[论文解读] Analysis of Spatial-temporal Behavior Pattern of the Share Bike Usage during COVID-19 Pandemic in Beijing

Xiangping Chai, Guo X+2 more|arXiv (Cornell University)|Apr 26, 2020

Urban Transport and Accessibility参考文献 31被引用 9

一句话总结

本研究提出了一种基于自行车共享系统（BSS）数据的时空人类出行分析框架，以考察COVID-19疫情对北京的影响。研究识别出三个疫情阶段，采用双重差分（DID）模型隔离疫情的净影响，发现高峰管控期间自行车使用量下降64.8%，缓解后平均恢复15.9%，其中高科技和办公区域的反弹更为明显。

ABSTRACT

During the epidemics of COVID-19, the whole world is experiencing a serious crisis on public health and economy. Understanding human mobility during the pandemic helps one to design intervention strategies and resilience measures. The widely used Bike Sharing System (BSS) can characterize the activities of urban dwellers over time & space in big cities but is rarely reported in epidemiological research. In this paper, we present a human mobility analyzing framework} based on BSS data, which examines the spatiotemporal characteristics of share bike users, detects the key time nodes of different pandemic stages, and demonstrats the evolution of human mobility due to the onset of the COVID-19 threat and administrative restrictions. We assessed the net impact of the pandemic by using the result of co-location analysis between share bike usage and POIs (Point Of Interest). Our results show the pandemic reduced the overall bike usage by 64.8%, then an average increase (15.9%) in share bike usage appeared afterwards, suggesting that productive and residential activities have partially recovered but far from the ordinary days. These findings could be a reference for epidemiological researches and inform policymaking in the context of the current COVID-19 outbreak and other epidemic events at city-scale.

研究动机与目标

• 利用真实世界的BSS数据理解COVID-19疫情期间人类出行的时空动态。
• 识别出标记北京疫情爆发和缓解关键时间点的节点。
• 量化疫情对城市出行的净影响，排除节假日和天气等混杂因素的影响。
• 通过与兴趣点（POIs）的共位置分析，评估不同城市功能区域出行恢复轨迹。

提出的方法

• 基于通过出行趋势识别的关键时间点，将疫情期划分为三个阶段（疫情前、疫情期间、缓解后）。
• 应用双重差分（DID）模型估计疫情对自行车使用量的净影响，控制节假日和天气因素。
• 通过共享单车使用量与POIs（如住宅区、地铁站、购物中心）的共位置分析，评估不同功能区域的出行变化。
• 利用带有匿名化起讫点（OD）和时间戳信息的BSS数据，捕捉户外人类活动的空间与时间模式。
• 将POIs划分为七类（如RA、HC、SS、SP、SM、TH、IRA），以比较不同城市功能区的出行变化。
• 使用统计量（均值±2σ）呈现各阶段和POI类别中的自行车使用趋势，实现对恢复水平的定量比较。

实验结果

研究问题

• RQ1 基于人类出行模式，北京疫情爆发和缓解的关键时间里程碑是什么？
• RQ2 在控制节假日和天气因素后，疫情对北京共享单车使用量的减少程度如何？与疫情前水平相比有何差异？
• RQ3 自疫情缓解阶段开始后，不同类型的都市功能区（如住宅区、商业区、工业区）的出行恢复轨迹有何差异？
• RQ4 哪些POI类别在自行车使用量上表现出最显著的下降与恢复？这些差异可能由何解释？
• RQ5 BSS数据在大规模公共卫生紧急事件期间，能在多大程度上作为城市出行动态的可靠代理指标？

主要发现

• 疫情导致北京整体共享单车使用量下降64.8%，其中降幅最严重的是地铁站（77.91%）、高科技公司（74.21%）和购物中心（73.58%）。
• 住宅区、超市和三级医院受影响较小，恢复水平约为39.0%，表明基本出行需求维持稳定。
• 自2020年2月24日起，七个POI类别中自行车使用量平均增长15.9%，表明非必要出行出现部分恢复。
• 高科技公司（+18.2%）和普通公司（+17.6%）恢复率最高，表明工作相关出行出现反弹。
• 感染住宅区（IRA）及周边住宅区（SRA）恢复至疫情前水平的约39.0%，表明住宅出行受干扰程度低于商业或交通相关出行。
• DID模型证实，疫情对出行具有显著净影响，其作用超越了节假日和天气的影响，对城市活动模式产生统计上稳健的影响。