停泊式共享单车的出行需求与建筑环境之间的关联：来自美国 7 个城市的证据

已于 2025-04-29 00:39:15 修改
阅读量162 收藏
点赞数
分类专栏： 文献解读 文章标签： python 回归 空间分析 arcgis 信息可视化 数据分析 数据挖掘
于 2025-04-28 23:50:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44026026/article/details/147597868
版权

停泊式共享单车的出行需求与建筑环境之间的关联：来自美国 7 个城市的证据

原文：Tang, Justin Hayse Chiwing G., et al. “The association between travel demand of docked bike-sharing and the built environment: Evidence from seven US cities.” Sustainable Cities and Society 106 (2024): 105325.

1. 引言

文章开头提到，有桩共享单车（Docked Bike-Sharing, DBS）作为一种新兴的交通方式，在全球多个城市中越来越受欢迎。然而，DBS的成功和可持续性受到多种因素的影响，其中建成环境是一个重要的因素。以往研究对DBS出行需求与建成环境之间的关系进行了探讨，但研究结果并不一致。因此，本研究旨在通过比较美国七个城市的DBS出行需求与建成环境之间的关系，找出是否存在普遍适用的建成环境因素。

2. 文献综述

文章回顾了共享自行车使用的影响因素，包括社会人口统计属性、个人出行行为、天气条件等。接着重点讨论了建成环境与共享自行车使用的关系，包括自行车基础设施、土地利用模式、POIs等。最后，文章指出了以往跨城市比较研究的不足，为本文的研究提供了理论基础。

3. 数据和方法

3.1 研究区域

文章选取了美国七个主要城市：纽约、波士顿、芝加哥、华盛顿特区、洛杉矶、费城和旧金山。这些城市在地理规模、人口和经济发展方面具有多样性，并且都实施了DBS项目。

3.2 分析框架

文章设计了一个分析框架，包括两个模块。模块1是对DBS骑行记录和POI数据进行数据过滤，并将数据分为工作日和非工作日。模块2是应用统计和地理模型，包括PCC分析、OLS回归和GWR模型，以探究DBS出行需求与POIs之间的关系。

3.3 数据来源

  • DBS行程数据：从七个开放的DBS公司获取2019年5月的数据。数据经过清洗和过滤，去除了异常值和降雨天的数据。
  • POI数据：使用OpenStreetMap数据，分为十一类，包括住宅、商业、办公、教育、紧急服务、金融、政府、医疗、公共设施、体育设施和交通。
模型的因变量与自变量
因变量

文章中的因变量是有桩共享单车（Docked Bike-Sharing, DBS）的出行需求。具体而言，DBS出行需求通过分析DBS行程记录来衡量，这些记录包括了起点和终点的经纬度、起点和终点的自行车站ID、自行车ID和行程ID等关键信息。为了确保分析的准确性，研究者对原始数据进行了清洗和过滤，移除了旅行时间小于一分钟或大于两小时的异常值，并且排除了降雨天的データ，以减少天气因素对出行模式的影响。通过这些处理，得到了每个DBS站点在工作日和非工作日的出行需求数据。

自变量

文章中的自变量是兴趣点（Points of Interest, POIs），这些POIs被用作描述建成环境的因素。POIs数据来源于OpenStreetMap（OSM），这是一个公开可用的地理空间数据库平台。研究者依据OSM的分类方法，并参考以往相关研究，将POIs分为以下十一类：

  1. 住宅（Residential, Rsd）：包括公寓、房屋、宿舍等。
  2. 商业（Commercial, Cml）：包括商店、超市、餐馆、旅游景点、住宿设施等。
  3. 办公（Office, Ofc）：包括办公室、办公大楼等。
  4. 教育（Education, Edu）：包括幼儿园、学校、学院、大学、语言学校等。
  5. 紧急服务（Emergency, Emer）：包括消防站、消防栓、警察局、救护车站、除颤器等。
  6. 金融（Financial, Fin）：包括自动取款机、银行、货币兑换处等。
  7. 政府（Government, Gov）：包括政府办公室、邮局、大使馆、市政厅、军事设施、法院等。
  8. 医疗保健（Healthcare, Hc）：包括诊所、牙科诊所、医生诊所、医院、药店等。
  9. 公共设施（Public, Pub）：包括历史建筑、钟楼、社区中心、图书馆、喷泉、礼拜场所、厕所等。
  10. 体育设施（Sport, Spt）：包括体育场、游泳池、球场、体育中心等。
  11. 交通（Transportation, Trans）：包括公共汽车站、公共汽车停车点、地铁入口、渡轮码头、铁路车站、出租车站、电车站等。

这些POIs被用来表征城市建成环境的特征，并通过计算不同缓冲区半径（100米、300米、500米、800米和1000米）内各类POIs的数量，来探究它们与DBS出行需求之间的关系。缓冲区半径的选择基于对相关文献的综合审查，并通过皮尔逊相关系数（PCC）分析来确定最适合的缓冲区半径和POIs类型。

模型应用

  • PCC分析：用于确定POIs与DBS出行需求之间的相关性，并选择适合的POIs和缓冲区半径。
  • OLS模型：用于评估POIs数量与DBS出行需求之间的整体关系，通过最小化误差的平方和来估计回归系数。
  • GWR模型：考虑空间异质性，为研究区域内的每个位置生成单独的回归方程，揭示局部空间相关性。

通过这些模型，文章能够详细分析DBS出行需求与建成环境之间的复杂关系，并为城市规划和交通政策制定提供科学依据。

分析模型

  • 皮尔逊相关系数（PCC）分析：用于评估POIs与DBS出行需求之间的相关性，确定合适的POIs和缓冲区半径。
  • 普通最小二乘法（OLS）：用于测试DBS使用与POIs数量之间的关系，评估整体关系。
  • 地理加权回归（GWR）：考虑空间异质性，生成每个位置的回归方程，揭示局部空间相关性。

4. 结果与讨论

4.1 利用皮尔逊相关系数（PCC）分析确定描述建成环境的合适POIs

因变量和自变量
  • 因变量：DBS出行需求，通过分析DBS行程记录来衡量，包括起点和终点的经纬度、起点和终点的自行车站ID、自行车ID和行程ID等关键信息。研究者对原始数据进行了清洗和过滤，移除了旅行时间小于一分钟或大于两小时的异常值，并且排除了降雨天的数据，以减少天气因素对出行模式的影响。
  • 自变量：POIs，分为十一类，包括住宅、商业、办公、教育、紧急服务、金融、政府、医疗保健、公共设施、体育设施和交通。这些POIs被用来表征城市建成环境的特征，并通过计算不同缓冲区半径（100米、300米、500米、800米和1000米）内各类POIs的数量，来探究它们与DBS出行需求之间的关系。
结果

通过PCC分析，文章确定了不同缓冲区半径下POIs与DBS出行需求的相关性。结果显示，1000米缓冲区半径在大多数城市中与DBS出行需求的相关性最强。然而，洛杉矶和旧金山在较短的缓冲区半径（如100米、300米和500米）下也显示出显著的相关性。例如，在纽约市，商业、办公、金融、医疗保健、公共设施和交通POIs在1000米缓冲区半径下与DBS出行需求表现出中等到较强的相关性。在洛杉矶和旧金山，各种POI类型（如商业、紧急服务、金融、医疗保健和公共POIs）在较短的缓冲区半径下成为影响因素。

4.2 量化建成环境与DBS出行需求之间的关系：OLS和GWR模型

2.1 模型表现

文章比较了OLS和GWR模型的性能，发现GWR模型在解释数据变异性方面优于OLS模型，表现出更高的R²值和调整后的R²值，以及更低的AICc值。这表明GWR模型在考虑空间异质性方面更为有效。

2.2 工作日的关联

在这里插入图片描述

GWR模型结果显示，不同城市的POIs与DBS出行需求之间的关联存在空间异质性。例如：

  • 商业POIs：在芝加哥和洛杉矶表现出纯正相关，这可以归因于这些商业区域的活跃经济活动。而在纽约和旧金山则表现出混合相关，这可能源于城市商业结构的多样性和居民通勤习惯的差异。
  • 办公POIs：在费城和旧金山表现出正负相关，表明办公建筑的高集中区域在工作日可能增加或减少DBS需求，具体取决于城市内的特定区域。
  • 紧急服务POIs：在波士顿和旧金山表现出混合相关，这可能归因于城市内紧急设施的可达性和分布差异。
  • 金融POIs：在纽约、波士顿、华盛顿特区、费城和旧金山表现出正负相关，表明金融因素在不同城市区域对DBS出行需求的影响存在空间异质性。
  • 政府POIs：在纽约、波士顿、芝加哥和华盛顿特区表现出正负相关，表明政府建筑与DBS出行需求之间的关系在这些城市内存在空间变化。
  • 医疗保健POIs：在芝加哥、华盛顿特区、洛杉矶、费城和旧金山表现出正负相关，表明医疗设施在工作日对DBS需求的影响存在空间差异。
  • 公共设施POIs：在纽约和华盛顿特区表现出正负相关，而洛杉矶则表现出纯负相关，表明公共设施对DBS出行需求的影响在不同城市存在差异。
  • 交通POIs：在纽约、芝加哥、华盛顿特区、费城和旧金山表现出正负相关，而洛杉矶则表现出纯负相关，这可能与洛杉矶的汽车导向文化和公共交通服务的局限性有关。
2.3 非工作日的关联

在这里插入图片描述

非工作日的关联分析显示：

  • 商业POIs：在纽约和芝加哥表现出正负相关，而在旧金山和洛杉矶则表现出纯正相关，表明这些城市的商业区域在周末和节假日持续存在DBS需求。
  • 紧急服务POIs：在波士顿和旧金山表现出混合相关，与工作日的模式相似。
  • 金融POIs：在纽约、波士顿、洛杉矶和旧金山表现出正负相关，这可能归因于金融活动模式和商务旅行的减少。
  • 政府POIs：在纽约、波士顿、华盛顿特区、费城和旧金山表现出正负相关，这可能与政府赞助的活动、旅游景点、社区参与水平或政府组织的休闲设施有关。
  • 医疗保健POIs：在芝加哥、费城和旧金山表现出正负相关，而洛杉矶则表现出纯负相关，表明医疗设施在非工作日对DBS需求的影响存在空间差异。
  • 公共设施POIs：在纽约、华盛顿特区和旧金山表现出正负相关，反映出这些城市区域的多样性和公共空间的不同用途。
  • 体育设施POIs：仅在洛杉矶表现出正相关，表明体育活动和场馆可能在非工作日特别促进洛杉矶的DBS需求。
  • 交通POIs：在纽约和华盛顿特区表现出正负相关，而洛杉矶则表现出纯负相关，这可能与洛杉矶的交通设施和替代交通模式的可用性有关。

在这里插入图片描述

图6：七个美国城市DBS站点、POIs和城市边界的地理空间分布

  • 内容：展示了七个美国城市DBS站点（红点）、POIs（蓝点）和城市边界的地理空间分布。
  • 作用：为读者提供了研究区域的空间特征，展示了DBS站点和POIs在城市内的分布情况，帮助理解建成环境对DBS出行需求的影响。

5. 结论

5.1 主要发现

文章通过比较美国七个城市的有桩共享单车（DBS）出行需求与建成环境之间的关系，得出了以下主要发现：

  1. 空间异质性：不同城市的POIs（兴趣点）与DBS出行需求之间的关联存在显著的空间异质性。这意味着，单一因素不能普遍适用于整个城市，也无法通过一个简单的模型来解释所有城市中DBS出行需求的差异。例如，办公POIs在费城和旧金山表现出正负相关，紧急服务POIs在波士顿和旧金山表现出混合相关，金融POIs在纽约、波士顿、华盛顿特区、费城和旧金山表现出正负相关，政府POIs在纽约、波士顿、芝加哥和华盛顿特区表现出正负相关，医疗保健POIs在芝加哥、华盛顿特区、洛杉矶、费城和旧金山表现出正负相关，公共设施POIs在纽约和华盛顿特区表现出正负相关，而洛杉矶则表现出纯负相关，交通POIs在纽约、芝加哥、华盛顿特区、费城和旧金山表现出正负相关，而洛杉矶则表现出纯负相关。

  2. 商业POIs的持续正相关：商业POIs在芝加哥和洛杉矶的工作日，以及旧金山和洛杉矶的非工作日表现出持续的正相关。这表明这些城市的商业区域在工作日和非工作日都持续存在较高的DBS需求，可能归因于这些区域的活跃经济活动和多样化的出行需求。

  3. 非工作日的特殊性：在非工作日，体育设施POIs仅在洛杉矶表现出正相关，表明体育活动和场馆可能在非工作日特别促进洛杉矶的DBS需求。此外，洛杉矶在工作日和非工作日都表现出对交通POIs的纯负相关，这可能与洛杉矶的汽车导向文化和公共交通服务的局限性有关。

5.2 政策建议

文章为优化DBS融入城市交通系统提供了以下政策建议：

  1. 因地制宜的规划策略：由于DBS出行需求与建成环境之间的关系存在空间异质性，城市规划者和政策制定者应根据每个城市的特定建成环境特征，制定因地制宜的DBS站点布局和运营策略。例如，在商业活动活跃的区域增加DBS站点，以满足高出行需求。

  2. 多模式交通整合：文章强调了DBS与其他交通模式（如公共交通）的整合的重要性。在交通POIs附近合理布局DBS站点，可以提高公共交通的可达性，促进绿色出行。

  3. 公共设施与DBS的协同规划：鉴于公共设施POIs在某些城市对DBS出行需求的显著影响，政策制定者可以考虑将DBS站点与公共设施（如公园、图书馆等）协同规划，以提高公共设施的利用率和居民的生活质量。

5.3 研究局限性

尽管本文提供了有价值的见解，但也存在一些局限性：

  1. 数据覆盖范围：研究仅基于2019年5月的DBS行程数据，可能无法捕捉DBS出行需求的长期趋势和季节性变化。未来研究可以通过纵向分析，涵盖多个年份的数据，以更全面地理解DBS出行需求的动态变化。

  2. 城市选择的局限性：研究主要集中在美国的七个主要城市，可能无法完全代表美国所有城市的多样性，尤其是小城市和农村地区的出行模式。未来研究可以扩展到更多样化的城市类型，包括小城市和农村地区。

  3. POIs的内在特性未被充分考虑：本文主要关注POIs的类型和分布，但未深入探讨POIs的内在特性（如设施的质量、服务水平等）可能对DBS出行需求的影响。未来研究可以进一步细化POIs的特征，以更全面地评估其对DBS出行需求的影响。

  4. 因果关系的不确定性：本文通过相关性分析揭示了DBS出行需求与建成环境之间的关系，但并未建立明确的因果关系。未来研究可以通过干预性研究或实验设计，探讨建成环境变化对DBS出行需求的因果影响。

5.4 未来研究方向

文章提出了以下未来研究方向：

  1. 纵向数据分析：通过多年的数据分析，捕捉DBS出行需求的长期趋势和季节性变化，以评估DBS系统的可持续性和适应性。

  2. 扩展地理范围：将研究扩展到更多样化的城市类型，包括小城市和农村地区，以提高研究结果的普适性。

  3. POIs特征的细化：进一步探讨POIs的内在特性（如设施质量、服务水平、用户评价等）对DBS出行需求的影响，以更全面地理解建成环境对出行行为的作用机制。

  4. 因果关系研究：采用干预性研究或实验设计，明确DBS出行需求与建成环境之间的因果关系，为政策制定提供更具说服力的科学依据。

  5. 结合用户调查和定性分析：通过用户调查和定性研究方法，深入了解用户的出行动机和偏好，从而更精准地优化DBS服务。

  6. 高级分析方法的应用：利用机器学习等先进分析技术，挖掘DBS出行需求与建成环境之间的复杂关系，提高模型的预测能力和解释力。

  7. 跨文化比较研究：在不同文化背景下（如美国、欧洲、亚洲等）比较DBS出行需求与建成环境的关系，探讨文化因素对出行行为的影响。

6. 其他

# 模拟DBS出行需求数据
np.random.seed(42)
n = 1000  # 假设有1000个DBS站点

# 生成随机的DBS出行需求数据
db_demand = np.random.poisson(lam=50, size=n)

# 生成不同类别的POIs数量（模拟数据）
poi_categories = {
    '商业': np.random.poisson(lam=10, size=n),
    '办公': np.random.poisson(lam=8, size=n),
    '紧急服务': np.random.poisson(lam=2, size=n),
    '金融': np.random.poisson(lam=5, size=n),
    '政府': np.random.poisson(lam=3, size=n),
    '医疗保健': np.random.poisson(lam=7, size=n),
    '公共设施': np.random.poisson(lam=4, size=n),
    '交通': np.random.poisson(lam=6, size=n)
}

# 模拟DBS出行需求数据
np.random.seed(42)
n = 1000  # 假设有1000个DBS站点

# 生成随机的DBS出行需求数据
db_demand = np.random.poisson(lam=50, size=n)

# 生成不同类别的POIs数量（模拟数据）
poi_categories = {
    '商业': np.random.poisson(lam=10, size=n),
    '办公': np.random.poisson(lam=8, size=n),
    '紧急服务': np.random.poisson(lam=2, size=n),
    '金融': np.random.poisson(lam=5, size=n),
    '政府': np.random.poisson(lam=3, size=n),
    '医疗保健': np.random.poisson(lam=7, size=n),
    '公共设施': np.random.poisson(lam=4, size=n),
    '交通': np.random.poisson(lam=6, size=n)
}

# 创建数据框
data = pd.DataFrame(poi_categories)
data['DBS需求'] = db_demand

# 添加空间坐标（模拟地理数据）
data['x'] = np.random.uniform(0, 100, size=n)
data['y'] = np.random.uniform(0, 100, size=n)
geometry = gpd.points_from_xy(data.x, data.y)
gdf = gpd.GeoDataFrame(data, geometry=geometry)

# 创建数据框
data = pd.DataFrame(poi_categories)
data['DBS需求'] = db_demand

# 添加空间坐标（模拟地理数据）
data['x'] = np.random.uniform(0, 100, size=n)
data['y'] = np.random.uniform(0, 100, size=n)
geometry = gpd.points_from_xy(data.x, data.y)
gdf = gpd.GeoDataFrame(data, geometry=geometry)

# 准备自变量和因变量
X = data[poi_categories.keys()]
y = data['DBS需求']

# 拟合OLS模型
ols_model = LinearRegression()
ols_model.fit(X, y)

# 评估模型
y_pred_ols = ols_model.predict(X)
r2_ols = r2_score(y, y_pred_ols)
mse_ols = mean_squared_error(y, y_pred_ols)

print("\nOLS模型性能：")
print(f"R²: {r2_ols:.4f}")
print(f"MSE: {mse_ols:.4f}")

# 打印回归系数
print("\nOLS回归系数：")
for poi, coef in zip(poi_categories.keys(), ols_model.coef_):
    print(f"{poi}: {coef:.4f}")
    
# 准备GWR模型的空间坐标
coordinates = np.array(list(zip(gdf.x, gdf.y)))

# 创建GWR模型
gwr_selector = libpysal.weights.DistanceBand.from_array(coordinates, threshold=100, binary=True)
gwr = GWR(coordinates, X.values, y.values, gwr_selector.bandwidth, family='gaussian')

# 拟合GWR模型
gwr_results = gwr.fit()

# 评估模型
y_pred_gwr = gwr_results.predict(X.values)
r2_gwr = r2_score(y, y_pred_gwr)
mse_gwr = mean_squared_error(y, y_pred_gwr)

print("\nGWR模型性能：")
print(f"R²: {r2_gwr:.4f}")
print(f"MSE: {mse_gwr:.4f}")
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

rgb2gray

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值