EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 7: 1246 - 1258

DOI: https://doi.org/10.12082/dqxxkx.2021.200687

地理空间分析综合应用

武汉市不同站域建成环境与轨道交通站点客流特征关系分析

  • 李清嘉 ,
  • 彭建东 ,
  • 杨红 , *
展开
  • 武汉大学城市设计学院,武汉 430072
* 杨 红（1993— ）,男,贵州盘州市人,博士生,主要研究方向城市交通与土地利用。E-mail:

李清嘉（1995— ）,女,河南驻马店人,硕士生,主要研究方向为国土空间规划。E-mail:

收稿日期: 2020-11-14

  要求修回日期: 2021-02-08

  网络出版日期: 2021-09-25

基金资助

国家自然科学基金项目(71871027)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Research on Relationship Analysis between Passenger Flow Characteristics of Rail Transit Stations and Built Environment of Different Station Areas in Wuhan

  • LI Qingjia ,
  • PENG Jiandong ,
  • YANG Hong , *
Expand
  • School of Urban Design Wuhan University, Wuhan 430072, China
* YANG Hong, E-mail：

Received date: 2020-11-14

  Request revised date: 2021-02-08

  Online published: 2021-09-25

Supported by

National Natural Science Foundation of China(71871027)

Copyright

Copyright reserved © 2021
Fold

摘要

中国已经成为全世界城市轨道交通建设里程最长、建设速度最快的国家,合理识别城市轨道站点类别与影响不同类别站点客流特征的建成环境因素对轨道交通的建设具有十分重要的作用。因此,本文以武汉市为例,通过轨道交通刷卡数据,运用引入客流特征的EM聚类方法,将轨道交通站点分为职住错位型、居住导向型、就业导向型、居住综合型、就业综合型、综合型6类。并在此基础上,建立无序多分类logistic回归模型,定量分析站点客流吸引范围内建成环境因素对不同类型站点轨道交通客流特征的影响。结果表明：以综合型站点为对照组,路网密度和交叉口密度对所有类型站点的客流特征有显著影响,低路网密度高交叉口密度更有利于职住平衡;公交车站密度与就业导向型站点的客流特征存在负相关;商务用地占比对职住错位型、居住导向型、居住综合型站点有负向关系;服务业设施用地占比与职住错位型、居住导向型和就业综合型站点的客流特征负相关;科研教育用地占比与居住导向型和就业导向型站点客流特征负相关;土地利用混合度与居住导向型和就业综合型站点的客流特征负相关。研究结论将对武汉市轨道交通建设、轨道交通和土地利用协调发展等具有重要意义。

关键词： 城市轨道交通; 站点分类; 建成环境; AFC数据; 聚类分析; 无序多分类logistic回归; 客流特征; 武汉市

本文引用格式

李清嘉 , 彭建东 , 杨红 . 武汉市不同站域建成环境与轨道交通站点客流特征关系分析[J]. 地球信息科学学报, 2021 , 23(7) : 1246 -1258 . DOI: 10.12082/dqxxkx.2021.200687

Abstract

China has become the country with the longest urban rail transit construction mileage and the highest construction speed in the world. Thus, It is of great significance for the construction of rail transit to reasonably identify different types of urban railway stations and environmental building factors that affect the characteristics of passenger flow. In this study, we take Wuhan as an example. We divide rail transit sites into six types (jobs-housing mismatch, residence-oriented, employment-oriented, comprehensive residence, comprehensive employment, and integrated type) through analyzing automatic fare collection system data and using EM clustering method with the introduction of passenger flow characteristics. On this basis, a multinomial logistic regression model is established to quantitatively analyze the impact of built-in environmental factors on the characteristics of rail transit passenger flow at different types of stations within the passenger flow attraction range. Taking comprehensive stations as control group, the results are shown as follows: (1) The densities of road network and intersection have a significant impacts on the passenger flow characteristics of all types of stations. A lower road network density and a higher intersection density are more beneficial to jobs-housing balance. (2) The density of bus station is negatively correlated with the passenger flow characteristics of employment-oriented stations. (3) The proportion of commercial land is negatively correlated with the passenger flow characteristics of jobs-housing mismatch, residence-oriented, and comprehensive residence stations. (4) The proportion of service industry facility land is negatively correlated with the passenger flow characteristics of jobs-housing mismatch, residence-oriented, and comprehensive employment stations. (5) The proportion of land used for scientific research and education is negatively correlated with the passenger flow characteristics of residence-oriented and employment-oriented stations. (6) The degree of land use mixture is negatively correlated with the passenger flow characteristics of residence-oriented and employment-integrated stations. This study is of great significance to coordinated development of rail transit construction, rail transit, and land use in Wuhan.

Key words： urban rail transit; station classification; built environment; automatic fare collection data; cluster analysis; multinomial logistic regression; passenger flow characteristics; Wuhan

1 引言

随着快速城市化发展和城市空间的不断蔓延,城市交通与土地利用之间的矛盾愈加凸显,我国各大城市都在积极构建以城市轨道交通体系为骨架的公共交通网络以缓解交通拥堵等问题,但轨道交通的建设速度和数量并不等同于其发展质量,往往出现高峰期流量过大、进出站客流不平衡等问题,轨道交通系统运行效益低于预期[1]。而城市轨道交通规划和城市规划相互脱节,导致了轨道交通与城市发展不协调的问题,交通枢纽与城市功能区结合度低,原城市规划难以平衡城市交通发展需求[2]。不同类型轨道交通站点的客流特征受到其站域建成环境的影响而呈现空间异质性[3],因此通过对轨道交通站点进行分类,明确其站点客流供需情况、功能职责等特征,再识别影响其客流特征的建成环境因素,理清不同类型站点的站域建成环境优化策略,提高轨道交通运营效率。
国外有关研究大都讨论城市建成区的地铁站点分类[4]。一般选择站点交通节点特性或开放空间的场所特性作为分类指标[5]。国内对于站点的分类标准尚未形成统一认知,部分结合站点的节点属性和场所属性做定性分析,如北京、上海、广州等大城市在相应的规划文件中,一般依据站点接驳方式、换乘线路数及站点附近城市功能等指标对站点分类[6],或者根据站点的区位特征、场所特征、功能特征、运营特征等定性分类[7]。还有学者提取站点特征因子进行分类,如选择站点客流量大小、周边区域定位、交通功能及站点影响区域内土地利用情况作为站点类型划分的影响因子进行定量分析[3,8-9]。这些分类方法多根据专家知识选择分析因子,分类标准难以统一,且大多研究数据来源于实地调研,数据类型相对较少。
建成环境是人类文明的产物,对于居民出行行为有重要影响。已有研究表明,建成环境对居民出行行为具有重要影响,进而影响轨道交通站点客流特征[10,11]。建成环境通常包含密度（Density）、多样性（Diversity）、设计（Design）3个维度[12,13,14]。在密度方面,人口密度越大,区域内使用公共交通出行的需求越强烈[15]。而轨道交通站域范围内用地功能的多样性会对人们的出行行为产生影响,高土地混和度下城市功能更均衡,需要进行长距离出行的需求减少,而区位条件好的区域通常能提供更全面的日常活动场所,也会对居民出行产生影响[16]。从城市设计角度来看,站点周边的路网密度,交叉口密度,接驳公交站点密度也会对轨道交通出行行为产生影响[17]。另外,站点本身的特点及轨道交通线网的综合水平等同样会影响轨道交通出行[18]。现有的研究方法集中在站点客流和站点周边建成环境构成直接需求模型以及引入时间和空间差异进行分析[19,20]。在相关研究中,缺乏基于分类站点的客流特征影响因素研究。由于站点的特征和需求不同,其影响因素也会随之变化。
近年来,在城市轨道交通研究方面,识别乘客出行目的[21]、交通模拟预测[22]、了解动态复杂客流网络[23]、探究人类活动与城市空间交互作用[24]等都有了新的技术突破,相对于传统统计数据,交通大数据能够在时间和空间上更长时序、高精度、多模式地揭示人类活动规律[25],拓展了轨道交通研究的宽度[26]。相应的,站点分类方面的研究方法也有了进一步发展,如引入包含原始数据信息的客流数据,选取多类型特征因子进行聚类分析,如依据站点客流数据的形状特征、结构特征,根据不同情况选择谱聚类,层次聚类,K-Means聚类等方法[27,28,29],但是各种聚类方法标准繁杂,难以从城市层面论证站点分类的合理性和效用价值。而对具有海量、高维特点的轨道交通站点客流的时间序列[30]进行聚类分析,可以挖掘其中隐含的站点的本质规律特征[31,32]。EM聚类模型比之其他聚类算法计算结构稳定、准确,且不需要预设聚类个数,不会因预设聚类数不同产生结果偏差[33]。针对分类站点,普遍采用离散选择模型,选择Logistic模型或者其衍生模型进行分析,相较于一般的对比分析法、回归分析法等,离散选择模型对于分类变量的研究有很好的理论基础,可以解释不同因素对于不同站点的影响程度,还可以比较组间差异[34]。
武汉市是我国国家中心城市,当前,武汉市正处于轨道交通快速建设与城市空间剧烈变化的时期。截至2019年,武汉轨道交通最高日客运量达445.62万乘次,占全市公共交通客运量的比重已超过40%[35],轨道交通客流骨干作用进一步发挥,城市轨道交通现已成为武汉居民最主要的日常出行方式之一。因此,以武汉市作为典型案例进行分析对我国其他正在建设与即将建设轨道交通的城市将有十分重要的指导意义。基于此,本文以武汉市2019年3月某一周连续城市轨道交通智能刷卡数据为基础,依据武汉市189个站点的工作日和休息日的进出站客流特征进行聚类分析,在分类的基础上结合站点影响区域内的建成环境因素进行无序多分类logistic回归分析,一方面能验证分类的效果,另一方面能分析不同的影响因子对于不同类别的站点的影响程度。

2 数据来源与研究方法

2.1 研究区范围

本文以武汉市轨道交通为研究对象。自2004年7月武汉首条地铁通车,至2019年3月武汉已建成9条轨道交通线路,涉及189个轨道交通站点（图1）。
图1 2019年武汉市轨道交通线路与站点分布

Fig. 1 Distribution of rail transit lines and stations in Wuhan in 2019

2.2 数据来源及技术路线

本研究涉及的数据主要包括：① 武汉市2019年3月连续一周城市轨道交通智能刷卡数据。数据清洗之后共有16 685 789条乘车记录,数据有效率约为99.59%。轨道交通智能卡刷卡数据包括交通卡ID、出站时间、进站时间、出站点、进站点、进出线路等进行客流分析的重要数据,如表1所示; ② 武汉市路网矢量数据,包括国道、省道、高速公路、一级/二级/三级公路等;武汉市2015年土地利用矢量数据。本文2015年武汉市土地利用数据与其他数据存在一定的年份差。由于轨道交通建设对城市用土地利用的影响相对滞后,故使用该数据对最终研究结果的影响较小。且相对于解译卫星图获得的土地利用数据,使用官方矢量数据可以更精确的保证结论的准确性;武汉市分社区人口数据。相关数据来源如表2所示。本文技术路线如图2所示。
表1 武汉市智能交通卡数据示例

Tab. 1 Example of AFC in Wuhan

交通卡ID 出站时间 出站点 出站线路 进站时间 进站点 进站线路
100019918683 2019-03-17 19:01:32 光谷广场 2 2019-03-17 18:25:17 拦江路 4
100019920776 2019-03-17 09:40:10 螃蟹岬 7 2019-03-17 09:11:38 汉口火车站 2
表2 相关数据来源

Tab. 2 Related data sources

数据名称 年份 数据来源
武汉市轨道交通刷卡数据 2019 武汉市交通发展战略研究院
武汉市路网矢量数据 2019 武汉市规划研究院
武汉市土地利用矢量数据 2015 武汉市规划研究院
武汉市分社区人口数据 2018 武汉市土地利用和城市
空间规划研究中心
图2 本文的技术路线

Fig. 2 Methodological workflow of this study

2.3 客流特征指标提取及处理

由于刷卡数据的时间精确到秒,因此每日轨道交通刷卡数据的时间序列长度为72 000,这样维数就会过大而难以运算[36],因此本文以一小时为时间间隔,针对每一个公交站点,构建一周进站以及出站流量统计向量,<X11,0,X11,1,⋯,Xi,j,⋯,X17,23>,其中Xi,j为该站点在2019年3月i日,第j个小时内的进站或出站人数。
数据降维。根据居民出行规律,工作日5 d的客流分布特征较为接近,而周末2 d的客流分布特征也具有较强的一致性,为避免引发维度灾难,计算工作日和休息日客流的平均值,另外根据客流情况,只保留6时—23时的客流数据。
标准化。为了消除不同站点客流相对大小的影响,对每个站点不同时段的进出站客流数值进行Z-score标准化,解决数据的可比性问题。Z-score标准化方法基于原始数据的均值和标准差进行处理,使得标准化之后的数据均值为0,标准差为1[37],如式（1）所示。
Z = x i , j - x j ¯ S j
式中：Z为标准化之后的变量;xij为原始数据;i,j分别为数据的行数和列数; x j ¯ 为均值;Sj为标准差。
主成分分析。由于数据维数太多且相互之间相关性较大,变量所表达的特征信息可能存在重叠。为了消除信息冗余的影响,需采用主成分分析对数据进一步降维,用较少的变量描述原先变量中的大部分信息,使得站点的客流分布特征更突出,这样聚类效果会更好[38]。
形成可描述站点客流分布特征的工作日进站、工作日出站、休息日进站、休息日出站4个数据集。

2.4 建成环境指标分类

出行者对于步行接驳轨道站点的时间存在一定的容忍限度[39],基于已有研究,设定出行者从轨道站点出入口出发沿可行路径步行10 min所能到达区域做为该轨道站点的轨道交通客流吸引范围[40],如图1。在按照成年人4.5 km/h的步行速度的情况下,以轨道交通站点为起点,选择沿城市路网步行750 m所能到达的范围内一系列建成环境因素,包括人口密度、土地利用特征、交通条件特征以及站点自身特征等15个变量投入模型运算。如表3所示。
表3 变量定义

Tab. 3 Variable definitions

变量名称 定义
密度 人口密度/（人/km2） 用站点客流吸引范围内人口数/人与客流吸引范围面积的比值表示
设计 路网密度/（km/km2） 用站点客流吸引范围内车行道总长度与客流吸引范围面积的比值表示
交叉口密度/（个/km2） 用站点客流吸引范围内路口数量与客流吸引范围面积的比值表示
公交站点密度/（个/km2） 用站点客流吸引范围内公交站点数量/个与客流吸引范围面积的比值表示
是否毗邻大型交通枢纽 设为虚拟变量,1代表该站点接近大型交通枢纽,如天河机场、武汉火车站、汉口火车站、武昌火车站、新荣客运站等,0则表示该站点不与大型交通枢纽接近
运营时长/年 站点开通年限
区位 设为虚拟变量,用1/2/3/4/5分别表示站点位于中心城区、中心城区以外二环路以内、二环路以外三环路以内、三环路以外四环路以内和四环路以外
轨交换乘数/个 表示从该站点经过的轨道交通线路数量
多样性 土地利用混合度 利用式（2）计算得出
居住用地面积占比/% 用站点客流吸引范围内居住用地面积与客流吸引范围面积的比值表示
办公用地面积占比/% 用站点客流吸引范围内办公用地面积与客流吸引范围面积的比值表示
商务用地面积占比/% 用站点客流吸引范围内商务用地面积与客流吸引范围面积的比值表示
服务业设施用地面积占比/% 为了区分商务办公需求和商业服务需求,本文使用服务业设施用地代表B类用地中除去商务用地B2的用地类型。用站点客流吸引范围内服务业设施用地面积与客流吸引范围面积的比值表示
医疗卫生用地占比/% 用站点客流吸引范围内医疗卫生用地面积与客流吸引范围面积的比值表示
科研教育用地面积占比/% 用站点客流吸引范围内科研教育用地面积与客流吸引范围面积的比值表示
表中的土地利用混合度采用已有文献[41,42]中熵值数表达土地利用多样性的算法,如式（2）所示。
Landusemi x i = - ∑ K = 1 K p k , i ln ( p k , i ) ln ( K , i )
式中：K表示区域i的土地利用类型的数量;pk,i表示第k种土地利用类型的面积在区域内的占比。在本模型中,K值最大为7,即包括居住用地、办公用地、商务用地、服务业设施用地、医疗卫生用地、科研教育用地和其他用地。根据该计算公式, Landusemixi的取值在0~1之间,取值越接近1则表示土地类型分配越均衡,土地混合程度越高,取值越接近0则表示该区域的土地混合程度低,土地功能分布失衡。

2.5 计算方法

2.5.1 EM聚类模型
相关城市问题研究常采用K-means聚类模型[43],但K-means聚类算法必须先确定聚类数K的值,不同的K值会对计算结果产生较大的影响,因此本次研究选择更稳定、准确的EM聚类模型。
最大期望算法（EM算法）需要由以下2个步骤进行,并通过交替计算得到：① 对期望（E）进行运算,得出隐藏变量的最大似然估计值;② 是最大化（M）,将第步求得的最大似然值最大化,得出计算参数的值。M步的结果被用于下一个E步计算中,不断循环这个过程,通过隐藏的变量不断完善初始化参数,直到参数不再发生变化。
在EM算法的框架下,本文选择GMM高斯混合模型来进行EM聚类的求解。GMM是指具有以下概率分布的模型：
P y | θ = ∑ k = 1 K α k ∅ ( y | θ k )
式中： ∑ k = 1 K α k =1,第k个高斯分布的概率密度为：
∅ y | θ k = ∏ 1 2 π σ k exp - y - μ k 2 2 σ k 2
式中：模型参数θk=（μk,σk）。
2.5.2 无序多分类Logistic回归模型
常用的Logistic回归有二元Logistic回归、有序多分类Logistic回归以及无序多分类Logistic回归。无序多分类Logistic回归适用于因变量类型多于两类,且因变量之间不存在等级递增或递减关系的分类变量。模型可视为各类型变量之间交叉组合为多个二元Logistic回归模型。在操作中,选取一类因变量作为对照组,而最终得出的各变量的参数是相对于对照组的,某变量参数越大,相当于该变量在其类别中相对于其他类影响更显著。如果因变量有M个水平,定义某一个水平为参照水平,各种水平与参照水平相比,可以建立M-1个广义 Logistic模型,如式（5）-式（6）所示。
logistic P 1 = ln p 1 p 0 = α 1 + β 11 x 1 + … + β 1 N x N
……
logistic P M - 1 = ln p M - 1 p 0 = α 1 + β ( M - 1 ) 1 x 1 + … + β ( M - 1 ) N x N
式中：p为某一水平的概率;α为模型的截距;β为回归系数;XN为影响轨道交通站点客流特征的因素。

3 结果及分析

3.1 基于客流分布特征的站点聚类分析结果

研究包括武汉市189个轨道交通站点,针对一周内每个站点的客流特征使用工作日进站/出站、休息日进站/出站4个数据集进行描述。使用R语言中Mclust程序包进行EM聚类分析,其中BIC（Bayesian Information Criterion）贝叶斯信息判别标准可以用来评估不同模型在不同聚类数下的可能性[44],如图3所示。在该模型下,BIC的值越大则模型聚类效果越好。在分类数为6的时候,此模型聚类效果最好。因此选择方法VII将数据聚类为6类,结果如表4所示,6个类别站点的平均客流分布特征曲线如图4（a）-图4（f）所示。
图3 不同方法和聚类数的贝叶斯信息判别标准曲线

Fig. 3 BIC of different methods and number of clusters

表4 基于客流特征的站点聚类结果

Tab. 4 Clustering results of rail transit stations based on passenger flow characteristics

站点类别 站点名称
1 东吴大道、五环大道、古田一路、古田二路、汉西一路、太平洋、大智路、头道街、航空总部、四新大道、罗家庄、老关村、苗栗路、竹叶山、光谷六路、金台
2 古田三路、古田四路、徐州新村、丹水池、新荣、滕子岗、滠口新城、巨龙大道、盘龙城、常青城、金银潭、常青花园、长港路、三角湖、汉阳客运站、赵家条、二七小路、兴业路、后湖大道、黄金口、孟家铺、玉龙路、十里铺、七里庙、岳家嘴、铁机路、罗家港、园林路、工业四路、前进村、建港、马鹦路、三眼桥、唐家墩、石桥、杨汊湖、轻工大学、园博园北、金银湖公园、常码头、徐家棚、瑞安街、建安街、北华街、塔子湖、未来三路、左岭、谌家矶、武湖、阳逻
3 宗关、利济北路、黄浦路、径河、范湖、青年路、洪山广场、金融港北、秀湖、双墩、武汉商务区、云飞路、菱角湖、惠济二路、市民之家、青鱼嘴、车城东路、江城大道、国博中心北、六渡桥、金银湖、取水楼、野芷湖、金潭路、光谷同济医院、光谷四路、光谷七路、长岭山、未来一路、朱家河
4 额头湾、舵落口、二七路、堤角、汉口北、三店、宋家岗、虎泉、杨家湾、藏龙东街、佛祖岭、陶家岭、龙阳村、永安堂、五里墩、汉阳火车站、拦江路、梅苑小区、仁和路、杨春湖、湖工大、板桥、新路村、大花岭、纸坊大街、中一路、徐东、光谷火车站、湖口、百步亭花园路、幸福湾、高车、军民村、阳逻开发区
5 硚口路、崇仁路、友谊路、三阳路、竹叶海、码头潭公园、王家墩东、中山公园、中南路、街道口、广埠屯、珞雄路、黄龙山路、沌阳大道、体育中心、香港路、钟家村、楚河汉街、东亭、国博中心南、琴台、武胜路、汉正街、园博园、新河街、小东门、江夏客厅、汪家墩、梨园、光谷生物园、光谷五路、豹澥、青龙、沙口、施岗
6 循礼门、天河机场、汉口火车站、江汉路、积玉桥、螃蟹岬、小龟山、宝通寺、光谷广场、华中科技大学、光谷大道、佳园路、东风公司、宏图大道、王家湾、复兴路、首义路、武昌火车站、武汉火车站、湖北大学、谭鑫培公园、青龙山地铁小镇、新荣客运站、武生院
图4 6类典型站点工作日休息日进出站分时段客流量分布

Fig. 4 Time distribution of passenger boarding and alighting volume of six types of stations on weekdays and weekends

3.2 分类站点特征描述

根据每类站点的分时段客流分布曲线,将6类站点总结为职住错位型、居住导向型、就业导向型、居住综合型、就业综合型、综合型。
职住错位型站点的分时段客流分布特征曲线表现为典型的双峰型,工作日同一时段进站客流与出站客流流量相当,在早上和傍晚达到峰值。而周末客流分布较为平缓,总体流量与工作日相当或者略低。这类轨道交通站点主要为通勤人群提供便利的出行服务,且表现为明显的职住错位。
居住导向型站点的分时段客流分布特征曲线如图所示,与职住错位型站点相比,工作日也表现为双峰,但不同的是,早高峰的进站客流和晚高峰的出站客流流量较大,工作日的高峰客流表现为“高低低高”的特征。而休息日的客流也在早上进站跟傍晚出站到达峰值,表现为弱峰,总体流量与工作日相当。可以看出此类站点一般为居住在此地的通勤人群服务。
就业导向型站点客流曲线特征与居住导向型站点相似,表现为双峰型,但工作日进站高峰出现在傍晚,出站高峰出现在早上,高峰客流表现为“低高高低”的特征。休息日的客流同样表现为弱峰,在傍晚进站和早上出站时达到高峰,总体流量与工作日相当。这类站点多为在此地工作的人提供通勤服务。
居住综合型站点分时段客流分布特征曲线如图所示,工作日的客流情况与居住导向型站点相似,在早上进站和傍晚出站时客流量较大,客流曲线的进出站峰值呈现“高低低高”的特征。相比工作日,休息日客流整体较大,分时段客流表现较为平稳。从此类站点的客流分布特征来看,这类站点与居住导向型站点相似,有较多的居住区,在工作日,站点满足此地居民的通勤需求,在休息日又满足居民的娱乐休闲等出行需求。
就业综合型站点分时段客流分布特征曲线如图所示,工作日的客流情况与就业导向型站点相似,客流在傍晚进站和早上出站时较大。休息日的客流情况与第四类站点相似,整体客流量较大且流量浮动不大。这类站点与就业导向型的站点类似,在工作日承担着工作地通勤功能,但在休息日又承担通勤之外的非出行功能。
综合型站点的分时段客流分布特征曲线如图所示,工作日的客流相较前几类站点峰值较小,波动不大,且出现多个峰值,呈现不规律的特征。休息日客流明显较大且波动较小。这一类站点多位于为商业中心或者大型交通枢纽所在区域,人流量较大,城市功能丰富,站点的使用频率较高。

3.3 各类型站点特征描述性分析

结合上文的聚类分析结果,站点类型空间分布（图5）以及各类型站点的建成环境特征描述统计（表5）可以发现：在设计方面,职住错位型站点站域内交叉口密度较高,路网密度均值达到了最大值6.919;站点的运营时间较长,均值达到了最大值8.361年,在多样性方面,科研教育用地、医疗卫生用地面积较大,该类站点更多位于开通了15年的一号线或老城区,通勤高峰期客流压力较大。在密度方面,居住导向型站点站域内人口密度较大,设计方面,路网密度（均值5.823）和交叉口密度（均值为最小值11.252）在几类站点中都较小,而区位的值较大（均值3.080）,表示该类站点可能据中心城区较远,多样性方面,此类站点服务范围内的居住用地面积占比（均值38.093%）与其他几类站点相比明显较高,办公用地面积占比（均值0.773%）较小,该类站点可能位于新城区内的居住区,设施配套程度较低。在设计方面,就业导向型站点的公交站点密度最小（均值44.514）,在多样性方面,其办公用地、商务用地、服务业设施用地和工业用地面积占比都比较高,科研教育用地面积占比最小（均值为3.138%）,该类站点可能职位供给充足,但其公共服务设施配套较为缺乏,社区活力不足。设计方面,居住综合型站点的运营时间较长（均值为5.424年）,而多样性方面,其站域内土地利用混合程度较高（均值0.191）,其中居住用地、服务业设施用地、科研教育用地占比均处于较高水平,这类站点周边各类型服务配套完善,轨道交通使用效率较高。设计方面,就业综合型站点站域内路网密度（均值6696）、交叉口密度（均值15.994）和公交站点密度（均值67.449）都较高,区位均值较小（均值2.543）,多样性方面,土地利用混合程度较高（均值0.193）,商务用地、服务业设施用地和科研教育用地面积都较大,该类站点多位于较为中心的商业商务区。在密度方面,综合型站点站域内人口密度最高,设计方面,公交站点密度最高（均值79.456）,相较于其他站点更接近大型交通枢纽,轨交换乘数均值也是最高,区位优势也较为明显,在多样性方面,土地利用混合度高,其中办公用地、商务用地、服务业设施用地、医疗卫生用地面积占比较高,科研教育用地面积占比最高（均值10.899%）,此类站点站域内城市交通条件较好,各类用地面积占比较为均衡,生产生活功能齐全,很多位于很有活力的商业服务中心,不同时段轨道交通使用率较为均衡。
图5 站点类型空间分布

Fig. 5 Spatial distribution of different types of rail transit stations

表5 不同类型站点的客流分布特征影响因素描述统计

Tab. 5 Descriptive statistics of factors affecting passenger flow distribution characteristics of different types of stations

变量类别 变量名称 第一类
职住错位型 		第二类
居住导向型 		第三类
就业导向型 		第四类
居住综合性 		第五类
就业综合型 		第六类
综合型
均值 方差 均值 方差 均值 方差 均值 方差 均值 方差 均值 方差
密度 人口密度/（人/km2） 62.292 27.353 78.486 34.336 79.419 35.826 67.899 29.147 66.612 25.782 80.061 42.636
设计 路网密度/（km/km2） 6.919 4.945 5.823 1.989 6.296 3.489 6.077 3.103 6.696 4.227 5.713 6.170
交叉口密度/（个/km2） 16.592 157.944 11.252 27.851 13.338 53.941 12.552 43.289 15.994 82.951 13.625 114.833
公交站点密度/（个/km2） 62.988 1829.890 57.061 1260.320 44.514 1436.980 51.502 1496.510 67.449 2522.050 79.456 3188.910
是否毗邻大型交通枢纽 0 0 0 0 0 0 0.074 0.071 0 0 0.167 0.145
运营时长/年 8.361 43.329 4.433 19.954 3.972 21.688 5.424 29.427 4.632 25.732 3.921 11.280
区位 3.063 1.129 3.080 0.932 2.833 1.592 3.111 0.795 2.543 1.785 2.708 1.955
轨交换乘数/个 1.063 0.063 1.100 0.092 1.100 0.093 1.000 0.000 1.086 0.081 1.250 0.196
多样性 土地利用混合度 0.187 0.047 0.189 0.064 0.193 0.093 0.191 0.078 0.204 0.090 0.180 0.066
居住用地面积占比/% 27.092 310.027 38.093 356.007 19.745 356.379 27.577 367.631 25.283 341.157 25.567 308.878
办公用地面积占比/% 1.832 6.793 1.168 3.330 2.202 13.743 1.098 8.231 1.730 3.239 2.090 8.708
商务用地面积占比/% 0.725 0.470 0.773 3.358 2.284 20.010 0.302 0.265 2.213 8.852 2.340 6.070
服务业设施用地面积
占比/% 		3.704 12.338 3.131 36.523 5.229 39.848 4.082 48.813 5.464 26.859 7.222 78.630
医疗卫生用地占比/% 1.950 4.366 0.274 0.706 0.227 0.855 0.568 2.230 1.694 3.500 1.550 3.233
科研教育用地面积
占比/% 		6.364 44.643 4.130 26.273 3.138 21.409 7.333 116.715 6.687 134.883 10.899 288.294
根据各类站点的客流特征影响因素的描述统计可以看出站点的客流特征类别基本与站点站域建成环境特征吻合,可以说明站点的分类效果较好。

3.4 无序多分类logistic回归模型标定与分析

根据武汉市轨道交通站点的客流特征和站域建成环境特征建立无序多分类logistic回归模型,模型结果如表6所示。从结果中可以看出,加入自变量后的模型比只有常数项的模型拟合要好（卡方为96.231）,似然比检验结果显示模型的改善是有统计学意义的（P<0.001）,说明自变量X的加入是有统计学意义的。路网密度、交叉口密度、公交车站密度、商务用地占比、服务业设施用地占比、科研教育用地占比、土地混合度、居住用地占比这8个变量对几种类型站点的客流分布特征有较为显著的影响,因此进入最终模型,其余变量因为对因变量没有显著影响,未进入最终模型。
表6 无序多分类logistic回归模型分析结果

Tab. 6 Multinomial Logistic Regression model analysis results

变量名称 站点类型
第一类职住错位型 第二类居住导向型 第三类就业导向型 第四类居住综合型 第五类就业综合型 第六类综合型
B Exp(B) B Exp(B) B Exp(B) B Exp(B) B Exp(B)
截距 -5.601 -4.201 -3.884 -4.281 -4.751 对照组
路网密度 1.455*** 4.286 1.319*** 3.739 1.353*** 3.869 1.384*** 3.992 1.172*** 3.229
交叉口密度 -0.215** 0.807 -0.298*** 0.743 -0.26*** 0.771 -0.252** 0.777 -0.176** 0.839
公交车站密度 -0.003 0.997 -0.005 0.995 -0.024*** 0.977 -0.011 0.989 -0.004 0.996
商务用地占比 -0.493* 0 -0.338** 0 -0.026 0.078 -1.244*** 0 -0.080 0
服务业设施用地占比 -0.111* 0 -0.101** 0 -0.040 0.018 -0.065 0.001 -0.079* 0
科研教育用地占比 -0.014 0.235 -0.064** 0.002 -0.075* 0.001 -0.014 0.252 -0.024 0.095
居住用地占比 -1.381 0.251 1.903 6.707 0.285 1.330 0.816 2.260 -1.926 0.146
土地利用混合度 8.040 3103.170 11.569* 105 773 8.921 7485.87 9.103 8980.740 12.521* 273 895
站点数量 16 50 30 34 35 24
样本量 189
模型拟合条件-2对数似然仅截距：656.170 最终：559.939 卡方：96.231 显著性：0

注：模型以第六类综合型站点为对照组,*、**、***分别表示在0.1、0.05、0.01水平下显著。B代表该变量回归系数;Exp(B)为优势比。

从站域建成环境的设计特征来看,路网密度和交叉口密度的大小显著影响各类站点的客流特征,路网密度的偏回归系数为正且职住错位型站点系数最大,交叉口密度系数为负且就业综合型站点系数较大,也就是说综合型站点的路网密度较低而交叉口密度较高,这说明对于城市空间的小尺度地块的开发有利于形成区域内良好的慢行出行环境,居民就近就业的概率也会提升,进而促进地区职住平衡。而高密度路网并不代表高可达性,减少断头路,提高城市道路连通性等也有利于促进居民选择非机动出行方式,营造良好的出行环境,这有利于提升交通服务能力进而提高轨道交通组织效率,激活城市动力。
而公交站点密度对就业导向型站点影响显著且系数为负,轨道交通站点周边公交站点密度越低,则越不利于公共交通的换乘,公共交通的可达性随之降低,进而使得部分居民选择其他交通工具出行。因此提高这类型站点站域内公交站点密度有利于提升轨道交通站点的接驳能力,解决轨道交通通勤“最后一公里”的问题,居民乘坐公共交通方式通勤更顺畅,对便利的轨道交通依赖性更高,同时可以使这类站点向综合类站点转变,平衡站点不同时段的利用率,减少因极端客流造成的轨道交通运输资源的浪费。
从站域建成环境的多样性特征来看,商务用地占比对职住错位型、居住导向型、居住综合型站点有显著影响,但偏回归系数为负且居住综合型站点系数最小,因此在城市规划中,对于职住错位型和居住导向型站点可以通过降低商务用地占比来促进站点向居住综合型站点转变,有利于客流分布状态的优化提升。
服务业设施用地占比在职住错位型、居住导向型和就业综合型站点上显著,呈现负相关,而就业综合型站点系数最大,通过提高服务业设施用地占比可以使这两类站点向就业综合型站点转变,一方面满足居民的生活类需求,构建更完善的服务体系,提升区域引力,另一方面可以快速提升商业人气,解决区域休息日活力不足的问题。
科研教育用地占比在居住导向型和就业导向型站点上显著,并呈现负向影响,在其他条件一致时,提高科研教育用地占比可以缓解这两类站点客流结构单一的问题,促进区域内城市功能的完善,提高交通运输效率,也可以使通勤者享受更便利的工作和生活,增加社区居民的黏性。
土地利用混合度对居住导向型和就业综合型站点有显著影响,居住导向型站点周边的土地利用混合度较低时,居民不得不面临较长的通勤出行。增加土地利用混合度,则有利于居民就近就业,减少非必要通勤行为。此外,随着周边生活服务设施的完善,居民的日常需求也可以在更近范围内完成。居住导向型站点向就业综合型站点的转变,将优化城市功能布局与城市交通组织,提高轨道交通运营效率。

4 结论

基于武汉市轨道交通刷卡数据,本文通过挖掘刷卡数据包含的轨道交通客流时序特征,将武汉市189个轨道交通站点分为6种类型,在此基础上,运用无序多分类logistic回归模型对影响站点客流分布特征的影响因素进行分析,研究表明：
（1）使用工作日和休息日进出客流的4个数据集可以更全面地描述站点不同层面的特点,但也会造成数据维数过多,使用主成分分析法对数据进行降维,保留大部分数据特征,再用EM聚类分析方法将站点分类为职住错位型、居住导向型、就业导向型、居住综合型、就业综合型、综合型6种,结果表明该方法有较好的效果。
（2）通过建立无序多分类logistic回归模型分析城市建成环境与各类型站点客流分布特征,发现路网密度、交叉口密度、公交车站密度、商务用地占比、服务业设施用地占比、科研教育用地占比、土地混合度等因素都显著影响轨道交通站点的客流分布特征。
（3）对轨道交通站点的客流特征的研究可以直观反映出城市空间的具体使用状况,而站域建成环境特征对于不同类型站点的影响存在异质性,在城市规划的过程中,结合对不同类型站点周边建成环境的研究,合理配置城市基础设施和公共服务设施、科学规划土地利用,可以提升城市轨道交通运营效率,完善城市公共交通体系。
本文从轨道交通客流特征的角度对武汉市的轨道交通站点进行了分类,并在此基础上研究了分类站点客流分布特征与城市建成环境的关系。在未来的研究中,将进一步增强数据获取的时效性,使用更为即时的数据以提升研究精度,而随着武汉市公共交通体系的完善,公交与轨道交通的结合更紧密,单一研究轨道交通不能完整地反映居民的公共交通出行行为,因此将进一步获取武汉市公交刷卡数据,形成更加完整的居民公共交通出行链,以期更加深入地挖掘出城市建成环境与公共交通的交互关系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
甘佐贤. 建成环境对城市轨道交通客流及出行特征的影响机理研究[D]. 南京:东南大学, 2019.

[ Gan Z X. Impact of built environment on the passenger flows and transfer behavior of urban rail transit[D]. Nanjing: Southeast University, 2019. ]

[2]
郑建东. 轨道交通与城市协调同步规划问题探讨[J]. 铁道工程学报, 2013, 30(9):116-120.

[ Zheng J D. Discussion on synchronous coordination of rail transit and urban planning[J]. Journal of Railway Engineering Society, 2013, 30(9):116-120. ]

[3]
段德罡, 张凡. 土地利用优化视角下的城市轨道站点分类研究——以西安地铁2号线为例[J]. 城市规划, 2013, 37(9):39-45.

[ Duan D G, Zhang F. Study on classification of urban rail transit stations from the perspective of land use optimization:A case study on Xi'an subway line 2[J]. City Planning Review, 2013, 37(9):39-45. ]

[4]
Bates E G. A study of passenger transfer facilities[J]. Transportation Research Record Journal of the Transportation Research Board, 1978, 662:23-25.

[5]
龚晓芳. 现代城市轨道交通站点地区规划研究[D]. 西安:长安大学, 2009.

[ Gong X F. The planning research of metro rail transit station in modern city[D]. Xi′an: Chang′an University, 2009. ]

[6]
金磊, 彭建, 柳昆, 等. 城市地铁车站分类理论及方法研究[J]. 地下空间与工程学报, 2010, 6(S1):1339-1342,1375.

[ Jin L, Peng J, Liu K, et al. Sorting theory and investigation of urban metro station[J]. Chinese Journal of Underground Space and Engineering, 2010, 6(S1):1339-1342,1375. ]

[7]
龙瀛, 孙立君, 陶遂. 基于公共交通智能卡数据的城市研究综述[J]. 城市规划学刊, 2015(3):70-77.

[ Long Y, Sun L J, Tao S. A review of urban studies based on transit smart card data[J]. Urban Planning Forum, 2015(3):70-77. ]

[8]
王静, 刘剑锋, 马毅林, 等. 北京市轨道交通车站客流时空分布特征[J]. 城市交通, 2013, 11(6):18-27.

[ Wang J, Liu J F, Ma Y L, et al. Temporal and spatial passenger flow distribution characteristics at rail transit stations in Beijing[J]. Urban Transport of China, 2013, 11(6):18-27. ]

[9]
Frank L D, Saelens B E, Powell K E, et al. Stepping towards causation: Do built environments or neighborhood and travel preferences explain physical activity, driving, and obesity?[J]. Social Science & Medicine, 2007, 65(9):1898-1914.

[10]
Wang D G, Chai Y W, Li F. Built environment diversities and activity-travel behaviour variations in Beijing, China[J]. Journal of Transport Geography, 2011, 19(6):1173-1186.

DOI

[11]
Cervero R, Kockelman K. Travel demand and the 3Ds: Density, diversity, and design[J]. Transportation Research Part D: Transport and Environment, 1997, 2(3):199-219.

DOI

[12]
Frank L D, Engelke P O, Schmid T L. Health and community design: The impact of the built environment on physical activity, 2003

[13]
Handy S L, Boarnet M G, Ewing R, et al. How the built environment affects physical activity: Views from urban planning[J]. American Journal of Preventive Medicine, 2002, 23(2):64-73.

DOI

[14]
Schwanen T, Dijst M, Dieleman F M. Policies for urban form and their impact on travel: The Netherlands experience[J]. Urban Studies, 2004, 41(3):579-603.

DOI

[15]
孙斌栋, 但波. 上海城市建成环境对居民通勤方式选择的影响[J]. 地理学报, 2015, 70(10):1664-1674.

DOI

[ Sun B D, Dan B. Impact of urban built environment on residential choice of commuting mode in Shanghai[J]. Acta Geographica Sinica, 2015, 70(10):1664-1674. ]

[16]
Zhang M. The role of land use in travel mode choice: Evidence from Boston and Hong Kong[J]. Journal of the American Planning Association, 2004, 70(3):344-360.

DOI

[17]
宗芳, 隽志才. 基于活动的出行方式选择模型与交通需求管理策略[J]. 吉林大学学报(工学版), 2007, 37(1):48-53.

[ Zong F, Juan Z C. Activity-based travel mode choice model and analysis on traffic demand management[J]. Journal of Jilin University Engineering and Technology Edition, 2007, 37(1):48-53. ]

[18]
Sohn K, Shim H. Factors generating boardings at Metro stations in the Seoul metropolitan area[J]. Cities, 2010, 27(5):358-368.

DOI

[19]
Jun M J, Choi K, Jeong J E, et al. Land use characteristics of subway catchment areas and their influence on subway ridership in Seoul[J]. Journal of Transport Geography, 2015, 48:30-40.

DOI

[20]
赵鹏军, 曹毓书. 基于多源地理大数据与机器学习的地铁乘客出行目的识别方法[J]. 地球信息科学学报, 2020, 22(9):1753-1765.

DOI

[ Zhao P J, Cao Y S. Identifying metro trip purpose using multi-source geographic big data and machine learning approach[J]. Journal of Geo-information Science, 2020, 22(9):1753-1765. ]

[21]
刘云舒, 赵鹏军, 吕迪. 大数据城市通勤交通模型的构建与模拟应用[J]. 地球信息科学学报, 2021, 23. DOI: 10.12082/dqxxkx.2021.200334.

DOI

[ Liu Y S, Zhao P J, Lyu D. Big- data oriented commuting distribution model and application in large cities[J]. Journal of Geo-information Science, 2021, 23. DOI: 10.12082/dqxxkx.2021.200334.]

DOI

[22]
赵韶雅, 杨星斗, 戴特奇, 等. 基于刷卡数据的公共汽车客流网络复杂性日内变化研究[J]. 地球信息科学学报, 2020, 22(6):1254-1267.

DOI

[ Zhao S Y, Yang X D, Dai T Q, et al. Within-day variation of the complexity of bus passenger flow network based on smart card data[J]. Journal of Geo-information Science, 2020, 22(6):1254-1267. ]

[23]
郑晓琳, 刘启亮, 刘文凯, 等. 智能卡和出租车轨迹数据中蕴含城市人群活动模式的差异性分析[J]. 地球信息科学学报, 2020, 22(6):1268-1281.

DOI

[ Zheng X L, Liu Q L, Liu W K, et al. Discovery of urban human mobility patterns from smart card transactions and taxi GPS trajectories: A comparative study[J]. Journal of Geo-information Science, 2020, 22(6):1268-1281. ]

[24]
黄洁, 王姣娥. 交通大数据在人文与经济地理学的应用及学科影响[J]. 地球信息科学学报, 2020, 22(6):1180-1188.

DOI

[ Huang J, Wang J E. Applications and influence of transport big data in human and economic geography[J]. Journal of Geo-information Science, 2020, 22(6):1180-1188. ]

[25]
马小毅, 金安, 刘明敏, 等. 广州市轨道交通客流特征分析[J]. 城市交通, 2013, 11(6):35-42.

[ Ma X Y, Jin A, Liu M M, et al. Rail transit passenger flow characteristics in Guangzhou[J]. Urban Transport of China, 2013, 11(6):35-42. ]

[26]
张丽英, 孟斌, 尹芹. 基于符号集合近似的城市轨道交通站点分类研究[J]. 地球信息科学学报, 2016, 18(12):1597-1607.

DOI

[ Zhang L Y, Meng B, Yin Q. Classification of urban rail transit stations based on SAX[J]. Journal of Geo-information Science, 2016, 18(12):1597-1607. ]

[27]
尹芹, 孟斌, 张丽英. 基于客流特征的北京地铁站点类型识别[J]. 地理科学进展, 2016, 35(1):126-134.

DOI

[ Yin Q, Meng B, Zhang L Y. Classification of subway stations in Beijing based on passenger flow characteristics[J]. Progress in Geography, 2016, 35(1):126-134. ]

[28]
李向楠. 城市轨道交通站点分类的聚类方法研究[J]. 铁道标准设计, 2015, 59(4):19-23.

[ Li X N. Classifying urban rail transit stations using cluster analysis[J]. Railway Standard Design, 2015, 59(4):19-23. ]

[29]
Faloutsos C, Ranganathan M, Manolopoulos Y. Fast subsequence matching in time-series databases[C]. Proceedings of the 1994 ACM SIGMOD international conference on management of data, 1994.

[30]
何晓旭. 时间序列数据挖掘若干关键问题研究[D]. 合肥:中国科学技术大学, 2014.

[ He X X. Study on several key issues of time series data mining[D]. Hefei: University of Science and Technology of China, 2014. ]

[31]
宋辞, 裴韬. 基于特征的时间序列聚类方法研究进展[J]. 地理科学进展, 2012, 31(10):1307-1317.

[ Song C, Pei T. Research progress in time series clustering methods based on characteristics[J]. Progress in Geography, 2012, 31(10):1307-1317. ]

[32]
岳佳. 基于EM算法的模型聚类的研究及应用[D]. 无锡:江南大学, 2007.

[ Yue J. The study and application of model cluster based on EM algorithm[D]. Wuxi: Jiangnan University, 2007. ]

[33]
王灿, 王德, 朱玮, 等. 离散选择模型研究进展[J]. 地理科学进展, 2015, 34(10):1275-1287.

DOI

[ Wang C, Wang D, Zhu W, et al. Research progress of discrete choice models[J]. Progress in Geography, 2015, 34(10):1275-1287. ]

[34]
黄洁. 大武汉“三驾马车”协力建设地铁城市[EB/OL].( 2020- 01- 12) [ 2020-12-06. http://https://epaper.hubeidaily.net/pc/content/202001/12/content_17044.html.]

[35]
谭璐. 高维数据的降维理论及应用[D]. 长沙:国防科学技术大学, 2005.

[ Tan L. The theory and application of the dimension reduction on the high- dimensional data set[D]. Changsha: National University of Defense Technology, 2005. ]

[36]
韩胜娟. SPSS聚类分析中数据无量纲化方法比较[J]. 科技广场, 2008(3):229-231.

[ Han S J. Comparison of undimensionalization in SPSS cluster analysis[J]. Science Plaza, 2008(3):229-231. ]

[37]
徐威, 郑长江, 马庚华, 等. 基于k-means聚类的城市轨道交通站点分类研究[J]. 贵州大学学报(自然科学版), 2018, 35(6):106-111.

[ Xu W, Zheng C J, Ma G H, et al. Classification of urban rail transit stations based on K-means clustering[J]. Journal of Guizhou University (Natural Sciences), 2018, 35(6):106-111. ]

[38]
严海, 杨荣荣, 熊文, 等. 步行和自行车接驳轨道交通时空阈值研究[J]. 城市交通, 2013, 11(2):83-90.

[ Yan H, Yang R R, Xiong W, et al. Critical accessing time and distance for pedestrian and cyclists to urban rail transit[J]. Urban Transport of China, 2013, 11(2):83-90. ]

[39]
申犁帆, 王烨, 张纯, 等. 轨道站点合理步行可达范围建成环境与轨道通勤的关系研究——以北京市44个轨道站点为例[J]. 地理学报, 2018, 73(12):2423-2439.

DOI

[ Shen L F, Wang Y, Zhang C, et al. Relationship between built environment of rational pedestrian catchment areas and URT commuting ridership: Evidence from 44 URT stations in Beijing[J]. Acta Geographica Sinica, 2018, 73(12):2423-2439. ]

[40]
林红, 李军. 出行空间分布与土地利用混合程度关系研究——以广州中心片区为例[J]. 城市规划, 2008, 32(9):53-56,74.

[ Lin H, Li J. Relationship between spatial distribution of resident trips and mixed degree of land use: A case study of Guangzhou[J]. City Planning Review, 2008, 32(9):53-56,74. ]

[41]
党云晓, 董冠鹏, 余建辉, 等. 北京土地利用混合度对居民职住分离的影响[J]. 地理学报, 2015, 70(6):919-930.

DOI

[ Tang Y X, Dong G P, Yu J H, et al. Impact of land-use mixed degree on resident's home-work separation in Beijing[J]. Acta Geographica Sinica, 2015, 70(6):919-930. ]

[42]
Wu X D, Kumar V, Ross Quinlan J, et al. Top 10 algorithms in data mining[J]. Knowledge and Information System, 2008, 14(1):1-37.

DOI

[43]
LEroux B G. Consistent estimation of a mixing distribution[J]. The Annals of Statistics, 1992, 20(3):1350-1360.

Options
文章导航

/

〈 〉