EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 8: 1461 - 1472

DOI: https://doi.org/10.12082/dqxxkx.2021.200602

地理空间分析综合应用

基于出行时空数据的分时租赁汽车与网约车出行场景比较研究

  • 许研 , 1, * ,
  • 纪雪洪 1 ,
  • 叶玫 2
展开
  • 1.北方工业大学经济管理学院,北京 100144
  • 2.广东科学技术职业学院计算机工程技术学院,广州 510640

许 研（1983— ）,女,辽宁锦州人,副教授,主要从事共享出行行为复杂性研究。E-mail:

收稿日期: 2020-10-14

  要求修回日期: 2021-03-23

  网络出版日期: 2021-10-25

基金资助

北京社会科学基金项目(18GLC080)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Travel Scenes Comparison of Time-Sharing and Car-Hailing based on Traveling Spatiotemporal Data

  • XU Yan , 1, * ,
  • JI Xuehong 1 ,
  • YE Mei 2
Expand
  • 1. Economic and Management School, North China University of Technology, Beijing 100144, China
  • 2. Computer Engineering Technical College, Guangdong Polytechnic of Science and Technology, Guangzhou 510640, China
* XU Yan, E-mail:

Received date: 2020-10-14

  Request revised date: 2021-03-23

  Online published: 2021-10-25

Supported by

Beijing Social Science Fund(18GLC080)

Copyright

Copyright reserved © 2021
Fold

摘要

分时租赁和网约车同属共享汽车,但规模对比悬殊。找到差异化的出行场景有利于分时租赁在网约车主导的共享汽车市场中谋求立足之地。本文以北京地区某分时租赁公司2017年5月1日—30日的出行订单和2018年4月23日—29日的网约车出行订单为研究对象,结合城市兴趣点数据,利用地理信息层次聚类、关联规则等方法挖掘两共享汽车的典型出行场景,并进行比较分析。研究表明：① 网约车主要服务于“通勤出行”和“市内商务区之间的出行”,2种出行场景分别占网约车订单总量的40.3%和28.7%;② 分时租赁主要服务非通勤出行,其特色出行场景是“往返城市旅游景区的出行”、“城市旅游景区之间的出行”和“外城住宅商务混合区的午夜出行”,分别占分时租赁订单总量的24.4%、6.9%和5.5%。③ 在分时租赁的特色出行场景中,分时租赁与网约车或传统租车等共享出行方式相比费用更低,仅占其费用的25%~35%,具有较大的竞争优势。本研究有关出行场景挖掘的方法和结论可以为北京市分时租赁的推广以及其他共享出行研究提供借鉴和参考。

关键词： 分时租赁; 网约车; 共享出行; 出行场景挖掘; 出行时空特征分析; 城市功能类型识别; 聚类分析; 关联规则

本文引用格式

许研 , 纪雪洪 , 叶玫 . 基于出行时空数据的分时租赁汽车与网约车出行场景比较研究[J]. 地球信息科学学报, 2021 , 23(8) : 1461 -1472 . DOI: 10.12082/dqxxkx.2021.200602

Abstract

Both time-sharing rental cars and car-hailing are car sharing service, but with different scales. Finding differentiated travel scenes is conducive to time-sharing in seeking a foothold in the car sharing market dominated by car-hailing. This research uses car sharing records data combined with city's points of interest (POI) data to analyze the spatial temporal characteristics, and typical travel scenes of time-sharing and car-hailing in Beijing. Firstly, hierarchical clustering method was used to define the most distinguished clusters of city's grid cells based on POI data. Dunn index examined the optimal cluster number. Secondly, Origin and Destination (OD) locations of each car-sharing trip were labelled by the cluster types. The users' preferences were observed from OD cluster pairs appearing more frequently than others in the records. Thirdly, typical travel scenes were extracted by analyzing association rules of these cluster pairs. In the end, spatiotemporal patterns of typical travel scenes were tested. The findings of this study can be divided into three portions. Firstly, car-hailing mainly serves commuters and travels among business districts within the city. Secondly, time-sharing mainly serves non-commuter travels, and the representative travel scenes are short-distance city travel for tourism and Midnight travel in suburban areas. Many of these observed relationships are interpretable. For example, a short-distance city travel for tourism usually lasts half a day. Renting behaviors avoid the morning and evening rush hours of commuting. A midnight travel in suburban areas happens outside the city center, which usually lasts less than an hour since public transport is not available during that time. Thus, this travel scene seems to be related with urgent travel demands. Thirdly, the cost of time-sharing is far lower than that of other alternative modes and constitutes only 30%~50% cost of others, indicating that car sharing is beneficial when compared with other modes in these scenarios obtained in our research. These findings can serve as references and suggestions for time-sharing's promotion and operation process. The travel scenes mining method proposed in this study can be repeated in other car sharing researches.

Key words： time-sharing rental cars; car-hailing; car sharing service; travel scenes mining; travels spatial temporal characteristics analysis; city functional cluster types; hierarchical clustering analysis; association rules

1 引言

由于道路设施和停车资源已近饱和,大城市地面交通依靠增加汽车保有量的方式难以为继。汽车共享这一创新业态可以有效缓解出行供需矛盾,弱化私人购车欲望,增加低收入群体的交通流动性[1],具有较大的经济和社会价值。短租共享汽车主要包括了配有司机的网约车和未配置司机的分时租赁共享汽车（以下简称“分时租赁”）[2]。中国网约车行业发展势头强劲,与此同时,分时租赁共享汽车也悄然出现,自2012年先后在杭州、上海、北京、重庆、广州、深圳等城市实施。分时租赁是以分钟为计价单位,利用网络服务平台,为用户提供自助式车辆预订、取还、结算的汽车共享服务。分时租赁,尤其纯电动车分时租赁,是与汽车电动化、数字化、网联化、智能化最契合的创新业态,有助于普及新能源汽车,推动消费升级,保护生态环境[3,4,5]。
同属于共享汽车出行模式,分时租赁与网约车特征相似,存在潜在的补充替代关系。Litman[6]从便利性和价格的角度分析了5种常见的交通出行模式选择,认为网约车和分时租赁都是短途出行中介于私人交通和公共交通之间的替代方案,同样具有固定费用低、可变费用高的特征。美国最早的分时租赁公司Zipcar的创始人Chase[7]认为网约车和分时租赁2种模式的使用目的相同,只是有、无司机导致费用不同、私密性不同。而在我国,相比3.46亿用户和1500万注册司机的网约车,分时租赁车辆总数只有10万,规模相差悬殊[2,8]。分时租赁只有找到差异化市场,才能谋求到发展空间。分析分时租赁在哪些出行市场中更具成本优势、更贴近需求,同时能让用户具有更好的出行体验?分时租赁如何与网约车区分开来?诸如此类的问题具有较迫切的研究价值。
从出行场景角度看,网约车和分时租赁的差异初见端倪。罗兰贝格[2]研究发现网约车为38.6%的白领一族解决了日常通勤困难的问题。Kelley[9]认为Uber共乘作为一种特殊的网约车模式,主要服务通勤出行场景。但是,丁晓华等[10]研究分时租赁EVCARD日用车的时间分布发现,在上班后、下班前的非通勤时间内用车活动相对频繁。惠英等[11]分析杭州车纷享的订单出行时空特征发现,将分时租赁用于通勤只是少数人的选择。陈晓鸿等[12]分析EVCARD高频用户及其通勤时段的出行特征发现,用车需求和高峰时段出行主要发生在城市外围,城市中心区域无通勤特征,且分时租赁高需求用户与通勤时段高频出行者特征并不一致。
对于分时租赁适用的具体出行场景,Shaheen等[13]认为分时租赁在20世纪90年代主要用于搬运东西、全家度假等不定时的出行需求。并且Shaheen等[14]和Womak[15]分别总结了新世纪的分时租赁出行场景,包括：走亲访友、商务拜访、大学生用车、连接公交车站和购物。De等[4]认为城市旅游也是分时租赁的潜在市场。同时,Barth等[16]认为单程分时租赁模式能被用于休闲、购物和零星旅行。Kim等[17]也认为分时租赁可用于休闲娱乐、商务拜访和个人活动出行。Shaheen等[18]发现,分时租赁逐渐从走亲访友转向商务出行场景,其商务出行订单占订单总量的百分比由2006年的20%提升到2010年的31.8%。同时,对于不同的国家,人们的出行需求也大相径庭：在美国,人们出行需求中81.7%是走亲访友出行,12.3%是商务出行,0.1%是通勤出行,4.6%是大学生用车出行[13,19];在法国巴黎,周末和晚上的休闲出行需求最为突出,其次是拜访朋友和购物[20];而在加拿大多伦多,大多数人出行是为了去超市或其他家庭购物地点[21]。
综上所述,区分分时租赁和网约车的业务特色有助于分时租赁的推广和发展。与国外相比,我国出行人口多,私家车拥有率低;网约车规模庞大,费用相对实惠[22]。网约车和分时租赁所处的消费市场和竞争环境与国外不同[23,24]。采用更细致的出行订单时空信息数据来分析我国的分时租赁与网约车出行场景差异,具有独特的研究价值和应用价值。本文将基于网约车和分时租赁共享汽车的订单数据以及城市兴趣点（Point of Interests, POI）数据,通过时空特征聚类、出行场景频繁集项挖掘等大数据分析方法,对分时租赁与网约车的出行场景和时空特征进行验证和对比分析。

2 研究方法、研究区概况和数据来源

2.1 研究方法

本文的研究基于出行订单的起始点位置数据（Origin-Destiny Data,OD）和城市空间POI数据,并以此探究出行场景。首先,利用层次聚类方法分析城市POI数据,定义研究区域中每平方公里区块的城市功能。其次,利用关联规则分别挖掘分时租赁和网约车订单中具有代表性的OD城市功能对。最后,结合代表性OD城市功能对的时空特征,分别推断分时租赁和网约车的典型出行场景。研究技术路线如图1所示。
图1 出行场景挖掘与特征分析的技术路线

Fig. 1 Travel scenes mining and spatial temporal characteristics analysis

2.1.1 层次聚类定义城市功能
Alexander等[25]认为出行始末位置的城市功能可以帮助判断出行目的。如出行起点是“住宅区”、终点是“餐饮娱乐购物区”,可以推测这是一次休闲购物出行。但判断城市功能并非易事,一种可行的解决方案是利用该地点附近公开的用地性质信息或商业信息来辅助判断该地区的城市功能[26,27]。由于城市POI数据包含了细致的用地信息和商业信息,因此成为了此类研究青睐的数据源[28,29,30]。
（1）根据文献[29]—文献[31],将目标研究区域划分为1 km2的虚拟区块,记为k∈{1, 2, …,K}。计算每个区块k中每类用地类型j（例如,“餐饮服务”或“公司企业”）对应的POI样本数量Pkj,其中j∈{1,2, …,J}。计算POI样本数量Pkj在所有区块中的排序百分比记为rkj,具体计算方法为计算用地类型j的样本数量少于Pkj的比例,如式（1）所示。
r kj = rank ( P kj ) K × 100 %
那么,对于每个区块k而言,都会得到一个有关POI的排序百分比向量rk=(rk1, rk2, …, rkJ)。
（2）基于POI排序百分比向量rk, rk′,计算任意两区块k,k'的协方差,并作为两个区块的相似度,k′∈{1, 2, …,K}/{k}。由于协方差的计算不考虑向量尺度的影响,因此可将向量rk进行标准化处理。再利用皮尔森相关距离矩阵计算任意两区块的相似度,计算公式如下。
r ˆ kj = r kj - r ̅ k ∑ ( r kj - r ̅ k ) 2
d k k ' = 1 - cov ( r k ∧ , r k ' ∧ ) s ( r k ∧ ) s ( r k ' ∧ )
式中： r ̅ k 是向量rk的均值。cov ( r ˆ k , r ˆ k ' )为标准化后两向量的协方差。s( r ˆ k )和s( r ˆ k ' )分别是标准化向量 r ˆ k 和 r ˆ k ' 的标准差。
（3）根据相似度的“亲疏距离”,利用层次聚类算法对目标区域内的所有虚拟区块进行聚类[32]。每个区块k的聚类结果即为该区块的城市功能,用c表示,c∈{1, 2, …,C}。其中,C代表最优的聚类数。
最优聚类数C的选定是关键。一个好的聚类应遵循簇内紧密、簇间独立的特性,即簇内样本之间尽可能相似,而各簇中心之间尽可能不相似。本文通过综合比较邓恩指数（Dunn Validity Index,DVI）和轮廓系数Silhouette这2个指标来确定最优聚类数C。
DVI通过计算任意2个簇元素的相似度最短距离（簇间）与任意簇中的相似度最大距离（簇内）之比来确定聚类效果,表达式为：
DVI = min 0 < m ≠ n < C { min ∀ r ∧ k ∈ Ω m , ∀ r ∧ k ' ∈ Ω n { r ∧ k - r ∧ k ' } } max 0 < m ≤ C max ∀ r ∧ k , r ∧ k ' ∈ Ω m { r ∧ k - r ∧ k ' }
式中：k和k′为任意2个区块;m和n为任意2个聚类簇。 r ˆ k ∈Ωm, r ˆ k ' ∈Ωn代表两区块属于不同聚类簇, r ˆ k , r ˆ k ' ∈Ωm代表两区块属于相同聚类簇。DVI越大意味着簇内相似程度越高,簇间相似程度越低,聚类效果越好。
轮廓系数Silhouette通过比较簇内的凝聚度和簇间的分离度来评估最优聚类数,表达式为：
Silhouett e k = b k - a k max ( a k , b k )
式中：ak是区块k到本簇其他样本的平均亲疏距离;bk是区块k到其他簇样本的平均亲疏距离的最小值。Silhouette 的取值在[-1, 1]之间,取值越大意味着本簇的样本更紧密,不同簇的样本具有较大的相异性,聚类效果越好[33]。
2.1.2 关联规则挖掘订单的OD区块类型对
关联规则算法可以判断出行偏好,例如从A类地区出发,最有可能去往B类地区的问题。在定义城市区块功能后,我们可以将出行订单数据中的OD信息,标记成具有OD位置的城市功能对,如表1所示,则每个出行订单可以看作不同城市功能类型区域之间的二项关联样本。根据参考文献[34]—文献[35],首先从所有的网约车订单样本或分时租赁订单样本中,找出所有高频项目组。即出现的频率相对于所有订单样本高于最小支持度的二项组。其次,产生关联规则。计算所有高频二项组的置信度,若满足最小置信度,则称此规则为关联规则。这种关联规则的发现可以帮助我们了解哪些城市功能区块之间被用户频繁地租车出行。
表1 OD城市功能对的示例

Tab. 1 Samples of OD cluster types data

订单序号 起点的城市功能 终点的城市功能
1 c1 c2
2 c1 c3
3 c2 c4
4 c2 c1
5 c1 c3
6 c4 c5
7 c5 c1
8 c1 c5
9 c1 c3
10 c2 c6
… … …
与关联规则有关的支持度公式为：
Support   ( c i , c j ) = P ( c i c j ) = number   ( c i c j ) number   ( AllSamples )
置信度公式为：
Confidence     ( c i ← c j ) = P ( c i c j ) = P ( c i c j ) / P ( c j )
式中：ci和cj为出行起点i和终点j所属区块的城市功能。为了简化计算过程,关联规则由Apriori算法完成。

2.2 研究区域概况

北京不仅是我国的政治、经济、文化中心,也是我国共享汽车出行需求最大的城市之一。本研究主体区域选定在《北京城市总体规划（2016年—2035年）》[36]报告中定义的城市中心区,包括东城、西城、海淀、朝阳、石景山和丰台6个区。在具体研究过程中,考虑到共享汽车有服务市郊出行的特点,在主体研究区域之外添加了昌平,房山,大兴,通州和顺义的部分地区,包括首都机场、区政府、工业园区等所在地及周边区域;删掉了部分POI数据少的区域。添加标准为数据清理后12种用地类型POI记录大于等于10/km2的区块,删减标准为数据清理后12种用地类型POI记录小于10/km2的区块。POI数据清理的说明参加2.3节后半部分。最终研究范围参见3.1节。

2.3 数据来源

研究采用的数据主要包括分时租赁出行数据、网约车出行数据、城市空间POI数据以及各类共享汽车的价目表数据,见表2。
表2 数据来源描述

Tab. 2 Data source introduction

数据 数据来源 时间
分时租赁出行订单数据 北京某分时租赁运营公司 2017年5月
网约车出行订单数据 滴滴平台 2018年4月
城市空间POI数据 百度地图平台 2017年
各类共享汽车的价目表数据 网络公开资料整理 2017年
分时租赁出行数据来自北京某分时租赁运营公司。该公司于2016年12月成立,在北京城区内提供无站点、随取随停（free-floating）模式的分时租赁服务。该公司为研究提供了2017年5月1日至30日北京地区全部分时租赁共享汽车的订单数据。该期间内分时租赁服务平台实际运营车辆数104辆。分时租赁订单总数10 560单,平均每车日单量3.4单。最大单车日单量7单。样本数据包括订单号、取还车时间、费用、取还车经纬度等信息。
网约车出行数据来自滴滴平台盖亚计划于2018年公布的脱敏数据,研究选取了4月23日—29日一周内起始点都在目标研究区域内的63 900条订单,包括订单号、订单时间、订单起点经纬度Geohash编码,订单终点的Geohash编码等信息。
城市空间POI数据是基于位置服务的核心数据,在电子地图等软件广泛运用, 可以用来描述某个地理位置的用地性质及周边建筑的信息。本研究选用了2017年百度地图平台提供的POI数据,研究区域内共包含POI位置样本38.6万条,每条样本包含城市代码、位置名称、地址（不全）、电话（不全）、位置用地类型、位置经纬度等信息。其中,与本研究密切相关的“用地类型”中定义了20种用地类型,数据清理时删掉了与地图导航有关的“汽车维修”、“摩托车服务”、“汽车销售”、“汽车服务”、“地名地址信息”、“道路附属设施”、“交通设施服务”和“公共设施：公共电话和公共厕所”共8种类型的POI记录,保留了“餐饮服务”、“风景名胜”、“公司企业”、“购物服务”、“金融保险服务”、“科教文化服务”、“住宅区”、“生活服务”、“体育休闲服务”、“医疗保健服务”、“政府机构及社会团体”和“住宿服务”共12种用地类型的POI记录。
各类共享汽车的价目表数据来自对网络公开资料的整理。分时租赁费用以所研究分时租赁公司App中的定价为参考。北京市网约车费用以巡游出租车为参考,根据2018年前北京市出租车定价标准,3 km以内起步价为13元,3 km以上2.3元/h。 23时—次日5时的深夜出行每公里加收20%的服务费。传统租车费用以神州租车公司经济型轿车作为参考,日租费用为198元/日。

3 结果与分析

3.1 城市区块类型的空间分布

根据2.1.1节的研究方法,目标研究区域被分成2841个虚拟区块,并且基于每个区块上POI排序百分比向量进行层次聚类。由于最初的POI样本包含了12种用地类型,因此聚类数范围选定在2~12之间。计算每次聚类结果的DVI指数和Silhouette指数。由表3所示,DVI指数在聚类数为6和7时达到最大值,而轮廓系数Silhouette从K=2开始呈下降趋势,在K=6时迎来拐点。综合考量,选择将城市区块聚成6簇,即分为6种城市功能。
表3 不同聚类数对应的DVI指数和Silhouette指数

Tab. 3 DVI index and Silhouette index of different cluster number

聚类数 DVI指数 Silhouette指数
2 0.0810 0.2704
3 0.0813 0.2622
4 0.0831 0.2182
5 0.0832 0.2038
6 0.0849 0.2467
7 0.0843 0.2367
8 0.0466 0.2210
9 0.0468 0.2292
10 0.0479 0.2275
11 0.0481 0.2397
12 0.0481 0.2236
图2给出了目标区域内6类城市功能区块的空间分布。图3给出了每类城市功能的代表性地点,以及根据该类型中所有区块的POI排序百分比向量rk（rk1,rk2,…,rk12）均值绘制的用地类型分布雷达图。6类城市功能的雷达图形状各异,尤其在“风景名胜”、“公司”、“金融保险”和“住宅区”等指标上的分布比例差异较大,这一结论侧面证明了聚类结果是有效的。综合图2和图3信息,定义6类城市功能区分别为：① 城中心住宅区,红色区块,该区域有著名的历史遗迹以及一些国家部委的办公区,大部分为老城居民区;② 人口活动较少的自然生态区,绿色区块,包括森林、河湖水域、机场停机坪等;③ 生态公园和风景名胜区,深蓝区块;④ 城中心公共服务和商务混合区,青色区块;⑤ 城中心商务区,黑色区块,多集中在三、四环区域;⑥ 外城住宅商务混合区,黄色区块,多集中在五环及以外地区。
图2 北京城市中心及周边区域的城市功能聚类结果

Fig. 2 Clustered grid cells of target area in the city

图3 不同城市功能区块的POI特征描述

注：图（a)代表性地点：人民出版社第二工作区、北海荷花市场、清华大学家属院;图(b)代表性地点：香山后山、温榆河、通惠河、首都机场;图(c)代表性地点：紫竹院公园、北京动物园、西山八大处、奥林匹克森林公园;图(d)代表性地点：首都图书馆、和谐文化创意产业园、半壁店文化产业园;图(e)代表性地点：北医三院、金融街、中关村海淀黄庄、国贸大厦;图(f)代表性地点：首钢旧址/中国动漫游戏城、国展中心(新馆)、丰台科技园。

Fig. 3 Profile of each city cluster type's POI distribution

通过对每个区块上POI排序百分比向量进行层次聚类得出的城市功能区块分类结果可以初步探究用户出行的目的。但值得注意的是,在某些区块上用这种方法得到的分类结果和真实城市区域功能存在一些偏差,从而导致结果存在一定的误差。基于现有的数据源,这些误差是不可避免的。未来研究如果融合更多的数据源,如移动社交媒体数据或用户完整出行链数据,能够更精确地识别城市功能区。本研究采用的城市功能区块分类方法,只是一种以较低的数据成本——POI数据源,识别城市功能区块的方法。

3.2 典型出行场景挖掘

3.2.1 高频项集
为了展示相对高频的出行OD城市功能对,对最小支持度的阈值进行了反复试验。并综合考虑交通出行数据样本基数大、出行场景多等情况,将最小支持度设置为5%。此时挖掘出的高频项目集个数适中。表4列出了网约车和分时租赁的所有高频项目以及项目的支持度和置信度结果。
表4 网约车和分时租赁的的高频项目集比较分析表

Tab. 4 Frequent items of Time-Sharing andCar-Hailing OD cluster types datasets

OD城市
功能对 		网约车/% 分时租赁/%
支持度
(S≥5%) 		置信度
(C≥30%) 		支持度
(S≥5%) 		置信度
(C≥30%)
5==>5 28.7 53.1 16.9 30.5
3==>3 - - 6.9 16.8
6==>6 3.3 19.6 5.5 13.3
5==>6 10.1 24.8 7.9 25.8
6==>5 9.1 59.4 6.5 34.7
3==>5 4.2 53.4 5.0 30.1
2==>5 7.4 55.5 4.1 32.7
4==>5 6.9 51.3 - -
1==>5 6.8 51.6 6.4 38.0
6==>3 - - 6.5 31.2
5==>3 4.3 10.9 7.4 22.3
3==>6 2.7 17.2 6.5 31.2

注：斜体下划线标记的是挖掘出的频繁项目集。但要同时满足（S≥5%,C≥30%）条件才能成为强关联规则,蓝色背景为标记的是强关联规则。空白代表支持度的结果小于1%,算法默认不给出结果。

由表4可知,无论是网约车还是分时租赁订单,最常出现的出行场景就是“5==>5”,即三、四环的商务区之间的出行,其中,网约车订单比例达28.7%,分时租赁订单比例达16.9%。而城市功能区5正是北京市各个区内交通最便利且企事业单位、商务中心分布最密集的地点,覆盖了金融街、中关村、国贸等产业示范中心。对于网约车而言,其他高频出行场景都和区块5相关,分别是“5==>6”,“6==>5”, “2==>5”, “4==>5”和“1==>5”,这些以区块5为中心的出行订单数占网约车订单总量的40.3%（如图4深蓝色箭头所示）。结合区块5的商务特征,这些出行场景印证了已有研究有关“网约车主要服务通勤出行”的结论[2,9]。
图4 2种方式典型场景出行示意

注：1 城中心住宅区;2 自然生态区;3 生态公园风景名胜区;4 城中心公共服务和商务混合区;5 城中心商务区;6 外城住宅商务混合区。

Fig. 4 Diagram of representative travel scenes of Time-Sharing and Car-Hailing

进一步考察分时租赁的高频出行场景。根据已有研究,分时租赁不主要服务于通勤[12],但具体服务哪些非通勤出行,没有定论且结果较为模糊[11,17,37-38]。研究发现分时租赁的高频项集的确更多样化,其中包括了一些通勤场景,如“5==>6”,“6==>5”和“1==>5”,但所占比例不高,只有20.8%。同时也包括了同类型区块之间的出行场景,如“3==>3”,“6==>6”。它们分别代表了旅游景区之间的出行和外城住宅商务混合区之间的出行。值得注意的是,除了区块5之外,分时租赁高频集中还出现了另一个重要区块——区块3。区块3是城中生态公园和风景名胜较集中的区块。覆盖了紫竹院公园、北京动物园、西山八大处、奥林匹克森林公园等市民日常休闲旅游景区。围绕着区块3的出行场景包括“5==>3”,“6==>3”,“3==>5”,“3==>6”,以及景区之间的出行“3==>3”,共占订单总量的32.3%。经过数据探查发现,这些场景与市内短途旅游出行密切相关。
3.2.2 强关联规则
本文将典型出行场景定义为支持度大于等于5%,且置信度不低于30%的强关联规则,见表4的深色背景标记。以网约车出行场景“6==>5”为例,置信度高的强关联规则可解读为“在外城住宅商务混合区（区块6）上车的用户有高达59.4%的概率会访问城中心商务区（区块5）”。从网约车高频项目集中挖掘到的强关联规则有5个。除商务区之间的出行“5==>5”以外,都是以区块5为目的地的通勤出行,包括“6==>5”,“2==>5”,“4==>5”和“1==>5”。其中,由于以区块5为目的地的上班出行往往比较急迫,网约车需求较大;而下班后的返程出行时间不迫切,目的地更加多样,网约车的需求相对较小,故排除从区块5出发的返程通勤出行。
从分时租赁高频项目集挖掘到的强关联规则有6个。除了以区块5为中心的3种出行场景“5==>5”、“6==>5”和“1==>5”之外,最有特色的就是以区块3为中心的市内短途旅游出行场景“6==>3”、“3==>5”和“3==>6”。其中,区块5和区块6分别是城中心商务区和外城住宅商务混合区,包含面积大且出行频次高,所以占以区块3为中心出行场景的订单比例高,非常合理。但值得注意的是出行场景“6==>3”也是强关联规则。这说明从区块6出发的分时租赁出行中,市内短途旅游出行的占比较高,占31.2%。
图4是网约车和分时租赁的典型出行场景对比图。总的来说,网约车典型的出行场景是商务区场景的出行和通勤出行,见图5(a)与图5(b)出行量的对比。并且,网约车出行在商务区内部或周边有集中的趋势,见图5(a)。而分时租赁在商务区场景中的出行比率要远低于网约车,并且多为不同商务区之间的出行,见图5(c)。分时租赁与网约车出行相比的特色就是以市内生态公园和风景名胜为目的的短途旅游出行相对多,见图5(d)与图5(c)出行量的对比。此外,分时租赁共享汽车在外城住宅商务混合区之间以及旅游景区之间等出行场景中的使用比例都大于网约车,见表4。从出行的空间特性来看,分时租赁出行的距离大于网约车出行,见图5(c)、5(d)与图5(a)、5(b)的对比。考虑分时租赁无司机驾驶更具私密性并且更便宜,出行距离长是合理的。分时租赁的成本分析参见3.3节。
图5 网约车和分时租赁的典型出行场景地图展示

注：网约车出行相比分时租赁出行规模庞大,所以分时租赁的出行图选用了1个月的订单;网约车的出行图选用了1周的订单。同时,为了更好地展示网约车出行趋势,并且与分时租赁出行比较,网约车出行图5(a)和图5(b)中没有展示OD出行量小于5的出行线路。

Fig. 5 Maps of representative travel scenes of Time-Sharing and Car-Hailing

3.3 分时租赁典型出行场景的特征分析

3.3.1 时间分布特征
分析分时租赁高频出行场景的特征有利于对该服务的运营进行更好地管理。图6(a)给出了分时租赁在市内短途旅游出行场景中的用车时间分布特征。其中,往返区块3的出行有明显的潮汐现象,去往生态公园和风景名胜的2类出行“6==>3”和“5==>3”中各有一个用车高峰,均发生在8时-10时;而返程的两类出行“3==>5”和“3==>6”也各有一个用车高峰,发生在16时—18时。这2个时段分别发生在早高峰之后和晚高峰之前,体现了市内短途旅游错峰出行的特点。而景区之间的出行“3==>3”主要发生在8时-20时的日间时段,见图6(b)。
图6 分时租赁典型出行场景的时间特征

Fig. 6 Temporal characteristics of representative Time-sharing travel scenes

与之相反,外城住宅商务混合区之间的出行“6==>6”甚少发生在白天,在22时—次日2时达到用车高峰,见图6(b)。考虑到场景“6==>6”的出行范围是郊区,由于城市的公共交通系统在22时以后停止运行,而深夜的出租车司机更愿意在市内接单,这个时段区块6内的交通供给出现了空白,于是此时此地分时租赁成了非常好的出行选择。
3.3.2 成本优势分析
表5给出了分时租赁典型出行场景的租赁时长及其对应的费用。首先,从每种出行场景的平均租赁时长来看,与“城市短途旅游出行”相关的区块5和区块3,区块6和区块3之间往返的4个出行场景的租车时长约为2 h,这符合居民市内休闲旅游出行的特点,因为大部分区块3位于郊区或市区边缘,与住宅区距离较远,居民出行时通常留有约1~2 h的时间预算。而景区之间的出行“3==>3”持续时间最长,达3.28 h。因为这种出行主要用于多个景点之间的转场,用户不是一直在驾驶,包含了在景点的停车游玩时间。相比之下,郊区午夜出行“6==>6”的平均租赁时长最短,仅为0.9 h,在这个场景中,用户可能会因为一些急事而租车,因而持续时间很短。
表5 分时租赁典型出行场景的成本优势比较

Tab. 5 Comparisons of rental fee between car sharing and alternative traffics

典型出行场景 时长/h 费用/元 替代出行方式 费用/元 分时租赁占替代方式费用比/%
3==>5 2.27 59.17 网约车 188.81 31.3
5==>3 2.74 67.90 网约车 226.7 30.0
3==>6 1.80 39.38 网约车 151.0 26.1
6==>3 2.47 65.84 网约车 204.9 32.1
3==>3 3.28 57.31 传统租车 1982 28.9
6==>6 0.90 46.003 网约车 156.4 4 29.4

注：① 北京市的网约车主要以出租车为主,根据2018年前北京市出租车定价标准,3 km以内起步价为13元,3 km以上2.3元/h。晚11时-早5时的深夜出行每公里加收20%的服务费。出行场景3==>5中,假设驾驶2.27 h,市内驾驶时速为35 km/h,网约车费用为188.8元。② 以神州租车公司经济型轿车作为参考,日租费用为198元/日。③ 分时租赁的夜间价格高于日间价格。④ 假设该出行场景中用户一直驾驶车辆,夜间出行时速60 km/h,但该时段加收20%的服务费,所以网约车的费用为156.4元。即使网约车收费较高,但此时此地很有可能有价无市。

租车可精确到分钟、无司机等特点节约了分时租赁共享汽车的服务成本。表5第3列分析了 6种出行场景的分时租赁订单的平均费用。同时根据网约车和传统租车（日租）的标准服务费,第4列计算了可替代方式的费用。通过比较表5中各数据可以发现,分时租赁的成本远低于其他共享汽车出行模式的成本,仅占其他交通工具成本的25%~35%。故推断在本研究挖掘出的这些出行场景中,分时租赁相比其他共享出行模式具有更大的成本优势。

4 结论与讨论

4.1 结论

本研究提出了一种将出行数据和城市地理信息数据相结合的出行场景识别方法,通过对分时租赁和网约车进行挖掘和对比分析,区分了分时租赁的差异化出行场景。与以往的研究相比,本研究首次将POI数据聚类得到的城市功能加入到出行OD位置的特征描述中,帮助识别每笔订单的出行场景。丰富了过去以出行时间和距离特征为主的出行场景识别方法[9,10,11,12]。研究发现的分时租赁主要应用于非通勤出行场景的实证结果不仅与已有研究[4,14-17]通过消费意愿调研得到的结论相互印证,而且还进一步细化了各种出行场景的实际占比情况。差异化出行场景进一步明确了分时租赁的存在价值。分时租赁企业可以定位于这些出行场景,更好地推广和运营。研究主要得出如下结论：
（1）网约车订单主要服务于通勤以及市内商务区的出行。网约车订单占比最大的是三、四环的商务区之间的出行,占比达28.7%。该区域的城市功能类型为城中心商务区,是北京市企事业单位、商务中心分布最密集的地点,覆盖了金融街、中关村、国贸等产业示范基地。其他高频的网约车出行场景也都是“往返于城中心商务区的出行”,合计占比40.3%。
（2）分时租赁最具代表性的出行场景是“城市短途旅游出行”和“外城住宅商务混合区的午夜出行”等非通勤出行。虽然分时租赁订单中最常出现的出行场景也是“城中心商务区之间的出行”,占比达16.9%。但这一比例大大低于网约车中此类出行场景的占比。同样,各种“往返于城中心商务区的出行”合计占比为20.8%,也低于网约车。分时租赁不主要服务于通勤出行。在分时租赁订单中,与生态公园风景名胜区相关的出行表现突出。其中“往返城市短途旅游景区的出行”与“城市旅游景区之间的出行”共占比24.4%和6.9%,远高于网约车订单中此类出行场景的占比。当考察此类出行场景的空间特性时发现分时租赁出行距离大于网约车。凸显了分时租赁私密性高、价格便宜,出行距离长的业务特色。此外在出行场景频繁集中,唯一的一类与城中心商务区或生态公园风景名胜区无关的出行场景——“外城住宅商务混合区之间的出行”也引人注目,占比为5.5%,同样高于网约车中此类出行的占比。当考察此类出行场景的时间特性时发现订单很少发生在白天,通常在22时—次日2时达到用车高峰。该出行场景正发生在公共交通和出租车供给空白的时空里。该研究结果从侧面证明了分时租赁可以作为城市交通系统的有力补充。
（3）分时租赁在其特色出行场景中比其他共享汽车更具有成本优势。研究根据出行订单统计了每类特色出行场景的平均时长,并根据各类共享汽车的价目表数据测算了出行费用。研究发现分时租赁与网约车或传统租车等其他共享出行方式相比费用更低,仅占其费用的25%~35%,具有较大的竞争优势。分时租赁企业可以将本研究挖掘到的特色出行场景作为目标市场,提供区别于网约车的差异化服务,争取用户青睐。

4.2 讨论

本研究挖掘到的典型出行场景在一定程度上受城市特征影响。研究所在的北京市,其经济和文化发展都位居我国前列,有大量的商务出行和旅游休闲出行需求。研究结论比较适合与北京有相似出行需求的一线中心城市。但对于中、小城市的分时租赁出行特征还需要未来进一步研究。此外,研究分析的分时租赁数据也是公司运营早期的订单数据,对于分时租赁导入期的市场定位和运营策略有一定的借鉴意义。分时租赁成熟期的出行特征也是未来重要的研究方向。最后,采用的网约车订单数据（2018年）与分时租赁订单数据（2017年）在时间上不对应,相差一年的时间。虽然这是研究团队能够获得的最优对比数据源,但考虑城市发展和分时租赁车队规模的发展,间隔了一年的数据对比会在一定程度放大2种共享出行方式的差异。尽管存在这些局限,但本工作综合使用城市地理信息数据和出行订单数据进一步提高了对出行行为的解释力,可以作为未来相关研究的参考。此外,所分析的free-floating模式分时租赁可以更好地反映用户的出行意向。无论是无站点free-floating分时租赁公司决定各地的投放车辆数量,还是站点型分时租赁公司布局租赁点,都可以参考本研究给出的建议。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Shaheen S A, Schwartz A, Wipyewski K. Policy considerations for carsharing and station cars: monitoring growth, trends, and overall impacts[J]. Transportation Research Record: Journal of the Transportation Research Board, 2004, 1887(1):128-136.

DOI

[2]
罗兰贝格. 2018年中国汽车共享出行市场分析预测报告[R]. 2018年 1月.

[Roland B. Analysis and forecast report of China's car sharing travel market in 2018[R]. 2018-1. ]

[3]
Clavel R, Mariotto M, Enoch M P. Carsharing in France: past, present and future[C]. Transportation Research Board 88th Annual Meeting , 2009.

[4]
De Luca S, Di Pace R. Modelling users' behaviour in inter-urban carsharing program: A stated preference approach[J]. Transportation Research Part A, 2015, 71(1):59-76.

[5]
Habla W, Huwe V, Kesternich M. Electric and conventional vehicle usage in private and car sharing fleets in Germany[J]. Transportation Research Part D, 2021, 93(1):102729.

DOI

[6]
Litman T. Evaluating carsharing benefits[J]. Transportation Research Record: Journal of the Transportation Research Board, 2000, 1702(1):31-35.

DOI

[7]
Hart M, Roberts M J, Stevens J D. Zipcar: refining the business model[J]. Harvard Business School, 2005, 85(802):1-20.

[8]
国信证券经济研究所. 2018年共享汽车行业深度分析报告[R]. 2018年6月.

[Guoxin Securities Economic Research Institute. In depth analysis report of shared automobile industry in 2018[R]. 2018-6. ]

[9]
Kelley K L. Casual carpooling-enhanced[J]. Journal of Public Transportation, 2007, 10(4):119-130.

[10]
丁晓华, 王冕, 陈岩, 等. 电动汽车共享商业模式的发展[J]. 科技导报, 2016, 34(6):105-110.

[Ding X H, Wang M, Chen Y, et al. Research on car-sharing business models of electric vehicles[J]. Science & Technology Review, 2016, 34(6):105-110. ]

[11]
惠英, 孙芹路, 丁勐涛, 等. 汽车共享会员出行特征及效用分析——以杭州"车纷享"为例[J]. 上海城市规划, 2018(2):26-32.

[Hui Y, Sun Q L, Ding M T, Wang W. An analysis on trip characteristics and utility of carsharing members:a case study of Chefenxiang in Hangzhou[J]. Shanghai Urban Planning Review, 2018(2):26-32. ]

[12]
陈小鸿, 成嘉琪, 叶建红, 等. 共享汽车用户及出行时空特征分析[J]. 同济大学学报(自然科学版). 2018, 46(6):796-803,841.

[Chen X H, Cheng J Q, Ye J H, et al. Analysis of carsharing users and demand spatio-temporal characteristics[J]. Journal of Tongji University (Natural Science), 2018, 46(6):796-803,841. ]

[13]
惠英, 孙芹路, 丁勐涛, 等. 汽车共享会员出行特征及效用分析——以杭州“车纷享”为例[J]. 上海城市规划, 2018(2):18-24.

[Hui Y, Sun Q L, Ding M T, et al. An analysis on trip characteristics and utility of carsharing members: A case study of Chefenxiang in Hangzhou[J]. Shanghai Urban Planning Review, 2018(2):18-24.

[14]
Shaheen S, Cohen A, Roberts J. Carsharing in North America: Market growth, current developments, and future potential[J]. Transportation Research Record Journal of the Transportation Research Board, 2005, 1986:116-124.

DOI

[15]
Womack J P. The real EV challenge: Reinventing an industry[J]. Transport Polic, 1994, 1(4):266-270.

DOI

[16]
Barth M, Shaheen S. Shared-use vehicle systems: Framework for classifying carsharing, station cars, and combined approaches[J]. Transportation Research Record: Journal of the Transportation Research Board, 2002, 1791:105-112.

DOI

[17]
Kim D, Ko J, Park Y. Factors affecting electric vehicle sharing program participants' attitudes about car ownership and program participation[J]. Transportation Research Part D: Transport and Environment, 2015, 36:96-106.

DOI

[18]
Shaheen S A, Cohen A P. Carsharing and personal vehicle services: worldwide market developments and emerging trends[J]. International Journal of Sustainable Transportation, 2013, 7(1):5-34.

DOI

[19]
Fields E, Osorio C, Zhou T L. A data-driven method for reconstructing a distribution from a truncated sample with an application to inferring car-sharing demand[J]. Transportation Science, 2021, 55(3):616-636.

DOI

[20]
Mairie de Paris. Déplacements, autopartage à Paris, mairie de Paris[EB/OL]. Paris, France. 2007. Visit http://www.paris.fr/portail/deplacements. Last accessed 17 June 2008.

[21]
Costain C, Ardron C, Habib K N. Synopsis of users' behaviour of a carsharing program: A case study in Toronto[J]. Transportation Research Part A: Policy and Practice, 2012, 46(3):421-434.

DOI

[22]
张荣花, 关宏志, 赵磊, 朱海燕. 考虑汽车共享服务的出行方式选择影响因素研究[J]. 交通运输研究, 2020, 6(3):48-54.

[Zhang R H, Guan H Z, Zhao L, et al. Influence factors of travel mode choice considering car sharing[J]. Transport Research, 2020, 6(3):48-54. ]

[23]
吴娇蓉, 王宇沁, 林子旸, 等. 综合体分时租赁小汽车对出行方式转移行为影响[J]. 同济大学学报(自然科学版), 2020, 48(1):60-67.

[Wu J R, Wang Y Q, Lin Z Y, et al. Impact of time-sharing automobile on modal shift behavior in urban complex[J]. Journal of Tongji University (Natural Science), 2020, 48(1):60-67. ]

[24]
Giordano D, Vassio L, Cagliero L. A multi-faceted characterization of free-floating car sharing service usage[J]. Transportation Research Part C: Emerging Technologies, 2021, 125:102966.

DOI

[25]
Alexander L, Jiang S, Murga M, et al. Origin-destination trips by purpose and time of day inferred from mobile phone data[J]. Transportation Research Part C: Emerging Technologies, 2015, 58:240-250.

DOI

[26]
Wolf J, Guensler R, Bachman W. Elimination of the travel diary: experiment to derive trip purpose from global positioning system travel data[J]. Transportation Research Record: Journal of the Transportation Research Board, 2001, 1768(1):125-134.

DOI

[27]
孙立山, 王顺超, 罗薇, 等. 基于用地分布特征的共享汽车需求估计模型[J]. 重庆交通大学学报(自然科学版), 2020, 39(5):1-6.

[Sun L S, Wang S C, Luo W, et al. Car-sharing demand estimation model based on land use distribution characteristics[J]. Journal of Chongqing Jiaotong University (Natural Science). 2020, 39(5):1-6. ]

[28]
Jiang S, Alves A, Rodrigues F, et al. Mining point-of-interest data from social networks for urban land use classification and disaggregation[J]. Computers, Environment and Urban Systems, 2015, 53:36-46.

DOI

[29]
Phithakkitnukoon S, Horanont T, Lorenzo G, et al. Activity-aware map: Identifying human daily activity pattern using mobile phone data[C]// Human Behavior Understanding, 2010.

[30]
Yuan J, Zheng Y, Xie X. Discovering regions of different functions in a city using human mobility and POIs[C]. In: Proceedings of the 18th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2012.

[31]
Wang Y H, Correia G H D A, Arem B V, et al. Understanding travellers' preferences for different types of trip destination based on mobile Internet usage data[J]. Transportation Research Part C: Emerging Technologies, 2018, 90:247-259.

DOI

[32]
Everitt B S, Landau S, Leese M, et al. Cluster analysis[M]. Chichester, UK: John Wiley & Sons, Ltd, 2011.

[33]
Rousseeuw P J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis[J]. Journal of Computational and Applied Mathematics, 1987, 20:53-65.

DOI

[34]
Guo X, Wang D Z W, Wu J J, et al. Mining commuting behavior of urban rail transit network by using association rules[J]. Physica A: Statistical Mechanics and Its Applications, 2020, 559:125094.

DOI

[35]
Zhao D, Wang W, Ong G P, et al. An association rule based method to integrate metro-public bicycle smart card data for trip chain analysis[J]. Journal of Advanced Transportation, 2018, 2018:1-11.

[36]
石晓冬. "四个中心"塑格局"多规合一"绘蓝图——《北京城市总体规划(2016—2035年)》解读[J]. 城市管理与科技. 2018, 20(3):14-19.

[Shi X D. 'Four centers' shaping the pattern and 'multi planning in one' drawing the blueprint-Interpretation of Beijing Master Plan (2016-2035)[J]. Urban Management and Science & Technology, 2018, 20(3):14-19. ]

[37]
周彪, 周溪召, 李彬. 基于上海市消费者的汽车共享选择分析[J]. 上海理工大学学报, 2014, 36(1):97-102.

[Zhou B, Zhou X Z, Li B. Choice analysis of car sharing in consideration of the consumers in Shanghai[J]. Journal of University of Shanghai for Science and Technology, 2014, 36(1):97-102. ]

[38]
兰静, 诸大建. 可持续交通消费的接受和使用行为研究——基于上海市汽车共享的调查[J]. 中国人口·资源与环境, 2016, 26(11):98-105.

[Lan J, Zhu D J. Acceptance and use behavior of sustainable transport: based on a survey of carsharing in Shanghai[J]. China Population, Resources and Environment, 2016, 26(11):98-105. ]

Options
文章导航

/

〈 〉