文摘
当地交通客流的变化可能会导致一个空间溢出效应在区域和影响其他地区的交通模式。确定受灾地区和交通模式,本研究发展一个增强空间向量自回归模型(SpVAR)调查关系在公共交通系统的突发大客流的影响。该模型捕获分离地区的互动关系在不同的交通模式。三个代表通勤在北京地区,即中关村,国贸,回龙观,受聘为实证研究。结果证实在通勤空间溢出效应的存在区域和揭示异构多模式交通系统对区域的影响有不同的距离。
1。介绍
近年来,交通基础设施已经显著提高在中国加强之间的转移能力不同的交通模式。因此,某些类型的客流量的变化在一个特定的运输模式在某些领域或地区极有可能影响到其他运输模式无关的其他地区。这种现象被称为空间溢出效应,这可能揭示一些空间传导法律多模式交通系统。更好的理解空间溢出效应在多模式交通网络可以帮助我们预测一些意想不到的事件,进一步计划必要的对策。
为此,许多学者努力探索可能导致空间溢出效应的因素之一。研究结果表明,多通道交通流之间的相互作用(客流)是一个主要因素1- - - - - -7]。然后,各种统计模型,特别是回归模型,开发更好的观察和捕捉这些交互。
虽然提出了一些增强的空间计量经济学模型来反映空间和时间特性,它们通常只能分析单一的内生变量的情况下,缺乏足够的能力调查multiendogenous变量之间的相关性。这样限制了这些增强的VAR模型分析的能力失去空间溢出的现象。为了解决这个问题,康利和Dupor [8和该处9)进一步提高空间VAR模型的框架下再次捕捉空间溢出效应考虑时间和空间相关性,后来有助于发展空间向量自回归(SpVAR)模型。因此发达SpVAR模型能够捕捉的实际影响区域因素和反映了区域空间关系(10- - - - - -12]。虽然各种类型的SpVAR模型已经发展近年来,空间计量经济学在交通领域的应用是有限的,特别是研究客流模式在多模式交通系统因为所有现有SpVAR模型缺乏交通元素,所以他们不能反映区际交通空间距离上的变化的影响。邓(13)建立了一个空间向量自回归(VAR)模型预测交通流在一个模拟系统。陈等人。14)构建SpVAR对体积和速度预测模型在典型分析时期通过考虑不同组合的上游和下游的影响。然而,有一个研究使用SpVAR差距模型来研究多模式交通系统中交通流模式。
填补这个空白,本研究提出了一个提高SpVAR模型来更好地理解不同类型的乘客流之间的关系在多模式交通系统,专门探讨多模式交通系统的空间溢出效应。详细,权重矩阵包括线性空间因素首先是嵌入式的在多个空间时间序列变量之间相互依赖。此外,另一个新特性,脉冲响应,也包括设计和生成时区际客流变化的动态响应的客流在其他地区和其他模式。结果,增强SpVAR模型与空间和地理属性分配解决区际和时间相关性的多通道客流运输系统。此外,该模型可以发现多变量之间的交互和探索空间相关性不同的交通模式的多通道网络。具体地说,该模型可以捕捉每个模式的响应在一个特定地区的其他地区的其他模式的变化。总结,改进后的模型与脉冲响应分配以下功能:(1)它还可以测量当前值和预测客流量在其他地区单位客流脉冲生成在一个特定区域。(2)它能够检测到多变量的交互和溢出效应在不同地区在特定的交通客流的变化模式。
剩下的纸是组织如下。部分2描述数据的结构和格式。部分3介绍SpVAR的结构模型,包括识别参数和空间权重,脉冲响应的解决方案和应用程序交互的客流。部分4提出了三个代表流量分析区域(小胡子)在北京选择使用公交车下车的日均客流体积,每15分钟地铁寄宿,降落。
2。数据源
为了更好的分析多通道交通需求的空间溢出效应,探讨了地区内的巴士和地铁流和区际交互使用真正的集成电路卡(IC卡)数据在北京。
北京是中国的首都和大城市的人口超过2171万。
图1显示北京分为1911小胡子根据社会经济数据和同质性和统一性的原则;红色的矩形代表了研究区。
本文提出了改进SpVAR模型使用time-panel客流数据在北京。本研究主要探讨客流的区际溢出效应所选地区的公共汽车和地铁。北京的公共交通系统,旅客必须开发和利用他们的智能卡在登机和降落过程中,因此地铁寄宿体积,体积地铁下车,和巴士下车体积得到的自动售检票(AFC)安装在地铁站和巴士。该模型变量是地铁寄宿体积,体积地铁下车,和巴士下车在每个小胡子体积每15分钟。兴趣点(POI)数据也收集量化交通吸引每一个小胡子。典型的POI信息可以分为土地利用和交通。在土地使用类别,居住建筑的密度,就业、酒店、服务设施、景点,和商业机构,而在交通范畴,汽车站密度,地铁站密度,在每个小胡子和道路密度计算。
为特定的研究对象,我们选择三个典型和代表在北京小胡子。设置这些小胡子包括类似的人口普查的标准块的信息(例如,家庭和就业密度)在每一个小胡子。这些区域是使用图中的红色框标记1,包括周边地区中关村(以下简称动作),国贸(以下简称通用),和回龙观(以下简称回龙观)(图2)。和回龙观动作之间的直线距离是16公里,通用和回龙观是21公里,和网络之间的距离和回龙观以及动作回龙观和通用19公里和32公里,分别。
通用汽车和动作是商业办公中心和北京的早晨通勤目的地。回龙观最大的住宅中心之一,在北京早高峰通勤者的起源。三个区域之间的交通构成了主要通勤流在北京。
3所示。模型
3.1。空间向量自回归模型
本研究改善SpVAR模型将空间和时间维度以及spatial-related通过添加空间权重矩阵和干扰脉冲响应函数。
SpVAR模型介绍了空间维度SVAR模型的参数,既能够捕捉时空动态的多通道旅客流。然而,SpVAR模型的空间权重通常依赖于距离,这可能不适用模型之间的区际脉冲效应多范围的运输要求(15]。
该模型包含了N地区和K变量,每个变量的结构模型在每个区域显示如下: 在哪里是指旅游需求的模式在地区和代表三个变量,即地铁寄宿、地铁下车,分别和巴士下车流 。交通区域或区域贴上 ,和时间是贴上 。 代表了空间权重矩阵与客流,和表示交通区域特定的影响。区域特定效应指的是独特的效应取决于每个地区的某些特定的功能。在这项研究中,交通区域特定的影响可能与交通设施的数量,网络的结构,等等。每个地区的每个变量,都有一个特定的值。模型的参数包括时滞系数 ,空间滞后系数 ,和空间滞后系数随着时间的滞后 。时间间隔的值代表变量时间序列从当前时间延迟,和空间滞后表明一个变量的值在不同的空间与变量之间的关系。每个变量在每个区域被认为是由交互生成的四个指标,即固定效果 ,每个变量的滞后值 ,空间滞后每个变量的值 ,和时间滞后值包含每个变量的空间滞后 。Spatial-related误差项存在的情况下 。我们进行了一系列的转换产生一个相对容易的解决方案(2)。细节没有显示由于长度的限制。 在哪里的系数矩阵特征SpVAR的同期相关模型。 包含了系数矩阵与空间结构,可以表示如下:
扩大收益率(8),是时间延迟订单,系数矩阵,空间滞后订单吗表示变量的影响程度在变量在订单时间延迟和订单时间滞后和表示程度的影响变量的变量时间差。
完整信息采用最大似然(FIML)方法来估计未知参数。此法适用于整个系统参数,在一定程度上,可以处理所有的参数和方差在同一时间。如果我们能建立准确的似然函数,然后FIML可以估算所有结构参数通过求解联立方程模型的似然函数的基于样本观察。电影可以被证明是渐近正态估计,无偏如果足够的限制强加给参数。
模型的系数没有一个明确的交通的意义。因此,脉冲响应需要深入分析。通常,估计SpVAR模型主要分析跨区域的传播效果变量通过计算脉冲响应。脉冲响应是指对每个解释变量的影响当解释变量产生的随机扰动项的标准差冲击而其他干扰保持不变。使用脉冲响应测量的当前值在某些区域客流量。它也用来预测客流量的价值在其他地区单位客流脉冲生成在一个特定的区域,让我们来分析区域交通模式之间的相互作用的程度和动态平衡特征。SpVAR模型的研究中,脉冲响应的影响主要是指交通流的客流交通模式在一定面积以下条件:(1)区域影响的发生模式的影响;(2)其他运输模式有效面积的影响;(3)影响模式在其他领域;(4)其他模式在其他领域。
SpVAR的脉冲响应模型包括通用动态效应在传统VAR模型和变量的溢出效应造成的旅游空间特征。在这种情况下,溢出效应是由空间滞后引起的结构和空间自回归模型中的结构。当溢出效应是正的,它表明响应刺激效应和溢出效应是负的,说明反应的抑制作用。
3.2。空间重
在该模型中,每个模式被认为是与其他模式在每个研究交通区。阮等人指出,城市道路交通系统是一个的事,直接加权网络(16,17]。SpVAR模型的自回归系数假设不同位置,从而使空间异构动力学模型。空间重添加到SpVAR模型提高SVAR模型。区域综合溢出效应价值可以分解为每个区域的空间权重矩阵 。在这项研究中,空间的重量 表示程度的影响区域交通模式在区域交通模式 。随着时间的推移我们空间权重设置为固定。在传统的空间VAR模型,设置权重矩阵表达式(9),表示区域之间的距离和 。研究人员倾向于表达通过计算两个地理中心点之间的距离。和代表地区的空间尺度效应和地区 ,分别。上面的空间规模效应是指每个区域的具体效应值和与一些特定的空间,建筑,该地区的经济,和其他因素。在这方面,我们改善区域规模效应功能,通过融合模型中客流的特点。
交通系统的性能与一般分布的土地。土地利用极大地影响公共交通集合的程度和分布,这是最重要的因素,决定了吸引的客流18,19]。因此,我们的目标是全面描述区域公共收藏的数量和分布的函数POIs的数量在每个区域都是一个独立的变量。然后我们适合POIs的数量与实际公交和地铁客流通过逻辑回归函数如下: 在哪里是一个向量的六个变量和代表POIs的数量在每个区域归一化到0 - 1。POI数据用于本文主要包括住宅、酒店、娱乐、服务、业务和旅游设施。代表POIs的权重。的价值变化不是线性增加但显示了一个光滑的改变。时的值相对比较大或小,慢慢改变,符合本研究的实际情况。
4所示。实证分析
4.1。平稳性检验
应用的主要步骤SpVAR技术正在进行单位根检验,检查每个变量的平稳性属性。如果变量是不稳定的,序列需要差异化,这可能会导致损失的原始信息。作为构建动态回归模型的基本准则,然后采用协整检验来验证随机非平稳的系列和long-equilibrium之间关系的线性组合。
实现单位根测试,增强Dicky-Fuller (ADF)测试是激活“变量有单位根的零假设。ADF检验后,Engle-Granger进一步测试是用来检验协整变量的属性。结果表明,残余项时间序列是稳定的t统计数据是重要的为1%。因此,变量的时间序列符合0-order协整关系,满足实现SpVAR技术的基本要求。
4.2。回归
我们开发SpVAR模型分析地铁寄宿和降落体积以及巴士下车体积三个选择交通区。
许多不同类型的POIs用于获取空间权重参数,POIs能够代表如交通量的影响因素。不同类型的POI的数量,具体包括住宅、酒店、娱乐、服务、业务和旅游设施,在小胡子聚合。
4.3。脉冲响应分析
本节分析了SpVAR模型的脉冲响应分析动作的运输体积,通用,回龙观。脉冲函数说明了直接和间接的影响反应的客流量的变化冲击涉及交通模式在研究地区。具体来说,积极回应牵连了休克现象会导致交通模式的影响,增加客流量和响应的值等于增加了乘客的数量。这样的客流量增加可能是由于显著正相关的两个涉及区域之间的旅游模式,在增加一个地区将很容易导致记者上升到另一个。在这样的情况下,生成的结论是重要的参考交通运营商提前采取有效措施防止意外事件,例如,运输供应短缺,进一步维护交通系统效率。相反,一个负脉冲响应表明,受影响地区的客流量将会降低在连接地区由于出现休克。这种减少可能导致从交通系统效率骤降,模式转变,或者重路由行为引起的突然崛起研究区域的交通拥堵。在这种情况下,管理者能够动态调整交通供给或分配更多的资源为缓解瓶颈问题。
4.3.1。实证结果的脉冲响应区域内交通模式的早上高峰时间
脉冲响应的影响在地区内的交通系统分析在这一节中。在图3,x设在是时间戳y设在脉冲响应。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
图3显示响应的交通模式,包括地铁登机/降落,当地铁和巴士下车卷寄宿体积有着积极的冲击在7:00在相关地区。图3显示,当地铁寄宿体积产生大量客流在早上高峰时间,地区内的地铁降落的影响体积和巴士下车体积并不重要,不会造成重大波动。地铁寄宿的反应体积,脉冲响应的动作和通用汽车相似,而在回龙观略有不同。这一发现可能由于原因,首先两个地区都是商业区,而回龙观是居民区。地铁寄宿体积波动y设在早上,小峰13:00在回龙观中午可能是因为大量的上班族在居民区早上乘坐地铁上班,有些乘客会回家放松,然后在中午去上班。在商业区,出现休克在早上高峰地铁寄宿体积不影响任何其他模式,将逐渐消失。
4.3.2。实证结果的脉冲响应区域内交通模式的晚上高峰时间
图4显示区域内的交通系统的响应时,地铁寄宿卷反映了积极单位冲击在17:00。的反应类似于晚高峰时段,早晨的高峰高峰期。相比地铁寄宿体积,在回龙观地铁下车的反应体积相对较大。脉冲响应是正开始前半个小时,然后图5介绍了MA的区际脉冲响应,MB,英航MB在早上高峰时间建议地铁寄宿体积的空间溢出效应在每个地区。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(我)
(一)
(b)
(c)
(d)
(e)
(f)
图5显示了SpVAR交通系统的脉冲响应动作和通用汽车在回龙观地铁寄宿流7:00。
数据5(一)和5(d)表明,在回龙观地铁寄宿体积的正面冲击将对地铁寄宿体积产生积极的影响在两个地区,和体积达到最高的点,2.12和1.44,分别在8:00和8:15日。
4.3.3。实证结果的脉冲响应区际侯早高峰交通模式r
马的响应MB,数字5(b)和5(e)表明,正面冲击回龙观地铁寄宿在早上高峰时间具有积极的影响在这两个地区的地铁下车体积。这一发现可能是由于这样的事实,动作和通用的工作区域,这将吸引大量的乘客从居民区,可能早上回龙观高峰期。地铁的影响降落在动作和通用汽车达到最大体积7:45和8:分别为45。值得注意的是,旅行时间从回龙观到动作和通用汽车约45分钟和105分钟,分别开始旅行时在7:00。这些旅行时间将匹配的高峰时间的时差和通用动作(7:45 vs . 8: 45)早上高峰时间。这种观察是能够令人信服的证据证明在3研究区空间溢出效应。因此,交通状况的交通运营商可以预测和通用动作提前指回龙观的脉冲响应,进一步采取有效措施,以更好地应对任何意想不到的场景。
数据5(c)和5(f)表明,一个积极的冲击回龙观地铁寄宿体积小的负面影响在巴士降落在动作和小体积对通用汽车的影响。考虑到回龙观并不是动作之间的距离太远,公交和地铁都互相竞争,和总线的一部分用户可能转移到地铁,然后导致公交客流量的减少。
图5表明,地铁回龙观地区的寄宿流有很强的空间溢出效应在其他动作和通用的模式。
4.3.4。实证结果的脉冲响应区际交通模式在晚上高峰时间
数据6来7马区际脉冲响应形式,MB,英航MB晚高峰。一般来说,晚高峰的空间溢出效应不显著,观察在早上。
(一)
(b)
(c)
(一)
(b)
(c)
数据6和7描绘地铁寄宿的反应,地铁下车,总线降落在回龙观地铁寄宿在通用和体积的变化动作。响应从MA、MB、脉冲响应消极一开始,然后向积极,达到最高点18:15 - 18:45在动作和通用汽车,分别。观察是类似于这样的早晨高峰。具体来说,在短时间内地铁寄宿体积增加的第一个小时,公交车下车体积相应增加在通用和减少的动作持续了很长一段时间。这一发现也与房地产相关的研究区自通勤者往往是在晚上回家而不是在晚上从家里地址生成旅行。
5。结论
本研究提出了一种增强SpVAR模型来探讨时变关系和捕捉空间溢出效应之间的公交客流量和地铁乘客量在不同的地区。该模型特性考虑空间权重和脉冲响应,以便它可以研究区际客流的传播机制的影响下,如紧急情况。三个代表区域在北京回龙观(回龙观)、中关村(动作),与国贸(GM),用来研究和捕获的空间溢出效应和机理multimodel在北京交通系统。统计结果证实空间溢出效应的存在,在这些选择北京市郊地区的运输系统在一个地区的变化将产生重大影响在其他模式在两个地区。这些发现可以应用于预测突发事件的决策过程和提高交通管理部门的警告,引导或限制客流,以防突然大客流破裂。例如,公共交通部门将建议增加调度频率当模型结果表明总线中的一个积极的脉冲响应顾客登机。地铁公司将警告采取行动更好地管理质量地铁赞助人的积极的地铁系统的脉冲响应。论文的主要贡献如下:(1)提出了增强的空间VAR (SpVAR)模型,然后首先引入分析空间的多模式交通系统之间的交互。具体来说,开发一个空间权重矩阵嵌入到模型,而模型能够探索脉冲响应,用于分析客流量的变化的影响在一个模式,在地区multitransit模式在其他地区分开。(2)实证分析多通道空间溢出效应在三分离在早晚高峰交通区和非高峰时期,探索在多模式交通系统的交互。
虽然该模型能够分析在多通道系统的时变关系在不同的地区,一些关键问题仍需进一步研究:(1)该模型的准确性高度依赖测试数据的大小。因此,如何提高评估技术在小数据集的能力是未来研究方向之一;(2)该模型不能包括的特性和元素的物理区域之间的联系。自空间权重明显已被证明是与不同地区之间的物理链路,增加物理链路或旅行阻抗模型,进一步验证其有效性将是未来研究中的另一个主要话题。
未来的研究方向可能包括(a)的扩展SpVAR模型利用动态面板数据模型和捕获一些参数的先验知识;(b)建模的非线性关系和交互的交通模式和小胡子;和(c)提高SpVAR考虑到纠错,时变模式和增加的因素。
数据可用性
所有类型的数据用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本文是由中国国家重点研发项目(2016 yfe0125000)和中国国家自然科学基金(61903058和61903058)。