0 引言
互联网租赁自行车作为一种新型共享式交通工具，有效弥补了公共交通出行“前后一公里”接驳距离远、接驳时间长的短板，尤其对改善地铁出行接驳服务质量、提升地铁出行吸引力具有积极作用，甚至在疫情期间的主要交通功能由接驳其他公共交通方式转变为承担完整的出行[1]。然而城市职住用地不均衡、通勤出行潮汐现象等原因容易导致车辆供需不平衡，进而引发局部地区或时段出现车辆短缺或过剩、停放秩序混乱等问题。因此，对轨道站点周边互联网租赁自行车接驳特性进行研究，将有利于把握不同轨道站点周边互联网租赁自行车的使用规律，进而针对不同类型、不同活跃度的轨道站点周边互联网租赁自行车的调度与秩序监管制定相应的措施，提高互联网租赁自行车的使用效率，改善停放秩序。
国内外相关研究发现，轨道站点布局是影响互联网租赁自行车投放的重要因素，轨道交通与互联网租赁自行车出行具有相互促进的作用[2⇓⇓-5]：一方面轨道交通服务会引起互联网租赁自行车使用量的增加；另一方面，互联网租赁自行车接驳可促使轨道分担率上升，同时使轨道站点的服务半径相比步行接驳有明显的提升。不同服务性质的轨道站点周边互联网租赁自行车接驳量在早晚高峰时段表现出明显的潮汐特性[6⇓-8]，互联网租赁自行车接驳距离、用户使用忠诚度（同一用户使用车辆的频次）等特征也有明显差异[9-10]。按用地性质特征的不同，轨道站点可分为居住导向型、就业导向型和职住混合型三类[6⇓⇓⇓-10]，其中就业导向型轨道站点周边互联网租赁自行车呈现出早高峰流出晚高峰流入的特点，而居住导向型轨道站点附近的互联网租赁自行车则呈现相反的趋势，因此就业导向型和居住导向型两类轨道站点容易产生互联网租赁自行车租还差异；就接驳服务范围而言，职住混合型轨道站点相对较小，其次是居住导向型站点，最大的是就业导向型轨道站点。目前，针对互联网租赁自行车在不同类型轨道站点周边的租还差异的量化评价模型较少，云婷等[11]和王家川等[12]提出了不平衡性量化计算模型以及分级治理方法，但评估模型的计算与应用易受限于区域等级划分及公交站点密度等因素的限制。
综上，现有研究大多针对轨道站点与互联网租赁自行车接驳的基础特征指标单独进行研究，缺乏定量评估轨道站点周边互联网租赁自行车使用不均衡性和接驳整体特征的综合评价方法。鉴于此，本文对轨道站点周边互联网租赁自行车的接驳特征进行研究，提出一种基于熵值加权的轨道站点与互联网租赁自行车接驳活跃度综合评价方法；基于工作日早晚高峰互联网租赁自行车到达与出发接驳活跃度差异，构建高斯混合聚类模型对轨道站点进行分类，旨在实现基于互联网租赁自行车自身数据测算接驳活跃度，弱化城市用地特性及其他公共交通方式出行强度变化等因素对算法应用的制约，为不同类型轨道站点周边互联网租赁自行车接驳活跃程度评价提供新的思路。
1 数据采集与数据处理
为分析轨道站点周边互联网租赁自行车接驳特征，需划定轨道站点周边互联网租赁自行车的接驳范围，并对骑行接驳数据进行提取、清洗和预处理。
1.1 骑行数据准备
选取2020年10月12日—16日典型工作日的北京市域范围互联网租赁自行车骑行常态化样本数据，所选日期天气良好适宜自行车出行。
互联网租赁自行车骑行样本数据涵盖车辆编码、开锁时间、关锁时间、开锁点经纬度、关锁点经纬度、骑行距离等主要字段。为减少由于GPS定位误差、数据传输障碍等原因产生的异常数据，需对原始数据进行清洗，并根据骑行距离和骑行时耗等条件筛选有效数据，以提高计算结果的准确度。数据清洗和筛选条件包括：
（1）订单唯一性：唯一编码车辆在同一时刻只保留唯一骑行记录；
（2）经纬度有效性：骑行开、关锁经纬度在北京市经纬度范围内；
（3）日期对应性：骑行关锁时间所在日期与日期标记一致；
（4）数值合理性：骑行距离大于0，骑行时耗大于0。
基于清洗后的有效数据，统计每日各小时骑行量与24小时总骑行量的比值（即图1 中“小时骑行量占比”）分布情况，确定互联网租赁自行车使用的高峰时段分别为7：00—9：00和17：00—19：00。
1.2 轨道站点接驳范围确定
当互联网租赁自行车一次骑行过程的开锁或关锁位置位于轨道站点周边一定范围内时，则认为该骑行过程属于轨道站点的“接驳行为”，该范围为“接驳范围”。本文将以轨道站点各出入口为中心点、其周边一定范围的 六边形蜂窝网格[13]所圈定的区域确定为接驳范围。相比于直接以轨道站点为中心、固定半径范围区域为接驳范围[14]的方法，本方法灵活性更高，可避免因不同轨道站点的建筑规模、出入口数量及位置分布等特征差异而引起接驳范围划定偏差、覆盖不全等问题。如图2 所示，以北京市六里桥地铁站出入口A为例，其经纬度分别为 和 ，首先生成A所在的 网格，记为 ，网格中心到顶点与边的距离分别为24.9m和21.6m，以 网格为中心，生成其周围的5层同级网格，上述网格合围的范围记为A的接驳范围 ，其接驳半径 约为238m。以相同的方法生成出入口 、 、 、 和 的接驳范围 、 、 、 和 ，则六里桥地铁站的互联网租赁自行车接驳范围为S六里桥=SA⋃SB⋃SC⋃SD⋃SE⋃SF。据此生成北京全市轨道站点的接驳范围，进而提取符合接驳条件的互联网租赁自行车骑行数据。
2 轨道站点周边互联网租赁自行车接驳活跃度综合评价
2.1 互联网租赁自行车接驳特征指标构建
相关研究发现[15]，人口与工作岗位密度是影响互联网租赁自行车使用最重要的两个因素，其次是可达性及交通设施设备因素（如互联网租赁自行车与地铁站的距离），多种因素共同作用导致不同轨道站点接驳服务特性存在差异。其中，人口与岗位分布直接决定互联网租赁自行车的使用需求，进而影响接驳量、使用车辆数、单车周转率等骑行需求相关指标；可达性及交通设施设备因素则会间接影响公众选择互联网租赁自行车接驳的意愿，导致接驳距离、接驳速度等骑行效率相关指标的变化。因此，为综合评价轨道站点与互联网租赁自行车接驳的活跃度，本文选取接驳量、接驳率、接驳距离和接驳周转率4个基础指标对轨道站点周边互联网租赁自行车的基本接驳特征进行分析。指标选取与模型构建阶段使用本文第1节中提到的处理后的10月12日—15日的样本数据。
（1）接驳量
接驳量指工作日高峰时段内互联网租赁自行车在轨道站点周边的接驳骑行量（单），直接反映轨道站点周边互联网租赁自行车接驳出行的强度。
（2）接驳率
接驳率指工作日高峰时段轨道站点每百人次进出客流中互联网租赁自行车接驳骑行量的占比。接驳率越高表明该轨道站点客流中选择互联网租赁自行车进行接驳的比例越高。其计算公式如下：
式（1）中： 为轨道站点 的工作日高峰接驳率（单/百人次）； 为轨道站点 的工作日高峰接驳骑行量（单）； 为轨道站点 的工作日高峰进出站客流总量（人次）。
（3）接驳距离
接驳距离指工作日高峰时段轨道站点周边互联网租赁自行车接驳的平均骑行距离。该指标反映轨道站点的服务范围和客流吸引半径。接驳距离越大，说明轨道站点的服务范围越广，人工调度的距离和时间成本越高。其计算公式如下：
式（2）中： 为轨道站点 的工作日高峰接驳距离（km/单）； 为轨道站点 的第 条接驳出行骑行距离（km）； 为轨道站点 的工作日高峰接驳骑行量（单）。
（4）接驳周转率
接驳周转率指工作日高峰时段内用于轨道交通接驳的互联网租赁自行车的平均使用次数，即轨道站点接驳骑行量与具有唯一编码车辆数的比值。该指标反映轨道站点周边用于接驳的互联网租赁自行车的使用繁忙程度；单车周转率越高表明该轨道站点周边用于接驳的互联网租赁自行车使用频次越高。其计算公式如下：
式（3）中： 为轨道站点 的工作日高峰接驳周转率（单/辆）； 为轨道站点 的工作日高峰接驳骑行量（单）； 为轨道站点 的工作日高峰接驳车辆数（辆）。
2.2 互联网租赁自行车接驳活跃度综合评价
基于上述基础特征指标，进一步构建接驳活跃度指数来综合评价轨道站点周边互联网租赁自行车的使用活跃度。接驳活跃度指数越大，表示轨道站点周边互联网租赁自行车的接驳需求和骑行效率越高。
首先，基于识别到的有互联网租赁自行车接驳的314个轨道站点早晚高峰样本数据集（共含2×314组数据样本），计算4种接驳特征指标的Pearson相关系数进行相关性检验，结果如表1 所示，发现任意两个指标之间均呈弱相关关系，可以使用熵权加权法进行集计计算。
表1 不同接驳指标的Pearson相关系数 |
| 接驳量 | 接驳率 | 接驳距离 | 接驳周转率 | |
|---|---|---|---|---|
| 接驳量 | 1.0 | 0.27 | -0.12 | 0.14 |
| 接驳率 | 1.0 | -0.36 | 0.05 | |
| 接驳距离 | 1.0 | -0.32 | ||
| 接驳周转率 | 1.0 |
在此基础上，采用Min-Max标准化方法对上述特征指标进行归一化处理，进而采用熵值加权法[16]确定不同指标的计算权重。接驳活跃度指数的计算公式为：
式（4）中： 为轨道站点 的工作日高峰接驳活跃度指数； 为轨道站点 的归一化接驳量； 为轨道站点 的归一化接驳率； 为轨道站点 的归一化接驳周转率； 为轨道站点 的归一化接驳距离； , , 和 分别为接驳量、接驳率、接驳周转率和接驳距离的加权系数。
式（5）~式（7）中： 为样本数量； 为标准化处理后的第 项指标下第 个样本值； 为第 项指标下第 个样本的指标比重； 为第 项指标的熵值； 为第 项指标的权重值。
2.3 轨道站点接驳服务特性聚类
不同轨道站点在不同出行时段往往表现出不同的接驳活跃度差异，通过对比早晚高峰时段轨道站点周边互联网租赁自行车到达和出发的接驳活跃度指数的差异，对不同服务特性的轨道站点进行聚类，可为不同站点周边的互联网租赁自行车使用管理提供支撑[17]。
分别计算早高峰和晚高峰时段轨道站点周边互联网租赁自行车到达和出发的接驳活跃指数之比，计算方法分别为：
式（8）中： 为轨道站点 的工作日早高峰时段互联网租赁自行车到达和出发的接驳活跃指数之比； 为轨道站点 的工作日早高峰到达接驳活跃度指数； 为轨道站点 的工作日早高峰出发接驳活跃度指数。
式（9）中： 为轨道站点 的工作日晚高峰时段互联网租赁自行车到达和出发的接驳活跃指数之比； 为轨道站点 的工作日晚高峰到达接驳活跃度指数； 为轨道站点 的工作日晚高峰出发接驳活跃度指数。
为进一步量化上述接驳活跃度差异，分别以 和 作为两个输入参数，利用高斯混合模型[18]（Gaussian Mixture Model, GMM）对轨道站点的接驳服务特性进行聚类分析。高斯混合模型输入参数的概率分布 可表示为 个高斯分布的混合形式：
式（10）~式（11）中： 为模型中基本高斯分布函数的个数； 为第 个高斯分布的混合系数； 为高斯模型的输入参数； 为 的第 个高斯概率密度； 为第 个高斯分布的均值； 为第 个高斯分布的标准差。
最后通过极大似然估计法估计高斯联合分布的参数，利用期望最大化算法进行求解，得到给定聚类数时的轨道站点聚类结果。
3 实例分析
以本文第1节中确定的轨道站点周边的接驳范围与2020年10月16日北京市域范围的接驳骑行数据为例，对第2节中的算法进行验证，其结果如下。
3.1 轨道站点周边互联网租赁自行车接驳特征分析
（1）接驳量
工作日高峰时段北京市全市轨道站点的互联网租赁自行车接驳量分布如图3 所示，接驳量排名前10的站点如表2 所示。接驳量较高的站点有东直门站、十里河站和西二旗站，多位于交通枢纽或商业聚集区。
（2）接驳率
工作日高峰时段北京全市轨道站点互联网租赁自行车接驳率分布如图4 所示，接驳率排名前10的站点如表3 所示。结果表明，位于居住和工作岗位聚集区的轨道站点周边互联网租赁自行车的高峰接驳率普遍高于位于商业聚集区的轨道站点。
（3）接驳距离
工作日高峰时段北京全市轨道站点互联网租赁自行车接驳距离分布如图5 所示，接驳距离排名前10站点如表4 所示。长距离接驳轨道站点主要分为两类：一类是位于城市核心区，距离住宅和商业区较远且易受交通管制影响的轨道站点；另一类是位于远郊区县的终点站或换乘站，以园博园、亦庄火车站、天通苑北为代表。居住型和工作型轨道站点则表现出短距离接驳的特征。
（4）接驳周转率
工作日高峰时段北京全市轨道站点周边互联网租赁自行车接驳周转率分布如图6 所示，周转率排名前10站点如表5 所示。接驳周转率较高的轨道站点可分为两类：一类是位于远郊区的大客流站点，主要集中于房山区、昌平区，如长阳站、沙河站等；另一类是城区与远郊临界处的重点换乘站，如宋家庄站、立水桥站等。
3.2 轨道站点周边互联网租赁自行车接驳活跃度分析
工作日高峰时段，北京市轨道站点周边互联网租赁自行车接驳活跃度指数分布如图7 所示。接驳活跃度指数较大的站点主要在居住型和工作型用地集中分布区域，如西二旗站、青年路站，以及早晚高峰换乘需求较大的站点，如10号线的十里河站等。
基于式（8）和式（9），统计北京市工作日早晚高峰时段轨道站点互联网租赁自行车接驳活跃度差异，结果见图8 。早高峰到达与出发接驳活跃度指数比值较高的轨道站点集中于一号线西段、六号线西四环和东五环外站点、回龙观片区、天通苑片区、东南三环至五环、八通线、房山线等居住密集区域；晚高峰到达与出发接驳活跃度指数比值较高的轨道站点集中于东四环、西四环、南二环和北五环形成的空间范围内，并在中关村软件园、丰台科技园、国家展览馆3个方向上延伸。
相较于直接使用早晚高峰出发与到达接驳量差异来评价轨道站点周边互联网租赁自行车的使用特征，基于接驳活跃度指数差异的评价结果不仅考虑了轨道站点周边接驳量的绝对值，同时兼顾了轨道站点周边互联网租赁自行车接驳的相对占比高低、接驳车辆的使用强度以及接驳范围的大小，更能综合表征不同轨道站点周边互联网租赁自行车的使用特征。晚高峰时段典型轨道站点的到达/出发接驳活跃度指数比值与到达/出发接驳量比值的对比如图9 所示，二者的差异较大。以回龙观东大街站与八角游乐园站两个典型轨道站点为例，其各项接驳评价指标值如表6 所示。晚高峰时段回龙观东大街站周边互联网租赁自行车的到达与出发接驳量比值小于八角游乐园站，但到达与出发接驳活跃度指数比值大于八角游乐园站，这是综合其他指标的结果。
3.3 轨道站点接驳特性聚类结果
基于轨道站点在早、晚高峰时段到达和出发接驳活跃度差异，根据式（10）和式（11），对轨道站点进行基于服务特性的聚类。当设定聚类数为3时，聚类结果如图10 所示。
根据聚类特点可将3类轨道站点分别定义为居住型接驳轨道站点、工作型接驳轨道站点和职住平衡型接驳轨道站点，其数量分别占轨道站点总量的25.4%, 13.9%和60.7%。居住型站点早高峰的到达与出发接驳活跃度指数比值向左偏离1，而晚高峰则向右偏离1，如天通苑北站早高峰到达与出发接驳活跃度差异值为0.28，晚高峰为3.34；工作型站点早高峰的到达与出发接驳活跃度指数比值向右偏离1，而晚高峰则向左偏离1，如五道口站早高峰到达与出发接驳活跃度差异为2.64，晚高峰为0.47；职住平衡型站点早、晚高峰的到达与出发接驳活跃度指数比值左右趋近于1，如西直门站，早晚高峰到达与出发接驳差异分别为1.11和0.91。
各类型轨道站点的特征总结如表7 所示。
表7 轨道站点聚类结果 |
| 站点类型 | 接驳特征 | 周围用地 特征 | 典型站点 |
|---|---|---|---|
| 居住型 | 早高峰综合接驳活跃度到达远大于出发，晚高峰则相反 | 居住用地 相对集中 | 天通苑站、 长阳站、 回龙观站等 |
| 工作型 | 早高峰综合接驳活跃度出发远大于到达，晚高峰则相反 | 工作岗位 相对集中 | 西二旗站、 知春路站、 荣昌东街站等 |
| 职住 平衡型 | 早晚高峰出发和到达的接驳活跃度较为均衡 | 职住分布 比较均匀 | 国贸站、 长椿街站、 东直门站等 |
由表7 可知，聚类得到的轨道站点类型与常规印象具有较高的一致性：
（1）居住型接驳轨道站点周边以居住用地为主，岗位分布不集中，其接驳特征通常表现为早高峰骑行接驳客流主要从居住地大规模流入轨道站点，到达接驳活跃度远高于出发接驳活跃度，晚高峰骑行接驳客流主要从轨道站点流出到居住地，出发接驳活跃度远高于到达接驳活跃度。
（2）工作型接驳轨道站点的特征则与居住型站点相反，周边以商业用地为主，居住人口不集中，早高峰骑行接驳客流主要从轨道站点流出去往工作地，出发接驳活跃度远高于到达接驳活跃度，晚高峰骑行接驳客流主要从工作地流入轨道站点，到达接驳活跃度远高于出发接驳活跃度。
（3）职住平衡型接驳轨道站点周边职住用地分布较为均衡，骑行接驳客流虽然有明显的早晚高峰特征，但是早晚高峰的到达与出发特征无明显的方向性和潮汐现象。
表8 居住型与工作型轨道站点到达和出发接驳活跃度 差异排名前5站点 |
| 轨道站点 类型 | 轨道站点 名称 | 到达和出发接驳活跃度差异 | |
|---|---|---|---|
| 早高峰 | 晚高峰 | ||
| 居住型 | 天通苑北 | 0.28 | 3.34 |
| 沙河高教园 | 0.31 | 3.32 | |
| 霍营 | 0.20 | 3.10 | |
| 北运河西 | 0.31 | 2.94 | |
| 后沙峪 | 0.56 | 2.83 | |
| 工作型 | 上岸 | 3.23 | 0.18 |
| 北安河 | 3.03 | 0.00 | |
| 枣营 | 2.94 | 0.50 | |
| 望京东 | 2.76 | 0.45 | |
| 五道口 | 2.64 | 0.47 | |
进一步观察典型轨道站点周边的互联网租赁自行车服务空间特征。居住型接驳轨道站点以天通苑站为例，早高峰到达天通苑的骑行订单的出发点分布如图11 所示。天通苑站点周边以高密度住宅用地为主，且在其东侧分布较为集中。受此影响，天通苑站周边早高峰互联网租赁自行车的到达接驳活跃度远高于出发接驳活跃度，晚高峰出发接驳活跃度远高于到达接驳活跃度，接驳范围呈“西近东远”的带状分布特征。工作型接驳轨道站点以西二旗站为例，早高峰从西二旗站出发的骑行订单的到达点分布如图12 所示。西二旗站点周边以高密度商业用地为主，西侧中关村软件园和上地软件园聚集大量通勤人员。受此影响，西二旗地铁站周边早高峰互联网租赁自行车的出发接驳活跃度远高于到达接驳活跃度，晚高峰到达接驳活跃度远高于出发接驳活跃度，接驳范围呈“西南强、东北弱”的分布特征。
上述结果表明，北京市轨道站点周边接驳服务特性的整体均衡性较低，对于不同类型的轨道站点宜采取不同的互联网租赁自行车管理措施。居住型和工作型接驳轨道站点应重点关注接驳高峰时段的车辆调度、骑行环境疏通和车辆停放秩序问题，并针对客流的方向性进行差异化管理。职住平衡型接驳轨道站点应最大化发挥站点流入和流出车辆的自我平衡机制，对接驳情况持续监测，制定有效的车辆短缺或过剩、骑行客流拥堵等措施预案，避免高峰时段进出客流较多而产生大量交叉冲突以及停车乱象。
4 结语
本文基于互联网租赁自行车出行数据，构建了一种基于熵值加权的轨道站点周边互联网租赁自行车接驳活跃度综合评价方法，并基于早晚高峰互联网租赁自行车接驳活跃度差异，建立了针对轨道站点接驳服务特性的高斯混合聚类方法，将轨道站点分为居住型、工作型和职住平衡型三类。本研究不受限于城市用地特性以及其他公共交通方式出行强度变化等因素的影响，具有较高的便捷性和复用性，但也因此在接驳骑行的识别精确度等方面有所欠缺，未来考虑结合轨道站点周边土地利用与上盖开发情况进行改进与完善，使接驳活跃度量化评价更精准。