《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Explaining temporal and spatial variability in shared e-scooter ridership in Christchurch, New Zealand
编辑推荐：
共享电动滑板车（e-scooters）已被广泛采用，但其骑行模式仍未得到充分理解。现有研究依赖于起讫点（origin-destination, OD）推断的行程，并使用全局模型，从而忽视了真实路径和空间异质性效应。这限制了对共享电动滑板车骑行量时空模式及其驱动
共享电动滑板车（e-scooters）已被广泛采用，但其骑行模式仍未得到充分理解。现有研究依赖于起讫点（origin-destination, OD）推断的行程，并使用全局模型，从而忽视了真实路径和空间异质性效应。这限制了对共享电动滑板车骑行量时空模式及其驱动因素的理解，降低了交通规划和政策干预的有效性。研究人员利用观测的街道分段级行程计数，通过聚类小时骑行曲线来识别时空骑行特征，从而弥补这些局限。研究人员还应用地理加权泊松回归（Geographically Weighted Poisson Regression, GWPR）来检验骑行量与情境因素之间的空间关联。结果揭示了与骑行行为明显不同的时间特征，以及骑行量与建成环境之间存在强烈的空间变化关联，而全局模型无法捕捉这些关联。研究结果表明，数据驱动的聚类可以在不假设出行目的的情况下对微出行行为进行分类。尽管研究聚焦于基督城，但该方法框架具有可转移性，适用于具有类似数据的其他城市。
共享电动滑板车（e-scooter）已在全球250多个城市推广，其普及速度常常超过政策与基础设施的发展，对城市交通系统构成挑战。电动滑板车与汽车、自行车和行人争夺道路空间，缺乏专用设施导致骑行者频繁使用人行道和自行车道，增加了安全风险。在新西兰，虽然电动滑板车被允许在人行道和共享人车路径上行驶，但法律禁止其进入专用自行车道；然而调查显示，超过90%的骑行者使用人行道，且多数用户认为人行道并非理想骑行环境。既有研究虽已识别出建成环境、人口特征对微出行使用的重要影响，但普遍依赖起讫点（Origin-Destination, OD）推断的行程数据，无法反映真实路径和街道级使用情况；同时大多数模型采用全局方法，假设空间关系恒定，忽略了空间异质性，且时间上多采用年度或总量聚合，丢失了精细的移动模式。这些局限使得同时从时空维度理解共享电动滑板车骑行量成为空白。为此，研究人员以新西兰基督城为案例，利用观测的街道分段级小时行程数据，结合时空聚类与地理加权泊松回归（Geographically Weighted Poisson Regression, GWPR），系统剖析了骑行量的时空变化及其与建成环境的关系，填补了上述研究缺口。该论文发表于《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》。
研究人员采用五阶段分析流程。数据为基督城2022年11月1日至2023年10月31日由Ride Report提供、经Waka Kotahi新西兰交通局获取的街道分段级共享电动滑板车行程计数。首先，通过热图将一周各天分为周一至周四、周五和周末三组；其次，为每个街道分段生成24小时平均骑行曲线；第三，整合情境变量，包括人口密度、社会经济剥夺指数、兴趣点（Points of Interest, POI）数量、土地利用类别及香农熵、交叉口数量、自行车道比例、公交站点数量、距停车设施距离等；第四，采用动态时间规整（Dynamic Time Warping, DTW）与Ward层次聚类对骑行曲线分组，并以轮廓分数确定最优聚类数；最后，应用GWPR分别对三个时间组建模，使用自适应双平方核和AICc选择带宽，量化各因素与骑行量的局部关联。
3.1 探索一周各天的共享电动滑板车骑行量
通过绘制总行程起点热图和平均小时曲线，研究人员发现工作日呈现早高峰（07:00–09:00）和更强下午高峰（15:00–17:00），周五下午和傍晚活动明显增多；周末曲线平坦，周六午后至晚间形成持续平台，而周日全天流量较低。夜间骑行在周末较工作日推迟。根据时间形状相似性，将周一至周四、周五和周六日分别合并分析。
3.2 分组具有相似骑行曲线的街道分段
应用DTW和层次聚类后，轮廓分数支持k=5。针对周一至周四，聚类结果识别出“混合功利型MAE”（早-午-晚均活跃）和“混合功利型MA”（早-午活跃但晚间回落）两种主要形态，前者广泛分布于城市各区域，后者集中于混合用途走廊如Riccarton Road和Hagley Park周边。周五的聚类显示“周末混合功利型”和“周末混合娱乐型”两类，前者连接通勤与休闲，分布较广；后者在CBD和主要公园附近集中，晚间活动突出。周末聚类则区分出“周末混合功利型”和“周末主要娱乐型”，后者延伸至郊区商业带和餐饮区，反映了夜间社交活动。与自行车晚间使用下降不同，电动滑板车在夜间保持较高活跃度。
3.3 探索建成环境与电动滑板车骑行量之间的关系
GWPR模型在三个时间组的调整偏差解释率约为61%。结果显示，自行车道比例是与骑行量正相关最强的变量，最大局部系数对应约44倍骑行量增加，在连接CBD的主要自行车路线上作用突出。距离停车设施每减少1米，骑行量最多增加约2%，效应集中于市中心及周边过渡区。公交站点数量的影响具有高度空间差异性，在Upper Riccarton等区域增加一个站点可使骑行量提高109%–229%，但在Edgeware则降低约16%。交叉口数量在部分区域每增加一个可带来最高约26%的骑行量增长，但在其他区域则产生负面效应，反映骑行对连续无干扰路段的偏好。社交休闲类POI和通勤办事类POI的系数大多为正，但在特定工业区或限制骑行公园出现负值。人口密度、土地利用熵等变量的局部系数显示出与全局研究不同的空间异质性，可能归因于地震后空间重组及瞬时人口未纳入模型。
讨论部分强调，关键基础设施变量在空间上呈现显著异质性。例如，Upper Riccarton地区自行车道与公交站点对骑行量呈相反关系，Edgeware地区骑行量更依赖于停车设施而非公交可达性，说明全局平均会掩盖地方差异。研究还发现，自行车道覆盖与骑行量强正相关，但现行法规不允许电动滑板车使用专用自行车道，形成了行为与政策的错配。此外，人口密度和开放空间等因素的意外结果提示，地震后重建、公园占据大面积中心区以及瞬时人口未纳入模型都可能影响系数估计。未来研究可采用地理时间加权回归（Geographically and Temporally Weighted Regression, GTWR）捕捉小时尺度变化，并纳入就业密度、天气等变量。研究结论指出：利用街道分段聚合计数结合轮廓聚类和GWPR，能在不依赖个人轨迹或人口统计信息的情况下有效揭示共享电动滑板车的时空骑行模式，并保护用户隐私。该方法框架可迁移至其他城市，为制定因地制宜的基础设施投资和监管政策提供支持。
