时间维度下上海市共享单车骑行模式研究

付学梅，隽志才

(1.山东大学管理学院，济南250100；2.上海交通大学安泰经济与管理学院，上海200030)

0 引 言

共享单车作为“互联网+交通运输”的产物，用手机即可完成借车、缴费、还车等全过程，其灵活便捷性能够有效解决城市交通“最后一公里”问题.以共享单车行业标杆——摩拜为例，2016年4月在上海投入运营，一年多的时间内，摩拜单车在全球近百个城市投放了超过500万辆，日均骑行量超过2 000 万次.学者同时开展了相关研究：Fisherman等[1]提出通过规划自行车道，提升自行车的通行优先级和增加自行车网点等措施提高自行车相对于小汽车在出行时间及方便性方面的竞争力.Martin等[2]研究表明共享单车对公交客流量的影响取决于所在城市或居住区的环境，替代效应更可能发生在土地利用密集度高的区域；在土地利用比较松散的区域，共享单车可能成为前往/离开公交车站的工具，即两种交通方式的集成使用.季彦婕等[3]研究了共享单车对小汽车出行的影响，发现共享单车更可能在短途出行中替代小汽车.袁朋伟等[4]采用Nested Logit模型研究了共享单车选择行为的影响因素.

本文基于上海市摩拜单车一个星期的骑行数据，深入挖掘共享单车骑行数据背后隐藏的行为模式，揭示城市居民骑行规律.主要包括：基于骑行开始时间和单次骑行时长的时间模式研究，基于骑行特征的骑行者分类，基于赫希曼指数(Herfindahl-Hirschman Index, HHI)的骑行规律性评价.

1 骑行数据的统计分析

以上海市摩拜单车2016年8月22日(星期一)～28日(星期日)的骑行数据为基础分析共享单车的使用模式.选择这个时间段主要是因为：①所选时间为摩拜单车在上海市投放的第5个月，上海市民已熟知并接受共享单车这一互联网时代的新生事物；②大量现有研究表明一个星期是出行行为分析的理想时长，因为人们通常每周重复他们之前的活动和出行；③经查询，该段时间内以多云、微风为主，并无恶劣天气出现，可相对排除极端天气状况对骑行行为的影响.虽然不同季节、时间段的骑行模式可能略有差别，但本文不作对比，着重挖掘共享单车骑行行为在时间维度上的特征.原始数据中出行时长少于1 min，或超过90 min的记录被删除，约占数据记录总数的0.9%，最终，301 811次摩拜骑行被用于分析.

1.1 骑行开始时间

将1 d中的24 h分为96个时间段，即从00:00-24:00，每15 min为一段，分别统计每个时间段内摩拜单车开始骑行的数量，如图1所示.

从图1(a)可看出：共享单车骑行开始时间的日统计在星期一～星期五非常相似，反映了工作日的特征，早晚高峰的大致时间为07:45-09:00，17:45-18:45；晚高峰期间共享单车的使用数量更大，表明晚高峰交通量更为集中，这可能是因为人们下班后更愿意使用共享单车外出休闲；中午11:30-13:00期间有一个小波峰，对应午休时间的出行；星期五大部分时段的骑行数量多于其他工作日的对应时段，尤其17:15 之后，这是因为星期五是每周工作日的最后一天，人们倾向于下班后与朋友、同事、家人等外出小聚.

从图1(b)可看出：共享单车的骑行统计在周末则完全不同，仅星期日17:15-19:30 期间出现了一个小波峰，而星期六整日各时段的骑行总量没有明显差别.这是因为周末人们可以自由安排时间，非高峰时段的骑行量比工作日非高峰时段大.

1.2 骑行时长

分别计算每条记录的骑行时长，统计不同时长对应共享单车的骑行总量，即(0,5]min，(5,10]min，(10,15]min 等，如图2 所示.可知：一个星期内，每天的骑行时长分布相差不多，(5,10]min的骑行数量较多；随着骑行时间的增加，骑行数量逐渐减少；工作日和周末仍存在细微的差别.具体而言，工作日47.0%的骑行短于10 min，很可能是由于人们在工作日主要在家与公交站的往返间使用共享单车，即用于解决公共交通的“最后一公里”问题.周末大于20 min 的骑行(30.3%)多于工作日(24.2%)，此时共享单车可能用于前往最终目的地或稍远距离的换乘.

简单总结：周末人们骑行共享单车的平均时间(18 min)要比工作日(15 min)稍长；共享单车在一个星期内不同时间扮演的角色不同，工作日可能更多用于短距离换乘，周末的时间安排相对自由，长时间骑行(骑向终点或长距离换乘)成为可能.

图1 共享单车的骑行开始时间Fig.1 Biking start time on weekdays and weekends

2 共享单车骑行者分类与骑行规律分析

以骑行者为研究对象，对每一骑行者在1 d内的多次骑行进行联合分析.

2.1 骑行者分类

对骑行者分类主要用于观测部分骑行者的日骑行行为是否与其他骑行者之间存在显著差异.将1 d 划分为48 个时段，即每30 min 为一段.对于每一个骑行者，如果他在某一时段内开始使用共享单车，则该时段的状态为“1”，否则为“0”.也就是说，仅根据骑行的开始时间来标定每个时段的状态，而非骑行的持续时间；状态“1”表示在特定时段内，至少使用过1 次共享单车，而非使用共享单车的次数.表1 为用于分类的骑行状态示例，如编号为3的骑行者在8月22日上午06:30-07:00，07:30-08:00，08:30-09:00这3个时段内均骑行共享单车.

图2 共享单车的骑行时长Fig.2 Biking duration on weekdays and weekends

表1 共享单车骑行状态示例Table 1 Example of bike-sharing use for classification

采用K-均值聚类对骑行人群进行分类，以“Cosine”距离标定每对骑行记录之间的距离，即

式中：cos(A,B)表示骑行者A和B之间的Cosine距离；TAi和TBi分别表示骑行者A和B的每一条骑行记录；m为1 d中的48个时段，i为对应时段索引.

“Cosine”距离将1 d中的48个状态视为向量，计算向量与向量之间的总体距离，而非单独计算每两个骑行者对应时段状态间的距离.Davies-Bouldin (DBI)，Calinski-Harabasz，以及Silhouette系数被同时用来决定最佳组数，3 个指标值越大，表示聚类结果越优.3 个指标值均显示，工作日每天骑行人群的聚类数为2，周末每天骑行人群的聚类数为3.选取星期一和星期六的聚类结果进行对比分析，且聚类结果根据每组组数进行平衡，如图3和图4所示.

图3 星期一两个骑行群组的对比Fig.3 Comparison of biking behavior between two groups of Monday

尽管3 项指标均表明星期一的骑行者能够被聚类为两个群组，但两组骑行开始时间和骑行时长并没有像星期六的3 个群组间表现出特别显著的差异，这是因为工作日大部分骑行者的时间安排比较固定，上下班时间趋近.群组2 对应的两个高峰时段要比群组1 的高峰时段早开始.尽管两个群组之间骑行时长分布并无显著差别，但群组2使用共享单车的时长更可能超过30 min，而群组1的骑行时间较短.这说明：群组1 使用共享单车的目的主要是用于短程接驳，比如前往公交车站；群组2 使用共享单车的目的主要是直接前往最终目的地，考虑到长时间骑行，对应的骑行开始时间也较早.

从图4 可以看出，3 个骑行群组的骑行行为存在明显差异.就骑行开始时间而言，群组1 倾向于在早晨使用共享单车，群组2更多地在下午和晚上使用共享单车，群组3很少在中午和下午使用共享单车.3 个群组中，群组2 使用共享单车的频次更高，不论共享单车的骑行时长，还是骑行数量均高于其他两个群组，故将群组2 定义为“星期六共享单车爱好者”.19:00-21:15 时段内，3 个群组显示出非常明显的差异，群组1 的骑行数量急剧下降，群组2和3的骑行数量则急剧增加，进一步理解为星期六晚上的这个时段，共享单车对不同人群的作用存在很大区别.

2.2 骑行规律性

分别根据周中的一天与骑行开始时间组合，以及周中的一天与骑行时长组合，计算Herfindahl-Hirschman Index (HHI)以衡量个体共享单车骑行规律.以周中的一天与骑行开始时间组合为例，HHI 值越大，表示共享单车一个星期7 d 间骑行开始时间的规律性越高，即在每天的相同时间段内开始使用共享单车，比如星期一～星期五的每天均在07:00-07:30 时段使用共享单车，具体计算过程请参考Susilo等[5].将1 d划分为48个时间段，即每30 min 一段，根据每个时间段内开始的骑行数量进行状态记录，如表2所示.HHI计算结果如图5和图6所示.

图4 星期六的3 个骑行群组对比Fig.4 Comparison of biking behavior between three groups of Saturday

表2 用于计算HHI 的骑行状态示例Table 2 Example of bike-sharing use for classification

两种组合对应的HHI 值在一星期7 d 时间均无明显不同，这可能是由于共享单车主要用于例行活动或家/工作单位与公共交通站点间的接驳，骑行者形成了固定的骑行习惯.星期三和星期四的HHI值均比其他天要高，即对于个体而言，星期三和星期四为有代表性的工作日，大多数人在这两天倾向于按照固定的日程安排进行活动.对比两种组合得到的HHI 值发现，基于周中的一天与骑行开始时间组合得到的HHI 值比较低，标准差相对于均值较高，也就是说，共享单车骑行的开始时间在一个星期的每天时间发生变化，这主要是由于个体间异质性.

图5 基于周中的一天与骑行开始时间组合的HHI 值Fig.5 HHI values for day-of-week and start time of bike-sharing use

表3 为两种组合得到HHI 值的统计，其中，HHI0对应原始的HHI，HHI1对应基于骑行者实际骑行天数对HHI0进行平衡后的HHI，HHI2对应将仅有一次共享单车骑行的HHI1设为0之后的HHI.与图6一致，基于周中的一天与骑行开始时间组合得到的HHI值比基于周中的一天与骑行时长组合得到的HHI值低.因此，人们更愿意每天的每次骑行遵循相对固定的时长，每次骑行的开始时间则相对灵活变动.标准差显示，HHI0，即基于周中的一天与骑行开始时间组合得到的HHI初始值在骑行者之间有很大差别.根据个体实际的骑行天数对HHI 进行平衡后，基于周中的一天与骑行时长组合得到的HHI 值显示出更大的变动程度.可能是因为相比于那些周中的一天与骑行开始时间组合得到较高HHI 值的骑行者，对应周中的一天与骑行时长组合得到较高HHI值的骑行者更愿意每天都使用共享单车.此外，HHI最大值为1.0主要是由于对应的骑行者每天仅使用一次共享单车.

图6 基于周中的一天与骑行时长组合的HHI 值Fig.6 HHI values for day-of-week and duration of bike-sharing use

表3 HHI 值的统计描述Table 3 Statistical description of HHI

3 结 论

基于上海市摩拜单车一星期的骑行数据，从时间角度进行全面探究，旨在获得无序骑行数据背后隐藏的骑行规律和行为模式.工作日和周末的共享单车骑行在时间分布上存在显著差异，工作日呈现明显的两个高峰，且早高峰持续时间更长，晚高峰的骑行量更大，而共享单车在周末的使用分布比较均衡.大部分的骑行时长在15 min 以内，这与共享单车解决“最后一公里问题”的定位相符.基于日使用记录的聚类分析表明，每个工作日的骑行人群可以分为2组，周末的骑行人群可以分为3组，每一组有具备独特的骑行开始时间和骑行时长；对于星期一的第2 组骑行者来说，共享单车可能是他们的主要交通方式，而非公共交通的接驳工具.基于周中的一天与骑行开始时间组合，以及周中的一天与骑行时长组合获得的HHI值表明，共享单车的使用有很强的时间规律性，且周中的一天与骑行开始时间组合的HHI值具有更大的标准差，这意味着一星期中每天的共享单车骑行开始时间会经常性变动，证实了该交通方式在使用上的灵活性.

对共享单车骑行时间分布规律研究，可促进该系统与城市公共交通系统的衔接和配合，更加高效地解决城市“最后一公里问题”，吸引更多出行者采用“自行车+公交”的交通方式，促进城市交通系统的可持续发展.