上海市職住關(guān)系和通勤特征分析研究
——基于軌道交通客流數(shù)據(jù)視角

Study on Job-Housing Relationship and Characteristic of Commuting in Shanghai: Based on the Perspective of Rail Transit Passenger Flow Data

許志榕

?

上海市職住關(guān)系和通勤特征分析研究
——基于軌道交通客流數(shù)據(jù)視角

許志榕

上海市城市規(guī)劃設(shè)計研究院

助理工程師，碩士

0 引言

始于2012年的“大數(shù)據(jù)”熱潮推動著研究學(xué)者對于各類反映人類行為活動的數(shù)據(jù)的研究。依托近年來發(fā)展迅速的物聯(lián)網(wǎng)、互聯(lián)網(wǎng)、云計算技術(shù)，大批行為數(shù)據(jù)應(yīng)運而生，諸如交通卡刷卡數(shù)據(jù)、手機(jī)信令數(shù)據(jù)、空間定位信息、互聯(lián)網(wǎng)采集數(shù)據(jù)等成為研究城市與人行為活動的新焦點。尤其是對交通卡刷卡數(shù)據(jù)的研究，受到了越來越多的城市/交通規(guī)劃研究者的青睞，據(jù)不完全統(tǒng)計，國內(nèi)外利用交通卡數(shù)據(jù)進(jìn)行研究的學(xué)術(shù)期刊論文共有92篇，國外以美國、加拿大、韓國等學(xué)者的研究為主，國內(nèi)的研究集中在北京、廣州、深圳、昆明、南寧、昆明、蘇州等地；研究領(lǐng)域主要包括數(shù)據(jù)處理與起訖矩陣推算、公共交通系統(tǒng)運行與管理、城市空間結(jié)構(gòu)分析和出行行為與社會網(wǎng)絡(luò)共4項；在這眾多的文獻(xiàn)中，研究軌交的（包含純軌交的11篇，軌交與公交均有的27篇）共有38篇；同時，眾多的研究面向分析和優(yōu)化交通系統(tǒng)運行居多，而缺少對城市規(guī)劃的支持[1]，其中Roth等（2011）使用地鐵刷卡數(shù)據(jù)對倫敦的多中心城市結(jié)構(gòu)進(jìn)行了評價[2]，Medina和Erath（2013）利用交通卡刷卡數(shù)據(jù)計算了新加坡就業(yè)密度空間分布。在國內(nèi)，以龍瀛等人為首的北京城市實驗室（BCL）基于公交刷卡數(shù)據(jù)分析北京職住關(guān)系和通勤出行[3]，作為一種突破性的探索研究，為學(xué)者從另一視角解讀了城市空間的動態(tài)發(fā)展，為大都市區(qū)通勤研究提供了一種新的分析思路。周江評等（2014）在上述基礎(chǔ)上分別識別了北京的居住和就業(yè)中心、過度通勤及通勤效率等問題[4]。針對上海的研究，從交通卡視角的分析仍然缺乏，手機(jī)信令數(shù)據(jù)的研究走在了前列。鈕心毅（2015）等人利用手機(jī)信令數(shù)據(jù)覆蓋范圍廣、樣本量大、動態(tài)性強(qiáng)等特點，分析了上海市域職住空間關(guān)系，并對中心城通勤區(qū)進(jìn)行了識別[5]。此舉為大數(shù)據(jù)在上海的城市規(guī)劃領(lǐng)域應(yīng)用起到了引領(lǐng)作用。

城市公共交通是一個特大型城市內(nèi)部體系得以良好運轉(zhuǎn)的重要手段。上海市第5次綜合交通調(diào)查報告數(shù)據(jù)顯示，上海市民的公共交通出行比例達(dá)到20.7%，僅次于步行，占據(jù)出行方式第二重要的位置，而其在市民通勤中的作用則更為明顯。在諸多公共交通方式當(dāng)中，軌道交通發(fā)揮著舉足輕重的作用，報告顯示2014年上海軌道交通的出行占公共交通出行結(jié)構(gòu)的51%，首次占據(jù)第一位[6]。對軌道交通出行的研究能夠很好地反映城市空間結(jié)構(gòu)的變化，其在通勤方面的作用為城市繼續(xù)大力發(fā)展公共交通提供了有力的支撐。

本研究基于2015年4月上海市公共交通卡刷卡數(shù)據(jù)，分析上海市的職住關(guān)系和通勤出行特征，并以此來反映城市社會空間的變化情況。主要探討如何對交通卡刷卡數(shù)據(jù)進(jìn)行處理，基于城市空間數(shù)據(jù)和居民出行調(diào)查規(guī)則建立軌道交通出行OD數(shù)據(jù)模型，在數(shù)據(jù)模型的基礎(chǔ)上提煉職住關(guān)系和通勤出行，分析通勤出行的時間、距離、空間分布等特征，并基于此對典型就業(yè)中心和大型居住社區(qū)周邊站點進(jìn)行應(yīng)用分析。

圖1　軌道交通線路與站點分布圖

表1　原始交通卡刷卡數(shù)據(jù)樣例表

表2　初步完整出行數(shù)據(jù)表結(jié)構(gòu)

1 數(shù)據(jù)

1.1 上海公共交通卡刷卡數(shù)據(jù)

本文所利用的刷卡數(shù)據(jù)為2015年4月上海市完整一月的刷卡記錄，來源于上海公共交通卡股份有限公司的“公共交通卡”，是絕大多數(shù)在滬人員持有的可充值的交通卡，一定程度上一張卡可對應(yīng)一個人員。刷卡記錄包含的基本信息有：每張交通卡的卡號（C）、交易日期（D）、交易時間（T）、線路/地鐵站點名稱（S）、行業(yè)名稱（H，分“地鐵”、“公交”、“出租車”、“輪渡”和“P+R停車場”5類）、交易金額（M）、交易性質(zhì)（Y，分“優(yōu)惠”、“非優(yōu)惠”和“無”3類）等信息（表1）。當(dāng)月總刷卡數(shù)據(jù)量為4.14億次，其中“地鐵”刷卡量為2.49億次。

乘坐上海地鐵可使用的卡種類共有5種：來滬旅游商務(wù)卡（包括單程票、一日票、三日票）、公共交通卡、手機(jī)卡、免費乘地鐵憑證、磁浮地鐵一票通。計價方式采用“計程票制”，計價方式是按乘客乘坐里程計費：0—6 km（包括6 km）3元，6—16 km（包括16 km）4元，16 km后每10 km進(jìn)級1元。

1.2 上海軌道交通路線、站點

截至2015年4月30日，上海市共有軌道交通線路14條（本文所分析的數(shù)據(jù)不包含磁浮線以及鐵路金山支線），站點288個（同名不同線站算1個站），軌道運營線網(wǎng)長度（不含磁浮線）537 km（圖1）。

2 方法

2.1 數(shù)據(jù)預(yù)處理與軌道交通的出行OD數(shù)據(jù)模型②出行OD（Origin Destination），即起終點間的交通出行。

2.1.1 一般出行規(guī)則

要基于交通卡刷卡數(shù)據(jù)分析軌道交通OD及職住關(guān)系和通勤出行③由于交通卡無持卡人年齡及職業(yè)屬性，本研究所識別的通勤可能包含有學(xué)生上學(xué)、老年人定期社會活動等類似于成年人日常上下班的出行。，需要對原始數(shù)據(jù)進(jìn)行3步預(yù)處理，從而得到出行OD數(shù)據(jù)模型。第一步，刪除行業(yè)名稱不為地鐵的數(shù)據(jù)；第二步，識別每個卡號每次完整出行。完整的單次地鐵出行應(yīng)包含相鄰的進(jìn)站記錄和出站記錄，按交易日期（D）、卡號(C)、交易時間(T)、站點名稱（S）、交易金額（M）先后對所有數(shù)據(jù)進(jìn)行排序，依次識別相鄰行的關(guān)系，當(dāng)同時滿足條件：CN=CN+1，DN=DN+1，SN<>SN+1，MN<>0時，初步認(rèn)定第N行和第N+1行是一次完整的地鐵進(jìn)出站記錄，并將所有字段內(nèi)容合并到新行。依次遍歷所有數(shù)據(jù)，得到初步完整出行記錄，樣例如表2。

2.1.2 虛擬換乘規(guī)則

第三步，虛擬換乘站的數(shù)據(jù)合并。上海地鐵由于種種原因，存在著多個換乘站換乘需要出站然后再進(jìn)站，又稱虛擬換乘。截至2015 年4月30日，共有上?；疖囌?號線與3號線互換、上?；疖囌?號線與4號線互換、陜西南路1號線與10號線互換、虹橋2號航站樓2號線與10號線互換為虛擬換乘。上述4對共8種換乘方式將產(chǎn)生兩次計費。根據(jù)上海地鐵計價方式，使用上海公共交通卡在30 min內(nèi)在上述車站換乘享受連續(xù)計費的優(yōu)惠。例如，卡號CN由A站到達(dá)1號線上?；疖囌境稣荆⒃?0 min內(nèi)換乘3號線上?；疖囌救ネ鵅站，則費用為A站到B站的連續(xù)收費費用。而使用一次性地鐵票則需購票兩次，分別計算A站到1號線上海火車站、3號線上海火車站到B站的分段票價總和。為此，將第二步所得的初步完整出行記錄以交易日期（D1）、卡號(C1)、交易時間(T1)、進(jìn)站名稱（S1）、出站名稱（S2）、交易金額（M）先后對所有數(shù)據(jù)進(jìn)行排序，依次識別相鄰出行記錄的關(guān)系，當(dāng)同時滿足條件：

CN=CN+1，DN=DN+1，Tn+1-Tn<30min，

S1、S2滿足｛(S1N=“1號線上?；疖囌尽盇ND S2N+1=“3號線上?；疖囌尽?OR

(S1N=“1號線上?；疖囌尽盇ND S2N+1=“4號線上?；疖囌尽?OR

(S1N=“3號線上?；疖囌尽盇ND S2N+1=“1號線上?；疖囌尽?OR

(S1N=“4號線上海火車站”AND S2N+1=“1號線上海火車站”)OR

(S1N=“1號線陜西南路”AND S2N+1=“10號線陜西南路”)OR

(S1N=“10號線陜西南路”AND S2N+1=“1號線陜西南路”)OR

(S1N=“2號線虹橋2號航站樓”AND S2N+1=“10號線虹橋2號航站樓”)OR

(S1N=“10號線虹橋2號航站樓”AND S2N+1=“2號線虹橋2號航站樓”) ｝時，認(rèn)定第N行到第N+1行是虛擬換乘，并修改第N行的值令S2N=S2N+1，T2N=T2N+1，MN=MN+MN+1，同時刪除第N+1行的記錄。

由此得到最終的上海地鐵2015年4月的完整OD數(shù)據(jù)模型。統(tǒng)計表明，上海地鐵當(dāng)月有效出行記錄122 486 666次，平均每天4 082 889次。其中，工作日21天出行記錄94 846 716次，平均每天4 516 510次；非工作日9天出行記錄27 639 950次，平均每天3 071 106次。

2.2 職住地站假定

根據(jù)《上海市第五次綜合交通調(diào)查報告》數(shù)據(jù)顯示，上海中心城地鐵站點半徑600 m范圍覆蓋47%人口和崗位，中心城周邊地區(qū)站點半徑1 000 m范圍覆蓋17%的人口和崗位。顯然，地鐵站點無法覆蓋上海所有人口和崗位，故持卡人在某站上車或下車，并不一定就在附近居住或就業(yè)，可能存在其他交通方式或步行到達(dá)地鐵站。故在此定義居住地站和就業(yè)地站來代替居住地和就業(yè)地④由于交通卡刷卡數(shù)據(jù)的公交車部分缺少刷卡站點信息，僅有刷卡線路信息，難以準(zhǔn)確模擬交通出行，故在此僅研究地鐵通勤的出行。有關(guān)地鐵接駁方式的比例將在下一章節(jié)3.2中分析。。

使用地鐵OD數(shù)據(jù)模型識別持卡人的居住地站與就業(yè)地站，首先利用一日刷卡數(shù)據(jù)進(jìn)行職住地站的定義，最后綜合每個工作日的識別結(jié)果進(jìn)行綜合分析，給出最終的職住地站。居住地站和就業(yè)地站的識別過程是相互獨立的，但每張卡的居住地站與就業(yè)地站不能相同。Barry等的出行模式假說提出，大部分乘客會回到上一段出行的終點來作為下一段出行的起點，而且當(dāng)天的最后一段出行的終點與當(dāng)天的第一段出行的起點一致[1]?；诖瞬⒔梃b龍瀛等人的研究[4]，我們假設(shè)每個交通卡每日的第一次進(jìn)站為居住地站；同時，定義持卡人在某地停留時間超過6 h（首個地點即居住地站除外），可認(rèn)為該地是持卡人的就業(yè)地站，即假設(shè)持卡人某日在某站出站后，并在超過6 h之后在同一站點刷卡進(jìn)站，即設(shè)定該站為持卡人的就業(yè)地站。

圖2　基于工作日數(shù)據(jù)識別居住地站

2.3 基于工作日數(shù)據(jù)識別職住地站

由于交通卡每日刷卡記錄存在差異，利用一整月的工作日數(shù)據(jù)來進(jìn)行匯總分析才能準(zhǔn)確識別持卡人的職住地站。以居住地站識別為例，建立一定的識別規(guī)則并利用決策樹方法進(jìn)行綜合分析（圖2）。利用軌交出行OD數(shù)據(jù)模型，首先判定首次進(jìn)站記錄。識別每一次出行是否為各卡號每個工作日的首次進(jìn)站，剔除結(jié)果為否的出行記錄。然后，匯總首次進(jìn)站記錄。匯總各卡號21個工作日首次進(jìn)站的記錄，并將匯總值里的最大值且大于1的進(jìn)站記錄作為居住地站。第三步，唯一性判定。上述所獲最大值可能存在多個記錄站，當(dāng)某卡號于當(dāng)月首次進(jìn)站的最大記錄等量地出現(xiàn)在兩個或多個站時，將判定各站當(dāng)月刷卡次數(shù)，選取刷卡次數(shù)最多者為居住地站；如此值仍不唯一，則選取首次進(jìn)站平均時間更早的為居住地站。同理，就業(yè)地站的識別與居住地站的識別類似。

2.4 通勤OD識別⑤本文所研究的通勤特指從起點（居住地）到終點（就業(yè)地）的單一方向。

利用上述所識別的各卡號最終職住地所在站，可確定各卡號的通勤OD，通勤時間和通勤距離可簡化為居住地站到就業(yè)地站的時間和距離。通勤時間是指從居住地站上車到就業(yè)地站下車的時長。利用軌交出行OD數(shù)據(jù)模型，僅需判斷各工作日內(nèi)，各卡號出行記錄中進(jìn)站為居住地站、出站為就業(yè)地站的記錄，便可計算該次通勤時間。利用工作日內(nèi)所有的通勤出行記錄，可計算通勤的平均時間。通勤距離可以通過軌交站點和線路的GIS圖層進(jìn)行距離計算，同樣也可以計算職住站點之間的歐氏距離。

3 職住識別與通勤特征分析

本研究利用Microsoft SQL Server對原始刷卡表格數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理、數(shù)據(jù)庫建庫、數(shù)據(jù)模型生成和數(shù)據(jù)挖掘，利用ESRI ArcGIS對軌道交通站點和線路進(jìn)行空間數(shù)據(jù)庫建庫及空間分析。最后將表格數(shù)據(jù)與空間數(shù)據(jù)關(guān)聯(lián)，對結(jié)果進(jìn)行可視化分析。基于上述工具，分析過程和研究結(jié)果一覽如圖3所示。

圖3　識別職住地站和通勤出行的過程和結(jié)果概覽

圖4　居住地站（左）與就業(yè)地站（右）視角的交通卡量統(tǒng)計分布圖

表3　各空間范圍內(nèi)的居住地站與就業(yè)地站識別量統(tǒng)計

3.1 職住地站識別結(jié)果

基于地鐵OD數(shù)據(jù)模型識別出的當(dāng)月乘坐地鐵的公共交通卡共有8 974 314張?；诠ぷ魅諗?shù)據(jù)識別職住地站的規(guī)則規(guī)定了必須具有1次以上的居住地站（或就業(yè)地站）且首站為地鐵才可進(jìn)行識別，據(jù)此識別出了2 549 304張卡（占總量的28.41%）的居住地站和1 327 731張卡（占總量的14.79%）的就業(yè)地站。綜合分析職住地站數(shù)據(jù)，發(fā)現(xiàn)共有1 318 222張卡（占總量的14.69%）的居住地站與就業(yè)地站均被識別。將居住地站與就業(yè)地站的交通卡量在空間上表達(dá)如下圖4。

為了更好地在空間尺度上表達(dá)職住地站分布，依據(jù)內(nèi)環(huán)內(nèi)、內(nèi)外環(huán)間、外環(huán)外3個空間范圍對所識別的量進(jìn)行統(tǒng)計（表3）。結(jié)果顯示，居住地站在3個空間范圍內(nèi)識別的量差距不大，但就業(yè)地站則主要分布在內(nèi)環(huán)內(nèi)，占比超過一半。

職住地站的識別是通過21個工作日的記錄進(jìn)行的，隨著每張卡可識別天數(shù)的增長，識別出的居住地站和就業(yè)地站占總量的百分比也隨之減少（圖5）。

圖5　職住地站識別天數(shù)對應(yīng)的識別卡量占比

圖6　持卡人的通勤出行次數(shù)分布情況圖

圖7　各職住地站公交接駁比重

圖8　不同通勤時間的持卡量分布圖

圖9　各居住地站（左）和就業(yè)地站（右）視角的通勤平均時耗圖

圖10　主要通勤OD的出行量分級圖

表4 各空間范圍內(nèi)的居住地站與就業(yè)地站識別量統(tǒng)計（單位：min）

3.2 通勤OD識別結(jié)果

在1 318 222位既有居住地和就業(yè)地的持卡人中，識別了1 308 716位持卡人的通勤出行⑥通勤出行識別數(shù)比職住地識別數(shù)要少一點，可能存在少量出行者其每日出行是居住地站到A站辦事（就醫(yī)、送孩子上學(xué)等情況），然后再從A站到就業(yè)地站上班的情況。，記錄的21個工作日通勤出行總和為18 197 842次，平均每天866 564次。識別的持卡人的通勤出行次數(shù)分布情況見圖6。當(dāng)可識別次數(shù)小于21次時，識別的通勤出行量隨著次數(shù)的增加而增多，出行次數(shù)19、20、21次的持卡人最多。次數(shù)超過10次（即超過當(dāng)月21個工作日的一半）的通勤出行為943 232，占72.07%。

為識別各持卡人在地鐵通勤出行前是否存在其他交通方式的通勤出行，對識別出通勤出行的1 308 716位持卡人工作日出行的接駁方式進(jìn)行分析，如圖7，平均每天識別的通勤出行量865 790次，居住地站含有“公交—地鐵”接駁方式的比重達(dá)到20.83%，就業(yè)地站含有“地鐵—公交”接駁方式的比重達(dá)到1.92%。表明居住地站的識別存在1/5左右的誤差，但就業(yè)地站的識別誤差很小。

剔除出行時間少于2 min、多于3 h的出行⑦上海地鐵站與站間最短運行時間約為2 min，而最長的為11號線花橋站至16號線滴水湖站，出行時間一般不超過3 h。，統(tǒng)計通勤出行的平均時間為34.82 min，與交通大調(diào)查的35 min接近⑧《上海市第五次綜合交通調(diào)查報告》數(shù)據(jù)顯示，上海地鐵平均出行時耗為62 min，其中軌道系統(tǒng)內(nèi)時耗為35 min，軌道系統(tǒng)外時耗為27 min。本文研究的通勤時間特指軌道系統(tǒng)內(nèi)的時耗。。對各持卡人的平均通勤時間進(jìn)行分布統(tǒng)計（圖8），發(fā)現(xiàn)大部分人乘坐地鐵通勤時間在8—57 min，尤其以23—33 min的人居多。從空間視角分析，居住地站的通勤時耗呈向外遞增的圈層現(xiàn)象，內(nèi)環(huán)內(nèi)的居住地站通勤出行時耗顯著低于內(nèi)外環(huán)間、外環(huán)外的居住地站，即居住在內(nèi)環(huán)內(nèi)的人乘坐地鐵通勤耗時最短（圖9左、表4）；從就業(yè)地站視角分析，圈層現(xiàn)象則不那么明顯（圖9右）。統(tǒng)計持卡人地鐵通勤出行的平均距離為12.4 km，歐式距離為11.7 km。

3.3 通勤出行的可視化

為了更好地展現(xiàn)上海軌道交通的通勤出行形態(tài)，將識別的通勤出行進(jìn)行空間化。將288個地鐵站點兩兩建立OD矩陣，并與識別出的通勤出行相關(guān)聯(lián)，保留有出行記錄的OD。每個OD代表一個方向的通勤出行，屬性包含有該OD的識別通勤出行量、平均通勤時間、通勤距離。將各通勤出行在空間上可視化（圖10），發(fā)現(xiàn)主要的通勤大客流（深紅色線）分布在1號線、2號線、9號線，少量分布在5號線、7號線、8號線等其他線路間。

從空間范圍統(tǒng)計發(fā)現(xiàn)，內(nèi)外環(huán)間到內(nèi)環(huán)內(nèi)的通勤量是最大的，占總通勤量的31.85%，其次是內(nèi)環(huán)內(nèi)到內(nèi)環(huán)內(nèi)、外環(huán)外—內(nèi)環(huán)內(nèi)，分別占16.10%、15.03%，三者之和達(dá)62.98%（表5），這更加驗證了上海地鐵通勤出行的向心性。

分析上海地鐵的極端通勤出行發(fā)現(xiàn)，通勤時間超過60 min的占總量的8.33%。選取出行量大于100次、平均通勤時耗大于60 min的通勤OD進(jìn)行可視化（圖11左），發(fā)現(xiàn)長時耗的通勤主要是從新城到中心城大型就業(yè)中心之間的出行，典型的長距離通勤出行有松江大學(xué)城到張江高科（84.38 min）、松江大學(xué)城到陸家嘴（78.43 min）、嘉定北到陸家嘴（73.23 min）、嘉定北到漕河涇開發(fā)區(qū)(71.73 min)等。同樣地，選取出行量大于100次、但平均通勤時耗低于10 min的通勤OD（圖11右），發(fā)現(xiàn)短時間的地鐵通勤出行主要集中在內(nèi)環(huán)內(nèi)。

圖11　通勤時間＞60min（左）和＜10min（右）的地鐵通勤OD分布圖

圖12　三經(jīng)普街道鎮(zhèn)尺度就業(yè)崗位密度分析圖

圖13　去往人民廣場、淞虹路（左）和張江高科、漕河涇開發(fā)區(qū)（右）的通勤OD可視化圖

圖15　大居出發(fā)的通勤OD可視化圖

表5　各方向通勤出行占比數(shù)據(jù)表（單位：%）

4 典型地區(qū)通勤特征分析

研究發(fā)現(xiàn)，無論是主要通勤出行還是極端通勤出行，各大就業(yè)中心對客流量的吸引還是非常強(qiáng)的。為此，著重分析各就業(yè)中心的通勤情況。根據(jù)上海市及下屬各區(qū)縣第三次經(jīng)濟(jì)普查數(shù)據(jù)主要公報，分析了街道鎮(zhèn)尺度上海市的就業(yè)崗位密度，并從中挑選了4個所在街道/鎮(zhèn)就業(yè)密度各不相同且具有典型代表的地鐵站，分別是人民廣場、漕河涇開發(fā)區(qū)、張江高科和淞虹路。同時，也重點關(guān)注幾個大型居住社區(qū)的地鐵通勤情況，選取了顧村（劉行站和潘廣路站）、江橋（金運路站）、泗涇（泗涇站和佘山站）、周康航（周浦東站和鶴沙航城站）4個大型居住社區(qū)（圖12）[7]。

圖14　到達(dá)各就業(yè)中心站通勤平均時耗統(tǒng)計圖

圖16　各大居地鐵站出發(fā)的通勤平均時耗與全市水平比較圖

表6　各大居通勤OD前三名統(tǒng)計表（單位：人）

4.1 典型就業(yè)中心分析

分析主要就業(yè)地站的通勤出行與通勤時間，識別去往4個就業(yè)地站的通勤出行并從中挑選出行量大于100的通勤OD進(jìn)行可視化（圖13）。從通勤來源看，位于市中心的人民廣場對全市各個方向的通勤吸引水平相當(dāng)，輻射范圍最廣；漕河涇開發(fā)區(qū)輻射范圍略小于人民廣場，但其對西南方向的輻射性更強(qiáng)；張江高科類似于漕河涇開發(fā)區(qū)；而臨空經(jīng)濟(jì)園區(qū)所在的淞虹路則相對輻射范圍較小。從通勤時間上看，到達(dá)內(nèi)環(huán)內(nèi)各就業(yè)站的平均通勤時間差距不大，內(nèi)環(huán)外的漕河涇開發(fā)區(qū)、張江高科和淞虹路顯著長于內(nèi)環(huán)內(nèi)的就業(yè)站（圖14）。

4.2 大型居住社區(qū)分析

大居方面，識別從7個大型居住社區(qū)站點出發(fā)的通勤出行，并選取通勤出行量大于50 的OD進(jìn)行可視化（圖15）。結(jié)果顯示，各大型居住社區(qū)站點出發(fā)的通勤出行方向各不相同，泗涇地區(qū)主要前往漕河涇開發(fā)區(qū)周邊站點，周康航地區(qū)主要前往2號線地區(qū)諸如張江高科及陸家嘴地區(qū)，顧村地區(qū)主要前往7號線靜安寺、長壽路附近，江橋地區(qū)則主要前往13號線的真北路及長壽路附近，地鐵通勤量最高的是泗涇地區(qū)，顯著高于其他3個大型居住社區(qū)（表6）。這也反映了大型居住社區(qū)出行的主要方向并非完全是內(nèi)環(huán)內(nèi)，而是呈現(xiàn)了一定的就近就業(yè)特征。通勤時間上泗涇、江橋平均時耗較少于周康航、顧村，但四地均顯著高于外環(huán)內(nèi)的平均水平（圖16）。

5 結(jié)論與討論

本研究基于2015年4月上海市公共交通卡刷卡數(shù)據(jù)，創(chuàng)建一般出行及虛擬換乘規(guī)則，建立上海軌道交通出行數(shù)據(jù)模型，并結(jié)合軌道交通網(wǎng)絡(luò)空間數(shù)據(jù)模型，識別基于地鐵出行的城市居民居住地、就業(yè)地和包括通勤時間、距離、空間分布等在內(nèi)的通勤特征信息，并基于此對典型就業(yè)中心和大型居住社區(qū)周邊站點進(jìn)行應(yīng)用分析。據(jù)此識別出了2 549 304張卡（占總量的28.41%）的居住地站和1 327 731張卡（占總量的14.79%）的就業(yè)地站，其中共有1 327 731張卡（占總量的14.69%）的居住地站與就業(yè)地站均被識別，識別出地鐵通勤出行的持卡量共有1 308 716；地鐵平均通勤時間34.82 min，平均通勤距離為12.4 km；居住地在內(nèi)環(huán)內(nèi)、內(nèi)外環(huán)間及外環(huán)外各站的持卡人相差不多，但就業(yè)地則有近2/3分布于內(nèi)環(huán)內(nèi)；通勤出行方向呈現(xiàn)明顯的向心性；典型就業(yè)中心輻射范圍廣泛，平均通勤時間越往中心城越低；各大型居住社區(qū)的地鐵通勤量相差很大，通勤去向并不集中于內(nèi)環(huán)內(nèi)。

本研究基于上海市公共交通卡的地鐵刷卡數(shù)據(jù)進(jìn)行研究，在國內(nèi)仍屬少見。同時，對虛擬換乘的研究在國內(nèi)也是絕無僅有的。交通卡刷卡數(shù)據(jù)具有樣本量大、有效信息準(zhǔn)確、覆蓋范圍廣等優(yōu)勢，為特大型城市的空間形態(tài)研究提供了一種新方向。區(qū)別于公交車/電車，軌道由于其站點固定且量不大、運行時間規(guī)律性強(qiáng)、進(jìn)出站刷卡信息齊全等特點，更有利于對行為的追蹤與研究。但本研究仍存在一些不足亟需下一步工作繼續(xù)研究，因為軌道交通出行量雖然占據(jù)上海市公共交通出行量一半以上，但包括公交車/電車等出行方式數(shù)據(jù)的缺失對分析結(jié)果特別是中心城以外地區(qū)的分析會產(chǎn)生較大影響。下一步應(yīng)重點結(jié)合各類公共交通出行數(shù)據(jù)進(jìn)行研究。

參考文獻(xiàn)References

[1]龍瀛，孫立君，陶遂. 基于公共交通智能卡數(shù)據(jù)的城市研究綜述[J]. 城市規(guī)劃學(xué)刊，2015（3）：70-77. LONG Ying, SUN Lijun, TAO Sui. A review of urban studies based on transit smart card data[J]. Urban Planning Forum, 2015 (3): 70-77.

[2]Roth C, Kang S M, Batty M, et al. Structure of urban movements: polycentric activity and entangled hierarchical flows[J]. Plos One, 2011, 6(1): e15923.

[3]龍瀛，張宇，崔承印. 利用公交刷卡數(shù)據(jù)分析北京職住關(guān)系和通勤出行[J]. 地理學(xué)報，2012,67（10）：1339-1352. LONG Ying, ZHANG Yu, CUI Chengyin. Identifying commuting pattern of Beijing using bus smart card data[J]. Acta Geographica Sinica, 2012, 67 (10): 1339-1352.

[4]Zhou J, Long Y. Jobs-housing balance of bus commuters in Beijing exploration with large-scale synthesized smart card data[C]//Transportation Research Board 92nd Annual Meeting. Washington, DC. 2014.

[5]鈕心毅，丁亮. 利用手機(jī)數(shù)據(jù)分析上海市域的職住空間關(guān)系：若干結(jié)論和討論[J]. 上海城市規(guī)劃，2015（2）：39-43. NIU Xinyi, DING Liang. Analyzing job-housing spatial relationship in Shanghai using mobile phone data: Some conclusions and discussions[J]. Shanghai Urban Planning, 2015 (2): 39-43.

[6]上海市第五次綜合交通調(diào)查聯(lián)席會議辦公室. 上海市第五次綜合交通調(diào)查成果報告[R]. 2015. Office of the Joint Conference of the 5th Shanghai Comprehensive Transport Survey. 5th Shanghai comprehensive transport survey[R]. 2015.

[7]上海市規(guī)劃和國土資源管理局，上海市城市規(guī)劃設(shè)計研究院. 大型居住社區(qū)規(guī)劃評估[R]. 2014. Shanghai Urban Planning and Land Resources Administration Bureau, Shanghai Urban Planning and Design Research Institute. Planning and evaluation of large-sized residential communities[R]. 2014.

Study on Job-Housing Relationship and Characteristic of Commuting in Shanghai: Based on the Perspective of Rail Transit Passenger Flow Data

許志榕

摘 要交通卡刷卡數(shù)據(jù)、手機(jī)信令數(shù)據(jù)、空間定位信息（GPS）等大數(shù)據(jù)的出現(xiàn)為城市與人的行為研究提供了數(shù)據(jù)支撐。基于2015年4月上海市公共交通卡刷卡數(shù)據(jù)，創(chuàng)建一般出行及虛擬換乘規(guī)則，建立上海軌道交通出行數(shù)據(jù)模型，并結(jié)合軌道交通網(wǎng)絡(luò)空間數(shù)據(jù)模型，識別基于地鐵出行的城市居民居住地、就業(yè)地和包括通勤時間、距離、空間分布等在內(nèi)的通勤特征信息，并對典型就業(yè)中心和大型居住社區(qū)周邊站點進(jìn)行應(yīng)用分析。研究表明，基于地鐵的通勤出行者有130多萬持卡人，平均通勤時間34.82 min，平均通勤距離為12.4 km；居住地在內(nèi)環(huán)內(nèi)、內(nèi)外環(huán)間及外環(huán)外各站的持卡人相差不多，但就業(yè)地則有近2/3分布于內(nèi)環(huán)內(nèi)；通勤出行方向呈現(xiàn)明顯的向心性；典型就業(yè)中心輻射范圍廣泛，平均通勤時間越往市中心越低；各大型居住社區(qū)的地鐵通勤量相差很大，通勤去向并不集中于內(nèi)環(huán)內(nèi)。

AbstractBig Data such as transportation card data, cell phone data, Global Position System provides data support for the study on the behavior of city and people. Using Shanghai public transportation card data in April 2015, and creating general travel rules and virtual transfer rules, this study establishes Shanghai rail transit trip data model. Combined with the spatial data of rail transit network, the study identifies jobs-housing relationship and characteristics of commuting such as time, distance and spatial distribution in Shanghai. Then the study makes an application of analyzing typical employment centers and large-sized residential communities. The research identifies more than 1.3 million commuters, with average commuting time of 34.82 minutes and average commuting distance of 12.4 kilometers. The number of residences is about the same in the inner ring, outside the outer ring and between the two rings. But the percentage of employment in the inner ring makes up 2/3. The direction of commuter travel is obviously centripetal. The typical employment center has a wide range of radiation, and the average commuting time is lower in the center. The amount of commuting in large-sized residential communities is different, and the commuter direction is not concentrated in the inner ring.

關(guān) 鍵 詞交通卡刷卡數(shù)據(jù) | 職住關(guān)系 | 通勤特征 | 上海

KeywordsTransportation card data | Job-housing relationship | Characteristics of commuting | Shanghai

作者簡介

文章編號1673-8985（2016）02-0114-08

中圖分類號TU981

文獻(xiàn)標(biāo)識碼A