基于体制的网约车出行至分级医疗机构的时空组织

《Sustainable Cities and Society》：Regime-based spatiotemporal organization of ride-hailing mobility to hierarchical medical institutions

　　

摘要：指向医疗机构的城市出行代表了城市公共服务系统中一个重要但尚未充分探索的组成部分，因为这些出行涉及空间分布且具有层级差异化的医疗机构。本研究聚焦于指向医疗机构的网约车订单，调查了医疗机构导向出行中选择性网约车段落所嵌入的时空异质性和层级导向性。构建了一个三维张量来表示到达时间、起源街道或乡镇以及医疗机构等级，并采用典范聚列（CP）分解来提取潜在结构成分。进一步应用了基于成分的结构诊断框架来量化结构贡献、时间规律性、起源侧空间集中度以及机构层级导向。结果确定了六种潜在结构模式，其特征是时间同步性、空间集中度和机构层级导向的不同组合。主导模式表现出清晰的到达时间剖面、核心导向的起源侧模式以及强烈的三级甲等导向，而低贡献模式则表现出较弱的时间结构、局部起源侧集中以及显著较弱的三级甲等导向。这些发现表明，指向医疗机构的网约车出行被组织成多个共存的结构模式，而不是同质化的需求模式。通过识别结构集中的到达模式，该框架支持更针对监测和管理资源的分配，并为医疗机构准入规划、网约车运营和城市交通管理之间以可持续性为导向的协调提供了诊断基础。

引言：医疗机构构成城市公共服务系统的重要组成部分，提供关键的医疗服务功能并结构化与基本城市服务相关的出行模式。指向医疗机构的出行通常与时间敏感性、空间集中度和机构层级相关，反映了医疗服务的结构化组织。因此，理解城市出行如何与医疗机构的层级结构相互作用，对于推进城市系统内可持续且公平的医疗服务获取至关重要。

随着网约车平台的快速扩张，响应式出行已成为城市交通系统中越来越有影响力的一部分。与医疗机构相关的出行本质上具有多模式特征，涉及私家车、公共交通、步行、骑行、传统出租车和网约车服务。在这个更广泛的多模式结构中，与固定路线公共交通相比，网约车可以提供灵活的门到门连接，同时无需拥有私家车即可提供此类接入。这些特征使得网约车特别适用于指向医疗机构的出行，尤其是在到达时间约束、门到门便利性或避免换乘可能很重要的情况下。然而，网约车记录应在明确的模式和活动范围内进行解读。此类出行可能包括医疗咨询、检查、陪同或探视患者、员工相关出行以及其他与机构相关的活动；因此，仅目的地信息无法揭示个人层面的出行意图。此外，网约车仅代表与医疗机构相关的更广泛出行系统中的一个选择性段落，其使用可能受到社会经济条件、数字平台接入、门到门便利性需求、私家车可用性以及公共交通连接的影响（Sikder, 2019; Ahmed & Hyland, 2023; Wali et al., 2025）。这种选择性意味着观察到的网约车模式捕捉的是平台中介出行段落内的实际到达，而不是与医疗机构相关出行的全部光谱。同时，上述背景条件提供了重要的解释背景，但它们并未直接作为分析属性记录在当前的订单数据中。因此，本文聚焦于指向医疗机构的网约车出行，并考察它们在到达时间、起源区域和医疗机构等级方面的结构组织。然而，这一范围具有政策相关性，因为围绕主要医疗机构的集中网约车到达可能导致局部交通和路侧管理压力（Ge et al., 2017; Bi et al., 2020; Zheng et al., 2022）。虽然先前的研究已考察了通勤和一般城市背景下的网约车需求模式（Ahmed & Hyland, 2023; Bi et al., 2020; Wali et al., 2025; Zheng et al., 2022），但专门指向医疗机构的网约车订单得到的关注相对有限。

在网约车模式范围之外，关于医疗机构相关出行和医疗获取的研究通常依赖于综合指标或单一维度分析，分别关注空间分布、出行阻抗或时间变化。然而，指向医疗机构的出行本质上具有多维性。特别是，它们的结构组织取决于出行到达的时间、起源的地点以及指向的医疗机构等级。在本研究中，到达时间用于表征网约车到达的可观察时间分布；起源位置捕捉这些到达的空间来源及其在城市系统中的分布不均；机构等级代表医疗机构层级内目的地侧的差异化。这些维度并未穷尽塑造医疗机构相关出行的所有因素；相反，它们提供了订单记录中可观察的网约车到达的时间 - 起源 - 机构结构的聚焦表示。因此，需要一个能够同时捕捉这些相关维度的分析框架，以揭示嵌入指向医疗机构的网约车出行中的结构异质性。

张量分解方法的最新进展为建模多维时空数据提供了强大工具。基于张量的方法已广泛应用于城市出行分析，从多路旅行数据集中提取潜在模式，实现同时考察时间动态、空间结构和背景属性。特别是，典范聚列（CP）分解提供了一个可解释的框架，用于识别嵌入高维出行数据中的低秩结构成分。这些方法学发展促使采用基于张量的框架来分析指向医疗机构的网约车出行中可观察的时间 - 起源 - 机构结构。

为解决这一空白，本研究构建了一个以医疗机构为目的地的网约车订单三维张量。该张量将到达时间、起源街道或乡镇以及医疗机构等级作为三个相互依赖的维度。应用 CP 分解来提取嵌入此多维数据集中的潜在结构成分。每个成分被解释为一种结构模式，其特征是时间规律性、空间集中度和机构导向的独特配置。基于分解结果，开发了一种基于成分的结构诊断框架，以量化特定模式的贡献、时间熵、起源侧空间不均匀性和机构层级导向。

通过专门聚焦于指向医疗机构的网约车订单，本研究推进了对响应式出行如何与医疗服务的层级组织相互作用的分化理解。基于模式的张量框架通过考察医疗机构导向的网约车到达如何在时间、起源区域和机构等级上共同组织，将城市出行分析扩展到了传统的通勤背景之外。在此范围内，本研究的分析贡献在于开发了一种基于模式的分析框架，将 CP 分解与成分级结构指标相结合。通过区分具有不同时间规律性、起源侧集中度和层级导向的潜在结构模式，该框架有助于识别到达压力在何时何地结构上集中，以及它们指向哪一级的医疗机构。这些结果为医疗机构准入规划、网约车运营和城市交通管理之间的差异化运营评估和协调提供了实证基础。

本文其余部分组织如下。第 2 节回顾了关于医疗机构可达性、网约车动态以及城市时空分析中基于张量方法的相关文献。第 3 节介绍了研究区域、医疗机构分类和网约车数据集。第 4 节提出了方法学框架和三维张量的构建。第 5 节报告了 CP 分解和基于成分的结构诊断的实证结果。第 6 节解释了分解中识别出的结构模式，并讨论了它们如何为医疗机构准入规划、网约车运营和城市交通管理之间的协调提供信息。第 7 节通过总结主要发现、讨论局限性并概述未来研究方向来结束本研究。

章节片段

医疗获取与医疗目的地出行

大量研究将医疗获取概念化，不仅视为服务供给的函数，而且视为一个由人们居住地、旅行距离以及城市交通系统如何促成或限制到达护理所塑造的移动中介过程（Gong et al., 2021; Xia et al., 2022; Chen et al., 2024; Su et al., 2024; Yang et al., 2024; Zhao et al., 2025）。最近的城市研究强调，观察到的医疗利用模式可能与潜在

研究区域与行政区划

本研究所使用的全部数据均收集于中国济南。济南是山东省省会，总面积 10,244.45 平方公里，截至 2024 年底常住人口 951.5 万。行政上，该市管辖 10 个区和 2 个县，进一步细分为 132 个街道和 29 个乡镇，总计 161 个行政单位。这些街道和乡镇分别构成了城乡地方治理的基本层级。

张量分解

张量分析提供了一个框架，用于保留数据中几个维度同时交互的多路关系。在本研究中，它用于保留到达时间、起源街道或乡镇以及医疗机构等级之间的联合依赖性，而不是将这些维度合并为单独的二元表示。为了从生成的三维张量中提取潜在结构，采用典范聚列（CP）分解。CP 分解

秩确定、模型验证与稳健性检查

为了确定合适的 CP 秩，遵循第 4.3 节描述的秩选择程序，评估了 1 到 10 的候选秩。对于每个候选秩，非负 CP 模型是从使用预定义随机种子集生成的 50 个随机初始化中估计得出的。这些重复初始化中获得的最佳 RMSE 用于表示每个秩下可达到的重建性能，而重复运行中 RMSE 值的分布被

讨论

指向医疗机构的城市出行通常使用综合指标来描述，如总体目的地份额或高峰时段需求强度。然而，此类综合总结可能掩盖出行模式中嵌入的多维异质性。为了揭示这种潜在结构，本研究将 CP 分解应用于网约车订单数据，并将每个成分解释为潜在结构模式。在此框架中，成分不应被理解为

结论

本研究通过多维张量框架考察了指向医疗机构的网约车出行的时空组织。通过构建包含到达时间、起源街道或乡镇以及医疗机构等级的三维张量，并应用 CP 分解，分析识别出嵌入医疗机构导向网约车出行中的六种潜在结构模式。每种模式代表了一种独特的配置

未引用参考文献

Li et al., 2024, Li et al., 2024, Wang et al., 2020

CRediT 作者贡献声明

Bin Zhang: 写作 – 原稿撰写，可视化，方法论，形式分析，概念化。Shaoxian Wang: 写作 – 审查与编辑，监督，方法论，概念化。Zhenjun Li: 写作 – 审查与编辑，方法论，概念化。Jie Xu: 写作 – 审查与编辑，概念化。Wei Xu: 写作 – 审查与编辑，概念化。Xiang Wu: 写作 – 审查与编辑，概念化。Tianqi Wang: 写作 – 审查与编辑，概念化。

Bin Zhang|Shaoxian Wang|Zhenjun Li|Jie Xu|Wei Xu|Xiang Wu|Tianqi Wang

埃因霍温理工大学城市规划与交通组，荷兰埃因霍温，PO Box 513, 5600 MB