英文文献翻译Optimizing the location of stations in bike sharing programs A GIS approach - 图文

车站的位置

图3显示了由区位分配模型得到的结果。在都考虑到所用的解决方案和每种情形下车站的数目的情况下，每一种情况下的分布结果有很大的不同。在使用最小化阻抗（P-中位数）方法时，车站分散在整个区域内；而在使用最大化覆盖范围的方法时，车站则集中分布在最中心的区域（有更大的需求密度）。

当车站数目增加时，最小化阻抗方法给出了在所有的情况下都均匀增加的车站密度。使用最大化覆盖模型时，在有较大的需求密度的区域，车站的数量有一个初始的增加（200或300个车站的情况），从而加强了分布密度。只有当覆盖了有高密度需求的区域时，新的车站才可能设在比较偏远的地方（500个车站的情况）。因此，在有500个车站的情况下，两种解决方法的结果相对来说比较接近。

图4 车站200米范围内步行的潜在需求覆盖百分比

3表示了需求点和车站之间通过需求加权的最大和最小距离。在最小化阻抗模型中，所有的需求都被分配给了车站。在所有的情况下，需求点与车站之间的最大距离都不足800米。如果车站的数目增加，平均的需求距离有一个显着的减少，从337米范围内有100自行车变化为124米范围内有500辆。在最大化覆盖范围模型中，车站的位置是根据最大化覆盖和隔开需求的剩余部分的要求来确定的，这个范围是200米（考虑到阻抗切断的要求）。如果需求的剩余部分被分配到最近的车站，最大距离就会急剧上升（在有100个自行车站的情形下是3700米，500个车站的情形下是2800米）。

表

加西亚·帕洛马雷斯等人/应用地理 35(2012)235-246

表3 需求点与车站之间的距离

情 况（自行车站的数目） 最小化阻抗（p-中值） 最大化覆盖 需求加权平均距离（米） 最 大 距 离 （米） 需求加权平均距离 （米） 最大距离 （米） 100 200 300 400 500 336.8 214.0 169.1 142.4 123.7 156.7 118.0 98.8 88.6 80.4 794 799 797 798 796 455.2 274.9 208.2 170.4 145.0 327.2 264.0 195.7 147.9 96.0 3728 3415 3124 3018 2816 来源：作者计算

当然，最大化覆盖范围解决方案中的平均距离也是高于最小化阻断方案的，但是在有500个自行车站的情况下，这种模型中距离的减少更为强烈，车站有集聚的倾向。在两种解决方案中都发现了距离递减的现象，在第一种情况下需求点和自行车站之间的距离显着减少，而后一种情况下距离缩短的较少。

从逻辑上讲，在最大化覆盖范围模型中，行人与车站之间适当的距离（200米）可以覆盖更多的需求(表4）。在有较少车站的情况下，两种方案的差异是较大的，但这种差异会随着车站数量和总的网络覆盖范围的增加而减少。两种解决方案都显示出需求随着车站数量的增加而递减（图4）。在这两种方案中，在第一种情况下增加100个自行车站都意味着需求覆盖的显着上升（车站数目为100-200的情况下两种方案中的需求分别是26％和24.1％）。但是，需求覆盖的增加随着车站的数量的增加而减弱。因此，在两种模型中车站数目从400上升到500意味着需求覆盖的增加仅为8.1％和7.2％（表4和图 4）。

为了获得车站之间的合适间隔，我们计算了从每个车站到下一站和离它最近的五个车站之间的平均距离。正如所预期的，在最小化阻抗模型中这些平均距离比最大化覆盖模型中的要大，因为最小化阻抗模型的目的是将车站分散开来，而最大化覆盖模型车站的分布更集中

（图3和表5）。然而，在车站数目较少的几种情况下，具有最大覆盖范围的车站中有少数出现在周边的几个车站与网络的其余部分是孤立的，这就减少了它们的效用（参见第5.4节）。车站数量较多的情况下，车站间的平均距离不仅减少了，而且在两个解决方案中车站的分布都更均匀。

表4 200米范围内的需求覆盖

情况（自行车站的数目） 100 200 300 400 500 最小化阻抗（p-中值） 200米范围内的需求覆盖 总量 1675270 374765 5100530 6053825 6699270 % 21.0 47.0 63.8 75.7 83.8 增量 - 2079495 1345765 953295 645445 增量% - 26.0 16.8 11.9 8.1 最大化覆盖 200米范围内的需求覆盖 % 总量 增量 增量% 2575828 4503626 5791870 6617587 7194755 32.2 - 56.3 1927798 72.5 1288244 82.8 825717 90.0 577168 - 24.1 16.2 10.3 7.2 来源：作者计算

表5 车站之间的距离（米）

情况（自行车站的数目） 最小化阻抗（p-中值） 与最近车站距离的平均值 655.5 474.6 396.0 343.5 311.3 标准值 与最近5个车站距离的平均值 标准值 最大化覆盖 与最近车站距离的平均值 478.7 381.4 350.1 321.3 301.7 标准值 与最近5个车站距离的平均值 标准值 100 200 300 400 500 207.3 157.7 165.4 145.5 127.8 997.4 677.8 559.6 484.9 436.3 288.5 228.1 225.7 200.0 173.6 209.0 740.4 145.1 537.0 124.5 472.5 98.0 82.3 436.5 420.0 317.1 216.5 162.5 154.4 120.3 来源：作者计算

加西亚·帕洛马雷斯等人/应用地理 35(2012)235-246

车站特征

图 5显示了根据其分类为出行源点，混合式，出行吸引因子或强出行吸引因子的自行车站点的分布（参见4.3节），由于篇幅的原因，我们只展示最大化覆盖模型的情况。暂且不考虑必要的前提，在有100个车站的情况下，大部分的车站（39％）都属于出行吸引或强出行吸引因子，而只有几乎不足2％的车站是出行源点（表6）。然而，随着车站的数量增加，作为出行源点的车站的百分比也随之增加。在有300个车站的情况下，作为出行源点的车站占到了18％，车站数目为500时，这一比例为28％。混合式车站的百分比也有所增加，但是位于强出行吸引因子区域的车站的比重在减小。这种转变是因为马德里市中心所吸引的出行比它所产生的出行更多，所以在潜在出行密度最高的地方会有一个明确的的出行吸引因子（活动领域）。只有当车站的数目增加时，出行源点区域（住宅区）的车站才会更频繁地出现。这些车站在早上应该做的第一件事就是提供比空闲停靠基座数量更多的自行车，而对位于出行吸引因子地区的车站，情况则完全相反。但是对于那些必需的自行车站（位于地铁和市郊铁路站）来说，情况却比较特殊，因为自行车和空闲停靠基座的可用性不仅取决于其所处地区的特点也取决于乘客日常出入车站的比例。

车站可达性

图6显示了在最大化覆盖模型下，车站与潜在目的地之间的可达性。那些可达性的水平更高的车站是最核心的，它们靠近其他强出行吸引因子车站的活动区域。有些位于居民区的外围的孤立车站（出行源点）交通不便，因此可以忽略不计。

表6 每种类型车站的数量

出行源点 情况 100 200 300 400 500 总量 百 分比 2 23 54 93 140 2.0 11.5 18.0 23.3 28.0 混合式 总量 百 分比 7 48 72 107 128 7.0 24.0 24.0 26.8 25.6 出行吸引因子 总量 百分比 19 47 80 93 120 19.0 23.5 26.7 23.3 24.0 强烈出行吸引因子 总量 百 分比 20 30 42 55 60 20.0 15.0 14.0 13.8 12.0 必需型 总量 百 分比 52 52 52 52 52 52.0 26.0 17.3 13.0 10.4 来源：作者计算