EN中文

热带地理 >

2023 , Vol. 43 >Issue 7: 1221 - 1233

DOI: https://doi.org/10.13284/j.cnki.rddl.003705

交通地理

基于实时路况的城市公交出行相对时空效率特征

  • 许彩薇 , 1, 2, 3 ,
  • 黄正东 , 1, 2, 3 ,
  • 赵天鸿 1, 2, 3, 4 ,
  • 张莹 1, 2, 3 ,
  • 黄嘉诚 1, 2, 3
展开
  • 1. 深圳大学 建筑与城市规划学院智慧城市研究院, 广东 深圳 518060
  • 2. 粤港澳智慧城市联合实验室, 广东 深圳 518060
  • 3. 深圳市城市数字孪生技术重点实验室, 广东 深圳 518060
  • 4. 深圳技术大学 大数据与互联网学院, 广东 深圳 518118
黄正东（1968—），男，湖北随州人，教授，博士，主要研究方向为地理信息与智慧城市，（E-mail）。

许彩薇（1999—），女，广东深圳人，硕士研究生，研究方向为智慧交通，（E-mail）；

收稿日期: 2022-07-14

  修回日期: 2022-10-17

  网络出版日期: 2023-08-02

基金资助

国家自然科学基金项目——基于时空特征的公交需求建模与多目标线网优化(42071357)

收起

Characteristics of Relative Spatiotemporal Efficiency of Urban Public Transit Based on Real-Time Road Conditions

  • Caiwei Xu , 1, 2, 3 ,
  • Zhengdong Huang , 1, 2, 3 ,
  • Tianhong Zhao 1, 2, 3, 4 ,
  • Ying Zhang 1, 2, 3 ,
  • Jiacheng Huang 1, 2, 3
Expand
  • 1. Research Institute for Smart Cities, School of Architecture & Urban Planning, Shenzhen University, Shenzhen 518060, China
  • 2. Guangdong -Hong Kong-Macao Joint Laboratory for Smart Cities, Shenzhen 518060, China
  • 3. Shenzhen Key Laboratory of Urban Digital Twin Technology, Shenzhen 518060, China
  • 4. College of Big Data and Internet, Shenzhen Technology University, Shenzhen 518118, China

Received date: 2022-07-14

  Revised date: 2022-10-17

  Online published: 2023-08-02

Fold

本文亮点

文章提出了基于实时路况的城市公交出行时空效率分析框架。首先，通过调用互联网地图接口获取小汽车和公交基于早午晚3个时段实时路况的出行时间，并通过公交智能卡数据获取公交出行量；然后，构建一种基于相对时间效率和出行量加权的城市公交出行时空效率评价指数模型；最后，以深圳市为案例进行分析。结果表明：1）公交相对于小汽车的出行时间，在早高峰差异较大，晚高峰差异较小，即在晚高峰有较高的相对时间效率；2）在空间分布上，中心城区公交站点的时空效率指数在3个时间段整体上呈现较大的波动，外围区域高指数的站点以地铁站点为主；3）公交站点的时空效率指数在3个时间段均呈现空间聚集特征，中心城区和外围城区的站点存在不同的聚类特征，中心城区的站点在晚高峰时段公交出行相对效率更高；4）不同类型的公交站点其时空效率指数会有所差异，地铁站点的时空效率指数普遍比公汽站点高。

本文引用格式

许彩薇 , 黄正东 , 赵天鸿 , 张莹 , 黄嘉诚 . 基于实时路况的城市公交出行相对时空效率特征[J]. 热带地理, 2023 , 43(7) : 1221 -1233 . DOI: 10.13284/j.cnki.rddl.003705

Highlights

The travel efficiency of public transportation is a key indicator for judging whether the quality of public transportation has developed compared with other modes of transportation, especially private vehicles. The quality of public transportation is also an important reference factor for residents' choices. With the rapid urban expansion and improvement in motorized travel levels, reducing the time difference between private vehicles and public transportation is the key to improving the attractiveness of public transportation. The relative spatiotemporal efficiency is based on the time difference between private vehicles and public transportation, considering the number of passengers. Recently, scholars have shown great interest in relative travel efficiency. However, relevant studies have shown poor real-time performance because of the unavailability of large datasets, which cannot dynamically reflect the characteristics of relative travel efficiency. The spread of big data and internet maps enables us to perform systematic efficiency evaluations. The internet map incorporates various travel-related information such as travel route, time, and cost under different travel modes based on real-time road conditions and provides access to the extracted embedded travel information. This study proposes a framework for evaluating the spatiotemporal efficiency of different travel modes based on real-time road conditions in Shenzhen. First, travel time data were obtained using an internet map during the morning, afternoon, and evening rush hours. The passenger flow volume was computed using smart card data. We then constructed an evaluation index model of spatiotemporal efficiency based on the relative time efficiency and weighted passenger flow volume. Finally, the results highlighted the following: 1) the relative time efficiency of public transportation was higher during the evening rush hours than in the morning. The main reason was the increase in private vehicle travel time during the evening rush hours, reflecting the complexity of urban road conditions during the evening; 2) the spatiotemporal efficiency index of central public transport stations fluctuated greatly during the three periods, which was closely related to the dynamics of traffic volume caused by the high concentration of workplaces; 3) the spatiotemporal efficiency index of public transportation stations exhibited spatial aggregation characteristics in the three periods, highlighting the different clustering characteristics in the central and outer areas; 4) the spatiotemporal efficiency index of subway stations was generally higher than that of bus stations, reflecting the importance of subway systems in urban transportation networks. Evaluating the relative travel efficiency of urban public transport contributes to analyzing the development status of public transportation, supporting decisions to achieve high-quality development of public transport, and providing travel information for the government and residents.

国家和地方政府高度重视城市公共交通的发展，相继制定了一系列政策措施，以鼓励公共交通优先发展、引导居民转向绿色公交出行。居民在选择出行方式时，一个重要参考因素是公共交通相对于其他交通方式（尤其是小汽车）的出行效率。同时，公交出行相对效率也是是判断公共交通是否高质量发展的关键标志。因此，研究城市公交出行相对效率，对于评价城市公交系统发展水平、制订相应的完善措施、促进公交健康发展等均具有较大的参考价值。
出行效率指居民以最少的时间完成所需要的出行任务（蔡军，2005），具有时间和空间的特性。在时间层面上，出行时空效率以出行时间为主要参考，出行时间是出行方式选择的重要依据（Salonen et al., 2013; Liao et al., 2020）；在空间层面上，出行时空效率反映不同空间之间选择公共交通出行的效率水平。提高公交出行时空效率，一是要缩短公交出行的绝对时间，二是要减少公交出行与个体机动交通出行时间的差距。关于绝对出行时间的研究中，多以建立基于出行时间的可达性模型评估出行效率，分析可达性范围（周雨阳 等，2020），或通过构建最优化模型对公交线路的路线及长度进行优化，以有效减少换乘次数和一次公交出行的平均时间，从而达到缩短公交出行绝对时间的目的（揭远朋 等，2018；Makarova et al., 2021）。还有研究通过建立评估模型进行求解分析，找到影响出行效率的关键因素，制定提升路网效率的改善方案，以提高公交出行效率（杨励雅 等，2011；董礼 等，2018；Fitzova et al., 2018）。
在中国城市扩张迅速、机动化出行水平日益提高的背景下，公共交通的吸引力提升关键不仅在于缩短绝对的出行时间，更在于减小公交出行方式与个体机动出行方式之间的时间差，即提高公交出行相对时空效率。公交出行相对时空效率是相对于小汽车出行的时间差异，综合考虑了公共交通作为大运量的出行方式所承载的出行乘客数量，能更好地体现城市公交出行整体的时空效率。已有研究从不同的视角构建了出行相对效率评估模型，如用公共交通的出行时间除以汽车出行时间，比较2种出行模式的出行时间差异（Liao et al., 2020），或构建表征公共汽车与小汽车速度变化趋势一致性的关联度指标，对比不同空间和时间维度下两者的速度特性（王玉焕 等，2014）。还有从通勤视角根据居住地与就业地信息展开调查，使用理论通勤、通勤容量、过剩通勤等模型比较公交与私家车通勤效率的差异（Niedzielski et al., 2013；韩会然 等，2017）。
已有研究多采用调查问卷或跟车法（赵红军 等，2008；韩会然 等，2017），无法实时动态反映城市公交出行整体效率的规律和特征。而互联网地图可以提供实时动态的路径搜索（Wang et al., 2018; Gao et al., 2019; Luo et al., 2019；郭琛琛 等，2022），为全面刻画城市公共交通出行相对效率提供了新的可能性。因此，本文拟提出基于互联网地图实时路况的城市公交出行相对效率的评价框架，即在某一时刻同时搜索公交出行和小汽车出行的路径与时间，通过时间对比来评价公交的出行相对效率，并构建公交出行相对时空效率指数模型，以深圳为案例开展分析。以期有助于正确判断公交发展状态，为公共交通高质量发展提供参考依据。

1 研究对象与流程

1.1　研究对象

以深圳市为研究对象，深圳市是粤港澳大湾区人口数量第二的超大城市，其公交负载量巨大。2021年全市公交客流量36.07亿人次，日均988.29万人次，其中常规公交客流量10.9亿人次，地铁客流量21.79亿人次（深圳市交通运输局，2022a）。
本研究使用的数据包括IC卡刷卡数据、公共汽车GPS数据和利用互联网地图接口计算的公交与小汽车出行的时间数据，以及深圳市公交站点、公交线路网、城市道路网等基础地理信息数据。
其中，公交和小汽车的出行时间数据是基于实时路况的，于2021年4月通过调用互联网应用程序接口采集。因无法获取与出行时间数据同时段的刷卡数据，采用2019年9月的刷卡数据代替，以获取乘客出行O-D（Origin-Destination）信息。根据深圳市交通运输局（2022b）统计的公交出行情况，2019年9月公共汽车日均客流量为453万人次，2021年4月为327万人次，差异约2.8%；2019年9月地铁日均客流量为563万人次，2021年4月为631万人次，差异约1.2%，出行量具有较为相似的特征；2019年工作日高峰时段平均车速为26 km/h，2021年工作日高峰时段平均车速为25 km/h。因此，2个时段的公交客流量与路况总体上较为相似，在不能获取2021年刷卡数据的情况下，以2019年9月的刷卡数据作为替代具有可行性。

1.2　研究流程

首先，基于互联网地图应用程序接口同步动态获取公交与小汽车的出行时间，计算公交出行相对时间效率，并对地铁/公汽的IC卡刷卡数据和公汽GPS数据进行O-D推算，然后，构建公交出行相对时空效率指数模型，最后，从指数聚类特征和空间分异特征2个角度对公交出行相对时空效率指数进行分析。

1.2.1　深圳市公交站点对O-D推算及筛选

IC卡刷卡数据和公共汽车GPS数据在经过处理后能推算每1条刷卡数据的O-D信息。地铁刷卡数据包含上下行站点和时间，可直接匹配站点还原O-D，但公汽系统的计费方式多为1次刷卡模式，乘客的下车时刻与下车站点不被记录，因此需要进行O-D推算。综合文献中的多种上下车站点推导方法进行公交（公汽和地铁）O-D推算，主要采用基于连续出行链的方法，根据通勤或历史出行规律推导下车站点。这种O-D推算方法面向以通勤为主的市内出行时具有良好的推算效果，在少量难以推算的偶发性出行的影响下，最终仍能获得87.64%的推导率（闻帅 等，2019；Huang et al., 2020）。得到每1条刷卡数据的上下车站点及上下车时间信息，从而可计算每个时段各站点对的客流量（上行和下行人数）。
对全市站点进行综合处理，同名的多个公汽站台综合为1个公汽站点，接驳地铁的公汽站点与地铁站点综合为1个地铁站点，共综合得到全市2 493个站点。由于计算量过于庞大和互联网地图应用程序接口并发处理限制的技术因素，选取客流量排名前500的站点（含公汽站点334个和地铁站点166个）作为全市出行的主要公交站点，用作后续分析的基础（图1）。
图1 深圳市客流量较大的主要公交站点分布

注：该图基于国家自然资源部授权、全国地理信息资源目录服务系统提供的1∶100万公众版基础地理信息数据（2021）（https://www.webmap.cn/commres.do?method=result100W）网站下载的审图号为GS（2016）2556号的标准地图制作，底图无修改；后图同。

Fig.1 Distribution of main stations with large passenger flow volume in Shenzhen

1.2.2　小汽车和公交出行时间同步动态获取

本文将比较早高峰、非高峰、晚高峰3个时段的公交出行相对时空效率。早高峰时段选为T 07:00－09:00，晚高峰时段选为T 18:00－20:00（闻帅 等，2019），非高峰时段在T 09:00－18:00较为平稳，但午间的出行量相对较少，因此选取午后的T 14:00－16:00作为代表。公共交通的出行时间会随空间和时间而变化（Farber et al., 2017），出行相对时间差会随时段、路线及城市交通路况的拥挤程度而有所差异，并且也会受天气状况的影响（李秋萍 等，2020）。同步获取不同出行方式下的出行时间是本研究的关键，而互联网地图为实时交通数据的获取提供了技术支持，能获取基于实时路况不同出行方式下的出行路线、出行时间与出行成本（戴智 等，2020；张红 等，2021）。通过调用互联网地图的应用程序接口（如lbsyun.baidu.com），可以更加方便地在相同时段同时获取两者的出行时间数据，更具有可比性，能更好地体现2种出行方式的实时状况。利用互联网地图实时性的优势，更能节约时间和人力成本，且方法具有较强的可操作性和普适性。此外，也可以通过公共汽车GPS和刷卡数据推算公交出行时间。
同步查询所有时段不同出行方式从站点到站点的出行时间，即500个站点对在1个时段需要查询24.95万次（500×499），早高峰、午后和晚高峰3个时段需要74.85万次搜索。通过在3个时段连续自动批量同步动态获取基于实时路况的各站点对之间小汽车出行时间与公交出行时间。
由于本研究仅考虑站点到站点间的出行，因此互联网地图计算的公交出行时间不包含步行到站点的时间，也不包括等待公交的时间，小汽车出行时间也不包括叫车等车时间等。

1.2.3　公交出行相对时空效率模型

1）公交出行相对时间效率
相对时间效率指小汽车和公交按最少时间方案的出行时间比值。小汽车出行包含自驾、出租车或网约车出行等，其在出行选择上可能会按最短路径或按其他方案。本文定义小汽车的出行时间不是自由流状态下的时间，而是与公交在相同时段的道路交通状况下，按照最少时间进行计算。
站点i和站点j之间在t时段的公交出行时间为TB ijt，小汽车出行时间为TC ijt。定义t时段站点i和j之间相对时间效率Eijt 为：
E i j t = T C i j t / T B i j t  
由于受到停站、限速等影响，绝大多数计算的相对时间效率Eijt ＜1，公交出行时间会多于小汽车出行时间，在少部分站点对之间也会出现公交出行时间少于小汽车出行时间的情况，其相对时间效率Eijt ＞1。
2）公交出行相对时空效率指数
公交出行相对时间效率是客观的指标，而公交出行相对时间效率和出行人数在不同时段和空间位置下是有差异的，为了能更合理地反映公交实际运行效率，考虑加入乘客量作为权重，综合体现公交运行的整体效益。当乘客数越多，权重越大时，整体相对时空效率越高。
设站点总数为M，i和j之间的出行量为Pij，全天共分为T个时段，时段t可按小时划分，从而可区分1 d不同时间段的乘客量Pijt。将t时段乘客人数Pijt 与相对时间效率Eijt 联合运算来定义公交出行相对时空效率指数，据此算出站点对、站点、面域（局部空间单元或市域）3种时空效率指数，以从不同尺度体现公交出行与小汽车出行的相对时空效率差异。
站点对（站点i和站点j之间）的公交出行相对时空效率指数Eij 为：
E i j = ∑ t = 1 T P i j t × E i j t ∑ t = 1 T P i j t
站点的公交出行相对时空效率指数Ei 为：
E i = ∑ j = 1 , j ≠ i M - 1 ∑ t = 1 T P i j t × E i j t ∑ j = 1 , j ≠ 1 M - 1 P i j
全市或某区域的公交出行相对综合时空效率指数E为：
E = ∑ i = 1 M ∑ j = 1 , j ≠ i M - 1 ∑ t = 1 T P i j t × E i j t ∑ i = 1 M ∑ j = 1 , j ≠ i M - 1 P i j
特别地，可以计算某类空间单元（如区、街道、TAZ）之间的公交出行相对时空效率指数，对比不同空间单元之间的公交出行相对时空效率。对于空间单元m、n，该指数Emn 表述为：
    E m n = ∑ i = 1 M ∑ j = 1 , j ≠ i M - 1 ∑ t = 1 T P i j t × E i j t ∑ i = 1 M ∑ j = 1 , j ≠ i M - 1 P i j    ∀    i ∈ m , j ∈ n

1.2.4　公交出行相对时空效率指数计算

在获得每个站点对之间的乘客量和公交出行相对时间效率后，根据式（2）计算站点对的公交出行相对时空效率指数Eij，表1为包含3个时段的数据样例。选取站点周边居民区密集的站点如西乡站、五和站和龙华汽车站，选取工作岗位密集公司企业聚集的站点如科技园站，并考虑空间上的分布便于对比，站点的空间位置如图1所示。由于站点对之间的乘客量在各高峰时段内部未做区分，且3个时段也仅分别获取1组出行时间值，因此在同一时段，站点对的时空效率指数Eij 等于相对时间效率Eijt。将各时段的公交相对时间效率和乘客量联合计算，得到3个时段综合时空效率指数Eij。
表1 深圳市站点对的公交出行相对时空效率指数（Eij ）数据样例

Table 1 Examples of public transportation relative spatiotemporal efficiency index(Eij ) for pairs of stations in Shenzhen

起点（O） 讫点（D） Eijt Pijt 三时段Eij
早高峰 午后 晚高峰 早高峰 午后 晚高峰
五和 科技园 0.61 0.57 0.80 168 4 3 0.61
科技园 五和 0.53 0.55 1.01 2 6 112 0.98
龙华汽车站 科技园 0.87 0.79 0.83 80 4 2 0.87
科技园 龙华汽车站 0.58 0.77 1.03 2 5 38 0.98
西乡 科技园 0.87 0.86 0.92 51 1 0 0.87
科技园 西乡 0.63 0.79 1.00 0 3 55 0.99

1.2.5　聚类分析

从时间角度出发，对站点尺度的早午晚3个时段的公交出行相对时空效率指数进行聚类。聚类算法方面，选择传统聚类算法中的K-Means。该算法需预先设定分类个数（K值），采用迭代方法选取不同K值计算对应的误差平方和（SSE），根据“肘部法则”选择最佳的分类个数。通过对站点的出行时空效率指数进行聚类分析，探索各类出行效率特征的站点及其空间分布。

2 结果与分析

2.1　站点对间的公交与小汽车出行时间特征

公交出行时间与小汽车出行时间的关系如图2所示。对角斜线为等时线，其上方的点为公交出行时间小于小汽车出行时间，下方的点反之。A点和B点是其2个例子。落在直线上及其上方的点，公交出行相对效率≥1，数据量约占7%。下方靠近直线的点（相对时间效率接近于1），可能有2种情况：1）当小汽车出行与公交出行的时间都长，即可能实时路况拥堵或小汽车出行需要绕行；2）当小汽车出行与公交出行时间都很短，即出行距离较短且无需公交换乘等。这2种情况下公交出行的相对时间效率都较高。
图2 深圳市站点对间的公交与小汽车出行时间的关系

Fig.2 Relationship between public transportation travel time and private vehicle travel time between stations in Shenzhen

对比3个时段的出行时间（见图2），晚高峰的出行时间更长。晚高峰小汽车出行平均时间为40.5 min，相比早高峰（37.1 min）多9%，比午后时段（35.8 min）多13%，晚高峰公交出行平均时间为58 min，比其他2个时段（早高峰56.9 min和午后56.6 min）的平均出行时间长。
绝大多数的站点对之间小汽车出行的时间少于公交出行的时间。离等时线越远（即斜率越小）的点，表明公交出行时间远比小汽车出行时间多，两者比值得到的相对时间效率Eijt 受小汽车出行时间与公交出行时间的共同影响，体现公交与小汽车在出行时间上的效率差异。
公交出行时间与相对时间效率的关系如图3所示。当公交出行时间很短时，相对效率很高，对于短程从站点到站点的出行，公交出行（尤其是地铁出行）具有优势；随着公交出行时间的增加，相对时间效率迅速降低，且3个时段早高峰最低，晚高峰最高，即晚高峰公交出行时间与小汽车出行时间的差距较小；当公交出行时间更长时，相对时间效率逐渐稳定在0.5~0.7，且3个时段的相对时间效率差距减小。
图3 深圳公交出行时间与相对时间效率的关系

Fig.3 Relationship between public transportation travel time and relative time efficiency in Shenzhen

2.2　公交出行相对时空效率指数的时段特征

从站点对、站点、面域（网格、街道、市域）不同尺度分析深圳市公交出行效率指数的时段特征。
1）站点对尺度公交出行相对时空效率指数分布
站点对尺度公交出行相对时空效率指数能体现站点之间联系的强度，有助于分析公交出行相对效率衔接较好的站点对空间分布。由图4可知，各时段Eij ≥0.8的站点对主要分布在南山、福田、罗湖3个中心城区之间，宝安、龙华、龙岗3个区之间，以及与宝安、龙华、龙岗与中心城区之间。总体空间格局与地铁线路“两横三纵”的分布相似。高效率指数的站点对多发生在地铁站点对之间，主要原因是轨道交通的平均速度快，且出行时间具有稳定性，整体上地铁站点对之间的相对时空效率指数在各时段均较高。同时也可以看出，晚高峰出现较多的“公汽—地铁”和“公汽—公汽”高效率站点对。
图4 深圳公交出行相对时空效率指数Eij ≥0.8的站点对O-D线

Fig.4 O-D lines between stations with Eij ≥0.8 during different time periods in Shenzhen

2）站点尺度公交出行相对时空效率指数分布
在空间分布（图5）上，由罗湖、福田、南山、宝安（靠南山片区）所组成的中心城区站点在各时间段具有较大的波动，大多数站点的早高峰指数明显低于晚高峰指数，表明晚高峰时段公交相对于小汽车出行的时间差距在缩小；在外围城区，站点公交时空效率指数呈现明显的轴线特征，其主要是由地铁线路串联起来的站点，体现地铁在特大城市中的重要价值。
图5 深圳主要站点公交出行相对时空效率指数Ei 空间分布

Fig.5 The spatial distribution of Ei of major stations during different time periods in Shenzhen

从占比（图6）看，早高峰站点效率Ei 位于低和中低水平的占比为65.8%，说明早高峰公交相对于小汽车出行的时间差距大，午后时段的指数多位于0.55~0.75的中低和中水平，晚高峰时段则多位于0.65~0.85的中和中高水平。
图6 深圳市站点的公交出行相对时空效率指数Ei 占比

Fig.6 Proportion of Ei for stations in Shenzhen

3）街道尺度公交出行相对时空效率指数分布
站点的公交出行相对时空效率指数可向上汇聚到街道尺度，从而形成对城市各街道公交出行相对效率的评价（图7）。整体上，午后和晚高峰时段的公交出行相对效率比早高峰高。早高峰南山区和福田区内的若干街道，其综合时空效率指数低于0.55；而3个时段的综合视角下，南山街道和西丽街道形成一个低指数“通廊”，主要是这个方向的公交供给较弱，地铁线路尚在建设中。深圳市街道层面的公交出行相对时空效率指数分布存在较大差异，除了各时段特征相似的高效率地铁站点外，不同街道还有大量不同数量、不同效率的公汽站点。如龙岗区的平湖街道和坪地街道的公交出行相对时空效率指数在3个时段都较低，处于0.45~0.55水平，说明其公交出行处于相对劣势。
图7 深圳街道尺度公交出行相对时空效率指数E

Fig.7 Index E at street level during different time periods in Shenzhen

各街道空间单元之间的公交时空效率指数Emn 如图8所示，可知，早高峰各街道空间单元之间的公交出行效率偏低，午后时段随着道路上的车流减少车速提高，公交出行相对效率有所提高，连接的街道空间也有所增加。晚高峰各街道之间的公交出行效率较高，反映晚高峰公交出行相对小汽车出行的时间差距有所减小。
图8 深圳各街道空间单元之间的公交出行相对时空效率指数分布（Emn ≥0.8）

Fig.8 Emn between street units(Emn ≥0.8)during different time periods in Shenzhen

4）市域尺度公交出行时空效率指数分布
市域层面的公交出行相对时空效率指数反映全市公交出行相对于小汽车出行的综合效率，3个时段综合指数值为0.63，处于中等水平。对于深圳市这种特大城市，城市公共交通一直备受关注，政府投入大量经费开展建设，出台各种鼓励公共交通出行的政策，且深圳市的道路系统结构也相对合理，因此其公交出行相对时空效率达到良好水平，但仍有较大的发展和优化空间。
根据本研究，深圳市早高峰的公交综合出行时空效率指数值为0.61，低于晚高峰的0.69。晚高峰时段的公交出行相对效率较高，主要原因是晚高峰的交通拥堵比其他时段更为严重，小汽车的出行时间增加，公交的出行时间虽然也有增加，但得益于公交专用道的配置，其增加幅度相对较小，从而导致公交出行的相对效率提升了。大约73%的O-D对之间小汽车在晚高峰的平均出行时间比早高峰更长，平均约多9%；而公交出行时间在晚高峰仅比早高峰多2%。从平均车速看，小汽车在早、晚高峰的平均速度分别为34.2、29.7 km/h，公共汽车在早、晚高峰的平均速度分别为21.7、21.3 km/h，显然小汽车的平均速度下降更为明显。在公共交通2种模式中，轨道交通具有通道专用、运载能力强、平均速度快等优势，比公共汽车的相对出行效率高。此外，还有其他影响公交出行效率的因素，如站点的乘客量、站点在公交线网中的可达性（裴玉龙 等，2020）、站点周边的开发强度和建成环境空间设计（Liao et al., 2020）等。

2.3　公交出行相对时空效率指数特征分析

1）不同时段的相对时空效率指数聚类分析
选取早高峰、午后和晚高峰时段站点的公交出行相对时空效率指数Ei 作为聚类分析指标，基于传统K-means聚类方法，采用“肘部法则”实现聚类划分（表2、图9），聚类结果为4类。
表2 深圳公交出行相对时空效率指数聚类中心及聚类个数

Table 2 Clustering center of public transportation relative spatiotemporal efficiency index and the number of clusters in Shenzhen

类别 Ei 聚类中心 聚类数量/个
早高峰 午后 晚高峰
类别1 0.58 0.66 0.62 87
类别2 0.56 0.65 0.70 112
类别3 0.47 0.51 0.64 180
类别4 0.55 0.50 0.58 121
图9 深圳公交出行相对时空效率指数Ei 聚类

Fig.9 Clustering results of public transportation relative spatiotemporal efficiency index(Ei ) in Shenzhen

类别1的站点主要分布在外围城区的居住类区域、公交场站和学校附近的站点。外围城区居住类区域站点如爱联、荷坳、六约、下水径、松岗、桥头、福永等，公交场站站点如福凤路总站、银湖汽车站、大梅沙闻檀道场站等，还有学校附近的站点如凤凰学校、南方科技大学第二实验小学、布吉中学、翠园中学、天誉实验学校等。这些站点呈现早晚高峰时段公交出行相对效率低，午后公交出行相对效率高的特征，可能是受早晚通勤和上学的影响。
类别2的站点主要分布在中心城区居住类区域站点。有如西乡、桃园、鲤鱼门、翻身、香蜜、莲花北、岗厦北等地铁站点，还有如临近南油、田下村、后海公馆、名居·绿海湾、福保社区等公汽站点。这些站点呈现早高峰公交出行相对效率低，午后和晚高峰时段公交出行相对效率高的特征。早高峰时段有大量且集中的出行需求，可能导致公交车辆停留时间增加，从而降低公交出行相对时空效率指数，而晚高峰时段出行需求相对分散，同时中心城区道路拥堵更为严重，使公交出行相对效率处于较高水平。
类别3的站点主要分布在中心城区工作类和休闲娱乐类区域附近的站点。工作类区域站点如科苑、高新园、市民中心、车公庙、国贸等，休闲娱乐类区域站点如临近海雅缤纷城、深圳来福士广场、欢乐颂购物中心、海岸城保利文化广场、世界之窗、华侨城锦绣中华等站点。这类站点呈现早高峰和午后时段公交出行相对效率低，晚高峰公交出行相对效率高的特征，可能是这些站点的吸引量在早高峰和午后时段大量集中，公交出行相对效率低。
类别4的站点多分布在外围城区休闲娱乐类、医院区域附近的站点。如大芬、龙城广场、益田假日、罗湖妇幼保健院、深圳市人民医院等。这类站点呈现午后时段公交出行相对效率最低的特征。可能是这些区域在午后时段交通流量较小，公交与小汽车的出行时间差距变大，午后的公交出行相对效率变低。
2）公交出行相对时空效率指数空间自相关分析
使用Moran's I 指数进行全局空间自相关分析以描述站点在各时段公交出行相对时空效率指数的空间相关性，判断其是否有聚集分布的空间模式。表3显示，各时段公交出行相对时空效率指数都表现出较强的正空间自相关，空间分布模式表现为聚集模式。
表3 深圳公交出行相对时空效率指数全局空间自相关指数

Table 3 Global spatial autocorrelation report of public transportation relative spatiotemporal efficiency index in Shenzhen

时段 Moran's I指数 Z得分 P值 空间分布模式
3个时段综合 0.31 9.97 0.000 聚集模式
早高峰 0.58 18.94 0.000 聚集模式
午后 0.43 14.08 0.000 聚集模式
晚高峰 0.36 11.86 0.000 聚集模式
深圳公交站点时空效率指数空间分布的局部差异如图10所示。南山区和福田区在早高峰时段低-低聚集明显，晚高峰时段表现为高-高聚集和低-高聚集，表明在南山区和福田区早高峰公交出行相对效率低。晚高峰龙岗区布吉街道和南湾街道的站点低-低聚集明显。另外，发现地铁站点的时空效率指数普遍较公汽站点高，因此多表现为地铁站点的高-低聚集或公汽站点的低-高聚集。3个时段综合看，地铁站点的时空效率指数平均值是0.72，公汽站点是0.63，在早午晚各时段也都呈现地铁站点高于公汽站点，分别高约0.06、0.08和0.11。
图10 深圳公交出行相对时空效率指数Ei 局部空间自相关

Fig.10 Local spatial autocorrelation of public transportation relative spatiotemporal efficiency index(Ei ) during different time periods in Shenzhen

3 结论与讨论

本文基于具有实时道路交通状况的互联网地图分别获取公交与小汽车的出行时间，通过公交智能卡数据获取乘客出行量，并基于公交相对于小汽车的出行时间效率和公交出行乘客量，构建了公交出行相对时空效率指数模型，并以深圳市为案例进行分析。结果表明：1）从出行时间特征看，随着出行时间的增加，公交与小汽车的出行时间差距逐渐拉大，公交出行相对时间效率降低；当出行时间超过1 h后，公交出行相对时间效率维持在0.5~0.7；2）从早晚高峰出行相对时空效率看，早晚高峰公交时空效率呈现较大差异，早高峰比晚高峰效率低近8%，主要原因是晚高峰时段小汽车出行时间的增加所导致，体现晚高峰城市道路情况的复杂性；3）从相对时空效率指数的聚类特征看，中心城区在不同时段的指数分布具有更大的波动性，这与其就业岗位高度集中带来的交通压力动态性有较大关系；4）公交出行相对时空效率存在明显的时空分异特征，早晚高峰时段存在“低-低聚集”和“高-高聚集”的典型聚集区域，地铁沿线的站点具有显著的出行时空效率优势，体现特大城市地铁骨架网络的重要价值。
基于深圳公交出行相对时空效率特征，针对深圳市公共交通的效率提升提出以下建议：1）继续大力发展轨道交通，提高轨道的覆盖率和互通性，实现站点之间的快速通达；2）以轨道交通为基础，调整或部署地面常规公共交通线路、优化提升公交专用道设置与管理水平；3）在道路交叉口采取相对信号优先、特殊时段公交连续信号优先、视频识别等技术手段，提升公交在路口的通行效率。此外，也应关注出行的舒适性体验，提升公交出行的服务品质，包括响应式公交服务、大需求走廊上的公交快线、缩短发车间隔等。
本文提出了一种新的公交出行相对时空效率模型及其测算方法，对于认知城市公交运行状态、优化公交线网布局具有参考价值。基于深圳市的案例分析，验证了模型和方法的合理性。本文在案例数据的获取方面可进一步完善，即因站点数量庞大以及并发处理限制的技术因素，仅选取客流量排名前500的站点，同时仅考虑了站点对之间的公交和小汽车出行时间，且乘客量与出行时间非同期观测。未来可以从数据分辨率的角度出发，获取时间分辨率更高的数据，结合本文所提出的公交相对时空效率指数，以揭示更丰富的多层次动态演化特征。在相对效率的计算中，出行时间是很重要的指标，但除了时间，还有费用、舒适性、便捷性、安全性等因素也会影响乘客出行方式的选择，未来可在相对效率计算中增加更多因素指标。

脚注

许彩薇：数据处理与分析、绘图制图分析、文章撰写与修改工作；

黄正东：整体方案设计，提出评估模型；

赵天鸿：协助数据采集和处理，提出修改意见；

张 莹：提供数据分析支持，提出修改意见；

黄嘉诚：提供绘图制图支持，提出修改意见。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
蔡军. 2005. 居民出行效率与合理路网间距的确定. 城市交通，（3）：58-63.

Cai Jun. 2005. Efficiency of the Traveler and Reasonable Distance between Roads. Urban Transport of China, (3): 58-63.

戴智，江捷，麦文隽，王小龙. 2020. 基于互联网地图的可达性量化评价方法. 城市轨道交通研究，23（12）：28-32.

Dai Zhi, Jiang Jie, Mai Wenjun, and Wang Xiaolong. 2020. Accessibility Quantitative Evaluation Method Based on Internet Map. Urban Mass Transit, 23(12): 28-32.

董礼，曾俊伟，钱勇生，广晓平. 2018. 基于DEA模型的综合交通运输效率评价研究. 公路交通技术，34（1）：112-116.

Dong Li, Zeng Junwei, Qian Yongsheng, and Guang Xiaoping. 2018. Research on Comprehensive Transportation Efficiency Evaluation Based on DEA Model. Technology of Highway and Transport, 34(1): 112-116.

Farber S, and Fu L W. 2017. Dynamic Public Transit Accessibility Using Travel Time Cubes: Comparing the Effects of Infrastructure (dis) Investments over Time. Computers Environment and Urban Systems, 62: 30-40．

Fitzova H, Matulova M, and Tomes Z. 2018. Determinants of Urban Public Transport Efficiency: Case Study of the Czech Republic. European Transport Research Review, 10(2): 1-11．

Gao Ge, Wang Zhen, Liu Xinmin, Li Qing, Wang Wei, and Zhang Junyou. 2019. Travel Behavior Analysis Using 2016 Qingdao's Household Traffic Surveys and Baidu Electric Map API Data. Journal of Advanced Transportation, 2019: 1-18．

郭琛琛，梁娟珠. 2022. 基于网络地图的多交通模式医疗设施可达性分析. 地球信息科学学报，24（3）：483-494.

Guo Chenchen, and Liang Juanzhu. 2022. Accessibility Analysis of Medical Facilities Based on Multiple Transportation Modes of Network Map. Journal of Geo-Information Science, 24(3): 483-494.

韩会然，杨成凤，宋金平. 2017. 公共交通与私家车出行的通勤效率差异及影响因素——以北京都市区为例. 地理研究，36（2）：253-266.

Han Huiran, Yang Chengfeng, and Song Jinping. 2017. Impact Factors and Differences in Commuting Efficiency between Public Transit and Private Automobile Travel: A Case Study on the Beijing Metropolitan Area. Geographical Research, 36(2): 253-266.

Huang Di, Yu Jun, Shen Shiyu, Li Zhekang, Zhao Luyun, and Gong Cheng. 2020. A Method for Bus OD Matrix Estimation Using Multisource Data. Journal of Advanced Transportation, 2020: 1-13．

揭远朋，冯雪松，解振全，刘异，朱晓静. 2018. 基于出行效率提升的公共交通线网优化研究. 武汉理工大学学报（交通科学与工程版），42（2）：263-267，273.

Jie Yuanpeng, Feng Xuesong, Xie Zhenquan, Liu Yi, and Zhu Xiaojing. 2018. Optimization Research on Public Transit Network Based on Travel Efficiency Improvement. Journal of Wuhan University of Technology (Transportation Science & Engineering), 42(2): 263-267, 273.

李秋萍，刘慧敏，卓莉，陶海燕，栾学晨. 2020. 降雨天气下城市道路速度变化的差异及其影响因素．热带地理，40（4）：744-751.

Li Qiuping, Liu Huimin, Zhuo Li, Tao Haiyan, and Luan Xuechen. 2020. Differences in Urban Road Speed Change and Their Influencing Factors during Rainfall．Tropical Geography, 40(4): 744-751.

Liao Yuan, Gil J, Pereira R H M, Yeh S, and Verendel V. 2020. Disparities in Travel Times between Car and Transit: Spatiotemporal Patterns in Cities．Scientific Reports, 10(1): 1-12．

Luo Xinggang, Liu Yingxin, Yu Yang, Tang Jiafu, and Li Wei. 2019. Dynamic Bus Dispatching Using Multiple Types of Real-Time Information. Transportmetrica B-Transport Dynamics, 7(1): 519-545．

Makarova I, Shubenkova K, and Pashkevich A. 2021. Efficiency Assessment of Measure to Increase Sustainability of the Transport System. Transport, 36(2): 123-133．

Niedzielski M A, Horner M W, and Xiao N C. 2013. Analyzing Scale Independence in Jobs-Housing and Commute Efficiency Metrics. Transportation Research Part A-Policy and Practice, 58: 129-143.

裴玉龙，潘恒彦，郭明鹏，张枭. 2020. 轨道交通对城市公共交通网络可达性的影响——以哈尔滨市为例. 公路交通科技，37（6）：104-111.

Pei Yulong, Pan Hengyan, Guo Mingpeng, and Zhang Xiao. 2020. Influence of Rail Transit on Accessibility of Urban Transit Network: A Case Study of Harbin City. Journal of Highway and Transportation Research and Development, 37(6): 104-111.

Salonen M, and Toivonen T. 2013．Modelling Travel Time in Urban Networks: Comparable Measures for Private Car and Public Transport. Journal of Transport Geography, 31: 143-153．

深圳市交通运输局. 2022a. 2021年深圳交通运输行业统计数据解读. （2022-03-01）[2022-06-02]. http://jtys.sz.gov.cn/zwgk/sjfb/sjjd/content/post_9594511.html.

Transportation Bureau of Shenzhen Municipality. 2022a. Interpretation of Statistics of Transportation Industry in Shenzhen in 2021. (2022-03-01) [2022-06-02]. http://jtys.sz.gov.cn/zwgk/sjfb/sjjd/content/post_9594511.html.

深圳市交通运输局. 2022b. 深圳交通运输数据发布. [2022-06-02]. http://jtys.sz.gov.cn/zwgk/sjfb/index.html.

Transportation Bureau of Shenzhen Municipality．2022b．Shenzhen Transport Data Release [2022-06-02]．http://jtys.sz.gov.cn/zwgk/sjfb/index.html.

Wang Jia, Yang Yanglingzhi, and Liu Shuai. 2018. Study of Traffic Characteristics Based on Internet Web Real-Time Traffic Conditions by Image Identification Technology. Imaging Science Journal, 66(3): 152-159．

王玉焕，陈旭梅，贾显超，龚辉波，张溪. 2014. 小汽车与公交车行程速度特性多维度对比分析．交通信息与安全，32（6）：59-64.

Wang Yuhuan, Chen Xumei, Jia Xianchao, Gong Huibo, and Zhang Xi. 2014. A Multidimensional Comparative Analysis of Travel Speed Characteristics of Cars and Buses．Journal of Transport Information and Safety, 32(6): 59-64.

闻帅，黄正东. 2019. 基于公交大数据的满载率推算方法——以深圳市为例．测绘通报，（9）：99-103.

Wen Shuai, and Huang Zhengdong. 2019. Bus Load Factor Estimation Based on Transit Big Data: A Case Study of Shenzhen. Bulletin of Surveying and Mapping, (9): 99-103.

杨励雅，邵春福，李霞．2011．城市居民出行方式选择的结构方程分析．北京交通大学学报，35（6）：1-6．

Yang Liya, Shao Chunfu, and Li Xia．2011．Structural Equation Model Analysis of Travel Mode Choice for Urban Residents．Journal of Beijing Jiaotong University, 35(6): 1-6.

张红，徐珊，龚恩慧. 2021. 顾及实时路况的城市浪费性通勤测算．武汉大学学报（信息科学版），46（5）：650-658.

Zhang Hong, Xu Shan, and Gong Enhui. 2021. Urban Wasteful Commuting Calculation Concerning Real-Time Traffic Information. Geomatics and Information Science of Wuhan University, 46(5): 650-658.

赵红军，尹伯成，沈国仙. 2008. 上海市民出行效率调查与分析．城市问题，（4）：96-102.

Zhao Hongjun, Yin Bocheng, and Shen Guoxian．2008．Survey and Analysis to the Transportation Efficiency of Shanghai Residents. Urban Problems, (4): 96-102.

周雨阳，李芮智，潘利肖，陈艳艳．2020．北京南站公共交通可达性计算与评价．北京工业大学学报，46（12）：1365-1376.

Zhou Yuyang, Li Ruizhi, Pan Lixiao, and Chen Yanyan．2020．Public Transit Accessibility Calculation and Evaluation of the Beijing South Railway Station．Journal of Beijing University of Technology, 46(12): 1365-1376.

Options
文章导航

/

〈 〉