天氣與城市共享單車出行需求的關系探究

謝國微，錢林波，湯文蘊 XIE Guowei,QIAN Linbo,TANG Wenyun

（南京林業大學 汽車與交通工程學院，江蘇 南京 210037）

0 引 言

共享單車的出現，增加了居民通勤方式的選擇，其與公共交通的銜接，成為一種新的出行模式。不僅滿足了人們的出行需求，也對緩解城市交通擁堵起到了一定的作用。但共享單車出行極易受到交通環境的干擾，其中天氣是一種重要的干擾因素。

以往關于共享單車的騎行研究大多通過調查問卷，這樣的數據來源樣本小，研究結果易產生偏差。而對大數據的挖掘與分析突破了傳統的數據收集方法的限制，可以得到更為可靠的研究結論，為自行車運營商和政府調整自行車管理策略提供更加堅實的參考依據。因而本文通過共享單車訂單數據探究天氣因素對共享單車出行需求的影響，以及各影響因素之間的相互關系。

1 國內外研究綜述

Gebhark研究發現，道路上出現的霧等天氣狀況會降低水平能見度進而導致公共自行車出行率降低。Campbell等研究結果發現溫度、降雨以及空氣質量等條件對選擇自行車出行影響程度較強。Wang等認為少量的雨和霧可能對用戶出行的選擇影響不大。Sun等得出結論，下雨天氣的影響因用戶群體而異。

閔家楠分別研究了雨天和空氣質量較差時公共自行車的出行強度，發現兩種天氣情況下公共自行車的使用具有一定的規律。龔迪嘉等采用氣溫、降水量和地形特征作為評價因素，發現北京等城市適宜發展公共自行車，而有些山地眾多的城市則不適宜發展公共自行車。黎鵬的研究表明，不同地點或不同時段受天氣因素影響的特征差距很大。魏志強等認為降雨和溫度都對共享單車騎行距離意愿產生顯著影響。朱妍和干宏程認為天氣是影響出行者短距離出行是否選擇自行車的首要因素。

目前，對于自行車的研究主要集中在自行車的出行特征、出行需求預測、公共自行車站點布局等方面，對于天氣的影響探究還不足。利用共享單車出行大數據，探索天氣因素對共享單車出行需求的影響，不僅有助于評估天氣對城市居民社會經濟活動的影響程度，也能為更準確地研究城市用戶使用共享單車的影響機制提供支撐。

2 數據來源與預處理

2.1 數據來源

自行車數據來源于上海市2016年8月的摩拜單車訂單及軌跡數據，原始數據涵蓋了2016年8月1日到8月31日，共102 361條記錄，每條記錄包含訂單編號、車輛編號、用戶編號、起終點位置、起止時間、軌跡等信息。氣象數據由環保總局實時監測數據和網站rp5.ru數據整合而成，其中包含以小時為單位的天氣情況、空氣質量指標等信息。

2.2 數據清洗與選取

本研究利用Python（Anaconda中的Spyder平臺）進行數據清洗與挖掘。在原始數據中新增“時長”列，計算騎行起止時間的差值得到騎行時長，并將時長單位換算成分鐘；新增“路徑”列，通過不斷讀入騎行軌跡列表，每一次按順序取出兩個列表元素，得到前軌跡點經緯度和后軌跡點經緯度，計算出兩點的位移，再把每小段的位移累加起來得到騎行的路徑；通過騎行路徑除以騎行時長，新增“速度”列，并將單位換算為km/h。

參考相關文獻，選取騎行速度12~20km/h、騎行時長1~120分鐘的訂單數據，最終提取出35 909條記錄。在提取出的數據中，根據訂單開始時間，新增日、星期、小時字段，并按照日、星期、小時整合數據集，統計每小時訂單數，作為后續研究中的因變量。將整合后的摩拜單車數據集與天氣數據集進行合并，為后續分析做好準備。

3 變量定義與編碼

根據研究內容，本文的因變量定義為共享單車出行需求，用共享單車的小時出行量表示。

本文涉及的天氣因素包括天氣情況、空氣質量指標、溫度、大氣壓、相對濕度、風速、總云量、水平能見度。其中，空氣質量指標包括AQI、PM2.5、PM10、SO、NO、CO、O等濃度。

3.1 分類型變量定義與編碼

天氣情況變量屬于分類型變量，不能直接進行回歸分析，應設置虛擬變量。如果所有虛擬變量都參與回歸分析，則會導致完全共線性問題。當分類型解釋變量有個類別值，則只需引入-1個虛擬變量到回歸模型中。本研究調查得到的天氣情況有晴、多云、陰、中雨、陣雨、雷陣雨6種變量，因此只設置5個虛擬變量。表中=0代表工作日數據，=1代表休息日數據。虛擬變量定義及編碼如表1所示。

表1 虛擬變量定義及編碼

3.2 數值型變量定義與編碼（如表2所示）

表2 數值型變量定義與編碼

4 基本統計分析

4.1 騎行時間分布特征

統計工作日和休息日的日均騎行時間分布特征（如圖1所示）。工作日有明顯的早高峰和晚高峰。早高峰出現在7點至9點，晚高峰出現在17點至19點，而9點至17點、19點至22點則為平峰時段；休息日數據在7點至22點無明顯的波動。0點至6點的共享單車出行需求顯著低于其他時段。因而后續分析中將以7點至22點作為研究時段。

圖1 工作日和非工作日24h訂單數分布

4.2 騎行空間分布特征

參考《上海市城市總體規劃（2017-2035）》，本文將上海中心城區作為研究范圍。上海中心城區包括靜安區、徐匯區、虹口區、普陀區、黃浦區、長寧區、楊浦區以及浦東新區等外環線以內的區域。

將摩拜單車的騎行起點經緯度位置導入ArcGIS，運用核密度分析工具對騎行起點的空間分布進行可視化（如圖2所示）。

圖2 上海中心城區共享單車騎行起點密度分布

圖2中黑色線框內為上海中心城區范圍。可以看出，上海騎行活動多集中發生在城市公共活動中心、醫院、高校等場所。如楊浦區所建高校較其他行政區域密集，自行車騎行起點的密度也是最高的。這證明了共享單車在高校學生中的流行度，也說明了騎行活動受建成環境的影響較大。

4.3 自變量相關關系分析

在Spyder中利用Seaborn庫繪制所有備選自變量的相關性系數圖（如圖3所示），可以發現各自變量之間是否存在線性相關關系，為后文使用多元線性回歸分析提供參考。

圖3 自變量相關關系分析

如圖3所示，橙色單元格表示所對應的兩個變量呈正相關，且顏色越淺，相關性越大；紫色單元格表示所對應的兩個變量呈負相關，且顏色越深，相關性越大。單元格中的數字表示兩個特定變量的相關系數。

從圖中可以看出，天氣狀況與相對濕度存在中度相關，這也與實際生活規律相符。溫度和NO濃度、大氣壓，相對濕度與O濃度存在一定程度的負相關。其中，AQI與PM2.5、PM10、SO、NO、CO、O濃度的相關性均較強，這可能是由于他們之間的定義存在部分重疊。尤其，AQI與PM2.5和PM10高度相關，需要結合三者之間的散點圖進一步分析。

如圖4所示，AQI與PM2.5、PM10之間存在正相關關系，這反映出AQI與PM2.5、PM10可能存在多重共線性問題。因而在多元線性回歸分析時可以考慮剔除一些變量。

圖4 PM2.5、PM10和AQI構成的散點圖

4.4 共享單車出行需求與各自變量關系分析

（1）共享單車出行需求與AQI

由于AQI與PM2.5、PM10、SO、NO、CO、O的定義存在部分重疊，且皆具有不同程度的正相關性。所以僅描繪共享單車出行需求隨著AQI的變化圖，如圖5所示。

圖5 共享單車出行需求與AQI

整體上看，工作日共享單車小時出行量高于休息日。隨著AQI值的不斷增大，休息日共享單車出行量發生變化的幅度較小，但是工作日的下降趨勢比較明顯。顯然，空氣質量因素會在一定程度上影響用戶的共享單車出行需求。相關研究也表明，騎行過程中人的肺活量增大，吸進體內的有害物質會增多，對身體的潛在危害更大。

（2）共享單車出行需求與溫度

根據圖6可知，隨著氣溫的上升，工作日和休息日的共享單車出行量均有小幅的降低，變化程度較為接近。這可能是因為本研究僅涵蓋8月份范圍的訂單數據，因此氣溫的變化程度不明顯。

圖6 共享單車出行需求與溫度

（3）共享單車出行需求與大氣壓

從圖7可以發現共享單車的出行量與氣壓的變化均存在一定的正相關。氣壓的高低對人體生理的影響主要是影響人體內氧氣的供應。氣壓下降，機體會加快呼吸及血循環，出現呼吸、心率加快的現象。且在低壓環流形式下，大多為陰雨天氣，風的變化比較明顯；在高壓環流形式下，多為晴天，天氣比較穩定。同時，氣壓的變化還會影響人的心理變化，使人產生壓抑、郁悶的情緒。例如，夏季雷雨前的高濕天氣，此時氣壓較低，人常有抑郁不適之感。上述因素，皆會影響用戶騎行的決策。

圖7 共享單車出行需求與大氣壓

（4）共享單車出行需求與相對濕度

如圖8所示，隨著相對濕度的增加，共享單車出行量有較小的增長趨勢。環境相對濕度過低時會降低人體呼吸系統的抵抗力，誘發和加重呼吸系統疾病，進而影響用戶出行方式的選擇。同時，濕度的變化通常也伴隨著氣溫與氣壓的變化，因而相對濕度對用戶出行決策的影響值得關注。

圖8 共享單車出行需求與相對濕度

（5）共享單車出行需求與風速

風速的大小常用風級來表示。在氣象上，一般按風速大小將風劃分為十七個等級。通過圖9可以發現，隨著風速的提高，共享單車出行需求有一定程度的上升，說明用戶更愿意在有風環境下騎行。可見風速在1m/s到8m/s，即5級以內的風力（清風）對于共享單車出行的影響是正向的。受調查數據的限制，當風速繼續增大時，會對共享單車出行需求呈現怎樣的影響還有待進一步的研究。

圖9 共享單車出行需求與風速

（6）共享單車出行需求與總云量

從圖10可以發現，總云量無規則波動幅度相對較大，云量的增加在一定程度上會引起共享單車出行需求的增加。這可能是因為云量的多少恰好是晴、陰、多云等天氣的反映，而用戶更喜歡在溫度相對較低，即多云或陰天等云量較多的氣象條件下選擇自行車出行。

圖10 共享單車出行需求與總云量

（7）共享單車出行需求與天氣情況

如圖11所示為共享單車在不同天氣情況下平均每小時的出行量。工作日在晴天時的共享單車小時出行量最高，而休息日在雷陣雨下的共享單車小時出行量最高，這可能與工作日和休息日用戶的不同出行目的有關。整體上，晴天、多云條件下的共享單車出行需求要多于陰雨天氣。這與現實中的規律較為符合。但在雨天下仍有不少共享單車用戶出行，這可能是因為用戶習慣性地采取了某種避雨措施，也反映出在短距離出行方面，共享單車作為一種通勤、接駁工具，對用戶而言是一種剛性需求。

圖11 共享單車出行需求與天氣情況

由于上海城區8月份無霧、霾等惡劣天氣，水平能見度大部分處于10km，因此本小節暫不分析水平能見度與共享單車出行需求的關系。

5 天氣對共享單車出行需求影響的建模分析

為了更好地分析天氣變化與共享單車出行需求的關系，使用SPSS軟件建立多元線性回歸模型，分別研究工作日和休息日的數據。

采用向后選擇法輸入自變量建立回歸方程。其中，工作日和休息日數據分別經過10步構建回歸模型。

表3顯示調整后平方分別為42.3%和57.2%，模型的結果較為可靠。

表3 模型摘要

表4中，工作日和休息日的顯著性水平近似于0，說明因變量與自變量的線性關系顯著，下面進行多元線性回歸模型分析。

表4 變異數分析

如表5所示，工作日數據最終模型中各解釋變量的顯著性水平都小于0.05，說明表中變量對共享單車出行需求的解釋是有顯著性貢獻的。已經篩除的自變量有多云、陣雨、PM2.5、PM10、SO、NO、O、相對濕度、總云量。將各最終解釋變量帶入方程，工作日回歸方程如式（1）所示：

表5 工作日系數

結合回歸系數可知，陰、中雨、雷陣雨天氣對共享單車出行需求的影響，皆呈負相關，雷陣雨比中雨帶來的影響更顯著。AQI、CO的系數為負，說明與共享單車出行需求負相關，其中AQI的影響程度最大。溫度對共享單車出行需求的影響是負的，隨著溫度每升高一個單位，共享單車出行量平均降低5.046輛/h。大氣壓、風速、水平能見度都與共享單車出行需求正相關。

如表6所示，休息日數據中篩除的自變量有多云、中雨、陣雨、PM2.5、SO、NO、CO、大氣壓、總云量、水平能見度，這些變量對共享單車出行需求的線性解釋沒有顯著性貢獻。將表中各自變量帶入方程，休息日回歸方程如式（2）所示：

表6 休息日系數

結合回歸系數可知，雷陣雨、AQI、PM10、溫度都對共享單車出行需求有著負向影響，而AQI的影響程度較之其他因素最大。風速的相關系數為正，隨著風速每提高1個單位，共享單車出行量平均增加2.844輛/h。這些結論與工作日數據模型較為一致。

與工作日不同的是，休息日數據中，陰天的影響系數為正。這可能是與工作日、休息日下用戶的出行目的不同有關。工作日多以通勤、接駁為目的，休息日多以娛樂、休閑出行為主。陰天時，以娛樂休閑為目的出行的共享單車用戶會覺得更涼爽，騎行體驗更好。另外，休息日中少了中雨、大氣壓、水平能見度三個因素，增加了PM10、相對濕度兩個因素，其中PM10的回歸系數為負，相對濕度的回歸系數為正。這也可能與不同出行目的的用戶對環境里不同因素的關注程度不同有關。

6 結 論

本文選取上海市中心城區，研究了天氣因素對共享單車出行需求的影響。從研究中得到如下結論：

（1）工作日中，大氣壓和水平能見度對共享單車出行需求的影響是顯著正相關的，但對休息日出行用戶無影響。休息日時，PM10呈現負向影響，相對濕度呈現正向影響，但對工作日出行用戶無影響。

（2）AQI與PM2.5、PM10等空氣質量指標存在一定的正相關關系。隨著AQI指數的增加，即污染程度增高時，會使共享單車出行需求降低。

（3）晴天、多云天氣時，共享單車的出行需求要顯著多于陰、雨天氣。陰、中雨、陣雨、雷陣雨天氣在工作日與休息日，對共享單車的出行需求影響程度有所不同。雷陣雨在工作日中的影響程度要大于其他因素，而休息日出行的用戶更喜歡選擇陰天騎行。

（4）隨著溫度的升高，共享單車的出行需求會有所降低。相反，隨著風速的提高，在一定范圍內，共享單車的出行需求會增加。

根據上述結論，建議共享單車管理者在雨天、污染等惡劣天氣與高溫時段下減少單車的投放量，節約道路空間，合理分配自行車資源。由于休息日的共享單車出行需求要低于工作日，可在休息日期間對共享單車分時段、分區域進行維護，提高用戶的使用體驗。