城轨站点与站域物流服务终端设施的互动机理研究——以北京市为例

鲁晓春，丁 旭

(北京交通大学 经济管理学院，北京 100044)

一、引 言

将城市轨道交通与土地利用的互动区域定义为“站域”，其并没有明确的量化范围[1]。站在城市发展的角度，轨道交通承载了最大规模市内人口流动，改善了站域的可达性，出现了站域中的土地竞争。物流需求是一种引致需求，社会经济活动的生产、交换、分配及消费的过程中都伴随物流需求的产生[2]。物流、交通等均是社会经济活动的物质化体现[3]，物流需求的产生必将伴随社会经济活动的发生。物流服务设施包括仓库、快递网点、自提柜等，是社会经济活动的必要节点和基本支撑。

北京市作为超大城市的典型代表，人口规模庞大，社会系统复杂[4]。根据北京市交通发展年报，2019年，居民上下班、上下学、生活类出行占出行总量比例分别为42.3%，4.7%，52.9%，其中，轨道交通运量占客运总量的47.2%，达到39.62亿人次。轨道交通已成为北京市客运量最大的城市客运方式，其产生的乘数效应和放大效应，可带动社会服务设施的涌入和公共服务设施功能效用的放大[5]，因而，城轨站点客流与站域物流设施数量可能存在内在关系，但目前尚未有关于轨道交通对物流服务设施选址影响的实证分析，将二者建立数据模型，往往发现模型很难成立。

2018年11月，中共中央、国务院明确要求以疏解北京非首都功能为抓手，推动京津冀协同发展，对物流产业进行调整。据《北京日报》报道，2015年到2019年，北京市累计疏解提升市场、物流中心919个。另一方面，城市居民生活离不开物流服务。新颁布的《北京城市总体规划(2016年-2035年)》第47条明确提出“推动快递网点、便民服务点、自助寄递柜、网购服务站等物流服务终端设施建设，完善邮政普遍服务体系”。本文以北京市为例，对复杂社会系统中人流与物流的互动机理进行分析探讨，并基于站域内特征向量特点建立SVR设施数量预测模型，以期为超大城市物流设施布局、物流需求与物流配套设施、轨道交通综合体系规划提出新思路和有针对性的参考意见。

二、研究现状

近年来，国内外研究早就注意到轨道交通对城市发展的影响。这些研究涉及了轨道交通与土地利用类型[6]及开发强度或密度[7-8]、邻域特征的异质性[9]、土地价值[10-11]的互动关系等内容，发现城市轨道交通与站域土地利用存在复杂的相互作用关系，城市交通与土地利用是相互制约、相互影响的[12]。相关研究中，选取个别站点进行微观分析[13]的方法不能体现宏观层面的互动关系，利用大数据能够弥补微观分析中局部放大、难窥整体的不足。

现有实证研究城市轨道交通设施的集聚作用时，利用轨道交通站点建造前后，或相似地点有无轨道交通站点进行对比的研究方法，但这两者的主体均为设施的建造地点，而非设施，且两种方法都无法将城市发展因素纳入控制变量，难以排除干扰因素[14]。

城轨站点对物流设施选址的影响缺乏量化实证研究，本文利用大数据研究轨道交通站点客流与站域物流服务终端设施的互动机理，希望在一定程度上解释二者的互动关系与内在影响机制。

三、相关性分析

基于空间理论，Hillier[15](1996)指出行为模式的逻辑折射出空间形态的建构逻辑，站点与站域空间是出行、物流等等社会经济活动之间彼此关联的物质化体现。周佳宁等[16](2020)发现，在人流或资金流相对紧密的多中心网络结构中，物流呈现突出的“核—辐”结构，北京物流网络结构中，站点-物流设施的辐射特征凸显。

(一)数据收集及处理

通过高德地图WEB服务API获取了北京六环内共计8 003个物流终端服务设施GIS数据，清洗后得到7076个设施点，其中包含快递网点、自提柜及邮局等物流设施类型。如图1所示，物流设施在城市中心聚集，分布密度由内部向外部圈层逐渐降低，城市中心的聚集效应凸显，符合产业布局圈层分布特点。本文整理了2017年5月8日北京市轨道交通各站点刷卡记录，处理后得各站点出入站客流量，其中不包含换乘的乘客及无效的出入站数据，空间分布如图2所示。

(二)站点客流量与站域物流服务设施数量的相关性分析

本文选择使用最广泛的圆形边界方法界定站域边界，在划定站域的辐射范围时，以往研究基于站点的步行可达范围，各城市取值不同[17]。现今共享单车成为站点与写字楼、商场、住宅等区域连接的新方式，改善了站点可达性[1]，扩大了站域半径。因此,本文以站点为圆心，选取r∈[250,3 000]的站域半径(单位：米)，通过API接口获取相应范围物流设施数量，数据描述见表1。文中客流量一词除特殊说明外均包括进、出站客流。

表1 描述性统计

为消除量纲不同导致聚类及预测结果产生的偏差，将数据归一化，原始值映射到[0,1]。通过表2客流-设施相关性及显著性分析发现，客流量与r=250的站域物流设施数量显著无线性相关关系。如图3所示，斯皮尔曼系数略高于皮尔逊系数，客流-设施之间存在等级相关性，半径r∈[1000,1500]时相关性较高，客流对物流设施数量的影响半径在1500米时达到最大，随后下降。

表2 站点客流量与站域物流服务设施数量相关性

图3 相关系数随站域半径的变化

由于客流量、物流服务设施数量均未通过K-S正态性检验，因此，下文将不再报告皮尔逊相关系数的数值。

(三)城市轨道交通站点分类

基于系统聚类法对站点分类，聚类变量为出站客流量与站域半径r=2 000时的物流服务设施数量，分布如图4所示。样本间和类间分别采用平方欧式和组间平均距离。初步聚类将站点分为正、负相关两类，见表3。两类站点客流量与250 m内的物流设施数量无相关性，物流设施不会紧邻站点布局选址，正相关型站点占95%，其客流量与物流设施数量呈中度相关，客流量对物流设施选址存在正向影响。对于负相关型站点，R∈[250,1000]时，无显著相关关系。R∈[1500,2000]时，12个站点客流与物流设施数量呈强负相关，表明虽然站点客流规模较大，但并未吸引更多物流设施选址布局。

图4 出站客流量-物流服务终端设施数量(r=2000)散点图

表3 基于客流量-物流设施数量相关性的地铁站点分类

如图4所示，实心圆和空心圆分别表示正、负相关站点。正相关站点之间存在明显分布差异，需进行二次聚类，样本间及类间分别采用皮尔逊相关性和组间平均距离，聚类结果见表4。站点辐射强度随站域半径增加而增加，r=1000时相关性最强，中等正相关型及强正相关型站点出站客流-设施相关系数分别为0.749、0.925，此时基于出站客流量和站域物流设施数量能够得到较为精准的预测结果。

经过二次聚类，得到强正，中等及强负相关三类站点，如图5所示，分别用黑色、灰色及空心圆表示。根据表3、表4，强正站点的客流量与设施量的相关系数均大于0.9，表现出高度相互促进的关系。但当客流持续增加后，如图5所示，站域内设施数不增反减，表现出客流-设施“阈值效应(threshold effects)”。

表4 正相关站点二次聚类结果

图5 出站客流-物流服务终端设施归一化数量分布图

四、负相关影响因素探究

(一)特征变量筛选

空间句法理论指出，轨道交通乘降量受具体出行目的的拉动(通勤、上下学、消费等)[17]，选择公司企业、居民住宅、商场、商业楼宇四大特征变量，其包含的设施类型见表5。

表5 特征变量及相应设施

偏相关分析结果见表6。控制变量为X1-X4时，正相关站点的客流-设施相关性最低，由中相关下降为不相关，表明剔除特征变量的影响后，客流量与设施数量不相关，但相关系数未下降到0，特征变量非调节变量。当控制变量为X1、X4时，负相关站点客流-设施相关性最低，由强相关下降为弱相关。

表6 控制变量的偏相关分析

(二)中介效应模型构建

假设H1：站点吸引力增加将显著提升站点的经济辐射作用，表现为站域物流设施的集聚。即站域各类型设施数量的增加会增加物流设施数量，体现了物流作为引致需求的依赖性。

假设H2：站域商场、居民住宅等数量代表站点吸引力。高吸引力带来站点客流量增加。

假设H3：客流量在站点吸引力与经济辐射作用中起中介效应。

假设H3.1：正相关站域中商场、住宅、商业楼宇及公司企业的集聚会增加站点客流，从而产生正向经济辐射作用，表现为物流设施数量增加。

假设H3.2：负相关站域中商场、公司企业的集聚会产生抑制作用，表现为物流设施数量减少。

图6是中介效应模型。

图6 中介效应模型

建立如下中介效应模型：

logisticsi=cj*Xij+e1

(1)

passengersi=aj*Xij+e2

(2)

logisticsi=c'j*Xij+bj*passengersi+e3

(3)

其中，Xij表示i站点r=2 000时站域内特征变量j的数量，代表居民社会经济活动的直接体现，城市居民的出行直接动因，logisticsi为r=2 000时站域物流设施数量，代表引致需求的物质化体现，passengersi表示站点i当日出站客流量。

目前，相关研究主要采用Bootstrap法对中介、调节及混合效应进行检测，该方法对检验统计分布不做要求，具有更加广泛的适用性和更高的检验力[18]。利用偏相关分析筛选的特征变量构建中介效应模型并采用偏差校正的Bootstrap法对样本进行50 000次含放回的重复取样。

正相关型站点中介效应结果见表7。第一阶段，模型(2)中的系数a显著为正，H2得到验证，特征变量能促进站点吸引力的提升；第二阶段，模型(1)中的系数c显著为正，H1得到验证，表明站点吸引力的提升促进了站点物流设施的集聚；同时，模型(3)中的系数b与c'均显著为正，H3.1得到验证，商场等设施的聚集带来客流量的增长，对物流设施的聚集产生了正向的辐射作用。同时，系数c'显著，且abc'同号，存在部分中介效应，H3得到验证，直接和间接效应同时存在，表明商场等设施集聚促进物流服务终端设施集聚的同时也会通过客流量的增加间接促进物流设施的集聚，且商业楼宇集聚更能促进物流设施集聚形成。终端物流服务设施除发挥最后一公里配送或临时代收的作用之外，同时在居民住宅与CBD区域承担面向C端客户(企业客户)和B端客户(个人客户)的揽收职责，站点客流量在一定程度上能够代表两类收寄需求规模，因此，居民住宅、商业楼宇、公司企业等数量增加代表原生需求增加，提升站点吸引力后增加了具有派生性的物流需求。

表7 正相关型站点中介效应

负相关型站点中介效应模型见表8，X1通过Bootstrap检验，间接效应显著，中介效应占总效应的比值为ab/c= 41.55%，商场对物流服务设施数量42%的影响通过客流量间接传递。X4未通过Bootstrap检验，中介效应不显著，故未在表中列出。商场与其他特征变量不同，表现出了完全不同的设施互动特点。模型(3)中出站客流量系数在99%的显著性下为-0.4886，表明站域商场数量相同时，客流量大的站点，站域物流设施数量反而少，H3.2得到验证。

表8 负相关型站点中介效应

客流对物流呈现抑制作用有两方面原因：一方面、商场客流量大、流动性强，线下购物场景中物流需求产生或转化的空间较小；另一方面，根据土地竞租理论，商业房地产的竞租能力较强，能支付最高的地租，通常聚集于城市集聚效应最高的地方，最终形成商业中心[19]，如北京的王府井商圈。地租是物流设施选址的敏感因素，商场吸引的大量客流不能促进物流业态发展，相反，处于商圈区域的物流企业需要面对巨大的成本压力，从而导致物流企业退出商圈集聚区。

图7为负相关中介效应模型。

图7 负相关的中介效应模型

结合偏相关分析结果，可以得出：站域商场数量是呈现负相关原因之一，商场集聚不一定显著增加站点客流量，但无论是否显著增加站点客流量都会增加站域土地价格，对物流设施的集聚产生抑制作用。

五、基于支持向量回归的预测模型

本文通过中介效应模型分析了客流量、物流设施与若干特征变量的关系，但仅利用中介效应模型无法预测设施数量。因而,本文进一步构建了基于支持向量回归(SVR, Support Vector Regression)的预测模型。SVM无需假设样本数据的分布特征，适用于样本在不同分类下呈现不同分布特征的情况[20]。黄毅,夏国恩[21](2011)使用SVR提取了区域物流需求关键影响因素，并预测广西物流需求，但不同区域的影响因素及其作用强度有所不同，无法一概而论。

(一)站域物流服务终端设施数量预测

轨道交通经济的核-辐效应表现为站域原生需求集聚，带动派生需求。物流服务设施具备公共服务的功能，与原生需求紧密联系，故站点建设时考虑站域的物流服务设施数量并为其留下布局空间体现出必要性。

以出、入站客流量为自变量，站域物流设施数量作为待预测因变量。设SVR模型：

Y=SVR(X1,X2)

上文分析发现客流-设施存在促进、抑制两种互动关系，并得到正、负、强正、中度相关四个预测样本集。本文选择径向基核函数(RBF)，训练集与测试集比例为3:7， Gamma和Cost取值范围分别为[10-6，10]和[10-6，107]，设置十折交叉验证，最优模型见表9。样本集分别对应表3及表4类别的站点集合，拟合曲线如图8所示，测试集MSE较小，说明模型有效。

图8 SVM回归模型强正相关测试集拟合曲线

表9 SVR模型物流服务设施数量的预测效果

二次聚类站点的训练模型测试集MES相比类别一、二分别降低了44.25%和92.89%。

(二)数值实验

回龙观和西二旗站点分别归类为正、负相关型站点，下文将通过两者站域的特征设施数量和客流量，预测物流设施数量。商场数量与不同样本集站点客流量相关性相反，见表10。回龙观站点加入正相关型模型后，相关性增加，加入负相关型相关性降低，从而分别将正、负相关SVR模型应用于相应站点。

表10 站点相关性变化

六、结论及启示

(一)主要研究结论

北京市轨道交通网络化的形成，带来了巨大的经济和社会效益。本文以北京市轨道交通站点客流及站域物流服务设施的互动关系为研究问题，借助相关分析探讨了两者的互动关系，利用中介效应模型分析了呈现不同互动关系的原因，在宏观尺度理解其作用机制，并基于互动关系建立了SVR预测模型，得到以下结论：

1.城市轨道交通站点和物流服务设施是城市人流和物流的关键节点，两者之间存在复杂相互作用关系，并表现出客流-设施“阈值效应”，客流规模超过阈值时，站点对物流服务设施聚集的廊桥或辐射效应转变为抑制效应。与客流量和土地利用密度之间的关系不同，土地利用虽存在密度阈值，但超过阈值后客流量急剧增加[7]。

2.以物流服务设施数量为自变量，客流量为因变量，特征变量为中介变量建模时，中介效应均不显著，我们认为轨道交通客流是物流设施选址的促进因素，而不是根本原因，是设施选址发生的“必要但不充分的条件”。

3.物流服务终端设施在宏观层面体现出公共服务的功能特点，但在微观层面，物流服务终端设施表现出了成本敏感的特点。需求及潜在需求的增加都将促进物流企业集聚，成本增加则会抑制集聚。站域商场集聚的情况下，需求未增加的同时成本增加，因此，产生抑制效应。

(二)启示

上述研究结果对超大城市轨道交通站点-站域规划建设及物流需求分析具有以下启示：

1.统筹规划轨道交通站点与站域建设。城市轨道交通是现代城市交通系统的重要组成部分，是城市公共交通系统的骨干，是城市人流移动和物流需求发生地转移的主要载体。北京市作为典型特大城市，物流需求向站点聚集的特征突出，应统筹考虑站点与站域的建设，为物流服务设施布局留下空间。

2.推进物流终端服务设施与其他公共设施的融合。特大城市在探索全新的减量发展体制机制时，推进具有公共服务特点设施的融合，发挥空间优势，优化物流服务终端设施利用方式。未来，针对道路运输瓶颈可探索地上-地下一体化的物流网络布局规划，站点和物流终端服务设施一体化建设，达到人流-物流双流合一，减少物流运输的中间环节。

3.应用先分类后预测的方式精准预测站域物流服务终端设施数量。以客流预测物流需求的前提是站点分类，并针对不同类别分别建立SVR预测模型，能够大幅提升预测精度。此预测模型可迁移应用于地下物流需求预测，有利于地下物流系统的规划设计，是规划的基础数据。