作品名称：城市共享单车骑行目的地时空特征与影响因素研究

　　参赛学校：广州大学   地理科学与遥感学院

　　指导老师：李少英、吴志峰

　　团队成员：高枫、黄冠平、黄姿薇、赖志鹏

       共享单车的兴起改变了居民日常出行方式，一定程度解决了公共交通站点接驳等“最后一公里”出行问题，在减少交通堵塞、环境污染等“城市病”中发挥重要的作用。但也相应带来如乱停乱放、供需失衡、投放过大等问题。问题根源在于缺乏对共享单车进行精准投放。挖掘共享单车出行的时空特征，定量分析骑行行为的影响因素，能够为共享单车需求的精准预测、有效投放及调度管理等提供科学的决策依据。

       相关研究存在三点局限：（1）较少关注骑行目的地，无法准确分析“最后一公里”；（2）缺少影响因素交互作用分析，无法客观认识多因素共同作用的复杂影响机制；（3）影响因素建模时间分辨率粗糙，无法精细探究骑行这一“短途快速”的微观时空行为影响机制。

       广州作为国内最早运营共享单车的城市之一，截至研究时间2017年末，某牌共享单车在该区域投放运营达17万辆。本文在1h与100m的高时空分辨率基础上，建立地理探测器模型，精细分析目的地分布影响因素的时间差异，并进行交互探测。

图1 研究区

研究方法：核密度分析、地理探测器模型（包括因子探测器与交互探测器）

数据来源：包括Python爬取，OSM，高德地图API等。

结果与分析：

1. 共享单车骑行目的地时空分布特征

1. 使用特征方面，研究区共享单车日均使用量为171259.50次，时均使用量为7135.81次。
2. 时间特征方面，具有明显的早晚高峰特征（图2c）。早高峰出现在早上8时，晚高峰出现在晚上18时。
3. 空间特征方面，具有明显的集聚特征（图2a,b,d,e）。骑行目的地在早晚高峰的空间分布呈现与主城区中心距离衰减的“多中心”格局，高到达量区域在广州市中心区域呈东-西走向的带状分布，向南北两侧蔓延。
4. 值得注意的是，早高峰目的地多分布在CBD，信息产业园和职住平衡地区，晚高峰多分布在地铁3号线体育西至华师站沿线和高密度住宅区。这进一步印证了共享单车的重要角色，及其职住通勤特征。本研究中，科韵路地铁站是体现共享单车职住通勤特征的典例（图3）。

图2 共享单车骑行目的地时空分布

图3 科韵路地铁站周边共享单车早晚高峰职住通勤特征

1. 共享单车骑行目的地时空分布影响因素

1. 影响因子选择。考虑到数据获取性与地域性，选择并建立影响因子体系，共4个类别，14个因子（图4）。

图4 影响因子选择

1. 单一因子影响因素分析结果。

图5 各因子影响力时间差异（折线参考左纵坐标，柱状图参考右纵坐标）

表1 因子类别探测结果

表2 因子探测结果

1. 交互因子影响因素分析结果。

表3 早高峰交互探测结果

表4 晚高峰交互探测结果

总结：

（1）共享单车骑行目的地分布具有显著的早晚高峰特征。骑行目的地分布呈现与主城区中心距离衰减的“多中心”集聚特征。

（2）因子探测发现：① 从类别看，总体上骑行目的地受服务设施分布类影响最显著，交通可达、土地利用和自然环境类别次之。② 从因子看，影响力较大的因子依次是住宅、餐饮、公司、购物设施分布、路网密度、距地铁站口距离和POI多样性。③ 各因子影响力存在明显的时间差异，所有建成环境因子在早晚高峰时段的影响力最大。

（3）交互探测发现：① 因子间均为双因子增强关系。② 早高峰的核心交互因子是公司企业与住宅小区分布，晚高峰则是餐饮设施与住宅小区分布。③ 交通可达与服务设施类别因子间的交互影响力较大，表明服务设施因素与交通因素是重要影响因素。

本研究是将空间统计学方法应用于地理大数据研究的一次有益尝试，研究方法与结论为共享单车需求预测、调度等提供科学参考。