空間異質(zhì)性視角下常規(guī)公交客流影響因素

劉煒， 董傲然， 袁浩， 皮鈺鑫， 朱彤*

(1.西安市城市規(guī)劃設計研究院， 西安 710082； 2.長安大學運輸工程學院， 西安 710064；3.青島市市政工程設計研究院有限責任公司， 青島 266100； 4.深圳市城市規(guī)劃設計研究院有限公司， 深圳 518030)

近年來，隨著中國城市化程度的提高，城市面積蔓延式擴張，居民通勤交通中大規(guī)模、長距離出行大幅增長。常規(guī)公共交通作為最為基礎的公共交通模式，在城市交通系統(tǒng)中承擔著主要的客流運輸功能，而城市建成環(huán)境的復雜性決定了常規(guī)公交的出行分布情況，不同的城市建成環(huán)境對常規(guī)公交客流量的影響存在空間異質(zhì)性，所以從空間角度明晰建成環(huán)境對于出行強度的影響機理顯得尤為重要。

區(qū)別于自然環(huán)境，城市建成環(huán)境是指為人類活動需求而建設配置的人為環(huán)境，通常包含土地利用、城市設計與交通系統(tǒng)三部分[1]。國內(nèi)外學者從不同的角度探究了城市建成環(huán)境對居民交通出行的影響，主要集中在城市建成環(huán)境對出行特征的影響機理方面。

國內(nèi)外學者對城市建成環(huán)境與出行方式選擇的互動關系研究較早。Zhang[2]研究發(fā)現(xiàn)居住與工作地人口密度均對公共交通、非機動車通勤出行有重要的正向影響；孫斌棟等[3]研究發(fā)現(xiàn)居住地人口密度、土地利用混合度與十字交叉口比的提高，可有效減少居民小汽車通勤出行方式選擇；出行頻率與居住地建成環(huán)境密切相關，但建成環(huán)境對不同交通出行方式下的出行頻率影響還存在一定爭議。Cervero等[4]研究發(fā)現(xiàn)隨著居住地街道密度與連接度的提高，能夠顯著增加居民選擇非機動車出行的頻率；Chakour等[5]研究發(fā)現(xiàn)公交基礎設施對公交出行率的影響要遠大于土地利用變量，改善公共交通服務與交通便利性將是吸引公交出行的最有效措施；Tu等[6]研究發(fā)現(xiàn)常規(guī)公交、軌道交通、出租車出行需求均受到就業(yè)、土地利用混合度、道路密度的顯著影響；Ma等[7]探究了城市建成環(huán)境對公交客流影響的時空規(guī)律，發(fā)現(xiàn)建成環(huán)境對公共交通出行的影響存在明顯的時空異質(zhì)性；甘佐賢[8]研究發(fā)現(xiàn)人口密度、商店購物數(shù)量、商業(yè)辦公用地面積比例與公交線路數(shù)量對軌道交通站點客流的影響程度具有明顯的空間異質(zhì)性。城市規(guī)模與功能布局對居民出行時間、出行距離有重要影響，不同交通出行方式對其影響也較為顯著。Sun等[9]研究發(fā)現(xiàn)提高區(qū)域人口密度、城市多中心性發(fā)展對居民通勤出行時間呈負向影響，即緊湊的、多中心的城市建成環(huán)境可有效縮短居民通勤出行時間；Zhu等[10]研究發(fā)現(xiàn)城市化率與人口密度的提高將導致居民通勤時間增加，并且人口密度對低收入人群的影響要大于高收入人群；尹超英等[11]研究發(fā)現(xiàn)土地利用混合度、公交站點密度、交叉口密度與通勤出行時間、出行距離均呈現(xiàn)顯著負相關效應，而距CBD的距離僅與居民通勤距離呈顯著正相關。

現(xiàn)有文獻已經(jīng)廣泛驗證了城市建成環(huán)境對交通出行的影響，但國內(nèi)外學者針對建成環(huán)境評價以及對交通出行的影響機制有著不同的理解，沒有形成一致性的確定結(jié)論。結(jié)果差異的主要原因在于不同學者針對交通出行與建成環(huán)境關系研究選擇的空間尺度不同，以及城市不同空間位置的建成環(huán)境差異導致的公交出行行為選擇具有的空間異質(zhì)性問題。

不同區(qū)域的交通出行及建成環(huán)境一般都存在空間效應(空間依賴性與空間異質(zhì)性)，若忽略空間效應的影響會導致模型估計有偏且缺乏解釋力度。空間異質(zhì)性是指影響因素對于因變量影響程度與方向，隨著空間位置的不同而存在顯著差異，在模型中體現(xiàn)為回歸參數(shù)的差異。地理加權(quán)回歸模型(geographically weighted regression, GWR)可有效量化空間異質(zhì)性，是應用最為廣泛的模型[12]，已被廣泛應用于交通客流預測[13]、交通安全[14]、交通擁堵狀況[15]等交通領域。學者們常采用GWR及其衍生模型，如時空地理加權(quán)回歸模型(GTWR)、半?yún)?shù)地理加權(quán)回歸模型(SGWR)等局部回歸方法，與全局回歸模型進行對比研究，綜合考慮建立多種回歸模型探究各模型的優(yōu)劣，并著重分析局部模型獨有的空間結(jié)果。但上述方法均忽略了不同影響因素的空間異質(zhì)性尺度差異多尺度空間異質(zhì)性問題，導致參數(shù)估計結(jié)果存在偏差，對空間異質(zhì)性的解釋有局限性，而多尺度地理加權(quán)回歸模型(multiscale geographically weighted regression, MGWR)允許每個變量具有各自不同的空間平滑水平，具備帶寬特異性，解決了傳統(tǒng)GWR模型的缺陷，可以很好地解釋變量間的多尺度空間異質(zhì)性問題。

綜上所述，現(xiàn)有文獻已經(jīng)廣泛驗證了城市建成環(huán)境對交通出行的影響，但并未徹底解決各建成環(huán)境與其條件關系在不同空間尺度上的變化問題，現(xiàn)擬應用多尺度地理加權(quán)回歸模型，以青島市主城區(qū)為例，研究建成環(huán)境與常規(guī)公交客流量的空間異質(zhì)性關系，深入剖析城市建成環(huán)境對常規(guī)公交客流量的空間異質(zhì)性影響機理。以期為城市規(guī)劃、交通規(guī)劃等決策提供理論依據(jù)與實踐指導。

1 數(shù)據(jù)來源與變量選擇

1.1 研究區(qū)域概況

選擇青島市主城區(qū)為研究區(qū)域，范圍涵蓋了城市5個片區(qū)。考慮到交通小區(qū)內(nèi)部建成環(huán)境豐富性與數(shù)據(jù)可操作性，將研究區(qū)域劃分為595個1.5 km×1.5 km的地理網(wǎng)格作為基本研究單元，具體如圖1所示。

圖1 研究范圍Fig.1 Research scope

1.2 數(shù)據(jù)來源與變量選擇

選擇早高峰(6:30—8:30)、晚高峰(16:30—18:30)時段的常規(guī)公交站點上車客流量作為因變量，常規(guī)公交數(shù)據(jù)包括GPS數(shù)據(jù)、IC卡數(shù)據(jù)、公交線路與站點，其中通過GPS數(shù)據(jù)、IC卡數(shù)據(jù)挖掘常規(guī)公交站點客流[16]，公交線路、站點的靜態(tài)數(shù)據(jù)通過高德地圖開放平臺獲取，數(shù)據(jù)主要包括站點名稱、站點經(jīng)度、站點緯度、線路名稱等信息。在對數(shù)據(jù)進行預處理后，共有303個研究單元有常規(guī)公交客流發(fā)生，后續(xù)以此為研究區(qū)域。以X軸表示東西方向，Y軸表示南北方向，Z軸為研究單元的常規(guī)公交客流量，繪制常規(guī)公交站點客流的空間分布規(guī)律圖，如圖2所示。從流量值在Z-X和Z-Y平面上的投影可以看出，常規(guī)公交客流南北向與東西向的變化程度明顯不同，東西向呈倒“U”字形分布，曲線較為平緩，公交客流變化程度較小；而南北向曲線較為陡峭，變化程度較大，表現(xiàn)出明顯的常規(guī)公交客流南北空間差異。

圖2 常規(guī)公交站點客流空間分布圖Fig.2 Spatial distribution map of passenger flow at regular bus stations

建成區(qū)環(huán)境數(shù)據(jù)來源為高德地圖開放平臺與Open Street Map，通過融合多源數(shù)據(jù)進而度量建成環(huán)境變量，部分建成環(huán)境數(shù)據(jù)空間密度如圖3所示。

圖3 建成環(huán)境數(shù)據(jù)空間密度圖Fig.3 Spatial density map of built environment data

其中，密度、土地利用多樣性、公交鄰近度、需求管理要素的原始數(shù)據(jù)來源為高德地圖開放平臺，利用網(wǎng)絡爬蟲技術通過高德地圖提供的API接口獲取興趣點(point of interest, POI)、興趣面(area of interest, AOI)數(shù)據(jù)、公交線路與站點數(shù)據(jù)；目的地可達性要素的原始數(shù)據(jù)來源為高德地圖開放平臺，通過高德地圖提供的坐標拾取器功能獲取各CBD的坐標信息，并利用ArcGIS計算各研究單元距CBD的距離；城市設計要素的原始數(shù)據(jù)來源為Open Street Map網(wǎng)站，通過Open Street Map獲取城市道路數(shù)據(jù)，交叉口數(shù)據(jù)通過ArcGIS計算得到。遵循數(shù)據(jù)可獲取性、科學性、系統(tǒng)性等原則，變量描述如表1所示。

表1 建成環(huán)境變量描述Table 1 Description of built environment variables

其中，土地利用多樣性通常以土地利用混合度表示,其值越高,表示區(qū)域內(nèi)用地類型越豐富。選擇住宅、購物、商務辦公與科教文衛(wèi)用地的混合程度表征土地利用混合度。土地利用混合度公式為

(1)

式(1)中：Hj為研究單元j內(nèi)的土地利用混合度；Nj為研究單元j內(nèi)用地類型數(shù)量；pij為第i類用地在研究單元j內(nèi)的占比；n為用地類型總數(shù)。

2 模型構(gòu)建

多尺度地理加權(quán)回歸模型(MGWR)是從地理加權(quán)回歸模型(GWR)發(fā)展而來，其基本公式[17]為

(2)

式(2)中：yi與xik分別為因變量y和自變量xik在樣本點i處的觀測值；β0(ui,vi)為第i個樣本點的常數(shù)項；βk(ui,vi)為自變量k在樣本點i處的回歸系數(shù)；εi為隨機誤差。

GWR未揭示全局變量在空間范圍內(nèi)的差異及作用尺度，為此Fotheringham等[18]在GWR模型的基礎上提出了MGWR，后續(xù)Yu等[19]與Oshan等[20]分別對該模型的統(tǒng)計推斷方法進一步探索與完善，MGWR對于每個自變量使用各自最優(yōu)的寬帶進行回歸，從而解決了不同作用尺度問題。公式為

(3)

式(3)中：βbw0(ui,vi)為樣本點i最優(yōu)帶寬下的截距；βbwk(ui,vi)為自變量k在樣本點i處的回歸系數(shù)；下標bwk為自變量k回歸系數(shù)使用的帶寬；εi為隨機誤差。

MGWR的每個回歸系數(shù)βbwk都是基于局部回歸得到的，且?guī)捑邆洚愘|(zhì)性，這也是與GWR的最大不同。MGWR模型核函數(shù)選擇二次核函數(shù)，帶寬選擇準則使用AICc準則。參與對比的GWR模型參數(shù)估計采用加權(quán)最小二乘法，MGWR模型采用后退擬合算法(back-fitting algorithm)進行擬合估計，該方法需要對MGWR模型中的各系數(shù)進行前期初步估計，即對所有平滑項進行初始化設置[21]。選擇以GWR估計作為初始估計方法。在確定初始化設置后，計算真實值與初始化估計得到的預測值之間的差值，即初始化殘差。計算公式為

(4)

(5)

式(5)中：RSSnew為這一步殘差平方和；RSSold為上一步殘差平方和。

3 實例研究

3.1 常規(guī)公交客流的空間演化特征

首先進行全局空間自相關檢驗，由表2可知，所有變量的莫蘭指數(shù)Moran’s I>0，P<0.05，說明在95%的置信度下均存在顯著空間正相關。此外，Z均大于1.96，意味著各變量均存在空間聚集特征，符合建立GWR模型的條件[22]。

表2 Moran’s I測試結(jié)果

在全局自相關分析的基礎上，依據(jù)各研究單元的鄰接關系對常規(guī)公交客流進行局部空間自相關分析，生成局部自相關指標(local indicators of spatial association，LISA)聚集圖。由圖4可知，城市南部基本屬于“高-高”(HH)聚類，僅有少部分區(qū)域為“低-高”(LH)聚類，說明該地區(qū)主要形成了常規(guī)公交客流高值集聚情況；北部部分區(qū)域?qū)儆凇暗?低”(LL)聚類，其他區(qū)域沒有顯著的聚類特征，呈隨機分布。

圖4 常規(guī)公交客流的LISA圖Fig.4 LISA diagram of regular bus passenger flow

3.2 常規(guī)公交客流影響因素篩選

從備選自變量中篩選5%顯著水平下分別對早、晚高峰常規(guī)公交客流影響顯著的變量，作為GWR模型的解釋變量進行后續(xù)分析，最終模型中包含了7個解釋變量，逐步回歸結(jié)果如表3所示。

表3 逐步回歸結(jié)果Table 3 Results of stepwise regression

以上結(jié)果僅用于初步探究對常規(guī)公交客流影響顯著的關鍵變量，而關鍵變量影響程度的空間異質(zhì)性及影響機理后續(xù)通過GWR與MGWR模型進一步深入探究。

3.3 模型對比

表4 GWR與MGWR模型擬合優(yōu)度對比Table 4 Comparison of goodness of fit between GWR and MGWR models

3.4 空間尺度分析

與GWR相比，MGWR最明顯的優(yōu)勢在于它不僅在估計回歸系數(shù)時考慮了各研究單元空間位置的差異，更是通過最優(yōu)帶寬顧及了不同形態(tài)指標在影響常規(guī)公交客流時的尺度效應。由表5可知，GWR模型和MGWR模型的變量在作用尺度在帶寬方面有很大不同，GWR模型中的帶寬為一固定值，早、晚高峰的帶寬分別為160、163，占總樣本數(shù)量的52.81%、53.80%，MGWR則能反映不同變量的差異化作用尺度，各變量的帶寬差異較大，即不同建成環(huán)境變量的作用尺度差異很大。

表5 GWR與MGWR模型帶寬對比

早、晚高峰中，距公交站點距離與停車場密度作用尺度均為302，表明兩個變量對常規(guī)公交客流的影響基本相同，屬于全局尺度，即不存在空間異質(zhì)性；購物密度的空間尺度為301，也不存在空間異質(zhì)性；醫(yī)院密度早、晚高峰的作用尺度分別為295、254，占總樣本的97.36%、83.83%，具有較小的空間異質(zhì)性，土地利用混合度同醫(yī)院密度表現(xiàn)相似；公交線路密度空間尺度分別為58、147，占總樣本的19.14%、48.51%，具有較大的空間異質(zhì)性，且早、晚高峰影響效應存在一定差異；學校密度空間尺度分別為59、54，占總樣本的19.47%、17.82%，作用尺度均較小，屬于明顯的局部變量。上述說明學校密度與公交線路密度對常規(guī)公交客流的影響空間異質(zhì)性明顯，表現(xiàn)出強烈的局部空間效應。同時發(fā)現(xiàn)，帶寬較小的學校密度與公交線路密度參數(shù)估計的標準差較大，這也證明了空間異質(zhì)性的存在。

3.5 基于MGWR模型的影響因素空間異質(zhì)性研究

MGWR模型的回歸系數(shù)結(jié)果如表6所示。

表6 MGWR回歸系數(shù)描述統(tǒng)計

3.5.1 學校、購物場所密度

全域回歸系數(shù)均為正值(圖5)，表明隨著學校密度的增加，常規(guī)公交出行量也會隨之增加。學校密度對常規(guī)公交客流的影響呈現(xiàn)明顯的南北空間差異。

圖5 學校密度估計參數(shù)空間分布Fig.5 Spatial distribution of school density estimation parameters

根據(jù)MGWR模型結(jié)果，可以把學校密度對常規(guī)公交客流的影響，根據(jù)其異質(zhì)性分為三類，第一類在城市南部區(qū)域，由于該地區(qū)學校密度較大，學生通勤出行較多，且公交線網(wǎng)布設更為合理，對于學生群體常規(guī)公交吸引力高，更多的學校帶動了常規(guī)公交出行需求，所以學校密度對常規(guī)公交客流起到顯著的正向促進作用；第二類在城市中部區(qū)域，雖受到學校密度的影響，但影響程度遠不及市南、市北區(qū)；第三類位于城市北部區(qū)域，對常規(guī)公交客流的促進作用較小，主要由于該地區(qū)公共交通基礎設施建設較差，常規(guī)公交出行不便導致其競爭力較差，促使更多人選擇出租車等更便捷的出行方式。

購物密度對常規(guī)公交客流的影響程度整體上呈現(xiàn)由南向北擴散性遞減的趨勢(圖6)。與學校密度不同，購物密度與全域常規(guī)公交客流呈負相關效應，由于本文購物點選擇為高德POI分類中的超級超市、購物中心、特色商業(yè)街等大型購物點，一般購物密度較大區(qū)域內(nèi)多以服務類POI為主，用地類型較為單一，居住人口密度較低而且購物出行作為非通勤出行，出行時間具有較大的靈活性，導致購物密度對早高峰常規(guī)公交客流表現(xiàn)為抑制作用。

3.5.2 土地利用多樣性

土地利用混合度回歸系數(shù)跨度較小(圖7)，土地利用混合度與常規(guī)公交客流全域均呈負相關效應；影響高值主要集中在南部、中部部分區(qū)域，因為該地區(qū)土地混合開發(fā)強度高且道路交通擁堵嚴重，慢行交通設施完善且區(qū)域內(nèi)設有地鐵線路，人們更傾向于選擇慢行、軌道交通等出行方式，會對常規(guī)公交客流產(chǎn)生一定抑制作用。上述表明區(qū)域內(nèi)土地利用混合度越高，越能滿足較多人的出行需求，居民出行范圍在一定程度上縮減，居民出行則更偏向步行、非機動車等慢行交通方式等，使常規(guī)公交客流有所減少。

圖7 土地利用混合度估計參數(shù)空間分布Fig.7 Spatial distribution of degree of land use mix estimation parameters

3.5.3 公交站點距離、線路密度

距公交站點距離與常規(guī)公交客流全域均呈負相關效應(圖8)。表明距公交站點越近，居民到公交站點的步行距離會有所減少，即公交出行便捷會促使更多居民選擇常規(guī)公交出行方式，常規(guī)公交客流增加。距最近公交站點距離整體上對常規(guī)公交客流的影響強度較低，影響程度整體上呈現(xiàn)由北向南擴散性遞減的趨勢，且空間異質(zhì)性不明顯。上述表明，距最近公交站點距離直接影響居民交通出行決策行為，進而對常規(guī)公交客流產(chǎn)生了間接影響。

圖8 距公交站點距離估計參數(shù)空間分布Fig.8 Spatial distribution of distance to bus stop estimation parameters

公交線路密度對常規(guī)公交客流的影響南北空間差異明顯，且早、晚高峰的公交線路密度邊際作用的空間變異特征存在較高的相似度(圖9)。全域空間上均表現(xiàn)為對常規(guī)公交客流的正向促進作用，這說明合理增加公交線路密度能夠顯著提高常規(guī)公交客流。影響程度整體上呈現(xiàn)由南向北擴散性遞減的趨勢，尤其對公交線路密度較大的南部區(qū)域常規(guī)公交客流的影響最為顯著，主要由于該地區(qū)人口與企業(yè)密度高，同時較高的公交線路密度一定程度上反映了常規(guī)公交的便捷程度，高水平的公交服務可以吸引更多的常規(guī)公交出行需求，公交客流會相應增加。而城市外圍區(qū)或郊區(qū)道路密度低導致公交覆蓋率差，常規(guī)公交出行受限，故人們更傾向于便捷的出租車、私家車等方式出行，所以對常規(guī)公交客流的促進作用相較于其他區(qū)域有所降低。

圖9 公交線路密度估計參數(shù)空間分布Fig.9 Spatial distribution of bus line density estimation parameters

此外，停車場密度對早、晚高峰常規(guī)公交客流影響程度的空間分布形態(tài)相似(圖10)，全域空間均表現(xiàn)為對常規(guī)公交客流的正向影響，這與前人研究結(jié)果基本一致。

影響程度整體上呈現(xiàn)由南向北擴散性遞減的趨勢，但回歸系數(shù)跨度較小；影響高值主要分布在市中心、南部，因為停車場密度大的地區(qū)，一般位于市中心，多為居住聚集地或工作崗位聚集地等，由于居民出行需求較大，導致停車位嚴重供應不足，居民會更傾向于選擇公共交通出行，常規(guī)公交客流會有所增加，所以停車場密度對常規(guī)公交客流起到明顯的促進作用。

圖10 停車場密度路密度估計參數(shù)空間分布Fig.10 Spatial distribution of parking lot density estimation parameters

4 結(jié)論

常規(guī)公交出行受到城市建成環(huán)境影響，但是不同建成環(huán)境變量對常規(guī)公交客流量的影響程度不同，同一建成環(huán)境變量對常規(guī)公交客流量的影響程度在不同空間位置也存在較大差異。因此，融合城市主城區(qū)的常規(guī)公交GPS數(shù)據(jù)、IC卡數(shù)據(jù)及網(wǎng)絡開放平臺數(shù)據(jù)，探究城市建成環(huán)境對常規(guī)公交客流量的影響機理，得到以下結(jié)論。

(1)從模型擬合效果來看，MGWR模型相較于GWR模型表現(xiàn)更好；對比GWR與MGWR模型帶寬發(fā)現(xiàn)，MGWR模型考慮了不同建成環(huán)境變量對常規(guī)公交客流量影響的尺度效應，能更好地解釋建成環(huán)境與常規(guī)公交客流量的多尺度空間異質(zhì)性問題，具備更精確的局部參數(shù)估計。

(2)不同類型的城市建成環(huán)境對常規(guī)公交客流量的影響不同且存在空間差異。學校密度、公交線路密度和停車場密度對早、晚高峰的常規(guī)公交客流均有顯著正向影響，購物密度、土地利用混合度、距公交站點距離對早、晚高峰的常規(guī)公交客流均有顯著負向影響，這與以往研究結(jié)論一致。此外，還發(fā)現(xiàn)公交鄰近度要素中的公交線路密度、密度要素中的學校密度對常規(guī)公交客流影響程度較大且具有明顯的空間異質(zhì)性，意味著具有高密度、良好公交可達性的建成環(huán)境有利于引導居民選擇常規(guī)公交出行，上述異質(zhì)性在以往研究并未發(fā)現(xiàn)，這與所先用模型有關。

(3)由于城市建成環(huán)境對常規(guī)公交客流量的影響程度存在空間異質(zhì)性，因此在城市規(guī)劃、交通規(guī)劃中可以根據(jù)不同區(qū)域各建成環(huán)境影響程度的空間差異，因地制宜地提出改善或優(yōu)化策略，從而使決策更加具有針對性。

(4)僅研究了工作日早、晚高峰時段的常規(guī)公交客流量，沒有結(jié)合各個時間維度對影響因素的時空異質(zhì)性展開分析，在后續(xù)的研究中可以考慮將時間維度納入模型；由于建成環(huán)境度量指標眾多，對于自變量還有進一步選取及拓展的空間。