《Transportation Research Interdisciplinary Perspectives》:What prevents people from urban cycling? Investigating impacts of wind speed, car ownership, and public transport use in three European cities
编辑推荐:
本研究利用为期六个月的骑行激励计划数据,考察了与天气和被动出行方式相关的因素对塔林(爱沙尼亚)、布拉加(葡萄牙)和伊斯坦布尔(土耳其)日常骑行的重要性。研究人员采用混合效应有序Probit模型(mixed-effects ordinal probit mode
本研究利用为期六个月的骑行激励计划数据,考察了与天气和被动出行方式相关的因素对塔林(爱沙尼亚)、布拉加(葡萄牙)和伊斯坦布尔(土耳其)日常骑行的重要性。研究人员采用混合效应有序Probit模型(mixed-effects ordinal probit models)分析每周骑行频率。在天气方面,研究人员聚焦于风速;在被动出行方式方面,研究人员纳入了私人汽车拥有量和公共交通使用情况。研究发现,在全部三个城市中,风速与骑行频率呈负相关,布拉加的估计系数为?0.125(p < 0.001),伊斯坦布尔为?0.079(p < 0.001),塔林为?0.058(p < 0.001)。私人汽车拥有量同样与骑行频率呈负相关,布拉加的系数为?0.423(p < 0.001),伊斯坦布尔为?0.419(p < 0.001),塔林为?0.949(p < 0.001);而公共交通使用情况在三个城市中均与骑行频率呈正相关:布拉加为0.225(p值 = 0.003),伊斯坦布尔为0.339(p值 = 0.015),塔林为0.714(p值 < 0.001)。这些发现表明,促进骑行的努力可受益于缓解强风暴露的基础设施,以及减少对私人汽车依赖的政策。
**论文解读:风速、私人汽车拥有量与公共交通使用对城市骑行频率的影响——基于布拉加、伊斯坦布尔和塔林的实证分析**
### 1. 研究背景与问题
将骑行融入城市日常生活,既是交通、公共健康、环境问题,也是城市设计挑战。以往研究已证实主动出行对心血管健康等具有显著益处,骑行也被视为减少汽车依赖、降低排放、缓解拥堵和提升城市品质的重要手段。然而,单纯提供骑行基础设施并不能保证骑行率的提升,地方情境、设计、天气条件以及感知安全等因素均可能发挥关键作用。在此背景下,天气因素(尤其是风速)以及出行者更广泛的机动性环境(如私人汽车拥有量和公共交通使用)如何与骑行行为相互作用,仍缺乏充分的多城市实证证据。
既有文献关于风速对骑行影响的研究结论并不一致:部分研究显示风速增加会降低骑行概率和骑行时长,但也有研究未发现显著关联,甚至在个别情境下发现正相关。私人汽车拥有量与骑行之间的关系也因出行目的而异,汽车拥有可能替代日常通勤骑行,却可能与休闲骑行共存。公共交通与骑行之间则既存在互补关系(如骑行衔接公共交通)也存在替代关系(如共享单车取代公交)。因此,有必要在统一的分析框架内,利用跨城市的个体层面纵向数据,实证检验这些因素与骑行频率的关联是否具有跨情境一致性。
### 2. 研究目的与数据方法
本研究利用2022年BICIFICATION骑行激励计划中布拉加(葡萄牙)、伊斯坦布尔(土耳其)和塔林(爱沙尼亚)三个城市的试点数据,将24周GPS记录的骑行活动与参与者的问卷调查及天气数据相结合,共纳入696名活跃参与者(布拉加262人、伊斯坦布尔219人、塔林215人)。研究对象为自愿加入激励计划且已表现出骑行兴趣的人群。数据来源包括注册问卷(提供人口统计特征、驾驶执照、私人汽车拥有量、公共交通使用情况和自述骑行频率)、BICIFICATION行程记录(通过Pin Bike套件和智能手机应用采集时间戳、轨迹和距离)、以及OpenWeather提供的小时级天气观测。主要分析方法为分别对三个城市估计混合有序Probit模型(mixed ordered probit model),以应对重复测量(参与者-周)的非独立性,并允许各城市的关联效应不同。
### 3. 主要研究结果
**3.1 描述性统计结果**
三个城市样本在人口和出行特征上存在显著差异。伊斯坦布尔男性占比最高(88%),塔林性别分布最均衡(55%男性、45%女性)。自述“每天骑行”的比例高于实际观测到“每天骑行”的比例,这一差异在三个城市中均存在。
**3.2 风速与骑行频率的关联**
针对研究问题RQ1,三个城市中较高风速均与每周骑行频率呈显著负相关:布拉加系数B=?0.125(p<0.001),伊斯坦布尔B=?0.079(p<0.001),塔林B=?0.058(p<0.001)。该结果与纽约、鹿特丹及荷兰非全日制通勤骑行者的研究一致,表明风速是影响骑行频率的重要环境制约因素。
**3.3 私人汽车拥有量与骑行频率的关联**
针对研究问题RQ2,私人汽车拥有量在三个城市样本中均与骑行频率呈负相关:布拉加B=?0.423(p<0.001),伊斯坦布尔B=?0.419(p<0.001),塔林B=?0.949(p<0.001)。这支持了已有文献中汽车可获得性降低日常骑行概率的结论,但由于数据未包含出行目的,无法区分通勤骑行与休闲骑行的差异。
**3.4 公共交通使用与骑行频率的关联**
针对研究问题RQ3,公共交通使用与骑行频率在三个城市中均呈正相关:布拉加B=0.225(p=0.003),伊斯坦布尔B=0.339(p=0.015),塔林B=0.714(p<0.001)。这一结果与使用公共交通者更常使用共享单车的证据一致,可能反映了两类低碳出行方式在环保意识层面的协同,但无法确认两者是否在同一行程中实现衔接。
**3.5 意外发现:自述骑行频率与实测骑行频率的差异**
研究发现自述骑行频率系统性地高于GPS记录的骑行频率。自述与实测完全匹配的比例在布拉加为14.4%,伊斯坦布尔为15.5%,塔林为20.7%。配对样本t检验表明三个城市中自述与实测频率均存在显著差异。这一差异可能源于社会期望偏差、回忆不准确、问卷参考时段与观察时段不一致,以及记录系统未捕获部分骑行活动,但具体机制未直接检验。
**3.6 局限性**
城市模型单独估计,系数方向可跨样本比较,但幅度不宜直接作为效应量对比。参与者为自愿加入激励计划者,结果可能无法推广至非骑行者和普通人群。模型未纳入温度、降水等其他天气变量,也未控制地形、出行距离、土地利用、骑行基础设施、安全性等潜在混杂因素。私人汽车拥有量未测度实际可及性或使用频率,公共交通使用仅为二元指标。24周观察期未覆盖完整年度周期,负的周数系数可能反映季节性、项目参与度衰减或时间趋势。
### 4. 讨论与结论
本研究通过连接24周GPS记录的骑行行为与问卷及天气数据,在三个欧洲城市中识别出一致的关联模式:较高风速和私人汽车拥有量均与更低的每周骑行频率显著相关,而公共交通使用与更高的骑行频率相关。在控制周数和参与者特征后,这些关联依然稳健。此外,自述与实测骑行行为的低一致性(仅约15%的匹配率)表明,在评估骑行习惯和项目效果时,问卷调查应与重复行为观测相结合。
对于城市规划,研究结果提出三个需进行本地化评估的优先领域:骑行路线沿线的风暴露条件、使骑行成为汽车出行可行替代品的政策环境,以及骑行与公共交通之间的衔接关系。但需强调,公共交通使用与骑行频率的正向关联仅反映参与者的出行模式特征,并不能证明两种方式在同一行程中被组合使用。本研究的贡献在于提供了个体层面的跨城市证据,表明在三个差异显著的城市环境中,环境和机动性因素与骑行频率的关联具有一致性,且该关联存在于已参与骑行激励计划的人群之中。未来研究应通过更长时间跟踪、更广泛样本和准实验设计,检验风防护措施、汽车需求管理及骑行-公共交通整合干预对实际骑行频率的因果效应。