EN中文

热带地理 >

2024 , Vol. 44 >Issue 2: 236 - 247

DOI: https://doi.org/10.13284/j.cnki.rddl.003829

粤港澳大湾区研究

城市建成环境对共享单车出行影响的时空特征——以深圳市为例

  • 项振海 , 1 ,
  • 李青 1 ,
  • 洪良 , 2 ,
  • 盛杰 1 ,
  • 班鹏飞 1
展开
  • 1. 昆明理工大学 建筑与城市规划学院，昆明 650500
  • 2. 广东国地规划科技股份有限公司，广州 510070
洪良（1982—），男，湖南益阳人，高级工程师，本科，主要从事大数据与智慧城市研究，（E-mail）。

项振海（1982—），男，湖北黄冈人，讲师，博士，主要从事城市地理与城市规划研究，（E-mail）；

收稿日期: 2023-10-19

  修回日期: 2023-11-10

  网络出版日期: 2024-02-08

基金资助

国家自然科学基金项目(51878284)

云南省社科规划社会智库项目(SHZK2023336)

云南省科技厅基础研究专项—面上项目(202201AT070792)

收起

Effects of Built Environment on the Spatio-Temporal Trajectories of Shared Bicycles: A Case Study of Shenzhen

  • Zhenhai Xiang , 1 ,
  • Qing Li 1 ,
  • Liang Hong , 2 ,
  • Jie Sheng 1 ,
  • Pengfei Ban 1
Expand
  • 1. Science and Technology, Kunming University, Kunming 650500, China
  • 2. Guangdong Guodi Planning Technology Co. , Ltd. , Guangzhou 510070, China

Received date: 2023-10-19

  Revised date: 2023-11-10

  Online published: 2024-02-08

Fold

摘要

以深圳市为例，利用共享单车OD等多源数据，从工作日、休息日多时段分析共享单车出行时空特征，并构建基于客观物质空间、主观感知体验的建成环境“5Ds”指标，运用多尺度地理加权回归模型（MGWR）解析不同建成环境对共享单车出行流量影响的时空异质效应。研究表明：1）时间上，工作日和休息日早、晚高峰的共享单车出行流量较其他时段整体显著，且休息日较工作日的峰值时段具有滞后性；空间上，各峰值时段的出行流量高值区域呈“多核集聚、带状延伸”的分异格局；2）各建成环境要素对共享单车出行流量影响的时段差异显著。就业设施密度、围合度及人口密度在各时段均具有高解释度，其影响力整体呈全局显著特征，其余变量则在不同时段存在局部显著效应；3）各时段影响较为显著的变量在空间作用尺度上存在分异。就业设施密度与围合度的影响力在各时段的空间变化最为稳定，街道绿视率与人口密度在不同时段呈现差异化的空间分布特征。

关键词： 共享单车出行; 建成环境; 出行流量; 时空异质性; MGWR模型; 深圳市

本文引用格式

项振海 , 李青 , 洪良 , 盛杰 , 班鹏飞 . 城市建成环境对共享单车出行影响的时空特征——以深圳市为例[J]. 热带地理, 2024 , 44(2) : 236 -247 . DOI: 10.13284/j.cnki.rddl.003829

Abstract

With the rapid development, shared bicycles have gradually become an important part of slow urban traffic in China and have played an important role in satisfying the travel needs and facilitating the transfer of residents. Exploring the spatial and temporal characteristics of the impact of the built environment on shared bike travel is of practical importance to reshape the construction of low-carbon transportation and an urban-friendly cycling environment dominated by slow traffic and public transportation. We analyzed the spatio-temporal characteristics of shared bicycle travel through multi-source big data including Shenzhen's shared bicycle OD data, OSM road network data, Baidu Street View, and POIs and used a multi-scale geographical weighted regression model (MGWR) based on the "5D" index of the built environment to analyze the spatial difference characteristics of the impact of different built environment on shared bicycle flow. The findings of the research indicate that: (1) In terms of time, the shared bicycle flow in the morning and evening peaks of both working and rest days is more significant than that of other periods, and the peak period of the remaining days lags behind that of the working days. (2) In terms of space, the spatial distribution characteristics of the traffic flow of shared bicycles during each peak period exhibit a spatial pattern of "multiple aggregation cores and several extended belts." (3) Significant differences were observed in the impact of various built environmental factors on the flow of shared bicycle travel, among which, employment facility density, enclosure degree and population density had a positive effect in each period; their influences were globally significant; and the remaining factors demonstrated varied characteristics in each period. (4) Factors with significant influence showed different spatial scales in different periods. The spatial changes of employment facility density and enclosure in each period were generally flat; the spatial changes of proximity, density of shopping facilities, and the nearest distance to subway stations in some periods were generally flat; the spatial changes of building continuity and relative walking width were obvious in some periods. Moreover, population density and green vision rate had different spatial characteristics in different periods. This study restores the travel track of shared bicycles, analyzes the spatiotemporal characteristics of shared bicycle travel in multiple periods of working days and rest days and long-term series, and increases micro-built environment factors of subjective perception of people and experience dimension based on existing objective material space environment variables, to explore the spatiotemporal differences of the impact of different built environments on the travel flow of shared bicycles which compensate for the existing shared-bike travel time and space characteristics, build a shortage of environmental impact research, and provide references for the construction of an urban-friendly cycling environment and the creation of a slow walking space.

Key words： bike-sharing mobility; built environments; flow of shared bicycles; spatio-temporal heterogeneity; MGWR model; Shenzhen City

国家“双碳”战略背景下，绿色、低碳出行成为城市交通可持续发展的核心议题。共享单车作为城市慢行交通的重要组成部分，在满足居民出行、便捷居民换乘等方面发挥了显著作用，可有效缓解城市交通拥堵以及“最后一公里”问题，对实现交通“双碳”减排目标至关重要（Guo et al., 2022）。近年来，共享单车的快速发展，深刻改革着城市交通系统和居民原有的出行方式（Fishman et al., 2013），逐渐成为民生“刚需”。因此，研究共享单车出行规律及其影响因素，对重塑以慢行、公共交通为主导的低碳交通和城市友好骑行环境建设具有现实意义。
出行时空特征及影响因素一直是交通行为领域的重要课题，已有研究主要聚焦“起点－讫点”交通网络视角下共享单车出行时空特征及建成环境影响，包括2方面：1）基于某日中单一时间切片的共享单车出行的起点、目的地，或聚集区域内共享单车的借车、还车量，探析其出行时间分布及距离、空间热点等格局（邵海雁 等，2023）。有学者通过对共享单车起讫点、借还站点、出行目的地等数据分析其时空分布规律，发现共享单车出行以短距离为主，起讫点在空间上总体呈现聚集特征（罗桑扎西 等，2018；周艳 等，2023），时间上则呈现明显的早晚高峰特征，且早高峰到达量大于晚高峰（高枫 等，2019）。此外，部分学者通过对用户起讫点需求预测，结合城市公共交通换乘站点布局、人口聚集特征和商业、居住、餐饮等城市空间要素，对共享单车活动热力、使用频率和空间聚集特征等进行分析，为共享单车站点布局提供支持（Tang et al., 2017；郭源园 等，2023）。2）城市建成环境作为解构环境的重要组成元素，其对共享单车出行行为的持续影响也引起诸多学者的讨论。如Cervero等（1997）最早从建成环境“3Ds”维度探讨其对出行行为的影响，即密度（Density）、多样性（Diversity）、设计（Design），而后国外部分学者从居住密度、就业密度、人口密度、商业设施密度（如零售业）、土地利用混合度等指标，探讨了建成环境对自行车出行的影响（Cervero, 2002; Rixey, 2013）。随着研究的深入，学者们基于建成环境“3Ds”维度增加出行距离、交通可达性2个因子，形成经典的建成环境“5Ds”分析模型（Munshi, 2016；申犁帆 等，2018；黄沣爵 等，2023）。部分学者增加城市紧凑度、交通可达性、路网密度、地铁站点数量等指标，分析其对共享单车出行需求的影响（莫海彤 等，2019；杨林川 等，2023）。部分研究发现，人群密度、道路网密度、公交线路数量、地铁站点数量、城市绿道长度是影响共享单车出行的关键积极因素（孙艺玲 等，2018）。伴随着地理大数据的大量涌现，学者们多基于共享单车OD数据、POI数据等多源数据，采用地理探测器模型（王劲峰 等，2017）、地理加权回归模型（曹小曙 等，2020）、多尺度地理加权回归模型（Meng and Zacharias, 2021；黄颙昊 等，2022）等方法探讨城市建成环境对共享单车出行的影响。
综上，国内外相关研究不断丰富，但尚有待思考之处：1）共享单车出行的时空特征方面，已有研究聚焦于起讫点、出行目的地及用户出行OD数据，缺乏共享单车出行轨迹的时空特征分析，及多时段、长时间序列下对共享单车出行特征的观察。共享单车出行轨迹蕴含着丰富的交通运行状态信息，其时空特征能系统、全面地揭示道路交通运输场景及城市建成环境对出行行为的影响（周艳 等，2023）；2）建成环境对共享单车出行影响的时空特征方面，影响因素虽广泛应用经典“5Ds”分析模型，但变量选择主要聚焦于客观的物质空间环境，较少关注“人本尺度”的建成环境指标，缺乏使用者对建成环境主观感知和体验维度的因子考量，如街道骑行空间舒适性（天空开敞度、绿视率、建筑连续程度、围合度）、安全性（相对步行宽度、交通安全设施占比）等建成环境要素。而使用者对街道骑行空间环境的主观感官评价，对其出行选择、出行意愿等方面有较大影响（Chen et al., 2020）。基于此，以深圳市为例，利用共享单车OD数据、OSM路网数据、百度街景及POI等多源大数据，分析共享单车出行的时空特征，并基于建成环境“5Ds”指标，运用MGWR模型，解析建成环境对共享单车出行流量影响的时空差异。以期为友好骑行环境的建设、城市慢行空间打造提供决策依据。

1 研究设计

1.1　研究区域

选取深圳市福田、罗湖、南山3个市辖区作为研究区域（图1），面积为325 km2、人口约449.28万。深圳是全国首批低碳试点城市、公交都市建设示范城市及国家可持续发展议程创新示范区，其作为科技创新之都，共享单车发展迅速，共享单车出行已成为市民出行的重要方式之一。此外，福田、罗湖、南山3个区为深圳的城市中心和副中心，是居住、就业人口聚集的主要区域，且为共享单车投放的主要区域。
图1 研究范围

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 Study Area

1.2　数据与变量选择

1.2.1　数据来源

本研究主要数据包括共享单车数据、OSM路网数据、百度街景及POI数据。1）共享单车数据为2021-04-08―14一周内的美团用户数据，包括用户ID编号、出行起止时间、出行时长、出行的起点和终点坐标等信息。对研究范围内一周出行OD数据进行预处理，剔除使用时间＜2 min及人工调度、异常使用、数据缺失、字段相同的重复记录，进一步使用ArcGIS 10.8对起讫点进行提取，剔除“O”点或“D”点在研究范围外的数据，最终选取有效数据993 669条；2）深圳市路网数据源于OpenStreetMap官网 1。在GIS平台根据研究范围对路网数据进行裁剪、清洗与拓扑化处理，并在交叉口处打断后获得共计4 692个街道段。同时，为确保能识别穿过街道的骑行轨迹与建成环境特征，基于实际情况对每个街道段创建50 m的带状缓冲区。该范围基本包括道路范围及其周边建筑、开敞空间和绿地等可能对行人骑行活动产生影响的区域；3）百度街景数据获取于百度街景应用程序接口 2。通过Python程序于2023年9月获取街景全景图像25 619张，并运用在MIT ADE20K数据集上预训练的PSPNet模型识别并测算街景图片中包括天空、绿植、建筑以及道路等街道建成环境要素的面积占比；4）POI数据获取于高德地图API接口。通过Python程序爬取2023年9月的设施点数据，涵盖餐饮、办公、商业、酒店、休闲娱乐及基础设施等16个大类，对于描述街道功能多样性以及站点空间分布具有优势。考虑不同等级道路两侧的空间布局形式，通过GIS平台与研究范围内各街道缓冲区相交后共计得到227 751个POI点位。

1.2.2　变量选择

为科学解释建成环境对共享单车出行的影响作用，借鉴建成环境经典“5Ds”分析模型，从5个维度进行自变量甄选，共15项建成环境因子（表1）。密度表征的是人口的聚集程度，是共享单车出行行为的关键动力，通过城市主要功能密度如餐饮、购物娱乐设施、居住设施、就业设施密度进行度量（Gao et al., 2021）。用地功能的多样性是城市活力的重要因素，间接影响居民出行动机与出行行为选择，因此选取功能混合度作为影响因子。对于共享单车出行，街道建成环境是居民出行的主要推力，包括出行空间舒适性和出行环境安全性2方面。借鉴相关研究（司睿 等，2021；王娜 等，2021），设计维度选择天空开敞度、街道绿视率、建筑连续程度、围合度及相对步行宽度、交通安全设施占比6个因子。同时，目的地可达性维度选取接近度作为驱动因子，通过sDNA模型计算，以反映路网的中心性与可达性。一般而言，共享单车与地铁、公交换乘，成为居民解决“最后一公里”的普遍选择，因此，距离维度选取距地铁站和公交站最近距离2个因子。
表1 共享单车时空分布特征的影响因子

Table 1 Factors influencing the spatio-temporal distribution characteristics of shared bicycles

类别 因子 因子解释

建

成

环

境

 密度 人口密度 Worldpop人口数据集测算，反映街道人群聚集强度
居住设施密度 街道缓冲区范围内居住设施总数/道路长度
就业设施密度 街道缓冲区范围内就业设施总数/道路长度
餐饮设施密度 街道缓冲区范围内餐饮设施总数/道路长度
购物娱乐设施密度 街道缓冲区范围内购物娱乐设施总数/道路长度
多样性 功能混合度 街道缓冲区范围内大类兴趣点的区位熵，反映设施多样性
设计 天空开敞度 街道内平均天空像素占比，反映空间的视觉开敞程度
街道绿视率 街道内平均绿色植物像素占比，反映空间的绿化程度
建筑连续程度 街道内建筑占比的标准差，反映建筑界面的连续性程度
围合度 街道内建筑物、墙体、柱体、围栏和树木在街景图像中所占的比值，反映街道空间的围合程度
相对步行宽度 街道内步行道占比/马路占比的均值，反映步行空间尺度
交通安全设施占比 街道内栏杆和柱占比总和的均值，反映交通安全程度
目的地可达性 接近度 sDNA模型计算，反映路网的中心性与可达性
距离 距地铁站最近距离 街道内中心点到最近的地铁站直线距离
距公交站最近距离 街道内中心点到最近的公交站直线距离

1.3　研究方法

1.3.1　路径匹配算法

本文所获取的共享单车数据为每位骑行者的OD数据，均为只包含一个“O”点和“D”点的独立轨迹数据，但自行车在2个间断点间有多条距离相近的通行路径可供选择。为此，需要对共享单车用户的OD轨迹进行还原。首先，运用路径匹配算法对OD间潜在的路径进行求解，并保留潜在路径中出行距离最短的前3条路径；其次，从骑行者角度出发，结合潜在路径的距离、通行时间、通行路段信号灯、交叉口数量以及转弯次数等因素，分析各条候选路径的通行性（王杰 等，2022）；最后，将候选路径通行时间与实际订单时长进行对比，综合各项指标校验，还原骑行者最合适的出行轨迹。

1.3.2　多尺度地理加权回归（MGWR）

由于地理加权回归模型存在各影响因素作用下的空间过程尺度相同的局限性，Fotheringham等（2017）基于广义加性模型提出多尺度地理加权回归。该方法在经典地理加权回归模型基础上，改进了变量间只能选择相同带宽的缺陷，通过对各变量设置不同的带宽，使其呈现不同的尺度特征。每个自变量根据黄金搜索算法选择各自最优带宽进行回归建模，使其结果更接近真实并具有解释力。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：k为街道段的数量； x i j为第j个预测变量； u i , v i为街道段i的质心坐标； β b w j代表第j个变量回归系数的带宽； ε i为随机误差项。采用MGWR 2.2进行模型计算并完成可视化分析。

1.4　技术路线

首先，采用共享单车OD数据、道路网络数据，通过路径匹配算法对用户的OD轨迹进行还原，分析共享单车出行流量的时空变化特征；其次，根据建成环境“5Ds”维度选择变量，利用POI数据、百度街景、道路网络数据等建成环境指标因子，通过空间自相关、多元线性逐步回归模型对变量进行筛选，将满足条件的建成环境指标作为自变量与各时段共享单车路段出行流量进行MGWR模型构建；最后，运用MGWR模型探析不同建成环境要素对各时段共享单车路段出行流量影响的时空差异（图2）。
图2 建成环境对共享单车出行影响的时空特征技术路线

Fig.2 Technical route of spatio-temporal trajectories of built environment's effects of shared bicycles

2 共享单车出行的时空特征

根据还原的共享单车轨迹数据统计可知（图3），首先，一周内共享单车出行频数较为均衡，周四由于天气因素（小雨）影响除外；其次，共享单车在一天内不同时段的使用频数也呈现较为明显的分异特征，即一天内共享单车使用频数最高的时间段为早、晚高峰期。其中，工作日共享单车出行的早晚高峰时间分别为T 07:00―09:00和T 17:00―19:00；而休息日早、晚高峰时间有所延迟，为T 08:00—10:00和18:00―20:00；特别的是，在休息日受外出游玩等因素的影响，在午餐后的T 14:00―16:00形成共享单车出行的次高峰。因此，为了更直观分析共享单车出行的时空分异特征，选取具有代表性的一周内周三、周日早、晚高峰时段进行分析。
图3 各时段共享单车使用频数

Fig.3 The number of shared bikes used in each period

2.1　共享单车出行的分时段特征

图4显示，工作日和休息日早、晚高峰时段内共享单车出行均呈现一定的空间聚集现象，但各时段的热点区域空间分异显著。首先，在城市中心（福田商务中心区）、副中心（科技园、罗湖口岸片区）呈现聚集现象，并在研究区域西侧形成北环大道―科技园―深圳大学―后海的热点轴，中部形成“莲花山―市民中心―会展中心”热点轴以及东侧“人民公园―国贸―深圳站―罗湖口岸”热点轴，在空间上呈现“多核集聚、带状延伸”的空间格局；其次，在工作日早高峰时段，共享单车出行主要聚集于科技园区、蛇口港和市民中心等商务办公区，晚高峰主要聚集于荔林、大新及香蜜湖等以居住为主的区域。已有研究表明，工作日早高峰时段骑行目的地空间分布主要集中于中央商务区，晚高峰则以居住地、公共交通站点片区等为主（高枫 等，2019），这与本研究基本一致。而休息日的早晚高峰时间段内，热点区域主要分布在深圳湾公园、阳基商业广场和来福士广场等休闲区域。
图4 共享单车工作日和休息日早晚高峰路段流量

Fig.4 The traffic flow of shared bicycles during the morning and evening peak hours on rest days and working days

特征日 早高峰 晚高峰

休

息

日

工

作

日

2.2　共享单车出行距离与时长分布

通过对一周内所有样本的出行距离、时长进行统计，得出其概率密度分布和累计分布。由图5-a可知，共享单车出行以短时间通行为主，平均出行时长为14.3 min。出行时长为6~10 min的用户最多，占比为36%，超过83%的骑行者出行时间都在20 min以内。从图5-b可知，共享单车出行以短距离为主，平均出行距离约为1.8 km，出行距离为0.8~1.5 km的用户占比最多（35%），约88%的用户出行距离都在3 km以内。由此可知，居民的共享单车出行具有短距离、短时间特征，且这种出行方式在地铁、公交“最后一公里”接驳方面较为普遍。
图5 共享单车出行时长（a）和距离分布（b）

Fig.5 Duration (a) and distance distribution (b) of shared bicycles

3 建成环境对共享单车出行的影响

3.1　建成环境指标筛选

首先，将建成环境指标因子进行空间自相关分析，结果表明选取的15项变量具有很强的空间自相关性，符合后续模型构建要求。从全局莫兰指数的统计数据看，其中人口密度、接近度、距地铁站最近距离和就业设施密度具有非常强的聚类特征（表2）；其次，以各时段共享单车路段出行流量作为因变量，将15项建成环境指标进行标准化处理后作为自变量，导入SPSS软件进行多元线性逐步回归分析。通过检验，各项自变量的VIF值均＜7.5，说明模型不存在多重共线性问题。由模型回归结果可知（见表2），各项因子的显著性水平在4个时段内存在差异，且部分因子在部分时段并不显著。因此，进一步将各时段表现显著的变量，分别与对应时段的共享单车出行流量一起参与GWR模型及MGWR模型的构建。
表2 建成环境空间自相关与多元线性逐步回归结果

Table 2 Diagnostic results of spatial autocorrelation and multiple linear stepwise regression of built environment

变量 空间自相关 多元线性逐步回归结果
Moran's I Z得分 P值 P值
工作日早高峰 工作日晚高峰 休息日早高峰 休息日晚高峰
人口密度 0.709 115.470 0 0.000** 0.000** 0.000** 0.000**
居住设施密度 0.199 34.747 0 0.000** 0.000** 0.000** 0.000**
就业设施密度 0.350 61.524 0 0.000** 0.000** 0.000** 0.000**
餐饮设施密度 0.224 39.153 0 ― 0.029* ― ―
购物娱乐设施密度 0.301 52.902 0 0.000** 0.000** ― 0.012*
功能混合度 0.198 34.317 0 ― ― 0.006** ―
天空开敞度 0.166 28.924 0 0.006** 0.012* 0.007** 0.011*
街道绿视率 0.172 30.001 0 0.000** 0.000** 0.000** 0.003**
建筑连续程度 0.095 16.636 0 ― 0.000** ― ―
围合度 0.238 41.598 0 0.000** 0.000** 0.000** 0.000**
相对步行宽度 0.178 31.541 0 0.000** 0.000** 0.000** 0.000**
交通安全设施占比 0.097 16.954 0 0.000** 0.000** 0.000** 0.000**
接近度 0.641 111.526 0 ― ― 0.002** 0.000**
距地铁站最近距离 0.390 68.150 0 0.000** 0.000** 0.000** 0.000**
距公交站最近距离 0.164 28.707 0 0.000** 0.000** 0.000** 0.000**

注： *、**分别表示结果在0.05、0.01水平上显著。

3.2　模型对比

对比经典GWR和MGWR模型回归结果（表3）可知：MGWR模型在工作日、休息日各时段的AICc值均低于GWR，同时其模型拟合优度R 2更高，对研究范围内共享单车出行流量变化的解释度平均高达85.2%。此外，GWR模型在各时段对建成环境要素均赋予相同带宽，忽略了变量在不同尺度下的作用程度，从而会对模型回归系数造成一定误差。而MGWR模型在各时段的不同变量均有不同带宽，考虑不同建成环境要素的作用尺度和时空间差异，从而获得更为真实的拟合效果。综上，MGWR模型在解释建成环境对共享单车出行影响的时空变化差异时更为适用，各时段回归模型结果见表4所示。
表3 经典GWR和MGWR模型回归结果

Table 3 Regression results of classical GWR and MGWR models

模型指标 分时段模型结果
工作日早高峰 工作日晚高峰 休息日早高峰 休息日晚高峰
AICc（GWR） 7 801.834 8 201.971 7 358.028 7 885.310
AICc（MGWR） 6 258.909 6 941.230 5 650.909 5 840.774
带宽（GWR） 106 113 107 118
带宽（MGWR） 30~4 692 30~4 692 30~4 676 30~4 692
调整R 2（GWR） 0.778 0.768 0.806 0.794
调整R 2（MGWR） 0.852 0.823 0.867 0.866
表4 MGWR模型回归结果统计

Table 4 Statistics of MGWR model regression results

变量 工作日早高峰 工作日晚高峰 休息日早高峰 休息日晚高峰
带宽 平均值 变量解释度 带宽 平均值 变量解释度 带宽 平均值 变量解释度 带宽 平均值 变量解释度
调整R 2 0.852 0.823 0.867 0.866
人口密度 550 0.121 3 64.68 4 692 0.080 5 100 4 676 0.065 7 100 4 692 0.041 6 100
居住设施密度 266 0.013 5 11.27 166 0.002 8 5.43 472 0.006 6 13.54 479 0.009 5 11.91
就业设施密度 4 692 0.017 3 100 4 692 0.034 6 100 4 676 0.027 5 100 4 692 0.033 6 100
餐饮设施密度 ― ― ― 30 0.007 1 0 ― ― ― ― ― ―
购物娱乐设施密度 1 291 -0.043 9 24. 28 4 692 -0.023 9 70.52 ― ― ― 1 291 -0.038 4 17.03
功能混合度 ― ― ― ― ― ― 72 0.019 1 6.74 ― ― ―
天空开敞度 30 0.060 5 5.71 30 0.055 6 5.43 30 0.039 3 6.78 31 0.051 4 6.07
街道绿视率 266 0.074 1 30.78 167 0.108 6 33.55 2 901 0.092 2 100 3 171 0.072 4 100
建筑连续程度 ― ― ― 1 230 0.079 4 81.29 ― ― ― ― ― ―
围合度 4 692 -0.188 1 100 4 692 -0.265 1 100 4 676 -0.213 5 100 4 692 -0.212 7 100
相对步行宽度 30 -0.082 3 5.20 909 -0.100 7 79.07 1 805 -0.057 3 79.75 31 -0.060 8 5.22
交通安全设施占比 144 0.062 9 16.01 96 0.059 3 10.42 84 0.053 6 11.23 84 0.059 7 8.78
接近度 ― ― ― ― ― ― 30 -0.193 5 13.69 4 692 -0.249 8 100
距地铁站最近距离 35 -0.204 7 26.17 4 692 -0.103 0 100 4 257 -0.082 1 100 30 -0.169 2 21.23
距公交站最近距离 2 911 0.006 7 1.39 2 071 -0.006 7 13.92 2 901 -0.018 5 0 871 -0.052 8 28.11

注：变量解释度表示具有解释变量的显著系数（P≤0.05）占总样本量的百分比。

3.3　建成环境对共享单车出行影响的时空差异

3.3.1　建成环境对单车出行影响的时间差异

进一步对表4所列回归结果进行解析，并将部分具有连续时段变化特征的因子回归结果整理后绘制成随时段变化的箱线图，同时绘制各变量回归系数均值线与显著性程度变化线（图6）。可见在划分的工作日及休息日早、晚高峰4个时间段内，各项建成环境因子在不同时段出现变量影响力和解释度间的差异。从建成环境的“5Ds”维度进行解析：
图6 建成环境要素的回归系数及变量解释度变化趋势

Fig.6 The trend of regression coefficients and variable interpretation of built environment factors

1）密度
人口密度、居住与就业设施密度在各时段对出行流量整体均具有正向作用，但居住设施密度的解释度不高（5.43%~13.54%）。一方面可见人群的相对聚集、“居住地-工作地”的职住设施密度分布有利于促进居民的早晚高峰骑行选择与出行活动（Gao et al., 2021；黄沣爵 等，2023），另一方面居住设施密度在建成区内部整体分布的相对均等性也可能导致该类设施的影响力具有明显的局部效应；购物娱乐设施密度对出行流量整体具有负向作用，且在工作日晚高峰具有较高的解释度（70.52%）。这可能是由于居民购物消费、娱乐等行为在早晚高峰时段的“流出状态”，导致该类设施难以有效吸引以通勤为目的的骑行聚集。
2）多样性
功能混合度在休息日的早高峰对出行流量整体具有正向作用，但整体解释度极低（6.74%）。该结果证实已有研究认为的街道设施多样性促进居民骑行行为这一观点（黄沣爵 等，2023），同时也可能由于福田、罗湖和南山三区作为深圳市行政、经济及居住中心，其商务办公、休闲娱乐、购物等设施的广泛分布，导致街道两侧的设施多样性整体差异不大。
3）设计
出行空间舒适性方面，天空开敞度对出行流量具有正向作用，但整体解释度极低（5.43%~6.78%），这可能由于研究区域的高密度建设特征，导致该促进效果的低解释性；街道绿视率在各时段对出行流量具有正向作用，且在休息日的解释度更高。这表明街道内舒适的景观环境构成有利于吸引居民骑行行为的聚集（古维迎 等，2022），且该促进效应在休息日更为普遍；建筑连续程度在工作日晚高峰对出行流量具有正向作用，可见街道两侧连续的界面构成有助于居民的日常骑行活动；围合度在各时段均具有负向作用，表明街道各类设施的密集布置反而会抑制居民的出行选择。
出行环境安全性方面，相对步行宽度在工作日晚高峰、休息日早高峰对出行流量具有负向作用，且变量解释度相对较高（79.07%~79.75%）。虽然已有研究证实适宜的步行宽度更易促进街道内慢行行为的发生（司睿 等，2021），但对于通勤行为来说，以机动车道为主的街道空间更适合承载早晚高峰居民出行选择；交通安全设施占比在早晚高峰对出行流量整体具有正向作用，但整体解释度极低（8.78%~16.01%）。这表明街道内安全舒适的空间庇护环境在一定程度上吸引通勤时段下出行车流的聚集，但街道安全设施沿高等级路段相对聚集则限制了该正向作用的大范围辐射。
4）目的地可达性
已有研究认为，良好的街道通达性有利于步行可达范围内居民的出行选择与活动（司睿 等，2021）。但在本研究中，接近度在休息日晚高峰对出行流量整体具有较为强烈的负向作用，这可能由于休息日居民出行多以城市近郊的户外休闲活动为主，从而导致高路网可达的街道反而并不具有高频的出行流量。
5）距离
距地铁站最近距离在各时段对出行流量整体具有强烈的负向作用，但在工作日早晚高峰及休息日晚高峰的解释度不高（21.23%~26.17%）。该结果验证了地铁站点临近性对共享单车出行的正向促进这一观点（严亚磊 等，2020）。但基于中心便利性原则的地铁站点布置则导致该影响效果的局部差异；距公交站最近距离对早晚高峰出行流量整体均具有负向作用，但变量解释度整体极低（0~28.11%）。一方面说明深圳市内公交站点的空间临近性引起共享单车出行行为的聚集（郭源园 等，2023），另一方面也可能由于深圳市中心城区交通站点的相对均衡布局导致其差异不大。

3.3.2　建成环境对单车出行影响的空间差异

在空间作用尺度上（见表4），MGWR通过计算各变量最优带宽反映不同变量影响力变化的空间分异格局。在本研究中，不同变量在各时段的最优带宽差异明显，即各变量的影响力存在差异化的空间分布特征。如就业设施密度、围合度及接近度的作用尺度为4 676~4 692，占街道段总样本量的100%，是全局变量，其影响力在空间上变化最为稳定，基本不存在空间异质性。而街道绿视率在工作日的作用尺度为167~266，占总样本量的3.56%~5.67%，则存在较大的空间异质性。因此，为描述各指标影响效应的空间差异，用ArcGIS 10.8对各时段变量解释度较高的部分因子进行系数可视化。其中部分变量空间格局如图7所示。
图7 部分建成环境回归系数的空间分布

Fig.7 Spatial distribution of regression coefficients of partially built environment

各变量的影响力差异表现为：就业设施密度在工作日晚高峰及休息日早高峰变化平缓且整体由东向西梯度递增，高值区域聚集于南山区西侧。休息日晚高峰整体由西向东递增，高值区域转向罗湖区东侧；围合度在工作日早晚高峰及休息日早高峰变化平缓且整体呈西高东低分布，高值区域集中于深圳湾沿岸。休息日晚高峰整体由两侧向中心递增，高值区域多集中于福田区；接近度在休息日晚高峰变化平缓且整体呈西高东低分布，高值区域聚集于深圳湾沿岸；购物娱乐设施密度在工作日晚高峰整体由福田区西侧向南山区递增，其高值区域聚集于前海沿岸；距地铁站最近距离在工作日晚高峰及休息日早高峰变化平缓且整体呈西低东高分布，高值区域多聚集于福田西侧及罗湖区；建筑连续程度在工作日早晚高峰变化较为明显且整体由两侧向中心递增，高值区域多聚集于福田区；相对步行宽度在工作日晚高峰变化较为明显且多分布在3个区的南部，高值区域聚集于南山及福田的城市中心。休息日早高峰呈西低东高分布，高值区域聚集于福田区；人口密度在工作日早高峰变化明显且局部聚集于南山大学城及蛇口片区、福田区等地，其中高值区域多聚集于福田。工作日晚高峰及休息日早晚高峰整体变化趋于平缓且高值区域随时段变化由罗湖区向南山区转移；街道绿视率在工作日变化明显且局部聚集于莲花山公园、荔枝公园、香蜜湖等自然景观区域。休息日整体变化趋于平缓且呈西低东高分布，高值区域多聚集于罗湖区。

4 结论

本文采用共享单车出行OD数据、OSM道路数据、百度街景及POI等多源大数据，选取深圳市福田、罗湖、南山3个市辖区作为研究区域，运用MGWR模型探析不同建成环境对共享单车出行流量影响的时空差异，主要结论为：
1）共享单车出行的时空分布异质性明显。从时间上看，共享单车在一天内不同时段的使用频数不同，使用频数最高的时间段为早、晚高峰。其中工作日早、晚高峰时段分别为T 07:00―09:00和17:00―19:00，休息日早、晚高峰为T 08:00―10:00和18:00―20:00；从空间上看，工作日和休息日早、晚高峰时段内共享单车出行的热点区域多聚集于城市中心、副中心，并在空间上呈“多核集聚、带状延伸”的分异格局。此外，共享单车出行以短时间、短距离为主，平均出行时长为14.3 min，平均出行距离约为1.8 km；
2）各变量对共享单车出行流量的影响的时间差异明显。人口密度、就业设施密度与街道绿视率在各时段均具有正向作用，围合度在各时段具有负向作用，其中街道绿视率在工作日早晚高峰的影响力具有局部效应；工作日晚高峰时段，购物娱乐设施密度具有负向作用，而建筑连续程度具有正向作用；工作日晚高峰及休息日早高峰时段，相对步行宽度与距地铁站最近距离均具有负向作用；接近度在休息日晚高峰具有负向作用。
3）各时段影响较为显著的变量在空间作用尺度差异明显。就业设施密度与围合度在各时段上的空间变化整体平缓；接近度、购物设施密度及距地铁站最近距离在部分时段上的空间变化整体平缓；建筑连续程度和相对步行宽度在部分时段的空间变化整体较为明显；人口密度及街道绿视率在不同时段具有差异化的空间变化特征。其中，人口密度在工作日早高峰变化明显且呈局部聚集，而在工作日晚高峰及休息日早晚高峰变化平缓。街道绿视率在工作日变化明显且呈局部集聚，而在休息日整体变化较为平缓。
针对上述分析，为优化城市友好骑行环境、重塑城市慢行交通，可从3个方面着力：①合理布局及增加地铁、公交站点，实现居民出行的高效接驳、便捷换乘，建设连续成网、便捷接驳、环境友好的骑行环境；②结合城市更新进行街道空间改造，有条件地区可增加非机动车交通空间，并注重街道绿视率、围合度等街道微观环境营造；③可适当对城市主要交通干道交叉口、隔离栏进行改造，如增加非机动车专用信号灯、待转区等，保障骑行的安全性与通畅性。
本文基于共享单车出行OD等多源数据，对其出行轨迹进行还原，分析工作日、休息日多时段长时间序列下共享单车出行的时空特征，并在已有客观物质空间环境变量的基础上引入人群主观感知与体验维度的微观建成环境因子，运用MGWR模型探析不同建成环境对共享单车出行流量影响的时空差异，弥补已有关于共享单车出行时空特征及建成环境影响研究的不足，可为城市友好骑行环境的建设、慢行空间打造提供参考。但由于数据获取的限制，本研究也存在一定不足，如未考虑共享单车用户群体的社会经济属性、人群真实的主观感知与体验等，未来可在此框架基础上进一步丰富建成环境因子的多维性，结合共享单车用户的社会经济属性与行为特征，更深入地研究共享单车出行与建成环境的关系。

脚注

1 www.openstreetmap.org

2 http://lbsyun.baidu.com

项振海、李青、盛杰：数据收集、处理，模型构建，论文撰写与修改；

洪 良：数据收集，整体构架和理论梳理；

班鹏飞：课题基金支持，论文讨论与修改。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Cervero Rodert and Kockelman Kara. 1997. Travel Demand and the 3Ds: Density, Diversity, and Design. Transportation Research Part D: Transport and Environment, 2(3): 199-219.

Cervero Robert. 2002. Built Environments and Mode Choice: Toward a Normative Framework. Transportation Research (Part D: Transport & Environment), 7(4): 265-284.

Chen Zheyan, Van Lieropdea, and Ettema Dick. 2020. Dockless Bike-Sharing Systems: What Are The Implications? Transport Reviews, 40(3): 333-353.

曹小曙，罗依. 2020. 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），59（1）：77-85.

Cao Xiaoshu and Luo Yi. 2020. The Relationship between Urban Built Environment and Shared Bicycle Configuration in Chinese Mainland. Journal of Sun Yat-sen University(Natural Science Edition), 59(1): 77-85.

Fishman Elliot, Washington Simon, and Haworth Narelle. 2013. Bike Share: A Synthesis of the Literature. Transport Reviews, 33(2): 148-165.

Fotheringham Stewart, Yang Wenbai, and Wei Kang. 2017. Multiscale Geographically Weighted Regression (MGWR). Annals of the American Association of Geographers, 107(6): 1247-1265.

高枫，李少英，吴志峰，吕帝江，黄冠平，刘小平. 2019. 广州市主城区共享单车骑行目的地时空特征与影响因素. 地理研究，38（12）：2859-2872.

Gao Feng, Li Shaoying, Wu Zhifeng, Lyu Dijiang, Huang Guanping, and Liu Xiaoping. 2019. Spatial-Temporal Characteristics and Influencing Factors of Shared Bicycle Cycling Destinations in the Main Urban Area of Guangzhou. Geographical Research, 38(12): 2859-2872.

Gao Feng, Li Shaoying, Tan Zhangzhi, Wu Zhifeng, Zhang Xiaoming, Huang Guanping, and Liu Xiaoping. 2021. Understanding the Modifiable Areal Unit Problem in Dockless Bike Sharing Usage and Exploring the Interactive Effects of Built Environment Factors. International Journal of Geographical Information Science, 35(9): 1905-1925.

Guo Yuanyuan, Yang Linchuan, and Chen Yang. 2022. Bike Share Usage and the Built Environment: A Review. Frontiers in Public Health, 10: 848169.

古维迎，范婉怡，陈义勇. 2022. 深圳城市街景绿化对共享单车使用的影响研究. 现代城市研究，（8）：59-63.

Gu Weiying, Fan Wanyi, and Chen Yiyong. 2022. Study on the Impact of Urban Street Landscape Greening on the Use of Sharing Bikes in Shenzhen. Modern Urban Research, (8): 59-63.

郭源园，吴磊，曾鹏. 2023. 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. 热带地理，43（5）：872-884.

Guo Yuanyuan, Wu Lei, and Zeng Peng. 2023. Spatial Heterogeneity of the Built Environment Effect on the Use of a Bike Share Metro Commute in a Metropolitan Area: A Case Study of Shenzhen. Tropical Geography, 43(5): 872-884.

黄沣爵，汤俊卿，林华丽，韩颂，赵鹏军. 2023. 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. 地理研究，42（9）：2405-2418.

Huang Fengjue, Tang Junqing, Lin Huali, Han Song, and Zhao Pengjun. 2023 Research on the Influence of Urban Built Environment on the Spatial Distribution of Shared Bicycles Based on Multi-Scale Geographically Weighted Regression Model. Geographical Research, 42(9): 2405-2418.

黄颙昊，杨新苗，岳锦涛. 2022. 基于多尺度地理加权回归模型的城市道路骑行流量分析. 清华大学学报（自然科学版），62（7）：1132-1141.

Huang Yonghao, Yang Xinmiao, and Yue Jintao. 2022. Urban Street Bicycle Flow Analysis Based on Multi-Scale Geographically Weighted Regression Model. Journal of Tsinghua University(Science and Technology), 62(7): 1132-1141.

罗桑扎西，甄峰，尹秋怡. 2018. 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，38（3）：332-341.

Luo Sang Tashi, Zhen Feng, and Yin Qiuyi. 2018. Research on the Relationship between Urban Public Bicycle Use and Built Environment: A Case Study of Qiaobei Area of Nanjing. Scientia Geographica, 38(3): 332-341.

Munshi Talat. 2016. Built Environment and Mode Choice Relationship for Commute Travel in the City of Rajkot, India. Transportation Research Part D: Transport and Environment, 44: 239-253.

莫海彤，魏宗财，翟青. 2019. 老城区共享单车出行特征及影响因素研究——以广州为例. 南方建筑，（1）：7-12.

Mo Haitong, Wei Zongcai, and Zhai Qing. 2019. Travel Behaviors and Influencing Factors of Bike Sharing in Old Town: The Case of Guangzhou. South Architecture, (1): 7-12.

Meng Sian and Zacharias John. 2021. Street Morphology and Travel by Dockless Shared Bicycles in Beijing, China. International journal of Sustainable Transportation, 15(10): 788-798.

Rixey R Alexander 2013. Station-Level forecasting of Bikesharing Ridership: Station Network Effects in Three US Systems. Transportation Research Record: Journal of the Transportation Research Board, 2387(1): 46-55.

孙艺玲，仝德，曹超. 2018. 城市建成环境对公共自行车使用的影响机制研究——以深圳市南山区为例. 北京大学学报（自然科学版），54（6）：1325-1331．

Sun Yilin, Tong De, and Cao Chao. 2018. How Urban Built Environment Affects the Use of Public Bicycles: A Case Study of Nanshan District of Shenzhen. Acta Scientiarum Naturalium Universitatis Pekinensis, 54(6): 1325-1331.

申犁帆，王烨，张纯，姜冬瑞，李赫. 2018. 轨道站点合理步行可达范围建成环境与轨道通勤的关系研究——以北京市44个轨道站点为例. 地理学报，73（12）：2423-2439.

Shen Lifan, Wang Ye, Zhang Chun, Jiang Dongrui, and Li He. 2018. Research on the Relationship between Built Environment and Rail Commuting within Reasonable Walking Distance of Rail Stations: A Case Study of 44 Rail Stations in Beijing. Acta Geographica Sinica, 73(12): 2423-2439.

司睿，林姚宇，肖作鹏，叶宇. 2021. 基于街景数据的建成环境与街道活力时空分析——以深圳福田区为例. 地理科学，41（9）：1536-1545.

Si Rui, Lin Yaoyu, Xiao Zuopeng, and Ye Yu. 2021. Spatial-Temporal Analysis of Built Environment and Street Vitality Based on Street Scene Data: A Case Study of Futian District, Shenzhen. Scientia Geographica, 41(9): 1536-1545.

邵海雁，靳诚，钟业喜，毛炜圣，杨艳. 2023. 共享单车起讫点与城市微观土地利用格局的空间关联——基于厦门岛的POI大数据. 经济地理，43（3）：109-119，161.

Shao Haiyan, Jin Cheng, Zhong Yexi, Mao Weisheng, and Yang Yan. 2023. Spatial Correlation between the Origin and Destination of Bike-Sharing and Land Use Pattern in Xiamen Island Based on POI Data. Economic Geography, 43(3): 109-119, 161.

Tang Yang, Pan Haixiao, and Fei Yibo. 2017. Research on Users' Frequency of Ride in Shanghai Minhang Bike-Sharing System. Transportation Research Procedia, 25: 4983-4991.

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

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

王娜，吴健生，李胜，王宏亮，彭子凤. 2021. 基于多源数据的城市活力空间特征及建成环境对其影响机制研究——以深圳市为例. 热带地理，41（6）：1280-1291.

Wang Na, Wu Jiansheng, Li Sheng, Wang Hongliang, and Peng Zifeng. 2021. Spatial Features of Urban Vitality and the Impact of Built Environment on Them Based on Multi-Source Data: A Case Study of Shenzhen. Tropical Geography, 41(6): 1280-1291.

王杰，范晓武，何逸昕，陶峰. 2022. 基于车牌自动识别数据的车辆OD轨迹还原. 计算机系统应用，31（7）：247-252.

Wang Jie, Fan Xiaowu, He Yixin, and Tao Feng. 2022. Vehicle OD Trajectory Recovery Based on Automatic License Plate Recognition Data. Computer System Application, 31(7): 247-252.

严亚磊，于涛，沈丽珍. 2020. 共享单车出行的建成环境影响机制——以上海市为例. 上海城市规划，（6）：85-91.

Yan Yalei, Yu Tao, and Shen Lizhen. 2020. The Impact Mechanism of Built Environment on Shared Bikes Travel: A Case Study of Shanghai. Shanghai Urban Planning Review, (6): 85-91.

杨林川，喻冰洁，梁源，赵桂林. 2023. 多源大数据支持下的共享单车出行与空间品质耦合研究. 西部人居环境学刊，38（4）：47-54.

Yang Linchuan, Yu Bingjie, Liang Yuan, and Zhao Guilin. 2023. Research on Coupling of Shared Bicycle Travel and Spatial Quality Supported by Multi-Source Big Data. Western Journal of Human Settlements and Environment, 38(4): 47-54.

周艳，邵海雁，靳诚. 2023. 基于大数据的厦门岛建成环境对共享单车起讫点分布的影响. 南京师大学报（自然科学版），[2023-09-13]. [Zhou Yan, Shao Haiyan, and Jin Cheng. 2023. Influence of Built Environment of Xiamen Island on the Distribution of Starting Points of Shared Bicycles Based on Big Data. Journal of Nanjing Normal University(Natural Science Edition)[2023-09-13]. https://link.cnki.net/urlid/32.1239.N.20230912.1719.004.

Options
文章导航

/

〈 〉