摘" 要：近年來(lái)共享經(jīng)濟(jì)蓬勃發(fā)展，共享電動(dòng)汽車比傳統(tǒng)共享燃油車更加契合環(huán)保經(jīng)濟(jì)理念，因此得到了快速普及。共享汽車企業(yè)以電動(dòng)汽車作為租賃工具，有助于企業(yè)降低成本，迎合市場(chǎng)趨勢(shì)，并提供更好的用戶體驗(yàn)。文章以南京市六個(gè)主城區(qū)的共享電動(dòng)汽車數(shù)據(jù)為例，首先通過(guò)對(duì)城市多源數(shù)據(jù)的分析，選取居住用地、工作用地、休閑購(gòu)物、科教服務(wù)、交通設(shè)施五個(gè)方面作為共享電動(dòng)汽車設(shè)置分配的影響因素，然后對(duì)各影響因素按照不同屬性進(jìn)行加權(quán)處理，構(gòu)建了地理加權(quán)回歸模型，并且與傳統(tǒng)的OLS回歸模型進(jìn)行了擬合效果的比較，最后采用空間可視化分析方法分析了共享電動(dòng)汽車租賃需求量與關(guān)鍵影響因素之間的復(fù)雜關(guān)系。結(jié)果表明： GWR模型能更好地反映共享電動(dòng)汽車租賃需求量與影響因素之間的關(guān)系，具有較高的準(zhǔn)確性和更廣泛的適用性；工作用地、居住用地、休閑娛樂(lè)、交通設(shè)施因素在工作日的不同時(shí)段對(duì)共享電動(dòng)汽車的租賃需求影響均為促進(jìn)作用，而在非工作日時(shí)這些影響因素對(duì)共享電動(dòng)汽車的租賃需求量具有空間異質(zhì)性。研究通過(guò)使用變量分類加權(quán)的方法，提高了預(yù)測(cè)模型的準(zhǔn)確性和實(shí)用性，可以為共享電動(dòng)汽車投放規(guī)模確定和日常運(yùn)營(yíng)調(diào)度提供支持。

" 關(guān)鍵詞：共享電動(dòng)汽車；地理加權(quán)回歸模型；分類加權(quán)；可視化分析

" 中圖分類號(hào)：F721.6；U491" "文獻(xiàn)標(biāo)志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.24.012

Abstract： In recent years， the flourishing development of the sharing economy has seen a rapid proliferation of electric shared vehicles， which align with environmentally friendly economic principles more than traditional fuel-powered shared cars. Utilizing electric vehicles as rental tools allows sharing economy enterprises to reduce costs， cater to market trends， and provide an enhanced user experience. This article takes the shared electric vehicle data from six main urban areas in Nanjing City as an example.Initially， through the analysis of multi-source urban data， five factors—residential land use， workplace land use， recreational shopping， scientific and educational services， and transportation facilities—are selected as influential factors affecting the allocation and distribution of shared electric vehicles. Subsequently， the variables are weighted differently based on their attributes. A Geographic Weighted Regression （GWR） model is constructed and compared with the traditional Ordinary Least Squares （OLS） regression model to assess the fitting effects. Finally， spatial visualization analysis methods are employed to examine the intricate relationship between the demand for shared electric vehicle rentals and key influencing factors.The results indicate that the GWR model better reflects the relationship between the demand for shared electric vehicle rentals and influencing factors， demonstrating higher accuracy and wider applicability. Factors such as workplace land use， residential land use， recreational activities， and transportation facilities exhibit a promoting effect on shared electric vehicle rental demand during various time segments on workdays. However， on non-workdays， these influencing factors demonstrate both positive and negative effects on the demand for shared electric vehicle rentals. By employing a variable classification weighting method， this study enhances the accuracy and practicality of the predictive model， providing valuable insights for determining the scale of shared electric vehicle deployment and daily operational scheduling.

Key words： shared electric vehicles; Geographically Weighted Regression （GWR） model; variable classification weighting; visual analysis

收稿日期：2024-01-22

作者簡(jiǎn)介：申" 彥（1982—），男，江蘇南京人，江蘇大學(xué)管理學(xué)院，副教授，博士，碩士生導(dǎo)師，研究方向：大數(shù)據(jù)分析與挖掘、商務(wù)智能、智能信息系統(tǒng)、圖情分析等管理科學(xué)與計(jì)算機(jī)科學(xué)；譚" 昕（1995—），女，山東濟(jì)寧人，江蘇大學(xué)管理學(xué)院碩士研究生，研究方向：工業(yè)工程與管理。

引文格式：申彥，譚昕. 基于地理加權(quán)回歸模型的共享電動(dòng)汽車租賃需求影響因素分析[J]. 物流科技，2024，47（24）：57-62，94.

0" 引" 言

隨著共享經(jīng)濟(jì)模式的崛起，社會(huì)資源分配的方式正經(jīng)歷著革命性的變革，共享經(jīng)濟(jì)正引領(lǐng)著當(dāng)下乃至未來(lái)人們的生活方式[1]。在這一潮流中，共享電動(dòng)汽車的發(fā)展不僅符合“共享經(jīng)濟(jì)”理念，還積極響應(yīng)了國(guó)家低碳發(fā)展的戰(zhàn)略方針。電動(dòng)汽車出行作為現(xiàn)行環(huán)保的出行方式，其廣闊的市場(chǎng)前景也受到了企業(yè)的廣泛關(guān)注[2]。為企業(yè)帶來(lái)了大量利潤(rùn)的同時(shí)，以電動(dòng)汽車作為租賃車輛的共享汽車企業(yè)，不僅可以更好地滿足用戶個(gè)性化、差異化的出行需求，還可以進(jìn)一步提升電動(dòng)汽車在環(huán)保、節(jié)能、減排方面的經(jīng)濟(jì)效益[3-4]。然而，共享電動(dòng)汽車用戶的出行呈現(xiàn)明顯的潮汐特性，這導(dǎo)致了在用車高峰時(shí)段人口流量大的地點(diǎn)常常出現(xiàn)車輛供應(yīng)不足的現(xiàn)象，從而影響用戶體驗(yàn)，嚴(yán)重制約了共享電動(dòng)汽車的發(fā)展[4]。因此，采用適當(dāng)?shù)牟季謨?yōu)化和區(qū)域調(diào)度等策略對(duì)于解決車輛供需不平衡問(wèn)題至關(guān)重要。然而，無(wú)論是考慮共享電動(dòng)汽車系統(tǒng)的布局優(yōu)化還是區(qū)域調(diào)度，決策者都需要掌握共享電動(dòng)汽車租賃需求量的影響因素。

對(duì)于共享電動(dòng)汽車企業(yè)管理而言，準(zhǔn)確、高效地進(jìn)行租賃需求量影響因素的分析具有重要的戰(zhàn)略價(jià)值。這會(huì)為企業(yè)提供決策支持，優(yōu)化共享電動(dòng)汽車的運(yùn)營(yíng)效果，提高用戶出行體驗(yàn)，促進(jìn)共享電動(dòng)汽車行業(yè)的健康發(fā)展。根據(jù)羅蘭貝格戰(zhàn)略咨詢公司的研究預(yù)測(cè)，到2025年，中國(guó)分時(shí)租賃汽車每天的出行次數(shù)將達(dá)到3 700萬(wàn)次，相應(yīng)的市場(chǎng)容量將達(dá)到每年3 800億元，而潛在需求所帶來(lái)的關(guān)聯(lián)市場(chǎng)容量可能達(dá)到1.8萬(wàn)億元的規(guī)模。值得注意的是，根據(jù)有關(guān)部門發(fā)布的《2021年中國(guó)分時(shí)租賃行業(yè)研究報(bào)告》，預(yù)測(cè)到2025年，中國(guó)共享汽車需求將達(dá)到300萬(wàn)輛，而到2030年將超過(guò)1 200萬(wàn)輛。由于該行業(yè)正處于導(dǎo)入期，共享電動(dòng)汽車在如今并沒(méi)有得到廣泛的覆蓋和合理的配備，一些研究表明，共享汽車市場(chǎng)滲透率實(shí)際不足4%。相關(guān)企業(yè)對(duì)租賃需求量影響因素的分析，能夠?qū)崿F(xiàn)更為合理的布局優(yōu)化和區(qū)域調(diào)度，減少在決策過(guò)程中產(chǎn)生的成本，高效地配備已有資源。

為此，國(guó)內(nèi)外學(xué)者對(duì)用戶選擇共享電動(dòng)汽車出行的影響因素進(jìn)行了深入研究，主要集中在以下幾個(gè)方面?；诮煌ㄐ枨竽Ｐ偷难芯恐饕峭ㄟ^(guò)分析城市居民的交通需求和出行行為，基于人口流量等因素構(gòu)建交通需求模型。如Cocca等[5]基于城市人口數(shù)量這個(gè)影響因素進(jìn)行研究，結(jié)合真實(shí)使用數(shù)據(jù)評(píng)估未來(lái)共享電動(dòng)汽車的使用情況，表明隨機(jī)森林回歸模型比其他模型表現(xiàn)更優(yōu)秀；Cheng等[6]探索了基于居民流量的共享電動(dòng)汽車出行需求，考慮從出發(fā)地到目的地四周的多個(gè)影響因素，結(jié)果表明行程屬性在需求方面會(huì)起到關(guān)鍵作用；Cheng等[7]采用不同數(shù)據(jù)源的交通統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)算法，幫助汽車共享運(yùn)營(yíng)商選擇站點(diǎn)的最佳位置；Khattak等[8]根據(jù)出行模式等影響因素構(gòu)建模型，提供關(guān)于消費(fèi)者出行選擇以及電動(dòng)汽車和混合動(dòng)力汽車在MaaS中的共享使用的信息；Qi等[9]根據(jù)交通網(wǎng)絡(luò)等影響因素建立線性規(guī)劃模型，得出車隊(duì)規(guī)模和能源服務(wù)系統(tǒng)之間的復(fù)雜關(guān)系。另有其他研究者基于用戶行為分析，通過(guò)調(diào)查和分析潛在用戶對(duì)共享電動(dòng)汽車的態(tài)度和行為進(jìn)行需求量的預(yù)測(cè)。如Jiao等[10]提出了一個(gè)將價(jià)格激勵(lì)方法與出行選擇策略相結(jié)合的整合策略，該整合策略可以提升經(jīng)濟(jì)和環(huán)境效益；Barth等[11]通過(guò)用戶調(diào)查和業(yè)務(wù)分析收集用戶滿意度，分析得出了關(guān)于出行特征和出行需求模式的關(guān)鍵結(jié)果。還有基于對(duì)共享電動(dòng)汽車的商業(yè)模式、成本效益和市場(chǎng)競(jìng)爭(zhēng)等因素進(jìn)行評(píng)估的研究。如Galatoulas等[12]通過(guò)具體的使用成本分析了EVS系統(tǒng)，為共享電動(dòng)汽車行業(yè)的經(jīng)濟(jì)前景和盈利潛力提供了參考；張力[13]運(yùn)用多層次分析框架構(gòu)建新能源汽車商業(yè)模式創(chuàng)新的路徑模型，得出不同商業(yè)模式創(chuàng)新類型下的五條創(chuàng)新路徑。還有其他方向的研究考慮車輛出行模式、充電行為、載客率等影響因素，進(jìn)而預(yù)測(cè)共享電動(dòng)汽車的需求趨勢(shì)等問(wèn)題。如Zhuk等[14]分析了在電動(dòng)交通系統(tǒng)和能源系統(tǒng)聯(lián)合發(fā)展的基礎(chǔ)上，需求和停車位隨機(jī)性的電動(dòng)汽車共享系統(tǒng)的車輛再分配問(wèn)題；Lin等[15]構(gòu)建了一個(gè)兩階段隨機(jī)規(guī)劃模型，該模型在第一階段，通過(guò)部署一個(gè)基于歷史客戶數(shù)據(jù)的共享系統(tǒng)，在第二階段重新定位人員在系統(tǒng)中的位置，使得電動(dòng)車輛運(yùn)營(yíng)獲得最大化預(yù)期利潤(rùn)，實(shí)現(xiàn)最大化最終利潤(rùn)以適應(yīng)不確定的需求。

以上研究雖多角度分析了影響共享電動(dòng)汽車設(shè)置、需求和成本等方面的各種因素，但基于時(shí)間變化對(duì)各種影響因素進(jìn)行分析的探討略顯不足，缺乏系統(tǒng)化的論證分析。為了更好地衡量在不同時(shí)間段內(nèi)不同區(qū)域回歸系數(shù)的空間異質(zhì)性，為共享電動(dòng)汽車的投放規(guī)模確定、停放點(diǎn)規(guī)劃以及日常的再平衡調(diào)度提供參考依據(jù)，本研究從工作日和非工作日內(nèi)的兩個(gè)時(shí)間點(diǎn)，結(jié)合南京市的實(shí)時(shí)人口熱力數(shù)據(jù)、POI數(shù)據(jù)等多源數(shù)據(jù)，選取影響共享電動(dòng)汽車租賃需求的影響因素，對(duì)各變量按照不同屬性進(jìn)行加權(quán)處理，然后基于地理加權(quán)模型研究各因素對(duì)共享電動(dòng)汽車需求影響程度的空間非穩(wěn)態(tài)性，結(jié)合回歸系數(shù)的可視化結(jié)果，分析各影響因素對(duì)共享電動(dòng)汽車需求的影響。

1" 研究區(qū)域及數(shù)據(jù)處理

1.1" 研究區(qū)域概況

本研究將共享電動(dòng)汽車集中分布的南京市六大主城區(qū)作為研究范圍，保證了數(shù)據(jù)具有代表性，范圍如圖1所示。圖中，加粗邊界線以內(nèi)作為研究范圍，面積約為787km2，涵蓋了鼓樓區(qū)、秦淮區(qū)、棲霞區(qū)、雨花臺(tái)區(qū)、建鄴區(qū)、玄武區(qū)6個(gè)主要行政區(qū)。

1.2" 影響因素的選取

在電子地圖中，每一個(gè)地名、建筑物、住宅小區(qū)、公園、學(xué)校、醫(yī)院、公司以及商場(chǎng)等均被視為一個(gè)空間特征物數(shù)據(jù)點(diǎn)（POI），包含名稱、類別、經(jīng)緯度等詳細(xì)信息。結(jié)合國(guó)內(nèi)外研究成果，考慮到共享電動(dòng)汽車的本身特性、站點(diǎn)布局成本、資源使用效率等因素的共同影響，將各類POI的屬性體系劃分涵蓋居住用地、工作用地、休閑購(gòu)物、科教服務(wù)、交通設(shè)施五大類型。各類POI的具體屬性如表1所示。

1.3" POI數(shù)據(jù)

本研究所采用的數(shù)據(jù)為研究范圍內(nèi)的16萬(wàn)個(gè)地理標(biāo)識(shí)的空間特征物數(shù)據(jù)點(diǎn)（POI）。這些POI信息由數(shù)據(jù)供應(yīng)商通過(guò)實(shí)地調(diào)查采集而來(lái)，其信息內(nèi)容豐富準(zhǔn)確，更新及時(shí)，并且與群眾的生活密切關(guān)聯(lián)。

本研究首先對(duì)POI位置數(shù)據(jù)使用ArcGIS軟件進(jìn)行核密度分析得到核密度分布，然后再劃分500m*500m漁網(wǎng)進(jìn)行數(shù)據(jù)捕捉，通過(guò)要素轉(zhuǎn)點(diǎn)轉(zhuǎn)成點(diǎn)數(shù)據(jù)，最后利用多值提取至點(diǎn)工具得到核密度值，從而得到了單一屬性變量的單個(gè)POI點(diǎn)所在區(qū)域范圍內(nèi)的變量點(diǎn)密度，從而獲得本文的自變量。

1.4" 共享電動(dòng)汽車的租賃需求量

從百度地圖慧眼商業(yè)與人口地理分析系統(tǒng)中提取的工作日和非工作日的人口活動(dòng)數(shù)據(jù)，其時(shí)間跨度為一周。以共享電動(dòng)汽車租賃需求量為本文的因變量，其數(shù)據(jù)處理方式為：首先，將POI點(diǎn)和人口活動(dòng)數(shù)據(jù)地理位置坐標(biāo)進(jìn)行相關(guān)匹配后，篩選距離超過(guò)200米以上的數(shù)據(jù)得到14.2萬(wàn)帶有實(shí)時(shí)人口數(shù)據(jù)的POI點(diǎn)。其次，與POI點(diǎn)進(jìn)行最近距離匹配，得到單個(gè)POI點(diǎn)附近的實(shí)時(shí)人口數(shù)據(jù)值。最后，在此基礎(chǔ)上按照變量的屬性劃分，并對(duì)各個(gè)POI值按照自身屬性進(jìn)行分類加權(quán)處理，得到與每個(gè)POI點(diǎn)對(duì)應(yīng)的共享電動(dòng)汽車租賃需求量，即本文的因變量值。

1.5" 多重共線性檢測(cè)

在構(gòu)建回歸模型之前，需要對(duì)變量進(jìn)行篩選，避免變量之間存在多重共線性。多重共線性是指在回歸模型中，自變量之間存在高度相關(guān)性或線性關(guān)系的情況。在進(jìn)行模型回歸分析之前，進(jìn)行多重共線性檢測(cè)是為了避免部分變量之間存在高度相關(guān)性或線性關(guān)系，影響結(jié)果的準(zhǔn)確性。多重共線性檢測(cè)的方法有多種，其中最常用的是方差膨脹因子（VIF）檢驗(yàn)法和Tolerance檢驗(yàn)法。本文采用方差膨脹因子（VIF）以剔除不符合要求的影響因子。其計(jì)算公式如下。

[VIF=11-R2i ，i=1，2，…，k] （1）

式（1）中，[R2i]是把第[i]個(gè)自變量作為因變量，將其對(duì)其他[k-1]個(gè)自變量做線性回歸所得的可決定系數(shù)。VIF檢驗(yàn)的經(jīng)驗(yàn)準(zhǔn)則通常以10作為判斷邊界，VIF的均值（Mean VIF）gt;2，VIF的最大值gt;10，滿足兩個(gè)條件之一就表明存在多重共線性。

在檢測(cè)中，本研究發(fā)現(xiàn)科教服務(wù)變量在非工作日18時(shí)的VIF gt;10，檢測(cè)結(jié)果如表2所示，證明該變量與其他變量存在高度相關(guān)的關(guān)系，說(shuō)明科教服務(wù)變量在后續(xù)進(jìn)行的模型分析中將影響其他四個(gè)變量系數(shù)的呈現(xiàn)結(jié)果，導(dǎo)致其他四個(gè)變量系數(shù)結(jié)果都出現(xiàn)偏差，所以將科教服務(wù)的影響因子予以剔除處理。將處理后的變量重新進(jìn)行VIF檢測(cè)，結(jié)果中不存在VIF gt;10的情況，結(jié)果如表3所示，表明處理后的數(shù)據(jù)不存在多重共線性。

2" 回歸模型構(gòu)建

2.1" OLS與GWR模型

普通最小二乘法（OLS）模型是一種統(tǒng)計(jì)分析中常用的線性回歸分析方法。它用于描述自變量（獨(dú)立變量）與因變量（依賴變量）之間的關(guān)系。OLS模型基本形式如下。

[yi=β0+i=1βkxik+εi] （2）

式（2）中，[yi]為第[i]個(gè)樣本點(diǎn)的因變量（共享電動(dòng)汽車租賃需求量），[xik]為第[i]個(gè)樣本點(diǎn)的第[k]個(gè)自變量（POI點(diǎn)密度），[β0]為線性回歸方程的截距（常數(shù)項(xiàng)），[βk]為第[k]個(gè)自變量的回歸系數(shù)，[εi]為隨機(jī)誤差。

OLS模型的參數(shù)估計(jì)是通過(guò)最小化殘差平方和來(lái)獲得的，并且它產(chǎn)生的全局模型對(duì)整個(gè)數(shù)據(jù)集是一致的。OLS模型適用于空間上的平穩(wěn)數(shù)據(jù)，其中空間位置對(duì)回歸關(guān)系的影響是恒定的。

GWR模型是在傳統(tǒng)的OLS回歸模型的基礎(chǔ)上改造模型系數(shù)，納入表示地理位置的參數(shù)，根據(jù)研究區(qū)域的空間變化對(duì)各變量進(jìn)行局部回歸分析。GWR允許模型系數(shù)在空間上變化，它可以為每個(gè)地理位置計(jì)算出不同的回歸系數(shù)，能夠更好地捕捉數(shù)據(jù)中的空間異質(zhì)性。并且GWR使用權(quán)重矩陣來(lái)調(diào)整每個(gè)地理位置的權(quán)重，以反映空間上的相對(duì)距離或相似性，這可以更準(zhǔn)確地描述數(shù)據(jù)之間的空間關(guān)系。本文選用GWR模型對(duì)共享電動(dòng)汽車租賃需求量的影響因素進(jìn)行進(jìn)一步探討，其計(jì)算公式如下。

[Yi=β0ui，vi+k=1nβkui，viXik+εi，i=1，2，…，n] （3）

式（3）中：[ui，vi]為第[i]個(gè)樣本點(diǎn)的空間經(jīng)緯度坐標(biāo)點(diǎn)，[k-1nβkui，vi]為變量[Xik]的回歸系數(shù)；[Xik]為影響因素，[εi]為隨機(jī)誤差項(xiàng)，[εi～N0，δ2]、[n]為樣本量。

2.2" AHP確定不同屬性變量加權(quán)系數(shù)

共享電動(dòng)汽車的需求分布符合區(qū)域效應(yīng)現(xiàn)象，這會(huì)吸引具有相似社會(huì)人口特征的人，并在不同屬性的變量點(diǎn)產(chǎn)生不同的需求量。因此，我們可以將相同屬性的變量歸為一個(gè)評(píng)價(jià)指標(biāo)，并對(duì)其進(jìn)行量化處理。隨后，通過(guò)不同屬性變量對(duì)共享電動(dòng)汽車租賃需求的影響進(jìn)行比較分析。為了使研究結(jié)果更有針對(duì)性，對(duì)GWR模型中的不同屬性變量采用加權(quán)策略顯得至關(guān)重要。此外大量研究表明各個(gè)變量對(duì)共享電動(dòng)汽車的需求量因其所處環(huán)境和人口的差異化而不同，所以本研究通過(guò)層次分析法（AHP）對(duì)不同屬性變量賦予權(quán)重。這不僅可以更準(zhǔn)確地揭示每個(gè)不同屬性變量對(duì)共享電動(dòng)汽車需求的差異的影響，還可以提升模型結(jié)果的穩(wěn)定性和準(zhǔn)確性，增強(qiáng)其在實(shí)際決策中的可信度。此外，結(jié)合專家的知識(shí)和經(jīng)驗(yàn)，有助于確保模型權(quán)重更客觀、更合理，并與實(shí)際應(yīng)用場(chǎng)景更貼切。

在構(gòu)建層次評(píng)價(jià)模型時(shí)，首先要明確定義各個(gè)指標(biāo)之間的相對(duì)重要性。這一過(guò)程涉及將這些指標(biāo)量化，并將它們用于構(gòu)建判斷矩陣，以便在層次結(jié)構(gòu)中進(jìn)行兩兩比較，最后通過(guò)對(duì)這些比較值進(jìn)行歸一化，形成一個(gè)層次結(jié)構(gòu)。構(gòu)建層次評(píng)價(jià)模型如圖2所示。

評(píng)價(jià)指標(biāo)如圖2所示，為比較評(píng)價(jià)指標(biāo)之間的相對(duì)重要性，邀請(qǐng)了4位從事共享充電樁選址的企業(yè)專家與6位從事共享電動(dòng)汽車研究的教授，通過(guò)層次分析法多輪反饋確定了分值表。采用1—9標(biāo)度法如表4所示，對(duì)各個(gè)不同屬性地區(qū)的共享電動(dòng)汽車的租賃需求量進(jìn)行兩兩比較，得到目標(biāo)層和準(zhǔn)則層二的判斷矩陣。根據(jù)各變量不同權(quán)重值由算術(shù)平均法求出最終權(quán)重，并且計(jì)算出最大特征根、特征向量、各層次的單排序，并經(jīng)過(guò)一致性檢驗(yàn)后得出表5各變量判斷矩陣數(shù)值。最終得到各變量不同權(quán)重系數(shù)，結(jié)果如表6所示。

2.3" 模型評(píng)估

在對(duì)變量進(jìn)行回歸分析時(shí)，選擇恰當(dāng)?shù)哪Ｐ蛯?duì)于獲得準(zhǔn)確、可靠的結(jié)果至關(guān)重要。在本文中，使用了兩種模型：地理加權(quán)回歸（GWR）模型和普通最小二乘法（OLS）模型。為了驗(yàn)證這兩種模型的有效性和準(zhǔn)確性，采用了四個(gè)關(guān)鍵的評(píng)估指標(biāo)：擬合優(yōu)度R2、調(diào)整后的R2、AICc（赤池信息準(zhǔn)則）值和剩余平方和。

當(dāng)AICc的數(shù)值最小時(shí)，說(shuō)明模型的擬合效果最佳。AICc計(jì)算公式如下。

[AICc=2nlnσ+2nln2π+nn+trSn-2-trS] （4）

式（4）中：[σ]為隨機(jī)誤差項(xiàng)方差的極大似然估計(jì)值：[σ=RSSn-trS]，其中[trS]是矩陣S的跡，[RSS]為剩余平方和。令A(yù)ICc取最小值，可求得對(duì)應(yīng)矩陣的跡，進(jìn)而得到最優(yōu)。

在分析表7中的結(jié)果時(shí)，我們發(fā)現(xiàn)GWR模型的R2和調(diào)整后的R2值上均高于OLS模型，這表明GWR模型能更好地捕捉自變量和因變量之間的關(guān)系，尤其是在考慮地理空間異質(zhì)性的情況下，GWR模型能夠考慮數(shù)據(jù)在空間上的變化。

同時(shí)，GWR模型的剩余平方和和AICc值均低于OLS模型，表明GWR模型對(duì)數(shù)據(jù)更敏感，模型擬合的效果更好。因此在本文的研究中，GWR模型表現(xiàn)出更強(qiáng)的解釋能力和更高的數(shù)據(jù)敏感度，是相比于OLS更合適的選擇。

3" 基于GWR模型的分析

結(jié)合模型估計(jì)結(jié)果中具有空間異質(zhì)性的顯著變量，本研究通過(guò)使用可視化分析工具，分析了工作日、非工作日早晚高峰時(shí)段回歸系數(shù)對(duì)比的圖像，可以得出不同影響因素對(duì)共享電動(dòng)汽車租賃需求量的影響程度具有較大差異的結(jié)論，并對(duì)研究區(qū)域內(nèi)共享電動(dòng)汽車的分布差異及其內(nèi)在原因進(jìn)行詳細(xì)梳理。

3.1" 工作日和非工作日各影響因素對(duì)租賃需求影響的分析

如圖3所示，在工作日和非工作日，工作用地變量的回歸系數(shù)之間存在顯著的變化，這表明工作日和非工作日工作地點(diǎn)變量對(duì)共享電動(dòng)汽車需求的影響存在明顯的差異。然而，在工作日和非工作日內(nèi)相同時(shí)段的對(duì)比中，觀察到回歸系數(shù)較大的區(qū)域會(huì)存在一定的重合現(xiàn)象，這主要集中在南京站、新街口、奧體中心等區(qū)域，這與該區(qū)域內(nèi)擁有密集的商圈以及交通樞紐等原因密不可分。在進(jìn)行調(diào)度策略時(shí)，企業(yè)可以重點(diǎn)考慮回歸系數(shù)較大且存在重合現(xiàn)象的區(qū)域，以更有效地滿足需求并提高資源利用效率。

通過(guò)圖4和圖5的對(duì)比研究，工作日和非工作日之間各個(gè)變量的回歸系數(shù)的大小在空間分布上存在一定的差異。在工作日情境下，這些系數(shù)表現(xiàn)出漸變分布，這一現(xiàn)象顯示了人們對(duì)共享電動(dòng)汽車的需求在城市空間上呈現(xiàn)出梯度變化的分布，缺乏明顯的小范圍聚集現(xiàn)象。然而，在非工作日狀態(tài)下，觀察到各個(gè)變量的回歸系數(shù)呈現(xiàn)出不同區(qū)域差異較大的特征。這表明在非工作日，人們對(duì)共享電動(dòng)汽車的需求分布呈現(xiàn)出更大的分散性和小范圍的聚集性。這種在工作日和非工作日差異的產(chǎn)生，可能是因?yàn)樵诠ぷ魅杖藗円巴ぷ鞯攸c(diǎn)，而非工作日則是人們的休閑時(shí)間，出行目的地具有不確定性，這也與人們?cè)谌粘Ｉ钪械墓ぷ髁?xí)慣相符。

3.2" 同日內(nèi)不同時(shí)間段各影響因素對(duì)租賃需求影響的分析

上文3.1節(jié)論述分析了工作日和非工作日各影響因素對(duì)租賃需求影響，然而，在實(shí)際決策中，僅僅考慮工作日與非工作日對(duì)租賃需求的影響可能導(dǎo)致資源的低效利用。了解工作日與非工作日不同時(shí)段的租賃需求，能夠以一種更細(xì)化、更微觀的角度為企業(yè)提供決策依據(jù)，以達(dá)到合理的共享電動(dòng)汽車配置。

3.2.1" 工作日早晚高峰時(shí)段對(duì)租賃需求影響的分析

根據(jù)圖4和圖5的分析，我們可以觀察到在工作日的早晚高峰時(shí)段，以上四個(gè)類型變量的回歸系數(shù)均為正值，表明它們對(duì)共享電動(dòng)汽車的租賃需求量起到了促進(jìn)作用。

從工作用地和居住地點(diǎn)這兩個(gè)變量類型在早高峰和晚高峰時(shí)段的回歸系數(shù)來(lái)看，早高峰時(shí)段回歸系數(shù)在建鄴區(qū)和雨花臺(tái)區(qū)較高，說(shuō)明這兩個(gè)區(qū)域?qū)蚕砥囎赓U需求的影響比其他區(qū)域的正向作用更強(qiáng)，而晚高峰時(shí)段則表現(xiàn)為鼓樓區(qū)、玄武區(qū)以及棲霞區(qū)的東南部對(duì)共享汽車租賃需求的影響更為明顯。交通設(shè)施變量在早高峰和晚高峰時(shí)段回歸系數(shù)的差異范圍相對(duì)較小，這與該區(qū)域內(nèi)較為密集的公共交通網(wǎng)絡(luò)等原因密不可分。

然而，休閑購(gòu)物變量在早高峰和晚高峰時(shí)段回歸系數(shù)的分布與其他三個(gè)相比具有較大的不同。結(jié)合實(shí)際情況得出具體原因在于鼓樓區(qū)、秦淮區(qū)、建鄴區(qū)、玄武區(qū)的公共交通等設(shè)施相對(duì)較為完善，可以為用戶提供更多的出行方式選擇，因此休閑娛樂(lè)設(shè)施的分布密度與共享電動(dòng)汽車出行需求的正相關(guān)性相對(duì)微弱。相反，雨花臺(tái)區(qū)和棲霞區(qū)分布有較多的工業(yè)和科技園區(qū)，休閑娛樂(lè)設(shè)施分布相對(duì)分散，因此產(chǎn)生了大量以就餐和購(gòu)物為目的的出行需求，但由于公共交通覆蓋不足，這就會(huì)增強(qiáng)其對(duì)共享電動(dòng)汽車租賃需求量的正相關(guān)性。

3.2.2" 非工作日早晚高峰時(shí)段對(duì)租賃需求影響的分析

由圖6、圖7綜合對(duì)比來(lái)看，非工作日的早晚高峰時(shí)段工作用地變量的回歸系數(shù)變化不大，表明工作用地變量對(duì)共享電動(dòng)汽車租賃需求量的影響變化較小，這也符合人們的實(shí)際出行習(xí)慣。

而非工作日晚高峰期間，玄武區(qū)、雨花臺(tái)區(qū)和建鄴區(qū)附近的交通設(shè)施變量的回歸系數(shù)比早高峰期間顯著提高，這表明交通設(shè)施變量對(duì)以上所述城區(qū)的共享電動(dòng)汽車租賃需求量影響的正相關(guān)性更強(qiáng)。這是因?yàn)槿藛T在白天聚集后需要返程，但由于晚上使用公交、地鐵等公共交通設(shè)施需求人數(shù)變多且設(shè)施有限，從而提高了交通設(shè)施變量對(duì)共享電動(dòng)汽車需求量的影響。

在非工作日晚高峰時(shí)間段，居住地點(diǎn)變量的回歸系數(shù)在全域普遍較低，甚至出現(xiàn)負(fù)值。這是因?yàn)樵诜枪ぷ魅胀砀叻鍟r(shí)間段，用戶大多居家休息，出行需求較小，因此對(duì)共享電動(dòng)汽車的使用產(chǎn)生微弱的促進(jìn)作用。

4" 結(jié)" 語(yǔ)

本文從城市POI熱點(diǎn)屬性的影響因素出發(fā)，首先確定影響共享電動(dòng)汽車需求量分布的影響因素，然后再篩選變量，并對(duì)各個(gè)變量值按照自身屬性進(jìn)行分類加權(quán)處理，通過(guò)地理加權(quán)回歸模型對(duì)各變量進(jìn)行全局回歸分析，得到影響共享電動(dòng)汽車需求量回歸系數(shù)的分布特征。根據(jù)模型分析結(jié)果判斷出各個(gè)影響因素對(duì)因變量的作用程度及空間分布，有利于決策者了解共享電動(dòng)汽車投放環(huán)境的優(yōu)劣狀態(tài)。

通過(guò)對(duì)南京市主城區(qū)的共享電動(dòng)汽車需求量數(shù)據(jù)進(jìn)行GWR模型分析可知：在工作日的不同時(shí)段，工作用地、居住用地、休閑娛樂(lè)、交通設(shè)施變量對(duì)共享電動(dòng)汽車的租賃需求影響均為促進(jìn)作用。而在非工作日的不同時(shí)段，這些變量具有空間異質(zhì)性。對(duì)這些因素進(jìn)行可視化分析，決策者可直觀地看出不同時(shí)空下影響共享電動(dòng)汽車需求量的關(guān)鍵因素，以選取合適的改善方案來(lái)提高用車率和流通率。南京作為一線城市，以其高度復(fù)雜的城市結(jié)構(gòu)和豐富的環(huán)境資源而著稱，具備可作為研究典型的特點(diǎn)。這些結(jié)論能夠?yàn)槠渌鞘械墓蚕黼妱?dòng)汽車管理企業(yè)完善管理方法和經(jīng)營(yíng)策略提供一定的啟發(fā)和借鑒。

本文著重分時(shí)段研究了不同的影響因素，在未來(lái)的研究中，可將社會(huì)、人口屬性等其他因素的共同影響進(jìn)行融合后納入研究范疇，以進(jìn)一步提高變量的解釋能力，為管理者提供更科學(xué)合理的決策支撐依據(jù)，為共享電動(dòng)汽車的投放和調(diào)度提供更具針對(duì)性的指導(dǎo)。

參考文獻(xiàn)：

[1]" KATZEV R. Car sharing： A new approach to urban transportation problems[J]. Analyses of Social Issues amp; Public Policy， 2003，3（1）：65-86.

[2]" GAMBELLA C， MALAGUTI E， MASINI F， et al. Optimizing relocation operations in electric car-sharing[J]. Omega， 2018， 81：234-245.

[3]" LU Miaojia， TAIEBAT M， XU Ming， et al. Multiagent spatial simulation of autonomous taxis for urban commute： Travel economics and environmental impacts[J/OL]. Journal of Urban Planning and Development， 2018，144（4）：04018033. [2023-12-13].https：//doi.org/10.1061/（ASCE）UP.1943-5444.0000469.

[4]" TAIEBAT M， XU Ming. Synergies of four emerging technologies for accelerated adoption of electric vehicles： Shared mobility， wireless charging， vehicle-to-grid， and vehicle automation[J]. Journal of Cleaner Production， 2019，230：794-797.

[5]" COCCA M， TEIXER|IRA D， VASSIO L， et al. On car-sharing usage prediction with open socio-demographic data[J/OL].Electronics， 2020，9（1）：72.[2023-12-16]. https：//doi.org/10.3390/electronics9010072.

[6]" CHENG Jiaqi， CHEN Xiaohong， YE Jianhong， et al. Flow-based unit is better： Exploring factors affecting mid-term OD demand of station-based one-way electric carsharing[J/OL]. Transportation Research Part D： Transport and Environment， 2021，98. [2023-12-16]. https：//doi.org/10.1016/j.trd.2021.102954.

[7]" CHENG Yu， CHEN Xu， DING Xiaohua， et al. Optimizing location of car-sharing stations based on potential travel demand and present operation characteristics： The case of Chengdu[J/OL]. Journal of Advanced Transportation， 2019，2019：1-13. [2023-12-19]. https：//onlinelibrary.wiley.com/doi/epdf/10.1155/2019/7546303.

[8]" KHATTAK Z H， KHATTAK A J. Using behavioral data to understand shared mobility choices of electric and hybrid vehicles[J/OL]. International Journal of Sustainable Transportation， 2023，17（2）：163-180. [2023-12-19]. https：//doi.org/10.1080/15568318.2021.2004627.

[9]" QI Wei， SHA Mengyi， LI Shanling.When shared autonomous electric vehicles meet microgrids： Citywide energy-mobility orchestration[J]. Manufacturing amp; Service Operations Management， 2021，24（5）：2389-2406.

[10] JIAO Zihao， RAN Lun， LIU Xin， et al. Integrating price-incentive and trip-selection policies to rebalance shared electric vehicles[J/OL]. Service Science， 2020，12（4）：148-173. [2023-12-20]. https：//doi.org/10.1287/serv.2020.0266.

[11] BARTH M， TODD M. User behavior evaluation of an intelligent shared electric vehicle system[J/OL]. Transportation Research Record： Journal of the Transportation Research Board， 2001，1760（1）：145-152. [2023-12-20]. https：//doi.org/10.3141/1760-19.

[12] GALATOULAS N-F， GENIKOMSAKIS K N， IOAKIMIDIS C S. Analysis of potential demand and costs for the business development of an electric vehicle sharing service[J/OL]. Sustainable Cities amp; Society， 2018，42：148-161. [2023-12-23]. https：//doi.org/10.1016/j.scs.2018.07.008.

[13] 張力. 中國(guó)新能源汽車商業(yè)模式創(chuàng)新以及路徑演化研究 ——社會(huì)技術(shù)系統(tǒng)視角[D]. 北京：北京交通大學(xué)，2020.

[14] ZHUK A Z， BUZOVEROV E.The impact of electric vehicles on the outlook of future energy system[C/OL]//IOP Conf. Series： Materials Science and Engineering 315（2018）012032.IOP Publishing，2018：1-10. （2018-02-23）[2024-02-23]. https：//www.researchgate.net/publication/323348464.

[15] LIN Dung-ying， KUO Jia-kai.The vehicle deployment and relocation problem for electric vehicle sharing systems considering demand and parking space stochasticity[J/OL].Transportation Research Part E： Logistics and Transportation Review， 2021， 156. [2023-12-23]. https：//doi.org/10.1016/j.tre.2021.102514.