EN中文

地理学报 >

2025 , Vol. 80 >Issue 2: 503 - 522

DOI: https://doi.org/10.11821/dlxb202502015

交通与旅游地理

网约车对公共交通的潜在替代效应测度及影响因素——以成都市为例

  • 郑智成 , 1 ,
  • 张丽君 1, 2 ,
  • 秦耀辰 , 1, 2 ,
  • 荣培君 3 ,
  • 李阳 1 ,
  • 张晶飞 1
展开
  • 1.河南大学地理科学与工程学部 地理科学学院/黄河中下游数字地理技术教育部重点实验室, 郑州 450046
  • 2.河南大学黄河文明与可持续发展研究中心暨黄河文明省部共建协同创新中心，开封 475004
  • 3.河南财经政法大学城乡协调发展河南省协同创新中心，郑州 450046
秦耀辰(1959-), 男, 河南荥阳人, 教授, 博士生导师, 主要从事区域可持续发展研究。E-mail:

郑智成(1992-), 男, 河南焦作人, 博士, 副研究员, 主要研究方向为城市地理、城市交通与可持续发展。E-mail:

收稿日期: 2023-05-25

  修回日期: 2024-05-07

  网络出版日期: 2025-02-13

基金资助

国家自然科学基金项目(42171295)

国家自然科学基金项目(42071294)

国家自然科学基金项目(42101206)

黄河文明省部共建协同创新中心重大项目(2020M19)

收起

Measuring the potential substitution effect of ride-hailing travel on public transport and its influencing factors: A case study of Chengdu

  • ZHENG Zhicheng , 1 ,
  • ZHANG Lijun 1, 2 ,
  • QIN Yaochen , 1, 2 ,
  • RONG Peijun 3 ,
  • LI Yang 1 ,
  • ZHANG Jingfei 1
Expand
  • 1. College of Geographical Sciences/Key Laboratory of Geospatial Technology for the Middle and Lower Yellow River Regions, Ministry of Education, Faculty of Geographical Science and Engineering, Henan University, Zhengzhou 450046, China
  • 2. Key Research Institute of Yellow River Civilization and Sustainable Development & Collaborative Innovation Center on Yellow River Civilization Jointly Built by Henan Province and Ministry of Education, Henan University, Kaifeng 475004, Henan, China
  • 3. College of Collaborative Innovation Center on Urban and Rural Harmonious Development of Henan Province, Henan University of Economics and Law, Zhengzhou 450046, China

Received date: 2023-05-25

  Revised date: 2024-05-07

  Online published: 2025-02-13

Supported by

National Natural Science Foundation of China(42171295)

National Natural Science Foundation of China(42071294)

National Natural Science Foundation of China(42101206)

Major Project of Collaborative Innovation Center on Yellow River Civilization Jointly Built by Henan Province and Ministry of Education(2020M19)

Fold

摘要

数字交通背景下，网约车与公共交通使用和建成环境的关系是城市地理学和交通地理学共同关注的重点论题。然而，目前仍缺乏从时空维度量化网约车对公共交通出行的影响，也未明确建成环境在其中发挥的作用。通过引入需求弹性理论与大数据技术，提出网约车出行替代效应时空测度方法，并发展了一种高效、动态、精细化的建成环境量化方法。运用随机森林和可解释机器学习模型，重点剖析了影响替代效应的多因素非线性交互与时空耦合作用。成都市的实证研究表明：① 出行效率是影响公共交通竞争力的关键。同一行程下的公共交通行程时间是网约车的2.0~3.5倍，其中需花费10 min的步行时间来完成最初/最后1 km，且需要0~2次换乘。② 中心城区的网约车出行对公共交通产生明显替代效应，工作日和休息日分别有28.69%和27.08%的网约车出行替代了公共交通，并在高峰时段明显增强。③ 目的地可达性对替代率的正向贡献度最高，其次为人口社会经济要素，城市空间形态和公共交通可达性对替代率的影响程度相对较小。④ 建成环境对替代效应的影响呈现出非线性交互特征，且阈值区间和交互影响强度随时间的动态变化而差异显著。研究不仅突破了传统静态“空间-行为”研究局限性，也为城市交通出行优化和建成环境的精细化调控提供了应用参考。

关键词： 网约车; 替代效应; 城市建成环境; 动态人地关系; 非线性; 阈值效应; 成都市

本文引用格式

郑智成 , 张丽君 , 秦耀辰 , 荣培君 , 李阳 , 张晶飞 . 网约车对公共交通的潜在替代效应测度及影响因素——以成都市为例[J]. 地理学报, 2025 , 80(2) : 503 -522 . DOI: 10.11821/dlxb202502015

Abstract

In the context of digital transportation, the relationship between ride-hailing services, public transport usage, and the built environment is a crucial area of research in urban geography and transportation geography. Nevertheless, there remains a lack of research in quantifying the impact of ride-hailing on public transport travel from the spatio-temporal dimensions, and the role played by the built environment in this context has not been clarified. To address these limitations, a spatio-temporal measure method of the substitution effect of ride-hailing travel was proposed by introducing demand elasticity theory and big data technology. Additionally, an efficient, dynamic, and refined measure method of the built environment was developed. On this basis, by integrating random forests with interpretable machine learning models, this paper focused on analyzing the multi-factorial nonlinear interactions and spatio-temporal coupling effect that influence the substitution effect. The empirical study of Chengdu shows that: (1) Travel efficiency is key to the competitiveness of public transport. For the same trip, the travel time of public transport is typically 2.0-3.5 times that of ride-hailing. Specifically, taking public transport often requires a 10-min walk to complete the first/last 1 km and involves 0-2 transfers. (2) There is a significant substitution effect of ride-hailing travel on public transport in the central city, with 28.69% and 27.08% of ride-hailing trips substituting public transport on weekdays and weekends, respectively, and the substitution effect is significantly enhanced during peak periods. (3) Destination accessibility has the highest positive impact on the substitution rate, followed by demographic socioeconomic factors, with urban spatial form and public transport accessibility having a relatively small degree of influence on the substitution rate. (4) The influence of built environment on the substitution effect exhibits a nonlinear interactive characteristic, with threshold ranges and interaction strengths showing significant variation over time. This study not only breaks through the limitations of traditional static "space-behavior" research, but also provides application references for the optimization of urban traffic and refined regulation of the built environment.

Key words： ride-hailing; substitution effect; urban built environment; dynamic human-land relationship; nonlinear; threshold effect; Chengdu

1 引言

在互联网和大数据技术的共同推动下，以满足出行多元化需求为导向的网约车逐渐成为城市居民生活中不可或缺的一部分。据统计，2018年全球网约车用户已高达5.16亿人[1]。中国的网约车需求市场尤为庞大，截至2021年12月，中国网约车用户规模高达4.53亿，全年共完成83.2亿次网约车出行需求（https://www.cnnic.net.cn/）。作为一种新兴的“互联网+共享”出行方式，网约车在为城市居民出行提供便利和多样化选择的同时，也对传统公共交通系统造成了巨大冲击，并诱发了与公共交通之间替代或互补关系的激烈争论[2⇓-4]。2019年底疫情暴发后，再次将两者之间关系的讨论推向热点[5]。
在这场争论中，互补模式支持者认为网约车的灵活性不仅能有效接驳公共交通系统，同时与公共交通形成了良好的空间互补性和时间协同性[6-7]。但也有学者通过强调网约车对公共交通的替代作用，驳斥了该观点。替代模式的主张者认为网约车与公共交通出行之间可能存在博弈竞争关系，并且这种关系正在不断蚕食公共交通乘客[8⇓⇓-11]。更为紧迫的是，在纽约、旧金山等北美地区的研究发现，网约车在致使公共交通乘客量大幅降低的同时，还引发了严重的交通拥堵和碳排放增加等负外部性问题。例如，Erhardt等通过出行需求模拟模型揭示了2010—2016年期间网约车的介入使得旧金山的交通拥堵时间增加了62%，平均速度下降13%[2]。此外，在美国44个大都市地区的研究也指出，由于网约车对公共交通产生的净替代效应，致使公共交通乘客量减少了8.9%，拥堵时间增加了4.5%[3]。上述两种对立鲜明的观点体现了网约车对公共交通的替代与补充作用并存。然而，网约车究竟何时、何地以及在多大程度上替代或补充公共交通的问题仍未明晰。
现有研究主要从个体非汇总层面和空间汇总层面来识别两者关系。前者是基于问卷或仿真形式，对网约车出行的替代情景进行假设与模拟，偏向于理论化分析。诸如，研究者通过询问：如果没有网约车，您会选乘哪一类交通工具?以此来衡量网约车对公共交通的替代程度[12⇓-14]。例如，一项对波士顿的1000名网约车乘客调查显示，在没有网约车情况下，有42%的乘客会改乘公共交通[12]。成都的590名网约车乘客也表示，如果没有网约车，有高达62.9%的乘客会选择公共交通[1]。然而，上述方式只能评估在特定情形下的出行是否由网约车产生，很难刻画真实的出行状况，也无法描绘何时何地会产生替代。空间汇总层面则基于出行大数据，通过出行模拟形式对比同一行程下两种出行方式的出行成本，为在地理空间层面测度网约车对公共交通的潜在替代关系开辟了新思路。具体为：针对某一条网约车行程，如果附近存在一个相同行程的公共交通出行方案，且公共交通站点与网约车的出发地和目的地距离相近（通常将阈值设置为300~800 m）。此时，若居民仍选乘网约车，则该网约车行程被视为公共交通的潜在替代行程，否则为互补[15⇓-17]。为避免夸大替代作用，部分学者还通过增加时间差阈值[18⇓-20]，为判定两者间的关系设定了更加苛刻的条件。例如，在多伦多地区[18]，当网约车与公共交通的行程时间差小于15 min时，有30.6%的网约车替代公共交通；当时间阈值大于30 min时，替代率为26.9%。虽然该方法能有效衡量替代效应的时空特征，但往往忽略了行程票价和交通换乘的约束，可能会严重高估替代作用。一方面，乘客对票价高度敏感。若同一行程下乘坐网约车与公共交通间的费用差异过大，网约车也会被视为是对公共交通的补充[21]；另一方面，交通换乘会直接造成出行时间成本增加[22]。
在探讨出行方式替代效应影响因素研究中，建成环境要素和人口社会经济特征通常是无法回避的问题。“空间—行为”互动理论揭示了建成环境和人口社会经济特征对居民出行具有一定锁定效应，并对出行行为产生长期和深远影响；同时，出行行为反过来又体现了居民对建成环境的需求，能推动建成环境的优化与改造[23⇓⇓⇓-27]，这为厘清网约车出行替代效应影响机理提供了重要突破口。众多研究表明，人口社会经济特征对网约车出行的影响呈现出较强一致性，特别是具有高学历、高收入的年轻人群体选用网约车出行的频率最高[4,11,28]。当被问及为什么选用网约车时，超过一半的受访者认为速度和便捷性是他们选择的主要原因[6]。然而，迄今仍缺乏关于建成环境对网约车出行影响的一致性结论。尽管多数研究表明，高密度、高功能混合度以及便利的交通可达性能够削减居民的出行距离，降低小汽车出行依赖[29⇓⇓-32]。但仍有相当比例的研究发现，建成环境对居民出行距离以及出行方式的选择几乎没有影响[33-34]，甚至有观点认为高居住密度和高功能混合反而增加了居民出行距离[35-36]。
造成这两种截然不同的观点，可能是由以下两个方面引起的。① 忽略了出行行为的不确定性以及与地理背景动态性之间的复杂关系[37-38]。居民对网约车出行需求在一天中和一周中的不同日子里存在较大差异，城市内部设施的营业时间和功能混合度也不是一成不变的，而是会随着居民使用规律呈现高度的动态化、多变性特征。已有不少研究验证了地理背景动态性对网约车出行行为会产生不同程度和方向上的影响[26,39⇓⇓⇓⇓ -44]。例如，餐饮、娱乐设施丰富的区域会极大促进休息日网约车使用，而通勤设施丰富的区域会增加工作日网约车使用[45]。此外，高功能混合度区域对白天网约车出行需求有显著正向影响，而休闲娱乐和居住设施丰富的区域会增加夜间网约车出行需求[46]。② 在弹性大小的理解上存在差异。各建成环境指标的弹性系数大小，同样会引起相悖结论[47-48]。近年来基于机器学习算法的兴起，如随机森林、梯度提升决策树、广义可加模型等，部分学者开始关注建成环境对出行行为的非线性特征和阈值效应[49-50]，揭示了建成环境对出行行为影响的边际效应呈现非线性特征，且仅在特定阈值范围内产生影响[51-52]。例如，Hu等通过建立广义加性混合模型分析了建成环境与网约车出行需求量、周转率之间的非线性关系[53]，指出在2.2~5.1 km出行范围内，网约车相比公共交通更具有优势。Zhang等通过梯度提升决策树模型[54]，发现当街区尺度的有效尺度为150~200 m，零售商业设施的有效范围为65~145个/km2时，可有效降低小汽车使用。因此，一个有效的建成环境配置范围，可为建成环境布局与调整提供更为精准的指南。
为此，本文以网约车出行渗透率较高的成都市为例，依托互联网平台和滴滴出行大数据，借鉴经济学中替代品和互补品的需求交叉弹性思想和效用最大化原则，从出行选择视角发展了一种替代效应测度方法。在此基础上，本文建立了建成环境与替代效应之间的动态对应关系，并结合机器学习方法，揭示了替代效应的多因素非线性交互与时空耦合作用（图1）。本文旨在回答以下问题：① 如何在细粒度时空尺度上量化网约车对公共交通出行的替代效应?② 不同时间情景下，替代效应的空间分布特征和时间演变规律是怎样的?③ 人口社会经济和建成环境在替代效应中发挥着怎样的作用?通过深入探讨这些问题，本文将为精准测度网约车与公共交通替代效应提供新的思路和方法，并为城市交通规划和资源配置提供科学依据与应用参考。
图1 研究分析框架

Fig. 1 Research and analysis framework

2 研究区概况与数据来源

2.1 研究区概况

成都是四川省省会城市，也是国家重要的高新技术产业基地、商贸物流中心和综合交通枢纽。在新一轮城市扩张中，成都市逐渐形成了以同心圆型扩张为主的环形结构，是全国第二个拥有六环路的城市。2021年成都市常住人口突破了2000万，汽车保有量超过500万辆，其中网约车数量为42.86万辆，小汽车出行占比高达40%以上。此外，成都还是西部智能化出行渗透率最高的城市。2016年第三季度智能出行大数据报告显示，成都智能化出行总人次高达1.3亿，期间滴滴出行平台为成都地区850万用户提供过出行服务，即每10个人中就有6个使用过滴滴出行服务。在庞大的人口总量和高比例的人口流动情况下，成都的交通和资源配置面临极大挑战。因此，在该地区开展本项研究颇具代表性和典型性。本文以成都绕城高速以内区域为主要研究区域，包括青阳区、武侯区、锦江区、成华区、金牛区和高新南区在内的“5+1”城区，共涉及90个街道单元。为反映居民的实际生活空间，将路网围成的自然街区作为最小的聚居单元，研究区共被划分为5415个街区单元（图2）。
图2 研究区域

注：成都市2016年底仅开通地铁1号、2号、3号和4号线。

Fig. 2 Location of the study area

2.2 数据来源及处理

2.2.1 网约车GPS数据

网约车GPS数据来源滴滴盖亚数据开放计划，涵盖了滴滴出行服务中的顺风车、快车、拼车、专车以及传统的出租车等多种类型的出行方式。研究选取当月内天气状况良好，且网约车出行量较为平稳的连续一周数据作为案例数据（2016年11月7—13日）。数据中累计订单量为1521044条，平均每天活跃的网约车有39373辆，平均每天出行217292次。将原始数据进行清洗与预处理后，每条订单包含了网约车行驶过程中的ID、乘客上车和下车时间以及经纬度信息（图3）。
图3 网约车数据样例

Fig. 3 Ride-hailing data sample

2.2.2 公共交通运营数据

为对比同一行程下网约车与公共交通间的行程成本差异，针对每一条网约车订单数据，利用互联网地图实时导航[55]，获取了在对应时段内、同一行程下乘坐公共交通（公交或地铁）的行程时间、距离、票价以及换乘次数等相关信息（表1）。其中，公共交通行程时间中包含往返车站的步行时间、乘车时间以及换乘时间。
表1 同一行程下网约车与公共交通行程成本的描述统计

Tab. 1 Descriptive statistics of trip cost comparison between ride-hailing and public transport for the same trip

出行方式 行程成本 工作日 休息日
平均值 标准差 25% 50% 75% 平均值 标准差 25% 50% 75%
网约车 行程距离(km) 8.87 5.68 4.84 7.43 11.36 9.11 5.85 4.95 7.62 11.70
行程时间(min) 22.38 12.56 13.00 20.00 28.00 23.75 13.97 14.00 21.00 30.00
行程票价(元) 23.20 14.27 14.00 19.00 28.00 23.80 14.78 14.00 19.00 29.00
公共交通
 行程距离(km) 9.55 6.05 5.12 8.07 12.37 9.83 6.25 5.25 8.31 12.79
行程时间(min) 47.58 18.68 34.52 44.40 57.08 48.11 18.71 34.93 44.93 57.68
行程票价(元) 3.36 1.68 2.00 3.00 4.00 3.43 1.67 2.00 3.00 4.00
换乘次数(次) 1.57 0.68 1.00 1.00 2.00 1.58 0.68 1.00 1.00 2.00
出发地步行至站点时间(min) 7.33 5.10 3.40 6.32 10.12 7.34 5.16 3.32 6.32 10.23
站点步行至目的地时间(min) 9.32 5.31 5.48 8.32 12.27 9.43 5.39 5.55 8.40 12.73

2.2.3 建成环境数据

建成环境和人口社会经济特征被认为是影响网约车使用的关键因素。然而，传统的建成环境测度通常采用“3Ds”或“5Ds”框架[24,32]，该框架虽然可以有效地代表邻里层面的建成环境，但却无法反映人地关系在时空维度上的动态变化，也不能很好描述特定于网约车出行活动集成的建成环境。为此，本文在“5Ds”框架基础上加入人口社会经济特征，并将城市规划中可直接干预的变量，如功能混合度、容积率、楼层数以及建筑密度纳入城市空间形态要素中[56]，构建了网约车出行过程中涉及的人、公共交通、目的地可达性以及城市空间形态的建成环境框架。在此基础上，通过融合互联网多源时空大数据，发展了一种高效、动态、精细化的城市建成环境测度方法（图4）。
图4 基于Web地理时空大数据平台的城市建成环境指标构建与测度

Fig. 4 Construction and measurement of urban built environment indicators based on the Web big data platform

对于人口社会经济属性，本文以1 h为间隔，连续获取了一周的人口热力图，并采用活动数量法对人口密度进行测算。此外，分别以单元平均房价和薪资水平表征居民的经济收入水平。为响应舒适的步行生活圈规划，对于公共交通可达性和目的地可达性，研究以路径导航为支撑并结合设施的营业时间，分别建立以生计类、生活类、娱乐类设施以及交通换乘为导向的10 min步行圈（表2、表3）。城市空间形态方面，首先基于各设施的营业时间和信息熵的方法[45]，对动态的功能混合度进行测算。其次通过建筑轮廓数据，分别计算容积率、楼层数以及建筑密度等指标。
表2 建成环境指标

Tab. 2 Built environment indicators

I级指标 II级指标 III级指标 描述
人口社会经济 实时人口密度 实时人口密度 街区内实时实时人口密度(人/km2)
平均房价 平均房价 街区内平均房价(元/m2)
平均收入 平均收入 街区内平均岗位工资(万元/月)
公共交通可达性 交通换乘类 公共交通 街区10 min步行圈内可达公交站、地铁站、火车站出入口数量(个)
目的地可达性 生计类 通勤 街区10 min步行圈内公司、写字楼、政府机构、工厂数量(个)
通学 街区10 min步行圈内幼儿园、小学、中学、大学数量(个)
生活类 餐饮 街区10 min步行圈内中、外国餐厅数量(个)
购物 街区10 min步行圈内购物中心、百货商场数量(个)
医疗 街区10 min步行圈内诊所、急救中心、专科医院、综合医院数量(个)
生活服务 街区10 min步行圈内营业厅、美容美发、维修、五金店数量(个)
居住 街区10 min步行圈内宾馆、招待所、宿舍、住宅小区数量(个)
娱乐类 体育休闲 街区10 min步行圈内运动场所、娱乐场所、休闲场所数量(个)
公园景点 街区10 min步行圈内公园广场、风景区数量(个)
城市空间形态 功能混合度 功能混合度 街区内动态的功能混合度(信息熵)
建筑层度 建筑层度 街区内平均建筑层数(层)
建筑密度 建筑密度 街区内建筑密度占比(%)
容积率 容积率 街区内容积率
表3 POIs类别及营业时间

Tab. 3 POIs categories and open hours

II级指标 III级指标 描述 工作日 休息日
生计类 通勤 公司企业、政府机构、商务写字楼 08:00—18:00 关闭
通学 中小学及以下 08:00—18:00 关闭
大学 00:00—24:00 00:00—24:00
生活类 餐饮 中餐厅、西餐厅、饮品店 08:00—24:00 08:00—24:00
购物 超级市场、综合市场 08:00—23:00 08:00—23:00
日常生活 美容美发、维修、物流快递 09:00—22:00 09:00—22:00
居住 小区、宿舍、宾馆、旅社 00:00—24:00 00:00—24:00
医疗 专科、综合、急诊 00:00—24:00 00:00—24:00
娱乐类 公园景点 风景名胜、公园景点、博物馆 08:00—18:00 08:00—18:00
体育休闲 运动场所、娱乐场所、休闲场所 09:00—24:00 09:00—24:00
交通换乘类 公共交通 公交、地铁 06:00—23:00 06:00—23:00
火车站、高铁站 00:00—24:00 00:00—24:00

3 研究方法

3.1 替代效应测度模型构建

所谓替代出行，指的是两种出行方式在满足居民出行需求时具有相同或相近的效果（如便利程度、出行成本等），以至于居民可任选其一作为替代出行方案。依据微观经济学中的需求弹性理论和效用最大化理论[57-58]，对于交通出行决策而言，居民总是会出于便利性、时间成本和出行费用等约束条件对备选出行方案的效用做出理性选择，以获得最大化效益。据此，研究假设，对于每次网约车出行，如果存在一个相同行程的公共交通出行方案，且满足以下条件：首先，公共交通站点与网约车出发地和目的地步行距离适宜。其次，乘坐公共交通仅需要较少的换乘次数。最后，两者行程时间成本相近，并且行程费用差异较小。在上述情况下，若居民仍选乘网约车，则该网约车行程为公共交通的潜在替代行程；否则，则被认定为公共交通的补充行程。依据该假设，研究设定4个层级用于判定两者之间的潜在替代效应（图5），只有同时满足这4个层级的网约车行程才被视为公共交通的替代行程：
S 1 =   a ∈ S | O a ∈ B n ( m ) D a ∈ B n ( m ) S 2 =   a ∈ S 1 | B t ≤ τ t S 3 =   a ∈ S 2 | T B - T R ≤ τ T S 4 =   a ∈ S 3 | P R - P B ≤ τ P
式中：a为单个网约车行程变量；S是所有网约车行程的集合；Oa和Da分别是上下车地点； B n ( m )是网约车上下车位置与公共交通站点（公交站点和地铁站出入口）的步行范围；Bt是乘坐公共交通换乘次数；τt为换乘阈值；TR是乘坐网约车的行程时间；TB是同一行程下乘坐公共交通的时间；τT是行程时间差的阈值；PR是乘坐网约车的行程费用；PB是同一行程下乘坐公共交通的费用；τP是行程费用差的阈值。为将不同时间情景的替代率汇总到空间层面，本文按1 h为时间粒度，以替代行程的起讫点散落在街区的数量来计算替代率。某一时段内街区的替代率被定义为：
R i j = Q i j S i j
式中：Rij表示在j时段街区i的替代率；Qij为在j时刻街区i中具有替代公共交通潜力的网约车行程量（满足上述4层结构的OD数据集合）；Sij表示在j时刻街区i中所有网约车出行OD量的集合。
图5 网约车与公共交通之间潜在替代效应的4层结构

Fig. 5 Four-layer structure of potential substitution effect between ride-hailing and public transport

3.2 随机森林模型与可解释机器学习模型

为剖析建成环境与替代效应之间的细致联系，特别是主控因素对其的交互作用、非线性特征与不确定性。本文综合运用随机森林模型与可解释机器学习模型。随机森林是一种非参数和非线性的机器学习算法[59]，常应用于处理回归预测和分类相关场景中。为避免过拟合，以随机方式选用70%的数据集作为训练集，30%数据为测试集。此外，为保证模型的准确性，分别采用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和R2 4项指标来评估模型性能。尽管随机森林模型相对于普通线性模型在进行回归预测时往往有更好的精度，且能够对影响因素进行重要性排序，但是同时也失去了模型的可解释性。本文进一步引入可解释机器学习模型（Shapley Additive Explanation, SHAP）对训练好的随机森林模型进行直观的解释[60]。SHAP模型是一种可解释任何机器学习模型输出的博弈论方法，通过计算各个特征对模型输出的边际贡献，再从全局和局部两个层面对“黑箱”模型进行解释，以达到公平分配合作的收益，极大增加了模型的透明度。SHAP值服从以下等式：
y i = y b a s e + f ( x i 1 ) + f ( x i 2 ) + … + f ( x i k )
式中，yi值表示模型对样本i的预测值；xi值为第i个样本；xij为第i个样本的第j个特征；ybase表示所有样本的目标变量均值， f ( x i j )为xij的SHAP值，即第i个样本的第j个特征对最终预测值yi的贡献值。当 f ( x i j ) > 0，表明该特征对预测值的提升起到了正向作用。反之，则说明该特征对预测值具有反向作用。SHAP值最大的优势就是能反映出每一个样本中每项特征影响的强度和方向。

4 研究结果

4.1 网约车与公共交通的行程成本特征

将两种出行模式的行程成本对比后发现（图6），网约车上/下车位置与附近目标公共交通站点的步行时间大多集中在10 min（700~800 m）以内。意味着当同一行程下，居民选择公共交通时，往往需要花费10 min的步行时间来完成最初/最后1 km，从而极大影响了公共交通的出行效率。此外，在出行过程中，还需要进行0~2次换乘，且每增加一次换乘，平均就需要多花费2.5~3.5 min。最终公共交通行程时间为网约车的2.0~3.5倍，网约车行程票价为公共交通的6.80~7.60倍。
图6 成都市内所有行程成本对比

Fig. 6 Trip cost comparison in Chengdu

4.2 替代效应阈值敏感性分析

对于第一层而言，当步行至站点阈值 B n ( m ) ≤ 5 min时，工作日和休息日分别仅有9.16%和9.02%的网约车行程可能与公共交通产生替代；当 B n ( m ) ≤ 15 min，替代率均高达80%。通过观察替代率随阈值 B n ( m )的变化，发现当 B n ( m ) ≤ 10 min时，工作日和休息日分别有48.80%、47.84%的网约车行程具备潜在替代公共交通出行的作用，较为符合现实状况（图7）。将满足第一层级的网约车行程加入到第二层级后发现，当换乘阈值 τ t =0 时，工作日和休息日分别仅有27.21%、25.90%的公共交通行程能满足乘客“零换乘”抵达目的地； τ t ≤ 1时，替代率均高于42%；对于第三层和第四层而言，当行程时间差阈值 τ T ≤ 25 min，且行程票价差阈值 τ P ≤ 20元时，替代率出现明显拐点，此时替代率保持在30%以内。在此基础上，参照已有研究经验和敏感性分析结果[15⇓⇓⇓⇓-20]，最终将两种出行模式的替代效应判定标准设定为：对于06:00—23:59期间的网约车出行，如果附近存在一个相同行程的公共交通出行方案，且公共交通站点与网约车的出发地和目的地步行距离均在10 min以内，且乘坐公共交通仅需要进行1次以内的换乘，同时两者的行程时间差阈值为25 min，行程票价差阈值为20元。此时认定该网约车行程与公共交通出行之间具备潜在的替代效应。
图7 阈值敏感性分析

Fig. 7 Threshold sensitivity analysis

4.3 替代效应的时空动态特征

经过上述4层评判标准，成都市工作日和休息日分别有28.69%和27.08%的网约车出行替代了公共交通（图8）。替代率高值区不仅与地铁站密切相关，而且形成以一环为核心，逐渐向外围扩散性递减态势。从城市发展方向看，高值区沿西北—东南走向，与2号线（犀浦站—龙泉驿站）高度重合，串联起茶店子街道、少城街道、合江亭街道以及成都东站。从环线来看，一环区域总的替代率高达40.11%，并以合江亭街道为中心构成替代效应集聚区；三环—四环区域替代率呈现出明显“洼地”，替代率仅为6.84%。这意味着城市中心地区以替代效应为主导，而城市外围以补充效应为主导。
图8 成都市全时序时段替代率空间分布

Fig. 8 Spatial distribution of substitution rates for full time sequence in Chengdu

从替代率随时间的变化趋势发现（图9），各时段的替代率与居民活动规律和公共交通运营时间密切相关，并呈现明显的“潮汐”现象。早低谷（06:00—07:00）期间，由于仅有少量居民外出活动，公共交通则正处于运营或未运营状态，此时网约车以补充作用为主导，替代率维持在14.28%~14.33%。随着居民生计、生活和娱乐等出行活动增加，替代率逐渐提升，在一天中存在3次峰值。具体来看，工作日的早高峰（08:00—09:00）、午高峰（15:00—16:00）和晚高峰（18:00—19:00）期间，分别有32.98%、31.73%、34.68%的网约车出行替代了公共交通。休息日的早高峰、午高峰和晚高峰期间，分别有21.73%、31.46%、32.54%的网约车出行替代了公共交通。在夜低谷（23:00以后），由于大部分设施关闭，居民活动量大幅降低。此时，多数公共交通也相继停运，导致网约车的互补作用再次体现，替代率跌至17%。
图9 替代率的时空变化特征

Fig. 9 Spatio-temporal characteristics of substitution rates

4.4 建成环境对替代效应的影响

4.4.1 建成环境对替代效应影响的贡献度排序

考虑到替代率变化的时空节律特征，研究重点选取工作日与休息日的3个高峰、两个低谷以及全时序时段，将替代率作为因变量，动态建成环境作为自变量，通过构建随机森林和可解释机器学习框架，探寻了建成环境对替代效应影响的非线性交互与时空耦合作用。表4展现了不同时间情景下，随机森林回归模型的优良性能，其R2值均保持在0.608~0.784之间，且均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）相对较小，模型具有较好解释力。
表4 各时间情景下随机森林回归模型性能

Tab. 4 Performance of random forest regression model in various time contexts

时段 MSE RMSE MAE R2
工作日 早低谷 165.859 12.879 8.010 0.623
早高峰 146.049 12.085 8.281 0.712
午高峰 130.604 11.428 7.917 0.731
晚高峰 139.482 11.810 8.239 0.742
夜低谷 88.490 9.407 5.965 0.682
全时序 69.669 8.347 6.094 0.784
休息日 早低谷 116.227 10781 5.640 0.608
早高峰 137.409 11.722 7.192 0.650
午高峰 179.111 13.383 8.975 0.679
晚高峰 158.130 12.575 8.398 0.699
夜低谷 122.103 11.050 6.761 0.619
全时序 73.409 8.570 6.020 0.777
变量的贡献度排序如图10所示，其中柱状图的长短和颜色分别代表该特征影响程度的大小和正负，红色表示该特征具有正向影响，蓝色表示该特征具有负向影响；散点图的每个点代表局部特征对模型输出结果的影响。在所有时间情景下，目的地可达性对替代率的正向贡献度最大，其次为人口社会经济要素，而城市空间形态和公共交通可达性对替代率的影响程度相对较小。这表明位于高人口密度且拥有高经济收入水平的群体，在进行生计、生活、娱乐等出行活动时，更倾向选择网约车。
图10 变量重要性排序以及作用方向

Fig. 10 Importance ranking and action direction of influencing factors

在建成环境II级指标中，各建成环境对不同时间情景下的替代率具有不同程度的影响。早低谷期间，生活类设施可达性、功能混合度和平均房价分别位居贡献度的前3位，且均为正向影响。随着早高峰到来，生计和娱乐类设施可达性对工作日替代率的正向影响均有所提升，而实时人口密度、娱乐类设施可达性对休息日替代率的正向影响也逐渐增强。午高峰与晚高峰期间，生计、生活和娱乐设施可达性与功能混合度分别占据主导地位。夜低谷期间，随着大部分生计类设施和公园景点关闭，生活、娱乐（体育休闲）设施可达性和功能混合度成为促进替代率增加的主导因素。总的来看，与生计、生活以及娱乐相关的出行活动是影响替代率增加的主导要素，尤其是与生活类相关的出行活动会显著提升各时段的替代率。

4.4.2 建成环境对替代效应的非线性影响和阈值效应

基于SHAP的部分依赖图（图11），显示了在控制其他变量的情况下，替代率随着某一建成环境变量的非线性变化。结果表明，建成环境对替代率的非线性特征是普遍存在的，且具有明显的阈值效应。
图11 关键因素对替代率的非线性影响(全时序时段前6项)

Fig. 11 Nonlinear effects of key factors on substitution rates (top 6 in full-time sequence)

（1）人口社会经济。低谷期间，实时人口密度对替代率的影响呈现“U”型特征，而平均房价和收入水平与替代率的关系波动性较大。当街区人口密度介于7000~9000人/km2、平均房价介于5000~8000元/m2，10000~15000元/m2以及平均收入介于0.5万~1.5万元/月时，替代率呈快速上升趋势，之后趋于平稳。高峰期间，人口社会经济要素对替代率的影响开始转变为线性模式，其阈值区间明显增大。结果呼应了以往研究中，位于高人口密度区域以及拥有高经济收入水平的群体更倾向选择网约车出行[4,11,21]。
（2）目的地可达性。目的地可达性与替代率之间关系类似于线性模式，其中生活类设施可达性的提升，对各时间情景的替代率均产生明显的正向影响；生计类设施可达性的提升，仅对工作日高峰时段的替代率产生强正向影响；而娱乐类设施可达性自早高峰时段起，才对替代率产生正向影响。低谷期间，由于大部分生计、娱乐设施暂未营业，致使居民以生活类出行活动为主导。故而，街区内丰富的生活类设施和可达性提升会促进网约车的到访。可见，网约车出行需求总是跟随着不同时间情景下，居民出行活动规律的变化而变化。此外，街区内设施数量和可达性的阈值效应，会显著影响网约车对公共交通的替代程度。当街区步行10 min可抵达的生活类设施数量介于200~2000个、生计类设施数量保持10~500个、娱乐类设施数量20~100个时，替代率呈快速增长趋势。超出这一范围时，对替代率不再有明显影响。
（3）公共交通可达性。公共交通可达性对休息日替代率的影响强度明显高于工作日，尤其在早低谷时段。当街区内步行10 min可抵达的公共交通站点数量高于10个时，替代率呈线性增长趋势。其余时段，公共交通可达性对替代率的影响较为微弱。一方面表明，公共交通发达区域对替代率具有显著正向影响。另一方面则意味着，即便公共交通设施较为便利，但由于缺乏点对点的出行服务，甚至需要较长的步行时间以及多次换乘，导致公共交通的竞争力不强。因此，一味地增加公共交通站点建设，并不能降低网约车依赖，如何提升公共交通出行效率才是关键。
（4）城市空间形态。功能混合度对替代率的影响类似线性增长模式，且在所有时间情景下均产生较强正向影响。该结果印证了高功能混合度会吸引更多的网约车到访，这与西方大多研究结果是相悖的。大多基于西方国情的研究发现，高功能混合度能有效降低小汽车依赖。因此，学者们应重新审视紧凑型城市在中国高密度、高功能混合度地区的适用性。建筑密度对替代率的影响呈现“V”型特征，并以负向影响为主导。此外，在工作日早低谷、休息日午高峰和休息日夜低谷时期，建筑密度对替代率影响较为强烈。在建筑密度从0%~60%的变化过程中，替代率呈快速下降趋势，而当建筑密度高于60%后，部分区域的替代率开始呈现快速增长趋势，之后趋于平稳。

4.4.3 影响因素交互作用分析

为深入研究各因素交互作用对替代率的影响，对所有建成环境因子进行了两两交互探测，并将单因子与交互因子进行重要性排序（图12）。结果显示，建成环境对替代率的影响存在交互作用，且交互作用的影响强度在不同时间情景下亦有所不同。
图12 关键因素及交互效应对替代率的影响(每个时段的前15项)

Fig. 12 Impact of key factors and interaction effects on substitution rates (top 15 for each time period)

工作日早低谷期间，排名前3的主导交互因子为生活类设施可达性、功能混合度与平均房价，其交互性会极大提升替代率；而休息日期间，排名前3的主导交互因子发生于生活类设施可达性、功能混合度与实时人口密度之间。两类时间情景下，核心交互因子均为生活类设施可达性与功能混合度。一方面表明，该时刻居民的网约车出行需求与生活类设施密切相关，并且高功能混合区域容易吸引网约车到访。另一方面，揭示了区域餐饮、购物、医疗等生活类设施增加会促进功能混合度的提升，同时高功能混合度的区域可能蕴含着丰富的生活类设施，两者协同作用时对替代率具有较强解释力。
在高峰时期，由于上下班通勤的需求，生计类和生活类设施的可达性成为影响替代率的核心交互因子；而休息日核心交互因子为生活类设施可达性与功能混合度。午高峰期间，核心交互因子较为一致，均为生活类与娱乐类设施可达性。晚高峰期间，工作日核心交互因子转变为生活类与生计类设施可达性；休息日为生活类与娱乐类设施可达性。夜低谷时期，核心交互因子均为生活与娱乐（体育休闲）类设施可达性。这表明不同时间段内，居民的出行需求总是与周边的功能设施类型及功能混合度密切相关。此外，出于工作日与休息日出行动机差异，致使不同功能组合形式对替代率产生不同程度影响。

5 结论与讨论

本文通过融合多源地理时空大数据，构建了居民日常出行替代效应时空测度框架，并发展了一种高效、动态、精细化的建成环境量化方法。基于此，将动态建成环境作为自变量，网约车与公共交通之间的替代效应作为因变量，综合运用随机森林和可解释机器学习模型，识别了影响替代效应的主控因素，剖析了影响因素之间的非线性关系及交互作用。主要结论与启示如下：
（1）出行的效率是影响公共交通竞争力的关键要素。同一行程下，公共交通行程时间通常为网约车的2.0~3.5倍，该结果明显高于《新加坡陆路交通总体规划》中将“公共交通与小汽车的行程时间比控制在1.5倍以内”作为城市交通发展的主要目标。本文中，乘坐公共交通往往需要花费10 min的步行时间来完成最初/最后1 km，且需要0~2次以内的换乘，每增加一次换乘平均就需要多花费2.5~3.5 min。可见，即便网约车的票价通常高于公共交通，但网约车以其灵活性和时间成本优势足以超过其额外成本，促使乘客放弃公共交通而转乘网约车。因此，规划部门应反思如何优化路线来实现公共交通无缝衔接，以提高公共交通的效率和吸引力。例如，充分发挥常规公交“补位地铁”“接驳地铁”“跨区出行”功能。此外，要提高公共交通的服务质量，创造更高效、更便捷、更舒适的乘车环境，从而减少网约车服务对公共交通的替代。
（2）网约车对公共交通的潜在替代效应主要发生在中心城区。该结果从地理空间层面，回应了丹佛、旧金山、波士顿等北美地区基于问卷调查研究的结果[6,13]。通过设定4个层级，发现工作日和休息日分别有28.69%和27.08%的网约车出行替代了公共交通出行。这一结果明显低于多伦多地区30.6%的比例[18]，同时远低于成都问卷调查结果[1]。这是由于本文为替代效应的判定增加了更为苛刻的条件，不仅考虑了行程时间成本，还将价格成本以及公共交通换乘次数纳入到评价体系中。针对中心城区具有高替代率的区域，提倡选用新能源汽车来代替燃油汽车，以此来减少能源消耗和碳排放。此外，还可通过设定动态定价或空间配额来调节网约车服务的空间分布。例如，提高高峰时段，中心城区的网约车出行起步价，降低城市外围或郊区里程票价，甚至给予价格补贴政策。
（3）建成环境对替代效应的影响程度具有不确定性，且存在交互作用。其中，生计类设施可达性仅对工作日高峰时段的替代率产生较强正向影响，而娱乐类设施可达性自早高峰时段起才对替代率产生正向影响。该结论进一步印证了地理背景的日间差异对出行行为的影响，同时也揭示了将动态地理背景纳入行为分析的必要性[37-38]。在对影响因子的交互性探索中同样发现，“生活—生计”类交互活动会极大提升工作日高峰期的替代率。休息日居民出行活动受生计类活动约束较小，出行活动更多元化，交互项主要围绕着“生活—娱乐”类相关的出行活动，并且更倾向于抵达高功能混合度区域。综合来看，非生计类出行活动已经成为居民网约车出行的主导类型。为提升成都公共交通竞争力，可考虑定制公共交通专线和优化发车时刻表。例如，增设工作日高峰时段“生活—生计”公共交通直达专线，以及休息日“生活—娱乐”旅游专线。这将有助于优化公共交通服务的空间分布和时间分配，以满足不同时间段居民出行的需求。
（4）建成环境对替代效应的影响呈现出非线性特征，且阈值区间随着时间的动态变化而产生较大差异。该结果回答了“不同时间情景下，居民对建成环境的弹性需求范围”，可为建成环境定量优化与调整提供政策指导。从目的地可达性来看，当街区内步行10 min范围，可达的生活、生计和娱乐类设施数量分别介于200~2000个、10~500个和20~100个时，会吸引大量网约车到访，同时替代率呈快速增长趋势；功能混合度对替代率的影响类似于线性增长模式。然而，这些功能设施丰富的区域主要集聚在成都三环以内。外环街区功能混合度普遍处于0.5以下的水平，若适当增加该区域，尤其居住片区周边功能设施类型，将功能混合度提升至1.0以上，可能会缩短居民跨区域出行概率，并弱化城市中心的替代效应。
本文是将网约车与公共交通间的替代效应量化到地理空间层面的一次有益尝试，在后续研究中仍需从以下方面进一步深化。① 本文只考虑了为期一周的网约车轨迹数据，不同的年份或月份可能会产生不一致的结果。② 文中代表人口密度和社会经济水平的数据是通过各种数据源的估算结果得到的，可能会包含未意识到的误差，并破坏测量的精确度。③ 衡量出行方式的替代效应中，设定不同的阈值可能会有不同的结果。未来的研究应该考虑多种出行方式的对比研究，融合更细致的人口社会经济属性、出行偏好等，进一步揭示出行方式替代效应的影响机理。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Shi K B, Shao R, De Vos J, et al. The influence of ride-hailing on travel frequency and mode choice. Transportation Research Part D: Transport and Environment, 2021, 101: 103125. DOI: 10.1016/j.trd.2021.103125.

[2]
Erhardt G D, Roy S, Cooper D, et al. Do transportation network companies decrease or increase congestion? Science Advances, 2019, 5(5): eaau2670. DOI: 10.1126/sciadv.aau2670.

[3]
Diao M, Kong H, Zhao J H. Impacts of transportation network companies on urban mobility. Nature Sustainability, 2021, 4: 494-500.

[4]
Jin S T, Kong H, Wu R, et al. Ridesourcing, the sharing economy, and the future of cities. Cities, 2018, 76: 96-104.

[5]
Zhao P J, Gao Y K. Public transit travel choice in the post COVID-19 pandemic era: An application of the extended Theory of Planned behavior. Travel Behaviour and Society, 2022, 28: 181-195.

DOI PMID

[6]
Rayle L, Dai D, Chan N, et al. Just a better taxi? A survey-based comparison of taxis, transit, and ridesourcing services in San Francisco. Transport Policy, 2016, 45: 168-178.

[7]
Basu R, Araldo A, Akkinepally A P, et al. Automated mobility-on-demand vs. mass transit: A multi-modal activity-driven agent-based simulation approach. Transportation Research Record, 2018, 2672(8): 608-618.

[8]
Wang Y Z, Zheng B H, Lim E P. Understanding the effects of taxi ride-sharing: A case study of Singapore. Computers, Environment and Urban Systems, 2018, 69: 124-132.

[9]
Ding C, Lin Y Y, Liu C. Exploring the influence of built environment on tour-based commuter mode choice: A cross-classified multilevel modeling approach. Transportation Research Part D: Transport and Environment, 2014, 32: 230-238.

[10]
Barnes S J, Guo Y, Borgo R. Sharing the air: Transient impacts of ride-hailing introduction on pollution in China. Transportation Research Part D: Transport and Environment, 2020, 86: 102434. DOI: 10.1016/j.trd.2020.102434.

[11]
Clewlow R R, Mishra G S. Disruptive transportation: the adoption, utilization, and impacts of ride-hailing in the United States. University of California, 2017.

[12]
Gehrke S R, Felix A, Reardon T G. Substitution of ride-hailing services for more sustainable travel options in the greater Boston region. Transportation Research Record, 2019, 2673(1): 438-446.

[13]
Henao A, Marshall W E. The impact of ride-hailing on vehicle miles traveled. Transportation, 2019, 46: 2173-2194.

DOI

[14]
Hoffmann K, Ipeirotis P, Sundararajan A. Ridesharing and the use of public transportation. Thirty Seventh International Conference on Information Systems, 2016. https://core.ac.uk/download/pdf/301370418.pdf.

[15]
Liao Y. Ride-sourcing compared to its public-transit alternative using big trip data. Journal of Transport Geography, 2021, 95: 103135. DOI: 10.1016/j.jtrangeo.2021.103135.

[16]
Luo H, Zhang Z M, Gkritza K, et al. Are shared electric scooters competing with buses? A case study in Indianapolis. Transportation Research Part D: Transport and Environment, 2021, 97: 102877. DOI: 10.1016/j.trd.2021.102877.

[17]
Radzimski A, Dzięcielski M. Exploring the relationship between bike-sharing and public transport in Poznań, Poland. Transportation Research Part A: Policy and Practice, 2021, 145: 189-202.

[18]
Young M, Allen J, Farber S. Measuring when Uber behaves as a substitute or supplement to transit: An examination of travel-time differences in Toronto. Journal of Transport Geography, 2020, 82: 102629. DOI: 10.1016/j.jtrangeo.2019.102629.

[19]
Kong H, Zhang X H, Zhao J H. How does ridesourcing substitute for public transit? A geospatial perspective in Chengdu, China. Journal of Transport Geography, 2020, 86: 102769. DOI: 10.1016/j.jtrangeo.2019.102629.

[20]
Kong H, Jin S T, Sui D Z. Deciphering the relationship between bikesharing and public transit: Modal substitution, integration, and complementation. Transportation Research Part D: Transport and Environment, 2020, 85: 102392. DOI: 10.1016/j.trd.2020.102392.

[21]
Dean M D, Kockelman K M. Spatial variation in shared ride-hail trip demand and factors contributing to sharing: Lessons from Chicago. Journal of Transport Geography, 2021, 91: 102944. DOI: 10.1016/j.jtrangeo.2020.102944.

[22]
Yan X, Levine J, Zhao X L. Integrating ridesourcing services with public transit: An evaluation of traveler responses combining revealed and stated preference data. Transportation Research Part C: Emerging Technologies, 2019, 105: 683-696.

[23]
Chai Yanwei, et al. Spatial Behavior and Behavioral Space. Nanjing: Southeast University Press, 2014.

[柴彦威, 等. 空间行为与行为空间. 南京: 东南大学出版社, 2014.]

[24]
Cervero R, Kockelman K. Travel demand and the 3Ds: Density, diversity, and design. Transportation Research Part D: Transport and Environment, 1997, 2(3): 199-219.

[25]
Choi K. The influence of the built environment on household vehicle travel by the urban typology in Calgary, Canada. Cities, 2018, 75: 101-110.

[26]
Yu H T, Peng Z R. Exploring the spatial variation of ridesourcing demand and its relationship to built environment and socioeconomic factors with the geographically weighted Poisson regression. Journal of Transport Geography, 2019, 75: 147-163.

[27]
Chai Yanwei, Tan Yiming, Shen Yue, et al. Space-behavior interaction theory: Basic thinking of general construction. Geographical Research, 2017, 36(10): 1959-1970.

[柴彦威, 谭一洺, 申悦, 等. 空间: 行为互动理论构建的基本思路. 地理研究, 2017, 36(10): 1959-1970.]

DOI

[28]
Alemi F, Circella G, Handy S, et al. What influences travelers to use Uber? Exploring the factors affecting the adoption of on-demand ride services in California. Travel Behaviour and Society, 2018, 13: 88-104.

[29]
Ma J, Mitchell G, Heppenstall A. Daily travel behaviour in Beijing, China: An analysis of workers' trip chains, and the role of socio-demographics and urban form. Habitat International, 2014, 43: 263-273.

[30]
Munshi T. Built environment and mode choice relationship for commute travel in the city of Rajkot, India. Transportation Research Part D: Transport and Environment, 2016, 44: 239-253.

[31]
Sun B D, Ermagun A, Dan B. Built environmental impacts on commuting mode choice and distance: Evidence from Shanghai. Transportation Research Part D: Transport and Environment, 2017, 52: 441-453.

[32]
Ewing R, Cervero R. Travel and the built environment: A meta-analysis. Journal of the American Planning Association, 2010, 76(3): 265-294.

[33]
Limanond T, Niemeier D A. Effect of land use on decisions of shopping tour generation: A case study of three traditional neighborhoods in WA. Transportation, 2004, 31(2): 153-181.

[34]
Weber J, Kwan M P. Evaluating the effects of geographic contexts on individual accessibility:a multilevel approach. Urban Geography, 2003, 24(8): 647-671.

[35]
Choi K, Zhang M. The impact of metropolitan, county, and local land use on driving emissions in US metropolitan areas: Mediator effects of vehicle travel characteristics. Journal of Transport Geography, 2017, 64: 195-202.

[36]
Mitra R, Buliung R N, Roorda M J. Built environment and school travel mode choice in Toronto, Canada. Transportation Research Record, 2010, 2156(1): 150-159.

[37]
Kwan M P. The uncertain geographic context problem. Annals of the Association of American Geographers, 2012, 102(5): 958-968.

[38]
Tan Yiming, Chai Yanwei, Kwan Mei-po. The impact of the uncertain geographic context on the space-time behavior analysis: A case study of Xining, China. Acta Geographica Sinica, 2017, 72(4): 657-670.

DOI

[谭一洺, 柴彦威, 关美宝. 地理背景的不确定性对时空行为模式分析的影响: 基于西宁市的实证研究. 地理学报, 2017, 72(4): 657-670.]

DOI

[39]
Wang De, Xie Dongcan, Wang Can, et al. Regularity and predictability of individual spatiotemporal behavior: A case study of residents working day activities in Shanghai. Progress in Geography, 2021, 40(3): 433-440.

[王德, 谢栋灿, 王灿, 等. 个体时空行为的规律性与可预测性研究: 以上海市居民工作日活动为例. 地理科学进展, 2021, 40(3): 433-440.]

DOI

[40]
Wang Lucang, Chang Fei. The study of job-housing relationship of city based on multisource big data: Taking central urban area of Lanzhou as an example main city area. Human Geography, 2020, 35(3): 65-75.

[王录仓, 常飞. 基于多源数据的兰州市主城区城市职住空间关系研究. 人文地理, 2020, 35(3): 65-75.]

[41]
Wu Zhiqiang, Ye Zhongnan. Research on urban spatial structure based on Baidu heat map: A case study on the central city of Shanghai. City Planning Review, 2016, 40(4): 33-40.

[吴志强, 叶锺楠. 基于百度地图热力图的城市空间结构研究: 以上海中心城区为例. 城市规划, 2016, 40(4): 33-40.]

[42]
Zhao P X, Kwan M P, Qin K. Uncovering the spatiotemporal patterns of CO2 emissions by taxis based on Individuals' daily travel. Journal of Transport Geography, 2017, 62: 122-135.

[43]
Gao Yuan, Wang Jie, Li Gang, et al. Time series dynamic graph embedding: A method for precision identification of urban functions. Journal of Geo-Information Science, 2022, 24(10): 1968-1981.

[高原, 王洁, 李钢, 等. 城市用地功能精细化识别方法: 时序动态图嵌入深度学习模型. 地球信息科学学报, 2022, 24(10): 1968-1981.]

DOI

[44]
Wang S C, Noland R B. Variation in ride-hailing trips in Chengdu, China. Transportation Research Part D: Transport and Environment, 2021, 90: 102596. DOI: 10.1016/j.trd.2020.102596.

[45]
Zheng Z C, Zhang J F, Zhang L J, et al. Understanding the impact of the built environment on ride-hailing from a spatio-temporal perspective: A fine-scale empirical study from China. Cities, 2022, 126: 103706. DOI: 10.1016/j.cities.2022.103706.

[46]
Li T, Jing P, Li L C, et al. Revealing the varying impact of urban built environment on online car-hailing travel in spatio-temporal dimension: An exploratory analysis in Chengdu, China. Sustainability, 2019, 11(5): 1336. DOI: 10.3390/su11051336.

[47]
Stevens M R. Does compact development make people drive less? Journal of the American Planning Association, 2017, 83(1): 7-18.

[48]
Ewing R, Cervero R. "Does compact development make people drive less?" The answer is yes. Journal of the American Planning Association, 2017, 83(1) : 19-25.

[49]
Ding C, Cao X J, Næss P. Applying gradient boosting decision trees to examine non-linear effects of the built environment on driving distance in Oslo. Transportation Research Part A: Policy and Practice, 2018, 110: 107-117.

[50]
Cui Xu, Yu Bingjie, Yang Linchuan, et al. Spatio-temporal characteristics and non-linear influencing factors of urban rail transit: The case of Chengdu using the gradient boosting decision tree. Economic Geography, 2021, 41(7): 61-72.

[崔叙, 喻冰洁, 杨林川, 等. 城市轨道交通出行的时空特征及影响因素非线性机制: 基于梯度提升决策树的成都实证. 经济地理, 2021, 41(7): 61-72.]

[51]
Zhang Lin, Zhou Suhong, Kwan Mei-Po, et al. Nonlinear effects of bus micro-environments on passengers' comfort. Progress in Geography, 2021, 40(6): 967-979.

[张琳, 周素红, 关美宝, 等. 城市公交车微环境对乘客舒适度的非线性影响. 地理科学进展, 2021, 40(6): 967-979.]

DOI

[52]
Wang Chenggang, Wang Bo, Wang Qizhi, et al. Nonlinear associations between urban vitality and built environment factors and threshold effects: A case study of central Guangzhou city. Progress in Geography, 2023, 42(1): 79-88.

DOI

[汪成刚, 王波, 王琪智, 等. 城市活力与建成环境的非线性关系和阈值效应研究: 以广州市中心城区为例. 地理科学进展, 2023, 42(1): 79-88.]

DOI

[53]
Hu S H, Chen P, Lin H F, et al. Promoting carsharing attractiveness and efficiency: An exploratory analysis. Transportation Research Part D: Transport and Environment, 2018, 65: 229-243.

[54]
Zhang W, Zhao Y, Cao X J, et al. Nonlinear effect of accessibility on car ownership in Beijing: Pedestrian-scale neighborhood planning. Transportation Research Part D: Transport and Environment, 2020, 86: 102445. DOI: 10.1016/j.trd.2020.102445.

[55]
Zheng Z C, Shen W, Li Y, et al. Spatial equity of park green space using KD2SFCA and web map API: A case study of Zhengzhou, China. Applied Geography, 2020, 123: 102310. DOI: 10.1016/j.apgeog.2020.102310.

[56]
Ye Yu, Zhuang Yu, Zhang Lingzhu, et al. Designing urban spatial vitality from morphological perspective: A study based on quantified urban morphology and activities' testing. Urban Planning International, 2016, 31(1): 26-33.

[叶宇, 庄宇, 张灵珠, 等. 城市设计中活力营造的形态学探究: 基于城市空间形态特征量化分析与居民活动检验. 国际城市规划, 2016, 31(1): 26-33.]

[57]
Mas-Colell A, Whinston M D, Green J R. Microeconomic Theory. Oxford: Oxford University Press, 1995.

[58]
Chen Shuwen. Application of elasticity of demand in marketing. Science Research Management, 2002, 23(5): 115-123.

[陈树文. 需求弹性理论在市场营销中的应用. 科研管理, 2002, 23(5): 115-123.]

[59]
Breiman L. Statistical modeling: The two cultures (with comments and a rejoinder by the author). Statistical Science, 2001, 16(3): 199-231.

[60]
Lundberg S M, Lee S I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 2017, 30: 4765-4774.

Options
文章导航

/

〈 〉