租赁自行车作为移动互联网和自行车融合发展的新型服务模式，近年来在国内外得到了迅猛发展. 该模式不仅能满足出行方式的多元化需求，有效解决了轨道交通的“最后一公里”问题，还有助于提升居民的生活品质. 目前，租赁自行车主要分为2种形态：定桩的公共自行车模式（以下简称公共自行车）与无桩的共享单车模式（以下简称共享单车）. 截至2018年4月，国内外已有超过1 600个已运营、390多个正在建设过程中的公共自行车项目；同时共享单车系统开通城市超过200多个，因其分布广泛且减少了出行者与公共自行车车桩的步行距离而广受欢迎^[1]. 根据对共享单车使用者的调查统计，出行者在使用共享单车后，其对包括私家车、网约车、出租车在内的小汽车总体使用量减少了55%^[2].

在实际运营过程中，2种租赁自行车模式的弊端也日益凸显：公共自行车建设成本偏高；使用注册手续繁琐；高峰期会出现“借车难、还车难”的现象；站点规划不尽合理；未能跟随智能手机发展进行科技创新；等等. 共享单车也存在供需不平衡、车辆乱停乱放、交通安全等问题.

作为近年来交通领域的研究热点，国内外学者分别针对公共自行车与共享单车用户群体的出行行为特征等方面进行了研究.

1）在使用人群方面，低收入群体和老年人更愿意使用公共自行车^[3-4]. Lan等^[5]发现，男性较女性更倾向于选择共享单车出行；年轻人更倾向于选择共享单车出行；中等收入人群更倾向于选择共享单车出行；受教育程度越高的人群越倾向于选择共享单车出行. Xin等^[6]发现通勤者是共享单车的主要使用群体，随后是学生和自由职业者.

2）在时间分布特征方面，Shen等^[7]发现共享单车和公共自行车在工作日呈现显著的早晚用车高峰，表明工作日出行者使用租赁自行车的主要出行目的为通勤.

3）在空间分布特征方面，Shen等^[7-8]发现城市商业中心的共享单车使用量比较大，而郊区的共享单车使用情况正好相反，这可能与共享单车在郊区的整体投放量较少有关. 王家川等^[9]通过分析北京市共享自行车骑行数据，得出轨道交通周边共享自行车使用强度较高的结论.

4）在骑行距离和时长分布方面，Zhang等^[10]发现公共自行车主要服务于0.8~4.8 km的短距离出行；通过分析共享单车轨迹数据，Ai等^[11]发现共享单车的骑行时长主要集中在0~30 min，骑行距离主要集中在0~3 km.

5）在影响因素方面，袁朋伟等^[12]基于调查问卷数据构建了Nested Logit模型，找出了影响出行者选择共享单车及其他出行方式的关键因素. Li等^[13]基于调查问卷数据构建了Binary Logistic模型，从个人属性、出行特性和对共享单车的态度3个方面探究了用户对共享单车的选择行为. Liu等^[14]通过挖掘公共自行车的刷卡数据，运用分层聚类（Hierarchical clustering）和多项logit回归（Multinomial logit regression）探究了建成环境因素与公共自行车时空特征之间的关系. 此外，Chen 等^[15]通过问卷调查对比分析了公共自行车和共享单车在用户群体和影响因素方面的差异性. Gu等^[16]从市场、政府、用户和运用4个方面对比分析了公共自行车与共享单车的差异性，并总结出不同城市类型下2种租赁自行车的可行性.

综上，现有研究大多单独对2种租赁自行车模式进行研究，少数学者通过调查问卷对比分析了2种租赁自行车的差异性，缺少通过调查数据与租赁自行车历史骑行数据定量分析两者差异性的研究. 本文通过挖掘历史骑行数据，对比分析2种租赁自行车用户的出行行为特征，基于调查数据与出行行为理论，建立二元Logistic模型，确定影响公共自行车与共享单车用户出行决策的显著性因素，并提出有利于租赁自行车发展的相关政策建议.

南京公共自行车服务系统自2013年1月1日正式开通运营，截至2017年，南京市内大约有10万辆公共自行车；共享单车于2017年1月登陆南京，截至2017年，南京市内大约45万辆共享单车^[17].

本研究使用的数据包括由Mobike公司提供的2017年9月18—24日的南京共享单车骑行数据、由南京公共自行车公司提供的同时段公共自行车智能交通卡数据以及2018年6月采集的南京市租赁自行车用户问卷调查数据.

1）共享单车骑行数据.

共享单车的骑行数据包含车辆ID、用户ID、骑行开始时间、骑行开始位置（经度、纬度）、骑行结束时间、骑行结束位置（经度、纬度）. 筛除共享单车骑行数据中的残缺数据之后，共留下2 058 819条共享单车骑行记录.

2）公共自行车智能交通卡数据.

公共自行车智能卡数据包含用户ID、骑行开始时间、骑行结束时间、行程开始站点ID、行程结束站点ID、站点名、站点经纬度. 筛除公共自行车刷卡数据中的残缺数据之后，共留下890 369条公共自行车骑行记录.

3）租赁自行车用户问卷调查数据.

在南京市5个区（玄武区，秦淮区，鼓楼区，建邺区，雨花区）针对同时使用过共享单车和公共自行车的用户进行抽样调查，共发放384份问卷，回收有效问卷362份. 问卷调查的主要内容包括：用户对2种租赁自行车的使用倾向（更愿意使用共享单车或公共自行车）、用户个人属性、对2种租赁自行车的主观感知. 二元Logistic模型中变量的定义与内容如表A1所示（见附录A）. 其中，R为各变量对应的样本量占总样本量的比例.

为探讨用户个人属性和主观感知对租赁自行车用户出行方式选择的影响，构建二元Logistic回归模型，该模型主要用于预测因变量为二分类的分类变量发生概率^[18]. 二元Logistic回归模型结构^[19]如下：

(1) $\ln\; \left( {\frac{P}{{1 - P}}} \right) = \alpha + \sum\nolimits_{i = 1}^n {{\beta _i}{x_i}}, $

(2) $P\left( {y = 1\left| x \right.} \right) = {\left\{ {1 + \exp\; \left[ { - \left( {\alpha + \sum\nolimits_{i = 1}^n {{\beta _i}{x_i}} } \right)} \right]} \right\}^{{\rm{ - 1}}}}.$

式中：P为y=1（即选择共享单车）的预测概率， ${x_1},{x_2}, \cdots ,{x_n}$为反映个人属性、对共享单车和公共自行车的主观感知以及对两者的使用体验的各个自变量， $\alpha $为截距， ${\beta _1},{\beta _2},\cdots,{\beta _n}$分别为 ${x_1},{x_2}, \cdots ,{x_n}$的偏回归系数.

与此同时，选择公共自行车出行的概率为

(3) $P\left( {y = 0\left| x \right.} \right) = {\left[ {1 + \exp \;\left( {\alpha + \sum\nolimits_{i = 1}^n {{\beta _i}{x_i}} } \right)} \right]^{{\rm{ - 1}}}}.$

选择共享单车出行与选择公共自行车出行概率之比，即发生比（O）^[20]，为

(4) $O = \frac{{P\left( {y = 1\left| x \right.} \right)}}{{P\left( {y = 0\left| x \right.} \right)}} = \exp\; \left( {\alpha + \sum\nolimits_{i = 1}^n {{\beta _i}{x_i}} } \right).$

式（4）表明 $P\left( {y = 1\left| x \right.} \right)$越大，发生比也越大.

为了度量某一自变量对因变量（是否选择共享单车）影响程度的大小，定义优势比（ ${R_{\rm{O}}}$），其计算公式^[21]如下：

(5) $\begin{split} {R_{\rm{O}}} = \frac{{\exp\; \left[ {\alpha \!+\! {\beta _1}{x_1}\! +\! \cdots \!+\! {\beta _i}\left( {{x_i} \!+\! 1} \right)\! +\! \cdots \!+\! {\beta _n}{x_n}} \right]}}{{\exp\; \left( {\alpha \! +\! {\beta _1}{x_1} + \cdots + {\beta _i}{x_i} + \cdots + {\beta _n}{x_n}} \right)}} {\rm{ = exp}}\;\left( {{\beta _i}} \right). \\ \end{split} $

式（5）表明：在保持其他自变量不变的情况下，自变量 ${x_i}$改变1个单位，O变为原来的 ${\rm{exp}}\;\left( {{\beta _i}} \right)$倍. 当自变量 ${x_i}$的 ${R_{\rm{O}}}$值远大于或远小于1时， ${x_i}$对因变量影响较大；当 ${R_{\rm{O}}}$接近于1时， ${x_i}$ 对因变量影响程度较小.

通过分析共享单车和公共自行车的历史骑行数据，发现共享单车的平均骑行距离和骑行时间分别为1 035.3 m和10.4 min，而公共自行车的平均骑行距离和骑行时间则分别为1 488.2 m和15.9 min，由此可知，共享单车的平均骑行速度值比公共自行车要大. 此外，一周内共享单车的平均周转率为44次，而公共自行车只有17次.

共享单车和公共自行车的骑行距离分布情况如图1所示. 图中，以250 m为间隔，将用户的骑行距离划分成不同分段，D为骑行距离，P₁为各骑行距离分段内对应的用户百分比，P₁′为各骑行距离分段内对应的累计用户百分比. 结果显示，有89.23%的共享单车用户和76.99%的公共自行车用户的骑行距离小于2 km，骑行距离小于3 km的用户百分比和累计百分比分别为96.30%和90.55%，表明公共自行车用户倾向更长的骑行距离更长. 当骑行距离小于1 km时，共享单车用户的百分比高于公共自行车；相反地，当骑行距离大于1 km时，公共自行车用户的百分比高于共享单车. 这可能与公共自行车“2 h免费骑行”的政策有关，该政策可以减少用户对骑行时间的顾虑^[15].

共享单车和公共自行车的骑行时间分布情况如图2所示. 图中，以3 min为间隔，将骑行时长划分为不同的时间范围，T为骑行时间，P₂为各骑行时长范围内对应的用户占比，P₂′为各骑行时长范围内对应的累计用户占比（以3 min为间隔）. 如图2所示，超过65%的共享单车用户和公共自行车用户的骑行时间都小于15 min；96.82%的共享单车用户与90.31%的公共自行车用户骑行时间小于30 min，可知更多的共享单车用户在30 min内完成用车，这与共享单车以每30 min为计价单位时间收取费用有关.

公共自行车和共享单车的车辆租用频率分布情况如图3所示. 图3中，以5次为间隔，将车辆使用频率划分为不同的频率范围，F为车辆使用频率，P₃为各车辆使用频率范围对应的用户占比，P₃′为各车辆使用频率范围对应的累计用户占比（以5次为间隔）. 可以看出，两者存在显著差异. 就公共自行车而言，一周内超过30%的车辆被使用的次数小于5次，96.54%车辆被使用的次数小于50次，这说明公共自行车的利用率较低. 相比之下，共享单车的车辆使用次数主要集中在20~80次，说明共享单车的利用率更高.

图4（a）和（b）为共享单车与公共自行车的小时使用量时间分布图. 共享单车的小时使用量最高为62 293次/h，远高于公共自行车（22 505次/h），这与南京市共享单车和公共自行车的投放量密切相关. 在用车特征上，公共自行车与共享单车在工作日均呈现出明显的早晚高峰时段，分别为7:00—9:00和17:00—19:00，且使用量均远高于周末，这说明用户的主要用车目的是通勤，这与文献[16]的研究结论一致. Gu等^[16]通过分析中国22个城市的租赁自行车用车时段规律，发现45%的使用量发生在早晚高峰时段. 此外，2类租赁自行车的时间分布特征也呈现出差异性：在工作日的中午时段（11:00—13:00），共享单车的使用量出现了一个小高峰，而公共自行车则没有. 这可能与该时段部分工作人员选择骑行共享单车回家午休或骑至工作地点附近餐厅用餐有关；此外，共享单车在工作日的非高峰时段与周末全天的使用量高于公共自行车，说明出行者使用共享单车的出行目的更加多元化.

本文采用最大似然估计对模型进行求解，保留回归系数显著性水平p<0.05的变量，并计算各变量相应的优势比（ ${R_{\rm{O}}}$），所构建的二元logistic模型参数估计结果如表A2所示（见附录A）. 其中，模型的样本量N=362，伪拟合优度值R_P为0.498. 通常情况下，R_P≥0.3说明模型的拟合度较高，因此该模型具有较好的拟合优度.

模型结果显示：个人属性中的年龄、职业、月收入以及是否拥有电动自行车对选择使用共享单车有显著影响. 相较于其他年龄段，60岁以上的受访者更青睐公共自行车，发生比减少了98.8%，该研究结果同文献[15]和[22]的结论相一致, Chen等^[15,22]分别对杭州市和昆明市的2类租赁自行车用户进行问卷调查，发现年轻人更偏向于选择共享单车，而老年人更偏向于使用公共自行车. 原因有以下2个方面：1）共享单车需要在智能手机上下载APP进行注册和网上充值，通过扫描二维码使用，而大多数老年人对新兴技术的接受程度不高^[16]；2）相较于可免费使用的公共自行车，骑行共享单车每30 min需要花费1元，价格相对较高. 企业职员和学生群体更倾向于选择公共自行车出行，发生比减少了97.4%，其结果符合图4（b）中公共自行车更为明显的通勤特征. 可以认为，当公司和家之间的距离较近时，如果周边提供了完善的公共自行车服务，企业职员有很大可能选择公共自行车进行通勤. 高收入受访者更倾向于使用共享单车出行，这与Li等^[13]的研究结果一致. 此外，电动自行车拥有者更倾向于选择公共自行车出行，这也表明了电动自行车和共享单车之间存在着竞争关系，其原因可能为两者都具备“门到门服务”的特点，而公共自行车因具有“2 h免费骑行”的优惠政策而与电动自行车形成互补关系.

就主观感知类变量而言，受访者中认为公共自行车2 h免费时长合理的用户更倾向于选择公共自行车出行. 如图2所示，超过90.31%的公共自行车用户在30 min内完成骑行，认为“2 h免费骑行”优惠政策时长合理的受访者，其骑行时间可能高于其他用户. 喜欢使用手机APP用车的受访者更倾向于选择共享单车出行，说明共享单车用户对于网络新兴技术和在线支付服务的敏感性更高，该研究结果同Wu等^[23]的结论相吻合. 为了吸引更多客户，共享单车公司会开展骑行优惠活动，如免费骑行和“红包车”. 被骑行优惠活动吸引的受访者更愿意使用共享单车，发生比会增至原来的17.775倍. Shen等^[7]的研究也发现免费骑行推广活动可以促进共享单车的使用. 若受访者认为公共自行车注册过程较复杂，则其选择共享单车出行的可能性更大，发生比增至原来的10.26倍. 正如文献[23]的研究结果指出，繁杂的公共自行车注册手续成为出行者放弃使用公共自行车的主要原因之一. 此外，由于用户不文明的骑行行为和共享单车公司在维护和管理上的缺陷，部分共享单车的座椅、踏板、二维码等主要部件被损坏，导致一些共享单车用户的用车体验变差，使其更倾向于选择车辆维护较好的公共自行车.

本文的研究结论可为公共自行车与共享单车系统提升服务水平、运营管理提供理论依据. 根据本文研究结果，提出以下政策建议.

1）由图2可知，超过90%的共享单车与公共自行车用户均在30 min内完成骑行，说明共享单车30 min计费制度合理，建议将南京市公共自行车系统的免费骑行时间由2 h下调至0.5~1.0 h，这与Zhao等^[24]提出的关于调整公共自行车免费骑行时长的建议一致.

2）由图4（a）可知，共享单车在晚高峰之后依然有一定的使用量. 英国曼彻斯特及荷兰鹿特丹和代尔夫特等城市的Mobike均装有前、后车灯，因此从夜间行驶安全的角度考虑，建议国内的共享单车也安装车灯，保障用户的夜间骑行安全.

3）为提高共享单车用户的骑行满意度，建议共享单车公司提升共享单车质量，健全坏损车辆上报与维修机制.

4）目前国内已有80多个城市的部分公共自行车站点实现了手机APP扫码用车，但Chen等^[15]指出，在杭州和苏州等地布设的可使用手机APP扫码用车的公共自行车站点仍无法满足高峰时段用户的需求，因此本文建议推广移动应用程序在定桩公共自行车系统中的应用，并简化注册过程，增加公共自行车的吸引力. 从兼顾公平的角度出发，建议共享单车推出更加适合老年人骑行的共享单车车型，优化手机APP，提供优惠的押金及租赁政策，加强对老年群体的宣传力度，吸引更多的老年人选择这种新潮的绿色健康出行方式.

5）由图（4）可知，2类租赁自行车在工作日均呈现出明显的早晚高峰时段. 刘冬旭等^[25-26]指出，在高峰时段定桩和不定桩租赁自行车的调度问题均比较严重. 为提高2类租赁自行车的服务质量，缓解高峰时段租赁自行车“借车难，还车难” 的现象，建议在住宅区、工作区和公交地铁站点附近增设公共自行车站点，规划共享单车的停车区域，同时制定科学、高效的车辆调度方案，缓解高峰时段租赁自行车在使用热点区域的调度问题. 此外，由图（5）可知，郊区公共自行车的站点密度较低，无法满足市民的出行需求. 建议加强郊区的公共自行车设施建设，提高站点密度，进而引导郊区的小汽车用户选择“租赁自行车+公共交通”的低碳出行模式.

本研究通过挖掘2种租赁自行车的历史骑行数据，对比分析了2种不同模式租赁自行车用户的出行特征差异. 结果表明：2种租赁自行车在骑行时长和骑行时间分布上差异较小，而在车辆租用频率、时间分布、空间分布特征方面差异明显.

本研究建立了二元Logistic模型，从用户个人属性和主观感知2个层面确定了影响用户出行决策的显著性因素. 基于多源数据对比分析了2种租赁自行车用户在出行特征与影响因素方面的差异. 但由于共享单车数据不对外开放，本文仅以所获取的Mobike数据为例进行了共享单车方面的分析. 此外，若能获取其他城市（尤其是具有代表性的大中小城市）的租赁自行车历史骑行数据与调查数据，即可对比不同城市之间租赁自行车用户的出行特性及其影响因素的差异性，为租赁自行车在不同城市的运营与管理提供更为完善的理论支撑.