京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在 SQL Server 安装、服务启动、数据库文件操作等场景中,经常会遇到 “实例已在使用” 类报错,不同触发场景的原因与处理方式差 ...
2026-06-29在Excel数据统计、财务核算、销售复盘、库存盘点等办公场景中,经常需要在数据透视表中实现一列数据乘以另一列数据的计算需求, ...
2026-06-29在数据分析中,指标是连接业务与数据的核心语言。它并非一个简单的数字,而是一个将模糊的业务需求(如“提升用户粘性”)转化为 ...
2026-06-29【核心关键词】大数据、零售商、消费者、供应链、运营、企业、产品、客户、数据模型、大数据平台、数据开发、系统运维、业务逻 ...
2026-06-26在物流配送、供应链履约、终端供货等业务场景中,送货率是衡量企业履约能力、服务质量、供应链稳定性的核心业务指标,直接关联客 ...
2026-06-26 很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度” ...
2026-06-26在数字化管理与数据化运营体系中,指标是连接原始数据与业务决策的核心载体。零散的原始数据只是无意义的数值堆砌,无法直接反映 ...
2026-06-25在Excel数据汇总、财务统计、业务复盘等日常办公场景中,经常需要完成逐行相乘、整体汇总求和的计算需求,最典型的场景就是:单 ...
2026-06-25 很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问 ...
2026-06-25【核心关键词】主数据、资产、供应商、现金流、企业、精细化、集团、数字化、中国、数据质量、数据管理、经营管理、地产行业、 ...
2026-06-24在数据分析、假设检验、AB测试、学术研究等统计场景中,显著水平(α)与P值(P-value)是判断统计结果是否具有统计学意义的两个 ...
2026-06-24小李刚入职了一家互联网公司的运营部门。第一次参加业务复盘会,运营主管问了一个看似简单的问题:“这个月新用户留存率下降了5 ...
2026-06-24在数字化转型全面渗透的产业背景下,数据分析已成为互联网、金融、零售、制造等几乎所有行业的核心岗位能力。很多初学者对数据分 ...
2026-06-23在企业并购、股权定价、投融资评估、资产核算等资本市场核心场景中,市场法是应用最广泛、市场认可度最高的企业价值评估方法。传 ...
2026-06-23 许多数据分析师精通Excel函数和SQL查询,但当面对一张上万行的销售明细表,要快速回答“哪个地区销量最高”“哪款产品增长最 ...
2026-06-23【核心关键词】运营、证书、金融、客户、产品、软件、销售额、量化、科技、数据分析、金融行业、证券类软件、业务流程、金融机 ...
2026-06-22在企业方案选型、产品迭代评审、供应商筛选、运营效果复盘等决策场景中,单一指标的优劣判断往往无法支撑科学决策。一套转化效果 ...
2026-06-22 很多数据分析师掌握了Excel函数、会写SQL查询,但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数 ...
2026-06-22【核心关键词】软件、洞察力、大数据、产品、经验、硬件、流量、创新、决策、数据安全、网络安全、数据分析、决策制定、数据挖 ...
2026-06-18在方案选型、效果复盘、产品评估、供应商筛选等各类业务决策场景中,仅凭单一指标下结论往往会陷入 “以偏概全” 的误区。多维度 ...
2026-06-18