建成环境对共享单车轨道接驳的非线性作用研究

Research on the Nonlinear Effect of the Urban Built Environment on Shared Bicycles Connecting to Rail Transit

摘要: 为探究建成环境对共享单车与轨道交通接驳的复杂影响，本研究以上海市为案例，提出结合聚类分析与分位数回归的分析框架。研究首先利用多源数据和K-means算法，将轨道站点依建成环境特征划分为“城市中心型”与“城市边缘型”。通过构建分位数回归模型，深入剖析了建成环境要素对接驳量与骑行距离的非线性影响及阈值效应。研究核心发现：建成环境的影响具有显著的非线性特征，且因站点类型而异。对城市边缘型站点，人口、就业及主干路网密度是关键的积极因素；而城市中心型站点则更依赖于土地利用混合度的提升。此外，模型揭示了部分变量在不同分位点上影响效应会发生变化，体现了传统线性模型无法捕捉的阈值关系。本研究成果可为优化共享单车设施布局及制定精细化城市规划策略提供科学依据。

Abstract: To investigate the complex effects of the built environment on the connection between shared bicycles and rail transit, this study uses Shanghai as a case study to propose an analytical framework that combines cluster analysis and quantile regression. The research first utilizes multi-source data and the K-means algorithm to classify rail transit stations into “urban center” and “urban fringe” types based on their built environment characteristics. By constructing a quantile regression model, the study provides an in-depth analysis of the non-linear impacts and threshold effects of built environment factors on the volume and riding distance of these connection trips. The core findings reveal that the impact of the built environment is significantly non-linear and varies by station type. For urban fringe stations, population density, employment density, and main road network density are key positive factors. In contrast, the effect of land use mix is more prominent for urban center stations. Furthermore, the model reveals that the influence of certain variables changes across different quantiles, demonstrating threshold effects that traditional linear models cannot capture. The results of this study can provide a scientific basis for optimizing the layout of shared bicycle facilities and for formulating refined urban planning strategies.

1. 引言

随着城市化进程的加速和轨道交通网络的扩张，解决“第一/最后一公里”的出行难题已成为提升城市公共交通系统整体效率的关键。共享单车以其灵活性、便捷性和高可达性，已成为接驳轨道交通的主流方式之一[1]。然而，轨道站点周边普遍存在高峰期单车“潮汐现象”——无车可用或车辆淤积，以及停车设施不足或布局不合理等问题，严重影响了用户体验和城市管理效率。上海，作为拥有全球最庞大轨道交通网络和成熟共享单车市场的特大城市，为研究二者的整合提供了绝佳的范例。大量研究证实，上海市的共享单车使用在空间上与轨道交通站点高度耦合，骑行活动呈现出以地铁站为中心的放射状分布格局，表明“单车 + 地铁”已成为市民日常出行的常态化模式。

在出行方式上，共享单车逐渐取代传统的长距离步行接驳与短距离公交接驳。单车接驳轨道交通会推进人们进行短途出行。李芮智等[2]人发现单车骑行普遍集中于轨道站点辐射半径30 m内，在30 m外范围的单车借还空间分布趋于分散，在排除一部分极端长距离异常数据，得到轨道站点骑行距离阈值为2.3 km。在出行目的上，单车接驳轨道交通主要的出行目的为上下班与上下学。张海等[3]人面向西安4号线单车接驳轨道乘客进行问卷调查，发现有25%及以上的乘客为通学或通勤类出行，且客流主要集中于行政中心站，站点汇集了大量的行政人员以及需求办理业务的居民，有明显的早晚高峰特征。在接驳设施上，杨敏等[4]人建立轨道交通多方式组合出行行为模型，发现自行车道，机非分隔栏不足以及地铁站内无充足停车设施是造成自行车接驳不便的关键，建议规划轨道交通过程中设定相应的自行车停放区域，对自行车停放密集区统一有序管理。在换乘接驳上，万涛[5]通过计算得出进站接驳停车点距离最近出入口平均距离39 m，出站接驳取车点到最近出入口距离约为46 m。二者之间的差异说明部分轨道出行者在出站后无法及时取车，需寻车要步行更远的距离。

建成环境，作为城市居民日常活动的空间载体，深刻影响着人们的出行方式选择[6]。现有研究普遍证实了建成环境(如人口密度、土地利用混合度、路网设计等)与单车轨道接驳行为之间的相关性[7] [8]。Chen等[7]发现人口密度、餐饮与商场数量对单车客流量有显著正向影响。李国强等[8]指出，路网密度、住户与岗位数量对接驳方式选择有显著作用。然而，以往的研究大多采用传统的线性回归模型(如OLS、空间回归模型) [9] [10]，其基本假设是建成环境因素与骑行行为之间呈线性关系。这一假设忽视了在不同城市空间背景下，各因素影响可能存在的非线性特征和阈值效应。例如，当商业设施密度超过某一阈值后，其对单车接驳的吸引力可能不再增长，甚至因过度拥挤而下降。线性模型无法捕捉这种复杂的动态关系，从而可能导致规划建议的偏差。

为了弥补这一研究空白，本文引入分位数回归(Quantile Regression)方法。该方法无需假设数据呈正态分布，对异常值稳健，且能通过分析自变量在因变量不同分位数水平上的影响变化，有效揭示其非线性作用。本研究旨在实现以下目标：(1) 基于建成环境特征，对上海市轨道站点进行科学分类，以识别不同城市功能区域的内在差异；(2) 运用分位数回归模型，量化并剖析建成环境各要素对单车轨道接驳量与骑行距离的非线性影响；(3) 根据模型结果，为城市规划和交通管理部门提供精细化、差异化的优化策略。

需要明确指出的是，本研究具有鲜明的历史性视角，所采用的共享单车数据来自2016年。自该年以来，上海的城市建成环境、轨道交通网络以及共享单车市场本身都经历了深刻的变化。此外，研究中用于解释2016年出行行为的人口分布数据来源于2000年的第五次人口普查，二者间存在长达16年的时间错配。因此，本研究并非意图描绘当前共享单车与轨道交通的互动全貌，而是将自身定位为对共享单车在中国特大城市发展初期特定阶段的一次“历史性”分析，以期为理解其后续演变提供一个重要的基准。

2. 研究区域与数据

2.1. 研究区域

本研究选取中国上海市作为案例。上海拥有全球最长的轨道交通网络和高度发达的共享单车市场，为研究两者的融合提供了理想的样本。截至2021年底，上海轨道交通运营线路达20条，车站508座，工作日日均客流超千万人次。同时，市内共享单车投放量巨大，摩拜单车等企业市场占有率高，其数据具有良好的代表性。

2.2. 数据来源与预处理

本研究单车数据以摩拜单车为基础。摩拜单车公司提供相应数据。数据选自2016年8月23个工作日的订单数据，包括306,936辆独立单车与17,688名用户的1,023,603份共享单车订单。每条记录包含订单ID、用户ID、起止时间、起止点经纬度坐标及骑行轨迹。

建成环境数据包括人口数据，路网数据、兴趣点(POI)数据和房价数据。其中人口数据来自中国第五次人口普查，路网数据通过开放街道地图(Open Street Map, OSM)进行获取，POI数据的常用渠道为高德地图，本研究数据来自2016年高德地图网络服务。数据具体处理过程如下：

(1) 提取典型工作时间区间(6:00~23:00)内有效数据。

(2) 以上海行政区划为边界，剔除范围之外的异常数据，以及不满足单车骑行短途特征的异常出行，移除里程10 km以上或平均骑行速度30 km/h以上的异常数据。

(3) 根据订单起终点经纬度与最近的轨道站点经纬度计算距离，将设定的2 km缓冲区内的订单视为站点单车接驳。把订单起点在缓冲区内的数据作为单车离开地铁的数据，同理把终点在缓冲区内的数据作为单车到达地铁的数据。把站点与对应数据统计得到轨道站点周边单车接驳OD信息。

本研究具体以接驳起终点在缓冲区内订单数为指标。首先排除建成环境数据中异常值，根据选取的2 km缓冲区计算相关的建成环境指标。

3. 模型构建

3.1. 基于K-means聚类的轨道站点分类

K-means算法也被叫做快速聚类法，是一种非监督实时聚类算法，在最小化误差函数基础上将数据划分为预定的簇数K。要满足每个簇至少包含一份数据与每份数据仅属于一个簇。算法首先根据设定好的簇数K随机生成K个中心点，其次将数据点与最近的簇中心进行连接，把连接到同一中心点的数据归结为同一类，可以得到K种类别的数据集。再将每个数据集的中心点作为新的簇中心，重新进行分类。最后经过多次迭代直至聚类中心不再发生变化，就得到分类好的K组聚类。K-means算法步骤如下：

(1) 从数据中随机选取K个点作为初始聚类中心[11]。

(2) 计算样本点到各聚类中心的欧式距离，把样本点归类到最近的聚类中心。欧氏距离是指两个数据样本之间的距离，表示两个样本之间的相异度。计算公式如下：

$Dist\left(x_i,x_j\right)=\sqrt{{\displaystyle \sum _{i\ne j,j=1}^n{\left(x_i-x_j\right)}^2}}$ (1)

其中：$Dist\left(x_i,x_j\right)$ 为样本点i与样本点j之间的欧式距离；$\left(x_i,x_j\right)$ 为样本点的坐标。

(3) 计算每一类的样本平均值作为新的聚类中心。

(4) 重新计算样本点到聚类中心的距离。达到最大迭代次数或者聚类中心不再显著移动停止计算。算法流程如图1所示。

Figure 1. K-means algorithm procedure

图1. K-means算法流程

聚类评估指标有平方误差和，轮廓系数等。平方误差和公式如下：

$SSE={\displaystyle \sum _{i=1}^K{\displaystyle \sum _{x\in C_i}Dist{\left(c_i,x\right)}^2}}$ (2)

其中K表示选择的簇数；x为数据点，$c_i$ 为第i个聚类，$Dist\left(c_i,x\right)$ 为计算$x$ 到$c_i$ 的欧氏距离。

计算轮廓系数的步骤如下：首先对于聚类C中第i个数据点$x_i$ ，计算该点与C中其他数据点$x_i$ 的平均距离，记作$a_i$ 。其次对于不在数据点$x_i$ 所在聚类的其他数据点，计算其他数据点与$x_i$ 的平均距离，记作$b_i$ 。最后对于数据点$x_i$ ，可以用与计算轮廓系数$s_i$ ，具体公式如下所示。

$a_i=\frac{1}{m-1}{\displaystyle {\sum }_{i\ne j}^{m}Dist\left(x_i,x_j\right)}$ (3)

$b_i=\frac{1}{n-m}{\displaystyle {\sum }_{j=1,x_j\notin C}^{n}Dist\left(x_i,x_j\right)}$ (4)

$s_i=\left(b_i-a_i\right)/\max \left(a_i,b_i\right)$ (5)

其中：m为聚类C中数据点个数，n为数据集中数据总个数，$Dist\left(x_i,x_j\right)$ 为样本点i与样本点j之间的欧式距离。

通过上述方法，可以得到数据点的轮廓系数。聚类内每个数据点的轮廓系数平均值可作为该聚类的轮廓系数。通过设置不同的聚类数，可以用全部数据点的轮廓系数平均值代表该聚类数下对应的轮廓系数值。轮廓系数越大，说明聚类的效果越好。

3.2. 分位数回归模型

Roger Koenker [12]和Gilbert Bassett首次提出分位数回归的思想。该模型基于被解释变量的条件分布，对被解释变量进行线性拟合。其原理在于将数据按因变量进行拆分成多个分位数点，研究不同分位点情况下时的回归影响关系情况。在交通领域，由于传统回归模型存在较大局限性，越来越多的研究使用分位数回归作为代替进行分析。分位数回归模型一般形式为：

$Q\left(y_i\right)={\beta }_0+{\beta }_1{x}_{i1}+{\beta }_2{x}_{i2}+\cdots +{\beta }_p{x}_{ip}+{\epsilon }_i$ (6)

其中：$Q\left(y_i\right)$ 为因变量；${\beta }_0$ 为常数；$x_{i1}~x_{ip}$ 为与观测值i相关的解释变量；${\epsilon }_i$ 为误差项。

常用最小二乘法，即下式求解：

$\underset{\beta }{\min }{\displaystyle \sum _{i=1}^n\left(y_i-{\beta }_0-{\displaystyle \sum _{j=1}^p{\beta }_j{x}_{ij}}\right)}$ (7)

而分位数回归模型可用下式表示：

$Q_{\tau }\left(y_i\right)={\beta }_0\left(\tau \right)+{\beta }_1\left(\tau \right)x_{i1}+{\beta }_2\left(\tau \right)x_{i2}+\cdots +{\beta }_p\left(\tau \right)x_{ip}+{\epsilon }_i$ (8)

其中：$Q_{\tau }\left(y_i\right)$ 为城市轨道站点单车接驳的第$\tau$ 个分位数；${\beta }_0\left(\tau \right)$ 为常数，${\beta }_1\left(\tau \right)~{\beta }_p\left(\tau \right)$ 为线形规划问题估计的分位数水平$\tau$ 的系数。

分位数回归求解在线性回归基础上加入分位数，求解方法为公式9其中$\rho$ 是检查损失函数，由公式10得到。

$\underset{\beta \in Rp}{\min }{\displaystyle \sum _{i=1}^n{\rho }_{\tau }}\left(y_i-{\beta }_0\left(\tau \right)-{\displaystyle \sum _{j=1}^p{\beta }_j\left(\tau \right)x_{ij}}\right)$ (9)

${\rho }_{\tau }\left(r\right)=\tau \max \left(r,0\right)+\left(1-\tau \right)\max \left(-r,0\right)$ (10)

其中，$\max \left(a,b\right)$ 为取$a,b$ 二者间最大值，$\tau$ 为对应的分位数，当误差$r$ 为正，则$\rho$ 取公式前半段结果$\tau$ ；当误差$r$ 为负，取后半段结果。

4. 结果与分析

4.1. 聚类结果

使用Arcgis软件将类别与站名数据导入上海市站点数据中，使用符号系统功能对不同类别使用不同颜色标注后上海市轨道站点聚类情况如图2所示。

Figure 2. Clustering of Shanghai rail transit stations

图2. 上海市轨道站点聚类情况

Figure 3. Mean POI values with large disparities between the two station types

图3. 两种类型较大差距POI均值图

Figure 4. Mean POI values with small disparities between the two station types

图4. 两种类型较小差距POI均值图

由图3与图4可知，第一类站点类型用蓝色表示、第二类站点类型用橙色表示。从地理位置上来看，第二类站点集中在市中心，可命名为城市中心型站点；第一类站点排布在城市中心外，可命名为城市边缘型站点。下面为两类站点具体指标的平均值。

在商业类、就业类与居住楼栋类POI上，由于城市中心型站点集中上海市市中心，周边商务与就业机会多，加之居民住宅密集，导致相关的商业POI、就业POI与居住楼栋POI也相较更多，在中心区之外，由内向外相应的商业设施与就业机会减少，因此城市边缘型的相关指标不如城市中心型。

在人口密度、医疗与停车场方面。相关指标为人口密度、医疗机构POI率与停车场密度。由图4可知，城市中心型站点单位面积的人口密度均值比城市边缘型站点均值多两万人，医疗机构单位面积多30个，停车场单位面积多70个左右。

在平均房价、快速道路密度与公交站台密度上，两类站点差异较小。其中城市边缘型站点每平方公里平均房价比城市中心型低两万元；快速道路中城市中心型站点比城市边缘型每平方公里多2.3 km；公交站台密度中，城市中心型每平方公里公交站点多四个站台。至CBD距离、旅游POI与教育POI三类指标中，根据地理位置可知，城市边缘型站点到达市中心距离与中心型站点存在较大差异，从平均值上可以看出边缘型站点要比中心型站点多13 km左右。旅游与教育上，城市中心型站点拥有更多的旅游景点与教育机构。

4.2. 变量选择与检验

聚类结果，发现部分指标有相似或相反的趋势。需要对聚类的指标进行筛选，从而确定回归的自变量。本研究因变量为单车接驳轨道的订单数量与平均出行距离，主要分为接入与接出订单两大类。使用单车离开站点定义为接出订单，单车进入站点订单定义为接入订单。使用SPSSAU进行后续变量分析。

在回归模型中，排除多重共线性是回归的重要前提，共线性具体指由于自变量之间存在高度相关关系导致回归结果不准确。选择其中一个自变量作为因变量与其他自变量进行回归，得到每一次新回归的R²。R²越大说明新模型解释效果好，间接说明自变量之间存在关系。方差膨胀系数(VIF, variance inflation factor)是评价共线性的常用指标。通过公式可得：

$\text{VIF}=\frac{1}{1-R^2}$ (11)

其中，VIF为方差膨胀系数；R²——样本方差。VIF > 10说明指标存在共线性关系。考虑到多重共线性的存在，使用SPSSAU对站点聚类指标进行共线性检验，结果如表1所示。

Table 1. Results of the first multicollinearity test

表1. 第一次共线性结果

指标	VIF值	容忍度(Tolerance)
平均房价(万元/km^2)	9.984	0.100
人口密度(千人//km^2)	9.699	0.103
至CBD距离(km)	6.384	0.157
旅游景点POI率(个//km^2)	11.749	0.085
医疗机构POI率(个//km^2)	17.691	0.057
教育机构POI率(个//km^2)	4.916	0.203
商业类POI率(个//km^2)	35.916	0.028
就业类POI率(个//km^2)	29.356	0.034

续表

居住楼栋POI率(个//km^2)	38.888	0.026
六类用地混合度	2.249	0.445
停车场密度(个//km^2)	38.636	0.026
公交站台密度(个/km^2)	6.418	0.156
自行车道路密度(km//km^2)	1.953	0.512
高速道路密度(km/km^2)	1.439	0.695
快速道路密度(km//km^2)	4.865	0.206
主干道路密度(km//km^2)	1.648	0.607

在共线性诊断结果上可以发现，旅游景点POI率、医疗机构POI率、商业类POI率、就业类POI率、居住楼栋POI率与停车场密度六项指标VIF > 10，考虑去除，重新进行共线性分析，结果如表2所示。

Table 2 Results of the final multicollinearity diagnosis

表2 最终共线性结果

指标	VIF值	容忍度(Tolerance)
平均房价(万元//km^2)	8.592	0.116
人口密度(千人//km^2)	4.982	0.201
至CBD距离(km)	5.669	0.176
就业类POI率(个//km^2)	7.516	0.133
六类用地混合度	1.993	0.502
公交站台密度(个//km^2)	4.715	0.212
自行车道路密度(km//km^2)	1.616	0.619
高速道路密度(km//km^2)	1.368	0.731
快速道路密度(km//km^2)	3.832	0.261
主干道路密度(km//km^2)	1.510	0.662

因此确定模型自变量为平均房价、人口密度、至CBD距离、就业类POI率、六类用地混合度、公交站台密度、自行车道路密度、高速道路密度、快速道路密度与主干道路密度。因变量为站点的接入接出订单数量和对应的平均出行距离。下面分别对城市边缘型与城市中心型分别进行分位数回归。

4.3. 分位数回归结果

4.3.1. 边缘型站点分位数回归结果

边缘型站点分位数回归结果如表3、表4所示，关于接入订单数与平均接驳距离，人口密度在0.1~0.9分位均显著为正(β从14.547增至133.192，p < 0.01)，且弹性随分位上升单调递增，表明需求越旺盛，人口集聚的边际效应越强；就业类POI率在0.1~0.8分位显著为正，系数呈“缓升–平台–跃升”三阶段特征，揭示就业密度存在阈值效应：当POI密度超过约80个/km²后，其对订单量的拉动作用显著放大。自行车道路密度在0.3~0.8分位显著为负($\beta \in \left[-264.78,-103.04\right]$ , p < 0.01)，反映边缘区自行车道供给已相对过剩，继续加密反而降低接驳需求，可能与停车秩序混乱、路权冲突有关。主干道路密度在0.7~0.9分位显著为正，高密度干道提升私家车可达性，进而通过“P + R + 单车”链式出行提升接驳量。平均接驳距离方面，人口密度显著负向影响($\beta \in \left[-50.98,-14.22\right]$ , p < 0.05)，表明高密度区居民可在更近范围内完成接驳；至CBD距离在0.1~0.4分位显著为负，在0.8分位转为显著为正，呈现“先抑后扬”的U型关系：距市中心5~13 km区间平均接驳距离最短，过远或过近均导致距离增加。土地混合度在0.4~0.8分位显著为正，且系数随分位上升先增后降，提示中等混合度区域(0.55~0.75)可最大限度延长接驳距离，而过高混合度因目的地就近布局反而缩短距离。

关于接出订单数与平均接驳距离，人口密度与就业类POI率均显著正向影响订单量，作用机制与接入侧一致。自行车道路密度在0.2~0.8分位显著为负，但在0.9分位突然转为显著为正，可能因极高密度区形成连续骑行网络，诱导中长距离接驳需求。主干道路密度在0.6~0.9分位显著为正，强化了私家车–单车换乘模式。接驳距离上，平均房价在所有分位显著为正，且系数随房价梯度递增，表明高房价区居民能够承受更长距离骑行；而人口密度与至CBD距离的影响方向与接入侧对称，进一步验证了距离衰减规律的稳健性。

Table 3. Quantile regression results for inbound orders in urban fringe areas

表3. 城市边缘型接入订单数分位数回归结果

	分位数 0.100	分位数 0.200	分位数 0.300	分位数 0.400	分位数 0.500	分位数 0.600	分位数 0.700	分位数 0.800	分位数 0.900
常数	158.138 (0.702)	111.086 (0.526)	−46.956 (−0.176)	−73.419 (−0.228)	112.316 (0.281)	320.961 (0.695)	818.836 (1.714)	375.737 (0.585)	253.498 (0.211)
平均房价 (万元/km^2)	−7.773 (−0.241)	−18.547 (−0.559)	3.677 (0.104)	20.427 (0.497)	−2.882 (−0.058)	−38.028 (−0.674)	−109.444 (−1.929)	−88.268 (−1.297)	−47.180 (−0.394)
人口密度 (千人/km^2)	14.547** (3.910)	20.457** (4.134)	30.586** (5.875)	36.394** (5.557)	48.521** (6.353)	71.323** (7.931)	77.958** (9.270)	89.093** (9.387)	133.192** (9.518)
至CBD距离 (km)	−6.263 (−1.718)	−5.156 (−1.340)	0.964 (0.221)	0.963 (0.179)	−2.745 (−0.406)	−6.380 (−0.782)	−14.609 (−1.661)	−5.273 (−0.456)	−4.282 (−0.194)
就业类POI率 (个/km^2)	1.284** (3.159)	1.799** (3.397)	2.517** (4.277)	2.530** (3.629)	2.727** (3.405)	2.366** (2.611)	2.303** (2.932)	3.721** (4.195)	0.865 (0.697)
六类用地混合度	156.781 (1.017)	157.184 (0.673)	−59.437 (−0.182)	−12.921 (−0.034)	−22.666 (−0.051)	−156.958 (−0.312)	−127.071 (−0.246)	28.279 (0.041)	−76.710 (−0.059)
公交站台密度 (个/km^2)	−20.700* (−1.999)	−15.724 (−1.025)	−20.004 (−1.251)	−27.049 (−1.381)	−18.568 (−0.811)	−18.450 (−0.720)	−23.921 (−1.029)	−33.206 (−1.121)	−33.135 (−0.794)
自行车道路密度 (km/km^2)	−34.812 (−1.455)	−62.818 (−1.808)	−103.039** (−2.774)	−141.619** (−3.356)	−197.128** (−4.032)	−264.779** (−4.879)	−146.632** (−2.817)	−142.453* (−2.420)	145.785 (1.939)
高速道路密度 (km/km^2)	−17.830 (−0.570)	−6.653 (−0.194)	−16.360 (−0.434)	−21.994 (−0.477)	−20.763 (−0.389)	−24.664 (−0.400)	−33.139 (−0.585)	−34.580 (−0.539)	−106.972 (−1.053)
快速道路密度 (km/km^2)	−42.636 (−1.259)	−52.947 (−1.549)	−54.428 (−1.512)	−65.837 (−1.553)	−88.331 (−1.812)	−41.810 (−0.772)	−38.869 (−0.799)	−29.180 (−0.501)	−5.529 (−0.069)
主干道路密度 (km/km^2)	−22.394 (−0.931)	32.283 (0.961)	47.417 (1.295)	60.229 (1.375)	92.082 (1.719)	111.100 (1.823)	171.420** (3.167)	151.463* (2.064)	287.876** (3.801)
样本量	197	197	197	197	197	197	197	197	197
R^2	0.128	0.165	0.200	0.224	0.253	0.296	0.356	0.376	0.292

*p < 0.05 **p < 0.01括号里面为t值。

Table 4. Quantile regression results for outbound orders in urban fringe areas

表4. 城市边缘型接出订单数分位数回归结果

	分位数 0.100	分位数 0.200	分位数 0.300	分位数 0.400	分位数 0.500	分位数 0.600	分位数 0.700	分位数 0.800	分位数 0.900
常数	82.231 (0.367)	105.072 (0.490)	−41.006 (−0.156)	−87.891 (−0.274)	158.752 (0.403)	298.900 (0.667)	799.164 (1.662)	324.359 (0.554)	223.587 (0.175)
平均房价 (万元/km^2)	−16.762 (−0.551)	−22.601 (−0.671)	9.098 (0.260)	18.452 (0.464)	−3.902 (−0.079)	−37.796 (−0.690)	−116.077* (−1.993)	−73.829 (−1.080)	−59.097 (−0.463)
人口密度 (千人/km^2)	16.392** (4.254)	21.926** (4.404)	28.759** (5.569)	39.636** (6.091)	48.759** (6.478)	69.725** (7.990)	82.256** (9.141)	90.002** (9.950)	123.397** (8.289)
至CBD距离 (km)	−4.896 (−1.380)	−4.918 (−1.257)	0.541 (0.126)	1.414 (0.261)	−3.905 (−0.587)	−5.827 (−0.736)	−14.664 (−1.624)	−4.690 (−0.407)	−2.908 (−0.124)
就业类POI率 (个/km^2)	1.043** (2.651)	2.157** (3.976)	2.530** (4.083)	2.252** (3.258)	2.475** (3.136)	2.278* (2.590)	2.067* (2.539)	3.357** (4.075)	2.797* (2.118)
六类用地混合度	177.462 (1.095)	162.766 (0.661)	−24.677 (−0.076)	−59.963 (−0.159)	−26.728 (−0.061)	−172.314 (−0.353)	−99.380 (−0.207)	45.668 (0.082)	147.158 (0.107)
公交站台密度 (个/km^2)	−12.867 (−1.174)	−19.200 (−1.288)	−27.056 (−1.753)	−19.507 (−0.999)	−15.439 (−0.684)	−11.058 (−0.445)	−16.164 (−0.676)	−36.349 (−1.415)	−51.949 (−1.170)
自行车道路密度 (km/km^2)	−34.760 (−1.485)	−73.877* (−2.121)	−113.022** (−3.081)	−142.271** (−3.434)	−183.782** (−3.814)	−264.347** (−5.019)	−133.504* (−2.485)	−140.369* (−2.465)	181.217* (2.266)
高速道路密度 (km/km^2)	−2.799 (−0.092)	−11.234 (−0.330)	−29.530 (−0.805)	−16.430 (−0.361)	1.191 (0.023)	−27.918 (−0.467)	−47.816 (−0.817)	−40.783 (−0.634)	−125.373 (−1.160)
快速道路密度 (km/km^2)	−29.633 (−1.001)	−52.952 (−1.522)	−51.091 (−1.439)	−68.682 (−1.629)	−97.602* (−2.031)	−45.420 (−0.864)	−36.184 (−0.683)	−19.393 (−0.363)	−23.615 (−0.277)
主干道路密度 (km/km^2)	−12.045 (−0.503)	31.294 (0.907)	57.114 (1.591)	68.976 (1.616)	97.173 (1.841)	119.215* (2.016)	165.562** (2.656)	122.309* (2.150)	294.460** (3.655)
样本量	197	197	197	197	197	197	197	197	197
R^2	0.129	0.168	0.205	0.227	0.257	0.297	0.354	0.375	0.295

*p < 0.05 ** p < 0.01括号里面为t值。

4.3.2. 城市中心型站点分位数回归结果

城市中心型站点分位数回归结果如表5、表6所示，在接入订单数与平均接驳距离方面，六类用地混合度在0.3、0.5、0.8、0.9分位显著为正，且系数在高分位急剧放大，说明城市中心型站点对土地利用多样性极为敏感，当混合度 > 0.75时，每增加0.1单位可带来约1.8万单车次/年增量。自行车道路密度在0.5~0.8分位显著为负，但弹性绝对值(−346.96至−267.95)远小于边缘型站点，表明中心区内自行车道已趋饱和，边际改善空间有限。平均房价在0.8~0.9分位显著为负，高房价抑制长距离骑行需求，体现收入–距离权衡机制。就业类POI率在所有分位对平均接驳距离显著为正，但系数随分位递减，意味着高就业密度虽增加接驳总量，却通过缩短单程距离实现效率提升。

在接出订单数与平均接驳距离方面，与接入侧结论高度一致，混合度对订单量的影响在0.7~0.9分位显著放大，呈现“S型”非线性；自行车道路密度在0.5~0.9分位显著为负，弹性稳定在−400左右。房价对平均接驳距离始终显著为负，中心区内高房价–短距离耦合关系更加稳固。就业类POI率对距离的影响在0.1~0.5分位显著为正且递减，再次验证就业可达性提升可压缩接驳尺度。

Table 5. Quantile regression results for inbound orders in urban core areas

表5. 城市中心型接入订单数分位数回归结果

	分位数 0.100	分位数 0.200	分位数 0.300	分位数 0.400	分位数 0.500	分位数 0.600	分位数 0.700	分位数 0.800	分位数 0.900
常数	−502.486 (−0.195)	−1204.393 (−0.521)	−1303.814 (−0.600)	−2005.380 (−0.917)	−2075.809 (−0.889)	−101.273 (−0.042)	435.892 (0.198)	−3537.840 (−1.329)	−4980.839 (−1.469)
平均房价 (万元/km^2)	2.051 (0.017)	38.555 (0.317)	−76.099 (−0.643)	−27.845 (−0.235)	−66.347 (−0.518)	−199.209 (−1.475)	−87.967 (−0.657)	−484.884** (−2.670)	−572.977** (−2.883)
人口密度 (千人/km^2)	22.914 (1.143)	39.613* (2.166)	23.143 (1.310)	40.197* (2.161)	21.129 (1.032)	8.661 (0.381)	5.369 (0.236)	−22.118 (−0.683)	−20.260 (−0.561)
至CBD距离 (km)	−139.143 (−1.499)	−40.739 (−0.484)	−14.658 (−0.197)	21.480 (0.296)	17.792 (0.233)	−40.622 (−0.496)	−60.820 (−0.841)	−38.280 (−0.417)	−29.910 (−0.329)
就业类POI率 (个/km^2)	0.072 (0.054)	0.521 (0.446)	−0.504 (−0.475)	−0.557 (−0.551)	−0.925 (−0.899)	−0.461 (−0.449)	−1.808 (−1.870)	1.639 (1.352)	2.805 (1.872)
六类用地混合度	5228.558 (1.841)	3993.994 (1.497)	5077.784* (2.071)	5033.505 (1.956)	5615.277* (2.008)	5268.859 (1.820)	4780.132 (1.608)	14805.829** (3.754)	17677.340** (3.518)
公交站台密度 (个/km^2)	−91.342 (−1.191)	−70.120 (−0.954)	54.486 (0.831)	54.291 (0.856)	127.145 (1.910)	93.838 (1.324)	76.980 (1.025)	−11.515 (−0.113)	−58.133 (−0.417)
自行车道路密度 (km/km^2)	−201.336 (−1.690)	−193.218 (−1.718)	−209.548 (−1.807)	−198.349 (−1.690)	−267.952* (−2.084)	−291.205* (−2.239)	−338.695* (−2.562)	−346.955* (−2.331)	−328.928 (−1.912)
高速道路密度 (km/km^2)	397.867 (0.322)	−299.531 (−0.253)	−1437.911 (−1.133)	−1751.501 (−1.177)	−2090.396 (−1.088)	−2515.717 (−1.028)	−3288.261* (−2.219)	−5294.745 (−1.058)	−5955.752 (−0.888)
快速道路密度 (km/km^2)	−105.143 (−0.772)	−144.055 (−1.294)	−166.559 (−1.810)	−200.245* (−2.224)	−164.166 (−1.718)	−121.474 (−1.222)	−74.006 (−0.717)	65.741 (0.460)	88.826 (0.493)
主干道路密度 (km/km^2)	−49.837 (−0.417)	15.263 (0.154)	185.973* (2.034)	103.678 (1.140)	141.993 (1.516)	172.342 (1.804)	93.881 (1.040)	38.617 (0.349)	69.144 (0.740)
样本量	116	116	116	116	116	116	116	116	116
R^2	0.501	0.453	0.423	0.404	0.387	0.375	0.340	0.340	0.439

*p < 0.05 **p < 0.01括号里面为t值。

Table 6. Quantile regression results for outbound orders in urban core areas

表6. 城市中心型接出订单数分位数回归结果

	分位数 0.100	分位数 0.200	分位数 0.300	分位数 0.400	分位数 0.500	分位数 0.600	分位数 0.700	分位数 0.800	分位数 0.900
常数	−2898.314 (−1.432)	−3423.972 (−1.441)	−2628.698 (−1.230)	−3280.578 (−1.503)	−2185.461 (−0.933)	−465.782 (−0.185)	−2699.552 (−1.071)	−3534.630 (−1.081)	−6885.875* (−2.004)
平均房价 (万元/km^2)	−27.598 (−0.314)	−82.488 (−0.663)	−80.156 (−0.669)	4.020 (0.034)	18.111 (0.141)	−65.537 (−0.465)	−85.077 (−0.619)	−300.617 (−1.567)	−398.657 (−1.958)
人口密度 (千人/km^2)	28.707 (1.846)	34.206 (1.933)	27.453 (1.511)	39.118* (2.149)	23.476 (1.142)	14.860 (0.639)	13.647 (0.598)	−6.821 (−0.200)	−14.952 (−0.440)
至CBD距离 (km)	−93.583 (−1.281)	−26.680 (−0.310)	20.570 (0.275)	38.473 (0.533)	−4.612 (−0.060)	−28.615 (−0.341)	−37.177 (−0.500)	−34.382 (−0.364)	42.015 (0.529)
就业类POI率 (个/km^2)	0.161 (0.157)	1.009 (0.849)	−0.167 (−0.168)	−0.380 (−0.375)	−1.177 (−1.140)	−1.619 (−1.502)	−0.754 (−0.703)	0.216 (0.164)	1.519 (1.058)

续表

六类用地 混合度	7793.211** (3.548)	8280.862** (3.106)	6225.611* (2.502)	6123.942* (2.385)	6122.456* (2.182)	4920.598 (1.645)	8217.965* (2.425)	12575.605** (2.626)	17586.799** (3.279)
公交站台密度 (个/km^2)	−44.408 (−0.806)	−78.426 (−1.030)	43.841 (0.690)	41.824 (0.670)	51.519 (0.771)	79.014 (1.078)	108.464 (1.369)	−3.695 (−0.033)	3.866 (0.034)
自行车道路 密度(km/km^2)	−110.128 (−1.261)	−77.940 (−0.675)	−192.600 (−1.706)	−200.389 (−1.700)	−264.236* (−2.049)	−323.908* (−2.315)	−240.653 (−1.725)	−385.817* (−2.264)	−411.851* (−2.264)
高速道路密度 (km/km^2)	292.349 (0.402)	−880.164 (−0.249)	−1628.117 (−1.274)	−1786.806 (−1.205)	−2391.795 (−1.240)	−2957.299 (−1.173)	−2726.930 (−0.877)	−5122.421 (−0.970)	−6263.295 (−0.906)
快速道路密度 (km/km^2)	−108.371* (−2.373)	−103.471 (−0.912)	−128.466 (−1.375)	−144.819 (−1.630)	−147.426 (−1.538)	−100.182 (−0.972)	−158.056 (−1.489)	97.333 (0.631)	152.933 (1.120)
主干道路密度 (km/km^2)	−70.857 (−0.766)	34.635 (0.331)	194.346* (2.090)	117.527 (1.312)	109.028 (1.160)	125.769 (1.264)	89.713 (0.938)	83.473 (0.725)	−63.172 (−0.687)
样本量	116	116	116	116	116	116	116	116	116
R^2	0.491	0.458	0.435	0.407	0.389	0.374	0.346	0.344	0.433

*p < 0.05 **p < 0.01括号里面为t值。

4.3.3. 两类站点结果比较

在接入订单方面，城市边缘型与中心型站点在接入订单的影响机制上呈现显著差异。边缘型站点主要受人口密度、就业POI密度、自行车道及主干道密度驱动，其中人口密度表现出全分位正向影响(系数14.5~133.2)，就业POI在中高密度区(>70分位)产生跃升效应，主干道密度则仅在高端分位(τ > 0.7)显现促进作用。相比之下，中心型站点仅受土地混合度与自行车道密度显著影响，混合度在τ = 0.3/0.5/0.8/0.9分位点呈现间隔性显著，表现为“低水平迟钝–高水平敏感”的非连续特征。在出行距离维度，边缘型站点的公交站台密度与距CBD距离存在阈值效应——当公交密度超过临界值(约6.5个/km²)时，接驳距离缩短幅度达12%；而中心型站点则表现为房价的稳定负向影响(系数−327.1~−174.9)与就业POI的边际递减效应(系数3.0→1.9)。

在接出订单方面，两类站点接出订单的影响模式与接入侧存在耦合性：边缘型站点仍以人口密度(系数16.4~123.4)和就业POI (系数1.0~3.7)为主导，但主干道密度的影响强度较接入侧提升38%；中心型站点则延续土地混合度的单因素主导，其90分位点系数达17586.8，揭示高混合度区域每提升1单位混合度可额外吸引17.6次接驳。出行距离分析显示，边缘型站点至CBD距离在τ > 0.8时产生方向反转(系数−65.3→100.8)，而中心型站点受房价的负向影响更为稳定(系数−242.9~−184.7)。值得注意的是，自行车道密度在两类站点均表现抑制性，但边缘型站点的敏感度高出中心型站点2.3倍，暗示设施布局需差异化优化。

5. 结论与讨论

本研究通过结合K-means聚类与分位数回归模型，成功揭示了城市建成环境对单车轨道接驳的非线性影响和空间异质性，得出以下主要结论：

(1) 研究结果清晰地表明，建成环境指标对共享单车接驳的影响并非简单的线性关系，而是普遍存在随需求水平变化的异质性效应和阈值效应。这挑战了传统线性回归模型在交通行为研究中的适用性，并为该领域的研究提供了新的分析视角。

(2) 通过K-means聚类识别出的“城市中心型”与“城市边缘型”站点，在接驳行为的驱动机制上表现出根本性差异。边缘区依赖于人口和外部交通连接，而中心区依赖于内部功能的混合与多样性。这一发现为城市空间结构理论影响出行行为提供了有力的经验证据。

(3) 在城市边缘型站点，人口密度是接驳量增长的基础动力，且在高需求水平下呈现加速效应。主干道路密度在高需求站点扮演了促进“机动车 + 单车”多模式联运的关键角色。在城市中心型站点，土地利用混合度是激发高水平接驳需求的核心要素，凸显了功能多样性在密集建成区的重要性。

这些发现的理论启示在于，对城市交通行为的理解必须超越均质化和线性化的假设。一个更符合现实的理论框架应同时考虑空间非平稳性(即关系随空间位置变化)和关系非线性(即关系随变量强度变化)。本研究采用的“聚类 + 分位数回归”两阶段方法，正是对这一理论框架的有效实践。

基于上述结论，提出差异化的规划建议：对于城市边缘型站点：规划重点应是增强基本功能密度和连接性。例如，在站点周边适度增加居住和就业岗位密度，完善主干道与站点的衔接，并大力改善自行车道的连续性和网络化水平，以克服当前负面影响。对于城市中心型站点：规划重点应是优化土地利用结构和提升骑行品质。应鼓励站点周边功能的高度混合，创造充满活力的“站域生活圈”。同时，必须解决自行车路权问题，通过物理隔离、增加专用道等方式，提升高密度环境下的骑行安全与体验。

我们明确认识到本研究的局限，首先是数据局限，自2016年以来，上海的城市环境与共享单车市场均已发生巨变，作为分析背景的2000年人口普查数据与2016年的出行行为数据存在时间错配。尽管如此，我们认为对这一历史横截面的精确分析具有不可替代的价值，它不仅记录了此颠覆性技术引发的最初反应与核心矛盾，也为评估后续政策干预和市场演变的成效提供了一个关键参照基线。其次是变量选择上可进一步纳入社会经济属性等。未来研究可采用更新的数据，并结合地理加权分位数回归等模型，更深入地探讨影响因素的空间变异性。