《Travel Behavior Resilience: Theory, Method, and Empirical Studies》学术报告

本文由Huang Jie（中国科学院地理科学与资源研究所副研究员）与Wang Jiaoe（中国科学院地理科学与资源研究所教授）合作完成，发表于Journal of Geographical Sciences（2024年第34卷第8期）。研究聚焦于出行行为韧性（Travel Behavior Resilience, TBR）的理论构建、方法论创新与实证分析，旨在填补交通系统韧性研究中需求侧（居民出行）的学术空白，为城市交通规划与韧性城市建设提供科学依据。

学术背景与研究目标

韧性研究在生态学、心理学、城市规划等领域已有成熟理论，但交通领域的韧性分析长期集中于供给侧（如基础设施抗灾能力），而忽视需求侧（居民出行行为）的动态适应机制。新冠疫情等突发扰动事件凸显了居民出行恢复能力的复杂性，例如出行意愿的波动性、群体差异性与空间异质性。本研究基于多学科理论（生态韧性、交通工程、心理学），提出出行行为韧性的定义：居民出行在负向扰动（如灾害、政策限制）后恢复至原有均衡或建立新均衡的能力，并构建了“供给-需求动态交互”理论框架。

理论框架与方法论创新

1. 理论框架

研究将出行行为韧性分为三个阶段：
- 急剧下降期：扰动初期出行量骤减（如疫情封锁）；
- 快速恢复期：扰动减弱后出行量非线性回升；
- 波动稳定期：达到新均衡（如常态化防疫下的出行模式）。
这一过程受两类扰动影响：
- 硬扰动（Hard Disturbance）：如自然灾害导致的交通中断；
- 软扰动（Soft Disturbance）：如政策倡导减少出行。

2. 方法论创新

研究提出韧性三角测量法（Resilience Triangle Method）与连续过程分析法：
- 韧性三角：通过三个关键拐点（下降点(t_1)、最低点(t_2)、稳定点(t_3)）量化恢复速度与幅度，公式为：
[ TS = \frac{2(d_1 - d_2)}{t_3 - t_1} ]
其中(TS)值越小，韧性越弱。
- 连续过程分析：利用微积分方法整合出行需求函数(d(t))的动态变化，适用于高连续性数据（如手机信令数据）。

实证案例与核心发现

1. 北京新发地疫情的空间异质性分析

• 数据：2020年2—9月手机信令数据（网格尺度250m×250m）。
  
• 发现：
  
  • 高韧性区域：就业中心与核心功能区（如商务区），恢复速度快且幅度大；
    
  • 低韧性区域：休闲场所与边缘居住区，恢复缓慢且易受管控政策影响；
    
  • 空间分异机制：与建成环境、土地利用强度、疫情爆发点距离显著相关。
    

2. 昆明地铁出行的群体差异研究

• 数据：智能卡数据（2019—2020年）。
  
• 群体韧性排序：
  
  • 通勤群体：因出行刚性需求，时空规律性强，韧性最高（(TS=0.067)）；
    
  • 学生群体：受学校复课驱动，空间活动范围恢复快（(TS=0.069)）；
    
  • 老年群体：因感染风险规避，韧性最低（恢复率仅为疫情前97%）。
    

结论与科学价值

1. 理论贡献：首次系统定义了出行行为韧性，提出“动态均衡-群体异质性-空间分异”分析框架，弥补了交通韧性研究的需求侧空白。
   
2. 方法论意义：开发的韧性三角模型与连续过程分析法，可适配多尺度数据（个体轨迹、群体统计），为后续研究提供工具支持。
   
3. 应用价值：为韧性城市规划提供决策依据，例如优化高韧性区域的交通供给、针对低韧性群体（如老年人）制定精准出行保障政策。
   

研究亮点

• 跨学科整合：融合生态学韧性理论、交通工程量化方法与心理学行为模型；
  
• 数据驱动：创新性利用手机信令与智能卡大数据捕捉扰动下的微观行为动态；
  
• 政策关联性：揭示出行韧性差异对城市空间结构优化的启示，如职住平衡与多中心网络构建。
  

未来方向

作者建议进一步探索：
1. 不同交通模式（如公交与私家车）韧性的耦合机制；
2. 出行韧性对城市碳排放与交通拥堵的反馈作用；
3. 长期扰动（如气候变化）下韧性演变的模拟预测。

（注：全文术语首次出现均标注英文原文，如“出行行为韧性（Travel Behavior Resilience）”）