城市軌道交通站點(diǎn)周邊土地利用的空間梯度特性研究

王書(shū)靈，張哲寧，付浩洋，彭羽飛，蔣 熙

（1. 北京交通發(fā)展研究院，北京 100161；2. 北京交通大學(xué)軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100044）

1 研究背景

當(dāng)前，面向TOD 的軌道與土地協(xié)同規(guī)劃是城市發(fā)展的主流趨勢(shì)，無(wú)論在理論研究還是在實(shí)際工作中，準(zhǔn)確掌握并分析軌道交通站點(diǎn)周邊土地利用的空間分布特性，都已成為規(guī)劃與運(yùn)營(yíng)管理的重要基礎(chǔ)。在既有研究中，面向不同需求進(jìn)行的站點(diǎn)周邊土地利用狀況的分析評(píng)估已取得一定成果。在土地利用的空間分布規(guī)律方面，一些專(zhuān)業(yè)人員研究了居住用地的地價(jià)梯度場(chǎng)空間效應(yīng)、軌道交通對(duì)站點(diǎn)周邊土地或房地產(chǎn)價(jià)格的影響及土地增值效應(yīng)等[1-4]；在站點(diǎn)土地利用狀況的分析評(píng)價(jià)方面，CERVERO 等、林紅等研究了土地混合程度的度量方法[5-6]，尹超英等研究了站域土地結(jié)構(gòu)混合度、土地利用混合度與出行行為的相關(guān)性[7]，周世驚研究了站域內(nèi)土地利用強(qiáng)度的計(jì)算方法[8]。另外，有些專(zhuān)業(yè)人員從不同方面采用相應(yīng)的方法，對(duì)軌道交通站域內(nèi)的土地利用或潛力進(jìn)行綜合評(píng)價(jià)[9-10]。

總體上看，早期研究主要在城市或線(xiàn)網(wǎng)尺度上分析土地利用及空間分布問(wèn)題，后來(lái)逐漸細(xì)化到從站點(diǎn)尺度上來(lái)關(guān)注站點(diǎn)域周邊的土地利用。對(duì)于土地利用的空間分布結(jié)構(gòu)特性，以往主要從經(jīng)濟(jì)視角探討土地的價(jià)值梯度，而與站點(diǎn)的交通功能更緊密的土地利用梯度卻鮮有涉及；在空間分布特性的度量研究中，衡量主要依賴(lài)于土地混合度、土地開(kāi)發(fā)強(qiáng)度等宏觀層面指標(biāo)，較少?gòu)目臻g關(guān)系方面考慮土地利用在空間結(jié)構(gòu)上的特性。然而，面向TOD 的軌道交通與土地協(xié)同發(fā)展，不僅關(guān)注土地類(lèi)型與規(guī)模，更需要基于土地利用的空間梯度特性對(duì)其進(jìn)行規(guī)劃與評(píng)估。因此，有必要從軌道交通站點(diǎn)功能的視角，深入研究精細(xì)化的土地利用空間梯度特性。

當(dāng)前交通與土地?cái)?shù)據(jù)的逐步積累，為發(fā)掘數(shù)據(jù)中的規(guī)律與特性提供了可能。筆者在微觀層次上，根據(jù)軌道交通站點(diǎn)周邊精細(xì)化的土地利用數(shù)據(jù)，探索基于數(shù)據(jù)的土地利用空間分布特征的研究方法與模型，對(duì)土地利用的空間形態(tài)進(jìn)行辨識(shí)和量化分析，以此促進(jìn)軌道交通站點(diǎn)的整體服務(wù)效能提升，促進(jìn)軌道交通與城市的一體化協(xié)調(diào)發(fā)展。

2 研究方法

2.1 數(shù)據(jù)

軌道交通站點(diǎn)周邊的居住及就業(yè)用地上承載的職住人口是形成軌道交通站點(diǎn)客流的核心要素，在微觀層面上研究站點(diǎn)周邊職住用土地的開(kāi)發(fā)利用及空間分布狀況，不僅能分析土地利用空間布局結(jié)構(gòu)的基本規(guī)律，而且更有助于揭示土地與軌道交通客流的互動(dòng)作用機(jī)理。

研究所需的數(shù)據(jù)不僅有軌道交通站點(diǎn)區(qū)位的信息，還有站點(diǎn)周邊職住用地?cái)?shù)量、規(guī)模、混合度等信息；同時(shí)需要采集精細(xì)化的空間分布及屬性信息，主要包括站點(diǎn)周邊各個(gè)居住小區(qū)的空間坐標(biāo)與小區(qū)戶(hù)數(shù)、各類(lèi)辦公場(chǎng)所與寫(xiě)字樓的空間坐標(biāo)及建筑面積等數(shù)據(jù)。以一個(gè)擁有N 個(gè)軌道交通站點(diǎn)的城市或區(qū)域?yàn)槔?，可利用電子地圖及互聯(lián)網(wǎng)的地產(chǎn)數(shù)據(jù)系統(tǒng)，采集獲得各個(gè)車(chē)站吸引范圍L 距離內(nèi)所有居住小區(qū)及就業(yè)崗位的上述信息。對(duì)其中任一站點(diǎn)Si，按離站距離將站點(diǎn)周邊區(qū)域劃分為M 個(gè)圈層，以站點(diǎn)Si為中心、為半徑r構(gòu)成圓圈，即形成站點(diǎn)的第j個(gè)圈層。利用圈層j 范圍內(nèi)的居住小區(qū)的戶(hù)數(shù)、就業(yè)崗位辦公建筑面積信息，按照戶(hù)均人口和人均辦公面積等參數(shù)，折算加總成為該圈層的職住人口數(shù)量，再進(jìn)一步根據(jù)圓圈層面積轉(zhuǎn)化為職住人口密度rwpij。如此，在對(duì)線(xiàn)網(wǎng)中N個(gè)站點(diǎn)、各站周邊區(qū)域按M個(gè)圈層進(jìn)行劃分后，構(gòu)成了基于職住人口密度的軌道交通站點(diǎn)周邊土地利用空間分布矩陣RWP，有

2.2 方法

以RWP 作為本研究建模與分析的數(shù)據(jù)基礎(chǔ)，分別從定性與定量方面，對(duì)站點(diǎn)周邊土地利用的梯度特征展開(kāi)探究，形成梯度形態(tài)模式辨識(shí)方法及梯度特性量化方法。

2.2.1 梯度特性的形態(tài)模式

城市各個(gè)軌道交通站點(diǎn)的周邊土地利用空間分布狀況各具特色，在整個(gè)線(xiàn)網(wǎng)范圍內(nèi)，不同站點(diǎn)之間的相似性與差異性并存。對(duì)某一城市的軌道交通系統(tǒng)，需要從線(xiàn)網(wǎng)整體上掌握站點(diǎn)周邊的土地利用具有哪些梯度形態(tài)模式，以及每種梯度形態(tài)具有什么顯著特點(diǎn)，也希望從個(gè)體角度明確每個(gè)站點(diǎn)具體屬于哪種梯度形態(tài)模式?？傮w上，這屬于站點(diǎn)周邊土地利用梯度模式的劃分問(wèn)題。

由于梯度概念首次被引入軌道交通站點(diǎn)周邊土地利用空間分布特性的描述中，目前尚未有明確的分類(lèi)標(biāo)準(zhǔn)可用，因此本研究利用線(xiàn)網(wǎng)各站點(diǎn)周邊土地利用狀況的實(shí)際數(shù)據(jù)，運(yùn)用數(shù)據(jù)聚類(lèi)算法來(lái)挖掘站點(diǎn)土地利用的空間分布規(guī)律，提取并形成基本的梯度形態(tài)模式。

2.2.2 梯度特性的量化分析

通過(guò)站點(diǎn)聚類(lèi)，從定性的角度明確了軌道交通站點(diǎn)周邊土地利用空間梯度的形態(tài)特征；進(jìn)一步，基于實(shí)際數(shù)據(jù)進(jìn)行模型構(gòu)建，從定量角度對(duì)站點(diǎn)土地利用的空間梯度特性進(jìn)行量化分析。

建模所用的各站點(diǎn)職住人口分布數(shù)據(jù)是由多個(gè)圈層的職住人口密度構(gòu)成的多維度數(shù)據(jù)，而目前尚無(wú)固定的土地利用梯度量化衡量標(biāo)準(zhǔn)可用。因此，筆者提出了基于相對(duì)性分析評(píng)價(jià)的研究思路，即以遞遠(yuǎn)遞減為理想形態(tài)及密度值來(lái)構(gòu)造虛擬參照系，按優(yōu)劣對(duì)照的方式進(jìn)行站點(diǎn)梯度特性的量化計(jì)算。具體實(shí)現(xiàn)時(shí)，以TOPSIS 模型為基礎(chǔ)進(jìn)行改進(jìn)，探索基于改進(jìn)TOPSIS的梯度特性量化評(píng)分方法。

3 模型構(gòu)建

3.1 基于聚類(lèi)算法的梯度形態(tài)模式辨識(shí)

線(xiàn)網(wǎng)軌道交通站點(diǎn)周邊土地利用空間分布矩陣RWP，可看成由N 個(gè)樣本構(gòu)成的M 維樣本數(shù)據(jù)集RWPSet={RWP1, RWP2, …, RWPi, …, RWPN}，其中RWPi為站點(diǎn) Si各圈層的職住人口密度向量，RWPi=(RWPi1, RWPi2, …, RWPij, …, RWPiM)。運(yùn)用K-means 無(wú)監(jiān)督學(xué)習(xí)算法進(jìn)行數(shù)據(jù)聚類(lèi)，以樣本數(shù)據(jù)的相似程度作為聚類(lèi)依據(jù)，將全網(wǎng)各個(gè)站點(diǎn)劃分為不同的類(lèi)別，當(dāng)聚類(lèi)類(lèi)別數(shù)目設(shè)為K 時(shí)，算法流程如下：

步驟1，初始化迭代次數(shù)變量q，令q=1。

步驟 2，設(shè)置初始聚類(lèi)中心。從樣本數(shù)據(jù)集RWPSet 中隨機(jī)選取K 個(gè)樣本，分別作為聚類(lèi)中心x1, x2, …, xK。

步驟3，聚類(lèi)集合的劃分。對(duì)樣本數(shù)據(jù)集RWPSet中所有站點(diǎn)的樣本數(shù)據(jù)進(jìn)行遍歷，用樣本數(shù)據(jù)向量與聚類(lèi)中心的歐式距離進(jìn)行計(jì)算，得到各站點(diǎn)職住密度與各個(gè)聚類(lèi)中心的相似度。其中，任一站點(diǎn)i 與第k個(gè)聚類(lèi)中心的歐式距離為dk=||RWPi-xk||，并將站點(diǎn)i放入距離最近的那個(gè)聚類(lèi)中心所在的集合中。遍歷完所有的站點(diǎn)數(shù)據(jù)后，形成 K 個(gè)類(lèi)別的站點(diǎn)集合C1, C2, …, CK。

步驟4，更新聚類(lèi)中心。對(duì)K 個(gè)類(lèi)別的任一類(lèi)別集合Ck，計(jì)算其中各個(gè)站點(diǎn)樣本數(shù)據(jù)向量間之間歐式距離，并用其均值代表類(lèi)內(nèi)距離，即u1, u2, …, uK。

如果u1=x1，u2=x2，…，uK=xK，則轉(zhuǎn)入步驟5；否則，令x1=u1，x2=u2，…，uK=xK，進(jìn)入步驟3。

步驟5，輸出聚類(lèi)形成的K 個(gè)類(lèi)別站點(diǎn)集合。運(yùn)用該算法時(shí)需要確定聚類(lèi)數(shù)目K，本研究采用DBI (davies-bouldin index)與CHI(calinski-harabaz index)這兩個(gè)聚類(lèi)性能指標(biāo)來(lái)確定最佳K 值。DBI 表示類(lèi)內(nèi)距離與聚類(lèi)中心間距之和的比率，值越小則聚類(lèi)效果越好，計(jì)算公式如下：

式中，ew、ey是類(lèi) w、y 的平均類(lèi)內(nèi)距離，Dwy是類(lèi)w、y 的聚類(lèi)中心間距，Dwy=||uw-uy||。

CHI 表示類(lèi)間協(xié)方差均值與類(lèi)內(nèi)協(xié)方差的比率，值越大代表類(lèi)自身越緊密，類(lèi)與類(lèi)之間越分散，聚類(lèi)效果越好，計(jì)算公式如下：

式中，BK為類(lèi)別之間數(shù)據(jù)的協(xié)方差矩陣，WK為類(lèi)別內(nèi)部數(shù)據(jù)的協(xié)方差矩陣，tr 為矩陣的跡。

通過(guò)最小化DBI、最大化CHI 來(lái)確定最佳聚類(lèi)數(shù)目K。

3.2 基于改進(jìn)TOPSIS 的梯度特性量化評(píng)分

根據(jù)TOD 理念下軌道交通站點(diǎn)與土地空間協(xié)同發(fā)展的要求，在線(xiàn)網(wǎng)尺度上，城市土地利用應(yīng)當(dāng)與線(xiàn)網(wǎng)內(nèi)各軌道交通站點(diǎn)布局緊密結(jié)合；在更細(xì)致的站域尺度上，以車(chē)站為中心形成的土地利用聚集程度及結(jié)構(gòu)往往決定了站點(diǎn)的實(shí)際可達(dá)性與空間效能。一般來(lái)講，從車(chē)站中心向外形成的各個(gè)圈層，如果在職住密度上具有近似遞遠(yuǎn)遞減的結(jié)構(gòu)，則在站域尺度上看，土地利用與站點(diǎn)的協(xié)調(diào)性與結(jié)合度就較高。

TOPSIS 方法以樣本數(shù)據(jù)為基礎(chǔ)，為每個(gè)屬性設(shè)定一個(gè)最優(yōu)和最劣目標(biāo)值，然后計(jì)算待評(píng)估對(duì)象與最優(yōu)、最劣目標(biāo)值的相對(duì)接近度，并以此作為評(píng)分依據(jù)。但經(jīng)典的TOPSIS 方法對(duì)各屬性進(jìn)行分別考量，未將各屬性之間的結(jié)構(gòu)關(guān)系考慮在內(nèi)，難以體現(xiàn)梯度的本質(zhì)特征，需要進(jìn)行改進(jìn)。本研究將“遞遠(yuǎn)遞減”作為站點(diǎn)最理想的梯度形態(tài)，擬定土地利用空間梯度特性量化評(píng)分的基本原則，并在最優(yōu)目標(biāo)值的設(shè)置、相對(duì)接近度計(jì)算兩個(gè)方面，對(duì)TOPSIS 模型進(jìn)行了改進(jìn)，以適應(yīng)梯度特性的評(píng)分要求。

首先，在最優(yōu)目標(biāo)值設(shè)置方面，與經(jīng)典TOPSIS直接采用各維度內(nèi)樣本屬性最值的方式不同，本研究提出了虛與實(shí)相結(jié)合的最優(yōu)目標(biāo)值構(gòu)建方法。一方面，此處的“虛”是指構(gòu)造了一個(gè)代表最優(yōu)土地結(jié)合度的虛擬站點(diǎn)樣本，其各維度屬性的取值是經(jīng)過(guò)重新排序后的最值，與線(xiàn)網(wǎng)中站點(diǎn)相應(yīng)圈層真實(shí)存在的最值可能不存在一一對(duì)應(yīng)的關(guān)系，而是在對(duì)所有站點(diǎn)各圈層選取了各自的最值后，按照從高到低排序的原則進(jìn)行重組，再賦值給虛擬樣本站點(diǎn)從近到遠(yuǎn)的各個(gè)圈層；在此，用“虛擬”的站點(diǎn)定義了最優(yōu)目標(biāo)值，代表著“理想”中的遞遠(yuǎn)遞減梯度形態(tài)。另一方面，也存在“實(shí)”的特性，就是說(shuō)，該樣本某圈層的職住人口密度仍然真實(shí)存在于線(xiàn)網(wǎng)中某一個(gè)站點(diǎn)的某一個(gè)圈層中，是該城市或區(qū)域在現(xiàn)實(shí)中已經(jīng)達(dá)到的局部職住人口密度，只是依據(jù)理想的梯度形態(tài)將其放到虛擬站點(diǎn)合適的圈層位置中。

其次，為了與空間梯度特性相適應(yīng)，設(shè)置了基于相對(duì)接近度的樣本評(píng)分基本原則，主要包括：高密度圈層離站點(diǎn)距離越近，分值越高；同一圈層內(nèi)密度越高，分值越高；與參照系最優(yōu)站點(diǎn)綜合接近度越高，分值越高；與參照系最劣站點(diǎn)綜合接近度越高，分值越低。因此，為了體現(xiàn)不同距離的圈層職住人口密度在梯度形態(tài)重要性上的差別，改進(jìn)了樣本站點(diǎn)相對(duì)接近度的計(jì)算方法。本研究將對(duì)數(shù)函數(shù)作為距離衰減函數(shù)引入屬性權(quán)重中，使得站點(diǎn)樣本的各個(gè)屬性權(quán)重具有空間特性，其值隨圈層距離的增加而減小。

由此，提出基于改進(jìn)TOPSIS 的站點(diǎn)周邊土地利用空間梯度特性量化評(píng)分算法，流程如下：

步驟1，樣本矩陣的確定。如前所述，將N 個(gè)站點(diǎn)的周邊各劃分成m 個(gè)圈層，xij表示第i 個(gè)站點(diǎn)的第j 個(gè)圈層的職住人口密度，用數(shù)據(jù)RWPij為其賦值，則可以得到樣本矩陣X，即

步驟2，對(duì)矩陣進(jìn)行標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化矩陣Z如下：

步驟3，計(jì)算最優(yōu)目標(biāo)值為

并對(duì)各個(gè)維度的取值排序，使得對(duì)于任意0＜j＜ M-1，zj＞zj+1。

步驟4，計(jì)算最劣目標(biāo)值為

步驟5，根據(jù)最優(yōu)、最劣目標(biāo)值，分別計(jì)算最優(yōu)、最劣距離如下：

步驟6，計(jì)算與參照系的相對(duì)接近度作為梯度特性評(píng)分，有

4 案例分析

以北京市2018 年軌道交通系統(tǒng)作為案例進(jìn)行研究，采集了全網(wǎng)288 個(gè)車(chē)站周邊2 km 范圍內(nèi)的居住類(lèi)興趣點(diǎn)(point of interest，POI)、辦公類(lèi)POI 及其戶(hù)數(shù)、建筑面積數(shù)據(jù)，處理后形成北京市軌道交通站點(diǎn)周邊職住人口密度數(shù)據(jù)集RWPSet。

首先運(yùn)用本文第3.1 節(jié)所述模型進(jìn)行站點(diǎn)聚類(lèi)，利用“手肘法+輪廓系數(shù)”計(jì)算確定最優(yōu)類(lèi)別數(shù)目，將全網(wǎng)288 個(gè)站點(diǎn)劃分為5 個(gè)類(lèi)別。將各個(gè)類(lèi)別聚類(lèi)中心職住人口密度從近到遠(yuǎn)分圈層按比例進(jìn)行展示，如圖1 所示。

圖1 各類(lèi)別站點(diǎn)周邊各圈層職住人口密度比例的分布 Figure 1 Distribution of the proportion of working and living population density in each circle around each type of station

可見(jiàn)，北京市軌道交通站點(diǎn)的土地利用梯度呈現(xiàn)出5 類(lèi)形態(tài)模式。不同類(lèi)別的特征如下：第1 類(lèi)，職住人口密度最低，不呈現(xiàn)遞遠(yuǎn)遞減特性，甚至與之相反，站點(diǎn)與土地結(jié)合度最差；第2 類(lèi)，800 m 內(nèi)的職住人口密度遞遠(yuǎn)遞增，職住梯度特性較差，站點(diǎn)與土地結(jié)合度較差；第3 類(lèi)，600 m 外有一定的遞遠(yuǎn)遞減特性，站點(diǎn)與土地結(jié)合度一般；第4 類(lèi)，200 m 范圍內(nèi)職住人口密度低，但在200 m 距離外具有良好的遞遠(yuǎn)遞減梯度特性，站點(diǎn)與土地結(jié)合度較好；第5 類(lèi)，200 m 范圍內(nèi)職住人口顯著密集，整體有明顯的遞遠(yuǎn)遞減梯度特性，站點(diǎn)與土地結(jié)合度最好。

各類(lèi)別站點(diǎn)在線(xiàn)網(wǎng)上的分布如圖2 所示。其中土地梯度形態(tài)良好的站點(diǎn)與熱門(mén)商圈、換乘站、大型居住區(qū)等因素關(guān)聯(lián)密切，主要包括：國(guó)貿(mào)、中關(guān)村、五道口、東直門(mén)、朝外、西單等熱門(mén)商業(yè)圈附近(17 個(gè))；什剎海、天壇東門(mén)等市內(nèi)休閑區(qū)附近(7 個(gè))；連接市郊線(xiàn)路的宋家莊、七里莊等地區(qū)的換乘站(7 個(gè))；居民小區(qū)密集的市內(nèi)及部分市郊車(chē)站，白石橋南、車(chē)公莊、東大街、西紅門(mén)—天宮院段、永豐南—北安河段、永泰莊—朱辛莊站等(21 個(gè))。

圖2 各類(lèi)別站點(diǎn)在線(xiàn)網(wǎng)上的分布 Figure 2 Distribution of each type of station on the traffic network

在土地梯度形態(tài)不佳的站點(diǎn)中，除了周邊整體呈現(xiàn)低密度開(kāi)發(fā)的遠(yuǎn)郊站點(diǎn)外(多屬第一類(lèi))，還有相當(dāng)一部分站點(diǎn)位于大型立交橋與車(chē)場(chǎng)、城市綠地等區(qū)域中心或旁側(cè)，或是因?yàn)楸缓恿?、橋梁及多條道路阻隔，使得站點(diǎn)緊鄰地塊開(kāi)發(fā)密度遠(yuǎn)低于800 m 以外，如回龍觀、霍營(yíng)、北土城、積水潭、安華橋、慈壽寺、火器營(yíng)等車(chē)站(第2 類(lèi)站點(diǎn)居多)。

進(jìn)一步，運(yùn)用本文第3.2 節(jié)所述模型，對(duì)各個(gè)站點(diǎn)的空間梯度特性進(jìn)行量化評(píng)分，線(xiàn)網(wǎng)各站點(diǎn)評(píng)分的分布情況如圖3 所示。其中，評(píng)分優(yōu)良的站點(diǎn)主要具有以下特點(diǎn)：一是站點(diǎn)周邊土地利用梯度的形態(tài)模式均屬于第4 或第5 類(lèi)；二是站點(diǎn)周邊職住人口密度的數(shù)值相對(duì)較高；三是站點(diǎn)位置多位于五環(huán)內(nèi)，集中在軌道線(xiàn)網(wǎng)交叉口的站點(diǎn)密集地區(qū)，少數(shù)站點(diǎn)散布在五環(huán)外。

圖3 全網(wǎng)站點(diǎn)空間梯度特性評(píng)分值的概率分布 Figure 3 Probability distribution of the spatial gradient characteristics score value of network stations

當(dāng)前，在“軌道+城市”融合發(fā)展的目標(biāo)下，北京市在軌道交通與城市更新一體化規(guī)劃中，可以運(yùn)用本方法分析線(xiàn)網(wǎng)各站點(diǎn)的空間梯度形態(tài)、計(jì)算梯度特性評(píng)分，并結(jié)合站點(diǎn)的實(shí)際情況，采取有針對(duì)性的措施，促進(jìn)站點(diǎn)與土地的協(xié)同發(fā)展。例如，任選北京線(xiàn)網(wǎng)的某些站點(diǎn)，計(jì)算梯度評(píng)分，并結(jié)合站點(diǎn)的軌道客流量進(jìn)行分析。梯度評(píng)分與客流量的散點(diǎn)圖如圖4 所示。可以看出，五道口、東大橋等車(chē)站客流量較大，且梯度特性評(píng)分優(yōu)良，在客流與土地空間聚集特性方面已 具備良好條件，可進(jìn)一步從功能聚集方面進(jìn)行協(xié)同一體化；而西直門(mén)、牡丹園等車(chē)站客流量較大，周邊整體已達(dá)到一定的職住人口密度，但梯度特性一般，因此，土地利用向緊鄰地塊集中是優(yōu)化的方向；十里河、霍營(yíng)、沙河等車(chē)站，因區(qū)位等因素客流量較大，然而整體開(kāi)發(fā)強(qiáng)度不足，且較高密度的客流發(fā)生點(diǎn)距站點(diǎn)較遠(yuǎn)，所以是需要對(duì)周邊土地利用進(jìn)行整體改造的重點(diǎn)車(chē)站。

圖4 軌道交通站點(diǎn)客流量與梯度特性評(píng)分 Figure 4 Scatter diagram of passenger flow and gradient characteristics of rail stations

5 結(jié)語(yǔ)

面向軌道交通與城市一體化的協(xié)調(diào)發(fā)展，分析對(duì)站點(diǎn)域精細(xì)化土地利用空間特性的需求，在微觀層次上采集土地利用與空間分布數(shù)據(jù)，研究基于職住人口空間分布的土地利用空間梯度特征，提出了基于數(shù)據(jù)聚類(lèi)算法土地利用的空間梯度形態(tài)特性的識(shí)別方法，以及基于改進(jìn)TOPSIS 的土地梯度特性量化的評(píng)分方法。在案例分析中發(fā)現(xiàn)，北京市軌道交通站點(diǎn)的土地利用梯度呈現(xiàn)出5 類(lèi)基本形態(tài)模式，通過(guò)進(jìn)一步對(duì)站點(diǎn)的土地利用梯度特性進(jìn)行量化評(píng)分，為改變站點(diǎn)周邊的土地使用情況、促進(jìn)軌道交通與城市融合發(fā)展提供了參考。