基于GIS的共享單車出行變化分析

摘" 要：基于GIS技術結合芝加哥市共享單車訂單數據定量分析共享單車在2019—2020年的出行特征變化，通過出行量、出行用戶、出行時間和出行空間來定量共享單車出行特征。研究發現，2020年出行量下降，其中2020年4月共享單車出行量下降最多。2020年非會員出行平均比例為31.91%，2019年為16.50%。2020年會員平均出行距離減少0.49 km，非會員平均出行距離增加0.25 km。2020年工作日出行早晚高峰消失，休息日出行更集中在12時后。2020年共享單車出行更為分散，芝加哥CBD（中央商務區）內部出行密度明顯降低，伊利諾伊湖沿岸略有降低。對共享單車出行特征變化進行探究，能夠在一定程度上揭示城市公共交通變化規律，促進公共交通系統進一步改善。

關鍵詞：城市交通；共享單車；出行特征；變化分析；GIS

中圖分類號：U491" " " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）13-0018-05

Abstract： Based on GIS technology combined with Chicago's shared bicycle order data， this paper quantitatively analyzes the changes in travel characteristics of shared bicycles in 2019-2020， and quantitatively analyzes the travel characteristics of shared bicycles through travel volume， travel users， travel time and travel space. The study found that the travel volume will decline in 2020， among which the shared bicycle travel volume will drop the most in April 2020. The average proportion of non-member trips in 2020 is 31.91%， and in 2019 it is 16.50%. In 2020， the average travel distance of members will decrease by 0.49km， and the average travel distance of non-members will increase by 0.25km. In 2020， the morning and evening peaks of travel on working days will disappear， and travel on rest days will be more concentrated after 12：00. In 2020， shared bicycle trips will be more scattered， and the travel density in the Chicago CBD will be significantly reduced， and the coast of Lake Illinois will be slightly reduced. Exploring the changes in the characteristics of shared bicycle travel can reveal the changes in urban public transport to a certain extent and promote further improvement in the public transport system.

Keywords： urban traffic; shared bicycles; travel characteristics; change analysis; Geo－Information system

近年來，共享單車出行研究受到學者們的廣泛關注。共享單車出行為解讀城市空間結構提供重要視角，對城市規劃和管理、居民便利服務具有重要意義[1]。共享單車的出現，一定程度上解決了軌道交通站點和公交站點的“最后一公里”出行問題，在減少交通擁堵、節能減排等方面發揮重要作用[2]。現有關于共享單車的研究出行主要集中于3個方向：①出行時空分布。楊永崇等[3]使用西安市共享單車數據提取熱點出行時間和路徑，基于格網統計繪制出行熱力分布圖。②出行時空分布的影響因素分析。Wei等[4]分析摩拜單車數據，剖析廣州中心城區共享單車出行軌跡的時空分布特征，基于GWR（地理加權回歸）探究建成環境的功能密度因素對共享單車出行的影響，發現公交站點POI密度、機動車道密度等因素的邊際作用表現出顯著的空間不穩定性。Yang等[5]通過S-GWR（半參數地理加權回歸）探討到達CBD的距離、就業率、就業人口、人口和收入水平等全局因素和局部因素對共享單車出行的影響，發現共享單車出行量與車站附近的就業人口呈正相關，與到達CBD距離和低收入人口呈負相關。③站點及車輛投放的優化。Hu等[6]研究美國科羅拉多州共享單車出行及站點狀況，發現不同用戶對于共享單車的使用有明顯差異，并提出提高服務覆蓋率的優化策略。

本文采用出行量、出行用戶、出行時間和出行空間4個特征，利用2019—2020年共享單車訂單數據定量分析芝加哥市2019—2020年共享單車出行特征變化，為居民出行和規劃提供科學依據。

1" 研究區概況與研究方法

1.1" 研究區概況

芝加哥是美國較早投放共享單車的城市之一，截至2020年12月，有超過600個共享單車站點和6 000輛共享單車。本文選取芝加哥中心城區（盧普區、近西區、近北區、西城區、林肯公園和洛根廣場）作為研究區（圖1），面積合計55.46 km2。研究區承擔文化教育、綜合服務等重要職能，是芝加哥居民工作和生活的主要區域。芝加哥7條地鐵線路和245個共享單車站點匯集在此區域，公共交通網絡發達。研究區包含傳統中央商務區盧普區、旅游行業發達的近北區、教育和休閑娛樂集于一體的林肯公園區等，為研究共享單車出行特征提供了差異化明顯的樣本。

1.2" 數據來源

本文采用芝加哥DivvyBikes訂單數據和芝加哥市基礎地理數據。DivvyBikes是芝加哥最大的共享單車系統，是芝加哥城市交通重要組成部分。共享單車數據時間為2019—2020年（https：//www.divvybikes.com/），共計約750萬條。共享單車數據內容包括出行訂單ID號、出行始末時間、出行用戶類型（會員/非會員）和站點信息（始末站點名稱、編號和經緯度）。

芝加哥基礎地理數據來自OSM（https：//www.openstreetmap.org/）和芝加哥政府數據開放平臺（https：//data.cityofchicago.org/），數據內容包括道路網絡數據和芝加哥社區數據。

數據處理包括：平滑、清洗和軌跡模擬。①對原始共享單車以15日為窗口進行平滑處理，得到共享單車日出行量。②同時為確保出行數據的有效性和準確性，本文對數據進行分析前已對共享單車數據進行清洗，去除始末站點不變及其他無效數據，得到有效數據約736萬條。③清洗后的數據使用Python OSMnx庫[7]進行處理得到模擬出行軌跡。

1.3" 研究方法

本文使用共享單車數據進行時間序列預測和統計分析、利用模擬軌跡進行空間分析。共享單車數據利用時間序列預測得到2020年共享單車出行量，再用統計分析得到出行量、出行用戶和出行時間等特征。模擬軌跡使用標準差橢圓分析及線密度分析等空間分析方法[8]得到出行空間特征。

1.3.1" 時間序列預測

本文使用ARIMA模型預測2020年1—12月共享單車出行量，對照估算共享單車實際出行量差異。ARIMA 模型能綜合考慮序列的趨勢變化、周期變化及隨機干擾。其基本原理是：運用過去時間序列數據進行統計分析，推測出事物的發展趨勢；消除隨機波動產生的影響，利用歷史數據進行統計分析，并進行預測[9]。

1.3.2" 標準差橢圓分析

標準差橢圓（SDE）由研究區域中所有要素的x坐標和y坐標求均值得到平均中心，以此作為起點對x坐標和y坐標的標準差進行計算來定義包含所有要素分布的橢圓的軸線。該方法可以多角度揭示要素空間分布特征，如識別空間分布中心、方向和范圍等[10]。因此，使用SDE方法進行多時間維度分析，揭示空間分布的重心、范圍、方向和形態隨時間變化的動態特征。雖然此方法較為傳統，但在本文中用于揭示共享單車出行空間特征變化，仍然具有一定的分析優勢。此方法已為常用方法，故此處略去具體公式。

1.3.3" 線密度分析

線密度是指單位面積內線要素的密度，常用于分析要素空間分布特征。本文采用線密度分析單位面積內的共享單車出行軌跡長度，描述共享單車出行空間分布[11]。線密度計算公式為

D（i）=L（i）/A，" " " " " " " " （1）

式中：D（i）為區域i的出行密度；L（i）為區域i內所有出行軌跡總長度；A為區域i的面積。

本文使用ArcGIS 10.5提供的標準差橢圓工具及線密度分析工具分別對2019年4月和2020年4月共享單車出行模擬軌跡進行分析，標準差橢圓輸出大小選擇“一個標準差橢圓面”（覆蓋包含68%的要素集合），線密度分析范圍大小為20 m。

2" 出行變化

2.1" 出行量變化

2年出行量對比共享單車出行，2020年出行量下降嚴重，實際出行量與預測出行量2020年4—5月差距最明顯，7—12月實際出行量基本符合預測值（圖2）。2020年1—3月，實際與預測出行量相差8.48萬次，出行量稍有下降。2020年4—7月出行量下滑嚴重，實際與預測出行量分別相差22.28萬次（4月）、20.95萬次（5月）和17.49萬次（6月）。2020年8—11月出行量超過2019年同期，基本接近預測出行量，揭示芝加哥城市公共交通恢復到常態水平。

2.2" 出行用戶變化

2020年非會員出行比例變大。根據2年共享單車數據進行分類與統計得到2019—2020年出行用戶比例（圖3）。2020年非會員出行平均占比為31.91%，2019年為16.50%。2020年1—2月及2019年同期會員出行占據90%以上，非會員比例為5.41%、8.95%，2019年共享單車出行主力為會員。2020年3—4月非會員出行比例為19.40%、27.78%，相較2019年3—4月提高10.25%、9.87%，在2020年更多非會員選擇共享單車出行。2020年7月共享單車出行會員比例為51.17%，非會員比例達到峰值為48.83%。2020年10—12月非會員出行比例略有回落，可能是氣候降低非會員出行意愿，恢復會員為主的常態，但非會員比例依舊遠高于2019年同期。

2020年通勤規律發生改變，會員平均出行距離變小，非會員平均出行距離變大。對2019年和2020年共享單車模擬軌跡的長度進行統計并通過用戶進行分類，可得到2年的平均出行距離（圖4）。由圖4可知，2019年，會員平均出行距離為3.64 km，非會員平均出行距離為3.19 km。2020年，會員平均出行距離為3.15 km，非會員平均出行距離為3.44 km。與2019年相比，2020年會員平均出行距離縮短0.49 km，非會員平均出行距離增長0.25 km。

2.3" 出行時間變化

2019年共享單車出行時間具有明顯早晚高峰特征，早高峰出現在8時，晚高峰出現在17時，呈現早低晚高的雙峰型。通過共享單車出行數據時間序列分析得到2年的出行時間特征（圖5）。根據圖5可以發現2019年1月—2020年2月，會員工作日共享單車出行量具有相似的時間分布特征，并且有明顯的早晚高峰特征，與上班通勤時間一致。工作日，出行量在8時達到早高峰，17時為出行晚高峰。相比于早高峰，晚高峰出行量會更多，出行曲線總體呈現早低晚高的雙峰型。這可能是因為早高峰人們的目的地通常是地鐵站或工作地點，而晚高峰人們除回家外還會參加休閑活動如去餐廳、商場和公園等，選擇使用共享單車的次數更多。休息日，共享單車出行量無早晚高峰，出行量在12時達到頂峰。這可能是由于休息日使用共享單車出行不以通勤為目的，整體時段分布較為均衡。

2020年工作日早晚高峰消失，休息日更集中在12時以后。工作日通勤需求降低，休息日外出需求變大，導致工作日共享單車出行的早晚高峰消失，休息日共享單車出行更多作為休閑娛樂的出行方式，市民都會更多地選擇在12時以后出行，同時避免人群集中的公共交通出行。

2.4" 出行空間變化

2019年，共享單車出行呈現CBD內部聚集再向四周衰減的特征，應證共享單車是以短距離通勤為主的出行工具。2020年，CBD內部共享單車出行密度大幅減少。共享單車出行在交通干道、伊利諾伊湖沿岸保持較高出行密度。從標準差橢圓分布來看，2020年標準橢圓面積相較2019年擴大了1.37 km2，表明市民出行變得分散，使得出行范圍擴大。

2020年芝加哥CBD內出行密度大幅減少，共享單車平均出行范圍擴大1.37 km2。本文選擇2019年和2020年1、4、7、10月會員出行2個樣本表征2年間共享單車出行空間分布變化，利用線密度分析和標準差橢圓分析得到共享單車出行空間分布特征，如圖6所示。2019—2020年2年標準差橢圓的長軸與伊利諾伊湖岸線方向基本相符合，表明共享單車出行方向分布與伊利諾伊湖關系較為密切。

3" 結論

本文以芝加哥中心城區為例，采用芝加哥共享單車數據進行分析，對2019—2020年共享單車出行特征變化進行解讀，并定量化分析變化程度，主要結論如下。

1）共享單車出行量：2020年1—3月與2019年同期實際出行量與預測量基本持平，2020年4—7月與2019年同期出行量相比下降嚴重。2020年7—12月出行量基本符合預測同時超過2019年同期。

2）共享單車出行用戶特征：2019年共享單車出行是會員出行為主的用戶特征。2020年更多的非會員選擇共享單車進行通勤外的出行，會員平均出行距離縮短，非會員出行距離增長。

3）共享單車出行時空間特征：時間特征方面，2019年出行呈現早晚高峰現象，2020年早低晚高出行高峰消失，市民的出行時間變得更為分散。空間特征方面，2019年共享單車出行集中在CBD高度聚集，2020年共享單車在CBD內部出行密度有不同程度的降低。

參考文獻：

[1] 塔娜，柴彥威.理解中國城市生活方式：基于時空行為的研究框架[J].人文地理，2019，34（2）：17-23.

[2] ZHANG Y， LIN D， MI Z. Electric fence planning for dockless bike-sharing services[J].Journal of Cleaner Production，2019， 206：383-393.

[3] 楊永崇，柳瑩，李梁.利用共享單車大數據的城市騎行熱點范圍提取[J].測繪通報，2018（8）：68-73.

[4] WEI Z， ZHEN F， MO H， et al. Travel behaviours of sharing bicycles in the central urban area based on geographically weighted regression： the case of guangzhou， china[J].Chinese Geographical Science， 2021，31（1）：54-69.

[5] YANG H T， ZHANG Y B， ZHONG L Z， et al. Exploring spatial variation of bike sharing trip production and attraction： a study based on chicago's divvy system[J].Applied Geography， 2020，115：102130.

[6] HU Y， LAMB D， ZHANG M， et al. Examining and optimizing the BCycle bike-sharing system -A pilot study in Colorado， US[J].Applied Energy， 2019，247：1-12.

[7] BOEING G. OSMnx： New Methods for Acquiring， Constructing， Analyzing， and Visualizing Complex Street Networks[M].2017.

[8] 許正森，徐永明.整合DMSP/OLS和NPP/VIIRS夜間燈光遙感數據的長江三角洲城市格局時空演化研究[J].地球信息科學學報，2021，23（5）：837-849.

[9] 吳丹.管理決策方法：理論、模型與應用[M].南京：河海大學出版社，2014.

[10] 王宜強，趙媛.世界天然氣流動節點格局演化及其資源效應[J].資源科學，2020，42（8）：1630-1642.

[11] 李鵬，趙敏，艾倫·沃森，等.美國荒野風景河流的空間分布特征及其對中國的啟示[J].地理研究，2020，39（1）：166-185.