共享单车周转率影响因素研究——以西安市为例*

刘晓杰 吉淑娟 王元庆 周 荣

(长安大学公路学院 西安 710064)

0 引 言

目前西安市有两种类型的公共自行车，一类是由政府补贴和运营的有桩公共自行，另一类由私企经营的无桩共享单车.有桩公共自行车存在还车时间限制，还车点固定等问题.无桩共享单车能够很好地解决该问题，但仍然存在一些问题制约着共享单车的发展，如使用率及周转率较低等问题[1-2].

目前关于公共自行车的研究，均集中在公共自行车用户的骑行特征及设施建设方面[3-10]，研究周转率也只是定性分析其特征[11-13].Buck等[14]将研究集中于分析城市建成环境、土地利用、公共交通、天气、出行时间等因素对公共自行车的影响.国内学者郭素萍等[15]主要研究了公共自行车的时空特性与租赁点布局规划.马书红等[16]研究认为共享单车与公共自行车可以实现互补，以此促进城市居民出行更加便捷、舒适.邓力凡等[17]则研究了共享单车下的设施规划研究，以促进城市设施优化布局，并简单分析了共享单车的统计属性.文献[11]认为公共自行车周转率是指在单位时间内单个自行车平均被借出的次数，即单位时间公共自行车借出次数与初始时刻自行车数量的比值.刘冬旭等[18]将租/还车周转率分别定义为服务点在时间段下的自行车租/还量与该服务点的停车能力(锁桩数或者电子围栏设计容量)的比值.毛小燕等[19]提出公共自行车日周转率概念，即第i网点在该天内的租车次数与网点桩位数的比值.潘雪等[20]通过对公交站点、商业点、居住点的公共自行车周转率分析，发现公家站点周转率明显高于商业点和居住点.

本文以西安市共享单车的使用数据为例，从小区层面研究人口密度，用地性质，小汽车保有量，小区交叉口密度与线网密度对周转率的影响，为城市自行车需求量估算提供需考虑的影响因素，建立与城市用地性质与路网特征相适应的自行车系统.

1 方 法

1.1 数据收集

本文以西安市市辖区建成区三环以内范围为研究对象，该区域交通网络发达，人口居住密集，商业集中.其城市发展主要指标见表1.

本次共享单车数据来源于网络爬虫，主要爬取2017年10月31日西安市三环内的全天数据.每小时采集一次，共采集347 250条数据；其中，数据字段包含单车Id、经纬度坐标(lng，lat)、采集时刻(datetime)和采集次数(timenumber)，见表2.

表2 共享单车GPS数据序列

本次小区划分参考由长安大学BRT研究中心建立的西安综合交通模型[21]，参考行政边界、天然屏障、社会经济、用地类型等因素将西安市划分为 900个交通小区，其中三环以内有600个交通小区，社会经济属性主要包括各小区的常住人口、流动人口、学生数、服务岗位、其他岗位、总岗位数；用地性质主要包含居住、办公、商业、教育、医疗等属性.

1.2 数据处理

共享单车数据存在一些干扰和噪声；为了保证数据的精准度和分析结果的可靠性，在进行数据分析前需要对采集数据进行清洗，剔除干扰.根据数据采集的方式与分析目的，拟对数据做如下清洗：

1) 同一时刻采集的数据，共享单车Id不重复，即单车的唯一性.根据Id、TimeNumber两个字段删除重复值只保留一个值.

2) 所有采集时刻，单车出现不止一次，即单车出现的反复性.利用Excel数据透视表中的Id字段，剔除所有只出现一次的共享单车；清洗结果见表3.

表3 数据清洗结果

注：占比是指该次清洗方法剔除的数据量与未剔除时的数据量的比值

1.3 变量定义

在数据清洗的基础上，利用Id字段删除重复值，得到该调查时间段初始时刻的共享单车数量N，利用Id与lng，lat字段，剔除共享单车全天内未移动过的数据，得到共享单车的使用次数n.根据停车周转率定义共享单车周转率的概念，将共享单车周转率T定义为在一定时间内，研究区域内共享单车使用量与共享单车总量之比.

(1)

式中：n为小区范围内共享单车的使用次数；N为初始时刻单车数量.

但是该周转率指标不具有代表性，表现为面积越大周转率越大，因此,引入单位周转率指标Ta，计算公式为

(2)

式中：S为小区的面积.

路网密度可能对共享单车周转率产生影响.研究采用的西安市路网来自OpenStreetMap(免费开源的地图服务网站).使用ArcGIS标识工具将路网在小区边界处打断并生成了一个含有小区属性的新图层，用“计算几何”功能计算各路段的长度，然后用“汇总”工具计算各小区内路段总长度L；利用公式计算小区路网密度RD:

(3)

小区交叉口密度也可能对人们使用共享单车产生影响，通过ArcGIS中的“要素折点转点”工具在路网折点处生成要素点，然后将其与路网空间连接得到各点相交的线的个数，剔除相交线段少于2的点，其他点视为交叉口点，从而得到交叉口数量NI；利用式(4)计算小区内交叉口密度ID：

(4)

各小区用地性质比例为小区的各属性面积与小区总面积的比值：

(5)

式中：Lui为各小区用地性质比例；si为小区各用地属性的面积(1为居住，2为办公，3为商业，4为教育，5为医疗).

1.4 Tobit回归模型

Tobit回归用于解释小区路网密度、交叉口密度以及用地属性等因素对小区共享单车周转率的影响.Tobit模型假设存在潜在变量y*i，该变量通过参数β线性地依赖于xi，这决定了自变量xi和潜在变量y*i之间在线性模型中的关系.此外，还有一个正态分布的误差项ui来捕获对这种关系的随机影响.每当潜在变量高于零时，可观察变量yi被定义为等于潜在变量，否则被定义为零.当因变量服从断尾的正态分布，Tobit模型更适用.

(6)

式中：y*i为潜在变量.

y*i=βxi+ui,ui～N(0,σ2)

(7)

在本项研究中，周转率为因变量y*i，自变量xi主要包括宾馆流动人口密度，常住人口密度，服务行业人口密度，学生人口密度，汽车保有量密度，单车密度，交叉口密度，用地性质等.

2 结 果

2.1 描述统计

各小区初始时刻观测到的单车数量分布见图1，三环内各小区单车平均数量为353辆，最少为12辆，最大为1 311辆.三环南部单车数量明显高于其他区域，单车数量分布体现明显的空间不均衡性；图2为各小区周转率分布情况，在观测的24小时各小区单车使用次数平均约为426次/km2，最少为6次/km2，最大为1 766次/km2.各小区平均周转率为2.95/km2，在观测时段内，由于小区区域较大，停放的单车数量较小,部分小区单车周转率为0.企业更愿意将共享单车投放在人口比较密集、活动比较频繁的小区、地铁站口以及大型商场附近，盲目投放，恶性竞争，造成资源浪.

图1 各小区初始时刻单车分布

图2 各小区周转率分布

图3为各小区的周转率直方图.小区单车的使用周转率主要集中在每辆单车被使用1～3次/km2.而且可以看出周转率并不服从正态分布.对周转率进行平方根，log以及平方根的倒数转换后，利用stata13.0进行卡方检验.由于数据本身特点，三个方式转换后，平方根以及平方根的倒数出现断尾的正态分布形态，但是log转换是较为完整的正态分布.因此对lg转换后的因变量进行多元线性回归，对平方根及平方根的倒数的因变量进行Tobit模型回归.

图3 小区周转率

此外，三环内有28个小区交叉口数量为0，主要是由于郊区路网比较稀疏，小区划分的比较小；不同小区的用地性质不同，导致一些小区的经济社会属性的最小值为0；居住、办公、商业、教育这些用地属性面积占比最小值和最大值均为0和1，均值分别为0.68、0.03、0.16、0.1.医疗属性占比最小值为0，最大值为0.75，均值为0.02，具体情况见表4.

2.2 模型回归结果

表5为对周转率开方后，对数据进行Tobit模型回归的结果，表6为对周转率进行log变换后，对数据进行多元线性回归的结果.对周转率进行平方根倒数转化后进行Tobit回归结果不显著.Tobit模型与多元回归模型拟合效果结果较好，Tobit模型的伪R2为0.634 9，表明自变量的选择可以显著地解释63.49%周转率的变化，多元回归模型调整R2为0.786 2，表明自变量的选择可以显著地解释78.62%周转率的变化.多元回归模型的参数能直观地反应变量变化1单位，周转率的变化百分比，该模型中为变化的值为各变量估计的系数.以多元回归模型解释为例.

两模型结果显示，常住人口密度，宾馆流动人口，汽车保有量密度，单车密度，学生密度，服务行业人口密度，交叉口密度以及教育用地所占比例都显著地增加小区周转率.随着小区常驻人口密度和宾馆流动人数的增加，小区单车周转率增加.但宾馆流动人口密度对小区周转率的增加效应大于常驻人口密度.可能是由于常驻人员拥有私人自行车的比例较大，更喜欢使用自家的自行车出行.换乘会增加公共自行车的使用，因此当需要换乘时，共享单车会比私人自行车更加方便，因此常驻人口密度的增加同样会增加共享单车周转率.

表5 周转率开方_Tobit模型参数估计

注：表中所列变量均为变量系数显著性小于0.1的变量

表6 周转率log_多元回归模型参数估计

注：表中所列变量均为变量系数显著性检验P值小于0.1的变量.

小区内学生人口密度以及服务行业人口密度的增加，同样会提高小区内共享单车的周转率.两者对共享单车周转率的影响大致相似.高校大学生使用共享单车出于对新鲜事物的好奇心理，以及大学生相对时间较为自由.在校园内骑行距离较短，单次使用自行车时间较短，因此大学生密度较高的区域单车周转率较高.

汽车保有量密度的增加，会导致小区内单车周转率的增加.交通小区内汽车保有量越高，则造成小区内路网拥堵的可能也会增加，路段的拥堵导致非机动车骑行次数的增加，部分人群会转为自行车出行.而且Moudon等[22]研究发现家庭中的汽车保有量的增加会增加人们选择自行车出行的比例，即会增加自行车出行的分担率.

将共享单车的密度分为类别变量，单车密度符合划分的相应密度区间时为1，否则为0.将单车密度类别变量键入模型中，结果显示，在小区内单车密度0～2.3百辆/km2时，单车密度的增加，会降低共享单车的周转率.这可能是因为当单车密度较小时，人们找到车的概率较小，而且由于单车分布稀疏，步行找单车的距离会增加，这会导致人们不情愿使用单车，从而降低单车的使用率.在小区内单车密度大于2.3百辆/km2时，单车密度的增加会提高单车周转率.单车密度增加，人们在步行较少的距离可以找到可用的单车，会增加人们使用单车的需求.在小区单车密度小于3.0百辆/km2时，随着单车密度的增加，单车周转率的变化速度在加快.单车密度在1.6～2.3百辆/km2时对周转率的降低程度低于单车密度<1.6百辆/km2.当单车密度大于3.4百辆/km2时，周转率会降低,单车密度不是越大越能提升单车周转率.

交叉口密度的增加会增加周转率.研究表明自行车骑行者较不情愿在交叉口多的路径上骑行.因此在交叉口密度高的区域，人们会减少骑行距离，那么使用时间减少，则单车被再次使用会增加.研究好发现教育用地面积比例的增加会提高周转率.随着教育用地面积比例的增加，其他用地性质面积比例减少，则该区域学生人数会增加，间接地增加的单车时使用次数.

3 结束语

本文利用网络爬取的西安市三环内的某天共享单车数据，研究影响单车周转率的显著性因素.研究结果显示随着小区常驻人口密度和宾馆流动人数的增加，小区单车周转率增加，宾馆流动人口密度对周转率的增加程度大于常驻人口密度的影响.汽车保有量密度较大，且交叉口密度较高的区域，共享单车的周转率也会显著地增加.在学生人口密度较大以及教育用地性质面积比例较大的区域，同样可以显著增加单车周转率.共享单车的密度会显著增加单车的周转率，当单车密度2.3～3.0百辆/km2时，对周转率的提升效果最佳.当单车密度大于3.4百辆/km2，会降低单车周转率.