论文部分内容阅读
对人类流动性行为的研究,有助于理解人群的交互现象、地理空间的结构特性和人类出行的一般规律。大数据和信息技术的发展,使获取城市内人群大规模流动数据成为可能。网约车的轨迹数据作为一种如实反映城市居民流动性行为的时空大数据,为流动性行为研究提供了坚实的数据基础。本文借助成都市2016年11月的滴滴出行数据,分别采用复杂网络分析、计量分析等方法实证研究了网约车流动性行为的时空特征、流动性行为的驱动性因素(尤其是城市中心的潜在影响),以及流动性行为与空气污染的关系等三个科学问题。
首先,复杂网络分析的结果表明,成都市网约车的出行复杂网络符合小世界理论,具有典型的空间分异特征,节点中心性和流动关系重要性的分布呈现显著的幂律形式(Power-Law),出行网络中流动行为的不平衡性、出行与到达位置分布的不确定性、流动方向的不平衡性均有较为明显的时空演变规律,并且这些流动特征会受到出行规模的正向影响。
其次,本文将城市中心视为参照点,城市中心与出行起讫点三者之间构成的“交通三角”可以决定网约车的流动性行为,流动与城市中心的接近程度和相对于城市中心的趋势强度会显著影响网约车的流动效率和运载率,但是影响程度与影响方向却不尽相同,具体表现为在出城和进城这两个流动方向上存在明显差距。
最后,本文通过实证研究分析交通拥堵和空气污染之间的复杂关系。结果表明网约车运行规模的增加会加剧城市的空气污染,其机制是由于车辆流动效率降低这一中介变量的作用,即交通拥堵导致空气污染的增加。但另一方面,空气污染又会对交通拥堵产生抑制作用,而这一现象产生的机制是由于空气污染会促使人们的出行减少(依据保护动机理论),车辆需求和运行规模的减少反而使流动效率增加。本文的研究结论对于网约车流动规律的深入理解,以及城市交通拥堵与空气污染等问题的协同治理提供了理论和实证依据。
首先,复杂网络分析的结果表明,成都市网约车的出行复杂网络符合小世界理论,具有典型的空间分异特征,节点中心性和流动关系重要性的分布呈现显著的幂律形式(Power-Law),出行网络中流动行为的不平衡性、出行与到达位置分布的不确定性、流动方向的不平衡性均有较为明显的时空演变规律,并且这些流动特征会受到出行规模的正向影响。
其次,本文将城市中心视为参照点,城市中心与出行起讫点三者之间构成的“交通三角”可以决定网约车的流动性行为,流动与城市中心的接近程度和相对于城市中心的趋势强度会显著影响网约车的流动效率和运载率,但是影响程度与影响方向却不尽相同,具体表现为在出城和进城这两个流动方向上存在明显差距。
最后,本文通过实证研究分析交通拥堵和空气污染之间的复杂关系。结果表明网约车运行规模的增加会加剧城市的空气污染,其机制是由于车辆流动效率降低这一中介变量的作用,即交通拥堵导致空气污染的增加。但另一方面,空气污染又会对交通拥堵产生抑制作用,而这一现象产生的机制是由于空气污染会促使人们的出行减少(依据保护动机理论),车辆需求和运行规模的减少反而使流动效率增加。本文的研究结论对于网约车流动规律的深入理解,以及城市交通拥堵与空气污染等问题的协同治理提供了理论和实证依据。