空間異質(zhì)性建成環(huán)境對出租車與地鐵競合關(guān)系的影響

陳啟香，呂斌*，陳喜群，郝斌斌，何佳曦

(1.蘭州交通大學(xué)，交通運輸學(xué)院，蘭州 730070；2.浙江大學(xué)，建筑工程學(xué)院，杭州 310058)

0 引言

隨著信息技術(shù)的發(fā)展和大數(shù)據(jù)時代的來臨，利用大數(shù)據(jù)分析出行方式與建成環(huán)境的依賴關(guān)系已成為研究熱點[1]。同時，城市化進程加快使得城市管理者和交通規(guī)劃者亟需從城市設(shè)計和交通規(guī)劃的角度促進城市的可持續(xù)發(fā)展。特別是近年來，多模式交通出行已成為未來城市可持續(xù)發(fā)展的基礎(chǔ)，多模式出行將公共交通、出租車等互相組合，一定程度上減少了私家車出行[2]。為實現(xiàn)多模式交通出行這一目標(biāo)，就有必要研究多模式交通出行中各出行方式間的相互關(guān)系，具體地，這種關(guān)系是指城市中一種出行方式在空間和時間上如何與其他出行方式競爭或互補。而對出行方式間關(guān)系的討論首先應(yīng)該聚焦于兩種出行方式間[3]。因此，本文對出租車與地鐵的競合關(guān)系展開研究。

該方面的已有成果多基于出租車客流和地鐵客流，研究出租車與地鐵間的出行關(guān)系，以及建成環(huán)境對出行關(guān)系的影響。例如，Ye等[4]利用出租車和地鐵客流數(shù)據(jù)，引入半?yún)?shù)回歸模型，從時間維度上分析了影響出租車出行趨勢的變量，計算了出行者在特定地鐵站打車或乘坐地鐵的概率。Jiang等[5]利用出租車軌跡數(shù)據(jù)對比分析了出租車和地鐵出行的出發(fā)地分布，探討了出租車和地鐵客流量之間的關(guān)系。Huang等[6]利用刷卡數(shù)據(jù)和出租車軌跡數(shù)據(jù)，研究了深圳市春節(jié)前后，在人口短暫變化的情況下，公交、地鐵、出租車等出行方式間的相互作用模式，通過普通最小二乘法(Ordinary Least-Squares,OLS)和地理加權(quán)回歸(Geographic Weighted Regression,GWR)模型揭示了多模出行與建成環(huán)境的關(guān)系。Tu 等[7]基于公交、地鐵、出租車客流數(shù)據(jù)，同樣利用GWR 模型，探討了人口、土地利用和交通等因素對各種交通方式客流量的空間解析效應(yīng)。通過分析已有研究發(fā)現(xiàn)，上述研究均未從出行的OD點角度探究出租車與地鐵競合關(guān)系，未明確建成環(huán)境對出租車與地鐵競合關(guān)系影響程度的空間異質(zhì)性及尺度差異；研究方法多采用GWR 模型，該模型忽略了建成環(huán)境要素的有效范圍和閾值效應(yīng)在不同區(qū)域中有所不同的事實，即忽略了空間尺度差異性[8]，造成結(jié)果不夠穩(wěn)健。因此，有必要在考慮建成環(huán)境要素空間異質(zhì)性及尺度差異的基礎(chǔ)上，探討出租車與地鐵競合關(guān)系在不同空間環(huán)境中的不同反應(yīng)，進而指導(dǎo)城市和交通管理者從特定尺度層面的建成環(huán)境入手優(yōu)化城市結(jié)構(gòu)、改善居民出行結(jié)構(gòu)，實現(xiàn)以公共交通為導(dǎo)向的城市發(fā)展。

本文利用蘭州市出租車軌跡數(shù)據(jù)、土地利用等數(shù)據(jù)，從出租車出行OD點與地鐵站點的空間關(guān)系角度出發(fā)，分析出租車與地鐵競合關(guān)系；采用多尺度地理加權(quán)回歸(Multi-scale Geographically Weighted Regression,MGWR)模型，刻畫建成環(huán)境對出租車與地鐵競合關(guān)系影響的空間異質(zhì)性及尺度效應(yīng)；研究出租車與地鐵競合關(guān)系與城市建成環(huán)境間的復(fù)雜空間模式及依賴效應(yīng)。

1 研究區(qū)域與數(shù)據(jù)預(yù)處理

以蘭州市(安寧區(qū)、城關(guān)區(qū)和七里河區(qū))為研究區(qū)域，將其劃分成邊長為1 km×1 km 的網(wǎng)格。選取2021年4月1～26日的出租車軌跡數(shù)據(jù)，包含車牌號、時間、載客狀態(tài)(0為未載客，1為載客)、里程數(shù)、經(jīng)緯度等信息。本文首先從該數(shù)據(jù)集中提取所有出行信息，并刪除缺少OD 坐標(biāo)及OD 點位于城市邊界以外的行程；刪除單次出行距離大于80 km的行程。為準(zhǔn)確測度建成環(huán)境的特征變量，本文通過API 方法訪問百度地圖，獲取路網(wǎng)和興趣面(AOI)等數(shù)據(jù)[9]，并借助ArcGIS10.2 對AOI 數(shù)據(jù)進行處理得到土地利用數(shù)據(jù)。

1.1 出租車出行數(shù)據(jù)分類

為闡明出租車與地鐵競合關(guān)系，本文根據(jù)出租車出行的OD 點與地鐵站點的空間關(guān)系將出租車行程分為3 類：與地鐵競爭(Subway-Competing,SCPE)方式、延伸地鐵(Subway-Extending,SE)方式和補充地鐵出行(Subway-Complementing,SC)方式[7]。其中SCPE方式可由地鐵實現(xiàn)，OD點均位于地鐵站影響范圍內(nèi)；SE 方式的一端在地鐵站影響范圍內(nèi)，如O 點在緩沖區(qū)內(nèi)，延伸D 點，被定義為SE-offs，反之則為SE-ups(延伸O 點，D 點在地鐵站影響范圍內(nèi))；SC方式不能由地鐵實現(xiàn)，即OD點均不在地鐵站影響范圍內(nèi)，如圖1所示。地鐵站點影響范圍的大小由站點步行吸引范圍確定[8]。Sun等[10]指出0.4 km為可接受的步行距離值，0.8 km為最大值。本文以0.5 km作為半徑，建立站點影響范圍，對在地鐵運營時段內(nèi)的出租車行程進行分類，其中4.26%為SCPE，37.47%為SE，58.73%為SC，說明在地鐵網(wǎng)絡(luò)不發(fā)達的蘭州市仍有較多的出行需求無法由地鐵實現(xiàn)。

圖1 3種出行方式的區(qū)分Fig.1 Conceptual example of classifying three types of taxi trips

1.2 出租車出行特征分析

本文對SC、SCPE 和SE 方式的單次出行距離進行統(tǒng)計：SCPE方式的平均出行距離約為5.3 km，其中75%的行程距離小于5 km，這表明在短距離出行中，出租車服務(wù)便捷快速，可以取代地鐵；SE 方式的平均出行距離約為6.09 km，91%的SE 方式行程距離在2～6 km，這反映出蘭州市地鐵網(wǎng)絡(luò)的不發(fā)達；SC 方式的平均出行距離約為6.38 km，這說明SC 方式傾向于較長距離出行。由以上分析得出，出租車出行延長、競爭或補充地鐵出行。

圖2為SC、SCPE、SE方式上、下客點的空間分布情況(次·日-1)。SC 方式呈現(xiàn)出最廣泛的空間分布，SCPE 方式O 點、D 點沿地鐵線路分布，SE 方式的O 點、D 點空間分布較為緊湊，且多集中于地鐵站附近，由此可知，SC、SCPE和SE方式在空間分布上呈現(xiàn)明顯的差異性?；诰W(wǎng)格內(nèi)上客次數(shù)(次·日-1)，對SC、SCPE 及SE 進行Moran'I 檢驗，所得結(jié)果如表1所示，表明SC、SCPE 和SE 方式具有明顯的空間異質(zhì)性。

表1 SC、SCPE及SE方式客流量的Moran's I檢驗Table 1 Moran's I tests for spatial autocorrelation applied to dependent variables

圖2 3類出租車出行方式OD點的空間分布Fig.2 Spatial distribution of origins/destinations of three categories of taxi trips

2 研究方法

2.1 變量定義

選取每個網(wǎng)格內(nèi)SC、SCPE、SE 方式的上客次數(shù)(次·日-1)為因變量。由于出行方式受土地利用類型、交通等建成環(huán)境變量[7]的影響，根據(jù)已有數(shù)據(jù)，本文選取由土地利用和交通要素構(gòu)成的指標(biāo)為自變量，如表2所示。

表2 自變量描述Table 2 Descriptive statistics for independent variables

土地利用混合度表征研究區(qū)域土地利用的多樣性。本文根據(jù)熵指數(shù)法計算各網(wǎng)格的土地利用混合度[6]，即

式中：pij為網(wǎng)格i中j類用地所占比例；Ni為網(wǎng)格i中土地利用類型的數(shù)量；Ei值在[0,1]之間，0表示網(wǎng)格內(nèi)只有1 種土地利用，1 表示網(wǎng)格內(nèi)各土地利用比例相等。

交通方面主要考慮公共交通可達性和道路密度。本文用公交車站點密度衡量公共交通可達性，其中公共交通站點為常規(guī)公交站點[1]。道路密度表征網(wǎng)格中的道路網(wǎng)絡(luò)特征，即

式中：Di為網(wǎng)格i內(nèi)的道路密度；Lij為網(wǎng)格i內(nèi)道路j的長度；N為網(wǎng)格i內(nèi)的道路數(shù)；Ai為網(wǎng)格i面積。

2.2 全局回歸模型

多元線性回歸是研究出行方式與建成環(huán)境的基本方法，通常采用OLS進行參數(shù)估計，即

式中：ri為因變量；xik為自變量；β0,…,βk為回歸系數(shù)；εi為誤差項。自變量的多重共線性通過方差膨脹因子(Variance Inflation Variables,VIF)來檢驗，VIF大于10表示變量存在嚴(yán)重的多重共線性[6]。

2.3 多尺度地理加權(quán)回歸(MGWR)

MGWR 模型放寬GWR 模型估計過程中自變量的影響具有相同空間尺度的假設(shè)，允許對自變量特定帶寬優(yōu)化，產(chǎn)生更接近真實的空間過程模型[11]。MGWR的表達式為

GWR和MGWR模型求解均采用高斯核函數(shù)，最優(yōu)帶寬由赤池信息量準(zhǔn)則(Akaike Information Criterion,AIC)計算。AIC可避免模型的過擬合，且AIC 越小表示模型結(jié)果越好[11]。MGWR 模型需先初始化各帶估計參數(shù)值，然后不斷優(yōu)化初始值直至收斂，考慮到收斂速度，本文采用GWR 估計作為初始估計，殘差平方和變化比例(RSS)作為收斂準(zhǔn)則[8]。

3 實驗結(jié)果及分析

3.1 OLS模型計算結(jié)果與分析

針對SC、SE-ups、SE-offs及SCPE方式，采用逐步回歸分析法計算OLS模型，篩選影響顯著的重要變量作為MGWR 模型的輸入，結(jié)果如表3所示。同時，對OLS 殘差進行Moran's I 檢驗，結(jié)果如表4所示，表明殘差具有顯著的空間相關(guān)性(p ＜0.05)，故需采用考慮空間異質(zhì)性的回歸模型進一步分析。

表3 全局模型OLS的計算結(jié)果Table 3 Result of global regression

表4 OLS殘差的Moran's I檢驗Table 4 Global residuals Moran's I test

3.2 MGWR模型計算結(jié)果與分析

表5 為GWR 和MGWR 模型擬合效果評價指標(biāo)對比：對于SC、SCPE、SE-ups 及SE-offs 方式，相較于GWR，MGWR 的解釋能力分別提升了8.7%、12.8%、13.3%及12.3%；殘差的Moran's I 分別僅為-0.012、0.120、-0.015、-0.013，基本消除了殘差的空間效應(yīng)。其中Moran's I 小于0 意味著隨著空間分布位置的離散，SC、SE 方式的空間差異更大，這主要是由區(qū)域社會經(jīng)濟發(fā)展水平及其結(jié)構(gòu)不同而產(chǎn)生的差異；反之SCPE 方式則隨著空間分布位置的聚集，其相關(guān)性越顯著，且AIC 和RSS 也均為最小。鑒于此：MGWR 的估計效果顯然優(yōu)于GWR，能更好地刻畫SC、SCPE 及SE 分別和建成環(huán)境依賴關(guān)系的空間異質(zhì)性及其尺度效應(yīng)。

表5 地理加權(quán)回歸與多尺度地理加權(quán)回歸模型指標(biāo)Table 5 Model index of GWR and MGWR

3.3 尺度分析

GWR 和MGWR 模型的計算結(jié)果如表6所示。對于SC、SCPE 和SE 等方式，GWR 的擬合最佳帶寬分別為52、50和54，只能反映出各個變量作用尺度的平均值，而MGWR 則能夠反映不同變量的差異化作用尺度。

表6 地理加權(quán)回歸與多尺度地理加權(quán)回歸模型帶寬Table 6 Bandwidth of GWR and MGWR

分析表6可得出以下結(jié)論：

(1)對于SC方式，公交站點密度的作用尺度為44，遠低于其他變量的作用尺度，占樣本總量(507個網(wǎng)格)的8.7%，相應(yīng)的面積為43.8 km2，接近于街道行政區(qū)尺度。這一方面說明在不同的街道行政區(qū)范圍內(nèi)，公交站點密度的價值基本相同，超出該作用尺度后，系數(shù)會發(fā)生明顯變化；另一方面，說明SC方式對公交站點密度非常敏感。道路密度和住宅用地密度的作用尺度同樣較小，說明在不同范圍內(nèi)，道路密度和住宅用地密度的影響差異較大。土地利用混合度和其他用地密度的作用尺度較大，系數(shù)在空間上較為平穩(wěn)。

(2)對于SCPE 方式，公交站點密度、道路密度和住宅用地密度具有相同的作用尺度，占樣本總量(106)的40.6%，屬于較大尺度，系數(shù)在空間上較為平穩(wěn)。其他用地密度的作用尺度為105，是全局尺度，基本不存在空間異質(zhì)性。

(3)對于SE-ups和SE-offs方式，公交站點密度的作用尺度最小，分別占樣本總量(370 和467)的11.6%和9.2%，對SE-ups 和SE-offs 的尺度效應(yīng)同SC 方式，即SE 方式同樣對公交站點密度非常敏感。相較于SE-ups，SE-offs對住宅用地密度和其他用地密度更為敏感，而住宅用地密度和其他用地密度對SE-ups的影響更為平穩(wěn)。道路密度、商業(yè)用地密度的作用尺度分別為369、363 和466、398，幾乎等同于全局變量，這說明基本不存在空間異質(zhì)性。

3.4 系數(shù)空間格局分析

SC、SCPE、SE 方式與建成環(huán)境的依賴關(guān)系具有顯著的空間異質(zhì)性。MGWR 模型各系數(shù)統(tǒng)計如表7所示，回歸系數(shù)的空間分布情況如圖3～圖8所示。

表7 MGWR回歸系數(shù)統(tǒng)計描述Table 7 Statistical description of MGWR coefficients

土地利用混合度對SC、SE-ups 和SE-offs 方式具有顯著正向影響，系數(shù)均值分別為0.140、0.120和0.130，影響強度較弱。影響強度較強的區(qū)域主要集中在蘭州市各區(qū)交匯的中部區(qū)域，如圖3所示，這主要是因為該區(qū)域具有商業(yè)街、學(xué)校、公園及車站等，土地混合利用度較好；而蘭州市東、西、南部外圍區(qū)域面積廣闊，商業(yè)和公共服務(wù)用地則分布相對較少，土地利用混合度不好。由此可知，土地利用混合度較好的區(qū)域，出行需求高，出租車分擔(dān)率相對較高，這與文獻[12]的研究結(jié)果一致。同時由圖3可知，在相同影響強度下，對于SE的影響范圍小于SC，這意味著完善土地利用混合度較好區(qū)域的地鐵網(wǎng)絡(luò)，可有效減少出租車出行和縮小出租車出行范圍。

圖3 土地利用混合度回歸系數(shù)空間分布Fig.3 Spatial patterns of land use mix's coefficient

道路密度對SC、SCPE 和SE 等方式具有正向影響，影響尺度依次為較小、較大和全局尺度。且對SE 方式的影響強度較強，其次是SC 方式，對SCPE方式的影響最弱。道路密度系數(shù)的標(biāo)準(zhǔn)差分別為0.126(SC)、0.181(SCPE)、0.003(SE- ups)和0.002(SE-offs)，說明道路密度對SC和SCPE方式域上影響差異較大，對SE方式域上影響差異很小，這種差異主要是由地域的發(fā)展程度、功能結(jié)構(gòu)等導(dǎo)致的，如圖4所示。這意味著在相同路網(wǎng)條件下，地鐵網(wǎng)絡(luò)的完善，可有效改造城市交通流量的空間分布格局，從根源上改善由城市空間格局和功能分區(qū)導(dǎo)致的交通問題，如緩解中心城區(qū)的交通壓力。

圖4 道路密度回歸系數(shù)空間分布Fig.4 Spatial patterns of road density's coefficient

公交站點密度對SC、SCPE 及SE 方式的影響尺度都很小，存在高度的空間異質(zhì)性，從系數(shù)絕對值上來看，其影響強度在所有變量中最大。分析公交站點的分布密度(圖1)及其系數(shù)空間分布(圖5)可以發(fā)現(xiàn)，公交站點分布密集的地區(qū)對出租車吸引力極小，而對于七里河區(qū)、安寧區(qū)等站點密度較低，但對出租車的吸引力卻更大。這種現(xiàn)象可以從兩個方面來解釋：第一，公交站點密度大的地方，能吸引更多的乘客，反過來會產(chǎn)生更多的SC、SE 出行；第二，出租車用于接駁，往返于公交站(地鐵站)的出發(fā)點或目的地。

同時由圖5可以看出，地鐵沿線公交站點分布密集的地區(qū)未呈現(xiàn)出顯著的影響。但在西關(guān)什字商業(yè)街、省政府等站附近，公交站點密度和SC方式卻呈顯著負相關(guān)，這是由于該區(qū)域公交站點和地鐵站點密度大，且易發(fā)生擁堵，居民選擇出租車出行的可能性較小。對于SE方式，土門墩、蘭州西站北廣場等站附近，公交站點密度對SE 方式呈現(xiàn)顯著正相關(guān)，這是因為高鐵到達帶來大量多樣化的出行需求，因此出租車出行量大幅上升。交通規(guī)劃和管理部門應(yīng)系統(tǒng)分析蘭州高鐵站流量流向，合理布設(shè)公交站點位置，滿足乘客的多樣化出行需求。

圖5 公交站點密度回歸系數(shù)空間分布Fig.5 Spatial patterns of bus stop density's coefficient

商業(yè)用地比例對SE 方式的影響顯著且為正向，影響強度由東向西遞增，這與蘭州市商業(yè)區(qū)的發(fā)展方向相一致，如圖6所示。商業(yè)用地比例系數(shù)均值分別為0.078 和0.059，從系數(shù)絕對值上來看，商業(yè)用地比例只對SE 方式有顯著影響且其對SE方式的影響強度在所有變量中最弱。在地域上影響差異不大。同時由圖6 可知，在東方紅廣場、西關(guān)什字、西站什字等商業(yè)用地比例較大的區(qū)域，影響力度卻較小，這說明增加地鐵站點附近的商業(yè)用地，可有效減少SE出行。

圖6 商業(yè)用地比例回歸系數(shù)空間分布Fig.6 Spatial patterns of commercial density's coefficient

對于SC、SCPE、SE-ups和SE-offs，住宅用地比例具備顯著的正向影響，如圖7所示。系數(shù)均值分別為0.247、0.302、0.276 和0.228，從系數(shù)絕對值來看，住宅用地比例對SC和SE-offs方式的影響強度在所有變量中居中，對SCPE和SE-ups方式的影響強度較大。從系數(shù)空間分布來看，SC 和SE-offs 方式對住宅用地比例更為敏感，影響程度會隨著地理空間的變化而變化，這也暗示蘭州市職住分離度較高。對SCPE方式的影響強度由地鐵線路兩端向市中心逐漸減小，導(dǎo)致該現(xiàn)象的一個可能原因是市中心區(qū)域公共交通網(wǎng)絡(luò)完善，居民選擇公共交通出行的概率更高。

圖7 住宅用地比例回歸系數(shù)空間分布Fig.7 Spatial patterns of residential density's coefficient

其他用地比例要素顯著且負向影響SC、SCPE和SE 方式，這意味著有效開發(fā)市內(nèi)其他用地會帶來更多的出行量，空間分布如圖8所示。其他用地比例對出租車與地鐵競合關(guān)系的影響模式體現(xiàn)了出行方式對區(qū)域經(jīng)濟發(fā)展程度較為敏感。

圖8 其他用地比例回歸系數(shù)空間分布Fig.8 Spatial patterns of other land use's coefficient

4 結(jié)論

本文采用考慮空間異質(zhì)性尺度差異的MGWR模型探究建成環(huán)境對出租車與地鐵競合關(guān)系(SC、SCPE和SE方式)影響的空間分布特征及其尺度效應(yīng)，研究結(jié)果表明：

(1)基于網(wǎng)格內(nèi)SC、SCPE 和SE 出行次數(shù)(次·日-1)，運用Moran's I 檢驗表明SC、SCPE 和SE方式的空間分布具有明顯的空間異質(zhì)性，且SC、SE方式隨著空間分布位置離散，空間差異增大，SCPE 方式則隨著空間分布位置的聚集，其相關(guān)性越顯著。

(2)相較于GWR模型，考慮空間異質(zhì)性尺度差異的MGWR考慮了不同建成環(huán)境變量對不同形式競合關(guān)系影響的尺度效應(yīng)，產(chǎn)生更精確的局部參數(shù)估計，估計結(jié)果更為可靠。對于SC、SCPE、SE-ups及SE-offs 方式解釋能力分別提升了8.7%、12.8%、13.3%及12.3%，殘差的Moran' I 分別僅為-0.012、0.120、-0.015、-0.013，更好地刻畫了城市建成環(huán)境變量對出租車與地鐵競合關(guān)系影響的空間異質(zhì)性及尺度效應(yīng)，有助于城市管理者從特定尺度層面優(yōu)化建成環(huán)境、改善居民出行結(jié)構(gòu)。

(3)各個自變量對SC、SCPE 及SE 方式的影響機制各不相同，且具有明顯的地域差異。結(jié)果表明，SC、SCPE 及SE 方式均對公交站點密度非常敏感，且存在很強的空間異質(zhì)性。對于SC方式，其他存在空間異質(zhì)性的影響因按其空間尺度由小到大分別為道路密度、住宅用地密度、土地利用混合度和其他用地密度，其中土地利用混合度和其他用地密度為較大尺度的變量，系數(shù)在空間上較為平穩(wěn)；對于SE方式則為土地利用混合度、住宅用地密度、其他用地密度、商業(yè)用地密度和道路密度，其中商業(yè)用地密度和道路密度為全局尺度的變量，空間異質(zhì)性很弱；對于SCPE方式，道路密度和住宅用地密度為較大尺度的變量，其他用地密度為全局尺度的變量。所有影響要素中公交站點密度是對SC、SCPE及SE方式影響強度最強的要素，其次是道路密度(SC 和SE-offs 方式)、住宅用地密度(SCPE 和SE-ups方式)，其他用地密度的影響最弱。

(4)由于城市建成環(huán)境要素對SC、SCPE、SE出行的影響存在空間異質(zhì)性及尺度差異，使得城市規(guī)劃者和交通管理者可以根據(jù)不同區(qū)域各建成環(huán)境影響程度的空間差異，因地制宜地提出更有針對性的改善或優(yōu)化策略，進而優(yōu)化城市布局、促進出租車與地鐵協(xié)調(diào)發(fā)展、引導(dǎo)居民綠色出行。