Abstract Urban land use is known to affect commuting efficiency according to the excess commuting framework. However, most studies do not include temporal dynamics, and those that do, focus on decadal, yearly, or daily temporal resolutions. However, commuting is not a stationary spatial process. Since people leave home and start their jobs at different times of the day and since traffic congestion varies throughout the day, neglecting hourly dynamics can misestimate commuting efficiency in a region and lead to erroneous policy implications. Another important issue often overlooked in the past is the modal disparity in commuting efficiency and how it evolves during the day. To overcome these limitations, this research examines the commuting efficiency variation by car and public transport by six one-hour periods between 5 AM and 11 AM in Warsaw, Poland, using travel survey data and travel times generated from GPS-based big data for cars and from GTFS for public transport. We develop four different groups of modeling scenarios: no disaggregation, disaggregation by time, disaggregation by mode, and disaggregation by time and mode. Therefore, excess commuting and modal disparity metrics are applied for a total of 21 specific time and mode combinations. The results suggest that commuting efficiency is worst during the 8–9 AM period for both modes, and that public transport users are more efficient after 7 AM. Hourly variations in the excess commuting metrics imply that policy makers should examine ways to encourage flexible work hours to distribute work starts and to increase public transport frequencies in the off-peak.

中文翻译：

---

土地利用对通勤效率模式差异影响的时间动态

摘要 根据超额通勤框架，已知城市土地利用会影响通勤效率。然而，大多数研究不包括时间动态，而那些包括十年、年度或每日时间分辨率的研究。然而，通勤不是一个平稳的空间过程。由于人们在一天中的不同时间离开家开始工作，并且由于交通拥堵全天都在变化，因此忽视每小时动态可能会错误估计一个地区的通勤效率，并导致错误的政策影响。过去经常被忽视的另一个重要问题是通勤效率的模式差异以及它在白天如何演变。为了克服这些限制，本研究调查了华沙在早上 5 点到 11 点之间的六个一小时时段内，汽车和公共交通的通勤效率变化，波兰，使用从基于 GPS 的汽车大数据和公共交通的 GTFS 生成的旅行调查数据和旅行时间。我们开发了四组不同的建模场景：无分解、按时间分解、按模式分解以及按时间和模式分解。因此，对总共 21 种特定时间和模式组合应用了过量通勤和模式差异度量。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。使用基于 GPS 的汽车大数据和公共交通的 GTFS 生成的旅行调查数据和旅行时间。我们开发了四组不同的建模场景：无分解、按时间分解、按模式分解以及按时间和模式分解。因此，对总共 21 种特定时间和模式组合应用了过量通勤和模式差异度量。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。使用基于 GPS 的汽车大数据和公共交通的 GTFS 生成的旅行调查数据和旅行时间。我们开发了四组不同的建模场景：无分解、按时间分解、按模式分解以及按时间和模式分解。因此，对总共 21 种特定时间和模式组合应用了过量通勤和模式差异度量。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。我们开发了四组不同的建模场景：无分解、按时间分解、按模式分解以及按时间和模式分解。因此，对总共 21 种特定时间和模式组合应用了过量通勤和模式差异度量。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。我们开发了四组不同的建模场景：无分解、按时间分解、按模式分解以及按时间和模式分解。因此，对总共 21 种特定时间和模式组合应用了过量通勤和模式差异度量。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。超额通勤和模式差异指标适用于总共 21 种特定的时间和模式组合。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。超额通勤和模式差异指标适用于总共 21 种特定的时间和模式组合。结果表明，两种模式在早上 8 点到 9 点期间的通勤效率最差，而公共交通用户在早上 7 点之后效率更高。超额通勤指标的每小时变化意味着政策制定者应研究鼓励灵活工作时间的方法，以分配工作开始时间并增加非高峰时段的公共交通频率。