论文部分内容阅读
随着城市化进程不断推进、人口规模不断扩大,大量郊区新城和产业园的建设兴起,住房市场化改革,同时城市交通基础设施的日渐完善和交通方式的日益丰富,居民职住地选择的自由度大幅提升,中国城市职住空间特征发生了深刻的变化,城市就业与居住空间分离、错位现象逐渐凸显,城市职住空间不平衡不断加剧,由此引起的交通拥堵、居住隔离和环境污染等一系列“城市病”成为城市可持续发展面临的重要问题。通勤作为城市居民就业地和居住地分离而产生的出行行为,如何有效的掌握城市居民职住空间的分布特征和关系成为有效缓解职住分离及其导致的一系列城市病的基础和关键。传统职住空间和通勤特征研究多基于问卷调查和普查统计数据展开,不仅需要耗费大量的人力、物力,而且存在数据获取时间周期长,样本量小、样本群体不具代表性、数据源单一等缺点,影响研究结果的准确性。近年来,随着感知定位技术、信息与通信技术(ICT)的不断发展与广泛应用,包含居民出行行为时空轨迹的数据逐渐丰富,为城市空间研究和居民出行模式挖掘提供新的契机和条件。本论文以开放出行数据和POI数据为研究数据,以海口市为实验区,根据出行数据和POI数据的特点,分别构建基于出行流动量模型的职住空间识别方法和POI定量识别方法,然后通过融合两种方法识别结果构建一种融合两类数据的职住空间识别方法,并以高德地图为准对识别结果进行验证分析;最后,论文基于职住空间识别结果通过分析城市居民通勤时间、通勤距离、通勤流向特征,构建外出/外入通勤率、内外通勤比等指标分析城市职住平衡状况。本文的主要贡献如下:(1)将开放出行数据集引入城市职住空间研究中,提出基于出行流动量模型的职住空间识别方法。开放出行数据作为互联网时代包含城市居民出行信息的新型轨迹数据,为城市职住空间研究提供新视角。本文将该数据引入,通过分析各研究单元乘客动态流动量特征,提出出行流动量模型,构建居住因子和工作因子识别乘客职住地分布。(2)构建POI定量识别方法。城市POI数据反映城市各类地理实体的静态空间分布状况,本文通过统计网格内各类POI的数量构建POI频数密度和POI类别比例指标识别职住空间,并选取类型比例值为50%作为判断单元功能性质的标准,当网格单元内某一种类型的POI比例占到50%及以上时,确定该网格单元为该类POI性质单一功能区;当网格单元内所有类型的POI比例均没有达到50%时,即确定该功能区为混合功能区。(3)提出融合出行流动量模型和POI定量识别方法的职住地识别方法。开放出行数据包含乘客上下车位置点时空信息,反映乘客移动出行行为特征;POI数据包含丰富的语义信息,是城市地理实体空间分布的真实反映。基于出行流动量模型的职住空间识别方法通过分析城市人群的动态变化和移动模式特征,计算各研究区域流动量差,识别其职住地分布情况,但该方法只考虑人群动态流动特征并未考虑到研究区各类服务设施静态空间分布情况,可能导致过度识别问题。POI定量识别方法基于现阶段城市服务设施静态分布特征,识别城市各类功能区分布情况,但城市POI数据往往存在更新不及时、现时性弱等缺点,从而影响城市职住空间识别结果。因此本文结合两类数据优缺点,在动态识别的基础上融合POI静态识别结果,动静结合准确识别城市职住空间分布情况。(4)识别结果分析与验证。本文选取海口市为实验区对三种识别方法的识别结果进行对比分析,最终得到白龙街道、白沙街道、府城镇、国兴街道、海甸街道等12个街道以居住类型为主;西秀街道和秀英街道以服务类型为主;滨海街道、金贸街道和平南等5个街道以职住混合类型为主;博爱街道和中山街道以工作服务混合类型为主;城西街道、国营桂林洋农场等4个街以工作类型为主;海秀街道以居住服务混合区为。最后,以高德地图为准,借助道路辅助选取高德地图上与实验区统一网格单元对融合开放出行数据和POI的职住空间识别结果进行验证,结果显示识别结果与实际情况基本吻合,实验结果相对准确。(5)提出基于职住空间识别结果的职住平衡分析方法。基于职住空间识别结果通过分析城市居民通勤时间、通勤距离、通勤流向特征,构建外出/外入通勤率及内外通勤比等指标分析城市职住平衡状况。以海口市为例的实例验证结果显示海口市通勤模式以单中心通勤为主,中心组团内外通勤比率高,职住混合程度高,职住平衡水平高。江东组团内外通勤比率相对较低,外入通勤率大于外出通勤率,区域吸引力较大,总体呈现工作特性;长流组团内外通勤比率最低,外出和外入通勤率较高,区域职住平衡水平较低。