机动弹性Ridesourced需求差异：一个多层次 伊利诺伊州芝加哥的邻里效应分析

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要翻译：
机动性弹性是指个体在交通系统受到意外干扰的情况下仍能完成预期旅行的能力。新的按需移动选择（如ridesourcing服务）填补移动中不可预测的空白的潜力是一个尚未被充分利用的适应能力来源。通过对新发布的ridesourcing数据应用自然实验方法，通过分析在种族和经济多样化的芝加哥市意外的轨道交通服务中断期间ridesourcing使用的变化，我们研究了在交通系统突然受到冲击时按需移动性填补空白作用的变化。使用多级混合模型，我们不仅控制中断发生的直接站属性，而且在三级结构中控制社区区域和城市象限的更广泛背景。因此，除了控制车站水平影响之外，未观察到的跨街区的可变性可以与诸如公交乘客或居民的社会经济地位等因素的差异相关联。我们的研究发现，在轨道交通中断期间，个体使用ridesourcing作为一种填补间隙的机制，但在不同的情境和位置背景下存在很大的差异。具体地说，我们的结果显示，在工作日、非节假日和更严重的干扰期间，以及在白人居民和过境通勤者比例较高的社区地区，以及在城市更富裕的北部，交通干扰响应型骑车出行的增加更大。这些发现指出了新的见解，对ridesourcing如何通过在中断期间提供额外的能力来补充现有的交通网络具有深远的影响，但似乎没有给低收入的有色人种社区带来公平的填补空白的好处，这些社区通常有更有限的流动选择。
---
英文标题：
《Disparities in ridesourcing demand for mobility resilience: A multilevel
  analysis of neighborhood effects in Chicago, Illinois》
---
作者：
Elisa Borowski and Jason Soria and Joseph Schofer and Amanda
  Stathopoulos
---
最新提交年份：
2020
---
分类信息：

一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--
一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--

---
英文摘要：
  Mobility resilience refers to the ability of individuals to complete their desired travel despite unplanned disruptions to the transportation system. The potential of new on-demand mobility options, such as ridesourcing services, to fill unpredicted gaps in mobility is an underexplored source of adaptive capacity. Applying a natural experiment approach to newly released ridesourcing data, we examine variation in the gap-filling role of on-demand mobility during sudden shocks to a transportation system by analyzing the change in use of ridesourcing during unexpected rail transit service disruptions across the racially and economically diverse city of Chicago. Using a multilevel mixed model, we control not only for the immediate station attributes where the disruption occurs, but also for the broader context of the community area and city quadrant in a three-level structure. Thereby the unobserved variability across neighborhoods can be associated with differences in factors such as transit ridership, or socio-economic status of residents, in addition to controlling for station level effects. Our findings reveal that individuals use ridesourcing as a gap-filling mechanism during rail transit disruptions, but there is strong variation across situational and locational contexts. Specifically, our results show larger increases in transit disruption responsive ridesourcing during weekdays, nonholidays, and more severe disruptions, as well as in community areas that have higher percentages of White residents and transit commuters, and on the more affluent northside of the city. These findings point to new insights with far-reaching implications on how ridesourcing complements existing transport networks by providing added capacity during disruptions but does not appear to bring equitable gap-filling benefits to low-income communities of color that typically have more limited mobility options.
---
PDF下载：
--> English_Paper.pdf (10.42 MB)

2022-4-16 10:31:53 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Source rides 伊利诺伊 效应分析 Our

提交给交通研究部分，交通弹性需求中的差异：芝加哥，伊利诺伊州博罗夫斯基博士候选人西北大学土木和环境工程系，技术学院，2145谢里登路，埃文斯顿，伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州60208美国伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州伊利诺伊州埃文斯顿谢里登路2145号西北大学理工学院土木与环境工程系助理教授*（对应作者）60208 USAA-Stathopoulos@Northwestern.Edubor奥夫斯基等人。2AbstractMobility Resility指的是个体在不考虑交通系统意外中断的情况下完成预期旅行的能力。新的按需移动选项（如ridesourcing服务）填补移动方面不可预测的空白的潜力是一个未被充分利用的适应能力来源。此外，按需交通提供的移动弹性改善是否在城市地区公平分布仍不清楚。对新发布的ridesourcing数据应用自然实验方法，通过分析在种族和经济多样化的芝加哥市意外轨道交通服务中断期间ridesourcing使用的变化，我们研究了在交通系统突然冲击期间按需移动填补空白作用的变化。通过采用多级混合模型，我们不仅控制中断发生的直接站属性，但是对于三级结构中的社区和城市象限的更广泛背景来说。因此，社区之间未观察到的可变性可能与交通出行等非因素的差异有关，或者居民的社会经济地位，除了控制车站水平的影响之外。我们的发现表明，在轨道交通中断期间，个人将乘车作为一种填补缺口的机制，但在不同的情况和位置背景下有很大的差异。具体来说，我们的结果显示，在工作日、非节假日和更严重的中断期间，以及在白人居民和公交通勤者比例较高的社区地区，以及在城市更富裕的北部，对交通中断响应的乘车率会有更大的增加。这些发现指出了新的见解，对RideSourcing如何通过在中断情况下提供额外的容量来补充现有的交通网络具有深远的影响，但似乎没有给低收入的有色人种社区带来公平的填补空白的好处，这些社区通常有更有限的流动性选择。我们通过流动性公平的视角来探讨适应性流动性中观察到的趋势的重要性，并讨论在快速发展的城市流动性背景下解决这一广泛现象的政策建议。关键词：出行、交通中断、多水平（随机效应）混合拦截模型、自然实验、公平、弹性Borowski等。31.意外的交通中断、事故造成的服务中断、基础设施故障和乘客痛苦是城市交通系统中常见的情况。

骑手的愿望通常是继续他们的旅程，按时完成--在旅行中保持弹性。目前骑车服务的增长通过填补交通运营中不可预测的空白，为城市交通弹性提供了一个新的机会。在这项研究中，我们考察了RideSourcing通过补充传统服务来增强对中断的适应性移动性的作用（Reggiani et al.，2015)。具体来说，我们研究了这类弹性空间的变化。我们分析了芝加哥市机动弹性的公平性。值得注意的是，芝加哥是美国第二大交通网络的所在地，芝加哥交通管理局(CTA)每月为350万乘客(CTA，2020a)提供近1600万次铁路服务(CTA，2020b)。虽然获得基本资源的不平等在美国许多城市很常见，但芝加哥与历史上僵化的、空间界定的、经常与种族有关的社会和经济不平等作斗争。例如，芝加哥白人家庭和小家庭之间的收入差距比全国范围内的收入差距更大(Asante-Muhammed，2017)。城市流动系统通常要应对多层次的不公平流动投资和服务准入，这些投资和服务准入决定了不同人口群体的服务质量。芝加哥市在服务层面上受到城市流动不平等的影响（例如，低移动性覆盖范围），以及低收入社区的不成比例的影响（例如，缺乏行人友好的基础设施或有偏见的治安）(Krapp，2020)。要理解流动系统如何为不同的社区成员服务，就必须理解交通系统中各种模式之间的相互作用。一方面，PublicTranst解决了那些行动不便的人的运输需求，这意味着运输中的任何中断都可能不成比例地影响资源不足的有色人种社区。另一方面，按需移动服务可以提供扩展的灵活移动性，尽管有证据表明，在使用与空间和社会人口多样性相关的ridesourcing方面存在差异（Soria et al.，2020)。这导致当地规划机构CMAP强调有必要研究新移动技术的潜在好处和陷阱，如ridesourcing，在无障碍性、负担得起的移动性和当地生活质量方面(CMAP，2018)。当分析交通中断期间ridesourcing服务的替代时，我们对移动性现有差异的认识回避了一个基本问题：这种中断是可恢复的吗？也就是说，资源不足的公交乘客是否与其他乘客一样，从基于出行的移动弹性中受益？在这个项目中，我们采用自然实验的方法，系统地识别一年中主要的交通中断，并将它们与来自芝加哥市的大规模时空旅行数据进行匹配。然后，我们开发amultilevel模型(MLM)来检验在交通中断期间乘坐需求激增的程度，提供自适应乘坐反应的证据。多层结构是为考虑城市中自发流动性弹性的变化而量身定制的，并探索它是否是由于邻里差异而发生的。为了研究公交乘客的这种潜在适应策略，我们将计划外铁路运输中断期间的出行需求与基线需求进行了比较，同时也控制了一天中的时间、一周中的一天和位置。本研究的主要贡献在于它提供了以下见解：（1）在芝加哥的交通中断期间，出行是否被用作填补空白的运输模式，(2)是否itsBorowski等人。

4根据种族和经济环境，用于此目的的利用率在整个城市中公平分布，以及（3）在中断期间，骑车需求的变化是否归因于站级、社区级或象限级的上下文。我们的发现提供了明显的局部性站级影响的证据，如中断的时间。重要的是，我们还发现，在观测到的基于中断的ridesourcing替代中，车站所在的社区区域负责大部分的变化。具体而言，种族构成和交通通勤率与上述车站水平因素存在显著的交互作用。这些见解有助于更好地理解骑手如何应对不同社区的中断。在实践方面，我们讨论了我们的研究结果如何为运输机构提供更公平的通信策略，以及如何与私人按需移动服务运营商建立潜在的合作伙伴关系，将移动视为一种无服务的运输模式。文献回顾2.1.交通中断的影响滞留中断可能是长期的或计划外的，其影响可能导致骑手转向传统模式（如小汽车和公共汽车）或按需移动（如自行车和自行车）。过去十年来，人们广泛研究了长期过境中断对运输行为的影响（Marsden and Docherty，2013年；Pnevmatikou et al.，2015年；Puet al.，2017年；van Exel and Rietveld，2001年；Zhu et al.，2017)。长期的交通线路关闭可能会延长几个月，为乘客提供时间来调整他们的行为，包括出发时间、路线和模式，暂时或永久。通常在长期中断期间，如阿斯特兰西特罢工，大多数旅行者会转向汽车（van Exel and Rietveld，2001；Zhu et al.，2017)。这可能是可用资源的一个函数，因为那些在交通中断期间不太可能乘坐汽车旅行的人包括低收入个人、妇女和工作时间表可反射的个人（Pnevmatikou et al.，2015)。在长期交通中断期间的模式转换行为不仅取决于社会人口统计，还取决于周围环境，如发生这种行为的城市。华盛顿特区的长期轨道交通中断与公共汽车乘客量的增加有关（Pu等，2017)，尤其是在低收入人群中（Zhu等，2017)。相比之下，对芝加哥铁路乘客的智能卡数据的分析表明，大多数乘客在计划维护期间继续使用铁路，其中一小部分转向公共汽车(Mojica2008)。此外，长期运输中断的影响导致欧洲和美国的运输乘客数量永久下降（van Exel and Rietveld，2001；Zhu et al.，2017)。类似地，在芝加哥，轨道运营的长时间中断导致估计3.9%的骑手放弃运输(Mojica，2008)。在少数几个考虑随需应变机动性的长期运输中断研究案例中，重点主要放在自行车上。研究结果显示，在交通罢工或维护项目期间，骑自行车需求暂时增加，表明按需运输的能力增加了机动性弹性（Fuller et al.，2012；Kaviti et al.，2018；Pu et al.，2017；Saberi et al.，2018)。与关于计划中的长期交通中断的大量研究相比，关于计划外的短期事件的研究很少（Sun et al.，2016)。然而，最近，研究已经开始考虑公交用户在应对unplannedBorowski等人的出行中的作用。5服务中断（Rahimi et al.，2020年）。

一项基于调查的研究是第一批研究芝加哥非计划服务中断期间公交乘客行为的研究之一，研究了乘客会取消行程、改变目的地或将模式改为班车、乘车、出租车、个人车辆或拼车（Rahimi et al.，2020)。研究发现，在交通中断期间转向骑行的人往往是千禧一代，受教育程度更高，有智能手机，或者有过骑行经验（Rahimi等人，2020)。在这项基于调查的研究中，种族没有被发现是假设交通中断的重要因素。虽然早期的工作揭示了自行车旅行在长期交通中断期间作为填补空白机制的作用，但到目前为止，骑行只是作为假设的非计划交通中断场景的模式适应策略进行了研究。目前的研究是第一个使用自然实验来检查无计划的短期交通中断的影响的研究之一，包括芝加哥市骑行的使用。我们认为，研究非规划的交通中断可以提高对适应战略的理解，这些战略可以取代固定运输服务的需求移动性。在此，我们开发了一个MLM模型来检验由于交通中断导致的骑车需求激增的动机。更重要的是，我们分析了RideSourcing填补空白使用中的差异，特别是与种族构成有关的差异，并比较了干扰源和更广泛的社区层面背景，以解释这种观察到的差异。按需移动使用和公平性由于残疾人、低收入历史上被边缘化的社区、农村人口、银行不足的家庭和没有智能手机的个人在按需移动方面的机会有限，ridesourcing商业模式被指控建立在特权接入的基础上（Daus ESQ.，2016)。研究一致表明，ridesourcing用户通常是年轻、男性、收入较高（Zhang and Zhang,2018)、受过高等教育的全职员工（Shamshiripour et al.，2020)，每户拥有的车辆较少，住得离中转站更近（Deka and Fei，2019)。同样，以前在西雅图运营的专注于通勤的万宝服务的用户主要是白人、男性、高学历、高收入和千禧一代（刘易斯和麦肯齐，2017)。其他的工作强调了根据收入细分和服务质量因素对已宣布的海凌公交替代的矛盾发现（Gehrke et al.，2018)。最近基于大规模旅行数据和实验的工作揭示了更多的聚合需求洞察。在芝加哥，在人口和就业密度、土地使用多样性、家庭收入、过境通勤者百分比和零车辆家庭百分比较高的地区，可以观察到更大的骑行使用率（Ghaffar等人，2020)。在西雅图，少数族裔比例较高的地区在调整收入差异后，晚上等待骑车服务的时间更长（休斯和麦肯齐，2016)；在纽约，骑车在低收入地区被发现不太常见（Jin等人，2019)。此外，在波士顿和西雅图的骑车实践中发现了种族和性别歧视的证据（Ge等人，2016)。尽管一个较小的研究机构缺乏一些城市更公平的旅行实践的证据，如西雅图平均收入较高的地区的等待时间更长（Hughes and Mackenzie，2016)或洛杉矶低收入社区每月一次旅行的频率更高，同时控制住宅位置(Brown，2019b)，但旅行不公平仍然是许多城市和许多群体需要解决的问题。

此外，调查结果表明，Borowski等人种族歧视。6在出租车中反对骑手可能比骑车更糟糕(Brown，2019a)，但仍然没有构成骑车总体公平的证据。就自行车而言，芝加哥有着四面楚歌的社会经济隔离历史，导致了截然不同的日常使用模式。比尔等人。（2018）显示，即使在控制了车站使用期和密度后，在Southfluent southside Divvy摄入量也较低。对新发布的芝加哥骑行数据的早期调查表明，在该市更富裕的北部和中部象限，骑行活动也有类似的集中（Soria等人，2020)。这种需求流动使用和公平的背景有助于我们对揭示的替代行为的变量选择和解释，因为它与车站、社区地区和城市象限水平的社会人口统计学有关。这一观点为文献提供了宝贵的贡献，因为传统上对运输复原力的公平方面的研究不足（Mattssonand Jenelius，2015)。数据说明3.1.芝加哥交通中断数据表1中列出的58起芝加哥交通管理局轨道交通中断是在2018年11月至2019年10月期间使用GoogleNews搜索短语“CTA中断”确定的。我们过滤了一些情况，使其只包括显著的中断（即至少持续一个小时）。事件特定变量包括位置（就城市侧、象限、社区区域和车站而言）、受影响的其他车站数量、中断原因、中断持续时间、班车部署、外部气温、工作日状态、假日状态、高峰时间状态、深夜状态以及原因是医疗紧急情况(CTA，2019)。3.2。芝加哥ridesourcing数据本研究中使用的ridesourcing数据来自芝加哥市数据门户（芝加哥数据门户，2019)。数据集中的交通网络公司包括优步、Lyft和Via。整个数据集包括2018年11月至2019年10月期间超过1.52亿次旅行。我们在本研究中分析的变量是旅行开始日期和时间，旅行英里，拾取社区面积，拾取人口普查范围。ridesourcing tripdata与确定的运输中断天数和可比基线操作相匹配。每次骑车旅行的起始位置由人口普查区或社区地区确定，如果该位置在中断的中转站半径0.25英里内，该旅行将包括在分析中。这一经常使用的步行估计（Younes et al.，2019；Zhao et al.，2003)用于说明在前往或离开受影响的中转站的路上骑车的骑手，或者远离受影响的车站周围的潜在人群以方便灌溉司机接车的骑手。为了生成一个强有力的四天ridesourcing需求基线，中断时间期间的行程计数在一周的同一天和一天的时间内被平均为事件前两周和后两周的中断。这假设从交通到乘车的模式转换行为通常不会持续超过两周，意外的交通中断平均持续2.5小时。虽然这可能是一个保守的估计，但它避免了车站可达性和季节性变化相混淆的风险。73.3.芝加哥社区区域数据芝加哥市被划分为77个社区区域，这些区域可以在城市的象限或扇区中进一步聚合：中部、北部、西部和南部。

根据美国社区调查（U.S.community Survey）的五年估计，我们在分析中包括的社区地区变量包括汽车站数量、公共汽车站数量、车站乘客数量、人口密度、面积、机场存在、总人口、家庭收入中位数、零车辆家庭的百分比、乘坐交通工具的通勤者的百分比，以及自我认定为西班牙裔或拉丁裔、白人非西班牙裔、黑人非西班牙裔、亚洲非西班牙裔或任何其他种族和族裔类别的居民的百分比。人口普查局，2017)，并由芝加哥交通局(CTA，2019)、芝加哥大都会规划局(CMAP，2019)和Divvy(Divvy，2020年）报告。没有关于transitand ridesourcing骑手的社会人口数据，因此使用了周围地理区域的社会经济特征。无花果。1(a)描述了28个交通中断的位置、受影响的车站、社区区域和象限边界，以及社区区域的空间分布(b)家庭收入中位数、(c)有色人种百分比、(d)过境通勤者百分比、(e)人口密度、(f)2019年交通网络公司总行程和(g)活跃模式通勤者百分比。图1中的地图证实了城市中部（f和g）对骑车和积极流动通勤的需求狭隘地集中，北部象限（e和d）的人口和交通通勤的集中，以及与大多数非白人种族崩溃（b和c）相比，收入热图基本相反。表1从2018年11月到2019.10芝加哥28次计划外交通中断。8Borowski等人。9图。1.(a)芝加哥地图，显示轨道交通线路和与社区区域和象限边界有关的破坏事件。Insert表示环路中央商务区。Heatmapsindicated(b)家庭收入中位数，(c)有色人种的百分比，(d)%通过过境通勤，(e)人口密度，(f)交通网络公司2019年出行总次数，以及(g)%通过活跃方式通勤的空间分布。建模方法4.1.Multilevel mixed(MLM)建模旨在正确地解释数据的分层嵌套和不同层次上发生的影响(Goldstein，2003；Julian，2001；Wampold andSerlin，2000）。MLM模型提供了一种分析数据集的机制，其中观测数据（在本例中是台站中断）嵌套在高阶空间上下文中，如邻域。过去，MLM或分层模型被用来表示个人网络中社会关系的结构（Carrasco and Miller，2009)、自行车共享出行中的时间变化（El-Assi et al.，2017)以及始发站-目的地站对之间的交通需求（Iseki et al.，2018)。我们使用多水平回归分析来识别车站水平、社区地区水平和城市象限水平与交通中断期间出行需求的系统变化相关的因素。因此，我们可以在数据层次的每一层检查解释变量，并在这样做时控制社区区域对车站乘车量变化的影响。使用多层结构的优点是能够估计结果的可变性，这些可变性可以归因于邻域（例如，社区区域）的影响，而不是仅仅归因于单个车站的影响。通过在适当的水平上仔细地控制变量包含，该模型考虑了同一组（即给定的社区区域）内观测之间的相关性，这与组间的相关性不同（Jones and Duncan，1996)。

相反，标准化水平的回归模型将忽略群体水平的区别（例如，不同社区的不同通勤模式）和群体水平的相关性（例如，同一社区中车站之间与乘客收入水平有关的相似使用模式）。考虑MLM模型的一个有用的方法是将其作为一个位于两个建模极端之间的结构，这两个极端是众所周知的：完全池化和完全非池化规范（Gelman and Hill,2007）。Fully pooled模型将组级变量视为个体变量，从而忽略了grouplevel的区别。相反的极端，一个完全非池模型，断言组是完全不同的，它们不能在同一个模型中关联。MLM模型通过建立个体水平的固定效应和对这些效应的分布假设，在完全区分群体和完全忽略群体水平效应之间提供了一种承诺。为了解决由运输中断引发的交通涌潮的研究问题，我们不仅对中断发生的直接站属性（水平1）进行了研究，还对社区区域（水平2）和象限（水平3）在三级结构中的因素进行了研究。无花果。2展示了分层的三层模型框架。因变量是与中断前两周和中断后两周的基线需求相比较的RideSourcing旅行次数（即单个站的观测）。根据Mojica(2008)和Pu Etal，与中断原因、背景和时间相关的协变量作为解释变量被包括在这一级别。（2017年）。我们进一步研究了车站是否嵌套在社区区域内的事实，Borowski等人。10和主要象限在Ridesource需求转移中发挥作用。由于旅行者的组成和其他方式的可用性不同，一次比较中断可能会产生不同的方式转移影响，这取决于它位于哪里。具体地说，更广泛的背景是通过包括在社区一级衡量的社会人口学和流动性因素来控制的，这些因素反过来又汇总到象限分析水平。值得注意的是，由于我们测量的干扰来自自然实验，我们无法完全控制群落区域内和群落区域之间的所有因素组合。因此，我们在每个较低嵌套的群体水平上包括随机拦截效应，以划分对依赖变量的不可解释的变异性影响。2.TransitDisruptions引起的ridesourcing移动的多级混合模型框架。站中断嵌套在社区区域内，社区区域又嵌套在Inquadrants中。在概念上，该模型可以表述为不同层次上的回归方程，其中每个组级系数都有自己的回归方程。继Gill和Womack(2013)之后，在EQ中定义了一般的三级结构。1如：！“#$%&\'#$(&)#$*)”#$(+“#$(1)其中i代表车站，j代表社区面积，k代表象限。&\'#$是测量平均交通出行使用量（定义在等式2中）的（随机）截距，*)”#$是apredictor，如在车站一级测量的平均每日交通出行使用量，而&)#$是描述车站变量和交通出行需求变化之间关系的（随机）斜率（定义在等式3中）。

错误项+“#$与车站级别的影响有关。克莱维尔1：车站因素中断类型紧急情况[医疗]中断来源[同一车站]持续时间穿梭部署一天[晚上10点后，人力资源峰值]周结束时天气[冰冻，温度]当地汽车站#divvy车站#社会人口统计数据/人口密度/持久性有机污染物。大小%白色%零车辆HH%交通通勤者级别2：社区区域因素级别3：城市象限因素与级别2相同，在象限水平上聚合因变量：转向交通出行（与基线需求相比）跨级别交互作用Borowski等人。11通过在模型中包括2级和3级解释变量，我们揭示了上下文级效应。也就是说，我们考虑了由于社区区域或城市象限水平因素在站级系数中的变异性。第2级包括将影响该地区所有站点的社区面积水平汇总的变量。这可以被视为等同于教师对学生教育表现的影响，这种影响有别于他们个人因素的影响，也有别于更多的学校层面的影响。下标jk表示不同的社区地区影响。有编号的下标，第一个表示截距（0）或斜率(1)，而第二个下标表示独立变量。在第2级，一般的回归方程定义为:&\'#$%,\'\'$(，\')$*-#$(.\'#$(2)&)#$%，\'$(，))$*-#$(.)#$(3)其中随机截距&\'#$是社区中跨站点的ridesourcing需求激增的大平均值的函数（定义在下面的EQ中）。4）.由*-#$表示的对此averageintercept的偏离是社区级预测器，\')$表示社区级预测器的随机slope(eq。5)，而。\'#$是与假设具有多元正态分布的社区相关联的唯一效应。随机斜率&)#$是表示站点级别预测器的平均效果的函数（即所有站点上的斜率(eq，eq，eq，eq，eq，eq，eq，eq，eq，eq，)。6））。在台站预测器上与斜率的偏离（即随机效应）由，))$系数(eq)表示。7）对于只使用随机截距的模型（如目前的情况），这将被删除。在第3级，变量因象限而异，并适用于所有个别病例和分配给该组的社区区域。因此，它们包含与ijk或JK相对的下标k。在第3级，拦截和斜率的单独回归方程定义为:，\'$%/\'(/0*1$(.\'$(4),\')$%/-2(/3*1$(.\')$(5),）\'$%/)(/4*1$(.)\'$(6),))$%/1(/5*1$(.))$(7)，其中/\'是所有单个案例共享的拦截，/)，/和/1是主要影响，/0，/3和/4是双向交互，/5是三向交互。在我们特定的建模中，三级层次结构的结果变量！“#$被定义为比基线乘客量的变化。经过规范测试，最终模型采用EQ中所示的格式。8-16。该模型包括一个随机截取&\'#$和两个主要影响(676897:；<=！“#$和>？=@897.a”#$)，在第1级，如EQ所示。8.第2级引入上下文变量，用于通过跨级交互来解释ridesourcing需求的可变性。也就是说，现在我们显式地对截距和斜率建模，并包括一级和二级独立变量相互作用来描述截距的变化。等式9-11显示了随机拦截\'\'$和跨级交互项(>?AB？6C8D9；C？#$E>？=@897.a“#$and>？AB？6C8CA=6F；C#$E<；FA.>C；768F7.AB？”#$GHLevel 2还指定了&)#$和&-#$,它们表示参数的斜率，\'$和，-\'$。Level 3包括随机拦截/\'和Borowski et al.12one象限级交互(67AC98I.=<$E F9.cc:？“#$)，它们被发现会产生RideSourcing（等式）的可变性。

12)，其余参数/）和/表示固定斜率系数。扰动参数包括在社区。\'#$和象限水平。\'\'$(eq)。1515）。重要的是要注意，除了Station-LevelEquations已经解释的变化之外，跨级别交互还解释了ridesourcing需求变化的大量变化。级别1模型！“#$%&\'#$(&\')$JKLK8MLN”OPQ2676897:；<=！2“#$2(2&RSP$8MLTU>？=@897.A2”#$2>？=@897.一个“#$(+”#$(8)级别2模型：随机拦截和跨级别交互&\'#$%，\'\'$(，\')$2*RSUVSKW2XM“WSJ#$E*RSP$YMLTU J”#$(，\')-J2*RSUVSKWZ[\\]^_ZJ#$E*O“`UTRW”LK8`LTUVS“#$(.\'#$(9)&)#$%，)\'$(10)&-#$%，-\'$(11)3级模型：随机拦截和跨级交互，\'$%/\'(/aluwmbMTW W NS67AC98I.=<$E F9.cc:？”#$(.\'$(12)，)\'$%/)(13)，-\'$%/(14).\'#$2C2DEFJ gOG(15).\'$2C2DEFJ gSG(16)5。结果5.1.描述性结果5.1.1。在中断期间ridesourcing需求激增的邻域差异描述性分析表明，在没有通知的交通线路中断后，ridesourcing的使用确实会出现显著的激增，如图1所示。3(a).这描绘了12月的一个星期一早上高峰时间，贝尔蒙特站（中断的来源）湖景的一个高影响的北侧案例。混乱的原因是一列火车撞了一个人。作为参考，此时间段和位置的基准ridesourcing需求是807次。中断与ridesourcing请求的显著激增相关，总计2883次，对应于257%的增长（中断与基线均值的t检验的P值为0.00001）。然而，整个城市的骑马适应并不统一。一个不同的情况显示在图。3(b)类似的中断事件，这一次发生在资源不足的西部社区，那里向按需服务的转变似乎有限。这显示了凯齐站东加菲尔德公园的一个低影响案例（中断的来源）。类似于贝尔蒙特的混乱，它发生在工作日早高峰小时，是由铁轨上的一个人造成的。这个时间和地点的基线骑行需求是贝尔蒙特的一小部分：89次骑行。在theBorowski等人期间的ridesourcing骑行次数。13中断事件低于基线76(-15%)，这不是一个显著的变化（中断与基线均值的t检验有0.3984的p值）。鉴于湖景城的阿米甸家庭收入为86,119美元，79%的居民是白人，而东加菲尔德公园的家庭收入中位数为23,116美元，5.6%的居民是白人，这种行为差异可能与种族和经济不平等有关。为了系统地研究交通中断引发的需求转移的不同模式，我们转向模型结果。3.中断期间的乘车需求（实心红线）与基线（虚线黑线）的比较：(a)北象限的贝尔蒙特站和(b)西象限的凯齐站。用灰色阴影标记的中断持续时间。Y轴缩放，以反映不同水平的基线需求（10：1）。多级混合建模结果如表2所示，MLM模型既包括车站级（1级）固定效应（非假日干扰和高峰时段干扰），这与标准回归参数相似，也包括反映车站周围环境的解释性特征：即两个罗斯级随机效应（高峰时段白人百分比和干扰发生时过境通勤者百分比）和一个象限级效应（北象限的班车部署）。除模型常数外，所有参数的置信度均达到98.9%或更高。