近日,第一财经商业数据中心(CBNData)联合ofo小黄车发起了“骑行大数据寻找城市热点”主题系列研究,通过对北京、上海、广州、深圳、成都、西安、杭州、天津8个一、二线城市的共享单车骑行数据的洞察,还原骑行者们生活城市的日常轨迹,描绘智慧骑行城市的智能动线。该系列研究将以商圈、餐饮、健身房、电影院以及文艺场所等城市热点为研究方向,找到骑行者们心中的城市热点。

首期,主题系列研究聚焦城市购物中心,CBNData发布《骑行大数据寻找城市热点之购物中心篇》(以下简称为《研究》),基于共享单车骑行数据,综合展现商圈骑行轨迹和骑行特点。

从单纯的线上狂欢到线上线下共同“剁手”,2017的“双十一”,也带上了新零售元年的独特基因。消费升级大趋势的推动下,实体商业形态正在悄然进行着迭代更新,各大购物中心从以购物为主,走向多样化商业形态并存,注重体验、消费场景化和优化空间构造,吃喝玩乐一应俱全。哪里最好逛?骑行者们用车轮痕迹做了投票!

从八大城市商圈的骑行数据来看,来往商圈500-1000米骑行距离订单量最大,占比34.5%,可见对于上班族与学生而言,骑行共享单车穿梭在城市楼宇之间,不仅很大程度上利用了碎片化的时间段,节省时间成本,而且扩大了商圈的消费半径,增加了消费者对购物中心的选择。

畅骑1公里 骑行者们有更多消费选择

随着城市范围的扩大和多中心化,多类商圈鼎立的场景屡见不鲜。想在这个商圈吃网红餐厅,又想在隔壁商圈“血拼”,如何安排好一天的行程,满足所有需求,交通的选择成为关键。地铁虽然方便出行,但距离固定,有时无法直达心仪的商场;自驾前往热门商圈,又面临无处停车的尴尬。

共享单车很大程度上解决了上述烦恼。CBNData《研究》发现,八个城市用户的平均骑行距离在1000米-1600米左右,相当于上海人民广场到南京东路的距离,这意味着因为共享单车的出现,让原本只愿意混人民广场商圈的剁手党,可以毫无顾忌地把南京东路“顺便”逛了。

根据八大城市各大商圈周围的订单数据, 骑行者们来往商圈500-1000米骑行距离订单量最大,其次是1000-1500米与200-500米。一般情况下商圈3-5公里的辐射范围,可以发现,共享单车很大程度上连接了核心商业圈、外围的次级商业圈,以及边缘商业圈或者相邻商圈,给次级商圈、边缘商圈内带来的人口流量,缓和了原本商圈人口分散不均的状态。一方面有效扩大了商圈的消费半径,为消费者“买买买”提供了更多场所选择。另一方面,将临近商圈串联,形成一条相对明晰的“商圈链”。

以北京为例,CBNData《研究》发现,订单量TOP10的热门商圈中,骑行范围主要集中在500-1000米与1000-1500米。如图片所示,一条长安街以天安门为中心,东侧的王府井、建外大街以及大望路,西侧的复兴门与相邻的西单、公主坟之间,都得到了有效串联,组成了一条商圈链。因为共享单车的出现,被局限于一个商圈的“悲剧”将不再上演。

如下图所示,黄色大圆圈代表着共享单车订单位置,而图中分散在各个角落的星点代表每个骑行者的起始点,我们以北京地区同纬度热门商圈为分析对象,将 “公主坟-复兴门-西单-王府井/东单-建外大街-国贸-大望路”商圈连成一个商圈链,王府井、建外大街以及大望路商圈订单覆盖度最高。

不同于北京方方正正的道路,广州的热门商圈主要分布在城市的东西两端。CBNData《研究》显示,东侧的购物圣地天河城人流量较为集中,骑行的平均距离为1362米,逛完天河城,骑着共享单车顺便就逛完了周边的小商圈。

畅骑2公里 骑行者们玩转大型商圈

对于城市中人流密度高、交通发达的商圈来说,每个商圈骑行距离会随着商圈的大小发生变化。

CBNData《研究》发现,以上海为例,从同纬度热门商圈的订单热度来看,交通枢纽大站南京西路以及静安寺等相邻商圈彼此之间往来的小黄车订单量非常高。从平均骑行距离来看,大型成熟商圈如南京西路、南京东路的平均骑行距离分别为1456米、1500米,可见商圈太大不用怕,商圈再大,骑行者们也愿意把车骑得越远。

如下图所示,上海地区,“天山-中山公园-静安寺-南京西路-人民广场-南京东路”为同纬度热门商圈,小黄车的出现将几大商圈串联成商圈链,极大的增加了购物选择。

同样,CBNData《研究》发现,从北京数据来看,三里屯、望京、建外大街等热门商圈的平均骑行距离分别为1653米、1475米、1628米。与上海骑行辐射范围不同的是,北京热门商圈用户的骑行距离主要集中在200-1500米,而对于三里屯以及望京这样的大型成熟商圈而言,商圈的骑行半径延长至1500-2000米,订单占比均占该商圈订单量的10%。

上海热门商圈多 骑车要避峰

北上广深较为著名的黄金商圈,同样也是城市人口密集地,虽然公共交通发达,但人口流动密度之高,也使得在某些时间段内车辆“缺货”。因此想要有车骑,除了眼疾手快,还要“掐指算一算”,什么时候能够抢到车。

基于CBNData《研究》,以上海为例,从图中可以发现,上海的骑行订单主要以南京路为主干道,向上下方向辐射。从动图整体来看,上海热门TOP10商圈在17、18点的订单量普遍最高。订单量总排名第一的徐家汇,骑行订单主要集中在上下班时间:10点以及17点、18点。此外,10点-12点的订单集中在徐家汇、南京西路、静安寺以及淮海路,而12点-13点的饭点时间,大悦城、五角场则成为订单量高峰商圈。由此可见CBD的白领与大学城的学生们是使用共享单车的中坚力量。到了20点-21点夜生活时间段,南京东路与中山公园则成为订单量最大的商圈,两个站点皆为地铁站中转枢纽站,共享单车很大程度上缓解了下班后的住宅区与地铁站之间的交通压力。

“剁手圣地”:北京看望京 上海看徐家汇

根据骑行订单数据,CBNData结合商圈在线上的讨论热度以及人均消费水平,以共享单车的视角挖掘了八大城市的剁手圣地:北京的扫货胜地望京、上海的潮流天堂徐家汇、深圳的购物集中营宝安南路以及广州历史悠久的天河城荣登各城剁手圣地的榜首。

对于西安、杭州等传统旅游型城市,城市商圈中心点通常是历史景点覆盖的老城区,共享单车一方面满足旅客出游时边玩边买的需求,另一方面也给本地人提供了交通便利。

CBNData《研究》发现,以杭州为例,中心的西湖既是景点也是商圈,以延安路为主的商业路上,相邻的商圈规律排布,北至武林广场,南至老城区吴山广场/河坊街,商圈层层相叠。以凤起路为例,延安路商圈的骑行辐射范围主要在500-1000米,从武林广场至南山路路口总长度为3000米左右,凤起路沿线商圈骑行距离为2000-3000米的订单数占比达到12%,可见凤起路商圈是个骑行购物好地方,骑着车,看着风景,还能顺便买买买。

如下图所示,小黄车骑行订单在杭州位于同一经度的各大商圈中,均有交集,沿延安路的“武林广场-凤起路沿线-湖滨-吴山广场/河坊街”被串联成商圈链,凤起路沿线商圈的辐射范围扩展明显。

妹子买买买 汉子骑车逛

骑车“轧马路”如今已然成为潮男潮女的时尚标杆,不仅有效解决城市购物中心商圈人流量大、消费时间不均的问题,同时也给游玩过程增添了一些乐趣。CBNData《研究》发现,90后是骑行前往商圈的主力群体。在景点与商圈交错的旅游型城市杭州,90后的表现尤为突出,骑行订单占到该城整体商圈订单量的31.2%。

不过同爱骑行,男女还是有所区别。从八大城市男女订单总占比来看,汉纸订单量占比略高一筹,比妹纸更爱骑车。从地域上看,华北地区男女差异不大,女生订单占比达到48.6%。相比之下,华南地区的男性小黄车订单占比达到63.4%。其中天津的大胡同商圈与北京的公主坟商圈最受女性欢迎。深圳的荔枝公园商圈、广州的跑马场商圈更受男性偏爱。

共享单车的出现正改变着人们的出行方式,让城市各个方面有机连接。骑行数据研究可为潜力商圈发展、城市商圈规划提供数据支撑及策略参考。

<script type="text/javascript"></script><script type="text/javascript" src="http://widget.wumii.cn/ext/relatedItemsWidget"></script>

更多阅读:

  • CBNData:国民线上书籍消费大数据报告(附下载)
  • CBNData:2017年中国年货大数据报告(附下载)
  • CBNData:智能出行大数据报告—重庆篇(附下载)
  • CBNData&阿里巴巴:中国年货大数据报告(附下载)
  • CBNData:2016年中国原创动漫大数据报告(附下载)
  • CBNData:智能出行大数据报告—成都篇(附下载)
  • CBNData:华北城市智能出行大数据报告(附下载)
  • CBNData:2016年运动消费大数据报告之人群篇(附下载)
  • CBNData:中国内地45岁+女性消费大数据报告(附下载)
  • CBNData:2017上海消费新贵大数据洞察(附下载)
  • CBNData:2016年中国电商红人大数据报告(附下载)
  • 在中国城市,骑自行车出行有多难——信息图
  • CBNData:线上婴幼儿防护系列研究
  • CBNData:2016中国互联网消费生态大数据报告(附下载)
  • CBNData:2017线上暖风机相关消费系列研究

CBNData:骑行大数据寻找城市热点之购物中心篇相关推荐

  1. 入行大数据需要学习哪些编程语言

    入行大数据,需要学习哪些编程语言?https://blog.csdn.net/duozhishidai/article/details/87530411Java java可以说是大数据最基础的编程语言 ...

  2. 基于大数据的城市轨道交通客流分析及调控策略【附PPT】

    来源:2020世界交通运输大会(WTC) 北京交通大学 交通运输学院 姚恩建教授的分享,支持原创,版权归作者所有,如有侵权,联系立删.禁止二次转载.欢迎转发支持.公众号内回复[轨道交通],获取PPT下 ...

  3. 基于公共交通大数据的城市交通系统对策模型体系研究

    来源:ITS世界 摘要:随着我国智慧城市建设的不断发展,城市交通系统面临着重大挑战.在解决由快速城镇化引发且趋于严重的城市交通问题.克服现阶段交通系统存在的瓶颈方面具有重要意义.本研究在梳理城市交通系 ...

  4. 北京市优秀毕业论文—基于车辆轨迹时空数据的城市热点预测模型研究

    写在前面 本科毕业设计论文开源,论文与代码地址:Github 基于车辆轨迹时空数据的城市热点预测模型研究 摘要 智能交通在近年得到了学术界和产业界的广泛重视.尤其是随着道路网的不断完善,交通车流越来越 ...

  5. 如何借助大数据提升城市治理现代化水平

    城市治理是新时代国家治理的重大课题.疫情大考下,大数据已然成为各个城市应对公共卫生事件的重要选择,大数据对于城市人员流动管理.城市民生服务保障.疫情发展趋势及潜在风险研判.疫情处置防控举措落实等都起到 ...

  6. 基于人工智能与大数据的城市治安防控体系建设方案-2022-01版

    下载地址:基于人工智能与大数据的城市治安防控体系建设方案-2022-01版 - 风云社区点券价格:399 下载地址:基于人工智能与大数据的城市治安防控体系建设方案-2022-01版 文件类型:ppt ...

  7. 基于大数据的城市可视化治理:辅助决策模型与应用

    作为数据分析和知识挖掘的常用方法, 可视化在城市规划.管理工作中的运用日见增多.考虑大数据的基本特性和可视化技术本质, 从图像展示.图像理解.图像运用三方面对管理决策的动态过程加以探索, 提出大数据可 ...

  8. 【2022持续更新】大数据最全知识点整理-HDFS篇

    大数据最全知识点整理-HDFS篇 导语 基础知识 1.Hadoop有几种部署方式 2.HDFS的各进程名称与功能 3.HDFS读流程 4.HDFS写流程 5.HDFS写文件时节点挂机处理 6.HDFS ...

  9. 【2022持续更新】大数据最全知识点整理-HBase篇

    大数据最全知识点整理-HBase篇 基础问题: 1.Hbase是什么 2.Hbase架构 3.Hbase数据模型 4.Hbase和hive的区别 5.Hbase特点 6.数据同样存在HDFS,为什么H ...

最新文章

  1. NumPy中可用的聚合函数
  2. 项目小结:日立OA系统(Asp.net)
  3. 求有环单链表的链表长
  4. Hyperopt官方中文文档导读
  5. spark on k8s配置日志存储路径:spark-defaults.conf
  6. 负数如何归一化处理_小白的图像处理入门(一)
  7. [Android]AndroidBucket增加碎片SubLayout功能及AISubLayout的注解支持
  8. 创建txt文件_Mac电脑创建txt文件的方法
  9. 为MyEclipse 9/10中的html/JSP编辑器添加代码自动提示
  10. sqlplus配置连接mysql_sqlplus连接远程数据库
  11. 恒流LED升压驱动芯片2.5V~24V输入【待机功耗低 电流精度高3%】惠海半导体H6911方案分析
  12. mysql用source恢复数据库_mysql source 还原数据库
  13. Django之Model操作之select_related和prefetch_related【ORM篇八】
  14. 大会没看够?2021 Google 开发者大会总结看这里!
  15. 《数据驱动 从方法到实践》之 数据驱动的环节 学习总结
  16. 将来有机会把自己的院子建成这种
  17. 树莓派4无痛安装OpenCV+python3
  18. Verilog编程之乘法器的实现
  19. H12-821题库详解(301-400)
  20. 优必选科技眼中的AI机器人时代

热门文章

  1. Java库和框架之间到底有什么区别?
  2. launcher3 修改文件夹图标九宫格显示
  3. c语言标识符能用main吗,请问下C语言用户标识符main到底是不是关键字?关键字包括哪些?...
  4. 设计模式之业务实战培训
  5. ClickHouse - 多卷存储扩大存储容量(生产环境必备)
  6. 科班演员陶奕菱亮相海南电影节:人生没有白走的路,每一步都算数
  7. java 通过反射将userId转userName
  8. 【Effective C++】item20: Prefer pass-by-reference-to-const to pass-by-value
  9. 万字长文!分享一个能让你的代码变得更整洁的技巧
  10. linux中sed怎么反选,awk的批量replace功能