土地利用因素對城市軌道交通車站客流的時空影響分析*

叢雅蓉 王永崗 余麗潔 李國棟

（長安大學運輸工程學院，710064，西安∥第一作者，碩士研究生）

在影響城市軌道交通車站客流分布規律和分布特征的眾多因素中，土地利用類型這一因素尤為重要。不同的土地利用類型吸引相應出行目的的乘客，使得車站客流呈現出不同的規律和分布特征。

車站客流的時間分布特征表現為時間上的波動性，工作日早晚高峰的客流特征最為突出。文獻［1］的研究發現，進站客流高峰出現在早高峰時段，呈現單峰分布特征；出站客流則呈現出早晚高峰時段的雙峰特征。文獻［2］的研究表明，車站周邊建筑環境對車站客流的變化情況有顯著影響。

關于車站客流空間分布特征，研究發現，土地利用類型對其影響主要包括土地使用模式或建筑環境［3］、可達性、社會經濟特征［4］、人口［5］等因素。研究者們還通過建立基于普通最小二乘法（OLS）、偏最小二乘法的直接估計模型來反映土地利用類型中的這些因素對車站客流量的影響，但這些多元回歸方法假設全局參數一致，即認為各影響因素與空間位置無關，未考慮其空間位置差異性。

為了解釋車站客流量的空間異質性，即客流隨空間變化而呈現出的分布形式。文獻［6］使用地理加權回歸模型（GWR）預測馬德里地鐵站的進站量，并比較了OLS 和GWR 在模擬客流及其影響因素方面的性能，結果表明GWR 在預測車站客流方面顯示出比OLS 更好的擬合優度。文獻［7］使用GWR模型研究各類用地的空間分布對客流的影響。文獻［8］在考慮車站空間相關性的基礎上，采用GWR 模型構建回歸方程，探究各類興趣點密度對早高峰進出站客流的影響。

大多數已有研究將車站客流的空間關系和時間分布特征獨立開來，較少關注用地因素對客流的時空影響作用。本研究在西安地鐵乘客出行調查數據的基礎上，確定適宜西安市的地鐵車站合理吸引范圍，使用GWR 定量分析土地利用因素對車站客流量的時空影響。

圖1 步行距離概率密度分布擬合曲線

1 車站合理吸引范圍

城市軌道交通和土地利用的互動發生在一定的區域范圍內，對于該范圍的劃定，大部分研究基于站點的步行可達范圍，通過實地調查或計算步行到達車站的廣義成本確定吸引范圍，取值范圍從400 ～800 m 不等［9］。本文以乘客步行到達車站的距離作為車站合理吸引范圍，對西安地鐵4 號線全線共28座車站的乘客出行特征進行調查。

西安地鐵4 號線是一條南北走向的交通疏導型骨干線路，串聯文化旅游區、中心商業區和對外交通樞紐；沿線用地情況以商貿金融、教育科研、行政、旅游度假及居住用地為主，南北兩端途經少量工業用地，車站周邊的用地具有代表性。因此選擇地鐵4 號線作為調查對象。調查內容包括乘客性別、年齡、出行目的、交通接駁方式等。共采集到2 578 條數據，其中有效數據為2 304 條，采用步行、非機動車、道路公交、其他方式（小汽車、出租車等）到地鐵站的數據分別為1 102 條、295 條、865 條和42 條。

成年人步行的平均速度按5 km/h［10］計算，將步行時間轉化為步行距離，繪制步行距離概率密度函數，并擬合參數。如圖1 所示，步行距離概率密度分布與正態分布基本吻合。擬合得到的概率密度p的分布函數為：

擬合均方根誤差（RMSE）為0.036 26、可決系數（Adjusted R2）為0.815 6，表明擬合效果良好。取其85%位累計概率處的距離［10］690 m 作為車站合理吸引范圍。

2 基于GWR 模型的車站客流回歸模型

2.1 數據來源

2.1.1 客流數據

本文客流數據由西安市地鐵運營公司提供，其中包含2019 年3 月1 日—15 日西安地鐵1、2、3、4號線共計88 座車站的客流數據。為探究各類用地影響下車站客流的時空分布變化情況，本文選擇客流時變性較強的工作日早晚高峰進出站客流作為研究對象。考慮到高峰出站時間較進站時間晚，早高峰進、出站統計時段分別為7:30—8:30 和8:00—9:00，晚高峰進、出站統計時段分別為18:00—19:00 和18:30—19:30。

2.1.2 步行吸引范圍內用地屬性

引入氣象學中的泰森多邊形，確定車站690 m半徑內的為車站合理吸引范圍。將西安市土地利用現狀圖導入Arcgis 環境中，使用Toolbox 工具箱測量出車站吸引范圍內各類用地的面積；結合百度地圖，獲得建筑的樓層數；取《西安市城鄉規劃管理技術規定》中各類建筑容積率的最大值，計算出各類用地的建筑面積。

出發地和到達地之間不同的土地利用性質是吸引人們出行的根本原因，不同土地性質對應著不同的出行目的。雖然中小學和大學都屬于教育科研用地，但由于二者出行時間和特點完全不同，因此將兩種用地分開統計。

2.1.3 網絡拓撲結構因素

車站直接估計模型認為，車站客流受到其他車站及該站在軌道交通網絡位置的影響［11］。因此使用圖論中的中介中心性和接近中心性來表征車站在網絡中的位置特點。中介中心性大的站點對客流的中轉起重要作用，體現了站點與其它車站聯系中的橋接作用。接近中心性反映網絡中某一節點與其他節點之間的接近程度，數值越大，說明該站點越接近網絡中心。此外，車站所處區位對本站客流有較大影響，一般認為城市中心車站的客流高于城市郊區車站的客流，故使用車站到市中心（鐘樓）的直線距離作為衡量車站區位因素的指標值。中介中心性Bi與接近中心性Ci由式（2）和式（3）計算得到。

式中：

εst——從車站s 到車站t 的最短路徑數；

εsit——從車站s 到車站t 并經過車站i 的最短路徑數；

N——車站總數；

dij——從車站i 到車站j 的最短路徑數。

乘客出行特征調查顯示，到站后，采用步行和道路公交作為離站交通方式的占總交通方式的85%以上，其他交通方式占比均不足13%。因此選取道路公交線路數量作為衡量車站公交接駁特征的因素。

綜上，本文模型中使用的解釋變量如表1 所示。

2.2 空間自相關檢驗

在建立GWR 模型之前，需要對候選解釋變量及因變量進行莫蘭指數（MoranⅠ）檢驗，以確定各變量是否存在空間自相關性，檢驗結果如表2 所示。因變量中工作日晚高峰出站的P 值大于0.05，表明其空間效應不顯著，因此未對該變量進行空間建模。除此之外，所有解釋變量的P 值均小于0.05，MoranⅠ指數在-1 和1 之間，表明解釋變量空間自相關性顯著，適合建立GWR 模型。

表1 解釋變量匯總及說明

表2 MoranⅠ檢驗結果

2.3 局部共線性檢驗

以早高峰出站為例，對變量進行共線性檢驗，結果如表3 所示，發現條件指數大于10，并且接近中心性與中心距離的方差比例大于0.5，說明這兩個變量之間存在共線性，因此在回歸分析時刪除接近中心性這一變量。

表3 共線性檢驗結果

2.4 模型構建

GWR 模型在普通最小二乘法的基礎上，引入衡量空間位置的局部參數，將數據的空間特性加入模型中，用以表現出研究區域內的局部空間特征和空間分布的不平穩性。這是一種局部空間分析的方法［12］，可表示為：

式中：

yi——因變量；

xik——自變量，表示第i 個車站的第k 個解釋變量；

（ui，vi）——第i 個觀察點的坐標；

β0——坐標為（ui，vi）點的回歸常數；

βk（ui，vi）——第i 個觀察點上的第k 個回歸參數，是空間位置的函數；

εi——正態分布的誤差項；

n——解釋變量的數量。

本文中i=88，n=11。

省略空間位置因子項為：

公式（4）可用矩陣表示為：

利用加權最小二乘法，計算各i 處的估計回歸參數，則i 點的回歸系數的向量表示為：

式中：

wij——車站i 相對于車站j 之間描述空間距離的單調遞減函數。

本文使用Gauss 函數描述空間權重：

式中：

dij——車站i 與j 之間的距離；

b——內核帶寬參數。

使用上述方法進行逐點回歸，得到包含樣本點的回歸參數估計矩陣β：

因此，因變量的值可以按式（11）估算：

3 模型結果及驗證

3.1 高峰客流與用地的關系

為了在同一度量下解釋變量的回歸系數，通過Z-Score 方法將所有變量進行標準化。各時段客流量的擬合結果如表4 所示。早高峰出站客流與晚高峰進站客流的Adjusted R2值大于0.7，模型可解釋性較好，表明周邊用地和區位因素對其有較強的影響作用；相比之下，早高峰進站客流的Adjusted R2值較小，表明用地和區位因素對其解釋性較弱，這與文獻［13］的結論一致。

上述結果可以解釋為：對于早高峰進站客流來說，大多數出行乘客的起點為車站周邊的家的位置，終點在地鐵站；對于出站客流而言，大多數出行乘客的起點為地鐵站，終點在工作單位、中小學等。在我國，由于城市住宅的分布比工作場所更為分散［14］，出站客流與進站客流相比，受到的約束作用更強，傾向于集中趨勢；而晚高峰進站客流通常呈現出與進站客流相反的模式。因此，用地性質對早高峰出站客流、晚高峰進站客流有較強的解釋性。由于晚高峰出站客流的目的地沒有明顯的規律，因此并未呈現出較強的空間自相關性。

表4 模型方差分析及擬合結果對比

同時建立普通多元回歸（OLS）進行全局估計。以早高峰出站客流的擬合結果為例（如表4 所示），和全局OLS 模型相比，GWR 模型的Adjusted R2值升高，AICc（赤池信息準則）值減小且二者之差均大于8，殘差平方和（Residual Squares）、均方誤差（Mean Square）減小，說明高峰客流有較強的空間不平穩性，GWR 模型較OLS 模型更加適用［8］。

3.2 用地因素的時間分析

模型回歸系數如表5 所示。總體來看，通勤用地（辦公用地、中小學用地）對工作日早晚高峰客流的影響較大。但對于不同的乘車行為，解釋變量的均值和顯著性因出行目的和用地分布而異，表現出時空異質性。在各種用地性質中，辦公用地、商業用地和休閑用地對早高峰出站客流的吸引作用較強，而對晚高峰進站客流來說，影響程度大的因素分別是商業用地、辦公用地和居住用地。晚高峰時段由于居住用地進站的乘客出行目的不明確，他們的目的地可能是服務密集型的地區（如餐館、商場等），他們或者是上夜班的工作者。對于早高峰進站客流，影響作用顯著的只有居住用地，并且系數均值為正值，說明居住用地與該時段客流呈正相關關系。通勤者在下班后有更多的自由支配時間，會有更加豐富的出行活動，而道路公交與地鐵相比可達的目的地更多，乘客在晚高峰搭乘道路公交的可能性更大，因此道路公交在晚高峰進站客流中顯著。

雖然辦公用地對兩者的影響作用都是顯著的，但是早高峰系數遠大于晚高峰系數，說明它對早高峰出站客流的影響高于對晚高峰進站客流的影響，辦公用地會吸引更多的早高峰出站客流。大學用地和中小學用地同為教育科研用地，但由于大學生和中小學生出行規律不同，因此兩者對客流呈現出不同的影響：中小學用地對早晚高峰客流有顯著的影響作用，并且系數較大，說明其對高峰客流的吸引作用較強，而大學用地并不顯著。

表5 回歸系數的局部參數

3.3 用地因素的空間分析

在同一時段內，不同用地因素影響系數存在較大差異，這與城市的空間格局有關。西安市主城區中心的明城墻區以行政、商業、旅游用地為主；西南部是以高新區為中心的高新產業區，辦公就業用地密集；東南部是以曲江新區為中心的旅游度假區居住、旅游用地較多；南部是以雁塔區為中心的科研文教區，科研院所分布較多。如圖2 所示，以晚高峰進站客流為例，辦公用地系數較大的車站聚集在主城區的西南部，表明高新產業區的辦公用地會吸引更多的高峰客流。商業用地系數在中南部的明城墻區和曲江新區最大，說明此處的商業用地對晚高峰進站客流有較強的吸引力。居住用地系數較大的車站大多分布在北郊、中南部，說明晚高峰時段，由居住用地進站的乘客大多集中在此處。從系數的空間分布來看，居住用地系數與辦公用地系數分布有較大差異，體現了居住與辦公的分離情況。

圖2 晚高峰進站用地屬性系數的空間分布

4 結論

本文在確定西安市軌道交通車站吸引范圍的基礎上，建立地理加權回歸模型來探究早晚高峰客流與周邊用地之間的時空關系。模型結果表明：①土地利用的性質會對早高峰出站客流、晚高峰進站客流產生重要影響，相比之下，早高峰進站客流與用地之間的聯系較弱。②用地性質對客流的影響具有時空異質性，隨時間和空間的不同產生顯著變化。時間維度的變化與居民出行模式（如居民的通勤行為）有關；空間維度的變化與城市布局有關。③與OLS模型相比，GWR 模型考慮了變量之間的空間關系，可了解變量隨空間變化的趨勢，因而有更好的擬合效果。同時可以確定各車站擬合的局部參數，根據局部參數的分析得出更具體的結論。

本文研究成果反映了土地利用對車站客流的影響，可為確定TOD（交通引導發展）模式下土地利用的政策、地鐵線路規劃提供依據，也可為具體車站的客流組織管理提供參考。以西安市為例，早晚高峰時期，高新區應在辦公寫字樓密集區域，曲江新區和明城墻區應在商業、居住區用地密集處的重點車站，需提前做好高峰客流疏導預案，合理組織進出站客流，如科技路站、五路口站、曲江池西站等。本文分析了土地利用對客流的時空影響，下一步可將社會經濟因素、環境因素、交通接駁條件等納入模型自變量，探究車站建成環境內多種因素與客流的時空關系。