城市轨道交通客流与精细尺度建成环境的空间特征分析

高德辉，许奇，陈培文，胡佳俊，朱宇婷

（1.中国城市建设研究院有限公司，北京 100120；2.北京交通大学，综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044；3.北京工商大学，电商与物流学院，北京 100048）

0 引言

以公共交通为导向的开发模式(Transit-Oriented Development,TOD)是实现轨道交通出行服务与城市功能深度融合的重要保障，是适合高密度开发城市的发展战略[1-2]。客流效果是评估城市轨道交通与土地利用一体化程度的核心问题[3]。鉴于此，研究城市轨道交通客流分布与车站TOD 建成环境特征的依赖关系，将有助于提高站城一体化发展以缓解城市病问题。

既有研究表明土地利用是影响客流的关键因素[3-5]，包括开发强度、混合用地和用地布局等3 个方面。TOD建成环境同样强调土地利用要素，即高密度的用地开发，混合的用地功能，良好的城市设计的3D 特征[6]。另外，TOD 强调平衡公共交通的供给与用地开发产生的出行需求。在此基础上，Ewing等[7]提出TOD建成环境的5D特征，新增的两个特征为公共交通良好的可达性和可获得性。

既有研究对城市轨道交通客流分布与土地利用依赖关系的分析较充分，但对其与TOD 建成环境的研究仍不够细致。部分学者拓展节点-场所模型[8]定性分析客流与TOD 建成环境的关系[9-10]。为定量刻画TOD 建成环境对客流的影响程度，既有研究多采用多元线性回归模型[11]和非线性模型[12]以刻画两者的依赖关系。然而，这些研究未充分考虑城市轨道交通与TOD 建成环境的空间效应，例如轨道交通客流分布的空间异质性及其对用地功能的空间依赖[13]，进而导致估计结果可能存在偏差。

空间计量模型等全局常参数模型是研究城市轨道交通客流与土地利用空间依赖的主要方法[3]。但全局模型分析仅能刻画两者复杂空间关系的平均结果，忽略其空间异质性导致的局部特征[13]。更多的学者采用地理加权回归技术(Geographically Weighted Regression,GWR)等局部变参数模型刻画这种空间特征。然而，经典的GWR 模型假设解释变量的最优带宽具有一致性，忽略TOD 建成环境要素对客流分布的影响具有空间尺度差异的事实，进而可能导致估计结果的不稳健。因此，需利用多尺度GWR 模型(Multiscale GWR, MGWR)以期刻画城市轨道交通客流对TOD建成环境的依赖效应的多尺度空间特征。

鉴于此，为刻画TOD 建成环境的5D 特征，提出基于多源地理大数据的城市轨道交通车站周边环境的识别方法；以北京市轨道交通为例，利用MGWR研究TOD建成环境特征与客流分布的空间局部特征，分析两者依赖关系的复杂空间模式。

1 研究区域与数据说明

以北京市轨道交通系统为案例研究区域，截至2020年，其开通线路24 条，运营里程727 km，车站364座(换乘站不重复计)。研究数据主要包括：

(1)用地开发。POI(Point of Interest)点数据反映城市用地功能分布和开发程度，可通过互联网开源数据和工商数据两类平台获取[14]，北京市域内约141 万条有效数据。然而，POI 数据未体现地理实体的空间尺寸，还需进一步基于POI 识别AOI(Area of Interest)面数据，约3.8万条数据。另外，建筑物和构筑物等三维矢量数据可用于细粒度的土地利用评估测算，也可通过互联网开源数据平台获取。

(2)交通运行。交通出行时间是测算可达性的关键信息。利用高德地图平台的路径规划技术获取任意两个1 km×1 km 栅格像素之间的公共交通出行信息[14]，采集工作日早高峰时段(7:00-9:00)的最短出行路径信息约507万条。另外，为评估慢行交通环境，基于互联网电子地图平台获取以北京市轨道交通车站为中心的10 min步行等时圈。

(3)客流数据。采用2019年12月11日(星期三)北京市轨道交通运营线路客流数据，共计21条运营线路，330 座车站，客流数据为早高峰(7:00-9:00)的出站客流量。

城市轨道交通车站直接影响范围是其步行吸引范围，通常用半径为300～1500 m 的圆形区域[3-5,9-13]或8～12 min步行等时圈表示[16]。然而，这两种方式均不能处理中心城区由于站间距过短而导致影响范围重叠的问题。针对此局限性，本文将车站的影响范围半径设为800 m，求该车站圆形区域和其泰森多边形的交集，据此定义该集合为车站的影响范围。

2 研究方法

2.1 车站TOD建成环境变量及计算方法

建成环境是因人类生产生活等活动而形成的人居环境状态，TOD 建成环境主要与土地利用模式、交通系统和城市设计等要素密切相关。Ewing等[7]提出刻画TOD 建成环境特征的5D 特征，即密度、混合用地、设计、公共交通可达性和可获得性。既有研究[17]从多角度提出刻画轨道交通TOD 建成环境的变量及其计算模型。根据已有数据，本文定义如下：

(1)密度

高密度(Density)用地开发是车站TOD 建成环境的显著特征。采用建筑密度刻画该特征，即地块上建筑物基底总面积占总用地面积的比值，则车站影响范围内建筑密度估算公式为

式中：Di为第i个车站的建筑密度；si,j,k为车站i影响范围内地块j上第k个建筑物或构筑物的基底面积(m2)；Sj为地块j的用地面积(m2)；J为位于地块j内的建筑物和构筑物的集合；I为位于车站i影响范围内的AOI地块集合；|·|为计算集合中元素的个数。

(2)混合用地

混合用地(Diversity)或城市功能混合是车站TOD 建成环境的另一个显著特征。采用熵的概念刻画土地利用和城市功能的多样性程度，则车站用地功能混合度计算公式[3]为

式中：Ei为第i个车站的用地功能混合程度熵，取值范围为[0, 1]，该值越大则用地功能混合程度越高；Hiu为第i个车站的第u类POI数量占其全部类型POI 数量的比值；U为POI 集合；M为POI 类型的集合，|M|=8。

(3)设计

TOD是公共交通服务与用地功能融合的区域，两者的协同依赖于良好的城市设计(Design)，其核心问题是营造步行和自行车友好的出行环境。评估慢行交通环境的指标通常仅采用路网密度等基础设施类指标。针对慢行交通优先的道路空间设计的评估，采用Pedshed ratio 刻画车站慢行交通环境[18]，计算公式为

式中：Pi为第i个车站的Pedshed ratio值，该值越大表明车站10 min 步行等时圈越接近其理论影响范围，即慢行交通环境越好；Si,10min为第i个车站的10 min 步行等时圈的面积；Si,PCA为第i个车站理论影响范围的面积，取值为本文定义的车站影响范围。

(4)可达性

良好的可达性(Destination Accessibility)是轨道交通TOD 竞争力的核心要素。采用累计机会模型评估车站所在区域的公共交通可达性，计算模型为

式中：Ai为第i个车站所在1 km×1 km栅格的累计机会可达性；On为第n个栅格的POI的数量；tin为栅格i和n之间的公共交通出行时间(min)[14]；f为0-1 函数，当tin≤tmax时，f（tin）=1，否则，f（tin）=0，tmax=47 min[15]；N为栅格的集合。

(5)可获得性

居住就业区域与公共交通车站的距离(Distance to Transit)反映出行者的公共交通服务的可获得性，是反映居民获取公共交通服务便捷与否的指标。借鉴伦敦的可达性评估方法，采用车站影响范围内所有建筑物与车站欧式距离的平均值来刻画该特征，计算公式为

式中：Ti为第i个车站影响范围内所有建筑物与车站距离的平均值；di,j,k为车站i影响范围内地块j上第k个建筑物与车站中心的欧式距离(km)。

2.2 轨道交通客流与车站TOD建成环境变量的计算模型

城市轨道交通客流与TOD建成环境的依赖关系呈现显著的空间不平稳。鉴于此，采用GWR 模型研究客流与TOD 建成环境变量的空间异质性，并在此基础上，进一步放宽模型估计过程中解释变量的影响具有相同空间尺度的假设，采用MGWR模型刻画客流与TOD建成环境变量依赖关系的空间异质性及其尺度效应，即

式中：yi为第i个车站的早高峰出站客流量；(ui,vi)为车站i的经纬度坐标；β0(ui,vi)为车站i的常数项；βb(ui,vi)为车站i的第q个TOD 建成环境特征xiq的估计参数，b为该变量估计参数使用的最优带宽；εi为误差项，服从正态分布N（0,σ2）。

GWR 和MGWR 的空间权重函数均采用Gaussian 函数，最优带宽由AICc 准则计算。但MGWR 模型需先初始化各带估计参数值，然后不断优化初始值直至收敛。考虑收敛速度，本文采用GWR的估计参数为MGWR模型的初始值，并采用残差平方和(RSS)的变化比例作为收敛准则，即前后两次回归的RSS值之差不大于收敛值。

基于MGWR模型研究轨道交通车站出站客流与TOD 建成环境变量的依赖关系，估计系数根据模型变量是否取对数可解释为边际效益或弹性，即TOD 建成环境变量变化1 个单位或1%，车站客流变化β个单位或（100×β）%。就回归结果而言，当估计参数为正值时，解释变量对出站客流的影响为正效应，TOD建成环境越显著，车站出站量越大；反之亦然。估计参数的空间分布反映车站出站客流与TOD建成环境的依赖关系的空间不平稳。

3 案例分析

3.1 北京市轨道交通TOD建成环境的空间特征

图1为北京市轨道交通车站TOD 建成环境特征的空间分布。其中，图1(f)为各建成环境变量的样本数据标准化后的均值，反映车站的TOD 程度。从图中可知，表征车站TOD 建成环境的变量具有显著的空间异质性特征，具体表现为：

(1)开发强度（xD）、慢行系统设计（xP）、公共交通可达性（xA）等3 个变量的空间分布相似，均呈现由中心城区向郊区径向递减的多层分布结构，如图1(a)、(c)和(d)所示。例如，车站所处的区位是影响其周边用地开发强度的关键，因此该特征的变量与北京市用地功能布局显著相关。类似地，xP的空间分布与中心城区较高的道路密度网和适宜慢行的路网结构相关，而xA则源于公共交通的资源配置方式。

(2)与上述3个特征的空间分布相反，居民活动区域与公共交通车站的距离（xT）的空间分布则呈现内低外高的圈层结构，且整体上南小于北，如图1(e)所示。这种空间特征表明：北京市公共交通可获得性较好的区域仍位于中心城区；同为服务外围平原新城的房山线、大兴线和亦庄线则显著优于昌平线和15号线。

(3)混合用地（xE）的空间分布与其余4 个特征均不一致。从整体上看，北京市西北部区域车站的土地利用混合程度较高，而用地功能混合较低的车站均是就业岗位集中区域，例如中关村区域和上地西三旗组团。剩下车站的周边用地功能较为单一，例如，服务外围居住组团的房山线、大兴线和亦庄线；就业岗位集中区域的泛CBD区域和望京等。

综上，城市轨道交通车站TOD 建成环境也呈现显著的空间异质性特征，如图1(f)所示，且这种空间效应是各类具有显著区域差异的各特征变量影响结果的叠加。

图1 北京市轨道交通TOD建成环境特征的空间分布Fig.1 Spatial distribution of built environment characteristics of TOD for Beijing Subway

3.2 参数估计与模型评估

基于空间模型分析北京市轨道交通早高峰出站量与其TOD建成环境的依赖关系。在回归分析中，仅因变量出站量取对数形式，则估计系数β的解释为TOD建成环境特征变量增加1个单位，车站出站客流增加（100×β）%，结果如表1所示。其中，估计值为1%、5%、10%显著水平和不显著的β平均值，括号内数字为各显著水平下样本数占总样本数的比例。

局部变参数模型的估计结果对带宽的选取敏感。当带宽覆盖整个研究区域时，空间局部模型退化为普通最小二乘法全局模型(OLS)。从表1中易知，GWR解释变量的最优带宽b均为66，即用于估计各车站β的所需样本为与其邻近的66 座车站。MGWR的各解释变量最优带宽不一致，除xT的影响范围更倾向于全局变量外，其余特征均为局部变量。

从表1中估计参数的显著性可知，GWR 的结果中分别有50%、75%、40%、83%和51%的车站出站客流，与5个TOD建成环境特征的估计参数至少在10%显著水平上通过检验，表明两者的依赖关系具有显著的空间异质性。由于考虑解释变量影响范围的空间尺度差异，MGWR估计效果更优，除xD减少34%外，其他各解释变量显著的估计参数相较于GWR分别增加16%、3%、16%和45%。上述结果表明：MGWR可更好地刻画样本数据的区域差异。

表1 基于GWR和MGWR回归模型的参数β 估计结果对比Table 1 Comparison of estimated parameters of GWR and MGWR models

表2为不同回归模型拟合效果评价指标对比，其结果进一步印证上述论断。分析可知，全局模型OLS的解释能力仅为51.2%，残差的Moran'sI则达到0.186，表明该模型未充分考虑样本的空间效应，估计效果较差。鉴于此，空间模型的估计效果显然优于OLS。

表2 不同回归模型估计效果评价指标对比Table 2 Comparison of evaluation indexes of different regression models

另外，同为局部变参数模型，MGWR的解释能力则达到83.7%，残差的Moran'sI仅为0.008，基本

消除残差的空间效应，AICc 和RSS 也均为最小。相较于GWR，该模型能更好地刻画客流与TOD 建成环境变量依赖关系的空间异质性及其尺度效应，估计效果更好。

3.3 结果分析

3.3.1 影响因素参数分析

从表1中MGWR的估计参数β可知，在1%显著水平下，xD的均值为0.22，即该解释变量变化1个单位，因变量增加22%。结果表明：若这些车站周边用地开发强度提高50%，则出站客流将增加11%，这与东京涩谷站未来之光的开发效果相当。客流增加的原因是新增的就业人口将成为城市轨道交通潜在的客流需求。类似地，车站区域公共交通可达性的改善对增加客流具有更加显著的促进效果，xA提高50%，车站出站量将增加26%。

城市轨道交通车站与周边居住就业区域的邻近是影响通勤出行的关键因素，但案例结果表明，xT的估计参数为正值，基于进站量的分析也得出类似的结果。部分通勤者依赖于城市轨道交通出行，对“最后一公里”较不敏感。北京围绕车站0～150 m内的容积率是800 m 以外的2.5 倍[19]，其xT的平均值为263 m，车站周边开发的紧凑度尚可。这也是导致上述结果的可能原因。也正因为如此，除物理空间邻近外，慢行交通出行环境的提升能显著地改善客流效果。结果表明：xP改善50%，出站客流将增加33%。

xE的估计参数是负值，表明城市轨道交通车站周边用地功能的混合对客流是负效应，即用地功能的混合程度降低1单位，出站客流将增加34%。这与北京市轨道交通车站所呈现低混合用地-高客流和高混合用地-低客流的聚集趋势一致；且在低混合用地区域，土地利用以商业用地为主，其占比平均值达到65%，显著高于其他区域的49%[3]。

3.3.2 估计参数的空间特征

城市轨道交通车站出站客流与其TOD建成环境特征的依赖关系具有显著的空间异质性。MGWR 模型的β值和t值的空间分布如图2所示。其中，车站的颜色深浅和圆圈大小分别表示估计参数值和显著性水平的大小。

图2 基于MGWR模型的各车站β 值和t 值的空间分布Fig.2 Spatial distribution of β and t-value of stations of Beijing Subway based on MGWR

从图2分析可知，出站客流与xD、xP和xA等3个TOD 建成环境特征依赖关系的空间分布相似。在1%和5%显著水平下，33 座车站(占有效样本的12%，下同)的xD和92座车站(32%)的xP均为正值，其对提高出站客流具有显著的促进效果，且这些车站大部分位于连接郊区和中心城区的线路的外围区域。类似地，267 座车站(93%)的xA也呈现上述空间特征，且相较于中心城区，公共交通可达性的改善对郊区客流的正效应更加显著。

xE和xT的客流影响效果则呈现区域性特征。235 座车站(82%)的xE为负值，与车站出站客流负相关，这些车站主要分布于除北京西南地区以外的区域。而181 座车站(64%)的xT为正值，与车站出站客流正相关，这些车站分布于北京的东南区域，包含大兴线、8 号线南段、亦庄线、八通线和6 号线东段的车站。

综上，TOD建成环境对城市轨道交通车站客流的影响效果区域差异显著。北京的城市空间是单中心结构，土地利用和交通服务仍然以中心城区为主，其城市发展水平较郊区高。因此，xD、xP和xA等变量的客流影响效果均呈现郊区改善效果优于中心城区的空间特征。鉴于此，郊区车站的TOD发展策略应以增加供给和完善基础设施为主。

与上述模式不同，xE和xT的客流影响效果好的区域主要覆盖如泛CBD等城市核心区。这些区域仅依靠单纯地提高开发规模和强度等发展策略已不能达到改善效果，而更应该关注TOD 发展质量的提升，例如为更好地推进职住平衡所需采取的用地结构调整和紧凑开发。基于北京的案例表明，不同区域车站的TOD 发展应采取差异化策略，郊区车站更适合强调数量的发展策略，中心城区车站则更应强调发展的质量。

4 结论

本文基于北京市轨道交通车站出站客流及TOD 建成环境特征等多源地理大数据，采用MGWR研究上述两者关系的空间分布特征及其尺度效应，研究结果表明：

(1)采用开发强度、混合用地、慢行交通环境、公共交通可达性和可获得性等5 个变量分别刻画城市轨道交通TOD 建成环境的5D 特征。xD、xP和xA等变量呈现中心城区向郊区径向递减的多圈层空间分布，xT则恰好相反；xE的空间分布呈现西部区域车站的土地利用混合程度高于东部的特征。这种空间异质特征源于城市土地利用和交通服务的区域差异性。

(2)相较于经典GWR，MGWR 的估计结果更为可靠，其解释能力达到83.7%，残差的Moran'sI为0.008，更好地刻画车站出站客流与TOD 建成环境特征依赖关系的空间异质性及其影响尺度，进而避免捕获过多的噪声及其空间效应对估计结果的干扰。因此，是否考虑不同要素影响的空间尺度对客流影响效果的分析将产生显著影响。

(3)TOD建成环境对城市轨道交通车站客流的影响效果呈现显著的区域差异特征。这两者关系的空间非平稳性表明：不同区域车站的TOD 开发应采取差异化的发展策略。郊区车站更适合强调规模和强度的发展策略，例如，提高车站周边用地开发强度，增加路网密度以改善慢行交通环境以及整合交通与土地利用以提高可达性等；中心城区的车站则较难通过进一步提高规模和强度以改善客流效果，而应更强调发展的质量，例如，协调轨道交通廊道沿线的用地结构并采取紧凑开发模式以推进职住平衡。