大都市普通住宅出行率指标研究——以北京为例

尹立娥， 文 晶， 侯亚美， 郑丽丽， 汪小渟， 肖 娜

(1.北京市交通基础设施建设项目管理中心， 北京 100073； 2.北京交通工程学会， 北京 100071)

1 研究背景

北京市自2002年正式实施建设项目交通影响评价以来，为获取科学的交通出行率参数，2005年北京市交通委员会委托北京交通发展研究院(原北京交通发展研究中心)，启动开展了《北京市交通出行率指标研究》课题，并于2009年出版了《交通出行率手册》. 该手册对北京市多类建筑性质的近千个建筑进行了交通出行率调查，经过大量数据分析和处理工作，得出了北京市多类建筑出行率指标，为业界相关人士工作提供了数据参考.

2009年之后，虽然结合北京市交通大调查开展了一系列针对典型地区和建筑单体的出行率调查工作，但是未对出行率数据进行一个有效的积累，出行率成果仍显薄弱. 因此，在现阶段有必要对北京市出行率指标进行系统和细致研究，分析出行率的变化规律及影响因素，并积累数据形成北京市建设项目出行率指标数据库系统.

2 样本选取

为获取北京市不同区域普通住宅的出行率数据，需要选取合适的普通住宅样本. 选取样本时，遵循以下原则：

1) 小区封闭性较好. 选取出入口相对较少、封闭性较好的小区，保证调查数据的准确性，同时节省调查人力；

2) 小区建筑性质单一. 选取住宅类型单一的小区(不含保障性住房)，保证调查数据的可靠性；

3) 住宅小区比较成熟. 入住时间和入住率对出行率的影响较大，为保证调查数据的可靠性，住宅小区入住时间最好在5 a及以上，入住率在85%以上；

4) 住宅小区具有专门的停车区域，便于调查进出的车流量；

5) 周边交通基础设施较完善. 周边交通基础设施较完备的小区，吸引和产生的交通量较稳定，在一定程度上能保证调研数据的可靠性.

按照上述原则，共选取44个普通住宅小区样本，具体位置如图1、表1所示.

图1 普通住宅样本分布图

表1 样本情况分布情况统计表 个

3 现场调查

现场调查工作内容主要包括建筑物属性和出入口早晚高峰时段交通流量，为出行率分析提供数据基础.

3.1 属性调查

属性调查工作内容包含2个方面：核实住宅小区住房属性信息和制定具体的流量调查方案.

核实属性：询问小区物业人员，明确住宅小区的入住年份、建筑类型(不含保障性住房)、入住率(是否大于85%)、总/地上/地下建筑面积、户数、停车位数量等信息；

制定调查方案：根据属性调研表查看并记录住宅小区的实际情况，包括确认小区是否封闭，标注小区进出口位置和功能(人行或车行)并安排调研人员数量，勘探小区周边的交通设施情况，根据实际调研情况制定流量调查初步方案.

3.2 高峰时段交通流量调查

早晚高峰时段进出住宅小区的交通流量调查，包括人流量和车流量. 人流量除了步行人数外，还包含使用和搭载自行车、电动车、三轮车等的人数；车流量调查根据项目实际情况，依据《城市道路工程设计规范(CJJ37—2012)》，本次调查车型分为小型车(车长<6 m)和中型车(6 m≤车长≤12 m)两类，还需同时对车内人数进行记录，以保证总人流量的准确性.

流量调查采用人工计数法在早/晚高峰时段进行调查，并连续观测和记录数据. 在小区每个出入口均安排有1个或多个调查员进行调查，每隔5 min分别记录进出的人流量和车流量.

4 特征分析

根据调查结果对普通住宅的属性特征和出行特征进行总结分析. 属性特征主要是对户均建筑面积、容积率、户均车位等基础指标的分析；出行特征主要是对出行高峰小时、进出方向性、人次出行率和车次出行率的分析.

4.1 属性特征分析

4.1.1 普通住宅户均建筑面积高于北京市城镇住宅平均水平；按区域分析，城四区和副中心户均建筑面积最大，核心区最小

1)根据北京市统计局官网发布的2019年度人民生活统计资料，2018年底城镇居民人均住房建筑面积为33.08 m2，平均每户常驻人口为2.8人，则户均建筑面积为92.6 m2/户. 本次调查研究的普通住宅户均面积达到106.5 m2/户，高于北京市城镇平均水平.

2)按住宅小区所处区域分析，城四区和副中心的普通住宅户均建筑面积最大，为113.5 m2，核心区普通住宅户均面积最小，为81.9 m2.

4.1.2 普通住宅平均容积率为2.4，按区域位置分析，越外围区域，容积率值越低，按环路分析，五环路以内平均容积率高于五环路以外的平均容积率

根据调查数据分析结果，本次调查的普通住宅容积率处于[1.36，4.75]之间，平均值2.41. 按位置分析，位于核心区的普通住宅容积率值最高，远郊区容积率值最低，越外围区域，容积率值越低. 按环路分析，五环路以内普通住宅平均容积率高于五环路以外普通住宅平均容积率.

表2 不同区域住宅平均容积率值表

表3 不同环路住宅平均容积率表

4.1.3 普通住宅户均车位达0.6位/户，略高于配建指标0.5位/户；按区域位置分析，城四区和副中心区户均车位最高，核心区户均车位最低

本次调查研究的普通住宅大部分竣工时间在2000—2015年，建设年份在2015年以前，平均户均车位为0.58位/户，高于当时的住宅停车位配建标准(0.5位/户). 按区域位置分析，城四区和副中心区域普通住宅小区的户均车位最高，其次为近郊区，核心区户均车位最低.

4.2 出行特征分析

4.2.1 出行高峰小时

普通住宅早高峰小时为07:15—08:15，晚高峰小时为17:35—18:35. 近郊区早高峰出行时间最为集中，大部分居民在07:30—08:00从家出发，城四区+副中心早高峰出行时间最为分散，跨度在06:50—08:50；全市晚高峰时段到家时间整体相对较为分散.

图2 早高峰小时分析

图3 晚高峰小时分析

4.2.2 进出方向出行特征

普通住宅早晚高峰潮汐现象明显，早高峰小时出小区的人次占总出行人次的73%，进小区的人次仅占27%；晚高峰小时进小区的人次占总出行人次的63%，出小区的仅占37%.

4.2.3 人次出行特征

按区域分析，高峰时段核心区出行率最高，城四区和副中心出行率最低，与户均面积呈负相关关系，核心区户均面积(81.9 m2/户)最低，城四区和副中心户均面积(113.5 m2/户)最高；近郊区和远郊区出行率处于中间水平，早高峰近郊区出行率大于远郊区，这是由于近郊区与中心城区联系较为紧密，早高峰出行时段(07:30—08:00)更为集中.

表4 早晚高峰小时人流量出行方向统计表

表5 不同区域人次出行率指标统计表

4.2.4 车次出行率

普通住宅车次出行率按区域分析，整体来看，核心区和城四区+副中心(中心城区)的出行率低于近郊区和远郊区，与出行距离、中心城区拥堵、五环内限号等因素有关.

表6 不同区域车次出行率指标统计表

按环路分析，五环内普通住宅高峰小时车次出行率均低于五环外高峰小时车次出行率.

表7 不同环路车次出行率指标统计表

按是否靠近地铁(住宅800 m范围内)分析，无地铁普通住宅车次出行率高于有地铁的车次出行率. 按公交线路条数(住宅500 m范围内)分析，车次出行率与公交线路条数关系明显，周边公交线路条数在5条以内的住宅车次出行率最高，5条以上的住宅车次出行率差别不大.

表8 按有无地铁车次出行率指标统计表

图4 公交线路数与车次出行率关系

4 出行率回归分析

4.1 总体指标汇总

根据调研数据，计算出行率指标如表9所示. 总体来说，普通住宅出行量与建筑面积、户数均成正相关关系；与建筑面积相比，人次出行量与户数拟合度更高；与户数相比，车次出行量与建筑面积拟合度更高.

表9 北京市普通住房总体规律汇总表

4.2 早高峰人次出行率

早高峰平均人次出行率为79.71人次/万m2、83.9人次/百户，出行率范围为35.23～163.41人次/万m2、38.86～146.94人次/百户.

4.3 晚高峰人次出行率

晚高峰人次平均出行率为73.44人次/万m2、76.88人次/百户，出行率范围为32.56～1 887.11人次/万m2、35.27～139.75人次/百户.

4.4 早高峰车次出行率

早高峰平均车次出行率为15.58 pcu/万m2、17.61 pcu/百户，出行率范围为3.85～48.74 pcu/万m2、4.02～73.29 pcu/百户.

图5 早高峰人次出行率回归分析

图6 晚高峰人次出行率回归分析

表10 早高峰人次出行率

表11 晚高峰人次出行率

图7 早高峰车次出行率回归分析

表12 早高峰车次出行率

4.5 晚高峰车次出行率

晚高峰平均车次出行率为14.2 pcu/万m2、15.98 pcu/百户，出行率为2.5～34.17 pcu/万m2、2.94～61.89 pcu/百户.

表13 晚高峰车次出行率

图8 晚高峰车次出行率回归分析

5 结束语

本次普通住宅出行率指标研究是对住宅类建设项目出行率数据的补充和完善，能为北京建设项目交通影响评价工作提供一定的数据支撑，同时为地块控规的编制、交通出行分析等提供微观分析的数据依据. 通过对北京市普通住宅出行率指标的研究，主要结论如下：

1)与建筑周边交通条件、车位数等因素相比，人次出行率与建筑类型、建筑位置和户均建筑面积等因素关系更为密切，尤其是户均建筑面积，一般来说，对于同种建筑类型、同等位置的普通住宅，户均建筑面积越大，单位建筑面积人次出行率越小；

2)车次出行率则与建筑类型、周边公共交通设施条件、停车位、交通政策等因素有较为密切的联系. 对于同种建筑类型，越外围区域的车次出行率越高，公共交通覆盖率越低的区域，车次出行率越高；

3)2020年受新型冠状肺炎疫情影响，在出行方式上，机动车、电动车、自行车等个体化交通工具的选择性更高，在通勤方式上，上班/上学/商务等传统通勤向居家办公、线上教学、视频会议等方式转变，虽然本次调查选择9月份，避开了疫情高发期，但仍会对出行率指标造成一定影响；同时受资金、人力等因素限制，本次普通住宅调查样本为44个，样本量相对不足会造成出行率指标的数据偏差，因此在实际应用时，建议根据具体情况补充一些相关调查，用于辅助分析和数据修正.