【般】Geographically Weighted Multinomial Logit Models for Modelling the Spatial Heterogeneity in the B

Geographically Weighted Multinomial Logit Models for Modelling the Spatial Heterogeneity in the Bike-Sharing Renting-Returning Imbalance: A Case Study on Nanjing, China

爱思唯尔《Sustainable Cities and Society》的原文

@article{SHBSS2022NanJing,
author = {He, Mingjia and Ma, Xinwei and Wang, Jianbiao and Zhu, Mingqing},
doi = {https://doi.org/10.1016/j.scs.2022.103967},
issn = {2210-6707},
journal = {Sustainable Cities and Society},
keywords = { Bike-Sharing, Geographically Weighted Multinomial Logit Model, Spatial Heterogeneity,Bike-Sharing Renting-Returning Imbalance},
pages = {103967},
title = {{Geographically Weighted Multinomial Logit Models for Modelling the Spatial Heterogeneity in the Bike-Sharing Renting-Returning Imbalance: A Case Study on Nanjing, China}},
url = {https://www.sciencedirect.com/science/article/pii/S2210670722002876},
volume = {83},
year = {2022}
}

高亮

• GWMNL models were proposed to model bike-sharing renting-returning imbalance .提出了GWMNL模型来模拟共享单车租赁-回报不平衡。

• GWMNL models outperformed MNL models in the case study of Nanjing在南京案例研究中，GWMNL模型的表现优于MNL模型

• Built environment factors could significantly impact the bike-sharing imbalance.
  建筑环境因素可能会显著影响共享单车的不平衡。

• Effects of influential factors were discussed considering spatial heterogeneity.讨论了考虑空间异质性的影响因素的影响。

摘要

自行车共享系统促进了城市交通的可持续性。共享自行车可用于短途旅行或进入公共交通系统。然而，自行车跨站的不对称时空分布已成为阻碍城市采用共享单车的主要障碍。在实施有效解决这一问题的政策之前，有必要了解共享单车在车站分布不均的情况。本研究提出了利用南京共享单车出行数据集识别车站层面租返失衡的方法。接下来，本研究比较了不同时期（早高峰、晚高峰和非高峰）共享单车使用不平衡的时空特征。最后，建立了geographically weighted multinomial logit models地理加权多项式对数模型（GWMNL），揭示了外生变量对租返失衡的影响。模型结果表明，与工作有关的兴趣点（POI）可能对高峰期的租金-回报不平衡产生积极影响。较高的人口密度可能导致早高峰共享单车租还不平衡，并促成了晚间共享单车的平衡。在早高峰期，更高的土地利用组合和老年人可以缓解共享单车的不平衡。在晚高峰，较长的旅行时间会对研究区域的大多数地方产生负面影响。基于这些发现，这项研究为交通规划者和政策制定者平衡共享单车系统和提高整体服务质量提供了启示。

一、简介

作为一种方便、经济和环保的出行方式，共享单车在过去十年中在全球范围内急剧增长（Cao & Shen，2019 年;王和孙，2022）。这些系统可以帮助缓解空气污染和交通拥堵，并通过参与更多的体育活动来带来健康益处（Bergantino 等人，2021 年;杨等人，2016 年）。共享单车可以是一种服务于公共交通的出入口模式。它支持多式联运连接并增加公共交通的可到达区域，为大城市提供共享解决方案（Ji et al.， 2017;马等， 2018;托里西等人，2021 年）。目前运营的共享单车系统可分为对接式共享单车系统和无桩式共享单车系统（Ma et al.， 2020）。对于停靠的共享单车系统，用户在固定停靠站租用或归还共享单车。相比之下，无桩式自行车使用户能够通过移动应用程序在指定的电动围栏停车区锁定或解锁共享自行车（Pal&Zhang，2017;王等人，2021 年）。截至 2021 年 3 月，超过 2012 个共享单车项目已经投入运营，全球还有 300 个正在建设中（Meddin & Demaio，2015 年）。

共享单车网络本质上是自我响应的（The bike-sharing network isinherently self-responsive ）（Xie & Wang，2018）。用户从车站租用自行车，他们的自行车**插槽(slots)**可供即将到来的共享单车骑手使用。当旅行结束后，返回车站的自行车可供其他旅行者使用，从而支持服务。这种循环使自行车看起来是自动配置和平衡的(This circulation makes bikes appear to be automatically provisioned and balanced. )。然而，随着越来越多的人因其便利性和灵活性而使用共享单车，因需求分布不均而导致的共享单车失衡成为一个更加严重的问题。用户经常抱怨缺乏自行车出租，在早下午高峰时段缺乏自行车还车的停靠空间（Ji et al.， 2017）。为了解决这个问题，规划者和政策制定者需要了解共享单车系统不平衡状况决定因素的动态时空模式，这在当前的交通文献中几乎没有证据。为了填补这一空白，本研究利用历史停靠共享单车出行数据，揭示了共享单车在车站租车和还车的不平衡，并找出了这种不平衡的影响因素，包括建筑环境、社会人口和出行属性。

这项研究对目前的研究做出了一些显着的贡献。它提供了对共享单车站不平衡情况的决定因素的见解。此外，本研究采用地理加权离散选择模型（GWMNL）对共享单车出行数据进行建模，并捕获数据中的空间自相关。GWMNL建模规范结合了几个新颖的因素来模拟车站的共享单车不平衡，包括用户的个人属性和出行属性。这些属性被发现是统计显著的决定因素。

2. 文献综述

2.1. 共享单车分布不均衡

出行需求分布不均导致的共享单车租归失衡成为一个严重的问题，尤其是在高峰时段（Lu et al.， 2020）。研究人员从多个角度研究了共享单车使用不平衡的情况，包括模式分析、使用预测和再平衡策略。Xie等人（2018）发现了华盛顿特区的共享单车不平衡，发现这种情况高度集中，是由大规模的出行行为，尤其是通勤行为造成的。此外，还采用了各种方法，根据历史数据定量预测共享单车出行的产生。参数化方法，包括自回归积分移动平均模型（Kaltenbrunner等人，2010），贝叶斯网络模型（Froehlich等人，2009）和马尔可夫链模型（Zhou等人，2018），通过将其定义为时间序列问题来预测自行车共享的使用。此外，提出了非参数机器学习模型和深度学习模型来自动学习依赖关系和共享单车使用之间的潜在关系（Karlaftis & Vlahogianni，2011），这已经达到了更高水平的预测准确性和计算能力。此外，一些研究人员广泛研究了缓解共享单车不平衡的运营和规划策略（阿卜杜拉维·阿拉维和库梅蒂奥·特库阿布，2021 年;卢等， 2018;索里古埃拉和希门尼斯-梅罗尼奥，2020 年;袁等人，2019）。通过将自行车从满站运送到空站，自行车共享运营商可以重新平衡自行车共享系统（Forma等人，2015）。静态再平衡认为共享单车站的不平衡状态在运行期间是固定的（Du等人，2020;福尔马等人，2015 年）。 相比之下，近年来受到更多关注的动态再平衡考虑了需求随时间的变化（Shui & Szeto，2018）。其他一些工作研究了旨在调整跨站点共享单车分配的激励政策（Pfrommer et al.，2014）。此外，还研究了最佳的车站结构，以重新平衡共享单车。为了找出最大化需求覆盖的最佳车站位置，Salih-Elamin 和 Al-Deek （2020） 通过在自行车共享网络中使用多标准决策方法评估车站的重要性。Hu等人（2019）揭示了博尔德车站之间的共享单车不平衡，并采用了电容最大覆盖定位方法。

2.2. 共享单车使用的影响因素

以前的研究已经广泛研究了影响因素对共享单车使用的影响。社会人口因素，包括年龄、性别、职业、教育、收入和家庭承诺，被发现是显着的（Abolhassani 等人，2019 年;莱丹等人，2018 年）。Xin等人（2018）指出，公司员工占共享单车用户的最大比例。值得一提的是，根据自行车共享系统和正在研究的区域，相同的特征可能会产生不同的效果（Vandenbulcke 等人，2011 年）。例如，在比利时，年轻的通勤者似乎是经常停靠的共享单车用户，因为他们通常买不起汽车，而且身体能力更好。而Shaheen等人（2011）指出，在中国，老年人更受停靠共享单车的吸引力。此外，Fishman等人（2013）认为，拥有汽车的用户更倾向于成为共享单车骑手。对于共享单车的使用模式，两个使用高峰出现在工作日的白天，即早高峰时段和晚高峰时段。相比之下，这种共享单车使用的趋势在周末有所不同，没有明显的通勤高峰（Shen et al.， 2018）。研究发现，共享单车出行主要由通勤用户在工作日的高峰时段进行，而人们在周末则更多地用于休闲（Faghih-Imani & Eluru，2016;沈等人，2018）。此外，大多数行程的共享单车出行距离在 1 公里到 5 公里之间（Du & Cheng，2018 年;Rahul&Verma，2014），旅行时间在半小时内（Zhao等人，2015）。此外，一些研究揭示了乘客量与建筑环境因素之间的关系（Mattson & Godavarthy，2017 年;余、刘和尹，2021;周等., 2021).以前的研究已经提供了对天气条件对自行车共享旅行行为影响的见解（Gebhart&Noland，2014;海达里等人，2021 年;李和诺兰德，2021 年）。Chibwe等人（2021）对2012-2020年期间伦敦自行车共享计划的每日租用数量进行了详细的时间序列分析。研究发现，每日温度与自行车需求呈正相关，恶劣天气（即风速、降雨量和湿度）与共享单车的使用呈负相关，因为骑自行车的人没有得到这些天气条件的保护。根据纽约市的时间序列CityBike数据，Noland等人（2016）进行了空间模型来预测自行车共享行程的产生。调查了每月的天气变化，结果表明，温暖的天气对共享单车旅行有积极影响。还有人指出，天气变化可能导致需求预测的变化。一些研究发现，更多的兴趣点，例如零售店和餐馆，促进了共享单车的乘客（Rixey，2013）。城市地区高度混合的土地利用和连通性促进了通勤旅行中的自行车共享使用（Tu et al.，2018）。至于交通基础设施，更多的自行车共享站和自行车道鼓励更多用户乘坐共享自行车出行（Brown 等人，2022 年;巴克等人，2013 年;王等人，2016）。Faghih-Imani和Eluru（2015）探讨了地铁站和公交车站对共享单车乘客的影响。

2.3. 研究差距

总之，上述关于共享单车失衡的大多数研究都集中在模式分析、使用预测和再平衡策略上。分析共享单车时空模式和影响因素的研究通常集中在总使用需求上，无法直接探索车站层面的不平衡分布式单车。此外，对共享单车租还不平衡的潜在空间异质性的研究不足。为了填补这些研究空白，本研究探讨了跨车站共享单车租金和回报不平衡的时空模式和决定因素。本文基于南京共享单车出行数据集，识别了共享单车不平衡，并从时间和空间维度上分析了这一不平衡。其次，采用地理模型捕捉共享单车站不平衡状况与建筑环境、社会人口统计、出行属性等影响因素之间的空间异质性。

3. 研究区域和数据集

3.1. 研究区域

南京是中国江苏省的省会。截至2020年底，人口946万，市区面积6582公里 2 。南京的公共交通系统建设良好。截至2018年，已有10条地铁线路覆盖378公里，700多条公交线路运营超过10,000公里（百科全书，2018年;维基百科，2018 年）。停靠式共享单车系统于2013年1月建立，使客户能够使用智能卡租用和归还共享单车（Shaheen et al.，2011）。2020 年 2 月，已有 53,200 辆停靠共享单车和 1500 个站点在运营（Hua et al.， 2021）。本研究选取了5个主要城区作为研究区域，因为这些地区的对接共享单车系统已经发展良好。图 1 显示了使用 ArcGIS 平台生成的具有人口密度的研究区域。

图 1.研究区域

3.2. 数据集

停靠共享单车出行数据由南京公共自行车公司提供。出行数据涵盖 2017 年 9 月 1 日至 9 月 30 日的月度行程，共有 3,404,207 条共享单车出行记录。每次行程包括乘客ID、乘客信息（年龄、性别、出生地）、租借时间、租借经纬度、返程时间、返程经纬度，如表1所示。

为了获得有效的行程进行分析和建模，清理了共享单车行程数据。首先删除了包含错误和缺失信息的行程记录。然后排除以下共享单车旅行：1）不在研究区域内的出发地或目的地;2）距离在100m以下或5km以上的旅行（Ma等人，2020;沈等， 2018）;3）持续时间低于30秒或超过2小时的旅行（Pal等人，2018），4）没有完整旅行细节的旅行。处理后，预留了2,822,042次共享单车旅行以供进一步研究。图2显示了2017年9月每天共享单车出行的次数。从每周周期性模式可以看出，2017年9月，共享单车需求在工作日趋于高，周末减少，周日的需求是每周需求最少的。

图 2.每天的旅行次数 2017 年 9 月

还收集了其他信息，包括人口，兴趣点（POI）和交通网络。南京地区的人口密度是从WorldPop（WorldPop，2021）下载的，该中心提供了开放访问的数据集。POI数据和交通网络数据来自中国网络地图服务平台高德。根据高德 POI 分类手册，这些 POI 分为 12 种类型。与Chao等人（2018）和Li等人（2019）的研究分类类似，POI分为房屋相关POI，工作相关POI，娱乐POI和其他POI。这些数据基于 ArcGIS 10.6 平台上的站点缓冲进行了进一步处理，使用 300m 作为缓冲区半径（Zhang等人，2017 年）。

3.3. 因变量

车站共享单车的不平衡阻碍了共享单车服务的发展。这个问题在高峰时段可能更严重（Du 等人，2020 年）。本研究考虑空间方差，研究早高峰（7：00—9：00）和晚高峰（17：00—19：00）共享单车站不平衡情况的影响因素。在引入因变量之前，定义了租金-回报率和余额范围。

以平衡站为参考组，以平衡站和晚峰模型为参考组，以平衡站、盈峰站、赤字站3种共享单车分布情况为因变量。

3.4. 自变量

自变量包括建筑环境变量、社会人口统计和用户变量以及旅行属性变量。具体而言，建筑环境变量包括POI信息、土地利用组合、到中央商务区（CBD）的距离以及附近的交通基础设施（自行车共享、地铁和公交车站）。社会人口统计和用户变量包括人口密度、性别、年龄和出生地。旅行属性变量（包括行驶距离、行驶时间和总使用量）按平均值计算。此外，为了揭示早晚高峰时段车站共享单车分布的相关性，以其他时段的共享单车平衡情况为自变量。

表 2 显示了自变量统计量。当每个POI的最小值达到0时，POI在站点间分布不均匀，而最大值可能相对较高。早高峰的平均出行距离为1432.61米，晚高峰的平均出行距离为1436.58米，共享单车主要提供短途出行服务。

4. 方法论

4.1. 多重共线性

当模型估计中出现多重共线性时，相关变量的估计影响将存在偏差。因此，为了测试多重共线性，采用了方差膨胀因子（VIF）。VIF高于10的解释变量被视为多重共线变量，将被排除在外（Kutner&Nachtsheim，2005）。

4.2. 空间自相关

4.3. 回归模型

其中 $LL$表示最大可能性的对数。n 表示观测值的数量。k 是参数的数量。MATLAB R2021a 用于构建 MNL 和 GWMNL 模型。

5. 结果

本部分首先探讨了工作日早高峰、晚高峰和非高峰共享单车站点租还不平衡情况的时空规律。然后，比较MNL模型和GWMNL模型的模型拟合，然后从空间角度对GWMNL模型结果进行可视化和分析。

5.1. 共享单车租返失衡的时空格局

根据租返比，车站分为盈余站、赤字站和平衡站。为了揭示时空模式，在高峰/非高峰水平（早高峰、晚高峰和非高峰）和日常水平（工作日和周末）研究了共享单车站类型。研究发现，工作日车站不平衡问题较为明显，因此，本研究对工作日早高峰、晚高峰和非高峰的车站不平衡进行了研究。图3显示了工作日共享单车站的分布。通过比较图3a），b）和图3c），可以看出高峰期和非高峰期不平衡站点的数量和分布是不同的。在高峰期观察到的不平衡台站较少。在图3 a）和b）中，不平衡的车站聚集在市中心的西南部。早高峰时段的许多富余站变成了晚高峰时段的赤字站。早高峰时段的许多赤字站变成了晚高峰时段的盈余站。这可能是因为在通勤旅行中，工作场所是早高峰的目的地，并成为晚高峰的起源。此外，早上的车站比晚上不平衡的车站多，因为晚上的旅行目的比早上更多样化。在图3 c）中，在非高峰期仅观察到少数不平衡的车站，并且远离市中心。

图 3.工作日车站类型的分布

5.2. 模型诊断和拟合优度

本节构建了模型，以研究车站共享单车租赁-归还不平衡如何受到工作日早高峰和晚高峰决定因素的影响。在模型构建之前，研究了多重共线性和空间自相关。早峰模式和晚峰模式的所有变量的VIF均小于10，表明变量之间没有严重的多重共线性（附录表A1）。进行了Moran的I统计，所有选择的变量都具有显着的空间异质性，因为p值都低于0.05（附录中的表A2）。

经过这些检查，建立了早晚高峰的MNL模型，并采用MNL模型中的重要变量（P<0.05）作为GWMNL的自变量（Chiou等人，2015）。正如之前的研究表明（Gao 等人，2022 年，Pu 等人，2017 年），我们使用最小值、下四分位数、中位数、上四分位数和最大值提出了 GWMNL 模型系数的统计描述。此外，还比较了MNL模型和GWMNL模型，以使用相同的数据集观察模型在早晚高峰的性能。如表3和表4所示，GWMNL在两个高峰期的表现都优于MNL。以早峰模型为例，调整后的R 2 从MNL模型的0.451增加到GWMNL模型的0.725。对数似然从 MNL 模型中的 -410.702 增加到 GWMNL 模型中的 -341.233。此外，GWMNL模型还获得了较低的AIC和AICc值，分别为714.467和715.077。通过考虑空间异质性，解释能力显著提高。由于GWMNL模型在各个方面都优于MNL模型，因此以下各节专门讨论了GWMNL模型的结果。

5.3. 讨论 GWMNL 结果

GWMNL模型允许映射估计系数以进行进一步的可视化分析。本节可视化了影响变量系数的空间分布。本节中的图形是使用 ArcGIS 软件生成的，地图的背景是在线底图。

5.3.1. 工作相关POI在早晚高峰模型中的影响

图4显示了与工作相关的POI在站点类型和高峰期方面的影响不同。在图4a）和d）中，与工作相关的POI与早高峰的剩余站和晚高峰的赤字站呈正相关。在图4 b）和c）中，它与早高峰的赤字站数量和晚高峰的盈余站数量呈负相关。在缓冲区中具有更多与工作相关的POI的共享单车站倾向于在早高峰是过剩站，而在晚高峰更有可能是赤字站。这表明通勤可能是共享单车使用的主要目的之一，Buehler等人（（Buehler等人，2019）和Shaheen等人（Shaheen等人，2012年。通勤者倾向于在早高峰将共享单车归还到工作场所附近，而晚上则乘坐共享单车离开办公室。因此，需要对与工作相关的POI附近的车站进行再平衡操作，特别是对于南部晚高峰的赤字站。在图4 c）和d）中，与工作相关的POI对南方车站不平衡的影响更大，这意味着在晚高峰期，南方的通勤者比北方的通勤者更依赖共享单车。随着北方公共交通系统的发展，北方人对共享单车的依赖程度越来越低（Gu et al.，2019）。他们在晚高峰有更多的出行方式可供选择，比如地铁和公交车。此外，由于道路密度和建筑密度较高，步行在北部可能更具竞争力。

图 4.工作相关POI系数的空间分布

5.3.2.早晚高峰模型中共享单车租-还车不平衡变量的影响

图5中，早高峰和晚高峰的租返失常呈正相关。在图5 a）和d）中，正系数表明晚高峰的赤字站倾向于早高峰的盈余站，早高峰的盈余站也倾向于晚高峰的赤字站。类似的模式可以在图5 b）和c）中找到。这揭示了一种明显的潮汐交通现象。共享单车供应商的更多注意力必须转移到无法满足用户需求的站点。

图 5.共享单车租返不平衡系数的空间分布

5.3.3. 早晚高峰模型中人口密度的影响

在图6中，可变人口密度似乎对早高峰的过剩站和赤字站都有积极影响（见图6a）和b）），并对晚高峰的这些不平衡站产生负面影响（见图6c）和d））。这表明，较高的人口密度可能导致早高峰的共享单车租归不平衡，同时有助于晚上共享单车的平衡。正如Dong等人（Dong等人，2019）所建议的那样，较高的人口密度往往与更多的通勤活动有关，因此与早晨的车站不平衡呈正相关。然而，在晚上，旅行活动更加多样化，因此较高的人口密度可能有助于平衡共享单车的分布。

图 6.对数人口密度系数的空间分布

早上，人口密度在影响盈余站方面比赤字站发挥了更重要的作用，如图6 a所示。这可能是因为与工作相关的 POI 比基于房屋的 POI 分布更集中。因此，当早高峰用户通勤需求增加时，共享单车盈余将比共享单车赤字更为严重。因此，随着城市地区人口的增长，共享单车供应商应该在夜间再平衡运营上投入更多资金，以缓解早高峰的不平衡。

5.3.4.早峰模型中土地利用组合的影响

图7中，早高峰土地利用组合与盈余站和赤字站不平衡呈负相关，表明混合用地促进了共享单车平衡。正如Tu等人（2018）所指出的，更高水平的土地利用组合引发了多样化的人类活动。当不同类型的POI连接良好时，共享单车出行的出发地和目的地变得更加多样化和不那么集中，因此在车站租用和返回的共享单车数量可以动态平衡。在南方，早高峰富余站的负面影响更为明显。这一发现表明，在南方，与工作相关的POI是聚合的，这种低水平的混合土地利用有助于吸引共享单车出行而不是生产，这是南方形成过剩不平衡车站的重要原因。

图 7.早峰土地利用系数混合空间分布

5.3.5. 年龄对早高峰模型的影响

在图8中，可变年龄对早高峰的盈余站和赤字站均产生了负面影响。如图8所示，老年人可以为平衡共享单车做出贡献。鼓励老年人使用共享单车将有利于系统平衡。此外，年龄对盈余站的负面影响比对赤字站的负面影响更为明显。这反映了老年人和年轻人之间的旅行目的不同。具体来说，老年人更有可能旅行进行体育活动和购物，而不是学习或工作。早高峰年轻人的旅游目的地，对老年人的吸引力较小。此外，在图8a）中，年龄的负面影响在南方更大。正如Jvca等人（Jvca等人，2019）所建议的那样，老年人可能对环境限制敏感。北部早高峰时段繁忙而复杂的交通状况可能会阻碍老年人共享单车。因此，在这方面需要改善安全的基础设施和骑行舒适性。
图 8.早高峰年龄系数的空间分布

5.3.6. 晚高峰模型中行进时间的影响

在图9中，旅行时间对剩余站和赤字站产生了负面影响，除了北部的少数剩余站。较长的旅行时间与车站不平衡呈负相关的原因可能是共享单车是为短途旅行而设计的，而较长的旅行时间可能会使共享单车的吸引力降低，尤其是对于通勤旅行。与中北部地区相比，南部地区出行时间的负面影响明显更高，这意味着较长的出行时间对南方共享单车使用产生的负面影响可能大于其他地区。一个潜在的原因可能是由于公共基础设施欠发达，例如，缺乏自行车道和受保护的车道可能会降低用户在旅途中的舒适度和感知安全性（Horan，2016）。
图 9.晚高峰行进时间系数的空间分布

5.3.7.晚高峰模型中性别的影响

如图10所示，雄性对盈余站有负面影响，而在晚高峰对赤字站有积极影响。与雄性相比，雌性在晚高峰时段限制赤字站时更容易造成过剩站。这是合理的，因为正如Garrard等人（2008）所建议的那样，当女性兼顾工作和家庭责任时，她们的可自由支配时间可能比男性少。因此，在晚高峰期，他们可能需要接孩子或做家庭购物，而不是下班后直接回家，因此他们更有可能将共享单车归还到更繁忙的车站。在图10 b）中也可以观察到，雄性对赤字站有积极影响。这可能是因为他们倾向于在工作场所附近租用共享单车并回家。因此，在便利性和灵活性方面改善女性共享单车服务，不仅会增加女性对共享单车的偏好，还会对晚高峰的站点产生负面影响。

图 10.晚高峰性别系数的空间分布

6. 结论

共享单车不平衡问题阻碍了共享单车的发展。然而，在了解共享单车租金和回报之间差距的决定因素方面所做的努力有限。利用中国南京的共享单车出行数据，揭示了不同时期共享单车租还不平衡的时空规律。在建立模型之前，研究了变量之间的多重共线性和空间自相关性。模型对比表明，早高峰和晚高峰的GWMNL模型均优于MNL模型。这可能是因为 GWMNL 模型在离散选择建模中与空间特征配合使用。然后，利用GWMNL模型进一步研究了共享单车站租还不平衡受地理维度影响因素的影响。结果表明，与工作相关的POI对早高峰时段的剩余车站和晚高峰时段的赤字车站有正向影响，表明通勤出行导致高峰时段的车站不平衡。在早高峰，较高的土地利用组合和老年人可以缓解不平衡问题。在晚高峰期，较长的旅行时间对研究区域大部分地方的自行车共享使用不平衡产生了负面影响。与男性相比，女性用户更有可能在晚高峰缓解赤字站。 基于这些发现，本研究表明，应在与工作相关的POI附近的车站实施有效的再平衡操作，并且车站经常变得不平衡，尤其是在早高峰时段。此外，共享单车提供商应该更多地关心老年骑手和女性骑手，并提高他们在共享自行车使用中的安全性、便利性和灵活性。

在未来的研究中可以考虑几个方面。首先，我们只使用了南京的对接共享单车数据，这只能揭示共享单车使用模式的不完整图景。通过收集其他城市的无桩和对接共享单车记录，探索共享单车不平衡模式的差异及其影响因素，可以进一步增强这一点。其次，车站不平衡问题存在每日和每月变化，例如，本研究发现，工作日和工作日之间车站不平衡的数量和分布存在差异。值得研究的是，这些变化是如何受到本研究中确定的影响因素的影响的。此外，这项研究的数据集持续时间只有一个月。如果月度和年度数据可用，则可以检查月度或季节性级别的使用情况变化。天气相关变量已被证明对共享单车的使用有显著影响，结合长期时间序列数据，未来的研究可能会研究天气状况如何影响共享单车不平衡问题。此外，GWMNL模型优于MNL模型，这可能是因为GWMNL模型可以解释空间变化。由于人们对出行模式的选择可能与空间分量密切相关，因此与传统的MNL模型相比，GWMNL模型在对出行选择（例如出行模式、出发地和目的地以及路线）进行建模方面可能更强大。也可以考虑通过捕获影响因素的时间效应来改善GWMNL。