EN中文

GEOGRAPHICAL RESEARCH >

2017 , Vol. 36 >Issue 1: 134 - 148

DOI: https://doi.org/10.11821/dlyj201701011

Articles

Identifying the commuting features and patterns of typical employment areas in Shanghai using cellphone signaling data: A case study in Zhangjiang, Jinqiao and Lujiazui

  • TIAN Jinling ,
  • WANG De ,
  • XIE Dongcan ,
  • ZHU Wei
Expand
  • College of Architecture and Urban Planning, Tongji University, Shanghai 200092, China

Received date: 2016-08-11

  Request revised date: 2016-12-14

  Online published: 2017-01-20

Copyright

《地理研究》编辑部
Fold

Abstract

Commuting features which are of great significance in urban Study have long been concerned. Due to the lack of information about working place in Chinese census data, researches on this topic have relied on traditional data such as questionnaire data in a rather long time. As a result, studies on temporal-spatial commuting characteristics are not refined enough yet. The development of information and communication provides new data, concepts and methods for commuting study, which offers an opportunity for a more comprehensive and in-depth understanding of commuting features. Using the cellphone signaling data within two consecutive weeks in 2014 in Shanghai, China, this paper selects three typical employment areas, which are Zhangjiang Hi-tech Park, Jinqiao Economic Development Zone as well as Lujiazui Finance and Trade Zone to analyze the commuting features respectively and comparatively from four aspects: employment and residence, spatial commuting features, temporal commuting features and commuting by subway. The results show that: (1) Zhangjiang is relatively well self-balanced with the shortest commuting distance; employees here live close to their working place and over a half of them live just in the Park. (2) Jinqiao, having few housing supplies inside and poor rail transportation condition, is typical single-employment; many employees here live surrounding the Zone. (3) Lujiazui, with a rather high proportion of employees live in the central city, is city-interactive; although the inner commuting is still a small part and the commuting distance is not very short, employees here can commute quite conveniently in general. How the six main factors, which are location, transportation condition, scale, industry types as well as land use inside and nearby, contribute to different types of employment areas is then discussed. The results can be instructive for the planning and construction of employment areas. Corresponding planning suggestions are put forward for different patterns of employment areas in the end. For self-balanced ones, increasing supporting facilities inside, such as schools, hospitals and shops, rather than houses only may be more attractive for living. Regarding the single-employment ones, the internal and external public transport links should be mainly enhanced. As for those city-interactive, improving the spatial quality and arousing the regional vitality may be the most important.

Key words： cellphone signaling data; employment area; commuting features; Shanghai

Cite this article

TIAN Jinling , WANG De , XIE Dongcan , ZHU Wei . Identifying the commuting features and patterns of typical employment areas in Shanghai using cellphone signaling data: A case study in Zhangjiang, Jinqiao and Lujiazui[J]. GEOGRAPHICAL RESEARCH, 2017 , 36(1) : 134 -148 . DOI: 10.11821/dlyj201701011

1 引言

通勤和城市的空间结构、用地布局、交通流向及市民社会生活都息息相关,一直是城市研究关注的重点。不同城市用地布局和建成环境下通勤特征的差异是城市规划领域研究通勤的主要内容。通勤特征一般包括了职住空间分布、通勤时间和通勤的交通方式[1],选取典型的就业区或居住区进行个案或对比分析是常见的研究方式。
由于中国的人口普查数据缺少工作地信息,长期以来通勤问题的研究主要基于问卷调查和出行日志等传统数据展开,其研究成果为城市用地和交通规划提供了启示。城市化带来的职住分离现象引起了广泛关注,郊区的大型居住区普遍具有通勤距离远和通勤时间长的特征,但单一型的居住区和混合型的居住区在高峰通勤时间、通勤方式和交通流向上都有较大差别[2];职住混合的区域相较于单一居住或就业中心有较短的通勤距离和通勤时长以及较高的非机动车出行率[3]。可见,区域内的用地构成影响其通勤特征,增加土地混合利用可有效缓解职住分离现象。建成区的空间形态也影响通勤特征,合理规划空间形态能够优化居民通勤结构。孙斌栋等基于对上海市区居民的问卷调查数据发现,提高居住地的人口密度、土地利用混合度和十字路口的比重可以减少小汽车通勤方式的选择[4];谌丽等基于对北京市居民的5000多份问卷调查发现,大尺度的街区不利于步行出行而高容积率的住区对小汽车出行有显著的抑制作用[5]。
传统数据的获取工作量大、周期长,近年来国内学者开始利用大数据对通勤问题进行研究。较早被应用的是GPS数据和公交刷卡数据,这两种数据精度较高,时空属性相对明确,不乏微观层次的通勤研究。申悦等结合活动日志与GPS定位数据,从弹性通勤的角度透视了北京郊区巨型社区居民的通勤特征及复杂模式[6]。龙瀛等利用公共交通刷卡数据,研究了北京市的职住关系与通勤时间和距离特征,并对典型居住区和就业区的通勤特征进行了可视化和对比分析[7]。
近年来,手机数据开始被应用到通勤研究中。手机信令数据为非用户自愿提供数据,动态、连续反映用户的空间位置,具有空间全覆盖、持有率高、反映总体行为规律等特点,但数据本身不直接服务于时空行为研究。初期很多研究都在探索方法和论证可行性,实证上以职住地和OD识别最为普遍。交通领域较早引入手机数据,手机数据使得大样本、多层次、持续地观察对象成为可能,但在方法上是巨大的挑战[8]。宋少飞等比较了三种手机信令数据识别居民职住地的方法,证明用手机数据对居民职住地识别的可信性较高[9]。许宁等以深圳市为例基于两种不同的手机定位数据提出了识别居民职住分布的方法,并比较了两者识别结果的差异[10]。钮心毅等利用手机信令数据计算出上海市域范围的通勤分布,发现中心城居民通勤范围集中在中心城及周边的通勤区,中心城的通勤区内97%的居民实现了职住平衡[11]。丁亮等利用手机数据识别日间和夜间在上海中心城内驻留用户,分别计算其通勤范围,发现上海市域空间结构在“中心城”和“郊区”之间存在一个“中心城通勤区”[12]。王德等以上海市宝山区为例,利用手机信令数据从职住关系、通勤行为等视角构建城市建成环境的评价框架[13]。
由于手机数据在微观层面时空精度有限,目前国内利用手机数据进行通勤问题的研究大多数是城市宏观尺度,聚焦到某个就业区或居住区的研究很少;微观层面上的研究,在比较了不同地区的通勤特征后缺乏进一步总结。裘炜毅等利用手机信令数据剖析了工业园区的职住平衡关系,发现上海市张江高科技园区和莘庄工业园区的职住分离情况有待进一步完善[14],是手机数据在微观尺度上通勤特征研究的尝试。总的来说,利用手机数据进行通勤研究还处于起步阶段,尤其缺乏微观尺度的研究,也缺乏与用地以及其他空间要素结合的进一步解释。
开发区是中国改革开放后出现的重要的产业组织形式和城市功能组成部分,聚集了大量的就业,是城市中典型的就业区。开发区内的通勤和职住问题一直是城市规划关注的重点。本文利用上海市2014年某两周连续的手机信令数据,以张江高科技园区、金桥经济技术开发区以及陆家嘴金融贸易区三个就业区为例,分别对其就业与居住、通勤空间和时间特征及地铁通勤特征进行对比分析,并尝试基于通勤特征总结出不同的就业区模式和探讨用地以及其他空间要素对不同模式形成的影响。

2 数据来源与研究方法

2.1 研究区概况

研究对象为张江高科技园区、金桥经济技术开发区（北区）和陆家嘴金融贸易区,在上海市的位置如图1所示。它们均为20世纪90年代初始建的国家级开发区,现在建设发展比较成熟,在上海市开发区综合实力位于前列。同时,它们在区位、规模、产业结构和用地布局上各有不同。因此,将它们作为研究对象有代表性和可比性。
Fig. 1 Location of the research objects in Shanghai

图1 研究对象在上海市的位置

张江位于浦东内外环之间,面积约28.1 km2,从业人员约32万人。四大主导产业为信息技术、生物医药、文化创意和新能源新材料。金桥（北区）位于浦东北部、外环线以内,面积约为15.6 km2,从业人员约17万人。主导产业为电子信息、汽车制造及零部件、现代家电、生物医药与食品加工。陆家嘴金融贸易区位于浦东黄浦江畔、外滩对岸,面积约6.9 km2,从业人员约20万人,主导产业为金融、证券和商贸,是上海市的金融中心。
图2是研究边界和研究范围内部2014年用地现状。张江内部用地功能多样,包括办公研发、教育科研和居住配套等。金桥内部以办公研发和工业生产用地为主,功能较单一,南部有公共设施和商业。陆家嘴内部滨江是高层办公聚集的小陆家嘴①（①小陆家嘴东起即墨路、浦东南路,西至黄浦江边,南起东昌路,北至黄浦江范围内的区域,面积为1.7 km2,是陆家嘴金融贸易区的核心区域,中国资本最密集的区域。）,高层之间有绿地,小陆家嘴以外是大量居住用地,其中有分散的公共设施和商办用地。
Fig. 2 Research boundaries and the land use inside each subject

图2 研究边界与现状用地

2.2 数据来源与处理方法

本文的数据为上海市2014年某两周连续的2G手机信令数据。上海市域每日平均记录到1600万~1800万个不同手机识别号,每日平均信令记录数约6亿~8亿条左右。每条信令记录包含用户标识、时间、基站、信令类型4个字段信息,每个用户记录时间间隔约1~2 h,基站位置平均数百米的误差。
本文中采取的居住地的识别方法为：识别凌晨0:00-6:00每半个小时用户出现次数最多的位置,求这些位置的平面中心点;再求10天工作日的平面中心点的中心点即为该用户的居住地。工作地的识别方法同理,时间范围改为上午9:00到下午5:00。此外设定阈值：多天平面中心点任意两点距离的平均数小于1000 m,认为有稳定的工作地和居住地。通勤距离即为居住地和工作地之间的直线距离。
该方法识别到上海市同时具有稳定工作地和居住地的人约750万。将手机数据识别到的每个街道的居住人数（图3a）和六普常住人口数（图3b）对比,发现两种数据在空间分布上一致性较高,说明虽然手机记录和识别规则都会造成采样误差,但运用手机数据和以上识别方法是可行的。
Fig. 3 The comparison of resident population identified by phone data and census data on sub-district dimension

图3 上海市各街道手机数据识别的居住人数和六普常住人口数对比

2.3 技术线路

本文先从就业与居住、通勤空间特征、通勤时间特征和地铁通勤四个方面对比分析了三地的通勤特征;据此总结出不同就业区模式,并从自身特性因素探讨不同模式就业区的成因。本文的技术路线如图4所示。
Fig. 4 The technical route of this research

图4 技术路线

3 通勤特征结果分析

3.1 就业与居住

3.1.1 人数、密度及职住比 表1为手机数据识别到的就业和居住人数,根据识别人数计算的相关指标及与其他途径统计的就业和居住人数的对比。根据表1,手机识别的就业和居住人数都是张江最多,金桥最少;就业和居住密度均为陆家嘴最高,金桥最低。陆家嘴为就业和居住高密度聚集区,其中小陆家嘴的就业密度约为陆家嘴的两倍,就业最为集中。张江和金桥的就业密度接近,但张江的居住密度是金桥的两倍。手机数据识别结果与其他途径统计人数对比,识别率基本在20%~40%,但金桥和小陆家嘴居住人数识别率远高于普查常住人口数。这两地内部几乎没有居住用地,但被大量居住用地包围,极可能因基站位置误差将住在边界外的人识别为内部居住的人;此外,金桥应有员工宿舍、人才公寓之类居住配套设施,小陆家嘴有酒店等其他类型住宿,都可能致使手机识别的居住人口增多。
Tab. 1 The employment and resident population identified by cellphone signaling data and related index

表1 手机识别的就业和居住人数及相关指标

张江 金桥 陆家嘴 小陆家嘴
就业人数（人） 71656 36015 69203 36297
居住人数（人） 48856 12625 33435 5910
就业密度（人/km2） 2550.0 2308.7 10029.4 21351.2
居住密度（人/km2） 1738.6 809.3 4845.7 3476.5
职住比（就业人数/居住人数） 1.47 2.85 2.07 6.14
其它途径统计就业人数（万人）/手机数据识别率（%） 30/24 17/21 20/34 10/39
普查居住人口数（万人）/手机数据识别率（%） 12.70/38 0.55/229 11.25/30 0.37/160

注：手机数据识别率为手机数据识别人数与其他途径统计人数之比。

职住比方面,小陆家嘴最高,其次是金桥、陆家嘴,张江的职住比最小。小陆家嘴的就业岗位最集中;金桥用地以工业为主而缺乏居住,职住比很高;陆家嘴内虽有不少居住,但小陆家嘴的就业高度密集,职住比也高。由职住比推断,张江内部的职住平衡程度相对较好,其次是陆家嘴,金桥内部缺乏居住,职住分离情况最为严重。
3.1.2 内部就业和居住 手机数据识别的研究对象内部就业者的工作地分布（图5）和居住者的居住地分布（图6）的核密度分析结果表明,三地就业和居住分布空间特征各有不同,与实际用地和建成情况总体相符,但又有差异。
Fig. 5 The core density of employment distribution

图5 张江、金桥和陆家嘴三地就业人口分布核密度图

Fig. 6 The core density of resident distribution

图6 张江、金桥和陆家嘴三地居住人口分布核密度图

张江西北部一期建成的产业园区就业密度最高;张江镇区和拆迁安置区的居住密度最高,新建商品房的居住密度不是很高,如广兰路地铁站北。张江的就业中心和居住中心呈整体上东西分离、局部混合的状态,例如,张江镇区为就业和居住的中心,大学校区的就业和居住密度都较高。此外,张江有就业和居住空间混合发展趋势,如中部二期建设的产业区和居住用地靠近。
金桥内部基本是已建成的工业用地,但就业密度并不均质,就业集中在偏南部中心位置,有两个密度最高的就业中心。居住密度总体较低,南部边界处居住密度相对较高,难以排除因基站位置误差把在住在边界之外的人识别为内部居住,故认为金桥无明显居住中心。金桥以单一就业为主,就业集中在园区南部。
陆家嘴的就业中心在小陆家嘴,居住中心在东部住宅区,东南居住片区的就业密度不低,可见其中有分散的商业办公、公共设施及楼宇经济,但小陆家嘴的居住很少。陆家嘴的就业和居住中心是明显单中心聚集,空间上东西分离,但就业有向居住片区渗透的趋势。

3.2 通勤空间特征

3.2.1 就业者居住地分布 图7是三地就业者的居住地分布的核密度分析结果。张江的就业者大部分在浦东居住,园区内居住密度最高,浦西沿内环线有少量居住但没有集中的点;金桥的就业者绝大部分居住在浦东,以园区南部及园区外东西两侧的居住密度最高,浦西居住很少;陆家嘴的就业者居住集中在中心城区以就业区及周边居住密度最高,浦东沿江和浦西内环内也有大量居住。
Fig. 7 The core density of resident distribution of all employees

图7 张江、金桥和陆家嘴三地就业者居住地分布核密度图

居住分布与轨道交通线的关系上,张江就业者居住地沿2号线分布明显,有沿6号线分布的迹象;金桥就业者居住没有沿6号线向南延伸和沿12号线向浦西跨江,沿着地铁线分布不明显;陆家嘴的就业者居住地沿地铁线分布特征明显,但没有沿2号线向浦东东部拓展趋势。计算居住在轨道交通站点1 km缓冲区内三地就业者的比例,张江、金桥和陆家嘴的比例分别为40%,36%,84%。可见陆家嘴的就业者居住地的轨道交通条件最好,张江和金桥则一般。
将就业者居住地分布划分为三级通勤圈：按分位数分类法将核密度分析的结果分类,包含25%的就业者居住地分布范围为核心通勤圈、包含50%为次级通勤圈,包含75%则为边缘通勤圈。图8是三级通勤圈层划分的结果,表2统计了三级通勤圈面积。
Fig. 8 Three-level commuting circles of each subject

图8 张江、金桥和陆家嘴的三级通勤圈层

Tab. 2 The area of three-level commutingcircles of each subject (km2)

表2 张江、金桥和陆家嘴不同层级通勤圈的面积（km2）

通勤圈 张江 金桥 陆家嘴
核心 63 131 70
次级 79 215 113
边缘 278 312 104
张江的核心和次级通勤圈的面积都最小,居住聚集在园区内和紧邻的周边非常明显;金桥的三级通勤圈的面积都最大,说明金桥的就业者居住地分布整体上最分散;陆家嘴的核心和次级通勤圈的面积中等、边缘通勤圈的面积最小,说明陆家嘴的就业者的居住分布虽然不像张江那样聚集在园区中,但是总体集中在中心城区,尤其是内环线以内。
就业者居住地的选择受到多种因素影响,交通、周边住房供给和收入水平是四个重要因素。张江区位较偏,2号线从内部穿过,园区内有较多层次居住配套,就业者多为电信与医药行业技术人才,有一定住房支付能力,故显现出张江园区居住密度最高、主要沿2号线浦东分布的特征;金桥位于浦东北部中外环之间,地铁线从绕其外围,就业者有企业管理层和普通工人,收入水平高低不一,6号线沿线住宅定位较高,而园区以东是大片农村地区,故显现出园区东西密度最高、居住较为分散、沿地铁线分布不明显的特征;陆家嘴在上海市的中心,轨道交通便捷,就业者大多为金融从业者,住房支付能力和出行能力都较强,显示出居住分布在市中心,沿地铁分布明显的特征。
3.2.2 通勤类型 根据居住地和工作地与研究对象的空间关系,将通勤类型划分为两类：居住地和工作地均在研究对象内为内部通勤;工作地在研究对象内部而居住地在外为内向通勤。表3为三地不同通勤类型就业者比例。
根据表3,三地内部通勤比例差别较大,张江最高而金桥最低;内向通勤比例反之。内部通勤比例的结果与职住比所表明的通勤特征一致,三地中张江的内部职住平衡程度最高;金桥园区内居住缺乏,故内向通勤比例最高而内部通勤比例最低;陆家嘴范围内虽不乏居住,但因地处市中心且职住比高,内向通勤人数多,内部通勤比例居中。
Tab. 3 The proportion of each commutingtypes in each subject (%)

表3 张江、金桥和陆家嘴三地不同通勤类型的人数比例（%）

张江 金桥 陆家嘴
内部通勤 54.04 22.91 35.63
向内通勤 45.96 77.09 64.37
总计 100.00 100.00 100.00
3.2.3 通勤距离 表4统计了张江、金桥和陆家嘴三个研究对象的所有就业者（包括内部通勤和内向通勤）的平均通勤距离和中位通勤距离。张江的平均通勤距离和中位通勤距离都最小,说明张江不仅是内向通勤比例高且通勤距离近。金桥的就业者的平均通勤距离最大,一是缺乏内部居住导致的极近距离通勤者少,二是小部分远距离通勤者拉大了平均值。陆家嘴的中位通勤距离最大,可见陆家嘴中等距离通勤比张江和金桥多。综合以上比较分析,三个就业区中张江的就业和居住分布在空间上最接近。
Tab. 4 The mean and median commutingdistance of each subject (m)

表4 张江、金桥和陆家嘴总就业者通勤距离统计（m）

通勤距离 张江 金桥 陆家嘴
平均通勤距离 5139 6128 5190
中位通勤距离 2683 3780 4721
将0~2 km作为极近距离通勤,2~5 km作为近距离通勤,5~10 km作为中等距离通勤,10~15 km作为远距离通勤,大于15 km作为极远距离通勤,统计各通勤距离段的人数,三个就业区在不同通勤距离段的人数比例分布特征不同（表5）。
Tab. 5 The proportion of different commutingdistance in each subject (%)

表5 张江、金桥和陆家嘴不同通勤距离段人数比例分布（%）

通勤距离 张江 金桥 陆家嘴
极近距离（km） （0, 2] 45.21 30.49 40.06
近距离（km） (2, 5] 21.05 29.37 17.59
中等距离（km） (5, 10] 14.93 19.62 25.50
远距离（km） (10,15] 8.91 9.24 10.82
极远距离（km） >15 9.90 11.28 6.03
极近距离通勤段,张江的人数比例是三地中最高的,张江不仅内向通勤比例最高且极近距离通勤比例也最高,居住和就业在空间上最为接近,其次陆家嘴的极近距离通勤比例也较高。在近距离通勤段,金桥的比例大于另外两地,说明金桥虽然园区内部缺乏居住,但产业区周边的居住区为大部分的就业者提供了居住。在中等距离通勤段,陆家嘴的比例明显高于另两地。在远距离通勤段,陆家嘴的比例高于另外两地。由于陆家嘴区位优越、可达性强,就业者居住地可选择的范围更大,居住在园区内部和周边的比例下降,此外还受到黄浦江特殊地理因素的影响,故表现出中等距离通勤段比例很高、远距离通勤段比例较高的特征。在极远距离通勤段,金桥的比例最高而陆家嘴的比例最低,进一步表明陆家嘴的就业者居住在中心城区聚集。

3.3 通勤时间

在本文中,采用工作地停留时长和进出工作地时刻两个指标反映通勤时间特征。由于内部通勤者在研究范围内停留时间长,会对通勤时间特征判断造成干扰,故本文排除这类人群②（②由于手机信令数据识别记录方式的原因,这里计算出的停留时长和进出工作地时刻并不能表示实际的工作时间,但可以作为三地通勤时间特征比较的依据。）。
3.3.1 工作地停留时长 将某一用户第一次被研究对象范围内基站记录到的时间作为进入工作地的时间,最后一次被记录到的时间作为离开工作地的时间,两个时刻之间的时间段作为用户这一天在工作地的停留时长;计算两周内工作天数大于等于5天的内向通勤人群的多天平均停留时长作为最后的工作地停留时长,分布情况如图9所示。张江、金桥、陆家嘴的内向通勤人群的工作地平均停留时长分别为6.75 h,7.75 h和6.40 h,停留时长分布众数分别为6.75 h,6.75 h和6.5 h。
Fig. 9 Distribution of time-length staying in workingplace of outside-in commuters

图9 张江、金桥和陆家嘴三地内向通勤人群工作地停留时长分布

工作地平均停留时长金桥最长,张江次之,陆家嘴最短;停留时长众数陆家嘴小于另外两地,张江和金桥相差不大。金桥的工作地停留时长平均值比另两地要明显长,停留时长分布曲线尾端有小部分长时间在工作地的人群,从而拉高了工作地停留时长的均值,推测这部分人是夜班人群或临时在职工宿舍休息的人群。
3.3.2 上下班时刻 图10是张江、金桥和陆家嘴的内向通勤人群两周内10天工作日在平均进出工作地的时刻分布。从图10可以看出,到达工作地的高峰时刻金桥最早,张江次之,而陆家嘴最晚;离开工作地的高峰时刻金桥最早,陆家嘴次之,而张江最晚。金桥进入曲线峰度最高,而陆家嘴最为扁平,说明金桥的上班时间严格集中,陆家嘴的上班时间更加自由;金桥的离开曲线最集中,而张江最为扁平,说明张江下班后加班现象更明显。
Fig. 10 The time arriving in and leaving working place of outside-in commuters

图10 张江、金桥和陆家嘴三地内向通勤人群到达离开工作地时刻

Tab. 6 The number and proportion of employees commuting by subway

表6 手机数据识别到的研究范围内地铁通勤人数和相对比例

张江 金桥 陆家嘴
乘地铁就业人数 8875 187 6092
总就业的人数 71656 36015 69203
地铁通勤比例（乘地铁就业人数/总就业人数） 12.3% 0.52% 8.80%
手机数据识别的通勤时间特征和三地产业类型相符。张江的就业者主要为电信医药行业技术人员,工作时间较长,上下班时间较准时,下班后有加班的现象;金桥以加工制造业为主,时间特征与另外两地明显不同,上下班时刻更早,且严格准时,平均工作地停留时间最长,有一小部分夜班人群和在临时宿舍休息的人群;陆家嘴则以金融业为主,上班时刻较晚,下班后很少加班,上班时间也更自由,工作地停留时长最短。

3.4 地铁通勤

3.4.1 通勤人数 在本文中,将通勤时间段内（早上7:00-10:00或下午16:00-19:00）被研究对象内的地铁站内的基站记录到的,且10天工作日内被记录到的天数大于等于2天的研究对象内的就业者作为地铁通勤人群③（③由于地铁基站更新周期长而地铁乘客乘坐时间短,记录到的数据很少,本研究中的识别到的数据不能反映研究对象范围内乘地铁通勤的实际人数和比例,但可用来比较三地乘地铁就业人群相对比例和研究乘地铁就业人群的空间分布情况。）
比较三地的地铁通勤比例,陆家嘴地铁站比张江多2个,但张江乘地铁通勤的人数和比例都高于陆家嘴,表明张江就业者通勤方式更加依赖地铁,陆家嘴的就业者通勤方式更加多元;金桥的就业者乘地铁上班比例远小于陆家嘴和张江,地铁线只在金桥周边经过而非从中间穿过,可见地铁站点与工作地的步行距离过远会明显降低选择地铁通勤的比例。
3.4.2 工作地分布 图11为三地乘地铁通勤人口分布的核密度图,由图11可知,张江、金桥和陆家嘴分别以金科路站、金海路站和陆家嘴站为中心密度最高。对比张江的地铁通勤就业者工作地分布和总就业者工作地分布（图5a）,发现各个就业地块的地铁通勤的就业者比例相差不大,各个就业区块离地铁站的距离也都比较近。虽然12号线在2013年底开通,且金桥的就业者沿线居住很少,但地铁通勤就业者工作地靠近12号线聚集。虽然陆家嘴范围内有多条地铁线,但地铁通勤就业者的工作地分布最接近2号线的站点。三地地铁通勤就业者的工作地分布都反映了出行换乘的便利程度,特别是交通站点到工作地之间的距离,对于选择地铁作为通勤方式非常重要[15]。
Fig. 11 The core density of working place distribution of employees commuting bysubway in each subject

图11 张江、金桥和陆家嘴三地地铁通勤人口分布核密度图

4 讨论

4.1 模式总结

以上利用手机信令数据对张江高科技园区、金桥经济技术开发区和陆家嘴金融贸易区的就业与居住、通勤空间和时间特征及地铁通勤的特征进行了比较分析,结果表明：
张江的职住比低,内部通勤和极近距离通勤比例高,就业居住空间分布最靠近,内部的就业与居住整体分离、局部混合;就业者在工作地停留时间较长且下班有延迟;就业者居住在地铁站1 km缓冲圈内的比例不高,但地铁通勤比例很高,通勤方式很依赖地铁。金桥的职住比高,内部通勤比例最低,园区内部居住少,单一就业聚集,就业者大多居住在产业区周边,近距离通勤的比例高;就业者上下班高峰时刻早且准时严格,有部分人群在非白天常规工作时间工作;地铁通勤比例远小于陆家嘴和张江。陆家嘴的职住比较高,内部通勤比例居中,就业者的居住市中心聚集,尤其在内环以内,中等距离通勤的比重大;内部的就业和居住分离。就业者工作地停留时长最短;地铁通勤的比例比张江低,通勤方式上更加多样化。
表7总结了三地最主要的通勤特征,并根据不同的通勤特征,将张江、金桥和陆家嘴总结为三种不同的模式：自我平衡型、单一生产型和城市互动型。自我平衡型的就业区内部用地混合,有一定的居住和设施配套,内部通勤比例高,通勤距离近。单一生产型的就业区内部基本为产业用地,且区位不佳交通不便,就业者多选择就近居住,也有部分长距离通勤。城市互动型的就业区的区位较好,就业者在城市中的居住地选择范围广,通勤距离不是很近但通勤便利,用地可能单一或者混合。
Tab. 7 Commuting characteristics and patterns of each subject

表7 张江、金桥和陆家嘴的通勤特征和就业区模式总结

张江 金桥 陆家嘴
通勤
特征		 就业与居住 职住比 较低 高 较高
内部职住结构 整体分离、局部混合 单一就业、中心聚集 职住分离、就业渗透
通勤空间特征 就业者居住地分布 园区聚集 园区周边,分散分布 市中心集中
内部通勤比例 高 低 中
通勤距离特征 极近距离比例高 近距离比例高 中等距离比例高
通勤时间特征 工作地停留时长 中 长 短
地铁通勤特征 地铁通勤比例 高 低 较高
就业区模式 自我平衡型 单一生产型 城市互动型

4.2 形成因素讨论

根据对三个对象特征的比较分析,认为有以下六个因素对不同模式的就业区的形成有重要影响：
区位：市中心的就业区可达性高,与城市其他区域联系方便,就业者的居住生活地的选择范围广,内部通勤比例不会很高,中等距离通勤比例增多,就业者大多选择居住在市中心。且市中心的就业区规模一般不大,不易与外围产生隔离。市中心的就业区大多是城市互动型。
园区面积：面积较大的就业区有用地条件建设居住、商业和各种公共设施的配套,实现用地混合,提高内部通勤比例,容易发展成为自我平衡型。面积规模小的就业区不易与城市外围隔离,更可能发展成为城市互动型;规模中等的就业区更容易发展成为单一生产型。
产业类型：产业影响就业区与城市的联系强度,例如,工业区与城市活动联系弱,服务业则强。产业决定就业区建成形态,例如,工业区的容积率低而占地面积大;服务业则一般聚集在高层办公楼,用地集约。产业也关系到就业者收入,例如,高端服务业就业者收入高,住房支付能力和出行能力强,对居住的位置、环境和品质的选择更多样化;制造业就业者的住房选择受到距离和价格限制大。因此,高端服务业就业区最可能发展成城市互动型,工业区最易发展成单一就业型。
轨道交通：轨道交通是就业区与城市其他区域最高效的联系方式。故轨道交通条件好,会致使内部通勤的比例降低和通勤距离增加,但通勤出行是便利的,最可能发展成为城市互动型。轨道交通条件差的就业区,内部居住生活配套好,发展成为自我平衡型;内部配套不好,就业者的居住生活依赖园区周边,发展成为单一生产型。
内部用地：内部用地情况直接影响就业区模式。区位较偏的就业区,如果内部用地混合多样,内部通勤比例会很高,就业和居住空间上靠近,最可能发展成为自我平衡型。内部用地单一且区位交通不佳的就业区,就业者的居住生活依赖就业区周边,极可能发展成为单一生产型。
周边用地：就业区周边用地功能混合多样,建设成熟,就业者的居住生活可依赖周边地块,使内部通勤比例降低。如果园区和城市其他区域联系不便,就业者的居住生活高度依赖园区周边,则发展成为单一生产型;如果区位佳,交通便捷,就业者的居住地选择范围广,发展成为城市互动型。周边开发建设不成熟促进就业区向自我平衡型发展。
任何一种就业区的形成都不可能是由单一要素决定的,且这六个要素之间也是相互关联的,这六大要素的综合作用下形成了不同的就业区模式。

4.3 规划启示

（1）自我平衡型
自我平衡型的就业区应注重自身功能完备,用地类型应该混合多样,居住配套层次与就业者的住房支付能力匹配,设施配套与人口规模和需求匹配。对于张江,一些新建商品房入住情况差,说明增加配套服务设施的数量和质量比单纯增加住宅建设量更能增吸引人到张江居住。张江就业者通勤高度依赖2号线,除进一步提高内部通勤比例之外,也应改善内部交通条件,发展多种交通方式,减少内部通勤对地铁的依赖。此外,张江内还有很多原张江镇居民在此居住工作,原有居民与后迁入居民的就业居住空间关系也需要重视。
（2）单一就业型
单一就业型的就业区面临的通勤的挑战比较严峻,内部往往没有足够的用地再增加居住和其他配套设施,应注重在邻近周边建设比较齐全居住和配套设施,并加强就业区与外部的交通联系。对于金桥,应改善其交通条件,包括就业地到地铁站点的可达性和就业地与居住地的公共交通联系。其次,金桥内部有很多低就业密度的工业用地可考虑转型发展,提供一定居住和其他设施配套,增加用地混合程度。再次,周边的居住供给应考虑不同层次就业者住房可支付能力。
（3）城市互动型
城市互动型的就业区与城市联系方便,就业者居住地选择性更多,虽然内向通勤比例不高,通勤距离不是很近,但通勤和居住配套对这一类型的就业区来说不是问题。最需要注意的就业区本身的城市活力问题,避免就业区由于功能过于单一变成白天是工作人员密集,夜晚则空无一人。对于陆家嘴,小陆家嘴可增加其商业设施配套和其他的城市公共功能,并增强其步行联系的可达性和宜人性,改单一就业中心为功能多样、环境宜人的城市公共中心。

5 结论与讨论

本文利用上海市2014年手机信令数据对上海市三个典型就业区张江高科技园区、金桥经济技术开发区和陆家嘴金融贸易区的就业和居住、通勤空间和时间特征以及地铁通勤特征进行了比较分析,并根据它们的通勤特征总结出三种不同的就业区模式：自我平衡型、单一生产型和城市互动型。导致不同模式就业区形成的因素很多,本文分析了区位、轨道交通、规模、产业类型以及园区内外用地这六个要素对就业区的影响,并提出了相应的规划建议。
手机数据样本量大,反映通勤特征更客观,但数据精度差,在解释不同通勤特征背后的原因上较为薄弱。此外,本文更关注数量方面的特征,对质量方面的差异虽有所揭示,但不全面。例如,虽然内部通勤比例上张江比陆家嘴高,但又发现张江部分住宅入住率低,陆家嘴居住区仍有不少工作岗位,则两地的居住配套质量和用地混合程度都不一样的。又如,金桥近距离通勤比例高,说明金桥区内居住虽少而周边居住多,但园区东西两侧是居住条件不同,轨道交通条件也不如另外两地,手机数据很难反映诸如此类居住配套质量方面的问题。
本文是手机数据在微观层面通勤研究方面的初探,描述性分析较多,着重是空间上的特征,尝试解释造成不同通勤特征的原因,但还不够全面准确。下一步的工作可尝试结合其他的类型数据或模型定量的方法,更全面准确地解释造成这些通勤特征差异背后的原因。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周素红, 杨利军. 广州城市居民通勤空间特征研究. 城市交通, 2005, 3(1): 62-67.通勤行为作为居民日常出行最主要的类型之一,其空间组织的合理与否在一定程度上对城市交通的组织起决定性作用.同样,与通勤密切相关的居住与就业两类用地,其空间组织对城市空间格局也起着重要的作用.随着中国城市社会经济和城市规划建设的发展,城市居住-就业的空间格局发生了巨大的变化,伴随着这种变化的是居民生活方式的改变,特别是出行行为的转变.在综述国内外相关研究的基础上,以广州为例,分别从广州市居住与就业空间组织对通勤行为的影响、居民通勤的基本特征出发,来探讨通勤的空间特征.

DOI

[Zhou Suhong, Yang Lijun.Study on spatial characteristic of commuting in Guangzhou. Urban Transport of China, 2005, 3(1): 62-67.]

[2]
孟斌, 于慧丽, 郑丽敏. 北京大型居住区居民通勤行为对比研究: 以望京居住区和天通苑居住区为例. 地理研究, 2012, 31(11): 2069-2079.郊区化的过程中,居住-就业均衡性存在解体和重构的过程。以北京郊区两个大型居住区——望京居住区和天通苑居住区作为研究对象,通过问卷调查的方式获取了居民居住、就业以及通勤等方面的相关数据。研究表明:通勤时间较长是近郊大型居住区居民的共性,但由于大型居住区功能定位的差异以及所在区位和道路体系的差异,单一型居住区和混合型居住区也存在高峰通勤出行时间、通勤工具选择和通勤流向等通勤行为的差异。对这些主要影响因素加以合理规划,对解决郊区化过程造成的制住分离加剧问题具有重要作用。

[Meng Bing, Yu Huili, Zheng Liming.The analysis of commuting behavior in the huge residengtial districts: A Case study of Wangjing and Tiantongyuan in Beijing. Geographical Research, 2012, 31(11): 2069-2079.]

[3]
文婧, 王星, 连欣. 北京市居民通勤特征研究: 基于千余份问卷调查的分析. 人文地理, 2012, 29(5): 62-68.在千余份问卷调查的基础上，对北京市4个不同居住-就业空间结构样本区进行了不同交通方式、不同样本区居民的通勤距离、时间、效率等特征比较。结果表明：公共交通是北京市居民通勤的主要方式；随着通勤距离的增加，居民最常选择的交通方式从非机动车向公交再向地铁转变；北京市居民通勤时间相比于其他国际大都市偏长；私家车通勤效率最高；换乘对交通效率有较大负影响，在大型居住-就业中心通勤流中这一问题尤为严重；职住平衡的区域较之于居住或就业中心有着相对短的通勤距离和时间，以及相对高的非机动车出行比例。

[Wen Jing, Wang Xing, Lian Xin.A study on commuting characteristics in Beijing: Based on over 1000 questionnaires. Human Geography, 2012, 29(5): 62-68.]

[4]
孙斌栋, 但波.上海城市建成环境对居民通勤方式选择的影响. 地理学报, 2015, 70(10): 1664-1674.lt;p>伴随中国快速城市化与机动化进程,私人汽车拥有量不断增长,由此引起的交通拥堵和环境问题已成为制约中国城市可持续发展的难题。基于上海市区的居民通勤问卷调查数据,采用多项Logit模型检验了街道尺度城市建成环境对于居民通勤方式选择的影响,结果表明,在控制了其他因素后,提高居住地的人口密度、土地利用混合度与十字路口比重,可以减少小汽车通勤方式的选择,而就业地建成环境对居民通勤方式选择影响相对较弱;建成环境对通勤方式选择的影响会因个体的社会经济异质性而不同。这些结论为通过优化土地利用规划来优化居民通勤结构的城市交通和城市规划政策提供了启示。</p>

DOI

[Sun Bindong, Dan Bo.Impact of urban built environment on residential choice of commuting mode in Shanghai. Acta Geographica Sinica, 2015, 70(10): 1664-1674.]

[5]
谌丽, 张文忠, 李业锦, 等. 北京城市居住空间形态对居民通勤方式的影响. 地理科学, 2016, 36(5): 697-704.<p>借助GIS分析和多项式逻辑回归模型,基于5 066份大规模问卷调查数据对北京进行了实证分析,考察北京城市居住空间形态特征在城市空间上的差异,及其对居民通勤方式的影响程度。结果显示：北京城区和郊区的居住空间形态的空间分异显著,并且对居民的通勤方式造成了重大影响,超大街区不利于步行,而高容积率对小汽车出行有显著的抑制作用,高度混合的土地利用形态则能够显著促进居民选择步行通勤。性别、年龄、收入对北京居民的通勤方式具有影响,女性、中老年及低收入群体选择绿色出行方式的概率更高。结论表明居住空间形态规划是引导居民通勤方式的重要途径之一,据此提出了减少居民小汽车出行、促进绿色出行的规划建议。</p>

DOI

[Chen Li, Zhang Wenzhong, Li Yejin, et al.Residential form in Beijing and its impact on residents' commuting mode choice. Scientia Geographica Sinica, 2016, 36(5): 697-704.]

[6]
申悦, 柴彦威. 基于GPS数据的城市居民通勤弹性研究: 以北京市郊区巨型社区为例. 地理学报, 2012, 67(6): 733-744.通勤是居民出行行为的重要组成部分,受到地理、规划、交通等领域的广泛关注,已有对通勤的研究多利用问卷调查数据,定位技术与信息通信技术为个体行为时空数据的采集带来了新的契机。本研究关注个体在不同工作日中通勤的可变性,将活动弹性的概念引入对通勤行为的研究中,提出通勤弹性的概念,并界定了时间、空间、方式、路径4 个通勤弹性维度,通过探讨4 种弹性之间的相互作用关系,提出7 种基于弹性的理论通勤模式。研究以北京市天通苑与亦庄两个郊区巨型社区为案例,基于活动日志与GPS 定位数据相结合的为期一周的居民时空行为数据,分别利用传统方法和通勤弹性视角研究居民的通勤特征,验证通勤弹性现象的存在以及该视角透视城市居民通勤行为的合理性,并利用GIS 三维可视化技术对7 种理论通勤模式居民的活动—移动时空特征进行刻画,从而透视北京市郊区巨型社区居民的通勤特征及复杂模式,为北京市城市与交通问题的解决提供了独特的视角。

[Shen Yue, Chai Yanwei.Study on commuting flexibility of residents based on GPS data: A case study of suburban mega-communities in Beijing. Acta Geographica Sinica, 2012, 67(6): 733-744.]

[7]
龙瀛, 张宇, 崔承印. 利用公交刷卡数据分析北京职住关系和通勤出行. 地理学报, 2012, 67(10): 1339-1352.基于位置服务(Location Based Service, LBS) 技术为研究城市系统的时空动态规律提供了新的视角, 已往多基于移动通讯(GSM)、全球定位系统(GPS)、社会化网络(SNS) 和无线宽带热点(Wi-Fi) 数据开展研究, 但少有研究利用公交IC 卡刷卡数据进行城市系统分析。普遍存在的LBS数据虽然具有丰富的时间和空间信息, 但缺乏社会维度信息, 使其应用范围受到一定限制。本文基于2008 年北京市连续一周的公交IC 卡(Smart Card Data, SCD) 刷卡数据, 结合2005 年居民出行调查、地块级别的土地利用图, 识别公交持卡人的居住地、就业地和通勤出行, 并将识别结果在公交站点和交通分析小区(TAZ) 尺度上汇总:① 将识别的通勤出行分别从通勤时间和距离角度, 与居民出行调查数据和其他已有北京相关研究进行对比, 显示较好的吻合性;② 对来自3 大典型居住区和去往6 大典型办公区的通勤出行进行可视化并对比分析;③ 对全市基于公交的通勤出行进行可视化, 并识别主要交通流方向。本研究初步提出了从传统的居民出行调查和城市GIS 数据建立规则, 用于SCD数据挖掘的方法, 具有较好的可靠性。

DOI

[Long Ying, Zhang Yu, Cui Chengyin.Identifying commuting pattern of Beijing using bus smart card data. Acta Geographica Sinica, 2012, 67(10): 1339-1352.]

[8]
杨东援. 通过大数据促进城市交通规划理论的变革. 城市交通, 2016, 14(3): 72-80.城市交通规划实践需求所产生的拉动力,大数据分析技术所产生的推动力,相关基础学科研究成果所产生的促进力,将推动城市交通规划理论发生变革。在继承传统技术方法的基础上,通过建立在证据理论基础上的决策判断概念框架,将大数据分析技术、模型分析技术和仿真分析技术纳入一个统一的分析模板,通过多维观察角度尽可能全面地表征问题,并将在＂适时响应＂机制基础上建立规划过程管控模式,这一系列的探索勾画出一个可供讨论的新理论框架的雏形。

DOI

[Yang Dongyuan.Promoting urban transportation planning theory innovation using big data. Urban Transport of China, 2016, 14(3): 72-80.]

[9]
宋少飞, 李玮峰, 杨东援. 基于移动通信数据的居民居住地识别方法研究. 综合运输, 2015, (12): 72-76.从大量手机数据中提取居民活动的时空特征是大数据趋势下的新兴热点。然而现有的研究主要使用的是手机通话数据或者手机定位数据，并且许多研究缺乏相关验证，使得研究可信度不高。本文基于手机信令数据，通过3种方法对居民职住地进行识别分析，并对比不同方法之间的差异，研究探讨通过手机大数据对于居民职住地识别的可信性。

[Song Shaofei, Li Weifeng, Yang Dongyuan.Research on the methods of home identification based on mobile phone data. Comprehensive Transportation, 2015, (12): 72-76.]

[10]
许宁, 尹凌, 胡金星. 从大规模短期规则采样的手机定位数据中识别居民职住地. 武汉大学学报: 信息科学版, 2014, 39(6): 750-756.目的使用大规模手机定位数据获取居民职住地分布是大数据趋势下城市研究的新兴技术。然而,现有的研究主要使用了长期不规则稀疏采样的手机通话数据,对短期规则采样的手机定位数据缺乏尝试。基于大规模短期规则采样的手机定位数据,提出了一种居民职住地识别的方法。这是首次从大规模短期规则采样的手机定位数据中进行居民职住地识别的尝试,并对识别结果进行了较全面的验证。该研究成果为职住平衡等相关城市问题研究探讨了一种新型大规模数据源的可行性,在低成本大幅度提高相关研究的样本代表性和分析结果可靠性上具有重要意义。

DOI

[Xu Ning, Yi ling, Hu Jinxing. Identifying the home-work locations from short-term, large-scale, and regularly samples mobile phone tracking data. Geomatics and Information Science of Wuhan University, 2014, 39(6): 750-756.]

[11]
钮心毅, 丁亮. 利用手机数据分析上海市域的职住空间关系: 若干结论和讨论. 上海城市规划, 2015, (2): 39-43.使用手机信令数据计算出了上海市域居民通勤数据，用于分析上海市域的职住空间关系。中心城居民通勤范围集中在中心城及周边的通勤区内。在中心城及通勤区内，超过97％的居民实现了职住平衡。在郊区新城中，宝山新城、闵行新城大部已经进入中心城通勤区。其余7个郊区新城居民至中心城通勤的比例均低于5％。郊区新城中居民主体仍是在新城内部通勤、或者新城以外的本区域内通勤。要优化上海市域居民职住空间关系，需要在中心城内合理布局就业次中心和安排居住人口，郊区新城应以增加就业岗位为主要目标。

[Niu Xinyi, Ding Liang.Analyzing job-housing spatial relationship in Shanghai using mobile phone data: Some conclusions and discussions. Shanghai Urban Planning Review, 2015, (2): 39-43.]

[12]
丁亮, 钮心毅, 宋小冬. 利用手机数据识别上海中心城的通勤区. 城市规划, 2015, 39(9): 100-106.用手机数据识别了用户的日间驻留地、夜间驻留地，从中提取出日间在上海中心城内驻留用户、夜间在中心城内驻留用户，分别计算出其通勤范围。根据其夜间驻留地、日间驻留地的分布密度识别出上海中心城的通勤圈，并将其转换为以街道行政边界为空间单元的中心城通勤区。在中心城及通勤区内，超过97％的居民实现了职住平衡。研究表明上海市域空间结构在“中心城”和“郊区”之间还存在一个“中心城通勤区”层次。中心城通勤区以内、以外区域存在较显著差异。中心城通勤区的识别结果可加深对上海市域空间结构的认识，为在市域范围内分层次、分区域制定有针对性的规划政策提供依据。

DOI

[Ding Liang, Niu Xinyi, Song Xiaodong.Identifying the commuting area of Shanghai central city using mobile phone data. City Planning Review, 2015, 39(9): 100-106.]

[13]
王德, 钟炜菁, 谢栋灿, 等. 手机信令数据在城市建成环境评价中的应用: 以上海市宝山区为例. 城市规划学刊, 2015, (5): 82-90.城市建成环境与个人时空间行为之间具有密切的互动关系.利用手机信令数据,从职住关系、通勤行为和居民消费休闲出行行为的微观个体行为视角构建城市建成环境的评价框架,以上海市宝山区为例进行城市建成环境的综合评价.研究表明,居民各类活动、出行行为在空间分布上具有明显差异,受到用地、交通、区位等建成环境因素影响显著,综合分析得出宝山整体建成环境的发展呈现出南北不同的格局,具有明显的近中心城、新城和近轨道交通轴线的发展特征.最后,简要探讨了利用手机信令数据对城市建成环境评价的应用价值,并结合评价结果和区域发展目标,对宝山区的空间调整优化和居民行为引导提出建议.

DOI

[Wang De, Zhong Weijing, Xie Dongcan, et al.The application of cell phone signaling data in the assessment of urban built environment: A case study of Baoshan district in Shanghai. Urban Planning Forum, 2015, (5): 82-90.]

[14]
裘炜毅, 刘杰, 张颖. 手机大数据视角下的工业区职住平衡分析方法. 见: 中国城市规划学会、贵阳市人民政府. 新常态: 传承与变革——2015中国城市规划年会论文集(04城市规划新技术应用). 贵阳: 中国城市规划学会, 贵阳市人民政府, 2015.在当今大数据技术发展背景下,结合日益丰富的个体行为数据(手机数据),尝试建立一种职住分离、通勤识别的分析方法和技术手段。论文阐述了手机大数据处理的基本方法;探索利用手机大数据开展人的行为特征(职住到通勤交通)的量化分析手段。本论文以城市工业园区(城市工业用地的聚集形态)为切入点,以信息医药为主导产业的上海张江高科技园区、以现代制造业为主导产业的上海莘庄工业园区为案例,进行实证分析研究,剖析工业园区的职住平衡关系和通勤特征等。

[Qiu Weiyi, Liu Jie, Zhang Ying.Analyzing the job-housing balance of industrial area with mobile phone data. In: Urban Planning Society of China, Guiyang Municipal People's Government. The Proceedings of 2015 Annual Conference of China's Urban Planning: New Normal: Inheritance and Change (04 New Technology Application in Urban Planning). Guiyang: Urban Planning Society of China, Guiyang Municipal People's Government, 2005.]

[15]
王丹丹, 张景秋, 孙蕊. 北京城市办公空间通达性感知研究. 地理科学进展, 2014, 33(12): 1676-1683.城市交通条件是城市运营与发展的基本环节,决定着城市的运行效率以及城市空间结构优化。本文基于问卷调查的抽样数据,以北京城区10 个办公集聚区为研究区,运用多维标度分析方法,对研究区内通达性的被调查人主观感知进行分析评价,结合主观感知与实际测算客观数据的对比,比较城市内部不同办公集聚区之间通达性感知的差异性。研究表明:①以地面交通和轨道交通为主导的公共交通是北京城市居民选择通勤的主要交通工具,近50%的人更倾向于选择5~10 min 的步行时间达到公共交通站点和休闲娱乐设施场所;②城市内部不同办公集聚区的从业人员通达性感知情况与客观实际分析存在显著差异性;③办公集聚区通达性主客观等级的差异,反映了交通通达性的测度不仅要关注站点距离,更应该关注出行者心理感知和出行换乘的便利程度,特别是交通站点到工作地之间的“最后一公里”联通问题;④5~10 min 的步行圈是城市活动的基本单元,它不仅可作为城市公共交通站点及配套设施的规划设计单元,而且应将其作为推动北京城市改善和提高空间通达性的重要手段。

DOI

[Wang Dandan, Zhang Jingqiu, Sun Rui.Perception of office space accessibility in Beijing urban area. Progress in Geography, 2014, 33(12): 1676-1683.]

Options
Outlines

/

〈 〉