城市路网布局结构对公共交通出行的影响研究
发展公共交通是公认的解决城市拥堵问题的良方，但关于如何促进城市公共交通实质性优先发展、有效提高人均公交出行频次，却一直没有很好的解决办法。一般认为影响人均公交出行的因素有社会经济、建成环境、公交供给等，但道路网布局结构的影响也不容忽视。城市地面公交系统依托于道路网络存在，城市路网的拓扑结构各异，其公交组织、出行成本等也各不相同，这些都可能深刻影响人们出行方式的选择。已有的研究虽然分析了路网密度对公共交通的影响，但由于缺少描述道路衔接关系和布局的评价指标，路网拓扑结构对公共交通的定量影响分析仍为空白。
本研究认为路网布局结构是影响公共交通出行的重要因素之一，并以能够衡量路网布局结构的定量指标即介数中心势为自变量，建立回归模型，以揭示路网布局结构和公共交通出行之间的相关关系。主要研究内容包括：
1、路网布局结构量化指标选取。路网布局结构是指一个道路网络的总体形态及拓扑结构。拓扑结构是组成路网的基本单元之间的相互衔接关系，路网的拓扑结构包括每个基本单元与其他基本单元之间的关系和与整个网络的关系。路网结构集聚度指标用来评价一个路网整体结构的中心化程度，即该路网的拓扑结构是分散的还是集聚的。在网络结构特性分析中，通常采用网络中心势指标描述作为一个整体的网络在多大程度上具有一个中心化的结构，即整个网络在多大程度上围绕着某些核心节点组织起来。因为介数中心势能够反映网络总体层次的中心势水平，是网络中最核心点的介数中心度与其他各点介数中心度之差的总和与最大可能的差值之比，对道路网集聚程度的描述能力较强。因此本研究采用介数中心势来表征路网布局结构。
2、路网布局结构与公共交通出行的相关关系研究。本文基于国内30个地级及以上等级城市的基础数据，采用能反映路网布局结构的介数中心势以及能反映公共交通使用现状的人均公共交通出行频次、并以二者为主要变量建立回归模型。实证分析中将同时纳入各城市经济发展现状、公共交通供给、道路网特征等指标。回归结果表明：城市路网的介数中心势与人均公交出行频次在95%的置信度下存在显著的正相关性，即人均公交出行次数随城市路网介数中心势的增加而显著增加。
3、公共交通导向的路网布局结构规划设计方法研究。相较于方格网状路网城市及环形路网城市，路网为带状或呈放射状轴向发展的城市的人均公交出行频次更高，即放射状路网比方格网状路网更有利于公共交通的发展。例如，深圳市以深南大道贯穿东西，沿轴向发展，因此其路网的集聚度较高，2014年深圳市人均公交出行频次则高达848次/年。而沈阳、郑州等城市，皆以方格网状路网为主要形态，辅以外围的环路，没有较为主要的交通节点，路网的集聚程度较低，人均公交出行频次也较低。
分析其原因，主要有以下两个方面：一方面，带状及放射状路网有利于城市中心区与周边郊区、各个组团之间的交通联系，有利于公交线路的组织。依托于几个主要节点的路网布局模式有利于公共交通换乘的设置，并降低公共交通的运营成本和提高公交服务水平；另一方面，方格网状路网由于连通性、可达性和灵活性要优于放射状路网，容易发挥小汽车“门到门”的优势，从而促进小汽车的使用和发展。因此，在以公共交通为导向的城市规划中，不能盲目地提高城市路网密度和路网连通度，应从提高城市介数中心势的角度入手，通过布局轴向道路、放射状路网以便于公共交通及轨道交通的组织和发展。
事实上，介数中心势某种程度上也反映了城市空间结构或城市形态特征，对与公交相适应的路网布局形态研究的同时也是对相适应的城市空间结构的讨论。本文通过引入特定指标和量化方法，阐明了路网布局结构与公交出行的关联性，并证实了”公交都市”之父—罗伯特·瑟夫洛先生提出的“城市适应公交而非公交适应城市”。
来源：石飞. 路网特征对出行方式选择的影响机理及面向公交导向的大城市路网优化配置研究[R]. 国家自然科学基金. 编号：51308281.
（供稿：吴凡，石飞）
基于随机需求确定共享电动汽车系统的充电站的最佳位置
根据全球人口预测，在21世纪上半叶，全球将会增加20至40亿的人口。而其中的绝大部分将会出现在城市，并且会给城市的能源供应和交通供给带来巨大压力。而共享电动汽车系统同时拥有电动和共享两大特色，将助于克服未来出现的环境污染、交通拥堵或化石燃料短缺等方面挑战。
截至2015年共享电动汽车系统只占到全球机动车市场份额的0.1%以下。其发展主要受到两方面因素的限制，首先电动汽车的充能时间远远大于燃料汽车，其次充电站的分布直接制约了电动汽车的出行灵活性。本研究旨在为共享电动汽车战略规划层面提供决策支持。而目前的相关研究主要关注于操作层面上的基于充电站现状的再选址问题，而没有从战略规划层面关注如何确定汽车共享充电站的最佳位置。
充电站的使用者往往关注使用的灵活性，而运营者更期望充电站的选址便于管理和维护。考虑到两者需求的差异，本研究开发并测试了一种两阶段随机整数线性回归模型。第一阶段决策考虑因素共有六个，主要围绕运营收益与建设成本，包括建设成本预算限制、运营利润最大化等。而第二阶段主要评估共享汽车服务的供需平衡。而由于该模型长时间的运行需要相当高的硬件设备要求，该模型可能无法应对实际中出现的中等或大规模问题。为此本研究提出了一种启发式算法。启发式方法是基于为车辆个体确定一组可行路线，随后在解决方案中迭代地考虑它们，同时尝试达到预期利润贡献最大化。该算法可以用于快速获取此类选址问题的最优方案。
为评价这种两阶段随机整数线性模型的实际表现。本研究创建了30×30的基准街道栅格实例行进试验。而每个网格单边的步行时间取值为1-5之间的随机值。结果显示，在给定的时间和内存限度内，所有小型或者中等大小的实例都可以解决。然而，所需的运算时间随着实例大小的增加而急剧增加。因此，许多较大的实例模型无法给出解决方案，或者给出的方案无法证明是最优的。此外，本研究还对比了启发式算法给出的解决方案与已知的最佳解决方案价值的差距，并观察到随着实例规模的增大差距也在增加。
然而，一个实例的难度并不会随着预算的增加或减少而严格增加。相反，启发式算法可以有效地解决经济预算非常低或高的实例。虽然这种趋势对于中小型事件来说是非常明确的，但是目前无法判断在处理大型时间中的情况。
本研究除了对栅格实例进行测试外还将其应用到了维也纳市的现实环境。其中街道网络基于OpenStreetMap2015年的数据建模而得。假设如果共享汽车服务可达性足够高，出租车出行很可能会被共享电动汽车替代。所以在这一部分利用市内的出租车出行总量(在2014年春季的某一周)评估汽车共享的交通需求。结果证明，启发式算法适用于解决8个中心区的选址问题，但不能应用于整个维也纳市的街道网络。在这些现实世界的实例中，充电站的理由选择位置证实了提出的优化问题的适用性。此外，如果继续增加超过总投资的33％的预算，仍然模型给出的解决方案仍会继续增加充电站数量，购买共享电动汽车数量和预期共享电动汽车出行次数。这可能因为启发式未充分利用给定预算的原因。如果有足够的预算，那么在启发式算法给出的解决方案能够满足城市中较大部分的共享电动汽车出行需求。而共享电动汽车出行需求与车辆供应的比例将在1到2之间。
最后本研究提出了几种未来拓展研究的方向。首先从计算过程的角度来看，开发更复杂的分步方法可能会获得一种比现在更加精确的算法。这样的算法可能适合于现实世界的大型实例，例如整个维也纳市。或者可以考虑使用元启发式方法代替本文中使用的贪婪启发式算法，可能会有更好的表现。除了算法改进之外，相关的研究方向包括开发模型，新的模型可能会考虑到运营者对共享汽车的移位等因素。
来源：BRANDSTÄTTER G, KAHR M, LEITNER M. Determining optimal locations for charging stations of electric car-sharing systems under stochastic demand[J]. Transportation Research Part B: Methodological, 2017, 104: 17-35.
（供稿：吴卓烨）
积极交通评价与规划中行人需求的估算
本文基于模型建构、实证研究，提出了一个基于四类建成环境因子（土地利用特征、街道网结构、交通可达性和居住人口密度），预测行人活动强度的方法。本研究的创新点在于：既有的许多研究虽证实了建成环境的某些特征与居住在某一环境下人们的身体活动与健康情况有关，但尚未提供一种可以预测某一地点步行活动强度的方法；与其他步行性分析方法不同之处在于，该模型可突破地理或行政边界的限制，系统性地应用于连续变化的城市全域空间中。这不仅使多个数据集可以在统计上进行横向比较，还更好地实现了分析结果的可视化，便于与利益相关者沟通；因此，该方法可转化为一种具有操作性的设计工具，应用于城市规划、城市设计、交通基础设施规划等相关领域中。
在步行性的研究中，步行活动通常会被进一步细分，以探究不同类型步行活动与环境要素之间的关系。其中最常见的分类方法是将步行活动分为交通性步行和休闲性步行。本研究关注于交通性步行活动，它也被认为是积极交通（Active Transport）的模式之一。研究的具体过程总结为以下3个步骤：
1、建成环境因子指标构建：研究从土地利用、居民人口、公共交通可达性与街道网结构这四类建成环境要素中提取（共了9个）影响因子：
A. 土地利用：
多样性公平度（land use diversity equitability）
土地利用强度（land use intensity）
多样性公平度强度（intensity of land use diversity equitability）
B. 居民人口：
人口密度（population density）
地址密度（address density）
C. 公共交通可达性：
公交车、地铁、铁路的综合可达性（Combined bus, rail and metro accessibility）
公交车可达性（Bus accessibility）
地铁与铁路可达性（Rail and metro accessibility）
D. 街道网结构（空间句法）
临近中心度（Closeness centrality）
进一步将9个因子的地理数据集分别投射到被划分为每栅格25m2的伦敦全域范围，从而得到连续变化的建成环境因子数据库。随后，利用Z分数法对栅格内的不同环境因子变量值进行标准化（0到1），以便于在统计测试阶段，不同变量之间可以直接进行比较。
2、因变量步行需求强度的构建：
为了评估建成环境变量在对伦敦地区行人活动位置和强度预测的有效性，研究使用了由伦敦交通局提供的出行需求调查。该调查包含了6年间总量达300000次由随机抽取住户提供的步行记录。通过对每一次出行的OD点进行定位，生成步行活动路径，将这些路径叠加到由直径为350m的六边形构成的伦敦地理空间地图中，从而得到行人步行活动的强度（单位m/m2），在本研究中即等价于行人的步行需求强度。
3、预测行人步行需求的模型构建：
为使建成环境因子与步行活动数据可比，研究随即将每栅格25m2的环境因子数据转化为与步行活动强度尺度相同的直径为350m的六边形。在评估建成环境因子与行人步行需求的关系之前，研究首先对路网临近中心度的最优半径（从400m到3000m）进行确定，通过对不同半径下的临近中心度与行人步行需求的相关性分析，得到最优半径为2000m（r2=0.76，p < 0.001）。
为得到有效的步行需求预测模型，研究将因变量步行活动强度分为两组：训练数据（60%）与测试数据（40%）。利用泊松回归分析9个环境因子对训练数据的影响，从分析结果中筛选出解释度最高的四个因子（土地利用多样性公平度强度，人口密度，公交车、地铁、铁路综合可达性，路网临近中心度r=2000m）用于最终的回归分析。经40%的测试数据检验，最终四个因子对行人活动需求的解释度高达到92%，说明该模型可以有效地预测行人步行需求强度。
该方法已经被证实可以有效地构建伦敦地区建成环境因子与行人步行活动需求之间的关系模型。这将有助于更深入地了解如何在市域范围内定位和连接积极交通基础设施，增加其积极影响，减少干预措施的不确定性和风险性。研究中基于空间句法的街道网络评估，可以更准确地建构行人步行需求模型，对于步行性以及相关的健康研究具有很大的应用潜力。它可以用来估算当前以及建成环境发生量化改变后未来的行人步行需求，在未来也可以将类似的方法应用于机动交通研究中。
来源：DHANANI A, TARKHANYAN L, VAUGHAN L. Estimating pedestrian demand for active transport evaluation and planning[J]. Transportation Research Part A: Policy and Practice, 2017, 103: 54-69.
（供稿：孙雪婧）
零冗余通勤情况下是否会有更少的人使用小汽车出行？对巴黎大都会区的探索
城市规划者已经探索了许多方案来降低城市交通的能源与环境成本，其中一个方案就是鼓励更加有效率的通勤模式。既有的关于“冗余通勤”的研究关注于对“冗余通勤”现象的解释、公共政策的制定、通勤效率的指标选择以及减少“冗余通勤”的实践方法。很少有研究关注当城市在零“冗余通勤”下的特征，包括能源消耗、温室气体排放以及交通模式选择等方面。基于此，本研究分析了更加有效的通勤模式对出行者交通模式选择的影响。如果通勤者与工作岗位按照平均通勤距离最小的方式来重新匹配，人们对交通出行方式的选择会作何改变？
本研究根据综合交通调查数据分析了巴黎大都会区内的交通模式分配情况，发现长距离通勤的交通模式很大部分由公共交通承担，而中距离出行则大部分由私人小汽车承担。基于此，零冗余通勤导致的额长距离通勤的增加和中距离通勤的减少将分别减少公共交通的市场份额和增加小汽车的市场份额。为验证上述猜想，本研究使用了法国人口普查与综合交通调查（CTS, Comprehensive Transport Survey）的数据，对零冗余通勤状态下的城市交通模式分配进行了模拟，并比较了零冗余通勤的理想状态和目前实际状态下的交通模式分配，从而来评估零冗余通勤对出行者交通模式选择的影响。
首先，本研究通过TransCAD软件中的“交通问题（Transportation Problem）”算法来模拟平均通勤距离最小的情况，并在计算中将出行者按照5个职业类别和2个受教育等级分为10类，分别进行工作岗位和出行人群的重新分配。最后，以自治区（municipality）为单元，得到了巴黎大都会区范围内所有单元之间以及单元内部的通勤流量和通勤距离。
随后，本研究采用综合交通调查数据，以交通模式选择作为因变量，以居住区、工作区以及居住与工作之间的距离作为自变量，进行回归模拟。其中，交通模式定义了7种形式：轨道交通、公共汽车、轨道交通与公汽结合、私人汽车、私人汽车与公共交通结合、机动摩托车、其他温和的交通方式（包括步行和自行车）；居住区和工作区分为五类：巴黎内城区、近郊区、远郊区、外围卫星城、低密度的半城市化地区；距离则分为7个等级：低于1km、1-2.5km、2.5-5km、5-10km、10-25km、25-40km、高于40km。然后，作者将出行者分为高收入人群和低收入人群建立了两个回归模型，分别计算两种出行者在不同的自变量组合下对交通模式的选择偏好。
研究发现，零冗余通勤下，超长距离（＞20km）和长距离出行（10-20km）大幅度下降，而短距离和中距离出行（＜10km）占据了主导地位（>3/4）。其中，2-5km出行距离从现状的20%增加到50%。总体而言，零冗余通勤减少了巴黎大都会区内56%的出行距离，平均出行距离从现状的9.7km下降到4.3km。同时，小汽车出行的比例显著上升（上升了11%），而小汽车与公共交通结合出行的比例则相应降低；轨道交通出行的比例显著下降，而公共汽车出行的比例获得了56%的提升。可以推论，由于中短距离出行的主导地位，零冗余通勤将促进公共汽车等轻型公交及小汽车的使用，但对轨道交通的发展不利。
进一步地，研究发现零冗余通勤对不同地区和不同出行人群的出行模式分配有不同的影响。对于不同的地区，零冗余通勤都强化了该地区现状最有竞争力的出行方式。例如，在巴黎内城区，步行和自行车出行比例显著提高，小汽车出行比例则下降；而在近郊区和远郊区等本来就以小汽车出行为主导的地区，小汽车出行的比例显著上升。因此，零冗余通勤促进了通勤方式的两极化，一方面促进内城地区使用更加温和的交通方式，另一方面促进郊区更多地使用小汽车。而零冗余通勤对不同人群出行选择的影响更加复杂：一方面，高教育水平的精英阶层（经理、专家和职员）使用步行和自行车等温和出行方式的比例上升，而低教育水平的精英阶层表现为更多地使用小汽车；另一方面，低教育水平的蓝领工人选择步行与自行车的比例增加，而高教育水平的蓝领使用小汽车的比例增加。
总体而言，本研究阐述了零冗余通勤对不同出行模式选择的影响，并证实了零冗余通勤将增加小汽车使用的假设。使用综合交通调查数据的局限性是，对交通模式的预测是将自治区单元归纳到上述五类区域进行计算，模糊了数据的差异性。因此，本研究又采用人口普查数据对上述模型进行了佐证。
来源：KORSU E, N