城市建成环境对网约车客流的影响研究

耿雪琳, 许伦辉

(华南理工大学 土木与交通学院,广东 广州 510641)

截至2019年,我国网约车用户规模达4×108人次,行业的市场规模达3 044.1亿元,同比增长3.42%[1]。网约车凭借便捷的预约服务和灵活的上门服务正在成为一种快速发展的交通方式,因此研究网约车客流的出行规律对于促进城市交通的规划和管理具有重要意义。目前,针对网约车的研究主要集中在出行活动[2]、交通网络[3]及交通出行预测[4]等方面,针对城市建成环境对于网约车客流影响的相关研究较少,而交通出行规律的本质与土地利用等建成环境因素密切相关。

已有相关研究表明,出行客流或者出行方式选择与周边建成环境有关。文献[5]采用分段回归方法研究土地利用和交通特性对家庭交通出行的影响;文献[6]研究周边环境的就业密度、通勤距离及商业活动中心等对地铁站点日客流产生的影响,并进行相关性分析;文献[7]通过调查影响出租车需求的主要土地利用因素,发现地铁可达性与出租车流量之间存在正相关关系。

对建成环境影响因素分析的常见模型有普通最小二乘(ordinary least squares,OLS)模型[8]、空间误差和空间滞后模型[9]等,这些模型的估计参数不会随着空间变化,而环境变量的影响会随着城市形态和时间变化而变化。有研究者通过构建地理加权回归(geographically weighted regression,GWR)模型来解释空间异质性[10],但在刻画地铁、网约车这些具有时间特性的出行数据时,GWR模型结果无法呈现其时间上的不均匀性[11]。因此,需要建立能够捕捉时间变化和空间异质性的模型,来量化城市建成环境对网约车客流的影响程度。

本文基于网约车订单数据和采集的更加精细化表征城市建成环境的数据,构建时空地理加权回归(geographically and temporally weighted regression,GTWR)模型,来刻画城市建成环境在时间和空间上对网约车客流的影响,以及建成环境影响因素的时空异质性,并分析网约车客流的时空出行规律,为网约车的运营管理提供理论参考。

1 研究区概况与网约车出行数据描述

1.1 研究区概况

研究区选取成都市内一个约65 km2范围,包含了网约车分布较集中的区域;研究区涉及的行政区有锦江区、青羊区、金牛区和成华区,包含的繁华商业区有天府广场、春熙街道、宽窄巷子等,还包括成都北站及多条主要公交地铁线路。

根据2018年12月起实施的《城市居住区规划设计标准》[12],居民10 min生活圈的距离界定为500 m能满足基本生活需求,因此将研究区域划分为289个网格,网格大小为500 m×500 m,每个网格作为网约车出行分析单元,划分后的研究区域分布如图1所示(基于自然资源部四川测绘地理信息局标准地图服务网站审图号为川S[2021]00056号的标准地图绘制,底图边界无修改)。

图1 研究区网格划分

1.2 网约车出行数据描述

1.2.1 网约车订单数据描述

网约车订单数据来自盖亚数据开放计划发布的滴滴快车平台成都订单司机轨迹数据,包括订单起止点坐标和起止时间数据。根据收集的某月22个工作日网约车订单数据,得到工作日平均网约车订单数据,以此代表日常出行数据。通过对订单数据的整理和筛选,确定研究区域内网约车的出行客流量,上车客流量在1 d内的时间分布如图2所示。

图2 上车客流量在1 d内的时间分布

图2中,7:00—20:00内每h客流量超过1.0×104人次,属于客流量比较密集的时间段,因此将该时间段内的网约车客流数据作为研究样本。

1.2.2 建成环境变量描述

建成环境是指不同于自然环境的各种建筑和城市空间,特别是那些可以通过政策和人类行为改变的建筑和城市空间。本文采用由Cervero提出的“5Ds”要素[13]表征建成环境。建成环境变量描述及指标确定见表1所列。

表1 建成环境变量描述

本文基于网络爬虫平台,运用Python语言编程,从高德开发平台爬取到兴趣点(point of interest,POI)数据,每条记录包括POI名称、POI类型及POI的坐标经纬度信息。POI数据是一种能够表征现实地理实体的地理空间数据,定位精度高,数据量丰富,能够反映微观真实的具有精确位置数据的建成环境数据[14]。因此,采用POI数据能够较准确地表征建成环境的实际情况。

本文共爬取14种POI数据类型,包括购物服务POI、餐饮服务POI、公司企业POI、体育休闲服务POI、住宅区POI、公共设施服务POI、金融保险服务POI、科教文化服务POI、生活服务POI、体育休闲服务POI、医疗保健服务POI、政府机构机关POI、社区及住宿服务POI、交通设施服务POI。交通设施服务POI主要包括公交站点和城市轨道交通站点的位置信息,因此其数量可以用来表征建成环境变量中的到公交设施距离,其余POI数据的数量可以用来表征建成环境变量中的密度。道路网数据来自开放街道地图(OpenStreetMap,OSM),由此可获得道路网密度。

Herfindahl-Hirschman指数(Herfindahl-Hirschman Index,HHI)被广泛用于衡量经济学中的行业集中度,还可用来反映多样性[15]。因此,本文采用HHI代表土地利用混合度,即代表该土地的利用性质多样性。HHI的计算公式为:

(1)

其中:IHHl为网格l的HHI;Xl为网格l中的总POI数量;Xlj为网格l中第j类POI的数量。HHI值越大,说明该区域土地利用混合度越小,若该区域没有POI数据,则HHI值为1。

2 模型构建

2.1 空间自相关性检验

空间自相关性检验有助于了解空间上某一要素的观测值与相邻空间观测值之间的相似程度。莫兰指数(Moran’sI)通常用来检验变量之间的空间自相关性,本文以莫兰指数I来衡量研究单元之间客流量分布的空间自相关性[16],其计算公式为:

(2)

当I>0时,说明研究对象之间具有空间自相关性,可以进行时空异质性分析。

2.2 回归模型

本文采用OLS模型、GWR模型和GTWR模型进行实例验证和拟合效果差异比较。

1) OLS模型。该模型是典型的线性回归模型,经常用于回归分析,解释自变量与因变量之间的某种依存关系,其计算公式为:

(3)

其中:Yi为第i个样本点的因变量值;Xik(k=1,2,…,r)为第i个样本点处第k个自变量值;β0为OLS模型的截距;βk为第k个自变量的回归系数;εi为随机误差,服从N(0,δ2),δ为方差。

从OLS模型获得的回归参数只能反映研究区域整体的平均水平,无法表现研究区域内周边建成环境的空间距离及时间变化对于网约车出行的影响。

2) GWR模型。该模型是对传统线性回归模型的补充扩展,在回归参数中加入了表征地理位置的距离权重系数,在局部范围内对研究区域进行逐一的参数估计,空间位置的不断变化也会使得模型参数的估计值在不断回归中变化,能够展现结果的空间结构分异,其计算公式为:

(4)

其中:ui、vi分别为第i个样本点的经、纬度坐标;β0(ui,vi)为第i个样本点的常数项;βk(ui,vi)为第i个样本点第k个自变量的回归系数。

3) GTWR模型。为了能够同时测量数据在时间和空间上的变化,考虑到网约车客流在不同的研究区域内可能呈现时间上的规律性,GTWR模型将时间数据维度也嵌入回归参数中,是GWR模型在时间上的扩展,因此GTWR模型能够发挥时间维度上的优势。GTWR模型的结构计算公式[17]为:

(5)

其中:(ui,vi,ti)为第i个样本点的空间和时间维度坐标;β0(ui,vi,ti)为第i个样本点的常数项;βk(ui,vi,ti)为第i个样本点第k个自变量的回归系数。GTWR参数估计的计算公式为:

[XTW(ui,vi,ti)X]-1XTW(ui,vi,ti)Y,

W(ui,vi,ti)=diag[Wi1Wi2…Wis]

(6)

其中:W(ui,vi,ti)为时空权重矩阵,是一个s×s对角矩阵;Wij(1≤j≤s)为时空距离衰减函数。Wij计算公式为:

(7)

(8)

其中:h为时空带宽,是非负参数,当GTWR模型的赤池信息准则(Akaike information criterion,AIC)最小时,h取到最优值[18];dST为空间时间距离;λ、μ分别为空间和时间距离的比例调整系数。本文使用ArcGIS10.6软件对模型参数进行估计。

3 模型结果与分析

3.1 模型结果对比

首先对城市建成环境的自变量进行多重共线性分析,再进行空间自相关性检验,尽量避免表征建成环境的变量相加夸大建成环境的影响,因此,对方差膨胀因子[19]大于5的变量采用逐步分析法排除,然后进行空间自相关性分析检验,最终得到7个能够纳入模型的城市建成环境变量,包括交通设施服务POI、餐饮服务POI、公司企业POI、住宅区POI、购物服务POI、体育休闲服务POI及土地利用混合度。本文采用上述6种POI属性数据和HHI值作为自变量,每个研究单元区域的上车客流量作为因变量,进行时空异质性分析,其在各个分析单元内的数量分布特征如图3所示。

图3 客流量、POI属性数据及HHI的分布特征

对建立的OLS模型、GWR模型和GTWR模型进行验证分析,拟合度R2或修正后R2反映模型拟合的优度,校正AIC(AIC corrected,AICc)值综合反映GTWR模型的复杂度,残差平方和(residual sum of squares,RSS)反映模型预测精度。

R2越大,AICc值和RSS越小,说明模型检验的结果越显著[20]。

OLS模型、GWR模型和GTWR模型的检验结果见表2所列。

表2 OLS模型、GWR模型和GTWR模型的检验结果

GTWR模型的拟合度R2比OLS模型提高将近0.22,比GWR模型提高0.13,GTWR模型的AICc值和RSS均比OLS模型、GWR模型小,这说明GTWR模型在时间、空间2个层面能更有效地解释建成环境属性对网约车客流的影响,拟合的效果更好。下面对GTWR模型拟合系数的时间和空间特性进行分析。

3.2 模型结果分析

3.2.1 拟合系数的时间特性

采用自变量(6种POI属性数据和HHI值)拟合系数的平均值进行分析,各个建成环境因素的平均拟合系数时间分布如图4所示。由图4可知,除土地利用混合度外,其余6种变量均能促进网约车的客流出行。其中随着时间的变化,餐饮、娱乐的客流逐渐增多,餐饮服务POI、体育休闲服务POI的促进作用逐渐增强;住宅区POI的拟合系数在早高峰最大,而后逐渐减弱,原因是住宅区是早上通勤者的出发地;由于网约车的便捷性和灵活性,极大方便了购物消费,16:00—18:00完成购物服务后乘坐网约车的乘客比较多,购物服务POI在此时间段的拟合系数增幅较大;土地利用混合度的拟合系数均为负值,说明土地利用类型的丰富度提高会抑制网约车出行客流,这与文献[21]的研究结果一致。

图4 影响因素拟合系数平均值的时间分布

文献[21]认为土地利用混合度高的区域有足够的生活设施来满足日常生活需求,从而降低了出租车出行需求。

3.2.2 拟合系数的空间特性

6种POI属性数据和HHI值拟合系数平均值空间分布分别如图5、图6所示。

图5 6种POI属性数据拟合系数平均值的空间分布

图6 HHI值拟合系数平均值的空间分布

交通设施服务POI的拟合系数由南向东北递增,说明交通设施服务POI对于网约车客流的影响在郊区,尤其是在二环路以外的东部区域更加显著,该区域公交站点和地铁站点相对较少,网约车客流产生总是集中在公交、地铁站点,说明网约车可能因其便捷性和灵活性,起到接驳换乘和补充公共交通出行的作用。

餐饮服务POI、购物服务POI的拟合系数由东北向西南递增,原因是西南地区有著名的历史街区和商业街,有许多的小吃店和购物商场,会吸引大量的网约车客流。

东北地区POI类型比较简单,土地利用类型相对单一,主要包括住宅用地、工业用地和未开发用地,网约车出行主要围绕住宅区和公司企业,因此在东北地区住宅区和公司企业的POI拟合系数比较高,与网约车客流相关性较强。

土地利用混合度对于网约车出行始终起抑制作用,但总体上抑制程度比较弱。西南部商业区用地类型复杂,多样性程度高,HHI值较小,但有更多的购物、餐饮、休闲娱乐等服务,其促进作用大于土地利用混合度的抑制作用,因此相较于其他地区更具备吸引力,获得了更多的网约车客流。

4 结 论

1) 本文以网约车订单数据、城市建成环境数据为基础,构建GTWR模型,探究城市建成环境在时间、空间上对网约车客流的影响;相比于OLS模型和GWR模型,GTWR模型的拟合效果更显著,其拟合度与前两者相比分别提高22%、13%;采用GTWR模型可定量分析城市建成环境因素的时空异质性影响,有助于网约车运营公司考虑建成环境因素影响,改进动态行驶匹配算法,优化运营策略,从而提高网约车司机的接单效率。

2) 土地利用混合度的变化对网约车客流出行始终表现出抑制作用,混合度越高,抑制作用越强,但整体抑制出行能力较弱。在土地利用类型丰富的区域,购物服务POI和餐饮服务POI的促进作用更强,从而有更多的网约车客流。因此,在分析城市规划和交通管理问题时,可以对土地利用结构与性质进行更多的研究。

3) 本文研究结果表明,网约车在一定程度上填补了公共交通出行的不足,可以利用网约车的便捷性和可达性实现与其他公共交通工具有效的衔接,满足更加方便多元化的出行需求。

关于如何判断网约车的潜在出行需求,并考虑更多因素分析网约车在时间、空间上的供需平衡关系,需要进一步研究。