
共享单车重新定义了“地铁房”
近两年来,在资本与科技力量双线驱动的共享单车忽然之间就闯入了我们的城市当中,成为日常城市景观的一部分。
而在数据的视角下,我们会看到完全不同的图景。
如果从天空中观察,我们可以看到一整座城市的共享单车,请看下图:
(上图是我们以摩拜单车数据为例,绘制出的2017年某天上午该品牌共享单车在上海市的大致空间分布图。从地图上可以看到,共享单车已经深入了城市的每一个角落,几乎毫无死角。)
如果从个体视角观察的话,我们可以看到普通市民的使用逻辑,请看下图:
这是一个短途骑行者。他高频流连于市中心与杨浦区。
这是一个两地骑行者,他似乎一半时间在虹口区流连,而另一半时间在徐汇和长宁活动。
这是一个长途骑行者,他曾经从杨浦区一口气骑到大虹桥。
虽然行程特征各种各样,但其实大家使用单车上还是有很强的时间逻辑的。请看下图:
在上图中,圆圈越大说明在该时段使用共享单车的人越多。很显然:
工作日的早晚高峰(早上7-9点,晚上17-20点)是共享单车的使用高峰期,该期间的使用占比约为36%。
在周末,共享单车是不存在早高峰的,但是却有非常明显的晚高峰。
大家使用单车的目的都是通勤吗?
我们抽样了两万位共享单车用户在工作日早晚高峰时段、和其他时段使用共享单车的次数,绘制出下图(每个点代表一位或一类用户):
可以看到,用户在通勤和非通勤两个时间段内使用共享单车的次数成正比。喜欢骑共享单车上下班的人,也更喜欢用共享单车的模式去完成别的出行。
在这个意义上来看,共享单车似乎已经成为了像地铁或者公交车一样的城市基础交通型设施。我们把共享单车数据和同时段的城市地铁使用数据比较一下,就能看得更清楚:
很显然,共享单车已经成为了与地铁在时间上几乎同步的城市通勤性交通工具。虽然在高峰时段上略有差异,但基本上展示出了极强的时间相关性。
那么,空间上呢?
首先,我们用从地铁站及周边300米为起讫点的共享单车轨迹数据,绘制出每个地铁站的骑行等时圈,请看下图:
(说明:上图的范围是上海中心城区的一部分;图中绿色圆点为地铁站,围绕地铁站的绿色曲线是以2分钟骑行间隔为单位作的等时圈;熟悉测绘或者地图学的小伙伴可以看到,这张地图清晰地为上海定义出了一个“骑行盆地”和“骑行山区”:在平坦的盆地里,大家可以使用地铁站周边的共享单车便捷地到达很大的范围,这是全市骑行环境最友好的地区;在山区则反之。)
可以看到,由于每个站点周边的道路情况、城市功能不尽相同,站点客流量和共享单车的使用人数差异很大,每个地铁站的等时圈形状各相迥异。我们将每个站点的20分钟骑行范围与泰森多边形做了交集,得到站点的实际骑行服务范围,如下图所示:
可以看到:
在中环线以内的市中心,站点密度较高,大部分地点步行20分钟都很容易到达某个地铁站。因此,虽然共享单车缩短了市民前往地铁站的时间,但并没有在实质上扩大地铁站的服务范围。所以无论有没有共享单车,地铁站的平均服务范围都在站点步行大约20分钟的范围(直线距离700m-800m、实际步行距离900m-1000m)。
在中环线以外区域,站点相对稀疏,共享单车的出现可以使得地铁站的服务半径大大增加。以骑行20分钟计算,地铁站的平均服务半径约为2km-2.3km(实际骑行距离约为2.6km-3km)。相比较步行,共享单车使得地铁站的覆盖面积扩大了大约9倍。
具体而言,在上海外环线周边的地铁站附近(注:“外环线周边”指的是 中环-沈海高速申嘉湖高速 的范围。这个范围内居住的人口最多、地铁站数目适中,且地铁站服务半径变化较为显著。):
服务面积从190平方公里扩展到了670平方公里;
服务的居住人口从350万扩展到了780万;
服务的就业人口从270万扩展到了580万。
然而,以上只是我们基于共享单车出行数据的一厢情愿的测算。市场是否认同“地铁站服务范围扩大”的现象呢?
以租房市场为例吧。我们先做一个假设:假如租房市场认同了地铁站服务范围的扩大,意味着一些原本离地铁站步行时间较长、骑行时间适中的“准地铁房”升级成了“新地铁房”。相应的,“新地铁房”与原本就在地铁站步行服务区内的“老地铁房”的租金差距将会变得平滑。
我们使用了2013-2017(共享单车是2016年规模性出现在上海的)的房租数据,绘制出上海市外环线周边历年房屋租金与地铁站距离的衰减曲线图。
在图中,我们可以观察到:2013-2015年,外环线周边从“老地铁房”到“新地铁房”的价格距离衰减是非常迅速的;而在共享单车进入城市后的2016、2017年,这一衰减速度却大大减缓了。
因此,假如我们设定租金衰减到80%时的距离范围就是所谓的“新地铁房”范围,那么所谓“新地铁房”的范围将从2013-2015年的地铁站周边900m,瞬间扩展到2016-2017年的1650m。
在某种程度上,我们可以这么简单地理解:在租房市场里,共享单车使得我们有了更多的地铁房、让更多的人居住或工作在地铁房里。
当然,这也可能只是一种时间上的巧合,还缺乏房租变化和共享单车出现的因果性。因此,我们必须更进一步,探究共享单车密度与地铁站服务半径是否存在空间一致性。
我们统计了外环线周边地铁站500m范围内的共享单车数量(2017年某工作日的上午11点),以及地铁站附近1500m范围内的人口数量(日夜人口数量的均值),以共享单车数量与人口数量的比值作为共享单车的密度指标。
可以看到,共享单车密度越高,地铁站的服务半径也越大(服务半径定义同上,为房租价格衰减到80%时的距离)。共享单车低密度地区的服务半径约为1600m,共享单车高密度地区的服务半径则接近1800m。(这种效应有一个阈值。当共享单车密度提升到极高水平时,对地铁站服务范围的影响不明显。)
至此,我们可以更有信心地说,在大多数情况下,共享单车很好地解决了地铁换乘的“最后一公里问题”,扩大了地铁站的服务范围,使更多市民便利地享受到了地铁的服务。而这一服务范围的扩大,也自然地扩大了“新地铁房”的范围,使得城市租赁住房市场发生了结构性的变化。更进一步说,共享单车作为一种基础型交通设施,在空间上重构了我们的城市结构,而重构的城市又从更多的方面影响了我们的生活。
毫无疑问,新技术和新模式的创新,将使得我们的城市不断地进化与变革,而且也会不断地改变我们的城市的认知,我们不得不花更多力气来认真观察和思考我们所生活的这个史无前例的巨大容器“城市”,对我们到底意味着什么?
当然,这也是城市数据研究的乐趣:
在这个复杂的、混沌的、且永远都在进化中的城市里,总是蕴藏着我们还未曾发现的秘密。这条城市认知与探索的路,永无尽头。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23