城市建成環(huán)境對(duì)共享單車出行影響的時(shí)空特征
——以深圳市為例

項(xiàng)振海，李 青，洪 良，盛 杰，班鵬飛

（1.昆明理工大學(xué) 建筑與城市規(guī)劃學(xué)院，昆明 650500；2.廣東國(guó)地規(guī)劃科技股份有限公司，廣州 510070）

國(guó)家“雙碳”戰(zhàn)略背景下，綠色、低碳出行成為城市交通可持續(xù)發(fā)展的核心議題。共享單車作為城市慢行交通的重要組成部分，在滿足居民出行、便捷居民換乘等方面發(fā)揮了顯著作用，可有效緩解城市交通擁堵以及“最后一公里”問(wèn)題，對(duì)實(shí)現(xiàn)交通“雙碳”減排目標(biāo)至關(guān)重要（Guo et al., 2022）。近年來(lái)，共享單車的快速發(fā)展，深刻改革著城市交通系統(tǒng)和居民原有的出行方式（Fishman et al.,2013），逐漸成為民生“剛需”。因此，研究共享單車出行規(guī)律及其影響因素，對(duì)重塑以慢行、公共交通為主導(dǎo)的低碳交通和城市友好騎行環(huán)境建設(shè)具有現(xiàn)實(shí)意義。

出行時(shí)空特征及影響因素一直是交通行為領(lǐng)域的重要課題，已有研究主要聚焦“起點(diǎn)-訖點(diǎn)”交通網(wǎng)絡(luò)視角下共享單車出行時(shí)空特征及建成環(huán)境影響，包括2方面：1）基于某日中單一時(shí)間切片的共享單車出行的起點(diǎn)、目的地，或聚集區(qū)域內(nèi)共享單車的借車、還車量，探析其出行時(shí)間分布及距離、空間熱點(diǎn)等格局（邵海雁 等，2023）。有學(xué)者通過(guò)對(duì)共享單車起訖點(diǎn)、借還站點(diǎn)、出行目的地等數(shù)據(jù)分析其時(shí)空分布規(guī)律，發(fā)現(xiàn)共享單車出行以短距離為主，起訖點(diǎn)在空間上總體呈現(xiàn)聚集特征（羅桑扎西 等，2018；周艷 等，2023），時(shí)間上則呈現(xiàn)明顯的早晚高峰特征，且早高峰到達(dá)量大于晚高峰（高楓 等，2019）。此外，部分學(xué)者通過(guò)對(duì)用戶起訖點(diǎn)需求預(yù)測(cè)，結(jié)合城市公共交通換乘站點(diǎn)布局、人口聚集特征和商業(yè)、居住、餐飲等城市空間要素，對(duì)共享單車活動(dòng)熱力、使用頻率和空間聚集特征等進(jìn)行分析，為共享單車站點(diǎn)布局提供支持（Tang et al., 2017；郭源園 等，2023）。2）城市建成環(huán)境作為解構(gòu)環(huán)境的重要組成元素，其對(duì)共享單車出行行為的持續(xù)影響也引起諸多學(xué)者的討論。如Cervero等（1997）最早從建成環(huán)境“3Ds”維度探討其對(duì)出行行為的影響，即密度（Density）、多樣性（Diversity）、設(shè)計(jì)（Design），而后國(guó)外部分學(xué)者從居住密度、就業(yè)密度、人口密度、商業(yè)設(shè)施密度（如零售業(yè)）、土地利用混合度等指標(biāo)，探討了建成環(huán)境對(duì)自行車出行的影響（Cervero, 2002; Rixey,2013）。隨著研究的深入，學(xué)者們基于建成環(huán)境“3Ds”維度增加出行距離、交通可達(dá)性2 個(gè)因子，形成經(jīng)典的建成環(huán)境“5Ds”分析模型（Munshi,2016；申犁帆 等，2018；黃灃爵 等，2023）。部分學(xué)者增加城市緊湊度、交通可達(dá)性、路網(wǎng)密度、地鐵站點(diǎn)數(shù)量等指標(biāo)，分析其對(duì)共享單車出行需求的影響（莫海彤 等，2019；楊林川 等，2023）。部分研究發(fā)現(xiàn)，人群密度、道路網(wǎng)密度、公交線路數(shù)量、地鐵站點(diǎn)數(shù)量、城市綠道長(zhǎng)度是影響共享單車出行的關(guān)鍵積極因素（孫藝玲 等，2018）。伴隨著地理大數(shù)據(jù)的大量涌現(xiàn)，學(xué)者們多基于共享單車OD數(shù)據(jù)、POI數(shù)據(jù)等多源數(shù)據(jù)，采用地理探測(cè)器模型（王勁峰 等，2017）、地理加權(quán)回歸模型（曹小曙 等，2020）、多尺度地理加權(quán)回歸模型（Meng and Zacharias, 2021；黃颙昊 等，2022）等方法探討城市建成環(huán)境對(duì)共享單車出行的影響。

綜上，國(guó)內(nèi)外相關(guān)研究不斷豐富，但尚有待思考之處：1）共享單車出行的時(shí)空特征方面，已有研究聚焦于起訖點(diǎn)、出行目的地及用戶出行OD 數(shù)據(jù)，缺乏共享單車出行軌跡的時(shí)空特征分析，及多時(shí)段、長(zhǎng)時(shí)間序列下對(duì)共享單車出行特征的觀察。共享單車出行軌跡蘊(yùn)含著豐富的交通運(yùn)行狀態(tài)信息，其時(shí)空特征能系統(tǒng)、全面地揭示道路交通運(yùn)輸場(chǎng)景及城市建成環(huán)境對(duì)出行行為的影響（周艷 等，2023）；2）建成環(huán)境對(duì)共享單車出行影響的時(shí)空特征方面，影響因素雖廣泛應(yīng)用經(jīng)典“5Ds”分析模型，但變量選擇主要聚焦于客觀的物質(zhì)空間環(huán)境，較少關(guān)注“人本尺度”的建成環(huán)境指標(biāo)，缺乏使用者對(duì)建成環(huán)境主觀感知和體驗(yàn)維度的因子考量，如街道騎行空間舒適性（天空開(kāi)敞度、綠視率、建筑連續(xù)程度、圍合度）、安全性（相對(duì)步行寬度、交通安全設(shè)施占比）等建成環(huán)境要素。而使用者對(duì)街道騎行空間環(huán)境的主觀感官評(píng)價(jià)，對(duì)其出行選擇、出行意愿等方面有較大影響（Chen et al., 2020）?；诖?，以深圳市為例，利用共享單車OD 數(shù)據(jù)、OSM路網(wǎng)數(shù)據(jù)、百度街景及POI等多源大數(shù)據(jù)，分析共享單車出行的時(shí)空特征，并基于建成環(huán)境“5Ds”指標(biāo)，運(yùn)用MGWR 模型，解析建成環(huán)境對(duì)共享單車出行流量影響的時(shí)空差異。以期為友好騎行環(huán)境的建設(shè)、城市慢行空間打造提供決策依據(jù)。

1 研究設(shè)計(jì)

1.1 研究區(qū)域

選取深圳市福田、羅湖、南山3個(gè)市轄區(qū)作為研究區(qū)域（圖1），面積為325 km2、人口約449.28萬(wàn)。深圳是全國(guó)首批低碳試點(diǎn)城市、公交都市建設(shè)示范城市及國(guó)家可持續(xù)發(fā)展議程創(chuàng)新示范區(qū)，其作為科技創(chuàng)新之都，共享單車發(fā)展迅速，共享單車出行已成為市民出行的重要方式之一。此外，福田、羅湖、南山3個(gè)區(qū)為深圳的城市中心和副中心，是居住、就業(yè)人口聚集的主要區(qū)域，且為共享單車投放的主要區(qū)域。

圖1 研究范圍Fig.1 Study Area

1.2 數(shù)據(jù)與變量選擇

1.2.1 數(shù)據(jù)來(lái)源 本研究主要數(shù)據(jù)包括共享單車數(shù)據(jù)、OSM 路網(wǎng)數(shù)據(jù)、百度街景及POI 數(shù)據(jù)。1）共享單車數(shù)據(jù)為2021-04-08—14一周內(nèi)的美團(tuán)用戶數(shù)據(jù)，包括用戶ID編號(hào)、出行起止時(shí)間、出行時(shí)長(zhǎng)、出行的起點(diǎn)和終點(diǎn)坐標(biāo)等信息。對(duì)研究范圍內(nèi)一周出行OD數(shù)據(jù)進(jìn)行預(yù)處理，剔除使用時(shí)間＜2 min及人工調(diào)度、異常使用、數(shù)據(jù)缺失、字段相同的重復(fù)記錄，進(jìn)一步使用ArcGIS 10.8對(duì)起訖點(diǎn)進(jìn)行提取，剔除“O”點(diǎn)或“D”點(diǎn)在研究范圍外的數(shù)據(jù)，最終選取有效數(shù)據(jù)993 669條；2）深圳市路網(wǎng)數(shù)據(jù)源于OpenStreetMap官網(wǎng)①www.openstreetmap.org。在GIS平臺(tái)根據(jù)研究范圍對(duì)路網(wǎng)數(shù)據(jù)進(jìn)行裁剪、清洗與拓?fù)浠幚恚⒃诮徊婵谔幋驍嗪螳@得共計(jì)4 692 個(gè)街道段。同時(shí)，為確保能識(shí)別穿過(guò)街道的騎行軌跡與建成環(huán)境特征，基于實(shí)際情況對(duì)每個(gè)街道段創(chuàng)建50 m 的帶狀緩沖區(qū)。該范圍基本包括道路范圍及其周邊建筑、開(kāi)敞空間和綠地等可能對(duì)行人騎行活動(dòng)產(chǎn)生影響的區(qū)域；3）百度街景數(shù)據(jù)獲取于百度街景應(yīng)用程序接口②http://lbsyun.baidu.com。通過(guò)Python 程序于2023 年9 月獲取街景全景圖像25 619張，并運(yùn)用在MIT ADE20K數(shù)據(jù)集上預(yù)訓(xùn)練的PSPNet 模型識(shí)別并測(cè)算街景圖片中包括天空、綠植、建筑以及道路等街道建成環(huán)境要素的面積占比；4）POI數(shù)據(jù)獲取于高德地圖API接口。通過(guò)Python程序爬取2023年9月的設(shè)施點(diǎn)數(shù)據(jù)，涵蓋餐飲、辦公、商業(yè)、酒店、休閑娛樂(lè)及基礎(chǔ)設(shè)施等16個(gè)大類，對(duì)于描述街道功能多樣性以及站點(diǎn)空間分布具有優(yōu)勢(shì)?？紤]不同等級(jí)道路兩側(cè)的空間布局形式，通過(guò)GIS平臺(tái)與研究范圍內(nèi)各街道緩沖區(qū)相交后共計(jì)得到227 751個(gè)POI點(diǎn)位。

1.2.2 變量選擇 為科學(xué)解釋建成環(huán)境對(duì)共享單車出行的影響作用，借鑒建成環(huán)境經(jīng)典“5Ds”分析模型，從5個(gè)維度進(jìn)行自變量甄選，共15項(xiàng)建成環(huán)境因子（表1）。密度表征的是人口的聚集程度，是共享單車出行行為的關(guān)鍵動(dòng)力，通過(guò)城市主要功能密度如餐飲、購(gòu)物娛樂(lè)設(shè)施、居住設(shè)施、就業(yè)設(shè)施密度進(jìn)行度量（Gao et al., 2021）。用地功能的多樣性是城市活力的重要因素，間接影響居民出行動(dòng)機(jī)與出行行為選擇，因此選取功能混合度作為影響因子。對(duì)于共享單車出行，街道建成環(huán)境是居民出行的主要推力，包括出行空間舒適性和出行環(huán)境安全性2 方面。借鑒相關(guān)研究（司睿 等，2021；王娜等，2021），設(shè)計(jì)維度選擇天空開(kāi)敞度、街道綠視率、建筑連續(xù)程度、圍合度及相對(duì)步行寬度、交通安全設(shè)施占比6個(gè)因子。同時(shí)，目的地可達(dá)性維度選取接近度作為驅(qū)動(dòng)因子，通過(guò)sDNA 模型計(jì)算，以反映路網(wǎng)的中心性與可達(dá)性。一般而言，共享單車與地鐵、公交換乘，成為居民解決“最后一公里”的普遍選擇，因此，距離維度選取距地鐵站和公交站最近距離2個(gè)因子。

表1 共享單車時(shí)空分布特征的影響因子Table 1 Factors influencing the spatio-temporal distribution characteristics of shared bicycles

1.3 研究方法

1.3.1 路徑匹配算法 本文所獲取的共享單車數(shù)據(jù)為每位騎行者的OD 數(shù)據(jù)，均為只包含一個(gè)“O”點(diǎn)和“D”點(diǎn)的獨(dú)立軌跡數(shù)據(jù)，但自行車在2 個(gè)間斷點(diǎn)間有多條距離相近的通行路徑可供選擇。為此，需要對(duì)共享單車用戶的OD 軌跡進(jìn)行還原。首先，運(yùn)用路徑匹配算法對(duì)OD 間潛在的路徑進(jìn)行求解，并保留潛在路徑中出行距離最短的前3條路徑；其次，從騎行者角度出發(fā)，結(jié)合潛在路徑的距離、通行時(shí)間、通行路段信號(hào)燈、交叉口數(shù)量以及轉(zhuǎn)彎次數(shù)等因素，分析各條候選路徑的通行性（王杰等，2022）；最后，將候選路徑通行時(shí)間與實(shí)際訂單時(shí)長(zhǎng)進(jìn)行對(duì)比，綜合各項(xiàng)指標(biāo)校驗(yàn)，還原騎行者最合適的出行軌跡。

1.3.2 多尺度地理加權(quán)回歸（MGWR） 由于地理加權(quán)回歸模型存在各影響因素作用下的空間過(guò)程尺度相同的局限性，F(xiàn)otheringham 等（2017）基于廣義加性模型提出多尺度地理加權(quán)回歸。該方法在經(jīng)典地理加權(quán)回歸模型基礎(chǔ)上，改進(jìn)了變量間只能選擇相同帶寬的缺陷，通過(guò)對(duì)各變量設(shè)置不同的帶寬，使其呈現(xiàn)不同的尺度特征。每個(gè)自變量根據(jù)黃金搜索算法選擇各自最優(yōu)帶寬進(jìn)行回歸建模，使其結(jié)果更接近真實(shí)并具有解釋力。計(jì)算公式為：

式中：k為街道段的數(shù)量；xij為第j個(gè)預(yù)測(cè)變量；(ui，vi)為街道段i的質(zhì)心坐標(biāo)；βbwj代表第j個(gè)變量回歸系數(shù)的帶寬；εi為隨機(jī)誤差項(xiàng)。采用MGWR 2.2進(jìn)行模型計(jì)算并完成可視化分析。

1.4 技術(shù)路線

首先，采用共享單車OD數(shù)據(jù)、道路網(wǎng)絡(luò)數(shù)據(jù)，通過(guò)路徑匹配算法對(duì)用戶的OD 軌跡進(jìn)行還原，分析共享單車出行流量的時(shí)空變化特征；其次，根據(jù)建成環(huán)境“5Ds”維度選擇變量，利用POI 數(shù)據(jù)、百度街景、道路網(wǎng)絡(luò)數(shù)據(jù)等建成環(huán)境指標(biāo)因子，通過(guò)空間自相關(guān)、多元線性逐步回歸模型對(duì)變量進(jìn)行篩選，將滿足條件的建成環(huán)境指標(biāo)作為自變量與各時(shí)段共享單車路段出行流量進(jìn)行MGWR模型構(gòu)建；最后，運(yùn)用MGWR 模型探析不同建成環(huán)境要素對(duì)各時(shí)段共享單車路段出行流量影響的時(shí)空差異（圖2）。

圖2 建成環(huán)境對(duì)共享單車出行影響的時(shí)空特征技術(shù)路線Fig.2 Technical route of spatio-temporal trajectories of built environment's effects of shared bicycles

2 共享單車出行的時(shí)空特征

根據(jù)還原的共享單車軌跡數(shù)據(jù)統(tǒng)計(jì)可知（圖3），首先，一周內(nèi)共享單車出行頻數(shù)較為均衡，周四由于天氣因素（小雨）影響除外；其次，共享單車在一天內(nèi)不同時(shí)段的使用頻數(shù)也呈現(xiàn)較為明顯的分異特征，即一天內(nèi)共享單車使用頻數(shù)最高的時(shí)間段為早、晚高峰期。其中，工作日共享單車出行的早晚高峰時(shí)間分別為T 07:00—09:00和T 17:00—19:00；而休息日早、晚高峰時(shí)間有所延遲，為T 08:00—10:00和18:00—20:00；特別的是，在休息日受外出游玩等因素的影響，在午餐后的T 14:00—16:00形成共享單車出行的次高峰。因此，為了更直觀分析共享單車出行的時(shí)空分異特征，選取具有代表性的一周內(nèi)周三、周日早、晚高峰時(shí)段進(jìn)行分析。

圖3 各時(shí)段共享單車使用頻數(shù)Fig.3 The number of shared bikes used in each period

2.1 共享單車出行的分時(shí)段特征

圖4顯示，工作日和休息日早、晚高峰時(shí)段內(nèi)共享單車出行均呈現(xiàn)一定的空間聚集現(xiàn)象，但各時(shí)段的熱點(diǎn)區(qū)域空間分異顯著。首先，在城市中心（福田商務(wù)中心區(qū)）、副中心（科技園、羅湖口岸片區(qū)）呈現(xiàn)聚集現(xiàn)象，并在研究區(qū)域西側(cè)形成北環(huán)大道—科技園—深圳大學(xué)—后海的熱點(diǎn)軸，中部形成“蓮花山—市民中心—會(huì)展中心”熱點(diǎn)軸以及東側(cè)“人民公園—國(guó)貿(mào)—深圳站—羅湖口岸”熱點(diǎn)軸，在空間上呈現(xiàn)“多核集聚、帶狀延伸”的空間格局；其次，在工作日早高峰時(shí)段，共享單車出行主要聚集于科技園區(qū)、蛇口港和市民中心等商務(wù)辦公區(qū)，晚高峰主要聚集于荔林、大新及香蜜湖等以居住為主的區(qū)域。已有研究表明，工作日早高峰時(shí)段騎行目的地空間分布主要集中于中央商務(wù)區(qū)，晚高峰則以居住地、公共交通站點(diǎn)片區(qū)等為主（高楓等，2019），這與本研究基本一致。而休息日的早晚高峰時(shí)間段內(nèi)，熱點(diǎn)區(qū)域主要分布在深圳灣公園、陽(yáng)基商業(yè)廣場(chǎng)和來(lái)福士廣場(chǎng)等休閑區(qū)域。

圖4 共享單車工作日和休息日早晚高峰路段流量Fig.4 The traffic flow of shared bicycles during the morning and evening peak hours on rest days and working days

2.2 共享單車出行距離與時(shí)長(zhǎng)分布

通過(guò)對(duì)一周內(nèi)所有樣本的出行距離、時(shí)長(zhǎng)進(jìn)行統(tǒng)計(jì)，得出其概率密度分布和累計(jì)分布。由圖5-a可知，共享單車出行以短時(shí)間通行為主，平均出行時(shí)長(zhǎng)為14.3 min。出行時(shí)長(zhǎng)為6～10 min的用戶最多，占比為36%，超過(guò)83%的騎行者出行時(shí)間都在20 min以內(nèi)。從圖5-b可知，共享單車出行以短距離為主，平均出行距離約為1.8 km，出行距離為0.8～1.5 km 的用戶占比最多（35%），約88%的用戶出行距離都在3 km以內(nèi)。由此可知，居民的共享單車出行具有短距離、短時(shí)間特征，且這種出行方式在地鐵、公交“最后一公里”接駁方面較為普遍。

圖5 共享單車出行時(shí)長(zhǎng)（a）和距離分布（b）Fig.5 Duration (a) and distance distribution (b) of shared bicycles

3 建成環(huán)境對(duì)共享單車出行的影響

3.1 建成環(huán)境指標(biāo)篩選

首先，將建成環(huán)境指標(biāo)因子進(jìn)行空間自相關(guān)分析，結(jié)果表明選取的15項(xiàng)變量具有很強(qiáng)的空間自相關(guān)性，符合后續(xù)模型構(gòu)建要求。從全局莫蘭指數(shù)的統(tǒng)計(jì)數(shù)據(jù)看，其中人口密度、接近度、距地鐵站最近距離和就業(yè)設(shè)施密度具有非常強(qiáng)的聚類特征（表2）；其次，以各時(shí)段共享單車路段出行流量作為因變量，將15項(xiàng)建成環(huán)境指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理后作為自變量，導(dǎo)入SPSS 軟件進(jìn)行多元線性逐步回歸分析。通過(guò)檢驗(yàn)，各項(xiàng)自變量的VIF值均＜7.5，說(shuō)明模型不存在多重共線性問(wèn)題。由模型回歸結(jié)果可知（見(jiàn)表2），各項(xiàng)因子的顯著性水平在4個(gè)時(shí)段內(nèi)存在差異，且部分因子在部分時(shí)段并不顯著。因此，進(jìn)一步將各時(shí)段表現(xiàn)顯著的變量，分別與對(duì)應(yīng)時(shí)段的共享單車出行流量一起參與GWR模型及MGWR模型的構(gòu)建。

表2 建成環(huán)境空間自相關(guān)與多元線性逐步回歸結(jié)果Table 2 Diagnostic results of spatial autocorrelation and multiple linear stepwise regression of built environment

3.2 模型對(duì)比

對(duì)比經(jīng)典GWR和MGWR模型回歸結(jié)果（表3）可知：MGWR 模型在工作日、休息日各時(shí)段的AICc值均低于GWR，同時(shí)其模型擬合優(yōu)度R2更高，對(duì)研究范圍內(nèi)共享單車出行流量變化的解釋度平均高達(dá)85.2%。此外，GWR模型在各時(shí)段對(duì)建成環(huán)境要素均賦予相同帶寬，忽略了變量在不同尺度下的作用程度，從而會(huì)對(duì)模型回歸系數(shù)造成一定誤差。而MGWR模型在各時(shí)段的不同變量均有不同帶寬，考慮不同建成環(huán)境要素的作用尺度和時(shí)空間差異，從而獲得更為真實(shí)的擬合效果。綜上，MGWR 模型在解釋建成環(huán)境對(duì)共享單車出行影響的時(shí)空變化差異時(shí)更為適用，各時(shí)段回歸模型結(jié)果見(jiàn)表4所示。

表3 經(jīng)典GWR和MGWR模型回歸結(jié)果Table 3 Regression results of classical GWR and MGWR models

表4 MGWR模型回歸結(jié)果統(tǒng)計(jì)Table 4 Statistics of MGWR model regression results

3.3 建成環(huán)境對(duì)共享單車出行影響的時(shí)空差異

3.3.1 建成環(huán)境對(duì)單車出行影響的時(shí)間差異 進(jìn)一步對(duì)表4所列回歸結(jié)果進(jìn)行解析，并將部分具有連續(xù)時(shí)段變化特征的因子回歸結(jié)果整理后繪制成隨時(shí)段變化的箱線圖，同時(shí)繪制各變量回歸系數(shù)均值線與顯著性程度變化線（圖6）。可見(jiàn)在劃分的工作日及休息日早、晚高峰4個(gè)時(shí)間段內(nèi)，各項(xiàng)建成環(huán)境因子在不同時(shí)段出現(xiàn)變量影響力和解釋度間的差異。從建成環(huán)境的“5Ds”維度進(jìn)行解析：

圖6 建成環(huán)境要素的回歸系數(shù)及變量解釋度變化趨勢(shì)Fig.6 The trend of regression coefficients and variable interpretation of built environment factors

1）密度

人口密度、居住與就業(yè)設(shè)施密度在各時(shí)段對(duì)出行流量整體均具有正向作用，但居住設(shè)施密度的解釋度不高（5.43%～13.54%）。一方面可見(jiàn)人群的相對(duì)聚集、“居住地-工作地”的職住設(shè)施密度分布有利于促進(jìn)居民的早晚高峰騎行選擇與出行活動(dòng)（Gao et al., 2021；黃灃爵 等，2023），另一方面居住設(shè)施密度在建成區(qū)內(nèi)部整體分布的相對(duì)均等性也可能導(dǎo)致該類設(shè)施的影響力具有明顯的局部效應(yīng)；購(gòu)物娛樂(lè)設(shè)施密度對(duì)出行流量整體具有負(fù)向作用，且在工作日晚高峰具有較高的解釋度（70.52%）。這可能是由于居民購(gòu)物消費(fèi)、娛樂(lè)等行為在早晚高峰時(shí)段的“流出狀態(tài)”，導(dǎo)致該類設(shè)施難以有效吸引以通勤為目的的騎行聚集。

2）多樣性

功能混合度在休息日的早高峰對(duì)出行流量整體具有正向作用，但整體解釋度極低（6.74%）。該結(jié)果證實(shí)已有研究認(rèn)為的街道設(shè)施多樣性促進(jìn)居民騎行行為這一觀點(diǎn)（黃灃爵 等，2023），同時(shí)也可能由于福田、羅湖和南山三區(qū)作為深圳市行政、經(jīng)濟(jì)及居住中心，其商務(wù)辦公、休閑娛樂(lè)、購(gòu)物等設(shè)施的廣泛分布，導(dǎo)致街道兩側(cè)的設(shè)施多樣性整體差異不大。

3）設(shè)計(jì)

出行空間舒適性方面，天空開(kāi)敞度對(duì)出行流量具有正向作用，但整體解釋度極低（5.43%～6.78%），這可能由于研究區(qū)域的高密度建設(shè)特征，導(dǎo)致該促進(jìn)效果的低解釋性；街道綠視率在各時(shí)段對(duì)出行流量具有正向作用，且在休息日的解釋度更高。這表明街道內(nèi)舒適的景觀環(huán)境構(gòu)成有利于吸引居民騎行行為的聚集（古維迎 等，2022），且該促進(jìn)效應(yīng)在休息日更為普遍；建筑連續(xù)程度在工作日晚高峰對(duì)出行流量具有正向作用，可見(jiàn)街道兩側(cè)連續(xù)的界面構(gòu)成有助于居民的日常騎行活動(dòng)；圍合度在各時(shí)段均具有負(fù)向作用，表明街道各類設(shè)施的密集布置反而會(huì)抑制居民的出行選擇。

出行環(huán)境安全性方面，相對(duì)步行寬度在工作日晚高峰、休息日早高峰對(duì)出行流量具有負(fù)向作用，且變量解釋度相對(duì)較高（79.07%～79.75%）。雖然已有研究證實(shí)適宜的步行寬度更易促進(jìn)街道內(nèi)慢行行為的發(fā)生（司睿 等，2021），但對(duì)于通勤行為來(lái)說(shuō)，以機(jī)動(dòng)車道為主的街道空間更適合承載早晚高峰居民出行選擇；交通安全設(shè)施占比在早晚高峰對(duì)出行流量整體具有正向作用，但整體解釋度極低（8.78%～16.01%）。這表明街道內(nèi)安全舒適的空間庇護(hù)環(huán)境在一定程度上吸引通勤時(shí)段下出行車流的聚集，但街道安全設(shè)施沿高等級(jí)路段相對(duì)聚集則限制了該正向作用的大范圍輻射。

4）目的地可達(dá)性

已有研究認(rèn)為，良好的街道通達(dá)性有利于步行可達(dá)范圍內(nèi)居民的出行選擇與活動(dòng)（司睿 等，2021）。但在本研究中，接近度在休息日晚高峰對(duì)出行流量整體具有較為強(qiáng)烈的負(fù)向作用，這可能由于休息日居民出行多以城市近郊的戶外休閑活動(dòng)為主，從而導(dǎo)致高路網(wǎng)可達(dá)的街道反而并不具有高頻的出行流量。

5）距離

距地鐵站最近距離在各時(shí)段對(duì)出行流量整體具有強(qiáng)烈的負(fù)向作用，但在工作日早晚高峰及休息日晚高峰的解釋度不高（21.23%～26.17%）。該結(jié)果驗(yàn)證了地鐵站點(diǎn)臨近性對(duì)共享單車出行的正向促進(jìn)這一觀點(diǎn)（嚴(yán)亞磊 等，2020）。但基于中心便利性原則的地鐵站點(diǎn)布置則導(dǎo)致該影響效果的局部差異；距公交站最近距離對(duì)早晚高峰出行流量整體均具有負(fù)向作用，但變量解釋度整體極低（0～28.11%）。一方面說(shuō)明深圳市內(nèi)公交站點(diǎn)的空間臨近性引起共享單車出行行為的聚集（郭源園 等，2023），另一方面也可能由于深圳市中心城區(qū)交通站點(diǎn)的相對(duì)均衡布局導(dǎo)致其差異不大。

3.3.2 建成環(huán)境對(duì)單車出行影響的空間差異 在空間作用尺度上（見(jiàn)表4），MGWR 通過(guò)計(jì)算各變量最優(yōu)帶寬反映不同變量影響力變化的空間分異格局。在本研究中，不同變量在各時(shí)段的最優(yōu)帶寬差異明顯，即各變量的影響力存在差異化的空間分布特征。如就業(yè)設(shè)施密度、圍合度及接近度的作用尺度為4 676～4 692，占街道段總樣本量的100%，是全局變量，其影響力在空間上變化最為穩(wěn)定，基本不存在空間異質(zhì)性。而街道綠視率在工作日的作用尺度為167～266，占總樣本量的3.56%～5.67%，則存在較大的空間異質(zhì)性。因此，為描述各指標(biāo)影響效應(yīng)的空間差異，用ArcGIS 10.8 對(duì)各時(shí)段變量解釋度較高的部分因子進(jìn)行系數(shù)可視化。其中部分變量空間格局如圖7所示。

圖7 部分建成環(huán)境回歸系數(shù)的空間分布Fig.7 Spatial distribution of regression coefficients of partially built environment

各變量的影響力差異表現(xiàn)為：就業(yè)設(shè)施密度在工作日晚高峰及休息日早高峰變化平緩且整體由東向西梯度遞增，高值區(qū)域聚集于南山區(qū)西側(cè)。休息日晚高峰整體由西向東遞增，高值區(qū)域轉(zhuǎn)向羅湖區(qū)東側(cè)；圍合度在工作日早晚高峰及休息日早高峰變化平緩且整體呈西高東低分布，高值區(qū)域集中于深圳灣沿岸。休息日晚高峰整體由兩側(cè)向中心遞增，高值區(qū)域多集中于福田區(qū)；接近度在休息日晚高峰變化平緩且整體呈西高東低分布，高值區(qū)域聚集于深圳灣沿岸；購(gòu)物娛樂(lè)設(shè)施密度在工作日晚高峰整體由福田區(qū)西側(cè)向南山區(qū)遞增，其高值區(qū)域聚集于前海沿岸；距地鐵站最近距離在工作日晚高峰及休息日早高峰變化平緩且整體呈西低東高分布，高值區(qū)域多聚集于福田西側(cè)及羅湖區(qū)；建筑連續(xù)程度在工作日早晚高峰變化較為明顯且整體由兩側(cè)向中心遞增，高值區(qū)域多聚集于福田區(qū)；相對(duì)步行寬度在工作日晚高峰變化較為明顯且多分布在3個(gè)區(qū)的南部，高值區(qū)域聚集于南山及福田的城市中心。休息日早高峰呈西低東高分布，高值區(qū)域聚集于福田區(qū)；人口密度在工作日早高峰變化明顯且局部聚集于南山大學(xué)城及蛇口片區(qū)、福田區(qū)等地，其中高值區(qū)域多聚集于福田。工作日晚高峰及休息日早晚高峰整體變化趨于平緩且高值區(qū)域隨時(shí)段變化由羅湖區(qū)向南山區(qū)轉(zhuǎn)移；街道綠視率在工作日變化明顯且局部聚集于蓮花山公園、荔枝公園、香蜜湖等自然景觀區(qū)域。休息日整體變化趨于平緩且呈西低東高分布，高值區(qū)域多聚集于羅湖區(qū)。

4 結(jié)論

本文采用共享單車出行OD數(shù)據(jù)、OSM道路數(shù)據(jù)、百度街景及POI等多源大數(shù)據(jù)，選取深圳市福田、羅湖、南山3 個(gè)市轄區(qū)作為研究區(qū)域，運(yùn)用MGWR 模型探析不同建成環(huán)境對(duì)共享單車出行流量影響的時(shí)空差異，主要結(jié)論為：

1）共享單車出行的時(shí)空分布異質(zhì)性明顯。從時(shí)間上看，共享單車在一天內(nèi)不同時(shí)段的使用頻數(shù)不同，使用頻數(shù)最高的時(shí)間段為早、晚高峰。其中工作日早、晚高峰時(shí)段分別為T 07:00—09:00 和17:00—19:00，休息日早、晚高峰為T 08:00—10:00和18:00—20:00；從空間上看，工作日和休息日早、晚高峰時(shí)段內(nèi)共享單車出行的熱點(diǎn)區(qū)域多聚集于城市中心、副中心，并在空間上呈“多核集聚、帶狀延伸”的分異格局。此外，共享單車出行以短時(shí)間、短距離為主，平均出行時(shí)長(zhǎng)為14.3 min，平均出行距離約為1.8 km；

2）各變量對(duì)共享單車出行流量的影響的時(shí)間差異明顯。人口密度、就業(yè)設(shè)施密度與街道綠視率在各時(shí)段均具有正向作用，圍合度在各時(shí)段具有負(fù)向作用，其中街道綠視率在工作日早晚高峰的影響力具有局部效應(yīng)；工作日晚高峰時(shí)段，購(gòu)物娛樂(lè)設(shè)施密度具有負(fù)向作用，而建筑連續(xù)程度具有正向作用；工作日晚高峰及休息日早高峰時(shí)段，相對(duì)步行寬度與距地鐵站最近距離均具有負(fù)向作用；接近度在休息日晚高峰具有負(fù)向作用。

3）各時(shí)段影響較為顯著的變量在空間作用尺度差異明顯。就業(yè)設(shè)施密度與圍合度在各時(shí)段上的空間變化整體平緩；接近度、購(gòu)物設(shè)施密度及距地鐵站最近距離在部分時(shí)段上的空間變化整體平緩；建筑連續(xù)程度和相對(duì)步行寬度在部分時(shí)段的空間變化整體較為明顯；人口密度及街道綠視率在不同時(shí)段具有差異化的空間變化特征。其中，人口密度在工作日早高峰變化明顯且呈局部聚集，而在工作日晚高峰及休息日早晚高峰變化平緩。街道綠視率在工作日變化明顯且呈局部集聚，而在休息日整體變化較為平緩。

針對(duì)上述分析，為優(yōu)化城市友好騎行環(huán)境、重塑城市慢行交通，可從3個(gè)方面著力：①合理布局及增加地鐵、公交站點(diǎn)，實(shí)現(xiàn)居民出行的高效接駁、便捷換乘，建設(shè)連續(xù)成網(wǎng)、便捷接駁、環(huán)境友好的騎行環(huán)境；②結(jié)合城市更新進(jìn)行街道空間改造，有條件地區(qū)可增加非機(jī)動(dòng)車交通空間，并注重街道綠視率、圍合度等街道微觀環(huán)境營(yíng)造；③可適當(dāng)對(duì)城市主要交通干道交叉口、隔離欄進(jìn)行改造，如增加非機(jī)動(dòng)車專用信號(hào)燈、待轉(zhuǎn)區(qū)等，保障騎行的安全性與通暢性。

本文基于共享單車出行OD 等多源數(shù)據(jù)，對(duì)其出行軌跡進(jìn)行還原，分析工作日、休息日多時(shí)段長(zhǎng)時(shí)間序列下共享單車出行的時(shí)空特征，并在已有客觀物質(zhì)空間環(huán)境變量的基礎(chǔ)上引入人群主觀感知與體驗(yàn)維度的微觀建成環(huán)境因子，運(yùn)用MGWR 模型探析不同建成環(huán)境對(duì)共享單車出行流量影響的時(shí)空差異，彌補(bǔ)已有關(guān)于共享單車出行時(shí)空特征及建成環(huán)境影響研究的不足，可為城市友好騎行環(huán)境的建設(shè)、慢行空間打造提供參考。但由于數(shù)據(jù)獲取的限制，本研究也存在一定不足，如未考慮共享單車用戶群體的社會(huì)經(jīng)濟(jì)屬性、人群真實(shí)的主觀感知與體驗(yàn)等，未來(lái)可在此框架基礎(chǔ)上進(jìn)一步豐富建成環(huán)境因子的多維性，結(jié)合共享單車用戶的社會(huì)經(jīng)濟(jì)屬性與行為特征，更深入地研究共享單車出行與建成環(huán)境的關(guān)系。