鄧紅星，胡 翼，何 煒

(1.東北林業(yè)大學 交通學院，哈爾濱 150006;2.北京郵電大學 計算機學院，北京 100876)

0 引言

可達性研究最早源于古典區(qū)位論，Hansen［1］于1995 年首次提出了交通可達性的概念，將可達性定義為各節(jié)點間相互作用的機會大小。此后對可達性的研究逐漸展開，但由于研究者對可達性概念的不同理解，導致了可達性評價方法和指標的差異性［2-3］。目前常用的可達性測算模型有空間阻隔模型、累計機會模型、潛力模型、效用模型和時空約束模型等［4-7］。

隨著城市的快速發(fā)展，交通擁堵等問題日益嚴重，公共交通被認為是緩解擁堵問題的必然選擇，公共交通可達性也被眾多學者關注［8-10］。Liu等［11］以總行程時間為可達性指標，通過問卷調(diào)查獲取步行和等待時間，通過公交時刻表獲取運輸時間，分析上海運輸中心多運輸模式系統(tǒng)空間可達性;冷順多［12］通過最優(yōu)路徑算法構建線網(wǎng)層和連接層網(wǎng)絡，考慮時間和換乘因素建立綜合公共交通可達性評價模型。但由于實際出行成本等指標與道路網(wǎng)絡、實時道路交通情況有關，且隨著交通狀況在時空上的波動產(chǎn)生明顯變化，故大部分研究在進行可達性指標測算時無法對實時交通態(tài)勢進行分析，獲得的出行時間等數(shù)據(jù)與實際情況相比會有一定的誤差［13］?？紤]到部分學者近年來通過網(wǎng)絡地圖API 接口獲取實時出行數(shù)據(jù)［14-15］，因此本文中結合高德地圖API 開放平臺，獲取精確的實際出行時間、實際步行到站時間、換乘次數(shù)和出行方案數(shù)等數(shù)據(jù)指標，從而更精確地對城市區(qū)域公共交通可達性進行評估。

當僅考慮公共交通網(wǎng)絡的可達性而忽略居民出行需求與公交網(wǎng)絡供給的匹配關系時，會導致可達性評價結果缺乏實際利用價值和意義。隨著交通大數(shù)據(jù)研究的發(fā)展，全威等［9］提出一種基于出租車軌跡數(shù)據(jù)挖掘的城市區(qū)域公交可達性評估優(yōu)化方法，江世雄［16］基于公交刷卡數(shù)據(jù)和出租車GPS 數(shù)據(jù)提取客流OD 對城市區(qū)域進行可達性評價。因此，本文中通過手機信令數(shù)據(jù)提取不同時段的居民出行需求建立可達性模型。

從上述研究分析可以發(fā)現(xiàn)，大部分研究者在進行公共交通網(wǎng)絡可達性評估時并未考慮時間或空間閾值，或僅加入主觀設置的時間等閾值，很少從個人出行意愿的角度出發(fā)。但在實際出行時，居民是否愿意采用公共交通出行不僅和出行時間有關，他們還會考慮換乘次數(shù)和步行到站點的距離等因素，若超過各影響因素的最大閾值，則不會選擇公共交通出行。超過各因素最大閾值的區(qū)域被判定為公共交通不可達區(qū)域。因此，本文中通過問卷調(diào)查采集個人出行意愿的相關閾值，對高德API 接口獲取的實時公共交通出行方案進行篩選，以獲取滿足出行閾值的出行方案指標，并考慮可達區(qū)域數(shù)目指標建立可達性模型。

綜上，考慮個人出行意愿閾值、不同時段的居民出行需求以及基于高德地圖API 開放平臺獲取的不同時段的總出行時間、步行到站時間、換乘次數(shù)、方案數(shù)等指標建立城市區(qū)域公共交通可達性模型，對哈爾濱市南崗區(qū)各交通小區(qū)時空可達性進行評估，為城市公共交通網(wǎng)絡規(guī)劃、公交優(yōu)化和解決城市交通問題提供參考。

1 可達性模型基本思路

綜合常見的可達性模型和現(xiàn)有文獻的優(yōu)缺點、適用性，以重力模型和時空約束模型為基礎，考慮多項相關可達性評價指標，結合個人出行意愿閾值和居民出行需求，建立城市區(qū)域公共交通可達性評價模型，基本思路如圖1 所示。

圖1 區(qū)域公共交通可達性模型基本思路框圖

2 可達性模型建立

區(qū)域公共交通可達性模型主要包含居民出行需求和出行時的出行成本指標。選取相應的可達性測算指標來表征出行者采用公共交通出行的便捷程度，選取的可達性測算指標有總出行時間、步行到站時間、換乘次數(shù)和出行方案數(shù)等指標。

2.1 可達性測算指標

1)總出行時間

總出行時間指標用各小區(qū)間滿足閾值要求時通過公共交通出行所耗費的總時間來表示，總出行時間越高，則可達性越差。計算式如下:

式中:Ti為小區(qū)i 總出行時間指標;tij為小區(qū)i 至小區(qū)j 公共交通出行總時間;w(tij)為距離衰減函數(shù)，即高斯函數(shù)，其中t0為tij的閾值;表示歸一后的值;f(τ)為時空約束函數(shù)，τ*為相關出行閾值，包括總出行時間、步行到站時間和換乘次數(shù)閾值。

2)步行到站時間

步行到站時間指標用各小區(qū)間滿足閾值要求時步行到公交地鐵站點所花費的時間來表示，步行到站時間越高，則可達性越差。計算式如下:

式中:Tibu為小區(qū)i 步行到站時間指標;tijbu為小區(qū)i至小區(qū)j 公共交通出行時步行至車站的時間;表示歸一后的值。

3)換乘次數(shù)

換乘次數(shù)指標用各小區(qū)間滿足閾值要求時出行方案的換乘次數(shù)來表示，換乘次數(shù)越多，則可達性越差。計算式如下:

式中:Ci為小區(qū)i 換乘次數(shù)指標;cij為i 至j 小區(qū)的換乘次數(shù)。

4)出行方案數(shù)

出行方案數(shù)指標用各小區(qū)間滿足閾值要求時可行的出行方案數(shù)來表示，出行方案數(shù)越小，則可達性越差。計算式如下:

式中:Ni為小區(qū)i 出行方案數(shù)指標;nij為小區(qū)i 至小區(qū)j 出行方案數(shù);表示歸一后的值。

2.2 可達性模型構建

結合前述可達性測算指標、居民出行需求和閾值條件下可達小區(qū)個數(shù)，綜合建立城市區(qū)域公共交通可達性模型如下:

式中:Mi為小區(qū)i 的出行需求，M總為所有小區(qū)出行需求之和;Di為小區(qū)i 在相關出行閾值下通過公共交通可達的小區(qū)個數(shù)，D總為所有小區(qū)總個數(shù);η1至η4為各指標的權重，為避免主觀性對評價結果的干擾，本文采用熵權法確定各指標的權重值。

3 案例分析

由于高德API 接口每日申請配額限制，考慮到南崗區(qū)橫跨哈爾濱二三四環(huán)，比較具有代表意義，因此本次研究區(qū)域主要為哈爾濱市南崗區(qū)。以500 m* 500 m 的柵格對南崗區(qū)進行小區(qū)劃分，得到共470 個交通小區(qū)及各小區(qū)質(zhì)心坐標，如圖2所示。

圖2 哈爾濱市南崗區(qū)柵格小區(qū)示意圖

3.1 出行閾值

通過問卷采集個人愿意采用公共交通出行時的相關出行閾值，包括冬夏不同季節(jié)的最大出行總時間、最大換乘次數(shù)及步行至車站的最大步行時間等。通過設置相關問題篩選有效問卷，對有效問卷量表進行信效度分析，將所有有效問卷中第八十百分位數(shù)作為本文采用的出行閾值。

本次研究共發(fā)放200 份問卷，其中有效問卷168 份。因研究區(qū)域為哈爾濱市，因此發(fā)放問卷對象中70%來自東北地區(qū)，從而得到個人基本信息、通勤距離、采用公共交通出行意愿以及冬夏季節(jié)愿意采用公共交通出行的相關出行閾值。對調(diào)查問卷進行信效度分析，結果如表1、表2 所示，其中調(diào)查問卷信度為0.826，效度為0.713。結果表明調(diào)查問卷數(shù)據(jù)可靠有效。

表1 可靠性統(tǒng)計量

表2 KMO 和Bartlett 的檢驗

對出行總時間、換乘次數(shù)、步行到站時間、候車時間閾值采集數(shù)據(jù)進行統(tǒng)計分析，結果如圖3所示。提取第八十百分位數(shù)得到設定的換乘次數(shù)閾值為3 次，出行總時長閾值為5 400 s，步行到站時長閾值為1 000 s。

圖3 出行閾值箱形圖

3.2 出行需求

居民出行需求主要通過手機信令數(shù)據(jù)獲取。通過手機信令數(shù)據(jù)識別居民出行鏈并進行數(shù)據(jù)處理，從而得到早/晚高峰、工作日/非工作日、冬/夏季等不同時間各交通小區(qū)間的居民出行需求。

采用哈爾濱市域范圍內(nèi)聯(lián)通手機用戶產(chǎn)生的信令數(shù)據(jù)，數(shù)據(jù)采集時間為2019 年5 月。對工作日和節(jié)假日的早高峰(7∶00—9∶00)手機信令數(shù)據(jù)進行數(shù)據(jù)處理并擴樣，從而得到哈爾濱市南崗區(qū)各交通小區(qū)間夏季工作日和節(jié)假日早高峰居民出行需求數(shù)據(jù)，并將其可視化(見圖4、5)。

圖4 各小區(qū)間出行需求(工作日早高峰)示意圖

圖5 各小區(qū)間出行需求(節(jié)假日早高峰)示意圖

3.3 可達性測算指標提取及可達性計算

基于高德地圖開放平臺，利用python 編程進行數(shù)據(jù)的獲取和處理，批量獲取不同起訖點、不同時間下的所有公共交通出行方案，包括每個方案的總出行時間、詳細步驟和每步的出行成本。通過最大出行總時間、最大換乘次數(shù)和步行至車站的最大步行時間等閾值對各方案進行篩選，刪除不滿足條件的方案。將無出行方案的小區(qū)標記為不可達小區(qū)，提取OD 小區(qū)間最優(yōu)方案的出行總時間、換乘次數(shù)、步行時間、符合閾值要求的方案數(shù)和各小區(qū)的可達小區(qū)數(shù)，從而計算各交通小區(qū)公共交通區(qū)域可達性，具體步驟如下:

步驟1通過python 調(diào)用高德API 接口，批量獲取哈爾濱市南崗區(qū)470 個交通小區(qū)間，共22 萬對起訖點在早高峰采用公共交通出行的所有詳細出行方案，如表3 所示;

表3 各交通小區(qū)間早高峰詳細公共交通出行方案

步驟2結合調(diào)查問卷得到的公共交通出行閾值，利用python 編程對所有出行方案進行數(shù)據(jù)篩選和處理，刪除不滿足閾值條件的方案，并將所有方案均不滿足閾值條件的OD 點對標記為不可達;

步驟3提取可達小區(qū)間最優(yōu)方案的出行總時長、步行到站時長、換乘次數(shù)和可達方案數(shù)，提取各小區(qū)可達小區(qū)數(shù);

步驟4通過Matlab 對出行總時長、步行到站時長、換乘次數(shù)及可達方案數(shù)4 個指標數(shù)據(jù)進行標準化處理，并計算各指標的熵值、信息熵差異度和對應的權重，從而實現(xiàn)對評價指標的客觀賦權。4 個指標的權重計算結果為η1=0.239 6，η2=0.316，η3=0.190 8，η4=0.253 6。

步驟5結合公共交通出行測算指標數(shù)據(jù)、各小區(qū)早高峰出行需求和各測算指標權重值，代入可達性模型計算哈爾濱市南崗區(qū)區(qū)域公共交通可達性，如表4 所示。

表4 各交通小區(qū)可達性計算結果

3.4 結果分析

對表4 結果中各小區(qū)出行方案數(shù)、可達小區(qū)數(shù)、不考慮出行需求的可達性以及工作日和節(jié)假日公共交通可達性數(shù)據(jù)使用arcgis 進行可視化處理，具體結果如圖6—10 所示。

僅從公共交通網(wǎng)絡自身的可達性而言，圖6、圖7 反映了居民出于個人出行意愿，愿意采用公共交通出行所能到達的小區(qū)數(shù)量分布情況、可采用的出行方案數(shù)量分布情況。從圖8 可以看出，南崗區(qū)中部地區(qū)的可達性明顯高于兩端小區(qū)的可達性。因為本文中僅考慮南崗行政區(qū)，因此就南崗區(qū)而言，中部小區(qū)更容易通過公共交通到達更多的小區(qū)。除此以外，哈爾濱地鐵2 號線沿線小區(qū)可達性明顯高于其他地區(qū)。

圖6 各交通小區(qū)早高峰可達方案數(shù)示意圖

圖7 各交通小區(qū)早高峰可達小區(qū)數(shù)示意圖

圖8 各交通小區(qū)不考慮出行需求的公共交通可達性(早高峰)示意圖

考慮居民出行需求的公共交通可達性如圖9、10 所示?？梢园l(fā)現(xiàn)，早高峰公共交通可達性較高的小區(qū)集中在二三環(huán)內(nèi)、哈西新區(qū)及其附近，且隨著距市中心距離的增加逐漸減小;哈爾濱地鐵2號線線路沿線區(qū)域可達性較高，地鐵線路可顯著地提高城市公共交通系統(tǒng)的可達性。工作日早高峰出行需求要高于節(jié)假日早高峰出行需求，但工作日和節(jié)假日的公共交通可達性分布趨勢無明顯差距。

圖9 各交通小區(qū)公共交通可達性(工作日早高峰)示意圖

圖10 各交通小區(qū)公共交通可達性(節(jié)假日早高峰)示意圖

4 結論

在相關可達性研究基礎上，綜合考慮了個人出行意愿閾值、出行需求和相關可達性測算指標建立了區(qū)域公共交通可達性模型，通過問卷調(diào)查數(shù)據(jù)、手機信令數(shù)據(jù)和高德API 接口獲取不同時段的相關數(shù)據(jù)，進行各交通小區(qū)公共交通可達性計算。研究結果可以較全面、綜合地反映城市區(qū)域公共交通系統(tǒng)的可達性水平，為城市交通基礎設施建設規(guī)劃等提供參考。