EN中文

热带地理 >

2023 , Vol. 43 >Issue 5: 872 - 884

DOI: https://doi.org/10.13284/j.cnki.rddl.003682

交通地理

都市区建成环境对“共享单车+地铁”通勤使用影响的空间异质性——以深圳市为例

  • 郭源园 , 1 ,
  • 吴磊 2 ,
  • 曾鹏 , 1
展开
  • 1. 天津大学 建筑学院，天津 300072
  • 2. 湖南大学 建筑与规划学院，长沙 410082
曾鹏（1977―），男，天津人，教授，博士，博士生导师，研究方向为城市与乡村规划，（E-mail）。

郭源园（1989―），男，侗族，湖南怀化人，副研究员，博士，硕士生导师，研究方向为城市交通规划与政策、城市与区域规划，（E-mail）；

收稿日期: 2022-05-27

  修回日期: 2022-07-27

  网络出版日期: 2023-06-13

基金资助

四川省教育厅人文社会科学重点研究基地重点项目——“四川省资源型城市精明发展评估、机制及策略研究”(ZYZX-ZD-2101)

国家自然科学基金面上项目——“城镇化政策演进与京津冀乡村空间网络变迁的响应机制研究”(51978447)

收起

Spatial Heterogeneity of the Built Environment Effect on the Use of a Bikeshare-Metro Commute in a Metropolitan Area: A Case Study of Shenzhen

  • Yuanyuan Guo , 1 ,
  • Lei Wu 2 ,
  • Peng Zeng , 1
Expand
  • 1. School of Architecture, Tianjin University, Tianjin 300072, China
  • 2. School of Architecture and Planning, Hunan University, Changsha 410082, China

Received date: 2022-05-27

  Revised date: 2022-07-27

  Online published: 2023-06-13

Fold

本文亮点

“共享单车+地铁”的多模式组合出行被认为能较好地解决“最后一公里”问题，同时也能进一步促进大都市区TOD（Transit-Oriented Development）的建设和发展。以中国大都市区之一的深圳市为案例，基于ofo停车位置大数据挖掘“共享单车+地铁”的接驳使用，应用全局回归分析（OLS回归）、地理加权回归（GWR）和半参数地理加权回归（SGWR）模型对建成环境与“共享单车+地铁”接驳使用的关系进行探讨，并揭示建成环境影响的空间性。研究发现，SGWR比GWR和OLS模型能更好地解释建成环境对驶入接驳的影响，但SGWR并不适用于驶出接驳的建模。模型分析表明，建成环境对不同接驳类型（驶入和驶出接驳）的影响不尽相同，人口密度、主干道和进站客流3个正向因子以及中学数量、地铁站点和交叉路口3 个负向因子对驶入接驳的影响呈现出了明显的空间差异；相比之下，办公用地、公园广场、公交站点以及出站客流在大部分地铁站点对于驶出接驳的影响表现出正相关，而居住用地、中学数量、地铁站点及 CBD 距离则表现出负相关。

本文引用格式

郭源园 , 吴磊 , 曾鹏 . 都市区建成环境对“共享单车+地铁”通勤使用影响的空间异质性——以深圳市为例[J]. 热带地理, 2023 , 43(5) : 872 -884 . DOI: 10.13284/j.cnki.rddl.003682

Highlights

Recently, dockless bikeshare (DBS), a new bikeshare program that does not feature fixed dock stations, has been developed rapidly in China and has also offered a decent solution to the first- and last-mile problem. In addition, the integration of DBS and metro strongly promotes the transit-oriented development, particularly in the metropolitan areas of China. To achieve the seamless connection between DBS and metro transit, the spatial variation of the effects of urban built environment, particularly in high-density metropolitan areas, should be explored to advance the targeted policy interventions in different urban spaces. Using data from one of the largest DBS operators in China (ofo), this study measured the integrated use of DBS and the metro quantitatively, and it employed geographically and semiparametric geographically weighted regression (GWR and SGWR, respectively) to examine the effects of the built environment on the integrated use, using Shenzhen as a case study. The findings show that (1) The SGWR model performs better than GWR and OLS in explaining the relationship between built environment and access integrated use, whereas SGWR is not applicable for the egress integrated use. (2) Three positive determinants of population density, major road length and inbound metro ridership, and three negative determinants of metro density, secondary school, and intersection density have been examined with spatial effects on the access integration. (3) For egress integration, official land use, park, bus stops, and outbound metro ridership have positive and spatial effects, while residential land use, number of secondary school, metro density and distance to CBD (Central Business District) exert negative spatial effects. The results indicate that the built environment elements usually affect the integrated use with spatial variation. Furthermore, the access and egress integration use of DBS metro largely depends on the characteristics of built environment of the origin and destination metro catchment, respectively. This work provides insight into how the DBS-metro integration, which is divided into access and egress patterns, is spatially affected by urban built environment in the Chinese metropolitan context. The results will also provide a reference for the local government to carry out the targeted policies and planning to encourage the connection between DBS and metro transit more successfully. For DBS operators, the results also contribute to allocating the bikes more efficiently, which is adapted to the dynamic demand-supply at different urban spaces.

公共自行车（Public Bicycle或Bike-Sharing，本文对有桩的单车租赁系统统称为“公共自行车”）一直以来都被广泛认为是一种绿色、可持续的交通出行方式，一方面，公共自行车本身作为交通出行方式不产生尾气排放和能源消耗，另一方面，公共自行车的使用可在一定程度上减少传统小汽车的出行，如转向骑行出行，从而进一步改善城市交通拥堵、提高城市公众健康以及减少城市尾气排放等（朱玮 等，2012；郭素萍 等，2017）。公共自行车自诞生以来共经历了四代，从第一代白色自行车系统，到第二代的押金系统，以及到第三代信息技术系统和第四代需求响应系统（周杨 等，2014）。与此同时，随着无线通讯、QR code （Quick Response code）、移动支付、移动互联网等技术的发展，在“互联网＋共享”的发展理念下，以无桩和大数据管理为特征的新形式公共自行车开始逐渐涌现，并被称为无桩共享单车（Dockless Bike-Sharing）、互联网租赁自行车（Internet-Based Rental Bike）等（魏宗财 等，2018）（以下简称“共享单车”）。尤其在中国，以ofo和摩拜为代表的共享单车迅速席卷各个城市，并掀起了“共享出行”“健康出行”“绿色出行”的骑行热潮。
相比传统的公共自行车，共享单车本身的可自由移动性和自由停放特征使得使用者在目的地的路径选择和出行方式上有较大的灵活性，这也使得共享单车本身更易获得（Chen et al., 2020），因而受到公众的广泛使用和关注，尤其是对于被“最后一公里”问题所困扰的地铁使用者。随着共享单车的快速发展，共享单作为地铁的接驳手段之一，在中国诸多城市（尤其是高密度的大都市区，如北京、上海、深圳、广州等）越发普遍，也极大地提升了地铁使用者的出行移动性（Travel Mobility）（黄一哲 等，2018；张可 等，2019；马庚华 等，2020）。在实际运营中，共享单车也被运营商重点分布在地铁站及地铁沿线附近，如北京和上海分别有44%和51%的共享单车主要活跃于地铁站点附近（郭蒙，2017）。
“共享单车＋地铁”多模式出行实际上是地铁出行者对于接驳方式（即连接地铁站点的方式）的选择结果，这种选择往往受诸多因素的影响。在影响个体出行方式选择的因素中，建成环境一直被广泛关注。建成环境反映物质空间形态（如土地利用、城市设计等）活动的空间分布以及活动之间连接的时间约束（阻抗），影响人们的出行行为（Cervero et al., 1997; Ewing et al., 2010；曹新宇，2015；Yang et al., 2021）。近年来，逐渐有研究关注建成环境对“共享单车+地铁”接驳使用的影响及作用机制，并揭示其与以往公共自行车接驳研究的差异（Guo et al., 2020, 2021a, 2021b; Ni et al., 2020）。然而，尽管有上述少量研究涉及建成环境对“共享单车+地铁”接驳使用的影响，但对建成环境影响的空间非平稳性（Spatial Heterogeneity或Spatial Non-Stationary）的关注非常少。尤其是大都市地区，建成环境在空间上的分布往往存在明显的空间异质性（Yang et al., 2020a; 2020b），这种空间异质性对接驳使用的影响不应被忽略。
基于此，本文以深圳市为例，结合ofo单车的停车位置大数据信息，应用半参数地理加权回归（Semiparametric Geographically Weighted Regression, SGWR）模型，探讨建成环境对共享单车用于地铁接驳使用的影响以及该影响的空间异质性。以期有助于共享单车运营商在地铁服务内对共享单车的分布进行优化，同时也可以为地方政府改善地铁接驳骑行环境，并进一步推动大都市区TOD（Transit-Oriented Development）的建设提供科学的参考依据。

1 文献综述

1.1　自行车接驳

自行车是一种相对快速、灵活且经济的方式，并能减少接驳的等候成本。自行车接驳主要有4种模式：“骑—乘”“乘—骑”“骑—乘（不携车）—骑”以及“骑—乘（携车）—骑”（Krizek et al., 2010）。前2种方式下，地铁乘坐者的单车拥有情况、地铁站点周边停车空间及设施、骑行安全感、天气等是影响其接驳体验的重要因素，这2种骑行接驳方式在欧洲部分国家最为常见，如荷兰超过40%的接驳使用者采用这2种方式（Keijer et al., 2000）。但在美国（骑行分担率相当低），分别仅有2.2%和2.6%的人选择“骑—乘”和“乘—骑”方式接驳（Wang et al., 2013）。而对于“骑—乘（携车）—骑”接驳方式，车厢的驻车空间和对便携式单车的可容纳性是接驳者最大的顾虑，携车上车甚至可能会引起其与其他乘客的冲突，因而在一些地方自行车并不被允许在高峰时间携带上车（尽管可折叠的自行车在常规时间内被允许）（Pucher et al., 2009）。
当考虑自行车的拥有属性时，自行车作为接驳方式还可以进一步分为3类：自有自行车接驳、租赁自行车接驳和公共自行车接驳。在公共自行车出现的很长一段时期，接驳并不是其主要的功能，自有自行车接驳和租赁自行车接驳一直是主要方式。直到21世纪00年代后期，随着第三代公共自行车的迅速普及以及轨道交通建设的大量开展，公共自行车才开始被广泛用于接驳。在实践中，公共自行车车桩大部分被建于轨道站点附近以方便通勤者骑行接驳，从而不需要携车进站或出站。相比自有自行车和传统的租赁自行车接驳，公共自行车为“最后一公里”问题的解决提供了一种更加快速和便利的选择，并且不需要担心停放、维修及盗窃等问题（潘海啸 等，2012）。但高效运营的公共自行车接驳在一定程度上依赖于公共自行车本身在车桩及车桩单车容量在时间和空间上的再平衡（曹雪柠 等，2015；黄一哲 等，2018）。

1.2　建成环境与公共自行车/共享单车接驳

当前关于公共自行车/共享单车接驳使用的相关研究对建成环境要素的关注主要集中在接驳距离、密度、土地利用和兴趣点（Point of Interests, POIs）的分布、骑行设施和其他交通设施的分布上（尹秋怡 等，2018；Ji et al., 2018; Ma et al., 2018; Lin et al., 2018; Guo et al., 2020, 2021a, 2021b,,, 2021c）。
一般地，接驳距离是影响地铁乘客选择接驳方式最为决定性的因素之一（申犁帆 等，2018）。Zhao等（2017）的研究表明，适度的接驳距离（如1~4 km，北京）能让地铁乘坐者更愿意选择公共自行车接驳；相反，过近的距离，公共自行车会被步行取代，而当接驳距离过远，公交车和出租车则会取代公共自行车。人口密度对公共自行车接驳的影响尚未明确。在人口密度较低的北美地区，郊区的地铁通勤者比较倾向于使用公共自行车接驳，但在东亚城市（如新加坡、中国北京和成都等），公共自行车接驳则往往多发生在密度较高的城市区域（蒋聪之，2015；Lin et al., 2018）。此外，就业密度的影响在不同地区表现出一致性，一般来说，由于公共自行车车桩通常分布于地铁站附近，满足通勤需求也是公共自行车的主要用途（Ji et al., 2018; Lin et al., 2018; Ma et al., 2018）。
在土地利用与POIs方面，Ji等（2018）发现公共自行车的接驳使用与政府用地、商业用地和工业用地有很大的关联，但教育用地和居住用地并未观测到明显的接驳使用。但也有研究表明，地铁站阈内的居住用地与公共自行车的地铁接驳使用呈显著正相关，并且这种接驳使用在有中学的站域地区往往较高（Lin et al., 2018），即意味着中学生也经常使用公共自行车进行地铁接驳。同时，混合的土地利用也会增加公共自行车接驳的可能性，而分布于地铁服务区范围内的商场的出现对于共享单车的接驳使用有阻碍作用，但绿色空间和公共空间（如公园、广场）的出现则会鼓励公共自行车接驳（Zhao et al., 2017; Ma et al., 2018）。
城市道路和公共交通设施的分布对于公共自行车的接驳使用也有一定影响，如在主干道分布较多以及有较多路口的地铁服务区范围内，公共自行车的接驳会受到抑制，而专用自行车道对接驳的使用可能低于预期，原因在于很多专用自行车道往往被私家车占用，尤其是在高峰期，从而带来不好的接驳骑行体验（Zhao et al., 2017）。此外，由于公共自行车与公交车在接驳上存在比较明显的竞争性或相互替代效应，地铁服务范围内的公交车站数量越多，地铁乘坐者使用公共自行车接驳的意愿越低（Zhao et al., 2017; Ji et al., 2018）。
虽然关于传统公共自行车与地铁的接驳研究已取得一些成果，但鉴于公共自行车与无桩的共享单车在使用模式以及单车分布上的差异，上述建成环境对传统有桩公共自行车的影响是否能适用于无桩的共享单车尚存疑问。近年来，也开始有少量研究关注建成环境对“共享单车＋地铁”接驳使用的影响及作用机制，相关研究虽证实了部分建成环境要素（如接驳距离、公交站点等）具有相似的影响效果，但也揭示了其与以往公共自行车接驳研究的差异（Guo et al., 2020, 2021a; Ni et al., 2020），如Ni等（2020）强调了居住用地、办公用地和城市支路对“共享单车＋地铁”接驳使用的吸引性，也发现了岔路口带来的负面影响；Guo等（2020）提到混合土地利用、工业用地和公园与“共享单车＋地铁”接驳使用的正相关关系，也特别指出过密的地铁站分布可能导致较低的共享单车接驳意愿，此外，还着重强调建成环境要素对驶入和驶出接驳的影响存在差异，并且这种差异也同样反馈在早、晚高峰通勤时间上。同时，共享单车在地铁口和居住地/工作地附近的可获得性也是影响其作为地铁接驳方式的重要因素之一（Guo et al., 2020, 2021a）。

2 研究区域与数据

2.1　研究区域

深圳市作为中国的一线大城市，是一个典型的人多地少的高密度城市，总计有1 344万人口，面积1 977 km2（2019年），共计10个行政区。深圳市传统意义上的主城区包括福田、南山和罗湖3区，也被成为“关内”（另加盐田区），其余城市区域即为“关外”（自2010-07-01起，“关内”与“关外”的行政管理分割被取消）。这种长期以来的行政分割也使得主城区和郊区的城市发展差异明显，如郊区以加工制造业为主，工厂分布众多，主城区则以高新技术和金融产业为主，是主要的就业集中地（如南山科技园、福田中心区等）。同时，由于主城区居住成本高昂，多数白领倾向于居住在城市近郊地区（如龙华南、宝安南和盐田西等），即产业和住房在空间上的差异也导致职住的分离，使得通勤者需往返于主城区和郊区之间，形成明显的“潮汐”特征。
深圳市同时也是公共交通导向型城市。根据《2019年深圳市综合交通年度评估报告》显示，有超过40%的出行由地铁承担，地铁出行的分担率相当高，尤其是在通勤高峰期，并且轨道交通占公共交通客运量的比例也高达56.1%（深圳市交通运输局，2020）。截至2019年年底，全市地铁线路全长315.1 km，共计201个站点（包括换乘站），日均客流量达556.8万人次。如图1所示，约2/3的地铁站点分布于主城区（即福田、南山、罗湖3区），但客流量较大的站点往往集中分布在城市的近郊，如深圳北站、五和站等。与此同时，随着深圳市地铁系统的快速扩张，共享单车也蓬勃发展并被广泛用于地铁通勤者的接驳使用。深圳市于2016年9月引入首个共享单车项目，即摩拜单车，截至2022年初，深圳市的共享单车车辆总规模约为41.65万辆，注册用户量（含重复注册用户）2 911万人，日均使用量138万人次，车辆日均周转率3.3次（肖晗，2022）。据《深圳市互联网租赁自行车发展评估报告（2019年4月）》，52.3%的用户将共享单车用于通勤（直接骑行上班或接驳使用），有45%的共享单车使用发生在高峰期，同时在某些地铁站，共享单车接驳的比例高达13%（深圳市交通运输局，2019）。
图1 深圳市地铁分布

注：该图基于深圳市规划和自然资源局标准地图服务网站下载的审图号为粤S（2018）02-65号的标准地图制作，底图无修改。

Fig.1 Distribution of Shenzhen metro system

2.2　共享单车停车位置及建成环境数据

采用的共享单车数据来源于ofo单车停车实时位置数据，由网络爬虫而得。该数据包含了ofo单车的ID，停车时间和停车位置（X、Y坐标）。网络爬虫的打点时间间隔为3~7 min，即每隔3~7 min对深圳市全域范围内的单车进行爬取，每个时间间隔内的数据量大约为22万条。由于数据的限制，仅获得2017-09-26、27和28（对应周二、三、四）的爬取数据，在一定程度上可以消除日间差异。同时通过查询气象日历记录，这3 d天气均为多云或晴，日均温在27~32℃，比较适合骑行。
建成环境数据主要涉及人口/就业密度、兴趣点、土地利用和交通设施等方面。其中，人口/就业密度数据来自于深圳市交通运输委员会划定的交通分区（Traffic Analysis Zone, TAZ），是GIS矢量数据，包含有每个TAZ单元的人口和就业信息；POIs数据来源于百度地图，同样也为GIS数据；土地利用数据是基于深圳市土地利用现状图（2016）的GIS矢量数据（由深圳市规划和国土资源委员会提供）计算而得；此外，与交通设施相关的数据，包括公交站点、地铁线及站点分布、自行车道和城市道路等数据信息来源于Open Street Map在线地图 1。上述不同来源的数据需通过坐标系转换，以进行图层的叠加分析。

3 研究方法

3.1　变量

本文探讨是建成环境对“共享单车+地铁”接驳行为的影响，在分析中以每个地铁站点的共享单车接驳次数作为因变量，以地铁站一定缓冲区范围内的建成环境要素特征及地铁站的自身特征作为自变量。

3.1.1　因变量：“共享单车+地铁”接驳使用

参考Guo等（2020）对共享单车的接驳使用的定量方法，对“共享单车+地铁”接驳使用进行测度。首先，该研究对爬取的停车位置数据进行清洗，将一直处于静止状态（即在1 d之内未有位置移动）的单车排除，也对重复记录的位置点进行删除（1辆单车可能在1 d之内仅移动了1次，但被记录了多次）；然后，基于清洗后的位置数据进行O-D分析，得到每对O-D的时间和距离，同时将O-D的起始点坐标通过API导入高德地图，基于高德地图的路网，对每条O-D进行骑行路径模拟，计算每条模拟路径的距离；建立一定的准则将异常的O-D排除，包括：O-D距离在100~5 000 m范围内；模拟的路径长度亦在100~5 000 m范围内；O-D的时长需＜30 min。
考虑到“共享单车+地铁”接驳使用涉及驶入接驳（即达到地铁站）以及驶出接驳（即从地铁站出发）2种类型，需建立一定的空间范围对共享单车的到达点和出发点进行空间临近关系的分析，以分别识别驶入和驶出接驳。首先，对地铁站各个出口建立100 m缓冲区，并将其视为接驳识别的空间范围，即在地铁站出口100 m范围内的停车和用车均被认为是有效的接驳使用（Guo et al., 2021a）；其次，用该缓冲区分别对筛选后的O-D终点和起点进行提取分析，从而得到每个地铁站的驶入接驳和驶出接驳数量。需假设的是，对于在100 m缓存区范围内的停车和用车，均认为其目的是为了进行地铁接驳，而不是恰巧路过地铁站而停/用车。因此，将O-D的时间限定在通勤早高峰期（T 07:00－09:00），以尽可能保证共享单车用于地铁接驳。
综上，因变量包括早高峰期每个地铁站的驶入接驳（YA ）和驶出接驳（YE ）数量，YA 和YE 均为3 d的平均值。

3.1.2　自变量：建成环境

在出行行为研究中，通常采用接驳距离的累计85%确定地铁服务范围（Wang et al., 2017; Zuo et al., 2018）。Guo等（2020）的研究表明，共享单车的驶入接驳和驶出接驳的85%累计换乘距离分布分别对应1 960和2 040 m。因此，选择2 000 m作为半径约数以提取地铁站服务范围内的建成环境要素。本文选取的建成环境要素主要涉及人口/就业密度、土地利用、POIs以及交通设施，表1为变量描述和描述性统计，合计2个因变量和21个自变量。
表1 变量描述和描述性统计

Table 1 Description of variables and descriptive statistics

变量 描述 最小值 最大值 平均值 标准差
因变量 驶入接驳（YA ） 地铁站早高峰驶入接驳的平均次数/次 0 514.67 117.12 114.82
驶出接驳（YE ） 地铁站早高峰驶出接驳的平均次数/次 0 506.67 86.00 80.48
自变量 人口密度 缓冲区内的人口密度/（千人∙km-2） 3.59 58.97 27.15 13.54
就业密度 缓冲区内的就业密度/（千人∙km-2） 2.04 52.20 16.37 10.78
熵 缓冲区内土地利用熵 a 0.51 0.83 0.67 0.06
商业用地 缓冲区内商业用地的比例/% 0.10 20.83 7.25 3.94
办公用地 缓冲区内办公用地的比例/% 0 19.17 5.52 5.02
工业用地 缓冲区内工业用地的比例/% 0.03 64.04 18.75 16.27
居住用地 缓冲区内居住小区的比例/% 5.76 69.68 41.07 14.63
中学数量 缓冲区内中学的数目/个 0 14 6.01 3.24
公园/广场 缓冲区内公园/广场的数目/个 0 22 8.17 5.53
餐馆 缓冲区内餐馆（如早餐店、快餐店等）的数目/个 5 1564 497.48 372.78
商场 缓冲区内餐馆（如超市、购物中心及菜市场等）的数目/个 8 207 80.25 44.63
公交站点 缓冲区内公交站点的数目/个 18 330 175.03 64.32
地铁站点 缓冲区内地铁站点的数目/个 1 17 6.70 3.94
单车道 缓冲区内专用单车道的长度/km 0 43.94 8.81 9.42
城市快速路 缓冲区内城市快速路的长度/km 0 28.14 8.74 5.52
主干道 缓冲区内城市主干道的长度/km 11.93 97.21 50.41 17.52
支路 缓冲区内城市支路的长度/km 8.63 92.56 44.05 16.56
交叉路口 缓冲区内交叉路口的数目/个 0.13 1.30 0.61 0.25
CBD距离 地铁站到福田CBD的距离/km 0.22 26.54 5.67 5.85
进站客流 地铁站日均进站客流/万人 0.04 7.92 1.36 1.11
出站客流 地铁站日均出站客流/万人 0.04 8.03 1.36 1.15

注： a 熵的计算涉及9种土地利用类型，即居住用地、商业用地、办公用地、工业用地、城中村、科教用地、公共设施用地、公园绿地和道路用地。

3.2　地理加权回归及半参数地理加权回归

传统的OLS回归分析假设每个观测个体是独立的，并且假设自变量与因变量之间的关系是均质化的。但在现实中，建成环境变量往往存在明显的空间异质性，因此需将空间非平稳性考虑进模型中。地理加权回归分析模型（GWR）是在OLS模型上的延展，在地理学领域已被广泛用于讨论模型分析过程中的空间异质性问题（Brunsdon et al., 2002；古恒宇 等，2020）。GWR的模型表达为：
y i = β i 0 u i , v i + ∑ k = 1 n β i k u i , v i x i k + ε i
式中： y i代表第i个地铁站的共享单车接驳次数； β i k是第i个地铁站对应的第k个建成环境自变量的系数； x i k是第i个地铁站对应的第k个建成环境自变量； ε i即为误差项； u i , v i是第i个地铁站的空间坐标， β i 0 u i , v i为第i个地铁站点的回归常数； β i k u i , v i是第i个地铁站点的第k个回归参数，是一个地理位置的函数。在GWR模型中，自变量对因变量的影响会随空间变化而有所差异，其对应自变量的系数可通过最小化加权平方和的方法进行估计：
β i k = ∑ j = 1 n w i j y i - β i 0 - ∑ k = 1 p β i k x i k 2
式中： w i j为空间权重矩阵，该矩阵基于地铁站点之间的几何直线距离进行计算而得（即基于距离的函数）。
然而，GWR模型往往假定所有的自变量对因变量的影响都存在空间异质性，但可能的情况是，往往仅有部分自变量的影响表现出空间非平稳性，需考虑其影响的空间差异，这些变量可以称为局部变量（Local Variable），而其他并未有显著空间差异影响的自变量则称为全局变量（Global Variable）。当全局和局部变量同时存在时，传统的GWR模型不再适用，而作为GWR模型的延申，半参数GWR（SGWR）模型允许同时将局部和全局变量纳入模型回归分析中（Brunsdon et al., 2002），其模型公式为：
y i = β i 0 u i ,   v i + ∑ k = 1 i β i k x i k + ∑ k = i + 1 n β i k u i ,   v i x i k + ε i

4 结果分析

4.1　空间自相关检验

对自变量进行成对Pearson相关性检验，并对每个自变量进行方差膨胀因子分析（VIF）以检测变量之间的共线性，其结果均显示，自变量之间存在共线性。在移除了就业密度、工业用地、餐馆、商场和支路5个自变量（VIF>10）之后，再进行相关性检验，显示所有变量间的相关系数均＜0.8，且各个变量的VIF<10。因此，在后续的模型分析中删除上述5个变量。进一步地，通过OLS对建成环境变量与“共享单车＋地铁”接驳使用的关系进行模型分析，结果显示，驶入接驳与驶出接驳模型下的调整R 2分别为0.400和0.450（表2），表明OLS回归模型能分别解释40%驶入接驳和45%的驶出接驳方差差异。同时，在驶入接驳情境下，呈现显著影响的变量包括人口密度、办公用地、中学数量、地铁站点、城市快速路、主干道、交叉路口、CBD距离和进站客流量；在驶出接驳情境下，表现出显著影响的变量包括办公用地、居住用地、中学数量、公园广场、公交站点、地铁站点、CBD距离和出站客流。
表2 OLS分析结果

Table 2 Results of OLS analysis

变量 驶入接驳 驶出接驳
系数 标准差 t值 系数 标准差 t值
人口密度 2.534** 1.093 2.318 -0.061 0.734 -0.083
熵 80.345 171.921 0.467 -20.287 115.420 -0.176
商业用地 144.399 223.989 0.645 -93.448 150.282 -0.622
办公用地 -494.330** 250.574 -1.973 386.494** 168.182 2.298
居住用地 53.921 90.420 0.596 -188.903*** 60.708 -3.112
中学数量 -8.824** 4.038 -2.185 -4.894* 2.710 -1.806
公园广场 -1.729 2.017 -0.857 3.121** 1.354 2.306
公交站点 0.186 0.346 0.536 0.602*** 0.232 2.594
地铁站点 -10.520** 4.646 -2.264 -13.411*** 3.117 -4.303
单车道 -0.986 1.292 -0.763 0.606 0.868 0.698
城市快速路 3.385* 1.806 1.875 1.546 1.212 1.276
主干道 4.290*** 1.083 3.960 1.163 0.727 1.601
交叉路口 -0.112* 0.066 -1.676 -0.069 0.044 -1.549
CBD距离 -6.760*** 2.332 -2.898 -8.592*** 1.566 -5.486
进（出）站客流a 29.594*** 6.987 4.235 15.391*** 4.513 3.410
常量 -83.694 126.782 -0.660 141.582 86.092 1.624
R 2 0.461 0.506
Adjusted R 2 0.400 0.450
AICc 1 898.670 1 771.950

注： a 进站客流对应驶入接驳，出站客流对应驶出接驳；***、**、*分别表示在1%、5%、10%的水平上显著。

对OLS分析结果中的2个因变量残差进行空间可视化，驶入接驳和驶出接驳的残差在空间上分布存在明显的空间集聚（图2）。对于驶入接驳，近郊的地铁站的驶入接驳多为正残差，而对于驶出接驳，正残差多分布于市区。与此同时，对驶入接驳和驶出接驳因变量进行全局Moran's I分析，Moran's I指数值分别为0.168和0.169，且均在P=0.001水平显著，即表明地铁站点的驶入和驶出接驳存在空间自相关。
图2 深圳市2017年共享单车驶入接驳（a）与驶出接驳（b）的变量残差空间分布

Fig.2 Spatial distribution of residuals for dependent variables of access (a) and egress (b) integration by dockless bikeshare in 2017

4.2　模型比较

在上述OLS回归分析的基础上，将影响驶入和驶出接驳使用的显著变量分别筛选，进行GWR分析以探讨空间异质性的影响。在GWR 4.0中先将上述显著变量均视为局部变量（Local Variable），运行时将核函数设置为Adaptive bi-square函数，带宽选择方式是黄金分割搜索（Golden Section Search），选择标准为AICc，分析结果中既包含OLS全局回归分析结果，又包含GWR的回归结果，两者可作为对比。进一步地，在GWR4.0中勾选“Geographical Variability”，以测度每个变量的空间异质性，并通过DIFF值予以定量显示。具有正值DIFF的自变量被认为是没有显著的空间非平稳性，并被设置为全局变量（Global Variable），反之，具有负值DIFF的自变量为局部变量。将全局变量和局部变量进行归类后，分别将对应的变量在GWR 4.0中设置为Global和Local，再进行GWR分析，此时的GWR分析即为SGWR。
从R 2、调整R 2、和AICc等模型的表现参数（表3）可知，对于驶入接驳，GWR模型的拟合效果显著优于OLS模型，同时SGWR模型的表现（调整R 2=0.645，AICc=1 814.335）也略优于传统的GWR模型（调整R 2=0.619，AICc=1 847.087）；但对于驶出接驳，尽管GWR模型表现（调整R 2=0.622，AICc=1 730.700）显著优于OLS模型（调整R 2=0.453，AICc=1 761.907），但由于所有变量均为局部变量（DIFF<0），故无需进行SGWR分析。
表3 OLS、GWR和SGWR模型结果对比

Table 3 Comparisons between OLS, GWR, and SGWR modeling results

接驳类型 模型参数 R 2 调整R 2 AICc
驶入 OLS 0.451 0.418 1 884.745
GWR 0.719 0.619 1 847.087
SGWR 0.728 0.645 1 814.335
驶出 OLS 0.484 0.453 1 761.907
GWR 0.718 0.622 1 730.700
SGWRa — — —

注：a驶出接驳中所有变量的DIFF值均为负数，即所有变量均为局部变量，无需作SGWR分析。

4.3　GWR及SGWR模型结果

表4、5分别显示了驶入接驳SGWR和驶出接驳GWR的分析结果。总体而言，影响驶入和驶出接驳情境的建成环境因素存在一定的差异，仅中学数量、地铁站点和地铁客流量3个变量在2种情境模型中均表现出显著相关性。
表4 驶入接驳的SGWR分析结果

Table 4 Results of SGWR model for the access integrated use

参数 全局变量 参数 局部变量
办公用地 城市快速路 CBD距离 人口密度 中学数量 地铁站点 主干道 交叉路口 进站客流
系数 62.211 3.175*** -6.280*** 均值 2.95 2.937 -3.995 2.080 -0.153 32.753
标准差 246.524 1.054 1.666 最小值 -2.695 -36.249 -30.772 0.576 -0.295 -19.51
t值 0.252 3.012 -3.77 最大值 21.29 12.605 14.325 5.257 -0.008 83.437
— — — — 第一四分位数 -1.367 -0.906 -12.403 1.222 -0.218 25.205
— — — — 中位数 0.591 6.296 -3.733 1.756 -0.146 33.473
— — — — 第三四分位数 5.789 8.986 5.511 2.749 -0.109 39.698
— — — — DIFF -36.067 -27.807 -25.792 -1.049 -2.960 -20.444

注： ***表示在1%的水平上显著。

表5 驶出接驳的GWR分析结果

Table 5 Results of GWR model for the egress integrated use

局部变量 均值 最小值 最大值 第一四分位数 中位数 第三四分位数 DIFF
常量 160.273 -10.991 334.012 105.776 137.709 217.336 -18.563
办公用地 133.794 -764.739 962.071 -403.337 60.426 706.046 -6.002
居住用地 -191.245 -347.214 15.863 -260.656 -212.922 -121.802 -20.595
中学数量 -2.741 -15.684 3.119 -4.056 -2.615 -0.665 -4.068
公园广场 4.102 -0.208 10.722 1.516 2.826 6.713 -5.143
公交站点 0.286 -0.279 1.225 0.077 0.263 0.488 -113.644
地铁站点 -9.255 -30.919 6.403 -21.651 -7.121 3.531 -19.291
CBD距离 -7.851 -24.305 9.675 -13.377 -7.024 -1.965 -2.190
出站客流 18.066 2.054 40.657 8.439 15.092 26.508 -8.190

4.3.1　驶入接驳的SGWR模型分析

对于驶入接驳，办公用地、城市快速路和CBD距离3个变量为全局变量（见表4），但在SGWR模型中，办公用地变量不显著，而其余2个变量的显著性则与OLS分析结果一致，这说明城市快速路和CBD距离对“共享单车＋地铁”驶入接驳的影响具有全局性，在整个市域范围内并不存在空间差异。在城市快速路较多的地铁服务区内，“共享单车＋地铁”驶入接驳使用往往较多，这与城市快速路的交通阻隔效应有关，城市快速路的存在使得地铁服务区内的公交和私家车通勤者增加了绕线的可能性，而骑行接驳所受影响较小，故而促进“共享单车＋地铁”驶入接驳（尤其在较为拥堵的早高峰通勤时段）。同时由于深圳市的城市快速路不仅在市郊区而且在福田、南山等中心城区均分布广泛，因此其对“共享单车＋地铁”驶入接驳的影响有全局性。而距离CBD越远，驶入接驳往往较少，主要是由于深圳远郊地区的制造业工厂分布广泛（越远离市中心，这种工厂分布越明显），吸收了大量外来务工人员，由于租房压力较大，外来务工人员也大多住在工厂内部或工厂附近，高峰时段对地铁通勤的需求较弱，故而“共享单车＋地铁”驶入接驳较少。
相比之下，人口密度、中学数量、地铁站点、主干道、交叉路口和进站客流6个变量为局部变量，即这些变量对驶入接驳的影响在空间上存在明显的差异（或非平稳性）。
为进一步体现这些变量对驶入接驳的影响在空间上的分布差异，对上述变量影响的显著性（t值）在ArcGIS平台上进行空间可视化，以更好地呈现SGWR分析结果。图3显示，人口密度与“共享单车+地铁”驶入接驳的正相关关系在城市近郊地区非常明显，如龙华南和宝安南等区域，由于住房相对市区便宜且离市区相对较近，这些地区往往集中了较多的地铁通勤者，因此在早高峰期间有较多的家与地铁站之间的驶入接驳需求；中学数量的影响在空间上存在明显的差异且仅集中在少数地区，在龙华南部和龙岗西部地区，地铁服务区范围内的中学数量与共享单车的驶入接驳呈显著负相关，但在福田中心城区，两者则为正相关，由于学校校门往往是拥堵的集中区域（尤其是在早晚通学高峰），故地铁站域内的中学数量增加会使得站域拥堵加重，降低了通勤者使用共享单车接驳的意愿，这一点在道路交通并不十分完善但居住人口密度相对较大的龙华南部和龙岗西部片区尤为明显。相比之下，福田中心区作为商务区，中学数量较少，居住人口密度也低于龙华南和龙岗西，完善的道路交通，尤其是广泛分布的自行车道有利于中学生采用共享单车进行接驳，因此福田区的地铁站域内中学数量与共享单车+地铁的接驳使用有一定的正相关性。
图3 影响驶入接驳的局部变量相关性空间分布（t值）

Fig.3 Spatial heterogeneity of the effects of local built environment variables on the access integrated use (t value)

地铁站点对驶入接驳的显著负向影响（地铁站点之间的竞争性）集中体现在深圳市的南山、宝安和龙岗等西部和北部片区，而在福田、罗湖等地的影响相对较弱，主要原因在于这些地区是就业集中地（如南山科技园、宝安中心等），且大量地铁通勤者居住在附近，过密的地铁分布可能会导致驶入接驳方式的变换，如步行；主干道因素的正向影响集中于福田和南山两区的衔接片区，这部分地区是深圳市区内居住的主要聚集区（如白石洲、香蜜湖等），驶入接驳需求较大，而且主干道也通常伴有人车共行的混合自行车道，骑行环境较好，有助于共享单车的接驳使用（Guo et al., 2020）；交叉路口的负向影响在空间上明显集中于市区，如道路较为密集的福田和罗湖两区（深圳市传统意义上的老城区），一般地，较多的交叉路口会增加骑行的停车次数和等候时间，也会带来一定的危险性，对于骑行而言是不利因素（Guo et al., 2021a）；进站客流的影响几乎在所有地铁站点都呈现明显的正相关性，尤其是在地铁客流相对较少的远郊地区（如宝安西部）。

4.3.2　驶出接驳的GWR分析

对于驶出接驳，包括办公用地、居住用地等在内的建成环境变量均为局部变量（见表5），表明这些建成环境因素对驶出接驳的影响存在空间差异。同样地，对上述变量的显著性在ArcGIS平台上进行空间可视化，以更好地呈现GWR分析结果。办公用地往往与就业和通勤相关，也是地铁通勤者的主要目的地之一，因此办公用地往往与共享单车的接驳使用呈正相关，这种正相关性在南山和宝安分布最为明显，而在其他地区几乎没有显著的相关性（图4）；而居住用地对驶出接驳的影响呈显著负相关，并主要集聚于南山和福田的就业集中区，比例越大的居住用地片区意味着用于就业的办公用地比例越小，其驶出接驳自然也随之降低；中学数量对于驶出接驳的影响同驶入影响一样，也呈负相关，且同样表现在龙华南和龙岗西片区，具体原因有待进一步实证挖掘；公园和广场等开放空间对自行车接驳使用的正向影响在已有研究中被提及（Zhao et al., 2017），但并未指明是驶入还是驶出接驳，图4显示公园广场对驶出接驳有正向影响（而非驶入接驳），在深圳市的南山区尤为明显；已有研究多认为，公交站点密度对公共自行车的接驳影响是负向的（Zhao et al., 2017; Ji et al., 2018; Ma et al., 2018），即公交车与公共自行车之间存在竞争，然而在本研究中呈现截然不同的结果，即公交车站点密度大的地铁服务区，共享单车的接驳同样也多，并且尤其在居住密度非常高的龙华南部（见图4），可能的原因是，在近郊的高密度居住聚居区，公交通勤也很普遍，这也意味过多的公交站容易导致更多的停车载客/落客，同时也会吸引更多的通勤者乘坐公交进而导致拥堵，反而降低了采用公交进行接驳的便捷度，因此共享单车会更为受欢迎；地铁站点密度对于驶出接驳的负向影响在南山区比较明显，表明在该地区临近地铁站点往往有较高的驶出接驳（南山区为深圳市工作密度最大的区域）；此外，CBD距离的负向影响在深圳市远郊的宝安西地区非常明显，但在东部的龙岗远郊地区则较为微弱，可能的原因在于，临近南山（就业集中区）的宝安更具备吸引地铁通勤的空间优势；同时，出站客流也显然与驶出接驳有正相关关系，并且也主要集中在就业聚集区（南山和福田区）。
图4 影响驶出接驳的局部变量相关性空间分布（t值分布）

Fig.4 Spatial heterogeneity of the effects of local built environment variables on the egress integrated use (t value)

5 结论与讨论

以深圳市为案例，应用OLS、GWR和SGWR综合分析建成环境因素对“共享单车＋地铁”接驳使用（包括驶入接驳和驶出接驳2种情境）的影响，并揭示该影响的空间非平稳性。主要结论为：
1）“共享单车＋地铁”的接驳使用，无论是驶入接驳还是驶出接驳，在早高峰通勤期间均表现出明显的空间非平稳性，具体表现为近郊地区地铁站的驶入接驳较高，驶出接驳则在以高新科技园为代表的中心城区有明显集聚，这与深圳市当前的职住空间分离密切相关。
2）影响驶入和驶出2种不同的接驳类型的建成环境要素有所差异。人口密度、主干道和进站客流3个正向因子以及中学数量、地铁站点和交叉路口3个负向因子对驶入接驳的影响呈明显的空间差异；办公用地、公园广场、公交站点以及出站客流在大部分地铁站点对于驶出接驳的影响表现出正相关，而居住用地、中学数量、地铁站点及CBD距离则表现出负相关。
3）建成环境对早高峰通勤的驶入和驶出接驳的影响差异性，一方面，在于历史上深圳市施行严格的关内和关外空间隔离措施，相关建成环境要素的建设投入存在明显的关内－关外空间差异，这种差异性对于“共享单车+地铁”接驳使用的影响是显著的；另一方面，在适宜的接驳距离范围，出发地/目的地决定了驶入/驶出接驳的客观需求，出发地附近的建成环境在很大程度上决定了地铁通勤者在驶入接驳时对共享单车接驳方式的选择，对应地，目的地附近的建成环境对“共享单车+地铁”驶出接驳有决定作用。
本文的研究结论对于促进“共享单车＋地铁”接驳使用具有重要的政策和运营意义。首先，共享单车在空间和时间上的再平衡（Rebalance）对于共享单车和轨道交通之间的无缝连接至关重要。虽然共享单车的自由可移动特性有助于地铁－居住地以及地铁－工作地在微观尺度上的平衡，但仍需关注城市层面上的时空差异。“职－住失衡”以及通勤流动特征表明，共享单车的接驳使用需要以居住地/就业地为重点，从而满足对驶入和驶出接驳使用的巨大需求。虽然共享单车一般不能进入居民社区，但仍然需要在居民区附近提供相对固定的时间和地点以提供更多的共享单车，如运营商应该在上午高峰时段，在居住社区的各个出入口实现定期调配并设置易见的停车位，以降低通勤高峰时段内通勤者搜索共享单车的时间。此外，在近郊区的中学附近，需要改善学校附近的骑行接驳安全和拥堵环境，对学生采用共享单车进行通学接驳实现交通引导。考虑到绿色/开放空间在高峰时段对骑行的促进作用，也建议在高峰时段在地铁站附近的公园和公共广场增加自行车的投放。
其次，共享单车的再分配需要与公共交通的分布相匹配才能有效提升“共享单车+地铁”接驳使用。无论是既有公交站点的分布还是地铁站点的分布，都对共享单车的接驳使用有显著影响，这种影响在中心城区和近郊区有所差异，故需要制定差异化的交通政策。如，在人口密度大、公交分布密集的近郊地区，可以适当提升共享单车的投放以缓解公交接驳的拥挤。同时，运营商在分配单车时需考虑地铁站的密度，避免在地铁站密度较大的片区分配过多的单车（步行接驳更多），远郊等地铁分布较少地区由于接驳需求不高，单车的投放不应过大，而更建议在地铁站密度适中的地区增加自行车的投放（可以取代公交接驳）。
第三，通过改善城市道路分布和道路条件，在地铁站域内建立友好的自行车骑行环境可以促进共享单车的接驳使用。需要注意的是，当前诸多大城市的城市道路沿线仍然缺乏足够的自行车道，在通勤高峰期间内，车流和人流量大，缺少管控的混行骑行非常危险。因此，有必要实行多样化、安全化和人性化的自行车道策略，这在城市道路空间非常有限的大都市中心城区显得尤为重要。此外，减少交叉路口或设置路口提醒警示，以及在地铁站域内的站点主要连接道路上增加骑行标记，有助于提供更佳的骑行环境。
本研究可为促进共享单车与地铁的无缝接驳进而解决困扰城市地铁通勤者的“最后一公里”问题提供参考，并进一步提升城市交通的可持续性。在具体实践中，本研究不仅能为共享单车运营商提供合理的单车空间分布和再平衡策略，亦能为地方政府在管理共享单车的接驳上提供政策引导，也可对建设骑乘友好的建成环境和设施规划提供助力。然而，由于数据获取的限制，本研究也存在一定不足，如对于接驳的识别还不够精确以及缺乏长时段的动态变化分析，未来将继续针对这些不足进行深化和拓展。

脚注

1 https://www.openstreetmap.org

郭源园：明确研究主题、论文框架，确定研究方法，完成数据处理和论文的起草；

吴 磊：共同完成命题提出、研究设计、搜集资料和图形可视化；

曾 鹏：共同完成研究框架和论文修订。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Brunsdon C, Fotheringham A, and Charlton M. 2002. Geographically Weighted Summary Statistics: A Framework for Localized Exploratory Data Analysis. Computers, Environment and Urban Systems, 26(6): 501-524.

曹新宇. 2015. 社区建成环境和交通行为研究回顾与展望：以美国为鉴. 国际城市规划，30（4）：46-52.

Cao Xinyu. 2015. Examining the Relationship between Neighborhood Built Environment and Travel Behavior: A Review from the US Perspective. Urban Planning International, 30(4): 46-52.

曹雪柠，王炜，季彦婕，赵琳娜. 2015. 公共自行车换乘轨道交通行为影响因素分析. 交通运输工程与信息学报，13（4）：96-101.

Cao Xuening, Wang Wei, Ji Yanjie, and Zhao Linna. 2015. Influence Factors of Transfer Behavior between Urban Rail Transit and Public Bicycle. Journal of Transportation Engineering and Information, 13(4): 96-101.

Cervero R, and Kockelman K. 1997. Travel Demand and the 3Ds: Density, Diversity, and Design. Transportation Research Part D: Transport and Environment, 2(3): 199-219.

Chen M, Wang D, Sun Y, Waygood E O D, and Yang W. 2020. A Comparison of Users’ Characteristics between Station-Based Bikesharing System and Free-Floating Bikesharing System: Case Study in Hangzhou, China. Transportation, 47: 689-704.

Ewing R, and Cervero R. 2010. Travel and the Built Environment. Journal of the American Planning Association, 76(3): 265-294.

古恒宇，孟鑫，沈体雁，崔娜娜. 2020. 中国城市流动人口居留意愿影响因素的空间分异特征. 地理学报，75（2）：240-254.

Gu Hengyu, Meng Xin, Shen Tiyan, and Cui Nana. 2020. Spatial Variation of the Determinants of China's Urban Floating Population's Settlement Intention. Acta Geographica Sinica, 75(2): 240-254.

郭蒙. 2017. 共享单车的市场饱和度研究. 中国商论，（23）：3-4. [Guo Meng. 2017. Research on Market Saturation of Shared Bikes. Chinese Commerce, (23): 3-4.]

郭素萍，甄峰，尹秋怡. 2017. 城市公共自行车出行时空间特征分析规划师，33（6）：112-118.

Guo Suping, Zhen Feng, and Yin Qiuyi. 2017. Analysis on Space-Temporal Characters of Public Bicycles. Planners, 33(6): 112-118.

Guo Y, and He S Y. 2020. Built Environment Effects on the Integration of Dockless Bike Sharing and the Metro. Transportation Research Part D: Transport and Environment, 83: 102335.

Guo Y, Yang L, Lu Y, and Zhao R. 2021a. Dockless Bikeshare as Feeder Mode of Metro? The Role of Feeder Process-Related Built Environment. Sustainable Cities and Society, 65: 102594.

Guo Y, and He S Y. 2021b. Perceived Built Environment Correlates with the Integrated Usage of Dockless Bikeshare and Metro. Transportation Research Part D: Transport and Environment, 92: 102693.

Guo Y and He S Y. 2021c. The Role of Objective and Perceived Built Environments in Affecting Dockless Bike-Sharing as a Feeder Mode Choice of Metro Commuting. Transportation Research Part A: Policy and Practice,149: 377-396.

黄一哲，孙健. 2018. “自行车＋轨道交通”导向型城市空间发展策略研究——以上海为例. 交通与运输，34（5）：6-9.

Huang Yizhe, and Sun Jian. 2018. Urban Spatial Development Strategy of “Bicycle + Rail Transit” Oriented City: A Case Study of Shanghai. Traffic and Transportation, 34(5): 6-9.

Ji Y, Ma X, Yang M, Jin Y, and Gao L. 2018. Exploring Spatially Varying Influences on Metro-Bikeshare Transfer: A Geographically Weighted Poisson Regression Approach. Sustainability, 10(5): 1526.

蒋聪之. 2015. 基于轨道交通接驳的公共自行车租赁点规划方法研究. 南京：东南大学.

Jiang Congzhi. 2015. Planning Method of Public Bicycle Rental Point Based on Rail Transit Connection. Nanjing: Southeast University.

Krizek K, and Stonebraker E. 2010. Bicycling and Transit: A Marriage Unrealized. Transportation Research Record: Journal of the Transportation Research Board, 2144: 161-167.

Keijer M J N, and Rietveld P. 2000. How do People Get to the Railway Station? The Dutch Experience. Transportation Planning and Technology, 23(3): 215-235.

Lin J, Zhao P, Takada K, Li S, Yai T, and Chen C. 2018. Built Environment and Public Bike Usage for Metro Access: A Comparison of Neighborhoods in Beijing, Taipei, and Tokyo. Transportation Research Part D: Transport and Environment, 63 (1): 209-221.

马庚华，孙祎峥，邢金洋，翁心雨，王天童. 2020. 公共及共享自行车接驳轨道交通方式选择概率. 贵州大学学报（自然科学版），37（1）：92-97.

Ma Genghua, Sun Yizheng, Xing Jinyang, Weng Xinyu, and Wang Tiantong. 2020. Probability of Public and Shared Bicycle Connecting to Rail Transit. Journal of Guizhou University (Natural Science), 37(1): 92-97.

Ma X, Ji Y, Jin Y, Wang J, and He M. 2018. Modeling the Factors Influencing the Activity Spaces of Bikeshare around Metro Stations: A Spatial Regression Model. Sustainability, 10(11): 3949.

Ni Y, and Chen J. 2020. Exploring the Effects of the Built Environment on Two Transfer Modes for metros: Dockless Bike Sharing and Taxis. Sustainability, 12(5): 2034.

潘海啸，薛松，赵婷. 2012. 多模式平衡交通体系的构建——自行车与轨道交通间的换乘. 现代城市研究，27（9）：23-27，41.

Pan Haixiao, Xue Song, and Zhao Ting. 2012. Construction of the Mode to Balance the Traffic System: The Joint of the Bicycle and Rail Traffic. Modern Urban Research, 27(9): 23-27, 41.

Pucher J and Buehler R. 2009. Integrating Bicycling and Public Transport in North America. Journal of Public Transportation, 12: 79-104.

肖晗. 2022. 深圳共享单车日均使用量138万人次，市交通运输局开展运营服务问卷调查. （2022-06-17）[2022-10-31]. https://baijiahao.baidu.com/s?id=1735857656481618820&wfr=spider&for=pc.

Xiao H. 2022. Shenzhen Has an Average Daily Usage of 1.38 Million for Bikeshare, a Result from the Questionnaire Survey on Bikeshare Operation Services Conducted by Municipal Transportation Bureau.（2022-06-17）[2022-10-31]. https://baijiahao.baidu.com/s?id=17358576564816 18820&wfr=spider&for=pc.

深圳市交通运输局. 2019. 《深圳市互联网租赁自行车发展评估报告（2019年4月）》（2019-06-12）[2022-10-31]. https://www.sohu.com/a/320109128_748407.

Shenzhen Transportation Bureau. 2019. Evaluation Report on the Development of Internet Rental Bicycles in Shenzhen of April in 2019. (2019-06-12) [2022-10-31]. https://www.sohu.com/a/320109128_748407.

深圳市交通运输局. 2020. 《2019年深圳市综合交通年度评估报告》（2020-08-20）[2022-10-31]. http://www.sutpc.com/news/jishufenxiang/605.html.

Shenzhen Transportation Bureau. 2020. Annual Evaluation Report of Comprehensive Transportation in Shenzhen in 2019 (2020-08-20)[2022-10-31]. http://www.sutpc.com/news/jishufenxiang/605.html.

Wang R, and Chen L. 2013. Bicycle-Transit Integration in the United States, 2001-2009. Journal of Public Transportation, 16(3): 95-119.

Wang J, and Cao X. 2017. Exploring Built Environment Correlates of Walking Distance of Transit Egress in the Twin Cities. Journal of Transport Geography, 64: 132-138.

魏宗财，莫海彤，刘玉亭. 2018. 面向智慧城市的共享单车出行时空间特征研究——以广州天河中心区为例. 科技导报，36（18）：71-80.

Wei Zongcai, Mo Haitong, and Liu Yuting. 2018. Spatiotemporal Characteristics of Bike-Sharing: An Empirical Study of Tianhe District, Guangzhou. Science & Technology Review, 36(18): 71-80.

Yang L, Chau K W, Szeto W Y, Cui X, and Wang X. 2020a. Accessibility to Transit, by Transit, and Property Prices: Spatially Varying Relationships. Transportation Research Part D: Transport and Environment, 85: 102387.

Yang L, Chu X, Gou Z, Yang H, Lu Y, and Huang W. 2020b. Accessibility and Proximity Effects of Bus Rapid Transit on Housing Prices: Heterogeneity across Price Quantiles and Space. Journal of Transport Geography,88: 102850.

Yang L, Ao Y, Ke J, Lu Y, and Liang Y. 2021. To Walk or not to Walk? Examining Non-Linear Effects of Streetscape Greenery on Walking Propensity of Older Adults. Journal of Transport Geography, 94: 103099.

尹秋怡，甄峰，罗桑扎西，阎欣，郭素. 2018. 新城公共自行车出行空间影响因素及布局建议. 现代城市研究，33（12）：9-15.

Yin Qiuyi, Zeng Feng, Luosang Zhaxi, Yan Xin, and Guo Su. 2018. Study on Urban Spatial Influencing Factors of Public Bicycle Trips and Station Distribution Suggestions in New Town. Modern Urban Research, 33(12): 9-15.

张可，徐晓燕. 2019. 共享单车与轨道交通接驳利用率研究——以合肥地铁一号线为例. 华中建筑，37（10）：62-68.

Zhang Ke, and Xu Xiaoyan. 2019. The Connection Utilization of Bicycles-Sharing System and Urban Rail Transit: Taking Hefei Metro Line 1 as an Example. Huazhong Architecture, 37(10): 62-68.

Zhao P, and Li S. 2017. Bicycle-Metro Integration in a Growing City: The Determinants of Cycling as a Transfer Mode in Metro Station Areas in Beijing. Transportation Research Part A: Policy and Practice, 99: 46-60.

周杨，张冰琦，李强. 2014. 公共自行车系统的研究进展与展望. 城市发展研究，21（9）：118-124.

Zhou Yang, Zhang Bingqi, and Li Qiang. 2014. Research Progress and Prospect in the Study of Public Bicycle System. Urban Development Studies, 21(9): 118-124.

朱玮，庞宇琦，王德，余雄伟. 2012. 公共自行车系统影响下居民出行的变化与机制研究——以上海闵行区为例. 城市规划学刊，（5）：76-81.

Zhu Wei, Pang Yuqi, Wang De, and Yu Xiongwei. 2012. Travel Behavior Change after the Introduction of Public Bicycle System: Case Study of Minhang District, Shanghai. Urban Planning Forum, (5): 76-81.

Zuo T, Wei H, and Rohne A. 2018. Determining Transit Service Coverage by Non-Motorized Accessibility to Transit: Case Study of Applying GPS Data in the Cincinnati Metropolitan Area. Journal of Transport Geography, 67: 1-11.

Options
文章导航

/

〈 〉