黎 庆，董晓春，沈 瑜，郑宣传，宋玮韬
（1. 南京地铁建设有限责任公司，南京 210008；
2. 北京城建设计发展集团股份有限公司，北京 100037）
城市轨道交通线网规模的迅速扩张及城市用地的高强度开发，导致换乘站客流冲击大、车站设施能力与客流需求不匹配、出行不便捷等问题，其主要原因是对换乘车站的能力设计考虑不足。目前对车站能力设计的一个重要依据是《地铁设计规范》中对车站建筑的分类，该规范对不同类型的车站给出了其设施能力的配置标准。但上述粗粒度定性的车站分类标准，并未专门针对换乘车站，难以有效地指导换乘站规模设计，若客流预测结果偏差较大，则会导致车站整体能力严重不足。因此，如何结合车站分类的主要因素，制定合理的分类标准，以指导换乘站的规划与设计，成为目前行业中亟待解决的难题。
目前，国内对地铁站点分类尚未形成统一的标准。陈扶崑等基于地理区位、客流量、行车组织、车站客运服务等4项指标，构建车站等级划分体系评价标准，将车站分为四级[1]；
戴子文等基于国内已运营轨道交通车站的实际客流数据，通过频率累计法，将车站划分为三级[2]；
贺鑫等通过统计站点服务范围内的人口、土地、交通等指标，建立站点功能定位数据库，利用聚类分析法，将站点分为居住区、商业区、综合交通枢纽、外围交通接驳、一般站等5种类型[3]；
陈艳艳等借助既有运营站点的AFC数据，通过客流分布聚类，把车站分为右峰型、双峰型、左峰型、无峰型和首末站点，进而确定外部接驳方式的优先级[4]。尹芹等从轨道交通车站客流时间形态中提取指标，进而进行类型划分[5]。戴骏晨等从轨道交通车站运营数据中，提取具有实际物理含义因子，然后进一步使用多尺度地理加权回归，建立居住人口、岗位及用地等指标与因子间的关系，使定量预测未来规划车站的因子值并进行分类成为可能[6]。
国外轨道交通起步较早，在站点分类方面研究得较为深入。例如，日本东京、大阪等城市根据轨道交通枢纽所在地域，将车站划分为都市圈中心站和都市圈郊外站，并据轨道交通的换乘特性，将上述两类枢纽各划分为3个不同的等级；
美国旧金山BATR系统根据自然特性、车站可达性、车站周边地区特性等参数，以判别分析法将轨道交通车站分为5类：市中心型、高密度住宅发展型、大部分为住宅区并具有零星商业区型、大部分为商业区并具有零星住宅区型、稀少住宅区及大部分未开发地区型。
既有的国内外分类方法多针对所有车站，专门针对换乘车站分类的研究较少。换乘站与一般车站相比，在轨道交通网络的衔接上具有更重要的地位，同时车站内部换乘客流是影响车站设计的重要因素。直接应用一般车站的分类方法，容易忽略换乘车站的特点，难以得出针对性的分类标准。
此外，既有的国内外研究主要通过单方面因素(单因素或因素集)进行车站分类，该方法无法兼顾车站不同维度上的特征，分类结果存在提升空间。因此，如何使用多因素进行车站分类亟待研究。本研究将从用地、区位、客流因素等方面入手，针对换乘站特点设计多因素体系，使用聚类方法得到换乘站划分标准，并从规划应用角度，提出简化变量计算方法与参数，为车站后续提升建设提供参考。
轨道车站的分类主要受车站周边的用地因素、区位因素及客流因素影响，其中换乘站包括一般车站不具备的因素：区位因素包含轨道线网衔接特征，客流因素包含内部换乘客流。这些换乘站的独特因素直接影响了车站的设计及实际运营，用地、区位等共性因素又影响轨道换乘路径的决策(如区位条件好的高辨识度换乘车站、多功能复合车站在有多条换乘路径情况下吸引换乘乘客途径)[7]，在研究中将各因素一并考虑。
2.1 用地因素
2.1.1 车站用地类型划分
根据《城市用地分类与规划建设用地标准》(GB50137—2011)中的分类方法及TOD开发模式的用地特点，将轨道交通车站周边用地分为办公区、居住区、商业区、交通枢纽、旅游景区、工业区6类，即用地因素集合为其中f表示各类用地。
以轨道交通站点500 m范围内各类用地的面积占比，确定轨道车站的用地主导类型。
1) 单一主导型。站点周边某一种类型用地比例占绝对优势，如居住型、工业型、旅游型、综合枢纽型等。
2) 混合型。各类用地比例比较接近，统计前2种用地，如既有办公也有居住则为办公居住型，既有办公也有商业则为办公商业型。
2.1.2 车站用地类型确定
根据城市规划用地矢量地图，计算各车站每种用地面积占比；
构建各个车站i的用地特征向量其中Pj表示每种用地类型面积占比，计算公式为
式中：Sj为500 m范围内用地类型j的面积；
总面积
当规划用地尚未完全确定时，可通过占比截断阈值，大致确定用地主导类型：设置各用地面积占比截断阈值，确定每个车站的用地主导因素。
对于特征向量中任意元素pj，判断是否超过阈值pm，得到各车站的用地布尔判定向量其中
若Ti各元素全为0，则求向量Pi中元素最大值pl处，τl=1；
若Ti仅含一个元素为τj=1，则该站为以用地类型fj为主导车站；
若Ti含2个或以上元素为1，如τj=τk=1，则该站为用地类型fj与fk主导车站。
2.2 区位因素
区位因素包括交通重要度、人群集聚度、网络位置特征以及换乘车站独有的换乘线路数。
2.2.1 交通重要度
对于城市轨道交通站点，可采用各站点间的拓扑距离长短来表示区位优势度，轨道交通网络各站点的站间距矩阵如下：
设某轨道站点i至j站点之间的拓扑距离为dij，则站点i至其他所有站点的距离之和为所有站点中Di最小者作为交通重要度最大的站点，其交通重要度为其中X为换乘站集合，车站交通重要度的反映必然是基于整个网络，故计算Di考虑了所有站点，但计算交通重要度θi时，聚焦分析对象——换乘车站。因所有换乘站的交通重要度和为1，故可用百分比表示。
2.2.2 人群聚集度
人群聚集度主要是通过站点采集工作日下午3时的手机信令数据，统计各换乘站覆盖范围内热力值与所有换乘站总热力值的比值。该值越大，表明其人群聚集度越高，计算公式如下：
式中，ωi表示站点i的人群聚集度，Hi表示站点i在500 m范围内的人群聚集数，n表示换乘站数量之和。因所有换乘站人群聚集度的和为1，故可用百分比表示。
为便于规划应用，可将车站i依据规划定位取Hi值为1～5，分别对应一般换乘站、地区中心级Ⅱ型换乘站、地区中心级Ⅰ型换乘站、城市副中心级换乘站、城市中心级换乘站(中心等级逐渐提高)，或根据换乘站间相对关系取带小数的中间值，再计算各规划换乘站ωi。
2.2.3 换乘线路数
换乘站i连接的轨道线路条数以Li(Li≥2)表示，即换乘站相交线路数量，可直接反映其在网络中的重要性。同时，由于换乘衔接线路类型直接影响换乘客流，对不同类型换乘线路条数取值按如下设置：常规十字换乘站的换乘线路数为2，四“枝”的每一“枝”取值为0.5。而接力线(末端衔接线路)为换乘车站的两“枝”——各0.5条换乘线，故若仅有两条线接力换乘，则该换乘站的换乘线路数为1，以此类推。
2.2.4 网络位置特征
前述交通重要度主要从站点间的距离反映区位特征，但该指标相近的站点也可能因网络路径的差异而有不同的内部客流特征。故采用“介数中心性”来补充反映——它代表一个节点被网络所有节点对的最短路径经过的概率，刻画了节点对网络中沿最短路径传输的网络流的控制力[8]。
2.3 客流因素
2.3.1 进出站客流分布
轨道车站高峰进出站分布规律主要与站点周边用地相关：周边用地以商办功能为主导的，早高峰以出站客流为主，晚高峰以进站客流为主；
周边用地以居住功能为主导的，早高峰以进站客流为主，晚高峰以出站客流为主；
周边为城市对外交通枢纽的，客流无明显的特征，具有较强的随机性。
通过高峰进站量占高峰客流量的比值，确定站点类型，计算公式如下：
式中：ki为早高峰进站客流比，Ii为早高峰进站量，oi为早高峰出站量。
若规划应用时无可靠、细致的进出站客流数据，可根据如下定性判断简化指标替代：判断与阈值上界ku及阈值下界kd的关系，得到各车站的进出站客流判定指标，计算如下：
式中：ψi为1、0、–1分别对应着居住功能主导型、均衡性和商办功能主导型。
2.3.2 高峰小时系数
车站类型与全日客流分布特征相关，即表现为早、晚高峰进站及出站客流的高峰小时系数大小，同样可以用客流特征向量来描述。构建各个车站i的客流特征向量其中λ1、λ2为进站客流的早、晚高峰小时系数，λ3、λ4为出站客流的早、晚高峰小时系数，而高峰小时系数为高峰时段的进站量/出站量占全日总进站量/出站量的比值。
若规划应用时无可靠、细致进出站客流数据，可根据车站周边用地类型做定性判断，简化指标替代：设置高峰系数的阈值λm，判别λj是否超过该阈值，从而将客流分布特征向量转为布尔判定向量布尔系数(见表1)计算如下：
表1 常见的各种用地类型的高峰系数R矩阵值分布Table 1 Distribution of peak coefficient R matrix value of common land-use types
2.3.3 内部换乘客流
内部换乘客流是换乘站独有的客流，同样影响着车站设计，以全日换乘量Bi作为表征换乘站i的客流因素。
为便于规划应用，在缺少规划年换乘车站内部换乘客流数据时，可利用回归模型的计算结果近似代替。以现状运营数据Bi为因变量，以现状换乘线路数Li及人群聚集度ωi为自变量，建立回归方程(其中a、b、c为标定参数)，得到如下公式(调整R²=0.750)：
聚类分析是一种数据规约技术，通过将研究对象划分为相对同质的若干群组(clusters)，以期达到簇内的相似度尽可能高、簇间的相似度尽可能低的目标。
数据输入前需要将数据标准化，本研究选取标准化方法为z-score，对各轨道交通站点的3类因素(用地、区位、客流因素)进行处理。
采用k-means聚类算法[9]，将样本观测值分成k组，设定观测值到其指定的聚类中心的平方的总和最小为优化目标，进行不断迭代。
4.1 指标计算
4.1.1 用地因素
由南京换乘站500 m范围内的用地构成(见表2)发现：油坊桥、金马路、南京南站、翔宇南路的某种用地占比超过60%，表现为单一用地的强主导特征；
安德门站的各类用地占比较为均衡，最大占比低于40%；
其余车站表现为单一用地的弱主导特征，最大占比为40%～ 50%；
此外，鸡鸣寺站表现为办公、居住用地双主导的特征。
表2 南京换乘站500 m范围内用地构成Table 2 Land use component of the Nanjing metro transfer station %
4.1.2 区位因素
换乘站交通重要度、人群聚集度及换乘线路数、介数中心性计算结果(见表3)表明：交通重要度差异不如人群集聚度明显，核心区站点的人群集聚度明显更高，如新街口站、大行宫站；
仅南京南站为4线换乘(末端换乘视为0.5条，L为3)，其余站为2线换乘；
南京南站与安德门站的交通重要度较为接近，而介数中心性则差异较大，反映了南京南站是网络上的重要联通节点。
表3 南京地铁换乘站区位因素Table 3 Location characteristic of the Nanjing metro transfer station
4.1.3 客流因素
利用地铁运营数据计算高峰进站量与高峰进出站量之比、早晚高峰进出站比例。由表4可见，不同换乘车站呈现明显的差异特征，如油坊桥站因居住人口较多，早高峰进站客流明显高于出站客流；
位于城市中心的新街口、大行宫站以及交通枢纽南京南站的日换乘量居前三，均超过14万人次。
表4 南京地铁换乘站客流因素Table 4 Passenger flow characteristic of the Nanjing metro transfer station
分别从以上3类指标单独来看，分类结论并不相同。如仅从区位因素看，鼓楼与南京南站较为相似，无法区分两者的功能特性。因此，采用单因素分析存在局限性，应综合考虑。
4.2 聚类分析
利用以上指标进行聚类分析，分类数目应兼顾区分度与实际应用便捷程度，从国内外站点分类研究看，一般分类数不超过5类。为体现区分度，本研究将分类数取为5。
为对比分析不同类别因素的聚类效果，本研究对单因素、多因素分别采用k-means算法聚类分析，得出聚类结果如表5所示。
表5 聚类结果对比Table 5 Comparison of clustering results
采用分类均匀度、分类效果定性判断等指标进行评价，前者指每类数量是否均匀，后者指根据站点实际情况定性判断分类的合理性。
4.2.1 分类均匀度
从均匀度来看，仅考虑单因素结果较为极端，如仅区位因子——数量最多的一类占总数近40%，而多因素聚类则相对均匀(见图1)。
图1 换乘站点分类样本数对比Figure 1 Comparison of the number of classified samples in Nanjing metro transfer station
4.2.2 分类效果判断
从表5的分类结果可知，按单独类别输入分类存在以下缺陷：
1) 仅用地因素的聚类将主城核心区鼓楼和地处外围的翔宇路南站并为一类，忽略了区位、客流因素；
2) 仅区位因素的聚类无法识别枢纽站，将南京站与鸡鸣寺划归一类；
3) 仅客流因素的聚类同样无法识别枢纽站，同时将主城安德门站与郊区翔宇路南并为一类，忽略了区位因素。
而3类因素的综合使用能避免以上问题，得到更符合实际的分类结果。
综上所述，按3类因素全输入与分别单独输入相比：3类全输入(多因素聚类法)分类相对均匀，分类结果符合用地、区位、客流的实际特点，可兼顾车站不同维度上的特征，得出更为合理的分类结果。
4.3 结果应用
4.3.1 现状换乘站分类
以上综合使用3类因素聚类结果即为现状分类结果，将各类分别命名为综合枢纽型换乘站、公共中心Ⅰ型换乘站、公共中心Ⅱ型换乘站、居住生活型换乘站、外围接驳型换乘站(见图2)。
图2 南京地铁换乘站分类Figure 2 Nanjing metro transfer station classification
进一步分析各类换乘站的功能、客流等特征，得出各类换乘站的运营特点(见表6)，可对后续同类别换乘站进行针对性设计。如居住生活型换乘站内部换乘客流的流向多为潮汐流向，可考虑对应优化车站内部交通组织流线；
居住生活型换乘站外部接驳设施非机动车(主要为共享单车)的周转率较低，外部接驳设施的规模在同等客流情况下应更大等。
表6 南京地铁换乘站分类体系Table 6 Classification system of the Nanjing metro transfer station
4.3.2 规划换乘车站分类
以上分类结果是基于现状各项数据完善的条件下得出的，而规划应用尤其是客流因素往往无完整可靠的预测数据，可结合前述影响因素分析进行简化变量的计算。
规划车站周边用地的性质若尚未完全确定，可根据本文第2.1.2节公式，通过用地阈值，大致判断用地布尔向量T。
规划车站周边的人群集聚度可根据本文第2.2.2节所述，通过规划定位，对Hi人群聚集数(等级)进行取值，进而计算判断人群聚集度ω。
规划车站客流指标高峰进站客流比、高峰系数等，可根据本文第2.3节公式，根据用地性质定性判断及阈值参数，计算简化变量ψ、ξ，换乘客流可依据本文第2.3.3节的回归公式近似计算。在此基础上，可得出简化变量进行分类，得到规划换乘车站的分类结果。
以前述现状聚类分析(未使用简化变量)结果为标准，调整参数值，使现状简化变量输入分类结果尽可能接近，得出的参数值如表7所示。
表7 阈值参数建议取值Table 7 Recommended values of parameter thresholds
4.3.3 客流指标数据参考
在获取以上规划换乘车站阈值的基础上，可得出现状的分类型高峰小时系数均值(见表8)，为后续规划应用时客流相关指标的选取提供参考。
表8 换乘车站分类型高峰小时系数均值参考Table 8 Peak hour coefficients of different transfer station types %
可基于本文第1.3.3节回归公式预计的规划换乘车站全日内部换乘客流(如有专门客流预测数据应以其为准)，以及根据换乘车站类型利用表8得到高峰小时系数，得出高峰内部换乘量，指导换乘站内部规划设计——结合设计换乘线路车站间的换乘路径距离，对换乘通道宽度、瓶颈处最小设计规模等的确定提供参考依据。
本研究对换乘站分类的影响因素进行分析，剖析各影响因素之间的内在联系，结合南京市实际情况，计算了各影响因素的具体指标，通过聚类方法得出5类标准，为便于规划应用，给出了模型简化变量计算参数的建议，为后续换乘站针对性的规划设计提升提供借鉴。
由于轨道交通车站内部的换乘设施、环境质量、空间设计等均影响车站客流的换乘效率[10]，所以本分类方法与换乘车站细部特征的结合还有待进一步研究。
猜你喜欢区位换乘高峰换乘模式下货物运输路径问题汽车实用技术(2022年7期)2022-04-20袁奇峰：广州南CBD，优越区位截留全城商机房地产导刊(2021年8期)2021-10-13病毒病将迎“小高峰”全方位布控巧应对今日农业(2021年8期)2021-07-28石庆云书香两岸(2020年3期)2020-06-29连锁餐饮企业区位选择智富时代(2019年4期)2019-06-01连锁餐饮企业区位选择智富时代(2019年4期)2019-06-01北京地铁连拱换乘通道下穿引桥施工沉降控制研究北方工业大学学报(2019年5期)2019-03-30努力攀登文艺高峰中华诗词(2017年1期)2017-07-21城市轨道交通三线换乘形式研究大陆桥视野(2015年22期)2015-01-06辩证看城市“区位条件”环球市场信息导报(2015年37期)2015-01-02