Jobs-housing Balance Comparative Analyses with the LBS Data: A Case Study of Beijing

ZHAO Pengjun†, CAO Yushu

ACTA Scientiarum Naturalium Universitatis Pekinensis - - CONTENTS - ZHAO Pengjun, CAO Yushu

The Centre for Urban Planning and Transport Studies, College of Urban and Environmental Sciences, Peking University, Beijing 100871; † E-mail: [email protected]

Abstract Measuring job-housing balance is an important part of job-housing related research, and the dataset applied in previous researches is expanded from survey and census data to LBS data. However, current research lacks comparative studies between different data sources. Beijing urban area is taken as an example to measure and analyze job-housing balance spatial-temporally from different aspects, using different kinds of LBS data, which including heatmap data, Point-of-interest data and Weibo-checkin data. This could provide decision-making reference to improve the job-housing balance. The authors compare the differences in the results of LBS data with the traditional population and economic census data, discusses the causes of the differences, and provides suggestions for further improving the research of LBS data in job-housing relations. Key words location based services data; job-housing balance; comparative study; Beijing urban area

我国城镇化进入快速发展阶段, 人口和经济在城市的集聚不仅产生集聚效应, 也产生长距离“中心郊区潮汐式”通勤方流、中心城区交通拥堵等“大城市病”。这些现象已成为我国建设宜居城市、改善民生亟待解决的现实问题。职住平衡是用来描述给定地理区域范围内就业单位与居住单位的空间关系的概念[1], 其内涵为在一定的城市区域内, 居民能够有合理的通勤距离到

达工作地, 并且能够满足该地域内职工的多样化住房需求[2–4],实质上是城市就业人口居住地与就业地相互接近。职住不平衡是过度依赖机动车、交通拥堵和空气污染的潜在原因[5–6], 也是导致城市长距离“中心郊区潮汐式”通勤的重要因素之一[7–8]。增加职住地临近性可以减少尾气排放[9], 提供更多的就业机会[10], 促进规模经济[11–12]。

职住平衡测定是国内外职住平衡研究领域的重要议题之一。当前国内外关于职住平衡相关研究中, 最常用的方法是测定职住比[2,5,13]。职住比指在特定范围内, 就业岗位数量与在业人口数量的比值。然而, 就实际情况而言, 工作地在某一区域的就业者, 其居住地并不一定在该区域内; 在某一区域内居住的就业者, 其工作地也不一定在该区域。因此, 可能存在大量就业者的流入流出, 而就业岗位与从业人口数量接近的情况, 实证研究也证明了该现象的存在[5]。针对这一问题, 部分学者采用某一区域内在本地工作居民数量占居民总数的比

[14–15]率 以及某一区域内在本地工作的居民数量占就业岗位总数的比率[15]。

从测定职住关系的数据来源看, 当前研究可以分为基于传统数据的研究和基于LBS数据的研究。传统数据方法主要采用统计数据、普查数据(人口、经济或单位普查)、问卷调查以及深度访谈等数据。LBS数据方法主要采用手机信令数据[16]、公

[17] [18]交刷卡数据 和热力图数据 等。学者们分别采用这些方法进行了大量研究, 取得一定进展。但是,从研究方法来讲, 当前仍然存在一个重要争议: 在这些方法中, 哪种方法更能反映职住关系的实际情况? 澄清该争论, 不仅对职住关系研究具有重要的理论意义, 而且对于通过提升职住平衡来促进城市交通可持续发展具有重要的政策价值。要解决以上问题, 需要开展基于不同方法的比较研究。但是,对不同数据源的比较研究目前尚属空白。

本文以北京城区为例, 在街道尺度上, 分别计算基于人口普查和经济普查等传统数据的职住平衡、基于热力图数据的职住平衡、基于POI与微博签到数据的职住平衡, 从不同角度测量北京城区职住关系的时间和空间特征。在此基础上, 对比这3种方法得出的职住平衡的差异性, 讨论传统数据与LBS数据方法下职住平衡的空间差异性, 为职住平衡的测定方法提出建议。

1研究设计1.1研究区域

《北京城市总体规划(2016年—2035年)》 确定了“一核一主一副、两轴多点一区”的城市空间结构。其中,“一核”为首都功能核心区, “一主”为中心城区(城六区), “一副”为北京城市副中心, 即原通州

新城规划建设区; “多点”包括顺义、大兴、亦庄、昌平、房山等5个位于平原的新城;“一区”为生态涵养区, 包括门头沟区、平谷区、怀柔区、密云区、延庆区, 以及昌平区和房山区的山区。本文选取生态涵养区以外的区域(包括北京市中心城区与新城区)作为研究区域, 并将这一区域统称为北京城区(图1(a))。现阶段, 该区域集中了北京市域范围内90%的居住人口和94%的就业岗位。根据《北京城市总体规划(2016年—2035年)》,该区域将是未来北京市承载人口与产业的主要地区。普查数据、热力图数据和微博签到数据在研究区域内覆盖范围不同。其中, 普查数据覆盖225个街道, 热力图数据覆盖162个街道, 微博签到数据覆盖126个街道。为方便职住平衡情况的测算及对比,本文将3组数据覆盖的交集作为研究范围(图1(b)),该范围内包括126个街道。

从人口与就业岗位集聚程度来看, 北京市城区聚集了大部分的居住人口与就业岗位, 其中本文研究范围内集中了北京市域65%的居住人口与74%的就业岗位。从道路交通运行状况来看, 北京市城区交通拥堵现象严重。早高峰时段入城方向与晚高峰时段出城方向的路段较为拥堵(图2)。这种现象可能是研究范围内居住、就业地分布不平衡所致。因此, 根据以上两方面, 有必要对北京市城区范围内的职住平衡情况进行研究。

1.2 分析单元

职住平衡测定结果受地理单元尺度影响, 且没有统一的标准尺度[19]。空间尺度越大, 该空间范围

[20]内职住关系越趋向平衡 。因此在进行计算之前,需要选取合适的地理单元。职住平衡测算的基本单元, 通常是土地利用政

[21]策实施的基本单元 。国际上城市的职住研究开始较早, 主要从3个尺度上进行职住平衡测算, 包括宏观尺度的城市和大都市区、微观尺度的交通小区(transport analysis zone, TAZ)以及中观尺度的半径5~7英里的缓冲区[1,22]。国内城市与国外城市地理单元划分方式不同,用来进行职住测算的地理单元也不同, 包括交通小

[23–24] [25] [8] [26–27]区 、邮政编码区 、区县 、街道 、组团与典型区域等[18,28]。其中, 街道是最常用的测算地理单元[15]。

在部分街道层面也有一定程度的缺失, 热力图数据覆盖街道数量为183, 微博签到数据覆盖街道数量为127。

1.3 职住关系指标

我们需要从职住比、过剩通勤和可达性3种指标中选取热力图、普查和微博签到3组数据均能够计算的指标, 以便进行职住平衡的测算及对比。职住比可以简便、直观地反映某一地理单元内就业岗位相对于在业人口是过剩或过少, 通过对比不同的地理单元, 可以观察就业岗位与居住地点的集聚地。过剩通勤和可达性则分别更多地从通勤效率和职住地空间分布的角度来说明职住平衡状况。热力图数据反映不同时段某一地域单元内人口数量, 普查数据反映特定行政区内(街道、区、县等)人口数量与就业岗位数量, 微博签到数据反映微博签到用户的居住地和就业地。从以上特征来看, 热力图数据和普查数据无法进行过剩通勤和可达性相关指标的测算, 但3组数据均可以用于估计某一地理单元内居住人口数量与就业岗位数量, 进而进行职住比计算。

此外, 职住比、过剩通勤和可达性是相互关联的, 均用于探讨城市交通与土地利用的关系[4,29]。因此, 选取其中任意一项指标进行计算, 均是对现有职住情况的较为准确的描述。因此, 本文选取职住比作为各组数据计算及对比的指标。

结合数据特征与职住比的定义,3组数据分别对应的具体测定方法如下。1) 统计和普查数据: 在某一街道就业的人口数量除以本街道的就业岗位数量; 2) 热力图数据: 某一街道工作时段人口数与居住时段人口数的比值; 3) 微博签到数据: 某一街道就业类用地签到用户数量与居住类用地签到用户数量的比值。

另外, 为了将普查数据结果与热力图及微博签到数据计算结果进行对比, 本文将三者计算结果按照统一标准进行划分。与热力图和微博签到数据相比, 普查数据是更精确的调查数据, 因此以普查数据的划分方式为准。

2基于传统普查数据的职住平衡分析2.1数据来源与处理方法

街道人口数量的来源为第六次人口普查数据(2010年), 街道就业岗位数量数据来源为全国第三次经济普查数据(2013年), 两者在时间上并不一致,

但由于相隔时间较短, 因此可以用于计算。

根据《北京统计年鉴2014》, 2013年末北京市城镇人口为1685.9万, 城镇从业人口为905.4万, 占城镇人口的53.70%。据此比例, 对每个街道人口数进行折算, 得到每个街道的就业人口, 进而计算北京市城区各个街道的职住比。

2.2 职住关系空间特征

根据前面所述的计算方法, 获得各街道职住比(图3(a))。五环内街道职住比整体上高于五环与六环之间街道, 北城街道职住比整体高于南城街道。城区街道职住比均值为1.435。根据图3(a)的职住比分布情况, 将其分为3个区间(<0.667, 0.667~ 1.563, >1.563), 分别对应三类模式(职小于住、职住平衡、职大于住)。

图3(b)显示, 北京市城区职住比偏高的街道主要分布在五环以内, 包括东二环至东四环间的中央商务区附近的街道、二环中心地区、西二环至西三环间、中关村–海淀街道以及酒仙桥街道。在五环以外, 职住比偏高的街道包括上地街道、北京经济技术开发区以及机场附近的仁和–南法信–天竺地区。北京市城区职住比偏低的街道主要分布在五环以外, 在各个方向上均有分布, 包括大型居住区所在的街道, 如东小口、天通苑等街道。职住平衡的街道在五环内外均有分布, 既包括六环边缘的沙河地区、通州和石景山部分街道, 也包括部分中心城区的街道。

3 基于热力图数据的职住平衡情况的时空分析3.1 数据来源

热力图数据为腾讯宜出行产品分时段人口活动热度数据, 是桌面端和移动端应用用户使用过程中产生的过程数据, 能够反映在某一时刻、一定空间范围内的人口数量。原始数据包括4个属性, 分别为经度、纬度、时间和该小时的平均人口数量。数据采集点的网格密度为25 m, 呈均匀点阵分布。本文采用2015年7月31日的热力图数据。

3.2 就业地、居住地的确定3.2.1 基于热力图数据的职住时间特征

基于热力图数值变化趋势线, 判断工作时段与居住时段。图 4 中, T9 至T10 处于上升趋势, T10 开始上升幅度变缓, 说明9—10时之间是北京市城区

1293

比较稳定的工作时段; T17 之后, 热力图数据开始呈现下降趋势, 直到T20, 转而呈现上升趋势, 说明16—17时北京市城区就业人口开始下班, 19—20时是北京市城区比较稳定的居住时段; T23 后, 即22— 23时, 热力图数据呈现较快的下降趋势, 可能是因为用户睡眠导致相关产品的使用量减少。根据北京市城区范围内热力图数值变化趋势,本文选取T10~T17 (9—17时)作为工作时段, T20~T23 (19—23时)作为居住时段。

3.2.2 职住比计算

结合热力图数据特征, 可以获得在某一时段北京市城区某一街道的人数。首先计算每个小时在各个街道的人口数量。由于相关应用使用者在不同时间段的总人数不同, 在一天内会随着时间的推移产 生较大的变动[27], 因此需要将其标准化, 计算过程如下。

其中, t 表示时间, i 表示街道, P 表示 t 时间 i 街道

ti的人口数量所占比例, Nti 表示 t 时间 i 街道人口数Nti量,表示 t时间所有街道人口数量之和。

i随后, 计算各个街道工作时段与居住时段的标

准化人口数量均值 Aji 和 Ahi:

Fig. 3 图 3北京市城区各街道职住比(a)和职住平衡程度(b)(基于普查数据计算) Job-housing ratio (a) and job-housing balanced degree (b) of each jiedao in research area (based on census data)

图 4北京市城区范围内热力图数值变化趋势Fig. 4 Trends of numerical values of heatmap in urban areas of Beijing

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.