摘" 要：基于南京市多源數(shù)據(jù)對共享單車出行需求密度進行了分析。選取社會經(jīng)濟人口變量、土地利用變量和公共交通變量三類變量為解釋變量，構建了多尺度地理加權回歸模型，揭示了共享單車需求密度的影響因素及其空間異質(zhì)性關系。研究表明：第一，多尺度地理加權回歸模型的擬合結果顯著優(yōu)于最小二乘回歸模型與地理加權回歸模型；第二，與主城區(qū)不同，郊區(qū)居住人口密度越大，共享單車訂單需求密度越??；第三，市中心的共享單車投放密度已經(jīng)趨于飽和；第四，地鐵站點對共享單車的需求起促進作用；第五，私人自行車擁有率大部分情況下對共享單車的需求起促進作用，而私家車擁有率對共享單車的需求起抑制作用。

" 關鍵詞：城市交通；公共交通；共享單車；需求密度；空間異質(zhì)性；多尺度地理加權回歸模型

" 中圖分類號：F57；U121" "文獻標志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.24.015

Abstract： Based on the multi-source data of Nanjing， this paper analyzed the travel demand density of shared bicycles. Three kinds of variables including socio-economic population variables， land use variables and public transport variables were selected as explanatory variables， and a multi-scale geographical weighted regression model was constructed to reveal the influencing factors and spatial heterogeneity relationship of the demand density of bike-sharing. The results show that： （i） the fitting results of the multi-scale geographically weighted regression model are significantly better than those of the least squares regression model and geographically weighted regression model; （ii） different from the main urban area， the greater the residential population density in the suburbs， the smaller the demand density of bike-sharing orders; （iii） the density of bike-sharing in the city center has become saturated; （iv） metro stations promote the demand for shared bicycles; （v） in most cases， private bicycle ownership promotes the demand for shared bicycles， while private car ownership inhibits the demand for shared bicycles.

Key words： urban transport; public transport; bikesharing; demand density; spatial heterogeneity： multi-scale geographical weighted regression model

收稿日期：2024-03-03

基金項目：國家自然科學基金（52102381）；中國博士后科學基金（2023M731778）；江蘇省高校哲學社會科學一般項目（TJZ221042）

作者簡介：朱岑遠（2000—），男，江蘇南京人，南京郵電大學現(xiàn)代郵政學院碩士研究生，研究方向：智能交通系統(tǒng)；鄭" 樂（1990—），本文通信作者，男，江蘇南京人，南京郵電大學現(xiàn)代郵政學院，博士，碩士生導師，研究方向：多模式公交調(diào)度、交通大數(shù)據(jù)處理、交通行為分析、交通仿真等。

引文格式：朱岑遠，鄭樂，張毅萌. 基于MGWR的共享單車空間異質(zhì)性分析[J]. 物流科技，2024，47（24）：72-77.

0" 引" 言

共享單車作為新興的出行方式，正以極快的速度發(fā)展。截至2022年9月底，全國31個省、自治區(qū)和直轄市均有共享單車投放使用，投放運營的縣級及以上城市超過400個，有效運營車輛數(shù)約為1 490萬輛，共享單車注冊用戶總數(shù)達12.95億戶[1]。共享單車作為互聯(lián)網(wǎng)背景下產(chǎn)生的公共服務模式，為居民出行的“最后一公里”問題提供了更加便捷綠色的出行方式選擇。

作為最近幾年興起的新型交通方式，國內(nèi)外針對共享單車已經(jīng)有很多相關方面的理論研究。Li等[2]通過非負矩陣分解法對不同地區(qū)共享單車需求密度和服務范圍進行聚類，選取每輛共享單車的等待使用時間作為因變量進行了研究。馬新衛(wèi)等[3]使用時空地理加權回歸模型分析了各因素在時間和空間上對共享單車出行需求的影響。李福等[4]基于XGBoost算法，建立基于機器學習的預測模型，分析影響共享單車的使用的主要因素，并對具體站點的共享單車的借車需求量進行了預測。路慶昌等[5]基于集成學習的建模方法，探究了建成環(huán)境要素與區(qū)域共享單車流率間的非線性關系，以及不同城市空間區(qū)域內(nèi)共享單車供需不平衡的原因?；萦⒌萚6]通過研究不同區(qū)域共享單車日出行量及其波動，建立相應的指標體系，探究了區(qū)域建成環(huán)境對共享單車出行量日變特征的影響。

綜上所述，現(xiàn)有研究對共享單車影響因素的分析主要集中在時間和空間兩個層面，選取的解釋變量數(shù)目以及種類較少。此外，這些研究在量化分析影響因素時，并未充分考慮空間尺度對其影響?；诖?，本文選取社會人口特性、土地利用特性以及公共交通特性3類解釋變量，通過多尺度地理加權回歸模型（MGWR），考慮不同變量影響在空間尺度的差異性，對研究數(shù)據(jù)進行擬合，對比了其與OLS模型和GWR模型的擬合結果。并針對擬合結果提出有利于共享單車發(fā)展的相關建議。

1" 研究區(qū)域與變量選擇

1.1" 研究區(qū)域概述

南京市是全國重要綜合交通樞紐。全市共有11個區(qū)，總面積為6 587平方千米，常住人口949.11萬人，城鎮(zhèn)人口825.80萬人。截至2020年，南京市共享單車的運力總規(guī)模為25.7萬輛。考慮到主城區(qū)和市郊區(qū)域的差異性，本文選取南京市的4個主城區(qū)以及3個市郊區(qū)的部分區(qū)域作為研究區(qū)域。圖1為本文的研究區(qū)域以及研究區(qū)域內(nèi)各交通小區(qū)的共享單車訂單日均需求密度分布。

1.2" 數(shù)據(jù)描述

本文采用了共享單車騎行數(shù)據(jù)、南京市交通小區(qū)數(shù)據(jù)、POI數(shù)據(jù)、南京市居民調(diào)查數(shù)據(jù)、公交及地鐵站點數(shù)據(jù)、地鐵站點客流數(shù)據(jù)。其中，共享單車數(shù)據(jù)選取2019年7月1日至14日共兩周的摩拜單車數(shù)據(jù)，數(shù)據(jù)包含了騎行行程ID、行程開始結束時間、行程開始結束位置的經(jīng)緯度。南京市交通小區(qū)數(shù)據(jù)由百度慧眼提供，包含各個交通小區(qū)的地理信息、交通小區(qū)的居住人口數(shù)量以及工作人口數(shù)量。POI數(shù)據(jù)包含了各類POI的地理信息，本文將其分為餐飲服務類POI、購物服務類POI以及生活服務類POI，并對各交通小區(qū)的各類POI密度進行了統(tǒng)計。南京市居民調(diào)查數(shù)據(jù)由江蘇省城市規(guī)劃設計研究院提供，包含了各交通小區(qū)人口的基本信息。公交及地鐵數(shù)據(jù)由南京市公交集團以及南京地鐵集團提供，包含了各線路的站點位置信息以及各站點的日均客流量信息。

1.3" 變量選擇

基于上述所獲取的多源數(shù)據(jù)，本文選取研究范圍內(nèi)各交通小區(qū)的共享單車日均訂單需求密度（每平方公里的騎行訂單數(shù)量）為因變量。解釋變量分為三類：社會人口特性（包含交通小區(qū)的人口及居民調(diào)查數(shù)據(jù)）、土地利用特性（包含各類POI的密度和土地利用混合度）以及公共交通特性。表1為自變量、因變量的定義以及描述性統(tǒng)計結果。

表1中用公交地鐵影響面積的覆蓋率以及地鐵站點客流量來反映公共交通工具對交通小區(qū)共享單車使用的影響。如圖2（a）所示，首先確定交通小區(qū)內(nèi)公交站點和地鐵站點的位置；然后確定公交地鐵的影響范圍。本文中公交地鐵站點的影響區(qū)域被定義為圓形的緩沖區(qū)，緩沖區(qū)的半徑大小為兩個最近公交站點或地鐵站點之間的平均距離。經(jīng)統(tǒng)計，公交站點和地鐵站點的影響范圍半徑分別為379米和1 762米；最后，如圖2（b）所示，根據(jù)每個交通小區(qū)內(nèi)公交地鐵站點影響范圍面積占交通小區(qū)總面積的比例得到公交及地鐵影響面積覆蓋率。

對于地鐵站點的客流量，通過交通小區(qū)內(nèi)每個地鐵站點的進出站人數(shù)進行計算，計算公式如下。

[flow=1mimHIi+HOi2] （1）

其中，[HIi]代表進入地鐵站的日均乘客數(shù)量，[HOi]代表離開地鐵站的日均乘客數(shù)量，[m]表示交通小區(qū)內(nèi)地鐵站點的數(shù)量。

2" 研究方法

2.1" 共線性分析

在進行地理加權回歸和多尺度地理加權回歸之前，需要對備選解釋變量進行共線性分析，以降低變量之間的相互影響。Pearson相關系數(shù)是常用的檢測解釋變量之間多重共線的方法[7]，具體計算公式如下。

[r=i=1sxia-xaxib-xbi=1sxia-xai=1sxib-xb2] （2）

其中，[r]為Pearson相關系數(shù)，[s]為空間單元總數(shù)，[xia]、[xib]分別代表在第[i]個空間單元內(nèi)[a]、[b]兩類解釋變量，[xa]、[xb]代表[a]、[b]兩類解釋變量的樣本均值。

2.2" 自相關性分析

為了檢驗交通小區(qū)內(nèi)因變量與候選解釋變量之間是否存在空間自相關性，本文采用Moran's I來檢驗共享單車訂單密度分布的空間自相關性[8]，具體計算公式如下。

[I=i=1sj=Isωijxi-xxj-xi=1sxi-x2] （3）

其中，[I]為莫蘭指數(shù)，[ωij]為空間權重函數(shù)；[xi]、[xj]分別為[i]和[j]選定的屬性值；[x]為所有觀測值的平均值。

2.3" 模型選擇

本文主要采用了三種模型：最小二乘法（OLS）模型、地理加權回歸（GWR）模型和多尺度地理加權回歸（MGWR）模型對實驗數(shù)據(jù)進行分析，并對三種模型得出的擬合結果進行了比較。

2.3.1" 最小二乘法（OLS）模型

OLS模型是共享單車研究中應用最廣泛的一種模型，其模型如下。

[Yi=β0+kβkXik+εi] （4）

其中，[Yi]為第[i]個樣本點的被解釋變量；[β0]為線性回歸方程的截距；[βk]為第[k]個解釋變量的回歸系數(shù)；[Xik]為第[i]個樣本點的第[k]個解釋變量；[εi]為隨機誤差。

2.3.2" 地理加權回歸（GWR）模型

作為OLS模型的延伸，地理加權回歸（GWR）模型考慮了回歸系數(shù)在不同地理位置時的變化，將數(shù)據(jù)的地理位置嵌入到回歸參數(shù)當中。GWR的模型如下。

[Yi=β0ui，vi+kβkui，viXik+εi] （5）

其中，[ui，vi]為第[i]個樣本點的空間經(jīng)緯度坐標；[β0ui，vi]為第[i]個樣本點的常數(shù)項；[βkui，vi]為第[k]個解釋變量在第[i]個樣本點的回歸系數(shù)。

2.3.3" 多尺度地理加權回歸（MGWR）模型

由于GWR模型將所有變量都默認為局部變量，各個解釋變量的最優(yōu)帶寬是相同的。本文使用多尺度地理加權回歸（MGWR）模型，允許每個解釋變量的帶寬不同，選取各解釋變量最合適的帶寬進行回歸，從而解決了不同變量尺度和帶寬不同的問題，得到更具有解釋力的模型。MGWR的模型如下。

[Yi=βb0ui，vi+kβbkui，viXik+εi] （6）

其中，[b0]為回歸常數(shù)項的帶寬；[βb0ui，vi]表示在該帶寬下第[i]個樣本點回歸常數(shù)項；[bk]為第[k]個變量回歸系數(shù)使用的帶寬；[βbkui，vi]表示在該帶寬下第[i]個樣本點的第[k]個解釋變量的回歸系數(shù)。

3" 模型結果與分析

3.1" 多重共線性及空間自相關檢驗

通過計算各解釋變量的Pearson相關系數(shù)，剔除了具有自相關性的部分變量，剩余解釋變量兩兩之間的Pearson相關系數(shù)都小于0.7，不存在多重共線性，對剩余解釋變量進行空間自相關檢驗，Moran’s I指數(shù)檢驗結果見表2，從表2中可以發(fā)現(xiàn)，除了土地利用混合度和地鐵站點客流量之外其他的p值均為0，說明其他的因子在一定程度上具有空間聚集性。

3.2" 模型結果比較

對上述篩選后的解釋變量進行OLS建模運算發(fā)現(xiàn)土地利用混合度、公交影響面積覆蓋率和交通小區(qū)內(nèi)退休人口占比三個解釋變量的P值較大，說明這三個變量對于整個模型較不顯著，剔除以上三個變量后重新進行OLS建模運算結果見表3。從表3中可以發(fā)現(xiàn)，解釋變量地鐵影響面積覆蓋率、工作人口密度、居住人口密度和擁有私人自行車占比的系數(shù)為正值，對共享單車訂單需求密度起到正向促進作用；解釋變量系數(shù)的絕對值大小反映出解釋變量對因變量的影響作用大小，因此對共享單車訂單需求密度影響作用最大的是工作人口密度。

之后，我們使用MGWR2.2軟件構建模型，選擇AdaptiveBisqure為空間核函數(shù)，Golden Selection為搜索帶寬，運行兩次后分別得到GWR模型和MGWR模型的回歸結果。所得R2值較大，AICc值和RSS值較小的模型，具有更好的解釋力。三個模型的運行結果如表4所示，MGWR的R2值明顯大于其余兩個模型，表明MGWR模型能更好地反映出自變量對共享單車訂單密度的影響。

3.3" 模型結果

MGWR模型運算結果見表5。由表中數(shù)據(jù)可知，居住人口密度、交通小區(qū)內(nèi)自行車擁有率、地鐵影響面積覆蓋率和地鐵站點客流量四個解釋變量的帶寬偏低，其對共享單車訂單需求密度的影響偏向局部；工作人口密度、交通小區(qū)內(nèi)汽車擁有率的帶寬偏高，其對共享單車訂單需求密度的影響偏向全局。

3.4" 模型分析

針對以上發(fā)現(xiàn)并觀察擬合系數(shù)在空間中的變化情況，我們將以上六個解釋變量經(jīng)過MGWR模型擬合后的系數(shù)進行空間可視化。居住人口密度的系數(shù)空間分布如圖3所示。結合表5中解釋變量的帶寬可以發(fā)現(xiàn)，研究區(qū)域內(nèi)居住人口密度的系數(shù)區(qū)域性較強。主城區(qū)系數(shù)多為正值，在市中心（區(qū)域A）達到最大值，這表明居住人口密度往往會促進共享單車的使用；反觀郊區(qū)，棲霞區(qū)、雨花臺區(qū)以及江寧區(qū)系數(shù)較小，且存在負值。對于這種結果，一種可能的解釋是：相較于主城區(qū)，郊區(qū)的生活設施不夠完整，在這種情況下，區(qū)域內(nèi)的居住人口進行短途旅行的次數(shù)相較于主城區(qū)較少，一定程度上影響了共享單車的使用。另一方面，區(qū)域內(nèi)共享單車相較于市中心投放量較小，難以滿足居民“最后一公里”的出行需求。

圖4為工作人口密度系數(shù)的空間分布情況，結合表5中解釋變量的帶寬，工作人口密度為全局變量，各地之間的系數(shù)差別不大，對共享單車需求密度均起到正向促進作用且影響較大。結合各解釋變量的Pearson相關系數(shù)計算結果，我們發(fā)現(xiàn)工作人口密度這一解釋變量與土地利用變量類型解釋變量（餐飲服務類POI密度、購物服務類POI密度以及生活服務類POI密度）的Pearson相關系數(shù)均在0.8以上，說明工作人口密度對共享單車需求密度的影響與各類POI類似。這與認知相符，即工作人口密度較大的地區(qū)擁有較多的POI數(shù)量。工作人口密度以及POI密度較大的地區(qū)，共享單車的需求量較高。

圖5為地鐵影響面積覆蓋率系數(shù)的空間分布情況，可以發(fā)現(xiàn)主城區(qū)系數(shù)多為正值，在市中心（區(qū)域A）達到最大值，說明其對共享單車需求密度起促進作用；而在雨花臺區(qū)，系數(shù)較小且多為負值，對共享單車訂單需求起抑制作用。對于這一情況，可能的解釋為：在市中心城區(qū)地鐵覆蓋率相對較大，共享單車可以作為地鐵在短距離出行的一種很好的補充。雨花臺區(qū)的高架橋較多，道路設施主要為機動車服務，不利于共享單車的騎行，一定程度上影響了共享單車接駁地鐵這種出行方式的便利性，因此對共享單車訂單需求起到抑制作用。

圖6為地鐵站點客流量系數(shù)的空間分布情況，結合表5中解釋變量的帶寬可以發(fā)現(xiàn)，研究區(qū)域內(nèi)地鐵站點客流量的系數(shù)呈現(xiàn)明顯的區(qū)域性差異，在市中心（區(qū)域A）均為負值；除部分地鐵客流量較小的郊區(qū)外，其他區(qū)域的系數(shù)均為正值，且在玄武區(qū)、秦淮區(qū)（區(qū)域B）以及棲霞區(qū)南部（區(qū)域C）系數(shù)較大。對于這種情況可能的解釋如下。第一，市中心（區(qū)域A）共享單車的投放量較大，投放密度已經(jīng)趨于飽和，地鐵站點客流對共享單車的促進作用已經(jīng)接近上限，且由于人流量較大，道路較為擁擠，不利于共享單車的騎行。第二，玄武區(qū)和秦淮區(qū)（區(qū)域B）的道路較為寬闊，有良好的騎行環(huán)境，且地鐵站點較為密集，人們更傾向于選擇共享單車接駁地鐵的出行方式。第三，棲霞區(qū)南部（區(qū)域C）為原地鐵一號線起始站點邁皋橋站，客流量較大，且站點附近的各類設施如醫(yī)院、學校等較為齊全，人們傾向于選擇共享單車作為“最后一公里”的出行方式。

如圖7所示，自行車擁有率這個社會經(jīng)濟人口變量和地鐵影響面積覆蓋率在空間上對共享單車訂單密度的影響極為相似，在大部分區(qū)域呈現(xiàn)積極的影響，且在市中心（區(qū)域A）達到峰值?？赡艿慕忉屖牵寒斍埃罔F結合自行車出行的方式已成為許多人的選擇，在私家車擁堵嚴重的市中心地區(qū)，這種選擇就顯得尤為突出。對于擁有私人自行車的家庭，當家人結伴出行時，由于家中自行車數(shù)量有限，因此需要租賃共享單車達成同時出行的目的，這與流行的出行方式相符，因此私人自行車擁有率在空間上對共享單車訂單密度起到了促進作用。

圖8為汽車擁有率占比的系數(shù)空間分布，結合表5可以發(fā)現(xiàn)擁有私人汽車占比的帶寬較大，可近似當作全局變量，因此各地之間的系數(shù)差別不大，均起到反向抑制作用。

4" 結" 論

本文基于共享單車OD數(shù)據(jù)以及其他多源數(shù)據(jù)，以南京摩拜單車為例，研究了共享單車訂單需求密度的空間影響因素。通過GWR和MGWR模型對解釋變量的擬合，對擬合結果進行了分析，得出了以下結論。

首先，主城區(qū)居住人口密度越大，共享單車訂單需求密度越大，在郊區(qū)由于共享單車投放量較少，無法滿足用車需求，居住人口密度對共享單車訂單需求起抑制作用；工作人口密度對共享單車訂單需求起促進作用。因此，建議增大郊區(qū)居民區(qū)附近和公司較多區(qū)域的共享單車投放，緩解用車高峰時期單車數(shù)量不足的情況。

其次，市中心的共享單車投放密度已經(jīng)趨于飽和，除市中心外，建議在地鐵站點附近規(guī)劃更多的自行車?？空军c，并及時向附近區(qū)域投放共享單車，緩解無法停放自行車的停車焦慮以及公共自行車數(shù)量少造成的用車壓力，從而吸引更多的出行者選用共享單車的出行方式。

再次，自行車擁有率對共享單車訂單密度起到了促進作用，共享單車很好地補充了集體出行時私人自行車不足的情況。而汽車擁有率對共享單車訂單密度起到抑制作用。建議宣傳低碳出行的方式，呼吁人們選擇更環(huán)保的出行方式。

最后，增加共享單車的車型，例如：儲物筐更大的共享單車、便于攜帶兒童的共享單車以及便于老人騎行的共享單車等，從而增加人們出行時選擇共享單車作為出行方式的可能性。

參考文獻：

[1]" 中國道路運輸協(xié)會. 互聯(lián)網(wǎng)租賃自行車行業(yè)數(shù)據(jù)信息統(tǒng)計和分析報告（2022年第1期）[EB/OL]. （2023-01-19）[2024-01-19]. https：//www.crta.org.cn/details.html？id=11amp;contentId=2922.

[2]" LI Aoyong，ZHAO Pengxiang，HUANG Yezhi，et al. An empirical analysis of dockless bike-sharing utilizati-on and its explan-atory factors：Case study from Shanghai，China[J/OL]. Journal of Transport Geography，2020，88（5）：10. [2024-02-18]. www.sciencedirect.com/science/article/pii/S0966692320302623.

[3]" 馬新衛(wèi)，季彥婕，金雨川，等. 基于時空地理加權回歸的共享單車需求影響因素分析[J]. 吉林大學學報（工學版），2020，50（4）：1344-1354.

[4]" 李福，徐良杰，朱然博，等. 基于XGBoost算法的共享單車借車需求量預測[J]. 武漢理工大學學報（交通科學與工程版），2021，45（5）：880-884.

[5]" 路慶昌，徐標，崔欣. 建成環(huán)境與共享單車流率的非線性關系研究[J]. 華南理工大學學報（自然科學版），2023，51（2）：100-110.

[6]" 惠英，唐磊，解英堃，等. 區(qū)域建成環(huán)境對共享單車日變特征的影響——以廈門市為例[J]. 城市交通，2021，19（6）：81-90.

[7]" VANDENBULCKE G， DUJARDIN C， THOMAS I， et al. Cycle commuting in Belgium： Spatial determinants and 'recycling' strategies[J]. Transportation Research Part A： Policy and Practice， 2011，45（2）：118-137.

[8]" BAO Jie， LIU Pan， YU Hao， et al. Incorporating twitter-based human activity information in spatial analysis of crashes in urban areas[J]. Accident Analysis amp; Prevention， 2017，106：358-369.