建成环境和出租车需求对网约车出行需求影响的时空间分异模式

马健霄，赵飞燕，尹超英，汤文蕴

(南京林业大学，汽车与交通工程学院，南京 210037)

0 引言

随着共享经济理念与信息技术的不断成熟，网约共享出行逐渐成为交通运输行业的重要组成部分。网约车通过网络预约提供按需服务的出行方式，可显著降低车辆空驶率、空驶距离和乘客平均等待时间，已逐渐成为城市居民的重要出行方式之一[1-2]。快速发展的网约车为居民提供高可达性服务的同时也与传统交通出行方式形成竞争，违背了网约车作为城市公共交通补充的最初目标。城市建成环境作为交通出行需求的关键影响因素，对传统出行方式产生显著影响，而对网约车的出行需求是否有积极作用仍不明确。因此，分析建成环境对网约车的影响机制有助于进一步完善建成环境和出行行为的互动机理。

由于土地利用与交通需求之间的本源性关系，众多学者围绕建成环境与交通出行交互机理展开了一系列研究。例如，杨励雅等[3]探究居住区建成环境与不同目的出行行为之间的关系，结果证实了建成环境对不同目的出行行为的影响具有显著差异性。YIN 等[4]利用梯度提升决策树模型，研究建成环境与不同目的步行出行之间的关系，结果表明，建成环境对目的性步行具有更大的预测力，社会人口统计对休闲步行更为重要。对于建成环境对不同出行方式选择的影响，尹超英等[5]利用多层Logistic模型，以长春市居民出行调查数据为例，展开实证研究，结果显示，土地利用混合度作为建成环境特征中的关键要素，对居民非机动化出行及公交出行比例的影响最为显著。SUN 等[6]基于上海市问卷调查数据研究建成环境对通勤方式选择和距离的影响，结果显示，居住地建成环境对居民通勤方式选择影响更为显著。以建成环境对出行时间的影响为研究对象，吴静娴等[7]研究建成环境各要素对老年人慢行出行时间影响程度，并发现了两者之间的非线性关系。ZHOU等[8]根据深圳市家庭出行特征调查，研究城市扩张趋势和出行行为变化以及建成环境对出行行为的动态影响，结果发现，随着通勤距离和出行距离增加，出行时间仍保持显著稳定，表明公交可达性与出行时间呈负相关关系。

作为一种新兴出行方式，网约车出行需求与建成环境的关系也受到了众多学者的关注。在探究建成环境对网约车出行需求影响方面，SABOURI等[9]利用美国24个不同地区Uber出行数据，研究建成环境对网约车出行需求的影响，结果表明，网约车出行需求与土地利用混合度和公交站点密度呈正相关关系，与交叉口密度和目的地可达性呈负相关关系。ZHANG等[10]分析网约车出行需求与兴趣点密度之间的关系发现，交通设施密度对网约车出行需求影响最大。GHAFFAR等[11]利用芝加哥网约车出行数据，在人口普查区层面研究影响网约车出行需求的因素，结果表明，网约车出行需求和公共交通出行需求之间存在非线性关系。此外，为探究建成环境与网约车出行需求互动关系之间的空间特征属性，众多学者通过全局模型和空间计量模型等开展了一系列研究。例如，DEAN等[12]利用空间自回归和空间误差模型反映空间自相关效应，并以普通最小二乘法(Ordinary Least Squares,OLS)作为对比，探究土地利用变量与网约车出行之间的空间相关性。YU等[13]使用结构方程模型捕捉建成环境与网约车出行需求之间的作用关系发现，建成环境对网约车出行需求影响显著，且具有时间异质性。上述模型仅能捕捉解释变量在空间上的全局尺度和部分空间变化效应，无法反映空间数据关系中的异质性或非平稳性特征。为进一步理解解释变量和网约车出行需求互动关系中的空间异质性，WANG 等[14]运用地理加权回归模型(Geographically Weighted Regression,GWR)分别研究在早高峰、晚高峰和深夜时段影响网约车出行需求的关键因素。YU等[15]运用地理加权泊松回归模型 (Geographically Weighted Poisson Regression,GWPR)，捕捉建成环境对网约车出行需求的空间异质性，结果表明，网约车出行需求与建成环境变量之间有着密切关系，且在空间上存在显著差异。

综上所述，现有研究多关注建成环境和网约车出行需求互动关系中时间异质性或空间异质性的单一维度效应，未在统一的模型框架下捕捉建成环境对网约车出行需求的时空异质性影响，基于单一维度的研究难以全面刻画建成环境对网约车出行需求的影响；此外，传统的GWR族模型在对建成环境和网约车出行需求建模时未甄别解释变量对因变量的影响是否存在空间异质性，而假定所有解释变量均为局部变量，即所有解释变量均对因变量具有空间异质性影响，当模型中同时包含未有显著空间差异影响的全局变量和局部变量时，传统的GWR 族模型会导致估计结果的偏倚[16]；且现有研究中多忽略了出租车和网约车之间的竞合关系，出租车和网约车作为城市公共交通系统的重要补充，两者之间存在显著关联，未有效剥离出租车出行需求的影响，难以准确刻画建成环境和网约车出行需求之间的互动关系。

基于此，本文考虑出租车出行需求的影响，构建同时容纳局部变量和全局变量的半参数地理加权回归模型(Semi-parametric Geographically Weighted Regression,SGWR)，研究建成环境对网约车出行需求的空间异质性影响，并结合两者的时变关系，针对出行需求的高峰和平峰时段，探究建成环境对网约车出行需求的影响如何随着时间和空间的变化而变化，为通过城市和交通系统规划角度优化网约车供需匹配提供理论支撑。

1 研究区域与数据来源

1.1 研究区域

以南京市主城区为研究区域，网约车运营订单数据为研究数据，研究区域包括鼓楼区、玄武区、建邺区、秦淮区、栖霞区及雨花台区6个市辖区，将其划分为1 km×1 km 的网格，经过筛选后得到557 个研究单元，如图1所示。

图1 研究区域Fig.1 Study area

1.2 网约车与出租车出行数据

选取2022 年4 月13 日(周三)南京市主城区的网约车和出租车运营订单数据，该数据来源于南京市交通运输局的官方监管平台，包含：订单编号、上下车时间、订单起讫点经纬度、载客里程、载客时间及支付金额等多个字段属性。首先，预处理原始数据，删减与研究内容无关的字段属性，仅保留“上车时间”“下车时间”“车辆出发经度”“车辆出发纬度”“车辆到达经度”“车辆到达纬度”这6 个字段；其次，剔除缺失上下车时间、缺失经纬度坐标及经纬度坐标在研究范围之外的订单数据；最后，剔除单次出行时间小于2 min 和大于2 h 的订单数据。得到224781 条有效网约车出行数据和44034 条出租车出行数据。网约车和出租车出行需求量时间分布如图2所示。

图2 网约车和出租车出行需求量时间分布Fig.2 Time distribution of ride-hailing and taxi travel demand

由图2可知，出行需求量的早晚高峰分别出现在8:00 和18:00，无明显的午高峰，因此，在时间维度上，选择7:00-9:00 和17:00-19:00作为早晚高峰时段，11:00-13:00作为平峰时间段进行研究。不同时段网约车和出租车出行需求量描述性统计如表1所示。

表1 网约车和出租车出行需求量描述性统计Table 1 Descriptive statistics of ride-hailing and taxi travel demand

1.3 建成环境数据

研究所使用的南京市建成环境数据通过密度(Density)、设计(Design)、多样性(Diversity)和公共交通临近度(Distance to transit)这4个维度刻画[17]。密度可通过人口密度进行描述，根据LandScan 全球人口动态数据计算各网格内人口总数与网格面积的比值得到人口密度。设计通过道路密度表征，利用OpenStreetMap 开源地图获取南京市路网数据，通过计算各网格内道路长度与网格面积之比得到道路密度。多样性考虑12 种兴趣点(公司企业、购物服务、金融机构、酒店住宿、科教文化、旅游景点、商务住宅、休闲娱乐、医疗设施、运动相关、政府机构及汽车相关)和土地利用混合度，通过高德API(Application Programming Interface)提取并分别计算得到网格内每类兴趣点的数量。土地利用混合度通过熵指数进行计算[5]，即

式中：Ej为网格j的土地利用熵指数；Ajh为网格j中第h类用地所占的比例；Hj为网格j中包含的用地类型数量。公共交通临近度考虑公共交通站点数量和可达性，通过高德API接口提取南京市公交和地铁站点数据，分别计算网格内公交和地铁站点数量。公共交通可达性借助ArcGIS软件的质心工具和近邻分析工具计算得到研究区域内网格质心点到最近公交和地铁站点的欧式距离。建成环境变量描述性统计如表2所示。

表2 建成环境变量描述性统计Table 2 Descriptive statistics of built environment variables

2 模型构建

2.1 空间相关性检验

空间相关性检验可以反映某空间单元与周边的关联程度，以分析其在空间上的分布特征，常用的统计量为全局莫兰指数(Global Moran's I)，即

式中：n为空间单元(网格)的数量；i为第i个网格，i=1,2,3,…,n；k为第k个解释变量；xik和xjk分别为解释变量k在第i个和第j个网格处的值；为解释变量k的均值；wijk为第i个和第j个网格之间的空间权重。I取值一般在[-1,1]之间，I ＞0，表示呈空间正相关；I ＜0，表示呈空间负相关；I=0，表示空间呈随机性。

莫兰指数的零假设为解释变量是随机分布的，Z值通常作为莫兰指数统计量检验零假设的显著性指标，Z检验描述为

式中：E(I)和Var(I)为莫兰指数的期望和方差，本文的显著性水平设置为P小于0.1[15,18]，即当Z大于1.65 或小于-1.65 时，则认为莫兰指数结果拒绝零假设，在空间分布上不是随机的。

2.2 SGWR模型构建

SGWR 模型结合全局模型和传统的GWR 模型，全局模型认为变量在空间上都是稳定的，不随空间位置的变化而改变，得到的回归结果在整个研究区域内是固定的。全局模型通过OLS模型表达，描述为

式中：yi为第i个网格因变量的值；l为第l个解释变量；zil为解释变量l在第i个网格中的值；β0为截距项；γl为解释变量l的回归系数；εi为第i个网格处的误差项。

实际上，各变量在地理位置上会产生变化，有必要采用局部回归方法应对空间数据自身的这种属性。传统的GWR模型在研究区域的每个网格中均建立一个描述局部关系的回归模型，可以减少空间非平稳造成的误差，有效解释影响因素的空间异质性[14]。GWR模型描述为

式中：(ui,vi)为第i个网格质心的地理坐标；β0(ui,vi)为截距项；βk(ui,vi)为解释变量k的局部回归系数。

SGWR 模型结合解释变量在地理上的局部变化项和全局固定项，可以同时反映回归关系的空间全局性和空间非平稳性[16]，当同时存在全局变量和局部变量时，SGWR 模型相比于传统的GWR 模型更为适合。SGWR模型描述为

可以通过局部加权最小二乘法估计βk(ui,vi)，估计方法为

则βk(ui,vi)在(ui,vi)处的局部加权最小二乘估计值为

式中：X为解释变量矩阵；Y为因变量矩阵；w(ui,vi)为空间权重矩阵，本文使用自适应双平方核函数计算方法定义空间权重矩阵，其数学表达式为

式中：wij为网格i和j之间的空间权重；dij为网格i和j之间的欧式距离；为网格i和相邻网格j的最近距离。本文使用黄金分割方法得到最优的带宽，并通过校正后的赤池信息量准则(AICc)值评估模型结果，并避免过度拟合。

3 结果与分析

3.1 全局莫兰指数结果

解释变量之间的全局莫兰指数计算结果如表3所示，莫兰指数和Z值均为正，表明所有解释变量在空间分布上成集聚状态，有必要建立局部回归模型进行分析。其中，土地利用混合度的莫兰指数显著低于其他变量，且Z值小于1.65，表明该变量在空间分布上具有随机性，因此，将土地利用混合度作为全局变量，其余变量作为局部变量进行研究，从而选择SGWR 模型进行研究地理数据的空间异质性更为合理。

表3 全局莫兰指数计算结果Table 3 Result of Global Moran's I calculation

3.2 SGWR模型结果

为探究城市建成环境对网约车出行需求的时空异质性影响，将网约车出行需求作为因变量，出租车出行需求和建成环境数据作为解释变量，求解SGWR 模型，同时，对比OLS 和传统的GWR 模型。其中，OLS 模型利用ArcGIS 软件进行求解，GWR 和SGWR 模型利用NAKAYA 等[19]开发的GWR4软件进行求解。模型结果对比如表4所示，相较于OLS模型和GWR模型，SGWR模型的AICc值明显较小，且差值大于4，分别在早晚高峰和平峰时段下降了2.44%与0.15%，4.01%与0.30%，1.89%与0.27%；SGWR 模型的AdjustedR2最高，相较于OLS 模型和GWR 模型在3 个时段分别提高了6.52%与0.11%，8.02%与0.55%，2.75%与0.11%，表明SGWR模型对数据具有更好的解释力和拟合优度。

表4 模型结果对比Table 4 Comparison of model results

SGWR模型局部变量的回归结果如表5所示，局部变量回归系数展现出的空间非平稳性和在不同时段对网约车出行需求产生的不同变化关系说明，建成环境对网约车出行需求影响具有时空异质性。出租车出行需求在早晚高峰和平峰时段对网约车出行需求均为正向影响，这是因为在政策监管下，网约车进入市场促进了出租车行业的改革，两者从竞争格局不断发展成为合作关系[20]。人口密度回归系数的差异程度几乎为零，说明人口密度对网约车出行需求的影响在空间上变化不大，空间非平稳性较弱。道路密度在早高峰和平峰时段整体呈负向影响，而在晚高峰时段呈正向影响。公司企业、金融机构、酒店住宿、商务住宅、休闲娱乐及运动相关等POI对网约车出行均为正向影响，与既有研究结论一致，高密度的POI设施往往会产生更多的网约车出行需求[21]。旅游景点对网约车出行的影响均为负，可能是因为旅游景点一般距离公共交通站点较近，出行便利，因此，对网约车出行具有抑制作用。公交站点数量和公交可达性对网约车出行需求的影响为正，而地铁站点数量和地铁可达性对网约车出行需求的影响为负，且回归系数的差异程度明显，具有较强的空间非平稳性。文献[9]证实了公交和网约车之间的正向关系，因为公交站点密集区域往往会产生更多的出行需求，吸引网约车在此提供出行服务。此外，考虑到出行时间和成本的影响，相较于网约车，城市居民更倾向于地铁出行[14]。

表5 SGWR模型局部变量回归结果Table 5 SGWR model local variable regression results

SGWR模型全局变量的回归结果如表6所示，全局变量的回归系数是固定的，不随空间位置的变化而变化。文献[11]发现土地利用混合度与网约车出行需求之间的正向关系，而SGWR 回归结果显示，土地利用混合度对网约车出行需求的影响在早晚高峰时段显著，且为负向影响，因为高土地利用混合度的建成环境可能更适合慢行交通出行，从而对网约车出行需求具有抑制作用[14]，这种负相关关系在一定程度上捕捉到了土地利用混合度对出行方式选择的潜在影响。

表6 SGWR模型全局变量回归结果Table 6 SGWR model global variable regression results

3.3 空间格局分析

选取出租车出行需求、公司企业及公交站点数量这3 个解释变量分析不同时段SGWR 模型回归系数的时空异质性，利用ArcGIS 软件可视化表达模型估计结果。

出租车与网约车之间在不同时段均呈现为正相关，回归系数整体上从市中心逐渐向外围增加，呈现边际递增效应，如图3所示。在区域D，出租车对网约车出行需求的影响最小，可能是因为该区域为南京市主要高校所在地，网约车通过网上预约的方式提供出行服务更受大学生青睐。此外，区域D有多个商业步行街，步行条件良好，多条地铁线路途经，公共交通设施完善，加之巡游揽客的方式成本较高，减少了出租车在该区域提供服务的可能，削弱了出租车和网约车之间的作用关系。在区域E 和区域F，出租车与网约车之间的正向关系在早高峰时段最为显著，晚高峰时段也存在着较强的联系，可能是因为区域E和区域F在工作日通勤时段出行需求稳定，且需求较高，而该区域公共交通可达性差，设施相对不完善，刺激着更多出租车和网约车出行需求的产生。

图3 出租车出行需求回归系数空间分布Fig.3 Spatial distribution of taxi travel demand regression coefficients

公司企业对网约车出行需求的影响在不同时段呈现为正相关，说明网约车在日常通勤中具有重要作用，如图4 所示。在区域E，早晚高峰时段，公司企业和网约车之间均呈现出较为明显的正向关系，说明高密度的就业岗位会产生更多网约车出行需求。在区域F，晚高峰时段，公司企业对网约车客流的影响明显比早高峰更为显著，由于区域F高新技术产业集中，区域功能相对单一，受早晚高峰不同的通勤出行影响呈现出潮汐效应。区域C 除商务办公区外有多个住宅小区，而与区域F呈现出相似的潮汐效应，该区域职主分离可能是产生这一现象的主要原因。

图4 公司企业兴趣点回归系数空间分布Fig.4 Spatial distribution of companies regression coefficients

公交站点数量和网约车之间在不同时段始终为正向关系，且存在高度的空间异质性，如图5 所示。可能是由于网约车补充公交出行，解决出行“最后一公里”问题而产生的现象。在区域B 和区域C与区域D交界处附近，公交站点数量对网约车出行需求的正向影响在晚高峰和平峰时段最为显著，该区域位于市中心新街口，是南京市综合体商圈，人员复杂密集，会产生不同的出行需求，因此，在公交设施较为完善的情况下吸引着网约车出行。

图5 公交站点数量回归系数空间分布Fig.5 Spatial distribution of bus stops regression coefficients

3.4 交通规划与网约车配置建议

基于时空异质性的研究结果，对城市规划者和交通政策制定者因地制宜地提出具有针对性的改善或优化策略具有一定的实践意义，可为优化城市布局，促进网约车与出租车和公交协调发展提供理论依据。研究表明，出租车与网约车之间在不同时段均呈现为合作关系，且回归系数整体上从市中心逐渐向外围增加；考虑到郊区出行密度较低，传统出租车的巡游揽客方式在此处接单成本较高，因此，可在郊区配置更多网约车，满足郊区居民的出行需求。此外，常规公交与网约车之间也呈现为合作关系，尤其是在早晚高峰时段，两者的合作关系更强，有必要进一步完善公交网络，提高公交服务水平，吸引其他方式通勤者使用公共交通通勤。

4 结论

为全面刻画建成环境和网约车出行需求之间的互动关系，本文基于时间和空间两个维度，考虑出租车出行需求的影响，构建可同时容纳局部变量和全局变量的SGWR模型，探究建成环境对网约车出行需求的时空异质性影响，研究结果表明：

(1) 相较于OLS 模型和传统的GWR 模型，SGWR模型更具解释力和优越性，表明在研究建成环境对网约车出行需求的影响时，同时考虑全局固定项和局部变化项是必要的。

(2)局部变量的回归结果显示，出租车出行需求在不同时段对网约车出行需求的影响均为正相关，建成环境变量对网约车出行需求影响具有时空异质性，其中，人口密度的空间非平稳性较弱。全局变量的回归结果显示，在早晚高峰，土地利用混合度对网约车出行需求的影响为负相关。

(3)通过刻画租车出行需求、公司企业和公交站点数量对网约车出行需求影响的时空分布特征发现，在公共交通服务不完善的区域，出租车网约车之间往往存在更强的联系；反之，两者之间的正向关系则更弱。网约车在日常通勤中担任重要角色，公司企业越密集，网约车出行需求越高。网约车司机更倾向于在公交站点密集区域提供出行服务，加之居民选择公交结合网约车出行的通勤方式，促使更多网约车出行需求在公交站点周边产生。