[论文解读] Micromobility in Smart Cities: A Closer Look at Shared Dockless E-Scooters via Big Social Data

Yunhe Feng, Dong Zhong+5 more|arXiv (Cornell University)|Oct 28, 2020

Human Mobility and Location-Based Analysis参考文献 11被引用 25

一句话总结

本研究利用2018年10月至2020年3月期间收集的580万条带有地理标签的、与滑板车相关的推文以及144,197张图片，对智慧城市中共享无桩电动滑板车的使用情况开展了大规模、多维度的分析。通过大数据社交媒体分析，本研究描绘了时空使用模式，识别了关键利益相关者（骑行者、零工工作者、企业），考察了受伤与停车行为，并进行了情感分析，揭示出骑行者性别比例存在65.14%男性与34.86%女性的显著差距，普遍存在不当停车行为（62.61%），尽管存在安全担忧，公众情绪仍以正面为主。

ABSTRACT

The micromobility is shaping first- and last-mile travels in urban areas. Recently, shared dockless electric scooters (e-scooters) have emerged as a daily alternative to driving for short-distance commuters in large cities due to the affordability, easy accessibility via an app, and zero emissions. Meanwhile, e-scooters come with challenges in city management, such as traffic rules, public safety, parking regulations, and liability issues. In this paper, we collected and investigated 5.8 million scooter-tagged tweets and 144,197 images, generated by 2.7 million users from October 2018 to March 2020, to take a closer look at shared e-scooters via crowdsourcing data analytics. We profiled e-scooter usages from spatial-temporal perspectives, explored different business roles (i.e., riders, gig workers, and ridesharing companies), examined operation patterns (e.g., injury types, and parking behaviors), and conducted sentiment analysis. To our best knowledge, this paper is the first large-scale systematic study on shared e-scooters using big social data.

研究动机与目标

• 利用实时社交媒体数据，理解主要城市中共享无桩电动滑板车使用的空间与时间动态。
• 通过社交媒体互动，识别并描绘关键利益相关者（包括骑行者、零工工作者和共享出行公司）的特征。
• 通过众包数据，考察运营挑战，如伤害类型、停车行为及监管问题。
• 利用文本、图像和表情符号信号，对公众对电动滑板车共享服务的感知进行综合情感分析。
• 提供首次基于大数据社交媒体的、大规模系统性研究，为城市规划者和政策制定者提供可操作的见解。

提出的方法

• 通过Twitter Streaming API，从2018年10月至2020年3月，收集了580万条提及“scooter”或滑板车型emoji的英文推文。
• 在城市和每小时两个粒度上，对推文分布进行多粒度地理空间与时间分析，以识别使用趋势。
• 应用主题模型（LDA）与话题标签分析，提取并分类出12个突出的讨论主题，包括法规、伤害情况和市场份额等。
• 使用计算机视觉与图像识别技术，从144,197张用户上传的图片中检测电动滑板车品牌标志，以估算市场份额，并评估停车与破坏行为。
• 使用TextBlob情感极性分数、面部表情符号与表情符号，进行情感分析，将公众情绪分类为正面、中性与负面。
• 结合应用程序截图分析与文本及GPS数据，估算平均行程时长与费用，并对伤害类型与停车位置进行分类。

实验结果

研究问题

• RQ1 在推文数量与地理分布方面，不同城市及时间的电动滑板车使用模式如何变化？
• RQ2 社交媒体上关于共享电动滑板车的公众讨论主要话题是什么？这些话题如何与利益相关者、运营状况及情绪相关联？
• RQ3 基于社交媒体自我报告，电动滑板车骑行者的性别构成如何？这对公平性与可及性有何影响？
• RQ4 用户报告中最常见的伤害类型与停车行为是什么？这些行为在不同地区有何差异？
• RQ5 公众对共享电动滑板车服务的整体情绪如何？语言线索（如词语、表情符号、表情符号）如何反映正面或负面感知？

主要发现

• 美国、新西兰和澳大利亚的电动滑板车相关推文数量呈下降趋势，而加拿大与印度则呈上升趋势，英国则保持稳定。
• 通过社交媒体数据确认了骑行者性别差距：65.14%的自我报告骑行者为男性，34.86%为女性。
• 62.61%的电动滑板车被不当停放，其中34.78%阻碍人行道，17.39%停在其他错误区域，5.65%遭到破坏，4.78%停在室内。
• 最常见的伤害部位为腿部与脚部（49.67%），其次为躯干与手部（27.45%），头部受伤占22.88%，面部受伤占5.88%。
• 公众情绪总体以正面为主：正面极性词汇的使用量是负面词汇的3.48倍，且“大笑流泪”表情符号使用频率最高。
• 基于电动滑板车应用截图数据分析，估算出平均行程费用为3.00美元，平均行程时长为12.5分钟。