城市建模网络中的通行时间：私人汽车和公共交通的可比较方法

城市建模网络中的通行时间:私人汽车和公共交通的可比较方法MariaSalonena,⇑,TuuliToivonena,b摘要分析不同通行方式之间的可达性差异，被认为是评估交通和土地使用安排的环境和社会可持续性的一种有效方法。时间不同的通行方式构成了这种分析的一个重要部分。本文旨在通过不同的通行方式来评价不同的通行时间计算方法的可比性。首先，我们简要回顾以往研究中使用的方法，并找出不同的典型方法，然后比较。我们分别用三个计算模型来计算汽车和公共交通，在我们的案例研究区域——芬兰的首都大赫尔辛基地区实施。在汽车模型中，简单模型忽略了交通时间计算中的拥塞和停车;中等模型描述拥堵，但忽略停车;高级汽车模型考虑到旅程的所有部分，包括拥挤和停车。对于公共交通，简单模型用于运输路线，但忽略了时间表;中等模型以一种简单的方式合并调度数据;高级模式中采用门到门的方式，在真实的进度表(包括拥塞)和现实路线的组合。我们的研究结果显示，在大赫尔辛基地区，汽车和公共交通通行时间的绝对差异是值得注意的，不管用哪个模型来比较。城市中心区域的模态通行时间差距最小。我们的结论是，使用概念上对应的汽车模型和公共交通时间计算是达到对模型可达性差异分析的关键。在通行时间计算(在最先进的模型中采用)的一种门到门的方法，使结果在绝对条件下真正具有可比性。最后，应用方法越先进，分析数据越急切。因此，城市交通数据生产者的开放数据政策的最新进展变得非常有帮助。关键词：可达性；车辆；门到门方式；公共交通；通行模型；通行时间1.介绍可达性分析被认为是评估运输和土地使用之间的相互作用的适当方法(Bertolinietal.,2005;SilvaandPinho,2010)。不同的距离度量通常构成可访问性指标的一部分，而通行时间通常被认为是一种直观的度量，它与人们对距离的摩擦感知(Franketal.,2008;Mavoaetal.,2012)。传统的通行时间是使用私家车作为主题，但对土地使用和交通解决方案的环境和社会可持续性的担忧，突出强调了在可达性分析中纳入不同交通方式的要求。通过比较不同通行模式提供的可达性和确定模态可达性差异，可以为评估城市结构的自动定位程度提供一种有用的方法(Kawabata,2009)。这是特别的话题，考虑到在许多城市地区城市扩张的挑战(EEA,2006;Hepinstall-Cymermanetal.,2013)以及汽车依赖性的相关发展(Filion,2000)。从社会公平的角度来看，模态比较也很有趣:不开车工作娱乐消遣的人在获得服务和机会方面可能会遇到很大的困难(Kawabata,2003;Martinetal.,2002)。目前很少有关于模态可达性差异的研究表明，在大多数美国和欧洲城市地区，私家车提供了比公共交通更好的通行能力(Hess,2005;Kawabata,2003;KawabataandShen,2007;Levinson,1998;Shen,2001;SilvaandPinho,2010)。香港似乎是唯一的例外，在交通区域之间的可达性实际上被发现比坐汽车(KwokandYeh,2004)要好得多。然而，这些研究的可比性仍然值得怀疑，因为研究和可达性分析之间的分析差异的空间尺度是基于不同类型的方法和数据。在某些情况下，通行时间由当局提供，而在其他情况下，通行时间计算是分析的一个组成部分。甚至在上述的每一篇论文中，模型比较可能会有问题，因为用于为不同模式生成可达性值的方法要么没有被详细报告，要么不适用(参见Benensonetal.,2011)。事实上，当模拟汽车或公共交通通行时间时，通常会有一些简化的假设。然而，对数据、参数和旅行时间分析的假设做出决定对于结果的可靠性至关重要。在此基础上，我们对不同的计算方法进行了评价。根据文献中提出的方法，我们确定了这两种旅行模式的三种旅行时间计算模型。我们将这些模型用于大赫尔辛基地区，并在不同程度上包括在旅行时间分析中常用的典型的“简化假设”。然后，不同的模型被用于测量旅行时间，从赫尔辛基所有居住的方格广场，到相对平均分布的实际利益点(地区的59个公共图书馆)。我们比较了不同模型的结果，评估了它们对关注模态可达性差异的研究的适宜性。通过分析旅游模式的简单旅行时间比，来衡量模态无障碍的差异。我们的目的是了解不同的分析方法如何影响旅行时间和行程距离，以及在另一方面的模式旅行时间比的范围和空间分布。2.不同测量通行时间的方法2.1私家车的通行时间许多国家维护数字公路数据库的道路中心线几何和广泛的属性信息(速度限制，单行道等)。网络分析工具在标准GIS软件提供了一个简单的方法来进行汽车高峰时上下班的分析基于这些数据:道路区段长度除以各自的速度限制，提供了一个大约的“畅通”开车经过时间部分,以及OD点之间的最优路线计算使用最短路径算法。这种方法的问题在于，它忽略了拥堵，花时间去寻找停车位，以及从停车位到停车的必要的步行时间——所有这些都可能在很大程度上改变城市设置的通行时间(ChristieandFone,2003;Martinetal.,2008;Yiannakouliasetal.,2013)。有研究表明，在确定速度时，在某种程度上合并了交通阻塞或其他当地条件(例如，Hess,2005;Lovettetal.,2002)。通常情况下，这些方法并没有被详细报道——而是作者声明他们使用了“现实的平均速度”，但没有描述这些估算的依据。ChristieandFone(2003)做了一项测试如果旅行时间的计算被改变，威尔士的医院访问的分析结果会受到影响，并得出结论，测量结果对假设的旅行速度非常敏感。Yiannakouliasetal.(2013)其测试了包括堵塞值的影响，并在Edmonton的旅行时间计算中对其进行了修改，并建议绝对的旅行时间在包含这些因素的情况下发生了巨大的变化，而基于重力的相对可访问性度量在旅行时间度量上更加合适。事实上，绝对的旅行时间对阻抗值的变化很敏感，这并不奇怪，但上面的例子很好地提醒我们，试图找到最合适的阻抗值来进行通行时间分析是多么重要。2.2公共交通的通行时间与汽车和其他个人交通方式不同的是，公共交通与预定的路线和日程安排有关，这些路线和时间表取决于一天的时间和星期的时间，并且经常发生变化。公共交通出行时间计算中典型的缺点是简化了路线的假设(LeiandChurch,2010)。由于缺乏详细的时间表信息，一般的通行速度通常被分配到整个路线，忽略路线不同部分之间的差异(LiuandZhu,2004;MoniruzzamanandPáez,2012;O’Sullivanetal.,2000;Peipinsetal.,2011)。类似地，转移等待时间要么完全被忽略，要么被认为是所有转移的常数，例如在车辆启动时间中间隔的一半(Hess,2005;Mavoaetal.,2012;O’Sullivanetal.,2000;Peipinsetal.,2011;TribbyandZandbergen,2012)。此外，在现实中，很少有关于计划到达的研究或者是分析的出发时间(参见LeiandChurch,2010)。标准的GIS软件很少提供足够的工具和数据结构来进行多种模拟路线，从而能够处理公共交通服务的时间元素(Martinetal.,2008)。然而，最近发展的数据格式(如GTFS)已经开辟了新的机会，基于这些数据的电子线路规划服务现在也为过境用户提供(查阅汽车路线搜索网站)。虽然这些数据格式和基于web的服务的潜力在10年前就有了预期(Martinetal.,2002)，但它们用于研究目的的用途最近才刚刚开始(如Eluruetal.,2012;Jäppinenetal.,2013;LeiandChurch,2010)。2.3门到门的方式在分析旅行时间和距离的时候，一些研究考虑了旅行的每一个阶段(Benensonetal.,2011;LeiandChurch,2010;LiuandZhu,2004)。在本文中，我们定义了“门到门”的方式(图1):通过汽车，挨家挨户的旅行包括(1)从原点走到汽车停放处;(2)从停车位到目的地附近;(3)寻找目的地附近的停车位，最后，(4)从停车位到目的地本身(查阅Benensonetal.(2011)，其方法与此相似，但忽略了寻找停车位所需要的时间。通过公共交通，旅程可能会稍微复杂一点。基本部分包括：(1)从原点走到适当的停止(“访问时间”);(2)等交通工具到达并离开;(3)在最初和最后一站之间的车辆中;(4)从最后一站走到最终目的地(“疏散时间”)。此外，许多公共交通旅行包括从一个路线到另一个路线的转移，这可能意味着从一个车站走到另一个车站，等待下一辆车离开(详见Benensonetal.(2011)和LeiandChurch(2010)的相似方法)。图1汽车与公共交通门到门方式的例子3.以大赫尔辛基为案例研究地区这篇论文的经验部分在芬兰首都赫尔辛基(图2)中进行，大赫尔辛基由四个直辖市组成，人口约为100万。在赫尔辛基市中心和郊区的铁路线上发现了最高的人口密度。2008年，在大赫尔辛基地区，有39%的人每天乘汽车出行，而公共交通出行的比例为26%(HRT,2010)。该地区的公路网络依赖于一些大型环形路(西)和几个来自赫尔辛基城市中心的径向道路(图2)。在高峰时段拥堵是集中在区域内部径向上的内环公路和道路通往市中心,并征收拥堵费是一个热门话题在当代城市政治(Valipirttietal.,2011)。停车是一个很有挑战性的城市中心(KurriandLaakso,2002)，大赫尔辛基的公共交通系统依赖于一个广泛的公共汽车网络和一些铁路线，在赫尔辛基市内有电车和地铁。总的来说，该地区大约有600条公交线路(不包括服务线路和夜间公共汽车)。总的来说，公共交通网络的当前结构是高度城市中心的，而交叉连接是公共交通规划的重点发展领域之一。图二研究区域人口密度分布图4.材料和方法4.1研究设计为了测试不同通行模式下时间分析的可比性，我们对汽车和公共交通工具进行了一系列的路线分析(图3)。作为路径来源，我们使用了大赫尔辛基中有人居住的网格单元的中心点。250m*250m细胞的排列与网格数据库统计芬兰(2012)和居住网格细胞被确定基于建筑水平2009年SeutuCD人口数据(表1)。路线的目的地是59公共图书馆,这是一种在芬兰最积极使用公共服务(VakkariSerola,2012)。在这里，这类目的地的类型并不重要，因为本文的主要目的是进行方法比较——因此，而不是设施类型，它们的空间分布才是它们选择的主要标准。公共图书馆在研究区分布很均匀(图2)，因此在大赫尔辛基地区提供了不同地区的代表性样本。我们计算了所有OD点的通行时间和网络距离，使用三种不同的模式为每个旅行模式，这里命名为简单、中级和高级模型。我们还计算了所有起始点和目的地之间的几何距离，以显示在我们的研究区域中，与距离相比，在我们的研究区域中有多少复杂的路线，在许多情况下被用作替换可达性(如Boscoeetal.,2012;PhibbsandLuft,1995)。选择的网格单元分辨率自然会影响到距离计算(更大的网格单元导致结果的不准确性增加)，我们认为这个250m的单元格足够详细地用于我们的目的。由于网格单元的大小，计算的时间是合理的，然而，由于构建层次数据的聚合而导致的位置误差相当小，对距离(和时间)计算的准确性没有显著影响。我们通过计算它们的相互比率和相互关系来比较不同模型之间的旅行时间和距离，例如，通过计算两者之间的比率来比较简单和中级车模型(见第4.2节)所产生的旅行时间。然后取平均值和Pearson相关系数，以揭示不同模型产生的值之间的相关性。类似的评估也在所有模型之间进行，包括通行时间和行程距离)。最后，通行模式(公共交通通行时间除以汽车通行时间)的时间比值被可视化为地图。图3研究工作流程4.2汽车模型简单的汽车模型使用国家公路和街道数据库数字化道路作为路由网络数据集(表1)。每条道路段都有一个速度限制，而这些限速和段长度决定了每个路段的免下车时间。在中级车模型中也使用了数字化道路，但基于速度限制的阻抗被调整，以适应案例研究区域的实际驾驶时间。这是通过分配十字路口的减速值来完成的，这对于每个道路类都是不同的(查阅Määttä-Juntunenetal.,2011;Thériaultetal.,1999;Yiannakouliasetal.,2013)。减速值来自浮动车测量(更多浮动车法,参见Lietal.,2011),真正的旅行速度沿着不同道路的研究区域测量在正常工作日2009年春天和秋天,在一天的不同时间(表1中数据来源)。在回归分析的基础上，制定了功能性公路类和十字路口的行驶速度对减速值的影响，在此情况下，在此情况下，对应的减速值在一天中对应平均减速(Jaakkolaetal.,inpress)。道路1号和2号道路交叉口(区域主要道路/街道)的日平均减速值为11.31秒;3号公路(当地主要街道/地区道路)的十字路口有9.44秒;4-6号公路上的十字路口(收集街道/连接道路，支线街道和私人道路)得到了9.36秒。开车时间是使用ArcGIS10中的网络分析扩展名进行计算的，在这里，路线优化是基于所有起源和目的地之间最快的(不一定是最短的)路线。高等汽车模型是建立在中间模型也包括时间步行从原点到停车位的旅程,所花费的时间在目的地寻找停车位,最后,停车位的时间步行到目的地——换句话说,以前使用的先进模型提出门到门的方法。我们使用实证研究在停车条件在芬兰赫尔辛基地区和其他城市地区确定的平均步行距离原点之间的停车空间和停车空间和目标:在城市中心区域的平均距离被定义为180米和市中心外135米(KurriandLaakso,2002)。这些是所有类型的停车位的平均距离，并根据在2000年5月进行的一项调查得出的结论(大部分答案都是在正常工作日收集的，但在周六)(KurriandLaakso,2002)。我们在旅程的起点(从起点到停车位的距离)和旅程的终点(从停车位到目的地的距离)都应用了这些距离。然后，距离被传输为时间，使用70米/分钟的步行速度，这是在旅行计划路线搜索应用程序中步行速度的默认值(见第4.3节)(HRT,2011)。在目的地寻找停车位的时间被定义为0.73分钟，这是正常工作日内街道停车的平均值(KalenojaandHäyrynen,2003)。表1数据来源4.3公共交通模型这个简单的公共交通模型基于在ArcGIS10中创建的多模态网络数据集。在数据集中，公共交通路线及其相关站点按旅游模式进行分组，每个模式在网络数据集中形成自己的连接组。这些团体通过一个由数字化道路数据所代表的行人网络连接在一起(除了公路，还包括高速公路)。每个行人段所需的时间是用70米/分钟的步行速度计算的。公共交通网络与行人网络之间的连接是由各公共交通站点之间的直线与行人网络上最接近的边缘元素之间的直线连接起来的。通行时间由每个模式计算平均速度的基础上各自的模式(来自路线长度和近似的路线穿过乘以一个正常工作日在冬季时间表)(表1和2)。忽视了步行从原点指向最近的公共交通阻止和步行停止到最终目的地,出发地与目的地位置直接到最接近的公共交通站点。这个简单的模型也忽略了转乘时间。中等公共交通模型使用相同的网络数据集结构和相同的模特定的平均速度作为简单的模型。它的不同之处在于它容纳了转乘时间:当第一个车辆进入和如果从一个旅行模式转移到另一个移动模式时，在车辆行驶的时间里增加了一半的进展时间。前进的速度是不具体的，根据预定的进展时间在上午交通高峰时间(上午8点)和室外高峰时段(12点)在冬季的正常工作日(表2)。表2简单与中等公共交通模型平均速度与通行时间先进的公共交通模型使用了行程策划者API(HRT,2011)，它包含了研究区域最新的公共交通路线和时间表的数据。PT时间表计划考虑到与拥堵相关的航班延误。使用内部开发的工具查询了API的数据库(详见Jäppinenetal.,2013;源代码的工具都在/matti/reittihaku)。为了解释日程上的日常变化，我们在每一个起点和目的地之间进行了四次路线搜索，在高峰时间和高峰时间两小时。每条路线搜索结果都有三条备选路线建议，最后的旅行时间和距离是这12条路线的平均值(4个时间表3条路线建议)。在计划路线中，门到门的方式是固有的，包括从原点到第一站的步行路线，所有必要的PT路线和转移，以及从最后一站到最终目的地的步行。所有的路线搜索都是使用冬季进度表和正常工作日进行的。路线搜索设置是行程规划器提供的默认设置。（例如，步行速度70米/分钟)(对于默认值更详细的描述，参见HRT,2011)。5.结果5.1在各个模式中的模型比较模型之间的差异如图4所示，在选定的目的地(主图书馆)周围20分钟的集水区使用所有的模型(4a:汽车模型;4b:PT模型)。在简单的汽车模型中，绝大多数有人居住的网格单元(5914)在20分钟内到达。在同一时间内，中级车模型达到1982单元，先进的车型达到861个单元。公共交通模型中20分钟的集水区比汽车模型小得多，但模型之间存在显著差异:简单模型达到985个单元，中等模型85个单元，高级模型234个单元。当从所有起源到所有目的地的旅行时，所有模型之间的相关性高且统计意义重大(>0.82**)表3)。在汽车模型中，先进模型的通行时间平均比简单模型的时间长两倍。与中等模型相比，先进的模型出行时间要长不到25%。在旅行距离上的差异最多是8%(高级VS简单车型)。在公共交通模型中，高级模型的运行时间比简单模型的传播时间长约70%。与中间模型相比，先进的模型传播时间要长4%。在行程距离上的差异最多是20%。在所有的模型中，几何距离比公路网络的距离要短30%左右。最大的差异是在高级公共交通模型和几何距离之间:几何距离在高级模型中高达62%的行程距离图4各交通模型20分钟到达主要图书馆区域5.2模式横向比较通行模式相互比较中，最大的差异之间的平均旅行时间发现高等的公共交通模型和简单的汽车模型(超过3.5倍长车时间)(表3)。当所谓的概念上相应的模型进行比较，平均通行时间的差异在高级模型之间是最小的。在简单的模型中，平均通行时间是2.18倍，而中间的模型则是1.94倍。在通行距离中，在先进的公共交通模型和简单的汽车模型之间发现了最大的差异：时间延长了1.19倍。比较相应的模型时，在高级模型之间发现了最大的差异(比时间长11%)。模态行程时间比的空间分布如图5所示(a)简单模型;(b)中间模型;(c)高级模型。单元格值显示出，在从各自的源单元访问到所有目的地的过程中，公共交通时间平均要长。简单的汽车和简单的公共交通模型之间的最小差异集中在铁路线上，这意味着从这些地区到所有目的地后者最长是前者的两倍。南部地区城市中心区域的特点是规模较小的差异。但除此之外,城市中心区域是高、低比例的混合物,这意味着在市中心的一些地区的平均旅行时间坐汽车比坐公共交通多3.6倍的时间。在中间的模型中，环路和内城的区域以高的旅行时间比率为特征，特别是在海边发现了更小的价值。在高等模型中，城市中心区域的低比率相当集中，这意味着在这些模型中，在城市中心的通行时间里，公共交通是相当有竞争力的。铁路沿线还发现了其他低差异地区。最大的差异集中在研究区域的边缘，表明从这些地区到目的地的旅行比开车要慢得多。表3不同模型的成对比较:不同模型之间的平均出行时间和行程距离的平均比率公共交通工具(36.1-55.7min)的平均出行时间比汽车(16.6-34.4分钟)要长，无论哪一种模型被用于比较(图5，嵌入式表)。中等模型的通行时间比简单模型要长，相应地，高级模型比中等模型时间长。与相应的车型相比，中等公共交通模型的平均距离(分别为18.3公里和19.4公里)显得较短。表5(a)简单汽车和简单公共交通模型通行时间空间分布的比;(b)中级模型和(c)高级模型。5.3在不同模型中到最近目的地的通行时间通行时间累积曲线显示多少时间到达最近的目的地城市的居民(图6)。根据简单的汽车模型,95%的居民达到最近的目的地在不到5分钟。相应的值在中等和高级车型9分钟和15分钟,分别。简单的PT模型显示95%的人口在不到9分钟内到达最接近的目的地，而在中等和高级PT模型中对应的值为21min。模型中行程距离的差异要小得多，没有显示为数字。6.讨论6.1通行模式的可比性先进的GIS方法，开放数据源的可用性和增加的处理能力使可访问性分析相对容易地纳入科学工作和实际水平规划。有了更多的建模方法，在进行这样的分析时，要做出合理的方法选择变得越来越重要。正如我们已经证明的，在比较通行模式之间的时间时，使用概念上对应的模型是必要的。基于概念上不同的模型的模态比较可能会导致不现实的巨大差异;在我们的案例研究领域，公共交通甚至可能比私人轿车(图6)提供了比私家车更好的可访问性。在大赫尔辛基地区，这种情况是不现实的。如果旅行时间要在绝对数量上分析,采取的方法更高级的模型提出了比简单的方法更可靠和中间模型:,访问和疏散时间和延误相关转移可能占了相当大的份额总旅行时间。此外，简单和中级模型所使用的平均速度忽略了城市结构变量对城市区域不同部分速度的影响。同样，在汽车模型、拥堵和停车所需的时间上，也会持续更长时间，也会影响到路线选择。图6在一定的旅行时间内访问最近的图书馆的居民的累积比例城市环境中的旅行时间是高度依赖于每周和时间的一天(LeiandChurch,2010):因此，在工作日和周末期间和上下班高峰时间，出行方式之间的差距可能会有所不同。至少，概念上对应的模型中的模型元素应该基于一周的同一天。事实上，高级模型将允许更详细的时间分析的可达性差异。先进的公共交通模型考虑了准确的出发和到达时间，以及在每天不同时段调整到交通条件的路线安排的差异。同样，中等和高级汽车模型的减速值也可以调整为高峰/非高峰时间。在我们的案例中，关于停车条件的数据(行走距离和搜索时间)没有足够的细节来探究时间上的区别，但如果有这样的数据，就可以对可访问性差异进行时间比较，这会成为一个有趣的主题。公共交通出行时间建模的一个常见简化是使用半间隔时间作为转移相关时间的替代。结果从我们的研究区域显示中等模型显然低估了旅游者的能力优化他们的旅行:旅行时间短的旅程很长时间在中等模型比高级模型(图6),可能短于进展时间建议。因此，基于中等模型的模态比较表明在短途旅行中存在不现实的巨大的模态差异。正如我们的结果显示的那样，旅行时间对底层模型的敏感度要比行程距离高得多。随着模型元素(限制规则)在模型中的数量增长，每个旅行模式中的旅行时间都变长了。的旅行距离额外的限制规则的影响可能会有所不同:距离短的中等比简单的模型,主要是因为简单的模型可以“负担得起”让长途旅行在同一时间的转移模式没有成本。6.2可行性差异的发现在大赫尔辛基地区，不管用哪种模式进行比较，旅行模式之间的绝对差异是值得注意的。在比较模型的概念上，简单模型和中等模型之间的相对差异非常相似，但在高级模型中比较小。这些结果在一定程度上挑战了最近的一些研究:Benensonetal.(2011)在特拉维夫发现，如果公共交通分析更详细地使用门到门的方法，那么观察到的旅行模式之间的可访问性差距往往会增加。他们的公共交通数据考虑到旅程的开始和结束(虽然没有我们先进模型的细节)，他们对汽车旅行时间的估计考虑了交通拥堵，而不是停车(比较我们的中间车型)。同样在我们的数据中，如果中等的汽车模型与简单的公共交通模型相比，中等的汽车模型与中等或高级公共交通模型相比，模态差异更大。然而，如果汽车和PT的计算都是在最详细的层次上进行的，那么旅行模式的区别就会变得更小:在先进的汽车模型中，公园时间大大延长了旅行时间，特别是在公共交通连接处于最佳状态的地区。因此，在高级模型中观察到的模态差异小于中间或简单模型。我们进一步证明，研究区域的不同部分被突出显示为不同模型的小/大可达性差异的区域。以往关于城市结构中模态无障碍的发现在一定程度上引起了争议。Kawabata(2009)发现在波士顿和旧金山市中心地区的模态差异最小，Elldéretal.(2012)在哥德堡展示了类似的模式。与此相反，Hess(2005)发现在布法罗和尼亚加拉的市区居民中，工作可达性的模式差异更大。在大赫尔辛基地区，基于先进模型的比较直观地产生了最可靠的结果，因为它既承认了城市中心，也发现了铁路线路的临近，因为它是较低的可达性区和外环路，作为一个更高的可达性区域。鉴于当前的相对强劲的城市中心取向大赫尔辛基地区交通系统和具有挑战性的停车条件在城市中心区域内,因此,我们的研究区域是分类的城市的差距比外面小在市中心。7.结论使用概念上对应的汽车模型和公共交通通行时间计算是实现更可靠的模态可达性差异分析的关键。此外，在通行时间的计算中，门到门的方法也使得结果在绝对的条件下是真正可比性的。总之，最详细的可达性差异分析似乎只有在更高级的模型中才有可能。显然，这些模型也是最缺乏的数据，因此使用这些模型的可能性依赖于与传输相关的数据提供者的数据策略。在我们的例子中,欧洲激励计划(http://inspire.jrc.ec.europa.eu/)和在公共管理中发展对开放的数据政策，有显著增加多模式交通研究的可能性。然而，如果缺乏更好的数据来源，某些简化——例如我们的案例中平均的公园搜索时间——可能是必要的。高级公共交通模型的要求(例如，包括准确的离开/到达时间和各种路由优化设置)可能会让标准用户难以在标准GIS中实现。因此，不仅开放数据，而且开放路由搜索接口(如通行计划API)提供必要的算法和服务器上的计算资源，使如此大规模的分析变得可行。的确，长期以来一直是缺乏数据和密集型的计算，在多模态交通的可靠空间分析中，对于更大的研究人员和实践者来说比过去更现实。感谢我们感谢赫尔辛基地区免费提供他们的数据，MattiPaksula为旅行策划者API和两位匿名的评论者编写了关于手稿的建设性评论的查询工具。我们还感谢MetropAccess-group的成员:TimoJaakkola开发了修改过的数字化道路数据，JaaniLahtinen帮助数据收集和SakariJäppinen在不同阶段评论手稿。KatuMetro研究项目和赫尔辛基大学资助了这项研究工作。参考文献Benenson,I.,Martens,K.,Rofé,Y.,Kwartler,A.,2011.PublictransportversusprivatecarGIS-basedestimationofaccessibilityappliedtotheTelAvivmetropolitan

area.AnnalsofRegionalScience47(3),499–515.

Bertolini,L.,leClercq,F.,Kapoen,L.,2005.Sustainableaccessibility:aconceptualframeworktointegratetransportandlanduseplan-making.TwotestapplicationsintheNetherlandsandareflectiononthewayforward.TransportPolicy12(3),207–220.

Boscoe,F.P.,Henry,K.A.,Zdeb,M.S.,2012.Anationwidecomparisonofdrivingdistanceversusstraight-linedistancetohospitals.ProfessionalGeographer64(2),188–196.

Christie,S.,Fone,D.,2003.EquityofaccesstotertiaryhospitalsinWales:atraveltimeanalysis.JournalofPublicHealthMedicine25(4),344–350.

EEA–EuropeanEnvironmentAgency.2006.UrbansprawlinEurope.Theignoredchallenge.EEAReport10/2006,1–56.

Elldér,E.,Solá,A.G.,Larsson,A.,2012.Featuredgraphic.Spatialinequalityandworkplaceaccessibility:thecaseofamajorhospitalinGöteborg,Sweden.EnvironmentandPlanningA44(10),2295–2297.

Eluru,N.,Khakour,V.,El-Geneidy,A.,2012.TravelmodechoiceandtransitroutechoicebehaviourinMontreal:insightsfromMcGillUniversitymemberscommutepatterns.PublicTransport4(2),129–149.

Filion,P.,2000.Balancingconcentrationanddispersion?PublicpolicyandurbanstructureinToronto.EnvironmentandPlanningC:GovernmentandPolicy18(2),163–189.

Frank,L.,Bradley,M.,Kavage,S.,Chapman,J.,Lawton,T.K.,2008.Urbanform,traveltime,andcostrelationshipswithtourcomplexityandmodechoice.Transportation35(1),37–54.Hepinstall-Cymerman,J.,Coe,S.,Hutyra,L.R.,2013.UrbangrowthpatternsandgrowthmanagementboundariesintheCentralPugetSound,Washington,1986–2007.UrbanEcosystems16(1),109–129.

Hess,D.B.,2005.AccesstoemploymentforadultsinpovertyintheBufallo-Niagararegion.UrbanStudies42(7),1177–1200.

HRT–HelsinkiRegionTransport.2010.Helsinginseuduntyössäkäyntialueenlaajan

liikennetutkimuksen(LITU2008)yhteenveto.Helsinki:EditaOy.<http://

www.hsl.fi/FI/mikaonhsl/julkaisut/Documents/2010/

Hgin%20seudun%20laajan%20liiktutk%20LITU%202008%20yhteenveto.pdf>(In

Finnish)(accessed12.03.13).

HRT–HelsinkiRegionTransport.2011.JourneyPlannerAPI.<http://

developer.reittiopas.fi/pages/en/home.php>(accessed12.03.13).

Jaakkola,T.,Tenkanen,H.,Toivonen,T.,inpress.MetropAccess-Digiroad.In:

Toivonenetal.(Eds.),MetropAccess:Helsinginmetropolialueen

moniulotteistasaavutettavuuttatutkimassa.inpress.Helsinginyliopiston

GeotieteidenjamaantieteenlaitoksenjulkaisujaC8,(inFinnish).

Jäppinen,S.,Toivonen,T.,Salonen,M.,2013.Modellingthepotentialeffectofshared

bicyclesonpublictransporttraveltimesinGreaterHelsinki:Anopendata

approach.AppliedGeography43,13–24.

Kalenoja,H.,Häyrynen,J.-P.,2003.Keskustanpysäköintiosanaliikennejärjestelmää

–Tampereenkeskustanpysäköintitutkimus.Tampere:TampereUniversityof

Technology.<http://www.tut.fi/verne/wp-content/uploads/

tampereen_keskustan_pysakointitutkimus.pdf>(inFinnish,abstractin

English)(accessed12.03.13).

Kawabata,M.,2003.Jobaccessandemploymentamonglow-skilledautoless

workersinUSmetropolitanareas.EnvironmentandPlanningA35(9),1651–

1668.

Kawabata,M.,2009.Spatiotemporaldimensionsofmodalaccessibilitydisparityin

BostonandSanFrancisco.EnvironmentandPlanningA41(1),183–198.

Kawabata,M.,Shen,Q.,2007.Commutinginequalitybetweencarsandpublic

transit:ThecaseoftheSanFranciscoBayArea,1990–2000.UrbanStudies44

(9),1759–1780.

Kurri,J.,Laakso,J.-M.,2002.Parkingpolicymeasuresandtheireffectsinthe

Helsinkimetropolitanarea.TheHelsinkiMetropolitanAreaPublicationSeriesC

2002:18.Helsinki:HelsinkiMetropolitanAreaCouncil(YTV)(inEnglishand

Finnish).

Kwok,R.C.W.,Yeh,A.G.O.,2004.Theuseofmodalaccessibilitygapasanindicator

forsustainabletransportdevelopment.EnvironmentandPlanningA36(5),

921–936.

Lei,T.L.,Church,R.L.,2010.Mappingtransit-basedaccess:integratingGIS,routes

andschedules.InternationalJournalofGeographicalInformationScience24(2),

283–304.

Levinson,D.M.,1998.Accessibilityandthejourneytowork.JournalofTransport

Geography6(1),11–21.

Li,Q.,Zhang,T.,Wang,H.,Zeng,Z.,2011.Dynamicaccessibilitymappingusing

floatingcardata:Anetwork-constraineddensityestimationapproach.Journal

ofTransportGeography19(3),379–393.

Liu,S.,Zhu,X.,2004.Accessibilityanalyst:anintegratedGIStoolforaccessibility

analysisinurbantransportationplanning.EnvironmentandPlanningB:

PlanningandDesign31(1),105–124.

Lovett,A.,Haynes,R.,Sünnenberg,G.,Gale,S.,2002.Cartraveltimeandaccessibility

bybustogeneralpractitionerservices:astudyusingpatientregistersandGIS.

SocialScienceandMedicine55(1),97–111.

Määttä-Juntunen,H.,Antikainen,H.,Kotavaara,O.,Rusanen,J.,2011.UsingGIStools

toestimateCO2emissionsrelatedtotheaccessibilityoflargeretailstoresinthe

Ouluregion,Finland.JournalofTransportGeography19(2),346–354.

Martin,D.J.,Wrigley,H.,Barnett,S.,Roderick,P.,2002.Increasingthesophistication

ofaccessmeasurementinaruralhealthcarestudy.HealthandPlace8(1),3–13.

Martin,D.J.,Jordan,H.,Roderick,P.,2008.Takingthebus:Incorporatingpublic

transporttimetabledataintohealthcareaccessibilitymodelling.Environment

andPlanningA40(10),2510–2525.

Mavoa,S.,Witten,K.,McCreanor,T.,O’Sullivan,D.,2012.GISbaseddestination

accessibilityviapublictransitandwalkinginAuckland,NewZealand.Journalof

TransportGeography20(1),15–22.

Moniruzzaman,M.,Páez,A.,2012.Accessibilitytotransit,bytransit,andmode

share:applicationofalogisticmodelwithspatialfilters.JournalofTransport

Geography24,198–205.

O’Sullivan,D.,Morrison,A.,Shearer,J.,2000.UsingdesktopGISfortheinvestigation

ofaccessibilitybypublictransport:anisochroneapproach.International

JournalofGeographicalInformationSci