胡 松， 林鵬飛， 孫宇星， 翁劍成， 柴嬌龍， 荊云琪

(1.北京工業(yè)大學(xué)北京市交通工程重點實驗室， 北京 100124； 2.北京市交通委員會， 北京 100073)

0 引言

出租車模式是城市公共交通重要的補充出行方式，為城市客運交通系統(tǒng)不可或缺的組成部分. 并且，隨著近年來新一代互聯(lián)網(wǎng)、云計算和移動支付等技術(shù)的快速發(fā)展及其與出租車業(yè)態(tài)的深度整合，網(wǎng)約車如Uber、滴滴、首汽約車等作為新興出租車運營平臺提升了傳統(tǒng)出租車服務(wù)效率和質(zhì)量，增加了乘客與司機之間供求的信息對稱程度，為居民出行提供了更定制化、個性化的出行選擇. 近年來，北京市出租車規(guī)模基本保持穩(wěn)定發(fā)展，2019年出租車總出行量為99萬人次，占據(jù)城市公共交通總客運量的7.3%[1]. 而網(wǎng)約車對傳統(tǒng)出租車的運營管理造成了巨大沖擊，其與傳統(tǒng)巡游車的運營特征指標、服務(wù)差異是亟須重點關(guān)注的問題.

國內(nèi)外研究學(xué)者已從出租車運行特征和運營管理等方面開展了相關(guān)研究. 在出租車運行特征方面，吳振華等[2]基于出租車行駛軌跡數(shù)據(jù)和路網(wǎng)數(shù)據(jù)，從運營時間、運營里程、載客時間、載客里程以及空駛時間和空駛里程等方面，分析上海市工作日、周末和節(jié)假日的出租車基本運營特征. 林鵬飛等[3]基于計價器數(shù)據(jù)、GPS數(shù)據(jù)與網(wǎng)約車訂單數(shù)據(jù)，構(gòu)建載客時間、載客里程、載客次數(shù)等指標體系，進而分析網(wǎng)絡(luò)約租車與傳統(tǒng)出租車的運營特征. 莊立堅等[4]基于浮動車數(shù)據(jù)挖掘出租車的空駛率、運營速度、載客運營時長、出行需求等時空特征差異. 羅鈞韶等[5]通過地圖匹配算法和軌跡挖掘算法對數(shù)據(jù)進行預(yù)處理，從基本統(tǒng)計、運營效益、出行特征、空間分布4個維度建立了指標體系，分析南昌市出租車時空出行特征. Shen等[6]以南京市6 445輛出租車連續(xù)兩周的浮動車數(shù)據(jù)為基礎(chǔ)，分析出租車出行的上下車空間熱點分布特征.

在出租車運營管理方面，國內(nèi)外相關(guān)學(xué)者主要關(guān)注出租車的運營規(guī)劃和調(diào)度策略等方面. 劉響[7]從群體角度分析了網(wǎng)約車與傳統(tǒng)出租車之間的博弈關(guān)系，以Nash均衡理論構(gòu)建了網(wǎng)約車與傳統(tǒng)出租車間的博弈模型并提出發(fā)展建議. 孫中苗等[8]針對網(wǎng)約車平臺間乘車需求和乘運供應(yīng)競爭現(xiàn)象，結(jié)合最優(yōu)控制論構(gòu)建不同競爭情形下的網(wǎng)約車平臺定價模型. Mohsen等[9]基于宏觀基本圖算法建立了一種考慮交通流和出租車動態(tài)間相互影響的網(wǎng)絡(luò)出租車調(diào)度模型，面向異質(zhì)擁擠的城市利用預(yù)測控制法優(yōu)化出租車調(diào)度. Zhang等[10]考慮出租車系統(tǒng)和城市道路系統(tǒng)提出了出租車市場競爭模型，分析了出租車市場內(nèi)部以及出租車市場與城市道路系統(tǒng)間的相互作用.

綜上所述，以往研究多是面向傳統(tǒng)出租車或網(wǎng)約車一種運營模式開展相關(guān)研究，缺乏兩者對比分析與融合發(fā)展策略建議；并且，研究主要是在常態(tài)化情景下進行，而在多種場景模式下開展定量化分析較少. 因此，本文依托出租車GPS數(shù)據(jù)、訂單數(shù)據(jù)以及路網(wǎng)、行政區(qū)和蜂窩網(wǎng)格空間矢量數(shù)據(jù)等，提出了多源數(shù)據(jù)預(yù)處理流程方法，建立了面向常態(tài)化和后疫情場景的巡游車與網(wǎng)約車運營特征指標模型，從運行特征、時空分布特征等維度剖析出租車、網(wǎng)約車兩類出租車運營服務(wù)特征差異并提出相應(yīng)的調(diào)度策略.

1 數(shù)據(jù)基礎(chǔ)

1.1 多源數(shù)據(jù)

研究采用的數(shù)據(jù)主要包括2019-05-31—2019-06-09和2020-06-18—2020-06-27廈門市巡游車、網(wǎng)約車的訂單數(shù)據(jù)、GPS數(shù)據(jù)，以及路徑規(guī)劃API數(shù)據(jù)，城市路網(wǎng)、行政區(qū)和蜂窩網(wǎng)格空間矢量數(shù)據(jù)等.

1.1.1 訂單數(shù)據(jù)

訂單數(shù)據(jù)記錄了車輛運營過程的時空信息，為巡游車和網(wǎng)約車運營特性對比分析的重要數(shù)據(jù)源. 其中，網(wǎng)約車、巡游車平均每天訂單量分別為20萬、30萬. 網(wǎng)約車的訂單數(shù)據(jù)關(guān)鍵字段見表1：

表1 網(wǎng)約車訂單數(shù)據(jù)關(guān)鍵字段

巡游車的訂單數(shù)據(jù)關(guān)鍵字段見表2：

表2 巡游車訂單數(shù)據(jù)關(guān)鍵字段

1.1.2 GPS數(shù)據(jù)

GPS數(shù)據(jù)可詳細記錄車輛的實時運營狀態(tài)，主要包括出租車的時間、位置坐標和角度等基本信息，以及出租車運營狀態(tài)(如空載、滿載、駐車、停運等)信息. 巡游車和網(wǎng)約車的GPS回傳間隔分別為30 s、5 min，平均每天數(shù)據(jù)量分別約為2 000萬、300萬條記錄.

1)路徑規(guī)劃API和路網(wǎng)矢量數(shù)據(jù)

為了填補訂單數(shù)據(jù)中缺失的空駛里程，爬取高德地圖的路徑導(dǎo)航API和路網(wǎng)矢量數(shù)據(jù)計算任意2點的車輛行駛距離. 其中，路徑導(dǎo)航API數(shù)據(jù)主要字段包括：起終點的經(jīng)緯度坐標、路徑距離等信息，路網(wǎng)矢量數(shù)據(jù)包括道路名稱、道路編號、路段長度等信息.

2)空間矢量數(shù)據(jù)

空間矢量數(shù)據(jù)包括行政區(qū)和蜂窩網(wǎng)格空間矢量數(shù)據(jù)，數(shù)據(jù)用以空間關(guān)聯(lián)和出行需求空間分析. 其中，行政區(qū)空間矢量數(shù)據(jù)包括6個行政區(qū)范圍的行政區(qū)名稱和唯一ID. 以0.01經(jīng)度×0.01緯度構(gòu)建廈門市的蜂窩空間網(wǎng)格，共形成1 981個蜂窩網(wǎng)格，每個網(wǎng)格被賦予唯一ID. 行政區(qū)和蜂窩網(wǎng)格空間分布如圖1所示.

圖1 廈門市行政區(qū)和蜂窩網(wǎng)格空間分布

1.2 數(shù)據(jù)預(yù)處理

為了提高巡游車和網(wǎng)約車訂單數(shù)據(jù)質(zhì)量需要從異常數(shù)據(jù)剔除、缺失數(shù)據(jù)填補和數(shù)據(jù)空間關(guān)聯(lián)等方面進行數(shù)據(jù)預(yù)處理.

1.2.1 異常數(shù)據(jù)剔除

主要數(shù)據(jù)問題為載客距離、載客時間過短或過長等，研究采用閾值法剔除錯誤數(shù)據(jù)與異常數(shù)據(jù). 而網(wǎng)約車數(shù)據(jù)除載客距離、載客時間異常問題外，還存在少量無效訂單，即司機未搶單等情況. 數(shù)據(jù)剔除規(guī)則如下：

1)刪除出行距離小于0.5 m的訂單；

2)刪除上下車經(jīng)緯度坐標為0、上車位置不在廈門市范圍內(nèi)的訂單；

3)刪除下車時間早于上車時間的訂單；

4)刪除訂單數(shù)據(jù)中下車時間為非時間格式的訂單；

5)刪除空駛距離過長的訂單，以空駛距離的99%分位點為依據(jù)，分別刪除空駛距離超過了24.1 km、26.8 km的出租車訂單.

1.2.2 缺失數(shù)據(jù)填補

網(wǎng)約車訂單數(shù)據(jù)中95%的空駛距離記錄為空值，致使網(wǎng)約車的空駛距離無法計算. 因此，通過爬取路徑導(dǎo)航API數(shù)據(jù)獲取上一訂單的下車位置與當前訂單的上車位置間的駕車距離，將其近似為空駛距離. 具體補充流程如下：

1)對網(wǎng)約車訂單數(shù)據(jù)按車輛ID和訂單時間排序；

2)遍歷所有空駛距離為空的訂單，提取當前訂單的上車經(jīng)緯度和上一訂單下車位置的經(jīng)緯度，通過API數(shù)據(jù)計算2個坐標的駕車路徑距離；

3)如果當前車輛該天僅有1條訂單或者當前訂單為該車輛的第1條訂單，則跳過.

1.2.3 數(shù)據(jù)空間關(guān)聯(lián)

將巡游車和網(wǎng)約車訂單的上下車經(jīng)緯度坐標與行政區(qū)空間矢量數(shù)據(jù)和蜂窩網(wǎng)格空間矢量數(shù)據(jù)進行空間關(guān)聯(lián)，并將上下車經(jīng)緯度坐標分別轉(zhuǎn)化為對應(yīng)的行政區(qū)或蜂窩網(wǎng)格ID.

2 運營特征指標及模型構(gòu)建

基于多源出租車數(shù)據(jù)，結(jié)合網(wǎng)約車與巡游車2種運營模式特點，從運行特征、時間和空間分布3個維度構(gòu)建特征指標.

2.1 運行特征指標

1)平均運距

(1)

式中，Mpi為訂單i的載客里程；n為統(tǒng)計周期內(nèi)的訂單數(shù).

2)平均運行時長

(2)

式中Tpi為訂單i的運行時長.

3)日均空駛率

(3)

式中Pi為訂單i的空駛率.

2.2 時間分布指標

居民出行的空間分布特征具有一定的規(guī)律性，工作日居民出行多以通勤行為為主，周末節(jié)假日居民出行以休閑娛樂目的為主[3].從時間維度分析載客次數(shù)可客觀反映城市居民的生活節(jié)奏以及乘客對巡游車、網(wǎng)約車的時間出行需求分布差異.載客次數(shù)見式(4)：

(4)

2.3 空間分布指標

統(tǒng)計某個行政區(qū)或蜂窩網(wǎng)格的上車和下車次數(shù)，可獲得不同空間粒度的出行OD分布、載客熱點分布、出行OD分布TOP20等空間分布特征. 同時，借鑒經(jīng)濟學(xué)中赫芬達爾- 赫希曼指數(shù)(Herfindahl-Hirschman Index HHI)度量每個網(wǎng)格內(nèi)巡游車和網(wǎng)約車的載客需求競爭與合作關(guān)系，見式(5). 當HHI為0.5時為完全競爭， HHI為1時則為完全壟斷.

(5)

式中，X為某網(wǎng)格的總上車次數(shù)；Xi為某網(wǎng)格內(nèi)巡游車或網(wǎng)約車的上車次數(shù).HHI越大，表示某種出租車模式壟斷程度越高.

3 運營特征分析及調(diào)度策略

基于出租車運營特征指標對巡游車與網(wǎng)約車的運營情況進行計算分析，可有效獲取巡游車和網(wǎng)約車的運行特征、時間和空間分布等規(guī)律情況，并提出相應(yīng)的調(diào)度策略.

3.1 運行特征

3.1.1 平均運距

圖2為巡游車和網(wǎng)約車的平均運距分布情況. 網(wǎng)約車和巡游車的平均運行距離主要分布在10 km以內(nèi)，占各自出行比例的76%、86%；并且，隨著出行距離的增長，網(wǎng)約車對應(yīng)的出行比例越高，而出租車的出行比例分布較為均衡. 結(jié)果表明，當出行距離位于10 km以上時，尤其是當出行距離大于30 km時，人們更傾向于選擇網(wǎng)約車出行，這一特征在非工作日和節(jié)假日期間更為明顯.

圖2 平均運距分布/km

3.1.2 平均運行時長

圖3為巡游車和網(wǎng)約車的平均運行時長分布情況. 在工作日、非工作日和節(jié)假日期間，出租車與網(wǎng)約車的平均運行時長均以20 min以內(nèi)為主，約占總訂單量的80%. 當出行時長大于20 min時，乘客更傾向于選擇網(wǎng)約車出行. 行程時間在20 min內(nèi)的網(wǎng)約車訂單比例在各個時期相對穩(wěn)定；在2019年非工作日和節(jié)假期，行程時間在20 min內(nèi)的巡游車訂單比例比工作日高約3%，這種變化趨勢在2020年的非工作日和節(jié)假期進一步加強.

圖3 平均運行時長分布/min

3.1.3 日均空駛率分布

圖4為巡游車和網(wǎng)約車的日均空駛率分布情況. 2019年，巡游車空駛率在25%以上的訂單約占總訂單量的50%，而2020年受疫情影響居民出行需求降低，各時期巡游車的空駛率顯著增加，非工作日和節(jié)假日上升的相對明顯，空駛率在25%以上的訂單比例較2019年同時期分別上升了13%和10%. 而網(wǎng)約車因精準的供需匹配機制，空駛率保持相對較低而穩(wěn)定的狀態(tài).

圖4 日均空駛率分布

3.1.4 空駛率時變特征

圖5～圖6為巡游車和網(wǎng)約車的空駛率時變特征情況. 巡游車的空駛率在23:00至次日07:00逐漸上升，在07:00達到最大值，隨后逐漸降低，工作日期間08:00、18:00的空駛率相對較低，非工作日和節(jié)假日期間18:00、22:00的空駛率相對較低. 受2020年疫情影響，巡游車在10:00—18:00期間較2019年同期顯著提升，其中非工作日、節(jié)假日上升最為明顯約8%，工作日上升約5%.

圖5 巡游車空駛率時變特征

圖6 網(wǎng)約車空駛率時變特征

而網(wǎng)約車的空駛率在不同時期變化趨勢相對一致，00:00—06:00空駛率逐漸上升，在06:00達到最大值，隨后空駛率逐漸下降并保持相對平穩(wěn)的趨勢. 受2020年疫情影響，10:00—18:00的平均空駛率較2019年同時期有小幅上升，工作日和非工作日上升約2%，節(jié)假日上升最明顯約4%.

總體來看，同一時期網(wǎng)約車的日均載客次數(shù)、運距和運行時長均高于巡游車，空駛率低于巡游車. 巡游車和網(wǎng)約車在節(jié)假日期間的日均載客次數(shù)較工作日和非工作日有小幅下降，而運距和運行時長較工作日和非工作日期間均有小幅增加. 受疫情影響，2020年巡游車日均載客次數(shù)較2019年有所下降，而2020年工作日的網(wǎng)約車日均載客次數(shù)較2019年增加約0.8萬次.

3.2 時間分布特征

出租車運行時變特征分析時以時間為橫軸，時間粒度為1 h，載客次數(shù)為縱軸，分析居民出行量隨時間的變化情況. 圖7描述了網(wǎng)約車和巡游車在工作日、非工作日以及節(jié)假日的出租車載客量的時變特征，工作日期間乘客需求呈典型的“雙高峰”形態(tài)，而非工作日和節(jié)假日則呈現(xiàn)“單峰”形態(tài). 網(wǎng)約車總體訂單量相對高于巡游車，工作日、非工作日以及節(jié)假日期間巡游車與網(wǎng)約車的出行需求低谷期均在06:00以前. 06:00后居民的出行需求快速增加，巡游車的出行需求基本維持在較高的平穩(wěn)狀態(tài)，而網(wǎng)約車的訂單量逐漸高于巡游車，且表現(xiàn)出明顯的高峰時期. 此外，受新冠疫情的影響，居民在節(jié)假日、周末等時期外出游玩的需求意愿降低，故2020年的巡游車和網(wǎng)約車出行訂單量均較低于2019年.

圖7 出租車需求時間分布特征

3.3 空間分布特征

本節(jié)主要基于廈門市2019年、2020年工作日、非工作日和節(jié)假日3個時間維度數(shù)據(jù)，分別從出行起訖點(OD)分布、上車需求分布和熱點OD對3方面對巡游車和網(wǎng)約車2種出租車運營模式的空間特征進行分析. 圖8為宏觀層面巡游車和網(wǎng)約車的空駛率時變特征情況.

圖8 出租車需求空間分布特征

從圖8結(jié)果可得出，約93%的巡游車訂單主要集中在思明區(qū)和湖里區(qū)2個區(qū)內(nèi)部出行，約83.6 %的網(wǎng)約車訂單主要分布于思明區(qū)、湖里區(qū)和集美區(qū)，且思明區(qū)和湖里區(qū)存在較強的交互關(guān)系，而集美區(qū)、同安區(qū)、海滄區(qū)和翔安區(qū)主要為區(qū)域內(nèi)部出行. 受疫情影響，端午節(jié)乘客采用網(wǎng)約車長距離出行的比例大幅增加，2020年端午節(jié)期間目的地為泉州、漳州、莆田市的訂單量較2019年增加130%. 結(jié)果也反映了廈門市職住分布相對平衡，減少了工作日通勤出行距離，降低了城市路網(wǎng)運行壓力.

圖9分別刻畫了巡游車和網(wǎng)約車于工作日、非工作和節(jié)假日的載客需求熱點分布情況. 巡游車載客需求熱點區(qū)域主要集中在思明區(qū)和湖里區(qū)的重要交通樞紐、大型居住區(qū)、商業(yè)區(qū)、景區(qū)和高校等；網(wǎng)約車載客熱點區(qū)域與巡游車的存在大量重合，除集中在思明區(qū)和湖里區(qū)外，集美區(qū)南部、海滄區(qū)的商務(wù)中心區(qū)域、同安老城區(qū)、翔安核心區(qū)等出行需求也相對較高. 總體來看，2020年巡游車和網(wǎng)約車的載客需求熱點分布規(guī)律與2019年的具有較高相似性，而巡游車熱點區(qū)域在城市中心的占比更高，而在新冠肺炎后疫情影響下部分地點的出行需求強度呈下降趨勢，如廈門北站等，2020年工作日網(wǎng)約車和巡游車的訂單量較2019年同期分別下降了約76%、20%.

圖9 出租車需求空間分布特征

此外，研究進一步根據(jù)式(3)計算并刻畫了巡游車與網(wǎng)約車在工作日、非工作日、節(jié)假日的早、晚高峰期間熱點區(qū)域的競合指數(shù)分布情況，見圖10.

圖10 出租車需求熱點區(qū)域競合指數(shù)分布

在工作日早高峰期間，城市中心區(qū)域、火車站以及機場等熱點區(qū)域網(wǎng)約車和巡游車訂單量相對均衡，而在城市東部外圍區(qū)域，主要以網(wǎng)約車為主. 非工作日和節(jié)假日的早高峰各熱點區(qū)域網(wǎng)約車和巡游車分布相對均衡. 而在工作日、非工作日和晚高峰期間，城市中心熱點區(qū)域兩者訂單分布均相對均衡，并由內(nèi)向外均衡性逐漸變差，尤其是城市的西部輪渡碼頭區(qū)域，主要以網(wǎng)約車訂單為主.

3.4 運營調(diào)度策略

針對廈門市巡游車和網(wǎng)約車的運行特征、需求時空分布特點的分析，明確了網(wǎng)約車和巡游車在不同時期和時段下的服務(wù)范圍和服務(wù)特征差異. 為提升運營服務(wù)水平和乘客出行滿意度，從不同時空維度和外部條件下面向2種出租車模式提出了出租車運營調(diào)度策略.

1)工作日、非工作日和晚高峰期間城市西部區(qū)域主要以網(wǎng)約車為主，需進一步增加輪渡碼頭等區(qū)域巡游車數(shù)量，滿足不同乘客的出行選擇需求和出行體驗.

2)針對城市重要交通樞紐改善巡游車和網(wǎng)約接客區(qū)規(guī)劃，優(yōu)化樞紐內(nèi)乘客出行路線引導(dǎo)，提高出行者的換乘出行效率和出行滿意度.

3)廈門作為東南沿海重要的中心城市、港口及風景旅游城市，在非工作日和節(jié)假日等典型時期內(nèi)，重要景點間、景點至廈門站出租車的出行需求旺盛，鼓勵乘客采用拼車方式出行，緩解高峰期間運能不足和路網(wǎng)運行壓力.

4)疫情條件下運力不足會造成乘客聚集，加大交叉?zhèn)魅镜娘L險. 故提倡乘客“預(yù)約出行”；并建議管理部門掌握網(wǎng)約車或巡游車的出行需求規(guī)模和時空分布規(guī)律，優(yōu)化車輛的供給策略，促進區(qū)域供需動態(tài)平衡.

4 結(jié)論

1)巡游車需求熱點區(qū)域主要集中在思明區(qū)和湖里區(qū)的重要交通樞紐、大型居住區(qū)、商業(yè)區(qū)、景區(qū)和高校等，網(wǎng)約車與巡游車的載客熱點區(qū)域大量重合，且網(wǎng)約車的日均載客次數(shù)、平均運距和運行時長均高于巡游車，空駛率低于巡游車.

2)出租車的出行距離主要分布在10 km以內(nèi)，當出行距離位于10 km以上，尤其是大于30 km時居民更傾向于選擇網(wǎng)約車出行.

3)廈門市巡游車 93%的訂單集中在思明區(qū)和湖里區(qū)內(nèi)部，網(wǎng)約車客83.6%的訂單分布于思明區(qū)、湖里區(qū)和集美區(qū). 城市中心區(qū)域網(wǎng)約車和巡游車訂單量相對均衡，由內(nèi)向外均衡性逐漸變差，以網(wǎng)約車為主.

4)工作日網(wǎng)約車訂單分布呈明顯雙峰特征，在非工作日和節(jié)假日期間，網(wǎng)約車訂單呈單峰模式，并在17:00—19:00時段達到峰值；工作日、非工作日和節(jié)假日巡游車訂單在08:00達到較高水平后保持相對穩(wěn)定狀態(tài).

5)2020年后疫情時期巡游車的空駛率顯著增加，非工作日和節(jié)假日上升的尤為明顯；而網(wǎng)約車因其因精準的供需匹配機制，空駛率保持相對較低且穩(wěn)定的狀態(tài).

本研究可為網(wǎng)約車與巡游車的行業(yè)發(fā)展與運營管理提供決策支撐，為構(gòu)建需求響應(yīng)型的出行服務(wù)提供數(shù)據(jù)參考，為管理部門掌握常態(tài)化與疫情條件下乘客出行特征提供依據(jù).