EN中文

GEOGRAPHICAL RESEARCH >

2024 , Vol. 43 >Issue 9: 2440 - 2459

DOI: https://doi.org/10.11821/dlyj020240210

Behavioral Geography and Transportation Travel

The impact of space-time constrained transport disadvantage on the travel behavior of urban residents

  • HUANG Xiaoyan , 1, 2 ,
  • KANG Chenchen 1, 2 ,
  • XING Huinan 1, 2 ,
  • TANG Junqing , 3, 4
Expand
  • 1. Northwest Land and Resources Research Center, Shaanxi Normal University, Xi'an 710119, China
  • 2. Institute of Transportation Geography, Shaanxi Normal University, Xi'an 710119, China
  • 3. School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen 518055, Guangdong, China
  • 4. Key Laboratory of Earth Surface System and Human-Earth Relations of Ministry of Natural Resources of China, Shenzhen 518055, Guangdong, China

Received date: 2024-03-14

  Accepted date: 2024-07-16

  Online published: 2024-09-13

Fold

Abstract

Ensuring the equity and inclusiveness of transport systems, thereby enabling individuals to equally access convenient and reliable transport services, is the key to the construction of inclusive cities. From the perspective of transport and behavioral geography, the travel behavior characteristics of disadvantaged groups and the influencing factors have become a research hotspot. However, the internal causal relationship and complex interaction mechanism between transport disadvantage caused by geospatial imbalance, temporal constraints, and socio-economic characteristics and residents' travel behavior have not been fully explained. Based on the survey data of urban residents' built environment perception and travel behavior in Xi'an in 2022, this study analyzes the characteristics of transport disadvantage under the space-time constraints, and constructs a structural equation model to explore the mechanism and spatial heterogenicity of the impact on urban residents' travel behavior. The result reveals that: (1) The perceived transport disadvantage under the space-time constraints exhibits obvious socio-economic and spatial heterogenicity. Perceived spatial disadvantage is higher for elderly, less educated, non-car owners, and lower annual household incomes. Females and young middle-aged groups are more vulnerable to temporal constraints. Higher perceived transport disadvantage groups cluster in the suburbs. (2) Perceived spatial disadvantage caused by geospatial obstacles and uneven distribution of facilities is a key factor that affects the travel decision-making of transport disadvantaged groups. Bus accessibility, distance to metro stations, and amenity accessibility affect travel frequency by influencing perceived spatial disadvantage. (3) There is spatial heterogenicity in the impact of perceived transport disadvantage on travel frequency, with more significant direct and mediating effects in the suburbs. Perceived spatial disadvantage mediates the relationship between the built environment and individual socio-economic attributes on the travel frequency of transport-disadvantaged groups in suburban areas, while perceived temporal disadvantage significantly mediates the impact of income on resilient travel frequency. This study deepens the understanding of the influencing factors and mechanisms affecting the travel behavior of transport-disadvantaged groups. It provides valuable support and recommendations for optimizing and regulating the spatial environment and social governance strategies from the perspectives of inclusiveness and equity.

Key words： transport disadvantage; travel behavior; space-time constraints; accessibility; Xi'an

Cite this article

HUANG Xiaoyan , KANG Chenchen , XING Huinan , TANG Junqing . The impact of space-time constrained transport disadvantage on the travel behavior of urban residents[J]. GEOGRAPHICAL RESEARCH, 2024 , 43(9) : 2440 -2459 . DOI: 10.11821/dlyj020240210

1 引言

城市化在推动全球经济发展的同时，带来的城市内部日益加剧的不平等不均衡现象成为全球城市可持续发展的重大挑战[1]。2000年联合国人居署首次提出建设“包容性城市”，强调了城市不同主体发展权利的均等性[2]。此后，创建更具包容性的城市逐渐成为国际社会的普遍共识和发展目标。世界银行消除极端贫困和促进共同繁荣的双重目标都将包容性放在首要位置[3]。联合国《2030年可持续发展议程》提出的第11项可持续发展目标呼吁“建设包容、安全、有抵御灾害能力和可持续的城市和人类住区”[4]。
建设可持续的城市交通系统对于城市区域经济增长和平稳运行至关重要。然而，人口的快速增长与汽车保有量的不断上升使得城市交通系统正面临严峻挑战[5]。探究城市居民的出行行为，明确并精准地量化其影响因素是制定安全和可持续交通政策的前提。近年来，经济学、地理学、城乡规划学等领域学者从个体与家庭特征、社会经济、人居环境等方面广泛探讨了出行行为的影响因素[6⇓-8]。可达性、移动性等交通要素已被证实是影响城市居民出行行为的关键因素[9,10]。可达性和移动能力是城市居民参与活动，获得各种社会经济机会和资源的必要条件[11]。确保交通系统的公平性和包容性，让所有人都能平等享受到便捷和可靠的交通服务是包容性城市建设的重要内容[12,13]。2023年9月25日，习近平总书记向全球可持续交通高峰论坛致贺信时指出：“建设安全、便捷、高效、绿色、经济、包容、韧性的可持续交通体系，是支撑服务经济社会高质量发展、实现‘人享其行、物畅其流’美好愿景的重要举措”。
然而，中国城市土地市场化和郊区化过程正在改变城市空间框架，传统的职住平衡被打破，地理空间的不均衡和城市居民日常活动的复杂性导致了不同社会群体可达性和移动性的不平衡[14,15]。这种不平衡在一定程度上决定了掌握资源和机会的多寡，形成了交通弱势和优势群体，并由此产生包容性发展的一系列障碍[16⇓-18]。出行成本、空间障碍、地理位置或距离限制、低水平的服务可用性等导致交通弱势群体在机会、服务和社交网络方面的可达性降低和移动性不足[19,20]，并带来诸多关键领域的社会问题，影响了城市居民获得感、幸福感、安全感。
已有文献从不同角度讨论了交通弱势现象及其产生的社会空间效应。早期研究始于英国基于地方交通可达性的社会不平等研究，主要从空间视角关注不同区域可达性差异导致的交通弱势及其造成的交通与社会公平问题[21,22]，通常用公交可达性作为关键指标来测量可达性弱势，并识别弱势区域居民的出行行为特征[23,24]。研究证明交通服务的邻近性及由此产生的交通效益，会在空间上不均匀分布，并导致了具有不同可达性水平地区的居民出行行为的差异[25,26]。参与关键活动（工作、教育、健康及社交等）的可达性障碍会降低弱势群体的出行频率[27]。
但空间只是交通弱势问题的一个维度，个人出行可能性的差异是空间和社会经济因素相互作用的结果[28,29]。除了交通社会效应的空间分布外，大量研究从人口社会经济特征的视角关注交通弱势问题。这类研究通常将使用交通系统时处于弱势地位的特定社会群体（如：残疾人、妇女、儿童、老年人、失业者等）直接界定为交通弱势群体，并关注其日常出行能力、模式和需求[30⇓⇓-33]。随着时间地理学的发展，越来越多研究关注社会空间组织中不同群体在特定时间制约下获得机会的不平等[34,35]。不同群体和居住在不同地点的居民对日程安排、多任务处理和多重责任的需求不同[36]。因此，交通弱势不仅来源于个体对外部物理空间的隔离和排斥，也可能源于时间匮乏下的自我强制[23] 954-955。
总体上，以往研究还存在以下几方面局限：① 交通弱势的测度将过程、状况、影响因素及构成要素混淆。基于空间可达性的交通弱势测度主要关注居住地周边设施的分布和邻近度，在一定程度上忽略了不同群体的需求差异。而基于特定人群特征来替代交通弱势容易忽略群体内部个体差异带来的交通行为差异。系统考虑时空制约的交通弱势测度框架缺乏。② 地理空间不均衡、时间制约性、社会经济特征导致的交通弱势与居民出行行为的内在复杂作用机理尚未得到充分解释。鲜有研究探讨时空制约下的交通弱势影响效应、路径及其空间差异。基于此，本文以西安市为例，试图在时空制约视角下分析交通弱势特征，解释其对出行行为的影响机理及作用机制，并探讨空间分异，以期从包容性和公平性的角度为空间环境优化调控和社会治理策略提供支持建议。

2 理论基础与研究假设

2.1 将交通弱势引入出行行为影响因素分析框架的必要性

已有大量研究从个体与家庭特征、社会经济、空间环境等方面探讨了出行行为的影响因素[6⇓-8]，并重点实证了建成环境特征对城市居民出行行为的影响，主要包含两类：一类基于国家汇总统计年鉴数据，从国家或区域尺度分析空间环境对城市居民出行的影响分异[37]。另一类则从社区尺度，探讨客观与感知的社区邻里环境和社会环境对出行行为的影响[38,39]。研究证实了可达性、移动性等交通要素是影响居民出行行为的关键[9,10]。
然而传统聚焦于增加移动性的交通规划，在一定程度上忽略了居民参与日常活动的公平性及由此产生的交通弱势问题。事实上，日常活动空间分布的不均衡和交通供应特点均会导致部分群体在交通方面处于弱势地位，进而会影响其出行行为[10,19]。空间弱势与使用现有交通设施的困难程度密切相关，空间隔离是导致个体出行活动减少的重要因素[40]。交通弱势群体更易受到获得机会、服务和便利设施不足等交通所带来的负外部性影响[25] 105-106。由边缘性和交通条件差所造成的交通不便是导致出行贫困的关键要素[41]。
此外，除了空间隔离，交通弱势还受到时间制约的影响。时间是个体参与交通活动的障碍性因素，并可能导致脆弱性和时间贫困[42,43]。出行距离和活动等带来的时间限制会影响不同群体的出行策略[29] 216-217。已有研究证实，女性将承担更多的家庭责任，尽管男性和女性拥有相同的出行机会，但女性的移动性仍然低于男性[44]。
因此，将交通弱势引入城市居民出行行为影响因素的研究框架，从时间和空间制约两大维度来深刻理解其对出行行为的复杂作用机理关键且必要。

2.2 时空制约下的交通弱势对城市居民出行行为影响的模型框架

时空制约和社会经济因素的相互作用导致了个体出行可能性的差异。为验证时空制约下的交通弱势对城市居民出行行为的影响，基于对相关理论和实证文献的梳理，构建模型框架（图1）。
图1 交通弱势影响出行行为的研究模型框架

Fig. 1 Conceptual framework for the impact of transport disadvantage on travel frequency

将客观建成环境、居民社会经济属性设定为外生变量，感知交通弱势为二者作用于出行行为的中介。感知交通弱势包含空间弱势和时间弱势两个维度。客观建成环境主要基于“5D”框架进行测度。基于概念模型的构建，本文提出三点基本假设：
H1：时空制约下的感知交通弱势对城市居民的出行频率有显著的负向影响，但这种影响因不同出行目的而异。
H2：感知交通弱势是空间建成环境特征和个人社会经济属性特征作用于交通弱势群体出行行为的重要中介。
H3：感知交通弱势对交通弱势群体出行频率的影响存在空间分异。

3 研究方法与数据来源

3.1 研究区域及数据来源

本文数据主要来源于课题组2022年开展的“西安市居民建成环境感知与出行行为调查”。调查区域涵盖了西安市七个主城区：长安区、雁塔区、莲湖区、碑林区、新城区、未央区以及灞桥区（图2）。调查使用规模大小成比例的概率抽样法（sampling with probability proportional to size, PPS）进行分层次分类型抽样。首先，在西安市主城区的59个街道中按照等比例抽样法，分别在市中心和郊区各抽取7个和11个街道。其次，选取社区层面的人口密度、房价、租金、社区类型、距市中心的距离等指标，通过聚类分析，按照等比例随机抽样方法选取不同类型社区，共抽取35个社区。最后根据样本合理容量和每种类型社区的常住人口占比分配社区的问卷数量，再从每个社区中随机抽取被访者进行问卷调查。问卷受访者皆为18岁以上居住在西安市的城市居民。问卷调查前，选择“铁路小区”和“徐家庄村”两个社区进行预调研，并结合被试反馈对问卷细节进行了修改。
图2 调查范围及样本社区空间分布

Fig. 2 Survey scope and spatial distribution of sample residential complexes

最终收集有效问卷1544份，有效率为89.4%。将样本的人口结构与西安2020年第七次人口普查数据进行对比（表1），结果显示样本性别结构与第七次人口普查数据基本接近，年龄结构符合中间大两头小的比例结构，65岁以上老年人群体占比相对偏低。受教育程度来看，初中及以下学历群体占比相对偏低，专科及以上学历群体占比相对偏高。
表 1 样本结构与西安人口结构对比

Tab. 1 Comparison of the sample structure and Xi'an's population structure

指标 分类 问卷数据 2020年人口普查数据
人数（人） 占比（%） 占比（%）
性别 男性 774 50.13 51.07
女性 770 49.87 48.93
年龄（岁） 19~30 658 42.62 21.21
31~55 806 52.20 50.76
56~65 61 3.95 14.28
≥66 19 1.23 13.74
受教育程度 初中及以下 277 17.94 46.22
高中 467 30.25 30.34
专科及以上 800 51.81 33.74
户口类型 本市（西安市） 1177 76.23 53.91
外地 367 23.77 46.09
本文所使用的其他数据包括：西安市公共服务设施兴趣点数据（Point of Interest, POI）主要通过高德地图下载器获取，并导入ArcGIS中进行矢量化。“等时圈交通圈”数据来源于规划云网站的“等时圈交通圈”计算工具。西安市道路网络数据来源于高德电子地图数据。人口密度栅格数据通过WorldPop提取。

3.2 研究变量

3.2.1 因变量

本文因变量为居民出行行为，包含弹性出行（娱乐性出行与生活日常出行）频率和刚性出行时间（通勤时间）。弹性出行频率通过问卷调查获取。问卷中，询问了受访者“如果天气良好，一个月内使用不同的交通工具的娱乐出行和生活日常出行的频率”，基于六点序数划分为“从不”“每月少于一次”“每月1~3次”“每周一次”“每周2~3次”到“每周3~5次”。参考已有文献[45,46]对出行频率的换算方法，本文对每个类别计算平均值，并四舍五入为整数，重新赋值为每月0、1、2、4、11和19次。刚性出行中的通勤时间来源于问卷调查中出行日志数据。

3.2.2 自变量

本文使用的自变量包括客观建成环境、感知交通弱势和居民社会经济属性三类（表2）。
表2 变量描述性统计

Tab. 2 Descriptive statistics of variables

变量 类别 指标 说明 均值 标准差
因变量 出行行为 购物出行频率（次/月） 购物出行包括日常性购物和阶段性购物出行 16.602 16.568
休闲出行频率（次/月） 休闲出行包括去运动馆、餐饮店、KTV、电影院、公园、游乐场等休闲娱乐场所的出行 15.926 16.330
生活出行频率（次/月） 生活出行包括去银行、美容美发店、医院、洗衣店、宠物服务店和走亲访友等 12.630 15.262
通勤时间（min） 往返通勤的总时间 34.890 34.885
自变量 社会经
济属性		 性别 男性（50.129%）；女性（49.871%） — —
年龄（岁） 单位：岁 34.506 10.213
受教育程度 小学及以下=1；初中=2；高中（含中专、职高）=3；大专、本科=4；研究生及以上=5 3.339 0.901
是否拥有小汽车 拥有小汽车（51.878%）；无小汽车（48.122%） — —
家庭年收入 0~30000元=1；30001~60000元=2；60001~100000元=3；100001~250000元=4；250001~500000元=5；>500000元=6 2.944 1.137
客观建
成环境		 商业设施可达性（个/km2） 缓冲区内购物中心和商场数量/缓冲区面积 1.027 1.071
公园广场可达性 基于不同交通方式阈值的不同等级公园广场最短可达时间的倒数 0.098 0.046
休闲设施可达性（个/km2） 缓冲区内运动馆、餐饮店、KTV、电影院数量/缓冲区面积 11.223 7.085
生活服务设施可达性（个/km2） 缓冲区内银行、理发店、医院数量/缓冲区面积 35.129 20.394
公交可达性 缓冲区内所有公交站点300 m半径范围的累加最大投影面积与所有经过的公交线路总数归一化后的相加值 6.426 3.429
到最近地铁站距离（km） 从居住社区质心到最近地铁站的路网距离 1.140 0.604
就业可达性（个/人） 实际和潜在就业岗位数之和与本街道适龄就业人口的比例 0.121 0.063
人口密度（千人/km2） 缓冲区人口数/缓冲区面积 13.295 16.432
绿色度 缓冲区内归一化植被指数（NDVI） 0.352 0.031
道路网密度（km/km2） 缓冲区内的道路长度/缓冲圈面积 9.227 3.422
停车场密度（个/km2） 缓冲区内的停车场个数/缓冲圈面积 39.562 24.635
土地利用混合度 缓冲区内的土地利用多样性 6.900 1.161
到市中心距离（km） 基于高德地图查询的到市中心（钟楼）的路网距离 10.952 3.655
感知交
通弱势		 感知空间弱势 基于问卷相关问题的验证性因子分析指数 — —
感知时间弱势 基于问卷相关问题的得分平均值 3.505 1.289
（1）客观建成环境。以居住社区15 min 步行生活圈为缓冲区，使用 ArcGIS10.2 进行空间分析后得到客观建成环境变量。
商业设施可达性、休闲设施可达性、生活服务设施可达性采用累计机会度量方法（Cumulative-opportunity measures）进行计算。其中，商业设施包含购物中心及商场，休闲娱乐设施包含运动馆、餐饮店、KTV以及电影院。生活服务设施包含银行、理发店以及医院。考虑到公园广场设施存在相应的等级分类，因此，使用改进型最近距离法测算公园广场可达性。公交可达性的测度分为两部分：首先，计算缓冲区内所有公交站点300 m半径范围的累加最大投影面积与缓冲区面积的比值。其次，将每个公交站点经过的公交线路的总数量除以缓冲区面积，并进行归一化，最终的公交可达性指标为以上两种方法相加所得。地铁可达性测度为每个居住社区质心到最近地铁站点的路网距离。就业可达性的测度参考Ong等[47]的研究方法，以街道作为最小空间单元，使用本街道就业岗位数及周边街道潜在就业岗位数之和与本街道适龄就业人口的比例计算。
人口密度数据基于WorldPop人口密度栅格数据按照缓冲区进行提取所得，并使用缓冲区内人口数/缓冲区面积进行测度。绿色度则使用归一化植被指数（NDVI）衡量；道路网密度为小区步行15 min等时圈内的道路长度/等时圈面积；停车场密度为停车场个数/缓冲区面积。土地利用混合度计算使用了缓冲区内的公园广场、住宅、住宿服务、政府机构及社会团体、医疗保健服务、体育休闲、生活服务、科教文化、交通服务、购物服务数量、公司企业、餐饮服务13类兴趣点（POI）数据，并使用Hill[48]生物多样性指数法来计算土地利用混合度。计算公式如下：
E = 1 / ( ∑ i = 1 n P i q ) 1 / ( 1 - q )
式中： E表示土地利用混合度； P i表示第 i种POI的相对多样性，即POI所占的数量比；参数 q为级数，它反映了多样性指数对物种的敏感程度。结合已有文献，对参数 q的取值经验，本研究使用 q = 2进行计算。指数值越大，土地利用混合程度越高。
（2）感知交通弱势。感知交通弱势基于问卷调查进行主观测度，包含空间和时间两个维度。空间弱势包括以下问题：“我到达附近公交站点不方便”“我不能很方便地使用交通工具去我想去的地方”“我的出行会受到目前居住地位置的影响”，被访者基于七点序数，从“非常不赞同”到“非常赞同”共7级量表进行选择，然后通过验证性因子分析（confirmatory factor analysis, CFA），得到居民感知空间弱势值。时间弱势包括以下问题：“我夜间出行不方便”“我不能自由支配我的出行时间”，同样基于七点序数，通过取两项问题得分平均值，得到居民感知时间弱势。
（3）居民社会经济属性。包括受访者性别、年龄、受教育程度、小汽车拥有、家庭年收入等变量。数据均通过问卷调查获取。

4 时空制约下的交通弱势与出行行为特征

4.1 时空制约下的交通弱势特征

4.1.1 交通弱势的社会经济分异

本文从时间和空间制约两个维度测度了样本的主观感知交通弱势，试图探讨具有怎样社会经济属性的居民更容易感知到时间/空间弱势。
使用Origin对感知时间/空间弱势与样本的社会经济属性特征进行皮尔逊相关性分析，并绘制相关性热图（图3）。可以发现男性与时间弱势的相关性显著，系数为-0.119，但与空间弱势的相关性不显著，即女性更容易感知到时间弱势，这可能是由于女性要更多地承担家务、照顾家人等活动，在选择自由出行的时间方面受到限制。年龄和受教育程度与感知时间弱势无显著相关性，但与感知空间弱势显著相关，相关性系数分别为0.106和-0.200。年龄越大和受教育程度越低的样本感知到的空间弱势程度越强。与以往研究结果类似，本文也发现没有小汽车及家庭年收入低的群体感知到时间和空间弱势的程度更强。
图3 感知时间/空间弱势与社会经济属性特征的相关性

注：**、*分别表示在1%~5%、 10%水平上显著。

Fig. 3 Correlation of perceived temporal/spatial disadvantage with socio-economic attribute characteristics

描述性统计结果表明，1544名受访者感知时间/空间弱势值的中位数分别为3.5/-0.033687。以中位数为门槛，将样本划分为高低感知时间/空间弱势四类群体，并使用独立样本t检验方法，比较其社会经济属性特征差异。结果如表3所示，无论是时间弱势还是空间弱势，高弱势群体与低弱势群体在年龄、小汽车拥有及家庭年收入的独立样本T检验结果均在1%~5%的水平上显著，具有显著差异。
表3 感知时间/空间弱势群体的社会经济属性特征

Tab. 3 Socio-economic attribute characteristics of perceived temporal/spatial disadvantage

指标 平均值 标准偏差 T检验
显著性
（sig值）		 平均值 标准偏差 T检验
显著性
（sig值）
高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）
男性（%） 46.623 55.272 — — 0.001*** 48.187 52.073 — — 0.127
年龄（岁） 33.956 35.312 9.862 10.656 0.010** 35.478 33.534 11.398 8.763 0.000***
小汽车拥有（%） 47.603 58.147 — — 0.000*** 43.653 60.104 — — 0.000***
受教育程度 3.308 3.383 0.923 0.866 0.108 3.168 3.509 0.943 0.823 0.000***
家庭年收入 2.790 3.171 1.117 1.128 0.000*** 2.289 3.600 1.056 0.781 0.000***

注：***、**分别表示在1%、1%~5%水平上显著；N表示样本数量。

高感知时间弱势的群体中，女性占比大，但在空间弱势上，并未观察到两组群体具有显著性别差异。感知到高时间弱势的群体平均年龄低于低弱势群体，而感知到高空间弱势群体的平均年龄则高于低弱势群体。这在一定程度上表明中青年群体更容易受到时间限制，而老年人对空间便利性更敏感。在性别方面，高感知时间和空间交通弱势群体拥有小汽车的占比均显著低于低弱势群体。从受教育程度来看，高感知时间弱势群体平均受教育程度低于低弱势群体。高感知时间和空间的弱势群体，平均收入均显著低于低弱势群体。

4.1.2 交通弱势的建成环境分异

城市居民的感知交通弱势不仅因自身的社会经济属性特征而不同，也因居住建成环境而异。因此，本文进一步探究城市居民在怎样的城市空间环境中，更容易感知到交通弱势。
选取不同设施的可达性、人口密度、绿色度、道路网密度、停车场密度、土地利用混合度等变量表征客观建成环境特征，其与感知交通弱势的相关性分析结果见图4。可以发现商业设施、公园广场、休闲设施、生活服务设施的可达性和公交可达性越好的区域，感知时间/空间弱势的程度越低。居住地离地铁站点较远、就业可达性低的居民越容易感知到时间弱势。绿色度、道路网密度、停车场密度、土地利用混合度与感知时间/空间弱势没有显著相关性。
图4 感知时间/空间弱势与建成环境特征的相关性

注：**、*分别表示在1%~5%、10%水平上显著。

Fig. 4 Correlation of perceived temporal/spatial disadvantage with built environment characteristics

区分高感知时间/空间弱势群体和低感知时间/空间弱势群体后，比较两组群体的居住地建成环境特征，描述性统计以及独立样本T检验结果如表4所示。可达性变量所表现出的群体差异更明显，即低感知空间弱势群体的居住地商业设施、公园广场、休闲设施、生活服务设施、公交和就业可达性均显著高于高感知空间弱势群体。此外，低感知空间弱势群体居住地的绿色度和道路网密度也显著更高。从感知时间弱势来看，两类群体居住地的大多建成环境变量都不具有显著差异。但高感知时间和空间弱势群体居住地离地铁站点的距离相对更远，就业可达性更低。
表4 感知时间/空间弱势群体的客观建成环境特征

Tab. 4 Built environment characteristics of perceived temporal/spatial disadvantage

指标 平均值 标准偏差 T检验
显著性（sig值）		 平均值 标准偏差 T检验
显著性
（sig值）
高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）
商业设施可达性
（个/km2）		 1.05 1.02 0.97 1.02 0.52 1.05 1.03 1.03 0.94 0.02**
公园广场可达性 0.10 0.10 0.05 0.05 0.86 0.09 0.11 9.04 0.05 0.00***
休闲设施可达性
（个/km2）		 11.62 11.03 6.82 7.23 0.10 11.26 11.49 7.14 6.84 0.07***
生活服务设施可
达性（个/km2）		 38.63 35.36 22.37 21.62 0.36 36.42 38.19 22.23 21.98 0.00***
公交可达性 6.56 6.62 3.36 3.45 0.74 6.16 7.01 3.05 3.66 0.00***
到最近地铁站距
离（km）		 1.18 1.08 0.61 0.59 0.00*** 1.21 1.07 0.63 0.57 0.00***
就业可达性（个/人） 0.11 0.12 0.06 0.06 0.01** 0.11 0.12 0.06 0.06 0.01***
人口密度
（千人/km2）		 12.15 12.18 14.33 14.81 0.97 12.69 11.63 15.60 13.35 0.15
绿色度 0.42 0.42 0.09 0.08 0.18 0.40 0.43 0.08 0.11 0.00***
道路网密度
（km/km2）		 9.37 9.54 3.94 3.31 0.37 9.28 9.59 3.77 3.61 0.09*
停车场密度
（个/km2）		 39.13 39.21 23.55 25.06 0.95 38.75 39.58 24.08 24.26 0.50
土地利用混合度 6.90 6.91 1.14 1.21 0.86 6.86 6.95 1.21 1.13 0.10
到市中心距离（km） 11.00 10.88 3.57 3.78 0.52 10.91 10.99 3.79 3.52 0.66

注：***、**和*分别表示在1%、1%~5%和10%水平上显著； N表示样本数量。

此外，本研究根据样本的居住地，将1544个问卷样本抽象为点状要素落在空间中，并使用核密度估计法，评估样本点的感知空间/时间弱势值在空间上的集聚分布程度。该方法假设地理事件发生的概率随空间位置的变化而变化，其中地理事件在点要素越集聚的区域发生的概率越高[49]。基于每个样本的感知空间/时间弱势值，使用ArcGIS10.2核密度工具生成对居民感知时间/空间弱势空间分布的核密度热点图（图5）。核密度越高，意味着感知空间/时间弱势高值在空间上分布越集聚。如图5所示，从市中心区域到郊区，感知时间与空间弱势的核密度值均呈现越来越高的增长趋势，表明感知弱势高值在郊区集聚。同时，本文对交通弱势样本数据进行独立样本T检验，结果显示感知时间与空间弱势在市中心与郊区的差异显著。郊区作为特殊的城市地域，其空间隔离现象更加明显，交通弱势问题更加突出。
图5 感知时间/空间弱势核密度

Fig. 5 Kernel density for perceived temporal/spatial disadvantage

4.2 时间/空间弱势群体的出行行为特征

使用皮尔逊相关性分析法探究感知时间/空间弱势与出行行为的相关性（图6）。结果表明，感知时间弱势与购物、休闲、生活出行频率显著负相关，但与通勤时间不相关。这表明，感知时间弱势与弹性出行频率的减少有关，但可能并不会影响类似通勤的刚性出行。感知空间弱势与购物出行频率、休闲出行频率、生活出行频率、通勤时间均未观察到显著相关性。
图6 感知时间/空间弱势与出行频率的相关性

注：**表示在1%~5%水平上显著。

Fig. 6 Correlation of perceived temporal/spatial disadvantage with travel frequency

比较高低感知时间/空间弱势群体的出行频率特征（表5），发现在通勤时间上无显著差异。但高感知时间弱势群体的购物、休闲、生活出行频率都显著低于低感知时间弱势群体。高感知空间弱势群体的休闲出行频率显著低于低感知空间弱势群体。
表5 感知时间/空间弱势群体的出行频率

Tab. 5 Travel frequency of perceived temporal/spatial disadvantage

指标 平均值 标准偏差 T检验
显著性
（sig值）		 平均值 标准偏差 T检验
显著性
（sig值）
高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高时间
弱势
（N=918）		 低时间
弱势
（N=626）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）		 高空间
弱势
（N=772）		 低空间
弱势
（N=772）
购物出行频率（次/月） 14.745 19.326 15.060 18.219 0.000*** 16.764 16.440 16.828 16.301 0.701
休闲出行频率（次/月） 14.440 18.105 15.727 16.942 0.000*** 14.942 16.911 14.481 17.936 0.018**
生活出行频率（次/月） 11.223 14.692 14.026 16.699 0.000*** 12.216 13.043 14.975 15.532 0.288
通勤时间（min） 34.906 34.866 36.211 32.843 0.982 35.845 33.935 40.233 28.520 0.283

注：***、**分别表示在1%、1%~5%水平上显著；N表示样本数量。

5 交通弱势对出行行为的影响机理

本文采用结构方程模型（Structural equation model, SEM）分析交通弱势群体出行行为的影响因素与路径，将感知空间和时间弱势值位于中位数以上的样本界定为交通弱势群体（样本数N=790），分别以购物出行频率（模型1）、休闲出行频率（模型2）、生活服务出行频率（模型3）、通勤时间（模型4）为因变量进行SEM计算。其次，将交通弱势群体区分为居住在市中心（样本数N=205）和郊区的交通弱势群体样本（样本数N=585），构建SEM模型。通过反复的模型构建和验证，发现对市中心区样本而言，感知时间和空间弱势均不对出行行为产生显著影响。因此，本文仅报告了居住在郊区的感知交通弱势群体的购物出行频率（模型5）、休闲出行频率（模型6）、生活服务出行频率（模型7）、通勤时间（模型8）的模型结果。

5.1 交通弱势群体的模型结果

5.1.1 交通弱势对出行行为的直接效应（H1）

（1）感知空间弱势对城市居民的出行频率具有显著的直接负向影响。研究结果符合研究假设H1。但感知时间弱势对出行行为的影响不显著（图7）。这在一定程度上表明，地理空间障碍和设施分布不均衡带来的空间弱势感知会更直接地影响到个体的出行决策。
图7 交通弱势群体模型标准化参数估计与路径

注：① ***、**、*分别表示在1%、1%~5%、10%水平上显著；② 影响路径上的值分别为总体效应、直接效应和间接效应，如仅有一个值则为直接效应，表明无间接效应和总效应；③ 模型拟合：比较拟合指数（CFI）>0.9，近似误差均方根（RMSEA）<0.1，标准化根均方残差（SRMR）<0.08。

Fig. 7 Standardized parameter estimation and path diagram model of transport disadvantage groups

（2）交通弱势对出行行为的影响因不同出行目的而异。空间弱势仅会影响购物、休闲与生活服务的出行频率，而对通勤时间没有显著影响。基于（travel time budget theory, TTB）理论[50]，通勤是交通出行的刚性需求，也是一种稳定的基本出行需求，个体可能无法轻易改变或调整通勤方式和职住地点，导致其通勤时间相对稳定。相比而言，购物、休闲娱乐及生活服务出行均属于弹性出行，其在出行的必要性、出行方式选择的替代性方面更为灵活。交通弱势更易对弹性出行产生影响。

5.1.2 交通弱势影响出行行为的中介效应（H2）

（1）客观建成环境影响出行行为的直接效应。对于购物出行而言，公交可达性、停车场密度、到最近地铁站距离会显著影响交通弱势群体的购物出行频率（图7a）。其中，公交可达性越好，弱势群体的购物出行频率越高。这与已有的研究结论一致[51]。居住在离地铁站越近的居民越容易购物出行。因为轨道交通投资一定程度上增加了出行便利度，降低了居民前往附近目的地的出行成本。同样，停车场密度越高，购物出行比率也越高。较高的停车场密度增加了机动车出行的便利性，从而带来购物出行的增加。
对于休闲出行而言，路网密度、公园广场可达性、休闲设施可达性、公交可达性、到最近地铁站距离、到市中心距离均会显著影响休闲出行频率（图7b）。其中，路网密度越高，休闲出行频率越低。因为高路网密度通常伴随着城市交通拥堵可能性的增加。当交通拥堵问题严重时，个体可能更倾向于避免休闲出行，以减少交通不便带来的时间成本和不适感。此外，高路网密度的地区通常具有更多的便利设施，降低了在其他区域休闲出行的必要性。公园广场可达性、休闲设施可达性越好，越会促进弱势群体休闲出行，这符合常规性认识。居住在离市中心距离越近区域的居民，休闲出行频率越高。因为市中心区域通常集中了多类文化娱乐设施，同时交通便捷性也增加了居民进行休闲活动的便利程度。
对于日常生活服务出行而言，人口密度、路网密度、停车场密度与生活服务设施可达性均会对其产生显著影响（图7c）。居住地人口密度越高，弱势群体的生活服务出行频率越高，可能的原因在于，高人口密度地区通常更容易获得更丰富的基础设施和公共服务，因此日常生活服务出行会相对增多。居住地路网密度越高，休闲出行频率越低。停车场密度和生活服务设施可达性越高，生活服务出行比率越高。
对于通勤行为而言，人口密度、到市中心的距离、绿色度、到最近地铁站点的距离、就业可达性会显著影响弱势群体通勤时间（图7d）。人口密度和到市中心的距离均对交通弱势群体的通勤时间产生正向影响。结合本研究的问卷调查和访谈，发现感知交通弱势值最高的群体出现两极分化，由于受到收入限制，他们一部分住在远郊，另一部分住在市中心老旧社区和城中村。由于市中心附近的就业岗位收入相对更高，对劳动者技能和知识水平要求更高，住在市中心的交通弱势群体很难在附近找到匹配的工作，只能到郊区就业，从而有较长的通勤时间。而居住在远郊的交通弱势群体，由于居住地周边交通设施的不完备，以及缺乏个体交通工具的限制，即使其通勤距离不长，但通勤时间往往较长。居住地距离地铁站越近，通勤时间越短，因为地铁系统提供了高效、便捷和可预测的交通选择，减少了通勤过程中的不确定性和时间浪费。类似于以往研究发现[52,53]，就业可达性对交通弱势群体的通勤时间具有显著负效应。就业可达性高的区域往往分布着较多的就业岗位数，为交通弱势群体提供更多的潜在就业机会，进而实现就近通勤，减少了通勤距离与通勤时间。
（2）个人社会经济属性影响出行行为的直接效应。从社会经济属性来看，在模型1至模型4中，受教育程度均呈现显著的正效应。这表明受教育程度越高的交通弱势群体，购物出行、休闲出行、日常生活服务出行的频率均更高，但通勤时间也相对更长。类似的，家庭年收入对休闲出行频率、生活服务出行频率和通勤时间均有显著的正效应。是否拥有小汽车对弹性出行频率没有显著影响，但拥有小汽车的居民，通勤时间更短。
（3）交通弱势影响出行行为的中介效应。除了直接效应外，本研究发现了“公交可达性→空间弱势→购物出行频率”“到最近地铁站点的距离→空间弱势→购物出行频率”“到最近地铁站点的距离→空间弱势→休闲出行频率”“生活服务设施可达性→空间弱势→生活服务出行频率”等影响路径。这表明：
较差的公交可达性不仅会直接影响交通弱势群体的购物出行频率，还会导致城市居民感知到较高的空间弱势，从而增强了其对购物出行的影响。弱势群体居住地离地铁站越远，感知到空间弱势程度越高，从而导致购物出行和休闲出行频率越低。由于地铁有效压缩了城市内部之间的地理空间距离，提高了城市内部的区域可达性[54]，地铁可达性高的区域意味着区域要素的集聚程度较大，同样也会提供更多的设施机会。这使得居住在地铁站附近的居民感知的空间弱势程度相对更低，其购物与休闲出行次数也会更多。
生活服务出行可达性的增加会通过降低弱势群体的空间弱势进而提升生活服务出行频率。良好的日常生活服务设施可达性有助于降低弱势群体的空间障碍。提高可达性意味着这些群体更容易进入到日常生活服务场所，减少了由于地理距离和交通限制而造成的出行困难。

5.2 交通弱势群体影响出行行为的空间差异（H3）

5.2.1 直接效应

考虑到感知交通弱势高值在郊区集聚的特征，本文重点探讨了郊区交通弱势群体出行行为的影响因素和作用机制，关注城市郊区所表现出的特殊效应（图8）。主要研究发现如下：
图8 郊区交通弱势群体模型标准化参数估计与路径

注：① ***、**、*分别表示在1%、1%~5%、10%水平上显著；② 影响路径上的值分别为总体效应、直接效应和间接效应，如仅有一个值则为直接效应，表明无间接效应和总效应；③ 模型拟合：比较拟合指数（CFI）>0.9，近似误差均方根（RMSEA）<0.1，标准化根均方残差（SRMR）<0.08。

Fig. 8 Standardized parameter estimation and path diagram of the model of suburban transport disadvantage groups

（1）感知时间与空间弱势均对郊区交通弱势群体的弹性出行行为产生显著负向的直接效应。表明感知空间和时间弱势越强，郊区交通弱势群体的购物、休闲与日常生活服务出行频率越低。一方面，郊区中的交通网络便捷程度往往弱于中心区域，且弱势群体由于出行方式选择受限，往往需要更多自由支配的时间来应对交通不便，如等待公交车、步行到交通站点等。因此，郊区弱势群体可能需要花费更多的时间来完成相同的任务，感知到的时间弱势更强，进而影响了郊区背景下弱势群体的弹性出行频率。
（2）感知空间弱势对刚性出行（通勤时间）产生显著正向的直接效应，但感知时间弱势变量却不显著。感知空间弱势程度每增加一个单位，通勤时间就会增加0.1个单位。原因可能在于：一方面居住在远郊的交通弱势群体，居住地周边交通设施不完备，尤其是公共交通服务相对较差，因此需要绕行、更多次数的换乘、更长的等待公共交通时间或走更远的距离到达公交站点，相应的这些群体感知到的空间弱势会更加强烈，他们即使通勤距离不长，但通勤时间也往往较长。此外，通过t-test检验比较居住在郊区的交通弱势群体和居住在市中心区域的交通弱势群体的收入差异，发现前者的家庭年收入等级平均值（2.72）显著低于后者（2.87）。这表明，郊区交通弱势群体受交通工具选择及职住区位选择的限制更大，感知到的空间弱势更强，从而面对更大的通勤时间挑战。因此，郊区交通弱势群体的通勤行为是地理位置、交通网络、公共交通可达性、交通成本和社会经济因素等多种因素相互叠加和复杂作用的结果。由于通勤是一种稳定的基本出行需求，感知时间弱势对通勤时间不产生显著影响。
（3）客观建成环境对郊区交通弱势群体的出行行为具有直接效应。居住地人口密度越大，郊区交通弱势群体的购物、休闲与日常生活服务出行频率越高，但对通勤时间无显著影响。人口密度相对较高的区域往往具有更多的设施多样性，包括不同类型的商店、娱乐场所和日常服务场所，从而吸引和鼓励了交通弱势群体更多的弹性出行。绿色度对郊区交通弱势群体的购物、休闲与日常生活服务出行频率和通勤时间都产生显著负效应，可能的原因是，郊区绿色度较好的区域往往集中在城乡结合的边缘区域或郊野公园周边，在该区域居住的弱势群体往往面临着更为严重的空间隔离和设施不便，因此弹性出行频率更低，且受制于区位和交通条件限制，他们更倾向于就近工作。居住在路网密度越高的区域，生活服务出行频率越高。设施可达性对郊区交通弱势群体的出行频率产生显著正向影响。商业设施、生活服务设施和公交可达性越好，购物、休闲服务及生活服务出行频率也相应越高；居住在离地铁站点越远区域的郊区交通弱势群体通勤时间越长，以上发现符合预期假设。

5.2.2 影响路径

（1）感知空间弱势是环境和个人社会经济特征影响出行行为的重要中介。对于郊区交通弱势群体，本文发现了“人口密度→空间弱势→生活服务出行频率”“商业设施可达性→空间弱势→购物出行频率”“生活设施可达性→空间弱势→生活服务出行频率”“公交可达性→空间弱势→通勤时间”等客观建成环境通过感知空间弱势影响出行行为的路径。总体上，居住在人口密度高、设施可达性好、公共交通相对方便区域的交通弱势群体感知到的空间弱势程度相对更低，从而会有更高的弹性出行频率。其次，本文还发现了“受教育程度/小汽车拥有→空间弱势→购物出行频率/通勤时间”的路径。受教育程度越高，拥有小汽车的群体感知到的空间弱势程度相对较小，购物出行频率相对更高，通勤时间相对较短。
（2）感知时间弱势是收入影响郊区交通弱势群体弹性出行频率的重要中介。本研究发现了“家庭年收入→时间弱势→购物出行频率/休闲出行频率/生活服务出行频率”的影响路径。有趣的是，与以往研究关于收入越低的群体越容易处于交通弱势地位的发现不同，对于郊区交通弱势群体而言，家庭年收入越高，感知到的时间弱势程度越强，购物、休闲、生活服务出行的频率均越低。原因可能是对于郊区交通弱势群体而言，随着收入的增加，他们受到空间隔离和限制的程度降低，可选择居住和就业区域的能力范围增大，因此可能带来更长的通勤时间，从而导致进行购物、休闲等活动的可支配时间减少，感知到的时间弱势程度更强。

6 结论与讨论

6.1 结论

本文基于2022年西安市居民建成环境感知与出行行为调查数据，采用结构方程模型探讨了时空制约下的交通弱势特征、影响效应、作用路径及空间差异，得到以下主要结论：
（1）时空制约下的感知交通弱势具有明显的社会经济和空间分异特征。从感知时间和空间弱势的社会经济分异特征来看，年龄越大、受教育程度越低、没有小汽车及家庭年收入越低的群体，感知到的空间弱势程度越高。女性和中青年群体更容易受到时间限制，感知到的时间弱势程度相对更高。从空间特征来看，出现了明显的感知时间/空间弱势高值在郊区集聚的特征。此外，居住地设施可达性、绿色度、道路网密度等建成环境特征也表现出和感知时间和空间弱势的显著正相关性。
（2）地理空间障碍和设施分布不均衡带来的空间弱势感知是影响交通弱势群体出行决策的关键因素。空间弱势会对交通弱势群体的购物、休闲与生活服务等弹性出行的频率产生负向直接影响，而对通勤时间没有显著影响。无论是弹性出行还是刚性出行，时间弱势的影响均不显著。
（3）感知空间弱势是空间建成环境特征作用于交通弱势群体出行行为的重要中介。公交可达性、到地铁站点的距离通过影响感知空间弱势从而影响了购物和休闲出行频率。生活服务设施可达性通过影响感知空间弱势从而影响了生活服务出行频率。
（4）感知交通弱势对出行频率的影响在郊区表现出更显著的直接和中介效应。感知时间与空间弱势越高，郊区交通弱势群体的弹性出行频率越低。感知空间弱势是客观建成环境和个人社会经济属性影响出行行为的重要中介，而感知时间弱势是收入影响弹性出行频率的重要中介。总体上，居住在人口密度高、设施可达性好、公共交通相对方便区域的郊区交通弱势群体感知到的空间弱势程度相对更低，从而会有更高的弹性出行频率。受教育程度高，拥有小汽车的群体感知到的空间弱势程度相对较小，购物出行频率相对更高，通勤时间相对较短。对于郊区交通弱势群体而言，家庭年收入越高，感知到的时间弱势程度越强，购物、休闲、生活服务出行的频率均越低。

6.2 讨论

在我国城市空间扩张、郊区化和社会空间转型的复杂背景下，城市社会空间碎片化、弱势群体空间隔离与边缘化现象凸显[54,55]。弱势群体的出行方式和获得交通工具的机会存在严重不平等，弱势群体由于难以承担较高的生活成本，更易受到获得机会、服务和便利设施不足等交通所带来的负外部性影响。深入理解地理空间不均衡、时间制约性、社会经济特征导致的交通弱势与居民出行行为的内在因果关系和复杂作用机理，可为空间环境优化和社会治理提供科学决策支持。结合本文主要结论，有以下几点讨论：
首先，本文发现居住地公共交通可达性等空间环境特征是影响交通弱势和出行行为的重要因素。空间分异结果表明，交通弱势群体集聚在更为分散的郊区，感知空间和时间弱势对出行行为的影响在郊区均表现出更显著的直接和中介效应。相较于中心城区较为完善的公共交通网络建设，郊区展现出地铁通达率不足、公共汽车密度低和快速路网依赖的特征[56]。迫切需要加快推进公共交通主导的郊区空间发展建设，提升公共交通网络密度、运营效率及服务质效，为弱势群体更方便的选择居住地与就业地提供便利[57]。应在目前相对低密度的郊区环境中加快土地利用集约化，完善公共服务设施配置，推进郊区15分钟社区生活圈建设，构建更为完善的公共活动空间。
其次，由于交通弱势群体具有明显的社会分异特征：即女性、年龄大、受教育程度低、没有小汽车及家庭年收入低的群体更易感知到交通弱势。这在一定程度上表明，出行费用与时间成本，以及参加活动成本，是阻碍交通弱势群体出行和社会交往的重要因素。基于此，制定更加精准化的社会治理政策关键且必要。可以结合不同属性下交通弱势群体社区空间使用规律来制定社区服务设施的空间布局与时间管理方案，为居民提供个性化服务，如：个性化信息发布、个人决策支持服务、行为引导等。
本文也存在一些不足：首先，受到研究样本回忆时效性与认知偏差等影响，整日活动日志可能会与真实活动有所偏差。其次，本研究是基于截面数据的横向研究，无法推断交通弱势与出行行为的因果关系。

真诚感谢两位匿名评审专家在本论文评审中付出的时间与精力，评审专家对本文逻辑梳理、结论与讨论、语言表述等方面的修改意见，使本文获益匪浅。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Mukim M, Roberts M. Thriving: Making Cities Green, Resilient, and Inclusive in a Changing Climate, Washington, DC, USA: The World Bank, 2023: 1-52.

[2]
UN-Habitat. World Cities Report 2000. New York: United Nations, 2000: 1-41.

[3]
United Nations. Transforming Our World: The 2030 Agenda for Sustainable Development. New York: The United Nations, 2015.

[4]
World Bank. Urban Sustainability Framework. Washington, DC: World Bank, 2018: 4-6.

[5]
Luke R. Car ownership perceptions and intentions amongst South African students. Journal of Transport Geography, 2018, 66: 135-143. DOI: 10.1016/j.jtrangeo.2017.11.010.

[6]
Sharma S. Factors influencing travel behavior and mode choice. 2019. https://www.geospatialworld.net/blogs/factors-influencing-travel-behavior-and-mode-choice/, 2024-07-15.

[7]
Smith M, Ikeda E, Hawley G, et al. An integrated conceptual model of environmental needs for New Zealand children's active travel to school. Journal of Transport & Health, 2020, 16: 100814. DOI: 10.1016/j.jth.2019.100814.

[8]
Wang D, Zhou M. The built environment and travel behavior in urban China: A literature review. Transportation Research Part D: Transport and Environment, 2017, 52: 574-585. DOI: 10.1016/j.trd.2016.10.031.

[9]
Kizony R, Schreuer N, Rotenberg S, et al. Participation in out-of-home activities among older adults: The role of mobility, attitudes and travel behaviors. Journal of Transport & Health, 2020, 17: 100846. DOI: 10.1016/j.jth.2020.100846.

[10]
Pyrialakou V D, Gkritza K, Fricker J D. Accessibility, mobility, and realized travel behavior: Assessing transport disadvantage from a policy perspective. Journal of Transport Geography, 2016, 51: 252-269. DOI: 10.1016/j.jtrangeo.2016.02.001.

[11]
Kakar I, Peden M, Jagnoor J. Intersectionality based policy analysis: Equity in mobility in India. Transport Policy, 2021, 101: 14-22. DOI: 10.1136/injuryprev-2022-safety2022.224.

[12]
Yigitcanlar T, Kamruzzaman M. Investigating the interplay between transport, land use and the environment: A review of the literature. International Journal of Environmental Science and Technology, 2014, 11: 2121-2132. DOI: 10.1007/s13762-014-0691-z.

[13]
Litman T. Evaluating transportation equity. World Transport Policy & Practice, 2002, 8(2): 50-65.

[14]
柴彦威, 沈洁. 基于居民移动: 活动行为的城市空间研究. 人文地理, 2006, 21(5): 108-112.

[Chai Yanwei, Shen Jie. Travel-activity based research frame of urban spatial structure. Human Geography, 2006, 21(5): 108-112.]. DOI: 10.3969/j.issn.1003-2398.2006.05.024.

[15]
申悦, 柴彦威. 基于日常活动空间的社会空间分异研究进展. 地理科学进展, 2018, 37(6): 853-862.

DOI

[Shen Yue, Chai Yanwei. Progress of research on sociospatial differentiation based on daily activity space of urban residents. Progress in Geography, 2018, 37(6): 853-862.]. DOI: 10.18306/dlkxjz.2018.06.012.

[16]
王世军. 中国城市机动性与社会排斥. 城市规划学刊, 2011, (4): 87-92.

[Wang Shijun. Urban mobility and social exclusion in China. Urban Planning Forum, 2011, (4): 87-92.]. DOI: 10.3969/j.issn.1000-3363.2011.04.013.

[17]
陈方, 吉选, 戢晓峰, 等. 城市交通中弱势群体的社会排斥及其对策. 昆明理工大学学报(社会科学版), 2014, 14(1):24-29.

[Chen Fang, Ji Xuan, Ji Xiaofeng, et al. Social exclusion of vulnerable groups in urban transportation and countermeasures. Journal of Kunming University of Science and Technology, 2014, 14(1): 24-29.]. DOI: 10.16112/j.cnki.53-1160/c.2014.01.009.

[18]
郭玉坤. 交通在缓解社会排斥中的作用. 城市问题, 2012, (11): 77-81.

[Guo Yukun. Role of the traffic in abating social exclusion. Urban Problems, 2012, (11): 77-81.]. DOI: 10.13239/j.bjsshkxy.cswt.2012.11.016.

[19]
Dodson J, Buchanan N, Gleeson B, et al. Investigating the social dimensions of transport disadvantage-I. Towards new concepts and methods. Urban Policy and Research, 2006, 24(4): 433-453. DOI: 10.1080/08111140601035317.

[20]
Yigitcanlar T, Rashid K, Dur F. Sustainable urban and transport development for transportation disadvantaged: A review. The Open Transportation Journal, 2006, 4: 1-8. DOI: 10.2174/1874447801004010001.

[21]
Social Exclusion Unit. Making the Connections:Final Report on Transport and Social Exclusion. London: Office of the Deputy Prime Minister, 2003: 9-11.

[22]
Loader C, Stanley J. Growing bus patronage and addressing transport disadvantage: The Melbourne experience. Transport Policy, 2009, 16(3): 106-114. DOI: 10.1016/j.tranpol.2009.02.001.

[23]
Currie G, Delbosc R. Modelling the social and psychological impacts of transport disadvantage. Transportation, 2010, 37(6): 953-966. DOI: 10.1007/s11116-010-9280-2.

[24]
Delbosc A, Currie G. Transport problems that matter-social and psychological links to transport disadvantage. Journal of Transport Geography, 2011, 19(1): 170-178. DOI: 10.1016/j.jtrangeo.2010.01.003.

[25]
Lucas K. Transport and social exclusion: Where are we now? Transport Policy, 2012, 20: 105-113. DOI: 10.1016/j.tranpol.2012.01.013.

[26]
Martens K. Justice in transport as justice in accessibility: Applying Walzer's 'Spheres of justice' to the transport sector. Transportation, 2012, 39(6): 1035-1053. DOI: 10.1007/s11116-012-9388-7.

[27]
Church A, Frost M, Sullivan K. Transport and social exclusion in London. Transport Policy, 2000, 7(3): 195-205. DOI: 10.1016/S0967-070X(00)00024-X.

[28]
Brown A, Taylor B D. Bridging the Gap between Mobility Haves and Have-Nots. In Three Revolutions: Steering Automated, Shared, and Electric Vehicles to a Better Future. Washington, DC, USA: Island Press/Center for Resource Economics, 2018: 131-150.

[29]
Kenyon S, Lyons G, Rafferty J. Transport and social exclusion: Investigating the possibility of promoting inclusion through virtual mobility. Journal of Transport Geography, 2002, 10(3): 207-219. DOI:10.1016/s0966-6923(02)00012-1.

[30]
Ricciardi A M, Xia J C, Currie G. Exploring public transport equity between separate disadvantaged cohorts: A case study in Perth, Australia. Journal of Transport Geography, 2015, 43: 111-122. DOI: 10.1016/j.jtrangeo.2015.01.011.

[31]
Hine J, Mitchell F. The role of transport in social exclusion in urban Scotland. Edinburgh, UK: Scottish Executive Central Research Unit, 2001.

[32]
Lucas K, Bates J, José Moore, et al. Modelling the relationship between travel behaviours and social disadvantage. Transportation Research Part A-policy and Practice, 2016, 85: 157-173. DOI: 10.1016/j.tra.2016.01.008.

[33]
陈晓萍, 周素红, 李秋萍, 等. 广州城市道路网的社会分异: 基于轨迹大数据的出行分布性别差异. 地理研究, 2021, 40(6): 1652-1666.

DOI

[Chen Xiaoping, Zhou Suhong, Li Qiuping, et al. Research on social differentiation of urban road network in Guangzhou: Gender differences of travel distribution based on trajectory data. Geographical Research, 2021, 40(6): 1652-1666.]. DOI: 10.11821/dlyj020200655.

[34]
黄晓燕, 曹小曙. 时空间行为视角下交通与社会排斥研究进展. 地理科学进展, 2022, 41(1): 107-117.

DOI

[Huang Xiaoyan, Cao Xiaoshu. Progress of research on transportation and social exclusion from the perspective of spatiotemporal behavior. Progress in Geography, 2022, 41(1): 107-117.]. DOI: 10.18306/dlkxjz.2022.01.010.

[35]
Neutens T, Versichele M, Schwanen T. Arranging place and time: A GIS tool kit to assess person-based accessibility of urban opportunities. Applied Geography, 2010, 30: 561-575. DOI: 10.1016/j.apgeog.2010.05.006.

[36]
Lucas K. Providing transport for social inclusion within a framework for environmental justice in the UK. Transportation Research Part A: Policy and Practice, 2006, 40(10): 801-809. DOI: 10.1016/j.tra.2005.12.005.

[37]
Yang J, Shen Q, Shen J, et al. Transport impacts of clustered development in Beijing: Compact development versus overconcentration. Urban Studies, 2012, 49(6): 1315-1331. DOI: 10.1177/004209801141033.

[38]
Zhao P, Lu B, de Roo G. The impact of urban growth on commuting patterns in a restructuring city: Evidence from Beijing. Papers in Regional Science, 2011, 90(4): 735-755. DOI: 10.1111/j.1435-5957.2010.00343.x.

[39]
黄晓燕, 甄峰, 曹小曙, 等. 基于多维目标的城市宜居交通概念、要素与框架. 人文地理, 2015, 30(5): 77-83.

[Huang Xiaoyan, Zhen Feng, Cao Xiaoshu, et al. Concept, elements and framework of livable transportation based on multi-dimensional objectives. Human Geography, 2015, 30(5): 77-83.]. DOI: 10.13959/j.issn.1003-2398.2015.05.012.

[40]
Kamruzzaman M, Hine J. Participation index: A measure to identify rural transport disadvantage? Journal of Transport Geography, 2011, 19(4): 882-899. DOI: 10.1016/j.jtrangeo.2010.11.004.

[41]
Hernandez D O, Titheridge H. Mobilities of the periphery: Informality, access and social exclusion in the urban fringe in Colombia. Journal of Transport Geography, 2016, 55: 152-164. DOI: 10.1016/j.jtrangeo.2015.12.004.

[42]
Benevenuto R, Caulfield B. Poverty and transport in the global south: An overview. Transport Policy, 2019, 79: 115-124. DOI: 10.1016/j.tranpol.2019.04.018.

[43]
Engels B, Liu G J. Social exclusion, location and transport disadvantage amongst non-driving seniors in a Melbourne municipality, Australia. Journal of Transport Geography, 2011, 19(4): 984-996. DOI: 10.1016/j.jtrangeo.2011.03.007.

[44]
Motte-Baumvol B, Nassi C D. Immobility in Rio de Janeiro, beyond poverty. Journal of Transport Geography, 2012, 24: 67-76. DOI: 10.1016/j.jtrangeo.2012.06.012.

[45]
Cao X J, Ettema D F. Satisfaction with travel and residential self-selection: How do preferences moderate the impact of the Hiawatha light rail transit line? Journal of Transport and Land Use, 2014, 7(3): 93-108. DOI: 10.5198/jtlu.v7i3.485.

[46]
Huang X, Cao X J, Cao X, et al. How does the propensity of living near rail transit moderate the influence of rail transit on transit trip frequency Xi'an? Journal of Transport Geography, 2016, 54: 194-204. DOI: 10.1016/j.jtrangeo.2016.05.016.

[47]
Ong P, Blumenberg E. Job access, commute and travel burden among welfare recipients. Urban Studies, 1998, 35(1): 77-93. DOI: 10.1080/0042098985087.

[48]
Hill M O. Diversity and evenness: A unifying notation and its consequences. Ecology, 1973, 54(2): 427-432. DOI: 10.2307/1934352.

[49]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 1996, 28(4): 281-298. DOI: 10.1111/j.1538-4632.1996.tb00936.x.

[50]
Zahavi Y. Travel Time Budgets and Mobility in Urban Areas. Technical Report FHWA PL 8183. DC Washington, USA: Federal Highway Administration, 1974.

[51]
Farag S, Schwanen T, Dijst M, et al. Shopping online and/or in-store? A structural equation model of the relationships between e-shopping and in-store shopping. Transportation Research Part A, 2007, 2(41): 125-141. DOI: 10.1016/J.TRA.2006.02.003.

[52]
Nie P, Sousa-Poza A. Commute time and subjective well-being in urban China. China Economic Review, 2018, 48: 188-204. DOI: 10.1016/j.chieco.2016.03.002.

[53]
Stutzer A, Frey B S. Stress that doesn't pay: The commuting paradox. Scandinavian Journal of Economics, 2008, 110(2): 339-366. DOI: info:doi/10.1111/j.1467-9442.2008.00542.x.

[54]
顾朝林, 刘佳燕. 城市社会学. 北京: 清华大学出版社, 2013: 1196-1205.

[Gu Chaolin, Liu Jiayan. Urban Sociology. Beijing: Tsinghua University Press, 2013: 1196-1205.]

[55]
李志刚, 吴缚龙, 薛德升. “后社会主义城市”社会空间分异研究述评. 人文地理, 2006, 21(5): 1-5.

[Li Zhigang, Wu Fulong, Xue Desheng. A review of sociospatial differentiation in 'post-socialist' cities. Human Geography, 2006, 21(5): 1-5.]. DOI: 10.13959/j.issn.1003-2398.2006.05.001.

[56]
塔娜, 柴彦威, 申悦. 中美城市郊区生活空间与生活方式演变的比较研究. 地理科学进展, 2023, 42(9): 1733-1744.

DOI

[Ta Na, Chai Yanwei, Shen Yue. A comparison of living space formation and lifestyle evolution of suburbs in China and the United States. Progress in Geography, 2023, 42(9): 1733-1744.]. DOI: 10.18306/dlkxjz.2023.09.006.

[57]
李春江, 张艳, 刘志林, 等. 通勤时间、社区活动对社区社会资本的影响: 基于北京 26 个社区的调查研究. 地理科学, 2021, 41(9): 1606-1614.

DOI

[Li Chunjiang, Zhang Yan, Liu Zhilin, et al. The influence of commute duration and community activities on community social capital: A study based on 26 communities survey in Beijing. Scientia Geographica Sinica, 2021, 41(9): 1606-1614.]. DOI: 10.13249/j.cnki.sgs.2021.09.012.

Options
Outlines

/

〈 〉