城市建成環境對共享單車出行影響的時空特征
——以深圳市為例

項振海，李 青，洪 良，盛 杰，班鵬飛

（1.昆明理工大學 建筑與城市規劃學院，昆明 650500；2.廣東國地規劃科技股份有限公司，廣州 510070）

國家“雙碳”戰略背景下，綠色、低碳出行成為城市交通可持續發展的核心議題。共享單車作為城市慢行交通的重要組成部分，在滿足居民出行、便捷居民換乘等方面發揮了顯著作用，可有效緩解城市交通擁堵以及“最后一公里”問題，對實現交通“雙碳”減排目標至關重要（Guo et al., 2022）。近年來，共享單車的快速發展，深刻改革著城市交通系統和居民原有的出行方式（Fishman et al.,2013），逐漸成為民生“剛需”。因此，研究共享單車出行規律及其影響因素，對重塑以慢行、公共交通為主導的低碳交通和城市友好騎行環境建設具有現實意義。

出行時空特征及影響因素一直是交通行為領域的重要課題，已有研究主要聚焦“起點-訖點”交通網絡視角下共享單車出行時空特征及建成環境影響，包括2方面：1）基于某日中單一時間切片的共享單車出行的起點、目的地，或聚集區域內共享單車的借車、還車量，探析其出行時間分布及距離、空間熱點等格局（邵海雁 等，2023）。有學者通過對共享單車起訖點、借還站點、出行目的地等數據分析其時空分布規律，發現共享單車出行以短距離為主，起訖點在空間上總體呈現聚集特征（羅桑扎西 等，2018；周艷 等，2023），時間上則呈現明顯的早晚高峰特征，且早高峰到達量大于晚高峰（高楓 等，2019）。此外，部分學者通過對用戶起訖點需求預測，結合城市公共交通換乘站點布局、人口聚集特征和商業、居住、餐飲等城市空間要素，對共享單車活動熱力、使用頻率和空間聚集特征等進行分析，為共享單車站點布局提供支持（Tang et al., 2017；郭源園 等，2023）。2）城市建成環境作為解構環境的重要組成元素，其對共享單車出行行為的持續影響也引起諸多學者的討論。如Cervero等（1997）最早從建成環境“3Ds”維度探討其對出行行為的影響，即密度（Density）、多樣性（Diversity）、設計（Design），而后國外部分學者從居住密度、就業密度、人口密度、商業設施密度（如零售業）、土地利用混合度等指標，探討了建成環境對自行車出行的影響（Cervero, 2002; Rixey,2013）。隨著研究的深入，學者們基于建成環境“3Ds”維度增加出行距離、交通可達性2 個因子，形成經典的建成環境“5Ds”分析模型（Munshi,2016；申犁帆 等，2018；黃灃爵 等，2023）。部分學者增加城市緊湊度、交通可達性、路網密度、地鐵站點數量等指標，分析其對共享單車出行需求的影響（莫海彤 等，2019；楊林川 等，2023）。部分研究發現，人群密度、道路網密度、公交線路數量、地鐵站點數量、城市綠道長度是影響共享單車出行的關鍵積極因素（孫藝玲 等，2018）。伴隨著地理大數據的大量涌現，學者們多基于共享單車OD數據、POI數據等多源數據，采用地理探測器模型（王勁峰 等，2017）、地理加權回歸模型（曹小曙 等，2020）、多尺度地理加權回歸模型（Meng and Zacharias, 2021；黃颙昊 等，2022）等方法探討城市建成環境對共享單車出行的影響。

綜上，國內外相關研究不斷豐富，但尚有待思考之處：1）共享單車出行的時空特征方面，已有研究聚焦于起訖點、出行目的地及用戶出行OD 數據，缺乏共享單車出行軌跡的時空特征分析，及多時段、長時間序列下對共享單車出行特征的觀察。共享單車出行軌跡蘊含著豐富的交通運行狀態信息，其時空特征能系統、全面地揭示道路交通運輸場景及城市建成環境對出行行為的影響（周艷 等，2023）；2）建成環境對共享單車出行影響的時空特征方面，影響因素雖廣泛應用經典“5Ds”分析模型，但變量選擇主要聚焦于客觀的物質空間環境，較少關注“人本尺度”的建成環境指標，缺乏使用者對建成環境主觀感知和體驗維度的因子考量，如街道騎行空間舒適性（天空開敞度、綠視率、建筑連續程度、圍合度）、安全性（相對步行寬度、交通安全設施占比）等建成環境要素。而使用者對街道騎行空間環境的主觀感官評價，對其出行選擇、出行意愿等方面有較大影響（Chen et al., 2020）?；诖?，以深圳市為例，利用共享單車OD 數據、OSM路網數據、百度街景及POI等多源大數據，分析共享單車出行的時空特征，并基于建成環境“5Ds”指標，運用MGWR 模型，解析建成環境對共享單車出行流量影響的時空差異。以期為友好騎行環境的建設、城市慢行空間打造提供決策依據。

1 研究設計

1.1 研究區域

選取深圳市福田、羅湖、南山3個市轄區作為研究區域（圖1），面積為325 km2、人口約449.28萬。深圳是全國首批低碳試點城市、公交都市建設示范城市及國家可持續發展議程創新示范區，其作為科技創新之都，共享單車發展迅速，共享單車出行已成為市民出行的重要方式之一。此外，福田、羅湖、南山3個區為深圳的城市中心和副中心，是居住、就業人口聚集的主要區域，且為共享單車投放的主要區域。

圖1 研究范圍Fig.1 Study Area

1.2 數據與變量選擇

1.2.1 數據來源 本研究主要數據包括共享單車數據、OSM 路網數據、百度街景及POI 數據。1）共享單車數據為2021-04-08—14一周內的美團用戶數據，包括用戶ID編號、出行起止時間、出行時長、出行的起點和終點坐標等信息。對研究范圍內一周出行OD數據進行預處理，剔除使用時間＜2 min及人工調度、異常使用、數據缺失、字段相同的重復記錄，進一步使用ArcGIS 10.8對起訖點進行提取，剔除“O”點或“D”點在研究范圍外的數據，最終選取有效數據993 669條；2）深圳市路網數據源于OpenStreetMap官網①www.openstreetmap.org。在GIS平臺根據研究范圍對路網數據進行裁剪、清洗與拓撲化處理，并在交叉口處打斷后獲得共計4 692 個街道段。同時，為確保能識別穿過街道的騎行軌跡與建成環境特征，基于實際情況對每個街道段創建50 m 的帶狀緩沖區。該范圍基本包括道路范圍及其周邊建筑、開敞空間和綠地等可能對行人騎行活動產生影響的區域；3）百度街景數據獲取于百度街景應用程序接口②http://lbsyun.baidu.com。通過Python 程序于2023 年9 月獲取街景全景圖像25 619張，并運用在MIT ADE20K數據集上預訓練的PSPNet 模型識別并測算街景圖片中包括天空、綠植、建筑以及道路等街道建成環境要素的面積占比；4）POI數據獲取于高德地圖API接口。通過Python程序爬取2023年9月的設施點數據，涵蓋餐飲、辦公、商業、酒店、休閑娛樂及基礎設施等16個大類，對于描述街道功能多樣性以及站點空間分布具有優勢?？紤]不同等級道路兩側的空間布局形式，通過GIS平臺與研究范圍內各街道緩沖區相交后共計得到227 751個POI點位。

1.2.2 變量選擇 為科學解釋建成環境對共享單車出行的影響作用，借鑒建成環境經典“5Ds”分析模型，從5個維度進行自變量甄選，共15項建成環境因子（表1）。密度表征的是人口的聚集程度，是共享單車出行行為的關鍵動力，通過城市主要功能密度如餐飲、購物娛樂設施、居住設施、就業設施密度進行度量（Gao et al., 2021）。用地功能的多樣性是城市活力的重要因素，間接影響居民出行動機與出行行為選擇，因此選取功能混合度作為影響因子。對于共享單車出行，街道建成環境是居民出行的主要推力，包括出行空間舒適性和出行環境安全性2 方面。借鑒相關研究（司睿 等，2021；王娜等，2021），設計維度選擇天空開敞度、街道綠視率、建筑連續程度、圍合度及相對步行寬度、交通安全設施占比6個因子。同時，目的地可達性維度選取接近度作為驅動因子，通過sDNA 模型計算，以反映路網的中心性與可達性。一般而言，共享單車與地鐵、公交換乘，成為居民解決“最后一公里”的普遍選擇，因此，距離維度選取距地鐵站和公交站最近距離2個因子。

表1 共享單車時空分布特征的影響因子Table 1 Factors influencing the spatio-temporal distribution characteristics of shared bicycles

1.3 研究方法

1.3.1 路徑匹配算法 本文所獲取的共享單車數據為每位騎行者的OD 數據，均為只包含一個“O”點和“D”點的獨立軌跡數據，但自行車在2 個間斷點間有多條距離相近的通行路徑可供選擇。為此，需要對共享單車用戶的OD 軌跡進行還原。首先，運用路徑匹配算法對OD 間潛在的路徑進行求解，并保留潛在路徑中出行距離最短的前3條路徑；其次，從騎行者角度出發，結合潛在路徑的距離、通行時間、通行路段信號燈、交叉口數量以及轉彎次數等因素，分析各條候選路徑的通行性（王杰等，2022）；最后，將候選路徑通行時間與實際訂單時長進行對比，綜合各項指標校驗，還原騎行者最合適的出行軌跡。

1.3.2 多尺度地理加權回歸（MGWR） 由于地理加權回歸模型存在各影響因素作用下的空間過程尺度相同的局限性，Fotheringham 等（2017）基于廣義加性模型提出多尺度地理加權回歸。該方法在經典地理加權回歸模型基礎上，改進了變量間只能選擇相同帶寬的缺陷，通過對各變量設置不同的帶寬，使其呈現不同的尺度特征。每個自變量根據黃金搜索算法選擇各自最優帶寬進行回歸建模，使其結果更接近真實并具有解釋力。計算公式為：

式中：k為街道段的數量；xij為第j個預測變量；(ui，vi)為街道段i的質心坐標；βbwj代表第j個變量回歸系數的帶寬；εi為隨機誤差項。采用MGWR 2.2進行模型計算并完成可視化分析。

1.4 技術路線

首先，采用共享單車OD數據、道路網絡數據，通過路徑匹配算法對用戶的OD 軌跡進行還原，分析共享單車出行流量的時空變化特征；其次，根據建成環境“5Ds”維度選擇變量，利用POI 數據、百度街景、道路網絡數據等建成環境指標因子，通過空間自相關、多元線性逐步回歸模型對變量進行篩選，將滿足條件的建成環境指標作為自變量與各時段共享單車路段出行流量進行MGWR模型構建；最后，運用MGWR 模型探析不同建成環境要素對各時段共享單車路段出行流量影響的時空差異（圖2）。

圖2 建成環境對共享單車出行影響的時空特征技術路線Fig.2 Technical route of spatio-temporal trajectories of built environment's effects of shared bicycles

2 共享單車出行的時空特征

根據還原的共享單車軌跡數據統計可知（圖3），首先，一周內共享單車出行頻數較為均衡，周四由于天氣因素（小雨）影響除外；其次，共享單車在一天內不同時段的使用頻數也呈現較為明顯的分異特征，即一天內共享單車使用頻數最高的時間段為早、晚高峰期。其中，工作日共享單車出行的早晚高峰時間分別為T 07:00—09:00和T 17:00—19:00；而休息日早、晚高峰時間有所延遲，為T 08:00—10:00和18:00—20:00；特別的是，在休息日受外出游玩等因素的影響，在午餐后的T 14:00—16:00形成共享單車出行的次高峰。因此，為了更直觀分析共享單車出行的時空分異特征，選取具有代表性的一周內周三、周日早、晚高峰時段進行分析。

圖3 各時段共享單車使用頻數Fig.3 The number of shared bikes used in each period

2.1 共享單車出行的分時段特征

圖4顯示，工作日和休息日早、晚高峰時段內共享單車出行均呈現一定的空間聚集現象，但各時段的熱點區域空間分異顯著。首先，在城市中心（福田商務中心區）、副中心（科技園、羅湖口岸片區）呈現聚集現象，并在研究區域西側形成北環大道—科技園—深圳大學—后海的熱點軸，中部形成“蓮花山—市民中心—會展中心”熱點軸以及東側“人民公園—國貿—深圳站—羅湖口岸”熱點軸，在空間上呈現“多核集聚、帶狀延伸”的空間格局；其次，在工作日早高峰時段，共享單車出行主要聚集于科技園區、蛇口港和市民中心等商務辦公區，晚高峰主要聚集于荔林、大新及香蜜湖等以居住為主的區域。已有研究表明，工作日早高峰時段騎行目的地空間分布主要集中于中央商務區，晚高峰則以居住地、公共交通站點片區等為主（高楓等，2019），這與本研究基本一致。而休息日的早晚高峰時間段內，熱點區域主要分布在深圳灣公園、陽基商業廣場和來福士廣場等休閑區域。

圖4 共享單車工作日和休息日早晚高峰路段流量Fig.4 The traffic flow of shared bicycles during the morning and evening peak hours on rest days and working days

2.2 共享單車出行距離與時長分布

通過對一周內所有樣本的出行距離、時長進行統計，得出其概率密度分布和累計分布。由圖5-a可知，共享單車出行以短時間通行為主，平均出行時長為14.3 min。出行時長為6～10 min的用戶最多，占比為36%，超過83%的騎行者出行時間都在20 min以內。從圖5-b可知，共享單車出行以短距離為主，平均出行距離約為1.8 km，出行距離為0.8～1.5 km 的用戶占比最多（35%），約88%的用戶出行距離都在3 km以內。由此可知，居民的共享單車出行具有短距離、短時間特征，且這種出行方式在地鐵、公交“最后一公里”接駁方面較為普遍。

圖5 共享單車出行時長（a）和距離分布（b）Fig.5 Duration (a) and distance distribution (b) of shared bicycles

3 建成環境對共享單車出行的影響

3.1 建成環境指標篩選

首先，將建成環境指標因子進行空間自相關分析，結果表明選取的15項變量具有很強的空間自相關性，符合后續模型構建要求。從全局莫蘭指數的統計數據看，其中人口密度、接近度、距地鐵站最近距離和就業設施密度具有非常強的聚類特征（表2）；其次，以各時段共享單車路段出行流量作為因變量，將15項建成環境指標進行標準化處理后作為自變量，導入SPSS 軟件進行多元線性逐步回歸分析。通過檢驗，各項自變量的VIF值均＜7.5，說明模型不存在多重共線性問題。由模型回歸結果可知（見表2），各項因子的顯著性水平在4個時段內存在差異，且部分因子在部分時段并不顯著。因此，進一步將各時段表現顯著的變量，分別與對應時段的共享單車出行流量一起參與GWR模型及MGWR模型的構建。

表2 建成環境空間自相關與多元線性逐步回歸結果Table 2 Diagnostic results of spatial autocorrelation and multiple linear stepwise regression of built environment

3.2 模型對比

對比經典GWR和MGWR模型回歸結果（表3）可知：MGWR 模型在工作日、休息日各時段的AICc值均低于GWR，同時其模型擬合優度R2更高，對研究范圍內共享單車出行流量變化的解釋度平均高達85.2%。此外，GWR模型在各時段對建成環境要素均賦予相同帶寬，忽略了變量在不同尺度下的作用程度，從而會對模型回歸系數造成一定誤差。而MGWR模型在各時段的不同變量均有不同帶寬，考慮不同建成環境要素的作用尺度和時空間差異，從而獲得更為真實的擬合效果。綜上，MGWR 模型在解釋建成環境對共享單車出行影響的時空變化差異時更為適用，各時段回歸模型結果見表4所示。

表3 經典GWR和MGWR模型回歸結果Table 3 Regression results of classical GWR and MGWR models

表4 MGWR模型回歸結果統計Table 4 Statistics of MGWR model regression results

3.3 建成環境對共享單車出行影響的時空差異

3.3.1 建成環境對單車出行影響的時間差異 進一步對表4所列回歸結果進行解析，并將部分具有連續時段變化特征的因子回歸結果整理后繪制成隨時段變化的箱線圖，同時繪制各變量回歸系數均值線與顯著性程度變化線（圖6）?？梢娫趧澐值墓ぷ魅占靶菹⑷赵?、晚高峰4個時間段內，各項建成環境因子在不同時段出現變量影響力和解釋度間的差異。從建成環境的“5Ds”維度進行解析：

圖6 建成環境要素的回歸系數及變量解釋度變化趨勢Fig.6 The trend of regression coefficients and variable interpretation of built environment factors

1）密度

人口密度、居住與就業設施密度在各時段對出行流量整體均具有正向作用，但居住設施密度的解釋度不高（5.43%～13.54%）。一方面可見人群的相對聚集、“居住地-工作地”的職住設施密度分布有利于促進居民的早晚高峰騎行選擇與出行活動（Gao et al., 2021；黃灃爵 等，2023），另一方面居住設施密度在建成區內部整體分布的相對均等性也可能導致該類設施的影響力具有明顯的局部效應；購物娛樂設施密度對出行流量整體具有負向作用，且在工作日晚高峰具有較高的解釋度（70.52%）。這可能是由于居民購物消費、娛樂等行為在早晚高峰時段的“流出狀態”，導致該類設施難以有效吸引以通勤為目的的騎行聚集。

2）多樣性

功能混合度在休息日的早高峰對出行流量整體具有正向作用，但整體解釋度極低（6.74%）。該結果證實已有研究認為的街道設施多樣性促進居民騎行行為這一觀點（黃灃爵 等，2023），同時也可能由于福田、羅湖和南山三區作為深圳市行政、經濟及居住中心，其商務辦公、休閑娛樂、購物等設施的廣泛分布，導致街道兩側的設施多樣性整體差異不大。

3）設計

出行空間舒適性方面，天空開敞度對出行流量具有正向作用，但整體解釋度極低（5.43%～6.78%），這可能由于研究區域的高密度建設特征，導致該促進效果的低解釋性；街道綠視率在各時段對出行流量具有正向作用，且在休息日的解釋度更高。這表明街道內舒適的景觀環境構成有利于吸引居民騎行行為的聚集（古維迎 等，2022），且該促進效應在休息日更為普遍；建筑連續程度在工作日晚高峰對出行流量具有正向作用，可見街道兩側連續的界面構成有助于居民的日常騎行活動；圍合度在各時段均具有負向作用，表明街道各類設施的密集布置反而會抑制居民的出行選擇。

出行環境安全性方面，相對步行寬度在工作日晚高峰、休息日早高峰對出行流量具有負向作用，且變量解釋度相對較高（79.07%～79.75%）。雖然已有研究證實適宜的步行寬度更易促進街道內慢行行為的發生（司睿 等，2021），但對于通勤行為來說，以機動車道為主的街道空間更適合承載早晚高峰居民出行選擇；交通安全設施占比在早晚高峰對出行流量整體具有正向作用，但整體解釋度極低（8.78%～16.01%）。這表明街道內安全舒適的空間庇護環境在一定程度上吸引通勤時段下出行車流的聚集，但街道安全設施沿高等級路段相對聚集則限制了該正向作用的大范圍輻射。

4）目的地可達性

已有研究認為，良好的街道通達性有利于步行可達范圍內居民的出行選擇與活動（司睿 等，2021）。但在本研究中，接近度在休息日晚高峰對出行流量整體具有較為強烈的負向作用，這可能由于休息日居民出行多以城市近郊的戶外休閑活動為主，從而導致高路網可達的街道反而并不具有高頻的出行流量。

5）距離

距地鐵站最近距離在各時段對出行流量整體具有強烈的負向作用，但在工作日早晚高峰及休息日晚高峰的解釋度不高（21.23%～26.17%）。該結果驗證了地鐵站點臨近性對共享單車出行的正向促進這一觀點（嚴亞磊 等，2020）。但基于中心便利性原則的地鐵站點布置則導致該影響效果的局部差異；距公交站最近距離對早晚高峰出行流量整體均具有負向作用，但變量解釋度整體極低（0～28.11%）。一方面說明深圳市內公交站點的空間臨近性引起共享單車出行行為的聚集（郭源園 等，2023），另一方面也可能由于深圳市中心城區交通站點的相對均衡布局導致其差異不大。

3.3.2 建成環境對單車出行影響的空間差異 在空間作用尺度上（見表4），MGWR 通過計算各變量最優帶寬反映不同變量影響力變化的空間分異格局。在本研究中，不同變量在各時段的最優帶寬差異明顯，即各變量的影響力存在差異化的空間分布特征。如就業設施密度、圍合度及接近度的作用尺度為4 676～4 692，占街道段總樣本量的100%，是全局變量，其影響力在空間上變化最為穩定，基本不存在空間異質性。而街道綠視率在工作日的作用尺度為167～266，占總樣本量的3.56%～5.67%，則存在較大的空間異質性。因此，為描述各指標影響效應的空間差異，用ArcGIS 10.8 對各時段變量解釋度較高的部分因子進行系數可視化。其中部分變量空間格局如圖7所示。

圖7 部分建成環境回歸系數的空間分布Fig.7 Spatial distribution of regression coefficients of partially built environment

各變量的影響力差異表現為：就業設施密度在工作日晚高峰及休息日早高峰變化平緩且整體由東向西梯度遞增，高值區域聚集于南山區西側。休息日晚高峰整體由西向東遞增，高值區域轉向羅湖區東側；圍合度在工作日早晚高峰及休息日早高峰變化平緩且整體呈西高東低分布，高值區域集中于深圳灣沿岸。休息日晚高峰整體由兩側向中心遞增，高值區域多集中于福田區；接近度在休息日晚高峰變化平緩且整體呈西高東低分布，高值區域聚集于深圳灣沿岸；購物娛樂設施密度在工作日晚高峰整體由福田區西側向南山區遞增，其高值區域聚集于前海沿岸；距地鐵站最近距離在工作日晚高峰及休息日早高峰變化平緩且整體呈西低東高分布，高值區域多聚集于福田西側及羅湖區；建筑連續程度在工作日早晚高峰變化較為明顯且整體由兩側向中心遞增，高值區域多聚集于福田區；相對步行寬度在工作日晚高峰變化較為明顯且多分布在3個區的南部，高值區域聚集于南山及福田的城市中心。休息日早高峰呈西低東高分布，高值區域聚集于福田區；人口密度在工作日早高峰變化明顯且局部聚集于南山大學城及蛇口片區、福田區等地，其中高值區域多聚集于福田。工作日晚高峰及休息日早晚高峰整體變化趨于平緩且高值區域隨時段變化由羅湖區向南山區轉移；街道綠視率在工作日變化明顯且局部聚集于蓮花山公園、荔枝公園、香蜜湖等自然景觀區域。休息日整體變化趨于平緩且呈西低東高分布，高值區域多聚集于羅湖區。

4 結論

本文采用共享單車出行OD數據、OSM道路數據、百度街景及POI等多源大數據，選取深圳市福田、羅湖、南山3 個市轄區作為研究區域，運用MGWR 模型探析不同建成環境對共享單車出行流量影響的時空差異，主要結論為：

1）共享單車出行的時空分布異質性明顯。從時間上看，共享單車在一天內不同時段的使用頻數不同，使用頻數最高的時間段為早、晚高峰。其中工作日早、晚高峰時段分別為T 07:00—09:00 和17:00—19:00，休息日早、晚高峰為T 08:00—10:00和18:00—20:00；從空間上看，工作日和休息日早、晚高峰時段內共享單車出行的熱點區域多聚集于城市中心、副中心，并在空間上呈“多核集聚、帶狀延伸”的分異格局。此外，共享單車出行以短時間、短距離為主，平均出行時長為14.3 min，平均出行距離約為1.8 km；

2）各變量對共享單車出行流量的影響的時間差異明顯。人口密度、就業設施密度與街道綠視率在各時段均具有正向作用，圍合度在各時段具有負向作用，其中街道綠視率在工作日早晚高峰的影響力具有局部效應；工作日晚高峰時段，購物娛樂設施密度具有負向作用，而建筑連續程度具有正向作用；工作日晚高峰及休息日早高峰時段，相對步行寬度與距地鐵站最近距離均具有負向作用；接近度在休息日晚高峰具有負向作用。

3）各時段影響較為顯著的變量在空間作用尺度差異明顯。就業設施密度與圍合度在各時段上的空間變化整體平緩；接近度、購物設施密度及距地鐵站最近距離在部分時段上的空間變化整體平緩；建筑連續程度和相對步行寬度在部分時段的空間變化整體較為明顯；人口密度及街道綠視率在不同時段具有差異化的空間變化特征。其中，人口密度在工作日早高峰變化明顯且呈局部聚集，而在工作日晚高峰及休息日早晚高峰變化平緩。街道綠視率在工作日變化明顯且呈局部集聚，而在休息日整體變化較為平緩。

針對上述分析，為優化城市友好騎行環境、重塑城市慢行交通，可從3個方面著力：①合理布局及增加地鐵、公交站點，實現居民出行的高效接駁、便捷換乘，建設連續成網、便捷接駁、環境友好的騎行環境；②結合城市更新進行街道空間改造，有條件地區可增加非機動車交通空間，并注重街道綠視率、圍合度等街道微觀環境營造；③可適當對城市主要交通干道交叉口、隔離欄進行改造，如增加非機動車專用信號燈、待轉區等，保障騎行的安全性與通暢性。

本文基于共享單車出行OD 等多源數據，對其出行軌跡進行還原，分析工作日、休息日多時段長時間序列下共享單車出行的時空特征，并在已有客觀物質空間環境變量的基礎上引入人群主觀感知與體驗維度的微觀建成環境因子，運用MGWR 模型探析不同建成環境對共享單車出行流量影響的時空差異，彌補已有關于共享單車出行時空特征及建成環境影響研究的不足，可為城市友好騎行環境的建設、慢行空間打造提供參考。但由于數據獲取的限制，本研究也存在一定不足，如未考慮共享單車用戶群體的社會經濟屬性、人群真實的主觀感知與體驗等，未來可在此框架基礎上進一步豐富建成環境因子的多維性，結合共享單車用戶的社會經濟屬性與行為特征，更深入地研究共享單車出行與建成環境的關系。