交通运输研究 >

2022 , Vol. 8 >Issue 3: 143 - 153

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.03.015

基于改进节点-场所模型的城市轨道交通TOD评估

  • 张志健 , 1 ,
  • 高顺祥 1 ,
  • 陈越 1 ,
  • 肖中圣 1 ,
  • 邓进 1, 2 ,
  • 许奇 , 3
展开
  • 1.北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044
  • 2.北京城建设计发展集团股份有限公司，北京 100037
  • 3.北京交通大学 中国综合交通研究中心，北京 100044
许奇（1982—），男，云南普洱人，博士，副教授，研究方向为轨道交通与城市可持续发展。E-mail:

张志健（1998—），男，吉林公主岭人，硕士研究生，研究方向为大数据与城市公共交通。E-mail:

收稿日期: 2022-04-24

  网络出版日期: 2022-07-05

基金资助

国家自然科学基金项目(71621001)

国家自然科学基金项目(71971021)

收起

Evaluation of Urban Rail Transit TOD Based on Enhanced Node-Place Model

  • ZHANG Zhi-jian , 1 ,
  • GAO Shun-xiang 1 ,
  • CHEN Yue 1 ,
  • XIAO Zhong-sheng 1 ,
  • DENG Jin 1, 2 ,
  • XU Qi , 3
Expand
  • 1. Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China
  • 2. Beijing Urban Construction Design & Development Group Co., Ltd., Beijing 100037, China
  • 3. Integrated Transport Research Center of China, Beijing Jiaotong University, Beijing 100044, China

Received date: 2022-04-24

  Online published: 2022-07-05

Fold

摘要

为有效评价以公共交通为导向的开发模式（Transit-Oriented Development, TOD）的实施效果，以轨道交通与城市的协调程度为切入点，基于经典的节点-场所（Node-Place, NP）模型，引入客流作为第三维度，提出节点-场所-客流（Node-Place-Ridership, NPR）模型，从三维度定量评估轨道交通站点的发展水平和维度间协调程度。以厦门轨道交通站点为例，基于多源时空大数据，分别从三维度计算共33项基础指标值，并以各指标的全局莫兰指数为权重计算各维度指标的加权和，得到各维度归一化的价值，最终利用K-means方法对各站点进行聚类分析。结果显示，NP模型将车站分为6类，NPR模型则进一步结合客流指标重新调整车站类别，修正节点或场所价值单一指标在结果分类中的过大权重，15座车站的分类在工作日NPR模型中有所变化。此外，工作日厦门地铁中高客流站点集中于岛内，其中1号线站点场所价值偏高，2、3号线站点则多属于平衡类;岛外1号线站点多属于依赖类，各项指标值均偏低，2、3号线站点节点价值偏高。研究表明站点分类与城市建设进度紧密相关，站域范围内的交通、土地利用与客流之间存在普遍联系，在未来开发中应进一步有针对性地指导规划建设，促进轨道交通与城市融合发展。

关键词： 城市轨道交通; TOD(Transit-Oriented Development); 土地利用; 节点-场所模型; 时空大数据

本文引用格式

张志健 , 高顺祥 , 陈越 , 肖中圣 , 邓进 , 许奇 . 基于改进节点-场所模型的城市轨道交通TOD评估[J]. 交通运输研究, 2022 , 8(3) : 143 -153 . DOI: 10.16503/j.cnki.2095-9931.2022.03.015

Abstract

In order to effectively evaluate the implementation effect of TOD (Transit-Oriented Development), taking the coordination degree between rail transit and cities as the entry point, the paper proposed the NPR (Node-Place-Ridership) model based on the classical NP (Node-Place) model and introduced ridership as the third dimension to quantitatively assess the development level of rail transit stations from three dimensions and the coordination among dimensions. Taking Xiamen Metro stations as an example, based on the spatio-temporal data with multi-source, the values of 33 basic indicators were calculated from the three dimensions, and the global Moran index of each indicator was used as the weight to calculate the weighted sum of each dimensional indicator to get the normalized value of each dimension. Finally, the K-means method was used to cluster the stations. The results showed that the NP model divided the stations into 6 categories, while the NPR model further readjusted the station categories in combination with the ridership indicator, and corrected the excessive weight of a single indicator of node or place value in the result classification, and the classification of 15 stations was changed in the weekday NPR model. In addition, on weekdays, the stations of Xiamen metro with medium-high ridership were concentrated in the island, of which the place value of Line 1 was relatively high, while the stations of Line 2 and Line 3 mostly belonged to the balance category. Meanwhile, off-island stations of Line 1 mostly belonged to the dependency category, with low indicator values, and stations of Line 2 and Line 3 had higher node value. The research demonstrates that the classification of stations is closely related to the progress of urban construction, and there is a general connection between the transportation, land use and ridership within the station area. In the future development, the planning and construction should be guided purposefully further to promote the integrated development of rail transit and the city.

Key words： urban rail transit; TOD(Transit-Oriented Development); land use; node-place model; spatio-temporal big data

0 引言

为解决快速城镇化带来的诸多大城市病，提升轨道交通财务可持续性，以公共交通为导向的开发模式（Transit-Oriented Development, TOD）已成为促进城市与轨道交通可持续发展的重要方式。轨道交通站点周边良好的服务状况是实现紧凑型城市建设的重要保证，因此开展TOD发展的测度研究具有重要的实践意义。
TOD理念中，轨道交通站点具有运输乘客的交通功能与带动周边发展更新的城市功能双重属性[1⇓-3]。既有研究基于TOD的3D准则，即高密度开发（Density）、用地功能混合（Diversity）和良好的城市设计（Design），对不同站点进行量化评估[4]，但仅依靠该方法无法充分体现站点周边的发展潜力以及交通与土地利用的协调程度。Bertolini[5]提出的节点-场所（Node-Place, NP）模型通过量化评估站点地区的节点价值和场所价值以综合评价两者的发展水平和协调程度。在此基础上，部分学者将可步行性和行人舒适度等设计特征纳入NP模型，但仍是以对指标的补充和细化为主[6⇓⇓⇓-10]。尽管NP模型对节点与场所价值的刻画愈发详尽，但仍忽略了二者与客流之间的复杂互动机制[11]。轨道交通站点通过提升所在地区的交通容量和可达性，吸引商业、办公等竞租能力强的活动在其周边集聚，促使土地的用地性质和开发强度发生改变，而站域功能的强化又为轨道交通的发展提供了充足的客流支撑。然而，既有关于客流的研究或将其作为节点价值和场所价值的一部分[11-12]，或仅评价两两之间的协调程度，未能充分反映客流、交通与土地利用三者间的相互作用[13⇓-15]。
鉴于现有评价体系对TOD发展的评价不够全面细致，本文在经典的NP模型基础上，新增客流作为第3个评价维度，提出改进的场所-节点-客流（Node-Place-Ridership, NPR）模型，分别针对工作日与休息日不同的客流特点从场所、节点、客流3个维度对站点的发展水平和维度间协调程度进行量化评估，并依据车站聚类结果，研究不同类型站点的发展策略，以促进轨道交通与城市的高质量融合发展。

1 节点-场所-客流模型的原理与构建

1.1 改进的节点-场所模型

NP模型基于站域交通与土地利用应协同发展的理论[5]，其结果能评价轨道站点周边区域的发展短板，并能为引导站域交通与土地利用向协同状态转变的规划提供指导。具体而言，NP模型通过定量测度站点地区节点价值和场所价值，将站域划分为5种类型以综合评价两者的发展水平和协调程度，如图1（a）所示。
图1（a）中由对角线向两侧延展出的纺锤形区域表示节点与场所价值的协调状态，该区域又由上至下被分为“压力”、均衡”“依赖”3部分。“压力”表示站点节点与场所价值均处于最高水平，站点周边开发趋近饱和状态;“均衡”表示站点节点与场所价值适中，各种指标协调较好;“依赖”类站点交通与城市活动较少，开发潜力较大。另外，在上述区域外为不协调区域，右下角为“不均衡节点”，表示站点周边城市开发迟滞于交通基础设施建设;左上角为“不均衡场所”，此类站点周边城市开发强于交通节点功能，需要加强交通基础设施建设。
在NP模型的基础上，本文将客流要素加入至第3轴，使NP模型改进为NPR模型，其空间中各区域的分类如图1（b）所示。NPR模型根据3维指标的差异将站点分为“压力&高客流”“依赖&低客流”“平衡”“不均衡节点”“不均衡场所”5类，其中平衡类与不均衡类又可依据客流量的不同进一步细分，从而实现对站点更精细、全面的分类评价。

1.2 指标说明

NPR模型从节点价值、场所价值、客流价值3方面对站点周边区域进行评价，本文采用的评价指标体系及说明如表1所示。节点价值评价交通服务水平，包括站点及区域两个角度，共计9项指标。其中，站点角度包含站点在轨道交通线网中的区位、所在线路的服务水平以及交通运行情况;区域角度考虑站点周边的交通供给水平以评价乘客到达与离开站点的便捷程度。
表1 NPR模型的指标说明
维度 分项指标 基础指标 指标说明
节点 站点区位 距中心距离 各站点距城市中心的直线距离/km
介数中心性 反映站点在线网拓扑中的重要程度
交通供给 车站出入口数量 车站出入口个数/个
轨道换乘便捷性 车站可换乘的轨道线路条数/条
公交接驳便捷性 车站800m范围内可换乘的公交线路条数/条
行人接驳便捷性 车站800m范围内步行道路长度/km
交通服务 地铁发车间隔 车站所处轨道线路最小发车间隔/min
交通运行 轨道交通连接度 车站到其他所有站平均公交出行时间/min
城市功能连接度 车站到城市中心平均公交出行时间/min
场所 高效聚集 职住密度 职住人口数与车站800m范围面积的比值/（人·km-2）
职住密度紧凑度 车站500m范围的职住密度与500~800m范围的比值
商业服务设施密度 商业服务设施个数与车站800m范围面积的比值/（个·km-2）
公共服务设施密度 公共服务设施个数与车站800m范围面积的比值/（个·km-2）
绿地密度 公园个数与车站800m范围面积的比值/（个·km-2）
用地开发 建筑覆盖率 建筑占地面积与车站800m范围面积的比值
建筑开发强度 车站800m范围内平均容积率
建筑开发紧凑度 车站500m范围内的容积率与500~800m范围的比值
总商业建筑面积 商业类型AOI的建筑面积总和/km2
多元混合 产业混合度 不同经济行业分类POI的混合熵
功能混合度 不同功能分类POI的混合熵
用地混合度 不同用地分类AOI的混合熵
住房混合度 不同性质的住宅小区POI的混合熵
街区设计 天空开阔度 车站800m范围内平均可见天空的范围
慢行指数 步行等时圈面积与车站800m范围面积的比值
住房小区邻接性 车站800m范围内小区到车站的平均步行时间/min
就业岗位邻接性 车站800m范围内岗位到车站的平均步行时间/min
路网密度 车站800m范围内的路网密度/（km·km-2）
潜在价值 就业可达性 32min内利用公共交通可以获得的岗位数量/个
城市服务可达性 32min内利用公共交通可以获得的POI数量/个
物业增值能力 车站500m范围的平均房价与500~800m范围的比值
人口活力 车站800m范围工作日9：00—21：00的累计人次
客流 工作日客流量 工作日客流量 工作日均进站量/人次
休息日客流量 休息日客流量 休息日均进站量/人次

注：AOI（Area of Interest）为兴趣面，POI（Point of Interest）为兴趣点。

上述基础指标中，介数中心性是网络中心性的一种，既有研究用其反映站点在线网拓扑中的重要程度[11,16]，具体计算方法如式（1）[17]所示。轨道交通连接度与城市功能连接度分别是车站到所有车站以及车站到中心车站的轨道交通平均出行时间，包括候车、在车、换乘时间，反映站点利用轨道交通出行的便捷程度，通过电子地图获取的路径规划数据计算。
B i = ∑ s ≠ i ≠ t ∈ V σ s t ( i ) σ s t
式（1）中：Bi为站点i的介数中心性; σ s t为站点s到站点t的最短路径数; σ s t ( i )为站点s与站点t间经过站点i的最短路径数;V为全部站点集合。
场所价值评价周边建成环境，从高效聚集、用地开发、多元混合、街区设计和潜在价值等5方面提出22项指标度量站点周边的开发水平，如表1所示。其中，混合度指标以信息熵反映站域开发的多样性，按式（2）[18]计算。天空开阔度表示站点周围步行者能看到的天空范围，反映街区设计中慢行交通的出行环境友好程度，其计算如式（3）与式（4）[19]所示。
E i = - ∑ m M p o i i m l n ( p o i i m ) l n M
式（2）中： E i为站点i的用地功能混合熵; p o i i m为站点i周边m类POI的数量;M为POI全部类型的数量，本文M取8。
S V F i = 1 - ∑ d i r e c t i o n 360 ° / α Ω d i r e c t i o n
Ω d i r e c t i o n = s i n 2 γ ( α / 360 ° )
式（3）~式（4）中： S V F i为i站点步行吸引范围内的天空开阔度; α为方位角步长; Ω d i r e c t i o n为每个方位对该点的遮蔽度;γ为每个方位上建筑物形成的最大建筑高度角，用于计算遮蔽度。

1.3 综合评价

NPR模型指标体系涉及多层次、多类型指标的聚合，不同指标权重的选取尤为关键。既有研究确定权重的方法包括变异系数法、信息熵值法、德尔菲法、专家打分法等主、客观赋权法，但均无法反映数据的空间特征。
因此，本文首先对各项基础指标进行归一化处理，并采用可反映数据在空间上集聚特征的全局莫兰指数作为基础指标的权重，计算模型如式（5）[20]所示。
M o r a n ' I i b = n ∑ i = 1 n ∑ j = 1 n w i j ∑ i = 1 n ∑ j = 1 n w i j z i b z j b ∑ i = 1 n z i b 2
式（5）中： M o r a n ' I i b为站点i在评价指标b时的莫兰指数;b为站点i的基础指标的归一化结果;n为站点总数; z i b与 z j b分别为站点i与j的归一化基础指标b与其平均值的偏差; w i j为站点间的空间权重。
在莫兰指数的基础上，计算并集计各分项中所有基础指标的加权和，以进一步归一化得到各站点的节点与场所价值。然后结合客流指标，利用K-means方法对各站点进行聚类分析得到相应结果。

2 研究区域与数据

厦门市为东南沿海重要的港口及中心城市，其城区被海域划分为本岛（岛内）与内陆（岛外区域，包括海沧区、集美区、同安区、翔安区等不在厦门本岛上的区域）两部分，本岛为厦门市核心区域，内陆则分别向北、西、东3个方向延伸发展。厦门市轨道交通于2017年12月31日开通运营，至今已开通3条线路，里程达98.4km，设站65座;已有的3条线路分别自本岛向北、西、东连接本市内陆部分，如图2所示。
在针对轨道交通站点周边建成环境的研究中，一般以步行吸引范围（Pedestrian Catchment Area, PCA）作为轨道交通站点的服务覆盖范围，既有研究多采用圆形缓冲区表示站点的PCA。以10min作为步行时间阈值、1.3m/s为平均步行速度，本文选用800m缓冲区作为地铁站点的PCA。
本文运用多源融合数据，数据集主要包含：厦门轨道交通站点数据与线路数据、联合国人口数据、基于工作地及居住地统计的城市人口数据、基于工作日及休息日统计的城市人口热力数、站点周边兴趣点（POI）与兴趣面（AOI）数据、建筑数据、路网数据、高程数据、小区数据、公交站点以及路径规划数据、车站进站量数据等。上述多源数据主要来自电子地图运营商、公开数据等数据源，具体描述如表2所示。
表2 多源数据使用概况
数据类型 数据集名称 数据条数 数据字段 数据来源
公共交通数据 轨道交通站点数据 68 站点名称、经纬度 厦门市大数据平台
轨道交通线路数据 3 线路名称、经纬度 公开数据
公交站点数据 1 795 名称、分类、经纬度、途经线路 高德地图
人口数据 联合国人口数据 — 人口数量 联合国官网
人口热力数据 1 150 489 日期、小时、人数 厦门市大数据平台
建成环境数据 站点周边POI 173 208 名称、属性、经纬度 厦门市大数据平台
站点周边AOI 1 145 名称、属性、面积 百度地图
建筑数据 110 092 高度、面积、位置 高德地图
路网数据 36 976 ID、分类、长度 Open Street Map
高程数据 — — BIGEmap GIS
小区数据 2 499 名称、房价、户数 链家网
路径规划数据 电子地图路径规划数据 99 192 起点、终点、出行时间与费用 高德地图
客流数据 站点周进站量数据 455 日期、进站量 厦门地铁
维度 分项指标 基础指标 莫兰指数 最小值 最大值 平均值
节点 站点区位 距中心距离 0.99 0.00 21 692.00 7 848.34
介数中心性 0.63 0.00 0.53 0.17
交通供给 车站出入口数量 0.16 2.00 10.00 4.38
轨道换乘便捷性 0.02 1.00 2.00 1.08
公交接驳便捷性 0.56 0.00 53.00 22.00
行人接驳便捷性 0.71 3.04 46.88 21.26
交通服务 地铁发车间隔 0.76 250.00 390.00 328.62
交通运行 轨道交通连接度 0.97 1 279.71 3 525.37 1 934.27
城市功能连接度 0.96 0.00 3 096.00 1 251.88
场所 高效聚集 职住密度 0.65 914.11 54 686.01 20 377.24
职住密度紧凑度 0.16 0.05 0.89 0.21
商业服务设施密度 0.40 8.46 1 068.37 271.87
公共服务设施密度 0.52 0.00 53.24 9.65
绿地密度 0.48 0.00 28.86 4.40
用地开发 建筑覆盖率 0.81 0.00 0.44 0.19
建筑开发强度 0.52 0.00 1.78 0.42
建筑开发紧凑度 0.12 0.00 21.08 1.42
总商业建筑面积 0.76 0.00 393 282.93 122 179.64
多元混合 产业混合度 0.37 0.15 0.73 0.62
功能混合度 0.50 0.15 0.82 0.67
用地混合度 0.04 0.19 0.76 0.64
住房混合度 0.46 0.00 0.84 0.29
街区设计 天空开阔度 0.67 0.01 0.59 0.13
慢行指数 0.21 0.09 0.66 0.44
住房小区邻接性 0.04 0.00 2 462.50 691.43
就业岗位邻接性 0.05 353.59 2 134.44 866.83
路网密度 0.66 0.00 0.03 0.02
潜在价值 就业可达性 0.97 58 917.00 877 080.00 595 900.28
城市服务可达性 0.97 54.00 1 177.00 795.88
物业增值能力 0.23 0.00 1.25 0.60
人口活力 0.73 13 728.00 910 896.00 365 616.85
客流 工作日客流量 工作日客流量 0.25 315 12 845 4 722
休息日客流量 休息日客流量 0.25 286 13 000 3 530

3 结果分析

3.1 指标分析

利用全局莫兰指数的空间集聚特征衡量各站点多层次、多类型指标的权重，结果如表3所示。
以表3中莫兰指数作为权重，汇集各项指标后可得厦门市各站点的节点价值分布如图3（a）所示。厦门岛内中心区域站点的节点价值最高，外部站点的节点价值则随距市中心的距离增加而衰减，说明厦门岛为厦门市轨道交通线网的核心区域。换乘站点的节点价值在同区位站点中表现出了较高的水平，这得益于其较高的介数中心性与交通供给水平。同时，2号线在线网中的重要性和连通性也大于其他线路，因此2号线各车站的节点价值明显高于其他线路。
图3 厦门轨道交通站点节点与场所价值空间分布
场所价值的分布呈现出向岛内中心聚集的特点，岛外仅集美区与海沧区部分站点场所价值较高，如图3（b）所示。这是由于场所价值的各项指标如高效聚集、用地开发等均高度依赖于站点周边的开发水平，因此在已开发完善区域的站点的场所价值较高。上述分布表明厦门岛内的开发成熟度显著优于其他区域，且厦门发展趋势是由岛内向外逐渐延伸。
相较于场所和节点指标，厦门市轨道交通的客流分布特征存在更明显的中心性，且工作日与休息日相差较小，仅部分站点存在明显不同，如图4所示。客流量大的站点聚集于3条线交叉围成的近圆形区域内，该区域包含大量居住与商业用地，为厦门市核心地段。在该区域外1、2号线岛内段客流也较多，但在岛外仅园博苑、海沧行政中心等站客流较大。
图4 厦门轨道交通站点日均客流空间分布
另外，工作日与休息日的差距体现在部分休闲购物与就业集中站点，如塘边站位于岛内中部，以休闲娱乐为主，其休息日进站量高于工作日;而软件园二期、何厝等站靠近软件园等就业聚集区，工作日进站量显著高于休息日。

3.2 模型对比

根据NP及NPR（工作日）、NPR（休息日）指标，利用K-means聚类算法分别将厦门市轨道交通站点分为6类，具体结果如下。
（1）NP模型结果
NP模型的聚类结果及空间分布如图5所示，差异体现在不同区位及线路的站点间。平衡类站点主要分布在2号线厦门岛中心两侧，连通度好且开发时间早，具有中高的节点与场所价值;依赖类站点的节点、场所价值均偏低，出现在1号线沿海布设的岛外段，覆盖范围有限;压力类站点同时拥有高节点与场所价值，主要位于市中心商业与就业区域。
此外另有3类不均衡站点：不均衡节点站点位于2、3号线末端，导致其场所价值偏低;不均衡场所类可据其节点价值大小分为两类，高节点站点位于3号线岛内段，客流和开发强度均较弱;低节点站点主要位于岛内线路服务水平不能满足场所需求的成熟建成区。
图5 NP模型聚类结果
（2）NPR模型结果
NPR模型在NP模型的基础上引入客流指标，导致部分节点、场所价值相近的站点在客流指标加入后分类发生变化，其中根据工作日与休息日客流量的不同，变化也有所不同（见图6和图7）。分类的变化主要出现在岛内区域，具体如下。
图6 NPR模型（工作日）聚类结果
图7 NPR模型（休息日）聚类结果
①岛内中南部的体育中心、育秀东路及湖滨东路站由NP模型中的压力类转化为NPR模型（工作日）中的平衡&中高客流类。湖滨东路站在NPR模型（休息日）中再次转为压力&高客流类站点。这一变化说明尽管节点与场所价值均较高，但较低的客流量会压缩两者的影响，改变站点的聚类结果。
②岛内中部的乌石浦站由NP与NPR模型（工作日）的不均衡场所转为压力&高客流分类，该站周边的购物设施在休息日带来的巨大客流改变了该站的分类。
③NP模型中的不均衡场所（高节点）类站点转化为平衡&中低客流类站点，这类站点的稳定客流弥补了其场所价值的不足。而在岛外区域，位于3号线末端的后村与蔡厝站也发生了相应的变化，两站在NP模型中分别为不均衡节点与依赖类，而在NPR（工作日）中均变为不均衡节点&低客流类，在NPR（休息日）中又由于休息日的低客流转换为依赖&低客流类站点。
此外，仍有3类的大部分站点的定义没有改变，分别为依赖类、不均衡节点与压力类，它们分别对应低客流与高客流。这些站点的节点价值与场所价值为所有站点中的极值水平，故其分类受客流影响较小。

3.3 讨论

结合NPR模型的不同分类，提出针对各类站点的差异化TOD开发策略。
（1）依赖&低客流类。这些站点位于城市郊区，开发程度低，交通基础设施不完善，应在提升交通接驳能力的同时依托轨道交通站点建设具有区域特色的开发体系以吸引由中心城区出发的反向客流。以地铁厦门北站为例，该站位于线网末端且周边开发不完善，考虑到其交通枢纽的定位，未来应着重提升站点公共交通通达度以连接城市更多区域，在提升客流吸引能力的基础上，进一步进行站域经济开发。
（2）平衡&中高客流类。该类站点各项指标较为平衡，位于城市中心区，周边以居住及混合用地为主，应在现状基础上限制站域开发强度，着力进行城市更新发展。以建业路站为例，该站周围建成环境成熟，毗邻数座商务建筑，外围则多为住宅，该站应做好周边用地设施的动态更新，维持现有开发水平，以避免过度吸引客流造成拥挤。
（3）平衡&中低客流类。该类站点与平衡&中高客流类站点类似，主要位于城市中心区，但周边以低密度居住用地为主，故客流水平较低。应在现状基础上控制站域开发速度，实行有限开发。以湖滨中路站为例，该站毗邻白鹭洲公园与狐尾山公园，周边以居住用地为主，该站应结合周边绿地与广场用地较多的优势进行针对开发，提升站域经济活力及土地价值。
（4）压力&高客流类：此类站点位于城市核心区，各项指标趋于饱和，应避免过度开发，并结合城市更新项目向周边疏解客流压力。以吕厝站为例，该站是市中心的换乘站点且站域以商业商务用地为主，客流压力大。故建议该站一方面加强与周边商业设施的联系，实现站城有机结合，缓解客流压力;另一方面控制站域新项目的开发数量，向外疏解商业设施，同时在规划新线时避免在此重复交叉以减轻换乘压力。
（5）不均衡场所&高客流类。这些站点位于城市中心区，其节点价值不能满足周边用地及客流需求，应加大交通基础设施建设力度。以镇海路站为例，该站位于厦门老城区，周边用地情况复杂且商业商务设施密集，未来应考虑增加公交线路、优化线路发车频率甚至规划新线路等措施以提升该站的节点价值并向周围疏散客流压力。
（6）不均衡节点&低客流类。该类站点主要位于城市郊区新建线路上，站域用地开发处于起步阶段，尚未形成成熟的客流体系，建议结合用地规划合理设置站点开发目标，适当建设位于郊区的多样功能节点。以鼓锣站为例，该站位于翔安区南部，靠近规划中的城市副中心，建议进一步完善周边居住用地配套服务以聚集人口并与临近站点联动，加快商务设施建设速度，进行高混合度开发，打造区域中心以提升站域场所价值。

4 结语

本文以厦门市为例，在传统NP模型的基础上提升维度引入客流指标，建立节点、场所、客流三者融合的TOD评价体系。案例计算结果表明，NPR模型可以修正场所或节点价值单一指标在结果分类中权重过大的问题，实现对车站更精细、更全面的分类评价。NP模型从节点与场所两个维度将厦门市全部65座轨道交通车站分为6类，而NPR模型进一步结合客流指标将类别调整为压力&高客流、平衡&中高客流、平衡&中低客流、不均衡场所&高客流、不均衡节点&低客流、依赖&低客流6类，对站点类别结合客流进行了更精确的划分。NPR模型中不同类别站点分布不仅具有显著的空间集聚特点，也与城市建设进度紧密相关，这一结果直观反映了站域范围的交通、土地利用与客流特点，有助于进一步有针对性地指导规划建设。在此基础上，NPR模型为土地开发、交通基础设施建设与乘客出行构建联系，定量刻画三者之间的协同程度，可为决策者提供认识站域开发情况的融合视角，有助于更全面地引导区域空间规划与交通组织。受数据限制，本文仅以厦门为研究案例，而NPR模型具有普适性，未来可探究不同线路乃至不同城市间的站点开发特点，为促进轨道交通与城市融合发展的高质量发展目标的实现提供理论支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
BERNICK M, CERVERO R. Transit villages in the 21st century[M]. New York: McGraw-Hill, 1997.

[2]
BERTOLINI L. Nodes and places: complexities of railway station redevelopment[J]. European Planning Studies, 1996, 4(3): 331-345.

[3]
JACOBS M. Multinodal urban structures: a comparative analysis and strategies for design[J]. Popular Astronomy, 2000, 11(4): 764-766.

[4]
IBRAEVA A, CORREIA G H, SILVA C, et al. Transit-oriented development: a review of research achievements and challenges[J]. Transportation Research Part A: Policy and Practice, 2020, 132: 110-130.

[5]
BERTOLINI L. Spatial development patterns and public transport: the application of an analytical model in the Netherlands[J]. Planning Practice & Research, 1999, 14(2): 199-210.

[6]
LI Z K, HAN Z X, XIN J, et al. Transit oriented development among metro station areas in Shanghai, China: variations, typology, optimization and implications for land use planning[J]. Land Use Policy, 2019, 82: 269-282.

[7]
SU S, ZHANG H, WANG M, et al. Transit-oriented development (TOD) typologies around metro station areas in urban China: a comparative analysis of five typical megacities for planning implications[J]. Journal of Transport Geography, 2021, 90: 102939.

[8]
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.

[9]
VALE D S, VIANA C M, PEREIRA M. The extended node-place model at the local scale: evaluating the integration of land use and transport for Lisbon′s Subway Network[J]. Journal of Transport Geography, 2018, 69: 282-293.

[10]
李立峰. 基于节点-场所模型的轨道站点地区交通与土地利用协同性研究[D]. 重庆: 重庆大学, 2018.

[11]
CAO Z J, ASAKURA Y, TAN Z. Coordination between node, place, and ridership: comparing three transit operators in Tokyo[J]. Transportation Research Part D: Transport and Environment, 2020, 87: 102518.

[12]
CASET F, BLAINEY S, DERUDDER B, et al. Integrating node-place and trip end models to explore drivers of rail ridership in Flanders, Belgium[J]. Journal of Transport Geography, 2020, 87: 102796.

[13]
姜莉, 温惠英. 空间耦合连接性的TOD测度模型构建及应用研究[J]. 交通运输系统工程与信息, 2021,21(4):239-247.

[14]
彭诗尧, 陈绍宽, 许奇, 等. 基于POI的土地利用与轨道交通客流的空间特征[J]. 地理学报, 2021,76(2):459-470.

[15]
朱宇婷, 刘莹, 许奇, 等. 交通可达性与城市经济活动的空间特征分析:以北京市为例[J]. 交通运输系统工程与信息, 2020,20(5):226-233.

[16]
CASET F, VALE D S, VIANA C M. Measuring the accessibility of railway stations in the Brussels Regional Express Network: a node-place modeling approach[J]. Networks and Spatial Economics, 2018, 18(3): 495-530.

[17]
FREEMAN L C. A set of measures of centrality based on betweenness[J]. Sociometry, 1977, 40(1): 35-41.

[18]
MANAUGH K, KREIDER T. What is mixed use? Presenting an interaction method for measuring land use mix[J]. Journal of Transport and Land use, 2013, 6(1): 63-72.

[19]
MIDDEL A, LUKASCZYK J, MACIEJEWSKI R, et al. Sky view factor footprints for urban climate modeling[J]. Urban climate, 2018, 25: 120-134.

[20]
MITCHEL A. The ESRI Guide to GIS analysis, Volume 2: Spartial measurements and statistics[M]. Redlands: ESRI Press, 2005.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发