0161.利用公交一卡通刷卡数据评价北京职住分离的空间差异

0161.利用公交一卡通刷卡数据评价北京职住分离的空间差异 龙瀛，崔承印，张宇，何莲娜 (北京市城市规划设计研究院，北京 100045) 摘要： 本文基于 2008年北京市连续一周的公交 IC卡（Smart Card Data, SCD）刷卡数据，结合 2005 年居民出行调查、地块级别的土地利用图，识别公交持卡人的居住地、就业地和通勤出行，进而评价 北京职住分离的空间差异特征，具体的：1）将识别的通勤出行分别从通勤时间和距离角度，与居民 出行调查数据和其他已有北京相关研究进行对比，显示较好的吻合性；（2）对来自三大典型居住区和 去往六大典型办公区的通勤出行进行可视化并对比分析；（3）对全市基于公交的通勤出行进行可视化， 并识别主要交通流方向。 关键词：公交 IC卡刷卡数据；职住关系；通勤时间和距离；空间错位；北京 1 研究背景和已有相关研究 本文旨在利用海量公交 IC 卡（Smart Card Data, SCD）的刷卡数据，识别北京市的居 住－就业（Housing-jobs）区位分布二者之间的关系，并对公交通勤出行进行识别、评价和 可视化。以往的职住分析主要基于问卷调查数据开展。目前，随着基于位置服务（Location Based Services，LBS），如移动通讯（GSM）、全球定位系统（GPS）、社会化网络（SNS）和 无线宽带热点等技术的进步和广泛应用，大规模、高质量的个体时空数据的获取正不断成为 可能，这些遍布（Ubiquitous）的个人贡献（Volunteered）的数据对描述和理解城市空间 结构提供了新的渠道[1-2]。从 Shavol[3]提出人类感知（Human Sensing）以来，LBS技术已经 被越来越多地应用于城市研究中，但是还在起步。在更多的城市空间结构研究，多采用典型 调查的方法获取个体数据[4]，获取大容量微观样本还存在一定的障碍[5]。 公交 IC 卡刷卡数据 SCD 作为一种大规模的具有地理标识（Geo-tagged）和时间标签的 数据，可以用于城市空间结构的研究与分析。以往这类研究主要基于居民出行调查数据开展， 但是这种调查成本高，每隔几年才能开展一次，而 SCD 具有连续型好、覆盖面广、信息全面 且动态更新等优点，因此在城市研究中具有较好的可应用型。在国外，有研究建议使用 SCD 进行公共交通的规划设计决策[6]；Joh和 Hwang[7]利用首尔大都市区 400万人次的 1000万次 SCD，分析了公交卡持有者的出行轨迹与都市区的土地利用特征；Jang[8]利用首尔 100 万次 SCD，对公交出行时间和换乘信息进行估计；Roth等[9]基于伦敦实时的 Oyster卡数据库，得 到伦敦地铁乘客移动特征，用来分析多中心的城市结构。在国内，截至 2007年，有超过 100 2 个城市启动了公交 IC卡收费系统[10]，利用 SCD已有部分研究，如董晓晶等[11]开发了一套北 京 SCD处理工具，为公交线网优化和交通管理提供依据；彭晗等[12]利用长春市的公交 IC卡 数据，辅助支持城市公交换乘枢纽选址；杨智伟等[13]基于大连 SCD进行客流预测。总体上， 这些研究主要侧重于利用 SCD支持交通系统的规划设计和交通系统特征，少有研究利用 SCD 进行城市结构分析，如职住关系、通勤出行时空分布等。 本文拟基于 2008年北京市连续一周的 SCD分析北京的职住关系和通勤出行特征1。北京 自 2006年 4月 1日起，全面推行公交 IC卡[14]，截至 2007年 4月 2日，全市公交 IC卡销售 量已接近 1000 万张，目前乘用公交车的乘客刷卡比例已超过 90%。2008年北京的公交出行 比例已经超过 30%[15]，因此公交出行数据可以很好的反映城市社会空间的变化情况。本文主 要探讨如何对 SCD进行预处理，并基于传统的居民出行调查和城市 GIS数据建立 SCD数据挖 掘的规则，并将结果与已有研究进行对比。 2 职住分离评价所用到的基础数据 2.1 公交线路、公交站点和交通分析小区（TAZ） 公交线路和公交站点 GIS 图层用于将 SCD 进行空间化（Geocoding）。北京市 2008 年 4 月共有 600 多条公交线路（按上下行计算共计 1287条，其中一票制 566 条，分段计价线路 721条，见图 1a）。共有约 3.7万个公交站点（见图 1b），为分析方便，北京市域划分为 1118 个交通分析小区（Traffic Analysis Zone，TAZ）（见图 1c）。 (a) (b) 1 暂不包括轨道交通刷卡数据。 3 (c) (d) 图 1 北京市公交线路（a），公交站点（b），交通分析小区（TAZ）（c）和土地使用现状图（d） 2.2 土地使用现状图 本研究引入地块（Parcel）级别的土地使用现状图（2007 年，见图 1d）作为识别居住 地和就业地的依据之一，该图层包含每个地块的土地使用功能和建筑面积属性。本文假设居 住地来自居住类地块，而就业地则来自商业、公共设施和工业等类型地块。在总计 133503 地块中，有 29112个居住地块和 57285个就业地块[16]。该图层将用于计算每个公交站点作为 居住或工作地的概率，以处理使用一周数据得到的重复性结果（具体见“3.3 基于一周 SCD 识别职住地”）。 2.3 海量的公交 IC 卡刷卡数据（SCD） 本文所利用的 SCD为 2008年 4月北京市完整一周（周一至周日）的刷卡记录，鉴于非 技术原因不包括祥龙公司的运通线路和轨道交通数据。记录涵盖的基本信息包括：每个持卡 人刷卡的时间和地点（其中地点以线路号和站点号表示）、卡类型（普通卡、学生卡或工作 人员卡等）、交易序号（表示持卡人累计刷卡次数）、司机编号和车辆编号等。该一周数据共 有 77976010次刷卡记录，对应 8549072张一卡通，因此可估算每卡日均使用约 1.30 次。 北京公交线路按照计价方式分为两种，其一为短距离的一票制线路，主要位于中心城地 区，每次应收票价 1元，刷卡四折优惠，实收 0.4元。对于此类刷卡记录，SCD仅记录上车 刷卡时间，上车刷卡站点虽有记录但位置信息不准确。其二为分段计价线路，这一类线路的 路线一般较长，一端或两段位于五环外，计价方式为分段计价，一般为 1元起价（刷卡实收 0.4元），根据乘坐距离长短，10公里后每增加 5或 10 公里增加 1元。这类线路的 SCD则记 4 录了持卡人的完整刷卡时空信息。一票制线路只有部分出行信息，难以识别职住地，但一票 制线路不会影响两次分段计价线路之间乘坐一票制线路这种情况的识别结果。 2.4 利用居民出行调查确定识别职住地的规则 北京市在 1986 年、2000年、2005年和 2010年分别进行了四次居民出行调查。本文利 用 2005 年的居民出行调查数据（以下简称“2005 年调查”）用于支持 SCD 的数据挖掘。该 调查涵盖了北京市 18个区（县）共 1118个 TAZ的基础地理数据 [17]。调查规模为 74839 户， 被调查人数为 191835 人，抽样率为 1.36%。调查采用出行日志形式，对于每次出行，调查 数据包括出发时间/地点，到达时间/地点，出行目的和方式，还有其他诸如出行距离、目的 地类型和公交出行线路编号等信息。调查中也包含住户和个人信息。住户信息包括家庭规模、 户籍情况、居住地和家庭收入等，个人信息包括性别、年龄、工作类型和地点、是否有驾照 或者公交月卡等。 3 利用 SCD评价职住分离的方法 3.1 数据预处理和用于数据挖掘的数据模型 SCD存储了刷卡的原始数据，要基于该数据分析职住关系，需要进行必要的预处理。首 先利用公交站点 GIS图层，基于刷卡记录对应的线路和站点信息，对 SCD进行空间化；然后 将每个持卡人连续一周的刷卡记录进行合并，得到每个持卡人一周的公交出行日志，记录了 所有公交出行的起始时间、起始地点和卡类型等信息。 我们构建了两种数据模型用于表达预处理后的 SCD：出行（TRIP）数据模型和“地点— 时间—时长（Position-Time-Duration，PTD）”数据模型。对于 TRIP数据模型，SCD中的 一次出行，代表了持卡人一次上车和下车的乘车过程，一次出行可以表达为出发地点（OP）、 出发时间（OT）、到达地点（DP）和到达时间（DT）的集合，TRIP = {OP, OT, DP, DT}。而 PTD数据模型可由 TRIP数据模型转换得到，PTD = {P, t, D}，其中 P代表一个公交站点， t代表在地点 P的开始时间，D代表地点 P的持续时间。与 TRIP相比，PTD数据模型更容易 与时间地理学结合。关于如何将 TRIP 转换为 PTD，这里以一个例子进行说明，假设一位持 卡人离开居住地（公交站 ID为 H0）时间为 7:00，到达就业地（公交站 ID为 J0）时间为 8： 00，一天工作结束后，持卡人乘公交车于 17:00离开就业地 J0并于 18:00到达居住地 H0。 TRIP 数据模型为{H0, 7:00, J0, 8:00}和{J0, 17:00, H0, 18:00}，转换的 PTD 数据模型 则为{H0, 18:00 (-1), 13 h}和{J0, 8:00, 9h}，分别表示为以家庭为基点的活动和以工作 为基点的活动。以家庭为基点的活动从前一天的 18:00 开始，持续 13个小时，到次日 7:00 5 结束，而就业活动从 8:00开始持续 9个小时，到 17:00 结束。 3.2 基于一日 SCD 识别职住地 我们使用 PTD数据模型识别每位持卡人的职住地，首先利用一日 SCD识别，最后综合每 日识别结果进行综合，给出最终的职住地。居住地和就业地的识别过程是相互独立的。对于 基于一日 SCD 的居住地识别，假定首次出行的出发站点为持卡者的居住地。在 2005 年调查 中，99.5%居民的首次出行的出发地点是居住地，这和我们设定居住地的规则是一致的。需 要指出，对于首次出行乘坐一票制公交车的持卡人，是无法识别居住地的。 为了识别就业地，需要识别乘坐公交车的就业出行。假设全职工作是一天中时间最长的 活动，如果满足下面的条件，第 k个地点的 Pk地可以视为持卡人的就业地。 条件一：卡片类型不是学生卡。 条件二：Dk>=360。 条件三：k<>1 如果持卡人在某地停留的时间超过 360 分钟(6 小时)（首个地点即居住地除外），可认 为该地是持卡人的就业地。根据 2005 年调查，27550 个被调查者（其中 210 人次中午回家 休息，不计入）的平均工作时间为 9小时 19分钟（标准差为 1小时 41分钟），96%的被调查 者每天工作时间超过 6小时，据此我们以 6小时为基准识别就业地是可行的。 3.3 基于一周 SCD 识别职住地 持卡人在一周 7 天的每日内的识别结果差别较大，为了利用一周数据确定最终的居住 地，本文使用基于规则的方法（Rule-based Approach）和决策树（Decision Tree）的方法 对每日的结果进行综合（见图 2），该过程同时考虑了每个识别地的频率（即一周内识别的 次数）和空间分布。具体地，如果只有一日有识别的居住地，那么没有充分理由认为该站点 为最终居住地。如果超过一个，且所有的居住地相同，我们认为该站点为持卡人最终的居住 地。如果日居住地不同，将这些站点根据之间的距离进行聚类，如果两地距离小于某个阈值， 则可视这两个站点为一个，即属于同一个集群（Cluster）。本文将该阈值设为 500 米，大约 等于两临近公交站的平均距离（231*2=462米），Zhao 等[18]在其研究中也将阈值设为 500米。 需要指出的是，如果两个站点出现频率一样，为了确定最佳的最终居住地，我们引入“居住 潜力（Residential Potential）”和“就业潜力（Job Potential）”概念，分别表示一个 站点属于居住或就业地的概率，二者是基于土地使用现状数据计算得到的，具体见公式（1）， 6 其中 ph k 是站点 k 的居住潜力， p j k 表示站点 k 的就业潜力，基于公交站点图层生成泰森 （Thiessen）多边形，站点 k的邻近地块是质心在其泰森多边形内的地块，最后将潜力指标 进行归一化。 (1) 如果存在多个集群且每个集群内只有一个站点，我们无法确定最终的居住地。如果存在 唯一的集群包含数量最多的站点（最大集群），可认为该集群的最高频率站点为最终的居住 地。其他情形详见图 2。 7 开始 n<=1 未识别出任何居住地 (PH = “”) 是 否 PH = 频率最高的站点N=1 是 (若有两个，选取p值 最高的) 否 所有集群中最大站点数= 1? 未识别出任何居住地 (PH = “”) 是 是否存在具有最大 的站点数的集群？ PH = 该集群中频率最高 的站点 否 是 (若有两个，选取p值最 高的) 最大集群中的最高频率 站点数不相同？ PH =具有最高频率站点数 的最大集群中的最高频率 的站点 是 PH =具有最高p值的最大集群中 频率最高的站点 否 否 图 2 基于一周 SCD 识别最终居住地的决策树 注：n代表一周内每位持卡人的识别居住地数量，N是每个集群的数量，Ph是居住地。 决策树中未考虑识别居住地的顺序。p是一个居住地的居住潜力。 同理，识别最终就业地的方法与最终居住地的识别基本相同，只需将决策树中的“居 住”变为“就业”即可。需要指出的是，在确定最终居住和就业地的过程中，我们使用的是 完整一周的数据，而非仅仅考虑工作日。 3.4 基于职住地识别通勤出行，用于评价职住分离情况 基于识别的最终职住地，使用 TRIP 数据模型识别从居住地到就业地的通勤出行。通勤 8 距离可以通过公交站点 GIS 图层生成的公交线路网络距离计算，同样也可以计算职住地之间 的欧氏距离。通勤时间是指在居住地上车和在就业地下车之间的时长。对于一位持卡人，如 果满足如下三个条件，（1）一天中首次出行的上车地点为居住地；（2）就业地出现在一日出 行中；（3）居住地和就业地在同一天（在同一集群中的站点视为相同），则可以成功识别通 勤出行。需要指出的是，如果某持卡人一周内可识别的通勤出行超过一次，则一周内的通勤 时间可能有所不同，我们将平均通勤时间作为最终的通勤时间。 4 北京的职住分离空间差异特征 4.1 基于公交站点和 TAZ 尺度的职住地识别 使用一周数据的职住地识别是基于每日的识别结果开展的。图 3给出了具有不同天数的 持卡人数量，显示随着识别天数的增加，识别出居住地或者就业地的持卡人数量显著下降。 根据 3.3部分的方法，只有大于等于 2天具有识别结果的持卡人才有望识别出最终的居住地 或者就业地。 图 3 具有不同天数识别结果的持卡人数量 使用周数据最终分别识别出1045785 位持卡人 (全部8549072位持卡人的12.2%) 的居 住地和 362882位持卡人（占全部持卡人的 4.2%）的就业地。由于居住地和就业地的识别过 程是相互独立的，因此共有 237223位持卡人（占比 2.8%）的居住地和就业地均被识别。 4.2 通勤出行识别及其在 TAZ 尺度的分布特征 在 237223位既有居住地和就业地的持卡人中，识别了 221773位持卡人的通勤出行。平 均通勤时间是 36分钟，标准差是 24.2分钟。平均通勤距离（欧氏距离）为 8.2公里，标准 9 差为 7.0公里。将识别的通勤出行根据居住地在 TAZ尺度进行汇总，得到不同 TAZ的平均通 勤时间和距离（见图 4 的 a 和 b）。同外围地区相比，中心地区平均通勤时间和距离较短。 通勤距离分布的圈层结构印证了北京市的单中心城市结构。 (a) (b) 图 4 北京市中心区各 TAZ 的平均通勤时间（a）和距离（b） 在 2005 年调查中，6651 被调查者（占识别结果的 3%）乘坐公交车出行，2005 年调查 显示，平均通勤时间为 40.5 分钟（标准差为 23.1），平均通勤距离为 8.4 公里（标准差为 8.3公里），与本文研究结果基本吻合。 4.3 主流通勤方向的判断和典型区域通勤特征评价 为了更好地展现北京市的通勤出行形态，我们将识别的通勤出行进行空间化，每条线代 表一个通勤出行，通勤时间、通勤距离和持卡人的 ID 记录在 GIS 图层的属性中。超长和超 短时间的通勤出行标注在图 5a 中，超过 90 分钟的通勤主要来自于新城，如平谷、密云和 怀柔，而小于 10分钟的主要来自五环内区域。 为了识别北京市域的主导通勤出行方向，进 一步将通勤出行在 TAZ 尺度上汇总，计算两个 TAZ 之间的通勤出行数量（本文将两个 TAZ 之间的出行定义为“链接 link”，共有 34219个链接）。我们借鉴 Jiang和 Liu [19]研究中的 首/尾划分方法（head-tail division），将出行数量分为六级（见图 5b），级别越高表示通 勤出行数量越多，4-6级对应的 175个链接（占总链接数的 0.5%）包括 32156次通勤出行（占 比 14.8%），表示少数的路段承载了较多的出行，其主要发生于六环路内，跨越六环的情况 很少，这些链接建议提供直达的快速公共交通服务。 10 （a） （b） 图 5 北京市中心区的通勤形态（a）极端出行时间的通勤出行；（b）TAZ 尺度的通勤链接 注：图中箭头方向代表从居住地到就业地的方向。 由于大型居住区和过度集聚办公区的存在，北京的交通拥堵情况和长距离出行受到多方 关注。为此，从识别的所有通勤出行中识别来自回龙观、天通苑和通州这三大居住区的出行， 如图 6a所示。前两个社区是 1990年代建设的北京北部最大的两个居住区，通州地区集中了 北京东部多个新建居住社区。类似地，识别去往六个主要办公区的通勤出行（见图 6bc）， 这六个办公区包括 CBD（中央商务区）、上地（IT产业园）、亦庄（北京最大的国家级工业园 区）、天竺（航空港）、石景山（北京西部办公区）和金融街（金融、银行和保险业集聚的区 域）。 （a） （b） 11 （c） 图 6 典型地区的通勤形态（a）三大居住区；（bc）六大主要办公区 注：HLG=回龙观社区, TTY=天通苑社区, TZH=通州社区, CBD=中央商务区, SHD=上地产业园, BDA=北京亦庄开发区, TZA= 天竺产业园, JRJ=金融街), SJS=石景山园区 下面将典型地区的通勤出行从时间和距离角度进行汇总并对比（见表 1）。对于来自居 住区的通勤出行，TTY 居民的通勤距离比 TZH短，只有少数居民在南部地区工作；部分 TZH 居民在新城内部就业，少数在北京西部地区就业。对于去往办公区的通勤出行，CBD 从不同 地区吸引了分布广泛的就业者，使其通勤距离在所有办公区中是最长的；在 BDA的就业者通 勤时间和距离最短，可能是由于该区域是地方就业中心。除此之外，我们还发现仅有 302 次通勤出行（占比 0.14%）是从三大居住区到六大办公区，和预期有很大差距，图 5b 可以 说明这一点，一个可能的原因是往来于这两类区域的多数通勤者多使用私家车出行，而非乘 坐公交车。 表 1 来自三大居住区和去往六大办公区的通勤时间和距离对比 区域 通勤时间 (min) 通勤距离 (km) 占所有识别的 通勤出行的比例（%） 来自三大居住区的通勤出行 3.9 TZH 45.1 10.0 1.4 HLG 39.4 7.0 1.0 TTY 36.2 6.1 1.5 去往六大办公区的通勤出行 6.0 CBD 41.4 9.4 2.7 SHD 40.4 6.7 0.3 JRJ 34.9 7.1 0.5 12 TZA 31.6 10.0 1.3 SJS 28.4 6.9 0.3 BDA 26.6 6.4 0.8 5 结论与讨论 本文使用公交 IC卡刷卡数据（SCD）对城市职住关系和通勤出行进行了分析。首先，为 了对 SCD进行预处理并进行数据挖掘，我们构建了两类数据模型，原始的 TRIP和 PTD 数据 模型，前者用于识别通勤出行，后者用于识别职住地。其次，提出了一种利用一日 SCD和土 地使用图识别职住地的算法，并利用决策树对一周七天的识别结果进行综合，得到最终的职 住地。识别结果包括 1,045,785 位持卡人的居住地和 362,882 位持卡人的就业地，其中有 237,223 位持卡人同时具有识别的职住地。再次，对通勤出行进行识别并可视化，共识别 221,773位持卡人的通勤出行。为了更好地展示北京市的总体通勤形态，将通勤时间和通勤 距离在 TAZ尺度进行汇总，一方面，特别分析了三大典型居住区和五个典型办公区的通勤出 行特征；另一方面，根据 TAZ间的通勤出行数量，识别通勤出行的主导方向。最后，将本研 究结果与 2005 年居民出行调查的通勤时间和距离进行对比，结果显示二者具有较强的相似 性。 本文的贡献主要是：第一，本文所提出的使用传统调查和 GIS 数据建立规则，对 SCD 进行数据挖掘和模式识别，进而用于研究城市空间动态的方法，可以充分利用传统数据与 “新”数据之间的长项，共同用于城市研究。第二，采用连续一周的 SCD研究北京市的通勤 形态，利用决策树的方法对分日识别结果进行了综合，相较于仅使用一日数据进行分析结果 更为可靠。第三，与传统的问卷调查和居民出行调查相比，更详细地展示了北京市通勤出行 的特征，与其他调研结果相比，本文所获得的通勤出行具有样本量大、时空信息准确的优势。 总体上，本文提出的 SCD分析方法在城市空间动态研究，尤其是通勤特征分析中有很好的适 用性，为大都市区通勤研究提供了一种新的分析思路。 参考文献 [1] Batty M. Invisible cities. Environment and Planning B: Planning and Design. 1990, 17: 127-130. [2] Ahas R, Mark Uë. Location based services: New challenges for planning and public administration? Futures 2005, 37: 547-561. [3] Shoval N. Sensing human society. Environment and Planning B: Planning and Design, 2007, 34(2): 191-195. [4] 刘志林, 王茂军. 北京市职住空间错位对居民通勤行为的影响分析——基于就业可达性与 通勤时间的讨论 地理学报, 2011, 66 (4): 457-467. 13 [5] Long Y, Shen Z, Mao Q, Dang, A. Retrieving individuals’ attributes from aggregated dataset for urban micro-simulation: A primary exploration. Geoinformatics, Beijing, 2010. [6] Bagchi M, White P. What role for smart-card data from bus systems? Municipal Engineer 2004, 157 (1): 39-46. [7] Joh C-H, Hwang C. A Time-Geographic Analysis of Trip Trajectories and Land Use Characteristics in Seoul Metropolitan Area by using Multidimensional Sequence Alignment and Spatial Analysis, 2010 AAG Annual Meeting, Washington, DC. [8] Jang W. Travel time and transfer analysis using transit smart card data. Transportation Research Record: Journal of the Transportation Research Board. 2010, 2144: 142-149. [9] Roth C, Kang S M, Batty M, Barthe l´emy M. Structure of urban movements: Polycentric activity and entangled hierarchical flows PLoS ONE 6(1) e15923, 2011. [10] 周涛,翟长旭,高志刚. 基于公交 IC 卡数据的 OD 推算技术研究. 城市交通, 2007, 5(3): 48-52. [11] 董晓晶, 余志伟, 伏伟伟, 孙影, 陈静. 基于 GIS的公交IC卡数据处理及分析系统. 地理 空间信息, 2009,7(5) :124-126. [12] 彭晗, 韩秀华, 田振中, 秦朝举. 公交 IC 卡数据处理的换乘矩阵构造方法研究. 交通与 计算机, 2007, (4): 32-34. [13] 杨智伟, 赵骞, 赵胜川, 金雷, 毛羿. 基于公交 IC 卡数据信息的客流预测方法研究. 交 通标准化, 2009, (9):115-119. [14] 刘 小 明 .2006 年 4 月 1 日 起 北 京 将 全 面 推 行 公 交 IC 卡.http://www.enet.com.cn/article/2005/1229/A20051229488080.shtml. [15] 北京市交通发展研究中心, 2009, “2009 北京市交通发展年度 报告 软件系统测试报告下载sgs报告如何下载关于路面塌陷情况报告535n,sgs报告怎么下载竣工报告下载 ” 内部资料. [16] 北京市城市规划设计研究院, 2010，“2008 年北京市就业空间分布 研究报告 水源地可行性研究报告美术课题研究中期报告师生关系的个案研究养羊可行性研究报告可行性研究报告诊所 ”，内部资料 [17] 北京市交通委员会, 北京市交通发展研究中心, 2007, “北京市第三次交通综合调查总报 告”. [18] Zhao P, Lv B, Roo G de. Impact of the jobs-housing balance on urban commuting in Beijing in the transformation era. Journal of Transport Geography, 2011, 19: 59-69. [19] Jiang B, Liu X. Scaling of geographic space from the perspective of city and field blocks and using volunteered geographic information, International Journal of Geographical Information Science 2012, 26(2): 215-229. 作者简介：龙瀛，男，1980 年出生，博士，高级工程师，中国城市规划学会会员，北京市城市规划设计研 究院规划信息中心