交通大數據︱摩拜大數據告訴我們我國城市交通的主要矛盾已經轉化為人民日益增長的騎行需求和TOD不平衡不...

07-02

「我們總是用自行車來探索世界，

一切都始於車輪上，最先在院子里，到整個街區，然後是國內路線，最後是環遊世界，比賽和拍照，騎行已經成為我的生活方式，我打破過一些記錄，也摔斷過幾根骨頭，我很幸運，能從我自行車的視角，觀察這個世界。」

電影《車輪不息》

講述了頂級山地自行車手在世界各地挑戰各種險峻的地形挑戰自己的極限和大自然的故事

編輯團隊

原文/摩拜單車數據團隊、世界銀行城市項目

校驗/ 李婷編輯/ 眾山小排版/ 薛雅寧

導讀：世界銀行的「全球環境基金可持續城市綜合方式示範項目」中，摩拜單車利用自身的出行大數據，進一步刻畫了共享單車的出現給人們生活帶來了哪些改變。值得一提的是，摩拜單車大數據顯示，共享單車已經成為了居民出行接駁公共交通的主要方式。同時，地鐵站周邊的共享單車軌跡數據顯示，共享單車的出現已經將傳統的TOD(公共交通為導向的開發)規劃中的步行800米可達圈，擴大到了騎行10分鐘的2-3公里可達圈。

○

一覽眾山小

可持續城市與交通

摩拜大數據告訴我們，我國當前城市交通的主要矛盾已經轉化為人民日益增長的騎行需求和TOD不平衡不充分發展之間的矛盾。

世界銀行執行董事會日前批准全球環境基金向「中國可持續城市發展綜合示範項目」提供贈款3273萬美元，用於在中國的7個試點城市率先推廣以公共交通為導向的開發模式(Transit Oriented Development,以下簡稱TOD)。（文末可見世界銀行相關項目鏈接）

在該項目啟動前夕，受世界銀行委託，摩拜單車大數據團隊利用共享單車用戶出行數據，研究了世行TOD試點城市重點地鐵站點周邊的出行行為，發現共享單車的出現擴大了公共交通基礎設施服務半徑。在同樣的10分鐘出行時間下，共享單車將傳統意義上地鐵站800米步行可達圈擴展到2-3公里騎行可達圈。這一發現值得引起相關決策者的注意，並反思當前實踐中基於步行距離規劃設計TOD項目的做法。隨著共享單車在接駁地鐵站過程中發揮越來越重要的作用，共享單車及自行車專用道等基礎設施也成為了TOD規劃中的重要一環，應該給予足夠的重視。（參考文獻1，請聯繫我們索取）

那麼讓我們從大數據分析結果入手，看看共享單車的出現和流行對我們普通人的生活以及城市規劃設計都帶來了哪些影響？

一輛共享單車一年健康服務2021次騎行

從第一輛車運行開始，摩拜單車的運行軌跡數據就被完整的記錄下來。提取一輛編號為No.0210019836的摩拜單車的運行軌跡，看出這輛單車在無故障運營的365天里，一共被1975個不同的人開啟，完成了2021次騎行，減少了6062.5噸碳排放，相當於種樹3.37萬棵。

精彩瞬間

視頻一、一輛摩拜單車一年 2021 次免維保健康騎行的故事

摩拜單車目前在全球180多個城市運營著700多萬輛智能共享單車，作為行業唯一基於物聯網連接和大數據運營的平台，摩拜單車每天實時監測每輛摩拜單車的運營狀況，每天積累著大量的城市共享單車出行大數據，為城市規劃者分析公共交通系統的需求和績效提供了更精準的數據來源。

共享單車彌補現有公交設施覆蓋的盲區

近期，百度地圖發布的《2017年第二季度中國城市研究報告》中，將公交盲區定義為，依據百度的註冊用戶所在的居住地周邊500米範圍內沒有公交的區域。

基於這個定義，以及百度的用戶註冊信息和摩拜單車的投放信息可以做出公交盲區和摩拜單車投放區域之間的相互關係。

以深圳為例，利用公交盲區的定義和百度用戶的註冊地位置信息，可以得到深圳所有公交盲區的分布，同時疊加摩拜提供的共享單車的位置信息，可以直觀看出共享單車很好地補充了公交盲區。

圖一、摩拜單車對公交盲區的補充（深圳） 數據來源：Baidu《2017年第二季度中國城市研究報告》

由以上圖中數據可以看出，摩拜單車投放的位置和公交盲區有了很好的疊合。

根據估算，摩拜單車的投放使得深圳市區公交基礎設施的覆蓋人口提高到99.34%。

共享單車提供接駁地鐵新方式：騎—乘—騎

根據摩拜單車大數據發現，北上廣深等多個城市地鐵周邊共享單車活躍度高。在北京，超過44%的共享單車活躍在地鐵站周邊，而上海地鐵周邊的共享單車活躍度達到51%。一種新的接駁地鐵站的方式出現：騎車+乘車+騎車。

同時，騎行用戶男女比例為46% ：54%，男女騎行比例均衡。

圖二、使用共享單車的性別情況

數據來源：摩拜單車

摩拜單車大數據反映居民的出行規律

在一線城市中間，人們的出行會保持嚴格的朝九晚五嗎？周中和周末的出行會有哪些不同呢？

同樣為一線城市的北京和廣州居民在出行時間的分布上卻呈現了不同的規律。

北京居民工作日使用共享單車的出行呈現出了規律的早晚高峰，而周末的出行量卻大大下降，同時全天較為平均。但是當我們將關注點轉到廣州後，神奇的事情發生了，與北京相比，在工作日，廣州居民使用共享單車的出行並沒有出現明顯規律的早晚高峰，除去我們通常意義理解的早晚高峰，全天都有多個小高峰出現，廣州和北京的差異一度讓我們懷疑數據的準確性。通過多次校核數據，我們最終確定數據準確無誤。最後，通過跟身邊的廣州同事聊天，我們終於找到了這差異背後可能的原因。廣州的自由職業者一直比例較高，所以居民的出行不會較為集中。另外廣州有早茶、午茶和晚茶的茶市文化，也可能較為合理地解釋工作日和周末居民出行與北京相比規律性差這一差別。

所以，交通往往與地方的經濟社會背景息息相關，摩拜單車大數據第一次直觀地反映了這一關聯性。

圖三、北京和廣州居民工作日和周末共享單車出行規律 數據來源：摩拜單車2017年7月訂單數據（縱坐標表示折算後的訂單相對量）

摩拜單車大數據為TOD的識別優先區域

提供依據

TOD規劃以及後期的建設過程中，常常需要選擇優先改造的地鐵站。而選擇標準中，很重要的一點就是站點周邊使用公共交通出行的活躍度，公共交通客流量和非機動交通佔比較高的站點往往具備成為TOD的先天優勢。

還是以北京為例，我們統計騎行地的起點和終點落在所有地鐵站周邊以及地鐵線路沿線的騎行的訂單數據總數，並進行相應的排序。

圖四、北京地鐵站以及地鐵線路騎行熱度排名 數據來源：Baidu《2017年第二季度中國城市研究報告》

從以上騎行數據可以看出，北京熱度排名較前的地鐵站點，集中在工作中心、購物中心、交通換乘中心或者大型居住區附近。這些站點可以優先考慮作為應用TOD原則進行規劃的試點區域，將不同用地類型結合起來。

TOD規劃空間範圍的定義應該因地制宜

傳統的TOD規劃核心區域覆蓋地鐵站點周邊800米的範圍。而這個800米的範圍是依據步行可達圈來定義的，但是現在共享單車成為很多人到達和離開地鐵站的首選工具之一，那麼是否應該重新定義地鐵站的服務範圍？

北京上地地鐵站和深圳南山地鐵站周邊的騎行軌跡數據的分析結果顯示，答案是肯定的。

圖五、摩拜單車軌跡數據顯示地鐵站的騎行輻射範圍 數據來源：摩拜單車7月份軌跡數據

圖中橙色實心點是地鐵站所在的位置，橙色陰影區域是每個地鐵站周邊10分鐘騎行可達的區域，相比於灰色陰影範圍所代表的傳統意義上地鐵周邊的800米可達圈，騎行10分鐘已經在一定程度上提高了地鐵站周邊居民的可達性。

但是，當實際騎行軌跡（圖中亮藍色區域）匹配到地圖上以後，我們可以發現，人們使用自行車的騎行軌跡已經遠遠超出騎行10分鐘的範圍。統計發現，85%的騎行軌跡集中在4-5公里範圍內。

對於普通民眾來說，共享單車的出現，有效減少了公交站點和線路的覆蓋盲區——原本因為步行時間過長而不願意使用公共交通出行的市民，通過共享單車提供的便利，能夠在可接受的時間範圍內方便地到達和離開地鐵站。這種出行方式的轉變，對於減緩交通擁堵、減少因出行產生的碳排放都具有深遠的影響。

對於城市規劃設計人員和城市管理政策制定者而言也很有啟發：

1）「騎行-乘車-騎行」的出行模式因為共享單車的出現變得有吸引力，在規劃層面應該順應這種趨勢，將自行車停放點以及自行車專用道的規劃與公交站點的建設統籌考慮；

2）在城市層面制定TOD發展願景和戰略的時候，可以藉助共享單車的出行數據識別地鐵站周邊的公共交通出行活躍度，幫助選擇可以優先推動TOD的區域；

3）在站點周邊規劃設計層面，應該重新審視TOD 的空間範圍，不局限於步行可達距離覆蓋範圍，在更大區域內統籌安排土地利用類型和業態形式，促成混合用途的緊湊型社區。

文末鏈接：

1.世界銀行英文博客

https://blogs.worldbank.org/sustainablecities/understanding-transit-oriented-development-through-bike-sharing-big-data

2.世界銀行中文博客

https://blogs.worldbank.org/sustainablecities/zh-hans/understanding-tod-through-bike-sharing-big-data

2.世界銀行：中國可持續城市發展綜合示範項目

英文版本:

http://www.worldbank.org/en/news/press-release/2017/07/27/chinas-cities-to-provide-more-mobility-with-fewer-cars-through-gef-grant

中文版本：

http://www.shihang.org/zh/news/press-release/2017/07/27/chinas-cities-to-provide-more-mobility-with-fewer-cars-through-gef-grant

特別感謝摩拜數據團隊：尹大飛、李婷、白勇、田德山、孫壯壯、薛雅寧、丁一然、Stella

參考資料

下載