考虑出行费用的就业可达性分析

许奇，陈越，黄靖茹，高顺祥，张志健

(北京交通大学，a.综合交通运输大数据应用技术交通运输行业重点实验室；b.中国综合交通研究中心，北京 100044)

0 引言

城市可持续发展需解决职住空间分离及其导致的过度通勤问题，其关键是如何理解就业与居住之间的复杂空间模式[1]。传统的职住对接机制多局限于局部区域，而以可达性为导向的城市发展模式则从整体协调职住格局[2]。良好的就业可达性是建设宜居、宜业城市的主要目标，其空间特征分析是协调就业与居住关系，推进职住平衡发展的核心问题[3]。鉴于此，利用多源大数据，研究不同出行方式的就业可达性的复杂空间模式，将有助于优化就业岗位分布，缩短通勤时间，创新职住对接机制。

可达性是交通规划和城市研究的重要概念，其定义和计算模型根据应用领域不同存在差异[4]。累计机会模型操作简单，解释性好，缺点在于其结果对阈值敏感。重力模型则通过引入负指数等连续型的阻抗函数解决上述局限性，其不足之处是未考虑供需竞争以及解释性较差。效用法与时空棱柱为研究可达性提供基于个体的非集计方法[5]。然而，该类模型所需数据量大且获取成本高，难以完整覆盖研究区域。

两步移动搜索算法(Two-step Floating Catchment Area)作为重力模型的特例，属于典型的基于位置的可达性计算方法，其考虑了供需竞争关系，并且解释性和可操作性更好[6-7]，是研究就业可达性的重要方法[8-9]。该方法通常采用基于距离或出行时间的衰减函数刻画就业机会的邻近性对可达性的影响。然而，出行费用同样对就业选择有着重要影响。已有研究利用考虑出行费用的累计机会法计算就业可达性。El-Geneidy[10]发现，公共交通可达性对出行费用敏感，且出行费用对郊区可达性的影响更加显著。Cui[11]在考虑出行时间、出行费用等个人内部成本以及安全性、污染排放等社会外部成本的基础上，提出了全成本可达性的研究框架。研究结果表明，考虑全成本后，相较于其他交通方式，小汽车不再具有最好的可达性。但是，针对考虑需求的可达性计算方法，出行费用对可达性的影响仍有待研究。

既有研究多通过统计和调查数据计算就业机会数与出行成本。然而，该类数据获取方法存在成本高、更新慢、粒度粗、精度低等不足，难以满足多尺度细粒度的时空建模与分析要求。随着基于位置服务应用的普及，基于细粒度POI(Point of Interest)以及路径规划数据的数据融合方法已成为数据驱动建模的重要工具[9,12]。

鉴于此，针对传统数据的局限性，本文基于互联网地图和工商数据平台的POI 数据和实时路径规划数据，提出多源数据融合的细粒度就业数据和出行成本数据获取方法；针对出行费用对就业机会邻近性的影响，提出考虑出行费用的改进两步移动搜索算法，研究不同出行方式就业可达性的空间模式以及出行费用对其的差异性影响。

1 研究区域与数据说明

1.1 研究区域

选取北京市六环内区域为研究范围，面积约2267 km2，覆盖中心城区和通州城市副中心，包括全市78%人口与80%就业岗位，其中五环内的人口与岗位占比分别达到43%与48%。本文的研究单元为街道，研究范围内共有189 个街道，各街道的职住空间分布如图1所示。由图可见昌平、通州、房山等外围新城覆盖了大量人口。相比于人口，就业相关POI具有更强的向心性，其在中关村、望京、CBD、丰台科技园、亦庄等区域高度聚集。严重的职住分离现象导致2020年北京市的平均通勤时间已达到47 min[13]。

图1 北京市六环内常住人口与就业POI的空间分布Fig.1 Spatial distribution of population and job-related POI within the 6th Ring Road of Beijing

1.2 数据说明

本文使用的研究数据主要包括：第七次人口普查数据、1 km 级别GDP 数据、道路及地铁网络数据、交通路径规划数据与POI 数据。其中，GDP 数据来自中国科学院地理科学与资源研究所提供的中国GDP空间分布公里网格数据集[14]，将其重采样至本文的研究单元，获得研究区域内GDP 的空间分布；为获得细粒度的出行成本，将研究区域划分为1 km×1 km的栅格，共计2301个。利用高德地图的出行路径规划服务，针对公共交通和小汽车两种方式，分别采用时间最短策略获取任意两个栅格中心点之间的出行信息，共计10589202条，检索日期为2020年5月13日～27日的工作日早高峰时段(7:00-8:00)。公共交通出行信息包括步行接近站点/目的地时间、等待/在车/换乘时间及全程费用，小汽车出行信息包括行程时间及距离；通过百度和高德电子地图，以及工商数据两类平台获取就业相关的POI数据共计1409616条。每条数据包括经纬度坐标、名称、地址、POI类别等信息。

2 研究方法

2.1 两步移动搜索算法

两步移动搜索算法首先计算供给点可达范围内的加权供需比，然后对需求点可达范围内供给点的供需比求和，其结果可解释为人均利用交通系统可获得的就业机会数量。在经典两步移动搜索算法的基础上，提出考虑出行费用的改进算法，具体计算步骤如下。

Step 1 对每个供给点街道j，搜索其影响范围内所有需求点街道k，计算在第m种交通方式、第n种交通成本下供给点j的加权供需比为

式中：m=1,2 分别为公共交通和小汽车；Sj为街道j的POI数量；Pk为街道k的常住人口数量；f(·)定义为基于出行成本的衰减函数；为街道k和j之间的出行成本；n=1,2 分别表示仅考虑出行时间以及加入出行费用的出行成本；C0为出行成本阈值。

Step 2 对于每个需求点街道i，搜索其影响范围内所有供给点街道j，集计所有供给点j的加权供需比为

式中：为街道i第m种交通方式、第n种交通成本下的就业可达性，该值越大，则该地区就业可达性越好。

2.2 出行成本计算

本文提出两种出行成本构成方式，分别仅考虑出行时间、综合考虑时间和出行费用，后者利用时间价值系数将出行费用换算为时间成本，形成总出行成本。各街道之间的出行时间与出行费用由细粒度栅格的交通路径规划数据集计获得。

式中：和为街道i到街道j第m种出行方式下仅考虑出行时间以及加入出行费用的平均出

行成本；和分别为街道i和j之间的出行时间(min)与出行费用(元)，其中小汽车出行费用按照出行距离2.52 元·km-1计算获得[15]；ω为时间价值系数，2020年北京市法人单位从业人员平均工资为140581元[16]，按照1年250个工作日，每日工作8 h，计算得到时间价值系数为70元·h-1；tij与fij为起终点分别在街道i、j的两个栅格之间的出行时间与出行费用；ni与nj分别为街道i与街道j内栅格的数量。

3 结果分析

3.1 不同交通方式的出行成本

各街道到其他所有街道的平均出行成本的空间分布和构成如表1和图2所示。结果表明不同方式的出行成本差异显著。公共交通平均出行时间为112.8 min，在昌平、通州、大兴等外围新城呈现明显的廊道优势。小汽车平均出行时间为60.6 min，仅为公共交通的54%，以首都功能核心区北部为中心向外围沿圈层递增。

图2 不同交通方式出行成本的空间分布Fig.2 Spatial distributions of travel cost of different modes

表1 不同交通方式出行成本构成Table 1 Composition of travel cost by different modes

考虑出行费用后，两种方式的空间分布仍分别呈现不同特征，即廊道放射和圈层递增，西北以及西南区域的街道出行成本最高。而局部区域中，由于首都机场线的票价较高，首都机场及其周围街道的公共交通出行成本上升至最高水平。小汽车平均出行成本升高至127.4 min，高于公共交通6%。其中，公共交通出行成本中出行费用部分仅占5.6%，而小汽车达到52.5%，表明出行费用是出行成本的重要组成部分。高出行成本的通勤可持续性差，其负面作用将对就业选择产生重要影响。因此，就业可达性的计算不能忽略出行费用。

3.2 不同交通方式的就业可达性

图3是考虑出行费用前后两种交通方式的就业可达性空间分布图，出行成本阈值为45 min，为增强可对比性，将原始可达性结果进行[0,1]的标准化处理。由图可见，就业可达性呈现出从中心向外围逐渐衰减的趋势，整体上北好于南、东优于西。公共交通就业可达性两级分化严重。由于就业岗位的高度聚集，泛CBD区域可达性最高，而四环外的街道可达性处于最低水平。小汽车可达性整体上高于公共交通，高可达性街道的覆盖范围更为广泛。由图3(c)和图3(d)可见，相较于仅考虑出行时间，加入出行费用后，公共交通和小汽车的就业可达性均发生明显变化，且具有显著的空间异质性。此结果表明，就业可达性对出行费用敏感，仅考虑出行时间的就业可达性无法完全体现通勤与出行成本之间复杂的互动机制。

图3 不同方式就业可达性的空间分布Fig.3 Spatial distributions of job accessibility by different modes

为进一步研究不同区域可达性的差异，图4展示了不同环路区域考虑出行费用后的可达性。小汽车可达性在三环内最高，之后按环路逐层递减。四环内，公共交通就业可达性略低于小汽车，且分布范围较集中。四环～六环街道的公共交通可达性大部分为0，即在考虑竞争的情况下，这些街道的就业者很难在45 min 出行成本内利用公共交通获得就业机会。上述特征是外围街道的公共交通出行成本高、就业岗位少且覆盖人口较多而综合导致的结果。

图4 不同环路区域的就业可达性Fig.4 Job accessibility of different areas divided by ring lines

两种出行方式的差异说明公共交通在中心城区外的就业服务能力差，在中心城区就业服务吸引力低。职住的空间分布显示，北京市的人口疏解政策以及中心城区高额的房价已使得城市外围地区聚集了大量人口，而就业岗位仍在中心城区高度聚集，导致现有的公共交通系统无法满足巨大的通勤需求。因此，应当进一步增加外围地区的公共交通供给，同时积极发挥外围新城承接产业转移的作用，以提高就业可达性，引导区域范围的职住平衡。对小汽车而言，在中心城区相较于公共交通仍然存在一定的可达性优势，因此应采取分区域的差异化需求管理策略，提高公共交通吸引力，降低中心城区小汽车出行率。

除区位特征外，不同社会经济属性地区的就业可达性差异巨大，考虑到不同地区对应出行群体出行方式选择的差异性，由此引发的公平性问题值得关注。图5展示了基于GDP 和就业可达性的洛伦兹曲线，横轴为GDP 由低至高排序后街道数量的占比，纵轴为对应街道就业可达性的累计占比。直线为理想状态，50%的街道对应的就业可达性占比达到50%。而实际的洛伦兹曲线显示，前50%街道即GDP水平较低地区对应的公共交通就业可达性与小汽车就业可达性分别为5.8%、29%，远低于理想水平。同时，相较于小汽车，公共交通曲线整体的偏离程度更大，存在严重的交通公平性问题。由于低收入出行群体对出行费用敏感而产生较强的公共交通依赖性[17]，因此应通过提供票价优惠、增加公交微循环等政策着力提高GDP水平较低地区的公共交通可达性，以此改善交通公平性。

图5 基于GDP和就业可达性的洛伦兹曲线Fig.5 Lorenz curves based on GDP and job accessibility

3.3 出行费用对不同交通方式就业可达性的影响

为量化研究出行费用对就业可达性的影响，本文选取30、45、60、75、90 min 这5 种不同的出行成本阈值，计算加入出行费用后不同方式就业可达性的变化。为增强可对比性，将原始可达性变化的结果进行[-1,1]的标准化处理，典型阈值下结果的空间分布如图6所示。

图6 不同方式就业可达性变化的空间分布Fig.6 Spatial distributions of job accessibility change by different modes

表2为不同环路区域就业可达性的平均变化比例。出行费用对就业可达性的影响存在空间不平稳性。随着出行成本阈值由45 min提升至75 min，公共交通就业可达性增加的街道向外围逐渐扩张，且存在沿轨道交通线网分布的趋势，平均可达性变化比例由-7.3%降至-3.7%。由图6(d)、图6(e)和图6(f)可知，出行费用对小汽车就业可达性的影响更大，原因在于小汽车出行成本中出行费用的占比远高于公共交通。大部分五环～六环的街道可达性升高，其中房山线、亦庄线、15号线沿线街道升高最多，60 min出行成本下，五环～六环街道的就业可达性平均增长27.9%，远高于五环内街道。

表2 不同环路区域就业可达性平均变化比例Table 2 Average percentage change in job accessibility in different areas divided by ring lines

为分析五环～六环街道可达性增加的原因，表3展示地铁沿线街道与非地铁沿线街道平均就业可达性的变化比例。非地铁沿线街道的平均可达性普遍下降，而地铁沿线街道的就业可达性降低较少，并存在增加的趋势。加入出行费用后，一方面出行成本整体增加导致可达街道数量减少；另一方面由于竞争人口减少，可达街道的供需比增加。因此上述现象的原因可能在于公共交通引导开发的发展策略使得城市轨道交通末端的沿线区域聚集了相对更多人口与岗位，对于这些街道而言，其可达街道的供需比增加比可达街道数量减少的影响更大，最终导致就业可达性增加。这也意味着如果仅考虑出行时间将低估其就业可达性，而本文方法可以更好地识别公共交通引导开发的社会价值，有利于倡导通过轨道交通与城市融合发展推进廊道上的职住平衡模式，创新职住对接机制。

表3 五环～六环内街道平均就业可达性变化比例Table 3 Average percentage change in job accessibility in Jiedao between the 5th and 6th ring line

图7表明，随着阈值提升，六环内所有街道的公共交通就业可达性平均变化比例先降低后升高，小汽车由-50%逐渐升高至10%，之后降低至0 左右，与公共交通同一水平。此结果说明，出行成本对可达性的影响具有阈值效应，出行成本阈值较大时，其影响较小，原因在于此情况下可达街道数量多，同时受广泛的竞争人口影响，各街道的供需比小，加入出行费用对整体供需比的集计结果影响较小。

4 结论

本文研究公共交通和小汽车两种方式下考虑出行费用的就业可达性，基于北京的研究得到如下结论：

(1)综合考虑细粒度的空间建模要求与出行费用对就业可达性的影响，利用多源时空数据，本文提出的考虑出行费用的改进两步移动搜索算法可以更细致、更准确地刻画就业可达性的空间模式，反映出行费用对就业可达性的影响。

(2)不同交通方式的出行成本及就业可达性具有差异显著的空间特征。公共交通和小汽车出行成本分别呈现廊道放射和圈层递增特征。两种方式的就业可达性均表现出中心城区高外围地区低，北好于南、东优于西的模式。四环外小汽车可达性远高于公共交通，应增加公共交通供给、加快外围新城承接产业转移，促进交通与城市融合发展；中心城区两者差距较小，应对小汽车采取差异化的需求管理策略，提高公共交通吸引力，降低小汽车出行率。

(3)出行费用对就业可达性有显著影响且存在空间非平稳性。考虑出行费用后，公共交通与小汽车可达性平均降低7.3%和4.8%。五环～六环的地铁沿线街道由于职住人口相对聚集，就业可达性呈现增加的趋势，仅考虑出行时间将低估其可达性。本文提出的就业可达性方法可以更好地识别公共交通引导开发发展策略的社会价值，有利于倡导通过轨道交通与城市的融合发展引导廊道上的职住平衡。此外，出行成本对可达性的影响存在阈值效应，阈值越高，影响越小。

(4)在城市高质量发展的新时期，需要在技术支撑方面对职住关系及其调整变化进行研究。本文提出的就业可达性引领的职住对接规划方法有助于识别现状的薄弱环节、研究就业岗位优化、交通运输组织调整下职住关系的平衡状况，从而实现交通网络与城市功能布局、空间结构的整体平衡，达到运行效率与社会公平的改善。