空间异质性建成环境对出租车与地铁竞合关系的影响

陈启香，吕斌*，陈喜群，郝斌斌，何佳曦

(1.兰州交通大学，交通运输学院，兰州 730070；2.浙江大学，建筑工程学院，杭州 310058)

0 引言

随着信息技术的发展和大数据时代的来临，利用大数据分析出行方式与建成环境的依赖关系已成为研究热点[1]。同时，城市化进程加快使得城市管理者和交通规划者亟需从城市设计和交通规划的角度促进城市的可持续发展。特别是近年来，多模式交通出行已成为未来城市可持续发展的基础，多模式出行将公共交通、出租车等互相组合，一定程度上减少了私家车出行[2]。为实现多模式交通出行这一目标，就有必要研究多模式交通出行中各出行方式间的相互关系，具体地，这种关系是指城市中一种出行方式在空间和时间上如何与其他出行方式竞争或互补。而对出行方式间关系的讨论首先应该聚焦于两种出行方式间[3]。因此，本文对出租车与地铁的竞合关系展开研究。

该方面的已有成果多基于出租车客流和地铁客流，研究出租车与地铁间的出行关系，以及建成环境对出行关系的影响。例如，Ye等[4]利用出租车和地铁客流数据，引入半参数回归模型，从时间维度上分析了影响出租车出行趋势的变量，计算了出行者在特定地铁站打车或乘坐地铁的概率。Jiang等[5]利用出租车轨迹数据对比分析了出租车和地铁出行的出发地分布，探讨了出租车和地铁客流量之间的关系。Huang等[6]利用刷卡数据和出租车轨迹数据，研究了深圳市春节前后，在人口短暂变化的情况下，公交、地铁、出租车等出行方式间的相互作用模式，通过普通最小二乘法(Ordinary Least-Squares,OLS)和地理加权回归(Geographic Weighted Regression,GWR)模型揭示了多模出行与建成环境的关系。Tu 等[7]基于公交、地铁、出租车客流数据，同样利用GWR 模型，探讨了人口、土地利用和交通等因素对各种交通方式客流量的空间解析效应。通过分析已有研究发现，上述研究均未从出行的OD点角度探究出租车与地铁竞合关系，未明确建成环境对出租车与地铁竞合关系影响程度的空间异质性及尺度差异；研究方法多采用GWR 模型，该模型忽略了建成环境要素的有效范围和阈值效应在不同区域中有所不同的事实，即忽略了空间尺度差异性[8]，造成结果不够稳健。因此，有必要在考虑建成环境要素空间异质性及尺度差异的基础上，探讨出租车与地铁竞合关系在不同空间环境中的不同反应，进而指导城市和交通管理者从特定尺度层面的建成环境入手优化城市结构、改善居民出行结构，实现以公共交通为导向的城市发展。

本文利用兰州市出租车轨迹数据、土地利用等数据，从出租车出行OD点与地铁站点的空间关系角度出发，分析出租车与地铁竞合关系；采用多尺度地理加权回归(Multi-scale Geographically Weighted Regression,MGWR)模型，刻画建成环境对出租车与地铁竞合关系影响的空间异质性及尺度效应；研究出租车与地铁竞合关系与城市建成环境间的复杂空间模式及依赖效应。

1 研究区域与数据预处理

以兰州市(安宁区、城关区和七里河区)为研究区域，将其划分成边长为1 km×1 km 的网格。选取2021年4月1～26日的出租车轨迹数据，包含车牌号、时间、载客状态(0为未载客，1为载客)、里程数、经纬度等信息。本文首先从该数据集中提取所有出行信息，并删除缺少OD 坐标及OD 点位于城市边界以外的行程；删除单次出行距离大于80 km的行程。为准确测度建成环境的特征变量，本文通过API 方法访问百度地图，获取路网和兴趣面(AOI)等数据[9]，并借助ArcGIS10.2 对AOI 数据进行处理得到土地利用数据。

1.1 出租车出行数据分类

为阐明出租车与地铁竞合关系，本文根据出租车出行的OD 点与地铁站点的空间关系将出租车行程分为3 类：与地铁竞争(Subway-Competing,SCPE)方式、延伸地铁(Subway-Extending,SE)方式和补充地铁出行(Subway-Complementing,SC)方式[7]。其中SCPE方式可由地铁实现，OD点均位于地铁站影响范围内；SE 方式的一端在地铁站影响范围内，如O 点在缓冲区内，延伸D 点，被定义为SE-offs，反之则为SE-ups(延伸O 点，D 点在地铁站影响范围内)；SC方式不能由地铁实现，即OD点均不在地铁站影响范围内，如图1所示。地铁站点影响范围的大小由站点步行吸引范围确定[8]。Sun等[10]指出0.4 km为可接受的步行距离值，0.8 km为最大值。本文以0.5 km作为半径，建立站点影响范围，对在地铁运营时段内的出租车行程进行分类，其中4.26%为SCPE，37.47%为SE，58.73%为SC，说明在地铁网络不发达的兰州市仍有较多的出行需求无法由地铁实现。

图1 3种出行方式的区分Fig.1 Conceptual example of classifying three types of taxi trips

1.2 出租车出行特征分析

本文对SC、SCPE 和SE 方式的单次出行距离进行统计：SCPE方式的平均出行距离约为5.3 km，其中75%的行程距离小于5 km，这表明在短距离出行中，出租车服务便捷快速，可以取代地铁；SE 方式的平均出行距离约为6.09 km，91%的SE 方式行程距离在2～6 km，这反映出兰州市地铁网络的不发达；SC 方式的平均出行距离约为6.38 km，这说明SC 方式倾向于较长距离出行。由以上分析得出，出租车出行延长、竞争或补充地铁出行。

图2为SC、SCPE、SE方式上、下客点的空间分布情况(次·日-1)。SC 方式呈现出最广泛的空间分布，SCPE 方式O 点、D 点沿地铁线路分布，SE 方式的O 点、D 点空间分布较为紧凑，且多集中于地铁站附近，由此可知，SC、SCPE和SE方式在空间分布上呈现明显的差异性。基于网格内上客次数(次·日-1)，对SC、SCPE 及SE 进行Moran'I 检验，所得结果如表1所示，表明SC、SCPE 和SE 方式具有明显的空间异质性。

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

图2 3类出租车出行方式OD点的空间分布Fig.2 Spatial distribution of origins/destinations of three categories of taxi trips

2 研究方法

2.1 变量定义

选取每个网格内SC、SCPE、SE 方式的上客次数(次·日-1)为因变量。由于出行方式受土地利用类型、交通等建成环境变量[7]的影响，根据已有数据，本文选取由土地利用和交通要素构成的指标为自变量，如表2所示。

表2 自变量描述Table 2 Descriptive statistics for independent variables

土地利用混合度表征研究区域土地利用的多样性。本文根据熵指数法计算各网格的土地利用混合度[6]，即

式中：pij为网格i中j类用地所占比例；Ni为网格i中土地利用类型的数量；Ei值在[0,1]之间，0表示网格内只有1 种土地利用，1 表示网格内各土地利用比例相等。

交通方面主要考虑公共交通可达性和道路密度。本文用公交车站点密度衡量公共交通可达性，其中公共交通站点为常规公交站点[1]。道路密度表征网格中的道路网络特征，即

式中：Di为网格i内的道路密度；Lij为网格i内道路j的长度；N为网格i内的道路数；Ai为网格i面积。

2.2 全局回归模型

多元线性回归是研究出行方式与建成环境的基本方法，通常采用OLS进行参数估计，即

式中：ri为因变量；xik为自变量；β0,…,βk为回归系数；εi为误差项。自变量的多重共线性通过方差膨胀因子(Variance Inflation Variables,VIF)来检验，VIF大于10表示变量存在严重的多重共线性[6]。

2.3 多尺度地理加权回归(MGWR)

MGWR 模型放宽GWR 模型估计过程中自变量的影响具有相同空间尺度的假设，允许对自变量特定带宽优化，产生更接近真实的空间过程模型[11]。MGWR的表达式为

GWR和MGWR模型求解均采用高斯核函数，最优带宽由赤池信息量准则(Akaike Information Criterion,AIC)计算。AIC可避免模型的过拟合，且AIC 越小表示模型结果越好[11]。MGWR 模型需先初始化各带估计参数值，然后不断优化初始值直至收敛，考虑到收敛速度，本文采用GWR 估计作为初始估计，残差平方和变化比例(RSS)作为收敛准则[8]。

3 实验结果及分析

3.1 OLS模型计算结果与分析

针对SC、SE-ups、SE-offs及SCPE方式，采用逐步回归分析法计算OLS模型，筛选影响显著的重要变量作为MGWR 模型的输入，结果如表3所示。同时，对OLS 残差进行Moran's I 检验，结果如表4所示，表明残差具有显著的空间相关性(p ＜0.05)，故需采用考虑空间异质性的回归模型进一步分析。

表3 全局模型OLS的计算结果Table 3 Result of global regression

表4 OLS残差的Moran's I检验Table 4 Global residuals Moran's I test

3.2 MGWR模型计算结果与分析

表5 为GWR 和MGWR 模型拟合效果评价指标对比：对于SC、SCPE、SE-ups 及SE-offs 方式，相较于GWR，MGWR 的解释能力分别提升了8.7%、12.8%、13.3%及12.3%；残差的Moran's I 分别仅为-0.012、0.120、-0.015、-0.013，基本消除了残差的空间效应。其中Moran's I 小于0 意味着随着空间分布位置的离散，SC、SE 方式的空间差异更大，这主要是由区域社会经济发展水平及其结构不同而产生的差异；反之SCPE 方式则随着空间分布位置的聚集，其相关性越显著，且AIC 和RSS 也均为最小。鉴于此：MGWR 的估计效果显然优于GWR，能更好地刻画SC、SCPE 及SE 分别和建成环境依赖关系的空间异质性及其尺度效应。

表5 地理加权回归与多尺度地理加权回归模型指标Table 5 Model index of GWR and MGWR

3.3 尺度分析

GWR 和MGWR 模型的计算结果如表6所示。对于SC、SCPE 和SE 等方式，GWR 的拟合最佳带宽分别为52、50和54，只能反映出各个变量作用尺度的平均值，而MGWR 则能够反映不同变量的差异化作用尺度。

表6 地理加权回归与多尺度地理加权回归模型带宽Table 6 Bandwidth of GWR and MGWR

分析表6可得出以下结论：

(1)对于SC方式，公交站点密度的作用尺度为44，远低于其他变量的作用尺度，占样本总量(507个网格)的8.7%，相应的面积为43.8 km2，接近于街道行政区尺度。这一方面说明在不同的街道行政区范围内，公交站点密度的价值基本相同，超出该作用尺度后，系数会发生明显变化；另一方面，说明SC方式对公交站点密度非常敏感。道路密度和住宅用地密度的作用尺度同样较小，说明在不同范围内，道路密度和住宅用地密度的影响差异较大。土地利用混合度和其他用地密度的作用尺度较大，系数在空间上较为平稳。

(2)对于SCPE 方式，公交站点密度、道路密度和住宅用地密度具有相同的作用尺度，占样本总量(106)的40.6%，属于较大尺度，系数在空间上较为平稳。其他用地密度的作用尺度为105，是全局尺度，基本不存在空间异质性。

(3)对于SE-ups和SE-offs方式，公交站点密度的作用尺度最小，分别占样本总量(370 和467)的11.6%和9.2%，对SE-ups 和SE-offs 的尺度效应同SC 方式，即SE 方式同样对公交站点密度非常敏感。相较于SE-ups，SE-offs对住宅用地密度和其他用地密度更为敏感，而住宅用地密度和其他用地密度对SE-ups的影响更为平稳。道路密度、商业用地密度的作用尺度分别为369、363 和466、398，几乎等同于全局变量，这说明基本不存在空间异质性。

3.4 系数空间格局分析

SC、SCPE、SE 方式与建成环境的依赖关系具有显著的空间异质性。MGWR 模型各系数统计如表7所示，回归系数的空间分布情况如图3～图8所示。

表7 MGWR回归系数统计描述Table 7 Statistical description of MGWR coefficients

土地利用混合度对SC、SE-ups 和SE-offs 方式具有显著正向影响，系数均值分别为0.140、0.120和0.130，影响强度较弱。影响强度较强的区域主要集中在兰州市各区交汇的中部区域，如图3所示，这主要是因为该区域具有商业街、学校、公园及车站等，土地混合利用度较好；而兰州市东、西、南部外围区域面积广阔，商业和公共服务用地则分布相对较少，土地利用混合度不好。由此可知，土地利用混合度较好的区域，出行需求高，出租车分担率相对较高，这与文献[12]的研究结果一致。同时由图3可知，在相同影响强度下，对于SE的影响范围小于SC，这意味着完善土地利用混合度较好区域的地铁网络，可有效减少出租车出行和缩小出租车出行范围。

图3 土地利用混合度回归系数空间分布Fig.3 Spatial patterns of land use mix's coefficient

道路密度对SC、SCPE 和SE 等方式具有正向影响，影响尺度依次为较小、较大和全局尺度。且对SE 方式的影响强度较强，其次是SC 方式，对SCPE方式的影响最弱。道路密度系数的标准差分别为0.126(SC)、0.181(SCPE)、0.003(SE- ups)和0.002(SE-offs)，说明道路密度对SC和SCPE方式域上影响差异较大，对SE方式域上影响差异很小，这种差异主要是由地域的发展程度、功能结构等导致的，如图4所示。这意味着在相同路网条件下，地铁网络的完善，可有效改造城市交通流量的空间分布格局，从根源上改善由城市空间格局和功能分区导致的交通问题，如缓解中心城区的交通压力。

图4 道路密度回归系数空间分布Fig.4 Spatial patterns of road density's coefficient

公交站点密度对SC、SCPE 及SE 方式的影响尺度都很小，存在高度的空间异质性，从系数绝对值上来看，其影响强度在所有变量中最大。分析公交站点的分布密度(图1)及其系数空间分布(图5)可以发现，公交站点分布密集的地区对出租车吸引力极小，而对于七里河区、安宁区等站点密度较低，但对出租车的吸引力却更大。这种现象可以从两个方面来解释：第一，公交站点密度大的地方，能吸引更多的乘客，反过来会产生更多的SC、SE 出行；第二，出租车用于接驳，往返于公交站(地铁站)的出发点或目的地。

同时由图5可以看出，地铁沿线公交站点分布密集的地区未呈现出显著的影响。但在西关什字商业街、省政府等站附近，公交站点密度和SC方式却呈显著负相关，这是由于该区域公交站点和地铁站点密度大，且易发生拥堵，居民选择出租车出行的可能性较小。对于SE方式，土门墩、兰州西站北广场等站附近，公交站点密度对SE 方式呈现显著正相关，这是因为高铁到达带来大量多样化的出行需求，因此出租车出行量大幅上升。交通规划和管理部门应系统分析兰州高铁站流量流向，合理布设公交站点位置，满足乘客的多样化出行需求。

图5 公交站点密度回归系数空间分布Fig.5 Spatial patterns of bus stop density's coefficient

商业用地比例对SE 方式的影响显著且为正向，影响强度由东向西递增，这与兰州市商业区的发展方向相一致，如图6所示。商业用地比例系数均值分别为0.078 和0.059，从系数绝对值上来看，商业用地比例只对SE 方式有显著影响且其对SE方式的影响强度在所有变量中最弱。在地域上影响差异不大。同时由图6 可知，在东方红广场、西关什字、西站什字等商业用地比例较大的区域，影响力度却较小，这说明增加地铁站点附近的商业用地，可有效减少SE出行。

图6 商业用地比例回归系数空间分布Fig.6 Spatial patterns of commercial density's coefficient

对于SC、SCPE、SE-ups和SE-offs，住宅用地比例具备显著的正向影响，如图7所示。系数均值分别为0.247、0.302、0.276 和0.228，从系数绝对值来看，住宅用地比例对SC和SE-offs方式的影响强度在所有变量中居中，对SCPE和SE-ups方式的影响强度较大。从系数空间分布来看，SC 和SE-offs 方式对住宅用地比例更为敏感，影响程度会随着地理空间的变化而变化，这也暗示兰州市职住分离度较高。对SCPE方式的影响强度由地铁线路两端向市中心逐渐减小，导致该现象的一个可能原因是市中心区域公共交通网络完善，居民选择公共交通出行的概率更高。

图7 住宅用地比例回归系数空间分布Fig.7 Spatial patterns of residential density's coefficient

其他用地比例要素显著且负向影响SC、SCPE和SE 方式，这意味着有效开发市内其他用地会带来更多的出行量，空间分布如图8所示。其他用地比例对出租车与地铁竞合关系的影响模式体现了出行方式对区域经济发展程度较为敏感。

图8 其他用地比例回归系数空间分布Fig.8 Spatial patterns of other land use's coefficient

4 结论

本文采用考虑空间异质性尺度差异的MGWR模型探究建成环境对出租车与地铁竞合关系(SC、SCPE和SE方式)影响的空间分布特征及其尺度效应，研究结果表明：

(1)基于网格内SC、SCPE 和SE 出行次数(次·日-1)，运用Moran's I 检验表明SC、SCPE 和SE方式的空间分布具有明显的空间异质性，且SC、SE方式随着空间分布位置离散，空间差异增大，SCPE 方式则随着空间分布位置的聚集，其相关性越显著。

(2)相较于GWR模型，考虑空间异质性尺度差异的MGWR考虑了不同建成环境变量对不同形式竞合关系影响的尺度效应，产生更精确的局部参数估计，估计结果更为可靠。对于SC、SCPE、SE-ups及SE-offs 方式解释能力分别提升了8.7%、12.8%、13.3%及12.3%，残差的Moran' I 分别仅为-0.012、0.120、-0.015、-0.013，更好地刻画了城市建成环境变量对出租车与地铁竞合关系影响的空间异质性及尺度效应，有助于城市管理者从特定尺度层面优化建成环境、改善居民出行结构。

(3)各个自变量对SC、SCPE 及SE 方式的影响机制各不相同，且具有明显的地域差异。结果表明，SC、SCPE 及SE 方式均对公交站点密度非常敏感，且存在很强的空间异质性。对于SC方式，其他存在空间异质性的影响因按其空间尺度由小到大分别为道路密度、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为较大尺度的变量，系数在空间上较为平稳；对于SE方式则为土地利用混合度、住宅用地密度、其他用地密度、商业用地密度和道路密度，其中商业用地密度和道路密度为全局尺度的变量，空间异质性很弱；对于SCPE方式，道路密度和住宅用地密度为较大尺度的变量，其他用地密度为全局尺度的变量。所有影响要素中公交站点密度是对SC、SCPE及SE方式影响强度最强的要素，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)，其他用地密度的影响最弱。

(4)由于城市建成环境要素对SC、SCPE、SE出行的影响存在空间异质性及尺度差异，使得城市规划者和交通管理者可以根据不同区域各建成环境影响程度的空间差异，因地制宜地提出更有针对性的改善或优化策略，进而优化城市布局、促进出租车与地铁协调发展、引导居民绿色出行。