EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 7: 1337 - 1348

DOI: https://doi.org/10.12082/dqxxkx.2022.210775

地理空间分析综合应用

接驳地铁站的共享单车时空均衡性分析与吸引区域优化

  • 邝嘉恒 , 1, 2, 3 ,
  • 邬群勇 , 1, 2, 3, *
展开
  • 1.福州大学 空间数据挖掘与信息共享教育部重点实验室,福州 350108
  • 2.卫星空间信息技术综合应用国家地方联合工程研究中心,福州 350108
  • 3.数字中国研究院（福建）,福州 350003
* 邬群勇（1973—）,男,山东诸城人,博士,研究员,研究方向为时空大数据分析、地理信息服务。 E-mail:

邝嘉恒（1996—）,男,河南周口人,硕士生,研究方向为时空大数据分析。E-mail:

收稿日期: 2021-12-03

  修回日期: 2021-12-19

  网络出版日期: 2022-09-25

基金资助

国家自然科学基金项目(41471333)

福建省科技计划引导项目(2021H0036)

收起

Spatial-temporal Equilibrium Analysis and Attraction Area Optimization of Dockless Sharing Bicycles Connected to Subway Stations

  • KUANG Jiaheng , 1, 2, 3 ,
  • WU Qunyong , 1, 2, 3, *
Expand
  • 1. Key Lab of Spatial Data Mining and Information Sharing of Ministry of Education, Fuzhou University, Fuzhou 350108, China
  • 2. National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China
  • 3. The Academy of Digital China (Fujian), Fuzhou 350003, China
* WU Qunyong, E-mail:

Received date: 2021-12-03

  Revised date: 2021-12-19

  Online published: 2022-09-25

Supported by

National Natural Science Foundation of China(41471333)

Fujian Science and Technology Plan Guidance Project(2021H0036)

Fold

摘要

共享单车是接驳地铁出行的最有效选择之一,但共享单车的时空分布不均问题对使用者和管理者造成了很大的不便,尤其是早高峰期间出现这种问题更会大大降低2个交通系统的运行效率。因此,研究用于接驳地铁出行的共享单车的时空均衡性特点对提升早高峰期间的通勤效率有一定意义。为了了解接驳地铁骑行的时空均衡性特点,本文以厦门市作为实验区,将厦门市早高峰期间接驳地铁站的骑行作为主要研究对象,基于出行OD提出了新的地铁站吸引区域建立方法,基于出行特点提出了考虑地铁站点的单车聚类方法。本文还从潮汐比统计角度和吸引区域角度对各个地铁站的早高峰整体出行均衡性做了分析,从时空角度对早高峰中不同时段的地铁站接驳骑行的时空均衡性做了分析, 通过分析得出了3种角度下各个地铁站点均衡性的相似点与不同点,结果表明：① 根据潮汐比特点,地铁站对骑行的接驳职能可划分为4类,分别为起始型,均衡型,到达型和不适合接驳地铁出行型,反映了各地铁站点的总体接驳特征;② 地铁站对接驳骑行的吸引区域与潮汐比特点有所差别,其主要影响因素为地铁站点的地理位置及周边土地利用类型;③ 对于时空均衡性分析结果而言,潮汐比对时空均衡性层面没有显著影响,其最大影响因素为周边土地利用类型。该分析结果能体现出厦门市早高峰期间与各地铁站接驳骑行的共享单车运行的差异性以及与地铁接驳效率的高低,以此来支持共享单车企业的重点区域调度和监管。

关键词： 城市交通; 时空均衡性; 共享单车; 地铁站点; 吸引区域; OD分析; 聚类分析; 接驳

本文引用格式

邝嘉恒 , 邬群勇 . 接驳地铁站的共享单车时空均衡性分析与吸引区域优化[J]. 地球信息科学学报, 2022 , 24(7) : 1337 -1348 . DOI: 10.12082/dqxxkx.2022.210775

Abstract

Dockless sharing bicycles are one of the most effective options for connecting to the subway. However, the uneven spatial-temporal distribution of sharing bicycles has caused great inconvenience to users and managers, especially during the morning peak period, which will greatly reduce the operating efficiency of a transportation system. Therefore, studying the characteristics of spatial-temporal distribution of dockless sharing bicycles used to connect to the subway has certain significance for improving the commuting efficiency during the morning peak period. In order to understand the spatial-temporal characteristics of feeder metro riding, this paper takes Xiamen city as the experimental area, takes the riding of feeder metro stations during the morning peak as the main research object, proposes a new method to establish the attraction area of metro stations based on travel OD, and proposes a bicycle clustering method considering metro stations based on travel characteristics. This article also analyzes the overall travel balance of each subway station during the morning rush hour from the perspective of mathematical statistics, tide ratio statistics, and the point of attraction area, and analyzes the spatial-temporal balance of cycling around subway stations at different times during the morning rush hour. Through analysis, the similarities and differences of the balance of each subway station under three perspectives are obtained. The results show that: ①According to the characteristics of the tide ratio, the connection function of the subway station for cycling can be divided into 4 categories: the start type, balanced type, arrival type, and not suitable for connecting to the subway type, reflecting the overall connection characteristics of each subway station; ②The attraction area of the subway station connecting to the riding is different from the characteristics of the tide ratio, and its main influencing factors are the geographic location of the subway station and the surrounding land use type; ③ For the analysis results of the spatial-temporal balance, the tide ratio has no significant impact on the spatial-temporal balance level, and the major influencing factor is the surrounding land use type. The analysis results can reflect the difference in the operation of sharing bicycles that connect to the surrounding subway stations during the morning rush hours in Xiamen and the efficiency of connecting to the subway, so as to support the scheduling and supervision of key areas of bicycle sharing companies.

Key words： urban transportation; spatial-temporal equilibrium; dockless sharing bicycles; subway station; attraction area; OD analysis; cluster analysis; connection

1 引言

作为短途出行的重要工具共享单车与地铁接驳出行已经成为城市年轻群体的主要通勤方式之一,共享单车分布与交通出行需求在很多城市存在严重的时空分布不均衡问题,“无车可租,无地可还”的情况经常发生,严重影响了单车出行体验和效率。若与地铁站接驳的共享单车调度不及时,不合理,会影响这2个交通系统之间的运营效率和成本,以及服务,因此,研究接驳地铁站点的共享单车的时空均衡性,从而实现共享单车合理调度,具有重要的应用价值和研究意义。
目前已有学者对共享单车数据的时空均衡性进行了研究,如高楹等[1]从时间和空间2个角度选取特征值,对接驳地铁站的共享单车骑行进行了聚类分析,并结合POI划分了网格类型,分析接驳特征,得出主要时空特性;王陆一等[2]以中小型城市的共享单车骑行为研究对象,并与一线城市对比,分析其研究区骑行的时空分布特点,并发现影响中小城市接驳的主要因素为设施不足等;申犁帆等[3]分析了轨道站点合理步行范围内轨道站点、可步行性、地面交通等方面建成环境因素与轨道交通通勤行为之间的关系,并与共享单车的接驳性做了对比分析,总结了北京市结合轨道交通接驳出行的特点。上述研究对于时空层面和影响接驳因素的见解都很深刻,但是并没有对每一天的不同时刻,特别是通勤高峰期间进行深入研究,这会导致无法了解研究区在高峰时段的时空分布特点,从而使共享单车无法针对高峰时段作出合理安排。王家川等[4]和杨永崇等[5]则重点补充了对通勤高峰时段的分析研究,但选择的共享单车缓冲区范围过大,误差较大,不能准确的提取与地铁接驳的骑行,且研究更多局限于空间层面。
还有一些学者基于骑行数据对影响接驳和使用效率的因素进行研究,如Gu等[6]提出了一种启发式的自行车优化算法,用来提高共享自行车的使用效率;付学梅等[7]利用赫希曼指数值来评价单车骑行的规律性,获得无序骑行数据背后隐藏的骑行规律和行为模式,以提高调度效率;刘东旭等[8]提出了共享单车自流动模型以及动态调度时间获取算法,在满足调度质量的情况下,减少调度频次,并提出了分形树的自平衡调度区域划分模型[9]。上述研究的侧重点于时间层面,但缺少对周围土地利用因素的探讨。
在此基础上,一些学者补充了用地类型对接驳及使用效率的影响研究,如Yu等[10]根据地铁站周边共享单车的骑行分布,对地铁站周边的土地利用情况做了分级,其提出使用置信椭圆的方法来构建地铁站吸引区域,但并不适用于所有城市;Zhao等[11]采用多源数据,包括兴趣点、每日天气、公交站点位置、人口统计数据等来研究哪些指标最容易导致共享单车站点供需均衡性出现问题;Wang等[12]在Zhao的基础上细化考虑了建筑环境特征对自行车共享使用的影响,得出影响最大的因素还是车站的资源分配,如停靠点的数量或可用自行车的数量;El-Assi等[13]从社会人口属性,土地使用,建筑环境以及不同天气的角度对共享单车的使用需求影响因素进行研究,揭示了其之间的显著相关性。但目前这类研究并不丰富,且缺少时空角度的探讨。
综上所述,目前国内外的研究主要是针对市级范围内的所有骑行进行OD时空分析和影响因素研究,对于与每个地铁站接驳骑行的时空均衡性研究以及地铁站对骑行的吸引区域划分则较为匮乏。为弥补现有研究的不足,本文以厦门市作为研究区,厦门市的特点与上述研究的研究区特点不同,其属于海湾型城市,许多地铁站点位于海边,其周边的共享单车骑行特点也会与内陆型城市具有区别,据《厦门经济特区年鉴》[14]统计,自2010年-2020年以来,厦门市的迁入人口一直大于迁出人口,共享单车的用户也随之越来越多,并且有相当一部分骑行与地铁站相关联,但是相对于一些地铁站来说,使用共享单车通勤反而会造成资源浪费,占用停车用地等情况出现,如岛外郊区的一些站点,而对于岛内岛外不同地区的站点,应该给与相对应的单车调度政策或者地铁接驳线路的调整,有效的促进城市公共交通的整体优化。论文以厦门接驳地铁的共享单车为研究对象,精细化提取与每个地铁口接驳的共享单车,研究一种新的构建地铁站点吸引区域的方法和与地铁站点关联的共享单车OD流向的聚类方法,分析厦门市共享单车的时空不均衡性特点,总结厦门市地铁站点接驳特点,以期为共享单车调度提供借鉴。

2 数据来源和研究方法

2.1 研究区域和数据集

研究数据集为是2020年12月21日—12月25日6：00—10：00（后续统称为早高峰时段）的厦门市共享单车出行轨迹数据,均为工作日,以及厦门市地铁站点及各地铁口位置信息,电子围栏的停车容纳量信息,轨迹数据的字段包括单车编号,时间和经纬度,共约1100万条。数据来源为“2020数字中国创新大赛”。空间范围包括思明区,湖里区,海沧区,集美区4个行政区,思明区和湖里区为岛内区域,海沧区和集美区为岛外区域,其中岛内区域是厦门市旅游景点聚集的区域,岛内两区常住人口所占比重接近全市常住人口的一半。通过对轨迹数据异常值清洗和OD行程提取处理,共获得了40万条共享单车的OD出行数据（图1(a)）。这些数据分布于厦门市的岛内和岛外区域,覆盖范围较广。图1(b)所示为截至2020年12月厦门市正在运行的52座地铁站分布。
图1 研究区域数据分布概况

Fig. 1 Overview of data distribution in the study area

2.2 研究方法

整个研究分为4个部分。① 接驳地铁站的共享单车行程提取,经提取后的OD数据为本次研究的主要数据。② 对接驳各个地铁站点的骑行量做初步的潮汐性统计分析,以每个站点作为独立的单车租还点,分析其在一段时间内的租还量是否均衡。③ 地铁站点骑行吸引区域构建,对地铁站点骑行吸引区域的均衡性分析,根据在同一个地铁站接驳的共享单车使用者在早高峰期间的骑行OD流向有空间位置临近,行驶方向相近的特点,论文提出了使用构建不规则多边形的方法来表示地铁站点在早高峰期间对于附近共享单车的吸引范围,代表该地铁站点在早高峰期间的吸引区域。利用识别出来的接驳地铁站的OD流向作为构建不规则多边形的要素,构建该地铁站点的共享单车吸引区域。④ 提出了考虑地铁站点的共享单车OD流向密度聚类方法,对共享单车的OD流向进行聚类,得到与每个地铁站接驳的共享单车OD类簇,对接驳地铁站的共享单车的时空均衡性进行分析。研究思路如图2所示。
图2 接驳地铁站共享单车时空均衡性研究过程

Fig. 2 The process of research of spatial-temporal equilibrium of dockless sharing bicycles connecting subway stations

2.2.1 接驳地铁站的骑行提取

目前常用的提取方法是以地铁站点为中心,建立一定范围的圆形缓冲区,提取落在缓冲区内的骑行OD点。此方法虽然简单,但由于每个地铁站的大小以及地铁口的分布位置有所差异,导致提取出的结果精度不高,本研究提出精细化到以每个地铁站点的地铁口为中心建立一定范围的圆形缓冲区,该缓冲区的半径大小应根据各个城市之间地铁口的实际平均距离来确定,进而提取出落在缓冲区内的OD骑行点,作为与地铁站接驳的骑行。该方法不仅适用于各种城市大小不同的地铁站,并且对于提取出来相关骑行的结果精度有了较大的提升。

2.2.2 潮汐均衡性指标研究

在对接驳地铁站的骑行做初步统计分析时,首要目的是明确每个地铁站点各自接驳范围内的潮汐情况,针对在高峰时段普遍存在“无车可借,无地可还”的供需矛盾问题,称为潮汐[15]。接驳地铁站点的共享单车的租还潮汐情况,它会直接影响地铁站点接驳范围内可用的车辆数及其服务水平。本研究采用租还潮汐比的指标来衡量,其计算公式为（式（1））：
R i = Z i o u t Δ t - Z i i n Δ t Z i Δ t , R i ∈ [ - 1,1 ]
地铁站 i的接驳面积范围内的共享单车在某一段时间 Δ t内,租还量 Z i ( Δ t )是该时间段内还车数量 Z i i n ( Δ t )和借车数量 Z i o u t ( Δ t )之和, R i为地铁站点 i接驳面积范围内 Δ t时间内的租还潮汐比,其取值范围在-1到1之间,当取值为-1时,是该段时间内全部的订单都是还车,在该情况下则会出现“无地可停”,当取值为1时,该时间段内所有的订单都是借车,同理,该情况下则会出现“一车难求”的情况,但当其取值为0的时候,就是租车量与借车量相等,该站点的租还达到均衡的理想状态。故 R i 的正负情况就可表示,该站点 i在 Δ t时间内,是以租车为主还是以还车为主。

2.2.3 地铁站点的骑行吸引区域构建

对于地铁站点的骑行吸引区域来说,它主要是指骑行乘客选择骑行模式离开或到达地铁站并乘坐地铁交通工具完成其旅行目的的可接受区域范围[16]。对接驳地铁站骑行的吸引区域构建主要体现在两个交通系统在时间和空间两个维度上的融合。常用的基于泰森多边形和置信椭圆的构建吸引区域,没有考虑地形、水系和海湾等的影响,对于厦门市这类海湾型城市来说,是不适用的。论文综合考虑了以上因素,提出了使用不规则多边形来构建吸引区域的方法。本文采用接驳地铁站的共享单车骑行OD点来构建该地铁站点的不规则多边形吸引区域,主要步骤如下：
（1）根据识别的接驳地铁站的骑行OD点创建OD流向;提取出热点OD流向;
（2）根据识别出的热点OD流向,建立最小区域边界,构建不规则多边形外包区域,既为该地铁站点的吸引区域。
使用OD流向来构建地铁站点对共享单车的吸引区域,其输出的不规则多边形以地铁站为中心向某一端的延伸方向,就表示了单车骑行的分布方向,其面积的大小表示吸引区域的大小。

2.2.4 考虑地铁站点的共享单车OD流向聚类方法

接驳地铁站骑行的OD聚类研究,可以得出地铁站与共享单车两个系统结合出行的使用人群的时空分布,从而研究其时空均衡性的特点。采用提取的接驳地铁站点的骑行OD点,以其所归属的相关地铁站点为限制,以该骑行点中的非地铁端的骑行点进行密度聚类,最终得到所需要的OD流向簇。主要步骤为：
（1）统计出每个地铁站与其接驳行程的非地铁端骑行OD点;
（2）对每个地铁站与其接驳行程的非地铁端骑行OD点进行DBSCAN聚类,DBSCAN参数的选择使用轮廓系数来评价,之后计算出每个类簇的中心点;连接非地铁端类簇中心点与地铁端。

3 结果及分析

基于厦门市共享单车早高峰数据,地铁站及站口的位置数据等,对厦门市早高峰期间的接驳地铁站骑行的时空均衡性做了分析,除去每天骑行次数小于10次的地铁站,剩下的48个地铁站是本次研究案例的主题。在采用与地铁接驳骑行提取方法提取到与地铁相关骑行后,厦门市早高峰期间与地铁接驳的骑行约8万次,约占总骑行次数的20%（考虑厦门市各地铁口之间的平均距离在100 m上下浮动,故各地铁口的缓冲区半径选择为70 m,提取后做去重处理,以保证缓冲区覆盖的完整性）。

3.1 接驳地铁站点的共享单车潮汐均衡性性分析

在引入潮汐比指标对与地铁相关的骑行进行统计分析后,根据厦门市的地铁站点在早高峰通勤阶段起到的作用将其划分为起始型,均衡型,到达型以及不适合结合单车通勤型4个类型（表1）。
表1 厦门市地铁站点分类

Tab. 1 Classification of subway stations

地铁线路 类型
起始型 均衡型 到达型 不适合接驳地铁出行型
一号线 杏锦路、园博苑、,集美学村、
乌石浦、吕厝、莲坂		 莲花路口、湖滨东路、中山公园 镇海路、高崎、塘边、文灶、
火炬园、殿前		 一号线其他地铁站
二号线 海沧湾公园、马青路、海沧
行政中心、蔡塘、江头、吕厝		 后埔、五缘湾、育秀东路、岭兜 古地石、湖滨中路、体育中心、
建业路、软件园二期		 二号线其他地铁站
对于划分地铁类型的潮汐比阈值设定,应考虑研究区实际的电子围栏容纳量和总租还量,根据其平均容纳量与总租车量的比值计算出单位时间内理论可还车次数。对于厦门市各地铁站点来说,当潮汐比在[-0.1, 0.1]之间时,早高峰期间内的租车次数最接近于理论可还车次数,该地铁站可视为基本达到租还均衡。
（1）对于起始型地铁站来说,其潮汐比Ri在[-1,0.1]之间,乘客的目的多是使用共享单车来此地换乘地铁,如一号线的集美学村地铁站,它是连接厦门市岛内和岛外的关键枢纽,旁边有集美大学等高校和居民区,小区的居民和校内的学生前往岛内或火车站,在此换乘是非常普遍的选择;一号线的吕厝,乌石浦等地铁站,其位于厦门市岛内中心区域,周围写字楼林立,企业居多,小区多为学区房,换乘需求量大;又如二号线的海沧行政中心地铁站,其也是连接岛内和岛外的关键地铁枢纽,且旁边遍布大量居民区,大部分小区距离该地铁站点距离大多在1 km以上,上班族骑乘自行车来该地铁站换乘成为合适选择。
（2）对于均衡型地铁站点,潮汐比Ri则在[-0.1,0.1]之间,且在早高峰骑行峰值8:00前后,其订单曲线的走势达到一个相似的情况,如一号线的湖滨东路,二号线的后埔等,这些地铁站点的特点是周边遍布企业,商场和小区,且起始和到达需求基本达到平衡,所以就导致在这边换乘以及到达的旅客相对均衡。
（3）对于到达型地铁站点,潮汐比Ri则在 [0.1, 1.0]之间,其功能性和起始型地铁站相反,乘客的目的多是到达该类地铁站点后换乘共享单车前往目的地,如软件园二期等地铁站点,周边企业密集,所以这一类地铁站点在早高峰通勤中的功能多为地铁转共享单车。特别的,对于建业路地铁站这种在九点之后的订单量又出现了一个小高峰的站点来说,其单车出行目的多不是通勤,前往码头的游客以及去医院就诊的居民通常会在这个时间段出行。
（4）对于不适合作为与共享单车接驳出行的地铁站点,由于其接驳骑行次数太少,不具有代表性,故不列入潮汐比计算。这一类站点主要分布在郊区的居民社区。在4种类型的地铁站点中,其客流量最小,且共享单车接驳出行的方式难以管理和盈利,并不适合通过共享单车服务解决最后一公里问题。
下面对其时序均衡性特点进行分析,图3、图4显示了厦门市地铁一号线和二号线在早高峰期间,其与地铁接驳的骑行订单量,因平均订单骑行时长为6 min,故骑行次数的统计量以6 min为间隔统计,且不适合接驳地铁出行型站点在早高峰期间极少用于通勤接驳,故不单独展示,统一归为其他站点。从图中可以明显看到,骑行订单数在8:00左右时达到峰值,6:00—8:00骑行订单量逐渐增加, 8:00—10:00骑行订单量则逐渐减少,而9:00—10:00大部分市民都已经完成了通勤,开始进行工作,订单数量大量减少,仅占识别出与地铁接驳骑行订单数量的16%。在2020年12月23日这一天的早高峰期间,单车的骑行量比其他天数少了约70%,经分析2020年12月23日是雨天,但是像乌石浦,吕厝,岭兜等周边居民区和企业集聚的站点,即使是在雨天的早高峰期间,骑行订单还是明显多于其他地铁站点,这说明这些位于岛内中心的地铁站点即使是在雨天,其对于共享单车的需求也很大。
图3 2020年厦门市早高峰期间一号线地铁接驳骑行时序

Fig. 3 Sequence diagram of cycling around Metro Line 1 during morning peak in Xiamen in 2020

图4 2020年厦门市早高峰期间二号线地铁接驳骑行时序

Fig. 4 Sequence diagram of cycling around Metro Line 2 during morning peak in Xiamen in 2020

3.2 站点吸引区域分析

使用构建多边形吸引区域的方法来表示地铁站点对接驳骑行的服务吸引范围（图5）,进而分析其各个站点的吸引区域均衡性情况。
图5 厦门市所有地铁站对接驳骑行吸引区域

Fig. 5 Attractive area of all subway stations in Xiamen for cycling

3.2.1 站点吸引区域的特征分析

本文对厦门市各个地铁站构建了对共享单车的不规则多边形吸引区域,在空间上确定其出行的主要特性,从总体分布来看,厦门市早高峰期间,岛内和岛外的骑行情况呈现明显的不均衡情况,主要表现为其多边形中心向某一端延伸的不规则程度差异。由于岛内站点密集,且上班人员较多,厦门市的早高峰骑行密集分布在岛内中心区域,而岛外也仅有与岛内连接的交通站点处骑行较多,岛外位于地铁线路的边缘站点有日均骑行在10次以下的情况出现;在岛内,不规则多边形的形状中心多为地铁站点,向四周延伸,在空间上表现较为均衡,其周围分布多为企业,住宅区,商超等,如乌石浦,莲花路口地铁站等;而在岛外郊区,多边形的形状多向地铁的一边延伸,如新阳大道,集美软件园地铁站等,其周围分布多为工厂,或建材市场等大型上班聚集地;在岛内外的连接枢纽处,由于海域影响,吸引区域背向海域向一面延伸。与潮汐比结果相比较则结果有所不同,从吸引区域的结果来看,以岛内中心站点更为均衡,位于靠近海域以及岛外郊区的地铁站点,其吸引区域所呈现的不规则性则更强,所以对吸引区域的特性,影响最大的因素是站点位于的地理位置和骑行人数。对于吸引区域的面积大小来说,吸引区域越小,表示骑行的需求就会越集中,共享单车企业会更好进行调度管理,而更大的吸引区域,其覆盖的范围广,骑行需求较大,管理更加困难,政府对应增加地铁接驳专线是更好的选择[17]。对此,共享单车企业需要针对性的作出调度调整。
图5(b)、图5(c)所示为吕厝地铁站在早高峰期间的吸引区域,该地铁站是厦门市一号线与二号线的连接点,客流量大,平均每天早高峰期间出站8112人,进站5837人,该站点是厦门市早高峰期间重要的交通枢纽,如果站点出现潮汐会直接影响厦门市居民使用单车骑行换乘通勤的体验。
根据该站点在早高峰期间的吸引区域显示,到达吕厝地铁到站后有换乘单车需求的乘客,在本次实验的工作日期间,其骑行的分布的重点区域为西,西偏南方向,这是由于该方向上企业分布密集,上班族到达该站点后选择骑行前往公司成为合适的选择,因此在该方向上有大比例的自行车使用者拥有相似的出行方式;而选择骑乘共享单车到地铁站点进行换乘需求的乘客,吕厝地铁站点对他们的吸引区域的分布则比较均衡,其中东北,西偏北分布较为密集,这是由于该站点周边小区密集,居民较多,且大部分小区距离该地铁站点距离大多在 1 km以上,上班族骑乘自行车来该地铁站换乘成为合适选择,共享单车的使用需求强度高,因此该地铁站的吸引区域分布较为均匀,大多为早高峰期间从小区出发前往吕厝地铁站进行接驳的骑行。综上,吕厝地铁站的吸引区域不规则性,特别是使用从地铁站出发的吸引区域情况,呈现出的不规则性是明显大于到达的吸引区域的,对于这一点,相关企业要根据不同站点的吸引区域不规则性程度情况做出不同的调度策略。

3.2.2 站点吸引区域的对比分析

对厦门市地铁站在早高峰期间的单车换乘分布做了空间上的研究分析,并与Hu等[18]和Yu等[10]的方法做了对比分析。
Hu等[18]的吸引区域划分方法只是简单的基于空间分布上的判断,没有考虑实际因素,且使用该方法判断自行车吸引区域,且按照其默认的 r=800 m的参数来构建（图6(a)）,大部分的地铁站点吸引区域与实际情况相违背,包括某些由于骑行次数太少而不适合作为与共享单车结合通勤的地铁站,如东孚地铁站,五通地铁站等,其方法构建的吸引区域也较大,这显然是不合理的。且基于泰森多边形建立吸引区域的方法,无法判断骑行分布的总体趋势,以及骑行行为的相似度。而我们所提出的构建吸引区域的方法,则解决了这些问题,由于我们采用实际的OD流向来构建吸引区域,所以吸引区域的大小符合真实的骑行范围,而不规则多边形的形式可以很好的在图上表现出骑行分布的趋势以及行为相似度。
图6 厦门市地铁站吸引区域对比

注：框选区域为海沧湾公园和集美学村地铁站。

Fig. 6 Comparison of attraction areas of Xiamen Metro Station

置信椭圆的构建方法最早由Beh[19]提出, Yu等[10]将其运用到了交通层面,其提出的吸引区域的划分方法基于实际的骑行散点来构建置信椭圆,从而作为相应地铁站的吸引区域,相比于Hu等[18]的方法,Yu等[10]考虑了实际的因素,从而使其构建的面积可以尽可能的接近真实的骑行区域面积,而置信椭圆的性质也可以使其表示骑行分布方向以及骑行行为相似度,但置信椭圆的方式不能正确的表示地铁的吸引区域,特别是对于厦门市这类海湾型城市来说,基于置信椭圆的构建区域所覆盖的范围就更为不合理（图6(b)）,特别是像一些位置临近海湾的地铁站,如图6中框选区域为海沧湾公园和集美学村地铁站,置信椭圆的构建方式决定了其构建的吸引区域所覆盖的范围有一小部分一定是海域,但在海域内是不会有骑行订单产生的,这就导致其吸引区域的构建范围是不准确的,同样的问题在Hu等[18]的方法中也有出现,而我们所提出的方法则解决了这一问题,不规则多边形的构建形式适应了海湾型城市的特点,接近真实的骑行范围,并且很清晰的展示出订单的出行规律,为后续诸多研究提供了良好的基础。

3.3 接驳地铁骑行的时空均衡性分析

对厦门市早高峰期间识别出的接驳地铁站骑行做了考虑地铁站点的共享单车OD流向聚类,因每个地铁站接驳的骑行次数不同,因对不同地铁站使用其各自合适的参数来实现聚类,在使用轮廓系数指标评价时,应同时考虑相应的簇数,使结果更为合理[20],接下来将与每个地铁站接驳的共享单车骑行的6:00—10:00时按每个小时分为4个时段,对这4个时段分别聚类分析后,我们发现,其时空均衡性的结果与上文中从数理统计角度得出的均衡性结果有所不同,时空均衡性表现情况如表2所示。即使是上文中所划分的均衡型地铁站类型,在时空上也会有不均衡性情况出现,如莲花路口,湖滨东路等地铁站,这些均衡型地铁站会出现在同一个时间段内骑出地铁站的方向和骑入地铁站的方向相反,且单车数量差异明显,或不同时间段内,骑入地铁站的方向相差较远,这就会导致即使是从潮汐比上面衡量来说是均衡的,但在时空层面来说,存在严重的时空不均衡性。这种情况不仅是在均衡型地铁站中出现,在起始型和到达型地铁站中同样存在,即在潮汐比层面来说并不均衡的地铁站点,在某一时间段内的不同骑行方式或在不同时段的相同骑行方式会存在时空均衡的情况,这表示厦门市早高峰期间的与地铁相关骑行的时空均衡性与潮汐比虽然是有关联的,但是更多的情况下只能作为参考,决定性因素是时空层面上每个地铁站接驳骑行的特性。我们发现厦门市早高峰期间接驳地铁的共享单车OD流向所聚成的类簇大多分布在岛内外围的居民区,以及岛内中心商业区;而在岛外的郊区,与地铁站相接驳的骑行较少,并未形成高效率、高利用率的成熟市场;在岛外与岛内的连接枢纽站点处,聚成的类簇多分布在居民区内,且多分布在地铁站一边,呈扇形分布。
表2 时空均衡性特点站点分类

Tab. 2 Classification of stations with characteristics of spatio-temporal balance

时空表现较均衡站点 时空表现不均衡站点
吕厝、乌石浦、莲花路口、莲坂、园博苑,湖滨中路、火炬园、体育中心、江头、后埔、岭兜、蔡塘 镇海路、中山公园,文灶、集美学村、塘边、湖滨东路、高崎、杏锦路、五缘湾、海沧湾公园、海沧行政中心、马青路、建业路、古地石、软件园二期、育秀东路
以乌石浦地铁站为例,该地铁站在潮汐比统计层面被认为是起始型地铁站,其位于岛内中心位置,平均每天早高峰期间出站8102人,进站5831人,该站点周边居民区,公园,商业区较多,是厦门市居民,游客前往频率较高的区域[21]。
如图7所示,经计算各OD类簇的平均距离,该站点对于共享单车用户的服务半径在1 km左右,从各类簇的OD方向来看,其主要服务方向在不同时间段分布不同,特别是6:00—7:00,换乘单车出行人数较少,且出行方向均在北方向,但在7:00— 10:00这3个时段内,从地铁站出发的单车出行方向在时空上趋于稳定,但在出行数量上却存在不均衡情况,7:00—8:00在东北方向上有大量的出行需求,而在8:00—10:00这个需求逐渐减少直至消失,但在7:00—8:00内,2种骑行方式的方向和数量在时空上达到了均衡。对于北偏西、北、北偏东、东、南、西偏南方向,这些方向上小区以及商业楼较多,特别是北偏东和西偏南方向,有医院,小区,以及SM城市广场等共享单车骑行热点区域,而其他方向服务能力较低,特别是西北,东南两个方向,对共享单车用户的换乘吸引力较低,西北方向小区距离地铁站较近,仅有200 m左右,居民大多不会选择共享单车出行,而更远一些则被仙岳公园所分隔,仙岳公园北部的居民,大多都会选择前往距离更近的塘边地铁站进行通勤,而东南方向则被江头公园所分割,江头公园南部的居民,前往吕厝地铁是更近的通勤选择。
图7 乌石浦地铁站聚类中心图

Fig. 7 Cluster center of Wushipu Station

通过对接驳地铁骑行的时空均衡性分析,我们得出了与潮汐比统计分析结果不同的结论,但2种结果并非互驳,而是相辅的。潮汐比统计分析与吸引区域均衡性分析从每个地铁站的宏观层面探讨其骑行均衡性,而时空均衡性分析则是从每个地铁站的微观层面来探讨其每个时段的骑行均衡性,在共享单车企业做调度时,应当重点考虑这2个层面的内容。

4 结论

本文利用厦门市共享单车早高峰的骑行数据,厦门市地铁站及各地铁口的位置信息,对厦门市早高峰期间与地铁相关骑行的时空均衡型做了分析,从统计层面提出了厦门市地铁站点在早高峰期间的4个不同特征的通勤角色类型,提出了一个新的构建地铁站点吸引区域的方法,构建出厦门市地铁站点在早高峰期间对共享单车的吸引区域,分析了厦门市地铁的吸引区域特征,提出了考虑地铁站点的共享单车OD流向聚类方法,对厦门市早高峰期间与地铁站相关的骑行数据进行分时段聚类,对厦门市共享单车早高峰期间的不均衡性做出分析,主要研究结果总结如下：
（1）本研究提出的吸引区域构建方法,相比于现有构建方法提升了对不同城市的适用性与空间上的现实性,吸引区域结果表明,影响吸引区域不规则性的最大的因素是站点位于的地理位置和骑行人数,共享单车企业要根据地铁站的地理位置为参考,以岛内中心城区站点为主,满足接驳需求;
（2）早高峰期间影响各地铁站对骑行的潮汐均衡性最大因素是地铁站周边用地类型,企业和居民区分布较为平均的站点周边,其骑行的潮汐性最容易达到均衡;
（3）早高峰期间影响接驳地铁站骑行时空均衡性的最大因素是各站点位于的地理位置,其次是周边用地类型,时空层面研究结果表明,越是靠近岛内市中心的站点,在订单量较高的时段中时空均衡性的表现反而越好,而较偏远的站点,时空均衡性的表现则较差;
（4） 潮汐比层面的均衡性特点对于时空层面没有显著的影响,吸引区域特性则是各地铁站接驳骑行均衡性的整体体现。这一发现可以有助于相关企业和部门做出更合理的调控。
受数据内容所限,本研究仅针对于早高峰期间的骑行时空均衡性做了分析,若未来能获得更完整的数据,将与全天时段以及晚高峰时段做对比分析,则可进一步提升分析结果的精度和可靠性。此外,平原型城市的吸引区域构建且与海湾型城市吸引区域的对比分析也是后续重点研究方向之一,若今后增加这些方面的研究,则可为共享单车企业的高效管理提供帮助,为提高轨道交通和共享单车的接驳效率提供支持,以期促进城市交通系统的可持续发展。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
高楹, 宋辞, 郭思慧, 等. 接驳地铁站的共享单车源汇时空特征及其影响因素[J]. 地球信息科学学报, 2021, 23(1):155-170.

DOI

[ Gao Y, Song C, Guo S H, et al. Spatial-temporal Characteristics and Influencing Factors of Source and Sink of Dockless Sharing Bicycles Connected to Subway Stations[J]. Journal of Geo-information Science, 2021, 23(1):155-170. ] DOI: 10.12082/dqxxkx.2021.200351

DOI

[2]
王陆一, 吴健生, 李卫锋. 中小城市公共自行车出行模式与驱动机制研究[J]. 地球信息科学学报, 2019, 21(1):25-35.

DOI

[ Wang L Y, Wu J S, Li W F. Usage patterns and driving mechanisms of public bicycle systems in small and medium-sized cities based on space-time data mining[J]. Journal of Geo-information Science, 2019, 21(1):25-35. ] DOI: 10.12082/dqxxkx.2019.180199

DOI

[3]
申犁帆, 王烨, 张纯, 等. 轨道站点合理步行可达范围建成环境与轨道通勤的关系研究——以北京市44个轨道站点为例[J]. 地理学报, 2018, 73(12):2423-2439.

DOI

[ Shen L F, Wang Y, Zhang C, et al. Relationship between built environment of rational pedestrian aatchment Areas and URT Commuting Ridership:Evidence from 44 URT Stations in Beijing[J]. Acta Geographica Sinica, 2018, 73(12):2423-2439. ] DOI: 10.11821/dlxb201812011

DOI

[4]
王家川, 欧阳松寿. 北京市轨道交通站点周边区域共享自行车运行不均衡性研究[J]. 交通运输系统工程与信息, 2019, 19(1):214-221.

[ Wang J C, Ouyang S S. Disequilibrium of bicycle-sharing in rail rransit station areas in Beijing[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(1):214-221. ] DOI: 10.16097/j.cnki.1009-6744.2019.01.032

DOI

[5]
杨永崇, 柳莹, 李梁. 利用共享单车大数据的城市骑行热点范围提取[J]. 测绘通报, 2018(8):68-73.

[ Yang Y C, Liu Y, Li L. Urban cycling hot spot extraction based on sharing-bikes' Big Data[J]. Bulletin of Surveying and Mapping, 2018(8):68-73. ] DOI: 10.13474/j.cnki.11-2246.2018.0247

DOI

[6]
Gu Z, Zhu Y, Zhang Y, et al. Heuristic bike optimization algorithm to improve usage efficiency of the station-free bike sharing system in Shenzhen, China[J]. ISPRS International Journal of Geo-Information, 2019, 8(5):239. DOI: 10.3390/ijgi8050239

DOI

[7]
付学梅, 隽志才. 时间维度下上海市共享单车骑行模式研究[J]. 交通运输系统工程与信息, 2020, 20(3):219-226.

[ Fu X M, Juan Z C. Unraveling mobility pattern of dockless bike-sharing use in Shanghai[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(3):219-226.] DOI: 10.16097/j.cnki.1009-6744.2020.03.033

DOI

[8]
刘冬旭, 董红召. 共享自行车系统动态调度时间域的获取方法[J]. 交通运输系统工程与信息, 2018, 18(2):177-182.

[ Liu D X, Dong H Z. Algorithm of dynamic rebalance time ranges for bicycle sharing system[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(2):177-182. ] DOI: 10.16097/j.cnki.1009-6744.2018.02.027

DOI

[9]
刘冬旭, 董红召. 共享自行车系统调度区域的分形树自平衡划分算法[J]. 浙江大学学报(工学版), 2018, 52(7):1275-1283.

[ Liu D X, Dong H Z. Fractal tree based self-balanced partitioning algorithms for bike sharing system[J]. Journal of Zhejiang University(Engineering Science), 2018, 52(7):1275-1283. ] DOI: 10.3785/j.issn.1008-973X.2018.07.007

DOI

[10]
Yu Q, Li W, Yang D, et al. Policy Zoning for Efficient Land Utilization Based on Spatio-Temporal Integration between the Bicycle-Sharing Service and the Metro Transit[J]. Sustainability, 2021, 13(1):141. DOI: 10.3390/su13010141

DOI

[11]
Zhao D, Ong G P, Wang W, et al. Effect of built environment on shared bicycle reallocation: A case study on Nanjing, China[J]. Transportation Research Part A: Policy and Practice, 2019, 128:73-88. DOI: 10.1016/j.tra.2019.07.018

DOI

[12]
Wang K, Chen Y. Joint analysis of the impacts of built environment on bikeshare station capacity and trip attractions[J]. Journal of Transport Geography, 2020, 82:102603. DOI: 10.1016/j.jtrangeo.2019.102603

DOI

[13]
El-Assi W, Salah Mohamed M, Nurul Habib K. Effects of built environment and weather on bike sharing demand: a station level analysis of commercial bike sharing in Toronto[J]. Transportation, 2017, 44(3):589-613. DOI: 10.1007/s11116-015-9669-z

DOI

[14]
厦门市统计局. 厦门经济特区年鉴—2021[M]. 北京: 中国统计出版社, 2021.

[ Bureau of Statistics of Xiamen. Yearbook of Xiamen Special Economic Zone—2021[M]. Beijing: China Statistics Press, 2021. ]

[15]
刘冰, 曹娟娟, 周于杰, 等. 城市公共自行车使用活动的时空间特征研究——以杭州为例[J]. 城市规划学刊, 2016(3):77-84.

[ Cao J J, Zhou Y J, et al. A study on the temporal-spatial features of bicycle-Sharing activities: A Case of Hangzhou[J]. Urban Planning Forum, 2016(3):77-84. ] DOI: 10.16361/j.upf.201603009

DOI

[16]
Cao M, Cai B, Ma S, et al. Analysis of the cycling flow between origin and destination for dockless shared bicycles based on singular value decomposition[J]. ISPRS International Journal of Geo-Information, 2019, 8(12):573. DOI: 10.3390/ijgi8120573

DOI

[17]
徐建闽, 秦筱然, 马莹莹. 公共自行车多层次分区调度方法研究[J]. 交通运输系统工程与信息, 2017, 17(1):212-219.

[ Qin X R, Ma Y Y. Public bicycle multilevel partition scheduling method[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(1):212-219. ] DOI: 10.16097/j.cnki.1009-6744.2017.01.031

DOI

[18]
Hu L, Lu H. Study on the cycling attraction area of metro station based on sharing bike riding data: An empirical study in Beijing[C]. 19th COTA International Conference of Transportation Professionals. 2019:4194-4206. DOI: 10.1061/9780784482292.362

DOI

[19]
Beh E J. Elliptical confidence regions for simple correspondence analysis[J]. Journal of Statistical Planning and Inference, 2010, 140(9):2582-2588. DOI: 10.1016/j.jspi.2010.03.018

DOI

[20]
黄钢, 瞿伟斌, 许卉莹. 基于改进密度聚类算法的交通事故地点聚类研究[J]. 交通运输系统工程与信息, 2020, 20(5):169-176.

[ Huang G, Qu W B, Xu H Y. Traffic accident location clustering based on improved DBSCAN algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(5):169-176. ] DOI: 10.16097/j.cnki.1009-6744.2020.05.025

DOI

[21]
邹智杰. 数据驱动的公交调度分析与优化研究——以厦门市为例[D]. 福州: 福州大学福建省空间信息工程研究中心, 2018:8.

[ Zou Z J. Data driven bus scheduling analysis and optimization: A case study of Xiamen City[D]. Fuzhou: Spatial Information Research Center of Fujian, Fuzhou University, 2018:8. ]

Options
文章导航

/

〈 〉