环境科学学报  2021, Vol. 41 Issue (11): 4752-4759
基于摩拜骑行数据的上海市共享单车减排效益时空分析    [PDF全文]
李文翔, 唐桂孔, 刘博, 王银, 余海军    
上海理工大学管理学院, 上海 200093
摘要:移动互联网环境下的共享单车能够有效减少机动化出行,可在一定成程度上缓解当下交通污染、气候变化等问题,具有显著的减排效益.本研究基于上海市摩拜单车的骑行数据,结合精细化的交通方式排放因子及共享单车替代率调查数据,计算共享单车与其替代交通方式相比所减少的温室气体排放和污染物排放,并分析共享单车减排效益的时空分布特征.结果表明:2016年上海市共享单车的CO2、CO、HC、NOx、PM2.5和PM10减排量分别为6322、74、8.57、6.33、0.32、0.48 t;在时间上具有典型的峰谷现象,其中,早晚高峰贡献了约45%的减排量;在空间上主要分布于中心城区,其中,南京东路街道单位面积减排量最高.因此,上海市共享单车的减排效益主要产生于早晚通勤交通与人口集聚的地区.为了提高共享单车的减排效益,政府和运营者需要在未来继续扩大共享单车的覆盖范围,增加在郊区的投放数量,鼓励更多外围居民使用共享单车.
关键词共享单车    减排效益    骑行数据    时空分析    排放因子    替代交通方式    
Temporal and spatial analysis of the emission reduction benefits of bike-sharing in Shanghai based on Mobike riding data
LI Wenxiang, TANG Guikong, LIU Bo, WANG Yin, YU Haijun    
Business School, University of Shanghai for Science and Technology, Shanghai 200093
Received 14 March 2021; received in revised from 23 May 2021; accepted 23 May 2021
Abstract: Bike-sharing in the environment of mobile Internet can effectively reduce motorized travel, which can alleviate the current problems of climate change and traffic pollution to a certain extent. Thus, bike-sharing can bring significant benefits of emission reductions. Based on the riding data of Mobike in Shanghai, this study combines refined survey data on emission factors and substitution rates of alternative transportation modes of bike-sharing to calculate the greenhouse gas emissions and pollutant emissions reduced by bike-sharing compared with their alternative transportation modes. Furthermore, it analyzes the temporal and spatial distributions of the emission reduction benefits of bike-sharing. The results show that the emission reductions of CO2, CO, HC, NOx, PM2.5, and PM10 from bike-sharing in Shanghai in 2016 were 6322, 74, 8.57, 6.33, 0.32, and 0.48 t, respectively. In terms of temporal distribution, there are typical peaks and valleys, with the morning and evening peaks contributing about 45% of the emission reductions. In terms of spatial distribution, emission reductions are concentrated in the central city, with the highest emission reductions per unit area in Nanjing East Road street. Therefore, the emission reduction benefits of bike-sharing in Shanghai are mainly generated in areas with a high concentration of population during peak hours for commuting. In order to boost the emission reduction benefits of bike-sharing, the government and operators should continue to expand the coverage of bike-sharing, increase the number of shared bikes in suburban areas, and encourage more peripheral residents to use bike-sharing in the future.
Keywords: bike-sharing    emission reduction benefits    riding data    spatiotemporal analysis    emission factors    alternative transportation modes    
1 引言(Introduction)

近年来, 在移动互联网和共享经济的双重驱动下, 摩拜单车、ofo、哈罗单车等无桩式共享单车大量涌上街头.作为一种新兴的交通方式, 共享单车适应于高密度城市环境的出行需求, 可以有效缓解城市交通“最后一公里”出行难题, 为公共交通的接驳提供了出行选择.同时, 在交通较为拥堵的城市中心区域, 人们可能选择使用共享单车代替机动车完成短距离的出行, 进而可以显著地减少交通能耗与排放.因此, 如何科学地量化与评估新一代共享单车的减排效益是本文的研究重点.

目前对于共享单车的研究主要聚焦于车辆调度与再平衡优化(Pfrommer et al., 2014; Formaet et al., 2015; Pal et al., 2017)、骑行时空分布特征的分析(Caulfield et al., 2017; 吕雄鹰等, 2018; 周荣等, 2019)、共享单车使用影响因素的分析(Bachand-Marleau et al., 2012; Faghih-Imani et al. 2014; Zhang et al., 2017; Guo et al., 2020; Li et al., 2021)、共享单车的影响效益评估(Zhang et al, 2018; 朱家明等, 2019)等方面.虽然共享单车被认为是一种低碳环保的交通方式, 然而关于共享单车减排效益的量化研究仍然相对匮乏, 大多仅仅是定性或宏观分析共享单车可能产生的各种环境影响(Shaheen et al, 2010).

近年来, 随着共享单车运营者逐渐开放了部分用户骑行数据, 使得科学准确地测算共享单车的实际减排量成为可能.例如, Fishman等(2014)基于美国、英国、澳大利亚5个城市的共享单车行程数据, 分析了共享单车对于小汽车出行的替代作用, 进而带来一定的减排效益.然而, 他们在计算共享单车替代里程时, 并未使用真实的骑行距离, 而是采用假设的平均速度乘以骑行时长, 因此, 可能导致计算结果不准确.Zhang和Mi(2018)率先采用大数据分析的方法, 基于摩拜单车开放的轨迹数据准确计算了骑行距离, 并评估了上海市共享单车替代其他交通方式所产生的减排效益, 然而他们的研究假设1 km以上的共享单车出行全部替代了小汽车出行, 没有考虑到替代公交车、地铁、出租车、私家车等不同交通方式的比例及交通工具的平均载客数, 导致其估算结果将明显偏大.Kou等(2020)基于共享单车行程数据和交通方式选择模型, 对美国8个城市共享单车的温室气体减排进行了量化与空间分布分析, 他们在计算共享单车替代率时, 综合考虑了出行距离、出行目的、出行时间及出行方式选择分布, 因此, 可以更加准确地评估共享单车的减排量.然而, 他们只分析了二氧化碳这一种气体的减排量, 共享单车对于其他污染物的减排效益还有待进一步研究.

因此, 为了更加科学地、定量地、准确地评估共享单车的减排效益, 本文将基于上海市摩拜单车的海量时空轨迹数据计算真实的共享单车骑行距离, 然后根据不同出行距离下共享单车对步行/私人自行车、电动自行车、公交车、地铁、出租车、专车/快车、拼车/顺风车、私家车等不同交通方式的替代率, 采用不同交通方式单位人公里的排放因子数据, 进而计算共享单车与其替代交通方式相比所节省的温室气体和污染物排放, 包括二氧化碳(CO2)、一氧化碳(CO)、碳氢化合物(HC)、氮氧化合物(NOx)、细颗粒物(PM2.5)、粗颗粒物(PM10), 并对共享单车的减排效益进行时空分析.以期为城市管理者制定共享单车的推广政策提供决策依据, 进而促进城市低碳交通出行体系的转型升级.

2 数据与方法(Data and methods) 2.1 摩拜单车骑行数据处理

上海是中国经济最发达的城市之一, 也是中国首批共享单车的投放地.截至2017年9月底, 先后有13家公司在上海进行共享单车投放, 投放总量超过115万量, 注册的用户超过500万(吕雄鹰等, 2018).在当时, 共享单车投放量与使用量最大的企业是摩拜, 大约投放了67万辆, 约占比58%, 在共享单车的市场处于主导地位.

本文所使用的数据为2016年8月1—31日上海市摩拜单车的骑行数据, 记录了上海市超过100万共享单车订单的详细情况, 覆盖了约30.7万辆共享单车和1.77万用户.数据字段包括订单编号、车辆编号、用户编号、订单的起始和终止时间、骑行的起点和终点经纬度, 以及骑行过程中的轨迹点集合(乱序), 具体如表 1所示.该数据集属于典型的时空大数据, 可以较为客观、真实及全面地分析上海市共享单车的骑行特征与减排效益.然而需要注意的是, 本文的计算结果仅仅反映的是2016年上海市共享单车的减排量, 随着近年来共享单车投放数量与注册用户爆发式增长, 其减排效益规模也将线性扩大.

表 1 摩拜骑行数据说明 Table 1 Description of Mobike riding data

对于上述摩拜单车骑行数据的处理包括以下3个步骤:①对原始数据进行清洗与预处理, 筛选有效数据子集:根据订单的起终点位置, 过滤骑行起终点在上海市边界范围以外的订单;根据订单的骑行时长T、骑行距离D(计算方法见2.2节)和平均速度V, 过滤不合理或异常的订单(即T < 1 min或D < 100 m或V>30 m·s-1).

② 对数据子集进行时空统计分析, 分别从时间和空间两个维度分析共享单车的骑行特征:根据订单的起始时间分别对数据进行按周、天、小时为单元的分组统计, 分析共享单车出行时变特征;根据订单的骑行起终点位置, 进行共享单车出行空间核密度分析.

③ 根据共享单车的骑行距离、不同交通方式替代率和排放因子等数据, 分别计算共享单车对于CO2、CO、HC、NOx、PM2.5、PM10的减排量(计算方法见2.3节).

2.2 共享单车轨迹重组与骑行距离计算

由于本文使用的数据中并未直接给出每个订单的骑行距离, 而提供的轨迹数据是以点集的形式储存, 并且集合中的轨迹点并未按时间顺序排列, 因此, 需要对轨迹点进行重组与排序, 进而计算每个共享单车订单的实际骑行距离.

基于上述数据, 本文提出的轨迹重组方法如下:对于任意一个共享单车订单, 定义两个集合Set1和Set2, 其中, Set1存放还未排过序的轨迹点{Pn}, Set2存放已经排过序的点元素(初始为空集合);首先判断起点O和终点D是否已经在Set1内, 没有则把这两个点加入Set1内;然后从Set1中取出起点O, 放入Set2中作为第1个点P1, 再从Set1中寻找离P1最近的点, 将其从Set1中取出放入Set2中作为第2个点P2;以此类推, 再从Set1中寻找离第2个点P2最近的点, 将其从Set1中取出放入Set2中作为第3个点P3, 不断重复以上操作, 直到终点D从Set1取出被放入Set2中为止.实现上述轨迹重组的算法流程如图 1所示.

图 1 共享单车轨迹重组算法 Fig. 1 Algorithm of bike-sharing trajectory re-construction

基于以上轨迹重组算法, 可以得到按时间顺序排列的摩拜单车骑行的轨迹点序列Set2={P1, P2, P3, …, PN}, 根据经纬度计算相邻轨迹点之间的球面距离并累加即可得到任意订单的实际骑行距离, 见式(1)~(2).

(1)
(2)

式中, n为排序重组后的轨迹点序号, LONn为轨迹点n的经度, LATn为轨迹点n的纬度, R为地球半径(km), dn, n+1为相邻轨迹点之间的球面距离(km), D为共享单车订单的骑行距离(km).

2.3 共享单车减排量计算

共享单车减排量等于其替代交通方式的综合排放量减去共享单车出行的排放量.由于通常认为使用共享单车出行的排放量为零, 因此, 只需计算替代交通方式的排放量.根据相关文献(李娟等, 2019; 陆雅静等, 2020; 宋晓伟等, 2020), 不同交通方式的排放量都可以表示为单位距离排放因子与出行距离的乘积.然而随着出行距离的改变, 各种交通方式的替代率也会有所变化, 因此, 需要按出行距离的范围分类讨论.在某一出行距离范围内, 共享单车的减排能力可以表示为不同交通方式排放因子按其替代率加权的平均值, 则该距离范围的共享单车减排量就等于减排能力与骑行距离的乘积, 进而将不同距离范围的减排量累加便可得到共享单车总体的减排量, 如式(3)所示.

(3)

式中, k为不同的污染物, k=1表示CO2, k=2表示CO, k=3表示HC, k=4表示NOx, k=5表示PM2.5, k=6表示PM10i为不同替代交通方式, i=1表示步行/私人自行车, i=2表示电动自行车, i=3表示公交车, i=4表示地铁, i=5表示出租车, i=6表示专车/快车, i=7表示拼车/顺风车, i=8表示私家车;j为不同的出行距离, j=1表示1 km以内的出行, j=2表示1~3 km以内的出行, j=3表示3~6 km以内出的行, j=4表示6~10 km以内的出行, j=5表示10 km以上的出行;ERk为共享单车对污染物k的减排量(g);EFik为替代交通方式i的污染物k的排放因子(g·km-1);TDj为出行距离属于范围j的共享单车骑行总里程(km);Rij为替代交通方式i在出行距离属于范围j时的替代率.

由于各种交通方式的载客人数不同, 因此, 本文所采用的排放因子EFik为共享单车所替代交通方式单位人公里的综合排放因子(g·人公里-1), 如表 2所示.其中, 单位人公里的CO2排放因子数据直接来源于《滴滴平台绿色出行白皮书(2020)》(滴滴公益, 2020);单位人公里的其他污染物综合排放因子根据《道路机动车大气污染物排放清单编制技术指南》(吴烨等, 2015)的综合基准排放系数, 结合《中国机动车环境管理年报(2017)》(环境保护部, 2017)在用车排放标准占比、燃料类型占比、平均载客人数等数据加权平均计算得出;电动自行车和地铁的排放因子根据其所消耗电能发电所产生排放数据计算得来(高阳等, 2019).已有调查研究(浙江大学, 2013)显示:自行车平均载客数为1人, 电动自行车平均载客数为1.12人, 公交车平均载客数为62.45人, 出租车平均载客数为1.06人(不包括司机), 专车、快车平均载客数为1.58人(不包括司机)(俞海等, 2018), 拼车、顺风车平均载客数为2.34人(俞海等, 2018), 小汽车的平均载客数为1.24人.

表 2 各种交通方式单位人公里的综合排放因子 Table 2 Composite emission factor of transport modes per person-kilometer

本文通过对上海市共享单车用户开展SP问卷调查, 可获得共享单车在不同出行距离下替代各种交通方式的比例, 进而计算共享单车的替代率Rij, 如表 3所示.可见, 当出行距离在1 km以上时, 共享单车所替代的出行中, 超过64%都是机动化出行(不包含电动自行车), 因此, 具有巨大的减排潜力.

表 3 不同出行距离下共享单车对各种交通方式的替代率 Table 3 Substitution rates of transport modes under different travel distances
3 结果与讨论(Results and discussion) 3.1 共享单车骑行特征分析

通过对2016年8月所有摩拜单车订单的骑行参数进行计算与统计, 可得到上海市共享单车骑行时长和骑行距离的频数直方图, 如图 2所示.由图 2a可知, 共享单车平均骑行时长为14.5 min, 其中, 6~8 min的订单最多, 约80%的订单骑行时间都在20 min以内, 骑行时间超过1 h的订单占比很少.这说明使用共享单车的出行时间普遍较短, 以短途出行为主.由图 2b可知, 共享单车平均骑行距离为2.1 km, 其中, 1~2 km的订单最多, 约80%的订单骑行距离都在3 km以内, 仅极少部分订单骑行距离超过10 km.这可能是由于单车速度相对较慢, 且消耗体力, 通常服务于地铁、公交最后1 km的出行.

图 2 共享单车骑行参数分布 Fig. 2 Riding parameter distributions of bike-sharing

通过对2016年8月所有摩拜单车订单量进行时间序列分析, 可得上海市共享单车周一到周日车每天24 h出行时间分布, 如图 3所示.图中折线反映的是不同星期的平均值, 竖线表示误差条(Error Bar).在不同的工作日, 共享单车出行具有相似的时间分布特征, 并且具有明显的早晚高峰现象:早上7:00—9:00和晚上17:00—20:00出行量显著高于平峰期.相比于早高峰, 晚高峰使用共享单车的人数更多, 这可能是因为早高峰人们的目的地通常是地铁站或单位, 而晚高峰人们除了回家以外还可以去参加娱乐活动, 比如去饭店、商场等, 因此, 选择使用共享单车的频率更高.在周末, 共享单车出行量显著下降, 无明显高峰现象, 共享单车出行量从早到晚平稳上升, 在19:00左右达到顶峰.这可能是由于周末使用共享单车出行的人们是以休闲娱乐为主, 时段分布较为均衡.

图 3 共享单车出行时间分布 Fig. 3 Temporal patterns of bike-sharing

由于工作日的共享单车出行具有相似性, 本文选取某个代表性工作日(2016年8月15日, 周一)的摩拜单车骑行起终点进行空间核密度分析, 可得到上海市共享单车出行空间分布, 如图 4所示.可见, 在2016年上海市摩拜单车出行主要聚集在浦西中心城区, 以杨浦区、虹口区、黄浦区、静安区为主.这可能是由于这些地区人口密度较高, 并且当时摩拜单车的投放也存在区域分布不均衡的现象, 主要覆盖外环以内的地区, 外围郊区尚且存在空白.此外, 共享单车出行在部分地铁站周围呈显著的集聚效应, 特别是在8号线市光路地铁站、10号线江湾体育场地铁站、3号线江湾镇地铁站周围, 反映了共享单车成为轨道交通“最后一公里”接驳的重要出行方式.

图 4 工作日共享单车出行空间分布 Fig. 4 Spatial patterns of bike-sharing on weekday
3.2 共享单车减排效益评估

根据上述方法可计算每个摩拜单车订单替代其他交通方式所带来的减排效益, 即共享单车单次出行减排量, 统计情况如表 4所示.由于不同订单的骑行距离和交通方式替代率不同, 其减排量相差较大.平均来看, 单次共享单车出行可减少164.82 g CO2、1.928 g CO、0.223 g HC、0.165 g NOx、0.008 g PM2.5和0.013 g PM10排放.为了评估上海市共享单车的总体减排效益, 本文进一步计算了2016年8月摩拜单车的总体减排量, 并根据数据抽样率(56.62%)和摩拜单车市场占有率(56.56%)进行了扩样, 得到上海市共享单车全年的CO2、CO、HC、NOx、PM2.5和PM10减排量分别为6322、74、8.57、6.33、0.32、0.48 t, 减排效果显著.

表 4 共享单车减排效益统计情况 Table 4 Descriptive statistics of bike-sharing environmental benefits

对上述计算的共享单车全年减排量按小时进行统计, 可得到共享单车减排效益的时间分布, 如图 5所示.可见, 共享单车CO2减排量与污染物减排量均呈现典型的早晚高峰现象:早高峰(7:00—9:00)全年可减少CO2排放767 t和污染物排放10.9 t, 贡献率为12%;晚高峰(17:00—20:00)全年可减少CO2排放2083 t和污染物排放30 t, 贡献率达33%.此外, 晚上20:00—22:00的减排贡献率也较高, 约为16%.因此, 共享单车的减排效益主要产生于早晚通勤交通与夜间的休闲娱乐出行.

图 5 共享单车减排效益时间分布 Fig. 5 Temporal patterns of bike-sharing environmental benefits

为了进一步评估共享单车在不同区域的减排效益, 本文以2016年上海市218个街镇为单元, 计算了每个街镇共享单车全年单位面积的减排量(即减排强度), 得到共享单车减排效益空间分布, 如图 6所示.在所有上海市街镇中, 2016年共享单车在南京东路街道的减排强度最大, CO2、CO、HC、NOx、PM2.5、PM10的减排强度分别为35.5 t·km-2、412.3、47.9、35.2、1.8、2.7 kg·km-2.此外, 减排效益突出的街镇还有:广中路街道、淮海中路街道、四川北路街道、四平路街道.这可能是由于这些区域人口密度较高, 且摩拜单车投放数量较多, 共享单车出行密度大.可见, 共享单车的减排效益在空间上分布不均匀, 主要产生于人口聚集的中心城区, 外围区域较少.因此, 为了提高共享单车的减排效益, 政府和运营者应该在未来继续扩大共享单车的使用范围, 增加在郊区的投放数量, 鼓励更多外围居民使用共享单车.

图 6 共享单车减排效益空间分布 Fig. 6 Spatial patterns of bike-sharing environmental benefits
4 结论(Conclusions)

1) 2016年上海市共享单车平均骑行时长为14.5 min, 平均骑行距离为2.1 km;从时间变化来看, 共享单车出行在工作日呈现显著的早晚高峰现象, 且晚高峰出行量显著大于早高峰;从空间变化来看, 共享单车出行主要聚集在浦西中心城区, 特别是地铁站附近, 反映了共享单车成为通勤交通与接驳地铁的重要方式.

2) 2016年上海市共享单车全年的CO2、CO、HC、NOx、PM2.5和PM10减排量分别为6322、74、8.57、6.33、0.32、0.48 t;单次共享单车出行平均可减少164.82 g CO2、1.928 g CO、0.223 g HC、0.165 g NOx、0.008 g PM2.5和0.013 g PM10排放.

3) 上海市共享单车的减排效益主要产生于早晚通勤交通与人口集聚的地区:早高峰和晚高峰分别贡献了约12%和33%的CO2减排量与污染物减排量;中心城区的南京东路街道、广中路街道、淮海中路街道、四川北路街道、四平路街道单位面积的减排量最大, 外围区域减排潜力有待提升.

4) 基于上海市摩拜单车的海量时空轨迹数据计算了真实的共享单车骑行距离, 并结合不同替代交通方式的排放因子数据及不同出行距离下的替代率, 估算了共享单车所减少的温室气体和污染物排放, 并对其进行时空分析, 可为城市共享单车减排效益的评估提供科学依据与量化方法.

参考文献
Bachand-Marleau J, Lee B H Y, El-Geneidy A M. 2012. Better understanding of factors influencing likelihood of using shared bicycle systems and frequency of use[J]. Transportation Research Record, 2314(1): 66-71. DOI:10.3141/2314-09
Caulfield B, O'Mahony M, Brazil W, et al. 2017. Examining usage patterns of a bike-sharing scheme in a medium sized city[J]. Transportation Research Part A: Policy and Practice, 100: 152-161. DOI:10.1016/j.tra.2017.04.023
滴滴公益. 2020. 滴滴平台绿色出行白皮书(2020)[R]. 北京: 滴滴发展研究院
Faghih-Imani A, Eluru N, El-Geneidy A M, et al. 2014. How land-use and urban form impact bicycle flows: Evidence from the Bicycle-Sharing System (BIXI) in Montreal[J]. Journal of Transport Geography, 41: 306-314. DOI:10.1016/j.jtrangeo.2014.01.013
Fishman E, Washington S, Haworth N. 2014. Bike share's impact on car use: Evidence from the United States, Great Britain, and Australia[J]. Transportation Research Part D: Transport and Environment, 31: 13-20. DOI:10.1016/j.trd.2014.05.013
Forma I A, Raviv T, Tzur M. 2015. A 3-step math heuristic for the static repositioning problem in bike-sharing systems[J]. Transportation Research Part B: Methodological, 71: 230-247. DOI:10.1016/j.trb.2014.10.003
高阳, 顾保南. 2019. 国内各城市的轨道交通线网电耗统计分析-基于中国城市轨道交通协会数据分析的研究报告之三[J]. 城市轨道交通研究, 22(8): 1-7.
Guo Y, He S Y. 2020. Built environment effects on the integration of dockless bike-sharing and the metro[J]. Transportation Research Part D: Transport and Environment, 83: 102335. DOI:10.1016/j.trd.2020.102335
Kou Z, Wang X, Chiu S F (Anthony), et al. 2020. Quantifying greenhouse gas emissions reduction from bike share systems: A model considering real-world trips and transportation mode choice patterns[J]. Resources, Conservation and Recycling, 153: 104534. DOI:10.1016/j.resconrec.2019.104534
环境保护部. 2017. 中国机动车环境管理年报(2017)[R]. 北京: 环境保护部
李娟, 王新锋, 薛丽坤, 等. 2019. 济南市典型机动车的尾气颗粒物污染特征与影响因素研究[J]. 环境科学学报, 39(1): 35-43.
陆雅静, 倪爽英, 王洪华, 等. 2020. 河北省国道和省道机动车基于交通流量的尾气排放量估算[J]. 环境科学学报, 40(12): 4483-4491.
吕雄鹰, 潘海啸. 2018. 基于摩拜开放数据的上海市共享单车骑行特征分析[J]. 上海城市规划, (2): 46-51.
Li W, Chen S, Dong J, et al. 2021. Exploring the spatial variations of transfer distances between dockless bike-sharing systems and metros[J]. Journal of Transport Geography, 92: 103032. DOI:10.1016/j.jtrangeo.2021.103032
Pal A, Zhang Y. 2017. Free-floating bike sharing: solving real-life large-scale static rebalancing problems[J]. Transportation Research Part C: Emerging Technologies, 80: 92-116. DOI:10.1016/j.trc.2017.03.016
Pfrommer J, Warrington J, Schildbach G, et al. 2014. Dynamic vehicle redistribution and online price incentives in shared mobility systems[J]. IEEE Transactions on Intelligent Transportation Systems, 15(4): 1567-1578. DOI:10.1109/TITS.2014.2303986
宋晓伟, 郝永佩, 朱晓东. 2020. 长三角城市群机动车污染物排放清单建立及特征研究[J]. 环境科学学报, 40(1): 90-101.
吴烨, 刘欢, 张少君, 等. 2015. 道路机动车大气污染物排放清单编制技术指南[R]. 北京: 环境保护部
俞海, 王勇, 王宇. 2018. 共享出行绿色发展报告2017[R]. 北京: 生态环境部环境与经济政策研究中心
Shaheen S A, Guzman S, Zhang H. 2010. Bikesharing in Europe, the Americas, and Asia: Past, present, and future[J]. Transportation Research Record, 2143(1): 159-167. DOI:10.3141/2143-20
浙江大学. 2013. 电动自行车对我国城市交通的影响[R]. 杭州: 中国城市公共交通协会
周荣, 王元庆, 朱亮, 等. 2019. 基于时空数据的共享单车出行特征研究[J]. 武汉理工大学学报(交通科学与工程版), 43(0/1): 159-163.
朱家明, 冮建伟, 凌佳亨. 2019. 共享单车对社会经济与环境的影响——基于纽约市1993-2015年面板数据的实证研究[J]. 山东理工大学学报(社会科学版), 35(3): 32-37.
Zhang Y, Mi Z. 2018. Environmental benefits of bike sharing: A big data-based analysis[J]. Applied Energy, 220: 296-301. DOI:10.1016/j.apenergy.2018.03.101
Zhang Y, Thomas T, Brussel M, et al. 2017. Exploring the impact of built environment factors on the use of public bikes at bike stations: Case study in Zhongshan, China[J]. Journal of Transport Geography, 58: 59-70. DOI:10.1016/j.jtrangeo.2016.11.014