建成環境對軌道交通站點客流量與通勤乘車率影響的差異化分析

龐磊，任利劍，運迎霞

(天津大學，建筑學院，天津 300072)

0 引言

隨著中國城市化進程的快速推進，許多大城市的軌道交通進入網絡化運營階段。站點客流特征是城市軌道交通網絡化運營的基礎，綜合分析站點客流特征在網絡中的時空分布情況及其與建成環境的關系是網絡運營協調與站域空間開發等規劃的前提和依據，而站點客流特征包括進出站客流量、通勤乘車率等多項指標[1]。因此，綜合探究、對比建成環境對軌道交通站點客流量與通勤乘客率的作用機制，對制定軌道交通站點客流效能提升策略具有重要意義。

建成環境與城市軌道交通出行特征的關系十分復雜。近年來，許多學者借助智能交通刷卡數據與多源建成環境數據來探究建成環境對城市軌道交通客流特征的影響作用。例如，彭詩堯等[2]利用地理加權回歸(GWR)模型研究發現，土地利用特征與城市軌道交通站點客流量的依賴關系是各類屬性功能用地影響及其空間效應的疊加；高德輝等[3]以北京為例，利用MGWR 模型探究發現，TOD(Transit-Oriented Development)建成環境對早高峰出站客流具有空間異質性影響效果；Liu等[4]利用時空地理加權回歸(GTWR)模型探究建成環境對站點時間序列客流的異質性影響效果，研究發現，空間相互作用網絡因素的影響系數顯著大于其他靜態建成環境因素；許奇等[5]利用極限梯度提升決策樹(XGBoost)模型探索建成環境對起訖點(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，既有研究主要關注建成環境對軌道交通站點客流量的影響，對于站點通勤乘車率的研究尚少，站點客流量體現了軌道交通的運輸強度，而站點通勤乘車率體現了軌道交通的分擔能力，兩者對于軌道交通客流運營效益都具有重要影響。因此，探究建成環境對站點客流量與通勤乘車率影響的差異，有助于進一步理解建成環境與軌道交通客流特征的復雜關系。為此，本文基于城市軌道交通智能刷卡數據與手機信令數據提出測度軌道交通站點客流量、通勤乘車率的方法，并構建“3D+N”的建成環境指標體系，利用MGWR模型探究并對比建成環境對兩者影響的差異化特征，以期為制定軌道交通站點客流效能提升策略提供參考。

1 研究區域與數據說明

1.1 站點影響區范圍確定

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

圖1 站點影響區Fig.1 Pedestrian catchment areas of metro stations

1.2 數據說明

本文采用的數據包括軌道交通智能刷卡數據、手機信令數據和多源建成環境數據，具體如表1所示。本文中的軌道交通智能刷卡數據為分時段統計數據，該數據基本信息如表2所示。

表1 數據來源Table 1 Data sources

表2 天津城市軌道交通智能刷卡數據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為本文技術路線，主要包括3個部分：

圖2 技術路線Fig.2 Methodological workflow

(1)基于智能刷卡數據與手機信令數據的站點客流量與通勤乘車率的測度及空間分布分析；

(2)構建“3D+N”的建成環境指標體系并篩選顯著自變量；

(3) 利用MGWR 模型分析建成環境對站點客流量與通勤乘車率的影響機制。

2.2 站點通勤乘車率測度

本文中站點通勤乘車率指工作日早高峰時段(7:00-9:00)進站客流量與居住在該區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，基于手機信令數據的定位功能對用戶日?；顒榆壽E進行追蹤，根據活動規律可以識別出用戶的居住地和就業地[7]。日?；顒榆壽E的規律主要根據時段閾值來識別，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；根據不同時段居民活動規律進行差異化權重賦值，夜晚時段對居住地的權重為1，白天時段對工作地的權重為1，共同時段對居住地和工作地均有權重，但權重不同；按不同權重對3 個月內所有駐留點進行打分并加權，得到白天得分最高的駐留點和夜晚得分最高的駐留點，即工作地與居住地?；谧R別的居住地提取站點影響區內居住人口總量，并根據既有研究中“通勤閾值”的界定(起訖點間距離(L)在400 m 以上的人群視為通勤者[8])篩選站點影響區內的通勤用戶，最后結合工作日早高峰時段進站客流數據計算得到該站點的通勤乘車率。

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

2.3 建成環境影響因素的測度及選取

既有研究對建成環境影響因素的選取主要包括“3D”指標，夏正偉等[9]采用網絡分析與聚類分析的方法指出站點屬性特征(Node Characteristics)對TOD 效能也有重要影響，因此本文將構建“3D+N”維度的建成環境影響因素指標體系，指標具體描述如表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為區域內土地利用類型總數，本文中n=8，分別為居住用地、公共管理與公共服務用地、商業服務業用地、工礦用地、倉儲用地、交通運輸用地、綠地與開敞空間用地以及其他未開發用地。

2.4 MGWR模型

無論是經典范式的地理加權回歸(GWR)模型，還是半參數地理加權回歸(SGWR)模型，對所有局部自變量都采用了統一的空間帶寬指數，而Fotheringham等[10]提出了能夠根據局部變量不同而設置不同空間帶寬指數的MGWR 模型，該模型對空間關系的捕獲具有更高的精度，計算公式為

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

3 研究結果及分析

3.1 城市軌道交通出行空間分布特征分析

3.1.1 站點客流量空間特征

本文城市軌道交通站點客流量使用進站人數表示。天津城市軌道交通日均客流量為88.7萬人，客流量前20 的站點中換乘站與首末站有10 個；客流量多的站點主要分布在中心城區，而客流量較少的站點主要位于外圍的北辰區和東麗區的待開發區域；客流量最集中段位于海光寺—下瓦房、天津站—營口道區域，該區域是多個商務辦公中心、商業零售中心以及交通樞紐中心的集聚區域，站域空間開發強度大，就業崗位密集。根據自然間斷點分類法將站點客流量分為8級，如圖4(a)所示，站點客流量呈現中間高外圍低的空間分布格局，這主要是由城市用地開發強度的異質性、站域空間功能業態混合的多樣性、地區軌道線網密度的異質性等原因造成的。

圖4 站點客流量、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大都位于軌道交通線網外圍遠端靠近首末站的位置，這些站點的通勤乘車率遠大于1，說明有大量乘客來自站點影響區外圍地區。原因可能是軌道交通線網遠端站點的輻射范圍更廣，能夠服務更多周邊人群；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，對軌道交通出行的依賴性相對更強。而中心城區內通勤乘車率較大的站點大多為交通換乘樞紐站，承擔著重要的對外或對內交通運輸功能，這類站點具有較強的客流吸引力；同時這些站點周邊開發多以交通運輸、商業服務或商務辦公等功能為主，居住用地占比相對較低。

3.2 站點服務能力顯著影響因素篩選結果

首先，采用多重共線性檢驗法剔除公共服務設施POI 密度、容積率、路網密度這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性檢驗后發現，除出入口數量外，其他因素的p值遠小于0.05，Moran's I值與z值均為正值，表明各影響因素具有較強的空間集聚分布特征。出入口數量屬于站點屬性特征，與客流特征存在密切關系，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模型分析結果

3.3.1 模型擬合結果對比

調整R2與修正的赤池信息量準則(AICc)通常作為模型選擇的度量標準，調整R2越大、AICc越小的模型表明其解釋性更好[3]。建成環境對站點客流量、通勤乘車率影響作用的模型擬合結果如表5所示，兩組中MGWR 模型的調整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境對站點客流量、通勤乘車率的影響效果。

3.3.2 站點客流量與通勤乘車率影響因素的差異性分析

模型參數估計結果如表6所示，具體分析結果如下：

表6 模型參數估計結果Table 6 Model parameter estimates

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

(2)對于通勤乘車率，站點距公交站點平均距離(帶寬138)近似全局變量，具有較弱負向作用，因為公交接駁換乘距離越遠，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用地占比均為局部變量，前者有較弱的負向作用，即土地利用混合度越高，站點通勤乘車率越低，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]；未開發用地占比具有較強的正向作用，比值較高的站點一般位于城市外圍，外圍地區的綜合交通可達性較差，長距離通勤居民對軌道交通的依賴性更強，軌道交通站點輻射范圍相對更廣，能夠吸引更多站域外圍的乘客。

通過組內特征和組間差異的對比可以發現，影響站點客流量與通勤乘車率的建成環境因素既存在差異，也存在相似性。差異性主要體現在建成環境影響因素的數量和類型，其中商業服務設施POI密度、公交站點密度、出入口數量以及度中心性只對站點客流量有顯著影響，土地利用混合度與未開發用地占比只對站點通勤乘車率有顯著影響，而站點距公交站點平均距離則對兩者均有顯著負向影響，但它對通勤乘車率的作用強度較弱。

3.3.3 局部變量對站點客流量與通勤乘車率的空間異質性作用分析

根據自變量的帶寬選取局部變量進一步做空間分析，影響系數的空間分布特征如下。

(1)站點客流量

圖5(a)顯示，商業服務設施POI 密度影響系數的空間分布呈現中間高外圍低的特征，主要是因為中心城區的區位優勢對商業活力的促進作用效果顯著，對客流吸引力更強；同時東北部區域部分站點影響系數也較高，這是因為天津東北部區域土地開發程度低、商業服務設施較少，根據邊際效應理論，居民對商業服務設施的依賴性強。圖5(b)顯示，出入口數量影響系數同樣呈現由中間向外圍遞減式分布，主要是因為城市核心區內有多個城市商業與商務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，度中心性影響系數呈現均勻分散式分布，這主要是因為天津軌道交通線網致密化程度較低，度值較高站點數量較少且分散分布，對站點客流量影響的空間異質性特征并不明顯。

圖5 站點客流量局部變量回歸系數空間分布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均為負值，圖6(a)顯示，外圍地區的影響程度較高，尤其是東南地區，這主要是因為1號線與6號線南段以及9號線東段的站點周邊多為長距離通勤居民，外圍地區較低的土地利用混合度不能滿足居民就近工作的需求，使得當地居民尤其依賴軌道交通進行長距離通勤。圖6(b)顯示，未開發用地占比影響系數呈現由東南向西北遞減的趨勢，這主要是因為東南地區站域內未開發用地較多的現象使得站域內人口密度較低，導致站域外圍通勤乘客占比進一步增大，這反向說明了外圍東南地區的站域未能充分利用TOD的區位與功能優勢合理開發建設。

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

通過對比建成環境因素對軌道交通站點客流量與通勤乘車率的作用強度以及作用方向的空間分布規律發現，不同的局部影響變量對它們的作用效果空間差異較大，可以據此劃分區域的規劃干預優先級，有效避免在邊際增值效應小的地區進行大規模規劃建設。對于提升站點客流量，應該優先規劃干預中心城區內的商業服務設施與站點出入口數量，充分發揮中心城區站點高聚集優勢。對于改善站點通勤乘車率，應該優先規劃干預城市外圍東南地區站域的土地利用規劃調整與土地開發建設引導，充分發揮外圍地區站點TOD優勢。

4 結論

本文基于天津市軌道交通智能刷卡數據、手機信令數據與建成環境等多源大數據，解析了城市軌道交通站點客流量、通勤乘車率的空間分布特征，并運用MGWR模型探究了站域建成環境對兩者的作用機制，研究結果表明：

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

(2)建成環境因素對站點客流量與通勤乘車率的影響既有差異性又有相似性，研究結果為提升客流量與改善通勤乘車率提供了建成環境要素分類協同配置的引導策略。商業服務設施POI 密度與公交站點密度對客流量有較強正向影響，而土地利用混合度、未開發用地占比對通勤乘車率分別有較強負向、正向影響。這種差異表明，通過增加商業設施數量與公交站點密度可有效提升站點客流量，而通過提高土地利用混合度、優化站域土地開發建設可有效提升職住平衡度、改善站點通勤乘車率；同時應考慮提高未開發用地占比較高站點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的通勤乘客的便捷度[12]。相似性表現在距公交站點平均距離對兩者均有負向影響，表明通過優化公交站點布局、縮短公交接駁換乘平均距離可同時提升站點客流量和通勤乘車率。

(3)建成環境局部影響變量對站點客流量、通勤乘車率的作用強度與作用方向存在空間異質性，可以據此有效預判改善站域建成環境對提升軌道交通客流運營效益的效果，通過制定分區劃級干預策略為TOD 站域城市更新提供決策支持。例如，商業服務設施POI 密度與出入口數量對站點客流量的作用強度呈現由內向外遞減趨勢，表明優先提高中心城區站域內商業服務設施密度與出入口數量可有效提升站點客流量；而土地利用混合度與未開發用地占比對東南區域的站點通勤乘車率作用強度顯著，表明優先規劃干預東南區域站域土地利用混合度與土地開發建設可有效改善站點通勤乘車率。