EN中文

经济地理 >

2019 , Vol. 39 >Issue 5: 65 - 75

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.05.008

城市地理与新型城镇化

北京都市区居住与产业用地空间格局演化及其对居民通勤行为的影响

  • 韩会然 , 1, 2 ,
  • 杨成凤 1, 2
展开
  • 1.安徽师范大学 地理与旅游学院，中国安徽 芜湖 241002
  • 2.安徽师范大学 城市与区域规划研究中心，中国安徽 芜湖 241002

韩会然（1987—），男，山东聊城人，博士，讲师。主要研究方向为城市地理与城市经济。E-mail：。

收稿日期: 2018-08-25

  修回日期: 2018-12-19

  网络出版日期: 2025-04-20

基金资助

安徽省哲学社会科学规划项目(AHSKY2016D42)

收起

Spatial Pattern Evolution of Residential and Industrial Land and Its Impact on Commuting Behavior in Beijing Metropolitan Area

  • HAN Huiran , 1, 2 ,
  • YANG Chengfeng 1, 2
Expand
  • 1. College of Geography and Tourism，Anhui Normal University，Wuhu 241002，Anhui, China
  • 2. Center for Urban and Regional Planning Studies，Anhui Normal University，Wuhu 241002，Anhui, China

Received date: 2018-08-25

  Revised date: 2018-12-19

  Online published: 2025-04-20

Fold

摘要

以北京都市区为研究案例地，采用核密度估计法、Ripley’s K（d）函数分析了北京都市区土地利用空间格局的分布特征与集聚强度，在此基础上，运用多层模型，重点分析了不同土地利用类型对居民通勤行为的影响。研究结果表明：①不同时间段内产业用地的集聚强度都要高于居住用地的集聚强度，说明居住用地出让的空间分布格局更为分散化，而产业用地出让的空间分布格局更为集聚。②土地利用格局显著影响居民的通勤行为，随着产业用地与居住用地密度的提升，居民的通勤时间与通勤距离都明显缩短，说明居住在土地混合程度越高区域的居民能够充分利用区位优势来优化通勤行为；个体属性特征如性别、年龄、职业、住房产权以及邻里特征等因素也会显著影响居民的通勤时间与通勤距离。

关键词： 土地利用; 职住分离; 通勤行为; 多层模型; 北京都市区; 交通拥堵; 首都功能疏解

本文引用格式

韩会然 , 杨成凤 . 北京都市区居住与产业用地空间格局演化及其对居民通勤行为的影响[J]. 经济地理, 2019 , 39(5) : 65 -75 . DOI: 10.15957/j.cnki.jjdl.2019.05.008

Abstract

Since the Reform and Opening, China's urban land use has undergone tremendous changes, which has a profound impact on the residents' travel behavior. Taking Beijing metropolitan area as a case study, this article analyzes the distribution characteristics and concentration intensity of land use spatial pattern applying the methods of kernel density estimation and Ripley's K(d) function. On this basis, multilevel model is used to analyze the influence of different land use types on the commuter behavior of the residents. The results show that: 1) the concentration intensity of industrial land is higher than residential land in different time periods, indicating that the spatial distribution pattern of residential land transfer is more scattered, and the spatial distribution pattern of industrial land transfer is more concentrated. 2) The land use pattern has a significant impact on the commuting behavior. With the increase of industrial land and residential land density, the residents' commuter time and commuting distance are obviously shortened. It shows that the residents living in the higher land mixing degree can make full use of the location advantage to optimize the commuting behavior; the individual attribute features such as gender, age, occupation, housing property rights and neighborhood characteristics will also significantly affect commuting time and distance.

Key words： land use; home-work separation; commuting behavior; multilevel model; Beijing metropolitan area; traffic jam; capital function dredging

改革开放以来，中国城市土地利用方式发生了巨大变化，深刻影响着居民的出行行为。随着城镇化进程的不断推进，中国城市人口规模和建成区面积都在急剧扩大，城市土地利用方式也发生了重大变化，由计划经济时代“职住合一”背景下高度混合的土地利用模式转变为市场经济条件下“职住分离”的用地结构[1]。城市规模扩展和城市用地结构的转变在一定程度上改变了城市的居住与就业空间格局，进而延长了居民的通勤距离和通勤时间，导致居民出行日益机动化，对小汽车的依赖程度不断加深[2]，由此带来的交通拥堵和环境污染问题成为当前城市面临的主要难题。
随着新城市主义、精明增长、紧凑型城市等相关理念的提出，国内外较多学者开始重点关注城市土地利用和居民出行行为之间的复杂关系[1,3]。不同的土地利用类型决定了居住与就业选址，进而出现了通勤流动，因此土地利用类型的空间分布格局决定了通勤的需求与分布特征[4]。Horner发现土地利用结构与通勤模式之间具有强相关性[5-6]；Maoh等研究显示土地利用因素更有助于解释极端通勤行为[7]；Lau等认为土地利用政策、社会经济特征对其通勤行为具有显著影响，职住临近的空间模式在一定程度上优化了通勤时间[8]。
由于城市人口的高速增长使得城市空间快速扩展，土地是空间扩展和城市住宅区适应各种活动的重要资源，越来越多的学者认为混合的土地利用结构能够解决通勤时间过长、交通拥堵等效率过低的问题。Shankar等认为住宅区活动应该考虑通勤需求、环境影响、安全、交通以及适当的停车位等因素[9]；Anzhelikad等发现土地利用混合程度较高的住宅区居民的通勤更短[10]。此外，居民出行除了工作通勤以外还有非工作出行，有学者利用居民出行日志在邻里尺度上分析了土地利用格局与居民非工作出行之间的关系，发现土地利用特征的影响并不显著，但在不同地理尺度与个人意愿中存在差异性[11]。此外，也有学者发现土地利用分区在居住与就业空间分布中起着关键作用[9,11]。Ihlanfeldt梳理了土地利用政策对郊区低收入家庭排斥的研究进展，并提出了相应的措施[12]；Kim等发现土地高度管制的地区，人口—就业与通勤时间的变化呈现弱相关性，土地制度可能会限制居民的区位再选择[13]；Jiang认为混合的土地利用模式对居民居住与就业空间格局具有较大影响[14]。
国内学者也从不同的研究视角重点关注了土地利用方式对居民通勤行为的影响，主要集中在土地利用混合度对居民职住分离的影响[1,15]、建成环境要素对居民通勤方式选择影响[16]、TOD模式对居民通勤行为的影响及其机制[17]、城市土地利用模式对居民通勤碳排放影响[18]等方面，不同的学者得出的结论也存在较大差异。综上，现有国内外研究取得了较为成熟的重要成果，但依然存在有待于进一步探讨的问题：①从研究内容来看，国内大多研究关注了土地利用格局对通勤行为某一方面的研究，忽视了通勤距离、通勤时间、通勤方式的内在关联性。②较多研究成果将土地利用空间因子与个体属性特征割裂开来，忽视了同一研究单元上微观个体之间的相互依赖性。③从研究方法来看，在计量模型的应用上尚具有一定的拓展空间。本研究试图回答两个问题：第一，从时空尺度来看，不同土地利用类型具有怎样的空间格局，这种格局的演变规律和特征是怎样的?第二，土地空间格局类型如何影响居民通勤行为，对通勤时间与通勤距离的影响是否具有明显差异?

1 研究区概况与方法

1.1 研究区概况

北京作为我国的首都，同时也是一个人口超两千万的超大城市，特殊的政治地位和长期的发展导致资源与职能的高度集中，人口和经济的高速增长以及重大基础设施建设使得市区建成区面积不断扩大，城市边缘不断扩张，导致土地利用格局也在发生急剧变化。从北京市土地利用类型变化趋势来看，建设用地扩张的趋势极为明显，由中心向四周扩散，整体上呈现出“摊大饼”式的空间格局，扩张方向主要沿环线向外以分散集团模式为主，增长区域由城市功能拓展区的朝阳区、海淀区向城市发展新区中的通州区、昌平区等远郊区集中[19-20]。从常住人口数量来看，2017年北京市常住人口为2 170.7万人，尽管首次出现负增长，但庞大的人口基数仍然对土地资源、水资源供给带来巨大压力，交通拥堵、环境污染等问题也接踵而来。由于城市空间不断向外拓展，新城建设中带来的职住分离、配套设施不完善等问题导致城市交通中呈现候鸟式的“潮汐现象”，跨地区长距离的活动空间出行比例居高不下，导致早晚高峰段交通拥堵高发。据《2018职场人通勤调查》显示，北京以工作日平均通勤半径16.79 km占据榜首，成为全国最拥堵的城市之一，使北京宜居城市的构建面临着诸多挑战。近年来，北京非首都功能的有序疏解带来了城市空间布局变化、产业升级和功能更新，因此对北京土地利用空间格局产生了重要影响，进而影响了居民的通勤行为。考虑到地域的完整性，借鉴相关学者的研究[21⇓-23]，本文研究区主要界定为北京都市区，包括东城区、西城区、朝阳区、海淀区、丰台区、石景山区、门头沟区、房山区、大兴区、通州区、顺义区、昌平区等12区的范围，同时也是北京市城市化水平最为成熟和土地利用格局变化较为剧烈的区域，具有一定典型性。

1.2 数据来源

本研究数据可分为土地数据和居民通勤数据两类。其中用地数据来源于北京市规划和自然资源委员会网站的土地出让数据①，居住用地规划用途主要涉及住宅、公寓、混合公建及配套功能等，产业用地规划用途主要涉及办公用地、科研用地、商业用地等，地块数据的发布时间段为2003年6月—2014年12月，详细说明了每个出让地块的土地位置、宗地面积、规划用途、土地成交价格、签约时间、土地用途、容积率等相关属性特征。利用相关软件获取相关用地的经纬度，将其导入GIS软件中转化为空间信息，形成本研究的基础数据库。由于地块数据较为复杂，故在空间数据库中删除难以定位空间位置的数据，从而筛选出有效的居住用地数据为1 657个，产业用地数据为3 109个（图1）。
图1 北京都市区居住用地与产业用地出让的空间分布图

Fig.1 Spatial distribution of residential land and industrial land in Beijing metropolitan area

居民通勤数据来自于北京都市区居民出行调查问卷，问卷调查时间为2013年8月，共计发放问卷2 297份，经过筛选，获得有效问卷1 967份[24]。在问卷内容的设计上，主要包括居民的居住情况、工作情况、出行特征及属性特征等内容。从被调查者的基本特征来看，调查样本包含了不同的年龄层次、职业、文化程度、收入水平和家庭构成，具有较强的随机性，保证了以此为分析的结论的可靠性。样本中，男性842人，占样本总量的42.8%；女性1 126人，占样本总量的57.2%。从调查样本的年龄构成来看，以30岁以下、31~40岁、41~50岁为主，分别占样本总量的38.7%、32.1%、27.4%。从学历水平来看，样本的受教育程度较高，以本科为主，占样本总量的52.0%，此外大专和研究生及以上学历的样本也占较大比重，分别占样本总量的19.8%和16.8%。从个人的月收入情况来看，以4 000~5 999元为主，占28.9%，其次主要集中在2 000~3 999元和6 000~7 999元两个收入段，分别占22.0%和17.3%。调查样本的家庭构成以夫妻携子女的核心家庭为主，占36.5%。

1.3 研究方法

①核密度分析法。核密度估计法是在空间分析中常用的一种非参数估计法。本文通过核密度方法将居住用地与产业用地的出让地块作为“点”，且以2005、2010年为时间节点分为三个阶段，分别对两种土地类型的空间分布及集聚变化状况进行分析。采用四次多项式核密度计算，假设待估计点p处密度为 λ h p，则其估计值 λ ^ h p的函数形式如下：
λ ^ h p = ∑ i = 1 n 3 π h 4 1 - p - p i 2 h 2 2
式中： p i为落在以p点为圆心h为半径的圆形范围内的第i个地块的位置；h表示步长，即以p为源点的曲面在空间上延展的宽带。
②Ripley’s K（d）函数。本文将某一用地的每个地块看作区内的点，同样以2005、2010为时间节点分三个阶段，根据Ripley’s K（d）函数绘制两种土地出让类型不同阶段的点状图，以此分析土地利用空间分布格局及其变化特征，公式如下：
K d = A ∑ i = 1 n ∑ j = 1 n w i j d n 2
式中：i，j=1，2，…，n；i≠j，n为研究区域内某一用地的出让地块数量；d为距离尺度； w i j d为距离d范围内地块i与地块j之间的距离；A为研究区面积。通过对 K d函数变形，构造判断观测点分布状况的 L d指标：
L d = K d π - d
式中： L d>0表示出让地块空间格局呈集聚分布； L d=0表示出让地块的空间格局呈随机分布趋势； L d<0表示出让地块空间呈扩散分布趋势。
③多层分析模型。为了估计土地利用空间格局对通勤行为的影响，需要考虑空间自相关问题，即同一个地理尺度上的微观个体在各个空间单元内很可能有一些相似的特征，故需要采用多层模型来进行测度，多层模型在考虑空间自相关的背景下，能够估算在同一个地理尺度上的不同个体间及不同地理尺度上的群组之间的系数[1,16,25-26]。多层模型第一步是建立空模型，然后加入空间因子变量，再加入个体与邻里属性特征。模型可以表示为：
U m p = N i + μ i = α i + ∑ m = 1 M β m i X m i + ∑ p = 1 P γ p i Y p i + γ m i + δ p i
式中：X表示土地利用等空间因子变量；Y表示不同空间范围内的个体和邻里属性特征；N表示固定效用；μ表示随机效用。多层模型可以通过最大似然法进行估计每个模型的参数。其中，第一层模型可以解释空间因子变量对通勤行为的影响；第二层模型可以解释个体与邻里属性特征对通勤行为的影响；总的模型可以解释空间因子变量、个人与邻里属性特征与通勤行为之间的多层级作用关系。

2 北京都市区土地利用空间格局演化及集聚强度

2.1 北京都市区居住用地空间格局演化特征及集聚强度

2.1.1 居住用地空间分布格局演化特征

首先采用核密度方法对居住用地地块的宏观演化趋势进行可视化，将其划分为2003—2005、2006—2010、2011—2014年等三个阶段，选择同一阈值，结果显示居住用地的空间有向外拓展的趋势并形成了明显的集聚区域（图2）。
图2 居住用地出让的核密度分析图

Fig.2 Kernel density analysis of residential land in different periods

从图2中可以看出：①2003—2005年，北京都市区居住用地出让土地主要集中在五环区域以内，以西城区与朝阳区为主要集聚区，呈现连片发展趋势；从街道层面来看，主要集中在西城区的大栅栏街道、椿树街道，朝阳区的朝外街道、建外街道、将台乡、常营乡，海淀区的海淀街道等区域；从发展趋势来看，居住用地有向六环区域扩张的趋势，集中在来广营—望京、天通苑、回龙观、上地等大型居住区域。②2006—2010年，居住用地高集聚区域分布在二环路东北区域，集中于东城区的和平里街道、北新桥街道、安定门街道及西城区的新街口街道与什刹海街道等。③2011—2014年，居住用地的出让空间格局更为分散，高集聚区域仍然主要位于二环—三环东北部区域，集中在东城区的东华门街道、前门街道、东四街道、和平里街道等，中低集聚区域主要集中在门头沟区的永定镇、昌平区沙河镇、房山区拱辰街道、丰台区宛平街道等，沿着交通廊道形成了众多的分布组团。
整体来看，居住用地的出让主要集中在二环附近的旧城改造区、朝阳CBD区域、远郊区回龙观、天通苑、望京等大型居住区、远郊新城及重点乡镇等区域。从演化趋势来看，近郊区与中心城区依然是居住用地出让的重点集聚区，而且中心城区具有进一步集聚的态势，表明受历史文化保护的影响，北京都市区内部的旧城改造依然是当前居住用地集聚的主要原因[27]。由居住用地的演化特征可以看出，北京都市区土地利用方式呈现出内城更新、近郊区填充、远郊区分散组团式发展的模式，这也受《北京土地利用总体规划（2006—2020）》中 “整体疏、局部密、大分散、小集中”政策的积极影响，同时也与《北京城市总体规划（2016—2035）》中“压缩中心城区产业用地，适度增加居住及配套服务设施用地，优化居住与就业关系”的政策相一致。可见，居住用地的演化趋势与当前土地和城市规划方针的引导相吻合。

2.1.2 居住用地的空间集聚强度分析

采用Crimestat 4.0软件中的Ripley’s K（d）函数对北京都市区居住用地的空间集聚情况进行了测度。结果显示（图3），三个时间段内L（d）的值都大于0，都大于随机分布的最大值且都通过了显著性检验[28-29]，表明在本研究尺度范围内，北京都市区居住用地出让的空间格局呈现出集聚的分布特征。具体来看，北京都市区居住用地出让地块在三个时间段上的L（d）曲线呈现出类似的先增长到最高点然后再缓慢下降的变化趋势，其中2003—2005年的L（d）曲线最为平滑，而2011—2014年的曲线变化呈现被动变化，但总体趋势不变，表明居住用地分布基本上随着距离的逐渐增加其集聚的程度呈现先增加后减少的规律。从L（d）曲线对应的不同时间段内的峰值来看也具有差异，分别为12.428、13.872、11.899，其对应的空间距离分别为18.20 km、23.16 km、25.21 km，发现北京居住用地的空间集聚强度发生着显著变化，具有从中心城区向外扩张的发展趋势，其空间集聚的范围进一步扩张，但集聚强度先增加后降低。2003—2010年，居住用地出让的集聚强度随着空间距离的提升而不断增强，这与北京城市的整体扩张存在较大的相关性，人口规模的高速增长带来居住用地的大量需求，大型居住区、郊区城镇化进程的发展为居住用地的出让提供了增长空间；2011年之后，居住用地出让的集聚强度随着空间距离的提升而逐渐降低，表明居住用地的分布变得更为分散，究其原因主要是随着居住用地的向外蔓延，城市空间结构呈现出显著的住宅与就业空间错位，目前实施的划定城市边界，控制增量等相关政策也限制了居住用地的集聚强度。
图3 居住用地出让的空间集聚强度图

Fig.3 Spatial agglomeration intensity analysis of residential land in different periods

2.2 北京都市区产业用地空间格局演化特征及集聚强度

2.2.1 产业用地空间分布格局演化

依照居住用地的分析方式，采用核密度方法对产业用地地块的宏观演化趋势进行可视化，也将其划分为2003—2005、2006—2010、2011—2014年等三个阶段，结果显示产业用地空间具有明显的集聚趋势（图4）。
图4 产业用地出让的核密度分析图

Fig.4 Kernel density analysis of industrial land in different periods

具体来看，2003—2005年，北京都市区产业用地出让集聚区域较为分散，中高集聚区主要集中在三环以内及五环以外；从街道层面来看，主要集中在新街口与什刹海街道、东四街道、广外街道、大栅栏街道、前门街道、方庄街道以及昌平的天通苑、霍营街道等。2006—2010年，四环内产业用地的集聚强度进一步增强，形成了以崇文门外街道、朝阳门街道、北新桥街道和平里街道为核心的高集聚片区，中级集聚区域的范围也有一定程度的扩张，五环外形成了显著的低集聚组团，如顺义的旺泉街道、胜利街道，通州区中仓街道、新华街道、北苑街道等。2011—2014年，产业用地出让的高集聚范围由长安街南部向北部集中，主要分布在新街口街道、安定门街道、交道口街道、朝外街道、三里屯街道等区域；此外，在中关村街道、回龙观街道也形成了显著的高集聚区域。
总体来看，产业用地的出让也具有向外扩张的趋势，由于内城区的旧城改造项目，三环以内依然是产业用地出让的重点集聚区域，反映了首都核心功能的调整如高端服务业集聚，低端批发零售业的疏散等；2005年之后，随着郊区大型居住区建设的不断完善，疏解中心城区的非核心职能，远郊区产业用地的出让逐渐变得更为明显；从演化趋势来看，科研用地（中关村街道）、商业用地（朝阳CBD区域）及远郊新城成为产业用地出让集聚主要因素。

2.2.2 产业用地的空间集聚强度分析

采用Crimestat 4.0软件中的Ripley's K（d）函数对北京都市区产业用地的空间集聚情况进行了测度。结果与居住用地的L（d）值相类似（图5），表明产业用地出让的空间分布格局也呈现出集聚特征。具体来看，北京都市区产业用地出让的L（d）曲线也呈现了先增长然后再缓慢下降的变化趋势，表明产业用地出让地块呈现随着距离的增加集聚强度先增加后降低的特征。在不同的时间段内，曲线峰值分别为14.878、20.328、17.532，对应的空间距离分别为16.727 km、16.597 km、17.916 km，可以看出，2006—2010年，产业用地出让的集聚强度有了显著提升，但空间距离反而降低，说明这一阶段产业用地的扩张以中心城区的内部填充为主；2010年后，产业用地集聚强度随着距离的增长呈下降趋势，表明这一时期产业用地出让开始向近郊区和远郊区扩张。
图5 产业用地出让的空间集聚强度图

Fig.5 Spatial agglomeration intensity analysis of industrial land in different periods

通过将居住用地出让与产业用地出让的集聚强度进行对比可以发现，不同时间段内产业用地的集聚强度都要高于居住用地的集聚强度，对应的空间距离都小于居住用地，说明居住用地出让的空间分布格局更为分散化，而产业用地出让的空间分布格局更为集聚，这也侧面反映了人口分布的郊区化要快于就业的郊区化，而居住用地与产业用地出让的空间错位加剧了居住与就业的空间不匹配程度。

3 北京都市区土地利用空间格局对通勤行为的影响

土地利用格局决定了居民出行的需求，其通勤模式也会对城市发展产生一定影响。有研究表明，土地利用混合度能够影响居民的通勤行为，更为均衡的土地空间格局能够降低居民的平均通勤距离及私家车出行的频率，根本原因在于到不同土地利用类型的临近程度减少了居民的出行距离[10]。本部分主要通过多层建模将土地利用类型与社会经济属性特征相结合，来讨论其对居民通勤行为的影响。

3.1 变量选择与定义

①空间因子变量。要分析土地利用类型对通勤的影响，可以通过居民的居住区位将其联系起来，将其看作为空间因子变量，包括居民居住地所处的土地利用类型、土地利用混合程度（可以用职住比率来表示）、居住地距最近学校（地铁）的距离等。
居住用地决定居民的居住分布格局，产业用地决定了居民的就业分布格局，因此主要的土地利用类型可以分为居住用地、产业用地两类。由于不同的土地利用强度可能会带来居住与就业密度及经济活动的差异性，因此按照核密度的分析结果把居住用地与产业用地各划分为三类，分别为低密度居住用地、中密度居住用地、高密度居住用地；低密度产业用地、中密度产业用地、高密度产业用地，将其与居住点叠加。从统计结果来看，低密度居住用地与中密度产业用地的居住点最多，分别占总居住点的44.67%、47.48%，因此通过构建虚拟变量，将低密度居住用地与中密度产业用地分别作为参照变量，其他四种用地取值为0和1，最后得出的回归系数表示相对于低密度居住用地或者中密度产业用地而言，其他用地类型对通勤时间或者通勤距离的影响。
土地混合程度可以用就业可达性或者职住比率来表示，反映了某个单元就业岗位数与就业人口的不匹配程度，职住比率大于1表示区域内就业岗位较为充裕，值越大说明土地混合程度越高，同时也意味着更短的通勤距离。居民选择居住区位时候也会考虑宜居性。有研究表明小学的教学水平及附近的交通便利程度是选择居住地的重点考虑因素，这与通勤的需求也呈现一定相关性[30]。一般来说，居民为了选择更好的学校或者便利的交通工具，可能会通勤更长的距离来获取这种宜居性。与前文类似，对重点学校与地铁站点做缓冲区分析，取距离阈值为3 km、1 km，在缓冲区范围内的居住地取值为1，否则为0。
②个人社会经济变量。由相关研究可知，居民的个人属性特征会直接影响居民的区位选择及通勤模式，例如高收入群体可能会追求更好的环境宜居生活，从而使得通勤距离变长也可能相反；受教育程度较高的居民在市中心就业的可能性更高，通勤的距离相对更短等[31]。此外，通勤行为是居民居住就业区位选择的结果，因此与家庭结构也存在一定关系，如有小孩的家庭可能通勤存在差异，双职工家庭由于面临多个工作地，可能通勤的距离更长[32]。基于上述分析，选择性别、年龄、收入、受教育水平、家庭结构等变量来分析其对通勤的差异，除了连续变量外，都换算成0和1的二分变量。
③邻里变量。邻里变量对居民的区位选择也会产生影响进而影响通勤行为。空间错位理论认为少数族裔（如西班牙裔，拉美裔等）、受福利人群、低收入群体可能面临着更高的空间隔离，更长的通勤距离。尽管在国内不存在种族隔离的影响，但不同收入群体或者不同阶层依然会影响居民的居住地选择。依照冯健对北京都市区社会空间结构的研究[33]，本部分将都市区以街道为单位划分为人口密集的老城区、知识阶层及少数民族聚居区、人口密度小的城市郊区、外来人口分布区、远郊区人口居住区等五种邻里类型。一般说来，生活在公共交通枢纽、高经济密度的城市地区，居民出行的距离更短，而且高密度人口集聚区域会有更多的交通拥挤从而降低了机动车速度，进而影响通勤时间。基于此选择社会区作为邻里属性特征来讨论其对通勤的影响。相关变量见表1。
表1 多层模型变量属性特征

Tab.1 Variable characteristics of multilevel model

变量 变量类型 描述
因变量
通勤时间 连续变量 上班单程时间
通勤距离 连续变量 上班单程距离
解释变量
1.空间因子变量 土地利用变量 居住用地 虚拟变量 3：低密度居住用地；2：中密度居住用地；1：高密度居住用地
产业用地 虚拟变量 3：低密度产业用地；2：中密度产业用地；1：高密度产业用地
就业可达性变量 职住比率 连续变量 所在单元的职住平衡程度
距离变量 到小学的距离 虚拟变量 1：在最近重点小学3 km范围内；0：超过3 km
到地铁站的距离 虚拟变量 1：在最近地铁站1 km范围内；0：超过1 km
2.个人属性变量与邻里变量 个人属性特征 性别 虚拟变量 1：男；0：女
年龄 等级变量 4：30岁以下；3：30~40岁；2：41~50岁；1：50岁以上
学历 虚拟变量 1：本科及以上 0：大专及以下
住房产权 虚拟变量 1单位住房；2政策性住房；3商品房
职业类型 等级变量 4：政府工作人员；3：企业管理人员2：公司服务人员及个体户；1：其他
平均月收入 等级变量 4：<2 000元；3：2 000~3 999元；2：4 000~10 000元；1：>10 000元
家庭结构 虚拟变量 1：多职工家庭；0：单职工家庭
有无孩子 虚拟变量 1：有孩子；0：无孩子
出行工具 虚拟变量 1：非机动车出行；0：机动车出行
3.邻里特征变量 社会空间结构类型 虚拟变量 5：人口密集的老城区；4：知识阶层及少数民族聚居区；3：人口密度小的城市郊区；2：外来人口分布区；1：远郊区人口居住区

3.2 模型估算结果

为了更好地考虑变量特征对通勤的影响，拟采用多层模型来对相关变量的影响进行回归分析，在控制个人属性特征与邻里特征变量的同时，重点考察土地利用变量对居民通勤行为的影响。模型估计方法采用最大似然估计法，其显著性检验通过AIC的值来评估，AIC值越小表示模型的估计结果越好。为了更好地表示个人维度及邻里维度对通勤的影响，因变量分别选择通勤时间与通勤距离，考虑到居民个体属性特征变量、空间因子变量、邻里变量可能存在一定的相关性，因此本部分针对土地利用类型、距离等空间因子变量，空间因子及个人属性特征变量，所有变量等三种情况构建回归模型，在对相关变量进行共线性检验的基础上，回归结果见表2。
表2 不同类型变量对通勤时间与通勤距离影响的估计结果

Tab.2 Estimated results of commuting time and distance influenced by different types of variables

自变量 模型1 模型2 模型3
通勤时间 通勤距离 通勤时间 通勤距离 通勤时间 通勤距离
常数项 41.011*** 14.894*** 30.104*** 15.434*** 25.191*** 12.668***
1.空间因子变量
居住用地变量（低密度用地参照）
中密度居住用地 -0.732** -0.150* -0.962* -0.077** -0.085* -0.315
高密度居住用地 -0.324** -1.466** -0.450*** -1.511** -0.972** -0.999
产业用地变量（低密度用地参照）
中密度产业用地 -1.231* -1.638** -1.184* -1.515** -0.121** -0.265*
高密度产业用地 -3.447 -2.095** -3.507 -1.898** -2.116* -0.509**
职住比率 -2.583*** -0.991*** -2.633*** -0.958*** -2.416*** -0.955***
到小学的距离（以3 km外为参照） -0.434* -0.886*** -1.672** -1.235** -1.371* -0.843*
到地铁站距离（以1 km外为参照） -1.664** -1.269* -0.671 -0.878* -0.509** -0.125*
2.个人属性变量
性别（以女性为参照） -2.024** -0.675 -1.939** -0.648*
年龄（30岁以下为参照）
30~40岁 2.293* 1.192** 2.137 1.122**
41~50岁 -0.325 -0.615 -0.051 -0.820
50岁以上 -8.174** -2.360 -8.823** -2.576*
学历（大专及以下为参照） -1.704 -0.064 -1.760* -0.014
住房产权（商品房为参照）
单位住房 -2.599* -1.402** -2.206* -1.116**
政策性住房 -0.053 0.345 -0.151 0.330
职业类型（政府工作人员为参照）
企业管理人员 1.554** 0.212* 1.726 0.035*
公司服务人员及个体户 2.587*** 0.370** 2.909* 0.623**
其他 -1.182 -0.335 -0.703 -0.014
平均月收入（2 000元以下为参照）
2 000~3 999元 -1.016 -2.548** -0.965 -2.438**
4 000~10 000元 0.903* 1.642* 0.862 1.538
10 000元以上 -1.037 -2.120* -1.205 -2.041*
家庭结构（单职工家庭为参照） 3.064** 1.466*** 2.696* 1.293**
家庭生命周期（无小孩为参照） -0.318 -0.771 -0.070 -0.645
出行工具（机动车为参照） 7.395*** 0.013 7.485*** 0.103
3.邻里特征变量
社会空间结构类型（人口密集的老城区为参照）
知识阶层及少数民族聚居区 -3.950** -1.370*
人口密度小的郊区 3.752* 1.627*
外来人口分布区 1.377 0.720
远郊区居住区 5.067** 2.959*
AIC 3 457.1 5 275.0 3 424.4 5 247.8 3 408.3 5 232.6

注：***表示P小于0.01，**表示P小于0.05，*表示P小于0.1。

表2呈现了三种相关模型的回归结果。从AIC的值来看，模型3中的AIC值都要低于模型1、模型2的AIC值，表明加入邻里特征后，自变量对因变量具有了更强的解释力，也说明二层回归模型比一层回归模型更优，但从估计结果来看，不同的因子变量对通勤距离和通勤时间的影响也存在差异。
从居住用地变量来看，相对于低密度居住用地，中密度居住用地与高密度居住用地对居民通勤时间的影响较为显著，但对通勤距离的影响并不显著，说明居住用地的密度越高，居民的通勤时间越短（回归系数为-0.972）；从产业用地变量来看，中密度产业用地与高密度产业用地对居民通勤时间、通勤距离的影响都较为显著，随着产业用地密度的提升，居民的通勤时间与通勤距离都明显缩短，说明居住在土地混合程度越高区域（高密度产业/居住用地）的居民能够充分利用区位优势来优化通勤出行模式。职住比率对通勤时间、通勤距离的影响都非常显著并呈负相关关系，说明职住比率越高的区域居民的通勤时间与距离越短，并且对通勤时间的影响更大（回归系数为-2.416），这也与其他学者的研究结论较为一致[27]。到重点小学与最近地铁站点的距离也显著影响着通勤时间与通勤距离，说明离学校与地铁站距离越近，其通勤时间与距离越短，并且对通勤时间的影响要大于对通勤距离的影响。
从个体属性特征来看：相对于女性来说，男性居民的通勤时间与通勤距离更短，说明男性可能更倾向于乘坐私家车上下班；从年龄来看，相对于30岁以下的居民来说，年龄对居民通勤时间与距离的影响呈现先增加后降低的趋势，即30~40岁居民的通勤距离更长，50岁以上居民的通勤时间与距离明显缩短；学历对通勤时间具有显著的负向影响，但对通勤距离的影响没有通过显著性检验，说明学历越高的居民通勤时间越短。从住房产权来看，不同类型住房性质对居民通勤的影响也呈现差异，其中单位住房对通勤时间与距离呈现明显的负相关关系，但政策性住房的影响却不显著，相对于商品房来看，单位住房的通勤时间与通勤距离更短，表明随着土地制度与住房制度的改革，单位制度的解体在一定程度上加剧了居住地与就业地的空间分离，增长了通勤时间与距离。
从职业类型来看，相对于政府工作人员，企业管理与公司服务人员面临着更长的通勤时间与距离，原因是政府工作人员可能由单位来提供一定的宿舍或者住所，使得其居住地与就业地更为接近，企业职工则需要自己购买商品房或者租房，从而面临着较长的通勤时间与距离。从月收入水平来看，收入越高，通勤的距离越短，说明低收入群体可能面临着更高的空间错位；此外，个人收入对通勤时间的影响并不显著，可能与居民选择的居住区位或者交通工具有关。从家庭结构来看，双职工或者多职工家庭的通勤时间与通勤距离更长，因为其面临着更多的就业岗位，这也与相关学者的研究相一致，在多职工家庭中不同就业地之间取最优的通勤存在一定困难[32]。另外，家庭是否有小孩对其通勤的影响并不显著。从出行工具看，选择公共交通出行的居民面临着更长的通勤时间，而对通勤距离的影响也没有通过显著性检验。
邻里特征变量：相对于老城区的居民来说，知识阶层与少数民族聚居区域的居民的通勤时间与通勤距离更短，原因可能是居住在这个区域的居民多为低收入群体（多为租房或者工厂宿舍），他们享受了更短的通勤时间与通勤距离，而牺牲了更优的生活环境。生活在人口密度小的郊区与远郊区的居民通勤时间与通勤距离更长，说明随着郊区化进程的不断推进，居民的职住空间距离被进一步拉大，从而也面临着更长的通勤时间。

4 结论与讨论

4.1 结论

本文在分析土地利用空间格局的基础上，基于多层模型关注了不同类型土地格局对居民通勤行为的影响，得出以下结论：
①从居住用地演化趋势来看，近郊区与中心城区依然是居住用地出让的重点集聚区，而且中心城区具有进一步集聚的态势；产业用地的出让也具有向外扩张的趋势，由于内城区的旧城改造项目，三环以内依然是产业用地出让的重点集聚区域。通过将居住用地出让与产业用地出让的集聚强度进行对比，不同时间段内产业用地的集聚强度都要高于居住用地的集聚强度，说明居住用地出让的空间分布格局更为分散化，而产业用地出让的空间分布格局更为集聚，这也侧面反映了人口分布的郊区化要快于就业分布的郊区化，而居住用地与产业用地出让的空间错位加剧了居住与就业的空间不匹配程度。
②个体与邻里属性特征对居民通勤行为具有显著影响。男性居民的通勤时间与通勤距离更短，年龄对居民通勤时间与距离的影响呈现先增加后降低的趋势，学历对通勤时间具有显著的负向影响，但对通勤距离的影响没有通过显著性检验；从住房产权来看，单位住房对通勤时间与距离呈现明显的负相关关系，但政策性住房的影响却不显著；相对于政府工作人员，企业管理与公司服务人员面临着更长的通勤时间与距离；收入越高，通勤的距离越短，说明低收入群体可能面临着更高的空间错位；双职工或者多职工家庭的通勤时间与通勤距离更长；选择公共交通出行的居民面临着更长的通勤时间，而对通勤距离的影响也没有通过显著性检验。从邻里特征变量来看，知识阶层与少数民族聚居区、人口密度小的郊区及远郊区人口集聚区等社会区空间结构类型显著影响着居民的通勤时间与通勤距离，其他空间类型的影响并不显著。
③从居住用地来看，中高密度居住用地对居民通勤时间的影响较为显著，但对通勤距离的影响并不显著，从产业用地来看，中高密度产业用地对居民通勤时间、通勤距离的影响都较显著，说明居住在土地混合程度越高区域（高密度产业/居住用地）的居民能够充分利用区位优势来优化通勤出行模式。职住比率、学校和地铁的可达性显著影响通勤时间与通勤距离，说明职住比率越高、学校与地铁站可达性越高居民的通勤时间与距离越短，但二者对通勤时间和通勤距离的影响程度不同。提高土地利用混合程度，能够促进居民居住空间与就业空间临近，缩短通勤距离和通勤时间，减少对私家车的依赖程度，促使居民采取非机动方式出行[1-2,16,31]。

4.2 讨论

考虑到通勤行为的复杂性及其内在关联性，本文在研究过程中将通勤行为划分为通勤时间和通勤距离两个研究变量，剖析了土地空间变量、个人属性及邻里特征对通勤行为的影响，探讨了不同要素对通勤时间和通勤距离影响的差异。从模型结果可以看出，绝大部分要素对通勤时间的影响要大于通勤距离，表明随着交通工具的完善与接驳，居民对通勤时间的感知最为明显。对比三个模型可以看出，在加入邻里变量特征之后，居住用地对通勤距离的影响不再显著，这可能是由社会空间结构类型与土地类型的相互作用所导致。换句话说，尽管在高密度居住用地居住的居民获得了更低的通勤时间，但也可能面临着更多的空间隔离、更差的生活环境。同时，从邻里特征和土地利用空间变量来看，邻里特征对居民通勤行为的影响更大，表明不同邻里居住区内部居民的通勤行为具有相似性。
通过以上研究结果，本研究得出两点启示：第一，在进行土地利用规划时，应当坚持紧凑式的发展模式，提升城市土地的混合功能特征，充分发挥集聚经济效益优势，吸引居民就近就业，增强步行出行的规划引导理念；第二，充分考虑不同个体与邻里属性特征的差异性，制定针对性的管理策略。本研究也存在一定局限性：首先，将不同单元的土地类型看作一个整体，忽视了单个空间单元之间的内在作用；其次，在影响因素的探究中，只考虑了个人和邻里属性特征，对相关政策和制度因素的考虑较少，如北京正在进行非首都功能疏解，必定对土地利用空间结构和居民出行带来一定影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
党云晓, 董冠鹏, 余建辉, 等. 北京土地利用混合度对居民职住分离的影响[J]. 地理学报, 2015, 70(6):919-930.

DOI

[2]
孙斌栋, 但波. 上海城市建成环境对居民通勤方式选择的影响[J]. 地理学报, 2015, 70(10):1664-1674.

DOI

[3]
韦亚平, 潘聪林. 大城市街区土地利用特征与居民通勤方式研究——以杭州城西为例[J]. 城市规划, 2012(3):76-84.

[4]
郑思齐. 城市经济的空间结构:居住, 就业及其衍生问题[M]. 北京: 清华大学出版社, 2012.

[5]
Horner M W. A multi-scale analysis of urban form and commut-ing change in a small metropolitan area (1990-2000)[J]. Annals of Regional Science, 2007, 41(2):315-332.

[6]
Horner M W, Schleith D. Analyzing temporal changes in land-use-transportation relationships:A LEHD-based approach[J]. Applied Geography, 2012, 35(1):491-498.

[7]
Maoh H, Tang Z. Determinants of normal and extreme commute distance in a sprawled midsize Canadian city:evidence from Windsor,Canada[J]. Journal of Transport Geography, 2012, 25:50-57

[8]
Lau J C Y, Chiu C C. Dual-track urbanization and co-location travel behavior of migrant workers in new towns in Guangzhou,China[J]. Cities, 2013, 30:89-97

[9]
Shankar B, Vidhya D. Changing dynamics of land use in resi-dential neighbourhood of Vani Vilasa Mohalla Mysore[J]. International Journal of Modern Engineering Research, 2013, 3(2):678-684.

[10]
Antipova A, Wang F, Wilmot C. Urban land uses,socio-demo-graphic attributes and commuting:a multilevel modeling approach[J]. Applied Geography, 2011, 31(3):1010-1018.

[11]
Boarnet M G, Sarmiento S. Can land-use policy really affect travel behaviour?A study of the link between non-work travel and land-use characteristics[J]. Urban Studies, 1998, 35(7):1155-1169.

[12]
Ihlanfeldt K R. Exclusionary land-use regulations within subur-ban communities:a review of the evidence and policy prescriptions[J]. Urban Studies, 2004, 41(2):261-283.

[13]
Kim J H, Hewings G J. Land use regulation and intraregional population-employment interaction[J]. The Annals of Regional Science, 2003, 51(3):671-693.

[14]
Jiang C. Mixed-use residential development and its effects on the travel behaviour of residents:findings from case studies in Beijing[D]. Hong Kong: The University of Hong Kong, 2005.

[15]
韩会然, 杨成凤, 宋金平. 城市居住与就业空间关系研究进展及展望[J]. 人文地理, 2014, 29(6):24-31.

[16]
Yin C, Sun B. Disentangling the effects of the built environ-ment on car ownership:A multi-level analysis of Chinese cities[J]. Cities, 2018(74):188-195.

[17]
赵鹏军, 孔璐. TOD对北京市居民通勤影响及其机制研究[J]. 人文地理, 2017(5):125-131.

[18]
戴刘冬, 周锐, 张凤娥, 等. 城市土地利用对居民通勤碳排放的影响研究[J]. 长江流域资源与环境, 2016, 25(Z1):68-77.

[19]
韩会然, 杨成凤, 宋金平. 北京市土地利用变化特征及驱动机制[J]. 经济地理, 2015, 35(5):148-154.

[20]
韩会然, 杨成凤, 宋金平. 北京市土地利用空间格局演化模拟及预测[J]. 地理科学进展, 2015, 34(8):976-986.

DOI

[21]
冯健. 转型期中国城市内部空间重构[M]. 北京: 科学出版社, 2004.

[22]
孙胤社. 大都市区的形成机制及其定界:以北京为例[J]. 地理学报, 1992, 45(6):552-560.

[23]
宗跃光, 周尚意, 张振世, 等. 北京城郊化空间特征与发展对策[J]. 地理学报, 2002, 57(2):135-142.

[24]
韩会然, 杨成凤, 宋金平. 公共交通与私家车出行的通勤效率差异及影响因素——以北京都市区为例[J]. 地理研究, 2017, 36(2):253-266.

DOI

[25]
Hong J. Firm heterogeneity and location choices:evidence from foreign manufacturing investments in China[J]. Urban Studies, 2009, 46(10):2143-2157.

[26]
周素红, 宋江宇, 宋广文. 广州市居民工作日小汽车出行个体与社区双层影响机制[J]. 地理学报, 2017, 72(8):1444-1457.

DOI

[27]
于伟, 宋金平, 张萌. 近十年来北京市住宅用地出让空间演变研究[J]. 中国土地科学, 2012, 26(3):86-90.

[28]
张景秋, 陈叶龙. 北京城市办公空间的行业分布及集聚特征[J]. 地理学报, 2011, 66(10):1299-1308.

[29]
高超, 金凤君. 沿海地区经济技术开发区空间格局演化及产业特征[J]. 地理学报, 2015, 70(2):202-213.

DOI

[30]
Fan Y, Khattak A, RodrÃguez D. Household Excess Travel and Neighbourhood Characteristics[J]. Urban Studies, 2011, 48(6):1235-1253.

[31]
刘志林, 王茂军. 北京市职住空间错位对居民通勤行为的影响分析——基于就业可达性与通勤时间的讨论[J]. 地理学报, 2011, 66(4):457-467.

[32]
Freedman O, Kern C R. A model of workplace and residence choice in two-worker households[J]. Regional Science and Urban Economics, 1997, 27(3):241-260.

[33]
冯健, 周一星. 北京都市区社会空间结构及其演化(1982—2000)[J]. 地理研究, 2003, 22(4):465-483.

Options
文章导航

/

〈 〉