城市軌道交通站點周邊建成環境對地鐵客流量的影響研究

黃建欣 龔蔚霞 張金林 湯詠詩 吳巍

摘要：傳統線性模型無法顯示指標的非線性結果，難以體現各指標的相對重要性和影響閾值。利用深圳軌道交通刷卡數據，構建梯度提升決策樹（GBDT）模型，探索建成環境對不同時間段客流量的非線性關系，以期為城市尤其是超大特大城市的交通規劃、站點開發、站點周邊建成環境優化提供參考。結果表明：不同建成環境對不同時間段客流量的相對重要性不一致，建筑容積率、居住用地比例、商業商務用地比例、距CBD距離對站點客流量均有相對較高且穩健的影響；建成環境與客流量存在明顯的非線性關系和閾值；當土地利用混合度在0.60以上和距CBD距離超過17 km時，全天客流量呈現明顯的下降趨勢；建成環境對不同時間段客流量的影響機制不完全相同；城中村對地鐵客流量的促進效果十分顯著。

關鍵詞：城市軌道交通；建成環境；客流量；梯度提升決策樹；非線性影響

文章編號 1673-8985（2023）06-0047-08 中圖分類號 TU984 文獻標志碼 A

DOI 10.11982/j.supr.20230606

0 引言

在全球氣候持續變暖、城市化不斷推進和機動車快速發展的背景下，環境和交通矛盾日益凸顯，選擇公共交通出行逐漸成為控制交通碳排放、緩解交通擁堵和實現低碳出行的關鍵因素之一[1]。城市軌道交通是公共交通網絡的骨架，其客流量已廣泛應用于分析綠色出行成效、站點選址合理性以及測度站點與周邊城市空間的匹配度等方面，但現有研究主要觀察全天地鐵客流量（以下簡稱“客流量”）的特征，忽略了不同時間段客流量的變化機制。

建成環境通過影響城市功能分區、人口密度、居民出行行為等方面進而影響軌道交通站點客流量。Cervero等[2]提出密度（density）、多樣性（diversity）和設計（design）3個研究維度，Ewing等[3]在此基礎上補充公共交通可達性（distance to transit）和到目的地距離（destination accessibility），“5D”指標體系已廣泛應用于建成環境指標測度研究[4]。密度是反映居民活動強度的重要指標，站點合理步行范圍內開發強度和人口密度越高，使用公共交通出行的需求越大[5]；多樣性反映站點周邊區域不同類型用地均勻度情況，土地利用通過影響城市空間布局、就業崗位分布和站點周邊用地類型等因素從而影響地鐵周邊居民出行方式的選擇，土地利用混合度是影響客流量的根本原因之一[6]。道路交通設計和公共交通可達性反映居民到達軌道交通站點的便捷度、舒適度和安全性，對居民地鐵出行具有顯著的積極作用；路網密度與道路交叉口密度反映街道連通性的高低，數值越高表示可達性水平越高，意味著居民可以更便利地獲取公共交通服務。目的地距離會影響居民選擇出行方式的意愿，有研究指出站點到城市中心區的距離對客流量有一定的消極作用[7]。居住要素方面，主要以居住建筑面積和居住用地面積為量化指標，少有直接將城中村建筑面積納為模型變量。2018年深圳城中村私宅總建筑面積僅占全市住房面積的34%，卻提供45%以上的城市住房套數[8]，深圳城中村高密度的人口為城市軌道交通提供主要客源。另外，城中村聚集了城市大量的中低收入群體，該群體對城市軌道交通出行的需求和依賴性較高，因此城中村對探究客流量影響機制具有較大的意義。

在有關建成環境與出行方式的已有研究中，多采用多元回歸模型[9]、地理加權回歸模型（GWR）[10]、聚類分析模型[11]等數理模型來分析不同指標與客流量的線性關系。線性回歸模型預先假設兩者存在線性關系，可能掩蓋建成環境存在的非線性關系和閾值影響結果[12]。而通過機器學習算法運行梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）模型，研究建成環境與客流量間的非線性關系，有利于掌握不同自變量的影響系數、重要性排序和閾值效應。崔敘等[13]71分析建成環境、經濟屬性、站域設施數量3大因素與客流量、出行時間的非線性關系，明確指出容積率對客流量的高敏感值（容積率為1.5時）和高穩定值（容積率≥3.2）；周揚等[14]研究站點周邊區域建成環境對居民活動影響的非線性關系，提出建成環境的適宜建設的指標控制和協同優化建議； Ding等[15]認為當土地利用混合度在0.5—0.6區間時，對客流量有明顯的促進作用?？梢?，構建非線性模型分析各建成環境要素對客流量的影響機制，能更具體判斷各指標的重要性和閾值效應，提出更有效的站點空間指標控制與優化建議。

基于以上論述，本文使用深圳市2017年10月的城市軌道交通刷卡數據，提取不同時間段客流量，獲取建筑、用地、交通、POI（Point of Interest）等多源數據，基于梯度提升決策樹（GBDT）機器學習算法，從開發強度、土地利用、交通道路設計、公交可達性和距CBD距離等5個方面，研究站點周邊區域內各建成環境要素對全天、早高峰、非高峰、晚高峰和夜間5個時間段客流量的非線性關系，以期優化軌道交通站點周邊已有建成環境，緩解城市交通擁堵矛盾，促進綠色低碳出行，并為軌道交通站點規劃選址與建設提供案例支撐。

1 數據與方法

1.1 研究區域

本文以深圳市軌道交通站點周邊建成環境為研究對象（見圖1）。截至2017年10月，深圳市共開通運營8條地鐵線路共166個站點（換乘站不重復計算），其中福鄰站和機場北站尚未正式對外運營，故最終將165個站點納為研究對象。地鐵線路主要經過城市主中心、副中心和主要的生活區與商業區，站點周邊區域建成環境相對成熟完善，對加強研究成果準確性具有實際意義。深圳城市中心主要位于福田區、羅湖區和南山區3個行政區，后續測度“距CBD距離”指標將取地鐵站點到這3個行政區的平均直線距離。參考已有研究，本文將城市軌道交通站點周邊半徑800 m的區域定義為研究范圍[16]。

1.2 數據來源與處理

（1）城市軌道交通站點客流量

本文選取2017年10月16日至10月20日連續1周工作日深圳市165個站點的地鐵刷卡數據，剔除部分無效數據，根據用卡信息提取出行的OD（Origin-Destination）數據。取5 d全天客流量平均值得到日均客流量，獲得日均OD數據約184萬條；以1 h為間隔計算不同時間段的5 d平均客流量，結合客流量大小將全天劃分為早高峰時段（7：00—9：00）、非高峰時段（11：00—13：00）、晚高峰時段（17：00—19：00）和夜間時段（21：00—23：00）。

（2）軌道交通站點周邊建成環境指標

本文按照建成環境的“5D”指標體系，將自變量分為密度、多樣性、道路交通設計、公共交通可達性、到目的地距離5個層面（見表1）。密度主要研究開發強度和城中村建設對客流量的影響；多樣性探究土地利用情況的影響機制，其中公共服務用地包含綜合服務區和綠地休閑區，主要分析除居住、就業和交通出行外的公共服務功能對客流量的影響；道路交通設計分析步行系統和出行便捷度對客流量的影響，合理高效的交叉口設計保證了居民步行至軌道交通站點的便捷性；到目的地距離主要是測量站點到南山區、福田區和羅湖區3個城市中心區的直線平均距離。

1.3 研究方法

針對城市軌道交通站點800 m范圍內建成環境要素對不同時間段客流量的影響機制，本文運用梯度提升決策樹模型分析建成環境與客流量的相關性和非線性關系。GBDT模型是由Friedman等[18]于2001年提出的一種經典機器學習迭代算法，最初主要用于計算機領域，近年來逐步應用于交通工程[19]、城市規劃[20]、經濟地理[13]61等研究領域。

相比于傳統的線性回歸模型，GBDT模型在研究自變量對因變量影響機制上具有較多的優勢：（1）GBDT模型不假設自變量和因變量之間具有線性關系，能有效解決自變量的多重共線性問題；（2）模型數據擬合度較好，能預測每個自變量與因變量的非線性關系并計算出相對重要度，生成偏依賴圖（Partial Dependence Plot，PDP），為分析單個自變量對因變量的影響機制提供支撐；（3）模型能在訓練過程中通過加強機器學習不斷調整預測值與權重賦值，且能靈活處理異常值和缺失值，從而提供預測結果的準確性。

GBDT模型以當前預測值為基準，在不斷訓練過程中使用決策樹模型產生不同層級的弱分類器，新分類器在上一輪分類器的殘差基礎上再次擬合損失函數并計算新預測值的新殘差，迭代形成多棵決策樹，最終達到將數據分類或回歸的效果，其關鍵是利用損失函數的負梯度作為提升決策樹算法中殘差的近似值。具體算法步驟如下。

初始化弱學習器，計算最小化損失函數的常數值：

將公式（2）的損失函數得到的殘差值δni作為樣本新計算值，并將數據（xi，δni）作為下一棵決策樹的訓練數據，再次得到一棵新的決策樹fn （x）。其對應的葉子節點區域為Vnj（j=1，2…，J），J為決策樹的葉子節點數量。

葉子區域j的最佳擬合值的計算公式：

每棵回歸樹都乘以“學習速率”v，目的是實現損失函數的最小化。

2 結果分析

2.1 站點周邊地區建成環境指標的相對重要性

表2顯示了建成環境各變量在預測不同時間段客流量的相關重要性?？偟膩碚f，建筑容積率、居住用地比例、商業商務用地比例、距CBD距離在不同時間段的相對重要性均較高，除了建筑容積率在夜間時段的重要性為8.61%外，這4個變量在5個時間段的重要性均大于10%?？梢?，無論在哪個時間段，這4個變量對站點客流量都有相對較高且穩健的影響，緊湊的高密度開發、大量的居住人口和就業崗位引發的必要性通勤流是客流量的關鍵。

（1）密度方面。建筑容積率的重要性十分顯著，站點周邊的開發強度是決定站點客流量的最重要因素。值得注意的是，建筑容積率對非高峰時段和夜間時段的重要性有所下滑。這兩個時段以非通勤客流量為主，出行目的較多元，客流量變化對居住密度和就業崗位的敏感度相較早晚高峰時段弱。城中村私宅建筑面積占比的相對重要性在8.12%—10.16%之間，居住在城中村的高密度人口為地鐵帶來大量的客流源。該群體主要依賴公共交通出行，對提高客流量有十分積極的作用。

（2）多樣性方面。土地利用混合度對全天客流量、早高峰時段和晚高峰時段的影響較低，均位于第10位；另外，土地利用混合度對非高峰時段（第6位）和夜間時段（第8位）的重要性有所上升。公共服務用地比例的相對重要性在8.06%—12.03%之間，對不同客流量的相對重要性差異較大；其對夜間客流量的影響性有較為明顯的增加。這可能與深圳居民下班后的社交活動、休閑娛樂活動較為豐富有關。

（3）道路交通設計和公共交通可達性方面。路網密度、道路交叉口數量和公交線路數量的相對重要性弱于其他指標，整體處于3.83%—9.72%區間，仍具有一定的影響作用，提高站點周邊步行可達性和公交與地鐵接駁便利度對客流量有一定的促進作用。

（4）到目的地距離方面。距CBD距離的相對重要性整體處于較高水平，對全天、早高峰時段和非高峰時段客流量的重要性排序均為第4位，對晚高峰時段和夜間時段則分別上升至第2位和第1位。早高峰交通擁堵和上班通勤時間緊迫的情況下，城市軌道交通仍是中遠距離通勤者的優選出行方式，而下班返程的時間緊迫性有所下降，居民返程的交通方式和時間段可選擇性增加，因而距CBD距離的影響度有所降低。

2.2 站點建成環境對不同時間段客流量的非線性影響分析

相比于影響系數不變的線性模型結果，由GBDT模型結果可知，建成環境與不同時間段客流量之間均存在明顯的非線性關系，大部分的影響結果存在有效的閾值范圍。

“建筑容積率”對5個時間段的客流量均呈現明顯的正相關關系（見圖2）。全天客流量整體呈現“凸”形特征，影響波動幅度較大，存在2個陡增、1個劇減的臨界值和3個平臺。當建筑容積率從0.90增長到1.01時，客流量激增2 740人次；建筑容積率在1.01—1.90區間變化浮動較??；當容積率由1.90升至2.00時客流量快速增長到全天高峰，與已有研究容積率2.00的閾值效果一致[21]；當建筑容積率由2.60上升至2.78時，客流量明顯下降。其他時段第一個激增區間與全天時段具有一致性（建筑容積率在1.00左右），建筑容積率對早高峰時間客流量的敏感性高于其他時段，晚高峰次之。這2個時段在容積率為1.40—1.44區間出現第二個激增段；容積率大于1.00之后，非高峰和夜間時段客流量平緩增加，影響效力逐漸減緩。值得注意的是，建筑容積率在2.30時對早高峰客流量的影響值達到峰值，隨后影響力逐漸下降；當容積率至2.75后，影響作用不再產生顯著的變化?？梢?，在一定范圍內，開發強度越高，該區域可容納的人口與就業崗位密度越大，更能誘發居民選擇公共交通出行，但當容積率超過一定的舒適度和安全感時，反而對公共交通出行存在消極作用，繼而使出行量減少[22]。

“城中村私宅建筑面積占比”對客流量有著明顯的正相關關系（見圖2）。在全天客流量中，城中村占比從20.0%升至21.5%時，客流量急速增加，作用效果十分明顯；當城中村占比超過44.0%時，全天客流量保持在高穩定位，但對全天客流量增加的作用不再顯著。對早高峰時段而言，當城中村占比從0到45.0%時，早高峰客流量逐步平穩增加；城中村占比從45.0%增長至57.0%，早高峰客流量快速增加，隨后客流量基本保持不變。城中村占比對非高峰時段、晚高峰時段和夜間時段客流量的影響閾值在20.0%左右，隨后增量維持在一個穩定的區間?？梢?，深圳城中村高居住密度的空間屬性和居住者選擇公共交通出行的社會屬性是提高客流量的重要因素，20.0%和45.0%是城中村占比的重要閾值。

“土地利用混合度”在0.45—0.60的區間，對全天客流量有高穩定性和高促進作用的影響（見圖3），當混合度在0.52左右的正向影響效果最為顯著。土地利用混合度在0.60以上，影響呈現負相關趨勢?！巴恋乩没旌隙取睂υ绺叻?、非高峰、晚高峰和夜間時段客流量同樣存在轉為負相關的閾值，但客流量整體波動幅度較全天客流量小，土地利用混合度與客流量雙高的站點主要位于城市中心區，如深大、桃園、羅湖等站點。對站點周邊區域規劃開發時，應注意控制各類型用地的數量和比例，避免站點周邊開發功能過于單一。

“居住用地比例”對不同時間段客流量的影響基本呈現正相關（見圖3），對早高峰時段的影響機制相較復雜。這進一步說明居住人口密度對客流量的正向促進作用。從全天客流量來看，居住用地占比在0—42%區間，該指標對客流量的影響作用較為緩慢，對客流量的增加效果較為微弱，除了占比為35%的特殊值外。當居住用地比例從42%上升至45%時，客流量暴增；當比例從52%上升到54%時，全天客流量快速增加，但整體增量少于42%；占比超過54%時，則不再產生顯著影響。同樣的，居住用地比例對其他時段客流量影響的閾值同為42%，隨后居住用地比例對非高峰、晚高峰和夜間時段的影響緩慢增加直至不再顯著，而早高峰時段出現明顯的“凹”，居住用地在47%—54%區間，對早高峰客流量的影響有所下滑。

“商業商務用地比例”對不同時間段客流量影響呈現逐級上升到平穩的“階梯”形態（見圖3）。商業商務用地比例對全天客流量的閾值為33%，在0增長至33%時，全天客流量逐步緩慢上升（增加1萬多人次）；當比例約為33%時，全天客流量急速增長（增加6 000多人次），隨后影響不再顯著。這意味著邊際效應隨著自變量數值的增加而逐漸降低，最后處于高穩定的狀態。早高峰、非高峰、晚高峰和夜間客流量高穩定值對應的商業服務用地比例閾值分別是31.5%、30%、37%和35.5%?？偟膩碚f，當商業商務用地占比在31.5%—37%區間，客流量影響最為顯著，且相對居住用地和公共服務用地占比，商業商務占比對不同時間段客流量增量作用更為顯著，可能因為商業商務用地能更好滿足居民日常通勤、消費、社交等不同層面的需求。

“公共服務用地比例”對不同時間段客流量的影響存在較大的差異（見圖3）。其對全天、非高峰和晚高峰客流量有明顯的非線性關系，但對早高峰和夜間客流量的非線性關系不顯著。這與居民早高峰以通勤客流為主，非通勤目的優先選擇錯峰出行和休閑娛樂活動主要集中在晚高峰前后等原因有關。公共服務用地比例對全天客流量的高敏感值在6%和20%，主要集中在行政辦公、教育和大型公共場所的地鐵站點。

與存在明顯正相關關系的非線性效果不同，“路網密度”對不同時間段客流量的非線性結果波動較大（見圖4）。路網密度超過9 km/km?，全天客流量激增3 000多人次，高于路網密度對成都市地鐵客流量的提升閾值（7.5 km/km?）[13]68；路網密度在13.0 km/km?左右時，全天客流量達到峰值。這說明路網密度高的區域一般街區尺度較小、步行可達性較高、與地鐵站的接駁換乘越便利高效，有利于提高地鐵站點客流量。

“道路交叉口數量”對不同時間段客流量都有顯著的積極影響（見圖4）。在全天客流量中，道路交叉口小于2 425個時，對客流量幾乎沒有影響；但當提升到3 400個時，客流量提升1 000多人次；當道路交叉口數量超過3 800個時，對客流量的影響不再顯著。道路交叉口數量對早高峰的正向促進作用優于非高峰、晚高峰和夜間時段，其中夜間時段的敏感性最低。同樣的，“公交線路數量”對全天客流量呈明顯的正向影響，對其他時間段的非線性影響較弱，公交線路數量達170條時，全天客流量增量達到最高值，公共交通線路與地鐵存在既互補又競爭的關系，應合理評估站點周邊公交站點與公交線路的數量以及到軌道交通站點的換乘距離。

距CBD距離與不同時間段客流量呈先逐步增加后穩定再降的非線性關系（倒U型）（見圖4）。在全天客流量中，距CBD距離從0 km增加至12 km，客流量增加4 000多人次；在12.0—16.7 km區間，客流量顯著性較??；當距離超過17 km后，客流量下降明顯。由本文研究數據的進出站時間點可以計算得出，深圳地鐵平均出行時長約為33.6 min/次，與17 km閾值結果具有一致性。城市中心區完善的服務設施配套吸引大量居民移動至城市中心區獲取就業、教育、醫療等服務，但當通勤距離超過一定忍耐值時，地鐵對出行者的吸引效用有所下降。另外，距CBD距離對早高峰時段客流量的敏感度高于非高峰、晚高峰和夜間時段，說明大部分居民會因擔心早高峰交通擁堵影響工作通勤，從而優先選擇搭乘地鐵出行，另外3個時段選擇出租車、公交車等其他出行方式的可能性增加。

3 結論與結語

3.1 結論

本文利用深圳地鐵刷卡數據，構建梯度提升決策樹GBDT模型，研究建成環境要素對不同時段客流量的影響。建成環境與客流量不連續、非單調、存在閾值的非線性研究結果，能更好地幫助決策者和城市規劃師了解建筑環境特征對不同時間段客流量的影響機制。具體結論如下：

第一，各建成環境要素在不同程度上對客流量存在明顯的影響。整體而言，建筑容積率、居住用地比例、商業商務用地比例、距CBD距離的重要性最為突出。從全天客流量來看，建成環境對客流量的相對重要性從高到低依次是：建筑容積率、居住用地比例、商業商務用地比例、距CBD距離、公共服務用地比例、城中村私宅建筑面積占比、道路交叉口數量、公交線路數量、路網密度和土地利用混合度。對早高峰、非高峰、晚高峰和夜間時段，相對重要性排序會有所調整。這是由于不同時間段居民通勤、辦公、休閑娛樂、社交等活動目的有所不同，各變量對軌道交通的需求會有所變化。如土地利用混合度對早高峰客流量的重要性為4.43%（第10位），非高峰時段為9.45%（第6位）。這很可能是因為早晚高峰以工作通勤為主，選擇城市軌道交通的目的性較強；而非高峰時段和夜間時段以綜合服務和休閑娛樂為主，土地利用混合度越高，站點周邊功能越豐富，對居民吸引力更高。此研究結果能為完善站點周邊建成環境提供干預順序參考。

第二，建成環境與客流量存在明顯的非線性關系和閾值。非線性關系主要分為以下2種：一是部分指標增長到一定范圍后，對客流量的正相關影響達到高穩定值的平臺區間，如建筑容積率、城中村私宅建筑面積占比、路網密度、道路交叉口、公交線路數量等指標，說明并非無限提高該指標必然不斷提升客流量，當自變量增加到一定閾值后，不再對客流量產生顯著影響；如商業商務用地比例超過33%，其對客流量的影響作用保持不變。二是部分指標對客流量有一定正相關性，但到了一定閾值后影響效果轉為負相關，如土地利用混合度在0.60以上和距離CBD超過17 km等情況，全天客流量呈現明顯的下降趨勢。同時，提高站點周邊開發強度、完善步行系統、改善道路交叉口連通性、提升公交接駁效率和控制站點周邊住宅戶型面積與戶數等措施，能有效增加客流量。掌握建成環境對客流量的閾值效應和非線性關系，為確定各變量的優化范圍和地鐵網絡布局規劃提供更加準確的數據支撐。

第三，建成環境對不同時間段客流量的影響機制不完全相同。從相對重要性排序（見表2）和非線性影響（見圖2-圖4）結果來看，建成環境對全天、早高峰、非高峰、晚高峰和夜間客流量影響程度與非線性機制不同。這可以為城市軌道交通管理中出行需求優化和城市規劃中建設環境平衡提供參考，而不是簡單地只以每日總客流量作為唯一的研究對象。

第四，城中村對客流量具有十分顯著的促進作用。深圳城中村空間屬性和社會屬性與普通住宅存在明顯差異，其中20%和45%是城中村占比的重要閾值。對比本文已有數據，在城中村和普通住宅的用地面積接近的條件下，城中村對客流量的促進作用更優，城中村人均居住面積遠低于普通住宅，兩者的人口密度差距較大?，F階段控規層面較少考慮對站點周邊住宅戶型面積、居住戶數等“人本性”指標的控制[23]。以香蜜地鐵站為例，軌道交通站點周邊各居住小區的容積率均符合深圳法定圖則要求，但由于大部分小區以大戶型為主，因而該站點居住人口密度較低，且住戶以高收入群體為主，較少選擇公共交通出行，使得該地鐵站客流量較少。城市軌道交通規劃應優先考慮與保障性住房、地鐵上蓋居住設計等以小戶型為主的住區規劃相結合，城市規劃師應考慮在控制性詳細規劃中增加站點周邊區域的戶型面積與居住套數等控制指標。

3.2 結語

基于建成環境與不同時間段客流量的非線性關系，可以準確分析各變量對地鐵站點的影響機制，能為城市軌道交通規劃建設和客流量預測提供技術支撐，對促進公共交通出行有十分積極的作用。但本文尚未將人口數據、就業數據、票價等社會經濟屬性等指標納入，模型對客流量的解析度有待提升，未來可考慮廉租房、保障性住房等居住屬性對客流量的影響機制。技術方面通過多源數據獲得建成環境對客流量的非線性關系和閾值效應，分析不同變量對不同時間段的最佳閾值，但在機器學習中，每一個變量數值的變化會影響整個模型結果的改變，所以并非將變量調整至本文提及的最佳閾值必定會得到最高的客流量。未來應結合其他數理模型和實地調研等方面的研究，才能更加全面地反映客流量的影響機制，進而更好地制定軌道交通發展政策。