曹敬浛, 田 曠, 曹會(huì)通, 宋丹丹, 和龍祥

(1.北京市智慧交通發(fā)展中心, 北京 100073;2.綜合交通運(yùn)行監(jiān)測與服務(wù)北京市重點(diǎn)實(shí)驗(yàn)室, 北京 100073;3.北京市交通綜合治理中心, 北京 100073;4.北京工業(yè)大學(xué) 城市建設(shè)學(xué)部, 北京 100124)

0 引言

近年來,機(jī)動(dòng)化水平在不斷增加,交通擁堵、空氣污染等問題日益嚴(yán)重,綠色交通、低碳出行等城市發(fā)展理念逐漸興起. 在此背景下,依托于移動(dòng)互聯(lián)網(wǎng)和共享經(jīng)濟(jì)的共享單車應(yīng)運(yùn)而生. 共享單車憑借其方便靈活、低碳環(huán)保、可達(dá)性強(qiáng)等優(yōu)點(diǎn)在接駁公共交通,解決城市“最后1 km”的問題上擁有很大的優(yōu)勢(shì),滿足了軌道交通和地面公共交通均無法滿足的端末交通需求. 但是城市空間內(nèi)共享單車規(guī)模的擴(kuò)大、騎行以及停放需求時(shí)空分布的顯著差異給城市交通管理帶來了巨大挑戰(zhàn),單車淤積問題成為現(xiàn)階段共享單車監(jiān)管治理的重要問題. 究其原因,主要是調(diào)度不及時(shí)、不合理,單車騎行和停放需求的不平衡等問題. 因此,開展共享單車騎行量的研究對(duì)于單車科學(xué)化、動(dòng)態(tài)化的調(diào)度具有重要意義.

共享單車出行是我國特色的交通出行方式,故相關(guān)研究多由我國學(xué)者開展,內(nèi)容上多聚焦于共享單車的出行需求預(yù)測和時(shí)空出行方式分析等方面的研究. 劉路美[1]以美國紐約市有樁公共自行車為研究對(duì)象,結(jié)合出行數(shù)據(jù)從出行者的性別、年齡、出行時(shí)段等方面對(duì)影響出行需求的主觀和客觀因素分別進(jìn)行了分析,得出不同因素下的出行特征情況,并以此作為出行預(yù)測的基礎(chǔ). 張穎[2]通過多源數(shù)據(jù)的特征挖掘,確定了時(shí)間因素、天氣因素、區(qū)位因素、使用因素4個(gè)角度的軌道站點(diǎn)周邊共享單車騎行影響因素,并運(yùn)用回歸分析的方法確定了騎行量的正向和負(fù)向影響因素. 此外,文獻(xiàn)[3-5]也是基于出行數(shù)據(jù)分析了單車的使用特性和影響因素,并以此作為出行預(yù)測模型中要素選擇的依據(jù),但并未針對(duì)影響因素開展量化的相關(guān)性分析. 晏鵬宇[6]運(yùn)用主成分分析法分析了降雨量和溫度對(duì)單車出行的影響,并以此為作為單車騎行量預(yù)測模型的變量. 雖細(xì)化分析了溫度和降雨因素,但對(duì)于出行時(shí)間特性的分析有所欠缺. Chen等[7]通過在南京市發(fā)放調(diào)查問卷,分析了共享單車使用特征,并通過聚類分析判斷了短途出行時(shí)共享單車、公共交通以及私家車等出行方式的選擇. 冉林娜等[8-9]基于問卷調(diào)查數(shù)據(jù),分別從出行者特性和環(huán)境特性分析了共享單車出行影響因素,并以此為基礎(chǔ)開展出行方式選擇的研究. 這些研究大多關(guān)注了共享單車的使用需求、使用特征等方面,對(duì)共享單車騎行影響因素的分析仍然有限. 而文獻(xiàn)[10-12]多考慮了人口和土地利用特性對(duì)單車出行的影響,欠缺對(duì)天氣等影響因素的分析. 甘雷瓊[13]以公共自行車為研究對(duì)象,針對(duì)不同天氣情況下的騎行量進(jìn)行了分類匯總,但未開展相關(guān)性分析工作. 鑒于此,須進(jìn)一步探究共享單車騎行需求的影響因素及其關(guān)系強(qiáng)度以支撐共享單車出行預(yù)測和單車調(diào)度方案等方面的研究.

1 數(shù)據(jù)描述及研究區(qū)域

1.1 數(shù)據(jù)描述

首先考慮對(duì)2019—2022年共享單車騎行年分布特征進(jìn)行分析,以驗(yàn)證新冠疫情對(duì)共享單車騎行需求是否存在明顯影響. 如圖1所示,2019—2022年共享單車年騎行量逐年增加,至2021年趨于平穩(wěn),保持在9.5億次以上水平. 2020—2022年新冠疫情期間全年騎行量仍在逐步上升,因此新冠疫情常態(tài)化期間共享單車騎行需求無明顯變化.

圖1 北京市共享單車出行量年分布

因此本研究主要基于北京市共享單車訂單數(shù)據(jù)來開展,數(shù)據(jù)涵蓋了2021年11月—2022年10月期間青桔單車、美團(tuán)單車和哈啰單車共3家企業(yè)的訂單數(shù)據(jù),字段包含了訂單編號(hào)、車輛編號(hào)、訂單起止時(shí)間和位置等字段,包含數(shù)據(jù)大約1億7 000萬條.

1.2 研究區(qū)域確定

通過對(duì)全市的共享單車停放情況進(jìn)行空間分析. 將訂單中的租車位置X-Y坐標(biāo)信息,轉(zhuǎn)化為空間點(diǎn)狀矢量數(shù)據(jù),對(duì)還車點(diǎn)進(jìn)行空間數(shù)據(jù)核密度分析,經(jīng)計(jì)算,得到北京全市停放熱力圖. 如圖2所示,全市停放熱力圖分6級(jí)顯示,1級(jí)區(qū)域?yàn)榧t色顯示部分,是全市的停放熱點(diǎn)區(qū)域. 分類采用Natural breaks(Jenks)間隔方法,即Jenks自然間斷點(diǎn)分類法,此方法多用于空間數(shù)據(jù)分類. 該方法可對(duì)分類間隔加以識(shí)別,并將相似值進(jìn)行最恰當(dāng)?shù)胤纸M,使各個(gè)類之間的差異最大化. 結(jié)果如圖2所示,可發(fā)現(xiàn)共享單車租車熱點(diǎn)區(qū)域多沿軌道站點(diǎn)分布,且多分布于北京市東南區(qū)域和西北區(qū)域,其中入欄管理區(qū)—朝陽CBD片區(qū)(圖中藍(lán)色框區(qū)域)較為集中. 因此本文選取該區(qū)域范圍開展研究.

圖2 某工作日北京市共享單車騎行熱點(diǎn)分布

2 騎行需求多因素影響分析

2.1 數(shù)據(jù)預(yù)處理

因?yàn)樵跀?shù)據(jù)采集過程中可能存在數(shù)據(jù)缺失、數(shù)據(jù)重復(fù)、或者數(shù)據(jù)亂碼等一系列的數(shù)據(jù)問題. 本文對(duì)數(shù)據(jù)的處理辦法主要有以下2種:

1)數(shù)據(jù)篩選:由于研究區(qū)域坐標(biāo)范圍為東經(jīng)116.443～116.473,北緯39.902～39.922. 因此對(duì)于不在該地理范圍內(nèi)的數(shù)據(jù)予以剔除.

2)數(shù)據(jù)拼接. 獲取北京市2021年11月—2022年10月每天的天氣、最高氣溫、最低氣溫、風(fēng)力等數(shù)據(jù). 根據(jù)日期,把共享單車的歷史訂單數(shù)據(jù)與獲得的天氣預(yù)報(bào)資料進(jìn)行拼接,增加數(shù)據(jù)的維度.

經(jīng)過數(shù)據(jù)處理后的單車數(shù)據(jù)字段表如表1所示.

表1 數(shù)據(jù)字段表

表2 不同天氣條件下共享單車出行量數(shù)據(jù)描述

2.2 研究方法—單因素方差分析

基于方差分析的假設(shè)檢驗(yàn),可將觀測到的總變異的平方和與自由度分解為對(duì)應(yīng)不同變異來源的平方和與自由度,并通過比對(duì)系統(tǒng)性誤差(不確定的控制性因素)與其他隨機(jī)性誤差,排除統(tǒng)計(jì)結(jié)果的偶然性并評(píng)估各組樣本之間的差異是否具有顯著性,進(jìn)而評(píng)估該變量因素對(duì)總體樣本的影響程度.

單因素方差分析(一維方差分析)的主要原理是分析單個(gè)控制因素取不同水平時(shí)因變量的均值之間的差異是否顯著. 首先,單因素方差分析基于2個(gè)假設(shè):①各觀測量來自于相互獨(dú)立的正態(tài)樣本;②控制變量不同分組之間的方差相等. 其次,根據(jù)所有的方差是否可由該因素解釋而被劃分為系統(tǒng)性偏差部分和隨機(jī)性偏差. 需要注意的是,當(dāng)系統(tǒng)偏差明顯超過隨機(jī)性偏差時(shí),認(rèn)為控制因素取不同水平時(shí)因變量的均值存在顯著差異.

單因素方差分析步驟如下:

則:

第i組樣本數(shù)為ni(i=1,2,…,k);

第i組的樣本值為Xi1,Xi2,…,Xini;

在得到F統(tǒng)計(jì)量的值之后,再根據(jù)自由度可從F分布表[14]中查找出對(duì)應(yīng)的P值.一般來說,若得到的P值小于0.05,則表示因素A的效應(yīng)顯著,若小于0.01,則表示因素A的效應(yīng)高度顯著.

本文將研究節(jié)假日、工作日、天氣條件、風(fēng)力條件和溫度條件是否為單車騎行量的影響因素,因此單因素方差分析適用于本文.

2.3 顯著性分析討論

受新冠疫情及相關(guān)政策影響,2022年5月公共交通管制和居家辦公政策與常態(tài)化時(shí)期單車騎行量存在偏差,因此本部分的研究數(shù)據(jù)中均不包含2022年5月的數(shù)據(jù).

2.3.1 天氣條件

對(duì)2021年11月—2022年10月的共享單車訂單數(shù)據(jù)(不包含節(jié)假日數(shù)據(jù))以天氣條件為依據(jù)進(jìn)行統(tǒng)計(jì)匯總,再除以對(duì)應(yīng)天氣條件的天數(shù),得到2021年11月—2022年10月不同天氣條件下的日均共享單車出行量. 如圖3所示,各天氣條件下共享單車日均出行量未呈現(xiàn)出較為明顯的差異,除在天氣條件極差時(shí)共享單車日均出行量出現(xiàn)較大幅度跌落,其余天氣條件下共享單車日均出行量無較大差異.

圖3 不同天氣條件下日均共享單車出行量

為量化確定天氣條件與共享單車出行量間的關(guān)系,選擇單因素方差分析法進(jìn)一步分析其影響. 表3方差分析結(jié)果顯示顯著性結(jié)果為0.027,小于0.05,所以可認(rèn)為不同天氣條件下共享單車日出行量均值存在明顯差異,故可確定之前天氣因素對(duì)共享單車日出行量不顯著影響的結(jié)果是由于疫情影響下異常共享單車數(shù)據(jù)引起的,所以天氣因素顯著影響共享單車日出行量.

表3 不同天氣條件下共享單車出行量方差分析

表4 不同溫度條件下共享單車出行量數(shù)據(jù)描述

3.3.2 溫度條件

對(duì)2021年11月—2022年10月的共享單車訂單數(shù)據(jù)以溫度條件為依據(jù)進(jìn)行統(tǒng)計(jì)匯總,再除以對(duì)應(yīng)溫度條件的天數(shù),得到2021年11月—2022年10月不同溫度條件下的日均共享單車出行量. 如圖4所示,共享單車需求量呈現(xiàn)出了較為明顯的3個(gè)等級(jí). 當(dāng)氣溫處于15～25 ℃時(shí),日均共享單車出行量最高,為64 424輛;在5～15 ℃&25～35 ℃時(shí),日均共享單車出行量為54 808輛;而當(dāng)氣溫達(dá)到<5 ℃或>35 ℃時(shí),日均共享單車出行量僅為35 199. 初步分析是由于居民總是傾向于在外界溫度適宜的條件下騎行共享單車造成的.

圖4 不同溫度等級(jí)日均共享單車出行量

為量化確定溫度條件與共享單車出行量間的關(guān)系,選擇單因素方差分析法進(jìn)一步分析其影響. 表5方差分析中顯示,顯著性結(jié)果遠(yuǎn)小于0.05,所以認(rèn)為不同溫度條件下共享單車日出行量均值存在明顯差異. 即溫度因素顯著影響共享單車日出行量.

表5 不同溫度條件下共享單車出行量方差分析

表6 不同風(fēng)力條件下共享單車出行量數(shù)據(jù)描述

2.3.3 風(fēng)力因素

對(duì)2021年11月—2022年10月的共享單車訂單數(shù)據(jù)以風(fēng)力等級(jí)為依據(jù)進(jìn)行統(tǒng)計(jì)匯總,再除以對(duì)應(yīng)不同風(fēng)力等級(jí)的天數(shù),得到2021年11月—2022年10月不同風(fēng)力等級(jí)下的日均共享單車出行量. 如圖5所示,訂單數(shù)據(jù)僅存在輕風(fēng)、和風(fēng)兩個(gè)風(fēng)力等級(jí)情況,且在兩種風(fēng)力條件下共享單車日均出行量較為接近,初步判斷風(fēng)力因素對(duì)共享單車出行需求影響較小.

圖5 不同風(fēng)力等級(jí)日均共享單車出行量

為量化確定風(fēng)力因素與共享單車日出行量間的關(guān)系,選擇單因素方差分析法進(jìn)一步分析其影響. 顯著性結(jié)果如表7所示,方差分析結(jié)果顯示顯著性為0.939,遠(yuǎn)大于0.05,故認(rèn)為不同溫度條件下共享單車日出行量均值不存在明顯差異,即風(fēng)力因素不顯著影響共享單車日出行量.

表7 不同風(fēng)力條件下共享單車出行量方差分析

表8 工作日因素影響下共享單車出行量數(shù)據(jù)描述

2.3.4 工作日因素

對(duì)2021年11月—2022年10月的共享單車訂單數(shù)據(jù)以是否為工作日為依據(jù)進(jìn)行統(tǒng)計(jì)匯總,再除以對(duì)應(yīng)工作日與非工作日的天數(shù),得到2021年11月—2022年10月是否為工作日條件下的日均共享單車出行量. 如圖6所示,工作日共享單車日均出行量為56 147輛,約為非工作日共享單車日均出行量的2倍,工作日與非工作日共享單車出行量呈現(xiàn)了巨大差異.

圖6 工作日與非工作日日均共享單車出行量

為量化確定是否是工作日這一因素與共享單車日出行量間的關(guān)系,選擇單因素方差分析法進(jìn)一步分析其影響. 表9方差分析中顯示,方差分析結(jié)果顯示顯著性遠(yuǎn)小于0.05,所以認(rèn)為工作日與非工作日共享單車日出行量均值存在明顯差異,即工作日因素顯著影響共享單車日出行量.

表9 工作日因素影響下共享單車出行量方差分析

表10 節(jié)假日因素影響下共享單車出行量數(shù)據(jù)描述

2.3.5 節(jié)假日因素

對(duì)2021年11月—2022年10月共享單車訂單數(shù)據(jù)以是否為節(jié)假日為依據(jù)進(jìn)行統(tǒng)計(jì)匯總,再除以對(duì)應(yīng)節(jié)假日與非節(jié)假日的天數(shù),得到2021年11月—2022年10月是否為節(jié)假日條件下的日均共享單車出行量. 如圖7所示,非節(jié)假日共享單車日均出行量達(dá)到了50 621輛,是節(jié)假日共享單車日均出行量的2.15倍,非節(jié)假日與節(jié)假日共享單車出行量差異明顯.

圖7 節(jié)假日與非節(jié)假日日均共享單車出行量

為量化確定是否是節(jié)假日這一因素與共享單車日出行量間的關(guān)系,選擇單因素方差分析法進(jìn)一步分析其影響. 表11方差分析中顯示,顯著性結(jié)果遠(yuǎn)小于0.05,所以認(rèn)為節(jié)假日與非節(jié)假日共享單車日出行量均值存在明顯差異,即節(jié)假日因素顯著影響共享單車日出行量.

表11 節(jié)假日因素影響下共享單車出行量方差分析

3 結(jié)論

通過對(duì)騎行數(shù)據(jù)的熱力分析確定研究區(qū)域范圍,并結(jié)合環(huán)境和時(shí)間特征,通過單因素方差分析的方法探究天氣、溫度、風(fēng)力、節(jié)假日和工作日不同因素對(duì)共享單車騎行量的顯著性. 研究表明,天氣、溫度、節(jié)假日和工作日因素與單車騎行量存在顯著性關(guān)系,而風(fēng)力因素對(duì)于單車騎行無明顯影響. 在后續(xù)的研究中,可將天氣、溫度、節(jié)假日和工作日因素考慮進(jìn)共享單車出行需求預(yù)測的相關(guān)研究中,以實(shí)現(xiàn)考慮多種環(huán)境因素的共享單車騎行量精準(zhǔn)預(yù)測,為共享單車停放管理、調(diào)度以及監(jiān)管政策制定提供科學(xué)的決策支撐.