出行恩仇录：用中国数据揭示网约车与公共交通是敌是友？

『运筹OR帷幄』转载

作者：Citipedia

出行恩仇录

用中国数据揭示网约车与公共交通是敌是友

2020年8月17日期

原文/ Hui Kong、Xiaohu Zhang、 Jinhua Zhao

翻译/ 雷链、黄显婷、林若然

易红杜、高广达

校验/ 高广达 文献/ 季钧一

编辑/ 众山小 排版/ 众山小

微博 | weibo.com/sustainablecity

编者按

一直以来，困扰交通政策制定者的一个问题是：网约车这一新兴出行方式对公共交通的影响几何？两者究竟是替代竞争关系还是补充关系？来自新加坡-麻省理工学院研究与技术联盟的研究人员首创了基于个体出行的网约车对公共交通替代效应研究方法。他们的研究结果表明，在2016年11月1日中国成都逾18万次网约车出行之中，替代公交的出行占比约三分之一。

首先，给出替代出行和补充出行的定义如下：如果任意网约车出行能够被公共交通有效地服务，那么这个网约车出行被认为是潜在替代了公共交通的出行。换句话说，如果一个出行本可以被公共交通所有效服务，但实际上却由滴滴网约车来承担，那么定义该出行为替代出行。补充出行的定义则是无法由公共交通有效服务的网约车出行。

研究人员开发了一个三级结构来判别网约车和公共交通之间的潜在替代或补充关系，同时通过时空数据分析，建立线性、空间自回归和零膨胀β回归模型来考察替代效应的影响因子。

首先，替代效应在不同的时间和地点各不相同。研究人员发现，白天(早8点至晚6点)的替代率较高，市中心的替代率高于郊区。替代出行更多地出现在建设密度较高和土地利用混合使用较高的地区。这种替代率随着公共交通供应水平的下降而下降。在地铁线路覆盖较发达的地区，替代效应更显著，而边缘集团和郊区网约车出行被更多标记为补充出行。

他们还发现，房价与替代率呈正相关关系，表明了公共交通对较不富裕人口的重要性。该项研究有助于城市交通管理者因地制宜、因时制宜地采取灵活的网约车管控政策，从而促进城市交通绿色、可持续发展。

摘要

网约车服务的爆炸式增长引发了网约车与公共交通替代品或补充关系的讨论。在净效应的城市尺度既有实证研究中，缺乏从地理空间角度进行的分类分析；网约车对公共交通影响的时空格局，以及其影响因子也没有被研究。本文利用中国成都的滴滴出行数据，建立了一个三级结构来识别网约车和公共交通之间的潜在替代或补充关系，同时通过线性、空间自回归和零膨胀β回归模型等探索性的时空数据分析，考察替代效应的影响因子。结果表明，有约三分之一的滴滴网约车出行可能替代了公共交通。白天（8:00-18:00）的替代率更高，并且替代率随公共交通覆盖率的变化而变化，市中心和有地铁服务区域的替代率更高，而补充效应则更多地出现在郊区。进一步研究该效应的影响因素，发现替代率与房价呈正相关，与到最近地铁站的距离负相关，其他大多数建成环境因素的影响在零膨胀β回归模型中不显着。基于这些发现，该研究针对交通运输机构与网约车公司之间的合作伙伴关系、市中心和郊区的差异性政策、为经济弱势群体提供网约车服务存在的问题等方面提出了政策建议。

一、引言

Uber、Lyft、Grab、滴滴等基于应用程序的按需出行服务提供商（或称交通网络公司，TNC）的爆炸性增长，已将网约车出行置于公众关注的焦点（Hughes和MacKenzie，2016；Meyer和Shaheen，2017；Yu和Peng，2019）。“Ridesourcing”是指通过移动设备和应用程序将私家车司机与乘客联系起来的按需服务，交通研究人员通常使用“Ridesourcing”一词，而从业人员则称自己为“TNC”或“MSP（出行服务提供者）”，媒体通常使用“ride-hailing”或“ride-sharing”一词（Shaheen等，2016）。此类服务包括UberX、UberXL、Lyft、JustGrab、滴滴快车、滴滴优享等。

大量的研究和媒体报道证实了网约车对出租车的替代效应（Anderson，2014；Bialik等，2015；Glöss等，2016；Rayle等，2016）。除了与出租车行业竞争外，网约车还使人们放弃了公共交通。现有研究表明，网约车既可以替代公共交通，也可以补充公共交通（Jin等，2018），但尚不清楚这种效应的程度，以及其时空分布和影响因素。

本研究利用中国成都的滴滴出行数据，探讨了网约车与公共交通之间的替代或补充关系。我们重点回答三个问题：(1)滴滴在多大程度上替代了公共交通？(2)替代程度随时间和空间如何变化？(3)哪些因素会影响滴滴对公交的替代效应？这些问题的答案对交通运营和城市规划都非常重要。

本文的第2部分将为替代和补充效应作出定义，并回顾当前对网约车及其与公共交通之间关系的研究；第3部分解释了本研究所使用的数据和方法；随后第4部分介绍和讨论实证分析的结果；最后，我们总结结论和政策建议，并指出当前研究的局限性和未来研究的方向。

二、研究背景

替代或补充

网约车可以替代公共交通，因为它提供了另外一种出行方式。使用网约车出行时，乘客不必步行到公共汽车或地铁站点就可以要求服务，并由车辆直接运送到目的地，而且车内环境通常比公共交通更舒适。因此，尽管网约车的价格通常较高，它仍有可能代替公共交通。另一方面，网约车可以补充公共交通，因为它的按需服务补充了公共交通固定路线之外的路线，提升了固定时间表服务的范围和灵活性（Hall等，2017）。在微观经济学中，替代品和补充品的区别在于需求的交叉弹性“EPA, QB”，其表达式为：

其中PA是商品或服务A的价格，QA是商品或服务A的需求量。如果EPA, QB>0，则意味着A的价格上涨会导致B的需求增加，A和B是替代品；相反，如果EPA, QB<0，则它们互为补充；如果EPA, QB=0，则A和B是相互独立的。

一些研究讨论了城市尺度上网约车的替代或补充效应。与其在不同城市中的变化类似，该效应在城市范围内也存在空间变化，然而很少有这样的分析研究。因此，本文提出了一种在地理空间环境下研究这一替代或补充效应的方法。对于每个起点-目的地（OD）组合，网约车对公共交通上的影响是替代或补充二者之一。在可达的情况下（距公交站点步行距离可观，且出行时间成本相近），如果乘客选择了网约车出行，则将网约车出行定义为公共交通的潜在替代品；另一方面，在不可达的情况下（公共交通站点不在步行范围内，或公交出行的时间明显更长），如果乘客选择了网约车服务，则将其定义为公共交通的补充品。对某个地区的影响是通过累计所有网约车出行的效应来确定的。

有关网约车和公共交通之间关系的有限文献表明，网约车既可以替代公共交通，又可以补充公共交通，但没有提供充分的定量分析来证实这一发现。对于其替代效应的论据是通过对乘客的问卷调查建立的，问题例如“如果没有网约车，您将使用其他哪种交通方式？”这些调查由于研究领域、抽样策略和问卷设计的不同，结果显示的替代率也有所不同。Rayle等（2016）在旧金山对380名刚刚完成了网约车或在过去两周内使用过网约车的乘客进行了调查，得出的结论是33％的网约车出行取代了公共交通，相较于公共交通，用户平均节省了10分钟左右的时间。Henao（2017）对丹佛市的311名Uber/Lyft乘客进行了一项调查，同时亲自进行了网约车司机的参与式观察，发现如果没有网约车出行，22.2％的乘客是会使用公共交通出行的。Gehrke等人（2018）对波士顿大都会地区1000名乘客的车内调查显示，如果无法提供网约车，有42％的受访者会改乘公共交通出行。Clewlow和Mishra（2017）区分了各种类型的公共交通，发现网约车使人们放弃了公共巴士和轻轨，但增加了地铁的载客率；这些结论来源于问卷调查和定量分析。美国公共交通协会的调查（Murphy，2016）得出的结论是，网约车更可能取代私家车出行而不是公共交通出行，并且在公共交通运营较少时（如晚上8点–凌晨4点）更受欢迎。皮尤研究中心（Pew Research Center）的Smith（2016）发现，根据对4787名美国成年人的调查，公共交通的使用与Uber的使用高度相关（56％的网约车常用用户也经常乘坐公共交通）。

很少有定量研究通过研究特殊情况下乘客出行方式的变化，或通过模拟虚拟情况来检验网约车与公共交通之间的关系。Hoffmann等（2016）表明，在地铁服务中断的情况下，网约车的使用量会增加30％以上。Hall等（2017）应用统计方法，比较了Uber进入市场后城市公交载客量的变化，发现Uber是公共交通的补充，因为Uber在进入市场后两年将公交载客量提高了5％。Jin等（2018）将纽约市的Uber接送服务与公共交通站点进行了比较，发现Uber大部分时间都会替代公共交通，除非交通覆盖率较低。通过对虚拟系统的模拟（Basu等，2018）或匹配算法（Stiglic等，2018），得出的结论是公共交通是不可替代的，如果网约车充当公交系统的接驳者，则整个系统的效率将会提高。

现有研究表明，网约车服务与公共交通之间既有替代关系，又有补充关系。但是，我们仍然缺乏实证分析去定量测量其在地理空间环境中的表现。少量的定量研究仅分析了总体上的替代或补充效应，而没有分析每一次网约车出行是否具有替代或补充公共交通的可能性。此外，这种关系的时空变化以及影响因素仍然未知。本文在以下方面填补了这些空白：(1)通过三级结构分析了每次网约车出行如何替代或补充公共交通；(2)揭示了替代率随时间和空间的变化；(3)通过回归模型检验了不同因素对替代率的影响。

三、研究数据及方法

01

研究范围

本文研究了在中国成都，滴滴出行是如何替代公共交通的。成都市是四川省省会，全市下辖11个市辖区、5个县级市、4个县。这11个市辖区构成了所谓的“中心城区”，其中5个位于市中心（锦江区、青羊区、金牛区、武侯区、成华区），6个位于郊区（郫都区、新都区、青白江区、龙泉驿区、双流区、温江区）。其余5个县级市（彭州市、都江堰市、崇州市、邛崃市、简阳市）和4个县（金堂县、大邑县、蒲江县、新津县）构成了“郊区新城”。

成都是中国西部重要的商贸物流中心和综合交通枢纽。截至2010年底，世界500强企业中已有200多家在成都设立了分部。2016年，成都已有超过400条公交线路，将近12000辆公共汽车；有4条地铁线路在运营，20余条线路在规划中。

滴滴出行被选为网约车出行服务的代表。它是中国最大的交通网络公司/一站式移动出行平台，并于2016年收购了Uber China。现有研究主要集中在它对出租车行业的影响（Nie，2017），拼车行为的影响（Chen等人，2018），交通排放（Sun等，2018；Xue等，2018），以及限制政策对需求的影响（Sun和Ding，2019）。我们收集到的滴滴出行的数据，都集中在成都中心城区，即11个市辖区内。因此，本文主要研究这部分区域，而非整个成都市（如图1）。

图一、成都市行政区图及本文研究范围

02

研究数据

我们采集了五种不同的数据(译者注：原文笔误，此处列出了六种数据)，解释如下：

1. 滴滴出行数据（数据来源：Didi Chuxing GAIA Initiative，https://gaia.didichuxing.com）：我们使用了2016.11.1的滴滴出行（包含滴滴快车和礼橙专车）数据，共181172次。数据包含上车地点、下车地点的时间戳和坐标。大部分出行数据均位于成都中心城市及附近的区县：市中心、郫都区、新都区、青白江区、龙泉驿区、双流区和温江区，因此本文主要分析这些地区的181068次出行数据。
2. 公共交通站点及运营时段数据：本文从百度API爬取公共交通站点及运营时段数据，共20923座站点（112座地铁站点和20811座公交站点）。
3. 公共交通出行时间数据：使用Google Distance Matrix API估算公共交通出行时间。对于每一个滴滴出行数据，我们估算同一行程下乘坐公共交通工具的出行时间。其中，出发时间定义为滴滴出行的上车时间。调用API后会返回乘坐公共交通的总持续时间，包括在车时间、步行时间与换乘时间（如果存在换乘的话）。其中，在车时间需要同时考虑历史交通状况和实时交通情况来确定。需要注意的是，总持续时间中并不包括乘坐第一个公共交通工具的等待时间，因为在本文中，假设出行者能够根据公共交通时间表来计划自己的出行，从而最大程度地减少等待时间。这一假设也是与滴滴数据保持一致，在我们的数据中滴滴出行时间也是忽略了等待时间，而相对出行时间是通过与使用谷歌地图API计算出的所有滴滴出行的公共交通出行时间对比来得到的。
4. 房价数据：在中国主要房地产交易平台——链家网（https://cd.lianjia.com/）收集2018年7月9266个社区的房价数据。
5. POI（Point of Interest）数据：在58-POI网站（http://www.poi58.com/search/s/download/chengdu_pois.html）收集数据，本文研究范围内共计124449个POI点。
6. GIS图层：从OpenStreetMap中获取地理图层，包括行政区边界和路网数据。

03

研究方法

1

量化替代的程度

识别个体出行的替代/补充效应。根据我们在地理空间环境中的定义，网约车出行服务是否有替代或补充公共交通的潜力，是通过公共交通可达性来验证的：如果该出行者在公共交通可达的情况下依然乘坐网约车，那么网约车服务便具有替代公共交通的潜力；否则，它仅可以用来补充公共交通，因为网约车服务为公共交通服务较差的区域提供了替代方案。我们提出了三种用以衡量公共交通可达性的指标：公共交通覆盖范围、出行时间差异和服务质量差异，在此基础上又提出了一个三级结构（如图2）来研究网约车出行服务与公共交通的补充/替代关系。本节提出了三级结构的计算方法，然而由于数据限制，本文只对层级1和2进行了深度分析。

图二、三级结构，以区分网约车与公共交通之间的关系（替代/补充）

层级1：公共交通覆盖范围。在这一层级，如果上车/下车点都在公共交通覆盖范围以内，那么网约车服务有可能替代公共交通。这一指标的计算公式是：

其中，S1是在层级1中所有具有替代公共交通潜力的网约车出行的集合，t是个体网约车出行变量，s是所有网约车出行的集合，Ot和Dt分别是上车和下车地点，bn(p)是以公交站点为中心的米以内的缓冲区范围。

可以使用缓冲区分析计算公共交通覆盖范围，且该缓冲区可以视为被公共交通系统“覆盖”（Hawas等，2016）。本文从“空间覆盖率”（可以使用公共交通的区域）和“时间覆盖率”（可以使用公共交通的时段）的角度来衡量公共交通覆盖范围。

对于“空间覆盖率”，已有研究表示400米是最佳步行距离（Demetsky和Bin-Mau Lin，1982；Murray等，1998；Wu和Murray,2005;Hawas等，2016），因此本文将400米设为缓冲区域范围。也有研究认为对于地铁站点和公交站点的最佳步行距离为400米，而市郊铁路的最佳步行距离为800米，因为人们愿意多走些路去乘坐市郊铁路（Smith和Taylor，1994；Jin等，2019）。在本研究中，由于成都只有地铁和公交，并且所有地铁均布设在市中心区域，因此针对所有的交通站点，我们都以400米为阈值距离。

对于“时间覆盖率”，由于全天中公共交通服务时间会发生变化（不同站点有不同的运营时间），且考虑到乘客的等待时间普遍为8-10分钟（Watkins等，2011），因此我们构建了每十分钟的公共交通覆盖率。例如，滴滴司机在早上9:05接到乘客，9:25乘客下车，只有在9:00-9:10期间运营的公共交通站点缓冲区域覆盖了该乘客乘坐滴滴出行的上车点，该行程才会被算作S1；同理，其下车地点应该由9:20-9:30期间运营的公共交通站点所覆盖。

层级2：乘坐公共交通和网约车的出行时间差异。只考虑公共交通覆盖范围这一指标评判替代或补充的关系，可能会高估了替代的可能性：在层级1中，如果乘坐网约车的上车/下车点有一个不在公共交通覆盖范围内就被明确定义为补充关系。然而，如果乘坐网约车能节省大量出行时间，那么在公共交通站点覆盖区域内的出行应该也被视为公共交通的补充。因此，这一层级作为附加指标，主要分析识别潜在的替代关系。在层级1中定义的具有替代公共交通潜力的网约车出行（t∈S1），我们计算相同行程下的以公共交通出行的出行时间。只有当出行时间差异小于预先定义的阈值时，网约车出行才被视为与公共交通呈替代关系。这表明，乘客并不是因为公共交通耗时（也可以说是可达性不高）才选择的网约车。公式3描述这一指标：

其中，S2是在层级2中所有具有替代公共交通潜力的网约车出行的集合，TtRS是乘坐网约车的出行时间，TtPT是同一行程下乘坐公共交通工具的出行时间，τT是出行时间差的阈值。

层级3：服务质量。层级3用服务质量指标进一步区分网约车服务：如果网约车服务进一步提升了服务质量，则该出行可以看作是补充关系。服务质量由很多因素确定，例如，拥挤程度、环境、隐私性、安全性、费用等。例如，如果公交/地铁过于拥挤，乘坐网约车可以提高乘客出行的舒适度，因此该出行可以看作是补充关系。费用也是很重要的考虑因素，如果车费差异过大，网约车出行也会被看作是补充关系。公式4用来表述这一指标：

其中，S3是在层级3中所有具有替代公共交通潜力的网约车出行的集合，QtRS是乘坐网约车的服务质量，QtPT是同一行程下乘坐公共交通工具的服务质量，τQ是服务质量差的阈值。由于数据原因，本文后续计算中没有考虑这一层级。

总体层面量化替代效应。在总体层面量化替代效应可以由下式表示：

其中，Ri为区域i的替代率，Si2是具有替代公共交通潜力的网约车出行的区域，Si是所有网约车出行的集合。

替代效应影响的建模

我们将研究区域划分为规则的网格，方便测量影响网约车与公共交通替代和补充效应的因素。在分析公共交通覆盖范围时我们采用400米的距离阈值，因此我们使用400×400米的网格单元，以便与前文研究一致。本文采用了三种回归模型。第一个是最小二乘线性回归模型（Ordinary Least Squares，OLS），是本文的基础模型；第二个是空间自回归模型（spatial autoregression model），它用于使用空间的变化；第三个是零一膨胀回归模型（zero-or-one inflated beta regression model，ZOIB），考虑因变量0和1值的影响，用以计算影响因素。

最小二乘线性回归模型（OLS）如下所示：

其中，Ri为所有从网格始发的网约车出行的替代率，ei为网格i的社会经济因素，由平均房价计算可得，以代表该网格的平均财富水平。bi为网格i的建筑环境因素，δi表示控制变量，包括网格的网约车出行总数、平均网约车出行时间以及网格内公交站点数量。Ε是误差项。

人们认为建筑环境会影响出行行为（Cervero和Kockelman，1997；Ewing和 Cervero，2001，2010）。本文的建筑环境包括四个指标：POI密度、土地利用多样性，道路密度和到地铁站的距离。POI密度是单元网格的POI数量，道路密度是通过计算网格的每km2的道路总长度来衡量。土地利用多样性通过不同POI种类的混合度来衡量，我们将POI点分为八类（见表1和附录A：https://doi.org/10.1016/j.jtrangeo.2020.102769），并计算Shannon熵指数来表示多样性水平（Shannon，1948）：

其中，H是熵值（从0到1），pj是第j类POI的百分比，n是种类数。熵值为1表示土地利用的多样性最大值，而熵值为0表示多样性最小值，即网格中只有一种POI。

我们进一步采取空间自回归模型来适应正在建模的关系中的空间变化。如果存在任何空间相关性，则会违反OLS模型中的“不相关误差项”和“独立观测”假设，从而增加了使用空间滞后或空间误差模型的必要性。如果省略了影响空间关系的空间相关协变量，则应该使用空间误差模型来获取不同空间单位之间误差项的相关性：

其中，λ表示空间误差系数，μi表示未验误差项。W是空间权值矩阵，由Queen contiguity neighborhoods定义。

由于因变量是以百分比形式度量的，且0和1值的占比很高，所以很可能各因素的影响来自于0或1值的影响。为了排除0和1值的影响，我们还应用了零一膨胀回归模型，以在不考虑极端样本的情况下检查影响因素（Ferrari和Cribari-Neto，2004；Ospina和Ferrari，2012）。

四、结果与讨论

01

滴滴与公共交通服务的图示

图三展示了滴滴接载地点分布和公共交通站点。两种交通模式均高度集中于城市中心。

图三、（a）滴滴接载地点的空间分布；（b）公共交通覆盖区域的空间分布

为了探讨这两种交通模式的日变化，我们基于其接载起始时间绘制了公共交通覆盖率和滴滴出行的关系图（如图四）。公共交通覆盖区域为运行交通站点周边400米缓冲区，公共交通覆盖率是通过交通覆盖区域面积和研究区域面积比值来计算的。因数据所限，我们并未排除公共交通无法抵达的区域，比如公园、森林和水体。总体上来说，成都公共交通覆盖率低于50%，在夜间（下午6点后）覆盖率显著下降，尽管滴滴接载在晚上也呈现下降趋势，但并未如公共交通覆盖率般显著。并且，大部分公共交通线路在午夜到清晨的时间段内并不营业（凌晨0点至早上6点），然而滴滴在同时段内继续运营。

图四、公共交通覆盖率和滴滴出行总数，2016年11月01日

02

滴滴与公共交通服务的关系

正如3.3章节里指明，我们在第一级和第二级（基于公共交通覆盖和出行时间差别）区分网约车作为公共交通潜在的替代和补充作用。对于第一级的分析，我们确认在公共交通覆盖面积内的上车点和下车点。正如3.3.1章节里讨论，因为研究表明400米是舒适的人行距离，因此我们采用400米缓冲区计算空间覆盖区域。我们也进行了敏感性分析，计算在不同缓冲区半径设置下（如图A1），滴滴行程被认定为潜在公共交通替代的百分比（总替代率）。明显地，当阈值小于400米时，随着缓冲区半径的提高，总替代率提高。但是当阈值大于400米时，总替代率基本保持稳定。针对时间覆盖，公共交通覆盖设定十分钟的时段。滴滴行程是否替代或补充公共交通是基于其接载点和下车点是否在公共交通覆盖范围内。图五a绘制总替代率和全研究区域公共交通覆盖范围的关系图。不足为奇，午夜至清晨（凌晨0点至上午6点），大部分滴滴行程的接载和下车点均在公共交通覆盖范围之外。从早上7点至晚上8点，滴滴对公共交通起到明显的替代作用：大约90%的行程接载和下车点均在公共交通覆盖范围之内。然而在晚上8点之后，两者之间的补充作用增强并再次成为主导。在不同空间区域的关系上，中心区域具有最高公共交通覆盖率（82.13%），而且79.75%的行程是可被滴滴行程替代。然而在持有所有城区中最低公共交通覆盖率（27.52%）的青白江区，滴滴补充超过半数的行程。

图五、从公共交通覆盖范围认定的关系：（a）（上图）研究区域内总替代率基于时间的变化；（下图）潜在的替代和补充行程百分比基于空间的变化。

我们继续进行第二级分析的研究，基于出行时间差别区分潜在的替代和补充行程。针对于所有接载点和下车点在公共交通覆盖范围内的滴滴行程，我们计算了其基于公共交通的出行时间。如果公共交通的出行时间明显更长，我们认为滴滴起到补充而非替代作用。

基于公共交通覆盖区域和出行时间差别，我们通过公式三认为滴滴的出行服务能够替代公共交通。替代率（替代公共交通的滴滴行程的百分比）可以通过公式五附带出行时间差别的阈值（τT ）计算得出（图六）。如果我们设置τT为10分钟，意味着如果滴滴行程和公共交通的出行时间差别小于10分钟，则滴滴行程具备潜在的替代作用，只有大约5%的滴滴行程具备替代公共交通的功能。当出行时间差别的基准提高，替代效果也提高。如果τT设置为43分钟，替代率大于50%，这表明替代功能超过了补充作用。我们也探讨关于缓冲区半径阈值变化和出行时间差别阈值的敏感性分析（如图A2）。由于网约车相对于公共交通通常节约20分钟的出行时间，同时谷歌距离矩阵应用程序接口通常对公共交通的出行时间估算过高，我们设置τT为30分钟来探讨二者关系的时空形态。基于这种设定，我们判断33.1%的滴滴出行旅程具备替代公共交通的潜能。

图六、随着出行时间差别（τT ）阈值变化的替代率

03

滴滴与公共交通服务的关系的时空变化

为了描述滴滴和公共交通之间关系的时空性，我们绘制了当τT为30分钟时，基于时间（图七）和空间的替代率（图八）。

图七、在研究区域内随着时间变化而变化的总替代率

图八、具备潜在（a）替代 或者（b）补充公共交通功能的滴滴行程的空间分布（τT =30分钟）

如果只通过公共交通覆盖范围来判断具备替代作用的滴滴行程，会导致白天的替代率过高，但是如果叠加出行时间差别，将会弱化替代作用（图七）。在早上6点之前，补充作用起主导作用，但是替代功能在这之后随着大部分公交车和地铁开始运营而提高。从早上8点至晚上6点，替代功能在40%浮动在晚上6点后逐渐下降。具备替代公共交通的滴滴行程百分比在早上8点至9点和晚上6点左右到达两个小高峰。这也符合图B1中较小的出行时间差别。

替代率的的总体趋势紧随公共交通覆盖范围的变化。然而，晚上6点至8点之间针对公共交通的替代率诚时间滞后，当公共交通覆盖范围下降约25-45%时，替代率仍然维持高位。这种时间滞后可以通过在这段时间内结束运营的公共交通站点的空间分布来解释（参见附录A中的图A3）。在晚上6点至8点结束运营的公共交通站点主要分布在外缘，而市中心的站点会持续运营。因为大部分滴滴行程在市中心进行，它们仍和公共交通覆盖范围重叠。晚上8点之后，市中心大部分公共交通站点结束运营；由此，滴滴相对于公共交通的补充功能开始显著。从公共交通覆盖和出行时间差别来定义的替代率在时间滞后性上并不显著，这归因于结束运营的外围站点在总体出行时间差别方面仍发挥作用。

我们绘制所有滴滴的行程接载点地图以探讨起空间特征（图八）。大部分可替代行程聚集在市中心，而城市外围地带主要被补充型的行程占据。市中心的高替代率可以归结于较高的公共交通覆盖和相对较短的行程，正如人们更喜欢使用网约车进行短距离而非长距离旅程。此外，我们发现在西北-东南方向和从市中心至南城边缘地区的行程有着较高的替代率。二者为成都两处主要的发展带，交通繁忙，同时和两条最早建设的地铁线重合。所有的结论均表明滴滴和公共交通之间的关系和社会经济因素以及建筑环境相关。越接近市中心，替代率越显著。

04

滴滴与公共交通服务的关系的影响因素

我们采用回归分析方法来探讨替代和补充效应的不同影响因素。为了和测量公共交通覆盖范围所使用的400米缓冲区的规格一致，我们将研究区域划分成400米*400米的网格，同时基于滴滴行程的接载地点将这些行程整合在这些网格中。并未被滴滴行程或者公共交通覆盖的网格被移除。基于网格重新计算替代率（图九）和影响因素，缺少房价信息的网格通过克里金内插法获得房价信息。根据Shaheen（2017）等人的研究，网约车在不同的城市建筑环境里有不同的应用。因此，我们假定每个网格的替代行程百分比的变化可以由社会经济因素，建筑环境，和其他空间因素来解释。基于可用的数据，我们选择了一些可分析的变量（表一）。所有变量的描述性统计也罗列在表一中。

图九、基于400米*400米网格的用于回归分析的替代率

表一、描述性统计

表二汇总了分析结果。首先，基于最小二乘线性回归模型，所有的因素和替代率均有明显的相关性。然而，在空间相关性的研究中，较高的莫兰指数表明正向的全局空间自相关性。这也表明需要应用空间自相关性模型来研究空间异质性。

稳健拉格朗日乘子法（表二）表明空间滞后模型最适于本次研究。拟合优度（伪确定系数）为0.6780，表明空间滞后模型相较于最小二乘线性回归模型（确定系数为=0.3815）更为合适。此外，空间滞后模型的空间伪确定系数为0.4357，相对来说并非模型拟合的最优化评估，但仍比最小二乘线性回归模型（调整伪确定系数= 0.3803）优化。

表二、模型结果

关于空间滞后模型的结论，房价和建筑环境因素都在统计上显著。房价和替代率有着正相关性。当其他变量保存恒量时，房价每提升一万元，替代率会提升4.5%。房价在局部范围内是平均财富水平的一个指标，因此我们的结论表明富裕的人群更倾向于使用滴滴服务。建筑环境，兴趣点密度，土地利用多样性，和道路密度均和替代率有着99%置信区间内显著的正向相关性。密度的系数是0.003，这表明替代率每增长0.3%，兴趣点的数量会增长100。这也反映网约车追求利润的本质：他们倾向于在有着密集活动的区域提高服务并替代公共交通。多样性的正系数表明土地利用类型的混合和较高的替代率相关。道路密度和替代率正向相关，这可以归因于较多公共交通覆盖的区域有着更密集的路网。公共巴士站点的数量和替代率在99.9%置信区间上正相关。最近地铁站点距离的系数呈显著负相关，表明距离地铁站越远，替代效应越弱（复制效应越强）。这说明滴滴的服务和公共交通覆盖范围重叠，因为滴滴司机更喜欢选择更高密度的区域（例如市中心，地铁站附近）来找寻更多的潜在顾客。空间滞后系数为正且显著，这表明滴滴和公共交通之间关系的聚集性效应，这也和我们在4.3章节中替代功能聚集在市中心的结论相一致。空间滞后模型在不同出行时间差别的阈值下进行敏感性分析（τT 分别为20和40分钟），其结论并没有明显区别，验证了结论的稳健性（表A2）。

在零膨胀β回归模型中，在削弱0和1的影响后，大部分建筑环境措施的影响并不明显，说明建筑环境对替代功能的影响主要被0（完全补充）和1（完全替代）夸大虚增。但是，房价，公共交通站点，离最近的地铁站的距离和替代率仍然显著相关。离最近的地铁站的距离的影响量级在零膨胀β回归模型中扩大。这也和我们在图九中的结论相符：在地铁线覆盖的区域内，滴滴和公共交通的可替代性效应很强，而这种效应在我们忽视零膨胀β回归模型中0和1的实例后更明显。我们再次采用敏感性分析来测试在不同的出行时间差别阈值下（τT 分别为20和40分钟）的零膨胀β回归模型，结论仍具有稳健性（表A3）。

五、结论和未来的研究

为了在地理空间上的微观层面研究网约车对公共交通的替代和补充作用，这篇论文建立了一个三级结构对每个网约车行程进行分类，从行程覆盖程度、出行时间差异、服务质量三个方面判断它们是公共交通出行的潜在替代品还是补充物。此方法运用到了对成都的滴滴出行情况分析中，它为讨论网约车与公共交通是替代还是补充关系提供了经验数据。

我们的结果证实了滴滴出行与公共交通出行既有替代关系也有补充关系。总体而言，当出行时间门槛设为30分钟时，33.1%的滴滴出行被判定为公共交通出行的替代品。基于这个结果，我们对精细时空尺度上二者的关系有了更充分的理解。在白天，大约40%的滴滴出行对公共交通有潜在的替代作用，到夜间公共交通服务减少时，这种替代作用的比例就下降了。空间上，替代作用在城市中心和地铁线覆盖的相对发达的地区表现更为显著，而补充作用在城市外围区域占主导地位。这说明滴滴出行的替代作用高度集中且与社会经济和建成环境因素密切相关。为了研究这些不同因素对滴滴出行和公共交通之间关系的影响，我们进一步采用了空间滞后模型和零一膨胀β回归模型来研究替代程度是如何受到房价、建成环境和空间滞后因素影响。这个结果证明房价、到最近地铁站点的距离、空间滞后作用对这个关系有重要影响，而建成环境对此影响没有那么大。

我们的结果为政策指定提供了一些参考线索。首先，交通机构应当与网约车公司们合作，提升“第一/最后一公里”的连通性。然而网约车不仅是公共交通的补充，也可以是替代品。政府机构应该在与网约车公司合作之前采取预防措施，更好地服务交通不便的区域，而不是抢夺公共交通市场份额。对政府机构来说，同样关键的还有，以鼓励公共交通与网约车公司合作融合为目标，促进设施、信息和费用的整合(Shaheen et al., 2016)，

此外，不论是对于这种关系的时空分析还是对于要素的研究，二者都显示了替代作用在空间上的不均匀性。因此，交通规划者们也许要考虑在不同区域采取不同的策略。在城市外围区域，公共交通覆盖度差，滴滴的补充作用说明这些区域存在着现有公共交通系统无法满足的出行需求。但要注意的是，补充作用并不总是预示需要规划更多的公共交通路线，因为这些出行需求可能没有高到足以支撑公共交通的运营，利用网约车服务连接它们和公共交通系统反而会提升系统的整体效率。然而，再次考察有高补充作用的区域还是有必要的，因为有些出行需求可能指向潜在的公共交通路线。另一方面，在公共交通网络覆盖全面的城市中心区域，滴滴的替代作用非常显著。在这种情况下，滴滴正将人们从依赖公共交通的一方拉到了更加依赖小汽车的一方。对政策制定者来说，彼时具有挑战性的问题是，我们应当寄望于网约车公司来提升城市的交通流动，还是继续投资来改善公共交通网络。很多研究已经证明公共交通在很多方面优于私人小汽车：服务弱势群体（(Bullard, 2003; Dodson et al., 2004），缓解交通拥堵（Pucher, 2004），消耗更少能源（(Garrison and Levinson,2014），因此政策制定者们也许会通过战略定价或者空间限额来调控滴滴服务的空间分布，希望借此削弱滴滴对公共交通的替代作用。

进一步而言，当网约车代替了大部分公共交通，成为了重要的出行模式的时候，政策制定者们应该要重新思考网约车服务的公平性——毕竟大部分网约车服务都依赖于智能手机应用和信用卡支付。其结果是没有银行卡和智能手机的人群没有获得网约车服务的途径（(Taylor et al., 2015)）。如何为这些群体提供出行服务是政策制定者需要思考的。

尽管我们的结果有其意义，此项研究仍然有局限之处有待进一步研究。首先，滴滴的数据是2016年11月1日的，而公交和地铁的站点信息是2018年8月爬取的（作者注：对地铁数据，我们去掉了2016年11月之后开通的两条线路即地铁7号线和10号线；对公共汽车数据，我们没有更详细的信息判断每条公交线路是否是2016年11月之后运行的）。因为公共交通系统此间没有重大变化，这个时间错位应当只轻微地影响了结果。第二，对交通覆盖程度进行二分法分析的时候，其实应当有两种类型的影响:喂给型和独立式。当滴滴将乘客接出或者送至公共交通站点时，滴滴对公共交通系统有喂给式的补充作用，而当滴滴的行程填补了公共交通服务的空白，乘客没有在行程中使用公共交通方式时，滴滴对公共交通系统的补充作用是独立式的。未来的研究可以结合乘客调查和行程记录分析，将供给式和独立式的行程区分开。第三，此项研究没有区分网约车对公共汽车和地铁的影响。对本次项目而言，没有区分二者是合理的，因为成都2016年时只有4条地铁线路，它们对整个研究区域的公共交通服务而言作用有限，而且这几条地铁线路都分布在城市中心区附近（研究通常对地铁站使用不同的距离阈值，此方法基于一个假设，即人们在郊区愿意走更长的距离到达地铁站）。然而，如果类似的方法在不同的城市应用，应当要仔细衡量对于公交站和地铁站的覆盖程度是否需要采用不同的距离阈值。最后，我们应当记住的重要的一点是，被认定为公共交通替代品的某段行程可能实际上代替了私家车、出租车、自行车等其他方式的行程。像许多之前的研究（Rayle et al., 2016; Henao, 2017）一样，可以有更多调查来理清网约车对其他交通模式的实际替代情况。

六、致谢

此项研究受到National Research Foundation (NRF)、新加坡总理办公室的CREATE项目、the Singapore-MIT Alliance for Research and Technology (SMART) Centre和 Future Urban Mobility (FM) Interdisciplinary Research Group的支持。滴滴出行数据来自于滴滴出行盖亚数据开放计划（(https://gaia.didichuxing.com)的共享。作者们亦希望感谢Baichuan Mo对公共交通出行时间估算的帮助。

附录A. 补充数据

本文补充数据可在以下网址找到：https://doi.org/10.1016/j.jtrangeo.2020.102769

～ THE END ～