陳啟香，呂斌*，陳喜群，郝斌斌，何佳曦

(1.蘭州交通大學(xué)，交通運(yùn)輸學(xué)院，蘭州 730070；2.浙江大學(xué)，建筑工程學(xué)院，杭州 310058)

0 引言

隨著信息技術(shù)的發(fā)展和大數(shù)據(jù)時(shí)代的來(lái)臨，利用大數(shù)據(jù)分析出行方式與建成環(huán)境的依賴關(guān)系已成為研究熱點(diǎn)[1]。同時(shí)，城市化進(jìn)程加快使得城市管理者和交通規(guī)劃者亟需從城市設(shè)計(jì)和交通規(guī)劃的角度促進(jìn)城市的可持續(xù)發(fā)展。特別是近年來(lái)，多模式交通出行已成為未來(lái)城市可持續(xù)發(fā)展的基礎(chǔ)，多模式出行將公共交通、出租車等互相組合，一定程度上減少了私家車出行[2]。為實(shí)現(xiàn)多模式交通出行這一目標(biāo)，就有必要研究多模式交通出行中各出行方式間的相互關(guān)系，具體地，這種關(guān)系是指城市中一種出行方式在空間和時(shí)間上如何與其他出行方式競(jìng)爭(zhēng)或互補(bǔ)。而對(duì)出行方式間關(guān)系的討論首先應(yīng)該聚焦于兩種出行方式間[3]。因此，本文對(duì)出租車與地鐵的競(jìng)合關(guān)系展開(kāi)研究。

該方面的已有成果多基于出租車客流和地鐵客流，研究出租車與地鐵間的出行關(guān)系，以及建成環(huán)境對(duì)出行關(guān)系的影響。例如，Ye等[4]利用出租車和地鐵客流數(shù)據(jù)，引入半?yún)?shù)回歸模型，從時(shí)間維度上分析了影響出租車出行趨勢(shì)的變量，計(jì)算了出行者在特定地鐵站打車或乘坐地鐵的概率。Jiang等[5]利用出租車軌跡數(shù)據(jù)對(duì)比分析了出租車和地鐵出行的出發(fā)地分布，探討了出租車和地鐵客流量之間的關(guān)系。Huang等[6]利用刷卡數(shù)據(jù)和出租車軌跡數(shù)據(jù)，研究了深圳市春節(jié)前后，在人口短暫變化的情況下，公交、地鐵、出租車等出行方式間的相互作用模式，通過(guò)普通最小二乘法(Ordinary Least-Squares,OLS)和地理加權(quán)回歸(Geographic Weighted Regression,GWR)模型揭示了多模出行與建成環(huán)境的關(guān)系。Tu 等[7]基于公交、地鐵、出租車客流數(shù)據(jù)，同樣利用GWR 模型，探討了人口、土地利用和交通等因素對(duì)各種交通方式客流量的空間解析效應(yīng)。通過(guò)分析已有研究發(fā)現(xiàn)，上述研究均未從出行的OD點(diǎn)角度探究出租車與地鐵競(jìng)合關(guān)系，未明確建成環(huán)境對(duì)出租車與地鐵競(jìng)合關(guān)系影響程度的空間異質(zhì)性及尺度差異；研究方法多采用GWR 模型，該模型忽略了建成環(huán)境要素的有效范圍和閾值效應(yīng)在不同區(qū)域中有所不同的事實(shí)，即忽略了空間尺度差異性[8]，造成結(jié)果不夠穩(wěn)健。因此，有必要在考慮建成環(huán)境要素空間異質(zhì)性及尺度差異的基礎(chǔ)上，探討出租車與地鐵競(jìng)合關(guān)系在不同空間環(huán)境中的不同反應(yīng)，進(jìn)而指導(dǎo)城市和交通管理者從特定尺度層面的建成環(huán)境入手優(yōu)化城市結(jié)構(gòu)、改善居民出行結(jié)構(gòu)，實(shí)現(xiàn)以公共交通為導(dǎo)向的城市發(fā)展。

本文利用蘭州市出租車軌跡數(shù)據(jù)、土地利用等數(shù)據(jù)，從出租車出行OD點(diǎn)與地鐵站點(diǎn)的空間關(guān)系角度出發(fā)，分析出租車與地鐵競(jìng)合關(guān)系；采用多尺度地理加權(quán)回歸(Multi-scale Geographically Weighted Regression,MGWR)模型，刻畫建成環(huán)境對(duì)出租車與地鐵競(jìng)合關(guān)系影響的空間異質(zhì)性及尺度效應(yīng)；研究出租車與地鐵競(jìng)合關(guān)系與城市建成環(huán)境間的復(fù)雜空間模式及依賴效應(yīng)。

1 研究區(qū)域與數(shù)據(jù)預(yù)處理

以蘭州市(安寧區(qū)、城關(guān)區(qū)和七里河區(qū))為研究區(qū)域，將其劃分成邊長(zhǎng)為1 km×1 km 的網(wǎng)格。選取2021年4月1～26日的出租車軌跡數(shù)據(jù)，包含車牌號(hào)、時(shí)間、載客狀態(tài)(0為未載客，1為載客)、里程數(shù)、經(jīng)緯度等信息。本文首先從該數(shù)據(jù)集中提取所有出行信息，并刪除缺少OD 坐標(biāo)及OD 點(diǎn)位于城市邊界以外的行程；刪除單次出行距離大于80 km的行程。為準(zhǔn)確測(cè)度建成環(huán)境的特征變量，本文通過(guò)API 方法訪問(wèn)百度地圖，獲取路網(wǎng)和興趣面(AOI)等數(shù)據(jù)[9]，并借助ArcGIS10.2 對(duì)AOI 數(shù)據(jù)進(jìn)行處理得到土地利用數(shù)據(jù)。

1.1 出租車出行數(shù)據(jù)分類

為闡明出租車與地鐵競(jìng)合關(guān)系，本文根據(jù)出租車出行的OD 點(diǎn)與地鐵站點(diǎn)的空間關(guān)系將出租車行程分為3 類：與地鐵競(jìng)爭(zhēng)(Subway-Competing,SCPE)方式、延伸地鐵(Subway-Extending,SE)方式和補(bǔ)充地鐵出行(Subway-Complementing,SC)方式[7]。其中SCPE方式可由地鐵實(shí)現(xiàn)，OD點(diǎn)均位于地鐵站影響范圍內(nèi)；SE 方式的一端在地鐵站影響范圍內(nèi)，如O 點(diǎn)在緩沖區(qū)內(nèi)，延伸D 點(diǎn)，被定義為SE-offs，反之則為SE-ups(延伸O 點(diǎn)，D 點(diǎn)在地鐵站影響范圍內(nèi))；SC方式不能由地鐵實(shí)現(xiàn)，即OD點(diǎn)均不在地鐵站影響范圍內(nèi)，如圖1所示。地鐵站點(diǎn)影響范圍的大小由站點(diǎn)步行吸引范圍確定[8]。Sun等[10]指出0.4 km為可接受的步行距離值，0.8 km為最大值。本文以0.5 km作為半徑，建立站點(diǎn)影響范圍，對(duì)在地鐵運(yùn)營(yíng)時(shí)段內(nèi)的出租車行程進(jìn)行分類，其中4.26%為SCPE，37.47%為SE，58.73%為SC，說(shuō)明在地鐵網(wǎng)絡(luò)不發(fā)達(dá)的蘭州市仍有較多的出行需求無(wú)法由地鐵實(shí)現(xiàn)。

圖1 3種出行方式的區(qū)分Fig.1 Conceptual example of classifying three types of taxi trips

1.2 出租車出行特征分析

本文對(duì)SC、SCPE 和SE 方式的單次出行距離進(jìn)行統(tǒng)計(jì)：SCPE方式的平均出行距離約為5.3 km，其中75%的行程距離小于5 km，這表明在短距離出行中，出租車服務(wù)便捷快速，可以取代地鐵；SE 方式的平均出行距離約為6.09 km，91%的SE 方式行程距離在2～6 km，這反映出蘭州市地鐵網(wǎng)絡(luò)的不發(fā)達(dá)；SC 方式的平均出行距離約為6.38 km，這說(shuō)明SC 方式傾向于較長(zhǎng)距離出行。由以上分析得出，出租車出行延長(zhǎng)、競(jìng)爭(zhēng)或補(bǔ)充地鐵出行。

圖2為SC、SCPE、SE方式上、下客點(diǎn)的空間分布情況(次·日-1)。SC 方式呈現(xiàn)出最廣泛的空間分布，SCPE 方式O 點(diǎn)、D 點(diǎn)沿地鐵線路分布，SE 方式的O 點(diǎn)、D 點(diǎn)空間分布較為緊湊，且多集中于地鐵站附近，由此可知，SC、SCPE和SE方式在空間分布上呈現(xiàn)明顯的差異性。基于網(wǎng)格內(nèi)上客次數(shù)(次·日-1)，對(duì)SC、SCPE 及SE 進(jìn)行Moran'I 檢驗(yàn)，所得結(jié)果如表1所示，表明SC、SCPE 和SE 方式具有明顯的空間異質(zhì)性。

表1 SC、SCPE及SE方式客流量的Moran's I檢驗(yàn)Table 1 Moran's I tests for spatial autocorrelation applied to dependent variables

圖2 3類出租車出行方式OD點(diǎn)的空間分布Fig.2 Spatial distribution of origins/destinations of three categories of taxi trips

2 研究方法

2.1 變量定義

選取每個(gè)網(wǎng)格內(nèi)SC、SCPE、SE 方式的上客次數(shù)(次·日-1)為因變量。由于出行方式受土地利用類型、交通等建成環(huán)境變量[7]的影響，根據(jù)已有數(shù)據(jù)，本文選取由土地利用和交通要素構(gòu)成的指標(biāo)為自變量，如表2所示。

表2 自變量描述Table 2 Descriptive statistics for independent variables

土地利用混合度表征研究區(qū)域土地利用的多樣性。本文根據(jù)熵指數(shù)法計(jì)算各網(wǎng)格的土地利用混合度[6]，即

式中：pij為網(wǎng)格i中j類用地所占比例；Ni為網(wǎng)格i中土地利用類型的數(shù)量；Ei值在[0,1]之間，0表示網(wǎng)格內(nèi)只有1 種土地利用，1 表示網(wǎng)格內(nèi)各土地利用比例相等。

交通方面主要考慮公共交通可達(dá)性和道路密度。本文用公交車站點(diǎn)密度衡量公共交通可達(dá)性，其中公共交通站點(diǎn)為常規(guī)公交站點(diǎn)[1]。道路密度表征網(wǎng)格中的道路網(wǎng)絡(luò)特征，即

式中：Di為網(wǎng)格i內(nèi)的道路密度；Lij為網(wǎng)格i內(nèi)道路j的長(zhǎng)度；N為網(wǎng)格i內(nèi)的道路數(shù)；Ai為網(wǎng)格i面積。

2.2 全局回歸模型

多元線性回歸是研究出行方式與建成環(huán)境的基本方法，通常采用OLS進(jìn)行參數(shù)估計(jì)，即

式中：ri為因變量；xik為自變量；β0,…,βk為回歸系數(shù)；εi為誤差項(xiàng)。自變量的多重共線性通過(guò)方差膨脹因子(Variance Inflation Variables,VIF)來(lái)檢驗(yàn)，VIF大于10表示變量存在嚴(yán)重的多重共線性[6]。

2.3 多尺度地理加權(quán)回歸(MGWR)

MGWR 模型放寬GWR 模型估計(jì)過(guò)程中自變量的影響具有相同空間尺度的假設(shè)，允許對(duì)自變量特定帶寬優(yōu)化，產(chǎn)生更接近真實(shí)的空間過(guò)程模型[11]。MGWR的表達(dá)式為

GWR和MGWR模型求解均采用高斯核函數(shù)，最優(yōu)帶寬由赤池信息量準(zhǔn)則(Akaike Information Criterion,AIC)計(jì)算。AIC可避免模型的過(guò)擬合，且AIC 越小表示模型結(jié)果越好[11]。MGWR 模型需先初始化各帶估計(jì)參數(shù)值，然后不斷優(yōu)化初始值直至收斂，考慮到收斂速度，本文采用GWR 估計(jì)作為初始估計(jì)，殘差平方和變化比例(RSS)作為收斂準(zhǔn)則[8]。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 OLS模型計(jì)算結(jié)果與分析

針對(duì)SC、SE-ups、SE-offs及SCPE方式，采用逐步回歸分析法計(jì)算OLS模型，篩選影響顯著的重要變量作為MGWR 模型的輸入，結(jié)果如表3所示。同時(shí)，對(duì)OLS 殘差進(jìn)行Moran's I 檢驗(yàn)，結(jié)果如表4所示，表明殘差具有顯著的空間相關(guān)性(p ＜0.05)，故需采用考慮空間異質(zhì)性的回歸模型進(jìn)一步分析。

表3 全局模型OLS的計(jì)算結(jié)果Table 3 Result of global regression

表4 OLS殘差的Moran's I檢驗(yàn)Table 4 Global residuals Moran's I test

3.2 MGWR模型計(jì)算結(jié)果與分析

表5 為GWR 和MGWR 模型擬合效果評(píng)價(jià)指標(biāo)對(duì)比：對(duì)于SC、SCPE、SE-ups 及SE-offs 方式，相較于GWR，MGWR 的解釋能力分別提升了8.7%、12.8%、13.3%及12.3%；殘差的Moran's I 分別僅為-0.012、0.120、-0.015、-0.013，基本消除了殘差的空間效應(yīng)。其中Moran's I 小于0 意味著隨著空間分布位置的離散，SC、SE 方式的空間差異更大，這主要是由區(qū)域社會(huì)經(jīng)濟(jì)發(fā)展水平及其結(jié)構(gòu)不同而產(chǎn)生的差異；反之SCPE 方式則隨著空間分布位置的聚集，其相關(guān)性越顯著，且AIC 和RSS 也均為最小。鑒于此：MGWR 的估計(jì)效果顯然優(yōu)于GWR，能更好地刻畫SC、SCPE 及SE 分別和建成環(huán)境依賴關(guān)系的空間異質(zhì)性及其尺度效應(yīng)。

表5 地理加權(quán)回歸與多尺度地理加權(quán)回歸模型指標(biāo)Table 5 Model index of GWR and MGWR

3.3 尺度分析

GWR 和MGWR 模型的計(jì)算結(jié)果如表6所示。對(duì)于SC、SCPE 和SE 等方式，GWR 的擬合最佳帶寬分別為52、50和54，只能反映出各個(gè)變量作用尺度的平均值，而MGWR 則能夠反映不同變量的差異化作用尺度。

表6 地理加權(quán)回歸與多尺度地理加權(quán)回歸模型帶寬Table 6 Bandwidth of GWR and MGWR

分析表6可得出以下結(jié)論：

(1)對(duì)于SC方式，公交站點(diǎn)密度的作用尺度為44，遠(yuǎn)低于其他變量的作用尺度，占樣本總量(507個(gè)網(wǎng)格)的8.7%，相應(yīng)的面積為43.8 km2，接近于街道行政區(qū)尺度。這一方面說(shuō)明在不同的街道行政區(qū)范圍內(nèi)，公交站點(diǎn)密度的價(jià)值基本相同，超出該作用尺度后，系數(shù)會(huì)發(fā)生明顯變化；另一方面，說(shuō)明SC方式對(duì)公交站點(diǎn)密度非常敏感。道路密度和住宅用地密度的作用尺度同樣較小，說(shuō)明在不同范圍內(nèi)，道路密度和住宅用地密度的影響差異較大。土地利用混合度和其他用地密度的作用尺度較大，系數(shù)在空間上較為平穩(wěn)。

(2)對(duì)于SCPE 方式，公交站點(diǎn)密度、道路密度和住宅用地密度具有相同的作用尺度，占樣本總量(106)的40.6%，屬于較大尺度，系數(shù)在空間上較為平穩(wěn)。其他用地密度的作用尺度為105，是全局尺度，基本不存在空間異質(zhì)性。

(3)對(duì)于SE-ups和SE-offs方式，公交站點(diǎn)密度的作用尺度最小，分別占樣本總量(370 和467)的11.6%和9.2%，對(duì)SE-ups 和SE-offs 的尺度效應(yīng)同SC 方式，即SE 方式同樣對(duì)公交站點(diǎn)密度非常敏感。相較于SE-ups，SE-offs對(duì)住宅用地密度和其他用地密度更為敏感，而住宅用地密度和其他用地密度對(duì)SE-ups的影響更為平穩(wěn)。道路密度、商業(yè)用地密度的作用尺度分別為369、363 和466、398，幾乎等同于全局變量，這說(shuō)明基本不存在空間異質(zhì)性。

3.4 系數(shù)空間格局分析

SC、SCPE、SE 方式與建成環(huán)境的依賴關(guān)系具有顯著的空間異質(zhì)性。MGWR 模型各系數(shù)統(tǒng)計(jì)如表7所示，回歸系數(shù)的空間分布情況如圖3～圖8所示。

表7 MGWR回歸系數(shù)統(tǒng)計(jì)描述Table 7 Statistical description of MGWR coefficients

土地利用混合度對(duì)SC、SE-ups 和SE-offs 方式具有顯著正向影響，系數(shù)均值分別為0.140、0.120和0.130，影響強(qiáng)度較弱。影響強(qiáng)度較強(qiáng)的區(qū)域主要集中在蘭州市各區(qū)交匯的中部區(qū)域，如圖3所示，這主要是因?yàn)樵搮^(qū)域具有商業(yè)街、學(xué)校、公園及車站等，土地混合利用度較好；而蘭州市東、西、南部外圍區(qū)域面積廣闊，商業(yè)和公共服務(wù)用地則分布相對(duì)較少，土地利用混合度不好。由此可知，土地利用混合度較好的區(qū)域，出行需求高，出租車分擔(dān)率相對(duì)較高，這與文獻(xiàn)[12]的研究結(jié)果一致。同時(shí)由圖3可知，在相同影響強(qiáng)度下，對(duì)于SE的影響范圍小于SC，這意味著完善土地利用混合度較好區(qū)域的地鐵網(wǎng)絡(luò)，可有效減少出租車出行和縮小出租車出行范圍。

圖3 土地利用混合度回歸系數(shù)空間分布Fig.3 Spatial patterns of land use mix's coefficient

道路密度對(duì)SC、SCPE 和SE 等方式具有正向影響，影響尺度依次為較小、較大和全局尺度。且對(duì)SE 方式的影響強(qiáng)度較強(qiáng)，其次是SC 方式，對(duì)SCPE方式的影響最弱。道路密度系數(shù)的標(biāo)準(zhǔn)差分別為0.126(SC)、0.181(SCPE)、0.003(SE- ups)和0.002(SE-offs)，說(shuō)明道路密度對(duì)SC和SCPE方式域上影響差異較大，對(duì)SE方式域上影響差異很小，這種差異主要是由地域的發(fā)展程度、功能結(jié)構(gòu)等導(dǎo)致的，如圖4所示。這意味著在相同路網(wǎng)條件下，地鐵網(wǎng)絡(luò)的完善，可有效改造城市交通流量的空間分布格局，從根源上改善由城市空間格局和功能分區(qū)導(dǎo)致的交通問(wèn)題，如緩解中心城區(qū)的交通壓力。

圖4 道路密度回歸系數(shù)空間分布Fig.4 Spatial patterns of road density's coefficient

公交站點(diǎn)密度對(duì)SC、SCPE 及SE 方式的影響尺度都很小，存在高度的空間異質(zhì)性，從系數(shù)絕對(duì)值上來(lái)看，其影響強(qiáng)度在所有變量中最大。分析公交站點(diǎn)的分布密度(圖1)及其系數(shù)空間分布(圖5)可以發(fā)現(xiàn)，公交站點(diǎn)分布密集的地區(qū)對(duì)出租車吸引力極小，而對(duì)于七里河區(qū)、安寧區(qū)等站點(diǎn)密度較低，但對(duì)出租車的吸引力卻更大。這種現(xiàn)象可以從兩個(gè)方面來(lái)解釋：第一，公交站點(diǎn)密度大的地方，能吸引更多的乘客，反過(guò)來(lái)會(huì)產(chǎn)生更多的SC、SE 出行；第二，出租車用于接駁，往返于公交站(地鐵站)的出發(fā)點(diǎn)或目的地。

同時(shí)由圖5可以看出，地鐵沿線公交站點(diǎn)分布密集的地區(qū)未呈現(xiàn)出顯著的影響。但在西關(guān)什字商業(yè)街、省政府等站附近，公交站點(diǎn)密度和SC方式卻呈顯著負(fù)相關(guān)，這是由于該區(qū)域公交站點(diǎn)和地鐵站點(diǎn)密度大，且易發(fā)生擁堵，居民選擇出租車出行的可能性較小。對(duì)于SE方式，土門墩、蘭州西站北廣場(chǎng)等站附近，公交站點(diǎn)密度對(duì)SE 方式呈現(xiàn)顯著正相關(guān)，這是因?yàn)楦哞F到達(dá)帶來(lái)大量多樣化的出行需求，因此出租車出行量大幅上升。交通規(guī)劃和管理部門應(yīng)系統(tǒng)分析蘭州高鐵站流量流向，合理布設(shè)公交站點(diǎn)位置，滿足乘客的多樣化出行需求。

圖5 公交站點(diǎn)密度回歸系數(shù)空間分布Fig.5 Spatial patterns of bus stop density's coefficient

商業(yè)用地比例對(duì)SE 方式的影響顯著且為正向，影響強(qiáng)度由東向西遞增，這與蘭州市商業(yè)區(qū)的發(fā)展方向相一致，如圖6所示。商業(yè)用地比例系數(shù)均值分別為0.078 和0.059，從系數(shù)絕對(duì)值上來(lái)看，商業(yè)用地比例只對(duì)SE 方式有顯著影響且其對(duì)SE方式的影響強(qiáng)度在所有變量中最弱。在地域上影響差異不大。同時(shí)由圖6 可知，在東方紅廣場(chǎng)、西關(guān)什字、西站什字等商業(yè)用地比例較大的區(qū)域，影響力度卻較小，這說(shuō)明增加地鐵站點(diǎn)附近的商業(yè)用地，可有效減少SE出行。

圖6 商業(yè)用地比例回歸系數(shù)空間分布Fig.6 Spatial patterns of commercial density's coefficient

對(duì)于SC、SCPE、SE-ups和SE-offs，住宅用地比例具備顯著的正向影響，如圖7所示。系數(shù)均值分別為0.247、0.302、0.276 和0.228，從系數(shù)絕對(duì)值來(lái)看，住宅用地比例對(duì)SC和SE-offs方式的影響強(qiáng)度在所有變量中居中，對(duì)SCPE和SE-ups方式的影響強(qiáng)度較大。從系數(shù)空間分布來(lái)看，SC 和SE-offs 方式對(duì)住宅用地比例更為敏感，影響程度會(huì)隨著地理空間的變化而變化，這也暗示蘭州市職住分離度較高。對(duì)SCPE方式的影響強(qiáng)度由地鐵線路兩端向市中心逐漸減小，導(dǎo)致該現(xiàn)象的一個(gè)可能原因是市中心區(qū)域公共交通網(wǎng)絡(luò)完善，居民選擇公共交通出行的概率更高。

圖7 住宅用地比例回歸系數(shù)空間分布Fig.7 Spatial patterns of residential density's coefficient

其他用地比例要素顯著且負(fù)向影響SC、SCPE和SE 方式，這意味著有效開(kāi)發(fā)市內(nèi)其他用地會(huì)帶來(lái)更多的出行量，空間分布如圖8所示。其他用地比例對(duì)出租車與地鐵競(jìng)合關(guān)系的影響模式體現(xiàn)了出行方式對(duì)區(qū)域經(jīng)濟(jì)發(fā)展程度較為敏感。

圖8 其他用地比例回歸系數(shù)空間分布Fig.8 Spatial patterns of other land use's coefficient

4 結(jié)論

本文采用考慮空間異質(zhì)性尺度差異的MGWR模型探究建成環(huán)境對(duì)出租車與地鐵競(jìng)合關(guān)系(SC、SCPE和SE方式)影響的空間分布特征及其尺度效應(yīng)，研究結(jié)果表明：

(1)基于網(wǎng)格內(nèi)SC、SCPE 和SE 出行次數(shù)(次·日-1)，運(yùn)用Moran's I 檢驗(yàn)表明SC、SCPE 和SE方式的空間分布具有明顯的空間異質(zhì)性，且SC、SE方式隨著空間分布位置離散，空間差異增大，SCPE 方式則隨著空間分布位置的聚集，其相關(guān)性越顯著。

(2)相較于GWR模型，考慮空間異質(zhì)性尺度差異的MGWR考慮了不同建成環(huán)境變量對(duì)不同形式競(jìng)合關(guān)系影響的尺度效應(yīng)，產(chǎn)生更精確的局部參數(shù)估計(jì)，估計(jì)結(jié)果更為可靠。對(duì)于SC、SCPE、SE-ups及SE-offs 方式解釋能力分別提升了8.7%、12.8%、13.3%及12.3%，殘差的Moran' I 分別僅為-0.012、0.120、-0.015、-0.013，更好地刻畫了城市建成環(huán)境變量對(duì)出租車與地鐵競(jìng)合關(guān)系影響的空間異質(zhì)性及尺度效應(yīng)，有助于城市管理者從特定尺度層面優(yōu)化建成環(huán)境、改善居民出行結(jié)構(gòu)。

(3)各個(gè)自變量對(duì)SC、SCPE 及SE 方式的影響機(jī)制各不相同，且具有明顯的地域差異。結(jié)果表明，SC、SCPE 及SE 方式均對(duì)公交站點(diǎn)密度非常敏感，且存在很強(qiáng)的空間異質(zhì)性。對(duì)于SC方式，其他存在空間異質(zhì)性的影響因按其空間尺度由小到大分別為道路密度、住宅用地密度、土地利用混合度和其他用地密度，其中土地利用混合度和其他用地密度為較大尺度的變量，系數(shù)在空間上較為平穩(wěn)；對(duì)于SE方式則為土地利用混合度、住宅用地密度、其他用地密度、商業(yè)用地密度和道路密度，其中商業(yè)用地密度和道路密度為全局尺度的變量，空間異質(zhì)性很弱；對(duì)于SCPE方式，道路密度和住宅用地密度為較大尺度的變量，其他用地密度為全局尺度的變量。所有影響要素中公交站點(diǎn)密度是對(duì)SC、SCPE及SE方式影響強(qiáng)度最強(qiáng)的要素，其次是道路密度(SC 和SE-offs 方式)、住宅用地密度(SCPE 和SE-ups方式)，其他用地密度的影響最弱。

(4)由于城市建成環(huán)境要素對(duì)SC、SCPE、SE出行的影響存在空間異質(zhì)性及尺度差異，使得城市規(guī)劃者和交通管理者可以根據(jù)不同區(qū)域各建成環(huán)境影響程度的空間差異，因地制宜地提出更有針對(duì)性的改善或優(yōu)化策略，進(jìn)而優(yōu)化城市布局、促進(jìn)出租車與地鐵協(xié)調(diào)發(fā)展、引導(dǎo)居民綠色出行。