ACTA Scientiarum Naturalium Universitatis Pekinensis
城中村对深圳市职住空间融合的影响
——基于手机信令数据的研究
北京大学学报(自然科学版)
收入人群的居住和就业地选择受限明显, 他们极有可能为寻求低房价而被迫承受高通勤成本。关注这一人群“择业”与“择居”的空间匹配, 是实现城市职住空间融合的关键。西方发达国家对低收入人群职住分离的研究比较成熟。20世纪60—70年代, Alonso[6], Mills[7–8]和Muth[9]建立的经典空间结构解析模型指出, 单中心城市就业主要集中于CBD, 距市中心越远, 住房成本越低, 通勤成本越高, 低收入人群为获取可支付的低成本住房, 不得不住在离市中心较远的地方,负担更长的通勤距离和时间。同一时期, 欧美等西方发达国家存在一种与单中心城市土地利用分析框架相反的城市形态——逆城市化。由于市区居住拥挤, 生活空间狭小, 环境恶化以及中心区地价飞涨,而郊区基础设施有很大改善, 因此城市人口逐渐向郊区集中, 城市中心出现“空洞化”[10–11]。1968 年, Kain[12]提出著名的空间不匹配假说, 即在逆城市化时期, 原本在城市内部的工作岗位, 尤其是蓝领从事的生产行业, 已经移到郊区, 但普遍存在的居住隔离使得低收入者留在城市中心区, 同样导致低收入人群必须承担长距离通勤。随后, Wheaton[13]、Brueckner 等[14]、Fujita 等[15]和 Mcgrath[16]相继进行拓展和实证, 进一步证实低收入群体往往被迫负担长距离通勤的结论。
近年来, 低收入人群的居住–就业空间关系受到我国学者越来越多的关注, 基于“空间不匹配假
[17]设”开展了一系列实证研究。谌丽等 、宋金平等[18]、党云晓等[19]和张艳等[20]在对北京的实证研究中均发现, 北京的低收入人群分布呈现边缘化和郊区化的趋势, 旧城改造与市区高昂的房价迫使居民不得不到郊区购房, 出现居住与就业的空间分离,造成低收入阶层通勤的时间成本与经济成本增加,就业概率和生活质量降低, 同时导致交通拥挤、社会隔离等社会问题。钱瑛瑛等[21]指出, 因为选址区位较偏、交通网络分布不足和就业岗位有效供给不足等原因, 导致居住在上海中低价位商品房中的中低收入人群通勤成本高。李小广等[22]、周素红等[23–24]
[25]和陈劼 分别以重庆市、广州市和天津市的典型低收入住区——保障性住房社区为研究对象, 发现由于保障性住房普遍存在空间布局边缘化、就业结构不匹配和配套公共设施不完备等问题, 导致居住在保障性住区中的低收入家庭承受高额通勤成本的压力, 造成生活质量下降。从总体上看, 伴随土地
1092第56卷 第6期 2020年11月
和住房市场化改革, 不同收入群体之间的居住分异现象日趋严重, 加上近年来中国城市空间快速重构,受经济水平和技能水平的限制, 低收入群体被迫选择居住在郊区, 远离工作机会, 承担长通勤距离。中国许多大城市存在一种特殊的低收入居住区——“城中村”, 为低收入群体(特别是城市外来流动人口)提供大量廉租住房[26–27]。城中村是我国快速城市化过程中城市扩展避开或绕过农村居民点, 利用开发成本相对较低的农地和空地进行开发, 在地域上形成城市包围农村、城乡混杂的二元城市景观和结构[28]。因此, 城中村在空间上的分布存在一定的随机性, 使得低成本住房占据城市内靠近工作机会的优越区位成为可能。那么, 城中村的存在是否可以缓解城市低收入人群居住–就业空间不匹配困境, 提升低收入人群的居住就业空间公平性呢?目前国内关注城中村居民通勤特征的研究较少, 且研究结论不一致。对昆明的实证研究发现,受收入和技能限制, 城中村居民只能在城中村及其周边地区从事服务型和劳动密集型的低技能工作,通勤距离短[29]。对兰州的研究却发现, 由于城中村远离城区中心, 且周边就业机会少, 导致城中村居民通勤距离长, 甚至长期失业[30]。对深圳的研究也发现, 由于中心岗位集聚, 通勤范围扩大, 导致周
[31]边城中村居民通勤距离大幅增长 。对北京的实证研究则显示, 近郊与远郊城中村居民通勤特征截然相反, 近郊城中村流动人口通勤距离普遍较长,职住分离较明显, 远郊城中村流动人口通勤距离较短, 以就地工作为主[32]。
从研究方法来看, 国内关于通勤的研究多基于典型调查方法获得的个体数据开展[17,20,22,30–35]。然而, 通过典型调查方法获取大量微观样本存在一定的障碍, 由于研究结论的准确性与样本选取的数量和质量直接相关, 当样本量过小或不具有随机性时,得到的研究结论不具有代表性。这也是造成已有实证研究结论矛盾的原因之一。随着基于位置服务(location based services, LBS), 特别是移动通信(GSM)和全球定位系统(GPS)等技术的进步和广泛应用, 大规模、高质量的个体时空数据的获取和应用逐渐发展成熟, 为城市研究带来新的契机[33]。2012年以来, 逐渐有学者将公交刷卡、百度热力图和手机信令等位置大数据应用到居民通勤的研究中[36–41], 特别是基于基站的手机信令数据, 通过动
仝德等 城中村对深圳市职住空间融合的影响——基于手机信令数据的研究
态手机定位数据可以实时记录用户行动轨迹, 从而更加准确地进行居住地与就业地识别, 为居民通勤研究提供了数量更多、覆盖范围更广、精度更高的样本数据[42], 研究结论更加科学可靠。
鉴于上述背景, 本文选择深圳市为案例, 以交通分析小区(traffic analysis zone, TAZ)为分析单元,立足中观层面, 以手机信令数据识别居民职住地分布以及通勤距离作为因变量, 通过多元线性回归和空间滞后模型, 在控制建成环境和社会经济环境等经典变量[19,33,43–45]对通勤距离影响的前提下, 定量地探究城中村对推动城市职住空间融合的积极作用, 为地方政府开展保障性住房建设和城中村管治提供依据。
1研究区概况
深圳市土地面积为 1996.85 km2, 截至 2017 年底, 全市建设用地面积约占总面积的50%。经过40年的快速发展, 深圳已从1980年人口33万、GDP 2.7亿元的边陲小镇成为我国经济规模第三的超大城市, 2017年末常住人口为1252.83 万, GDP为 2.24万亿元[46]。
深圳住房租赁占比极高, 约有80%居民租房居住, 全市共有740万套租赁住房, 占住房总套数的
70%, 其中超过六成为城中村租赁住房 。根据《深圳市城中村(旧村)总体规划(2018—2025)》, 2018年深圳市城中村用地总面积约为320 km2, 超过建设用地总面积的1/3, 其中城中村居住用地约为 100 km2 (空间分布如图1所示)。与普通商品房相比, 城中村住房不仅单价低, 且多为小单元住房,保证了其相对于正规商品住房的租金优势。根据深圳链家研究院③发布的数据, 2017年1—8月, 73.8%的城中村租赁房套均月租金在2000元以内, 26.1%在 1000 元以内, 而同期商品住房套均月租金高达5005 元, 甚至高于4400元的全市居民人均月可支配收入[46]。目前, 城中村已成为深圳市低收入人群最重要的住房来源。
2 研究数据与方法2.1 因变量: 基于手机信令数据的居民通勤距离
为方便研究交通出行特征, 将深圳全市划分为981个TAZ, 平均每个TAZ面积约为2 km2。本文立足中观尺度, 以TAZ为研究单元, 基于手机信令数据推算得到的TAZ居民平均通勤距离为因变量, 表征小区居民职住分离程度的群体特征。
本文应用2017年3月深圳市共4999759条有效
北京大学学报(自然科学版)第56卷 第6期 2020年11月
用户手机信令数据, 结合通信市场占有率、一人多卡率和人口年龄比例扩样得到的深圳市各TAZ 居住人口及工作人口数据。据此统计, 深圳市共有居住人口 1673.56 万, 工作人口 1037.5 万, 比统计年鉴通报数据超出约30%。考虑到手机信令数据不仅包括登记在册的常住人口, 还有大量临时务工的流动人口等, 可认为此数据能够较客观地反映深圳市人口分布现状。
首先基于用户手机信令数据, 提取工作人口的居住地与工作地。若用户每日0:00—5:00在同一个TAZ停留多于15 天, 则定义该TAZ为该用户居住地; 每日 9:00—17:00在同一个TAZ出现多于15 天,且驻留时间最长的TAZ为其工作地; 所有统计不含18岁及以下和60岁及以上人群。在识别每位用户的居住地与工作地之后, 使用 ARCGIS软件提取各TAZ几何中心(Centroid), 并计算居住TAZ与就业TAZ几何中心的直线距离作为该用户居住–就业空间距离, 即最短通勤距离。将TAZ内所有居民通勤距离的平均值作为本研究的因变量, 表示该TAZ内居民居住–就业空间分离程度的总体特征。经计算, 深圳市居民平均最短通勤距离为4130 m。
全市居民居住地分布在907个 TAZ, 每个TAZ的居住人口最多为 137430, 最少为 8, 平均值为18452。全市就业者工作地分布在905 个 TAZ, 每个TAZ工作人口最多为123530, 最少为8, 平均值为11464。通过将TAZ与土地利用变更调查数据叠
仝德等 城中村对深圳市职住空间融合的影响——基于手机信令数据的研究
勤。从深圳市居民平均通勤距离最长(图 3(a)~(c))与最短(图 3(d)~(f))的 3个 TAZ的居民工作地分布以及TAZ部分属性信息中, 可以发现通勤距离最短的3个TAZ均表现出明显的高城中村占比特征。基于此, 本文提出假设: 深圳市城中村的存在有利于缩短居民平均通勤距离, 推动城市实现职住空间融
合。为验证该假设, 将城中村住宅面积占TAZ住宅总面积的比例作为解释变量引入模型, 以定量地探讨城中村与居民通勤距离的关系。建成环境为模型控制变量。国内外现有研究中已关注到容积率[47]、人口密度[43,48]、职住比[49]、土地混合度[19,43]和商业中心可达性[47]等因素对居民
北京大学学报(自然科学版)第56卷 第6期 2020年11月
出行行为的影响, 其中, 对建成环境的描述尤以Cervero等[50–51]提出的“密度–多样性–设计–与公共交通车站的距离–目的地可达性” (5D, Densitydiversity-design-distance to transit-destination accessibility)模型的应用最为广泛。本文参考5D 模型, 采用居住人口密度、工作人口密度和容积率表征 TAZ密度, 土地利用混合度表征TAZ建成环境多样性, 商服用地比例、城市交通运输用地比例和居住配套设施用地比例表征TAZ设计特征, 到最近地铁站点的距离、到最近公交站点的距离和到市中心的距离表征 TAZ到公共交通及目的地的可达性。此外, 考虑到居民可能为了获取更加舒适的居住环境, 主动选择距离工作地较远但居住环境较好的地区, 在模型中引入平均基准地价作为自变量,
Table 1用以控制社会经济环境对居民职住分离的影响。各变量的定义、计算方法与数据来源如表1所示, 所有空间分析均借助ARCGIS软件实现。
考虑到自变量之间可能存在多重共线性, 首先对各自变量进行多重共线性检验, 剔除部分相关性过高的自变量, 最终选择10个自变量进入模型, 所有变量的VIF (方差膨胀因子)均小于3, 表明模型多重共线性非常弱, 不会影响模型的结果(表 2)。
2.3模型选择
首先采用多元线性回归方法, 探讨各因素对居民群体职住空间分布特征的影响。为消除量纲影响, 使得变量回归系数可比, 首先对各变量标准化,标准化后因变量服从正态分布。对多元线性回归残差进行空间自相关分析, 发现 Moran’s I值为 0.438,
Factors influencing average commuting distance
且通过 999次蒙特卡洛试验的显著性检验(P值为0.001), 说明残差存在明显的空间自相关。进一步使用空间滞后模型进行分析, 其表达形式如下:
y = xβ+ρwy+ε, (1)式中, x是自变量; β为其回归系数; ρ表示空间滞后变量的回归系数, 表示因变量的空间自相关对其影响; W是空间权重矩阵, 本文采用一阶Queen Contiguity
Table 3
权重矩阵(后邻域矩阵, 即以所有与该单元相邻相接的空间单元作为其邻域); ε为模型误差项。
3实证结果与分析
表3列出普通多元线性回归模型以及空间滞后模型的分析结果, 分别采用最小二乘法及极大似然法进行参数估计。两模型结果表现出良好的一致
Estimate results of models for average commuting distance