基于GWR的建成环境对公共自行车出行模式的影响分析

王 涛, 戢晓峰

(1.昆明理工大学 交通工程学院,云南 昆明 650504; 2.重庆市交通规划研究院,重庆 401120)

0 引 言

城市公共自行车作为一种绿色、低碳的交通工具,可以有效地接驳其他公共交通方式,节省出行时间、减少噪声和空气污染[1],在解决交通拥堵等问题中发挥了重要作用,成为城市交通可持续发展策略的重要组成部分[2-3]。但是,公共自行车出行模式呈多样化发展态势,其运营过程中出现了时空失衡现象[4-5]、其服务水平和出行者满意度下降等问题。随着无桩共享单车的发展,其分布广泛、使用方便等特点为公众提供了更好的出行体验,为解决城市交通“最后一公里”问题提供了新的方案[6],相关研究逐渐成为热点。但共享单车随处停放、占用城市其他公共空间等问题日益严重。因此,深入研究有桩公共自行车使用特征及影响机制,优化公共自行车布局,对于城市交通规划与管理具有重要的现实意义。

目前,国内外公共自行车相关研究主要集中于服务能力与满意度[4]、站点布局与车辆优化分配调度[7]和公共自行车出行行为[8-10]等方面。其中,公共自行车出行行为研究主要采用问卷数据,分析公共自行车的出行特征及影响因素,如文献[11]对太原市公共自行车用户的个体特征和出行行为特征开展调查,通过因子分析发现,公共自行车使用需求主要受服务质量、推广力度和用户社会经济属性的影响。随着公共自行车刷卡数据的使用,公共自行车出行行为得到多层次解析,如文献[12]使用杭州市公共自行车刷卡数据,从使用量、使用时长、周转率等方面分析公共自行车出行行为。上述对公共自行车出行行为的相关研究结果表明,城市空间结构对公共自行车使用特征影响显著,因此建成环境与公共自行车使用特征之间存在一定关联。近年来,研究者开始将建成环境数据引入相关研究[13-15]。文献[16]使用南京市公共自行车刷卡数据及建成环境数据,通过零膨胀负二项模型发现,公共自行车使用频次与建成环境呈显著相关关系,位于居住小区、公交车站、地铁站、公司及公共服务设施附近的站点使用频次更高;文献[17]使用空间滞后模型,着重考虑土地利用类型及强度对公共自行车使用的影响机制,发现土地利用密度更高的区域会带来更多的公共自行车出行需求;文献[18]以南京市桥北片区为例,研究公共自行车使用特征与建成环境的关系,发现公共自行车使用频次主要受站点附近公共交通、骑行环境和服务设施密度的影响。为了分析公共自行车出行过程,需要引入出行模式[19-21]相关概念,文献[22]以出行目的为依据,将公共自行车出行模式划分为“全程模式”“换乘模式”和“往返模式”。关于建成环境对公共自行车出行模式的影响,文献[23]运用层次聚类方法识别台北市公共自行车出行模式,采用多项Logit回归模型进行分析,结果表明,城市公共自行车出行模式主要受到站点位置、土地利用及公共设施情况等因素的影响。

综上所述,公共自行车出行行为的相关研究主要围绕公共自行车出行特征、使用需求等,或从站点尺度探寻公共自行车使用强度和建成环境之间的关系;关于建成环境对公共自行车使用强度的影响,相关研究多以站点周边的公共设施、人口分布、兴趣点(point of interest,POI)数量、骑行环境等作为影响因子,从不同时间尺度分析其对公共自行车使用率的影响。同时,已有研究对POI数据的处理主要以各类POI的数量为主,未考虑各类POI自身规模差异导致的影响程度差异。此外,对公共自行车出行模式的定义采用主观描述或使用运营数据进行分析归类,无法反映公共自行车出行的完整情况。因此,精确识别公共自行车出行模式,准确捕捉公共自行车出行行为,深入解析建成环境对公共自行车出行模式的影响机制,对于公共自行车的差异化投放具有重要意义。

为了系统分析建成环境对公共自行车出行模式的影响机制,本文以云南省昆明市为例,使用公共自行车运营数据和建成环境数据,划分公共自行车站点类型,识别公共自行车出行模式,并分析建成环境对其影响机制,以期为城市公共自行车的投放、运营和管理提供依据。

1 公共自行车出行模式指标选取

1.1 公共自行车出行模式测度指标

公共自行车出行模式可以通过出行起终点来定义[23],本文以公共自行车站点用地属性划分出行起讫点(origin-destination,OD)类型,根据OD类型确定公共自行车出行模式。在确定站点用地属性时,以公共自行车站点为中心建立缓冲区,并提取缓冲区内POI,然后根据文献[24]的居住用地、工业用地等5种用地类型,对应选取缓冲区内交通设施、餐饮等9类POI为测度指标[25-28],各用地类型对应的POI见表1所列,最后根据缓冲区内各类POI的密度对站点进行聚类,以此确定站点的用地属性。

表1 出行模式测度指标

1.2 出行模式影响因素

影响公共自行车出行模式的主要因素包括站点位置、土地利用及公共设施情况等[22-23],为探究影响公共自行车出行模式的关键因素,本文以1.1节所述的缓冲区作为基本的研究单元,选取密度、混合度、可达性和骑行环境4类变量建立建成环境指标体系,4类变量的定义见表2所列。

表2 建成环境指标

2 研究方法

2.1 出行模式划分

以公共自行车站点为中心,运用ArcGIS软件建立缓冲区,采用空间连接提取缓冲区内POI,根据缓冲区内各类POI的密度,通过K-means聚类算法对公共自行车站点进行聚类分析,确定缓冲区内主要的POI类型,以此定义站点类型。

图1 公共自行车出行模式划分流程

2.2 公共自行车出行模式影响因素评估模型

为了分析建成环境对公共自行车出行模式的影响,使用ArcGIS软件空间连接和网络分析等方法提取缓冲区内建成环境因子,以各出行模式的频次作为因变量,以缓冲区内各类建成环境因子为自变量,使用地理加权回归(geographically weighted regression,GWR)模型分析影响程度。GWR模型是体现空间异质性的局部变系数回归模型,可以解决全局回归模型中存在的空间非平稳性问题,并根据样本数据的空间位置信息生成随空间位置变化而变化的局部回归系数,其回归方程为:

(1)

其中:Yi为以第i个站点为出行起点的出行频次;(ui,vi)为第i个站点的经纬度;β0(ui,vi)为第i个站点的常数项;βm(ui,vi)为第m个解释变量在第i个站点的回归系数;xi m为第i个站点的第m个解释变量;εi为随机误差。βm(μi,vi)为距离衰减函数,采用加权最小二乘法进行计算,计算公式为:

βm(ui,vi)=[XTW(ui,vi)X]-1XTW(ui,vi)Y

(2)

其中:X为自变量;Y为因变量;W(ui,vi)为空间权重矩阵。确定带宽时,本研究采用校正的Akaike信息准则(Akaike information criterion corrected,AICc),选择AICc最小值时对应的带宽为最优带宽。AICc值计算公式为:

(3)

3 实证分析

3.1 研究区域及数据来源

1) 研究区域。昆明市作为云南省的省会,是中国西部地区重要的中心城市之一。本文研究区域为昆明市区,自昆明市公共自行车系统投入使用以来,截至2019年3月底,运营站点发展至543个。昆明市区范围及公共自行车站点空间分布如图2所示(基于自然资源部标准地图服务网站审图号为GS(2016)1580 的标准地图绘制,底图边界无修改)。其中,锁止器约为1.9×104个,累计投放自行车约为1.5×104辆,日均租用量约为1.5×104人次,免费使用率达98.27%;线上(叮嗒出行APP)和线下(昆明公交一卡通)相结合的租车方式拓宽了使用人群,1 h内免费和公交换乘优惠的收费方式提高了公共自行车的吸引力。

2) 数据来源。本文数据主要包含公共自行车运营数据和昆明市建成环境数据2类,其中运营数据采集自昆明市公共自行车运营管理有限公司,包含2019年3月昆明市所有正常使用的记录完整骑行过程的公共自行车数据,具体包含租车卡号,租、还车时间点,租、还车网点名称及编号,车辆编号,使用时长等信息,样例见表3所列。

图2 研究区域及公共自行车站点分布

表3 公共自行车刷卡数据样例

本文选取天气状况良好的所有租车记录,剔除异常租车数据之后得到393 099条骑行数据,将其作为本文研究的基础数据,结合叮嗒出行APP和百度地图拾取公共自行车站点经纬度坐标。建成环境数据包括POI数据、昆明市道路数据和公共交通基础设施数据等。利用百度地图所提供的开放接口,采集研究区域内所有的空间POI,根据文献[24]将所有POI数据按其功能匹配31类用地性质[25]得到POI数据。

3.2 公共自行车出行模式

1) 站点类型划分。根据文献[13,27]研究,公共自行车站点的最佳吸引范围为250～400 m,结合文献[28-29]的研究和样本分布情况,本文以公共自行车站点为中心建立300 m缓冲区。采用空间连接提取缓冲区内POI,结合缓冲区面积和缓冲区内各类POI数量计算各类POI的密度,以此为依据采用K-means聚类算法将昆明市543个公共自行车站点分为4类,分别为公司(企业)主导型站点、住宅主导型站点、商业服务主导型站点和公共服务主导型站点,见表4所列。

2) 出行模式划分。根据聚类结果将昆明市公共自行车出行模式划分为16种,根据出行频次计算比例结构,见表5所列。从表5可以看出,昆明市公共自行车主要出行模式为“公司—公司型”“公司—住宅型”“住宅—公司型”和“住宅—住宅型”,其余出行模式占比均较小。

表4 4类站点数及其比例

表5 16种出行模式出行频次占比情况 %

3.3 公共自行车出行模式影响因素分析

3.3.1 模型诊断及输出

采用GWR模型分析4类建成环境因子对公共自行车出行模式的影响程度,考虑到样本量的问题,选取统计结果中占比较高的“公司—住宅型”和“住宅—公司型”出行模式进行分析。在模型拟合前对站点进行筛选,去掉混合程度较高的难以确定其主导类型的站点,得到住宅主导型站点270个和公司(企业)主导型站点172个。使用SPSS软件对所有自变量进行共线性检验,所有影响因子方差膨胀系数(variance inflation factor,VIF)均满足共线性检验,无需剔除变量。使用ArcGIS软件分析空间相关性,其中“公司—住宅型”出行模式莫兰指数(Moran’sI)为0.055,Z值为2.629,P值为0.015;“住宅—公司型”出行模式Moran’sI为0.080,Z值为3.922,P值为0.001。该结果表明,这2种出行模式存在较强的集聚性和空间依赖性。在模型诊断指标中,R2越大,AICc值越小,表示解释变量对被解释变量的解释能力越强,诊断结果见表6所列。

表6 GWR模型诊断结果

选取拟合系数的最大值、最小值、均值、最小四分位数、中位数和最大四分位数6个指标进行统计描述,当拟合系数为正值时,表明该自变量与因变量正相关;拟合系数为负值时,表明该自变量与因变量负相关。2种出行模式下8个建成环境变量拟合系数描述性统计结果见表7所列。

表7 2种出行模式下8个建成环境变量拟合系数描述性统计结果

续表

3.3.2 拟合系数空间特性

对8个建成环境变量分别进行p<0.1显著性检验,结果见表8所列。由表8可知,影响“公司—住宅型”出行模式的关键因素(通过p<0.1显著性检验的站点比例超过40%)为临近站点数量、土地利用混合度、与地铁站的距离、公交站点数量和人行道长度,“住宅—公司型”出行模式的关键影响因素为临近站点数量、土地利用混合度、公交站点数量、主干道长度和人行道长度,各关键变量的影响程度及显著性存在较大差异。“公司—住宅型”“住宅—公司型”出行模式中分别有平均69%、73%的样本参数估计满足p<0.1,说明变量对“住宅—公司型”出行模式的异质性更加显著。

表8 2种出行模式下8个建成环境变量显著性检验结果 %

根据显著性检验结果,选取临近站点数量、土地利用混合度、人行道长度和公交站点数量4个关键变量的空间分布进行可视化处理,进一步分析拟合系数的空间特性。

1) 人行道长度。人行道长度拟合系数分布如图3所示。人行道长度对2种出行模式的影响效应存在显著的空间差异,对“公司—住宅型”出行模式在大部分区域呈正向作用,而对“住宅—公司型”出行模式在大部分区域呈负向作用。这主要是由于人行道条件较好的区域主要分布于行政中心所在的呈贡新区,该区域远离城市商业中心区,平均出行距离相对更远。对远距离出行而言,公共自行车难以满足“住宅—公司型”出行模式的出行需求。

2) 临近站点数量。临近站点数量拟合系数分布如图4所示。临近站点数量与2种出行模式在大部分区域均呈负向作用。这说明无论是商业中心区域还是行政中心区域,当前公共自行车站点分布可能较为密集,值得注意的是,在公共交通枢纽附近临近站点数量与2种出行模式均为正相关,这说明昆明市公共自行车对公共交通通勤方式存在较好的接驳作用。

3) 公交站点数量。公交站点数量拟合系数分布如图5所示。公交站点数量对“公司—住宅型”出行模式主要呈正向作用,而对“住宅—公司型”出行模式主要呈负向作用。这说明公共自行车对“公司—住宅型”出行时长要求较低的出行模式存在更高的吸引力,与公交互为补充;而对“住宅—公司型”出行模式作用效果不明显,与公交互为竞争关系。

4) 土地利用混合度。土地利用混合度拟合系数分布如图6所示。土地利用混合度在城市商业中心区域与2种出行模式大多呈正向作用,而在行政中心区域多呈负向作用。这表明高土地利用混合度造成的商业中心区域私人汽车和公交出行不便的情况为公共自行车提供了较好的骑行条件,有利于公共自行车出行。此外已有研究表明,城市中的低收入人群工作、生活、娱乐大多集聚于高密度低档空间[12],因此公共自行车这种低消费的出行方式是此类低收入人群较好的选择。

图3 人行道长度拟合系数分布

图4 临近站点数量拟合系数分布

图5 公交站点数量拟合系数分布

图6 土地利用混合度拟合系数分布

4 结 论

1) “公司—公司型”“公司—住宅型”“住宅—公司型”和“住宅—住宅型”是昆明市公共自行车主要出行模式。

2) 建成环境对“公司—住宅型”和“住宅—公司型”出行模式的影响效应存在不同的空间特征,在与“公司—住宅型”出行模式呈正向作用的区域大多与“住宅—公司型”出行模式呈负向作用。

3) 出行模式主要受到临近站点数量、土地利用混合度、人行道长度和公交站点数量的影响,其中土地利用混合度对“公司—住宅型”和“住宅—公司型”出行模式的影响效果最显著。

需要指出的是,由于数据可获取性等客观条件限制,本文在定义公共自行车出行模式时主要侧重于公共自行车自身使用特征和站点附近的POI类型,缺乏对使用者本身出行特征的考虑和对人口分布特点、共享单车分布情况等因素的分析。下一步研究可在本文的基础上完善建成环境指标,加入出行者的社会经济属性数据定义出行模式,深入分析建成环境对公共自行车出行模式的影响机制。