考慮空間異質性的城市建成環境對交通擁堵狀態的影響

袁 浩 任 杰 楊 睿 朱 彤* 李博超

(長安大學汽車學院1) 西安 710064) (長安大學運輸工程學院2) 西安 710064)

隨著我國城市化的快速發展，交通擁堵問題愈發嚴峻，并已成為制約城市發展的瓶頸.交通擁堵不單純是交通系統本身的問題,其本源是土地利用格局導致的交通供需失衡，所以精準把握城市建成環境中土地利用與交通基礎設施對交通擁堵狀態的影響，對緩解交通擁堵具有重要意義.

目前已有學者就土地利用與交通基礎設施對交通擁堵狀態的影響展開研究.Ewing等[1]研究發現居民通勤時間與土地混合利用指數呈負相關，人均延誤與中心度呈負相關.何樹林[2]認為發生交通擁堵的根本原因是交通供需失衡誘發的交通流運行狀態失穩.Wang等[3]發現土地利用和交通設施不匹配是導致城市土地重建后交通擁堵的直接原因.王家庭等[4]對我國35個大中城市交通擁堵水平測度，發現城市空間結構、路網密度在一定程度上會導致交通擁堵.鄭思齊等[5]證明了職住失衡與公共服務過度集中是導致城市內部交通擁堵的重要原因.王新軍等[6]發現居住、辦公與商業用地密度，路網密度等對交通擁堵有顯著影響.張振龍等[7]發現擁堵時空分布規律與交通供需、路網結構、職住分離、用地布局等因素存在一定相關性.

已有研究雖從城市建成環境各角度對交通擁堵狀態展開了分析，但都忽略了交通擁堵影響因素的空間異質性，即城市建成環境在不同地理位置對交通擁堵狀態的影響程度差異性.地理加權回歸(geographically weighted regression，GWR)模型作為一種能有效揭示被觀測者空間異質性和空間相關性的方法，近年來廣泛應用于居民出行時空、公共交通出行需求、共享單車分布特征等交通領域的空間異質性研究.

鑒于此，文中以西安中心城區為案例開展實證研究，運用地理加權回歸模型定量分析城市建成環境變量對交通擁堵狀態影響的空間異質性，并通過與傳統的普通最小二乘法(ordinary least square，OLS)進行比較，驗證地理加權回歸模型對交通擁堵狀態分析的適用性，以期為城市交通規劃與管理提供理論依據.

1 研究數據與處理

1.1 研究區域概況

本研究區域為西安中心城區(見圖1)，面積約為826 km2，以研究區域內的55個街道為基本研究單元.

圖1 研究范圍

1.2 因變量的確定

以擁堵延時指數作為量化區域交通擁堵狀況的指標.計算路段擁堵延時指數，基于Arc GIS平臺的差值功能的反距離權重法(IDW)進行差值，利用分區統計工具得到各街道的擁堵延時指數.其中，路段擁堵延時指數計算公式為

(1)

通過高德地圖開放平臺獲取研究區域2020年6月各工作日02:00—04:00、早高峰07:00—09:00及晚高峰17:00—19:00的路段速度，通過上述方法計算各街道早晚高峰的擁堵延時指數，見圖2，工作日晚高峰的擁堵延時指數要明顯高于早高峰.鑒于此，本研究主要分析晚高峰時段街道層面的交通擁堵狀況，區域交通擁堵嚴重程度為：碑林區>新城區>蓮湖區>雁塔區>未央區>灞橋區.

圖2 早晚高峰擁堵延時指數

1.3 建成環境變量的確定

1.3.1建成環境變量選擇

將建成環境定義為提供人類活動需求而建設配置的人為空間環境，包含土地利用形態、交通基礎設施，以及城市道路設計等因素.在交通領域，建成環境由以下五個要素來描述：密度(density)、混合度(diversity)、設計(design)、公交鄰近度(distance to transit)與目的可達性(destination accessibility).在此基礎上對建成環境“5Ds”因素具體度量，采用人口密度、土地利用混合度、停車位密度等10個建成環境變量作為備選自變量，結果見表1.

表1 建成環境“5Ds”因素度量指標

1.3.2建成環境變量測度

基于Arc GIS平臺的核密度工具計算企業密度、路網密度等密度指標.以企業密度為例，首先去除數據中異常和重復值，并對無效數據進行清理和修正；隨后利用Arc GIS平臺的核密度工具估計企業密度在整個研究空間上的分布；最后利用分區統計工具獲取各街道的平均企業密度.其他密度指標處理方法如上.核密度計算公式為

(2)

土地利用混合度通過熵指數進行衡量，取值介于0～1，大小反映了街道內不同用地功能的混合程度.本研究選擇居住、商業購物、商務辦公與科教文衛用地的混合程度，利用Arc GIS平臺的標識、合并等功能進行統計.計算公式為

(3)

式中：Hj為街道j內的土地利用混合度；Nj為街道j內用地類型數量；pij為第i類用地在街道j內的占比；n為用地類型總數.

商圈可達性采用“時間倒數的平方和”的形式表示，可以準確反映不同出行時間的商圈對居民的真實吸引力.其中，時間為高德地圖路徑規劃API獲得的駕車出行預計時間，商圈分別為鐘樓商圈、南門商圈、小寨商圈、土門商圈、解放路商圈、高新商圈、龍首原商圈、經開商圈、三橋商圈、大興商圈與康復路商圈.

通過上述方法得到各街道的企業密度、停車位密度等建成環境變量，對部分變量進行可視化(見圖3)，并對上述10個自變量進行歸一化處理，以降低量綱對模型的影響.

圖3 建成環境變量的空間分布

2 地理加權回歸模型

GWR模型中的參數是表示區域地理位置的函數，是對傳統線性回歸模型的改進，GWR模型主要優勢為能夠將空間權重矩陣運用在線性回歸模型之中，很好地展現了結果的空間結構分異，公式為

(4)

式中：yi與xi1，xi2,…,xip為因變量y和自變量x1，x2,…,xp在樣本點i(ui,vi)處的觀測值；β0(ui,vi)為第i個樣本點的常數項；βk(ui,vi)為第k個自變量在樣本點i處的回歸系數，εi為隨機誤差.

由于βk(ui,vi)參數隨空間位置變化，因此將研究樣本的空間相互影響轉換為空間權重函數，利用加權最小二乘法進行參數估計，公式為

β(ui,vi)=[XTW(ui,vi)X]-1XTW(ui,vi)Y

(5)

式中：β(ui,vi)為第i樣本點處的回歸函數；X、Y分別為自變量與因變量；W(ui,vi)為包含距離函數的空間權重矩陣，高斯函數具有關于空間權重矩陣W連續且單調遞減的優點，故選用高斯函數法作為權重函數，公式為

(6)

式中：wij為樣本點i與樣本點j之間的權重系數；dij為樣本點i與樣本點j之間的距離；b為帶寬，是影響權重的關鍵因子.選擇修正的AIC信息準則，對帶寬進行優化，公式為

(7)

3 結果與分析

3.1 空間自相關分析

采用莫蘭指數(Moran′s I)作為度量指標，以確定每個備選自變量的空間相關性，由表2可知，所有自變量的Moran′s I>0，P值<0.001，說明在99.9%的置信度下均存在空間自相關，此外，Z值均大于4，意味著自變量的空間分布均存在空間上聚集特征，故符合建立GWR模型的條件.

表2 Moran′s I測試結果

3.2 多重共線性檢驗

對備選自變量進行皮爾遜相關性分析，見表3.大部分相關系數都低于0.7，僅公交線路密度與路網密度、公交線路密度與公交站點密度、住宅密度與人口密度相系數大于0.7，相關性較高.采用方差膨脹因子(VIF)進行備選自變量的多重共線性檢驗，VIF越高，多重共線性的影響越嚴重，VIF>5時，認為自變量間存在較高的多重共線性.其中，公交線路密度(VIF=8.996)、住宅密度(VIF=7.623)、路網密度(VIF=5.796)與其他自變量之間存在共線性特征.剔除公交線路密度與住宅密度再進行共線性檢驗，剩余變量不存在多重共線性.

表3 備選自變量線性相關系數

3.3 地理加權回歸結果分析

3.3.1模型對比

在測試和篩選了自變量后，采用OLS模型進行校準，以調查交通擁堵狀態的顯著影響因素.通過逐步回歸，確定了人口密度、企業密度、科教類密度、土地利用混合度、公交站點密度、停車位密度與商圈可達性7個自變量P值低于0.05，說明上述7個指標具有統計顯著性，對擁堵延時指數的影響較為顯著，可進一步進行地理加權回歸分析，回歸結果見表4.

表4 OLS模型運算結果

在OLS模型進行全局回歸基礎上，基于Arc GIS平臺運用GWR模型對擁堵延時指數影響因素的空間特性進行探究，見表5.由表5可知，GWR模型得出的校正后的R2值為0.776，與OLS模型相比有了顯著提升；GWR模型的AICc值為8.014，低于OLS模型中的值，說明GWR模型能夠更好地擬合觀測數據.此外，GWR模型的標準化殘差值也比OLS模型的小，且模型中各街道標準化殘差值均<2.5，見圖4.GWR模型相較于OLS模型在小寨路街道、長安路街道等地區殘差相對減少，表明GWR模型準確性比OLS高.上述各項指標均證明GWR模型有更高的擬合度.

表5 GWR模型和OLS模型的比較

圖4 OLS和GWR模型的標準化殘差值空間分布

3.3.2影響因素的空間異質性分析

對GWR模型結果中各指標回歸系數進行可視化分析，得到各指標系數的取值范圍(絕對值)與空間分布圖,見圖5～6.

圖5 GWR模型回歸系數估計結果的變化范圍

圖6 地理加權回歸模型回歸系數空間分布

1) 人口密度的影響 人口密度與擁堵延時指數呈正相關.回歸系數為[0.205～0.598]，影響程度呈現由東向西遞減的趨勢，回歸系數高值主要集中在人口密度較低的席王街道(0.598)、灞橋街道(0.576)、紡織城街道(0.558)等區域，主要由于該地區屬于城市外圍，交通條件和基礎設施建設較差，交通出行不便，居民出行對交通擁堵加劇產生影響較大.

2) 企業與科教類密度的影響 企業密度、科教類密度與擁堵延時指數呈顯著正相關.企業密度回歸系數為[0.405～0.553]，影響程度整體上呈現由內向外擴散性遞減的圈層關系.科教類密度回歸系數為[0.495～0.828]，對擁堵延時指數的影響程度表現出明顯的東西差異，整體上呈現由西向東遞減的趨勢.企業與科教類密度影響程度較大的多為企業、科教類密集分布地區，主要是由于企業和科教類在空間上的過度集中，使該地區晚高峰出行量大，進而導致內部交通擁堵嚴重.

3) 土地利用混合度的影響 土地利用混合度與擁堵延時指數呈正相關.回歸系數為[0.195～0.467]，回歸系數高值主要集中在城區外圍的洪慶街道(0.467)、灞橋街道(0.454)、丈八溝街道(0.432)等區域，是由于該地區土地利用混合度小，導致居民大規模、長距離的出行較多，對交通擁堵程度影響顯著.碑林區太乙路街道、文藝路街道、張家村街道等區域土地利用混合度較大，可以減少居民通勤距離，使人更多選擇公共交通、非機動車出行，能有效疏散晚高峰交通流量，對交通擁堵影響程度較小.

4) 公交站點密度的影響 公交站點密度與擁堵延時指數呈顯著正相關.回歸系數為[0.451～0.572]，影響程度整體上呈現由內向外擴散性遞減的趨勢，回歸系數高值主要集中在公交站點密度相對較高的碑林區、新城區、蓮湖區的街道，公交站點密度對市區影響要大于外圍地區.這與一般認為的公共交通發展可以緩解交通擁堵不符，主要原因是公交站點高密度地區勢必會產生大量的公交出行，干擾道路交通正常運行，進而導致交通擁堵加劇，也就是說盲目的增設公交站點不僅無法緩解交通擁堵，反而很大程度上會加大交通擁堵程度.

5) 停車位密度的影響 停車位密度與擁堵延時指數呈顯著負相關.回歸系數為[-0.788～-0.527]，即停車位的設置可以有效緩解交通擁堵.而碑林區與新城區的部分街道雖然停車位密度較大，但緩解擁堵效果卻不及城市外圍街道，①由于該地區大多為居住或者工作崗位聚集地，居民出行量大，導致緩解擁堵的效果不明顯；②由于該地區部分街道停車位設置過多反而對緩解交通擁堵產生不利影響.

6) 商圈可達性的影響 商圈可達性與擁堵延時指數呈負相關.回歸系數為[-0.554～-0.333]，影響程度整體上呈現由西向東遞減的趨勢，主要是由于碑林區、新城區與蓮湖區交通擁堵受其他因素影響較大，且電子城街道、丈八溝街道企業密度較大，人口密度較小，職住分離會引發大規模、長距離的通勤交通需求，使得該地區可達性水平與交通擁堵程度有較強的相關性.

總體來看，7個自變量的回歸系數在地理空間上存在明顯的非平穩性，企業密度與公交站點密度對擁堵延時指數的效應差異整體較小，其余變量的影響程度偏差較大，介于0.2～0.4.各指標對于擁堵延時指數的影響能力和影響效應有所不同，進一步證明了影響因素的空間異質性.

4 結 論

1) 交通擁堵狀態影響因素存在空間異質性GWR模型結果表明，人口密度、企業密度、科教類密度、土地利用混合度、公交站點密度與擁堵延時指數呈正相關，停車位密度、商圈可達性呈負相關.人口密度、科教類密度、土地利用混合度、停車位密度與商圈可達性對擁堵延時指數的影響呈現出明顯的空間異質性，企業密度與公交站點密度對擁堵延時指數的效應差異整體較小.從影響程度上來看，科教類與停車位密度對交通擁堵狀況的影響最顯著，其次是公交站點密度、企業密度、商圈可達性與人口密度，土地利用混合度的影響強度相對較小.

2) GWR模型相較于OLS模型，擬合優度由0.721提高到0.776，GWR模型擬合效果更好，能夠很好地解釋交通擁堵狀態.證明了GWR模型對于分析交通擁堵狀態與建成環境關系具有獨特的空間異質性和尺度依存特性優勢，有助于消除由空間異質性產生的潛在偏差，解決了傳統方法無法在空間上分析交通擁堵狀態相關因素的空間差異性問題.

由于數據的局限性，本文影響因素選取還不夠全面，且并未涉及影響因素在時間尺度上的空間差異.接下來考慮從時間和空間兩個層面進行探究，全面分析交通擁堵狀態影響因素的時空異質性，為各地區制定不同尺度的交通擁堵治理對策提供依據.