互联网租赁自行车用户骑行大数据时空分布特征

（交通运输部科学研究院，北京 100029）

0 引言

互联网租赁自行车自2015 年开始在城市投放，在2016—2017 年得到迅速发展，先后有74家运营企业进入市场，全面覆盖我国一、二线城市，逐渐延伸至三、四线城市，部分企业还将业务拓展至海外。经过激烈的竞争与市场重组，截至2019 年底，全国互联网租赁自行车共有1 950万辆，覆盖全国360余个城市，注册用户数接近4亿，日均订单数达到4 700 万[1]。目前，行业进入相对稳定的发展时期，基本形成美团、哈啰、滴滴三家企业三足鼎立的发展格局，经营回归理性，精细化运营成为当前企业的发展重点。以运营企业和背后投资方联合运作提供的这一突破传统的城市基本服务模式需要政府、企业和居民协同合作才能可持续发展[2]。

互联网租赁自行车可以深入城市角落，弥补其他出行方式的服务空白，其便捷的租还和支付方式、高分布密度等优势，提高了使用者的出行体验和出行效率，受到广大用户的喜爱。然而自20 世纪90 年代以来，以机动车为导向的城市发展，逐渐挤压自行车骑行与停放空间。互联网租赁自行车的发展影响着居民的出行行为，也推动着城市规划和管理者对城市空间和道路资源的重新认识。同时，互联网租赁自行车出行产生的大量的基于时间和位置的数据为描述和理解城市空间结构提供了新的途径。因此，有必要通过对骑行大数据的时间和空间分析，揭示骑行需求规律，为城市相关规划建设、行业管理部门和运营企业合作建立科学的投放与管理机制等提供技术支撑。

目前国内外已有部分基于互联网租赁自行车和公共自行车使用数据进行骑行特征分析的研究成果。Long 等人[3]利用互联网租赁自行车骑行数据分析了用户的平均骑行距离、骑行时长和人均骑行次数等特征，并据此计算了城市的可骑行指数。冉林娜等人[4]、Li 等人[5]基于出行意愿问卷调查，分析了互联网租赁自行车用户属性和影响使用的主要因素。周荣等人[6]基于城市样本数据分析得到互联网租赁自行车的骑行时长、周转率等使用特征。高楹等人[7]基于北京市摩拜单车一周的订单数据，分析了不同土地类型的车辆供需失衡的时空特征，并提出局部优化的调度模型。另外一些研究则根据网络爬取到的零星数据来透视互联网租赁自行车的骑行时空特征[8-11]，或者根据典型地铁站点互联网租赁自行车使用的早晚高峰特征提出停放[12]或调度建议[13]。

由于互联网租赁自行车起源于中国，海外市场规模较小，国外针对其使用特征的研究相对较少，目前，仅查询到Zhao 等人[14]基于新加坡互联网租赁自行车的GPS 数据，利用空间自回归模型分析了可获得的车辆数、建成环境等因素对其使用特征的影响。配置停车桩的公共自行车系统在国外发展多年，因此，国外针对公共自行车使用特征的研究较多。如，Kaltenbrunner 等人[15]、Vo⁃gel 等人[16]、Corcoran 等人[17]和Fricker 等人[18]分别基于巴塞罗那、维也纳、布里斯班和巴黎的公共自行车使用数据，研究站点间客流分布特征。Castillo-Manzanoa 等人[19]通过分析塞尔维亚市公共自行车与私人自行车的骑行特征，发现公共自行车的平均骑行距离比私人自行车短。Compbell等人[20]通过对纽约市公共自行车客流量及其对应的公交线路客流量的分析，发现公共自行车系统有利于提升公交客流。与互联网租赁自行车不同，公共自行车由于缺乏实时定位系统，大多数研究仅局限于固定站点的客流分析。

综上，目前针对互联网租赁自行车或公共自行车的骑行特征研究主要存在以下几方面的问题：一是部分研究通过调查问卷了解用户出行意愿、使用习惯等，从而分析得出用户使用特征和影响因素，存在调查样本量有限、问题可能带有主观倾向性、问卷质量难以保证等问题，会影响所采集信息的可靠性，容易产生选择性偏差[21]，研究结论具有局限性；二是部分研究人员通过网络技术手段爬取零星数据来分析出行特征，由于技术方法和工作量的局限只能获得短期用户使用数据（一般为2～5d），利用这些短期、少量的用户数据分析得出的骑行特征缺乏代表性，难以凝练规律。

实际上，互联网租赁自行车骑行过程中产生了大量数据，结合原有城市物质空间数据[22]，可为了解居民出行需求、提升服务水平、完善城市交通网络、优化城市建设管理提供关键信息。因此，本文选取为期1 个月的互联网租赁自行车用户真实订单数据，对用户骑行时空分布特征进行深入分析；结合数字地图与城市用地性质，通过空间分析和可视化探寻不同类型用地性质的互联网租赁自行车骑行需求规律。

1 数据来源

1.1 骑行数据

本文拟采用的骑行数据为通过与运营企业合作获取的某互联网租赁自行车品牌2018 年4 月份的北京市所有用户订单数据，数据产生的时间为2018 年4 月1 日—4 月30 日。原始订单数据内容包括订单编码、开锁时间、开锁位置经纬度、关锁时间及关锁位置经纬度等，数据表单示例见表1。这些数据为互联网租赁自行车智能锁中自带的GPS和数据模块记录。

表1 互联网租赁自行车骑行订单原始数据表单示例

1.2 地图数据

本文采用的地图数据是北京市行政区矢量数据与北京市路网矢量数据，两个图层的数据坐标系均采用WGS-1984 国际标准，这与互联网租赁自行车GPS 所采集到的位置信息的坐标系是一致的，因此不需要进行坐标系转换。

1.3 土地使用性质数据

为了借助互联网租赁自行车骑行大数据初步分析不同功能用地的骑行特征，本文需对研究区域的用地性质进行识别。由于缺少WGS-1984 坐标系下的地图工具，本文采用Google Earth 软件提供的遥感影像数据及其对应的经纬度与BD-09坐标系下在线百度地图进行比对的方法，初步识别兴趣点（Point of Interest,POI）的用地性质。

2 研究方法

2.1 数据清洗

因本文获取的骑行数据为原始订单数据，无法直接使用，需在数据分析前进行数据整理和清洗，以确保分析结果的有效性，主要针对以下两方面的数据。

（1）经纬度不在本研究范围内的数据。本研究选取北京市五环内区域，此区域坐标范围为北纬39°50′43′′—40°2′24′′，东经116°13′6′′—116°32′00′′，凡是订单起点或终点不在该坐标范围内的数据均筛选剔除。

（2）异常数据。由于网络存在不稳定性，数据在传输中可能产生异常值，导致部分属性数据无法对应或数据空白，故将这部分数据筛选剔除。

2.2 数据预处理与数据模型

（1）本文获取的原始订单数据在经过数据清洗去杂去噪后，还需进行预处理后才能使用。首先使用Excel 将原始订单数据进行列分隔，然后对每日数据进行筛选，将全市每日的数据保存为一个文件。根据数据分析需要，再对每日数据进行分时间段处理。

（2）为准确表达和分析预处理后的数据，构建出行数据模型（TRIP）。TRIP 数据模型可表达为：TRIP={OP,OT,DP,DT}，即每个订单代表了用户从开锁到关锁的骑行过程，可表达为一次骑行的出发地点（OP）、出发时间（OT）、到达地点（DP）和到达时间（DT）的集合。举例说明：某用户早上8:00 从家出发，找到一辆互联网租赁自行车，该车辆的位置定位为（东经116.3475，北纬39.9182），用户用智能手机扫码开锁，开锁时间为8:05，骑行到目的地后停车关锁，这时车辆位置为（东经116.3812，北纬39.9342），时间为8:37，这位用户的出行就被记录为一次TRIP，表达为： {116.3475,39.9182,8：05,116.3812,39.9342,8：37}。

2.3 数据分析与可视化

（1）采用ArcMap 对骑行数据进行空间可视化。将北京市行政地图和路网矢量数据导入Arc⁃Map，利用ArcMap 中核密度分析工具（Kernel Density）将不同时间段的TRIP数据集空间化，显示在北京市地图上，通过聚类分析和空间插值法，结合用地性质数据，辨识不同地块的骑行强度，识别具有统计显著性的空间聚集热点。

（2）基于日内不同时间段的TRIP 数据模型，分析用户骑行出发和结束的时间和空间规律，结合用地性质初步识别用户的居住地和就业地。

3 互联网租赁自行车骑行特征分析

3.1 互联网租赁自行车时间维度上骑行规律

（1）互联网租赁自行车一周内骑行量分布规律

对2018 年4 月互联网租赁自行车日骑行量进行统计分析（见图1），并将工作日、非工作日的骑行次数进行比较，为排除降雨、大风等天气因素的影响，选择一周晴朗且日均风力四级以下的时间进行逐日分析。总体上，工作日的互联网租赁自行车骑行量分布较为稳定，日均可达到90万次以上，非工作日日均50万次以上，工作日的骑行量是非工作日的1.7 倍，可以看出互联网租赁自行车主要用于通勤出行。

图1 北京市2018年4月一周某品牌互联网租赁自行车日骑行量

（2）互联网租赁自行车逐时骑行量分布规律

对2018 年4 月工作日、非工作日的日内每半小时平均骑行量进行统计，如图2 所示。可以看出，工作日、非工作日两者差别明显；工作日早晚高峰突出，早晚高峰时段分别为7:00—9:00 和17:00—19:00，与通勤时间相吻合，逐时骑行量分布曲线总体呈M 形，在中午12:00—14:00 之间也出现一个微小高峰，但是骑行量增加不明显。非工作日早晚高峰不突出，与中间时段的骑行量较为接近。无论是工作日还是非工作日，绝大多数骑行都分布在5:30—23:00 之间，23：00—次日5：30 之间骑行量很少，这与用户处于休息时间相对应，出行需求很少。综上，互联网租赁自行车在工作日和非工作日的出行需求有明显差异，工作日早晚高峰骑行量激增，这在一定程度上反映了骑行目的主要为通勤出行。

图2 互联网租赁自行车各时段骑行量分布

3.2 互联网租赁自行车空间维度上骑行分布规律

本文运用ArcMap 软件中的核密度分析工具对互联网租赁自行车空间维度上的骑行分布规律进行分析。核密度分析工具的工作原理是计算要素在其邻域中的密度，核密度的值随着中心辐射距离的增大而逐渐变小[11]。首先将TRIP 数据集的起点和终点位置以点的形式呈现在底图上，根据核函数定义，设定population 字段值为None，则输出的栅格每个像元的密度均为叠加在像元中心的所有核表面的值之和，即输出的值是基于实际输入点数计算的。这样输出的核密度栅格图即为互联网租赁自行车的聚集热点图。基于此，通过分析工作日早晚高峰时段用户骑行起点位置和终点位置的分布，可以探寻互联网租赁自行车在用车高峰时段空间维度上的骑行分布特征。

北京市互联网租赁自行车工作日早高峰时段（7:00—9:00）骑行分布如图3 所示。可以看出，骑行终点比骑行起点更加集中，骑行热点主要出现在金融街、国贸CBD、亮马桥、中关村、望京等商务办公区域，以及商务区、居住区附近的地铁站点，例如西直门、阜成门、亮马桥、三元桥、国贸、朝阳门、四惠等，这与居民通勤时空特征相吻合。

工作日晚高峰时段（17:00—19:00）的骑行分布如图4 所示，与早高峰相反，骑行起点比骑行终点更加集中，且聚集分布于金融街、国贸CBD、亮马桥、望京、中关村等商务办公区域。

由图3～图4 可以看出，互联网租赁自行车的使用在工作日早晚高峰呈现出相似的热点区域，并且早高峰时骑行终点与晚高峰骑行起点规律相似。这说明，整体上北京市就业办公区较为集中，而居住区较为分散，这也与乘坐公共交通出行的规律相一致。

3.3 典型用地功能互联网租赁自行车骑行规律

结合北京市用地性质与上述热力图反映的工作日互联网租赁自行车骑行热点，选取典型的商务办公区、大型居住区、公共交通站点对互联网租赁自行车的骑行规律进行分析。

（1）商务办公区

本文选择金融街核心区（金融、银行和保险业集聚的区域）和中关村核心区（IT、信息产业集聚的区域）来分析互联网租赁自行车在商务办公区的骑行规律，如图5所示。

图3 互联网租赁自行车工作日早高峰骑行起点与终点热力图

图4 互联网租赁自行车工作日晚高峰骑行起点与终点热力图

图5 工作日商务办公区互联网租赁自行车骑行规律

从图5可以看出，在早高峰时段（7：30—9：30），骑行至金融街和中关村核心区的人次远远高于从此地出发的人次，其中金融街骑行到达人次是出发人次的17 倍，中关村骑行到达人次是出发人次的2.6 倍；与此相反，晚高峰时段（17：00—19：00），从金融街和中关村核心区出发的人次远高于骑行至此地的人次，其中金融街骑行出发的人次是到达人次的6.2 倍，中关村骑行出发的人次是到达人次的1.8 倍。这反映了金融街与中关村核心区为办公集聚区，居住社区较少，金融街办公地点集聚程度更高。

值得一提的是，在早高峰时段，金融街核心区骑行峰值点在8：00，中关村核心区骑行峰值点在8：30；晚高峰时段的骑行峰值点，金融街在17：30，中关村地区在18：00，同时，中关村地区在晚上21：00 左右还有一个小的骑行高峰，这反映了中关村地区的就业机构上下班时间比金融街晚，符合中关村IT 产业员工的工作作息规律。

（2）居住区

本文选择石景山区的远洋山水片区和朝阳区的垡头片区作为居住社区集中的区域来分析互联网租赁自行车的骑行规律，如图6所示。

图6 工作日居住区互联网租赁自行车骑行规律

从图6 可以看出，远洋山水与垡头的骑行早高峰时段为6:30—8:30，比办公集聚区早1h。从远洋山水和垡头骑行出发的人次远高于骑行到达的人次，出发与到达人次比分别为1.4 和2.1 倍。晚高峰时段，远洋山水骑行到达时间曲线波峰比骑行出发波峰明显延长，这在一定程度上反映了此片区的居民回家时间不集中，这与居住人群的就业性质和就业地点有关。晚高峰时段垡头的骑行到达人次远高于骑行出发人次，比例为3.6∶1，这在一定程度上反映了该片区为住宅集聚区，提供的就业岗位较少。

（3）公共交通站点

本文选择朝阳门地铁站（2 号线和6 号线换乘）和西直门地铁站（2号线、4号线、13号线换乘）来分析典型公共交通站点周边互联网租赁自行车骑行规律，如图7所示。

图7 工作日地铁站附近互联网租赁自行车骑行规律

从图7 可以看出，朝阳门和西直门地铁站总体骑行规律相似，均是早晚高峰明显，与办公区和居住区不同的是中间时段的骑行人次也较多。

朝阳门地铁站的早高峰时段，骑行到达的人次总体与骑行出发人次相当，但从时间上来看，骑行到达时间比骑行出发时间分散。晚高峰出发与到达的人次也相当，这在一定程度上反映在此就业的人群与居住人群规模相当。

与朝阳门不同，早高峰时段，西直门地铁站骑行出发人次多于骑行到达人次，而骑行到达的峰值点早于骑行出发峰值点，与之对应的是，晚高峰时段，西直门地铁站骑行到达的人次多于骑行出发的人次。也就是说，骑行到达西直门地铁站的人群出行目的很大程度上是去上班，而从此地铁站骑行出发的人群是来上班的，这在一定程度上反映了西直门地铁站附近的就业人群数量多于居住人群。

综上，工作日不同用地功能的互联网租赁自行车骑行需求规律如下。

（1）商务办公区。互联网租赁自行车使用具有明显的早晚高峰特征。早高峰时段，互联网租赁自行车的停车需求激增；晚高峰时段呈现出与早高峰相反的特征，用车需求激增。

（2）居住区。早高峰时段，互联网租赁自行车用车需求激增；晚高峰时段，不同的居住区的骑行规律有差异，与居住人群的就业性质和就业地点有关，就业岗位较少的居住区，晚高峰时段的停车需求较大。

（3）公共交通站点。早晚高峰时段互联网租赁自行车均呈现出用车和停车需求高峰，且与商务办公区和居住区相比，用车与停车需求之间差异较小。附近就业人群多于居住人群的公共交通站点早高峰用车需求略高于停车需求，晚高峰停车需求略高于用车需求。

4 相关建议

在共享时代，许多传统的城市功能分区中的空间将得到重构或升级，处于急剧变化中的城市亟需与之匹配的理论、研究范式及技术方法[23]。本文通过对用户骑行大数据进行初步分析，得到互联网租赁自行车的时空分布特征，研究成果可为城市相关规划、建设和管理等方面的研究和实践提供参考。

4.1 在城市相关规划建设中给予互联网租赁自行车更多的考虑

（1）鉴于互联网租赁自行车越来越成为城市出行的重要组成部分，很大程度上骑行目的是通勤，而当前我国在进行以交通规划为目的的城市居民出行调查时未将互联网租赁自行车纳入统计调查范围，相应地在城市交通相关规划中未考虑互联网租赁自行车的使用。因此，希望从国家层面或城市层面将互联网租赁自行车纳入城市出行统计调查体系，便于研究机构对互联网租赁自行车出行行为进行科学量化评估，并在此基础上建立基于动态大数据分析的规划模型和方法，在城市空间规划、城市综合交通规划和相关专项规划中强化互联网租赁自行车与公共交通等其他交通方式的衔接。

（2）基于互联网租赁自行车骑行大数据分析可以看出，城市中心区域的商务办公区、公共交通站点及大型居住区是车辆使用的热点区域。因此，城市中心区应强化完善自行车路网和停放点等设施的规划与建设，并且在城市公共交通站点、商务区、居住区等热点区域设置足够的自行车停放空间，避免车辆淤积停放，促进互联网租赁自行车与城市公共交通的高效接驳。

4.2 建立基于骑行大数据分析的投放和停放管理机制

（1）基于前文的分析，骑行大数据可反映城市空间要素信息和用户需求信息。为改善当前部分城市存在互联网租赁自行车无序投放的现状，需要行业管理部门和互联网租赁自行车运营企业合作，开展互联网自行车出行需求的精准预测，利用骑行大数据分析技术，结合城市道路条件、停放空间资源等对整个城市或特定地区的互联网租赁自行车进行容量测算，合理规划投放总量和投放时序。

（2）鼓励有条件的城市建设互联网租赁自行车信息管理平台，利用大数据分析进行科学精准地动态管理。要求接入所有投放车辆静态和动态信息，及时掌握城市投放总量，通过骑行数据有效识别车辆聚集点，实时督促运营企业对超出停放限度与使用需求旺盛的点位的车辆进行及时调度。

（3）行业管理部门与运营企业合作，结合互联网租赁自行车骑行数据分析用户需求，在热点区域和禁停区域等重点区位运用电子围栏等新技术规范用户停车行为，加强停放管理，避免造成车辆堆积、影响公共秩序。

4.3 开展互联网自行车规范运营示范试点

根据前文骑行特征分析，互联网租赁自行车已成为大城市居民出行的重要方式之一，特别是在通勤出行中用于与公共交通接驳。互联网租赁自行车与公共交通协同可促进城市绿色出行分担率的提升，同时也成为我国城市自行车复兴的重要途径。建议结合交通运输部等多部门和单位印发的《绿色出行行动计划（2019—2022 年）》[24]，在全国选择有条件的地区，从骑行环境建设、政策标准制订、服务质量考核、运营管理等方面开展规范运营示范试点，探索形成有利于互联网租赁自行车可持续发展的准入与退出机制、运行管理策略和技术方法等，形成政府、企业、公众及社会组织共同参与的治理格局，及时总结试点示范经验，并向全国推广。

5 结语

本文基于互联网租赁自行车出行大数据，通过时空分析与可视化，探寻了用户骑行规律。通过逐日和逐时骑行次数分析得出工作日和非工作日的使用特征存在明显差异。通过建立数据模型，运用ArcMap 软件对互联网租赁自行车的使用数据进行空间分析，识别骑行热点；通过分析商务办公区、居住区和公共交通站点3 类典型区域的互联网租赁自行车骑行空间规律，得出不同用地功能区的用户需求特征，可为政府管理部门和运营企业完善自行车网络、建设自行车停放点位、提升管理的精细化和动态性提供支撑。由于互联网租赁自行车GPS 数据量大、数据杂质和数据噪声较大、对数据清洗和预处理方法要求较高的特点，本文所得到的结论是初步的。未来需进一步挖掘和分析互联网租赁自行车骑行大数据，为合理规划城市土地利用和优化职住平衡、提高城市交通系统的运行效率、提升社会治理能力等提供理论基础与科学支撑。