公共交通导向发展的研究进展与展望

TOD的实施与发展设计的地理过程十分复杂，并对城市社会、经济、环境等产生了直接的影响。TOD综合效应测度已成为近年来一个重要的研究方向，学者们通过多种方法定量甄别了TOD对人类出行、经济、社会、环境、居民健康及可持续发展的影响。人类出行方面，部分学者基于微观调查数据探讨了TOD对出行选择、出行特征的影响。多数研究结果均表明TOD可以有效地促进公共交通出行模式，减少私家车使用率[39, 59-60]。部分学者[61-62]对此问题的探讨纳入了居民的自主选择效应，并指出与TOD特征相比，个人态度和居住偏好对出行模式的影响更大。也有一些学者[63-65]认为个人态度和居住选择仅在一定程度上影响出行模式，TOD的影响仍然是显著的。此外，随着多源地理空间数据尤其是打铁打卡数据的普及，让收集海量人类出行数据成为了可能。学者们[66-67]以观测出行模型为基础，使用不同的数理建模方法构建了诸多经验模型，用以揭示TOD和人类出行的关联联系。

经济效应方面，相关研究主要集中在对房地产价值的影响。国内外多数案例证明了轨道交通对周边房地产价值具有正面溢价效益，美国芝加哥、亚特兰大、波特兰等多个城市的实证研究发现TOD促进站点周边400~2 400 m范围的房地产价格上升约3%~50%[68-70]，国内实证研究结果表明溢价影响范围在站点周边400~2 000 m，溢价指数在4%~20%[71-73]。另外，少数学者探究了TOD对房租的影响，Renne等[74]发现TOD地区的房屋租赁价格高于非TOD地区；Su等[75]的研究表明TOD住房的出租价格显著高于非TOD住房，并且在具有更强运营能力的地铁站、休闲空间可达性高和交通选择多的邻里、地铁站与社区的协同作用强的TOD环境中，房屋租赁价格更高。

社会效应方面，相关研究主要集中在绅士化、城市活力、城市保护等方面。其中：（1）TOD是否会导致附近社区的绅士化的研究结论尚未达成一致，现有研究得出了好坏参半甚至相互矛盾的结论。部分研究发现TOD社区比远离交通站点的社区更容易引发绅士化现象[76-78]，因为TOD住宅产生了溢价效应，导致中低收入家庭被高收入家庭所取代；然而一些研究得出了完全相反的结论，即轨道交通并不是绅士化的触发因素[79]；少数研究得到了相互矛盾的结论[80-81]，部分案例区的TOD社区经历了绅士化而其他区域没有。矛盾的是，较不富裕的居民更有可能使用公共交通工具并从中受益，而较富裕的高收入居民则不太倾向于使用公共交通工具，因为他们更有可能使用私家车[82-83]，建议通过提供经济适用住房和社会住房，将低收入居民吸引到TOD地区，作为未来TOD更广泛的政策目标。（2）相关研究以节点-场所模型及其扩展模型为基础，探究TOD与城市活力之间的关系。部分研究强调节点维度[84-85]，主张交通沿线的综合交通节点可以促进城市活力，部分研究发现良好的街道连通性为行人、社会活动和经济活动创造了一个可渗透的公共区域[86]，大量研究表明密度和土地混合多样性是提升城市活力的重要因素[84, 87]。特别地，Xiao等[85]发现TOD对城市活力具有非线性影响。少数学者[88-89]探究了TOD空间特征对城市地下空间活力的影响，结果显示空间结构的可达性和可视性、功能混合程度、空间布局和分布等环境变量均会对地下空间活力产生影响。（3）极少数研究探讨了TOD与城市历史保护之间的关系，Michailof [90]研究发现地铁站附近的人口密度压力可能会对历史资源保护产生积极或消极的影响，Renne等[91]探讨了城市保护地区发展TOD的机遇和挑战，并提出了一些综合战略用于保护TOD地区的历史建筑。

环境效应方面，相关研究主要集中在热岛效应、噪声、空气污染、交通拥堵、碳排放等方面。研究表明：（1）TOD的某些单独属性特征（如高密度和公共交通服务）会影响热岛效应[92-93]，而Kamruzzaman等[38]发现TOD地区是城市的高温区，高温程度随着时间推移而增加，TOD地区热岛效应的增长速度显著高于非TOD地区；（2）与非TOD地区相比，TOD区域内噪声水平更高[94-95]；（3）鲜有实证研究将TOD与城市空气质量联系起来，Gu等[96]发现轨道交通TOD发展水平与城市空气质量呈显著正相关，然而也有研究表明地铁站点的室内空气污染程度远超规定值[97]；（4）TOD对缓解交通拥堵具有正向促进作用[98-99]；（5）靠近交通站点可以有效地缓解汽车依赖，从而减少碳排放[42, 100]。特别的是，Gao等[101]研究发现TOD也有助于减少因乘坐出租车而带来的碳排放。

健康效应方面，Frank等[102]发现TOD模式下的土地利用模式和基础设施可能有助于改善社区居民体育活动；Lanza等[103]从微观建筑环境特征的角度出发，研究发现站点周边交通环境（人行道和自行车道的连通性）和社会环境（街道上行人间的互动）的改善有利于增加乘客量，并更多地促进体育活动；Wang等[104]研究表明在地铁站周围的街道和自行车道上提供充足可见的绿化可以促进自行车使用和自行车交通一体化；Kamruzzaman等[105]指出随着时间的推移，TOD可以改善附近社区居民居住不和谐的态度。

在可持续发展方面，现有文献缺乏关于社会可持续性衡量的统一标准，学者们使用了不同的概念来衡量社会可持续性，如社会资本、社会公平、社会互动、社会凝聚力、社会包容与安全等[106]。Kamruzzaman等[34]从TOD整体角度对社会资本进行了综合评价，研究发现当所有环境因素共同作用形成TOD时，会对个体之间的信任、互惠和联系水平产生积极影响，进而增强社会资本，促进社会可持续性发展，但仅仅一个环境因素的改善可能会产生相反的影响。Milan等[107]从社会公平的角度探讨了TOD效应，结果表明，精心设计的交通发展政策可以改善城市的社会公平性。

大部分文献基于传统的地理信息系统（geographic information system，GIS）的空间数据[38-39, 59]、社会经济统计数据[80-81]、问卷调查数据[34, 107]、实地调查数据[88-89]等数据形式，采用传统的回归方法（逻辑回归[39]、普通最小二乘回归[38]、多元线性回归[101]、多层回归[74]、逐步回归[89]、泊松回归[102]等）、描述性统计[108]、生存分析[81]、比较分析[80]等方法实现对TOD综合效应的测度。传统的经验统计方法往往忽略了潜在的空间相关性，因此有研究纳入了空间回归模型[96]（如空间误差模型、空间滞后模型）。其他一些研究考虑到了空间依赖关系，将空间异质性纳入到建模中，采用地理加权回归来捕捉TOD的影响机制[67]。在空间异质性的基础上，有学者[66]考虑到了时间依赖性，运用时空地理加权回归来探索TOD的综合效应。然而，TOD产生的综合影响并不是简单的线性加权之和，而是复杂的累计、抵消和放大的非线性耦合，并且浮动车轨迹、兴趣点、手机信令、智能打卡、社交媒体等多源地理大数据在不断普及，数据获取变得不再困难。在这种情况下，传统的经验统计方法表现出较多的局限性，如无法解释非线性关联、无法有效处理多维数据、高度依赖先验知识、过度拟合等。相反，机器学习方法在解决这些局限性方面具有先天的优势，表现在：（1）能够处理高维或多模态数据；（2）处理解释变量和被解释变量之间复杂的非线性统计关系，对解释变量之间的交互作用进行建模；（3）处理多重共线性问题和缺失值；（4）有效避免过度拟合问题；（5）无需先验假设。因此部分研究开始采用随机森林[109-110]、梯度提升决策树[85, 111]、贝叶斯网络[112]、概率决策树[113]、动态决策树[114]等机器学习方法来分析TOD的综合效应，以建立更加精细和非线性的统计关系。

传统的经验统计模型对因果关系的重视程度不够，表现在：（1）TOD与其综合效应指标同时发生变化，彼此相互影响，造成了联立性偏误，违背了经典最小二乘(least squares，LS）方法的假设（x与回归模型的误差项存在相关性），因此很难估计TOD对出行行为、房租房价等综合效应的真实影响；（2）解释变量遗漏，某些会影响综合效应的因素没有纳入模型的解释变量中，就会造成TOD与回归模型的误差项相关，从而引起内生性问题。为了解决TOD综合效应测度的内生性问题，有学者采用倾向评分匹配方法[37, 60]、双重差分模型[79, 115]、工具变量法[82, 116]等方法进行研究。倾向评分匹配方法基于反事实推断模型的方法，一般用于对TOD和非TOD区域的某些属性进行匹配，通过实现其他影响变量完全匹配以解决内生性问题。双重差分模型常用于政策评估效应研究，政策效应通常为外生项，因而不存在双向因果关系，可以在很大程度上避免数据内生性问题。具体而言，通过比较TOD政策实施前后对照组和处理组变化幅度的差异，即可剔除时间效应，较为准确地分析TOD的政策净效应。工具变量法通过构建影响内生变量且与因变量不相关的外生性工具变量，基于诊断统计量，检验工具变量是否满足要求，进而借助两阶段最小二乘法来破解内生性问题。