国土空间规划背景下广州低效城市轨道交通站点优化方法与实践

Optimization Method and Practice for Ineffective Urban Rail Transit Stations under Territorial Spatial Planning

摘要

低效轨道交通站点已成为我国城镇化高质量发展过程中的突出问题之一，在规划阶段通过轨道交通与国土空间的协调治理效果显著。目前各城市规划编制正处在国土空间总体规划向详细规划传导的阶段，是国土空间与交通协调的机遇期。以摆脱低客流状态的海傍等站为研究对象，基于多目标求解理念，从开发强度、设施占用和开发效益的角度提出数学优化方法，合理调整站点周边的用地容积率，实现客流规模的提升。以海傍和萧岗站为例分别进行验证和应用研究，证明方法的科学性和可行性，与传统优化方法相比，研究通过大数据技术提高优化的精度和实时性，有助于推动国土空间规划背景下的重要交通设施可持续运营和周边土地利用开发。

Abstract

Inefficient rail transit stations have constituted a prominent issue in the process of high-quality urbanization in China. Addressing this issue through the coordination of rail transit and territorial spatial planning during the planning stage is the most effective approach. Currently, cities in China are transitioning from general territorial spatial planning to detailed planning, presenting a prime opportunity for coordination between territorial space and transport. This paper focused on stations getting rid of low passenger flow status such as Haibang. Based on a multi-objective optimization approach, a mathematical optimization method was proposed from the perspectives of development intensity, facility occupancy, and development revenues, so as to reasonably adjust the plot ratio of land around the stations and enhance the scale of passenger flows. The scientificity and feasibility of the method were verified by using Haibang and Xiaogang stations as cases. Compared with traditional optimization methods, this study utilized big data technology to improve the accuracy and real-time nature of the optimization. It helps to promote the sustainable operation and development of important traffic facilities and surrounding land use under the context of territorial spatial planning.

Graphical abstract

关键词

城市轨道交通 / 低效站点 / 国土空间规划 / 土地利用 / 多目标优化

Key words

Urban Rail Transit / Inefficient Station / Territorial Spatial Planning / Land Use / Multi-Objective Optimization

0　引言

低效基建已经成为我国城镇化高质量发展过程中的突出问题之一，该现象在国内城市轨道交通领域也不断显现。2023年上半年国内已运营城市轨道交通的城市中，仅有32%的城市日均客流强度大于0.7万人次/km，这一强度指标是《国务院办公厅关于进一步加强城市轨道交通规划建设管理的意见》(国办发〔2018〕52号)设定的城市轨道交通客运强度下限，低于这一数字则不能新建城市轨道交通。而如果想达到盈亏平衡状态，客流强度需要达到1.5万~2万人次/km。城市轨道交通客流强度低的原因是线网中存在较多的低效轨道站点。产生低效的原因分布于规划、建设、运营、管理等各个阶段，运营、管理部门直接对设施的绩效负责，在应对方面比较快速，如管理部门采取地铁衔接公交和慢行改善措施，运营部门采取调整运营时刻表、优惠票价等措施。而在用地规划阶段的主要问题是站点周边土地开发属性不符合轨道站点客流需求，即站点与周边土地利用处于不协同的状态。

要缓解或消除不协同状态，需要优化调整规划站点周边的土地利用，这是一个多目标优化问题，即通过上层规划协调区域内各类功能用地的分布，使交通水平、经济效益、生态环境等各方面目标达到相对最优状态。地铁站点对周边用地的空间效应可使用回归方程等定量关系表示，如用精细化的POI数据评价土地利用情况，构建基于空间计量模型的出站客流与周边土地利用关系模型^[1]。Lin等^[2]提出开发强度限制下的TOD规划线性连续模型，以各类用地的容积率为决策变量，求解结果显示模型对客流的优化效果显著，同时提出改善人居环境质量、提高社会公平性的土地利用布局方案。Huang等^[3]使用遗传算法优化轨道交通站点附近土地利用规划，在开发强度限制、人均公共用地面积等约束下，通过合理的土地利用设计，最大限度提升轨道交通的客流量。此外，在Li等^[4]构建的土地利用优化模型中，还考虑了车站周边土地混合度、紧凑度最大化的目标和污染成本控制的约束。随着研究的深入，更多学者从优化的多目标特性出发，寻找综合效益最大化的帕累托最优解。早期土地利用优化方法采用线性规划、多目标优化等数学模型获取土地优化方案^[5-7]，但由于目标太少、考虑大量非重要细节等原因，往往难以获得合乎实际的结果。目前，交通设施与土地协同优化的既有研究主要从经济视角出发进行土地利用优化，增加轨道站点的客流来源和吸引程度^[8]。此类方法没有考虑轨道交通站点周边其他交通设施的影响，也没有统一的优化目标和评价因素。低效站点客流成因评估方面，目前只有站点服务覆盖范围内用地监测的相关研究，此类研究使用土地利用数据评价开发强度，如利用站点周边土地开发性质和规模对土地利用强度进行评价^[9]；大数据背景下土地利用强度评价方法利用遥感、POI等数据弥补城市土地利用信息不足，增强对空间属性的描述能力^[5]，此类方法扩大了土地利用数据种类，但未结合道路、公交等交通系统数据进行综合分析。

综上，现状研究存在以下问题：一是缺乏高精度国土空间数据、城市用地活动大数据和其他交通设施数据的辅助支持；二是土地利用评价集中在强度和规模评价研究，没有从土地利用类型、开发效益等角度判断站点客流不足的原因；三是缺乏落实到具体方案的土地利用开发和客流效益优化方法。国土空间规划中的“三区三线”划定后，城乡发展空间整体全面进入“存量时代”，在存量发展的背景下，用好已有的轨道交通设施，促进形成集约高效的国土空间格局，不仅能满足轨道交通设施健康发展的基本要求，更是实现国土空间高质量发展的需要。目前，我国各级国土空间总体规划逐步获批，详细规划将依据我国各级国土空间总体规划开展编制，正是协调轨道交通与国土空间的机遇期。广州在规划、建设、运营、管理等各个阶段对低效站点进行了研究和实践，通过改变用地性质和调高容积率等措施，成功让一部分低效站点缓解甚至摆脱了低效状态。因此，以低效站点为研究对象，通过总结广州的成功案例，提出一种具有普适性的、考虑多种因素的低效站点周边用地数学优化方法，落实国土空间规划提出的“引导人口和就业岗位向轨道站点周边集聚”要求，为国内运营轨道交通的城市提供借鉴。

1　研究思路与对象

1.1　思路确立

考虑国土空间规划高质量发展的特点，以容积率调整为主要目标外，还应考虑轨道方式出行规模增大对周边交通衔接设施新增的压力及站点周边开发规模增大带来的收益回报。为避免直接粗放式的调整产生新的问题，首先应构建规划模型并选用合适的技术手段进行求解；其次因调整过程涉及多种用地类型、多个圈层和多个目标，选择多目标优化求解算法获取最优解范围，作为方案集合以供参考；最后需要假设站点周边用地结构和交通衔接设施规模稳定。研究思路如图1所示。

在问题识别和案例研究方面，基于线路客流强度不低于0.7万人次/km的要求，根据公式⑴关系将其转换为站点平均客流要求，日均进站量低于平均客流要求的站点即为低效站点。

\begin{array}{l}I=\frac{P_L}{L}=\frac{\frac{P_s\cdot (L/D+\mathrm{1})}{(\mathrm{1}-\alpha )}}{L}=\frac{P_s\cdot (\frac{\mathrm{1}}{D}+\frac{\mathrm{1}}{L})}{(\mathrm{1}-\alpha )}\approx \\ \frac{P_s}{(\mathrm{1}-\alpha )\cdot D}\end{array}⑴

式中：I表示线路客运强度，万人次/(d·km)；P_L表示日均线路客流量，万人次/d；L表示线路总里程，km；P_s表示日均站点进站客流量，万人次/d；D为线路平均站间距，km；\alpha表示研究站点所在线路的换入客流比例。

广州市摆脱低客流状态的部分站点如表1所示。2010—2023年间，海傍、新港东、会江、龙溪、菊树等站点摆脱了低效状态，随着周边持续开发与人口就业导入，客流均有数倍甚至十几倍量级的提升。其中，海傍和龙溪站最为典型，前者属于政府主导自上而下推进的开发建设模式，后者属于市场力量自下而上推动的业态转型模式。

政府主导的开发建设模式一般通过调整站点周边土地利用类型和容积率制定优化方案，2011年海傍站经历土地利用总体规划调整并新增建设用地，最终在2016年成功摆脱低客流状态。海傍站在2019年经过第二次控制性详细规划调整，疫情期间客流仍保持韧性，规模基本稳定。海傍站周边土地利用调整变化示意如图2所示。其他采取开发建设模式摆脱低效状态的站点与海傍站类似，控制性详细规划调整的主要对象也集中在土地利用性质和容积率。

国土空间规划体系建立后，对农业用地有严格的底线管控要求，建设用地面积调整的空间比较有限。站点周边已经存在一定规模的既有开发、耕地、永久基本农田和生态用地的情况下，调整土地利用类型的可能性不大。海傍站等调高容积率的成功经验更能适应国土空间规划的要求，因而对海傍站等开展分析，将此类站点的优化目标和优化过程抽象为普适性的数学优化方法。

1.2　研究区域

研究范围宜聚焦在低效客流站点周边0~20 min以内的步行等时圈，根据接入站点的道路和步行网络，按自然人正常步行速度，以不同步行时间划分不同圈层。以10 min步行时间为例，站点周边步行等时圈示意图如图3所示。步行等时圈还需考虑出行者离开交通网络进入大型社区、建筑等内部的情况。

优化时站点周边用地分为4个主要圈层，覆盖范围分别为以站点为圆心的[0，5)，[5，10)，[10，15)和[15，20]等时圈，单位min。2011年、2021年海傍站周边土地利用结构示意如图4所示，海傍站周边高客流用地比例如图5所示。高客流用地包括居住类用地、商业办公类用地(以下简称“商业用地”)和部分公共管理和公共服务类用地(以下简称“公服用地”)，此类用地与轨道交通客运量的互动最为密切，轨道出行产生率较高，在4个主要圈层范围内，利用控制性详细规划调整增大此类用地的占地比例和建筑面积均能有效促进站点客流规模的提升。

1.3　研究数据

数据源主要为城市轨道交通客流数据、土地利用数据、交通设施数据及其他数据4类。城市轨道交通客流数据通过地铁闸机刷卡数据处理获得，用于筛选和识别处于低效客流状态的站点。土地利用数据包含人口就业数据、国土空间数据和兴趣点(POI)数据。交通设施数据包含道路数据、公共交通数据和停车设施数据。应用数据类型如表2所示，应用数据示例如图6所示。图6中的集计和二次处理数据由表2中的数据加工得到。

2　方法构建

2.1　决策变量

设S_{\mathrm{C}\mathrm{O}\mathrm{V}\mathrm{E}\mathrm{R}}表示站点的客流吸引范围，即以站点为起点的20 min步行等时圈，v_{au}表示S_{\mathrm{C}\mathrm{O}\mathrm{V}\mathrm{E}\mathrm{R}}内圈层u高客流用地a的平均容积率，圈层以站点为圆心按照服务辐射范围划分。由于站点周边的用地类型、规模、位置受到控制性详细规划约束，除非进行控制性详细规划调整，否则圈层u内高客流用地a的面积S_{au}相对稳定，因此以可进行较大幅度调整的v_{au}作为决策变量。决策变量矩阵表示为\mathit{V}=\left(v_{au}\right)，其中u表示所有的圈层集合，a包括居住、商业和公服用地。

2.2　目标函数

虽然主要的优化目标是增大高客流用地的开发规模，但在多目标背景下，规划决策者在生成方案集合时，可根据应用场景决定开发强度、设施占用、开发效益三者的相对重要度。

（1）主要目标：开发强度F₁最大化。站点周边轨道出行方式和高客流用地结构相对稳定的情况下，站点周边平均容积率越高，客流来源规模越大，因此可用S_{\mathrm{C}\mathrm{O}\mathrm{V}\mathrm{E}\mathrm{R}}内的高客流用地面积和平均容积率间接表示客流来源规模。

F_{\mathrm{1}}=\sum _{a\in A}{\beta }_a\sum _{u\in U}{S}_{au}{v}_{au}{\mu }_u⑵

式中：{\beta }_a表示高客流用地a的出行产生吸引率，%；{\mu }_u表示圈层u距离站点的衰减系数，与站点距离越远，吸引的客流需求衰减越大，使用logistics函数{\mu }_u=\mathrm{1}/\left(\mathrm{1}+{\mathrm{e}}^{g\left(d_u-\theta \right)}\right)表示和计算^[10]，d_u表示站点至圈层u的平均距离，m。其中，不同用地类型的出行产生吸引率根据站点周边常住人口、就业岗位和建筑容积率测算得到，并根据当地的居民出行调查结果进行校核，g和\theta分别表示logistics函数的增长速率和中值点，可通过对需要优化站点周边的人群出行行为进行调查获得。

（2）辅助目标一：设施占用F₂最小化。站点自身和周边交通衔接设施需要服务的轨道交通出行者越少，设施占用越小，服务效率越高，构建以下目标函数，避免站点周边开发规模过大，导致衔接设施过饱和。

F_{\mathrm{2}}=\sum _{k\in K}{\varphi }_k\sum _{a\in A}{\beta }_a\sum _{u\in U}\frac{S_{au}{v}_{au}}{T_{ku}}⑶

式中：T_{ku}表示圈层u内轨道站点接驳方式k的设施规模，m²；{\varphi }_k表示轨道接驳方式k的使用比例，%，满足\sum _{k\in K}{\varphi }_k=\mathrm{1}，K表示轨道接驳方式集合，接驳方式多种多样，主要分为步行、常规公交、自行车、私人小汽车自驾(P+R)、私人小汽车搭乘(K+R)、出租车等，由于承担这些接驳方式的设施仅为道路网络、常规公交站场和停车设施，因此K可简化为道路接驳、常规公交接驳和停车接驳3种方式，轨道接驳方式的使用比例同样通过当地居民出行调查结果获得。

（3）辅助目标二：开发效益F₃最大化。轨道交通站点对站点周边土地和房地产商品价格提升有显著影响，随着与站点距离的增大，呈现“先略微增加再逐渐下降”的趋势^[11]。同时，随着容积率的增大，单位房地产售卖收益呈现“先增大后减少”的趋势，这是由于当容积率达到一个较高的值时，单位建筑成本增加、建筑品质下降导致土地和房地产商品收益下降。为了确定较优容积率和开发规模，需要考虑站点周边不同类型用地的增值情况。参考既有土地增值模型^[12]，目标函数如下。

F_{\mathrm{3}}=\sum _{a\in A}\sum _{u\in U}{S}_{au}{v}_{au}{Z}_{au}⑷

式中：Z_{au}表示圈层u内高客流用地a的单位建筑面积价格增值，元，根据站点周边平均建筑面积价格在开通前后的变化差值确定。

2.3　约束条件

（1）容积率变化上下限。站点用地优化针对的是低效站点周边用地开发，因此周边用地的容积率应高于现状值；容积率的提升受到交通衔接设施容量、建筑成本和法定条例的约束，不可能无限制地提升。参考既有研究将现状容积率1.4倍作为上限^[2]，v_{au}的约束表示为

V_{\mathrm{C}，au}\le v_{au}\le \mathrm{m}\mathrm{i}\mathrm{n}\left(\mathrm{1.4}{V}_{\mathrm{C}，au}，V_{\mathrm{M}\mathrm{A}\mathrm{X}，a}\right)⑸

式中：V_{\mathrm{C}，au}表示圈层u高客流用地a的现状平均容积率；V_{\mathrm{M}\mathrm{A}\mathrm{X}，a}表示《广州市城乡规划技术规定》或其他地方规定对高客流用地a做出的容积率限制。

（2）设施占用下限。交通衔接设施应满足城市建设要求，设接驳方式k对应的交通设施规模下限为T_{\mathrm{M}\mathrm{I}\mathrm{N},k}，m²，由于交通衔接设施除了服务轨道出行者外还需要服务其他方式出行者，应满足约束如下。

\frac{\sum _{u\in U}{T}_{ku}}{\sum _{u\in U}\sum _{a\in A}{\beta }_a{S}_{au}{v}_{au}}\ge T_{\mathrm{M}\mathrm{I}\mathrm{N}，k}⑹

《城市道路交通规划设计规范》(GB 50220—95)和《城市综合交通体系规划标准》(GB/T 51328—2018)要求超大规模城市的人均道路面积和公共停车场不应少于6 m²/人和0.5 m²/人，人均常规公交站点并无标准规定，普通公交站点占地面积按100 m²计，建议设置为0.3 m²/人。

（3）用地开发类型约束。不同站点周边具有不同的用地开发倾向性，如中央商务区内部站点和商业开发为主站点周边应以商业、办公开发为主，居住开发为辅，前者开发强度不宜低于后者，为表示不同用地开发之间的规模关系，应满足约束如下。

\sum _{j\in A_{\mathrm{R}}}\sum _{u\in U}{S}_{ju}{v}_{ju}\ge \tau \sum _{a\in A}\sum _{u\in U}{S}_{au}{v}_{au}⑺

\sum _{i\in A_{\mathrm{B}}}\sum _{u\in U}{S}_{iu}{v}_{iu}\ge \upsilon \sum _{a\in A}\sum _{u\in U}{S}_{au}{v}_{au}⑻

式中：A_{\mathrm{R}}和A_{\mathrm{B}}分别表示居住用地和商业用地类型集合；\tau和\upsilon分别表示居住用地和商业用地的规模控制系数，当站点主要服务居住人口时，可使\tau大、\upsilon小，当站点主要服务办公或商业时，可使\tau小、\upsilon大。

2.4　求解方法

站点周边用地优化的多目标函数可表示为\mathrm{m}\mathrm{a}\mathrm{x}\left(F_{\mathrm{1}}\left(\mathit{V}\right)，-F_{\mathrm{2}}\left(\mathit{V}\right)，F_{\mathrm{3}}\left(\mathit{V}\right)\right)，通过比较多个多目标优化求解算法^[13]，发现非支配排序遗传算法(NSGA-Ⅲ)^[14]和基于适应性参考点的多目标进化算法(ARMOEA)^[15]2种算法普遍优于其他既有求解算法，考虑到算法的时间复杂度和收敛效果，选用NSGA-Ⅲ求解{\mathit{V}}^{\mathrm{*}}。与传统遗传算法相比，NSGA-Ⅲ在进行选择、交叉、变异3个基本操作的基础上，使用快速非支配排序计算适应度，实现较优解集的筛选。

3　验证与应用

海傍站和萧岗站的地理位置如图7所示。以海傍站2011年的数据为基准，对海傍站进行优化，并将优化结果与经过控制性详细规划调整的2021年用地结构进行对比，可验证优化方法的可行性。到2024年为止，萧岗站及周边尚未实施大规模的低效改善工作，改善策略和计划仍然处于空白状态，使用2024年的研究数据，对该站应用优化方法，为未来改善工作提供参考。

3.1　验证：海傍站

参数{\mu }_u根据Logistics函数进行计算。其中，g=\mathrm{6.931}\times {\mathrm{10}}^{-\mathrm{3}}；\theta =\mathrm{1}\mathrm{000}；圈层1—4的d_u分别设置为2.5 min，7.5 min，12.5 min，17.5 min，对应的步行距离分别为150 m，450 m，750 m，1 050 m。根据海傍站周边常住人口、就业岗位和建筑分布数据，估计站点周边居住、公服、商业用地的平均出行产生吸引率{\beta }_a分别为1.52人次/(d·m²)，1.25人次/(d·m²)，2.47人次/(d·m²)。V_{\mathrm{M}\mathrm{A}\mathrm{X}，a}对居住、公服、商业用地均取值3.0。海傍站不同类型用地各圈层的单位建筑面积价格增值如表3所示，Z_{au}按表3进行取值。海傍站不同类型接驳方式各圈层对应的设施规模如表4所示，T_{ku}和{\varphi }_k按表4进行取值。为增大客流规模，站点周边尽可能增大商业开发，\tau和\upsilon分别设置为0.4和0.5。

NSGA-Ⅲ算法的种群规模设为200，迭代次数设为2 000，求解后得出帕累托(Pareto)最优解。海傍站三维帕累托前沿面图如图8所示，海傍站超体积指标值变化如图9所示。图8中的蓝色散点表示帕累托最优解集，显示目标函数间相互冲突，无法取得3个目标函数均达到最优状态的可行解，最优方案可根据3个目标的重要度从前沿面中挑选。超体积指标值是多目标优化常用的收敛性判别指标，图9中超体积指标值在1 500次迭代后基本稳定不变，说明可行解集合已经收敛。与前沿面进行对比发现，2021年各圈层容积率，与位于开发强度F_{\mathrm{1}}优化方向上的优化结果比较接近。海傍站周边不同圈层现状容积率与3种最优解容积率结果对比如图10所示。

按照公式⑼计算2021年各圈层实际容积率与Pareto最优解1的误差。圈层1—4的误差E_u分别为0.19，0.12，0.08，0.19，两者之间实际误差较小，表明优化方法具有可行性和有效性。

E_u=\sqrt[]{\frac{\mathrm{1}}{\sum _{a\in A}{S}_{au}}\sum _{a\in A}{S}_{au}{\left(v_{au}-{\widehat{v}}_{au}\right)}^{\mathrm{2}}}⑼

式中：E_u表示实际容积率与优化容积率的加权均方差；{\widehat{v}}_{au}表示圈层u高客流用地a的优化平均容积率。

3.2　应用：萧岗站

在低效客流站点中，选取现状仍处于低客流状态的萧岗站(2023年日均进站量0.61万人次/d)作为优化应用案例，以现状时间节点为基准，预测周边各圈层开发强度的优化方案。萧岗站三维帕累托前沿面图如图11所示，萧岗站周边不同圈层现状容积率与3种最优解容积率结果对比如图12所示。萧岗站的优化结果见图11和图12，展示了开发强度F_{\mathrm{1}}最大、设施占用F_{\mathrm{2}}最小和开发效益F_{\mathrm{3}}最大所对应的帕累托最优解。

如图11所示，现状与最优解2相同，这是由于现状容积率作为约束下限且站点现状周边开发强度较低，正好对应F_{\mathrm{2}}最低时的情况。与现状进行对比，最优解1和3的开发强度F_{\mathrm{1}}分别提高25.7%和24.3%，开发效益F_{\mathrm{3}}分别提高19.2%和20.3%。依据现状萧岗站周边的轨道方式出行比例和不同类型用地出行产生率，如果完全参照F_{\mathrm{1}}方向进行容积率优化，预计萧岗站工作日均进站量可以提升至0.87万人/d，满足摆脱低客流状态的要求。

4　结束语

低效站点问题不仅影响地铁客流效益，也对构建以轨道交通为骨架的国土空间格局不利^[16]。以低效轨道交通站点控制性详细规划调整优化前后的用地开发变化和客流提升效果为研究对象，提出更贴近实际规划工作的优化方法。结合规划工作中关注的内容提出的数学优化方法，便于在实际工作中顺利落地，可供存在相应问题的城市参考应用。多目标优化的缺点是得到帕累托前沿面后，还需要人工介入二次选择最优解，下一步的研究方向是建立定量评价方法，进一步从较优解集中合理选择站点周边用地优化方案。

参考文献

[1] 杨 静，王月杏，周浪雅，等.基于空间计量模型的城市土地利用对地铁客流影响研究[J].铁道运输与经济，2023，45(9)：81-88.

[2] YANG Jing， WANG Yuexing， ZHOU Langya，et al. Study on Relationship between Urban Land Use and Subway Passenger Flow Based on Spatial Econometric Model[J]. Railway Transport and Economy，2023，45(9)：81-88.

[3] LIN J J， GAU C C. A TOD Planning Model to Review the Regulation of Allowable Development Densities around Subway Stations[J]. Land Use Policy，2006，23(3)：353-360.

[4] HUANG X Y， LIANG Q H， FENG Z H，et al. A TOD Planning Model Integrating Transport and Land Use in Urban Rail Transit Station Areas[J]. IEEE Access，2020(9)：1103-1115.

[5] LI Y， GUO H L， LI H，et al. Transit-Oriented Land Planning Model Considering Sustainability of Mass Rail Transit[J]. Journal of Urban Planning and Development，2010，136(3)：243-248.

[6] 池　娇，焦利民，董　婷，等. 基于POI数据的城市功能区定量识别及其可视化[J]. 测绘地理信息，2016，41(2)：68-73.

[7] CHI Jiao， JIAO Limin， DONG Ting，et al. Quantitative Identification and Visualization of Urban Functional Area Based on POI Data[J]. Journal of Geomatics，2016，41(2)：68-73.

[8] 侯　雪. 基于TOD理念的轨道交通站点周边土地利用评价及优化模型[D]. 北京：北京交通大学，2012.

[9] 李清扬. 城市轨道交通站点地区的土地利用评价及优化研究：以成都轨道交通3号线为例[D]. 成都：西南交通大学，2021.

[10] 冯长春，曹敏政，谢婷婷. 不同生态保育尺度下铜陵市土地利用结构优化[J]. 地理研究，2014，33(12)：2217-2227.

[11] FENG Changchun， CAO Minzheng， XIE Tingting. Optimization of Land Use Structure in Tongling City Based on Different Ecological Conservation Scales[J]. Geographical Research，2014，33(12)：2217-2227.

[12] 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.

[13] YIN Qin， MENG Bin， ZHANG Liying. Classification of Subway Stations in Beijing Based on Passenger Flow Characteristics[J]. Progress in Geography，2016，35(1)：126-134.

[14] 王　菁，万　峰，董春娇，等. 城市轨道交通站点吸引范围及强度建模[J]. 吉林大学学报(工学版)，2023，53(2)：439-447.

[15] WANG Jing， WAN Feng， DONG Chunjiao，et al. Modelling on Catchment Area and Attraction Intensity of Urban Rail Transit Stations[J]. Journal of Jilin University (Engineering and Technology Edition)，2023，53(2)：439-447.

[16] 马超群，杨富社，王玉萍，等. 轨道交通对沿线住宅房产增值的影响[J]. 交通运输工程学报，2010，10(4)：91-96.

[17] MA Chaoqun， YANG Fushe， WANG Yuping，et al. Impact of Rail Transit on Price Increase of Residential Real Estate[J]. Journal of Traffic and Transportation Engineering，2010，10(4)：91-96.

[18] 陈　峰，吴奇兵. 轨道交通对房地产增值的定量研究[J]. 城市轨道交通研究，2006，9(3)：12-17.

[19] CHEN Feng， WU Qibing. Quantitative Research on the Increase of Real Estate Price Alongside the Urban Rail Transit[J]. Urban Mass Transit，2006，9(3)：12-17.

[20] KUMAR A， WU G H， ALI M Z，et al. A Benchmark-Suite of Real-World Constrained Multi-Objective Optimization Problems and Some Baseline Results[J]. Swarm and Evolutionary Computation，2021(67)：100961.

[21] DEB K， JAIN H. An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach，Part I：Solving Problems with Box Constraints[J]. IEEE Transactions on Evolutionary Computation，2014，18(4)：577-601.

[22] TIAN Y， CHENG R， ZHANG X Y，et al. An Indicator-Based Multi-Objective Evolutionary Algorithm with Reference Point Adaptation for Better Versatility[J]. IEEE Transactions on Evolutionary Computation，2018，22(4)：609-622.

[23] 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.

[24] 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

广州市交通规划研究院有限公司科技基金项目(KYHT-2024-02)