城市軌道交通站點互聯網租賃自行車騎行接駁比例影響研究*

蔣 源 陳小鴻 胡松華 喬俊杰

(1.成都市規劃設計研究院,610041,成都；2.同濟大學鐵道與城市軌道交通研究院,201804,上海；3.馬里蘭大學帕克分校土木環境工程系,20742,馬里蘭州,美國∥第一作者,工程師)

在與城市軌道交通的接駁中，互聯網租賃自行車擺脫了固定租賃點的限制，提高了用戶使用的便利性，其使用規模可觀。文獻[1]顯示，互聯網租賃自行車的出現使得在城市軌道交通站點(以下簡為“城軌站點”)進、出站客流中的自行車接駁所占比例從之前的1%分別上升到9.2%和5.8%。

長期以來，國內外學者多以非互聯網租賃的有樁公共自行車作為研究對象，在研究公共自行車騎行特征的基礎上，選擇回歸模型來研究不同類型的影響因素對公共自行車使用特征的影響。影響因素盡管復雜多樣，但主要可歸納為4類：建成環境要素(Built environment)、人口經濟要素(Socio-demographic)、交通設施要素(Road facilities)及時間變量要素(Time-varying)。在建成環境要素方面，區域內居住用地占比越高，用地混合度越高，則該區域內的公共自行車使用量越高[2]。由于城市中心區域擁有較高強度的用地開發，城市中心公共自行車使用量也較高[3]。在人口經濟要素方面，區域中人口密度、就業情況及青年人口比例對公共自行車的使用具有顯著性的影響[4]。人口密度越大、且青年人口比例越高的區域，公共自行車使用比例就越高[5]。在交通設施要素方面，在公共自行車租賃站點附近的公交車線路和公交車站點對車輛使用量具有正向效應[6]。租賃站點周邊有自行車專用道會提高租賃站點車輛的使用量等[7]。在時間變量要素方面，出行時段(高峰時段及非高峰時段)及出行日期(工作日及非工作日)等多被用于檢驗對公共自行車使用量的影響情況[8-9]。

互聯網租賃自行車的影響要素與公共自行車基本一致，然而其擺脫了固定租賃站點的限制，故用戶使用其進行接駁的起訖點自由度更高。本文通過真實的騎行數據，檢驗多種影響要素對城軌站點互聯網租賃自行車騎行接駁比例的影響。

1 研究設計

1.1 研究區域

研究區域為上海市域范圍，研究單元為城軌站點及周邊區域(見圖1)。根據上海人口密度分布及交通統計口徑，以內環線、中環線及外環線為界，將研究區域劃分為城市核心區、中心區、市區及郊區等4個區域，各區的城軌站點分別有141座、76座、69座及42座。據《2018年上海市綜合交通運行年報》，上海軌道交通全網全年日均客運量為1 016萬乘次。

圖1 上海軌道交通研究區域劃分

1.2 數據源

研究數據共涉及到4部分數據源:第1部分數據源是上海全市域2019年10月20日至2019年10月26日活躍互聯網租賃自行車的脫敏騎行數據，共計1 214.23萬條訂單數據，包括訂單編號、單車編號、起終點經緯度、起始及結束時間；第2部分數據源是上海軌道交通16條線路及415座站點的信息，包括站點位置、進出人數及站點屬性；第3部分數據源是建成環境數據，包括住宅用地及商業用地等多類用地的面積及容積率等數據；第4部分數據源是交通設施數據，包括主干道及次干道等不同等級道路的長度，以及常規公交站點等數據。

1.3 數據處理

采用的城市軌道交通、建成環境及交通設施等數據均來自專業部門公開的統計數據，不需處理，故僅需對騎行數據進行脫敏處理。脫敏處理內容為：①刪除訂單編號重復的；②刪除騎行時間小于0或大于1 h的；③刪除起終點經緯度不在上海轄區范圍內的；④刪除字段信息不完整的。經脫敏處理發現錯誤數據僅占1.31%，說明數據質量較好。

在篩選互聯網租賃自行車接駁城市軌道交通的騎行記錄時，基于ArcGIS軟件以城軌站點出入口為中心，通過構建不同半徑緩沖區來選取騎行接駁數據[10]。當緩沖區半徑為5～15 m時，所選數據量的增長率呈緩慢上升趨勢；在緩沖區半徑為25 m處，所選數據量的增長率出現極值，高達55.20%(如圖2所示)。由于城軌站點通常沿路布設，半徑為25 m的緩沖區會越出道路邊線覆蓋到城軌站點附近建筑物內的互聯網租賃自行車。此外，在對向布置一對出入口處，緩沖區可能產生交集，導致數據被統計2次。

圖2 數據增長率與緩沖區半徑之間的關系

為此，以城軌站點出入口為中心，構建半徑為20 m的緩沖區，來選取接駁城市軌道交通的互聯網租賃自行車騎行數據。為確保該范圍具有合理的解釋，本文選取10個位于城市不同區位的站點進行實地觀測，統計1 h內出入口20 m范圍內互聯網租賃自行車取還總量x1及從出入口進出乘客接駁互聯網租賃自行車的數量x2(見表1)。結果顯示，互聯網租賃自行車的接駁比例均為70%以上。此外，如圖3 a)，以均衡圓形作為緩沖區，可能會“圈”住城軌站點周邊建筑物內和道路上的自行車，故本文根據建筑輪廓邊界和道路紅線對均衡圓形范圍進行切割修正(見圖3 b))，以作為城軌站點接駁互聯網租賃自行車的識別范圍(以下簡為“識別范圍”)。

表1 不同站點周邊的互聯網租賃自行車情況統計

圖3 城軌站點互聯網租賃自行車的識別范圍示意圖

如騎行數據的起點或訖點落在識別范圍內，則認為其對應的互聯網租賃自行車為接駁車輛。對識別范圍內的車輛進行統計，可得各站點的接駁車輛數據，進而可得接駁比例為22.14%。

1.4 研究方法

以站點車輛的接駁比例作為因變量，選擇騎行接駁時間、城軌站點特征、站點周邊建成環境及站點周邊交通設施等4類影響要素類型、共計13項影響要素作為自變量(如表2所示)，使用適當的統計模型來分析自變量與因變量間的相關關系。參照文獻[11-12]，本文以城軌站點為中心，通過各站點85百分位數接駁騎行距離來選取站點周邊建成環境自變量及交通設施自變量的數據。

表2 自變量指標解釋

站點騎行接駁比例是以站點進、出站總人數作為分母，接駁車輛取、還總數作為分子進行衡量。騎行接駁時間用于體現日期(工作日與非工作日)及時段(07：00—09：00及17：00—19：00為高峰時段，其余時段為非高峰時段)的差異，且兩者均是0-1判斷變量。站點特征用以體現類型(一般站、換乘站、首末站、換乘-首末站)及區位(中心區、核心區、市區、郊區)的差異。站點周邊建成環境用以體現用地類型(住宅、商業建筑、教育科研、公園綠地)及開發強度(容積率)的差異。站點周邊交通設施用以體現道路等級(主干道、次干道、支路)及公交設施(以站點周邊常規公交數量衡量)的差異。

2 模型的選擇與構建

根據自變量的類型，回歸統計模型應滿足如下要求：①能夠限制變量隨機效益；②能夠解釋自變量與因變量的非線性關系；③能夠揭示空間地理數據影響情況。綜上，選取GAMM(廣義加性混合模型)。GAMM包含隨機效益項、系統成分及連接函數等3部分，有：

式中：

f——GAMM函數；

yi——第i個觀測值，為因變量;

θi——與yi對應的自然參數，與yi均值有關；

φ——與方差有關的離散參數,所有觀測值的離散參數均為φ；

α(φ)——隨機效益項；

b(θi)——系統成分；

c(yi，φ)——連接函數。

SPSS軟件K-S泊松分布檢驗結果(見圖4及表3)顯示，因變量(騎行接駁比例)概率分布漸近顯著(雙尾值)為0.712(顯著性水平>0.05)，近似于標準泊松分布。因此，構建Poisson-GAMM模型來限制變量隨機效益。

圖4 城軌站點騎行接駁比例K-S泊松分布

表3 城軌站點騎行接駁比例K-S泊松分布檢驗

此外，為探究以騎行接駁時期為代表的時變自變量及以城軌站點區位為代表的空間自變量對因變量造成的差異，本研究使用與城市軌道交通運營同時段05：00—23：00的騎行接駁數據構建面板數據，并使用每個城軌站點到城市中心的距離作為“城軌站點區位”自變量的協變量，用于Poisson-GAMM模型的標定。在Poisson-GAMM模型中，因變量yi服從泊松分布，具體表達式為：

Bi～Poisson(λ)

式中：

Bi——不同時段第i個站點騎行接駁比例；

β0——模型截距；

βik——隨機效應；

K——站點數量；

Xik——自變量；

fi(·)——中心二次可微光滑函數；

M——時變因素個數；

Si——第i個城軌站點地理位置信息，即城軌站點到城市中心的距離；

c——城軌站點隨機效應矩陣。

3 回歸分析結果

將415座站點的騎行接駁比例及其對應13個自變量組成的面板數據在R語言中進行回歸分析。回歸分析結果顯示：確定性系數R2=0.853，解釋殘差D=87.6%，表明Possion-GAMM模型數據擬合情況良好，擬合結果可信。

在騎行接駁時期要素中，騎行接駁比例同騎行接駁日期及騎行接駁時段呈正相關。騎行接駁日期及騎行接駁時段都是0-1離散判斷變量。其中：騎行接駁日期取0時代表非工作日，取1時代表工作日；騎行接駁時段取0時代表非高峰時段，取1時代表高峰時段。由表4可知：對于城軌站點的互聯網租賃自行車騎行接駁比例，工作日高于非工作日，高峰時段高于非高峰時段。

表4 Poisson-GAMM模型回歸結果

在城軌站點性質要素中，騎行接駁比例同離散型類別變量的城軌站點類型及城軌站點區位呈非線性相關性(如圖5所示)。經分析：換乘站點自身對客流有較強的吸引力，故對騎行接駁比例有較強的正向效應；由于首末站接駁距離普遍偏大，不宜采用騎行自行車的方式接駁，因此首末站對騎行接駁比例有較強的負向效應；與核心區相比較，中心區的站點密度及線網密度較低，接駁距離更遠，采用步行方式無法滿足全部接駁需求，故中心區成為最適宜騎行接駁的城市區域；位于市郊的站點接駁距離過大，騎行方式難以滿足大部分接駁需求。

圖5 騎行接駁比例與軌道站點類型及區位的非線性關系

在城軌站點周邊建成環境類影響要素中，住宅用地比例與騎行接駁比例呈正向相關，而商業建筑用地比例及公園綠地用地比例與騎行接駁比例呈負向相關，說明人們更愿意在居住地與城軌站點之間使用互聯網租賃自行車進行接駁。教育科研用地比例也與因變量呈正向相關，這是由于學生群體在校區與城軌站點間偏愛使用互聯網租賃自行車接駁方式。騎行接駁比例與作為連續變量的容積率呈非線性相關性，如圖6所示。當容積率為0～1.5時，其與騎行接駁比例呈負向相關，說明如果城軌站點位于土地開發強度較低區域，則互聯網租賃自行車騎行接駁比例較低；當容積率為1.5～6.5時，其與騎行接駁比例呈正向相關；而當容積率超過7時，其與騎行接駁比例又呈負向相關。這表明：互聯網租賃自行車騎行接駁比例并非隨著城軌站點周邊土地開發強度的提升而上升，當城軌站點位于土地開發強度較高區域時，其互聯網租賃自行車騎行接駁比例反而下降。

圖6 騎行接駁比例與容積率的非線性關系

在城軌站點周邊交通設施類影響要素中，主干道比例與公交站點數量同騎行接駁比例呈負向相關關系,說明城軌站點周邊主干道越多、公交站點數量越多，其互聯網租賃自行車騎行接駁比例越低。次干道比例與自變量呈正向相關關系，說明具有良好騎行環境的次干道比主干道更能促使人們選擇互聯網租賃自行車接駁騎行支路比例與自變量呈正向相關關系，支路比例越高，表明該城軌站點的慢行交通可達性越高，使用互聯網租賃自行車進行騎行接駁的比例也越高。

4 結論與建議

4.1 研究結論

1) 本文基于上海市互聯網租賃自行車接駁軌道交通的歷史騎行數據，結合數據挖掘分析及實際調查檢驗，認為以城軌站點出入口為中心20 m為半徑范圍，可用于篩選與城市軌道交通接駁的騎行數據。在此基礎上，采用廣義加性混合模型對重要影響因素進行分析。

2) 在出入口周邊以20 m為半徑的范圍內，接駁城市軌道交通的互聯網租賃自行車騎行量占全樣本數據的22.14%。證明接駁城市軌道交通是互聯網租賃自行車的主要使用目的之一。

3) 本研究采用廣義加性混合模型，以城軌站點互聯網租賃自行車騎行接駁比例作為自變量，騎行接駁時期、城軌站點特征、建成環境及交通設施四類影響要素作為因變量，建立城軌站點互聯網租賃自行車騎行接駁比例影響分析模型，考慮包含時空變量在內多種影響要素的影響作用。

4) Poisson-GAMM模型的統計回歸結果顯示：就騎行接駁時段而言，在工作日或高峰時段城軌站點互聯網租賃自行車騎行接駁比例更高；在站點周邊商業建筑用地比例、公園綠地用地比例、主干道比例等影響要素不變前提下，提高站點周邊住宅用地和教育科研用地比例，以及次干道和支路比例，有助于提高城軌站點互聯網租賃自行車騎行接駁比例；站點周邊商業建筑用地、公園綠地用地和主干道的比例以及公共站點數量的提高，會抑制城軌站點互聯網租賃自行車騎行接駁比例；城軌站點類型、區位及站點周邊容積率與城軌站點互聯網租賃自行車騎行接駁比例呈非線性關系。

4.2 優化建議

經過一段時間發展，互聯租賃自行車已成為城市軌道交通接駁的重要方式。為保障騎行接駁的高效、便捷、有序，本研究認為應注重站點騎行接駁換乘設施的規劃建設：在站點周邊10 m范圍內提供必要且彈性的停放設施及車輛供給，以差異化滿足平峰及高峰時段“有車可取，有地可停”的基本接駁需求；通過在站點周邊設置自行車專用道、打造優美景觀等措施優化接駁騎行環境；設置安全、便捷的騎行過街方式，改善部分主干道因路幅過寬而過街不便情況，進一步提升騎行接駁比例。重點關注位于城市中心區、居住功能片區及高等院校周邊的城軌站點，在騎行接駁換乘設施規劃建設時序安排中給予優先考慮。