建成环境对轨道交通站点客流量与通勤乘车率影响的差异化分析

庞磊，任利剑，运迎霞

(天津大学，建筑学院，天津 300072)

0 引言

随着中国城市化进程的快速推进，许多大城市的轨道交通进入网络化运营阶段。站点客流特征是城市轨道交通网络化运营的基础，综合分析站点客流特征在网络中的时空分布情况及其与建成环境的关系是网络运营协调与站域空间开发等规划的前提和依据，而站点客流特征包括进出站客流量、通勤乘车率等多项指标[1]。因此，综合探究、对比建成环境对轨道交通站点客流量与通勤乘客率的作用机制，对制定轨道交通站点客流效能提升策略具有重要意义。

建成环境与城市轨道交通出行特征的关系十分复杂。近年来，许多学者借助智能交通刷卡数据与多源建成环境数据来探究建成环境对城市轨道交通客流特征的影响作用。例如，彭诗尧等[2]利用地理加权回归(GWR)模型研究发现，土地利用特征与城市轨道交通站点客流量的依赖关系是各类属性功能用地影响及其空间效应的叠加；高德辉等[3]以北京为例，利用MGWR 模型探究发现，TOD(Transit-Oriented Development)建成环境对早高峰出站客流具有空间异质性影响效果；Liu等[4]利用时空地理加权回归(GTWR)模型探究建成环境对站点时间序列客流的异质性影响效果，研究发现，空间相互作用网络因素的影响系数显著大于其他静态建成环境因素；许奇等[5]利用极限梯度提升决策树(XGBoost)模型探索建成环境对起讫点(OD)客流量的非线性影响作用，研究表明，密度与公共交通可达性对OD客流量的影响重要度最高。

综上可以看出，既有研究主要关注建成环境对轨道交通站点客流量的影响，对于站点通勤乘车率的研究尚少，站点客流量体现了轨道交通的运输强度，而站点通勤乘车率体现了轨道交通的分担能力，两者对于轨道交通客流运营效益都具有重要影响。因此，探究建成环境对站点客流量与通勤乘车率影响的差异，有助于进一步理解建成环境与轨道交通客流特征的复杂关系。为此，本文基于城市轨道交通智能刷卡数据与手机信令数据提出测度轨道交通站点客流量、通勤乘车率的方法，并构建“3D+N”的建成环境指标体系，利用MGWR模型探究并对比建成环境对两者影响的差异化特征，以期为制定轨道交通站点客流效能提升策略提供参考。

1 研究区域与数据说明

1.1 站点影响区范围确定

本文选取天津市作为实例研究对象，截至2020年12月，天津市共开通运营6条地铁线路，共计143个站点。既有研究通常选择800 m 距离作为轨道交通站点影响区的半径长度，并采用构建泰森多边形来消除相邻站点影响区重叠区域的影响[6]，如图1所示。

图1 站点影响区Fig.1 Pedestrian catchment areas of metro stations

1.2 数据说明

本文采用的数据包括轨道交通智能刷卡数据、手机信令数据和多源建成环境数据，具体如表1所示。本文中的轨道交通智能刷卡数据为分时段统计数据，该数据基本信息如表2所示。

表1 数据来源Table 1 Data sources

表2 天津城市轨道交通智能刷卡数据Table 2 Tianjin urban rail transit smart card data

2 研究框架及方法

2.1 研究框架

图2为本文技术路线，主要包括3个部分：

图2 技术路线Fig.2 Methodological workflow

(1)基于智能刷卡数据与手机信令数据的站点客流量与通勤乘车率的测度及空间分布分析；

(2)构建“3D+N”的建成环境指标体系并筛选显著自变量；

(3) 利用MGWR 模型分析建成环境对站点客流量与通勤乘车率的影响机制。

2.2 站点通勤乘车率测度

本文中站点通勤乘车率指工作日早高峰时段(7:00-9:00)进站客流量与居住在该区域的通勤用户的比值。早高峰客流相较于全天客流一定程度降低了非工作出行人员的干扰，通勤乘车率相对客观地反映了一个区域中使用轨道交通方式出行的人群占总通勤人员的比重，是一个相对值。测度流程如图3所示，基于手机信令数据的定位功能对用户日常活动轨迹进行追踪，根据活动规律可以识别出用户的居住地和就业地[7]。日常活动轨迹的规律主要根据时段阈值来识别，将一天划分为3个时段：0:00-6:00 和21:00-24:00 作为夜晚时段，9:00-18:00作为白天时段，6:00-9:00和18:00-21:00作为共同时段；根据不同时段居民活动规律进行差异化权重赋值，夜晚时段对居住地的权重为1，白天时段对工作地的权重为1，共同时段对居住地和工作地均有权重，但权重不同；按不同权重对3 个月内所有驻留点进行打分并加权，得到白天得分最高的驻留点和夜晚得分最高的驻留点，即工作地与居住地。基于识别的居住地提取站点影响区内居住人口总量，并根据既有研究中“通勤阈值”的界定(起讫点间距离(L)在400 m 以上的人群视为通勤者[8])筛选站点影响区内的通勤用户，最后结合工作日早高峰时段进站客流数据计算得到该站点的通勤乘车率。

图3 通勤乘车率测度流程Fig.3 Commuter passenger usage measurement flow

2.3 建成环境影响因素的测度及选取

既有研究对建成环境影响因素的选取主要包括“3D”指标，夏正伟等[9]采用网络分析与聚类分析的方法指出站点属性特征(Node Characteristics)对TOD 效能也有重要影响，因此本文将构建“3D+N”维度的建成环境影响因素指标体系，指标具体描述如表3所示。

表3 变量定义Table 3 Variable definitions

土地利用混合度的计算公式为

式中：Pm为第m类用地面积与站域的面积比；n为区域内土地利用类型总数，本文中n=8，分别为居住用地、公共管理与公共服务用地、商业服务业用地、工矿用地、仓储用地、交通运输用地、绿地与开敞空间用地以及其他未开发用地。

2.4 MGWR模型

无论是经典范式的地理加权回归(GWR)模型，还是半参数地理加权回归(SGWR)模型，对所有局部自变量都采用了统一的空间带宽指数，而Fotheringham等[10]提出了能够根据局部变量不同而设置不同空间带宽指数的MGWR 模型，该模型对空间关系的捕获具有更高的精度，计算公式为

式中：i为站点；(ui,vi)为站点i的坐标；Yi为站点i的因变量；Xik为站点i的第k个自变量；β0(ui,vi)为截距；βb(ui,vi)为站点i的第k个自变量Xik的回归系数；b为该变量回归系数使用的最优带宽；εi为站点i的误差项。

3 研究结果及分析

3.1 城市轨道交通出行空间分布特征分析

3.1.1 站点客流量空间特征

本文城市轨道交通站点客流量使用进站人数表示。天津城市轨道交通日均客流量为88.7万人，客流量前20 的站点中换乘站与首末站有10 个；客流量多的站点主要分布在中心城区，而客流量较少的站点主要位于外围的北辰区和东丽区的待开发区域；客流量最集中段位于海光寺—下瓦房、天津站—营口道区域，该区域是多个商务办公中心、商业零售中心以及交通枢纽中心的集聚区域，站域空间开发强度大，就业岗位密集。根据自然间断点分类法将站点客流量分为8级，如图4(a)所示，站点客流量呈现中间高外围低的空间分布格局，这主要是由城市用地开发强度的异质性、站域空间功能业态混合的多样性、地区轨道线网密度的异质性等原因造成的。

图4 站点客流量、通勤乘车率空间分布Fig.4 Spatial distribution of station passenger flow and commuter ridership rate

3.1.2 通勤乘车率空间特征

图4(b)显示，通勤乘车率呈现由城市外围向中心递减的总体趋势。通勤乘车率排名靠前的站点大都位于轨道交通线网外围远端靠近首末站的位置，这些站点的通勤乘车率远大于1，说明有大量乘客来自站点影响区外围地区。原因可能是轨道交通线网远端站点的辐射范围更广，能够服务更多周边人群；同时居住在城市外围的居民，他们的工作通勤距离一般也较远，对轨道交通出行的依赖性相对更强。而中心城区内通勤乘车率较大的站点大多为交通换乘枢纽站，承担着重要的对外或对内交通运输功能，这类站点具有较强的客流吸引力；同时这些站点周边开发多以交通运输、商业服务或商务办公等功能为主，居住用地占比相对较低。

3.2 站点服务能力显著影响因素筛选结果

首先，采用多重共线性检验法剔除公共服务设施POI 密度、容积率、路网密度这3 个共线性自变量，剩余自变量的方差膨胀因子(VIF)均小于5。其次，利用GeoDa软件对自变量的空间自相关性检验后发现，除出入口数量外，其他因素的p值远小于0.05，Moran's I值与z值均为正值，表明各影响因素具有较强的空间集聚分布特征。出入口数量属于站点属性特征，与客流特征存在密切关系，因此将其也考虑在模型之中。最后，采用普通最小二乘法(OLS)逐步回归筛选确定显著影响因素。站点客流量与通勤乘车率的显著性影响因素如表4所示。

3.3 MGWR模型分析结果

3.3.1 模型拟合结果对比

调整R2与修正的赤池信息量准则(AICc)通常作为模型选择的度量标准，调整R2越大、AICc越小的模型表明其解释性更好[3]。建成环境对站点客流量、通勤乘车率影响作用的模型拟合结果如表5所示，两组中MGWR 模型的调整R2均大于OLS 模型，且AICc 值均小于OLS 模型，表明MGWR 模型能够更好地解释建成环境对站点客流量、通勤乘车率的影响效果。

3.3.2 站点客流量与通勤乘车率影响因素的差异性分析

模型参数估计结果如表6所示，具体分析结果如下：

表6 模型参数估计结果Table 6 Model parameter estimates

(1)对于站点客流量，公交站点密度与站点距公交站点平均距离(带宽142)近似全局变量。其中公交站点密度有强度适中的正向作用，它的值越高表示公共交通可达性越高，对客流吸引力越强；而站点距公交站点平均距离有较强负向作用，即站点距公交站点平均距离越远，站点客流量越低。商业服务设施POI密度、出入口数量以及度中心性属于局部变量，其中商业服务设施POI密度影响系数范围为[0.090,0.706]，有较强正向作用，该指标越高的区域表明能够提供更多就业岗位，吸引大量客流；出入口数量的影响系数范围为[-0.172,0.280]，对85%的站点客流量有正向作用，出入口数量较多的站点大都为城市商业或交通枢纽中心；度中心性的影响系数范围为[-2.990,0.437]，对78%的站点客流量有正向作用，它的值越大表明站点枢纽等级越高，对客流吸引力越强。

(2)对于通勤乘车率，站点距公交站点平均距离(带宽138)近似全局变量，具有较弱负向作用，因为公交接驳换乘距离越远，表明其越不便捷，通勤乘客的使用率降低。土地利用混合度与未开发用地占比均为局部变量，前者有较弱的负向作用，即土地利用混合度越高，站点通勤乘车率越低，这是因为土地利用混合度越高表示土地功能多样性更丰富，居民在一定范围内能够满足工作和生活的需求，降低了轨道交通出行的需求[11]；未开发用地占比具有较强的正向作用，比值较高的站点一般位于城市外围，外围地区的综合交通可达性较差，长距离通勤居民对轨道交通的依赖性更强，轨道交通站点辐射范围相对更广，能够吸引更多站域外围的乘客。

通过组内特征和组间差异的对比可以发现，影响站点客流量与通勤乘车率的建成环境因素既存在差异，也存在相似性。差异性主要体现在建成环境影响因素的数量和类型，其中商业服务设施POI密度、公交站点密度、出入口数量以及度中心性只对站点客流量有显著影响，土地利用混合度与未开发用地占比只对站点通勤乘车率有显著影响，而站点距公交站点平均距离则对两者均有显著负向影响，但它对通勤乘车率的作用强度较弱。

3.3.3 局部变量对站点客流量与通勤乘车率的空间异质性作用分析

根据自变量的带宽选取局部变量进一步做空间分析，影响系数的空间分布特征如下。

(1)站点客流量

图5(a)显示，商业服务设施POI 密度影响系数的空间分布呈现中间高外围低的特征，主要是因为中心城区的区位优势对商业活力的促进作用效果显著，对客流吸引力更强；同时东北部区域部分站点影响系数也较高，这是因为天津东北部区域土地开发程度低、商业服务设施较少，根据边际效应理论，居民对商业服务设施的依赖性强。图5(b)显示，出入口数量影响系数同样呈现由中间向外围递减式分布，主要是因为城市核心区内有多个城市商业与商务办公中心以及交通枢纽中心，集聚了大量工作和交通换乘人流，对出入口的使用需求更高。图5(c)显示，度中心性影响系数呈现均匀分散式分布，这主要是因为天津轨道交通线网致密化程度较低，度值较高站点数量较少且分散分布，对站点客流量影响的空间异质性特征并不明显。

图5 站点客流量局部变量回归系数空间分布Fig.5 Spatial distribution of regression coefficients for local variables of station passenger flow

(2)通勤乘车率

土地利用混合度影响系数均为负值，图6(a)显示，外围地区的影响程度较高，尤其是东南地区，这主要是因为1号线与6号线南段以及9号线东段的站点周边多为长距离通勤居民，外围地区较低的土地利用混合度不能满足居民就近工作的需求，使得当地居民尤其依赖轨道交通进行长距离通勤。图6(b)显示，未开发用地占比影响系数呈现由东南向西北递减的趋势，这主要是因为东南地区站域内未开发用地较多的现象使得站域内人口密度较低，导致站域外围通勤乘客占比进一步增大，这反向说明了外围东南地区的站域未能充分利用TOD的区位与功能优势合理开发建设。

图6 站点通勤乘车率局部变量回归系数空间分布Fig.6 Spatial distribution of regression coefficients for local variables of station commuter ridership rate

通过对比建成环境因素对轨道交通站点客流量与通勤乘车率的作用强度以及作用方向的空间分布规律发现，不同的局部影响变量对它们的作用效果空间差异较大，可以据此划分区域的规划干预优先级，有效避免在边际增值效应小的地区进行大规模规划建设。对于提升站点客流量，应该优先规划干预中心城区内的商业服务设施与站点出入口数量，充分发挥中心城区站点高聚集优势。对于改善站点通勤乘车率，应该优先规划干预城市外围东南地区站域的土地利用规划调整与土地开发建设引导，充分发挥外围地区站点TOD优势。

4 结论

本文基于天津市轨道交通智能刷卡数据、手机信令数据与建成环境等多源大数据，解析了城市轨道交通站点客流量、通勤乘车率的空间分布特征，并运用MGWR模型探究了站域建成环境对两者的作用机制，研究结果表明：

(1)天津城市轨道交通站点客流量呈现由城市中心向外围地区递减的空间分布特征，而站点通勤乘车率则呈现外围地区高城市中心低的U 型空间分布特征；MGWR 模型相较于OLS 模型具有更优的解释效果，表明在探究建成环境对轨道交通站点客流量与通勤乘车率的影响时，考虑不同建成环境因素的空间尺度效应差异是必要的。

(2)建成环境因素对站点客流量与通勤乘车率的影响既有差异性又有相似性，研究结果为提升客流量与改善通勤乘车率提供了建成环境要素分类协同配置的引导策略。商业服务设施POI 密度与公交站点密度对客流量有较强正向影响，而土地利用混合度、未开发用地占比对通勤乘车率分别有较强负向、正向影响。这种差异表明，通过增加商业设施数量与公交站点密度可有效提升站点客流量，而通过提高土地利用混合度、优化站域土地开发建设可有效提升职住平衡度、改善站点通勤乘车率；同时应考虑提高未开发用地占比较高站点周边的公共交通与共享单车接驳覆盖范围，以提升接驳换乘距离较远的通勤乘客的便捷度[12]。相似性表现在距公交站点平均距离对两者均有负向影响，表明通过优化公交站点布局、缩短公交接驳换乘平均距离可同时提升站点客流量和通勤乘车率。

(3)建成环境局部影响变量对站点客流量、通勤乘车率的作用强度与作用方向存在空间异质性，可以据此有效预判改善站域建成环境对提升轨道交通客流运营效益的效果，通过制定分区划级干预策略为TOD 站域城市更新提供决策支持。例如，商业服务设施POI 密度与出入口数量对站点客流量的作用强度呈现由内向外递减趋势，表明优先提高中心城区站域内商业服务设施密度与出入口数量可有效提升站点客流量；而土地利用混合度与未开发用地占比对东南区域的站点通勤乘车率作用强度显著，表明优先规划干预东南区域站域土地利用混合度与土地开发建设可有效改善站点通勤乘车率。