基于地理加權(quán)回歸的區(qū)域出租車出行需求影響模型

翁劍成，何寒梅，王 媛，張 可，錢慧敏

（1.北京工業(yè)大學(xué)交通工程北京市重點(diǎn)實(shí)驗(yàn)室，北京 100124；2.中咨泰克交通工程集團(tuán)有限公司，北京 100083；3.北京市運(yùn)輸管理技術(shù)支持中心，北京 100073；4.北京市交通運(yùn)行監(jiān)測(cè)調(diào)度中心，北京 100161）

0 引言

出租車作為城市公共交通的重要補(bǔ)充和延伸，為市民提供個(gè)性化、點(diǎn)對(duì)點(diǎn)的服務(wù)。但在以巡游出租車為主要服務(wù)方式的出租車市場(chǎng)中，由于乘客出行具有隨機(jī)性和波動(dòng)性，同時(shí)車輛在道路網(wǎng)絡(luò)中捜尋乘客的路徑具有一定的盲目性，使得車輛空駛率高，高峰時(shí)段熱點(diǎn)區(qū)域乘客打車難，區(qū)域出租車供需不平衡問(wèn)題嚴(yán)重[1]。因此，分析出租車出行需求與影響因素之間的關(guān)系，挖掘出租車出行需求的時(shí)空分布特征對(duì)于預(yù)測(cè)不同區(qū)域不同時(shí)段的出租車需求，緩解出租車供需不平衡現(xiàn)象有重要作用。

國(guó)內(nèi)外相關(guān)研究主要基于多源異構(gòu)的數(shù)據(jù)源，結(jié)合問(wèn)卷調(diào)查，將出行需求影響因素分為內(nèi)部因素和外部影響因素進(jìn)行分析[2-3]。內(nèi)部因素主要有出行時(shí)間、費(fèi)用、服務(wù)質(zhì)量等，人口比例、就業(yè)率、城市土地利用等則被作為解釋客流需求的代表性外部因素指標(biāo)。Taylor 等人[4]在將所有影響客流生成的因素分為外部因素和內(nèi)部因素兩大類的基礎(chǔ)上，討論了外部因素中空間變量與社會(huì)經(jīng)濟(jì)變量之間共線性的問(wèn)題，并重點(diǎn)強(qiáng)調(diào)在內(nèi)部因素中服務(wù)質(zhì)量（包括準(zhǔn)點(diǎn)率及安全性等）是最為敏感的變量。Gutiérrez等人[5]選取研究區(qū)域相關(guān)指標(biāo)（人口、經(jīng)濟(jì)、土地、交通）和站點(diǎn)相關(guān)指標(biāo)（是否為起終點(diǎn)站、換乘站、線路）作為影響因素，運(yùn)用GIS 建立距離衰減加權(quán)回歸模型并分析了馬德里市步行進(jìn)入地鐵站的乘客數(shù)與出發(fā)點(diǎn)至該地鐵站距離的關(guān)系。Ding 等人[6]通過(guò)構(gòu)建層次結(jié)構(gòu)方程分析建成環(huán)境和出行之間的聯(lián)系，發(fā)現(xiàn)汽車擁有量、外出活動(dòng)時(shí)間、出行頻率、出行時(shí)間等極大程度地影響人們的出行需求。姜偉[7]選取季節(jié)因素、環(huán)境變化、個(gè)體因素等作為動(dòng)態(tài)因素進(jìn)行問(wèn)卷調(diào)查并構(gòu)建出租車出行選擇模型，預(yù)測(cè)居民租車出行選擇情況。以上對(duì)出行需求影響因素的研究主要從單一層面入手，未綜合多維度進(jìn)行分析且模型因素集的構(gòu)建不夠全面。李龍[8]利用結(jié)構(gòu)方程模型對(duì)服務(wù)環(huán)境、候車感受、服務(wù)水平、出行意向等影響居民出行方式選擇的因素進(jìn)行研究，并描述了各變量之間的潛在關(guān)聯(lián)性，但研究未結(jié)合出行者個(gè)體特征進(jìn)行分析。

針對(duì)公共交通出行需求分布與影響因素之間的關(guān)系，現(xiàn)有大量研究采用了多元回歸分析、動(dòng)態(tài)回歸分析、邏輯回歸分析等全局回歸法構(gòu)建出行需求影響模型進(jìn)行分析[9-10]，但全局回歸模型無(wú)法解釋因素的空間異質(zhì)性，因此，地理加權(quán)回歸模型（Geographical Weighted Regression,GWR）被應(yīng)用于分析各影響因素的相關(guān)關(guān)系及公共交通客流預(yù)測(cè)等領(lǐng)域。Bradley 等人[11]建立了GWR 模型研究地理變量、經(jīng)濟(jì)因素和路網(wǎng)特征等對(duì)公交分擔(dān)率的影響，發(fā)現(xiàn)該模型對(duì)影響因素的局部變化特征有更好的解釋作用。Cardozo 等人[12]探究了地鐵客流量的影響因素，并對(duì)比GWR 模型與普通線性回歸模型（Ordinarily Linearity Regression,OLR），發(fā)現(xiàn)GWR 模型擬合度更高，其提供的信息認(rèn)為空間變量具有彈性。Qian 等人[13]基于紐約市出租車數(shù)據(jù)和美國(guó)社會(huì)人口經(jīng)濟(jì)基礎(chǔ)數(shù)據(jù)，探究了出租車客流量與人口經(jīng)濟(jì)、土地利用和其他交通出行方式的關(guān)系。張俊杰[14]通過(guò)公交GPS 數(shù)據(jù)和IC 卡數(shù)據(jù)獲取公交客流量分布，然后利用GWR模型研究零售業(yè)數(shù)量、地鐵可達(dá)性、公交可達(dá)性和停車場(chǎng)數(shù)量對(duì)公交客流量空間分布的影響。以上地理加權(quán)回歸法在交通領(lǐng)域的應(yīng)用研究，大多著力于分析各類型影響因素的潛在關(guān)系及其對(duì)公共交通客流的影響，但研究選取的自變量涵蓋領(lǐng)域較少，且大多集中在地面公交和軌道交通領(lǐng)域，很少定量探究不同區(qū)域出租車出行需求的變化規(guī)律及空間用地屬性變量對(duì)出租車出行需求分布的影響。

因此，本文圍繞出租車出行供需不平衡問(wèn)題，從用地屬性、公共交通服務(wù)等維度入手，構(gòu)建出租車出行需求影響因素集，并采用地理加權(quán)回歸法構(gòu)建區(qū)域出租車出行需求影響模型，挖掘多維因素對(duì)出租車出行需求的影響機(jī)理，進(jìn)而對(duì)出租車出行需求的時(shí)空差異進(jìn)行可視化。

1 數(shù)據(jù)基礎(chǔ)與關(guān)聯(lián)匹配

本文所需的多源數(shù)據(jù)包括出租車GPS 數(shù)據(jù)、計(jì)價(jià)器數(shù)據(jù)，公共交通刷卡數(shù)據(jù)及興趣點(diǎn)（Point of Interesting,POI）數(shù)據(jù)，通過(guò)對(duì)這些數(shù)據(jù)的預(yù)處理和關(guān)聯(lián)分析，為出租車出行需求影響模型構(gòu)建提供支撐。

1.1 數(shù)據(jù)來(lái)源

本文所用出租車GPS 數(shù)據(jù)、計(jì)價(jià)器數(shù)據(jù)為北京市2016年6月15日—21日的出租車定位數(shù)據(jù)和計(jì)價(jià)器數(shù)據(jù)，利用這些數(shù)據(jù)可提取乘客出行過(guò)程的上下車信息，以獲取不同時(shí)間段的區(qū)域出租車出行需求。POI 數(shù)據(jù)為2016 年高德地圖的興趣點(diǎn)數(shù)據(jù)，共116 806 條，通過(guò)統(tǒng)計(jì)各交通小區(qū)不同類型POI 數(shù)據(jù)的數(shù)量，可得各研究區(qū)域的用地屬性信息，進(jìn)而分析不同用地屬性與出租車出行發(fā)生量、吸引量的關(guān)聯(lián)性。公共交通刷卡數(shù)據(jù)包含地鐵和公交的出行者交易數(shù)據(jù)，用于反映各站點(diǎn)和區(qū)域的公共交通出行需求。

1.2 數(shù)據(jù)預(yù)處理與關(guān)聯(lián)匹配

1.2.1 數(shù)據(jù)清洗及關(guān)聯(lián)

對(duì)回傳的出租車GPS 數(shù)據(jù)和計(jì)價(jià)器數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，剔除錯(cuò)誤數(shù)據(jù)和冗余數(shù)據(jù)，具體包括重要字段為空值或超過(guò)閾值、經(jīng)緯度和時(shí)間字段無(wú)變化以及經(jīng)緯度短時(shí)間漂移的數(shù)據(jù)。通過(guò)車牌號(hào)和上下車時(shí)間字段對(duì)經(jīng)過(guò)預(yù)處理的出租車GPS數(shù)據(jù)與計(jì)價(jià)器數(shù)據(jù)進(jìn)行關(guān)聯(lián)匹配，識(shí)別出同一輛車的數(shù)據(jù)。結(jié)合上、下車經(jīng)緯度信息可判斷出租車出行的OD 點(diǎn)位置，獲取出租車出行需求。數(shù)據(jù)關(guān)聯(lián)結(jié)果示例如表1所示。

利用ArcGIS 軟件將關(guān)聯(lián)匹配的出租車基礎(chǔ)數(shù)據(jù)與北京市1 911 個(gè)交通小區(qū)進(jìn)行空間連接分析，結(jié)果如圖1 所示。由圖1 可看出，出租車上、下車點(diǎn)主要集中于北京市六環(huán)內(nèi)。因此，選取北京市六環(huán)內(nèi)區(qū)域?yàn)檠芯糠秶舶? 398 個(gè)交通小區(qū)。

表1 數(shù)據(jù)關(guān)聯(lián)結(jié)果示例

圖1 出租車上、下車位置的空間分布

1.2.2 POI數(shù)據(jù)處理

將POI 數(shù)據(jù)與交通小區(qū)數(shù)據(jù)進(jìn)行關(guān)聯(lián)匹配，統(tǒng)計(jì)每個(gè)交通小區(qū)內(nèi)各類POI 的數(shù)量，選取住宅、辦公、休閑娛樂(lè)服務(wù)、風(fēng)景名勝、地鐵、公交共6 類興趣點(diǎn)用于表征用地屬性。圖2 顯示了北京市6 類用地屬性密度的空間分布。由圖可知，辦公地主要集中在四環(huán)內(nèi)，大量的住宅建筑位于五環(huán)外，地鐵站在三環(huán)內(nèi)更集中，而公交車站分布較為廣泛且中心城區(qū)密度較高并呈線狀向外環(huán)擴(kuò)散。

圖2 北京市用地屬性密度空間分布

2 出租車出行需求的影響因素分析

通過(guò)整理出租車出行需求影響因素的研究成果[13,15]，發(fā)現(xiàn)住宅用地、辦公用地及商業(yè)用地等用地屬性，地鐵、公交等公共交通設(shè)施及風(fēng)景名勝等因素是影響出租車出行需求的重要因素，因此選取涉及用地屬性、公共交通和交通設(shè)施屬性的10 個(gè)出租車出行需求影響因素構(gòu)建備選因素集，并進(jìn)行空間自相關(guān)性分析、多重共線性分析及影響因素與因變量相關(guān)性分析，確定出租車出行需求的核心影響因素。

2.1 空間自相關(guān)性分析

莫蘭指數(shù)是用來(lái)衡量空間自相關(guān)性的指標(biāo)，可判別某空間變量是否受周邊空間變量影響及影響程度，反映影響因素在不同空間存在的差異性。因此，選用莫蘭指數(shù)衡量各影響因素的空間自相關(guān)性。莫蘭指數(shù)大于和小于0 分別表示變量空間正相關(guān)和負(fù)相關(guān)，莫蘭指數(shù)等于0 表示變量空間不相關(guān)，即變量在空間上隨機(jī)分布[16]。利用ArcGIS軟件計(jì)算莫蘭指數(shù)，結(jié)果如表2所示。

表2 出租車出行需求影響因素的莫蘭指數(shù)計(jì)算結(jié)果

由表2 可知，10 個(gè)影響因素的莫蘭指數(shù)均大于0，且P值為0，Z得分大于1.96，表明變量在空間上隨機(jī)分布的概率為0，數(shù)據(jù)呈現(xiàn)明顯的空間聚類特征，說(shuō)明10 個(gè)影響因素存在空間自相關(guān)性。

2.2 多重共線性分析

多重共線性是指在回歸模型中，兩個(gè)或多個(gè)影響因素存在高度相關(guān)性。皮爾遜相關(guān)系數(shù)r值用于衡量變量線性相關(guān)的程度。

利用SPSS 軟件計(jì)算出租車出行需求10 個(gè)影響因素的r值，結(jié)果如表3 所示。由表3 可知，所有影響因素之間的相關(guān)系數(shù)r值均未超過(guò)0.8，說(shuō)明所有變量之間無(wú)高度相關(guān)性。地鐵站密度、公交站密度與工作日和非工作日的區(qū)域公共交通產(chǎn)生量、吸引量的相關(guān)系數(shù)r分別為0.616,0.562,0.576,0.583 和0.611,0.602,0.568,0.598，均超過(guò)0.5，說(shuō)明地鐵站密度、公交站密度與工作日、非工作日的區(qū)域公共交通產(chǎn)生量和吸引量之間存在中度相關(guān)性。相比于地鐵站密度和公交站密度，工作日和非工作日的區(qū)域公共交通產(chǎn)生量和吸引量能定量反映其他交通方式出行需求。因此，剔除地鐵站密度、公交站密度兩個(gè)影響因素。

表3 出租車出行需求影響因素的相關(guān)系數(shù)

2.3 影響因素與因變量的相關(guān)性分析

利用多元線性回歸方法檢驗(yàn)保留的8 個(gè)影響因素對(duì)工作日和非工作日出租車出行需求的影響程度，計(jì)算結(jié)果見表4。

表4 顯示，風(fēng)景名勝密度在工作日、非工作日的Sig值分別為0.606和0.866，均大于0.05，說(shuō)明風(fēng)景名勝密度對(duì)工作日、非工作日出租車出行需求沒有顯著影響。因此，剔除風(fēng)景名勝密度變量。

表4 工作日、非工作日影響因素與因變量相關(guān)性分析表

經(jīng)過(guò)以上影響因素多維分析，最終保留住宅密度、辦公密度、休閑娛樂(lè)服務(wù)密度、工作日區(qū)域公共交通產(chǎn)生量、工作日區(qū)域公共交通吸引量、非工作日區(qū)域公共交通產(chǎn)生量、非工作日區(qū)域公共交通吸引量7 個(gè)因素，為出租車出行需求的核心影響因素。

3 基于地理加權(quán)回歸的出租車出行需求影響模型構(gòu)建

為了反映出租車出行需求的空間分布差異性及影響因素的空間非平穩(wěn)性，基于地理加權(quán)回歸法構(gòu)建出租車出行需求影響模型，并采用普通的線性回歸方法對(duì)比分析模型的優(yōu)越性。

3.1 普通線性回歸模型

普通線性回歸模型通過(guò)多個(gè)影響因素預(yù)測(cè)一個(gè)因變量，可解釋自變量與因變量之間的定量關(guān)系[16]。該類模型的計(jì)算公式如下，可采用最小二乘法求解未知參數(shù)。

式（1）中：y為工作日與非工作日早、晚高峰的區(qū)域出租車出行需求；xi為影響因素；βi為系數(shù)；ε為隨機(jī)誤差。

3.2 地理加權(quán)回歸模型

地理加權(quán)回歸模型引入空間權(quán)函數(shù)，可描述不同空間狀態(tài)下各影響因素與出租車出行需求之間的關(guān)系特征。模型具體構(gòu)建步驟如下。

（1）步驟1：參數(shù)確定

地理加權(quán)回歸模型計(jì)算公式[17]為：

式（2）中：yi為工作日與非工作日早、晚高峰的區(qū)域出租車出行需求；(ui,vi)為北京市六環(huán)內(nèi)1 398 個(gè)交通小區(qū)中第i個(gè)交通小區(qū)形心的地理坐標(biāo)；βik(ui,vi)為第i個(gè)小區(qū)第k個(gè)影響因素的系數(shù)；xik為第i個(gè)小區(qū)的第k個(gè)影響因素；εi為隨機(jī)誤差，εi～N(0,σ2)。

（2）步驟2：參數(shù)估計(jì)

選擇加權(quán)最小二乘法計(jì)算每個(gè)空間區(qū)域的系數(shù)，第i個(gè)小區(qū)形心的目標(biāo)函數(shù)見式（3）～式（7）：

式（3）～式（7）中：wij為空間權(quán)函數(shù)，為第i個(gè)形心與其他形心j的距離單調(diào)遞減函數(shù)；Wi為空間權(quán)重矩陣的對(duì)角元素；X為影響因素變量構(gòu)成的矩陣。

（3）步驟3：確定空間權(quán)函數(shù)與帶寬

將出租車客流影響模型的回歸點(diǎn)設(shè)定為北京市六環(huán)內(nèi)1 398 個(gè)交通小區(qū)的形心。由于各交通小區(qū)的面積和形狀各異，各小區(qū)的形心空間分布不均衡，因此，模型采用bi-square 函數(shù)作為空間權(quán)函數(shù)，選擇赤池信息準(zhǔn)則（Akaike Information Criterion,AIC）作為判斷帶寬的準(zhǔn)則。

式（8）～式（9）中：wij為空間權(quán)函數(shù)；bi(k)為變化帶寬（度）；Dij為距離閾值（km）；dij為i,j兩點(diǎn)之間距離（km）；σ為隨機(jī)誤差方差的極大似然估計(jì)；n為樣本點(diǎn)數(shù)量；tr(S)為帶寬的函數(shù)。求解最優(yōu)帶寬的目標(biāo)函數(shù)min(AIC)。通過(guò)計(jì)算，最終確定模型的最優(yōu)帶寬為0.05 度，折算成公里數(shù)為6.94km。

4 案例分析

選取北京市六環(huán)內(nèi)1 398 個(gè)區(qū)域2016 年6 月15 日—21 日的出租車GPS 數(shù)據(jù)、計(jì)價(jià)器數(shù)據(jù)，POI 數(shù)據(jù)及公共交通刷卡數(shù)據(jù)，利用ArcGIS 軟件中的空間關(guān)系建模工具構(gòu)建出租車出行需求影響模型?？紤]時(shí)間因素的差異性，研究分別計(jì)算了工作日及非工作日早、晚高峰的區(qū)域出租車出行需求影響模型。

4.1 出租車出行需求影響模型計(jì)算結(jié)果

本文選取影響因素系數(shù)的最小值、最大值、均值、中位數(shù)、上四分位數(shù)、下四分位數(shù)和極差表示各影響因素對(duì)出租車出行需求的影響程度。影響因素系數(shù)的特征值計(jì)算結(jié)果如表5～表8所示。

表5 工作日早高峰出租車出行需求影響模型系數(shù)特征值

表6 工作日晚高峰出租車出行需求影響模型系數(shù)特征值

表7 非工作日早高峰出租車出行需求影響模型系數(shù)特征值

表8 非工作日晚高峰出租車出行需求影響模型系數(shù)特征值

4.2 出租車出行需求時(shí)空分布特征分析

利用ArcGIS 軟件對(duì)模型計(jì)算結(jié)果進(jìn)行可視化表達(dá)，各影響因素對(duì)出租車出行需求的時(shí)空分布影響如圖3～圖7所示。由圖3可知，北京市中心區(qū)域和西北部區(qū)域的住宅密度對(duì)出租車出行需求有很強(qiáng)的正影響，而城市外圍區(qū)域住宅密度對(duì)出租車出行需求為負(fù)影響。這主要因?yàn)槌鞘兄行膮^(qū)域高檔住宅小區(qū)及商業(yè)用地較多，人均收入相對(duì)較高，而六環(huán)西北側(cè)學(xué)校較多，對(duì)出行的準(zhǔn)時(shí)性有很高的要求。經(jīng)比較發(fā)現(xiàn)，五環(huán)北側(cè)區(qū)域、房山區(qū)政府附近、通州區(qū)中心區(qū)域晚高峰期間住宅密度對(duì)出租車出行需求的促進(jìn)作用高于早高峰。

如圖4 所示，北京市各區(qū)的中心區(qū)域辦公密度與出租車出行需求呈負(fù)相關(guān)，周邊且公司密集區(qū)域辦公密度與出租車出行需求呈正相關(guān)。這是因?yàn)橹行膮^(qū)域的地鐵和公交比周邊區(qū)域更為發(fā)達(dá)，大多數(shù)人選擇公交、地鐵等出行方式上下班，通勤者很少選擇出租車出行。而在市區(qū)周邊區(qū)域公共交通的可達(dá)性較差，出租車競(jìng)爭(zhēng)力增強(qiáng)，因此周邊區(qū)域的辦公密度對(duì)出租車出行需求有促進(jìn)作用。

如圖5 所示，周邊區(qū)域的休閑娛樂(lè)服務(wù)密度較低，但對(duì)出租車出行需求的促進(jìn)作用明顯高于中心區(qū)域，且非工作日休閑娛樂(lè)服務(wù)密度對(duì)出租車出行需求促進(jìn)作用明顯大于工作日，因此建議通過(guò)政策引導(dǎo)，提升出租車的周末出車率。

如圖6 所示，早、晚高峰區(qū)域公共交通產(chǎn)生量對(duì)出租車出行需求的影響有顯著差異，早高峰中心城區(qū)的區(qū)域公共交通產(chǎn)生量對(duì)出租車出行需求有促進(jìn)作用，晚高峰城市外圍區(qū)域的公共交通產(chǎn)生量與出租車出行需求呈正相關(guān)。這主要是因?yàn)樵绺叻迤陂g中心城區(qū)的總出行需求大，出租車為地鐵、公交出行方式的重要補(bǔ)充；晚高峰期間，由于乘客無(wú)法乘坐地鐵直達(dá)城市外圍目的地，通常需換乘出租車以解決“最后一公里”問(wèn)題。

圖3 住宅密度系數(shù)時(shí)空分布圖

圖4 辦公密度系數(shù)時(shí)空分布圖

圖5 休閑娛樂(lè)服務(wù)密度系數(shù)時(shí)空分布圖

圖6 區(qū)域公共交通產(chǎn)生量系數(shù)時(shí)空分布圖

圖7 區(qū)域公共交通吸引量系數(shù)時(shí)空分布圖

如圖7 所示，早高峰時(shí)段北京市東部區(qū)域公共交通吸引量對(duì)出租車需求有促進(jìn)作用，晚高峰期間四環(huán)內(nèi)區(qū)域公共交通吸引量對(duì)出租車需求有正影響，而各時(shí)段西部區(qū)域公共交通吸引量對(duì)出租車需求均有抑制作用。

以上分析結(jié)果表明：各中心區(qū)域住宅密度、周邊且公司密集區(qū)域辦公密度及城市外圍區(qū)域的休閑娛樂(lè)服務(wù)密度對(duì)出租車出行需求有很強(qiáng)的正影響；城市外圍區(qū)域住宅密度、各中心區(qū)域辦公密度與出租車出行需求呈負(fù)相關(guān)；非工作日休閑娛樂(lè)服務(wù)密度對(duì)出租車出行需求促進(jìn)作用明顯大于工作日；區(qū)域公共交通產(chǎn)生量對(duì)出租車出行需求的影響早、晚高峰差異顯著；公共交通吸引量對(duì)出租車出行需求的促進(jìn)作用主要集中在東部區(qū)域，對(duì)西部區(qū)域的出租車出行需求主要表現(xiàn)為抑制作用。

4.3 模型對(duì)比分析

為驗(yàn)證所提方法的精度，分別計(jì)算GWR 模型和OLR 模型的擬合評(píng)價(jià)指標(biāo)，結(jié)果如表9 所示。分析回歸結(jié)果表明，工作日與非工作日早、晚高峰時(shí)段GWR 模型調(diào)整后的判定系數(shù)R2比OLR 模型調(diào)整后的R2分別提高了0.25,0.29,0.24和0.25。此外，各時(shí)段GWR 模型的殘差平方和均小于OLR 模型的殘差平方和。說(shuō)明考慮空間因素的GWR 模型的擬合效果比OLR 模型更優(yōu)，對(duì)影響因素與出租車出行需求之間的影響關(guān)系更敏感，更適合探究出租車出行需求與影響因素之間的定量關(guān)系，反映出租車出行需求的空間異質(zhì)性。

5 結(jié)論

本文利用多源異構(gòu)數(shù)據(jù)，結(jié)合空間自相關(guān)性、多重共線性和因變量與自變量的相關(guān)性分析法對(duì)出租車出行需求影響因素進(jìn)行相關(guān)性分析，提取住宅密度、辦公密度、休閑娛樂(lè)服務(wù)密度、工作日區(qū)域公共交通產(chǎn)生量、工作日區(qū)域公共交通吸引量、非工作日區(qū)域公共交通產(chǎn)生量、非工作日區(qū)域公共交通吸引量7 個(gè)核心影響因素，構(gòu)建影響因素集?；诘乩砑訖?quán)回歸法，分別構(gòu)建工作日與非工作日早、晚高峰的區(qū)域出租車出行需求影響模型，探究各核心影響因素對(duì)出租車出行需求影響的時(shí)空異質(zhì)性。同時(shí)，通過(guò)模型驗(yàn)證可知，所建模型具有較高的精度，適用于解釋各影響因素對(duì)出租車出行需求影響的時(shí)空差異性。

表9 GWR模型與OLR模型回歸結(jié)果

本研究可為合理分配出租車運(yùn)輸服務(wù)資源、解決出租車行業(yè)供需不平衡問(wèn)題提供重要支撐。但本文僅探究了涵蓋用地屬性和公共交通客流信息的7 個(gè)核心影響因素對(duì)出租車出行需求時(shí)空分布的影響，未就經(jīng)濟(jì)、政策、人口等因素進(jìn)行分析，在未來(lái)的研究中可進(jìn)一步擴(kuò)展影響因素集，深入挖掘不同類型因素對(duì)出租車出行需求分布的影響程度。