开通VIP，畅享免费电子书等14项超值服
首页
好书
留言交流
下载APP
联系客服
2021.05.24
【中图分类号】TU984.191
【文献标识码】A
【doi】10.11819/cpr20210312a
【作者简介】
精彩导读
urbanregeneration;short-distancemotorizedtravel;multisourcedata;spatial-temporaldistribution;builtenvironmentfactors;planningintervention;Shanghai
1
引言
2
研究设计与短距离的阈值设定
2.1出租车轨迹数据应用的合理性
(2)城市交通方式转换中出租车的方式转出可能性最大。我国一些城市曾把发展出租车作为抑制私人小汽车过快增长的手段[16]。出租车出行人群通常没有买车，同时也是慢行交通和公共交通的使用者。他们是城市交通方式转换需要重点加以引导的目标人群。该人群存在转向个人机动化出行的可能性，而一旦拥有小汽车后就很难再转换到其他交通方式。因此，加强对出租车使用者出行需求的研究非常有必要。
(3)出租车的交通行为与私人小汽车最为接近。使用出租车数据可以避免小汽车数据涉及的个人隐私信息保护问题。在交通行为表现上，出租车在路径选择、交通时耗等许多方面与私人小汽车最为接近。本研究虽以出租车为研究对象，但研究方法和出行行为分析后续可以较方便地移植到个人机动化的方式转换研究。
2.2出行短距离的阈值设定
对“短距离”的界定是本研究的一个基本问题。周文竹等通过对我国苏州、徐州、南通等7座城市的出行距离分布分析，找出分布量发生最大变化的距离特征值为3km和7km，并建议以此作为短距离、中距离和长距离出行的分界标准，即小于3km的为短距离出行，大于7km的为长距离出行[17]。本研究同时考虑到慢行交通的适宜出行距离、城市街区尺度等因素，沿用3km作为短距离出租车出行距离阈值。这一阈值也符合国内外既有研究的设定[18-20]，并符合国内学者对上海、南京等城市研究的发现[21-22]。
需要补充的是，本研究中“短距离”只是一个描述性表述，重点在于说明在一定出行距离范围内，由于出租车和个人机动化出行相对其他交通方式的优势不明显，方式转化的可能性较大。交通方式转换还受诸如气候条件、出租车的运价、车辆的可获得性等外部条件的影响，实际情况下不同城市的短距离阈值可能存在差异，同一城市不同空间区位的短距离阈值也会略有不同。
本研究选取上海中心城区作为研究区域，共划分为121个街道。全市出租车交通出行逾80%发生在这一区域内。外围地区的短距离出租车出行量较低，样本存在较大的偶然性；而且外围地区空间异质性高，人口密度、就业密度和基础设施差异大，或对出租车出行存在不同的影响机制，故不纳入研究范围。
本研究数据主要包括出租车、城市空间要素和辅助数据三部分。出租车数据是上海强生控股有限公司提供的出租车GPS轨迹数据，该数据记录了该公司2016年3月1—6日时段内约1.3万余辆巡游出租车所产生的约7.8亿条车辆轨迹数据。城市空间要素数据主要包括城市用地数据和城市道路网络数据。辅助数据包括摩拜科技有限公司在上海市的单车投放和订单数据、通过百度地图获取的中心城区所有地铁站点和地面公交站点的兴趣点数据，以及上海市第六次人口普查的街道常住人口、户籍人口、迁入比、年龄比例、性别比、家庭收入等人口属性信息。
3
短距离出租车出行的
▲图1短距离出租车出行高峰时段系数日分布
Fig.1Dailytimedistributionofurbanshort-distancetaxitravel
4
空间分布特征分析
本研究首先对上海市各区短距离出租车出行的强度差异进行比较。中心城区中，每日有64.8%的短距离出租车出行量发生在黄浦区、静安区、虹口区、长宁区4个区，而这4个区的用地面积仅占中心城区用地面积的25.4%，常住人口占比也仅为29.2%。
▲图2上海各区短距离出租车出行发生强度与吸引强度比较
Fig.2Comparisonofspatialdistributionofurbanshort-distancetaxitravelindifferentdistrictsofShanghai
早间高峰(7:00—9:00)的分布情况(图3)显示：该时段短距离出租车出行高发地区主要包括中心地区就业岗位密集的地段(如陆家嘴、人民广场、南京路)，出行需求(O点密度)比出行行为(OD线密度)的空间集聚特征还要明显；城市外围地区一个特殊的集聚点是交通枢纽地段(虹桥枢纽)，该地段的出行行为表现为虹桥枢纽-虹桥商务区之间的单一联系，说明通勤动机的短距离出租车出行占有相当比例。
▲图3早间高峰(7:00—9:00)短距离出租车出行的O点密度和OD线密度
Fig.3Spatialconcentrationofurbanshort-distancetaxitravelatmorningpeak(7:00–9:00)
根据该时段的空间集聚特征，规划可以针对这些高发地段，通过改善通勤交通供给来降低短距离机动化出行比例。例如，针对像虹桥商务区这样的处于城市外围的产业园区，可以设置虹桥枢纽与虹桥商务区之间的园区班车，转移因通勤产生的大量短距离出租车出行。城市中心区的短距离出租车出行的方向性较弱，则可以考虑加密公交线网、增加共享单车投放等策略，促进部分短距离出租车出行向绿色交通方式转换。
▲图4午间高峰(10:00—12:00)短距离出租车出行O点密度和OD线密度
Fig.4Spatialconcentrationofurbanshort-distancetaxitravelatmid-daypeak(10:00–12:00)
夜间高峰(21:00—23:00)时段的空间分布(图5)与前两个时段有明显差异。O点密度显示短距离出租车出行需求的空间分布更加分散，集聚度降低，热点区域主要沿内环线内侧呈环形分布，其余地段包括市中心对外交通枢纽(如上海站)、游憩空间(如外滩沿线、世纪大道)，以及商业中心(如五角场、徐家汇、武宁路、长寿路地区)等。从出行OD线密度来看，该时段中心区的短距离出租车出行的总体强度减弱，但呈现出多点多方向的分布特征。中心区的南北向联系增强，短距离出租车出行集中在上海站-南京西路、徐家汇-打浦桥、五角场地区、长寿路和世纪大道等方向。夜间出行空间分布特征也说明了该时段的出行人群、出行目的和出行弹性，较前两个高峰时段存在明显区别。
▲图5夜间高峰(21:00—23:00)短距离出租车出行O点密度和OD线密度
Fig.5Spatialconcentrationofurbanshort-distancetaxitravelateveningpeak(21:00–23:00)
5
短距离出租车出行空间集聚
的影响因素分析
5.1影响因素的选取
▲表1影响因素(自变量)选取情况一览
Tab.1Candidatelistofexplanatory(independent)variables
▲表2各时段实验组GWR模型拟合结果
Tab.2EstimationresultsforGWRmodels
结果表明：
▲表3各时段经筛选的自变量弹性系数计算结果
Tab.3Resultsofelasticcoefficienttest
▲图6地铁服务水平弹性系数的空间分布
Fig.6Spatialvariationofelasticcoefficientofmetroaccessibility
▲图7用地混合度弹性系数的空间分布
Fig.7Spatialvariationofelasticcoefficientofland-usemix
6
研究结论与规划应用
在规划措施制定上，本研究关于空间集聚影响因素的分析有助于提高对短距离机动化出行诱发机制的认识。研究发现：用地混合度、商服设施用地、次干路及支路密度、地铁服务水平、公交站密度等要素，对短距离出租车出行发生强度具有显著影响。基于这一结论，规划可以针对需求高发地区采取下述干预手段来抑制短距离机动化出行需求：
(1)调整城市次干路和支路的路权分配，通过交通安宁化等措施，降低小汽车交通在这些道路上的通行优先权，扶持绿色交通方式，提升公共交通服务；
(2)鼓励用地功能混合，商服设施宜采用适度的分散布局；
(3)提高公交服务供给，加密地面公交站点，增加夜间公交线路，在产业园区和交通枢纽之间增设通勤巴士，优化针对旅游人群的公交服务。
本文只是研究项目的阶段性成果，在后续研究中将聚焦短距离出行中交通方式选择与转换的机制研究，加强替代交通方式的竞争关系及其影响因素的分析，以期为实现城市交通结构优化提供更加精准的规划策略建议。
注释
参考文献
LIUShuang，ZHUXiaoning，JIAShunping.AReviewofUrbanTrafficStructureOptimization[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2009，9(1):28-38.
LIUShuang，ZHAOMingliang，BAOChana，etal.CarbonEmissionCalculationforUrbanTransportBasedonScenarioAnalysisofTrafficStructure[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2015，15(3):222-227.
PANHaixiao，TANGYang，WUJinyu，etal.SpatialPlanningStrategyfor“LowCarbonCities”inChina[J].UrbanPlanningForum，2008(6):57-64.
GUOLiang，HEHui.ComparativeStudyontheRelevanceofStructuralOptimizationofUrbanTrafficandLand-UsePatterns[J].UrbanPlanningForum，2009(5):77-82.
KONGLingbin.InfluentialFactorsandImprovementMeasuresforJob-HousingBalance[J].UrbanTransportofChina，2013(6):1-4.
HUJuan，HUYidong，ZHULixia.ExplorationonSpatialDevelopmentofWuhanBasedonJob-HousingBalance[J].CityPlanningReview，2013(8):25-32.
[7]ZAHAVIYacov.TravelTimeBudgetsinDevelopingCountries[J].TransportationResearch，PartA-General，1981，1(15):87-95.
WUZixiao，SONGWeijia，CHILibing，etal.PatternsandTheirImplicationsofTravelTime[J].UrbanTransportofChina，2007(1):20-24.
YANGTao.HealthyTransportationandHealthyCities[J].UrbanTransportofChina，2013(1):1-4.
ZHANGTao.ReducetheUsageofAutomobileandOptimizetheUrbanTrafficStructure[J].BeijingObservation，2016(11):20-21.
ZOUBing.TheTransformationfromGreenfield-BasedPlanningtoRedevelopmentPlanning:TheoreticalAnalysisandPracticalStrategies[J].UrbanPlanningForum，2015(5):12-19.
TANGZilai，MAXiangming，LIUQinghao，etal.“BeautifulCity”VS.“CityDisease”[J].CityPlanningReview，2012(1):52-56.
LUXiming，GUXiaotao.TheFifthTravelSurveyofResidentsinShanghaiandCharacteristicsAnalysis[J].UrbanTransportofChina，2011，9(5):1-7.
LIYanhong，YUANZhenzhou，XIEHaihong，etal.AnalysisonTripsCharacteristicsofTaxiinSuzhouBasedonODData[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2007，7(5):85-89.
HUXiaowen，FENGJunjia.ResearchonCharacteristicsofTaxiTrafficBasedonGPSData[J].UrbanTransportofChina，2007，5(2):91-95.
MAJun，NIMengzheng.ResearchontheBehaviorofVehiclePurchaseinShanghai[J].AutomobileandParts，2007(2):42-43.
ZHOUWenzhu，WANGWei，GUOZhiyong.TripDistanceDistributionBasedonCompactSingleCenterCity[J].ComputerandCommunications，2008(3):9-13.
[18]MAIBACHEdward，STEGLinda，ANABLEJillian.PromotingPhysicalActivityandReducingClimateChange:OpportunitiestoReplaceShortCarTripswithActiveTransportation[J].PreventiveMedicine，2009，49(4):326-327.
[19]NAZELLEAudreyDe，MORTONBrianJ，JERRETTMichael，etal.ShortTrips:AnOpportunityforReducingMobile-SourceEmissions[J].TransportationResearchPartD:TransportandEnvironment，2010，15(8):451-457.
LIMing，SONGGuohua，CHENGYing，etal.ResearchonExcessiveShortDistanceCarTripsinUrbanArea[J].JournalofBeijingJiaotongUniversity，2014，38(3):15-21.
ZENGSimeng，YEMao，LIUYingshun，etal.AModelofInfluencingFactorsofTravelModeSelectionforCommuterswithBike-Sharing[J].JournalofTransportInformationandSafety，2019，37(1):110-118.
HUANGYizhe，SUNJian.“Bicycle+RailTransit”OrientedUrbanSpatialDevelopmentStrategies:ACaseStudyofShanghai[J].Traffic&Transportation，2018，34(5):6-9.
[23]CHATMANDanielG.HowDensityandMixedUsesattheWorkplaceAffectPersonalCommercialTravelandCommuteModeChoice[J].Transport.Res.Rec.2003，1831:193-201.
[24]BENTOAntonio，CROPPERMaureen，MOBARAKAhmed，etal.TheImpactofUrbanSpatialStructureonTravelDemandintheUnitedStates[J].Rev.Econ.Stat.2003，87:466-478.
[25]LECKEran.TheImpactofUrbanFormonTravelBehavior:AMeta-Analysis[J].BerkeleyPlanning.J.2006，19.
[26]ZEGRASChristopher.TheBuiltEnvironmentandMotorVehicleOwnershipandUse:EvidencefromSantiagodeChile[J].UrbanStudies，2010，47:1793-1817.
XIEWeihan，ZHOUSuhong.TheSpatial-Temporal-NonstationaryEffectofBuilt-EnvironmentonTaxiDemand[J].ModernUrbanResearch，2018(12):28-35.