大城市基本通勤单元识别与通...效评估——以武汉都市区为例_郭亮.pdf

【文章编号】1006-3862(2022)12-0043-10都市圈城市发展研究 29 卷 2022 年 12 期 Urban Development Studies Vol.29 No.12 202243 大城市基本通勤单元识别与通勤绩效评估 以武汉都市区为例郭 亮1,2 张秋圆3 冯佳宇1 黄建中4,(1.华中科技大学 建筑与城市规划学院,湖北 武汉,430074;2.湖北省城镇化工程技术研究中心,湖北 武汉,430074;3.襄阳市城乡规划编制研究中心,湖北 襄阳,441021;4.同济大学 建筑与城市规划学院,上海,200092)【摘要】推进一定尺度范畴的基本通勤单元职住相对平衡是改善大城市交通拥堵、提升空间绩效的重要途径。研究利用手机LBS 数据等多源大数据,借助流空间的社区发现算法识别武汉都市区的基本通勤单元,从静态分布与动态关联职住平衡度验证基本通勤单元的尺度合理性,分析其分类分级特征,从职住失衡度与就业功能两个层次评价其通勤绩效。结果发现,基本通勤单元尺度介于街道与市辖区之间,其主导功能和通勤强度在空间上具有圈层分布的特征;基本通勤单元内部存在居住集聚、就业集聚或职住空间错位的现象,就业中心及其势力范围对各通勤单元的影响各异,导致各单元通勤绩效差异较大。最后,针对职住失衡型基本通勤单元提出分类型、差异化优化策略,以推动基本通勤单元内部职住相对均衡发展,提升大城市通勤绩效。【关键词】职住平衡;基本通勤单元;通勤绩效;社区发现;武汉都市区【中图分类号】TU984.1 【文献标识码】A 基金项目:国家自然科学基金(52178039;52178049)通讯作者:黄建中(1968-),男,博士,同济大学建筑与城市规划学院、高密度人居环境生态与节能教育部重点实验室教授,博士生导师,研究方向:区域和城市空间发展,城市空间活动与空间网络,城乡韧性与交通规划。E-mail:hjz03213 。0 引言 当前,通勤时段的交通拥堵已成为许多大城市的常态,建设多中心城市、推进一定尺度单元内的职住相对平衡成为改善大城市交通拥堵、提升空间绩效的重要途径。这里所指的“一定尺度单元”是与通勤行为密切相关的城市基本空间单元。鉴于通勤行为在日常出行中占主导且规律性强,因此研究由通勤行为主导的大城市基本空间单元特征对评估大城市空间运行绩效具有较高的可靠性和研究价值。众多学者提出不同空间尺度下的城市功能结构和职住分离现象有显著差异,即尺度效应1-2,彭坤焘等则指出确定多重尺度城市用地的适当比例和合理布局才能实现城市功能的“对偶”互补,实现城市空间绩效的提升3。因此,推进合理尺度的基本空间单元职住平衡发展对城市空间结构的改善和空间绩效的提升至关重要。本研究希望借助反映人群真实活动的移动定位大数据,识别大城市内部合理尺度的基本通勤单元,分析其职住空间特征与通勤绩效,并提出基于职住平衡的大城市基本通勤单元空间优化策略。1 相关研究与基本思路1.1 基本通勤单元概念与合理尺度界定 城市基本空间单元是由若干社区和居民所需的各类公服设施所构成的尺度适宜的功能空间,如城市基本生活单元4、城市健康安全单元5等。基本通勤单元概念与其类似,本质上是由居民出行活动范围所刻画的城市功能空间单元,是一种通勤视角下的基本空间单元。诸多学者围绕通勤开展空间结构的相关研究7-8,通勤圈的概念也应运而生7;而本文所研究的基本通勤单元是由通勤行为主导,内部通勤联系紧密,能够满足一定空间范畴内大部分人口的居住就业需求,实现单元内部高效率自平衡的城市基本空间单元。关于基本通勤单元的尺度问题,普遍认为规模效应和分区效应会对通勤测度结果产生较大影响9。居民出行范围是日常生活活动在空间上的映射,根据出行范围和频率可划定合理空间单元,都市圈郭亮等:大城市基本通勤单元识别与通勤绩效评估 以武汉都市区为例44 城市发展研究 29 卷 2022 年 12 期 Urban Development Studies Vol.29 No.12 2022空间单元过于微观,则参与外界活动的活跃性过高;空间单元过于宏观,则活跃性过低,因此当多数活动发生在空间单元内部,则其稳定性较强,尺度较为合理10。通勤出行活动本质上是一种流,参考流空间的定义11,在较小尺度内实现职住平衡,使得基本通勤单元内部的人口、活动等要素实现低成本、高效率的流动,能够有效提升城市运行绩效。结合基本通勤单元的概念,其尺度应适宜居民日常出行需求,其具体空间范畴的界定则需要通过通勤流数据加以识别判断,应以满足大部分通勤出行的空间范畴为合理尺度。1.2 通勤绩效的概念与指标体系 绩效是对一定条件下目标的实现程度和效率的衡量和评价。城乡规划领域多针对空间绩效进行分析,空间绩效是指城市中各类要素的时空概念分布和基于内在机制而形成的相互作用关系,既表现为外在形态、更有内在的逻辑过程,往往涉及社会经济、生态环境、交通运行等城市内部的各项要素;通勤绩效是基于通勤行为视角对城市运行效率做出评价,聚焦于通勤出行行为特征。鉴于通勤产生的本质是职住地的分异和联系,因此本研究将基本通勤单元绩效评价指标聚焦于职住空间绩效,即通勤绩效。现有研究中,评价通勤绩效的指标主要分为时间指标、距离指标、动静两维指标。国外学者基于过剩通勤理论构建最大通勤、最小通勤、随机通勤、超额通勤等指标,比较实际通勤距离与理想通勤距离之间的差距以衡量通勤绩效的高低12-14;国内部分学者以通勤时耗15-16或通勤距离17的单一指标衡量通勤效率;近年来,绩效测度指标呈现多元化的演变趋势,具体细分为职住空间的静态分布(居住、就业空间分布)和动态关联(通勤 OD 流)两个维度,借助居住人口与就业人口布局、职住比、就业吸引度、职住出行比例、通勤距离等职住空间特征进行分析18-21;有学者在利用动静两维指标对职住空间关系进行测度的基础上,将就业中心体系(就业中心分布和就业中心势力范围)纳入通勤绩效评价体系18,进一步丰富了通勤绩效的评价内容。同时,既有研究往往侧重于从城市宏观空间结构层面测度空间绩效,较少从居民日常出行视角测度基本空间单元的空间绩效,这就为本研究提供了一个新的视角。本文基于基本通勤单元,从职住失衡度评价和就业功能评价两个层次测度通勤绩效,并提出针对性的优化策略,以提高各单元内部通勤率,减少跨单元长距离通勤,实现职住相对平衡,从而提升整体空间绩效。1.3 研究的基本思路 (1)研究对象本文以武汉市都市发展区为研究范围,后文简称都市区。根据武汉市城市总体规划(20102020 年),核心范围包括武汉市主城区和 6 个新城组群(北部、南部、东部、东南、西部和西南新城组群),为了与各项统计指标数据兼容并保证各街道、交通小区边界的完整性,对都市区范围进行适当调整(图 1)。图 1 研究区域资料来源:作者自绘(2)研究数据本文采用 LBS(Location Based Service)轨迹数据,数据采集时间为 2017 年 4 月 17 日至 4 月 23日,分工作日和非工作日获取武汉市域范围内的独立手机终端用户位置、用户职住标签和归属地标签等数据。数据经筛选优化,并以交通小区为基础单元进行汇总,静态数据包括各个交通小区的居住、就业人数,动态数据包括通勤 OD 的交通小区编号及通勤人次。进一步将手机 LBS 数据识别的武汉市域职住人口数据与 2015 年武汉市交通调查的街道(乡、镇)尺度职住人口数据进行 Spearman 相关性检验,通过 99%的置信区间检验,表明数据具有可靠性。郭亮等:大城市基本通勤单元识别与通勤绩效评估 以武汉都市区为例都市圈城市发展研究 29 卷 2022 年 12 期 Urban Development Studies Vol.29 No.12 202245 (3)基于复杂网络的社区发现算法针对手机 LBS 通勤 OD 流数据所形成的复杂功能联 系 网 络,研 究 借 鉴 复 杂 网 络 的 社 区 发 现(community detection)算法进行分析22-24。“社区”是复杂网络中若干节点组成的聚类,社区内部节点之间联系紧密度高,同属一个社区的节点在功能或性质上相似。社区发现有贪婪算法、Infomap 算法、Grivan-Newman 算法、模拟退火算法、极值优化算法等多种算法25,本研究采用 Blondel 提出的基于模块 度(Modularity)优 化 的 贪 婪 算 法(Fast-Unfolding)26,该方法是一种迭代算法27,上述流程可通过 Gephi 软件实现。(4)技术路线研究基于手机 LBS 数据构建通勤联系网络,首先 采 用 复 杂 网 络 的 社 区 发 现(community detection)算法识别基本通勤单元;在此基础上分析其职住平衡度(静态分布与动态关联),并与交通小区、街道、市辖区尺度进行对比,验证基本通勤单元尺度划分的合理性,同时分析基本通勤单元的主导功能和通勤强度特征,其后从职住失衡度和就业功能评价两个层次进行通勤绩效测度,针对职住平衡度较低的基本通勤单元提出分类型优化策略(图 2)。图 2 技术路线资料来源:作者自绘2 基本通勤单元的尺度与特征2.1 基本通勤单元识别 (1)全距离段通勤联系社区发现首先构建一个包含都市区全距离段通勤 OD 的数据集 Nall,设定默认分辨率 1 进行社区发现,共识别出 5 个明显的社区(图 3),长江、汉江及市辖区界是各社区的主要分隔线。为了探索更精细的城市空间结构单元,需进一步研究短距离通勤联系。图 3 Nall社区发现结果资料来源:作者自绘(2)通勤联系逐级社区发现因 2km 以下通勤占比仅有 28.65%,以 27km短距离通勤数据集逐级进行社区发现。以通勤距离 2km 以下的通勤数据集 N2为基础,建立短距离的通勤联系网络;然后以 1km 为间隔,逐级加入更长距离的通勤数据,依次按 Gephi 默认分辨率 1 进行社区发现,结果如图 4。发现:随着通勤距离增大,识别出的社区数量逐渐减少,通勤距离至 7km时,社区数量趋于稳定;进一步对比各尺度社区发现结果的内部通勤率变化趋势(图 5),可以看出 N3一级社区发现结果内部通勤率变化趋势线斜率较大,即增速较快,随后增速趋于缓慢且呈波动状态,说明 N3尺度范围内职住相对均衡,是合适的社区尺度。(3)短距离通勤社区发现在 Gephi 中分别设定分辨率 0.1、0.2、0.31.0,对通勤数据集 N3进行进一步的社区发现,并剔除若干个无效单元(通勤量较少)对比不同分辨率的识别结果,分辨率为 0.3 的无效单元占比最低,以都市圈郭亮等:大城市基本通勤单元识别与通勤绩效评估 以武汉都市区为例46 城市发展研究 29 卷 2022 年 12 期 Urban Development Studies Vol.29 No.12 2022图 4 27km 通勤数据集社区发现结果资料来源:作者自绘图 5 各尺度社区发现结果内部通勤率变化趋势资料来源:作者自绘其为基础,筛除通勤人数小于 100 人或城市建设用地占比小于 10%的交通小区,最终结果如图 6 所示,共识别出 32 个社区,作为 32 个基本通勤单元,平均面积为 62.6km2。2.2 基本通勤单元合理性检验 通过静态分布与动态关联两类指标测度基本通勤单元的职住平衡度,分别与交通小区、街道、市辖区尺度进行对比,结果显示识别出的基本通勤单元尺度具有较好的合理性。职住空间的静态分布指居住人口、就业人口的空间分布,静态分布采用职住比、职住偏离指数测度。以职住比 0.81.2 为职住较为均衡的评判标准18,实现职住相对均衡的通勤单元有 28 个,占比约 87.5%。对比交通小区、街道、市辖区尺度的占比,基本通勤单元的职住比和偏离指数介于街道和市辖区两个尺度之间,接近市辖区尺度。职住空间的动态关联指空间单元之间的通勤联系,即职住 OD 流的空间分布,采用单元内部通勤率(包括内部通勤居住人数占比、内部通勤就业人数占比)、平均通勤距离(包括平均外出通勤距离、平均外来通勤距离)指标进行测度。对比四级尺