李國強，楊敏，王樹盛

(1.東南大學交通學院，江蘇南京211189；2.江蘇省城市規(guī)劃設計研究院，江蘇南京210036)

0 引言

軌道交通素以大運量、高速度、環(huán)境友好、低能耗、高安全可靠性著稱，與其他公共交通模式相比，在客運輸送能力和出行效率上有明顯優(yōu)勢，是形成多模式城市公共交通系統(tǒng)的主體骨架，能有效支撐城市空間功能布局發(fā)展和緩解城市交通擁堵。隨著公交優(yōu)先戰(zhàn)略的深入推進，許多城市迎來了軌道交通發(fā)展全盛期，紛紛將軌道交通規(guī)劃建設納入綜合交通規(guī)劃和公共基礎設施建設計劃中。

軌道交通車站是城市軌道交通研究的突破口，是聯(lián)系城市軌道交通與乘客的紐帶，軌道交通線網(wǎng)客流實質上是車站客流時空分布疊加的結果[1]。軌道交通車站客流輸送效率與軌道交通整體線網(wǎng)運營效率直接相關。當前中國城市軌道交通車站高峰時段進出站客流嚴重失衡，車站周邊用地開發(fā)模式過于單一，軌道交通與車站周邊土地利用和空間組織適配性不高，嚴重影響了城市軌道交通線網(wǎng)整體客流的輸送效率。2015年，住房城鄉(xiāng)建設部發(fā)布《城市軌道沿線地區(qū)規(guī)劃設計導則》(以下簡稱《導則》)，明確要求軌道交通規(guī)劃在車站層面做好空間一體化組織引導、交通銜接設計引導、步行空間設計引導等工作[2]。因此，厘清車站客流與車站周邊土地利用交互關系對軌道交通運營管理、新線開通、沿線用地開發(fā)有重要指導意義。

國內外研究多為基于四階段法的線路和網(wǎng)絡客流評估預測，很難深入至微觀站域層面進行客流分析；而當前軌道交通車站層面的客流研究又因傳統(tǒng)人口、就業(yè)等數(shù)據(jù)難以采集，其在建立全面的影響因素集方面?zhèn)涫芟拗啤Ｒ虼?，本文突破傳統(tǒng)數(shù)據(jù)采集束縛，結合新型網(wǎng)絡爬取數(shù)據(jù)，融合多源數(shù)據(jù)建立影響因素集，利用結構方程模型剖析軌道交通車站客流與周邊土地利用間的作用機理，并根據(jù)車站客流影響因素分析結果提出改善軌道交通運營管理和優(yōu)化車站周邊用地開發(fā)的建議。

1 數(shù)據(jù)獲取與整理

深入挖掘軌道交通車站客流影響因素，應在對軌道交通車站客流特征分析的基礎上，初步判斷影響因素范圍，并建立影響因素集。其中，數(shù)據(jù)處理工作主要包括AFC數(shù)據(jù)預處理和多源網(wǎng)絡爬取的POI數(shù)據(jù)融合，前者為分析軌道交通車站客流特征服務，后者是建立影響因素集的基礎。

1.1 軌道交通AFC數(shù)據(jù)

軌道交通AFC系統(tǒng)，又稱“自動售檢票系統(tǒng)”(Automated Fare Collection system)，是實現(xiàn)軌道交通售票、檢票、計費、收費、清分結算和運行管理等全過程的自動化系統(tǒng)，完整記錄乘客刷卡進出車站時刻、進出車站編號、刷卡類型等信息。

以2017年1月南京軌道交通AFC數(shù)據(jù)為基礎，針對6條軌道交通線路和113個車站，利用Python語言和MongoDB數(shù)據(jù)庫整理構建軌道交通進出站客流數(shù)據(jù)庫，數(shù)據(jù)庫可供交通從業(yè)者和研究人員做分類查詢，統(tǒng)計各車站全天單位小時進出站客流量(見圖1)。

1.2 POI數(shù)據(jù)

POI(Point of Interest)即興趣點，該類型數(shù)據(jù)更新速度快、數(shù)據(jù)來源可靠、獲取成本低。當前可用POI數(shù)據(jù)來源主要包括地圖服務商(如百度地圖)和專業(yè)服務網(wǎng)站(如大眾點評網(wǎng))。地圖服務商提供的POI數(shù)據(jù)主要涵蓋了搜取范圍內對象的具體名稱、用地類別、坐標三個方面的重要信息(見表1)，而專業(yè)服務網(wǎng)站提供的POI則各有特點，基本包含名稱、地址等信息。

圖1 AFC數(shù)據(jù)整理流程Fig.1 Framework of processing AFC data

圖2 鏈家網(wǎng)數(shù)據(jù)與百度地圖數(shù)據(jù)匹配流程Fig.2 Framework of matching Lianjia.com data with Baidu map

表1 地圖服務商的POI屬性案例Tab.1 Attributes of POI data

首先以Python語言為編程工具，實現(xiàn)百度地圖、鏈家網(wǎng)、南京公共自行車網(wǎng)等網(wǎng)站的各類POI信息爬取。其中，百度地圖上爬取的POI主要包括住宅、美食、公司、科教文化、購物、公共汽車站和地鐵車站等；鏈家網(wǎng)上獲得信息以各個住宅小區(qū)的信息為主，如小區(qū)的建成年份、房屋總數(shù)、樓棟總數(shù)等信息；從南京公共自行車公司網(wǎng)站爬取公共自行車租賃點的相關信息。

為確保各數(shù)據(jù)源之間的匹配性，在構建影響因素集前需對多源異構數(shù)據(jù)進行數(shù)據(jù)融合處理。為了獲取居民樓POI的住戶數(shù)量，從鏈家網(wǎng)獲取的住宅小區(qū)信息需要賦值給百度地圖中對應的住宅小區(qū)，理想情況下，兩種來源的住宅小區(qū)名稱能夠一一對應，進而完成匹配賦值，但實際處理中部分數(shù)據(jù)無法匹配，需根據(jù)小區(qū)距離和名稱相似性進行匹配賦值(見圖2)。

以上獲取的POI數(shù)據(jù)是南京市域范圍內的整體數(shù)據(jù)，在進一步分析之前需將數(shù)據(jù)進行離散化處理，即分車站統(tǒng)計其影響范圍內的POI信息。而具體的影響范圍距離閾值尚未形成統(tǒng)一結論。文獻[3]采用800 m作為緩沖區(qū)的距離閾值，并把該距離界定為軌道交通車站服務范圍的標準步行距離；文獻[4]在2015年的研究中將首爾的軌道交通車站影響范圍劃分為三個層次：核心區(qū)(≤300 m)、重要區(qū)(>300～600 m)和次級區(qū)(>600～900 m)，采取多重閾值分析不同區(qū)域內影響因素的作用效果。《導則》明確了軌道交通車站緩沖區(qū)的概念，約定距離車站300～500 m的區(qū)域為核心區(qū)，距離車站500～800 m的區(qū)域為影響區(qū)[2]。鑒于南京軌道交通主要接入接出方式、車站可達性范圍等特征，綜合考慮《導則》對車站影響區(qū)的約定和相關文獻的推薦值，建議研究采用車站周邊800 m范圍作為影響范圍，利用GIS軟件等對POI數(shù)據(jù)進行統(tǒng)計分析，部分車站的統(tǒng)計結果見表2。

2 基于AFC數(shù)據(jù)的車站客流影響分析

基于AFC數(shù)據(jù)分析軌道交通車站客流時空變化特征，同時配合各車站的POI數(shù)據(jù)，解讀客流特征與車站周邊用地特征和車站屬性等因素之間的關系。

2.1 車站客流分布總體特征

車站客流分布總體特征呈現(xiàn)了兩個關鍵特征：1)早高峰進站量與晚高峰出站量、早高峰出站量與晚高峰進站量基本一致，表明軌道交通出行的對稱性；2)車站客流量按照核心大、外圍小分布，且早高峰出行有明顯的向心性，反映了土地利用差異對軌道交通出行的影響(見圖3)。

2.2 分類車站的客流特征分析

基于預處理的POI數(shù)據(jù)成果，綜合考慮車站影響范圍內各類型POI的數(shù)量和比例，篩選出代表居住密集型、崗位密集型、混合型和樞紐型四類典型車站(見表3)。

分小時統(tǒng)計代表車站的工作日日均進站客流量，并作對比分析(見圖4)。

居住密集型車站的客流分布具有明顯的早高峰，7:00—9:00的進站客流達到高峰值，此后進站客流量迅速下降到較低水平，并維持穩(wěn)定。該類車站的高峰時段與居民通勤的高峰時段吻合，且該時段的進站客流量遠高于其他時段，可見該類車站工作日的通勤需求大且時間集中。邁皋橋地鐵站作為一號線的首末站，輻射外圍居住密集區(qū)域更大，高峰客流更加明顯。

崗位密集型車站客流分布存在明顯的晚高峰，而早高峰時段，進站客流不大，這種客流的分布形態(tài)和居住密集型車站剛好相反，一定程度上能反映南京市內職住分離的特點。新街口作為南京市的CBD，高度集中了各類金融、商業(yè)購物、文化休閑場所，因此新街口地鐵站除了有大量的工作出行，還有數(shù)量可觀的非通勤出行。

混合型車站周邊用地特征因素復雜，該類車站主要分布在職住混合區(qū)域，客流呈現(xiàn)居住密集型和崗位密集型車站的組合特征。車站客流同時具備早高峰和晚高峰，早高峰反映的是車站周邊居民的通勤出行需求，晚高峰反映的則是工作人口下班回家的出行需求。

樞紐站南京站存在早高峰，南京南站全天無明顯高峰。兩個車站作為城市交通樞紐，起著連接城市內外交通的作用，自身功能對客流的影響更大。由于南京站靠近城市核心，其車站影響范圍內有多個住宅小區(qū)，所以工作日高峰時段會反映部分通勤出行特征。

對四種類型車站的分析表明，工作日軌道交通車站的進站客流量和進站客流分布情況均與車站周邊的用地特征有明顯的相關性，同時與車站的功能屬性有關。車站周邊的用地類型主要影響客流分布情況，車站周邊的用地開發(fā)密度則影響客流量大小。

3 基于POI數(shù)據(jù)的影響因素集建立

基于車站客流特征分析發(fā)現(xiàn)，軌道交通車站客流影響因素包含土地利用、車站屬性等方面。文獻[5]在2010年的研究中發(fā)現(xiàn)七個顯著變量：就業(yè)崗位數(shù)量、商業(yè)用地面積、辦公用地面積、網(wǎng)絡人口密度、換乘次數(shù)、接駁公共汽車線路數(shù)和是否為換乘站，分別屬于土地利用、公共交通接駁和車站屬性；文獻[6]在2014年的研究中，將研究變量合并為土地利用、外部聯(lián)通性、內部交通接駁和車站性質四大類，包含19個變量。

綜合既有研究成果和本研究數(shù)據(jù)基礎，將車站的客流影響因素劃分為三大類：土地利用因素、公共交通接駁因素和車站屬性因素，其中土地利用因素和公共交通接駁因素通過POI數(shù)據(jù)進行表達。

圖3 工作日車站客流分布總體狀況Fig.3 Distribution of rail stations ridership on weekdays

3.1 土地利用因素

土地利用特征考慮的因素主要包括：車站影響范圍內的居住特征、就業(yè)崗位特征、商業(yè)服務業(yè)特征等用地強度特征。就業(yè)崗位特征、商業(yè)服務業(yè)特征可以采用車站周邊已統(tǒng)計的各種類型POI數(shù)量表征，居住特征采用車站影響范圍內的戶數(shù)來衡量，此處的戶數(shù)通過百度地圖POI數(shù)據(jù)和鏈家網(wǎng)數(shù)據(jù)融合后的數(shù)據(jù)乘以一個時間折減系數(shù)(入住率)獲取。

表3 四類典型車站的代表車站Tab.3 Examples of four typical rail stations

除了用地強度特征之外，土地利用混合度也是重點研究的方面。在已有的研究中，既有采用教育文化、娛樂休閑或是體育活動等設施的數(shù)量來表征用地混合程度，也有構造函數(shù)(如熵指數(shù)、混合用地指數(shù)[7])來衡量土地混合程度，但目前尚無研究表明用地混合度與車站客流直接相關，本文采用各類設施的POI數(shù)量來簡化處理。此外，不少研究考慮到位于城市CBD車站的特殊性，并論證了該變量對客流影響的顯著性。

因此，土地利用因素部分考慮的因素有住戶數(shù)量、就業(yè)崗位數(shù)量、商業(yè)設施數(shù)量、文化教育設施數(shù)量、醫(yī)療設施數(shù)量、觀光設施數(shù)量、是否位于CBD等，具體描述見表4。

圖4 四類典型車站的客流特征Fig.4 Ridership characteristics of four typical rail stations

3.2 公共交通接駁因素

完善的公共交通系統(tǒng)換乘服務，可以提升乘客出行體驗，從而提高軌道交通出行率。因此本研究將車站周邊公共汽車接駁線路數(shù)和公共自行車停放點數(shù)量納入考慮范圍，前者可以通過百度地圖POI數(shù)據(jù)獲取，后者可以通過南京自行車官網(wǎng)的POI數(shù)據(jù)獲取。此外，借鑒P&R理念，將車站周邊停車場數(shù)量納入因素集，以分析車站周邊停車場的設置對軌道交通出行可能帶來的影響。

3.3 車站屬性因素

客流特征分析表明，車站屬性對于車站客流有一定的影響，因此將車站是否為首末站納入因素集。此外，車站是否為換乘站這一屬性也相對特殊，將是否為首末站、是否為換乘站，均設置啞元變量。

4 軌道交通車站客流影響因素挖掘

4.1 模型選擇和構建

為驗證基于POI數(shù)據(jù)建立的影響因素集的科學性和實用性，挖掘對于南京軌道交通車站客流量具有顯著影響的變量，建立軌道交通車站客流量與影響因素集之間的結構方程模型進行分析。

結構方程模型依據(jù)變量的協(xié)方差矩陣來確定變量之間的相關關系，包括可觀測的顯變量和不可觀測的潛變量，在各研究變量間建立路徑，以分析變量之間的關系[8]。和傳統(tǒng)的多元線性回歸分析方法相比，本研究采用的結構方程模型在整體理解研究模型上存在獨特的優(yōu)勢，既可以控制多個自變量之間(如就業(yè)崗位數(shù)量和商業(yè)設施數(shù)量之間)的相關關系，又可以考慮不可觀測的潛變量(如城市居民出行習慣)影響，適合對軌道交通車站客流這類復雜交通現(xiàn)象進行分析。

利用Amos建模，變量分別為車站工作日平均進站客流量(以下簡稱“車站客流量”)，住戶數(shù)量，就業(yè)崗位數(shù)量，商業(yè)設施數(shù)量，文化教育設施數(shù)量，醫(yī)療設施數(shù)量，觀光設施數(shù)量，是否位于CBD，公共汽車接駁線路數(shù)量，公共自行車停放點數(shù)量，停車場數(shù)量，是否為首末站和是否為換乘站，一共13個變量，此外設置潛變量。根據(jù)研究目的和變量間相關性分析，建立路徑，構建模型(見圖5)。

表4 影響因素集指標選取Tab.4 Variables of influence factors

圖5 結構方程模型Fig.5 Preliminary structural equation model

4.2 模型結果分析與優(yōu)化

初步模型軟件運行結果為：卡方值531.937，自由度61。一般而言，在自由度相同的情況下，卡方值越小，模型的效果越好，因此模型擬合程度還有待加強。模型輸出結果中的回歸情況反映的是每個所選變量對車站客流量的影響效果。對車站客流量有顯著影響的變量有商業(yè)設施數(shù)量、文化教育設施數(shù)量、公共汽車接駁線路數(shù)量、是否位于CBD、是否為首末站，在90%的置信區(qū)間條件下，住戶數(shù)量也是顯著變量，且上述變量與車站客流之間均呈現(xiàn)正相關關系。

在初步模型結果基礎上，剔除影響不夠顯著的變量，保留住戶數(shù)量，文化教育設施數(shù)量，商業(yè)設施數(shù)量，是否位于CBD，是否為首末站和公共汽車接駁線路數(shù)量，研究其對車站客流量的影響。在變量之間不斷嘗試添加路徑，試圖獲取變量間的相關關系，最終優(yōu)化得到模型結構如圖6所示。優(yōu)化后的模型結果顯示，模型卡方值為79.160，模型自由度為10，模型結論與初步模型基本一致。

表5 初步模型回歸結果Tab.5 Regression results of the initial model

表6 優(yōu)化模型回歸結果Tab.6 Regression results of the optimized model

通過結構方程模型對影響因素的挖掘發(fā)現(xiàn)，車站影響區(qū)域內采用POI數(shù)據(jù)表征的住戶數(shù)量、商業(yè)設施數(shù)量、文化設施數(shù)量、公共汽車線路數(shù)量對車站客流有顯著的相關關系，此外，車站是首末站或CBD中心的車站會導致客流與其他車站產(chǎn)生極大差異。

5 結語

本文在基于AFC數(shù)據(jù)分析南京軌道交通車站客流特征基礎上，重點利用網(wǎng)絡爬取POI數(shù)據(jù)系統(tǒng)化建立軌道交通車站客流影響因素集，并通過結構方程模型進行驗證與分析。結論如下：

1）從互聯(lián)網(wǎng)獲取的POI數(shù)據(jù)在用于研究用地特征對軌道交通客流影響的分析上是可行的，同時對比傳統(tǒng)數(shù)據(jù)，互聯(lián)網(wǎng)數(shù)據(jù)具有獲取方便，可以精確至車站層面分析，更新方便快捷等優(yōu)點，可以降低研究成本，提高研究效率。

2）住戶數(shù)量、商業(yè)設施數(shù)量、文化教育設施數(shù)量以及公共汽車接駁線路數(shù)量等建成環(huán)境因素與車站進站客流正相關。建議一是注重住宅、商業(yè)設施等市場行為的用地在車站周邊布局的引導和管控，二是預留文化設施、體育設施等公共服務設施用地，保障這類用地不會因為市場行為而被排擠在軌道交通車站影響區(qū)之外，三是強化公共汽車線路的接駁。

3）線路首末站對工作日進站客流量影響很大，主要是由于存在大量的接駁換乘客流。建議在首末站預控充裕的交通接駁設施，尤其是公共汽車和自行車設施，進一步放大首末站的空間覆蓋范圍，并提高乘客進出站、購票、安檢、排隊上下車等環(huán)節(jié)的效率。

4）除車站屬性外，其余影響因素均反映用地開發(fā)強度水平。建議一是提高軌道交通走廊沿線的用地開發(fā)強度以提升軌道交通全線客流，可以借鑒庫里蒂巴的帶狀開發(fā)模式，走廊沿線高密度高強度開發(fā)，二是適度平衡沿線車站的用地開發(fā)強度差異以均衡線網(wǎng)客流，提高外圍發(fā)展薄弱點的開發(fā)力度和公共汽車接駁設施數(shù)量。