本推文来源：
城市空间感知与治理优化
声明：该论文为研究团队成员阅读到的优秀文献，非本推文作者原创。
原文出处：Marimuthu V ,Sebi M J ,Sankaran M .Development of spatial econometric models for estimating the bicycle sharing trip activity[J].Sustainable Cities and Society,2023,98
在发展中国家，共享单车项目的实施正处于起步阶段；本文对印度喀拉拉邦引入的共享单车出行活动提供了初步的认识。该研究利用一个框架来纳入空间交互效应，并使用空间计量经济学技术来估算共享单车出行活动。
喀拉拉邦位于印度西南部，是印度经济增长的重要贡献者。在KMRL和CSML的共同合资下，共享单车系统于2021年3月在科钦启动。从最初的500辆自行车和56个站点的车队规模开始，公司已经扩大了在科钦市城区及其周围地区的运营。现在，它在城市的各个主要地点设有67个站点，拥有1000辆自行车的车队。图1显示了科钦、卡拉马塞里、乔尔尼克卡拉和阿鲁瓦区MYBYK站的地理分布情况。
该研究采用空间计量经济学框架来发现和理解影响城市共享单车出行活动的空间交互效应。图2给出了解释共享单车活动的不同阶段的综合研究方法。
1.建成环境特征
利用POI数据可以很容易地分析不同建成环境特征对共享单车需求的影响。在这项研究中，考虑了13种类型的POI，并发现社会人口数据、区域内自行车站点的数量、靠近交通枢纽、教育机构和体育中心等因素具有统计学意义。
2.空间邻域结构
当位置i的不同属性之间的空间相互作用显著影响位置j的结果时，就称发生了空间溢出。如果空间区域j只包括区域i的邻居，则溢出效应是局部的。溢出效应被称为是全局的，当空间区域j不仅包括与i相邻的邻居，而且还包括与邻居j相邻的邻居。利用空间权重矩阵W
ij
定义空间邻域结构，如下所示：
3.空间计量模型
可使用全区Moran'sI来衡量空间依赖的程度。Moran'sI可用公式(1)表示如下：
在该研究中，建立个皇后邻接矩阵来定义区域的空间邻域结构。根据它们的变化，Moran'sI值从-1到+1。Moran'sI的期望值定义如公式(2)所示：
由于Moran'sI不能解释空间数据的自相关性，因此可以借助多种空间计量模型来解释共享单车需求背后的空间交互效应。空间滞后模型既可以是空间自回归(SAR)模型，也可以是空间滞后X(SLX)模型。在SAR的情况下，内生交互效应是通过对响应变量的空间滞后来解释的，如公式(5)所示：
然而，SLX模型考虑外生的空间交互效应,通过对解释变量引入空间滞后来完成，如公式(6a)所示：
空间误差模型(SEM)是通过将残差空间自相关效应纳入标准线性回归模型而开发的，如公式(6b)所示：
式(7)中的SDM模型考虑了共享单车出行需求中的外生和内生空间交互效应的组合，对响应变量Y和解释变量X进行空间滞后。
SDEM模型综合反映了外生空间相互作用和残差空间误差相关引起的空间相互作用的影响(式(8))。
4.利用贝叶斯方法对模型参数进行估计
对于共享单车出行活跃度的参数估计，使用了先验概率密度函数π(δ)和边缘似然函数s(δ)，其定义如式(9)和式(10)所示。在贝叶斯方法中，最大似然估计被用作先验分布，并再次使用贝叶斯定理计算模型参数的估计。
模型的后验概率取如下形式：
(a)社会人口信息：从辖区管理局收集2021年各辖区的边界和社会人口统计数据；
(b)共享单车出行信息：从MYBYK机构收集了2021年3月1日至2021年9月30日的共享单车出行信息；
(c)天气信息：使用应用程序编程接口(API)从OpenWeather中收集2021年3月1日至2021年9月30日每一天的逐时气温、平均气温、最低气温、最高气温等相关数据；
(d)建成环境信息：利用喀拉拉邦行政区地理空间开放数据地图在线存储库OpenDataKerala，提取19个研究区的餐馆、自动取款机、商店、银行、学校、学院、医院、政府机构和宗教机构的POI数据。
变量的详细信息如表2所示。
1.共享单车骑行时长
从数据处理中可以观察到，2021年3月至2021年9月，5054个个人用户进行了20027次共享单车出行活动。此外，基于起始和结束时间戳数据，计算了每个单独行程的总持续时间，如图3所示。
图4.A)和图4.B)显示了共享单车每月的出行量和吸引力。其中大部分是往返出行，约有14048人次，其余5979人次为站间出行。
图4 .a)共享单车出行生产，4.B)共享单车出行吸引
2.时间出行模式
根据一天中每小时产生的总出行量的百分比分析了时间变化。工作日的时间变化见图5.A)，周末的时间变化见图5.B)。温度与共享单车出行活动有关，如图6所示。
图5 .A)工作日出行产生和吸引的时间变化，以及 5.B)周末出行产生和吸引的时间变化。
图6 .A)全天的温度分布和B)不同温度下共享单车的行程变化
3.空间出行模式
通过QGIS软件中的Flowmapper插件工具，使用O.D.Matrix用欲望线图获得共享单车出行活动的空间分布。此外，为了解科钦、卡拉姆塞尔、阿鲁瓦和乔尔尼克卡拉利用共享单车出行活动的情况，该研究还绘制了不同类别(a)总体出行次数、(b)1至100次出行次数、(c)101至300次出行次数、(d)300至800次出行次数和(e)800至3500次出行次数)的愿望线图。图7提供了不同类别共享单车出行活动的空间分布(欲望线图)。
图7 (a).共享单车出行活跃度空间变化，(b).0~100个行程的共享单车出行活动空间变化，(c)101~300个行程的共享单车出行活动空间变化，(d)301~800个行程的共享单车出行活动空间变化，(e)801~35万个行程的共享单车出行活动空间变化。
1.社会人口和建成环境变量的空间自相关性质
通过使用MoranI统计量来确定变量的空间自相关性质。此外，Moran'sI值比E(I)值更显著，表明空间格局具有强烈的聚集趋势，而小于E(I)的值表明空间格局分散。表3显示，所得变量表现出一定程度的空间自相关性。
