舒洪畅

（北京建筑大学测绘与城市空间信息学院，北京102616）

1 概述

共享单车起源并流行于我国，是→点式公共自行车的新型演变和升级，因其绿色环保、成本低、便捷的特点方便了居民出行[1]。现阶段探究共享单车的时空特征具有重要的理论和实践意义[2]。

现有研究聚焦共享单车的起点或终点的时空特征分析[3-4]，较少有研究关注共享单车的流动特征，并且缺少量化共享单车流动特征的方法。在研究区域选择方面，现有研究主要关注较大尺度的城市区域，如周超[5]和周荣[6]等人分别以南京市和武汉、西安为例探究单车在工作日、休息日及早晚高峰等时段的空间分布和使用情况，目前还没有针对北京市老城区的共享单车时空特征分析的研究。本研究以北京老城区的街区为研究对象，提取共享单车流动的时空特征，以此定量街区对单车的吸引力，并提出了顾及街区内和街区间的单车流动时空特征的街区相似度计算模型，挖掘单车与城市功能区的关系。

2 研究区概况与数据准备

2.1 研究区概况

本文的研究区域为北京市老城区，包括东城区和西城区两个行政区，总用地面积约为92.5 平方公里。该范围内人口高度聚集，分布着众多与老城居民日常生活息息相关的区域和场所。

2.2 数据准备

本研究获取了北斗导航位置服务平台提供的北京市共享单车位置数据，该数据记录包括城市区域代码、共享单车企业代码、车辆编号、经纬度、单车状态和时间等条目信息。选取时间为2018 年3 月23 的北京市东、西城区的单车数据，共有324342 条记录。这些数据基于用户完全自发的骑行行为，可以较客观地反映用户流动特点和空间需求。

北京老城区一共有183 个街区，每个街区面积大约0.4-1 平方公里。如图1 所示，本文根据规划方面的文字图集资料识别了93 个居住类型街区[7]。

图1 北京市老城区居住街区分布图

3 研究方法

3.1 共享单车流动特征提取

本文在McKenzie 等学者基于道路网络距离提取流动特征的方法[8]基础上，设计了基于街区间距离提取单车流动特征的方法，从时空维度表征街区对单车的吸引力，为建立街区相似度计算模型提供基础。

3.1.1 街区单车流动数量空间特征

为了能够定量描述单车流入街区的空间分布，统计了从不同街区流入街区的单车数量。具体公式如下。

式中V 为空间维度街区对单车吸引力，c 是流入街区的单车数量，N 是目的地街区与起始街区质心的欧式距离。

3.1.2 街区单车流动数量时间特征

为了能够定量描述单车流入街区的时间分布，将一天分为4 个时段，分别是早上（5 点-10 点）、中午（10 点-15 点）、下午（15 点-20 点）、晚上（20 点-5 点），统计了从不同街区流入街区4 个时段的单车数量百分比。具体公式如下。

式中：T 为时间维度街区对单车吸引力，t 是一天4个时段的从不同街区出发的单车数量百分比，N 是目的地街区与起始街区质心的欧式距离。

3.2 街区相似度计算模型

为定量反映街区对单车吸引力的差异性，本文引入了余弦相似度的计算方法，计算方法如公式（3）所示，该方法是通过计算两个向量内积空间的夹角的余弦值来表征相似度，可以避免街区的面积和单车流动数量存在显著差异时给计算结果带来的影响，余弦值越接近1，说明度量对象之间的差异程度越小。为了同时衡量时空维度街区对单车的吸引力，所以采用加权组合的方法来计算街区的相似度，计算公式如（4）所示。

式中Weightedsimilarity为加权后的街区相似度计算结果，simV，simT分别为单车流动数量空间和时间维度的街区相似度计算结果，WV,WT为指标的权重，其中WV+WR=1。

4 结果与分析

4.1 居住街区单车流动特征分析

根据第3 章量化的街区单车流动空间特征的方法，如图2 所示以柱状图的方式展示居住街区单车流动数量的空间分布，其中在街区距离为0 时代表了在居住街区内的单车流动数量，其余的代表了单车在居住街区与不同距离街区间的流动数量。

图2 居住街区单车流动数量空间分布

表1 居住街区单车在街区内和街区间流动数量比例

由图表可知，居住街区在街区内的单车流动数量一共有35138 次。在街区间的单车流动数量随距离的增加先迅速增加后逐渐减少，其中60.52%的单车在1km-2km 的街区间流动。

根据第3 章量化的街区单车流动时间特征的方法，如图3 所示以柱状图的方式展示居住街区单车流动数量的时间分布，横坐标表示一天中的4 个时间段，纵坐标表示单车流动数量的百分比。

图3 居住街区单车流动数量时间分布

由图可知，居住街区在街区内的单车流动数量以白天时段为主且在白天时段分布较为均匀。而在街区间的单车流动以早上和下午为主，并且在晚上时段也有部分单车在流动，可能是晚上其他公共交通停止运营后居民选择共享单车跨区域出行。

4.2 居住街区相似度计算结果分析

根据第3 章街区相似度计算方法，并通过多次实验比较后确定指标权重为WV=0.4，WT=0.6。如图4 所示是93*93 的居住街区相似度结果矩阵，图中颜色越深表示街区的相似度越高，其中剔除了矩阵对角线为1 的相似度结果。

图4 居住街区相似度结果矩阵

如表2 所示，计算每个居住街区与所有居住街区相似度的平均值并分组统计，目的是为每一个居住街区生成一个唯一的相似度值，从而作为定量街区对单车吸引力的依据，继而进一步验证街区对单车的吸引力越接近的街区越相似。

表2 居住街区相似度分组统计

如图5 所示，分别在每组中选取三个街区对单车吸引力接近的居住街区进行空间可视化分析。图5（a）中三个街区的相似度分别为0.811、0.815、0.823，通过查看电子地图发现，这三个街区中具有高密度居住类型的建筑，如庆丰胡同小区、百万庄小区、广安门住宅小区；图5（b）中三个街区的相似度分别为0.758、0.763、0.766，相较于图5（a）中的居住街区，这三个街区内部道路较宽，对外开放性较强；图5（c）中三个街区的相似度分别为0.730、0.723、0.732，这三个街区中虽然以居住类型的建筑为主，但街区内有其他配套功能，如长安商场、北京第二实验小学前门分校、中海国际中心；图5（d）中三个街区的相似度分别为0.650、0.655、0.689，这三个街区内部道路宽，不仅对外开放性更强，而且相较于前三组街区，街区的功能混合明显，均是以居住类型为主的多样化街区。

图5 街区相似度值接近的居住街区举例

5 结论

由于城市居民出行模式受到城市功能区域分化的影响，相应的居民出行特征也一定程度上反映了城市的功能布局。本文利用共享单车位置数据，对北京老城区街区的单车进行了流动时空特征提取，并通过相似度计算方法进一步挖掘了单车与城市功能的关系。此外，通过对实验结果的深入分析，证明了本文所提出的顾及街区内和街区间单车流动特征的街区相似度计算模型的有效性。本文得到的研究结果可以为城市规划、共享单车管理等提供参考。

但是，本文只针对共享单车的位置数据进行研究，数据源比较单一，因此接下来的研究工作中将引入多种数据源对居民出行特征与城市功能区的关联进行研究。