“轨道交通微中心”理念下的慢行影响区范围确定方法

陈廷照 陈艳艳† 王子理 郭继孚

“轨道交通微中心”理念下的慢行影响区范围确定方法

陈廷照1陈艳艳1†王子理2郭继孚3

（1. 北京工业大学 城市交通学院，北京 100124；2. 济南市道路和桥隧服务中心，山东 济南 250101； 3. 北京交通发展研究院，北京 100161）

为响应北京地铁站周边用地一体化、打造轨道微中心的理念，本研究利用多源大数据，从公共客流、路网设计、人口密度和用地多样性等方面提取了23个影响因素，定量地刻画站点慢行影响区内的建成环境及出行特征，其中重点考虑了共享单车的接驳特征。为了弥补以往以出行者的步行时间确定轨道站点影响范围的不足，提出了融合主成分分析和-均值聚类的站点分类模型去划定慢行影响区的范围。以北京市为例，站点影响区被分为4簇：接驳低效-连通度弱-居住主导型，接驳高效-连通度高-均衡型，接驳高效-连通度弱-混合型，接驳高效-连通度高-工作主导型。为了验证聚类的合理性，利用空间自相关的方法判断簇内指标的空间依赖性，结果显示簇1、3、4的空间分布与随机模式没有显著的差异，而簇2接驳高效-连通度高-均衡型站点在空间上存在一定的自相关特性。最后，基于聚类结果定义了轨道站点的慢行影响范围，分别为2 000、1 600、1 600、1 700 m。不同轨道站点类型慢行影响范围的明确，有助于城市规划者确定轨道微中心的建设范围，也可为以公共交通为主导的城市模式开发奠定基础。

轨道微中心；影响因素；主成分分析；-均值聚类；慢行影响区

地铁作为大容量、高效率、安全可靠的城市轨道交通客运系统，既是提升公共交通承载力水平的必由之路，也是缓解“大城市病”的重要途径。2018年，北京市政府印发了《关于加强轨道交通场站与周边用地一体化规划建设的意见》，提出在轨道交通车站周边打造微中心。2020年12月市政府办公厅正式印发了《北京市轨道微中心名录（第一批）》的批复。目的是打造与轨道交通站点充分融合互动，可达性高、土地集约化利用程度高、具有多元功能的城市地域空间。同时是为了进一步实现以公共交通为导向的用地发展模式（TOD）。

欧美的案例研究表明，大多数TOD开发半径的选取以离车站10min的步行距离为依据（按照步行是主要的车站进出方式，10min是可以接受的步行时间）。大多数欧洲研究者［1-3］提出TOD区域的边界为从过境站到700m的欧几里得距离，大多数美国研究采用的范围为400～800m［4-5］。随着共享单车的发展，轨道站点慢行影响区有所增加。Ma等［6］分析了南京市地铁站的共享单车接驳特征，表明早晚高峰的接驳频率最高。Lee等［7］计算了韩国两个城市的轨道接驳共享单车的出行距离，分别为1.96km和2.13km。关于影响区的边界界定包含规则的环形边界和不规则的道路边界。Luan等［8］选择出行者和站点之间的步行距离作为地铁站域的边界。O'Connor等［9］比较了传统环形车站区和路网区的区别。美国公共交通协会将交通方式的典型影响范围分成3类：核心区、主要集聚区和次要集聚区［10］。

很多学者引入了共享单车数据以便于更清晰地挖掘轨道站点慢行影响区的特征［11-12］。Guo等［13］结合ofo共享单车数据提出了37个描述建成环境的指标。Lin等［14］重新划分了站点缓冲区，从轨道客流、人口和路网设计等方面提出了12个指标。Tamakloe等［15］从基本的密度、多样性和设计方面提出16个指标评估缓冲区的特性。有研究报告称，无桩共享单车流行后，35.3%的受访者转向使用该方式进出地铁站［16］。其次，Chen等［17］、Yang等［18］利用聚类的方法分别对站点和站点影响区进行了分类，明确了不同类型站点的不足及规划改进方向。但是以往的研究多是在既定的缓冲区范围内进行评估的。事实上，不同类型的轨道站点类型其开发范围也不同。

本研究重点考虑了站点缓冲区范围内的共享单车接驳情况，结合地铁客流、公交客流、路网指标、人口指标和用地多样性定量地刻画站点500 m缓冲区范围的建成环境特征。采用融合主成分分析的-均值聚类方法对轨道站点分类。挖掘不同类型轨道站点影响区的慢行影响范围，弥补以往研究的不足，为未来轨道站点微中心的规划提供参考。

1　指标提取

本研究的关键是提取合理的指标用于描述站点缓冲区的特征，选取多源数据以弥补以往研究中数据不足的问题。其中多源数据包括共享单车数据、轨道交通刷卡（AFC）数据、手机信令数据、路况数据、兴趣点（POI）数据，以及轨道线网、公交线网、城市路网等底层数据。

1.1　客流指标

1.1.1共享单车客流

本研究采用2019年3月3日—2019年3月9日的北京市共享单车数据进行分析，日数据量达到35万。其中共享单车数据包含单车ID、借车时间、借车经纬度、还车时间、还车经纬度等字段。

由于大型立交桥、大型商业街和换乘站点位置的地铁站出入口之间距离较大，与单个站点的匹配容易产生较大的误差，因此需精细化制作轨道站点的出口位置图层。定义距离站点出入口位置100 m以内的共享单车出行为接驳出行。并且剔除了出行距离大于30 km和出行时间大于3 h的异常数据。另外，为了使统计量更具代表性，保留接驳量大于50的轨道站点，最终234个站点的指标用于本研究分析。

统计发现北京市轨道站点共享单车的接驳量在周一至周五均位于20万以上。按出行距离20 m切分每个距离段的出行量。如图1所示，全市一周内每天的出行距离统计量与出行量累计频率分布线的趋势高度相似，其中85%分位的接驳距离均在1 860 m左右。

将单车接驳分为到达车站和离开车站，分别统计了一周内每天每小时的接驳量，如图2所示。结果显示进站接驳和出站接驳在工作日均有明显的双峰特性，高峰时间段为7：00 — 9：00和17：00 — 19：00，且早高峰接驳峰值更明显。说明了共享单车的使用者主要是通勤人员。

从共享单车的接驳量、接驳时间、接驳距离3个方面提取指标，包含站点单车接驳时间、单车接驳量、单车接驳85%分位距离、单车接驳早高峰系数进出比、单车接驳晚高峰系数进出比。其中单车接驳量是站点在工作日的全天进出站接驳量的平均值，中关村和国贸片区接驳量明显较大，其他接驳量大的站点主要集中在四环以内；单车接驳时间是站点在工作日的全天所有进出站接驳行程时间的平均值，四环内大部分站点的接驳时间在15 min以内，以10 min以内居多。全市所有的轨道站点单车接驳时间在10 min以内的平均占比为63%，在10～15 min的占比为16%；El-Geneidy等［19］和Wang等［20］曾指出每个站点接驳行程长度的第75和85个百分点作为可接受距离的合理指标。因此，选取85%分位接驳距离指标反映接驳距离方面的特征。另外，单车接驳早晚高峰系数进出比可反映站点的通勤特性，进出差异体现了站点缓冲区内的居住或工作主导特征。

图1　北京市接驳距离分布

图2　进出站接驳量时间分布

1.1.2轨道站点客流

基于AFC数据统计轨道站点的共享单车接驳比例和轨道站点客流，站点共享单车接驳占比大部分在6%以下，如图3所示（图3-7、10中图例区间为下闭上开，如0～2表示［0，2））。轨道站点客流作为反映缓冲区活力的主体，提取了轨道站点的全天客流登降量和早晚高峰系数进出比等特征指标，侧面反映站点在早晚高峰期间的进出比，早高峰大于晚高峰的说明该站点偏向于居住主导，晚高峰大于早高峰的说明该站点偏向于工作主导。

图3　轨道站点共享单车接驳占比

1.1.3地面公交站点客流

在站点缓冲区内，地面公交的接驳是不容忽视的。统计缓冲区内公交站点全天登降量来反映地面公交出行活力。另外，经过公交站点的线路数量反映了缓冲区内公交的可达性，因此将轨道站点缓冲区内所有站点的线路数累加作为路网指标之一。

1.2　路网指标

1.2.1站点密度

站点密度指标包含轨道站点的密度和公交站点的密度，均用站点邻近距离值来表达。其中轨道站点的密度指标是通过与相邻最近的4个轨道站点之间的平均距离得到的，距离越大说明轨道站点密度越小，距离越小说明轨道站点密度越大。公交站点的密度指标用缓冲区内所有公交站点距轨道站点的距离平均值表示，描述了在站点500 m缓冲区范围内公交接驳的难易程度，距离平均值越大，公交接驳难度越大。

1.2.2路况等级

基于划定的轨道站点缓冲区，圈定所包含的道路路段，利用python编程从百度地图爬取工作日早高峰路段的交通拥堵情况。地图路况等级分为畅通、缓行、轻微拥堵、拥堵、严重拥堵等5种，分别将其赋值为1、2、3、4、5，计算可得缓冲区范围内的路段路况平均值。路况等级指标越大，说明该缓冲区处于交通要道。另一方面，道路的拥堵刺激大众在轨道站点缓冲区范围内更积极地选择慢行交通。

1.2.3路网中心度

在复杂网络分析中刻画节点中心性的常用指标有3个，分别为度中心度、邻近中心度和介数中心度。

度中心度用于测量网络中一个节点与其他所有节点相联系程度，即

式中：k为与节点直接相连的站点数，为所有站点数。

邻近中心度刻画了网络中节点到其他节点的距离平均值，这里的距离按两节点之间连杆的数量计算。即

式中：d为两点之间的连杆数量，C为邻近中心度。

介数中心度描述的是在网络中其他起讫点对的最短路径通过该节点的数量，即

图4示出了公交线网节点的3个中心度分布，度中心度显示北京西站、大北窑南站、六里桥东站、四惠枢纽站等站点的度值较大；邻近中心度则显示出了明显的强中心性；介数中心度表明了公交站点的通达性，其中亮马桥、大北窑南、和平东桥和北京西站处于通达性强的位置。提取站点500 m缓冲区内的所有公交站点度值的平均值作为站点的指标之一。同理可获得地铁线网的节点中心度指标。

1.3　人口指标

人口是交通行为产生的根本，本文基于手机信令数据获得北京市交通小区的职住人口，再根据每个交通小区的面积得到职住密度，按轨道站点所在区域的小区职住密度作为站点缓冲区的职住密度。由于站点缓冲区存在与多个交通小区重叠的现象，在描述职住问题时是片面的。而轨道站点客流和共享单车的接驳客流反映的是围绕轨道站点一定范围的出行情况，可以直接反映轨道站点影响区内的职住情况。因此，本研究使用轨道站点早晚高峰系数进出比和共享单车接驳早晚高峰系数进出比辅助该指标反映站点周边的职住情况。图5示出了站点所属交通小区的职住密度，居住人口密度高的站点分布散而广，工作人口密度高的站点分布集中在中关村和国贸片区。

1.4　用地多样性

功能混合程度又称功能多样性，它与地铁站流域的活力有关，反映的是区域内的用地多样性。龙瀛等［21］提出利用信息熵计算功能混合度，见式（5）。本文利用爬虫技术获得北京市的POI数据，包含10种功能类别：餐饮、风景名胜、公司企业、购物、科教文化服务、商业住宅、生活服务、体育休闲服务、医疗保健服务、政府机构与社会等。图6显示，站点缓冲区内功能混合度在1.7以上的占比77%，说明围绕轨道站点开发的功能性POI比较丰富。

图4　公交线网节点度

式中：M为POI功能混合度；n表示功能类别，i∈（1，2，…，n）；Pi表示缓冲区内第i种类型所占的比例。

图6　站点缓冲区功能混合度 

2　分析方法

2.1　指标预处理

2.1.1指标描述

从客流、路网、人口和用地多样性方面共提取23个指标。其中客流指标10个，路网指标10个，人口指标2个，用地多样性指标1个。表1示出了所有指标的描述性参数。

表1　指标描述性参数

2.1.2数据标准化

2.1.3主成分分析

在样本较少的数据集上，如果特征维度过高则会导致样本在空间上分布稀疏，很容易造成模型过拟合。需通过降维来改变分布状态，本研究采用主成分分析来解决这一问题［22］。

主成分分析是将原来众多具有一定相关性的指标，重新组合成一组新的互不相关的综合指标来代替原来指标，用较少的主成分得到较多的信息量。即将个原始指标向量1，2，…，X做线性组合，得到综合指标向量：

一般情况认为，主成分贡献率越大越能代表原始数据特征。最终笔者选择累计贡献率大于85%的主成分，即前9个主成分，其累计贡献率为85.59%，见表2。

表2　主成分解释表

2.2　K-均值聚类

近几年人工智能受到了越来越多的研究者的青睐［23-24］，原因是人工智能算法可以高效地学习数据分布规律，得到更符合实际的结论。但是大部分数据是无标注化的，相对于有监督学习，不需要标注的无监督学习蕴含了巨大的潜力。本研究选取-均值聚类算法对上节主成分提取矩阵进行聚类。

关于值的选择，用手肘法确定，其核心指标是误差平方和（SSE）。如图7所示，SSE曲线的肘部对应的=4，故对于这个数据集的聚类而言，最佳聚类数应该选4。图8示出了234个站点聚类后各个类的每个指标的平均值。按照客流、路网、人口和用地多样性特征将站点分为4类，即接驳低效-连通度弱-居住主导型、接驳高效-连通度高-均衡型、接驳高效-连通度弱-混合型、接驳高效-连通度高-工作主导型。将其分别命名为簇1-4，现分述如下。

簇1：接驳低效-连通度弱-居住主导型，共有66个站点。该类站点的平均85%分位单车接驳距离最大，为1.9 km；平均接驳时间长，单车接驳量小，地铁和公交路网的连通性弱，且轨道站点流量和单车接驳流量的早高峰系数进出比均大于晚高峰系数进出比。代表性站点有：长阳、良乡、孙河、枣园、草房、回龙观、西红门、旧宫。

图7　误差平方和趋势

图8　聚类结果

簇2：接驳高效-连通度高-均衡型，共有57个站点。该类站点的功能混合度高，工作人口密度和居住人口密度大，接驳时间和接驳距离小。单车接驳早晚高峰系数进出比均衡，同时站点缓冲区内的平均路况值为轻微拥堵，说明该类型站点活力较大。代表型站点有：中关村、四惠、五道口、潘家园、陶然亭、五棵松、劲松。

簇3：接驳高效-连通度弱-混合型，共有71个站点。该类站点缓冲区内功能混合度高，地铁路网和公交路网连通性较小，公共出行量处于中等水平，属于混合型站点。且单车接驳时间短，85%分位接驳距离小，属于接驳高效型站点。该类型站点特征规律不一致，含有噪声较多。代表性站点有：灯市口、草桥、虎坊桥、什刹海、新街口、百子湾、泥洼。

簇4：接驳高效-连通度高-工作主导型，共有40个站点。该类站点缓冲区内地铁和公交路网连通性高，轨道站点邻近距离小，公交站点距地铁站点近，是接驳高效型站点。加之轨道站点客流晚高峰系数进出比大于早高峰系数进出比，单车接驳晚高峰系数进出比大于早高峰系数进出比，将该类型站点定义为工作型。代表性站点有：复兴门、六里桥、朝阳门、菜市口、大望路、望京西、国贸。

图9为每簇站点的位置分布图。簇1和簇2主要分布在四环以内。

2.3　分析结果

空间自相关是研究分布在不同空间位置的地理事物某一属性值之间统计相关性的方法。根据Tobler 地理学第一定律，空间距离越近的事物其属性之间相关性越大，空间自相关性（又称空间依赖性）越强［25］。全局莫兰指数 Moran’s I 是最早应用于检验空间关联性和集聚问题的探索性空间分析指标，它能够反映整个研究区域内，各个地域单元与邻近地域单元之间的依赖性［26］，见式（8）。

其中，β是研究区域内的样本总数，ωij是空间权重矩阵的元素值，xi是单元i的变量值，xj是单元j的变量值，yi是单元i的y变量值，yi是单元j的y变量值，是变量x的均值，是变量y的均值。Moran’s I指数取值范围为［-1，1］，小于0表示负相关，大于0表示正相关，等于0表示不相关。通常采用标准化统计量Z值对研究对象空间自相关进行显著性校验，Z>2.58或<-2.58则认为该属性具有空间自相关性，图10为空间相关性参数分布图。

图10　空间相关性分布

本研究基于轨道站点共享单车接驳的85%分位距离指标，采用空间自相关理论揭示4种类型的轨道站点在空间上的依赖性，检验聚类结果的合理性。如表3所示，簇2的85%分位距离具有显著的空间相关性，随机分布的可能性小于1%。说明均衡型站点在空间上具有一定的聚集性。簇1、簇3和簇4的空间分布与随机模式没有显著的差异，说明聚类方法可有效地将居住型、工作型和混合型3类站点的空间相关性剥离掉，同时验证了聚类方法的合理性。

基于-均值聚类结果，得到了考虑接驳特征、路网特征、职住特征和区位特征等指标的站点缓冲区分类。参考每个类别的轨道站点接驳共享单车的出行距离定义其慢行影响区范围，表4明确了不同类型轨道站点的慢行影响区。相比于基于步行的500 m和800 m划定方法，该结果可以更好地为轨道站点微中心的规划范围提供支撑。

表3　空间自相关参数表1）

1）***表示空间相关性显著。

表4　轨道站点的慢行影响区划定

3　结论

（1）共享单车的使用在早晚高峰期间的峰值明显，表明共享单车主要服务于通勤人员。从客流、路网、人口和用地多样性等方面提取的23个指标，有效描述了轨道站点缓冲区内的公共出行客流、公交和轨道线网设计、职住密度与用地多样性等特征。

（2）基于-均值聚类方法，将站点分为4类，第1类为接驳低效-连通度弱-居住主导型，第2类为接驳高效-连通度高-均衡型，第3类为接驳高效-连通度弱-混合型，第4类为接驳高效-连通度高-工作主导型。基于空间自相关的聚类检验显示，簇1、3、4的空间分布与随机模式没有显著的差异，说明聚类效果较好。而簇2接驳高效-连通度高-均衡型站点在空间上存在一定的自相关特性，这与实际基本相符。

（3）基于-均值聚类结果划定轨道站点的慢行影响范围，分别为2 000、1 600、1 600、1 700 m。该范围弥补了以往以步行时间划定慢行范围的不足，明确了共享单车对各类型轨道站点的影响，可为城市规划管理者科学规划轨道站点微中心提供有力支撑。

［1］ REUSSER ‍D ‍E，‍LOUKOPOULOS ‍P，‍‍STAUFFACHER M et al. Classifying railway stations for sustainable transitions-balancing node and place functions［J］．Journal of Transport Geography，2008，16（3）：191-202.

［2］ ZEMP S，STAUFFACHER M，LANG D J，et al．Classifying railway stations for strategic transport and land use planning：context matters！［J］．Journal of Transport Geography，2011，19（4）：670-679.

［3］ VALE D S．Transit-oriented development，integration of land use and transport，and pedestrian accessibility：Combining node-place model with pedestrian shed ratio to evaluate and classify station areas in Lisbon［J］．Journal of Transport Geography，2015，45：70-80.

［4］ ATKINSON-PALOMBO C，KUBY M J. The geography of advance transit-oriented development in metropolitan Phoenix，Arizona，2000-2007［J］．Journal of Transport Geography，2011，19（2）：189-199.

［5］ ‍ ‍AUSTIN ‍M，‍BELZER ‍D，‍‍BENEDICT ‍A，‍et ‍al. ‍ ‍Performance-based transit-oriented development typology guidebook［J］．Guidelines，2010，9：1-5.

［6］ MA X，JI Y，YANG M，et al. Understanding bikeshare mode as a feeder to metro by isolating metro-bikeshare transfers from smart card data［J］．Transport Policy，2018，71：57-69.

［7］ LEE J，CHOI K，LEEM Y. Bicycle-based transit-oriented development as an alternative to overcome the criticisms of the conventional transit-oriented development［J］．International Journal of Sustainable Transportation，2015，10（6）：975-984.

［8］ LUAN X，CHENG L，SONG Y，et al. Better understanding the choice of travel mode by urban residents：new insights from the catchment areas of rail transit stations［J］．Sustainable Cities and Society，2020， 53： 1-36.

［9］ O'CONNOR D，CAULFIELD B. Level of service and the transit neighbourhood-observations from Dublin City and suburbs［J］．Research in Transportation Economics，2018，69（9）：59-67.

［10］ NEFF J. American public transportation association［J］．Public ‍Transit：‍Critical ‍Investments，‍Real ‍Benefits，2010，4（8）：206-207.

［11］ RIETVELD P. The accessibility of railway stations：the role of the bicycle in The Netherlands［J］．Transportation Research Part D Transport and Environment， 2000，5（1）：71-75.

［12］ LU M，HSU S C，CHEN P C，et al. Improving the sustainability of integrated transportation system with bike-sharing：a spatial agent-based approach［J］．Sustainable Cities and Society，2018，41：44-51.

［13］ GUO Y，HE S Y. Built environment effects on the integration of dockless bike-sharing and the metro［J］. Transportation Research Part D，2020，83：102335/1-15.

［14］ LIN D，ZHANG Y，ZHU R，et al. The analysis of catchment areas of metro stations using trajectory data generated by dockless shared bikes［J］．Sustainable Cities and Society，2019，49：1-36.

［15］ TAMAKLOE R，HONG J，TAK J. Determinants of transit-oriented development efficiency focusing on an integrated subway，bus and shared-bicycle system：application of Simar-Wilson's two-stage approach［J］．Cities，2021，108：102988/1-19.

［16］ ZHOU S，NI Y ZHANG X．Effects of dockless bike on modal shift in metro commuting： a pilot study in Shanghai［C］ ∥ Proceedings of Transportation research board 97th annual meeting．Washington DC：Transportation Research Board，2018.

［17］ CHEN Y，YAO M，CAI Z. Research on the classification of urban rail transit stations-taking shanghai metro as an example［C］ ∥ Proceedings of 2018 15th International Conference on Service Systems and Service Management （ICSSSM）. Hangzhou：IEEE，2018.

［18］ YANG L，SONG X．TOD Typology based on urban renewal：a classification of metro stations for Ningbo city ［J］．Urban Rail Transit，2021，7（3）：240-255.

［19］ EL-GENEIDY A，GRIMSRUD M，WASFI R，et al. New evidence on walking distances to transit stops：identifying redundancies and gaps using variable service areas［J］．Transportation，2014，41（1）：193-210.

［20］ WANG Z J，CHEN F，XU T K. Interchange between metro and other modes：access distance and catchment area［J］．Journal of Urban Planning & Development，2016，142（4）：04016012 /1-9.

［21］ 龙瀛，周垠‍. 街道活力的量化评价及影响因素分析——以成都为例［J］．新建筑，2016（1）：1-6.

LONG Ying，ZHOU Yin．Quantitative evaluation on street vibrancy and its impact factors：a case study of Chengdu［J］．New Architecture，2016（1）：1-6.

［22］ BADAKHSHAN ‍FARAHABADi ‍F，‍FATHI VAJARGAH K，FARNOOSH R．Dimension reduction big data using recognition of data features based on copula function and principal component analysis［J］．Advances in Mathematical Physics，2021，2021：9967368/ 1-8.

［23］ BAGIROV A M. Modified global-means algorithm for minimum sum-of-squares clustering problems［J］．Pattern Recognition，2008，41（10）：3192-3199.

［24］ LI M. The bi-criteria seeding algorithms for two variants of-means problem［J］．Journal of Combinatorial Optimization，2020：10.1007/s10878-020-00537-9 .

［25］ LIU H，FANG C，ZHANG X，et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities：a spatial econometrics approach［J］．Journal of Cleaner Production，2017，165：323-333.

［26］ 李娜. 基于空间计量模型的跨区公交通勤与土地利用研究［D］．北京：北京工业大学，2018.

Methods of Determining the Range of Non-motorized Travel Influence Area Under the Concept of “Metro Transit Micro-center”

CHEN Tingzhao1CHEN Yanyan1WANG Zili2GUO Jifu3

（1. College of Metropolitan Transportation， Beijing University of Technology， Beijing 100124， China；2. Jinan Road， Bridge and Tunnel Service Center， Jinan 250101， Shandong， China；3. Beijing Transport Institute， Beijing 100161， China）

In response to the concept of land-use integration and creating micro-center around metro station in Beijing, this study extracted 23 quantitative indicators from public passenger flow, road network design, population density and land diversity to quantitatively analyze the built environment and travel characteristics of the non-motorized influence area based on multi-source big data. The connection characteristics of shared bicycles were taken into particular consideration. In order to compensate for the shortcomings of determining the influence range of metro stations by the traveler’s walking time, a classification model incorporating principal component analysis and-means clustering was proposed to define the non-motorized influence area. Taking Beijing as an example, the study divided the metro stations into 4 clusters: inefficient connection-weak connectivity-residence oriented, efficient connection-high connectivity-balanced, efficient connection-weak connectivity-mixed, and efficient connection-high connectivity-work oriented. In order to verify the rationality of the clustering, the spatial auto-correlation was used to judge the spatial dependence of indicators. The results show that the spatial distributions of clusters 1, 3 and 4 do not differ significantly from the random model, while cluster 2 efficient connection-high connectivity-balanced stations has auto-correlation characteristics in space. Finally, based on the clustering results, the non-motorized influence areas of the metro stations were delineated as 2 000, 1 600, 1 600, and 1 700 m, respectively. The clarification of the non-motorized influence range of different metro station types can help urban planners determine the scope of micro-center construction and also lay the foundation for transport-oriented development of urban in the future.

metro micro-center；influence factor；principal component analysis；-means clustering；non-motorized travel influence area

Supported by the National Key Research and Development Program of China （2018YFB1600900）

U491.1+21；TU984.191

1000-565X（2022）07-0056-10

10.12141/j.issn.1000-565X.210651

2021-10-12

国家重点研发计划项目（2018YFB1600900）

陈廷照（1993-），女，博士生，主要从事交通出行行为、大数据挖掘研究。E-mail： ctzlzhao@163.com

陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。E-mail：cdyan@bjut.edu.cn