公共自行車使用的時空型態

doi:10.6342/NTU201701458

12

第二章 文獻回顧

本研究的主題是分析建成環境因子對公共自行車使用時空型態的影響關係，

因此，本章分為「公共自行車使用的時空型態」以及「建成環境與公共自行車」

兩個小節進行相關的文獻閱讀，最後再根據文獻回顧後的結果提出綜合評析，針 對這些文獻的研究基礎與既有知識的不足提出說明，進而作為本研究研究構想與 貢獻的參考依據。

2

第一節 公共自行車使用的時空型態

本節針對公共自行車使用的時空型態進行文獻回顧，主要內容包含相關文獻 回顧以及文獻間的分析比較等兩部分。

2-1

(一) 相關文獻回顧

隨著電腦技術的逐年演進以及大數據資料庫的建置與開放，過往針對旅次行 為的研究也得以從個人訪談與發放問卷的抽樣方法，轉而研究整體的時空模式架 構，提供一個全新的研究取徑。而學界目前已有諸多文獻在討論交通旅次分布的 時空型態，像是 Schlich et al. (2004)探討個人空閒時間旅次的時空結構、Novák and Sykora (2007)年探討布拉格郊區居民移動的時空模式、Del-melle and Delmelle (2012)探討大學校園通勤狀況的時空模式等。公共自行車系統雖然從 2007 年於 法國里昂引領的風潮到現在也才短短不到 10 年的時間，已有諸多文獻抽樣調查 個人尺度下運具選擇的議題(余書玫，2009；白詩榮，2013)，而以系統全域的觀 點研究公共自行車使用狀況的文獻則直到近幾年，隨著公共自行車系統的更新以 及資料的釋放才得以進行後續的研究分析。

目前有關公共自行車時空型態的文獻主要分成兩大類，一類是找出公共自行 車流量的使用趨勢與模式，進而建置預測模型以檢驗系統是否存在著異常的現象；

doi:10.6342/NTU201701458

13

另一類則是依據公共自行車的使用狀況進行時空分群，藉由歸納分析時空群聚來 判斷不同使用者之間的使用情形。

第一類的時空型態文獻大多利用分析過往流量資料的研究方法，找出公共自 行車系統的規律性與模式，進而建置公共自行車流量的預測模型，像是 Froehlich et al. (2009)以西班牙巴塞隆納的 Bicing 系統為研究案例，使用前期各站點可使用 的自行車數進行模擬，分別使用 Last Value、Historic Mean、Historic Trend、Bayesian Network 四種不同的模型進行預測，最後的結果證實與實際值平均只有兩台車左 右的誤差，準確率高達 80%。Kalten-brunner et al. (2010)也以西班牙巴塞隆納的 Bicing 系統為研究案例，分別從區域尺度和全域尺度來分析各站點流量的變化，

找出週期性的流量模式，最後再以此為基礎，發展一套有足夠可信度的預測模型，

藉以提供管理者缺車缺位指標的參考依據。而 Borgnat et al. (2011)以法國里昂的 V´elo’v 系統為研究案例，分析了大量的自行車移動軌跡資料，估計各個站點的 使用頻率與流量，再分別從空間與時間的觀點分析其中的變化，發現自行車站點 確實存在著空間與使用上不均的現象；另外，此研究也根據時間模式的不穩定性 (Nonsta-tionarity)與週期性(Cyclostationarity)成功建置預測模型，將之運用在都市 規劃理論與政策制定上。Zhao et al. (2015)分析了中國南京 2012 年 9 月與 10 月 的公共自行車旅次資料，發現男性與女性在不同的時空背景下有不同的使用習慣，

例如女性在平日出現了複合式的租借循環(Multiple-circle pattern)，推斷可能與日 常家務有關。而此研究也發現公共自行車旅次鏈可能與建成環境型態有關，例如 住宅區與地鐵站的旅次鏈便有所不同。鍾智林、簡佑勳(2014)以臺灣臺北市 YouBike 系統為例，利用自行設立的缺車缺位指標進行系統使用率上的判斷依據，

並確定 YouBike 系統確實普遍存在著缺車缺位的缺陷，但因其只使用一天的流量 資料作為分析樣本，因此較不具代表性。

第二類的時空型態文獻將焦點置於公共自行車使用的分群上，希望透過分群 方法使得群內差異最小而群間差異最大，進而區分出不同的使用型態，方便系統

doi:10.6342/NTU201701458

14

管理以及政策制定參考。例如 Froehlich et al. (2009)使用階層式分群方法(Hierar-chical clustering)中的樹狀圖分群方法(Dendrogram clustering)，將西班牙巴塞隆納 的 Bicing 系統各站點的使用量進行分群，並發現分群結果與其站點位處於市區 的位置不同而有所差異，例如流出群(Outgoing)多位於城市的邊緣，而流入群 (Incoming)多位於高商業聚集區以及主要大道旁。Borgnat et al. (2011)也利用團塊 化指標(Modularity)進行分群並找出空間群聚，發現不同地區的公共自行車使用 狀況會有所不同，且較多區域內短程的移動而非區域間長程的移動。Etienne and Latifa (2014)利用法國巴黎的 V´elib’系統作為研究案例，使用 Poisson mixture model 和 EM Algorithm 進行站點間的分群，成功將各站點區分為 8 個子群體，

並發現分群結果與一地之社經變數如人口密度、工作機會密度、商店密度等有所 關聯，但因其只是單純比較各分群結果與其平均社經變數之間的大小關係，故較 缺乏嚴謹的統計顯著性。O'Brien et al. (2014)的研究尺度不再是城市範疇，而是 蒐集了遍布全球 38 個城市的公共自行車系統資料，進行不同系統間站點的空間 分布與使用流量的比較，並針對各系統流量間的差異進行分群整理，歸納出像是 通勤主導、假日休閒主導、遊客主導等不同類型的系統特色。而 Vogel et al. (2014) 利用法國里昂 V´elo’v 系統的個人屬性資料來進行分類，透過主成分分析與 K-means 分群演算法進行分群，最終得出四種不同的使用型態，並發現高度使用者 多位於交通便利的區域。Zhou (2015)以美國芝加哥的 Divvy 系統為研究案例，首 先以站點間自行車流動(Flow)的觀點進行群落分析(Community detection)，發現因 尖峰時段的不同會有不同的流動情況，例如早上尖峰多以進城流動為主，而晚間 尖峰則有較多往郊區的流動量。再來此研究以各站點使用量的觀點進行階層式分 群並成功區分為 5 個子群集，發現不同子群集通常會坐落於不同的土地使用型態 中。

以上文獻回顧之公共自行車使用的時空型態內容整理如表 2-1-1。

Froehlich et al.

(2009)

西班牙巴 塞隆納

Bicing

小時流量預測模型

Kaltenbrunner et al. (2010)

西班牙巴 塞隆納

Bicing

小時流量預測模型 無 無

Etienne and Latifa (2014)

法國巴黎

YouBike

缺車缺位指標計算

doi:10.6342/NTU201701458

17

(二) 文獻分析比較

根據表 2-1-1 之內容整理，進行以下歸納與分析。

(1) 研究區域

經由文獻歸納整理如表 2-1-2，公共自行車使用時空型態的文獻於地理分布 上相當多元，舉凡歐洲、美洲、亞洲皆有研究案例，然則案例數仍稍嫌稀少，尚 待學界加以補足。另外在系統規模方面，雖然因各研究當時的時空背景不同而與 現今會有所差異，但總歸來說，法國巴黎的 V´elib’系統因其發展歷史悠久而屬於 大規模的公共自行車系統；而西班牙巴塞隆納、法國里昂以及美國芝加哥的系統 則屬於中規模的系統；而中國南京市內的江寧區系統則屬於小區域的系統，服務 範圍較小。至於鍾智林、簡佑勳研究的臺北市 YouBike 系統則因當時系統剛正式 營運，尚待發展，因此站點數較少。

表 2-1-2 公共自行車使用的時空型態研究區域比較表 研究地區 公共自行車系統 研究案例系統規模 文獻

西班牙

巴塞隆納 Bicing 約 390 個站點，

6000 台車輛。

Froehlich et al. (2009) Kaltenbrunner et al. (2010) 法國里昂 V𝑒𝑒́lo’v 約 340 個站點，

4000 台車輛。

Borgnat et al. (2011) Vogel et al. (2014) 法國巴黎 V𝑒𝑒́lib’ 約 1200 個站點，

20000 台車輛。 Etienne and Latifa (2014) 中國南京市

江寧區 南京公共自行車 約 150 個站點，

1100 台車輛。 Zhao et al. (2015) 美國芝加哥 Divvy 約 300 個站點，

3000 台車輛。 Zhou (2015) 臺灣臺北 YouBike 約 63 個站點，

2100 台車輛。 鍾智林、簡佑勳 (2014)

Froehlich et al. (2009) Kaltenbrunner et al. (2010) Borgnat et al. (2011)

分群分析

流量分群

Borgnat et al. (2011) O’Brien et al. (2014) Zhou (2015)

站點分群

Froehlich et al. (2009) Borgnat et al. (2011) Etienne and Latifa (2014) Zhou (2015)

Borgnat et al. (2011) 雨量 Borgnat et al. (2011)

Froehlich et al. (2009) Borgnat et al. (2011) Vogel et al. (2014)

Borgnat et al. (2011) Zhou (2015)

鍾智林、簡佑勳 (2014)

休閒娛樂設施可及性

Borgnat et al. (2011) Etienne and Latifa (2014) Vogel et al. (2014)

Zhou (2015)

鍾智林、簡佑勳 (2014)

Borgnat et al. (2011) Etienne and Latifa (2014) Vogel et al. (2014)

Froehlich et al. (2009) Borgnat et al. (2011) Vogel et al. (2014) 僅以文字論述建成環境會對旅次鏈的時空分布有所影響、Zhou (2015)也僅以文字 論述時空分群結果的子群體 C 與其周遭的商業區環境有關。但以上文獻皆淪於 口頭上的論述，並沒有統計數據加以實證，雖然 Corcoran et al. (2014)有證實雨

doi:10.6342/NTU201701458

21

量、風速、氣溫與特定的假日會影響公共自行車使用的時空型態，但除了此種普 遍的自然影響因子之外，本研究相信整個公共自行車時空系統背後仍有隱藏的影 響因子尚未被挖掘。故參考上述文獻分析比較的影響因子之後，再加上公共自行 車系統大多位於都市的範圍內，本研究認為建成環境因子有納入考慮的空間，因 此透過回顧下一節建成環境對公共自行車的影響來說明本研究的懷疑有其理論 依據以及重要性。

doi:10.6342/NTU201701458

22