共享单车停车需求的多尺度时空影响因素
Multi-scale spatiotemporal influencing factors of bike-sharing parking demand
通讯作者:
收稿日期: 2022-05-24
基金资助: |
|
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:
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:
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:
本文引用格式
徐标, 路庆昌.
XU Biao, LU Qing-chang.
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(
图 1
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(
式中:
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
变量类别 | 变量名称 | VIF |
1)注:变量土地利用混合度为 | ||
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 |
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 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,
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:
式中:
式中:
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:
式中:
为了寻找最优带宽,首先利用GTWR模型初始化加法项向量
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
式中:
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
图 5
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
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 |
表 3 解释变量的时空非平稳性检验
Tab.3
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 | 是 |
就业人口密度 | 0.189 | 0.042 | 是 |
居住人口密度 | 0.208 | 0.026 | 是 |
人均GDP | 0.021 | 0.016 | 是 |
房屋均价 | 0.038 | 0.022 | 是 |
教育类POI密度 | 0.063 | 0.040 | 是 |
购物类POI密度 | 0.204 | 0.050 | 是 |
公园类POI密度 | 0.066 | 0.044 | 是 |
医疗类POI密度 | 0.042 | 0.038 | 是 |
土地利用混合度 | 0.226 | 0.032 | 是 |
公交站点密度 | 0.157 | 0.054 | 是 |
地铁站点密度 | 0.178 | 0.038 | 是 |
主干路密度 | 0.216 | 0.038 | 是 |
次干路密度 | 0.345 | 0.038 | 是 |
支路密度 | 0.137 | 0.024 | 是 |
自行车道密度 | 0.121 | 0.032 | 是 |
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,bs、bt分别为空间、时间带宽,βmin、βavg、βmax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
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 |
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如图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
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
由图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.
如图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.
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.
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
A statistical analysis of bike sharing usage and its potential as an auto-trip substitute
[J].DOI:10.1016/j.jth.2019.02.004 [本文引用: 1]
A model framework for discovering the spatio-temporal usage patterns of public free-floating bike-sharing system
[J].DOI:10.1016/j.trc.2019.04.006 [本文引用: 1]
Measuring immediate impacts of a new mass transit system on an existing bike-share system in China
[J].DOI:10.1016/j.tra.2019.03.003 [本文引用: 1]
Understanding the usage of dockless bike sharing in Singapore
[J].DOI:10.1080/15568318.2018.1429696 [本文引用: 1]
Analysing the trip and user characteristics of the combined bicycle and transit mode
[J].DOI:10.1016/j.retrec.2018.07.017 [本文引用: 1]
Estimating the parking demand of free-floating bike sharing: a journey-data-based study of Nanjing, China
[J].DOI:10.1016/j.jclepro.2019.118764 [本文引用: 1]
Unravel the landscape and pulses of cycling activities from a dockless bike-sharing system
[J].DOI:10.1016/j.compenvurbsys.2019.02.002 [本文引用: 1]
Electric fence planning for dockless bike-sharing services
[J].DOI:10.1016/j.jclepro.2018.09.215 [本文引用: 1]
Spatial heterogeneity in distance decay of using bike sharing: an empirical large-scale analysis in Shanghai
[J].DOI:10.1016/j.trd.2021.102814 [本文引用: 4]
共享单车出行的建成环境影响机制: 以上海市为例
[J].DOI:10.11982/j.supr.20200612 [本文引用: 3]
The impact mechanism of built environment on shared bike travel: a case study of Shanghai
[J].DOI:10.11982/j.supr.20200612 [本文引用: 3]
Modeling bike share station activity: effects of nearby businesses and jobs on trips to and from stations
[J].
中国大陆城市建成环境与共享单车配置的关系
[J].
Relationship between built environment and bikeshare allocation in the mainland of China
[J].
An empirical analysis of dockless bike-sharing utilization and its explanatory factors: case study from Shanghai, China
[J].DOI:10.1016/j.jtrangeo.2020.102828 [本文引用: 3]
A comparison in travel patterns and determinants of user demand between docked and dockless bike-sharing systems using multi-sourced data
[J].DOI:10.1016/j.tra.2020.06.022 [本文引用: 1]
Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices
[J].DOI:10.1080/13658810802672469 [本文引用: 2]
Multiscale geographically and temporally weighted regression: exploring the spatiotemporal determinants of housing prices
[J].DOI:10.1080/13658816.2018.1545158 [本文引用: 2]
Exploring travel patterns and trip purposes of dockless bike-sharing by analyzing massive bike-sharing data in Shanghai, China
[J].DOI:10.1016/j.jtrangeo.2020.102787 [本文引用: 1]
Model-dependent variance inflation factor cutoff values
[J].DOI:10.1081/QEN-120001878 [本文引用: 1]
租赁自行车用户出行特征及方式的影响因素分析
[J].
Analysis on travel characteristics of bike-sharing users andinfluence factors on way to travel
[J].
Multiscale geographically weighted regression (MGWR)
[J].DOI:10.1080/24694452.2017.1352480 [本文引用: 1]
Smooth backfitting in generalized additive models
[J].
Quantifying economic benefits from free-floating bike-sharing systems: a trip-level inference approach and city-scale analysis
[J].DOI:10.1016/j.tra.2020.12.009 [本文引用: 1]
Ride-sourcing compared to its public-transit alternative using big trip data
[J].DOI:10.1016/j.jtrangeo.2021.103135 [本文引用: 1]
Geographical and temporal weighted regression (GTWR)
[J].DOI:10.1111/gean.12071 [本文引用: 1]
A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership
[J].DOI:10.1016/j.compenvurbsys.2018.03.001 [本文引用: 1]
Exploring spatial variation of bike sharing trip production andattraction: a study based on Chicago’s Divvy system
[J].DOI:10.1016/j.apgeog.2019.102130 [本文引用: 1]
老城区共享单车出行特征及影响因素研究: 以广州为例
[J].DOI:10.3969/j.issn.1000-0232.2019.01.007 [本文引用: 1]
Travel behaviors and influencing factors of bike sharing in old town: the case of Guangzhou
[J].DOI:10.3969/j.issn.1000-0232.2019.01.007 [本文引用: 1]
Exploring the impact of built environment factors on the use of publicbikes at bike stations: case study in Zhongshan, China
[J].DOI:10.1016/j.jtrangeo.2016.11.014 [本文引用: 1]
Tidal phenomenon of the dockless bike-sharing system and its causes: the case of Beijing
[J].DOI:10.1080/15568318.2020.1871129 [本文引用: 1]
接驳地铁站的共享单车源汇时空特征及其影响因素
[J].DOI:10.12082/dqxxkx.2021.200351 [本文引用: 1]
Spatial-temporal characteristics and influencing factors of source and sink of dockless sharing bicycles connected to subway stations
[J].DOI:10.12082/dqxxkx.2021.200351 [本文引用: 1]
/
〈 |
|
〉 |
