产业与地形因素影响下的山地城市职住空间关系——以重庆市主城九区为例

雷玙冰，林 耿,2，杨 忍，王 英

[1. 中山大学地理科学与规划学院，广州 510006；2. 南方海洋科学与工程广东省实验室（珠海），广东珠海 519000；3. 重庆市规划设计研究院，重庆 401120]

就业与居住空间关系是城市空间研究的重要领域，早在《雅典宪章》（1933）中就提及城市规划中对居住、就业、休闲与交通的合理分区的重要性。随着工业革命后大城市迅速发展，欧美、日、韩等发达国家涌现的100多座新城中，职住不匹配现象日益增多（孟晓晨等，2009），职住空间关系成为国际上城市地理和城市规划研究的重要议题。Giuliano（1992）认为职住空间平衡指一定范围区域提供的就业岗位数与就业人口数大致相等，且居民具有足够的住房选择。不同于西方国家，中国城市的职住空间关系受自身社会文化背景、户籍制度、宏观政策等方面的影响（林荣平等，2019）。在新中国成立之后的计划经济时期，依据苏联经济地理地域综合体的理论，政府根据“单位”组织城市人口，将工作、居住和生活空间整合到一起，形成紧凑区域（Bjorklund, 1986），呈现“空间绑定（spatial bond）”的特殊现象（Wang et al., 2011）。伴随中国工业化和城市化进程的加快，城市住房市场化改革、“退二进三”的产业政策、经济全球化发展等因素将市场引入到土地和住房分配系统，城市就业与居住空间之间的紧密联系逐渐瓦解，城市空间结构经历了复杂的重构过程（Tian et al.,2010）。职住分离的本质原因在于城市各功能区的优化速度滞后于城市空间扩展速度，引发城市中心的向心力不断增强（郑思齐等，2015）。职住失衡会导致交通拥堵、环境污染、能源消耗和空间隔离等一系列城市问题。因此，有必要对城市职住空间现状进行分析，这有利于认识职住空间内在机制，切实改善职住空间分离现象，提升居民生活幸福感与满意度。

传统职住关系的研究主要以问卷调查数据与普查数据作为数据源。然而，问卷数据的样本量有限，大范围的职住数据获取成本偏高。全国人口普查与经济普查之间存在普查时间不匹配问题，且普查间隔周期较长，基于普查的人口数据与就业数据之间也存在获取时间不一致问题。随着大数据处理技术和应用的推广，手机信令数据（邹戴晓等，2018；王蓓等，2020）、公共交通刷卡数据（刘耀林等，2019；申犁帆等，2019）和出租车移动数据（郝新华，2016）等被广泛应用于城市就业与居住空间关系研究。既往研究通常通过获取大规模就业与居住位置数据，从宏观上分析城市职住空间与居民行为活动特征。但大数据也存在一定局限性，如手机信令数据获取成本较高，公交刷卡数据与出租车移动数据又局限于使用这2种出行方式的居民。而百度慧眼数据基于用户手机端上的百度产品进行定位，用户覆盖面广，连续性强，获取难度相对较低，适合用于识别就业与居住人口。目前职住空间关系测度方法主要包含平衡度测量与自足性测量。就业－居住比（仇璟等，2020）、就业－居住偏离度和空间错位指数（郭亮等，2018）是最常用的平衡度测度指标，主要从数量上分析职住空间关系。而自足性测量从质量上分析职住空间关系，指一定范围内地区居住并就业的人口数量所占比重（孟晓晨等，2009），即就业－居住比率（Cervero,1989）。目前，国内已开展的研究大多集中在一线平原城市（孙铁山等，2012；程鹏，2017；钟烨等，2019）。这些城市空间结构主要为圈层式，就业空间普遍呈现向心集聚特征，人口空间分布呈现一定郊区化与分散化特点，职住分离现象显著（孙铁山，2015）。而山地城市的地貌特征比起平原城市具有复杂性与特殊性，呈现就业与居住人口分布分散化和多中心化的特点（段亚明等，2019），目前国内外针对山地城市职住空间关系的研究相对偏少。重庆市作为典型的山地城市，职住空间关系具有一定特殊性与典型性，对其进行分析讨论有利于丰富职住空间关系相关研究内容。

职住空间受到多种因素的综合影响，其中包括居民社会经济特征、交通条件、公共设施布局、土地利用混合度等。不同社会经济属性的人群职住空间错位程度不同，弱势群体面临更明显的职住空间错位（刘志林等，2011）。交通与职住用地关系密切，但交通条件对职住空间关系的影响存在争议，有研究认为职住平衡区域交通通达性普遍良好，交通设施充足（仇璟等，2020），不易产生严重的交通拥堵。相反的观点则认为交通条件的改善会加剧住宅郊区化（肖琛等，2014），加大就业与居住郊区化进程的不一致性，加剧了职住分离程度。沈忱等（2019）认为交通对职住的影响因城市而异，就业居住空间本身不匹配的城市不适宜增加公共交通设施的投入。此外，公共服务设施和商业服务设施的分布对职住空间具有较大影响，职住平衡区域公共配套设施发展良好，居住点与商业中心之间距离较短（张逸姬等，2019），商业服务设施水平较高（仇璟等，2020），居民生活购物需求更易得到满足。也有研究指出，混合的土地利用对降低职住分离程度有积极意义（党云晓等，2015），用地功能高度混合的街道就业区与居住区在空间上较为接近（钟国平，2016）。土地利用混合度反映用地多样化程度，但甚少讨论各类产业用地对职住空间的影响，而居民从事行业是职住空间结构的重要变量（湛东升等，2017），不同行业就业人口的就业－居住空间错位差异明显（孙铁山，2015）。其中，位于城市外围的制造业职住平衡情况较好，集聚于城市中心的现代服务业职住分离程度较高（叶昌东等，2018）。目前探讨产业因素对职住空间关系影响的研究主要通过选取部分行业或直接计算其混合度，未能在拆分各行业门类的基础上进行更细致的探讨。

鉴于此，本研究以中国最典型的山地城市重庆主城九区为研究区，利用百度慧眼大数据识别并分析其就业人口与居住人口的空间匹配关系，在对产业进行综合因子分析基础上，定量化识别产业综合因子和地形因子对重庆主城九区职住空间匹配性影响，解释重庆市主城九区的职住空间关系的形成机制，以期为职住空间关系研究提供来自不同于平原城市的认识和观点。

1 研究区域、数据与方法

1.1 研究区概况

选取重庆主城九区作为研究区域（图1），包括渝中区、江北区、南岸区、九龙坡区、沙坪坝区、大渡口区、北碚区、渝北区和巴南区，共计162个街镇，面积为5 472.68 km2。重庆市位于中国内陆西南部，是国务院批复确定的长江上游地区经济中心和西南地区综合交通枢纽，经济发展迅速，主城九区是重庆市发展的核心，2019 年常住人口为884.39万人，GDP达9 334.23亿元，占全市近40%，其中第二三产分别为2 846.79 亿元和6 385.27 亿元（重庆市统计局等，2020）。重庆是典型的山地城市，地形起伏大，受自然环境限制，被长江、嘉陵江分割，形成以解放碑为主中心，以沙坪坝、观音桥、杨家坪、南坪等为副中心的组团式多中心结构（段亚明等，2019）。

图1 研究区域位置Fig.1 The location of the study area

1.2 数据来源

选取基于百度慧眼识别的就业与常住人口数据（2019 年5 月），其中研究区内就业人口数据为6 128 324条，居住人口数据为13 044 245条。百度慧眼定义的就业人口指连续3个月内，定位发生时间为工作日白天，定位位置大多处于写字楼或其他具有办公属性的位置，连接WIFI属性为公共WIFI等条件的人口；居住人口指连续3个月内，定位发生时间为工作日夜晚或周末，定位位置大多处于居住区域、连接WIFI属性单一或非公用WIFI、满足在重庆市居住超过3 个月等条件的人口。办公属性位置与居住区域位置为百度公司识别获取。本文同时选用2018 年的全国（重庆市）第四次经济普查数据①http://tjj.cq.gov.cn/作为产业分析的数据源进行研究，市、区层面的数据来自重庆市统计局的第四次全国经济普查公报，街道层面的数据来自重庆市规划设计研究院。

1.3 研究方法

1.3.1 就业－居住偏离度指数 就业－居住偏离度指数用于度量就业活动与居住活动在空间上的配置关系（张学波等，2019）。计算公式为：

式中：Zi为街镇i的就业－居住偏离度；Yi为街镇i的就业人口数量；Y为重庆市主城区的就业人口数量；Ri为街镇i的居住人口数量；R为重庆市主城区的居住人口数量。理想状态下的指数为1，即该地区的就业与居住功能完全匹配；Zi>1表明这个地区就业人口比重高于居住人口比重；反之，就业人口比重低于居住人口比重。将Zi＞1.3的街道定义为就业主导区，1.1～1.3 之间的街镇为就业次级匹配区，0.9～1.1 之间的街镇为基本匹配区，0.7～0.9 之间的街镇为居住次级匹配区，Zi＜0.7的街镇定义为居住主导区（英成龙等，2016）。为反映全市就业与居住空间差异大小，使用偏离度指数的标准差（SD）进行衡量：

式中：SDi为街道i的偏离度标准差，值越小表示职住空间越匹配，值越大表示职住空间越失衡。

1.3.2 主成分分析 主成分分析可以将多个具有相关性的要素进行降维处理，转化成几个综合指标，具体计算原理见文献（王鹏等，2015）。本研究对各经济行业进行主成分分析，获得若干产业因子，揭示不同产业对重庆主城区职住空间关系的影响。

1.3.3 空间回归分析 引入空间回归分析探索产业要素对重庆市职住空间关系的影响。空间滞后模型与空间误差模型是常用的空间回归模型（李琼等，2020）。空间滞后模型（Spatial Lag Model, SLM）考虑到不同空间单元因变量之间的相互影响，基本形式为：

式中：y为因变量，即就业－居住偏离度指数与偏离度标准差；ρ为因变量空间滞后的待估参数；W为空间权重矩阵；本研究选取Rook空间权重矩阵，x为一组自变量，即若干个产业因子与地形因子，β为自变量待估参数，ε为误差项。

空间误差模型（Spatial Error Model, SEM）考虑到不同空间单元误差项之间的关系，其基本形式为：

式中：λ为待估系数；μ为误差项；其余变量解释同空间滞后模型。

2 重庆市职住空间关系特征分析

2.1 就业人口与居住人口的空间分布

重庆市主城区就业人口与居住人口的空间分布特征大致相同，高人口密度街道集中在主城区中部，中间高值被四周低值包围，存在多个中心点（图2）。在街镇尺度上，就业人口与居住人口密度存在显著的全局性空间自相关，Moran'sI值分别为0.75 和0.97（p值均为0）。就业人口主要聚集在内环地区，最高值达7.18万人/km2，其次是外环，外环以外人口密度较低，最低值为8 人/km2。就业人口密度最高的几个街道主要分布于解放碑商圈、南坪商圈、大坪商圈等城市主要商圈地区。重庆市的商圈存在一定特殊性，附近分布大量居民区，人群多样化，就业与居住人口均十分密集。就业人口与居住人口最密集的地区存在一定空间重合，如解放碑街道、七星岗街道、南坪街道等，其就业人口密度分别为7.12 万、2.91 万和2.84 万人/km2，居住人口密度分别为5.10 万、7.49 万和4.90 万人/km2。另外，外环存在2个人口聚集点，以天生街道和陈家桥街道为中心，其就业人口密度分别为1.26 万和0.38 万人/km2，居住人口密度分别为2.20 万和0.69万人/km2。位于主城区西北部的天生街道是北碚区的经济文化中心，工业发达，是重庆专用汽车制造基地。位于西部沙坪坝区的陈家桥街道是重庆大学城的所在地，2003年起大批教职工与学生迁入。大学城的人才资源吸引了重庆西永微电子产业园入驻。随着重庆市西部新城战略的实施，陈家桥街道被定位为重庆市城市副中心和西部新城都市核心区，吸引了大量人口。

图2 重庆市主城区就业人口密度（a）与居住人口密度（b）分布Fig.2 Working population density(a)and residential population density(b)in the main urban area of Chongqing

2.2 职住空间的匹配特征

重庆市主城区总体职住空间较平衡，就业－居住空间匹配度较高（图3-a），存在少量职住错位严重的街道，偏离度最低值为0.447，最高值为5.903。162个街道中33个为就业主导区，32个为就业次级匹配区，36个为基本匹配区，39个为居住次级匹配区，22个为居住主导区。就业主导区的街道主要呈现东北－西南方向分布特点，分布于内外环。位于中心的街道现代服务业发达，如解放碑街道和朝天门街道，就业－居住偏离度为2.95和1.93，承载着商业功能，经济活动多样，就业岗位丰富，但居住空间相对不足。位于非中心的街道，如两路街道，重庆江北国际机场坐落于此，就业人员密集且周边住宅较少，以就业功能为主导，就业－居住偏离度达1.81。居住主导区的街道同样呈现东北－西南方向的分布特点。位于内环的居住主导区围绕几个重要商圈，如南纪门街道，主要承担居住与生活功能。外环部分居住主导街道位于行政区周边的城乡结合部，承载大量外来人口。

就业－居住偏离度反映地区就业与居住功能的主导性，其标准差进一步表示职住空间差异的大小，重庆主城区职住空间分离程度较低（图3-b），SD＞1 的街道有4 个，占街道总数的2%，SD＞0.5的街道有21个，占街道总数的12%。职住空间功能差异最为显著的街镇主要集中在外环线以内的就业主导区域，少部分分布在居住主导区域。在“一主四副”在城市中心结构中，主中心的职住平衡度较低，SD 值为1.95，4 个副中心的职住平衡度较高，SD值均＜0.5。

图3 就业—居住偏离度指数（a）和标准差（b）分布Fig.3 Spatial distribution of job-housing deviation degree(a)and standard deviation(b)

3 影响重庆市职住空间的产业与地形因素

3.1 指标体系构建

3.1.1 产业因子 将全国第四次经济普查数据根据国民经济行业分类划分为17 类，具体包括制造业（X1）、电力、热力、燃气及水生产和供应业（X2）、建筑业（X3）、批发和零售业（X4）、交通运输、仓储和邮政业（X5）、住宿和餐饮业（X6）、信息传输、软件和信息技术服务业（X7）、金融业（X8）、房地产业（X9）、租赁和商务服务业（X10）、科学研究和技术服务业（X11）、水利、环境和公共设施管理业（X12）、居民服务、修理和其他服务业（X13）、教育（X14）、卫生和社会工作（X15）、文化、体育和娱乐业（X16）、公共管理、社会保障和社会组织（X17）。采用因子分析中的主成分分析处理上述17个行业的从业人员数据，探究行业分布与职住空间之间的关系。将17 个变量与162 个街镇组成一个17×162 的矩阵，对矩阵进行KMO 和Bartlett检验，二者卡方值分别为0.881和1 887.675，且显著性为0.000，即因子分析适用于原始数据。根据特征值以及分类效果，最终提取出4个主因子（表1），累积解释方差为68.956%。依据主因子载荷与变量特征将主因子1～4 分别归纳为综合性服务产业因子、生产性服务产业因子、社会性服务产业因子和制造业因子，并计算绘制各主因子得分的空间分布（图4）。

表1 主因子载荷矩阵Table1 Principal components'matrix

第一主因子为综合性服务职能，特征根为7.763，贡献率为45.667%，主要与文化、体育和娱乐业，批发和零售业，居民服务、修理和其他服务业，租赁和商务服务业，房地产业，住宿和餐饮业、卫生和社会工作，教育等行业高度相关，其中文体娱乐业载荷最高，为0.851。综合性服务职能因子高值区主要位于内环人口密度较高的几个街道，外环的北温泉街道、天生街道、虎溪街道、鱼洞街道等得分也比较高。综合性服务职能全局空间自相关Moran'sI得分为0.430，说明其空间集聚性较强（图4-a）。第二主因子为生产性服务职能，特征根为1.871，贡献率为11.007%，与水利、环境和公共设施管理业，信息传输、软件和信息技术服务业，金融业，科学研究和技术服务业，交通运输、仓储和邮政业高度相关。生产性服务职能因子高值区主要分布在内环北部的就业主导区，少部分分布在外环。生产性服务职能Moran'sI得分为0.259，说明其空间集聚性较差（图4-b）。第三主因子为社会性服务职能，特征根为1.148，贡献率为6.751%，除了建筑业外，与公共管理、社会保障和社会组织，电力、热力、燃气及水生产和供应业高度相关。社会性服务产业因子的Moran'sI得分为0.358，其空间集聚性一般（图4-c）。内环北部与外环南部形成2个高值聚集区，分别以观音桥街道和鱼洞街道为中心。第四主因子为制造职能，特征根为0.940，贡献率为5.530%，主要与制造业高度相关，主因子载荷高达0.906。制造业因子的Moran'sI得分最低，仅为0.007，表示其分布分散，空间集聚程度非常弱。制造业因子高值街道主要分布在内外环的平衡区与居住主导区（图4-d）。

图4 主因子得分空间分布Fig.4 Spatial distribution of principle components

3.1.2 地形因子 重庆土地利用受到地形因素的制约，高强度土地利用类型主要分布在平地和低缓坡，主城区建设用地大量分布在0°～2°的平地，随着建设用地扩张，2°～6°缓斜坡和6°～15°斜坡也大量被占用（陈丹等，2013）。将海拔高度500 m 视为基准山体高度，采用移动窗口分析法计算重庆主城的地形起伏度。根据数字高程模型的精度选择最佳采样矩形窗口大小5×5。重庆主城区的坡度范围较大，最高达64.3°，适宜生产生活的平地、缓斜坡和6°～15°斜坡占比分别为4.48%、22.02%和45.27%，主要分布在人口密集的内环与山脉之间；地形起伏度在0.190～0.781之间，整体趋势为东部低于西部，中心低于外围（图5）。

图5 重庆主城区坡度（a）与地形起伏度（b）分级Fig.5 Classification of slope(a)and topographic relief(b)in the main urban area of Chongqing

3.2 空间回归分析及影响因素解释

将综合性服务产业因子、生产性服务产业因子、社会性服务产业因子和制造业因子分别命名为FAC1、FAC2、FAC3、FAC4，为产业变量，将地形起伏度命名为RDLS，作为地形变量。建立6 组模型，模型1－3的因变量为就业－居住偏离度，模型4－6 的因变量为就业－居住偏离度标准差。模型1和模型4为OLS回归模型，不考虑因变量空间相关性；其余4个模型为空间回归模型，通过测试与比较，使用Rook空间权重矩阵。6组回归模型结果如表2所示。

表2 回归模型计量结果Table 2 Results of regression models

通过比较发现，空间滞后模型和空间误差模型的Log Likelihood 均大于经典线性回归模型，且AIC和SC均小于线性回归模型，表明空间回归模型拟合度优于线性回归模型，适用于分析产业与地形因素对主城区的影响。拉格朗日乘子检验可用于判断最优的空间回归模型（姜磊，2016）。从表3的检验结果看，选择就业－居住偏离度（Z）作为因变量时，LM-lag 和LM-error 均通过显著性检验，而RLM-lag 的显著性高于RLM-error，说明空间滞后模型（模型2）更适用于解释影响因素与就业－居住偏离度的关系；选择偏离度标准差（SD）作为因变量时，LM-error 在5%的检验水平下显著，LMlag 未能通过显著性检验，空间误差模型（模型6）更适用于解释影响因素与偏离度标准差之间的关系。

表3 空间依赖性诊断检验Table 3 Diagnostic test results of spatial dependence

模型2 与模型6 均表明产业与地形因素对重庆市职住空间关系具有显著影响，其中综合性服务产业因子与生产性服务产业因子扩大了职住空间差异，社会性服务产业因子、制造业因子和地形起伏度缩小了职住空间差异。偏离度主要反映街道就业或居住主导性，标准差则刻画了街道职住差异大小，使用偏离度标准差作为因变量更优，适用于检验产业与地形对职住空间关系的影响。模型6的R2为0.229，高于模型2 的R2（0.223），且模型6 中4个影响因子通过显著性测试，而模型2 中仅有2 个影响因子通过显著性测试。由于模型2 与模型6 结果大致相同，且后者可靠性高于前者，故采用模型6的结果并进行解释。模型6中综合性服务产业因子系数为0.053，扩大了职住空间差异，但未通过显著性检验，原因在于综合性服务产业同时包含生产与生活相关产业，如批发业、零售业和居民服务业等，类别相对复杂，同时吸引了就业与居住人口。生产性服务产业因子系数为0.121，是影响力最大的产业因子，该因子得分高的区域职住差异程度较大，这是由于相关行业具备人才集聚特征，就业吸引力大于人口吸引力，导致就业与居住分布不平衡，社会性服务产业因子系数为-0.048，降低了职住人口不平衡，原因在于该因子与生活性服务业相关行业高度相关，有利于满足居民生活消费需求，提高居民生活质量。地形因子系数绝对值明显大于产业因子系数绝对值，表明地形因素对主城区职住空间关系的影响大于产业因素。另外，地形因子系数为负，表明地形起伏度高的区域职住空间错位不明显，原因在于地形起伏较大的地区就业人口与居住人口稀疏，二者差异较小，这也表明模型6 更适用于检验出人口稀疏处地形因子对职住空间关系的影响。

地形地貌是重庆主城区发展的基础，三山两江将主城区分割成多个部分，形成了多中心、组团式的城市空间结构，对城市交通环境与政府规划产生深刻的影响。重庆内环地区路网密集，交通设施完善，通达性良好，城市环线的建设加快了各园区产业的整合，便捷的中心与外围的联系条件，有助于主城产业升级和服务业的集聚发展，在其引导下的就业人口与居住人口呈现了重庆主城区职住平衡的基本格局。城市土地制度与房地产制度市场化促进城市功能分区，重庆市政府一直秉持“大分散、小集中”的规划理念，致力于实现生产生活的大致平衡。因此，产业布局与地形地貌是重庆主城区职住空间关系的重要影响因素，二者与城市空间结构、政府规划、交通条件和居民生活相互补充、共同作用，塑造了重庆主城现今协调发展的就业－居住空间格局（图6）。

图6 重庆主城区职住空间关系影响机制Fig.6 The framework of jobs-housing relationship in the main area of Chongqing

重庆主城区内环地区大部分街道职住平衡，产业与人口集中，就业岗位充足，生活服务设施丰富，土地利用混合程度高。自开展土地“退二进三”以来，重庆主城区为调整产业布局，加大第三产业的发展，将部分产业外迁。因此，制造业因子高值街道大多分布在外环地区，如缙云山和中梁山、铜锣山和明月山之间较为平坦的区域。虽然制造业因子高分的街道公共性、消费性与生产性服务业发展较慢，相关服务产业因子得分较低，但为满足企业员工居住需求，在新建园区附近进行了一系列住宅建设，如九龙西苑和西彭公租房，同时引入商品住宅开发，以实现生产生活空间协调发展。

4 结论与讨论

4.1 结论

1）重庆市主城区的就业与居住人口空间分布基本一致，均呈现“中间高，四周低”的空间特征与多中心的城市格局。就业人口与居住人口密集区域存在一定空间重合，高人口密度街道主要位于经济发达、就业机会多的繁华商圈及其周边地区。外环存在少量人口分布相对密集的街道。

2）重庆主城区职住偏离程度总体不高，大部分街道职住空间基本平衡。少数位于中心区域的街道就业功能主导，经济活动丰富，周边存在少量主要承载居住功能的街道。“一主四副”的城市结构中，主中心解放碑的职住平衡度相对较低，沙坪坝、观音桥、石桥铺、南坪4个副中心职住平衡度较高。

3）重庆山水分隔的地貌格局型塑了主城区产业的分布形态，而交通条件与政府规划决策进一步强化了主城区产业和生活集中分布的特征。相对平衡分布的生产性、服务性产业与居民生活选择的共同作用，使重庆主城区形成了有别于一般平原大城市职住分离的空间关系，塑造了山地城市协调发展的职住空间格局。

4.2 讨论

针对大城市的既往研究表明（郑思齐等，2015；程鹏，2017；范佳慧等，2019），圈层结构的城市就业向心聚集，中心城区就业功能主导，经济活动丰富，职住空间的不匹配程度由中心向外围逐渐降低，居民通勤时间长。而重庆主城区城市建设深受环境制约，多山多水的自然环境将城市分割成若干部分，奠定了城市用地格局，形成了现今多中心组团式的空间布局。单中心CBD飞地式扩展，逐渐演变成多中心CBD 系统（郑伯红等，2004），各中心具有相对完整的功能形式（余颖等，2014）。组团之间的天然阻隔致使跨组团交通时间成本较高，而组团内部发展成熟，就业生活便利，居民更倾向于本地就业。已有研究表明，重庆主城区通勤交通以片区、组团内部通勤为主，跨片区、跨组团外部通勤为辅（冷炳荣等，2016），未出现因通勤造成的大量交通拥堵现象。重庆特殊的地形地貌奠定了产业分布基础，造就了本地化就业特征，进而促进了职住空间均衡化发展。不同于北京、上海进入功能外溢的发展阶段，重庆主城区现阶段处于功能迭代升级的过程（王芳等，2018），未出现较为严重的职住空间失衡，但随着经济发展、产业继续外迁，若不及时采取相应措施，城市也将面临职住失衡加剧的问题。

既往文献已指出了平原地区大城市普遍出现的职住分离现象及其成因，本文通过对山地城市职住空间关系的研究，解释了产业与地形因素在职住平衡中的重要作用，对进一步认识职住关系的多元机制具有积极的作用。研究存在的主要不足：首先，原始人口数据来源于百度慧眼平台，在就业与居住人口的界定方式上虽然具有一定的合理性，但原始数据完全由商业平台提供，无法进一步甄别（如同一位置同一人持有多台移动通讯设备，并同时登录多个百度账号），在一定程度上影响了其客观性。其次，由于数据限制，仅采用偏离度指数，从数量上分析职住空间关系，如果从微观角度出发，引入居民职住OD 流分析，更有利于探讨职住平衡的自足性。另外，后续研究可以加入对时间维度的探讨，分析就业－居住空间关系变化过程，预测未来发展态势，提出具有针对性的政策建议。