多源大數據支持下的共享單車出行與空間品質耦合研究*

楊林川 喻冰潔 梁 源 趙桂林

0 引言

綠色、低碳交通是實現“雙碳”發展目標的重要發展路徑[1-2]，為全社會深度脫碳提供了關鍵補充。共享單車作為新時期共享經濟的典型代表和“互聯網+共享”的綠色、低碳交通工具，有助于解決公共交通出行“最后一公里”[3-4]，緩解交通擁堵、環境污染以及溫室氣體排放等問題[5-7]。此外，共享單車在促進居民體力活動、提升人群和社會健康等方面也發揮了積極作用[8-9]。2016年，共享單車開始在中國興起，并在多個大中城市快速發展。智研咨詢公布的《2022—2028年中國共享單車行業競爭格局分析及未來發展潛力報告》顯示，2021年中國共享單車用戶規模達到3億，較2020年增加了0.18億，同比增長6.38%。然而，城市建成環境與空間治理未能及時響應共享單車的高速擴張，這導致了共享單車停放無序、供需失衡等一系列問題。因此，在“雙碳”發展目標以及騎行需求增長的社會語境下，合理優化共享單車與空間資源的配置，保障城市建成環境良性適配居民騎行特征，對實現騎行友好、建設低碳城市具有重要意義[10-11]。

國內外學者對共享單車出行時空特征與影響因素等方面開展了廣泛的研究。有學者通過共享單車數據對騎行時長、騎行距離以及OD（origin-destination，即起點—訖點）網絡等進行分析[12-14]，發現工作日的騎行存在明顯的早晚高峰聚集特征[12-13]，具有典型的潮汐分布現象[14]。有學者研究發現共享單車出行與居住、公共服務用地面積比重、POI密度、土地多樣性等因素正相關，與到市中心距離和到公交站距離負相關[15]；在短距離出行中，共享單車與公交巴士容易形成競爭關系，與軌道交通形成共生關系[16]。還有部分研究采用調查問卷的方法收集相關數據，從年齡、性別、職業、受教育程度等不同因素與共享單車出行的關聯，研究發現女性、年輕人、受教育程度越高的人群更傾向于共享單車出行[17]。

騎行環境（主要指街道環境）的品質對居民的共享單車騎行意愿有較大的影響。國內外學者主要從騎行者角度出發，解析個人/家庭社會經濟屬性（如年齡、性別、就業特征、騎車經歷）、建成環境等因素與騎行行為的關聯，探究居民對騎行環境要素的偏好規律，并構建出行品質評價模型與方法[18-21]。相關的建成環境要素可分為：路段要素，如道路等級、機動車路邊停車、自行車設施類型、機動車流量、地形、路面寬度、街道綠化、街道景觀；路徑要素，如自行車道連續性、路徑上的紅燈數量、交叉路口的數量、自然景觀。有學者通過敘述性偏好（stated-preference, SP）方法對虛擬騎行路徑進行調查，并建立離散選擇模型對騎行環境因素進行分析[22-24]。結果表明，騎行者最關注的環境要素包括自行車道類型、機動車流量、機非隔離設施、機動車路邊停車和街道景觀[24]；更長的騎行時間會對自行車的吸引力產生顯著的負面影響[20,23]。也有學者通過顯示性偏好（revealed-preference, RP）方法對共享單車使用特征進行分析，挖掘騎行環境偏好規律[25-26]。近年來，城市街景數據也被廣泛用于共享單車出行影響的研究。例如，埃文斯·考利（Evans-Cowley）等采用StreetSeen騎行偏好調查工具來分析騎行者的環境要素偏好，并建立離散選擇模型來解析路段級因素產生的影響，結果表明人行道、行人、交通穩靜化（traffic calming）設計符合受訪者的騎行偏好[27]。

由于共享單車出行存在較強的時空差異，很多街道的騎行環境無法較好地適配單車出行。單車出行和空間品質的不匹配影響著居民的騎行意愿與便利性，因此亟需開展兩者的耦合研究，但現有研究付之闕如。此外，關于騎行空間品質的測度，僅有少數學者關注“人本尺度”的建成環境指標，例如綠視率、天空率、建筑色彩等街景視覺體驗指標。基于此，本文以廈門島為例，挖掘共享單車數據，解析共享單車使用規律，利用POI、公交線網、街景圖像等多源大數據，通過深度學習與熵權法建立騎行空間品質測度模型。最后基于四象限法與地理加權回歸（GWR）模型研究“單車出行—空間品質”的耦合關系，實現騎行友好空間優化的定點定向。本文可為騎行友好城市/社區（cycling-friendly city/community）的設計實踐需求背景下，城市街道空間的慢行適應性更新與重塑提供理論依據與規劃啟示。本文的技術路線如圖1所示。

圖1 技術路線Fig.1 research roadmap

1 共享單車出行的時空特征

本文的研究范圍為廈門島。廈門島已經擁有地鐵、BRT（bus rapid transit，即快速公交）、常規公交等多種公共交通方式。共享單車于2016年進入廈門島，現已成為居民的重要出行方式。本研究使用的主要數據包括共享單車軌跡數據和多源城市空間數據。共享單車數據為2020年12月21—25日5天內的單車數據，包括車輛及開關鎖時間、單車使用起始時間、起點和終點坐標等基本信息。此外，結合相關文獻與研究成果，搜集行政邊界數據、街景數據、公交線網數據、POI數據、路網數據、建筑輪廓等數據便于后續分析。

1.1 共享單車出行的分時段特征

由于共享單車位置數據準確度受到GPS定位精度的影響，因此根據軌跡分割算法將軌跡切分為多次出行（trip）。輸出根據分割算法處理后平均的訂單時長累計分布，與訂單數據計算的訂單時長累計分布反復校核，確定最終的分割參數，完成軌跡分割。最后，利用隱馬爾可夫快速地圖匹配算法對軌跡數據進行處理，將其匹配到具體路段。

共享單車出行的時空分布如圖2所示。廈門島的共享單車出行在6:00—10:00形成了“多點一軸”的空間格局。熱點分布于江頭和呂厝地鐵站、觀音山商務區、火炬園片區等地段，并沿湖濱南路區域形成共享單車出行帶狀軸。其中單車流量較大路段為湖濱南路、廈禾路、環島南路、呂嶺路、仙岳路以及枋湖北二路等。這些路段涵蓋了廈門島的主要生活圈與核心干道。從整體上看，廈門島共享單車的時空區域分配不均衡，一定程度上影響了城市交通運行效率，加劇了出行密集地段的交通擁堵，不利于居民的騎行體驗。

圖2 6:00—10:00廈門島共享單車路段流量Fig.2 bike-sharing usage during 6 a.m. and 10 a.m. in Xiamen Island’s road segments

1.2 共享單車出行距離與時長分布

對騎行用戶的單車出行距離、出行時長進行統計，得到單車出行距離與時長的概率密度分布和累計分布（圖3）。在公交接駁、休閑娛樂以及校園出行等主要出行需求的分異下，廈門島單車出行距離的時空變化顯著。其中，共享單車出行距離主要集中在500～1 500 m（約占39%）；5 km以下的共享單車出行約占整體出行的90%。

圖3 共享單車出行距離和時長分布Fig.3 distribution of bike-sharing trip distance and duration

從廈門島單車出行時長的概率密度分布圖來看，共享單車出行時長主要集中在5～10 min（約占40%）；20 min是多數騎行者的最長忍受時間；20 min以內的出行約占93%。這表明，共享單車的使用者更傾向于短時間出行。

1.3 共享單車出行OD時空分布

對每小時內用戶騎行的起點和終點進行空間可視化分析，得到每小時共享單車出行OD（圖4）。結果顯示騎行網絡密度在7:00—8:00達到早高峰，騎行多以地鐵站點為起訖點，受到商業、辦公、餐飲、居住等空間要素的影響，并具有明顯集聚特征。基于廈門島地鐵與BRT線路，對共享單車出行OD進行解讀，發現其形成了以下幾種典型OD關系：一是居住地—地鐵站，如火炬園、烏石浦等區域的通勤者以站點為核心，形成了密集的單車出行OD；二是地鐵站—工作地，當就業人群到達觀音山、軟件園、呂厝等位于商業商務區的站點時，他們使用共享單車前往工作地；三是BRT站—地鐵站，大型BRT站與地鐵站之間形成了大量的騎行交通流，主要原因是不少出行者需要先后使用BRT與地鐵進行通勤。可以看出，高密度開發區域、核心路段的交叉口和地鐵站域是騎行的熱點區域，說明人流高密度、公交可達性高、商業商務設施發達的區域更易形成共享單車出行高峰區。隨著共享單車的快速普及，城市交通系統、街道空間、服務設施也需要響應變化。

圖4 共享單車出行OD分布Fig.4 bike-sharing trip OD distribution

2 街道騎行空間品質評價

2.1 騎行空間品質指標選取與評價體系構建

本文在選取騎行空間品質指標時，充分考慮了國內外相關文獻研究、慢行系統設計規范以及廈門島街道的實際情況，以及塞維諾（Cervero）等提出的建成環境5Ds測度模型（密度density、多樣性diversity、設計design、目的可達性destination accessibility、公交可達性distance to transit）。因此，選取了三類指標：第一，傳統的非機動車道寬度、自行車停車設施等慢行設施指標；第二，交通可達性、各類POI服務設施密度指標；第三，綠視率、天空率等騎行視覺體驗“人本尺度”指標。

評價指標被分為五類，包括服務設施密度、功能多樣性、交通可達性、騎行視覺舒適度、騎行設施完整度（表1）。其中，服務設施密度指標包括生活服務、公共設施、購物娛樂、公司企業、容積率；功能多樣性指標包括設施混合度；交通可達性指標包括緩沖區內地鐵、常規公交、BRT站點數量；騎行視覺舒適度指標包括綠視率和天空率；騎行設施完整度指標包括人行道寬度、非機動車道寬度、自行車停車設施、連續非機動界面寬度。通過熵權法求得各指標要素的權重。基于街景數據的騎行視覺舒適度測度案例如圖5所示。

表1 街道騎行空間品質評價體系Tab.1 evaluation system of the cycling space quality of roads

圖5 基于街景數據的騎行視覺舒適度測度案例Fig.5 example of visual variables measurement based on street view imagery data

2.2 街道騎行空間品質評價流程及結果

2.2.1 騎行空間品質評價流程

本文選取了廈門島共享單車使用強度最高的中心區來進行街道騎行空間品質評價（圖6）。街道服務設施密度、功能多樣性、交通可達性、騎行視覺舒適度、騎行設施完整度的主要指標的計算流程如下。

圖6 中心區共享單車出行分布Fig.6 bike-sharing trip distribution in the central area

首先，將路網、POI、地鐵站點、BRT站點及建筑輪廓數據輸入GeoPandas地理信息分析平臺，對每條街道建立50 m緩沖區，利用ArcGIS通過數據融合等方式，運用核密度、自然斷裂點模塊，分析公交站點、居住服務、商業服務等設施在路段周邊的分布密度，解析路段周邊開發密度、服務能力、可達性等空間特征。此外，本文還采用廣泛使用的熵值來衡量功能多樣性。功能多樣性的計算公式如下：

式中，Mix是指該街道的功能多樣性（值域區間為0～1），Pi為某類POI設施的數量占所有POI數量的比值，n為POI類型數量。

其次，將采集的百度街景圖片輸入基于DeepLab V3+深度學習架構的語義分割模型，對全島各路段的街景圖片進行了識別，包括路面、天空、綠視率、建筑、車輛、行人等街景要素[28]。結果顯示算法識別效果良好，可用于街道慢行空間評價的數據分析。其中，綠視率（GVI）和天空可視率（SVI）的計算公式與識別流程如下：

式中，GVI為綠視率，SVI為天空可視率，Greenery Pixelsi為綠植視覺像素面積，Sky Pixelsi為天空視覺像素面積，Total Pixelsi為總像素面積。結合人工評價，完成騎行視覺舒適度與騎行設施完整度指標的評價。

最后，為減小主觀性對評價結果的影響，本文基于熵權法進行騎行空間品質綜合評價。當評價對象在某項指標上的值相差較大時，熵值小（即該評價指標包含的信息量越大），權重大，即該指標的重要性越高。最后以路段為統計單元，通過ArcGIS得到路段現狀綜合評分，利用熵權法對所有指標進行匯總并綜合打分（圖7）。熵權法計算流程如下。

圖7 中心區騎行空間品質得分Fig.7 cycling space quality score in the central area

第一步，通過對原始數據進行標準化處理，以消除不同指標之間的量綱差異。指標一般可分為正向指標和負向指標兩類。正向指標數值越大越好，越小越差。負向指標越小越好，越大越差。指標的標準化計算公式如下：

式中rij是第i個街道的第j項指標標準化之后的值，uij是第i個街道的第j項指標原始值，和分別代表所有街道第j項指標中的最大值和最小值。

第二步，計算第i個街道的第j項指標的比重：

式中m是街道數量。

第三步，計算第j項指標的信息熵：

第四步，計算指標權重。該步驟需確保所有指標權重總和為1，由信息熵得到的權重表示為：

式中n是指標個數。

根據上述步驟，完成街道騎行空間品質評價具體各指標層因子見表1，基于自然斷裂點法將騎行空間品質評價劃分為5個等級（圖7）。

2.2.2 騎行空間品質評價結果

中心城區騎行空間品質得分分布結果如下。

第一，典型的高分路段有：南山路、嘉禾路（呂厝—烏石浦段）、呂嶺路（呂厝—江頭段）等。這些路段較為寬闊，生活、就業等服務設施密度較大，附近的地鐵和公交站點較多，交通可達性較高。此外，這些路段綠化建設較早，綠視率也較高。但是，這些路段也存在一定的問題。首先，大部分路段盡管有寬闊的人行道，但缺少自行車道及過街設施，使得騎行者不得不和機動車爭奪路權，帶來安全隱患。另外，這些路段服務設施密度整體較大，但缺少自行車停車設施，不利于單車運營管理與統一調度。總體而言，高分路段的空間本底好、功能設施完整、騎行視野開闊，只需進行街道層面的微更新，便可較好地提升騎行空間品質。

第二，典型的低分路段有：松岳路、新豐路、馬壟路等。這些路段的道路空間較窄，且缺少非機動車道。這不僅影響騎行便利性，而且慢行改造難度較大。此外，部分路段的路旁停滿了機動車，進一步壓縮自行車的騎行空間，不但不利于騎行的安全性，而且極大地影響舒適性。因此，這類型的道路改造難度較大，需要對道路進行拓寬，完善各類服務設施，提升區域的公交可達性與空間活力，并增強這類道路與高分道路的連通性，發展連貫完整的騎行友好社區。

3 “單車出行—空間品質”耦合性分析及規劃響應

3.1 “單車出行—空間品質”的空間耦合模式：優化定點

空間品質低并非騎行空間優化考慮的唯一要素。若某條街道的空間品質低，單車出行強度也低（甚至為0），那么該街道也沒有優化的必要性。換言之，除了考慮空間品質之外，還需考慮出行強度這一重要維度。因此，將以上的街道騎行空間品質與單車出行量進行四象限分析。橫坐標為路段騎行流量，縱坐標為街道空間品質評價指數，并根據中位數將坐標平面劃分為四個象限，分別對應高出行—高品質、低出行—高品質、高出行—低品質、低出行—低品質四種類型（圖8）。研究選取四種類型的典型街道進行空間特征解析，包括嘉禾路、仙岳路、香蓮路、長青路、新豐路等。

圖8 “單車出行—空間品質”的空間耦合四象限分析與空間分布Fig.8 “bike-sharing usage-cycling space quality” four-quadrant analysis and spatial distribution

基于GIS將結果投影至各路段，結果顯示如下。

首先，高出行—高品質路段主要包括嘉禾路、仙岳路、育秀東路、體育路、廈門海洋學院以及體育中心等區域（圖9）。這些路段位于廈門島的中心區域，兩側擁有大量的就業崗位與商業設施，就業、接駁等出行強度較高。另外，它們由于區位優勢，街道周邊的交通可達性、開發密度均較高，同時騎行設施也十分完善。總之，騎行空間品質與出行強度的適配性較好。

圖9 典型路段的單車出行與空間品質得分Fig.9 bike-sharing usage and cycling space quality of typical road segments

其次，高出行—低品質路段主要包括僑岳東路、長青路等地段（圖9），分布于中心區的老舊社區。這些社區居住人口密度較高，早晚高峰共享單車出行流量大。但是，由于道路較窄且建筑密度較高，這些社區的改造難度較大。因此，社區建成環境已經難以適應居民的騎行特征，不利于居民綠色出行。這些社區的街道是騎行空間改造的重點地段。

再次，低出行—高品質路段主要包括江華路、香蓮路等，緊鄰呂厝、蓮花路口以及塘邊等地鐵站。這個區域交通可達性高，接駁距離短，居民可輕松步行至地鐵站，因此使用共享單車的次數相對較少。

最后，低出行—低品質路段主要包括成功大道、仙岳山路、興隆路、新豐路以及低密度老舊小區附近。成功大道、仙岳山路主要以高架為主，不適宜騎行。而中心城區的低密度老舊小區由于開發密度較低，人口較少，因此出行強度低、騎行環境也較差。

3.2 “單車出行—空間品質”的空間耦合效應：優化定向

為進一步探究單車出行與空間品質因子的耦合效應，了解各空間品質要素對共享單車騎行影響的空間異質性，本研究利用GWR模型，分析服務設施密度、功能多樣性、交通可達性、騎行視覺舒適度、騎行設施完整度等五個加權空間品質指標對路段單車流量影響的空間異質性。其中，模型系數估計值為正時，表示該解釋變量與因變量正相關；模型參數估計值為負時，則負相關；參數絕對值越大，影響越大。

下面選取功能多樣性、騎行設施完整度以及交通可達性三類指標進行重點解析（圖10）。結果如下：第一，功能多樣性的系數在嘉禾路、湖濱東路、體育路、育秀東路等路段差異較大；在育秀東路等地段的正向系數較大，說明在這些地段提升設施多樣性可有效促進居民騎行。第二，交通可達性系數在火炬路等地段的正向系數較大，因此提高這些地段的交通便利性，可促進居民低碳出行。以上分析有助于定位各路段亟需提升的指標類型，實現騎行空間優化的定向。第三，騎行設施完整度在廈禾路等地段的正向系數較大，說明這些地段亟需增加非機動基礎設施，為居民提供良好的騎行環境。

圖10 單車流量部分影響要素的GWR系數分布圖Fig.10 GWR coefficients of selected variables in predicting bike-sharing usage

3.3 規劃響應

3.3.1 構建層級化的站域慢行“微中心”

本研究發現城市軌道站點周邊是共享單車出行的熱點區域。相關研究也表明共享單車已成為各大城市地鐵接駁的重要方式之一[3-4]。因此，需要建設連續成網、便捷接駁、環境友好的騎行環境，對地鐵、BRT、常規公交的高效接駁，實現居民出行方式的便捷換乘（圖11）。具體策略如下：一是依據不同地鐵站點的單車出行強度、“15 min公服圈”與TOD設計要求[12-13]，可以結合站域公共空間（綠地等）設置功能混合的層級化慢行“微中心”，以構建慢行友好的TOD社區；二是根據騎行者的來源地與目的地，合理劃定站域共享單車停放電子圍欄與停車設施；三是基于站域周邊騎行軌跡的分布，“微中心”負責統一、高效、精準地調度共享單車，減少地鐵站域的共享單車亂停亂放、堵塞人行通道等問題，從而實現騎行的高效流動，進而發揮“騎—乘”模式的效益；四是由于軌道站域的共享單車騎行往往具有很強的“潮汐流動性”，應結合地鐵站點客流特征，因地制宜地對站域周邊的停車空間進行高峰小時動態增減（動態調度）。

圖11 騎行友好的規劃響應措施Fig.11 cycling-friendly planning responses

3.3.2 開展差異化的街道空間重塑

基于“單車出行—空間品質”的耦合分析，根據道路等級、主導功能確定亟需更新的社區或街道，并通過GWR模型探究需要優化的建成環境要素，實現差異化的街道空間重塑。針對僑岳東路等“高出行—低品質”居住型支路，這些路段的機動車流量相對較低，街道空間的可改造能力較高，可以通過增加非機動車道、單向交通組織等方式增加非機動車交通空間，有效釋放道路兩側慢行空間，并構建完整、連續、高質量的慢行“毛細血管”；或將人行空間挪至道路內側，并在拓寬人行道空間的基礎上新增自行車道（綠道），并通過車樁、綠植等方式實現騎行與人行的“微隔斷”，進而提高街道空間活力；根據道路的早晚車流大小，分時段開放非機動車道，實現路權共享。

針對低出行—低品質的街道空間，如興隆路、新豐路等，則應該更多關注街道空間品質的提升，促進居民低碳綠色出行。GWR結果顯示這些路段的功能多樣性、生態空間與出行強度正相關，因此可通過增加功能設施豐富度、優化綠色植物搭配、合理營造空間圍合感等方式優化街道空間品質，進而增大街道的騎行活力，實現“單車出行—空間品質”的耦合發展。

針對出行強度最高的軌道站域（烏石浦站、呂厝站等），由于它們通常位于商業中心、辦公中心附近，周邊道路往往改造較為困難。為減少騎行與車行混行，可以適當進行核心道路交叉口改造，例如增加自行車專用信號燈和待轉區等方式提供“綠色通道”，保障“大流量”路段騎行的安全性與通暢性。

4 結語

在大數據時代，海量數據分析為規劃師提供了功能要素高效配置、社會資源精準投放的有力工具。傳統慢行系統規劃方法忽視了騎行的時空特征與空間匹配。基于多源大數據與深度學習，開展共享單車出行與街道空間品質耦合研究，有利于精準、精確、精細地指導城市慢行系統優化，進而實現數據增強設計。

本文利用廈門島共享單車軌跡數據，從出行強度、距離、出行OD網絡層面解析了廈門島共享單車出行時空特征。并基于深度學習、大數據分析以及GWR模型等新興分析技術，探索了“人本尺度”設計實踐需求的社會語境下，城市街道空間品質與單車出行的耦合關系。研究發現：廈門島的共享單車出行形成了“多點一軸”的空間格局，騎行網絡以地鐵站點為核心向外擴散。出行具有短距離、短時長的出行特征。騎行空間品質評價的典型高分區有南山路、嘉禾路等路段（設施齊全、道路寬闊），典型低分區有松岳路、新豐路等路段（改造困難、設施缺乏、非機混行）。“單車出行—空間品質”的四象限分析將各路段分為了高出行—高品質、低出行—高品質、低出行—低品質、高出行—低品質四類。GWR模型揭示了騎行空間品質要素對單車出行的正負影響。本文提出構建層級化的站域慢行“微中心”、開展差異化的街道空間重塑的規劃響應策略，為城市慢行系統多尺度空間優化提供了“定點”與“定向”的理論支撐與優化思路。

本文采用多源空間大數據以及海量共享騎行數據，探討了共享單車出行與街道空間品質的耦合關系，方法與視角具有一定創新性，但仍存在以下不足。首先，街道空間品質的指標體系豐富且廣泛，本文主要從服務設施密度、功能多樣性、交通可達性、騎行視覺舒適度、騎行設施完整度等維度建立了街道騎行空間品質指標體系，下一步研究可拓展指標體系的維度（人口密度、空間句法分析指標等），從而更全面、更精準地評估街道騎行空間品質，并制定更為精細的優化策略。其次，受數據可獲得性的影響，本文僅使用2020年5天內的共享單車軌跡數據，未開展多季節、多時段的對比研究。這有待在未來研究中持續深化。

致謝:感謝佛羅里達大學張嘯建博士研究生對本文提出的寶貴意見。

圖表來源：

圖1-11：作者繪制

表1：作者繪制