区域建成环境对共享单车日变特征的影响：以厦门市为例

2015年6月，ofo共享计划的落地实施标志着无桩式共享单车肇始。2017年，共享单车迎来了爆发式增长，至当年5月用户规模突破7 000万人 ^[1] 。2018年在共享单车企业不断整合、竞标政策出台的背景下，伴随着费用的增高和投放的限制，骑行需求不强的用户逐渐流失，曾经一度活跃的共享单车热潮遭遇寒冬。2019年第1季度共享单车用户规模为4 050万人，降幅达24.4% ^[2] 。各大城市的单车日周转率仅为1~2次·辆 ^-1[3-4] 。2020年新冠肺炎疫情爆发以来，在公共交通受到较大限制的情况下，共享单车使用率开始增高，哈罗、美团、青桔等共享单车品牌的平台数据显示，自企业复工后共享单车骑行量明显提升。尽管共享单车发展历程曲折，但不可否认的是，共享单车的使用和普及拉动了骑行需求，促进了城市非机动交通系统的发展。共享单车作为一种绿色环保的新型个体化交通方式，未来可能成为非机动车出行的主流选择之一。共享单车的出行研究也成为城市交通研究的热点。

现有共享单车出行特征研究多采用一天或几天的共享单车数据来分析骑行行为的时空特征。时间上，有关欧美城市的研究发现公共自行车的使用存在工作日的早晚通勤高峰与周末的傍晚高峰 ^[5] 。文献[6]采用上海市一周的摩拜单车数据证实共享单车出行有高度的时间规律性。空间上，文献[7]对上海市为期一个月的摩拜单车数据进行研究，发现骑行高峰主要发生在城市公共活动中心附近，车辆多停放在轨道交通车站附近。文献[8]对北京市建成区15天内的摩拜单车使用数据进行分析，按骑行的空间特征划分为5种类型。文献[9]基于南京市工作日和周末各一天的共享单车数据发现在工作日与休息日、早晚高峰与其他时间，共享单车使用的空间集聚特征存在明显差异。文献[10]分析了南京市5个工作日的共享单车出行数据并整合了4种时间使用模式和2种空间模式。由此可见，共享单车出行特征的时空分布存在一定规律，值得进一步研究。考虑到共享单车的出行量存在长期波动，不同时期差异显著，文献[7]分析了跨度为1个月的数据，却未关注其长期波动特征。研究共享单车出行量的长期波动规律对于合理安排运维调度，指导相关设施建设更具有实际意义。

城市共享单车的策略制定，不仅需要研究出行量的变化，也需要研究不同区域间的差异性用以支撑分区管理的策略。不少学者对城市不同区域的共享单车出行量进行了比对研究，发现城市不同区域的出行量有着明显差异 ^[11] 。已有研究证实了建成环境对共享单车出行量存在影响 ^[12-13] ，然而建成环境作为长期的环境变量，研究其对共享单车的出行影响也应从长期视角切入，既能体现建成环境对共享单车出行的长期影响，也能分析共享单车出行量变化的空间差异，对共享单车的管理策略制定具有重要的指导意义。一些城市对城市中心区与外围区的共享单车采取了不同政策，而许多社区和商圈也有着自己的管理措施，根据不同区域的建成环境和共享单车长期出行特征制定有针对性的共享单车管理策略符合精细化管理的要求。

研究不同区域的共享单车日出行量及其长期波动规律，有利于理解区域共享单车出行强度以及日变情况，从而确定分区的管控措施。因此，本文对厦门市近3个月的共享单车数据进行分析，研究不同区域共享单车日出行量及其波动，凝练描述相应特征的指标，并研究区域建成环境对共享单车的出行量及其日变特征的影响，得到用以指导共享单车区域化管理的结论。

本文研究数据取自厦门市2018年3月5日至5月20日为期11周的共享单车开关锁数据，覆盖研究期间厦门市全部在营四家共享单车公司——摩拜、ofo、哈罗、赳赳。开关锁数据经过整合后得到每一次出行的订单数据(见表1)，对数据做如下清洗。

表1 原始数据信息与订单数据信息

1）错误值处理。

删除偏移出厦门市境内的订单数据；删除任一时刻重复的订单数据；删除骑行时间异常(大于2 h或小于2 min)的订单数据；删除骑行距离异常(小于200 m)的订单数据；删除骑行速度异常(平均速度大于20 km·h ^-1 )的订单数据。

2）缺失值处理。

11周中有4天缺失了2~6 h数据，为了保证数据的连续性，对4月24日，4月25日，5月2日三个工作日缺失的小时数据采用插值法，用相邻两个工作日同小时数据的均值进行补充，5月1日这一节假日缺少的小时数据，用此次节假日的同小时数据均值进行补充。

经过数据清洗后共得到1 245万条订单数据用以后续研究。

本文采用栅格法划分空间区域以研究区间差异，栅格范围一般根据研究需要划定为100 m，500 m，1 km等。由厦门市共享单车出行的OD距离分布可知，出行次数在OD距离500 m左右达到峰值，OD距离超过500 m的出行次数随距离增长而减少(见图1)。故本文设定500 m×500 m的范围作为空间的基本研究单位，以便能以更小的区间囊括更多的单车出行量(区域出行量为由此区域出发及到达此区域的骑行次数之和)，同时选择日均出行量100次以上的区域作为研究对象。

图1 共享单车出行OD距离分布

为了完整地描述423个栅格区域内共享单车出行量日变特征，选取的指标体系应包含该区域的共享单车出行规模以及研究期间该区域的出行量波动情况。出行规模可以采用出行量的日均值表示。而波动特征则需要关注工作日与非工作日的出行量差异以及相邻工作日之间的量变幅度，从而确定工作日与非工作日出行量的不均衡性和工作日出行量的稳定性，用以指导该区域不同时期的运维调度和停车配给等问题(见图2)。

图2 共享单车日出行量变化特征

由此，本文建立以下指标(见表2)：

表2 区域共享单车日出行量变化指标

1）日平均出行量。

用以描述该区域共享单车长期出行强度的指标。在没有新车辆投入的情况下，每个区域的共享单车出行量在某一数量范围内浮动。日平均出行量 ，式中： Volum _n 为第 n 天的出行量/次。

从日平均出行量的左偏分布(见图3a)来看，研究区域的共享单车使用量大多是低于平均水平的低使用量区域，只有少数的区域有着高于平均水平的使用量。

图3 各指标的数值分布

2）工作日(非工作日)出行量最大相对比值。

用以描述工作日、非工作日差异性的指标。许多研究证实了共享单车在工作日与非工作日的出行需求反差显著。

参考关于交通指数变化研究中利用高峰与低谷的数值比反映交通拥堵程度的研究方法 ^[14] ，本文用一周工作日(非工作日)的出行量均值除以非工作日(工作日)的出行量均值，得到该周的工作日(非工作日)出行量相对比值，取11周中的最大值表示该区域共享单车工作日(非工作日)相对于非工作日(工作日)出行量最多的极限情况。计算公式为

式中： 与 分别为第 m 周的工作日与非工作日出行量均值/次； Ratio _wm 与 Ration _wm 分别为第 m 周的工作日出行量相对比值和非工作日出行量相对比值。

若 MR_W 和 MR_NW 互为倒数，则 Ratio _wm 与 Ration _wm 恒定，说明该区域的共享单车出行表现出良好的周期性，即每周工作日与非工作日的出行情况相对稳定。从 MR_W 和 MR_NW 的联合分布图(见图3b)上可以看出，多数点落在离曲线 y = x -1较远的位置，说明这些点所代表的研究区域在工作日与非工作日的出行情况并不稳定，需要考虑由此带来的调度和停车问题。

3）工作日出行量最大变化率。

工作日出行量最大变化率是描述工作日出行量稳定性的指标。用上一个连续工作日与当前工作日出行量的差值除以上一个连续工作日的出行量作为当前工作日出行量变化率，从高到低排序后发现不同区域的工作日出行量变化率中前5位(前10%~15%)差异最大(见图4)，因此取前5位的均值作为最大变化率数值。得到的工作日出行量变化率比较符合正态分布(见图3c)。计算公式为

式中： Variation _mi 为第 m 周第 i 个工作日的变化率； Volum _mi 为第 m 周第 i 个工作日的出行量/次， m =1,2,?,11， i =2,3,4,5； Variation _{( n )} 为由高到低排序后的第 n 位值。

图4 工作日出行量变化率次序分布

将上述指标标准化后，对423个研究区域进行[k]均值聚类，根据聚类结果将其归纳为以下类型(见表3)。

1）工作日型。区域内共享单车出行以工作日为主，工作日出行量较为稳定。其中可细分为规律型、高强度型和普通型。规律型指日出行量变化呈现明显的周期规律，每周的出行情况基本相同，占比最少，仅为2.4%；高强度型和普通型，分别占14.2%和63.6%，这两类规律性不强。由此可见，大多数区域仍是以工作日出行为主，但其中规律变化的极少。

2）非工作日型。区域内共享单车出行以非工作日出行为主，出行量容易在节假日激增，工作日出行量变化幅度大。

3）不定型。区域内共享单车工作日出行与非工作日出行主次关系不明显。

共享单车日出行量的长期变化情况存在区域间差异，且日出行量呈周期性规律波动的区域占比极少，说明在共享单车研究中应注重出行特征的日变差异。不同区域的出行量日变特点不同，在不同模式下停车和调度需要关注的重点亦不同，区域模式划分能为区域共享单车的运维及管控提供参考。

表3 共享单车区域出行模式聚类

研究区域建成环境对共享单车日出行量长期变化情况的影响，对于了解共享单车出行的空间差异进而制定分区管理策略具有重要意义。区域共享单车日出行量变化采用第2章中提出的描述指标作为因变量。其中，日平均出行量数值差异大且右偏，进行对数处理得到ln V 。建成环境采用较为成熟的5D指标，即文献[15]提出可能对居民出行产生影响的密度(density)、设计(design)、多样性(diversity)，以及文献[16]增加的到公共交通站点距离(distance to transit)和目的地可达性(destination accessibility)。本文从中选取人口密度、道路设计、土地利用、交通设施以及目的地可达性作为自变量因素(见表4)。通过交叉检验，餐饮、生活服务与其余一项或几项的Pearson相关系数大于0.7，相关性较大，故不纳入模型。

表4 自变量指标统计

考察全局莫兰指数发现各因变量均具备一定空间自相关性，需要采用空间回归模型。回归模型按照空间滞后项的不同，分为空间滞后模型(Spatial Lag Model, SLM)与空间误差模型(Spatial Error Model, SEM)，前者的空间滞后项由空间权重矩阵与因变量乘积构成，作为解释变量存在；后者的空间滞后项由空间权重矩阵与误差项乘积构成，不作为解释变量。构建两个拉格朗日乘数LMERR，LMALG及更稳健的R-LMERR、R-LMALG来选择更合适的模型。当LMALG比LMERR在统计上更加显著，R-LMALG显著而R-LMERR不显著时，选择空间滞后模型更好，反之则空间误差模型更合适。由表5可知，对于工作日出行量最大相对比值MR_W与工作日出行量最大变化率MV，空间滞后模型更为合适。

表5 莫兰指数与拉格朗日乘数

空间滞后模型形式为 Y = ρWY + Xβ + ε ，式中： Y 为因变量； X 为自变量； ρWY 为滞后因子； W 为空间权重矩阵，本文选用反距离空间矩阵，即两区域距离越远，权重系数越小； ρ 为空间自相关系数， β 为自变量系数， ε 为误差。采用Stata软件分析得到模型结果如表6所示。

表6 空间滞后模型回归结果

注：*，**，***分别代表在90%，95%，99%的置信水平上显著。

由表6归纳得到各建成环境因素对共享单车出行量日变特征的主要影响如下：

1）区域人口密度、公共汽车站数量、轨道交通车站数量以及区域各类POI数量均会正向地影响区域共享单车日出行量。人口密度非常大的区域，如后埔社区、明发广场等，共享单车日出行量更多。公共汽车站数量和轨道交通车站数量对出行量的正向影响说明接驳公共交通仍然是共享单车的一项主要功能。区域内的POI数量一定程度上代表了区域内的土地开发情况及相应的活动热度，POI数量越多，骑行出行强度越大。旅游POI与住宅POI相较于办公POI与商圈POI对日出行量的影响系数更大，且区域工作日出行量波动更不稳定。对于旅游景点和住宅区，更需要关注停车和调度的平衡问题。

2）人口密度非常小的边缘地区以及土地利用多样性高的区域，更偏向于非工作日出行。人口密度小的边缘地区由于人口较少，出行目的的随机性较强。土地利用多样性越大，工作日与非工作日的出行量差异越小，且工作日出行更加稳定。这说明混合的用地类型能吸引更多不同出行目的的骑行者，骑行需求更强，并且工作日与非工作日的差异较小，出行时间分布更为均衡。因此，土地利用的多样性能带来更为稳定的共享单车出行。

3）距离轨道交通车站更近的区域以及工作POI数量更多的区域，更偏向于工作日出行且工作日出行量波动较小，骑行行为通勤倾向比较明显，需要重点关注工作日早晚通勤高峰的运维调度。

4）区域内是否有非机动车道对各项指标的影响均不显著，说明共享单车的日出行量情况并不受区域内该条件的限制。共享单车出行更偏向于刚性需求，骑行环境能影响骑行的舒适程度，但对共享单车使用需求的影响有限。

在共享单车的空间布局规划与管理上，管理者限定共享单车的数量，对停车范围加以规范，如规定投放份额，合理规划停车区域，设置“电子围栏”等。而企业则更注重通过优化调度、合理选址来减少成本。制定管理策略需要了解共享单车长期的出行情况，针对不同区域出行量规模及其长期波动的特点，进行合理分区和监管运维。例如，对于工作日-规律型区域，其工作日、非工作日出行量差异明显且工作日出行稳定，可根据需要配建“电子围栏”等固定停车区域，并注意工作日通勤时段的调度，调整星期五晚与星期日晚的投放数量；对于不定型区域，在新增车辆规模时应考虑因其出行量变化幅度大而产生的调度和停车问题，尽量采用标线划分的停车区域。

建成环境会长期影响区域共享单车出行量和其日变情况，管理者可以针对区域的建成环境特点，如区域内的轨道交通条件、土地利用情况及各类POI的数量，分别制定初步的管理策略和措施(见图5)。例如，对于主要居住小区，可以采用多点动态的停放策略应对工作日需求变化较大的情况，划定较为分散的小块停放区域于各个主要出发点，当共享单车停放压力不大时即可还空间于步行；旅游景点附近可以预设合适区域作为节假日高峰时的临时停放点。对于土地利用多样性高的区域，由于其出行相对稳定，可以设置相对固定的停车区，例如五缘湾感恩广场、火炬新天地等区域土地利用多样性较高但距离地铁站较远，可以设置集中的停车枢纽区域用以联系周边及地铁接驳，而对于一些土地利用多样性较低的地铁站如五通站附近，可以结合站前广场设置工作日临时停放点，并将调度重心放在工作日的早晚高峰。

图5 基于区域建成环境的管理策略导引

针对性的管理策略可以有效解决大多数时候的共享单车运维和管理问题，然而，共享单车的使用会由于天气、突发事件等不确定因素而出现出行量激增或骤降等突变情况，这些因素往往不存在周期性，例如旅游景点需要重点关注节假日出现的出行量激增。因此，需要对容易出现出行量波动且波动幅度较大的区域进行重点监测，同时，对于日出行量大的区域，也需要研究其流入流出的时变特征以应对潮汐式出行带来的停车和调度问题。例如，实时监测重点区域的出行高峰时刻，合理安排车辆调度，实行价格激励措施以鼓励用户从附近区域取还，从而达到片区内共享单车的自平衡。

本文通过空间单元划分，研究了厦门市423个空间区域为期11周的共享单车出行量日变特征，建立了区域共享单车日出行量变化指标。在此基础上，研究了区域建成环境对出行量日变化的影响，给出了相应的管理策略与建议。本文得到的主要结论及建议如下：

1）研究共享单车出行量的长期日变特征对于把握区域的共享单车出行情况十分必要。共享单车出行量在工作日与非工作日差异显著，且存在长期不均匀波动的情况，短期的出行情况并不能完整地体现共享单车出行的区间差异。

2）可以采用共享单车日平均出行量、工作日(非工作日)出行量最大相对比值以及工作日出行量最大变化率来描述区域共享单车的出行量规模及其波动情况，依此可将区域分为工作日型、非工作日型和不定型，工作日型又可分为规律型、高强度型和普通型，其中，规律型占比极少，说明多数区域日出行量存在较大的波动。

3）区域建成环境会影响共享单车出行量日变特征。区域人口、交通可达性以及各类POI数量均会正向影响区域共享单车的日出行量。在土地利用多样性高的区域，共享单车出行量工作日与非工作日间差异更小，日变化更为稳定。在靠近轨道交通车站以及工作POI数量高的区域，共享单车出行更偏向工作日出行。非机动车道条件对区域共享单车的出行量日变特征的影响并不显著。

4）管理者可以结合区域共享单车出行量日变特征分区制定管控措施，并依据其建成环境特点，采用不同的调度及停车管理策略，对重点区域的高峰时间采取实时监测管理对策。

本文的结论对于认识区域共享单车的日出行量变化规律具有一定参考价值，为管理者和企业提供了分区管理的思路和理论支撑。后续可以采用多层次的尺度划分，进一步研究区域共享单车单日流入流出的时变特征，同时纳入更多的城市案例进行提炼与分析。