顏 冉 ，張 純，鄭 浩

（1. 安徽建筑大學(xué)建筑與規(guī)劃學(xué)院，合肥 230601；2. 澳門城市大學(xué)創(chuàng)新設(shè)計(jì)學(xué)院，澳門 999078；3. 北京交通大學(xué)建筑與藝術(shù)學(xué)院，北京 100044；4. 合肥市軌道交通集團(tuán)有限公司，合肥 230088）

隨著小汽車保有量的快速持續(xù)增長，城市交通擁堵以及由于擁堵衍生的交通安全、空氣質(zhì)量、城市活力低下等問題日趨嚴(yán)重，而城市軌道交通作為由小汽車向公共交通轉(zhuǎn)變的首選出行方式已成為普遍共識。另外，我國大城市已進(jìn)入軌道交通快速建設(shè)期，截至2020年底，全國(不含港澳臺)共有44個城市開通運(yùn)營城市軌道交通線路233條，運(yùn)營里程7 545.5 km，完成客運(yùn)量175.9億人次[1]。城市軌道交通對城市具有經(jīng)濟(jì)、社會、交通效益，如軌道交通促進(jìn)沿線地價和房價的升值，促進(jìn)社會不同階層的融合等，而客流量是反映軌道交通綜合效益的重要指標(biāo)。但不同站點(diǎn)的客流存在較大差異，理解和發(fā)現(xiàn)軌道交通客流的影響因素對于提升軌道交通客流量、配置站域土地資源以及實(shí)現(xiàn)可持續(xù)的交通發(fā)展具有重要意義。

在研究內(nèi)容上，現(xiàn)有研究集中于以站域建成環(huán)境為表征的土地利用對客流量的影響，建成環(huán)境主要從3D以及5D要素進(jìn)行展開分析。如彭詩堯等以粗細(xì)粒度的POI(point of interest，興趣點(diǎn))提取建成環(huán)境要素[2]，Ding等采用土地使用密度、多樣性、設(shè)計(jì)和距CBD的距離[3]，以及蘇海龍等采用密度、多樣性、設(shè)計(jì)和目的地可達(dá)性作為建成環(huán)境指標(biāo)[4]。

在城市軌道交通站點(diǎn)可達(dá)性對客流的影響方面，雖然大量研究發(fā)現(xiàn)軌道交通站點(diǎn)的可達(dá)性對客流具有重要影響，但限于數(shù)據(jù)和方法的限制，直接評估模型很少將站點(diǎn)可達(dá)性納入模型[5]。大部分現(xiàn)有研究根據(jù)站點(diǎn)類型，通過設(shè)置啞變量考慮站點(diǎn)在軌道網(wǎng)絡(luò)可達(dá)性的差異，但無法準(zhǔn)確反映出站點(diǎn)的網(wǎng)絡(luò)屬性。隨著網(wǎng)絡(luò)分析的應(yīng)用，尤其借鑒社會網(wǎng)絡(luò)分析，使得軌道交通網(wǎng)絡(luò)可達(dá)性的分析方法不再復(fù)雜。如孔祥夫等、Shao等和叢雅蓉等考慮了站點(diǎn)的接近中心度和中介中心度[5-7]。但現(xiàn)有研究很少考慮軌道交通站域步行可達(dá)性對客流量的影響，未考慮站點(diǎn)網(wǎng)絡(luò)可達(dá)性和站域步行可達(dá)性研究站域建成環(huán)境對軌道交通客流的影響，將會高估建成環(huán)境對軌道交通客流的影響作用。

在研究方法上，大多數(shù)研究采用經(jīng)典線性回歸模型，少數(shù)研究采用空間計(jì)量模型和地理加權(quán)模型反映軌道交通客流與建成環(huán)境之間的空間依賴關(guān)系。無論是經(jīng)典的線性回歸還是全局和局部的考慮空間效應(yīng)的空間計(jì)量模型，只能給出統(tǒng)計(jì)上顯著性，而無法給出影響的閾值效應(yīng)，然而后者對于站域土地利用的配置具有重要的現(xiàn)實(shí)指導(dǎo)意義。機(jī)器學(xué)習(xí)方法在城市交通領(lǐng)域的應(yīng)用[8-9]，使得該方法解釋和預(yù)測交通行為成為一種新趨勢。

為了量化建成環(huán)境對軌道交通客流的非線性影響，筆者通過梯度提升決策樹模型研究建成環(huán)境、可達(dá)性對軌道交通客流的影響重要度以及閾值效應(yīng)，為軌道交通站域的用地配置、交通政策制定等提供更精細(xì)化的指導(dǎo)和理論支持。主要研究以下問題：在考慮城市軌道交通可達(dá)性的基礎(chǔ)上站域建成環(huán)境多大程度上影響軌道交通的客流？可達(dá)性和建成環(huán)境對城市軌道交通客流是否存在非線性的影響？影響的有效閾值是怎么樣的？

1 研究范圍與數(shù)據(jù)來源

1.1 研究范圍

截至2020年11月，合肥已開通3條城市軌道交通線路，軌道交通的“井”字網(wǎng)絡(luò)骨架基本形成且處于快速成網(wǎng)階段；“井”字形中間環(huán)形線網(wǎng)位于老城區(qū)，放射性線網(wǎng)分別連接外圍不同方位新區(qū)。以合肥為研究案例可以為“多中心”城市通過軌道交通培育和發(fā)展城市副中心提供借鑒和參考?，F(xiàn)有研究中軌道交通站域的影響范圍一般與步行范圍保持一致，即PCA(pedestrian catchment area)，取值多在400～1000 m范圍，考慮合肥市軌道交通線網(wǎng)密度不足，研究范圍取軌道交通站點(diǎn)800 m緩沖區(qū)與站點(diǎn)泰森多邊形的疊加區(qū)域，即圖1中的泰森緩沖區(qū)作為站域建成環(huán)境對軌道交通客流的影響區(qū)。

圖1 軌道交通線路和站域影響范圍Figure 1 Rail transit lines and station area

1.2 數(shù)據(jù)來源

1.2.1 軌道交通客流數(shù)據(jù)

軌道交通站點(diǎn)客流數(shù)據(jù)來源于合肥市軌道交通集團(tuán)有限公司提供的2020年11月9日至11月22日連續(xù)兩周的客流量，其中換乘站的客流為該站點(diǎn)合并后的客流量，共計(jì)77個站點(diǎn)客流。

1.2.2 POI數(shù)據(jù)

為了探究城市建成環(huán)境對軌道交通客流的影響，筆者利用高德POI數(shù)據(jù)對建成環(huán)境要素進(jìn)行識別。在2020年通過python編程采集了研究區(qū)域內(nèi)商業(yè)設(shè)施、居住設(shè)施、交通設(shè)施、生活服務(wù)、休閑娛樂、公司企業(yè)和教育設(shè)施以及醫(yī)療保健等8類設(shè)施的POI數(shù)據(jù)。

1.2.3 城市道路網(wǎng)絡(luò)和軌道交通網(wǎng)絡(luò)

基于OSM(open street map，開放地圖)的城市道路網(wǎng)數(shù)據(jù)測度軌道交通站域步行可達(dá)性，基于合肥地鐵地圖(https://dt.8684.cn/hf)獲取的軌道交通站點(diǎn)和線網(wǎng)數(shù)據(jù)用于測度站點(diǎn)的網(wǎng)絡(luò)可達(dá)性。

2 變量選取與研究方法

2.1 因變量

選取2020年11月9日至11月22日連續(xù)兩周的工作日和周末客流的平均值作為因變量。

2.2 站域建成環(huán)境變量

筆者重點(diǎn)研究建成環(huán)境、站域步行可達(dá)性和站點(diǎn)網(wǎng)絡(luò)可達(dá)性作為解釋變量對軌道交通客流的影響。建成環(huán)境度量常采用3D或者5D指標(biāo)，其中3D為密度(Density)、多樣性(Diversity)和設(shè)計(jì)(Design)，5D是在3D的基礎(chǔ)上增加了到公共交通的距離(Distance)和目的地可達(dá)性(Destination)。由于合肥市軌道交通處于快速發(fā)展時期，與高密度軌道交通線網(wǎng)的特大城市相比，其軌道交通的服務(wù)輻射半徑較大，結(jié)合15 min步行圈，選取軌道交通站域800 m泰森緩沖區(qū)作為土地利用以及可達(dá)性變量的統(tǒng)計(jì)單元，站域600 m緩沖區(qū)作為公共交通變量的統(tǒng)計(jì)單元。

建成環(huán)境要素中，密度指標(biāo)指公司企業(yè)、政府機(jī)構(gòu)、社會團(tuán)體、住宅小區(qū)，以及購物、休閑娛樂、餐飲等POI的密度[2]；多樣性采用POI的熵指數(shù)(Entropy)進(jìn)行表征，具體計(jì)算公式如下：Si為緩沖區(qū)內(nèi)第i類POI占總POI的比重，N為POI的類別數(shù)。建成環(huán)境變量的描述性統(tǒng)計(jì)見表1。

表1 建成環(huán)境變量的描述性統(tǒng)計(jì)Table 1 Descriptive statistics of built environment variables

2.3 站點(diǎn)網(wǎng)絡(luò)可達(dá)性和站域步行可達(dá)性

2.3.1 站點(diǎn)網(wǎng)絡(luò)可達(dá)性

以往研究通過設(shè)置虛擬啞變量區(qū)別換乘站，而忽略了站點(diǎn)在軌道交通網(wǎng)絡(luò)中可達(dá)性的差異，筆者借鑒社會關(guān)系網(wǎng)絡(luò)(social network analysis，SNA)[10]中的中心度(Centrality)概念，以此表征站點(diǎn)網(wǎng)絡(luò)的可達(dá)性。站點(diǎn)的中介中心度(betweenness centrality)是指網(wǎng)絡(luò)中任意兩站點(diǎn)間最短路徑的數(shù)量與經(jīng)過該站點(diǎn)最短路徑數(shù)量比值的和，即，其中δst為站點(diǎn)s和站點(diǎn)t之間的最短路徑數(shù)，δst(u)為站點(diǎn)s和站點(diǎn)t之間的最短路經(jīng)過站點(diǎn)s的個數(shù)，軌道交通站點(diǎn)中介中心度如圖2所示。

圖2 軌道交通站點(diǎn)中介中心度Figure 2 Betweenness centrality of rail transit stations

2.3.2 站域步行可達(dá)性

基于ArcGIS的空間網(wǎng)絡(luò)分析軟件(sDNA)進(jìn)行站域可步行可達(dá)性的計(jì)算。由于在空間網(wǎng)絡(luò)分析中，不同分析半徑下的可達(dá)性結(jié)果對應(yīng)著相應(yīng)距離出行行為對道路的選擇度[11]。以600 m作為城市道路網(wǎng)的步行可達(dá)性的分析半徑，通過空間連接得到泰森緩沖區(qū)內(nèi)的可步行道路，將可步行道路的最短歐式距離(mean euclidean distance)的平均值作為軌道交通站域的步行可達(dá)性，該指標(biāo)可以反映軌道交通站域短距離出行可達(dá)性的大小，其值越大步行可達(dá)性越小，反之則步行可達(dá)性越大，其描述性統(tǒng)計(jì)見表2。

表2 站點(diǎn)可達(dá)性的描述性統(tǒng)計(jì)Table 2 Descriptive statistics of accessibility variables

2.4 研究方法

采用梯度提升決策樹(gradient boosting decision trees，GBDT)模型研究建成環(huán)境和可達(dá)性對軌道交通客流的影響程度。GBDT模型是一種最初被應(yīng)用于計(jì)算機(jī)領(lǐng)域的機(jī)器學(xué)習(xí)算法[12]，與傳統(tǒng)的統(tǒng)計(jì)計(jì)量模型相比，GBDT是一種基于集成算法的機(jī)器學(xué)習(xí)，無需滿足自變量間相互獨(dú)立以及因變量正態(tài)分布的前提條件，便可以解釋自變量對因變量的影響效應(yīng)，且能靈活地處理缺失值和異常值。因其強(qiáng)大且有效的預(yù)測和識別能力，近幾年來被應(yīng)用到交通領(lǐng)域[3]，并取得了較好的預(yù)測效果，因此筆者選用GBDT模型研究建成環(huán)境對軌道交通客流量的分析方法是可行的。但GBDT模型也存在局限性，不能給出自變量對因變量影響的顯著性和置信區(qū)間，但可以使用相對重要度排名替代。另外GBDT是基于樹的模型，隨著迭代容易過擬合，即數(shù)據(jù)在訓(xùn)練集上有很好預(yù)測表現(xiàn)但在測試集上的表現(xiàn)較差，這一問題可以通過交叉驗(yàn)證和調(diào)參等解決[12]。

GBDT模型每次迭代均基于之前決策樹的殘差來擬合當(dāng)前的決策樹以達(dá)到降低模型殘差的目的。模型算法是基于梯度值進(jìn)行優(yōu)化，主要是通過擬合當(dāng)前模型的損失函數(shù)的負(fù)梯度值進(jìn)行建模。其中梯度值表達(dá)式為，其中m為迭代次數(shù)，為損失函數(shù)，非首次迭代模型的損失函數(shù)的負(fù)梯度值即為殘差

具體算法流程如下：

2) 從1迭代至M個子模型，進(jìn)入子模型訓(xùn)練：

Step3：使用負(fù)梯度值作為目標(biāo)值，擬合一顆回歸樹模型hm(xi)，從而得到當(dāng)前模型的參數(shù)γm，即

Step5：判斷模型是否達(dá)到精度要求，是則運(yùn)算結(jié)束，否則返回step1。

3) 輸出模型評估結(jié)果。

模型最終將所有決策樹輸出結(jié)果的均值作為各建成環(huán)境變量對軌道交通客流的影響程度，計(jì)算公式為：其中Ti為自變量xi對軌道交通客流的影響程度，tj為第j棵決策樹輸出的影響程度。

3 結(jié)果與分析

通過GBDT模型，在考慮可達(dá)性的基礎(chǔ)上研究建成環(huán)境對軌道交通客流的影響程度，基于Python的sklearn庫模塊中boosting包求解GBDT模型。為了獲取更穩(wěn)健的結(jié)果，采用5次交叉驗(yàn)證確定模型參數(shù)，模型主要參數(shù)為樹的深度、樹的數(shù)量和步長。設(shè)定決策樹的數(shù)量為2 000，步長為0.001，樹的深度為4，模型最優(yōu)時工作日和周末客流模型的偽R2分別為0.54和0.48。

3.1 整體效應(yīng)分析

建成環(huán)境和站點(diǎn)可達(dá)性對軌道交通客流量影響的相對重要度見表3、4，建成環(huán)境和站點(diǎn)可達(dá)性對軌道交通客流的貢獻(xiàn)總計(jì)為100%，其中建成環(huán)境的貢獻(xiàn)度為63%～66%，站點(diǎn)可達(dá)性的貢獻(xiàn)度為34%～37%，表明無論是工作日還是周末，在考慮站點(diǎn)可達(dá)性的基礎(chǔ)上站域建成環(huán)境對于軌道交通客流仍具有重要的影響，這與現(xiàn)有研究結(jié)論保持一致[3]。

表3 建成環(huán)境和可達(dá)性對軌道交通客流影響的相對重要度和排名(工作日)Table 3 Relative importance and ranking of built environment and accessibility on ridership (weekdays)

在工作日，相對重要度排名第一的是軌道交通站點(diǎn)周邊道路網(wǎng)的步行可達(dá)性，其貢獻(xiàn)率為33.5%，且站點(diǎn)步行可達(dá)性對周末客流仍有很高的貢獻(xiàn)(貢獻(xiàn)率27.7%，重要度第二)，說明軌道交通站域步行可達(dá)性對其客流具有重要的影響；這或許是因?yàn)楹戏受壍澜煌ㄉ刑幱诔删W(wǎng)的初期階段，在城市層面軌道交通網(wǎng)絡(luò)的可達(dá)性并不高，換乘便利度仍處于較低水平(這與軌道交通的中介中心度的貢獻(xiàn)率僅為3.2%和6.5%的結(jié)論較為相符)，主要影響居民選擇軌道交通出行的是站域內(nèi)的步行可達(dá)性，這意味著改善或提升站域步行可達(dá)性將會較大地增加軌道交通客流量。與工作日相比，站點(diǎn)的中介中心度的貢獻(xiàn)率提高了3.15%，意味著對于周末軌道交通出行的居民，換乘的概率要高于工作日，這可能與周末出行活動的時間彈性較大有關(guān)。

表4 建成環(huán)境和可達(dá)性對軌道交通客流影響的相對重要度和排名(周末)Table 4 Relative importance and ranking of built environment and accessibility on ridership (weekend)

與工作日相比，建成環(huán)境對周末軌道交通客流的貢獻(xiàn)度提高了2.5%，重要度排名第一的是POI密度，即周末站點(diǎn)客流與高密度POI正相關(guān)，這或許與周末出行的目的大多為休閑娛樂有關(guān)，POI密度越高其包含的休閑娛樂功能越多。土地利用的熵指數(shù)對客流也具有重要影響，工作日和周末的貢獻(xiàn)度分別為29.7%和17.5%，表明站域范圍內(nèi)土地利用密度和混合度是影響軌道交通客流的主要建成環(huán)境要素。

3.2 獨(dú)立效應(yīng)分析

以往大多數(shù)研究采用多元線性回歸分析，剝離出每個解釋變量“自己”對因變量的線性影響，或取對數(shù)或者平方來檢驗(yàn)建成環(huán)境變量對軌道交通客流量的非線性影響。筆者基于GBDT模型的部分依賴圖，通過控制其他變量為均值，顯示建成環(huán)境解釋變量對軌道交通客流的非線性影響以及閾值效應(yīng)，為指導(dǎo)站域土地配置和交通政策的制定提供依據(jù)。由于工作日軌道交通客流對于交通擁堵以及可持續(xù)交通發(fā)展具有重要的影響，接下來以工作日軌道交通客流為例探討這種非線性影響和閾值效應(yīng)是否存在。

由圖3可知，5個維度的建成環(huán)境變量對軌道交通客流量均存在非線性影響，且有明顯的閾值效應(yīng)。如POI密度由35增加到45(100個/km2)，軌道交通客流可以提高8 000人次/d，超出45的閾值后將不在影響軌道交通客流量；交叉口密度從9個/km2增加到18個/km2相應(yīng)的軌道交通客流增加約900人次/d，這也與現(xiàn)有研究[3]結(jié)論相一致。

圖3 建成環(huán)境對軌道交通站點(diǎn)客流量影響的部分依賴Figure 3 Effects of the built environment on rail transit ridership

站域周邊公交站點(diǎn)密度對軌道交通客流表現(xiàn)出明顯的非線性影響，且存在閾值效應(yīng)。當(dāng)公交站點(diǎn)密度小于4個/km2時，公交站點(diǎn)對軌道交通客流幾乎沒有影響，當(dāng)大于4個/km2小于6.5個/km2時呈現(xiàn)正線性影響，大于7個/km2時呈現(xiàn)負(fù)線性影響。這意味著在軌道交通成網(wǎng)階段，公共交通作為軌道交通的補(bǔ)充，其站點(diǎn)密度需控制在一定規(guī)模范圍內(nèi)才能使得這種補(bǔ)充功能發(fā)揮到最大。

與CBD的距離對軌道交通客流的影響在2.5 km范圍內(nèi)為負(fù)向影響，與Ding[3]對華盛頓都市區(qū)的負(fù)向影響的研究結(jié)果不同的是與CBD的距離大于2.5 km時其對軌道交通客流具有正向影響，但這一結(jié)果與其他研究相一致：距CBD遠(yuǎn)的站點(diǎn)比近的站點(diǎn)更具有較大的客流[13-14]。這或許是因?yàn)楹戏蔆BD區(qū)域的面積較小(約6 km2)且聚集了商業(yè)、醫(yī)療、教育等優(yōu)質(zhì)資源，造成在2.5 km吸引范圍內(nèi)的負(fù)相關(guān)結(jié)果，在大于10 km的區(qū)域公共交通的服務(wù)水平欠佳、軌道交通出行的優(yōu)勢得以顯現(xiàn)，以及外圍商圈和就業(yè)中心的不斷發(fā)展等原因引起的正相關(guān)結(jié)果。這意味著合肥已不再是單中心的城市結(jié)構(gòu)，同時軌道交通應(yīng)成為多中心多組團(tuán)間客流的走廊。

熵指數(shù)對軌道交通客流具有非線性影響，當(dāng)混合度小于0.37時對客流幾乎沒有影響；當(dāng)混合度由0.38增加至0.66時，站點(diǎn)客流增加了1 500人次/d；當(dāng)混合度由0.67增加至0.72時，站點(diǎn)客流增加了3 000人次/d；當(dāng)混合度大于0.73時對客流幾乎沒有影響。與Ding在美國華盛頓區(qū)[3]的實(shí)證研究結(jié)論不同的是：熵指數(shù)的影響閾值并非單一的0.5，而是0.38和0.67兩個閾值，且不同混合度閾值水平對客流的影響程度不同，高混合度對應(yīng)著高客流影響程度。

由圖4可知，可達(dá)性同樣對軌道交通客流存在非線性的影響，且有明顯的閾值效應(yīng)。軌道交通站域步行可達(dá)性的平均最短距離在1 km以內(nèi)對應(yīng)著軌道交通的高水平客流；當(dāng)平均最短距離在1 km至1.5 km范圍時，對軌道交通客流具有顯著的負(fù)向影響；當(dāng)平均最短距離大于1.5 km，則幾乎對軌道交通客流沒有影響；且站域步行可達(dá)性對軌道交通客流的影響重要度最大。這說明站域的步行可達(dá)性與步行尺度相對應(yīng)，由于在sDNA中對于600 m的搜索半徑，不同道路等級對應(yīng)著不同平均最短距離，道路等級越高，其平均最短距離越大，等級越低，其平均最短距離越小，即步行可達(dá)性越高。因此應(yīng)注重站域輻射范圍內(nèi)低等級道路的規(guī)劃設(shè)計(jì)，提高支路網(wǎng)的密度改善步行可達(dá)性將會提升軌道交通客流量；同時這也反映出站域1 km是軌道交通站點(diǎn)的服務(wù)范圍輻射區(qū)。

圖4 可達(dá)性對軌道交通站點(diǎn)客流量影響的部分依賴Figure 4 Effects of the accessibility on rail transit ridership

軌道交通站點(diǎn)的中介中心性對軌道交通客流具有非線性影響，中介中心性在0～0.1時表現(xiàn)為負(fù)向影響，這或許跟軌道交通首末站的客流較大有關(guān)系，在中介中心性大于0.1時呈現(xiàn)正向影響，即隨著中介中心性的增加，軌道交通客流也不斷增加，其有效閾值為0.24，中介中心性大于0.25后其客流將保持一定水平不再變化。這表明軌道交通站點(diǎn)與軌道交通網(wǎng)絡(luò)的關(guān)系會影響其客流量的大小，所以軌道交通線網(wǎng)規(guī)劃時仍需注重站點(diǎn)在軌道交通網(wǎng)絡(luò)中的位置及關(guān)系。盡管在本文中中介中心性對軌道交通客流的影響效應(yīng)較小，這與合肥市軌道交通處于成網(wǎng)初期(僅有3條軌道交通線路)，軌道交通網(wǎng)絡(luò)本身的服務(wù)范圍有限、網(wǎng)絡(luò)效應(yīng)尚未得以充分體現(xiàn)有關(guān)，但隨著軌道交通不斷成網(wǎng)，站點(diǎn)在網(wǎng)絡(luò)中的中介中心性將會發(fā)生變化，與此相應(yīng)的軌道交通客流量如何變化以及制定交通與土地利用一體化政策，這也是未來進(jìn)一步研究的內(nèi)容。

4 結(jié)論與展望

筆者通過梯度提升決策樹模型探究了站域建成環(huán)境和可達(dá)性對軌道交通客流的非線性影響及閾值效應(yīng)。研究結(jié)果發(fā)現(xiàn)：

1) 在控制軌道交通站點(diǎn)網(wǎng)絡(luò)可達(dá)性和站域步行可達(dá)性的基礎(chǔ)上，站域建成環(huán)境仍然對軌道交通客流具有很強(qiáng)的影響效應(yīng)，建成環(huán)境對軌道交通客流的影響貢獻(xiàn)度為63%～66%，驗(yàn)證了土地利用對軌道交通客流的強(qiáng)相關(guān)關(guān)系。其中POI密度和熵指數(shù)的影響貢獻(xiàn)度分別約為20%和18%，意味著站域范圍內(nèi)高密度以及混合的土地使用是提升軌道交通客流的關(guān)鍵。

2) 站域建成環(huán)境對軌道交通的存在明顯的非線性影響及閾值效應(yīng)，如POI密度、公交站點(diǎn)密度以及交叉口密度的有效閾值分別為4 500個/km2、6個/km2和4.2個/km2；熵指數(shù)的有效閾值為0.38和0.67兩個水平，且不同混合度閾值水平對客流的影響程度不同，高混合度對應(yīng)著高客流影響程度。

3) 站域步行可達(dá)性即平均最短距離，以及站點(diǎn)網(wǎng)絡(luò)可達(dá)性(中介中心度)也對軌道交通客流具有非線性的影響和閾值效應(yīng)，其有效閾值分別為1 km和0.25。

由于軌道交通站點(diǎn)客流量的影響因素繁多復(fù)雜，以下不足在接下來的研究中仍需進(jìn)一步完善：

一是忽視了個體社會經(jīng)濟(jì)屬性對站點(diǎn)客流的影響。由于居民個體屬性，尤其是出行偏好也會影響軌道交通的使用，進(jìn)而影響站域軌道交通客流量，研究如何發(fā)揮個體的軌道交通出行偏好，以及如何培育站域周邊居民的軌道交通出行偏好，對于交通方式的轉(zhuǎn)換和可持續(xù)的交通發(fā)展具有重要意義；

二是忽視了共享單車對軌道交通的接駁作用。共享單車尤其是無樁式共享單車，由于其靈活、便捷的特點(diǎn)，是公共交通實(shí)現(xiàn)門到門出行、解決“最后一公里”問題的有效接駁方式。研究共享單車的接駁和站域騎行空間的環(huán)境品質(zhì)對軌道交通站點(diǎn)客流的非線性影響和閾值效應(yīng)，可以為共享單車的投放和騎行環(huán)境的優(yōu)化提供依據(jù)。全面考慮物質(zhì)空間環(huán)境和個體屬性將與實(shí)際情況更相符，更能精細(xì)化地指導(dǎo)站域土地利用的配置、空間環(huán)境的改善和交通政策的制定。