多源数据下电动汽车充电站空间分布与地铁站锚点效应的关系研究

Research on the Relationship between the Spatial Distribution of Electric Vehicle Charging Stations and the Anchor Effect of Subway Stations Based on Multi-Source Data

摘要: 随着中国新能源汽车产业的迅猛发展，充电基础设施布局合理性成为制约其推广的关键。研究以徐州市中心城区为案例，探究城市轨道交通(地铁)站点对电动汽车充电站空间分布的引力作用。综合运用GIS空间分析(渔网分析、核密度估计、叠加分析)以及数理统计(相关性分析)模型，对693个充电站POI数据与地铁网络进行多维度解析。研究发现：1) 徐州市充电站空间分布呈现显著的“核心–边缘”结构，形成多中心集聚与轴向延伸格局，存在服务盲区与过度集中并存的问题；2) 充电站与地铁站点存在显著的空间耦合性与统计相关性，强有力地验证了轨道交通锚点效应的存在；3) 充电站与商圈POI的重合度高达61.4%，并且“到地铁站距离”与“商场密度”的交互作用对充电站密度解释力最高。验证了地铁站对于电动汽车充电站的锚点效应，应是未来布局优化的优先区域。研究结论可为高密度城市充电基础设施的精准布局与优化提供科学依据和决策支持，也为后续建立“交通–能源–用地”一体化配置模型奠定案例基础。

Abstract: With the rapid development of China’s new energy vehicle (NEV) industry, the rational layout of charging infrastructure has become a key constraint to large-scale adoption. Taking the central urban area of Xuzhou as a case study, this research investigates the spatial attraction of urban rail transit (metro) stations on the distribution of electric vehicle (EV) charging stations. A combination of GIS spatial analyses (fishnet analysis, kernel density estimation, and overlay analysis) and statistical models (correlation analysis) is employed to examine 693 charging station POIs in relation to the metro network. The results reveal that: 1) EV charging stations exhibit a distinct “core-periphery” structure, forming a multi-centered and axis-oriented pattern with both service gaps and over-concentration areas; 2) Charging stations show significant spatial coupling and statistical correlation with metro stations, confirming the existence of a rail transit anchor effect; 3) The overlap rate between charging stations and commercial POIs reaches 61.4%, and the interaction between “distance to metro stations” and “commercial density” provides the highest explanatory power for charging station density. The findings demonstrate that metro station areas should be prioritized in future layout optimization. This study offers empirical support for the precise planning of charging infrastructure in high-density cities and provides a foundation for developing integrated “transport-energy-land use” configuration models.

1. 引言

近年来，中国的新能源汽车发展迅速，选择新能源汽车出行的人数逐渐增加。2024年中国新能源汽车市场迎来爆发式增长，国家政策扶持力度空前，新能源汽车保有量突破2500万辆，销量同比激增超四成，市场渗透率持续50%以上。江苏是全国重要的汽车产业基地，根据江苏省工信厅发布的数据，2024年，全省新能源汽车产销分别为122.6万辆和128万辆，同比增长17.1%和23.7%，总体呈现强劲增长趋势。图1显示为近几年江苏省新能源汽车保有量。

Figure 1. The number of new energy vehicles in Jiangsu Province from 2019 to 2024

图1. 2019~2024年江苏省新能源汽车保有量

然而，与新能源汽车的快速普及形成鲜明对比的是，充电基础设施的建设速度明显滞后。据中国充电联盟统计，国内车桩比仍维持在2.4:1的高位[1]，且公共充电桩占比不足52%，充电设施布局的结构性矛盾日益凸显[2]。在土地资源高度集约化的城市核心区，充电站选址不仅需考虑电网承载能力，更需要与城市公共交通体系形成协同效应。

全国已建成地铁的55个城市中，日均客流量超百万的站点达400余个，这些地铁口周边3公里范围内聚集了城市40%以上的居住人口和60%的就业岗位，形成了天然的交通流量枢纽。

目前，国内外学者对电动汽车充电基础设施的研究主要集中在选址模型优化[3]、服务覆盖效率评价与空间公平性分析等方面，部分研究开始关注充电站与城市功能空间(如商圈、居住区、公共设施)的耦合特征[4]，多集中在整体布局效率，缺乏从城市交通系统耦合视角出发探讨城市公共(轨道)交通对新能源设施空间布局的影响。地铁作为高密度城市的公共交通骨干，其站点兼具交通集散与功能集聚属性，可能对周边空间能源设施的分布产生显著的“锚点效应”。所谓锚点效应，用以描述个体在不确定环境下进行判断时倾向于依赖某一显著参照点的认知偏差。在空间决策中，这种“锚定–调整”机制表现为人们在进行出行、选址或设施使用决策时，会受到特定地理要素(如地铁站、商圈、学校或地标性建筑)的显著吸引，从而在空间上形成聚集或偏好分布。在交通地理与城市空间研究中，锚点效应被重新定义为交通设施或节点对周边空间要素的吸引与结构牵引作用。地铁站作为城市交通网络的高可达性节点，其辐射范围内的出行活动、商业布局及能源设施均呈现出集聚倾向，便可能成为新能源汽车用户充电选址的“心理锚”[5]。

在此情境下，选取徐州市中心城区作为案例，基于多源数据，应用空间相互作用理论、“锚点效应”理论，结合GIS空间分析与数理统计方法展开多维度分析[6]，检验轨道交通对新能源基础设施的引力作用，丰富交通地理学与城市能源空间互动的研究视角，揭示核心区过度集中与边缘区服务盲区等现实问题[7]，为地方政府在有限土地资源约束下优化充电站配置提供科学依据，并为推动“交通–能源–用地”一体化规划和落实“双碳”战略目标提供经验借鉴[8]。

2. 研究区域概况

2.1. 研究区域界定

注：该图基于自然资源部标准底图服务网站下载的审图号为GS (2024) 0650号的标准地图制作，底图无修改。

Figure 2. Research area—central urban area of Xuzhou City

图2. 研究区域——徐州市中心城区

徐州市是江苏省地级市，省域副中心城市，国务院批复确定的国家历史文化名城、全国性综合交通枢纽，淮海经济区城市政治、经济、文化中心。近年来徐州市大力推动绿色低碳发展，不断加快充电设施建设。由于徐州市外围区域城市化进程相对较慢，且未修建地铁，文中采用徐州市市中心城区范围作为研究区，包括徐州市内鼓楼区、泉山区、云龙区、贾汪区、铜山区的全部区域(图2)。该地区充电站布局时期较早、分布数量较多具有案例代表性和研究典型性。

徐州市作为国家级新能源汽车示范城市，作为新兴轨道交通城市(已开通4条线路，总里程95.14 km，日均客流30.05万人次)并具有领先的新能源政策(2025年规划新建公共充电桩1.2万个，车桩比2:1)，成为研究轨道交通锚点效应的理想对象，其结论对同等级都市圈具有可移植价值。据此，本研究以徐州市中心城区为案例，揭示轨道交通站点与电动汽车充电站的空间分布关系，为新基建的理论研究贡献典型案例，为充电站的优化布局提供科学依据。

2.2. 数据来源与处理

本研究采用多源数据，包括：

(1) 电动汽车充电站POI数据：从高德地图平台获取2025年3月数据，经清洗去重、剔除无效记录后，共得到693个有效点位；

(2) 轨道交通数据：徐州市地铁1、2、3号线所有站点的地理坐标信息(徐州市地铁6号线于2025年9月底试运营，因此不作为主要研究对象)；

(3) 辅助POI数据：包括商场、写字楼、住宅区等类别的POI数据，用于分析功能业态对充电站布局的影响；

(4) 基础地理信息数据：包括徐州市中心城区行政边界、道路网络数据等。

所有数据均在ArcGIS 10.8平台中进行坐标统一(转换为CGCS2000坐标系)和空间连接处理，建立地理信息数据库。

将获取的693个有效充电站点数据导入ArcGIS 10.8平台后，统一坐标系并结合行政区边界进行裁剪和清洗，剔除重复与无效点。最终将点位叠加至徐州市中心城区范围内，绘制得到充电站空间分布图，如图3所示。

Figure 3. Spatial distribution map of charging stations in the central urban area

图3. 中心城区充电站空间分布图

3. 研究方法

3.1. 核密度分析

核密度估计用于可视化充电站和地铁站点的空间集聚特征，识别热点区域。其基本思想是：以每个样本点为中心，在一定带宽范围内赋予邻近区域权重，计算得到某一位置的密度值。计算公式如式1：

$f_n\left(x\right)=\frac{1}{nh}{\displaystyle \sum }_{i=1}^{n}k\left(\frac{x-x_i}{h}\right)$ (1)

式中：$f_n\left(x\right)$ 为位置x处的核密度估计值，h为宽度(搜索半径)，n为范围内样本点的个数，$x-x_i$ 为估值

点到样本$x_i$ 处的距离，$k\left(\frac{x-x_i}{h}\right)$ 为核函数。

3.2. 渔网分析

根据研究区域的大小和分析需求，可以设置渔网的大小和形状(如正方形、矩形或六边形)。通过使用ArcGIS工具中的“创建渔网”功能，可以生成覆盖整个研究区域的渔网。在创建渔网后，可以将不同类型的数据(如人口、环境、经济等)聚合到每个渔网单元中。通过数据聚合，可以计算每个单元的平均值、总和或其他统计指标。这些聚合后的数据有助于识别区域内的模式和趋势。在渔网数据的基础上，可以计算每个单元与特定点的距离，分析不同区域的影响范围。

每个网格单元的充电站密度计算公式为式2：

${\text{Density}}_i=\frac{N_i}{A_i}$ (2)

其中，${\text{Density}}_i$ 表示第i个网格单元的密度，$N_i$ 表示网格内要素的数量，$A_i$ 为网格面积，用于密度分级，识别不同密度等级的分布特征。

3.3. 空间叠加分析

叠加分析通过对两个或多个不同主题的空间数据图层(通常为矢量图层)进行叠加操作，基于其空间位置关系，融合各图层的属性信息，从而生成一个新的、综合性的数据图层，找出不同数据层之间的关系和相互作用，更直观地分析其空间耦合关系[9]。

3.4. 空间相关性分析

采用皮尔逊相关系数、肯德尔和斯皮尔曼系数三种相关系数定量分析充电站与地铁站的空间相关性，验证锚点效应的存在性[9]。

(1) 皮尔逊相关系数：

主要用于衡量两个连续变量之间的线性相关程度，其取值范围为[−1, 1]。其公式为：

$r=\frac{{{\displaystyle \sum }}_{i=1}^n\left(x_i-\overline{x}\right)\left(y_i-\overline{y}\right)}{\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\overline{x}\right)}^2{{\displaystyle \sum }}_{i=1}^n{\left(y_i-\overline{y}\right)}^2}}$ (3)

其中，$\overline{x}$ 和$\overline{y}$ 为样本均值，n为网格总数。

当r > 0时表示正相关，r < 0时表示负相关，$\left|r\right|$ 越接近1，线性关系越强。

(2) 肯德尔等级相关系数：

肯德尔系数用于衡量两个变量排序之间的一致性，适合处理等级变量或含有大量重复值的数据。其计算基于样本对的“同向对”与“反向对”的数量差异，取值范围同样为[−1, 1]，值越大表示排序一致性越高。

${\tau }_b=\frac{n_c-n_d}{\sqrt{\left(n_0-n_1\right)\left(n_0-n_2\right)}}$ (4)

其中，$n_c$ 为一致对数，$n_d$ 为不一致对数。

(3) 斯皮尔曼等级相关系数：

斯皮尔曼系数通过将原始数据转化为秩次，再计算皮尔逊相关系数来衡量变量之间的单调关系(无论线性或非线性)。其公式为：

$\rho =1-\frac{6\sum d_i^2}{n\left(n^2-1\right)}$ (5)

其中，$d_i$ 为第i对数据的等级差。

皮尔逊系数强调线性关系，而肯德尔等级相关系数与斯皮尔曼等级相关系数更注重秩相关与单调关系，三者结合能够较全面地揭示分布之间的相关性。

4. 电动汽车充电站空间分布特征

4.1. 整体分布格局：核心–边缘结构显著

核密度分析结果(图4)表明，徐州市中心城区充电站空间分布呈现明显的“核心–边缘”结构，即多中心集聚、轴向延伸的特征[10]。核心高密度区主要分布在鼓楼区中心商圈、云龙湖周边商业区以及徐州东站(高铁站)交通枢纽，形成了多个一级热点中心。这些区域是城市商业、交通和公共活动的核心，充电需求旺盛。从核心区向外，密度逐渐降低，呈现出沿城市主干道(如解放路、淮海路)轴向延伸的态势，这与城市拓展方向和交通流走廊高度吻合。

Figure 4. Distribution map of nuclear density of charging stations in the central urban area

图4. 中心城区充电站核密度分布图

4.2. 密度分级与空间异质性

创建0.03 km × 0.03 km的规则渔网覆盖研究区，生成382个网格单元。统计每个网格内的充电站数量和地铁站数量，将连续的空间分布转化为离散的密度分布，用于后续的空间统计和相关性分析。该尺度既能捕捉街区级差异，又避免因网格过细导致样本稀疏，可满足后续相关性检验的样本量需求。

渔网密度分析(图5)将充电站数量划分为5个等级(0-1, 2-5, 6-11, 12-16, 17-35)。结果显示：高密度网格(17~35个)占网格总数的4.2%，但集中了全市28.5%的充电站，高度集中于核心热点区；中密度网格(6~16个)多分布于核心区外围的城市建成区，连接各核心节点，形成带状扩散走廊；低密度与空白网格(0~5个)主要分布在研究区边缘和大型生态绿地(如云龙湖公园、九里山等)内部，存在明显服务盲区，反映充电基础设施覆盖的不均衡性。

Figure 5. Density distribution of charging stations based on 0.03 fishing net analysis

图5. 基于0.03渔网分析的充电站密度分布图

4.3. 空间叠加分析

Figure 6. Spatial superposition diagram of charging station POI and subway station

图6. 充电站POI与地铁站点空间叠加图

空间叠加分析直观地揭示了充电站与地铁站点的空间耦合关系。从图6可以看出，充电站点位在地铁站点周边高度聚集，地铁线路沿线形成了明显的充电设施集聚带。绝大多数高密度充电站渔网单元与地铁站点分布区域重合，证明了轨道交通对充电站布局的锚点效应。

地铁站自身的渔网密度分析(图7)显示，其分布同样呈现多中心集聚模式，与充电站的热点区域高度重叠，进一步强化了两者在空间上存在内在关联的视觉证据。距地铁站300米范围内的渔网单元充电站密度平均高出全域均值的2.7倍，说明交通节点的可达性在充电设施布局中具有显著引导作用。

Figure 7. Density distribution map of subway station based on fishing net analysis

图7. 基于渔网分析的地铁站密度分布图

4.4. 统计相关性验证

对382个渔网单元的定量统计分析显示，充电站数量与地铁站数量之间存在中度正相关关系。皮尔逊相关系数为0.577 (p < 0.01)，肯德尔tau_b和斯皮尔曼Rho系数分别为0.404和0.441 (p < 0.01)，分别见表1、表2、表3。这表明地铁站数量越多的区域，其充电站配置也显著更多，从统计上显著证实了二者在空间分布上的耦合机制，强有力地支持了轨道交通锚点效应的假设。

Table 1. Pearson correlation test

表1. 皮尔逊相关检验

变量	Count地铁站	Count充电站
Count地铁站	1	0.577^**
Count充电站	0.577^**	1

注：^**表示双尾检验，p < 0.01，相关性显著；n = 382个渔网单元。

Table 2. Kendall correlation test

表2. 肯德尔相关检验

变量	Count地铁站	Count充电站
Count地铁站	1	0.404^**
Count充电站	0.404**	1

注：^**表示双尾检验，p < 0.01，相关性显著；n = 382个渔网单元。

Table 3. Spearman correlation test

表3. 斯皮尔曼相关检验

变量	Count地铁站	Count充电站
Count地铁站	1	0.441^**
Count充电站	0.441^**	1

注：^**表示双尾检验，p < 0.01，相关性显著；n = 382个渔网单元。

4.5. 与商业设施的协同布局特征

充电设施不仅服务于交通出行，还与商业、居住、办公等功能空间密切相关。地铁站周边往往集聚多类型业态(如商场、写字楼、餐饮娱乐区)，形成复合型功能空间[11]。在这种环境中，出行与消费活动叠加，使得用户更倾向于在地铁站附近完成“停车–充电–消费”一体化行为，带来稳定的充电需求。对商场POI与充电站的叠加分析(图8)发现，充电站分布与城市商业综合体、大型购物中心的分布格局高度一致。高密度商圈周边通常形成充电站集群[12]，这验证了交互作用分析的结果。空间叠加分析结果表明，充电站与商圈POI的重合度高达61.4%，二者在地铁枢纽周边的空间协同特征显著。用户倾向于在购物、工作或娱乐的同时完成车辆充电[13]，这种“一站式”消费行为模式又一次验证了地铁站是一个强大的吸引力锚点。

Figure 8. Spatial overlay map of charging stations and shopping mall POI

图8. 充电站与商场POI空间叠加图

5. 结论

地铁站点作为城市交通网络的核心节点，其高频次客流与通勤密度构建了周边的高强度交通接驳格局，形成多层次、多方式叠加的出行格局与显著的空间集聚效应。轨道交通在“站–线–网”的组织模式下形成明显的空间吸引力，推动沿线区域形成充电需求的高密集分布。

研究基于多源数据，应用核密度分析、渔网分析与空间叠加分析等GIS空间分析方法，以及皮尔逊相关、肯德尔相关与斯皮尔曼等级相关等数理统计方法进行相关性分析，实证得出了徐州市中心城区电动汽车充电站的空间分布特征及其与轨道交通的关联机制，主要结论如下：

① 充电站空间分布呈现显著的不均衡性，形成多核心集聚与轴向扩展模式，核心区服务过剩与边缘区服务盲区并存。

② 定量分析强有力地证实了轨道交通锚点效应的存在。充电站布局与地铁站点分布呈现显著的空间耦合性与统计相关性，距离地铁站的接近性是决定充电站选址的关键因素。

③ 充电站布局是交通、商业、功能业态等多因素协同驱动的结果。其中，“到地铁站的距离”与“商场密度”的交互作用最强，又一次验证了地铁站对于电动汽车充电站的锚点效应，应是未来布局优化的优先区域。

④ 研究成果对类似轨道交通城市具有推广应用价值。可依据轨道网络密度、土地利用结构与出行特征，优化充电设施的选址与规模配置，实现轨道交通站点周边的功能协同与服务均衡，提升新能源交通体系的整体运行效率与可达性。

充电设施与轨道交通的协同不仅有助于构建“公共交通 + 新能源出行”的一体化体系，也为绿色低碳城市建设和“双碳”战略目标的落实提供了重要支撑。受限于数据类型，主要从空间分布角度展开分析，未来可结合设施等级与运行效率等维度进一步深化研究。