EN中文

地理学报 >

2021 , Vol. 76 >Issue 2: 459 - 470

DOI: https://doi.org/10.11821/dlxb202102015

产业与区域发展

基于POI的土地利用与轨道交通客流的空间特征

  • 彭诗尧 , 1 ,
  • 陈绍宽 2 ,
  • 许奇 , 1 ,
  • 牛家祺 3
展开
  • 1.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
  • 2.北京交通大学中国综合交通研究中心,北京 100044
  • 3.北京交通大学交通运输学院,北京 100044
许奇(1982-), 男, 云南人, 博士, 副教授, 研究方向为轨道交通与城市政策分析与建模。E-mail:

彭诗尧(1996-), 女, 四川人, 硕士, 研究方向为城市轨道交通客流与土地利用。E-mail:

收稿日期: 2019-07-08

  要求修回日期: 2020-10-28

  网络出版日期: 2021-04-25

基金资助

中央高校基本科研业务费专项资金(2019JBM034)

国家自然科学基金项目(71621001)

国家自然科学基金项目(71890972/71890970)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatial characteristics of land use based on POI and urban rail transit passenger flow

  • PENG Shiyao , 1 ,
  • CHEN Shaokuan 2 ,
  • XU Qi , 1 ,
  • NIU Jiaqi 3
Expand
  • 1. Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Ministry of Transport, Beijing Jiaotong University, Beijing 100044, China
  • 2. Integrated Transportation Research Centre of China, Beijing Jiaotong University, Beijing 100044, China
  • 3. School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China

Received date: 2019-07-08

  Request revised date: 2020-10-28

  Online published: 2021-04-25

Supported by

Fundamental Research Funds for the Central Universities(2019JBM034)

National Natural Science Foundation of China(71621001)

National Natural Science Foundation of China(71890972/71890970)

Copyright

Copyright reserved © 2021.
Fold

摘要

城市轨道交通及其沿线土地一体化发展是城市可持续发展的关键问题。提高城市轨道交通可持续性和土地资源配置合理性的关键需掌握轨道交通客流与土地功能之间的依赖关系,而回归分析是研究二者关系的主要方法。既有研究对于土地利用的描述多基于用地面积等概略数据,难以揭示各类属性的用地对客流的影响机理及其空间效应。采用百度地图POI数据以刻画用地信息,提出城市轨道交通车站吸引范围内用地功能的细粒度描述方法,基于全局常参数和局部变参数的回归模型研究车站早高峰出站客流与粗细粒度土地利用的相互依赖关系及其空间效应。针对北京地铁的案例研究表明：车站出站客流与不同功能用地及POI的依赖程度和空间特征存在显著差异。早高峰出站客流更多地受到与就业通勤相关的商业服务业设施用地、公共管理与公共服务用地的影响。在细粒度层面上,出站客流对写字楼和政府机构的依赖性更大,二者显著分布在就业岗位密集的中心城区功能分区和城市核心区。基于细粒度POI的局部变参数模型能较好地识别各类土地利用对车站客流的影响及其空间异质性,案例研究表明车站客流与土地利用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。

关键词： 轨道交通; 土地利用; 客流; 兴趣点; 地理加权回归

本文引用格式

彭诗尧 , 陈绍宽 , 许奇 , 牛家祺 . 基于POI的土地利用与轨道交通客流的空间特征[J]. 地理学报, 2021 , 76(2) : 459 -470 . DOI: 10.11821/dlxb202102015

Abstract

The integrated development of urban rail transit and land use nearby is one of the most important issues for sustainable development of cities. To improve the sustainability of urban rail transit and the rationality of land resource allocation, it is of great importance to understand the dependence relationship between passenger flow of urban rail transit and functions of land use. Regression analysis is the main method to study this relationship. However, the descriptions of land use in existing research are mostly based on sketchy data such as land area, which is difficult to reveal the impact mechanism and spatial effects of land use of various attributes on passenger flow. To this end, this study utilizes Point of Interest (POI) data of Baidu Map to describe land use information, and proposes a fine-grained description method of land use function within the attraction scope of urban rail transit station. Based on the case of Beijing Subway, global regression models with constant parameters and local regression model with variable parameters are employed to study the dependence relationship and spatial effects of coarse and fine-grained land use with outbound passenger flow at morning peak. The case study of Beijing Subway shows that comprehensively considering the tradeoff between the explanatory power and complexity of models, and the effect of dealing with spatial dependence and heterogeneity, the geographically weighted regression (GWR) model with variable parameters has the best estimation compared with the global model with constant parameter. Its interpretation ability is 84%, and Moran's I index of residuals is 0.0001, which can describe the spatial heterogeneity of the dependence of station outbound passenger flow and POI. The results also display that the Beijing's urban rail transit station basically covers the social and economic center of the central city. These areas are usually developed in a high-intensity hybrid manner for land development. Moreover, the impact and spatial characteristics of land use with different attributes and functions on the morning peak outbound passenger flow are significantly different. For example, the morning peak outbound passenger flow is closely related with the land for commercial and business facilities, administration and public services, which are related to housing and employment, and the commuter between the two places. At the fine-grained level, the outbound passenger flow is more dependent on POI of office buildings and government agencies, which are significantly distributed in the central city functional areas and urban core areas with dense employment. The local model with variable parameters based on fine-grained POI can better identify the impact and spatial heterogeneity of various types of land use on station passenger flow. The case study indicates that the dependence of station passenger flow and land use is the superposition of impacts and spatial effects of various attribute functions of land use.

Key words： urban rail transit; land use; passenger flow; Point of Interest (POI); geographically weighted regression

1 引言

城市轨道交通及其沿线土地一体化发展需解决交通运行与土地开发的空间分离问题[1],其关键是如何理解二者之间的复杂影响机理[2]。随着信息与通信技术的发展,采用大数据分析交通与土地利用已成为研究的热点[3,4]。客流效果是评估城市交通运行状态的关键指标,其与土地利用的关系是研究交通与土地利用一体化的核心问题[5]。鉴于此,城市轨道交通作为城市交通的重要组成部分,研究其客流与土地功能的互动影响,将有助于提高城市轨道交通可持续性和土地资源配置合理性。
国内外学者针对城市轨道交通客流与土地利用的研究主要包括三方面：① 基于以公共交通为导向的开发（Transit-Oriented Development, TOD）策略的土地利用模式研究[6];② 基于土地利用的客流预测方法[7];③ 研究客流的影响因素[8],分析运营策略和服务水平等系统内部因素,以及土地利用和公共政策等系统外部因素如何影响客流。研究结果表明客流与土地利用等外部因素的依赖关系更为紧密[8,9,10,11,12,13,14,15,16]。
影响轨道交通客流的关键因素主要是土地利用[1-2, 8, 10-11, 15-18],包括开发密度、混合用地和用地布局等三方面,其他因素还包括社会经济和交通环境[9, 16]等。上述既有研究多采用基于土地利用类型分类[19]的变量来描述车站周边的建成环境和用地功能[20]。然而,传统的数据获取方法存在样本少、成本高、精度低等不足,难以精细地量化各类用地之间的空间耦合关系。随着基于位置服务技术的发展,基于细粒度的POI（Point of Interest）建模方法已逐渐成为研究热点[12,13],其利用百度地图、高德地图以及Google地图等获取POI数据并替代基于土地利用类型的变量,分析不同设施性质的POI分布与聚集程度对轨道交通乘客出行行为的影响。然而,相同分类下的用地往往具有不同功能。基于粗粒度POI集合的既有研究对轨道交通客流与精细化用地功能的空间耦合关系考虑不够充分。
回归分析是研究城市轨道交通客流与土地利用的主要方法,常见的模型包括两阶段最小二乘法模型[9]、普通最小二乘法（Ordinary Least Square, OLS）回归模型[10,11]、逐步回归模型[8]、广义自回归条件异方差模型[12]和非线性回归模型[13]。基于传统线性回归技术的既有研究未充分考虑城市轨道交通与土地利用的空间效应,例如轨道交通客流空间分布的异质性[14],以及轨道交通客流与土地利用的空间依赖[15,16,17],导致估计结果可能存在偏差。随着空间分析技术的发展,越来越多的学者放宽线性回归模型中因变量与自变量空间独立的假设,采用以空间计量经济模型为代表的全局常参数模型[15]和以地理加权回归模型（Geographically Weighted Regression, GWR）为代表的局部变参数模型[8, 16-18]研究轨道交通客流与土地利用的相互关系。全局模型分析仅反映客流与土地利用复杂空间关系的平均结果,忽略了由于数据空间异质性导致的局部特征,即具有相同效应但量级存在差异,或存在相反的空间效应。因此,需综合考虑全局模型和局部模型的特点以期反映轨道交通客流与土地利用的复杂空间模式。
鉴于此,针对基于粗粒度POI变量识别用地功能的局限性,本文基于百度地图获取POI数据,提出细粒度水平的城市轨道交通车站吸引范围内用地功能识别方法;针对北京市轨道交通客流与土地利用的复杂空间模式,分别采用全局常参数模型和局部变参数模型研究二者的空间全局和局部关系,综合分析通勤客流与细粒度的土地功能之间的依赖效应。

2 研究区域与数据来源

2.1 研究区域与数据获取

以北京市轨道交通及其周边土地利用为案例,研究数据主要包括：① 北京市轨道交通系统。采用2018年全网数据,共计22条运营线路,370座车站（换乘站重复计算）,车站信息主要包括站点名称和经纬度坐标。② 客流数据。采用2014年4月14日（周一）和4月19日（周六）北京市地铁运营有限公司所辖线路客流数据,共计14条运营线路,237座车站,客流数据为早高峰（7:00—9:00）、晚高峰（17:00—19:00）的进出站客流量。③ 北京市轨道交通车站周边POI数据。基于百度地图开发平台,利用数据抓取技术获取北京市轨道交通车站周边全部139类二级行业分类POI数据[21]。城市轨道交通车站直接影响范围通常根据其步行吸引范围确定[13]。西方国家的影响范围半径为400~800 m[10, 16],亚洲国家与中国为500~1000 m[5, 8, 11, 15, 17],本文将车站影响范围半径设为500 m。

2.2 基于POI的用地功能识别

根据城市轨道交通车站周边的典型土地利用,在139类二级POI数据的基础上,剔除自然地物、港口、桥等类型POI,筛选得到113类有效POI类型。进而根据《城市用地分类与规划建设用地标准》[19],对既有百度地图POI分类[21]进行拆分和重组,采用不同粒度水平的二级POI集合来描述城市建设用地的功能特征,重新分类结果如表1所示。其中,每类I级POI由相应的II级POI集合构成,并采用I级POI集合刻画城市轨道交通车站直接影响范围内的用地功能和建成环境。
表1 基于不同粒度水平POI的城市建设用地分类

Tab. 1 Urban construction land classification based on different granularity level POIs

用地分类 I级POI II级POI
商业服务业
设施用地		 酒店 星级酒店、其他(酒店)
美食 中餐厅、外国餐厅、小吃快餐店、蛋糕甜品店、咖啡厅、茶座、酒吧、其他(美食)
丽人 美容、美甲、美体
购物 购物中心、百货商场、超市、便利店、家居建材、家电数码、商铺、集市
金融 银行、ATM、信用社、投资理财、典当行
写字楼 写字楼
公司单位 公司、物流公司、园区、农林园艺、文化传媒、新闻出版、艺术团体、广播电视
商业服务 通讯营业厅、售票处、洗衣店、图文快印店、照相馆、房产中介机构、维修点、家政服务、殡葬服务、彩票销售点、宠物服务、报刊亭、诊所、药店
休闲娱乐 度假村、农家院、电影院、KTV、剧院、歌舞厅、网吧、游戏场所、洗浴按摩、游乐园、水族馆、海滨浴场
运动健身 极限运动场所、健身中心、体育场馆
商业培训 成人教育、亲子教育、留学中介机构、培训机构、文化宫
汽车服务 汽车维修
居住用地 居住 住宅区、宿舍
道路与交通
设施用地		 对外交通 飞机场、火车站、长途汽车站
公交车站 公交车站
其他交通 停车场、加油加气站、充电站
工业用地 工业厂矿 厂矿
公用设施用地 公用设施 邮局、公用事业、公共厕所
公共管理与
公共服务用地		 公共游览 博物馆、文物古迹、教堂、图书馆、美术馆、展览馆
科研教育 大学、中学、小学、幼儿园、特殊教育学校、科研机构
政府机构 各级政府、行政单位、公检法机构、涉外机构、党派团体、福利机构、政治教育机构
公共医疗 综合医院、专科医院、体检机构、急救中心、疾控中心、疗养院
绿地与广场用地 绿地广场 公园、动物园、植物园、风景区、休闲广场
作为描述土地利用多样性的关键指标,混合用地是影响城市轨道交通客流的主要因素。既有研究通常采用熵的概念刻画土地利用的多样性程度[18],其公式如下所示：
L i = - ∑ j = 1 k p ij ln ( p ij ) ln k , ( i = 1,2 , … , n )
式中：n和k分别为城市轨道交通车站数和POI类型数;Li为第i站的土地利用混合程度熵,取值范围为[0, 1],熵值越高则土地利用混合程度越高;pij为第i站的第j类POI数量占其全部类型POI数量的比值。

3 多元线性回归模型

城市轨道交通客流与土地功能之间的依赖关系可由多元线性模型定量描述。该模型通常采用OLS方法进行参数估计,其假设研究区域内客流影响因素的边际估计在空间上具有一致性。由于城市轨道交通与土地利用的空间效应,采用考虑空间效应的多元线性回归模型研究客流与基于POI的土地利用之间的依赖关系。其中,采用全局常参数模型分析客流与土地利用的空间依赖性,采用局部变参数模型分析二者的空间异质性。

3.1 全局常参数模型

3.1.1 普通最小二乘法线性回归模型 多元线性回归是研究城市轨道交通客流与土地利用的基本方法,通常采用OLS进行参数估计。模型表示如下：
f i = ∑ p = 1 m β p l ip + ε i , ( i = 1,2 , … , n )
式中：βp为估计参数;fi为车站i的早高峰出站客流量;lip为车站i第p类POI数量;m为不同粒度水平下的POI类型数;εi是误差项,服从正态分布N(0, σ2)。
3.1.2 空间计量经济模型 城市轨道交通客流与土地利用的依赖关系具有显著的空间效应。鉴于此,考虑空间依赖对回归模型估计结果的影响,采用空间滞后模型（Spatial Lag Model, SLM）,空间误差模型（Spatial Error Model, SEM）和空间杜宾模型（Spatial Durbin Model, SDM）等3类空间计量经济模型研究上述二者的关系。SLM、SEM和SDM模型分别表示如下：
f i = ∑ j = 1 n ρ w ij f j + ∑ p = 1 m β p l ip + ε i , ( i = 1,2 , … , n )
f i = ∑ p = 1 m β p l ip + ∑ j = 1 n λ w ij u j + ε i , ( i = 1,2 , … , n )
f i = ∑ j = 1 n ρ w ij f j + ∑ p = 1 m β 1 p l ip + ∑ p = 1 m ∑ j = 1 n β 2 p w ij l jp + ε i , ( i = 1,2 , … , n )
式中：wij为空间权重,根据车站i和j的经纬度坐标计算空间距离确定;ρ为空间滞后项wijfj的系数;λ为空间相关误差项wijuj的系数;β1p和β2p均为估计参数。

3.2 局部变参数模型

空间计量经济模型是全局常参数回归模型,其通过回归系数不随样本空间位置的变化而改变的假设,将对空间相关性的解释体现在滞后项或误差中。然而,全局模型忽略了数据的空间异质性,掩盖了不同车站周边土地利用局部特征的差异,导致估计结果不够精确。鉴于此,采用GWR研究客流与土地利用的空间异质性。GWR利用基于空间距离加权的局部样本估计每份样本的参数,是局部变参数回归模型,其模型表示如下：
f i = ∑ p = 1 m β p u i , ν i l ip + ε i , ( i = 1,2 , ... , n )
式中：(ui, vi)为车站i的经纬度坐标;βp（ui, vi）为车站i的第p类POI的估计参数。GWR的空间权重函数采用Gaussian函数,最优带宽由交叉确认法计算。

3.3 评估指标

本文采用OLS、SLM、SEM、SDM和GWR五种模型研究城市轨道交通客流与土地利用的空间依赖性和异质性。上述模型的适用性存在差异,不恰当的应用可能导致其对模型系数的有偏估计和估计系数不显著等问题。鉴于此,根据多指标综合评估模型拟合的效果,采用指标包括R2、对数似然值、赤池信息量准则（Akaike Information Criterion, AIC）以及残差的Moran's I指数[22]。

4 回归分析

基于5种多元线性回归模型分析北京市轨道交通早高峰出站客流与不同粒度水平POI的相互依赖关系。细粒度下,lip为I级POI的数量,m = 23,每类I级POI数量由II级POI数量汇总得到;粗粒度下,lip为基于用地分类的POI数量,m = 7,每类用地的POI数量由I级POI数量汇总得到。本文对全部7类用地类型和23类I级POI进行5种线性回归模型的回归拟合并得到模型参数β的估计值。

4.1 参数估计与模型评估

4.1.1 估计参数及其显著性 城市轨道交通主要服务于通勤客流,本文从结果中选取了与通勤相关的3类用地类型和5类I级POI进行显著性分析;同时考虑到通勤以外,轨道交通还存在部分对外交通与出游客流,故还选取了与二者相关的2类用地类型和3类I级POI,参数估计及其显著性如表2所示。其中,GWR参数估计为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的样本数占总样本数的比例。
表2 回归模型的参数β估计结果

Tab. 2 Parameter estimation results of regression models

粒度水平 影响因素/lip OLS/β SLM/β SEM/β SDM/β GWR/β
1% 5%
 10% 不显著
粗
粒
度		 居住用地 -4.929 -4.733 -4.519 -2.532 -13.274(18%) -4.631(17%) -2.155(8%) -1.102(57%)
商业服务业设施用地 12.137*** 12.057*** 12.044*** 11.721*** 6.887(31%) 4.237(12%) 4.496(6%) 1.342(51%)
公共管理与公共服务用地 54.224*** 51.411*** 53.537*** 42.654*** 9.663(41%) 34.181(9%) 8.592(4%) 5.091(46%)
道路与交通设施用地 4.836* 4.576 4.522 3.226 81.913(85%) 96.526(1%) 7.922(2%) 11.669(12%)
绿地与广场用地 -24.262 -23.074 -24.259 -11.633 -62.629(6%) -1.910(5%) -17.206(7%) -6.857(82%)
ρ 0.464 -0.278
λ 0.304
细
粒
度		 居住 -4.405 -4.452 -4.657 -0.596 4.305(28%) -4.103(13%) -2.146(3%) -2.044(56%)
写字楼 136.630*** 136.930*** 138.361*** 131.143*** 146.738(66%) 102.819(5%) 70.582(7%) 22.748(22%)
公司单位 6.415 6.430 6.079 8.988 30.325(19%) 13.698(7%) 10.624(6%) 1.245(68%)
科研教育 -5.119 -6.508 -1.729 -34.545 -204.995(14%) -46.527(12%) -21.512(12%) -11.767(62%)
政府机构 42.241 39.633 43.904* 29.315 54.225(54%) 44.685(10%) 26.300(8%) 13.107(28%)
对外交通 -62.564*** -61.790*** -63.434*** -58.885*** 3.315(20%) 58.661(27%) 45.774(11%) 19.068(42%)
公交车站 -46.889 -39.879 -58.888 -64.629 (0%) -581.734(2%) -300.432(5%) -70.24(93%)
绿地广场 6.227 6.876 6.577 11.821 -90.427(3%) 38.195(10%) 87.552(1%) 11.356(86%)
ρ 0.380 -0.999*
λ -0.355

注：*、**、***分别表示在10%、5%、1%显著水平上通过检验。

从表2中估计参数的显著性结果可知,无论是粗粒度还是细粒度,各影响因素在4种全局模型中的显著性结果基本一致。商业服务业设施用地、公共管理与公共服务用地、写字楼和对外交通在4种全局模型中与车站出站客流均在1%水平上显著相关。道路与交通设施用地和政府机构仅在一种全局模型中呈10%显著,居住用地等其余影响因素在4种全局模型结果中均不显著。全局模型仅有一个估计参数,但车站因位置差异将具有不同的影响程度,全局模型掩盖了不同车站周边土地利用局部特征的差异,而局部GWR模型表明客流与各类用地、POI的依赖关系存在显著的空间异质。在GWR估计结果中,分别有51%、46%、22%、42%的车站出站客流与商业服务业设施用地、公共管理与公共服务用地、写字楼和对外交通不相关,而多达88%、72%的车站出站客流与道路与交通设施用地、政府机构显著相关,其中呈1%水平显著的车站也达85%、54%,还有43%的车站出站客流与居住用地相关。4.1.2 模型评估 表3为基于I级POI的5种回归模型拟合效果评价指标对比。分析可知,4种全局模型的解释能力均在65%~69%之间,但OLS的AIC和残差的Moran's I指数分别为4636.620和0.0775,均显著高于SLM、SEM和SDM。考虑空间依赖性的计量经济模型能较好地刻画城市轨道交通客流与I级POI之间的空间效应,因此其拟合效果均优于OLS。在空间计量模型中,SDM的R2、对数似然值和AIC均为最优,但其残差的Moran's I指数超过SLM和SEM的3倍。导致上述结果的原因是在SDM中,客流fi被刻画为与空间滞后项Σwijfj和Σwijljp均存在依赖关系,但由于客流空间分布的异质性[13],其估计效果较差。
表3 基于I级POI的回归模型拟合效果评价指标对比

Tab. 3 Comparison of evaluation indexes of regression models fitting effect based on I-level POI

模型 R2 校正的R2 对数似然值 AIC 残差的Moran's I
OLS 0.650 0.612 - 4636.620 0.0775
SLM 0.653 0.616 -2212.674 4471.348 -0.0033
SEM 0.651 0.613 -2213.029 4472.059 -0.0035
SDM 0.684 0.608 -2198.581 4443.162 -0.0145
GWR 0.841 0.824 - 4449.164 0.0001
局部变参数的GWR模型拟合效果显著优于全局常参数的OLS和空间计量经济模型。GWR的R2为0.841,其模型解释能力达到84%,AIC为4449.164,与最小的SDM相当。GWR残差的Moran's I指数为0.0001,基本消除了残差的空间效应,表明局部变参数模型能较好地刻画客流分布与土地利用的空间异质特征。综合考虑模型的解释能力和复杂度,以及处理空间复杂影响的效果,GWR的拟合效果最优,SLM和SEM次之。

4.2 结果分析

4.2.1 影响因素参数分析 从表2中估计参数β值可看出,在粗粒度下,商业服务业设施用地、公共管理与公共服务用地、道路与交通设施用地的β估计值分别在[11, 13]、[42, 55]、[3, 5]区间,这3类用地与出站客流均为正相关,结果表明与通勤相关的商业服务业设施用地和公共管理与公共服务用地对车站早高峰出站量更具有积极影响,而道路与交通设施用地的显著性低且影响较小。居住用地与出站客流为负相关,β居住用地的估计值在[-5, -2]区间,对出站客流具有一定消极影响。
在细粒度下,与商业服务业设施用地相关的二类I级POI中,写字楼显著相关且回归系数突出,β写字楼的估计值在[131, 139]区间,表明每增加1个该类POI,车站的出站乘客平均增加量为131~139人。上述结果表明写字楼对早高峰出站量有较强的积极影响,其原因是写字楼通常具有较高的就业岗位密度,进而能为轨道交通提供充足的客流来源。类似地,与公共管理与公共服务用地相关的二类POI中,政府机构与车站出站客流为显著正相关,β政府机构的估计值在[29, 44]区间。与道路与交通设施用地相关的二类POI中,对外交通和车站出站客流之间存在强烈的相关关系,然而β对外交通的估计值在[-64, -58]区间,与出站客流为负相关,表明早高峰出站乘客将随着飞机场、火车站、长途汽车站等POI的增加而减少。
通过对比粗细粒度下的β值及其显著性,可以看出：车站早高峰出站客流显然与商业服务业设施用地以及公共管理与公共服务用地显著正相关。然而,基于更细粒度水平POI的分析则表明车站出站客流与各用地类型下不同功能POI的依赖程度存在显著差异。例如,同为商业服务业设施用地的写字楼、公司单位和同为公共管理与公共服务用地的科研教育、政府机构,这4类POI的用地性质均为就业岗位密集区域,但仅写字楼和政府机构显著正相关,公司单位和科研教育则无相关性。相比于公司单位,写字楼更能反映就业岗位与生成客流之间的数量关系,所以与出站客流之间存在更强的正相关性,而科研教育的长距离通勤特性与就业岗位密集程度都不及政府机构,所以政府机构对出站客流具有显著的积极影响。上述结果表明细粒度POI能更好地反映车站周边相同用地性质下用地功能的差异,进而能有效识别客流与不同功能用地的依赖程度及显著性。
4.2.2 混合用地对客流的影响 城市轨道交通车站混合用地对其客流影响较为显著[13]。基于用地面积等概略数据描述的混合用地未能准确反映用地开发的多样性。鉴于此,根据式（1）,采用粗粒度POI计算混合用地指标,降序排列后与车站早高峰出站量进行对比分析,二者的依赖关系如图1所示。
图1 基于粗粒度POI的土地利用混合程度与车站早高峰出站量的关系

Fig. 1 Relationship between land use mixed degree based on coarse-grained POIs and morning peak outbound passenger flow

为分析车站周边用地开发多样性对其客流的影响,按L值的中位数（L回龙观东大街=0.599）将车站分为高混合用地和低混合用地两部分区域。在高混合用地区域,50%车站的出站量占全网的比例为38%;而在低混合用地区域,50%车站的出站量占全网的比例达到62%,且西二旗等出站量排名前10的车站均位于该区域,其总量占全网的比例高达16%。可以看出,北京市轨道交通车站呈现低混合用地—高客流和高混合用地—低客流的聚集趋势。
在低混合用地—高客流区域,车站周边用地结构主要以商业服务业设施用地为主,其占比平均值为64.9%,显著高于低混合用地—高客流区域的48.5%。上述结果表明商业服务业设施用地对车站客流影响显著,这也与粗粒度下4种全局模型估计结果相符。对于早高峰而言,商业服务业设施用地对客流的吸引力强,故以商业服务业设施用地为主的车站客流水平较高,然而单一用地占比过高使得混合用地程度低,呈现出低混合用地—高客流的聚集趋势。另一方面,仍有部分车站周边的商业服务业设施用地与出站客流相关性较弱。
4.2.3 细粒度POI下β的空间分布 城市轨道交通车站客流与土地利用的依赖关系是各类属性用地影响结果的叠加,且这种效应还存在显著的空间异质性。细粒度POI下,GWR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结果β值和t值的高低。
图2 基于I级POI分类的GWR模型各车站β值分布

Fig. 2 Spatial distribution of β value of each station in GWR model based on I-level POI

从图2可知,出站客流与184座车站（占全部车站的78%,下同）周边的写字楼POI显著相关。上述车站主要分布在北京市轨道交通线网东部和北部,包括5号线、8号线、八通线和亦庄线等线路全线,2号线、10号线和6号线等线路东段,昌平线和15号线等线路南段。其空间分布规律与从北往南依次覆盖的中关村科技园区、奥林匹克中心区、望京地区、北京商务中心区、国家文化产业创新实验区、北京经济技术开发区等中心城区功能分区密切相关。类似地,171座车站（72%）周边政府机构POI对其出站客流影响显著,其空间分布位于北京市核心区。写字楼和政府机构显著与不显著车站分布的区域功能特征差异明显,中心城区各功能分区和城市核心区等显著区域基本均为就业岗位密集区域,出站客流与土地利用关系的空间异质性既与客流通勤特性有关,也与不同车站周边POI局部特征的差异有关。
104座车站（44%）的居住POI,76座车站（32%）的公司单位POI,91座车站（38%）的科研教育POI和17座车站（7%）的公交车站POI对车站出站客流影响显著,且正负影响效应重叠。例如,房山线沿线车站的居住POI与出站客流负相关,而公司单位、科研教育和公交车站等3类POI与出站客流正相关。上述车站主要分布于北京四环—六环之间,所体现的空间效应特征可以通过分布区域的土地功能开发模式的特性和差异性来解释,分别涉及房山高教园区、丽泽金融商务区、中关村科技园区、望京地区、北京经济技术开发区等中心城区功能分区（图2a、2c、2d和2f）。
综上,北京市轨道交通服务于通勤客流,其车站主要分布于中心城区,基本覆盖商务、经济、科技、文化等城市功能区。城市的功能分区通常采用高强度混合开发,不同属性功能的用地对车站早高峰出站客流的影响差异显著。车站客流与土地利用的依赖关系是各类用地影响的叠加结果。对于早高峰而言,部分功能分区既是居住POI密集区,也是写字楼POI密集区,所以既是出行行为发生地,也是轨道交通客流吸引地,此功能分区中的车站客流与其土地功能开发模式间的相互关系,就是两种用地功能共同作用的结果。基于细粒度POI的局部变参数模型能较好地识别各类用地对车站客流的影响及其空间效应,为更细致地分析客流与土地利用的依赖关系提供理论支撑。

4.3 拓展分析

本文进一步研究了早高峰进站客流与用地的相互影响,发现与出站结果对比,进站规律大致呈相反趋势。例如,居住用地与客流在全局模型中由出站时不相关变为进站时1%显著正相关,局部模型中89%的车站进站客流与居住用地相关,商业服务业设施用地正相关性减弱,公共管理与公共服务用地变为负相关,而相对应的写字楼、政府机构POI显著性降低。研究还发现,同一工作日晚高峰进站客流和用地的相关性规律与早高峰出站基本类似,晚高峰出站与早高峰进站相类似。上述相关性对比规律与上下班通勤规律相吻合,车站早高峰进站和出站、晚高峰进站和出站以及早、晚高峰之间通常具有不同的客流发生与吸引状态,其中职住特征明显的车站甚至会呈现相反的客流变化趋势。
由于工作日早高峰期间博物馆、展览馆等游览人数较少,酒店、美食、休闲娱乐等对客流的吸引力较弱。为了拓展探究非通勤客流与用地之间的影响关系,本文对周六晚高峰进站客流进行了回归拟合,相关参数估计结果如表4所示。
表4 周六回归拟合参数估计结果

Tab. 4 Results of Saturday's regression fitting parameter estimation

粒度水平 影响因素/lip OLS/β SLM/β SEM/β SDM/β GWR/β
1% 5%
 10% 不显著
粗
粒
度		 居住用地 -2.432 -2.424 -2.395 -2.503 -6.213(12%) -4.414(16%) -3.935(15%) -1.596(57%)
商业服务业设施用地 4.359*** 4.359*** 4.357*** 4.346*** 3.358(69%) 1.504(7%) 0.854(4%) 0.125(20%)
公共管理与公共服务用地 9.679* 9.432* 9.629* 8.695 18.115(7%) 2.651(6%) -2.217(9%) -1.678(78%)
道路与交通设施用地 -0.608 -0.611 -0.618 -0.852 17.062(42%) 10.451(15%) 8.118(11%) 6.130(32%)
绿地与广场用地 -5.360 -5.196 -5.274 -4.197 -67.081(8%) -30.039(2%) 10.025(4%) 0.028(86%)
ρ 0.127 -0.024
λ 0.092
细
粒
度		 居住 -1.319 -1.354 -1.303 -1.999 5.797(10%) 3.334(19%) 2.375(12%) -0.034(59%)
美食 9.472** 9.511*** 9.393*** 10.792*** 18.912(76%) 4.220(4%) 4.224(3%) 0.514(17%)
酒店 23.898 21.507 23.515 8.540 -33.005(17%) 15.636(21%) -30.626(6%) -3.314(56%)
写字楼 59.568*** 59.713*** 59.404*** 57.193*** 63.240(56%) 51.826(9%) 27.864(3%) 10.797(32%)
公司单位 -4.544* -4.481* -4.512* -4.774* -6.861(29%) -4.987(17%) -4.195(5%) -1.504(49%)
休闲娱乐 -58.196* -58.977* -58.585* -107.261*** -94.921(15%) -68.644(48%) -56.245(18%) -40.797(19%)
公共游览 19.067 18.578 18.655 15.450 55.573(10%) 25.549(26%) 20.895(10%) 12.053(54%)
科研教育 -45.515 -45.479* -45.732* 53.231** -61.216(14%) -59.024(43%) -46.242(14%) -25.193(29%)
政府机构 11.991 12.107 12.286 11.545 31.377(19%) 18.163(8%) 8.609(7%) 4.756(66%)
对外交通 -6.547 -6.174 -6.451 -11.179 59.435(65%) 12.966(8%) -3.128(6%) 4.881(21%)
公交车站 15.901 17.128 16.064 11.746 193.295(1%) -83.031(5%) 43.392(6%) 7.562(88%)
绿地广场 -2.843 -2.437 -2.695 -1.360 (0%) -25.855(4%) -8.709(2%) 0.272(94%)
ρ 0.247 -0.972
λ 0.088

注：*、**、***分别表示在10%、5%、1%显著水平上通过检验。

从表4可知,周六晚高峰进站客流与各影响因素的显著性规律同工作日早高峰出站相似,但是具有通勤特征的影响因素相关性强度均相对减弱。例如,商业服务业设施用地的β估计值由[11, 13]区间减小到[4, 5]区间,β写字楼的估计值也从[131, 139]区间减小到[57, 60]区间。这是由于周六并非工作日,其通勤通学出行需求相对减少,客流高峰特征也相对减弱,具有通勤特征的用地类型对客流的影响也相应减弱。
对于周六晚高峰而言,客流与非通勤特征因素的依赖关系明显：与商业服务业设施用地相关的二类I级POI中,美食、休闲娱乐对客流的影响很显著;与公共管理与公共服务用地相关的二类POI中,相比政府机构,科研教育与客流更为相关,公共游览也在局部模型中对客流影响显著。此外,相对于工作日早高峰,周六晚高峰客流与对外交通相关的车站数由137座（58%）增加到187座（79%）,也体现出非通勤客流中对外交通的影响作用。周六通勤通学出行需求减少,相对应的非通勤出行需求增加,所以各用地类型下非通勤特征的POI类型对客流的影响会相应增强。

5 结论

本文基于北京市轨道交通237座车站的客流数据和POI,分析粗、细粒度下二者关系的全局结果和局部空间模式,研究结果表明：
（1）综合考虑模型的解释能力和复杂度,以及处理空间依赖和异质性的效果,相较于全局常参数模型,局部变参数的GWR模型的估计效果最优,其解释能力达到84%,残差的Moran's I指数为0.0001,较好地刻画车站出站客流与POI依赖关系的空间异质性。
（2）同一性质的土地利用具有不同的用地功能,车站客流与不同用地类型以及各用地类型下不同功能POI的依赖程度存在显著差异,包括不同量级的效应差异甚至存在相反的空间效应。细粒度POI用地功能识别方法能更好地改进粗粒度POI识别用地功能差异的局限问题,进而能有效识别客流与不同功能用地的依赖程度及显著性。早高峰出站客流更多地受到与就业通勤相关的商业服务业设施用地、公共管理与公共服务用地的影响,在与两种用地相关的各类细粒度I级POI中,出站客流对写字楼和政府机构的依赖性更大。这是由于轨道交通高峰时段具有很强的通勤特性,对比粗粒度用地类型,与就业岗位相关的细粒度用地功能类型对客流影响较大,适当合理地对此类POI进行规划有助于提高轨道交通客流水平。
（3）综合研究车站客流与土地利用及其功能,既通过全局模型获得参数的全局估计结果,同时采用局部模型挖掘分析出复杂的局部空间模式和布局特征。北京市轨道交通主要服务于通勤客流,其车站基本覆盖中心城区的社会经济中心。这些区域通常采用高强度混合开发,空间位置上不同属性功能的用地对车站早高峰出站客流的影响差异显著。写字楼和政府机构对出站客流影响显著的车站主要分布在就业岗位密集的中心城区各功能分区和城市核心区,居住等其余类型POI则主要分布于北京四环—六环之间的各功能分区。基于细粒度POI能较好地识别各类用地对车站客流的复杂影响及其空间异质性,说明车站客流与土地利用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。
（4）根据对基于用地类型分类与精细化用地功能的全局和局部变量估计的研究,发现无论进出站、早晚高峰还是工作日和周末,都体现出其显著的通勤特征规律和空间耦合关系。工作日早高峰客流与土地利用的相互影响规律,进出站大致呈相反趋势。同一工作日晚高峰进站客流与用地的相关性规律与早高峰出站相类似,晚高峰出站与早高峰进站类似。这与上下班通勤规律相吻合,早晚高峰与进出站通常反映不同的客流发生与吸引状态,职住特征明显的车站甚至呈现相反的状态。对于周六晚高峰进站客流而言,具有通勤特征的影响因素相关性强度相对减弱,与非通勤特征因素的依赖关系明显。这是由于非工作日的通勤通学出行需求减少,客流高峰特征减弱,相关用地功能的影响也相应减弱。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhao P J, Yang H Z, Kong L, et al. Disintegration of metro and land development in transition China: A dynamic analysis in Beijing. Transportation Research Part A: Policy and Practice, 2018,116:290-307.

DOI

[2]
Hu N, Legara E F, Lee K K, et al. Impacts of land use and amenities on public transport use, urban planning and design. Land Use Policy, 2016,57:356-367.

DOI

[3]
Ratner K A, Goetz A R. The reshaping of land use and urban form in Denver through transit-oriented development. Cities, 2013,30:31-46.

DOI

[4]
Tan Zhangzhi, Li Shaoying, Li Xia, et al. Spatio-temporal effects of urban rail transit on complex land-use change. Acta Geographica Sinica, 2017,72(5):850-862.

DOI

[ 谭章智, 李少英, 黎夏, 等. 城市轨道交通对土地利用变化的时空效应. 地理学报, 2017,72(5):850-862.]

[5]
Gu Jiecheng, Shi Xiaofa. Relationship between ridership characteristics at railway stations and surrounding land-use in Shenzhen. Traffic & Transportation, 2019,35(5):47-50.

[ 顾介澄, 石小法. 深圳市轨道站点客流特征与周边土地利用的关系. 交通与运输, 2019,35(5):47-50.]

[6]
Ma X L, Chen X, Li X P, et al. Sustainable station-level planning: An integrated transport and land use design model for transit-oriented development. Journal of Cleaner Production, 2018,170:1052-1063.

DOI

[7]
Gutiérrez J, Cardozo O D, García-Palomares J C. Transit ridership forecasting at station level: An approach based on distance-decay weighted regression. Journal of Transport Geography, 2011,19(6):1081-1092.

DOI

[8]
Jun M J, Choi K, Jeong J E, et al. Land use characteristics of subway catchment areas and their influence on subway ridership in Seoul. Journal of Transport Geography, 2015,48:30-40.

DOI

[9]
Estupiñán N, Rodríguez D A. The relationship between urban form and station boardings for Bogotá's BRT. Transportation Research Part A: Policy and Practice, 2008,42(2):296-306.

DOI

[10]
Kuby M, Barranda A, Upchurch C. Factors influencing light-rail station boardings in the United States. Transportation Research Part A: Policy and Practice, 2004,38(3):223-247.

[11]
Zhao J B, Deng W, Song Y, et al. What influences metro station ridership in China? Insights from Nanjing. Cities, 2013,35(4):114-124.

[12]
Shen Lifan, Wang Ye, Zhang Chun, et al. Relationship between built environment of rational pedestrian catchment areas and URT commuting ridership: Evidence from 44 URT stations in Beijing. Acta Geographica Sinica, 2018,73(12):2423-2439.

[ 申犁帆, 王烨, 张纯, 等. 轨道站点合理步行可达范围建成环境与轨道通勤的关系研究: 以北京市44个轨道站点为例. 地理学报, 2018,73(12):2423-2439.]

[13]
Wang Shuwei, Sun Lishan, Hao Siyuan, et al. Station level transit ridership direct estimation model based on precise land use. Journal of Transportation Systems Engineering and Information Technology, 2015,15(3):37-43.

[ 王淑伟, 孙立山, 郝思源, 等. 基于精细化用地的轨道客流直接估计模型. 交通运输系统工程与信息, 2015,15(3):37-43.]

[14]
Xu Q, Mao B H, Bai Y. Network structure of subway passenger flows. Journal of Statistical Mechanics: Theory and Experiment, 2016,2016(3):033404. DOI: 10.1088/1742-5468/2016/03/033404.

[15]
Sohn K, Shim H. Factors generating boardings at metro stations in the Seoul metropolitan area. Cities, 2010,27(5):358-368.

[16]
Cardozo O D, García-Palomares J C, Gutiérrez J. Application of geographically weighted regression to the direct forecasting of transit ridership at station-level. Applied Geography, 2012,34:548-558.

[17]
Liu Y, Ji Y J, Shi Z B, et al. The influence of the built environment on school children's metro ridership: An exploration using geographically weighted Poisson regression models. Sustainability, 2018,10(12):4684. DOI: 10.3390/su10124684.

[18]
Li Junfang, Yao Minfeng, Ji Feng, et al. Quantitative study on how land use mix impact urban rail transit at station-level. Journal of Tongji University (Natural Science), 2016,44(9):1415-1423.

[ 李俊芳, 姚敏峰, 季峰, 等. 土地利用混合度对轨道交通车站客流的影响. 同济大学学报(自然科学版), 2016,44(9):1415-1423.]

[19]
Code for Classification of Urban Land Use and Planning Standards of Development Land. Beijing: China Architecture & Building Press, 2011.

[ 中华人民共和国住房和城乡建设部. GB50137-2011城市用地分类与规划建设用地标准. 北京: 中国建筑工业出版社, 2011.]

[20]
Cervero R, Kockelman K. Travel demand and the 3Ds: Density, diversity, and design. Transportation Research Part D: Transport and Environment, 1997,2(3):199-219.

[21]
Baidu Map. POI industry classification. http://lbsyun.baidu.com/index.php?title=lbscloud/poitags, 2018-12-03.

[ 百度地图. POI行业分类. http://lbsyun.baidu.com/index.php?title=lbscloud/poitags, 2018-12-03.]

[22]
Efthymiou D, Antoniou C. How do transport infrastructure and policies affect house prices and rents? Evidence from Athens, Greece. Transportation Research Part A: Policy and Practice, 2013,52:1-22.

Options
文章导航

/

〈 〉