درک تغییرات مکانی و زمانی سفارشات سواری با کارایی بالا (HROs) برای شرکت های شبکه حمل و نقل (TNCs) مفید است تا درآمد رانندگان را از طریق ارسال سفارش معقول متعادل کنند و با بهبود مکانیسم قیمت گذاری، عدم تعادل بین عرضه و تقاضا را کاهش دهند. به منظور ترویج توسعه پایدار و سالم صنعت سواری و حمل و نقل شهری. از منظر TNC ها برای مدیریت سفارش، این مطالعه تغییرات مکانی-زمانی HROs و سفارشات متداول سواری-تگرگ (CROs) را برای خدمات سواری-تگرگ با استفاده از داده های سفر دیدی Chuxing در هایکو، چین بررسی می کند. مدل‌های حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) برای بررسی عواملی که بر تراکم HROs و CROها در دوره‌های زمانی مختلف تأثیر می‌گذارند، ایجاد شده‌اند. مانند صبح، عصر، بعدازظهر و شب با در نظر گرفتن متغیرهای مختلف محیط ساخته شده. مدل‌های OLS نشان می‌دهند که عواملی از جمله تراکم جاده، میانگین نرخ زمان سفر، شرکت‌ها و شرکت‌ها و تسهیلات حمل‌ونقل تأثیر قابل‌توجهی بر HROs و CROها برای اکثر دوره‌ها دارند. نتایج مدل‌های GWR با نتایج رگرسیون جهانی مطابقت دارد و اثرات محلی محیط ساخته‌شده را بر HROs و CROs در مناطق مختلف نشان می‌دهد.

کلید واژه ها:

سفارش سواری با راندمان بالا ; سفارشات متداول سواری ; تغییرات فضایی و زمانی حداقل مربعات معمولی ; رگرسیون وزنی جغرافیایی ; عامل تاثیرگذار

1. مقدمه

با توسعه سریع فناوری اطلاعات و پرداخت موبایلی، شرکت‌های شبکه حمل‌ونقل (TNC) مانند Didi Chuxing، Uber و Lyft توانسته‌اند با استفاده از پلتفرم‌های مبتنی بر اینترنت، خدمات حمل‌ونقل سواری را در سراسر جهان اجرا کنند [ 1 ، 2 ، 3 ، 4 . ، 5 ]. تاکسی های سنتی عمدتاً بر اساس تجربه رانندگان به مسافران در جاده خدمات ارائه می دهند، در حالی که خدمات سواری می توانند اطلاعات سفر را به سرعت بر اساس برنامه های کاربردی تلفن هوشمند یکپارچه کنند و به تطابق دقیق بین عرضه (یعنی رانندگان) و تقاضا (یعنی مسافران) دست یابند [ 6 ]]. در نتیجه، این سرویس می‌تواند به طور موثر فاصله کروز خالی را کاهش دهد و استفاده از ظرفیت خودرو را بهبود بخشد، که به نوبه خود منجر به مصرف انرژی کمتر و انتشار گازهای گلخانه‌ای کمتر می‌شود [ 7 ، 8 ، 9 ، 10 ، 11 ]. به دلیل خدمات مناسب و استراتژی‌های قیمت‌گذاری ترجیحی (مانند یارانه‌های قیمت و کوپن‌های الکترونیکی)، شرکت‌های TNC رانندگان و کاربران زیادی را به خود جذب کرده‌اند [ 12 ]. از سال 2020، اوبر در 71 کشور و در بیش از 890 شهر فعالیت می کرد [ 13 ]. از سال 2018، Lyft در 200 شهر در ایالات متحده فعالیت می کرد و تعداد رانندگان از 310000 فراتر رفت [ 14 ]]. Didi Chuxing خدمات مسافرتی را به بیش از 550 میلیون کاربر در بیش از 400 شهر در چین ارائه می‌کند و سفارش‌های سفر روزانه بیش از 30 میلیون نفر است [ 15 ].
سفارشات سواری با کارایی بالا (HROs) به مسافرانی اطلاق می شود که سفارشات آنها می تواند درآمد هر واحد زمان سفر را برای رانندگان سواری به حداکثر برساند [ 16 ]]. در عملیات واقعی، توزیع HRO نامتوازن است. برخی از رانندگان ترجیح می دهند سفارشات را در منطقه ای که HRO ها متمرکز هستند دریافت کنند، که منجر به عدم تعادل عرضه و تقاضا در بازار سواری می شود و تخصیص منابع بهینه نیست. علاوه بر این، در ساعات اوج صبح و عصر، تحت تأثیر ازدحام ترافیک جاده‌ای، تفاوت‌های آشکاری در درآمد رانندگان به ازای واحد زمان سفر در مناطق مختلف مشاهده می‌شود و در نتیجه شکاف درآمدی بین رانندگان ایجاد می‌شود. به عنوان مثال، برای رانندگان سواری در مرکز شهر زمان بیشتری طول می کشد تا سفارش خود را در دوره های اوج مصرف انجام دهند، اگرچه شرکت های TNC کرایه را در این دوره ها افزایش می دهند. درک تغییرات مکانی و زمانی HROها برای TNCها برای کاهش عدم تعادل بین عرضه و تقاضا با بهبود مکانیسم قیمت‌گذاری مفید است.
در حال حاضر، مجموعه قابل توجهی از ادبیات عواملی را که بر تقاضای سواری-تگرگ تأثیر می‌گذارند، بررسی کرده‌اند. به طور خاص، عواملی از جمله ویژگی‌های اجتماعی-جمعیت‌شناختی کاربران مانند سطح تحصیلات عالی و جوان‌تر و همچنین ویژگی‌های محیط ساخته شده مانند تراکم شبکه جاده‌ای بالاتر، ترکیب کاربری بالاتر، سطح پایین‌تر تعادل بین جمعیت و اشتغال و سطوح بالاتر دسترسی ترانزیتی هستند. مرتبط با استفاده بیشتر از خدمات حمل و نقل سواری [ 17 ، 18 ، 19]. با این حال، بر اساس دانش ما، تحقیقات کمی در مورد بررسی تغییرات مکانی و زمانی و عوامل تأثیرگذار HROها برای خدمات سواری-هیلینگ وجود دارد. بر اساس مطالعات موجود، مسافرانی که 30 درصد بالاترین درآمد را به ازای هر واحد زمان سفر دارند، به عنوان HROs تعریف می‌شوند و 70 درصد باقی‌مانده مسافران، سفارش‌های معمولی سواری-هیلینگ (CROs) هستند [ 16 ، 20 ]. برای پر کردن این شکاف، این مطالعه تلاش می‌کند به سؤالات زیر پاسخ دهد: (1) ویژگی‌های سفر فضایی-زمانی HROها برای خدمات سواری-تگرگ چیست، و تفاوت در توزیع‌های مکانی-زمانی بین HRO و CRO چیست؟ (2) چه عواملی بر تراکم HROها و CROها تأثیر می گذارد و آیا تأثیرات این عوامل ناهمگونی فضایی دارند؟
مشارکت های این مطالعه عمدتاً در دو جنبه زیر است. (1) از منظر TNC ها برای مدیریت سفارش، ویژگی های سفر مکانی-زمانی HRO ها و CRO ها بر اساس داده های سفر شهر هایکو در چین مقایسه و تجزیه و تحلیل می شوند. (2) به منظور انعکاس شدت سفارشات سواری، از چگالی HROs و CROها به عنوان متغیرهای وابسته استفاده می شود، حداقل مربعات معمولی (OLS) برای بررسی عوامل موثر بر تراکم آنها در دوره های زمانی مختلف مانند صبح، استفاده می شود. عصر، بعدازظهر و شب، و مدل‌های رگرسیون وزن‌دار جغرافیایی (GWR) نیز برای بررسی ناهمگونی فضایی عوامل تأثیرگذار، مانند تراکم جاده‌های ثانویه، میانگین نرخ زمان سفر، جاذبه‌های گردشگری و امکانات حمل‌ونقل استفاده می‌شوند.

2. بررسی ادبیات

2.1. ویژگی های عملیاتی خدمات سواری-هیلینگ

بررسی ویژگی‌های عملیاتی خدمات حمل‌ونقل سواری برای درک ویژگی‌های صنعتی و توسعه خدمات حمل‌ونقل سواری از اهمیت بالایی برخوردار است.
بر اساس داده های سفارش دیدی Chuxing در Hangzhou، چین، Ke et al. [ 21 ] به این نتیجه رسیدند که تقاضای مسافر در روزهای هفته دارای خاصیت دو اوج (اوج صبح و عصر) را نشان می‌دهد، در حالی که تقاضا در آخر هفته‌ها یک ملک تک پیک (فقط اوج عصر) را نشان می‌دهد. بر اساس داده های اداری و داده های نظرسنجی، هال و کروگر [ 22 ] تحلیلی از بازار کار برای رانندگان اوبر انجام دادند. آنها دریافتند که انعطاف پذیری پلتفرم اوبر رانندگان را جذب می کند. چن و همکاران با استفاده از داده‌های درآمد ساعتی رانندگان اوبر. [ 23] راه هایی را که رانندگان از این انعطاف پذیری بلادرنگ استفاده کردند و مازاد راننده را تخمین زدند، مستند کرد. نتایج به این نتیجه رسید که رانندگان اوبر از این انعطاف‌پذیری سود زیادی می‌بردند و بیش از دو برابر بیشتر از ترتیباتی که با انعطاف کمتری کسب می‌کردند، درآمد داشتند.
برخی از محققان بر تأثیر سفرهای سواره بر محیط زیست تمرکز کردند. بر اساس مسیر GPS یک ماهه و داده های سفارش تاکسی ها و Didi Chuxing Express در چنگدو، چین، Sui و همکاران. [ 7 ] الگوهای مصرف سوخت و انتشار گازهای گلخانه ای سفرهای تاکسی و سواری را مقایسه و تجزیه و تحلیل کرد. آنها به این نتیجه رسیدند که مصرف سوخت، انتشار CO، NOx و HC به ازای هر کیلومتر مسافر در سفرهای تاکسی به ترتیب حدود 1.36، 1.45، 1.36 و 1.44 برابر سفرهای سواری-تگرگ است. نتایج همچنین نشان داد که اکثر رانندگان دیدی می توانند از نظر کاهش آلایندگی و صرفه جویی در سوخت عملکرد خوبی داشته باشند، در حالی که فقط برخی از رانندگان تاکسی توانایی انجام این کار را داشتند. بر اساس داده‌های GPS دیدی، یک روش شبیه‌سازی متقابل توسط چن و همکاران ارائه شد. [ 8] برای ارزیابی تأثیر مقیاس کاربر بر عملکرد انتشار سیستم منبع سواری. آنها تشخیص دادند که در مقیاس معینی از تقاضاهای سفر، نسبت فاصله خالی به تدریج با افزایش مقیاس راننده کاهش می یابد. همچنین نتایج نشان داد که هرچه تقاضای سفر یک منطقه بیشتر باشد، تأثیر مکمل راننده در کاهش نسبت فاصله خالی بیشتر است. بر اساس داده های مسیر دیدی، سان و همکاران. [ 24] الگوی انتشار NOx بخش‌های جاده‌ای را تخمین زد و عوامل محیطی مربوطه را که بر انتشار ترافیک جاده‌ای تأثیر می‌گذارد، بررسی کرد. آنها دریافتند که طول جاده کوتاه با کنترل های سیگنال بیشتر، نزدیک بودن به مرکز شهر، تراکم بالای ایستگاه اتوبوس، رمپ های بیشتر در نزدیکی و سهم بالای کاربری مسکونی یا تجاری می تواند میزان انتشار را افزایش دهد، در حالی که جاده های اولیه، بخش های جاده طولانی تر، بخش های جاده ای دور از رمپ ها و ایستگاه های مترو و نسبت استفاده از زمین حمل و نقل می تواند منجر به انتشار کمتر شود.
برخی از محققان همچنین به تأثیر خدمات حمل و نقل بر سایر روش های حمل و نقل توجه کردند. رایل و همکاران با استفاده از 380 بررسی رهگیری در سانفرانسیسکو در سال 2014. [ 25 ] نشان داد که خدمات حمل و نقل و تاکسی ها دارای همپوشانی هستند اما بازارهای خدمات متفاوتی دارند. بیش از نیمی از سفرهای سواری جایگزین روش‌های سفر به غیر از تاکسی، از جمله خودروهای شخصی و حمل‌ونقل عمومی شدند. نی [ 26] تاثیر خدمات حمل و نقل را بر صنعت تاکسی سنتی بر اساس داده های GPS تاکسی در شنژن، چین بررسی کرد. نتایج نشان داد که صنعت تاکسیرانی به دلیل رقابت با خدمات حمل و نقل، ضرر زیادی را در میزان سواری خود تجربه کرده است. تاکسی‌ها می‌توانند در ساعات اوج بار مانند 6 صبح تا 10 صبح و 5 بعد از ظهر تا 20 شب و در مناطقی با تراکم جمعیت بالا به طور مؤثری با خدمات حمل‌ونقلی رقابت کنند. علاوه بر این، خدمات حمل و نقل هوایی باعث تشدید ازدحام ترافیک در شهر شد، اما تاثیر آن خفیف بود.

2.2. عواملی که بر تقاضای سواری تأثیر می گذارد

بررسی عواملی که بر تقاضای سواری تاثیر می‌گذارد نه تنها می‌تواند مسافران بالقوه سواری را شناسایی کند، بلکه کیفیت خدمات و رضایت کاربر را نیز بهبود می‌بخشد. برخی از محققین برای انجام چنین تحقیقاتی از داده های نظرسنجی پرسشنامه استفاده کردند. به عنوان مثال، دیاس و همکاران. [ 27 ] از مدل پروبیت مرتب شده برای بررسی تأثیر عوامل اجتماعی-اقتصادی و جمعیت شناختی بر استفاده از تگرگ سواری استفاده کرد. نتایج نشان داد که کاربران تمایل دارند افراد تحصیلکرده، جوان و شاغلی باشند که در مناطق با تراکم بالاتر زندگی می‌کنند. ژانگ و همکاران بر اساس داده‌های پیمایش ملی سفر خانواده‌ها در سال ۲۰۱۷. [ 28] مدل های رگرسیون دوجمله ای منفی با تورم صفر را برای بررسی رابطه بین مالکیت وسیله نقلیه خانگی و استفاده از تگرگ سواری ایجاد کرد. نتایج نشان داد که کاهش یک وسیله نقلیه در خانوارها با افزایش 7.9 درصدی فراوانی استفاده از سواری و افزایش 23.0 درصدی در امکان استفاده از سواری-تگرگ مرتبط است. این اثرات برای افرادی که در مناطق با تراکم جمعیت بالاتر زندگی می کردند بیشتر از افرادی بود که در مناطق با تراکم جمعیت کمتر زندگی می کردند. برای بررسی عوامل موثر بر انتخاب بین خدمات سواری-تگرگ و حالت‌های سفر سنتی، یک مدل لجستیک چند جمله‌ای توسط دو و همکاران ایجاد شد. [ 29] بر اساس داده های معتبر از 595 شرکت کننده. نتایج نشان داد که شرکت‌کنندگان به احتمال زیاد از خدمات سواری برای فعالیت‌های انعطاف‌پذیر مانند امور تجاری، خرید، سرگرمی، ورزش به‌ویژه در حومه شهر و سفرهای اضطراری استفاده می‌کنند (زمان برای این نوع سفر نسبتاً تنگ است). . ساکنانی که اقامت دائم ثبت نشده بودند (این یک سیاست جمعیتی ویژه در چین به نام hukou است) تمایل به استفاده از این سرویس داشتند. لی و همکاران [ 30 ] مدل‌های انتخاب گسسته را برای بررسی تمایل مردم به استفاده از خدمات حمل و نقل با استفاده از داده‌های نظرسنجی در ایالات متحده اتخاذ کرد. آنها دریافتند کسانی که در مناطقی با تراکم جمعیت زیاد زندگی می‌کنند و محل کار روستایی دارند، بیشتر از چنین خدماتی استفاده می‌کنند. نیلسن و همکاران بر اساس مصاحبه های نیمه ساختاریافته در دانمارک. [31 ] کشف کردند که صرفه جویی در هزینه سفر در مقایسه با حمل و نقل خصوصی، انعطاف پذیری زیاد و فرصت معاشرت با سایر مسافران، استفاده از خدمات حمل و نقل را ترویج می کند. مشکل در یافتن سواری، ناامنی و ناهنجاری اجتماعی با غریبه ها از کاستی های خدمات سواری بود.
داده‌های عملیاتی سرویس‌های تگرگ سواری فرصتی را برای تجزیه و تحلیل عواملی که بر تقاضای سواری-تگرگ از منظری وسیع‌تر تأثیر می‌گذارند، فراهم می‌کند. به عنوان مثال، یو و پنگ [ 18] مدل‌های رگرسیون پواسون وزن‌دار جغرافیایی را برای بررسی تأثیر محیط ساخته شده بر تقاضای تگرگ سواری با استفاده از داده‌های سفر در آستین، تگزاس ایجاد کرد. نتایج نشان داد که گروه‌های بلوک با سهم بالاتری از افراد جوان و تحصیل‌کرده، ترکیب کاربری بیشتر، تراکم شبکه جاده‌ها و پیاده‌روهای بیشتر، سطح پایین‌تر تعادل بین جمعیت و اشتغال و سطح دسترسی ترانزیتی بالاتر، خدمات سواری را ارتقا می‌دهند. استفاده کنید. نتایج همچنین تغییرات مکانی اثرات عوامل اجتماعی-اقتصادی و محیط ساخته شده را در سفرهای سواری-تگرگ نشان داد. با استفاده از داده های سفر از دیدی چاکسینگ در شانگهای، سان و دینگ [ 32] تأثیر محیط ساخته شده بر تقاضای خدمات سواری-تگرگ را بررسی کرد. نتایج نشان داد که کاربری تجاری و مسکونی، آب و هوای بارانی، دمای بالاتر در روز و دسترسی به حمل و نقل اثرات مثبتی بر تقاضای خدمات سواری-تگرگ داشتند. سهم بازار خدمات اکسپرس در روزهای بارانی بیشتر از خدمات تاکسی سنتی بود که عمدتاً به دلیل انعطاف پذیری زمان عملیات و مکانیسم های قیمت گذاری پویا خدمات اکسپرس بود [ 33 ]. با استفاده از داده های سفر سواری در چنگدو، ژانگ و همکاران. [ 19] با ایجاد مدل‌های رگرسیون لجستیک منظم، بر رابطه بین سفرهای سواری-تگرگ و چندین نوع POI متمرکز شد. نتایج نشان داد که تعداد تسهیلات حمل‌ونقل بیشترین تأثیر را در سفرهای سواری-تگرگ داشته و به دنبال آن تعداد نقاط دیدنی قرار دارد. تعداد امکانات ورزشی و امکانات خدماتی بر سفرهای سواری مکان‌های پیک‌آپ تأثیر داشت، در حالی که تعداد مؤسسات تجاری تأثیر قابل‌توجهی بر سفرهای سواری نداشت.
همانطور که از بررسی بالا در مطالعات گذشته در مورد خدمات سواری-تگرگ مشهود است، محققان عمدتاً ویژگی‌های عملیاتی، ویژگی‌های صنعتی و تأثیر سرویس بر سایر روش‌های حمل و نقل را بر اساس داده‌های نظرسنجی و داده‌های عملیاتی بررسی کردند. با توجه به عواملی که بر تقاضای سواری-تگرگ تأثیر می‌گذارند، تحقیقات گذشته عمدتاً ویژگی‌های شخصی، ادراکات، عوامل محیطی ساخته‌شده و شرایط هواشناسی را در نظر می‌گرفت و کاوش‌ها عمدتاً از دیدگاه مسافران انجام شد. کار بسیار کمی بر روی تغییرات مکانی-زمانی و عوامل تأثیرگذار HROها از دیدگاه TNCها برای مدیریت سفارش انجام شده است. با این حال، درک بهتر رابطه بین تغییرات مکانی و زمانی HROها و عوامل محیطی ساخته شده به TNC ها کمک می کند تا عدم تعادل بین عرضه و تقاضا را کاهش دهند و درآمد رانندگان را متعادل کنند، که برای ترویج توسعه پایدار و سالم سواری حائز اهمیت است. صنعت. بر این اساس، این مطالعه تغییرات مکانی-زمانی HROs و CROs را بررسی می‌کند و از مدل‌های OLS و GWR برای بررسی عواملی که بر تراکم HROs و CROs تأثیر می‌گذارند، استفاده می‌کند.

3. داده ها

3.1. منبع داده و پردازش

هایکو، واقع در جنوب چین، یک مرکز مهم اقتصادی و مرکز حمل و نقل استان هاینان است ( شکل 1 الف). در سال 2017، 151.6 کیلومتر مربع مساحت و 2.27 میلیون نفر جمعیت ساکن دائمی داشت [ 34 ]. در سال 2012، شرکت های سواری مانند Didi Chuxing، Shenzhou و Yidao در هایکو شروع به فعالیت کردند. در پایان سال 2016، تعداد وسایل نقلیه سواری به 10000 دستگاه رسید و تعداد رانندگان قانونی سواری به 6000 نفر رسید [ 35 ].
داده‌های مورد استفاده در این کار، رکوردهای سفارش دیدی چاکسینگ در هایکو در سپتامبر 2017 است. رکوردها عمدتاً شامل شناسه سفارش، طول جغرافیایی و مختصات جغرافیایی مکان‌های تحویل، طول و عرض جغرافیایی مختصات مکان‌های تخلیه می‌شوند. ، زمان حرکت و رسیدن، مسافت سفر و کرایه ها. تحقیقات گذشته نشان داده است که تقاضای خدمات سواری تحت تأثیر محیط ساخته شده است [ 18 ، 19 ، 21 ]. بر این اساس، ما اطلاعات جاده مربوطه را از وب‌سایت OpenStreetMap ( https://www.openstreetmap.org ، دسترسی به 18 آگوست 2020)، از جمله طول جاده‌های اولیه، جاده‌های فرعی و جاده‌های سوم جمع‌آوری کردیم [ 36 ]]. بر اساس رابط برنامه کاربردی Amap (API)، 13 نوع داده POI نیز با استفاده از پایتون به دست آمد [ 37 ]. این 13 دسته عبارت بودند از امکانات غذاخوری، جاذبه های گردشگری، شرکت ها و بنگاه های اقتصادی (مانند شرکت های ساختمانی، شرکت های پزشکی، تجارت تجاری و شرکت های معروف)، امکانات خرید، تسهیلات حمل و نقل، خدمات مالی و بیمه ای، امکانات علمی یا فرهنگی و آموزشی، اقامتگاه های تجاری. مناطق مسکونی و ساختمان ها)، خدمات زندگی روزمره (مانند دفاتر پست، خدمات لجستیک، دفاتر مخابرات و مراکز کار)، امکانات ورزشی، امکانات خدمات پزشکی و بهداشتی، ادارات دولتی و خدمات اقامتی (هتل ها و خوابگاه ها). اطلاعات دقیق در مورد این دسته های POI در وب سایت زیر موجود است:https://lbs.amap.com/api/webservice/download ، در 18 آگوست 2020 مشاهده شد [ 19 ].
قبل از تجزیه و تحلیل، لازم بود سوابق سفارش اصلی پاک شود، زیرا برخی از آنها برای استفاده در این مطالعه مناسب نبودند. سوابق زیر حذف شدند: (1) سوابق سفارش تکراری، (2) سوابق سفارش با اطلاعات ناقص، مانند ورودی‌هایی با زمان‌های خروج و رسیدن از دست رفته، (3) مکان‌های تحویل یا تحویل در خارج از منطقه مورد مطالعه ، (4) رکوردهایی با میانگین سرعت سفر بیش از 80 کیلومتر در ساعت و (5) رکوردهایی با مسافت سفر کمتر از 300 متر یا زمان سفر کمتر از 1 دقیقه یا بیشتر از 2 ساعت. با استفاده از این معیارها، 2.3559 میلیون رکورد اصلی سفارش از 2 سپتامبر تا 29 سپتامبر (4 هفته) پاک شد و در نهایت 2.2747 میلیون رکورد سفارش به دست آمد که 96.56٪ از رکوردهای اصلی در مجموعه داده را تشکیل می دهد.
به منظور تجمیع رکوردهای ترتیب در فضا، ما یک ساختار سلول شبکه ای (1 کیلومتر × 1 کیلومتر) را برای تقسیم کل منطقه مطالعه به واحدهای فضایی مختلف اتخاذ کردیم [ 19 ] ، 21 ]. در مجموع 1032 سلول شبکه ای در نتیجه ایجاد شد، همانطور که در شکل 1 ب نشان داده شده است. هر سفارش سواری بر اساس مختصات جغرافیایی به یک سلول شبکه اختصاص داده شد. طول سطوح مختلف جاده ها و تعداد انواع مختلف POI در هر سلول شبکه نیز بر اساس جعبه ابزار Intersect در ArcGIS به دست آمد.

3.2. توضیحات متغیر

در این مطالعه، تراکم HRO ها به تعداد HRO های ساعتی تقسیم بر مساحت سلول شبکه اشاره دارد که 1 کیلومتر مربع است . ، اشاره دارد. همانطور که برای هر سلول شبکه در شکل 1 b، می‌توانیم چگالی HROها را برای هر یک ساعت در روز بدست آوریم. تعریف چگالی CROها مشابه است. برای بررسی تفاوت های توزیع فضایی HRO ها و CRO ها در دوره های مختلف، چهار دوره – شب (از ساعت 12:00 صبح تا 6:00 صبح)، صبح (از 6:00 صبح تا 12:00 بعد از ظهر)، بعد از ظهر (از ساعت 12:00: 00 بعد از ظهر تا 5:00 بعد از ظهر) و عصر (از 5:00 بعد از ظهر تا 12:00 صبح) – بر اساس توزیع تقاضا انتخاب شدند (به بخش 5.1 مراجعه کنید ) برای تجزیه و تحلیل تغییرات فضایی دو نوع سفارش.

به منظور بررسی عوامل مؤثر بر تراکم HROs و CROs، برخی از متغیرهای محیط ساخته شده در این مطالعه در نظر گرفته شد، از جمله تراکم جاده اولیه، تراکم جاده ثانویه و تراکم جاده سوم و همچنین تعداد 13 نوع POI. برای بررسی تأثیر شرایط ترافیک جاده بر تراکم سفارش، متغیر نرخ زمان سفر به کار گرفته شد. برای هر سفارش (یا سفر)، نرخ زمان سفر برابر است با زمان سفر تقسیم بر مسافت سفر، که می‌تواند مستقیم‌تر جدیت ازدحام ترافیک را منعکس کند (یعنی هر چه ارزش بیشتر باشد، سفر طولانی‌تر است. زمان در واحد مسافت، و بنابراین هر چه جاده شلوغ تر بود) [ 33]. میانگین نرخ زمان سفر همه سفارش‌ها در طول 1 ساعت برای یک سلول شبکه، میانگین نرخ زمان سفر سلول شبکه بود که برای انعکاس محیط شبکه جاده‌ای این سلول شبکه در این مدت استفاده شد. علاوه بر این، تنوع کاربری زمین در این مطالعه با متغیر تنوع POI اندازه گیری شد. شاخص آنتروپی شانون برای محاسبه سطح ترکیب کاربری زمین توسط انواع مختلف POI استفاده شد [ 38 ، 39 ، 40 ]:

که در آن H مقدار آنتروپی بین 0 و 1 است، P i درصد دسته i POI و n تعداد دسته ها است.

تعداد سفارش روزانه بسیاری از سلول های شبکه در شکل 1 b صفر است. پس از حذف این سلول های شبکه، داده های 404 سلول شبکه در تجزیه و تحلیل زیر استفاده شد. آمار توصیفی متغیرهای فوق در جدول 1 نشان داده شده است.

4. روش

4.1. چند خطی و خودهمبستگی فضایی

چند خطی به موقعیتی اشاره دارد که در آن همبستگی بالایی بین متغیرهای توضیحی وجود دارد. این تخمین مدل را مغرضانه و نادرست نشان می دهد [ 41 ، 42 ]. روش ضریب تورم واریانس ( VIF ) برای تشخیص چند خطی بودن بین متغیرهای توضیحی استفاده می شود [ 43 ، 44 ]. فرمول به شرح زیر است:

که در آن r 2 خوبی برازش مدل است. متغیرهای توضیحی با مقادیر VIF بالاتر از 10 به عنوان متغیرهای چند خطی فرض می شوند و باید از مدل حذف شوند [ 41 ].

خودهمبستگی فضایی به وابستگی مقادیر یک متغیر معین به مقادیر همان متغیر در یک مکان مجاور اشاره دارد. آزمون I موران معمولاً برای آزمون‌های خودهمبستگی فضایی استفاده می‌شود، که می‌تواند تعیین کند که آیا یک متغیر دارای همبستگی مکانی و درجه همبستگی است [ 44 ، 46 ]. 45 ]. محدوده آماره موران I بین ۱- تا ۱+ است. یک مقدار مثبت نشان دهنده تجمع مکانی، یک مقدار منفی نشان دهنده پراکندگی مکانی و یک مقدار نزدیک به صفر نشان دهنده توزیع تصادفی مکانی است. فرضیه صفر آزمون موران I این است که متغیرهای توضیحی از نظر مکانی مستقل هستند، به این معنی که آماره I موران نزدیک به صفر است و آماره آزمون سطح اطمینان را برای رد فرضیه صفر فراهم می کند.

4.2. مدل های رگرسیون

(1)
حداقل مربعات معمولی (OLS)

OLS یک مدل رگرسیون خطی متداول است که روشی برای تخمین ضریب رگرسیون با به حداقل رساندن مجموع مجذورهای باقیمانده است [ 47 ]. مدل به صورت زیر فرموله شده است:

جایی که تراکم ترتیب سلول شبکه i است، نقطه قطع معادله رگرسیون خطی است، ضریب رگرسیون k امین متغیر توضیحی است، k امین متغیر توضیحی سلول شبکه i است و خطای تصادفی است

(2)
رگرسیون وزنی جغرافیایی (GWR)

رویکرد OLS به دلیل نادیده گرفتن تغییرات فضایی داده ها مورد انتقاد قرار گرفته است. GWR برای مقابله با رگرسیون داده‌های مکانی طراحی شده است و اجازه می‌دهد ضرایب در فضاها متفاوت باشند. می توان آن را به عنوان توسعه مدل های OLS با مرتبط کردن متغیرهای توضیحی با مکان های جغرافیایی [ 47 ] مشاهده کرد و فرمول محاسبه به شرح زیر است:

جایی که i نشان دهنده سلول شبکه i است، مختصات جغرافیایی مرکز سلول شبکه i هستند ، تراکم ترتیب سلول شبکه i است، k امین متغیر مستقل است ، عبارت خطای سلول شبکه i است، نشان دهنده رهگیری و ضریب رگرسیون بین تراکم ترتیب و متغیر توضیحی است.

پارامترها به گونه‌ای کالیبره می‌شوند که اگر فاصله بین آنها نزدیک‌تر باشد، مشاهده تأثیر بیشتری بر مکان i ( سلول شبکه i در این مطالعه) خواهد داشت، و درجه این تأثیر را می‌توان توسط تابع هسته ارزیابی کرد. تابع هسته گاوسی رایج به صورت زیر بیان می شود:

جایی که w ij وزن تخصیص یافته بین مرکز دو سلول شبکه را نشان می دهد، d ij نشان دهنده فاصله بین سلول شبکه j و سلول شبکه i است و پارامتر b پهنای باند است که برای حذف مشاهداتی که از آستانه فاصله فراتر می روند استفاده می شود.

با افزایش پهنای باند، مدل GWR به تدریج به مدل OLS کاهش می یابد، در حالی که اگر پهنای باند به 0 برسد، با مشکل بیش از حد برازش مواجه خواهد شد [ 48 ]. با توجه به اینکه سلول های شبکه (بعد از حذف سلول های شبکه با شماره سفارش روزانه 0) در مناطق مرکزی شهر متراکم تر و در مناطق حومه شهر پراکنده تر بودند، در این مطالعه پهنای باند تطبیقی ​​انتخاب شد، یعنی مناطق با تراکم بالا. سلول‌های شبکه ارزش پهنای باند کمتری دارند، در حالی که مناطق با سلول‌های شبکه با چگالی کم ارزش بیشتری دارند. پهنای باند بهینه با یافتن مقدار متناظر که منجر به حداقل معیار اطلاعات Akaike تصحیح شده (AICc) شد، تعیین شد، که برای ارزیابی نتایج مدل و اجتناب از پدیده اضافه برازش استفاده شد.

5. نتایج

5.1. تجزیه و تحلیل ویژگی های مکانی-زمانی

به منظور بررسی ویژگی‌های سفر HROها و CROها در زمان‌های مختلف روز، از داده‌های سفارش از 2 سپتامبر تا 29 سپتامبر برای محاسبه تقاضاهای ساعتی HROs و CROها استفاده شد. همانطور که در شکل 2 و شکل 3 نشان داده شده است ، آنها میانگین تقاضای سفر ساعتی HROها یا CROها را به ترتیب در روزهای هفته و آخر هفته نشان می دهند.
همانطور که در ارقام نشان داده شده است، در روزهای هفته، تقاضای CROها از ساعت 6 صبح تا 9 صبح شاهد افزایش شدید بوده و در ساعات آینده روندی ثابت را دنبال کرده تا ساعت 12 بعد از ظهر، تقاضای CROها قبل از رسیدن به اوج خود در ساعت 6:00 بعد از ظهر، کاهش موقتی را تجربه کردند .]. در مقایسه، تقاضای HROها در صبح قبل از رسیدن به اولین پیک تقاضا در روز در ساعت 2:00 بعد از ظهر به طور پیوسته افزایش یافت. وسایل نقلیه در این زمان بالاتر بود. پس از اینکه تقاضای HRO در ساعت 18:00 به کمترین میزان خود رسید، سپس در ساعت 12:00 صبح به دومین پیک تقاضای روز رسید. مشاهده می شود که تحت تأثیر شرایط جاده، عادات سفر ساکنان و حمل و نقل عمومی، تقاضای HROها در طول یک روز به طور قابل توجهی تغییر کرد. علاوه بر این، تقاضای این دو نوع سفارش شباهت هایی بین روزهای هفته و آخر هفته داشت. اما سطح تقاضای CROها در صبح‌های آخر هفته کمتر بود. دلیل اصلی این امر این است که مردم تمایل دارند قبل از انجام سرگرمی و فعالیت های دیگر در تعطیلات آخر هفته در خانه استراحت کنند و زمان حرکت نسبتاً دیرتر از روزهای هفته است.29 ].
برای بررسی تفاوت‌های توزیع فضایی برای این دو نوع سفارش، این مطالعه چهار دوره (از 6:00 صبح تا 7:00 بعد از ظهر، از 12:00 بعد از ظهر تا 1:00 بعد از ظهر، از ساعت 5:00 بعد از ظهر تا 6 بعد از ظهر را انتخاب کرد. :00 بعد از ظهر، و از 11:00 شب تا 12:00 صبح) برای تجزیه و تحلیل تغییرات فضایی HROها و CROها در روزهای هفته و آخر هفته ( شکل 4 و شکل 5 ).
همانطور که از ارقام مشاهده می شود، تقاضای CROها عمدتاً در منطقه مرکزی شهر توزیع شده است. توزیع فضایی HROها در دوره‌های مختلف نشان‌دهنده ویژگی‌های دینامیکی آن‌ها مانند تشدید، تضعیف و تشدید ثانویه است. در مقایسه، توزیع CROها در دوره‌های مختلف نیز ویژگی‌های خود را از قبیل تشدید، تشدید ثانویه و تضعیف نشان داد. به طور مشخص تر، از ساعت 6 صبح تا 7:00 صبح، تراکم CRO ها کم بود و تراکم تقاضای HRO ها نسبتا کم و به طور مساوی در منطقه مرکزی شهر توزیع شده است. از ساعت 12:00 تا 1:00 بعد از ظهر، تراکم تقاضای HROs به طور قابل توجهی در ناحیه هسته افزایش یافت و پدیده تجمع خاصی را نشان داد. از ساعت 17:00 تا 18:00 تراکم تقاضای CROها به دلیل افزایش تقاضای بازگشت به خانه به اوج خود رسید، در حالی که تراکم تقاضای HROها در منطقه اصلی کاهش یافت. دلیل اصلی این امر این است که در این مدت رقابت بین رانندگان سواری در منطقه مرکزی شدید بود و راندمان عملیاتی به دلیل ازدحام ترافیک پایین بود. از ساعت 11:00 شب تا 12:00 صبح، تراکم HROs در ناحیه هسته روند تشدید ثانویه را نشان داد. شایان ذکر است که تعدادی HRO در حومه شهر، به ویژه در اطراف ایستگاه راه آهن هایکو در منطقه شمال غرب و فرودگاه میلان در منطقه جنوب شرقی توزیع شده است. علاوه بر این، تغییرات فضایی HROها و CROها در روزهای هفته و آخر هفته شباهت هایی داشتند، اما تقاضا در تعطیلات آخر هفته بیشتر از روزهای هفته بود، به خصوص از ساعت 12:00 تا 1:00 بعد از ظهر و از 5:00 بعد از ظهر.

5.2. نتایج مدل

با توجه به اینکه ویژگی های تقاضای HRO ها و CRO ها در روزهای هفته و آخر هفته مشابه بود، اما در زمان های مختلف روز و در مناطق مختلف متفاوت بود، در این بخش عمدتاً بر روی عواملی که بر تراکم این دو راسته و فضای مکانی تأثیر داشتند تمرکز خواهیم کرد. ناهمگونی عوامل تاثیرگذار در چهار دوره در روزهای کاری شب (از ساعت 12 صبح تا 6 صبح)، صبح (از ساعت 6 صبح تا 12 بعد از ظهر)، بعد از ظهر (از ساعت 12 صبح تا 5 بعد از ظهر) بعد از ظهر) و عصر (از ساعت 5:00 تا 12:00 صبح) – با استفاده از مدل های جهانی OLS و GWR محلی.
برای جلوگیری از چند خطی بودن بین متغیرهای مستقل، مقادیر VIF متغیرهای توضیحی توسط مدل‌های OLS محاسبه شد و متغیرهایی با مقادیر VIF بیشتر از 10 از مدل‌ها حذف شدند. نتایج مقادیر VIF متغیرهای توضیحی مهم در جدول A1 ، جدول A2 ، جدول A3 ، جدول A4 ، جدول A5 ، جدول A6 ، جدول A7 و جدول A8 در پیوست A آورده شده است. علاوه بر این، آمار موران I برای تعیین اینکه آیا متغیرهای توضیحی معنی‌دار از نظر فضایی مرتبط هستند یا خیر، انجام شد. جدول 2نتایج آزمون Moran’s I را برای هر متغیر توضیحی نامزد نشان می دهد. مقادیر p همگی کمتر از 05/0 بودند که به این معنی است که متغیرهای توضیحی از نظر مکانی همبستگی خودکار داشتند [ 48 ]. علاوه بر این، مقادیر I موران مثبت بود، به این معنی که توزیع‌های فضایی همه متغیرهای کاندید به احتمال زیاد از نظر فضایی تجمیع می‌شوند. بنابراین، استفاده از مدل‌های GWR برای بررسی تغییرات فضایی چگالی ترتیب مناسب است.
در مورد مدل‌های OLS، ما ضرایب جهانی، نتایج معنی‌داری و مقادیر VIF را ارائه کردیم. برای مدل‌های GWR، ما آمار ضرایب محلی را برای هر متغیر توضیحی، شامل حداقل، حداکثر، میانگین و میانه ضرایب نشان دادیم، همانطور که در جدول A1 ، جدول A2 ، جدول A3 ، جدول A4 ، جدول A5 ، جدول مشاهده می‌شود. A6 , جدول A7 و جدول A8 در ضمیمه A .
با توجه به شاخص‌های عملکرد مدل‌ها، مقادیر AIC، AICc، R2 را نشان دادیم و R2 را تنظیم کردیم . همانطور که در جدول 3 مشاهده می شود ، برای چهار دوره، مدل های GWR همگی از نظر تناسب مدل بهتر از مدل های OLS عمل کردند. با در نظر گرفتن مدل HROs_ Morning به عنوان مثال، مقادیر AIC و AICc مدل GWR (1282.759 و 1288.717) کمتر از مدل OLS (1321.149 و 1322.082) و مقادیر R 2 و R 2 تنظیم شده از GWR بود. (0.877 و 0.863) بیشتر از مدل OLS (0.851 و 0.847) بود. بهبود برازش داده ها نشان دهنده برتری مدل های نهایی است.

6. بحث و گفتگو

برای مشاهده راحت‌تر تفاوت‌های تأثیر متغیرهای مختلف بر تراکم HROs و CROs در طول چهار دوره، جدول 4 نتایج مدل‌های OLS را خلاصه می‌کند (به عنوان مثال، HROs_Morning، CROs_Morning، HROs_Evening، CROs_Evening، HROs_Afternoight، HROs_Afternoight، و CROs_Night).
مشاهده می شود که تراکم جاده اولیه در اکثر دوره ها به جز در شب تأثیر مثبتی بر تراکم CRO ها داشته است. در مقایسه، تراکم جاده ثانویه می تواند به طور قابل توجهی تراکم HRO ها را برای چهار دوره ارتقا دهد. دلیل اصلی این امر این است که تقاضای بیشتری برای سفرهای سواری در نزدیکی جاده‌های اولیه وجود خواهد داشت [ 18 ]، در حالی که محیط جاده نسبتاً خوب جاده‌های فرعی، تراکم تقاضای HRO را افزایش می‌دهد.
همانطور که انتظار می‌رفت، افزایش متوسط ​​نرخ زمان سفر می‌تواند تراکم CROها را برای بیشتر دوره‌ها افزایش دهد، زیرا دوره‌هایی که ازدحام ترافیک رخ می‌دهد معمولاً دوره‌هایی بودند که تقاضا برای سواری-تگرگ بالاترین بود. در مقابل، این متغیر تراکم HRO ها را به ویژه در دوره های صبح و عصر مهار می کند. دلایل این امر به شرح زیر است. با افزایش نرخ زمان سفر، مانند ساعات اوج ترافیک شهری، رانندگان سواری معمولاً زمان بیشتری را نسبت به معمول برای تکمیل سفارش می‌برند که منجر به راندمان عملیاتی پایین می‌شود. در حال حاضر، اگرچه پلت فرم سواری، هزینه‌های شمارش چندباره را اجرا می‌کند و کرایه را بر این اساس در دوره‌های اوج افزایش می‌دهد [ 49 ]]، نتایج مدل حاکی از آن است که افزایش کرایه های سواری به دلیل از دست دادن زمان رانندگان سواری در طول دوره های اوج برای جبران سود عملیاتی عادی رانندگان در این دوره ها کافی نیست.
در مدل‌های OLS، متغیر تنوع POI در سطح معنی‌داری 10 درصد برای اکثر دوره‌ها (به جز در شب) معنی‌دار نبود. این متغیر معمولاً مربوط به سفرهای غیرموتوری بیشتر مانند پیاده روی است و بنابراین از نظر تئوری منطقی است [ 50 ].
برای متغیر POI، تعداد جاذبه های توریستی با تراکم بالاتری از HRO ها، به ویژه در بعد از ظهر و عصر همراه بود. نقاط دیدنی به طور گسترده در کل شهر هایکو، که یک شهر توریستی است، پراکنده شده اند، و تمایل دارند تا حدی تقاضای سفر راید-هیلینگ را افزایش دهند. دوم، تعداد شرکت ها و شرکت ها به طور قابل توجهی از افزایش دو نوع تراکم سفارش در اکثر دوره ها (به جز در شب) جلوگیری می کند. دلیل اصلی این امر این است که شرکت ها و بنگاه ها بیشتر در محدوده مرکز شهر متمرکز هستند و ترافیک بیش از حد در این منطقه باعث کاهش راندمان عملیاتی خودروهای سواری می شود. تعداد تسهیلات خرید به طور قابل توجهی تراکم CRO ها را در بیشتر دوره ها (به جز صبح) افزایش می دهد. تعداد تسهیلات حمل و نقل با تراکم بالاتر HRO و CRO برای چهار دوره مرتبط است. ممکن است تعداد فعالیت‌های انتقال در مجاورت تسهیلات ترافیکی مانند فرودگاه‌ها، ایستگاه‌های راه‌آهن، ایستگاه‌های اتوبوس و غیره زیاد باشد.19 ]. علاوه بر این، تعداد امکانات ورزشی به طور قابل توجهی تراکم HRO ها را افزایش می دهد (به جز در شب). با این حال، تعداد دفاتر دولتی به طور قابل توجهی از تراکم HRO ها برای چهار دوره جلوگیری می کند.
برای مدل‌های GWR HROs و CROs در طول چهار دوره، مقادیر متوسط ​​ضرایب محلی مشابه ضرایب جهانی در مدل‌های OLS از نظر جهت و بزرگی برای آن دسته از متغیرهایی بود که از نظر آماری معنی‌دار بودند، همانطور که در جدول A1 مشاهده می‌شود. , جدول A2 , جدول A3 , جدول A4 , جدول A5 , جدول A6 , جدول A7 و جدول A8 در پیوست A . در ادامه به تحلیل ناهمگونی فضایی اثرات چند متغیر مهم می پردازیم.
شکل 6 توزیع فضایی تخمین ضریب را برای تراکم جاده های ثانویه در طول چهار دوره در مدل های GWR نشان می دهد. می توان مشاهده کرد که برآوردها به طور مداوم در سراسر منطقه مثبت بودند، که نشان می دهد تراکم جاده های ثانویه بالاتر با تراکم بالاتر HRO ها مرتبط است. این اثر مثبت در نزدیکی منطقه مرکزی و فرودگاه میلان در منطقه جنوب شرقی مشهودتر بود. علاوه بر این، در شب تأثیر مثبت این متغیر بر تراکم HROها در منطقه نزدیک فرودگاه میلان بیشترین میزان را داشت. این به تقاضای بالای سفر در نزدیکی این منطقه در این دوره مربوط می شود.
شکل 7توزیع فضایی برآورد ضرایب را برای میانگین نرخ زمان سفر در دوره‌های صبح و عصر در مدل‌های GWR نشان می‌دهد. مشاهده می شود که تخمین ضرایب به طور مداوم در صبح و عصر در سراسر منطقه مورد مطالعه برای CRO مثبت بود، و این عمدتا به این دلیل بود که هر چه منطقه شلوغ تر باشد، تقاضا برای خدمات سواری-تگرگ بیشتر می شد. علاوه بر این، برای CROها، برآورد ضریب در صبح در ناحیه پیرامونی بالاتر بود، در حالی که برآورد در عصر در ناحیه هسته بیشتر بود. این ممکن است به جهت جریان رفت و آمد ساکنان مربوط باشد. برای HROs، اکثر برآوردهای ضریب در منطقه مورد مطالعه در صبح منفی بود، به جز مناطق معدودی در جنوب غربی. در شب، برآورد ضرایب در اکثر مناطق مثبت بود.
شکل 8 توزیع فضایی برآورد ضرایب برای تسهیلات حمل و نقل را طی چهار دوره در مدل های GWR نشان می دهد. مشاهده می‌شود که تخمین‌های ضرایب به طور مداوم در سراسر منطقه مورد مطالعه در طول چهار دوره برای هر دو HRO و CRO مثبت بودند، که به این معنی است که تعداد بیشتری از تسهیلات حمل‌ونقل با تراکم سفارش بالاتر همبستگی دارد. علاوه بر این، می توان دریافت که برای HRO ها، برآوردهای ضریب قوی ترین تأثیر را در منطقه نزدیک فرودگاه میلان داشتند، در حالی که برای CROs، برآورد ضرایب بیشترین تأثیر را در ناحیه هسته داشتند.
شکل 9 توزیع فضایی برآورد ضرایب برای جاذبه های گردشگری را در مدل های GWR نشان می دهد. این متغیر تخمین‌های ترکیبی ارائه می‌دهد که نشان می‌دهد تأثیر جاذبه‌های گردشگری بر HROها ناهمگونی قابل‌توجهی در مناطق مختلف دارد. در صبح و بعدازظهر تأثیر این متغیر در منطقه شمال غرب و منطقه نزدیک فرودگاه میلان مثبت و در عصر تأثیر این متغیر در اکثر مناطق مثبت بود.

7. نتیجه گیری

این مطالعه با استفاده از داده‌های سفارش Didi Chuxing که با متغیرهای مختلف محیط ساخته شده ادغام شده است، تغییرات مکانی-زمانی HROs و CROs را برای خدمات سواری-تگرگ در هایکو، چین بررسی کرد. مدل‌های OLS و GWR برای بررسی عواملی که بر تراکم HROs و CROs در دوره‌های زمانی مختلف مانند صبح، عصر، بعدازظهر و شب تأثیر می‌گذارند، ایجاد شدند. مدل‌های OLS نشان می‌دهند که عواملی مانند تراکم جاده، میانگین نرخ زمان سفر، شرکت‌ها و شرکت‌ها و تسهیلات حمل‌ونقل تأثیر قابل‌توجهی بر HROs و CROها برای اکثر دوره‌ها داشته‌اند. نتایج مدل‌های GWR با نتایج رگرسیون جهانی سازگار بود و اطلاعات دقیقی در مورد تغییرات فضایی تأثیر محیط ساخته‌شده ارائه کرد.
نتایج مهم به شرح زیر است. تراکم جاده اولیه با تراکم CROها برای اکثر دوره ها ارتباط مثبت داشت، در حالی که تراکم جاده ثانویه می تواند به طور قابل توجهی تراکم HRO ها را برای چهار دوره افزایش دهد و این اثر مثبت در نزدیکی منطقه مرکزی و فرودگاه میلان مشهودتر بود. افزایش میانگین نرخ زمان سفر می‌تواند تراکم CROها را برای بیشتر دوره‌ها افزایش دهد، و این اثر مثبت در ناحیه محیطی در صبح بیشتر بود، در حالی که این اثر در ناحیه مرکزی در عصر بیشتر بود، که می‌توان به این صورت توضیح داد. جهت جریان رفت و آمد ساکنان. در مقابل، این متغیر با تراکم HROs، به ویژه در دوره صبح، ارتباط منفی داشت. علاوه بر این،
مقاله فعلی بدون محدودیت نیست. برای پر کردن شکاف های زیر به تحقیقات بیشتری نیاز است. ابتدا، داده های سفارش خدمات سواری-تگرگ برای تجزیه و تحلیل ویژگی های سفر HRO ها استفاده شد. تحقیقات آینده می تواند این موضوع را همراه با داده های مسیر GPS بیشتر بررسی کند. دوم، این مطالعه ساختار سلول شبکه ای (1 کیلومتر × 1 کیلومتر) را برای تقسیم منطقه مورد مطالعه به واحدهای فضایی مختلف برای جمع کردن رکوردهای سفارش در فضا اتخاذ کرد. در آینده می‌توانیم از مناطق تحلیل ترافیک (که معمولاً بر اساس شبکه راه‌ها، عوامل اجتماعی-اقتصادی، تقسیمات اداری و موانع طبیعی مانند راه‌آهن و رودخانه ساخته می‌شوند) برای تجمیع استفاده کنیم. سوم، این مطالعه برخی از عوامل فضایی را که بر تراکم تقاضا تأثیر می‌گذارند، در نظر گرفت. تأثیر عوامل دیگر مانند اهداف سفر و تعادل شغلی- مسکن نیز قابل بررسی است. در نهایت، رگرسیون وزن‌دار جغرافیایی چند مقیاسی (MGWR) را می‌توان برای بررسی مفاهیم و تفسیر مقیاس‌های فضایی عوامل مؤثر بر HROs و CROها استفاده کرد.51 ].

منابع

  1. شاهین، س. کوهن، ای. خدمات سواری مشترک در آمریکای شمالی: تعاریف، تأثیرات، و آینده ادغام. ترانسپ Rev. 2019 , 39 , 427–442. [ Google Scholar ] [ CrossRef ]
  2. یانگ، اچ. لیانگ، ی. یانگ، ال. عادلانه؟ بررسی زمان انتظار سواری و عوامل تعیین کننده آن. ترانسپ Res. قسمت D Transp. محیط زیست 2021 ، 93 ، 102774. [ Google Scholar ] [ CrossRef ]
  3. شاهین، س. کوهن، AP; برودر، ج. دیویس، آر. براون، ال. Neelakantan، R. Gopalakrishna، D. Mobility on Demand Planning and Implementation: Current Practices, Innovations, and Emerging Mobility Futures. در دسترس آنلاین: https://rosap.ntl.bts.gov/view/dot/5055 (در 1 مارس 2020 قابل دسترسی است).
  4. عسگری، ح. جین، ایکس. ترکیب رفتار معمولی در مدل‌سازی انتخاب حالت در پرتو خدمات حرکتی در حال ظهور. حفظ کنید. جامعه شهرها 2020 ، 52 ، 101735. [ Google Scholar ] [ CrossRef ]
  5. وانگ، اچ. یانگ، اچ. سیستم های منبع یابی: یک چارچوب و بررسی. ترانسپ Res. روش قسمت B. 2019 ، 129 ، 122-155. [ Google Scholar ] [ CrossRef ]
  6. دو، م. چنگ، ال. لی، ایکس. یانگ، جی. پذیرش سواری برقی تحت سیاست جدید در شنژن، چین: عوامل تأثیرگذار از دیدگاه راننده. حفظ کنید. جامعه شهرها 2020 , 61 , 102307. [ Google Scholar ] [ CrossRef ]
  7. سوئی، ی. ژانگ، اچ. آهنگ، X. شائو، اف. یو، ایکس. شیباساکی، آر. سان، آر. یوان، م. وانگ، سی. داده‌های جی‌پی‌اس لی، اس. در سواری آنلاین شهری: تحلیل مقایسه‌ای در مصرف سوخت و انتشار جی. پاک. تولید 2019 ، 227 ، 495-505. [ Google Scholar ] [ CrossRef ]
  8. چن، جی. لی، دبلیو. ژانگ، اچ. کای، ز. سوئی، ی. لانگ، ی. آهنگ، X. Shibasaki، R. داده های GPS در سواری آنلاین شهری: یک روش شبیه سازی برای ارزیابی تأثیر مقیاس کاربر بر عملکرد انتشار سیستم. جی. پاک. تولید 2021 ، 287 ، 125567. [ Google Scholar ] [ CrossRef ]
  9. لی، ایکس. ژانگ، ی. دو، م. یانگ، جی. پیش‌بینی تقاضای مسافر تحت حالت‌های خدمات اشتراک سواری هیبریدی: یک مدل ترکیبی بر اساس WT-FCBF-LSTM. حفظ کنید. جامعه شهرها 2020 , 62 , 102419. [ Google Scholar ] [ CrossRef ]
  10. دو، م. چنگ، ال. لی، ایکس. Xiong, J. تجزیه و تحلیل پذیرش اشتراک گذاری الکتریکی توسط رانندگان با و بدون اقامت دائم ثبت شده محلی. جی. پاک. تولید 2020 ، 265 ، 121868. [ Google Scholar ] [ CrossRef ]
  11. کرامر، جی. کروگر، AB تغییر مخرب در تجارت تاکسی: مورد اوبر. صبح. اقتصاد Rev. 2016 , 106 , 177-182. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. لی، ی. لو، جی. ژانگ، ال. ژائو، ی. پیش‌بینی تقاضای سفارش برنامه تلفن همراه رزرو تاکسی بر اساس پیش‌بینی ترافیک کوتاه‌مدت. ترانسپ Res. ضبط 2017 ، 2634 ، 57-68. [ Google Scholar ] [ CrossRef ]
  13. وایات، اچ. اوبر تخمینگر. در دسترس آنلاین: https://uberestimator.com/cities (در 18 اوت 2020 قابل دسترسی است).
  14. لیفت. گزارش اثرات اقتصادی 2020. در دسترس آنلاین: https://www.lyftimpact.com (در 18 اوت 2020 قابل دسترسی است).
  15. Chuxing، D. گزارش شهروندی شرکتی. در دسترس آنلاین: https://www.didiglobal.com/about-didi/responsibility (در 18 اوت 2020 قابل دسترسی است).
  16. لیو، ال. آندریس، سی. راتی، سی. کشف الگوهای رفتاری تاکسیران از ردپای دیجیتالی آنها. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 541-548. [ Google Scholar ] [ CrossRef ]
  17. چان، ND; شاهین، SA Ridesharing در آمریکای شمالی: گذشته، حال و آینده. ترانسپ Rev. 2012 , 32 , 93-112. [ Google Scholar ] [ CrossRef ]
  18. یو، اچ. پنگ، Z.-R. بررسی تنوع فضایی تقاضای منابع سواری و رابطه آن با محیط ساخته شده و عوامل اجتماعی-اقتصادی با رگرسیون پواسون وزن‌دار جغرافیایی. J. Transp. Geogr. 2019 ، 75 ، 147-163. [ Google Scholar ] [ CrossRef ]
  19. ژانگ، بی. چن، اس. ممکن است.؛ لی، تی. تانگ، ک. تجزیه و تحلیل تحرک شهری مکانی-زمانی بر اساس داده‌های آنلاین خودرو-تگرگ. J. Transp. Geogr. 2020 , 82 , 102568. [ Google Scholar ] [ CrossRef ]
  20. سان، اف. ژانگ، ایکس. تانگ، ال. لیو، ز. یانگ، ایکس. دونگ، ک. توزیع زمانی و مکانی مسافران با راندمان بالا بر اساس داده های بزرگ مسیر GPS. J. Geo-Inf. علمی 2015 ، 5 ، 93-101. [ Google Scholar ]
  21. که، جی. ژنگ، اچ. یانگ، اچ. چن، XM پیش‌بینی کوتاه‌مدت تقاضای مسافر تحت خدمات سواری بر حسب تقاضا: رویکرد یادگیری عمیق مکانی-زمانی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 85 ، 591-608. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. هال، JV; کروگر، AB تحلیلی از بازار کار برای شرکای راننده اوبر در ایالات متحده. Ilr Rev. 2018 , 71 , 705–732. [ Google Scholar ] [ CrossRef ]
  23. چن، MK; روسی، پی. شوالیه، جی. Oehlsen, E. ارزش کار انعطاف پذیر: شواهد از رانندگان uber. ج. اقتصاد سیاسی. 2019 ، 127 ، 2735–2794. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. سان، دی جی; ژانگ، ک. شن، اس. تجزیه و تحلیل انتشارات منبع خط ترافیک فضایی-زمانی بر اساس داده‌های خدمات آنلاین خودرو-هیلینگ عظیم دیدی. ترانسپ Res. قسمت D Transp. محیط زیست 2018 ، 62 ، 699-714. [ Google Scholar ] [ CrossRef ]
  25. رایل، ال. دای، دی. چان، ن. سرورو، آر. شاهین، س. فقط تاکسی بهتر؟ مقایسه ای مبتنی بر نظرسنجی از تاکسی ها، حمل و نقل و خدمات سواری در سانفرانسیسکو. ترانسپ سیاست 2016 ، 45 ، 168-178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. نه، YM چگونه صنعت تاکسی می تواند از جزر و مد منابع سواری جان سالم به در ببرد؟ شواهد از شنژن، چین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 79 ، 242-256. [ Google Scholar ] [ CrossRef ]
  27. دیاس، FF; Lavieri، PS; گاریکاپاتی، VM; آسترزا، اس. پندیالا، RM; Bhat, CR یک مدل انتخاب رفتاری برای استفاده از خدمات اشتراک‌گذاری خودرو و سواری. حمل و نقل 2017 ، 44 ، 1307–1323. [ Google Scholar ] [ CrossRef ]
  28. ژانگ، ی. Zhang، Y. بررسی رابطه بین مالکیت وسیله نقلیه خانگی و رفتارهای اشتراکی سواری در ایالات متحده. Sustainability 2018 , 10 , 2720. [ Google Scholar ] [ CrossRef ][ Green Version ]
  29. دو، م. چنگ، ال. لی، ایکس. یانگ، جی. بررسی عوامل تاثیرگذار رفتار سفر مشترک: مقایسه بین سرویس سوم تاکسی مبتنی بر برنامه و اشتراک دوچرخه شناور رایگان در نانجینگ، چین. پایداری 2019 ، 11 ، 4318. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. لی، BH; اولتمن هال، ال. کوگان، ام. Adler, T. Rideshare mode mode در مناطق غیر کلانشهری شمال شرقی ایالات متحده. J. Transp. کاربری زمین 2016 ، 9 ، 111-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. نیلسن، جی آر. هومولر، اچ. بلیت، پی.-ال. Sovacool، BK از “کلاغ های سفید” و “صرفه جویی در پول نقد:” یک مطالعه کیفی از رفتار سفر و ادراکات سوارکاری در دانمارک. ترانسپ Res. بخش A سیاست سیاست. 2015 ، 78 ، 113-123. [ Google Scholar ] [ CrossRef ]
  32. سان، دی جی; دینگ، X. تکامل فضایی و زمانی بازارهای سواری تحت سیاست محدودیت جدید: مطالعه موردی در شانگهای. ترانسپ Res. بخش A سیاست سیاست. 2019 ، 130 ، 227-239. [ Google Scholar ] [ CrossRef ]
  33. چن، XM; ظهیری، م. ژانگ، اس. درک رفتار تقسیم سواری خدمات سواری بر اساس تقاضا: رویکرد یادگیری گروهی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 76 ، 51-70. [ Google Scholar ] [ CrossRef ]
  34. دولت شهرداری هایکو بیانیه آماری توسعه ملی اقتصادی و اجتماعی در هایکو در سال 2018 ; دولت شهری هایکو: هایکو، چین، 2019. [ Google Scholar ]
  35. روزانه هاینان. صنعت تاکسی هاینان آغازگر “برخورد سه جانبه” خواهد بود. 2016. موجود آنلاین: https://m.sohu.com/a/112699585_162698 (در 30 آگوست 2016 قابل دسترسی است).
  36. بوئینگ، G. OSMnx: روش‌های جدید برای دستیابی، ساخت، تجزیه و تحلیل و تجسم شبکه‌های خیابانی پیچیده. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 126-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. لو، ایکس. جیانگ، ی. شناسایی هدف سفر بر اساس داده‌های عملیات تاکسی و داده‌های POI. J. Transp. سیستم مهندس Inf. تکنولوژی 2018 ، 18 ، 60-66. [ Google Scholar ]
  38. شانون، سی تئوری ریاضی ارتباطات. بل سیست. فنی J. 1948 , 27 , 379-423. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. شن، ی. ژانگ، ایکس. ژائو، جی. درک استفاده از اشتراک دوچرخه بدون اسکله در سنگاپور. بین المللی J. Sustain. ترانسپ 2018 ، 12 ، 686-700. [ Google Scholar ] [ CrossRef ]
  40. ژائو، پی. لی، پی. نابرابری رضایت از سفر و نقش سیستم متروی شهری. ترانسپ سیاست 2019 ، 79 ، 66-81. [ Google Scholar ] [ CrossRef ]
  41. پان، ی. چن، اس. نیو، س. ممکن است.؛ Tang, K. بررسی تأثیرات محیط ساخته شده بر وضعیت های ترافیکی که ناهمگونی فضایی را در بر می گیرد. J. Transp. Geogr. 2020 , 83 , 102663. [ Google Scholar ] [ CrossRef ]
  42. وانگ، سی.-اچ. چن، ن. یک رویکرد رگرسیون وزن‌دار جغرافیایی برای بررسی اثرات محیط ساخته‌شده از نظر فضایی بر فرصت‌های جامعه. J. Transp. Geogr. 2017 ، 62 ، 136-147. [ Google Scholar ] [ CrossRef ]
  43. جی، ی. ما، ایکس. یانگ، م. جین، ی. گائو، ال. بررسی تأثیرات متغیر فضایی بر انتقال اشتراک دوچرخه مترو: یک رویکرد رگرسیون پواسون وزن‌دار جغرافیایی. پایداری 2018 ، 10 ، 1526. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  44. یانگ، اچ. لو، ایکس. گیلاس، سی. لیو، ایکس. Li، Y. تغییرات فضایی در حجم سفر حالت فعال در تقاطع ها: تجزیه و تحلیل محلی با استفاده از رگرسیون وزنی جغرافیایی. J. Transp. Geogr. 2017 ، 64 ، 184-194. [ Google Scholar ] [ CrossRef ]
  45. واندنبولکه، جی. دوژاردین، سی. توماس، آی. دی گئوس، بی. دگراو، بی. میوزن، آر. Panis، LI چرخه رفت و آمد در بلژیک: عوامل تعیین کننده فضایی و استراتژی های “دوچرخه مجدد”. ترانسپ Res. بخش A سیاست سیاست. 2011 ، 45 ، 118-137. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. موران، PA یادداشت هایی در مورد پدیده های تصادفی پیوسته. Biometrika 1950 ، 37 ، 17-23. [ Google Scholar ] [ CrossRef ]
  47. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  48. کیان، ایکس. Ukkusuri، SV تغییرات فضایی تاکسی سواری شهری با استفاده از داده های GPS. Appl. Geogr. 2015 ، 59 ، 31-42. [ Google Scholar ] [ CrossRef ]
  49. ژیوتانیون. دیدی Chuxing هزینه های شمارش چند زمانه را در چونگ کینگ، چین اجرا خواهد کرد. در دسترس آنلاین: https://www.xiutanyun.com/news/content/2595.html (در 26 مه 2017 قابل دسترسی است).
  50. وانگ، اس. نولاند، RB تنوع در سفرهای سواری در چنگدو، چین. ترانسپ Res. قسمت D Transp. محیط زیست 2021 ، 90 ، 102596. [ Google Scholar ] [ CrossRef ]
  51. Fotheringham، AS; یانگ، دبلیو. کانگ، دبلیو. رگرسیون جغرافیایی وزن دار چند مقیاسی (MGWR). ان صبح. دانشیار Geogr. 2017 ، 107 ، 1247-1265. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00042 g001 550
شکل 1. منطقه مورد مطالعه ( a ) و سلول های شبکه ( b ).
Ijgi 11 00042 g002 550
شکل 2. تقاضای متوسط ​​ساعتی سفر HROها و CROها (روزهای هفته).
Ijgi 11 00042 g003 550
شکل 3. تقاضای متوسط ​​ساعتی سفر HROها و CROها (آخر هفته).
Ijgi 11 00042 g004 550
شکل 4. توزیع HROs ( a ) و CROs ( b ) در روزهای هفته.
Ijgi 11 00042 g005 550
شکل 5. توزیع HROs ( a ) و CROs ( b ) در تعطیلات آخر هفته.
Ijgi 11 00042 g006 550
شکل 6. برآورد ضرایب تراکم جاده های فرعی.
Ijgi 11 00042 g007 550
شکل 7. برآورد ضریب میانگین نرخ زمان سفر.
Ijgi 11 00042 g008 550
شکل 8. برآورد ضریب تسهیلات حمل و نقل.
Ijgi 11 00042 g009 550
شکل 9. برآورد ضریب جاذبه های گردشگری.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید