1、上海中心城就业中心体系测度基于手机信令数据的研究 丁亮 钮心毅 宋小冬 同济大学建筑与城市规划学院 摘 要： 利用手机信令数据识别上海市域内手机用户的工作地和居住地,获取就业者的通勤数据,测度上海中心城的就业中心体系。首先用就业者工作地数据生成就业密度分布图,基于中心城的就业密度识别就业中心。随后,用就业者工作地和居住地数据分别从就业密度和通勤联系两方面测度各中心的能级、分析各中心的腹地和势力范围。研究发现:1 上海中心城的就业中心呈主中心强大的弱多中心体系;2 就业密度越高的中心与其他地区的通勤联系一般也越强,但通勤联系在各中心间的差异更显著;3 能级越高的中心腹地面积越大,但势力范围不一定
2、越大;4 相比于能级,职住功能混合度对职住平衡的影响更大;5 缺少就业中心的地区势力范围呈交替状。本研究一定程度上能有助于解决既往就业中心体系研究因空间单元较大、缺少通勤数据在中心识别、通勤联系测度等方面受到的局限,希望能为构建上海中心城就业多中心体系提供帮助。关键词： 就业中心体系; 手机信令数据; 通勤; 上海中心城; 作者简介：丁亮(1986-),男,浙江绍兴人,博士,研究方向为城乡规划技术与方法。E-mail:作者简介：钮心毅(1971-),男,浙江湖州人,博士,副教授,研究方向为城乡规划技术与方法。E-mail:收稿日期：2015-09-01基金：同济大学高密度区域智能城镇化协同创新
3、中心种子基金Measuring the employment center system in Shanghai central city:A study using mobile phone signaling dataDING Liang NIU Xinyi SONG Xiaodong College of Architecture and Urban Planning, Tongji University; Abstract： The purpose of this study is to explore the employment center system in the centr
4、al city of Shanghai by using commuting data obtained from mobile phone signaling data in Shanghai. Based on the signaling data it is possible to identify the phone users home residence and where their employment is. We compile the employment density map using the employment places data in order to i
5、dentify the employment centers in Shanghai. Then the employment center system is measured based on two perspectives, namely employment density and commuting connection. We measure the level, the hinterland and influence sphere of each employment center in Shanghai central city. Our main conclusions
6、are as follows: firstly, the employment center system in Shanghai central city is a weak multi-centric system with a strong primary center. Secondly, centers with higher employment densities also contain stronger commuting connections to other areas, and the discrepancies of commuting connections be
7、tween centers are even more significant. Thirdly, centers with higher levels also have larger hinterlands, but their influence spheres are not necessarily larger. Fourthly, the mixed degree of residential and employment land use is a more significant determinant of the residential and employment lan
8、d use pattern balance of employment center than the level of the center. Finally,influence spheres are alternately distributed in areas that lack employment centers. To some extent, this paper helps to solve the problems of identifying employment centers and measuring commuting connections. Previous
9、 studies have been unable to perfectly identify such centers due to either an overly large spatial unit of measurement or lack of commuting data. This paper will be helpful for constructing multi-center employment system in the central city of Shanghai.Keyword： employment center system; mobile phone
10、 signaling data; commuting; central city of Shanghai; Received： 2015-09-011 引言上海中心城是指上海外环线以内的城区,面积约 664 km,有约 1132 万常住人口和 417 万第三产业就业岗位,以占全市行政辖区 10%的面积集聚了全市 49.2%的常住人口和 75.9%的第三产业就业岗位。近年来,随着土地资源愈发紧缺,优化调整空间结构、完善中心城的多中心体系显得尤为重要。但是客观现实究竟如何?例如就业岗位如何分布,就业中心规模多大、就业者来自何处等,如果无法准确把握这些基本特征,为构建多中心体系而调整土地使用、建设交
11、通设施、配置公共设施就有可能发生目标和效果的错位、偏移。从产业功能的角度,城市中心的首要条件应是就业中心。对此,已有学者开展了调查和测度工作,认为上海中心城已形成了多个就业中心1,有主次之分2,就业中心体系正在向多中心、多层级、网络化方向发展。但前人收集数据时,空间单元可能过大(例如以街道为单元),无法在较大的空间单元内部再细分,就业中心的边界只能和某个或几个空间单元重合,与实际边界可能存在偏差1,3-4,且缺少对就业者通勤方向和范围的研究。调查手段、基础资料是造成上述局限的主要原因。近年来随着移动通信的普及,手机用户的时空轨迹可以通过基站记录下来,可能改变上述不利局面。例如在上海中心城内,平
12、均每个移动基站单元覆盖面积约 2.5 hm,远小于街道平均面积 830 hm。笔者正是利用手机信令数据,试图在较小的空间单元上,通过分析就业者工作地分布、工作地与居住地的通勤联系来测度上海中心城的就业中心体系,为城市研究、城市规划提供基础信息。本文将侧重于以下 4 方面: 就业岗位如何分布,哪些地区就业最密集,以此来识别就业中心; 各中心的就业密度有多大、与其他地区的通勤联系有多强; 各中心吸引和辐射多大范围; 不同地区的就业者主要受哪个中心吸引。2 相关研究综述2.1 就业中心体系测度方法就业中心识别一般以就业密度为依据。Giuliano 等5提出就业中心是指就业密度大于 0.25 万人/k
13、m 且就业岗位总数大于 1 万的地区,并用交通调查中的就业密度数据从洛杉矶 1146 个交通小区中识别出了 32 个就业中心(平均每个交通小区面积 800 hm),但无法识别密度较低和面积较小的就业中心。Mcmillen6用交通调查数据,基于单中心空间结构的假设提出局部加权回归和半参数回归的方法,解决了识别较低密度就业中心的问题,但受统计单元面积(1001500 hm) 限制依然无法识别面积较小的就业中心。Vasanen7利用 250 m250 m 栅格的通勤数据,用更简单的就业密度局部空间自相关(Local Morans I) 识别了芬兰 3 个城市的就业中心,避免了统计单元面积的影响,并将
14、面积最大的聚类区识别为主中心,其余聚类区识别为次中心。由于有较小空间单元的就业岗位数据,中心范围不受统计单元影响,中心识别也不需要采用复杂的数学模型。因该精度的数据难以获取,当前国内的就业中心识别仍主要采用 Giuliano 或 Mcmillen 的方法1-4,8-10。就业中心能级测度一般有就业规模(总量、密度) 和功能联系(通勤、信息) 两个方向。当前西方学术界的就业多中心体系研究分别用各中心就业岗位总量的均衡性测度形态多中心(Morphological Polycentricity)6,11,用各中心通勤或信息联系强度的均衡性测度功能多中心(Functional Polycentrici
15、ty)11。其中功能联系的测度方法尚在探讨中:例如 Green12认为还应考虑通勤、信息联系量,联系量越大、越均衡越趋近于功能多中心;Vasanen7则认为应考虑通勤联系的空间权重,与居住人口多的地区通勤联系越紧密,功能联系强度越大,用主次中心的就业者居住密度分布与所有就业者居住密度分布的最小二乘法直线决定系数(R) 的比值表征功能多中心程度。上述研究虽未明确提出测度各中心能级的指标,但就业岗位总量和通勤联系强度其实表征了各中心的能级。例如Burger 等11用就业岗位总量表征形态多中心体系中各城市节点性(Nodality) 的分值,用从研究区域之内、城市之外进入城市的通勤联系量表征功能多中心
16、体系中各城市内部中心性(Internal Centrality) 的分值。国内的就业中心体系研究则一般采用经济普查的就业岗位数据,以街道为空间单元,通过就业密度识别中心再依据密度进行能级划分1-4,8-10,属基于就业规模的能级测度方法,基于功能联系的能级测度限于通勤数据较难获取还难以开展1。腹地、势力范围也是就业中心体系研究的内容,但当前研究多在区域层面开展,一般将城市作为整体,利用人口、交通等数据测度城市与区域其他地区之间的相互联系13-14。城市内部的就业中心腹地、势力范围研究因数据统计的空间单元较大,难以分析各中心就业者来自何处还难以开展。2.2 基于手机数据的研究探索就业中心体系研究
17、需要就业岗位数据和通勤联系数据。经济普查虽可获取各企业的就业岗位数据,但公开数据的最小空间单元(街道) 相对就业中心可能过大1,3-4或与实际就业中心范围不吻合,有可能会降低就业中心的实际密度,导致某些实际存在的就业中心未能被识别;且经济普查数据不包含通勤信息,无法从功能联系的角度测度就业中心。调查数据虽可同时获取这两类数据,但在城市尺度普通研究者的调查样本量难以支撑研究;交通调查抽样率较低、缺少就业地抽样,且原始数据不公开,经汇总后的公开数据的空间单元精度与经济普查类似,无法对研究有实质性帮助。近年来出现的移动定位大数据(如手机数据、出租车 GPS 数据、公交刷卡数据等)实时记录了用户的时空
18、轨迹,通过数据分析可从中获取人流密度或通勤联系等数据,已有学者利用这些数据开展了城市空间研究15-25,空间单元一般可控制在 100 hm 内,统计的用户数量往往在百万级别以上,一定程度上有助于解决过去数据缺陷造成的影响。本文利用的手机信令数据实时记录了手机用户在发生通话、收发短信、切换基站、位置更新等事件时手机连接的基站位置,通过分析手机用户的时空轨迹可从中获取用户的通勤信息作为就业中心体系研究的基础数据。当前已有学者利用手机数据通过工作地、居住地识别研究与就业通勤相关的问题。例如 Ahas 等26用连续 12 个月的手机通话数据识别了约 45%的用户工作地和居住地;Becker 等25用
19、Morristown 约 13 km 内 35 个基站在两个月中记录的手机话单数据(平均每个基站单元面积约 37 hm) 识别用户工作地和居住地,并用识别数据分析了 Morristown 的就业者居住地,得到了该城市的通勤范围。许宁等27用 1 天的手机定位数据、结合用地性质识别了约 28%的用户工作地和居住地,并用识别数据分析了深圳 3 个典型居住区和就业区的通勤特点。上述研究中,居住地识别结果与人口普查的相关系数分别为 0.86、0.81、0.95,说明通过手机数据识别的居住人口分布可反映较真实的人口分布情况。但已有研究还未能探讨就业中心体系。3 数据来源及初步处理本文采用上海移动 201
20、1 年连续 5 个普通工作日的手机信令数据,包括经加密的唯一用户识别号(匿名编号,不涉及个人信息)、信令类型、信令发生的时间、信令发生时手机连接的基站等内容。在市域范围内平均每天有约 1700 万用户的信令数据,共约 8 亿条记录,这些数据通过 5.9 万个基站(中心城内约 2.7 万个基站,平均每个基站单元面积约 2.5 hm)对手机用户进行空间定位,空间单元精度远高于街道(中心城涉及 116 个街道,平均每个街道面积约 830 hm)。考虑到就业有多种规律,例如某些就业者只上下午班,某些作三休一,某些工作地不固定,对城市空间的使用随时间变化而不同,使就业中心在不同时间形成不同的中心体系。为
21、简化研究,本文仅研究由最普遍的 8 小时工作制、有固定工作地的就业者集聚形成的就业中心。依据这一规律处理数据:选取工作日典型工作时间的 10:00、11:00、14:00、15:00、16:00 为识别工作地的特征时间点。若某一手机用户每天至少有 3 个时间点在同一基站或附近 1000 m 内的基站,就将该基站识别为该日该用户的工作地,若连续 5 个工作日中至少有 3 个代表工作地的基站位置相同或在附近 1000 m 内,就将该基站识别为该用户的工作地。夜间选取休息时间 00:00、01:00、02:00、03:00、04:00 为识别居住地的特征时间点,用同样的方法识别出代表用户居住地的基站
22、。最终从约 1700 万常住用户(5个工作日至少出现过 3 次的用户) 中识别出约 1296 万用户的工作地、约 1239万用户的居住地。其中约 1002 万用户能同时识别出工作地和居住地,识别率约59%。对比类似的研究26-27,这一识别率可以接受。识别结果中有约 322 万用户的通勤距离是 0 m (工作地和居住地代表的基站相同),这部分用户有可能是日夜都位于同一地点的退休者、家庭主妇等;也有可能是日夜都位于同一基站覆盖范围内的就业者,考虑到有 64.6%的这类就业者位于中心城外。经权衡后最终使用通勤距离大于 0 m 的约 680 万(其中中心城约 326 万) 用户的通勤数据(表 1)。
23、以全市就业岗位 1252 万估计,抽样率约为 54.3%。为检验上述识别方法的准确率,笔者以中心城 116 个街道为空间单元,检验六普常住人口和用手机信令数据识别的全部居住人口的线性相关性。经计算,两者呈正相关,通过 99%的置信区间检验,相关系数 0.84,属极强相关。对比类似的研究25-27,考虑到移动手机用户数及符合本文就业规律的就业者在各街道占比不一致等误差,这一识别准确率可以接受。用该方法识别的居住地基本能反映真实的居住空间分布。关于工作地识别准确率的检验因经济普查原始数据不公开,现阶段无法实现。考虑到本文仅研究在固定工作地停留 8 小时的就业者,其在工作地的时空轨迹特征与居住地较相
24、似,用居住地识别方法识别的工作地也应能基本反映就业者真实的工作空间分布。4 就业中心识别和能级测度4.1 就业中心识别将从手机信令数据中获取的就业者通勤数据按代表工作地的基站汇总,得到每个基站连接的就业人数。但现实中就业者并非完全位于基站所在位置,而是位于基站覆盖范围内的某一地点。为模拟真实的就业者密度分布情况,在 Arc GIS 10.2 中以 800 m 为搜索半径做核密度(Kernel Density) 分析,将每个基站连接的就业人数分摊到 200 m200 m 的栅格中,每个栅格的属性值就代表该栅格的就业密度。表 1 用户通勤数据 Tab. 1 The attributes of co
25、mmuting raw data of mobile users 下载原表 确定核密度分析的搜索半径时,考虑了以下两个方面。首先,根据 Becker 等25的研究,将基站连接的就业人数转换为就业密度需要考虑每个基站的覆盖范围,选取 Morristown 一个基站的覆盖范围,约 2.6 km(半径 910 m) 折算就业密度较合理。基站覆盖范围受信号塔高度、信号发射强度、地形和建筑物遮挡等因素影响,每个城市会有不同,同一城市内不同地区可能也会存在较大差异。上海中心城内基站覆盖半径约 5001000 m (部分基站覆盖范围重叠),部分地区基站间距小于 500 m。若搜索半径小于 500 m,核密度
26、分析结果会出现较多密度未覆盖地区,与现实情况不符。其次,核密度分析采用二次核函数在搜索半径内以核曲线上的纵轴(核表面) 值分配密度,每个栅格的密度为叠加在栅格上的所有点的核表面值之和,增大搜索半径虽然会使栅格叠加更多点的核表面值,但计算每个核表面值时会除以更大的面积,因此半径变化不会使计算结果发生很大变化,更大的半径会得到更加概化的输出栅格,适合更大的分析尺度。考虑到研究尺度为中心城(南北长约 26 km,东西宽约 28 km),还需要对更小尺度的就业中心进行分析,搜索半径取 800 m 较合适。随后,根据 Arc GIS 提供的自然间断点分级法(Natural Breaks),将就业密度值分
27、为 5 个等级显示(该方法可获得组间差异最大,组内差异最小的效果)。利用自然间断点分级法特点,将就业密度数值较高的栅格分别划入一级、二级密度分组。使用局部 Morans I 指数,以反距离法表达空间关系,取 800 m 距离阈值,在 1%显著性水平下选出就业密度的高值聚类区。根据以就业密度判断就业中心的方法,将位于高值聚类区、密度等级高于二级、面积不小于 19 hm 的地区识别为就业中心。内环内的就业中心呈面状集聚(图 1)。根据一级密度分布情况、对就业中心的传统认知以及上海市中心城分区规划(2004)(下文简称分区规划) 中确定的公共中心及其范围,将这些中心再分为陆家嘴、徐家汇、南京西路等
28、13 个中心,与内环外的新曹杨高新技术园区、虹桥涉外贸易中心等 6 个中心共同构成上海中心城就业中心体系。这些就业中心以只占中心城 7.7%的面积集聚了 33.8%就业岗位。从空间分布来看,就业中心呈现较显著的弱多中心体系。各中心主要沿地铁 2 号线两侧分布,在浦西内环内集聚形成就业集聚区,包括 11 个就业中心,面积 42.6 km,浦西内环以北和浦东内环以外无符合识别条件的就业中心。与分区规划相比,规划确定的市级主中心基本已经形成,范围远超规划。市级副中心只有徐家汇建设成型,真如、江湾五角场和花木尚无可识别的就业中心。曹安、新曹杨高新技术园区、曹杨路、虹桥临空经济园区、漕河泾经济技术园区是
29、规划之外新形成的就业中心。4.2 就业中心能级测度根据研究综述,可用就业规模和功能联系测度就业中心能级。本文分别选用就业密度和考虑了空间权重的通勤联系测度。某中心的就业密度越高说明该中心单位面积对就业者的吸引力越强,相应的就业密度视角的能级也越高。某中心与就业者居住密度高的地区通勤联系越紧密,说明该中心对更多就业者的就业和居住空间选择产生影响,其空间影响力越强,相应的通勤联系视角的能级也越高。4.2.1 就业密度视角的能级图 1 中各中心的就业密度如表 2 所示,将就业密度以极小化方法做标准化处理(各中心的就业密度除以最高密度中心的密度值) 得到就业密度视角的能级,为便于比较,再用自然间断点分
30、级法将能级分为高、中、低 3 个等级,分别表示一级中心、二级中心、三级中心。各中心的等级呈圈层状由中心(人民广场) 向外递减(图 2),表明从就业密度来看,就业中心呈主中心(一级中心) 强大的弱多中心体系。一级中心基本符合传统认知、集中于人民广场附近,二级中心位于一级中心外围。一级、二级中心基本是分区规划确定的中心。三级中心多为新兴中心,基本位于中心城西部外环线周边,与人民广场距离较远且面积较小。4.2.2 通勤联系视角的能级将就业者按其工作地所在的就业中心分类,代表居住地的基站以 800 m 为半径做核密度分析,生成 200 m200 m 的栅格密度图,表示各中心就业者居住密度分布。根据 V
31、asanen 提出的与居住人口多的地区通勤联系越紧密,功能联系强度越大的方法7,以栅格为单元计算各就业中心与所有就业者居住密度分布的最小二乘法直线决定系数(R),某中心的 R 越大说明两者分布的一致性越高,该中心与就业者居住密度高的地区通勤联系越强。图 3 是上述测度方法的示意,SC1 中心的就业者居住密度分布与所有就业者居住密度分布的一致性明显比 SC2 中心高,表明SC1 中心与就业者居住密度越高的地区通勤联系越强,其能级也越高。图 1 上海中心城就业密度及就业中心 Fig.1 The pattern of employment density and employment centers
32、 in central city of Shanghai 下载原图图 4 为南京西路和曹安的 R 计算结果。每个散点表示中心城内的一个栅格,横坐标表示就业中心的就业者居住密度在各栅格上的值,纵坐标表示所有就业者居住密度在各栅格上的值。若某一中心就业者居住密度与所有就业者居住密度分布一致,散点应分布在一条直线上,R 为 1。但现实中并不存在这种情况,因此,只要在所有就业者居住密度高的栅格中该中心的就业者居住密度也较高,则 R 越高,越趋近于 1。根据计算,R 最大的南京西路为 0.2627,最小的曹安为 0.0129 (表3)。说明南京西路的就业者居住密度分布与所有就业者居住密度分布的一致性高于
33、曹安。其余 17 个就业中心的 R 如表 3 所示。表 2 上海中心城各中心就业密度(万人/km)Tab. 2 The employment density for each center in central city of Shanghai (万人/km) 下载原表 图 2 上海中心城就业密度视角的就业中心能级和等级 Fig. 2 The density grade of each employment center in central city of Shanghai 下载原图图 3 上海中心城通勤联系视角的能级测度方法示意7Fig. 3 Measuring method for em
34、ployment centers level in the perspective of commuting connection in central city of Shanghai 下载原图图 4 上海中心城两个典型中心 R 计算结果 Fig. 4 The correlation estimation for two typical cases in central city of Shanghai 下载原图注:就业者居住密度指能同时识别出工作地和居住地的用户的居住密度,并不代表真实的居住密度。图 5 上海中心城通勤联系视角的就业中心能级和等级 Fig. 5 The commuting
35、level of each employment center in central city of Shanghai 下载原图表 3 上海中心城各中心 RTab. 3 The correlation results for each center in central city of Shanghai 下载原表 将各中心的 R 标准化后得到通勤联系视角的能级,用自然间断点分级法分为 3 个等级。部分中心的能级发生了变化(图 5):老西门豫园从一级降为二级,四川北路、张杨路从二级降为三级,曹杨路从三级升为二级。但总体上,各中心的等级同样呈由中心向外圈层递减的规律,一级中心仍然集中在人民广场附近
36、。表明从通勤联系来看,就业中心依然呈主中心强大的弱多中心体系。4.2.3 两个视角的能级比较就业密度视角的能级表征了各中心单位面积对就业者的吸引力大小,通勤联系视角的能级表征了各中心对空间的影响力强弱。两者呈线性正相关(通过 99%置信区间检验,相关系数 0.85,属极强相关)。表明吸引力越大的中心空间影响力一般也越强(图 6)。图 6 上海中心城就业密度和通勤联系视角的能级比较 Fig.6 The correlation test of employment density and commuting level in central city of Shanghai 下载原图为比较两个视角
37、下就业中心发展的均衡程度,计算各中心能级的标准差。就业密度视角下上海中心城就业中心能级的标准差为 0.14,通勤联系视角下能级的标准差为 0.27,表明从通勤联系来看,各中心发展较不均衡。以往受数据制约,判断就业中心能级的依据多是就业密度,通过直观的密度表征能级大小。但通过通勤联系视角的能级测度发现:(1) 依据就业密度,各中心对就业者吸引力差异不大,能级最高的南京东路外滩和最低的曹安也仅相差 1.1 倍,但依据通勤联系,各中心对空间的影响力却呈现出较大差异,能级最高的南京西路和最低的曹安相差达 19 倍。这种现象可能是由区位和交通条件造成的。例如,南京西路位于城市中心地区、有 4 条地铁线穿
38、越,3 个地铁站点,能从全市范围吸引就业者前来就业,且其主要腹地位于静安区、虹口区等就业者居住密度较高的地区;而曹安位于中心城西部,尚无地铁线,仅能从周边就业者居住密度相对较低的地区吸引就业者(图 7)。图 7 上海中心城典型就业中心腹地 Fig. 7 Hinterlands of the typical employment centers in central city of Shanghai 下载原图注:由于各中心就业者居住密度的数值差异较大,难以使用相同的密度值标准分级,故采用分位数的方法分级。依据四分位数间断值取 25%、50%、75%,将密度值位于前 25%位序的栅格确定为就业者居
39、住密度的高值区。(2) 整体上就业密度越高的中心通勤联系一般也越强,但依然存在个别例外,部分传统认知上能级较高的中心与其他地区的通勤联系较弱。如张杨路、长寿、四川北路的就业密度高于漕河泾经济技术开发区和中山公园,但从通勤联系来看恰恰相反,四川北路的能级远低于中山公园,只有后者的 1/5。从区位和交通条件来看,中山公园和四川北路差异不大,甚至四川北路的交通条件更好。四川北路的能级较低可能与其就业岗位类型有关。中山公园有较多生产性服务业岗位(IT、设计等),对就业者学历、专业能力的要求较高,就业者来自全市范围;相比而言,有较多消费性服务业岗位的四川北路对就业者的要求不高,就业者多来自周边地区(图 7)。4.2.4 就业中心综合能级就业密度和通勤联系视角的能级虽然呈显著的线性正相关,但两者不一定完全一致,就业密度高的中心通勤联系有可能相对较弱。因此,就业中心的能级需要从就业密度和通勤联系两方面共同测度,只有就业密度高且通勤联系强的中心才能认为具有较高能级,以两者能级的乘积表征综合能级(下文若无说明,能级均指综合能级)。经计算,南京西路、南京东路外滩等 5 个中心属于一级中心,老西门豫园、徐家汇等 8 个中心属于二级中心,张杨路、新曹杨高新技术园区等 6 个中心属于三级中心(图 8)。5 就业中心的腹地和势力范围分析5.1 就业中心的腹地分析
