基于空间自回归模型和双机器学习框架的自环现象多尺度时空异质性分析：来自上海的证据
机器学习
2025-11-05 v3 计算机与社会
摘要
bike-sharing 是一种环保共享出行方式，但其自环现象（即自行车在几段时间使用后返回同一站点）显著影响其服务可及性的公平性。因此，本研究采用空间自回归模型和双机器学习框架，对社会经济特征和地理空间位置对地铁站和街道尺度上自环现象的影响进行了多尺度分析。结果显示，bike-sharing 自环强度在街道尺度上表现出显著的空间滞后效应，并且与住宅用途呈正相关。住宅用途的边际处理效应在拥有中年居民、固定就业且汽车拥有率低的街道上更高。多模式公共交通条件在两个尺度上都显示出显著的正向边际处理效应。为增强 bike-sharing 的合作，本研究主张在地铁使用频繁且公交覆盖不足的地区增加自行车供应，同时实施灵活的重新分配策略。
引用
@article{arxiv.2411.17555,
title = {Multiscale spatiotemporal heterogeneity analysis of bike-sharing system's self-loop phenomenon: Evidence from Shanghai},
author = {Yichen Wang and Qing Yu and Yancun Song},
journal= {arXiv preprint arXiv:2411.17555},
year = {2025}
}
备注
Critical OD data calibration errors in Sections 3.2/4.1 (invalidating indices, undermining conclusions), planning a revised validated version