EN中文

地理研究 >

2024 , Vol. 43 >Issue 12: 3215 - 3227

DOI: https://doi.org/10.11821/dlyj020240170

研究论文

珠三角公共交通需求-供给关系类型与影响因素分析

  • 杨家文 , 1, 2 ,
  • 陈若宇 , 1, 3 ,
  • 段阳 4
展开
  • 1.北京大学深圳研究生院, 深圳 518055
  • 2.广东省公共服务供给智能计算重点实验室，深圳 518055
  • 3.南加州大学，洛杉矶 90089
  • 4.深圳市前海深港现代服务业合作区管理局，深圳 518054
陈若宇（1997-），男，湖北十堰人，博士研究生，主要研究方向为交通规划与政策、城市分析与城市经济学。E-mail:

杨家文（1974-），男，湖南永州人，博士，教授，博士生导师，主要研究方向为城市交通与土地利用、公共设施与公共服务规划、城市地理学。E-mail:

收稿日期: 2024-03-01

  录用日期: 2024-08-02

  网络出版日期: 2024-12-09

基金资助

深圳市哲学社会科学规划课题(SZ2021B023)

国家自然科学基金项目(42271208)

收起

Identifying and interpreting the demand-supply relationship for potential transit service improvement in China's Pearl River Delta

  • YANG Jiawen , 1, 2 ,
  • CHEN Ruoyu , 1, 3 ,
  • DUAN Yang 4
Expand
  • 1. Peking University Shenzhen Graduate School, Shenzhen 518055, China
  • 2. Guangdong Key Laboratory of Intelligent Computing for Public Service Supply, Shenzhen 518055, China
  • 3. University of Southern California, Los Angeles 90089, USA
  • 4. The Authority of Qianhai, Shenzhen 518054, China

Received date: 2024-03-01

  Accepted date: 2024-08-02

  Online published: 2024-12-09

Fold

摘要

随着区域一体化发展，跨行政边界的职住联系日益紧密，城市间交通需求也逐渐增长。准确认识城市群公共交通服务现状，是实现区域协调和可持续发展的前提。以珠江三角洲城市群为例，借助位置服务大数据和公共交通服务模型，分析区域职住空间联系模式与公共交通服务的关系；基于K-means聚类，计算公共交通的需求-供给关系类型，辨析潜在服务需求；采用多元Logit模型，解释其影响因素。结果发现：① 相比市内职住联系，满足跨市通勤需求的公共交通服务供给整体质量更低、绕行更多且更依赖换乘。② 珠三角城市群内，存在不同的公共交通需求-供给关系类型，反映了多种潜在服务需求；既有跨越边界的，也有分布在市内的。③ 制度壁垒和开发强度限制分别从供给侧和需求侧影响需求-供给关系类型的形成。相应结果可以为理解和协调区域交通服务供给提供参考。

关键词： 交通服务评价; 职住空间联系; 珠江三角洲城市群; 区域一体化

本文引用格式

杨家文 , 陈若宇 , 段阳 . 珠三角公共交通需求-供给关系类型与影响因素分析[J]. 地理研究, 2024 , 43(12) : 3215 -3227 . DOI: 10.11821/dlyj020240170

Abstract

In an era of integrated regional development, the quantity of multi-city travel is increasing, which demands for high-quality public transit services. Taking China's Pearl River Delta as a case, we analyze the jobs-housing relationship and public transit services with the location-based big data and multimodal public transit service model. Specifically, we quantify and geo-visualize the patterns of the jobs-housing relationship and transit services, identify the demand-supply relationship and potential demand for public transit service using the K-means clustering method, and analyze the causal factors using a multi-nominal logit model. We reach the following conclusions. First, transit services for inter-city commuting trips are of lower quality compared to their intra-city counterpart. Second, the demand-supply relationship can be grouped into a few clusters. Third, institutional barriers and development intensity produced significant but varying impacts, from either the supply or demand side, on the quality of public transit services. Inter-city collaboration and innovative transit solutions can advance the supply of regionalized transit services. Our research can help government officials, urban planners, and transit operators better solve the problems of transit services from a regional perspective.

Key words： transit service evaluation; jobs-housing relationship; Pearl River Delta of China; regional integration

1 引言

交通基础设施与服务网络塑造城市空间结构骨架、影响区域发展时空格局[1,2]。在日益拥挤的城镇化地区，公共交通有助于提升交通效率、促进可持续发展和推动社会公平[3,4]。在中国，随着“公交优先”和“公交都市”政策的推行，公共交通逐渐成为城市交通政策的主导出行模式[5,6]。以公共交通为代表的绿色交通体系建设，也对推动交通减碳、应对气候变化具有重要意义[7]。然而，公共交通服务的供给水平在地理空间上存在明显差异[8]，这种差异会带来交通优势度的空间不均等[9]，影响经济发展[10]，导致“公交荒漠”等社会问题[11,12]。本文以公共交通为研究对象，分析以职住联系强度刻画的交通需求与现有交通服务供给的匹配关系模式。这种需求-供给关系类型可以反映公共交通服务提升可能性，即潜在服务需求。
随着城市化进程推进，城市建成区与相应的人/物流联系逐渐超越单个城市的行政边界，在空间上形成都市圈或城市群[13]，城市间的交通需求日益增长[14,15]。相比市内交通，提供跨越行政边界的城市间公交服务面临更复杂的制度环境和更多元的参与主体，这增加了跨界交通服务的供给阻碍[16,17]，尤其是增加了制度成本[18,19]。然而，在区域尺度供给高质量的交通设施与服务，是促进城市间联系和实现区域一体化的重要基础[20]。
高效且公平地在城市群中实现交通供给，已成为全球性的区域治理挑战[13,21]。中国也面临类似的问题。已有的实证研究从社会制度、法律体系和行政等级等视角出发，对包含交通服务在内的区域一体化阻碍进行了分析[22]，揭示了中国区域公交规划、服务供给与空间协同发展面临多种难题[23,24]。在研究数据上，现有研究大多采用单个城市出行调查数据[25,26]或位置服务数据[27,28]分析交通需求模式，鲜有采用区域尺度数据的分析；方法上，着重对现象的描述与空间可视化[11]，部分对供需关系展开了探索性的分析[8]。针对公共交通服务与出行需求的复杂关系，鲜有在数据挖掘的基础上进一步归因。实践上，通过制度创新，部分地区在区域交通供给上做出了有益尝试[29]；然而，推动区域交通一体化，在城市群中提供优质跨市公交服务，仍任重道远[30]。充分认识当下公交服务供给和交通出行需求的关系类型，是实现这一目标的重要前提。
在此背景下，本文以珠江三角洲城市群为例，计算分析公共交通需求与服务供给的现状，挖掘需求-供给关系类型，辨析潜在服务需求，并解释其影响因素，揭示其政策意义。本研究采用位置服务大数据，刻画城市群职住空间联系与交通需求特征；采用公共交通线网数据，建立公共交通服务模型，刻画区域公交服务特征，试图回答3个问题：珠三角城市群中，跨界与非跨界的公共交通服务和职住联系间有何差异?珠三角城市群公共交通存在哪些需求-供给关系类型，揭示了怎样的潜在服务需求?这些需求-供给关系类型的形成受到哪些因素的影响?研究结果可为促进区域协调发展提供参考。

2 研究方法与数据来源

研究区为珠江三角洲城市群，包括广州、深圳、东莞、佛山、惠州、中山、江门、肇庆和珠海9市（图1a）。珠三角是中国经济最繁荣、交通与用地扩张最迅速和城市间联系最紧密的城市群之一[31]。同时，珠三角在省、市各级层面积极推动区域交通一体化，通过事权下放、共同规划等手段促进跨界交通服务供给。相比其他世界级湾区，珠三角的人口、经济与产业可相提并论[32]。
图1 珠三角职住联系的空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig. 1 Jobs-housing linkages in the Pearl River Delta

2.1 位置服务大数据

位置服务大数据在geohash6（约1.2×0.6 km网格）的精度上提供“起点-终点”矩阵形式的“居住地-工作地”联系量信息。经用户授权，基于应用程序签到，数据商获取用户经纬度定位记录。通常，用户在白天和夜间最常访问的地点被标识为工作地和居住地。依此，数据商设计算法从定位记录提取职住联系信息并匿名汇总。数据采集于2020年4—6月，一共在珠三角识别了约5000万用户的职住联系。在类似区域，已有研究使用同源数据，分析了区域职住联系模式及其变动，验证了该数据的代表性和有效性[14,33]。研究表明疫情导致的职住联系变动主要发生在2021年，2020年的职住联系与疫情前无系统性差异，原因是工作地或居住地变动需较长时间[33]。本研究使用该数据表征通勤类的交通需求，将原始精度的位置服务大数据汇总到以街道（或乡、镇）尺度为基本分析单元。图1展示了珠三角职住联系空间模式。

2.2 公共交通服务模型

本研究收集了2020年5月珠三角常规公交、城市地铁和城际铁路的线路及站点数据（图2a），与位置服务大数据在时间上匹配。常规公交和城市地铁数据来源于高德地图，城际铁路数据来源于Open Street Map。研究聚焦通勤出行，因此删去了旅游专线和机场大巴等服务。基于线路和站点数据，构建公共交通服务模型。考虑不同服务类型在运行速度、站点辐射范围和停站时间的差异，将城际铁路、城市地铁和常规公交的平均运行速度分别设为160 km/h、40 km/h和20 km/h，站点辐射范围分别设定为1200 m、800 m和400 m，停站时间分别设定为3 min、1 min和0.5 min。每次换乘的时间由等待时间和步行可达时间两部分构成，前者取均值5 min估计，后者取以3.6 km/h速度在站点间步行的时耗。基于上述设定，采用复杂网络方法，构建了珠三角公共交通服务模型，这一网络含超11万节点和230万条边。由于数据匮乏和计算量限制，现有研究鲜有在城市群尺度构建统一计算的公共交通服务模型。
图2 珠三角公共交通服务的空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig. 2 Public transit services in the Pearl River Delta

2.3 公共交通需求-供给关系类型与影响因素识别

首先采用前述数据和模型分析珠三角职住联系需求和公共交通服务供给特征，再对特征进行聚类分析识别不同需求-供给关系类型，以揭示潜在服务需求。在主流聚类方法中，层次聚类不适于大规模数据，而DBSCAN依赖较多预设参数、且排除离群值，因此采用K-means聚类分析[34]。该方法主要预设参数是簇数量，参考既有文献[35]，比较不同簇数量下的轮廓系数和间隔统计量选择参数。
聚类选取了描述职住空间联系和公共交通服务的10个特征指标（表1）。对职住空间联系，选取了联系密度、联系数量、联系相对强度、联系距离。对公共交通服务，密度类指标包括公交站点密度、线路靠站密度、线路网络密度；效率类指标包括路线绕行指数、路线换乘次数、路线直线速度。使用描述统计和空间可视化方法分析不同模式所反映的问题。既有研究往往采用单一指标解释公共交通服务供给特征[8⇓⇓⇓-12]，本研究采用多维度指标。
表1 公共交通需求-供给关系类型识别指标说明及统计

Tab. 1 Definition and statistics of identification indicators for the demand-supply relationship of public transit

类型 指标 指标说明 平均值 标准差
职住空间联系特征 联系密度 职 住 联 系 人 数 居 住 街 道 面 积 * 工 作 街 道 面 积 18.01 83.05
联系数量 职住联系人数 689.57 1,621.73
联系相对强度 重力模型估计的理论与实际通勤规模对数的差 1.36 0.99
联系距离 职住街道中心点直线距离 20.01 16.69
公共交通服务特征 公交站点密度 职住街道的公交站点平均密度 4.31 2.90
线路靠站密度 职住街道的公交线路靠站平均密度 25.43 24.53
线路网络密度 职住街道的公交线网平均密度 18.25 16.88
路线绕行指数 职 住 街 道 最 短 时 路 线 里 程 职 住 街 道 直 线 距 离 1.31 0.35
路线换乘次数 职住街道最短时路线换乘次数 1.01 1.13
路线直线速度 职 住 街 道 直 线 距 离 职 住 街 道 最 短 时 路 线 耗 时 16.03 10.14
样本数量 14,775
得到需求-供给关系类型后，本研究采用离散选择模型分析形成不同关系类型的影响因素，重点解释制度阻碍和开发强度的影响。多元Logit模型以职住联系对为基本分析单元，以聚类分析挖掘出的需求-供给关系类型为因变量。为识别影响因素，模型自变量选取了制度因素、开发强度和社会经济属性（表2）。制度障碍在既有跨市交通服务供给的定性研究中被广泛关注[24,29]，分析采用联系对是否跨市、是否不跨市但跨界来衡量（定义见表2）。开发强度是公共交通服务供给的基础条件，模型考虑道路和人口两类密度。除居住和工作地分别的开发强度外，还考虑职住地连线上的平均强度，以刻画所处走廊的出行需求强度。模型中的社会经济属性可控制偏好差异，也能检验服务所覆盖的人群差异。在估算模型自变量系数的基础上，进一步计算并解释各个自变量对因变量的边际效应。
表2 多元Logit模型自变量说明与描述性统计

Tab. 2 Definition and descriptive statistics of independent variables in the multi-nominal Logit model

指标 指标说明 单位 样本量（个）/
（平均值）		 占比（%）/（标准差）
制度因素
跨市联系 两街道是否属于同城 -
是 2785 19.80
否 11283 80.20
不跨市但跨界 两街道是否属同城但连接线跨行政边界 -
是 521 3.70
否 13547 96.30
开发强度
道路密度（居住） 居住地街道主干道密度 km/km2 （0.84） （0.61）
道路密度（工作） 工作地街道主干道密度 （0.85） （0.66）
连线平均道路密度 职住连线上街道平均道路密度 （0.85） （0.39）
连线平均人口密度 职住连线上街道平均人口密度 万人/km2 （0.98） （0.83）
社会经济属性
二手房价格 居住地街道在售二手房均价（来源：房天下） 万元/m2 （3.19） （1.96）
平均受教育年限 居住地街道七普平均受教育年限 年 （11.52） （1.19）
老年人口比例 居住地街道七普60岁及以上人口比例 百分点 （10.34） （6.08）
青少年人口比例 居住地街道七普14岁及以下人口比例 百分点 （14.75） （3.20）
性别比例 居住地街道七普人口男性/女性×100 - （114.63） （13.99）
样本数量（个） 14068

3 结果分析

3.1 珠三角职住空间联系与公共交通服务特征

位置服务大数据的可视化结果展现了珠三角49803623人次的职住空间联系，其中约25%发生在不同街道间。珠三角9市工作和居住人口规模位序相同，依次为广州、深圳、东莞、佛山、惠州、中山、江门、肇庆、珠海。其中，广州、深圳、东莞分别占约23%、21%、17%，总计超60%。空间上，这3个城市在珠江口东岸彼此相连，勾勒了珠三角最密集的通勤走廊（图1a）。珠三角跨市职住联系占比为4.9%，与已有研究中发现的量级一致[14,15]。跨市联系最多的3个城市是广州、深圳、东莞，且规模相当。空间上，跨市联系在3个区域集聚：“深圳-东莞-惠州”“广州-佛山”“珠海-中山”的交界区域（图1b）。其中，东莞、惠州、佛山、中山的跨市通勤联系密集区主要位于边界地带，而深圳、广州、珠海的则深入市中心。相比中国其他城市群，珠三角各市大多地域面积小，如深圳、东莞等都在原县域上建立地级市，职住联系更有可能跨市；克服跨市交通服务供给中的制度障碍，也更有现实意义。
珠三角的平均通勤直线距离是8.94 km（表3）。其中，跨市平均通勤距离（56.94 km）远大于市内平均通勤距离（6.47 km）。为刻画跨市与市内通勤的阻抗差异，引入基于距离衰减效应的重力模型[36,37]。相同条件下，单元间发生联系的可能性随距离增加而减小，而距离相似单元间联系相当。若与模型理论值存在差异，那这一差异可反映非距离阻抗（例如行政壁垒）的影响。根据类似研究区建模经验[14]，构建指数引力模型，模型R2为0.64，数据与模型拟合效果较好。以该模型参数为基准，分别估算联系对尺度的市内和跨市联系通勤规模，发现该模型平均低估市内联系规模15.53%，而平均高估跨市联系规模5.55%，说明跨市通勤面临距离以外的系统性阻抗。
表3 跨市与市内职住联系与公共交通服务特征对比

Tab. 3 Comparing inter- and intra-city jobs-housing linkages and transit services

类型 通勤人数占比
（%）		 通勤距离
（km）		 路线绕行指数 路线换乘次数 路线直线速度
（km/h）
跨市 4.9 56.94 1.42 1.32 16.70
市内 95.1 6.47 1.18 0.31 10.46
珠三角均值 100.0 8.94 1.21 0.40 11.06
基于公共交通线网数据，计算得到珠三角公交站点和线网密度分别为0.65个/km2和1.54 km/km2。在考虑不同线路同站停靠后，线路服务靠站密度为2.07次/km2。在密度指标和空间覆盖上，广州、深圳、佛山和东莞相比其他城市有明显优势（图2a）。深圳因几乎无郊区，全域平均密度领先。跨市公交服务的线网在空间上稀疏且不完善（图2b），这类服务主要分布在“广州-佛山”“深圳-东莞”“深圳-惠州”“中山-珠海”的交界区域。其中，只有“广州-佛山”的密度相对较高，其他均较低。此外，跨市服务集中在行政边界附近，但跨市职住联系却深入市中心，交通不便。
对人数超100的职住联系对，使用公共交通服务模型计算其服务质量指标。选择100这一偏低的阈值是因为通勤联系的规模深受公交服务匮乏的抑制。筛选后得出14775个联系对，人数占单元间联系的81.47%。根据模型给出的最短时路线，计算了路线的绕行指数、换乘次数、直线速度，其说明见表1。比较表2结果，发现跨市联系的公交路线绕行指数显著高于市内联系，需多绕行20.34%。同样，跨市联系的换乘次数更高，是市内联系的4.26倍。从直线速度来看，跨市联系虽高出59.66%，但这种优势无法弥补距离差异（约8.80倍）带来的悬殊时间成本。
通过分析珠三角职住空间联系和公共交通服务体系，发现其空间分布特征不一致、数量层次结构不同。公共交通体系的分布比职住联系更集聚、空间差异更明显，这意味着交通需求与服务供给的一定程度上的不匹配。此外，跨市与市内公交服务有显著质量差异，跨市服务总体上更多绕行和换乘。

3.2 珠三角公共交通需求-供给关系类型识别

在进行聚类分析前，检验指标间相关性，发现各指标间独立。计算轮廓系数和间隔统计量，并考虑可解释性，将聚类簇数设为五类。基于K-means聚类结果，识别公共交通的需求-供给类型，辨析潜在服务需求。聚类结果的数量特征可反映分析质量。从职住联系对数来看，各簇占比较均匀，未出现极大规模簇。最大的聚类簇#5占30.52%，最小的聚类簇#2占8.63%。虽未在指标中考虑跨市与否，但簇#2超过56%为跨市联系，而簇#1不足2%。这些现象也说明了聚类的有效性。
表4归纳各类型的特征并命名。簇#1命名为“高密度-短距离-优服务”，这一簇包含位于广州和深圳中心的高密度短距离联系，拥有较优质的服务。簇#2命名为“低密度-长距离-需换乘”，这一簇包含长距离职住联系，且跨市比例最高，除需一定换乘外，这一簇无明显的服务劣势。簇#3命名为“长距离-高绕行-多换乘”，这一簇包含超长距离联系，其中半数跨市，相应公共交通服务质量较差。簇#4命名为“强需求-稀供给-低速度”。这类联系的绝对强度较大，构成突出的通勤需求点，但相应公交服务密度偏低、缺乏高速服务。簇#5命名为“中密度-中距离-需换乘”，主要包含位于广州和深圳中心的中等密度、距离的联系，也享有较优质的服务。总体而言，K-means聚类根据职住联系及公交服务的特征将样本联系对分成五类，这些类别特征分明、空间差异明显。
表4 公共交通需求-供给关系类型的特征指标均值

Tab. 4 Mean values of indicators for the demand-supply relationship of public transit

编号 类型名称 联系
密度		 联系
数量		 联系
相对强度		 联系
距离		 公交站点密度 线路靠站密度 线路网络密度 路线绕行指数 路线换乘次数 路线直线速度
#1 高密度-短距离-优服务 129.70 519.44 0.05 5.27 9.80 77.21 52.51 1.20 0.19 10.43
#2 低密度-长距离-需换乘 0.13 279.91 1.70 45.53 2.90 11.44 8.37 1.28 1.34 40.71
#3 长距离-高绕行-多换乘 0.18 262.97 1.61 34.45 2.81 11.19 8.07 1.64 2.55 17.55
#4 强需求-稀供给-低速度 2.22 1472.15 2.22 15.42 2.21 8.72 6.34 1.20 0.39 11.60
#5 中密度-中距离-需换乘 10.31 400.62 0.73 12.77 5.77 36.51 27.08 1.24 0.76 14.31
根据表4统计的各簇特征均值和图3绘制的各簇空间分布，详细描述需求-供给关系类型刻画的职住联系特征和公共交通服务供给内涵。从职住联系特征来看，“高密度-短距离-优服务”的簇#1联系密度显著高、联系距离显著短、空间上主要以广州或深圳的市中心为居住或工作地。相反，“低密度-长距离-需换乘”的簇#2联系密度最小、联系距离最长、空间上主要分布在珠三角东岸。“长距离-高绕行-多换乘”的簇#3联系距离最长、联系密度最小，空间上主要是市内中长骨干联系，也有部分跨市。“强需求-稀供给-低速度”的簇#4联系数量显著更高、空间上处于各市的联系高密度地带。“中密度-中距离-需换乘”的簇#5联系密度较高，空间分布与簇#1相似，但距离相对长、辐射范围更大。
图3 不同需求-供给类型的职住对的空间分布

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2019)1822号）绘制，底图边界无修改。

Fig. 3 Spatial distribution of workplace-residence pairs of different demand-supply relationships

从公共交通服务特征看，“高密度-短距离-优服务”的簇#1服务密度显著较高、换乘次数较少，主要由直达常规公交实现服务。“长距离-高绕行-多换乘”的簇#3换乘次数和绕行指数显著更高，但直线速度也较高，这类通勤者主要通过换乘并使用城市地铁出行。类似地，“低密度-长距离-需换乘”的簇#2直线速度最高，且换乘次数和绕行指数较高，主要使用城际轨道出行。“强需求-稀供给-低速度”的簇#4换乘次数和直线速度显著更低，这意味着其公交服务主要是直达但低速的常规公交。“中密度-中距离-需换乘”的簇#5公共交通服务各指标均属中等水平。这些需求-供给关系类型所对应的潜在服务需求不言而喻。

3.3 珠三角公共交通需求-供给关系类型的影响因素分析

珠三角公共交通的各类需求-供给关系蕴含了不同的潜在服务需求，也具有差异化的影响因素。本文基于多元Logit模型估计各因素分别对聚类簇#1~5形成的边际影响。在各类型中，“高密度-短距离-优服务”的簇#1享有的服务相对较好，因此将其设为模型的参考类别。因变量类型无序且独立，在1%水平上通过Hausman检验，符合无关独立性要求。估计模型时，本研究剔除了少量缺失自变量的样本，共采用14068个样本。模型的McFadden R2为0.43，拟合表现较好。表5报告了模型的表现和各自变量的边际效应。
表5 多元Logit模型结果的边际效应

Tab. 5 Marginal effect of independent variables in the multi-nominal Logit model

簇#1 簇#2 簇#3 簇#4 簇#5
高密度-短距离-优服务 低密度-长距离-
需换乘		 长距离-高绕行-
多换乘		 强需求-稀供给-
低速度		 中密度-中距离-
需换乘
指标 边际值 Z-值 边际值 Z-值 边际值 Z-值 边际值 Z-值 边际值 Z-值
制度因素
跨市联系（是） -0.05 -6.16** 0.10 16.66** 0.17 20.61** -0.24 -38.61** 0.02 2.09*
不跨市但跨界（是） -0.01 -0.84 -0.04 -4.76** 0.15 9.81** -0.09 -7.68** 0.00 0.01
开发强度
道路密度（居住） 0.02 9.16** -0.005 -0.60 -0.03 -3.06** -0.01 -1.29 0.02 3.66**
道路密度（工作） 0.01 3.58** 0.01 1.50 -0.04 -4.84** -0.02 -2.46* 0.04 8.06**
连线平均道路密度 -0.03 -5.63** -0.06 -4.37** -0.02 -1.15 0.05 3.03** 0.07 5.93**
连线平均人口密度 0.10 41.87** -0.003 -0.39 0.03 3.04** -0.30 -26.30** 0.17 33.97**
社会经济属性
二手房价格 0.01 4.92** -0.01 -4.93** 0.01 2.20* -0.01 -2.82** 0.01 2.27*
平均受教育年限 -0.02 -7.65** 0.002 0.64 -0.02 -4.00** 0.01 1.32 0.03 6.36**
老年人口比例 0.002 5.12** -0.01 -8.25** -0.01 -4.54** 0.002 3.63** 0.01 10.08**
青少年人口比例 -0.001 -1.08 -0.002 -2.75** 0.01 7.75** 0.004 2.17* -0.01 -7.36**
性别比例 -0.002 -10.83** -0.001 -3.99** 0.002 3.78** 0.0004 1.02 0.002 4.07**
样本数量 14068
McFadden R2 0.43

注：*和**分别表示边际值在0.1和0.01水平上显著。

模型结果显示制度因素有显著影响。跨市和跨界对“长距离-高绕行-多换乘”的簇#3影响正向且显著。相比市内联系，消除跨市导致的制度壁垒可能增加这类服务的概率达32%。即便在同一市，连线跨行政边界也让此概率增加15%。对其他类型，行政边界不显著增加其概率，“高密度-短距离-优服务”的簇#1和“强需求-稀供给-低速度”的簇#4出现的概率在非跨市联系中显著更高。
居住和工作地街道的道路密度对“长距离-高绕行-多换乘”的簇#3的形成有显著负效应，这两个密度每增加1 km/km2，其形成概率降低3%和4%。走廊尺度开发强度效应更明显，走廊道路密度对“高密度-短距离-优服务”的簇#1和“低密度-长距离-需换乘”的簇#2的形成有显著的负效应，所处走廊的道路密度每增加1 km/km2，这些簇形成的概率减少3%和6%。相反，“强需求-稀供给-低速度”的簇#4和“中密度-中距离-需换乘”的#5出现的概率随这一密度的增加而增加。所处走廊人口密度变化对所有类型的形成有显著效应，且其Z-值反映的影响力较大。“强需求-稀供给-低速度”的簇#4出现的概率是唯一随走廊人口密度减少而显著增加的，密度每减小1万人/km2，这一概率增加30%。
社会经济属性虽然对特定类别有显著效应，但边际值较小；这些变量控制了模型估计中的潜在偏误，也说明珠三角公共交通服务在人群不均等的问题上可能不如美国等西方国家显著[11]。
模型在一定程度上解释了公共交通需求-供给关系类型的形成机制。对公交服务质量较好的簇#1、簇#5，其出现通常与相对小的行政阻力和适宜的建成环境背景相关。对“强需求-稀供给-低速度”的簇#4，模型表明其形成受到走廊人口密度的限制，虽有相当的需求规模，但不位于适合发展公共交通的高密度走廊。对“长距离-高绕行-多换乘”的簇#3，跨市带来的制度壁垒使这类长距离联系的交通服务供给质量不佳，此外，道路设施匮乏也限制了服务供给。对“低密度-长距离-需换乘”的簇#2，模型结果反映该现象主要受走廊交通设施不足的限制。定量模型所揭示的制度壁垒和行政边界作用与已有的质性研究中的发现一致[16,17,23,24]。

4 结论与讨论

在区域一体化的背景下，协调城市群交通规划与服务供给愈发重要。为促进可持续发展，中国大力推进公共交通的规划、建设与使用。本研究以珠三角为例，采用位置服务大数据和公共交通服务模型，对城市群职住空间联系和公共交通服务的关系进行了分析，识别和解释了公共交通的需求-供给关系类型，辨识了潜在服务需求，得到以下结论：① 相比市内职住联系，满足跨市通勤的公共交通服务供给整体质量更低、绕行更多且更依赖换乘，在空间上也鲜少深入城市中心的强需求区域。② 珠三角城市群内，存在不同类型的公共交通需求-供给关系，反映了多元的潜在服务需求，它们在特征和空间分布上有明显差异，不仅跨界地区存有潜在服务需求，城市内也有特定类型的潜在服务需求。③ 制度壁垒和开发强度分别从供给侧和需求侧施加影响，对以跨市联系为主的需求-供给关系类型，制度阻碍和开发强度限制均对其形成有显著影响。
本研究所分析的城市群公共交通的服务供需关系，从成因机制看，行政边界和制度壁垒的存在是城市群内跨界交通服务供给面临的核心挑战。不同城市的交通规划和管理各有侧重，导致交通设施和服务在城市群内不协调。不同城市在基础设施与交通服务的资金投入和预期上也有差别，这会增加跨市合作的难度。为应对这些挑战，城市群内各市需加强政府间合作，共同制定并实施跨市交通规划，建立相应的政策磋商、资金投入和收益机制。
从解决方案看，对这些供需关系类型所反映的不同公共交通潜在需求，政策制定者应识别特定问题、结合各自成因、调动不同主体，以创新的方式供给交通服务。在城市群中，人口、需求和基础设施的空间差异较大，公共交通供给和服务需求也存在区别。一些走廊适宜高频且大运量的公交服务，而另一些适合快速、灵活和定制化的交通服务。因此，需要调动不同主体，创新地提供交通服务。在供给主体上，国有公司并非唯一选择，市场主体可能在新兴的交通服务供给上有优势。此外，定制化和需求响应式巴士服务可较好的解决中长距离且跨界的通勤出行需求（例如簇#2和簇#3），政府可在特定线路上提供补贴，以实现缓解财政压力和满足公交出行的双赢局面。
除实证发现外，本研究使用的聚类分析框架可用于同类研究中，该框架可以挖掘城市和区域交通系统中供给与需求的复杂耦合关系，揭示单一指标无法反映的政策和规划问题。同时，通过在城市群尺度分析交通供需耦合关系，发现即便在人流物流紧密联系的高度城市化区域，行政边界和制度壁垒仍然是交通服务供给的阻碍，应在此后的研究中持续关注。
本文得出一系列有益的研究结论，但仍有不足。数据上，位置服务大数据缺少社会经济属性，导致交通公平分析难以深入；方法上，对公共交通服务进行了高度抽象，且假设通勤人口在服务质量提升的前提下应有足够意愿使用公共交通服务，这可能会导致一定的政策结果偏差。今后数据和方法的进步有望弥补这些不足。

感谢匿名评审专家的意见与付出，专家对本文概念厘清和结论梳理方面的修改意见，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]
吴旗韬, 张虹鸥, 叶玉瑶, 等. 基于交通可达性的港珠澳大桥时空压缩效应. 地理学报, 2012, 67(6): 723-732.

DOI

[Wu Qitao, Zhang Hong'ou, Ye Yuyao, et al. The impact of Hong Kong-Zhuhai-Macao Bridge on the traffic pattern of Pearl River Delta. Acta Geographica Sinica, 2012, 67(6): 723-732.] DOI: 10.11821/xb201206001.

[2]
Mayer T, Trevien C. The impact of urban public transportation evidence from the Paris region. Journal of Urban Economics, 2017, 102: 1-21. DOI: 10.1016/j.jue.2017.07.003.

[3]
林雄斌, 杨家文, 丁川. 迈向更加可支付的机动性与住房: 公交导向开发及其公平效应的规划解析. 城市规划, 2018, 42(9): 118-126.

[Lin Xiongbin, Yang Jiawen, Ding Chuan. Moving towards more affordable mobility and housing: Transit-oriented development and its equity effect from a planning perspective. City Planning Review, 2018, 42(9): 118-126.] DOI: 10.11819/cpr20180916a.

[4]
Wu H, Levinson D, Sarkar S. How transit scaling shapes cities. Nature Sustainability, 2019, 2(12): 1142-1148. DOI: 10.1038/s41893-019-0427-7.

[5]
Zhou J. The transit metropolis of Chinese characteristics? Literature review, interviews, surveys and case studies. Transport Policy, 2016, 51: 115-125. DOI: 10.1016/j.tranpol.2015.11.009.

[6]
交通运输部. 交通运输部通知开展国家“公交都市”建设示范工程. https://www.gov.cn/gzdt/2011-11/29/content_2005516.htm, 2024-07-12.

[Ministry of Transport of the People's Republic of China. On Implementing National Transit Metropolis Pilot Project. https://www.gov.cn/gzdt/2011-11/29/content_2005516.htm, 2024-07-12.]

[7]
中华人民共和国国务院新闻办公室. 中国应对气候变化的政策与行动. https://www.gov.cn/zhengce/2021-10/27/content_5646697.htm, 2024-07-12.

[The Information Office of the State Council of the People's Republic of China. Responding to Climate Change: China's Policies and Actions. https://www.gov.cn/zhengce/2021-10/27/content_5646697.htm, 2024-07-12.]

[8]
Cai M, Jiao J, Luo M, et al. Identifying transit deserts for low-income commuters in Wuhan Metropolitan Area, China. Transportation Research Part D: Transport and Environment, 2020, 82(4): 102292. DOI: 10.1016/j.trd.2020.102292.

[9]
陈舒婷, 李裕瑞, 潘玮, 等. 中国县域陆路交通优势度格局演化及经济效应. 地理学报, 2022, 77(8): 1937-1952.

DOI

[Chen Shuting, Li Yurui, Pan Wei, et al. Evolution of China's overland transportation dominance and its economic effect: A county-level analysis, Acta Geographica Sinica, 2022, 77(8): 1937-1952.] DOI: 10.11821/dlxb202208007.

[10]
苗毅, 戴特奇, 宋金平. 交通优势度内涵扩展与方法改进及应用: 以西藏自治区为例. 地理学报, 2023, 78(6): 1515-1529.

DOI

[Miao Yi, Dai Teqi, Song Jinping, et al., Concept expansion, method improvement of transport superiority degree and its empirical application in Tibet. Acta Geographica Sinica, 2023, 78(6): 1515-1529.] DOI: 10.11821/dlxb202306012.

[11]
Jiao J, Dillivan M. Transit deserts: The gap between demand and supply. Journal of Public Transportation, 2013, 16(3): 23-39. DOI: 10.5038/2375-0901.16.3.2.

[12]
Jiao J, Cai M. Using open source data to identify transit deserts in four major Chinese cities. ISPRS International Journal of Geo-Information, 2020, 9(2): 100. DOI: 10.3390/ijgi9020100.

[13]
Ross C. Megaregions:Planning for Global Competitiveness. Washington DC: Island Press, 2019.

[14]
陈若宇, 周江评. 基于位置服务大数据的粤港澳大湾区通勤标度特征分析. 清华大学学报: 自然科学版, 2022, 62(7): 1195-1202.

[Chen Ruoyu, Zhou Jiangping. Understanding the scaling patterns of commuting in the Guangdong-Hong Kong-Macao Greater Bay Area with location-based service big data. Journal of Tsinghua University: Science and Technology, 2022, 62(7): 1195-1202.] DOI: 10.16511/j.cnki.qhdxxb.2022.26.019.

[15]
钮心毅, 王垚, 刘嘉伟, 等. 基于跨城功能联系的上海都市圈空间结构研究. 城市规划学刊, 2018, (5): 80-87.

[Niu Xinyi, Wang Yao, Liu Jiawei, et al. Spatial structure of Shanghai conurbation area from perspective of inter-city functional links. Urban Planning Forum, 2018, (5): 80-87.] DOI: 10.16361/j.upf.201805009.

[16]
Yang J, Lin X, Zhou H, et al. Inter-city transit supply in China: A review of the status of practice. Mega-City Region Development in China, 2020: 143-158.

[17]
周华庆, 杨家文. 区域公共交通服务供给问题与策略. 城市交通, 2018, 16(1): 17-23.

[Zhou Huaqing, Yang Jiawen. Inter-city public transit service supply issues and strategies. Urban Transport of China, 2018, 16(1): 17-23.] DOI: 10.13813/j.cn11-5141/u.2018.0002.

[18]
Sohn C, Reitel B, Walther O. Cross-border metropolitan integration in Europe: The case of Luxembourg, Basel, and Geneva. Environment and Planning C: Government and Policy, 2009, 27(5): 922-939. DOI: 10.1068/c0893r.

[19]
汪伟全. 空气污染的跨域合作治理研究: 以北京地区为例. 公共管理学报, 2014, 11(1): 55-64.

[Wang Weiquan. The research on cooperative governance of air pollution: Based on the case of Beijing area. Journal of Public Management, 2014, 11(1): 55-64.]

[20]
吴康, 方创琳, 赵渺希, 等. 京津城际高速铁路影响下的跨城流动空间特征. 地理学报, 2013, 68(2): 159-174.

[Wu Kang, Fang Chuanglin, Zhao Miaoxi, et al. The intercity space of flow influenced by high-speed rail: A case study for the rail transit passenger behavior between Beijing and Tianjin. Acta Geographica Sinica, 2013, 68(2): 159-174.] DOI: 10.11821/xb201302002.

[21]
Vassallo J M. Transport infrastructure and the integration of the European Union. In: Gomez-Ibanez J, Liu Zhi. Infrastructure Economics and Policy:International Perspectives. Cambridge: Lincoln Institute of Land Policy, 2022: 359-382.

[22]
刘毅, 王云, 杨宇, 等. 粤港澳大湾区区域一体化及其互动关系. 地理学报, 2019, 74(12): 2455-2466.

DOI

[Liu Yi, Wang Yun, Yang Yu, et al. Regional integration and interaction of the Guangdong-Hong Kong-Macao Greater Bay Area. Acta Geographica Sinica, 2019, 74(12): 2455-2466.] DOI: 10.11821/dlxb201912003.

[23]
林雄斌, 杨家文, 孙东波. 都市区跨市公共交通规划与空间协同发展: 理论、案例与反思. 经济地理, 2015, 35(9): 40-48.

[Lin Xiongbin, Yang Jiawen, Sun Dongbo. Metropolitan inter-jurisdictional public transportation and spatial coordinated development: Theory, cases and reflections. Economic Geography, 35(9): 40-48.] DOI: 10.15957/j.cnki.jjdl.2015.09.006.

[24]
周华庆, 林雄斌, 陈君娴, 等. 走向更有效率的合作: 都市区跨市巴士公交服务供给与治理. 城市发展研究, 2016, 23(2): 110-117.

[Zhou Huaqing, Lin Xiongbin, Chen Junxian, et al. Toward more efficient cooperation: Strategies for intercity bus transit in metropolitan area. Urban Development Studies, 2016, 23(2): 110-117.]

[25]
Zhou J, 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.

[26]
塔娜, 柴彦威, 关美宝. 建成环境对北京市郊区居民工作日汽车出行的影响. 地理学报, 2015, 70(10): 1675-1685.

DOI

[Ta Na, Chai Yanwei, Kwan MeiPo. The relationship between the built environment and car travel distance on weekdays in Beijing. Acta Geographica Sinica, 2015, 70(10): 1675-1685.] DOI: 10.11821/dlxb201510011.

[27]
Yan X, Song C, Pei T, et al. Revealing spatiotemporal matching patterns between traffic flux and road resources using big geodata: A case study of Beijing. Cities, 2022, 127(4): 103754. DOI: 10.1016/j.cities.2022.103754.

[28]
谢栋灿, 王德, 钟炜菁, 等. 上海市建成环境的评价与分析: 基于手机信令数据的探索. 城市规划, 2018, 42(10): 97-108, 120.

[Xie Dongcan, Wang De, Zhong Weijing, et al. Assessment and analysis on built environment of Shanghai: An exploration based on mobile phone signaling data. City Planning Review, 2018, 42(10): 97-108, 120.] DOI: 10.11819/cpr20181012a.

[29]
Yang J, Lin X, Xie Y. Intercity transportation planning in China: Case of the Guangzhou-Foshan metropolitan area. Transportation Research Record, 2015, 2512: 73-80. DOI: 10.3141/2512-09.

[30]
国家发改委. 国家发展改革委关于培育发展现代化都市圈的指导意见. https://www.gov.cn/xinwen/2019-02/21/content_5367465.htm, 2024-07-12.

[National Development and Reform Commission of the People's Republic of China. Guidelines on Cultivating and Developing Modern Metropolitan Areas from the National Development and Reform Commission. https://www.gov.cn/xinwen/2019-02/21/content_5367465.htm, 2024-07-12.]

[31]
Song G, Yang J. Measuring the spatiotemporal variation and evolution of transport network of China's megaregions. Journal of Geographical Sciences, 2016, 26(10): 1497-1516. DOI: 10.1007/s11442-016-1340-x.

[32]
Zhang W, Fang C, Zhou L, et al. Measuring megaregional structure in the Pearl River Delta by mobile phone signaling data: A complex network approach. Cities, 2020, 104(4): 102809. DOI: 10.1016/j.cities.2020.102809.

[33]
Chen R, Zhang M, Zhou J. Jobs-housing relationships before and amid COVID-19: An excess-commuting approach. Journal of Transport Geography, 2023, 106: 103507. DOI: 10.1016/j.jtrangeo.2022.103507.

[34]
Hartigan J A, Wong M A. A k-means clustering algorithm. Applied Statistics, 1979, 28(1): 100-108.

[35]
Halvorsen A, Koutsopoulos H N, Lau S, et al. Reducing subway crowding: Analysis of an off-peak discount experiment in Hong Kong. Transportation Research Record, 2016, 2544: 38-46. DOI: 10.3141/2544-05.

[36]
Liu Y, Sui Z, Kang C, et al. Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data. PLoS One, 2014, 9(1): e86026. DOI: 10.1371/journal.pone.0086026.

[37]
Yang J. 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.

Options
文章导航

/

〈 〉