EN中文

地理研究 >

2024 , Vol. 43 >Issue 10: 2684 - 2701

DOI: https://doi.org/10.11821/dlyj020230989

研究论文

武汉市轨道交通TOD绩效评估与类型划分——“节点-场所-功能”模型的实证应用

  • 安睿 , 1, 2 ,
  • 仝照民 2 ,
  • 王梓蒙 2 ,
  • 吴子豪 3 ,
  • 庞博文 2 ,
  • 杨佳明 2 ,
  • 刘耀林 , 2
展开
  • 1.陕西师范大学地理科学与旅游学院，西安 710119
  • 2.武汉大学资源与环学学院，武汉 430072
  • 3.中国矿业大学公共管理学院，徐州 221116
刘耀林（1960-），男，湖北黄冈人，博士，教授，博士生导师，主要研究方向为地理信息系统理论、方法和分析模型。E-mail:

安睿（1998-），男，陕西咸阳人，博士，讲师，主要研究方向为城市交通地理与土地利用管理。E-mail:

收稿日期: 2023-11-06

  录用日期: 2024-07-24

  网络出版日期: 2024-10-14

基金资助

国家自然科学基金重点项目(42230107)

收起

Evaluation and classification of TOD performance for Wuhan rail transit: Empirical application of the “Node-Place-Function” model

  • AN Rui , 1, 2 ,
  • TONG Zhaomin 2 ,
  • WANG Zimeng 2 ,
  • WU Zihao 3 ,
  • PANG Bowen 2 ,
  • YANG Jiaming 2 ,
  • LIU Yaolin , 2
Expand
  • 1. School of Geography and Tourism, Shaanxi Normal University, Xi'an 710119, China
  • 2. School of Resource and Environmental Sciences, Wuhan University, Wuhan 430072, China
  • 3. School of Public Policy & Management, China University of Mining and Technology, Xuzhou 221116, China

Received date: 2023-11-06

  Accepted date: 2024-07-24

  Online published: 2024-10-14

Fold

摘要

通过全面评估各地铁站域内公交导向发展（TOD）绩效并划分类型，大都市可以精准制定鼓励交通和用地良性互动的开发策略以缓解城市问题。传统的2D指标忽略了城市是立体化发展的典型对象，其密度/强度指标也忽略了POI类型间潜在的功能组合。因此，本文引入街道/建筑3D形态及POI功能语义等新型指标重构“节点-场所-功能”框架，测度武汉市188个站域的TOD绩效并采用KMeans划分为六类，进而探索TOD绩效/类型与地铁客流这一关键外部效能的关系。结果显示：① TOD绩效以江汉、武昌滨江为核心向四周降低，其高值呈大-小团簇状分布；② TOD类型遵循相似的圈层分布，由中心向外围（Ⅰ类~Ⅵ类）依次为：高值功能优势类、高值节点优势类、中值平衡类、中值场所优势类、低值节点优势类、低值节点劣势类；③ TOD绩效与工作日/休息日进出站总客流均显著正相关，早高峰时段大量客流从Ⅲ类~Ⅵ类站点汇聚至Ⅰ类、Ⅱ类站点。文章扩展的量化评估体系可以有效推测潜在客运量，划分的TOD类型也鼓励规划者因地制宜、精准施策。

关键词： 公交导向发展（TOD）; 地铁站域; 节点-场所-功能; 类型学; 地铁客流

本文引用格式

安睿 , 仝照民 , 王梓蒙 , 吴子豪 , 庞博文 , 杨佳明 , 刘耀林 . 武汉市轨道交通TOD绩效评估与类型划分——“节点-场所-功能”模型的实证应用[J]. 地理研究, 2024 , 43(10) : 2684 -2701 . DOI: 10.11821/dlyj020230989

Abstract

By comprehensively evaluating and classifying the performance of Transit Oriented Development (TOD) within different metro station areas, the metropolis can accurately formulate development strategies that encourage positive interaction between transportation and land use to alleviate urban diseases. Traditional two-dimensional (2D) indicators overlook the typical three-dimensional (3D) characteristics of cities' development, and their density or intensity indicators also ignore the potential functional combinations among POI types. Therefore, this study introduced new indicators such as the 3D form of streets/buildings and POI functional semantics to reconstruct the "Node-Place-Function" framework, measured the TOD performance of 188 station areas in Wuhan and divided them into 6 categories using KMeans, then explored the relationship between TOD performance/typology and the key external efficiency of metro passenger flow. The main conclusions are as follows: (1) The TOD performance was decreasing from riverside areas of Jianghan and Wuchang to city periphery, whose high values are distributed as large and small clusters. (2) The TOD types follow a similar layer distribution, which could be named sequentially from city center to outside (Ⅰ-Ⅵ) as: High value Function advantage class, High value Node advantage class, Median value balance class, Median value Place advantage class, Low value Node advantage class and Low value Node disadvantage class. (3) Positive correlations were observed between TOD efficiency and passenger flow boarding and alighting both on weekdays and weekends. A large number of passengers converged from Class Ⅲ-Ⅵ stations to Class Ⅰ & Ⅱ stations during morning peak periods. The expanded quantitative evaluation system in this study can effectively infer potential passenger volume, and the TOD typologies also help planners tailor their policies to local conditions and make targeted decisions.

Key words： transit-oriented development; metro station area; Node-Place-Function; typology; metro passenger flow

1 引言

大都市常采用公交导向发展（Transit-Oriented Development，TOD）理念来应对无序蔓延引发的汽车依赖、交通拥堵和空气污染等“城市病”[1]。该理念关注城市交通枢纽和周边土地利用交互构成的有机系统[2]，鼓励在枢纽周边开展空间紧凑、功能混合、公交便捷和步行友好的综合开发模式[3]。在城市内部，轨道交通以其大运力、准时性和速达性等优点成为TOD理念的主要实施对象[4]，在地铁站域内实施综合开发被认为可以有效促进公交使用和非机动出行[5,6]，目前已广泛应用于哥本哈根[7]、新加坡[8]以及中国香港地区[9]的规划实践中。2019年，中共中央、国务院印发《交通强国建设纲要》明确强调将优先发展公共交通作为新时代交通建设的总抓手。当前，全国共有40个城市开通轨道交通，线路总长度达6882.13 km，年总客运量达237.1亿人次；围绕轨道交通系统重塑城市空间形态，激活高效的TOD模式成为未来发展方向[10]。但城市内不同地铁站域的发展状态存在多样性，不适宜采用“一刀切”的解决方案[11]。因此，全面评估各地铁站域交通和土地利用的发展绩效，同时根据特征组合分类制定开发/再开发策略成为研究热点[12]。
“节点-场所”模型（Node-Place model，NP）常用于测度轨道交通站点（节点）及其周围建成环境（场所）的组合关系[13]。其“节点”维度关注站点自身的服务能力及其在地铁网络中的连通性，“场所”维度关注站点周围特定区域的人口密度、用地强度和多样性[14]。研究者常建立多维指标体系以量化评价各站域的“节点-场所”绩效，并绘制双轴散点图以观测二者间竞争/互补关系（图1a）；根据各站点在图中所处位置可划分出五类并制定针对性政策[15]：例如不平衡场所型交通设施难以匹配人口需求，应优先增加地铁供给。但是，传统的NP模型较少考虑城市设计（design）对交通和土地利用的潜在作用[4,16]，例如路网设计会影响交通枢纽的可用性和各土地类型的交通需求。继而，研究者尝试在“场所”维度增加交叉口密度等设计指标[17]，但综合评价过程损失了这些指标的原始信息，不利于判定造成失衡的主要因子，其五种基础的理论类型也难以覆盖现实中TOD的多种表现形式。因此，新增“设计”维度将二维索引扩展至三维空间，着重评估步行环境[18]、道路设计[19]、城市形态[20]等要素成为研究趋势。其中，Su等引入设施可获性和步行可达性[11]定义设计特征，扩展的“节点-场所-功能”三维魔方形式理论上可以划分出27种TOD类型（图1b）。
图1 “节点-场所”及其扩展的概念模型

Fig. 1 Conceptual framework of “Node-Place” and its extension model

然而，现有指标体系收集的土地利用、道路网络和人口调查等数据仅能提供二维（2D）平面信息，但城市是高密度、立体化发展的典型对象，街道和建筑等三维（3D）空间承载着人类生产和生活的需要[21,22]，其组织和形态是描述建成环境的重要组成部分[23]。如今，街景语义和建筑信息系统（BIM）等多源大数据的出现为规划者低成本、细粒度地感知这些3D特征提供了重要支撑[24]。同时，现有研究常分类计算多个密度指标定义POI供给强度，这忽略了各类型POI间潜在的功能组合、易导致指标冗余：例如农贸市场常位于住宅周围，而商业中心可同时提供饮食、娱乐和购物等功能。因此，本文引入潜在狄利克雷分配（LDA）来识别POI功能组合，并将站域内每个典型组合的发生概率定义为供给强度[25]。此外，地铁会促进城市空间结构的重塑，考虑其与人口、经济活动等实际需求的关系十分必要[26]。有研究将进/出站客流指标作为第三维度计入评价体系，通过聚类中心的分布描述“节点-场所”与行为的关系[27]；但大量研究认为人口行为是建成环境作用的外部显现[28]，因此本文先扩展三维指标体系评价TOD绩效，而后将评价结果与地铁客流这一外部效能相关联以验证其有效性。
武汉市积极响应国家要求，推行“公交优先”发展战略[10]。截至2019年末地铁运营里程位居全国第六，年总客运量达12.3亿人次，具有良好的TOD实施潜力。因此，本文以市内188个地铁站域为研究对象，引入街景图像（3D）和POI功能语义等新型指标重构“节点-场所-功能”框架描述建成环境；继而通过“极差法归一化→主客观综合赋权→加权求和”这一传统步骤评估TOD绩效[29,30]，同时选用KMeans算法划分TOD类型，进一步采用线性拟合/箱线图可视化探索TOD绩效/类型与地铁客流间潜在关系。实证结果客观量化了各站域公交导向发展（TOD）的现实状况，鼓励规划者分区分类精准管控。

2 研究区概况与数据来源

2.1 研究区概况

2012年至今，武汉市坚持“公共交通引领城市发展”理念，轨道交通建设投资逐年增加，每年可开通2~3条新线路（延长线）[31]。截至2019年2月（图2），已开通轨道交通线路9条，运营总里程达312.91 km；共计设站188座，其中换乘站26座。年总客运量同步增长达12.3亿人次，占公共交通总客运量的41.13%。总体而言，武汉市轨道交通已形成网络结构，成为居民主要出行方式之一。然而，市内TOD模式起步较晚，2018年首次借鉴香港经验建设了“地铁时代·常青城”这一城市综合体。因此，评价已建成地铁站域的TOD绩效，针对性制定综合开发或再开发策略具备潜在价值。
图2 武汉地铁站域空间分布

Fig. 2 Spatial distribution of Wuhan metro station area

地铁站域的划定常采用两种方法：① 地铁站中心点400~800 m的圆形缓冲区[12,32]；② 地铁站出入口5~10 min步行可达范围（网络分析、路径规划）[10,18]。由于网络分析法获得的站域范围差异较大，为方便评价结果的站间比较，采用统一的800 m圆形缓冲区定义站域空间[11]。

2.2 数据来源

本文涉及土地利用、街景图像、建筑信息、POI兴趣点、交通网络、人口和地铁客流等多源数据，基准时点为2019年。具体来源如下：土地利用数据来自第三次全国国土调查成果，由武汉市自然资源和规划局提供（http://zrzyhgh.wuhan.gov.cn）；街景图像采集自百度地图全景平台（https://quanjing.baidu.com），沿道路中心线以100 m为间隔生成采样点，获取4个主视角的高精度图像（512×1024像素），共计收集13945条道路169640个街景点共67.85万张街景图片；POI兴趣点数据采集自高德地图开放平台（https://lbs.amap.com），包含23个大类88.36万兴趣点。建筑信息、交通路网（包括道路和地铁）和常住人口数据均由武汉市测绘院提供（https://whkc.com.cn），包含98.60万栋建筑的基底面积、地上层数及层高信息；流动人口数据来自武汉市公安局（https://gaj.wuhan.gov.cn），人口数据调查尺度均为社区，采用面积加权的方式汇总至地铁站域。此外，地铁基本信息（例如发车间隔、运营时长等）均采集自列车时刻表（https://www.wuhanrt.com），车厢数由百度百科（https://baike.baidu.com）提供的各线路列车编组型号结合技术规程确定。同期地铁客流数据由武汉市规划研究院提供（https://www.wpdi.cn），包含11月11日（工作日）、16日（休息日）各站点分时进出站客流量。

3 指标设计与研究方法

3.1 指标体系构建

如前所述，本文引入街景图像和POI功能语义等新型指标重构“节点-场所-功能”框架，以期简洁、全面地测度地铁站域建成环境并评估TOD绩效。新指标框架由3个目标→10个准则→36个指标的多层结构组成（图3），各指标内涵和具体设计思路如表1所示：
图3 “节点-场所-功能”指标框架

Fig. 3 Indicator framework for “Node-Place-Function” model

表1 地铁站域TOD绩效评价指标体系及权重

Tab. 1 Indicators and weights for TOD efficiency evaluation of metro station areas

目标层
及权重		 准则层
及权重		 指标名称 编码 指标解释（方法/注释） 指标层权重 指标
正负性
节点
1/3		 基础
设施
0.164		 出入口数量 C1 站点进出站可通行出入口总数 （高德地图POI交通设施服务-地铁站-出入口） 0.180 正
是否为换乘站 C2 站点是否为多条线路的衔接点（若为换乘站则为1，非换乘站为0） 0.719 正
建成年 C3 站点开通运营的时点（若为换乘站，则采用该站最早建成年份） 0.101 负
服务
能力
0.539		 车厢数 S1 高峰时段每小时过站车厢总数（若为换乘站，则采用多线路车厢数的总和） 0.258 正
发车间隔 S2 高峰时段连续两趟地铁过站时间间隔（若为换乘站，则采用多线路最短时间间隔） 0.456 负
运营时间 S3 站点单日运营总时长（采用列车时刻表提供的各线路中间站点最早过站时间与最晚过站时间之差） 0.286 正
网络
联通
0.297		 20 min可达
地铁站数量		 T1 站点沿地铁网络20 min可达站点数（采用列车时刻表精确反映相邻站点的时间成本，使用ArcMap中网络分析工具建立两两站点时间成本矩阵） 0.496 正
距其他站点
平均距离		 T2 站点沿地铁网络到达其他站点平均路径距离（使用ArcMap中网络分析工具建立两两站点距离成本矩阵） 0.124 负
地铁网络临
近中心性		 T3 站点在地铁网络中到其他节点最短路径的平均长度（计算方法： C i = n ∑ i d i j，式中： d i j为 i站点到 j站点的最短路径长度；   n为路径总数） 0.380 正
场所
1/3		 土地
利用
0.539		 居住用地优势度 D1 TOD站域内与人类活动密切相关的四类用地强度（计算方法： S L U D i j = L S i j × ∑ S i S i × ∑ i = 1 I L S i j； L U D I i j = S L U D i j ∑ i = 1 I S L U D i j。式中： L U D I i j表示 i站域 j类土地利用优势度指数； L S i j代表 i站域； j类土地的面积占比； S i为 i站域的总面积。 0.164 正
商业用地优势度 D2 0.213 正
公共管理与公共服务用地优势度 D3 0.188 正
工业用地优势度 D4 0.259 正
土地利用混合度 D5 TOD站域内土地利用多样性（除D1~D4外，将剩余用地统一分类为其他用地，计算五类用地的混合熵 H i = - ∑ j = 1 J   L S i j × l n L S i j ]）
式中： L S i j代表 i站域 j类土地的面积占比。		 0.176 正
街景
语义
0.164		 绿视率 S1 街景视角TOD站域内绿植、建筑或道路利用强度（如2.2.1所示，采用全连接神经网络解译百度街景图片，计算各类型像素占比，站域内所有采样点取平均值） 0.230 正
建筑面积比 S2 0.522 正
道路面积比 S3 0.248 正
建筑
形态
0.297		 平均建筑高度 B1 TOD站域内建筑平均高度（站域内建筑样本点高度的平均值） 0.261 正
建筑粗糙度 B2 反映TOD站域内建筑高度的差异（站域内建筑样本点高度的标准差） 0.204 正
容积率 B3 反映TOD站域内建设强度（总建筑面积与站域面积的比值，总建筑面积=站域内建筑样本点基底面积×层数的和） 0.535 正
功能
1/3		 服务
人口
0.149		 常住人口密度 H1 TOD站域内常住人口密度（常住人口总数/站域面积） 0.468 正
流动人口密度 H2 TOD站域内流动人口密度（流动人口总数/站域面积） 0.532 正
接近
设施
0.425		 距CBD距离 A1 反映站点到达CBD的便利程度（使用ArcMap中网络分析工具计算的站点到CBD的最短路径距离） 0.033 负
距居住POI距离 A2 反映TOD站域内居住、商业或就业功能空间的可达性（采用Chen et al., 2022的分类标准[36]，计算站点到各类POI的路径距离，站域内兴趣点取平均值） 0.051 负
距商业POI距离 A3 0.036 负
距就业POI距离 A4 0.051 负
生活POI强度 A5 反映TOD站域内不同功能POI设施的利用强度（如2.2.2所示，采用自然语言处理中LDA主题模型，① 识别出站域内四类典型的POI功能组合（主题），分别命名为生活服务、科教服务、休闲购物及就业服务；② 计算出各TOD站域内出现上述主题的概率，定义为该站域内对应POI功能组合的利用强度） 0.244 正
科教POI强度 A6 0.229 正
休闲购物POI强度 A7 0.193 正
就业POI强度 A8 0.163 正
方式
接驳
0.231		 公交站密度 P1 反映TOD站域内公交换乘便利度（公交站总数/站域面积） 0.328 正
道路网络密度 P2 反映TOD站域内车行换乘便利度（主次支路总长度/站域面积） 0.140 正
共享单车投放密度 P3 反映TOD站域内骑行换乘便利度（共享单车投放总量/站域面积） 0.532 正
步行
可达
0.195		 步行指数 I1 反映TOD站域内日常设施步行可用性（采用Su等提出的步行指数[35]，考虑了购物、饮食、娱乐、公园广场、邮局、医院、药店和学校等日常生活设施） 0.344 正
交叉口密度 I2 反映TOD站域内街区组织模式（交叉口总数/站域面积） 0.357 正
道路网络
临近中心性		 I3 反映TOD站域内路网组织模式（将交叉口视为节点，计算方式与地铁网络中心性一致，站域内所有交叉口取平均值） 0.299 正
节点维度反映地铁站点自身的可访问性、客流承载能力及与其他站点的空间连通性，对应设置基础设施、服务能力和网络联通3个准则层。其中：基础设施关注站点建设情况，包括出入口数量、是否为换乘站和建成年份[20]。服务能力关注站点所属线路的客流承载潜力，包含每小时过站车厢数、行车间隔和单日运营时长[18]。网络联通主要考虑站点通过地铁网络交互的时间、距离和拓扑成本，依次采用20 min可达地铁站数量、距其他站点平均路径距离和地铁网络临近中心性表征[11]。
传统的场所维度主要衡量地铁站域内土地利用的类别占比和多样性，较少考虑街道、建筑的三维组织形态。本文设置土地利用、街景语义和建筑形态3个准则层。其中：土地利用关注站域土地组成和混合特征，由各类用地优势度和土地利用混合熵组成[27]。街景语义反映与人类活动密切相关的绿植、建筑和道路三要素的临街视觉特征，由绿视率、建筑面积比和道路面积比组成[33]。建筑形态关注站域建筑物的三维空间组织，包括建筑平均高度、粗糙度（高度标准差）和容积率[34]。
功能维度应考量地铁站建设的主要目标，包含服务人口、接近设施、方式接驳和步行可达四大准则。其中，服务人口反映了站域内潜在出行需求，包含常住人口和就业人口[19]。接近设施考虑了站域内各类型POI的供给强度和可达性，采用平均路径距离表征可达性[32]；采用语义分割技术识别典型的POI功能组合作为主题，将各站域出现该主题的概率作为供给强度[25]。方式接驳关注地铁与骑行、驾车和公交三种方式的转换便利度，依次采用共享单车投放量、路网密度和公交站密度指征[10]。步行可达关注站域街区组织形态和设施步行可获性，其中步行指数直观反映了生活圈视角下常用设施的综合可获性[35]；采用交叉口密度和道路网络临近中心性反映街区组织样式，小街区密路网的构造更有利于步行。

3.2 典型指标计算方法

3.2.1 街景语义分割

从“二维平面”转向“三维空间”是城市人本化、精细化设计和管理的必然需求[33]。街道是城市重要的公共空间和社会活动场所，其组成与人类的感知高度相关[24]。街景图像为使用者提供了360°的街道全景空间信息，理解街景语义有助于把握人本视角下的街道空间品质。采用MIT发布的ADE20K数据训练全卷积神经网络（Fully Convolutional Network，FCN），该网络可以准确预测图幅中每个像素的语义属性，从而将街景图像划分为多个子场景（最多可达151类）[37]。由于大部分像素类型占比较少，归纳为绿植、建筑、道路、天空和其他五类（图4）；同时为避免多重共线性，暂不考虑天空开阔度，对应计算绿视率、建筑面积比和道路面积比计入指标体系。
图4 街景影像语义分割示意图

Fig. 4 Schematic diagram for semantic segmentation of street view images

3.2.2 POI功能语义

LDA（Latent Dirichlet Allocation）是一种基于词袋思想的概率主题模型，若文档库 M由多个离散的文档 m和词语 T组成，且词语间没有先后顺序；则假设该文档库隐含 K个主题，文档库（各文档）、主题和词语自上而下构成3层贝叶斯网络，其中：① 主题服从词语的Dirichlet概率分布；② 文档服从主题的Dirichlet概率分布[38]。给定主题数 k后，采用Gibbs采样方法估计模型的两个重要参数：① 各主题 k中词语 t的出现概率 Φ k , t；② 各文档 m中主题 k的出现概率 θ m , k。公式如下：
p Z i = k | Z → ⇁ i ,   w → = p ( w → ,   z → ) p ( w → ,   Z → ⇁ i ) ∝ n k ⇁ i t + β t ∑ t = 1 T n k ⇁ i t + β t ( n m ⇁ i t + α k )
Φ k ,   t = n k t + β t ∑ t = 1 T n k t + β t
θ m ,   k = n m k + α k ∑ k = 1 K n m k + α k
式中： Z i表示第 i个单词对应的主题变量； ⇁ i表示不包括第 i项； n k t表示 k主题中 t词语的出现频次； β t是词语 t的Dirichlet先验； n m k表示文本 m中 k主题的出现频次； α k是主题 k的Dirichlet先验。
地铁站域常附带高密度、混合功能的POI设施，分类别设置多个密度指标来衡量POI供给能力忽略了潜在的功能组合[25]。因此，本文拟采用上述LDA模型识别地铁站域的功能主题。将单个地铁站域视为文档 m，该文档包含多个POI类型词语 t，188个站域文档组成文档库 M。已知文档库和词语，采用困惑度确定最优主题个数 k = 4，各主题中词语的出现概率见图5，可依次命名为生活服务类、科教服务类、休闲购物类和就业服务类。而后，已知主题和词语，求解单个文档中各主题的出现概率作为该TOD站域的功能强度计入指标体系。
图5 各POI功能主题中词频统计

Fig. 5 Word frequency statistics in various POI functional themes

3.3 综合评价方法

3.3.1 指标标准化

通过标准化消除指标间量纲影响，可以增强数据的一致性和可比性；应注意正向指标（值越高代表绩效越好）和负向指标（值越高代表绩效越差）的性质差异。本文根据指标正负性（表1），采用极差法将原始数据映射至 0,1区间。公式如下：
正向指标： x ˙ = x - x m i n x m a x - x m i n
负向指标： x ˙ = x m a x - x x m a x - x m i n
式中： x ˙为归一化后的指标值， x为指标原始值， x m a x和 x m i n分别为其最大值和最小值。

3.3.2 权重确定

确定各指标在体系中的重要性（权重）有助于提高绩效评价结果的准确性和可信度。常见确权方法分为主客观两类，仅采用主观方法易受人为影响，而仅采用客观方法缺乏先验知识。因此，本文拟组合层次分析法（人工判别指标重要性）和熵权法（客观测度各指标信息量）确定指标权重（表1）[32]。其中：
层次分析法（Analytic Hierarchy Process，AHP）是一种用于多准则决策的系统性分析方法，该方法将评价目标按照指标（因素）间相互作用、影响及隶属关系划分成有序的层次结构（目标层→准则层→指标层）。基于客观现实通过因素间两两比较构建相对重要性判断矩阵，经由数学处理与一致性检验，最终确定各指标的权数。具体步骤如下：
构造判断矩阵：在准则层和指标层分别构建因素两两比较的判断矩阵 A，矩阵中元素 a i j表示指标 x i相对于 x j对评价目标的重要性大小，用1~9之间的9个数字或其倒数表示，值越大代表重要程度越高，且 a j i = 1 a i j。
计算权重向量：采用归一化矩阵横向平均数的方法确权。
w i = ∑ j a i j / ∑ i a i j P
式中： w i为第 i个指标的权重； a i j / ∑ i a i j为矩阵 A的列归一化； P为指标总数。
计算一致性指标：为避免指标间重要性出现矛盾（例如 w 1 w 2 ,   w 2 w 3，则不宜存在 w 3 w 1），需要检查判断矩阵是否具备一致性：
C I = 1 P ∑ i = 1 P ( B W ) i w i - P / ( P - 1
式中： C I为一致性指标（Consistency Index）； B为矩阵 A的列归一化矩阵； W为权重 w i组成的权重向量。由于一致性指标 C I与指标数量 P相关，需要进一步计算一致性比率 C R：
C R = C I / R I
式中， R I为随机一致性标准。当 C R<0.1时，一般认为判断矩阵具有合理的一致性；若不通过则需要重新调整判断矩阵。
熵权法（Entropy Weighted Model，EWM）是一种基于信息熵理论的多指标权重确定方法，该方法客观考虑了各指标携带的信息量（不确定性），信息熵越大表示该指标对决策问题的贡献越小，则最终权重越小。具体计算步骤如下：
计算信息熵：对于每个标准化后的指标 j，根据其在各评价单元 i上取值计算信息熵。
e j = - l n 1 n ∑ i = 1 N x i j ∑ i = 1 n x i j l n x i j ∑ i = 1 n x i j
式中： e j为 j指标的信息熵； x i j为指标标准化值；   i 、 j分别代表评价单元编号与指标编号； N为评价单元总数。
计算指标权重：对每个指标的信息熵进行标准化后（值域为 0,1），跨指标转换为权重。
w j = 1 - e j ∑ j = 1 P 1 - e j
式中： w j为 j指标的指标权重； P为指标总数。

3.3.3 指标综合

多维指标综合可以系统、客观地评价研究目标的总体效能，其加权算术指数公式如下：
S i = ∑ j = 1 P w j x i j
式中： S i为TOD综合绩效； w j为指标权重值； x i j为指标标准化值； i代表评价单元编号； j代表指标编号； P是指标总数。

3.4 KMeans聚类

KMeans[4]、两步聚类[11]、主成分分析[16]和自组织映射图[39]等多种聚类算法已应用于TOD分类。其中，KMeans是一种基于欧氏距离度量的数据划分方法[4]，算法步骤如下：① 随机初始化 k个聚类中心 a = a 1 ,   a 2 , … a k；② 针对每个样本 x i，依次计算其到第 k个聚类中心的距离，将样本划分至距离最短的簇 a j中；③ 针对每个类别 a j，重新计算聚类中心 a j = 1 c i ∑ x ∈ c i x（即属于该类所有样本的质心）；④ 模型的损失函数为 L o s s = m i n ∑ i = 1 I x i - a j 2，重复步骤②、③直至收敛。
相比于其他聚类算法，KMeans将组内质心作为聚类中心，适用于近似球形簇的数据结构。如图6所示，本文聚类目标（“节点-场所-功能”三维度评价结果）的组织恰好近似球型簇。设定初始聚类中心个数[2:10]，计算残差平方和并绘制肘部图（图6a），拐点指示最优聚类数为6，之后增加聚类中心数模型损失不再明显降低；实际分类结果见图6b，可见KMeans有效识别了组间差异并将188个地铁站域划分为六类。
图6 K-Means聚类数选择及结果可视化

Fig. 6 Class number selection and result visualization for K-Means

4 结果分析

4.1 TOD绩效评价

“节点-场所-功能”各维度及TOD综合绩效空间分布趋同（图7），总体以江汉区、武昌区滨江为中心向四周降低、呈现明显的圈层结构。以综合绩效（图7d）为例，江汉区“崇仁路-江汉路-黄浦路”形成高值大团簇（0.523~0.691），而武昌区“螃蟹岬-洪山广场”存在高值小团簇，这些站点地铁通达性好，人口密度、土地开发及设施供给强度均较高，基本符合TOD理念。主城区外站点绩效明显较低（0.108~0.265），主要包括21号线、11号线和7号线南段，这些地铁线路连接了远城功能区（如阳逻开发区和纸坊大街），沿线大部分站点土地开发仍处于初级阶段，较难吸引居住/就业人口。特别的，换乘站如王家湾和钟家村等节点值较高（图7a）；其他商住中心如后湖大道和岳家嘴等场所值较高（图7b）；同时，远城区核心站点如北华街和纸坊大街等场所值也较高，承担了教育科研和现代物流功能。
图7 “节点-场所-功能”及TOD综合绩效评价结果

Fig. 7 Evaluation results of “Node-Place-Function” & TOD performance

4.2 TOD类型划分

如前所述，通过KMeans对“节点-场所-功能”三维聚类可将188个地铁站域划分为六类。如表2所示，节点、场所和功能的总体平均值分别为0.524、0.408和0.297，组合关系为100∶78∶57。根据各聚类中心与总体平均值的关系，定义高、中、低三级；同时，若组合关系中有单维度比例突出/弱势，则定义为该维度优势/劣势类，否则为平衡类站域。例如，类型Ⅰ三维度值均远高于总体平均值，且组合关系中功能比例较高，可定义为高值功能优势类；以此类推，依次定义高值节点优势类、中值平衡类、中值场所优势类、低值节点优势类和低值节点劣势类。
表2 TOD类型划分结果描述性统计

Tab. 2 Descriptive statistics of TOD type classification results

类型编号 类型名称 样本分布 聚类中心 组合关系
个案数（个） 占比（%） 节点 场所 功能
Ⅰ 高值功能优势类 13 6.91 0.682 0.514 0.531 100∶75∶78
Ⅱ 高值节点优势类 21 11.17 0.842 0.465 0.365 100∶55∶43
Ⅲ 中值平衡类 64 34.04 0.645 0.440 0.310 100∶68∶48
Ⅳ 中值场所优势类 33 17.55 0.435 0.422 0.287 100∶97∶66
Ⅴ 低值节点优势类 24 12.77 0.495 0.299 0.204 100∶60∶41
Ⅵ 低值节点劣势类 33 17.55 0.133 0.333 0.212 100∶250∶160
总计 188 100.00 0.524 0.408 0.297 100∶78∶57
如图8所示，类型Ⅰ~Ⅵ在空间上以江汉区滨江为核心呈圈层分布。其中Ⅰ类站点多位于城市核心区（循礼门、江汉路和三阳路等），占总样本6.91%；这些站点地铁线路密集、列车承载力高，站域内人口密度大且立体开发程度高，是典型的高密度、多元化开发区域，可定义为城市类TOD。Ⅱ类站点多为换乘站（中南路、岳家嘴和钟家村等），占总样本11.17%；作为枢纽站提供了便捷的线路选择，多个出入口拥有良好的客流集散能力。主城区内大部分站点属于Ⅲ类（硚口路、街道口和虎泉等），占总样本34.04%；这些站点距核心区和换乘站较近，但仅有单线途经，站域内居住用地强度较高，主要承接了核心区就业者短距离的居住需求。
图8 聚类中心及各TOD类型空间分布

Fig. 8 Cluster center and spatial distribution of each TOD type

此外，Ⅳ类站点临近主城区边界（金银潭、建安街和佛祖岭等），占总样本的17.55%；这些站点土地开发强度较高但轨道交通供给不足，站域内以居住小区和大学园区为主，缺乏商业、娱乐等多功能POI设施。Ⅴ类站点多位于主城区外围西侧（工人村、航空总部和车城东路等），占总样本的12.77%；站域内以低容积率居住用地为主，但沿线短距离内存在大型工业园等就业地，主要承担了园区职工短距离的居住需求。Ⅵ类站点多位于主城区外围东侧（纸坊大街、豹澥和阳逻等），占总样本的17.55%；这些站点所属的7、11和21号线均连接远城功能区，途经多数站点仅地铁优先修抵，有待开发。

4.3 TOD与地铁客流的关系

4.3.1 TOD绩效与地铁客流的关系

以TOD绩效为x轴，分别以工作日/休息日的入站/出站总客流量为y轴绘制拟合散点图（图9）。可见工作日/休息日均呈显著正相关（P<0.001），这证明采用的指标体系可以有效解释潜在客流，适宜在类似城市推广。其中，工作日入站/出站拟合斜率分别为5.87和5.94，而休息日入站/出站拟合斜率为5.57和5.77，可见TOD绩效与工作日客流关系更为密切，且该指数与出站客流的关系更为密切。此外，当TOD绩效小于0.4时，客流量与TOD绩效的散点在拟合曲线周边浮动；若TOD绩效大于0.4，这一斜率会显著增加。根据散点颜色发现该现象与高值节点优势类（Ⅱ类）站点的存在显著相关，即对于换乘站，工作日/休息日的入站/出站客流会成倍增加。

4.3.2 TOD类型与地铁客流的关系

以TOD类型为x轴，以工作日早晚高峰入站/出站客流为y轴绘制箱线图（图10）。可见Ⅰ、Ⅱ类站点早高峰入站客流远低于出站客流，而晚高峰入站客流远高于出站客流，意味着这两类站点多属于早出晚入型；Ⅲ~Ⅵ类站点早高峰入站客流略高于出站客流，而晚高峰出站客流略高于入站客流，这些站点多属于早入晚出型。早高峰时段大量客流由Ⅲ~Ⅵ类站点汇入Ⅰ、Ⅱ类站点，而晚高峰的规律相反，可见Ⅰ、Ⅱ类站点早晚高峰客流压力较大。此外，晚高峰客流总体低于早高峰，但全天的进出站总客流相差不大（图9），这可能是早高峰乘车时间集中，晚高峰相对分散所致。
图9 TOD绩效与工作日/休息日进出站客流量的关系

Fig. 9 Relationship between TOD performance and passenger flow boarding and alighting on weekdays or weekends

图10 TOD类型与早晚高峰进出站客流量的关系

Fig. 10 Relationship between TOD type and passenger flow boarding and alighting during morning and evening peak periods

5 结论与讨论

5.1 结论

本文引入街道/建筑3D形态及POI功能语义等新型指标重构了“节点-场所-功能”体系，评价了武汉市188个地铁站域的TOD绩效并采用KMeans算法划分为六类，进一步统计分析了TOD绩效/类型与地铁客流这一关键外部效能的关系。主要结论如下：
（1）“节点-场所-功能”三维度评价结果空间分布趋同，主城区内得分明显较高，地铁供给与土地开发强度、人口密度及POI供给等匹配较好。TOD综合绩效以江汉和武昌区滨江为核心呈圈层结构，分别在“江汉路-三阳路-王家墩东”及“中南路-洪山广场”形成高值大/小团簇。
（2）TOD类型遵循相似的圈层结构，由核心到外围（Ⅰ~Ⅵ类）特点如下：Ⅰ类站点多位于城市中心，人口、POI密集且立体开发程度高，属于城市类TOD；Ⅱ类站点多为换乘站，地铁通达性良好且距离核心区较近；主城区内大部分站点属于Ⅲ类，居住用地主导且通过单线与核心区相连，多承载居住需求；Ⅳ类站点临近主城区边界，土地开发强度较高但仅有单线途经，POI供给相对单一；Ⅴ类站点多位于主城区外围西侧，居住用地优势且沿线短距离内存在大型工业园区，多承载居住需求；Ⅵ类站点所处的7、11、21号线路均连接远郊功能区，地铁虽优先修抵，但城市建设处于初步阶段，属于待开发站点。
（3）TOD绩效与工作日/休息日地铁客流量显著正相关，验证了评价指标体系的有效性；相比于其他TOD类型，换乘站（Ⅱ类）的进/出站客流量会成倍增加。早高峰时段客流由Ⅲ~Ⅵ类站点汇入Ⅰ、Ⅱ类站点，晚高峰则相反，可见Ⅰ、Ⅱ类站点潮汐客流压力较大。

5.2 讨论

面向公交导向发展（TOD）理念，构建多维指标体系全面测度各地铁站域的发展现状，制定针对性的开发或再开发策略有助于大都市缓解“城市病”[40]。本文聚焦武汉市这一典型的公交发展先行区，在传统土地利用、道路网络和POI供给等2D特征的基础上，引入街景语义和建筑形态等3D指标重构“节点-场所-功能”模型；同时采用LDA模型识别了四种典型的POI功能组合，定义的功能强度避免了传统密度指标的信息冗余。经由“指标标准化→主客观综合赋权→加权求和”评估TOD绩效，并选用KMeans聚类根据“节点-场所-功能”三维度组合特征划分出六类站域[32]。本文发现TOD绩效/类型均以江汉和武昌区滨江为核心呈现明显的圈层结构，其与工作日/休息日进/出站地铁客流量均显著相关。结合各类站域的建成环境和客流特征，可分类制定如下的管控政策：
Ⅰ、高值功能优势类：这些核心区站域内高强度就业用地提供了大量岗位，但高房价阻止了就近居住、引发了高强度的潮汐客流；该类站点继续开发潜力有限但存在城市更新可能性[12]，可适当补充经济适用房或向外围站点疏解就业压力。Ⅱ、高值节点优势类：换乘站便捷的线路选择显著增加了客流吸引力[7]，其多个出入口的设计也增加了早晚高峰进/出站的峰值流量；该类站点可通过设置引导线、加开车次等，减少旅客滞留时间、减轻换乘压力。Ⅲ、中值平衡类：该类站点承接了核心区的居住需求[10]，应鼓励混合开发以减少居民外出就业需要，协助疏解核心区客流压力。Ⅳ、中值场所优势类：这些站域内多为居住用地和高等院校，地铁客流压力较低但线路连通性有待提升，可考虑增加休闲购物类和就业服务类POI以满足居民生活需要。Ⅴ、低值节点优势类：该类站点承接了沿线工人的短距离居住需求，宜发挥站域内绿地和公园广场等环境优势提供绿色的居住模式[27]，也可通过建设绿道等鼓励绿色的出行方式。Ⅵ、低值节点劣势类：该类站点连接了阳逻、纸坊等城外功能区，沿线其他站点土地开发尚处初级阶段；该类站点可通过配套建设与功能区形成局部联动，提高区域整体的人口吸引力。
总体上，本文耦合2D/3D指标完善了TOD绩效评价与类型划分的定量框架，并与地铁客流关联验证了其有效性[28]，可认为该体系适宜推广至其他大都市或用于多城市比较。但本文仍存在以下不足：① 采用建筑平均高度和高度标准差来描述3D建筑形态是片面的，可考虑计算建筑连续程度、天空开阔度等指标考虑建筑的空间组织；② 指标间潜在的相关性在综合评价过程中可能扩大了某一特征的影响，例如发车间隔越低则每小时过站车厢数越多，可采用主成分分析（PCA）等方法对因子降维；③ 仅展示了单期TOD绩效的空间分布，然而地铁建设是逐年渐进的，延长研究时段讨论线路开通前后TOD绩效的时空变化将十分有益。

真诚感谢匿名专家在评审中所付出的时间和精力，专家对本文创新点的梳理、指标框架的完善和研究结论的提升等方面提出了中肯、丰富的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Cervero R, Day J. Suburbanization and transit-oriented development in China. Transport Policy, 2008, 15(5): 315-323. DOI: 10.1016/j.tranpol.2008.12.011.

[2]
苏世亮, 赵冲, 李伯钊, 等. 公共交通导向发展的研究进展与展望. 武汉大学学报: 信息科学版, 2023, 48(2): 175-191.

[ Su Shiliang, Zhao Chong, Li Bozhao, et al. Transit oriented development: A review. Geomatics and Information Science of Wuhan University, 2023, 48(2): 175-191.] DOI: 10.13203/j.whugis20220178.

[3]
Ibraeva A, Correia G H D A, Silva C, et al. Transit-oriented development: A review of research achievements and challenges. Transportation Research Part A: Policy and Practice, 2020, 132: 110-130. DOI: 10.1016/j.tra.2019.10.018.

[4]
Vale D S, Viana C M, Pereira M. The extended node-place model at the local scale: Evaluating the integration of land use and transport for Lisbon's subway network. Journal of Transport Geography, 2018, 69: 282-293. DOI: 10.1016/j.jtrangeo.2018.05.004.

[5]
Nasri A, Zhang L. How urban form characteristics at both trip ends influence mode choice: Evidence from TOD vs. Non-TOD zones of the Washington, D.C. metropolitan area. Sustainability, 2019, 11(12): 3403. DOI: 10.3390/su11123403.

[6]
Wang X, Shao C, Yin C, et al. Exploring the effects of the built environment on commuting mode choice in neighborhoods near public transit stations: Evidence from China. Transportation Planning and Technology, 2021, 44(1): 111-127. DOI: 10.1080/03081060.2020.1851453.

[7]
Knowles R D. Transit oriented development in Copenhagen, Denmark: From the finger plan to Ørestad. Journal of Transport Geography, 2012, 22: 251-261. DOI: 10.1016/j.jtrangeo.2012.01.009.

[8]
Niu S, Hu A, Shen Z, et al. Study on land use characteristics of rail transit TOD sites in new towns: Taking Singapore as an example. Journal of Asian Architecture and Building Engineering, 2019, 18(1): 16-27. DOI: 10.1080/13467581.2019.1586712.

[9]
Loo B P Y, Cheng A H T, Nichols S L. Transit-oriented development on greenfield versus infill sites: Some lessons from Hong Kong. Landscape and Urban Planning, 2017, 167: 37-48. DOI: 10.1016/j.landurbplan.2017.05.013.

[10]
刘学军, 王彤, 刘华, 等. 多源数据下地铁站域TOD效能评估: 以武汉地铁2号线为例. 测绘地理信息, 2023, 48(2): 32-37.

[ Liu Xuejun, Wang Tong, Liu Hua, et al. Evaluation of TOD effectiveness in metro station areas based on multi-source data: A case study of Wuhan metro line 2. Journal of Geomatics, 2023, 48(2): 32-37.] DOI: 10.14188/j.2095-6045.2022772.

[11]
Su S, Zhang H, Wang M, et al. Transit-oriented development (TOD) typologies around metro station areas in urban China: A comparative analysis of five typical megacities for planning implications. Journal of Transport Geography, 2021, 90: 102939. DOI: 10.1016/j.jtrangeo.2020.102939.

[12]
Liao C, Scheuer B. Evaluating the performance of transit-oriented development in Beijing metro station areas: Integrating morphology and demand into the node-place model. Journal of Transport Geography, 2022, 100: 103333. DOI: 10.1016/j.jtrangeo.2022.103333.

[13]
Bertolini L. Spatial development patterns and public transport: The application of an analytical model in the Netherlands. Planning Practice and Research, 1999, 14(2): 199-210. DOI: 10.1080/02697459915724.

[14]
陆林, 邓洪波. 节点-场所模型及其应用的研究进展与展望. 地理科学, 2019, 39(1): 12-21.

DOI

[ Lu Lin, Deng Hongbo. Progress and prospect of the node-place model and its application. Scientia Geographica Sinica, 2019, 39(1): 12-21.] DOI: 10.13249/j.cnki.sgs.2019.01.002.

[15]
杨仙, 于洋, 周睿. 国外节点-场所模型的研究进展及其启示: 应用、扩展与系统化开发. 国际城市规划, 2022: 1-17.

[ Yang Xian, Yu Yang, Zhou Rui. Research progress of the node-place model abroad and its enlightenments: Applications, extensions and systematic development. Urban Planning International, 2022: 1-17.] DOI: 10.19830/j.upi.2022.013.

[16]
Zhang Y, Marshall S, Manley E. Network criticality and the node-place-design model: Classifying metro station areas in Greater London. Journal of Transport Geography, 2019, 79: 102485. DOI: 10.1016/j.jtrangeo.2019.102485.

[17]
Kamruzzaman M, Baker D, Washington S, et al. Advance transit oriented development typology: Case study in Brisbane, Australia. Journal of Transport Geography, 2014, 34: 54-70. DOI: 10.1016/j.jtrangeo.2013.11.002.

[18]
Vale D S. Transit-oriented development, integration of land use and transport, and pedestrian accessibility: Combining node-place model with pedestrian shed ratio to evaluate and classify station areas in Lisbon. Journal of Transport Geography, 2015, 45: 70-80. DOI: 10.1016/j.jtrangeo.2015.04.009.

[19]
Pezeshknejad P, Monajem S, Mozafari H. Evaluating sustainability and land use integration of BRT stations via extended node place model, an application on BRT stations of Tehran. Journal of Transport Geography, 2020, 82: 102626. DOI: 10.1016/j.jtrangeo.2019.102626.

[20]
Yang Y, Zhong C, Gao Q. An extended node-place model for comparative studies of transit-oriented development. Transportation Research Part D: Transport and Environment, 2022, 113: 103514. DOI: 10.1016/j.trd.2022.103514.

[21]
Li X, Li Y, Jia T, et al. The six dimensions of built environment on urban vitality: Fusion evidence from multi-source data. Cities, 2022, 121: 103482. DOI: 10.1016/j.cities.2021.103482.

[22]
Lu Y, Sarkar C, Xiao Y. The effect of street-level greenery on walking behavior: Evidence from Hong Kong. Social Science & Medicine, 2018, 208: 41-49. DOI: 10.1016/j.socscimed.2018.05.022.

[23]
Luo P, Yu B, Li P, et al. How 2D and 3D built environments impact urban surface temperature under extreme heat: A study in Chengdu, China. Building and Environment, 2023, 231: 110035. DOI: 10.1016/j.buildenv.2023.110035.

[24]
李莹, 王楠楠, 仝照民, 等. 基于随机森林的街道品质对房价的非线性影响研究: 以广州市为例. 热带地理, 2023, 43(8): 1547-1562.

DOI

[ Li Ying, Wang Nannan, Tong Zhaomin, et al. The nonlinear influence of street quality on housing prices based on random forest model: A case study of Guangzhou. Tropical Geography, 2023, 43(8): 1547-1562.] DOI: 10.13284/j.cnki.rddl.003724.

[25]
Yu Z, Zhu X, Liu X. Characterizing metro stations via urban function: Thematic evidence from transit-oriented development (TOD) in Hong Kong. Journal of Transport Geography, 2022, 99: 103299. DOI: 10.1016/j.jtrangeo.2022.103299.

[26]
Shin Y, Kim D, Kim E. Activity-based TOD typology for seoul transit station areas using smart-card data. Journal of Transport Geography, 2022, 105: 103459. DOI: 10.1016/j.jtrangeo.2022.103459.

[27]
张志健, 高顺祥, 陈越, 等. 基于改进节点-场所模型的城市轨道交通TOD评估. 交通运输研究, 2022, 8(3): 143-153, 165.

DOI

[ Zhang Zhijian, Gao Shunxiang, Chen Yue, et al. Evaluation of urban rail transit TOD based on enhanced node-place model. Transportation Standardization, 2022, 8(3): 143-153, 165.] DOI: 10.16503/j.cnki.2095-9931.2022.03.015.

[28]
Cummings C, Mahmassani H. Does intercity rail station placement matter? Expansion of the node-place model to identify station location impacts on Amtrak ridership. Journal of Transport Geography, 2022, 99: 103278. DOI: 10.1016/j.jtrangeo.2022.103278.

[29]
周敏, 王海明, 杨振珑, 等. 基于熵权-TOPSIS的成都市地铁TOD站点评价排序研究. 铁道运输与经济, 2023, 45(4): 150-156.

[ Zhou Min, Wang Haiming, Yang Zhenlong, et al. Evaluation ranking of Chengdu metro TOD stations based on entropy weight-TOPSIS. Railway Transport and Economy, 2023, 45(4): 150-156.] DOI: 10.16668/j.cnki.issn.1003-1421.2023.04.21.

[30]
张艳, 朱潇冰, 杨培霖, 等. “5D+”视角下城市轨道交通站点的TOD效能评价: 深圳市的实证研究. 现代城市研究, 2022, (9): 75-82.

[ Zhang Yan, Zhu Xiaobing, Yang Peilin, et al. TOD performance evaluation of urban rail transit stations from the perspective of “5D+” dimensions: An empirical study of Shenzhen. Modern Urban Research, 2022, (9): 75-82.] DOI: 10.3969/j.issn.1009-6000.2022.09.012.

[31]
盛洪涛. 武汉市交通发展年度报告. 武汉: 交通发展战略研究院, 2020: 54-56.

[ Sheng Hongtao. Annual report on Wuhan transportation development. Wuhan: Transportation Development Strategy Research Institute, 2020: 54-56.]

[32]
滕丽, 钟楚捷, 蔡砥. 广州市地铁TOD站域的空间类型分异: 基于“节点-场所-联系”耦合度模型的研究. 经济地理, 2022, 42(4): 103-111.

DOI

[ Teng Li, Zhong Chujie, Cai Di. Study on the spatial type differentiation of Guangzhou metro TOD zones: Based on “Node-Place-Linkage” coupling model. Economic Geography, 2022, 42(4): 103-111.] DOI: 10.15957/j.cnki.jjdl.2022.04.012.

[33]
叶宇, 张昭希, 张啸虎, 等. 人本尺度的街道空间品质测度: 结合街景数据和新分析技术的大规模、高精度评价框架. 国际城市规划, 2019, 34(1): 18-27.

[ Ye Yu, Zhang Zhaoxi, Zhang Xiaohu, et al. Human-scale quality on streets: A large-scale and efficient analytical approach based on street view images and new urban analytical tools. Urban Planning International, 2019, 34(1): 18-27.] DOI: 10.22217/upi.2018.490.

[34]
于晓雨, 许刚, 刘樾, 等. 长江三角洲地区城市建筑三维形态对地表热环境的影响. 中国环境科学, 2021, 41(12): 5806-5816.

[ Yu Xiaoyu, Xu Gang, Liu Yue, et al. Influences of 3D features of buildings on land surface temperature: A case study in the Yangtze River Delta urban agglomeration. China Environmental Science, 2021, 41(12): 5806-5816.] DOI: 10.19674/j.cnki.issn1000-6923.20210521.003.

[35]
Su S, Pi J, Xie H, et al. Community deprivation, walkability, and public health: Highlighting the social inequalities in land use planning for health promotion. Land Use Policy, 2017, 67: 315-326. DOI: 10.1016/j.landusepol.2017.06.005.

[36]
Chen L, Lu Y, Liu Y, et al. Association between built environment characteristics and metro usage at station level with a big data approach. Travel Behaviour and Society, 2022, 28: 38-49. DOI: 10.1016/j.tbs.2022.02.007.

[37]
Yao Y, Liang Z, Yuan Z, et al. A human-machine adversarial scoring framework for urban perception assessment using street-view images. International Journal of Geographical Information Science, 2019, 33(12): 2363-2384. DOI: 10.1080/13658816.2019.1643024.

[38]
王振振, 何明, 杜永萍. 基于LDA主题模型的文本相似度计算. 计算机科学, 2013, 40(12): 229-232.

[ Wang Zhenzhen, He Ming, Du Yongping. Text similarity computing based on topic model LDA. Computer Science, 2013, 40(12): 229-232.] DOI: 10.3969/j.issn.1002-137X.2013.12.049.

[39]
Li Z, Han Z, Xin J, et al. Transit oriented development among metro station areas in Shanghai, China: Variations, typology, optimization and implications for land use planning. Land Use Policy, 2019, 82: 269-282. DOI: 10.1016/j.landusepol.2018.12.003.

[40]
Ratner K A, Goetz A R. The reshaping of land use and urban form in Denver through transit-oriented development. Cities, 2013, 30: 31-46. DOI: 10.1016/j.cities.2012.08.007.

Options
文章导航

/

〈 〉