陳廷照 陳艷艷? 王子理 郭繼孚

“軌道交通微中心”理念下的慢行影響區(qū)范圍確定方法

陳廷照1陳艷艷1?王子理2郭繼孚3

（1. 北京工業(yè)大學(xué) 城市交通學(xué)院，北京 100124；2. 濟(jì)南市道路和橋隧服務(wù)中心，山東 濟(jì)南 250101； 3. 北京交通發(fā)展研究院，北京 100161）

為響應(yīng)北京地鐵站周邊用地一體化、打造軌道微中心的理念，本研究利用多源大數(shù)據(jù)，從公共客流、路網(wǎng)設(shè)計(jì)、人口密度和用地多樣性等方面提取了23個(gè)影響因素，定量地刻畫(huà)站點(diǎn)慢行影響區(qū)內(nèi)的建成環(huán)境及出行特征，其中重點(diǎn)考慮了共享單車(chē)的接駁特征。為了彌補(bǔ)以往以出行者的步行時(shí)間確定軌道站點(diǎn)影響范圍的不足，提出了融合主成分分析和-均值聚類(lèi)的站點(diǎn)分類(lèi)模型去劃定慢行影響區(qū)的范圍。以北京市為例，站點(diǎn)影響區(qū)被分為4簇：接駁低效-連通度弱-居住主導(dǎo)型，接駁高效-連通度高-均衡型，接駁高效-連通度弱-混合型，接駁高效-連通度高-工作主導(dǎo)型。為了驗(yàn)證聚類(lèi)的合理性，利用空間自相關(guān)的方法判斷簇內(nèi)指標(biāo)的空間依賴(lài)性，結(jié)果顯示簇1、3、4的空間分布與隨機(jī)模式?jīng)]有顯著的差異，而簇2接駁高效-連通度高-均衡型站點(diǎn)在空間上存在一定的自相關(guān)特性。最后，基于聚類(lèi)結(jié)果定義了軌道站點(diǎn)的慢行影響范圍，分別為2 000、1 600、1 600、1 700 m。不同軌道站點(diǎn)類(lèi)型慢行影響范圍的明確，有助于城市規(guī)劃者確定軌道微中心的建設(shè)范圍，也可為以公共交通為主導(dǎo)的城市模式開(kāi)發(fā)奠定基礎(chǔ)。

軌道微中心；影響因素；主成分分析；-均值聚類(lèi)；慢行影響區(qū)

地鐵作為大容量、高效率、安全可靠的城市軌道交通客運(yùn)系統(tǒng)，既是提升公共交通承載力水平的必由之路，也是緩解“大城市病”的重要途徑。2018年，北京市政府印發(fā)了《關(guān)于加強(qiáng)軌道交通場(chǎng)站與周邊用地一體化規(guī)劃建設(shè)的意見(jiàn)》，提出在軌道交通車(chē)站周邊打造微中心。2020年12月市政府辦公廳正式印發(fā)了《北京市軌道微中心名錄（第一批）》的批復(fù)。目的是打造與軌道交通站點(diǎn)充分融合互動(dòng)，可達(dá)性高、土地集約化利用程度高、具有多元功能的城市地域空間。同時(shí)是為了進(jìn)一步實(shí)現(xiàn)以公共交通為導(dǎo)向的用地發(fā)展模式（TOD）。

歐美的案例研究表明，大多數(shù)TOD開(kāi)發(fā)半徑的選取以離車(chē)站10min的步行距離為依據(jù)（按照步行是主要的車(chē)站進(jìn)出方式，10min是可以接受的步行時(shí)間）。大多數(shù)歐洲研究者［1-3］提出TOD區(qū)域的邊界為從過(guò)境站到700m的歐幾里得距離，大多數(shù)美國(guó)研究采用的范圍為400～800m［4-5］。隨著共享單車(chē)的發(fā)展，軌道站點(diǎn)慢行影響區(qū)有所增加。Ma等［6］分析了南京市地鐵站的共享單車(chē)接駁特征，表明早晚高峰的接駁頻率最高。Lee等［7］計(jì)算了韓國(guó)兩個(gè)城市的軌道接駁共享單車(chē)的出行距離，分別為1.96km和2.13km。關(guān)于影響區(qū)的邊界界定包含規(guī)則的環(huán)形邊界和不規(guī)則的道路邊界。Luan等［8］選擇出行者和站點(diǎn)之間的步行距離作為地鐵站域的邊界。O'Connor等［9］比較了傳統(tǒng)環(huán)形車(chē)站區(qū)和路網(wǎng)區(qū)的區(qū)別。美國(guó)公共交通協(xié)會(huì)將交通方式的典型影響范圍分成3類(lèi)：核心區(qū)、主要集聚區(qū)和次要集聚區(qū)［10］。

很多學(xué)者引入了共享單車(chē)數(shù)據(jù)以便于更清晰地挖掘軌道站點(diǎn)慢行影響區(qū)的特征［11-12］。Guo等［13］結(jié)合ofo共享單車(chē)數(shù)據(jù)提出了37個(gè)描述建成環(huán)境的指標(biāo)。Lin等［14］重新劃分了站點(diǎn)緩沖區(qū)，從軌道客流、人口和路網(wǎng)設(shè)計(jì)等方面提出了12個(gè)指標(biāo)。Tamakloe等［15］從基本的密度、多樣性和設(shè)計(jì)方面提出16個(gè)指標(biāo)評(píng)估緩沖區(qū)的特性。有研究報(bào)告稱(chēng)，無(wú)樁共享單車(chē)流行后，35.3%的受訪(fǎng)者轉(zhuǎn)向使用該方式進(jìn)出地鐵站［16］。其次，Chen等［17］、Yang等［18］利用聚類(lèi)的方法分別對(duì)站點(diǎn)和站點(diǎn)影響區(qū)進(jìn)行了分類(lèi)，明確了不同類(lèi)型站點(diǎn)的不足及規(guī)劃改進(jìn)方向。但是以往的研究多是在既定的緩沖區(qū)范圍內(nèi)進(jìn)行評(píng)估的。事實(shí)上，不同類(lèi)型的軌道站點(diǎn)類(lèi)型其開(kāi)發(fā)范圍也不同。

本研究重點(diǎn)考慮了站點(diǎn)緩沖區(qū)范圍內(nèi)的共享單車(chē)接駁情況，結(jié)合地鐵客流、公交客流、路網(wǎng)指標(biāo)、人口指標(biāo)和用地多樣性定量地刻畫(huà)站點(diǎn)500 m緩沖區(qū)范圍的建成環(huán)境特征。采用融合主成分分析的-均值聚類(lèi)方法對(duì)軌道站點(diǎn)分類(lèi)。挖掘不同類(lèi)型軌道站點(diǎn)影響區(qū)的慢行影響范圍，彌補(bǔ)以往研究的不足，為未來(lái)軌道站點(diǎn)微中心的規(guī)劃提供參考。

1　指標(biāo)提取

本研究的關(guān)鍵是提取合理的指標(biāo)用于描述站點(diǎn)緩沖區(qū)的特征，選取多源數(shù)據(jù)以彌補(bǔ)以往研究中數(shù)據(jù)不足的問(wèn)題。其中多源數(shù)據(jù)包括共享單車(chē)數(shù)據(jù)、軌道交通刷卡（AFC）數(shù)據(jù)、手機(jī)信令數(shù)據(jù)、路況數(shù)據(jù)、興趣點(diǎn)（POI）數(shù)據(jù)，以及軌道線(xiàn)網(wǎng)、公交線(xiàn)網(wǎng)、城市路網(wǎng)等底層數(shù)據(jù)。

1.1　客流指標(biāo)

1.1.1共享單車(chē)客流

本研究采用2019年3月3日—2019年3月9日的北京市共享單車(chē)數(shù)據(jù)進(jìn)行分析，日數(shù)據(jù)量達(dá)到35萬(wàn)。其中共享單車(chē)數(shù)據(jù)包含單車(chē)ID、借車(chē)時(shí)間、借車(chē)經(jīng)緯度、還車(chē)時(shí)間、還車(chē)經(jīng)緯度等字段。

由于大型立交橋、大型商業(yè)街和換乘站點(diǎn)位置的地鐵站出入口之間距離較大，與單個(gè)站點(diǎn)的匹配容易產(chǎn)生較大的誤差，因此需精細(xì)化制作軌道站點(diǎn)的出口位置圖層。定義距離站點(diǎn)出入口位置100 m以?xún)?nèi)的共享單車(chē)出行為接駁出行。并且剔除了出行距離大于30 km和出行時(shí)間大于3 h的異常數(shù)據(jù)。另外，為了使統(tǒng)計(jì)量更具代表性，保留接駁量大于50的軌道站點(diǎn)，最終234個(gè)站點(diǎn)的指標(biāo)用于本研究分析。

統(tǒng)計(jì)發(fā)現(xiàn)北京市軌道站點(diǎn)共享單車(chē)的接駁量在周一至周五均位于20萬(wàn)以上。按出行距離20 m切分每個(gè)距離段的出行量。如圖1所示，全市一周內(nèi)每天的出行距離統(tǒng)計(jì)量與出行量累計(jì)頻率分布線(xiàn)的趨勢(shì)高度相似，其中85%分位的接駁距離均在1 860 m左右。

將單車(chē)接駁分為到達(dá)車(chē)站和離開(kāi)車(chē)站，分別統(tǒng)計(jì)了一周內(nèi)每天每小時(shí)的接駁量，如圖2所示。結(jié)果顯示進(jìn)站接駁和出站接駁在工作日均有明顯的雙峰特性，高峰時(shí)間段為7：00 — 9：00和17：00 — 19：00，且早高峰接駁峰值更明顯。說(shuō)明了共享單車(chē)的使用者主要是通勤人員。

從共享單車(chē)的接駁量、接駁時(shí)間、接駁距離3個(gè)方面提取指標(biāo)，包含站點(diǎn)單車(chē)接駁時(shí)間、單車(chē)接駁量、單車(chē)接駁85%分位距離、單車(chē)接駁早高峰系數(shù)進(jìn)出比、單車(chē)接駁晚高峰系數(shù)進(jìn)出比。其中單車(chē)接駁量是站點(diǎn)在工作日的全天進(jìn)出站接駁量的平均值，中關(guān)村和國(guó)貿(mào)片區(qū)接駁量明顯較大，其他接駁量大的站點(diǎn)主要集中在四環(huán)以?xún)?nèi)；單車(chē)接駁時(shí)間是站點(diǎn)在工作日的全天所有進(jìn)出站接駁行程時(shí)間的平均值，四環(huán)內(nèi)大部分站點(diǎn)的接駁時(shí)間在15 min以?xún)?nèi)，以10 min以?xún)?nèi)居多。全市所有的軌道站點(diǎn)單車(chē)接駁時(shí)間在10 min以?xún)?nèi)的平均占比為63%，在10～15 min的占比為16%；El-Geneidy等［19］和Wang等［20］曾指出每個(gè)站點(diǎn)接駁行程長(zhǎng)度的第75和85個(gè)百分點(diǎn)作為可接受距離的合理指標(biāo)。因此，選取85%分位接駁距離指標(biāo)反映接駁距離方面的特征。另外，單車(chē)接駁早晚高峰系數(shù)進(jìn)出比可反映站點(diǎn)的通勤特性，進(jìn)出差異體現(xiàn)了站點(diǎn)緩沖區(qū)內(nèi)的居住或工作主導(dǎo)特征。

圖1　北京市接駁距離分布

圖2　進(jìn)出站接駁量時(shí)間分布

1.1.2軌道站點(diǎn)客流

基于A(yíng)FC數(shù)據(jù)統(tǒng)計(jì)軌道站點(diǎn)的共享單車(chē)接駁比例和軌道站點(diǎn)客流，站點(diǎn)共享單車(chē)接駁占比大部分在6%以下，如圖3所示（圖3-7、10中圖例區(qū)間為下閉上開(kāi)，如0～2表示［0，2））。軌道站點(diǎn)客流作為反映緩沖區(qū)活力的主體，提取了軌道站點(diǎn)的全天客流登降量和早晚高峰系數(shù)進(jìn)出比等特征指標(biāo)，側(cè)面反映站點(diǎn)在早晚高峰期間的進(jìn)出比，早高峰大于晚高峰的說(shuō)明該站點(diǎn)偏向于居住主導(dǎo)，晚高峰大于早高峰的說(shuō)明該站點(diǎn)偏向于工作主導(dǎo)。

圖3　軌道站點(diǎn)共享單車(chē)接駁占比

1.1.3地面公交站點(diǎn)客流

在站點(diǎn)緩沖區(qū)內(nèi)，地面公交的接駁是不容忽視的。統(tǒng)計(jì)緩沖區(qū)內(nèi)公交站點(diǎn)全天登降量來(lái)反映地面公交出行活力。另外，經(jīng)過(guò)公交站點(diǎn)的線(xiàn)路數(shù)量反映了緩沖區(qū)內(nèi)公交的可達(dá)性，因此將軌道站點(diǎn)緩沖區(qū)內(nèi)所有站點(diǎn)的線(xiàn)路數(shù)累加作為路網(wǎng)指標(biāo)之一。

1.2　路網(wǎng)指標(biāo)

1.2.1站點(diǎn)密度

站點(diǎn)密度指標(biāo)包含軌道站點(diǎn)的密度和公交站點(diǎn)的密度，均用站點(diǎn)鄰近距離值來(lái)表達(dá)。其中軌道站點(diǎn)的密度指標(biāo)是通過(guò)與相鄰最近的4個(gè)軌道站點(diǎn)之間的平均距離得到的，距離越大說(shuō)明軌道站點(diǎn)密度越小，距離越小說(shuō)明軌道站點(diǎn)密度越大。公交站點(diǎn)的密度指標(biāo)用緩沖區(qū)內(nèi)所有公交站點(diǎn)距軌道站點(diǎn)的距離平均值表示，描述了在站點(diǎn)500 m緩沖區(qū)范圍內(nèi)公交接駁的難易程度，距離平均值越大，公交接駁難度越大。

1.2.2路況等級(jí)

基于劃定的軌道站點(diǎn)緩沖區(qū)，圈定所包含的道路路段，利用python編程從百度地圖爬取工作日早高峰路段的交通擁堵情況。地圖路況等級(jí)分為暢通、緩行、輕微擁堵、擁堵、嚴(yán)重?fù)矶碌?種，分別將其賦值為1、2、3、4、5，計(jì)算可得緩沖區(qū)范圍內(nèi)的路段路況平均值。路況等級(jí)指標(biāo)越大，說(shuō)明該緩沖區(qū)處于交通要道。另一方面，道路的擁堵刺激大眾在軌道站點(diǎn)緩沖區(qū)范圍內(nèi)更積極地選擇慢行交通。

1.2.3路網(wǎng)中心度

在復(fù)雜網(wǎng)絡(luò)分析中刻畫(huà)節(jié)點(diǎn)中心性的常用指標(biāo)有3個(gè)，分別為度中心度、鄰近中心度和介數(shù)中心度。

度中心度用于測(cè)量網(wǎng)絡(luò)中一個(gè)節(jié)點(diǎn)與其他所有節(jié)點(diǎn)相聯(lián)系程度，即

式中：k為與節(jié)點(diǎn)直接相連的站點(diǎn)數(shù)，為所有站點(diǎn)數(shù)。

鄰近中心度刻畫(huà)了網(wǎng)絡(luò)中節(jié)點(diǎn)到其他節(jié)點(diǎn)的距離平均值，這里的距離按兩節(jié)點(diǎn)之間連桿的數(shù)量計(jì)算。即

式中：d為兩點(diǎn)之間的連桿數(shù)量，C為鄰近中心度。

介數(shù)中心度描述的是在網(wǎng)絡(luò)中其他起訖點(diǎn)對(duì)的最短路徑通過(guò)該節(jié)點(diǎn)的數(shù)量，即

圖4示出了公交線(xiàn)網(wǎng)節(jié)點(diǎn)的3個(gè)中心度分布，度中心度顯示北京西站、大北窯南站、六里橋東站、四惠樞紐站等站點(diǎn)的度值較大；鄰近中心度則顯示出了明顯的強(qiáng)中心性；介數(shù)中心度表明了公交站點(diǎn)的通達(dá)性，其中亮馬橋、大北窯南、和平東橋和北京西站處于通達(dá)性強(qiáng)的位置。提取站點(diǎn)500 m緩沖區(qū)內(nèi)的所有公交站點(diǎn)度值的平均值作為站點(diǎn)的指標(biāo)之一。同理可獲得地鐵線(xiàn)網(wǎng)的節(jié)點(diǎn)中心度指標(biāo)。

1.3　人口指標(biāo)

人口是交通行為產(chǎn)生的根本，本文基于手機(jī)信令數(shù)據(jù)獲得北京市交通小區(qū)的職住人口，再根據(jù)每個(gè)交通小區(qū)的面積得到職住密度，按軌道站點(diǎn)所在區(qū)域的小區(qū)職住密度作為站點(diǎn)緩沖區(qū)的職住密度。由于站點(diǎn)緩沖區(qū)存在與多個(gè)交通小區(qū)重疊的現(xiàn)象，在描述職住問(wèn)題時(shí)是片面的。而軌道站點(diǎn)客流和共享單車(chē)的接駁客流反映的是圍繞軌道站點(diǎn)一定范圍的出行情況，可以直接反映軌道站點(diǎn)影響區(qū)內(nèi)的職住情況。因此，本研究使用軌道站點(diǎn)早晚高峰系數(shù)進(jìn)出比和共享單車(chē)接駁早晚高峰系數(shù)進(jìn)出比輔助該指標(biāo)反映站點(diǎn)周邊的職住情況。圖5示出了站點(diǎn)所屬交通小區(qū)的職住密度，居住人口密度高的站點(diǎn)分布散而廣，工作人口密度高的站點(diǎn)分布集中在中關(guān)村和國(guó)貿(mào)片區(qū)。

1.4　用地多樣性

功能混合程度又稱(chēng)功能多樣性，它與地鐵站流域的活力有關(guān)，反映的是區(qū)域內(nèi)的用地多樣性。龍瀛等［21］提出利用信息熵計(jì)算功能混合度，見(jiàn)式（5）。本文利用爬蟲(chóng)技術(shù)獲得北京市的POI數(shù)據(jù)，包含10種功能類(lèi)別：餐飲、風(fēng)景名勝、公司企業(yè)、購(gòu)物、科教文化服務(wù)、商業(yè)住宅、生活服務(wù)、體育休閑服務(wù)、醫(yī)療保健服務(wù)、政府機(jī)構(gòu)與社會(huì)等。圖6顯示，站點(diǎn)緩沖區(qū)內(nèi)功能混合度在1.7以上的占比77%，說(shuō)明圍繞軌道站點(diǎn)開(kāi)發(fā)的功能性POI比較豐富。

圖4　公交線(xiàn)網(wǎng)節(jié)點(diǎn)度

式中：M為POI功能混合度；n表示功能類(lèi)別，i∈（1，2，…，n）；Pi表示緩沖區(qū)內(nèi)第i種類(lèi)型所占的比例。

圖6　站點(diǎn)緩沖區(qū)功能混合度?

2　分析方法

2.1　指標(biāo)預(yù)處理

2.1.1指標(biāo)描述

從客流、路網(wǎng)、人口和用地多樣性方面共提取23個(gè)指標(biāo)。其中客流指標(biāo)10個(gè)，路網(wǎng)指標(biāo)10個(gè)，人口指標(biāo)2個(gè)，用地多樣性指標(biāo)1個(gè)。表1示出了所有指標(biāo)的描述性參數(shù)。

表1　指標(biāo)描述性參數(shù)

2.1.2數(shù)據(jù)標(biāo)準(zhǔn)化

2.1.3主成分分析

在樣本較少的數(shù)據(jù)集上，如果特征維度過(guò)高則會(huì)導(dǎo)致樣本在空間上分布稀疏，很容易造成模型過(guò)擬合。需通過(guò)降維來(lái)改變分布狀態(tài)，本研究采用主成分分析來(lái)解決這一問(wèn)題［22］。

主成分分析是將原來(lái)眾多具有一定相關(guān)性的指標(biāo)，重新組合成一組新的互不相關(guān)的綜合指標(biāo)來(lái)代替原來(lái)指標(biāo)，用較少的主成分得到較多的信息量。即將個(gè)原始指標(biāo)向量1，2，…，X做線(xiàn)性組合，得到綜合指標(biāo)向量：

一般情況認(rèn)為，主成分貢獻(xiàn)率越大越能代表原始數(shù)據(jù)特征。最終筆者選擇累計(jì)貢獻(xiàn)率大于85%的主成分，即前9個(gè)主成分，其累計(jì)貢獻(xiàn)率為85.59%，見(jiàn)表2。

表2　主成分解釋表

2.2　K-均值聚類(lèi)

近幾年人工智能受到了越來(lái)越多的研究者的青睞［23-24］，原因是人工智能算法可以高效地學(xué)習(xí)數(shù)據(jù)分布規(guī)律，得到更符合實(shí)際的結(jié)論。但是大部分?jǐn)?shù)據(jù)是無(wú)標(biāo)注化的，相對(duì)于有監(jiān)督學(xué)習(xí)，不需要標(biāo)注的無(wú)監(jiān)督學(xué)習(xí)蘊(yùn)含了巨大的潛力。本研究選取-均值聚類(lèi)算法對(duì)上節(jié)主成分提取矩陣進(jìn)行聚類(lèi)。

關(guān)于值的選擇，用手肘法確定，其核心指標(biāo)是誤差平方和（SSE）。如圖7所示，SSE曲線(xiàn)的肘部對(duì)應(yīng)的=4，故對(duì)于這個(gè)數(shù)據(jù)集的聚類(lèi)而言，最佳聚類(lèi)數(shù)應(yīng)該選4。圖8示出了234個(gè)站點(diǎn)聚類(lèi)后各個(gè)類(lèi)的每個(gè)指標(biāo)的平均值。按照客流、路網(wǎng)、人口和用地多樣性特征將站點(diǎn)分為4類(lèi)，即接駁低效-連通度弱-居住主導(dǎo)型、接駁高效-連通度高-均衡型、接駁高效-連通度弱-混合型、接駁高效-連通度高-工作主導(dǎo)型。將其分別命名為簇1-4，現(xiàn)分述如下。

簇1：接駁低效-連通度弱-居住主導(dǎo)型，共有66個(gè)站點(diǎn)。該類(lèi)站點(diǎn)的平均85%分位單車(chē)接駁距離最大，為1.9 km；平均接駁時(shí)間長(zhǎng)，單車(chē)接駁量小，地鐵和公交路網(wǎng)的連通性弱，且軌道站點(diǎn)流量和單車(chē)接駁流量的早高峰系數(shù)進(jìn)出比均大于晚高峰系數(shù)進(jìn)出比。代表性站點(diǎn)有：長(zhǎng)陽(yáng)、良鄉(xiāng)、孫河、棗園、草房、回龍觀(guān)、西紅門(mén)、舊宮。

圖7　誤差平方和趨勢(shì)

圖8　聚類(lèi)結(jié)果

簇2：接駁高效-連通度高-均衡型，共有57個(gè)站點(diǎn)。該類(lèi)站點(diǎn)的功能混合度高，工作人口密度和居住人口密度大，接駁時(shí)間和接駁距離小。單車(chē)接駁早晚高峰系數(shù)進(jìn)出比均衡，同時(shí)站點(diǎn)緩沖區(qū)內(nèi)的平均路況值為輕微擁堵，說(shuō)明該類(lèi)型站點(diǎn)活力較大。代表型站點(diǎn)有：中關(guān)村、四惠、五道口、潘家園、陶然亭、五棵松、勁松。

簇3：接駁高效-連通度弱-混合型，共有71個(gè)站點(diǎn)。該類(lèi)站點(diǎn)緩沖區(qū)內(nèi)功能混合度高，地鐵路網(wǎng)和公交路網(wǎng)連通性較小，公共出行量處于中等水平，屬于混合型站點(diǎn)。且單車(chē)接駁時(shí)間短，85%分位接駁距離小，屬于接駁高效型站點(diǎn)。該類(lèi)型站點(diǎn)特征規(guī)律不一致，含有噪聲較多。代表性站點(diǎn)有：燈市口、草橋、虎坊橋、什剎海、新街口、百子灣、泥洼。

簇4：接駁高效-連通度高-工作主導(dǎo)型，共有40個(gè)站點(diǎn)。該類(lèi)站點(diǎn)緩沖區(qū)內(nèi)地鐵和公交路網(wǎng)連通性高，軌道站點(diǎn)鄰近距離小，公交站點(diǎn)距地鐵站點(diǎn)近，是接駁高效型站點(diǎn)。加之軌道站點(diǎn)客流晚高峰系數(shù)進(jìn)出比大于早高峰系數(shù)進(jìn)出比，單車(chē)接駁晚高峰系數(shù)進(jìn)出比大于早高峰系數(shù)進(jìn)出比，將該類(lèi)型站點(diǎn)定義為工作型。代表性站點(diǎn)有：復(fù)興門(mén)、六里橋、朝陽(yáng)門(mén)、菜市口、大望路、望京西、國(guó)貿(mào)。

圖9為每簇站點(diǎn)的位置分布圖。簇1和簇2主要分布在四環(huán)以?xún)?nèi)。

2.3　分析結(jié)果

空間自相關(guān)是研究分布在不同空間位置的地理事物某一屬性值之間統(tǒng)計(jì)相關(guān)性的方法。根據(jù)Tobler 地理學(xué)第一定律，空間距離越近的事物其屬性之間相關(guān)性越大，空間自相關(guān)性（又稱(chēng)空間依賴(lài)性）越強(qiáng)［25］。全局莫蘭指數(shù) Moran’s I 是最早應(yīng)用于檢驗(yàn)空間關(guān)聯(lián)性和集聚問(wèn)題的探索性空間分析指標(biāo)，它能夠反映整個(gè)研究區(qū)域內(nèi)，各個(gè)地域單元與鄰近地域單元之間的依賴(lài)性［26］，見(jiàn)式（8）。

其中，β是研究區(qū)域內(nèi)的樣本總數(shù)，ωij是空間權(quán)重矩陣的元素值，xi是單元i的變量值，xj是單元j的變量值，yi是單元i的y變量值，yi是單元j的y變量值，是變量x的均值，是變量y的均值。Moran’s I指數(shù)取值范圍為［-1，1］，小于0表示負(fù)相關(guān)，大于0表示正相關(guān)，等于0表示不相關(guān)。通常采用標(biāo)準(zhǔn)化統(tǒng)計(jì)量Z值對(duì)研究對(duì)象空間自相關(guān)進(jìn)行顯著性校驗(yàn)，Z>2.58或<-2.58則認(rèn)為該屬性具有空間自相關(guān)性，圖10為空間相關(guān)性參數(shù)分布圖。

圖10　空間相關(guān)性分布

本研究基于軌道站點(diǎn)共享單車(chē)接駁的85%分位距離指標(biāo)，采用空間自相關(guān)理論揭示4種類(lèi)型的軌道站點(diǎn)在空間上的依賴(lài)性，檢驗(yàn)聚類(lèi)結(jié)果的合理性。如表3所示，簇2的85%分位距離具有顯著的空間相關(guān)性，隨機(jī)分布的可能性小于1%。說(shuō)明均衡型站點(diǎn)在空間上具有一定的聚集性。簇1、簇3和簇4的空間分布與隨機(jī)模式?jīng)]有顯著的差異，說(shuō)明聚類(lèi)方法可有效地將居住型、工作型和混合型3類(lèi)站點(diǎn)的空間相關(guān)性剝離掉，同時(shí)驗(yàn)證了聚類(lèi)方法的合理性。

基于-均值聚類(lèi)結(jié)果，得到了考慮接駁特征、路網(wǎng)特征、職住特征和區(qū)位特征等指標(biāo)的站點(diǎn)緩沖區(qū)分類(lèi)。參考每個(gè)類(lèi)別的軌道站點(diǎn)接駁共享單車(chē)的出行距離定義其慢行影響區(qū)范圍，表4明確了不同類(lèi)型軌道站點(diǎn)的慢行影響區(qū)。相比于基于步行的500 m和800 m劃定方法，該結(jié)果可以更好地為軌道站點(diǎn)微中心的規(guī)劃范圍提供支撐。

表3　空間自相關(guān)參數(shù)表1）

1）***表示空間相關(guān)性顯著。

表4　軌道站點(diǎn)的慢行影響區(qū)劃定

3　結(jié)論

（1）共享單車(chē)的使用在早晚高峰期間的峰值明顯，表明共享單車(chē)主要服務(wù)于通勤人員。從客流、路網(wǎng)、人口和用地多樣性等方面提取的23個(gè)指標(biāo)，有效描述了軌道站點(diǎn)緩沖區(qū)內(nèi)的公共出行客流、公交和軌道線(xiàn)網(wǎng)設(shè)計(jì)、職住密度與用地多樣性等特征。

（2）基于-均值聚類(lèi)方法，將站點(diǎn)分為4類(lèi)，第1類(lèi)為接駁低效-連通度弱-居住主導(dǎo)型，第2類(lèi)為接駁高效-連通度高-均衡型，第3類(lèi)為接駁高效-連通度弱-混合型，第4類(lèi)為接駁高效-連通度高-工作主導(dǎo)型?；诳臻g自相關(guān)的聚類(lèi)檢驗(yàn)顯示，簇1、3、4的空間分布與隨機(jī)模式?jīng)]有顯著的差異，說(shuō)明聚類(lèi)效果較好。而簇2接駁高效-連通度高-均衡型站點(diǎn)在空間上存在一定的自相關(guān)特性，這與實(shí)際基本相符。

（3）基于-均值聚類(lèi)結(jié)果劃定軌道站點(diǎn)的慢行影響范圍，分別為2 000、1 600、1 600、1 700 m。該范圍彌補(bǔ)了以往以步行時(shí)間劃定慢行范圍的不足，明確了共享單車(chē)對(duì)各類(lèi)型軌道站點(diǎn)的影響，可為城市規(guī)劃管理者科學(xué)規(guī)劃軌道站點(diǎn)微中心提供有力支撐。

［1］ REUSSER ?D ?E，?LOUKOPOULOS ?P，??STAUFFACHER M et al. Classifying railway stations for sustainable transitions-balancing node and place functions［J］．Journal of Transport Geography，2008，16（3）：191-202.

［2］ ZEMP S，STAUFFACHER M，LANG D J，et al．Classifying railway stations for strategic transport and land use planning：context matters?。跩］．Journal of Transport Geography，2011，19（4）：670-679.

［3］ VALE D S．Transit-oriented development，integration of land use and transport，and pedestrian accessibility：Combining node-place model with pedestrian shed ratio to evaluate and classify station areas in Lisbon［J］．Journal of Transport Geography，2015，45：70-80.

［4］ ATKINSON-PALOMBO C，KUBY M J. The geography of advance transit-oriented development in metropolitan Phoenix，Arizona，2000-2007［J］．Journal of Transport Geography，2011，19（2）：189-199.

［5］ ? ?AUSTIN ?M，?BELZER ?D，??BENEDICT ?A，?et ?al. ? ?Performance-based transit-oriented development typology guidebook［J］．Guidelines，2010，9：1-5.

［6］ MA X，JI Y，YANG M，et al. Understanding bikeshare mode as a feeder to metro by isolating metro-bikeshare transfers from smart card data［J］．Transport Policy，2018，71：57-69.

［7］ LEE J，CHOI K，LEEM Y. Bicycle-based transit-oriented development as an alternative to overcome the criticisms of the conventional transit-oriented development［J］．International Journal of Sustainable Transportation，2015，10（6）：975-984.

［8］ LUAN X，CHENG L，SONG Y，et al. Better understanding the choice of travel mode by urban residents：new insights from the catchment areas of rail transit stations［J］．Sustainable Cities and Society，2020， 53： 1-36.

［9］ O'CONNOR D，CAULFIELD B. Level of service and the transit neighbourhood-observations from Dublin City and suburbs［J］．Research in Transportation Economics，2018，69（9）：59-67.

［10］ NEFF J. American public transportation association［J］．Public ?Transit：?Critical ?Investments，?Real ?Benefits，2010，4（8）：206-207.

［11］ RIETVELD P. The accessibility of railway stations：the role of the bicycle in The Netherlands［J］．Transportation Research Part D Transport and Environment， 2000，5（1）：71-75.

［12］ LU M，HSU S C，CHEN P C，et al. Improving the sustainability of integrated transportation system with bike-sharing：a spatial agent-based approach［J］．Sustainable Cities and Society，2018，41：44-51.

［13］ GUO Y，HE S Y. Built environment effects on the integration of dockless bike-sharing and the metro［J］. Transportation Research Part D，2020，83：102335/1-15.

［14］ LIN D，ZHANG Y，ZHU R，et al. The analysis of catchment areas of metro stations using trajectory data generated by dockless shared bikes［J］．Sustainable Cities and Society，2019，49：1-36.

［15］ TAMAKLOE R，HONG J，TAK J. Determinants of transit-oriented development efficiency focusing on an integrated subway，bus and shared-bicycle system：application of Simar-Wilson's two-stage approach［J］．Cities，2021，108：102988/1-19.

［16］ ZHOU S，NI Y ZHANG X．Effects of dockless bike on modal shift in metro commuting： a pilot study in Shanghai［C］ ∥ Proceedings of Transportation research board 97th annual meeting．Washington DC：Transportation Research Board，2018.

［17］ CHEN Y，YAO M，CAI Z. Research on the classification of urban rail transit stations-taking shanghai metro as an example［C］ ∥ Proceedings of 2018 15th International Conference on Service Systems and Service Management （ICSSSM）. Hangzhou：IEEE，2018.

［18］ YANG L，SONG X．TOD Typology based on urban renewal：a classification of metro stations for Ningbo city ［J］．Urban Rail Transit，2021，7（3）：240-255.

［19］ EL-GENEIDY A，GRIMSRUD M，WASFI R，et al. New evidence on walking distances to transit stops：identifying redundancies and gaps using variable service areas［J］．Transportation，2014，41（1）：193-210.

［20］ WANG Z J，CHEN F，XU T K. Interchange between metro and other modes：access distance and catchment area［J］．Journal of Urban Planning & Development，2016，142（4）：04016012 /1-9.

［21］ 龍瀛，周垠?. 街道活力的量化評(píng)價(jià)及影響因素分析——以成都為例［J］．新建筑，2016（1）：1-6.

LONG Ying，ZHOU Yin．Quantitative evaluation on street vibrancy and its impact factors：a case study of Chengdu［J］．New Architecture，2016（1）：1-6.

［22］ BADAKHSHAN ?FARAHABADi ?F，?FATHI VAJARGAH K，F(xiàn)ARNOOSH R．Dimension reduction big data using recognition of data features based on copula function and principal component analysis［J］．Advances in Mathematical Physics，2021，2021：9967368/ 1-8.

［23］ BAGIROV A M. Modified global-means algorithm for minimum sum-of-squares clustering problems［J］．Pattern Recognition，2008，41（10）：3192-3199.

［24］ LI M. The bi-criteria seeding algorithms for two variants of-means problem［J］．Journal of Combinatorial Optimization，2020：10.1007/s10878-020-00537-9 .

［25］ LIU H，F(xiàn)ANG C，ZHANG X，et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities：a spatial econometrics approach［J］．Journal of Cleaner Production，2017，165：323-333.

［26］ 李娜. 基于空間計(jì)量模型的跨區(qū)公交通勤與土地利用研究［D］．北京：北京工業(yè)大學(xué)，2018.

Methods of Determining the Range of Non-motorized Travel Influence Area Under the Concept of “Metro Transit Micro-center”

CHEN Tingzhao1CHEN Yanyan1WANG Zili2GUO Jifu3

（1. College of Metropolitan Transportation， Beijing University of Technology， Beijing 100124， China；2. Jinan Road， Bridge and Tunnel Service Center， Jinan 250101， Shandong， China；3. Beijing Transport Institute， Beijing 100161， China）

In response to the concept of land-use integration and creating micro-center around metro station in Beijing, this study extracted 23 quantitative indicators from public passenger flow, road network design, population density and land diversity to quantitatively analyze the built environment and travel characteristics of the non-motorized influence area based on multi-source big data. The connection characteristics of shared bicycles were taken into particular consideration. In order to compensate for the shortcomings of determining the influence range of metro stations by the traveler’s walking time, a classification model incorporating principal component analysis and-means clustering was proposed to define the non-motorized influence area. Taking Beijing as an example, the study divided the metro stations into 4 clusters: inefficient connection-weak connectivity-residence oriented, efficient connection-high connectivity-balanced, efficient connection-weak connectivity-mixed, and efficient connection-high connectivity-work oriented. In order to verify the rationality of the clustering, the spatial auto-correlation was used to judge the spatial dependence of indicators. The results show that the spatial distributions of clusters 1, 3 and 4 do not differ significantly from the random model, while cluster 2 efficient connection-high connectivity-balanced stations has auto-correlation characteristics in space. Finally, based on the clustering results, the non-motorized influence areas of the metro stations were delineated as 2 000, 1 600, 1 600, and 1 700 m, respectively. The clarification of the non-motorized influence range of different metro station types can help urban planners determine the scope of micro-center construction and also lay the foundation for transport-oriented development of urban in the future.

metro micro-center；influence factor；principal component analysis；-means clustering；non-motorized travel influence area

Supported by the National Key Research and Development Program of China （2018YFB1600900）

U491.1+21；TU984.191

1000-565X（2022）07-0056-10

10.12141/j.issn.1000-565X.210651

2021-10-12

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFB1600900）

陳廷照（1993-），女，博士生，主要從事交通出行行為、大數(shù)據(jù)挖掘研究。E-mail： ctzlzhao@163.com

陳艷艷（1970-），女，教授，博士生導(dǎo)師，主要從事交通運(yùn)輸規(guī)劃與管理及大數(shù)據(jù)挖掘研究。E-mail：cdyan@bjut.edu.cn