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

P l a n n i n g S t u d i e s 规划研究 城 市 规 划 C ITY P LA N N IN G R E V IE W 2012 年 第 36 卷 第 3 期 V O L.36 N O .3 M A R . 2012 76 【作者简介】 韦亚平，男，浙江大学区 域与城市规划系副教授， 浙江大学城乡规划研 究院城市规划与政策研究 中心。 潘聪林，男，浙江大学城 乡规划设计研究院城市规 划与政策研究中心。 【修改日期】2012-02-16 【文章编号】1002-1329 (2012)03-0076-09 【中图分类号】TU984 【文献标识码】A 【摘要】基于杭州城西9个街区1339份居民出行 数据，利用居民个体属性、出行距离和土地利用 等三组变量建构了多项逻辑决策模型，街区 土地利用变量对通勤方式选择的影响。结论为： 在中国高密度城市形态下，由于城区扩张和收入 水平提高，形成了以小汽车为主导的混合通勤结 构，而小尺度街区、密集路网等土地利用变量则 是助长小汽车通勤的诱因；有必要在街区空间尺 度上，通过土地利用规划、小汽车使用管制以及 公共交通环境设计等综合措施，优化居民的通勤 结构。 【关键词】土地利用；通勤方式；空间组织；大 城市 ABSTRACT: Using the explanatory variables of individual attributes, commuting distance and land-use characteristics, this study develops a multinomial logistic model to examine the effects of the urban land-use characteristics on commuter travel, based on a travel survey of 1339 individuals from nine selected sub-districts of Hangzhou. The results show that, a car-dominated commuting pattern had come into being with high-density urban expansion and household income increase; and the land-use characteristics of small street blocks, high- density street networks, mixed land use, etc. are the encouraging factors of automobile dependence. These fi ndings suggest that people’s travel behavior should be optimized towards achieving “green pattern” by synthesizing multiple tools of land use planning, car- use regulation and transit environment design. KEYWORDS: land use; commuters’ travel pattern; urban spatial organization; megacity 近十多年来，中国大城市规模急剧膨胀，城 市密度不断推高。随着居民收入提高和家庭活动 范围扩大，小汽车也正逐步普及。因小汽车增多 而导致的高运行成本和低效率，已成为中国大城 市可持续发展面临的共同难题。为缓解中国大城 市的空间组织问题，亟需在实证研究的基础上， 总结合适的规划分析思路与方法，刻画与土地利 用相关的出行行为特征，进而为合理制定规划政 策提供科学依据。 本文着眼于街区土地利用特征与居民工作出 行的通勤方式选择，主要为：(1)选用合适的影 响因子，建立MNL(multinomial logistic)模型，模 拟高密度大城市的居民通勤方式选择；(2)分析 “商业办公比”、“路网密度”等土地利用变量 对居民通勤方式选择的影响和作用机制；(3)以 城市空间组织优化为导向，探讨模型结果的规划 政策意义。 1 背景与数据 1.1 文献评述 从国际经验看，在城市增长和城市蔓延中很 难控制小汽车的增加，更现实的策略是通过规划 政策机制，引导居民更多选择公共交通等环保型 出行方式，以提高有限道路设施和交通资源的利 用效率(S Olszewski,2007)。 为此，1980年代以来，在发达国家的城市更 新和郊区发展中，基于优化土地利用，引导个体 交通需求和出行决策的规划思路得到了大力倡导 和应用(Cervero & Kockelman,1997)。在此思路 下，土地利用和出行行为(出行频数、出行距离 和出行方式选择等)之间的关联性得到了广泛研 究。通过出行调查，很多文献建立了基于微观个 体的“非集计模型(disaggregate)”，以量化验证 土地利用对个体出行决策的影响(如：G Boarnet & Sarmiento,1996; Cervero & Kockelman,1997; Kitamura et al.,1997; Crane & Crepeau,1998; Cervero,2002; Schwanen & L Mokhtarian,2005; 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 韦亚平 潘聪林 * 国家青年自然科学基金资 助项目(50808155)；浙江大 学基本科研业务费专项资 助项目(2011QNA4015)。 URBAN LAND-USE CHARACTERISTICS AND COMMUTERS’ TRAVEL PATTERN: A CASE STUDY OF WEST HANGZHOU WEI Yaping; PAN Conglin 77 本街区(图1)。其中，玉泉、西溪最靠近城市中 心，发展于1960-70年代，功能混合多样；翠 苑、古荡形成于1980-90年代，也拥有较大比例 的商业办公用地；文新、塘北是最近10多年来形 成的，居住用地比例大，功能相对单一；蒋村、 留下和三墩则是典型的近郊城乡混合街区，用地 较为混杂破碎，城市功能不完善。 居民出行调查开展于2009年12月②，共发放 问卷2000份，回收1808份，整理出有效问卷1339 份；利用SPSS建立了居民通勤特征的基础数据 库。 1.3 数据概况 1.3.1 个体属性 (1)家庭特征。以3～4口之家为主；至少有2 人工作的家庭占85.9%；家庭收入水平整体上较 高，年收入10万以上家庭至少占50%；拥有小汽 车的家庭占59.7%。 (2)个体特征。以中青年为主，31～40岁占 73.5%；教育程度较高，约43%接受过本科以上 教育。职位结构以一般工作人员、中层管理人员 和个体户为主，占82.6%(表1)。 1.3.2 通勤特征 (1)通勤方式。调查共得9种通勤方式，整合 为五类：步行，占10.7%；自行车，占10.8%； 电动车，占19.6%；小汽车(含出租车和摩托 车)③，占38.1%；公共交通(transit)，包括普通 公交、快速公交(BRT)和单位班车，占20.9%。 可见，小汽车、公交车和电动车是主要通勤方 式，总和约占80%。 M Badland et al.,2008; Cao et al.,2009 ; Manaugh et al.,2010)。 不过，土地利用究竟是如何影响个体出行 选择的，其在多大程度上对个体出行选择发生 作用？这类问题一直未能形成定论(G Boarnet & Sarmiento,1996; Wee,2002; Pan et al.,2009； 潘海啸,等，2009)。模型分析的结果不仅在不同 国家和地区之间不一致，甚至在相似案例地区也 有不同的研究结果①。 从方法论上看，这些结果差异是不难理解 的。因为：(1)不同城市的地方性特征将形成不 同的出行需求结构，导致土地利用要素对居民出 行的不同影响；(2)分析中所采用的空间尺 度(与城市密度相关)将影响统计分析结果，以及 这些分析结果的实际意义；(3)模型建构思路和 细化程度不一致。包括纳入模型的因子组合是否 与分析目的相适应，是否能有效刻画具体社群的 出行行为特征等因素。 中国大城市的空间特征在于：一是高密度 混合土地利用，很多出行需求能在较小的空间尺 度内完成；二是多样化的出行方式，相当部分居 民尚未，或者正在跨越小汽车消费门槛；三是在 街区尺度上的社群混合特征，这是由多样化的高 密度建设开发模式所决定的。由此，模型分析需 要： (1)在建构模型时，应避免使用“街区类 别”直接表示不同的土地利用模式。街区类别不 仅意含着土地利用特征的差异，也意味着不同的 社群构成等因素，因此很难判定最后的统计分析 结果是土地利用本身所造成，还是因为社群构 成，抑或是其他因素。 (2)应选择合适的土地利用要素，将土地利 用模式表达为一组量化指标，以反映“土地利 用”背后的关键意涵。因此，在给定空间尺度 下，应通过若干次模型调试，确定土地利用要素 与个体出行决策的相关性。 (3)如果不同社群的出行方式具有显著区 别，就应分别研究土地利用变量对他们的出行选 择影响，以使结果具有细致的政策意义。因此， 如果是一个高度混合的样本数据库，就需要按社 群特征进一步区分为不同的子数据库。 1.2 案例背景 杭州市辖区面积3068km2，2009年常住人口 近500万，人均GDP约为10000美元。在长三角区 域内，是仅次于上海的第二大中心城市。近年 来，杭州市的家庭小汽车增长迅速，交通拥堵现 象严重。 为了尽可能反映城市的街区土地利用特征， 选取杭州城西片区作为具体案例，包括9个样 图1 案例街区与城市中心的空间关系 Fig.1 Spatial relationship between sub-districts and city center 大 城 市 街 区 土 地 利 用 特 征 与 居 民 通 勤 方 式 研 究 韦 亚 平 潘 聪 林 P l a n n i n g S t u d i e s 规划研究 城 市 规 划 C ITY P LA N N IN G R E V IE W 2012 年 第 36 卷 第 3 期 V O L.36 N O .3 M A R . 2012 78 (2)时间和距离。上下班时耗的平均值分 别为30.9min和33.1min。有65%受访者的通勤 时间在30min内，近20%超过50min；平均通勤 距离为6.9km。其中，通勤距离在10km以内的 占78.5%，0～3km的占33.3%，3～5km的占 18.4%，5～10km的占26.8%。 (3)不同通勤方式存在明显分工，分别在不 同距离和时间内充当着主导出行方式(表2)。其 中，小汽车速度最快，平均时耗和距离均小于公 交车；公交车和电动车的速度较接近，但公交车 的平均距离要比电动车远得多。 1.3.3 土地利用特征 为表达“用地混合度”和“区位交通条件” 这两个重要的街区土地利用特征，在用地现状图 基础上，结合场地调查修正，计算获得街区土地 利用指标(表3)。 ( 1 )商业办公用地比( p e r c e n t a g e o f commercial and official land)：测度用地的功能 混合度(案例的工业用地很少),算式：商业办公 用地面积/街区面积； (2)道路网密度(road density)：测度整体可 达性水平，算式：道路总长度/街区面积； (3)支路网密度④(branch-road density)：测 度微观可达性水平，算式：支路长度/街区面 积； (4)路网连通度(road connectivity)：测度路 网的联通性，算式：对于街区内的十字路、丁 字路、断头路口，根据连通向度分别赋值8、6和 2，加总后再除以街区面积； (5)公交线网密度(transit density)：测度公 共交通的供给水平，算式：公交线网数/街区面 积。 2 研究方法 2.1 因子选择 通勤表现为个人在居住地(RL)和工作地 (WL)之间的空间移动过程。影响通勤方式选择 的因素很多，可归纳为3类(Manaugh et al.,2010; M Badland et al.,2008; Cervero,2002; Cervero 表1 个体属性 Tab.1 Individual attributes 项目 数量 比重(%) 项目 数量 比重 (%) 家庭 人数 (个) 2 20 1.5 小汽 车拥 有量 (辆) 0 540 40.3 3 714 53.3 1 661 49.4 4 278 20.8 2及以上 138 10.3 5 233 17.4 性别 男 711 53.1 6及以上 94 7.0 女 628 46.9 工作 人数 0 7 0.5 年龄 (岁) 20～30 69 5.2 1 182 13.6 31～40 984 73.5 2及以上 1150 85.9 41～50 269 20.1 上学 人数 1 1150 85.9 51及以上 17 1.3 2 189 14.1 文化 程度 大专及以下 767 57.3 家庭 年收 入 6万以下 189 14.1 大学 437 32.6 6～10万 320 23.9 研究生 135 10.1 10万以上 561 41.9 工作 职位 一般工作人员 581 43.4 不稳定 269 20.1 中层管理人员 317 23.7 住房 面积 (m2) 60及以下 277 20.7 高层管理人员 125 9.3 61～90 414 30.9 个体户 208 15.5 91～120 297 22.2 其他 108 8.1 121～160 241 18.0 161及以上 110 8.2 项目 步行 自行车 电动车 小汽车 公交车 平均距离(km) 1.2 3.9 5.7 8.2 10.1 平均时间(min) 12.9 23.0 26.7 31.0 48.1 平均速度(km/h) 5.6 10.1 12.7 15.9 12.6 编号 名称 街区面积(km2) 商业办公用地比 (%) 道路网密度 (km/km2) 支路网密度 (km/km2) 路网连通度 (向/km2) 公交线网密度 (条/km2) 1 玉泉 3.53 53.12 5.73 2.87 42.5 17.9 2 西溪 3.02 42.99 5.70 2.69 31.5 20.9 3 翠苑 3.78 43.00 5.26 2.83 38.6 16.1 4 古荡 2.25 24.46 6.29 4.45 41.8 18.2 5 文新 6.63 4.65 4.08 2.12 18.4 6.8 6 塘北 3.14 11.77 6.05 2.72 28.0 5.4 7 三墩 3.60 9.02 4.10 3.08 36.1 4.4 8 蒋村 4.48 1.14 1.14 1.55 13.4 1.6 9 留下 9.67 16.66 2.76 1.56 10.8 2.2 表2 不同通勤方式的平均通勤距离、时间和速度 Tab.2 Average distance, time and speed of commuters’ travel patterns 表3 街区土地利用特征 Tab.3 Land use characteristics 79 & Kockelman,1997)。 (1) 个体属性：包括性别、年龄、职业、学 历、家庭收入等个人统计特征。这类属性决定了 个人对交通方式的选择偏好和支付能力，是影响 通勤决策的内生变量⑤。 (2) 距离和时间：距离和时间因子之间具 有较强的交互影响，不宜作为自变量同时纳入模 型，可用距离因子包容时间因素。经验上，通勤 距离将决定通勤方式选择。如，当距离较近时， 人们会倾向于步行或自行车出行；当距离较大 时，会倾向小汽车或公共交通出行(M Badland et al., 2008)。但在距离给定时，通勤方式也可视 为是人们衡量出行时间的结果。因为人们会在出 行的时间成本和经济成本之间权衡，并在时间和 经济成本上兼可支付的情况下选择交通方式⑥。 (3) 土地利用特征：主要为街区交通条件、 建设密度、用地混合度、环境设计等四个方面 (Cervero,2002)。这些因素的作用机制通常是支 持性的，也是间接的。如，密度和用地混合度可 以影响交通设施(如公交站点)和就业点的可达性 (Cervero & Kockelman,1997)，进而间接作用于 个体的出行方式选择。再如，由土地混合而来的 功能多样性，不仅可增加短距离工作机会，也便 于提高公交服务水平。 2.2 模型设计 在普遍的高密度格局下，为模拟土地利用和 个体通勤方式选择的关系，首先假定一个基本的 多项逻辑(logistic)回归模型如下： Logit (P1/P2) = f (SDi，Di，LUi) 式中：Logit(P1/P2)=任意两种交通方式优势 比的自然对数值； “i”= 1、2 …，指代样本个体； SD=个体属性，包括性别、年龄、学历、职 位、家庭规模、年收入、住房面积、拥有小汽车 数量等8个因子； D=通勤距离⑦(km)； LU=街区土地利用。选用表1中的五个度量 指标。 为更好刻画个人通勤方式的选择情境，以 小汽车作为其他4种通勤方式的共同对比参照目 标，将以上模型转化为如下4个应用分析模型： LN(Pwalk/Pcar)=βa0+βa1X1+βa2X3+βa3X3+…… (1) LN(Pbike/Pcar)=βb0+βb1X1+βb2X3+βb3X3+ …… (2) LN(Pe-bike/Pcar)=βc0+βc1X1+βc2X3+βc3X3+ …… (3) LN(Ptransit/Pcar)=βd0+βd1X1+βd2X3+βd3X3+ …… (4) 2.3 模拟过程 模型的拟合分三步： (1)模型简化——以小汽车为参照目标，建 立一个针对所有样本的基础模型。仅纳入个体属 性和距离这两组控制性变量因子，观察各因子在 模型中的显著性，进而去除一些无统计意义的因 子。 (2)全数据库模拟——在简化模型中进一步 纳入土地利用变量，并分项观察各土地利用变量 在模型中的因子显著性。 (3)子数据库模拟——为使模拟结果更为细 致，按“距离远近”和“收入差异”，分别将总 样本数据库拆分为两组子数据库。交叉比较这两 组子数据库的模拟结果，以更全面地认识土地利 用变量对通勤方式选择的作用特征。 3 模型结果 3.1 模型简化 表4是基础模型中仅纳入“个体属性”和 “距离”这两组因子的拟合结果⑧。表格显示了 小汽车变量纳入前后各因子的变化。比较可得： (1)在影响个体通勤方式是否选择小汽车的 变量中，“距离”和“小汽车拥有量”是最重要 的因子。而且，纳入小汽车变量后，模型的整体 拟合效果显著增加(由0.477变为0.569)； (2)小汽车变量在很大程度上代表了家庭富 裕程度，因此替代了收入水平、职位情况、居住 面积和学历这几个因子的解释力，而这四个变量 也很大程度上决定了小汽车消费能力。 由此，模型将小汽车变量剔除，保留收入水 平等4个变量。尽管这使模型的整体解释力度略 有降低，但却减少了个体属性的信息损失，且不 妨碍后续对土地利用变量的分析。另外，由于家 庭人口和低收入、一般收入、中层/高层管理人 员、个体户等变量都无显著性意义，因此也一并 去除。 3.2 全数据库模拟 将各土地利用变量分别纳入四个分析模型， 输出结果整理为两张表(表5，表6)。其中：表5 是独立纳入“商业办公用地比”的回归结果；表 6是一张简表⑨，汇总了其他四个变量分别纳入模 型的参数值。 结果显示：土地利用变量在“自行车/小 汽车(模型2)”和“公交车/小汽车(模型4)”的 选择比较中基本无统计意义；而在“步行/小汽 车”(模型1)和“电动车/小汽车”(模型3)中尽 管有解释意义，但数值均呈反比关系。分项看： (1) 商业办公用地比——在“电动车/小汽 大 城 市 街 区 土 地 利 用 特 征 与 居 民 通 勤 方 式 研 究 韦 亚 平 潘 聪 林 P l a n n i n g S t u d i e s 规划研究 城 市 规 划 C ITY P LA N N IN G R E V IE W 2012 年 第 36 卷 第 3 期 V O L.36 N O .3 M A R . 2012 80 车”比较中，商业办公用地比越高，小汽车的选 择概率越大。而在其他模型中的作用不显著。 (2) 路网密度——在“步行/小汽车”、 “电动车/小汽车”的比较中，路网密度越大， 小汽车通勤的概率越大。 (3) 支路网密度、道路连通度——在“步行 /小汽车”比较中有影响。变量值越大，小汽车 通勤概率越大。 (4) 公交线网密度——在“步行/小汽 车”、“电动车/小汽车”的比较中，都表现为 提高小汽车通勤的概率，但在“公交车/小汽 车”的选择比较中没有显著性影响。 3.3 子数据库模拟 在以上 “电动车/小汽车”、“公交车/小 汽车”的全数据库分析中，通勤距离(dis)基本 不影响决策结果，而与经济状况相关的个体属性 才是主导的影响因子(area，pos1等)。这表明， 电动车、公交车与小汽车的通勤者是不同的群 体，如果对此不加区分，必将导致土地利用变量 的模拟结果不尽真实。因此，有必要按距离和个 体属性，将全数据库拆分为子数据库来进一步模 拟分析。 3.3.1 按距离远近 在经验上，超过一定距离后，步行、自行车 和电动车将很难成为一种通勤方式。这时，如果 用全样本数据库来模拟，必将夸大距离的影响， 降低其他解释因子的重要性。因此，对于“步 行/小汽车”、“自行车/小汽车”和“电动车/ 小汽车”的选择模拟，宜将样本群体分别限定在 表4 基础模型的拟合结果(1339份) Tab.4 Fitting results of basic model (1339 samples) 解释变量 未纳入小汽车变量 纳入小汽车变量 卡方 (χ2) 显著性 (sig.) 卡方 (χ2) 显著性 (sig.) 距离（dis） 494.0 .000 488.3 .000 性别（女=1，sex） 28.7 .000 44.1 .000 年龄（age） 13.1 .011 17.3 .002 学历（edu） 19.6 .001 10.9 .028 家庭人口（num） 6.1 .193 2.7 .605 低收入（inc1） 5.8 .218 4.5 .345 一般收入（inc2） 3.9 .421 2.4 .659 中高收入（inc3） 13.1 .011 3.1 .548 普通工作人员（pos1） 11.5 .022 4.2 .385 中层管理人员（pos2） 1.6 .800 0.6 .959 高层管理人员（pos3） 3.7 .449 1.1 .901 个体户（pos4） 1.9 .759 1.4 .840 住房面积(area) 68.7 .000 18.6 .001 小汽车数量（car） - - 256.9 .000 模型整体χ2 860.3 1115.5 伪R2（cox & Snell） 0.477 0.569 表5 “商业办公用地比”在4个模型中的参数结果(1339份) Tab.5 Parameter results of “ratio of business land to offi ce land” in four analytical models (1339 samples) 解释变量 模型参数(B) 误 (SE) 参数检验统 计量(Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验统 计量(Wald) 显著性 (Sig.) 模型1.步行与小汽车优势比的对数模型 模型2.自行车与小汽车优势比的对数模型 距离 -1.179 .103 131.624 .000 -.233 .032 52.575 .000 性别 1.075 .256 17.615 .000 .385 .219 3.098 .078 年龄 .412 .230 3.223 .073 .654 .201 10.623 .001 学历 -.260 .195 1.778 .182 -.225 .163 1.914 .167 住房面积 -.422 .102 17.232 .000 -.564 .096 34.291 .000 中高收入 -.581 .273 4.540 .033 -.814 .231 12.390 .000 普通工作人员 .678 .257 6.945 .008 .859 .217 15.624 .000 商业办公用地比 -.012 .007 2.673 .102 .006 .006 1.166 .280 模型3.电动车与小汽车优势比的对数模型 模型4.公交车与小汽车优势比的对数模型 距离 -.096 .018 28.668 .000 .037 .011 12.190 .000 性别 .285 .177 2.581 .108 .787 .169 21.755 .000 年龄 .168 .168 .998 .318 .062 .165 .143 .705 学历 -.783 .151 26.780 .000 -.213 .124 2.925 .087 住房面积 -.502 .075 44.248 .000 -.441 .072 37.282 .000 中高收入 -.761 .186 16.778 .000 -.544 .170 10.276 .001 普通工作人员 .970 .176 30.304 .000 .748 .166 20.414 .000 商业办公用地比 -.013 .005 5.955 .015 -.003 .005 .379 .538 81 3km、8km和12km以内。但对“公交车/ 小汽车”的比较，则不必限定样本的距 离要求，因为这两种方式在20km内的出 行距离内具有替代性⑩。 由此，框定子数据库后，模拟结果 为： (1)步行/小汽车——以距离为3km 内的样本为子数据库(446份)，将各土 地利用变量分别纳入模型1，输出结果 整理为两张表(表7，表8)。其中：表7 是独立纳入“商业办公用地比”的回归 结果；表8是一张简表，汇总了其他四 个土地利用变量分别纳入模型1的参数 水平。与全数据库的模型结果相比较， 土地利用变量的影响机制没有本质变 化，但距离因子在子数据库模拟中的重 要性显著下降，而土地利用变量的重要 性则显著上升。 (2)自行车/小汽车、电动车/小 汽车——分别框定距离为“8km内(936 份)”和“12km内(1133份)”的样本子 数据库，输出子数据库结果(模型结果 略)。与全数据库模拟结果相比较，同 样发现：尽管5个土地利用变量相对于 距离变量的解释力大幅上升，但在作用 性质上没有改变。 3.3.2 按社群收入 社群的经济状况不同，土地利用 变量对其通勤方式选择的影响也不相 同。特别是低收入群体，其出行决策与 高收入社群相比，选择余地要小得多。 为此，将全样本数据库进一步拆分为 “中高收入”、“中低收入”和“收入 不稳定”这三个子数据库进行模拟。输 出结果显示，三个群体之间的差异较为 明显(表9～表13)。 (1)土地利用变量对中高收入群体 的通勤选择无影响；但对“中低收入” 和“收入不稳定”这两个群体的影响较 为显著，且其显著性结果均呈负相关。 即，土地利用变量的增加，选择小汽车 的概率也就增大。其中，影响较大的土 地利用变量依次为“路网密度”、“道 路连通度”和“公交线网密度”。 (2)土地利用变量对中低收入群体 的影响主要集中在“步行/小汽车”和 “电动车/小汽车”的比较选择中，这 与全数据库模拟的结果类似；对收入不 稳定群体的影响主要集中在“步行/小 汽车”、“自行车/小汽车”和“公交 车/小汽车”的对比选择中，这与全数据库模拟的结果明 显不同。 4 讨论 4.1 城市形态、社群属性与通勤方式 案例地区反映了我国大城市的典型“圈层式”空间 增长过程，以及高密度混合形态特征。如，大盘社区与 表6 “4个土地利用变量”在4个模型中的参数结果示意 Tab.6 Parameter results of “four land use variables” in four analytical models 模型 模型 参数 (B) 标准 误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型 模型参 数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著 性 (Sig.) 1.道路网密度 2.支路网密度 模型1 -.308 .090 11.720 .001 模型1 -.345 .145 5.683 .017 模型2 -.010 .078 .016 .899 模型2 .015 .114 .018 .894 模型3 -.157 .061 6.585 .010 模型3 -.046 .094 .237 .626 模型4 -.014 .061 .054 .815 模型4 .027 .088 .097 .755 3.道路连通度 4.公交密度 模型1 -.028 .011 7.191 .007 模型1 -.054 .019 8.419 .004 模型2 .000 .009 .002 .967 模型2 .008 .015 .252 .616 模型3 -.010 .007 1.902 .168 模型3 -.032 .013 6.135 .013 模型4 -.001 .007 .012 .914 模型4 -.008 .012 .395 .530 解释变量 模型参数(B) 标准误 (SE) 参数检验统计 量(Wald) 显著性 (Sig.) 步行与小汽车优势比的对数模型 距离 -1.058 .180 34.461 .000 性别 1.228 .317 15.016 .000 年龄 .378 .279 1.841 .175 学历 -.349 .225 2.408 .121 住房面积 -.462 .124 13.759 .000 中高收入 -.446 .329 1.839 .175 普通工作人员 1.135 .343 10.973 .001 商业办公用地比 -.014 .009 2.527 .112 伪R2（Cox & Snell) .340 N 446 土地利 用变量 模型 参数 (B) 标准 误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 土地利 用变量 模型 参数 (B) 标准 误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 道路网 密度 -.439 .123 12.709 .000 支路网 密度 -.521 .173 9.107 .003 道路联 通度 -.047 .014 11.569 .001 公交 密度 -.063 .023 7.507 .006 表7 “商业办公用地比”在模型1中的结果(3km内样本，446份) Tab.7 Parameter results of “ratio of business land to office land” in analytical model I (446 samples within 3km) 表8 4个土地利用变量在模型1中的参数结果示意(3km内样本，446份) Tab.8 Parameter results of “four land use variables” in analytical model I (446 samples within 3km) 大 城 市 街 区 土 地 利 用 特 征 与 居 民 通 勤 方 式 研 究 韦 亚 平 潘 聪 林 P l a n n i n g S t u d i e s 规划研究 城 市 规 划 C ITY P LA N N IN G R E V IE W 2012 年 第 36 卷 第 3 期 V O L.36 N O .3 M A R . 2012 82 表9 “商业办公用地”在4个模型中的子数据库参数结果示意 Tab.9 Parameter results of “ratio of business land to offi ce land” in sub-database of four analytical models 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 中低收入（503份） 收入不稳定（272份） 中高收入（564份） 子模型1 -.012 .012 1.040 .308 -.026 .017 2.576 .109 -.006 .011 .300 .584 子模型2 .009 .009 .898 .343 -.011 .014 .621 .431 .011 .010 1.072 .301 子模型3 -.021 .008 6.594 .010 -.012 .013 .877 .349 -.004 .008 .241 .623 子模型4 -.006 .008 .628 .428 -.027 .014 3.496 .061 .005 .007 .482 .488 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参 数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 中低收入（503份） 收入不稳定（272份） 中高收入（564份） 子模型1 -.391 .138 7.965 .005 -.512 .176 8.475 .004 .023 .209 .013 .911 子模型2 .043 .121 .128 .721 -.287 .146 3.872 .049 .218 .185 1.388 .239 子模型3 -.207 .091 5.200 .023 -.264 .127 4.318 .038 .017 .131 .017 .897 子模型4 .026 .099 .070 .792 -.287 .136 4.452 .035 .016 .102 .025 .873 表10 “路网密度”在4个模型中的子数据库参数结果示意 Tab.10 Parameter results of “road density” in sub-database of four analytical models 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 中低收入（503份） 收入不稳定（272份） 中高收入（564份） 子模型1 -.677 .253 7.173 .007 -.610 .290 4.405 .036 .183 .251 .532 .466 子模型2 .127 .179 .505 .477 -.381 .232 2.695 .101 .106 .210 .253 .615 子模型3 -.164 .151 1.184 .277 -.203 .191 1.129 .288 .181 .161 1.260 .262 子模型4 .130 .147 .781 .377 -.331 .208 2.530 .112 -.004 .136 .001 .974 表11 “支路网密度”在4个模型中的子数据库参数结果示意 Tab.11 Parameter results of “branch road density” in sub-database of four analytical models 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 中低收入（503份） 收入不稳定（272份） 中高收入（564份） 子模型1 -.038 .017 5.152 .023 -.045 .021 4.406 .036 -.014 .021 .461 .497 子模型2 .017 .015 1.312 .252 -.050 .019 7.140 .008 .017 .019 .849 .357 子模型3 -.025 .011 5.088 .024 -.013 .016 .673 .412 .008 .014 .306 .580 子模型4 -.002 .012 .022 .882 -.029 .017 2.991 .084 .006 .011 .271 .603 表12 “道路连通度”在4个模型中的子数据库参数结果示意 Tab.12 Parameter results of “road connectivity” in sub-database of four analytical models 表13 “公交密度”在4个模型中的子数据库参数结果示意 Tab.13 Parameter results of “transit density” in sub-database of four analytical models 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验 统计量 (Wald) 显著性 (Sig.) 模型参数 (B) 标准误 (SE) 参数检验统 计量(Wald) 显著性 (Sig.) 中低收入（503份） 收入不稳定（272份） 中高收入（564份） 子模型1 -.076 .030 6.371 .012 -.106 .040 7.127 .008 .010 .034 .081 .776 子模型2 .026 .024 1.132 .287 -.069 .034 4.166 .041 .035 .030 1.353 .245 子模型3 -.053 .020 7.286 .007 -.038 .028 1.840 .175 -.011 .022 .260 .610 子模型4 -.016 .020 .674 .412 -.061 .031 3.924 .048 .009 .018 .263 .608 83 断优化空间组织，以在这两个空间层面之间形成 适宜的中观组织结构(韦亚平、赵民，2006；韦 亚平，2010)。 在建成区仍在不断填充和更新功能的情况 下，如果以街区作为空间组织的中观尺度(层 次)，那么首要就是优化最频繁的通勤结构：一 是优化通勤尺度。通过用地混合策略增加街区就 业岗位，减少城区居民的总通勤出行里程；二是 优化通勤方式。改变居民不适宜的通勤交通行为 选择，使更多转向公交和非机动化通勤方式。 按此空间组织优化指向，本研究的政策意义 在于： (1)土地利用规划——在高密度城区的快速 扩张中，应按自行车和电动车的适宜出行尺度 4～6km为半径，规划控制就业中心(商业、办公 用地)，特别是通过大型城市综合体的开发；同 时，在街区尺度内，尽管混合土地利用在短期内 难以形成职住平衡格局，但中长期看还是应控制 形成一定的商业办公用地，并辅以社区就业促进 方面的相关政策，以吸收临近居民的就业；此 外，应在这些就业中心周边的相应尺度内，创造 非机动化通勤的空间路径条件，如步行、自行车 绿道的慢行体系。 (2)小汽车使用管制——在城市整体的收入 水平提高中，要想抑制小汽车通勤的普及趋势， 就应制定公平的交通管制政策。最直接的办法是 按照不同的分区情况，提高小汽车的使用成本， 如控制减少路面停车、增加停车费用、以及征收 固定车位的环境影响费等政策措施；同时，城市 应动态评估小汽车费用政策，在获取不同(收入) 群体使用小汽车的费用边际点的情况下，通过费 用机制将小汽车的使用控制在合适的水平，并形 成小汽车使用群体对城市公共交通的补贴机制。 (3)公共交通环境设计——在通勤尺度扩大 的情况下，要想发挥公共交通在通勤方面的规 模运营优势，除了小汽车管制政策外，还要有优 良的公共交通空间与节点设计：一是从体系上改 进公交系统的低效，如站点稀疏、过于拥挤、换 乘不便、停靠点多、准时性差等；二是在公交站 点周边创造非机动化出行的空间路径条件，满足 步行或自行车作为转换公交方式时，对交通环境 的舒适性、安全性和观赏性要求。而道路拓宽、 交叉口机动车道增加、支路网完善等单纯措 施，固然会改善道路交通状态，但却很可能会恶 化非机动出行环境，如街道空气质量和景观越来 越糟。 5 结论 在高密度条件下，大城市空间的可持续发展 城中村并存、别墅区与拆迁安置小区并存等。不 过，尽管不同时期、不同开发形态的城区社会空 间分异明显，在街区尺度上的社群属性却是高度 混合的。由此也就形成了以“小汽车、公交车和 电动车”为主导的通勤方式。 但是，与通常的认识不同，在本研究中，高 密度路网、混合开发等土地利用变量并没有鼓励 人们选择非机动通勤方式，反而是鼓励了小汽车 的选择。对此，综合案例背景和模型结果，推论 如下： (1)在支付水平足够充分的情况下，土地利 用变量本身将难以影响人们的通勤方式选择。因 此，模型中的土地利用变量对于中高收入群体的 通勤选择没有实质性影响，可能的解释是因为其 收入水平足以支付小汽车通勤的各项可能费用， 包括自有或专用车库。 (2)在街区社群混合的条件下，“路网密 度”、“支路网密度”及“道路连通度”越高， 则越倾向于鼓励“中低收入”和“收入不稳定” 群体的小汽车通勤。这在子数据库模拟中得到了 明显反映。可能的解释是，虽然这部分群体本来 不会选择小汽车，但这些土地利用变量的增加使 得小汽车通勤更为便利，特别是在城市次干道和 支路被普遍用于停车时，客观上降低了小汽车的 使用成本。 (3)在城区快速扩张中，街区尺度内的混合 土地利用模式很难形成职住平衡格局，至少在短 期内难以形成。因此，模型分析中的商业办公用 地比增加不但没有鼓励居民的非机动化通勤，甚 至在“电动车/小汽车”比较中，增加了小汽车 的选择概率。可能原因是：电动车和小汽车在 5km内具有替代性，而“商业办公用地比”大意 味着更具有小汽车停车条件。 (4)在非机动化出行环境不佳的情况下，公 交线网密度的增加不足以吸引人们更多转向非 机动化通勤。这在模型中表现为随着“公交线网 密度”增加，将抑制步行、自行车和电动车的选 择概率，鼓励人们更多选择小汽车。可能的解释 是：因为街道和支路被大量用于停放和通行小汽 车，进而破坏了非机动化的出行环境，而公交出 行又总是需要和步行、自行车以及电动车相配套 的。当然，部分的解释也可能是因为公交线多敷 设于路网密度高的街区。 4.2 通勤结构优化与规划政策 中国大城市建成区普遍有大规模连绵发展态 势，并在街区尺度上呈现混合、高密度、高强度 的开发特征。由此，为了实现城市空间的可持续 运行，不仅需要良好的总体空间结构控制和微观 空间设计，更需要在建成区和半建成区基础上不 大 城 市 街 区 土 地 利 用 特 征 与 居 民 通 勤 方 式 研 究 韦 亚 平 潘 聪 林 P l a n n i n g S t u d i e s 规划研究 城 市 规 划 C ITY P LA N N IN G R E V IE W 2012 年 第 36 卷 第 3 期 V O L.36 N O .3 M A R . 2012 84 将在很大程度上取决于空间组织状况。对此，本 项研究的主要结论为： (1)在“高密度城市形态”以及“混合社群 属性”条件下，随着城区尺度的增大以及家庭收 入水平的提高，不但将形成以小汽车为主导的混 合通勤结构，而且有可能使小尺度街区、密集路 网等土地利用变量成为助长小汽车通勤的诱因。 (2)为了治理大城市通勤出行的拥堵问题， 需要通过“街区土地利用规划”、“小汽车使 用管制”以及“公共交通环境设计”等三方面的 综合措施，优化通勤结构。其中，适时制定小汽 车管制政策至关重要，因为随着用车群体不断扩 大，以及土地利用格局和公交环境的调整成本变 得越来越高，小汽车管制政策将在政治和社会层 面上变得越来越不可接受。 (3)对于不同的城市社群来说，土地利用变 量对通勤方式的影响是有差异的，因此，在政策 导向的模型分析中需要以子数据库的形式，区分 出不同的社群，以使模拟结果更为立体、全面。 这是由我国大城市的空间发展特征所决定的，这 也是我国城市出行研究和发达国家相关研究之间 的最重要背景差异。 本研究中，尽管土地利用变量与个体通勤 方式选择之间表现出明显的相关性，但要注意的 是：土地利用对个人通勤出行的影响是较为复杂 和多面的，单个的案例结论不能简单推论于其他 城市与地区；同时，本研究中的街区样本数量较 少，土地利用变量也不足以全面地刻画城区环境 对居民通勤出行的实际影响。因此，本次模型结 果很可能存有偏差，并使结论不具一般意义。这 些有待进一步地研究细化与修正。 注释(Notes) ① 如，Cervero 和 Kockelman(1997)将建成环境归结为三 个重要的维度(3Ds)，即密度、多样性(diversity)和设 计，通过加州旧金山港湾区的案例研究，论证了 三者对非工作出行的重要影响；但在G. Boarnet 和 Sarmiento(1996)有关南加州地区的案例研究中，模型 结果却显示人口密度、就业密度和路网格局等相 关的土地利用变量对郊区居民的非工作小汽车出 行需求的变化影响甚微。 ② 调查内容包括受访者的家庭状况和个体特征，工 作出行和非工作出行等部分。问卷采用群体抽样 法，按空间均衡原则，抽取各研究单元(街区)内的 幼儿园和中小学，向整班学生集中发放问卷，学 生带回由其家长填写。 ③ 其中，出租车(0.5%)和摩托车(0.4%)的比例几乎可 以忽略不计。 ④ 支路包