王志軍，張?jiān)セ眨緩╂?，?瑤

(1.中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司，武漢 430063；2.東南大學(xué)，交通學(xué)院，南京 211189；3.東南大學(xué)，道路交通工程國家級(jí)實(shí)驗(yàn)教學(xué)示范中心，南京 211189；4.微軟中國有限公司無錫分公司，無錫 214000)

0 引 言

綠色環(huán)保、機(jī)動(dòng)靈活的公共自行車與常規(guī)公交相互銜接結(jié)合，能促進(jìn)出行方式的多元化，滿足多模式一體化出行需求，進(jìn)而緩解城市內(nèi)部交通壓力、提升居民出行質(zhì)量、降低能源消耗、減少尾氣排放，是符合低碳發(fā)展要求的組合交通出行方式之一。自行車換乘常規(guī)公交作為一種特殊的組合出行方式，兼具了機(jī)動(dòng)性和可達(dá)性的雙重優(yōu)勢(shì)，可以擴(kuò)大公交的服務(wù)范圍，同時(shí)發(fā)揮公共自行車“點(diǎn)-點(diǎn)”的服務(wù)特點(diǎn)，解決居民出行的最后一公里問題。

目前部分學(xué)者采用問卷調(diào)查方法研究自行車與公共交通接駁行為特征，如Bachand-Marleau 等利用在線調(diào)查，研究了自行車與公共交通方式之間的接駁，該調(diào)查將受訪者分為有接駁行為、潛在接駁行為、無接駁行為三類[1]。周強(qiáng)等[2]以公共自行車為研究對(duì)象，利用刷卡數(shù)據(jù)及問卷調(diào)查數(shù)據(jù)分析了公共自行車作為地鐵接駁方式的使用特性。Bernatchez等[3]通過電話調(diào)查發(fā)現(xiàn)公共自行車站點(diǎn)布設(shè)密度是影響公共自行車吸引力的關(guān)鍵因素。Shaheen 等[4]通過問卷調(diào)查，統(tǒng)計(jì)分析出使用者與非使用者在個(gè)人屬性、對(duì)出行環(huán)境和環(huán)保的態(tài)度以及對(duì)現(xiàn)有公共自行車系統(tǒng)評(píng)價(jià)方面的區(qū)別，并提出改進(jìn)建議。曹雪檸等[5]利用問卷數(shù)據(jù)構(gòu)建多項(xiàng)Logit模型研究土地利用和出行個(gè)體方面的因素對(duì)公共自行車換乘軌道交通的概率。柏玉珊[6]以南京市軌道交通為研究對(duì)象，對(duì)站點(diǎn)進(jìn)行調(diào)查，分析乘客個(gè)人屬性、出行屬性、目的地可達(dá)屬性、交通方式敏感性、換乘設(shè)施可達(dá)屬性等影響因素對(duì)乘客換乘決策過程的影響并根據(jù)調(diào)查數(shù)據(jù)建立末端換乘方式選擇行為模型。Pan等人[7]提出地鐵站附近的自行車租賃站點(diǎn)的屬性是影響騎行者是否選擇自行車作為接駁方式的重要因素。

部分學(xué)者則采用大數(shù)據(jù)挖掘方法進(jìn)行相關(guān)研究，如Ma 等[8]利用南京市地鐵和公共自行車刷卡數(shù)據(jù)，可視化換乘高峰，并區(qū)分了“還車進(jìn)站”和“出站借車”兩種不同接駁模式的差異特征，并在文獻(xiàn)[9]中分析了公共自行車接駁地鐵使用時(shí)的自行車出行距離和出行時(shí)間分布，發(fā)現(xiàn)乘客采用自行車與地鐵接駁出行的主要目的是通勤。在Zhao等人[10]的研究中，還得出了早高峰的公共自行車換乘地鐵的騎行與晚高峰的地鐵換乘自行車出行在空間上的分布相同等結(jié)論。Ji 等[11]利用地鐵和公共自行車刷卡數(shù)據(jù)構(gòu)建地理加權(quán)泊松回歸模型探究換乘交通量與個(gè)人社會(huì)經(jīng)濟(jì)屬性、出行相關(guān)變量和建成環(huán)境因素間的關(guān)系，發(fā)現(xiàn)騎行距離、地鐵站點(diǎn)2 km范圍內(nèi)的公交密度、地鐵站密度、公共自行車站密度、居民出行目的均對(duì)公共自行車換乘地鐵的換乘量有顯著影響。

總體而言，國內(nèi)外對(duì)自行車換乘公共交通的研究主要集中于自行車與軌道交通的換乘，而關(guān)于公共自行車與常規(guī)公交換乘行為的研究則相對(duì)較少，且以定性分析、問卷調(diào)查數(shù)據(jù)分析為主。較少利用公交IC 卡刷卡數(shù)據(jù)、公共自行車借還數(shù)據(jù)研究公共自行車和常規(guī)公交換乘行為。

針對(duì)以上不足，本文擬以江蘇省宜興市為例，基于公共自行車借還卡、常規(guī)公交智能卡刷卡記錄提取的接駁識(shí)別結(jié)果，結(jié)合個(gè)人屬性、出行特性等因素，并考慮公交站點(diǎn)周邊的建成環(huán)境，構(gòu)建多層線性模型，研究不同因素對(duì)換乘量的影響機(jī)理。

1 數(shù)據(jù)描述與公共自行車接駁公交影響因素

江蘇省宜興市于2012 年9 月正式開設(shè)公共自行車項(xiàng)目，且市內(nèi)不允許引入共享單車。截至2018 年11 月底全市已有137 個(gè)公共自行車站點(diǎn)，超2 600 輛自行車分布于各站點(diǎn)。宜興市公共自行車實(shí)施免費(fèi)政策，市民通過借車卡在公共自行車站點(diǎn)刷卡進(jìn)行借還車，產(chǎn)生的借還車數(shù)據(jù)由宜興市公共自行車公司進(jìn)行維護(hù)。

本文所使用的數(shù)據(jù)來源于2018 年11 月份宜興市的公共自行車卡刷卡數(shù)據(jù)（見表1）與公交IC卡刷卡數(shù)據(jù)（見表2），融合站點(diǎn)數(shù)據(jù)和公交車輛GPS 數(shù)據(jù)，運(yùn)用關(guān)聯(lián)規(guī)則挖掘算法，匹配用戶自行車接駁公交的出行記錄，共計(jì)識(shí)別出2 267 條公共自行車接駁公交的換乘記錄，可獲得用戶個(gè)人屬性（年齡、性別、月公交使用頻次、月公共自行車使用頻率、平均騎行時(shí)間和平均換乘等待時(shí)間等）、出行特性（出行距離、出行時(shí)間、公共交通使用頻率等）等信息。

表1 公共自行車卡有效信息表Tab.1 Information of publie bicycle card

表2 公交IC卡刷卡數(shù)據(jù)記錄表Tab.2 Bus IC card swiping data

同時(shí)，公交站點(diǎn)周邊的土地開發(fā)強(qiáng)度、土地利用性質(zhì)直接影響到站點(diǎn)的客流量?？土髁坎煌恼军c(diǎn)停留的公交線路數(shù)量、公交到站間隔等也有所不同，客流量較大的站點(diǎn)更有可能吸引自行車接駁用戶。公交站點(diǎn)周邊的道路條件則會(huì)影響接駁公共自行車的騎行體驗(yàn)。因此，本文在由刷卡數(shù)據(jù)提取的個(gè)人屬性、出行特性基礎(chǔ)上，考慮了站點(diǎn)周邊建成環(huán)境對(duì)公共自行車接駁公交的影響[5,12]，包括教育機(jī)構(gòu)密度、公司企業(yè)密度、娛樂場(chǎng)所密度、交叉口密度、公共自行車站點(diǎn)密度、公交站點(diǎn)經(jīng)停線路數(shù)量、公交站點(diǎn)距離CBD（Central Business District，中央商務(wù)區(qū)）的距離以及公交站點(diǎn)附近道路密度等。限于數(shù)據(jù)來源，本文主要以乘客個(gè)人特性、出行特性和站點(diǎn)建成環(huán)境為主確定換乘影響因素。

2 多層線性模型構(gòu)建

2.1 多層線性模型

用戶在各公交站點(diǎn)的換乘情況首先與接駁用戶個(gè)人屬性特征有關(guān)，其次受公交站點(diǎn)建成環(huán)境等影響，不同特征的公交站點(diǎn)具有不同的吸引力，而同類型的公交站點(diǎn)換乘特性往往具有更大的相似性，即換乘數(shù)據(jù)具有明顯的嵌套性質(zhì)，屬于多層數(shù)據(jù)。傳統(tǒng)線性分析模型只能對(duì)其中某一層次的數(shù)據(jù)進(jìn)行分析，無法解釋包含兩層或者多層數(shù)據(jù)的組間差異，而多層線性模型可以很好地解決這些問題。

多層模型通過定義不同水平層的模型，將隨機(jī)誤差分解為兩部分：由個(gè)體特征帶來的個(gè)體效應(yīng)和由個(gè)體的背景環(huán)境造成的組間差異。多層線性模型對(duì)相同的數(shù)據(jù)進(jìn)行三次統(tǒng)計(jì)分析：（1）在組內(nèi)的個(gè)體層分析組內(nèi)效應(yīng)；（2）通過整合第一層的個(gè)體數(shù)據(jù)得到第二層的組間數(shù)據(jù)進(jìn)行組間分析；（3）忽略作為組的特性，對(duì)所有數(shù)據(jù)進(jìn)行概率總結(jié)分析總效應(yīng)。

多層線性模型的運(yùn)算原理為：每個(gè)公交站點(diǎn)的換乘量（Yi）受在該站點(diǎn)進(jìn)行換乘的個(gè)人屬性（Xi）的影響，但影響程度因每個(gè)公交站點(diǎn)的建成環(huán)境（Wj）的不同而不同。其中，Wj對(duì)Yi的作用是通過影響Xi對(duì)Yi的截距和斜率實(shí)現(xiàn)。每個(gè)公交站點(diǎn)都有各自的回歸方程Yij=β0j+β1j Xij+rij，其中i是每位換乘用戶編號(hào)，j是公交站點(diǎn)編號(hào)。在每個(gè)公交站點(diǎn)內(nèi)做同樣的回歸后，再分別以每個(gè)公交站點(diǎn)回歸估計(jì)出來的β0j和β1j為因變量，以公交站點(diǎn)變量Wj為自變量進(jìn)行第二次回歸。通過這種方式可以探求換乘用戶個(gè)人屬性、公交站點(diǎn)環(huán)境對(duì)換乘量的影響。

多層模型基本形式包含3個(gè)主要公式。水平1上（換乘用戶）的普通最小二乘回歸如下：

式中：下標(biāo)j代表第一層的個(gè)體（用戶）所隸屬的第二層的單位（公交站點(diǎn)）；Yij為研究時(shí)間段內(nèi)第j個(gè)公交站點(diǎn)的第i個(gè)換乘用戶換乘次數(shù)；γ00和γ10分別是β0j和β1j的平均值；在第二層上為恒定值，是固定成分；μ0j和μ1j分別是β0j和β1j的隨機(jī)成分，代表第二層的變異。

對(duì)于隨機(jī)成分，方差和協(xié)方差的公式如下：

由（1）、（2）、（3）可得合并的多層線性模型：

2.2 解釋變量提取

2.2.1 變量說明

根據(jù)識(shí)別出的換乘用戶相關(guān)記錄，可知被解釋變量為每位乘客每月在每個(gè)公交站點(diǎn)的公共自行車接駁公交出行次數(shù)，也即換乘量。解釋變量區(qū)分為個(gè)人層面和站點(diǎn)層面的變量，變量選取具體情況如表3所示。

第一層次的變量為乘客個(gè)人屬性變量，采用公共自行車接駁公交的換乘記錄中所能獲取的信息，包括性別、年齡、月公交使用頻次與月公共自行車使用頻次、該乘客換乘記錄中公共自行車平均騎行距離和平均換乘等待時(shí)間。第二層次的解釋變量為站點(diǎn)建成環(huán)境等相關(guān)因素。采用站點(diǎn)周邊環(huán)境中影響換乘量的因素（見表3），包括教育機(jī)構(gòu)密度、公司企業(yè)密度、娛樂場(chǎng)所密度、交叉口密度、公共自行車站點(diǎn)密度、公交站點(diǎn)經(jīng)停線路數(shù)量、公交站點(diǎn)距離CBD 的距離以及200 m 范圍內(nèi)道路密度[9-10]。變量中各類興趣點(diǎn)的密度是通過從高德地圖平臺(tái)爬取興趣點(diǎn)類別及經(jīng)緯度信息，并利用ArcGIS 統(tǒng)計(jì)公交站點(diǎn)200 m 范圍內(nèi)興趣點(diǎn)的個(gè)數(shù)；道路密度是指一定區(qū)域內(nèi)的道路長(zhǎng)度與該區(qū)域的面積之比，計(jì)算公式為：

表3 變量說明表Tab.3 Variable description

式中：Li為區(qū)域i的道路長(zhǎng)度，Ai為區(qū)域i的面積。

2.2.2 變量篩選

首先對(duì)變量進(jìn)行多重共線性檢驗(yàn)，以檢驗(yàn)變量之間的強(qiáng)線性相關(guān)性，方差膨脹因子（Variance Inflation Factor，VIF）可以用來衡量變量之間的多重共線性，它與自變量的擬合優(yōu)度r2直接相關(guān)，VIF可通過式（6）來計(jì)算：

一般來說，VIF 值大于10 則被認(rèn)為是多重共線變量[8]，檢驗(yàn)結(jié)果如表4所示。

表4 多重共線檢驗(yàn)結(jié)果Tab.4 Multicollinearity test

其次，利用最小二乘法回歸分析確定兩個(gè)層次影響乘客接駁換乘行為的主要因素。采用逐步回歸分析法剔除不顯著變量，進(jìn)一步刪選得到：第一層次的影響因素有年齡屬性X2、月公交使用頻次X3、月公共自行車使用頻次X4和換乘平均等待時(shí)間X6；第二層次的影響因素有教育機(jī)構(gòu)密度X7、公司企業(yè)密度X8、娛樂場(chǎng)所密度X9、交叉口密度X10、200 m范圍內(nèi)道路密度X13、距離CBD的距離X14。

2.3 模型的逐步構(gòu)建及參數(shù)標(biāo)定

多層線性模型在零模型和完整模型之間，可以通過添加不同的第一層次和第二層次變量以及設(shè)定不同的固定成分與隨機(jī)成分，建構(gòu)各種不同的分析模型研究問題。以下分別列出幾種模型的構(gòu)建過程及模型擬合結(jié)果。

2.3.1 無條件模型

當(dāng)多層線性模型中沒有任何預(yù)測(cè)變量時(shí)，主要用于判斷是否有必要構(gòu)建多層分析模型，其判斷標(biāo)準(zhǔn)可用組內(nèi)相關(guān)系數(shù)（ICC）來衡量。ICC描述了公交站臺(tái)內(nèi)各個(gè)用戶之間的相關(guān)程度，測(cè)量了公交站點(diǎn)類型不同引起的方差占總方差的比例，也可以說明總的方差中由公交站點(diǎn)類型差異解釋的方差比例；此時(shí)的模型與隨機(jī)效應(yīng)的方差分析模型相同，模型公式如下兩式所示：

無條件模型的參數(shù)估計(jì)結(jié)果列于表5中。

表5 方差成分的最終估計(jì)Tab.5 Final estimate of the variance component

2.3.2 隨機(jī)效應(yīng)回歸模型

只含有第一層次、不存在第二層次預(yù)測(cè)變量的多層線性模型稱為隨機(jī)效應(yīng)模型，可用于研究沒有第二水平的預(yù)測(cè)變量來解釋第一層回歸模型中的變異。與傳統(tǒng)回歸模型的不同在于，第一層回歸方程中的截距和回歸系數(shù)是隨機(jī)的而不是固定的。隨機(jī)效應(yīng)回歸模型方程如式（9）和（10）。在隨機(jī)效應(yīng)回歸模型中主要關(guān)注統(tǒng)計(jì)量μ0～μ4的方差τ0～τ4。μ0～μ4是第二層方程中的殘差或隨機(jī)項(xiàng)，τ0～τ4是指用第二層的層間差異解釋?duì)?～β4之后的殘差方差。表6 為隨機(jī)效應(yīng)回歸模型的最終結(jié)果，與無條件模型的表5 相比，考慮第二層水平之間差異之后，模型的方差為1.124，相比無條件模型方差2.636 明顯下降。由此可知，用戶在公交站點(diǎn)的換乘量差異需要同時(shí)考慮個(gè)人層面的因素和公交站點(diǎn)各因素的影響，接下來將分別討論不同公交站點(diǎn)層面的變量對(duì)換乘量的影響程度。

表6 固定效應(yīng)的最終估計(jì)結(jié)果Tab.6 Final estimation under fixed effect

第一層：

2.3.3 考慮第二水平解釋變量的多層線性模型

在隨機(jī)效應(yīng)回歸模型的基礎(chǔ)上，在第二層模型中增加站點(diǎn)層面的變量，當(dāng)站點(diǎn)層面考慮公交站點(diǎn)200 m 范圍內(nèi)影響顯著的各類POI（Point of Interest，興趣點(diǎn)）個(gè)數(shù)時(shí)，模型形式如下所示：

模型擬合結(jié)果列于表7，由表可知，進(jìn)入模型的三類POI數(shù)據(jù)變量的檢驗(yàn)結(jié)果均顯著，模型方差也有所下降，繼續(xù)逐步加入公交站點(diǎn)建成環(huán)境以及周邊設(shè)施設(shè)計(jì)等變量進(jìn)行探索性分析，構(gòu)建模型研究站點(diǎn)層面其他建成環(huán)境變量對(duì)用戶換乘頻率的影響。

表7 考慮站點(diǎn)周邊POI變量的最終估計(jì)結(jié)果Tab.7 Final estimation considering POI variables around the busstops

在表7考慮的影響因素變量基礎(chǔ)上，繼續(xù)加入站點(diǎn)周邊交叉口數(shù)量、道路密度、與城市中心的距離等變量，考慮其對(duì)用戶換乘量的影響，模型擬合結(jié)果如表8 所示。其中X789為教育機(jī)構(gòu)、公司企業(yè)、娛樂場(chǎng)所等POI 數(shù)量之后，某種程度上可用于表征站點(diǎn)周邊土地開發(fā)強(qiáng)度。由模型擬合結(jié)果可知，考慮POI 數(shù)量、交叉口數(shù)量和道路密度等站點(diǎn)建成環(huán)境變量的模型方差成分為0.696，較隨機(jī)效應(yīng)回歸模型的方差成分1.124 下降了38.1%，說明考慮站點(diǎn)層面建成環(huán)境變量的模型擬合效果更佳。

表8 考慮站點(diǎn)周邊各類環(huán)境變量的最終估計(jì)結(jié)果Tab.8 Final estimation considering various environmental variables around the busstops

3 換乘量影響因素分析及建議

3.1 個(gè)人屬性及出行特性因素分析及建議

3.1.1 個(gè)人屬性影響分析及建議

從第一層次變量的回歸結(jié)果可以看出，最終進(jìn)入模型的個(gè)人因素變量只有年齡屬性，說明變量中性別的影響并不顯著，年齡屬性變量影響顯著且系數(shù)為負(fù)值（系數(shù)為-0.105），代表年長(zhǎng)用戶相較于中青年用戶月?lián)Q乘次數(shù)更少，表明自行車換乘公交確實(shí)是對(duì)用戶體能有所限制。

建議提高自行車換乘公交出行的舒適性與便捷性。自行車換乘公交的出行相較單一交通方式出行往往需要耗費(fèi)更多的體力和時(shí)間，中老年人對(duì)于體力消耗尤為敏感。為了提高公共自行車換乘公交對(duì)這部分主要人群的吸引力，需要考慮到公共自行車的性能、自行車站點(diǎn)與公交站點(diǎn)步行通道的順暢性、公交站臺(tái)等候座位的設(shè)置、公交車的乘客友好型設(shè)計(jì)等方面，保障自行車換乘公交全過程的舒適與便捷。

3.1.2 出行特性影響分析及建議

在考慮站點(diǎn)差異的隨機(jī)效應(yīng)回歸模型中，在考慮存在組間差異的情況下，用戶自行車接駁公交換乘量因用戶出行特征中平均公交等待時(shí)間、公交與公共自行車使用頻率的差異而不同，具體影響程度由模型擬合結(jié)果可知：用戶騎行公共自行車和乘坐公交的越頻繁，采用公共自行車接駁公交的換乘量也越大，月公共自行車騎行次數(shù)的系數(shù)較月公交乘坐次數(shù)變量的系數(shù)更大，某種程度上說明越頻繁使用公共自行車的用戶更容易轉(zhuǎn)向公共自行車接駁公交的使用模式中。等待時(shí)間的系數(shù)絕對(duì)值大小明顯大于公交乘坐次數(shù)的系數(shù)與公共自行車騎行次數(shù)的系數(shù)，也說明公交等待時(shí)間對(duì)用戶選擇自行車換乘公交的影響程度更大。

建議：（1）實(shí)施公共自行車與公交系統(tǒng)的換乘優(yōu)惠政策。目前宜興市公交和公共自行車已逐步實(shí)現(xiàn)一卡通，為換乘優(yōu)惠政策的實(shí)施奠定了基礎(chǔ)。（2）縮短高峰期間高頻換乘線路的發(fā)車間隔。用戶自行車接駁公交時(shí)的公交等待時(shí)長(zhǎng)變量是對(duì)用戶換乘量負(fù)向影響最大的變量，這也說明應(yīng)當(dāng)盡可能提高公交發(fā)車頻率，通過換乘記錄可以找到每條線路換乘的高峰期，從而分時(shí)段分線路制定動(dòng)態(tài)的發(fā)車時(shí)刻表；充分利用“宜興享出行”App及公交站點(diǎn)顯示屏等各類方式，加強(qiáng)公交實(shí)時(shí)信息廣播，讓乘客可以提前合理的安排出行時(shí)間，減少等待時(shí)間。

3.2 站點(diǎn)建成環(huán)境因素分析及建議

站點(diǎn)建成環(huán)境變量中對(duì)換乘量影響顯著的變量有教育機(jī)構(gòu)、公司企業(yè)與娛樂場(chǎng)所等各類POI數(shù)量、站點(diǎn)周邊交叉口數(shù)量、道路密度以及公交站點(diǎn)與城市中心區(qū)的距離等?？紤]站點(diǎn)建成環(huán)境變量的多層模型擬合結(jié)果見表8，三類POI 數(shù)量總和的模型檢驗(yàn)結(jié)果非常顯著，說明公交站點(diǎn)周邊教育、公司企業(yè)、娛樂設(shè)施的數(shù)量越多，用戶在該類型站點(diǎn)的平均換乘量相應(yīng)會(huì)越少，城市中心區(qū)域地塊一般開發(fā)強(qiáng)度高，在城市中心區(qū)域的公交站點(diǎn)的換乘次數(shù)明顯多于非城市中心區(qū)域，結(jié)合建模結(jié)果，可知這是由于在城市中心區(qū)域換乘的用戶人數(shù)更多，但人均換乘量較低；交叉口數(shù)量和道路密度可表示該區(qū)域路網(wǎng)是否完善，模型中交叉口數(shù)量和道路密度變量回歸系數(shù)均為負(fù)，路網(wǎng)越完善的地方，公交和公共自行車可達(dá)性更高，單一交通方式即可到達(dá)目的地，因此對(duì)換乘量的影響為負(fù)。

建議合理布設(shè)公共自行車站點(diǎn)與公交站點(diǎn)。在規(guī)劃新的公共自行車站點(diǎn)時(shí)應(yīng)當(dāng)同時(shí)考慮公共自行車與公交站點(diǎn)、慢行網(wǎng)絡(luò)的一體化配套。

4 結(jié)束語

本文基于2018 年11 月份宜興市的公共自行車卡刷卡數(shù)據(jù)與公交IC 卡刷卡數(shù)據(jù)，識(shí)別出2 267條公共自行車接駁公交的換乘記錄，提取用戶個(gè)人屬性、出行特性等信息，并加入站點(diǎn)周邊各類建成環(huán)境變量指標(biāo)，從公交站點(diǎn)層面，融合用戶個(gè)人屬性、出行特性、公交站點(diǎn)周邊土地利用、設(shè)施設(shè)計(jì)、交通環(huán)境等多樣性指標(biāo)，建立用于分析嵌套數(shù)據(jù)結(jié)構(gòu)的多層線性模型。提取站點(diǎn)影響范圍內(nèi)各類POI 數(shù)量、道路密度、交叉口數(shù)量和站點(diǎn)距離CBD 的距離等4 個(gè)站點(diǎn)層次的影響因素，構(gòu)建多層線性模型進(jìn)行影響因素分析。結(jié)果表明，公交站點(diǎn)層次變量的引入有效提高了模型準(zhǔn)確度，個(gè)人層面和站點(diǎn)建成環(huán)境變量均對(duì)換乘量有不同程度的正負(fù)影響，并在此基礎(chǔ)上從個(gè)人屬性、出行特征及站點(diǎn)建成環(huán)境方面進(jìn)行分析并提出建議：提高自行車換乘公交出行的舒適性與便捷性；實(shí)施公共自行車與公交系統(tǒng)的換乘優(yōu)惠政策；縮短高峰期間高頻換乘線路的發(fā)車間隔；合理布設(shè)公共自行車站點(diǎn)與公交站點(diǎn)。

由于數(shù)據(jù)來源于刷卡數(shù)據(jù)，個(gè)人屬性中的收入水平、是否擁有私人小汽車、電動(dòng)自行車等因素并未包含在數(shù)據(jù)中，而這些因素均會(huì)對(duì)換乘行為產(chǎn)生影響。在后續(xù)研究中，可以進(jìn)一步結(jié)合IC 卡數(shù)據(jù)和個(gè)人屬性調(diào)查數(shù)據(jù)等，更加全面地考慮不同類型用戶的公共自行車與公交接駁規(guī)律與接駁影響機(jī)理。此外，未來若能獲取其他城市的同類型數(shù)據(jù)，可進(jìn)一步進(jìn)行對(duì)比分析研究，為不同類型的城市提供參考。