Научная статья на тему 'ОЦЕНКА ВЛИЯНИЯ РАСПРЕДЕЛЕНИЯ ПЛОТНОСТИ ФУНКЦИЙ НА ФОРМИРОВАНИЕ ПАССАЖИРОПОТОКА МЕТРОПОЛИТЕНА'

ОЦЕНКА ВЛИЯНИЯ РАСПРЕДЕЛЕНИЯ ПЛОТНОСТИ ФУНКЦИЙ НА ФОРМИРОВАНИЕ ПАССАЖИРОПОТОКА МЕТРОПОЛИТЕНА Текст научной статьи по специальности «Строительство и архитектура»

CC BY
42
6
i Надоели баннеры? Вы всегда можете отключить рекламу.
Журнал
Вестник МГСУ
ВАК
RSCI
Ключевые слова
МЕТРОПОЛИТЕН / ПАССАЖИРОПОТОК / РЕГРЕССИОННЫЙ АНАЛИЗ / ЖИЛАЯ ФУНКЦИЯ / ДЕЛОВАЯ ФУНКЦИЯ / КОРРЕЛЯЦИЯ / ПЕШЕХОДНАЯ ДОСТУПНОСТЬ / РЕГИОНАЛЬНЫЕ ГОРОДА

Аннотация научной статьи по строительству и архитектуре, автор научной работы — Ушаков Дмитрий Евгеньевич, Карелин Дмитрий Викторович

Введение. Рассматривается распределение плотности жилой и деловой функций относительно пешей доступности станций метрополитена для определения их взаимосвязи с годовым пассажиропотоком метрополитена. Цель исследования - выявить общие зависимости, характерные для региональных городов: Новосибирск, Екатеринбург, Казань, Нижний Новгород, Самара. Понимание зависимостей, формирующих пассажиропоток метрополитена, позволит установить оптимальные стратегии развития внеуличного транспорта в региональных городах. Материалы и методы. Использованы данные из открытых источников. Сведения по годовому пассажиропотоку метрополитенов получены от организаций, эксплуатирующих метрополитен, а также Международной ассоциации «Метро». Для оценки взаимосвязи применялся метод регрессионного анализа. Подготовка и визуализация информации выполнялась при помощи QGIS и Python. Результаты. Выявлена положительная корреляция плотности жилой площади и годового пассажиропотока метрополитена при суммарной оценке всех городов. При оценке деловой функции установлено, что наибольшая концентрация числа организаций в городах соответствует их административным центрам, что можно считать центральным деловым районом. Определена отрицательная корреляция среднего расстояния от всех станций метрополитена до административного центра города (АЦГ) и железнодорожного (ж/д) вокзала от годового пассажиропотока метрополитена. Мультирегрессионный анализ показал, что годовой пассажиропоток метрополитена для всех городов определяется плотностью жилой площади в пешей доступности станций метрополитена и средним расстоянием от станций метрополитена до АЦГ и ж/д вокзала на 69-90 %. При этом независимые переменные между собой не мульти-коллинеарны. Выводы. Получена значимая зависимость годового пассажиропотока метрополитена от жилой и деловой функций. Данные результаты описывают зависимость, характерную для всех региональных городов, имеющих метрополитен. Сведения могут быть применены для оценки перспективы развития внеуличного транспорта в региональных городах России при актуализации генеральных планов. Направлением дальнейшего исследования является оценка величины вклада жилой функции в формирование пассажиропотока метрополитена отдельно по каждому радиусу пешей доступности станций.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по строительству и архитектуре , автор научной работы — Ушаков Дмитрий Евгеньевич, Карелин Дмитрий Викторович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

EVALUATING THE IMPACT OF FUNCTION DENSITY DISTRIBUTION ON METRO PASSENGER FLOWS

Introduction. The distribution of residential and business functions density in relation to walking distances to metro stations was considered to determine their relationship with annual metro passenger flows. The aim of the study was to identify common dependencies typical for regional cities, including Novosibirsk, Ekaterinburg, Kazan, Nizhny Novgorod, and Samara. Understanding dependencies that determine metro passenger flows will help to identify optimal strategies for development of offstreet transport in regional cities. Materials and methods. Open source data were used. Data on annual passenger metro traffic were provided by metro operators and the International Metro Association. The method of regression analysis was used to evaluate the relationship. The information was prepared and visualized using QGIS and Python. Results. A positive correlation was identified between the density of residential areas and annual metro passenger flows as a result of the total evaluation of all cities. When evaluating the business function, the authors found that the greatest concentration of the number of corporate entities in the cities was focused in their administrative centres, or central business districts. A negative correlation between the average distance from all metro stations to administrative centres of cities (ACC), railway stations and annual metro passenger traffic was identified. Multiregression analysis showed that in all cities annual metro passenger flows were 69-90 % determined by the density of residential areas within walking distance of metro stations and the average distance from metro stations to ACC and the railway station. Independent variables are not multicollinear with each other. Conclusions. A strong dependence between annual metro passenger flows and residential or business functions was obtained. These results describe the dependence characteristic of all regional cities that have metros. This information can be used to evaluate the prospects for the development of offstreet transport in regional cities of Russia in the process of updating their master plans. The direction for further research is to evaluate the contribution of the residential function to metro passenger flows separately for each radius of walking distance of stations.

Текст научной работы на тему «ОЦЕНКА ВЛИЯНИЯ РАСПРЕДЕЛЕНИЯ ПЛОТНОСТИ ФУНКЦИЙ НА ФОРМИРОВАНИЕ ПАССАЖИРОПОТОКА МЕТРОПОЛИТЕНА»

АРХИТЕКТУРА И ГРАДОСТРОИТЕЛЬСТВО. РЕКОНСТРУКЦИЯ И РЕСТАВРАЦИЯ

НАУЧНАЯ СТАТЬЯ / RESEARCH PAPER

УДК 656.072:519.237.5

DOI: 10.22227/1997-0935.2023.2.165-177

Оценка влияния распределения плотности функций на формирование пассажиропотока метрополитена

Дмитрий Евгеньевич Ушаков, Дмитрий Викторович Карелин

Новосибирский государственный архитектурно-строительный университет (Сибстрин);

г. Новосибирск, Россия

АННОТАЦИЯ

Введение. Рассматривается распределение плотности жилой и деловой функций относительно пешей доступности станций метрополитена для определения их взаимосвязи с годовым пассажиропотоком метрополитена. Цель исследования — выявить общие зависимости, характерные для региональных городов: Новосибирск, Екатеринбург, Казань, Нижний Новгород, Самара. Понимание зависимостей, формирующих пассажиропоток метрополитена, позволит установить оптимальные стратегии развития внеуличного транспорта в региональных городах. Материалы и методы. Использованы данные из открытых источников. Сведения по годовому пассажиропотоку метрополитенов получены от организаций, эксплуатирующих метрополитен, а также Международной ассоциации «Метро». Для оценки взаимосвязи применялся метод регрессионного анализа. Подготовка и визуализация информации выполнялась при помощи QGIS и Python.

Результаты. Выявлена положительная корреляция плотности жилой площади и годового пассажиропотока метрополитена при суммарной оценке всех городов. При оценке деловой функции установлено, что наибольшая концентрация числа организаций в городах соответствует их административным центрам, что можно считать центральным < П деловым районом. Определена отрицательная корреляция среднего расстояния от всех станций метрополитена до ( с административного центра города (АЦГ) и железнодорожного (ж/д) вокзала от годового пассажиропотока метрополи- 3 Н тена. Мультирегрессионный анализ показал, что годовой пассажиропоток метрополитена для всех городов опреде- k S ляется плотностью жилой площади в пешей доступности станций метрополитена и средним расстоянием от станций M М метрополитена до АЦГ и ж/д вокзала на 69-90 %. При этом независимые переменные между собой не мульти- О ® коллинеарны. U О

Выводы. Получена значимая зависимость годового пассажиропотока метрополитена от жилой и деловой функций. . Л Данные результаты описывают зависимость, характерную для всех региональных городов, имеющих метрополитен. oIS Сведения могут быть применены для оценки перспективы развития внеуличного транспорта в региональных городах § S России при актуализации генеральных планов. Направлением дальнейшего исследования является оценка величи- УУ 1 ны вклада жилой функции в формирование пассажиропотока метрополитена отдельно по каждому радиусу пешей _ <9 доступности станций. U -

n 0 a ^

КЛЮЧЕВЫЕ СЛОВА: метрополитен, пассажиропоток, регрессионный анализ, жилая функция, деловая функция, — 5

o —

корреляция, пешеходная доступность, региональные города

О ^

Благодарности. Авторы выражают благодарность Международной ассоциации «Метро», ЕМУП «Екатеринбургский § ) метрополитен», МУП «Новосибирский метрополитен» и МП г. о. Самара «Самарский метрополитен» за предостав- Г м ление исходных данных; М.А. Пономареву за сбор данных по организациям городов; а также рецензентам за про- ( м

деланную работу по улучшению качества материала. О °

§

а о

ДЛЯ ЦИТИРОВАНИЯ: Ушаков Д.Е., Карелин Д.В. Оценка влияния распределения плотности функций на форми- — рование пассажиропотока метрополитена // Вестник МГСУ. 2023. Т. 18. Вып. 2. С. 165-177. Р01: 10.22227/1997- А 6 0935.2023.2.165-177 с о

<(-—-

Автор, ответственный за переписку: Дмитрий Евгеньевич Ушаков, [email protected]. ( §

Г §

Evaluating the impact of function density distribution

on metro passenger flows 3 8

ii

. DO

Dmitriy E. Ushakov, Dmitriy V. Karelin ( |

Novosibirsk State University of Architecture and Civil Engineering (Sibstrin); Novosibirsk, Russian Federation u с

Л) К

ABSTRACT - -

10 10

Introduction. The distribution of residential and business functions density in relation to walking distances to metro stations was considered to determine their relationship with annual metro passenger flows. The

aim of the study was to identify

common dependencies typical for regional cities, including Novosibirsk, Ekaterinburg, Kazan, Nizhny Novgorod, and Samara.

© Д.Е. Ушаков, Д. В. Карелин, 2023 165

Распространяется на основании Creative Commons Attribution Non-Commercial (CC BY-NC)

Understanding dependencies that determine metro passenger flows will help to identify optimal strategies for development of offstreet transport in regional cities.

Materials and methods. Open source data were used. Data on annual passenger metro traffic were provided by metro operators and the International Metro Association. The method of regression analysis was used to evaluate the relationship. The information was prepared and visualized using QGIS and Python.

Results. A positive correlation was identified between the density of residential areas and annual metro passenger flows as a result of the total evaluation of all cities. When evaluating the business function, the authors found that the greatest concentration of the number of corporate entities in the cities was focused in their administrative centres, or central business districts. A negative correlation between the average distance from all metro stations to administrative centres of cities (ACC), railway stations and annual metro passenger traffic was identified. Multiregression analysis showed that in all cities annual metro passenger flows were 69-90 % determined by the density of residential areas within walking distance of metro stations and the average distance from metro stations to ACC and the railway station. Independent variables are not multicollinear with each other.

Conclusions. A strong dependence between annual metro passenger flows and residential or business functions was obtained. These results describe the dependence characteristic of all regional cities that have metros. This information can be used to evaluate the prospects for the development of offstreet transport in regional cities of Russia in the process of updating their master plans. The direction for further research is to evaluate the contribution of the residential function to metro passenger flows separately for each radius of walking distance of stations.

KEYWORDS:

regional cities

metro, passenger flow, regression analysis, residential function, business function, correlation, walkability,

Acknowledgements. The authors would like to thank Metro International Association, Ekaterinburg Metro, Novosibirsk Metro and Samara Metro for providing source data, and M.A. Ponomarev for collecting data on urban companies, as well as reviewers for the work performed to improve the draft article.

FOR CITATION: Ushakov D.E., Karelin D.V. Evaluating the impact of function density distribution on metro passenger flows. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2023; 18(2):165-177. DOI: 10.22227/19970935.2023.2.165-177 (rus.).

Corresponding author: Dmitriy E. Ushakov, [email protected].

W (0 N N О О

сч сч сч'сч"

It (V U 3 > (Л

с и

m оо

. г

« (U

Ü!

Ф О)

о %

(Л (Л

Е О

CL ° ^ с

ю о

s 1

о ЕЕ

fee

СП ^ т- ^

г

ВВЕДЕНИЕ

Развитие внеу личного транспорта имеет важное значение для формирования транспортной системы города. Данный тип транспорта обладает преимуществами по сравнению с транспортом, не имеющим выделенной полосы движения [1]. Это дает возможность передвигаться с высокой по меркам города скоростью. Рассмотрены метрополитены в региональных городах России.

Метрополитен сохраняется в генеральных планах городов как один из видов транспорта. В ряде городов при актуализации генерального плана происходит перенос сроков реализации метрополитена, но не его исключение. В условиях ограниченности ресурсов и наличия интереса региональных городов к развитию системы метрополитена существует необходимость оценки факторов, которые обеспечивают востребованность пассажирами метрополитена, а также их количественное выражение. Это знание позволит лучше прогнозировать результат вложения денег, направленных на совершенствование метрополитена.

В отечественной практике схемы развития городского транспорта и метрополитена, в частности, выполняются по заказу местных органов власти. Полученные результаты, как правило, не публикуются, что осложняет проведение исследований. Органи-

зации, осуществляющие данные схемы, по своему усмотрению могут делиться полученными результатами1, 2. Основным методом исследования являются «матрицы корреспонденции». Для подачи заявки на инфраструктурные кредиты городами Самара и Нижний Новгород выполнялись технико-экономические обоснования. По материалам для г. Самары развитие метрополитена предполагается посредством строительства новых станций в центре города и тем самым включения его в область пешей доступности метрополитена, а также уплотнения жилой застройки вблизи существующих станций метрополитена через механизм комплексного развития территорий. Отечественными исследователями проводились работы по комплексной оценке транспорта [2-6].

В зарубежной литературе при оценке формирования пассажиропотока метрополитена выделяют ряд влияющих факторов: жилая, коммерческая функции [7-9], пешеходная доступность городской среды [10], увеличение длины линии метрополитена [11], расстояние пешей доступности станции [12] и т.д. Влияние каждого из факторов и их состав отличаются от исследования к исследованию. Некоторые авторы рассматривают возможность применения концепции развития, ориентированного на общественный транспорт (Transit-oriented development — TOD) [7, 13, 9, 14]. В зарубежных публикациях отмечается, что на спрос внеуличного транспорта

1 Лаборатория градопланирования им. М. Л. Петровича, Расчет пассажирских потоков по станциям второй линии метрополитена в г. Екатеринбурге. URL: https://labgrad.ru/projects/ekbmetro2020

2 Лаборатория градопланирования им. М. Л. Петровича, Расчет пассажирских потоков по станциям первой линии метрополитена в г. Красноярске. URL: https://labgrad.ru/projects/krasnoyarskmetro2020

в большей степени влияет близость станции к месту работы, чем жилья [15]. Большинство исследований оценивают «срез» данных на временном промежутке от недели до месяца, без ретроспективной оценки зависимостей формирования пассажиропотока метрополитена.

Авторами ранее проведено исследование по оценке формирования пассажиропотока метрополитенов в региональных городах. Для Самары и Нижнего Новгорода не установлена связь пассажиропотока метрополитена с жилой функцией в области пешей доступности станций всей системы метрополитена. При этом для городов Новосибирск, Екатеринбург и Казань такая зависимость существует [16].

В результате изучения зарубежных и отечественных трудов определена проблема отсутствия единого перечня факторов, образующих пассажиропоток метрополитена, которые характерны для всех городов, имеющих систему метрополитена.

Цель исследования — выявить характерный перечень функций территории, а также распределение их плотности, которые формируют пассажиропоток метрополитена в региональных городах России.

Под плотностью функции территории понимается величина концентрации данной функции в пределах рассматриваемой территории. Понимание зависимостей, создающих пассажиропоток метрополитена, позволит определить оптимальные стратегии развития внеуличного транспорта в региональных городах.

МАТЕРИАЛЫ И МЕТОДЫ

Анализ проведен для региональных городов России, в которых эксплуатируется метрополитен: Новосибирск, Екатеринбург, Казань, Нижний Новгород, Самара.

Объект исследования — система метрополитена в целом, т.е. все станции метрополитена, действующие в рассматриваемый период времени, а также область вокруг станций, находящаяся в радиусе пешей доступности.

В качестве методов оценки наличия взаимосвязи между величинами использованы парный и мультирегрессионный анализы [17, 18]. Регрессионный метод оценки взаимосвязи между величинами широко применяется зарубежными авторами [8, 9, 11, 12, 19, 20]. Регрессионный анализ устанавливает только наличие или отсутствие взаимосвязи между величинами, но не причинно-следственную связь между ними. На основе рассмотренных отечественных и зарубежных исследований можно сделать вывод, что наличие причинно-следственной связи между территорией города и формированием пассажиропотока общественного транспорта, который ее обслуживает, является установленным фактом и не подвергается сомнению.

Источники данных: сведения по жилой функции получены из открытого источника3. Информация по организациям взята из открытого источника Ки8рго:&1е4. Геопозиционирование объектов выполнено с помощью языка программирования РуШоп, библиотека geopandas, функция geocode. Координаты размещения станций и линий метрополитенов получены из открытого источника Оре^йееШар5 через программный комплекс рвК.

В работе приняты следующие радиусы шаговой доступности от станций метрополитена: 0-400, 0-800, 0-1200, 400-800, 800-1200 м.

Годовой пассажиропоток метрополитена рассматривался для всей линии метрополитена в целом за год. Хронологический промежуток с 2005 по 2019 гг., 2020 и 2021 гг. не рассматривались в связи с тем, что в этот период осуществлялись мероприятия по ограничению распространения СОУГО-19, что повлияет на достоверность результатов.

В работе выполнена оценка влияния на пассажиропоток (зависимая переменная) следующих независимых переменных:

1. Жилая функция в радиусе пешей доступности станций метрополитена.

Оценка проводилась на основе плотности жилой застройки, м2/га, в радиусе пешей доступности станций метрополитена. Плотность определялась как количество квадратных метров жилой площади всех зданий в радиусе пешей доступности всех станций метрополитена, работающих в рассматриваемый период времени, поделенное на площадь территории в рассматриваемом радиусе пешей доступности всех станций метрополитена на текущий год.

2. Деловая функция.

Деловая функция оценивалась через количество организаций, размещенное на исследуемой территории. При этом не учитывались индивидуальные предприниматели в связи с тем, что место официальной регистрации соответствует адресу проживания физического лица, а не фактическому месту размещения организации в городе. Деловая функция анализировалась в виде следующих независимых переменных:

• количество организаций, которое приходится на территорию в радиусах пешей доступности всех станций метрополитена, шт./га;

• среднее расстояние от каждой станции метрополитена до административных центров городов и железнодорожных вокзалов. Данный параметр вытекает из оценки плотности размещения организаций для территории города в целом. Подробное объяснение появления и использования этого параметра для оценки пассажиропотока метрополитена объясняется в разделе «Результаты исследования».

< п

tT

iH О Г

0 со

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

t CO

1 z y i

J CD

U -

> i

n °

» 3

0 Ш

01

о n

Фонд развития территорий. URL: https://www.reformagkh.ru/ 1 URL: https://www.rusprofile.ru/ ' OpenStreetMap. URL: https://www.openstreetmap.org/

со со

n NJ >6

• )

[5

® 8

Ю DO

■ £

s □

s У

с о

<D *

о о

10 10

u w

"8 I

При оценке влияния на пассажиропоток каждой независимой переменной в отдельности использовался парный регрессионный анализ. Для совместной оценки влияния независимых переменных применялся мультирегрессионный анализ.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Оценка плотности жилой функции указывает на наличие линейной зависимости по отдельным 90

городам, а также при их совместном рассмотрении (рис. 1).

Плотность жилой функции отложена по оси абсцисс и преимущественно возрастает — годы, указывающие соответствующую плотность, смещаются вправо (рис. 1). Отдельные точки смещаются влево (годы идут не по порядку), что говорит о понижении плотности. Данные точки соответствуют годам ввода новых станций. В связи с вводом новых станций увеличивается пешая область охвата всей системы

s й

| 85

I iä

ü 80 И •§

§ . 75

и

I I 70 В i

c| 65

2013

* 2014

2019

^-"2015

/— • *

2017 ---

2008 *~2016

^^ 2011 *

2010.--"'

2009

^^ 2007

"2006

2005

5 3

5 a.

8 M

ё«

l-H

2008 щ 2007 • 2006 ^___ 2005 ^^ • ^^^ .20" 2014 • 2015 • ^^ 2016 ... - ^ ^ 2018 2019

2009 ^010 ^011 •

1050 1100 1150 1200 1250 1300

Плотность жилой функции, м2/га Density of residential funcion, m2 per hectare

a

600 650 700 750 800 850

Плотность жилой функции, м2/га Density of residential funcion, m2 per hectare

Ь

19

S k 18

P I 17

§ 1 r

3 C. 16

115

0 5

1 14

I i 13

cd m e cd

« 12

2008

2010

2009

• ____ 2012 2015

2011 • *

* 2013 2016

2014* •

•2017

2018 ----

2019

2005

2007

2006

J I 80

60

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

с If 40

is а ь

I SP

3 - 20

ез и

в £

о

-Линия регрессии / Regression line A A A *

* Новосибирск / Novosibirsk А Д k

• Екатеринбург / Ekaterinburg * A A /

♦ • _ > A

x Я / ♦ Казань

Kazan

x Нижний Новгород

4 it Nizhny Novgorod

+ Самара

* * Samara

720

740 760 780 800 820 840

Плотность жилой функции, м2/га Density of residential funcion, m2 per hectare

860

400 600 800 1000 1200

Плотность жилой функции, м2/га Density of residential funcion, m2 per hectare

e /

Рис. 1. График линейной регрессии с диаграммой рассеяния для радиуса шаговой доступности от станций метрополитена 0-800 м по городам: Новосибирск (а); Екатеринбург (b); Казань (с); Нижний Новгород (d); Самара (e); общий тренд f) Fig. 1. A linear regression diagram with a scatter diagram for the 0-800 m walkability radius of stations by cities: Novosibirsk (a); Ekaterinburg (b); Kazan (c); Nizhny Novgorod (d); Samara (e); general trend f)

метрополитена, что изменяет плотность жилои функции. Уменьшение плотности жилой функции указывает на ее низкую величину в области пешей доступности новой станции метрополитена.

По полученным коэффициентам (табл. 1) формируется уравнение линейной регрессии:

y(x) = bo + bxx,

(1)

где Ьо — коэффициент регрессионной модели, не имеет физического смысла; Ь1 — коэффициент уравнения, показывающий изменение среднего значения пассажиропотока при изменении жилой площади зданий на 1 м2, в соответствующем радиусе охвата станций метрополитена.

Коэффициент детерминации R2 демонстрирует, насколько пассажиропоток метрополитена опреде-

ляется жилой площадью зданий в радиусах пешей доступности.

Отсутствие зависимости для городов Нижний Новгород и Самара соответствует ранее проведенному исследованию авторов [16]. Однако совместная оценка региональных городов показывает, что плотность жилой функции формирует общий тренд (рис. 1). Данные по Самаре выглядят аномально, но при этом уравнение регрессии и коэффициенты являются значимыми, а величина полученного коэффициента корреляции указывает на наличие взаимосвязи. С целью компенсировать недостатки учета только плотности жилой функции далее рассматривается влияние деловой функции. Количество организаций в пешей доступности от станций метро -политена представлено в табл. 2.

Табл. 1. Результаты регрессионного анализа по плотности жилой функции Table 1. Results of regression analysis based on residential function density

Коэффициент Coefficient Радиус пешей доступности от станций метрополитена, м Walkability radius of stations, m

0-400 0-800 0-1200 400-800 800-1200

г. Новосибирск / Novosibirsk

r 0,74 0,73 0,74 0,72 0,75 e

R2 0,54 0,54 0,55 0,52 0,56 t

b0 1,4 • 107 1,7 • 107 2,1 • 107 2,0 • 107 2,6 • 107 k

P > |t|b0 0,404 0,302 0,168 0,222 0,056 3

bi 5,8 • 104 5,1 • 104 4,9 • 104 4,6 • 104 4,6 • 104 M

P > |t|bi 0,002 0,002 0,002 0,002 0,001 .

г. Екатеринбург / Ekaterinburg °

r 0,65 0,62 0,65 0,61 0,68 Ц

R2 0,42 0,39 0,42 0,38 0,46 J

b0 2,0 • 107 2,8 • 107 2,5 • 107 3,0 • 107 2,2 • 107 n

P > №0 0,038 0,001 0,003 0,000 0,013 œ

bi 3,7 • 104 2,4 • 104 2,5 • 104 2,1 • 104 2,5 • 104 C

P > |t|bi 0,009 0,013 0,009 0,015 0,006 0

г. Казань / Kazan Г

r 0,88 0,92 0,91 0,94 0,84 a

R2 0,78 0,85 0,83 0,88 0,71 œ

b0 -1,7 • 106 -1,3 • 107 -2,8 • 107 -1,9 • 107 -4,0 • 107 œ

P > №0 0,623 0,006 0,000 0,001 0,002 >

bi 5,3 • 104 6,0 • 104 7,3 • 104 6,3 • 104 8,0 • 104 e

P > |t|bi 0,000 0,000 0,000 0,000 0,000 a

г. Нижний Новгород / Nizhny Novgorod ô>

r 0,36 0,21 0,20 0,16 0,18 <

R2 0,13 0,04 0,04 0,03 0,03 1

b0 2,3 • 106 2,0 • 107 2,3 • 107 2,5 • 107 2,5 • 107

P > №0 0,914 0,183 0,085 0,063 0,030 1

bi 4,9 • 104 2,1 • 104 1,6 • 104 1,4 • 104 1,2 • 104 1

P > |t|bi 0,187 0,452 0,485 0,566 0,515 s

г. Самара / Samara ®

r -0,66 -0,23 -0,10 -0,12 0,05

R2 0,44 0,05 0,01 0,01 0,003 g

b0 4,4 • 107 2,2 • 107 1,8 • 107 1,8 • 107 1,4 • 107 3

П

<D О

H X

s

ж

о

CD CD ^J

I

О CD СО СП

СО СО

M СО

0

1

СП СП о о

о

п

J У

о

ж °

о 10 U

Окончание табл. 1 / End of the Table 1

Коэффициент Coefficient Радиус пешей доступности от станций метрополитена, м Walkability radius of stations, m

0-400 0-800 0-1200 400-800 800-1200

P > |t|bo 0,000 0,019 0,042 0,026 0,070

bi -3,4 • 104 -0,9 • 104 0,4 • 104 -0,4 • 104 0,2 • 104

P > 11| b i 0,007 0,403 0,727 0,674 0,852

Общий тренд / General trend

r 0,72 0,80 0,85 0,80 0,82

R2 0,51 0,64 0,73 0,65 0,67

b0 -1,1 • 107 -1,6 • 107 -2,8 • 107 -1,5 • 107 -2,8 • 107

P > |t|b0 0,074 0,002 0,000 0,003 0,000

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

b1 6,7 • 104 7,1 • 104 8,5 • 104 6,8 • 104 8,2 • 104

P > |t|b1 0,000 0,000 0,000 0,000 0,000

Табл. 2. Количество организаций в пешей доступности от станций метрополитена в 2019 г Table 2. Number of companies within walking distance from metro stations in 2019

Город City Радиус пешей доступности от станций метрополитена, м Walkability radius of stations, m

0-400 400-800 800-1200

Новосибирск / Novosibirsk 2670 5229 5251

Екатеринбург / Ekaterinburg 836 2222 3078

Казань / Kazan 1210 3259 3606

Нижний Новгород / Nizhny Novgorod 1052 2415 2309

Самара / Samara 593 1617 2053

W (0

N N

О О

N N

ei ei ¡г ai

U 3

> (Л

с и IQ 00

. Г

« dl

Ü!

Ф О)

О ё

от "

ОТ Е

— ч-^

^ w Е §

CL ° ^ с ю °

S g

о ЕЕ

а> ^

~z. £ £

от °

£ w ■8

Рис. 2. График линейной регрессии с диаграммой рассеяния для радиуса 800 м за период с 2012 по 2019 гг. Fig. 2. A linear regression diagram with a scatter diagram for the 800 m radius from 2012 to 2019

Оценка по городам взаимосвязи плотности всех организаций от пассажиропотока показывает наличие значимой зависимости с 2010 г. На графике рассеяния прослеживается различие от города к городу (рис. 2).

По каждому городу в отдельности не прослеживается наличие зависимости плотности организаций от пассажиропотока метрополитена. При этом полу-

ченный тренд имеет значительный разброс значений и не объясняет имеющиеся различия по городам. Одна и та же плотность числа организаций может соответствовать пассажиропотоку 15 и 52 млн человек. Отсутствие зависимости плотности деловой функции в радиусе пешей доступности метрополитена по городам в отдельности может быть следствием неполноты данных по организациям. Чтобы из-

бежать ошибки в связи с возможным отсутствием данных в ретроспективе выполнена оценка плотности размещения организаций в городе на 2019 г. Для оценки плотности размещения организаций терри-

О

тория каждого города была поделена на квадраты со стороной 650,0 м. Далее проведена оценка количества организаций, соответствующая каждому квадрату (рис. 3).

Ж/д вокзал Railway station

АЦГ City hall

Линия метрополитена Metro line

Число организаций Number of corporate entities

1-351 351-701 I 701-1051 I 1051-1401 I 1401-1751

< П

tT

iH О Г

M 2

со со

J со

u -

r i n

i 3 о

oî n

со со

n a g

i 6 >6

• )

em

m

Ю DO

■ £

s S

s у

с о

<D *

0) 01

M M

о о

10 10

u w

ел

■8 Г Е!

О (Я №

(О (О

N N

О О

СЧ СЧ

СЧ~СЧ~

К о и 3

> (Л

с и

и 00

. Г

« (и

I!

Ф О)

о ё

<л ел

Е о

£ ° ^ с

ю о

£ 1

о ЕЕ

О) ^

т- ^

Рис. 3. Карта плотности размещения организаций на 2019 г. по городам: Новосибирск (а); Екатеринбург (b); Казань (с); Нижний Новгород (d); Самара (e)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Fig. 3. Density map of corporate entities in 2019 in Novosibirsk (a); Ekaterinburg (b); Kazan (c); Nizhny Novgorod (d); Samara (e)

Оценка плотности размещения организаций показывает, что их наибольшая концентрация приближена к положению административных центров городов (АЦГ). В качестве параметра, который характеризует влияние деловой функции, принято среднее расстояние от каждой станции до АЦГ и железнодорожных (ж/д) вокзалов как основных точек притяжения. Для данного параметра прослеживается линейная зависимость (рис. 4).

Оценка регрессионной зависимости по городам по удаленности АЦГ и ж/д вокзала является значимой на отрезке с 2007 по 2019 гг. (коэффициент корреляции — 0,75). Коэффициенты и уравнение парной линейной регрессии также значимы. Данная независимая переменная не коррелирует с плотностью жилой застройки, коэффициент корреляции менее 0,75. В связи с отсутствием мультиколлинеарности эти переменные можно использовать в одном уравнении.

Совместный учет влияния жилой функции (для различных радиусов пешей доступности) и среднего расстояния от каждой станции метрополитена до АЦГ и ж/д вокзала показывает, что полученные уравнения мультирегрессии, а также их коэффициенты являются значимыми (табл. 3).

ц

5 и

В- -Я

80

60

J

¡в

ш

40

20

С

i a A -Линия регрессии / Regression line Новосибирск / Novosibirsk э Екатеринбург / Ekaterinburg ♦ Казань / Kazan x Нижний Новгород / Nizhny Novgorod + Самара / Samara

• • ♦ ♦ ♦ * » x 1 i

3 4 5 6 7 8

Среднее расстояние от станции до делового центра и ж/д вокзала, км Mean distance from station to a business scentre and railway station, km

Рис. 4. Диаграмма рассеяния и график линейной регрессии среднего расстояния от каждой станции до административных центров и железнодорожных вокзалов для периода с 2007 по 2019 гг. Fig. 4. Linear regression diagram an a scatter diagram of the mean distance from each metro station to office centres and railway stations in 2007 to 2019

< П

tT

iH О Г

0 w

t CO

1 z y i

J CD

U -

> i

n °

» 3

0 CJl

01

о n

CO CO

l\J CO

о

>6 о о

0)

о

c n

• )

[8

® 8

Ю DO

■ T

(Л У

с о <D Ж

° 1

О О 10 10 u w

Табл. 3. Результаты мультирегрессионного анализа по городам: Новосибирск, Екатеринбург, Казань, Нижний Новгород, Самара для независимых переменных: среднее расстояние от каждой станции метрополитена до АЦГ и ж/д вокзала; плотность жилой площади

Table 3. Regression analysis for independents variables in Novosibirsk, Ekaterinburg, Kazan, Nizhny Novgorod, Samara. Mean distance from all metro stations to railway stations and the office building, and density of residential areas

Коэффициент Coefficient Радиус пешей доступности от станций метрополитена, м Walkability radius of stations, m

0-400 0-800 0-1200 400-800 800-1200

R2 0,90 0,84 0,80 0,80 0,69

bo 3,6 • 107 2,7 • 107 7,9 • 106 2,6 • 107 2,2 • 106

P > |i|bo 0,000 0,000 0,330 0,000 0,862

bi 6,0 • 104 5,6 • 104 6,7 • 104 5,2 • 104 6,5 • 104

P > tbi 0,000 0,000 0,000 0,000 0,000

b2 -8,7 • 106 -6,6 • 106 -4,6 • 106 -6,0 • 106 -3,3 • 106

P > |t|b2 0,000 0,000 0,000 0,000 0,012

Полученная зависимость выражается уравнением мультирегрессии:

(О (О

N N

О О

N N

СЧ СЧ

К <D

U 3

> (Л

с и

U оо

. г

« (U

!!

Ф О)

О ё

ел

Е о

^ с

ю °

S g

о ЕЕ

О) ^

т- ^

W

ел

y = b0 + Vj + b2x2,

(2)

где Ьо — коэффициент регрессионной модели, не имеет физического смысла; Ь1 — коэффициент уравнения, показывающий изменение среднего значения пассажиропотока метрополитена при изменении жилой площади зданий на 1 м2, в соответствующем радиусе пешей доступности; Ь2 — коэффициент уравнения, показывающий изменение среднего значения пассажиропотока при изменении среднего расстояния от всех станций метрополитена до административного центра и ж/д станций на 1 км в соответствующем радиусе пешей доступности.

ЗАКЛЮЧЕНИЕ И ОБСУЖДЕНИЕ

Выполнена оценка распределения плотности жилой и деловой функций относительно пешей доступности станций метрополитена для определения их взаимосвязи с годовым пассажиропотоком метрополитена. Исследование было направлено на выявление характерного для региональных городов России перечня функций территории, а также распределение их плотности, которые формируют пассажиропоток метрополитена. Для городов Самары и Нижнего Новгорода присуще снижение пассажиропотока в отличие от других региональных городов России, имеющих систему метрополитена.

Оценка формирования пассажиропотока метрополитена через плотность жилой функции в пешей доступности станций показывает, что плотность жилой функции является:

• значимой для городов Новосибирск, Екатеринбург, Казань;

• незначимой для городов Нижний Новгород и Самара;

• значимой при совместном рассмотрении региональных городов России, имеющих метрополитен.

Наличие общего тренда является показателем значимости жилой функции при формировании пассажиропотока метрополитена. При этом величина плотности жилой функции для Самары имеет низкую величину пассажиропотока по сравнению с другими городами (рис. 1). Это, а также незначимость жилой функции по городам Нижний Новгород и Самара указывает на недостаточность рассмотрения формирования пассажиропотока метрополитена только от жилой функции.

Среднее расстояние от каждой станции до АЦГ и ж/д вокзала, принятое в качестве показателя, описывающего распределение мест деловой активности, имеет близкие значения для городов Екатеринбург и Казань, но при этом различаются пассажиропотоки (рис. 4). Авторы предлагают следующее объяснение. Среднее расстояние характеризует двунаправленный процесс: удлинение сети с одной стороны увеличивает число пассажиров за счет включения в обслуживание новых территорий, а с другой—число новых пассажиров, приходящих с новых станций, уменьшается с увеличением затрат времени в пути до городского центра. В связи с тем, что метрополитен г. Казань был введен в эксплуатацию в 2005 г., расширение сети приводит преимущественно к увеличению пассажиров за счет включения большой территории города при небольшой удаленности от делового центра. Прочие города меньше подвержены колебанию данного параметра, так как они имеют устоявшийся пассажиропоток. В целом график характеризует различие от города к городу в фоновом пассажиропотоке (рис. 4). В зарубежных исследованиях станции, расположенные в центральных деловых районах, часто не включают в расчет, чтобы избежать искажения данных и учесть только влияние жилья и т.д. В случае с региональными городами

России центральный деловой район может быть одним из немногих крупных аттракторов в городе.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

В результате оценки формирования пассажиропотока метрополитена по городам Новосибирск, Екатеринбург, Казань, Нижний Новгород и Самара получено, что годовой пассажиропоток определяется средним расстоянием от каждой станции до АЦГ и ж/д вокзала и плотностью жилой площади зданий в соответствующих радиусах пешей доступности на 69-90 %. Это говорит о том, что АЦГ и ж/д вокзал являются основными центрами притяжения, формирующими постоянный спрос в городах. Данные выводы объясняют падение пассажиропотока в городах Самара и Нижний Новгород: для Самары — АЦГ и ж/д вокзал, а для Нижнего Новгорода АЦГ находится вне радиуса пешей доступности станций метрополитена (1200 м). Также можно сделать вывод, что наличие сети метрополитена не приводит к естественной концентрации основных мест притяжения в радиусах пешей доступности станций. Прочие факторы, такие как подвоз наземным транспортом, удобство пешеходной среды и т.д., неучтенные в регрессионном управлении, составляют ошибку математической модели. Поскольку уравнение муль-

тирегрессии и его коэффициенты значимы, влияние данных факторов является несущественным.

В результате исследования решается проблема отсутствия перечня факторов, формирующих пассажиропоток метрополитена, которые характерны для региональных городов России. Выявленные параметры планировочной структуры, характерные для региональных городов, имеющих метрополитен, описывают формирование годового пассажиропотока.

В настоящее время в городах Самара и Нижний Новгород планируется строительство станций метрополитена в центральной части города. В соответствии с результатами исследования это приведет к увеличению пассажиропотока метрополитенов в связи с уменьшением среднего расстояния от каждой станции метрополитена до АЦГ и ж/д вокзала.

Направлением дальнейшего исследования является оценка величины вклада жилой функции в формирование пассажиропотока метрополитена отдельно по каждому радиусу пешей доступности станций метрополитена при их суммарном рассмотрении. Планируется выполнить оценку на основе анализа главных компонент (PCA — principal component analysis).

СПИСОК ИСТОЧНИКОВ

1. Вучик В.Р. Транспорт в городах, удобных для жизни / пер. с англ. А. Калинина под науч. ред. М. Блинкина. М. : Территория будущего, 2011. 574 с.

2. Бунеев В.М., Новоселов В.И. Пассажирский транспорт Новосибирска: Проблемы повышения эффективности и развития. Новосибирск : НГАВТ, 1999. 268 с.

3. Александер К.Э. Скоростной рельсовый транспорт в градостроительстве. М. : Стройиздат, 1985. 139 с.

4. Козлов П.И., Власов Д.Н. Оценка параметров качества обслуживания пассажиров в транспортно-пересадочных узлах // Вестник МГСУ. Т. 12. № 5 (104). С. 529-536. DOI: 10.22227/1997-0935.2017.5.529-536

5. Смирнова Е.А. Метрополитен в структуре российских городов // Архитектура и строительство России. 2010. № 6. С. 16-25.

6. СмоловаМ.В. Типологическое многообразие сетей метрополитена как отражение пространственно-планировочной структуры города // Известия КГАСУ. 2017. № 3 (41). С. 75-86.

7. Nyunt T.K., Wongchavalidkul N. Evaluation of relationships between ridership demand and Transit-Oriented Development (TOD) indicators focused on land use density, diversity, and accessibility: A case study of existing metro stations in Bangkok // Urban Rail Transit. 2020. Vol. 6. Issue 1. Pp. 56-70. DOI: 10.1007/s40864-019-00122-2

8. Lin C., Wang K., Wu D., Gong B. Passenger flow prediction based on land use around metro stations: A case

study // Sustainability. 2020. Vol. 12. Issue 17. P. 6844. DOI: 10.3390/su12176844

9. An D., TongX., Liu K., Chan E. Understanding the impact of built environment on metro ridership using open source in Shanghai // Cities. 2019. Vol. 93. Pp. 177-187. DOI: 10.1016/j.cities.2019.05.013

10. Nawrocki J., Nakagawa D., Matsunaka R., Oba T. Measuring walkability and its effect on light rail usage: A comparative study of the USA and Japan // WIT Transactions on The Built Environment. 2014. DOI: 10.2495/UT140261

11. Liu S., Yao E., Li B. Exploring urban rail transit station-level ridership growth with network expansion // Transportation Research Part D: Transport and Environment. 2019. Vol. 73. Pp. 391-402. DOI: 10.1016/j.trd.2018.04.006

12. Gutirrez J., Cardozo O.D., Gar^a-Palo-mares J.C. Transit ridership forecasting at station level: an approach based on distance-decay weighted regression // Journal of Transport Geography. 2011. Vol. 19. Issue 6. Pp. 1081-1092. DOI: 10.1016/j.jtrangeo.2011.05.004

13. Lee S., Yi C., Hong S. Urban structural hierarchy and the relationship between the ridership of the Seoul Metropolitan Subway and the land-use pattern of the station areas // Cities. 2013. Vol. 35. Pp. 69-77. DOI: 10.1016/j.cities.2013.06.010

14. Berawi M.A., Saroji G., Iskandar F.A., Ibrahim B.E., Miraj P., Sari M. optimizing land use allocation of Transit-Oriented Development (TOD) to

< n

tT

iH

О Г s 2

0 м t со

1 » y i

J CD

U -

> I

n °

» 3

о »

о n

со со

n M

» 6 >6

• )

[S

® 8

Ю DO

■ £

s □

s У

с о

(D X

M 2

о о

10 10

u w

generate maximum ridership // Sustainability. 2020. Vol. 12. Issue 9. P. 3798. DOI: 10.3390/su12093798

15. Liu S., Yao E., Yamamoto T. Does urban rail transit discourage people from owning and using cars? Evidence from Beijing, China // Journal of Advanced Transportation. 2018. Vol. 2018. Pp. 1-11. DOI: 10.1155/2018/1835241

16. Ушаков Д.Е., Карелин Д.В. Оценка востребованности метрополитенов жителями в пешеходной доступности от станций // Строительство: наука и образование. 2022. Т. 12. № 1. С. 1. DOI: 10.22227/23055502.2022.1.1

17. ВоскобойниковЮ.Е. Эконометрика в Excel: парные и множественные регрессионные модели : учебное пособие. СПб. : Лань, 2016. 260 с.

18. Воскобойников Ю.Е. Построение регрессионных моделей в пакете MathCAD : учебное пособие. Новосибирск : НГАСУ (Сибстрин), 2009. 220 с.

19. Ozgur-Cevher O., Altintasi O., Tuydes-Yaman H. Evaluating the relation between station area design parameters and transit usage for urban rail systems in Ankara, Turkey // International Journal of Civil Engineering. 2020. Vol. 18. Issue 8. Pp. 951-966. DOI: 10.1007/s40999-020-00506-7

20. ZhangQ., Zhang Y.-J., DingX., WangQ.-P. Correlations between distribution of producer services and urban built environment in metro station areas: A case of Xi'an, China // Advances in Civil Engineering. 2022. Vol. 2022. Pp. 1-11. DOI: 10.1155/2022/6165563

Поступила в редакцию 20 сентября 2022 г. Принята в доработанном виде 31 октября 2022 г. Одобрена для публикации 6 февраля 2023 г.

(О (О

N N

О О

СЧ СЧ

СЧ~СЧ~ К (V U 3 > (Л

с и

m оо

. г

« (U ф ф

О %

(Л (Л

Е О

CL ° ^ с

ю °

S 1

о ЕЕ

СП ^

т- ^

г

Об авторах: Дмитрий Евгеньевич Ушаков — аспирант кафедры градостроительства и городского хозяйства; Новосибирский государственный архитектурно-строительный университет (Сибстрин); 630008, г Новосибирск, ул. Ленинградская, д. 113; РИНЦ ID: 877619, Scopus: 57195469078; [email protected];

Дмитрий Викторович Карелин—кандидат архитектуры, доцент, заведующий кафедрой градостроительства и городского хозяйства; Новосибирский государственный архитектурно-строительный университет (Сибстрин); 630008, г. Новосибирск, ул. Ленинградская, д. 113; РИНЦ ID: 212418, Scopus: 57195479145; ggh@ sibstrin.ru.

Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.

REFERENCES

1. Vuchic V.R. Transportation for livable cities. Moscow, Territory of the Future, 2011; 574. (rus.).

2. Buneev V.M., Novoselov V.I. Passenger transport in Novosibirsk: Problems of efficiency and development. Novosibirsk, NGAVT Publ., 1999; 268. (rus.).

3. Alexander K.E. High-speed rail in urban planning. Moscow, Stroyizdat Publ., 1985; 139. (rus.).

4. Kozlov P.I., Vlasov D.N. Passenger service quality parameters assessment at transport interchange hubs. Vestnik MGSU [Proceedings of Moscow State University of Civil Engineering]. 2017; 12(5):529-536. DOI: 10.22227/1997-0935.2017.5.529-536 (rus.).

5. Smirnova E.A. Subway in the structure of Russian cities. Architecture and Construction of Russia. 2010; 6:16-25. (rus.).

6. Smolova M.V. Typological diversity of subway networks as a reflection of the spatial and planning structure of the city. News of the Kazan State University ofArchitecture and Engineering. 2017; 3(41): 75-86. (rus.).

7. Nyunt T.K., Wongchavalidkul N. Evaluation of relationships between ridership demand and Transit-Oriented Development (TOD) indicators focused on land

use density, diversity, and accessibility: A case study of existing metro stations in Bangkok. Urban Rail Transit. 2020; 6(1):56-70. DOI: 10.1007/s40864-019-00122-2

8. Lin C., Wang K., Wu D., Gong B. Passenger flow prediction based on land use around metro stations: A case study. Sustainability. 2020; 12(17):6844. DOI: 10.3390/su12176844

9. An D., Tong X., Liu K., Chan E. Understanding the impact of built environment on metro ridership using open source in Shanghai. Cities. 2019; 93:177-187. DOI: 10.1016/j.cities.2019.05.013

10. Nawrocki J., Nakagawa D., Matsunaka R., Oba T. Measuring walkability and its effect on light rail usage: A comparative study of the USA and Japan. WIT Transactions on The Built Environment. 2014. DOI: 10.2495/UT140261

11. Liu S., Yao E., Li B. Exploring urban rail transit station-level ridership growth with network expansion. Transportation Research Part D: Transport and Environment. 2019; 73:391-402. DOI: 10.1016/j. trd.2018.04.006

12. Gutirrez J., Cardozo O.D., Garcia-Palomares J.C. Transit ridership forecasting at station

level: an approach based on distance-decay weighted regression. Journal of Transport Geography. 2011; 19(6):1081-1092. DOI: 10.1016/j.jtrangeo.2011.05.004

13. Lee S., Yi C., Hong S. Urban structural hierarchy and the relationship between the ridership of the Seoul Metropolitan Subway and the land-use pattern of the station areas. Cities. 2013; 35:69-77. DOI: 10.1016/j.cities.2013.06.010

14. Berawi M.A., Saroji G., Iskandar F.A., Ibrahim B.E., Miraj P., Sari M. Optimizing land use allocation of Transit-Oriented Development (TOD) to generate maximum ridership. Sustainability. 2020; 12(9):3798. DOI: 10.3390/su12093798

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

15. Liu S., Yao E., Yamamoto T. Does urban rail transit discourage people from owning and using cars? Evidence from Beijing, China. Journal of Advanced Transportation. 2018; 2018:1-11. DOI: 10.1155/2018/1835241

16. Ushakov D.E., Karelin D.V. The evaluation of the resident demand for underground railways within

walking distance of stations. Construction: Science and Education. 2022; 12(1):1. DOI: 10.22227/23055502.2022.1.1 (rus.).

17. Voskoboynikov Y.E. Econometrics in Excel: Paired and Multiple Regression Models : textbook. St. Petersburg, Lan', 2016; 260. (rus.).

18. Voskoboynikov Y.E. Building regression models in MathCAD : textbook. Novosibirsk, NGASU (Sibstrin), 2009; 220. (rus.).

19. Ozgur-Cevher O., Altintasi O., Tuydes-Ya-man H. Evaluating the relation between station area design parameters and transit usage for urban rail systems in Ankara, Turkey. International Journal of Civil Engineering. 2020; 18(8):951-966. DOI: 10.1007/s40999-020-00506-7

20. Zhang Q., Zhang Y.-J., Ding X., Wang Q.-P. Correlations between distribution of producer services and urban built environment in metro station areas: A case of Xi'an, China. Advances in Civil Engineering. 2022; 2022:1-11. DOI: 10.1155/2022/6165563

Received September 20, 2022.

Adopted in revised form on October 31, 2022.

Approved for publication on February 6, 2023.

B i o n o t e s : Dmitriy E. Ushakov — postgraduate student of the Department of Urban Planning and Urban Economy; Novosibirsk State University of Architecture and Civil Engineering (Sibstrin); 113 Leningradskaya st., Novosibirsk, 630008, Russian Federation; ID RSCI: 877619, Scopus: 57195469078; [email protected];

Dmitriy V. Karelin — PhD in Architecture, Associate Professor, Head of the Department of Urban Planning and Urban Economy; Novosibirsk State University of Architecture and Civil Engineering (Sibstrin); 113 Leningradskaya st., Novosibirsk, 630008, Russian Federation; ID RSCI: 212418, Scopus: 57195479145; [email protected].

Contribution of the authors: all authors made equivalent contributions to the publication. The authors declare that there is no conflict of interest.

< DO

tT

iH

О Г

0 w

t CO

1 z y i

J CD

U -

> I

n °

» 3

0 CJl

01

о n

CO CO

n NJ >6

• )

[8

® 8

Ю DO

■ T

(Л У

с о

<D *

о о

10 10

U W

i Надоели баннеры? Вы всегда можете отключить рекламу.