馬健霄，趙飛燕，尹超英，湯文蘊(yùn)

(南京林業(yè)大學(xué)，汽車與交通工程學(xué)院，南京 210037)

0 引言

隨著共享經(jīng)濟(jì)理念與信息技術(shù)的不斷成熟，網(wǎng)約共享出行逐漸成為交通運(yùn)輸行業(yè)的重要組成部分。網(wǎng)約車通過(guò)網(wǎng)絡(luò)預(yù)約提供按需服務(wù)的出行方式，可顯著降低車輛空駛率、空駛距離和乘客平均等待時(shí)間，已逐漸成為城市居民的重要出行方式之一[1-2]?？焖侔l(fā)展的網(wǎng)約車為居民提供高可達(dá)性服務(wù)的同時(shí)也與傳統(tǒng)交通出行方式形成競(jìng)爭(zhēng)，違背了網(wǎng)約車作為城市公共交通補(bǔ)充的最初目標(biāo)。城市建成環(huán)境作為交通出行需求的關(guān)鍵影響因素，對(duì)傳統(tǒng)出行方式產(chǎn)生顯著影響，而對(duì)網(wǎng)約車的出行需求是否有積極作用仍不明確。因此，分析建成環(huán)境對(duì)網(wǎng)約車的影響機(jī)制有助于進(jìn)一步完善建成環(huán)境和出行行為的互動(dòng)機(jī)理。

由于土地利用與交通需求之間的本源性關(guān)系，眾多學(xué)者圍繞建成環(huán)境與交通出行交互機(jī)理展開(kāi)了一系列研究。例如，楊勵(lì)雅等[3]探究居住區(qū)建成環(huán)境與不同目的出行行為之間的關(guān)系，結(jié)果證實(shí)了建成環(huán)境對(duì)不同目的出行行為的影響具有顯著差異性。YIN 等[4]利用梯度提升決策樹(shù)模型，研究建成環(huán)境與不同目的步行出行之間的關(guān)系，結(jié)果表明，建成環(huán)境對(duì)目的性步行具有更大的預(yù)測(cè)力，社會(huì)人口統(tǒng)計(jì)對(duì)休閑步行更為重要。對(duì)于建成環(huán)境對(duì)不同出行方式選擇的影響，尹超英等[5]利用多層Logistic模型，以長(zhǎng)春市居民出行調(diào)查數(shù)據(jù)為例，展開(kāi)實(shí)證研究，結(jié)果顯示，土地利用混合度作為建成環(huán)境特征中的關(guān)鍵要素，對(duì)居民非機(jī)動(dòng)化出行及公交出行比例的影響最為顯著。SUN 等[6]基于上海市問(wèn)卷調(diào)查數(shù)據(jù)研究建成環(huán)境對(duì)通勤方式選擇和距離的影響，結(jié)果顯示，居住地建成環(huán)境對(duì)居民通勤方式選擇影響更為顯著。以建成環(huán)境對(duì)出行時(shí)間的影響為研究對(duì)象，吳靜嫻等[7]研究建成環(huán)境各要素對(duì)老年人慢行出行時(shí)間影響程度，并發(fā)現(xiàn)了兩者之間的非線性關(guān)系。ZHOU等[8]根據(jù)深圳市家庭出行特征調(diào)查，研究城市擴(kuò)張趨勢(shì)和出行行為變化以及建成環(huán)境對(duì)出行行為的動(dòng)態(tài)影響，結(jié)果發(fā)現(xiàn)，隨著通勤距離和出行距離增加，出行時(shí)間仍保持顯著穩(wěn)定，表明公交可達(dá)性與出行時(shí)間呈負(fù)相關(guān)關(guān)系。

作為一種新興出行方式，網(wǎng)約車出行需求與建成環(huán)境的關(guān)系也受到了眾多學(xué)者的關(guān)注。在探究建成環(huán)境對(duì)網(wǎng)約車出行需求影響方面，SABOURI等[9]利用美國(guó)24個(gè)不同地區(qū)Uber出行數(shù)據(jù)，研究建成環(huán)境對(duì)網(wǎng)約車出行需求的影響，結(jié)果表明，網(wǎng)約車出行需求與土地利用混合度和公交站點(diǎn)密度呈正相關(guān)關(guān)系，與交叉口密度和目的地可達(dá)性呈負(fù)相關(guān)關(guān)系。ZHANG等[10]分析網(wǎng)約車出行需求與興趣點(diǎn)密度之間的關(guān)系發(fā)現(xiàn)，交通設(shè)施密度對(duì)網(wǎng)約車出行需求影響最大。GHAFFAR等[11]利用芝加哥網(wǎng)約車出行數(shù)據(jù)，在人口普查區(qū)層面研究影響網(wǎng)約車出行需求的因素，結(jié)果表明，網(wǎng)約車出行需求和公共交通出行需求之間存在非線性關(guān)系。此外，為探究建成環(huán)境與網(wǎng)約車出行需求互動(dòng)關(guān)系之間的空間特征屬性，眾多學(xué)者通過(guò)全局模型和空間計(jì)量模型等開(kāi)展了一系列研究。例如，DEAN等[12]利用空間自回歸和空間誤差模型反映空間自相關(guān)效應(yīng)，并以普通最小二乘法(Ordinary Least Squares,OLS)作為對(duì)比，探究土地利用變量與網(wǎng)約車出行之間的空間相關(guān)性。YU等[13]使用結(jié)構(gòu)方程模型捕捉建成環(huán)境與網(wǎng)約車出行需求之間的作用關(guān)系發(fā)現(xiàn)，建成環(huán)境對(duì)網(wǎng)約車出行需求影響顯著，且具有時(shí)間異質(zhì)性。上述模型僅能捕捉解釋變量在空間上的全局尺度和部分空間變化效應(yīng)，無(wú)法反映空間數(shù)據(jù)關(guān)系中的異質(zhì)性或非平穩(wěn)性特征。為進(jìn)一步理解解釋變量和網(wǎng)約車出行需求互動(dòng)關(guān)系中的空間異質(zhì)性，WANG 等[14]運(yùn)用地理加權(quán)回歸模型(Geographically Weighted Regression,GWR)分別研究在早高峰、晚高峰和深夜時(shí)段影響網(wǎng)約車出行需求的關(guān)鍵因素。YU等[15]運(yùn)用地理加權(quán)泊松回歸模型 (Geographically Weighted Poisson Regression,GWPR)，捕捉建成環(huán)境對(duì)網(wǎng)約車出行需求的空間異質(zhì)性，結(jié)果表明，網(wǎng)約車出行需求與建成環(huán)境變量之間有著密切關(guān)系，且在空間上存在顯著差異。

綜上所述，現(xiàn)有研究多關(guān)注建成環(huán)境和網(wǎng)約車出行需求互動(dòng)關(guān)系中時(shí)間異質(zhì)性或空間異質(zhì)性的單一維度效應(yīng)，未在統(tǒng)一的模型框架下捕捉建成環(huán)境對(duì)網(wǎng)約車出行需求的時(shí)空異質(zhì)性影響，基于單一維度的研究難以全面刻畫建成環(huán)境對(duì)網(wǎng)約車出行需求的影響；此外，傳統(tǒng)的GWR族模型在對(duì)建成環(huán)境和網(wǎng)約車出行需求建模時(shí)未甄別解釋變量對(duì)因變量的影響是否存在空間異質(zhì)性，而假定所有解釋變量均為局部變量，即所有解釋變量均對(duì)因變量具有空間異質(zhì)性影響，當(dāng)模型中同時(shí)包含未有顯著空間差異影響的全局變量和局部變量時(shí)，傳統(tǒng)的GWR 族模型會(huì)導(dǎo)致估計(jì)結(jié)果的偏倚[16]；且現(xiàn)有研究中多忽略了出租車和網(wǎng)約車之間的競(jìng)合關(guān)系，出租車和網(wǎng)約車作為城市公共交通系統(tǒng)的重要補(bǔ)充，兩者之間存在顯著關(guān)聯(lián)，未有效剝離出租車出行需求的影響，難以準(zhǔn)確刻畫建成環(huán)境和網(wǎng)約車出行需求之間的互動(dòng)關(guān)系。

基于此，本文考慮出租車出行需求的影響，構(gòu)建同時(shí)容納局部變量和全局變量的半?yún)?shù)地理加權(quán)回歸模型(Semi-parametric Geographically Weighted Regression,SGWR)，研究建成環(huán)境對(duì)網(wǎng)約車出行需求的空間異質(zhì)性影響，并結(jié)合兩者的時(shí)變關(guān)系，針對(duì)出行需求的高峰和平峰時(shí)段，探究建成環(huán)境對(duì)網(wǎng)約車出行需求的影響如何隨著時(shí)間和空間的變化而變化，為通過(guò)城市和交通系統(tǒng)規(guī)劃角度優(yōu)化網(wǎng)約車供需匹配提供理論支撐。

1 研究區(qū)域與數(shù)據(jù)來(lái)源

1.1 研究區(qū)域

以南京市主城區(qū)為研究區(qū)域，網(wǎng)約車運(yùn)營(yíng)訂單數(shù)據(jù)為研究數(shù)據(jù)，研究區(qū)域包括鼓樓區(qū)、玄武區(qū)、建鄴區(qū)、秦淮區(qū)、棲霞區(qū)及雨花臺(tái)區(qū)6個(gè)市轄區(qū)，將其劃分為1 km×1 km 的網(wǎng)格，經(jīng)過(guò)篩選后得到557 個(gè)研究單元，如圖1所示。

圖1 研究區(qū)域Fig.1 Study area

1.2 網(wǎng)約車與出租車出行數(shù)據(jù)

選取2022 年4 月13 日(周三)南京市主城區(qū)的網(wǎng)約車和出租車運(yùn)營(yíng)訂單數(shù)據(jù)，該數(shù)據(jù)來(lái)源于南京市交通運(yùn)輸局的官方監(jiān)管平臺(tái)，包含：訂單編號(hào)、上下車時(shí)間、訂單起訖點(diǎn)經(jīng)緯度、載客里程、載客時(shí)間及支付金額等多個(gè)字段屬性。首先，預(yù)處理原始數(shù)據(jù)，刪減與研究?jī)?nèi)容無(wú)關(guān)的字段屬性，僅保留“上車時(shí)間”“下車時(shí)間”“車輛出發(fā)經(jīng)度”“車輛出發(fā)緯度”“車輛到達(dá)經(jīng)度”“車輛到達(dá)緯度”這6 個(gè)字段；其次，剔除缺失上下車時(shí)間、缺失經(jīng)緯度坐標(biāo)及經(jīng)緯度坐標(biāo)在研究范圍之外的訂單數(shù)據(jù)；最后，剔除單次出行時(shí)間小于2 min 和大于2 h 的訂單數(shù)據(jù)。得到224781 條有效網(wǎng)約車出行數(shù)據(jù)和44034 條出租車出行數(shù)據(jù)。網(wǎng)約車和出租車出行需求量時(shí)間分布如圖2所示。

圖2 網(wǎng)約車和出租車出行需求量時(shí)間分布Fig.2 Time distribution of ride-hailing and taxi travel demand

由圖2可知，出行需求量的早晚高峰分別出現(xiàn)在8:00 和18:00，無(wú)明顯的午高峰，因此，在時(shí)間維度上，選擇7:00-9:00 和17:00-19:00作為早晚高峰時(shí)段，11:00-13:00作為平峰時(shí)間段進(jìn)行研究。不同時(shí)段網(wǎng)約車和出租車出行需求量描述性統(tǒng)計(jì)如表1所示。

表1 網(wǎng)約車和出租車出行需求量描述性統(tǒng)計(jì)Table 1 Descriptive statistics of ride-hailing and taxi travel demand

1.3 建成環(huán)境數(shù)據(jù)

研究所使用的南京市建成環(huán)境數(shù)據(jù)通過(guò)密度(Density)、設(shè)計(jì)(Design)、多樣性(Diversity)和公共交通臨近度(Distance to transit)這4個(gè)維度刻畫[17]。密度可通過(guò)人口密度進(jìn)行描述，根據(jù)LandScan 全球人口動(dòng)態(tài)數(shù)據(jù)計(jì)算各網(wǎng)格內(nèi)人口總數(shù)與網(wǎng)格面積的比值得到人口密度。設(shè)計(jì)通過(guò)道路密度表征，利用OpenStreetMap 開(kāi)源地圖獲取南京市路網(wǎng)數(shù)據(jù)，通過(guò)計(jì)算各網(wǎng)格內(nèi)道路長(zhǎng)度與網(wǎng)格面積之比得到道路密度。多樣性考慮12 種興趣點(diǎn)(公司企業(yè)、購(gòu)物服務(wù)、金融機(jī)構(gòu)、酒店住宿、科教文化、旅游景點(diǎn)、商務(wù)住宅、休閑娛樂(lè)、醫(yī)療設(shè)施、運(yùn)動(dòng)相關(guān)、政府機(jī)構(gòu)及汽車相關(guān))和土地利用混合度，通過(guò)高德API(Application Programming Interface)提取并分別計(jì)算得到網(wǎng)格內(nèi)每類興趣點(diǎn)的數(shù)量。土地利用混合度通過(guò)熵指數(shù)進(jìn)行計(jì)算[5]，即

式中：Ej為網(wǎng)格j的土地利用熵指數(shù)；Ajh為網(wǎng)格j中第h類用地所占的比例；Hj為網(wǎng)格j中包含的用地類型數(shù)量。公共交通臨近度考慮公共交通站點(diǎn)數(shù)量和可達(dá)性，通過(guò)高德API接口提取南京市公交和地鐵站點(diǎn)數(shù)據(jù)，分別計(jì)算網(wǎng)格內(nèi)公交和地鐵站點(diǎn)數(shù)量。公共交通可達(dá)性借助ArcGIS軟件的質(zhì)心工具和近鄰分析工具計(jì)算得到研究區(qū)域內(nèi)網(wǎng)格質(zhì)心點(diǎn)到最近公交和地鐵站點(diǎn)的歐式距離。建成環(huán)境變量描述性統(tǒng)計(jì)如表2所示。

表2 建成環(huán)境變量描述性統(tǒng)計(jì)Table 2 Descriptive statistics of built environment variables

2 模型構(gòu)建

2.1 空間相關(guān)性檢驗(yàn)

空間相關(guān)性檢驗(yàn)可以反映某空間單元與周邊的關(guān)聯(lián)程度，以分析其在空間上的分布特征，常用的統(tǒng)計(jì)量為全局莫蘭指數(shù)(Global Moran's I)，即

式中：n為空間單元(網(wǎng)格)的數(shù)量；i為第i個(gè)網(wǎng)格，i=1,2,3,…,n；k為第k個(gè)解釋變量；xik和xjk分別為解釋變量k在第i個(gè)和第j個(gè)網(wǎng)格處的值；為解釋變量k的均值；wijk為第i個(gè)和第j個(gè)網(wǎng)格之間的空間權(quán)重。I取值一般在[-1,1]之間，I ＞0，表示呈空間正相關(guān)；I ＜0，表示呈空間負(fù)相關(guān)；I=0，表示空間呈隨機(jī)性。

莫蘭指數(shù)的零假設(shè)為解釋變量是隨機(jī)分布的，Z值通常作為莫蘭指數(shù)統(tǒng)計(jì)量檢驗(yàn)零假設(shè)的顯著性指標(biāo)，Z檢驗(yàn)描述為

式中：E(I)和Var(I)為莫蘭指數(shù)的期望和方差，本文的顯著性水平設(shè)置為P小于0.1[15,18]，即當(dāng)Z大于1.65 或小于-1.65 時(shí)，則認(rèn)為莫蘭指數(shù)結(jié)果拒絕零假設(shè)，在空間分布上不是隨機(jī)的。

2.2 SGWR模型構(gòu)建

SGWR 模型結(jié)合全局模型和傳統(tǒng)的GWR 模型，全局模型認(rèn)為變量在空間上都是穩(wěn)定的，不隨空間位置的變化而改變，得到的回歸結(jié)果在整個(gè)研究區(qū)域內(nèi)是固定的。全局模型通過(guò)OLS模型表達(dá)，描述為

式中：yi為第i個(gè)網(wǎng)格因變量的值；l為第l個(gè)解釋變量；zil為解釋變量l在第i個(gè)網(wǎng)格中的值；β0為截距項(xiàng)；γl為解釋變量l的回歸系數(shù)；εi為第i個(gè)網(wǎng)格處的誤差項(xiàng)。

實(shí)際上，各變量在地理位置上會(huì)產(chǎn)生變化，有必要采用局部回歸方法應(yīng)對(duì)空間數(shù)據(jù)自身的這種屬性。傳統(tǒng)的GWR模型在研究區(qū)域的每個(gè)網(wǎng)格中均建立一個(gè)描述局部關(guān)系的回歸模型，可以減少空間非平穩(wěn)造成的誤差，有效解釋影響因素的空間異質(zhì)性[14]。GWR模型描述為

式中：(ui,vi)為第i個(gè)網(wǎng)格質(zhì)心的地理坐標(biāo)；β0(ui,vi)為截距項(xiàng)；βk(ui,vi)為解釋變量k的局部回歸系數(shù)。

SGWR 模型結(jié)合解釋變量在地理上的局部變化項(xiàng)和全局固定項(xiàng)，可以同時(shí)反映回歸關(guān)系的空間全局性和空間非平穩(wěn)性[16]，當(dāng)同時(shí)存在全局變量和局部變量時(shí)，SGWR 模型相比于傳統(tǒng)的GWR 模型更為適合。SGWR模型描述為

可以通過(guò)局部加權(quán)最小二乘法估計(jì)βk(ui,vi)，估計(jì)方法為

則βk(ui,vi)在(ui,vi)處的局部加權(quán)最小二乘估計(jì)值為

式中：X為解釋變量矩陣；Y為因變量矩陣；w(ui,vi)為空間權(quán)重矩陣，本文使用自適應(yīng)雙平方核函數(shù)計(jì)算方法定義空間權(quán)重矩陣，其數(shù)學(xué)表達(dá)式為

式中：wij為網(wǎng)格i和j之間的空間權(quán)重；dij為網(wǎng)格i和j之間的歐式距離；為網(wǎng)格i和相鄰網(wǎng)格j的最近距離。本文使用黃金分割方法得到最優(yōu)的帶寬，并通過(guò)校正后的赤池信息量準(zhǔn)則(AICc)值評(píng)估模型結(jié)果，并避免過(guò)度擬合。

3 結(jié)果與分析

3.1 全局莫蘭指數(shù)結(jié)果

解釋變量之間的全局莫蘭指數(shù)計(jì)算結(jié)果如表3所示，莫蘭指數(shù)和Z值均為正，表明所有解釋變量在空間分布上成集聚狀態(tài)，有必要建立局部回歸模型進(jìn)行分析。其中，土地利用混合度的莫蘭指數(shù)顯著低于其他變量，且Z值小于1.65，表明該變量在空間分布上具有隨機(jī)性，因此，將土地利用混合度作為全局變量，其余變量作為局部變量進(jìn)行研究，從而選擇SGWR 模型進(jìn)行研究地理數(shù)據(jù)的空間異質(zhì)性更為合理。

表3 全局莫蘭指數(shù)計(jì)算結(jié)果Table 3 Result of Global Moran's I calculation

3.2 SGWR模型結(jié)果

為探究城市建成環(huán)境對(duì)網(wǎng)約車出行需求的時(shí)空異質(zhì)性影響，將網(wǎng)約車出行需求作為因變量，出租車出行需求和建成環(huán)境數(shù)據(jù)作為解釋變量，求解SGWR 模型，同時(shí)，對(duì)比OLS 和傳統(tǒng)的GWR 模型。其中，OLS 模型利用ArcGIS 軟件進(jìn)行求解，GWR 和SGWR 模型利用NAKAYA 等[19]開(kāi)發(fā)的GWR4軟件進(jìn)行求解。模型結(jié)果對(duì)比如表4所示，相較于OLS模型和GWR模型，SGWR模型的AICc值明顯較小，且差值大于4，分別在早晚高峰和平峰時(shí)段下降了2.44%與0.15%，4.01%與0.30%，1.89%與0.27%；SGWR 模型的AdjustedR2最高，相較于OLS 模型和GWR 模型在3 個(gè)時(shí)段分別提高了6.52%與0.11%，8.02%與0.55%，2.75%與0.11%，表明SGWR模型對(duì)數(shù)據(jù)具有更好的解釋力和擬合優(yōu)度。

表4 模型結(jié)果對(duì)比Table 4 Comparison of model results

SGWR模型局部變量的回歸結(jié)果如表5所示，局部變量回歸系數(shù)展現(xiàn)出的空間非平穩(wěn)性和在不同時(shí)段對(duì)網(wǎng)約車出行需求產(chǎn)生的不同變化關(guān)系說(shuō)明，建成環(huán)境對(duì)網(wǎng)約車出行需求影響具有時(shí)空異質(zhì)性。出租車出行需求在早晚高峰和平峰時(shí)段對(duì)網(wǎng)約車出行需求均為正向影響，這是因?yàn)樵谡弑O(jiān)管下，網(wǎng)約車進(jìn)入市場(chǎng)促進(jìn)了出租車行業(yè)的改革，兩者從競(jìng)爭(zhēng)格局不斷發(fā)展成為合作關(guān)系[20]。人口密度回歸系數(shù)的差異程度幾乎為零，說(shuō)明人口密度對(duì)網(wǎng)約車出行需求的影響在空間上變化不大，空間非平穩(wěn)性較弱。道路密度在早高峰和平峰時(shí)段整體呈負(fù)向影響，而在晚高峰時(shí)段呈正向影響。公司企業(yè)、金融機(jī)構(gòu)、酒店住宿、商務(wù)住宅、休閑娛樂(lè)及運(yùn)動(dòng)相關(guān)等POI對(duì)網(wǎng)約車出行均為正向影響，與既有研究結(jié)論一致，高密度的POI設(shè)施往往會(huì)產(chǎn)生更多的網(wǎng)約車出行需求[21]。旅游景點(diǎn)對(duì)網(wǎng)約車出行的影響均為負(fù)，可能是因?yàn)槁糜尉包c(diǎn)一般距離公共交通站點(diǎn)較近，出行便利，因此，對(duì)網(wǎng)約車出行具有抑制作用。公交站點(diǎn)數(shù)量和公交可達(dá)性對(duì)網(wǎng)約車出行需求的影響為正，而地鐵站點(diǎn)數(shù)量和地鐵可達(dá)性對(duì)網(wǎng)約車出行需求的影響為負(fù)，且回歸系數(shù)的差異程度明顯，具有較強(qiáng)的空間非平穩(wěn)性。文獻(xiàn)[9]證實(shí)了公交和網(wǎng)約車之間的正向關(guān)系，因?yàn)楣徽军c(diǎn)密集區(qū)域往往會(huì)產(chǎn)生更多的出行需求，吸引網(wǎng)約車在此提供出行服務(wù)。此外，考慮到出行時(shí)間和成本的影響，相較于網(wǎng)約車，城市居民更傾向于地鐵出行[14]。

表5 SGWR模型局部變量回歸結(jié)果Table 5 SGWR model local variable regression results

SGWR模型全局變量的回歸結(jié)果如表6所示，全局變量的回歸系數(shù)是固定的，不隨空間位置的變化而變化。文獻(xiàn)[11]發(fā)現(xiàn)土地利用混合度與網(wǎng)約車出行需求之間的正向關(guān)系，而SGWR 回歸結(jié)果顯示，土地利用混合度對(duì)網(wǎng)約車出行需求的影響在早晚高峰時(shí)段顯著，且為負(fù)向影響，因?yàn)楦咄恋乩没旌隙鹊慕ǔ森h(huán)境可能更適合慢行交通出行，從而對(duì)網(wǎng)約車出行需求具有抑制作用[14]，這種負(fù)相關(guān)關(guān)系在一定程度上捕捉到了土地利用混合度對(duì)出行方式選擇的潛在影響。

表6 SGWR模型全局變量回歸結(jié)果Table 6 SGWR model global variable regression results

3.3 空間格局分析

選取出租車出行需求、公司企業(yè)及公交站點(diǎn)數(shù)量這3 個(gè)解釋變量分析不同時(shí)段SGWR 模型回歸系數(shù)的時(shí)空異質(zhì)性，利用ArcGIS 軟件可視化表達(dá)模型估計(jì)結(jié)果。

出租車與網(wǎng)約車之間在不同時(shí)段均呈現(xiàn)為正相關(guān)，回歸系數(shù)整體上從市中心逐漸向外圍增加，呈現(xiàn)邊際遞增效應(yīng)，如圖3所示。在區(qū)域D，出租車對(duì)網(wǎng)約車出行需求的影響最小，可能是因?yàn)樵搮^(qū)域?yàn)槟暇┦兄饕咝Ｋ诘兀W(wǎng)約車通過(guò)網(wǎng)上預(yù)約的方式提供出行服務(wù)更受大學(xué)生青睞。此外，區(qū)域D有多個(gè)商業(yè)步行街，步行條件良好，多條地鐵線路途經(jīng)，公共交通設(shè)施完善，加之巡游攬客的方式成本較高，減少了出租車在該區(qū)域提供服務(wù)的可能，削弱了出租車和網(wǎng)約車之間的作用關(guān)系。在區(qū)域E 和區(qū)域F，出租車與網(wǎng)約車之間的正向關(guān)系在早高峰時(shí)段最為顯著，晚高峰時(shí)段也存在著較強(qiáng)的聯(lián)系，可能是因?yàn)閰^(qū)域E和區(qū)域F在工作日通勤時(shí)段出行需求穩(wěn)定，且需求較高，而該區(qū)域公共交通可達(dá)性差，設(shè)施相對(duì)不完善，刺激著更多出租車和網(wǎng)約車出行需求的產(chǎn)生。

圖3 出租車出行需求回歸系數(shù)空間分布Fig.3 Spatial distribution of taxi travel demand regression coefficients

公司企業(yè)對(duì)網(wǎng)約車出行需求的影響在不同時(shí)段呈現(xiàn)為正相關(guān)，說(shuō)明網(wǎng)約車在日常通勤中具有重要作用，如圖4 所示。在區(qū)域E，早晚高峰時(shí)段，公司企業(yè)和網(wǎng)約車之間均呈現(xiàn)出較為明顯的正向關(guān)系，說(shuō)明高密度的就業(yè)崗位會(huì)產(chǎn)生更多網(wǎng)約車出行需求。在區(qū)域F，晚高峰時(shí)段，公司企業(yè)對(duì)網(wǎng)約車客流的影響明顯比早高峰更為顯著，由于區(qū)域F高新技術(shù)產(chǎn)業(yè)集中，區(qū)域功能相對(duì)單一，受早晚高峰不同的通勤出行影響呈現(xiàn)出潮汐效應(yīng)。區(qū)域C 除商務(wù)辦公區(qū)外有多個(gè)住宅小區(qū)，而與區(qū)域F呈現(xiàn)出相似的潮汐效應(yīng)，該區(qū)域職主分離可能是產(chǎn)生這一現(xiàn)象的主要原因。

圖4 公司企業(yè)興趣點(diǎn)回歸系數(shù)空間分布Fig.4 Spatial distribution of companies regression coefficients

公交站點(diǎn)數(shù)量和網(wǎng)約車之間在不同時(shí)段始終為正向關(guān)系，且存在高度的空間異質(zhì)性，如圖5 所示。可能是由于網(wǎng)約車補(bǔ)充公交出行，解決出行“最后一公里”問(wèn)題而產(chǎn)生的現(xiàn)象。在區(qū)域B 和區(qū)域C與區(qū)域D交界處附近，公交站點(diǎn)數(shù)量對(duì)網(wǎng)約車出行需求的正向影響在晚高峰和平峰時(shí)段最為顯著，該區(qū)域位于市中心新街口，是南京市綜合體商圈，人員復(fù)雜密集，會(huì)產(chǎn)生不同的出行需求，因此，在公交設(shè)施較為完善的情況下吸引著網(wǎng)約車出行。

圖5 公交站點(diǎn)數(shù)量回歸系數(shù)空間分布Fig.5 Spatial distribution of bus stops regression coefficients

3.4 交通規(guī)劃與網(wǎng)約車配置建議

基于時(shí)空異質(zhì)性的研究結(jié)果，對(duì)城市規(guī)劃者和交通政策制定者因地制宜地提出具有針對(duì)性的改善或優(yōu)化策略具有一定的實(shí)踐意義，可為優(yōu)化城市布局，促進(jìn)網(wǎng)約車與出租車和公交協(xié)調(diào)發(fā)展提供理論依據(jù)。研究表明，出租車與網(wǎng)約車之間在不同時(shí)段均呈現(xiàn)為合作關(guān)系，且回歸系數(shù)整體上從市中心逐漸向外圍增加；考慮到郊區(qū)出行密度較低，傳統(tǒng)出租車的巡游攬客方式在此處接單成本較高，因此，可在郊區(qū)配置更多網(wǎng)約車，滿足郊區(qū)居民的出行需求。此外，常規(guī)公交與網(wǎng)約車之間也呈現(xiàn)為合作關(guān)系，尤其是在早晚高峰時(shí)段，兩者的合作關(guān)系更強(qiáng)，有必要進(jìn)一步完善公交網(wǎng)絡(luò)，提高公交服務(wù)水平，吸引其他方式通勤者使用公共交通通勤。

4 結(jié)論

為全面刻畫建成環(huán)境和網(wǎng)約車出行需求之間的互動(dòng)關(guān)系，本文基于時(shí)間和空間兩個(gè)維度，考慮出租車出行需求的影響，構(gòu)建可同時(shí)容納局部變量和全局變量的SGWR模型，探究建成環(huán)境對(duì)網(wǎng)約車出行需求的時(shí)空異質(zhì)性影響，研究結(jié)果表明：

(1) 相較于OLS 模型和傳統(tǒng)的GWR 模型，SGWR模型更具解釋力和優(yōu)越性，表明在研究建成環(huán)境對(duì)網(wǎng)約車出行需求的影響時(shí)，同時(shí)考慮全局固定項(xiàng)和局部變化項(xiàng)是必要的。

(2)局部變量的回歸結(jié)果顯示，出租車出行需求在不同時(shí)段對(duì)網(wǎng)約車出行需求的影響均為正相關(guān)，建成環(huán)境變量對(duì)網(wǎng)約車出行需求影響具有時(shí)空異質(zhì)性，其中，人口密度的空間非平穩(wěn)性較弱。全局變量的回歸結(jié)果顯示，在早晚高峰，土地利用混合度對(duì)網(wǎng)約車出行需求的影響為負(fù)相關(guān)。

(3)通過(guò)刻畫租車出行需求、公司企業(yè)和公交站點(diǎn)數(shù)量對(duì)網(wǎng)約車出行需求影響的時(shí)空分布特征發(fā)現(xiàn)，在公共交通服務(wù)不完善的區(qū)域，出租車網(wǎng)約車之間往往存在更強(qiáng)的聯(lián)系；反之，兩者之間的正向關(guān)系則更弱。網(wǎng)約車在日常通勤中擔(dān)任重要角色，公司企業(yè)越密集，網(wǎng)約車出行需求越高。網(wǎng)約車司機(jī)更傾向于在公交站點(diǎn)密集區(qū)域提供出行服務(wù)，加之居民選擇公交結(jié)合網(wǎng)約車出行的通勤方式，促使更多網(wǎng)約車出行需求在公交站點(diǎn)周邊產(chǎn)生。