基于精细化用地的轨道客流直接估计模型

王淑伟，孙立山，郝思源，荣建

(1.北京工业大学北京市交通工程重点实验室，北京100124；2.国家发展和改革委员会综合运输研究所，北京100038)

基于精细化用地的轨道客流直接估计模型

王淑伟1，2，孙立山*1，郝思源1，荣建1

(1.北京工业大学北京市交通工程重点实验室，北京100124；2.国家发展和改革委员会综合运输研究所，北京100038)

现有轨道客流直接估计模型中，对于用地的描述多基于人口、岗位分布、用地面积等概略数据，未能准确反映用地开发的多样性和复杂性，难以揭示用地混合开发对于居民出行的作用机理.本文采用北京市电子地图中的兴趣点（POI）数据表示用地信息，结合轨道站点多层次吸引范围划分，实现了轨道站点吸引范围内各类用地比例的精细化描述.通过将精细化用地信息与轨道站点乘降客流量进行回归分析，总结了用地、交通、区位因素对于轨道站点乘降客流的影响机理，建立了基于精细化用地的轨道站点客流估计模型.验证结果显示，模型对于本文所研究典型站点的预测精度达到预期，反映了用地与轨道客流之间的强相关性.

城市交通；轨道交通；精细化用地；兴趣点；直接估计模型

1 引言

现有轨道客流直接估计模型考虑的因素可以总结为内部与外部两类.其中内部因素是指与轨道站点运营情况相关的因素，包括发车频率、运行速度、准点率等；外部因素是指与轨道站点周边特性相关的因素.研究发现，外部因素对于轨道客流的影响程度更明显[1].外部因素主要包括土地利用因素、社会经济因素、交通环境因素、其他因素四类[2-5].

土地利用是影响轨道客流的最主要因素，通常被总结为3Ds[6]，即“开发密度（Density）”、“混合用地（Diversity）”和“用地布局（Design）”.“开发密度”被认为与轨道客流的相关性最强，常用指标包括人口总数、岗位总数、人口密度和工作岗位密度等[7].“用地布局”方面的因素由于难以量化，目前主要通过道路等级、步行环境等指标来衡量[8].相比“开发密度”与“用地布局”，针对“混合用地”的研究较多，常用指标包括：熵指数[9]、相异指数[6]、职住平衡指数等.

社会经济因素主要包括家庭收入、年龄、种族及车辆拥有率等，已经被证明对轨道客流具有一定程度的影响[10].例如：Gutierrez等人通过研究Madrid轨道交通系统客流规律，发现外国人口数量，以及相应地区商业与教育岗位数，与月均客流具有相关性[11].

交通环境因素主要包括停车换乘设施，接驳公交线路、站点可达性、自驾车出行比例、拼车（Carpool）出行比例、停车费用、通勤费用、区位指标等.例如：Cervero等人通过分析洛杉矶县BRT客流，证明“停车换乘停车场容量”与客流量的提升显著相关[12].

其他因素主要包括犯罪率、事故率、道路安全、天气等.Hess[13]等研究发现，将公交站点布置于主要道路上的区域，行人事故明显增多.Kim[14]等指出，犯罪率较高的区域轨道交通出行率有一定折减，特别是女性乘客都尽量避免在夜间选乘轨道交通.

通过分析研究现状发现，现有直接估计模型中的用地指标过于粗略，难以反映各类用地之间的空间耦合关系.因此，论文结合轨道站点多层次吸引范围，借助北京市电子地图兴趣点数据，提出轨道站点周边用地精细化用地量化方法，并综合考虑社会经济、交通环境及其他因素，建立基于精细化用地的轨道客流直接估计模型.

2 轨道站点周边用地精细化分析

首先，基于北京市居民轨道出行调查，划分北京市轨道交通站点多方式吸引范围；其次，基于兴趣点数据，对吸引范围内的用地特性进行精细化量化；以上数据均为2012年采集的北京市数据.

2.1 轨道站点多方式吸引范围划分

将轨道站点吸引范围划分为步行区、接驳区与潜在区.其中，步行区是指绝大多数乘客能够通过步行乘坐轨道交通的区域；接驳区是指绝大多数乘客能够通过自行车或公交车乘坐轨道交通的区域；潜在区是指受到某个站点吸引，但却在该站点交通吸引区之外的区域，潜在吸引范围的存在通常是由于轨道交通线网覆盖率不足导致的.

结合北京市方格型路网特性，对合理换乘距离进行修正，得到步行区的半径为770m，接驳区的半径为3 800m[15]，同时引入气象学中的泰森多边形，划分轨道站点潜在区，如图1所示，其中离散点为轨道站点，内圈圆形区域为步行区，外圈圆形区域为接驳区，外圈圆形之外的区域为潜在区.

图1 北京市轨道站点吸引范围示意图Fig.1 Sketchmap of Beijing transitstation catchmentareas

2.2 基于兴趣点数据的用地量化

提取北京市6环以内兴趣点（POI）约10万个，用以实现轨道站点吸引范围内用地的精细化量化.每个POI包含四方面信息，名称、类别、经度、纬度，格式如表1所示.

表1 北京市电子地图兴趣点数据格式Table 1 POIdata formatof Beijing electronicmap

首先，基于工作、上学、购物、休闲、回程五类主要出行目的，将兴趣点重新分类为工作、教育、购物、休闲、居住五类.其次，选取兴趣点的建筑面积作为指标进行轨道站点吸引范围内用地的精细化分析.由于兴趣点数量巨大，难以确定每个兴趣点的建筑面积，因此仅从每类兴趣点中选取100个随机样本，通过实地调查确定各类兴趣点的平均建筑面积，借以估计轨道站点吸引范围内各类兴趣点的总建筑面积，结论如表2所示.

表2 基于出行目的的兴趣点重新分类及平均建筑面积调查结果Table 2 POIreclassification based on trip purposes and average builtarea ofeach type

考虑到步行区、接驳区、潜在区内用地对站点客流的影响程度各不相同，定义步行区的发生吸引权重为1，将各级吸引区内的兴趣点数量所占比例与该区域轨道出行量所占比例进行对比分析，确定不同区域的发生吸引权重，结论如表3所示.

表3 吸引范围内不同吸引区权重Table 3 Weights of differentzones within a catchmentarea

运用Arcgis地理信息系统，将兴趣点与站点吸引范围进行空间叠置分析，结合上表结论，确定各站点吸引范围内各类用地建筑面积.为排除对外交通等随机因素影响，仅选取24个吸引范围内不包含大型交通枢纽、著名旅游景点的典型站点作为研究对象.

3 基于混合用地的轨道站点客流估计模型

3.1 用地指标构建

（1）总建筑面积（At）.

选用总建筑面积指标来表示开发强度.统计站点吸引范围内各类兴趣点的建筑面积，将各类兴趣点建筑面积之和定义为总建筑面积.

（2）混合用地指数（Lm）.

混合用地是指将居住、办公、商业等各类用地在特定区域内集中布置的开发策略.居民的日常出行主要包括工作、就学、购物、休闲等，距相应类型用地的远近对其出行方式与出行距离产生显著影响，这也是新城市主义学派主张用地混合开发的重要原因之一.因此，可以认为站点吸引范围内主要用地存在一个理论上的最佳比例，使居民的大多数生活出行均可以在区内完成，轨道交通出行率降到最低.结合上述影响机理分析，基于精细化用地数据，将各类用地的建筑面积与总建筑面积的比值分别定义为工作系数（rw）、教育系数（re）、购物系数（rs）、休闲系数（rf）、居住系数（rr），乘降客流量与总建筑面积的比值定义为轨道交通出行率（rt）.

基于上述理论分析，运用1stOpt（First Optimization）数据分析软件对轨道交通出行率与用地系数进行回归分析，回归形式如式（1）所示.由回归形式可知，当re、rw、rr、rs、rf分别取到b1、b2、b3、b4、b5时，轨道交通出行率rt取得极小值.

拟合结果显示，当b1=0.09，b2=0.26，b3=0.28，b4=0.24，b5=0.13，rt取得最小值，即教育、工作、居住、购物、休闲五类用地分别站到相应比例时，轨道交通出行率降到最低.因此，将此用地比例组合定义为混合用地指数Lm，用以衡量混合用地对于轨道站点乘降客流量的影响：

3.2 交通及区位指标构建

（1）交通因素指标.

当区外出行需求产生以后，影响轨道交通出行比例的主要因素在于其他可选交通方式的方便程度.鉴于自行车在远距离出行中所占比例较小，其他交通方式主要考虑公共汽车与私家车，分别采用吸引范围步行区内公共汽车站点数量、停车场数量两个指标，来量化交通因素对于轨道客流产生的影响.

（2）区位因素指标.

区位是一个综合因素，既能体现站点的相对地理位置，也能从侧面反映其经济与社会发展水平，以及相对停车费用、公共交通便利程度等.因此，以天安门作为北京市的地理中心，并将特定站点与天安门的直线距离作为指标值，单位为km.

3.3 非线性回归模型构建

由于用地、交通及区位指标对于轨道客流的影响机理非常复杂，推定模型为非线性形式.考虑到模型形式未知，且SPSS数据分析软件不具有多元非线性回归功能，本研究首先将自变量和因变量分别取自然对数，然后运用SPSS软件进行线性回归，实现非线性与线性模型的转换.样本站点指标数据如表4所示.

回归得到非线性模型如下：

式中R为站点乘降客流量；At为总建筑面积；Lm为混合用地指数；Nb为公共汽车站点数；Np为停车场数量；Dc为距市中心直线距离.

模型拟合度R2=0.68，证明模型具有较强的解释能力.图2为模型计算值与实测值的对比图，从另一侧面展示了该模型良好的拟合效果.

图2 模型计算值与实测值的对比图Fig.2 Comparison of calculated and observed ridership

表4 样本站点指标数据Table 4 Index value of sam p le stations

由式（3）可知：

（1）站点乘降客流量与总建筑面积正相关.这一发现符合预期，因为兴趣点总建筑面积的增加意味着该区域能够开展更多“社会活动”，从而吸引或产生更多的轨道交通出行（区外出行）.

（2）站点乘降客流量与公共汽车站点数正相关.这点也不难理解，步行范围内的公共交通站点有助于优化轨道站点接驳水平，使乘客能够更加方便的来往于轨道站点与“社会活动”场所之间，从而吸引或产生了更多的轨道交通出行.

（3）站点乘降客流量与混合用地指标负相关.理论上看，当教育、工作、居住、购物、休闲类用地所占比例分别越接近0.09、0.26、0.28、0.24、0.13时，轨道客流减少，反之则增大.同时应该注意，由于各类兴趣点建筑面积之间存在着较强相关性，在分析混合用地对于轨道客流的影响时，要综合考虑所有用地比例的变化情况.

（4）站点乘降客流量与停车场数量负相关.这是由于停车场越多的地方，私家车出行越方便，相应就降低了居民出行选择轨道交通的比例，从而降低了轨道交通的乘降客流量.

（5）站点乘降客流量与距市中心距离负相关.北京为中心聚集型城市，意味着距离市中心越远的站点其优质社会资源的密度越低，出行强度也会相应的减少，在轨道客流上则反映为乘降量的减少.

4 模型验证

为评价所建模型的有效性，重新随机选取10个轨道站点进行模型验证，样本站点指标数据如表5所示.

基于所建模型计算所选站点乘降客流量，并结合式（4）分析计算结果的误差百分比，结论如表6所示.

式中E为误差百分比；R'为计算客流量；R为实测客流量.

表5 乘降客流模型验证数据表Table 5 Directestimation modelvalidation data table

表6 模型验证结果Table 6 Validation results

由表6可知，有80%的站点误差百分比低于10%，60%的站点误差百分比低于5%.进一步分析发现，阜成门站与和平西桥站的误差较高，主要是由于其吸引范围内包含了大型医疗或旅游类兴趣点，并不属于本分析模型所限定的“典型站点”范畴.

（1）对于阜成门站，其吸引范围内包含阜外心血管病医院，吸引了部分就医客流；同时，鲁迅博物馆和月坛公园吸引了部分旅游客流.由于本章模型为基于工作、上学、购物、休闲、回程五类主要出行目的所建，导致估计客流偏低，属于系统误差.

（2）对于和平西桥站，其吸引范围内包含中日友好医院，吸引了大量就医客流，由于就医客流不包含在模型分析范围内，同样导致了估计客流偏低，属系统误差.

总的来说，本章所建基于精细化用地的轨道站点乘降客流量分析模型对于“典型站点”的乘降客流量分析精度较高，达到了预期效果.

5 研究结论

本研究基于精细化用地数据，建立基于混合用地的轨道站点乘降客流量分析模型，为城市公共交通与用地协同规划提供决策依据.模型验证表明所建基于混合用地的轨道站点乘降客流量分析模型对“典型站点”的乘降客流量分析精度较高（误差低于10%），达到了预期效果.对于非典型站点的乘降客流，由于影响因素差别较大，在实际规划、设计与运营过程中，应根据具体情况具体分析.

[1]Nebiyou Tilahun,Moyin Li,Piyushimita(Vonu) Thakuriah,etal.Transituse and thework commute:An empirical analysis of the role of urban densities,last mile problems,and personal constraints on mode choice[C].TRB 93rd Annual Meeting Compendium of Papers,2014.

[2]Chakraborty A,Mishrab S.Land use and transit ridership connection:implications for state-level planning agencies[J].Land Use Policy.2013,30(1): 458-469.

[3]LTA.Passenger transport mode shares in world cities[J].Journeys,2011,7:60-70.

[4]Mingardo C.Transportand environmental effects of railbased park and ride:evidence from the Netherlands[J]. J.Transp.Geogr.,2013,30:7-16.

[5]Ratner K A,Goetz A R.The reshaping of land use and urban form in denver through transit-oriented development[J].Cities,2013,30:31-46.

[6]Cervero R,K Kockelman.Travel demand and the 3ds: density,diversity,and design[J].Transportation Research PartD.1997,2(3):199-219.

[7]Chen C,McKnight C E.Does the built environment make a difference?Additional evidence from the daily activity and travel behavior of homemakers living inNew York city and suburbs[J].Journal of Transport Geography,2007,15(5):380-395.

[8]Cervero R.Builtenvironmentandmode choice:toward a normative framework[J].Transportation Research Part D,2002,7(4):265-284.

[9]Frank L,Martin M,Schmid T.Obesity relationshipswith community design,physical activity,and time spent in cars[J].American Journal of Preventive Medicine,2004, 27:87-96.

[10]Sung H,Oh J-T.Transit-oriented development in a high-density city:Identifying its association with transit ridership in Seoul,Korea[J].Citie,2011,28:70-82.

[11]Gutiérrez J,Cardozo OD,García-Palomares JC.Transit ridership forecasting at station level:An approach based on distance-decay weighted regression[J].Journal of TransportGeography,2011,19:1081-1092.

[12]Cervero R,A Round,T Goldman,et al.Rail access modes and catchment areas for the BART system[R]. The University of California at Berkeley Transportation Center,1995.

[13]Kim S,G F Ulfarsson,T JHennessy.Analysis of light rail rider travel behavior:Impacts of individual,built environment,and crime characteristics on transit access[J].Transportation Research Part A:Policy and Practice,2007,41(6):511-522.

[14]Walton D,SSunseri.Factors influencing the decision to drive or walk short distances to public transport facilities[J].International Journal of Sustainable Transportation,2010,4(4):212-226.

[15]Wang Shuwei,Sun Lishan,Rong Jian.Catchment area analysis of Beijing transit stations[J].Journal of transportation systems engineering and information, 2013,13(3):183-188.

Station Level Transit Ridership Direct Estim ation Model Based on Precise Land Use

WANG Shu-wei1,2，SUN Li-shan1，HAO Si-yuan1，RONG Jian1
(1.Beijing Key Laboratory of Traffic Engineering,Beijing University of Technology,Beijing 100124,China;2.Institute of Comprehensive Transportation of NationalDevelopmentand Reform Commission,Beijing 100038,China)

The existing transit ridership models describe land use with indexes such as population, employment and land use area,these indexes can't describe the diversity and complexity of land use development,thusmake it difficult to reveal the influencemechanism ofmixed land use on travel demand. This paperquantifies the precise land use characteristicsof Beijing transitstation catchmentareas using POIs (points of interest)extract from an electronic map.Through the regression analysis of precise land use and transit station boarding volume,a direct ridershipmodel is built based on the influencemechanism analysis of land use,traffic and location factors on transit ridership.Follow ing validation shows the prediction accuracy of the proposed model meets expectation,reveals the strong correlation between land use and transit ridership.

urban traffic;rail transit;precise land use;pointof interest;direct ridershipmodel

1009-6744（2015）03-0037-07

U293.1

A

2014-12-23

2015-03-09录用日期：2015-03-12

国家自然科学基金项目（51308017）；高等学校博士学科点专项科研基金资助课题（20121103120025）；北京市科技新星计划（Z141106001814110）；北京市属高等学校人才强教资助项目.

王淑伟（1987-），男，山东诸城人，博士生.＊通信作者：lssun@bjut.edu.cn