浙江大学学报(工学版), 2023, 57(2): 380-391 doi: 10.3785/j.issn.1008-973X.2023.02.017

土木与交通工程

共享单车停车需求的多尺度时空影响因素

徐标,, 路庆昌,

长安大学 电子与控制工程学院,陕西 西安 710064

Multi-scale spatiotemporal influencing factors of bike-sharing parking demand

XU Biao,, LU Qing-chang,

School of Electronics and Control Engineering, Chang’an University, Xi’an 710064, China

通讯作者: 路庆昌,男,教授. orcid.org/0000-0001-7437-074X. E-mail: qclu@chd.edu.cn

收稿日期: 2022-05-24  

基金资助: 国家自然科学基金资助项目(71971029);陕西省自然科学研究基础研究计划资助项目(2021JC-28)

Received: 2022-05-24  

Fund supported: 国家自然科学基金资助项目(71971029);陕西省自然科学研究基础研究计划资助项目(2021JC-28)

作者简介 About authors

徐标(1997—),男,硕士生,从事交通大数据挖掘与行为建模研究.orcid.org/0000-0001-6161-9382.E-mail:2020132086@chd.edu.cn , E-mail:2020132086@chd.edu.cn

摘要

为了揭示城市多维特征与共享单车停车需求的时空关系及其关联尺度,结合上海市多源数据,构建以骑行距离为约束的多尺度时空地理加权回归模型(RD-MGTWR)来探究建成环境和区域经济属性对停车需求影响的时空异质性模式. 模型对比分析表明,相比于时空地理加权回归模型(GTWR),MGTWR模型表现出更好的解释力和可靠性,骑行距离的引入也进一步提高了MGTWR模型的鲁棒性. 结果显示社会经济属性对停车需求的正向影响尺度具有全局性,而区位条件的负向影响呈现局部异质性,在通勤早高峰的内环中心区域最为显著. 此外,具有微观空间或时间作用尺度的公交站点密度、地铁站点密度和购物类服务设施密度对停车需求产生了正负向影响. 影响因素尺度效应的发现有助于指导停车设施的分区规划和共享单车的分时调度.

关键词: 共享单车 ; 停车需求 ; 建成环境 ; 骑行距离 ; 多尺度时空地理加权回归 ; 时空作用尺度

Abstract

In order to reveal the spatiotemporal relationship between urban multi-dimensional features and bike-sharing parking demand and their associated scales, combined with multi-source data in Shanghai, a multiscale geographically and temporally weighted regression model constrained by riding distance (RD-MGTWR) was constructed to explore the spatiotemporal heterogeneity patterns of the impact of built environment and regional economic attributes on parking demand. The model comparison analysis shows that the MGTWR model exhibits better explanatory power and reliability than the geographically and temporally weighted regression model (GTWR), and the introduction of riding distance further improves the robustness of the MGTWR model. Results show that the scale of the positive impact of socioeconomic attributes on parking demand is global, while the negative impact of location conditions presents local heterogeneity, and is most significant in the inner ring central area during the commuter morning peak. In addition, bus station density, metro station density and shopping service facility density with micro-spatial or temporal scales have positive and negative effects on parking demand. The findings of the scale effect of influencing factors can help guide parking facility zoning development and bike sharing time-sharing scheduling.

Keywords: bike-sharing ; parking demand ; built environment ; riding distance ; multiscale geographically and temporally weighted regression ; spatiotemporal scale

PDF (2519KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

徐标, 路庆昌. 共享单车停车需求的多尺度时空影响因素. 浙江大学学报(工学版)[J], 2023, 57(2): 380-391 doi:10.3785/j.issn.1008-973X.2023.02.017

XU Biao, LU Qing-chang. Multi-scale spatiotemporal influencing factors of bike-sharing parking demand. Journal of Zhejiang University(Engineering Science)[J], 2023, 57(2): 380-391 doi:10.3785/j.issn.1008-973X.2023.02.017

为了实现城市可持续发展的战略目标,国家积极倡导低碳出行,推动共享经济的发展. 公共自行车作为一种环保、主动的交通方式在减少交通碳排放和缓解道路拥堵方面被证明是有效的[1]. 自2016年以来,新型无桩式共享单车系统在中国、荷兰和新加坡等国家经历了飞跃式的增长[2]. 截止到2018年2月,中国共享单车系统中部署的单车数量已增至2300万辆[3]. 相比于传统定桩式共享单车,无桩共享单车不受车桩的限制,便捷的使用方式给用户的最后一公里出行提供了一个更好的选择[4-5].

城市空间内共享单车规模的扩大和停车需求时空分布的显著差异给城市交通管理带来了巨大挑战[6]. 根据《2017年共享单车夏季市场专题报告》[7],42.0%的调查者认为乱停车问题比较严重,26.8%的调查者认为乱停车问题非常严重. 究其原因,主要是城市功能区的停车设施容量和位置与实际停车需求的潜在不匹配. 因此,开展共享单车规划研究对于城市的基础设施布局和单车分配调度具有重要意义. 近年来,国内外学者聚焦于共享单车的使用需求预测[8]、时空出行模式分析[9]和服务设施规划[10]等,这些研究大多关注共享单车的使用需求、周转率、骑行时间与建成环境及区域社会经济属性之间的关联[11-12],对共享单车停车问题的分析仍然有限. 鉴于此,须进一步探究共享单车停车需求的影响因素及其关系强度以完善相应的研究.

在共享单车影响因素分析及其时空关系建模研究中,普通最小二乘回归(ordinary leastsquares regression,OLS)常用于探究建成环境与单车使用间的关系[13]. 然而,OLS模型未考虑建成环境与共享单车需求间的空间异质关系,因此一些学者利用地理加权回归(geographically weighted regression,GWR)模型来解决此类问题,例如曹小曙等[14]利用GWR模型探究建成环境对中国大陆不同城市共享单车配置的空间异质影响,并证明了GWR模型的性能显著优于OLS回归模型. Li等[15]探究建成环境对上海市共享单车利用模式的影响,同样发现GWR模型的解释力比OLS模型更高. 在GWR模型被广泛应用的同时,针对共享单车需求的时间非平稳性,Ma等[16]利用时空地理加权回归(geographically and temporally weighted regression,GTWR)模型[17]研究了南京市建成环境和社会经济属性在时空维度上对定桩和无桩共享单车使用的影响,证明同时考虑时间和空间非平稳性的GTWR模型相比于OLS和GWR具有更强的解释力.

上述研究表明,GWR、GTWR相比于OLS模型能更好地解释多维因素对共享单车需求的异质影响,但仍存在一定的局限性. 首先,GTWR模型使用单一的平均带宽来计算变量的作用范围,忽视了不同变量作用的时空尺度差异,这可能会夸大或低估这种时空效应的变化,因此多尺度时空地理加权回归(multiscale geographically and temporally weighted regression,MGTWR)模型被提出以解决房价建模中变量作用尺度不一致的问题[18]. 然而,共享单车需求影响因素的时空作用尺度仍有待进一步探索. 其次,GWR、GTWR、MGTWR在构建局部空间权重矩阵时采用欧氏距离(Euclidean distance,ED),在面对复杂的地理空间环境特征时无法很好地表征区域之间的邻里关系,并且用欧氏距离来衡量骑行者的出行距离可能会导致结果产生一定的误差.

本研究通过骑行距离优化的多尺度时空地理加权模型来解决共享单车需求建模中忽视变量作用尺度差异和欧氏距离测度合理性的问题,进而有效解析城市建成环境、区域社会经济属性与共享单车停车需求间的时空关系,识别城市停车热点区域和时段,为停车设施的规划布局与共享单车的实时调度提供参考.

1. 研究区域及数据描述

1.1. 研究区域概况

本研究利用摩拜单车公司提供的2018年上海市DLBS交易数据进行分析. 摩拜单车是当时中国最大的共享单车公司,上海也是中国最大的都市之一. 2018年年底上海市人口达到2424万,2018年上海市GDP总量为32680亿元,占国内总量的6.6%[19]. 上海作为全球最大的共享单车城市之一,截止到2017年3月,共享单车投入量为45万辆,注册的单车用户达到450万[20]. 研究所用的数据记录了2018年8月26—9月8日时间跨度2周的64 万辆无桩共享单车的订单数据,有效订单量超3500 万,每天0:00—24:00的平均记录约为250 万,数据字段信息包括单车ID、记录时间、锁车状态(0开锁,1关锁)、位置信息(经纬度).

为了保证数据具有代表性,选择共享单车集中分布的范围作为研究区域,如图1所示. 图中,黑色边界线以内为研究区域,面积约为1868.877 km2,涵盖了浦东新区、黄浦区、嘉定区、宝山区、徐汇区、普陀区、杨浦区、松江区、虹口区、长宁区、闵行区、静安区12个主要行政区. 本研究主要目的为通过街道和镇层面的异质差异来为城市规划管理提供理论支持,同时便于对人口与社会经济属性的统计,根据以往研究[15]对上海市共享单车需求分析中研究单元的划分方法,将研究区域按照2010 年上海市第6次人口普查( https://tjj.sh.gov.cn/tjgb/20110502/0014-218818.html)的基本单位划分为136个研究单元,包含主要的镇和街道.

图 1

图 1   上海市研究区域

Fig.1   Study area of Shanghai


1.2. 影响因素及停车需求描述

1.2.1. 影响因素

基于现有文献分析[11-12],重点分析建成环境和区域社会经济属性对共享单车出行的影响. 调查的建成环境特征包括人口密度、道路属性、土地利用和服务设施密度、公共交通可达性和区位条件,数据来源于Openstreetmap提供的路网数据、人口普查获得的密度数据和百度地图爬取的兴趣点(point of interest,POI)数据. 社会经济属性包括研究区域房价和GDP数据,数据来源于资源环境科学与数据中心( https://www.resdc.cn/)和上海市链家网( https://sh.lianjia.com/). 摩拜单车数据采用的是wgs84坐标系,将上述数据统一成wgs84坐标进行统计. 为了不影响后续模型的结果,利用方差膨胀因子[21]对变量的多重共线性进行检验,表达式如下:

$ {\rm{VI}}{{\rm{F}}_i} = {1}/({{1 - R_i^2}});\;\;i = 1,2,\cdots ,n{\text{ }}. $

式中: $ {R_i} $为自变量 $ {x_i} $对其余 $ n{{ - 1}} $个自变量作回归分析的复相关系数,即回归 $ {R^2} $的算数平方根. $ {\rm{VI}}{{\rm{F}}_i} $越高,表明 $ {x_i} $与其他自变量之间的相关程度越高,通常 $ {\rm{VI}}{{\rm{F}}_i} $小于10被认为是可以接受的.

检验结果如表1所示. 可以看出,娱乐、餐饮、政府、居住、企业类POI密度、路口密度、停车场密度的VIF>10,证明与其他解释变量高度相关,将从模型中剔除. 剔除后对剩余变量重新进行检验,剩余变量的VIF均为0~10,表明不存在多重共线性.

表 1   影响因素描述统计

Tab.1  Descriptive statistics of influence variables

变量类别 变量名称 VIF
1)注:变量土地利用混合度为 $ - \sum\nolimits_{k = 1}^K {{p_k}\ln \;({p_k})} $,其中 $ {p_k} $为第 $ k $类POI的占比, $ K $为POI的种类数.
人口密度 居住人口密度/(人·km−2) 5.55
就业人口密度/(人·km−2) 5.99
土地利用与服务设施 土地利用混合度1) 1.90
教育类POI密度/(个·km−2) 2.84
娱乐类POI密度/(个·km−2) 13.69
医疗类POI密度/(个·km−2) 5.90
餐饮类POI密度/(个·km−2) 10.72
政府类POI密度/(个·km−2) 12.89
居住类POI密度/(个·km−2) 21.85
购物类POI密度/(个·km−2) 5.74
企业类POI密度/(个·km−2) 11.94
公园类POI密度/(个·km−2) 1.89
路口密度/(个·km−2) 13.36
主干路密度/(km·km−2) 3.55
道路属性 次干路密度/(km·km−2) 2.99
支路密度/(km·km−2) 1.84
自行车道密度/(km·km−2) 2.00
公共交通可达性 公交站点密度/(个·km−2) 6.96
地铁站点密度/(个·km−2) 3.28
停车场密度/(个·km−2) 14.42
区位条件 到市中心的距离/km 5.30
社会经济属性 人均GDP/(万元·人−1) 2.45
二手房均价/(元·m−2) 3.21

新窗口打开| 下载CSV


1.2.2. 共享单车停车需求

为了计算各研究单元内的共享单车停车需求,对共享单车的GPS数据进行处理. 首先,根据锁车状态提取出每条行车记录的行程对. 然后,将研究区域与单车数据通过位置信息做数据连接,筛选起讫点均位于研究区域内的数据. 锁车状态从1到0即为一次停车记录,但部分记录由于GPS定位精度的误差和调度人员的挪动导致车辆上一订单的终点位置和下一订单的起点位置不一致,如图2所示.

图 2

图 2   共享单车停车记录

Fig.2   Paking record of bike sharing


由于研究所分析的共享单车停车需求是针对骑行用户而言的,图2中位置偏差所产生的需求将从数据中筛除,数据筛除之前应明确筛除记录的位置偏差阈值. 分区(内环以内、内环到中环、中环到外环和外环以外)统计车辆停车过程中的距离偏差频率分布直方图,如图3所示. 图中, $ s $为距离偏差, $ f $为频率. 可以看出,不同区域的偏差距离分布规律相近,大部分的车辆挪动范围或偏差较小,集中分布在0~50 m范围内,此范围对于以街道和镇为基本单位分析是可以忽略的,因此结合距离分布和共享单车定位的精度误差将位置偏差超过50 m的数据剔除.

图 3

图 3   不同区域停车过程的距离偏差

Fig.3   Distance deviation during parking in different regions


统计研究区域内14 d的共享单车的小时停车数和研究区域内每平方千米日均停车数,绘制停车需求的时空分布图,如图4(a)、(b)所示. 图中, $ {Z_{\rm{c}}} $为停车需求, $ {Z_{\rm{p}} } $为停车需求密度. 由图4(a)可知,共享单车的停车需求呈现双峰特征,早晨7:00—9:00和傍晚17:00—19:00停车需求明显增加,这种现象在工作日的10 d中较为显著,表明共享单车在上海市居民通勤时受到广泛使用,这与马新卫等[22]基于南京市共享单车的研究发现一致. 对于非工作日而言,由于居民出行目的的多样化,停车需求的变化趋势相对平稳. 由图4(b)可知,外环线以内共享单车平均单位面积停车需求整体较高,向城市中心呈径向递增的趋势,主要是因为中心城区楼宇林立、商业和交通发达,居住人口高度集中,容易造成公共交通站点、购物商场及商务住宅等设施建筑周边共享单车呈潮汐式分布. 分析表明共享单车的停车需求呈现时空不平衡的现象,因此了解城市多维因素引起共享单车停车需求时空变化的潜在机制至关重要. 由于4 d非工作日均为雨天并且周末出行目的随机多变,本研究将天气状况良好的工作日日均单位面积的小时停车数作为模型的因变量.

图 4

图 4   停车需求的时空分布特征

Fig.4   Spatial and temporal distribution characteristics of parking demand


2. 研究方法

2.1. GTWR模型

在定义MGTWR模型之前须引入GTWR模型的理论方法,有助于深入理解时空建模的过程. GTWR模型采用局部时空回归,并利用时间和空间域中附近的样本点来对局部观测点的回归系数进行校准[17]. GTWR模型的回归方程表达式和回归参数的校准方程分别如下:

$ {y_i} = {\beta _0}({u_i},{v_i},{t_i})+\sum\limits_{k = 1}^K {{\beta _k}({u_i},{v_i},{t_i}){x_{ik}}} +{\varepsilon _i}, $

$ {\boldsymbol{\beta}} ({u_i},{v_i},{t_i}) = {({{\boldsymbol{x}}_i^{\rm{T}}}{\boldsymbol{w}}({u_i},{v_i},{t_i}){\boldsymbol{x}})^{ - 1}}{{\boldsymbol{x}}_i^{\rm{T}}}{\boldsymbol{w}}({u_i},{v_i},{t_i})\hat {{\boldsymbol{y}} }. $

式中: $ {y_i} $为第 $ i $个样本点的共享单车停车需求; $ {u_i}、{v_i}、{t_i} $为第 $ i $个样本点的经度、纬度和观测时间, $ \;{\beta _0}({u_i},{v_i},{t_i}) $为第 $ i $个样本点回归方程的常数项; $ {x_{ik}} $为第 $ i $个样本点的第 $ k $个解释变量; $ K $为解释变量的个数; $ \;{\beta _k}({u_i},{v_i},{t_i}) $$ {{\boldsymbol{x}}_{ik}} $的回归系数; $ {\varepsilon _i} $为第 $ i $个样本点回归方程的误差项;()T和()−1分别为转置和逆运算; $ {\boldsymbol{\beta}} ({u_i},{v_i},{t_i})$xi的回归系数向量; $ {\boldsymbol{x}}_i $为样本点 $ i $的解释变量向量; $ \hat {\boldsymbol{y}} $为观测值向量; $ {\boldsymbol{w}}({u_i},{v_i},{t_i}) $=diag ( $ {w_{i1}},{w_{i2}},\cdots ,{w_{in}} $)为对角矩阵, $ n $为观测样本数量,对角线元素 $ {w_{ij}} $为回归点 $ i $在时空位置( $ {u_i},{v_i},{t_i} $)处基于和测量点 $ j $间距离的权重. $ {w_{ij}} $由高斯核函数构造如下:

$ {w_{ij}}{\text{ = }}\exp\; \left[ - {{{{(d_{ij}^{{\rm{st}}})}^2}}}/{{{b_{{\rm{st}}}^2}}}\right]{\text{ }}{\text{.}} $

式中: $ d_{ij}^{{\rm{st}}} $为回归点 $ i $和测量点 $ j $之间的时空距离, $ d_{ij}^{{\rm{st}}} $= $\left[ {{\lambda {{(d_{ij}^{{\rm{s}}})}^2}+u{{(d_{ij}^{\rm{t}})}^2}}} \right]^{1/2}$$d_{ij}^{{\rm{s}}}$为欧氏空间距离, $ d_{ij}^{\rm{t}} $为时间距离, $ \lambda $$ u $为用于平衡时间和空间距离对时空距离影响大小的比例因子,根据模型的性能进行优化; $ {b_{{\rm{st}}}} $为时空带宽,是衡量尺度的重要参数,通过最小化AICc拟合优度指标进行选择[23].

2.2. MGTWR模型

GTWR模型被广泛应用于时空非平稳性的研究中,但存在的一个明显的缺点是将平均时空带宽来作为每个解释变量时空影响范围. 然而,采用平均带宽可能会过高或过低地估计变量的作用尺度,而 MGTWR模型可以为每个解释变量提供最优的时空带宽,从而获得更加可靠的模型估计结果. 模型的回归方程如下:

$ \begin{split} {y_i} =\;& {\beta _{{\rm{bst(0)}}}}({u_i},{v_i},{t_i})+\sum\limits_{k = 1}^K {{\beta _{{\rm{bst}}(k)}}({u_i},{v_i},{t_i})} {x_{ik}}+{\varepsilon _i}{\text{ = }} \\ \;&\sum\limits_{k = 0}^K {{f_k}} +{\varepsilon _i}{\text{ }}{\text{.}} \end{split} $

式中: $ \;{\beta _{{\rm{bst}}(k)}} $为基于特定时空带宽 $ b_{{\rm{st}}(k)} $的第 $ k $个解释变量的回归系数, $ {f_k} = {\beta _{{\rm{bst}}(k)}}({u_i},{v_i},{t_i}){x_{ik}} $为第 $ k $个加法项.

为了寻找最优带宽,首先利用GTWR模型初始化加法项向量 $ {\boldsymbol{f}} $=[ $ {f_{1k}},{f_{2k}},{f_{3k}},\cdots ,{f_{nk}} $]. 该过程的误差项如下:

$ \hat {\boldsymbol{\varepsilon}} = {\boldsymbol{y}} - \sum\limits_{k = 0}^K {{{\boldsymbol{f}}_k}} . $

MGTWR模型是一种广义加法模型,后退拟合算法常常被用于校准广义加法模型,因为该算法可以循环遍历加法模型的各个项,并使用适当的平滑器更新每一项,从而实现对每一个未知项的校准[24]. 因此,利用后退拟合算法来迭代更新寻找每个变量的最优带宽. 具体过程如下. 首先,根据 $ \hat {\boldsymbol{\varepsilon}} +{{\boldsymbol{f}}_1} $$ {{\boldsymbol{x}}_1} $的GTWR模型回归结果寻找 $ {{\boldsymbol{x}}_1} $的最优时空带宽并更新加法项 $ {{\boldsymbol{f}}_1} $,之后利用式(6)更新误差项 $ \hat {\boldsymbol{\varepsilon}} $. 将上述过程继续至下一个变量,直至所有解释变量的最优时空带宽、加法项、误差项均被更新. 上述为第1轮迭代,第2轮将使用第1轮更新后的加法项和误差项重复前一轮的过程,直至达到收敛准则时停止更新. 收敛准则为经典的残差平方和变化比例( $ {\text{SO}}{{\text{C}}_{{\rm{RSS}}}} $),使用 $ {{{\rm{SOC}}} _{{\rm{RSS}}}} \leqslant {10^{ - 5}} $作为终止标准[18],具体公式如下:

$ {\text{SOC}}_{{\rm{RSS}}}^{k{\text{+1}}}{\text{ = }}\left| {\frac{{{\text{RS}}{{\text{S}}^{k+1}} - {\text{RS}}{{\text{S}}^k}}}{{{\text{RS}}{{\text{S}}^{k+1}}}}} \right|{\text{ }}. $

式中: $ {\text{RS}}{{\text{S}}^{k+1}} $为第 $ k+1 $轮的残差平方和, $ {\text{RS}}{{\text{S}}^k} $为第 $ k $轮的残差平方和.

2.3. 骑行距离(RD)测度

为了比较不同距离约束下模型的性能,须对式(4)的 $ d_{ij}^{{\rm{s}}} $进行修正. 考虑到地图导航是人们日常出行常用的路径选择方式和现有研究对于出行距离的计算方法[25-26],本研究调用百度地图API实现骑行路径规划,构造各个子区中心点之间的起讫点矩阵,输入经纬度坐标,将wgs84坐标转换成百度经纬度坐标bd09ll,构造请求的url(骑行路线规划服务网址 http://api.map.baidu.com/routematrix/v2/riding?output=json),之后用requests向服务器发送请求,最终得到样本点间的最佳骑行距离,以重新计算空间距离权重,并构建以骑行距离为约束的多尺度时空地理加权回归(RD-MGTWR)模型,改进前、后时空距离图解如图5所示. 图中, $ t $为时间, $ u $为经度, $ v $为纬度, $\Delta t $为时间距离,d为时空距离,ED为欧氏距离,RD为骑行距离.

图 5

图 5   时间-空间距离示意图

Fig.5   Time-space distance diagram


3. 模型结果

3.1. 模型性能

通过对变量多重共线性的检验,将最终筛选后的16 个变量和每小时单位面积的停车需求分别作为模型的自变量和因变量,得到4种模型的拟合结果,如表2所示. 可以看出,考虑变量时空影响尺度差异的MGTWR模型的解释力(R2)高于GTWR模型,并且较小的残差平方和(RSS)和修正的赤池信息准则(AICc)说明MGTWR具有更好的拟合效果. 其次,从骑行距离(RD)和欧氏距离(ED)约束的对比结果来看,MGTWR模型相比于GTWR模型对空间距离度量方式的选择更为敏感,骑行距离的修正又将MGTWR模型的R2从0.889提升至0.917,拟合优度得到了较大提升. 模型对比分析表明,骑行距离约束的MGTWR模型在捕捉解释变量和停车需求间不同程度的时空关系方面优于GTWR模型和ED-MGTWR模型.

表 2   GTWR模型和MGTWR模型指标

Tab.2  Indicators of GTWR model and MGTWR model

模型 R2 RSS/103 AICc/103
ED-GTWR 0.872 2.153 6.058
RD-GTWR 0.879 2.048 5.828
ED-MGTWR 0.889 1.830 5.235
RD-MGTWR 0.917 1.245 4.136

新窗口打开| 下载CSV


上述对4种局部模型进行了对比,但各变量的影响是否具有异质性仍然未知. 因此,基于现有研究对变量时空非平稳性的检验方法[27-28],通过比较局部最优模型RD-MGTWR回归系数的四分位数差(上四分位数-下四分位数)和全局模型OLS两倍标准误差(2SE)的大小来做进一步判断,若前者大于后者表明解释变量的影响具有时空非平稳性. 如表3所示,所有变量的估计参数均具有不同程度的变化,可以看出局部模型RD-MGTWR模型可以更好地刻画影响因素与停车需求之间的时空异质关系. 最后,将所有变量归一化处理,以允许解释变量的带宽和回归系数具有可比性.

表 3   解释变量的时空非平稳性检验

Tab.3  Spatial temporal nonstationarity tests for explanatory variables

解释变量 四分位数差
(RD-MGTWR)
2SE
(OLS)
时空非
平稳性
到市中心的距离 0.236 0.040
就业人口密度 0.189 0.042
居住人口密度 0.208 0.026
人均GDP 0.021 0.016
房屋均价 0.038 0.022
教育类POI密度 0.063 0.040
购物类POI密度 0.204 0.050
公园类POI密度 0.066 0.044
医疗类POI密度 0.042 0.038
土地利用混合度 0.226 0.032
公交站点密度 0.157 0.054
地铁站点密度 0.178 0.038
主干路密度 0.216 0.038
次干路密度 0.345 0.038
支路密度 0.137 0.024
自行车道密度 0.121 0.032

新窗口打开| 下载CSV


3.2. 模型结果分析

3.2.1. 变量影响尺度比较

分析尺度作用对于回归结果的影响,RD-GTWR模型和RD-MGTWR模型的回归结果如表4所示. 表中,bsbt分别为空间、时间带宽,βminβavgβmax分别为显著性估计参数最小值、平均值、最大值. 可以看出,MGTWR模型可以为每个解释变量寻找最优的时空带宽,而GTWR模型的带宽为固定值,只能反映出每个变量的平均时空影响尺度. 具体来看,MGTWR模型中不同变量的最优时空带宽差异显著,空间带宽限制在14.759~71.302 km,反映了低中高水平的空间异质关系,其中就业人口密度、人均GDP和房屋均价的空间带宽较大,接近任意2个样本点之间的最大距离(75.342 km),这一结果表明它们与单车停车需求间的空间关系往往是全局的. 然而,到市中心的距离、居住人口密度、土地利用混合度、次干路密度和支路密度对应的空间带宽较小,空间跨度低于总范围的30%,说明它们的估计参数存在明显的区域异质现象. 另外,本研究的时间尺度范围为0~24 h,其中购物类POI密度、地铁站点密度、主干路密度和自行车道的时间带宽为1~3 h,表明它们与共享单车停车需求之间的关系具有更高的时间异质性. 从估计参数的变化来看,表中RD-MGTWR模型的回归结果显示全局时空尺度变量人均GDP和房屋均价与单车停车需求呈稳定的正相关,估计参数的范围分别为0.116~0.155和0.047~0.098,但采用平均带宽估计的RD-GTWR模型对应的估计参数范围分别扩大至0.087~0.371和0.112~0.223,这将过高地估计它们对共享单车停车需求影响的异质性. 相反,对于一些时空带宽较小的变量而言,RD-GTWR模型会过低地估计参数的变化范围,甚至忽视正负向影响的存在,如地铁站点密度的估计参数范围在RD-MGTWR模型中为−0.208~0.189,而在RD-GTWR模型中却为0.002~0.113一个小范围的正区间. 因此,考虑每一个变量的尺度差异可以得到更为可靠的估计结果.

表 4   RD-GTWR和RD-MGTWR模型结果

Tab.4  Results of RD-GTWR and RD-MGTWR models

解释变量 RD-GTWR RD-MGTWR
bs/km bt/h βmin βavg βmin bs/km bt/h βmin βavg βmin
常数项 42.963 8.516 1.848 2.936 3.742 37.028 6.636 0.412 3.978 6.634
到市中心的距离 42.963 8.516 −1.730 −0.864 −0.676 14.759 3.758 −2.589 −0.618 −0.364
就业人口密度 42.963 8.516 0.123 0.219 0.334 68.363 4.316 0.013 0.241 0.676
居住人口密度 42.963 8.516 0.136 0.257 0.390 22.593 13.632 0.006 0.345 0.928
人均GDP 42.963 8.516 0.087 0.152 0.371 70.131 21.254 0.116 0.136 0.155
房屋均价 42.963 8.516 0.112 0.187 0.223 71.302 22.128 0.047 0.061 0.098
教育类POI密度 42.963 8.516 0.082 0.115 0.204 39.259 8.957 0.075 0.149 0.182
购物类POI密度 42.963 8.516 −0.003 0.127 0.211 48.889 2.124 −0.226 0.011 0.271
医疗类POI密度 42.963 8.516 0.056 0.129 0.213 47.768 8.847 0.178 0.209 0.257
公园类POI密度 42.963 8.516 −0.079 −0.014 −0.002 43.621 7.324 −0.118 −0.035 −0.013
土地利用混合度 42.963 8.516 −0.191 −0.163 −0.124 21.132 8.314 0.002 0.316 0.728
公交站点密度 42.963 8.516 −0.012 −0.009 0.127 30.781 7.293 −0.183 0.016 0.229
地铁站点密度 42.963 8.516 0.002 0.087 0.113 41.068 2.712 −0.208 −0.004 0.189
主干路密度 42.963 8.516 −0.236 −0.153 −0.007 53.265 1.439 −0.571 −0.316 −0.016
次干路密度 42.963 8.516 −0.119 −0.104 −0.096 16.296 7.126 −0.988 −0.342 −0.022
支路密度 42.963 8.516 0.071 0.079 0.089 22.963 10.378 0.003 0.173 0.370
自行车道密度 42.963 8.516 0.165 0.183 0.216 49.375 1.928 0.009 0.116 0.305

新窗口打开| 下载CSV


3.2.2. 不同距离约束对比

不同距离约束下MGTWR模型的局部R2图6所示. 可以看出,ED-MGTWR模型和RD-MGTWR模型在内环以内地区的估计R2近乎一致,但在其他地区RD-MGTWR模型可以更好地估计共享单车的停车需求. 内环区域的路网密度较大,欧氏距离在一定程度上可以用来近似替代骑行距离,但对于路网密度较小的区域,欧氏距离测度所产生的偏误会影响模型的拟合结果,因此考虑骑行距离约束的MGTWR模型在估计不同区域共享单车停车需求时具有较强的鲁棒性.

图 6

图 6   欧氏距离和骑行距离约束下MGTWR模型的局部拟合优度

Fig.6   Local goodness of fit of MGTWR model under Euclidean distance and riding distance constraints


3.2.3. 估计参数时空特征

较小的时间和空间带宽意味着较高的时间和空间异质性,为了分析影响因素与共享单车停车需求间的局部异质关系,选取表4中空间带宽和时间带宽较小的6个变量,分别统计每个研究单元和每小时内各变量显著性估计参数的平均值,如图78所示. 图中, $ \beta $为变量的估计参数,红色表示估计参数为负值的区域,蓝色表示估计参数为正值的区域,灰色表示估计参数不显著 (p>0.05)的区域,红色越深表示负向影响越强烈,蓝色越深则表示正向影响越强烈; $ t $为时刻;数据点表示t−1~t时段内数据的平均值;红色的圆点对应估计参数为负值的时段,蓝色的方块对应估计参数为正值的时段,估计参数不显著的时段无数据点.

图 7

图 7   变量估计参数的空间分布特征

Fig.7   Spatial distribution characteristics of estimated parameters of variables


图 8

图 8   变量估计参数的时间分布特征

Fig.8   Temporal distribution characteristics of estimated parameters of variables


图7 (a)可知,到市中心的距离与共享单车的停车需求呈负相关,表明越靠近市中心共享单车停车需求表现出增加的趋势,这种负相关关系在中部地区的徐家汇街道、陆家嘴街道和南京西路街道等中央商务区最为明显,这与Yang等[29]基于平均尺度的GWR模型分析得出靠近市中心会增加共享自行车的出行吸引力的结论相近. 然而,MGTWR模型得到的较小的空间带宽反映了空间关系差异化显著,主要表现为在西部和西南部的嘉定、松江、闵行等地区无显著关联,可能是因为这些区域位于上海市郊区,较少的单车投放和有限的地铁站点导致共享单车接驳需求减少. 可以推断,共享单车停车需求的集聚现象在市区比郊区更为明显. 图7(e)显示次干路密度对共享单车停车需求也具有显著负向影响. 可能原因是次干路主要承担主干路与各分区的交通集散,支持私家车、网约车和公共汽车等机动车辆的运行,这些道路没有设计专用的自行车道导致对骑行用户的吸引减弱. 从估计参数的空间分布来看,普陀和长宁以西地区的负向影响高于东部的浦东新区,这在一定程度上反映了东西两侧路网结构的差异.

图7(b)所示为居住人口密度与停车需求的空间关系. 可以看出,居住人口密度在浦东新区及以东地区对停车需求的正向影响显著,这与此前研究认为高密度人口居住区会吸引更多的骑行用户的结论一致[30-31]. 然而,MGTWR模型基于居住人口密度的微观空间作用尺度进一步揭示了这种影响机制在嘉定、宝山地区并不显著,可能是由于这部分区域中居住区距离地铁站较远,共享单车无法满足长距离出行需求,较多依赖公交接驳地铁. 图7(c)显示土地利用混合度与共享单车停车需求整体上呈正相关,说明多样化的土地利用在一定程度上会吸引较多的骑行用户,这与Zhang等[32]研究发现多样化的土地利用对共享单车出行吸引量具有促进作用的结论相符. 然而,估计参数的局部空间变化显著,对北部的杨浦和西南部的松江、闵行区等地的正向影响强烈,而对于西部的嘉定和东部的浦东地区影响相对较小,这与严亚磊等[12]在街道尺度揭示的土地利用混合度与共享单车出行无显著关联等结论存在差异. 杨浦、松江和闵行等地汇集了众多高校,学生群体往往倾向于选择低碳环保的交通方式来完成多样化的出行目的. 相比之下,嘉定和浦东外围区域公共服务设施匮乏,交通条件不便,长距离出行增加了对机动车辆的依赖. 因此相较于全局分析结果而言,局部空间关系的探究可以更好地解释停车需求的变化. 由图7(f)可知,支路密度对共享单车的停车需求也具有显著的正向影响,这种影响在中部的浦东新区和西南一侧的闵行地区最为明显. 闵行区和浦东新区地铁周边支线发达,并且居住着较多熟悉路网的本地居民,他们会倾向于选择共享单车通过便捷的支路来往返地铁站,因此停车需求与支路密度相关性更强.

除了单一的空间影响关系之外,图7 (d)显示了公交站点密度与共享单车停车需求在空间上存在相反的关系,在徐汇和浦西地区呈正相关,这一发现表明共享单车在公交地铁发达的地区往往相互补充,以应对居民出行的最后一公里问题[15]. 然而,在西部嘉定郊区却呈负相关,这意味着公交站点对共享单车的停车需求具有抑制作用. 这部分区域地铁站点稀少,较多的公交站设置了在了地铁站、居住区和停车场附近,在连接地铁出行时与共享单车往往表现为竞争关系.

图8(a)可知,到市中心的距离在一天中24 h均与共享单车的停车需求呈负相关关系,且在6:00—8:00相关性较强,说明该时段越靠近市中心停车需求具有增大的趋势. 图8(e)结果显示主干路密度对共享单车停车需求的时间影响范围在6:00—19:00,总体上也表现为负向影响,可能是由于主干路作为城市区域间的交通干道,主干路密集区人们往往更倾向于选择私家车出行. 然而,这种抑制作用在早晚高峰时段有所减弱,说明高峰时段主干路的交通拥堵可能会增加出行者对共享单车的选择.

图8 (b)可知,就业人口密度对停车需求具有促进作用,并且呈现出双峰特征,反映了共享单车主要用于工作日居民的日常通勤. 图8(f)结果显示自行车道密度在19:00—24:00对停车需求也具有显著的促进作用,这种促进作用随着夜间的来临变得越发明显,可能是因为夜间照明条件有限,考虑到出行的安全性人们会选择自行车道集中分布的地方行驶和停放共享单车. 尽管Gao等[11]指出自行车专用道与共享单车出行无显著关联,但其未从时间维度考虑这种影响关系的变化.

除了单一的时间影响关系之外,部分变量的估计参数在时间维度存在正负异质现象. 由图8(c)可知,购物类POI密度的估计参数在7:00—21:00具有显著性,并且在上午为负值,在下午为正值,这在一定程度上反映了该地居民以共享单车为主的非机动化购物出行主要集中在下午,且在19:00—21:00达到最大. 相比于Gao等[11]认为商场会吸引更多的骑行用户,本研究基于局部时间关系的分析揭示了这种影响关系的时间异质特征. 此外,图8(d)显示地铁站点密度对于共享单车停车需求在4:00—20:00的影响显著,但影响关系存在时间差异,早高峰时段表现为正向影响,这表明地铁站点密集的地方共享单车停车需求较大. 然而,晚高峰则表现为负向影响,这种不一致的现象可能由于上午通勤到站人流量大,导致大量单车流入,而下午通勤时地铁站周边单车的流出率较高,抑制了停车需求的增加,这与Tan等[33]、高楹等[34]揭示的地铁站周边共享单车潮汐现象显著的结论相近,但本研究在考虑时间尺度后可以进一步精细化地揭示这类潮汐特征的时间变化.

4. 政策启示

揭示建成环境、区域社会经济属性与共享单车停车需求间的时空关系及其作用尺度差异,识别单车停车热点区域和时段对指导电子围栏的空间布局设计和单车调度具有重要意义,基于上述结果对城市共享单车停车管理提供如下建议.

1) 上海市外环线以内区域在早上7:00—9:00和傍晚17:00—19:00的共享单车停车需求较高(见图47(a)),应提高通勤时段中央商务区的车辆周转,优先考虑杨浦和虹口地区. 对于就业人口密度高的地方应是共享单车再平衡的重点区域,尤其是在早晚高峰时段(见图7(b)).

2) 居住人口密度和公交站点密度对停车需求的影响具有局部空间效应(见图7(b)、(d)),建议在徐汇区和浦东新区的交界处居住人口集中分布区和公交站点周围设置足够的电子围栏设施,而在西北嘉定郊区设置公交车作为替代共享单车的接驳方式,应减少自行车道和共享单车停车设施的建设成本,加强公交-地铁接驳线网的优化.

3) 共享单车公司在调度时应考虑不同服务设施周边停车需求的潮汐特征(见图8(c)、(d)),适当转移早高峰地铁站和晚高峰购物商场周边的共享单车. 此外,傍晚自行车道密集的地方也是共享单车停放的热点区域(见图8(f)),建议改善当地的骑行环境,如增设车道照明设备并完善停车区位的建设以解决夜间出行的安全问题.

4) 发达的支路和多样化的土地利用区的停车条件亟待改善,城市规划部门应完善杨浦、闵行地区的多功能商区内的停车设施和自行车道网路(见图7(c)). 中部的浦东新区和西南侧的松江、闵行等支路密集的地方也是关注的重点,以满足共享单车接驳地铁出行的需求.

5. 结 语

本研究首先利用上海市共享单车的GPS轨迹数据分析了共享单车停车需求的时空分布特征,发现停车需求在工作日同时存在时间和空间异质性,整体上向中心集聚并呈现明显的早晚高峰现象. 其次,结合多源特征数据(POI、公共交通、道路网络、社会经济属性、人口密度)和共享单车日均小时停车需求分别构建了以欧氏距离(ED)和骑行距离(RD)为约束的空间权重度量方式的GTWR和MGTWR模型,发现MGTWR模型相比于GTWR模型对于不同距离的约束更加敏感,并证明了以骑行距离(RD)为约束的MGTWR模型在共享单车停车需求时空建模中的优越性.

本研究构建的RD-MGTWR模型为每个影响因素确定了时空作用尺度. 空间异质关系及其尺度范围为城市规划部门停车设施与空间资源提供了微观、中观和宏观不同层面的布局视角. 时间尺度的大小和显著的影响区间可以用于指导单车运营商实现共享单车分区、分时的平衡调度. 此外,未来研究可以进一步聚焦于局部城市功能区内部和个体层面的社会经济独特性,同时设计多尺度实验来讨论可变面积单元(MAUP)与周、月、季度、年的时空交互下共享单车停车需求与建成环境、社会经济属性之间的异质关系,以期提供更加精细化的规划管理建议.

参考文献

BARBOUR N, ZHANG Y, MANNERING F

A statistical analysis of bike sharing usage and its potential as an auto-trip substitute

[J]. Journal of Transport and Health, 2019, 12: 253- 262

DOI:10.1016/j.jth.2019.02.004      [本文引用: 1]

DU Y C, DENG F W, LIAO F X

A model framework for discovering the spatio-temporal usage patterns of public free-floating bike-sharing system

[J]. Transportation Research Part C: Emerging Technologies, 2019, 103: 39- 55

DOI:10.1016/j.trc.2019.04.006      [本文引用: 1]

GU T Q, KIM I, CURRIE G

Measuring immediate impacts of a new mass transit system on an existing bike-share system in China

[J]. Transportation Research Part A: Policy and Practice, 2019, 124: 20- 39

DOI:10.1016/j.tra.2019.03.003      [本文引用: 1]

SHEN Y, ZHANG X H, ZHAO J H

Understanding the usage of dockless bike sharing in Singapore

[J]. International Journal of Sustainable Transportation, 2018, 12 (9): 686- 700

DOI:10.1080/15568318.2018.1429696      [本文引用: 1]

SHELAT S, HUISMAN R, VAN OORT N

Analysing the trip and user characteristics of the combined bicycle and transit mode

[J]. Research in Transportation Economics, 2018, 69: 68- 76

DOI:10.1016/j.retrec.2018.07.017      [本文引用: 1]

HUA M Z, CHEN X W, ZHENG S J, et al

Estimating the parking demand of free-floating bike sharing: a journey-data-based study of Nanjing, China

[J]. Journal of Cleaner Production, 2020, 244: 118764

DOI:10.1016/j.jclepro.2019.118764      [本文引用: 1]

艾媒咨询. 2017年共享单车夏季市场专题报告 [EB/OL]. (2017-06-16). https://www.iimedia.cn/c400/59210.html.

[本文引用: 1]

万敏. 基于数据的共享单车需求预测和调度研究 [D]. 南京: 南京大学, 2020.

[本文引用: 1]

WAN Min. Research on forecasting and scheduling of shared bicycle demand based on data [D]. Nanjing: Nanjing University, 2020.

[本文引用: 1]

XU Y, CHEN D C, ZHANG X H, et al

Unravel the landscape and pulses of cycling activities from a dockless bike-sharing system

[J]. Computers, Environment and Urban Systems, 2019, 75: 184- 203

DOI:10.1016/j.compenvurbsys.2019.02.002      [本文引用: 1]

ZHANG Y P, LIN D, MI Z F

Electric fence planning for dockless bike-sharing services

[J]. Journal of Cleaner Production, 2019, 206: 383- 393

DOI:10.1016/j.jclepro.2018.09.215      [本文引用: 1]

GAO K, YANG Y, LI A Y, et al

Spatial heterogeneity in distance decay of using bike sharing: an empirical large-scale analysis in Shanghai

[J]. Transportation Research Part D: Transport and Environment, 2021, 94: 102814

DOI:10.1016/j.trd.2021.102814      [本文引用: 4]

严亚磊, 于涛, 沈丽珍

共享单车出行的建成环境影响机制: 以上海市为例

[J]. 上海城市规划, 2020, (6): 85- 91

DOI:10.11982/j.supr.20200612      [本文引用: 3]

YAN Ya-lei, YU Tao, SHEN Li-zhen

The impact mechanism of built environment on shared bike travel: a case study of Shanghai

[J]. Shanghai Urban Planning Review, 2020, (6): 85- 91

DOI:10.11982/j.supr.20200612      [本文引用: 3]

WANG X Z, LINDSEY G, SCHONER J E, et al

Modeling bike share station activity: effects of nearby businesses and jobs on trips to and from stations

[J]. Journal of Urban Planning and Development, 2015, 142 (1): 04015001

[本文引用: 1]

曹小曙, 罗依

中国大陆城市建成环境与共享单车配置的关系

[J]. 中山大学学报:自然科学版, 2020, 59 (1): 77- 85

[本文引用: 1]

CAO Xiao-shu, LUO Yi

Relationship between built environment and bikeshare allocation in the mainland of China

[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2020, 59 (1): 77- 85

[本文引用: 1]

LI A Y, ZHAO P X, HUANG Y Z, et al

An empirical analysis of dockless bike-sharing utilization and its explanatory factors: case study from Shanghai, China

[J]. Journal of Transport Geography, 2020, 88: 102828

DOI:10.1016/j.jtrangeo.2020.102828      [本文引用: 3]

MA X W, JI Y J, YUAN Y F, et al

A comparison in travel patterns and determinants of user demand between docked and dockless bike-sharing systems using multi-sourced data

[J]. Transportation Research Part A: Policy and Practice, 2020, 139: 148- 173

DOI:10.1016/j.tra.2020.06.022      [本文引用: 1]

HUANG B, WU B, BARRY M

Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices

[J]. International Journal of Geographical Information Science, 2010, 24 (3): 383- 401

DOI:10.1080/13658810802672469      [本文引用: 2]

WU C, REN F, HU W, et al

Multiscale geographically and temporally weighted regression: exploring the spatiotemporal determinants of housing prices

[J]. International Journal of Geographical Information Science, 2019, 33 (3): 489- 511

DOI:10.1080/13658816.2018.1545158      [本文引用: 2]

上海统计局. 《2018年上海市国民经济和社会发展统计公报》[EB/OL]. (2019-03-01). http://tjj.sh.gov.cn/tjgb/20191115/0014-1003219.html?ivk_sa=1024320u.

[本文引用: 1]

XING Y Y, WANG K, LU J J

Exploring travel patterns and trip purposes of dockless bike-sharing by analyzing massive bike-sharing data in Shanghai, China

[J]. Journal of Transport Geography, 2020, 87: 102787

DOI:10.1016/j.jtrangeo.2020.102787      [本文引用: 1]

CRANEY T A, SURLES J G

Model-dependent variance inflation factor cutoff values

[J]. Quality Engineering, 2002, 14 (3): 391- 403

DOI:10.1081/QEN-120001878      [本文引用: 1]

马新卫, 季彦婕, 金雪, 等

租赁自行车用户出行特征及方式的影响因素分析

[J]. 浙江大学学报: 工学版, 2020, 54 (6): 1202- 1209

[本文引用: 1]

MA Xin-wei, JI Yan-jie, JIN Xue, et al

Analysis on travel characteristics of bike-sharing users andinfluence factors on way to travel

[J]. Journal of Zhejiang University: Engineering Science, 2020, 54 (6): 1202- 1209

[本文引用: 1]

FOTHERINGHAM A S, YANG W B, KANG W

Multiscale geographically weighted regression (MGWR)

[J]. Annals of the American Association of Geographers, 2017, 107 (6): 1247- 1265

DOI:10.1080/24694452.2017.1352480      [本文引用: 1]

YU K, PARK B U, MAMMEN E

Smooth backfitting in generalized additive models

[J]. The Annals of Statistics, 2008, 36 (1): 228- 260

[本文引用: 1]

GAO K, YANG Y, LI A Y, et al

Quantifying economic benefits from free-floating bike-sharing systems: a trip-level inference approach and city-scale analysis

[J]. Transportation Research Part A: Policy and Practice, 2021, 144: 89- 103

DOI:10.1016/j.tra.2020.12.009      [本文引用: 1]

LIAO Y

Ride-sourcing compared to its public-transit alternative using big trip data

[J]. Journal of Transport Geography, 2021, 95: 103135

DOI:10.1016/j.jtrangeo.2021.103135      [本文引用: 1]

FOTHERINGHAM A S, CRESPO R, YAO J

Geographical and temporal weighted regression (GTWR)

[J]. Geographical Analysis, 2015, 47 (4): 431- 452

DOI:10.1111/gean.12071      [本文引用: 1]

MA X L, ZHANG J Y, DING C, et al

A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership

[J]. Computers, Environment and Urban Systems, 2018, 70: 113- 124

DOI:10.1016/j.compenvurbsys.2018.03.001      [本文引用: 1]

YANG H T, ZHANG Y B, ZHONG L Z, et al

Exploring spatial variation of bike sharing trip production andattraction: a study based on Chicago’s Divvy system

[J]. Applied Geography, 2020, 115: 102130

DOI:10.1016/j.apgeog.2019.102130      [本文引用: 1]

HAMPSHIRE R C, MARLA L. An analysis of bike sharing usage: explaining trip generation and attraction from observed demand [C]// 91st Annual Meeting of the Transportation Research Board. Washington, DC: TRB, 2012: 12-2099.

[本文引用: 1]

莫海彤, 魏宗财, 翟青

老城区共享单车出行特征及影响因素研究: 以广州为例

[J]. 南方建筑, 2019, (1): 7- 12

DOI:10.3969/j.issn.1000-0232.2019.01.007      [本文引用: 1]

MO Hai-tong, WEI Zong-cai, ZHAI Qing

Travel behaviors and influencing factors of bike sharing in old town: the case of Guangzhou

[J]. South Architecture, 2019, (1): 7- 12

DOI:10.3969/j.issn.1000-0232.2019.01.007      [本文引用: 1]

ZHANG Y, THOMAS T, BRUSSEL M, et al

Exploring the impact of built environment factors on the use of publicbikes at bike stations: case study in Zhongshan, China

[J]. Journal of Transport Geography, 2017, 58: 59- 70

DOI:10.1016/j.jtrangeo.2016.11.014      [本文引用: 1]

TAN X Y, ZHU X L, LI Q, et al

Tidal phenomenon of the dockless bike-sharing system and its causes: the case of Beijing

[J]. International Journal of Sustainable Transportation, 2022, 16 (4): 287- 300

DOI:10.1080/15568318.2020.1871129      [本文引用: 1]

高楹, 宋辞, 郭思慧, 等

接驳地铁站的共享单车源汇时空特征及其影响因素

[J]. 地球信息科学学报, 2021, 23 (1): 155- 170

DOI:10.12082/dqxxkx.2021.200351      [本文引用: 1]

GAO Ying, SONG Ci, GUO Si-hui, et al

Spatial-temporal characteristics and influencing factors of source and sink of dockless sharing bicycles connected to subway stations

[J]. Journal of Geo-Information Science, 2021, 23 (1): 155- 170

DOI:10.12082/dqxxkx.2021.200351      [本文引用: 1]

/