基于AFC和POI数据的轨道交通车站客流影响因素挖掘

李国强，杨敏，王树盛

(1.东南大学交通学院，江苏南京211189；2.江苏省城市规划设计研究院，江苏南京210036)

0 引言

轨道交通素以大运量、高速度、环境友好、低能耗、高安全可靠性著称，与其他公共交通模式相比，在客运输送能力和出行效率上有明显优势，是形成多模式城市公共交通系统的主体骨架，能有效支撑城市空间功能布局发展和缓解城市交通拥堵。随着公交优先战略的深入推进，许多城市迎来了轨道交通发展全盛期，纷纷将轨道交通规划建设纳入综合交通规划和公共基础设施建设计划中。

轨道交通车站是城市轨道交通研究的突破口，是联系城市轨道交通与乘客的纽带，轨道交通线网客流实质上是车站客流时空分布叠加的结果[1]。轨道交通车站客流输送效率与轨道交通整体线网运营效率直接相关。当前中国城市轨道交通车站高峰时段进出站客流严重失衡，车站周边用地开发模式过于单一，轨道交通与车站周边土地利用和空间组织适配性不高，严重影响了城市轨道交通线网整体客流的输送效率。2015年，住房城乡建设部发布《城市轨道沿线地区规划设计导则》(以下简称《导则》)，明确要求轨道交通规划在车站层面做好空间一体化组织引导、交通衔接设计引导、步行空间设计引导等工作[2]。因此，厘清车站客流与车站周边土地利用交互关系对轨道交通运营管理、新线开通、沿线用地开发有重要指导意义。

国内外研究多为基于四阶段法的线路和网络客流评估预测，很难深入至微观站域层面进行客流分析；而当前轨道交通车站层面的客流研究又因传统人口、就业等数据难以采集，其在建立全面的影响因素集方面备受限制。因此，本文突破传统数据采集束缚，结合新型网络爬取数据，融合多源数据建立影响因素集，利用结构方程模型剖析轨道交通车站客流与周边土地利用间的作用机理，并根据车站客流影响因素分析结果提出改善轨道交通运营管理和优化车站周边用地开发的建议。

1 数据获取与整理

深入挖掘轨道交通车站客流影响因素，应在对轨道交通车站客流特征分析的基础上，初步判断影响因素范围，并建立影响因素集。其中，数据处理工作主要包括AFC数据预处理和多源网络爬取的POI数据融合，前者为分析轨道交通车站客流特征服务，后者是建立影响因素集的基础。

1.1 轨道交通AFC数据

轨道交通AFC系统，又称“自动售检票系统”(Automated Fare Collection system)，是实现轨道交通售票、检票、计费、收费、清分结算和运行管理等全过程的自动化系统，完整记录乘客刷卡进出车站时刻、进出车站编号、刷卡类型等信息。

以2017年1月南京轨道交通AFC数据为基础，针对6条轨道交通线路和113个车站，利用Python语言和MongoDB数据库整理构建轨道交通进出站客流数据库，数据库可供交通从业者和研究人员做分类查询，统计各车站全天单位小时进出站客流量(见图1)。

1.2 POI数据

POI(Point of Interest)即兴趣点，该类型数据更新速度快、数据来源可靠、获取成本低。当前可用POI数据来源主要包括地图服务商(如百度地图)和专业服务网站(如大众点评网)。地图服务商提供的POI数据主要涵盖了搜取范围内对象的具体名称、用地类别、坐标三个方面的重要信息(见表1)，而专业服务网站提供的POI则各有特点，基本包含名称、地址等信息。

图1 AFC数据整理流程Fig.1 Framework of processing AFC data

图2 链家网数据与百度地图数据匹配流程Fig.2 Framework of matching Lianjia.com data with Baidu map

表1 地图服务商的POI属性案例Tab.1 Attributes of POI data

首先以Python语言为编程工具，实现百度地图、链家网、南京公共自行车网等网站的各类POI信息爬取。其中，百度地图上爬取的POI主要包括住宅、美食、公司、科教文化、购物、公共汽车站和地铁车站等；链家网上获得信息以各个住宅小区的信息为主，如小区的建成年份、房屋总数、楼栋总数等信息；从南京公共自行车公司网站爬取公共自行车租赁点的相关信息。

为确保各数据源之间的匹配性，在构建影响因素集前需对多源异构数据进行数据融合处理。为了获取居民楼POI的住户数量，从链家网获取的住宅小区信息需要赋值给百度地图中对应的住宅小区，理想情况下，两种来源的住宅小区名称能够一一对应，进而完成匹配赋值，但实际处理中部分数据无法匹配，需根据小区距离和名称相似性进行匹配赋值(见图2)。

以上获取的POI数据是南京市域范围内的整体数据，在进一步分析之前需将数据进行离散化处理，即分车站统计其影响范围内的POI信息。而具体的影响范围距离阈值尚未形成统一结论。文献[3]采用800 m作为缓冲区的距离阈值，并把该距离界定为轨道交通车站服务范围的标准步行距离；文献[4]在2015年的研究中将首尔的轨道交通车站影响范围划分为三个层次：核心区(≤300 m)、重要区(>300～600 m)和次级区(>600～900 m)，采取多重阈值分析不同区域内影响因素的作用效果。《导则》明确了轨道交通车站缓冲区的概念，约定距离车站300～500 m的区域为核心区，距离车站500～800 m的区域为影响区[2]。鉴于南京轨道交通主要接入接出方式、车站可达性范围等特征，综合考虑《导则》对车站影响区的约定和相关文献的推荐值，建议研究采用车站周边800 m范围作为影响范围，利用GIS软件等对POI数据进行统计分析，部分车站的统计结果见表2。

2 基于AFC数据的车站客流影响分析

基于AFC数据分析轨道交通车站客流时空变化特征，同时配合各车站的POI数据，解读客流特征与车站周边用地特征和车站属性等因素之间的关系。

2.1 车站客流分布总体特征

车站客流分布总体特征呈现了两个关键特征：1)早高峰进站量与晚高峰出站量、早高峰出站量与晚高峰进站量基本一致，表明轨道交通出行的对称性；2)车站客流量按照核心大、外围小分布，且早高峰出行有明显的向心性，反映了土地利用差异对轨道交通出行的影响(见图3)。

2.2 分类车站的客流特征分析

基于预处理的POI数据成果，综合考虑车站影响范围内各类型POI的数量和比例，筛选出代表居住密集型、岗位密集型、混合型和枢纽型四类典型车站(见表3)。

分小时统计代表车站的工作日日均进站客流量，并作对比分析(见图4)。

居住密集型车站的客流分布具有明显的早高峰，7:00—9:00的进站客流达到高峰值，此后进站客流量迅速下降到较低水平，并维持稳定。该类车站的高峰时段与居民通勤的高峰时段吻合，且该时段的进站客流量远高于其他时段，可见该类车站工作日的通勤需求大且时间集中。迈皋桥地铁站作为一号线的首末站，辐射外围居住密集区域更大，高峰客流更加明显。

岗位密集型车站客流分布存在明显的晚高峰，而早高峰时段，进站客流不大，这种客流的分布形态和居住密集型车站刚好相反，一定程度上能反映南京市内职住分离的特点。新街口作为南京市的CBD，高度集中了各类金融、商业购物、文化休闲场所，因此新街口地铁站除了有大量的工作出行，还有数量可观的非通勤出行。

混合型车站周边用地特征因素复杂，该类车站主要分布在职住混合区域，客流呈现居住密集型和岗位密集型车站的组合特征。车站客流同时具备早高峰和晚高峰，早高峰反映的是车站周边居民的通勤出行需求，晚高峰反映的则是工作人口下班回家的出行需求。

枢纽站南京站存在早高峰，南京南站全天无明显高峰。两个车站作为城市交通枢纽，起着连接城市内外交通的作用，自身功能对客流的影响更大。由于南京站靠近城市核心，其车站影响范围内有多个住宅小区，所以工作日高峰时段会反映部分通勤出行特征。

对四种类型车站的分析表明，工作日轨道交通车站的进站客流量和进站客流分布情况均与车站周边的用地特征有明显的相关性，同时与车站的功能属性有关。车站周边的用地类型主要影响客流分布情况，车站周边的用地开发密度则影响客流量大小。

3 基于POI数据的影响因素集建立

基于车站客流特征分析发现，轨道交通车站客流影响因素包含土地利用、车站属性等方面。文献[5]在2010年的研究中发现七个显著变量：就业岗位数量、商业用地面积、办公用地面积、网络人口密度、换乘次数、接驳公共汽车线路数和是否为换乘站，分别属于土地利用、公共交通接驳和车站属性；文献[6]在2014年的研究中，将研究变量合并为土地利用、外部联通性、内部交通接驳和车站性质四大类，包含19个变量。

综合既有研究成果和本研究数据基础，将车站的客流影响因素划分为三大类：土地利用因素、公共交通接驳因素和车站属性因素，其中土地利用因素和公共交通接驳因素通过POI数据进行表达。

图3 工作日车站客流分布总体状况Fig.3 Distribution of rail stations ridership on weekdays

3.1 土地利用因素

土地利用特征考虑的因素主要包括：车站影响范围内的居住特征、就业岗位特征、商业服务业特征等用地强度特征。就业岗位特征、商业服务业特征可以采用车站周边已统计的各种类型POI数量表征，居住特征采用车站影响范围内的户数来衡量，此处的户数通过百度地图POI数据和链家网数据融合后的数据乘以一个时间折减系数(入住率)获取。

表3 四类典型车站的代表车站Tab.3 Examples of four typical rail stations

除了用地强度特征之外，土地利用混合度也是重点研究的方面。在已有的研究中，既有采用教育文化、娱乐休闲或是体育活动等设施的数量来表征用地混合程度，也有构造函数(如熵指数、混合用地指数[7])来衡量土地混合程度，但目前尚无研究表明用地混合度与车站客流直接相关，本文采用各类设施的POI数量来简化处理。此外，不少研究考虑到位于城市CBD车站的特殊性，并论证了该变量对客流影响的显著性。

因此，土地利用因素部分考虑的因素有住户数量、就业岗位数量、商业设施数量、文化教育设施数量、医疗设施数量、观光设施数量、是否位于CBD等，具体描述见表4。

图4 四类典型车站的客流特征Fig.4 Ridership characteristics of four typical rail stations

3.2 公共交通接驳因素

完善的公共交通系统换乘服务，可以提升乘客出行体验，从而提高轨道交通出行率。因此本研究将车站周边公共汽车接驳线路数和公共自行车停放点数量纳入考虑范围，前者可以通过百度地图POI数据获取，后者可以通过南京自行车官网的POI数据获取。此外，借鉴P&R理念，将车站周边停车场数量纳入因素集，以分析车站周边停车场的设置对轨道交通出行可能带来的影响。

3.3 车站属性因素

客流特征分析表明，车站属性对于车站客流有一定的影响，因此将车站是否为首末站纳入因素集。此外，车站是否为换乘站这一属性也相对特殊，将是否为首末站、是否为换乘站，均设置哑元变量。

4 轨道交通车站客流影响因素挖掘

4.1 模型选择和构建

为验证基于POI数据建立的影响因素集的科学性和实用性，挖掘对于南京轨道交通车站客流量具有显著影响的变量，建立轨道交通车站客流量与影响因素集之间的结构方程模型进行分析。

结构方程模型依据变量的协方差矩阵来确定变量之间的相关关系，包括可观测的显变量和不可观测的潜变量，在各研究变量间建立路径，以分析变量之间的关系[8]。和传统的多元线性回归分析方法相比，本研究采用的结构方程模型在整体理解研究模型上存在独特的优势，既可以控制多个自变量之间(如就业岗位数量和商业设施数量之间)的相关关系，又可以考虑不可观测的潜变量(如城市居民出行习惯)影响，适合对轨道交通车站客流这类复杂交通现象进行分析。

利用Amos建模，变量分别为车站工作日平均进站客流量(以下简称“车站客流量”)，住户数量，就业岗位数量，商业设施数量，文化教育设施数量，医疗设施数量，观光设施数量，是否位于CBD，公共汽车接驳线路数量，公共自行车停放点数量，停车场数量，是否为首末站和是否为换乘站，一共13个变量，此外设置潜变量。根据研究目的和变量间相关性分析，建立路径，构建模型(见图5)。

表4 影响因素集指标选取Tab.4 Variables of influence factors

图5 结构方程模型Fig.5 Preliminary structural equation model

4.2 模型结果分析与优化

初步模型软件运行结果为：卡方值531.937，自由度61。一般而言，在自由度相同的情况下，卡方值越小，模型的效果越好，因此模型拟合程度还有待加强。模型输出结果中的回归情况反映的是每个所选变量对车站客流量的影响效果。对车站客流量有显著影响的变量有商业设施数量、文化教育设施数量、公共汽车接驳线路数量、是否位于CBD、是否为首末站，在90%的置信区间条件下，住户数量也是显著变量，且上述变量与车站客流之间均呈现正相关关系。

在初步模型结果基础上，剔除影响不够显著的变量，保留住户数量，文化教育设施数量，商业设施数量，是否位于CBD，是否为首末站和公共汽车接驳线路数量，研究其对车站客流量的影响。在变量之间不断尝试添加路径，试图获取变量间的相关关系，最终优化得到模型结构如图6所示。优化后的模型结果显示，模型卡方值为79.160，模型自由度为10，模型结论与初步模型基本一致。

表5 初步模型回归结果Tab.5 Regression results of the initial model

表6 优化模型回归结果Tab.6 Regression results of the optimized model

通过结构方程模型对影响因素的挖掘发现，车站影响区域内采用POI数据表征的住户数量、商业设施数量、文化设施数量、公共汽车线路数量对车站客流有显著的相关关系，此外，车站是首末站或CBD中心的车站会导致客流与其他车站产生极大差异。

5 结语

本文在基于AFC数据分析南京轨道交通车站客流特征基础上，重点利用网络爬取POI数据系统化建立轨道交通车站客流影响因素集，并通过结构方程模型进行验证与分析。结论如下：

1）从互联网获取的POI数据在用于研究用地特征对轨道交通客流影响的分析上是可行的，同时对比传统数据，互联网数据具有获取方便，可以精确至车站层面分析，更新方便快捷等优点，可以降低研究成本，提高研究效率。

2）住户数量、商业设施数量、文化教育设施数量以及公共汽车接驳线路数量等建成环境因素与车站进站客流正相关。建议一是注重住宅、商业设施等市场行为的用地在车站周边布局的引导和管控，二是预留文化设施、体育设施等公共服务设施用地，保障这类用地不会因为市场行为而被排挤在轨道交通车站影响区之外，三是强化公共汽车线路的接驳。

3）线路首末站对工作日进站客流量影响很大，主要是由于存在大量的接驳换乘客流。建议在首末站预控充裕的交通接驳设施，尤其是公共汽车和自行车设施，进一步放大首末站的空间覆盖范围，并提高乘客进出站、购票、安检、排队上下车等环节的效率。

4）除车站属性外，其余影响因素均反映用地开发强度水平。建议一是提高轨道交通走廊沿线的用地开发强度以提升轨道交通全线客流，可以借鉴库里蒂巴的带状开发模式，走廊沿线高密度高强度开发，二是适度平衡沿线车站的用地开发强度差异以均衡线网客流，提高外围发展薄弱点的开发力度和公共汽车接驳设施数量。