建成環(huán)境對(duì)共享單車(chē)分時(shí)騎行量的非線性作用研究：以上海市為例

吳靜嫻，唐桂孔，李文翔*

(上海理工大學(xué)，a.管理學(xué)院；b.智慧應(yīng)急管理學(xué)院，上海 200093)

0 引言

共享單車(chē)是一種靈活快捷的出行方式，其推廣不僅能促進(jìn)城市公共交通發(fā)展、緩解城市交通擁堵和環(huán)境污染等問(wèn)題，還能有效提升人們的身心健康[1]。然而，隨著我國(guó)城市共享單車(chē)的大規(guī)模投入和使用，多區(qū)域在高峰時(shí)段出現(xiàn)共享單車(chē)淤積、一車(chē)難求或亂停亂放等潮汐性問(wèn)題，嚴(yán)重影響了人們的騎行體驗(yàn)和出行效率。因此，有必要針對(duì)共享單車(chē)使用進(jìn)行分時(shí)段研究。

現(xiàn)有關(guān)于共享單車(chē)的研究主要集中在對(duì)單車(chē)騎行時(shí)空特征、空間調(diào)度以及騎行特征影響因素的分析。在騎行時(shí)空特征方面，孫啟鵬等[2]發(fā)現(xiàn)，工作日內(nèi)北京市共享單車(chē)的騎行時(shí)空分布規(guī)律與通勤行為密切相關(guān)。高楹等[3]指出共享單車(chē)在工作日、周末以及工作日早晚高峰時(shí)段的騎行空間分布特征差異顯著。呂雄鷹等[4]表示摩拜單車(chē)在工作日早晚高峰時(shí)段的供需矛盾主要集中于住宅小區(qū)和軌道站點(diǎn)周邊。在影響因素方面，曹新宇[5]表示建成環(huán)境是供人類(lèi)活動(dòng)需求的重要空間，對(duì)人類(lèi)騎行等交通行為有重要影響。孫超等[6]基于改進(jìn)的空間滯后和殘差模型，識(shí)別出酒店、餐飲、醫(yī)療等POI對(duì)北京市共享單車(chē)出行具有正向驅(qū)動(dòng)作用。Wang等[7]利用廣義結(jié)構(gòu)方程分析建成環(huán)境特征對(duì)共享單車(chē)使用的影響，研究發(fā)現(xiàn)，公交站點(diǎn)、自行車(chē)道等交通設(shè)施特征與共享單車(chē)使用顯著正相關(guān)，地鐵分布密度、交叉口密度與之顯著負(fù)相關(guān)。Guo等[8]基于負(fù)二項(xiàng)回歸模型分析發(fā)現(xiàn)，深圳的土地混合度、人口密度、路網(wǎng)密度等建成環(huán)境對(duì)共享單車(chē)在地鐵接駁中的使用有顯著作用。王振報(bào)等[9]利用多尺度地理加權(quán)回歸模型分析發(fā)現(xiàn)，不同尺度城市建成環(huán)境指標(biāo)對(duì)還車(chē)的影響差異顯著。上述研究多為基于線性模型的共享單車(chē)日騎行量與建成環(huán)境關(guān)系分析，極少能關(guān)注建成環(huán)境在不同時(shí)段對(duì)共享單車(chē)使用影響的差異以及非線性作用。事實(shí)上，建成環(huán)境對(duì)城市共享單車(chē)不同時(shí)段借還車(chē)量的作用并非均一不變，且會(huì)隨城市不同地理環(huán)境變化而變化。

基于此，本文擬基于上海市摩拜單車(chē)、網(wǎng)絡(luò)公開(kāi)數(shù)據(jù)，利用梯度提升決策樹(shù)模型，探究建成環(huán)境指標(biāo)對(duì)不同時(shí)段下共享單車(chē)借還車(chē)量的非線性作用。研究成果可為城市管理者制定共享單車(chē)推廣計(jì)劃和優(yōu)化共享單車(chē)資源配置提供一定的參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源及特征

本文所用數(shù)據(jù)主要包括共享單車(chē)數(shù)據(jù)和建成環(huán)境數(shù)據(jù)兩類(lèi)。共享單車(chē)數(shù)據(jù)為上海市2016 年8 月摩拜單車(chē)騎行訂單數(shù)據(jù)，覆蓋上海浦西外環(huán)以內(nèi)和黃浦江沿線浦東新區(qū)的156 個(gè)街道。訂單數(shù)據(jù)主要包括用戶、訂單和單車(chē)編號(hào)，借車(chē)和還車(chē)時(shí)間，以及騎行起終點(diǎn)和途經(jīng)軌跡經(jīng)緯度坐標(biāo)信息。圖1 為共享單車(chē)在工作日和非工作日的全天騎行量分布。在工作日內(nèi)，共享單車(chē)騎行存在明顯的早高峰(7:00-9:00)和晚高峰(17:00-20:00)，晚高峰單位小時(shí)的騎行量(3100次·h-1)高于早高峰(2750次·h-1)。非工作日內(nèi)的單車(chē)騎行高峰小時(shí)特征則不明顯，在6:00-20:00 時(shí)段呈穩(wěn)定增長(zhǎng)趨勢(shì)。此外，鑒于共享單車(chē)在工作日，非工作日，工作日早、晚高峰4個(gè)時(shí)段的空間集聚特征差異顯著，擬將訂單分為工作日，非工作日，工作日早、晚高峰騎行借還車(chē)量進(jìn)行分組分析。

圖1 共享單車(chē)工作日和非工作日全天騎行分布Fig.1 Temporal distribution of bike-sharing usage on weekday and weekend

建成環(huán)境數(shù)據(jù)包括百度地圖興趣點(diǎn)數(shù)據(jù)、Open Street Map 路網(wǎng)數(shù)據(jù)和上海市第六次人口普查三類(lèi)數(shù)據(jù)。參照文獻(xiàn)[10]，建成環(huán)境指標(biāo)構(gòu)建選取以街道為單元的密度、設(shè)計(jì)、多樣性、目的地可達(dá)性和公交可達(dá)性五維指標(biāo)。其中，街道人口密度、住宅POI密度、就業(yè)POI密度和社交娛樂(lè)密度用于指代密度；路網(wǎng)密度和非機(jī)動(dòng)車(chē)道占比來(lái)測(cè)度設(shè)計(jì)；土地利用混合熵、至市中心距離和公家密度則分別指代多樣性、目的地可達(dá)性和公交可達(dá)性。土地利用混合熵是利用居住、商業(yè)、工業(yè)、公共服務(wù)設(shè)施、交通設(shè)施、公園綠地這6 類(lèi)興趣點(diǎn)數(shù)據(jù)計(jì)算而成的指標(biāo)，具體計(jì)算公式為

式中：pi為第i類(lèi)興趣點(diǎn)數(shù)量占比；n為興趣點(diǎn)類(lèi)型數(shù)。表1 為具體建成環(huán)境和單車(chē)騎行變量描述與統(tǒng)計(jì)。

表1 變量描述與統(tǒng)計(jì)Table 1 Variable description and statistics

1.2 梯度提升決策樹(shù)

梯度提升決策樹(shù)(Gradient Boosting Decision Trees,GBDT)是一種以前后決策樹(shù)殘差最小化為目標(biāo)的連續(xù)迭代集成方法，通過(guò)累加決策樹(shù)預(yù)測(cè)值實(shí)現(xiàn)模型預(yù)測(cè)[11]。與隨機(jī)森林、支持向量機(jī)等其他機(jī)器學(xué)習(xí)模型相比，梯度決策樹(shù)因調(diào)整學(xué)習(xí)率、樹(shù)數(shù)量和樹(shù)深度等參數(shù)降低了模型的計(jì)算速率，但有效防止了過(guò)擬合，提高了模型的預(yù)測(cè)精度，且具備較強(qiáng)泛化能力，能有效處理數(shù)據(jù)異常值等問(wèn)題。同時(shí)，該模型在建模和運(yùn)行階段可解釋性強(qiáng)，模型輸出的變量相對(duì)重要度和非線性依賴圖可以有效解釋自變量對(duì)因變量的影響效應(yīng)。因此，本文擬利用梯度提升決策樹(shù)，進(jìn)行建成環(huán)境對(duì)共享單車(chē)借還車(chē)量影響分析。為避免多重共線性影響，研究選取方差膨脹性因子值低于10的建成環(huán)境指標(biāo)為共享單車(chē)騎行量的自變量。

已知{(x1,y1),…,(xN,yN)}為具有N個(gè)樣本的共享單車(chē)數(shù)據(jù)集，利用梯度提升決策樹(shù)，學(xué)習(xí)共享單車(chē)借還車(chē)模型，具體步驟如下。

Step 1 初始化共享單車(chē)借還車(chē)模型F0(x)。

式中：xi和yi分別為第i個(gè)樣本的自變量向量和因變量的觀測(cè)值；x為N組自變量向量的觀測(cè)值；L(yi,β)為損失函數(shù)，用于計(jì)算觀測(cè)值與模型預(yù)測(cè)值的平方誤差；β為使損失函數(shù)L(yi,β)最小化的常數(shù)。

Step 2 利用最速下降法確定M次迭代的最優(yōu)步長(zhǎng)和決策樹(shù)，以第m次迭代為例。(1)計(jì)算各樣本損失函數(shù)負(fù)梯度。

式中：rim為樣本i在當(dāng)前模型F(x)的損失函數(shù)負(fù)梯度值；Fm-1(x)為經(jīng)m-1迭代后的模型函數(shù)。

(2) 利用數(shù)據(jù)集{(x1,r1m),…,(xN,rNm)}，生成決策樹(shù)t(x;am)，計(jì)算梯度下降的最優(yōu)步長(zhǎng)βm為

式中：am為第m棵樹(shù)選擇的最佳分裂節(jié)點(diǎn)。

Step 3 引入學(xué)習(xí)率ξ控制每棵樹(shù)對(duì)模型的貢獻(xiàn)，降低模型過(guò)擬合的可能性，更新模型函數(shù)為

此外，GBDT模型可有效量化自變量對(duì)因變量的影響程度，評(píng)估自變量的相對(duì)重要度。評(píng)估方法為

2 結(jié)果與分析

2.1 模型參數(shù)與擬合結(jié)果

為確保模型精度，在建立共享單車(chē)騎行借還車(chē)模型前，需對(duì)各時(shí)段模型的學(xué)習(xí)率、最佳樹(shù)數(shù)和樹(shù)深度參數(shù)進(jìn)行調(diào)參。其中，學(xué)習(xí)率按照經(jīng)驗(yàn)建議值設(shè)為0.001，最佳樹(shù)和樹(shù)深度值則由網(wǎng)格搜索下的均方根誤差(Root Mean Square Error,RMSE)值來(lái)確定。同時(shí)，為避免過(guò)擬合問(wèn)題，采用5 折交叉法進(jìn)行模型檢驗(yàn)，并結(jié)合可決系數(shù)R2評(píng)估各模型擬合優(yōu)劣。表2 為共享單車(chē)工作日，非工作日，工作日早、晚高峰這4個(gè)時(shí)段借還車(chē)量模型的參數(shù)學(xué)習(xí)和擬合結(jié)果。表2中，各非線性模型擬合結(jié)果明顯優(yōu)于線性回歸模型，表明建成環(huán)境變量與共享單車(chē)借還車(chē)量之間存在潛在的非線性關(guān)系。

表2 模型參數(shù)與擬合結(jié)果Table 2 Model parameters and result

2.2 建成環(huán)境相對(duì)重要度

表3 為各時(shí)段共享單車(chē)借還車(chē)模型的建成環(huán)境變量相對(duì)重要度，即各建成環(huán)境變量對(duì)共享單車(chē)借還車(chē)量的影響程度。其中，每個(gè)模型所有變量的相對(duì)重要度累計(jì)值為100%。表3中，在工作日，非工作日以及工作日早、晚高峰這4 個(gè)時(shí)間段，至市中心距離、路網(wǎng)密度、非機(jī)動(dòng)車(chē)道占比和人口密度對(duì)共享單車(chē)借還車(chē)量的貢獻(xiàn)最為突出，相對(duì)重要度高于11%，排名穩(wěn)居前4；社交娛樂(lè)設(shè)施密度、住宅POI 密度也在各時(shí)段的重要度穩(wěn)定適中，處于6.75%～10.86%之間；就業(yè)POI 密度、土地利用混合熵和公交站密度的作用最弱，重要度處于3.00%～5.50%之間。此外，人口密度、路網(wǎng)密度、非機(jī)動(dòng)車(chē)道占比總體重要度高，但在4個(gè)時(shí)段的作用波動(dòng)較大。人口密度在非工作日、工作日晚高峰的作用明顯大于其他時(shí)段，重要度在18.00%和15.00%以上；路網(wǎng)密度對(duì)工作日早高峰時(shí)段的借車(chē)作用顯著，重要度高達(dá)24.78%；非機(jī)動(dòng)車(chē)道占比僅在工作日早高峰對(duì)還車(chē)量影響較高，相對(duì)重要度達(dá)17.92%。足見(jiàn)，部分建成環(huán)境指標(biāo)在不同時(shí)段對(duì)共享單車(chē)的借還車(chē)量影響差異明顯。

表3 建成環(huán)境影響程度Table 3 Relative importance of built environment

2.3 建成環(huán)境的非線性作用

圖2 為工作日，非工作日以及工作日早、晚高峰街區(qū)中心鄰近度與共享單車(chē)使用的非線性關(guān)系。市中心鄰近度與4 個(gè)時(shí)段的單車(chē)使用總體呈倒U 型關(guān)系。在市中心(0,15]km 的區(qū)域，街區(qū)中心鄰近度與單車(chē)使用總體正相關(guān)，至市中心距離約15 km 共享單車(chē)借還車(chē)量達(dá)到最大閾值，靠近市中心的街道共享單車(chē)使用得更加頻繁，這與路慶昌等[12]的研究結(jié)果相似。在(15,20] km 區(qū)域，其與4 個(gè)時(shí)段的單車(chē)使用明顯負(fù)相關(guān)，當(dāng)區(qū)域臨近度達(dá)20 km以上時(shí)，兩者關(guān)系趨于平緩，對(duì)比同時(shí)段該因素對(duì)借還車(chē)量的作用，其在高峰時(shí)段的影響差異更為顯著，主要作用于鄰近度18 km 以內(nèi)的區(qū)域，對(duì)早高峰借車(chē)和晚高峰還車(chē)的影響程度更高。在鄰近度為15 km 的區(qū)域，該指標(biāo)的閾值效應(yīng)最為顯著，早高峰借車(chē)和晚高峰還車(chē)達(dá)到峰值，分別為23 次·h-1和27 次·h-1，高于早高峰還車(chē)和晚高峰借車(chē)峰值，這與工作日內(nèi)早高峰借車(chē)和晚高峰還車(chē)多發(fā)于市中心臨近區(qū)的特征相關(guān)。綜上，中心鄰近度18 km以內(nèi)的區(qū)域是共享單車(chē)全天騎行發(fā)生的主要區(qū)域，也是高峰時(shí)段單車(chē)供求失衡的多發(fā)區(qū)，而閾值點(diǎn)所在區(qū)更是單車(chē)運(yùn)維部門(mén)高峰時(shí)段重點(diǎn)關(guān)注的區(qū)域。

圖2 至市中心距離對(duì)共享單車(chē)訂單的非線性影響Fig.2 Non-linear impact of distance to CBD on bike sharing

圖3 為路網(wǎng)密度對(duì)共享單車(chē)借還車(chē)量的非線性影響。圖中，路網(wǎng)密度與4個(gè)時(shí)段共享單車(chē)借還車(chē)量總體負(fù)相關(guān)。當(dāng)路網(wǎng)密度在(0,16]km·km-2增加時(shí)，共享單車(chē)借還車(chē)量緩慢減?。划?dāng)路網(wǎng)密度在(16,20]km·km-2時(shí)，共享單車(chē)借還車(chē)量急劇減小；隨后，共享單車(chē)借還車(chē)量減小趨勢(shì)放緩。這種負(fù)相關(guān)與Chen等[13]在成都案例中的研究結(jié)果存在差異，這種負(fù)向作用可能與上海市非機(jī)動(dòng)車(chē)道占比總體較低以及高密度路網(wǎng)街區(qū)尺寸上明顯小于周邊區(qū)域，進(jìn)而導(dǎo)致小街區(qū)累計(jì)車(chē)輛騎行數(shù)相對(duì)較小有關(guān)。此外，在高峰時(shí)段16 km·km-2以內(nèi)的低密度路網(wǎng)街道存在明顯的借還車(chē)供需失衡問(wèn)題，即應(yīng)重點(diǎn)關(guān)注該部分街道早高峰借車(chē)難和晚高峰停車(chē)淤積問(wèn)題。

圖3 路網(wǎng)密度對(duì)共享單車(chē)借還車(chē)量的非線性影響Fig.3 Non-linear impact of road density on bike sharing

圖4 為區(qū)域非機(jī)動(dòng)車(chē)道占比對(duì)共享單車(chē)借還車(chē)量的非線性影響。從圖中可以發(fā)現(xiàn)，路網(wǎng)中非機(jī)動(dòng)車(chē)道占比越大越有利于共享單車(chē)騎行，該結(jié)論與Yang等[14]的研究結(jié)果一致。當(dāng)非機(jī)動(dòng)車(chē)道占比在(0.10,0.35]內(nèi)增加時(shí)，各時(shí)段共享單車(chē)借還車(chē)量有小幅提升；當(dāng)指標(biāo)增加至(0.35,0.38]時(shí)，非工作日外的其他時(shí)段共享單車(chē)借還車(chē)量會(huì)出現(xiàn)急劇提升；指標(biāo)增加至0.40 后，4 個(gè)時(shí)段的騎行量漸趨平緩。這表示對(duì)于非機(jī)動(dòng)車(chē)道占比在0.38以內(nèi)的街道，適當(dāng)增設(shè)非機(jī)動(dòng)車(chē)道對(duì)促進(jìn)共享單車(chē)的騎行有積極作用。此外，對(duì)比非機(jī)動(dòng)車(chē)道占比在同時(shí)段下對(duì)借還車(chē)的作用發(fā)現(xiàn)，其對(duì)工作日早高峰還車(chē)、晚高峰借車(chē)的影響更甚，其在0.38閾值點(diǎn)處早高峰還車(chē)和晚高峰借車(chē)分別為27 次·h-1和28 次·h-1，高于早高峰借車(chē)量和晚高峰還車(chē)量，側(cè)面反映在出行末端就業(yè)端增設(shè)非機(jī)動(dòng)車(chē)道或?qū)Ｓ玫缆访驿佈b對(duì)高峰時(shí)段人們是否選擇單車(chē)通勤有重要影響。

圖4 非機(jī)動(dòng)車(chē)道占比對(duì)共享單車(chē)訂單的非線性影響Fig.4 Non-linear impact of cycle-way ratio on bike sharing

圖5 為人口密度對(duì)共享單車(chē)借還車(chē)量的復(fù)雜非線性影響。圖中，人口密度在不同時(shí)段下與單車(chē)使用總體呈S 型關(guān)系。當(dāng)街道人口密度在1.9 萬(wàn)人·km-2以內(nèi)時(shí)，小幅人口密度增加對(duì)所有時(shí)段共享單車(chē)的使用有積極作用，其作用在1.9 萬(wàn)人·km-2處達(dá)到峰值，此處非工作日借還車(chē)量閾值比工作日借還車(chē)量閾值高30 次，而工作日早高峰還車(chē)量和晚高峰借車(chē)量分別達(dá)22 次·h-1和26 次·h-1，高于早高峰借車(chē)量和晚高峰還車(chē)量。當(dāng)人口增至(1.9,2.5]萬(wàn)人·km-2時(shí)，各時(shí)段單車(chē)使用量有明顯下滑。這與Li等[15]的研究認(rèn)為高人口密度能吸引更多共享單車(chē)騎行存在差異，這可能與嘉定、寶山、閔行等偏郊區(qū)人口密度為(2.0,2.5]萬(wàn)人·km-2的街道附近投入共享單車(chē)較少有關(guān)。當(dāng)人口密度增加至2.5萬(wàn)人·km-2以上時(shí)，各時(shí)段的單車(chē)使用會(huì)有不同程度的提升。總體而言，人口密度對(duì)同時(shí)段借還車(chē)的影響在工作日早、晚高峰時(shí)的借還車(chē)量影響差異最為顯著。隨著區(qū)域人口密度的增加，早高峰的借車(chē)量和晚高峰的還車(chē)量所受的正面影響程度更高?？梢?jiàn)，企業(yè)在工作日早晚高峰應(yīng)重點(diǎn)關(guān)注1.9 萬(wàn)人·km-2左右區(qū)域的共享單車(chē)投放和調(diào)度問(wèn)題，而3.0萬(wàn)人·km-2以上的區(qū)域則須及時(shí)關(guān)注早高峰時(shí)段的供不應(yīng)求和晚高峰時(shí)段車(chē)輛淤積的清運(yùn)問(wèn)題，減少高峰時(shí)段共享單車(chē)潮汐性交通問(wèn)題。

圖5 人口密度對(duì)共享單車(chē)訂單的非線性影響Fig.5 Non-linear impact of population density on bike-sharing

圖6為住宅POI密度對(duì)共享單車(chē)借還車(chē)量的非線性影響。圖中，住宅POI密度與共享單車(chē)借還車(chē)量總體正相關(guān)，這與路慶昌等[12]的研究結(jié)果相似。當(dāng)街道住宅POI 密度在[10,80]個(gè)·km-2內(nèi)增加時(shí)，不同時(shí)段共享單車(chē)借還車(chē)量均顯著增加；住宅POI密度為(80,160]個(gè)·km-2時(shí)，共享單車(chē)借還車(chē)量緩慢增加后維持穩(wěn)定，可能原因是住宅POI密度高的街道鄰里可達(dá)性高，步行較方便。對(duì)比同時(shí)段下住宅POI密度對(duì)借還車(chē)的影響，工作日和非工作日下該指標(biāo)作用幾乎同步，而在工作日早、晚高峰下其對(duì)借還車(chē)量影響略有差異。尤其在指標(biāo)達(dá)到40個(gè)·km-2后，其對(duì)晚高峰借車(chē)的影響程度更高，這與工作日晚高峰居住端潛在的休閑娛樂(lè)出行有一定關(guān)聯(lián)?？梢?jiàn)除通勤外，晚高峰期間休閑娛樂(lè)活動(dòng)也會(huì)提高共享單車(chē)的需求。

圖6 住宅POI密度對(duì)共享單車(chē)訂單的非線性影響Fig.6 Non-linear impact of residence POI density on bike sharing

圖7 為就業(yè)POI 密度對(duì)共享單車(chē)借還車(chē)量的非線性作用。圖中，當(dāng)街道就業(yè)POI 密度低于30 個(gè)·km-2時(shí)，其增長(zhǎng)對(duì)4 個(gè)時(shí)段的共享單車(chē)使用均有積極作用；當(dāng)密度高于30個(gè)·km-2時(shí)，其對(duì)工作日全天騎行有輕微促進(jìn)作用，對(duì)其他時(shí)段騎行有一定負(fù)作用?？傮w上，就業(yè)密度在高峰時(shí)段與單車(chē)騎行呈倒U型關(guān)系，該閾值說(shuō)明不同街道的就業(yè)密度控制在[30,100]個(gè)·km-2為宜，因?yàn)楦呔蜆I(yè)POI密度的街道可能在CBD 和高發(fā)達(dá)地區(qū)，共享單車(chē)需求較少，這與Yang等[14]的觀點(diǎn)相似。對(duì)比同時(shí)段借還車(chē)影響，就業(yè)POI 密度對(duì)工作日早、晚高峰借還車(chē)量影響略有差異。在指標(biāo)達(dá)到30 個(gè)·km-2后，早高峰還車(chē)和晚高峰借車(chē)量影響略大，這預(yù)示了關(guān)注城市就業(yè)集聚地高峰時(shí)段單車(chē)疏導(dǎo)及調(diào)度工作的必要性。

圖7 就業(yè)POI密度對(duì)共享單車(chē)訂單的非線性影響Fig.7 Non-linear impact of job POI density on bike sharing

圖8 為工作日早高峰時(shí)段非機(jī)動(dòng)車(chē)道占比和就業(yè)POI 密度對(duì)共享單車(chē)借還車(chē)的聯(lián)合作用結(jié)果。隨著區(qū)域就業(yè)POI密度的增大，早高峰時(shí)段共享單車(chē)借還車(chē)量在區(qū)域非機(jī)動(dòng)車(chē)道占比為0.38 處(單指標(biāo)閾值點(diǎn))達(dá)到最峰值，分別為24 次·h-1和28 次·h-1，均高于非機(jī)動(dòng)車(chē)占比(早高峰借車(chē)22次·h-1，還車(chē)27次·h-1)和就業(yè)POI點(diǎn)(早高峰借車(chē)19 次·h-1，還車(chē)19 次·h-1)的單指標(biāo)閾值效益。這說(shuō)明非機(jī)動(dòng)車(chē)道占比、就業(yè)POI密度對(duì)早高峰小時(shí)單車(chē)騎行量有積極的協(xié)作正效應(yīng)。此外，對(duì)比雙變量作用下早高峰借還車(chē)量閾值發(fā)現(xiàn)，該時(shí)段單車(chē)還車(chē)所受影響更高。這與早高峰時(shí)段單車(chē)騎行以通勤為主的特征相關(guān)，因此，該時(shí)段騎行還車(chē)量受通勤吸引點(diǎn)影響更高。

圖8 非機(jī)動(dòng)車(chē)道占比與就業(yè)POI密度對(duì)工作日早高峰共享單車(chē)訂單的聯(lián)合影響Fig.8 Synergy impact of cycle-way ratio and job POI density on bike sharing during morning peak hour

圖9 為工作日晚高峰時(shí)段至市中心距離和非機(jī)動(dòng)車(chē)道占比對(duì)共享單車(chē)的聯(lián)合作用。圖中，在市中心鄰近度為0～18 km 且非機(jī)動(dòng)占比0.38 及以上的區(qū)域，晚高峰時(shí)段的共享單車(chē)借車(chē)量達(dá)到峰值，即33次·h-1。同時(shí)，在中心鄰近度為10～18 km且非機(jī)動(dòng)占比0.38以上的區(qū)域，晚高峰還車(chē)量達(dá)到閾值33次·h-1。這一聯(lián)合指標(biāo)作用峰值均高于市中心鄰近度(晚高峰借車(chē)25次·h-1，還車(chē)27次·h-1)和非機(jī)動(dòng)占比(晚高峰借車(chē)28次·h-1，還車(chē)26次·h-1)的單項(xiàng)指標(biāo)作用閾值。該協(xié)同作用說(shuō)明，在區(qū)位優(yōu)越街道配備完善的非機(jī)動(dòng)騎行設(shè)施，可顯著提高城市居民晚高峰時(shí)段共享單車(chē)的騎行意愿。此外，市中心鄰近度10 km 內(nèi)，非機(jī)動(dòng)車(chē)道占比0.38 以上，晚高峰借車(chē)量明顯高于還車(chē)量，說(shuō)明晚高峰通勤期間，更多的共享單車(chē)騎行發(fā)生于非機(jī)動(dòng)車(chē)設(shè)施完善且臨近市中心的就業(yè)POI。

圖9 至市中心距離與非機(jī)動(dòng)車(chē)道占比對(duì)工作日晚高峰共享單車(chē)訂單的聯(lián)合影響Fig.9 Synergy impact of distance to CBD and cycle-way ratio on bike sharing during evening peak hour

3 結(jié)論

考慮城市共享單車(chē)在不同時(shí)段的使用特征差異，本文利用GBDT 分別建立工作日，非工作日以及工作日早、晚高峰時(shí)段共享單車(chē)借還車(chē)量模型，對(duì)比分析建成環(huán)境對(duì)各時(shí)段共享單車(chē)借還車(chē)量的非線性作用。研究結(jié)果顯示：

(1)本文建立的GBDT共享單車(chē)模型較傳統(tǒng)線性模型的擬合度有明顯提升，且有效捕捉了部分建成環(huán)境指標(biāo)對(duì)共享單車(chē)借還的非線性作用和閾值效應(yīng)。

(2)依據(jù)相對(duì)重要度水平，判斷出對(duì)4個(gè)時(shí)段共享單車(chē)借還車(chē)影響起主要作用的關(guān)鍵因素，即街道至市中心距離、路網(wǎng)密度、人口密度、非機(jī)動(dòng)車(chē)道占比。其中，市中心鄰近度、非機(jī)動(dòng)車(chē)道占比、人口密度以及就業(yè)密度與共享單車(chē)使用有明顯的非線性關(guān)系，依據(jù)閾值給出了促進(jìn)共享單車(chē)充分使用的正面因素最佳取值。

(3)在高峰時(shí)段，街道中心鄰近度、人口密度、非機(jī)動(dòng)車(chē)道占比對(duì)單車(chē)借、還車(chē)作用存在明顯差異，且非機(jī)動(dòng)車(chē)道占比與街道中心鄰近度、就業(yè)POI 密度對(duì)高峰時(shí)段單車(chē)騎行作用有明顯的協(xié)作性作用。揭示了街道社區(qū)建成環(huán)境優(yōu)化對(duì)高峰時(shí)段的共享單車(chē)供求失衡的影響機(jī)理。為避免高峰時(shí)段一車(chē)難求或單車(chē)車(chē)輛淤積等潮汐性問(wèn)題，要調(diào)整社區(qū)非機(jī)動(dòng)基礎(chǔ)設(shè)施配置或制定微環(huán)境優(yōu)化政策，并協(xié)同單車(chē)運(yùn)維部門(mén)做好分時(shí)段單車(chē)調(diào)度和高峰時(shí)段投放。