城市轨道交通站点与建成环境协调性评估及针对性发展策略研究

Assessment of Coordination between Urban Rail Transit Stations and Built Environment and Development Strategies

摘要

城市轨道交通站点功能与周边建成环境的协调问题，已成为出行服务与城市功能深度融合的重要保障。以北京市轨道交通站点为研究对象，首先结合节点-场所-客流模型和K-means算法量化评估站点与周边建成环境的协调性，之后针对不同协调状态的站点群，构建多尺度地理加权回归模型分析各种因素对车站客流的影响程度，最后针对不同类型的站点群提出协调发展策略。结果表明：北京市轨道交通站点的协调状态可分为客流压力型站点、综合发展型站点、节点失衡型站点、客流失衡型站点、潜力发展型站点和滞后发展型站点共6类；不同类型的站点受到建成环境指标的影响程度和作用方向存在显著差异；对不同协调状态的站点群进行影响因素量化分析的基础上提出的发展建议更具有实际指导意义。

Abstract

The coordination of urban rail transit station functions with the surrounding built environment has become an important guarantee for the deep integration of travel services and urban functions. This paper studied Beijing's urban rail transit stations. Firstly, it quantitatively evaluated the coordination between the stations and their surrounding built environment by utilizing the node-place-ridership (NPR) model and the K-means algorithm. After that, a multi-scale geographically weighted regression (MGWR) model was constructed for different coordinated station groups, so as to analyze the influence of various factors on the ridership of the stations. Finally, coordinated development strategies were proposed for different types of station groups. The results show that the coordination states of Beijing's rail transit stations can be classified into six types: ridership pressure stations, integrated development stations, node imbalance stations, ridership imbalance stations, potential development stations, and lagging development stations. There are significant differences in the degree and direction of the influence of built environment indicators on different types of stations, and the development recommendations based on the quantitative analysis of influencing factors for stations in different coordination states are more practically instructive.

Graphical abstract

关键词

城市轨道交通 / 节点-场所-客流模型 / 多尺度地理加权回归模型 / 定量分析 / 发展策略

Key words

Urban Rail Transit / Node-Place-Ridership Model / Multi-Scale Geographically Weighted Regression Model / Quantitative Analysis / Development Strategy

0　引言

城市轨道交通与周边建成环境是城市系统的重要组成部分，二者的协调发展是推动城市良性发展的关键。既有研究中，协调被定义为系统中相互联系的要素间互相配合，彼此促进，从而使系统成为一个和谐发展的有机整体^[1]。在此，协调特指轨道交通系统和建成环境系统中各要素之间的相互配合和促进，以构建一个和谐发展的社会整体。当轨道交通系统与建成环境系统处于协调状态，二者相互促进，促进社会经济发展；而当二者处于失调状态，则可能造成一系列的交通问题、环境问题和社会问题。因此，研究如何促进城市轨道交通站点功能和周边建成环境的协调发展对于提高站点周边土地利用效率、优化城市发展格局以及实现城市的可持续发展具有重要意义。

针对轨道交通与建成环境协调性评估问题，应用最为广泛的基础模型是1999年荷兰学者Bertolini^[2]提出的节点-场所(Node-Place，NP)模型。周青峰等^[3]利用NP模型判断了深圳市各地铁站点用地和交通的协调发展模式，并揭示了交通引发土地开发的趋势是从不平衡逐渐趋向平衡。杨镇铭等^[4]利用NP模型对成都市6个中心型地铁站点地区的协同性水平进行评价。部分学者结合城市的实际情况对传统NP模型进行改进。石坚韧等^[5]利用多源数据，结合NP模型和耦合协调度模型，综合评估了轨道交通与土地利用的耦合协调度。Ma等^[6]引入系统支持维度，评估了成都天府新区地铁站点的以公共交通为导向的开发(Transit-Oriented Development，TOD)水平，结果表明部分站点的NP状态与系统支持状态并不一致，并针对此类站点提出了发展策略。Li等^[7]将表征城市轨道交通与用地形态和功能连接的方向性特征作为第三维度，评估了上海市轨道交通站点的TOD发展现状，并用自组织映射聚类对站点TOD类型进行了划分。陈飞等^[8]增加了“关系”维度，对广州市地铁的TOD现状进行评估，再通过自组织映射聚类实现对站点的分类解读。张志健等^[9]将客流作为单独维度，构建了节点-场所-客流(Node-Place-Ridership，NPR)模型，量化了轨道交通站点的发展水平和协调程度，并运用K-means方法对站点进行聚类分析。

现有研究多停留在根据协调性评估结果给出定性发展建议的层面，缺乏针对不同协调状态站点的建成环境因素影响的定量研究。鉴于此，以北京市轨道交通站点为研究对象，考虑到轨道交通客流与站点周边建成环境密切相关^[10-11]，采用NPR模型分析轨道交通与建成环境的协调关系，并利用K-means聚类划分站点协调水平；在站点分类的基础上，针对不同的站点群构建多尺度地理加权回归(Multi-scale Geographically Weighted Regression，MGWR)模型定量分析建成环境对轨道交通客流特征的影响，揭示不同站点类型中建成环境因素的关键作用，并提出相应的协调性发展策略。

1　研究对象与数据来源

1.1　研究对象

以北京市地铁站点作为研究对象，剔除机场站和高速铁路车站等特殊用途的站点，最终保留了300个地铁站点。参考既有研究^[11]以800 m半径范围为站域尺度得到较好解释性的指标，考虑到共享单车的广泛应用，出行者可接受的步行距离较大，故将站点周围800 m半径作为轨道交通站点的影响范围。由于800 m半径范围的影响区中，市中心区域及其他站间距较小、站点分布密集区域存在明显的重叠现象，导致数据统计存在重复性误差，因此在这些区域引入泰森多边形理论对重叠区域进行重新分配，将经由泰森多边形处理得到的站点周围800 m半径作为轨道交通站点的影响范围。

1.2　数据来源

研究所用数据包括北京市轨道交通自动售检票系统数据(Automatic Fare Collection，AFC)和多源地理空间数据，数据来源如表1所示。

2　研究方法

2.1　站点协调性分类方法

2.1.1　NPR模型与K-means聚类

NP模型是评估轨道交通与建成环境的协调性的有力工具，它通过构建节点功能和场所功能的评价指标体系，实现对二者协同效应的量化^[12]。NPR模型是NP模型的扩展模型，它将客流作为单独维度，相较于NP模型，对站点协调性的分类更为全面和精细^[9]。在NPR模型中，场所价值用于衡量站点地区用地的多样性和功能混合程度，节点价值评估交通系统功能的多样性和强度，而客流价值则反映车站的交通容量和站点地区建成环境对客流量的吸引能力。根据场所、节点和客流3个维度指标的差异，可以将站点地区的协调状态划分为6个区域，分别是压力-高客流区、平衡-中高客流区、平衡-中低客流区、从属-低客流区、不平衡节点区、不平衡场所区^[13]，节点-场所-客流模型示意图如图1所示。由于NPR模型中6个区域的弧线位置的划分多依赖于经验，对站点协调状态无法进行精准定义。因此，在得到各站点的场所价值、节点价值和客流价值后，采用K-means聚类方法对各个站点的协调状态进行分类，根据聚类结果，可精准得知各站点的协调状态。

K-means聚类算法的基本过程^[14-15]是首先随机选取K个样本作为初始聚类中心，通过计算每个样本与聚类中心之间的距离，将每个样本分配给离它最近的聚类中心，形成K个簇，再根据分配的簇，重新计算每个簇的质心(即簇内样本的均值)，作为新的聚类中心，直到聚类中心不再发生明显变化，算法停止。

2.1.2　协调性评价指标的选取

以TOD理论的5D原则即密度(Density)、多样性(Diversity)、设计合理性(Design)、距离(Distance)和目的地可达性(Destination)作为节点和场所指标筛选的基本框架，结合NPR模型对各维度指标的衡量价值建立指标体系，指标体系汇总如表2所示。密度反映用地的密集程度，采用代表性用地的POI与AOI衡量(X₁—X₅)；多样性反映用地的丰富程度，采用用地混合熵值衡量(X₆)；设计合理性反映可持续发展原则，利用站点地区的交通基础设施水平衡量，包括路网密度、站点出入口数量等(X₇—X₈，Y₇—Y₁₀)；距离反映的是居民能否便捷地使用交通工具，目的地可达性反映的是周边设施能否满足居民日常需求，采用站点到各类用地的不同距离衡量(Y₁—Y₆)。

需要说明的是，指标X₁—X₅均是基于泰森多边形处理得到的结果，能够直观反映用地密度，在量纲统一的情况下，可以直接使用。指标X₆由信息熵衍生而来，计算公式如公式⑴所示，指标X₇道路长度为站点地区的道路总长度，指标X₈交叉口数量是站点地区的道路交叉口总数，两指标综合反映站点地区的交通基础设施情况。

E_i=\frac{-\sum _{u\in U}{H}_{iu}\mathrm{l}\mathrm{n}(H_{iu})}{\mathrm{l}\mathrm{n}\left|M\right|}⑴

式中：E_i为第i个车站的用地功能混合熵，取值范围为［0，1］，数值越大表示用地功能混合度越高；H_{iu}为第i个车站的第u类POI数量占其全部类型POI数量的比值；U为POI集合；\left|M\right|为POI类型的集合，本研究取\left|M\right|=\mathrm{4}。

研究的节点指标的空间范围与场所指标的空间范围保持一致，设定为800 m，以确保各项指标的可比性。指标Y₁—Y₆反映的是车站到站点影响范围内各类目的地的距离，在衡量目的地可达性时，考虑其与距离呈负相关，因此对距离进行倒数处理，此处的距离指两点之间的实际距离，通过对各类用地POI坐标和车站坐标进行弧度转化后计算得到，计算公式如下。

d_{ij}=R\times \mathrm{a}\mathrm{r}\mathrm{c}\mathrm{c}\mathrm{o}\mathrm{s}(\mathrm{s}\mathrm{i}\mathrm{n}(la{t}_i)\times \mathrm{s}\mathrm{i}\mathrm{n}(la{t}_j)\times \mathrm{c}\mathrm{o}\mathrm{s}(la{t}_i)\times \mathrm{c}\mathrm{o}\mathrm{s}(la{t}_j)\times \mathrm{c}\mathrm{o}\mathrm{s}(lo{n}_j-lo{n}_i))⑵

式中：d_{ij}为车站i到用地j之间的实际距离；R为地球的平均半径，取R=\mathrm{6}\mathrm{371.393}；la{t}_i，lo{n}_i为车站的经度、纬度；la{t}_j，lo{n}_j为各类POI的经度、纬度。

为确保多指标评价体系中各指标的均衡影响性，避免高值指标过度突出，削弱低值指标的影响，从而保证模型结果的真实性，对模型指标进行min-max标准化初步处理。由于选取的指标既包含正向指标(如各类POI数量)，又包含反向指标(如各类距离指标)，故先对反向指标进行了倒数化处理后再进行标准化。正向指标和反向指标的具体处理方法分别如公式⑶和公式⑷。

X_{ij}^{\mathrm{\text{'}}}=\frac{x_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}(x_j{)}_{\mathrm{1}\le j\le n}}{\mathrm{m}\mathrm{a}\mathrm{x}(x_j{)}_{\mathrm{1}\le j\le n}-\mathrm{m}\mathrm{i}\mathrm{n}(x_j{)}_{\mathrm{1}\le j\le n}}⑶

X_{ij}^{\mathrm{\text{'}}}=\frac{\frac{\mathrm{1}}{x_{ij}}-\mathrm{m}\mathrm{i}\mathrm{n}{(\frac{\mathrm{1}}{x_j})}_{\mathrm{1}\le j\le n}}{\mathrm{m}\mathrm{a}\mathrm{x}{(\frac{\mathrm{1}}{x_j})}_{\mathrm{1}\le j\le n}-\mathrm{m}\mathrm{i}\mathrm{n}{(\frac{\mathrm{1}}{x_j})}_{\mathrm{1}\le j\le n}}⑷

式中：X_{ij}^{\mathrm{\text{'}}}为标准化后的i车站的j指标；x_{ij}为i车站的j指标。

2.1.3　指标综合评价

NPR模型涵盖多维度、多方面的指标，各指标对整体协调性评价结果的重要程度不同，因此确定各指标的权重尤为重要。已有研究中确定指标权重的方法主要包括变异系数法、信息熵值法、德尔菲法、专家打分法等主客观赋权法，但均不能体现数据的空间特性。考虑到研究指标存在空间异质性，故对各项经过标准化处理的基础评价指标进行相关性检验。莫兰指数(Moran's I)是地理空间分析中被广泛采用的指标之一，主要用于度量空间数据的自相关程度，同时也可用于研究地理现象在空间上的分布和聚集情况。选择使用全局莫兰指数进行指标权重的确定，主要原因在于其能更好地反映数据在空间上的集聚特征，当相似或相关的指标值在空间上聚集在一起，这些区域可能存在着某种协调性或失调性，与协调性评估密切相关。同时，选择莫兰指数确定指标权重有助于考虑空间因素，权重值也更为客观^[9]。计算公式如下。

I=\frac{n}{W}\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{ij}{z}_i{z}_j}{{\displaystyle \sum _{i=\mathrm{1}}^n}{z}_i^{\mathrm{2}}}⑸

式中：Z_i，Z_j为站点i，j的相应指标与其平均值的偏差；w_{i,j}为站点的空间权重值；n为车站数，取300；W为所有空间权重的和，W={\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{w}_{i,j}。

对莫兰指数进行归一化处理，可获得各项指标的权重值。选用空间反距离权重矩阵来表示空间影响，该矩阵能考虑空间效应与空间单元之间的距离成反比的关系，计算公式如下。

w_{ij}=\left\{\begin{array}{l}\frac{\mathrm{1}}{d_{ij}^{\mathrm{2}}}\begin{array}{cc}& \end{array}i\ne j\\ \mathrm{0}\begin{array}{cc}& \end{array}i=j\end{array}\right.⑹

2.2　MGWR模型

K-means聚类算法能够确定站点的协调状态，将站点划分为协调状态不同的站点群，但无法深入分析站点协调状态的影响因素。地理加权回归模型(Geographically Weighted Regression，GWR)在研究站域环境对地铁客流的影响方面应用广泛，但传统的GWR模型具有固定的带宽，无法有效地描述因变量和自变量随地理位置变化而发生的关系变化。而Fotheringham等^[16]提出的MGWR模型能够设置不同带宽，对变量间的空间异质性给予了充分考虑。

由于选择的自变量和因变量之间的条件关系在不同的空间尺度上变化，因此选择MGWR模型对各类车站客流量的影响因素进行分析。MGWR模型和K-means聚类算法的结合，能够在站点分类的基础上更深入地理解场所维度与节点维度指标对客流的影响，计算公式如下。

f_i={\beta }_{\mathrm{0}}({\mu }_i,v_i)+{\displaystyle \sum _{p=\mathrm{1}}^m}{\beta }_{bwp}({\mu }_i,v_i)l_{ip}+{\epsilon }_i⑺

式中：f_i为轨道交通车站i的客流量；{\beta }_i({\mu }_i，v_i)为坐标({\mu }_i，v_i)处的截距；{\beta }_{bwp}({\mu }_i，v_i)为坐标({\mu }_i，v_i)处第p个变量的回归系数，bwp为用于校准第p个变量的带宽；{\epsilon }_i为误差项。

MGWR模型选择Gauss权函数用于对观测值的权重加权，采用小样本修正的赤池信息量准则(Akaike Information Criterion with a correction for small sample sizes，AICc)作为带宽择优准则，将GWR模型的估计参数作为MGWR模型的初始值，收敛准则选择SCO-f，SCO-f是空间交叉验证方法的常用方法之一，可用于评估空间模型性能。

3　研究结果与分析

3.1　基于协调性的站点分类结果

经过归一化处理得到的指标权重与指标莫兰指数如表3所示，在表3的基础上，对各维度的指标进行加权平均数的计算，得到各站点的场所价值和节点价值，结合站点的客流指标，用K-means方法对站点聚类，得到站点分类结果。轮廓系数法和手肘法是聚类分析中常用的聚类数目选择准则，2种方法均表明最佳聚类数目为6，故对车站进行聚类数为6的聚类分析，聚类结果如图2所示。

依据站点的场所价值、节点价值和客流价值以及站点在NPR模型的所处区域，对车站类型进行相应命名。车站类型评价结果如表4所示。

3.2　MGWR模型回归结果

变量在进入MGWR模型之前需进行空间相关性检验，使用莫兰指数的Z值和P值来评估空间相关性。通常情况下，Z值<-1.65或Z值>1.65时，P值<0.10；Z值<-1.96或Z值>1.96时，P值<0.05；Z值<-2.58或Z值>2.58时，P值<0.01，表示在90%，95%，99%的概率下，解释变量不会呈现随机模式。对节点数据和场所数据进行相关性检验后，计算全局莫兰指数，并对其进行显著性检验。空间相关性检验结果如表5所示，除Y₂(绿地广场可达性)、Y₆(居住用地可达性)以及Y₇(地铁站出入口数量)外，其他变量在空间分布上都呈现出一定的集群效应，故可以纳入模型考虑。

以通过空间自相关性检验的车站各指标为自变量，车站全日进出站客流量为因变量，纳入MGWR模型进行参数估计，各类车站站点地区评价指标参数估计结果如表6所示，表中的参数估计结果用各个车站的平均值表示。为更深入地理解变量对不同车站类型的影响程度，采用自然间断法对车站参数估计结果进行分组，确保组间要素的范围和个数尽可能相近，同时使系数值相近的车站集中在同一组。

3.3　协调性发展策略

NPR模型和K-means算法的结合可以量化评估站点与周边建成环境的协调性，各类型车站空间分布图如图3所示，得到协调状态不同的站点群，为站点地区整体协调性的建设指明方向，但无法定量地为不同协调状态的站点群改造提出针对性建议。MGWR模型的回归结果可以定量描述建成环境指标对客流的影响。根据MGWR模型的结果，能够对不同协调状态的站点群提出针对性的发展策略，为站点的协调性研究提供更全面的视角。在此，优先关注的是失调型站点及发展不成熟的站点，而综合发展型站点的协调水平较高，不作讨论。

（1）客流压力型站点，此类站点共10个，显著特征为客流量极大，主要分布在商业开发较高、业态聚集的城市中心区域，客流压力型车站如图3a所示。从场所指标来看，用地功能混合度对该类车站客流的平均影响为946.085，其中，西单站、西直门站、东直门站、五道口站的值大于946.167，居于最高影响区间(根据自然间断法对指标参数结果的分组，［946.167，948.136］是用地功能混合度参数估计结果的最高影响区间，下同)，绿地广场数量对该类车站客流呈现较大程度的消极影响，因此，为减轻该区域的客流压力，应对站域进行主功能定位，组织与主功能关联较小的业态有序迁离，防止功能过度集中；同时，在站域周边增加绿化用地可以有效缓解客流压力。从节点指标来看，停车场数量对该类车站客流抑制程度较大，但增设停车场会将需求引向私人交通方式，增加周边道路网压力，与城市可持续发展策略不符，因此对停车场的增加需持谨慎态度。

（2）节点失衡型站点，此类站点共73个，显著特征为场所价值和客流量水平较低，主要分布在四环内，节点失衡型车站如图3c所示。从场所指标来看，用地功能混合度对该类车站客流的平均影响为945.955，处于最高影响区间，工作办公用地对32.9%的车站客流的影响处于最高影响区间，商业设施用地对16.4%的车站客流的影响处于最高影响区间，2类用地对其他车站客流的影响程度均适中，绿地广场对该类车站影响较小，没有明显偏向性。因此，未来应对有明显指标偏向性的车站进行综合规划，通过合理规划不同类型用地，使各类用地的影响在合理范围内，促进车站客流的均衡增长，例如受到办公用地影响较大的站点，可考虑在站点周围规划其他类型的用地，以实现在不同时段和不同地点的客流分布平衡。

（3）客流失衡型站点，此类站点共35个，显著特征为场所价值和节点价值较低，主要分布在朝阳区、海淀区、石景山区和昌平区，客流失衡型车站如图3d所示。受场所指标影响大的站点集中分布在西北地区，其中回龙观站、天通苑站等“卧城”站点及西二旗等就业聚集站点(共占31.4%)受用地功能混合度的影响大于946.167，处于较高影响区间；工作办公用地和商业用地对这些就业聚集站点影响最大，而绿地广场对生命科学院等9个车站呈现最大程度的消极影响，说明这些站点周边就业和商业需求量较多。因此，应积极规划这些车站的办公和商业用地，以提高站点周边土地利用多样性。受节点指标影响大的站点集中分布在北部和东部，交叉口数量对57.1%的车站积极影响最大，而28.6%的车站受停车场指标消极影响最大，因此，对这类车站应重点关注交叉口数量和停车场指标的优化，确保交通流畅性和停车服务的提升。

（4）潜力发展型站点，此类站点共64个，显著特征为节点价值、场所价值和客流量均处于较低水平，主要分布在市中心景点区域或远离市中心的区域，潜力发展型车站如图3e所示。场所指标中，平均用地功能混合度对车站客流的影响为944.871，说明土地利用多样性对客流有较大影响；办公用地(影响为53.794)和商业设施用地(影响为34.176)也处于较高影响区间，而绿地面积则与客流呈负相关，增加绿地会抑制客流，表明绿地已饱和，需优先发展办公楼和商业设施。节点指标方面，交叉口数量和公交线路数量分别对车站客流的平均影响为215.581和300.001，而停车场的增设对客流有抑制作用，平均抑制效应为69.529。因此，改善交通接驳尤为重要，建议增开公交线路并推广共享交通工具，减少对停车场的依赖。对于景点区站点(如北海北站、南锣鼓巷站和天安门东站)，应采取“一对一”发展策略，保留站点自身特色，避免将所有站点打造成单一的协调模式。

（5）滞后发展型站点，此类站点共82个，显著特征是节点价值、场所价值和客流量均处于最低水平，主要分布在城市郊区及各条线路末端，滞后发展型车站如图3f所示。从场所指标来看，用地功能混合度对车站客流的平均影响为943.139，处于最高影响区间，办公用地对37.3%的滞后发展型车站的影响也处于最高影响区间，因此，对该类型站点来说，未来应避免单一的住宅开发或景区开发，需根据自身优势引导就业型产业入驻，以提高用地多样性，增强区域发展活力。从节点指标来看，交叉口数量对45.5%的滞后发展型车站产生的影响处于最高区间，车站服务方向数对该类车站的平均影响值为5 558.067，公交线路数量对于该类车站的平均影响值为291.374，均处于较高影响区间，因此，增加车站服务方向数和轨道交通车站吸引范围内通往各个方向的公交服务线路数量是刺激这类车站客流量的重要方法之一。公交车站的可达性对顺义和昌平地区的滞后发展型车站客流量产生重要影响。因此，在未来规划公交站点与轨道交通接驳时，应适当强调提高可达性。

4　结束语

结合NPR模型和K-means算法，将北京市轨道交通站点与周边建成环境的协调状态划分为6种类型，通过MGWR模型对各站点群周边建成环境对客流的影响效应发现，不同协调状态的站点群在建成环境指标对客流的影响上存在显著差异，单位评价指标增量对客流影响较大的指标依次为用地功能混合、交叉口数量、公交线路数和绿地广场，停车场数量则与客流呈负相关，基于MGWR模型，可以明确各站点群需重点关注的用地和交通指标，提出更具针对性的优化策略，进而优化城市资源配置，提升城市治理水平^[17]。然而，由于此次研究仅使用疫情期间某工作日(周一)客流数据，部分区域封控可能对结果产生影响。后续研究将更新并扩大原始数据集，以提高结果的准确性。

参考文献

[1] 王维国.协调发展的理论与方法研究[D].大连：东北财经大学，1998.

[2] BERTOLINI L.Spatial Development Patterns and Public Transport：The Application of an Analytical Model in the Netherlands[J].Planning Practice and Research，1999，14(2)：199-210.

[3] 周青峰，刘 苏，王耀武.城市轨道交通站点周边土地利用与交通协调关系研究[J].铁道运输与经济，2018，40(4)：100-106.

[4] ZHOU Qingfeng， LIU Su， WANG Yaowu.A Study on the Coordinative Relation of Land Use and Transport around the Metro Station[J].Railway Transport and Economy，2018，40(4)：100-106.

[5] 杨镇铭，杨林川，崔 叙，等.成都市中心型地铁站点地区协同性评价[J].规划师，2020，36(23)：67-74.

[6] YANG Zhenming， YANG Linchuan， CUI Xu，et al.Evaluation of Chengdu Central Metro Station Areas Coordination[J].Planners，2020，36(23)：67-74.

[7] 石坚韧，吕庆文，郭巧云，等.基于多源数据下杭州地铁站点地区耦合协调性评价[J].铁道运输与经济，2022，44(10)：120-128.

[8] SHI Jianren， Qingwen LYU， GUO Qiaoyun，et al.Evaluation of Coupling and Coordination of Hangzhou Metro Station Areas Based on Multi-Source Data[J].Railway Transport and Economy，2022，44(10)：120-128.

[9] MA J X， SHEN Z W， XIE Y，et al.Node-Place Model Extended by System Support：Evaluation and Classification of Metro Station Areas in Tianfu New Area of Chengdu[J].Frontiers in Environmental Science，2022，10：990416.

[10] 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.

[11] 陈 飞，张 惠，孙一璠.耦合功能连接性的TOD发展模式“节点-场所”测度模型构建[J].地理信息世界，2020，27(5)：52-57.

[12] CHEN Fei， ZHANG Hui， SUN Yifan.More than “Node-Place”：Construction of Innovative TOD Measurement Model Coupling Functional Connectivity[J].Geomatics World，2020，27(5)：52-57.

[13] 张志健，高顺祥，陈 越，等.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)：143-153，165.

[14] ZHANG Zhijian， GAO Shunxiang， CHEN Yue，et al.Evaluation of Urban Rail Transit TOD Based on Enhanced Node-Place Model[J].Transport Research，2022，8(3)：143-153，165.

[15] 高德辉，许 奇，陈培文，等.城市轨道交通客流与精细尺度建成环境的空间特征分析[J].交通运输系统工程与信息，2021，21(6)：25-32.

[16] GAO Dehui， XU Qi， CHEN Peiwen，et al.Spatial Characteristics of Urban Rail Transit Passenger Flows and Fine-Scale Built Environment[J].Journal of Transportation Systems Engineering and Information Technology，2021，21(6)：25-32.

[17] 庞 磊，任利剑，张哲浩，等.基于乘降客流特征的轨道交通站点分类及客流量影响因素分析[J].交通运输系统工程与信息，2023，23(4)：184-193.

[18] PANG Lei， REN Lijian， ZHANG Zhehao，et al.Metro Station Classification Based on Boarding and Alighting Passenger Flows and Ridership Impact Factors[J].Journal of Transportation Systems Engineering and Information Technology，2023，23(4)：184-193.

[19] 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，2011，4：45-58.

[20] 王月杏.城市轨道交通站域土地利用与交通协同性评价研究：以北京市为例[D].北京：北京建筑大学，2023.

[21] 夏 雪，盖靖元.基于K-Means聚类算法的城市轨道交通站点分类及客流特征分析[J].现代城市轨道交通，2021(4)：112-118.

[22] XIA Xue， GAI Jingyuan.Classification of Urban Rail Transit Stations and Points and Analysis of Passenger Flow Characteristics Based on K-Means Clustering Algorithm[J].Modern Urban Transit，2021(4)：112-118.

[23] 宋 云.铁路物流基地统计数据分析方法探讨[J].铁道货运，2019，37(5)：1-6，15.

[24] SONG Yun. Discussion on the Method of Analysing Statistical Data of Railway Logistics Base[J]. Railway Freight，2019，37(5)：1-6，15.

[25] FOTHERINGHAM A S， YANG W B， KANG W.Multiscale Geographically Weighted Regression (MGWR)[J].Annals of the American Association of Geographers，2017，107(6)：1247-1265.

[26] 李明星，赵金宝，刘文静，等.城市轨道交通站点地区土地利用与交通协同性评价[J].铁道运输与经济，2024，46(8)：222-231.

[27] LI Mingxing， ZHAO Jinbao， LIU Wenjing，et al.Synergy Evaluation of Land Utilization and Traffic in Urban Rail Transit Station Areas[J].Railway Transport and Economy，2024，46(8)：222-231.

基金资助

中国铁道科学研究院集团有限公司科研项目(2022YJ008)

北京市属高等学校高水平科研创新团队建设支持计划项目(BPHR20220109)