建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应.pdf

第23卷第4期2023 年 8 月交通运输系统工程与信息Journal of Transportation Systems Engineering and Information TechnologyVol.23 No.4August 2023文章编号：1009-6744(2023)04-0290-08中图分类号：U121文献标志码：ADOI:10.16097/ki.1009-6744.2023.04.029建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应许奇1a，李雯茜1a，陈越1a，胡佳俊2，梁肖*1b(1.北京交通大学，a.综合交通运输大数据应用技术交通运输行业重点实验室，b.中国综合交通研究中心，北京 100044；2.八维通科技有限公司,杭州 311199)摘要：城市轨道交通起讫点(OD)客流与建成环境的依赖关系研究有助于TOD(Transit-orienteddevelopment)模式的实施。既有研究多关注建成环境对进出站客流的影响，而基于OD客流的研究未充分考虑建成环境要素的交互效应对OD客流的影响。采用多源位置大数据系统地刻画城市轨道交通的TOD建成环境，基于极限梯度提升决策树模型(XGBoost)研究城市轨道交通OD客流与TOD建成环境的非线性关系。针对北京地铁的案例研究表明：XGBoost能有效地处理建成环境对OD客流的非线性影响，其解释能力达到72.6%，估计结果更为可靠。TOD建成环境因子对OD客流的影响差异显著。密度和公共交通可达性等两类要素的重要度排序前二，其解释变量的平均重要度达到4.41%和3.71%，是全部变量平均值的1.29倍和1.08倍。解释变量重要度排序高的建成环境因子对OD客流的影响存在非线性特征，表现为显著的阈值效应。基于双变量部分依赖图的分析表明，城市轨道交通客流的流动依赖于起讫点建成环境的差异及其引发的交互效应。因此，发展城市轨道交通TOD时，不仅需从交通生成角度分析建成环境对进出站客流的影响，还需考虑客流的矢量性，从交通分布角度研究建成环境各要素的资源协同配置问题。关键词：城市交通；TOD建成环境；OD客流；机器学习模型；阈值效应Nonlinear and Threshold Effects of Built Environment onOrigin-destination Flows of Urban Rail TransitXU Qi1a,LI Wen-xi1a,CHEN Yue1a,HU Jia-jun2,LIANG Xiao*1b(1a.Key Laboratory of Transport Industry of Big DataApplication Technologies for Comprehensive Transport,1b.IntegratedTransport Research Center of China,Beijing Jiaotong University,Beijing 100044,China;2.Bwton Technology Co.Ltd.,Hangzhou 311199,China)Abstract:Abstract:Studies on the dependency relationship between the origin-destination(OD)passenger flow of urban railtransit and built environment indicators are useful to enhance Transit-oriented development(TOD).Existing studieshave extensively examined the effects of the built environment on ingress/egress passenger flow.The studies thatinvestigate the impact of the built environment on OD passenger flow seldom consider the effects of the interaction ofbuilt environment determinants on OD passenger flow.To this end,this study first uses multi-source location-based bigdata to describe the indicators of the TOD built environment of urban rail transit and then applies the extreme gradientboosting model(XGBoost)to investigate the nonlinear relationship between OD flows of the Beijing subway and TODbuilt environment.The case study of Beijing indicates that XGBoost can be able to identify the nonlinear relationshipbetween OD flows and the TOD built environment indicators with a more reliable estimate result.Its interpretationability reaches 72.6%.The difference in the effects of the built environment on OD flows is significant.The importanceof two group indicators,namely density and public transport accessibility,ranked the top two.The average importance收稿日期：2023-01-17修回日期：2023-03-03录用日期：2023-03-06基金项目：国家自然科学基金/National Natural Science Foundation of China(71621001,72171021)。作者简介：许奇(1982-)，男，云南普洱人，副教授，博士。*通信作者：第23卷 第4期建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应of indicators in these two groups is 4.41%and 3.71%,respectively,which make 1.29 and 1.08 times all variablesaverage values.The nonlinear effect of key indicators on OD flows is significant and shows a threshold effect.And thebivariate partial dependence diagram shows that the movement of urban rail transit passengers is determined by thedifference in the built environment of OD pairs and the corresponding interaction between them.Hence,developingTOD not only needs to examine the influence of the built environment on ingress/egress flow from the perspective oftraffic generation but also needs optimization and coordination of land use around urban rail transit stations from theperspective of traffic distribution.Keywords:Keywords:urban traffic;TOD built environment;OD flow;machine learning model;threshold effect0引言城市轨道交通客流与土地利用的依赖关系是城市交通研究的经典问题。当前多源位置大数据为分析客流与土地利用的依赖关系提供新的数据环境1-2。鉴于此，利用粒度更细-密度更高-广度更大的多源地理大数据分析建成环境对城市轨道交通客流的影响，将有助于提高轨道交通与城市的融合发展。普通最小二乘法等线性模型是研究城市轨道交通客流与建成环境的重要方法。Zhao等3和Li4等的研究表明，建成环境对客流影响显著，但存在差异。Liu等5进一步研究线网增加后建成环境变化对客流的影响。然而，这类模型未充分考虑轨道交通客流分布的异质性以及建成环境的空间效应。Sung等6对比空间计量模型与普通最小二乘法模型的结果表明，空间模型较好地刻画了客流与建成环境复杂空间关系的平均结果。彭诗尧等2也得出类似研究结果，然而空间计量模型忽略了数据空间异质性导致的局部特征。为此，Li等7采用地理加权模型和高德辉等8采用其改进模型研究建成环境局部特征对客流影响的空间差异。然而，由于刻画样本空间关系的空间矩阵的限制，这些基于空间模型的研究多针对车站的进/出站客流，对起讫点(OD)的矢量客流与建成环境依赖关系的研究不够充分。客流直接估计模型是研究OD客流与建成环境依赖关系的主要方法。Choi等9采用该方法的乘法模型刻画OD客流与起讫点建成环境以及OD间出行时间的关系，并通过对变量取对数转化为线性模型后估计参数。Zhao等10对比普通最小二乘法模型与乘法模型的结果表明，车站进/出站客流与OD客流具有相同的建成环境影响因素，这种一致性有助于公共交通引导城市发展模式(Transit-oriented Development,TOD)的实现。机器学习模型是研究上述问题的新方法。Gan等11充分利用大数据环境的特点发挥梯度提升回归树算法的优势，研究 OD 客流与建成环境的非线性机理，结果表明，机器学习模型的结果优于乘法模型。关于OD客流的既有研究已取得丰富成果，但仍存在待完善的方向。一方面，融合多源位置数据以构建更系统的建成环境特征变量集合仍有待加强，例如，可达性是TOD建成环境的关键要素，应纳入模型考虑；另一方面，既有研究多仅局限于单因素的分析，未充分考虑多因素交互效应对OD客流的影响。鉴于此，基于多源地理位置大数据，提出城市轨道交通车站覆盖范围内精细尺度建成环境特征的识别方法；针对建成环境对OD客流影响的复杂机理，构建基于机器学习的多维度客流影响因素分析模型，研究细粒度的建成环境对客流影响的非线性特征及阈值效应。1研究范围与变量说明1.1 研究范围与数据来源北京积极引导轨道交通与各项城市功能有机融合，为研究TOD的效果提供实践案例。轨道交通车站的直接影响范围是其步行范围，通常可采用圆形区域，步行等时圈或泰森多边形表示。西方国家轨道交通车站的影响范围半径为3002500 m，中国的地铁系统多为5001000 m。本文将车站影响范围半径设为800 m。研究数据主要包括：(1)城市轨道交通系统采用2018年3月的全网数据，共计21条线路，377座车站(换乘站重复计算)，其信息包括站点名称和经纬度坐标。客流数据采用2018年3月7日(周三)北京城市轨道交通系统的刷卡数据。其中，工作日为早高峰(8:00-9:00)的OD客流量。(2)车站建成环境基于互联网地图开放平台和工商数据平台，获取城市轨道交通车站周边各类POI数据。建筑物等三维矢量数据以及道路等城市数据可用于细粒度的建成环境的识别评估，均通过开源数据平台获291交通运输系统工程与信息2023年8月交通运输系统工程与信息2023年8月取；等时圈经纬度则基于获取。上述数据的检索时间范围为2020年3月。居住人口采用worldpop.org的2020年栅格数据计算。(3)公共交通路径规划数据基于高德地图的出行路径规划服务，采用最短时间策略获取2020年5月13日27日早高峰时段(7:00-8:00)，任意两个1 km1 km栅格中心点之间的公共交通出行信息，包括起/终站点名称及其经纬度、在车时间、换乘时间等。值得注意的是上述研究数据的时间范围并非完全不一致，但多时间截面的多源数据仍具有分析的可行性。除可获得性等客观原因以外，其主要原因是建成环境的变化需要较长时间，短时期内可认为是静态的，且其对客流的影响也需要长时间才能显现。1.2 解释变量及其计算方法采用Ewing等12提出的5D特征刻画TOD的建成环境，包括刻画土地利用的 3D 特征，即密度(Density)、混合用地(Diversity)与城市设计(Design)，以及刻画交通服务的2D特征，即公共交通可达性(Destination Accessibility)与可获得性(Distance toTransit)。构建5类27个变量以刻画OD客流的影响因素，变量描述和计算方法如表1所示。城市轨道交通OD客流具有矢量性，因此分为起讫点两类解释变量。表 1 城市轨道交通客流影响因素及其变量描述Table 1 Factors influencing urban rail transit ridership and corresponding variable description变量名称OD客流密度混合度城市设计可达性可获得性居住人口密度就业POI密度购物POI密度医疗POI密度教育POI密度绿地POI密度土地利用混合度经济行业混合度慢行指数道路密度地面公交站点数公共交通可达性出行时间距车站直线距离符号yxO1/xD1xO2/xD2xO3/xD3xO4/xD4xO5/xD5xO6/xD6xO7/xD7xO8/xD8xO9/xD9xO10/xD10 xO11/xD11xO12/xD12xOD13xO14/xD14变量描述城市轨道交通车站工作日早高峰OD客流(人次)车站800 m范围内居住人口与其面积之比(104人 km-2)车站800 m范围内公司企业类POI与其面积之比(poikm-2)车站800 m范围内购物类POI与其面积之比(poikm-2)车站800 m范围内医疗保健类POI与其面积之比(poikm-2)车站800 m范围内科教文化类POI与其面积之比(poikm-2)车站800 m范围内风景名胜类POI与其面积之比(poikm-2)车站800 m内8类POI土地利用类型的熵值车站800 m内20类POI经济行业类型的熵值车站10 min步行等时圈面积与800 m影响半径面积之比(%)车站800 m范围内主干道及支路的长度与其面积之比(kmkm-2)车站800 m范围内地面公交站点个数车站所在栅格(1 km1 km)的公共交通可达性车站OD对之间的出行时间(min)车站800 m范围内建筑体中心到其欧式距离的平均值(m)注：符号下标O表示起点，D表示讫点。混合功能是TOD建成环境的显著特征，采用信息熵刻画土地利用混合度和经济行业混合度。当POI根据 城市用地分类与规划建设用地标准划分为8类时，信息熵刻画了土地利用的多样性；当根据 国民经济行业分类 划分为20类时，则反映了经济行业混合度。公共交通可达性和可获得性与伦敦公共交通可达性水平的概念一致，既评估轨道交通与城市用地发展的协调性，也评估主要出行发生吸引区域与车站的邻近程度。采用累计机会模型计算公共交通可达性，即A=nNOnI()tin(1)式中：A为车站所在1 km1 km栅格的累计机会可达性，并归一化处理；On为第n个栅格的 POI 数量；tin为栅格i和n之间的公共交通(地铁和地面公交)出行时间(min)；I为 0-1 函数，当tintmax时，I()tin=1，否则I()tin=0；N为栅格集合；tmax为2020年北京市平均通勤时间，取值47 min。2建成环境对城市轨道交通客流影响的非线性模型2.1 XGBoost模型原理TOD建成环境对城市轨道交通OD客流的影响存在非线性特征。本文基于对数化后的重力模型，采用回归模型分析 OD 客流与建成环境的关系，其解释能力不足25%，评估效果不显著。为此，采用XGBoost(eXtreme Gradient Boosting)研究两者的非线性关系。292第23卷 第4期建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应XGBoost模型是基于经典的梯度提升技术而改进的集成树算法，对各类数据的非线性特征具有良好的建模能力。XGBoost模型是t棵决策树的线性组合，即y(t)l=k=1tfk()xi=y(t-1)l+ft()xi(2)式中：y(t)l为经过第t轮迭代后的模型预测客流OD值；y(t-1)l为已知t-1棵决策树集合的预测值；ft()xi为第t棵决策树；xi为表1中确定的TOD建成环境解释变量。上述模型的构建转化为求解ft()xi使得t-1轮的残差最小化，故构建目标函数为O(t)=i=1t-1L()yi,y(t-1)l+gift()xi+12hift()xi2+()ft(3)式中：gi和hi分别为损失函数L()yi,y(t-1)l关于y(t-1)l的一阶和二阶导函数；()ft为第t棵决策树的正则项，即()ft=T+0.5j=1Tw2j，其中，T为决策树叶子节点的个数，w2j为叶子节点对应输出值向量的平方，和为待估参数；yi为真实的OD客流值。XGBoost的核心是利用第m轮决策树的残差值拟合第m+1轮基础决策树，并在达到迭代次数后集成所有决策树的结果。模型参数采用五折交叉验证法确定。2.2 模型解释解释变量的重要度是树模型最重要的解释工具，其值越大，表明此因素被更多地用于构建决策树，相应的重要性越高。此外，部分依赖图(PartialDependence Plot,PDP)是解释机器学习模型预测结果的另一重要工具，其反映因变量与目标解释变量XS之间的关系。这些目标变量通常是关键的或期望理解的建成环境因子，剩余变量则构成目标解释变量的补集XC。部分依赖图分析类似边际效益分析，即fS()xS=1ni=1nf()xS,x(i)C(4)式中：f()xS,xC为给定样本的相应函数；x(i)C为XC中第i个样本的实际取值；xS的取值则需遍历数据集XC的所有取值。XC至多包含 2 个解释变量。当|XC=1时，PDP刻画因变量随单一目标变量改变的变化趋势；当|XC=2时，反映两个目标变量的综合效应。3结果分析以 北 京 地 铁 为 案 例，利 用 Python 语 言 的XGBoost工具箱实现回归梯度提升树集合模型的求解，并采用网格搜索法和五折交叉验证法搜索超参数的最优组合。当模型具有最佳拟合效果时，模型包含1500棵最大深度为8的树模型，学习参数为0.05，解释能力达到72.6%；训练集和测试集的均方根误差分别为6.73和36.31，平均绝对误差为4.20和13.25。3.1 解释变量的重要度影响城市轨道交通OD客流的TOD建成环境因子的重要度如表2所示。易知，影响工作日早高峰 OD 客流的 TOD 建成环境因子重要度存在差异。建成环境解释变量重要度的平均值表明：影响OD客流最重要的因素是密度，其他要素依次为公共交通可达性、混合度、城市设计和公共交通可获得性。显然，城市轨道交通车站周边高强度的用地开发建设引发资源的空间聚集，由此导致较高的社会经济活动水平将提供潜在客流需求。具体而言，xD2和xO1的重要度达到10.56%和9.57%，表明讫点的就业密度和起点的居住密度对OD客流影响显著，职住分布仍然是重要的因素。其次，混合度变量xO7和xO8的重要度为 4.79%和5.16%。这也体现车站的用地混合和功能混合对客流生成影响显著。这 4 个变量的重要度总计30.08%，表明早高峰居民从居住人口聚集且配套好的郊外流向就业岗位密集的核心区，这与北京等典型都市圈的通勤特征一致。在剩余变量中，仅次于上述密度要素的解释变量为可达性的xO12，其重要度达5.65%。城市设计变量xO11和xO9的重要度也达到 4.04%和 3.48%。这表明公共交通全过程的出行效率，特别是起点的交通衔接同样是影响早高峰 OD 客流的关键因子。此外，起点变量的重要度总计为58.23%，表明相较于目的地，通勤者更关注出发地的绿色交通出行环境及效率。3.2 阈值效应3.2.1 单变量根据重要度排序以及研究期望选择xO1、xD2、xO7、xO8、xO9、xO12等6个变量，其与因变量的非线性关系及阈值效应如图1和图2所示。前两个变量反映城市轨道交通车站周边用地开发强度，中间两293交通运输系统工程与信息2023年8月交通运输系统工程与信息2023年8月个变量反映用地的混合开发，后两个变量反映公共交通服务质量。图中灰色柱状图为样本频数分布，其作用与回归分析中估计参数的显著性类似。表 2 城市轨道交通OD客流的TOD建成环境因子重要度排序Table 2 Importance ranking TOD built environment factors influencing OD passenger flow of urban rail transit建成环境密度混合度城市设计可达性可获得性起点解释变量(O)O_居住人口密度(xO1)O_教育POI密度(xO5)O_购物POI密度(xO3)O_医疗POI密度(xO4)O_绿地POI密度(xO6)O_就业POI密度(xO2)O_经济行业混合度(xO8)O_土地利用混合度(xO7)O_地面公交站点数(xO11)O_慢行指数(xO9)O_道路密度(xO10)O_公共交通可达性(xO12)出行时间(xOD13)O_距车站直线距离(xO14)重要度/%9.575.632.862.822.732.335.164.794.043.482.845.653.452.88排序251315161967891441012讫点解释变量(D)D_就业POI密度(xD2)D_居住人口密度(xD1)D_教育POI密度(xD5)D_医疗POI密度(xD4)D_购物POI密度(xD3)D_绿地POI密度(xD6)D_土地利用混合度(xD7)D_经济行业混合度(xD8)D_地面公交站点数(xD11)D_道路密度(xD10)D_慢行指数(xD9)D_公共交通可达性(xD12)D_距车站直线距离(xD14)重要度/%10.568.722.691.791.631.611.911.493.242.392.022.031.71排序131723252622271118212024重要度/%总计52.9213.3518.0211.124.58平均值4.413.343.003.712.29图 1 居住密度和就业密度对城市轨道交通OD客流影响的部分依赖图Fig.1 Partial dependence plots of OD flow of urban rail transit based on population density and job density从图1可知，样本分布区间所对应的曲线趋势与整体并不完全一致。整体而言，讫点的就业密度(xD2)越大，城市轨道交通OD客流也越大，但起点的居住密度(xO1)则呈现先减少后小幅增加的趋势。其原因是由于PDP计算需遍历非目标解释变量集合所有样本的取值，易导致明显与理论不符的趋势，因此后续结果仅分析样本分布区间对应的PDP曲线。图1(a)和图1(b)的小图表明，起点居住密度和讫点的就业密度越大，OD客流也越大。显然，就业岗位的聚集将持续地提高区域的出行吸引，当就业岗位POI超过200 poikm-2时，客流呈现非线性增长。此外，xO1则呈现先降低后增加的趋势，起点的居住密度在1.75104人km-2附近具有阈值效应。这种特征说明，发展大容量的轨道交通需要以空间聚集的客流需求为支撑。大于该阈值后，OD客流随着起点的居住密度增加而提升，但达到较高密度后，由于拥挤效应的存在，客流将呈现不再增加甚至降低的趋势。从图2可知，起点的土地利用混合度(xO7)与客流呈现负相关，经济行业混合度(xO8)则呈现正相关，两者在0.4和0.7附近具有阈值效应。因此，过度地强调土地资源的混合使用并不会持续地生成客流，但单一用地功能也不符合 TOD 的发展理念。应在合理的土地利用混合度下通过强调功能的复合以提高居民公共交通的出行率，进而提升轨道交通客流水平。起点的慢行指数(xO9)和公共交通可达性(xO12)294第23卷 第4期建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应与客流的关系均呈现负相关，两者在60%和0.1附近具有阈值效应。其原因是在案例中，影响慢行环境的步行路网密度以及公共交通可达性呈现以天安门为中心径向递减的圈层结构，而OD客流则是从郊外涌向中心城区。这也从反面表明，北京公共交通通勤依赖者的末端出行效率以及服务水平仍有较大提升空间。图 2 关键建成环境解释变量对城市轨道交通OD客流影响的部分依赖图Fig.2 Partial dependence plots of OD flow of urban rail transit based on key indicators of built environment3.2.2 双变量城市轨道交通OD客流具有矢量性，其受起讫点职住分布影响显著。在上述分析中，OD客流依赖密度要素的(xO1,xD2)等变量，为进一步刻画这组交互项对OD客流的影响，采用二维PDP可视化其交互效应，结果如图3所示。交通需求的发生与吸引依赖起讫点的职住变量。从图2可看出，这对变量的交互显著影响客流水平。当就业密度超过200 poikm-2且居住密度低于1.75104人 km-2时，两者的交互效应显著。这一现象源于城市轨道交通车站周边用地高强度开发导致资源聚集，经济集聚可创造更多的就业岗位，进而吸引各居住区域的通勤客流。居住则不然，需考虑宜居程度而不宜过分地聚集。上述结果表明，职住密度是影响城市轨道交通客流的关键因素，其空间分布与聚集程度直接影响通勤客流的流向及强度，职住分离将引发向心的通勤客流。图 3 城市轨道交通OD客流的部分依赖关系图及密度变量的交互作用Fig.3 Partial dependence plots of OD passenger flow of urbanrail transit and interaction of density variables公共交通可达性(xO12,xD12)是TOD建成环境的重要特征，其与职住密度是影响城市轨道交通客流的关键因素，多变量的两两交互效应如图4所示。由图可知，仅当起点的可达性小于0.1且起点的居295交通运输系统工程与信息2023年8月交通运输系统工程与信息2023年8月住密度低于1.75104人 km-2或讫点的就业密度超过200 poikm-2时，可达性与密度的交互效应显著，而讫点的可达性与密度无交互作用。图 4 城市轨道交通OD客流的部分依赖关系图及公共交通服务的交互作用Fig.4 Partial dependence plots of OD flow of urban rail transit and interaction of public transport services上述结果表明，职住密度仍然是影响城市轨道交通客流的首要因素。此外，OD客流仅对起点的低可达性呈现出较强的依赖性，其原因一是累计机会是基于全域的可达性模型，由于公共交通资源配置的特点，郊区车站的可达性通常较低；其二是这些车站虽然可达性低，但多位于客流廊道的需求发生端，直达中心城区的便捷性较高，故在通道上聚集大量通勤客流。例如通州副中心-CBD廊道和昌平回龙观-中关村廊道。综上，城市轨道交通客流的流动不仅与居住和就业两种城市功能的资源配置特点密切相关，还依赖于公共交通的可达性。这种依赖源于建成环境因子在起讫点的差异及其引发的交互效应。这种交互起因于公共交通的资源配置方式的特点，以及依据其服务水平合理配置城市居住就业功能及其强度的发展模式。因此，TOD的发展不仅需要考虑交通系统的建设，还应统筹交通干线附近的产业优化和职住调整，以及相关的配套建设。“T”与“D”的全面融合是TOD模式成功实施的关键，是提升公共交通客运量的核心竞争力。4结论(1)基于XGBoost模型的研究表明：城市轨道交通车站周边用地开发强度和混合度仍是影响其OD客流的主要因素；与OD间出行时间为重要因素的既有结果相比，可达性对客流的影响更显著。因此，融合多源位置大数据刻画TOD建成环境需采用5D特征，即仅考虑密度-混合度-设计的3D特征不足以反映建成环境对客流的影响，还需考虑刻画交通系统的2D特征。这也表明，轨道交通与城市的融合是提升其客流吸引力的关键。(2)解释变量重要度排序高的TOD建成环境因子具有显著的阈值效应。排序前二的讫点就业密度和起点居住密度分别在200 poikm-2和1.75104人 km-2附近产生阈值效应，客流呈现非线性增长。这种关系表明，车站TOD开发需充分利用轨道交通的优势以聚集资源，其周边用地开发需设置296第23卷 第4期建成环境对城市轨道交通起讫点客流的非线性影响及阈值效应下限值，激活资源的集聚效应以提供支撑轨道交通发展的潜在需求，进而改善客流效果。这些措施包括规定车站覆盖的职住密度或容积率等强度指标。(3)基于双变量PDP的分析表明，城市轨道交通客流的流动依赖于起讫点建成环境的差异及其引发的交互效应。此外，相较讫点解释变量，起点解释变量的重要度总计达58.23%，表明通勤者更关注起点的出行环境及效率。因此，在发展城市轨道交通TOD时，不仅需从交通生成角度分析建成环境对进出站客流的影响，还需考虑客流的矢量性，从交通分布角度研究建成环境各要素的资源协同配置问题。参考文献1AN D D,TONG X,LIU K,et al.Understanding theimpact of built environment on metro ridership usingopen source in ShanghaiJ.Cities,2019,93,177-187.2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.PENG S Y,CHEN S K,XU Q,et al.Spatialcharacteristics of land use based on POI and urban railtransit passenger flowJ.Acta Geographica Sinica,2021,76(2):459-470.3ZHAO J B,DENG W,SONG,Y,et al.What influencesmetro station ridership in China?Insights from NanjingJ.Cities,2013,35:114-124.4LI S Y,LYU D J,LIU X P,et al.The varying patterns ofrail transit ridership and their relationships with fine-scale built environment factors:Big data analytics fromGuangzhouJ.Cities,2020,99:102580.5LIU S S,YAO E J,LI B B.Exploring urban rail transitstation-level ridership growth with network expansionJ.Transportation Research Part D,2019,73:391-402.6SUNG H G,CHOI K C,LEE S G,et al.Exploring theimpact of land use by service coverage and station-levelaccessibility on rail transit ridershipJ.Journal ofTransport Geography,2014,36:134-140.7LI S Y,LYU D J,HUANG G P,et al.Spatially varyingimpact of built environment factors on rail transitridership at station level:A case study in Guangzhou,ChinaJ.Journal of Transport Geography,2020,82:102631.8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.GAO D H,XU Q,CHEN PW,et al.Spatial characteristics of urban rail transitpassenger flows andfine-scalebuiltenvironmentJ.JournalofTransportationSystemsEngineeringandInformation Technology,2021,21(6):25-32.9CHOI J Y,LEE Y J,KIM T W,et al.An analysis ofmetro ridership at the station-to-station level in SeoulJ.Transportation,2012,39:705-722.10 ZHAO J B,DENG W,SONG Y,et al.Analysis of metroridership at station level and station-to-station level inNanjing:An approach based on direct demand modelsJ.Transportation,2014,41:133-155.11 GAN Z X,YANG M,FENG T,et al.Examining therelationshipbetweenbuiltenvironmentandmetroridership atstation-to-stationlevelJ.TransportationResearch Part D,2020,82:102332.12 EWINGR,CERVEROR.Travelandthebuiltenvironment:A synthesisJ.Transportation ResearchRecord,2001,1780:87-114.297