多场景模式下网约车与巡游车运营特征差异及调度策略研究

2021-09-06林鹏飞孙宇星翁剑成柴娇龙荆云琪

交通工程 2021年4期

胡松，林鹏飞，孙宇星，翁剑成，柴娇龙，荆云琪

(1.北京工业大学北京市交通工程重点实验室，北京 100124； 2.北京市交通委员会，北京 100073)

0 引言

出租车模式是城市公共交通重要的补充出行方式，为城市客运交通系统不可或缺的组成部分. 并且，随着近年来新一代互联网、云计算和移动支付等技术的快速发展及其与出租车业态的深度整合，网约车如Uber、滴滴、首汽约车等作为新兴出租车运营平台提升了传统出租车服务效率和质量，增加了乘客与司机之间供求的信息对称程度，为居民出行提供了更定制化、个性化的出行选择. 近年来，北京市出租车规模基本保持稳定发展，2019年出租车总出行量为99万人次，占据城市公共交通总客运量的7.3%[1]. 而网约车对传统出租车的运营管理造成了巨大冲击，其与传统巡游车的运营特征指标、服务差异是亟须重点关注的问题.

国内外研究学者已从出租车运行特征和运营管理等方面开展了相关研究. 在出租车运行特征方面，吴振华等[2]基于出租车行驶轨迹数据和路网数据，从运营时间、运营里程、载客时间、载客里程以及空驶时间和空驶里程等方面，分析上海市工作日、周末和节假日的出租车基本运营特征. 林鹏飞等[3]基于计价器数据、GPS数据与网约车订单数据，构建载客时间、载客里程、载客次数等指标体系，进而分析网络约租车与传统出租车的运营特征. 庄立坚等[4]基于浮动车数据挖掘出租车的空驶率、运营速度、载客运营时长、出行需求等时空特征差异. 罗钧韶等[5]通过地图匹配算法和轨迹挖掘算法对数据进行预处理，从基本统计、运营效益、出行特征、空间分布4个维度建立了指标体系，分析南昌市出租车时空出行特征. Shen等[6]以南京市6 445辆出租车连续两周的浮动车数据为基础，分析出租车出行的上下车空间热点分布特征.

在出租车运营管理方面，国内外相关学者主要关注出租车的运营规划和调度策略等方面. 刘响[7]从群体角度分析了网约车与传统出租车之间的博弈关系，以Nash均衡理论构建了网约车与传统出租车间的博弈模型并提出发展建议. 孙中苗等[8]针对网约车平台间乘车需求和乘运供应竞争现象，结合最优控制论构建不同竞争情形下的网约车平台定价模型. Mohsen等[9]基于宏观基本图算法建立了一种考虑交通流和出租车动态间相互影响的网络出租车调度模型，面向异质拥挤的城市利用预测控制法优化出租车调度. Zhang等[10]考虑出租车系统和城市道路系统提出了出租车市场竞争模型，分析了出租车市场内部以及出租车市场与城市道路系统间的相互作用.

综上所述，以往研究多是面向传统出租车或网约车一种运营模式开展相关研究，缺乏两者对比分析与融合发展策略建议；并且，研究主要是在常态化情景下进行，而在多种场景模式下开展定量化分析较少. 因此，本文依托出租车GPS数据、订单数据以及路网、行政区和蜂窝网格空间矢量数据等，提出了多源数据预处理流程方法，建立了面向常态化和后疫情场景的巡游车与网约车运营特征指标模型，从运行特征、时空分布特征等维度剖析出租车、网约车两类出租车运营服务特征差异并提出相应的调度策略.

1 数据基础

1.1 多源数据

研究采用的数据主要包括2019-05-31—2019-06-09和2020-06-18—2020-06-27厦门市巡游车、网约车的订单数据、GPS数据，以及路径规划API数据，城市路网、行政区和蜂窝网格空间矢量数据等.

1.1.1 订单数据

订单数据记录了车辆运营过程的时空信息，为巡游车和网约车运营特性对比分析的重要数据源. 其中，网约车、巡游车平均每天订单量分别为20万、30万. 网约车的订单数据关键字段见表1：

表1 网约车订单数据关键字段

巡游车的订单数据关键字段见表2：

表2 巡游车订单数据关键字段

1.1.2 GPS数据

GPS数据可详细记录车辆的实时运营状态，主要包括出租车的时间、位置坐标和角度等基本信息，以及出租车运营状态(如空载、满载、驻车、停运等)信息. 巡游车和网约车的GPS回传间隔分别为30 s、5 min，平均每天数据量分别约为2 000万、300万条记录.

1)路径规划API和路网矢量数据

为了填补订单数据中缺失的空驶里程，爬取高德地图的路径导航API和路网矢量数据计算任意2点的车辆行驶距离. 其中，路径导航API数据主要字段包括：起终点的经纬度坐标、路径距离等信息，路网矢量数据包括道路名称、道路编号、路段长度等信息.

2)空间矢量数据

空间矢量数据包括行政区和蜂窝网格空间矢量数据，数据用以空间关联和出行需求空间分析. 其中，行政区空间矢量数据包括6个行政区范围的行政区名称和唯一ID. 以0.01经度×0.01纬度构建厦门市的蜂窝空间网格，共形成1 981个蜂窝网格，每个网格被赋予唯一ID. 行政区和蜂窝网格空间分布如图1所示.

图1 厦门市行政区和蜂窝网格空间分布

1.2 数据预处理

为了提高巡游车和网约车订单数据质量需要从异常数据剔除、缺失数据填补和数据空间关联等方面进行数据预处理.

1.2.1 异常数据剔除

主要数据问题为载客距离、载客时间过短或过长等，研究采用阈值法剔除错误数据与异常数据. 而网约车数据除载客距离、载客时间异常问题外，还存在少量无效订单，即司机未抢单等情况. 数据剔除规则如下：

1)删除出行距离小于0.5 m的订单；

2)删除上下车经纬度坐标为0、上车位置不在厦门市范围内的订单；

3)删除下车时间早于上车时间的订单；

4)删除订单数据中下车时间为非时间格式的订单；

5)删除空驶距离过长的订单，以空驶距离的99%分位点为依据，分别删除空驶距离超过了24.1 km、26.8 km的出租车订单.

1.2.2 缺失数据填补

网约车订单数据中95%的空驶距离记录为空值，致使网约车的空驶距离无法计算. 因此，通过爬取路径导航API数据获取上一订单的下车位置与当前订单的上车位置间的驾车距离，将其近似为空驶距离. 具体补充流程如下：

1)对网约车订单数据按车辆ID和订单时间排序；

2)遍历所有空驶距离为空的订单，提取当前订单的上车经纬度和上一订单下车位置的经纬度，通过API数据计算2个坐标的驾车路径距离；

3)如果当前车辆该天仅有1条订单或者当前订单为该车辆的第1条订单，则跳过.

1.2.3 数据空间关联

将巡游车和网约车订单的上下车经纬度坐标与行政区空间矢量数据和蜂窝网格空间矢量数据进行空间关联，并将上下车经纬度坐标分别转化为对应的行政区或蜂窝网格ID.

2 运营特征指标及模型构建

基于多源出租车数据，结合网约车与巡游车2种运营模式特点，从运行特征、时间和空间分布3个维度构建特征指标.

2.1 运行特征指标

1)平均运距

(1)

式中，Mpi为订单i的载客里程；n为统计周期内的订单数.

2)平均运行时长

(2)

式中Tpi为订单i的运行时长.

3)日均空驶率

(3)

式中Pi为订单i的空驶率.

2.2 时间分布指标

居民出行的空间分布特征具有一定的规律性，工作日居民出行多以通勤行为为主，周末节假日居民出行以休闲娱乐目的为主[3].从时间维度分析载客次数可客观反映城市居民的生活节奏以及乘客对巡游车、网约车的时间出行需求分布差异.载客次数见式(4)：

(4)

2.3 空间分布指标

统计某个行政区或蜂窝网格的上车和下车次数，可获得不同空间粒度的出行OD分布、载客热点分布、出行OD分布TOP20等空间分布特征. 同时，借鉴经济学中赫芬达尔- 赫希曼指数(Herfindahl-Hirschman Index HHI)度量每个网格内巡游车和网约车的载客需求竞争与合作关系，见式(5). 当HHI为0.5时为完全竞争， HHI为1时则为完全垄断.

(5)

式中，X为某网格的总上车次数；Xi为某网格内巡游车或网约车的上车次数.HHI越大，表示某种出租车模式垄断程度越高.

3 运营特征分析及调度策略

基于出租车运营特征指标对巡游车与网约车的运营情况进行计算分析，可有效获取巡游车和网约车的运行特征、时间和空间分布等规律情况，并提出相应的调度策略.

3.1 运行特征

3.1.1 平均运距

图2为巡游车和网约车的平均运距分布情况. 网约车和巡游车的平均运行距离主要分布在10 km以内，占各自出行比例的76%、86%；并且，随着出行距离的增长，网约车对应的出行比例越高，而出租车的出行比例分布较为均衡. 结果表明，当出行距离位于10 km以上时，尤其是当出行距离大于30 km时，人们更倾向于选择网约车出行，这一特征在非工作日和节假日期间更为明显.

图2 平均运距分布/km

3.1.2 平均运行时长

图3为巡游车和网约车的平均运行时长分布情况. 在工作日、非工作日和节假日期间，出租车与网约车的平均运行时长均以20 min以内为主，约占总订单量的80%. 当出行时长大于20 min时，乘客更倾向于选择网约车出行. 行程时间在20 min内的网约车订单比例在各个时期相对稳定；在2019年非工作日和节假期，行程时间在20 min内的巡游车订单比例比工作日高约3%，这种变化趋势在2020年的非工作日和节假期进一步加强.

图3 平均运行时长分布/min

3.1.3 日均空驶率分布

图4为巡游车和网约车的日均空驶率分布情况. 2019年，巡游车空驶率在25%以上的订单约占总订单量的50%，而2020年受疫情影响居民出行需求降低，各时期巡游车的空驶率显著增加，非工作日和节假日上升的相对明显，空驶率在25%以上的订单比例较2019年同时期分别上升了13%和10%. 而网约车因精准的供需匹配机制，空驶率保持相对较低而稳定的状态.

图4 日均空驶率分布

3.1.4 空驶率时变特征

图5～图6为巡游车和网约车的空驶率时变特征情况. 巡游车的空驶率在23:00至次日07:00逐渐上升，在07:00达到最大值，随后逐渐降低，工作日期间08:00、18:00的空驶率相对较低，非工作日和节假日期间18:00、22:00的空驶率相对较低. 受2020年疫情影响，巡游车在10:00—18:00期间较2019年同期显著提升，其中非工作日、节假日上升最为明显约8%，工作日上升约5%.

图5 巡游车空驶率时变特征

图6 网约车空驶率时变特征

而网约车的空驶率在不同时期变化趋势相对一致，00:00—06:00空驶率逐渐上升，在06:00达到最大值，随后空驶率逐渐下降并保持相对平稳的趋势. 受2020年疫情影响，10:00—18:00的平均空驶率较2019年同时期有小幅上升，工作日和非工作日上升约2%，节假日上升最明显约4%.

总体来看，同一时期网约车的日均载客次数、运距和运行时长均高于巡游车，空驶率低于巡游车. 巡游车和网约车在节假日期间的日均载客次数较工作日和非工作日有小幅下降，而运距和运行时长较工作日和非工作日期间均有小幅增加. 受疫情影响，2020年巡游车日均载客次数较2019年有所下降，而2020年工作日的网约车日均载客次数较2019年增加约0.8万次.

3.2 时间分布特征

出租车运行时变特征分析时以时间为横轴，时间粒度为1 h，载客次数为纵轴，分析居民出行量随时间的变化情况. 图7描述了网约车和巡游车在工作日、非工作日以及节假日的出租车载客量的时变特征，工作日期间乘客需求呈典型的“双高峰”形态，而非工作日和节假日则呈现“单峰”形态. 网约车总体订单量相对高于巡游车，工作日、非工作日以及节假日期间巡游车与网约车的出行需求低谷期均在06:00以前. 06:00后居民的出行需求快速增加，巡游车的出行需求基本维持在较高的平稳状态，而网约车的订单量逐渐高于巡游车，且表现出明显的高峰时期. 此外，受新冠疫情的影响，居民在节假日、周末等时期外出游玩的需求意愿降低，故2020年的巡游车和网约车出行订单量均较低于2019年.

图7 出租车需求时间分布特征

3.3 空间分布特征

本节主要基于厦门市2019年、2020年工作日、非工作日和节假日3个时间维度数据，分别从出行起讫点(OD)分布、上车需求分布和热点OD对3方面对巡游车和网约车2种出租车运营模式的空间特征进行分析. 图8为宏观层面巡游车和网约车的空驶率时变特征情况.

图8 出租车需求空间分布特征

从图8结果可得出，约93%的巡游车订单主要集中在思明区和湖里区2个区内部出行，约83.6 %的网约车订单主要分布于思明区、湖里区和集美区，且思明区和湖里区存在较强的交互关系，而集美区、同安区、海沧区和翔安区主要为区域内部出行. 受疫情影响，端午节乘客采用网约车长距离出行的比例大幅增加，2020年端午节期间目的地为泉州、漳州、莆田市的订单量较2019年增加130%. 结果也反映了厦门市职住分布相对平衡，减少了工作日通勤出行距离，降低了城市路网运行压力.

图9分别刻画了巡游车和网约车于工作日、非工作和节假日的载客需求热点分布情况. 巡游车载客需求热点区域主要集中在思明区和湖里区的重要交通枢纽、大型居住区、商业区、景区和高校等；网约车载客热点区域与巡游车的存在大量重合，除集中在思明区和湖里区外，集美区南部、海沧区的商务中心区域、同安老城区、翔安核心区等出行需求也相对较高. 总体来看，2020年巡游车和网约车的载客需求热点分布规律与2019年的具有较高相似性，而巡游车热点区域在城市中心的占比更高，而在新冠肺炎后疫情影响下部分地点的出行需求强度呈下降趋势，如厦门北站等，2020年工作日网约车和巡游车的订单量较2019年同期分别下降了约76%、20%.

图9 出租车需求空间分布特征

此外，研究进一步根据式(3)计算并刻画了巡游车与网约车在工作日、非工作日、节假日的早、晚高峰期间热点区域的竞合指数分布情况，见图10.

图10 出租车需求热点区域竞合指数分布

在工作日早高峰期间，城市中心区域、火车站以及机场等热点区域网约车和巡游车订单量相对均衡，而在城市东部外围区域，主要以网约车为主. 非工作日和节假日的早高峰各热点区域网约车和巡游车分布相对均衡. 而在工作日、非工作日和晚高峰期间，城市中心热点区域两者订单分布均相对均衡，并由内向外均衡性逐渐变差，尤其是城市的西部轮渡码头区域，主要以网约车订单为主.