EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 4: 593 - 603

DOI: https://doi.org/10.12082/dqxxkx.2021.200183

Identifying the Catchment Area of Metro Stations Using Multi-Source Urban Data

  • TAN Peishan , 1, 2, 3, 4 ,
  • MAI Ke 1, 2, 3, 4 ,
  • ZHANG Yatao 2, 3, 4 ,
  • TU Wei , 1, 2, 3, 4, *
Expand
  • 1. School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China
  • 2. Guangdong Key Laboratory of Urban Informatics, Shenzhen University, Shenzhen 518060, China
  • 3 Guangdong Laboratory of Artificial Intelligence and Digital Economy(SZ), Shenzhen University, Shenzhen 518060, China
  • 4. MNR Key Laboratory for Geo-environmental Monitoring of Great Bay Area, Shenzhen University, Shenzhen 518060, China
*TU Wei, E-mail:

Received date: 2020-04-16

  Request revised date: 2020-09-09

  Online published: 2021-06-25

Supported by

Natural Science Foundation of Guangdong Province(2019A1515011049)

The Basic Research Program of Shenzhen Science and Technology Innovation Committee(JCYJ20180305125113883)

The Basic Research Program of Shenzhen Science and Technology Innovation Committee(JCYJ20170412105839839)

Copyright

Copyright reserved © 2021
Fold

Abstract

With the development of the times, the scale of the world's cities is expanding, and the traffic demand of major cities has sharply increased. Traffic congestion and environmental problems caused by road transportation have led governmental departments to turn to underground transportation. The metro is the most important means for underground transportation. Identifying the catchment area of a metro station is essential for evaluating and improving metro system service and its surrounding built environment, which provides important reference for optimizing metro resources and planning new metro facilities. Traditional methods of identifying the catchment area of a metro station mostly depend on the investigation of residents' daily travel, which is usually time-intensive and labor-consuming and causes uncertainties in catchment area. The emergence of multi- source urban data provides a new solution to quantify the surrounding built environment and spatial distribution of passenger flow, which allows for a reasonable delineation of catchment areas. Transit Oriented Development (TOD) is an important choice for the harmonious development of cities and transportation in high-density cities (e.g.Shenzhen, Beijing, etc.). From the perspective of TOD, this paper presents a data-driven method to outline the catchment area of the metro station. We used multi-source urban data in 2017 in Shenzhen city including road network, bus routes, point of interest, etc.,to characterize the TOD around metro stations. Then these metro stations were spatially clustered, and their catchment areas were computed according to the trend of the TOD indices. The TOD-based catchment area of metro stations can vary across space. The results show that: (1) the proposed method captured the difference in catchment areas around different metro stations. The employment density and mixed land use played the most important role; (2) compared with suburbs, the catchment radius of metro stations in the central urban area was relatively smaller but represented higher travel demand, which indicated that the metro planning should better balance its service coverage and urban travel demand; and (3) the overlap of catchment areas in Shenzhen coincides with the well- developed areas, which inspire us that building up new metro stations could accelerate the development of surrounding areas.

Key words： metro station; catchment area; built environment; multi-source urban data; TOD index; clustering; employment density; overlapping effects

Cite this article

TAN Peishan , MAI Ke , ZHANG Yatao , TU Wei . Identifying the Catchment Area of Metro Stations Using Multi-Source Urban Data[J]. Journal of Geo-information Science, 2021 , 23(4) : 593 -603 . DOI: 10.12082/dqxxkx.2021.200183

1 引言

城市轨道交通（包括城市地铁、轻轨、磁悬浮列车和空中轨道等）是城市交通基础设施系统的重要组成部分[1]。其中,地铁系统在城市发展中起着重要作用,承担着大量的城市出行[2,3,4]。随着城镇化进程加快,地铁不仅是公共交通基础设施的节点,也是塑造地铁周边区域发展的"活力引擎"[5]。准确划定地铁站点的吸引范围是地铁站点客流预测、公交接驳措施布设等的基础[6],同时也深刻影响着地铁周边建成环境的规划和管理。
传统地铁站点吸引范围研究一般是跟踪进出地铁站的乘客出行,判定使用地铁出行的城市客流分布区域,通常采用圆形区域表示地铁吸引范围,其半径值多采用600、750或800 m[7,8,9]。例如,O'Neill等[10]根据居民出行调查数据,综合考虑路网密度、公交站点分布、乘客特性和天气等影响因素,确定了地铁站点吸引范围;Schlossberg等[11]基于居民出行调查数据,统计居民步行到地铁站点的距离,从而确定地铁站点吸引范围。这些研究都使用泰森多边形方法,使地铁站点吸引范围互斥,虽然能够直观准确地描述地铁站点对步行乘客的吸引范围,却忽略了周边建成环境的影响和地铁站点间的空间联系。
以公共交通为导向的开发（Transit Oriented Development, TOD）理念是指在公交枢纽周围进行聚集性城市开发,构建具有高密度、多样化土地利用、步行和骑自行车友好的区域[12,13,14,15],例如集工作、商业、文化、教育、居住为一体的高密度混合城市中心或中心广场,从而实现公共交通引导城市组团紧凑开发。Cervero等[16]提出了TOD的3D原则,即密度（Density）、设计性（Design）和多样性（Diversity）,描述了公共交通廊道周边区域的空间发展,受限于数据,并没有确定刻画3D原则的指标。Lyu等[17]利用公共交通、兴趣点和出行调查等数据,构建地铁站点周边区域TOD指标,揭示了北京6种独特的地铁站点吸引范围。Albandari等[18]根据TOD理念,进行实地调研,揭示了地铁站点周边建成环境形态对居民出行的影响。传统方法确定地铁站点的吸引范围,忽略了站点之间的空间差异,而利用TOD指标划定地铁站点变化吸引范围则可深入探讨站点间的吸引范围的空间差异和重叠效应。TOD是受资源和环境约束的深圳市谋求城市和交通可持续发展的重要选择,且深圳市已经在地铁站点周边的TOD开发进行探索,因此利用TOD指标研究地铁站点的吸引范围更符合深圳市未来的城市发展。
近年来,随着空间信息技术的快速发展,产生了海量多源的城市数据,如兴趣点（Point of Interest, POI）、公共交通数据等。这些多源城市数据具有丰富的语义信息,为感知城市物理与社会空间提供了新手段[19,20,21,22,23,24],为从TOD视角研究城市发展奠定了数据基础。例如,Gu等[25]基于多源的城市数据,提出了评估城市级TOD的指标框架。深圳市面临土地稀缺、资源紧张、功能需求复杂等问题,已经积极探索对轨道交通站点周边区域的开发[26]。从TOD视角出发,以深圳市为例,本文利用兴趣点、道路网络、公共交通线路等多源城市数据,构建地铁站点周边区域的TOD指标,通过聚类划定多类型地铁站点吸引范围,并探究影响地铁站点吸引范围的TOD指标。从而精准划定符合TOD发展的地铁站点吸引范围,分析影响不同类型地铁站点吸引范围差异的因素。本文的研究成果能够从TOD的视角合理划定地铁站点吸引范围,挖掘影响地铁站点吸引范围的因素及其重叠吸引范围空间分布,探究地铁站点服务空间范围和周边城市环境的作用情况,分析规划新建地铁站对周边城市区域可能带来的影响,为政府部门合理规划地铁站点建设提供支撑,促进城市的健康发展。

2 研究区概况与数据来源

2.1 研究区概况

本文研究区域为深圳市。深圳市是中国改革开放的重要窗口,总面积达1997.47 km2,共有10个行政区。截至2017年,深圳地铁共有8条线,167个站点,共304.7 km。深圳市地铁已覆盖罗湖、宝安、南山、福田、龙岗和龙华6个辖区,但是各区的地铁建设情况存在显著的差异：南山、福田和罗湖作为深圳市的教育科研和金融中心,辖区内地铁站点密集,地铁出行的客流较多;其他辖区以工业和制造业为主,辖区内地铁站点稀疏,如图1所示。
图1 2017年深圳地铁站点空间分布

Fig. 1 Spatial distribution of Shenzhen metro stations in 2017

2.2 实验数据

研究数据包括从开源地图（Open-Street-Map, OSM）网站下载的2017年深圳市道路网络数据、公交线路数据,共有120 680条道路、5367个公交站点。利用百度地图与高德地图开放API接口爬取的2017年深圳市兴趣点数据,通过筛选后共包括工厂、商业场所、停车场、住宅小区、公共服务设施和风景名胜6类,共314 338条。其中,每个兴趣点包含有经纬度、名称、地址、类别等字段。

3 研究方法

地铁站点与公交接驳设施、建筑物和土地利用等相互影响。因此,从TOD视角出发,本文利用道路网络、地铁与公交线路、兴趣点等数据,量化地铁周边建成环境,分析其变化,从而精准确定地铁站点的吸引范围。具体地,以每个地铁站点 i 为中心、半径为R,构建的圆形缓冲区 iR ,分析缓冲区 iR 内TOD指标的变化,从而刻画地铁站点吸引范围,并进一步分析地铁站点吸引范围的重叠效应。实验流程见图2。
图2 划定地铁站点服务区域算法流程

Fig. 2 Workflow for identifying the catchment areas of metro station

3.1 TOD指标

TOD的核心理念是在公交或地铁站点周围建设具有高密度,土地功能多样化和交通衔接便利的区域。本文根据3D原则,主要从密度和多样性2个层面构建地铁站点周围的TOD指标,包括就业地点密度、土地功能混合利用度、路网密度、公交站点密度和停车场密度共5个子指标。
（1）就业地点密度（ D w ）
地铁站点周围高密度建设的诱因是地铁周边人群活动,其中频繁利用地铁出行的通勤人群是主要群体。通勤人群与就业地点分布密切相关,因此使用就业地点分布密度可反映了地铁站点周围建设密度和通勤人群分布。本文在兴趣点数据中提取了和就业相关的位置点数据,计算圆形缓冲区 iR 的就业地点密度指标,表征就业地点的空间布局。公式如下：
D w = W iR S iR
式中： W iR 表示缓冲区 iR 内所有就业地点的数量; S iR 表示缓冲区 iR 面积。
（2）土地功能混合利用度（ D l ）
地铁站点周围土地结构功能多样化,增强居民出行便捷性从而减少机动车出行,侧面促进环境可持续发展。混合用地类型吸引了不同的人群使用地铁出行,对地铁站点吸引范围的影响显著。本文利用兴趣点数据,计算工厂、商业场所、公共服务设施和风景名胜等不同用地设施的密度,进而计算香农熵,表示土地功能混合利用程度,如式（2）所示。
D l = - ∑ 1 n p iR × ln ( p iR )
式中： p iR 表示某一类设施的密度; n 表示设施类型分类数。香农熵值越高,表示土地功能混合利用程度越高,对人群使用地铁出行的吸引力越强;当香农熵值越低,土地功能混合利用程度越低,对人群使用地铁出行的吸引力越弱。
合理交通衔接可以加强地铁与其他交通工具的关联性,从而减轻由于城市快速发展所带来的交通压力。因此,本文使用道路网络、公交站点和停车场分布,刻画地铁站点周边交通的衔接合理性。
（3）路网密度（ D r ）
路网密度是指单位面积内道路总长度。本文利用路网数据,计算路网密度,表示路网分布的稀疏程度,如式（3）所示。
D r = r iR S i R
式中： r iR 为缓冲区 iR 内道路总长度; S iR 表示缓冲区 iR 的面积。
（4）公交站点密度（ D b ）
公交站点的分布稀疏直接影响了地铁与公交换乘客流的分布。本文使用公交站点密度表示公交站点的分布情况,公式如下：
D b = B iR S iR
式中： B iR 表示缓冲区 iR 内公交站点数量; S iR 表示缓冲区 iR 的面积。
（5）停车场密度（ D p ）
利用停车场位置数据,计算停车场密度,公式如下：
D p = P iR S iR
式中： P iR 表示缓冲区 iR 内 停车场数量; S iR 表示缓冲区 iR 的面积。

3.2 地铁站点聚类

利用TOD指标,本文采用K均值法对地铁站点的进行聚类。K均值聚类能够简单、快速地根据聚类指标进行迭代聚类,是常用的聚类方法之一。考虑到上述5个TOD指标的量值差异,本文首先将5个TOD指标分别归一化,计算综合指标,然后进行聚类。相较于使用5个TOD刻画指标进行聚类,使用综合指标对地铁站点进行聚类不仅可以减少计算成本,而且可以系统全面的反映地铁站周边区域的TOD状态。因此本文参照Zhou等[32]TODness指标公式系数,构建综合指标 CI 作为聚类因子。公式如下：
H = - ln ( N V iR )
CI = 0.5 × N V w + 0.4 × H N E × N E + 0.5 × N V r + H N V p × N V p + H N V b × N V b
式中： H 表示信息熵; N V iR 表示 iR 内的密度指标归一化值; N V w 表示就业地点密度指标的归一化值; H N E 表示归一化的土地混合利用信息熵; N E 表示土地混合利用的归一化值; H N V b 表示归一化的公交站点密度信息熵; N V b 表示公交站点密度的归一化值; N V r 表示路网密度的归一化值; H N V p 表示归一化的停车场密度信息熵; N V p 表示停车场密度的归一化值。
为确定K均值聚类方法中最合理的聚类数,本文根据综合指标 CI 误差平方和的变化,使用手肘法确定最优聚类数。误差平方和计算公式如下：
SSE = ∑ g ∈ C b g - m b 2
式中：SSE表示误差平方和; C b 代表第b个簇; g 是簇 C b 里的缓冲区 iR 的综合指标; m b 是第b个簇的综合指标。

3.3 聚类地铁站点吸引范围计算

聚类后,分析TOD指标随缓冲区半径的变化趋势,划定每类地铁站点吸引范围。
（1）TOD指标差异计算。分别计算5个TOD指标随缓冲区半径 R 变化的差异值,公式如下：
DI = N y iR - N y i ( R + 1 )
式中： DI 表示TOD指标差异值; N y iR 表示缓冲区 iR 的TOD指标归一化值; N y i ( R + 1 ) 表示缓冲区 i ( R + 1 ) 的TOD指标归一化值。
（2）设定DI阈值。随缓冲区半径 R 增加,若是DI一直小于设定阈值,则说明在缓冲区内某个TOD指标达到平稳变化状态。计算该TOD指标在到达平稳状态的半径值。取5个TOD指标对应的吸引半径均值作为该地铁站点的吸引半径。
（3）地铁站吸引范围计算。首先计算每个簇中所有地铁站点的吸引半径,然后取簇中所有地铁站点吸引半径的均值作为该类地铁站点的吸引半径 R ,以对应缓冲区为该类地铁站点吸引范围。

4 实验及分析

深圳市地铁站点分布并不均匀,在城市中心区较为密集,郊区则较为稀疏。深圳邻接地铁站点之间的间距平均值为1474 m,最小值为602 m（皇岗村-石厦）,最大值为6985 m（车公庙-福田）。为了使实验设定的服务区域半径候选范围覆盖所有可能的服务区域,同时,考虑到妇孺、老人步行到地铁站的忍受距离低于正常成年人,本文将地铁吸引范围区间的候选区间即缓冲区半径R设置为200~3000 m,取值间隔为1 m,分析TOD指标随半径的变化趋势。

4.1 地铁站点TOD指标变化

述了地铁站点TOD指标随半径R变化的变化趋势,包括全市平均就业地点密度、土地混合利用、公交站点密度、路网密度和停车场密度。结果表明：全局就业地点密度、土地混合利用和停车场密度指标随R变化趋势相似,都是呈现出先增加后平稳的变化趋势,最终趋于0.5。全局公交站点密度和平均路网密度则呈现出先减少后平稳变化的趋势,最终趋于0.3,但平均路网密度下降幅度更明显。总体来说,尽管TOD指标变化趋势存在差异,但随着半径区间取值的增加,指标值的变化趋向平缓甚至稳定,这为划定地铁站点影响范围提供了基础。
图3 2017年深圳市域地铁站点TOD指标变化曲线

Fig. 3 The curve of the TOD index of metro stations in 2017

选取1号线的南山区深大地铁站进行具体分析。1号线深大地铁站周边是深圳大学和南山区科技园,具备鲜明的地理位置。图4描述了深大地铁站的TOD指标随半径R的变化趋势。随着半径的增加,TOD指标总体呈现出先增长后递减,最终趋于平稳的变化形态。其中,就业地点密度和土地混合利用指标变化趋势相似,都呈现出前期递增,随后平稳递减的趋势;但就业地点密度指标前期增幅高于土地混合利用指标,2个指标最终分别趋于0.3和0.4。公交站点密度、路网密度和停车场密度指标变化趋势相似,三者前期都呈现剧烈波动,随后呈递减的趋势;但公交站点密度指标递减幅度更大,最终趋于0.2,而路网密度和停车场密度指标变化趋势虽然更相近,最终却分别趋于0.2和0.3。
图4 2017年深大地铁站点TOD指标变化曲线

Fig. 4 The curve of the TOD index of Shenda station in 2017

由此可知,全局地铁站点与单个地铁站点周围的TOD指标随缓冲区半径的变化趋势存在一定的差异。全局地铁站点周围TOD指标并不严格符合“距离衰减原则”。单个地铁站点TOD指标变化趋势则揭示了地铁站点周边区域TOD指标变化具有多样性。因此,基于TOD信息指标进行地铁站点吸引范围的划定时需要综合考虑不同地铁站点的差异。

4.2 不同类型地铁站点吸引范围识别

出了地铁站点的聚类结果。深圳市地铁站点类型多样,167个地铁站点共分为15类,其中大多数站点为第7、8和9类,少数站点分为其余12类。因此,本文考虑地铁站点类型的差异,计算不同类型地铁站点的吸引范围。
表1 2017年地铁站点聚类结果

Tab. 1 The clustering result of metro stations in 2017

类别 数量/个 类别 数量/个 类别 数量/个
第1类 4 第6类 3 第11类 1
第2类 1 第7类 49 第12类 2
第3类 8 第8类 31 第13类 4
第4类 7 第9类 36 第14类 2
第5类 2 第10类 14 第15类 3
同DI阈值下的聚类地铁站点的吸引半径及其方差,确定不同类型的地铁站点最终吸引半径,结果如表2所示。随着DI阈值的增大,每类地铁站点的吸引半径随之减小。当波动阈值为0.01时,15类地铁站点的吸引半径分布在1117~2152 m之间,不同类型的地铁站点存在差异。当设波动阈值为0.02和0.03时,随着R的增加,第8类—第15类地铁站点的TOD指标的前后变化均小于0.02,相应地,地铁站点吸引范围并不发生变化。比较吸引半径方差可以发现：随着波动阈值增加,半径方差值随之减少,不同类型地铁站点之间的差异越小。因此,为了详细分析不同类型地铁站点吸引半径的差异,本文最终选择波动阈值为0.01所识别的圆形缓冲区为地铁站吸引范围。
表2 2017年深圳地铁站点的吸引半径和方差

Tab. 2 The attraction radius and variance of Shenzhen metro stations with different threshold in 2017

类别 DI阈值
0.01 0.02 0.03 0.04 0.05
第1类 1987 1227 902 902 662
第2类 1761 1349 920 920 711
第3类 1119 744 539 539 453
第4类 1722 1142 929 929 716
第5类 1451 1036 929 759 518
第6类 1203 856 759 593 525
第7类 1191 753 593 560 474
第8类 1117 712 712 531 439
第9类 1352 880 880 649 540
第10类 1603 1011 1011 768 643
第11类 1568 983 983 774 374
第12类 2028 859 859 782 368
第13类 1735 996 996 737 625
第14类 1942 1144 1144 701 569
第15类 2152 1374 1374 1059 782
15类吸引半径方差 335.4 203.3 199.4 152.2 122.8
全市域地铁站点 1595 1004 902 747 560
法通常采用泰森多边形划定地铁站点服务范围。将其与本文结果进行对比分析,如图5所示。图5(a)—图5(c)为基于TOD指标所识别的地铁站点吸引范围,图5(d)为采用文献[33]中的泰森多边形方法划定的地铁吸引范围。可以发现：从整体上看,泰森多边形方法给出的吸引范围相对较小,难以有效反映地铁站点吸引范围之间的差异;地铁站点吸引范围相互互斥,无法反映出不同地铁站点在空间吸引范围上的联系,尤其是深圳市福田区、罗湖区等地铁站点密集地区。本文方法展示出地铁吸引范围重叠情况,可反映出地铁站点对城市空间的共同影响,也说明了地铁站点与站点之间并非独立个体。实际中,地铁站点的吸引范围受多方因素影响,吸引范围不尽相同。而传统方法使用经验值直接确定所有地铁站点的吸引范围,忽略了站点之间的空间差异。
图5 基于TOD指标识别的深圳地铁站点吸引范围

Fig. 5 The catchment areas of Shenzhen metro station identified by TOD indicators of classes

设定波动阈值为0.01,计算了每类地铁站点的吸引半径,并分析每个指标对最终吸引半径的影响,结果如图6所示。15类地铁站点最终识别的吸引半径值相近,但5个TOD指标所识别的地铁站点吸引半径差异显著。其中,就业地点密度指标所识别的吸引半径差异显著,土地混合利用指标次之,公交站点密度、路网密度和停车场密度识别出的吸引半径则较为相近。地铁站点TOD指标所对应的吸引半径各不相同：绝大部分地铁站点就业地点密度指标所识别的吸引半径最大;第11类和第13类地铁站点的土地混合利用指标所识别的地铁站点吸引半径最大;第3类地铁站点的公交站点密度指标所识别的地铁吸引半径最大。由此可知地铁站点的吸引半径差异显著的主要受就业地点密度影响。统计全市的地铁站点吸引范围可知,深圳市中心区的地铁站点吸引范围较小,非中心区的地铁站点吸引范围较大。中心区地铁站点周边的就业地点密集,公共交通设施密度高,服务的出行人群较为集中,TOD指标在较小的半径值处开始收敛。另一方面,出行人群有就近选择交通设施出行的习惯,故地铁站点在中心区形成的吸引范围较小且重叠程度较高。非中心区地铁站点周边的就业地点相对分散,通勤便捷度低于中心城区,人群对于地铁站点的可选择性低,导致吸引范围较大。
图6 2017年深圳不同类型地铁站点的吸引半径

Fig. 6 The combined map of the catchment areas of Shenzhen metro station in 2017

综合以上结果,从TOD概念下开发地铁站点的社会经济效益来看,可考虑在就业第点密集和土地混合利用度高的地区进行选址,从而提高新建地铁站点预期吸引范围;此外,在非中心区建设新的地铁站点,能够在更大的空间范围内服务地铁站周边地区居民的出行。

4.3 地铁站点吸引范围重叠分析

多个地铁站点对城市空间开发可能存在共同影响。地铁站点的吸引范围存在重叠效应。因此,不同于使用泰森多边形的CTPB[34]对重叠吸引范围进行分配,本文选取了深圳市宝安区和福田区地铁站点为例,对重叠吸引范围的空间分布进行进一步分析,尝试揭示不同经济发展的地区地铁站点重叠吸引范围的异同,结果如图7所示。
图7 2017年宝安区与福田区地铁站点吸引范围空间分布

Fig. 7 The spatial distribution of the catchment areas of metro stations in Bao'an (a) and Futian (b) in 2017

宝安区属于原深圳市关外辖区,城市设施建设水平较低,地铁站点分布较为稀疏,1号线、5号线和11号线共3条地铁线路经过宝安区。从图7(a)可知,宝安区整体上地铁站点的吸引范围重叠效应较低。仅在南部的宝中区域重叠比较明显。宝安中区域靠近社会经济发达的南山区,3条地铁线路在此交汇,周边开发强度较高,相应地地铁站点的吸引范围重叠度也明显增高。宝安区相邻地铁站点间的间距平均值为1878 m,最大值为3341 m（碧海湾-宝安）,而宝安区平均地铁站点吸引半径值为1371 m。虽然宝安区地铁间距最小值为856 m（灵芝—洪浪北）,但对应区域以及总体上地铁站点吸引范围重叠度很低,地铁站点的吸引范围只受自身吸引范围内的设施分布密度影响。
福田区是深圳市中心城区,区域社会经济发展程度高,人口分布密集。为适应区域居民出行需求,福田区的地铁站点建设充足且密集,共有6条地铁线路交汇于福田区。由图7(b)可知,福田区整体上地铁站点吸引范围高度重叠。其中,福田中央商务区地铁站点非常密集,开发强度非常高,部分区域被4个地铁站点的吸引范围共同覆盖。华强北区域作为电子销售和购物休闲产业集中区,开发强度也较高,地铁站点吸引范围也存在高度重叠。而福田区西部和北部等以居住和休憩功能为主,城市开发强度水平适中,相应地,地铁站点吸引范围存在一定程度的重叠。具体来说,福田区地铁站点间距平均值为1194 m,最小值为602 m（皇岗村-石厦）,最大值为3156 m（车公庙-福田）,福田区平均地铁站点吸引半径值为1295 m,从而导致福田区地铁站点吸引范围重叠效应显著,即地铁站点间的间距小于吸引半径,吸引范围受同一区域内的设施空间分布密度影响。
综上所述,本文方法所挖掘出的地铁站点吸引范围空间重叠与地区经济发展程度相符合。一方面,吸引范围重叠情况能够帮助识别城市功能集中的区域,并为分析地铁出行服务覆盖程度提供相关依据;另一方面,由于高度重叠的吸引范围与区域发展程度空间相关度高,从地铁站建设对周边城市区域发展的导向性来看,在中高度吸引范围重叠区域上建设新地铁站点,如福田区中南部和宝安区南部,可以为加快形成新城市功能集中区域提供规划参考。

5 结论

城市公共交通顺畅运营是维持居民日常生活的重要基础。目前大城市的地面交通运营已临近饱和,地铁交通成为有效的分流方式。因此,确定地铁站点的吸引范围,对于合理规划地铁站点建设和公共交通发展意义重大。本文利用道路网络、公共交通、兴趣点等多源城市数据构建地铁站点周围TOD指标,通过K均值聚类和波动阈值确定刻画地铁站点吸引范围。利用深圳市真实数据进行实验,结果发现：
（1） TOD指标的变化具有多样性,可以描述地铁站点上周边地铁出行需求等相关要素的变化情况,并进一步发掘出不同地铁站点的吸引范围。TOD指标在地铁站点上随着距离半径的增加,整体呈现逐渐收敛的态势,但在个体站点上的变化趋势具有多样性,符合地铁站点吸引范围受限于周边城市环境的情况。此外,地铁站点吸引范围受就业点密度和土地利用混合的影响最大,在新建地铁站点时通过考虑候选地铁站点周边的TOD因素,可为提高地铁站建设带来的社会经济效益提供决策参考。
（2）深圳市地铁站点服务范围在城市中心区和非中心区存在较为显著的差异,中心区由于单位距离地铁服务密度较高导致吸引范围在空间上的局限性,而非中心区由于单位距离居民需求密度较低从而在空间上产生较大的吸引范围。这种差异现象凸显出地铁服务的空间服务密度和居民需求密度的折中问题,如何制定两者的平衡点是城市地铁系统规划需要着重思考的问题。
（3）基于TOD指标的吸引范围划定方法可以反映出城市空间地铁站点吸引范围的重叠情况。本文方法挖掘出的吸引范围高度重叠区域和城市功能集中位置相符合,能为识别城市功能区域并分析地铁服务覆盖程度提供相关依据。另一方面,由于地铁站点建设对周边区域发展的导向性作用,可通过现有地铁站点吸引范围重叠情况选址新建地铁站点,为加快形成城市功能集中区域提供规划参考。
本文的研究成果能够从TOD的视角合理识别地铁站点吸引范围,探究影响地铁站吸引范围的因素及其重叠吸引范围空间分布,为政府合理规划地铁站点建设提供理论支撑,为城市功能疏解提供方法建议,促进城市的健康发展。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhang J, Wang M. Transportation functionality vulnerability of urban rail transit networks based on moving block: the case of Nanjing metro[J]. Physical A: Statistical Mechanics and Its Applications, 2019,535:122367.

[2]
Chorus P, Bertolini L. An application of the node place model to explore the spatial development dynamics of station areas in Tokyo[J]. Journal of Transport and Land Use, 2011,4(1):45-58.

[3]
Li L, Ren H, Zhao S, et al. Two dimensional accessibility analysis of metro stations in Xi'an, China[J]. Transportation Research Part A: Policy and Practice, 2017,106:414-426.

[4]
Ma X, Zhang J, Ding C, et al. A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership[J]. Computers, Environment and Urban Systems, 2018,70:113-124.

[5]
Zhang Y, Marshall S, Manley E. Network criticality and the node-place-design model: Classifying metro station areas in Greater London[J]. Journal of Transport Geography, 2019,79:102485.

[6]
王淑伟, 孙立山, 荣建. 北京市轨道站点吸引范围研究[J]. 交通运输系统工程与信息, 2013,13(3):183-188.

[ Wang S W, Sun L S, Rong J. Beijing rail site attraction range research[J]. Journal of Transportation Systems Engineering and Information Technology, 2013,13(3):183-188. ]

[7]
Chakraborty J, Armstrong M P. Exploring the use of buffer analysis for the identification of impacted areas in environmental equity assessment[J]. Cartography and Geographic Information Systems, 1997,24(3):145-157.

[8]
Aoife A A, Tapley N. The use of stated preference techniques to model modal choices on interurban trips in Ireland[J]. Transportation Research Part A, 2008,42(1):15-27.

[9]
陆化普, 朱军. 城市轨道交通规划的研究与实践[M]. 北京: 中国水利出版社, 2001.

[ Lu H P, Zhu J. Study and practice on urban rail transit planning[M]. Beijing: China Water Power Press, 2001. ]

[10]
Neill W A, Ramsey R D, Chou J C . Analysis of transit service areas using geographic information systems[J]. Transportation Research Record, 1997,1604:50-59.

[11]
Weinstein Agrawal A, Schlossberg M, Irvin K. How far, by which route and why? A spatial analysis of pedestrian preference[J]. Journal of Urban Design, 2008,13(1):81-98.

[12]
Cervero R. Transit-oriented development in the United States: Experiences, challenges and prospective[R]. 2004.

[13]
周慧, 靳凤娟. TOD在开放性大学校园规划中的应用——以湖南大学为例[J]. 中外建筑, 2011(1):85-86.

[ Zhou H, Jin F J. The application of TOD on the planning of open university: A case study of Hunan University[J]. Chinese and Overseas Architecture, 2011,1:85-86. ]

[14]
Bertolini L, Spit T. Cities on Rails: The redevelopment of railway station areas[M]. London: Spon Press, 1998.

[15]
Dittmar H, Ohland G. The new transit town: Best practices in transit-oriented development[M]. Island Press, 2004.

[16]
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.

[17]
Lyu G, Bertolini L, Pfeffer K. Developing a TOD typology for Beijing metro station areas[J]. Journal of Transport Geography, 2016,55:40-50.

[18]
Alharami A, Furlan R. Qatar national MUSEUM-Transit oriented development: The masterplan for the urban regeneration of a 'green TOD'[J]. Journal of Urban Management, 2020,9(1):115-136.

[19]
龙瀛, 周垠. 街道活力的量化评价及影响因素分析——以成都为例[J]. 新建筑, 2016(1):52-57.

[ Long Y, Zhou Y. Quantitative Evaluation on street vibrancy and its impact factors: A case study of Chengdu[J]. New Architecture, 2016,1:52-57. ]

[20]
李清泉. 从Geomatics到Urban Informatics[J]. 武汉大学学报·信息科学版, 2017,42(1):1-6.

[ Li Q Q. From geomatics to urban informatics[J]. Geomatics and Information Science of Wuhan University, 2017,42(1):1-6. ]

[21]
Liu Y, Liu X, Gao S, et al. Social sensing: A new approach to understanding our socioeconomic environments[J]. Annals of the Association of American Geographers, 2015,105(3):512-530.

[22]
Tu W, Cao J Z, Yue Y, et al. Coupling mobile phone and social media data: A new approach to understanding urban functions and diurnal patterns[J]. International Journal of Geographical Information Science, 2017,31(12):2331-2358.

[23]
Cao R, Tu W, Cao J, et al. Comparison of urban human movements inferring from multi-source spatial-temporal data[J]. ISPRS International Archives of the Photogrammetry Remote Sensing & Spatial Information Sciences, 2016, XLI-B2:471-476.

[24]
曹瑞, 涂伟, 巢佰崇, 等. 基于智能卡数据的地铁周边职住用地识别与分析[J]. 测绘地理信息, 2016,41(3):74-78.

[ Cao R, Tu W, Chao B C, et al. Identification and analysis of home and work regions in the vicinity of metro stations using smart card data[J]. Journal of Geomatics, 2016,41(3):74-78. ]

[25]
Gu P, He D, Chen Y, et al. Transit-oriented development and air quality in Chinese cities: A city-level examination[J]. Transportation Research Part D: Transport and Environment, 2019,68:10-25.

[26]
张晓春, 田锋, 吕国林, 邵源. 深圳市TOD框架体系及规划策略[J]. 城市交通, 2011,9(3):37-44.

[ Zhang X C, Tian F, Lu G L, Yu Y. Shenzhen TOD framework system and planning strategy[J]. Urban Transportation, 2011,9(3):37-44. ]

[27]
唐炉亮, 牛乐, 杨雪, 等. 利用轨迹大数据进行城市道路交叉口识别及结构提取[J]. 测绘学报, 2017,46(6):770-779.

[ Tang L L, Niu L, Yang X, et al. Using track big data for urban road intersection identification and structural extraction[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(6):770-779.]

[28]
孔令彦, 关丽, 丁燕杰, 等. 空间大数据支持下的城市区域评估及其关键技术[J]. 测绘通报, 2017(8):100-105.

[ Kong L Y, Guan L, Ding Y J, et al. Urban regional assessment and key technologies supported by space Big Data[J]. Bulletin of Surveying and Mapping, 2017(8):100-105. ]

[29]
单杰, 秦昆, 黄长青, 等. 众源地理数据处理与分析方法探讨[J]. 武汉大学学报·信息科学版, 2014,39(4):390-396.

[ Shan J, Qin K, Huang C Q, et al. Methods of crowd sourcing Geographic data processing and analysis[J]. Geomatics and Information Science of Wuhan University, 2014,39(4):390-396. ]

[30]
李清泉, 李德仁. 大数据GIS[J]. 武汉大学学报·信息科学版, 2014,39(6):641-644.

[ Li Q Q, Li D R. Big data GIS[J]. Geomatics and Information Science of Wuhan University, 2014,39(6):641-644. ]

[31]
Fang Z, Tu W, Li Q, et al. A multi-objective approach to scheduling joint participation with variable space and time preferences and opportunities[J]. Journal of Transport Geography, 2011,19(4):623-634.

[32]
Zhou J, Yang Y, GU P, et al. Can TODness improve (expected) performances of TODs? An exploration facilitated by non-traditional data[J]. Transportation Research Part D: Transport and Environment, 2019,74:28-47.

[33]
Calthorpe P. The next American metropolis: Ecology, community and the American dream[R]. Princeton Architectural Press, New York, 2002.

[34]
Sang G L, Tong D, Hickman M. Generating route-level mutually exclusive service areas: comparative study of alternative methods[J]. Transportation Research Record: Journal of the Transportation Research Board, 2013,2350(1):37-46.

Options
Outlines

/

〈 〉