城市軌道交通車站客流遞遠遞減規律實證研究

王逸君 鄭鍇 魏萬旭 張權 金科良

摘要：城市軌道交通在人們的生活中愈來愈重要。本文對其車站客流遞遠遞減規律進行研究，根據交通調查所獲得的散點圖得到不同類型車站遞遠遞減規律函數，并分析不同類型車站遞遠遞減規律函數的異同，從而為城市軌道交通的進一步發展與城市用地等提供參考依據。

關鍵詞：城市軌道交通；客流；遞遠遞減規律

引言

目前，城市軌道交通以其節能、省地、運量大、全天候、無污染（或少污染）安全等特點，成為緩解城市擁堵的最佳方案。截至2017年末，我國已有34個城市開通軌道交通并投入運營，運營里程達5033公里。其中，地鐵3884公里，占比77.2%；輕軌、單軌、市域快軌、現代有軌電車、磁浮交通等制式運營線路約1149公里，占比22.8%；總體呈現出網絡化、差異化，制式結構多元化等特點。城市軌道交通客流是城市軌道交通規劃、投資、建設、運營、評估的重要指標。城市軌道交通車站客流是城市軌道交通客流的一個重要內容，決定著站臺規模，站內通行設備的布設等。鑒于此，有必要對城市軌道交通車站客流進行預測。

本文通過對車站客流遞遠遞減規律實證研究，繪制車站客流遞遠遞減規律散點圖，選用合適的函數曲線對散點圖進行擬合，得到車站客流遞遠遞減規律函數，為合理預測車站客流提供依據，同時也能為商業圈的開發，政府用地等提供一定的依據。

1.研究方法

既有的車站客流預測方法以傳統的四階段法[1]為主，針對精細化微觀的軌道交通車站層面的客流預測適用性較弱，體現在：①其需要大量的有效基礎數據，在區域層面組織大規模OD調查耗時耗力；②如果部分數據失實，造成的誤差將從全方式客流量累積傳遞到車站客流量，使得誤差放大。③因其需要通過對全區域全方式的客流量預測后才能逐步得到車站客流量，所以對車站客流吸引范圍內土地利用或交通服務水平變化的靈敏度不高[2]。

因此出現了基于城市軌道交通站點層面構建的車站客流量微觀預測方法[3-11]，其將車站客流看作是車站周邊環境及車站自身特點的函數，構建回歸模型對影響車站客流的因素與車站客流之間的關系進行回歸，并基于回歸系數對車站客流進行預測。城市軌道交通車站客流量微觀預測方法中，車站客流吸引范圍內的人口是影響車站客流的重要因素。鑒于車站客流存在遞遠遞減規律，如果將到車站不同距離的單位人口對車站客流的貢獻率等同，則預測結果將會有較大誤差。因此，有必要對到車站不同距離單位人口對車站客流的貢獻率即車站客流遞遠遞減規律進行研究，以便合理地對車站客流進行預測。既有研究往往通過調查居住/工作在車站客流吸引范圍內的城市軌道交通使用者，繪制散點圖描述隨到車站距離的增大，軌道交通使用頻率下降的事實對其進行定量研究[3，4，11]。但既有研究對散點圖的曲線擬合函數差異較大，如文獻[4][11]采用線性函數對居住類曲線進行擬合，二次負指數函數對崗位類曲線進行擬合；文獻[3]則采用二次負指數函數對居住曲線進行擬合。文獻[12]提出線性函數（ ），負指數函數（ 或者 ），二次函數（ ）與冪函數（ ）均可用來擬合車站客流遞遠遞減散點圖。鑒于此，有必要對車站客流遞遠遞減規律進行實證研究，以辨明車站客流存在何種遞遠遞減規律。

2.微觀預測法的應用

基于微觀預測法設計車站客流遞遠遞減規律實證調查問卷，在不同區域（市區、郊區、市域）選取不同類型軌道交通車站（中間站、終點站、換乘站）對早高峰、全日進（出）站客流進行乘客個人屬性及出發地問卷調查。

問卷的數據除去個人屬性這些附加因素，主要以問題“出行的出發地”為核心數據，借此來體現微觀預測法獨特性和準確性。本文采用上海與東京都軌道交通車站調查數據進行分析并對兩者進行對比。

上海市數據主要來源于問卷調查，通過調查多種類型的車站，在被調查車站入口定時、隨機選擇進站乘客進行問卷調查，被調查車站包括了九亭站、漕河涇開發區站、宜山路站、松江南站等。車站周邊小區的人口數來源于第六次人口普查數據與文獻調查。

東京都數據主要來源于日本首都圈2010年7月的交通大調查數據。其交通大調查內容包括早高峰東京都各車站的始發客流及客流來源的交通小區及客流量，各車站的終到客流及客流終到的目的地交通小區及客流量。

路網距離數據來源于谷歌地圖的實時數據。我們采用路網距離（實際走行距離）來作為研究的數據，因為直線距離在街道縱橫交錯的大都市與實際走行距離差距較大，所以以實際走行距離為變量更能反應行人到地鐵站的難易程度。

3.數據處理與分析

將各車站的數據單獨繪制成散點圖，可以看出車站客流遞遠遞減規律明顯，但這些圖都屬于一個特定中心的距離衰減函數圖，并不統一，本研究期望將同類型的車站歸結成一個更具普遍性的函數類型，遂將同類型車站的客流與人口數據進行整合，按距離段分類統計客流貢獻率，最后繪制成該類型車站客流遞遠遞減規律圖。

車站客流遞遠遞減規律函數圖中，Y軸表示客流貢獻率，X軸表示乘客出發地距地鐵站的路網距離段。出發地與地鐵站的路徑往往有多個本研究假定乘客通常采用時間最短通行路徑?？土髫暙I率以某距離段早高峰進站客流與該處居住人口的比值作為Y軸變量。

3.1上海軌道交通車站客流遞遠遞減規律

上海車站客流遞遠遞減規律趨勢圖如圖3-1、3-2所示。經過對比與分析，數據中所有中間站客流遞遠遞減規律呈現對數函數形式，認為中間站客流遞遠遞減規律函數基本可以用 表示，其中i，j為參數且都大于零。換乘站客流遞遠遞減規律呈現為冪函數形式，認為換乘站客流遞遠遞減規律函數基本可以用 表示，其中a，b為參數且都大于零。經過對上海終點站的調研，發現終點站地理位置較偏，附近的小區比較少，所以得到的數據樣本量比較少，并不能很好的體現出客流貢獻率和路網距離之間的關系。除此之外，某些終點站還具有一定的特殊性，如松江南站，該地鐵站和高鐵站相鄰，調查結果發現城際客流占了很大的比例，而其余客流大都來自幾個臨近的住宅區，這些住宅區的客流貢獻率遠超一般的小區，這類終點車站的規律具有特殊性，因此上海數據中暫未繪制終點站客流遞遠遞減規律函數圖。

3.2東京都軌道交通車站客流遞遠遞減規律

東京都車站客流遞遠遞減規律趨勢圖如圖3-3～圖3-8所示。經過對比與分析，數據中所有的市區站客流遞遠遞減規律呈現為冪函數，換乘站也都呈現為冪函數，認為市區站和換乘站的距離衰減函數基本可以用 表示，其中a，b為參數且都大于零。郊區中間站和終點站客流遞遠遞減規律皆呈現為指數函數，本文認為郊區中間站和終點站的距離衰減函數基本可以用 表示，其中c，d為參數，且都大于零。

市區中間站和換乘站的客流貢獻率隨距離X的增加下降得更為迅速，這和市區地鐵網布局密集有很大關系。譬如當兩個站站間距較?。?=1KM）時，兩車站的客流吸引范圍有很大的重疊區域，重疊區域內的人口對車站客流的貢獻率要低，導致客流貢獻率下降更為迅速。從圖3-3和圖3-5可以看出，對于冪函數 ，b處于1～2之間，而指數函數 的底數為e，當 x處于0～10這樣一個區間內，冪函數的下降速度更為迅速，符合現實情況，反映了車站客流遞遠遞減規律函數的準確性。

3.3上海與東京車站客流遞遠遞減規律對比

將上海車站客流遞遠遞減規律函數圖與東京車站客流遞遠遞減規律趨勢圖對比分析，發現上海與東京換乘站客流遞遠遞減規律相似，都呈現為冪函數形式，皆可用 表示，本文認為：換乘站的客流遞遠遞減規律呈現為冪函數形式。中間站的遞遠遞減規律有所不同。上海市郊區和市區中間站客流遞遠遞減規律呈現為對數函數形式，而東京市區中間站客流遞遠遞減規律呈現為冪函數形式，郊區中間站客流遞遠遞減規律呈現為指數函數形式。本文在3.2中提出指數函數和冪函數在變量x處于0～10這個區間時，冪函數下降更為迅速，東京市郊區中間站與上海市郊區中間站客流遞遠遞減規律所呈現的函數差別可以認為是人口分布、密集程度不同等原因造成的。換乘站一般設于交通樞紐，客流較多，對客流吸引相對更大，乘客即便距離該站較遠，也愿意居住于換乘站附近，這是其客流遞遠遞減規律呈現為冪函數形式的原因之一，上海與東京換乘站的情況較為相似，兩者客流遞遠遞減規律皆呈現為冪函數形式。上海與東京地形、交通情況、周圍建筑等存在差異，所以兩者的客流遞遠遞減規律呈現的函數形式有些許差異在所難免。但無疑，地鐵車站都具有客流遞遠遞減規律。

4.小結

雖然地理空間的不同會帶來一定的差異性，客流也會隨著天氣等原因而變化，但同類型車站客流遞遠遞減規律是相似的。本研究采用交通調查得到的數據繪制車站客流遞遠遞減規律函數圖。

許多研究已經表明城市軌道交通車站存有客流遞遠遞減規律，但都不統一，本研究將各類型的車站函數進行了總結歸納。換乘站的客流遞遠遞減規律函數相較之下更符合冪函數，中間站的客流遞遠遞減規律函數相較之下更符合對數函數（上海）、冪函數（東京市區）和指數函數（東京郊區），而終點站相較之下更符合冪函數（市區）和指數函數（郊區）。不同地區的客流遞遠遞減規律會有所異同，但相同地區同類型車站的客流遞遠遞減規律基本一致。

盡管本文分析了不同類型車站客流的遞遠遞減規律函數，但沒有確切指出函數各參數之間的聯系，本文認為上述的參數i和j，a和b，c和d之間可能存在某種聯系，且參數的確定應與周圍環境等有一定的關聯性，本文將會對此進行進一步研究。

參考文獻

[1] McNally M G. The four step model[R]. Center for Activity Systems Analysis，2008

[2] Marshall N，Grady B. Sketch transit modeling based on 2000 census data[J]. Transportation Research Record：Journal of the Transportation Research Board，2006，1986（1）：182～189

[3] Zhao F，Chow L，Li M. Forecasting transit walk accessibility：regression model alternative to buffer method[J]. Transportation Research Record：Journal of the Transportation Research Board，2003，1835（1）：34～41

[4] Gutiérrez J，Cardozo O D，García-Palomares J C. Transit ridership forecasting at station level：an approach based on distance-decay weighted regression[J]. Journal of Transport Geography，2011，19（6）：1081～1092

[5] Zhao J，Deng W，Song Y，et al. What influences Metro station ridership in China？ Insights from Nanjing[J]. Cities，2013，35（4）：114-124.

[6] Faghih-Imani A，Eluru N. Incorporating the impact of spatio-temporal interactions on bicycle sharing system demand：A case study of New York CitiBike system[J]. Journal of Transport Geography，2016，54：218-227.

[7] Cervero R. Alternative approaches to modeling the travel-demand impacts of smart growth[J]. Journal of the American Planning Association，2006，72（3）：285～295

[8] Chu X. Ridership models at the stop level[R]. Florida：University of South Florida，2004.

[9] Lin J，Shin T. Does transit-oriented development affect metro ridership？：Evidence from taipei，taiwan[J]. Transportation Research Record：Journal of the Transportation Research Board，2008，1（2063）：149～158

[10] 王淑偉，孫立山，郝思源，等. 基于精細化用地的軌道客流直接估計模型[J]. 交通運輸系統工程與信息，2015，15（3）：37-43.

[11] 周家中，張殿業. 基于空間加權的LS—SVM城市軌道交通接駁需求預測[J]. 鐵道學報，2014，36（1）：1-7.

[12] Blainey S P. Forecasting the use of new local railway stations and services using GIS[D]. Southampton：University of Southampton，2009

作者簡介：王逸君，女，生于1998年2月23日，漢族，浙江湖州人，上海工程技術大學本科在讀，交通運輸方向。

鄭鍇，男，生于1997年8月1日，漢族，浙江紹興人，上海工程技術大學本科在讀，交通運輸方向。

張權，男，生于1997年8月12日，漢族，浙江紹興人，上海工程技術大學本科在讀，交通運輸方向。

金科良，男，生于1997年8月18日，漢族，浙江紹興人，上海工程技術大學本科在讀，交通運輸方向。

魏萬旭，女，生于1998年11月20日，漢族，甘肅白銀人，上海工程技術大學本科在讀，交通運輸方向。

基金項目：文系上海工程技術大學2018年度大學生實踐創新訓練項目，項目編號：Cx1810006

（作者單位：上海工程技術大學）