EN中文

地理研究 >

2023 , Vol. 42 >Issue 9: 2405 - 2418

DOI: https://doi.org/10.11821/dlyj020220592

基于多尺度地理加权回归模型的城市建成环境 对共享单车空间分布影响研究

  • 黄沣爵 , 1 ,
  • 汤俊卿 , 1, 2 ,
  • 林华丽 1 ,
  • 韩颂 1 ,
  • 赵鹏军 1, 2, 3
展开
  • 1.北京大学深圳研究生院城市规划与设计学院，深圳 518055
  • 2.北京大学深圳研究生院自然资源部陆表系统与人地关系重点实验室，深圳 518055
  • 3.北京大学城市与环境学院，北京 100871
汤俊卿（1991-），男，陕西西安市人，博士，研究员，博士生导师，主要研究方向为城市定量研究、韧性城市。E-mail:

黄沣爵（1995-），男，福建漳州市人，博士研究生，主要研究方向为城市定量研究、韧性城市。E-mail:

收稿日期: 2022-06-02

  录用日期: 2023-07-14

  网络出版日期: 2023-08-31

基金资助

国家自然科学基金项目(42130402)

广东省自然科学基金项目(2023A1515010979)

广东省区域联合基金项目(2021A1515110537)

收起

Built environment effects on the spatio-temporal distribution of shared bikes based on multi-scale geographic weighted regression

  • HUANG Fengjue , 1 ,
  • TANG Junqing , 1, 2 ,
  • LIN Huali 1 ,
  • HAN Song 1 ,
  • ZHAO Pengjun 1, 2, 3
Expand
  • 1. School of Urban Planning and Design, Shenzhen Graduate School, Peking University, Shenzhen 518055, Guangdong, China
  • 2. Key Laboratory of Earth Surface System and Human-Earth Relations of Ministry of Natural Resources of China, Shenzhen Graduate School, Peking University, Shenzhen 518055, Guangdong, China
  • 3. School of Urban and Environmental Sciences, Peking University, Beijing 100871, China

Received date: 2022-06-02

  Accepted date: 2023-07-14

  Online published: 2023-08-31

Fold

摘要

近年来共享单车逐渐融入人们的出行模式，在解决短距离出行需求的同时，也成为了普通大众参与实现“碳中和”的重要途径之一。尽管学界对共享单车的时空特征进行了深入的探索，但关于城市建成环境对共享单车空间分布影响的实证研究方法仍以全局回归或地理加权回归为主，在对影响因素空间作用尺度上的研究仍存在明显不足。本文划定北京市六环内方形区域为研究范围，基于2019年5月7日摩拜单车数据，引入学界较为前沿的多尺度地理加权回归模型对城市建成环境中影响共享单车使用的因素进行识别。结果表明：① 验证了多尺度地理加权回归模型在单车出行数据中的解释力，模型拟合优度高于经典地理加权回归模型。② 各变量间空间作用尺度存在一定分异。其中，区位、公司企业与公共设施尺度较小，存在较大的空间异质性；距公交车站距离、休闲娱乐和土地利用混合度尺度接近全局，影响程度在空间上变化平缓。③ 在本案例中，距公交车站距离、公司企业、公共设施、休闲娱乐、土地利用混合度为影响共享单车空间分布的关键要素。其中，区位、土地利用混合度和公司企业等要素对共享单车空间分布影响最为显著，对上述要素进行空间规划或治理时，需留意其对单车分布量的边际效应，合理预留停车空间，改善单车出行环境，高效响应出行需求。

关键词： 建成环境; 共享单车; 多尺度地理加权回归; 北京市

本文引用格式

黄沣爵 , 汤俊卿 , 林华丽 , 韩颂 , 赵鹏军 . 基于多尺度地理加权回归模型的城市建成环境 对共享单车空间分布影响研究[J]. 地理研究, 2023 , 42(9) : 2405 -2418 . DOI: 10.11821/dlyj020220592

Abstract

Bike-sharing has emerged as a transformative mode of transportation in China, providing an effective solution for short-distance travel demands. Despite the growing attention paid to the spatio-temporal characteristics of shared bikes in recent years, few empirical studies have focused on the impact of the urban built environment on the spatio-temporal distribution of shared bikes. To address this gap, this study employs Mobike data from May 17th, 2019, and takes the area within the Sixth Ring Road of Beijing as the study area. The study introduces a cutting-edge statistical method, the multi-scale geographic weighted regression (MGWR) model, to identify the factors that impact the use of shared bikes in the urban built environment, including distance to the bus station, company, public facilities, leisure and entertainment, and land-use mix. The MGWR model is chosen for its capability to customize the spatial scale of each spatial process and provide more robust regression results than traditional geographic weighted regression. The results of this study demonstrate that the MGWR model is a valuable tool for identifying the factors that impact the use of shared bikes in the urban built environment. The study finds that distance to the bus station, company, public facilities, leisure and entertainment, and land-use mix are the key indicators that affect the spatial and temporal distribution of shared bikes. Among these factors, location, degree of space utilization, and company factors have the most significant impact on the spatio-temporal distribution of shared bikes. In conclusion, this study provides valuable insights into the factors that impact the spatio-temporal distribution of shared bikes in the urban built environment of Beijing. The use of the MGWR model allows for a more accurate and customized analysis of the spatial scale of each spatial process, which leads to more robust regression results. The findings of this study have important implications for urban planners and policymakers in effectively managing and planning bike-sharing systems in Beijing and other cities with similar urban built environments. The study recommends that the location of shared bikes be considered in relation to the urban built environment, along with the degree of space utilization and company factors in planning and managing bike-sharing systems.

Key words： built environment; bike-sharing; multi-scale geographic weighted regression; Beijing

1 引言

根据交通运输部公布的数据，截至2019年8月底，中国互联网租赁自行车共有1950万辆，覆盖全国360个城市，注册用户数超过3亿人次，日均订单数达到4700万单[1]。互联网租赁自行车即共享单车，是在互联网背景下诞生的以市场为主导的公共服务供给模式。共享单车作为一种解决市民出行“首公里”和“最后一公里”问题的零碳交通方式发展至今，已成为城市交通流的重要组成部分。2021年2月，中共中央、国务院印发《国家综合立体交通网规划纲要》指出，“要有序发展共享交通……，因地制宜建设自行车专用道，鼓励公众绿色出行”。据统计，2021年全国共享单车年租用量突破33亿人次，年均碳减排量约为438万t[2]。同时，需要注意到的是，在经历前期较为粗放扩张的阶段后，共享单车也给城市治理提出了新的要求。一方面，单车的投放与城市空间结构存在一定的错配，未能针对不同区域城市建成环境所表现出的异质性做出适应性规划。另一方面，为了避免共享单车对公共空间的占用，相关管理部门“一刀切”式地限制共享单车的投放数量与使用方式，使共享单车实际效用受限。基于此背景，探明共享单车的空间分布以何种程度、受何种建成环境因素影响，将能有效地指导城市规划编制与城市治理过程中对空间的统筹规划与布局，提升城市公共交通运行效率，为实现2030年前碳达峰，2060年前碳中和的“双碳”目标探索切实可行的路径，促进居民低碳出行。
共享单车数据作为出行元数据，在研究微观个体行为选择方面具有重要价值。龙林格格等与蒋梦帆基于问卷统计与实地调查总结共享单车使用特征，分析居民出行行为的变化[3,4]。Mete等运用自行车使用数据，结合截面调查与焦点小组讨论的方法对大学校园内共享单车的使用进行评估，以期实现更加安全、健康的校园共享单车骑行规则[5]。然而，这些研究中出行行为数据大多来自于出行调查，虽一定程度上揭示了共享单车的出行规律，但传统的研究方法需耗费巨大的时间与人力成本，且获取的截面数据并不能很好地兼顾数据精度和更大的研究尺度[6]。
随着共享单车的普及与数据获取门槛的降低，在信息通讯技术赋能下，追踪数以万亿计的数字足迹（如公交IC卡数据、手机信令数据、GPS轨迹数据、订单数据）成为现实，极大地推动了出行行为的研究。王炀基于共享单车位置数据，对单车时空分布规律进行研究，发现时间上单车骑行具有明显的潮汐现象，空间上单车分布具有不均匀和集聚的特征[7]。
同时，城市建成环境作为结构环境的重要组成元素，其对出行行为的持续影响也引起了诸多学者的讨论[8⇓-10]。Handy等将建成环境大致分为三个部分：土地利用、交通系统和城市设计。从本质上说，各种土地使用类型的空间分布影响其可达性；交通系统，包括有形的交通基础设施（例如道路），作为人类活动的载体，决定个人从出发地到目的地的容易程度；而城市设计是指物理元素的外观和排列，通过环境营造无意识地改变个体对安全的感知或对环境吸引力的判断进而影响个体行为模式的选择[11]。然而，在研究初期，对于建成环境如何转化为数字语境，Zegras与Ding等学者进行了如数据开源渠道、建成环境指标体系构建等诸多有意义的尝试[12,13]。潘晖婧运用叙述性偏好法对骑行者进行虚拟路径选择调查，通过离散选择模型量化各要素对路径评价的影响程度[14]。随着商业地图服务的广泛使用，POI数据因其能提供丰富且精确的建成环境数据，其研究价值得到认可。在该领域，邓力凡通过结合共享单车数据和POI数据对用户骑行行为时空特征进行挖掘与分析，计算不同类型空间要素周边骑行起止点分布识别出5类骑行区域：潮汐型、单向型、松散联系型、距离容忍型和紧密联系型[15]。
此外，考虑环境变量所施加的影响可能随着城市外部环境的不同而产生变化，有部分学者选择地理加权回归模型作为研究工具。该方法可以有效地揭示影响系数在研究区域内的空间变化，描述空间异质性，克服传统模型研究中全局回归模型因忽略空间变量而产生的不足，如曹小曙在全国视角下通过构建地理加权回归模型分析了城市建成环境各变量与共享单车配置的关系[16]。马新卫等将时间维度纳入模型中，通过时空地理加权回归模型分析了共享单车需求的影响因素[17]。经典地理加权回归虽补足了传统线性回归模型空间异质性问题上的短板，然而其忽略了不同影响因素的空间异质性尺度差异，导致了较大的估计偏误。Fotheringham提出的多尺度地理加权回归模型（MGWR）方法则针对GWR模型无法对各个自变量使用各自最优带宽进行回归的问题提出了非常充实的回应[18]。但当时该模型仍缺乏合适的统计推断方法，Yu等补充完善了MGWR的统计推断，从而使得该方法可以普遍地用于实证研究中[19]。
综上，现有文献广泛地验证了建成环境对骑行的影响，并对具体影响出行特征的建成环境因素有不同的发现。在对相关性建模的模型选型中，现有研究主要聚焦在普通最小二乘（OLS）模型或地理加权回归（GWR）模型上。研究视角虽实现了由全局到局部的质的转变，然而由于地理加权回归模型自身存在局限性，现阶段关于单车空间分布的研究未能有效地捕捉到不同建成环境影响因素的空间尺度。为使相关性建模结果更贴近现实，文章引入多尺度地理加权回归模型（MGWR）以评估其相较于地理加权回归模型（GWR）的性能，进而探究北京市建成环境对共享单车空间分布的影响。研究成果可为城市未来制定合理交通策略或可持续性城市规划提供实证依据，实现共享单车精准、高效的空间配置。

2 数据与变量选择

2.1 数据

2020年2月24日，北京市交通委公布了2019年下半年北京市共享单车行业运营管理情况。截至2019年年底，北京市共享单车总量稳定于90万辆左右，其中摩拜单车日均骑行量为83.8万次，高于行业其他品牌。因此，本文选取2019年5月7日14时摩拜单车出行数据为研究对象，该日气象条件晴朗，平均温度在14~27℃之间，适宜单车出行。同时，该出行行为数据未受新冠疫情的影响，能较好地表征建成环境对单车分布所施加的影响。研究选定北京市六环内为研究区域，以0.5 km×0.5 km尺度为分析单元，将研究区域划分为6561个网格（图1）。POI数据来源于高德地图API，共有11类: 餐饮服务、公共设施、公司企业、科教文化服务、住宅、生活服务、政府机构及社会团体、住宿服务、交通设施、体育休闲和购物服务。此外，道路网络数据来源于OpenStreetMap (OSM)，人口统计数据来源于第六次全国人口普查。
图1 研究范围

Fig. 1 Research scope

2.2 变量选择

对城市建成环境使用的最广泛的描述性维度是由Ewing等提出的5D框架[20]。具体包括：密度、多样性、设计、目的地和距离。该框架被广泛地运用于评估建成环境对城市公共交通[21,22]与出行行为[23⇓-25]的影响中。本文综合考虑数据可获得性和POI数据的特征，设置初始变量（表1）。
表1 变量选择

Tab. 1 Variable selection

变量分类 变量名称
因变量 共享单车配置车辆数
密度变量 人口密度
多样性变量 土地利用混合度
设计变量 路网密度
换乘距离变量
 到公交站点距离
到地铁站点距离
其他变量 11类POI数据
表1中，“土地利用混合度”采用赫芬达尔-赫希曼指数(HHI)。该指数在经济学中被广泛用于衡量行业集中度与多样性[26]。因此，本文选取HHI指数表示“土地利用混合度”。HHI的计算见公式（1），HHI值越小，混合度越高，反之亦然。
H H I i = ∑ j = 1 N ( X i j / X i ) 2
式中： X i为第 i网格中的总POI数量； X i j为第 i网格中类别 j的总POI数量。

3 方法

3.1 技术路线

本文研究方法参考了Li等针对成都市出租车出行时空分布所使用的研究思路[27]，并在该思路上对GWR与MGWR的回归结果进行比较（图2）。首先，对实验数据进行预处理，使用逐步回归与最小二乘估计剔除存在共线情况且不显著的变量。其次，使用OLS对变量进行全局回归建模，剔除未通过显著性检验的变量。最后，使用经典地理加权回归模型与多尺度地理加权回归模型对各变量进行回归拟合，并对拟合结果展开对比与讨论。
图2 技术路线

Fig. 2 Technical route

3.2 经典地理加权回归与多尺度地理加权回归

地理加权回归是对空间异质性进行检测和建模的主要手段之一，由Fotheringham等提出，被广泛用于研究空间非平稳性。该模型将数据的空间位置信息作为参数纳入模型的系数估计当中，其计算公式为[18]：
y i = ∑ r   x i r β r u i , v i + ε i
式中：（ui，vi）是第 i个格网的质心坐标； y i表示第 i个格网中共享单车的数量（因变量）； x i r表示第 i个格网中第 r个建成环境变量（自变量）； β r表示第 i个格网中第 r个自变量的回归系数； ε i表示随机误差项。
尽管经典地理加权回归模型相较于全局回归模型引入了变参数，但仍存在所有局部系数空间过程尺度相同的局限性。Fotheringham等基于广义加性模型提出多尺度地理加权回归（MGWR）[28]。该方法允许每个协变量各自不同的空间平滑水平，对每个自变量使用各自最优带宽进行回归，个性化定制每个空间过程作用的空间尺度[29,30]，由此产生了更接近真实且更具解释力的空间过程模型（图3）。
图3 GWR与MGWR模型示意

Fig. 3 Schematic diagram of GWR and MGWR models

而在MGWR中，模型可使用黄金搜索算法寻找不同变量最适宜的带宽从而进行回归建模，避免了带宽与变量作用尺度之间的错配，从而减少了模型在参数估计中的噪声。该模型的计算公式为：
y i = ∑ j = 1 k β b w j ( u i , v i ) x i j + ε i
式中： b w j代表了第 j个变量回归系数使用的带宽； y i表示第 i个格网中共享单车的数量； x i j表示第 i个格网中第 j个建成环境；（ui，vi）表示第 i个格网的质心坐标； β b w j表示在带宽 b w j下第 i个格网中第 j个变量的回归系数； k表示样本数； ε i表示随机误差项。

4 结果与分析

4.1 OLS回归结果

构建OLS回归模型对表1变量进行回归建模，其回归统计结果如表2所示。其中Jarque-Bera的p值为0.8759，大于显著性水平0.05，表明随机扰动项正态性假设成立。用于评估稳态的Koenker统计量显著，表示需参考稳健性系数标准差和概率以评估每个解释变量的效果。在本案例中，距公交车站距离、公司企业、公共设施、体育休闲与土地利用混合度的稳健性P值显著,其统计学分布情况如图4（见第2411页）所示。此外，具有非稳态特性的回归模型一般可选用地理加权回归模型以获得更好的拟合效果。
表2 OLS回归统计结果

Tab. 2 The results of OLS regression

变量 系数 标准误 P值 Robust_SE Robust_t Robust_Prb VIFc
截距 10.302 0.533 0.000* 0.515 19.992 0.000* —
人口密度 0.41e-4 0.32e-4 0.193 0.34e-4 1.228 0.219 1.991
路网密度 8.567 27.096 0.752 28.441 0.301 0.763 1.189
距地铁站距离 0.57e-4 0.56e-4 0.310 0.48e-4 -1.185 0.236 1.352
距公交车站距离 0.56e-4 2.17e-4 0.010* 1.88e-4 -2.987 0.003* 1.261
公司企业 0.026 0.005 0.02e-4* 0.007 3.746 1.94e-4* 2.016
科教文化服务 0.004 0.009 0.687 0.012 0.316 0.752 1.527
政府机构及社会团体 -0.041 0.022 0.054 0.026 -1.622 0.105 2.151
住宿服务 0.027 0.016 0.097 0.022 1.254 0.210 3.564
住宅小区 -0.074 0.041 0.072 0.048 -1.535 0.125 3.167
公共设施 0.214 0.049 0.16e-4* 0.073 2.918 0.004* 1.468
生活服务 -0.038 0.025 0.130 0.029 -1.309 0.191 3.290
购物服务 0.089 0.139 0.525 0.173 0.513 0.608 2.049
交通设施 0.009 0.019 0.647 0.024 0.364 0.716 3.782
体育休闲 -0.115 0.041 0.005* 0.051 -2.233 0.026* 2.517
土地利用混合度 -6.217 0.498 0.000* 0.390 -15.932 0.000* 1.470

注：*表示具有99%的置信度。

图4 显著性变量统计分布

Fig. 4 Statistical distribution of significant variables

4.2 变量空间分布特征

基于最小二乘估计的全局模型假设解释变量的影响在空间上是同质的，然而，由于变量空间分布方式不同，可能导致空间的非平稳性。空间自相关可以帮助理解变量与附近相同变量之间的相似度[31]。为了研究变量的空间自相关，本文计算了各变量的Moran′I（表3，见第2411页）。各变量均显著且呈空间集聚的模式。
表3 各变量莫兰指数

Tab. 3 The Moran's I of variables

变量 Moran′ I z得分 p值
共享单车车辆数 0.107 17.220 0
距公交车站距离 0.825 132.459 0
公司企业 0.384 61.998 0
公共设施 0.539 86.891 0
休闲娱乐 0.429 69.185 0
土地利用混合度 0.484 77.810 0
使用局部莫兰指数（LISA）探索共享单车分布的空间自相关模式（图5，见第2412页）所示[32]。共享单车分布呈现明显的空间正自相关，在研究范围内部为簇团式的“高-高”集聚区，研究范围边缘以“低-低”集聚区为主，主要覆盖大面积机场、山水林田等与共享单车非亲和的用地。
图5 共享单车空间分布LISA

Fig. 5 LISA diagram of spatial distribution of shared bikes

4.3 因变量的稳健性检验

因变量共享单车的分布数量由划分为6561个500 m×500 m的网格汇总统计得到，其中共享单车数量为0的网格共计2688个。为避免模型偏误估计，对其进行稳健性检验。由于因变量呈明显的幂律分布特征（图6，见第2412页），在对因变量进行二值变换（将未分布共享单车的格网赋值为0，剩余格网赋值为1）的基础上，使用逻辑斯蒂进行回归建模。在抽取样本总数不变的前提下，使共享单车数量为0的网格与剩余网格的比例上下浮动20%（即零值格网与非零值格网数量比在0.555到0.833区间），进行100次抽样，构造100份数据副本。对比不同比例下模型AIC值（图7，见第2413页）。可以看出，AIC值随着比例上升呈波动趋势，即共享单车数量为0的网格数量在本案例中对回归结果不会导致较大偏误，具有一定稳健性。
图6 共享单车（因变量）分布情况

Fig. 6 Distribution of shared bikes (the dependent variable)

图7 因变量稳健性检验结果

Fig. 7 Results of robustness tests on the dependent variable

4.4 模型对比与各变量带宽

使用OLS回归中表现显著的5个变量（距公交车站距离，公司企业，公共设施，休闲娱乐与土地利用混合度）作为参数构建MGWR模型，其中对距公交车站距离参数进行对数变换。在模型设置上，若SOC-f（回归系数）在模型迭代过程中变化差距在0.1e-4范围内则判断模型收敛。同时，为使MGWR最终结果能有效收敛，对参数进行标准化处理。在带宽选择中使用自适应二项式函数作为空间核函数，采用黄金分割进行最优带宽的搜索。最终结果如表4（见第2413页）所示，MGWR的拟合优度R²为0.464，经典GWR的R²为0.421，MGWR模型拟合优度更高且AICc值低于经典GWR。此外，MGWR模型使用更少的有效参数量回归出残差平方和更小，即更接近真实值的结果。因此，基于本案例，MGWR模型的结果优于经典GWR模型。
表4 经典GWR和MGWR模型回归结果

Tab. 4 Regression results of classic GWR and MGWR models

模型指标 经典GWR MGWR
拟合优度R² 0.421 0.464
调整后R² 0.385 0.430
AICc 18183.571 18086.341
有效参数数量 289.580 256.754
残差平方和 5826.463 5574.061
在空间尺度上（表5，见第2413页），MGWR通过计算各变量最优带宽反映不同变量空间差异化尺度，而经典GWR只能通过基于交叉验证法或赤池信息量准则所得到的带宽求平均反映各变量的作用尺度。经典GWR选用的最优带宽为557，占总样本数量的8.5%。而由MGWR的计算结果可以看出不同变量具有不同的最优带宽，即各变量间的作用尺度存在分异。公司企业分布与距公交车站距离的作用尺度分别为173与504，说明二者影响范围存在较大空间异质性，且公司企业分布的影响范围对空间尺度更为敏感。公共设施的作用尺度为3440，属于较大尺度，共享单车分布相对公共设施较不敏感，系数在空间上较为平稳。截距、休闲娱乐和土地利用混合度的作用尺度为6560，接近全尺度，说明空间异质性较弱，系数随空间尺度变化平缓。其中，截距项反映了其他建成环境要素取值为0时，因变量的均值，可表征为区位（包含未被考虑进该模型中的其他建成环境要素）对单车分布的影响。从结果看，较为平缓的空间尺度也说明了对建成环境要素的选择较为合理，未出现导致区位要素剧烈变动的潜在因子。
表5 经典GWR与MGWR模型各变量带宽

Tab. 5 Variable bandwidth of classic GWR and MGWR models

变量 经典GWR MGWR
截距 557 6560
到公交车站距离 557 504
公司企业 557 173
公共设施 557 3440
休闲娱乐 557 6560
土地利用混合度 557 6560

4.5 系数空间格局分析

将MGWR系数回归结果进行空间可视化。图8a（见第2414页）为距公交车站距离的系数空间格局分布情况。具体而言，在研究范围内，北京城城南单车分布与公交车站距离呈负相关即公交车站附近有更高的单车吸引力，共享单车因其点到点灵活出行的特点，成为公交出行的一种补充。该系数格局表明城南区域相较于城北在共享单车与公交车站的接驳转换中有更好的表现或城市管理部门更为重视该区域共享单车的投放与配置。此外，对照图中强正相关（红色）的区域，为北京首都国际机场所在地，说明共享单车与机场这类选址较为偏远的大型交通枢纽周边公交设施亲和度差，且航空园区并不具备适宜单车出行的尺度。
图8 各变量系数空间格局

Fig. 8 Spatial pattern of coefficients of various variables

图8b（见第2414页）为公司企业系数空间格局分布情况。图8b中“b1”（见第 2414页）高值区主要分布大小各类工业园区，园区中具备如适宜骑行的道路尺度，以公共交通为主的出行模式以及在出行偏好上更倾向于共享出行的年轻人群等要素，在一定程度上塑造了该区域正相关的系数格局。图8b中“b2”为朝阳区CBD，大量白领自周边地铁站点的通勤换乘是该区域成为高值区的主要原因。图8b中“b3”主要覆盖通州区北京民企总部、文化产业基地及其串联的各类城市文体公园，具有适宜短程单车出行的良好建成环境。
图8c为土地利用混合度（HHI）系数空间分布，呈波浪状由东向西递减。总体上看，土地利用混合度（HHI）对共享单车出行具有显著的积极影响，即在土地利用混合度高的地方，相对于混合度低的区位共享单车出行占比更大，说明具有业态多样性的地区更具吸引力。Randall Crane曾提出，由于高混合度带来的较低出行成本，提高了多目的地的可达性，因此带来了更多非工作行程[33]。土地利用混合度系数在本案中呈现沿中轴对称分布的形态，即在共享单车吸引力上，研究范围内北京城西部相较东部具有更高的混合度边际。
图8d为公共设施系数空间格局，其对共享单车出行影响为正向且由西北向东减弱，即在公共设施所在地往往分布有较多的共享单车，且不同区域公共设施对单车空间分布的吸引力存在异质性。图8e为休闲娱乐系数空间格局，在本案中该系数与共享单车分布呈负相关。初步判断其原因在于研究样本为工作日下午2时的单车分布，此时休闲娱乐相关设施应处于“流出”状态，因而不具单车出行吸引力。未来研究将选取周末夜间单车分布数据进行对比分析。

5 结论

共享单车作为共享出行的重要组成部分，其发展正从爆发增长期向平稳期过渡。城市规划者应在共享单车存量接近现实需求且几近饱和的窗口期，思考共享单车引发的城市问题。其中，关于城市建成环境与共享单车时空分布间的关系仍未受到广泛的讨论。本文将学界较为前沿的带有统计推断的MGWR模型应用于实证研究中，对城市建成环境与单车分布的空间交互展开讨论，得到以下结论：首先，MGWR模型比经典GWR模型回归结果更为稳健。这主要是由于MGWR能够进一步捕捉到不同变量的不同影响尺度从而避免了部分噪声和偏误。其中，区位、公司企业与公共设施有较为明显的空间分异性。距公交车站距离、休闲娱乐与土地利用混合度作用尺度为全尺度，对空间敏感性弱。其次，从系数空间格局上看，土地利用混合度和公司企业对共享单车空间分布影响最为显著，距公交车站距离、公共设施和休闲娱乐的空间影响较为平稳。其中，公司企业与公共设施与单车分布呈正相关，公交车站距离、休闲娱乐、土地利用混合度与单车分布呈负相关。
上述发现，可为政府与运营商制定政策与运营策略提供实证支撑。首先，对共享单车空间分布影响因素的挖掘，有助于共享单车运营公司和城市监管者高效合理地配置资源，不断迭代骑行匹配算法。基于本例，公司企业与土地利用混合度对单车分布的边际作用最大，因此可在城市中公司企业集中的CBD或产业园区，土地利用混合度高的城市TOD周边布置更多的共享单车。此外，对单车影响作用既要留意高值正相关，也应注意到低值负相关的变量与区域。在合理研判该地区骑行需求的前提上，改善单车出行环境，配齐单车设施，投入资金维护，改善对骑行需求的负边际。
其次，应注意到复合度高的区域具有较高出行吸引力，因此，城市规划在确定街区最优混合度的时候应充分考虑出行影响，合理计算交通发生量与吸引量，强化街区外部单车与城市公共交通的衔接，打通城市交通微循环。
最后，由截距项的系数空间格局与卫星图叠加比对后可以发现骑行者在构建“斑块-廊道-基质”的城市景观空间格局中自发的无意识的作用，确切地说是骑行者在各类功能不同、性质相异的街区“基质”中，穿行于城市景观要素斑块即各级绿地空间时形成“绿色廊道”的作用。该作用区别于自上而下的图纸规划，来自于诸多个体的群体选择。因而，城市规划者一方面应赋能已显露的城市骑行绿廊，一方面应对其他区域进行挖潜，整合斑块资源，打造城市绿网。
本研究仍存在以下不足：① 共享单车原始数据未区分“开锁”与“上锁”，因而无法准确区分单车的行驶状态。② 选用POI数据的一级分类表征城市建成环境，数据颗粒度较大，可能影响结果准确度。③ 研究只选择某日中单一时间切片对截面数据进行研究，缺少更长时间序列下对共享单车出行行为的观察。④ 目前监管部门已在公共区域划设停车点，引导市民规范停车，故单车空间分布存在人为偏误。⑤ 第六次人口普查数据相较实际情况存在一定误差。基于上述原因，使得拟合后R2数值较低，对某些变量的系数空间解释不够有力。本研究主要聚焦变量的空间作用尺度与系数空间格局，未来将对引起空间异质性的机制进行更为深入的讨论。

真诚感谢匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文主体研究思路、回归模型建模方法选择、系数空间结果解读等方面的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
中华环境保护基金会绿色出行专项基金. 共享经济蓝皮书:中国共享出行发展报告. 北京: 社会科学文献出版社, 2019.

[ Chinese Environmental Protection Foundation Green Travel Special Fund. Sharing Economy Blue Book:Development Report of China's Shared Travel. Beijing: Social Sciences Academic Press, 2019.]

[2]
毛雨佳. “双碳”战略下,公共自行车的新机遇. 杭州日报, 2021-06-17.

[ Mao Yujia. New opportunities for public bicycle under the 'Dual Carbon' Strategy. Hangzhou Daily, 2021-06-17.]

[3]
龙林格格, 甘振坤, 张大玉. 北京西直门地区共享单车使用特征调查研究. 北京规划建设, 2017, (5): 81-86.

[ Long Lingege, Gan Zhenkun, Zhang Dayu. Research on the use characteristics of shared bicycles in Xizhimen area of Beijing. Beijing Planning and Construction, 2017, (5): 81-86.]

[4]
蒋梦帆. 共享单车影响下的居民出行行为研究:以厦门市思明区为例. 持续发展理性规划: 2017中国城市规划年会论文集(06城市交通规划). 北京: 中国城市规划学会, 2017: 802-816.

[ Jiang Mengfan. Research on residents′ travel behavior under the influence of shared bicycles:Taking Siming district of Xiamen as an example. Rational Planning for Sustainable Development:2017 China Urban Planning Annual Conference Proceedings (06 Urban Transportation Planning). Beijing: Chinese Urban Planning Society, 2017: 802-816.]

[5]
Mete S, Z A Cil, E Ozceylan. Location and coverage analysis of bike-bharing btations in university campus. Business Systems Research Journal, 2018, 9(2): 80-95. DOI: 10.2478/bsrj-2018-0021.

DOI

[6]
Wang Z Z, S Y He, Y. Leung. Applying mobile phone data to travel behaviour research: A literature review. Travel Behaviour and Society, 2018, 11: 141-155. DOI: 10.1016/j.tbs.2017.02.005.

DOI

[7]
王炀. 基于多源数据的南京市主城区共享单车分布状况研究. 品质交通与协同共治:2019年中国城市交通规划年会论文集. 成都: 中国城市规划学会城市交通规划学术委员会, 中国城市规划设计研究院城市交通专业研究院, 2019: 2332-2342.

[ Wang Yang. Research on the distribution of shared bicycles in the main urban area of Nanjing based on multi-source data. Quality Transportation and Collaborative Co-governance:2019 China Urban Transportation Planning Annual Proceedings. Chengdu: Urban Transportation Planning Academic Committee of China Urban Planning Society: Urban Transportation Professional Research Institute of China Urban Planning and Design Institute, 2019: 2332-2342.]

[8]
Cervero R, K Kockelman. Travel demand and the 3Ds: Density, diversity, and design. Transportation Research Part D-Transport and Environment, 1997, 2(3): 199-219. DOI: 10.1016/S1361-9209(97)00009-6.

DOI

[9]
Guo J Y, C R Elhat, R B Copperman. Effect of the built environment motorized and nonmotorized trip making: Substitutive, complementary, or synergistic? Transportation Research Record, 2007, 2010(1): 1-11. DOI: 10.3141/2010-01.

DOI

[10]
Choi K. The influence of the built environment on household vehicle travel by the urban typology in Calgary, Canada. Cities, 2018, 75: 101-110. DOI: 10.1016/j.cities.2018.01.006.

DOI

[11]
Handy S L, Boarnet M G, Ewing R, et al. How the built environment affects physical activity: Views from urban planning. American Journal of Preventive Medicine, 2002, 23(2): 64-73. DOI: 10.1016/S0749-3797(02)00475-0.

DOI

[12]
Zegras C. The built environment and motor vehicle ownership and use: Evidence from santiago de chile. Urban Studies, 2010, 47(8): 1793-1817. DOI: 10.1177/0042098009356125.

DOI

[13]
Ding C, D G Wang, C Liu, et al. Exploring the influence of built environment on travel mode choice considering the mediating effects of car ownership and travel distance. Transportation Research Part a-Policy and Practice, 2017, 100: 65-80. DOI: 10.1016/j.tra.2017.04.008.

DOI

[14]
潘晖婧, 朱玮, 王德. 基于路径选择行为的自行车出行环境评价和改善. 上海城市规划, 2014, (2): 12-18.

[ Pan Huijing, Zhu Wei, Wang De. Evaluation and improvement of bicycle travel environment based on path selection behavior. Shanghai City Planning, 2014, (2): 12-18.]

[15]
邓力凡, 谢永红, 黄鼎曦. 基于骑行时空数据的共享单车设施规划研究. 规划师, 2017, 33(10): 82-88.

[ Deng Lifan, Xie Yonghong, Huang Dingxi. Research on planning of shared bicycle facilities based on spatiotemporal data. Planner, 2017, 33(10): 82-88.]

[16]
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. 中山大学学报(自然科学版), 2020, 59(1): 77-85.

[ Cao Xiaoshu, Luo Yi. The relationship between urban built environment and bike sharing configuration in mainland China. Journal of Sun Yat-sen University(Natural Science Edition), 2020, 59(1): 77-85.]. DOI: 10.13471/j.cnki.acta.snus.2020.01.010.

DOI

[17]
马新卫, 季彦婕, 金雨川, 等. 基于时空地理加权回归的共享单车需求影响因素分析. 吉林大学学报(工学版), 2020, 50(4): 1344-1354.

[ Ma Xinwei, Ji Yanjie, Jin Yuchuan, et al. Analysis of factors influencing shared bicycle demand based on space-time geographic weighted regression. Journal of Jilin University (Engineering Edition), 2020, 50(4): 1344-1353.]

[18]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity. Geographical Analysis, 1996, 28(4): 281-298. DOI: 10.1111/j.1538-4632.1996.tb00936.x.

DOI

[19]
Yu H, Fotheringham A S, Li Z, et al. Inference in multiscale geographically weighted regression. Geographical Analysis, 2020, 52(1): 87-106. DOI: 10.1111/gean.12189.

DOI

[20]
Ewing R, R Cervero. Travel and the built environment: A meta-analysis. Journal of the American Planning Association, 2010, 76(3): 265-294. DOI: 10.1080/01944361003766766.

DOI

[21]
Niu S, Hu A, Shen Z, et al. Measuring the built environment of green transit-oriented development: A factor-cluster analysis of rail station areas in Singapore. Frontiers of Architectural Research, 2021, 10(3): 652-668. DOI: 10.1016/j.foar.2021.03.005.

DOI

[22]
An R, Wu Z, Tong Z, et al. How the built environment promotes public transportation in Wuhan: A multiscale geographically weighted regression analysis. Travel Behaviour and Society, 2022, 29: 186-199. DOI: 10.1016/j.tbs.2022.06.011.

DOI

[23]
Zhang Y, Yao E. Exploring elderly people's daily time-use patterns in the living environment of Beijing, China. Cities, 2022, 129: 103838. DOI: 10.1016/j.cities.2022.103838.

DOI

[24]
Herrmann-Lunecke M G, Figueroa-Martínez C, Parra Huerta F, et al. The disabling city: Older persons walking in central neighbourhoods of santiago de chile. Sustainability, 2022, 14(17): 11085. DOI: 10.3390/su141711085.

DOI

[25]
Kim H, Shimizu C. The relationship between geographic accessibility to neighborhood facilities, remote work, and changes in neighborhood satisfaction after the emergence of the COVID-19 pandemic. Sustainability, 2022, 14(17): 10588. DOI: 10.3390/su141710588.

DOI

[26]
Palan N. Measurement of specialization: The choice of indices. FIW Working Paper. Vienna, Austria: Research Centre International Economics, 2010.

[27]
Li T, Jing P, Li L, et al. Revealing the varying impact of urban built environment on online car-hailing travel in spatio-temporal dimension: An exploratory analysis in Chengdu, China. Sustainability, 2019, 11(5): 17. DOI: 10.3390/su11051336.

DOI

[28]
Fotheringham A S, W B Yang, W Kang. Multiscale geographically weighted regression (MGWR). Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. DOI: 10.1080/24694452.2017.1352480.

DOI

[29]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制: 基于多尺度地理加权回归模型(MGWR)的研究. 经济地理, 2020, 40(3):75-83.

[ Shen Tiyan, Yu Hanchen, Zhou Lin, et al. The impact mechanism of second-hand residential price in Beijing: Research based on Multi-scale Geographically Weighted Regression model (MGWR). Economic Geography, 2020, 40(3): 75-83.]

[30]
Lu B, Ge Y, Shi Y, et al. Uncovering drivers of community-level house price dynamics through multiscale geographically weighted regression: A case study of Wuhan, China. Spatial Statistics, 2023, 53: 100723. DOI: 10.1016/j.spasta.2022.100723.

DOI

[31]
Moran P A. Notes on continuous stochastic phenomena. Biometrika, 1950, 37: 17-23. DOI: 10.2307/2332142.

DOI PMID

[32]
Anselin L. Local indicators of spatial association-LISA. Geographical Analysis, 1995, 27(2): 93-115. DOI: 10.1111/j.1538-4632.1995.tb00338.x.

DOI

[33]
Crane R. Cars and drivers in the new suburbs: Linking access to travel in neotradition planning. Journal of the American Planning Association, 1996, 62(1): 51-65. DOI: doi.org/10.1080/01944369608975670.

DOI

Options
文章导航

/

〈 〉