徐锋 李之明 何建兵 张景奎 余红玲

关键词：职住平衡;城市规划;交通一卡通大數据

中图分类号：TP274.2;TP393.09      文献标识码：A 文章编号：2096-4706（2019）06-0001-04

Abstract：The imbalance between occupation and housing is an inevitably inappropriate allocation of space resources in urbanization development. It is also an important issue faced by urban planning construction and development in the new era. Under the background of the maturity and wide application of big data technology and other new internet technologies into the development of the industry，this paper builds the identification model of commuter’s residence and employment based on the big data of urban traffic card，identifies the commuter’s OD. The paper explores the evaluation index and measurement method of occupational-housing balance，in order to applying it to the research of occupational-housing balance in Guangzhou’s urban areas. The results show that the commuters in Guangzhou have the characteristics of living closely and choosing jobs across districts;the balance of occupations and housing in urban central areas is better;the closer to the city center，the imbalance of occupations and housing in the region is more outstanding.

Keywords：occupational-housing balance;city planning;transportation card big data

0  引  言

随着城市空间的快速拓展，功能结构调整演变和城市交通基础设施日渐完善，城市就业与居住空间关系中已存在的分离、错位、失调等失衡问题愈发严重。从本质上来讲，职住失衡问题是城市化发展过程中必然遇到的一种空间资源配置不当问题，是在城市规模扩张的过程中，由于城市建设规划和功能区布局未及时、未能有效调整，导致居住地和工作地空间分离，引发长距离通勤、交通拥堵和幸福指数偏低的社会问题。郑思齐（2015）认为，“交通拥堵”本源虽然是土地利用格局所带来的巨大交通需求与交通供给不足之间的矛盾，但是“职住分离”已然成为城市交通拥堵的主要原因之一[1]。

当前，移动互联网、物联网、大数据、云计算等新兴互联网技术已经逐步成熟并广泛应用服务于行业发展，诸多城市规划建设工作者运用大数据技术研究城市居民职住时空行为，分析通勤特征和评价职住关系，挖掘城市空间功能区布局与职住关系的作用机理。如国外学者Medina和Erath（2013）利用交通一卡通数据分别对城市结构、就业密度空间分布进行评价[2]。国内学者钮心毅、丁亮等（2017）利用手机信令数据从职住空间关系分析了上海9个郊区的发展情况，应用独立指数测度各新城的职住平衡程度，发现：郊区新城基本符合离中心城区越远、职住失衡水平越小的规律[3];许园园、塔娜等（2017）利用地铁刷卡数据描述上海市职住空间关系，认为城市多就业中心发展对于职住平衡发展和通勤分流具有积极意义[4];史新宇（2016）基于上海市出租车和社交网络数据建立移动多源轨迹的轨迹数据分析模型，研究分析上海市民的职住空间平衡状况和分离现象[5];谭欣（2016）构建百度热力图数据的职住平衡度量指数分析重庆市都市区的职住关系，并与北京对比分析发现：重庆职住平衡状况显著好于北京，且多数组团处于平衡区间[6];许志榕（2016）基于轨道交通客流数据构建轨道交通出行数据模型研究分析上海市职住关系和通勤特征[7]。以上研究成果为基于城市交通一卡通大数据研究城市职住平衡提供有力支持。

城市交通一卡通大数据作为直观记录、客观描述城市居民交通出行的主要数据之一，具有规模海量、多源多样、指数级增长、应用价值大等优点;另外，同传统的问卷调研方式相比，城市交通一卡通大数据具有易采集、成本低、效率高、客观精准等优点。于是，笔者以职住空间匹配状况为研究目标，研究职住平衡评价指标和测度方法，基于城市交通一卡通大数据识别通勤人群的通勤轨迹（OD），并以广州为例分析各城区职住关系和职住平衡水平，弥补当前已有研究成果仅从就业岗位数量和居民人数匹配方面研究城市职住平衡的不足，为优化城市功能区布局提供有力决策支持。

1  数据采集预处理

1.1  数据采集

本文研究所使用的数据为城市交通一卡通大数据，数据来源于公交IC卡刷卡数据和公交地铁GPS（如表1所示）、站点GIS等公共交通领域关联数据，数据存储规模就已达PB级。数据结构基础信息包括：公交IC卡ID、交易终端ID、交易时间、线路/地铁站点名称、交易金额、卡类型等，如表2所示。本文随机选取2017年2月广州市的城市交通一卡通数据作为研究对象，预处理前的数据记录已达4.2亿条。

为提高大数据分析的效率和准确性，有效规避不完整数据、冗余数据、噪音数据、错误数据等异常数据的干扰，必须对城市交通一卡通大数据实施清洗、融合、变换、归约等预处理工作。如图1所示。

（2）数据融合：将异构多源的城市交通一卡通大数据存储在统一的数据库、数据仓库或文件中，形成完整的数据集。

（3）数据变换：将城市交通一卡通大数据从一种系统转移到另一个系统，转换成适用于数据分析挖掘的形式。

（4）数据归约：剔除那些不能刻画系统关键特征的具有非关键、冗余等数据属性的数据集合，获取具有精炼并能够充分描述被挖掘对象属性的数据集合。

经数据预处理后，符合研究数据质量和应用要求的有效数据记录约3.13亿条，对应城市交通一卡通数量约为828多万张。另外，由于本文以通勤人群为研究对象，在数据预处理后，对老年卡、学生卡人群数据也予以剔除。

2  职住平衡测度指标设置

E.Howard在“田园城市”（Garden Cities）理念中最早提出职住平衡的概念：“居民工作就在住宅的步行距离内”[8];Cervero（1989）[9，10]提出了名义上的职住平衡的测度方法——“职住比”（jobs-housing ratio），即就业岗位数量除以就业人口数量，某地域职住比为0.8～1.2的状态被定义为职住空间平衡，职住比越高，则该区域的就业功能越显著，反之，就业功能越不显著。但是，职住比是建立在“只要某个区域范围内有数量上较近的居住和就业机会，居民就会在居住地就近择业、在就业地就近居住”假设的前提下，这是与实际情况不符的。于是，本文引入“空间”测度方法，借鉴郑思齐（2015）[1]、周作江（2016）[11]、Ewing（2004）[13]等专家的做法，采用“居住者就业平衡指数”（JHBRh，i）来测度区域居住者劳动力有多大比例选择在本区就业，如式（1）所示;采用“就业者居住平衡指数”（JHBRj，i）来测度区域就业的劳动力有多大比例选择在本区居住，如式（2）所示。

其中，JHBRh，i为i区域的居住者就业平衡指数，JHBRj，i表示就业者居住平衡指数;LHJi表示同时在i区域居住和就业的人数;LJi为在i区域就业但不在此居住的人数;LHi为在i区域居住但不在此就业的人数。

3  研究分析过程

3.1  居住地和就业地识别分析

由于在现实生活中，上下车站点不能完全覆盖居住地和就业地，因此本文将上车站点定义为居住地站点、下车站点定义为就业地站点。上下车站点识别包含五项关键步骤，如图2所示。

（1）筛选出广东省城市交通工作日期间的同一班次一卡通刷卡数据，按照交易时间先后顺序排序，判定每日的首次刷卡记录，若非首次刷卡交易，则剔除。

（2）计算车辆到站时间。首先，分析线路轨迹相似度识别车辆实际路线，基于连续GPS轨迹点时空变化判断车辆行驶方向;然后，计算公交、地铁GPS轨迹点与站点GIS位置距离，选择距离站点最短的GPS轨迹点作为进站点;最后，利用GPS记录的速度信息数据计算出车辆到站时间。

（3）上车站点匹配。把车辆到站时间和乘客刷卡时间进行匹配，选择距首次刷卡时间最近的到站时间作为上车时间，该时点GPS所对应的站点为上车站点。

（4）居住地站点识别。汇总同一卡号21个工作日每日首次上车站点，并将各站点汇总记录值的最大且大于1的上车站点作为居住地站点。若最大值存在多个站点，选择刷卡次数最多的上车站点为居住地。

（5）就业地站点识别。与居住地点推测过程（步骤（1）～步骤（3））类似，根据Barry的出行模式假说和龙瀛、孙立君等人（2015）[12]的研究方法，筆者将21个工作日的每日上车6小时后的第一次刷卡上车站点（非居住地）进行记录，并将汇总值最大值且大于1的上车站点视为就业地站点。若最大值存在多个站点，选择刷卡次数最多的下车站点，即每日通勤的下车站点为就业地。

3.2  职住空间结构识别分析

根据2017年城市交通一卡通大数据识别出广州11个区通勤人群的居住地和就业地，并基于各区通勤人群OD出行轨迹统计分析得出本区居住外区就业人数、本区居住本区就业人数、和本区就业外区居住人数，如表3所示。

根据表3数据计算得出，广州市11区就业者居住平衡指数平均值为65.27%，可以得出广州市常住居民中有65.27%的就业者倾向于选择本区居住;同样，根据11区居住者就业平衡指数平均值36.36%，可以得出：广州市常住居民中平均有36.36%的居住者倾向于选择本区就业，更多的居民倾向于跨区择业。总之，广州市职住人群具有就近居住、跨区择业的特征。

3.3  广州市职住平衡现状分析

3.3.1  广州市11区居住者就业平衡指数现状分析

如图3所示，广州市越秀区、天河区居住者就业平衡指数处于0.49～0.55且位居全市最高，近一半的本区居住者倾向于选择本区就业，越秀区、天河区作为广州市中心区域职住失衡情况较弱;白云区、海珠区、番禺区、荔湾区居住者就业平衡指数处于0.00～0.29且居全市最低，不到29%的本区居住者倾向于选择本区就业，也就是说，超过71%的本区居住者倾向于外区就业，同其他各区相比，白云区、海珠区、番禺区、荔湾区存在较为严重的职住失衡，表明离广州市中心越近的区域职住失衡情况越显著，而且本区居住者倾向于外区就业。

如图4所示，越秀区、天河区就业者居住平衡指数处于0.79～1.00，位居全市最高，超过79%的本区就业者倾向于选择本区居住，不足21%的本区就业者来源于外区，越秀区、天河区两区职住状况相对平衡;白云区、海珠区、番禺区就业者平衡指数不足55%，位居全市最低，表明不到55%的本区就业者倾向于选择本区居住，也就是说，有接近一半的本区就业者来源于外区居民。

4  结  论

本文基于城市交通一卡通大数据构建通勤人群的居住地和就业地识别模型，识别出广州11区通勤人群的居住地和就业地;利用各区通勤人群OD出行轨迹，统计分析得出本区居住外区就业人数、本区居住本区就业人数和本区就业外区居住人数，测度了居住者就业平衡指数、就业者居住平衡指数，经对比研究发现：广州市通勤人群具有就近居住、跨区择业的特征，并且城市中心地区的职住平衡状况较好，离城市中心越近的区域职住失衡情况越显著。

参考文献：

[1] 郑思齐，徐杨菲，张晓楠，等.“职住平衡指数”的构建与空间差异性研究：以北京市为例 [J].清华大学学报（自然科学版），2015，55（4）：475-483.

[2] Lu L W，Chiang G H，Medina D，et al.Drug effects on nucleic acid modification. I. A specific effect of 5-azacytidine on mammalian transfer RNA methylation invivo [J].Biochemical & Biophysical Research Communications，1976，68（4）：1094-1101.

[3] 钮心毅，丁亮，宋小冬.基于职住空间关系分析上海郊区新城发展状况 [J].城市规划，2017，418（8）：47-53+126.

[4] 许园园，塔娜，李响.基于地铁刷卡数据的城市通勤与就业中心吸引范围研究 [J].人文地理，2017，32（3）：93-101.

[5] 史新宇.基于多源轨迹数据挖掘的城市居民职住平衡和分离研究 [J].城市发展研究，2016，23（6）：142-145+149.

[6] 谭欣，黄大全，赵星烁，等.基于百度热力图的职住平衡度量研究 [J].北京师范大学学报（自然科学版），2016，52（5）：622-627+534.

[7] 许志榕.上海市职住關系和通勤特征分析研究——基于轨道交通客流数据视角 [J].上海城市规划，2016（2）：114-121.

[8] Mumford.The urban prospect.Harcourt.Brace and World [M].NewYork，1968.

[9] Robert Cervero.Jobs-Housing Balancing and Regional Mobility [J].Journal of the American Planning Association，1989，55（2）：136-150.

[10] CERVERO R，RADISCH C. Travel choices in pedestrian versus automobile oriented neighborhoods [J].Transport Policy，1996，3（3）：127-141.

[11] 周作江，张栋梁，王英行，等.手机大数据视角下的组团型城市职住平衡研究——以珠海市中心城区为例 [C]//2016中国城市规划年会.规划60年：成就与挑战——2016中国城市规划年会论文集（04城市规划新技术应用）.沈阳：中国建筑工业出版社，2016：855-865.

[12] 龙瀛，孙立君，陶遂.基于公共交通智能卡数据的城市研究综述 [J].城市规划学刊，2015（3）：70-77.

[13] Ewing R，Pendall R，Don C.Measuring Sprawl and Its Impact [M].Washington DC：Smart Grow America，2004.

作者简介：徐锋（1974-），男，汉族，江西赣州人，中级工程师，硕士，研究方向：电子信息系统、一卡通大数据。