引用本文
尹超英, 邵春福, 王晓全, 熊志华, 崔文霖. 基于改进熵的土地利用混合度对非通勤行为的影响[J]. 北京交通大学学报, 2018,42(4): 92-97.
YIN Chaoying, SHAO Chunfu, WANG Xiaoquan, XIONG Zhihua, CUI Wenlin. Influence of land use mix on non-work travel behavior based on modified entropy index[J]. JOURNAL OF BEIJING JIAOTONG UNIVERSITY, 2018,42(4): 92-97.
Doi:10.11860/j.issn.1673-0291.2018.04.013  
Permissions
Copyright©2018, 北京交通大学学报编辑部
北京交通大学学报编辑部 所有
基于改进熵的土地利用混合度对非通勤行为的影响
尹超英1a, 邵春福1b, 王晓全1a, 熊志华1a, 崔文霖2
1.北京交通大学 a.城市交通复杂系统理论与技术教育部重点实验室,b.综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044
2.甘肃省公路网规划办公室,兰州 730030
通信作者:邵春福(1957—),男,河北沧州人,教授,博士,博士生导师.email:cfshao@bjtu.edu.cn.

第一作者:尹超英(1989—),女,山西五寨人,博士生.研究方向为交通与土地利用.email:15114226@bjtu.edu.cn.

收稿日期: 2017-12-17
基金: 国家自然科学基金(71621001,71501011)
摘要

为研究土地利用混合度对非通勤行为的影响,提出改进熵模型定量描述土地利用混合度,并深入分析土地利用混合度对非通勤者出行距离和出行方式选择的影响.结合甘肃省天水市2015年居民出行调查数据,构建土地利用混合度与非通勤者出行距离的关系模型,并利用MNL模型研究土地利用混合度对非通勤者出行方式选择的影响.结果表明:与传统熵指标相比,改进熵指标对非通勤者出行距离的解释性更强;利用STATA软件标定MNL模型参数并进行弹性分析,进一步表明改进熵指标对居民出行行为的解释性优良,合理的土地利用布局有助于引导居民选择非机动化出行方式.研究结果对城市规划和交通政策的制定具有指导意义.

关键词: 交通工程; 土地利用混合度; 改进熵指标; 非通勤出行; 出行行为
中图分类号:U491 文献标志码:A 文章编号:1673-0291(2018)04-0092-06
Influence of land use mix on non-work travel behavior based on modified entropy index
YIN Chaoying1a, SHAO Chunfu1b, WANG Xiaoquan1a, XIONG Zhihua1a, CUI Wenlin2
1a.MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology,1b. Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport,Beijing Jiaotong University, Beijing 100044, China
2.Gansu Provincial Highway Network Planning Office, Lanzhou 730030, China
Fund:National Natural Science Foundation of China(71621001,715201011)
Abstract

In order to study the influence of land use mix on non-work travel behavior, a modified entropy index is proposed to measure the land use mix and study the influence of land use mix on travel distance and travel mode choice of non-workers. Based on 2015 Tianshui household travel survey data, a model investigating the influence of land use mix on travel distance is developed. And then MNL model is used to study the influence of land use mix on travel mode choice. The results show that compared with traditional entropy method, the modified entropy index has a more powerful explanation for the travel distance. STATA software is used to calibrate the MNL model and analyze the elasticity. The results further confirm the excellent explanatory of travel behavior. And land use mix can help people choose non-motorized travel mode. The results can provide evidences for urban planners and policy makers.

Keyword: traffic engineering; land use mix; modified entropy index; non-commuting trip; travel behavior

城市土地利用的混合程度决定了居民的出行时耗和出行距离, 进而影响城市交通出行结构和出行效率[1].土地利用混合度是度量区域内土地利用发展模式和土地利用多样性的重要指标之一[2, 3], 常用的度量指标包括熵指标[4]、不相似指标[5]及区域指标等[2].

城市土地利用与交通出行行为密切相关[6, 7, 8], Engelfriet等建立了城市形态和通勤行为的回归模型, 研究了土地利用混合度对通勤者出行时间和出行距离的影响[9].丁川等利用多层混合生存模型刻画了建成环境与通勤距离的关系[10].Partha等提出了区域指标表征土地利用混合度, 并利用该指标研究了印度小城市的土地利用与通勤及购物出行之间的关系[2].Jayanthi等研究了城市形态对非通勤出行方式选择的影响, 结果表明土地混合利用有助于提高非通勤出行中的步行比例[11].Lee等研究了土地利用与机动车行驶里程之间的关系, 结果表明土地利用混合度是影响机动车行驶里程的重要因素[12].然而, 传统熵模型是基于交通小区尺度度量土地利用混合度, 且仅考虑了交通小区内部不同土地利用类型的比例, 忽略了不同空间尺度及土地利用类型位置关系对度量结果的影响, 难以准确刻画交通小区的土地利用混合度.因此, 利用传统熵模型研究土地利用混合度对非通勤行为的影响存在一定的缺陷[13].

本文作者针对传统熵模型的缺陷, 提出改进熵模型定量描述土地利用混合度, 并探究土地利用混合度对非通勤者的出行距离和出行方式选择的影响, 从而为城市规划及交通政策的制定提供理论依据.

1 土地利用混合度

城市交通系统与土地利用混合度之间存在着密不可分的联系.熵模型是最常用的度量土地利用混合度的方法之一[2].该模型可量化给定区域的土地利用的均衡性, 如下

Ej=-∑i(Aijln(Aij))lnNj(1)

式中:Aij为小区j中i类用地所占的比例; Nj为小区j中用地类型的数量.熵值Ej在[0, 1]之间, 当区域内只有一种土地利用时, 其值为0; 当区域内各土地利用比例相等时, 其值为1.

居民出行在空间上的分布与该区域的土地利用混合程度密切相关[1].然而, 传统熵模型仅考虑了交通小区内部不同土地利用类型的比例, 忽略了不同空间尺度及土地利用类型位置关系对度量结果的影响, 为更准确度量交通小区土地利用的混合程度, 本文提出一种改进熵模型.首先, 为减少空间尺度导致的误差, 将研究区域划分成200 m× 200 m的网格单元; 其次, 为体现不同土地利用类型的位置关系, 考虑土地利用混合的过程和生物发展的相似性, 以生长曲线作为权值对熵模型进行修正, 将交通小区范围内网格单元的平均值作为该交通小区的土地利用混合度.改进熵模型考虑了不同土地利用类型的构成比例, 同时将其在空间上的位置关系纳入模型, 如下

Hj¯=-∑i(Aijln(Aij))ln(Nj)·(21+e-2Xj-1)(2)

式中: Hj¯为小区j的土地利用混合度; Xj为小区j中地块数量最少的土地利用类型的数量, 即Xj=min{n1j, n2j, …, nkj}, nkj为小区j中k类用地所拥有的地块数量.

利用GIS软件对甘肃省天水市土地利用图进行处理, 将研究区域划分为200 m× 200 m的网格单元, 根据式(1)和式(2)依次计算每一网格单元的混合度值, 天水市局部区域的网格划分结果如图1所示.

图1 网格划分结果Fig.1 Results of grids dividing

利用传统熵模型和改进熵模型分别计算天水市各交通小区土地利用混合度, 并对计算结果标准化处理, 如下

Z=x-uσ(3)

式中:x为小区的土地利用混合度; u为所有交通小区土地利用混合度均值; σ 为总体标准偏差.

计算得到各交通小区土地利用混合度如图2(a)和2(b)所示.对天水市各交通小区土地利用的两种指标进行统计, 分别如图2(c)和2(d)所示.

图2 各交通小区土地利用混合度Fig.2 Degree of land use mix for traffic zone

由图2可知, 两种指标均服从高斯分布, 熵模型结果分布拟合调整R2及残差平方和分别为0.462 5和0.028 8; 改进熵模型结果分布拟合调整R2及残差平方和分别为0.758 0和0.007 9.

2 非通勤行为建模过程
2.1 数据与变量

本文数据来源于2015年天水市居民出行调查, 调查区域为天水市中心城区, 包括170个交通小区, 收集有效问卷2 174份, 并选取以家为起点的1 738条非通勤出行作为研究样本.问卷信息及模型变量描述如表1所示.

表1 模型变量描述 Tab.1 Description of model variables

利用改进熵模型研究土地利用混合度对非通勤出行行为的影响, 通过与传统熵模型对比, 验证改进熵模型的有效性.模型中的解释变量包含个体、家庭及交通小区3个方面的特征属性, 分别构建回归模型和MNL模型分析居住地所在交通小区土地利用混合度对非通勤者出行距离和出行方式选择的影响.

2.2 土地利用混合度对非通勤出行距离的影响

构建回归模型研究土地利用混合度对非通勤者出行距离的影响.多元线性回归是对出行距离影响因素探究的一种方法[6].即通过对影响因子和非通勤距离的数据进行分析, 确定非通勤距离和影响因子之间的线性关系, 如下

y=β0+βSExSE+βHCxHC+βTCxTC+βLUMxLUM+ε(4)

式中:y为非通勤距离; xSE为社会经济属性; xHC为家庭属性; xTC为出行属性; xLUM为土地利用混合度; β 0, β SE, β HC, β TC, β LUM为待标定参数; ε 为随机误差项.

将出行方式合并为非机动化和机动化出行两类.为控制社会经济、家庭和出行属性等因素的影响, 模型1作为基本模型只考虑社会经济属性、家庭属性和出行属性对出行距离的影响; 模型2利用传统熵模型度量土地利用混合度指标, 并将其加入基本模型; 模型3则将改进熵模型作为度量指标加入基本模型.利用最小二乘法对模型求解, 模型标定结果如表2所示.其中:β 为估计参数; t-statistic为t统计量.

表2 回归模型标定结果 Tab.2 Calibration results of OLS(Ordinary Least Square) models

由表2可知, 在出行者社会经济属性和家庭属性方面, 性别、年龄及家庭小汽车拥有对非通勤出行距离具有显著的影响, 即年龄越小且家庭拥有小汽车的女性, 其非通勤距离越长; 在出行属性特征方面, 出行者的出行方式、出行目的1对非通勤出行距离有显著的负影响, 表明非通勤出行距离越长, 出行者越倾向选择机动化出行, 对于以购物为目的的出行, 出行者会选择就近购物以减少出行距离.

为研究土地利用混合度对非通勤出行距离的影响, 将熵指标和改进熵指标作为控制变量分别纳入模型.估计结果表明, 土地利用混合度对出行距离有显著的负效应, 即土地利用混合度越高, 出行者的非通勤距离越短; 在控制土地利用混合度指标后, 社会经济属性和家庭属性对非通勤出行距离的影响依然显著, 同时模型2和模型3的调整R2值明显提高, 表明加入土地利用混合度指标后, 模型对出行距离的解释性提高, 改进熵指标对模型的改善程度高于传统熵指标.

2.3 土地利用混合度对非通勤出行方式的影响

为分析土地利用混合度对居民非通勤出行方式选择的影响, 利用改进熵模型度量土地利用混合度, 并建立非通勤出行方式选择的MNL模型.假设出行者的效用受其社会经济属性和出行属性的影响, 且选择效用最大的出行方式出行.出行者n选择出行方式i的条件为

Uin> Ujn, i≠j, i, j∈An(5)

式中:Uin和Ujn分别为选择出行方式i及方式j的效用值; An为出行方式的集合.

根据随机效用理论, 选择出行方式i的效用包括效用确定项Vin和效用随机项ε in, 如下

Uin=Vin+εin(6)

根据效用最大化理论, 出行者n选择出行方式i的概率为

Pin=Prob(Uin> Ujn, i≠j, i, j∈An)=Prob(Vin+εin> Vjn+εjn, i≠j, i, j∈An)(7)

模型中选择居民出行方式作为因变量, 包括步行、自行车、电动车、公交车等7种方式; 社会经济属性和土地利用混合度指标作为模型自变量.

将步行方式作为参考选择肢, 利用STATA软件对模型参数进行标定.模型系数的标定结果如表3所示, 括号内数值为t统计量.

表3 MNL模型标定结果 Tab.3 Calibration results of MNL model

由表3可知, 社会经济属性、出行属性及土地利用混合度均对居民非通勤出行方式选择具有显著影响, 其中土地利用混合度越高, 居民非通勤出行选择步行出行的概率越大.为进一步对比传统熵指标和改进熵指标对居民非通勤方式选择的影响, 对土地利用混合度与出行方式的弹性关系进行分析.弹性分析过程如下, 第i种出行方式的弹性值为

EXikqP-i=(∑q=1QP-iqEXikqPiq)/∑q=1QP-iq(8)

式中: P-i为选择方式i的概率, EXikqPiq=β ikXikq(1-Piq)为决策者q的第i种方式的第k个属性的边际变化概率的弹性; P-iq为估计的方式选择概率.在所有替代方案中显示为替代特定形式的变量, 弹性值为直接响应和多个交叉响应的组合, 如下.

EXikqP-i=∑q=1QP-iq[βikXikq(1-Piq)-∑j≠iβikXjkq(Pjq)]/∑q=1QP-iq(9)

进一步标定土地利用混合度指标和非通勤出行方式选择之间的弹性关系, 弹性系数标定结果如表4所示.

表4 非通勤者出行方式弹性值 Tab.4 Elasticities of mode choice with land-use parameters from MNL model

由表4可知, 与传统熵指标相比, 改进熵指标对非通勤出行方式选择的影响更显著, 其中对选择步行、自行车、电动自行车及公交车出行的影响尤为明显, 表明改进熵模型可更准确量化土地利用混合度.对于非机动化出行, 土地利用混合度越高出行者选择非机动化出行方式的概率越高, 且对步行出行的影响大于自行车出行.对于机动化出行, 随着土地利用混合度的增加选择机动化出行的概率减小, 其中小汽车出行方式弹性值的绝对值低于公交车出行, 表明土地利用混合度的变化对出行者选择公交车出行的影响最为显著.土地利用混合度越高表示区域内土地利用布局越均衡, 出行者的出发地和目的地在同一区域或相邻区域的概率较大.因此, 合理的土地利用布局有助于引导居民选择非机动化的出行方式.

2.4 城市土地利用规划建议

基于土地利用混合度对非通勤出行距离和出行方式的研究, 研究结果对于城市土地利用规划、管理与改善制度规范的制定具有一定参考价值.在进行土地利用规划时, 可考虑土地利用的混合使用, 使区域内土地利用布局更加均衡, 从而增加出行者的出发地和目的地在同一区域的概率, 进而减少区域内居民跨区域的非通勤出行行为.此外, 可通过土地利用规划优化非通勤出行结构.均衡的土地利用布局可提高非通勤出行者选择非机动化出行的概率, 有效降低居民对小汽车等机动化出行的依赖性, 从而缓解城市道路交通压力.

3 结论

本文以居民非通勤出行为研究对象, 提出改进熵模型定量描述土地利用混合度, 并建立模型研究土地利用混合度对非通勤者的出行距离和出行方式选择的影响.研究结果如下:

1)改进熵模型考虑了不同土地利用类型的构成比例, 同时将其在空间上的位置关系纳入模型, 可有效量化土地利用混合度, 且对居民非通勤出行行为有较好的解释性.

2)分析了土地利用混合度对居民非通勤出行距离的影响, 且对比了传统熵指标和改进熵指标对模型的解释程度.结果表明, 土地利用混合度对非通勤出行距离有显著的负效应; 改进熵指标较传统熵指标的解释性更强.结果可为通过提高土地利用混合度优化非通勤出行结构提供理论支持.

3)利用弹性分析研究了土地利用混合度对非通勤者出行方式选择的影响, 土地利用混合度越高, 非通勤者选择非机动化出行方式的概率越高, 因此提高土地利用混合度有助于引导非通勤者选择非机动化方式出行.

参考文献
[1] 李霞, 邵春福, 贾洪飞. 土地利用与居民出行生成模型及其参数标定[J]. 吉林大学学报, 2007, 37(6): 1300-1303.
LI Xia, SHAO Chunfu, JIA Hongfei. Land use and resident trip generation model and its parameter calibration[J]. Journal of Jilin University, 2007, 37(6): 1300-1303. (in Chinese) [本文引用:2]
[2] SARKAR P P, CHUNCHU M. Quantification and analysis of land -use effects on travel behavior in smaller Indian cities: case study of Agartala[J]. Journal of Urban Planning & Development, 2016, 142(4): 1-12. [本文引用:4]
[3] WANG X, GRENGS J, KOSTYNIUK L. Using a GPS data set to examine the effects of the built environment along commuting routes on travel outcomes[J]. Journal of Urban Planning & Development, 2014, 140(4): 1-10. [本文引用:1]
[4] CERVERO R. Mixed land -uses and commuting: evidence from the american housing survey[J]. Transportation Research Part A Policy & Practice, 1996, 30(5): 361-377. [本文引用:1]
[5] CERVERO R, KOCKELMAN K. Travel demand and the 3Ds: density, diversity, and design[J]. Transportation Research Part D Transport & Environment, 1997, 2(3): 199-219. [本文引用:1]
[6] MANAUGH K, KREIDER T. What is mixed use? presenting an interaction method for measuring land use mix[J]. Journal of Transport & Land Use, 2013, 6(1): 63-72. [本文引用:2]
[7] 杨励雅, 邵春福, 李霞. 城市居民出行方式选择的结构方程分析[J]. 北京交通大学学报, 2011, 35(6): 1-6.
YANG Liya, SHAO Chunfu, LI Xia. Structural equation model analysis of travel mode choice for urban residents[J]. Journal of Beijing Jiaotong University, 2011, 35(6): 1-6. (in Chinese) [本文引用:1]
[8] 杨励雅, 邵春福, 聂伟, 等. 基于TOD模式的城市交通与土地利用协调关系评价[J]. 北京交通大学学报, 2007, 31(3): 6-9.
YANG Liya, SHAO Chunfu, NIE Wei, et al. Evaluation on relationship between urban transportation and land use based on TOD[J]. Journal of Beijing Jiaotong University, 2007, 31(3): 6-9. (in Chinese) [本文引用:1]
[9] ENGELFRIET L, KOOMEN E. The impact of urban form on commuting in large Chinese cities[J]. Transportation, 2017, 9: 1-27. [本文引用:1]
[10] DING C, MISHRA S, LU G, et al. Influences of built environment characteristics and individual factors on commuting distance: a multilevel mixture hazard modeling approach[J]. Transportation Research Part D, 2017, 51: 314-325. [本文引用:1]
[11] RAJAMANI J, BHAT C R, HANDY S, et al. Assessing impact of urban form measures on nonwork trip mode choice after controlling for demographic and level-of-service effects[J]. Transportation Research Record Journal of the Transportation Research Board, 2003, 1831(1): 1-17. [本文引用:1]
[12] LEE J S, LEE S K, JUN J. Connections between land use and driving distance: causal investigation using directed acyclic graphs[J]. Journal of Urban Planning & Development, 2014, 140(3): 1-5. [本文引用:1]
[13] KLINGER T, LANZENDORF M. Moving between mobility cultures: what affects the travel behavior of new residents?[J]. Transportation, 2016, 43(2): 243-271. [本文引用:1]