北京市地鐵出行特征及其影響因素分析

劉成帥，陳 鵬*

（中國人民公安大學 信息網絡安全學院，北京）

引言

研究地鐵出行特征及其影響因素，對于公共交通系統的運營管理具有重要意義，并且有助于深入理解其背后的社會經濟現象機制。

目前在公共交通出行特征的相關研究中，常從時間、空間角度對公共交通客流量進行分析[1-2]，還有研究從出行時長和距離等方面進行分析[3]。此外，公共交通客流影響因素也是學者研究的重點內容[2，4]。本文基于北京市地鐵交通數據，分析公共交通出行的時空規律，并探究地鐵出行和建成環境之間的依賴關系特點。

1 數據和方法

1.1 數據

本研究中的地鐵交通數據來自于北京市的地鐵公司，數據的日期范圍為2019 年10 月1 日至2020 年1月23 日，涵蓋站點289 個，共有智能卡記錄近2 億條。

本文將車站影響范圍設為半徑為1 km[5]的圓形緩沖區，并通過泰森多邊形解決站點密集地區緩沖區相互重疊的問題。然后從POI 數據、路網數據、換乘站數據中提取自變量。北京市POI 數據通過高德地圖獲取；路網密度和方向熵通過OpenStreetMap（OSM）獲取。

1.2 負二項回歸模型

公共交通客流量影響因素的相關研究常采用多元線性回歸[6]、負二項回歸[7]、地理加權回歸[8]等模型。本文因變量被統計為整數，并且呈現過離散現象，因此采用負二項回歸模型。模型表示如下：

式中：Y 為因變量；Pr 為Y=y 的概率；Γ 為伽馬函數；μ是均值；τ 是形狀參數。

2 地鐵出行變化特點

周一至周日的日均地鐵流量如圖1 所示。可以發現，周一日均出行量最大，然后出行量保持遞減，直到周五再次有所增加。非工作日的日均出行量總是小于工作日。

圖1 地鐵日均客流量

工作日和非工作日不同時段的地鐵客流量分布如圖2 所示。早晚高峰時段統一設為7:00-9:00 和17:00-19:00。可以發現，工作日早晚高峰客流集中程度高于非工作日；工作日早高峰客流占比高于晚高峰，而在非工作日則反之。

圖2 各出行時段地鐵客流量分布

圖3 展示了各地鐵站點日均流量以及站點間日均流量。可以發現，靠近市中心的站點流量通常高于城市外圍站點。較高的站點間日均流量大多與靠近市中心的地鐵站相關聯，而外圍站點之間的流量較小。

圖3 各地鐵站點流量分布

各地鐵站點平均出行時長和平均出行距離分布如圖4 所示。可以發現靠近市中心的站點出行時長和距離較小，而外圍站點較大[3]。

3 地鐵流量影響因素分析

為探究地鐵流量影響因素，工作日、非工作日、早晚高峰每個地鐵站的日均客流量被視為因變量。Kolmogorov-Smirnov（K-S）檢驗結果顯示客流量不服從正態分布，所以采用負二項回歸模型。此外，采用方差膨脹因子（VIF）檢驗對所有自變量進行多重共線性檢驗，當去除生活服務、路網方向熵（自行車道）類型變量時，自變量之間的相關性不顯著。回歸結果見表1。

表1 負二項回歸結果

（1） 商場和餐飲服務（消費類場所）在工作日、非工作日、早晚高峰均與地鐵客流量顯著正相關。這表明在絕大多數時候，商場、餐飲服務均吸引著居民前去消費。

（2） 知名企業（公司企業類場所）、幼兒園和中小學（教育類場所）、三級甲等醫院（醫療類場所）、金融保險服務（金融服務場所）在工作日及早晚高峰與地鐵客流量顯著正相關。這說明工作日這些場所設施提供服務吸引了地鐵客流。而高等院校（教育類場所）在非工作日仍與地鐵客流量顯著正相關。這可能是因為在非工作日，大學生也會留在學校住宿和生活。

（3） 火車站（交通旅行類場所）在工作日和非工作日與地鐵客流量顯著正相關。這是因為火車站作為對外交通的重要樞紐，長期具有較高人流量。并且火車旅行通常與早晚高峰無關。

（4） 換乘站作為地鐵系統的重要一環，在工作日、非工作日、早晚高峰均與地鐵客流量顯著正相關。這體現了換乘站對地鐵客流的持續正向影響。

4 結論

本文基于北京市地鐵交通數據和POI 數據等，分析公共交通出行的時空變化規律，以及地鐵出行和建成環境等影響因素之間的依賴關系特點。研究結果表明：北京市地鐵流量在時間、空間分布上呈現一定規律，出行時長和距離具有空間異質性。對北京市地鐵流量影響因素進行分析發現，消費、公司企業、教育、醫療、金融等類型的場所以及換乘站均對地鐵客流量具有一定影響。研究成果可為地鐵運營管理提供依據，促進公共交通可持續發展。