EN中文

热带地理 >

2025 , Vol. 45 >Issue 10: 1757 - 1769

DOI: https://doi.org/10.13284/j.cnki.rddl.20240518

城市地理

职住地建成环境对居民通勤距离的影响效应探究——以武汉市为例

  • 牛强 , 1, 2 ,
  • 孙汉文 1 ,
  • 严雪心 , 3
展开
  • 1. 武汉大学 城市设计学院，武汉 430072
  • 2. 湖北省人居环境工程与数字技术研究中心，武汉 430072
  • 3. 武汉大学 测绘遥感信息工程全国重点实验室，武汉 430072
严雪心（1993—），女，四川乐山人，博士，助理研究员，博士后，研究方向为数字城乡规划与管理、活动流挖掘与时空建模，（E-mail）。

牛 强：负责选题确定、研究框架设计、主导论文撰写与修改；

孙汉文：负责模型构建及实验结果分析、图表绘制、论文初稿撰写；

严雪心：负责研究思路与框架设计、数据收集、论文撰写及修改。

牛强（1978—），男，湖北宜昌人，博士，教授，博导，研究方向为大数据时代的规划研究新方法、信息时代的规划新理论、数智时代的规划量化分析和智慧城乡规划，（E-mail）；

Niu Qiang

Sun Hanwen, and

Yan Xuexin

收稿日期: 2024-08-07

  修回日期: 2024-12-26

  网络出版日期: 2025-11-12

基金资助

国家自然科学基金面上项目(52278075)

中国博士后科学基金会与湖北省联合资助(2025T022HB)

收起

Exploring the Impact of Built Environment at Residential and Work Locations on Commuting Distance: Evidence from Wuhan, China

  • Qiang Niu , 1, 2 ,
  • Hanwen Sun 1 ,
  • Xuexin Yan , 3
Expand
  • 1. School of Urban Design, Wuhan University, Wuhan 430072, China
  • 2. Hubei Habitat Environment Engineering Research Center, Wuhan University, Wuhan 430072, China
  • 3. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430072, China

Received date: 2024-08-07

  Revised date: 2024-12-26

  Online published: 2025-11-12

Fold

摘要

随着城市蔓延的持续，长距离通勤对城市交通、环境和居民福祉的负面影响日益凸显，如何缩短通勤距离是亟需解决的现实问题。现有研究多聚焦于居住地建成环境对通勤距离的影响，而对就业地建成环境影响效应的关注却有所不足。文章以武汉市为例，基于长时序手机信令数据分析通勤距离的动态变化，并采用空间面板杜宾模型（SPDM）探究职住地的建成环境对通勤距离的影响。研究发现：1）随着城市扩张，武汉居民通勤距离呈逐年增长趋势。2）职住地建成环境对通勤距离具有显著影响，其中轨道交通站点数对通勤距离的正向效应最为突出，而就业人口密度的负向效应最显著。3）职住地建成环境对通勤距离还存在显著直接效应与溢出效应，且直接效应与总体效应趋势一致。其中，轨道交通站点数虽未显示显著直接效应，但却具有显著正向溢出效应，表明轨道交通在重构环站点周边居民职住选择中具有重要作用；而就业人口密度以及到城市次中心的距离表现出显著负向溢出效应，验证了多中心开发模式有助于降低平均通勤距离。

关键词： 建成环境; 通勤距离; 直接效应; 溢出效应; 空间面板杜宾模型; 武汉市

本文引用格式

牛强 , 孙汉文 , 严雪心 . 职住地建成环境对居民通勤距离的影响效应探究——以武汉市为例[J]. 热带地理, 2025 , 45(10) : 1757 -1769 . DOI: 10.13284/j.cnki.rddl.20240518

Abstract

The continuous sprawl of global cities has led to increasingly severe long-distance commuting problems, resulting in a series of negative impacts such as traffic congestion, environmental stress, and declining residents' well-being. Reducing commuting distances has therefore become an urgent challenge for major metropolitan areas worldwide. Optimizing the built environment to shorten commuting distances has been recognized as one of the most effective strategies. While existing studies have primarily focused on the effects of the residential built environment on commuting distance, the influence of the built environment at work location has received relatively limited attention. To address this gap, this study took Wuhan, China, as a case study. Using long-term China Unicom cellular signaling data, it identified the spatiotemporal dynamic changes of commuting distance and employed a Spatial Panel Durbin model to explore the effects of built environments at both residential and work locations on commuting distance. The results reveal that: (1) As the city expanded, the average commuting distance of Wuhan residents increased from 8.22 km in 2017 to 8.49 km in 2021. Although approximately 40% of residents consistently commuted within 5 km, the proportion of long-distance commuters (over 10 km) has shown a continuous upward trend. (2) A distinct "core-periphery" spatial pattern of commuting distances is observed at both residential and workplace ends, with relatively shorter commuting distances in central urban areas and longer ones in suburban areas, along with notable spatial heterogeneity among different suburban clusters. (3) The built environment at both residential and work locations significantly influences commuting distance. Specifically, the number of metro stations, residential population density, the number of road intersections, and distance to the city center exhibit significant positive effects, while employment population density, the number of educational and cultural facilities, and the number of living service facilities have significant negative effects. Among these factors, the number of metro stations and employment population density emerge as the most prominent positive and negative determinants, respectively. (4) The SPDM results further demonstrate significant direct and spillover effects of built environment factors on commuting distance. The direct effects are largely consistent with the total effects, reflecting the core influence of the built environment on local residents' commuting behavior, while the spillover effects reveal spatial externalities across neighboring regions. Notably, the number of metro stations shows no significant direct effect, suggesting that under the city's transit-oriented development (TOD) model, the areas around metro stations have already achieved a relatively balanced job-housing relationship. However, it exhibits a significant positive spillover effect in adjacent areas, indicating that metro systems, while expanding residents' spatial choices of residence and workplace, also facilitate wider commuting extensions. In contrast, employment population density and distance to sub-city centers display significant negative spillover effects, implying the spatial synergy between employment agglomeration and a polycentric urban structure in promoting job-housing balance in surrounding areas and reducing commuting distance. The findings reveal the spatiotemporal evolution of commuting distance and uncover the differentiated mechanisms through which the built environments at both residential and workplace locations influence commuting distance. These results provide robust empirical evidence for formulating transportation policies and land-use optimization strategies aimed at reducing commuting distances. Moreover, the study offers valuable insights for enhancing the job-housing balance and advancing the goals of sustainable urban development.

Key words： built environment; commuting distance; direct effect; spillover effect; Spatial Panel Durbin model; Wuhan City

随着全球经济的快速发展，世界各国城市空间普遍呈现蔓延式扩张的特征。这不仅引发了大中城市空间的重构与居民通勤行为的变化，还衍生出较严峻的长距离通勤问题。《2023年中国主要城市通勤监测报告》显示 1，45个国内主要城市中，38个城市的职住分离度增长显著；超过1 400万人承受单程通勤时间60 min以上的“极端通勤”，而通勤距离在5 km以内的“幸福通勤”占比则全线下降。长距离的通勤不仅给城市交通与环境带来了较大压力，也严重影响了人们的生活质量与健康（Sun & Yin, 2019; Zhou et al., 2022），制约了城市的可持续发展。为了应对城市蔓延产生的通勤距离增长问题，世界各国普遍推行高密度混合式开发的土地使用政策，期望通过缩减职住地之间的距离和提高交通便捷性以减少通勤距离（Stevens, 2016; Nelson, 2017）。为制定合理的建成环境干预措施以缩短通勤距离，亟待深入揭示土地混合使用、交通设施布局、就业地及其周边居住条件、居住地及其周边就业条件等建成环境与通勤距离之间的影响机理。
建成环境已被证实是影响通勤距离的关键因素。大量研究表明，高建设密度、高功能混合度及高交通可达性的建成环境，能提升职住匹配度与出行效率，显著缩短居民通勤距离（Cervero, 1996; Geurs & Wee, 2006; Yang et al., 2011；孙斌栋 等，2015；尹超英 等，2021）。研究还指出：从居住地视角看，居住在就业机会丰富的地区，由于岗位多样且数量充足而更易实现就近就业，从而减少通勤距离；从就业地视角看，就业地点若位于住房供给充足的地区，员工更易在周边安居，通勤距离亦随之缩短（Zhang et al., 2012; Ewing & Cervero, 2017；陈博文，2017；刘望保 等，2023）。由此可见，建成环境对通勤的影响应同时从居住地和就业地两端加以考察，但现有研究多侧重居住地视角（Ding et al., 2018；仝照民 等，2021；郭燕 等，2024）。部分研究表明，工作地的建设密度与土地利用混合度对通勤距离的影响往往强于居住地（Ding et al., 2014；陈博文 等，2016），仅从居住地出发难以全面揭示建成环境的作用机制。此外，依据地理学第一定律，邻近地区通常具有相似性，建成环境对通勤的影响可能存在明显的空间溢出效应：居民的通勤行为不仅受所在区域建成环境影响，也会受到周边区域建成环境的外溢作用。但这一空间溢出效应在现有研究中尚未得到充分解析。
随着城市持续发展，建成环境与居民通勤行为同步演变，其相互关系在不同时间跨度具有不同特征，长时序研究具有必要性。Susilo & Maat（2007）基于荷兰1993―2005年的出行调查发现，不同建成环境要素的影响强度存在增强或减弱的趋势，如路网密度的作用在研究时段逐步增强，而随着交通网络完善，就业地交通可达性的影响则呈下降趋势。尽管已有研究关注时间异质性，但多为短期观测。如Næss等（2017）发现，相同的建成环境因素对通勤距离的影响在工作日与周末存在显著差异；Ma等（2018）则指出，相同的建成环境因素其效应在一天内的不同时间段也存在差异。鉴于中国大部分城市仍处于快速发展阶段，土地开发、混合用地改造与交通设施建设往往需耗费数年，因而短期数据难以揭示建成环境对通勤距离的长期影响（曹新宇，2015）。随着信息技术与数据挖掘能力的提升，长时序数据为研究建成环境影响的动态变化提供了更严谨的路径。
综上，国内外学者已经对建成环境与通勤距离的关系开展了大量研究，并取得较为丰富的成果。但现有研究在3方面略显不足：1）现有研究多从居住地视角探索建成环境与通勤距离的关系，忽视了就业地建成环境的影响；2）考虑到空间自相关的影响，建成环境对通勤距离的影响可能存在显著的空间溢出效应，但这在已有研究中尚未得到充分解析；3）随着城市不断发展，建成环境与居民通勤行为及两者之间的关联也会随之发生转变，现有研究大多基于短期数据开展，难以揭示建成环境与通勤行为关系的长期动态演化趋势。
因此，本文以武汉都市发展区为研究对象，使用手机信令及建成环境等多源时空大数据，对比分析历年居民的通勤距离变化及其空间分布差异；在此基础上，利用能够有效捕捉空间自相关的空间面板计量模型，从居住地及就业地两端探索建成环境对通勤距离的影响，以期为城市规划和城市交通精细化管理提供新的理论依据。

1 研究设计

1.1　研究区域

本研究将武汉都市发展区作为对象。武汉三镇（汉口、汉阳、武昌）受长江、汉水阻隔，各地发展相对独立，造就了武汉的多中心发展格局。图1显示了武汉都市发展区的城市空间布局，总体上可划分为中心城区和近郊区。其中，中心城区汇集了主要的人口、商业和公司企业，通勤出行强度最大。近郊区是武汉市近年来主要的拓展区，包括6个组团（光谷副城、车都副城、临空副城、西部新城组群、南部新城组群、东部新城组群），是承接中心城区居住、就业、商业等要素迁移的主要空间，通勤出行增幅最大。已有研究（Long & Thill, 2015）表明，交通分析小区（Transportation Analysis Zone, TAZ）在居民出行行为、土地利用结构等方面具有较高的内部一致性，可较好地反映居民出行需求问题。因此，选择TAZ作为基本的空间单元，探讨通勤距离的变化及与建成环境的关系。根据武汉市交通战略发展研究院的分析报告，武汉都市发展区共划分为1 489个TAZ。
图1 研究范围

Fig.1 Study area

1.2　研究方法

本研究旨在探讨职住地建成环境对通勤距离的时空影响。空间自相关检验表明（结果见附表1），通勤距离在空间单元之间存在显著的相关性，且建成环境可能还通过空间溢出效应间接影响邻近区域居民的通勤距离。相较于地理加权回归（GWR）和空间自回归（SAR）等模型，空间面板计量模型一方面能同时捕捉空间效应和时间效应，揭示动态变化的通勤距离与建成环境之间的复杂关系；另一方面，通过在模型中综合利用截面间的空间相关性与时间序列上的动态变化，不仅提升了参数估计的效率，还有效降低了遗漏变量偏误，增强了模型结果的解释力与稳健性。因此，本研究考虑应用SPDM（空间面板杜宾模型）、SPLM（空间面板自回归模型）或SPEM（空间面板误差模型）等空间计量模型进行分析。
表1 职住地建成环境对通勤距离影响的模型选择检验

Table 1 Model selection tests for the impact of built environment at residential and work locations on commuting distance

检验 居住地建成环境 就业地建成环境
统计量 P值 统计量 P值
LM-spatial error 1 328.546 <0.001 969.404 <0.001
Robust LM-spatial error 927.094 <0.001 843.433 <0.001
LM-spatial lag 402.926 <0.001 133.424 <0.001
Robust LM-spatial lag 1.475 <0.001 7.453 0.006
Wald-spatial error 48.95 <0.001 114.24 <0.001
Wald-spatial lag 46.85 <0.001 116.03 <0.001
LR-spatial error 60.31 <0.001 154.83 <0.001
LR-spatial lag 54.08 <0.001 127.75 <0.001
Hausman test 25.12 0.014 3 104.81 <0.001
LR test （spatial-fixed effect） 116.71 <0.001 138.77 <0.001
LR test （time-fixed effect） -4 317.94 1.000 0 -7 181.56 1.000 0
为了确定最优的空间计量模型，本研究对一众模型进行检验及筛选。首先，通过拉格朗日乘数（LM）检验发现，LM-Lag与LM-Error均显著，说明研究对象存在显著的空间依赖性，需使用空间计量模型加以捕捉。随后，利用沃尔德（Wald）检验和似然比（LR）检验判断该模型是否可简化为更简单的SAR（空间滞后模型）或SEM（空间误差模型），结果均显著拒绝简化假设，表明SPDM模型在本研究中更为适用。最后，豪斯曼（Hausman）检验结果表明，固定效应模型优于随机效应模型。因此，本研究选择时空双固定效应的SPDM模型（表1）评估职住地建成环境对通勤距离的影响。
SPDM结合了SPLM和SPEM的特点，可同时检验空间溢出效应和变量误差对因变量的影响，从而获得较好的估计效果。并且，可提供直接效应和间接效应系数的估计值（LeSage & Pace, 2009）。直接效应表示的是某地区自变量对该地区因变量的影响大小，包括反馈效应，即对其他地区的影响又会反过来影响该地区。间接效应，即空间溢出效应，指本地区的自变量对邻近地区的因变量的影响。总效应为直接效应和溢出效应之和，指某地区自变量对所有地区因变量的共同影响。公式为：
Y i t = β X i t + ρ ∑ j = 1 N W i j Y j t + φ ∑ j = 1 N W i j X j t + μ i + ν t + ε i t
式中： Y i t ( Y j t )、 X i t ( X j t )分别为第t年的单元i（j）的因变量和解释变量观测值； W i j为空间权重矩阵，本研究采用空间反距离矩阵； ρ、 β和 φ表示参数； μ i和 ν t分别表示空间效应和时间效应； ε i t为服从独立分布的随机误差项。

1.3　数据来源与变量设置

研究使用的数据包括2017、2018、2019及2021年6月份全月的手机信令数据（2020年武汉市通勤出行受新冠疫情的强烈影响，故未使用2020年的数据）、POI数据、建筑轮廓数据及2016年土地利用数据。手机信令数据来源于中国联通智慧足迹平台 2，其记录了经加密的用户唯一识别号、个体基本属性、位置经纬度、位置点类型等信息。本研究选取武汉市都市发展区中的常住用户，即当月在研究范围内驻留天数超过10 d的核心用户作为有效样本，获取其居住地、就业地的经纬度坐标以及相关个体属性。通过1个月内每日T 21:00至次日T 08:00的时段内用户停留频率和停留时长，将停留超过10 d且停留时长最长的驻留点识别为居住地；同理，根据每日T 09:00至21:00时段内用户停留频率和停留时长识别就业地。基于用户居住地位置及就业地位置，计算出用户通勤的欧氏距离。此外，为排除异常值的干扰，将工作居民年龄限定为18~65岁。最终获取样本数量为：2017年87.45万个，2018年96.42万个，2019年102.27万个，2021年89.55万个。
为考察职住地建成环境对居民通勤距离的影响，分别将4个年度的居住地-就业地的平均通勤距离作为因变量，将5D框架中的建成环境变量：即密度、多样性、设计（城市建成环境的物理布局与形态特征）、目的地可达性、到公共交通距离作为解释变量（Ewing & Cervero, 2010）。其中，密度包括就业人口密度、居住人口密度与建筑容积率；多样性基于土地利用的熵指数衡量；设计通过衡量TAZ内部街道连接度的道路交叉口数表示；目的地可达性包括TAZ内购物中心、餐饮、生活服务、公司企业、公园广场及科教文化机构等生产生活设施的数量，以及衡量区域可达性的距城市中心距离及距城市次中心距离；到公共交通距离通过TAZ内的轨道交通站点及公交站点数表示。表2为各TAZ建成环境变量的描述性统计结果。
表2 职住地建成环境对通勤距离影响的变量设置及定义

Table 2 Variables selection and description for the impact of built environment at residential and work locations on commuting distance

变量 变量描述 平均值 标准差
2017年 2018年 2019年 2021年 2017年 2018年 2019年 2021年

密

度

 居住人口密度 各TAZ内的居住人口密度/（人·km-2），由手机信令数据计算得到 3 766.66 3 697.34 4 081.23 3 171.08 4 460.97 4 363.96 4 714.64 3 653.33
就业人口密度 各TAZ内的就业人口密度/（人·km-2），由手机信令数据计算得到 1 726.86 1 738.80 1 802.42 1 371.64 2 902.25 2 595.94 2 573.19 2 114.97
容积率 各TAZ内的建筑容积率，由建筑轮廓数据计算得到 0.53 0.53 0.53 0.53 4.66 4.66 4.75 4.75

多

样

性

土地利用

混合度

S = - ∑ i = 1 k p i l n   p i l n   k

式中：S为土地利用混合度；k为土地利用类型的分类数据； p i  为i类土地面积占比 , ∑ i = 1 k p i = 1

 0.49 0.49 0.49 0.49 0.21 0.21 0.21 0.21
设计 道路交叉口数 各TAZ内的交叉路口数量/个 7.26 7.60 8.03 14.41 9.10 9.22 9.95 18.87

目

的

地

可

达

性

 公司企业数 各TAZ内的公司企业数量/个 28.19 28.19 33.86 23.93 43.44 43.44 55.07 42.66
餐饮设施数 各TAZ内的餐饮服务设施数量/个 32.71 32.71 51.67 32.31 50.74 50.74 81.57 48.59
公园广场数 各TAZ内的公园广场数量/个 0.27 0.27 0.29 0.41 0.75 0.75 0.80 0.93
科教文化设施数 各TAZ内的科教文化设施数量/个 14.23 14.23 18.12 7.89 28.39 28.39 31.04 19.44
购物中心数 各TAZ内的购物中心数量/个 1.92 1.92 104.37 0.54 2.74 2.74 202.50 1.24
生活服务设施数 各TAZ内的生活服务设施数量/个 14.73 14.73 58.01 23.62 26.26 26.26 88.24 37.40
距城市中心距离 各TAZ与城市中心的直线距离/m 13 701.67 13 701.67 13 701.67 13 701.67 8 415.03 8 415.03 8 415.03 8 415.03

距城市次中心

距离

各TAZ与最近城市次中心的

直线距离/m

 8 931.62 8 931.62 8 931.62 8 931.62 7 383.50 7 383.50 7 383.50 7 383.50

到公交

站点

距离

 地铁站点数 各TAZ内的地铁站点数量/个 0.10 0.12 0.13 0.13 0.32 0.35 0.36 0.36
公交站点数 各TAZ内的公交站点数量/个 2.81 3.31 2.62 16.62 4.23 5.24 4.27 20.26

2 结果与分析

2.1　通勤距离的时空变化特征

总体上，武汉都市发展区平均通勤距离由2017年的8.22 km缓慢增长至2021年的8.49 km，这与既有研究（潘海啸 等，2020）结论相一致，随着城市空间的持续扩张，居民通勤距离整体呈现增长的趋势。图2显示，近年来武汉都市发展区各通勤距离区间呈相对稳定的趋势。其中，约40%的工作者通勤距离在5 km“幸福通勤”距离以内，约22%的人通勤距离在5~10 km，表明武汉都市发展区约6成居民的通勤距离相对较短。但值得注意的是，＞10 km以上的通勤占比呈现缓慢增长趋势。
图2 通勤距离分布

Fig.2 Commuting distance distribution

图3展现了居住地及就业地两端通勤距离的空间分布情况。总的来看，无论是居住地还是就业地，通勤距离呈现显著的“核心―边缘”结构。中心城区通勤距离相对较短，越远离市中心，通勤距离相对越长。关于近郊区的通勤距离，各个组团间呈现显著差异。具体地，光谷副城是近郊区组团中通勤距离最短且改善最为显著的区域。该区域是武汉市高端产业发展的核心区，随着当地住宅用地供给的增加与交通设施的持续完善，通勤距离下降显著。此外，西部新城组群与车都副城通勤距离亦相对较短。相比而言，东部组团通勤距离相对较长，且改善幅度不明显。其原因可能在于，东部组团的产业布局高度依赖长江阳逻港及相关产业，产业类型相对单一，且就业岗位有限，因此大量本地居民的就业仍主要集中在与东部组团相距较远的中心城区。
图3 各TAZ平均通勤距离变化

Fig.3 Changes in average commuting distance per TAZ

2.2　职住地建成环境对通勤距离的影响效应

在进行SPDM分析前，本文进行了VIF检验，结果显示，所有变量的VIF值均＜10，表明不存在多重共线性问题。因此使用SPDM分别按居住地、就业地构建平均通勤距离影响模型（简化为SPDMr和SPDMw）。模型结果如表3所示，由于SPDM模型中各解释变量的系数值及显著性并不能表示其对通勤距离影响的边际效应（李博 等，2020），因此不能采取传统的非空间模型解释系数的方法对其加以解释，需利用偏微分分解方法求解得出解释变量的总效应（LR_Total）、直接效应（LR_Direct）和溢出效应（LR_Indirect），来揭示职住地建成环境各指标对平均通勤距离的影响。
表3 SPDM模型结果

Table 3 SPDM model results

变量 居住地建成环境的影响（SPDMr） 就业地建成环境的影响（SPDMw）
Main Wx LR_Direct LR_Indirect LR_Total Main Wx LR_Direct LR_Indirect LR_Total
居住人口密度

0.095***

（0.00）

0.024

（0.62）

0.096***

（0.00）

0.032

（0.54）

0.128**

（0.02）

-0.030***

（0.00）

0.146***

（0.00）

-0.029***

（0.01）

0.156***

（0.00）

0.127***

（0.01）

就业人口密度

-0.062***

（0.00）

-0.097*

（0.06）

-0.063***

（0.00）

-0.104*

（0.06）

-0.167***

（0.00）

0.027**

（0.02）

-0.185***

（0.00）

0.026**

（0.02）

-0.196***

（0.00）

-0.170***

（0.00）

容积率

0.001

（0.46）

0.023

（0.25）

0.001

（0.36）

0.024

（0.29）

0.025

（0.26）

0.000

（0.88）

0.009

（0.61）

0.000

（0.78）

0.008

（0.66）

0.009

（0.65）

土地利用混合度

0.122***

（0.00）

0.006

（0.98）

0.123***

（0.00）

-0.014

（0.95）

0.109

（0.59）

0.080**

（0.02）

-0.113

（0.47）

0.080**

（0.02）

-0.128

（0.45）

-0.048

（0.78）

道路交叉口数

0.002***

（0.01）

0.002

（0.35）

0.002***

（0.00）

0.002

（0.30）

0.004*

（0.07）

0.003***

（0.00）

0.005***

（0.01）

0.003***

（0.00）

0.006***

（0.00）

0.009***

（0.00）

公司企业数

-0.000

（0.85）

-0.001

（0.53）

-0.000

（0.83）

-0.001

（0.52）

-0.001

（0.49）

0.000

（0.16）

0.000

（0.98）

0.000

（0.14）

0.000

（0.98）

0.000

（0.76）

餐饮设施数

-0.000

（0.41）

0.002*

（0.09）

-0.000

（0.47）

0.002*

（0.08）

0.002

（0.12）

0.000

（0.71）

0.001

（0.47）

0.000

（0.63）

0.001

（0.46）

0.001

（0.42）

公园广场数

0.003

（0.77）

0.048

（0.38）

0.003

（0.73）

0.050

（0.41）

0.053

（0.39）

-0.005

（0.51）

0.229***

（0.00）

-0.004

（0.59）

0.247***

（0.00）

0.243***

（0.00）

科教文化机构数

-0.001***

（0.00）

-0.003*

（0.09）

-0.001***

（0.00）

-0.003*

（0.09）

-0.004**

（0.02）

-0.001***

（0.00）

-0.005***

（0.00）

-0.001***

（0.00）

-0.005***

（0.00）

-0.006***

（0.00）

购物中心数

0.000

（0.40）

0.000

（0.55）

0.000

（0.37）

0.000

（0.53）

0.000

（0.43）

0.000

（0.64）

-0.000

（0.54）

0.000

（0.61）

-0.000

（0.57）

-0.000

（0.64）

生活服务设施数

-0.000

（0.92）

-0.003*

（0.06）

-0.000

（0.81）

-0.003*

（0.05）

-0.003*

（0.05）

-0.000

（0.57）

-0.000

（0.92）

-0.000

（0.48）

-0.000

（0.93）

-0.000

（0.82）

距城市中心距离

0.115***

（0.00）

-0.098*

（0.10）

0.116***

（0.00）

-0.096

（0.13）

0.020

（0.74）

0.114***

（0.00）

0.157***

（0.00）

0.115***

（0.00）

0.181***

（0.00）

0.296***

（0.00）

距城市次中心距离

0.097***

（0.00）

0.013

（0.82）

0.095***

（0.00）

0.024

（0.69）

0.120**

（0.04）

0.083***

（0.00）

-0.112**

（0.01）

0.081***

（0.00）

-0.110**

（0.03）

-0.029

（0.56）

轨道交通站点数

0.030

（0.16）

0.209**

（0.03）

0.031

（0.13）

0.219**

（0.03）

0.251**

（0.02）

0.016

（0.36）

0.246***

（0.00）

0.018

（0.31）

0.266***

（0.00）

0.283***

（0.00）

公交站点数

0.001*

（0.06）

0.001

（0.73）

0.001*

（0.07）

0.001

（0.73）

0.000

（0.90）

0.001**

（0.05）

-0.016***

（0.00）

0.001*

（0.06）

-0.017***

（0.00）

-0.016***

（0.00）

样本观测数量/个 5 956 5 956 5 956 5 956 5 956 5 956 5 956 5 956 5 956 5 956
R 2 0.443 0.443 0.443 0.443 0.443 0.439 0.439 0.439 0.439 0.439
截面个体数量/个 1 489 1 489 1 489 1 489 1 489 1 489 1 489 1 489 1 489 1 489

注： *** P<0.01，** P<0.05，* P<0.1；括号内数值表示系数显著性水平（P值）；Main为解释变量对通勤距离的直接影响系数；Wx为解释变量的空间溢出影响系数。

2.2.1　总效应

从总效应看，在居住地平均通勤距离影响模型（SPDMr）中，按效应强弱排序，对通勤距离具有显著正向效应的因素分别为轨道交通站点数、居住人口密度、距城市次中心的距离、道路交叉口数，其值越高通勤距离越大；对通勤距离具有显著负向效应的因素有就业人口密度、科教文化机构数、生活服务设施数，它们的值越高通勤距离越小。在就业地平均通勤距离影响模型（SPDMw）中，按效应强弱排序，具有显著正向效应的因素有距城市中心的距离、轨道交通站点数、公园广场数、居住人口密度、道路交叉口数，具有显著负向效应的因素有就业人口密度、公交站点数、科教文化机构数。
具体地，就业地距城市中心的距离和居住地距城市次中心的距离均呈现显著正向效应，这与已有多数研究结论（Zhao, 2013; Naess, 2014；林勋媛 等，2020）相一致。这是因为城市中心及次中心仍占据城市就业的主导地位（郭嘉颖 等，2022；Yang et al., 2023），距离城市中心及次中心越远，职住分离的可能性越大，通勤距离随之增加。
职住地轨道交通站点数在2个模型中对通勤距离均呈现显著的正向影响，且是影响效应最大的变量之一。居住地和工作地的轨道交通站点数量每增加1%，居民通勤距离分别增加0.251%和0.283%。这符合已有研究结论（周素红 等，2010；Wu & Hong, 2017；刘望保 等，2022；刘倩 等，2023），轨道交通提高了居民出行效率及轨道交通沿线地区交通可达性，由此拓展了居民的职住选择范围，进而增加了通勤距离。值得注意的是，与轨道交通站点数的影响不同，就业地公交站点数对通勤距离呈现显著负向效应。这是因为随着轨道交通网络的不断完善，大多数城市结合轨道交通线网规划调整了公交线路，形成了“轨道交通为骨架、换乘型公交为主体”的公共交通体系。公共交通线路逐步由长距离调整为中短距离线路，更有助于中短距离通勤使用。
居住人口密度在2个模型中均对通勤距离有正向影响，而就业人口密度则对通勤距离具有负向影响。这与已有研究（Zheng et al., 2021）相一致，可能的原因是武汉市居住人口密度过高的区域，往往以居住功能为主，本地就业岗位相对不足，这些区域的居民需要前往其他地方获取工作。这促使居民跨区远距离通勤，导致通勤距离增加。而就业人口密度越高则意味着该区域及周边区域就业岗位越多，有利于就近就业，减少通勤距离（孙斌栋 等，2008；孙铁山 等，2018）。
道路交叉口数在2个模型中均呈现显著正向影响，这与已有研究结果（Zhang, 2004）不一致。交叉口密度通常被视为路网可达性的指标，高密度交叉口的确能够改善区域内部的交通连通性，缩短通勤距离。然而，武汉市交叉口密度高的地区往往位于城市中心就业核心区，这些区域职住分离严重，故而具有较长通勤距离。此外，高密度路网提高了跨区出行的便捷性，使居民在通勤选择上更容易突破本地限制，进而增加长距离通勤的比例。
科教文化机构数及生活服务设施数在模型SPDMr中呈现显著负向效应，这可能是因为公共服务设施建设增加了居民就近的就业机会，促进当地职住平衡，进而减少居民通勤距离。
公园广场数量在模型SPDMw中呈现显著正向效应，这可能是因为公园广场较多的就业地通常位于城市中心、CBD或其他环境品质优越的区域。由于这些区域房价较高，居民往往选择在距离这些区域较远的房价相对较低的区域居住，从而导致通勤距离增加。

2.2.2　直接效应

从直接效应看，尽管多数建成环境因素在SPDMr和SPDMw模型中展现出与总效应趋势一致的直接效应，仍有若干变量的直接效应偏离了其在总效应框架下的预期。在SPDMw模型中，轨道交通站点数并未展现出显著的直接效应，其原因可能是武汉市在地铁建设中普遍采纳TOD（Transit-Oriented Development）发展模式，在该模式下，地铁站点周边形成了高度整合的居住与就业环境，实现了较好的职住平衡。
居住人口密度与就业人口密度在SPDMw模型中的直接效应与总效应截然相反。具体而言，就业地的居住人口密度升高会略微缩短该TAZ的平均通勤距离，这可能是由于本地住房供给增加，使更多居民能就近居住，从而减少通勤需求。然而，就业地高居住人口密度同时会带动周边区域居民不得不跨区就业与通勤，进而增加该TAZ的整体通勤流量，使其空间溢出效应表现为正向且覆盖了直接效应的反向影响，最终导致总效应呈现正向。类似的，就业人口密度越高则意味着该区域就业机会更丰富，就业吸引力更强，能吸引更远地方的居民到此工作，进而增加其平均通勤距离。但与此同时，亦为周边地区提供更多就近工作岗位，所以其溢出效应为更大的负向影响，总效应为负。此外，SPDMw模型中公交站点数对通勤距离也有微弱的正向效应。

2.2.3　溢出效应

职住地建成环境特征对通勤距离具有显著的溢出效应。在2个模型中，轨道交通站点数均是正向溢出效应最显著的自变量，即某交通小区的轨道交通站点数量增加，其邻近交通小区内居民的通勤距离也会增加。这是由于轨道交通的建设显著扩展了居民职住空间的选择范围，同时带动了沿线房价的上涨。在临近轨道交通站点的区域，居民往往因价格压力而选择居住在稍远位置，从而导致通勤距离增加。相比之下，轨道交通站点周边区域普遍实施了高密度、功能混合的TOD开发策略，这种开发模式有助于实现职住平衡，反而能缩短站点所覆盖小区居民的通勤距离。因此，轨道交通的正向溢出效应，在一定程度上反映居民在权衡房价和生产生活需求后的总体选择倾向。此外，就业地的公园广场数具有显著的正向溢出效应，可能的原因是环境品质优越的就业地会抬高邻近区域的住房价格，进而将其居住者推向通勤距离更远但房价更低的区域。
就业人口密度在2个模型中是影响通勤距离负向溢出效应的最显著变量，即某交通小区的就业人口密度增加，其邻近交通小区内居民的通勤距离会减少。这与已有研究（Hu & Schneide, 2017）一致。其原因在于，就业人口密度的提升通常意味着区域内就业岗位和经济活动的集聚，增强了周边地区居民的就业可达性与职住空间匹配程度，从而促使更多人能在相对较近的距离实现就业。最后，与现有一些研究结论（王德 等，2020；李峰清 等，2021）相似，SPDMw模型中距城市次中心的距离对平均通勤距离也具有较为显著的负向溢出效应，即越靠近城市次中心的区域，其邻近地区居民的平均通勤距离越短。这是由于多中心的城市空间结构通过在不同片区形成次级就业中心，提升了周边区域的就业可达性，从而有效减少跨区长距离通勤需求；从长期看，这种空间格局有助于优化整体职住平衡，降低城市居民的平均通勤距离。

2.3　稳健性检验

为验证SPDM结果的准确性，通过winsor2命令对数据进行1%的缩尾处理，并将处理结果再次代入模型计算。结果显示，直接效应系数和空间溢出效应系数均与SPDM模型结果一致，表明本研究结果具有可靠性（稳健性检验结果见附表2）。

3 结论与讨论

3.1　结论

本文以武汉都市发展区为研究对象，基于2017―2021年手机信令及建成环境等多源时序大数据，采用空间面板杜宾模型（SPDM）系统探讨了居住地与就业地建成环境对居民通勤距离的影响效应，主要结论为：
1）研究时段内，武汉市城市空间持续扩张，居民通勤距离亦呈现逐年增长趋势。武汉市平均通勤距离呈现显著的“核心―边缘”结构，中心城区通勤距离相对较短，近郊区各组团通勤距离相对较长，且在不同组团间通勤距离差异显著。
2）职住地建成环境对通勤距离具有显著影响。从总效应看，职住地轨道交通站点数是对通勤距离影响最大的变量，就业地距城市中心距离、居住地距城市次中心的距离对通勤距离也均有显著正向促进作用。此外，职住地的居住人口密度和道路交叉口数等变量，对通勤距离也具有显著的正向效应。与之相对，职住地就业人口密度和科教文化机构数、居住地生活服务设施数对通勤距离具有负向效应。同时，就业地的教育设施以及居住地的生活服务设施数量，对通勤距离具有负向效应，这与已有研究发现（黄经南 等，2021；Yan et al., 2022）一致，丰富的设施有助于居民就近接送子女及解决日常生活需求，进而缩短通勤距离。此外，就业地公交站点数对通勤距离具有显著负向效应，反映了在轨道交通扩张背景下，大城市公交线路逐步由长距离向中短距离优化调整，更加契合中短距离通勤需求，从而有效缩短了居民的通勤距离。
3）本文还证实了职住地建成环境对通勤距离的影响可分为直接效应及溢出效应。就直接效应而言，职住地建成环境的多数变量对通勤距离的直接影响与总体效应趋于一致。然而亦存在例外：职住地轨道交通站点数量对通勤距离的直接影响不显著，而其对周边地区居民通勤距离却具有显著的正向溢出效应，表明轨道交通对跨区通勤的影响更为显著。与此同时，就业地居住人口密度对通勤距离具有正向总体效应，但其直接效应为负向。就溢出效应而言，职住地的轨道交通站点数是正向溢出效应最显著的变量，而就业人口密度是负向溢出效应最显著的变量。此外，就业地与城市次中心的距离对平均通勤距离亦呈现负向溢出效应。

3.2　讨论

本文对居民通勤距离的时空演化特征以及通勤距离与职住地建成环境关联的分析，有助于交通政策及土地利用的优化，以有效减少居民通勤距离。结合本研究结果，提出如下建议：1）通勤距离演化的时空特征为规划干预提供了空间依据。对大城市而言，多中心空间布局有助于缓解核心区通勤压力，但在开发新区时，应避免职住错配导致的长距离通勤。2）轨道交通建设可能导致通勤距离显著增加。为避免轨道交通建设进一步扩大居民通勤距离，应在轨道交通线网规划中充分考虑城市居民实际通勤OD分布，通过轨道交通加强主要职住空间的联系，从而缩短通勤距离。同时，应围绕轨道交通站点推进TOD开发，倡导土地混合利用与功能复合开发，避免片区功能过度单一或集中，从而减轻长距离通勤产生的城市运行压力。3）就业地与居住地的建成环境均对通勤距离具有显著影响。因此，要降低通勤距离，需同时考虑各区域的就业与居住2个方面的功能。居住人口密度对通勤距离具有正向效应，对此城市更新应对居住人口过度集中的区域进行渐进式用地调整，提高土地利用混合度；同时提升区域产业能级，增加就业机会，以促进职住平衡。关于科教文化机构及生活服务设施对通勤距离的负向效应，应根据居民实际通勤走廊合理布置此类设施，从而降低通勤距离。4）职住地建成环境不仅影响本地通勤，还存在空间溢出效应，对邻近区域通勤距离产生作用。因此，不仅需要聚焦各交通小区的建成环境改善，还应从区域整体层面统筹建成环境优化，处理好整体与局部之间的关系。
本研究仍存在一定局限性。1）本研究测算的通勤距离为居住地与就业地之间的欧氏距离而不是实际距离，导致模型结果可能存在一定误差。未来可结合精细化出行轨迹数据及其他新技术方法获取居民真实通勤距离，更准确地识别通勤距离的影响因素及其效应。2）本研究基于手机信令数据进行分析，尽管该数据具有覆盖范围广、时间动态性强的优点，但缺乏居民个体社会经济属性特征及出行偏好等信息，而这些因素对通勤距离具有重要影响。未来可结合个体层面的调研数据（王德 等，2024；高瑜堃 等，2024），获取更为全面和准确的结果。3）受数据限制，本研究并未考虑通勤时间与通勤方式，可能导致对个体通勤负担和出行效率的刻画不够全面，从而在解释通勤差异及机制时存在一定局限。未来可整合多源出行数据，综合考虑通勤时间、通勤方式及群体差异等因素，以更全面地揭示居民通勤行为特征及其与建成环境的关系。

附录

附表1 空间自相关检验结果

Appendix Table 1 Spatial autocorrelation test

年份 居住端通勤距离 就业端通勤距离
I E（I） sd（I） z P值* I E（I） sd（I） z P值*
2017 0.265 -0.001 0.004 70.205 0.000 0.309 -0.001 0.004 81.772 0.000
2018 0.124 -0.001 0.004 33.040 0.000 0.124 -0.001 0.004 33.040 0.000
2019 0.124 -0.001 0.004 33.040 0.000 0.124 -0.001 0.004 33.040 0.000
2021 0.124 -0.001 0.004 33.040 0.000 0.124 -0.001 0.004 33.040 0.000

注：Moran's I表示通勤距离的空间自相关系数；E（I）为随机假设下的期望值；sd（I）为标准差；z为标准化统计量；*表示结果在单尾检验（1-tail test）下达到显著水平（P< 0.05）。

附表2 稳健性检验结果

Appendix Table 2 Results of robustness checks

变量名称 居住地建成环境的影响（SPDMr） 就业地建成环境的影响（SPDMw）
Main Wx Main Wx
居住人口密度 0.001（0.78） 0.024（0.15） -0.039***（0.00） -0.026（0.15）
就业人口密度 -0.045***（0.00） -0.020（0.24） 0.028***（0.00） -0.028（0.12）
容积率 0.008（0.26） 0.099***（0.01） 0.015*（0.05） 0.079**（0.04）
土地利用混合度 0.083***（0.00） 0.109*（0.10） 0.075***（0.00） 0.125*（0.08）
道路交叉口数 -0.000（0.91） -0.002**（0.02） 0.002***（0.00） 0.002*（0.08）
公司企业数 -0.000（0.70） -0.000（0.69） 0.000（0.37） 0.000（0.63）
餐饮设施数 0.000（0.10） -0.001（0.17） 0.000*（0.06） 0.001（0.29）
公园广场数 0.009（0.14） 0.044（0.97） -0.017***（0.00） 0.011（0.69）
科教文化机构数 -0.000***（0.00） -0.001*（0.08） -0.000***（0.00） -0.000（0.50）
购物中心数 0.000（0.22） 0.000（0.44） 0.000（0.50） -0.000**（0.03）
生活服务设施数 -0.000（0.23） -0.002***（0.00） -0.000（0.74） 0.002***（0.00）
距城市中心距离 0.077***（0.00） -0.088***（0.00） 0.090***（0.00） 0.041*（0.09）
距城市次中心距离 0.071***（0.00） 0.003（0.88） 0.046***（0.00） -0.042*（0.05）
轨道交通站点数 0.024***（0.00） 0.025（0.58） 0.015*（0.09） 0.069（0.15）
公交站点数 0.003***（0.00） 0.003*（0.08） 0.002***（0.00） -0.004**（0.01）
样本观测数量/个 5 956 5 956 5 956 5 956
R 2 0.530 0.530 0.520 0.520
截面个体数量/个 1 489 1 489 1 489 1 489

注： *** P<0.01，** P<0.05，* P<0.1。

1 2023年中国主要城市通勤监测报告. https://bj.bcebos.com/v1/mapopen/cms/report/2023tongqin/index.html

2 https://daas.smartsteps.com/

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
曹新宇. 2015. 社区建成环境和交通行为研究回顾与展望：以美国为鉴. 国际城市规划，30（4）：46-52.

Cao Xinyu. 2015. Examining the Relationship Between Neighborhood Built Environment and Travel Behavior: A Review from the US Perspective. Urban Planning International, 30(4): 46-52.

Cervero R. 1996. Mixed Land-Uses and Commuting: Evidence from the American Housing Survey. Transportation Research Part A: Policy and Practice, 30(5): 361-377.

陈博文，周素红，姜超. 2016. 活动视角下建成环境对广州居民通勤效率的影响. 城市规划学刊，（4）：67-74.

Chen Bowen, Zhou Suhong, and Jiang Chao. 2016. The Impacts of Built Environment on Residents' Commuting Efficiency Based on Activities in Guangzhou. Urban Planning Forum, (4): 67-74.

陈博文. 2017. 建成环境对居民工作日多目的通勤行为的影响——基于广州市中心城区的实证. 城市规划学刊，（5）：89-97.

Chen Bowen. 2017. Study on Impacts of Built Environment on Residents' Multi-Purpose Commuting Trips—A Case of Guangzhou Downtown. Urban Planning Forum, (5): 89-97.

Ding C, Lin Y, and Liu C. 2014. Exploring the Influence of Built Environment on Tour-Based Commuter Mode Choice: A Cross-Classified Multilevel Modeling Approach. Transportation Research Part D: Transport and Environment, 32: 230-238.

Ding C, Cao X, and Wang Y. 2018. Synergistic Effects of the Built Environment and Commuting Programs on Commute Mode Choice. Transportation Research Part A: Policy and Practice, 118: 104-118.

Ewing R and Cervero R. 2010. Travel, the Built Environment. Journal of the American Planning Association, 76(3): 265-294.

Ewing R and Cervero R. 2017. "Does Compact Development Make People Drive Less?" The Answer is Yes. Journal of the American Planning Association, 83(1): 19-25.

高瑜堃，赵鹏军. 2024. 手机信令数据在职住空间、出行行为和交通碳排放研究中的应用进展与前景. 热带地理，44（5）：877-890.

Gao Yukun and Zhao Pengjun. 2024. A Review on the Application Progress and Prospect of Mobile Phone Signaling Data in Jobs-Housing Relationship, Travel Behavior and Transportation Carbon Emissions Research. Tropical Geography, 44(5): 877-890.

Geurs K T and Wee B V. 2006. Ex-Post Evaluation of Thirty Years of Compact Urban Development in the Netherlands. Urban Studies, 43(1): 139-160.

郭嘉颖，魏也华，陈雯，肖伟烨. 2022. 空间重构背景下城市多中心研究进展与规划实践. 地理科学进展，41（2）：316-329.

Guo Jiaying, Wei Yehua, Chen Wen, and Xiao Weiye. 2022. Progress of Urban Polycentricity Research and Planning Practice in the Context of Spatial Restructuring. Progress in Geography, 41(2): 316-329.

郭燕，张志斌，陈龙，马晓敏，赵学伟. 2024. 居住自选择视角下城市建成环境对通勤模式选择的影响——以兰州市主城区为例. 干旱区地理，47（2）：307-318.

Guo Yan, Zhang Zhibin, Chen Long, Ma Xiaomin, and Zhao Xuewei. 2024. Impact of Urban Built Environment on Commuting Mode Choices from the Residential Self-Selection Perspective. Arid Land Geography, 47(2): 307-318.

Hu L and Schneide R J. 2017. Different Ways to Get to the Same Workplace: How Does Workplace Location Relate to Commuting by Different Income Groups? Transport Policy, 59: 106-115.

黄经南，朱恺易. 2021. 基于POI数据的武汉市公共服务设施布局社会公平绩效评价. 现代城市研究，（6）：24-30.

Huang Jingnan and Zhu Kaiyi. 2021. Wuhan Based on POI Data Social Equity Performance Evaluation of Public Service Facilities Layout in Wuhan Based on POI Data. Modern Urban Research, (6): 24-30.

LeSage J and Pace R K. 2009. Introduction to Spatial Econometrics.New York: Chapman and Hall/CRC.

李博，田闯，金翠，史钊源. 2020. 环渤海地区海洋经济增长质量空间溢出效应研究. 地理科学，40（8）：1266-1275.

Li Bo, Tian Chuang, Jin Cui, and Shi Zhaoyuan. 2020. Spatial Spillover Effects and Influence Mechanism of Marine Economic Growth Quality in Bohai Rim Region. Scientia Geographica Sinica, 40(8): 1266-1275.

李峰清，赵民，黄建中. 2021. 论大城市空间结构的绩效与发展模式选择. 城市规划学刊，（1）：18-27.

Li Fengqing, Zhao Min, and Huang Jianzhong. 2021. The Performance of Spatial Structure and the Choice of Development Model of Maga-City. Urban Planning Forum, (1): 18-27.

林勋媛，王广兴，胡月明. 2020. 基于开放大数据的广州市中心城区职住平衡特征研究. 热带地理，40（2）：254-265.

Lin Xunyuan, Wang Guangxing, and Hu Yueming. 2020. Characteristics of the Jobs-Housing Balance in Central Guangzhou Based on Open Big Data. Tropical Geography, 40(2): 254-265.

刘倩，江裕林. 2023. 深圳市建成环境因素对居民通勤效率的影响——基于手机信令数据的分析. 西部人居环境学刊，38（3）：47-53.

Liu Qian and Jiang Yulin.2023. The Effects of Built Environment Factors on Commuting Efficiency of Residents in Shenzhen Based on Cell Phone Data. Journal of Human Settlements in West China, 38(3): 47-53.

刘望保，陈杰. 2022. 手机信令数据支撑下广州市过剩通勤及其空间分异格局. 热带地理，42（6）：965-972.

Liu Wangbao and Chen Jie. 2022. Excess Commuting and Its Spatial Differentiation Pattern in Guangzhou Supported by Cell Phone Signaling Data. Tropical Geography, 42(6): 965-972.

刘望保，李彤彤. 2023. 基于手机信令数据的广州市社区建成环境对居民通勤距离的影响研究. 世界地理研究，32（5）：79-90.

Liu Wangbao and Li Tongtong. 2023. Analysis of the Impact of Community Built Environment on Residents' Commuting Distance in Guangzhou Supported by Mobile Signaling Data. World Regional Studies, 32(5): 79-90.

Long Y and Thill J C. 2015. Combining Smart Card Data and Household Travel Survey to Analyze Jobs–Housing Relationships in Beijing. Computers, Environment and Urban Systems, 53: 19-35.

Ma X, Zhang J, Ding C, and Wang Y. 2018. A Geographically and Temporally Weighted Regression Model to Explore the Spatiotemporal Influence of Built Environment on Transit Ridership. Computers, Environment and Urban Systems, 70: 113-124.

Naess P. 2014. Tempest in a Teapot: The Exaggerated Problem of Transport-Related Residential Self-Selection as a Source of Error in Empirical Studies. Journal of Transport and Land Use, 7(3): 57-79.

Næss P, Cao X Y, and Strand A. 2017. Which D's are the Important Ones? The Effects of Built Environment Characteristics on Driving Distance in Oslo, Stavanger. Journal of Transport, Land Use, 10(1): 945-964.

Nelson A C. 2017. Compact Development Reduces VMT: Evidence and Application for Planners—Comment on "Does Compact Development Make People Drive Less?". Journal of the American Planning Association, 83(1): 36-41.

潘海啸，王紫瞻. 2020. 空间单元选择及多维度要素对职住平衡成效的影响. 城市规划学刊，（2）：25-31.

Pan Haixiao and Wang Zizhan. 2020. The Effects of Spatial Measurement Choice and Multidimensional Factors on Jobs-Housing Balance. Urban Planning Forum, (2): 25-31.

Stevens M R. 2016. Does Compact Development Make People Drive Less? Journal of the American Planning Association, 83(1): 7-18.

孙斌栋，潘鑫，宁越敏. 2008. 上海市就业与居住空间均衡对交通出行的影响分析. 城市规划学刊，（1）：77-82.

Sun Bindong, Pan. Xin, and Ning Yuemin. 2008. Analysis on Influence of Job-Housing Balance on Commute Travel in Shanghai. Urban Planning Forum, (1): 77-82.

孙斌栋，但波. 2015. 上海城市建成环境对居民通勤方式选择的影响. 地理学报，70（10）：1664-1674.

Sun Bindong and Dan Bo. 2015. Impact of Urban Built Environment on Residential Choice of Commuting Mode in Shanghai. Acta Geographica Sinica, 70(10): 1664-1674.

Sun B and Yin C. 2019. Impacts of a Multi-Scale Built Environment and Its Corresponding Moderating Effects on Commute Duration in China. Urban Studies, 57(10): 2115-2130.

孙铁山，范颖玲，齐云蕾. 2018. 北京公交就业可达性及其地区和人群差异. 地理科学进展，37（8）：1066-1074.

Sun Tieshan, Fan Yingling, and Qi Yunlei. 2018. Job Accessibility by Transit and Variation among Different Population Groups and in Different Regions in Beijing. Progress in Geography, 37(8): 1066-1074.

Susilo Y O and Maat K. 2007. The Influence of Built Environment to the Trends in Commuting Journeys in the Netherlands. Transportation, 34(5): 589-609.

仝照民，安睿，刘耀林. 2021. 建成环境对居民通勤方式选择的影响——以武汉市城中村为例. 地理科学进展，40（12）：2048-2060.

Tong Zhaomin, An Rui, and Liu Yaolin. 2021. Impact of the Built Environment on Residents' Commuting Mode Choices: A Case Study of Urban Village in Wuhan City. Progress in Geography, 40(12): 2048-2060.

王德，李丹，傅英姿. 2020. 基于手机信令数据的上海市不同住宅区居民就业空间研究. 地理学报，75（8）：1585-1602.

Wang De, Li Dan, and Fu Yingzi. 2020. Employment Space of Residential Quarters in Shanghai: An Exploration Based on Mobile Signaling Data. Acta Geographica Sinica, 75(8): 1585-1602.

王德，韩滨鹂，张天然，游智敏，李心恬. 2024. 手机信令数据的出行测度准确性分析——基于与居民出行调查数据的比较. 地理科学进展，43（5）：854-869.

Wang De, Han Binli, Zhang Tianran, You Zhimin, and Li Xintian. 2024. Accuracy Analysis of Mobile Signaling Data in Measuring Travel Indices: Based on the Comparison with Household Travel Survey. Progress in Geography, 43(5): 854-869.

Wu W and Hong J. 2017. Does Public Transit Improvement Affect Commuting Behavior in Beijing, China? A Spatial Multilevel Approach. Transportation Research Part D: Transport and Environment, 52: 471-479.

Yan X X, Zhou J, Sheng F B, and Niu Q. 2022. Influences of Built Environment at Residential, Work Locations on Commuting Distance: Evidence from Wuhan, China. ISPRS International Journal of Geo-Information, 11(2): 13.

Yang J, Shen Q, Shen J, and He C. 2011. Transport Impacts of Clustered Development in Beijing: Compact Development Versus Overconcentration. Urban Studies, 49(6): 1315-1331.

Yang H, Lu Y, Wang J J, Zheng Y L, Ruan Z H, and Peng J D. 2023. Understanding Post-Pandemic Metro Commuting Ridership by Considering the Built Environment: A Quasi-Natural Experiment in Wuhan, China. Sustainable Cities and Society, 96: 10.

尹超英，周建，林丽，邵春福，王晓全，王晟由. 2021. 城市建成环境影响下通勤时间和距离联合建模研究. 北京交通大学学报，45（3）：24-29.

Yin Chaoying, Zhou Jian, Lin Li, Shao Chunfu, Wang Xiaoquan, and Wang Shengyou. 2021. Joint Modeling Research of Commuting Time and Distance Considering the Impacts of Urban Built Environment. Journal of Beijing Jiaotong University, 45(3): 24-29.

Zhang L, Nasri A, Hong J H, and Shen Q. 2012. How Built Environment Affects Travel Behavior: A Comparative Analysis of the Connections between Land Use and Vehicle Miles Traveled in US Cities. Journal of Transport and Land Use, 5(3): 40-52.

Zhang M. 2004. The Role of Land Use in Travel Mode Choice: Evidence from Boston and Hong Kong. Journal of the American Planning Association, 70(3): 344-360.

Zhao P. 2013. The Impact of the Built Environment on Individual Workers' Commuting Behavior in Beijing. International Journal of Sustainable Transportation, 7(5): 389-415.

Zheng Z, Zhou S, and Deng X. 2021. Exploring Both Home-Based and Work-Based Jobs-Housing Balance by Distance Decay Effect. Journal of Transport Geography, 93: 103043.

Zhou M, Wang D, and Guan X. 2022. Co-Evolution of the Built Environment and Travel Behaviour in Shenzhen, China. Transportation Research Part D: Transport and Environment, 107: 103291.

周素红，邓丽芳. 2010. 基于T-GIS的广州市居民日常活动时空关系. 地理学报，65（12）：1454-1463.

Zhou Suhong and Deng Lifang. 2010. Spatio-Temporal Pattern of Residents' Daily Activities Based on T-GIS: A Case Study in Guangzhou, China. Acta Geographica Sinica, 65(12): 1454-1463.

Options
文章导航

/

〈 〉