李雯茜| TOD建成环境对土地价值的非线性影响及其空间分布特征：以北京市为例

中国快速城镇化发展对城市轨道交通具有极大的刚性需求，但也面临建设资金短缺、运营入不敷出等难题。通常情况下，城市轨道交通的建设资金主要来源于政府财政拨款和低利率的商业贷款等投资手段。然而，随着城市轨道交通建设资金需求的激增，倘若缺乏其他多元化的投融资渠道，除了提高税收别无他法。此外，城市轨道交通在运营方面也普遍面临收支平衡问题，仅依靠票款收入无法维持财务可持续性，且可能导致出行者因票价提高或服务质量降低等原因变相分担运营成本，有失公平。

作为典型的公共产品，城市轨道交通具有显著的正外部性特征，集中体现在对沿线土地及物业的增值效应。但由于投资收益主体分离，使得作为主要投资方的城市轨道交通建设和运营企业较少从外部效益中获得收益。因此，充分利用外部性效益反哺城市轨道交通建设势在必行。针对这一趋势，人们开始研究多种多样、可持续的城市轨道交通投融资方式，其中包括一系列土地价值捕获工具，旨在有效地实现城市轨道交通投资所带来的土地价值提升。

以公共交通为导向的开发(Transit-Oriented Development, TOD)模式是城市轨道交通与城市融合发展的必然选择^[1]，城市轨道交通与周边房地产开发可以良性互动，实现两者共赢。东京、伦敦、中国香港等世界级大都市积极发展城市轨道交通，促进其与城市融合发展，取得了举世瞩目的成功。中国等发展中国家也效仿TOD模式，城市轨道交通建设如火如荼^[2-4]。因此，有必要对TOD模式下城市轨道交通对土地价值的影响进行量化分析，从而为利用土地价值捕获等工具进行决策提供可靠依据。

根据城市土地经济学理论^[5-7]，交通投资带来可达性的提升，进而降低通勤者的一般交通成本，在创造位置优势的同时促进车站周边土地和财产价值溢价。城市轨道交通带来的土地价值提升分为3部分：一是为获取出行服务而在空间上靠近城市轨道交通车站带来的交通邻近溢价；二是由出行成本降低产生的可达性提升带动配套设施发展，进而提高周围土地价值；三是交通基础设施建设带来新的发展机会，进而导致车站周边的建设溢价。

交通方面，已有大量的理论研究和实践经验表明城市轨道交通的建设将被资本化为土地价值^[8-11]，存在车站周边土地价值提升的邻近效应，且这种交通邻近溢价因研究情景不同而存在差异^[12-14]。同时，可达性作为TOD建成环境中的关键要素也是重点研究对象，邻近性和可达性共同构成了空间和时空上的多尺度公共交通邻近性。既有研究往往使用邻近性代为表示可达性^{[11, 13, 15-17]}，但仅考虑空间邻近不足以重点体现交通与土地利用的互动能力，部分学者基于重力模型^[18]、空间句法^[19]进行改进，却并未考虑多种交通方式对可达性计算的影响。

针对TOD城市建设方面的相关研究相比于交通方面总体较少。建设溢价源于城市规划和交通规划对土地利用性质及开发的控制，例如将工业用地调整为住宅用地或提高开发强度。但在既有研究中，这种建设溢价通常表现为住房邻里环境要素的增值效应，而非聚焦于车站周边^[19-21]。聚焦TOD的研究多以“3D”原则(密度、设计、多样性)划分城市建设维度的建成环境变量，并得出TOD土地利用特征可能是影响城市轨道交通溢价效应的重要因素^{[8, 16]}，如土地混合利用^{[20, 22]}、高密度开发^[20]、良好的步行环境^{[16, 20, 23]}可以导致土地溢价扩大。

国内外学者在城市轨道交通与土地价值领域已取得丰富的研究成果，但仍存在待完善与深化的方向。一方面，可达性对土地价值提升的作用机制值得进一步研究，城市轨道交通与建设溢价之间的内在联系源于出行成本降低驱动的可达性提升^[24]，而这也是城市开发和更新的必要条件，其计算方法有待优化。另一方面，对于建设溢价的研究尚不充分，既有研究多假设TOD城市建设因素与土地价值为线性关系，其非线性影响及TOD建成环境空间分布特征仍需深入探索。

综上，本文聚焦以下2个问题开展研究：1)城市轨道交通的可用性(车站的邻近)和可达性对土地价值提升的影响哪个更显著；2)TOD建成环境尤其是城市建设因素对土地价值提升的影响及空间分布特征如何。

鉴于房价在反映土地价值方面的关键作用，本文使用房价作为研究对象。根据TOD建成环境的“5D”发展理念(密度、设计、多样性、邻近性、可达性)^[25]，以北京市为例，融合多源城市大数据计算公共交通和私人小汽车的累计机会可达性及其他TOD建成环境变量，并与房价控制变量共同构成房价的影响因子。本文放松房价与其影响因子线性关系的假设，在特征价格非线性模型研究框架下，采用机器学习模型XGBoost (eXtreme Gradient Boosting)研究二者的定量关系，并采用局部解释方法SHAP (SHapley Additive exPlanation)分析影响因子的非线性关系，探讨TOD建成环境对土地价值的影响及其空间分布特征。

北京市由16个区组成，总面积16 410 km²。2022年末，北京市常住人口2 184.3万人，近80%的居民居住在六环内。为了满足不断增长的住房需求，房地产开发商向政府购买了大量土地的建设权。随着城市轨道交通系统不断完善，北京市经历了一次爆炸式增长的住房建设热潮，重塑了北京市的城市面貌。综合考虑城市布局及数据可获得性等因素，本文选取北京市六环以内为研究区域，采用的主要数据包括：

1）二手房交易。

与主要分布在郊区的一手房相比，二手房交易涉及的房产种类更多，覆盖范围也更广。自2008年起，二手房已成为北京市住房交易的主角，2011—2017年交易比例甚至达到95%以上^[26]。因此，本文通过Python网络爬虫从链家网获得北京二手房交易的面板数据集(2011年1月—2016年3月)，包括房龄、楼层、面积等结构特征，集计至小区层面，在时间上取平均形成截面数据，共包括5 296个小区的274 172笔交易。

2）城市轨道交通系统。

选取2016年开通的18条地铁线路，总长度555 km。结合合理步行半径、住房城乡建设部2015年发布的《城市轨道沿线地区规划设计导则》以及“10分钟步行圈”，采用半径800 m的圆形区域作为地铁车站影响范围，即车站缓冲区。

3）车站建成环境。

基于高德地图开放平台，获取地铁车站影响范围内兴趣点(Point of Interest, POI)数据；通过百度地图、OpenStreetMap和Mapbox网站开源数据平台获取兴趣面(Area of Interest, AOI)、建筑物三维矢量、城市道路、等时圈等数据。上述数据的检索时间范围为2020年3月。人口数量来源于WorldPop网站2019年中国100 m×100 m栅格数据。共享单车数据来源于摩拜2017年5月10—18日工作日早晚高峰时段(7:00—9:00和17:00—19:00)订单数据。

4）出行路径信息。

基于高德地图的出行路径规划服务，采用最短时间策略获取六环内任意两个1 km×1 km栅格中心之间分别通过私人小汽车和公共交通出行的全出行链信息。检索时间范围为2019年11月工作日早高峰时段(7:00—9:00)，其信息包括起始/终点车站名称与经纬度、出行时间等，用于计算可达性。

城市轨道交通沿线的建成环境特征采用TOD的“5D”发展理念刻画。根据已获取数据，各维度建成环境变量及房价控制变量定义如表1所示。

表1 TOD建成环境变量及房价控制变量描述性统计

1)n为根据《城市用地分类与规划建设用地标准》(GB 50137—2011)划分的POI类型的集合，n=8；2)m的划分标准为《国民经济行业分类》(GB/T 4754—2017)，m=20；3)城市重要中心包括区域中心(北京市中心天安门广场、副中心北京市人民政府)以及商务中心(CBD、中关村、金融街、上地、望京、亦庄、丰台科技园)。

其中，可达性采用累计机会计算，意为在一定时间中通过某种交通方式获得的所有机会数，其结果具有简单和可解释性高的优点。基于高德地图出行路径规划和POI数据，考虑多种交通方式的全出行链成本，并针对其中就业类POI单独计算就业可达性，可达性计算公式为

式中：A^z_i为可达性，即起始点i在第z种交通方式下的累计机会/个；z为交通方式，z=1为公共交通，z=2为私人小汽车；O_j为第j个栅格的POI数量/个，POI类型包括就业、学校、医疗、购物、休闲娱乐和风景名胜6类(计算就业可达性时仅使用就业类型POI)；t^z_ij为路径规划下使用第z种交通方式从栅格i到j的出行时间/min，当t^z_ij≤T时，f(t^z_ij)=1，否则为0，其中T为北京市的平均通勤时间47 min。

为进一步探究公共交通可达性与私人小汽车可达性的差异对土地价值的影响，本文定义相对可达性和相对就业可达性两个变量，以体现两种交通方式在整体上和就业方面可达性的差异。

特征价格模型旨在将房产特征集合用回归的计算方法估计房产的隐含价格，已成为揭示土地和房地产市场中设施价值的有力工具，如估计城市轨道交通的溢价价值时，常默认其与影响因素呈线性关系。但TOD建成环境对土地价值的影响存在非线性特征，本文使用特征价格非线性模型作为研究框架估计房价，计算公式为

式中：Price为房价/元；f为非线性函数形式，影响因素包括房价研究常使用的结构因素S、区位因素L、邻里因素N，以及邻近性T、TOD城市建设因素P和可达性A。

机器学习模型XGBoost是基于梯度提升技术改进的集成树模型，其求解的核心是利用第d-1轮决策树的残差值拟合第d轮基础决策树，并在达到迭代次数后计算所有决策树的结果，对各类数据的非线性特征具有良好的建模能力。因此，采用基于XGBoost的特征价格非线性模型研究TOD建成环境对房价的非线性影响，计算公式为

式中：为第d轮迭代后样本x的房价预测值；p为基模型数量/个；f_p(m_x)为第p棵决策树的模型；m_x为表1确定的房价控制变量和TOD建成环境变量；为前d-1棵决策树集合的房价预测值；f_d(m_x)为第d棵决策树的模型。

本文使用局部解释方法SHAP对XGBoost模型进行解释。SHAP借鉴了合作博弈论中的Shapley值，通过计算某特征对模型预测的边际贡献来解释特定实例的预测。相较于传统的重要度算法仅限于在整个种群中获得结果(如机器学习自带特征重要度排序等)，SHAP能在每个单独的实例上获得结果，因此也能体现贡献的空间特征。Shapley值计算方法为

式中：φ_k(f)为特征k的Shapley值，反映特征k对单个预测的影响和总体预测的平均值；N为训练集中所有特征的集合；为除k特征外所有特征的排列组合集合；S为其中的一个组合方式；K为特征总数/个；为含有特征k的预测值；f(S)为不含特征k的预测值。

SHAP从Shapley值概念扩展，构建一个可加性(Additivity)的解释模型，将所有的特征都视为“贡献者”，计算得到的SHAP值着重体现个体样本中每个特征对提升整个模型预测能力的贡献程度，即特征的重要性。SHAP值若为正则表示对模型预测有正向贡献，反之亦然，可用于分析特征的重要性、影响方向和交互效应。

解释变量的重要度是机器学习模型最重要的解释工具，其值越大，相应的重要性越高。通过计算各特征对应的所有SHAP值的平均绝对值可得全局特征重要度，即一个特征对应一个全局特征重要度，从而为特征贡献排序。计算方法为

式中：I_k为特征k的全局重要度；M为样本数量/个；φ^(x)_k为单个样本x中特征k的SHAP值。

SHAP部分依赖图(SHAP Partial dependence plot)是解读机器学习模型预测结果的一个重要工具，通过SHAP值散点图的方式直观反映因变量与解释变量之间的关系，结合了部分依赖图的直观性和SHAP值的解释性。本文使用SHAP部分依赖图揭示TOD建成环境对土地价值影响的局部模式。

以北京市为案例，利用Python语言的XGBoost工具箱实现回归梯度提升树集合模型的求解，数据集分为训练集(70%)和测试集(30%)，超参数最优组合采用网格搜索法和五折交叉验证计算，最终模型包含800棵最大深度为5的决策树，学习率为0.1，解释能力达84.2%。

通过公式(5)计算各特征的全局特征重要度，将其归一化后形成相对重要度(单位%)，总和为100%，并将各分类下变量的相对重要度取平均值进行排序，结果如表2所示。排序结果表明：TOD建成环境变量对土地价值的影响程度达64.30%，最重要的变量是可达性，其他要素依次为密度、设计、多样性。其中，公共交通可达性相对重要度排序第一，达17.66%，其次是人口密度和可步行道路密度，分别是8.76%和8.04%，再次是建筑密度6.73%。此外，地铁车站邻近性相对重要度(1.80%)远小于可达性，说明土地价值的提升需要可达性的提高而非仅邻近交通设施，相对于“最后一公里”问题，利用公共交通获取服务的能力更加重要，即获得服务设施、商业中心、工作地点等各类机会的便捷程度更重要。相对就业可达性的相对重要度排名第10，说明通勤时公共交通与私人小汽车的竞争力也是影响土地价值较为重要的变量。骑行接驳比例排名第11，表明“城市轨道交通+共享骑行”模式在城市交通中的作用显著，但影响力有限，仅能作为其他重要影响因素的补充。

表2 解释变量的相对重要度排序

此外，不同区位各变量对土地价值的影响程度排序也不同。分行政区列出重要度排名前5的变量(见图1)，可以看出：人口密度在大兴区、房山区、昌平区、通州区和顺义区均位列前二，而在东城区、西城区和朝阳区影响力不高，显示出郊区地铁车站的人口聚集相对于中心城区对提升土地价值的作用更显著；东城区、西城区、朝阳区的车站周边开发强度对土地价值的影响较大，丰台区、海淀区、昌平区和通州区则需特别关注车站非机动交通环境的优化。

图1 北京市各区域土地价值解释变量相对重要度前五名

选取TOD城市建设维度排名靠前的3个代表性变量进行具体分析：人口密度、可步行道路密度、建筑密度，分别排名第3(8.76%)，4(8.04%)和5(6.73%)，属于密度和设计分类。图2展示了3个变量的SHAP部分依赖图，蓝色散点为SHAP值，深蓝色实线为多项式拟合曲线，灰色柱状图为样本频数的数值分布。可以看出，TOD城市建设维度3个变量与土地价值存在显著的非线性关系和阈值效应。

a 人口密度

b 可步行道路密度

c 建筑密度

图2 TOD城市建设维度变量SHAP部分依赖图

图2a和图2b曲线变化大致分为3个阶段：前期呈阶梯式稳步攀升，后期均趋于稳定，变量值分别达到约1.9万人·km^-2和16 km·km^-2的阈值后基本不对土地价值产生影响。结果说明TOD建成环境影响土地价值提升存在上下限值，土地发展前期需要以人的聚集为支撑，车站周边适度的人口聚集使得土地价值提升，但超过阈值后增值效果大幅下降。

图2c中前期在建筑密度小于20%时SHAP值增加非常缓慢，达到约23%后SHAP值为正且上升幅度显著加大，因为该值以上的车站区域开发已达到一定程度，多功能建筑形成，有利于地铁车站周边聚集客流和便利生产活动，进而促进周边土地价值提升。

TOD建成环境对土地价值的影响可能因位置而异，因此进一步将上述变量SHAP值映射到空间进行可视化对比分析(见图3)。

a 人口密度

b 可步行道路密度

c 建筑密度

图3 TOD城市建设维度变量SHAP值空间分布

图3a中，城市中心区域的人口密度对土地价值具有明显的正向推动作用，但其分布较为分散，一定程度反映了北京的多中心发展格局。图3b显示北部比南部地铁车站周边可步行配套设施更为完善，尤其是海淀区东南部，而城市外围区域普遍欠佳，清河、丰台科技园和木樨园应着重加强步行衔接设计。图3c体现出通州区域因低建筑密度导致对土地价值的抑制，需关注地铁1号线与八通线沿线的建筑开发；而朝阳区北部和南部的SHAP低值则因为中密度开发的车站无法满足该区域居民的生活需求和商业活动。

因此，城市外围区域需特别注重资源向车站聚集，以提高车站周边用地活力，中心城区车站则应关心步行品质和环境质量提升。

作为表征TOD交通方面的重要特征，邻近性和可达性构成了空间和时空上的多尺度公共交通邻近性，对应公共交通的可用性和可达性，分别体现获得公共交通服务的方便程度和优劣程度，在城市发展和土地市场中发挥了重要作用。

公共交通可达性相对重要度排名第1(17.66%)，其SHAP部分依赖图见图4a，公共交通可达性分别在约10 000个和30 000个附近有显著的阈值效应，该趋势说明公共交通可达性提高对土地价值产生正向影响，且存在上下限，约大于15 000个后产生正影响，且最终对房价的正影响趋于稳定。

车站邻近性于空间上体现为公共交通服务的可用性，地铁车站邻近性的相对重要度排名第21(1.80%)。图4b显示其在样本聚集区间0~0.2 km内与土地价值呈现显著负相关关系，若超过约800 m，则对土地价值提升产生负影响，说明800 m以内是发挥邻近地铁车站优势的最佳距离。

a 公共交通可达性

b 地铁车站邻近性

图4 可达性与邻近性变量SHAP局部依赖图

分析可达性与邻近性变量SHAP值空间分布(见图5)可以看出，公共交通可达性SHAP值整体呈现城市中心为正、城市外围为负的递减趋势，与特征值分布相似。具体而言，公共交通可达性优势以及对土地价值的促进作用以环状向市中心递增，而城市外围区域尤其是石景山、大兴、通州西侧的公共交通可达性亟须加强。地铁车站邻近性的SHAP正值主要聚集在地铁沿线上，但市中心地铁车站高度集中的区域出现了SHAP负值，说明在此区域多种交通方式并存，除地铁外也有众多其他交通方式选择，或受地铁有噪声、拥挤等其他负面因素影响。

a 公共交通可达性

b 地铁车站邻近性

图5 可达性与邻近性变量SHAP值空间分布

由以上结果可知，可达性与邻近性对土地价值的影响程度差异显著，可达性更为重要。这表明在全出行链中，相对于“最后一公里”，人们更注重“点到点”的综合出行路径，即获得服务设施、商业中心和工作地点等各类机会的便捷性更为重要。

此外，结果也表明地铁车站交通设施与城市建设的衔接互动在TOD建成环境对土地价值的影响中承担了重要的角色。可达性综合考虑了出行时耗和成本等因素，主要关注公共交通全出行链的便利性，但更重要的是，它一定程度上衡量了公共交通与土地利用规划有机结合的程度，强调了如地铁车站、公共汽车站、自行车停车点以及与步行路径之间的相互衔接。相较于更多强调靠近公共交通设施的车站邻近性，可达性的重要性体现在它更全面地考虑了人们的出行需求和综合交通网络。

因此，应将可达性作为判断公共交通便利的主要因素，而非仅考虑车站邻近性。同时，在城市发展中应注重交通和土地利用规划的紧密结合，在综合考虑这两方面因素的基础上寻求平衡，使整个出行路径更加便捷，提高城市居民的出行效率和生活质量。

本文构建了基于机器学习模型XGBoost的特征价格非线性模型，并采用局部解释分析方法SHAP，揭示了TOD建成环境对土地价值的非线性影响及其空间分布特征。结果表明：

1）地铁车站TOD建成环境对土地价值的非线性影响显著，影响程度达64.30%，其中关键因素是公共交通可达性，相对重要度达17.66%。TOD中交通和城市建设维度均是影响土地价值非常重要的因素，可达性的高重要性表明城市发展更新的重点方向应关注交通与土地利用规划的有机结合。

2）TOD城市建设维度中密度和设计分类变量相对重要度较高，需重视车站周边用地开发及步行、骑行等交通衔接方式，相对重要度排序高的变量与土地价值具有显著的非线性关系和阈值效应，产生正向影响。各变量的影响阈值及其空间分布特征为车站TOD开发提供了上下限参考，可为政策制定者、购房者和投资者提供有针对性的指导。

3）交通维度中，邻近性和可达性构成了空间和时空上的多尺度公共交通邻近性，两者对房价的影响方向相反，均存在阈值效应，800 m距离以内能最大限度发挥邻近地铁车站的优势。对比之下，可达性相对重要度显著，表明相对于“最后一公里”，人们更注重“点到点”的综合出行路径。在交通方式上，公共交通仍是居民关注重点，通勤出行中公共交通与私人小汽车的竞争力以及就业机会的分布是影响土地价值的关键因素。

4）TOD建成环境对土地价值的影响存在空间异质及不同程度的空间聚集。城市外围区域地铁车站需特别注重资源向车站聚集，中心城区车站则应关心出行品质和环境质量提升。不同区域的车站用地开发应采取因地制宜的差异化发展策略，或根据周围发展规划和人群需求做出适当开发调整。

《城市交通》2024年第6期刊载文章

作者：李雯茜，卞长志，

许奇，董天一，赵一新