軌道站點地區居民出行方式結構差異及影響因素

AbstractTheeffectsandmechanismsofurbanrailtansitdevelopmentonpromotingresidents'activetravelbehaviorsremainunclear Based onmobile phonesignalingdata，this studyanalyzes the spatial diferences in travelmodestructureand influencing factors ofmode share rates in Wuhan'srail station areas，proposing planning strategies.The main findings areas follows. First，conventionalbusandrail transit mode shares in Wuhan's station areas exhibitacompetitive relationship with nonmotorized transport （NMT）shares，whiledemonstratingsynergistic trends betweenrailandbusmodes.Together，theyform thecoreof public transportation dominance，whereas spatialvariation inprivatecarusageremains statistically insignificant. Second，networkcentralitymetricsofailttionssignificantlypromotepublictransportadoptionandreducecadepedency. Built environment characteristics differentiallyinfluence NMTandrail transit shares，whilecarusage primarilycorrelates with socioeconomic atributes.Third，through hierarchical clusteringanalysisbasedon travelmode structureand key influencing factors，three major categories with eightsubtypes ofstations are identified.To enhance the traffcregulation effect of rail transit， targeted TOD planning strategies should be implemented.

關鍵詞軌道交通站點地區；出行方式結構;影響因素；手機信令數據Key words rail station areas; travel mode structure; influencing factors; mobile signaling data

0引言

我國大城市推進軌道交通建設和站點地區公交導向發展，以期優化交通出行結構、緩解城市交通問題、促進綠色低碳發展。理論上，軌道交通能夠提高站點地區時空可達性，壓縮居民出行時間成本，促進站點地區交通出行結構優化1。然而，實證發現軌道交通建設并不能保證居民選擇更為綠色的交通行為，在建成環境、居民交通偏好等復合影響下，站點地區交通方式構成呈現空間差異[2]，[3]11。把握我國城市軌道站點地區居民交通方式構成時空差異與驅動要素，對于制定合理政策、促進交通調節效應具有啟示意義。

軌道交通站點地區交通行為調節方向已積累了豐富成果。有實證研究表明，軌道交通的開通能提高站點地區居民的步行頻率、公共交通分擔比例、降低平均機動車行駛里程，促使小汽車出行者轉向使用軌道交通；也有研究發現，軌道交通站點地區居民通勤行為中軌道交通出行比例升高、小汽車出行率下降，但常規公交、自行車出行比例也有所下降，同時發生了平均出行距離、出行時耗縮減[46]，[7575。公共交通服務水平和軌道交通的可達性會促進公交分擔率的提升，但城市交通出行結構優化還受到多種因素的共同作用：包括居民社會屬性、地區經濟特征[7]572，[8-10]，城市層面的土地利用模式、道路結構與密度、距城市中心距離等空間要素[11-14]，以及街區尺度公共服務設施配置、住區可穿越性等要素[15-16]。軌道交通服務對站點地區交通結構影響作用具有空間異質性和人群差異性[3]9，，[17]，其復雜機制仍需細致解析。我國對城市軌道站區的交通行為研究仍存在下述局限。研究多針對公交、小汽車等單一出行方式變化開展分析，鮮有研究比較性分析多種交通方式結構的時空差異。理論上，軌道交通網的發展水平、結構會對站點地區經濟、社會、交通效益產生影響，但少有研究考量軌道站點網絡結構特征對交通行為的影響。此外，從交通效應角度對不同軌道站區TOD規劃建設策略差異性探討也有欠缺。

本文利用手機信令數據，識別并分析武漢市主城區164個軌道站點地區居民出行交通方式構成差異，并細致分析軌道站點網絡結構、站區人口社會經濟、建成環境等特征對慢行、常規公交、軌道交通、小汽車等出行分擔率的影響作用差異，最后通過聚類分析識別軌道站點類型化特征并探討差異化的站點地區交通調節策略，以期為軌道交通站點地區TOD規劃和綠色交通發展政策制定提供決策依據。

1研究對象、數據及方法

1.1 研究對象

本文選取武漢市主城區軌道交通站點地區作為研究對象（見圖1）。截至2023年底，武漢市主城區已建成運行11條軌道交通線路，設有166個站點。武漢軌道交通線路結構和站點密度呈現顯著空間差異：長江以北漢口片區軌道線路多、站點密度高，長江以南武昌片區二環線外軌道站點密度顯著低于二環內，漢陽片區軌道網稀疏。本文基于Mapbox模擬166個軌道交通站點步行10min可達范圍。為消除站點步行范圍交叉覆蓋影響，利用泰森多邊形劃分形成164個無重疊的站點步行可達區。最后，考慮步行可達區、鄰接城市街坊尺度，以及手機信令數據平臺可提供 250m 網格數據，將164個站點步行可達區相交 250m 網格均識別為軌道站點地區。最終，確定164個軌道站點地區如圖1所示，重點關注其內部居住人口的出行交通方式構成差異。

1.2數據來源

研究數據包括下述3類。第1類是聯通智慧足跡平臺提供的2023年9月武漢市手機信令數據，包含用戶唯一ID及其社會經濟屬性與出行特征。通過關聯用戶ID與其居住地，可以識別各站點地區居住人口。隨后，利用平臺提取各個軌道站點內居住人口的性別、年齡、戶籍及其每次出行的時間、速度、距離、起止點等信息，利用隸屬度函數判別各站點居民各次出行交通方式，匯總統計各交通方式分擔率。第2類是武漢市2020年土地利用、2023年建筑普查、道路、軌道交通網等地理信息數據，主要用于測算軌道交通站點地區建成環境指標。第3類是武漢市2023年高德地圖POI數據，經過劃分類型和核密度等分析，用于描述服務設施豐富度；同時結合手機信令平臺中網格就業、居住人口和工休停留時間差異，可輔助識別出城市中心。

1.3研究方法

（1）交通出行方式判別方法

居民出行行為特征中，交通方式選擇和出行時間、出行距離、出行速度等具有交互影響。利用手機信令數據可提取出行的時間、距離、速度等特征值，引入模糊識別模型構建合理的隸屬度函數，能夠判斷居民單次出行所采用的交通方式，既往研究證明該方法的精度[18]。構建綜合考慮出行速度、距離、時間的隸屬度函數，按照最大隸屬度原則判別該次出行所采用的出行方式。具體公式如下：

U_m=max（F_i）（i=1，2，3，4，5）

F_i=S_i×T_i×V_i（i=1，2，3，4，5）

式中：i表示交通方式，1—5分別代表步行、自行車、常規公交、軌道交通、小汽車5種出行方式； U_m 表示根據最大綜合隸屬度判斷出m條出行數據所對應的出行方式； F_i 表示第i種出行方式的綜合隸屬度；S表示出行距離對應第種出行方式的隸屬度； T_i 表示出行時間對應第i種出行方式的隸屬度；V表示出行速度對應第i種出行方式的隸屬度。

其中，結合武漢市不同交通工具平高峰速度和時間差異等運行特征，標定不同距離、速度、時間下可能采用交通方式的隸屬度函數及參數（見表1）。

本文利用武漢市客運交通量數據來對比驗證上述方法的可行性。武漢市城市運輸局發布的客運運營情況分析數據，統計公布市域范圍內公汽電車、軌道交通、出租汽車、客運輪渡的客運完成量，但無針對軌道交通站點地區的統計數據。故研究利用設定的交通方式判定模型和參數，基于2023年9月武漢市手機信令數

圖1研究范圍圖Fig.1 Study area map

資料來源：筆者自繪。

據分析武漢市市域居民出行量和交通方式。識別結果中，武漢市2023年9月市域居民常規公交出行量為6186.86萬人次，軌道交通出行量為11841.52萬人次。相較于武漢市2023年10月客運運營數據中公共汽電車客運完成量6360.72萬人次、軌道交通12542.60萬人次，兩種交通方式交通量差異在 5% 以內、比例關系基本一致，說明上述方法判斷結果基本可信。

（2）不同交通方式分擔率影響因素分析方法

計算Maron指數，發現武漢市軌道站點地區交通分擔率及相關要素空間自相關現象不顯著。這與武漢市主城區軌道站點空間分布不均勻特征有關。因此，本文建立多元線性回歸模型，選取慢行分擔率（步行和騎行）、常規公交、軌道交通和小汽車分擔率為因變量，分析識別多方面要素對于軌道站點地區居民出行方式構成的影響，如公式（3）所示。

式中：Y為軌道站點地區第i種交通方式的分擔率： X_k 表示對站點出行分擔率可能產生影響的k個自變量 ;β₀ 是回歸常數 ;β_i1? （20 β_i2…β_ik 稱為回歸系數 ;μ 是隨機誤差。

自變量選取中，考慮建成環境、社會經濟、人口特征及軌道網絡特征等方面的影響要素。通過多重共線性檢驗，剔除了距城市幾何中心距離、道路交叉口密度、非武漢市戶籍人口比例等變量后，方差膨脹因子均低于5，自變量及其描述性統計見表2。

建成環境方面：功能混合度反映土地利用功能多樣性；路網密度影響小汽車的出行效率；公交站點密度關乎公共交通可達性；居住人口密度、就業崗位密度衡量站點地區人口與就業的密集程度；商業密度反映站點地區設施的密集程度。

社會經濟屬性方面：中青年、老年、男性和非湖北戶籍人口比例反映了站點地區的人□結構特征；居民平均通勤距離體現居民職住分離程度；房價和月均話費額度則一定程度上反映該站點地區居民經濟水平。

武漢市軌道交通網呈現出空間分布不均的特征，不同站點在軌道網絡中的結構特征會影響居民出行方式選擇。度數中心性反映地鐵站節點的換乘能力；接近中心性表示地鐵網絡的連接便捷程度，值越大，站點越靠近區域網絡中心；介度中心性表明軌道交通站點在軌道交通網絡中充當橋梁的程度，值越高，表明站點居民更容易經過更少站點到達其他地方。

本文采用分層聚類方法，實現城市軌道站點地區的交通方式結構類型劃分，分層聚類適用于處理具有重疊或模糊特征的數據，能夠清晰地展示不同類別間的關系，且具有一定靈活性和適應性。研究綜合利用Q型聚類（K-means）與R型聚類（模糊C均值聚類）。首先，Q型聚類以4種出行分擔率為聚類因子，提供了初步的大類劃分，明確了站點地區的交通方式構成特征；而R型聚類進一步結合站

（3）分層聚類方法

表1出行方式隸屬度函數及參數標定表Tab.1Membership functionsand parametercalibration for travel modes

注：（1）受長度限制，這里if指的是ifhour（tme）E{7，8，17，18}表示：當出行記錄的出發時間的小時部分屬于7、8、17或18時，則判定該次出行處于擁堵時段，并觸發相應的函數邏輯。（2）指數函數 ，呈現對稱鐘形曲線，式中c控制函數的峰值位置，即該值為該種出行方式所對應的出行速度、時間、距離的隸屬度概率的最大值，k控制函數的坡度和寬度，k越大函數曲線越平緩，覆蓋范圍越廣。類似地，邏輯斯蒂函數！ 是一種S型曲線函數，式中b控制峰值參數，a控制函數的坡度。（3）武漢市早高峰時段為 7：00--9：00 、晚高峰時段為 17：00-19：00 ，常規公交運營時間為 6：00--12：00 （少數夜間公交未統計在內），地鐵運營時間為6：00—11：30。因此設定出發時間在0：00-6：00 內軌道交通及常規公交的綜合隸屬度為0。

資料來源：筆者自制。

點地區各交通方式關鍵影響因素，通過軟聚類的方式捕捉數據的模糊邊界與交集，綜合交通方式構成和潛在驅動因素差異性交互關系細分站區類型，為制定差異化規劃調節策略提供框架。

2軌道站點地區居民出行交通方式構成差異

2.1居民出行行為總體特征利用手機信令數據識別研究對象居民出行起訖點、距離、時間等，匯總統計各站點居民2023年9月出行行為特征。從出行方式結構來看，軌道站點地區居民出行常規公交分擔率和軌道交通分擔率高于武漢市主城區平均水平，小汽車的出行分擔率（ 29.25% ）低于主城區平均水平。由于手機信令數據對250m網格內位置移動識別不精準，研究僅測算站點地區居民超過 250m 的步行和騎行行為，識別結果中步行分擔率為 11.73% ，騎行分擔率為17.47% 。

2.2軌道站點地區不同交通方式分擔率差異

武漢市居民交通出行方式構成呈現顯著的空間差異，慢行、常規公交、軌道交通和小汽車分擔率在宏觀變化趨勢上相互關聯，局部空間又呈現一定差異 （見圖2）。

站點地區慢行平均分擔率為 28.8% ，在13.0%-45.0% 之間波動。漢口二環內區大量站點慢行分擔率在 35.0% 以上，呈現顯著的慢行出行聚集特征。在武昌和漢陽，慢行分擔率較高的站點則是圍繞著商業中心和高校散點狀分布。軌交1、7、16號線尾端軌道站點慢行分擔率不足 20.0% ，呈現低值集聚。局部差異來著，漢陽新興商業中心王家墩站和產居結合的東風公司站表現出比傳統中心鐘家村站更高的慢行分擔率；華中科技大學、湖北大學等緊鄰高校的站點，居住人群慢行比例高。

表2變量解釋說明及描述性統計Tab.2Variabledefinitionsanddescriptivestatistics

注：除道路密度外，表中“總面積”為扣除水域后的用地總面積。

資料來源：筆者自制。

圖2不同交通方式分擔率空間差異圖Fig.2Spatial variationmapofmodalsharerati

站點地區常規公交出行分擔率集中在15.0%-25.0% 之間，平均為 19.7% ，空間上與慢行分擔率間呈現負相關變化特征。分擔率高值主要聚集在一環至二環范圍內，同時沿長江、漢江的站點地區公交出行分擔率相對較高，軌交16號線、武昌片區軌交2號線等末段站點地區分擔率在 15.0% 以下。整體上常規公交出行分擔率呈現向外圍地區先遞增再遞減的趨勢，在二環處常規公交出行分擔率達到最高。

站點地區軌道交通出行分擔率集中在12.0%-35.0% 之間，平均為 23.0% 。 18.0% 以下分擔率的站點主要集中在漢口核心商務區，以及如街道口、華中科技大學等靠近就業中心的站點。漢口區二環內、軌交5號線北側沿江站點、街道口、光谷等周邊站點其軌道交通分擔率集中在 18.0%-22.0% 之間。而外環末端站點軌道交通分擔率最高，可達到28.0%-35.0% 武漢三鎮中，漢陽軌道交通分擔率最高?？偟膩砜?，距離城市區域中心越近，工作通勤出行距離越低的站點地區軌道交通分擔率越低。

站點地區小汽車分擔率均值為 29.2% 略低于武漢市主城區平均水平 30.0%_c 城市一環線范圍內站點地區小汽車分擔率基本低于30.0% 。二環線圈層中，漢口片區、王家灣、光谷廣場等城市中心片區站點小汽車分擔率多低于 28.0% 。漢口中部軌道交通密集地區，小汽車分擔率低的區域集聚連片。但黃浦路、三層樓、武勝路等濱江高品質居住片區小汽車分擔率較高。二環以外，軌道站區居民出行中小汽車出行分擔率多高于 32.0% ，軌道交通線路尾部站點最高，武昌高校周邊站點、漢陽經濟開發區站點小汽車分擔率較低。

3不同交通方式分擔率影響因素分析

本文選取慢行、常規公交、軌道交通、小汽車出行分擔率作為此次研究的因變量，分別建立多元回歸模型，計算結果見表3。

軌道站點地區居民出行慢行交通分擔率主要受到3方面要素影響。站點地區道路網密度越高、公交站點密度越高，居民采用慢行出行的比例越高。站點地區就業崗位密度具有顯著積極影響，平均通勤距離增加會顯著降低慢行出行比例，說明職住關系對慢行出行分擔率有重要影響。居民社會經濟屬性也影響其慢行交通選擇，居住在房價較高片區居民出行選擇慢行交通比例降低，男性群體使用慢行交通比例較低，中青年人群采用慢行交通比例上升，外省人口集聚片區慢行分擔率更高。

軌道網絡結構特征顯著影響站點地區居民出行軌道交通分擔率，地鐵接近中心性指標和站點中介中心性指標顯著度高，說明軌道站點地區周邊站點越密集，站點與其他站點通行越便利，同時居民使用軌道交通比例越高。而道路密度和公交站點密度表現出顯著消極影響，這與過往研究發現不一致。主要原因包括：一方面，在軌道站點地區，軌道交通較常規公交更具競爭優勢，故公交站密度影響減弱；而武漢市道路網密度和公交密度高的中心城區特別是舊城區，居民職住平衡更好、收入水平更高，軌道出行比例反而減低。另一方面，站點地區功能混合度越高，軌道交通分擔率顯著提升；站點地區居住人口密度對軌道交通分擔率具有積極影響，而就業崗位密度具有輕微消極影響，長距離通勤居民使用軌道交通比例顯著提升，說明軌道交通建設有助于提升居民遠距離通勤公交分擔率，而短距離通勤居民更偏向選擇慢行交通。

表3多元回歸模型分析結果Tab.3Multiple regression model analysis results

注：***P≤0.01; ^**P?0.05 ^*P?0.1 Adj.R2表示調整后R平方值。

資料來源：筆者自制。

站點地區居民常規公交出行分擔率主要受兩方面要素的影響。建成環境方面，距離城市區域中心距離越遠，其常規公交出行分擔率越高，而就業密度則反向影響出行分擔率。人口屬性方面，省外戶籍人口和中青年群體較少采用常規公交出行，房價較高、收入水平偏高人群使用常規公交可能性提升。

空間環境要素中，功能混合度對于降低小汽車分擔率具有積極作用。既往研究發現，提高公交站點密度、人口密度、就業崗位密度、

圖3不同類型站點空間分布圖Fig.3Spatial distributionmap of different typesofstations

資料來源：筆者自繪。

圖4不同類型站點地區出行分擔率云雨圖Fig.4Raincloud plot of tripmodal share rateby stationarea type

資料來源：筆者自繪。

商業設施密度等可降低小汽車分擔率。筆者發現，在城市軌道站點地區，這些要素對小汽車分擔率沒有顯著影響。但軌道站點在網絡中的中介中心性及接近中心性對于降低居民小汽車使用比例具有顯著積極作用。此外，人口屬性方面，男性和高收入群體更偏好使用小汽車出行。

4軌道站點地區出行方式調節策略討論 5結論

利用上述分層聚類方法，對164個軌道站點地區開展聚類。首先，以站點地區小汽車、常規公交、軌道交通、慢行分擔率為因子，將站點聚類得到3大類。然后，針對各個大類，再利用多元線性回歸模型識別的關鍵影響因子，進一步聚類得到8個站點子類型。

第1大類為小汽車優勢型站點， 30.0% 一35.0% 居民出行人次使用小汽車，慢行分擔率均值為 20.0% ，主要位于二環以外軌道交通廊道。根據居民屬性、空間環境特征等因子細分為2個子類。第2大類為均衡型站點地區，總體上各出行方式分擔率居中，軌道交通分擔率略高于常規公交分擔率。該類站點數量最多，為69個，主要分布在漢陽三環內、漢口二環外及武昌濱東湖、環沙湖地區，可細分為3個子類型。第3大類為慢行優勢型站點地區，呈現軌道交通和常規公交分擔率低值聚集、慢行分擔率較高的特征。該類型站點約占 26.8% 0主要在漢口二環核心片及武昌主要商業中心集聚分布，部分站點在武昌、漢陽二環外散點分布，可細分為3個子類型。8個子類型站點空間分布見圖3，不同交通方式占比見圖4，空間環境和人口特征均值見表4，探討差異化調節策略見表5。

本文引入手機信令數據識別武漢市主城區軌道站點地區居民出行分擔率構成和空間差異，分析不同交通方式分擔率影響因素，基于城市軌道交通站點地區交通方式構成和關鍵影響因素構建站點地區分類框架并探討差異化調控策略。研究主要得出以下結論。

（1）從各個站點不同交通方式分擔率結構差異上來看，慢行分擔率與公共交通分擔率均呈現此消彼長的競爭態勢，而小汽車出行分擔率空間差異性并不顯著、可調節性較弱。從空間分布來看，武漢市軌道交通站點地區的交通方式構成與城市中心等級體系具有關聯，高等級城市中心周邊地區就業崗位和服務設施密集，居民步行分擔率高值站區空間集聚，而軌道公交和常規公交資源未被充分利用；次級城市中心因軌道網絡密度不高和站點功能單一，軌道交通、小汽車、慢行分擔率較為均衡；非中心地區，慢行交通占比隨距中心距離的增加呈梯度遞減、軌道和常規公交分擔率逐漸提升。

表4不同類型站點地區交通構成關鍵影響因子特征差異表 Tab.4 Comparative analysis ofkey influencing factors for travel mode composition by station area type

資料來源：筆者自制。

表5不同類型站點地區特征及調節策略表Tab.5Characteristicsand regulation strategies for different types of stationareas

資料來源：筆者自制。

（2）城市空間中軌道網絡發展水平和結構特征對所處站點地區的出行分擔率結構具有顯著影響。軌道交通站點的高接近中心性和高中介中心性顯著促進了軌道交通的使用，換乘站及換乘站數量則未表現出顯著影響。在其他影響因素中，功能混合度及工作通勤距離、居住密度、就業密度等職住關系是影響軌道交通分擔率的關鍵變量。在4類交通方式中，站區小汽車分擔率主要受社會經濟因素和軌道交通網絡特征影響，慢行和常規公交出行分擔率則更多受到建成環境和社會經濟因素方面的影響，城市中心地區高密度、功能混合空間環境特征能夠有效促進慢行出行。

（3）基于居民交通方式構成，城市軌道交通站點可分為小汽車優勢型、均衡型和慢行優勢型3大類，小汽車優勢型分布在城市外圍軌道交通末端地區和新城區域。均衡型主要分布在城市中間圈層。慢行優勢型主要圍繞城市核心區域分布。驅動形成3大類站點地區的居民社會經濟特征、空間環境特征等因素具有差異，可按照關鍵影響因素劃分為8個子類型，在站點地區提質升級中采取差異化的綠色交通行為調節優化策略。

手機信令數據平臺能夠為研究提供全覆蓋、動態性的數據支持，但由于空間顆粒度限制無法識別短距離慢行出行行為，筆者未能考慮居民在站區內的慢行出行行為，但分析結果對于探究站區居民中長距離出行方式構成差異及機制仍有代表性。未來研究可以結合大數據與問卷調查數據，或深入分析單一類型站點地區的出行模式，為軌道交通站點區域的出行行為研究和政策制定提供更詳盡的依據。

參考文獻References

[1]胡敏.軌道交通對城市空間布局的影響探析[J]. 現代城市研究，2007（11）：34-39. HUMin.The effectsof rail transit on urban spatial patterns[J].Modern Urban Research，2007（11）： 34-39.

[2]CHATMAN D G.Does TOD need the T？：on the importance of factors other than rail access[J]. Journal of the American Planning Association， 2013（1）： 17-31.

[3]TAO S，CHENG L，HE S，et al. Examining the non-linear effects of transit accessibility on daily trip duration：a focus on the low-income population[J]. Journal of Transport Geography， 2023（109）：103600.

[4]黃曉燕，曹小曙，殷江濱，等.城市軌道交通和建 成環境對居民步行行為的影響[J].地理學報， 2020 （6） ：1256-1271. HUANG Xiaoyan， CAO Xiaoshu，YIN Jiangbin， etal.The influence of urban transit and built environment on walking[J].Acta Geographica Sinice，2020（6）： 1256-1271.

[5]LUND H，WILLSONRW，CERVERO R.A re-evaluationof travel behaviorin California TODs[J]. Journal of Architectural and Planning Research，2006（3）：247-263.

[6]SPEARS S，BOARNETMG，HOUSTON D. Drivingreductionaftertheintroductionoflight rail transit： evidence from an experimental-control group evaluation of the Los Angeles Expo Line[J]. Urban Studies，2017（12）： 2780-2799.

[7]XIE L.Automobile usage and urban rail transit expansion：evidence from a natural experiment in Beijing， China[J]. Environment and Development Economics，2016（5）：557-580.

[8]SUN B，ERMAGUNA，DANB. Built environmental impacts on commuting mode choice and distance： evidence from Shanghai[J].Transportation Research Part D：Transport and Environment， 2017（52）： 441-453.

[9]BAUTISTA-HERNANDEZ D A. Mode choice in commuting and the built environment in Mexico City.Istherea chance fornon-motorized travel？[J].JournalofTransportGeography， 2021（92）：103024.

[10]劉美銀，王建偉.考慮城市客運結構優化的城市 軌道交通定價方法研究[J].交通運輸系統工程 與信息，2017（3）：：53-59. LIU Meiyin， WANG Jianwei. Pricing method of urbanrail transit considering the optimization ofpassenger transport structure[J]. Journal of Transportation Systems Engineering and Information Technology，2017（3）： 53-59.

[11]郭亮，賀慧.城市交通結構優化與土地利用模式 相關性的比較[J].城市規劃學刊，2009（5）： 77-82. GUO Liang，HE Hui. Comparative study on the relevance of structural optimization of urban traffic and land-use patterns[J]. Urban Planning Forum， 2009（5）： 77-82.

[12]CHATMAN D G. How density and mixed uses at theworkplace affect personal commercial travel and commute mode choice[J]. Transportation Research Record，2003（1）：193-201.

[13]吳凡，石飛.城市路網布局結構對公共交通出行 的影響研究[J].城市規劃學刊，2017（4）：121. WU Fan，SHI Fei.Effectsof urban road network layout structure on public transportation trips[J]. Urban Planning Forum，2017（4）：121.

[14]CHENF，WUJ，CHENX，et al.Vehicle kilometers traveled reduction impacts of TransitOriented Development： evidence from Shanghai City[J].Transportation Research Part D：Transport and Environment，2017（55）： 227-245.

[15]吳嬌蓉，王洋，余淼，等.公共服務設施達標評價 與出行結構關聯分析[J].綜合運輸，2020（11）： 10-15. WU Jiaorong，WANG Yang，YU Miao，etal. Correlation analysis between the evaluation of public service facilities and the structure of travel[J].China Transportation Review，2020（11）： 10-15.

[16]宋小冬，趙一夫，龐磊.住宅區道路可穿越對公 共交通出行的便利性影響[J]上海城市規劃， 2023 （1） ：121-127. SONG Xiaodong，ZHAO Yifu，PANG Lei.Road crossability in theresidential area for convenience of transit trip[J]. Shanghai Urban Planning Review，2023（1）：121-127.

[17]闕長城，馬琦偉，黨安榮，等.街區尺度下的通勤 出行方式挖掘及其影響因子 —以北京市為例 [J].城市交通，2020（5）：54-60. KAN Changcheng， MA Qiwei， DANG Anrong， et al. Commuting travel mode and its influencing factors at streetbock scale： acase study inBeijing[J]. Urban Transport of China，2020（5）： 54-60.

[18]劉華斌.手機信令數據背景下城市交通出行方式 選擇辨識方法研究[D].北京：北京交通大學，2019.

LIUHuabin. Urban transportation modesrecognition based on mobile signaling data[D].Beijing： Beijing JiaotongUniversity，2019.