空间异质性视角下常规公交客流影响因素

刘炜， 董傲然， 袁浩， 皮钰鑫， 朱彤*

(1.西安市城市规划设计研究院， 西安 710082； 2.长安大学运输工程学院， 西安 710064；3.青岛市市政工程设计研究院有限责任公司， 青岛 266100； 4.深圳市城市规划设计研究院有限公司， 深圳 518030)

近年来，随着中国城市化程度的提高，城市面积蔓延式扩张，居民通勤交通中大规模、长距离出行大幅增长。常规公共交通作为最为基础的公共交通模式，在城市交通系统中承担着主要的客流运输功能，而城市建成环境的复杂性决定了常规公交的出行分布情况，不同的城市建成环境对常规公交客流量的影响存在空间异质性，所以从空间角度明晰建成环境对于出行强度的影响机理显得尤为重要。

区别于自然环境，城市建成环境是指为人类活动需求而建设配置的人为环境，通常包含土地利用、城市设计与交通系统三部分[1]。国内外学者从不同的角度探究了城市建成环境对居民交通出行的影响，主要集中在城市建成环境对出行特征的影响机理方面。

国内外学者对城市建成环境与出行方式选择的互动关系研究较早。Zhang[2]研究发现居住与工作地人口密度均对公共交通、非机动车通勤出行有重要的正向影响；孙斌栋等[3]研究发现居住地人口密度、土地利用混合度与十字交叉口比的提高，可有效减少居民小汽车通勤出行方式选择；出行频率与居住地建成环境密切相关，但建成环境对不同交通出行方式下的出行频率影响还存在一定争议。Cervero等[4]研究发现随着居住地街道密度与连接度的提高，能够显著增加居民选择非机动车出行的频率；Chakour等[5]研究发现公交基础设施对公交出行率的影响要远大于土地利用变量，改善公共交通服务与交通便利性将是吸引公交出行的最有效措施；Tu等[6]研究发现常规公交、轨道交通、出租车出行需求均受到就业、土地利用混合度、道路密度的显著影响；Ma等[7]探究了城市建成环境对公交客流影响的时空规律，发现建成环境对公共交通出行的影响存在明显的时空异质性；甘佐贤[8]研究发现人口密度、商店购物数量、商业办公用地面积比例与公交线路数量对轨道交通站点客流的影响程度具有明显的空间异质性。城市规模与功能布局对居民出行时间、出行距离有重要影响，不同交通出行方式对其影响也较为显著。Sun等[9]研究发现提高区域人口密度、城市多中心性发展对居民通勤出行时间呈负向影响，即紧凑的、多中心的城市建成环境可有效缩短居民通勤出行时间；Zhu等[10]研究发现城市化率与人口密度的提高将导致居民通勤时间增加，并且人口密度对低收入人群的影响要大于高收入人群；尹超英等[11]研究发现土地利用混合度、公交站点密度、交叉口密度与通勤出行时间、出行距离均呈现显著负相关效应，而距CBD的距离仅与居民通勤距离呈显著正相关。

现有文献已经广泛验证了城市建成环境对交通出行的影响，但国内外学者针对建成环境评价以及对交通出行的影响机制有着不同的理解，没有形成一致性的确定结论。结果差异的主要原因在于不同学者针对交通出行与建成环境关系研究选择的空间尺度不同，以及城市不同空间位置的建成环境差异导致的公交出行行为选择具有的空间异质性问题。

不同区域的交通出行及建成环境一般都存在空间效应(空间依赖性与空间异质性)，若忽略空间效应的影响会导致模型估计有偏且缺乏解释力度。空间异质性是指影响因素对于因变量影响程度与方向，随着空间位置的不同而存在显著差异，在模型中体现为回归参数的差异。地理加权回归模型(geographically weighted regression, GWR)可有效量化空间异质性，是应用最为广泛的模型[12]，已被广泛应用于交通客流预测[13]、交通安全[14]、交通拥堵状况[15]等交通领域。学者们常采用GWR及其衍生模型，如时空地理加权回归模型(GTWR)、半参数地理加权回归模型(SGWR)等局部回归方法，与全局回归模型进行对比研究，综合考虑建立多种回归模型探究各模型的优劣，并着重分析局部模型独有的空间结果。但上述方法均忽略了不同影响因素的空间异质性尺度差异多尺度空间异质性问题，导致参数估计结果存在偏差，对空间异质性的解释有局限性，而多尺度地理加权回归模型(multiscale geographically weighted regression, MGWR)允许每个变量具有各自不同的空间平滑水平，具备带宽特异性，解决了传统GWR模型的缺陷，可以很好地解释变量间的多尺度空间异质性问题。

综上所述，现有文献已经广泛验证了城市建成环境对交通出行的影响，但并未彻底解决各建成环境与其条件关系在不同空间尺度上的变化问题，现拟应用多尺度地理加权回归模型，以青岛市主城区为例，研究建成环境与常规公交客流量的空间异质性关系，深入剖析城市建成环境对常规公交客流量的空间异质性影响机理。以期为城市规划、交通规划等决策提供理论依据与实践指导。

1 数据来源与变量选择

1.1 研究区域概况

选择青岛市主城区为研究区域，范围涵盖了城市5个片区。考虑到交通小区内部建成环境丰富性与数据可操作性，将研究区域划分为595个1.5 km×1.5 km的地理网格作为基本研究单元，具体如图1所示。

图1 研究范围Fig.1 Research scope

1.2 数据来源与变量选择

选择早高峰(6:30—8:30)、晚高峰(16:30—18:30)时段的常规公交站点上车客流量作为因变量，常规公交数据包括GPS数据、IC卡数据、公交线路与站点，其中通过GPS数据、IC卡数据挖掘常规公交站点客流[16]，公交线路、站点的静态数据通过高德地图开放平台获取，数据主要包括站点名称、站点经度、站点纬度、线路名称等信息。在对数据进行预处理后，共有303个研究单元有常规公交客流发生，后续以此为研究区域。以X轴表示东西方向，Y轴表示南北方向，Z轴为研究单元的常规公交客流量，绘制常规公交站点客流的空间分布规律图，如图2所示。从流量值在Z-X和Z-Y平面上的投影可以看出，常规公交客流南北向与东西向的变化程度明显不同，东西向呈倒“U”字形分布，曲线较为平缓，公交客流变化程度较小；而南北向曲线较为陡峭，变化程度较大，表现出明显的常规公交客流南北空间差异。

图2 常规公交站点客流空间分布图Fig.2 Spatial distribution map of passenger flow at regular bus stations

建成区环境数据来源为高德地图开放平台与Open Street Map，通过融合多源数据进而度量建成环境变量，部分建成环境数据空间密度如图3所示。

图3 建成环境数据空间密度图Fig.3 Spatial density map of built environment data

其中，密度、土地利用多样性、公交邻近度、需求管理要素的原始数据来源为高德地图开放平台，利用网络爬虫技术通过高德地图提供的API接口获取兴趣点(point of interest, POI)、兴趣面(area of interest, AOI)数据、公交线路与站点数据；目的地可达性要素的原始数据来源为高德地图开放平台，通过高德地图提供的坐标拾取器功能获取各CBD的坐标信息，并利用ArcGIS计算各研究单元距CBD的距离；城市设计要素的原始数据来源为Open Street Map网站，通过Open Street Map获取城市道路数据，交叉口数据通过ArcGIS计算得到。遵循数据可获取性、科学性、系统性等原则，变量描述如表1所示。

表1 建成环境变量描述Table 1 Description of built environment variables

其中，土地利用多样性通常以土地利用混合度表示,其值越高,表示区域内用地类型越丰富。选择住宅、购物、商务办公与科教文卫用地的混合程度表征土地利用混合度。土地利用混合度公式为

(1)

式(1)中：Hj为研究单元j内的土地利用混合度；Nj为研究单元j内用地类型数量；pij为第i类用地在研究单元j内的占比；n为用地类型总数。

2 模型构建

多尺度地理加权回归模型(MGWR)是从地理加权回归模型(GWR)发展而来，其基本公式[17]为

(2)

式(2)中：yi与xik分别为因变量y和自变量xik在样本点i处的观测值；β0(ui,vi)为第i个样本点的常数项；βk(ui,vi)为自变量k在样本点i处的回归系数；εi为随机误差。

GWR未揭示全局变量在空间范围内的差异及作用尺度，为此Fotheringham等[18]在GWR模型的基础上提出了MGWR，后续Yu等[19]与Oshan等[20]分别对该模型的统计推断方法进一步探索与完善，MGWR对于每个自变量使用各自最优的宽带进行回归，从而解决了不同作用尺度问题。公式为

(3)

式(3)中：βbw0(ui,vi)为样本点i最优带宽下的截距；βbwk(ui,vi)为自变量k在样本点i处的回归系数；下标bwk为自变量k回归系数使用的带宽；εi为随机误差。

MGWR的每个回归系数βbwk都是基于局部回归得到的，且带宽具备异质性，这也是与GWR的最大不同。MGWR模型核函数选择二次核函数，带宽选择准则使用AICc准则。参与对比的GWR模型参数估计采用加权最小二乘法，MGWR模型采用后退拟合算法(back-fitting algorithm)进行拟合估计，该方法需要对MGWR模型中的各系数进行前期初步估计，即对所有平滑项进行初始化设置[21]。选择以GWR估计作为初始估计方法。在确定初始化设置后，计算真实值与初始化估计得到的预测值之间的差值，即初始化残差。计算公式为

(4)

(5)

式(5)中：RSSnew为这一步残差平方和；RSSold为上一步残差平方和。

3 实例研究

3.1 常规公交客流的空间演化特征

首先进行全局空间自相关检验，由表2可知，所有变量的莫兰指数Moran’s I>0，P<0.05，说明在95%的置信度下均存在显著空间正相关。此外，Z均大于1.96，意味着各变量均存在空间聚集特征，符合建立GWR模型的条件[22]。

表2 Moran’s I测试结果

在全局自相关分析的基础上，依据各研究单元的邻接关系对常规公交客流进行局部空间自相关分析，生成局部自相关指标(local indicators of spatial association，LISA)聚集图。由图4可知，城市南部基本属于“高-高”(HH)聚类，仅有少部分区域为“低-高”(LH)聚类，说明该地区主要形成了常规公交客流高值集聚情况；北部部分区域属于“低-低”(LL)聚类，其他区域没有显著的聚类特征，呈随机分布。

图4 常规公交客流的LISA图Fig.4 LISA diagram of regular bus passenger flow

3.2 常规公交客流影响因素筛选

从备选自变量中筛选5%显著水平下分别对早、晚高峰常规公交客流影响显著的变量，作为GWR模型的解释变量进行后续分析，最终模型中包含了7个解释变量，逐步回归结果如表3所示。

表3 逐步回归结果Table 3 Results of stepwise regression

以上结果仅用于初步探究对常规公交客流影响显著的关键变量，而关键变量影响程度的空间异质性及影响机理后续通过GWR与MGWR模型进一步深入探究。

3.3 模型对比

表4 GWR与MGWR模型拟合优度对比Table 4 Comparison of goodness of fit between GWR and MGWR models

3.4 空间尺度分析

与GWR相比，MGWR最明显的优势在于它不仅在估计回归系数时考虑了各研究单元空间位置的差异，更是通过最优带宽顾及了不同形态指标在影响常规公交客流时的尺度效应。由表5可知，GWR模型和MGWR模型的变量在作用尺度在带宽方面有很大不同，GWR模型中的带宽为一固定值，早、晚高峰的带宽分别为160、163，占总样本数量的52.81%、53.80%，MGWR则能反映不同变量的差异化作用尺度，各变量的带宽差异较大，即不同建成环境变量的作用尺度差异很大。

表5 GWR与MGWR模型带宽对比

早、晚高峰中，距公交站点距离与停车场密度作用尺度均为302，表明两个变量对常规公交客流的影响基本相同，属于全局尺度，即不存在空间异质性；购物密度的空间尺度为301，也不存在空间异质性；医院密度早、晚高峰的作用尺度分别为295、254，占总样本的97.36%、83.83%，具有较小的空间异质性，土地利用混合度同医院密度表现相似；公交线路密度空间尺度分别为58、147，占总样本的19.14%、48.51%，具有较大的空间异质性，且早、晚高峰影响效应存在一定差异；学校密度空间尺度分别为59、54，占总样本的19.47%、17.82%，作用尺度均较小，属于明显的局部变量。上述说明学校密度与公交线路密度对常规公交客流的影响空间异质性明显，表现出强烈的局部空间效应。同时发现，带宽较小的学校密度与公交线路密度参数估计的标准差较大，这也证明了空间异质性的存在。

3.5 基于MGWR模型的影响因素空间异质性研究

MGWR模型的回归系数结果如表6所示。

表6 MGWR回归系数描述统计

3.5.1 学校、购物场所密度

全域回归系数均为正值(图5)，表明随着学校密度的增加，常规公交出行量也会随之增加。学校密度对常规公交客流的影响呈现明显的南北空间差异。

图5 学校密度估计参数空间分布Fig.5 Spatial distribution of school density estimation parameters

根据MGWR模型结果，可以把学校密度对常规公交客流的影响，根据其异质性分为三类，第一类在城市南部区域，由于该地区学校密度较大，学生通勤出行较多，且公交线网布设更为合理，对于学生群体常规公交吸引力高，更多的学校带动了常规公交出行需求，所以学校密度对常规公交客流起到显著的正向促进作用；第二类在城市中部区域，虽受到学校密度的影响，但影响程度远不及市南、市北区；第三类位于城市北部区域，对常规公交客流的促进作用较小，主要由于该地区公共交通基础设施建设较差，常规公交出行不便导致其竞争力较差，促使更多人选择出租车等更便捷的出行方式。

购物密度对常规公交客流的影响程度整体上呈现由南向北扩散性递减的趋势(图6)。与学校密度不同，购物密度与全域常规公交客流呈负相关效应，由于本文购物点选择为高德POI分类中的超级超市、购物中心、特色商业街等大型购物点，一般购物密度较大区域内多以服务类POI为主，用地类型较为单一，居住人口密度较低而且购物出行作为非通勤出行，出行时间具有较大的灵活性，导致购物密度对早高峰常规公交客流表现为抑制作用。

3.5.2 土地利用多样性

土地利用混合度回归系数跨度较小(图7)，土地利用混合度与常规公交客流全域均呈负相关效应；影响高值主要集中在南部、中部部分区域，因为该地区土地混合开发强度高且道路交通拥堵严重，慢行交通设施完善且区域内设有地铁线路，人们更倾向于选择慢行、轨道交通等出行方式，会对常规公交客流产生一定抑制作用。上述表明区域内土地利用混合度越高，越能满足较多人的出行需求，居民出行范围在一定程度上缩减，居民出行则更偏向步行、非机动车等慢行交通方式等，使常规公交客流有所减少。

图7 土地利用混合度估计参数空间分布Fig.7 Spatial distribution of degree of land use mix estimation parameters

3.5.3 公交站点距离、线路密度

距公交站点距离与常规公交客流全域均呈负相关效应(图8)。表明距公交站点越近，居民到公交站点的步行距离会有所减少，即公交出行便捷会促使更多居民选择常规公交出行方式，常规公交客流增加。距最近公交站点距离整体上对常规公交客流的影响强度较低，影响程度整体上呈现由北向南扩散性递减的趋势，且空间异质性不明显。上述表明，距最近公交站点距离直接影响居民交通出行决策行为，进而对常规公交客流产生了间接影响。

图8 距公交站点距离估计参数空间分布Fig.8 Spatial distribution of distance to bus stop estimation parameters

公交线路密度对常规公交客流的影响南北空间差异明显，且早、晚高峰的公交线路密度边际作用的空间变异特征存在较高的相似度(图9)。全域空间上均表现为对常规公交客流的正向促进作用，这说明合理增加公交线路密度能够显著提高常规公交客流。影响程度整体上呈现由南向北扩散性递减的趋势，尤其对公交线路密度较大的南部区域常规公交客流的影响最为显著，主要由于该地区人口与企业密度高，同时较高的公交线路密度一定程度上反映了常规公交的便捷程度，高水平的公交服务可以吸引更多的常规公交出行需求，公交客流会相应增加。而城市外围区或郊区道路密度低导致公交覆盖率差，常规公交出行受限，故人们更倾向于便捷的出租车、私家车等方式出行，所以对常规公交客流的促进作用相较于其他区域有所降低。

图9 公交线路密度估计参数空间分布Fig.9 Spatial distribution of bus line density estimation parameters

此外，停车场密度对早、晚高峰常规公交客流影响程度的空间分布形态相似(图10)，全域空间均表现为对常规公交客流的正向影响，这与前人研究结果基本一致。

影响程度整体上呈现由南向北扩散性递减的趋势，但回归系数跨度较小；影响高值主要分布在市中心、南部，因为停车场密度大的地区，一般位于市中心，多为居住聚集地或工作岗位聚集地等，由于居民出行需求较大，导致停车位严重供应不足，居民会更倾向于选择公共交通出行，常规公交客流会有所增加，所以停车场密度对常规公交客流起到明显的促进作用。

图10 停车场密度路密度估计参数空间分布Fig.10 Spatial distribution of parking lot density estimation parameters

4 结论

常规公交出行受到城市建成环境影响，但是不同建成环境变量对常规公交客流量的影响程度不同，同一建成环境变量对常规公交客流量的影响程度在不同空间位置也存在较大差异。因此，融合城市主城区的常规公交GPS数据、IC卡数据及网络开放平台数据，探究城市建成环境对常规公交客流量的影响机理，得到以下结论。

(1)从模型拟合效果来看，MGWR模型相较于GWR模型表现更好；对比GWR与MGWR模型带宽发现，MGWR模型考虑了不同建成环境变量对常规公交客流量影响的尺度效应，能更好地解释建成环境与常规公交客流量的多尺度空间异质性问题，具备更精确的局部参数估计。

(2)不同类型的城市建成环境对常规公交客流量的影响不同且存在空间差异。学校密度、公交线路密度和停车场密度对早、晚高峰的常规公交客流均有显著正向影响，购物密度、土地利用混合度、距公交站点距离对早、晚高峰的常规公交客流均有显著负向影响，这与以往研究结论一致。此外，还发现公交邻近度要素中的公交线路密度、密度要素中的学校密度对常规公交客流影响程度较大且具有明显的空间异质性，意味着具有高密度、良好公交可达性的建成环境有利于引导居民选择常规公交出行，上述异质性在以往研究并未发现，这与所先用模型有关。

(3)由于城市建成环境对常规公交客流量的影响程度存在空间异质性，因此在城市规划、交通规划中可以根据不同区域各建成环境影响程度的空间差异，因地制宜地提出改善或优化策略，从而使决策更加具有针对性。

(4)仅研究了工作日早、晚高峰时段的常规公交客流量，没有结合各个时间维度对影响因素的时空异质性展开分析，在后续的研究中可以考虑将时间维度纳入模型；由于建成环境度量指标众多，对于自变量还有进一步选取及拓展的空间。