,1,2, 杨星斗1,2, 戴特奇,1,2The spatiotemporal pattern of taxi ridership and its generation mechanism in Beijing
SHI Nianfang,1,2, YANG Xingdou1,2, DAI Teqi,1,2通讯作者:
收稿日期:2020-07-10接受日期:2020-12-23网络出版日期:2021-06-10
| 基金资助: |
Received:2020-07-10Accepted:2020-12-23Online:2021-06-10
作者简介 About authors
施念邡（1998-）,女,云南昆明人,主要研究方向为交通地理。E-mail:
摘要
关键词：
Abstract
Keywords：
PDF (11941KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
施念邡, 杨星斗, 戴特奇. 北京市出租车运量分布的时空格局及生成机制. 地理研究[J], 2021, 40(6): 1667-1683 doi:10.11821/dlyj020200652
SHI Nianfang, YANG Xingdou, DAI Teqi.
1 引言
出租车是一种特殊的交通方式,它虽然是公共交通,但缺乏公共汽车、地铁等公交方式规模经济的优点,具有一定的负外部性[1,2]。政府对出租车实行了价格、数量等多种特定空间范围的管制措施[3],但这些管制措施往往停留在区县尺度,缺乏对出租车活动时空变化的精细考虑。随着大数据时代的到来,交通大数据为在更精细的时空粒度上研究交通问题提供了可能[4,5]。在出租车领域,通过车载全球定位系统（GPS）得到的轨迹数据具有覆盖范围广、位置精度高、采样间隔小等优点,在交通研究和城市规划研究中得到了广泛应用。近年来,许多文献利用出租车轨迹数据进行了社会感知方面的研究,具体的研究领域包括识别城市空间结构[6,7,8,9,10]、诊断交通问题和优化交通组织[11,12]、识别居民出行模式[13,14,15,16,17,18]等。
出租车运量的生成机制研究是出租车轨迹数据研究的重要内容之一,对于规划和管理具有重要意义。在传统研究分析框架中,通常会考虑土地利用、人口社会经济属性、交通特征等方面因子对运量的影响[19,20]。精细化是交通规划和管理的未来方向之一[21],需要在更细时间粒度上了解运量的空间分布和生成机制。目前关于出租车运量生成的大数据研究中,已有文献在日均尺度上,引入地理加权回归（GWR）模型分析了出租车运量的空间分布特征及生成机制的空间变化[22]。也有文献考虑到运量在一天之内的生成机制也有所不同,关注了出租车运量的日内变化[23,24,25,26,27],但这些研究主要关注的是高峰期或次高峰期,且对高峰期的时段划分采用了预设的经验判断。
时段的划分本身也是一个关键的研究问题,但这一问题长期未得到文献的重视[28]。近期,出租车运量生成机制议题下,Li等对这一问题进行了探讨,在1小时时间片段的基础上,按出租车运量分布的相似性进行了时段聚类和划分[29]。但可能受限于数据可获取性,该研究在解释变量方面仅考虑了土地利用和人口密度。目前,出租车大数据的研究在时段划分上,主要是针对日平均[22,30]或基于1小时[29,31]粒度,还未见低于1小时粒度的研究,这可能导致更短时间尺度上的运量分布特征被掩盖。
本文将采用出租车GPS大数据,在更精细的时间粒度上刻画出租车运量的空间分布特征,并从土地利用、人口特征、交通设施3个角度选取变量来探索出租车运量分布的影响原因,以期辅助制定更精细的规划和管理措施。
2 数据来源与研究方法
2.1 研究区概况与数据来源
交通小区作为方便交通规划分析而划分的一种地理分区,相比其他类型的城市空间划分,它更强调城市交通运量的分布特征,是交通规划和研究中广泛应用的基本空间单元[27]。因此,本研究基于北京市五环内的交通小区（图1）展开,研究区共有交通小区584个,平均面积1.146 km2,最大8.926 km2,最小0.134 km2,标准差为0.799 km2。图1
新窗口打开|下载原图ZIP|生成PPT图1北京市五环内交通小区划分
Fig. 1Traffic analysis zones within the 5th Ring Road in Beijing
本研究选择了2016年6月13—19日的出租车轨迹数据,期间不存在法定节假日及特殊重大事件。原始出租车轨迹数据每日约有记录5000万条,清洗、整理后提取出研究区内的上车点和下车点数据,其每15分钟的上车点和下车点总量变化如图2所示。由图2可见,出租车运量在工作日和周末具有较大差异,故后文将按工作日和周末两类进行分类研究。
图2
新窗口打开|下载原图ZIP|生成PPT图22016年6月13—19日北京市五环内出租车上车点和下车点数量统计
Fig. 2The counts of taxi pick-ups (a) and drop-offs (b) within the 5th Ring Road in Beijing on June 13-19, 2016
本研究采用土地利用、人口属性和交通设施3个维度的指标来解释运量生成。受限于相同时段数据的可获取性,本研究尽量选取了时间一致性最高的组合：在土地利用数据方面,采用了2018年高德地图的POI（Point of Interest）数据。在人口数据方面,采用了华夏幸福基业股份有限公司基于2018年手机信令数据提取的人口密度、中年人口比例等数据。房价方面,本文采用网络爬虫获取了房天下网站2018年居民二手房房价数据。为了汇总到交通小区,本研究应用普通克里金法对各项数据进行插值处理,然后计算出各个交通小区的均值。
2.2 研究方法
本研究首先将原始数据切分为15分钟的时间片段,之后采用系统聚类法将空间分布相似、时间上相邻的时间片段进行聚类归并,在此基础上应用全局莫兰指数（Global Moran's I）研究出租车运量在各个时间段的空间分布特征。系统聚类法是一种常用的聚类方法,它通过计算样本间的距离,逐步合并距离最近的样本。本研究中并类方法选择平均距离法,距离衡量标准采用平方欧氏距离。具体地,本文采用Li等的研究方法[29],首先统计各个时间片段中584个交通小区内分别具有的起讫点数量,针对周末和工作日,分别求出15分钟时间片段内各交通小区起讫点数量的平均值作为一维向量,再运用系统聚类法对各时间片段进行合并。
全局莫兰指数是评价空间自相关关系的经典指数,这里将用于定量分析合并后各时段内出租车运量的空间集聚程度。归一化后它的取值范围为[-1, 1],计算结果越接近于1,说明数据在空间分布上越集聚;越接近于0,则数据越趋近于随机分布[32]。
在运量生成机制方面,本研究将对归并后的典型时段进行分析。考虑到运量生成的空间异质性,本研究选择采用GWR模型[33]进行计算。具体参数设置中,核函数类型选择为fixed Gaussian类型,各变量计算前进行Z-score标准化。综合考虑交通小区的大小和各自变量的影响范围,本文在2000~3000 m带宽范围之间采用golden search section方法得到最佳带宽值。相关计算通过GWR4软件完成。
参考传统运量生成机制文献[19,20]及大数据背景下的运量相关研究[22,29-31],本研究在数据可获得性范围内从土地利用、人口特征、交通设施3个维度进行了变量选取（表1）。在土地利用方面,本研究通过各类POI数据和房价数据作为对城区内土地利用特征的反映;人口特征方面,除人口密度以外考虑到出租车使用群体的偏向性,因此增加人口年龄和受教育程度的相关指标;交通设施方面,则主要考虑其他公共交通方式和道路密度的影响。为避免变量间多重共线性的干扰,进行GWR计算前先利用SPSS采用逐步回归法进行预处理,变量进入和移出模型的显著性水平阈值分别设置为0.05和0.1,方差膨胀系数（VIF）最大阈值设置为10。最终保留的变量见结果分析部分。
Tab. 1
表1
表1自变量指标
Tab. 1
| 类别 | 自变量 | 单位 |
|---|---|---|
| 土地利用 | 住宅POI密度 | 个/km2 |
| 商业设施POI密度 | 个/km2 | |
| 公司企业POI密度 | 个/km2 | |
| 公共服务POI密度 | 个/km2 | |
| 旅游景区POI密度 | 个/km2 | |
| 教育设施POI密度 | 个/km2 | |
| 交通设施POI密度 | 个/km2 | |
| POI混合熵 | - | |
| 房价 | 元/m2 | |
| 人口特征 | 人口密度 | 人/km2 |
| 中年人口比例 | - | |
| 本科及以上学历比例 | - | |
| 交通设施 | 地铁站密度 | 个/km2 |
| 公交站密度 | 个/km2 | |
| 一级道路密度 | km/km2 | |
| 二级道路密度 | km/km2 |
新窗口打开|下载CSV
3 结果分析
3.1 时段聚类结果及各时段分布特征
对15分钟时间片段进行聚类的结果如表2所示。综合考虑聚类效果和分类数量,本文将分类结果划分为四类;但周末上车点的聚类结果在并类距离为9时存在五类,并类距离为10时仅存在三类,故将其划分为三类。无论工作日还是周末,上车点和下车点的夜间时段都被单独分为了一类。工作日上车点、下车点在清早和上午其余时间被划分为了不同的时段;上车点从上午较晚时候开始分布模式较稳定,下车点则在工作时间和下班后两个时段具有明显差异。周末除夜间以外,上车点在上午和其余时段呈现出两种不同的分布模式,下车点则呈现出上午、其余白天、晚上共3个不同分布模式的时段。Tab. 2
表2
表2北京市五环内出租车上车点和下车点的时段划分
Tab. 2
| 工作日上车点 | 工作日下车点 | 周末上车点 | 周末下车点 |
|---|---|---|---|
| 23:45—6:30 | 0:00—5:45 | 0:00—7:00 | 23:30—7:30 |
| 6:30—8:15 | 5:45—7:30 | 7:00—12:00 | 7:30—10:30 |
| 8:15—9:45 | 7:30—16:00 | 12:00—0:00 | 10:30—19:30 |
| 9:45—23:45 | 16:00—0:00 | - | 19:30—23:30 |
新窗口打开|下载CSV
这一时段聚类结果同Li等的研究结果[29]相比,虽然时间节点存在差异,但是一些较长时段的划分结果基本相似。在早高峰时段,本文呈现出一些非整点的时段节点,如8:15、7:30等,这是基于传统高峰时段的研究和基于1小时时间片段的研究无法揭示的。这些非整点时刻的节点有助于更精细地识别现实中出租车运量高峰出现的具体时段,同时可能为实际生活中早晚高峰时段打车难度在短时间内快速变化的现象提供解释。
按表2的时间分段,依据自然断点法做出工作日各交通小区的上车点密度空间分布图（图3）。比较不同时段的空间分布特征发现,夜间时段上车点密度高值区较少,主要集中在东二环和东三环之间,其他地区也有零星分布。6:30—9:45的时段内包含了传统的早高峰时段,上车点分布较之前发生了明显的格局变化：6:30—8:15时段内上车点集中的地区主要分布在北二环以外,尤其是二环东北角外围附近;8:15—9:45时段内,上车点高密度地区主要集中在二环、三环之间的地区和北三环到北四环之间。9:45之后直到23:45,高值主要出现在故宫两侧、东三环和北四环周围。各个时段的全局莫兰指数计算结果见表3,工作日上车点的分布总体表现出空间集聚的特征,在早高峰以及工作时间对应的时段内,空间集聚更明显,凌晨时段集聚程度出现减弱。
图3
新窗口打开|下载原图ZIP|生成PPT图3北京市五环内工作日出租车上车点密度分布
Fig. 3Spatial distribution of taxi pick-ups density on weekdays within the 5th Ring Road in Beijing
Tab. 3
表3
表3北京市五环内工作日出租车上车点各时段莫兰指数计算结果
Tab. 3
| 工作日时段 | Moran's I | Z-score | P-value | 置信水平 |
|---|---|---|---|---|
| 23:45—6:30 | 0.335 | 29.010 | 0.000 | 0.99 |
| 6:30—8:15 | 0.456 | 34.687 | 0.000 | 0.99 |
| 8:15—9:45 | 0.527 | 39.291 | 0.000 | 0.99 |
| 9:45—23:45 | 0.463 | 34.756 | 0.000 | 0.99 |
新窗口打开|下载CSV
工作日下车点密度不同时段的分布特征如图4所示。在夜间,较上车点而言,下车点密度较高的交通小区分布更广,尤其是东二环和东三环之间,北四环外也有零星分布。清晨5:45—7:30,密度较高区域位于四环以内,高度集中在少数交通小区。7:30—16:00之间,乘客下车点集中的地区主要位于东、西二环附近,四环外望京等局部地区也存在较高密度小区。16:00后直到凌晨的下班时间,下车点分布状态再次发生改变,密度较高的交通小区主要分布在四环以内,尤其是东二环和东三环之间。
图4
新窗口打开|下载原图ZIP|生成PPT图4北京市五环内工作日出租车下车点密度分布
Fig. 4Spatial distribution of taxi drop-offs density on weekdays within the 5th Ring Road in Beijing
全局莫兰指数计算结果见表4。工作日下车点的空间分布在除早高峰以外的时段内,都表现出比较明显的空间集聚特征;早高峰时段,下车点莫兰指数仅为0.091,这一时段下车点的空间分布较随机。
Tab. 4
表4
表4北京市五环内工作日出租车下车点各时段莫兰指数计算结果
Tab. 4
| 工作日时段 | Moran's I | Z-score | P-value | 置信水平 |
|---|---|---|---|---|
| 0:00—5:45 | 0.472 | 35.547 | 0.000 | 0.99 |
| 5:45—7:30 | 0.091 | 10.661 | 0.000 | 0.99 |
| 7:30—16:00 | 0.291 | 23.741 | 0.000 | 0.99 |
| 16:00—0:00 | 0.479 | 35.953 | 0.000 | 0.99 |
新窗口打开|下载CSV
周末上车点密度不同时段的分布特征如图5所示。相较于工作日,上车点分布模式的变化在周末更小。在夜间,上车点高密度区主要分布在东二环和东三环之间。早上和其余时段的分布模式有所差异：周末的早上,上车点主要分布在四环以内的东北部,上车点密集的区域分布较为分散;从下午开始,上车点高值区转移到东二环和东三环之间,以及二环内的西单、王府井区域,四环西北角的中关村区域。
图5
新窗口打开|下载原图ZIP|生成PPT图5北京市五环内周末出租车上车点密度分布图
Fig. 5Spatial distribution of taxi pick-ups density on weekends within the 5th Ring Road in Beijing
此时莫兰指数计算结果见表5。和工作日类似,周末各时段内的上车点空间分布具有较为明显的空间集聚特征,但其集聚程度变化较工作日更小。
Tab. 5
表5
表5北京市五环内周末出租车上车点各时段莫兰指数计算结果
Tab. 5
| 周末时段 | Moran's I | Z-score | P-value | 置信水平 |
|---|---|---|---|---|
| 0:00—7:00 | 0.444 | 34.502 | 0.000 | 0.99 |
| 7:00—12:00 | 0.457 | 35.226 | 0.000 | 0.99 |
| 12:00—0:00 | 0.410 | 31.248 | 0.000 | 0.99 |
新窗口打开|下载CSV
周末下车点密度不同时段的分布特征如图6所示,下车点分布呈现出夜间、早晨、白天、晚上4个明显不同的时段。从晚上23:30开始直至次日7:30的夜间时段,出租车下车点主要集中在四环以内的东部以及北四环外部分区域。7:30—10:30,下车点高密度区广泛分布在四环以内的中部和北部,以及北四环外邻近区域。此后直到傍晚19:30,四环内中北部地区下车点密度始终较高。19:30—23:30,高值区主要分布在四环内,其中在东二环和东三环之间集中最为明显,北二环和北四环之间的区域也存在成片较高密度区。
图6
新窗口打开|下载原图ZIP|生成PPT图6北京市五环内周末出租车下车点密度分布图
Fig. 6Spatial distribution of taxi drop-offs density on weekends within the 5th Ring Road in Beijing
周末下车点各时段的莫兰指数计算结果见表6。同工作日类似,周末下车点的空间分布在早高峰时段的集聚程度最低,其他各时段都表现出较明显的空间集聚特征。晚上是周末所有时段中下车点运量分布集聚程度最高的时段。
Tab. 6
表6
表6北京市五环内周末出租车下车点各时段莫兰指数计算结果
Tab. 6
| 周末时段 | Moran's I | Z-score | P-value | 置信水平 |
|---|---|---|---|---|
| 23:30—7:30 | 0.258 | 22.388 | 0.000 | 0.99 |
| 7:30—10:30 | 0.175 | 17.373 | 0.000 | 0.99 |
| 10:30—19:30 | 0.345 | 27.496 | 0.000 | 0.99 |
| 19:30—23:30 | 0.530 | 39.589 | 0.000 | 0.99 |
新窗口打开|下载CSV
3.2 上车点影响因子分析
由于出租车运量在工作日、周末划分得到的时段较多,考虑到在高峰时出租车供小于求,其运量产生的偶然性更高,本文仅针对工作日、周末中跨度较长的时段进行讨论。通过GWR模型计算得到各项结果见表7。从均值来看,公司企业和商业设施两类POI对工作日和周末的上车点均有显著的正向贡献,但贡献程度有所差别。在工作日,二者的影响程度均值相差不大,但是周末时商业设施POI对于上车点的贡献远大于公司企业POI,反映出周末商务出行的大幅减少。另外,一级道路密度的正贡献大于二级道路密度,主路上通常具有更多的出租车,乘客打车更便捷,因此上车点更多。Tab. 7
表7
表7北京市五环内出租车上车点GWR模型计算结果
Tab. 7
| 因变量 | 自变量 | 系数最小值 | 系数最大值 | 系数均值 | 系数标准差 | 模型评价参数 |
|---|---|---|---|---|---|---|
| 上车点（工作日9:45—23:45） | 常数项 | -0.830 | 0.958 | 0.052 | 0.331 | AICc:1219.645 R2:0.713 Adjusted R2:0.606 |
| 商业设施POI密度 | -0.114 | 0.605 | 0.174 | 0.175 | ||
| 公司企业POI密度 | -0.122 | 0.431 | 0.145 | 0.149 | ||
| 房价 | -0.199 | 0.910 | 0.194 | 0.222 | ||
| 人口密度 | -0.157 | 0.479 | 0.138 | 0.114 | ||
| 中年人口比例 | -0.311 | 0.078 | -0.065 | 0.085 | ||
| 地铁站密度 | -0.050 | 0.367 | 0.087 | 0.080 | ||
| 公交站密度 | -0.050 | 0.388 | 0.172 | 0.098 | ||
| 一级道路密度 | -0.064 | 0.546 | 0.212 | 0.153 | ||
| 二级道路密度 | -0.115 | 0.372 | 0.098 | 0.095 | ||
| 上车点（周末12:00—0:00） | 常数项 | -1.012 | 1.129 | 0.076 | 0.405 | AICc:1281.866 R2:0.708 Adjusted R2:0.579 |
| 商业设施POI密度 | -0.115 | 0.840 | 0.245 | 0.220 | ||
| 公司企业POI密度 | -0.329 | 0.329 | 0.076 | 0.129 | ||
| 房价 | -0.349 | 0.957 | 0.142 | 0.256 | ||
| 人口密度 | -0.209 | 0.594 | 0.139 | 0.140 | ||
| 中年人口比例 | -0.214 | 0.142 | -0.043 | 0.075 | ||
| 地铁站密度 | -0.064 | 0.391 | 0.107 | 0.103 | ||
| 公交站密度 | -0.076 | 0.515 | 0.168 | 0.120 | ||
| 一级道路密度 | -0.121 | 0.553 | 0.144 | 0.128 | ||
| 二级道路密度 | -0.304 | 0.398 | 0.066 | 0.120 |
新窗口打开|下载CSV
部分自变量对出租车上车点的影响具有明显的区域差异,在一些地区内具有正贡献的因子,在另一些地区却可能是负贡献。下面将讨论其中典型的变量。商业设施密度系数的空间分布如图7所示,可以看出商业设施对上车点的正向贡献在东部、北部较高,西部较低,南部甚至出现负影响的区域。这可能与设施水平有关,高收入和高等级商业设施的地区出租车需求较大,而南城商业设施层次较低,增加商业设施并不提升出租车运量。
图7
新窗口打开|下载原图ZIP|生成PPT图7北京市五环内商业设施POI密度关于出租车上车点密度的系数分布
Fig. 7Spatial distribution for the coefficients of commercial POIs density with respect to taxi pick-ups within the 5th Ring Road in Beijing
从房价系数的分布看（图8）,房价在大部分地区对于出租车上车点具有正向贡献,反映出收入对出租车需求的正向作用。也有一部分地区房价的贡献值为负,反映出房价对出租车运量生成机制的影响较为复杂,这可能是Alonso模型中的住房-交通互换机制在发生作用[34]：选择高房价的同时也更靠近就业地点,从而打车的需求更低。
图8
新窗口打开|下载原图ZIP|生成PPT图8北京市五环内房价关于出租车上车点密度的系数分布
Fig. 8Spatial distribution for the coefficients of house price with respect to taxi pick-ups within the 5th Ring Road in Beijing
公交站密度和地铁站密度关于上车点的系数主要为正值,系数为负值的地区负向贡献十分微弱（图9、图10）。已有研究发现,出租车被用作乘客从公交、地铁站下车后达到最终目的地的手段[30],本研究与这一发现具有一致性：公共交通站点对出租车上车点数量具有正向贡献。但在市中心公交、地铁覆盖密度大,出行便捷的地区,由于站点密度高,可能站点距离乘客目的地比较近,因此出现了出租车衔接需求的减少。
图9
新窗口打开|下载原图ZIP|生成PPT图9北京市五环内地铁站密度关于出租车上车点密度的系数分布
Fig. 9Spatial distribution for the coefficients of subway stations density with respect to taxi pick-ups within the 5th Ring Road in Beijing
图10
新窗口打开|下载原图ZIP|生成PPT图10北京市五环内公交站密度关于出租车上车点密度的系数分布
Fig. 10Spatial distribution for the coefficients of bus stations density with respect to taxi pick-ups within 5th Ring Road in Beijing
3.3 下车点影响因子分析
通过GWR模型对下车点的影响因子进行分析,得到计算结果见表8。其中,工作日7:30—16:00时段大致对应工作时间,16:00—0:00时段则大致对应下班后的时间。从均值来看,在工作日的下班时间,公共服务和旅游景区两类POI对下车点数量具有显著的负贡献,这可能是由于设施服务时间限制,乘客对于这两类设施的利用较少。周末商业设施POI对于下车点的影响变得显著,反映出周末乘客休闲娱乐需求的增加。总体上,人口密度对下车点数量具有突出的正向贡献。另外,二级道路密度的正向贡献大于一级道路密度,甚至某些时段内一级道路密度的影响不显著。二级道路常常更接近各类设施,乘客下车之后不用再步行额外的路程到达目的地,因此下车点更多出现在二级道路上。Tab. 8
表8
表8北京市五环内出租车下车点GWR模型计算结果
Tab. 8
| 因变量 | 自变量 | 系数最小值 | 系数最大值 | 系数均值 | 系数标准差 | 模型评价参数 |
|---|---|---|---|---|---|---|
| 下车点（工作日7:30—16:00） | 常数项 | -0.579 | 0.444 | -0.066 | 0.251 | AICc:1197.045 R2:0.666 Adjusted R2:0.590 |
| 人口密度 | -0.007 | 0.883 | 0.268 | 0.227 | ||
| 地铁站密度 | -0.049 | 1.027 | 0.168 | 0.233 | ||
| 一级道路密度 | -0.722 | 0.558 | 0.112 | 0.273 | ||
| 二级道路密度 | -0.025 | 0.652 | 0.162 | 0.131 | ||
| 下车点（工作日16:00—0:00） | 常数项 | -0.553 | 0.847 | 0.126 | 0.315 | AICc:1086.707 R2:0.736 Adjusted R2:0.668 |
| 公共服务POI密度 | -0.310 | 0.044 | -0.107 | 0.087 | ||
| 旅游景区POI密度 | -0.402 | 0.034 | -0.112 | 0.077 | ||
| 房价 | -0.290 | 0.656 | 0.120 | 0.216 | ||
| 人口密度 | -0.165 | 0.549 | 0.202 | 0.136 | ||
| 地铁站密度 | -0.077 | 0.608 | 0.127 | 0.156 | ||
| 公交站密度 | 0.055 | 0.437 | 0.191 | 0.073 | ||
| 一级道路密度 | -0.266 | 0.458 | 0.071 | 0.156 | ||
| 二级道路密度 | 0.021 | 0.575 | 0.190 | 0.124 | ||
| 下车点（周末10:30—19:30） | 常数项 | -0.815 | 0.851 | 0.091 | 0.341 | AICc:1209.322 R2:0.685 Adjusted R2:0.594 |
| 商业设施POI密度 | -0.039 | 0.359 | 0.151 | 0.095 | ||
| 公共服务POI密度 | -0.211 | 0.093 | -0.061 | 0.069 | ||
| 房价 | -0.328 | 0.767 | 0.102 | 0.231 | ||
| 人口密度 | -0.148 | 0.593 | 0.247 | 0.164 | ||
| 地铁站密度 | -0.075 | 0.797 | 0.154 | 0.203 | ||
| 公交站密度 | -0.376 | 0.357 | 0.107 | 0.164 | ||
| 二级道路密度 | -0.022 | 0.708 | 0.145 | 0.139 |
新窗口打开|下载CSV
同样,一些自变量对下车点的影响在不同地区也具有较大差异,这里同样讨论其中典型的变量。从空间分布看,周末商业设施集中的地区对下车点正向贡献明显（图11）。北城较南城商业中心更多且等级更高,能够吸引大量人群到此购物消费,因此出现对下车点正向贡献的高值区域。南三环外商业设施规模较小,等级较低,对乘客吸引力不强,出现了微弱的负贡献区域。
图11
新窗口打开|下载原图ZIP|生成PPT图11北京市五环内商业设施POI密度关于出租车下车点密度的系数分布
Fig. 11Spatial distribution for the coefficients of commercial POIs density with respect to taxi drop-offs within the 5th Ring Road in Beijing
与上车点类似,地铁站密度对出租车下车点主要是正向贡献,负向贡献的地区程度十分微弱（图12）。四环内东北部一些地区的地铁站密度对出租车下车点呈现出负向贡献,这可能与城区中心轨道交通便捷,分摊了部分出租车客源有关,这一状况在工作日下班后及周末等公务出行较少时更为明显。在五环边零星地区,可能由于存在高校、大型公园等设施,存在地铁站分布相对较多但由于较为偏远,以此为目的地的出租车乘客有限的情况,因而也表现出地铁站密度的负向贡献。
图12
新窗口打开|下载原图ZIP|生成PPT图12北京市五环内地铁站密度关于出租车下车点密度的系数分布
Fig. 12Spatial distribution for the coefficients of subway stations density with respect to taxi drop-offs within the 5th ring road in Beijing
4 结论与讨论
本文利用出租车轨迹数据,在15分钟切分后通过系统聚类法得到了出租车上、下车点空间分布相似的时段,进而对各时段的分布特征进行了分析,并利用GWR模型从土地利用、人口、交通设施3个维度对运量生成机制的影响因子进行了讨论,主要结论如下：（1）时段划分方面,出租车上车点和下车点数值较高的时段大致出现在8:15—17:15,早晚高峰的特征相对而言并不明显,工作日和周末的运量存在较大差异,且工作日运量变化时段较周末更为复杂。出租车运量分布相似时段的跨度并不均匀,往往在早高峰时段跨度较短。
（2）运量分布格局方面,不同的时段内运量集中地区的位置、面积存在明显差异,但都呈现出空间集聚的特征。相比之下,运量在周末不同时段的空间集聚程度较为接近,工作日不同时段间运量集聚程度差异较大。
（3）运量影响因子方面,不同时段对出租车运量影响显著的因子不同,各影响因子具有较大的空间差异,影响较突出的因子主要包括商业设施、房价、地铁站和公交站密度、一级道路和二级道路密度等。地铁站和公交站密度在大部分地区对出租车运量的增加具有促进作用。一级道路密度更能带动出租车出行生成量的增加,二级道路密度则主要带动出行吸引量的增加。
传统城市交通规划和管理经常采用以整点为基本单位的时段划分,本文的主要创新点在于在更细的时间粒度上对出租车运量生成机制进行了探索,弥补了现有文献中对原始时长切分尺度多按经验进行、不够细致的不足,对运量变化的时段划分不再局限于整点时刻,从而避免了对一些细微特征的抹杀。本文揭示的出租车运量时空分布特征及运量生成机制更为精细,可以为精细化制定分地区、分时段的出租车管控措施提供参考。另外,究竟多长的时间切片最合适也是未来值得进一步研究的问题。
致谢
真诚感谢匿名审稿专家在论文评审中所付出的时间和精力,审稿专家对本文时空特征分析及结论与讨论方面的修改意见,使本文获益匪浅！也感谢华夏幸福基业股份有限公司对本研究的资助！参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
URL [本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.11820/dlkxjz.2015.04.002 [本文引用: 1]
大数据技术的诞生不仅快速推动着社会的进步,而且也将科学研究不断引向新的高度。以人类社会经济活动为主要研究对象的人文—经济地理学与当前大数据建设和发展趋势具有高度一致性,大数据的发展对丰富和完善人文—经济地理学势必起到积极的推动作用,同时也对人文—经济地理学的学科思维和研究方法提出了新的挑战。梳理和分析了目前大数据在人文—经济地理学主要研究领域,包括城市内部空间研究、交通与消费行为、社会空间与社会网络研究中的最近进展,以及大数据对参与式研究和决策平台的作用。着重剖析了大数据对人文—经济地理学数据获取,研究思维与范式,研究内容、研究时空尺度与研究目标等方面的促进作用与存在问题,特别是由于大数据自身发展的不完善,在数据收集特别是数据属性方面还存在很大的局限,缺乏理论基础将会使得大数据与实际应用受到很大限制,同时,数据本身也不能替代研究者思维和决策过程。因此,人文—经济地理****应该科学对待大数据所带来的机遇,弥补和丰富以往发展中的短板,即完善学科数据建设、建立大数据应用较为完善的研究方法体系,促进跨域数据整合和跨域研究,以及推进研究对象和研究目的的转变。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
URL [本文引用: 1]
DOI:10.3724/SP.J.1047.2016.01227 [本文引用: 1]
受城市资源配置、区域功能分化的影响,城市中居民的出行往往呈现出特定的模式和规律,而这种出行模式的背后反映出城市的功能结构。城市车辆GPS导航的广泛使用,以及车辆轨迹数据的大量获取,为分析城市居民出行模式及理解城市功能结构提供了数据支撑。本文以道路分割城市得到的地块为研究单元,利用北京市一个月的出租车轨迹数据,对北京居民的出行模式及城市功能格局进行分析。在轨迹数据分析中,本文从轨迹数据中提取每个地块的出行量时间序列信息,然后采用结合时间序列距离度量和时间序列自身相关性的聚类方法,对出行量时间序列数据进行聚类分析,从而研究乘客出行的时空分布特征,最后结合北京市POI数据,探讨了不同区域乘客出行规律和区域功能类型的相互关系。结果表明,出租车出行量时间序列模式在工作日和周末间存在明显差异。此外,工作日的2个出行高峰与通常的通勤早晚高峰不同。由出行量所得的区域聚类结构,除具有重要交通枢纽功能的地块外,总体上以市中心为圆心大致呈同心圆分布,且距离市中心越远出行量越小。研究结果对于分析北京市居民出行行为、辅助城市交通规划具有一定的意义。
[本文引用: 1]
DOI:10.12085/dqxxkx.2018.180164 [本文引用: 1]
出租车数据作为城市大数据重要来源,其上车行为和下车行为直接反映城市人群出行行为特征,帮助城市规划者发现城市人群出行规律和城市功能结构。但是出租车数据隐含多维度信息,一维或者二维模型不足以表达和挖掘其蕴含的多维信息,因此本文选择可以承载多维数据的张量模型对出租车OD（上车/下车）数据进行时空模式挖掘。本文将北京六环区域划分为500 m×500 m格网,采用北京市2012年11月1-16日的出租车OD数据,分别构建O点和D点张量,利用张量分解模型从日尺度、时段尺度揭示出租车用户出行时间模式,同时获取不同时段对应的出租车用户出行空间模式,并推测空间模式包含的语义属性。本文结合城市兴趣点（Point of Interest, POI）数据,提高空间模式语义属性推测的准确性,识别出租车用户出行功能区。结果表明：出租车用户出行时间符合工作日和休息日的早高峰、日间、晚高峰以及夜间模式;对应8种时间模式,出租车用户出行包含8种空间模式,每一种空间模式都是对应时间模式下的上下车热点区域,因此空间模式的变化表明城市人群在不同的时间点,到达不同的场所,进行不同的活动,间接表达空间功能的动态变化;区域的功能不是单一静态的,而是随着时间在不断地变化,是不同时段功能的组合。本文揭示出租车OD数据中隐含的出租车用户出行模式和空间功能动态变化,对利用人类行为时空模式研究区域空间功能结构具有科学参考价值。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.13249/j.cnki.sgs.2020.01.008 [本文引用: 1]
运用大众点评数据、出租车到达数据与文化设施POI数据测度城市活力的经济、社会和文化维度,在街区和街道层面分析城市活力的空间结构特征,建立计量模型分析城市建成环境对城市活力的影响关系。结果表明：①上海中心城区城市活力表现出明显的空间差异,主要表现为由中心向四周递减、浦西优于浦东的总体特征;②街区和街道尺度影响城市活力的建成环境因素存在差异;③街区尺度建成环境对城市社会、经济和文化活力的影响存在差异：提升人口密度对经济活力具有正面影响,过高的人口密度可能不利于社会和文化活力发展;增加POI密度、路网密度和POI混合度有利于城市活力的提升;建筑层数和建筑密度的增加会降低街区的社会活力和文化活力,但会提升街区的经济活力;交通可达性有利于经济活力的提升。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.3724/SP.J.1047.2015.00329 [本文引用: 1]
出租车客源的时空分布不均衡,不仅影响着出租车司机的收入,更重要的是极大地影响着出租车作为城市公共交通重要补充作用效益的发挥和提升。由于拒载、空载等因素的影响,传统研究出租车驾驶行为的评价方法,已无法准确表达出租车运营效率。本文以出租车GPS数据为研究对象,通过加入出租车空载状态的影响来优化出租车效率评估模型,首次提出了出租车优质客源的概念,对出租车优质客源进行定义与量化,建立优质客源的时空分析方法,并从出租车行驶轨迹中提取优质客源信息与优质客源的时空分布规律,为改善出租车司机的收益及提高出租车运营效率提供科学依据。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.13249/j.cnki.sgs.2014.05.580 [本文引用: 1]
引入出租车GPS数据对医疗设施端点特征指标、服务端特征指标、环境要素指标等进行检验,衡量这些指标对医疗设施端点吸引量和主要服务范围的影响作用。结果显示医疗服务利用符合距离衰减规律,1.5 km内人数最多,超过1.5 km,随距离增加出行人数逐渐减少;医疗设施吸引量受医院规模、所在地区人口数量的正向影响,主要服务范围受到所在地区人口数量的负向影响,其他指标影响不显著。
[本文引用: 1]
DOI:10.12082/dqxxkx.2018.180157 [本文引用: 1]
城市医疗服务在很大程度上影响着城市居民的生活质量,在公共服务领域中发挥着极其重要的作用。近年来,中国城市化发展过程中产生了海量的大数据,基于这些海量数据分析居民就医出行特征对于优化和改善城市医疗资源布局具有重要意义。本文以北京市主要医疗机构空间位置数据为基础,基于出租车GPS移动轨迹数据,采用时空统计分析方法,研究了出租车出行模式下的居民就医出行时空特征。结果表明,利用医院的OD（Origin-Destination）网络结构特征分析,可以识别出不同医院的服务范围以及受众的时空分布模式。市区尤其是四环以内医院的就医网络密集、紧凑,就医密度较高,而四环以外尤其是郊区周边,就医网络稀疏、分散,医疗资源的级别及地理位置影响了居民的就医倾向。本研究基于浮动车GPS数据开展居民就医时空行为模式挖掘研究,可以为城市医疗资源供需分析和优化配置提供决策支持。
[本文引用: 1]
DOI:10.12082/dqxxkx.2020.190566 [本文引用: 1]
交通是人们实现出行目的的重要工具和载体,也是研究城市居民出行目的的重要手段。本文试图采用交通出行数据来识别就医活动目的的行程,以深化交通大数据研究的应用领域。在合并交通出行链的基础上,构建了就医活动识别的理论框架和方法体系,提出6大准则：邻近性准则、出行链闭合准则、单一出行目的准则、时间耦合性准则、路径偶发准则。以北京市为例,基于公交车刷卡和出租车GPS数据,明确就医出行的关键参数与阈值,最终甄别出以就医为目的的交通出行链,并对识别结果进行分析与验证。基于交通出行链的就医活动识别研究可以弥补传统研究中病例数据和问卷数据样本量小和难获取的不足,为就医活动研究提供了新的方法体系,也为基于其他交通出行目的识别研究提供理论和方法借鉴。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 2]
[本文引用: 2]
[本文引用: 2]
[本文引用: 2]
[本文引用: 1]
[本文引用: 1]
URL [本文引用: 3]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 2]
[本文引用: 2]
URL [本文引用: 1]
URL [本文引用: 5]
URL [本文引用: 2]
URL [本文引用: 2]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.11821/xb201010011 [本文引用: 1]
随着中国逐步进入机动化社会，交通拥挤开始困扰中国城市。汽车改变了人们的空间感受尺度，推动了城市郊区化和城市空间重构。交通与城市系统的研究涉及空间分析，国内相关理论研究还较少涉及。本文引入了阿朗索模型族的双交通模型来分析交通模式与城市密度之间的关系，对模型的假设做了进一步的阐述，并提取了中国城市的关键参数来模拟分析中国机动化与城市发展的关系，得到的结果较好地模拟了中国公交城市的规模和密度分布。最后，本文通过敏感性研究定量分析了收入、农业地租、交通价格和交通用地等因素对交通拥挤、城市规模和密度的影响，并得出了相关的政策启示。
[本文引用: 1]
