葉 倩，張 華，陳小鴻

（1.同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2.同濟(jì)大學(xué)國(guó)家磁浮交通工程技術(shù)研究中心，上海 201804）

隨著移動(dòng)互聯(lián)網(wǎng)在城市出行服務(wù)中的應(yīng)用發(fā)展，乘客通過(guò)叫車(chē)平臺(tái)告知出行起終點(diǎn)和時(shí)刻信息后，由司機(jī)響應(yīng)訂單請(qǐng)求的服務(wù)模式被廣泛使用。相比傳統(tǒng)的街道巡游運(yùn)營(yíng)模式，新的網(wǎng)絡(luò)預(yù)約出租車(chē)服務(wù)被認(rèn)為有望改善打車(chē)的便捷程度和服務(wù)質(zhì)量。然而，一段時(shí)期以來(lái)，關(guān)于司機(jī)誘導(dǎo)加價(jià)、乘客高峰時(shí)期或短距離出行等服務(wù)需求難以獲得及時(shí)響應(yīng)的現(xiàn)象仍廣泛存在，傳統(tǒng)模式下的打車(chē)難、繞路拒載等問(wèn)題并沒(méi)有得到解決［1］。

有觀點(diǎn)認(rèn)為［2］，在獲得乘客出行信息條件下，出租車(chē)運(yùn)營(yíng)仍然存在挑客現(xiàn)象，實(shí)質(zhì)上是由于司機(jī)或平臺(tái)利用信息優(yōu)勢(shì)，傾向性地愿意響應(yīng)或歧視某類(lèi)乘客出行需求。理論上，司機(jī)提供服務(wù)的動(dòng)機(jī)是追求利益最大化，即獲得更高收入。在運(yùn)營(yíng)實(shí)踐中，出租車(chē)服務(wù)計(jì)費(fèi)結(jié)構(gòu)與距離直接關(guān)聯(lián)，司機(jī)更加愿意響應(yīng)長(zhǎng)距離出行需求；同時(shí)，獲得同等收入所需要的時(shí)耗也是司機(jī)服務(wù)決策的重要因素，以更快速度將乘客送達(dá)目的地能夠提高司機(jī)在單位時(shí)間內(nèi)的收入。因此，司機(jī)選擇優(yōu)先服務(wù)那些道路交通狀況較佳的載客位置或出發(fā)時(shí)刻的服務(wù)需求非常有可能。

1 出租車(chē)服務(wù)歧視和司機(jī)行為

出租車(chē)服務(wù)歧視（taxi discrimination）問(wèn)題［3］可以追溯到20世紀(jì)末，關(guān)注焦點(diǎn)集中于種族和性別歧視、價(jià)格歧視、目的地或地區(qū)歧視等。近來(lái)一些研究從司機(jī)群體細(xì)分的角度探究了其服務(wù)供給行為的特殊性，得到出租車(chē)司機(jī)行為模式和收入水平呈現(xiàn)顯著相關(guān)的結(jié)論。例如，Liu等［4］表明高收入司機(jī)更加關(guān)注訂單時(shí)耗，在載客和空駛狀態(tài)下均比一般收入司機(jī)行駛速度快，以期最高效地利用運(yùn)營(yíng)時(shí)間；Naji等［5］發(fā)現(xiàn)該群體傾向于挑選經(jīng)濟(jì)活動(dòng)更活躍的時(shí)間和地點(diǎn)進(jìn)行巡游和?？?；Zhang等［6］驗(yàn)證了高收入司機(jī)在尋客時(shí)存在拒載行為，且他們的上下客位置多樣性偏低，以保證高效的運(yùn)營(yíng)服務(wù)。

目前大多數(shù)針對(duì)司機(jī)行為傾向性的研究都僅考慮司機(jī)主觀經(jīng)驗(yàn)帶來(lái)的服務(wù)優(yōu)勢(shì)，本文以網(wǎng)絡(luò)預(yù)約的出租車(chē)服務(wù)模式為對(duì)象，分析信息機(jī)制條件的變化對(duì)司機(jī)服務(wù)供給行為的復(fù)雜和動(dòng)態(tài)的影響?；谒緳C(jī)不同信息獲知程度下的運(yùn)營(yíng)數(shù)據(jù)，驗(yàn)證出租車(chē)司機(jī)的服務(wù)供給行為是否存在時(shí)間-空間分布的差異性，再通過(guò)訂單距離解析司機(jī)行為，分析其在出發(fā)時(shí)刻、載客地點(diǎn)的選擇傾向性。研究可為面向服務(wù)公平的移動(dòng)出行市場(chǎng)的信息管制設(shè)計(jì)及市場(chǎng)評(píng)估提供參考。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)來(lái)源

本研究涉及三類(lèi)數(shù)據(jù)。第一類(lèi)是由出租車(chē)公司提供的上海市2015年1周的出租車(chē)運(yùn)營(yíng)數(shù)據(jù)，主要是由司機(jī)巡游載客完成，含占比約30%的網(wǎng)絡(luò)預(yù)約訂單。數(shù)據(jù)采集間隔10～20 s，包括車(chē)輛編號(hào)、司機(jī)編號(hào)、軌跡點(diǎn)的經(jīng)緯度坐標(biāo)、載客狀態(tài)、瞬時(shí)速度和時(shí)刻等信息。第二類(lèi)是網(wǎng)約車(chē)平臺(tái)提供的上海市2016年1周的出租車(chē)訂單數(shù)據(jù)和對(duì)應(yīng)軌跡數(shù)據(jù)，全部是由司機(jī)借助叫車(chē)平臺(tái)完成。軌跡每間隔6 s采集，訂單數(shù)據(jù)包括訂單編號(hào)、車(chē)輛編號(hào)、司機(jī)編號(hào)、訂單起訖點(diǎn)經(jīng)緯度坐標(biāo)、訂單開(kāi)始和結(jié)束時(shí)刻等信息，軌跡數(shù)據(jù)包括訂單編號(hào)、時(shí)刻、經(jīng)緯度坐標(biāo)、瞬時(shí)速度等信息。為便于分析，按照傳統(tǒng)巡游和網(wǎng)絡(luò)預(yù)約運(yùn)營(yíng)模式下司機(jī)獲知乘客出行信息的差異，將兩類(lèi)數(shù)據(jù)分別稱(chēng)為“30%司機(jī)獲知信息-巡游平臺(tái)混合”訂單和“100%司機(jī)獲知信息-僅平臺(tái)機(jī)制”訂單。第三類(lèi)是上海路網(wǎng)和513個(gè)分析小區(qū)的地理信息，其中，以上海市內(nèi)環(huán)線、外環(huán)線作為中心區(qū)、中心城和市域的邊界［7］。

2.2 數(shù)據(jù)預(yù)處理

研究的空間范圍是上海市域大陸部分（不包括崇明區(qū)）。數(shù)據(jù)清洗遵循以下6個(gè)步驟［7］：①刪除信息不完整或錯(cuò)誤的數(shù)據(jù)；②刪除較少軌跡點(diǎn)、出行時(shí)間過(guò)短的訂單；③刪除相鄰軌跡點(diǎn)間隔過(guò)大（間隔長(zhǎng)于60 s）的訂單；④刪除行程距離或行程時(shí)間過(guò)短的訂單（行程時(shí)間短于2 min或行駛距離小于200 m）；⑤刪除起訖點(diǎn)相同的訂單；⑥刪除繞行較大的訂單（行程距離3 km以下且非直線系數(shù)大于2.5或者行程距離超過(guò)3 km且非直線系數(shù)大于2）。由于數(shù)據(jù)的軌跡點(diǎn)采集間隔較短，計(jì)算訂單行程距離是對(duì)軌跡序列中前后兩個(gè)軌跡點(diǎn)的平面坐標(biāo)求歐式距離并累加得到，如下式：

式中：Dnx為數(shù)據(jù)集x中第n個(gè)訂單的行程距離，每個(gè)訂單軌跡序列包含M個(gè)軌跡點(diǎn) ；(Xnx，i，Ynx，i)和(Xnx，i+1，Ynx，i+1)分別為相鄰兩個(gè)軌跡點(diǎn)i和i+1的平面坐標(biāo)。

2.3 分析方法

文章分析遵循以下假設(shè)：相鄰年份的城市空間結(jié)構(gòu)和居民出行特征（例如，出租車(chē)市場(chǎng)）未發(fā)生顯著變化；且出租車(chē)服務(wù)均是由具備相似駕車(chē)技能、城市街道熟悉程度的司機(jī)群體完成。因此，認(rèn)為“30%司機(jī)獲知信息-巡游平臺(tái)混合”和“100%司機(jī)獲知信息-僅平臺(tái)機(jī)制”兩類(lèi)訂單所體現(xiàn)的差異主要是由于信息機(jī)制非司機(jī)服務(wù)供給行為帶來(lái)的影響所致。

首先，對(duì)兩類(lèi)訂單數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，選取打車(chē)供需矛盾更突出、出行需求更剛性的工作日，分析出租車(chē)服務(wù)供給基本特征，包括響應(yīng)時(shí)刻、行程距離、行程速度和區(qū)域分布等；使用K-S非參數(shù)檢驗(yàn)（Kolmogorov-Smirnov test）測(cè)試不同信息獲知程度下出租車(chē)訂單距離的分布差異，基于累計(jì)概率分布曲線將訂單劃分為長(zhǎng)距離組和短距離組。

其次，借助ArcGIS軟件的空間統(tǒng)計(jì)（spatial statistics）和空間分析（spatial analyst）工具描述出租車(chē)訂單在空間的分布特征。前者是基于矢量數(shù)據(jù)進(jìn)行推斷統(tǒng)計(jì)的，本文使用方向分布（標(biāo)準(zhǔn)差橢圓）工具分析訂單空間分布的方向性和服務(wù)范圍，使用空間自相關(guān)工具驗(yàn)證訂單距離的空間模式是否具有統(tǒng)計(jì)學(xué)顯著性意義的聚集、離散或隨機(jī)模式。后者用于分析和研究柵格數(shù)據(jù)，本文使用核密度分析對(duì)細(xì)分距離的訂單進(jìn)行像元量值計(jì)算并擬合為光滑錐狀表面，結(jié)合柵格計(jì)算器和重分類(lèi)模塊對(duì)核密度柵格圖層進(jìn)行地圖代數(shù)運(yùn)算，得到不同信息獲知程度下服務(wù)密度增減的空間面積和幅度數(shù)值。

3 信息差異下的服務(wù)供給基本特征

3.1 訂單量時(shí)刻分布

信息差異下的工作日出租車(chē)訂單響應(yīng)時(shí)刻分布如圖1所示。傳統(tǒng)巡游模式為主時(shí)，訂單在早上8：00時(shí)之后分布較均衡。而在平臺(tái)機(jī)制下，單位小時(shí)司機(jī)完成的訂單具有明顯的單峰，7：00～10：00時(shí)段完成的訂單比例明顯多于全日其他時(shí)段，在7：00～8：00達(dá)到全日峰值；13：00～16：00時(shí)段的訂單波動(dòng)較大且比例較低。由此可知，在完全獲知乘客出行信息的情況下，司機(jī)在出行早高峰時(shí)段響應(yīng)了更多需求，而在凌晨時(shí)段接單降低。

圖1 訂單量時(shí)變曲線Fig.1 Percentage of taxi orders satisfied per hour on weekdays

3.2 行程距離時(shí)變和區(qū)段分布

圖2是按小時(shí)計(jì)算的平均行程距離和增幅曲線。整體而言，部分信息獲知和完全信息情形下的訂單距離在全天呈單峰和雙峰趨勢(shì)，前者在4：00～6：00達(dá)到峰值，后者峰值出現(xiàn)在4：00～6：00和20：00～22：00。

司機(jī)由巡游-平臺(tái)混合機(jī)制向僅平臺(tái)機(jī)制轉(zhuǎn)變時(shí)，所完成訂單的平均距離從8.0km增長(zhǎng)到10.2km，均高于同年份上海市巡游出租車(chē)的平均乘距（7.28km和7.55km)［8］。按小時(shí)增幅來(lái)看，全日各時(shí)段數(shù)值均大于0，表明司機(jī)在完全獲取信息情形下各時(shí)段內(nèi)服務(wù)訂單的行程距離均比巡游模式為主的訂單距離長(zhǎng)。其中，白天8：00～16：00時(shí)段（除11：00～12：00）和晚上18：00～22：00時(shí)段增幅最大（最大增幅3～4km）；全日訂單距離峰值4：00～6：00和16：00～18：00距離增幅最小。

圖2 行程距離和增幅曲線Fig.2 Average distance and growth rate on weekdays

進(jìn)一步對(duì)訂單距離進(jìn)行分組統(tǒng)計(jì)，見(jiàn)圖3。整體上呈現(xiàn)中部低兩端高的趨勢(shì)，其中，巡游模式為主時(shí)，超過(guò)80%的訂單距離在12km以下，大于15km占12.8%；而司機(jī)在平臺(tái)機(jī)制下完成的訂單主要集中在9km內(nèi)和15km以上（占比達(dá)到80%）。平臺(tái)機(jī)制過(guò)渡后，3～6km的訂單比例下降明顯，距離大于12km的訂單比例明顯增加。

圖3 行程距離分組占比Fig.3 Taxi order percentage grouped by distance

3.3 平均行程速度波動(dòng)

行程速度是每筆訂單的行程距離和時(shí)長(zhǎng)的比值。圖4是按小時(shí)統(tǒng)計(jì)的訂單平均行程速度隨時(shí)刻的波動(dòng)曲線。信息差異下，全日出租車(chē)速度呈現(xiàn)基本同步的波動(dòng)趨勢(shì)，最快訂單速度出現(xiàn)在凌晨4：00～6：00，達(dá)到35～45 km·h－1；早、晚高峰（7：00～9：00和16：00～18：00）的訂單平均速度最低，其中晚高峰僅為20.0～22.2 km·h－1。對(duì)比發(fā)現(xiàn)，除去自由流交通條件的凌晨，其余各時(shí)段由網(wǎng)約車(chē)平臺(tái)生成的訂單的行程速度均明顯高于巡游模式為主的速度值，增幅達(dá)到4～7 km·h－1；且早、晚高峰的訂單速度明顯得到提高，其中，早高峰達(dá)到25.9～29.7 km·h－1。

圖4 平均行程速度時(shí)變曲線Fig.4 Average speed on weekdays

由城市交通網(wǎng)絡(luò)數(shù)據(jù)可知，連續(xù)兩年的道路交通運(yùn)行狀況和工作日擁堵區(qū)域差異不大［8］。因此，推斷出租車(chē)平均行程速度明顯提高的原因，一方面，叫車(chē)軟件內(nèi)置的路徑規(guī)劃導(dǎo)航降低了司機(jī)尋路、繞路的可能性，然而由于出租車(chē)司機(jī)長(zhǎng)期從事全職運(yùn)營(yíng)服務(wù)，具備較強(qiáng)的巡游駕駛經(jīng)驗(yàn)，不太可能在相鄰兩年間造成如此明顯差異；另一方面，是司機(jī)運(yùn)營(yíng)服務(wù)的行為所致，例如，平臺(tái)司機(jī)在響應(yīng)乘客需求時(shí)有意避開(kāi)常發(fā)生擁堵或?qū)崟r(shí)擁堵嚴(yán)重的路段，從而在交通狀況較好的區(qū)域運(yùn)營(yíng)，提高訂單效率。這一推斷將在下文中結(jié)合訂單空間分布深入分析。這個(gè)推斷可以解釋多數(shù)公眾反映的叫車(chē)平臺(tái)內(nèi)“巡游車(chē)難叫”的現(xiàn)象［9］——叫車(chē)高峰期，由于網(wǎng)約車(chē)信息不對(duì)稱(chēng)，除非出行需求本身非?！皟?yōu)質(zhì)”（即出行距離長(zhǎng)或者起訖點(diǎn)位置的交通狀況良好），否則通過(guò)平臺(tái)呼叫出租車(chē)往往難以得到響應(yīng)。

3.4 空間范圍和方向分布

運(yùn)用核密度和方向分布分析，得到信息差異下的訂單熱力圖和標(biāo)準(zhǔn)差橢圓圖，見(jiàn)圖5。核密度分析參數(shù)設(shè)置為：輸出像元大小500（將研究區(qū)域劃分為500m×500m的網(wǎng)格［10］）；搜索半徑設(shè)置為3 km（取自上海路網(wǎng)圖層長(zhǎng)邊和寬邊中較小值的1/30）；采取自然間斷點(diǎn)分類(lèi)，密度分為5個(gè)等級(jí)（見(jiàn)表1）。方向分布中輸出橢圓大小為1倍標(biāo)準(zhǔn)差。

表1 訂單生成區(qū)域熱力圖密度分級(jí)Tab.1 Density grade of heatmap of pick-up locations

圖5 訂單生成區(qū)域熱力圖和方向分布Fig.5 Kernel density heatmap and direction of pick-up locations

當(dāng)司機(jī)從部分獲知乘客出行信息向完全獲知信息轉(zhuǎn)變時(shí)，出租車(chē)服務(wù)訂單的空間分布形態(tài)由集聚中心城變?yōu)樯⒉加谑杏蚍秶?，高密度等?jí)的面積比例明顯降低（例如，等級(jí)1～3的面積由4.54%降至2.41%），而在城市外圍區(qū)域和新城新區(qū)的出租車(chē)服務(wù)區(qū)域明顯增多。以密度最強(qiáng)的等級(jí)1為例，巡游-平臺(tái)混合機(jī)制下，司機(jī)主要服務(wù)于虹橋樞紐、陸家嘴商務(wù)區(qū)、五角場(chǎng)等人口密集的交通樞紐或商務(wù)片區(qū)；而在叫車(chē)平臺(tái)中的出租車(chē)服務(wù)，分布在陸家嘴、人民廣場(chǎng)和南京西路等幾個(gè)高密度區(qū)域。通常而言，盡管中心區(qū)出行需求更多，但城市外圍區(qū)域的出行需求往往距離更長(zhǎng)，交通狀況更佳，因此對(duì)司機(jī)也具有較強(qiáng)吸引力。與此同時(shí)，方向分布的結(jié)果是，1倍標(biāo)準(zhǔn)差橢圓面積由256.0 km2增加到922.5 km2，扁率由0.26降低至0.08。由此可知，在平臺(tái)機(jī)制下，出租車(chē)司機(jī)的服務(wù)供給在空間上呈范圍增大但方向性降低的特點(diǎn)。

此外，基于城市分區(qū)可以進(jìn)一步比較信息差異下出租車(chē)服務(wù)供給在區(qū)域內(nèi)和區(qū)域間的分布。圖6是基于起訖點(diǎn)的上海中心區(qū)、中心城和市域的訂單分布，其中，跨區(qū)域訂單平均分配給兩個(gè)區(qū)域。出租車(chē)服務(wù)主要發(fā)生在城市區(qū)域內(nèi)部，跨區(qū)域訂單服務(wù)比例約占10%。全部轉(zhuǎn)為平臺(tái)機(jī)制后，城市中心區(qū)、中心城內(nèi)部的出租車(chē)服務(wù)需求響應(yīng)比例大幅下降，而市域內(nèi)部服務(wù)比例增幅顯著，達(dá)到26%。

圖6 區(qū)域內(nèi)和區(qū)域間的訂單分布Fig.6 Taxi order percentage grouped by spatial areas

因此可以認(rèn)為，信息差異下的出租車(chē)服務(wù)供給在出發(fā)時(shí)間、行程距離、行程車(chē)速、空間范圍和密度指標(biāo)上均有明顯差異，證實(shí)了提前獲知乘客出行信息對(duì)出租車(chē)司機(jī)的服務(wù)供給行為的影響。為進(jìn)一步探究服務(wù)訂單差異所反映的司機(jī)行為規(guī)律和潛在的服務(wù)歧視問(wèn)題，下節(jié)將聚焦直接影響司機(jī)收入的距離，開(kāi)展行程距離、出發(fā)時(shí)刻、載客位置的分析，以發(fā)掘平臺(tái)機(jī)制下司機(jī)響應(yīng)需求時(shí)的選擇傾向性。

4 距離分組的司機(jī)行為傾向性分析

4.1 訂單距離分組

訂單距離直接關(guān)系到司機(jī)收入。圖7繪制了司機(jī)在不同信息獲知程度下，完成訂單的行程距離頻率分布和累積頻率分布。為分析兩類(lèi)訂單的距離分布是否具有相似性，進(jìn)一步利用K-S檢驗(yàn)。結(jié)果顯示P值是9.26×10－243，無(wú)限接近0，說(shuō)明司機(jī)在兩類(lèi)機(jī)制下的服務(wù)訂單具有顯著的距離分布差異性。

圖7 行程距離頻率直方圖和累積頻率分布曲線Fig.7 Frequency distribution and cumulative frequencies of taxi order distance

為了便于討論，將訂單按距離劃分為不同組別，分組閾值分別取兩條曲線的50%、75%、95%分位值并取二者均值，以此分為短距離組（＜6.5km)、中距離組（6.5～12km)和長(zhǎng)距離組（12～25km)。結(jié)合3.2節(jié)中對(duì)訂單距離結(jié)構(gòu)分析，可知中距離訂單比例基本保持不變，因此下文僅關(guān)注明顯減少和明顯增加的短距離組和長(zhǎng)距離組的訂單。部分獲知信息時(shí)司機(jī)所完成的長(zhǎng)、短距離訂單占總體的15.2%和57.6%，完全獲知信息下司機(jī)所完成的長(zhǎng)、短距離訂單占比是25.1%和43.4%。

4.2 長(zhǎng)距離訂單的出發(fā)時(shí)刻選擇

按照出發(fā)時(shí)刻將全天分為上午（6：00～12：00）、下午（12：00～18：00）和晚間（18：00～24：00）3個(gè)時(shí)段，統(tǒng)計(jì)司機(jī)在獲取信息差異下的長(zhǎng)距離訂單的運(yùn)營(yíng)特征，見(jiàn)表2。隨著司機(jī)由巡游模式向借助平臺(tái)機(jī)制響應(yīng)服務(wù)轉(zhuǎn)變時(shí)，長(zhǎng)距離訂單的各項(xiàng)運(yùn)營(yíng)指標(biāo)均有所變化。例如，行程距離略有提高，從16.7km增加到16.9km；行駛速度從29.3～37.1 km·h－1大幅提高到32.5～38.9 km·h－1。

為進(jìn)一步探究長(zhǎng)距離訂單特征變化的原因，以20min為時(shí)間間隔分別統(tǒng)計(jì)其出發(fā)時(shí)刻（圖8）和行程時(shí)間分布（圖9）。出發(fā)時(shí)刻方面，司機(jī)在上午和晚間完成的長(zhǎng)距離訂單比例明顯提高，尤其8：00～10：00和 21：00～23：00，單位間隔訂單量占全日2.5%以上；而長(zhǎng)距離訂單完成比例的最低值出現(xiàn)在15：00～17：00時(shí)。訂單時(shí)長(zhǎng)方面，上午和下午時(shí)段長(zhǎng)距離訂單分布曲線近似一致。巡游模式為主時(shí)，長(zhǎng)距離訂單的行程時(shí)間集中于25～50min（占比約75%）；當(dāng)完全處于平臺(tái)機(jī)制下，約77%的訂單時(shí)長(zhǎng)為20～45min，略有降低。而在晚間時(shí)段，長(zhǎng)距離訂單的耗時(shí)由25～40min（占比74.8%）提高至2016年的30～50min（占比 80.2%），與3.2節(jié)中20：00～22：00訂單行程距離增幅最大的結(jié)果一致。

表2 長(zhǎng)距離訂單運(yùn)營(yíng)特征指標(biāo)Tab.2 Operation index of long-distance taxi orders

圖8 長(zhǎng)距離訂單出發(fā)時(shí)刻曲線Fig.8 Percentage of departure time of long-distance taxi orders

圖9 長(zhǎng)距離訂單行程時(shí)間分布曲線Fig.9 Empirical distribution of duration of longdistance taxi orders

總體來(lái)說(shuō)，司機(jī)在完全獲知乘客出行信息條件下，響應(yīng)長(zhǎng)距離出行需求時(shí)具有出發(fā)時(shí)刻選擇傾向性，即在8：00～10：00和21：00～23：00（可稱(chēng)之為出租車(chē)服務(wù)供給的早、晚高峰時(shí)段）完成了更多訂單。盡管各時(shí)段的訂單行程距離顯著增加，但司機(jī)駕駛速度更快，因而縮短了訂單的平均耗時(shí)?？梢酝茢?，訂單距離增加和完成速度更快使得司機(jī)在平臺(tái)機(jī)制下收入更高。

4.3 載客地點(diǎn)選擇傾向性

為判斷出租車(chē)訂單的生成位置和行程距離在空間是否具備統(tǒng)計(jì)學(xué)意義的集聚現(xiàn)象，本文采用ArcGIS空間自相關(guān)工具。所基于的零假設(shè)是，不同行程距離的出租車(chē)訂單在研究區(qū)域是隨機(jī)分布的。參數(shù)設(shè)置如下：空間關(guān)系的概念化選擇反向距離（INVERSE-DISTANCE），距離法選取Manhattan距離，距離閾值設(shè)置為500m。輸出結(jié)果包括表征空間自相關(guān)強(qiáng)弱的Moran I指數(shù)、表征標(biāo)準(zhǔn)差倍數(shù)的Z得分和P值等。

模型結(jié)果是，兩類(lèi)信息獲知程度下的訂單距離Moran I指數(shù)分別為0.11和0.07，說(shuō)明訂單的行程距離與其生成位置有關(guān)；Z得分為165.5和10.3，說(shuō)明不同距離的訂單在空間呈集聚型分布；P值均為0，證明結(jié)果可信。由此可知，無(wú)論司機(jī)是部分還是完全獲知乘客出行信息，其所完成訂單的行程距離均與空間具有較強(qiáng)的相關(guān)性，并且部分獲知信息情形下的空間集聚現(xiàn)象更顯著。

為探究信息差異下不同距離分組的司機(jī)服務(wù)供給行為的空間相關(guān)性，下文針對(duì)兩個(gè)問(wèn)題繼續(xù)分析：①長(zhǎng)、短距離訂單分布的位置是否有差異，服務(wù)供給是增加還是減少；②結(jié)合出發(fā)時(shí)刻探究，在司機(jī)傾向完成更多長(zhǎng)距離訂單的出租車(chē)服務(wù)供給的早、晚高峰（8：00～10：00和21：00～23：00），是否存在載客地點(diǎn)的轉(zhuǎn)移，即傾向于選擇“收益更佳”的區(qū)域。

4.3.1 長(zhǎng)短距離訂單的空間分布

圖10是以上海市分析小區(qū)為空間單元統(tǒng)計(jì)出租車(chē)服務(wù)的距離均值，以起點(diǎn)落在小區(qū)內(nèi)為計(jì)算規(guī)則。司機(jī)在部分信息獲知時(shí)，訂單距離在研究區(qū)域整體上呈圈層化分布，即從城市中心向外依次是中距離、長(zhǎng)距離、短距離，行程距離超過(guò)25km的訂單分布于臨港新城、浦東機(jī)場(chǎng)等小區(qū)。相比之下，司機(jī)完全獲知乘客出行信息時(shí)，服務(wù)的長(zhǎng)距離訂單的小區(qū)間隔散布于整個(gè)市域范圍，距離超過(guò)25km的小區(qū)數(shù)量由9個(gè)減少為3個(gè)。

由此可知，平臺(tái)機(jī)制下城市出租服務(wù)的最大變化是，城市中心區(qū)短距離小區(qū)集聚的現(xiàn)象基本消失（如楊浦區(qū)附近），以長(zhǎng)距離訂單為主的小區(qū)比例增長(zhǎng)至近1/3，該發(fā)現(xiàn)與3.2節(jié)和3.4節(jié)的分析相符合。

圖10 基于分析小區(qū)的出租車(chē)服務(wù)行程距離Fig.10 Taxi order distance within analysis zones

4.3.2 服務(wù)高峰時(shí)段的訂單密度轉(zhuǎn)移

運(yùn)用與3.4節(jié)相同規(guī)則的核密度方法，以距離分組和出發(fā)時(shí)刻（僅關(guān)注出租車(chē)服務(wù)供給早晚高峰）作為分析維度，得到出租車(chē)服務(wù)載客位置熱力圖和描述信息獲知程度轉(zhuǎn)變后影響的密度變化圖。信息機(jī)制變化后，基于出發(fā)時(shí)刻和距離分組的出租車(chē)服務(wù)供給的密度分布呈現(xiàn)以下規(guī)律：

（1）由圖11可知，出租車(chē)服務(wù)供給早高峰時(shí)段，長(zhǎng)距離訂單的載客地點(diǎn)存在空間轉(zhuǎn)移，高密度載客區(qū)域的分布由集聚中心區(qū)變?yōu)橹行某菐罘植?，服?wù)響應(yīng)密度低的區(qū)域從中心城延伸到近郊區(qū)。此外，36%的柵格載客密度增加，增幅較大的柵格在空間呈散點(diǎn)和塊狀，主要分布在近郊區(qū)和浦東內(nèi)外環(huán)之間；柵格密度降低的區(qū)域較為集中，分布在內(nèi)環(huán)內(nèi)、外環(huán)內(nèi)普陀區(qū)、長(zhǎng)寧區(qū)-虹橋樞紐。

（2）由圖12可知，出租車(chē)服務(wù)供給晚高峰時(shí)段，長(zhǎng)距離訂單的載客地點(diǎn)分布變化不大。載客位置密度降低的柵格數(shù)量約占75.3%，明顯多于密度增加的柵格。密度提高的柵格在空間呈帶狀分布，主要集中在內(nèi)環(huán)內(nèi)及徐匯、長(zhǎng)寧和浦東新區(qū)；虹橋樞紐至內(nèi)環(huán)附近的載客密度降低明顯。值得注意的是，在部分獲知信息時(shí)，可觀察到虹橋樞紐是司機(jī)提供出行服務(wù)的高密度區(qū)域；然而，在完全獲知出行信息后，載客密度明顯降低。

（3）由圖13可知，出租車(chē)服務(wù)供給早高峰時(shí)段，短距離訂單的載客位置密度分布發(fā)生明顯變化，高載客密度的區(qū)域基本消失，中低載客密度的區(qū)域呈散點(diǎn)分布于整個(gè)市域范圍。載客密度增加和減少的柵格各占一半；除張江附近，中心城內(nèi)的載客密度均略有降低，城市近、遠(yuǎn)郊出現(xiàn)多個(gè)載客密度明顯增加的點(diǎn)狀區(qū)域。

綜合上述分析可知，出租車(chē)司機(jī)在不同程度獲知乘客出行信息時(shí)，其服務(wù)供給行為在出發(fā)時(shí)刻和載客位置分布均具有明顯差異。具體而言，傳統(tǒng)巡游模式為主時(shí)，司機(jī)響應(yīng)出行需求的空間分布與出發(fā)時(shí)刻、行程距離無(wú)明顯關(guān)聯(lián)；但當(dāng)全部轉(zhuǎn)變?yōu)榻柚脚_(tái)提供服務(wù)后，出租車(chē)司機(jī)在服務(wù)供給早晚高峰對(duì)長(zhǎng)、短距離出行需求的響應(yīng)呈現(xiàn)出空間差異化。供給早高峰時(shí)段，城市中心區(qū)的長(zhǎng)、短距離出行需求響應(yīng)均有所降低，在城市外圍區(qū)域和遠(yuǎn)郊區(qū)則明顯提高；供給晚高峰時(shí)段，變化規(guī)律剛好相反，司機(jī)對(duì)中心區(qū)的長(zhǎng)距離出行需求響應(yīng)增強(qiáng)。

5 結(jié)論

本文從司機(jī)服務(wù)供給行為視角切入，量化分析了出租車(chē)運(yùn)營(yíng)模式前后變化。揭示了信息機(jī)制對(duì)服務(wù)響應(yīng)的時(shí)-空影響，以及移動(dòng)出行市場(chǎng)供-需匹配的動(dòng)態(tài)博弈過(guò)程。研究結(jié)果表明：

（1）信息機(jī)制差異下，相鄰年份的出租車(chē)訂單在響應(yīng)時(shí)刻、行程距離、空間密度和城市區(qū)域分布上均可觀測(cè)到明顯轉(zhuǎn)移。因此，本研究證實(shí)了網(wǎng)絡(luò)預(yù)約模式的信息優(yōu)勢(shì)對(duì)出租車(chē)司機(jī)服務(wù)供給行為的影響。

（2）信息優(yōu)勢(shì)下，司機(jī)對(duì)長(zhǎng)距離訂單的響應(yīng)比例增多，且呈現(xiàn)出發(fā)時(shí)刻和載客位置的選擇傾向性。一方面，出租車(chē)服務(wù)供給的早、晚高峰時(shí)段是8：00～10：00時(shí)和21：00～23：00時(shí)，這期間司機(jī)集中完成了更多的長(zhǎng)距離訂單；并且他們的駕駛速度更快，實(shí)際上縮短了訂單的平均耗時(shí)，使得司機(jī)在平臺(tái)機(jī)制下收入更高。另一方面，司機(jī)在服務(wù)供給早高峰時(shí)段降低了對(duì)城市中心區(qū)的出行需求響應(yīng)，而增強(qiáng)了對(duì)城市外圍區(qū)域和遠(yuǎn)郊區(qū)的響應(yīng)；而在服務(wù)供給晚高峰時(shí)段，對(duì)中心區(qū)的長(zhǎng)距離出行需求響應(yīng)增強(qiáng)。

研究回答了出行平臺(tái)的機(jī)制設(shè)計(jì)是否需要監(jiān)管規(guī)制這一政策議題，為未來(lái)制定移動(dòng)出行市場(chǎng)更加精細(xì)化的信息管制措施和市場(chǎng)公平性評(píng)估提供了量化支持。