共享單車周轉率影響因素研究
——以西安市為例*

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劃.馬書紅等[16]研究認為共享單車與公共自行車可以實現互補，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劃研究，以促進城市設施優化布局，并簡單分析了共享單車的統計屬性.文獻[11]認為公共自行車周轉率是指在單位時間內單個自行車平均被借出的次數，即單位時間公共自行車借出次數與初始時刻自行車數量的比值.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網點在該天內的租車次數與網點樁位數的比值.潘雪等[20]通過對公交站點、商業點、居住點的公共自行車周轉率分析，發現公家站點周轉率明顯高于商業點和居住點.

本文以西安市共享單車的使用數據為例，從小區層面研究人口密度，用地性質，小汽車保有量，小區交叉口密度與線網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特征相適應的自行車系統.

1 方 法

1.1 數據收集

本文以西安市市轄區建成區三環以內范圍為研究對象，該區域交通網絡發達，人口居住密集，商業集中.其城市發展主要指標見表1.

本次共享單車數據來源于網絡爬蟲，主要爬取2017年10月31日西安市三環內的全天數據.每小時采集一次，共采集347 250條數據；其中，數據字段包含單車Id、經緯度坐標(lng，lat)、采集時刻(datetime)和采集次數(timenumber)，見表2.

表2 共享單車GPS數據序列

本次小區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、社會經濟、用地類型等因素將西安市劃分為 900個交通小區，其中三環以內有600個交通小區，社會經濟屬性主要包括各小區的常住人口、流動人口、學生數、服務崗位、其他崗位、總崗位數；用地性質主要包含居住、辦公、商業、教育、醫療等屬性.

1.2 數據處理

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

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

2) 所有采集時刻，單車出現不止一次，即單車出現的反復性.利用Excel數據透視表中的Id字段，剔除所有只出現一次的共享單車；清洗結果見表3.

表3 數據清洗結果

注：占比是指該次清洗方法剔除的數據量與未剔除時的數據量的比值

1.3 變量定義

在數據清洗的基礎上，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量N，利用Id與lng，lat字段，剔除共享單車全天內未移動過的數據，得到共享單車的使用次數n.根據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，研究區域內共享單車使用量與共享單車總量之比.

(1)

式中：n為小區范圍內共享單車的使用次數；N為初始時刻單車數量.

但是該周轉率指標不具有代表性，表現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為小區的面積.

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

(3)

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

(4)

各小區用地性質比例為小區的各屬性面積與小區總面積的比值：

(5)

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

1.4 Tobit回歸模型

Tobit回歸用于解釋小區路網密度、交叉口密度以及用地屬性等因素對小區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 描述統計

各小區初始時刻觀測到的單車數量分布見圖1，三環內各小區單車平均數量為353輛，最少為12輛，最大為1 311輛.三環南部單車數量明顯高于其他區域，單車數量分布體現明顯的空間不均衡性；圖2為各小區周轉率分布情況，在觀測的24小時各小區單車使用次數平均約為426次/km2，最少為6次/km2，最大為1 766次/km2.各小區平均周轉率為2.95/km2，在觀測時段內，由于小區區域較大，停放的單車數量較小,部分小區單車周轉率為0.企業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、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 各小區初始時刻單車分布

圖2 各小區周轉率分布

圖3為各小區的周轉率直方圖.小區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分布.對周轉率進行平方根，log以及平方根的倒數轉換后，利用stata13.0進行卡方檢驗.由于數據本身特點，三個方式轉換后，平方根以及平方根的倒數出現斷尾的正態分布形態，但是log轉換是較為完整的正態分布.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的因變量進行Tobit模型回歸.

圖3 小區周轉率

此外，三環內有28個小區交叉口數量為0，主要是由于郊區路網比較稀疏，小區劃分的比較??；不同小區的用地性質不同，導致一些小區的經濟社會屬性的最小值為0；居住、辦公、商業、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，對數據進行Tobit模型回歸的結果，表6為對周轉率進行log變換后，對數據進行多元線性回歸的結果.對周轉率進行平方根倒數轉化后進行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.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周轉率.隨著小區常駐人口密度和賓館流動人數的增加，小區單車周轉率增加.但賓館流動人口密度對小區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模型參數估計

注：表中所列變量均為變量系數顯著性小于0.1的變量

表6 周轉率log_多元回歸模型參數估計

注：表中所列變量均為變量系數顯著性檢驗P值小于0.1的變量.

小區內學生人口密度以及服務行業人口密度的增加，同樣會提高小區內共享單車的周轉率.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域單車周轉率較高.

汽車保有量密度的增加，會導致小區內單車周轉率的增加.交通小區內汽車保有量越高，則造成小區內路網擁堵的可能也會增加，路段的擁堵導致非機動車騎行次數的增加，部分人群會轉為自行車出行.而且Moudon等[22]研究發現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，在小區內單車密度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.在小區內單車密度大于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.研究好發現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，則該區域學生人數會增加，間接地增加的單車時使用次數.

3 結束語

本文利用網絡爬取的西安市三環內的某天共享單車數據，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常駐人口密度和賓館流動人數的增加，小區單車周轉率增加，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.