EN中文

经济地理 >

2019 , Vol. 39 >Issue 4: 101 - 108

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.04.013

城市地理与新型城镇化

城市社区建成环境对居民日常出行行为的影响分析

  • 杨励雅 , 1 ,
  • 王振波 , 2, ※
展开
  • 1.中国人民大学 公共管理学院，中国 北京 100872
  • 2.中国科学院 地理科学与资源研究所，中国 北京 100101
※王振波（1980—），男，山东德州人，博士，副研究员。主要研究方向为交通与生态环境。E-mail：。

杨励雅（1978—），女，安徽亳州人，博士，副教授。主要研究方向为交通与土地利用。E-mail：。

收稿日期: 2018-10-09

  修回日期: 2018-12-02

  网络出版日期: 2025-04-23

基金资助

国家自然科学基金项目(71473259)

收起

Impact of Residential Built Environment on Daily Travel Behavior

  • YANG Liya , 1 ,
  • WANG Zhenbo , 2, ※
Expand
  • 1. School of Public Administration and Policy，Renmin University of China，Beijing 100872，China
  • 2. Institute of Geographic Sciences and Natural Resources Research，CAS，Beijing 100872，China

Received date: 2018-10-09

  Revised date: 2018-12-02

  Online published: 2025-04-23

Fold

摘要

文章基于“不同目的的出行行为与建成环境的关系亦不相同”这一假设展开研究。借助北京市第四次居民出行调查，提取“出行链”作为分析单元，通过“主要中途活动地点”识别出“生计”、“生活”、“娱乐”三类出行链；以出行总距离和出行方式为因变量，居住区建成环境和个人经济社会属性为自变量，构建分层线性模型，刻画空间自变量与个体自变量对不同目的出行为的影响。结果表明：①居住区建成环境与出行行为关系受出行目的的影响显著。建成环境对生计出行链的影响最大，对生活出行链的影响次之，对娱乐出行链的影响不显著。②对生计出行链影响最大的空间变量是“距中心区距离”和“公交线网密度”，对生活出行链影响最大的空间变量是“土地混合利用指数”。

关键词： 建成环境; 日常出行行为; 出行链; 分层线性模型; 生计活动; 土地混合利用

本文引用格式

杨励雅 , 王振波 . 城市社区建成环境对居民日常出行行为的影响分析[J]. 经济地理, 2019 , 39(4) : 101 -108 . DOI: 10.15957/j.cnki.jjdl.2019.04.013

Abstract

Existing studies that examines the built environment and travel behavior has frequently found inconsistent results, which can be attributed to the different treatments of travel purposes. This paper investigates the extent to which residential built environment influences trip-chaining behavior if travel purposes are differentiated. Using trip chain as the analysis unit of travel, three travel purposes were classified: subsistence, maintenance and recreation, based on the data from the Forth Beijing Resident Travel Survey. With the independent variables from both individual and residential levels, hierarchical linear model is applied respectively to estimate travel distance and major travel mode of a trip chain for all three travel purposes. The results showed that the influence of residential built environment on either travel distance or travel mode is highly conditional on travel purpose. The residential built environment has the greatest influence on the subsistence trip chain, followed by maintenance trip chain, while the recreation trip chainis barely affected. Additionally, two spatial variables, "distance from the city center" and "public transit density", have the largest effects on subsistence trip chain, while the "land use mix index" influences maintenance trip chain strongly. Compared to the former research on the relationship between residential built environment and travel behavior, this paper subdivides the travel purpose and takes the trip chain as an analysis unit. These findings have important implications for urban planning and traffic management policies.

Key words： built environment; daily travel behavior; trip chain; hierarchical linear model; subsistence activity; mixed land use

居住区建成环境（Built Environment，BE）对居民出行行为的影响，一直是城市地理[1-3]和交通行为分析[4-6]领域的热点议题。然而，迄今仍缺乏关于建成环境和居民出行行为关系的一致性研究结论。尽管多数研究[2,4,7-8]表明，高密度、高混合的土地利用能够削减居民的出行距离，降低出行者对私人小汽车的依赖，但仍有相当比例的研究给出了不同甚至相反的结论，例如，Limanond、Weber、Bhat等发现建成环境对居民出行长度以及出行方式的选择几乎没有影响11-13]；Matt、Mitra等则发现居住地的高密度和高混合土地利用反而增加了居民出行总长度，且对小汽车的抑制作用也十分有限[9-10]。
相当比例的研究以工作或上学出行为研究对象[1-2,8,10]，有些以购物休闲出行为研究对象[11]，有些则未对出行目的加以区分[4-7,9]。因此，一个合理假设是：以往有关建成环境和出行行为关系研究的不一致结论可能源于研究对象出行目的的不一致。事实上，已有学者指出建成环境与出行行为之间的关系可能会受到出行目的[13]和研究方法[12]的影响。然而出行目的对二者关系影响的具体机制仍缺乏深入剖析和实证[14]。
研究方法上，现有研究在量化居住区建成环境对个体出行行为影响时，通常将居住区空间变量和个人社会经济变量视为同一层次的自变量，忽视了二者之间的“嵌套性”（个人层次嵌套于空间层次）。事实上，每个居住区内部的个体之间，其社会经济属性通常不再独立，传统回归模型失去了应用基础。分层线性模型（Multilevel Linear Model）能够处理具有嵌套关系的数据结构，近年来开始在社区和教育等领域广泛应用[15]，但在交通出行领域的应用仍不多见。
此外，近十几年来以“出行链”为分析单元的活动分析法，在出行行为研究领域得到了广泛应用[16-18]。出行链一般是指以居住地为起讫点，包含一个或多个中途活动地点的一系列出行的组合[18]。相比单次出行，出行链更能反映居民一日出行的全貌，在解析居民出行行为方面具有先天优势。然而，在建成环境与出行行为关系研究领域，鲜有将出行链作为分析单元，其原因一方面是出行链调查数据的普遍缺乏，另一方面则是相比单次出行数据，出行链的定义及信息提取较为复杂，而将之与建成环境特征相连接又进一步增加了研究难度[2]。
本文依托北京市居民出行链调查数据库，引入分层线性模型，分析不同出行目的下建成环境对出行链行为的影响。本文研究有助于澄清当前有关建成环境与出行行为关系的争议，丰富建成环境—出行行为关系领域研究成果，为城市规划与交通精细化管理决策提供理论与实证支撑。

1 研究假设：建成环境对不同目的出行行为的影响亦不相同

1.1 出行目的的划分：“生计出行”、“生活出行”和“娱乐出行”

根据出行活动理论[19]，交通出行是居民为完成一日所需活动的衍生行为，活动的目的即决定了出行的目的。出行活动分析领域通常按照时间和空间的约束程度来划分居民一日活动的类别。最简单地，可划分为强制活动（mandatory activity，如工作、上学）和自由活动（discretionary activity，如休闲购物、旅游等）。显然，相比强制活动，自由活动中的出行者对于出发时刻、出行目的地等具有更大的自主选择权。
学者们根据时空约束的强度对居民一日活动进行了更为细致的划分。其中，Ås、Pas和Wang等提出的划分方法最具代表性，即将居民一日活动划分为生计活动（subsistence activity）、生活活动（maintenance activity）和娱乐活动（recreational activity）[20-22]。其中，“生计活动”是指与工作或上学相关的活动，工作或上学的时间和空间通常并不由出行者本身决定，因此该类活动受出行者个体因素的影响相对较小。“生活活动”是与家庭事务相关的活动，如家庭购物、接送小孩、医疗服务等，此类活动尽管也需定期履行，但相比生计活动，出行者具有更大的自主权决定何时以及在哪里完成活动。“娱乐活动”主要包括运动健身、娱乐购物、旅游等，相比其他活动，出行者在娱乐活动时自主选择权最大。
本文采用该活动分类方法，并将以这三类活动为目的的出行分别定义为“生计出行”、“生活出行”和“娱乐出行”。

1.2 “出行链”目的的定义：“生计出行链”、“生活出行链”和“娱乐出行链”

每条出行链通常包含1个以上的出行目的，因此需要对出行链的出行目的进行定义。Bhat[16]和Ye[23]等认为每条出行链都有一个“主要中途活动地点（main mid-stop）”，其性质决定该条出行链的主要出行目的，换言之，一条出行链的出行目的由其“主要中途活动地点”决定。具体地，对于包含“生计出行”的出行链，其“主要中途活动地点”为工作单位或学校；对于不含“生计出行”仅含有“生活出行”与/或“娱乐出行”的出行链，“主要中途活动地点”被定义为出行链中“逗留时间最长”的中途停靠点，该出行链的出行目的则视中途停靠地点性质被定义为“生活出行”或“娱乐出行”。

1.3 研究假设

不同目的的出行活动受时空约束的程度各异，个人自由选择的余地也各不相同。“生计出行”受时空约束较大，与空间环境之间可能存在较为紧密的关系，“娱乐出行”和“生活出行”中个人选择权大，与空间环境之间的关系则可能较为松散。
同样地，“生计出行链”与建成环境关系可能最为紧密，“生活出行链”次之，“娱乐出行链”与建成环境的关系最为松散。
本文依托北京市出行链调查数据库，检验居住区建成环境对不同类别出行链的影响机制和程度。

2 数据说明、变量定义与模型设计

2.1 数据说明

本文的研究范围为北京市主城区，由中心城6区（东城、西城、海淀、朝阳、石景山、丰台）以及昌平、顺义、大兴、通州的部分区域组成，包含1 249个交通小区，如图1。数据主要来源于2010年北京市第四次居民出行调查数据库 ① 。交通小区的划分综合考虑城市规划的功能分区和街区分区，且尽量与人口普查小区边界相协调，交通小区面积分布基本呈从中心至外围逐渐增大。研究范围内的交通小区平均面积为3.2 km2，最小的为1.3 km2，最大的为6.2 km2。
图1 本文的研究范围示意

Fig.1 Study area

北京市第四次居民出行调查首次采用基于“出行活动链”的调查方法，出行者记录每个出行小段的详细信息。本文选取数据库中包含完整信息且以居住地为起讫点的出行链，共4 480个样本，来自于随机分布的3 200个家庭。每个样本包含的信息有：各出行小段的出发时刻/地点、到达时刻/地点、出行目的、出行方式，以及出行者的个人与家庭信息。
为根据出行目的对出行链进行分类，首先将数据库中记录的14种出行目的（针对出行小段）集计为3大类，即生计出行、生活出行和娱乐出行；然后根据前述出行链目的的定义方法，将4 480个出行链样本划分为2 040个“生计出行链”、1 428个“生活出行链”和1 012个“娱乐出行链”。
除居民出行数据外，本文还使用了以下数据：北京市土地利用覆盖数据（2012）、人口普查数据（2010）、公共交通及道路网地理信息数据（2012）。利用土地利用和人口数据可测算出每个交通小区的常住人口和各类用地面积；公共交通和道路网地理信息数据包含道路网络、地面公交线路、轨道交通线路等三个线类型文件和一个描述公共交通站点信息的点类型文件。

2.2 模型变量

2.2.1 因变量定义

围绕出行链的出行行为，是本文关注的因变量。刻画出行链行为的变量很多，如出行总距离[1,6]、主要出行方式[23-24]、中途停靠点个数[23]及位置[2]、出发/到达时刻表[16]等。其中，居民出行距离和出行方式对城市空间形态、交通系统效率、能源利用以及大气环境等具有重要潜在影响，被认为是刻画出行行为的核心指标。本文选取出行链总距离和出行方式作为因变量，分别基于上述三种出行目的的出行链样本进行建模分析。
出行链总距离，即出行链中每一条出行小段的距离总和，在后续建模过程中，被设定为连续变量，以km为单位。
鉴于一条出行链可能包含一种以上的出行方式，因此出行链的出行方式需要特别定义。首先，将出行数据库中记录的6种出行方式集计为3种：小汽车、公共交通、自行车/步行。然后，在Ye、Yang以及Currie等研究[23,25-26]的基础上，采用一种“优先次序策略（priority ordering scheme）”对每条出行链的主要出行方式（major mode）进行提取。具体地，只要出行链中任意一段出行采用了小汽车或公共交通（而不论其他出行小段是否采用了步行或自行车方式），则该出行链的主要出行方式被定义为小汽车或公共交通；在部分出行链样本中，出行者同时采用了小汽车和公共交通，则根据“优先次序策略”将此类出行链定义为小汽车方式 ① ；只有当所有出行小段都采用了步行或自行车，该出行链才被定义为步行/自行车方式。通过数据提取和处理发现，三种出行目的的“步行/自行车方式”的出行链样本数量均低于其样本总量的5%，为避免估计偏差，将“步行/自行车方式”的出行链样本与“公共交通方式”的样本合并为“非小汽车方式”。因此，在后续出行方式分析中，仅考虑“小汽车方式”和“非小汽车方式”两类，变量类型为Binary二分类变量（1=小汽车方式；0=非小汽车方式）。

2.2.2 自变量定义

如前所述，居民出行行为主要受两类因素的影响：建成环境的空间属性（即空间层次）和出行者的社会经济属性（个体层次）。
居住区层次的自变量。尽管出行链中途停靠点的建成环境也可能会对出行链行为产生影响，但相当比例的研究表明[14,27-28]，相比中途停靠点，居住地的建成环境对居民出行行为的影响最大。本文从密度（density）、多样性（diversity）、设计（design）、可达性（accessibility）等四个维度[28-29]测度居住地建成环境，通过变量筛选 ② 最终确定5个描述居住区建成环境的自变量，分别是人口密度（POPDEN，1 000人/km2）、土地混合利用指数（LANDMIX）、公共交通线网密度（TRSDEN，km/km2）、道路网密度（ROADEN，km/km2）、距离市中心的距离（DITOCENTER，km）。本文选择交通小区（TAZ）作为空间变量的测量尺度，原因如下：交通小区在划分之初已充分考虑了内部土地利用特征的一致性，在一定程度上可避免“可塑面积单元问题” ③ （the Modifiable Areal Unit Problem，MAUP）；交通小区是目前学术界研究“建成环境—出行行为”关系时最常用的分析单元，也是本文数据统计的最小单元。各空间变量的描述性统计分析见表1。
表1 城市社区建成环境变量的描述统计—均值（标准差）

Tab.1 Statistics for the residential built environment variables

变量名 变量说明 样本类别
生计出行链
Mean（Std.）		 生活出行链
Mean（Std.）		 娱乐出行链
Mean（Std.）
人口密度 居住地所在交通小区的人口密度，1 000人/km2 12.2（6.9） 10.7（8.0） 10.0（7.2）
土地混合利用指数 居住地所在交通小区的土地混合利用程度，是一个用“熵”表示的指数[1]，取值范围0~1，越接近于1，混合利用程度越大 0.67（0.22） 0.57（0.38） 0.62（0.35）
道路网密度 居住地所在交通小区的城市道路密度，单位为km/km2 5.4（2.7） 5.5（3.0） 5.3（2.8）
公交线网密度 居住地所在交通小区的公共交通线网密度，包括地面公交线网和轨道交通线网，单位为km/km2 4.7（2.7） 4.5（3.2） 4.4（2.8）
距中心区距离 居住地所在交通小区质心距离天安门（北京城区传统中心点）的直线距离，单位为km 15.3（7.8） 18.0（11.5） 16.5（8.4）
样本个数 2 040 1 428 1 012
个人层次的自变量。通过变量筛选最终确定6个个人层次的自变量：性别、年龄、收入、房屋产权、家庭规模、学龄儿童个数 ④ 。

2.3 分层线性模型（hierarchical linear model）构建

本文采用分层线性模型刻画居住区建成环境变量和出行者个体变量的层次嵌套性，分析二者对因变量（出行总距离和出行方式）的影响。分层线性模型分“随机截距模型”和“随机系数模型”两类。研究发现[14,30-31]，当层-2的每个单元（即居住区）内所包含的层-1元素（即个体）个数远小于层-2的单元个数时，随机系数模型的参数估计易出现偏误，此时宜采用随机截距模型。本文建模所用个体样本共4 480个，交通小区1 249个，平均每个交通小区所包含的个体样本数远小于交通小区个数，因此对出行距离和出行方式建模时均采用“随机截距模型”。
①出行距离（连续变量）为因变量的分层线性模型。出行距离为连续型变量，以出行距离为因变量的随机截距分层线性模型如下：
Y i j = α 0 + α 1 X 1 i j + α 2 X 2 j + μ j + e i j μ j ~ N 0 , σ μ 2     e i j ~ N 0 , σ e 2
式中：因变量 Y i j表示居住在第j交通小区的第i个体的出行距离； e i j为个体层次的残差（其方差为 σ e 2）； μ j为交通小区层次的残差（其方差为 σ μ 2）； α 0代表因变量的总体均值； α 1 X 1 i j代表居住在第j交通小区的第i个体的经济社会属性变量对因变量的效应； α 2 X 2 j代表第j交通小区的空间变量对因变量的效应。
在上述分层线性模型中，因变量的总方差被分解为两部分，一部分是来自交通小区层次的 σ μ 2，一部分是来自个体层次的 σ e 2。通常用方差比例系数（variance partition coefficient，VPC）描述因变量的变化有多大比例来自于空间层次。出行距离模型的方差比例系数
V P C = σ u 2 σ u 2 + σ e 2
②出行方式（二分类变量）为因变量的分层模型。因变量 M i j表示居住在第j交通小区的第i个体的出行方式， M i j为二分类变量， M i j = 1表示小汽车方式， M i j = 0表示非小汽车方式。令 P i j表示居住在第j交通小区的第i个体选择小汽车方式的概率，则以出行方式为因变量的随机截距分层线性模型如下：
l n P i j 1 - P i j = β 0 + β 1 X 1 i j + β 2 X 2 j + τ j + r i j τ j ~ N 0 , σ τ 2     r i j ~ L 0 , σ r 2
式中： r i j为个体层次的残差，服从标准Logistic分布（其方差为 σ r 2）； τ j为交通小区层次的残差（其方差为 σ τ 2）； β 0代表小汽车方式概率对数发生比的总体均值； β 1 X 1 i j代表居住在第j交通小区的第i个体的经济社会属性变量对因变量的效应； β 2 X 2 j代表第j交通小区的空间变量对因变量的效应。与出行距离模型类似，出行方式模型的方差比例系数描述出行方式的变化有多大比例来自于交通小区层次。

3 模型结果分析

3.1 出行距离为因变量的模型结果分析

三类出行链的出行距离模型估计结果见表2 ① 。首先，从参数估计值和显著自变量个数看，生计出行链的出行距离受居住区建成环境影响最大，生活出行链次之，娱乐出行链则几乎不受居住区建成环境影响（所有空间自变量均不显著）。方差比例系数的估计结果也反映出这一规律。相应地，各类出行链受个人自变量的影响亦各不相同。对于生计出行链模型，仅“房屋产权”显著，而对于生活和娱乐出行，绝大多数个人自变量均显著，表明生活和娱乐出行受个体经济社会属性影响较大。
表2 同时引入个人层次和空间层次变量的分层模型（出行距离为因变量）

Tab.2 Hierarchical model of travel distance with individual and built environment variables

生计出行链 生活出行链 娱乐出行链
估计值 P值 估计值 P值 估计值 P值
截距 β 0 5.532 p<0.010 -6.190 p<0.010 -8.112 p<0.010
个人层次固定效应 年龄 AGE1（18~34） -0.178 0.356 -0.204 0.218 -0.028 0.400
AGE2（35~54）（ref） / / / / / /
AGE3（≥55） -1.324 0.232 -2.270* p<0.050 -3.325* p<0.050
是否拥有小汽车 Yes 1.019 0.115 2.089* p<0.050 5.004* p<0.010
No（ref） / / / / / /
性别 MALE（ref） / / / / / /
FEMALE -0.657 0.294 2.814* p<0.050 0.945 0.135
月收入 INCOME1（≤5 000 RMB） -0.553 0.369 0.031 0.465 -2.420* p<0.050
INCOME2（5 001~10 000 RMB）（ref） / / / / / /
INCOME3（≥10 001 RMB） 1.211 0.175 2.259* p<0.050 4.937* p<0.050
房屋产权 SELFHOUSE 2.204* p<0.050 2.230* p<0.050 2.859* p<0.050
RENTHOUSE（ref） / / / / / /
是否有学龄儿童 KIDS 1.846 0.125 4.208* p<0.050 3.089* p<0.050
NONKIDS（ref） / / / / / /
家庭规模（人） -0.945 0.230 -1.303 0.300 3.552* p<0.050
空间层次固定效应 人口密度（千人/km2） -3.112* p<0.050 -2.381* p<0.050 -0.852 0.184
土地混合利用指数 -3.249* p<0.050 -3.145* p<0.050 -1.136 0.120
道路网密度（km/km2） -2.508* p<0.050 1.700 0.086 1.854 0.099
公交线网密度（km/km2） -1.043 0.194 0.947 0.120 1.225 0.103
距中心区距离（km） 3.745** p<0.050 0.321 0.174 0.818 0.192
随机效应 居住区层次的随机项方差 σ μ 2 3.060（0.157） 2.306（0.329） 0.953（0.081）
个人层次的随机项方差 σ e 2 27.095（1.382） 21.281（1.348） 16.076（1.169）
方差比例系数VPC 10.148% 9.777% 5.596%
-2log-likehood 3 556.122 2 177.953 2 518.454
Deviance（与仅含截距项的分层模型相比） 880.353 598.703 510.060

注：*表示自变量在0.05水平上显著，**表示自变量在0.01水平上显著；括号中数字为标准误差；“ref”代表分类变量中的参考类。

其次，通过逐次引入每个空间变量，可以识别出对模型空间层次方差削减贡献最大的变量。对“生计出行”，贡献最大的是“距中心区距离”，该变量的引入使得模型空间层次的方差削减44.4%，即“距中心区距离”的差异解释了不同居住空间居民出行距离差异的44.4%；对“生活”出行距离影响最大的是“土地混合利用指数”，它带来的方差削减比例为16.0%；各空间变量对“娱乐”出行距离的影响不明显，带来的方差削减比例均低于5%。
出行距离模型结果证实了前文研究假设。

3.2 出行方式为因变量的模型结果分析

出行方式为二分类变量，因此模型拟合的是小汽车方式选择概率的对数发生比。依次引入个人层次自变量和空间层次自变量，最终估计结果见表3。
表3 同时引入个人层次和空间层次变量的分层模型（出行方式为因变量）

Tab.3 Hierarchical model of travel mode with individual and built environment variables

生计出行链 生活出行链 娱乐出行链
估计值 P值 估计值 P值 估计值 P值
截距 β 0 4.348 p<0.010 -1.238 p<0.010 -4.259 p<0.010
个人层次固定效应 年龄 AGE1（18~34） -0.049 0.252 -0.157 0.115 -0.428** p<0.010
AGE2（35~54）（ref） / / / / / /
AGE3（≥55） -0.128 0.136 -0.226* p<0.050 -0.285* p<0.050
是否拥有小汽车 Yes 0.363* p<0.050 0.410** p<0.010 0.645** p<0.010
No（ref） / / / / / /
性别 MALE（ref） / / / / / /
FEMALE -0.014 0.305 0.065 0.218 0.059 0.205
月收入 INCOME1（≤5 000 RMB） -0.288 0.093 -0.052 0.229 -0.229* p<0.050
INCOME2（5 001~10 000 RMB）（ref） / / / / / /
INCOME3（≥10 001 RMB） 0.173 0.113 0.251* p<0.050 0.330* p<0.050
房屋产权 SELFHOUSE 0.245 0.108 0.278* p<0.050 0.251* p<0.050
RENTHOUSE（ref） / / / / / /
是否有学龄儿童 KIDS 0.309 0.084 0.112 0.127 0.236* p<0.050
NONKIDS（ref） / /
家庭规模（人） 0.045 0.278 0.099 0.167 0.348* p<0.050
空间层次固定效应 人口密度（千人/km2） -0.429* p<0.050 -0.250* p<0.050 -0.152 0.100
土地混合利用指数 -0.455* p<0.050 -0.387* p<0.050 -0.106 0.134
道路网密度（km/km2） -0.088 0.219 -0.019 0.286 -0.074 0.197
公交线网密度（km/km2） -0.671* p<0.050 -0.198 0.098 -0.215* p<0.050
距中心区距离（km） 0.746* p<0.050 -0.072 0.204 0.037 0.230
随机效应 居住区层次的随机项方差 σ μ 2 0.772（0.103） 0.340（0.083） 0.115（0.035）
个人层次的随机项方差 σ e 2 3.290（0.425） 3.290（0.425） 3.290（0.425）
方差比例系数VPC 19.005% 9.366% 3.378%
-2log-likehood 4879.320 3207.334 2946.687
Deviance（与仅含截距项的分层模型相比） 1029.703 984.100 797.175

注：*表示自变量在0.05水平上显著，**表示自变量在0.01水平上显著；括号中数字为标准误差；“ref”代表分类变量中的参考类。

与出行距离模型结论类似，在三类目的的出行中，空间变量对生计出行的出行方式影响最大，而个人变量对娱乐出行方式影响最大。
通过逐个引入空间变量，并观察空间层次“方差削减比例”的变化，可以识别对出行方式影响最大的空间变量。对“生计模型”，引入“距中心区距离”和“公交线网密度”所带来的空间层次“方差削减比例”最大，分别为34.8%和27.5%（距中心区距离和公交线网密度分别增加一个标准差单位，采用小汽车的发生比分别下降1-exp（-0.746）=52.57%和1-exp（-0.671）=48.89%）；对“生活模型”，“土地混合利用指数”的引入所带来的空间层次方差削减比例最大，为18.6%（土地混合利用指数增加一个标准差单位，生活出行采用小汽车的发生比下降1-exp（-0.387）=32.19%）；对于娱乐出行模型，所有空间变量的引入所带来的空间层次方差削减比例均不明显。
个体变量中“是否拥有小汽车”对三种目的出行方式均有影响，其中对娱乐出行的影响尤为显著，其参数估计量为0.645，即控制其他变量前提下，有车个体在娱乐出行中采用小汽车的发生比是无车个体的exp（0.645）=1.9倍。此外，年龄、家庭规模、月收入等个体属性变量对“生活”和“娱乐”出行均有显著影响，年龄在35~54岁之间、家庭规模越大、月收入越高的个体采用小汽车出行的发生比越大。
出行方式模型再次证实了前文研究假设。

4 结论与讨论

通过改变建成环境来影响出行行为，是当前诸多规划管理政策的出发点。然而，尽管学术界对二者关系的研究尽管由来已久，但迄今仍缺乏一致性结论。本文基于“以往研究的不一致结论源于研究样本出行目的的不一致”这一假设展开研究，主要结论与贡献如下：
①将出行目的细分为生计出行、生活出行和娱乐出行三类，通过“主要中途活动地点”性质识别出北京市居民出行的三类出行链，即“生计出行链”、“生活出行链”、“娱乐出行链”。
②为更准确估计建成环境和出行行为关系，采用分层线性模型（以处理空间和个人之间的嵌套数据结构）刻画居住区建成环境对出行距离和出行方式的影响。
以出行距离和出行方式为因变量的模型结果均表明，出行行为与居住区建成环境的关系受出行目的影响。其中，生计出行与居住区建成环境最为密切，生活出行次之，娱乐出行与建成环境关系最为松散。对“生计”出行距离影响最大的空间变量是“距中心区距离”，对“生活”出行距离影响最大的空间变量是“土地混合利用指数”；对“生计”出行方式影响最大的空间变量是“距中心区距离”和“公交线网密度”，对“生活”出行方式影响最大的是“土地混合利用指数”。
上述结论具有明显的政策启示：首先，通过改变建成环境以缩短出行距离、减少小汽车依赖，是国内外城市与交通规划管理领域的常用对策。然而，生活娱乐等非通勤出行受建成环境的影响有限，上述对策的有效性受到挑战。随着居民生活水平的日益提升，娱乐类出行需求不断高涨，在此背景下意图通过改变建成环境影响居民出行行为，将难以取得预期成效。实践中，需配合其他规划管理政策，如通过交通需求管理限制小汽车使用以及增设优化公共交通线路等。
其次，“生计”出行行为受“距中心区距离”和居住区周边“公交线网密度”的影响最大，“生活”出行行为受“土地混合利用指数”影响最大，表明对不同目的的出行，需采用差别化规划政策对其进行优化和调控。对于“生计”类出行，可通过均衡职住分布、鼓励就地就业等，降低通勤出行距离，同时通过加密居住区周边公交线网密度、优化公共交通发车频次，促进居民通勤出行采用公共交通；对于“生活”类出行，重点在于提高居住区周边土地利用混合程度，综合配置各种公共服务设施，降低生活类出行距离，减少出行者对小汽车的依赖。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Mitra R, Buliung R N. Built environment correlates of active school transportation:neighborhood and the modifiable areal unit problem[J]. Journal of Transport Geography, 2012,20:51-61.

[2]
Ma J, Mitchell G, Heppenstall A. Daily travel behavior in Bei-jing,China:An analysis of workers’ trip chains,and the role of socio-demographics and urban form[J]. Habitat International, 2014,43:263-273.

[3]
柴彦威, 沈洁. 基于活动分析法的人口空间行为研究[J]. 地理科学, 2008, 28(5):594-600.

[4]
Boarnet M G, Crane R. The influence of land use on travel be-havior:specification and estimation strategies[J]. Transportation Research Part A, 2001,35:823-845.

[5]
Bhat C R, Guo J Y. A comprehensive analysis of built environ-ment characteristics on household residential choice and auto ownership levels[J]. Transportation Research Part B, 2007,41:506-526.

[6]
Hong J, Shen Q, Zhang L. How do built-environment factors af-fect travel behavior?A spatial analysis at different geographic scales[J]. Transportation, 2014,41:419-440.

[7]
Dieleman F M, Dijst M, Burghouwt G. Urban form and travel behavior:micro-level household attributes and residential context[J]. Urban studies, 2002,39:507-527.

[8]
Sun B, Ermagun A, Dan B. Built environmental impacts on commuting mode choice and distance:Evidence from Shanghai[J]. Transportation Research Part D, 2017,52:441-453.

[9]
Maat L, Timmermans H. Influence of land use on tour complexi-ty:a Dutch case[J]. Transportation Research Record, 2006(1977):234-241.

[10]
Mitra R, Buliung R N, Roorda M J. The built environment and school travel mode choice in Toronto,Canada[J]. Transportation Research Record, 2010,2156:2 150-2 159.

[11]
Limanond T, Niemeier D A. Effect of land use on decisions of shopping tour generation:a case study of three traditional neighborhoods in WA[J]. Transportation, 2004,31:153-181.

[12]
Weber J, Kwan M P. Evaluating the effects of geographic con-texts on individual accessibility:a multilevel approach[J]. Urban Geography, 2003, 24(8):647-671.

[13]
Bhat C R, Srinivasan S, Axhausen K W. An analysis of multi-ple inter-episode durations using a unifying multivariate hazard model[J]. Transportation Research Part B, 2005, 39(9):797-823.

[14]
Elldér E. Residential location and daily travel distances:the in fluence of trip purpose[J]. Journal of Transport Geography, 2014,34:121-130.

[15]
[美]斯蒂芬·W. 劳登布什, 等. 分层线性模型:应用与数据分析方法(第二版)[M]. 郭志刚,等译. 北京: 社会科学文献出版社, 2007.

[16]
Bhat C R. Activity-based approaches to travel analysis[J]. Transportation Research Part A, 1999,33:467-473.

[17]
Bhat C R, Singh S K. A comprehensive daily activity travel generation model system for workers[J]. Transportation Research Part A,200034:1-22.

[18]
Lee Y, Hickman M, Washington S. Household type and struc-ture,time use pattern,and trip-chaining behavior[J]. Transportation Research Part A, 2007,41:1 004-1 020.

[19]
杨励雅, 朱晓宁. 快速城市化进程中的居民出行方式选择[J]. 中国软科学, 2012(2):71-79.

[20]
Fox M. Transport planning and the human activity approach[J]. Journal of Transport Geography, 1995, 3(2):105-116.

[21]
Ås D. Studies of time-use:problems and prospects[J]. Acta Sociology, 1978, 21(2):125-141.

[22]
Pas E I. The effect of selected sociodemographic characteristics on daily travel-activity behavior[J]. Environment Planning A, 1984, 16(5):571-581.

[23]
Wang D, Chai Y, Li F. Built environment diversities and activi-ty travel behavior variations in Beijing,China[J]. Journal of Transport Geography, 2011,19:1 173-1 186.

[24]
Ye X, Pendyala R M, Gottardi G. An exploration of the rela-tionship between mode choice and complexity of trip chaining patterns[J]. Transportation Research Part B, 2007,41:96-113.

[25]
Ho C, Mulley C. Tour-based mode choice of joint house-hold travel patterns on weekend and weekday[J]. Transportation, 2013,40:789-811.

[26]
Liya Yang, Qing Shen, Zhibin Li. Comparing travelmode and trip chain choices between holidays and weekdays[J]. Transportation Research Part A, 2016,91:273-285.

[27]
Currie G, Delbosc A. Exploring the trip chaining behavior of public transport users in Melbourne[J]. Transport Policy, 2011,18:204-210.

[28]
Ellegârd E, Vilhelmson B. Home as a pocket of local order:everyday activities and the friction of distance[J]. Geography Annual Series B, 2004, 86(4):281-296.

[29]
Sun B, Ermagun A, Dan B. Built environment impacts on com-muting mode choice and distance:Evidence from Shanghai[J]. Transportation Research Part D, 2017,52:441-453.

[30]
Cervero R, Kockelman K. Travel demand and the three Ds:density,and design[J]. Transportation Research Part D, 1997, 2(3):199-219.

[31]
Scherbaum C A, Ferreter J M. Estimating statistical power and required sample sizes for organizational research using multilevel modeling[J]. Organizational Research Methods, 2009, 12(2):347-367.

[32]
Snijders T. Power and sample size in multilevel linear model-ing[C]//Everitt B S,Howell D C(Eds.) Encyclopedia of Statistics in Behaviroal Science. Wiley Chicester,UK, 2005:1 570-1 573.

Options
文章导航

/

〈 〉