西宁市居民工作日和休息日时空活动差异研究

杨 鸿 海,李 彬,杨 喜 平

(1.青海省地理空间和自然资源大数据中心,青海 西宁 810001;2.陕西师范大学地理科学与旅游学院,陕西 西安 710119)

0 引言

居民时空间行为研究一直是地理信息和人文地理领域研究的重要课题之一，通过分析居民的城市出行时空特征及其与建成环境的相互作用关系，有助于理解居民如何利用城市空间，从而解读城市空间结构和构建以人为本的城市空间规划[1]。国内外学者基于出行的问卷调查数据，从不同角度分析居民时空行为，包括通勤行为和职住平衡[2，3]、活动空间和社会分异[4]、休闲行为[5]、购物行为[6，7]等以及建成环境和地理背景、性别、年龄对居民出行行为的影响[8-10]。这些研究主要从个体微观角度分析城市居民活动的时空行为特征，缺乏从宏观动态角度探析城市大规模群体的时空行为特征，缘于问卷调查数据的样本量较小，无法获取大规模群体的出行行为信息。随着信息和通信技术发展，大规模人群的时空轨迹数据获取成为可能，这些数据覆盖范围大、时空分辨率高并能及时更新，已成为研究城市群体移动时空行为和空间结构的主要数据源[11-13],促使学者重新审视大数据背景下人文地理领域的研究问题[14-16]。例如，手机信令数据为研究居民时空行为提供了新的数据源，可从宏观、群体和时空角度探索城市居民出行行为和空间结构，既可针对传统的通勤行为和活动空间[17]等问题展开新的讨论，也可就城市多中心结构[18，19]、居民活动时空特征和移动模式[20-23]、城市用地功能感知[24-26]和空间异常探测[27]等方面理解城市人地交互关系。由于缺乏个体的社会经济属性和活动语义信息，时空轨迹数据并不能深刻透视居民出行的驱动机制，因此，需将出行问卷调查数据和时空轨迹数据融合，从多角度对城市人群活动行为进行综合分析。

研究工作日和休息日居民在城市空间的时空活动差异及影响机制，对城市出行空间规划具有重要意义。目前，国内相关研究主要集中在北京、上海、广州等经济发达区域，对西部尤其是高原城市居民的出行行为研究[3,8,28，29]较少。城市居民在工作日和休息日的出行存在差异，因此，本研究以手机信令数据为数据源，分析西宁市居民在工作日和休息日的时空活动差异，并基于城市兴趣点(POI)数据，分析POI设施的空间分布对居民在工作日和休息日时空活动差异的影响，以期从宏观、时空动态角度明晰西宁市居民时空行为特征。

1 研究区域与数据来源

1.1 研究区域

西宁市作为青海省省会、青藏高原东部门户和西北地区重要交通要道，对青海省、青藏高原地区和西北地区的经济发展意义重大，是青藏高原地区唯一一座人口超百万的现代化城市。西宁市主城区位于湟水流域中游河谷盆地，包括城中区、城北区、城东区和城西区，总面积346 km2，受地形和河流限制，东西狭长，南北略窄，湟水河横贯东西，支流南川河、北川河呈十字相交，是典型的条带状半开放式河谷型城市(图1)。本文研究工作日和休息日西宁市主城区居民的时空活动特征。

图1 研究区域及信号塔位置Fig.1 The study area and the location of signal tower

1.2 研究数据

(1)手机信令数据，主要覆盖西宁市主城区，时间为星期日(2018年8月5日)和星期一(2018年8月6日)，用户数分别为380 375和383 887，约占西宁市城镇人口的22%，每天的轨迹点约4 200万，平均每个用户每天约110个记录，每个记录包括用户ID(加密处理)、性别(0女性、1男性)、年龄、活动类型(1通话、2上网、3短信)、活动开始时间、活动结束时间、信号塔经纬度坐标。此外，共从手机数据中提取出约2 600个信号塔，并对其进行唯一编号(towerID)，由图1可知，信号塔在城市中心区域分布较密集，郊区较稀疏。由于手机信号不稳定或用户使用手机习惯的差异，不同用户的手机轨迹点存在差异，为尽量避免数据质量差异影响研究结果，对数据进行如下处理：1)筛选在工作日和休息日均有轨迹点记录的用户，确保两天的用户相同，避免用户差异带来误差；2)用户使用手机频率会影响每天记录点数量，针对工作日和休息日，选取每小时均有记录点的用户，确保一天中每小时均可追踪到用户在城市中的空间位置；3)手机信号不稳定会使轨迹记录点存在“乒乓效应”，即在几个相邻信号塔之间出现频繁跳动的震荡点和远距离的漂移点等情况，本文采用林楠等[30]提出的方法对原始轨迹进行噪声处理。最终共筛选出58 070个用户数据，用于分析工作日和休息日城市居民时空活动差异。

(2)从高德地图上共爬取71 319条2018年西宁市POI数据，用于分析POI的空间分布对居民工作日和休息日活动停留时空差异的影响。基于《城市用地分类与规划建设用地标准(GB50137-2011)》，将POI重分为6个大类：商业(包括餐饮服务、购物服务、住宿服务和体育休闲服务)、居住(包括住宅区)、工业(包括公司企业、政府机构及团体、金融机构)、公共(包括科教文化服务和医疗保健服务)、交通(包括交通服务设施和道路附属设施)和绿地(包括公园广场和风景名胜)。

2 研究方法

2.1 停留轨迹提取

在个体时空轨迹上，城市居民活动体现为停留(个体因参与某活动需在城市某一空间位置持续停留一段时间)，出行体现为停留之间的移动。本文主要关注居民在城市中停留的时空分布特征。停留提取过程为：基于每个用户一天的轨迹记录点，将其按时间顺序串联，构建用户出行的时空轨迹(式(1))；按时间顺序依次遍历轨迹点pi，如果存在连续的轨迹点子集Trsub满足式(2)，即当用户在该位置停留持续时间dur=ti+m-ti超过δt时，则认为用户在信号塔towerIDi位置处发生停留。

(1)

式中：(xi,yi)为信号塔的位置坐标；ti为时间；n为轨迹点数量。

(2)

2.2 核密度估计

在手机信令数据分析中，通常采用信号塔生成的泰森多边形作为信号塔的服务范围，认为多边形内人群均匀分布，从而得到城市空间上连续的人群分布，但泰森多边形内的土地利用并不均匀，导致多边形内人群并非均匀分布；同时，采用多边形对通信信号进行切分会导致相邻多边形内的人群分布出现阶梯不连续情况，不符合空间现象发生的空间连续性[31]。基于此，一些学者采用核密度估计方法生成连续空间上的人群分布，并广泛应用于手机数据人群活动分析中[32]。该方法首先将整个研究区域划分为规则格网，然后基于已知样本点计算格网中心的核密度值，计算公式为：

(3)

式中：r为搜索半径；k(·)为核函数；pi为基站i的停留人数；di为待估格网的中心点(x,y)到基站i(xi,yi)的距离；n为搜索半径范围内的基站数量。

2.3 多元线性回归

城市兴趣点(POI)的空间分布直接影响居民的活动分布。为分析工作日和休息日城市居民时空活动分布差异与POI分布的关系，本文采用多元线性回归模型(式(4))定量分析POI空间分布对人群在工作日和休息日停留分布的影响。

Yi=β0+β1X1i+β2X2i+…+βkXki+εii=1,2,…,n

(4)

式中：β0为常数项；βj(j=1,2,…,k)为解释变量X的回归系数，采用最小二乘估计；k为解释变量的数量；εi为观测量i的随机误差；n为观测数量。当回归系数为正时，表示POI变量对居民停留产生积极影响，即该类型POI数量的增多会促进居民在该区域停留；当回归系数为负时，表示POI变量会对居民停留产生消极影响，即该类型POI数量增多会减少居民在该区域停留。

3 结果与分析

3.1 工作日和休息日居民时空活动差异

为分析不同时段居民在城市中的停留空间分布，根据居民生活规律，将一天划分为T1(00:00-06:00)、T2(06:00-09:00)、T3(09:00-12:00)、T4(12:00-14:00)、T5(14:00-17:00)、T6(17:00-20:00)、T7(20:00-24:00)7个时段，每个时段对应城市主要的群体活动，如T2为早上通勤时段，T3为上午工作时段。针对每个时段，设置停留时长阈值δt为30 min，利用式(1)-式(3)计算居民在休息日和工作日不同时段的核密度差值(图2)。图2中，红色系表示休息日人数较多，蓝色系表示工作日人数较多。

图2 居民工作日和休息日的停留时空差异Fig.2 Spatio-temporal differences of residents′ stops on weekdays and weekends

总体而言，在T1时段(图2a)，城市大部分居民处于睡眠状态，无论是在休息日还是工作日，该时段人群分布较多的区域在空间上比较分散。到早上通勤时段T2(图2b)，城市中心出现大面积的蓝色区域，表示在工作日该时段该区域人群出现聚集。在上午工作时段T3(图2c)，城市中心区域附近和城市北部区域出现大面积的蓝色区域，表示在工作日该时段该区域人群分布较多，推断该区域主要是工业用地，分布有大量工作岗位；同时可以看到，相比于T2时段，T3时段出现大面积连片的红色区域，说明该时段在休息日人数较多，该区域可能是居住用地聚集区。在T4时段(图2d)，中心城区蓝色区域面积开始减少，与T3时段相比，红色区域也出现减少，该时段居民主要活动为外出就餐，引起居民停留分布出现变化。下午工作时段T5与上午工作时段T3相比，城市中心蓝色与红色区域出现减少，但出现一些高密度的红色小区域(图2e)，表明该区域在休息日出现人群聚集状态。在T6时段(图2f)，城市中心仍然存在蓝色区域，表明工作日该时段该区域人数仍然聚集，但红色区域出现明显减少，零星分布在城市不同区域；此外，在该时段工作日和休息日人群分布差异的强度减弱，表明该时段一些区域工作日和休息日的人群活动数量差异不大。T7时段是居民自由活动时间，该时段城市大部分区域被红色覆盖(图2g)，表明休息日西宁市居民可能倾向于在该时段从事社交、娱乐等活动，导致休息日人群分布较多。

从上述分析可以看出，在同一时段，工作日和休息日西宁市居民的活动停留在空间分布上存在差异，并且随着时段推移，空间分布也不断变化。在工作日，由于西宁市的大部分工作岗位集中在市中心区域，因此中心区域居民停留人数较多；在休息日，居民可参与各种活动，人群空间分布较分散。

3.2 POI空间分布对居民时空活动差异的影响

表1 各时段停留密度差值大于0的回归结果Table 1 Regression results of differences of resident stop density greater than 0 in each period

表2 各时段停留密度差值小于0的回归结果Table 2 Regression results of differences of resident stop density less than 0 in each period

从表1可以看出：1)在所有时段，商业设施POI对休息日居民停留产生积极影响，表明某区域商业设施数量的增加将促使该区域在休息日吸引居民停留。2)居住用地对休息日居民停留的影响强度在早上较大，在下午影响强度减小。在休息日，城市大部分居民早上居家，因此在休息日早上某区域居住用地比例增加导致居民停留增多，尤其在T2和T3时段。在T4时段，居民外出活动增多，居住用地的影响强度减弱。到T6时段,居住用地对居民停留产生负影响，原因在于在休息日该时段居民倾向于参与各种活动(就餐、娱乐等)，这些活动位置可能远离居住用地，对其产生了一定抑制作用。3)在T1、T2和T7时段，工业用地对居民停留产生消极影响，此时大部分居民居家；在T5和T6时段，工业用地对其产生显著积极影响，但强度较低，城市中一些办公大厦虽为工业用地，但同时也是商业集中区(如购物中心)，这两个时段居民可能会在这些商业集中区从事购物、聚餐或娱乐活动等。4)公共用地在休息日白天大部分时段对居民停留产生消极影响，因为公共用地主要包括科教及医疗用地，休息日学校放假，医院大部分员工也放假。5)交通用地在各时段对居民停留产生显著积极影响，且影响强度在下午逐渐增大，表明在休息日交通设施越便利的地方，越能吸引居民参与社交活动。6)绿地在大部分时段对居民停留产生消极影响，但影响强度较小，绿地主要包括公园和景区，理论上休息日会促使居民参与休闲活动，但其回归系数却为负，原因有待后续研究。

从表2可以看出：1)与休息日相比，商业设施在工作日对居民停留的影响强度减弱，在T3上午工作时段和T5下午工作时段，城市大部分居民从事工作相关的活动，因此，工作日这两个时段商业设施对居民停留产生较强的消极影响。2)居住用地在T1和T7时段对居民停留产生积极影响，而在其他时段均产生消极影响，主要是这两个时段居民在家睡觉，而工作日其他时段居民需从事与工作相关活动，因此居住用地只在这两个时段对居民停留产生积极影响。3)与休息日相反，工业用地在工作日白天对居民停留产生显著积极影响，且强度较大；在T4中午时段，人群就餐活动引起影响强度出现减弱。4)与休息日相反，公共用地在工作日白天大部分时段对居民停留产生积极影响，因为工作日学校和医院等公共场所均正常开放，只在T1和T7时段产生消极影响。5)与休息日一致，交通用地在工作日各时段对居民停留产生显著积极影响，表明在工作日交通设施越方便越有利于居民出行并停留。6)绿地对居民停留的影响强度较小，可能是由于城市中绿地类型的POI数量较少，具体原因还需进一步对城市绿地和景点进行深入分析。

4 结论

手机信令数据能够感知城市居民空间位置随时间的变化，已成为研究城市大规模群体时空行为的重要数据源。本文以西部高原城市西宁市中心城区为例，基于手机信令数据分析居民在工作日和休息日的时空活动差异，并定量分析POI的空间分布对居民停留活动的影响。具体结论如下：1)对于单中心空间结构的城市而言，居民活动的空间分布在工作日主要集中在市中心区域，休息日在空间上较分散，并且围绕居住区分布；2)相较于传统基于问卷调查的研究，手机信令数据有助于捕获居民在城市空间活动的时空动态，无论工作日还是休息日，居民在城市空间的停留随时间动态变化；3)不同类型的POI设施在工作日和休息日对居民停留的影响存在差异，同一类型的POI在不同时段对居民停留的影响强度存在差异。休息日，商业和交通设施的增加促使居民停留，而工业用地、公共用地在大部分时段对居民停留产生消极影响；居住用地增加对早上居民停留产生积极影响，但下午时段影响强度减弱。工作日，工业用地设施增加、交通可达性提高会促进居民停留，商业设施、居住用地在工作时段对居民停留产生消极影响；公共用地在工作时段促进居民停留，在晚上和凌晨对其产生消极影响。

本研究因数据源限制，仍存在一些局限：手机信令数据缺乏居民出行的活动语义信息，不清楚用户停留的目的(参与何种活动)，且只在用户进行通话、上网和短信活动时才会记录用户的位置信息，导致其并不能实时感知用户的位置，存在轨迹缺失的可能性；同时，不同用户轨迹采样时间间隔不一致，可能会影响停留识别。后续研究需与传统问卷调查数据融合，利用各种数据源的优势互补反映城市居民的时空活动差异。