建成環(huán)境對軌道交通站點(diǎn)客流量與通勤乘車率影響的差異化分析

龐磊，任利劍，運(yùn)迎霞

(天津大學(xué)，建筑學(xué)院，天津 300072)

0 引言

隨著中國城市化進(jìn)程的快速推進(jìn)，許多大城市的軌道交通進(jìn)入網(wǎng)絡(luò)化運(yùn)營階段。站點(diǎn)客流特征是城市軌道交通網(wǎng)絡(luò)化運(yùn)營的基礎(chǔ)，綜合分析站點(diǎn)客流特征在網(wǎng)絡(luò)中的時空分布情況及其與建成環(huán)境的關(guān)系是網(wǎng)絡(luò)運(yùn)營協(xié)調(diào)與站域空間開發(fā)等規(guī)劃的前提和依據(jù)，而站點(diǎn)客流特征包括進(jìn)出站客流量、通勤乘車率等多項指標(biāo)[1]。因此，綜合探究、對比建成環(huán)境對軌道交通站點(diǎn)客流量與通勤乘客率的作用機(jī)制，對制定軌道交通站點(diǎn)客流效能提升策略具有重要意義。

建成環(huán)境與城市軌道交通出行特征的關(guān)系十分復(fù)雜。近年來，許多學(xué)者借助智能交通刷卡數(shù)據(jù)與多源建成環(huán)境數(shù)據(jù)來探究建成環(huán)境對城市軌道交通客流特征的影響作用。例如，彭詩堯等[2]利用地理加權(quán)回歸(GWR)模型研究發(fā)現(xiàn)，土地利用特征與城市軌道交通站點(diǎn)客流量的依賴關(guān)系是各類屬性功能用地影響及其空間效應(yīng)的疊加；高德輝等[3]以北京為例，利用MGWR 模型探究發(fā)現(xiàn)，TOD(Transit-Oriented Development)建成環(huán)境對早高峰出站客流具有空間異質(zhì)性影響效果；Liu等[4]利用時空地理加權(quán)回歸(GTWR)模型探究建成環(huán)境對站點(diǎn)時間序列客流的異質(zhì)性影響效果，研究發(fā)現(xiàn)，空間相互作用網(wǎng)絡(luò)因素的影響系數(shù)顯著大于其他靜態(tài)建成環(huán)境因素；許奇等[5]利用極限梯度提升決策樹(XGBoost)模型探索建成環(huán)境對起訖點(diǎn)(OD)客流量的非線性影響作用，研究表明，密度與公共交通可達(dá)性對OD客流量的影響重要度最高。

綜上可以看出，既有研究主要關(guān)注建成環(huán)境對軌道交通站點(diǎn)客流量的影響，對于站點(diǎn)通勤乘車率的研究尚少，站點(diǎn)客流量體現(xiàn)了軌道交通的運(yùn)輸強(qiáng)度，而站點(diǎn)通勤乘車率體現(xiàn)了軌道交通的分擔(dān)能力，兩者對于軌道交通客流運(yùn)營效益都具有重要影響。因此，探究建成環(huán)境對站點(diǎn)客流量與通勤乘車率影響的差異，有助于進(jìn)一步理解建成環(huán)境與軌道交通客流特征的復(fù)雜關(guān)系。為此，本文基于城市軌道交通智能刷卡數(shù)據(jù)與手機(jī)信令數(shù)據(jù)提出測度軌道交通站點(diǎn)客流量、通勤乘車率的方法，并構(gòu)建“3D+N”的建成環(huán)境指標(biāo)體系，利用MGWR模型探究并對比建成環(huán)境對兩者影響的差異化特征，以期為制定軌道交通站點(diǎn)客流效能提升策略提供參考。

1 研究區(qū)域與數(shù)據(jù)說明

1.1 站點(diǎn)影響區(qū)范圍確定

本文選取天津市作為實(shí)例研究對象，截至2020年12月，天津市共開通運(yùn)營6條地鐵線路，共計143個站點(diǎn)。既有研究通常選擇800 m 距離作為軌道交通站點(diǎn)影響區(qū)的半徑長度，并采用構(gòu)建泰森多邊形來消除相鄰站點(diǎn)影響區(qū)重疊區(qū)域的影響[6]，如圖1所示。

圖1 站點(diǎn)影響區(qū)Fig.1 Pedestrian catchment areas of metro stations

1.2 數(shù)據(jù)說明

本文采用的數(shù)據(jù)包括軌道交通智能刷卡數(shù)據(jù)、手機(jī)信令數(shù)據(jù)和多源建成環(huán)境數(shù)據(jù)，具體如表1所示。本文中的軌道交通智能刷卡數(shù)據(jù)為分時段統(tǒng)計數(shù)據(jù)，該數(shù)據(jù)基本信息如表2所示。

表1 數(shù)據(jù)來源Table 1 Data sources

表2 天津城市軌道交通智能刷卡數(shù)據(jù)Table 2 Tianjin urban rail transit smart card data

2 研究框架及方法

2.1 研究框架

圖2為本文技術(shù)路線，主要包括3個部分：

圖2 技術(shù)路線Fig.2 Methodological workflow

(1)基于智能刷卡數(shù)據(jù)與手機(jī)信令數(shù)據(jù)的站點(diǎn)客流量與通勤乘車率的測度及空間分布分析；

(2)構(gòu)建“3D+N”的建成環(huán)境指標(biāo)體系并篩選顯著自變量；

(3) 利用MGWR 模型分析建成環(huán)境對站點(diǎn)客流量與通勤乘車率的影響機(jī)制。

2.2 站點(diǎn)通勤乘車率測度

本文中站點(diǎn)通勤乘車率指工作日早高峰時段(7:00-9:00)進(jìn)站客流量與居住在該區(qū)域的通勤用戶的比值。早高峰客流相較于全天客流一定程度降低了非工作出行人員的干擾，通勤乘車率相對客觀地反映了一個區(qū)域中使用軌道交通方式出行的人群占總通勤人員的比重，是一個相對值。測度流程如圖3所示，基于手機(jī)信令數(shù)據(jù)的定位功能對用戶日常活動軌跡進(jìn)行追蹤，根據(jù)活動規(guī)律可以識別出用戶的居住地和就業(yè)地[7]。日?；顒榆壽E的規(guī)律主要根據(jù)時段閾值來識別，將一天劃分為3個時段：0:00-6:00 和21:00-24:00 作為夜晚時段，9:00-18:00作為白天時段，6:00-9:00和18:00-21:00作為共同時段；根據(jù)不同時段居民活動規(guī)律進(jìn)行差異化權(quán)重賦值，夜晚時段對居住地的權(quán)重為1，白天時段對工作地的權(quán)重為1，共同時段對居住地和工作地均有權(quán)重，但權(quán)重不同；按不同權(quán)重對3 個月內(nèi)所有駐留點(diǎn)進(jìn)行打分并加權(quán)，得到白天得分最高的駐留點(diǎn)和夜晚得分最高的駐留點(diǎn)，即工作地與居住地。基于識別的居住地提取站點(diǎn)影響區(qū)內(nèi)居住人口總量，并根據(jù)既有研究中“通勤閾值”的界定(起訖點(diǎn)間距離(L)在400 m 以上的人群視為通勤者[8])篩選站點(diǎn)影響區(qū)內(nèi)的通勤用戶，最后結(jié)合工作日早高峰時段進(jìn)站客流數(shù)據(jù)計算得到該站點(diǎn)的通勤乘車率。

圖3 通勤乘車率測度流程Fig.3 Commuter passenger usage measurement flow

2.3 建成環(huán)境影響因素的測度及選取

既有研究對建成環(huán)境影響因素的選取主要包括“3D”指標(biāo)，夏正偉等[9]采用網(wǎng)絡(luò)分析與聚類分析的方法指出站點(diǎn)屬性特征(Node Characteristics)對TOD 效能也有重要影響，因此本文將構(gòu)建“3D+N”維度的建成環(huán)境影響因素指標(biāo)體系，指標(biāo)具體描述如表3所示。

表3 變量定義Table 3 Variable definitions

土地利用混合度的計算公式為

式中：Pm為第m類用地面積與站域的面積比；n為區(qū)域內(nèi)土地利用類型總數(shù)，本文中n=8，分別為居住用地、公共管理與公共服務(wù)用地、商業(yè)服務(wù)業(yè)用地、工礦用地、倉儲用地、交通運(yùn)輸用地、綠地與開敞空間用地以及其他未開發(fā)用地。

2.4 MGWR模型

無論是經(jīng)典范式的地理加權(quán)回歸(GWR)模型，還是半?yún)?shù)地理加權(quán)回歸(SGWR)模型，對所有局部自變量都采用了統(tǒng)一的空間帶寬指數(shù)，而Fotheringham等[10]提出了能夠根據(jù)局部變量不同而設(shè)置不同空間帶寬指數(shù)的MGWR 模型，該模型對空間關(guān)系的捕獲具有更高的精度，計算公式為

式中：i為站點(diǎn)；(ui,vi)為站點(diǎn)i的坐標(biāo)；Yi為站點(diǎn)i的因變量；Xik為站點(diǎn)i的第k個自變量；β0(ui,vi)為截距；βb(ui,vi)為站點(diǎn)i的第k個自變量Xik的回歸系數(shù)；b為該變量回歸系數(shù)使用的最優(yōu)帶寬；εi為站點(diǎn)i的誤差項。

3 研究結(jié)果及分析

3.1 城市軌道交通出行空間分布特征分析

3.1.1 站點(diǎn)客流量空間特征

本文城市軌道交通站點(diǎn)客流量使用進(jìn)站人數(shù)表示。天津城市軌道交通日均客流量為88.7萬人，客流量前20 的站點(diǎn)中換乘站與首末站有10 個；客流量多的站點(diǎn)主要分布在中心城區(qū)，而客流量較少的站點(diǎn)主要位于外圍的北辰區(qū)和東麗區(qū)的待開發(fā)區(qū)域；客流量最集中段位于海光寺—下瓦房、天津站—營口道區(qū)域，該區(qū)域是多個商務(wù)辦公中心、商業(yè)零售中心以及交通樞紐中心的集聚區(qū)域，站域空間開發(fā)強(qiáng)度大，就業(yè)崗位密集。根據(jù)自然間斷點(diǎn)分類法將站點(diǎn)客流量分為8級，如圖4(a)所示，站點(diǎn)客流量呈現(xiàn)中間高外圍低的空間分布格局，這主要是由城市用地開發(fā)強(qiáng)度的異質(zhì)性、站域空間功能業(yè)態(tài)混合的多樣性、地區(qū)軌道線網(wǎng)密度的異質(zhì)性等原因造成的。

圖4 站點(diǎn)客流量、通勤乘車率空間分布Fig.4 Spatial distribution of station passenger flow and commuter ridership rate

3.1.2 通勤乘車率空間特征

圖4(b)顯示，通勤乘車率呈現(xiàn)由城市外圍向中心遞減的總體趨勢。通勤乘車率排名靠前的站點(diǎn)大都位于軌道交通線網(wǎng)外圍遠(yuǎn)端靠近首末站的位置，這些站點(diǎn)的通勤乘車率遠(yuǎn)大于1，說明有大量乘客來自站點(diǎn)影響區(qū)外圍地區(qū)。原因可能是軌道交通線網(wǎng)遠(yuǎn)端站點(diǎn)的輻射范圍更廣，能夠服務(wù)更多周邊人群；同時居住在城市外圍的居民，他們的工作通勤距離一般也較遠(yuǎn)，對軌道交通出行的依賴性相對更強(qiáng)。而中心城區(qū)內(nèi)通勤乘車率較大的站點(diǎn)大多為交通換乘樞紐站，承擔(dān)著重要的對外或?qū)?nèi)交通運(yùn)輸功能，這類站點(diǎn)具有較強(qiáng)的客流吸引力；同時這些站點(diǎn)周邊開發(fā)多以交通運(yùn)輸、商業(yè)服務(wù)或商務(wù)辦公等功能為主，居住用地占比相對較低。

3.2 站點(diǎn)服務(wù)能力顯著影響因素篩選結(jié)果

首先，采用多重共線性檢驗法剔除公共服務(wù)設(shè)施POI 密度、容積率、路網(wǎng)密度這3 個共線性自變量，剩余自變量的方差膨脹因子(VIF)均小于5。其次，利用GeoDa軟件對自變量的空間自相關(guān)性檢驗后發(fā)現(xiàn)，除出入口數(shù)量外，其他因素的p值遠(yuǎn)小于0.05，Moran's I值與z值均為正值，表明各影響因素具有較強(qiáng)的空間集聚分布特征。出入口數(shù)量屬于站點(diǎn)屬性特征，與客流特征存在密切關(guān)系，因此將其也考慮在模型之中。最后，采用普通最小二乘法(OLS)逐步回歸篩選確定顯著影響因素。站點(diǎn)客流量與通勤乘車率的顯著性影響因素如表4所示。

3.3 MGWR模型分析結(jié)果

3.3.1 模型擬合結(jié)果對比

調(diào)整R2與修正的赤池信息量準(zhǔn)則(AICc)通常作為模型選擇的度量標(biāo)準(zhǔn)，調(diào)整R2越大、AICc越小的模型表明其解釋性更好[3]。建成環(huán)境對站點(diǎn)客流量、通勤乘車率影響作用的模型擬合結(jié)果如表5所示，兩組中MGWR 模型的調(diào)整R2均大于OLS 模型，且AICc 值均小于OLS 模型，表明MGWR 模型能夠更好地解釋建成環(huán)境對站點(diǎn)客流量、通勤乘車率的影響效果。

3.3.2 站點(diǎn)客流量與通勤乘車率影響因素的差異性分析

模型參數(shù)估計結(jié)果如表6所示，具體分析結(jié)果如下：

表6 模型參數(shù)估計結(jié)果Table 6 Model parameter estimates

(1)對于站點(diǎn)客流量，公交站點(diǎn)密度與站點(diǎn)距公交站點(diǎn)平均距離(帶寬142)近似全局變量。其中公交站點(diǎn)密度有強(qiáng)度適中的正向作用，它的值越高表示公共交通可達(dá)性越高，對客流吸引力越強(qiáng)；而站點(diǎn)距公交站點(diǎn)平均距離有較強(qiáng)負(fù)向作用，即站點(diǎn)距公交站點(diǎn)平均距離越遠(yuǎn)，站點(diǎn)客流量越低。商業(yè)服務(wù)設(shè)施POI密度、出入口數(shù)量以及度中心性屬于局部變量，其中商業(yè)服務(wù)設(shè)施POI密度影響系數(shù)范圍為[0.090,0.706]，有較強(qiáng)正向作用，該指標(biāo)越高的區(qū)域表明能夠提供更多就業(yè)崗位，吸引大量客流；出入口數(shù)量的影響系數(shù)范圍為[-0.172,0.280]，對85%的站點(diǎn)客流量有正向作用，出入口數(shù)量較多的站點(diǎn)大都為城市商業(yè)或交通樞紐中心；度中心性的影響系數(shù)范圍為[-2.990,0.437]，對78%的站點(diǎn)客流量有正向作用，它的值越大表明站點(diǎn)樞紐等級越高，對客流吸引力越強(qiáng)。

(2)對于通勤乘車率，站點(diǎn)距公交站點(diǎn)平均距離(帶寬138)近似全局變量，具有較弱負(fù)向作用，因為公交接駁換乘距離越遠(yuǎn)，表明其越不便捷，通勤乘客的使用率降低。土地利用混合度與未開發(fā)用地占比均為局部變量，前者有較弱的負(fù)向作用，即土地利用混合度越高，站點(diǎn)通勤乘車率越低，這是因為土地利用混合度越高表示土地功能多樣性更豐富，居民在一定范圍內(nèi)能夠滿足工作和生活的需求，降低了軌道交通出行的需求[11]；未開發(fā)用地占比具有較強(qiáng)的正向作用，比值較高的站點(diǎn)一般位于城市外圍，外圍地區(qū)的綜合交通可達(dá)性較差，長距離通勤居民對軌道交通的依賴性更強(qiáng)，軌道交通站點(diǎn)輻射范圍相對更廣，能夠吸引更多站域外圍的乘客。

通過組內(nèi)特征和組間差異的對比可以發(fā)現(xiàn)，影響站點(diǎn)客流量與通勤乘車率的建成環(huán)境因素既存在差異，也存在相似性。差異性主要體現(xiàn)在建成環(huán)境影響因素的數(shù)量和類型，其中商業(yè)服務(wù)設(shè)施POI密度、公交站點(diǎn)密度、出入口數(shù)量以及度中心性只對站點(diǎn)客流量有顯著影響，土地利用混合度與未開發(fā)用地占比只對站點(diǎn)通勤乘車率有顯著影響，而站點(diǎn)距公交站點(diǎn)平均距離則對兩者均有顯著負(fù)向影響，但它對通勤乘車率的作用強(qiáng)度較弱。

3.3.3 局部變量對站點(diǎn)客流量與通勤乘車率的空間異質(zhì)性作用分析

根據(jù)自變量的帶寬選取局部變量進(jìn)一步做空間分析，影響系數(shù)的空間分布特征如下。

(1)站點(diǎn)客流量

圖5(a)顯示，商業(yè)服務(wù)設(shè)施POI 密度影響系數(shù)的空間分布呈現(xiàn)中間高外圍低的特征，主要是因為中心城區(qū)的區(qū)位優(yōu)勢對商業(yè)活力的促進(jìn)作用效果顯著，對客流吸引力更強(qiáng)；同時東北部區(qū)域部分站點(diǎn)影響系數(shù)也較高，這是因為天津東北部區(qū)域土地開發(fā)程度低、商業(yè)服務(wù)設(shè)施較少，根據(jù)邊際效應(yīng)理論，居民對商業(yè)服務(wù)設(shè)施的依賴性強(qiáng)。圖5(b)顯示，出入口數(shù)量影響系數(shù)同樣呈現(xiàn)由中間向外圍遞減式分布，主要是因為城市核心區(qū)內(nèi)有多個城市商業(yè)與商務(wù)辦公中心以及交通樞紐中心，集聚了大量工作和交通換乘人流，對出入口的使用需求更高。圖5(c)顯示，度中心性影響系數(shù)呈現(xiàn)均勻分散式分布，這主要是因為天津軌道交通線網(wǎng)致密化程度較低，度值較高站點(diǎn)數(shù)量較少且分散分布，對站點(diǎn)客流量影響的空間異質(zhì)性特征并不明顯。

圖5 站點(diǎn)客流量局部變量回歸系數(shù)空間分布Fig.5 Spatial distribution of regression coefficients for local variables of station passenger flow

(2)通勤乘車率

土地利用混合度影響系數(shù)均為負(fù)值，圖6(a)顯示，外圍地區(qū)的影響程度較高，尤其是東南地區(qū)，這主要是因為1號線與6號線南段以及9號線東段的站點(diǎn)周邊多為長距離通勤居民，外圍地區(qū)較低的土地利用混合度不能滿足居民就近工作的需求，使得當(dāng)?shù)鼐用裼绕湟蕾囓壍澜煌ㄟM(jìn)行長距離通勤。圖6(b)顯示，未開發(fā)用地占比影響系數(shù)呈現(xiàn)由東南向西北遞減的趨勢，這主要是因為東南地區(qū)站域內(nèi)未開發(fā)用地較多的現(xiàn)象使得站域內(nèi)人口密度較低，導(dǎo)致站域外圍通勤乘客占比進(jìn)一步增大，這反向說明了外圍東南地區(qū)的站域未能充分利用TOD的區(qū)位與功能優(yōu)勢合理開發(fā)建設(shè)。

圖6 站點(diǎn)通勤乘車率局部變量回歸系數(shù)空間分布Fig.6 Spatial distribution of regression coefficients for local variables of station commuter ridership rate

通過對比建成環(huán)境因素對軌道交通站點(diǎn)客流量與通勤乘車率的作用強(qiáng)度以及作用方向的空間分布規(guī)律發(fā)現(xiàn)，不同的局部影響變量對它們的作用效果空間差異較大，可以據(jù)此劃分區(qū)域的規(guī)劃干預(yù)優(yōu)先級，有效避免在邊際增值效應(yīng)小的地區(qū)進(jìn)行大規(guī)模規(guī)劃建設(shè)。對于提升站點(diǎn)客流量，應(yīng)該優(yōu)先規(guī)劃干預(yù)中心城區(qū)內(nèi)的商業(yè)服務(wù)設(shè)施與站點(diǎn)出入口數(shù)量，充分發(fā)揮中心城區(qū)站點(diǎn)高聚集優(yōu)勢。對于改善站點(diǎn)通勤乘車率，應(yīng)該優(yōu)先規(guī)劃干預(yù)城市外圍東南地區(qū)站域的土地利用規(guī)劃調(diào)整與土地開發(fā)建設(shè)引導(dǎo)，充分發(fā)揮外圍地區(qū)站點(diǎn)TOD優(yōu)勢。

4 結(jié)論

本文基于天津市軌道交通智能刷卡數(shù)據(jù)、手機(jī)信令數(shù)據(jù)與建成環(huán)境等多源大數(shù)據(jù)，解析了城市軌道交通站點(diǎn)客流量、通勤乘車率的空間分布特征，并運(yùn)用MGWR模型探究了站域建成環(huán)境對兩者的作用機(jī)制，研究結(jié)果表明：

(1)天津城市軌道交通站點(diǎn)客流量呈現(xiàn)由城市中心向外圍地區(qū)遞減的空間分布特征，而站點(diǎn)通勤乘車率則呈現(xiàn)外圍地區(qū)高城市中心低的U 型空間分布特征；MGWR 模型相較于OLS 模型具有更優(yōu)的解釋效果，表明在探究建成環(huán)境對軌道交通站點(diǎn)客流量與通勤乘車率的影響時，考慮不同建成環(huán)境因素的空間尺度效應(yīng)差異是必要的。

(2)建成環(huán)境因素對站點(diǎn)客流量與通勤乘車率的影響既有差異性又有相似性，研究結(jié)果為提升客流量與改善通勤乘車率提供了建成環(huán)境要素分類協(xié)同配置的引導(dǎo)策略。商業(yè)服務(wù)設(shè)施POI 密度與公交站點(diǎn)密度對客流量有較強(qiáng)正向影響，而土地利用混合度、未開發(fā)用地占比對通勤乘車率分別有較強(qiáng)負(fù)向、正向影響。這種差異表明，通過增加商業(yè)設(shè)施數(shù)量與公交站點(diǎn)密度可有效提升站點(diǎn)客流量，而通過提高土地利用混合度、優(yōu)化站域土地開發(fā)建設(shè)可有效提升職住平衡度、改善站點(diǎn)通勤乘車率；同時應(yīng)考慮提高未開發(fā)用地占比較高站點(diǎn)周邊的公共交通與共享單車接駁覆蓋范圍，以提升接駁換乘距離較遠(yuǎn)的通勤乘客的便捷度[12]。相似性表現(xiàn)在距公交站點(diǎn)平均距離對兩者均有負(fù)向影響，表明通過優(yōu)化公交站點(diǎn)布局、縮短公交接駁換乘平均距離可同時提升站點(diǎn)客流量和通勤乘車率。

(3)建成環(huán)境局部影響變量對站點(diǎn)客流量、通勤乘車率的作用強(qiáng)度與作用方向存在空間異質(zhì)性，可以據(jù)此有效預(yù)判改善站域建成環(huán)境對提升軌道交通客流運(yùn)營效益的效果，通過制定分區(qū)劃級干預(yù)策略為TOD 站域城市更新提供決策支持。例如，商業(yè)服務(wù)設(shè)施POI 密度與出入口數(shù)量對站點(diǎn)客流量的作用強(qiáng)度呈現(xiàn)由內(nèi)向外遞減趨勢，表明優(yōu)先提高中心城區(qū)站域內(nèi)商業(yè)服務(wù)設(shè)施密度與出入口數(shù)量可有效提升站點(diǎn)客流量；而土地利用混合度與未開發(fā)用地占比對東南區(qū)域的站點(diǎn)通勤乘車率作用強(qiáng)度顯著，表明優(yōu)先規(guī)劃干預(yù)東南區(qū)域站域土地利用混合度與土地開發(fā)建設(shè)可有效改善站點(diǎn)通勤乘車率。