APP下载

天津市职住空间分布与轨道交通网络耦合关系
——基于手机信令数据分析

2018-12-20郑海星于士元

城市交通 2018年6期
关键词:居住地信令空间结构

蒋 寅,郑海星,于士元,唐 晓

(1.天津市市政工程设计研究总院,天津300201;2.天津市城市规划设计研究院,天津300201;3.天津市公安交通管理局,天津300201;4.天津市住建委世行贷款项目办公室,天津300201)

0 引言

截至2017年末,天津市常住人口1 556.87万人,轨道交通运营里程约166 km,客运量约97万人次·d-1,线路客运强度0.6万人次·d-1·km-1,与人口规模接近的广州、重庆等城市相比,轨道交通网络客运量及客运强度偏低[1]。轨道交通网络与城市空间结构是否耦合是影响轨道交通客流的重要因素,也是衡量城市交通与用地是否良性发展的关键指标。相关文献研究认为,轨道交通对都市圈空间具有重构及再生作用,而都市圈的空间规模和结构决定着轨道交通网络规模和形态[2]。因此,天津市城市空间结构与轨道交通网络耦合关系的研究是当前轨道交通大规模建设背景下极其重要的课题。

随着大数据在城市交通中的不断应用与推广,利用手机信令数据研究职住分布关系及城市空间结构已取得丰富的研究成果。文献[3]探讨不同手机数据的采样方式对职住地识别结果及通勤特征分析的影响及其可靠性。文献[4]利用手机信令数据对北京市用户职住分布情况进行分析。文献[5]对重庆市主城区职住状况与交通系统之间的关联进行研究。文献[6-7]利用手机信令数据研究上海市通勤区与职住空间分布关系。文献[8]基于手机信令数据分析珠三角城市群空间特征。文献[9]基于手机信令数据估算得出美国旧金山城市交通大区OD分布。

在借鉴国内外手机信令数据分析算法的基础上,通过分析天津市手机信令数据获取职住分布关系,进一步提出从通勤圈、CBD、通勤出行联系强度三个维度分析城市空间结构的思路,并在天津市进行应用,探究现状已建与近期建设的轨道交通网络与城市空间结构的耦合关系,为轨道交通线网优化及城市空间结构调整提供参考。

1 手机信令数据的应用

1)基于居住地和工作地识别的用户职住与通勤分析。

手机信令数据具有采样率高、覆盖面广、置信度高等优点,为关注个人的时空行为提供了重要的契机和数据基础。近年来,基于手机信令数据建立城市居民居住与就业地识别模型,研究居住和就业的空间分布特征,成为城市与交通规划领域的热点,并得到了广泛应用。

2)基于停留点识别的出行OD分析。

城市居民出行OD及其特征是交通规划与管理中最重要的基础资料之一,也是交通领域中一直研究和探讨的重点。手机信令数据积累了大量的用户实时定位数据,能够为研究居民出行规律、实时交通状态监控及估计出行需求提供丰富的数据资源。近年来,基于手机数据的出行OD分析研究在不断推进,然而,受限于手机基站定位精度的影响,在短距离出行OD及其相关出行特征分析等方面的应用有限。

2 职住地识别

城市空间结构分析主要利用基于手机信令数据得到的职住分布关系。

2.1 职住地算法

基于手机信令数据的职住地识别算法主要分为3类:时间阈值法、相对停留时间法和信息熵法。

1)时间阈值法。每天夜间(例如0:00—6:00)停留时间超过某一阈值且1个月内出现次数大于某一阈值次数的停留点,作为识别的居住地点;每天白天(例如9:00—17:00)停留时间超过某一阈值且1个月内出现次数大于某一阈值次数的停留点,作为识别的工作地点。

2)相对停留时间法。计算夜间观测时段内(例如0:00—6:00)在各网格停留的时间占比P,当P取最大值时对应停留点作为识别的居住地点;计算白天观测时段内(例如9:00—17:00)在各网格停留的时间占比P,当P取最大值时对应停留点作为识别的工作地点。

3)信息熵法。为进一步区分夜间休息与白天休息用户,文献[10]引入信息熵的概念,分析研究时段内用户的活跃度,进而有效识别用户的集中休息时段,有效解决了无法区分白天工作用户和夜间工作用户的问题。

时间阈值法和相对停留时间法较简单,是各运营商、研究机构等普遍采用的方法。信息熵法相对复杂,应用案例较少,但很好地解决了由于用户作息时间不规律或夜间工作等情况而将工作地误判为居住地的问题。

在借鉴国内外手机信令数据职住地识别算法的基础上,结合天津市联通、移动、电信三家运营商手机信令数据实际情况,综合考虑时间阈值、相对停留时间以及信息熵等方法的使用,利用时间-空间双层聚类分析,形成一套有效的天津市职住地识别算法。时间上的聚类指对位于同一网格(300 m×300 m)的连续记录进行合并处理;空间上的聚类指考虑到手机信令数据的“乒乓”现象,对潜在居住地(工作地)停留时间进行统计时,将附近一定范围内网格的停留时间也统计在内。具体如下:

1)数据概况。

获取天津市联通、移动、电信三家运营商连续1个月的手机信令数据,包括用户编号、网格ID、网格中心经度、网格中心纬度、开始时间、结束时间等信息。网格尺寸约为300 m×300 m。

2)数据预处理。

首先,对纯上网手机号、当月工作日内大都未出现过信令数据(概率>0.5)的用户进行过滤,该部分用户不进行工作地与居住地的识别。

其次,新增首记录和完善末记录。新增首记录的网格编号设为昨日该用户出现的最后一个网格编号,开始时间设为00:00:00,结束时间设为当日第一条记录开始时间;末记录的网格编号、开始时间不变,结束时间设为23:59:59。

3)用户集中休息时段识别与工作分析时段选取。

信息熵值大小反映了用户在研究时段内的活跃程度。信息熵值越大,活跃度越高。当用户处于完全静止状态时,信息熵值为0。

将工作日划分为0:00—6:00,6:00—12:00,12:00—18:00,18:00—24:00四个时段,各含6 h。分别统计不同时段内各用户在各网格的停留时间,计算各用户在各时段内的信息熵值

图1 各时段信息熵值分布Fig.1 Information entropy distribution by time

式中:Pij为用户Xi在在停留点j的停留时间占比,Pij=Tij/T,其中,Tij为研究时段内用户Xi在停留点j的总停留时间/h,T为研究时段总时间(6h)。

选取全天四个时段内信息熵值最小时段作为用户的集中休息时段。如果出现一个用户含有多个信息熵最小值,优先考虑时段00:00—06:00;否则,随机选取即可。

综合考虑三班倒、两班倒、正常通勤等各类用户的集中休息与工作时段特征,当用户集中休息时段为0:00—6:00时,选取10:00—20:00作为工作分析时段;当用户集中休息时段为其他时段时,则选取1:00—7:00作为工作分析时段。

为更好地反映用户活动特征与信息熵值的关系,以0.5 h为统计时间间隔,对用户1和用户2在连续一周内的信息熵值分别进行分析。如图1所示,横坐标代表一周内不同日,纵坐标代表一日内不同统计时间间隔,数值代表对应日对应时段该用户活动的信息熵值,颜色越红,代表信息熵值越大;信息熵为0时,代表用户未活动。可以看出,用户1的活动主要集中在白天,集中休息时段为00:00—06:00;用户2的活动主要集中在夜间,集中休息时段为12:00—18:00,因此,计算信息熵值可有效避免由于统一规定用户集中休息时段而将工作地误判为居住地。

4)用户居住地(工作地)推算。

首先,计算用户i在工作日j集中休息时段(或工作时段)内在各网格k的停留时间Ti,j,k。

其次,识别用户潜在居住地(工作地)。以停留时间最大时对应的网格为中心,对该用户当天集中休息时段(工作时段)内出现的其他网格进行空间聚类。考虑到基站服务范围约为0.4~1.5 km,居住地推算时聚类半径取1.5 km,工作地推算时聚类半径取0.6 km。统计各聚类的总停留时间,并选取总停留时间≥ΔT的用户作为目标用户。居住地推算时ΔT取4 h,工作地推算时ΔT取2 h。针对各目标用户,选取停留时间排名前三的网格作为当天识别的潜在居住地(或工作地)。

如图2所示,用户i在第j个工作日的休息时段(6 h)内,共出现在网格1,2和3三个位置,且Ti,j,1≥Ti,j,2≥Ti,j,3。考虑到用户在集中休息时段内的位置稳定性特征,以网格1为中心,统计附近1.5 km范围内出现的所有网格位置的总停留时间如果Ti,j≥4 h,则判断该用户在该工作日的潜在居住地依次为网格1、网格2、网格3。

最后,综合各用户在该月出现的所有潜在居住地(工作地)网格,按累计出现天数、累计停留时间等条件依次降序排列,如果第一潜在居住地(工作地)所在网格在该月工作日出现的概率大于0.5,则判定该网格为该用户的居住地(工作地)网格。

另外,对于工作地和居住地位于同一网格的用户,识别为特殊用户,如寄宿学生、居家老人等。

2.2 计算结果

通过分析联通、移动、电信三家运营商1个月连续的手机信令数据,对天津市常住人口的工作地与居住地进行识别,并对其职住空间分布进行分析。

图2 潜在居住地识别Fig.2 Recognition of potential residence place

图3 双城人口和就业岗位密度分布Fig.3 Population density and employment density in twin cities of Tianjin

1)职住识别总体概况。

天津市常住人口居住地识别规模约为865万人,相当于天津市常住人口55%的抽样率。常住人口的工作地识别规模约为697万人,过滤特殊用户(如寄宿学生、小区底商、居家老人等)后约为289万人,其中识别夜间上班用户约占10%(见表1)。

表1 天津市常住人口职住地识别概况Tab.1 Overview of work and housing locations of Tianjin residents 万人

2)双城人口与就业岗位密度分布。

如图3所示,天津市中心城区的人口主要分布在快速环线以内;岗位高度集中在南京路沿线区域;滨海新区核心区的人口主要分布在塘沽老城,就业岗位主要分布在开发区、外滩等地区,与实际情况基本相符。

3 基于职住分布分析城市空间结构的主要思路

城市空间结构是以一定的组织方式,将城市内部的各要素(如经济活动、土地利用、建筑、社会群体等)、城市形态以及城市间的相互作用关系连接起来,最终形成一个完整的系统[11]。利用手机信令数据分析城市空间结构,主要反映人的活动规律,从而间接反映城市空间形态,因此更偏向地理学角度对城市空间结构的分析。

基于手机信令数据得到的职住分布特征对城市空间结构分析主要关注三个方面(见图4):城市空间拓展的范围;城市CBD的规模结构与辐射范围;各区域之间联系强度。

图4 基于职住分布分析城市空间结构的技术路线Fig.4 Techniques of urban spatial structure based on job-housing distribution

1)城市空间拓展的范围,即大都市区范围,通勤率是国外大都市区划分的核心指标,因此可以通过手机信令数据得到中心城区与外围组团的通勤率,研究通勤圈范围,从而界定城市空间拓展的主要范围。

2)城市形态主要针对城市CBD进行分析,通过手机信令数据得到人口密度和就业岗位密度,界定CBD的规模与范围,并进一步分析CBD工作与居住人员的分布规律,研究CBD的辐射范围。

3)各区域之间空间联系主要针对通勤出行联系强度进行分析,通过手机信令数据得到职住分布关系,从而获取各区域间通勤出行联系强度。

4 职住空间与轨道交通网络耦合关系

4.1 通勤圈分析

通勤圈也称作都市圈,一般以外围地区前往中心城区的通勤率作为主要指标来表达都市圈的空间层次结构。通勤率指外围地区的就业人口前往中心城区通勤的比例,或在中心城区居住但在外围地区就业的人口占该地区就业人口的比例。美国1990年提出的大都市区界定标准为,至少15%非农业劳动力向中心县以内范围通勤或双向通勤率达到20%以上;日本以5%或10%的通勤率为标准界定大都市圈范围[12]。

天津市呈现以中心城区和滨海新区核心区为双核的空间结构模式,因此以中心城区和滨海新区核心区为对象,分别进行通勤圈分析。将双城外围地区按照组团进行划分计算与双城的通勤率,分别按照5%,10%,15%,20%的通勤率计算通勤圈覆盖工作人口居住地和居住人口工作地的比例,最终选取10%的标准作为通勤圈划分的阈值(见图5,表2和表3),以实现通勤圈覆盖居住人口工作地的比例达到96%以上。

图5 双城通勤圈Fig.5 Commuting loops in twin cities of Tianjin

表2 中心城区通勤圈分析Tab.2 Commuting loops in urban central area

表3 滨海新区核心区通勤圈分析Tab.3 Commuting loop in core area of Tianjin Binhai NewArea

分析表明:1)从通勤圈的面积来看,中心城区远大于滨海新区核心区,表明双核结构中中心城区是主核,滨海新区核心区是副核;2)从通勤半径看,中心城区平均通勤半径约27 km,滨海新区核心区通勤半径约20 km,通勤半径均较小;3)从通勤方向看,不管是通勤范围还是通勤量,双核由内至外出行均大于由外至内出行,中心城区进出比为1:1.87,滨海新区核心区为1:1.08(见表4),表明现阶段天津市作为工业城市,至外围二产岗位的通勤量大于至双城三产岗位的通勤量。

表4 双城通勤方向分析Tab.4 Commuting directions in twin cities of Tianjin

根据天津市轨道交通近期建设规划[13],天津市中心城区在已建的轨道交通1号、2号、3号、9号线及即将通车的轨道交通5号、6号线基础上,将建设轨道交通4号、7号、8号、11号线,滨海新区将建设轨道交通B1线、市域轨道交通Z2及Z4线。

从通勤圈与轨道交通网络的耦合关系看(见图6),轨道交通覆盖了外围与双城区之间通勤联系较强的主要组团(通勤率>30%),但也存在不足。1)对部分强通勤联系的组团覆盖不足,如中心城区西侧组团。2)市域轨道交通线路的建设时机与功能定位有待进一步研究,例如,南北向Z4线北侧汉沽与滨海新区核心区通勤功能较弱,该段轨道交通线路建设时机有待商榷;东西向Z2线从双城北侧外围通过,主要服务双城间产业区的通勤,与双城需要换乘才能进入城市中心区,不是一般市域轨道交通线路主要服务中心城区通勤的功能,其功能定位有待进一步研究。

图6 双城通勤圈与近期建设轨道交通网络耦合关系Fig.6 Relationship between commuting loop and recently-constructed rail transit network in twin cities of Tianjin

4.2 CBD分析

从就业岗位密度分布可以清晰地看到双城的CBD范围。由于现阶段滨海新区核心区CBD的能级较小,因此主要分析中心城区的CBD,其范围见图7。该CBD区域面积约10.4 km2,占通勤圈面积的0.5%;居住人口约34.5万人,占通勤圈居住人口的4.0%,其中通勤居住人口约18万人;就业岗位约46.5万个,占通勤圈就业岗位的8.9%。总体来看,CBD能级偏小,其聚集效应必须进一步强化,因此从发挥CBD效应的角度看现阶段仍然需要集聚而不是分散。

图7 中心城区就业岗位密度与CBD范围Fig.7 Employment density and scope of CBD in urban central area

从CBD职住分布看,CBD居住人员主要在CBD及周围紧邻区域工作(见图8a),这一比例约为61.2%;CBD就业人员主要在外环线以内居住(见图8b),CBD的辐射范围较小,其吸引外部就业人员约占CBD就业岗位的82.4%。

图8 中心城区CBD职住分布关系Fig.8 Job-housing distribution in CBD

从CBD就业人口居住地分布与近期放射性的轨道交通线路的耦合关系看,轨道交通网络对CBD的支撑作用有待加强。主要表现在两方面:1)部分主要通勤走廊缺少轨道交通覆盖,或没有覆盖到主要方向(见图9a中红色箭头示意走廊);2)部分轨道交通线路站间距偏大,导致CBD轨道交通车站500 m覆盖范围不足,仅为70%左右(见图9b)。

图9 中心城区CBD与近期放射性轨道交通线网耦合关系Fig.9 Relationship between CBD and radial rail transit network

4.3 通勤出行联系强度分析

空间联系分为人流和物流的空间联系。人流的空间联系可以分为通勤出行联系和非通勤出行联系。通过手机信令数据得到工作地与居住地分布,可以分析人流的通勤出行联系强度。

从图10可以看出:1)通勤出行总体围绕双核展开,双核间通勤联系总体不大;2)相邻区域间通勤联系较强;3)中心城区CBD对外辐射出行特征明显。

图10 通勤出行联系强度Fig.10 Degree of commuting travel connecting

从中心城区轨道交通5号线与6号线的组合环线与通勤出行耦合关系看(见图11),轨道交通环线与CBD外围的通勤出行环较吻合,环线位置的选择基本合理,但组合环的布局模式值得商榷。组合环占据了4条放射线位置,而这4条放射线走廊有3条与CBD有较强的联系(分别为M6北、M6南、M5南),因此,通过这3条走廊前往CBD的轨道交通乘客至少需要换乘1次。由于重要的放射性走廊是非常宝贵的通道资源,站在乘客出行的角度分析,天津市中心城区轨道交通组合环线的布设模式值得商榷,采用完整环线模式相对更合理。

图11 中心城区轨道交通环线与通勤出行耦合关系Fig.11 Relationship between loop lines of rail transit in urban central area and commuting travel

5 结论

天津市现状及近期建设轨道交通网络与城市现状空间结构耦合度一般,有较大改善空间。1)通勤圈层面,轨道交通网络对部分强通勤联系的外围组团覆盖不足,滨海新区部分市域轨道交通线路的建设时机与功能定位有待进一步研究;2)CBD层面,部分主要通勤走廊缺少轨道交通覆盖,或没有覆盖到主要方向,CBD轨道交通车站500 m覆盖范围仅70%左右,覆盖不足;3)通勤出行联系强度层面,中心城区组合环线的布设模式值得商榷。

上述结论主要依据现有的职住分布特征及城市空间结构与轨道交通网络的耦合关系,但轨道交通建设对城市用地和空间布局有很强的引导作用,随着轨道交通网络的完善,城市空间结构也将相应改变。因此,建议定期开展基于手机信令数据的城市空间结构与轨道交通网络耦合关系的评估工作,为轨道交通线网建设及城市空间结构调整及时提供科学依据。

猜你喜欢

居住地信令空间结构
你熟悉“成长经典”吗
格绒追美小说叙事的空间结构
SLS字段在七号信令中的运用
移动信令在交通大数据分析中的应用探索
鸟类居住地
基于信令分析的TD-LTE无线网络应用研究
徐州安美固建筑空间结构有限公司
基于社会空间结构流变的统战工作组织策略研究
LTE网络信令采集数据的分析及探讨
流动人口参与居住地选举的困境及其实现路径