文摘

车牌限制(LPR)政策给最直截了当的方式来减少全球道路交通和排放。然而,在实践中,它引起了巨大的争议。这一政策打破了原始的城市交通结构模式,这需要一些匹配策略来适应这种变化。研究旅游需求变化是一个具有挑战性的任务,因为它深受当地建筑环境的特性。14个变量从四个维度、位置、土地利用多样性,运输距离,和街道设计,是用来描述建筑环境;此外,严重的共线性构成这些特征变量。解决变量之间的多重共线性和高维问题,本研究利用两个不同的penalization-based回归模型,套索(至少绝对收缩和选择操作符)和弹性净回归算法,实现变量选择和探索建筑环境的影响旅游需求的变化引发的LPR政策。旅游需求变化评估相对出租车客流量的变化在每个基于出租车GPS数据流量分析区。建立环境变量测量使用交通网络数据和百度地图服务的兴趣点(POI)数据。结果表明,地区更高层次的公共交通服务和更高程度的土地混合有更强的韧性车辆限制政策。 Besides, the contribution rate of public transportation is stable as a whole, while the contribution rate of richness depends on specific types of land use. The conclusions in this study can provide in-depth insights into the influence of the LPR policy and underpin traffic complementary policies to ensure the effectiveness of LPR.

1。介绍

在过去的几十年中,私人汽车保有量的急剧增长和使用造成了一些棘手的问题,如交通拥堵和环境污染1,2]。汽车无疑是光化学烟雾污染的一个重要贡献(3]。改善城市生活环境,许多城市都试图实现各种交通需求管理(TDM)政策4)来缓解这些问题。按用途划分这些策略可以分为两类:(1)控制私人汽车拥有量从源通过车牌彩票或车牌拍卖政策实现在北京,上海和广州(5),(2)通过拥挤收费(减少私家车的使用6(LPR)]和车牌限制政策。多年来,LPR政策在全球多个城市已经实现,像南美(波哥大)[7),墨西哥城,北美(最多的城市8]。一些城市的空气污染造成严重的“城市病”采用了联合的对策。例如,北京的组合实现车牌彩票和LPR政策。

LPR政策,也称为道路空间分配是最直截了当的方式,减少道路交通和排放量限制车辆进入道路网络基于车牌号码的最后一位在预先制定的日子。one-day-per-week (ODPW)车辆限制政策也正是它的名字暗示,迫使私人车辆禁止上路,每周一天。“更严格的政策,限制单双(探索)政策,只允许车辆上路交替奇数或偶数地位的基础上最后一个数字的车牌。为实现在德里,这两个LPR政策是有效的在白天在工作日,免除以下车辆:所有出租车和公共汽车以及汽车操作压缩天然气(CNG)和电力9]。在实践中,探索政策通常是作为一个“急救治疗”或一个应急计划10)特殊事件或在发生严重的空气污染,实现快速减少交通量,在2008年北京奥运会期间11- - - - - -14),当西安和廊坊遭受严重的空气污染10]。到目前为止,有超过10个城市在中国雇佣ODPW政策作为常规TDM策略和数量将进一步增加和快速机动化。

然而,在实践中,LPR政策引起了巨大的争议和公众的愤怒15]。管理者和研究人员发现这一政策只有有效地缓解交通拥堵和空气污染在短时间内和长期效果低于预期的(16]。数值结果也证实LPR在许多实际情况下的意想不到的后果17]。这主要是因为LPR政策不能有效地使乘客转移从限制私人汽车的使用公共交通18]。相反,这些政策能刺激购买第二辆车(18和导致更多的二手汽车的使用19]。这些措施用来逃避LPR政策加剧交通拥挤和空气污染和消耗更多的停车空间来容纳额外的车辆。除了增加乘客接受LPR政策(16)从主观方面,今天的流量管理器的主要目标是策划如何引导LPR限制旅游需求向更高的使用率通过外部的公共交通政策,因为建筑环境会影响居民的行为和改变他们的社会和经济活动(20.]。同样的,当居民的私人车辆限制,另类的旅游模式的选择直接影响建筑环境。下面考虑建筑环境对旅游的影响模式变化下LPR政策。

三个重要问题需要解决在实现LPR政策:(1)什么是需求变化的空间特征造成的LPR政策?(2)建筑环境如何影响这种需求变化在不同地区?(3)有针对性的政策和策略应该城市和交通管理者采取适应旅游需求变化?

尽管富人研究仔细观察社会和交通车辆限制政策的影响,相关研究很少报道旅游需求变化的背景下LPR政策。这部分是因为现有的研究更关注LPR政策对交通拥堵的影响(9,13和空气污染减排21]。然而,主要的障碍是缺乏面板数据,以反映全市需求变化和一个合适的模型来描述复杂的建筑环境和需求变化之间的关系。

来填补这一缺口,本文探讨了建筑环境影响交通方式转移在LPR政策背景下,利用GPS出租车轨迹数据,因为出租车可以提供旅游体验类似于私人小汽车的上门服务,和出租车客流量的变化可以有效地反映了转移倾向。为了实现这一工作,两个penalization-based回归模型来实现所有建筑环境因素的变量选择,因为它允许变量之间的共线性。然后,我们利用Wilcoxon的符号秩检验检查的地区重要的旅游需求的变化。

本文的其余部分组织如下。下一节提供了一个文献回顾的LPR政策和建筑环境之间的关系和出租车客流量。部分3介绍了数据和变量。部分4介绍了建模方法。部分5介绍了结果。最后一节凸显了重要发现,提供对交通需求管理的影响。

2。文献综述

在过去的十年中,一个不可预见的私人汽车拥有量和使用量的增加21)造成了严重的交通和环境问题。最直接和有效的TDM策略,车牌限制(LPR)政策,已在中国主要城市广泛实施。大量研究车辆限制政策的有效性和其他导致积极的和消极的结果,包括城市交通条件改善(22- - - - - -24),空气污染减排(22- - - - - -24药效)、安全(25,接受和反应的旅行者(15),以及非法旅行(8,9,14,26]。

减少城市空气污染和交通拥堵是城市管理者和政策制定者的初衷了LPR政策。但是,先前的工作相关的所有车辆限制政策的影响显示一个微不足道的对空气质量的影响23,27]。此外,这一政策的长期有效性将削弱了车辆体积调整(28)和大气化学的可能性可以减少不但是提升2、氮氧化物和O3(29日]。这一政策的直接影响交通状况是显而易见的旅行者和验证了研究者使用各种量化指标和方法。几项研究已经确认了LPR政策减少交通量(11- - - - - -13,30.),这自然会导致减少交通拥堵(28]。一些研究调查,LPR政策导致增加旅行的速度根据全市记录旅行速度水平(27)和微波探测器(13),分别。此外,不同级别的有效性也探索之间的两个典型license-plate-number-based车辆限制策略,也就是说,ODPW和探索。Mohan et al。9)发现了奇偶一天交通限制政策迫使交通需求从私人车辆转向公共交通。刘等人。10)相比,这两个政策从旅游需求和交通条件的角度基于大规模车牌识别(LPR)数据在廊坊,中国。他们发现的政策转变ODPW探索显著减少交通量,改善道路的旅行速度在大多数领域,在高峰时段和非高峰时段。但是效果并不像预期的那样重要的由于非法旅行的增加(14,26购买第二辆车等)和antipolicy措施(18),也没有探索大大提高交通需求控制(31日]。因此,贾庆林等。16)表示,促进公众的接受是一个重要的先决条件实现LPR政策。只有交通需求从私人车辆转向公共交通确保车辆限制政策的长期效果(9,12]。因此,量化的需求变化和理解其决定因素是重要的实现模式转变引发的车辆限制政策。

指的不幸的是,研究探索模式转变的空间特征及其与建筑环境的关系下LPR政策仍然缺乏。巨大的文献已经证实公共交通客流量的建筑环境的重要作用[32,33]。然而,如何限制旅行要求转让的问题在不同的模式下不同的建成环境在很大程度上被人们忽视了在过去几年。这对管理者和决策者是必不可少的支撑或支持互补策略用来减少居民有益的损失(放弃非托管汽车使用一个更健康的环境)到最大的程度。此外,Cetin和Yasin Er (34)发现只有依赖出租车的需求转移,其他公共交通的补充模式。然而,很少有研究人员试图调查潜在的公共交通从出租车的角度来看问题。因此,有必要明确重新审视当前的建筑环境的影响下的模式转变汽车限制政策从出租车客流量的角度。

3所示。研究区域与数据

3.1。研究区域

严重的雾和霾事件经常发生在西安的秋季和冬季,中国35]。居民遭受着高水平的大气颗粒物(PM2.5和可吸入颗粒物)和各种健康问题36,37]。因此,ODPW政策首次发起这个指定的区域在2016年11月4日西安环保局、市交通部门减少汽车尾气排放。ODPW政策事实上是在工作日期间从7:00点到8:00点,除了周末。具体而言,这一策略限制车辆基于车牌的最后两位数的每一天,和所有的新能源汽车和公共交通车辆、出租车和公共汽车等,没有受到这种政策的影响。由于这一政策的初衷是减轻空气污染,实现程序没有常规化和依赖于空气污染程度在11月。详细的限制,列出了相应的最后一个数字表1。

表1
ODPW政策实现2016年11月在西安。

我们选择西安的主要城区范围内的LPR政策执行作为本研究的研究区域,如图1。我们采用了正式定义流量分析区域(小胡子)作为空间单位检查建筑环境对出租车的需求的空间变化的影响。小胡子是交通的基本地理单元适应性分析;因此,研究领域包括698小胡子,依赖和解释性变量计算每个小胡子。


图1
车辆限制领域和研究领域。

本文的主要目的是解释旅游需求的空间变化由车辆限制政策。我们选择了两个连续的限制,无限制的周和使用数据从10工作日结果排除其他因素的干扰,如区域人口和汽车保有量的变化。社会人口特征可以在短时间内被认为是静态的。值得注意的是,另一个重要因素,可以极大地影响结果是这次旅行的目的。一些弹性需求,比如购物、娱乐和旅游,可以一次可能更改或取消私人车辆被迫。这项研究集中在旅游需求在早上高峰,即。7:00 9:00点。,as the travel plan of the commuting demand cannot be adjusted arbitrarily and has to choose an alternative traffic mode.

3.2。数据

浮动的gps出租车在城市是一个合适的代理探测器用于调查的实际影响LPR政策变化的需求。出租车GPS数据的轨迹记录约11555城市出租车跑过西安的城市,创造了约2100万个日志记录。这里的舰队规模出租车在观测期间并没有改变。每个出租车GPS记录包含信息的ID,时代,位置,速度,和状态(0为职业空缺和1)30秒的采样间隔。的状况,人们很容易知道出租车是否被乘客在每个采样点轨迹。

出租车旅行是观察到的数量是相当一致的每周除了外部干预(38)在数周内和展出可复制的模式(39]。描述改变外部因素引发的,我们比较了每日客流量两周无限制(蓝线)和限制(橙色线),如图2。这里,从GPS记录检索客流量数据,一个可以参考(38,40,41]。我们可以直观地看到产生的明显增加车辆限制政策。这说明,总的来说,在早上高峰时间出租车客流量相对稳定在一定长度的观察期间,和车辆限制政策迫使一些旅游需求转移到出租车。


图2
每日出租车客流量在10个工作日。

调查LPR的变化影响随着时间的推移,我们说明了出租车客流量在这些连续三个星期的早上高峰,如图3。客流量没有表现出明显的变化在第一天的禁令,因为大多数居民一无所知或对这项新政策采取观望的态度。因此,收集到的数据在这第一天不能在最终分析中使用。


图3
时间LPR政策下出租车客流量的变化。
3.2.1之上。相对变异在日常出租车客流量:因变量

我们进一步调查当地出租车客流量的变化在一个细粒度的空间视角。在客流量相对变异(RV)是用来衡量旅游需求的变化在车辆限制政策,可以消除大小的影响。计算的相对变化在每一个小胡子见方程(1)。基于ArcGIS平台,我们可视化的不同相对小胡子的差异采用不同的颜色,如图4。蓝色代表增加的面积减少和红色区域。较暗的颜色,更大的变化: 在哪里 表示在出租车客流量相对变化 小胡子。 表示平均车辆限制政策,后出租车客流量 表示平均出租车客流量在政策实施之前 小胡子。


图4
出租车客流量相对变异的小胡子。

图4显示了车辆限制政策在不同地区有不同的影响。即使在两个相邻小胡子,这种影响的方向,即。,the signs of the relative variation, may be completely opposite. Another result is drawn from the spatial distribution perspective; that is, the number of TAZs with the increased ridership is more than that with the decreased ridership in the southwest. Most TAZs have a decreasing tendency in the north. This complex impact of the vehicle restriction policy on the spatial variation of ridership is mainly caused by the built environment. Consequently, we attempt to explain these different effects from the built environment perspective.

3.2.2。建筑环境:解释变量

我们采用ArcGIS开发建筑环境措施对于每一个小胡子,利用百度地图服务的兴趣点(POI)数据、道路网、公共交通网络数据。建筑环境在这个研究是完全由14个变量描述从位置、土地混合(多样性),距离公共交通,街道设计尺寸(42]。值得注意的是,人口和就业的密度变量解释需求变化也很重要,但这些变量不是这里介绍由于无法理解最新的人口统计数据。这种最近数据的缺乏是由于缺乏一个当前全市人口普查,这是在大多数城市在中国每十年进行一次。14个属性变量的描述和描述性统计用于这项研究展示在表2。特点是位置由质心的距离的小胡子最重要的城市地标。距离城市中心(钟楼)和距离最近的地方中央商务区(cbd)总是关键因素在评估通勤行为(27,43,44]。这两个指标是使用欧式距离估计。因为土地使用使用POIs的估计精度高于使用parcel-level土地利用地图(45),我们使用山顶POI-based多功能指数基于数字(46- - - - - -49)框架来描述混合土地使用,曰后et al的POI-based综合策略50]。希尔数字是常用的量化物种多样性在生态和生物地理学。他们可以实现多方面的测量计算土地利用的多样性 在哪里 土地利用的多样性和吗 多样性的顺序。 是POIs类别的数量在一个小胡子。 代表的比例我th类别内的总数POIs小胡子。当 ,方程的变化三种不同的测量方式,即丰富,香农熵,辛普森指数。

表2
建筑环境的变量描述和描述性统计。

我们通过基于距离的易访问性评估公共交通环境,服务覆盖率和站点的数量。指数距离运输路线所描述的是小胡子的质心距离最近的巴士站或者地铁站42]。我们用不同半径设置缓冲区汽车站和地铁站和获得服务区域之间的重叠部分小胡子和缓冲区。然后,服务覆盖率计算了在不同半径的比值服务区总面积的小胡子。此外,距离高速公路,距离主要道路,距离小道路在这项研究中测量计算的方便程度得到一辆出租车从街道环境维度。应该注意的是,虽然道路的密度(27,38,51,52)是常用的测量街道环境,这个指标不能准确反映机会得到一辆出租车TAZ-based空间单元。我们发现一些小胡子零的道路密度试验计算,即使相邻道路这些小胡子。这可能是由于道路总是正在处理小胡子边界。

我们描述尽可能全面的建筑环境特性。然而,一些维度的重叠和建筑环境的多个测量相同的属性(42,53创造了不可避免的变量之间的多重共线性问题。因此,方差膨胀因子(VIF)程序测试诊断潜在的解释变量之间的多重共线性,如表所示3。皮尔森相关系数也被用来反映两个变量的线性关联,如图5。我们可以看到,最严重的土地混合相关指标之间存在共线性问题。与此同时,这些指标之间的相关性也很高。

表3
套索和弹性网模型的回归结果。

图5
根据皮尔森相关分析的变量的相关系数。

4所示。方法

考虑到多重共线性和高维问题,我们利用两个penalization-based回归模型(54),套索和弹性网(EN),建筑环境的估计系数。与传统的线性回归模型相比,penalization-based方法有两个突出优点:所选变量的解释能力和严格的回归估计的稳定性。此外,我们还探讨了这两个模型之间的差异的结果,这是由不同类型的正规化的处罚条款。最后,根均方误差(RMSE)据报道,这两种模型的评估他们的表现。

套索(至少绝对收缩和选择算子)方法提出的Tibshirani (1996) (55)可以选择变量和推断因果关系同时通过减少一些微不足道的估计系数等于零。变量的基本框架选择最小化残差平方和主题系数的绝对值的总和小于一个常数。套索的估计量 (54)可以表示为下列拉格朗日形式: 在方程(4)是 规范点球不是可微的为零。调优参数 ,也被称为惩罚系数,用于平衡经验误差和稀疏的模型参数。当参数 ,方法转向一般线性回归模型:

弹性网(56)是一个扩展的套索通过添加二次部分点球,它使用套索和岭回归方法的结合。净被定义为目标函数的弹性 在方程(6)是 规范处罚。弹性网(EN)是一个混合模型和工作之间套索和岭回归通过设置两个调优参数 。让 和 。 可以通过最小化RMSE决定,如图6:


图6
变异的RMSE 。

所有特征变量的值被使用预处理Z分数标准化和集中的方法。这两个回归模型的正则化参数估计通过执行10倍交叉验证(简历)57AIC)由于其出色表现,BIC, 5倍的简历在我们的研究中。非零回归系数及其相应的特征变量套索和弹性网表中列出3。

5。讨论

5.1。回归系数

从表可以看出3不同数量的特性选择不同的模型。特征变量对应的非零弹性网络模型中的回归系数是两个以上的拉索模型,证实了套索的稀疏造成的结果 规范处罚(57]。图7显示了不同的回归路径系数在不同的处罚条款。水平轴代表调优参数和纵轴代表了变异系数。


图7
路径系数的净回归模型(让套索和弹性 在套索和 在弹性网)。

如表所示3的RMSE弹性网略低于套索,这意味着执行的弹性网模型更好的在这个研究。因此,进一步的分析将基于弹性网络的结果。弹性网络相比,回归系数覆盖率的汽车站在一个半径为500米和的公交线路被套索缩减到零。与此同时其他特性估计的影响程度和方向弹性拉索的净结果是一致的。这是由于相同的机制这两个回归模型之间的参数估计。总体来看,四维空间的建筑环境有影响的相对变化(RV)出租车客流量在不同程度上。14的变量似乎有重大影响的相对变化(旅游房车)。一些变量的位置、土地混合对RV和公共交通方面有负面影响;他们是距离最近的地方中心,丰富性,覆盖率的汽车站300米半径内,覆盖率的汽车站500米半径内,覆盖率的地铁站内半径800米,的公交线路。与此同时的特性距离最近的主要道路和距离最近的高速公路在道路设计维度对RV有积极影响。

专门为变量,属于公共交通,RV主要的影响覆盖率的汽车站在一个半径为300米其次,覆盖率的地铁站内半径800米第三,覆盖率的汽车站在一个半径为500米。房车这些变量都是逆相关,这意味着相对出租车客流量的变化通常是更大的位置,方便公共交通。这是合理的,因为越来越多的人选择出租车限制私家车时,方便公共交通的道路环境中。应该注意的是,在西安轨道交通网络尚未形成,只有四条地铁线路操作。因此,城市轨道交通影响的程度将远远大于当前分析的结果在通行能力由于其压倒性的优势。请注意,两个高度相关的变量cr_b_300和cr_b_500被允许进入弹性净回归模型,但后者套索模型中是微不足道的。这是有意义的,因为这两个指标反映不同层次的公共交通服务。地区与更高层次的公共交通服务车辆限制政策回应的能力更强。土地使用的维度,使两个模型丰富。从地理位置的角度来看,距离最近的地方有重大影响效应和距离城市中心没有。这表明,一个方便的生活环境可以缓解交通矛盾引起的LPR政策。更具体地说,以减少负外部性的LPR政策,改善公共交通网络服务水平的转移的主要意思是LPR的旅游需求限制政策,公共交通。在线性回归,更高的价值绝对星等表明更大的边际效应。因此,对于决策者和交通规划师,首要任务是提高公共交通的服务覆盖的基本要求。然后步行到巴士站被认为是进一步缩短公共汽车站密度增加,也就是说,覆盖率300米半径内的公共汽车站。此外,计划开设更多的城市中心改善生活环境的便利是一个长期的解决方案。

上述结论与先前的发现不仅是一致的(9,10),但改进和扩大现有文献的研究视角和数据类型。车牌识别数据(虽然10)更准确和覆盖率高于个人旅行调查(26,58)在评估道路网络性能,数据收集点是有限的十字路口配备探测器。与这个数据相比,浮动车数据在这个研究理论上可以用于获得交通状况在任何时间和任何地点的道路网络。因此,我们进行了细粒度空间分析旅游需求转移基于出租车GPS数据,尚未公布我们所知。

5.2。不同变量的贡献

调查不同变量的相对影响,我们分析了不同贡献的选择建立环境变量的相对变化出租车客流量。对于一个给定的变量,其贡献不同于《每日新闻》。因此,我们计算平均值的贡献及其相关标准偏差为每个建筑环境变量。结果与误差条图说明8。圆代表其相应变量的平均贡献水平和杆的长度代表其波动在不同地区的贡献。酒吧的时间越长,就越分散变量的贡献。我们可以看到,功能与公共交通作为一个整体都有一个稳定的贡献。这表明改善公共交通服务水平将是有效的在任何地区。然而,悔悟的丰富最长的酒吧大地区之间的差异。因此,进一步研究对特定类型的土地使用前必须可以提出相关的策略。


图8
不同的建筑环境变量的贡献率。
5.3。显著影响区域

地区的出租车客流量变化明显受到车辆限制政策,需要更有效的改进措施,以满足旅游需求转移。结合Wilcoxon符号秩检验、非参数对应的配对t以及,我们进一步详细统计上显著的地区差异,如图9。我们检查出十大增加小胡子和三大(所有)减少小胡子具有统计上的显著差异作为改进的优先领域。这些选择13个小胡子的数量和相应的建筑环境参数表中列出4。的排名是基于相对变化的绝对值。总的来说,出租车客流量在主要城市提供了一个增长的趋势。这表明车辆限制政策对出租车行业施加巨大的压力,这是定位是一个辅助公共交通模式。只有三个减少区域通常是那些有高价值的选择建筑环境变量,这意味着公共交通处理个人游的旅游需求转移模式。


图9
周五在出租车客流量相对变化的空间分布。
表4
显著影响地区下令出租车客流量的变化。

6。结论

鉴于出租车和公共交通之间的内在关系,本研究站在全市出租车服务的位置重新思考公共交通服务的缺点在车辆限制政策。penalization-based回归模型的两种类型,套索和弹性净回归模型被用来探索建筑环境如何影响通勤旅行的模式转变,使用出租车GPS数据覆盖时间之前和之后在西安ODPW政策的实施。

对比分析表明,车辆限制政策确实引发了大量的限制私家车旅游需求转移到一辆出租车,这应该是共享的公共交通。回归分析表明,相对变化是最密切相关的距离最近的地方其次,覆盖率的汽车站在一个半径为300米。这些发现强调改善公共交通服务的重要角色在实现车辆限制政策,这与以前的研究结果是一致的(9,12]。此外,选择变量的边际效益和贡献率可以提供影响的地区差异策略的有效性。

此外,确认无效的执法也导致了LPR的令人不满意的结果(18]。因此,应该建立一套合理的惩罚机制,加强车辆限制政策的有效性。例如,非法旅行被监测和推动进攻点和交通违章罚款的惩罚。与一个相对高收入水平,然而,对于旅行者的威慑效果这处罚措施将抵消更高的时间价值(10]。因此,它是必要的链接到个人信用体系抑制非法旅游行为。

在未来,越来越多的像西安这样的城市可以采用LPR政策来控制汽车使用和将不得不经历的适应阶段,实施这一政策。因此,本研究的结果可以帮助决策者预测可能的LPR政策对城市的影响广泛的旅游需求和完善旅游需求的政策管理。然而,本研究也存在一些局限性。第一,其他类型的旅游需求数据,如亚足联数据、公交IC卡数据,ride-sourcing数据(59),应该用于数据融合分析理解下的模式转移LPR政策更精确。第二,正如前面提到的,人口和就业人口应引入回归模型进一步研究。

数据可用性

在这项研究中使用的数据集不能提供公共合同的协议。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这个工作得到了国家自然科学基金委的资助下的中国授予71901040和陕西省自然科学基金,中国在242年和2019年拨款2019金桥-金桥- 442。