential for jobs-housing relationship optimization. There is an interaction between education level and travel mode. For car travel, the commuting distance of high education subgroup is much greater than that of low education subgroup, but for public transport travel, the trend is opposite. (3) There is a non-linear relationship between the average commuting distance and commuting spatial organization. The bi-dimensional cross analysis shows that the long commuting pattern is not necessarily inefficient and disorderly, and the short commuting pattern is not necessarily efficient and orderly. The above results emphasize the importance of studying commuting efficiency based on dual dimensions and dual perspectives. In addition, it is worth noting that less educated workers by public transit have the highest degree of jobs-housing separation, and the poorest job accessibility. Therefore, urban planners should pay more attention to low-skilled, low-income and other disadvantaged workers in affordable housing and public transportation system in the future.

Key words： jobs-housing balance; excess commuting; commuting efficiency; Shanghai

1 引言

在经济转型与郊区化进程双重机制影响下，城市居住-就业空间关系发生了深刻嬗变，职住分离及其带来的通勤问题已成为许多城市（尤其是超大城市）可持续发展中亟待解决的一个难题[1,2]。《2020年度全国主要城市通勤监测报告》显示，上海等超大城市中约20%的居民通勤时间超过1小时[3]。通勤成为影响居民生活质量的重要原因，长通勤对居民幸福感、身心健康及工作效率等均产生显著负面影响[4]。此外，长通勤导致居民机动化出行需求不断攀升，对小汽车出行日渐依赖，由此引起的交通拥堵和空气污染已成为制约上海等建设低碳宜居城市的重要瓶颈。优化职住空间关系被认为是治理城市交通问题的根本所在，不堪重负的各大城市纷纷将“职住平衡”写入城市发展规划。2021年，“职住平衡”再次写入国家“十四五”规划和2035年远景目标纲要，以期降低出行成本、提高通勤效率。在此背景下，开展城市通勤效率研究，有助于探明通勤行为与职住空间分布的相互关系，对优化城市空间结构、解决城市交通问题及实现可持续发展具有重要现实意义。
在城市交通问题日益严重的背景下，相关学者围绕通勤效率的评价测度、时空特征及其影响因素等方面展开研究。① 关于通勤效率的评价测度，逐渐从绝对指标向相对指标、单元尺度向个体尺度、单一视角向多视角转变。早期的通勤效率主要用通勤距离（或时间）的绝对值来测度[5]，但该方法无法反映职住关系对通勤的影响及二者互动关系。随着过剩通勤理论的日趋完善，相关学者主要采用通勤距离的相对值进行测度，即通过对比实际通勤与理论通勤的差值检验通勤效率[6⇓-8]。常用方法为基于不同空间单元尺度的线性规划方法（Linear Programming method），但有研究[9]发现可塑性面积单元问题的存在导致测度指标对单元尺度较为敏感进而影响其精确度，并提出了个体尺度的仿真模拟方法[10]。例如，Hu等采用蒙特卡罗方法（Monte Carlo method）模拟个体尺度的通勤效率，发现普查区尺度的研究会高估城市通勤效率[11]。除了平均通勤距离，通勤空间组织也是评估通勤效率的一个重要视角，二者在理论上存在非线性关系[12]。O'Kelly等以美国25个城市为例，基于最大熵模型（Maximum Entropy model）从两个视角对比分析不同城市形态的通勤效率差异，发现相较于紧凑型城市，蔓延型城市的长通勤并不一定低效率、无序的[13]。但该研究聚焦于城际差异比较分析而忽视了城市内部居民的异质性。② 关于通勤效率的时空特征，大多数已有研究仅刻画城市通勤效率的全局特征，较少关注于其局域特征及空间格局，能提供的参考信息较为有限[14⇓-16]。Jing等采用ArcGIS软件对实际通勤及过剩通勤进行了空间可视化表达[14]。此外，也有学者探讨通勤效率的年际[17]、日际[18]和时际[19]差异及演变规律。③ 关于通勤效率的影响因素，作为主客观因素共同作用的结果，通勤效率的影响因素既包括城市形态、建成环境等外在客观因素[20,21]，也包括居民社会经济属性（如性别[22]、年龄[23]、教育水平[24]、职业[25]、收入[26,27]）及个人偏好（如社区类型[28]、交通方式[19,29]）。相关研究发现，紧凑型[20]、多中心[30,31]城市形态及混合土地利用模式[32]均能有效提高通勤效率。同时，受经济支付能力和区位偏好影响，不同就业者的职住空间需求和使用特征具有较大差异，进而有着不同的通勤行为及效率。城市通勤效率存在明显群体异质性，如男性、高收入和高技能就业者的通勤效率相对较低[27]，有研究发现居民社会经济属性的影响甚至大于空间结构因素[33]。因此，基于同质性假设的研究可能会导致测度结果的偏差，无法准确地刻画城市通勤效率，进而影响相关城市政策（如职住平衡）评估的科学性。
由上可见，国内外学者迄今已围绕通勤效率的评估测度、时空特征、影响因素等方面开展了大量理论与实证研究，取得了丰富的成果，但仍存在一些需要解决和思考的重要问题。首先，城市通勤空间组织的有序性与城市交通系统，尤其是公共交通的建设和发展密切相关，而现有研究多采用线性规划方法聚焦于通勤距离单一视角，缺乏对通勤空间组织视角的充分考量，未能在通勤距离和通勤空间组织双重视角下建立对城市通勤效率的系统认知。第二，作为导致通勤效率群体异质性的一个重要因素，出行方式对居民职住区位选择及通勤行为具有重要影响，但目前对不同出行方式的通勤效率差异研究较少。Taylor等在《空间错配还是小汽车错配?》（Spatial Mismatch or Automobile Mismatch?）一文中对比分析了美国不同种族群体的通勤差异，发现造成通勤时间差异的主要原因是不同出行方式下的通勤速度而非通勤距离，并将其归因于“小汽车错配”而非空间错配[34]。在发达国家城市[35]，与公共交通相比，小汽车出行的通勤距离更长、通勤效率更低，而基于发展中国家城市的研究结果则与之相反[36,37]。与西方国家不同，尽管中国城市居民出行对小汽车日渐依赖，但公共交通占比仍很高。因此，探讨中国城市不同出行方式的通勤效率差异具有重要现实意义，有助于明晰城市土地利用在多大程度上有利于小汽车出行，从而反映城市土地利用的合理性。第三，迄今研究缺乏对出行方式与居民社会经济属性交互作用的分析。随着社会经济的快速发展，城市社会分异与居住隔离问题日益突出，基于单一维度和粗粒度数据的分析难以捕捉城市内部愈演愈烈的社会差距和多元异质通勤行为的细微差别[38,39]。已有研究表明高收入、高技能就业者的小汽车使用率及长通勤概率更高。对于同一出行方式，不同居民群体的通勤效率可能有着较大差异。作为个体社会经济水平的重要表征[40,41]，教育程度与居民收入、职业、生活方式等密切相关[42]，且相关数据更具有稳定性和可靠性。比如，对于刚毕业大学生和农民工，尽管二者收入均较低，但其职住区位选择和通勤行为明显不同。
上海是位居世界前列的超大城市，在改革开放以来的高速发展中，职住分离及其带来的通勤问题日益突出，并对城市的发展形成掣肘，是今后亟待解决的一个重要问题。本文以上海市为例，基于2015年1%人口抽样调查数据，采用过剩通勤指标，从双视角（平均通勤距离与通勤空间组织）、双维度（学历与出行方式）深入分析城市通勤效率及其群体异质性，以期进一步加深学术界对城市通勤行为、职住空间分布与居民社会经济属性之间关系的理解，为职住空间规划和政策制定，建设低碳宜居城市提供科学依据。鉴于上海在中国城市发展和规划中的前沿地位，我们还希望通过对上海的研究，能够为国内、乃至国际上其他城市提供借鉴与参考。

2 研究区概况与数据来源

鉴于地域连续性，本文选取除崇明以外的上海市域范围作为研究区域（图1）。以外环线为界，上海被划分为中心城区和郊区。选择街道作为空间分析单元，主要基于以下考虑：首先，街道是中国人口普查数据获取的基本统计单元，便于获取城市居民的相关社会经济属性数据。其次，街道是中国城市管理体系和城市政府实施城市政策的最基本行政单位，基于街道尺度的实证分析更具有实践指导价值[43,44]。
图1 2015年上海实际通勤模式特征

Fig. 1 Observed commuting pattern in the Shanghai metropolitan area

通勤矩阵数据来源于上海市统计局提供的2015年1%人口抽样调查数据。该调查首次增设了居民就业地点的调查项目[45]，每10年进行一次，2015年调查迄今仍是上海市通勤数据的最新来源。调查样本量近70万常住人口，约占全市常住人口总数的3%。经推算统计，2015年上海市常住就业人口共1247.47万。其中，中心城区内部通勤量为673.07万（占比为55.89%），郊区内部的通勤量为432.87万（35.94%）。该调查不仅提供了问卷调查无法比拟的大样本量，而且可以直接获得手机信息等大数据无法提供的居民社会经济属性，如户籍、职业、学历、出行方式等。本文将小学及以下界定为低学历（7.75%），初中、高中界定为中学历（54.43%），大学及以上为高学历（37.82%）；将步行、骑行界定为非机动出行（55.73%），公共汽车、轨道交通界定为公共交通（25.19%），摩托车和小轿车界定为小汽车（19.08%）。从图2可以看出，高学历群体以公共交通和小汽车出行为主，而低、中学历群体以非机动出行为主。
图2 不同学历群体的出行方式占比

Fig. 2 Descriptive statistics of travel modes for different education subgroups

除了通勤矩阵数据，通勤成本也是城市通勤分析中的关键数据基础。通勤时间和通勤距离是通勤成本的两种主要测度方式。通勤距离主要用于分析城市职住空间结构对通勤的影响，而通勤时间受多种因素影响，如通勤路线、交通状况等，与居民社会经济属性密不可分。Bwire等认为通勤距离更适合作为通勤成本的测度指标，因为通勤出行的负外部性效应与通勤距离更相关，而居民的通勤时间预算通常是固定值[29]。当研究目的是用以评估城市职住空间结构与通勤行为的相互关系时，通勤距离比通勤时间更适合作为通勤成本的测度指标。因此，参考Frost等的常用做法，将街道质心间的路网距离作为区域间通勤成本，同时假设街道为圆形，将其面积的半径作为区域内通勤成本[46]。其中，路网距离是由ArcGIS网络分析方法计算得到的最短路径表示。

3 研究方法

西方学者提出并应用了一系列通勤基准值（如理论最小通勤[47]、理论最大通勤[48]、随机通勤[49]）和过剩通勤指标（如过剩通勤率[6]、通勤潜能使用率[48]、通勤经济[50]、标准化过剩通勤[12]、标准化过剩熵[12]），旨在更精确地评估城市通勤效率。本文将选用理论最小通勤和随机通勤分别作为通勤基准值的下限和上限，采用标准化过剩通勤及标准化过剩熵分别用以测度平均通勤距离视角和通勤空间组织视角的通勤效率。

3.1 平均通勤距离视角

3.1.1 理论最小平均通勤距离（Cmin）

Cmin是指在既定的城市空间结构下，求解居住地与就业地之间的最优出行分配，使得城市通勤系统总成本最小化[47]（公式1），需满足就业人口总量、就业岗位总量及通勤总量三者相等的约束条件（公式2~公式4）。它常被用作一种规划工具来反映局部层面的职住平衡程度。具体计算公式如下：
C m i n = 1 W ∑ i ∑ j T i j d i j
∑ j = 1 n T i j = O i     ∀ i = 1 , … , m
∑ i = 1 m T i j = D j     ∀ j = 1 , … , n
T i j ≥ 0
式中：W为总通勤人数； T i j为最小通勤模式下街道i到j的通勤人数； d i j为街道i与j之间的通勤成本； O i为街道i的就业人口总量； D j为街道j的就业岗位总量；m和n分别为居住地和就业地的街道数量。

3.1.2 随机平均通勤距离（Cran）

在现实生活中居民不会故意无效率地通勤，效率最低的通勤模式应该是一个随机选择的结果[12]。鉴于理论最大通勤的假设与追求成本最小化的经济理论相违背，选取随机通勤作为通勤基准值上限，即假设所有通勤者在选择就业地时不考虑出行成本的通勤模式，常用于测度区域层面的职住平衡程度，可根据如下公式计算：
C r a n = 1 W 2 ∑ i ∑ j O i D j d i j

3.1.3 标准化过剩通勤（NEC）

有学者认为过剩通勤（EC）忽略了城市规模的影响，仅对比实际通勤与通勤基准下限存在一定的局限性，不便于进行城际或组间比较[48]。基于通勤图谱理论，O'Kelly等提出标准化过剩通勤指标（NEC）指标，将实际通勤（ C o b s）置于理论最小通勤（ C m i n）和随机通勤（ C r a n）范围内[12]，可以更准确的反映城市通勤效率。其中， C r a n和 C m i n的差值称之为通勤容量或通勤潜能。NEC取值越大，通勤效率越低，计算公式如下：
E C = C o b s - C m i n C o b s × 100
N E C = C o b s - C m i n C r a n - C m i n × 100

3.2 通勤空间组织视角

3.2.1 熵（Entropy）

由最大熵模型推导出的熵值是表征通勤空间组织的理想工具[51]。熵（Entropy）的概念最早来源于热力学，在分子运动论中，熵与概率之间建立了联系，常用于描述系统的不确定性。最大信息熵原理认为，在所有相容的分布中，满足约束条件且熵值最大的分布是最符合实际和最有可能发生的分布结果。20世纪60年代，Wilson将其引入交通系统并构建了基于熵最大化的双约束空间相互作用模型（简称最大熵模型），用于分析交通出行行为[51,52]。O'Kelly等系统论证了通勤距离、距离衰减系数及熵值间的理论关系[12]。理论最小通勤熵（ H m i n）、实际通勤熵（ H o b s）及随机通勤熵（ H r a n）的计算公式如下：
H m i n = - ∑ i ∑ j T i j m i n l n T i j m i n
H o b s = - ∑ i λ i o b s O i - ∑ j μ j o b s D j + β o b s C o b s
H r a n = - ∑ i λ i r a n O i - ∑ j μ j r a n D j
λ i = l n ( A i O i )
μ j = l n ( B j D j )
式中： β为距离衰减系数； C是平均通勤距离； T i j m i n是理论最小通勤模式下街道i到j的通勤量； λ i和 μ j分别为居住地和就业地的拉格朗日系数； A i和 B j分别为居住地和就业地的平衡因子，模型详细信息参考O'Kelly等[12,13]。

3.2.2 标准化过剩熵（NEH）

类比于标准化过剩通勤（NEC），O'Kelly等提出了标准化过剩熵（NEH）的概念，将 H o b s与 H m i n、 H r a n进行比较，用以评估城市通勤空间组织的有序性[12]。NEH值越小，通勤有序性越高。计算公式如下：
N E H = H o b s - H m i n H r a n - H m i n × 100
具体计算过程是应用LINGO软件，基于线性规划最优化模型估计理论最小通勤距离及其通勤流矩阵。然后，将不同通勤模式下的通勤流矩阵作为最大熵模型在MATLAB中运行的数据基础，通过不断迭代调整距离衰减系数直至模型预测的平均通勤距离等于实际值，此时即可得到 H o b s，当距离衰减系数为0时，即可获得 H r a n。

3.3 研究设计

为了更充分地了解上海城市通勤效率及其群体异质性，本文定义了以下三种分析情景：① 开展基于全样本的整体特征分析，将上海通勤效率的整体特征作为基准值，以便进行城际、组间比较，反映上海通勤效率的相对高低。② 单视角、单维度下的通勤效率分析，基于平均通勤距离单一视角，分别测度三种（低、中、高）学历水平、三种（非机动、小汽车、公共交通）出行方式的通勤效率特征，将其与基准值相比较，刻画上海通勤效率在学历、出行方式维度的群体差异。③ 双视角、双维度下的通勤效率分析，将学历与出行方式两个维度进行交叉，全样本被划分为9个组别（三种学历×三种出行方式），借助于更加精细化的通勤数据，从平均通勤距离和通勤空间组织两个视角，进一步明晰城市通勤行为及其效率在不同学历-出行方式群体间的细微差别，揭示平均通勤距离和通勤空间组织之间的复杂关系。

4 单视角、单维度下的通勤效率

表1列出了上海通勤效率及其群体异质性的主要计算结果。整体上，上海市微观层面的居住-就业空间并未出现过度分离，居民拥有相对平衡的职住关系，最小通勤距离为4.01 km。实际通勤距离为8.37 km，与Zhang等[53]的研究结果相近，表明尽管居住地附近拥有一定数量的就业岗位，但部分居民并没有就近择业而是选择距离较远的就业岗位。从过剩通勤指标来看，上海市有52.12%（EC）的通勤出行属于过剩通勤，但仅使用了15.38%（NEC）的通勤潜能。这是因为上海宏观层面的职住空间离散程度较高，随机通勤距离为32.36 km。与国外大城市相比，上海的通勤距离较短、通勤效率较高。例如，美国亚特兰大的通勤距离为28.80 km、标准化过剩通勤率（NEC）为48.49%[27]；加拿大多伦多的实际通勤距离为16.77 km、标准化过剩通勤率（NEC）为47.27%[7]。这可能是因为西方城市具有更加明显的低密度蔓延态势，职住分离程度更大。此外，也可能与居民的交通工具使用偏好有关，上海的小汽车出行占比不及20%，而美国、加拿大城市的小汽车出行占比高达70%。与国内大城市相比，上海的通勤效率高于北京[37]、深圳[54]等大城市，这可能与产业布局、交通道路建设、城市空间结构等密不可分。
表1 通勤效率指标计算结果

Tab. 1 Results of commuting efficiency metrics

分组 P
(%)		 C m i n
(km)		 C o b s
(km)		 C r a n
(km)		 β o b s H m i n H o b s H r a n EC
(%)		 NEC
(%)		 NEH
(%)
全样本 100 4.01 8.37 32.36 0.253 5.50 8.03 10.07 52.12 15.38 55.22
学历
低学历 7.75 4.16 5.14 39.22 0.541 5.01 5.92 9.47 18.90 2.77 20.34
中学历 54.42 3.97 6.75 35.50 0.335 5.35 7.21 9.91 41.19 8.83 40.83
高学历 37.82 4.17 11.35 25.12 0.156 5.54 8.93 9.88 63.26 34.28 78.03
出行方式
非机动 55.72 3.82 4.81 36.05 0.582 5.31 6.37 9.92 20.64 3.08 23.03
小汽车 19.08 4.48 11.88 32.79 0.162 5.50 8.51 9.88 62.32 26.16 68.79
公共交通 25.19 5.04 13.84 21.85 0.107 5.54 9.30 9.73 63.61 52.36 89.68
学 历 ×出行方式
低学历 ×非机动 7.17 4.17 4.72 39.71 0.677 4.98 5.62 9.41 11.65 1.55 14.50
低学历 ×小汽车 0.35 5.33 8.70 38.95 0.257 5.01 6.63 8.98 38.71 10.01 40.95
低学历 ×公共交通 0.23 6.56 15.91 34.90 0.115 5.30 8.46 9.41 58.77 32.98 77.03
中学历 ×非机动 39.91 3.94 4.91 36.78 0.568 5.23 6.25 9.84 19.87 2.90 22.10
中学历 ×小汽车 7.21 4.59 10.45 37.47 0.196 5.35 7.84 9.71 56.10 17.83 57.07
中学历 ×公共交通 7.30 5.26 14.20 25.53 0.115 5.61 9.27 9.89 62.98 44.11 85.44
高学历 ×非机动 8.64 3.02 4.35 28.22 0.586 5.43 6.98 10.06 30.49 5.26 33.34
高学历 ×小汽车 11.52 4.57 12.87 29.10 0.139 5.51 8.77 9.77 64.51 33.85 76.58
高学历 ×公共交通 17.66 5.06 13.66 20.04 0.101 5.48 9.23 9.57 62.94 57.42 91.78

注：P指的是通勤量占比。

4.1 学历维度

从理论最小通勤来看，低学历就业者（4.16 km）的平均出行距离最短，表明其具有更高的就业可达性，居住地与就业地的空间分布更加平衡。然而，随机通勤表现出相反的趋势，低、高学历就业者的平均距离分别为39.22 km和25.12 km，即与高学历就业者相比，低学历就业者的就业和居住区位具有更明显的郊区化趋势，这与上海城市空间发展规划存在较大关系[45]。从实际通勤来看，学历越高，平均通勤距离越长，即低学历<中学历<高学历。低、中学历就业者的平均通勤距离较短，分别为5.14 km和6.75 km，而高学历就业者的平均通勤距离高达11.35 km。从距离衰减系数可以看出，相较于其他群体，低学历就业者的距离衰减系数较大，表明其在居住与就业区位选择中更看重通勤成本，而高学历就业者为寻求更满意的居住环境与就业岗位，其居住地与就业地的空间分离趋势更加明显。已有研究表明，高学历就业者的通勤容忍度更高[4]，同时还可以通过机动出行来弥补职住分离带来的负面效应，因此为改善居住条件而主动远离就业地居住的倾向更加强烈[44]。从过剩通勤指标来看，高学历就业者的过剩通勤程度较高，通勤效率较低。低、中、高学历就业者的过剩通勤率（EC）分别为18.90%、41.19%、63.26%，标准化过剩通勤率（NEC）分别为2.77%、8.83%、34.28%。整体来看，学历越高，平均通勤距离越长，通勤效率越低。与全样本结果相比，若忽视就业者的学历差异，会低估低、中学历群体的通勤效率而高估高学历群体的通勤效率。这表明，学历是影响通勤效率的重要因素。

4.2 出行方式维度

从实际通勤来看，公共交通出行的平均通勤距离最长，表现为非机动（4.81 km）<小汽车（11.88 km）<公共交通（13.84 km）。从通勤基准值来看，非机动出行的通勤下限最低（3.82 km）、通勤上限最高（36.05 km），表明其居民就业可达性最高，但具有最明显的去中心化态势。与选择公共交通出行的居民相比，选择小汽车出行的居民更容易获得离家近的就业机会，因而理论最小通勤距离相对较短，分别为5.04 km和4.48 km。然而，公共交通出行的随机平均通勤距离（21.85 km）远小于小汽车出行（32.79 km），这可能与公共交通网络布局存在较大关系。相较于中心城区，上海郊区公共交通体系的发展明显滞后，公共交通设施尚不完善[23]。从过剩通勤指标看，小汽车和公共交通出行的过剩通勤率（EC）较为相近，分别为62.32%和63.61%，但标准化过剩通勤率（NEC）差别较大，分别为26.16%和52.36%，这是因为与小汽车出行相比，公共交通出行的通勤容量较小。对于非机动出行，无论是过剩通勤率（20.64%）还是标准化过剩通勤率（3.08%），均表明其通勤效率较高。当与总样本结果相比较时，可以发现若不考虑出行方式类型，会高估公共交通和小汽车出行的通勤效率而低估非机动出行的通勤效率。
在上海，相较于公共交通出行，选择小汽车出行居民的职住平衡程度更高。该结果与爱尔兰都柏林[35]的案例分析相一致，但与北京[36,37]的分析呈完全相反的趋势，这可能与城市空间结构有关。与北京相比，上海就业和人口的分散化及多中心化与西方发达国家的郊区化进程更为相似[55]。在就业人口方面，尽管二者均呈现相同的分散化和多中心特征，但是北京的人口仍然主要集中分布在近郊区及其以内，而上海的近郊区及远郊区人口规模及其密度均在提高。在就业岗位方面，上海就业分散化趋势明显，多中心化特征显著，而北京的就业仍主要集中在中心城区，就业多中心化程度相对较低。就业岗位的分散分布使得小汽车出行者相对容易获得中心城区以外的邻近就业机会，从而相对提高了其就业可达性。

5 双视角、双维度下的通勤效率

以上单视角、单维度分析表明，在平均通勤距离视角下，不同学历、出行方式的通勤效率存在明显差异。然而，当将两个维度同时纳入考察时，已观察到的通勤行为及其效率差异会因另一维度的加入发生多大变化?基于更加精细化的通勤数据，平均通勤距离和通勤空间组织之间是否存在复杂的非线性关系?为回答以上两个问题，本小节分别从平均通勤距离、通勤空间组织视角分析9个学历-出行方式群体的通勤效率特征，并探讨二者之间的关系。

5.1 平均通勤距离视角

图3为不同学历-出行方式群体的实际通勤距离与通勤基准值，并按照实际通勤距离进行排序。结果表明，即使考虑居民的学历水平，实际通勤距离仍表现为非机动<小汽车<公共交通，表明出行方式对通勤的影响大于学历水平。
图3 不同学历-出行方式群体的平均通勤距离

Fig. 3 Benchmarks of average commuting distance for different education-mode subgroups

从实际通勤距离来看，最小值为4.35 km（高学历-非机动出行），最大值为15.91 km（低学历-公共交通出行）。值得注意的是，在单一学历维度分析中，实际通勤距离表现为低学历<中学历<高学历，但在双维度的交叉分析中，则呈现出较为复杂的结果。我们将分别对比不同出行方式内通勤行为的群体差异。对于小汽车出行，低、高学历就业者的实际平均通勤距离分别为8.70 km和12.87 km。也就是说，即使低学历就业者选择小汽车出行，但是其通勤距离也会相对较短。这可能是因为受社会文化环境影响，小汽车不仅是一种交通工具，小汽车出行在一定程度上也是身份地位的象征[56]。对于非机动和公共交通出行，则表现为高学历就业者的实际通勤距离短于低学历就业者，这可能是因为高学历就业者可以承担其就业地附近更高的居住成本，以降低其通勤距离[24]。同样的，仅考虑学历而忽视出行方式，会严重过高估计高学历-非机动出行者而过低估计低学历-公共交通出行者的通勤距离。以上结果强调了同时考虑学历和出行方式对通勤研究的重要性，在同质性假设的基础上，没有或者较少差异的数据可能会产生误导性的结果。
从理论最小通勤来看，低学历就业者尤其是采用小汽车和公共交通出行的职住平衡程度最差、通勤距离最大，分别为5.33 km和6.56 km。该结果与城市郊区化和交通网络分布密不可分。中心城区就业机会多但居住空间有限且房价高昂，而郊区居住空间大、住房成本相对较低，在远距离出行成本可容忍的情况下，低学历、低收入等劣势群体更偏好在城市外围地区择居[23]。从随机通勤来看，高学历-公共交通出行者（20.04 km）的通勤距离最小，低学历-非机动出行者（39.71 km）的通勤距离最长，与前者相比，后者具有更加明显的去中心化态势。从过剩通勤指标来看，过剩通勤率（EC）取值范围为11.65%~64.51%，标准化过剩通勤率（NEC）取值范围为1.55%~57.42%。整体来看，在不同学历群体内部，通勤效率均表现为非机动>小汽车>公共交通。

5.2 通勤空间组织视角

从实际通勤熵值来看，不同群体的通勤空间组织差异较大。非机动出行（5.62~6.98）的实际熵值最小、通勤空间组织最为有序，小汽车出行（6.63~8.77）次之，公共交通出行（8.46~9.27）的熵值最大、通勤空间组织最为无序。图4展示了不同学历-出行方式的实际通勤模式，利用ArcGIS 软件的自然断裂点法将通勤流划分为5个层级，为了方便显示，仅展示流量较大的4个层级。与小汽车出行相比，公共交通出行更加集中分布在中心城区，具有更多混乱而随机的区域间通勤流，从而导致其通勤熵值较高。
图4 不同学历-出行方式群体的实际通勤模式特征

Fig. 4 Commuting flows for each education-mode subgroup

从过剩通勤指标——标准化过剩熵值（NEH）来看，空间组织视角下的通勤效率存在较大的群体差异。非机动出行的通勤效率最高，标准化过剩熵值均小于35%；小汽车出行次之，标准化过剩熵值介于40%和80%之间；公共交通出行的通勤效率最低，标准化过剩熵值均大于75%。

5.3 平均通勤距离与通勤空间组织的关系

图5为不同学历-出行方式群体的通勤熵值，并根据实际通勤距离进行排序。可以看出实际通勤距离与实际通勤熵值之间呈非线性关系。例如，低学历-公共交通出行的实际通勤距离（15.91 km）大于高学历-公共交通出行（13.66 km），但前者的实际通勤熵值（8.46）却远小于后者（9.23）。这表明，尽管低学历-公共交通出行者的平均通勤距离较长，但是其通勤空间组织呈现较高的结构性与有序性。对于低、高学历-非机动出行亦是如此。
图5 不同学历-出行方式群体的通勤熵值

Fig. 5 Benchmarks of entropy value for different education-mode subgroups

从过剩通勤指标——标准化过剩通勤率（NEC）和标准化过剩熵值（NEH）来看，平均通勤距离视角下的高通勤效率并不一定意味着通勤空间组织视角下的高通勤效率。对于高学历-小汽车出行和低学历-公共交通出行而言，在平均通勤距离视角下，前者的通勤效率低于后者，NEC值分别为33.85%和32.98%。然而，在通勤空间组织视角下，却呈现与之相反的趋势，即前者的通勤效率要略高于后者，NEH值分别为76.58%和77.03%。在已有的城际比较研究[13]中，两个视角下的通勤效率排序存在明显差别（如在25个美国城市中，圣地亚哥的NEC和NEH排序分别为3和18），但在本文中几近相同，这可能是受限于同一城市形态，不同学历-出行方式群体的通勤空间组织较为相近。
将实际通勤距离与过剩通勤指标进行对比，可以发现长通勤模式不一定是低效率、无序的，而短通勤模式不一定是高效率、有序的。如低、高学历-非机动出行的实际通勤距离分别是4.72 km与4.35 km，但其标准化过剩通勤率分别为1.55%与5.26%；低、高学历-公共交通的实际通勤距离分别为15.91 km与13.66 km，但其标准化过剩通勤率分别为32.98%和57.42%。这是因为相较于低学历群体，高学历群体的职住空间分布去中心化程度较低，随机通勤距离较短，进而导致通勤容量较小，实际通勤更接近于通勤上限（图6）。此外，通勤效率与城市职住空间分布有较大关系。O'Kelly [13]等对比分析了蔓延型（亚特兰大）和紧凑型（拉斯维加斯）城市的通勤效率，发现尽管亚特兰大的实际平均通勤距离远大于拉斯维加斯，但由于前者的职住空间离散程度远大于后者，因而通勤效率相对较高，并认为对于紧凑型城市，换居可以有效降低通勤距离，而对于蔓延型城市，优化职住空间分布是更为有效的治理策略。
图6 不同学历-出行方式群体的通勤距离与熵值对比

Fig. 6 Comparative entropy and distance metrics for different worker subgroups

6 结论与讨论

6.1 结论

本文基于上海市2015年1%人口抽样调查街道尺度数据，采用过剩通勤指标，从平均通勤距离和通勤空间组织两个视角、学历与出行方式两个维度，分析了城市通勤效率及其群体异质性。得出结论如下：
整体上，上海就业者的理论最小平均通勤距离为4.01 km，实际平均通勤距离为8.37 km，其中有52.12%的通勤是过剩的。与国内外大城市相比，上海的平均通勤距离相对较短、通勤效率较高。但是，上海的通勤潜能较大，通勤潜能使用率为15.38%，如果相关政府部门不加以合理规划和引导，城市职住分离和通勤效率低下的状况可能会进一步加剧[57]。
维度上，不同学历、出行方式的通勤效率存在明显的差异。相较于小汽车出行，公共交通出行的通勤效率更低，职住关系优化空间更大，尤其是低学历就业者。与单一维度相比，双维度的交叉分析呈现更加复杂的结果。对于小汽车出行，高学历就业者的实际通勤距离远大于低学历就业者，但对于公共交通出行，则呈现与之相反的趋势。这强调了基于多维度、精细通勤数据研究通勤效率的必要性和重要性。
视角上，城市内部不同学历-出行方式群体的平均通勤距离和通勤空间组织之间存在非线性关系。对于公共交通出行，低学历就业者的实际通勤距离大于高学历就业者，但前者的通勤空间组织更为有序。过剩通勤指标表明，“长通勤模式不一定是低效率、无序的，短通勤模式不一定是高效率、有序的”[13]这一发现在控制城市形态变量后仍然成立。

6.2 讨论

本文主要贡献包括三方面：
理论上，本文为传统空间错配理论提供了来自中国的证据和近期趋势。作为一种结构性障碍，空间错位对低技能、低收入等弱势群体的影响更为明显，由于低学历、公共交通出行者的职住分离程度最高、就业可达性最低，城市应该在未来保障性住房、公共交通体系建设方面更加关注低技能、低收入等弱势群体。但同时也应该注意到，与美国中心城区黑人不同，中国城市低技能流动人口大多选择居住在就业地附近的临时住房或用人单位提供的宿舍，以较差的居住环境质量来换取居住成本和通勤成本的节约[58]。
方法上，采用最大熵模型，从平均出行距离和通勤空间组织两个视角系统评估城市通勤效率。通勤空间组织可以反映城市通勤模式的有序性和结构性，与城市交通系统的建设和发展密切相关，尤其是公共交通。结果表明，平均出行距离和通勤空间组织之间存在非线性关系，仅从平均出行距离的视角评估通勤效率，可能会对城市通勤效率形成错误的认知，进而无法为城市规划与精细化治理提供科学的政策参考价值。值得说明的是，尽管本文发现“长通勤模式不一定是低效率、无序的，短通勤模式不一定是高效率、有序的”，但是长通勤仍是当前城市亟待解决的现实问题，其带来的负面影响远大于正面影响。这里的“效率”指的是实际通勤在城市职住空间约束下的相对表现，并非传统管理学中的投入产出效能。
实证上，将中国城市通勤效率研究拓展到学历与出行方式双维度的交叉分析，深化了对相关问题的规律性认识，为上海的城市规划与交通决策提供了重要科学依据。本文的研究结果表明，鉴于不同社会经济属性群体的通勤效率存在异质性，只有充分考虑不同群体的居住-就业区位选择与通勤模式差异，才能在制定城市规划与治理政策时提出更有针对性、对缩短通勤成本、减少小汽车依赖发挥真正作用的具体措施。
基于以上，为避免走西方发达国家在城市发展进程中的一些弯路，中国城市规划与政策应坚持公交导向的集约紧凑型发展模式，深入实施公交优先发展战略，优化路权生态，保证公共交通的路权优势。加强对不同出行方式、不同交通网络之间的衔接关注，提高公共交通出行的可达性和便捷性，降低居民对小汽车出行的依赖。同时，政策制定者不可忽视不同居民群体间的职住关系与通勤行为差异。对于低学历群体，要侧重于提高其居住-就业空间的邻近度，以缩短其通勤距离；对于高学历群体，要侧重于改善其居住-就业空间的匹配度，以优化其通勤空间组织。
本研究的主要不足之处在于选择通勤距离来衡量通勤成本，未来的研究应该考虑通勤时间，以更真实地反映不同群体的通勤变化。此外，采用街道作为地理空间分析单元，郊区的街道面积相对较大，可能会低估过剩通勤指标、高估通勤效率。同时，相比单一维度，双维度乃至多维度的交叉分析可以在一定程度上减轻群体异质性与平均效应产生的通勤行为及效率认知偏差问题。未来的研究应基于多维度交叉的精细化数据，并考虑通勤成本和地理空间分析单元的影响，使研究结论更为精确。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究方法、结果分析、结论梳理方面提出的宝贵意见，使本文获益匪浅。致谢：真诚感谢匿名评审专家在论文评审中所付出的时间和精力，专家对本文研究方法、结果分析、结论梳理方面提出的宝贵意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吴瑞君, 朱宝树, 古荭欢. 上海市就业人口的职住分离和结构分异. 中国人口科学, 2017, (3): 101-115.

[ Wu Ruijun, Zhu Baoshu, Gu Honghuan. Spatial mismatch of job-housing and the structure variation for employed population in Shanghai. Chinese Journal of Population Science, 2017, (3): 101-115.]

[2]
柴彦威, 张艳, 刘志林. 职住分离的空间差异性及其影响因素研究. 地理学报, 2011, 66(2): 157-166.

[ Chai Yanwei, Zhang Yan, Liu Zhilin. Spatial differences of home-work separation and the impacts of housing policy and urban sprawl: Evidence from household survey data in Beijing. Acta Geographica Sinica, 2011, 66(2): 157-166.] DOI: 10.11821/xb201102002.

[3]
住房和城乡建设部, 中国城市规划设计研究院, 百度地图慧眼 . 2020年度全国主要城市通勤监测报告.https://huiyan.baidu.com/cms/report/2020tongqin.

[ Ministry of Housing and Urban-Rural Development, China Academy of Urban Planning and Design, Baidu Map Insight. 2020 Commuter monitoring report of major cities in China. https://huiyan.baidu.com/cms/report/2020tongqin.]

[4]
He M W, Zhao S C, He M. Tolerance threshold of commuting time: Evidence from Kunming, China. Journal of Transport Geography, 2016, 57: 1-7. DOI: 10.1016/j.jtrangeo.2016.09.007.

[5]
孙斌栋, 涂婷, 石巍, 等. 特大城市多中心空间结构的交通绩效检验: 上海案例研究. 城市规划学刊, 2013, (2): 63-69.

[ Sun Bindong, Tu Ting, Shi Wei, et al. Test on the performance of polycentric spatial structure as a measure of congestion reduction in megacities: The case study of Shanghai. Urban Planning Forum, 2013, (2): 63-69.] DOI: 10.3969/j.issn.1000-3363.2013.02.009.

[6]
Hamilton B. Wasteful commuting. Journal of Political Economy, 1982, 90(5): 1035-1053. DOI: 10.1086/261107.

[7]
Kanaroglou P S, Higgins C D, Chowdhury T A. Excess commuting: A critical review and comparative analysis of concepts, indices, and policy implications. Journal of Transport Geography, 2015, 44: 13-23. DOI: 10.1016/j.jtrangeo.2015.02.009.

[8]
刘贤腾, 陈雪明, 周江评. 就业-居住空间关系及通勤效率: 过剩通勤的评估潜力. 城市交通, 2018, 16(2): 10-18.

[ Liu Xianteng, Chen Xueming, Zhou Jiangping. Study on jobs-housing spatial relationship and commuting efficiency: Evaluation potential of excess commuting. Urban Transport of China, 2018, 16(2): 10-18.]

[9]
Niedzielski M A, Horner M W, Xiao N C. Analyzing scale independence in jobs-housing and commute efficiency metrics. Transportation Research Part A: Policy and Practice, 2013, 58: 129-143. DOI: 10.1016/j.tra.2013.10.018.

[10]
Hu Y J, Wang F H, Wilmot C G. Commuting variability by wage groups in Baton Rouge, 1990-2010. Applied Geography, 2016, 3(1): 14-29. DOI: 10.1080/23754931.2016.1248577.

[11]
Hu Y J, Wang F H. Decomposing excess commuting: A Monte Carlo simulation approach. Journal of Transport Geography, 2015, 44: 43-52. DOI: 10.1016/j.jtrangeo.2015.03.002.

[12]
O'Kelly M E, Niedzielski M A. Efficient spatial interaction: attainable reductions in metropolitan average trip length. Journal of Transport Geography, 2008, 16(5): 313-323. DOI: 10.1016/j.jtrangeo.2007.11.003.

[13]
O'Kelly M E, Niedzielski M A. Are long commute distances inefficient and disorderly?. Environment and Planning A: Economy and Space, 2009, 41(11): 2741-2759. DOI: 10.1068/a41327.

[14]
Jing Y, Hu Y J. The unequal commuting efficiency: A visual analytics approach. Journal of Transport Geography, 2022, 100: 103328. DOI: 10.1016/j.jtrangeo.2022.103328.

[15]
岳丽莹, 李开明, 吴瑞君. 上海市不同学历群体过剩通勤空间分异及影响因素. 地理科学, 2023, 43(8): 1382-1391.

DOI

[ Yue Liying, Li Kaiming, Wu Ruijun. Intraurban variations and determinants of excess commuting for different educational groups in Shanghai. Scientia Geographica Sinica, 2023, 43(8): 1382-1391.] DOI: 10.13249/j.cnki.sgs.2023.08.007.

[16]
刘望保, 陈杰. 手机信令数据支撑下广州市过剩通勤及其空间分异格局. 热带地理, 2022, 42(6): 965-972.

DOI

[ Liu Wangbao, Chen Jie. Excess commuting and its spatial differentiation pattern in Guangzhou supported by cell phone signaling data. Tropical Geography, 2022, 42(6): 965-972.] DOI: 10.13284/j.cnki.rddl.003494.

[17]
Hu Y J, Wang F H. Temporal trends of intraurban commuting in Baton Rouge, 1990-2010. Annals of the American Association of Geographers, 2016, 106(2): 470-479. DOI: 10.31390/gradschool_dissertations.1793.

[18]
Zhou J P, Murphy E. Day-to-day variation in excess commuting: An exploratory study of Brisbane, Australia. Journal of Transport Geography, 2019, 74: 223-232. DOI: 10.1016/j.jtrangeo.2018.11.014.

[19]
Niedzielski M A, Hu Y J, Stępniak M. Temporal dynamics of the impact of land use on modal disparity in commuting efficiency. Computers, Environment and Urban Systems, 2020, 83: 101523. DOI: 10.1016/j.compenvurbsys.2020.101523.

[20]
Yang J W. Policy implications of excess commuting: Examining the impacts of changes in US metropolitan spatial structure. Urban Studies, 2008, 45(2): 391-405. DOI: 10.1177/0042098007085969.

[21]
Zhang H, Xu S, Liu X, et al. Near “real-time” estimation of excess commuting from open-source data: Evidence from China's megacities. Journal of Transport Geography, 2021, 91(4): 1-14. DOI: 10.1016/j.jtrangeo.2020.102929.

[22]
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. 地理学报, 2008, 63(10): 1085-1096.

Liu Wangbao, Yan Xiaopei, Fang Yuanping, et al. Related characteristics and mechanisms for excess commuting in Guangzhou. Acta Geographica Sinica, 2008, 63(10): 1085-1096.] DOI: 10.3321/j.issn:0375-5444.2008.10.008.

[23]
朱玮, 梁雪媚, 桂朝, 等. 上海职住优化效应的代际差异. 地理学报, 2020, 75(10): 2192-2205.

DOI

[ Zhu Wei, Liang Xuemei, Gui Chao, et al. The inter-generational differences in the effects of job-housing optimization in Shanghai. Acta Geographica Sinica, 2020, 75(10): 2192-2205.] DOI: 10.11821/dlxb202010011.

[24]
Yue L Y, O'Kelly M E, Wu R J. An empirical study of commuting efficiency between different educational categories of workers in Shanghai. Geographical Analysis, 2022, 54(4): 820-838. DOI: 10.1111/gean.12306.

[25]
Yue L Y, O'Kelly M E. Variations in excess commuting by educational and occupational worker subgroups: A case study of Shanghai. Socio-Economic Planning Sciences, 2023, 87:101518. DOI: 10.1016/j.seps.2023.101518.

[26]
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. 人文地理, 2016, 31(3): 60-66.

[ Zhong Guoping. Job-housing balance and excess commuting in rapid industrialization cities: A case study of Zhongshan. Human Geography, 2016, 31(3): 60-66.] DOI: 10.13959/j.issn.1003-2398.2016.03.009.

[27]
Schleith D, Widener M, Kim C. An examination of the jobs-housing balance of different categories of workers across 26 metropolitan regions. Journal of Transport Geography, 2016, 57: 145-160. DOI: 10.1016/j.jtrangeo.2016.10.008.

[28]
Jing Y, Hu Y, Niedzielski MA. Neighborhood divides: Where you live matters for commuting and its efficiency. Cities, 2023, 132(3): 104091. DOI: 10.1016/j.cities.2022.104091.

[29]
Bwire H, Zengo E. Comparison of efficiency between public and private transport modes using excess commuting: An experience in Dar es Salaam. Journal of Transport Geography, 2020, 82: 102616. DOI: 10.1016/j.jtrangeo.2019.102616.

[30]
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. 世界地理研究, 2015, 24(4): 78-84.

[ Liu Dinghui. A study on influence of urban spatial structure on residents' commute travel: The cases of Chengdu and Lanzhou. World Regional Studies, 2015, 24(4): 78-84.]

[31]
Loo B P Y, Chow A S Y. Jobs-housing balance in an era of population decentralization: An analytical framework and a case study. Journal of Transport Geography, 2011, 19(4): 552-562. DOI: 10.1016/j.jtrangeo.2010.06.004.

[32]
Merriman D, Ohkawara T, Suzuki T. Excess commuting in the Tokyo metropolitan area: Measurement and policy simulations. Urban Studies, 1995, 31(1): 69-85. DOI: 10.1080/00420989550013220.

[33]
Sultana S, Weber J. Journey-to-work patterns in the age of sprawl: Evidence from two midsize southern metropolitan areas. The Professional Geographer, 2007, 59(2): 193-208. DOI: j.1467-9272.2007.00607.x.

[34]
Taylor B D, Ong P M. Spatial mismatch or automobile mismatch: An examination of race, residence and commuting in US metropolitan areas. Urban Studies, 1995, 32(9): 1453-1473. DOI: 10.1080/00420989550012348.

[35]
Murphy E. Excess commuting and modal choice. Transportation Research Part A: Policy and Practice, 2009, 43(8): 735-743. DOI: 10.1016/j.tra.2009.07.004.

[36]
Zhou J P, Murphy E, Long Y. Commuting efficiency in the Beijing metropolitan area: An exploration combining smartcard and travel survey data. Journal of Transport Geography, 2014, 41: 175-183. DOI: 10.1016/j.jtrangeo.2014.09.006.

[37]
韩会然, 杨成凤, 宋金平. 公共交通与私家车出行的通勤效率差异及影响因素: 以北京都市区为例. 地理研究, 2017, 36(2): 253-266.

DOI

[ Han Huiran, Yang Chengfeng, Song Jinping. Impact factors and differences in commuting efficiency between public transit and private automobile travel: A case study on the Beijing metropolitan area. Geographical Research, 2017, 36(2): 253-266.] DOI: 10.11821/dlyj201702005.

[38]
Niedzielski M A, O'Kelly M E, Boschmann E E. Synthesizing spatial interaction data for social science research: Validation and an investigation of spatial mismatch in Wichita, Kansas. Computers, Environment and Urban Systems, 2015, 54: 204-218. DOI: 10.1016/j.compenvurbsys.2015.09.004.

[39]
Hu Y J. The unequal commute: Comparing commuting patterns across income and racial worker subgroups. Environment and Planning: Economy and Space, 2021, 54(3): 437-440. DOI: 10.1177/0308518X211068852.

[40]
Lutz W, Goujon A, Doblhammer-Reiter G. Demographic dimensions in forecasting: Adding education to age and sex. Population and Development Review, 1998, 24: 42-58. DOI: 10.2307/2808050.

[41]
Li Z G, Wu F L. Socioeconomic transformations in Shanghai (1990-2000): Policy impacts in global-national-local contexts. Cities, 2006, 23(4): 250-268. DOI: 10.1016/j.cities.2006.01.002.

[42]
Hu L Q, Fan Y L, Sun T S. Spatial or socioeconomic inequality? Job accessibility changes for low- and high-education population in Beijing, China. Cities, 2017, 66: 23-33. DOI: 10.1016/j.cities.2017.03.003.

[43]
Ta N, Chai Y W, Zhang Y, et al. Understanding job-housing relationship and commuting pattern in Chinese cities: Past, present and future. Transportation Research Part D: Transport and Environment, 2017, 52: 562-573. DOI: 10.1016/j.trd.2016.11.011.

[44]
Zhao P J, Lü B, Roo G. Impact of the jobs-housing balance on urban commuting in Beijing in the transformation era. Journal of Transport Geography, 2011, 19(1): 59-69. DOI: 10.1016/j.jtrangeo.2009.09.008.

[45]
吴瑞君, 朱宝树. 大城市空间转型视角的职住分离: 基于上海2015年1%人口抽样调查数据. 探索与争鸣, 2018, (4): 116-122, 144.

[ Wu Ruijun, Zhu Baoshu. A discussion on the job-housing separation under the urban spatial transitions in Shanghai: An empirical analysis based on the 1% national population sampling survey. Exploration and Free Views, 2018, (4): 116-122, 144.]

[46]
Frost M, Linneker B, Spence N. Excess or wasteful commuting in a selection of British cities. Transportation Research Part A: Policy and Practice, 1998, 32(7): 529-538. DOI: 10.1016/s0965-8564(98)00016-0.

[47]
White M J. Urban commuting journeys are not wasteful. Journal of Political Economy, 1988, 96(5): 1097-1110. DOI: 10.1086/261579.

[48]
Horner M W. Extensions to the concept of excess commuting. Environment and Planning A: Economy and Space, 2002, 34(3): 543-566. DOI: 10.1068/a34126.

[49]
Charron M. From excess commuting to commuting possibilities: More extension to the concept of excess commuting. Environment and Planning A: Economy and Space, 2007, 39(5): 1238-1254. DOI: 10.1068/a3897.

[50]
Murphy E, Killen J E. Commuting economy: An alternative approach for assessing regional commuting efficiency. Urban Studies, 2011, 48(6): 1255-1272. DOI: 10.1177/0042098010370627.

[51]
Wilson A G. A family of spatial interaction models, and associated developments. Environment and Planning A: Economy and Space, 1971, 3(1): 1-32. DOI: 10.1068/a030001.

[52]
Wilson A G. Inter-regional commodity flows: Entropy maximizing approaches. Geographical Analysis, 1970, 2(3): 255-282. DOI: 10.1111/j.1538-4632.1970.tb00859.x.

[53]
Zhang P, Zhou J P, Zhang T R. Quantifying and visualizing jobs-housing balance with big data: A case study of Shanghai. Cities, 2017, 66: 10-22. DOI: 10.1016/j.cities.2017.03.004.

[54]
周丽亚, 李欣盈, 张兆东, 等. 基于多源全样本数据的深圳市过剩通勤空间特征研究. 城市发展研究, 2021, 28(11): 27-32.

[ Zhou Liya, Li Xinying, Zhang Zhaodong, et al. The spatial characteristics of Shenzhen's excess commuting using multi-source full sample data. Urban Development Studies, 2021, 28(11): 27-32.] DOI: 10.3969/j.issn.1006-3862.2021.11.014.

[55]
孙斌栋, 魏旭红. 上海都市区就业-人口空间结构演化特征. 地理学报, 2014, 69(6): 747-758.

DOI

[ Sun Bindong, Wei Xuhong. Spatial distribution and structure evolution of employment and population in Shanghai metropolitan area. Acta Geographica Sinica, 2014, 69(6): 747-758.] DOI: 10.11821/dlxb201406003.

[56]
李琬, 但波, 孙斌栋, 等. 轨道交通对出行方式选择的影响研究: 基于上海市80后微观调查样本的实证分析. 地理研究, 2017, 36(5): 945-956.

DOI

[ Li Wan, Dan Bo, Sun Bindong, et al. The influence of rail transit accessibility on the shift of travel modal choice: Empirical analysis based on the micro survey of the 1980s generation in Shanghai. Geographical Research, 2017, 36(5): 945-956.] DOI: 10.11821/dlyj201705011.

[57]
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. 地理学报, 2013, 68(10): 1316-1330.

[ Zhou Jiangping, Chen Xiaojian, Huang Wei, et al. Jobs-housing balance and commute efficiency in cities of central and western China: A case study of Xi'an. Acta Geographica Sinica, 2013, 68(10): 1316-1330.] DOI: 10.11821/dlxb201310002.

[58]
Yue L Y, O'Kelly M E. Rents and wages derived from spatial interaction analysis in Shanghai. Journal of Geographical Systems, 2023, 25: 59-75. DOI: 10.1007/s10109-022-00394-6.

Options
文章导航

/

〈 〉