近年来,随着共享经济蓬勃发展,共享汽车出行逐渐成为城市交通发展的新潮流[1]。以新能源汽车为主体的共享汽车入市不仅提高了小汽车使用效率、间接促进了新能源汽车发展,保护了城市生态环境[2,3,4],同时克服了传统公共交通站台固定、路径不自由等缺陷,满足了居民对于出行便捷度、舒适度和私密性的要求[5,6]。2017年8月,交通运输部和住房城乡建设部联合发布《关于促进小微型客车租赁健康发展的指导意见》,提出在坚持公交优先发展战略的前提下,将分时租赁汽车作为缓解大城市私家车快速增长压力的重要方法之一。截至2018年11月,中国共享汽车行业APP用户规模达952.4万,相较2017年同期增长1.4倍①(① 数据来自《极光大数据：2019年1月共享汽车行业研究报告》。),共享汽车市场发展潜力巨大。
相较于站点研究丰硕的成果,针对共享汽车用户出行行为的研究较少,多基于旅行调查和社区调研等传统数据源开展[16,17,18,19,20,21,22,23]。针对国内外不同城市的实证研究显示,共享汽车出行距离和时长均比传统拼车出行短[20],不同用地类型上产生的基于不同出行目的的用车时段和时长存在明显差异[16,17,18],共享汽车多被应用于购物等休闲行为[17,18,19,20,21],大学生等年轻群体是共享汽车的主要用户[21]。传统调查数据在全面、客观获取出行信息和特征方面存在局限,而将城乡居民行为作为研究的核心和切入点,通过用户行为或共享汽车企业运营大数据对用户画像,从而更为精准地提炼用户行为特征,并开展预测和运营策略分析,是智慧城市背景下推动本领域研究进展的热点趋势[24,25,26]。
本文以上海市为研究区,利用2018年EVCARD公司共享汽车运营和百度地图城市POI等大数据,研究共享汽车用户出行的空间、时间和频次特征,并对用户开展出行模式聚类,挖掘业已形成的典型出行规律。研究结果旨在揭示现状规模和布局状态下,共享汽车在城市居民出行中发挥的作用,为超大城市推动发展更为高效的共享汽车系统、共享汽车企业更有针对性地拓展市场规模和提高运营效率提供思路借鉴。
1 数据和方法
1.1 研究区概况
上海市总面积为6340.5 km2,全市下辖16个区。截至2019年末,常住人口为2428.14万,私家车保有量415.8万辆,在全国城市中排名第5位②(② 参见中国公安部网站(https://www.mps.gov.cn/)E:\customXml\item1.xml。)。在高私家车保有量的同时,上海市也以其良好的公共交通系统闻名,在网络距离、运营车辆数量和日载客量方面都优于中国绝大多数城市,但也存在公共交通可达性区域差异大、郊区公共交通资源相对匮乏等问题亟需改进[27]。近年来,滴滴、Uber等国内外共享汽车巨头纷纷聚集于此,本土共享交通企业也快速壮大,上海正在成为中国共享经济的创新之都。
1.2 数据来源
本文采用上海市EVCARD汽车共享公司的运营数据进行研究。EVCARD是为居民提供自驾共享汽车服务的上海本土企业,业务遍及浙江、江苏、四川、海南、重庆等省区,运营车辆均为新能源汽车,总数超过5万辆,处于行业的第一阵营③(③ 参见EVCARD公司官网(https://www.evcard.com/)。)。截至2018年,上海市共有EVCARD共享汽车站点3598个,投入运营车辆超过2万辆,注册用户超过10万人④(④ 参见上海市交通港航发展研究中心《新能源分时租赁汽车运行研究》。)。本文以2018年每个季度第一周扣除节假日后剩余的17 d(12个工作日和5个休息日)为研究时段,数据主要来自各站点的借还信息,包括每一笔订单的用户ID、借还车所在站点位置和借还时间等(表1)。通过数据清洗,将研究期内持续正常运营的2978个站点作为研究样本,在研究期间内,68392名用户共出行了22.76万次,次均用车时长为88 min。
表1 共享汽车出行数据样例
Tab.1
| 订单编号 | 用户编号 | 取车网点编号 | 取车网点名称 | 还车网点编号 | 还车网点名称 | 取车时间 | 还车时间 |
|---|---|---|---|---|---|---|---|
| 2504 | 4 | 1530 | 五角场创智天地 | 5221 | 汤连得宝山店 | 2018-04-06T17:13 | 2018-04-06T17:53 |
| 2505 | 4 | 5155 | 虹口百联 | 7491 | 仙乐斯广场 | 2018-01-04T15:25 | 2018-01-04T18:45 |
| 2511 | 4 | 175 | 青浦工商学院 | 147 | 大宁国际 | 2018-01-06T16:57 | 2018-01-06T18:49 |
同时,通过百度地图获取了上海市2018年POI数据集共计32万条数据,包括居住、购物、餐饮、政府机关、医院、学校、写字楼、金融机构、旅游景点、公共交通站点等类型POI的位置、名称、类型等属性信息。使用该数据定义共享汽车站点附近的功能区属性,从而可以在广义上识别用户的活动目标(如上班、返家、休闲娱乐等),以便综合分析用户出行模式。
1.3 研究方法
1.3.1 研究框架
本文在总体概括了共享汽车用户出行空间、时间和频次特征的基础上,提炼出行模式,挖掘典型出行规律,研究框架如图1。为更精准开展特征和模式研究,先使用频数密度指标法定义站点功能区类型;在进行共享汽车出行模式聚类时,使用K均值聚类法从出行空间特征、时间特征以及使用频次3个方面展开。
图1
1.3.2 站点功能区类型定义
式中：i表示POI类型;ni表示单元内第i种类型POI数量;Ni表示第i种类型POI总数;Fi表示第i种类型POI占该类型POI总数的频数密度;Ci表示第i种类型POI的频数密度占单元内所有类型POI频数密度的比例。根据研究需要,将具有类似功能的POI数据类型合并,并提炼出4大城市核心生活功能(居住、工作、休闲、教育医疗)开展分析(表2)。
表2 上海市POI类型与4大城市核心生活功能匹配
Tab.2
| 功能划分 | POI类型 |
|---|---|
| 居住功能 | 住宅区,商务住宅 |
| 工作功能 | 写字楼,公司企业,工厂 |
| 休闲功能 | 餐饮服务,购物服务,公园广场,风景名胜 |
| 教育医疗功能 | 教育机构,医院 |
计算每个共享汽车站点服务区单元各功能POI的Ci值,当某类Ci值超过50%时,确定该单元为单一功能区;当单元内所有功能POI的Ci值均没有达到50%时,该单元为混合功能区;当单元内不包含上述4种功能的POI类型时,该单元为空值区。
1.3.3 K均值聚类法
本文的样本规模大、聚类指标多,适合选用简单易行的K均值聚类方法进行聚类分析[32]。K均值聚类法通常将样本数据按照某种特征自动划分为n组,在选择初始聚类中心的基础上,依据距离规则反复迭代以确定最终分组。具体计算步骤为： ① 系统随机选择n个元素作为n个组的初始元素;② 将剩余的元素分配到距离最近的组中,并以均值作为该组的新中心;③ 迭代直到组间关系稳定为止。本文运用肘部法则(Elbow Method)[33]来确定聚类数目,将每个簇的质点与簇内样本点的平方距离误差作为畸变程度(distortions),畸变程度会随着类别的增加而降低,但对于有一定区分度的数据,在达到某个临界点时畸变程度会得到极大改善,之后缓慢下降,这个临界点就可以考虑为聚类性能较好的点。基于这个指标,重复训练多个K均值模型,选取不同的聚类数目,得到相对合适的聚类类别。
2 共享汽车出行特征分析
2.1 共享汽车出行空间特征
图2展示了EVCARD共享汽车站点在上海市的分布情况和以行政区为单元的分区密度(每1 km2内含站点数量),呈现出以城市南北向为核心发展轴和主要交通干线向外围区域衰减的格局,远郊区也有站点触达,表明上海共享汽车已基本实现了全市覆盖。全市站点最为密集的区域为嘉定区,该区是上海市汽车产业中心,也是共享汽车投放的试验田。
图2
图2
上海市EVCARD共享汽车站点分布以及分区密度
Fig.2
Distribution and zonal density of EVCARD car-sharing stations in Shanghai
根据前文所述站点功能区定义方法计算可得,上海市2978个共享汽车站点服务区被划分为5类城市功能区(图3),分别为混合(862个)、居住(690个)、工作(378个)、休闲(425个)和教育医疗(343个)功能区。其中,混合功能区占比最大(28.95%),主要分布在黄浦江沿岸的中心城区及主要干道附近地区,其他各类单一功能区则体现出分散布局的特征,这与上海市城区鼓励土地混合利用的政策导向有关。
图3
图3
上海市共享汽车站点功能区划分结果
Fig.3
Functional areas of car-sharing stations in Shanghai
根据研究期内所有共享汽车借还记录,工作日中发生在混合功能区和居住、休闲、工作及教育医疗4类单一功能区的借还行为分别占比44.47%、18.70%、12.83%、11.49%和10.51%,明显可见工作日中共享汽车的出行活动较为集中于中心城区的混合功能区。而休息日出行活动的空间布局则比较分散,休闲功能区借还行为占比最高,但也仅为23.68%;混合、居住、工作和教育医疗四类功能区出行活动占比分别为19.89%、17.52%、13.26%和19.78%。
2.2 共享汽车出行时点特征
图4
图4
工作日和休息日每小时共享汽车订单数量对比
Fig.4
The number of car-sharing orders per hour on weekdays and weekends
从一日内共享汽车各时点的使用特征来看,工作日和休息日夜间特征趋势一致,都是一天中的低谷,但休息日日均订单量比工作日多约200单/h。工作日与休息日时点特征的差异主要体现在日间出行活动中。工作日存在2个较为明显的时点峰值,分别为早高峰的7:00和晚高峰的17:00,充分体现出通勤行为的时点特征。休息日在日间的出行变化趋势比较平滑,从黎明开始稳步上升,到傍晚时分达到峰值,而后又平稳下降。
2.3 共享汽车出行时长特征
图5展示了共享汽车每周日均单次使用时长,工作日单次出行的平均时长为95.6 min,高于休息日(74.6 min),一方面体现出休息日交通更通畅的普遍规律,另一方面也表明在长途出行方面,共享汽车在工作日更受欢迎。而工作日间日均单次出行时长也不均衡,星期一至星期三的平均时长明显高于星期四和星期五。经访谈得知,这与公司试点的优惠政策有关：研究期内恰逢共享汽车平台在星期一至星期三为用户发放满减优惠券(如满80减40元的优惠券),这促使大量原本计划通过出租车或快车、甚至公交车等方式中长途出行的居民改为共享汽车出行。
图5
2.4 共享汽车用户出行频次特征
在研究期的17 d中,用户人均使用共享汽车出行3.33次,但群体间差异巨大。本文利用洛伦兹曲线刻画用户出行次数的不均衡程度,其中横轴表示按照出行次数由低到高的用户个数累计百分比,纵轴表示出行次数累计百分比,洛伦兹曲线弯曲程度越大,出行次数的不均衡程度越大。如图6所示,出行频次最低的30%用户所贡献订单数量之和不到订单总量的10%,该类客户在研究期仅使用过1次共享汽车,可能仅为体验式消费;而出行频次最高的10%用户所贡献订单数量之和超过了订单总量的40%,该类客户中使用共享汽车次数大于等于9次,最高频次达到84次(日均5次),用户粘性高,是目前共享汽车服务的主力客户群;另外60%的用户出行次数在2~8次,占订单总量的一半,频率虽不高但用户基数大,可作为商家重点拓展的潜在客户。
图6
图6
共享汽车用户出行次数的洛伦兹曲线
Fig.6
Lorentz curve of the number of trips made by car-sharing users
3 共享汽车出行模式聚类分析
3.1 聚类指标选取
本文将研究期内68392名有效用户作为样本,从空间、时间和出行频次3个方面选取18个指标开展聚类分析,提炼典型出行模式并剖析其内涵。鉴于2.2节中揭示出的共享汽车在工作日与节假日存在显著差异的使用特征,聚类分工作日和休息日2组开展。
空间指标包括取车点功能区和还车点功能区2类,根据2.1节定义的共享汽车站点功能区属性,通过分别计算每个用户所有出行起止点的功能区占比获得。时间指标包括出行时点和时长2类：时点按照凌晨3:00~7:00、早高峰7:00~11:00、午间11:00 ~17:00、晚高峰17:00~20:00、夜晚20:00~24:00以及半夜0:00~3:00这6个用车时段划定,统计研究期内每位用户在每个时段的出行总次数;时长指标以研究期内每位用户的平均单次用车时长度量。出行频次指标通过统计每位用户在研究期内的日均出行次数获得(指标具体定义及算法如表3所示)。
表3 聚类指标汇总
Tab.3
| 类型 | 指标 | 指标描述 | |
|---|---|---|---|
| 空间特征 | 取车地功能区特征 | 混合功能区 | 取车地中混合功能区所占比例 |
| 居住功能区 | 取车地中居住功能区所占比例 | ||
| 工作功能区 | 取车地中工作功能区所占比例 | ||
| 休闲功能区 | 取车地中休闲功能区所占比例 | ||
| 教育医疗功能区 | 取车地中教育医疗功能区所占比例 | ||
| 还车地功能区特征 | 混合功能区 | 还车地中混合功能区所占比例 | |
| 居住功能区 | 还车地中居住功能区所占比例 | ||
| 工作功能区 | 还车地中工作功能区所占比例 | ||
| 休闲功能区 | 还车地中休闲功能区所占比例 | ||
| 教育医疗功能区 | 还车地中教育医疗功能区所占比例 | ||
| 时间特征 | 时点 | 凌晨 | 3:00~7:00间出行次数所占比例 |
| 早高峰 | 7:00~11:00间出行次数所占比例 | ||
| 午间 | 11:00~17:00间出行次数所占比例 | ||
| 晚高峰 | 17:00~20:00间出行次数所占比例 | ||
| 夜晚 | 20:00~24:00间出行次数所占比例 | ||
| 半夜 | 0:00~3:00间出行次数所占比例 | ||
| 时长 | 平均出行时长 | 平均出行时长 | |
| 出行频次 | 研究期内日均出行次数 |
3.2 出行模式聚类结果
分别对工作日和休息日2组用户出行信息进行K均值聚类,并利用肘部法则多次训练选取最优聚类数目。确定工作日的主要出行模式可分为6类,对整体用户解释率为70.10%;休息日的主要出行模式可分为4类,对整体用户解释率为70.05%。
3.2.1 工作日出行模式
表4 工作日共享汽车用户出行模式聚类结果
Tab.4
| 类型 | 指标 | 类型1 通勤高频模式 | 类型2 夜间高频模式 | 类型3 夜间低频模式 | 类型4 全时段低频模式 | 类型5 晚高峰低频模式 | 类型6 通勤中频模式 | ||
|---|---|---|---|---|---|---|---|---|---|
| 空间特征 | 取车地 功能区特征 | 混合 | 0.22 | 0.57 | 0.50 | 0.95 | 0.29 | 0.29 | |
| 居住 | 0.11 | 0.16 | 0.12 | 0.02 | 0.15 | 0.11 | |||
| 工作 | 0.23 | 0.06 | 0.12 | 0.01 | 0.20 | 0.22 | |||
| 休闲 | 0.19 | 0.12 | 0.14 | 0.01 | 0.18 | 0.19 | |||
| 教育医疗 | 0.18 | 0.07 | 0.09 | 0.01 | 0.14 | 0.15 | |||
| 还车地 功能区特征 | 混合 | 0.20 | 0.62 | 0.51 | 0.95 | 0.30 | 0.28 | ||
| 居住 | 0.10 | 0.11 | 0.11 | 0.01 | 0.16 | 0.09 | |||
| 工作 | 0.21 | 0.07 | 0.10 | 0.01 | 0.16 | 0.22 | |||
| 休闲 | 0.25 | 0.11 | 0.14 | 0.01 | 0.19 | 0.20 | |||
| 教育医疗 | 0.18 | 0.06 | 0.03 | 0.01 | 0.15 | 0.15 | |||
| 时间特征 | 时点 | 凌晨 | 0.06 | 0.13 | 0.01 | 0.08 | 0.01 | 0.13 | |
| 早高峰 | 0.22 | 0.03 | 0.01 | 0.16 | 0.01 | 0.59 | |||
| 中午 | 0.24 | 0.04 | 0.01 | 0.27 | 0.01 | 0.05 | |||
| 晚高峰 | 0.29 | 0.05 | 0.03 | 0.29 | 0.93 | 0.05 | |||
| 夜晚 | 0.15 | 0.40 | 0.90 | 0.07 | 0.03 | 0.04 | |||
| 半夜 | 0.03 | 0.35 | 0.03 | 0.11 | 0.01 | 0.13 | |||
| 时长 | 平均时长/min | 78.12 | 43.52 | 73.20 | 97.48 | 108.88 | 102.48 | ||
| 出行频次 | 人均出行/(次/d) | 0.698 | 0.602 | 0.136 | 0.128 | 0.126 | 0.356 | ||
| 各类型人数/人 | 2394 | 2200 | 7744 | 9622 | 6781 | 6979 | |||
图7
图7
工作日各类人群使用共享汽车的出行热度空间分布
Fig.7
Spatial distribution heat maps of the trips made by different types of car-sharing users on weekdays
类型3~5反映了低频用户间出行的差异化行为模式。类型3共涉及用户7744人,占用户总量的11.39%,该类用户90%以上的出行时间集中在晚饭前后时点,借还点以混合功能区和休闲功能区为主,出行热点集中在中心城区和部分郊区副中心(图7c),表示低频用户偶尔利用共享汽车外出就餐及餐后返家的行为模式。类型4是覆盖人群最多的一类,涉及用户9622人,占用户总量的14.15%,通常在白天出行,取还车地点集中于混合功能区,出行热点分散于各个区的副中心(图7d),是一种低频用户偶尔使用共享汽车实现远距离通勤或外出办事的行为模式。类型5的用户数为7943人,占用户总量的11.68%,其出行时点和功能区与类型2类似,均反映了夜生活后使用共享汽车返家的行为模式,但此类用车平均时长超过前者的2倍,表明对于居住在中心区位的低频用户来说(图7e),共享汽车可能仅在长途时比出租车等夜间交通工具更有优势。
类型6用户的出行频次介于高频与低频之间,人数为6979人,占用户总量的10.26%,其主要用车时间集中于通勤早高峰,功能区类型主要为混合和工作,出行热点分布极广泛(图7f),反映了中频用户利用共享汽车通勤的行为模式。值得注意的是,中低频用户的通勤距离(用车时长)远远大于高频用户,这是因为共享汽车的使用价格和便捷度可能仅在长距离时才具有比出租车更强的竞争力。
3.2.2 休息日出行模式
表5 休息日共享汽车用户出行模式聚类结果
Tab.5
| 类型 | 指标 | 类型1： 日间高频 模式 | 类型2： 晚间低频 模式 | 类型3： 日间加班 低频模式 | 类型4： 晚间休闲 低频模式 | |
|---|---|---|---|---|---|---|
| 空间特征 | 取车地功能区特征 | 混合 | 0.47 | 0.93 | 0.08 | 0.08 |
| 居住 | 0.17 | 0.02 | 0.03 | 0.04 | ||
| 工作 | 0.11 | 0.01 | 0.46 | 0.02 | ||
| 休闲 | 0.13 | 0.01 | 0.02 | 0.81 | ||
| 教育医疗 | 0.09 | 0.02 | 0.36 | 0.03 | ||
| 还车地功能区特征 | 混合 | 0.46 | 0.09 | 0.34 | 0.30 | |
| 居住 | 0.17 | 0.30 | 0.11 | 0.12 | ||
| 工作 | 0.11 | 0.19 | 0.21 | 0.07 | ||
| 休闲 | 0.14 | 0.22 | 0.09 | 0.39 | ||
| 教育医疗 | 0.09 | 0.17 | 0.20 | 0.08 | ||
| 时间特征 | 时点 | 凌晨 | 0.07 | 0.08 | 0.04 | 0.05 |
| 早高峰 | 0.15 | 0.15 | 0.18 | 0.17 | ||
| 中午 | 0.25 | 0.14 | 0.31 | 0.10 | ||
| 晚高峰 | 0.23 | 0.32 | 0.25 | 0.24 | ||
| 夜晚 | 0.19 | 0.20 | 0.15 | 0.36 | ||
| 半夜 | 0.10 | 0.11 | 0.06 | 0.07 | ||
| 时长 | 平均时长/min | 49.95 | 63.56 | 82.67 | 80.32 | |
| 出行频次 | 人均出行/(次/d) | 1.059 | 0.298 | 0.234 | 0.247 | |
| 各类型人数/人 | 5144 | 9378 | 6897 | 5466 | ||
图8
图8
休息日各类人群使用共享汽车的出行热度空间分布
Fig.8
Spatial distribution heat maps of the trips made by different types of car-sharing users on weekends
休息日的聚类结果中,只有类型1反映了高频用户的出行模式,其用户数为5144人,占用户总数的7.56%,这类用户出行时点集中在11:00~20:00,出行时长相对最短,始末点以混合功能区为主,出行热点集中在中心城区和浦西的主干道附近(图8a),体现出高频用户在休息日日间的休闲活动模式。类型2是覆盖人群最多的一类,共涉及用户9378人,占用户总数的13.79%,出行时点集中在晚饭前后,取车地主要为混合功能区,还车地主要为居住和休闲功能区;类型4涉及用户5446人,占用户总量的8.03%,活动时间与类型2一致,集中于晚饭前后,但始末点以休闲功能区为主。类型2和4共同代表低频用户偶尔使用共享汽车开展周末晚间休闲活动的行为模式,区别在于取还车的主要功能区不同,且类型2的出行时长更短。总体而言,类型2主要体现中心城区指向的中长途休闲活动(图8b),而类型4反映出往返于上海各处休闲用地的长途出行活动模式(图8c)。类型3用户数为6897人,占用户总量的10.14%,始末点以工作、混合功能区为主,主要出现在休息日白天,出行热点区较为分散(图8d),反映出低频用户周末加班时偶尔利用共享汽车出行的活动模式。
4 结论与讨论
本文利用上海市共享汽车运营数据和POI数据,剖析用户出行空间、时间和出行频次等行为特征,并开展聚类分析,揭示共享汽车在工作日与休息日若干具有代表性的出行模式。主要结论有：
第一,上海共享汽车市场发展时间短,虽规模不大,但已培养出一批相对稳定的使用人群,并形成了较为规律的出行特征,正逐渐成为其他交通方式的有效补充。工作日与休息日的共享汽车使用仍都主要集中于上海中心城区和副中心区域等人口密集区,但行为特征存在显著差异。工作日共享汽车出行较集中于中心城区的混合功能区,早晚通勤高峰使用量大,平均单次使用时长约为1.5 h,反映出中长途日常用车需求。与工作日相比,休息日共享汽车出行空间布局较分散,使用量更高、平均单次使用时长更短且仅存在傍晚1个使用高峰。
第二,根据工作日与休息日共享汽车用户在空间、时间和使用频次方面的特征,可将用户用车行为划分为10种典型类型,包括工作日6种和休息日4种,分别为：① 工作日通勤的高频模式;② 工作日夜间活动的高频模式;③ 工作日通勤的中频模式;④ 工作日偶尔用车晚餐及返家的低频模式;⑤ 工作日偶尔用车远距离通勤或外出办事的低频模式;⑥ 工作日夜间长距离返家的低频模式;⑦ 休息日日间休闲的高频模式;⑧ 休息日傍晚离家休闲的中长途低频模式;⑨ 休息日傍晚在休闲地之间穿梭的远距离低频模式;⑩ 休息日日间加班的低频模式。
第三,挖掘共享汽车使用行为模式可知,目前相对稳定的中高频用户主要使用共享汽车实现远距离通勤和周末中短距离休闲活动,空间区域主要集中在中心城区和副中心区域。而低频用户使用共享汽车多为夜间、长距离、休息日加班等公共交通难以满足需求、出租车成本过高的情景,空间分布也比较分散,“低频”的原因一方面由于上述行为发生几率低,另一方面也可能由使用者初期体验满意度不高、缺乏持续使用意愿导致。
目前上海市共享汽车出行总量虽较小,并未对城市整体交通体系产生显著影响,但基于业已形成的几类出行模式,可深入探讨优化共享汽车运营以及政府管理的思路。首先,共享汽车运营企业应根据用户的不同出行模式,量身定制多样化用车方案。高频用户的出行情景较为单一,用车频次高而出行时长较短,注重汽车供应的稳定性以及出行的性价比,针对该类用户,企业可在线上平台提供中低档车型的包周或包月等价格优惠方案,进一步增强用户粘性;低频用户的出行情景多样,他们的用车频次低而出行时长相对较长,更注重共享汽车使用灵活、不受出行时间和距离限制的特点,针对该类用户,企业可主要提供中高档车型按次收费的优惠体验方案,提高低频用户的用车满意度,逐步吸引其提高使用频次。其次,共享汽车运营企业可参考各类型人群的出行热点分布图,通过空间调度进一步提升现有车辆资源的利用效率。例如根据用户出行规律,在工作日的白天将非职住地的车辆就近调配给通勤出行热点区域,在晚间将车辆就近调配给大学城或休闲娱乐集聚区等出行热点区域,提高车辆使用率。
大城市的私家车保有量激增是交通拥堵问题的主要原因,本文发现共享汽车可以满足10类出行行为的需求,承担了部分私家车的职能,在一定程度上能降低用车人群对私家车的购买意愿。故锁定共享汽车用户群体,对出行热点区域共享汽车的配套服务建设进行扶持应成为大城市控制私家车保有量的要点之一。
共享汽车用户出行和城市POI等类型大数据的使用虽弥补了调查问卷数据量小、代表性不足等缺陷,但由于其缺乏个人社会经济属性及出行真实目的和意愿等信息,在模式提炼和机制解剖等方面尚不充分,亟需大小数据结合进行深入研究。
参考文献
基于因子分析的城市汽车共享环境评价
[J].
Evaluation of car sharing environment in cities based on factor analysis
Does car sharing reduce greenhouse gas emissions? Assessing the modal shift and lifetime shift rebound effects from a life cycle perspective
[J].
Does car-sharing reduce car-use? An impact evaluation of car-sharing in Flanders, Belgium
[J].
Evaluation of environmental impact of car sharing in consideration of uncertainty of influential variables
[J].DOI:10.20965/ijat.2020.p0975 URL [本文引用: 1]
“出行即服务”系统下的城市空间影响探析
[J].
Exploring the influence of MaaS on urban space
Establishing car sharing services in rural areas: A simulation-based fleet operations analysis
[J].DOI:10.1007/s11116-018-9920-5 URL [本文引用: 2]
电动汽车充电站选址研究进展
[J].
DOI:10.18306/dlkxjz.2019.01.012
[本文引用: 1]
在电动汽车产业高速发展的科技浪潮中,充电站选址未来将成为城市发展战略布局不可或缺的一部分,深受交通工程、电力能源、管理学等各领域学者的广泛关注。已有的综述类文章缺乏对充电站选址相关研究进行全面梳理,论文利用CiteSpace软件对电动汽车充电站选址文献进行梳理,一方面归纳总结2009—2017年间国内外该研究主题的研究现状和热点,对其进行可视化分析;另一方面梳理充电站选址影响因素、选址方法和选址的成本-效益评估等研究内容,同时对国内外充电站选址研究的趋势予以简要介绍,厘清研究发展脉络,为充电站选址在地理学中的研究和实践提供方法和指引。未来,随着各地新能源汽车充电站选址研究的不断发展,有望在充电站选址布局中识别多元化和精细化充电需求和服务、统筹不同主体间成本-效益目标等方面不断完善,从而优化城市交通网络及基础设施布局,为新一轮的城市规划提供指引。
Progress of research on electric vehicle charging stations
考虑时空间限制的电动汽车充电站布局模型
[J].
A spatiotemporal location model for locating electric vehicle charging stations
Promoting carsharing attractiveness and efficiency: An exploratory analysis
[J].DOI:10.1016/j.trd.2018.08.015 URL [本文引用: 2]
Locating station of one-way carsharing based on spatial demand characteristics
[J].
Modeling free-floating car-sharing use in Switzerland: A spatial regression and conditional logit approach
[J].DOI:10.1016/j.trc.2017.06.008 URL [本文引用: 3]
Can carsharing meet the mobility needs for the low-income neighborhoods? Lessons from carsharing usage patterns in New York City
[J].DOI:10.1016/j.tra.2015.04.020 URL [本文引用: 4]
A multicriteria decision making approach for carsharing stations selection
[J].DOI:10.3166/jds.16.57-78 URL [本文引用: 2]
Location of charging stations in electric car sharing systems
[J].DOI:10.1287/trsc.2019.0931 URL [本文引用: 2]
Planning for shared mobility
[R].
Mobility on demand operational concept report
[R].
共享经济商业模式研究: 以汽车共享为例
[D].
A study on the business model of sharing economy: Take car sharing as an example
What about free-floating carsharing? A look at the Montreal, Canada, case
[J].
Exploring carsharing usage motives: A hierarchical means-end chain analysis
[J].DOI:10.1016/j.tra.2012.10.024 URL [本文引用: 2]
From trajectories to activities: A spatio-temporal join approach
[C]//
Understanding the factors affecting vehicle usage and availability in carsharing networks: A case study of communauto carsharing system from Montréal, Canada
[J].DOI:10.1080/15568318.2012.660104 URL [本文引用: 3]
Synopsis of users' behaviour of a carsharing program: A case study in Toronto
[J].DOI:10.1016/j.tra.2011.11.005 URL [本文引用: 3]
Steering short-term demand for car-sharing: A mode choice and policy impact analysis by trip distance
[J].DOI:10.1007/s11116-019-10010-0 URL [本文引用: 2]
Inferring trip purposes and uncovering travel patterns from taxi trajectory data
[J].DOI:10.1080/15230406.2015.1014424 URL [本文引用: 1]
Predicting car availability in free floating car sharing systems: Leveraging machine learning in challenging contexts
[J].
基于地理视角的智慧城市规划与建设的理论思考
[J].
DOI:10.11820/dlkxjz.2015.04.001
[本文引用: 1]
智慧城市建设是推动城镇化发展的重要动力,其建设除了技术支撑之外,还应充分考虑信息技术对城市政府、企业和居民活动及其空间的影响。本文在对国内智慧城市建设现状与问题分析思考的基础上,认为智慧城市的出现是适应当前城市化战略转型、公共服务提升、社区发展和城市问题解决的必然趋势,从多源异构数据整合、信息系统和空间分析平台两个方面梳理智慧城市建设的关键技术,从流动空间以及新的人地关系、时空协调发展等方面提出智慧城市的理论支撑,并进一步明确地理学应对和研究重点。同时,提出基于城市地理研究的智慧城市规划与建设实践的主要方向,包括顶层设计、功能和空间布局、基础设施整合、城乡治理等内容。
Smart city planning and construction based on geographic perspectives: Some theoretical thinking
上海市人口分布与空间活动的动态特征研究: 基于手机信令数据的探索
[J].
DOI:10.11821/dlyj201705013
[本文引用: 1]
对城市人口空间分布的动态把握是了解人口活动规律、认识城市空间结构、配置城市基础设施和公共服务设施及制订城市公共安全应急保障方案的重要依据。由于目前国内缺少系统的人口动态变化统计数据,城市内部层面的人口空间分布和活动的动态特征方面的相关研究难以开展,研究成果较为有限。移动电话是目前普及率最高的通讯终端设备,其用户的动态分布信息可以准确地反应整个城市人口的空间分布与活动的动态特征。利用手机信令数据,以上海市为例,构建“人口—时间—行为”关系的人口空间动态分析框架,分析上海市人口分布和活动的动态特征。结果表明：上海整体人口密度呈单中心的圈层空间分布结构,昼夜空间分布经历“白天向中心集聚、夜晚向郊区分散”的流动过程;人的各类活动（如通勤、消费休闲）会产生人口空间分布的动态变化,职住关系的不匹配和活动对中心的高度依赖使得人口的空间分布不均,形成向心流动模式。消费休闲行为对中心城区的依赖度明显高于就业活动,且集中体现在紧邻中心城区的外围近郊呈圈层分布。
Dynamic characteristics of Shanghai's population distribution using cell phone signaling data
广州市低收入群体户外活动的时空排斥及其影响机制
[J].
Spatial-temporal exclusion characteristics and influencing mechanism of low-income residents' outdoor activity in Guangzhou
北京市居民汽车使用的特征及其影响因素
[J].
DOI:10.11821/dlxb201406005
[本文引用: 1]
目前,中国城市私人汽车的拥有量高速增长,小汽车不仅日益成为居民日常出行的重要交通方式,更深刻影响着城市的空间结构和道路的拥堵状况。然而,目前国内对汽车使用的研究仍十分匮乏。为此,本文试图基于2011 年11 月到2012 年7 月在北京进行的一项问卷调查数据,分析家庭汽车使用行为的特征、强度及影响因素。描述性统计和（定序Logistic） 回归分析结果显示,汽车使用目的、建成环境和各种家庭/个人社会经济特征对大城市居民的汽车使用强度和依赖度有重要影响。其中,通勤是居民日常使用汽车的主要目的；公共交通条件较差和停车条件便利是促使居民大量使用汽车的重要原因；婚姻状态、工作状态、家庭规模和家庭内持有驾照的成员数等对居民的日常汽车使用也有重要影响；周末与工作日的汽车使用频次或时长没有显著差异。这些发现对道路交通规划和交通政策的制定有重要参考意义。不过,要想更有效地控制汽车使用行为,未来的研究仍有必要增强对因果关系、出行的限制条件和影响交通行为的心理机制等问题的考察。
Characteristics and determinants of car use in Beijing
利用泰森多边形的点实体匹配算法
[J].
Point entity matching algorithm based on Thiessen polygon
北上广深城市人口预测及其资源配置
[J].
DOI:10.11821/dlxb202102008
[本文引用: 1]
人口数量持续增长是困扰超大型城市发展的重要因素,适度人口为研究人口增长下的城市资源合理分配提供了较好的思路。本文以适度人口为切入点,利用可能—满意度模型测算北京、上海、广州和深圳4座超大型城市2035年适度人口规模,同时利用灰色BP神经网络模型预测各市2035年常住人口规模,并基于适度人口规模测算和常住人口规模预测结果对各市部分资源的配置、规划情况进行倒逼分析,提出人口增长下的资源配置方案。研究发现：① 在可能—满意度水平为0.6的条件下,北上广深2035年适度人口规模分别为2152.69万人、2309.68万人、1498.93万人和1352.19万人,均未超出政府规划红线;② 预测结果显示,北上广深2035年常住人口规模均将超出适度人口规模和政府规划红线,表现为适度人口规模<政府规划红线<常住人口规模;③ 从适度人口角度出发,在不影响经济社会发展与居住满意度前提下,为应对未来人口增长,2035年北京发电量和公园绿地面积需达到当前水平的2倍以上;上海发电量、公园绿地面积和公共交通营运车辆分别需达到当前水平的2.27倍、2.22倍和2.35倍;广州能源供应量和发电量需达到当前水平的3倍以上;深圳能源供应量、发电量和卫生机构床位数需达到当前水平的3倍以上。本文有利于为协调大型城市人口与资源之间的可持续发展提供科学依据。
Population prediction and resource allocation in megacities from the optimum population perspective: A case study of Beijing, Shanghai, Guangzhou and Shenzhen
