EN中文

GEOGRAPHICAL RESEARCH >

2019 , Vol. 38 >Issue 12: 2859 - 2872

DOI: https://doi.org/10.11821/dlyj020190081

Articles

Spatial-temporal characteristics and the influencing factors of the ride destination of bike sharing in Guangzhou city

  • GAO Feng 1 ,
  • LI Shaoying , 1 ,
  • WU Zhifeng 1 ,
  • LV Dijiang 2 ,
  • HUANG Guanping 1 ,
  • LIU Xiaoping 3
Expand
  • 1. School of Geographical Science, Guangzhou University, Guangzhou 510006, China
  • 2. Guangdong Guodi Planning Technology Co., Ltd, Guangzhou 510650, China
  • 3. School of Geography Science and Planning, Sun Yat-Sen University, Guangzhou 510006, China

Received date: 2019-01-28

  Request revised date: 2019-03-14

  Online published: 2019-12-25

Copyright

Copyright reserved © 2019
Fold

Abstract

Since the emergence of dockless bike sharing in China, it has provided convenience and non-motorized travel mode for residents' short distance trips. Bike sharing plays an important role in improving the accessibility of public transportation and reducing the motorized pollution. At the same time, it also brings out urban issues, such as excessive amount of bike sharing, and mismatch between supply and demand of bike sharing. The main reason for these problems is the lack of accurate prediction and effective scheduling for bike sharing ride. Exploring the spatial and temporal characteristics of bike sharing ride and detecting the influencing factors can provide scientific decision-making basis for precise prediction and effective scheduling of bike sharing. Even though some studies have paid attention to the influencing factors of bike-sharing ride behaviors, most of them focused on the starting point but neglected the destination. Moreover, the temporal difference of influencing factors and the interaction between the factors were seldom revealed in the previous studies. Taking mobike in Guangzhou city as an example, this study aims to analyze the spatial and temporal characteristics of the ride destination of bike sharing. We detect the temporal differences of the influencing factors of bike sharing ride destination, and further explores the interaction between the determinants by using geographical detector. The results show that: (1) The usage of bike sharing in morning-peak time is greater than that in evening-peak time, and the spatial distribution of bike sharing ride destination has obvious temporal differences. The ride destinations of bike sharing at morning peak period are mainly distributed at CBD, zone of information industry and job-housing balance areas. While the ride destinations at evening peak period are mainly distributed along Metro Line 3 from Tiyuxi station to Huashi station as well as high-density residential areas. (2) The element of service facilities has the greatest impacts on the ride destinations of bike sharing, followed by the accessibility, land use and natural environment elements. To be more specifically, the influencing degree of the factors ranks as follows: residential communities distribution, catering facilities distribution, corporate distribution, shopping facilities distribution, road density, distance to metro station entrances and POI diversity. (3) The influence of each factor has remarkable temporal differences, for example, the influence of corporate distribution factor grows rapidly during the morning peak period. (4) The interaction effect of any two factors on the ride destinations of bike sharing is greater than the effect of one single factor. Among them, the interaction effect of factors which belong to service facilities elements are the greatest, followed by the interaction effects between factors of service facilities and accessibility.

Key words： bike sharing ride destination; spatial-temporal pattern; influencing factor; geographical detector; Guangzhou

Cite this article

GAO Feng , LI Shaoying , WU Zhifeng , LV Dijiang , HUANG Guanping , LIU Xiaoping . Spatial-temporal characteristics and the influencing factors of the ride destination of bike sharing in Guangzhou city[J]. GEOGRAPHICAL RESEARCH, 2019 , 38(12) : 2859 -2872 . DOI: 10.11821/dlyj020190081

1 引言

共享单车作为一种低碳、便捷、灵活的出行方式,在世界各城市有着不同程度的发展。共享单车与公共自行车（以下简称公自）的最大区别在于共享单车可随处借还,而公自须在固定站点借还。方便灵活的特点使得无桩共享单车逐渐取代有桩公自。共享单车的兴起改变了居民日常出行方式,解决了轨道交通站点和BRT（快速公交系统）站点接驳等“最后一公里”出行问题,在减少交通堵塞、环境污染等“城市病”中发挥重要的作用。与此同时,共享单车也相应地带来了如共享单车乱停乱放、供需时空不匹配、投放量过大占用公共空间等问题[1,2,3]。造成这些问题的根源在于缺乏对共享单车进行精准投放。挖掘共享单车出行的时空特征,探测共享单车骑行行为的影响因素,能够为共享单车需求的精准预测、有效投放及调度管理等提供科学的决策依据。
目前关于共享单车及公自骑行特征与影响机制的研究主要集中于：① 共享单车及公自使用意愿及满意度研究[4,5],这方面研究主要通过问卷调查对居民主观评价因素进行分析,缺乏从空间视角对其使用影响的空间因素进行分析;② 共享单车骑行时空分布及热点提取[5,6,7,8,9,10,11],如杨永崇等提取了西安一日共享单车使用的热点时间及路径,并基于格网统计绘制热力图[6];③ 单车骑行的影响机制分析[12,13,14,15,16,17,18],如Corcoran等通过泊松回归模型探究天气和特殊事件对公自时空分布的影响,发现了假日和高温对公自使用产生显著且积极的影响,而降雨和高风速产生负面影响[14];Faghi等基于2012年蒙特利尔公自运营数据,采用混合线性模型分析公自使用时空分布的影响因素,发现了公自使用与气温存在正相关与湿度存在负相关关系,而与主干道长度存在负相关与次干道长度存在正相关[15]。罗桑扎西等基于2015年南京市桥北片区公自运营数据,采用多元线性回归模型分析了公自使用与建成环境的关系,结果表明公自使用具有显著的早晚高峰,其使用主要受服务设施点密度、基础设施及公共交通条件的影响[18]。Shen等基于2017年新加坡共享单车数据,采用空间自回归模型分析共享单车使用的影响因素,发现了土地利用混合度,公共交通,自行车设施及运营商促销活动对共享单车使用产生了积极影响,而降雨和高温则产生了负面影响[12]。
上述表明,许多学者对单车骑行的影响机制进行了探讨,并取得了丰硕的成果。但这些研究主要集中于公自的研究,对共享单车骑行影响机制研究相对较为缺乏。已有共享单车骑行的影响研究在以下方面尚存明显的不足：① 已有研究主要关注共享单车骑行的起点,如在Shen等构建的共享单车使用影响模型中因变量被定义为单位格网内共享单车骑行起点分布数量[12]。较少学者研究共享单车骑行目的地时空分布及其影响因素。一方面,共享单车在解决城市居民出行“最后一公里”的问题上扮演着重要角色[16,19-21],骑行终点更能反映共享单车出行“最后一公里”的实际时空分布规律,并认识骑行者的使用目的与共享单车使用的“流向”。另一方面,为解决乱停放难题,运营商多采用“电子围栏”手段限制共享单车结束骑行的停放区域,研究共享单车骑行目的地的时空分布及其影响机制,对共享单车骑行目的地预测及其调配与管理具有重要的意义,可为治理乱停放问题与“电子围栏”的选址提供科学参考。② 已有研究建模的时间尺度不够精细,许多研究以获取数据的时段对共享单车骑行的影响因素进行总体建模,无法揭示共享单车骑行影响因素的时间差异规律。罗桑扎西等以早、晚高峰及其他时段对公自使用影响因素进行建模[13],Liu等分工作日和休息日两个时段进行建模[22],研究结果均表明不同时段影响公自使用的因素存在明显的差异。对于共享单车而言,精细化地探讨不同时间段内骑行影响因素的差异对于共享单车的实时智能调度具有非常重要的意义。③ 大多数研究主要分析了各因子对共享单车使用的独立影响作用[12,13,14,15,16,17,18],对因子之间的交互作用的探讨鲜有所见。
为弥补已有研究存在的不足,本文以广州市主城区为例,利用网络爬虫技术获取2017年9月其中四天的摩拜单车GPS数据,分析共享单车骑行目的地时空分布规律。进一步引入地理探测器模型,构建包含自然与建成环境的影响因子体系,以小时为时间尺度建立共享单车骑行目的地分布影响因素探测模型,精细地探测每个小时内共享单车骑行目的地分布的影响因子,深入探讨共享单车骑行影响因素的时间差异规律。地理探测器是由王劲峰等提出用于研究地理环境因子对疾病发生影响的模型,是探测空间分异性及其驱动力的统计学方法[23,24,25],已被广泛应用到自然区过渡带生境质量时空差异研究[26]、山区县域聚落演化时空差异研究[27]、制造业时空分异格局研究[28]、PM2.5时空演化特征研究[29]和生态用地格局演变[30]等时序研究中。采用地理探测器模型进行分析,不仅能够研究各时段共享单车骑行目的地分布的主要影响因子,且能对其影响因子进行交互探测,从而更全面地解释共享单车骑行目的地分布的影响因素,对于帮助理解共享单车使用的影响机制以及科学预测其骑行目的地具有重要意义和科学价值。

2 研究区概况与研究方法

2.1 研究区概况与数据来源

广州是国内最早投放运营共享单车的城市之一,选取广州市主城区（天河区、越秀区、海珠区和荔湾区）为研究区,该区是广州市人口较为集中、社会经济发展水平较高的区域。据《2017广州统计年鉴》,该区面积为325.4 km²,仅为全市面积的4.49%,但该区人口占全市的42.96%,该区GDP占全市的48.46%。目前已开通14条地铁线路及1213条公交线路,形成了比较成熟的公共交通网络体系。截至2017年9月,摩拜单车在广州市主城区投放量达17万辆。摩拜共享单车分布图如图1所示。
图1 研究区位置与摩拜单车分布图

Fig. 1 Location of the study area and distribution of mobikes

本文用到的数据主要包括摩拜共享单车数据和影响因子数据两部分。摩拜单车数据通过Python语言开发网络爬虫程序,获取了2017年9月25—29日（27日数据有缺失）研究区内的共享单车位置数据,包括经纬度坐标、车辆ID号、获取时间等属性信息,获取时间间隔约为10 min,每次获取约17万条记录。通过ArcMap平台,采用数据格网化方法将各时间共享单车骑行目的地分布数量统计到100 m×100 m格网内。
影响因子数据来源于POI数据、道路网络数据、建筑物轮廓及高度数据、地铁站点出口数据、公交站点数据、DEM数据和气温数据等。① POI数据的获取采用百度地图（http://lbsyun.baidu.com/）提供的Place API接口,获取2017年广州市的POI数据,共18个一级类别,含经纬度坐标、所属类别、地址等。对其进行格网化处理,基于此计算单位格网上POI的信息熵作为建成环境影响因子。② 2017年广州市道路数据源自OSM开源地图（https://www.openstreetmap.org/）,包含路名、等级、长度等信息,基于ArcMap采用网络分析法分别计算距河流距离、距普通公交站距离、距BRT距离与距地铁站出口距离等建成环境影响因子。③ 2017年建筑物轮廓和高度数据通过Python爬虫获取高德地图中的建筑物矢量边界及楼层属性。④ 通过Python语言采用百度地图（http://lbsyun.baidu.com/）提供的地理编码API接口,获取了研究区内共108个地铁站点、379个地铁站出口以及15750个公交站点的位置数据。⑤ DEM数据源于地理空间数据云平台（http://www.gscloud.cn/search）,空间分辨率为30 m,通过图像校正和Slope分析获得研究区海拔和坡度数据作为自然环境影响因子。⑥ 气温数据源自广州气象数据网（http://data.tqyb.com.cn/weather/index.jsp）2017年9月26—30日研究区内10个观测站点的天气数据,包括时均气温、降水等信息,采用克里金插值法对每小时的气温数据进行插值。

2.2 研究方法

共享单车骑行目的地分布的时空差异受其所在建成环境影响较大[12,13,15,18,31,32],同时还受自然环境如天气状况的影响[14,16]。本研究所选取的影响因子分为两大类别：自然环境影响因子与建成环境影响因子（表1）。
表1 共享单车骑行目的地分布的影响因子选取

Tab. 1 Description of influencing factors of bike sharing destinations

类别 因子 均值 标准差
自然环境影响因子 高程（m） 156.45 108.71
坡度（°） 3.19 4.20
距河流距离（m） 3 023.59 3 291.31
气温（℃） 30.13 2.28
建成环境影响因子 交通可达因子 距地铁站出口距离（m） 1 329.95 1 159.92
距普通公交站距离（m） 324.50 321.90
距BRT公交站距离（m） 6 041.07 3 769.47
路网密度（km/km²） 6.63 5.72
土地利用因子 POI多样性 0.70 0.64
建筑高度（floor） 4.78 5.16
服务设施因子 购物设施分布密度（/km²） 4.64 6.95
餐饮设施分布密度（/km²） 67.08 99.90
住宅分布密度（/km²） 13.82 21.98
公司企业分布密度（/km²） 111.94 169.50
自然环境影响因子包括高程（ X 1 ）、坡度（ X 2 ）、距河流距离（ X 3 ）和气温（ X 4 ）。自然环境影响因子的选取主要考虑了居民选择共享单车出行的舒适性,因本研究时间内研究区无降水记录,故天气状况只考虑气温。
建成环境影响因子分为三大类别：交通可达因子、土地利用因子和服务设施因子。交通可达因子中包括距地铁站出口距离（ X 5 ）、距普通公交站距离（ X 6 ）、距BRT距离（ X 7 ）以及路网密度（ X 8 ）,主要考虑了空间可达性和居民出行中多种交通方式接驳出行的便捷性。土地利用因子中包括POI多样性（ X 9 ）和建筑高度（ X 10 ）,POI多样性基于单位格网计算POI类别的信息熵值,建筑高度基于单位格网统计格网内建筑物平均高度,土地利用因子考虑了土地利用混合程度以及人口的分布情况。服务设施因子中包括购物设施分布密度（ X 11 ）、餐饮设施分布密度（ X 12 ）、公司企业分布密度（ X 13 ）以及住宅分布密度（ X 14 ）。这主要考虑了居民日常出行的主要需求,居民在出行中主要以居住地和工作地为起始点,餐饮、购物设施往往是居民日常出行主要目的地,所以共享单车骑行目的地一定程度上会受此类设施在空间上的集聚程度的影响。最后,基于ArcMap平台通过数据格网化方法将所有因子采用100 m×100 m格网进行统计。
共享单车骑行目的地分布受自然环境和建成环境多因子影响,已有研究多以单因子作用的影响为研究主题[12,13,14,15,16,17,18],两因子共同起作用时产生的影响力及其差异研究较少。地理探测器模型不仅能对单因子作用的影响进行分析,还能探测两因子的交互作用。地理探测器主要由四部分组成：风险探测器、因子探测器、生态探测器和交互探测器,其中,因子探测器,其基本原理是探测因变量Y的空间分异性,及判断自变量X多大程度上解释了因变量Y,用q值来度量,即分别计算某因子在全区的总方差（total sum of squares, SST）和次级区域内的方差之和（within sum of squares, SSW）,其公式为：
SSW = ∑ h = 1 L N h σ h 2
SST = N σ 2
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - SSW SST
式中：h=1, 2, …,L为因变量Y或因子X的分层; N h 和N分别为h区和全区的单元数; σ h 2 和 σ 2 分别是h区和全区因变量Y值的方差。SSW和SST分别为区内方差之和和全区总方差。q值越大说明因子X对共享单车骑行目的地分布的空间分布影响力越强[23]。
交互探测主要用于研究不同影响因子之间的交互影响作用,即分析影响因子 X 1 和 X 2 共同影响作用时是否会增强或削弱对因变量Y的影响作用力。首先,分别计算两个影响因子 X 1 和 X 2 对因变量Y的q值：q（ X 1 ）和q（ X 2 ）。其次,计算两个影响因子相交时的q值：q（ X 1 ⋂ X 2 ）。最后比较q（ X 1 ）、q（ X 2 ）和q（ X 1 ⋂ X 2 ）。

3 结果分析

3.1 共享单车骑行目的地时空分布特征

根据共享单车位置数据,广州市主城区共享单车日均使用量为171 259.50次,时均使用量为7 135.81次。在时间上,共享单车到达量具有明显的早晚高峰特征,早高峰出现在早上8时,晚高峰出现在晚上18时,早高峰的共享单车到达量高于晚高峰。由图2c可知,早高峰时段到达峰值后到达量较快下降,而晚高峰后到达量则较缓慢下降。这种差异可能是由于上班通勤时间主要集中在早上8—9时,而下班时间则相对分散,较长的下班通勤时间分担了到达量。此外,早晚高峰到达量及其空间分布也存在较大的日差异：到达量最高的早高峰分布在9月29日（周五）（图2b）,到达量最低的早高峰分布在9月26日（周二）（图2a）;到达量最高的晚高峰分布在9月25日（周一）（图2d）,到达量最低的晚高峰分布在9月28日（周四）（图2e）。
图2 共享单车骑行目的地时空分布

Fig. 2 Spatial and temporal distribution of the bike sharing destinations

为更直观对共享单车骑行目的地分布进行可视化和时空特征分析,本文采用核密度法进行分析,发现研究区内骑行目的地空间分布具有明显的集聚特征。总体上,骑行目的地在早晚高峰的空间分布呈现与主城区中心距离衰减的“多中心”格局,高到达量区域在广州市主城区中心区域呈东-西走向的带状分布,向南北两侧蔓延。
基于共享单车到达量时间分布特征,同时考虑区内其他公交系统的客流,并参考相关研究[7,18],将共享单车使用时段划分为早高峰时段（7—9时）和晚高峰时段（17—19时）。分别统计每小时内共享单车到达量,采用核密度法分析不同时间段内共享单车骑行目的地分布的空间分异性。结果显示：① 早高峰时段骑行目的地空间分布较为分散,高到达量区域主要集中在科韵路、石牌、岗顶、体育西以及陈家祠和北京路区域。石牌、岗顶、体育西为广州市主城区的中心商务区,集中分布大量公司企业,科韵路南北方向上分布了广州市科技园、软件园以及信息港,这些区域多为居民的工作地点,所以此区域在早高峰时段到达量最高。陈家祠和北京路地区职住功能较为均衡,故早高峰到达量也较高。② 晚高峰时段骑行目的地空间分布较集聚,高到达量区域主要集中在地铁3号线体育西站至华师站沿线连片地区、农讲所-北京路连片地区、科韵路站以东地区。地铁3号线体育西站至华师站沿线地区为中心商务区,公司企业与公共交通站点（地铁、公交、BRT）集中分布,该区晚高峰时段到达量高可能是由于在中心商务区工作的居民在晚高峰通勤时段内较多选择共享单车前往公共交通站点进行接驳返回居住地。农讲所-北京路连片地区为广州市老城区住宅分布区,科韵路以东地区为棠下村,是广州最大的外来人口集聚的城中村,属典型的高密度住宅分布区域,因而这些区域晚高峰时段共享单车到达量最高。

3.2 共享单车骑行目的地影响因子探测

根据上述共享单车骑行目的地时空分布特征分析,区内骑行目的地分布具有明显早晚高峰特征,且不同时段共享单车骑行目的地的空间分异性差异较大。因此,采用地理探测器模型进一步定量分析骑行目的地时空分布差异的影响机制。
共享单车数据是具有空间坐标、车号和使用时间属性的离散点对象。首先对共享单车数据以及各因子数据进行格网化处理;其次采用自然断点法将影响因子划分为五类,最后利用地理探测器模型分析空间分异性规律特征的优势,计算各影响因子对每小时共享单车骑行目的地分布的影响力q值（q值越大说明该因子对共享单车骑行目的地分布影响越大,越小则表示对共享单车骑行目的地分布影响较小）,并对早、晚高峰时段及其他时段作对比分析（图3、表2、表3）。
图3 共享单车骑行目的地分布因子探测结果

注：折线参考左纵坐标,柱状图参考右纵坐标

Fig. 3 Detection results of bike sharing destination

表2 共享单车骑行目的地分布因子类别探测结果

Tab. 2 Detection results of factor categories of bike sharing destination

因子类别 早高峰（7-9时） 晚高峰（17-19时） 其他时段
q值 q排序 q值 q排序 q值 q排序
自然环境因子 0.092 4 0.083 4 0.096 4
交通可达因子 0.312 2 0.322 2 0.265 2
土地利用因子 0.255 3 0.275 3 0.234 3
服务设施因子 0.541 1 0.580 1 0.495 1
表3 共享单车骑行目的地分布因子探测结果

Tab. 3 Detection results of potential determinants of bike sharing destination

因子 早高峰（7-9时） 晚高峰（17-19时） 其他时段
q值 q排序 q值 q排序 q值 q排序
自然环境因子 高程 0.056 13 0.048 13 0.054 13
坡度 0.039 14 0.039 14 0.035 14
距水体距离 0.148 11 0.131 11 0.141 11
气温 0.124 12 0.114 12 0.155 10
交通可达因子 距地铁站口距离 0.366 6 0.388 6 0.321 6
距普通公交站距离 0.152 10 0.146 10 0.133 12
距BRT站距离 0.285 8 0.282 8 0.216 8
路网密度 0.443 5 0.471 5 0.391 5
土地利用因子 POI多样性 0.292 7 0.316 7 0.278 7
建筑高度 0.218 9 0.235 9 0.190 9
服务设施因子 购物服务 0.480 4 0.535 3 0.482 3
餐饮服务 0.544 2 0.601 2 0.508 2
住宅小区 0.616 1 0.680 1 0.571 1
公司企业 0.523 3 0.505 4 0.422 4
3.2.1 自然环境影响因子解析 自然环境影响因子对共享单车骑行目的地空间分布的影响力最小（图3a）。从整体影响力水平看,气温、距河流距离、高程和坡度的日均影响力q值分别为0.146、0.140、0.054和0.036。
在早、晚高峰及其他时段上,高程的影响力q值分别为0.056、0.048与0.054,坡度的影响力q值分别为0.039、0.039与0.035,距河流距离的影响力q值分别为0.148、0.131与0.141,气温的影响力q值分别为0.124、0.114与0.155。可见,地形因素（高程、坡度）在所有时段的影响力均较小且变化较小。因为研究区位于珠江三角洲,主要地形为丘陵盆地和冲积平原,平均坡度为3.3°,地势平坦开阔,基本不会给骑行带来阻碍,所以地形因素对共享单车骑行目的地分布影响甚微。气温与距河流距离的影响力略高于地形因素,距河流距离在所有时段内影响力变化较小,而气温的影响力变化较大。气温对其他时段共享单车骑行目的地分布的影响较大,对早晚高峰时段影响较小。由此可知,气温对区内共享单车骑行目的地分布影响较小,特别是对早晚高峰时段而言。因此自然环境对共享单车骑行目的地分布影响较弱。
3.2.2 建成环境影响因子解析
（1）服务设施因子对共享单车骑行目的地分布的影响力最大（图3b）,影响力q值均值达0.512。从整体水平看,四种服务设施因子在所有因子中对共享单车骑行目的地分布的影响是最大的：住宅小区分布、餐饮设施分布、购物设施分布和公司企业分布的日均影响力q值分别为0.590、0.524、0.488和0.445。
在早、晚高峰及其他时段上,购物设施分布的影响力q值分别为0.480、0.535与0.482,餐饮设施分布的影响力q值分别为0.544、0.601与0.508,公司企业分布的影响力q值分别为0.523、0.505与0.422,住宅分布的影响力q值分别为0.616、0.680与0.571。总体上,四种服务设施因子在早晚高峰时段影响力较大,在其他时段影响力较小。值得注意的是,住宅小区、购物及餐饮设施分布这三种服务设施因子对共享单车骑行目的地分布的影响力均在晚高峰时段达到最大值,唯独公司企业分布在早高峰时段影响力达到最大值。由图3b可看出,公司企业因子在早高峰时段7时的影响力为服务设施因子中最小,而到了8时（早高峰共享单车到达量最高时间）其影响力q值有较大提高,其中有三天其影响力在此时间超过了餐饮和购物设施因子,成为影响力排第二的因子。由此可见,公司企业分布是早高峰共享单车骑行目的地分布的重要影响因素,居民在早高峰时段更多选择共享单车到达公司企业,而在晚高峰时段更多选择共享单车进行购物、餐饮以及返回居住地的出行行为。
（2）交通可达因子对共享单车骑行目的地分布的影响力较大（图3c）,影响力q值均值达0.287,仅次于服务设施因子。从整体水平看,路网密度、距地铁站出口距离、距BRT站距离和距普通公交站距离的日均影响力q值分别为0.408、0.335、0.233和0.137。
在早、晚高峰及其他时段上,路网密度的影响力q值分别为0.443、0.471与0.391,距地铁站口距离的影响力q值分别为0.366、0.388与0.321,距BRT站距离的影响力q值分别为0.285、0.282与0.216,距普通公交站距离的影响力q值分别为0.152、0.146与0.133。所有交通可达因子在早晚高峰时段影响力较大,在其他时段影响力较小。总体上,路网密度对共享单车骑行目的地分布的影响最大,一方面是由于研究区为广州市路网密度最高的地区,另一方面选择共享单车出行目的地一般都是交通较便利的地区。在其他公共交通方式因子中,距地铁站口距离和距BRT站距离的影响力均远高于距普通公交站距离的影响力,说明共享单车与地铁或BRT接驳是区内居民使用共享单车出行的主要方式。距普通公交站距离的影响力较小,且在所有时段内影响力变化较小,说明普通公交站对共享单车的使用影响较小,共享单车相对较少与普通公交站接驳。由此可见,交通可达因子对早晚高峰时段共享单车骑行目的地分布影响较大,对其他时段影响较小;其中,路网密度对共享单车骑行目的地分布的影响最大,其次是距地铁站出口距离和距BRT站距离,影响最小都是距普通公交站距离。
（3）土地利用因子对共享单车骑行目的地分布的影响力次于服务设施和交通可达因子（图3d）,影响力q值均值达0.242。从整体水平看,POI多样性和建筑高度的日均影响力q值分别为0.284和0.199。
在早、晚高峰及其他时段上,POI多样性的影响力q值分别为0.292、0.316与0.278,建筑高度的影响力q值分别为0.218、0.235与0.190。两个土地利用因子在早晚高峰时段对共享单车骑行目的地分布的影响力较大,在其他时段影响力较小。总体上,POI多样性对共享单车骑行目的地分布的影响较大于建筑高度。POI多样性越高意味着格网内POI类别分布越全面,一定程度上反映了土地利用的混合程度[12];建筑高度可反映城市土地利用强度,以及城市经济与就业的集中程度[33]。由此可见,土地利用因子对早晚高峰时段共享单车骑行目的地分布影响较大,对其他时段影响较小。其中POI多样性的影响力大于建筑高度,一定程度也说明了土地利用混合程度对共享单车骑行目的地分布的影响力较大于土地利用开发强度,因为POI多样性越大,表明土地利用混合程度越高,其社会经济活动越活跃越能满足居民的出行需求,成为居民骑行共享单车出行目的地的可能性越大。此外,CBD是POI多样性与建筑高度均较高的典型区域,这也印证了前文早晚高峰时空特征分析结果。

3.3 共享单车骑行目的地影响交互探测

综合骑行目的地时空特征分析结果可看出,早、晚高峰的共享单车时空分布存在较大差异。本研究利用地理探测器能够探测两因子间交互作用产生不同影响力的优势,进一步探析早、晚高峰共享单车时空分布差异的影响因素。对到达量最大的早高峰（图2b）、到达量最小的早高峰（图2a）、到达量最大的晚高峰（图2d）、到达量最小的晚高峰（图2e）这4个时间断面分别作交互探测,交互结果q值排前10的主导交互因子如表4、表5所示。
表4 早高峰共享单车骑行目的地分布交互探测结果

Tab. 4 Interactive exploration of bike sharing destination at morning peak hour

周二8时（到达量最小的早高峰） 周五8时（到达量最大的早高峰）
排序 主导交互因子 q值 交互结果 排序 主导交互因子 q值 交互结果
1 公司企业分布∩住宅小区分布 0.7740 双因子增强 1 公司企业分布∩住宅小区分布 0.7282 双因子增强
2 路网密度∩公司企业分布 0.7171 双因子增强 2 餐饮设施分布∩住宅小区分布 0.7076 双因子增强
3 住宅小区分布∩距BRT站距离 0.7077 双因子增强 3 路网密度∩餐饮设施分布 0.7007 双因子增强
4 路网密度∩餐饮设施分布 0.6982 双因子增强 4 购物设施分布∩住宅小区分布 0.6949 双因子增强
5 公司企业分布∩距BRT站距离 0.6979 双因子增强 5 住宅小区分布∩距BRT站距离 0.6846 双因子增强
6 餐饮设施分布∩住宅小区分布 0.6923 双因子增强 6 距河流距离∩住宅小区分布 0.6779 双因子增强
7 餐饮设施分布∩公司企业分布 0.6860 双因子增强 7 住宅小区分布∩时均气温 0.6664 双因子增强
8 路网密度∩住宅小区分布 0.6672 双因子增强 8 路网密度∩住宅小区分布 0.6618 双因子增强
9 购物设施分布∩住宅小区分布 0.6653 双因子增强 9 餐饮设施分布∩公司企业分布 0.6613 双因子增强
10 距地铁站出口距离∩公司企业分布 0.6614 双因子增强 10 路网密度∩购物设施分布 0.6579 双因子增强

注：设因子X1与X2交互后影响力为q（X1∩X2）,若q（X1∩X2）>q（X1）+q（X2）,为非线性增强;若q（X1∩X2）=q（X1）+q（X2）,两因子独立;若q（X1∩X2）>Max（q（X1）,q（X2））,为双因子增强;若Min（q（X1）,q（X2））<q（X1∩X2）<Max（q（X1）,q（X2））,为单因子非线性减弱;若q（X1∩X2）<Min（q（X1）,q（X2））,为非线性减弱。

表5 晚高峰共享单车骑行目的地分布交互探测结果

Tab. 5 Interactive exploration of bike sharing destination at evening peak hour

周一18时（到达量最大的晚高峰） 周四18时（到达量最小的晚高峰）
排序 主导交互因子 q值 交互结果 排序 主导交互因子 q值 交互结果
1 餐饮设施分布∩住宅小区分布 0.7804 双因子增强 1 餐饮设施分布∩住宅小区分布 0.7714 双因子增强
2 公司企业分布∩住宅小区分布 0.7739 双因子增强 2 公司企业分布∩住宅小区分布 0.7600 双因子增强
3 购物设施分布∩住宅小区分布 0.7664 双因子增强 3 购物设施分布∩住宅小区分布 0.7543 双因子增强
4 住宅小区分布∩距BRT站距离 0.7590 双因子增强 4 路网密度∩餐饮设施分布 0.7499 双因子增强
5 路网密度∩餐饮设施分布 0.7549 双因子增强 5 住宅小区分布∩距BRT站距离 0.7404 双因子增强
6 住宅小区分布∩时均气温 0.7397 双因子增强 6 住宅小区分布∩时均气温 0.7205 双因子增强
7 路网密度∩住宅小区分布 0.7341 双因子增强 7 距河流距离∩住宅小区分布 0.7095 双因子增强
8 距河流距离∩住宅小区分布 0.7324 双因子增强 8 路网密度∩住宅小区分布 0.7087 双因子增强
9 距地铁站出口距离∩住宅小区分布 0.7306 双因子增强 9 距地铁站出口距离∩住宅小区分布 0.7072 双因子增强
10 高程∩住宅小区分布 0.7164 双因子增强 10 路网密度∩购物设施分布 0.6949 双因子增强

注：设因子X1与X2交互后影响力为q（X1∩X2）,若q（X1∩X2）>q（X1）+q（X2）,为非线性增强;若q（X1∩X2）=q（X1）+q（X2）,两因子独立;若q（X1∩X2）>Max（q（X1）,q（X2））,为双因子增强;若Min（q（X1）,q（X2））<q（X1∩X2）<Max（q（X1）,q（X2））,为单因子非线性减弱;若q（X1∩X2）<Min（q（X1）,q（X2））,为非线性减弱。

主导交互因子之间均为双因子增强关系,不存在非线性增强、独立及减弱关系,说明两因子交互作用的影响力均大于各单一因子的影响力。综合因子探测和交互探测结果来看,住宅小区分布是早晚高峰交互探测以及因子探测中影响力最大的因子。因此,住宅小区分布是对共享单车骑行目的地分布影响最大的因子。这可能是由于住宅小区在任何时段都是人流最为密集的地区之一,所以骑行到达住宅小区的共享单车到达量较大。
早高峰共享单车骑行目的地分布的核心交互因子是公司企业分布与住宅小区分布,交互影响力超过0.72,公司企业分布与住宅小区分布这两个因子共同作用时对共享单车骑行目的地分布的解释力最大。晚高峰共享单车骑行目的地分布的核心交互因子是餐饮设施分布与住宅小区分布,交互影响力超过0.77,餐饮设施分布与住宅小区分布这两个因子共同作用时对共享单车骑行目的地分布的解释力最大。这表明住宅小区分布在早晚高峰始终都是重要影响因素。此外,在早高峰8时,居民使用共享单车多为前往公司企业的上班通勤行为;在晚高峰18时,居民使用共享单车则转变成下班通勤行为,此时餐饮设施分布的影响力较大,可能较多居民在下班通勤时段使用共享单车到达餐饮服务设施就餐。综上,住宅小区分布对早、晚高峰共享单车骑行目的地分布影响最大,而早、晚高峰共享单车骑行目的地的时空分异可能是由公司企业分布与餐饮设施分布的差异导致的。
此外,晚高峰交互结果排前三的主导交互因子都是服务设施因子：住宅小区分布与餐饮设施分布、公司企业分布与购物设施分布的交互影响力分别超过0.77、076和0.75,这表明各服务设施因子不仅是影响共享单车骑行目的地分布最大的因子,而且其因子间交互作用时对晚高峰共享单车骑行目的地分布影响也是最大的。早高峰交互结果排前3的主导交互因子与晚高峰类似,影响力最大的交互因子都是服务设施因子。不同的是,早高峰服务设施因子与交通可达因子的交互影响力也较大：路网密度与公司企业分布的交互影响力达0.7171,住宅小区分布与距BRT站距离的交互影响力达0.7077,路网密度与餐饮设施分布的交互影响力达0.7007。这表明路网密度与距BRT站距离这两个交通可达因子与服务设施因子交互作用时对共享单车骑行目的地分布的影响力也较大,说明了满足居民出行需求的服务设施与便于居民出行的交通设施是影响共享单车骑行目的地分布的重要因素。

4 结论与讨论

以广州市主城区为例,基于网络爬虫技术获取共享单车GPS数据以及包括POI、建筑高度、气温等多源数据,建立了高时间分辨率与高空间分辨率相结合的地理探测器模型,精细地探测了共享单车骑行目的地分布的影响因素及其时间差异规律,并深入分析了各影响因素间交互作用产生的影响力,研究发现：
（1）共享单车骑行目的地分布具有显著的早晚高峰特征。① 在时间上,高到达量主要集中在早晚高峰通勤时段内,早高峰到达量大于晚高峰。② 在空间上,骑行目的地分布整体上呈现与主城区中心距离衰减的“多中心”集聚特征。早高峰骑行目的地多分布在CBD,信息产业园和职住平衡地区,晚高峰则多分布在地铁3号线体育西站至华师站沿线连片地区和高密度住宅区。这基本与城市居民日常通勤活动相对应,早晚高峰骑行目的地空间分异的形成主要受区内建成环境的影响。
（2）因子探测结果发现：① 从因子类别看,各时段骑行目的地分布整体上受服务设施分布类影响最显著,其次是交通可达类、土地利用类和自然环境类。② 从单一因子看,影响力较大的因子依次是住宅小区分布、餐饮设施分布、公司企业分布、购物设施分布、路网密度、距地铁站口距离和POI多样性。③ 各因子影响力存在明显的时间差异,所有建成环境因子在早晚高峰时段的影响力均大于其他时段,其中公司企业分布因子在早高峰时段内影响力增强趋势最明显。
（3）交互探测结果发现：① 早、晚高峰骑行目的地分布的影响因子之间均为双因子增强关系。② 早高峰骑行目的地分布的核心交互因子是公司企业分布与住宅小区分布,晚高峰的核心交互因子是餐饮设施分布与住宅小区分布,表明早、晚高峰共享单车骑行目的地时空分布的差异可能是由公司企业分布与餐饮设施分布的差异导致的。③ 交通可达类与服务设施分布类因子之间的交互影响力较大,表明满足居民出行需求的服务设施因素与便于居民出行的交通因素是影响共享单车骑行目的地分布的重要因素。
共享单车在中国面世以来,为人们提供便利同时也存在诸多问题,例如投放量过大、乱停乱放、调度低效等。本文主要聚焦共享单车骑行目的地时空特征及其影响因素差异,研究结果可为城市共享单车投放量控制、电子围栏选址以及高效时空调度等问题提供科学的参考依据。本研究是将空间统计学方法应用于城市大数据研究的一次有益尝试,但目前还处在探索阶段,在后续研究中需要从以下方面进一步深化：① 共享单车骑行轨迹及OD空间分布规律。② 同时考虑骑行出发点与目的地,探测出发点与目的地影响因子的交互作用。③ 共享单车资源供需时空匹配性探测。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Shan C, Rui S, He S , et al. Innovative bike-sharing in China: Solving faulty bike-sharing recycling problem. Journal of Advanced Transportation, 2018, ( 1):1-10.

[2]
Zhang Y, Lin D, Mi Z . Electric fence planning for dockless bike-sharing services. Journal of Cleaner Production, 2018,206:383-393.

DOI

[3]
Shi J G, Si H, Wu G , et al. Critical factors to achieve dockless bike-sharing sustainability in China: A stakeholder-oriented network perspective. Sustainability, 2018,10(6):2090.

DOI

[4]
Guo Y, Zhou J, Wu Y , et al. Identifying the factors affecting bike-sharing usage and degree of satisfaction in Ningbo, China. Plos One, 2017,12(9):e185100.

DOI PMID

[5]
Kaspi M, Raviv T, Tzur M . Bike-sharing systems: User dissatisfaction in the presence of unusable bicycles. A I I E Transactions, 2017,49(2):144-158.

[6]
杨永崇, 柳莹, 李梁 . 利用共享单车大数据的城市骑行热点范围提取. 测绘通报, 2018, ( 8):68-73.

[ Yang Yongchong, Liu Ying, Li Liang . Urban cycling hot spot extraction based on sharing-bikes' big data. Bulletin of Surveying and Mapping, 2018, ( 8):68-73.]

[7]
高楹, 宋辞, 舒华 , 等. 北京市摩拜共享单车源汇时空特征分析及空间调度. 地球信息科学学报, 2018,20(8):1123-1138.

DOI

[ Gao Ying, Song Ci, Shu Hua , et al. Spatial-temporal characteristics of source and sink points of mobikes in Beijing and its scheduling strategy. Journal of Geo-information Science, 2018,20(8):1123-1138.]

[8]
Yan Y, Tao Y, Jin X , et al. Visual analytics of bike-sharing data based on tensor factorization. Journal of Visualization, 2018,21(4):1-15.

DOI

[9]
Oliveira G N, Sotomayor J L, Torchelsen R P , et al. Visual analysis of bike-sharing systems. Computers & Graphics, 2016,60:119-129

DOI PMID

[10]
Wang J, Tsai C H, Lin P C . Applying spatial-temporal analysis and retail location theory to pubic bikes site selection in Taipei. Transportation Research Part A Policy & Practice, 2016,94:45-61.

DOI PMID

[11]
He B, Zhang Y, Chen Y , et al. A simple line clustering method for spatial analysis with origin-destination data and its application to bike-sharing movement data. International Journal of Geo-Information, 2018,7(6):203-218.

[12]
Shen Y, Zhang X, Zhao J . Understanding the usage of dockless bike sharing in Singapore. International Journal of Sustainable Transportation, 2018,12(9):686-700.

DOI

[13]
Cervero R, Lsarmiento O, Jacoby E , et al. Influences of built environments on walking and cycling: Lessons from Bogotá. Urban Transport of China, 2016,3(4):203-226.

[14]
Corcoran J, Li T, Rohde D , et al. Spatio-temporal patterns of a public bicycle sharing program: The effect of weather and calendar events. Journal of Transport Geography, 2014,41:292-305.

DOI

[15]
Faghih-Imani A, Eluru N, El-Geneidy A M , et al. How land-use and urban form impact bicycle flows: Evidence from the bicycle-sharing system (BIXI) in Montreal. Journal of Transport Geography, 2014,41:306-314.

DOI

[16]
Meng M, Zhang J, Wong Y D , et al. Effect of weather conditions and weather forecast on cycling travel behavior in Singapore. International Journal of Sustainable Transportation, 2016,10(9):773-780.

DOI

[17]
O Brien O, Cheshire J, Batty M . Mining bicycle sharing data for generating insights into sustainable transport systems. Journal of Transport Geography, 2014,34:262-273.

DOI

[18]
罗桑扎西, 甄峰, 尹秋怡 . 城市公共自行车使用与建成环境的关系研究: 以南京市桥北片区为例. 地理科学, 2018,38(3):332-341.

DOI

[ Luo Sangzhaxi, Zhen Feng, Yin Qiuyi . How built environment influence public bicycle usage: Evidence from the bicycle sharing system in Qiaobei Area, Nanjing. Scientia Geographica Sinica, 2018,38(3):332-341.]

[19]
Parkes S D, Marsden G, Shaheen S A , et al. Understanding the diffusion of public bikesharing systems: Evidence from Europe and North America. Journal of Transport Geography, 2013,31:94-103.

DOI

[20]
Campbell A A, Cherry C R, Ryerson M S , et al. Factors influencing the choice of shared bicycles and shared electric bikes in Beijing. Transportation Research Part C, 2016,67:399-414.

DOI

[21]
DeMaio P . Bike-sharing: History, impacts, models of provision, and future. Journal of Public Transportation, 2009,12(4):41-49.

DOI

[22]
Liu H, Lin J . Associations of built environments with spatiotemporal patterns of public bicycle use. Journal of Transport Geography, 2019,74:299-312.

DOI

[23]
王劲峰, 徐成东 . 地理探测器: 原理与展望. 地理学报, 2017,72(1):116-134.

DOI

[ Wang Jinfeng, Xu Chengdong . Geodetector: Principle and prospective. Acta Geographica Sinica, 2017,72(1):116-134.]

[24]
Wang J F, Li X H, Christakos G , et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China. International Journal of Geographical Information Science, 2010,24(1):107-127.

DOI

[25]
Wang J F, Zhang T L, Fu B J . A measure of spatial stratified heterogeneity. Ecological Indicators, 2016,67:250-256.

DOI PMID

[26]
刘春芳, 王川, 刘立程 . 三大自然区过渡带生境质量时空差异及形成机制: 以榆中县为例. 地理研究, 2018,37(2):419-432.

DOI

[ Liu Chunfang, Wang Chuan, Liu Licheng . Spatio-temporal variation on habitat quality and its mechanism within the transitional area of the Three Natural Zones: A case study in Yuzhong county. Geographical Research, 2018,37(2):419-432.]

[27]
段小薇, 李小建 . 山区县域聚落演化的空间分异特征及其影响因素: 以豫西山地嵩县为例. 地理研究, 2018,37(12):2459-2474.

DOI

[ Duan Xiaowei, Li Xiaojian . Spatial differentiation and its influencing factors of settlements evolution in mountainous counties: A case study of Songxian county in western Henan province. Geographical Research, 2018,37(12):2459-2474.]

[28]
张杰, 唐根年 . 浙江省制造业空间分异格局及其影响因素. 地理科学, 2018,38(7):1107-1117.

DOI

[ Zhang Jie, Tang Gennian . Spatial differentiation pattern of manufacturing industry in Zhejiang and its influencing factors. Scientia Geographica Sinica, 2018,38(7):1107-1117.]

[29]
周亮, 周成虎, 杨帆 , 等. 2000-2011年中国PM2.5时空演化特征及驱动因素解析. 地理学报, 2017,72(11):2079-2092.

DOI

[ Zhou Liang, Zhou Chenghu, Yang Fan , et al. Spatio-temporal evolution and the influencing factors of PM2.5 in China between 2000 and 2011. Scientia Geographica Sinica, 2017,72(11):2079-2092.]

[30]
李颖, 冯玉, 彭飞 , 等. 基于地理探测器的天津市生态用地格局演变. 经济地理, 2017,37(12):180-189.

[ Li Ying, Feng Yu, Peng Fei , et al. Pattern evolvement of ecological land in Tianjin based on geodetector. Economic Geography, 2017,37(12):180-189.]

[31]
Tran T D, Ovtracht N, D Arcier B F . Modeling bike sharing system using built environment factors. Procedia Cirp, 2015,30:293-298.

DOI

[32]
Ewing R, Cervero R . Travel and the built environment. Journal of the American Planning Association, 2010,76(3):265-294.

DOI PMID

[33]
卢峰, 蒋敏, 傅东雪 . 英国城市景观中的高层建筑控制: 以伦敦市为例. 国际城市规划, 2017,32(2):86-93.

[ Lu Feng, Jiang Min, Fu Dongxue . Tall building control according to city view in the city of London, the UK. Urban Planning International, 2017,32(2):86-93.]

Options
Outlines

/

〈 〉