题 目：城市轨道交通通勤与职住平衡状况的关系研究——基于大数据方法的北京实证分析
期 刊：地理科学进展 Progress in Geography
作 者：申犁帆，张 纯，李 赫，王 烨，王子甲
摘 要：城市轨道交通网络的发展在提高居民通勤效率的同时也对其职住平衡状况产生了一定影响。论文以北京市206个轨道站点为例，基于高斯混合模型(Gaussian mixture model, GMM)和一卡通刷卡数据将轨道站点按职住功能进行分类，利用腾讯“宜出行”定位数据考察轨道站点周边的动态人口分布并计算就业居住比。研究发现：①中心城区的职住状况明显优于中心城区以外区域；② 轨道交通线网末端区域的职住平衡程度较差，仅有少数成规模的高端服务产业集中分布的轨道站点周边形成了区域性就业中心；③ 部分就业-居住较为均衡的城郊地区仍存在一定的职住不匹配现象。随后，通过计算一卡通出进站比和“宜出行”职住比得到出进站均衡度和职住平衡度，利用广义自回归条件异方差(generalized autoregressive conditional
heteroskedasticity, GARCH)模型对轨道交通通勤和职住平衡程度进行相关性分析，研究结果表明：① 出进站均衡度与职住平衡度具有非常显著的正向关系，即站点进出站人数越接近，站点周边区域的职住状况越好；② 典型就业地站点与站点周边区域的职住平衡程度显著正相关，而典型居住地站点与站点周边区域的职住状况存在显著的负相关性。这表明，人口稠密的聚居区无法带动同样数量就业岗位的产生，而完善的就业中心能够吸引一定数量的人口在附近居住；③ 轨道站点的区位条件与职住平衡状况存在一定正向关系；④ GMM 能够对属性复杂模糊的轨道站点进行有效的聚类分析；⑤ 具有实时性强、精确度高、覆盖度广、获取难度低等优点的“宜出行”数据能够在微观空间尺度下弥补其他捕捉和分析实时人口时空分布特征方法的局限性。
关键词：城市轨道交通；通勤行为；职住平衡；大数据；高斯混合模型；GARCH模型；北京
总 结：1. 本文以北京市为例，利用工作日通勤时段的轨道交通一卡通刷卡数据代入高斯混合模型(Gaussian mixture model, GMM)，对轨道站点进行职住功能的聚类分析，同时整合早高峰时段出站和进站的累计人数、出进站比等轨道交通通勤行为数据。然后，利用同一时段腾讯“宜出行”程序的人口定位数据计算站点周边区域的职住比。通过调整一卡通出进站比和“宜出行”职住比的平衡偏离值得到出进站均衡度和职住平衡度。最后，构建广义自回归条件异方差(generalized autoregressive condi-tional heteroskedasticity, GARCH)模型对相关变量进行回归分析。通过对轨道交通通勤与职住状况之间关系的阐述和分析，希望能够为完善城市空间功能结构、优化轨道交通线网和站点布局、协调居民职住关系提供实证案例参考和数据分析支持。
2.腾讯“宜出行”数据：经过长时间的数据比对，笔者发现地图公开数据的最大公约数就是该系数。
3.思考：宜出行数据如何和十五分钟生活圈联系在一起。
今天新阅读一篇，主要是把前几天读过的，准备在细读一下。
