Identifying metro station types based on transfer purposes: An application of bike‐sharing data in Xiamen, China

With the networking of urban rail transit and the large‐scale development of bike‐sharing, metro and bike‐sharing connection has become the preferred way of daily travel for residents of Xiamen. Current studies mainly identify metro station types based on node and place orientation, lacking behaviour‐based investigation. To fill this gap, this study aims to explore the classification of metro stations based on transfer purposes by combining bike‐sharing and point of interest data in Xiamen, using buffer analysis, kernel density estimation, and DBSCAN clustering algorithm comprehensively. The results indicate the following. (1) Distinct transfer purposes have significant agglomeration characteristics and present poly‐centric spatial pattern, an authentic portrayal of Xiamen's land use function. (2) The heterogeneity of connection flow between different transfer purposes and metro stations is apparent. The distribution of flow and flow direction within the same transfer purpose is also in non‐equilibrium. (3) Based on traffic connection analysis, metro stations are divided into seven types: transportation hub, employment‐oriented, residence‐oriented, job‐housing balance, school‐oriented, traffic‐tourism integration, and business connection types. The obtained results assist in improving the transportation connection environment, perfecting urban land use planning, and enhancing low‐carbon and green travel. Résumé Avec la mise en réseau du transport ferroviaire urbain et le développement à grande échelle du vélo en libre‐service, la combinaison du métro et du vélo est devenue le système de transport quotidien préféré à Xiamen. Toutefois, les études actuelles catégorisent les stations de métro par rapport aux nœuds de transport et aux lieux d'intérêt, sans considérer les comportements des passagers. Afin de combler cette lacune, cette étude vise à évaluer la classification des stations de métro en fonction de leur connectivité en associant les données sur les vélos en libre‐service et celles sur les point d'intérêts à Xiamen. Pour se faire, nous utilisons les méthodes suivantes: analyse des zones tampons, identification des noyaux de densité et regroupement DBSCAN par algorithme. Nos résultats se regroupent en trois thèmes: (1) Les objectifs de transfert affichent de fortes caractéristiques d'agglomération et ils présentent un modèle spatial polycentrique, en conformité avec le patron d'utilisation du sol; (2) L'hétérogénéité des flux de correspondance selon l