EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 2: 220 - 234

DOI: https://doi.org/10.12082/dqxxkx.2022.210372

地球信息技术在国土空间规划中的应用

基于交通大数据的南昌市中心城区等时圈划分及特征分析

  • 刘琳琳 ,
  • 郑伯红 , * ,
  • 骆晨
展开
  • 中南大学建筑与艺术学院,长沙 410004
*郑伯红（1966— ）,男,广东韶关人,教授,主要从事城乡空间发展及控制。E-mail:

刘琳琳（1992— ）,女,河南信阳人,博士生,主要从事城市数据分析及模拟。E-mail:

收稿日期: 2021-07-03

  要求修回日期: 2021-10-19

  网络出版日期: 2022-04-25

基金资助

国家自然科学基金面上项目(51478470)

中南大学研究生自主探索创新项目(2019zzts840)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Division and Feature Analysis of Nanchang Urban Center Isochrone Maps based on Traffic Big Data

  • LIU Linlin ,
  • ZHENG Bohong , * ,
  • LUO Chen
Expand
  • School of Architecture and Art, Central South University, Changsha 410004, China
*ZHENG Bohong, E-mail:

Received date: 2021-07-03

  Request revised date: 2021-10-19

  Online published: 2022-04-25

Supported by

National Natural Science Foundation of China(51478470)

Fundamental Research Funds for the Central Universities of Central South University(2019zzts840)

Copyright

Copyright reserved © 2022
Fold

摘要

在当前国土空间规划的背景下,自然资源部提出了基于等时圈的中心城区可达性评价方法。本文以南昌市为研究对象,利用静态交通数据和从开放地图平台获取的工作日15:00（平峰）、18:00（晚高峰）和周末的15:00、18:00的动态交通数据分别生成中心城区等时圈,随后使用混淆矩阵及Kappa系数对两种数据的结果进行一致性检验。研究发现：南昌市中心城区大部分区域都位于以八一广场或绿地中央广场为起点的60 min等时圈内,南昌市域大部分区域则位于120 min等时圈内;静态数据生成的等时圈与对应的工作日晚高峰的动态数据生成的等时圈相比仅具有一般一致性,但前者在中心城区尺度与工作日平峰的动态数据生成的等时圈达到了高度的一致性,更适合在中心城区层面评价工作日平峰的可达性;4个时段的动态数据的等时圈结果表明工作日15:00的中心城区可达性明显优于其他3个时段,但各个时段的等时圈覆盖面积占市域面积的比例随车程的增加都呈现出Logistic曲线特征,各曲线增长的关键时间节点能够为等时圈划分提供更有针对性的分级阈值。

关键词： 可达性; 静态交通数据; 动态交通数据; 等时圈; ArcGIS; Kappa系数; Logistic曲线; 中心城区

本文引用格式

刘琳琳 , 郑伯红 , 骆晨 . 基于交通大数据的南昌市中心城区等时圈划分及特征分析[J]. 地球信息科学学报, 2022 , 24(2) : 220 -234 . DOI: 10.12082/dqxxkx.2022.210372

Abstract

For the current territory development planning in China, the Ministry of Natural Resources has put forward a method to evaluate the accessibility of urban centers based on isochrone maps. The use of dynamic traffic data in isochrone maps studies is becoming more and more recurrent, but comparative analyses between dynamic and static data are still rare. In this paper, Nanchang city is taken as a case study to generate the urban center isochrone maps using static and dynamic traffic data. The city is divided into 500 m×500 m grids, with each grid center point representing a given destination while Bayi Square and Greenland Central Square are set as origins. Using the above origins and destinations, the dynamic data were obtained daily from the Baidu open map platform at 15:00 and at 18:00 over nine days-time (Saturday-next Sunday). Subsequently, the confusion matrix and Kappa coefficient are used to test the consistency between the isochrone maps generated by the two datasets. The results suggest that most of Nanchang urban central areas are within a 60 min-circle and most of Nanchang's urban areas are within a 120 min-circle, when taking Bayi Square or Greenland Central Square as the origin. The isochrone maps generated by the static data has just a fair consistency with those generated by the dynamic data at evening peak time on workdays. Within the urban central areas, the isochrone maps generated by the static data have reached a substantial consistency with those generated by the dynamic data at off-peak time on workdays, indicating that the static data is more suitable for evaluating the urban center accessibility at off-peak time on workdays. Besides, the dynamic data can display the temporal characteristics of the isochrone maps. The isochrone maps of the dynamic data at 4 time-points show that the urban center accessibility at 15:00 on workdays is significantly better than others. But the proportions of isochrone surfaces to the total urban areas are found to increase with the drivetime, and their growth curves are in accordance with the trend of the Logistic curve. The key time nodes of each growth curve can provide more targeted division thresholds for isochrone maps. This research highlights the accuracy of the isochrone maps generated by the dynamic data and explores the applicability of the static data. The research also shows that using the key time nodes of the Logistic curve contributes to a more reasonable subdivision of the isochrone map.

Key words： accessibility; static traffic data; dynamic traffic data; isochrone map; ArcGIS; Kappa coefficient; Logistic curve; urban center

1 引言

可达性在城市层面的研究主要集中在路网结构评价[1],公共交通系统[2]及公共服务设施[3]如公共教育[4]、医疗卫生[5]、公园绿地[6]、文化娱乐[7]等的区位评价及服务水平分析。中心城区是城市发展的核心区域,通常作为可达性研究的一个范围;近年来涉及“中心城区”和“可达性”这2个关键词的研究内容多为中心城区交通系统及各类设施的可达性评价。在当前国土空间规划的背景下,2020年 1月,自然资源部印发《资源环境承载能力和国土空间开发适宜性评价技术指南（试行）》[8]（简称 《指南》）,出现了“中心城区可达性”这一表述,并提出了具体要求：中心城区可达性反映格网单元与中心城区空间联系成本的高低,以中心城区几何中心点为源,在确定各级道路的车速后,可运用ArcGIS软件中的网络分析工具,沿现状路网形成等时圈,根据等时圈覆盖情况给格网单元赋值。
自Hansen[9]于1959年提出可达性（Accessibility）的概念以来,可达性研究得到了人文地理学、城乡规划学、经济学等学科的众多学者的关注[10];一般来讲,可达性是指利用一种特定的交通系统从某一给定区域到达活动地点的便利程度[11]。由于研究目的、研究对象、研究尺度等的不同,可达性评价方法也在不断丰富,如空间阻隔法[12]、累积机会法[12]、势能模型法[9,13]、平衡系数法[14]、时空棱柱法[15]、效用法[16]等;绘制等时圈并评估等时圈内的累积机会也是一种常用的方法。等时圈定义了使用某种交通方式在给定时间内从固定起点可达到的位置,通常用于量化无需定义目的地的可达性[17]。等时圈是交通时间在地理空间上的反映,交通时间作为表征空间阻隔的指标,如何对其进行精确计算一直是众多学者努力的方向[18];等时圈的时间分级阈值通常由研究者自行选定,如何确定更加合理的分级阈值也是亟待解决的问题。
绘制等时圈的一个常见问题是假设了固定的行进速度,而交通状况以及可达性会随着时间和空间发生变化,使用固定的行进速度及分级阈值意味着可达性随研究时间或研究区域的显著变化将被忽略,等时圈的使用者会高估或低估交通高峰时段的可达性[19]。随着移动互联网、全球定位系统的发展,有多项研究[20,21]证实了将等时圈与动态的交通大数据相结合,可以更加准确地了解可达性。在研究中常常将交通大数据分为静态数据和动态数据,其中静态数据主要包括城市交通的空间数据、路网的基础信息及交通抽样调查数据等;动态数据来源更为广泛,主要包括通过传感设备和移动终端采集的人（如付费行为数据、出行行为数据）、车（如车辆实时位置数据）、路（如实时路况信息）等交通要素的数据[22]。《指南》中的方法是通过等时圈的覆盖范围来评价中心城区可达性,该方法中交通时间的计算通常使用静态数据,即研究区域的路网数据及道路限速、设计时速、平均车速等,以此为基础生成的等时圈结果更倾向于评估一种潜在的可达性[23],与更能反映研究区域实际情况的动态数据相比有多大差距还有待验证。《指南》中并未给出各级道路的车速标准,需要由研究者根据研究区域的具体情况来确定,因此《指南》中的分级参考阈值（表1）也值得进一步完善。
表1 中心城区可达性评价分级参考阈值

Tab. 1 Division reference thresholds for evaluation of urban center accessibility

评价指标 分级参考阈值 赋值
中心城区可达性 车程≤30 min 5
30 min<车程≤60 min 4
60 min<车程≤90 min 3
90 min<车程≤120 min 2
车程>120min 1
本文以南昌市为例,使用静态数据和动态数据分别生成等时圈,探究2种数据的等时圈在评价中心城区可达性上的差异,在差异测度上采用混淆矩阵并计算出Kappa系数的方法;使用工作日的15:00（平峰）、18:00（晚高峰）和周末的15:00、18:00的动态数据分析中心城区等时圈在工作日与周末的平峰、晚高峰的时态特征;绘制各时段等时圈覆盖面积占市域面积的比例随车程增加而增长的曲线,根据Logistic曲线的函数特征计算出对应的关键时间节点进而改进等时圈的分级阈值。本研究对南昌市中心城区等时圈的划分和特征分析,完善了国土空间规划中中心城区可达性的评价内容,两种数据的比较也明确了静态数据等时圈所反映的潜在可达性与动态数据所反映的实际可达性之间的差异及静态数据的适用场景;分级阈值的改进也为等时圈划分提供了更有针对性的参考。

2 研究区域及数据处理

2.1 研究区域概况

南昌市,江西省省会,全市下辖6个区、3个县,市域面积7195 km²,赣江自南向北纵贯全市。中心城区范围根据《南昌市城市总体规划》（2016—2035）[24]确定为外环以内市区部分以及石埠镇、生米镇,面积为884 km²。《指南》中指出：“中心城区交通时间距离是指格网单元到现状中心城区范围的时间距离”,即建议在研究中使用中心城区的几何中心作为可达性计算起点。虽然有研究[25]使用几何中心作为可达性研究的起点,但可达性关注的是移动的目的[26],几何中心仅仅是中心城区物质空间的中心,各城市的空间结构及发展状况各不相同,几何中心无法代表一个城市的人流及经济活动等的聚集情况,因此使用中心城区的几何中心来代表城市中心并不准确。南昌市中心城区由赣江分为东西两岸,八一广场位于东岸的老城核心区,为江西省最大的城市中心广场,是南昌市的政治、经济、文化、休闲、娱乐等活动的重要场所,绿地中央广场位于西岸的红谷滩中央商务区,集大型国际商业中心、现代文化娱乐中心、高档公寓等于一体,是南昌城市的新地标。根据居民日常活动行为及城市发展现状,参考南昌市中心城区工作日白天的热力图分布情况（图1）,将东岸的八一广场及西岸的绿地中央广场作为本次研究的等时圈计算起点。
图1 南昌市中心城区范围及中心城区热力图

Fig. 1 The scope and the heat map of Nanchang central urban areas

2.2 数据的获取及处理

2.2.1 静态数据
《指南》中的中心城区等时圈绘制首先要构建研究区域的交通路网,然后使用道路长度除以车速获取交通时间;道路的车速会受到道路等级、道路两侧用地性质、红绿灯设置、交叉口数量等因素的影响,并且同一道路在不同时间的车速也会有所差异,实际操作中无法简单按照各级道路的设计速度进行计算,因此路网信息及道路车速等静态数据的精确度是提高结果准确性的关键。路网数据来源于南昌市最新的三调数据,并根据南昌市现状卫星图及实景照片进行修正和完善,道路等级按农村道路、乡镇道路、县道、国道、省道、高速、城市主干路、城市次干路、城市支路等进行分类。现实中由于交通拥堵的存在,部分道路无法达到其设计时速。根据《2019年南昌市交通发展年度报告暨交通运行分析年度报告》（简称《报告》）[27],2019年南昌市高峰期间全路网平均运行速度为40.24 km/h,快速干线路网平均速度约为33.28 km/h,已建次干路高峰时段平均速度为15~30 km/h。《报告》中统计了南昌市中心城区所有主干路及部分次干路晚高峰的平均通行速度,南昌市中心城区主干路及部分次干路的通行速度赋值使用《报告》中所统计的每一条路的工作日晚高峰运行速度;《报告》中未具体统计的道路（包括中心城区部分次干道及支路、中心城区之外的道路）的通行速度则使用其设计时速。
ArcGIS的网络分析工具可以在给定的路网上进行计算,在地图上划分从特定起点在给定时间内可以到达的区域[28],即本文研究所需的等时圈。使用梳理后的南昌市交通路网建立网络数据集,使用道路长度除以通行速度,获得该段道路的通行时间。然后,使用网络分析工具,将八一广场以及绿地中央广场作为计算起点,将分析阻抗设置为时间成本,默认中断使用《指南》中的分级参考阈值,得出各级（30、60、90 、120 min）等时圈覆盖范围。
2.2.2 动态数据
各类开放地图平台依据车载定位系统或用户手机内置传感器在行驶过程中采集到的车辆实时定位信息, 通过地图匹配确定车辆在道路上的具体位置[29],以此统计各路段的实时车速,进而判断路网的实时路况。通过开放地图平台获取的研究区域中心城区至各格网单元的交通时间,是基于各条道路的实时路况信息规划出的最优路径的预计通行时间。
考虑到《指南》中的可达性评价分级参考阈值为车程时间,且时间间距以30 min为一级（表1）,以车速较低的支路通行速度15 km/h进行计算,500 m的距离也仅需2 min的车程,大部分情况下500 m的驾车通行时间不足1 min;本次研究区域为南昌市整个市域范围,参考以往可达性研究[30,31]中对研究区域的划分,将南昌市域范围（不含水系）划分为以500 m×500 m为单元的格网可以满足研究所需;计算起点为八一广场及绿地中央广场,各格网单元的中心点作为计算终点,共25 041个。研究中使用百度地图开放平台[32]API获取2个起点到各个终点所需的驾车时间的具体时间是2021年 8月7日—2021年8月15日（包含周一至周五及2个周末）的15:00及18:00,由于获取的驾车时间是根据实时路况而定的,为了减少数据的随机性,工作日15:00、18:00的驾车时间取2021年8月9日—13日（周一至周五）15:00、18:00的平均值,周末 15:00、18:00的驾车时间取2021年8月7日—8日（周六、周日）及8月14日—15日（周六、周日）15:00、18:00的平均值,将工作日及周末15:00及18:00的平均驾车时间分别赋予对应的格网单元,在ArcGIS中对驾车时间使用《指南》中的分级参考 阈值为间隔进行分类并进行可视化,得出各级（30、60、90、120 min）等时圈覆盖范围。

3 研究方法

本文研究的技术路线如图2所示。
图2 技术路线

注：图中绿色充填框表示动态数据生成的等时圈,蓝色充填框表示静态数据生成的等时圈。

Fig. 2 The technical support flow chart

3.1 一致性检验

在使用等时圈评价可达性的研究中,同一研究范围内2种不同数据生成的等时圈之间的差异可以使用混淆矩阵并计算出Kappa系数[33]来判断。混淆矩阵的每一列及每一行的总数分别代表了静态数据及动态数据生成的各级等时圈覆盖范围内的终点数量;Kappa系数是用于一致性检验的指标,在分类问题中可用来衡量2种分类一致或相关联的程度[34],计算公式如式（1）—式（3）所示。Kappa系数的范围是 -1到+1,其中-1表示完全不一致,0表示偶然一致,+1表示完全一致[34]。使用ArcGIS对本次研究的25 041个终点进行按属性选择、按位置选择并进行统计数据得出不同场景下的混淆矩阵,进而计算出Kappa系数衡量2种数据生成的等时圈分级结果的一致性程度。
对于混淆矩阵 A n , n：
p 0 = ∑ i = 1 n a i , i ∑ i = 1 n ∑ j = 1 n a i , j
p e = ∑ i = 1 n ∑ j = 1 n a i , j × ∑ j = 1 n a j , i ∑ i = 1 n ∑ j = 1 n a i , j 2
k = p 0 - p e 1 - p e
式中： a i , j表示矩阵第 i行、第 j列的数值; p 0 表示观测一致率 ; p e表示期望一致率; k表示Kappa系数的值。

3.2 Logistic曲线的关键节点

单个起点的等时圈理想模型可以简化为半径不断增加的同心圆,理论上其覆盖面积应随半径（时间距离）的递增呈现“J”型曲线增长;现实中由于存在具体的研究范围,研究范围内某一起点的交通等时圈覆盖面积占比会随时间距离的增加呈现“S”型曲线增长,即Logistic曲线的特征[35]。Logistic曲线对应的方程如式(4)所示,其中K为增长的极限值,本研究取100,即等时圈完全覆盖研究区域。令Logistic曲线方程的二阶导数（式(5)）及三阶导数（式(6)）等于0,可以求得Logistic曲线增长过程的3个关键节点t、t1、t2,这3个点对应着曲线增长过程的3个关键时间节点：始盛期、高峰期、盛末期[36],即对应的等时圈覆盖面积占比随车程变化的关键时间节点。
y = K 1 + a e - bt
d y 2 d t 2 = Kab e - bt ab e - bt - b 1 + a e - bt 3
d y 3 d x 3 = Ka b 3 e - bt 1 - 4 ab e - bt + a 2 e - 2 bt 1 + a e - bt 4
t = ln a b t 1 = ln a - 1.317 b t 2 = ln a + 1.317 b

4 研究结果及分析

4.1 不同数据的结果分析

使用上述静态数据和动态数据分别对八一广场为起点、绿地中央广场为起点、两点同时作为起点3种不同的起点设置共6种场景生成各级等时圈覆盖范围（图3）。由于静态数据中道路的通行速度使用的是工作日晚高峰时段的统计数据,对应的动态数据也使用工作日晚高峰时段的驾车时间进行分析。
图3 6个场景的各级等时圈覆盖范围

Fig. 3 Coverage of different isochrone maps in six scenarios

对比6种场景的等时圈覆盖范围（图3）,可以看出2种数据的结果都显示南昌市中心城区大部分区域位于以八一广场或绿地中央广场为起点的 60 min等时圈内,南昌市域大部分区域则位于 120 min等时圈内。6种场景中,市域东南部（进贤东南丘陵生态控制地区）均显示了较差的中心城区可达性,而市域东北部（鄱阳湖生态控制地区）在静态数据的结果中表现了较差的中心城区可达性。开放地图平台的路网数据更为精细,在路网完善程度不高、路网密度较小的区域,这一优势会得以体现。通过计算各级等时圈覆盖面积占市域面积的比例（表2）,可以对6种场景的结果差异进行更为详细的分析：无论是使用单个起点还是将八一广场和绿地广场同时作为起点,静态数据与动态数据生成的结果差异都在30 min、60 min等时圈时较为明显,静态数据的30 min、60 min等时圈覆盖面积占比均高于动态数据的结果,随着车程的增加,2种数据的等时圈覆盖面积占比差异逐渐减弱。等时圈的大小不仅表示了起点的可达性,还能反映该等时圈范围内的交通路况;静态数据使用晚高峰道路平均车速生成了更大的30 min、60 min等时圈,高估了该区域的实际交通路况,整体道路的实际车速要低于平均车速。
表2 6个场景中各级等时圈覆盖面积占市域面积的比例

Tab. 2 Proportions of the isochrone maps to the total urban areas in six scenarios (%)

分级 以八一广场为起点 以绿地中央广场为起点 两点同时作为起点
静态数据 动态数据 静态数据 动态数据 静态数据 动态数据
车程≤30 min 6.52 2.44 10.10 3.96 11.76 5.16
车程≤60 min 45.56 30.65 51.20 39.97 53.44 43.78
车程≤90 min 81.24 84.77 80.61 80.23 81.84 86.69
车程≤120 min 92.70 99.17 92.64 97.19 92.72 99.17
同时使用八一广场和绿地中央广场作为起点进行可达性分析时,2种数据的各级等时圈覆盖面积相较于单个起点的结果都有所提升,随着车程的增加,八一广场及绿地中央广场单独作为起点的各级等时圈重叠区域逐渐增多,两点同时作为起点对等时圈覆盖面积的提升幅度逐渐降低;但两点同时作为起点在提升中心城区可达性评价结果的同时,会模糊掉某些区域的交通问题。在动态数据的结果中,以绿地中央广场为起点时,中心城区东部区域的可达性要低于中心城区的其他区域（图3（d））,可能存在晚高峰交通路况不佳的问题,但以八一广场为起点（图3（b））或两点同时作为起点（图3（f））的结果中都难以发现该问题;在中心城区可达性分析时,可以选择不同的起点分别生成等时圈,然后综合每个起点的等时圈结果进行评价,避免只分析多点同时作为起点生成的等时圈结果。
使用ArcGIS对本次研究的25 041个终点进行按属性选择、按位置选择并进行统计数据得出不同起点设置场景下的混淆矩阵（表3—表5）,根据 式(1)—式(3)计算出表3—表5的Kappa系数分别为0.39、0.36、0.43,即以八一广场或绿地中央广场单独作为起点时,2种数据生成的等时圈结果具有一般的一致性;将八一广场和绿地广场同时作为起点, 2种数据生成的等时圈结果一致性有所提升,但仍处于中等一致性的范围。在使用静态数据生成等时圈的过程中,使用的是ArcGIS的服务区工具,其生成的等时圈的形状和大小取决于该地区道路网络的属性[28]。由此可以推断,3种不同的起点设置下,静态数据的30 min、60 min等时圈覆盖面积都高于动态数据的结果（表2）,是由于在路网密度高、红绿灯数量多、拥堵时发的中心城区,静态数据中对中心城区路网通行速度的赋值高于该路网在 工作日晚高峰的实际通行速度。当车程增加为 90 min、120 min时, 2种数据生成的等时圈覆盖面积占比差异减小,动态数据生成的等时圈覆盖面积高于静态数据的结果,这说明了静态数据中对远离中心城区、路网密度低、红绿灯数量少、拥堵少见的外围区域路网通行速度的赋值低于该路网在工作日晚高峰的实际通行速度;静态数据中对中心城区路网通行速度的高估和对外围路网通行速度的低估产生了误差抵消,因此在车程较长的90 min、 120 min等时圈覆盖面积占比中,减弱了2种数据生成结果的差异。静态数据中的路网数据及道路通行速度数据是目前除了实地测量外我们所能获得的最高精度的数据,但与动态数据生成的结果相比仍有差距,这在某种程度上也反映了动态数据在路网信息及道路实际通行速度等方面的优势。2种数据的等时圈覆盖范围的一致性检验结果则表明：虽然设置两个起点可以提高静态数据结果与动态数据结果的一致性,但其一致性水平仍处于中等水平,即使用了晚高峰时段平均车速的静态数据生成的等时圈与晚高峰时段的动态数据结果有较大差异,前者难以反映南昌市晚高峰时段中心城区可达性的实际情况。
表3 2种数据生成的各级等时圈内终点数量的混淆矩阵（以八一广场为起点）

Tab. 3 Confusion matrix of the number of destinations in different isochrone maps generated by the two datasets (with Bayi Square as the origin)

动态数据 静态数据
≤30 min 30~60 min 60~90 min 90~120 min >120 min
≤30 min 597 15 0 0 0
30~60 min 853 5501 427 41 240
60~90 min 1 3728 6518 679 2628
90~120 min 0 48 1082 1602 873
>120 min 0 0 0 145 63
表4 2种数据生成的各级等时圈内的终点数量的混淆矩阵（以绿地中央广场为起点）

Tab. 4 Confusion matrix of the number of destinations in different isochrone maps generated by the two datasets (with Greenland Central Square as the origin)

动态数据 静态数据
≤30 min 30~60 min 60~90 min 90~120 min >120 min
≤30 min 971 20 0 0 0
30~60 min 1378 6630 481 93 435
60~90 min 0 3011 4104 442 2525
90~120 min 0 144 1890 1510 704
>120 min 0 0 29 519 155
表5 2种数据生成的各级等时圈内的终点数量的混淆矩阵（两点同时作为起点）

Tab. 5 Confusion matrix of the number of destinations in different isochrone maps generated by the two datasets (with Bayi Square and Greenland Central Square as the origins)

动态数据 静态数据
≤30 min 30~60 min 60~90 min 90~120 min >120 min
≤30 min 1266 26 0 0 0
30~60 min 1466 7128 449 30 145
60~90 min 1 2745 4856 437 2510
90~120 min 0 24 966 1311 1008
>120 min 0 0 0 538 135

4.2 不同时段的结果分析

大数据往往能够给出研究问题所需的全体数据,在此基础上能正确地考察细节并进行新的分 析[37]。在本次研究中,动态数据中包含了起点至每个终点的通行时间,进而能够生成更加精确的等时圈。通过百度开放地图平台获取工作日15:00、 18:00和周末15:00、18:00这4个时段内起点到各个终点所需的驾车时间,可对平峰和晚高峰时段的中心城区等时圈进行分析。通过图4、图5可直观地看出,不同起点的工作日18:00的各级等时圈覆盖面积及相较于工作日15:00都有所降低,30 min、 60 min等时圈降幅较为明显;由于周末没有早晚高峰的限制,15:00与18:00的等时圈结果差异较小。不论是以八一广场为起点还是以绿地中央广场为起点,工作日18:00的等时圈结果中（图4（b）、 图5（b））,中心城区东部都有部分区域超出了 60 min等时圈的范围,以绿地中央广场为起点时尤为明显。不同起点、不同时段的60 min等时圈都完全覆盖中心城区的南北边界,且南北向延伸的范围大于东西向,《报告》中指出的“主城区向北、向南交通联系迅速增长,但东部进出城通道不足”也与该结果相契合;仅就交通优势而言,东向不是城市用地扩张的最优选择,城市用地向南北向扩张有着较大的发展潜力。
图4 使用动态数据生成的以八一广场为起点的4个时段的等时圈

Fig. 4 Isochrone maps at four time-points generated by the dynamic traffic data with Bayi Square as the origin

图5 使用动态数据生成的以绿地中央广场为起点的4个时段的等时圈

Fig. 5 Isochrone maps at four time-points generated by the dynamic traffic data with Greenland Central Square as the origin

对不同时段各级等时圈覆盖面积占比进行统计分析（表6）可看出,晚高峰的中心城区可达性要低于平峰,且工作日晚高峰的中心城区可达性比周末晚高峰更低;而平峰的中心城区可达性受工作日或周末的影响较小。在4个时段的30 min、60 min等时圈覆盖面积占比中,绿地中央广场为起点的结果均高于八一广场为起点的结果,可以推断绿地中央广场周边的路网通行情况优于八一广场周边是一个持续性的现象;这一推断也与《报告》中“绿地中央广场所在的红谷滩新区2019年整体道路路网全天平均运行车速为27.13 km/h,八一广场所在的老城核心区2019年整体道路路网全天平均运行车速为20.88 km/h”的结论相符。
表6 4个时段的各级等时圈覆盖面积占市域面积的比例

Tab. 6 Proportions of the isochrone maps to the total urban areas at four time-points (%)

分级 起点 工作日15:00 工作日18:00 周末15:00 周末18:00
车程≤30 min 八一广场 5.91 2.44 5.77 5.16
绿地中央广场 7.54 3.96 7.51 6.64
车程≤60 min 八一广场 46.51 30.65 44.90 42.69
绿地中央广场 52.02 39.97 52.01 48.40
车程≤90 min 八一广场 92.73 84.77 92.40 91.00
绿地中央广场 88.99 80.23 89.31 87.82
车程≤120 min 八一广场 99.93 99.17 99.93 99.93
绿地中央广场 99.57 97.19 99.82 99.20
对比表2和表6可看出,虽然静态数据中的道路车速使用的是晚高峰时段的数据,但与4个时段动态数据的结果相比,静态数据的各级等时圈覆盖面积占比与同样是晚高峰的工作日18:00的动态数据结果有较大差异,反而与可达性较好的工作日15:00的结果较为接近;且二者在30 min、60 min车程的结果差值明显小于其他车程。基于这一发现,对2种数据在中心城区尺度上的结果进行进一步的分析（图6）,可以较为直观看出,在中心城区边界内,静态数据生成的等时圈的空间分布也与工作日15:00的动态数据结果更为相似。使用混淆矩阵对静态数据及工作日15:00的动态数据在中心城区边界内的结果进行一致性检验,计算出以八一广场或绿地中央广场为起点时对应的Kappa系数分别为0.76、0.72, 2种数据的结果达到了高度的一致性。静态数据与动态数据在中心城区尺度的矢量路网数据都较为完善,二者的差异更多地来自于道路车速的不同,虽然静态数据中的道路平均车速来源于研究区域晚高峰时段的统计数据,但由于对同一条道路的不同位置的车速都做了均值处理,难以反映拥堵等复杂路况,其生成的结果与工作日18:00的动态数据结果所反映的晚高峰实际情况仍有较大差异,反而与路况良好的工作日平峰的动态数据结果更为接近。如在引言中所提到的,静态数据中的道路车速通常使用平均车速、道路限速、设计时速等,其生成的等时圈结果更倾向于一种理想的、潜在的中心城区可达性评价,用以评价车流量大、路况复杂的晚高峰时段的中心城区可达性尚显不足;但鉴于其在中心城区尺度与工作日平峰的动态数据的等时圈达到了高度的一致性,因此静态数据在中心城区层面对工作日平峰的可达性评价仍有一定的适用性和精确性。
图6 静态数据与工作日15:00、18:00的动态数据在中心城区尺度的结果对比

Fig. 6 Results at central urban area scale: the static traffic data vs the dynamic traffic data at 15:00 and 18:00 on workdays

4.3 分级阈值的完善

开放地图平台由于其庞大的用户量及不断迭代的路径算法,可以通过大量的实时定位数据生成更接近现实情况的路网数据及通行速度数据,因此可获取不同时段的动态数据对南昌市不同时段的中心城区等时圈进行分析。对4个时段、2个起点的20多万条驾车时间数据进行详细分析,可以进一步研究南昌市不同时段的各级等时圈覆盖面积占研究区域总面积的比例的变化规律。分析过程中排除了车程大于150 min的数据（约占总数据量的0.06%）。
本文绘制了以八一广场、绿地中央广场为起点时,随着车程逐渐增加,对应的4个时段的等时圈覆盖面积占比变化曲线图（图7）。可以看出,随着车程（t）增加,对应的等时圈覆盖面积占比（y）的变化趋势呈现出Logistic曲线的特征。Logistic曲线对应的方程如式（4）所示,使用SPSS软件对图7中各曲线对应的数据进行非线性回归分析,分别求解出待定参数a、b的值（表7）,将表7中的a、b值代入式（7）,可求出图7中的各曲线增长的3个关键节点,即以八一广场、绿地中央广场为起点时,各时段对应的等时圈覆盖面积占比随车程变化的关键时间节点（表8）。
图7 等时圈覆盖面积占比随车程变化曲线

Fig. 7 Growth curves of the proportions of isochrone surfaces to the total urban area with drivetime

表7 SPSS中求解的各曲线对应的a、b值

Tab. 7 a and b values of each curve solved in SPSS

以八一广场为起点 以绿地中央广场为起点
工作日15:00 工作日18:00 周末15:00 周末18:00 工作日15:00 工作日18:00 周末15:00 周末18:00
a 216.885 357.323 222.771 234.425 95.569 106.236 98.559 102.937
b 0.088 0.084 0.087 0.086 0.076 0.069 0.076 0.075
表8 各曲线增长的关键时间节点

Tab. 8 Key time-nodes of each growth curve (min)

以八一广场为起点 以绿地中央广场为起点
工作日15:00 工作日18:00 周末15:00 周末18:00 工作日15:00 工作日18:00 周末15:00 周末18:00
t1 46 54 47 48 43 49 43 44
t 61 70 62 63 60 68 60 62
t2 76 86 77 79 77 87 78 79
等时圈的分级阈值没有固定的标准,《指南》中的分级参考阈值更倾向于一种的经验性的表述或是与“半小时生活圈”、“1小时经济圈”等概念相联系。从表8中我们可以看出,不同时段的等时圈覆盖面积占比增长曲线有着不同的关键时间节点。如可达性较好的工作日15:00,其曲线增长的3个关键时间节点分别在45、60、75 min左右;可达性较差的工作日18:00,其曲线增长的3个关键时间节点则位于50、70、90 min附近。以不同起点来计算中心城区可达性时,其等时圈覆盖面积占比变化曲线的关键时间节点也有所不同。与《指南》中的分级参考阈值相比,使用等时圈覆盖面积占比增长曲线的关键时间节点作为分级阈值更具针对性和说服力。在车程小于t1时,曲线增速非常缓慢,对应等时圈覆盖区域的整体道路车速偏低;车程超过t1时,曲线增速逐渐变大,在t时达到最大值,在t-t2阶段增速稍微放缓,t1-t2阶段对应的等时圈覆盖区域的整体交通状况较好;当车程超过t2时,曲线增速又变得极为缓慢,并逐渐趋近于0,该阶段对应的等时圈已经开始覆盖到研究区域边界。根据上述方法,我们也可以计算出将中心城区边界作为评价范围时的关键时间节点,以八一广场或绿地中央广场为起点时,可达性差异较为明显的工作日15:00和18:00的等时圈覆盖面积占比增长曲线的关键时间节点分别位于20、30、40 min及30、40、50 min附近。在可达性研究中,等时圈的分级阈值更多地由研究者在研究初期进行主观选定,而通过绘制某一要素（如等时圈覆盖面积）占研究范围总体的比例的增长曲线,计算出曲线所对应的关键时间节点,可以为等时圈分级阈值的确定提供一个更加科学的依据,同时研究者还可以根据不同的研究尺度及研究时间确定不同的分级阈值进行针对性的分析。

5 结论与讨论

5.1 结论

动态交通大数据在可达性研究中的应用日益丰富,但动态数据与静态数据的对比分析还不多见。本文使用静态数据和不同时段的动态数据分别绘制了南昌市中心城区等时圈,比较了两种数据在中心城区可达性评价上的差异并指出了静态数据的适用范围。动态数据的精确性和实时性使其生成的等时圈更能反映南昌市的实际中心城区可达性,并且具备展示等时圈时态特征的能力;为探究静态数据的适用范围提供了较为全面的参考。研究结果表明：
（1）南昌市中心城区大部分区域都位于以八一广场或绿地中央广场为起点的60 min等时圈内,南昌市域大部分区域则位于120 min等时圈内。
（2）南昌市中心城区南北向交通状况优于东西向,绿地中央广场周边的交通状况优于八一广场周边。
（3）从静态数据和对应时段的动态数据的结果来看,2种数据的等时圈结果有较大差异,使用了晚高峰时段平均车速的静态数据所生成的等时圈与晚高峰时段的动态数据的等时圈结果仅具有一般的一致性,前者在中心城区尺度上与工作日平峰的动态数据的结果具有高度一致性,更适合用来在中心城区尺度上评估交通状况较为理想的工作日平峰的可达性。
（4）从不同时段的动态数据生成的等时圈结果来看,南昌市的中心城区可达性在工作日15:00（平峰）要优于工作日18:00（晚高峰）和周末的 15:00、18:00。
（5）各时段对应的等时圈覆盖面积占比都随车程的增加呈现出Logistic曲线的特征,曲线增长的关键时间节点可以为不同时段及不同研究尺度的中心城区等时圈提供不同的分级阈值。

5.2 讨论

本文对南昌市中心城区等时圈的研究中,在计算起点的选择上,不建议使用中心城区的几何中心,应根据研究区域的实际发展情况具体确定,诸如“一江两岸”、“多中心”等结构复杂的城市,可以选择不同的起点分别生成等时圈,然后综合每个起点的等时圈结果进行评价。对于静态数据,本次研究选用较为精确的最新三调路网数据及交通部门统计的晚高峰时段的道路平均车速,但仍然难以反映晚高峰时刻的实际中心城区可达性。相比于动态数据的易得性和准确性,静态数据的前期处理工作显得既繁琐又重要,且工作量随着精确度的提高而增加。在详细而精确的路网数据库建立之前,采用动态数据生成中心城区等时圈进行可达性评价无疑是更好的选择;但这一方法也有其天然的缺陷,动态数据来源于实际路况,无法对规划场景进行展示,也就无法对规划方案进行评价。国土空间规划是庞大复杂的系统,路网数据库作为其基础数据库的一部分,必将会日益完善;如果拥有详细精确的路网数据库做基础,《指南》中的方法不仅可以对中心城区可达性现状进行更加准确的分析,还可以对规划方案进行预测评价,同时能够与国土空间规划的其他内容相互结合。
虽然本次研究中使用的动态数据取得了比静态数据更好的结果,但动态数据的实时性也会对分析精度造成影响,由于道路情况复杂多变,研究时间的选取也会造成研究结果的波动,中心城区等时圈的月度及年度时态特征也值得进一步深入探讨。本文采用的500 m×500 m的格网精度满足了市域层面的研究需求,但不可否认更精细的格网划分也会达到更佳的效果。本次研究中基于动态交通大数据生成中心城区等时圈的方法还有进一步完善和改进的空间,但该方法仍然可以为中心城区等时圈研究提供一个有价值的参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张童, 姚士谋, 胡伟平, 等. 基于交通可达性的广佛都市区城市扩展的模拟与分析[J]. 地理科学, 2018, 38(5):737-746.

DOI

[ Zhang T, Yao S M, Hu W P, et al. Simulation of urban expansion in Guangzhou-Foshan metropolitan area under the influence of accessibility[J]. Scientia Geographica Sinica, 2018, 38(5):737-746. ] DOI: 10.13249/j.cnki.sgs.2018.05.011

DOI

[2]
江世雄. 城市公共交通系统可达性评价与优化方法[D]. 北京:北京交通大学, 2019.

[ Jiang S X. Urban public transit system accessibility evaluation and optimization method[D]. Beijing: Beijing Jiaotong University, 2019. ]

[3]
刘正兵, 张超, 戴特奇. 北京多种公共服务设施可达性评价[J]. 经济地理, 2018, 38(6):77-84.

[ Liu Z B, Zhang C, Dai T Q. Measuring accessibility of multi-type urban public service facilities with entropy in Beijing[J]. Economic Geography, 2018, 38(6):77-84. ] DOI: 10.15957/j.cnki.jjdl.2018.06.010

DOI

[4]
Xu Y, Song W, Liu C. Social-spatial accessibility to urban educational resources under the school district system: A case study of public primary schools in Nanjing, China[J]. Sustainability, 2018, 10(7):2305. DOI: 10.3390/su10072305

DOI

[5]
丁愫, 陈报章. 城市医疗设施空间分布合理性评估[J]. 地球信息科学学报, 2017, 19(2):185-196.

DOI

[ Ding S, Chen B Z. Rationality assessment of the spatial distributions of urban medical facility[J]. Journal of Geo-information Science, 2017, 19(2):185-196. ] DOI: 10.3724/SP.J.1047.2017.00185

DOI

[6]
仝德, 孙裔煜, 谢苗苗. 基于改进高斯两步移动搜索法的深圳市公园绿地可达性评价[J]. 地理科学进展, 2021, 40(7):1113-1126.

DOI

[ Tong D, Sun Y Y, Xie M M. Evaluation of green space accessibility based on improved Gaussian two-step floating catchment area method: a case study of Shenzhen city, China[J]. Progress in Geography, 2021, 40(7):1113-1126. ] DOI: 10.18306/dlkxjz.2021.07.004

DOI

[7]
谢双玉, 张琪, 龚箭, 等. 城市旅游景点可达性综合评价模型构建及应用——以武汉市主城区为例[J]. 经济地理, 2019, 39(3):232-239.

[ Xie S Y, Zhang Q, Gong J, et al. Construction and application of comprehensive evaluation model of the urban scenic spots accessibility: Taking downtown Wuhan as a case[J]. Economic Geography, 2019, 39(3):232-239. ] DOI: 10.15957/j.cnki.jjdl.2019.03.028

DOI

[8]
中华人民共和国自然资源部. 资源环境承载能力和国土空间开发适宜性评价指南(试行)[EB/OL]. (http://gi.mnr.gov.cn/202001/t20200121_2498502.html),2020-1-19.

[ Ministry of Natural Resources of the People's Republic of China. Guidelines for evaluating the carrying capacity of resources and environment and the suitability of territorial space development (trial implementation) [EB/OL]. (http://gi.mnr.gov.cn/202001/t20200121_2498502.html),2020-1-19.

[9]
Hansen W G. How accessibility shapes land use[J]. Journal of the American Institute of planners, 1959, 25(2):73-76. DOI: 10.1080/01944365908978307

DOI

[10]
陈洁, 陆锋, 程昌秀. 可达性度量方法及应用研究进展评述[J]. 地理科学进展, 2007, 26(5):100-110.

[ Chen J, Lu F, Chen C X. Advance in accessibility evaluation approaches and applications[J]. Progress in Geography, 2007, 26(5):100-110. ]

[11]
Morris J M, Dumble P L, Wigan M R. Accessibility indicators for transport planning[J]. Transportation Research Part A: General, 1979, 13(2):91-109. DOI: 10.1016/0191-2607(79)90012-8

DOI

[12]
Ingram D R. The concept of accessibility: a search for an operational form[J]. Regional studies, 1971, 5(2):101-107. DOI: 10.1080/09595237100185131

DOI

[13]
Wachs M, Kumagai T G. Physical accessibility as a social indicator[J]. Socio-Economic Planning Sciences, 1973, 7(5):437-456. DOI: 10.1016/0038-0121(73)90041-4

DOI

[14]
Shen Q. Location characteristics of inner-city neighborhoods and employment accessibility of low-wage workers[J]. Environment and planning B: Planning and Design, 1998, 25(3):345-365. DOI: 10.1068/b250345

DOI

[15]
Wilson A G. A statistical theory of spatial distribution models[J]. Transportation Research, 1967, 1(3):253-269. DOI: 10.1016/0041-1647(67)90035-4

DOI

[16]
Miller H J. Measuring space-time accessibility benefits within transportation networks: Basic theory and computational procedures[J]. Geographical analysis, 1999, 31(1):187-212. DOI: 10.1111/j.1538-4632.1999.tb00976.x

DOI

[17]
Xi Y, Miller E J, Saxe S. Exploring the impact of different cut-off times on isochrone measurements of accessibility[J]. Transportation Research Record, 2018, 2672(49):113-124. DOI: 10.1177/0361198118783113

DOI

[18]
宋小冬, 钮心毅. 再论居民出行可达性的计算机辅助评价[J]. 城市规划汇刊, 2000(3):18-22,75-79.

[ Song X D, Niu X Y. The computer-aided evaluation on accessibility[J]. Urban Planning Review, 2000(3):18-22,75-79. ]

[19]
van den Berg J, Köbben B, van der Drift S, et al. Towards a dynamic isochrone map: Adding spatiotemporal traffic and population data[C]// LBS 2018: 14th International Conference on Location Based Services. Springer, Cham, 2018:195-209. DOI: 10.1007/978-3-319-71470-7_10

DOI

[20]
Tenkanen H, Saarsalmi P, Järv O, et al. Health research needs more comprehensive accessibility measures: integrating time and transport modes from open data[J]. International Journal of Health Geographics, 2016, 15(1):1-12. DOI: 10.1186/s12942-016-0052-x

DOI

[21]
浩飞龙, 王士君, 谢栋灿, 等. 基于互联网地图服务的长春市商业中心可达性分析[J]. 经济地理, 2017, 37(2):68-75.

[ Hao L F, Wang S J, Xie D C, et al. Space-time accessibility of commercial centers in Changchun urban area based on internet map service[J]. Economic Geography, 2017, 37(2):68-75. ] DOI: 10.15957/j.cnki.jjdl.2017.02.010

DOI

[22]
熊刚, 董西松, 朱凤华, 等. 城市交通大数据技术及智能应用系统[J]. 大数据, 2015, 1(4):81-96.

[ Xiong G, Dong X S, Zhu F H, et al. Big data technologies and intelligent application system for urban transportation[J]. Big Data Research, 2015, 1(4):73-88. ] DOI: 10.11959/j.issn.2096-0271.2015042

DOI

[23]
Wang J, Du F, Huang J, et al. Access to hospitals: potential vs. observed[J]. Cities, 2020, 100:102671. DOI: 10.1016/j.cities.2020.102671

DOI

[24]
中国城市规划设计研究院, 南昌市城市规划设计研究总院. 南昌市城市总体规划(2016-2035)[R]. 2017.

[ China academy of urban planning & design, Nanchang urban planning & design institute. Overall planning of Nanchang city (2016-2035)[R]. 2017. ]

[25]
杨育军, 宋小冬. 基于GIS的可达性评价方法比较[J]. 建筑科学与工程学报, 2004(4):27-32.

[ Yang Y J, Song X D. Comparing accessibility measures based on GIS[J]. Journal of Architecture and Civil Engineering, 2004(4):27-32. ]

[26]
陆化普, 王继峰, 张永波. 城市交通规划中交通可达性模型及其应用[J]. 清华大学学报(自然科学版), 2009, 49(6):781-785.

[ Lu H P, Zhang J F, Zhang Y B. Models and application of transport accessibility in urban transport planning[J]. Journal of Tsinghua University (Science and Technology), 2009, 49(6):781-785. ] DOI: 10.16511/j.cnki.qhdxxb.2009.06.019

DOI

[27]
南昌市交通规划研究所. 2019年南昌市交通发展年度报告暨交通运行分析年度报告[R]. 2019.

[ Nanchang transportation planning institute. 2019 Nanchang transport development and traffic operation analysis annual report[R]. 2019. ]

[28]
Kolcsár R A, Csikós N, Szilassi P. Testing the limitations of buffer zones and Urban atlas population data in urban green space provision analyses through the case study of Szeged, Hungary[J]. Urban Forestry & Urban Greening, 2021, 57:126942. DOI: 10.1016/j.ufug.2020.126942

DOI

[29]
旷俭, 葛雯斐, 张全, 等. 基于手机内置传感器的车辆组合定位方法[J]. 中国惯性技术学报, 2020, 28(6):701-708.

[ Kuang J, Ge W F, Zhang Q, et al. Smartphone built-in sensors based vehicle integrated positioning method[J]. Journal of Chinese Inertial Technology, 2020, 28(6):701-708. ] DOI: 10.13695/j.cnki.12-1222/o3.2020.06.001

DOI

[30]
Geertman S C M, Ritsema Van Eck J R. GIS and models of accessibility potential: an application in planning[J]. International journal of geographical information systems, 1995, 9(1):67-80. DOI: 10.1080/02693799508902025

DOI

[31]
Brainard J S, Lovett A A, Bateman I J. Using isochrone surfaces in travel-cost models[J]. Journal of Transport Geography, 1997, 5(2):117-126. DOI: 10.1016/S0966-6923(96)00074-9

DOI

[32]
百度地图开放平台[EB/OL]. (https://lbsyun.baidu.com).

[ Baidu map open platform[EB/OL]. (http://lbsyun.baidu.com).]

[33]
Cohen J. A coefficient of agreement for nominal scales[J]. Educational & Psychological Measurement, 1960, 20(1):37-46. DOI: 10.1177/001316446002000104

DOI

[34]
Bishop Y M, Fienberg S E, Holland P W. Discrete multivariate analysis: Theory and practice[M]. New York: Springer Science & Business Media, 2007. DOI: 10.1007/978-0-387-72806-3

DOI

[35]
Pearl R, Reed L J. On the rate of growth of the population of the United States since 1790 and its mathematical representation[J]. Proceedings of the National Academy of Sciences of the United States of America, 1920, 6(6):275. DOI: 10.1073/pnas.6.6.275

DOI PMID

[36]
崔党群. Logistic曲线方程的解析与拟合优度测验[J]. 数理统计与管理, 2005, 24(1):112-115.

[ Cui D Q. Analysis and making good fitting degree test for logistic curve regression equation[J]. Application of Statistics and Management, 2005, 24(1):112-115. ] DOI: 10.13860/j.cnki.sltj.2005.01.020

DOI

[37]
Mayer-Schönberger V, Cukier K. Big data: A revolution that will transform how we live, work, and think[M]. Boston: Houghton Mifflin Harcourt, 2013.

Options
文章导航

/

〈 〉