建成环境对城市停车需求影响的非线性模型

陈坚，刘柯良，邸晶，彭涛

(1.重庆交通大学，交通运输学院，重庆400074；2.保定市城市设计院，河北保定071000)

0 引言

随着我国新型城镇化快速推进，“停车难”已成为各城市交通发展的痛点与瓶颈[1]。由于长期停车配建指标精细化程度不高，城市空间范围停车供需不平衡及部分停车场使用效率不高等问题日益突出。为从城市规划设计源头调控停车需求，指导制定差异化的停车政策与配建指标，解析建成环境与停车需求之间的关联关系尤为迫切。

国内外众多学者已对停车需求进行了系统探索，从影响变量的选取来看，主要分为两类：一类是宏观影响因素，如区位、土地利用类型、人口数量、机动车保有量、道路网络服务水平与公交服务水平等[2-3]；另一类则是微观因素，基于个体出行行为视角，研究各变量对停车行为的影响，如停车费用、停车后的步行时间以及出行者个体属性等[4-5]。从研究方法来看，现有研究主要是利用基于线性假设的模型来解析影响变量与停车需求的关系，包括停车生成率模型、线性回归分析、Logit模型等[2-5]。

综上所述，既有研究缺乏从建设项目周边区域总体建成环境视角探索停车需求，且鲜有考虑非线性效应，而DING[6]等的研究表明，建成环境与交通行为之间存在非线性效应，停车需求作为个体交通行为的衍生，其与建成环境的非线性效应值得深入分析，从而解析不同建成区域停车需求差异的本质原因。本文基于机器学习方法，以商业配建停车场为例，探讨建成环境对停车需求的非线性效应，研究成果可以优化城市空间设计，制定精细化的停车管理政策与配建指标提供理论支持。

1 建成环境表征指标选取

本文探索建成环境对建设项目停车需求的影响，其核心是建成环境通过影响人对环境的感知间接影响停车行为，因此建成环境的测度指标选择应重点考虑影响出行产生与出行方式选择的建成环境因子。在参考建成环境与交通行为相关研究的基础上[7]，本文从宏观区位、中观土地利用与交通设计、微观建筑特性三个维度以全面刻画停车场的建成环境。其中，区位维度通过停车设施距离市中心的距离表征，反映停车需求的地理空间特征；土地利用与交通设计维度选取了土地利用混合度、路网密度、交叉口密度、人口密度、公交服务水平、居住设施密度与服务设施密度等7个指标，其中土地利用混合度、人口密度、居住设施密度与服务设施密度从不同角度反映步行友好性，路网密度、交叉口密度与公交服务水平来反映小汽车与公交可达性；建筑特性以建设项目配建指标来刻画，反映停车供给能力。停车需求则通过高峰时间停车场实际停车数量与项目建筑面积之比来表征。

2 数据采集与分析

2.1 样本选取

保定市于2018年对建成区停车设施展开普查，共涉及3949个停车场，调查内容涵盖停车位设施供给状况，高峰停车数量等，调查区域面积为183.2 km2，涉及人口123.2 万人。通过数据清洗与筛选，提取样本78 个，涉及商场、超市与百货等商业设施的配建停车场。

从空间分布上看，样本覆盖了保定市的主要建成区，如图2所示(图中每个格子为保定市主城的控规分区单元)；从单个样本的选择上看，参考《停车设施规划导则》中对公共停车场服务范围界定为300 m，选择商业类配建停车设施周边300 m 范围内无路外公共停车场的样本，以减少其他停车设施对本次研究的干扰。

图1 样本空间分布Fig.1 Spatial distribution of samples

通过人工调查的方式，获取各停车场的晚高峰停车数量，用以计算高峰小时建筑物单位面积的停车生成数，以表征停车需求；停车场位置数据通过逆地理编码获取坐标位置，兴趣点(Point of Interest，POI)数据通过python程序从百度API接口爬取建成环境所需的POI坐标数据，由于不同数据存在坐标系差异，本文通过QGIS 软件内置插件对数据坐标进行转换；道路网络数据通过开源地图网站OpenStreetMap 截取研究范围内的路网；公交数据由保定市城乡规划设计研究院提供。

2.2 分析单元确定

空间数据的分析需要注意尺度效应与划区效应。为分析停车场周边的建成环境，需要选择合适的分析单元大小，整个建模过程要求空间分析单元不可过大，一方面要保证建成环境测度的有效性，另一方面要突出建成环境因子的内在差异性。参考建成环境对出行行为影响研究中对空间单元划分方面的研究成果[8]，本文最终选取停车场500 m缓冲区作为建成环境的研究尺度。

2.3 解释变量定量表征

通过Arcgis的缓冲区分析，生成停车场的建成环境测度范围，用提取工具计算区域内各类POI的数量、路网长度与交叉口密度；土地利用混合度主要考察每个停车场缓冲区内各类POI 点的混合程度，包括政府、银行、医院、学校、体育馆、商场、酒店、广场、公园9 类POI，土地利用混合度由土地利用熵指数表征进行；区位分析通过构建道路网络数据集，进行OD 成本矩阵求解，其中起点为各个停车场，终点为保定市地理中心(保定市直隶总督署博物馆)；公交服务水平通过停车场缓冲区范围内公交站点每小时到车数量来表示。综合以上数据，构建停车场周围的建成环境特征。建成环境指标具体描述与量纲如表1所示，其中，土地利用熵指数的计算公式[8]为

表1 建成环境指标Table 1 Indicators of built environment

式中：L为土地利用熵指数；Pij为第i个缓冲区内第j种POI数量占总数的比例；Nj为第j个缓冲区内包含POI的类型数量。

2.4 解释变量描述性分析

模型的因变量为停车需求，自变量为建成环境因素，包括宏观、中观与微观视角下的9 个建成环境因子，表2为指标的统计性分析。在进行分析之前，需要对自变量之间的相关性进行分析，剔除相关性过强的变量。因此将自变量导入SPSS 中，进行相关性分析，结果显示，变量的相关系数都小于0.7，故将所有解释变量纳入模型。

表2 变量描述性统计结果Table 2 Descriptive statistics of explanatory variables

3 非线性模型构建

建成环境与停车需求相互关系存在驾驶人心理行为的影响，该关系可能存在非线性关系。梯度提升迭代决策树(GBDT)模型是一种基于树的集成方法，具有较好的鲁棒性与较高的拟合精度。GBDT 模型一方面可以提供自变量的相对重要性，指示自变量在规划实践中的重要性层次；另一方面能拟合变量间的非线性关系，提供自变量对因变量的独立效应分析。这为规划管理者更精准地认识停车需求在空间环境下的变化特征提供了可能性。

3.1 GBDT模型原理

GBDT模型的基学习器是回归树，是一种基于树的集成算法[9]。GBDT 模型的树是依次构建的，即第一棵树对所有样本进行训练，后一棵树以减少前一颗树的残差为目标并不断迭代下去，直到达到迭代次数或预先设置的树的数量，最后的模型将每棵树的结果加权求和得到，即

3.2 求解步骤

通过梯度上升的方法估计各学习器的权重与待估计参数，具体求解步骤如下：

Step 1 初始化F0(x)，计算使损失函数最小的常数值，，其中损失函数选择为平方损失函数，yi为第i个样本点的停车需求，N为样本点的个数，γ为待估参数，设置最大迭代次数M。

Step 2 计算第m次迭代的残差，，其中，F(x)为近似函数，Fm-1(x)为第m-1 次迭代的近似函数，xi为第i个样本点的建成环境变量。

Step 3 利用弱学习器hm()x,cm拟合Stpe 2中得到的残差，其中，cm为第m次迭代中学习器的参数，代表回归树的最佳划分节点，为第m次迭代弱学习器的估计结果；N为样本点的个数。

Step 6 判断是否达到预先设置的迭代次数与精度要求，若满足，则得到最终估计结果；否则，返回Step 2。

通过计算所有加法树的均值，度量单个自变量对因变量的相对重要程度。

为进行量化分析，相关研究以五折交叉验证法确定模型参数，并通过设置0.01的学习率防止过拟合[10]，以生成具有较低预测偏差和合理树大小的最终模型。通过超参数分析，当迭代次数为600，树的深度为8 的时候，模型具有最佳的拟合效果，故将其作为模型参数。

4 实例分析

4.1 整体效应分析

本文以保定市商业配建停车场为例，基于保定市停车调查数据与建成环境数据，利用R编程语言中的“gbm”包实现GBDT 模型求解。为全面反映建成环境对停车需求的影响效应，进行线性模型与非线性模型的对比，结果如表3所示。从调整后R2值可以看出，GBDT模型的拟合优度高于线性OLS模型，说明考虑非线性效应的模型能更好地解释建成环境对停车需求的影响。

表3 模型结果Table 3 Model results

从系数的显著性来看，除交叉口密度与人口密度不显著之外，其余指标均显著；从相对重要度排序来看，配建指标是影响停车需求的最重要因素，其贡献度为18.92%，不难理解，配建指标直接决定了停车场满足停车需求的能力。市中心临近度的重要度排在第二(15.23%)，反映了区位对停车需求会产生影响最高，特别是在类似于保定市的单中心结构的城市中。而公交服务水平与路网密度、人口密度的影响程度类似，均在11%～12%的范围内，其次是服务设施密度(10.60%)、土地利用混合度(9.14%)与居住设施密度(6.37%)，对停车需求影响最小的是交叉口密度(5.19%)。

4.2 独立效应分析

通过控制其他建成环境变量的平均效应，绘制各维度建成环境指标与停车需求之间的部分依赖图，如图2～图4所示。

图2 宏观建成环境指标与停车需求的关系Fig.2 Relationship between macro-built environmental indicators and parking demand

图3 中观建成环境指标与停车需求的关系Fig.3 Relationship between meso-built environmental indicators and parking demand

图4 微观建成环境指标与停车需求的关系Fig.4 Relationship between micro-built environmental indicators and parking demand

停车需求随停车场距离市中心距离的增加而下降，尤其在7 km 左右阈值效应显著，距离超过7 km 后对停车需求影响达到饱和，表明建设项目停车指标在根据区位划分时需注意距离上限。

图10、图11分别为实验系统跑车过程中GPS信号失锁后无BP神经网络辅助和有BP神经网络辅助的东向位置、北向位置情况,可以看出在后200 s中,无BP神经网络辅助东向、北向位置漂移分别最大达到93.81 m、141.40 m;有BP神经网络辅助东向、北向位置漂移分别最大达到55.97 m、69.51 m。

中观层面的建成环境要素与停车需求之间均存在非线性关系与阈值效应。从整体趋势来看，土地利用混合度、居住设施密度、服务设施密度与停车需求呈现负相关；路网密度、公交服务水平与停车需求呈现正相关；交叉口密度、人口密度与停车需求呈现变化的U型关系。

从负相关的指标分析，土地利用混合度熵值在1.25～1.55 之间对停车需求产生影响，如图3(a)所示；居住设施密度在0～6 之间对停车需求产生影响，如图3(f)所示；服务设施密度在10～25之间对停车需求产生影响，如图3(g)所示。说明土地利用混合度与服务设施密度对停车需求的影响具有规模效应，前者通过缩短出行距离，后者通过提高步行舒适性来降低停车需求。居住设施密度与停车需求的关系印证了商住混合开发对减少小汽车使用的有效性。

从正相关的指标分析，当路网密度数值在0.0～1.6 之间时与停车需求呈现正相关，如图3(b)所示。由于密路网提高城市道路的可达性，出行者使用小汽车的倾向增大，进而提高了停车需求，而超过1.6之后两者之间的共变关系变得不明显，这可能是由于过密的路网导致机动性下降，步行可达性提高；随着公交服务水平的增加，停车需求也在增加，如图3(d)所示，因为公交供给较充足的地方往往出行需求较大，出现这种结果反映了公共交通对商业出行者选择小汽车出行的替代作用不明显。

从U型关系的指标分析，停车需求随交叉口密度值在3～12 之间先减小、再增加，当密度值为7 的时候，停车需求最小，如图3(c)所示；人口密度与交叉口密度呈现了类似的规律，数值在0.4～2.0 之间呈现U型关系，密度值在1.3的时候停车需求最小，如图3(e)所示。说明过密集或过稀疏的交叉口与人口的区域停车需求较高，反应了指标对停车需求的影响具有一定的优势区间，同时也解释了在OLS模型的线性假设下这两个指标不显著的原因。

当配建指标数值在0.0～0.2的时候与停车需求呈正相关，随后趋于稳定，如图4所示。说明0.0～0.2 是配建指标对停车需求发挥作用的范围，而目前保定市商业类设施的最低配建指标数值为0.6。因此，从通过配建指标来限制停车需求的角度出发，应将现有配建指标下降到0.2以下，才能对停车需求产生调节作用。

5 结论

本文从空间视角探究停车需求的规律，结合停车需求产生机理选取了宏观、中观与微观三个维度的建成环境变量，构建了考虑非线性效应的GBDT模型，揭示了不同空间环境下的停车需求特征。实证分析表明，不同建成环境因素对停车需求影响程度具有一定差异，且建成环境因子与停车需求的关系均存在非线性特征。本文结论可用于指导制定更加精细化的停车配建指标与管理政策，从城市规划设计源头引导停车需求。但由于实证分析的数据样本量有限，且来源于单一城市，不同城市建成环境因素对停车需求的影响是否具有相同显著性还有待进一步验证。