出租車和網(wǎng)約車載客空間特征分析

楊 燕，胥 川

出租車和網(wǎng)約車載客空間特征分析

楊 燕1，胥 川2,3

（1.四川省公路規(guī)劃勘察設(shè)計(jì)研究院有限公司，綜合交通規(guī)劃分院，成都 610041；2. 西南交通大學(xué)，交通運(yùn)輸與物流學(xué)院，成都 611756；3. 綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國家工程實(shí)驗(yàn)室，成都 611756）

本研究的目的在于通過挖掘出租車和滴滴的上下客數(shù)據(jù), 描述出租車和網(wǎng)約車載客行程的統(tǒng)計(jì)特征和空間特征并比較兩者的異同。首先通過對(duì)出租車和滴滴的GPS數(shù)據(jù)進(jìn)行處理獲取了上下客數(shù)據(jù), 然后以O(shè)D對(duì)為單元分析了出租車和網(wǎng)約車行程的距離、時(shí)間和平均速度; 接著分別以出租車、滴滴的上下客點(diǎn)為對(duì)象, 通過熱力圖、全局Moran’s檢驗(yàn)和局部Moran’s檢驗(yàn)分析了兩種方式的熱點(diǎn)和空間特征。結(jié)果表明: 網(wǎng)約車的平均行程距離和平均行程時(shí)間都更長, 而出租車的平均速度更快; 滴滴和出租車的大部分熱點(diǎn)位置比較類似, 但滴滴的服務(wù)范圍比出租車更廣; 兩類車輛的上下客點(diǎn)都分別存在空間相關(guān)性, 但在城市外圍有滴滴活躍而出租車不活躍的交通分析小區(qū)存在。

出租車；網(wǎng)約車；載客行程；GPS數(shù)據(jù)；熱點(diǎn)圖；空間相關(guān)性

0 引 言

網(wǎng)約車服務(wù)是用戶通過手機(jī)應(yīng)用遠(yuǎn)程叫車的新型服務(wù)模式，和傳統(tǒng)巡游出租車不同，網(wǎng)約車公司通過接入互聯(lián)網(wǎng)的智能手機(jī)搜集供需雙方的位置信息，并通過優(yōu)化匹配算法來尋找最優(yōu)配對(duì)關(guān)系，以減少打車用戶的等待時(shí)間、縮短服務(wù)車輛的空駛時(shí)間和尋客距離。開展網(wǎng)約車業(yè)務(wù)的公司也被稱為交通網(wǎng)絡(luò)公司，比如國內(nèi)的滴滴、神州專車，以及國外的Uber、Lyft等公司。全球多個(gè)大城市在經(jīng)歷了網(wǎng)約車的迅速發(fā)展階段后，原屬于出租車占主導(dǎo)的個(gè)人出行市場(chǎng)大量被網(wǎng)約車占有[1]，比如美國的大城市舊金山[2；3]、紐約[3-5]，中國的大城市上海[6]、深圳[7]、成都[8]。

很顯然，交通網(wǎng)絡(luò)公司和傳統(tǒng)的出租車公司處于激烈的競爭狀態(tài)。網(wǎng)約車的反對(duì)者認(rèn)為網(wǎng)約車的成功是因?yàn)樗`反了限制出租車的管理法律，包括總量管控、規(guī)定價(jià)格和安全標(biāo)準(zhǔn)（如出租車公司必須購買商業(yè)運(yùn)輸保險(xiǎn)）[2]。但網(wǎng)約車的支持者將其視為提供高質(zhì)量出行服務(wù)（可提供車輛預(yù)計(jì)到達(dá)時(shí)間）[9]的低社會(huì)負(fù)擔(dān)（利用已有私家車）的創(chuàng)新；他們認(rèn)為，基于私家車的廣泛普及和通信技術(shù)進(jìn)步的網(wǎng)約車服務(wù)釋放了巨大的交通供給，同時(shí)覆蓋了低收入低密度的地區(qū)，增加了社會(huì)公平性。這樣的爭論還在繼續(xù)，且一直困擾著政策制定者。

當(dāng)上述爭論仍在繼續(xù)時(shí)，出租車的份額在一些中國的大城市并未持續(xù)下降，而是開始趨于穩(wěn)定[7]。研究兩種車輛相互作用后達(dá)到平衡狀態(tài)時(shí)的行程空間特征，可以理解兩種形式車輛的空間運(yùn)行范圍和偏好，為政策制定者提供參考依據(jù)。

成都是一座超大城市，2017年的人口數(shù)為1600萬，2017年7月的機(jī)動(dòng)車擁有量為432萬輛。根據(jù)深圳的經(jīng)驗(yàn)[7]，有理由相信截止2016年11月，網(wǎng)約車對(duì)成都出租車市場(chǎng)的沖擊已經(jīng)過去，網(wǎng)約車和出租車的平衡已經(jīng)形成。

2012年，滴滴出行在北京成立。2016年第一季度的數(shù)據(jù)顯示，滴滴有中國最高的網(wǎng)約車市場(chǎng)占有率（88.4%的用戶比例）[10]，第二名是Uber China（7.8%）。2016年8月，滴滴合并了Uber China，此后成為了中國網(wǎng)約車市場(chǎng)占支配地位的企業(yè)。2016年全年，滴滴平臺(tái)注冊(cè)用戶達(dá)到了4億，同時(shí)日均行程量峰值超過2000萬[8]。近期，滴滴出行公開了2016年11月成都部分區(qū)域的全樣本OD（origin and destination）數(shù)據(jù)，這為分析、比較出租車和網(wǎng)約車的行程特征提供了機(jī)會(huì)。與此同時(shí)，我們也收集了成都市的出租車GPS數(shù)據(jù)（抽樣車輛占比：47.36%）。

本研究通過挖掘出租車和網(wǎng)約車的OD數(shù)據(jù)來分析兩者載客的空間特征。首先通過對(duì)兩者行程參數(shù)的統(tǒng)計(jì)來對(duì)比其行程差異，然后通過熱力圖來分析出租車、網(wǎng)約車的OD點(diǎn)分布規(guī)律，最后通過Global Moran’s和Local Moran’s檢驗(yàn)分析兩者OD點(diǎn)的全局和局部空間相關(guān)性。

1 數(shù)據(jù)準(zhǔn)備

滴滴公開的數(shù)據(jù)為快車和私家車數(shù)據(jù)，不包括順風(fēng)車和滴滴專車，且公開區(qū)域?yàn)閳D 1四邊形所示。即任意行程軌跡中，如果至少有1個(gè)GPS點(diǎn)在這個(gè)四邊形內(nèi)，這個(gè)行程記錄則包含在公開數(shù)據(jù)集中。數(shù)據(jù)包括訂單編號(hào)、OD點(diǎn)的經(jīng)緯坐標(biāo)、行程開始和結(jié)束的時(shí)間。

為了比較傳統(tǒng)出租車和網(wǎng)約車，我們也收集了成都市的出租車數(shù)據(jù)。2016年，成都市共有11 374輛出租車，其中獲取了5 387輛（47.36%）出租車2016年11月的GPS數(shù)據(jù)。出租車GPS數(shù)據(jù)集中包含了車輛識(shí)別號(hào)、時(shí)間、日期、經(jīng)緯度、載客標(biāo)記（0-空車，1-載客）等。根據(jù)載客標(biāo)記，每個(gè)行程的OD點(diǎn)可以根據(jù)如下步驟來確定：首先按照車牌和時(shí)間（升序）來排序，然后對(duì)于同一輛車，識(shí)別出載客標(biāo)記有變化的相鄰GPS點(diǎn)。如果載客標(biāo)記從0變?yōu)?，則識(shí)別為上客點(diǎn)，如果載客標(biāo)記從1變?yōu)?，則識(shí)別為下客點(diǎn)。同時(shí)再剔除掉不完全的行程數(shù)據(jù)，于是，對(duì)于一次載客行程，最終獲取了上客點(diǎn)、下客點(diǎn)、出行時(shí)間、出行距離。

處理數(shù)據(jù)的過程中也發(fā)現(xiàn)了異常的OD數(shù)據(jù)，如異常的OD距離、出行時(shí)間和平均速度。這些異常可能是由GPS故障造成的。例如，由于故障，GPS設(shè)備在行程結(jié)束時(shí)不將載客標(biāo)記從1變?yōu)?，那么提取的OD距離和出行時(shí)間將會(huì)非常大。同時(shí)，日常生活經(jīng)驗(yàn)告訴我們，在目的地非常近的情況下，乘客通常不會(huì)使用出租車或網(wǎng)約車，而是采用步行。同時(shí)，在研究區(qū)域內(nèi)，大部分道路的限速都低于60 km/h。因此，本研究通過設(shè)定出行距離、出行時(shí)間、平均速度的范圍來過濾異常的OD數(shù)據(jù)。但判定正常數(shù)據(jù)和異常數(shù)據(jù)的準(zhǔn)確范圍很難確定，本研究范圍的最終選取參考了指標(biāo)的分布。最后，異常的行程界定為OD距離不在0.8~25 km之間，或行程時(shí)間不在2~90 min，或平均速度不在1~80 km/h之間的OD數(shù)據(jù)。出租車和網(wǎng)約車中的異常數(shù)據(jù)（小于3%）都被剔除。

本研究的目的是分析、比較出租車和網(wǎng)約車載客行程的空間差異，為了避免偏差，出租車和網(wǎng)約車的抽樣方式和抽樣比例都應(yīng)保持一致。首先，出租車數(shù)據(jù)也采用了和滴滴數(shù)據(jù)相同的抽樣方式，即OD點(diǎn)中至少有一個(gè)點(diǎn)位于研究區(qū)域內(nèi)。然后，出租車的抽樣率為47.36%，滴滴在網(wǎng)約車市場(chǎng)的占有率為84.1%[10]。因此要抽取網(wǎng)約車市場(chǎng)中47.36%的樣本，則需要抽取滴滴56.31%（47.36%/84.1%）的樣本。為了避免時(shí)間上的影響，我們?cè)诿總€(gè)小時(shí)的數(shù)據(jù)中等比例抽取56.31%的滴滴數(shù)據(jù)。同時(shí)為了避免交通限行政策（2013年7月，成都開始實(shí)行車牌尾號(hào)限行政策，每天兩個(gè)尾號(hào)被限行，普通限行時(shí)間為7：30~20：00，重污染限行的時(shí)間為6：00~22：00）造成的樣本差異，剔除了周末和假期的數(shù)據(jù)。最終兩個(gè)數(shù)據(jù)集分別包含了1 732 613次的出租車行程和2 926 549次的滴滴行程。

同時(shí)，成都相關(guān)地理信息數(shù)據(jù)也用于本研究，包括路網(wǎng)數(shù)據(jù)（shape file）和交通分析小區(qū)數(shù)據(jù)（Traffic Analysis Zone，簡稱TAZ）。TAZ數(shù)據(jù)僅采用了全部或部分在研究區(qū)域內(nèi)的交通分析小區(qū)，如圖1所示。

圖1 研究范圍和交通分析小區(qū)

2 行程特征

滴滴的行程中，平均出行距離為5.887 km，平均出行時(shí)間為20.90 min，OD平均速度為17.26 km/h。對(duì)于出租車，平均出行距離為4.389 km，平均出行時(shí)間為15.64 min，OD平均速度為18.40 km/h。

從結(jié)果中可以看出，滴滴行程的平均出行距離和平均出行時(shí)間都更長，這可能是由于滴滴的補(bǔ)貼政策導(dǎo)致價(jià)格比出租車低，進(jìn)而遠(yuǎn)距離出行者更多的選擇價(jià)格更低的滴滴造成的。而在OD平均速度上，出租車更高，這可能是由于出租車駕駛員的豐富經(jīng)驗(yàn)使得其在路徑選擇上更優(yōu)，且駕駛速度更快。圖2為出租車和滴滴的行程特征統(tǒng)計(jì)直方圖。

圖2 出租車和滴滴的行程特征統(tǒng)計(jì)直方圖

3 空間分析方法

熱力圖、全局Moran’s和局部Moran’s檢驗(yàn)[11-13]都被用于分析出租車和滴滴行程的空間相關(guān)性[14]。熱力圖采用了核密度函數(shù)來描繪出滴滴和出租車的OD點(diǎn)空間分布。

傳統(tǒng)的單變量Moran檢驗(yàn)也可以擴(kuò)展到雙變量，即度量1個(gè)變量在某個(gè)位置和另一個(gè)變量在鄰近區(qū)域的空間滯后[15]。雙變量的Moran’s[16]可以按照如下公式計(jì)算：

全局Moran’s值如果為正且接近1，則意味著聚集效應(yīng)，即相近的觀測(cè)值比起隨機(jī)分布更加趨向于集中，相反的，如果全局Moran’s值接近-1.0，則意味著相近的觀測(cè)值比起隨機(jī)分布更加趨向于離散[17]。Moran’s[18]的值為正說明了觀測(cè)值的分布是空間聚類的[19]，同時(shí)，值如果小于0.05則說明了Moran’s值在95%置信區(qū)間內(nèi)顯著[20]。

4 熱力圖結(jié)果

從熱力圖（見圖3）結(jié)果可以看出，滴滴和出租車的大部分熱點(diǎn)都比較類似，比如中央商務(wù)區(qū)（春熙路-鹽市口商圈）、火車北站、寬窄巷子，以及電子科技大學(xué)沙河校區(qū)周邊，這從某種程度上說明了兩者的競爭關(guān)系。但如果仔細(xì)比較熱點(diǎn)圖的細(xì)節(jié)，仍然能觀測(cè)到兩者的差異。例如，出租車在市中心的上客點(diǎn)比滴滴更密集；滴滴的服務(wù)范圍比出租車更廣，特別是城外區(qū)域。兩者的空間特征進(jìn)一步采用Moran’s檢驗(yàn)進(jìn)行了分析。

圖3 出租車和滴滴上、下客點(diǎn)的熱點(diǎn)圖

5 全局Moran’s I檢驗(yàn)

本研究使用軟件GeoDa[18]進(jìn)行了單變量全局Moran’s檢驗(yàn)來分別度量出租車上客、下客和滴滴上客、下客之間的空間相關(guān)性。同時(shí)，雙變量全局Moran’s檢驗(yàn)也用于兩組變量：① 滴滴的上客點(diǎn)和出租車的上客點(diǎn)，② 滴滴的下客點(diǎn)和出租車的下客點(diǎn)。交通分析小區(qū)是此方法的分析單元，8個(gè)最鄰近的方法為權(quán)重計(jì)算方法。9999隨機(jī)組合（Permutations）被用于計(jì)算偽值。表2匯總了全局Moran’s檢驗(yàn)的結(jié)果。結(jié)果表明滴滴的上客、下客，出租車的上客、下客都分別存在空間相關(guān)性。所有的偽值均小于0.05，確認(rèn)了Moran’s值在95%顯著水平下顯著。結(jié)果同時(shí)表明了滴滴的上客和出租車上客的空間滯后有很強(qiáng)的空間相關(guān)性。同樣的相關(guān)性也存在于滴滴的下客和出租車下客的空間滯后，見表1。

表1 全局Moran’s檢驗(yàn)結(jié)果

Tab.1 Global moran’s I test results

注意：E[I]是的期望值，SD[I]是的標(biāo)準(zhǔn)差。

Local Indicators of Spatial Association（LISA）檢驗(yàn)被用于尋找局部特征，以及確定熱點(diǎn)和冷點(diǎn)。LISA分區(qū)圖是用于解釋高-高聚類、低-低聚類、高-低聚類、低-高聚類的圖形工具。高-高區(qū)域是那些自己具有高值且臨近區(qū)域也具有高值的區(qū)域，低-低區(qū)域是那些自己具有低值且臨近區(qū)域也具有低值的區(qū)域。同樣的，低-高區(qū)域是自己具有低值且臨近區(qū)域具有高值的區(qū)域，高-低區(qū)域是自己具有高值且臨近區(qū)域具有低值的區(qū)域。高-高區(qū)域和低-低區(qū)域是那些高值或低值區(qū)域的-致聚類，而高-低區(qū)域和低-高區(qū)域通常是空間的非一致區(qū)域。關(guān)于Moran’s檢驗(yàn)的更多細(xì)節(jié)可以參考Xie等人發(fā)表的文章[19]。

在研究區(qū)域內(nèi)，出租車的上下客有三個(gè)高-高聚類，分別是春熙路-鹽市口商圈（中下側(cè)區(qū)域），寬窄巷子（底部西側(cè)區(qū)域）和電子科技大學(xué)沙河校區(qū)周邊（東部區(qū)域）。春熙路是一條有大量商業(yè)聚集的步行街，附近有體量巨大的鹽市口商圈，人流量巨大。寬窄巷子是成都市的著名景區(qū)，也是成都三大歷史保護(hù)區(qū)之一，吸引大量游客前往。在電子科技大學(xué)附近有不少的商場(chǎng)聚集。滴滴的上客和下客熱點(diǎn)主要集中在春熙路-鹽市口商圈和東北部的大型居住區(qū)。在靠近火車站的地方和東邊區(qū)域滴滴有高-低聚類，說明滴滴呈現(xiàn)非均勻分布的特征，如圖4所示。

圖4 單變量局部Moran’s I分區(qū)圖

LISA的規(guī)則也可以用于雙變量的局部空間相關(guān)性。圖5表現(xiàn)了滴滴和出租車在中央商務(wù)區(qū)、寬展巷子、電子科技大學(xué)沙河附近都很密集。低-高區(qū)域出現(xiàn)在高高區(qū)域的旁邊，說明滴滴在這些區(qū)域沒有出租車的使用頻率高。這可能是由于出租車更多的出現(xiàn)在這些區(qū)域?qū)е碌?。但是，在北部的城郊（?低區(qū)域），滴滴的使用頻率更高。

圖5 雙變量局部Moran’s I分區(qū)圖

6 結(jié) 論

本文通過挖掘出租車和滴滴的OD點(diǎn)數(shù)據(jù)，利用統(tǒng)計(jì)方法、熱力圖、全局和局部Moran’s檢驗(yàn)分析了出租車和網(wǎng)約車的載客空間特征。分析結(jié)果表明：網(wǎng)約車的平均行程距離和平均行程時(shí)間都更長，而出租車的OD平均速度更快；滴滴和出租車的大部分熱點(diǎn)都比較類似，主要差異在于出租車在市中心的活躍程度比滴滴更高；而滴滴的服務(wù)范圍比出租車更廣，特別是覆蓋了出租車沒有覆蓋的城市外圍區(qū)域；全局的Moran’s檢驗(yàn)說明出租車的上客點(diǎn)、下客點(diǎn)，滴滴的上客點(diǎn)、下客點(diǎn)都分別存在空間相關(guān)性，同時(shí)，出租車的上客點(diǎn)和滴滴的上客點(diǎn)、出租車的下客點(diǎn)和滴滴的下客點(diǎn)也存在空間相關(guān)性；LISA檢查識(shí)別了成都市的三個(gè)熱點(diǎn)，包括春熙路-鹽市口商圈、寬窄巷子和電子科技大學(xué)沙河校區(qū)周邊，同時(shí)也發(fā)現(xiàn)在城市外圍，有滴滴活躍而出租車不活躍的TAZ存在。

本研究通過實(shí)際數(shù)據(jù)說明了出租車和網(wǎng)約車行程的分布異同，可以幫助政策制定者認(rèn)清出租車和網(wǎng)約車的服務(wù)范圍、服務(wù)特征差異，也可以用于制定出租車和網(wǎng)約車的運(yùn)價(jià)管理規(guī)范，為采取分區(qū)域的出租車和網(wǎng)約車管理政策提供決策依據(jù)。然而由于數(shù)據(jù)的限制，目前無法獲取行程打車費(fèi)用的數(shù)據(jù)、施工區(qū)的數(shù)據(jù)等，導(dǎo)致一些現(xiàn)象（比如滴滴的行程更遠(yuǎn)）無法解釋，所以建議下一步獲取更全的出租車和滴滴數(shù)據(jù)，以及相關(guān)的交通數(shù)據(jù)，用以支撐更精細(xì)化的研究。

[1] NGO V D. Transportation network companies and the ridesourcing industry: a review of impacts and emerging regulatory frameworks for Uber[D]. Vancouver: University of British Columbia, 2015.

[2] RAYLE L, DAI D, CHAN N, et al. Just a better taxi? A survey-based comparison of taxis, transit, and ridesourcing services in San Francisco[J]. Transport Policy, 2016, 45: 168-178.

[3] JIANG S, CHEN L, MISLOVE A, et al. On ridesharing competition and accessibility: evidence from uber, Lyft, and Taxi[C]. Proceedings of the 2018 World Wide Web Conference on World Wide Web, 2018: 863-872.

[4] CORREA D, XIE K, OZBAY K. Exploring the taxi and uber demand in New York City: An Empirical Analysis and Spatial Modeling[R]. 2017.

[5] BAO J, LIU P, BLYTHE P, et al. Exploring contributing factors to the usage of ridesourcing and regular taxi services with high-resolution GPS data set[R]. 2018.

[6] QIAN Ye J C, Chen Xiaohong, Zhen Hua. How taxi operation change in the development of E-Hailing APPs: a case study in Shanghai, China[C]. CICTP 2017, 2017.

[7] NIE Y. How can the taxi industry survive the tide of ridesourcing? Evidence from Shenzhen, China[J]. Transportation Research Part C: Emerging Technologies, 2017, 79: 242-256.

[8] RESEARCH D. Big data report on smart trips in Chengdu[R]. Beijing: DiDi Research, CBN Data, 2016.

[9] JIN S T, KONG H, WU R, et al. Ridesourcing, the sharing economy, and the future of cities[J]. Cities, 2018, 76: 96-104.

[10] Net Xinhua. http: //www. xinhuanet. com/tech/2016-03/ 30/c_128846667. htm.

[11] MORAN P a P. Notes on Continuous Stochastic Phenomena[J]. Biometrika, 1950, 37 (1/2): 17-23.

[12] MORAN P A. The interpretation of statistical maps[J]. Journal of the Royal Statistical Society, Series B (Methodological), 1948, 10 (2): 243-251.

[13] LUC A. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27 (2): 93-115.

[14] MICHAEL T. The saddlepoint approximation of moran's i's and local moran's ii's reference distributions and their numerical evaluation[J]. Geographical Analysis, 2002, 34 (3): 187-206.

[15] ANSELIN L, SYABRI I, SMIRNOV O. Visualizing multivariate spatial correlation with dynamically linked windows[J]. Urbana, 2002, 51: 61801.

[16] GEODa, Global Spatial Autocorrelation (2), Bivariate, Differential and EB Rate Moran Scatter Plot[EB/OL]. https: //geodacenter. github. io/workbook/5b_global_ adv/lab5b. html#bivariate-spatial-correlation-a- word-of- caution.

[17] Spatial Autocorrelation (Morans I) (Spatial Statistics) [EB/OL]. http: //resources. esri. com/help/9. 3/ arcgisengine/java/gp_toolref/spatial_statistics_tools/spatial_autocorrelation_morans_i_spatial_statistics_. htm.

[18] ANSELIN L, SYABRI I, KHO Y. GEODa: an introduction to spatial data analysis[J]. Geographical analysis, 2006, 38 (1): 5-22.

[19] XIE K, OZBAY K, YANG H. Spatial analysis of highway incident durations in the context of Hurricane Sandy[J]. Accident Analysis & Prevention, 2015, 74: 77-86.

[20] GOODCHILD M F. Spatial autocorrelation[M]. Norwich: Geo Abstracts Univ. of East Anglia, 1986.

Analysis the Spatial Characteristic of Taxi and Ridesourcing Service Trips

YANG Yan1，XU Chuan2, 3

（1. Sichuan Highway Planning, Survey, Design and Research Institute Ltd, Department of comprehensive transportation planning, Chengdu 610041, China; 2. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China; 3. National Engineering Laboratory of Integrated Transportation Big Data Application Technology, Chengdu 611756, China）

The aim of this paper is to describe and compare the statistic feature and spatial characteristic of regular taxi and ridesourcing service by mining the pickup and drop-off data of both types of services. Firstly, we got the pickup and drop-off data from taxi and Didi GPS data, then the origin and destination for each trip were extracted and the trip distance, travel time, average speed were acquired. Then, for taxi pickup, taxi drop-off, Didi pickup, Didi drop-off, globe Moran’sand local Moran’stests were conducted to uncover their hotspots and spatial characteristics. The results show that ridesourcing vehicles have longer trip distance and travel time, but the average speed of taxi is faster; although taxi and ridesourcing share some hot spots, ridesourcing vehicles are more active at the outer areas of the city where taxis are less available; autocorrelations exist in all types of OD points respectively; meanwhile we found traffic analysis zones which ridesourcing vehicles are more active exist in the outer range of the city.

taxi; ridesourcing; trip; gps data; heatmap; spatial autocorrelation

U491.1

A

10.3969/j.issn.1672-4747.2020.01.009

1672-4747（2020）01-0068-09

2019-01-14

綜合交通大數(shù)據(jù)應(yīng)用技術(shù)國家工程實(shí)驗(yàn)室開放基金項(xiàng)目（CTBDAT201912）

楊燕（1986—），女，工程師，研究方向：交通規(guī)劃，E-mail：570668797@qq.com

胥川（1987—），男，西南交通大學(xué)交通運(yùn)輸與物流學(xué)院講師，博士，研究方向：交通安全、數(shù)據(jù)科學(xué)，E-mqil：xuchuan @swjtu.edu.cn

楊燕，胥川. 出租車和網(wǎng)約車載客空間特征分析[J]. 交通運(yùn)輸工程與信息學(xué)報(bào)，2020，18（1）：68-76.

（責(zé)任編輯：劉娉婷）