2. 陕西师范大学 西北国土资源研究中心, 西安 710119;
3. 陕西师范大学 西北城镇化与国土空间模拟重点实验室, 西安 710119
2. Northwest Land and Resource Research Centre, Shaanxi Normal University, Xi'an 710119, China;
3. Key Laboratory for Urbanization and Land Environment Geo-simulation in Northwest China, Xi'an 710119, China
公共自行车交通(以下简称为公自)作为近年来快速发展的新型公共交通模式, 被认为是解决"最后一公里到达问题的有效交通工具。其发展对于满足短距离出行需求, 构建"门"到"门"公共交通服务体系, 有效提升公共交通出行吸引力与竞争力具有重要意义。自1965年荷兰出现最早的公自系统(Public Bicycle Sharing Programs, 即PBSPs)以来, 公自系统迅速在世界范围内推广应用[1], 并逐渐成为城市地理、交通运输和城市规划等学科的研究热点。
国内外大量学者探索了公自的使用特征及影响因素。早期的研究从公自出行目的和出行频率角度, 基于问卷调查数据重点分析了公自出行特征[2-4]。随着第三代和第四代公自系统的推广应用[5], 在公自系统后台大数据的应用支持下, 学者对公自出行时空特征进行了更深入研究[6, 7]。关于公自使用的影响因素, 越来越多的实证研究发现公自使用受到建成环境[8-11]和公自系统用户感知[12-15]的影响。
作为依靠使用者自身体力完成的户外出行方式, 公自使用必然受到天气条件的影响。然而, 关注天气条件对公自使用影响的研究不足, 甚至在关于建成环境对公自使用的影响研究中, 大多研究也未控制天气条件因素[16]。少量以西方发达国家为案例的实证研究发现气温、湿度、风速、降雨、降雪和日光等气象特征会对公自使用产生影响。在纽约和多伦多的实证研究中学者发现温度与公自客流呈现正相关关系, 公自的使用率在一定范围内会随温度升高而增加[17], 温度上升与以通勤为目的的公自使用规模变化有正相关关系[18]。Gebhart等[19]和Fuller等[20]分别利用美国华盛顿和加拿大蒙特利尔地区的公自系统数据, 发现降雨条件下公自使用规模明显下降。此外, 考虑时间要素时, 天气条件对公自使用的影响会发生变化。如Corcoran等[21]发现降雨和强风会导致布里斯班公自使用规模大量下降, 但在周末时段减少数量显著大于工作日时段。然而, 已有关于天气对公自使用的影响研究并未形成统一认识, 研究结论存在地区差异性。且大多研究结论来自西方发达国家实证, 缺乏来自中国城市的实证证据。
目前, 关于中国的公自交通研究, 主要集中在公自站点布局[22]、公自使用需求预测[23]、公自系统运行和管理[24]、公自使用者满意度[25]、公自出行特征[26-29]以及公自使用的影响因素[30, 31]等方面。探讨天气对公自使用影响的研究鲜见。仅有的关于空气污染和出行行为的研究也主要关注其对步行行为和外出频率的影响[32, 33]。
随着我国空气污染问题的加剧, 空气污染逐渐成为影响居民出行意愿的重要因素。有效识别和度量空气污染的社会成本, 依赖于对空气污染影响居民日常行为的微观机制的准确把握[33]。为此, 本文以西安市为案例, 利用公自服务系统大数据, 探索降雨和空气污染天气状况对城市居民公自使用的影响。研究结果不仅有助于准确评估降雨和空气污染对于城市居民社会经济活动的影响程度, 同时也能为更准确的研究城市居民公自使用的影响机制提供支撑, 避免对建成环境和用户感知因素影响效应的错误估计, 为更精准的城市发展和交通规划政策的制定提供参考依据。
2 数据来源与方法 2.1 研究区域与数据来源西安市是我国较早建立公自系统的城市之一, 其公自系统建于2013年3月。截止2015年底, 西安市共有公自服务站点1460个, 上架自行车4.2万多辆, 服务范围550.5 km2, 几乎覆盖西安市全部建成区。本研究涉及的区域主要为西安市公自系统服务的建成区范围, 包括未央区、莲湖区、碑林区、新城区、灞桥区、长安区和雁塔区七个市辖区的48个街道(见图 1)。
本文涉及的数据主要包括西安市公自系统运营数据和天气状况数据两部分。公自系统运营数据来自西安市城市公自服务管理有限公司, 主要包括2015年5月至11月公自系统后台运行的3700多万条数据及西安市所有公自站点坐标。由于西安市公自系统运营数据库中除了客流, 还包括运营公司对车辆进行调度所产生的公自管理流。因此, 本文对数据进行了清洗与预处理。参照已有研究的数据清洗方法[34, 35], 将使用时长小于1分钟及超过24小时的数据定义为不符合公自一般出行特征的异常数据。剔除借、还站点相同及出行时长异常数据后, 得到3216万条有效数据。
本文使用的降雨和空气污染数据来自于互联网网站数据(http://www.tianqihoubao.com/和https://www.wunderground.com)。该数据中空气污染程度主要用AQI指数(Air Quality Index)来衡量。AQI指数的取值范围在0到500之间, 如当PM2.5日均值浓度达到150微克/立方米时, AQI即达到200。AQI指数超过100后分为轻度污染(101-200)、中度污染(201-300)及重度污染(301-500)。本文将轻度、中度及重度污染统一归结为空气污染进行讨论。
2.2 研究方法本文从公自使用规模、公自借还均衡性和公自使用强度三方面分析降雨和空气污染对公自使用的影响, 并比较影响的差异性。
2.2.1 公自使用规模受公自运营系统营业时间限制, 用户的用车行为会在一天中结束。因此, 公自系统数据库中一天内公共自行车系统的借出次数和归还次数相等。本研究中使用公自系统借/还次数来表征公自使用规模。并细化研究了不同使用时长下的公自使用规模和高峰时段公自使用规模。
不同使用时长下的公自使用规模:公自的归还时间减去借出时间, 得到该行程的使用时长。以10 min为间隔, 60 min为使用时长上限共划分七个使用时长段, 并统计不同使用时长下的公自借/还次数。
高峰时段公自使用规模:公自使用的高峰时段指公自借/还量的高峰时段。通常呈现早、晚高峰的双峰特征。本文使用西安市公自系统运营时间(6:00至21:00)内高峰时段的公自站点借/还次数来反映高峰时段公自使用规模。
2.2.2 站点借还均衡性一般来说, 公自站点的借出量和归还量基本相当是最理想的状态。只有借还均衡, 才能保证站点车辆能满足用户的使用需求, 而不会出现满桩无法归还或空桩无法借出的情况。借还均衡性一般用借还比[17]来表示, 公式如下:
式中:Ri为站点i的日均借还比, 即借还均衡性, -1 ≤ Ri ≤ 1;Pib为站点i的日均借出量; Pir为站点i的日均归还量。
对于站点i, Ri值的绝对值表示站点借还比, 正值表示该站点以借出为主, 负值表示该站点以归还为主。西安市公共自行车站点止锁器平均数量为26个, 据此计算出桩位周转率均值为5.39, 因此将Ri值在[-0.15, 0.15]定义为借还平衡站点, 在[-1, -0.15)定义为以归还为主的归还站点, 在(0.15, 1]定义为以借出为主的借出站点。
2.2.3 使用强度反映公自使用强度的热度大小, 可用站点的日借出次数、日归还次数或系统日借出总量表征。本文利用Arcgis10.2软件, 按照自然断裂法划分站点和街道的公自借出次数区间来分析公自的使用强度等级。共划分站点及街道四个公自使用强度等级(见表 1)。
从西安市2015年5月至11月天气情况来看, 降雨天气累计为62天, 占全年总降雨天的56.4%;空气污染35天, 占全年总空气污染天数的30.4%。2015年5月至11月, 西安市公自系统日均借/还次数为14.92万次, 周内公自日均借/还次数达16.28万次, 周末11.59万次。
在降雨天气条件下公自日均借/还次数达12.59万次、空气污染条件下14.88万次。西安市居民使用公自以15 min以内、不超过4 km的短距离出行为主。以自行车12 km/h计算, 通常情况下不超过1 km出行(5 min以内)比例达到23%, 2 km以内(10 min以内)出行比例达到44%, 4 km以内出行比例达71%。
由图 2可知, 降雨天气条件下公自日均借/还次数基本在平均值线以下。利用皮尔逊系数进一步检验相关性, 发现降雨与公自日均借/还次数之间皮尔逊相关系数为-0.375, 具有显著负向影响。表明在降雨天气下, 公自使用规模显著减少。
但在空气污染条件下公自日均借/还次数无明显变化特征。检验污染与公自日均借/还次数之间的皮尔逊相关系数, 未通过显著性检验。
3.1.2 对不同使用时长下公自使用规模的影响本文区分统计了基于不同公自使用时长的公自借/还次数, 并进一步研究降雨和空气污染对其的影响。研究发现公自的借/还次数呈现出随着使用时长增加而减少的趋势(见图 3)。公自使用时长为0-10 min的借/还次数最多。且无论是在日常条件下, 还是在降雨或空气污染情况下公自使用时长为0-10 min的借/还次数所占比例均保持在45%左右。日常情况下其占总借/还次数的43.9%(66594次), 降雨天气下占46.2%(57047次), 空气污染下占44.8% (77269次)。
降雨条件下, 不同公自使用时长的居民公自借/还次数均所有减少, 但次数减少后各使用时长所占比例保持不变。与日常条件相比, 降雨条件下以0-10 min这一时长公自借/还次数减少最为显著, 变化幅度为-14%。空气污染条件下, 并未观察到居民公自借/还次数明显减少的情况。这一结果可能与研究时段内周内的污染天数比例过高(71%)有关, 而周内公自使用目的绝大部分为通勤刚性需求。但不论降雨天气还是空气污染, 公自借/还次数的变化幅度都随着使用时长的增加而减小。
3.1.3 对高峰时段公自使用规模的影响在降雨和空气污染条件下, 公自使用在高峰时间段并无显著差异。如图 4所示, 日常条件下公自使用早高峰期出现在7时和8时(占总量的13%和11%), 晚高峰出现在17时和18时(占总量的10%和12%)。且早高峰公自使用比例高于晚高峰。降雨和空气污染条件下, 早晚高峰时段使用比例分别为10-13%和11-13%, 与整体情况基本一致。
降雨和空气污染条件下高峰期公自使用规模下降, 但降雨对公自使用规模的影响大于空气污染。降雨条件下公自使用次数明显下降, 在高峰期下降最为明显, 变化幅度为-9.9%(13时)至-19%(17时)。但在空气污染条件下, 白天(8-17时)各时段次数保持稳定, 变化不大。在早高峰7时和晚高峰18时, 可以观察到公自使用次数的明显下降, 降幅在4%左右。
3.2 降雨和空气污染对公自站点借还均衡性的影响降雨和空气污染条件下平衡站点比例减少。从借还平衡站点、以借出为主的站点和以归还为主的站点比例来看, 在日常情况下三类站点比例分别为45%、9%、46%, 而在降雨天气下三者比例变为41%、18%、41%, 空气污染下分布为40%、18%、42%。从站点借还比的分析可以发现, 降雨和空气污染条件下居民对公自的使用发生显著变化, 借出为主的站点比例增加, 借还平衡站点与归还为主的站点比例略有下降。
借出、归还和借还均衡站点空间分布呈现出交叉混合的分布特征(图 5a、5b、5c)。这主要与公自的出行特点有关, 相比固定线路和站点的常规公交和地铁, 公自拥有自主选择线路和借还站点的优势, 因而难以形成明显空间集聚。
为深入了解借还比的结构特征, 通过ArcGIS冷热点分析(图 5d、5e、5f), 发现在日常、降雨与空气污染条件下, 呈借还均衡状态的公自站点的空间分布变化不大。公自借还均衡的站点主要分布在附近有市图书馆、市政府等大量企事业单位的街道。说明这些区域的公自使用主要是区域内出行。公自借还不均衡站点主要分布在西安主城区的边缘地区(如草滩街道、灞桥街道、洪庆街道、曲江和韦曲街道等)和中心区域(如张家村、西关、北院门、南院门等街道), 说明这些区域居民公自使用主要用于跨区域出行。
进一步比较日常、降雨和空气污染条件下公自借还均衡性的冷热点分布图, 发现在日常条件下, 借还不均衡站点中以借出为主的站点主要集聚于中心区, 以归还为主的站点区域主要位于边缘区。但观察降雨和空气污染条件下, 则刚好相反。这在一定程度上说明降雨和空气污染会影响公自使用的主要流向。
3.3 降雨和空气污染对公自使用强度的影响降雨和空气污染对公自使用强度的影响主要具有以下四个特征。
(1) 降雨和空气污染导致公自使用强度显著降低, 一级站点数量明显减少, 且降雨的影响大于空气污染
从各等级站点数量来看, 日常条件下一级站点平均数量为116个。而在降雨条件下一级站点数量减少至70个, 减少了60%。空气污染条件下一级站点数量为110个, 减少了5%。
从各站点的公自使用次数来看, 以第一位的市图书馆地铁站A口站点借出情况为例(见表 2), 日常条件下平均借出次数为810次。降雨条件下则减少到683次, 减少了15.6%。在空气污染条件下, 平均借出次数减少到794次, 减少了2%。
从街道公自使用强度来看, 以公自使用强度最大的张家堡街道为例(见表 2), 日常条件下公自平均使用次数为14967次。降雨条件下则减少了15.6%, 空气污染条件下减少了2%。
(2) 与周内相比, 周末时段公自使用强度受空气污染的影响更大, 但降雨条件下周内与周末公自使用强度变化差异较小
从各等级站点数量来看, 周内日常条件下, 公自使用一级站点数量为165个, 空气污染条件下减少为130个, 降幅为21%。周末日常条件下, 公自使用一级站点数量为48个, 空气污染条件下减少为28个, 降幅为42%。而降雨条件下周内公自使用一级站点减少了61%, 与周末减少了59%相比差别不大。
从街道公自使用强度来看, 以张家堡街道公自借出情况为例, 日常条件下周内和周末的借出次数分别为12780和14712次。空气污染条件下周内公自借出次数减少了0.7%, 周末则减少了11%。而降雨条件下周内公自借出次数减少了19%, 与周末减少了21%相比差别不大。
可能的原因如前所述, 统计后空气污染天气大多发生在周内, 而周内公自主要用于通勤刚性需求, 使用者因为空气污染原因放弃使用公自通勤的可能性相对较小。而周末公自使用大多为休闲娱乐出行, 使用者根据天气情况, 更具有取消出行或选择其它出行替代方式的灵活性。
(3) 降雨及空气污染对公自使用高强度站点影响较小
在降雨和空气污染条件下, 公自使用高强度站点、街道基本不变。降雨和空气污染下借出量与归还量排在前20位的站点与日常条件下的前20位站点不变。其中市图书馆地铁站A口、凤城五路地铁站D口、凤城五路地铁站B口、西稍门开元、市图书馆地铁站D口、省体育场地铁站B口和长安公安局为使用量最高的公自站点。
街道公自使用数量与站点类似, 借出量与归还量排在前10位的街道不变, 即未央区张家堡街道、莲湖区桃园路街道办、雁塔区电子城街道、丈八沟街道、未央区大明宫街道、长安区韦曲街道办、莲湖区红庙坡街道、雁塔区小寨街道办、雁塔区长延堡街道办和未央区徐家湾街道。
这在一定程度上说明, 公自使用的高强度站点和街道主要以刚性需求为主, 受天气的影响较小。
(4) 降雨条件下公自使用高强度站点中心化和沿走廊分布的空间特征弱化
日常条件下, 无论从公自借出还是归还来看, 公自使用高强度站点呈现出中心化和沿南北向走廊分布的特征(见图 6a、图 7a)。从周内和周末两个时段来看(见图 6d、图 6g、图 7d、图 7g), 周内时段同日常条件下公自使用高强度站点和街道空间分布特征和日常条件下一致。但周末公自使用高强度站点明显减少, 且空间分布上也不再集聚于中心和廊道, 呈现分散分布的特征。
降雨天气下, 与日常情况相比一级站点的空间分布更为分散(图 6b、图 7b), 中心区域公自使用高强度站点明显减少。但空气污染条件下, 依然可见公自使用高强度站点中心化和沿南北向走廊分布的特征, 与日常条件差别不大(图 6c、图 7c)。可见, 降雨对公自使用高强度站点的空间分布的影响大于空气污染。
区分周内与周末, 观察降雨和空气污染情况下公自使用高强度站点的变化。可以发现即使在周内, 降雨和空气污染条件下, 一级站点的空间分布也更为向外围扩散, 中心区域和南北向走廊的高强度站点明显减少(图 6e、6f、图 7e、7f)。周末时段, 则公自使用高强度站点分散向外围分散分布的特征更加明显(见图 6h、图 7h、图 6i、图 7i)。
(5) 降雨条件下, 跨街道公自使用流的强度显著下降
为了进一步分析降雨和空气污染条件下, 跨街道公自使用流的强度是否会受到影响, 本文以街道为目的地进行OD配对, 共选取40对(见图 8)使用量在1.76-29.89万次的OD, 发现不同OD间受降雨和空气污染影响略有差异。降雨条件下不同OD使用量均有所下降(下降幅度为15-30%)。但在空气污染条件下, 不同OD使用量变化不大, 在±10%以内波动。
本文以西安市为例, 利用公自服务系统大数据, 从公自使用规模、站点借还均衡性和使用强度三方面探索降雨和空气污染对公自使用的影响。研究得到以下主要结论:
(1) 降雨和空气污染条件下公自使用规模减少, 但降雨带来的影响大于空气污染。降雨条件下, 公自日均借/还次数、基于不同公自使用时长的居民公自借/还次数、高峰期公自借/还次数均显著减少。但空气污染条件下, 公自日均借/还次数、基于不同公自使用时长的居民公自借/还次数均未观测到显著减少, 仅在空气污染条件下高峰期公自使用规模下降。可能的原因是研究时段内周内的污染天数比例过高, 而周内公自使用目的绝大部分为通勤刚性需求。总体来说, 降雨和空气污染会对居民是否选择公自出行的出行决策产生影响。但通勤刚性需求受到的影响较低, 购物、休闲等非刚性出行对降雨和空气污染的反应更敏感。
(2) 降雨和空气污染条件下公自站点的借还均衡性降低、平衡站点比例减少。降雨和空气污染条件下, 公自借出和归还站点的冷热点区域空间分布发生显著差异。日常条件下, 公自借出为主的站点主要集聚于中心区, 归还为主的站点区域主要位于边缘区。但降雨和空气污染条件下, 则刚好相反。这在一定程度上说明降雨和空气污染会影响公自使用的主要流向。
(3) 降雨和空气污染对公自使用强度有显著影响。降雨和空气污染导致公自使用强度显著降低, 一级站点数量明显减少, 且降雨的影响大于空气污染。与周内相比, 周末时段公自使用强度受空气污染的影响更大, 但降雨条件下周内与周末公自使用强度变化差异较小。降雨及空气污染对公自使用高强度站点影响较小。这在一定程度上说明, 公自使用的高强度站点和街道主要以刚性需求为主。降雨条件下公自使用高强度站点中心化和沿走廊分布的空间特征弱化。但空气污染条件下, 与日常条件差别不大。
总的来看, 降雨和空气污染会对居民公自使用产生影响。但相对于空气污染, 居民对降雨天气更加敏感。可能的原因为:一是与降雨相比, 空气污染的影响不够直观, 大多数出行者从天气预报或手机app了解空气污染情况, 难以从户外情况直接判断污染轻重程度; 二是空气污染出行的减少主要依赖于出行者对空气污染的敏感程度, 存在群体差异, 敏感群体(如老人、儿童)中使用公自比例较少, 所以表现不明显。
本研究重点分析了降雨和空气污染对城市居民公自使用的影响, 结果为公自影响因素的挖掘提供了一定理论支撑。然而, 本研究还有很多不足:一是本研究主要基于西安市集计数据的分析, 缺乏个体层面的社会经济属性数据的支持, 因此难以深入研究降雨和空气污染等天气因素对于公自使用影响的个体差异。需要后续基于调查的非集计数据的进一步研究支撑。二是由于本研究使用的是西安市公自系统运营数据, 并未涉及共享单车的使用情况, 考虑了共享单车的使用后可能会带来分析结果的差异。2016年底共享单车因其便捷、低廉的特点占据了消费者市场, 一定程度上弥补了公自网点覆盖不全面、借还操作复杂等不足, 两者均成为了城市公共交通的重要组成部分。但近年来共享单车的乱停乱放、市场不良竞争、用车安全等问题严重影响了居民的出行体验, 并且对于不熟悉共享经济的中老年群体而言, 共享单车始终具有较高的使用壁垒, 公自依然是其出行的首选。通过分析发现2013-2015年间, 西安公自使用量超过18万次/日, 2018年日使用次数仍在10万次以上, 因此即使在共享单车对公自产生冲击情况下, 公自依然有大量用户群体。因此, 以城市居民公自使用为分析对象, 仍然具有重要意义。
[1] |
Fishman E, Washington S, Haworth N, et al. 公共自行车文献综述[J]. 城市交通, 2014, 12(2): 84-94. [Fishman E, Washington S, Haworth N, et al. Bike share:A synthesis of the literature[J]. Urban Transport of China, 2014, 12(2): 84-94.] http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=csjt201402012
|
[2] |
梁凯丽, 曹小曙, 黄晓燕. 基于知识图谱的公共自行车出行研究进展[J]. 地理科学进展, 2017, 36(6): 762-773. [Liang Kaili, Cao Xiaoshu, Huang Xiaoyan. Research progress on bikesharing travel based on Citespace[J]. Progress in Geography, 2017, 36(6): 762-773.] |
[3] |
Demaio P. Bike-sharing:History, impacts, models of provision, and future[J]. Journal of Public Transportation, 2009, 14(4): 41-56. |
[4] |
Kaltenbrunner A, Meza R, Grivolla J, et al. Urban cycles and mobility patterns:Exploring and predicting trends in a bicycle-based public transport system[J]. Pervasive and Mobile Computing, 2010, 6(4): 455-466. DOI:10.1016/j.pmcj.2010.07.002 |
[5] |
Parkes S D, Marsden G, Shaheen S A, et al. Understanding the diffusion of public bikesharing systems:Evidence from Europe and North America[J]. Journal of Transport Geography, 2013, 31(7): 94-103. |
[6] |
Nair R, Miller-Hooks E, Hampshire R C, et al. Large-Scale vehicle sharing systems:Analysis of Vélib'[J]. International Journal of Sustainable Transportation, 2013, 7(1): 85-106. DOI:10.1080/15568318.2012.660115 |
[7] |
Mao D, Li Z, Li H, et al. Bike-Sharing dynamic scheduling model based on spatio-temporal graph[C]. IEEE International Conference on Big Data & Smart Computing. Shanghai: IEEE Computer Society, 2018: 483-486.
|
[8] |
Faghih-Imani A, Eluru N, El-Geneidy A M, et al. How land-use and urban form impact bicycle flows:Evidence from the bicycle-sharing system (BIXI) in Montreal[J]. Journal of Transport Geography, 2014, 41: 306-314. DOI:10.1016/j.jtrangeo.2014.01.013 |
[9] |
Buck D, Buehler R, Happ P, et al. Are bikeshare users different from regular cyclists? A first look at short-term users, annual members, and area cyclists in the Washington DC, Region[J]. Transportation Research Record, 2013, 2387(1): 112-119. DOI:10.3141/2387-13 |
[10] |
Jensen P, Rouquier J B, Ovtracht N, et al. Characterizing the speed and paths of shared bicycle use in Lyon[J]. Transportation Research Part D Transport & Environment, 2010, 15(8): 522-524. |
[11] |
Wang X, Lindsey G, Schoner J E, et al. Modeling bike share station activity:Effects of nearby businesses and jobs on trips to and from stations[J]. Journal of Urban Planning and Development, 2016, 142(1): 04015001-04015001-9. DOI:10.1061/(ASCE)UP.1943-5444.0000273 |
[12] |
Fishman E, Washington S, Haworth N, et al. Barriers to bikesharing:An analysis from Melbourne and Brisbane[J]. Journal of Transport Geography, 2014, 41: 325-337. DOI:10.1016/j.jtrangeo.2014.08.005 |
[13] |
Shaheen S A, Martin E W, Cohen A P, et al. Public bikesharing in North America: Early operator and user understanding[C]. European Conference on Antennas and Propagation. Washington: IEEE, 2012: 2230-2234.
|
[14] |
Kraemer J D, Roffenbender J S, Anderko L. Helmet wearing among users of a public bicycle-sharing program in the district of Columbia and comparable riders on personal bicycles[J]. American Journal of Public Health, 2012, 102(8): e23-e25. DOI:10.2105/AJPH.2012.300794 |
[15] |
LDA Consulting. Capital Bikeshare 2011 Member Survey Report[R]. Washington DC: LDA, 2015.
|
[16] |
El-Assi W, Mahmoud M S, Habib K N. Effects of built environment and weather on bike sharing demand:A station level analysis of commercial bike sharing in Toronto[J]. Transportation, 2017, 44(3): 589-613. DOI:10.1007/s11116-015-9669-z |
[17] |
Antos J D. Capital Bikeshare: Usage and Weather[EB/OL]. (2012-03-01)[2018-01-28].http://jdantos.wordpress.com/2012/03/01/capitalbikeshareusage-and-weather/.
|
[18] |
Saneinejad S, Roorda M J, Kennedy C. Modelling the impact of weather conditions on active transportation travel behavior[J]. Transportation Research Part D, 2012, 17(2): 129-137. DOI:10.1016/j.trd.2011.09.005 |
[19] |
Gebhart K, Noland R B. The impact of weather conditions on bikeshare trips in Washington, D C[J]. Transportation, 2014, 41(6): 1205-1225. DOI:10.1007/s11116-014-9540-7 |
[20] |
Fuller D, Gauvin L, Kestens Y, et al. Use of a new public bicycle share program in Montreal, Canada[J]. American Journal of Preventive Medicine, 2011, 41(1): 80-83. DOI:10.1016/j.amepre.2011.03.002 |
[21] |
Corcoran J, Li T, Rohde D, et al. Spatio-temporal patterns of a public bicycle sharing program:The effect of weather and calendar events[J]. Journal of Transport Geography, 2014, 41: 292-305. DOI:10.1016/j.jtrangeo.2014.09.003 |
[22] |
李黎辉, 陈华, 孙小丽. 武汉市公共自行车租赁点布局规划[J]. 城市交通, 2009, 7(4): 39-44, 38. [Li Lihui, Chen Hua, Sun Xiaoli. Bike rental station deployment planning in Wuhan[J]. Urban Transport of China, 2009, 7(4): 39-44, 38. DOI:10.3969/j.issn.1672-5328.2009.04.007] |
[23] |
吴瑶, 陈红, 鲍娜, 等. 基于多项logit模型的城市公共自行车租借需求预测模型[J]. 大连交通大学学报, 2013, 34(1): 19-24. [Wu Yao, Chen Hong, Bao Na, et al. A model development of public bicycle rental demand based on multinomial logit[J]. Journal of Dalian Jiaotong University, 2013, 34(1): 19-24. DOI:10.3969/j.issn.1673-9590.2013.01.005] |
[24] |
王在涛. 城市公共自行车系统管理模式分析[J]. 城市发展研究, 2013, 20(9): 93-97. [Wang Zaitao. Towards the modes of managing the urban bike sharing system[J]. Urban Development Studies, 2013, 20(9): 93-97. DOI:10.3969/j.issn.1006-3862.2013.09.017] |
[25] |
钱佳, 汪德根, 牛玉. 城市居民使用市内公共自行车的满意度影响因素分析——以苏州市为例[J]. 地理研究, 2014, 33(2): 358-371. [Qian Jia, Wang Degen, Niu Yu. Analysis of the influencing factors of urban residents to use urban public bikes:A case study of Suzhou[J]. Geographical Research, 2014, 33(2): 358-371.] |
[26] |
朱玮, 庞宇琦, 王德, 等. 公共自行车系统影响下居民出行的变化与机制研究——以上海闵行区为例[J]. 城市规划学刊, 2012(5): 76-81. [Zhu Wei, Pang Yuqi, Wang De, et al. Travel behavior change after the introduction of public bicycle systems:A case of Minhang District, Shanghai[J]. Urban Planning Forum, 2012(5): 76-81. DOI:10.3969/j.issn.1000-3363.2012.05.010] |
[27] |
朱玮, 庞宇琦, 王德, 等. 自行车出行行为和决策研究进展[J]. 国际城市规划, 2013, 28(1): 50-55. [Zhu Wei, Pang Yuqi, Wang De, et al. Progress of research on bicycle travel behavior and decisions[J]. Urban Planning International, 2013, 28(1): 50-55.] |
[28] |
黄彬. 杭州市公共自行车系统运行状况调查分析与展望[J]. 城市规划学刊, 2010(6): 72-78. [Huang Bin. An evaluation of Hangzhou public bicycle system[J]. Urban Planning Forum, 2010(6): 72-78. DOI:10.3969/j.issn.1000-3363.2010.06.011] |
[29] |
潘海啸, 汤諹, 麦贤敏, 等. 公共自行车交通发展模式比较[J]. 城市交通, 2010, 8(6): 40-43. [Pan Haixiao, Tang Yang, Mai Xianmin, et al. Overview of bicycle transportation development in urban areas[J]. Urban Transport of China, 2010, 8(6): 40-43. DOI:10.3969/j.issn.1672-5328.2010.06.007] |
[30] |
刘冰, 曹娟娟, 周于杰, 等. 城市公共自行车使用活动的时空间特征研究——以杭州为例[J]. 城市规划学刊, 2016(3): 77-84. [Liu Bin, Cao Juanjuan, Zhou Yujie, et al. A study on the temporal-spatial features of bicycle-sharing activities:A case of Hangzhou[J]. Urban Planning Forum, 2016(3): 77-84.] |
[31] |
罗桑扎西, 甄峰, 尹秋怡. 城市公共自行车使用与建成环境的关系研究——以南京市桥北片区为例[J]. 地理科学, 2018, 38(3): 332-341. [Luo Sangzhaxi, Zhen Feng, Yin Qiuyi. How built environment influence public bicycle usage:Evidence from the Bicycle Sharing System in Qiaobei Area, Nanjing[J]. Scientia Geographica Sinica, 2018, 38(3): 332-341.] |
[32] |
陈泳, 毛婕, 奚文沁, 等. 机动化时代大城市居民步行行为特征与需求分析——以上海中心城区为例[J]. 现代城市研究, 2016(7): 103-112. [Chen Yong, Mao Jie, Xi Wenqin, et al. Pedestrian travel behavior and needs in large chinese cities in the motorization age:A case study of the Shanghai central city[J]. Modern Urban Research, 2016(7): 103-112. DOI:10.3969/j.issn.1009-6000.2016.07.017] |
[33] |
郑思齐, 张晓楠, 宋志达, 等. 空气污染对城市居民户外活动的影响机制:利用点评网外出就餐数据的实证研究[J]. 清华大学学报(自然科学版), 2016, 56(1): 89-96. [Zheng Siqi, Zhang Xiaonan, Song Zhida, et al. Influence of air pollution on urban residents outdoor activity:Empirical study based on dining-out data from the Dianping website[J]. Journal of Tsinghua University (Science and Technology), 2016, 56(1): 89-96.] |
[34] |
Faghih-Imani A, Eluru N. Analysing bicycle-sharing system user destination choice preferences:Chicago's Divvy system[J]. Journal of Transport Geography, 2015, 44: 53-64. DOI:10.1016/j.jtrangeo.2015.03.005 |
[35] |
El-Assi W, Mahmoud M S, Habib K N. Effects of built environment and weather on bike sharing demand:A station level analysis of commercial bike sharing in Toronto[J]. Transportation, 2017, 44(3): 589-613. DOI:10.1007/s11116-015-9669-z |
[36] |
西安市人民政府.西安市2015年环境质量状况[EB/OL]. (2016-06-08)[2018-01-25]. http://www.xaepb.gov.cn/websac/cat/2003982.html. [Xi'an Municipal People's Government. 2015 Report on the State of the Environment in Xi'an[EB/OL]. (2016-06-08)[2018-01-25]. http://www.xaepb.gov.cn/websac/cat/2003982.html.]
|