【Open Access】更新背景下减少短距离机动化出行的规划策略——基于上海多源数据的实证研究

【文章编号】1002-1329 (2021)03-0099-10

【中图分类号】TU984.191

【文献标识码】A

【doi】10.11819/cpr20210312a

【作者简介】

卓  健 (1970-)，男，博士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室，规划系副系主任，教授，博导，本文通信作者。

吴卓烨 (1994-)，男，硕士，江苏规划设计集团有限公司规划师。

翟端强 (1992-)，男，硕士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室，博士研究生。

曹布阳 (1958-)，男，教授，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室，教授。

* 国家自然科学基金面上项目(项目批准号：51878458)；上海同济城市规划设计研究院暨长三角城市群智能规划协同创新中心科研项目(KY-2018-YB-A04)。

本文刊载于《城市规划》杂志2021年第3期，已在知网发布，复制并搜索下方网址，或点击下方“阅读原文”，即可下载阅读全文。

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2021&filename=CSGH202103013&v=e0VWQrSXHmRQtVdqUp0a5pc2oS1kiWwT3Md8hh7AtSabZjnkmuGFxflc6P9RePc2

精彩导读

【摘要】我国城市日常交通出行虽以中短距离为主，但包含高比例的机动化出行。城市更新背景下，加强短距离交通出行特征研究，对抑制小汽车交通过度增长、优化城市交通结构具有重要意义。本文基于上海多源数据的实证分析发现：每日各时段均存在大量短距离出租车出行需求；但在空间分布上，短距离出租车出行呈现明显的空间集聚现象，集聚区域随时间变化有所变化；地理加权模型证实人口、用地功能、交通条件3个方面因素对短距离出租车出行需求构成影响。通过弹性系数法确定不同因素的影响程度差异后，研究提出降低短距离机动化出行的规划措施建议。

【关键词】城市更新；短距离机动化出行；多源数据；时空分布特征；影响因素；规划策略；上海

PLANNING MEASURES FOR REDUCING THE SHORT-DISTANCE MOTORIZED TRAVELS IN THE CONTEXT OF URBAN REGENERATION: AN EMPIRICAL STUDY BASED ON MULTISOURCE DATA ANALYSIS OF SHANGHAI

Daily urban travels in China are mainly in short and medium distance, but include a high proportion of motorized travels. In urban regeneration context, the further study of short-distance travel behavior could contribute to the reduction of excessive growth of automobiles and the optimization of urban mobility structure. This paper takes the central city of Shanghai as case study area, using the trajectory data of taxi to investigate the spatial-temporal distribution of taxi trips within 3 km and its explanatory variables. The findings are as follows. (1) There is a large demand for short distance taxi travels at all times of the day. (2) However, the short-distance travels are highly concentrated in certain areas. The spatial distribution changes over time within one day. (3) A GWR model confirms that 3 factors, namely, population, land use function, and traffic conditions, constitute an influence on the demand for short-distance taxi travels. After determining the difference in the degree of influence of different factors by the elasticity coefficient method, planning measures are proposed to reduce short-distance motorized travels.

urban regeneration; short-distance motorized travel; multisource data; spatial-temporal distribution; built environment factors; planning intervention; Shanghai

1

 引言

小汽车交通过快增长造成的交通出行结构失衡，是当前困扰我国城市良性运行和可持续发展的紧迫问题[1]。降低交通出行中个人机动化方式的比重，不仅可以缓解道路拥堵，也是城市交通“去碳化”的重要途径[2]。对此，规划干预通常把关注点放在中长距离的交通出行上，因为在此类出行中，小汽车交通具有相对优势，针对性的规划措施易取得比较明显的效果。例如，通过多中心布局、紧凑复合的土地利用、改善职住平衡等方式来减少长距离出行需求[3-6]。

但是，出行距离缩减不一定会带来小汽车交通出行的减少。实证研究已经验证了著名的“Zahavi推断”，即出行者每天用于交通出行的时间预算是相对稳定的。距离缩短所节约下来的出行时间，若被出行者再次用于小汽车出行，则提高了后者的出行频次[7-8]。因此，缩减出行距离可能导致如下结果：一次长距离小汽车出行被多次短距离小汽车出行替代，而使用强度总量(累计车公里计算)并没有降低；若按照出行次数计算交通方式分担率，小汽车出行比例不减反增。因此，仅仅控制或压缩出行距离，不一定能改善交通结构、实现节能减排，还需要进一步关注距离缩减后实际产生的交通方式转变。

我国城市相比欧美城市具有紧凑、高密度、人口集中的空间特点。按同等人口规模城市比较，我国城市居民的平均出行距离要小得多，约70%以上的居民出行仅为3～5km[9]。上海中心城区人口逾千万，但平均出行距离仅为5.4km/次，即便是全市范围的平均出行距离也不过6.5km/次。未引起足够重视的是，在这庞大的中短距离出行基数上普遍存在着高比例的个人机动化出行。在北京，低于5km的出行中，小汽车交通占到40%[10]。上海中心城区的平均出行距离不大，但小汽车“过度使用”的问题仍然突出。

当前，我国城市发展正从增量扩张向存量提升阶段过渡[11]。随着城市空间结构趋稳、空间扩张趋缓，出行距离失去了持续延长的推力，针对中长出行距离的规划措施效果有所减弱，而提品质、调功能的城市更新将对中短距离出行产生重要影响。近年来共享单车在我国城市迅猛发展，成为广受欢迎、便捷低廉的中短距离出行工具；城市空间品质和特色塑造受到重视，人们从单纯追求速度转向关注慢生活方式所带来的品质提升[12]；健康理念渐入人心，并开始影响一部分人的出行方式选择，在中短距离出行中主动放弃小汽车，选择体力型交通方式出行[10]。这些发展趋势为提高城市中短距离绿色出行比例带来新的契机。

鉴于我国城市空间特征和当前城市更新背景，加强短距离交通出行特征研究，提高对其中机动化出行行为的认识，针对性制定规划策略以降低短距离机动化出行需求，对优化城市交通结构具有重要意义。

2

 研究设计与短距离的阈值设定

2.1  出租车轨迹数据应用的合理性

本研究借助出租车轨迹数据分析来深化对城市短距离机动化出行特征的认识。出租车已普遍成为我国城市公交服务的重要补充，数据的可获取性高，便于长期开展定量分析，研究方法易于推广。除此以外，这一选择还有以下三方面的合理性：

(1)短距离出租车出行本身应当减少。我国城市出租车以路面巡游为主要运营方式，占用大量路面资源，造成道路拥堵、尾气排放等问题。2009年上海全市非通勤交通中出租车和地面公交的分担率相同，均为11%；2014年上海出租车在通勤出行中的方式分担率从2009年的6.6%提高到7%，相比地面公交的13.4%占比仍相当可观[13]。李艳红等对苏州的研究发现：小于3km的短距离出租车出行占比近半，出行距离超过10km的长途出租车占比仅约为20%[14]。胡小文等对深圳的研究发现：出租车出行主要为中短途出行，其中短于10min出行时长的出租车出行占比达到51.93%，短于20min的占比高达86.67%[15]。可见，出租车作为非集约型机动化出行方式本身需要减量，其中高比例的短距离出行则是方式转换的重要关注点。

(2)城市交通方式转换中出租车的方式转出可能性最大。我国一些城市曾把发展出租车作为抑制私人小汽车过快增长的手段[16]。出租车出行人群通常没有买车，同时也是慢行交通和公共交通的使用者。他们是城市交通方式转换需要重点加以引导的目标人群。该人群存在转向个人机动化出行的可能性，而一旦拥有小汽车后就很难再转换到其他交通方式。因此，加强对出租车使用者出行需求的研究非常有必要。

(3)出租车的交通行为与私人小汽车最为接近。使用出租车数据可以避免小汽车数据涉及的个人隐私信息保护问题。在交通行为表现上，出租车在路径选择、交通时耗等许多方面与私人小汽车最为接近。本研究虽以出租车为研究对象，但研究方法和出行行为分析后续可以较方便地移植到个人机动化的方式转换研究。

2.2  出行短距离的阈值设定

对“短距离”的界定是本研究的一个基本问题。周文竹等通过对我国苏州、徐州、南通等7座城市的出行距离分布分析，找出分布量发生最大变化的距离特征值为3km和7km，并建议以此作为短距离、中距离和长距离出行的分界标准，即小于3km的为短距离出行，大于7km的为长距离出行[17]。本研究同时考虑到慢行交通的适宜出行距离、城市街区尺度等因素，沿用3km作为短距离出租车出行距离阈值。这一阈值也符合国内外既有研究的设定[18-20]，并符合国内学者对上海、南京等城市研究的发现[21-22]。

需要补充的是，本研究中“短距离”只是一个描述性表述，重点在于说明在一定出行距离范围内，由于出租车和个人机动化出行相对其他交通方式的优势不明显，方式转化的可能性较大。交通方式转换还受诸如气候条件、出租车的运价、车辆的可获得性等外部条件的影响，实际情况下不同城市的短距离阈值可能存在差异，同一城市不同空间区位的短距离阈值也会略有不同。

2.3  研究区域选取和数据来源

本研究选取上海中心城区作为研究区域，共划分为121个街道。全市出租车交通出行逾80%发生在这一区域内。外围地区的短距离出租车出行量较低，样本存在较大的偶然性；而且外围地区空间异质性高，人口密度、就业密度和基础设施差异大，或对出租车出行存在不同的影响机制，故不纳入研究范围。

本研究数据主要包括出租车、城市空间要素和辅助数据三部分。出租车数据是上海强生控股有限公司提供的出租车GPS轨迹数据，该数据记录了该公司2016年3月1—6日时段内约1.3万余辆巡游出租车所产生的约7.8亿条车辆轨迹数据。城市空间要素数据主要包括城市用地数据和城市道路网络数据。辅助数据包括摩拜科技有限公司在上海市的单车投放和订单数据、通过百度地图获取的中心城区所有地铁站点和地面公交站点的兴趣点数据，以及上海市第六次人口普查的街道常住人口、户籍人口、迁入比、年龄比例、性别比、家庭收入等人口属性信息。

3

 短距离出租车出行的

 时间分布特征分析

3.1  基本情况

本研究首先对出租车轨迹数据进行分析，了解城市短距离机动化出行需求的时空分布规律。考虑到工作日和休息日之间，居民的作息时间和活动存在明显差异，故分别进行分析。为避免单组数据可能产生的偏差，对工作日和休息日分别建立一个对照组。工作日选取2016年3月2日和3日，休息日选取3月5日和6日。

分析显示：研究区域内工作日出租车日均出行量为245464次，其中小于3km的短距离出行占比高达60.88%；休息日出租车日均出行量略有增加，为251512次，而短距离出行占比更高，达到了67.67%。这证实了本研究的基本假设：出租车出行中存在大量距离小于3km的短距离出行；在非刚性出行为主的休息日，短距离出租车出行的总量和占比均明显高于工作日；随着短距离可供选择的交通方式的增加，短距离出租车出行存在很大的方式转换潜力。

3.2  工作日和休息日的日峰值变化

为了排除基数对结果判断的影响，研究采用高峰时段系数(即各时段出行量在全天出行量的占比)来观察工作日与休息日短距离出租车出行在24h内的日峰值变化(图1)。

▲ 图1  短距离出租车出行高峰时段系数日分布

Fig.1 Daily time distribution of urban short-distance taxi travel

从整体上看，无论工作日或休息日，短距离出租车出行的峰平差异较小，与城市交通出行总量的峰谷曲线存在明显不同。这说明每天在8时至23时的时段内，城市一直存在着大量的、稳定的短距离出租车出行需求，需求总量随时间的变化较小。另一方面也说明，目前高峰时段的出租车供给可能存在不足，迫使部分短途出行不得不转向其他交通方式。

工作日短距离出租车出行的时间分布呈现“多峰”现象。高峰时段包括上午9～10时、傍晚18～19时和夜间22～23时，其中上午9～10时最高。晚间出现“双高峰”，其中22～23时的出行需求与上海大部分商铺结束营业时间吻合，或与地铁和部分公交线路停运有关。工作日低谷的12～13时和17～18时通常为出租车司机用餐时间。

休息日的出行分布与工作日略有差异。总体上短距离出租车出行需求高于工作日，但时间分布更加均匀。8时至20时的高峰时段系数始终维持在0.05至0.06之间，整体较平均且高于工作日，符合休息日弹性出行比例上升的特点。休息日高峰开始得晚结束得早，相对的高峰时段为11～12时、17～18时和20～21时。

4

 短距离出租车出行的

 空间分布特征分析

由于短距离出租车出行的时间分布较均匀，不同时段之间出行需求差异不大，规划管控难以从时间上找到调整需求的突破口。但是，接下来的空间分布分析却显示出：时间均衡的短距离出行需求在空间分布上却是极不均衡的，高度集中于城市的某些区域。

4.1  短距离出租车出行强度的区间比较

本研究首先对上海市各区短距离出租车出行的强度差异进行比较。中心城区中，每日有64.8%的短距离出租车出行量发生在黄浦区、静安区、虹口区、长宁区4个区，而这4个区的用地面积仅占中心城区用地面积的25.4%，常住人口占比也仅为29.2%。

研究采用发生强度和吸引强度来表征各区短距离出租车出行的频度。发生强度和吸引强度分别是每平方公里短距离出租车出行O点和D点的密度(单位：次/km²)。结果显示(图2)：黄浦区的日均短距离出租车出行发生强度和吸引强度最高，分别为661.62次/km²和689.67次/km²，并超出第二位静安区43.83%和40.56%，是中心城区平均出行发生强度和吸引强度(分别为120.91次/km²和122.63次/km²)的5倍左右。可见短距离出租车出行需求在黄浦区呈现高度集聚特征。这与该区的出行人群特征相关，也受该区特殊的用地功能布局影响。这些短距离出租车出行的高发地区，应作为规划干预的重点地区。

▲ 图2  上海各区短距离出租车出行发生强度与吸引强度比较

Fig.2 Comparison of spatial distribution of urban short-distance taxi travel in different districts of Shanghai

4.2  不同高峰时段短距离出租车出行的空间分布

借助出租车轨迹数据的OD信息可以更加细致地分析出行空间分布特征。本研究选取早间高峰(7:00—9:00)、午间高峰(10:00—12:00)、夜间高峰(21:00—23:00)3个工作日和休息日共同的短距离出租车出行集中时段①，使用ARCGIS点密度和线密度工具对出行O点以及OD线的空间分布进行识别，前者能够帮助识别短距离出租车出行需求的高发区域，后者反映此类出行的主要联系方向。而选取3个不同时段则可以观测出行需求的空间分布在时间上是否有变化。

早间高峰(7:00—9:00)的分布情况(图3)显示：该时段短距离出租车出行高发地区主要包括中心地区就业岗位密集的地段(如陆家嘴、人民广场、南京路)，出行需求(O点密度)比出行行为(OD线密度)的空间集聚特征还要明显；城市外围地区一个特殊的集聚点是交通枢纽地段(虹桥枢纽)，该地段的出行行为表现为虹桥枢纽-虹桥商务区之间的单一联系，说明通勤动机的短距离出租车出行占有相当比例。

▲ 图3  早间高峰(7:00—9:00)短距离出租车出行的O点密度和OD线密度

Fig.3 Spatial concentration of urban short-distance taxi travel at morning peak (7:00 – 9:00)

根据该时段的空间集聚特征，规划可以针对这些高发地段，通过改善通勤交通供给来降低短距离机动化出行比例。例如，针对像虹桥商务区这样的处于城市外围的产业园区，可以设置虹桥枢纽与虹桥商务区之间的园区班车，转移因通勤产生的大量短距离出租车出行。城市中心区的短距离出租车出行的方向性较弱，则可以考虑加密公交线网、增加共享单车投放等策略，促进部分短距离出租车出行向绿色交通方式转换。

午间高峰(10:00—12:00)时段的空间分布情况如图4所示。该时段的交通出行以非必要出行为主，而大量的外来游客活动会改变短距离出租车出行的空间聚集情况。短距离出租车出行需求高发地段主要包括对外交通枢纽(如虹桥枢纽、上海站等)、城市重要的游憩空间(如人民广场、世博大道)、学校，以及商业中心(如徐家汇、五角场、新天地)等。OD线密度分析显示：中心区东西向联系程度较强，南京东路-人民广场-南京西路和世博大道南段是短距离出租车出行的主要联系方向。这些地段集聚了上海主要的景点和商业游憩设施，可以推测短距离出租车出行主要与观光、购物、休闲等非通勤活动相关。

▲ 图4  午间高峰(10:00—12:00)短距离出租车出行O点密度和OD线密度

Fig.4 Spatial concentration of urban short-distance taxi travel at mid-day peak (10:00 – 12:00)

针对这一现象，规划可以通过组织串联景点和主要商业网点之间的旅游专线公交来促进交通方式的转换；而针对联系方向明显的路段，则应当适应旅游休闲出行需求，提高公交服务的舒适性和灵活性。

夜间高峰(21:00—23:00)时段的空间分布(图5)与前两个时段有明显差异。O点密度显示短距离出租车出行需求的空间分布更加分散，集聚度降低，热点区域主要沿内环线内侧呈环形分布，其余地段包括市中心对外交通枢纽(如上海站)、游憩空间(如外滩沿线、世纪大道)，以及商业中心(如五角场、徐家汇、武宁路、长寿路地区)等。从出行OD线密度来看，该时段中心区的短距离出租车出行的总体强度减弱，但呈现出多点多方向的分布特征。中心区的南北向联系增强，短距离出租车出行集中在上海站-南京西路、徐家汇-打浦桥、五角场地区、长寿路和世纪大道等方向。夜间出行空间分布特征也说明了该时段的出行人群、出行目的和出行弹性，较前两个高峰时段存在明显区别。

▲ 图5  夜间高峰(21:00—23:00)短距离出租车出行O点密度和OD线密度

Fig.5 Spatial concentration of urban short-distance taxi travel at evening peak (21:00 – 23:00)

3个高峰时段短距离出租车出行情况进一步验证了空间分布不均衡这一特征。(1)在3个高峰时段内，短距离出租车出行的空间分布均出现了明显的空间集聚现象，少数城市街区和部分交通联系方向上的出行需求显著高于其他街区和方向；(2)这一空间集聚状况随时间变化而变化。通过识别短距离出租车出行高发区域，规划可以较为精准地确定需要重点干预的地区。而进一步研究造成空间集聚现象的影响因素及其作用机制，则有助于制定针对性的干预措施。

5

 短距离出租车出行空间集聚

 的影响因素分析

5.1  影响因素的选取

借鉴既有文献对出行需求影响因素的研究[23-28]，笔者初步搭建了影响短距离出租车出行需求的指标体系，包括人口、用地功能和交通条件3类共计25个自变量，并对各变量的正向或负向影响作出预估假设(表1)。人口方面包含人口密度、性别构成、户籍构成、年龄构成、收入水平；用地功能方面包括9种不同功能用地在空间中的分布指标以及用地的功能混合状况；交通方面包含了道路资源的空间分布情况，以及地铁、普通公交、共享单车3种竞争性交通方式的空间供给情况。

▲ 表1  影响因素(自变量)选取情况一览

Tab.1 Candidate list of explanatory (independent) variables

5.2  回归模型分析

研究应用地理加权模型(GWR)进行回归分析。出租车短距离出行发生强度为因变量，表征短距离出租车出行需求。由于选取的自变量数量较多，为保证回归模型最优，采用逐步筛选法排查筛选出具有显著影响的自变量。方法是将自变量逐个引入到模型中进行检验，当引入一个变量后首先查看这个变量是否使得模型发生显著性变化(F检验)，若发生显著性变化，再对所有变量进行t检验，当原来引入变量由于后面加入的变量的引入而不再显著变化时，则剔除此变量，确保每次引入新的变量之前回归方程中只包含显著性变量，直到既没有显著的自变量选入回归方程，也没有不显著的自变量从回归方程中被剔除为止，最终得到一个最优的变量集合。

将以上筛选出的自变量代入进行计算，最终获取拟合结果见表2。本研究GWR模型公式中核函数采用的是Bi-Square函数，类型为固定型，利用GWR4.0软件对早间高峰、午间高峰、晚间高峰计算最优带宽和AIC值，最优带宽分别为21832.369M、31123.398M、22143.983M，AIC值分别为427.066、302.391、339.959，实验组的残差分布均符合随机分布。

▲ 表2  各时段实验组GWR模型拟合结果

Tab.2 Estimation results for GWR models

结果表明：

(1)商业服务设施用地、次干路及支路密度在3个时段始终与出租车短距离出行发生强度呈显著正相关。原因可能在于商业服务用地易触发大量的通勤出行和商务出行；而次干路及支路密度越大表示路况通行条件越好，也越容易触发短距离出租车出行。

(2)用地混合度、地铁服务水平、公交站密度在不同时段对出租车短距离出行发生强度均呈现负相关。可见用地功能混合可以在一定程度上减少短距离出租车出行；午间高峰时段的短途出行中地铁是出租车的有力竞争对手；而夜间公交线路对于转移短距离出租车出行可发挥一定的作用。

(3)分析结果也显示出3类需求较高的出行人群。青壮年人口在早高峰期间有着较高的与通勤相关的短距离出租车出行需求；在夜间高峰时段，短距离出租车出行人群更加倾向于户籍人口；而通过医疗卫生用地可以推断出病患人群对出租车出行具有一定的依赖性，对这部分短途出行的特殊需求在规划上应当加以保留。

5.3  各因素对短距离出租车出行的影响程度分析

模型拟合结果中回归系数符号可以判断出不同因素与短距离出租车出行存在正向或负向的相关性。为了进一步确定各个自变量发生变化时，对短距离出租车出行强度变化的影响，笔者进一步计算弹性系数，分析各个自变量与因变量变化率的比值，比值越大说明该因素的影响程度越大。计算结果如表3。

▲ 表3  各时段经筛选的自变量弹性系数计算结果

Tab.3 Results of elastic coefficient test

在早间高峰时段，青壮年人口比例的弹性系数均值最高，可见青年人口对于该时段短距离出租车出行强度影响最大；次干路及支路密度的弹性系数均值明显高于快速路密度，说明短距离出租车出行更倾向使用低等级路网。在午间高峰时段，商服设施用地、常住人口密度变量的弹性系数均值较高，且数值分布区间较窄，说明短距离出租车出行受到常住人口密度的影响明显，且影响效果相对稳定；地铁服务水平均值的弹性系数为负值，说明地铁对出租车短距离出行有一定抑制作用，适当提高地铁站点覆盖比例可以有效降低出租车短距离出行强度。在晚间高峰时段，除了次干路及支路密度，户籍人口密度的弹性系数也处于较高水平，可以推测该时段短距离出租车出行人群主要是本地户籍人口；用地混合度的弹性系数均值为负，说明提高用地混合度也可以降低短距离出租车出行强度，而且夜间的抑制作用相较其他时段更明显。

值得注意的是，地铁服务水平和用地混合度两个变量的弹性系数最大值和最小值分别出现了正、负，这说明其数值分布的离散程度非常高。对该结果的合理解释是，这两个因素具有明显的空间性，即它们的作用与所处的空间位置关系十分密切。为此，本文进一步分析了地铁服务水平变量弹性系数的空间分布情况(图6)。在城市外围的部分地区(如张江地区、虹桥路地区)，地铁服务水平的弹性系数为正值，这与该区域换乘条件有限、接驳系统不发达有关，选择出租车的概率大大增加，这些地区的地铁和出租车不是竞争关系而是互补关系。随后，笔者又分析了用地混合度变量弹性系数的空间分布情况(图7)，发现在浦东地区用地混合度与短途出租车出行基本呈负相关关系，用地混合度变量弹性系数的绝对值相对更高，这说明在浦东提高用地混合度对降低短距离出租车出行发生可以取得较好的效果；相反，在浦西的某些地区，用地混合度与短途出租车出行呈正相关关系，提高用地混合度反而会增加短距离出租车出行的发生。

▲ 图6  地铁服务水平弹性系数的空间分布

Fig.6 Spatial variation of elastic coefficient of metro accessibility

▲ 图7  用地混合度弹性系数的空间分布

Fig.7 Spatial variation of elastic coefficient of land-use mix

6

 研究结论与规划应用

本研究证实城市中确实存在大量的短途机动化出行。在当前城市更新背景下，城市空间的相对固化有助于锁定日常出行距离，而共享单车等新型出行服务的兴起，也为短距离出行提供了更多的方式选择，有必要积极运用规划手段对城市建成环境进行精细化干预，促使一部分短距离机动化出行转换到绿色交通方式，以缓解城市道路拥堵并减少尾气排放。

本文借助出租车轨迹数据分析，发现短距离机动化出行需求总量在时间分布上相对均衡，需求强度持续处于高位，说明规划较难从错时、错峰角度进行干预。但在空间分布上，研究发现在早间、午间和晚间高峰3个不同时段，短距离出租车出行都呈现出非常显著的空间集聚现象，且不同时段的空间集聚分布有所差异，说明短距离机动化出行与建成环境的空间特征要素高度相关。通过识别短距离机动化出行的高发地区，可以辅助规划划定重点干预地区，在城市街区尺度上精准施策。

在规划措施制定上，本研究关于空间集聚影响因素的分析有助于提高对短距离机动化出行诱发机制的认识。研究发现：用地混合度、商服设施用地、次干路及支路密度、地铁服务水平、公交站密度等要素，对短距离出租车出行发生强度具有显著影响。基于这一结论，规划可以针对需求高发地区采取下述干预手段来抑制短距离机动化出行需求：

(1)调整城市次干路和支路的路权分配，通过交通安宁化等措施，降低小汽车交通在这些道路上的通行优先权，扶持绿色交通方式，提升公共交通服务；

(2)鼓励用地功能混合，商服设施宜采用适度的分散布局；

(3)提高公交服务供给，加密地面公交站点，增加夜间公交线路，在产业园区和交通枢纽之间增设通勤巴士，优化针对旅游人群的公交服务。

本文只是研究项目的阶段性成果，在后续研究中将聚焦短距离出行中交通方式选择与转换的机制研究，加强替代交通方式的竞争关系及其影响因素的分析，以期为实现城市交通结构优化提供更加精准的规划策略建议。

注释

①在实验数据选取时，考虑到17:00—19:00时段在工作日和休息日短距离出租车出行高峰差异较大，无法全面表征中心城区出租车短距离出行的概况，因此未做选取。

参考文献

[1]刘爽，朱晓宁，贾顺平. 城市交通结构优化研究综述[J]. 交通运输系统工程与信息，2009，9 (1): 28-38.

LIU Shuang，ZHU Xiaoning，JIA Shunping. A Review of Urban Traffic Structure Optimization[J]. Journal of Transportation Systems Engineering and Information Technology，2009，9 (1):28-38.

[2]刘爽，赵明亮，包姹娜，等. 基于交通结构发展情景分析的城市交通碳排放测算研究[J]. 交通运输系统工程与信息，2015，15(3):222-227.

LIU Shuang，ZHAO Mingliang，BAO Chana，et al. Carbon Emission Calculation for Urban Transport Based on Scenario Analysis of Traffic Structure[J]. Journal of Transportation Systems Engineering and Information Technology，2015，15(3):222-227.

[3]潘海啸，汤諹，吴锦瑜，等. 中国“低碳城市”的空间规划策略[J]. 城市规划学刊，2008(6):57-64.

PAN Haixiao，TANG Yang，WU Jinyu，et al.Spatial Planning Strategy for “Low Carbon Cities” in China[J].Urban Planning Forum，2008(6):57-64.

[4]郭亮，贺慧. 城市交通结构优化与土地利用模式相关性的比较[J]. 城市规划学刊，2009(5):77-82.

GUO Liang，HE Hui. Comparative Study on the Relevance of Structural Optimization of Urban Traffic and Land-Use Patterns[J]. Urban Planning Forum，2009(5):77-82.

[5]孔令斌. 城市职住平衡的影响因素及改善对策[J]. 城市交通，2013(6):1-4.

KONG Lingbin. Influential Factors and Improvement Measures for Job-Housing Balance[J]. Urban Transport of China，2013(6):1-4.

[6]胡娟，胡忆东，朱丽霞. 基于“职住平衡”理念的武汉市空间发展探索[J]. 城市规划，2013(8):25-32.

HU Juan，HU Yidong，ZHU Lixia. Exploration on Spatial Development of Wuhan Based on Job-Housing Balance[J]. City Planning Review，2013(8):25-32.

[7]ZAHAVI Yacov. Travel Time Budgets in Developing Countries[J]. Transportation Research，Part A-General，1981，1(15): 87-95.

[8]吴子啸，宋维嘉，池利兵，等. 出行时耗的规律及启示[J]. 城市交通，2007(1): 20-24.

WU Zixiao，SONG Weijia，CHI Libing，et al. Patterns and Their Implications of Travel Time[J]. Urban Transport of China，2007(1): 20-24.

[9]杨涛. 健康交通与健康城市[J]. 城市交通，2013(1):1-4.

YANG Tao. Healthy Transportation and Healthy Cities[J]. Urban Transport of China，2013(1):1-4.

[10]张涛. 降低汽车使用强度优化城市交通结构[J]. 北京观察，2016(11):20-21.

ZHANG Tao. Reduce the Usage of Automobile and Optimize the Urban Traffic Structure[J]. Beijing Observation，2016(11):20-21.

[11]邹兵. 增量规划向存量规划转型:理论解析与实践应对[J]. 城市规划学刊，2015(5):12-19.

ZOU Bing. The Transformation from Greenfield-Based Planning to Redevelopment Planning: Theoretical Analysis and Practical Strategies[J]. Urban Planning Forum，2015(5):12-19.

[12]唐子来，马向明，刘青昊，等. “美好城市”VS. “城市病”[J] 城市规划，2012(1):52-56.

TANG Zilai，MA Xiangming，LIU Qinghao，et al. “Beautiful City” VS. “City Disease”[J]. City Planning Review，2012(1):52-56.

[13]陆锡明，顾啸涛. 上海市第五次居民出行调查与交通特征研究[J]. 城市交通，2011，9(5) : 1-7.

LU Ximing，GU Xiaotao. The Fifth Travel Survey of Residents in Shanghai and Characteristics Analysis[J]. Urban Transport of China，2011，9(5) : 1-7.

[14]李艳红，袁振洲，谢海红，等. 基于出租车OD数据的出租车出行特征分析[J]. 交通运输系统工程与信息，2007，7(5):85-89.

LI Yanhong，YUAN Zhenzhou，XIE Haihong，et al. Analysis on Trips Characteristics of Taxi in Suzhou Based on OD Data[J]. Journal of Transportation Systems Engineering and Information Technology，2007，7(5):85-89.

[15]胡小文，冯均佳. 基于GPS数据采集的出租汽车交通运行特点研究[J]. 城市交通，2007，5(2):91-95.

HU Xiaowen，FENG Junjia. Research on Characteristics of Taxi Traffic Based on GPS Data[J]. Urban Transport of China，2007，5(2):91-95.

[16]马钧，倪孟正. 上海地区交通工具购买行为研究[J]. 汽车与配件，2007(2): 42-43.

MA Jun，NI Mengzheng. Research on the Behavior of Vehicle Purchase in Shanghai[J]. Automobile and Parts，2007(2): 42-43.

[17]周文竹，王炜，郭志勇. 团块状单中心大城市的出行距离分布规律研究[J]. 交通与计算机，2008(3):9-13.

ZHOU Wenzhu，WANG Wei，GUO Zhiyong. Trip Distance Distribution Based on Compact Single Center City[J]. Computer and Communications，2008(3):9-13.

[18]MAIBACH Edward，STEG Linda，ANABLE Jillian. Promoting Physical Activity and Reducing Climate Change: Opportunities to Replace Short Car Trips with Active Transportation[J]. Preventive Medicine，2009，49(4): 326-327.

[19]NAZELLE Audrey De，MORTON Brian J，JERRETT Michael，et al. Short Trips: An Opportunity for Reducing Mobile-Source Emissions?[J]. Transportation Research Part D: Transport and Environment，2010，15(8): 451-457.

[20]黎明，宋国华，程颖，等. 城市过量短距离小汽车出行研究[J]. 北京交通大学学报，2014，38(3):15-21.

LI Ming，SONG Guohua，CHENG Ying，et al. Research on Excessive Short Distance Car Trips in Urban Area[J]. Journal of Beijing Jiaotong University，2014，38(3):15-21.

[21]曾思萌，叶茂，刘英舜，等. 共享单车引入后通勤者出行方式选择影响因素建模[J]. 交通信息与安全，2019，37(1):110-118.

ZENG Simeng，YE Mao，LIU Yingshun，et al. A Model of Influencing Factors of Travel Mode Selection for Commuters with Bike-Sharing[J]. Journal of Transport Information and Safety，2019，37(1):110-118.

[22]黄一哲，孙健. “自行车+轨道交通”导向型城市空间发展策略研究——以上海为例[J]. 交通与运输，2018，34(5):6-9.

HUANG Yizhe，SUN Jian. “Bicycle + Rail Transit” Oriented Urban Spatial Development Strategies: A Case Study of Shanghai[J]. Traffic & Transportation，2018，34(5):6-9.

[23]CHATMAN Daniel G. How Density and Mixed Uses at the Workplace Affect Personal Commercial Travel and Commute Mode Choice[J]. Transport. Res. Rec. 2003，1831: 193-201.

[24]BENTO Antonio，CROPPER Maureen，MOBARAK Ahmed，et al. The Impact of Urban Spatial Structure on Travel Demand in the United States[J]. Rev. Econ. Stat. 2003，87: 466-478.

[25]LECK Eran. The Impact of Urban Form on Travel Behavior: A Meta-Analysis[J]. Berkeley Planning. J. 2006，19.

[26]ZEGRAS Christopher. The Built Environment and Motor Vehicle Ownership and Use: Evidence from Santiago de Chile[J]. Urban Studies，2010，47:1793-1817.

[27]谢蔚翰，周素红. 建成环境对出租车出行需求影响的时空间分异模式[J]. 现代城市研究，2018(12):28-35.

XIE Weihan，ZHOU Suhong. The Spatial-Temporal-Nonstationary Effect of Built-Environment on Taxi Demand[J]. Modern Urban Research，2018(12):28-35.

[28]李琪琳，鹿应荣，丁川，等. 城市建成环境对出租车出行需求影响研究——基于空间溢出效应的分析[J]. 交通运输系统工程与信息，2016，16(5):39-44.

LI Qilin，LU Yingrong，DING Chuan，et al. Analysis of the Impact of Built Environment on Taxi Travel Demand Considering Spatial Spillover Effect[J]. Journal of Transportation Systems Engineering and Information Technology，2016，16(5):39-44.

---