劉曉杰 吉淑娟 王元慶 周 榮

(長安大學公路學院 西安 710064)

0 引 言

目前西安市有兩種類型的公共自行車，一類是由政府補貼和運營的有樁公共自行，另一類由私企經(jīng)營的無樁共享單車.有樁公共自行車存在還車時間限制，還車點固定等問題.無樁共享單車能夠很好地解決該問題，但仍然存在一些問題制約著共享單車的發(fā)展，如使用率及周轉率較低等問題[1-2].

目前關于公共自行車的研究，均集中在公共自行車用戶的騎行特征及設施建設方面[3-10]，研究周轉率也只是定性分析其特征[11-13].Buck等[14]將研究集中于分析城市建成環(huán)境、土地利用、公共交通、天氣、出行時間等因素對公共自行車的影響.國內(nèi)學者郭素萍等[15]主要研究了公共自行車的時空特性與租賃點布局規(guī)劃.馬書紅等[16]研究認為共享單車與公共自行車可以實現(xiàn)互補，以此促進城市居民出行更加便捷、舒適.鄧力凡等[17]則研究了共享單車下的設施規(guī)劃研究，以促進城市設施優(yōu)化布局，并簡單分析了共享單車的統(tǒng)計屬性.文獻[11]認為公共自行車周轉率是指在單位時間內(nèi)單個自行車平均被借出的次數(shù)，即單位時間公共自行車借出次數(shù)與初始時刻自行車數(shù)量的比值.劉冬旭等[18]將租/還車周轉率分別定義為服務點在時間段下的自行車租/還量與該服務點的停車能力(鎖樁數(shù)或者電子圍欄設計容量)的比值.毛小燕等[19]提出公共自行車日周轉率概念，即第i網(wǎng)點在該天內(nèi)的租車次數(shù)與網(wǎng)點樁位數(shù)的比值.潘雪等[20]通過對公交站點、商業(yè)點、居住點的公共自行車周轉率分析，發(fā)現(xiàn)公家站點周轉率明顯高于商業(yè)點和居住點.

本文以西安市共享單車的使用數(shù)據(jù)為例，從小區(qū)層面研究人口密度，用地性質，小汽車保有量，小區(qū)交叉口密度與線網(wǎng)密度對周轉率的影響，為城市自行車需求量估算提供需考慮的影響因素，建立與城市用地性質與路網(wǎng)特征相適應的自行車系統(tǒng).

1 方 法

1.1 數(shù)據(jù)收集

本文以西安市市轄區(qū)建成區(qū)三環(huán)以內(nèi)范圍為研究對象，該區(qū)域交通網(wǎng)絡發(fā)達，人口居住密集，商業(yè)集中.其城市發(fā)展主要指標見表1.

本次共享單車數(shù)據(jù)來源于網(wǎng)絡爬蟲，主要爬取2017年10月31日西安市三環(huán)內(nèi)的全天數(shù)據(jù).每小時采集一次，共采集347 250條數(shù)據(jù)；其中，數(shù)據(jù)字段包含單車Id、經(jīng)緯度坐標(lng，lat)、采集時刻(datetime)和采集次數(shù)(timenumber)，見表2.

表2 共享單車GPS數(shù)據(jù)序列

本次小區(qū)劃分參考由長安大學BRT研究中心建立的西安綜合交通模型[21]，參考行政邊界、天然屏障、社會經(jīng)濟、用地類型等因素將西安市劃分為 900個交通小區(qū)，其中三環(huán)以內(nèi)有600個交通小區(qū)，社會經(jīng)濟屬性主要包括各小區(qū)的常住人口、流動人口、學生數(shù)、服務崗位、其他崗位、總崗位數(shù)；用地性質主要包含居住、辦公、商業(yè)、教育、醫(yī)療等屬性.

1.2 數(shù)據(jù)處理

共享單車數(shù)據(jù)存在一些干擾和噪聲；為了保證數(shù)據(jù)的精準度和分析結果的可靠性，在進行數(shù)據(jù)分析前需要對采集數(shù)據(jù)進行清洗，剔除干擾.根據(jù)數(shù)據(jù)采集的方式與分析目的，擬對數(shù)據(jù)做如下清洗：

1) 同一時刻采集的數(shù)據(jù)，共享單車Id不重復，即單車的唯一性.根據(jù)Id、TimeNumber兩個字段刪除重復值只保留一個值.

2) 所有采集時刻，單車出現(xiàn)不止一次，即單車出現(xiàn)的反復性.利用Excel數(shù)據(jù)透視表中的Id字段，剔除所有只出現(xiàn)一次的共享單車；清洗結果見表3.

表3 數(shù)據(jù)清洗結果

注：占比是指該次清洗方法剔除的數(shù)據(jù)量與未剔除時的數(shù)據(jù)量的比值

1.3 變量定義

在數(shù)據(jù)清洗的基礎上，利用Id字段刪除重復值，得到該調查時間段初始時刻的共享單車數(shù)量N，利用Id與lng，lat字段，剔除共享單車全天內(nèi)未移動過的數(shù)據(jù)，得到共享單車的使用次數(shù)n.根據(jù)停車周轉率定義共享單車周轉率的概念，將共享單車周轉率T定義為在一定時間內(nèi)，研究區(qū)域內(nèi)共享單車使用量與共享單車總量之比.

(1)

式中：n為小區(qū)范圍內(nèi)共享單車的使用次數(shù)；N為初始時刻單車數(shù)量.

但是該周轉率指標不具有代表性，表現(xiàn)為面積越大周轉率越大，因此,引入單位周轉率指標Ta，計算公式為

(2)

式中：S為小區(qū)的面積.

路網(wǎng)密度可能對共享單車周轉率產(chǎn)生影響.研究采用的西安市路網(wǎng)來自OpenStreetMap(免費開源的地圖服務網(wǎng)站).使用ArcGIS標識工具將路網(wǎng)在小區(qū)邊界處打斷并生成了一個含有小區(qū)屬性的新圖層，用“計算幾何”功能計算各路段的長度，然后用“匯總”工具計算各小區(qū)內(nèi)路段總長度L；利用公式計算小區(qū)路網(wǎng)密度RD:

(3)

小區(qū)交叉口密度也可能對人們使用共享單車產(chǎn)生影響，通過ArcGIS中的“要素折點轉點”工具在路網(wǎng)折點處生成要素點，然后將其與路網(wǎng)空間連接得到各點相交的線的個數(shù)，剔除相交線段少于2的點，其他點視為交叉口點，從而得到交叉口數(shù)量NI；利用式(4)計算小區(qū)內(nèi)交叉口密度ID：

(4)

各小區(qū)用地性質比例為小區(qū)的各屬性面積與小區(qū)總面積的比值：

(5)

式中：Lui為各小區(qū)用地性質比例；si為小區(qū)各用地屬性的面積(1為居住，2為辦公，3為商業(yè)，4為教育，5為醫(yī)療).

1.4 Tobit回歸模型

Tobit回歸用于解釋小區(qū)路網(wǎng)密度、交叉口密度以及用地屬性等因素對小區(qū)共享單車周轉率的影響.Tobit模型假設存在潛在變量y*i，該變量通過參數(shù)β線性地依賴于xi，這決定了自變量xi和潛在變量y*i之間在線性模型中的關系.此外，還有一個正態(tài)分布的誤差項ui來捕獲對這種關系的隨機影響.每當潛在變量高于零時，可觀察變量yi被定義為等于潛在變量，否則被定義為零.當因變量服從斷尾的正態(tài)分布，Tobit模型更適用.

(6)

式中：y*i為潛在變量.

y*i=βxi+ui,ui～N(0,σ2)

(7)

在本項研究中，周轉率為因變量y*i，自變量xi主要包括賓館流動人口密度，常住人口密度，服務行業(yè)人口密度，學生人口密度，汽車保有量密度，單車密度，交叉口密度，用地性質等.

2 結 果

2.1 描述統(tǒng)計

各小區(qū)初始時刻觀測到的單車數(shù)量分布見圖1，三環(huán)內(nèi)各小區(qū)單車平均數(shù)量為353輛，最少為12輛，最大為1 311輛.三環(huán)南部單車數(shù)量明顯高于其他區(qū)域，單車數(shù)量分布體現(xiàn)明顯的空間不均衡性；圖2為各小區(qū)周轉率分布情況，在觀測的24小時各小區(qū)單車使用次數(shù)平均約為426次/km2，最少為6次/km2，最大為1 766次/km2.各小區(qū)平均周轉率為2.95/km2，在觀測時段內(nèi)，由于小區(qū)區(qū)域較大，停放的單車數(shù)量較小,部分小區(qū)單車周轉率為0.企業(yè)更愿意將共享單車投放在人口比較密集、活動比較頻繁的小區(qū)、地鐵站口以及大型商場附近，盲目投放，惡性競爭，造成資源浪.

圖1 各小區(qū)初始時刻單車分布

圖2 各小區(qū)周轉率分布

圖3為各小區(qū)的周轉率直方圖.小區(qū)單車的使用周轉率主要集中在每輛單車被使用1～3次/km2.而且可以看出周轉率并不服從正態(tài)分布.對周轉率進行平方根，log以及平方根的倒數(shù)轉換后，利用stata13.0進行卡方檢驗.由于數(shù)據(jù)本身特點，三個方式轉換后，平方根以及平方根的倒數(shù)出現(xiàn)斷尾的正態(tài)分布形態(tài)，但是log轉換是較為完整的正態(tài)分布.因此對lg轉換后的因變量進行多元線性回歸，對平方根及平方根的倒數(shù)的因變量進行Tobit模型回歸.

圖3 小區(qū)周轉率

此外，三環(huán)內(nèi)有28個小區(qū)交叉口數(shù)量為0，主要是由于郊區(qū)路網(wǎng)比較稀疏，小區(qū)劃分的比較??；不同小區(qū)的用地性質不同，導致一些小區(qū)的經(jīng)濟社會屬性的最小值為0；居住、辦公、商業(yè)、教育這些用地屬性面積占比最小值和最大值均為0和1，均值分別為0.68、0.03、0.16、0.1.醫(yī)療屬性占比最小值為0，最大值為0.75，均值為0.02，具體情況見表4.

2.2 模型回歸結果

表5為對周轉率開方后，對數(shù)據(jù)進行Tobit模型回歸的結果，表6為對周轉率進行l(wèi)og變換后，對數(shù)據(jù)進行多元線性回歸的結果.對周轉率進行平方根倒數(shù)轉化后進行Tobit回歸結果不顯著.Tobit模型與多元回歸模型擬合效果結果較好，Tobit模型的偽R2為0.634 9，表明自變量的選擇可以顯著地解釋63.49%周轉率的變化，多元回歸模型調整R2為0.786 2，表明自變量的選擇可以顯著地解釋78.62%周轉率的變化.多元回歸模型的參數(shù)能直觀地反應變量變化1單位，周轉率的變化百分比，該模型中為變化的值為各變量估計的系數(shù).以多元回歸模型解釋為例.

兩模型結果顯示，常住人口密度，賓館流動人口，汽車保有量密度，單車密度，學生密度，服務行業(yè)人口密度，交叉口密度以及教育用地所占比例都顯著地增加小區(qū)周轉率.隨著小區(qū)常駐人口密度和賓館流動人數(shù)的增加，小區(qū)單車周轉率增加.但賓館流動人口密度對小區(qū)周轉率的增加效應大于常駐人口密度.可能是由于常駐人員擁有私人自行車的比例較大，更喜歡使用自家的自行車出行.換乘會增加公共自行車的使用，因此當需要換乘時，共享單車會比私人自行車更加方便，因此常駐人口密度的增加同樣會增加共享單車周轉率.

表5 周轉率開方_Tobit模型參數(shù)估計

注：表中所列變量均為變量系數(shù)顯著性小于0.1的變量

表6 周轉率log_多元回歸模型參數(shù)估計

注：表中所列變量均為變量系數(shù)顯著性檢驗P值小于0.1的變量.

小區(qū)內(nèi)學生人口密度以及服務行業(yè)人口密度的增加，同樣會提高小區(qū)內(nèi)共享單車的周轉率.兩者對共享單車周轉率的影響大致相似.高校大學生使用共享單車出于對新鮮事物的好奇心理，以及大學生相對時間較為自由.在校園內(nèi)騎行距離較短，單次使用自行車時間較短，因此大學生密度較高的區(qū)域單車周轉率較高.

汽車保有量密度的增加，會導致小區(qū)內(nèi)單車周轉率的增加.交通小區(qū)內(nèi)汽車保有量越高，則造成小區(qū)內(nèi)路網(wǎng)擁堵的可能也會增加，路段的擁堵導致非機動車騎行次數(shù)的增加，部分人群會轉為自行車出行.而且Moudon等[22]研究發(fā)現(xiàn)家庭中的汽車保有量的增加會增加人們選擇自行車出行的比例，即會增加自行車出行的分擔率.

將共享單車的密度分為類別變量，單車密度符合劃分的相應密度區(qū)間時為1，否則為0.將單車密度類別變量鍵入模型中，結果顯示，在小區(qū)內(nèi)單車密度0～2.3百輛/km2時，單車密度的增加，會降低共享單車的周轉率.這可能是因為當單車密度較小時，人們找到車的概率較小，而且由于單車分布稀疏，步行找單車的距離會增加，這會導致人們不情愿使用單車，從而降低單車的使用率.在小區(qū)內(nèi)單車密度大于2.3百輛/km2時，單車密度的增加會提高單車周轉率.單車密度增加，人們在步行較少的距離可以找到可用的單車，會增加人們使用單車的需求.在小區(qū)單車密度小于3.0百輛/km2時，隨著單車密度的增加，單車周轉率的變化速度在加快.單車密度在1.6～2.3百輛/km2時對周轉率的降低程度低于單車密度<1.6百輛/km2.當單車密度大于3.4百輛/km2時，周轉率會降低,單車密度不是越大越能提升單車周轉率.

交叉口密度的增加會增加周轉率.研究表明自行車騎行者較不情愿在交叉口多的路徑上騎行.因此在交叉口密度高的區(qū)域，人們會減少騎行距離，那么使用時間減少，則單車被再次使用會增加.研究好發(fā)現(xiàn)教育用地面積比例的增加會提高周轉率.隨著教育用地面積比例的增加，其他用地性質面積比例減少，則該區(qū)域學生人數(shù)會增加，間接地增加的單車時使用次數(shù).

3 結束語

本文利用網(wǎng)絡爬取的西安市三環(huán)內(nèi)的某天共享單車數(shù)據(jù)，研究影響單車周轉率的顯著性因素.研究結果顯示隨著小區(qū)常駐人口密度和賓館流動人數(shù)的增加，小區(qū)單車周轉率增加，賓館流動人口密度對周轉率的增加程度大于常駐人口密度的影響.汽車保有量密度較大，且交叉口密度較高的區(qū)域，共享單車的周轉率也會顯著地增加.在學生人口密度較大以及教育用地性質面積比例較大的區(qū)域，同樣可以顯著增加單車周轉率.共享單車的密度會顯著增加單車的周轉率，當單車密度2.3～3.0百輛/km2時，對周轉率的提升效果最佳.當單車密度大于3.4百輛/km2，會降低單車周轉率.