上海郊區(qū)軌道站客流與站域出行活力匹配性研究

吳嬌蓉， 鄧泳淇， 陳彩婷

（1.同濟(jì)大學(xué) 道路與交通工程教育部重點實驗室，上海 201804；2.同濟(jì)大學(xué) 城市交通研究院，上海 201804）

隨著國內(nèi)大城市不斷發(fā)展，城市中心區(qū)資源日益緊張，為了疏解中心城的壓力，特大和超大城市均實施了多中心、多組團(tuán)規(guī)劃，也因此特大、超大城市郊區(qū)軌道交通進(jìn)入了快速發(fā)展時期。根據(jù)已有研究發(fā)現(xiàn)，郊區(qū)軌道站點更容易出現(xiàn)土地開發(fā)形式單一、職住聚集能力不足、客流偏低等現(xiàn)象。以上海為例，2019年軌道交通客流數(shù)據(jù)分析顯示，郊區(qū)站點中有超過1/4的站點進(jìn)出客流低于10 000人·d-1，同時郊區(qū)約60%軌道站點存在站域人群出行活力高但進(jìn)出站客流低、出行活力低且進(jìn)出站客流低的情況?，F(xiàn)在普遍認(rèn)為TOD（transit oriented development）的開發(fā)模式能提高軌道站點的場所功能，激發(fā)人群在站點周邊活動，從而引導(dǎo)人們使用綠色交通，但如果郊區(qū)軌道站點僅成為局部區(qū)域的活動中心，人群活動僅少部分轉(zhuǎn)化為軌道客流，軌道站的交通功能是否被浪費？

以上海郊區(qū)77個軌道站為例，依據(jù)軌道站進(jìn)出客流與站域人群出行活力的匹配度將軌道站分類，結(jié)合站域開發(fā)強(qiáng)度、軌道自身性質(zhì)等多維屬性構(gòu)建多分類Logit模型，探究站域人群出行無法有效轉(zhuǎn)化為軌道站客流的原因，補(bǔ)充已有研究中軌道站域活力的測度方法，豐富超大和特大城市郊區(qū)軌道站點客流與站域活力兩者協(xié)同發(fā)展機(jī)理，以期為提高郊區(qū)軌道站點客流、郊區(qū)軌道站點選址規(guī)劃和更新開發(fā)提供參考。

1 軌道站域活力研究綜述

美國學(xué)者Jacobs［1］最早提出城市活力的概念，即足夠的人流密度在時間維度上的保持。之后，Gehl［2］使用人群“選擇性活動”的強(qiáng)度對街道活力進(jìn)行描述。Montgomery［3］提出可通過街道可達(dá)性、街區(qū)滲透性、人群流動、移動工具使用強(qiáng)度來衡量城市活力的大小。Ravenscroft［4］使用街區(qū)的繁忙程度度量城市活力。中國學(xué)者葉宇等［5］總結(jié)提出城市活力是一種空間特征及社會活動的同構(gòu)體，可從空間特征和居民活動強(qiáng)度兩方面進(jìn)行界定。

已有研究較多討論軌道站客流與站域靜態(tài)開發(fā)水平的關(guān)系，如姜莉等［6］利用局部莫蘭指數(shù)發(fā)現(xiàn)，深圳軌道站點影響區(qū)TOD綜合指數(shù)越高，其站點客流量越大，兩者協(xié)同度越高。很少有學(xué)者將站點客流與站域人群活動進(jìn)行關(guān)聯(lián)研究，難以解釋站點周邊人群的出行強(qiáng)度高但是站點客流低的現(xiàn)象，且不同的研究對于站域活力的定義往往存在差異，無法直接比較。例如，吳光周等［7］采用客流連續(xù)性與客流強(qiáng)度的乘積代表站點活力進(jìn)行討論。葉鍾楠等［8］和周雨霏等［9］使用站點不同時段不同圈層范圍內(nèi)的百度熱力圖表示站域人群的集聚情況，通過計算不同級別色塊的加權(quán)平均值得到站域活力值。

以往學(xué)者對活力的測度通常依賴傳統(tǒng)的調(diào)查數(shù)據(jù)［10］，其調(diào)查樣本量小、調(diào)查工作量大、被采訪者主觀性強(qiáng)的缺點十分明顯。隨著大數(shù)據(jù)技術(shù)的快速發(fā)展，目前較多學(xué)者選擇使用百度熱力圖數(shù)據(jù)、手機(jī)信令數(shù)據(jù)對人群的出行行為進(jìn)行測度。百度熱力圖的獲取較為簡單，但其局限性也相對明顯。①熱力圖顏色級別往往有限，同一級別不同區(qū)域間的差異往往被忽視。②熱力值的變化僅反映區(qū)域內(nèi)人口聚集程度的變化，無法描述人群具體出行方向、出行距離等信息。手機(jī)信令數(shù)據(jù)相比百度熱力圖數(shù)據(jù)具有覆蓋面廣、置信度高、更能反映個體的時空行為等優(yōu)點。學(xué)者常通過手機(jī)信令數(shù)據(jù)提取出居民出行信息，并進(jìn)一步區(qū)分通勤與非通勤出行信息［11］。程小云［12］通過手機(jī)信令數(shù)據(jù)提取個體的出行活動信息，利用置信橢圓反映軌道站周邊居民活動在空間上的分散性與方向性，用核密度估計法描述居民活動點空間集聚情況。相比百度熱力圖，手機(jī)信令數(shù)據(jù)更能反映個體的具體活動情況。

借鑒城市活力中人群流動的概念，將空間尺度縮小至軌道站域范圍，用手機(jī)信令數(shù)據(jù)提取出的站域內(nèi)人群的出行情況表征站域活力。在補(bǔ)充軌道站域活力測度方法的基礎(chǔ)上，開展超大和特大城市郊區(qū)軌道站域活力與站點客流匹配性研究，為探索軌道站點客流與站域活力兩者協(xié)同發(fā)展機(jī)理提供新的研究視角。

2 研究區(qū)域概況與數(shù)據(jù)處理

2.1 研究區(qū)域概況

以上海市為例開展郊區(qū)軌道站點研究。上海郊區(qū)為主城區(qū)以外的區(qū)域［13］，處于該范圍內(nèi)的軌道站點即為研究對象。如圖1所示，研究的是2019年8月前正式開通并投入運營的77個軌道站點，共涉及11條軌道線。軌道站域劃分參考已有相關(guān)文獻(xiàn)，以郊區(qū)軌道站點為中心、1 000m為半徑，結(jié)合泰森多邊形確定［14-16］。

圖1 上海郊區(qū)軌道站點分布Fig.1 Map of Shanghai suburban rail sites

2.2 研究數(shù)據(jù)

所用數(shù)據(jù)共有4類，包括：

（1）2019年上海人口、崗位、土地利用、上海軌道站點shp文件等基本規(guī)劃資料。

（2）2019年9月連續(xù)30日上海聯(lián)通手機(jī)信令數(shù)據(jù)。對手機(jī)信令數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，刪除重復(fù)、異常的定位數(shù)據(jù)，同時基于用戶任意2個相鄰位置的直線距離與數(shù)據(jù)采集時間間隔設(shè)置移動速度閾值，對超過閾值的異常定位數(shù)據(jù)進(jìn)行清洗。通過計算聯(lián)通手機(jī)用戶占所在區(qū)縣常住人口比例，對識別出的OD數(shù)據(jù)進(jìn)行擴(kuò)樣，最終得到出行一端在郊區(qū)軌道站域內(nèi)的日出行量為706萬次。郊區(qū)77個軌道站域內(nèi)常住人口約168.35萬人，手機(jī)信令數(shù)據(jù)識別出的站域內(nèi)居民日出行次數(shù)總和為388萬次，計算得出居民日均出行次數(shù)為2.30次，該值與上海2020年交通年報給出的全市人均日出行2.35次接近，認(rèn)為手機(jī)信令擴(kuò)樣數(shù)據(jù)可用于下文定量分析。

（3）對上海市2019年9月18日軌道站點客流OD數(shù)據(jù)進(jìn)行加和處理，得到各軌道站點的日進(jìn)出客流數(shù)據(jù)。

（4）手機(jī)個推數(shù)據(jù)。該數(shù)據(jù)來源為某一為諸多主流APP提供SDK（software development kit）服務(wù)的公司，該公司可覆蓋約90%的安卓用戶和70%的IOS系統(tǒng)用戶。當(dāng)用戶通過指定的應(yīng)用程序發(fā)起基于位置服務(wù)的定位請求時，用戶的位置被記錄。同時通過用戶在手機(jī)中安裝的APP以及使用習(xí)慣，對用戶個人屬性進(jìn)行分析與推斷。所使用的手機(jī)個推數(shù)據(jù)的屬性字段包括用戶ID、時間戳、所在經(jīng)緯度、是否擁車、是否已婚、年齡、性別、收入水平。

2.3 站域活力測度方法

基于站域人群出行強(qiáng)度與范圍構(gòu)建站域活力指標(biāo)。為表示站域人群與不同區(qū)域的聯(lián)系，首先對上海市市域范圍進(jìn)行500m×500m柵格化。提取出行至少有一端在郊區(qū)站域的出行數(shù)據(jù)，分別統(tǒng)計各郊區(qū)軌道站域范圍內(nèi)的所有柵格與站域外各柵格的聯(lián)系量，以此得到軌道站域內(nèi)人群與其他區(qū)域的聯(lián)系強(qiáng)度。之后，結(jié)合自然斷裂點法對軌道站域柵格聯(lián)系強(qiáng)度進(jìn)行統(tǒng)一分級。每月與站域聯(lián)系次數(shù)超過5 000次的為該站域的一級聯(lián)系柵格；聯(lián)系次數(shù)為1 001～5 000次的為二級聯(lián)系柵格；聯(lián)系次數(shù)為301～1 000次的為三級聯(lián)系柵格；聯(lián)系次數(shù)為33～300次的為四級聯(lián)系柵格。

某軌道站域人群與其他區(qū)域聯(lián)系所覆蓋的4個級別柵格數(shù)量表征了站域人群出行范圍的大小，不同層級的柵格表示了出行強(qiáng)度的高低，為定量對站域活力進(jìn)行描述，活力指標(biāo)設(shè)定為

式中：H為站域活力；i為聯(lián)系柵格等級；wi為i等級柵格聯(lián)系權(quán)重；si為郊區(qū)站點主要聯(lián)系柵格中i等級柵格的個數(shù)。一級聯(lián)系柵格（月聯(lián)系量高于5 000次）w1取5，二級聯(lián)系柵格（月聯(lián)系量1 001～5 000次）w2取3，三級聯(lián)系柵格（月聯(lián)系量301～1 000）w3取1，四級聯(lián)系柵格（月聯(lián)系量32～300）w4取0.5。

3 站域活力與站點客流匹配度差異性分析

3.1 站域活力與站點客流匹配性失調(diào)與站點分類

表1為站點進(jìn)出客流與站點活力值的基本情況。圖2與圖3分別為站點的客流與活力分級圖，可明顯看出存在著活力出現(xiàn)高值而客流呈現(xiàn)低值或客流出現(xiàn)高值但是活力并未出現(xiàn)高值的現(xiàn)象。

表1 郊區(qū)軌道站進(jìn)出客流與站域活力情況Tab.1 Rail site ridership and vitality of rail site service area

圖2 郊區(qū)軌道站客流情況Fig.2 Ridership of Suburban Rail Sites

圖3 郊區(qū)軌道站域活力情況Fig.3 Vitality of Rail Site Services Areas

為進(jìn)一步反映站點客流與站域活力的空間集聚特征，引入局域莫蘭指數(shù)（Anselin Local Moran′s I）。相對全局尺度，局域莫蘭指數(shù)能夠在微觀尺度上對空間分布進(jìn)行探索與識別，對數(shù)據(jù)的空間異質(zhì)性解釋能力較強(qiáng)，可用來檢測聚類現(xiàn)象與聚集類型，計算模型參考文獻(xiàn)［17］。使用ArcGIS的聚類與異常值分析工具計算各郊區(qū)軌道站的客流、站域活力的局域莫蘭指數(shù)，據(jù)此對空間集聚情況進(jìn)行判別。如果活力與客流完全匹配，那么兩者高低值聚集的情況應(yīng)該大體相似。但計算結(jié)果表明軌道客流與站域活力的空間集聚特征在部分區(qū)域存在差異，見圖4與圖5，如奉賢新城5號線區(qū)段站域活力并未出現(xiàn)顯著低值集聚而客流出現(xiàn)明顯的低值聚集現(xiàn)象。進(jìn)一步證明郊區(qū)軌道站客流與活力的匹配性存在差異。

圖4 客流空間集聚特征Fig.4 Spatial Agglomeration Character of Ridership

圖5 活力空間集聚特征Fig.5 Spatial Agglomeration Character of Vitality

對站點客流與站域活力計算結(jié)果進(jìn)行Z-score標(biāo)準(zhǔn)化，利用象限法將77個郊區(qū)軌道站進(jìn)行分類，如圖6。由于站點客流高站域活力低的站點數(shù)較少且大部分接近坐標(biāo)軸，所以將其并入第一象限。即最終將站點分為3類（見表2）：活力高客流高（占比38%，A類）、活力低客流低（占比44%，B類）、活力高客流低（占比18%，C類）。以A類為參照，B類站點的活力約為A類的1/3，進(jìn)出站客流約為A類的1/5；C類站點的活力與A類相當(dāng)，進(jìn)出站客流約為A類的1/3。3類站點空間分布如圖7所示，3類站點進(jìn)出站客流與站域活力統(tǒng)計結(jié)果見表3。站點客流與站域活力分布特征的不一致反映了兩者協(xié)同發(fā)展程度有差異，表明站域周邊的人群出行并不一定能轉(zhuǎn)化為軌道客流，解析人群活力與客流之間的聯(lián)系有助于尋找提高郊區(qū)軌道客流的方法。

表2 郊區(qū)軌道站站點分類Tab.2 Classification results of suburban rail sites

表3 3類站點進(jìn)出站客流與站域活力Tab.3 Ridership and Vitality of three groups

圖6 軌道站客流與活力象限Fig.6 Quadrant diagram of ridership and vitality

圖7 3類站點空間分布Fig.7 Spatial distribution of three types of sites

3.2 站點分類模型構(gòu)建

以高客流高活力站點為參照組，構(gòu)建多分類Logit模型，探究并分析造成高活力低客流、低活力低客流站點的主要原因。

多元 Logit 模型可視為對被解釋變量中各類選擇行為兩兩配對后構(gòu)成的多個二元 Logit 模型實施聯(lián)合估計［18］。模型構(gòu)建為

式中：b為選定的基準(zhǔn)組；j為因變量的種類，j=1，2，3，…；πij為被解釋變量yi取j時的概率；x為自變量集合對應(yīng)的取值向量；βj為選項組j對應(yīng)的系數(shù)向量。當(dāng)j=b時，等式左側(cè)為ln 1=0，則βb=0，即選擇相對自己的回歸系數(shù)（log-odds） 始終為零，致使該組別對應(yīng)的任何解釋變量系數(shù)也必然為零。令J為因變量包含種類的總量，通過求解這J個方程，可以得到每種選擇的預(yù)測概率為

參考相關(guān)研究［19-24］，自變量選取考慮了站域開發(fā)程度、站點所處區(qū)位、站域內(nèi)人群通勤職住情況、軌道自身性質(zhì)、站域人群擁車屬性5個方面，共12個定量指標(biāo)。包括：站域人口崗位密度、站域POI密度、站點接駁公交線路數(shù)、站點綜合區(qū)位指數(shù)、站點至市中心公交時距、站點至所在城鎮(zhèn)圈中心公交時距、站域居民與主城區(qū)聯(lián)系度（站域內(nèi)居民工作地位于主城區(qū)的通勤出行占所有通勤出行的比例）、站域居民與緊密城鎮(zhèn)圈聯(lián)系度（站域內(nèi)居民工作地位于所在城鎮(zhèn)圈的通勤出行占所有通勤出行的比例）、站域工作者與主城區(qū)聯(lián)系度（站域內(nèi)工作者居住地位于主城區(qū)的通勤出行占所有通勤出行的比例）、站域工作者與緊密城鎮(zhèn)圈聯(lián)系度（站域內(nèi)工作者居住地位于所在城鎮(zhèn)圈的通勤出行占所有通勤出行的比例）、軌道站高峰時段平均發(fā)車間隔、軌道站所在線路進(jìn)入內(nèi)環(huán)是否需要換乘、站域擁車人群比例。經(jīng)過模型比選及避免變量間的多重共線性，最終7個指標(biāo)被選入模型。自變量中站點綜合區(qū)位指數(shù)計算式為

式中：x1為距離上海市市中心的公交時距，時距大于60min、處于45～60min、小于45min時，x1對應(yīng)取值分別為1、3、5；x2表示其位于上海城鎮(zhèn)體系中的何種等級的城鎮(zhèn)，站點位于新城核心區(qū)、中心鎮(zhèn)、新城非核心區(qū)、一般鎮(zhèn)及其他區(qū)域，x2對應(yīng)取值分別為4、3、2、1。

以A類高活力高客流站點為參照組，多分類模型構(gòu)建結(jié)果見表4。McFadden Rho-square達(dá)到0.754，模型擬合結(jié)果較好。由于Logit模型的回歸系數(shù)（log-odds）的實際意義不易解釋，通常對其進(jìn)行指數(shù)化處理得到勝算比OR值（odds ratio），即成為某一類站點的概率與基準(zhǔn)組概率的比值。

表4 多分類Logit模型估計結(jié)果Tab.4 Estimated results of multinominal Logit model

模型整體檢驗結(jié)果顯著，R2達(dá)到0.754，認(rèn)為模型整體表現(xiàn)較好。

從自變量顯著性結(jié)果可知， B類低活力低客流站點主要在站域開發(fā)程度、站點位置、站域人群通勤情況方面與A類站點差距顯著。其中站域POI密度、接駁公交線路數(shù)的OR值均小于1，說明當(dāng)站域內(nèi)POI密度越小、接駁公交線路數(shù)越少，站點成為B類站點的可能性提升。表明低強(qiáng)度的站域開發(fā)，會同時降低客流與站域活力。站點區(qū)位的OR值小于1，表明位于上海城鎮(zhèn)體系規(guī)劃中較低級別區(qū)域的站點，如位于一般鎮(zhèn)或其他區(qū)域的站點，更大可能為B類。站域居民與緊密城鎮(zhèn)圈的聯(lián)系度的OR值大于1，則表明站域居民的通勤行為越集中于所在城鎮(zhèn)圈，站點越可能表現(xiàn)出低活力低客流現(xiàn)象。推測原因為：站域居民的工作地集中于所在城鎮(zhèn)圈導(dǎo)致人群通勤范圍縮小，站域人群出行活力降低，同時軌道交通長距離通行的優(yōu)勢難以體現(xiàn)，從而導(dǎo)致軌道客流低。

而對于C類高活力低客流站點，接駁公交線路數(shù)、軌道進(jìn)入內(nèi)環(huán)是否需要換乘、站域人群擁車比例是顯著性指標(biāo)。結(jié)果表明，相對于不需要換乘進(jìn)入內(nèi)環(huán)的站點，需要換乘進(jìn)入內(nèi)環(huán)的站點屬于C類的勝算比達(dá)到44。因此認(rèn)為對于未直接接入大城市中心區(qū)域的軌道線路，尤其需要注重軌道線路之間的便捷換乘銜接，避免過長的換乘時間導(dǎo)致軌道吸引力下降，從而導(dǎo)致客流下降。接駁公交線路數(shù)與無車人群比例的OR值均小于1，說明當(dāng)站域內(nèi)接駁公交線路數(shù)越少、擁車人群比例越高，站點越可能屬于C類。由于C類站點已具有較高程度的人群出行活力，因此C類與A類的顯著性差異指標(biāo)是把已有的人群出行引導(dǎo)為軌道客流的關(guān)鍵要素。

3.3 邊際效應(yīng)分析

由表4可知，在7個變量中，僅站點、接駁公交線路數(shù)同時顯著，說明B、C兩類站點在公交接駁方面與A類站點均有顯著差異。為進(jìn)一步探究接駁公交數(shù)變化對因變量的影響作用，計算該變量的平均邊際效應(yīng)與其在不同取值情況下的平均預(yù)測概率，結(jié)果如圖8、圖9所示。

圖8 接駁公交線路數(shù)的邊際效應(yīng)Fig.8 Marginal effect of connecting bus lines

圖9 接駁公交線路數(shù)的平均預(yù)測概率Fig.9 The effect of connecting bus lines on predicted probability

可知，隨著公交線路數(shù)不斷增加，成為A類站點的概率不斷提高，但邊際效應(yīng)的變化幅度整體較小，達(dá)到12條后，平均邊際效應(yīng)基本處于一定值，此時成為A類站點的概率也已經(jīng)超過了0.5；成為B、C類站點的概率隨著接駁公交線路增多而不斷降低，但邊際效應(yīng)的變化呈現(xiàn)出相反趨勢。對于C類站點，平均邊際效應(yīng)的絕對值整體趨勢遞減，當(dāng)公交線路數(shù)超過10條后，邊際效應(yīng)快速下降。說明對于C類站點，當(dāng)接駁公交線路數(shù)達(dá)到10條左右后，再提升公交線路數(shù)對于站點轉(zhuǎn)化為A類的效果較小。

由分析可知，對于郊區(qū)軌道站，接駁公交線路是提升客流與活力的關(guān)鍵要素，豐富的地面公交接駁能滿足更大范圍人群的出行需求，特別是對公共交通依賴度更高又受制于經(jīng)濟(jì)原因無法居住在站域周邊的中低收入人群，公交接駁通過擴(kuò)大站點的客流輻射范圍顯著為站點增加客流，并提高站點周邊人群的出行便利度，提升站域活力，促使站點向高客流高活力類型靠近。

4 站點分類特征及發(fā)展建議

經(jīng)過方差分析與非參數(shù)檢驗，3類站點在站域開發(fā)強(qiáng)度、站域內(nèi)人群通勤與城鎮(zhèn)圈、主城區(qū)聯(lián)系情況、軌道交通屬性、站域開發(fā)情況5個方面存在顯著差距，因此從這5個方面對3類站點進(jìn)行畫像對比分析（見圖10），結(jié)合分類模型，對上海郊區(qū)軌道站點提出改善策略。

圖10 3類站點屬性對比Fig.10 Portrait of rail sites in three groups

4.1 高活力高客流站點

高活力高客流站點是郊區(qū)中發(fā)展最好的一類站點，在遠(yuǎn)近郊區(qū)均有分布。這類站點站域開發(fā)程度較為成熟，站域人口崗位密度（平均7 770人·km-2）、POI密度（290個·km-2）均為3類站點中的最高值，高強(qiáng)度多樣化的土地開發(fā)為此類站點積攢了人氣，打下了客源基礎(chǔ)。同時豐富的接駁公交線路（平均每個站點布設(shè)9.8條）、相對較高的發(fā)車頻率（高峰時段平均發(fā)車間隔為230s)，提高了人群出行便利度，增強(qiáng)了此類站點的軌道吸引力，有效將人群出行轉(zhuǎn)換為軌道客流。

對于此類站點，后續(xù)發(fā)展策略為采取針對站點自身短板的個性化改善措施，進(jìn)一步提高站點客流。如對于A類距離主城區(qū)較遠(yuǎn)的站點，可以考慮多樣化的行車組織方案（如大小交路等）進(jìn)一步提高高峰時段發(fā)車間隔與行程速度，增強(qiáng)郊區(qū)與主城區(qū)的聯(lián)系便利程度，進(jìn)一步提高軌道競爭力。此外，由于此類站點高峰時段客流量通常較大，需要注意站點高峰時段車站擁擠管理的彈性，提高軌道站點在高峰時段的服務(wù)水平。

4.2 低活力低客流站點

此類站點客流與活力表現(xiàn)均較差，大部分位于城鎮(zhèn)級別較低的遠(yuǎn)郊，且站域人口崗位密度（平均3 390人·km-2）、POI密度（平均70個·km-2）顯著低于其他2類站點，站點周邊開發(fā)程度處于最低水平。如16號線的書院站與惠南東站，站點周邊基本為農(nóng)田與待開發(fā)用地。由于人群出行是軌道客流的基礎(chǔ)，對于此類站點，首先需要增強(qiáng)站域開發(fā)強(qiáng)度，通過在站域?qū)敫邔蛹壣倘驅(qū)懽謽?，增加接駁公交數(shù)，以增加站域人群出行活力，為軌道交通創(chuàng)造客源。重點沿軌道線路方向引導(dǎo)土地開發(fā)，減少出行活力范圍與軌網(wǎng)服務(wù)范圍出現(xiàn)較大偏差的現(xiàn)象，實現(xiàn)土地開發(fā)增加的客源能較多地轉(zhuǎn)移為軌道客流。在增大開發(fā)密度的同時，注重調(diào)節(jié)站域內(nèi)人群的通勤職住情況，避免軌道站周邊人群的通勤行為過度集中于周邊城鎮(zhèn)圈，提高軌道站點的交通功能資源利用效益。在為站點增加人群活力的同時，軌道服務(wù)水平也需要同步提高，目前此類站點高峰發(fā)車間隔較大，平均高峰時段發(fā)車間隔達(dá)到540s，需要通過多樣化的列車編組方式提升發(fā)車頻率，滿足人群的出行需求，讓人群盡可能依賴軌道出行，避免該站點轉(zhuǎn)化為高活力低客流站點。

4.3 高活力低客流站點

高活力低客流站點表現(xiàn)出明顯的活力與客流失調(diào)現(xiàn)象，高強(qiáng)度的人群出行未轉(zhuǎn)化為高軌道客流。接近65%的此類站點位于3條（浦江線、5號線、17號線）未直接接入上海外環(huán)（最近換乘站點距離市中心仍大于15km）的軌道線路上，說明該類大部分站點進(jìn)入城市中心區(qū)域至少需要一次換乘。同時，此類站點接駁公交線路數(shù)也呈現(xiàn)出低值（平均每個站點布設(shè)6.5條）、高峰時段軌道發(fā)車間隔也較高（平均高峰時段發(fā)車間隔340s），說明此類站點軌道服務(wù)水平較低，難以高質(zhì)量地滿足周邊人群的出行需求，同時表現(xiàn)為此類站點周邊人群的擁車比例呈現(xiàn)絕對高值。高活力低客流站點雖然有大量的人群出行作為基礎(chǔ)，但由于軌道競爭力的不足，人群出行大量轉(zhuǎn)由私人交通承擔(dān)。

對于這類具有待挖掘軌道客流潛力的站點，最重要的是提高軌道交通的競爭力，重點將人群出行轉(zhuǎn)化為軌道客流。①對軌道站配套的公交線路布局優(yōu)化調(diào)整，服務(wù)好軌道客流的最后1km，增大客源范圍。②優(yōu)化調(diào)整列車運行圖，提高軌道換乘客流進(jìn)入市區(qū)的便利性；③通過開設(shè)快車、大站車、小編組高頻次列車，縮小高峰時段軌道發(fā)車間隔及提高列車行程速度。④出臺鼓勵增加軌道站域周邊經(jīng)濟(jì)適用房開發(fā)等政策，給不擁車的人群更多的居住在軌道站周邊的機(jī)會，為軌道交通導(dǎo)入潛在客流。此外，此類站點在站域開發(fā)水平方面仍略低于高活力高客流站點（站域POI密度平均值為170個·km-2，站域人口崗位密度平均值為6 490人·km-2），說明在站域開發(fā)程度上高活力低客流站點仍有提升空間。

5 結(jié)語

以上海市77個郊區(qū)軌道站點為研究對象，利用象限法根據(jù)站域活力與進(jìn)出站客流量的匹配度將站點分為3類，發(fā)現(xiàn)超過60%的站點存在站域人群出行活力高但進(jìn)出站客流低、出行活力低且進(jìn)出站客流低的情況。構(gòu)建多分類Logit模型并對站點分類分析，發(fā)現(xiàn)較低的站域開發(fā)水平會導(dǎo)致站域人群活力與客流同時低下，而單純增加人口崗位密度、POI密度，能帶來人群出行活力的提升，但并不一定能帶來軌道客流，人群出行也可能轉(zhuǎn)向私人交通。在站域開發(fā)的同時，還需要軌道競爭力提升等配套措施，才能真正將站域人群活力有效轉(zhuǎn)化為軌道客流。研究結(jié)果為超大和特大城市郊區(qū)軌道站點客流與站域活力兩者協(xié)同發(fā)展機(jī)理提供參考。后續(xù)將進(jìn)一步探究站域人群活力、軌道站進(jìn)出客流量2個指標(biāo)影響機(jī)制在城市郊區(qū)不同區(qū)域是否存在相似性。

作者貢獻(xiàn)聲明：

吳嬌蓉：研究設(shè)計、活力測度方法構(gòu)建、數(shù)據(jù)建模審核、論文撰寫。

鄧泳淇：研究設(shè)計、數(shù)據(jù)采集、建模分析、論文修訂。

陳彩婷：數(shù)據(jù)處理、制圖。