0 引言
我国城市空间结构正由单个城市演变为都市圈、城市群等区域组团形态，为城市间功能互补，加速要素资源流通、促进经济发展提供了重要引擎。近年来，国务院与国家发展和改革委员会基于我国实际发展需要，先后批复南京、福州、成都、长株潭、西安、重庆、武汉等国家级都市圈，中共中央、国务院印发的《中共中央 国务院关于建立更加有效的区域协调发展新机制的意见》也明确要加快推进京津冀、长三角、珠三角、成渝等城市群发展，建设现代化区域组团。
在这种发展演变下，城市与周边区域联系愈加密切，城市间交通需求也不断增加。《交通强国建设纲要》提出到2035年我国要基本形成“全国123出行交通圈”（都市区1小时通勤、城市群2小时通达、全国主要城市3小时覆盖）的目标，对区域交通发展也有了更高要求。
然而，区域交通出行与城市内交通出行存在显著差异，其兼具城市群长距离、低频率的商旅出行特征以及城市内部高频率、规律性的通勤出行特征，居民出行时长、出行距离、出行方式选择和出行频率等更复杂多样，目前缺乏有效的区域交通调查技术手段与建模理论，在区域出行特征尚不清晰、不明确的情况下，如何把握区域交通出行需求及特征，预测未来区域交通出行需求的变化，是当前区域交通规划和空间协调发展的重要基础。
由于传统人工调查存在抽样困难、无效样本率高等缺陷，随着技术的进步，目前手机信令数据、公铁客票数据、高速公路收费数据等交通大数据已成为区域出行特征提取的有效数据源。在铁路客票数据和高速公路收费数据相关研究中，帅斌等[1]基于铁路售票数据，分析了北京市市郊铁路S2线客流特征与客流预测方法，可为区域轨道交通建设提供支撑;Huang等[2]以广东省高速公路收费数据为基础，分析了珠江三角洲经济区高速公路客流的时空特性。信令数据作为手机与基站交互的记录数据，具有覆盖范围广、持续时间长等优势，能有效记录个体时空信息，因此被广泛应用于城市内部交通出行特征提取，涉及出行OD[3-4]、出行路径[5]、出行方式[6-7]等。这些优势也使其被用于区域交通信息识别研究中，Andersson等[8]应用手机信令数据，识别长距离出行下的出行方式，并分析出行方式选择行为差异;李淑庆等[9]利用手机信令数据研究区域通道客流出行次数、方向不均匀性、出行方式等特征，并以重庆主城—合川—江津为例进行实证分析;毛晓汶[10]通过手机用户停留时间提取出行OD，以判断跨区出行，并以重庆主城为例，分析其1 小时经济圈的区域出行OD特征与客流时间分布。综上可看出，现阶段已有针对区域交通信息提取的研究，然而不同类型交通数据在识别精度、提取特征层面均存在限制，现有基于单一数据的方法尚不能完全支撑区域出行特征识别。
交通模型是预测未来区域交通发展水平的重要手段，能为区域交通基础建设提供指引。目前，各重点城市群正尝试构建适合当地的区域交通模型，如广东省[11]构建了基于出行频次、目的地选择的综合交通模型，通过以区县为片区单元，实现城市与区域分析模块化。长三角城市群[12]通过构建居民城际出行的关系矩阵，从出行节点、城际关联层面分析区域交通网络的出行规模和空间分布特征。京津冀城市群[13]结合城市GDP、人口和地理位置等因素，应用重力模型对城市群交通流进行模拟预测。粤港澳大湾区[14]同样利用重力模型预测区域客流需求生成量及空间分布的变化，并利用Logit模型划分区域客流交通方式。为进一步优化区域交通模型，交通大数据也被应用于区域交通特征识别。如，钮心毅等[15]以深圳及周边地区为目标，利用信令数据分析其区域空间结构、中心城市腹地划分、出行廊道等特征，通过研究发现，广州市是区域内最重要的核心城市，但深圳市在关联网络中也起着重要的节点作用。这些成果是区域交通模型构建的重要探索，但由于区域交通与城市内部交通在出行机理、出行特征上差异显著，适用于区域的交通模型还有待进一步研究。
可见，随着城市空间结构的变化，如何有效把握与研判区域交通特征具有重要意义。本文将深入研究区域交通模型构建方法，明确区域出行调查方法与内容，并探究如何通过融合多源交通大数据，把握区域交通主要发展需求，以期为应对不同政策导向下区域交通发展的新变化提供支撑。
1 区域交通发展现状
1.1 区域发展现状
都市圈与城市群是区域的两种主要形式。其中都市圈是以具有带动功能的超大、特大城市为核心，由若干城镇组成的具有完整综合城市功能的城市空间区域。城市群是都市圈发展的下一阶段，是特定地域范围内的众多性质、类型和等级规模差异显著的城市集合，其以两个及以上辐射强大的城市作为核心，依托发达的交通、通信等基础设施网络相互联系，城市间具备经济联系，同时功能互补、分工协作，共同构成相对完整的城市集合。
区域交通是指都市圈和城市群交通系统和交通运行情况，都市圈出行以通勤出行、生活出行为主，也包括商务和旅游出行，出行方式以城市轨道交通、通勤铁路和地面公交为主导。城市群出行方式以铁路和公路为主。其中，都市圈出行频度更高，出行时间相对集中，城市群出行分布更均匀，两者差异如表1 所示。
表1 城市群与都市圈出行差异 |
| 特征指标 | 都市圈 | 城市群 |
|---|---|---|
| 出行距离/km | 20~50 | >50 |
| 出行目的 | 通勤、生活出行等 日常活动出行 | 产业链间货物运输， 商务与旅游 |
| 出行需求 特性 | 通道通勤交通出行需求大，有明显的峰值特性，便捷、可达性要求高 | 运输需求层次多， 通道出行显著，具备 货运专线等运输专线 |
| 出行频率与时间 | 出行频度高， 出行时间集中 | 出行频度较低， 出行时间分布均匀 |
| 出行方式 | 以城市轨道交通、地面 公交、通勤铁路为主 | 以铁路、公路为主 |
1.2 区域交通调查现状
目前，区域交通调查主要包括道路流量调查、出入境调查和交通大数据分析，与城市内交通调查不同，区域交通调查多为跨城调查。区域交通调查范围、空间尺度和人口数量相对更大，调查时间超过一个月。同时，在调查指标方面，相比于城市内交通调查，区域交通调查还包括流入与流出量、通勤与对外交通量、外来就业比等指标。表2 展示了两者在交通调查中的异同。
表2 城市内出行与区域出行交通调查内容对比 |
| 城市内出行调查 | 区域出行调查 | ||
|---|---|---|---|
| 调查内容 | 调查指标 | 调查内容 | 调查指标 |
| 居民 出行 调查 | 常住人口出行特征 | 道路 流量 调查 | 流入、流出量 |
| 流动人口出行特征 | 城际出行特征 | ||
| 人口就业分布特征 | 过境交通量 | ||
| 公共 交通 调查 | 轨道交通出行特征 | 出入境 调查 | 对外交通量 |
| 地面公交出行特征 | 国省道断面流量 | ||
| 出租车辆出行特征 | 高速公路流量 | ||
| 道路 流量 调查 | 交叉口流量 | 交通 大数据 分析 | 职住与外来就业比特征 |
| 行程车速 | |||
| 通勤交通量与出行频次 | |||
| 核查线流量 | |||
| 人口迁徙特征 | |||
| 境界线流量 | |||
| 交通可达性 | |||
1.3 区域交通模型现状
现有区域交通模型主要包括传统的四阶段集计交通模型与基于离散数据的非集计模型。其中四阶段模型主要通过流量平衡原理来分析交通运输系统的运作情况，包括交通产生模型、交通分配模型和交通流模型。非集计模型则是对路网以及车辆、乘客等单元进行建模，通过模拟这些单元的行为来预测交通流量、速度等指标。
区域模型的输入数据主要包括城市总体规划数据、省市统计年鉴数据、居民出行调查数据、对外通道OD调查数据、高速公路收费数据、公铁水航客票数据等，其中居民出行调查数据、对外通道OD调查数据也被用于提取区域出行意愿等信息。这些数据可通过传统居民出行调查获取，或通过交通监测设备、手机信令等方式获得。区域交通模型的输出数据目前包括区域出行交通生成量、区域出行交通分布量等，预测结果也常被用于评估交通政策效果、优化交通网络规划等。
以上海为例，其都市圈包含上海、无锡、常州、苏州等9 个城市，共40 个单元区。其出行类型囊括通勤出行以及商务、生活、旅游等非通勤出行。《上海大都市圈通勤报告2022》[18]以官方统计等相关数据为基础，结合手机信令、互联网大数据，分析了上海与区县通勤特征、多层次空间协同单元通勤特征以及重点地区通勤特征。结果发现，2021年上海大都市圈总通勤人口接近3 800万，跨都市圈通勤人口超过20万，江苏的镇江、南京、扬州、泰州、盐城，浙江的杭州、绍兴、台州以及安徽的宣城、马鞍山等与上海大都市圈多个城市通勤联系紧密，存在连绵发展的区域。可见，需深入把握区域的交通特性与联系强度，才能为区域的协同快速发展提供基础支撑。
2 区域交通发展面临的主要挑战
总体上，我国区域交通发展仍处于初级阶段，具备较大的发展空间。目前区域交通发展面临的主要挑战如下。
2.1 现有调查方法在区域层面难以开展，数据采集困难
区域跨市出行具有长距离、低频率的出行特征，居民出行时长、出行距离、出行方式选择等更加复杂多样，同时相比城市内出行，其交通调查范围更广、组织难度更大。
传统人工问卷调查普遍存在数据精度低、调查成本高、组织繁琐等问题，用于区域出行信息采集更存在抽样困难、无效样本率高等缺陷，调查适用性和有效性备受行业质疑。现有行业数据，如高速公路ETC数据、高铁客票数据、轨道IC卡数据等，则存在样本覆盖率低、数据融合困难、无法全链条反映出行轨迹等问题，很难有效支撑区域交通出行需求与联系强度分析。随着4G/5G通信时代的来临，手机信令等数据能全程定位个体出行过程，为个体出行追踪与出行信息采集提供了契机。然而在现阶段的应用中，缺少对信令数据触发机制的深入分析，也少有同步对比实证，基于信令数据的出行特征识别准确性受到质疑。同时，个人隐私保护等政策也为信令数据获取与应用带来了制约。另外，诸多地区的数据仍处于“割裂”状态，分散于各部门间，难以有效利用。因此，亟需以手机信令为核心，融合行业客票数据等多源交通大数据，构建完善的区域交通特征数据体系。
2.2 调查内容不明确，难以把握区域交通出行特征
明确区域交通需求是区域交通规划的重要基础，然而当前区域出行特征需求不清晰，区域出行调查内容尚不明确，阻碍了区域空间协同发展。
一方面，当前基于交通大数据的出行特征采集措施不完备。不同类型数据在区域出行特征采集中均具有局限性，无法通过某种单一数据完整、有效地提取所有需求的区域出行信息。而现阶段对交通大数据的融合利用程度并不高，复杂环境下以及区域出行中的出行特征识别精度还有待提升。
另一方面，当前区域交通模型体系不明晰，无法确定区域交通调查具体内容，不能明确需要重点探索的交通特征，也难以引导交通大数据特征识别研究方向。因此，还需结合跨区出行居民的多源感知数据的特点与功能，根据区域出行的差异性，探索不同场景下出行调查分析所需的数据内容与精度，形成一套完整的都市圈居民出行调查标准化流程、实施步骤和方法体系。
2.3 区域交通建模理论发展相对滞后，难以支撑都市圈交通规划实践需求
随着我国城市群、都市圈等区域的快速发展，突破行政边界、谋求区域一体、优化城市分工成为未来发展趋势，这也对区域交通规划提出了新要求。我国区域交通建模技术起步相对较晚，理论发展相对滞后，区域交通模型构建在体系架构、研究方法与数据基础等方面面临诸多问题。因此，亟需结合我国区域发展需求，研究适用的区域交通建模技术体系。
传统的城市交通规划“四阶段”模型相关理论不能直接用于区域出行需求分析。因为在区域层面，交通需求和出行选择影响因素已发生显著改变，模型难以有效体现区域一体化与连绵发展特征。因此，对于区域交通建模理论研究，需从单一层次向区域和城市宏观、中观、微观多个空间层次演进，模型功能、架构、算法和所需数据也应进行升级。其中，区域交通模型与城市交通模型的差异性、延伸性等，是交通建模理论研究的重要方向和关键工作。
3 区域交通发展对策分析
根据区域交通发展面临的挑战，本文从数据采集、特征提取、模型构建3个层面给出相应对策。
3.1 推进区域交通数据采集技术，构建交通大数据平台
由于区域覆盖范围广、涉及城市数量多，因此，需结合区域基础信息，居民出行调查，手机信令、车辆GPS、公铁水航客票、高速公路收费、区域轨道/班车刷卡等数据，构建完善的交通数据采集手册，并详细说明数据基础时空特征及适用处理范围，保障数据应用优势，完善交通数据采集网络。通过结合区块链技术，保证数据的不可篡改性，最终构建区域多源交通大数据平台，包括地理信息数据库、社会经济数据库、土地利用数据库、人口岗位数据库、交通网络数据库、交通设施数据库等。
推进区域交通数据采集技术发展，整合手机信令、车辆GPS、客票等多源交通大数据，有利于提高数据采集质量，丰富数据采集内容，为区域交通发展提供更全面、更准确、更有效的基础支撑。
通过构建交通大数据平台，建立长效机制，不断优化和改进，可为推动数据共享、推动区域交通规划和管理科学化、高效化提供保障。
3.2 研究融合多源大数据的区域出行特征提取方法，形成出行调查数据标准化分析导则
由于区域与城市内部的交通出行特征存在显著差异，现有基于城市内部的出行特征提取方法难以直接适用。因此需融合手机信令、轨道/公交刷卡、高速公路收费、POI等多源数据，分析不同数据在区域层面的时空特征，并根据构建的交通大数据平台与不同类型数据的适用特性，提出区域交通出行特征识别方法，包括出行停留点、出行方式等。在此基础上，提出区域出行模式识别手段，综合形成常住人口、流动人口活动模式识别方法。在常住人口出行模式中，划分基家通勤、基家生活、回家和非基家模式;在流动人口出行模式中，基于多日出行行为，识别其停留地与潜在活动地。然后利用同步对比实证，验证提出的区域特征识别方法在出行OD、出行方式、活动模式识别中的精度，并通过同步记录的日志及其他类型大数据，验证所提算法在不同场景下的适用性，包括识别精度与效率。最终通过梳理各种算法的分析应用流程，形成标准化、模块化、流程化的区域交通调查分析导则。
3.3 探索基于数据的区域交通模型构建，为区域交通出行需求分析提供新的支撑方法
当前，在出行需求分析中，四阶段法应用最为广泛，其包括出行生成、出行分布、方式划分和交通分配4个步骤，构建的模型具备理论成熟、逻辑清晰等优点。但对于区域交通出行需求分析，由于出行路径相对固定，基于数据的区域交通模型构建主要集中于前3阶段。
在出行生成阶段，需重点考虑地理空间效应，深入探讨交通小区划分方法，分析如何融合大数据标定交通小区出行率，并构建融合大小样本数据的交通小区出行生成量扩样方法。在出行分布阶段，需重点分析区域交通出行分布影响因素，以及考虑区域出行特征的模型阻抗函数优化与模型优化方法。方式选择受个体与环境异质性的影响，因此在区域交通模型构建中，需重点考虑出行方式选择影响因素及具体模型构建。结合交通模型构建基本思路，本文提出如图1 所示的区域交通模型基本技术架构。
4 案例分析
四川省政府提出以成都市为中心，与德阳市、眉山市、资阳市共同构建如图2 所示的“成德眉资同城化都市圈”，为成渝双城经济圈发展提供强有力支撑[19]。对此，本节以其中的成都市成华区、简阳市雁江区为例，针对城市与区域间出行特征的显著差异，利用中国移动提供的2021年12月27日—2022年1月4日两地用户的所有信令数据，识别通勤与非通勤情况下不同出行方式的客流。
在个体特征提取阶段，首先根据信令数据的时空分布特征，利用时空聚类算法提取区域间出行OD;然后提取出行OD间的信令数据，根据其空间分布与区域间路网结构的关系，结合路径相似度识别对应的出行路径（见图3 ）;最后结合不同方式在速度、路径上的差异，利用模糊聚类算法识别小汽车、大巴及铁路出行。在通勤行为判别阶段，若在工作时段（9:00—18:30）与夜间（21:00—次日7:30），个体在两区间停留时段分别大于5 h，同时存在5 d及以上区域往返行为，即认为该个体存在通勤行为，对应出行视为通勤出行。最终识别结果如表3 、表4 所示。
表3 成华区至雁江区各方式出行流量 单位：人次 |
| 日期 | 铁路 | 大巴 | 小汽车 | |||
|---|---|---|---|---|---|---|
| 通勤 | 非通勤 | 通勤 | 非通勤 | 通勤 | 非通勤 | |
| 2021-12-27 | 9 | 1 413 | 1 | 167 | 33 | 10 877 |
| 2021-12-28 | 6 | 1 473 | 2 | 195 | 27 | 10 932 |
| 2021-12-29 | 9 | 1 664 | 2 | 205 | 40 | 12 960 |
| 2021-12-30 | 8 | 1 976 | 1 | 298 | 20 | 14 879 |
| 2021-12-31 | 17 | 4 360 | 2 | 408 | 39 | 25 405 |
| 2022-01-01 | 4 | 3 427 | 3 | 252 | 23 | 20 784 |
| 2022-01-02 | 4 | 1 347 | 1 | 143 | 15 | 12 280 |
| 2022-01-03 | 3 | 1 031 | 0 | 186 | 17 | 12 037 |
| 2022-01-04 | 6 | 1 311 | 1 | 153 | 26 | 10 885 |
表4 雁江区至成华区各方式出行流量 单位：人次 |
| 日期 | 铁路 | 大巴 | 小汽车 | |||
|---|---|---|---|---|---|---|
| 通勤 | 非通勤 | 通勤 | 非通勤 | 通勤 | 非通勤 | |
| 2021-12-27 | 40 | 1 082 | 0 | 144 | 30 | 9 716 |
| 2021-12-28 | 37 | 896 | 0 | 167 | 16 | 9 976 |
| 2021-12-29 | 29 | 1 057 | 3 | 190 | 21 | 10 512 |
| 2021-12-30 | 4 | 1 181 | 0 | 161 | 25 | 10 848 |
| 2021-12-31 | 9 | 2 815 | 1 | 258 | 40 | 14 654 |
| 2022-01-01 | 9 | 1 855 | 1 | 175 | 15 | 14 719 |
| 2022-01-02 | 3 | 994 | 0 | 224 | 27 | 21 611 |
| 2022-01-03 | 3 | 844 | 1 | 323 | 30 | 25 338 |
| 2022-01-04 | 9 | 901 | 0 | 215 | 17 | 13 038 |
由表3 ~表4 可看出，无论哪个方向，小汽车均是主要的区域出行方式;由于两区域间直线距离尚未超过50 km，铁路出行意愿显著低于小汽车，相比之下，大巴车在便利性与舒适性上不如小汽车与铁路，因此出行人数最少。相比其他日期，元旦期间出行人次显著提升。此外，非通勤人数远大于通勤人数，占总出行人数的99%以上。
根据2021年成都交通发展研究院公布的《成德眉资区域出行报告》[20]，铁路、大巴与小汽车出行方式的实际分担比分别为12.23%, 1.36%, 86.41%，而本文识别的各出行方式占比分别为12.79%, 1.36%, 85.85%，与公布结果基本一致，证明识别结果有效。
5 结束语
随着都市圈、城市群等区域城市组团的不断发展，研究区域交通特征，保障区域交通功能互补与资源流通，对促进区域交通与经济发展意义重大。手机信令等多种交通大数据能突破城市形态边界，刻画分析区域交通状态，具有支撑区域交通发展的重要潜力。对此，本文从区域交通的发展现状出发，首先深入剖析了当前区域交通需求分析面临的3个主要挑战：区域交通数据采集困难、交通调查内容不明确、交通模型理论发展滞后;然后从数据、特征、模型3个层面提出应对策略与建议，包括构建区域交通大数据平台，制定区域交通调查标准化导则，探索基于数据的交通模型，为区域交通发展提供思路;以区域交通大数据为基础，提出数据驱动的区域交通模型的基本技术架构;最后，以德眉资都市圈的成都市成华区和简阳市雁江区为例，提取通勤与非通勤情况下各出行方式的客流特征。
目前，区域交通仍处于初步发展阶段，后续将进一步深入研究区域交通发展对策，挖掘更多可用的交通大数据类型，通过实证逐步完善提出的区域交通模型框架，为有效把握区域交通特征需求变化，制定区域发展规划提供有力支撑。
