城市空间结构对通勤行为的影响是城市地理学、城市规划、城市交通研究的重要议题。城市空间规模、密度、功能布局等被认为是决定城市交通需求的根源^[1]。特别是近年来，随着城市交通拥堵、交通相关环境问题的日益突出，能否通过多中心发展分散城市中心区的就业与居住压力，缓解交通拥堵与钟摆式通勤问题，成为国内外学者共同关注的焦点^[2-7]。但是，已有研究对于多中心城市发展是否能够减少通勤时间/距离存在较大的争议。受到新城市主义和精明增长理论的启发，多中心结构的支持者提出，实现城市的多中心化发展、构建高密度集约的土地利用模式，是实现职住平衡与近距离通勤的关键要素^{[2, 3, 8]}。而与之相反，一些研究表明，多中心发展不仅没有减少汽车通勤，反而有可能增加了通勤流量与通勤距离^[9-11]。

从国内大城市发展的空间战略实践来看，多中心发展已经成为北京、上海、广州等大城市发展的核心战略。以上海为例，《上海市城市总体规划（1999—2010）》提出建设市域“多轴、多层、多核”、中心城“多心、开敞”的空间布局，以实现中心城区和市域范围不同空间层级上“多中心城市结构”的构建。学者通过问卷调查研究发现，上海市域11个新城和中心城区15个就业核心已经初具规模，在一定程度上达到了疏散居住与就业的目的，但是由于职住发展不均衡，多中心的通勤时耗降低效应有限^{[6, 8]}。

多中心发展究竟能否促进就业分散化与减少通勤距离，依旧需要更多的实践验证。基于问卷调查的通勤研究能够在一定程度上反映不同就业地居民的通勤时间，间接反映多中心结构对通勤时距的消减作用。如孙斌栋^[8]对上海的研究表明，就业地与主中心距离越远，就业者平均通勤时耗越低，说明多中心结构的强化有助于提高通勤效率。但是小规模的问卷调查很难直接反映就业次中心的实际就业吸引范围，因而难以定量测量其通勤衰减作用。而且由于数据的限制，难以对多中心背景下经济活动本身的交通吸引及其空间模式进行深入分析。

大数据的发展为分析城市空间结构与通勤行为的关系提供了新的机遇。已有一些研究对城市职住空间及通勤行为进行了分析，试图理解城市通勤圈分布、通勤距离衰减等现象。例如，钮心毅等^[12]用手机数据对上海市市域职住空间结构进行了分析，发现上海中心城内就业者的主要居住地仍是在中心城内、少量在中心城外围的通勤区，而新城中居民主体仍是在新城内部或本区域内部通勤；丁亮等^[13]利用手机信令数据对上海市的通勤区域进行了划定，指出上海市存在一个呈圈层状向外扩展的中心城通勤圈，并且覆盖了一定范围内的郊区地域；周素红^[14]通过海量浮动车GPS数据的时空挖掘，识别、分析和验证了双商业中心的交通吸引时空规律以及相互作用关系；许宁等^[15]从大规模短期规则采样的手机定位数据中进行了居民职住地识别的尝试，并对识别结果进行了验证；王波等^[16]利用新浪微博签到数据分析了南京市区活动空间的整体特征。但是，目前利用公交刷卡数据进行城市结构与通勤行为分析的研究还较少，研究主要集中在城市整体公交通勤距离与过度通勤现象的分析^[17-19]，而缺乏城市结构与通勤吸引范围的分析。

对于中国城市而言，公共交通是交通出行，特别是通勤出行最为重要的交通方式。以上海市为例，轨道交通近年来迅猛发展，2014年轨道交通运行里程达到577 km，轨道交通线路达到15条，客运总量达到28万人次（上海统计年鉴，2015）。交通出行分担率看，轨道交通在居民出行中的重要性也在逐渐增强。根据2015年上海第五次综合交通调查报告，2014年上海公共交通出行分担率达到了31.3%，全市公共交通含轨道、公共汽（电）车、轮渡日均客运总量为1521万乘次/日。其中，轨道日均客运量达到775万乘次，公共汽（电）车日均客运量为730万乘次，轨道交通年日均客运量全面超过地面公交客运量，轨道交通在公共交通中的主体地位凸显。2010年，中心城区就已有约13%居民选择轨道交通作为通勤工具^[20]。因此，轨道交通在居民出行中的重要性正在日益提高。从人群属性看，地铁通勤人群代表了城市总体通勤样本中，中低收入、汽车拥有率低、中青年（20—40岁为主）、具有正式就业的工薪阶层群体^{[21, 22]}。这一群体代表了城市中青年就业群体的典型，其就业集中在城市中心城区，通勤行为具有较大的时空制约，表现出较强的公共交通依赖性。因此，利用公交刷卡数据分析地铁通勤人群的就业地分布状况，以考察不同就业中心对地铁通勤人群的吸引范围，具有重要的意义。

综上，本文通过对上海市2015年4月某一周的地铁刷卡数据的进站出站识别，提取居民通勤行为特征，并结合已有研究对于上海市中心城区多中心结构的研究，利用地铁数据分析就业次中心的通勤吸引范围，进而讨论多中心发展对职住平衡与通勤消减的意义。

基于上海地铁数据的覆盖范围，本文的研究范围是上海都市区，即上海市域范围除去崇明县以后的范围，面积约为5349.8 km²。截止2015年12月，上海市地铁已开通14条线路（不含磁浮线），共计348个站点（包括重复站点），位置相同站点统一后289个站点（见图 1）。

图 1(Fig. 1)

图 1 上海地铁站点分布图 Fig.1 The Map of Subway Stations in Shanghai

本文利用的是2015年4月某一周的上海申通地铁刷卡数据，总计刷卡量59255589次，识别出的持卡人数为2318929（平均7天），平均每人每天刷卡次数为3.6次。刷卡记录包括卡号、交易日期、交易时间、地铁站点中文名称、交易金额、交易性质（非优惠、优惠、无）。需要说明的是上海公共交通卡没有学生卡优惠政策，这里的优惠仅是由申通地铁公司为所有公共交通卡用户提供的一种折扣优惠政策。图 2是本文研究的一周地铁刷卡记录24小时的分布图，交通潮汐特征明显。可以看出周一到周五居民的地铁出行非常接近，而且早高峰（7:00—10:00）和晚高峰（17:00—20:00）也较为明显，早高峰比晚高峰更为陡峭。

图 2(Fig. 2)

图 2 一周地铁刷卡记录分布 Fig.2 The Distribution of Smart Data Card During One Week

出行链（trip chain）描述的是居民从家出发再返回家的过程，与出行（trip）不同，出行仅指由一个出发地到目的地的单向运动。出行链是居民一天的所有出行的首尾链接，居民通勤出行链模式多种多样。本文设计的居民出行链数据模型为trip-chain (time-site-duration, time-site-dura-tion, ⋯)，trip-chain数据模型中数据按照时间排序，将用户的位置信息一一对应在一天24小时时间坐标轴上，以此来表现用户一天的出行特征。首先根据同一用户卡号识别出其每天的出行链。然后根据通勤识别规则识别通勤者居住地上车站点和就业地下车站点。本文采用的识别规则为：① 一周出行的最早上车站点和最晚下车站点，识别为可能居住地；② 除去最早上车站点和最晚下车站点以外站点，对应时刻表在12点以前，停留时间大于等于6小时^[17]的站点识别为可能就业地站点；③ 根据居民一周出行链，对可能居住地进行频次计数。其中次数相同的可能居住地需根据地铁线路站点顺序识别，如果两个可能居住地是顺序连接的两个站点，那么取任一可能居住地频次为两个可能居住地次数之和，以5号线闵行开发区至莘庄为例，其途径文井路、华宁路、金平路、东川路、剑川路、北桥、颛桥、银都路及春申路地铁站。其中金平路和东川路顺序连接，如果识别出它们都是可能居住地且次数相同，那么任取其中一个的频次为两个次数之和，然后再做下面的判断；次数大于等于4次的可能居住地识别为通勤者居住地站点；次数都大于等于4次的可能居住地选取次数最多的可能居住地为通勤者居住地站点。通勤者工作地站点同样根据上述方法识别。

根据3.1一周通勤识别结果，可以得到每个站点的通勤上车人数、下车人数、平均通勤时间。基于此，以站点为中心，上海都市区为边界做站点的泰森多边形。这样每个泰森多边形将被一个或多个街道划分，分别计算每个街道占泰森多边形的面积比例，根据这一比例将泰森多边形属性值分配给各个街道，最后统计每个街道的总和。这样我们就可以识别出地铁通勤每个街道的居住人数、就业人数、平均通勤时间。最终识别出地铁通勤总人数为945092，占识别出持卡人数的40.76%，通勤路线65118条。

从图 3可以看出，上海市域的空间格局总体上呈现居住郊区化与就业单中心化的格局，职住空间错位明显。在市域尺度，就业人数主要集中在中心城区，特别是内环的主要街道，说明上海市目前依旧表现为单中心主导的格局，而郊区新城的就业疏散效果不明显^[6]。就业集中区域呈现出由城市中心向外的距离衰减趋势，表现为同心圆扩散和沿轨道交通线蔓延的趋势。但是在中心城区尺度，就业多核心结构正在形成并初具规模。在图 3a街道就业人数分布图中，就业人数较多街道分别为陆家嘴街道、外滩街道、徐家汇街道、南京东路街道、潍坊新村街道、张江镇、静安寺街道、虹梅路街道和南京西路街道。《上海市土地总体规划（2006—2020）》中指出希望建设真如、五角场、徐家汇、花木等四个发展核心，从本文的分析结果看，就地铁就业吸引而言，南部就业次中心的发展快于北部，徐家汇和花木区域的就业集聚已基本形成。

图 3(Fig. 3)

图 3 街道尺度识别就业（a）和居住（b）人数分布 Fig.3 The Distribution of Identified Job (a) and Housing (b)

相较于就业地的单中心模式，居住地的郊区化现象明显，达到了疏散中心城区人口的目的。图 3b为地铁通勤者的居住地分布，这些通勤者居住聚集地为宝山区的大场镇、杨行镇和顾村镇，闵行区的莘庄镇、七宝镇、梅龙镇以及浦江镇，浦东新区的周家渡街道、陆家嘴街道、花木街道、三林镇、张江镇以及北蔡镇，松江区的九亭镇和长宁区的新泾镇。郊区新城的居住集中格局已经形成，这一分布模式与上海市的重点新城和大型居住社区选址基本吻合，主要集中在公共交通较为方便、基础设施相对较好的郊区新市镇。近些年来，上海市通过老旧社区改造进行城市更新，在郊区大力推动大型居住社区（主要包括经济适用房、公租房、廉租房和动迁安置房等）建设以缓解高房价和住房需求压力，并着力建设郊区新城基础设施与公共服务设施，积极引导居民到郊区新城居住。在这样的背景下，被动郊区化与主动郊区化共同作用驱动越来越多的中低收入居民集聚到郊区新城和新市镇^[23-26]。

本文共识别出通勤总人数为945092，平均通勤时间为35分钟，标准差为21分钟。地铁通勤时间的累计频率分布如图 4a，呈现正态分布特征。其中通勤时间小于30分钟的人数为441707，占总数的46.73%；同时有大约10%的居民通勤时间大于60分钟。

图 4(Fig. 4)

图 4 通勤者时间频率分布图（a）和街道尺度平均通勤时间分布（b） Fig.4 The Distribution of Commuters' Time-Frequency (a) and Average Commute Time in Scale of Street (b)

而从空间格局来看，平均通勤时间显示出明显的同心圆模式，即距离城市中心距离越远通勤时间越长（图 4b）。内环以内居住的居民平均通勤时间总体小于35分钟，外环以内平均通勤时间约为35—60分钟，而外环外居民的平均通勤时间约长达60—90分钟。一方面，说明强单中心模式下中心城区就业中心对郊区居民形成了强大的就业吸引。另外一方面，这可能与地铁站点的数量及其空间分布有关，郊区地铁网络覆盖较低，就近就业的居民往往选择公交或者小汽车等地面交通方式通勤。

为进一步分析上海市的通勤流向特征，对识别出来65118条通勤路线及其通勤流向进行可视化（图 5a）。与就业地和居住地识别结果类似，目的地节点大多集中在内环以内和内环线附近，而出发地节点主要集中在郊区。通过通勤路线分析可以看出居民的通勤主流向是向心流。图 5b描述的是通勤人数大于400次的线路分布状况。特别是通勤人数大于1000人的8条通勤路线，分别是9号线九亭至9号线漕河泾开发区（2532次），9号线佘山至9号线漕河泾开发区（1559次），9号线泗泾至9号线漕河泾开发区（1555次），1号线彭浦新村至1号线火车站（1537次），9号线七宝至9号线漕河泾开发区（1501次），1号线通河新村至1号线上海火车站（1337次），1号线莘庄至1号线徐家汇（1042次），以及9号线九亭至9号线合川路（1013次）。这一结果与上海市居住就业格局密切相关。例如九号线沿线的佘山北、泗泾、九亭都是上海市西郊近年来规划建设的大型居住社区，规划人口平均在10万人，而且以依靠公共交通出行的中低收入人群为主。但是这些区域周边就业配套明显不足，其到城市中心就业主要依靠轨道交通和路面公共交通，因而对通过该区域的九号线造成巨大的早晚高峰通勤流负荷。而漕河泾开发区位于徐汇区西部，属于典型的高新技术开发区，就业集中而居住配套不足，主要的通勤人流来自于居住在西郊的居民。这些主要通勤流表现出上海市职住空间错位的突出问题。同时也说明了这些较少的路径承载了过多的客流量，可能导致这些线路地铁早晚高峰拥挤现象。

图 5(Fig. 5)

图 5 地铁通勤线路可视化（a）和主要通勤流向（b） Fig.5 The Distribution of Commuting Trips (a) and Main Commuting Flow (b)

上文分析发现，上海市市域尺度依旧表现为明显的强单中心格局，但是在中心城区内部多核心格局已经出现，并形成一定的通勤吸引能力。为了验证多核心发展格局对通勤时间的影响，本文进一步分析城市中心城区就业（次）中心的通勤吸引情况。一般来说，就业（次）中心是指就业密度明显高于周边区域，并且对就业空间分布产生显著影响^[27]。已有大量研究对就业（次）中心的界定进行了讨论^[28-33]。考虑到本研究数据只包括地铁刷卡数据，而就业（次）中心的界定需要全样本的就业密度，所以本文采用国内学者已有研究成果的就业（次）中心分类进行研究，分析这些中心的吸引力格局和通勤时间分布。参考孙斌栋等学者在上海市的研究成果，选用的就业中心包括内环线内的外滩、静安寺、淮海中路、徐家汇、长寿路、潍坊新村六个就业中心，被内环线穿越的广中路、天山路和大桥，位于内外环线之间的虹梅路、五角场和高东镇（合并外高桥保税区），以及外环线近邻外侧的友谊路街道^[34]，共13个就业中心（图 6）。其中，以外滩为就业主中心，而其他为就业次中心。本文基于识别的街道通勤格局统计汇总每个就业中心的通勤状况，根据通勤线路反推居民出行的居住地，识别就业中心吸引范围。研究就业中心具体就业吸引范围以及在整个通勤格局中的影响力情况。

图 6(Fig. 6)

图 6 中心城就业（次）中心区位图 Fig.6 The Map of Employment (Sub) Center Downtown in Shanghai (Quoted from Literature[31]) 注：引自文献[31]，并根据研究需要重制。

表 1为中心城就业中心通勤和就业吸引情况，其中吸引街道个数统计的是吸引就业人数大于10人的街道。除五角场、高东镇和友谊路街道外，这些就业（次）中心的平均通勤时间都在40分钟以内。相比全市平均通勤时间，就业次中心就业居民的通勤时间并没有大幅度减小。同时，就业次中心对通勤时间的影响受到其空间区位、规模的影响。到淮海中路、徐家汇、静安寺、广中路等中部和南部规模较大的就业次中心就业的居民通勤时间有所缩短，而到五角场、高东镇、友谊路等北部外环附近的就业次中心就业的居民通勤时间反而增加。地铁吸引人数最多、吸引街道个数最多的是徐家汇街道，体现出徐家汇就业中心吸引力最大。地处陆家嘴金融贸易中心商业区的潍坊新村街道吸引力仅次于徐家汇街道，发展较好。而传统中心商业区——外滩街道的地铁吸引人数和街道数的绝对量位居第3。这一结果和我们印象中外滩街道是主中心不一样，是因为本文采用的是吸引人数的绝对值，但是常用的就业中心识别方法中用的都是街道就业密度这一指标。所以其实从就业人数的绝对值来说，最多的是徐家汇街道，而不是外滩街道。友谊路街道吸引人数和街道数最少，而且平均通勤时间最长，说明到这里就业的居民存在明显的职住分离特征。这可能与友谊路街道的发展历程有关。友谊路街道早期作为宝钢居住区有大量老公房社区，而近期逐渐发展定位为宝山区政治、文化、经济的中心，成为宝山区的就业中心。但是由于居住发展先于产业发展，因而导致居住者到区外就业，而到这里就业的年轻人很难在这里买房。

表 1(Tab. 1

表 1 就业中心通勤和就业吸引 Tab.1 The Commuting Time and Commuting Population of Employment (Sub) Center 就业中心 2015年平均单程通勤时间（分钟） 地铁吸引人数(人） 吸引街道数 徐家汇街道 33 39471 169 潍坊新村街道 35 30924 167 外滩街道 32 26230 162 静安寺街道 32 19834 157 虹梅路街道 38 18407 161 长寿路街道 34 18369 155 淮海中路街道 31 9733 138 天山路街道 36 8831 140 广中路街道 33 6859 132 五角场街道 42 6762 123 高东镇 44 3056 60 大桥街道 36 2731 71 友谊路街道 45 1115 26

表 1 就业中心通勤和就业吸引 Tab.1 The Commuting Time and Commuting Population of Employment (Sub) Center

图 7为中心城就业中心地铁具体吸引范围分布。总体而言，就业中心地铁吸引最多的街道大多是在就业中心四周，并且这些街道大多聚集在外环线附近。每个就业中心的吸引力在空间表现出随距离衰减的特征，距离就业中心越远，街道吸引人数随之减少。但是13个就业中心的吸引格局各不相同，存在明显空间差异。可以分为三类，距离衰减为主模式、飞地为主模式和复合模式。距离衰减为主模式包括潍坊新村街道、高东镇、大桥街道、友谊路街道，主要以位于浦东地区的街道为主，表现为随着距本中心的距离越远，就业吸引越少，就近就业比例高。这可能与这些街道的地理位置和地铁配套情况有关，如友谊路街道和高东镇街道本身地理位置就处于上海行政边界的边缘，大桥街道交通基础设置的建设远远落后于中心城区内的其他就业中心，潍坊新村街道虽然地铁交通便捷，由于位于外滩、淮海中路附近，吸引范围仍然没有表现出飞地模式^[34]。飞地型包括徐家汇街道、静安寺街道、淮海中路街道、五角场街道，主要以中心城核心区的就业（次）中心为主，表现为临近就业较少而远距离通勤明显。这一类型一般以综合性就业中心为主，已形成高档办公楼和时尚商业为主导的繁华商务商业区^[34]，吸引就业能力强，而其飞地现象可能是由于处于城市核心区交通较为方便，近距离就业居民不会选择地铁出行。复合模式包括外滩街道、虹梅路街道、天山路街道、长寿路街道、广中路街道，表现为前两个模式的综合，即既有近距离就业居民，又长距离通勤就业者。其中，外滩作为城市就业主中心，其就业岗位包括政府办公、跨国公司总部及国内外金融机构等，具有极高的多元性，其就业者分布较广^[35]。而其他就业次中心多为快速发展的新兴就业中心、地理位置往往位于中心城核心区边缘。这些就业（次）中心往往位于中心城核心区边缘。这说明，离主中心越远的就业次中心越有可能形成对临近居住区的强吸引，从而减少通勤距离；而离主中心较近的就业次中心则可能形成对主中心就业人口的分流，从而减少通勤流的集中。

图 7(Fig. 7)

图 7 中心城就业中心地铁吸引范围 Fig.7 The Passenger-attracting Scope of Employment (Sub) Center 注：因版面限制，友谊路吸引范围图未展示。读者可联系本文作者或责任编辑索取。

根据每个就业中心对同一街道的吸引人数的大小，我们将13个就业中心的地铁通勤吸引汇总到一张图上。汇总方法是比较同一街道13个就业中心吸引人数，该街道最终将被划归为吸引人数最多的就业中心。图 8表现了中心城就业中心吸引范围的空间分布，最终只有9个就业中心的吸引力较为显著，分别为外滩街道、徐家汇街道、静安寺街道、潍坊新村街道、长寿路街道、天山路街道、虹梅路街道、广中路街道和大桥街道。可以看出在在中心城范围内，外滩、徐家汇和潍坊新村街道表现出明显的多核吸引格局，静安寺和长寿路有少量的就业吸引。潍坊新村街道对浦东地区具有较强的就业吸引，徐家汇就业吸引影响势力在浦西呈南北分布，而作为主中心的外滩则为对浦东浦西都有辐射，并呈东西分布趋势。说明在中心城已经出现了多中心的发展格局，形成对不同居住区位居民的吸引力差异。整个市域范围而言，就业（次）中心的空间位置对于就业吸引范围有一定的影响，例如潍坊新村街道同样对浦东的就业形成垄断地位，虹梅路街道的就业者主要来自于西面临近的松江区和青浦区。这说明多中心发展确实在一定程度上减少了居民长距离通勤的现象，更多的居民愿意到距离其更近的中心城区就业次中心工作。同时还有一些飞地现象，如天山路街道、广中路街道和大桥街道。

图 8(Fig. 8)

图 8 中心城就业中心吸引范围汇总 Fig.8 The Summary of Employment (Sub) Center's Passenger-attracting Scope

本文通过一周地铁刷卡数据，建立出行链（trip-chain）数据模型，根据站点人流分配模型将用户分配到街道尺度，基于用户7天出行链数据识别地铁出行居民的居住地和就业地，分析上海市域职住空间格局和通勤流状况，并探讨多中心格局对通勤的影响。本文研究发现，基于地铁刷卡数据识别用户的平均通勤时间为35分钟，通勤时间整体存在由内向外的递增趋势。从职住区位和通勤时间的空间分布看，上海市域依旧表现为强单中心结构，居住郊区化快于就业郊区化，向心通勤依旧是主导通勤方向。但是从就业地吸引格局来看，中心城区开始出现多核心格局，就业次中心的就业吸引模式可以分为距离衰减为主模式、飞地为主模式和复合模式三种模式。同时就业次中心的吸引范围依旧表现出浦东和浦西的分异。

本文的一个重要目的是探讨多中心格局对通勤时间/距离的效应。通过比较不同就业（次）中心的就业吸引和通勤时间，本文得出结论认为多中心对通勤的消减效应受到就业（次）中心空间区位和规模的影响。总体来说，多中心格局的发展有利于城市通勤的合理分配，虽然多中心格局不一定带来通勤时间的减少，但是从通勤吸引范围看，就业（次）中心已经开始表现出邻近地区的通勤吸引和对主中心的通勤分流现象。从空间区位看，离主中心越近的就业次中心的就业吸引越有可能形成飞地模式，通过分流到主中心就业的居民来达到减少平均通勤时间的目的。而离主中心越远的就业次中心则越有可能形成自己的近距离就业吸引圈，吸引一些居住地距主中心较远的居民来工作，但是区域平均通勤时间不一定减少。从发展状况看，职住发展较为均衡的就业次中心通勤时间会减少，而职住空间错位较明显的就业次中心通勤时间可能反而增加。这一结论说明，中国特大城市采取多中心的发展战略是有利于城市通勤问题的缓解的，但是在多中心发展过程中需要重视职住平衡的问题。

值得注意的是，在市域尺度，由于单中心的发展格局依旧明显，带来了通勤流的向心集中和流向集中。对于通勤线路中频次超过1000次的8条线路进行分析发现由于大型居住社区建设和相应的就业配套不足，对部分轨道交通线形成了较大的钟摆式通勤流压力。本文建议对这部分通勤应当从短期和长期两个层面采取政策，以缓解交通需求。在短期，通过交通政策方式，增加地铁频次或者增加地面公交以缓解早晚高峰的压力；在长期，要进一步推动郊区新城就业岗位的配套建设，引导居民进行合理的居住地选择，实现市域层面的多中心发展。

利用地铁刷卡数据进行多中心城市结构对通勤行为研究有利于对城市通勤格局的理解。相比于问卷数据，利用地铁刷卡数据能够反映乘坐地铁进行通勤的居民的通勤全貌，并对每个就业中心的实际就业吸引情况进行空间的描绘和分析。受数据来源的限制，本研究只识别和分析了地铁刷卡数据，今后与公交刷卡数据、出租车数据等的结合，将会更加全面展现上海市通勤状况以及多中心结构对通勤行为的影响。也应看到，本文对就业中心地铁通勤辐射范围的形成的解释不够深入，未来应结合更丰富的地理空间数据和经济数据对通勤模式的形成机制进行定量分析。最后，本研究结论客观反映了目前各个就业中心地铁通勤的辐射格局，但是缺少对变化过程的分析，因而难以对多中心结构对通勤模式的形成进行深入剖析。未来随着大数据的可获得性和时间长度更广，希望能进一步通过纵向数据或多年度对比分析，反映变化动态过程。