考虑空间效应的公交站点客流量影响因素分析

王伊凡，陈学武

(1.华设设计集团股份有限公司，南京 210014；2.东南大学，a.江苏省城市智能交通重点实验室，b.现代城市交通技术江苏高校协同创新中心，c.交通学院，南京 211189)

0 引言

地面公交作为惠民的绿色交通方式，是促进交通可持续发展和城市高质量发展的重要保障。然而，受共享出行等新业态的快速发展和各大城市轨道交通逐渐成网等多重因素冲击，近年来，地面公交客流量普遍呈下降趋势，公交营收也随之减少，导致地面公交的发展及公交市场的运营均面临严峻挑战。如何在有限的资金支持下提高公交客流量具有重要的现实意义，分析多种因素对公交客流量的影响有助于针对性地进行规划管理及合理的资源配置。

国内外学者从不同研究角度研究影响公交客流量的内外部因素。在区域层面，TAYLOR 等[1]基于两阶段最小二乘法探究美国265 个城市化地区的客流量影响因素，结果显示，城市化面积、人口密度及城市经济等公交系统外部因素，以及票价和车头时距等内部因素导致不同城市公交客流量的差异性。在线路层面，DIAB等[2]基于随机效应模型探究建成环境、社会经济及公共交通服务等因素对蒙特利尔公交客流量的影响，结果显示，公交的发车频率和车速是客流量的重要保障，工作岗位分布是客流量的重要影响因素。随着信息采集技术的提高，公交及建成环境等方面大数据的应用为公交站点层面的精细化分析奠定了基础[3]，近年来，相关研究逐渐发展。CHAKOUR等[4]基于有序Probit模型采用不同半径的缓冲区计算各变量的指标值，研究站点属性(车头时距和线路数量等)、站点周边公共交通(公交站数量、地铁站数量、铁路站数量及公交专用道长度等)、站点周边基础设施(主干道长度和公路长度)及站点周边土地利用(居住用地面积和商业用地面积等)这4 类影响因素，结果显示，车头时距对客流量有显著的负向影响，站点周边公共交通对客流量有显著的正向影响；CUI 等[5]基于普通最小二乘法探究不同因素对波特兰公交客流量的影响，采用随机森林和梯度提升算法探究各变量间的相对重要性，结果显示，公交站点30 min 内可达的工作岗位数对客流量最为重要，其次，为居民收入和步行条件；傅志妍等[6]研究新冠疫情及建成环境对公交客流量的影响，选取站点500 m范围缓冲区内各类土地利用设施的密度、土地利用混合度、人口密度、交叉口数量、道路网密度、距市中心距离及线路数量等作为建成环境指标，结果显示，线路数量和距市中心的距离是疫情期间公交客流量的显著影响因素。

综上可知，既有研究针对土地利用、交通基础设施、公交特性、人口及社会经济等多类客流量影响因素已有丰厚成果，但大多采用传统计量模型，未考虑空间效应的影响，忽略了相邻研究单元间的相互影响，以及研究单元空间位置对公交客流量影响程度或影响方向的差异性，造成估计结果的不准确。

空间效应分为空间依赖性和空间异质性，两类空间效应通常同时存在[7]，但既有研究往往仅考虑单一空间效应。空间依赖性的研究主要采用全局常参数的空间计量模型，WANG 等[8]从社区层面运用空间杜宾模型研究北京市的公交客流量影响因素，但其忽略了反馈环效应[9]的影响，误将空间滞后项系数作为溢出效应进行分析，且此类错误在公交相关的空间依赖性研究中并非个例[10]。空间异质性的研究主要采用局部变参数的地理加权回归模型及其衍生模型，刘玮等[11]将青岛市主城区划分为栅格，运用多尺度地理加权回归模型证明了城市建成环境对公交客流量的影响具有空间异质性。GAN 等[12]虽建立了空间计量及地理加权回归两类模型，但空间计量模型的建立仅为了模型对比，未研究空间溢出效应的影响。全局模型考虑所有空间研究单元呈现的总体特征，局部模型从细节层面关注若干个相邻空间研究单元相互作用所呈现的局部特征，在公交规划管理及政策制定的过程中，既需要适用于全城的普遍特征规律制定发展方针，又需要针对局部地区的特点精准制定客流量提升策略，单个模型难以较为全面地剖析研究对象，为政策与管理做支撑。因此，有必要在综合考虑空间依赖性和空间异质性的基础上分析公交客流量影响因素。

综上所述，目前，公交客流量影响因素方面的研究存在以下三点不足：一是，站点层面的精细化研究主要集中在国外，但国内外城市特点和公交的发展模式较为不同；二是，当前研究未能从全局和局部两个层面分析空间效应对公交客流量的影响，难以全面地支撑规划管理与政策制定；三是，对空间溢出效应的正确分析略显不足，直接采用空间滞后项系数分析溢出效应，易造成误判。本文以南京市工作日早高峰和晚高峰时段的公交站点客流量作为研究对象，综合考虑空间依赖性及空间异质性，探究土地利用、交通基础设施、站点属性及社会经济等多类因素的影响，从全局视角利用空间杜宾模型揭示各因素对公交站点客流量影响的直接效应与溢出效应，从局部视角利用地理加权回归模型揭示影响因素与客流量间的空间非平稳性，并提出相关政策建议。

1 数据处理与变量选择

1.1 研究区域

南京市是江苏省省会，下辖11 个市辖区，其中，玄武区、鼓楼区和秦淮区为老城区，老城区与建邺区、栖霞区及雨花台区共同组成主城6区。本文的公交数据来源于南京公共交通集团，其运营范围为南京市主城6区、浦口区及六合区，因此，本文的研究范围为8个市辖区，如图1所示。

图1 研究区域Fig.1 Study area

1.2 数据源与数据处理

本文主要探究土地利用、交通基础设施、站点属性及社会经济等多类因素对公交站点客流量的影响，涉及的数据源包括：公交相关数据(刷卡数据、车辆进出站数据及线路数据)、兴趣点数据、地铁站点数据、居民小区数据、土地利用数据、路网数据及公共自行车站点数据等。

(1)公交相关数据

公交相关数据由南京公交集团提供，数据时间为2021 年5 月。原始公交刷卡数据包括：卡类型、卡编码、车辆编码及刷卡时间等字段，数据结构如表1所示。

表1 公交刷卡数据说明Table 1 Smart card data description

原始公交刷卡数据中无乘客上车站点信息，需根据车辆编码和时间字段与车辆进出站数据匹配以识别上车站点，而后与公交线路数据匹配，添加站点经纬度信息，本文识别获得4074.6万条刷卡数据。根据工作日的客流量时变规律确定7:00-9:00与16:00-18:00分别为早晚高峰时段，研究区域公交站点客流量空间分布如图2所示，共4022个站点。

图2 研究区域公交站点客流量空间分布Fig.2 Spatial distribution of ridership at bus stops in study area

(2)网络采集数据

通过高德开放平台(developer.amap.com)的Web 服务API 接口采集兴趣点数据和地铁站点经纬度数据，兴趣点数据包含：餐饮、购物、医疗、政府机构、科教文化、金融保险及公司企业7 类可提供岗位的类别。通过链家网(lianjia.com)的小区板块采集南京市各居民小区的网页内容，使用python的Beautiful Soup包进行解析，获得包含房屋均价和房屋总数等字段的居民小区数据。各数据采集时间均为2021年6月。

(3)其他数据

土地利用数据来自EULUC(Essential Urban Land Use Categories)数据集，包括：居住、商业、工业、交通及公共管理与服务等类别。路网数据来自开源地图Open Street Map(OSM)，为不同等级道路的矢量数据，由于OSM 中道路的表现形式为双线与单线并存，本文对路网数据进行处理，将数据统一为单线路网。公共自行车站点数据由南京公交集团提供。

1.3 影响因素及解释变量选择

结合已有研究及相关规范政策，本文选择站点直线距离500 m 内作为公交吸引范围，在GIS 中表现为以站点为圆心，以500 m为半径的缓冲区。参考现有文献研究成果，本文构建包含土地利用、交通基础设施、站点属性及社会经济共4类17个变量的影响因素数据集。

(1)土地利用

不同用地类型将产生或吸引不同目的的出行需求，既有研究发现，不同土地利用类型对客流量的影响不同，土地利用混合度对客流量有积极影响[6]，因此，本文将居住用地强度、商业用地强度、工业用地强度、公共服务用地强度及土地利用混合度作为解释变量，利用熵指数计算土地利用混合度，即

式中：E为土地利用混合度，t为站点吸引范围内的用地类型数量，本文研究的土地利用类型为居住用地、商业用地、工业用地及公共服务用地，将未研究的用地类型均归为其他类，故t=5；Pl为吸引范围内第l种类型用地面积占站点吸引范围的比例。

(2)交通基础设施

其他交通方式与公交存在着竞争和合作的关系，受数据制约，本文仅研究地铁和公共自行车等公共交通方式对公交客流量的影响，此外，考虑公交站点间的内部作用，选取缓冲区内地铁站数量、公共自行车站数量及其他公交站数量作为解释变量。路网条件关系着采用公交出行的便利性，既有文献中对行人步行条件和公交专用道等变量进行过研究，受数据制约，本文将次干道和支路等低等级路网长度作为行人步行条件的替代变量。

(3)站点属性

结合既有研究成果及公交站点特性，本文研究站点服务水平、站点类型及目的地可达性对客流量的影响，选取车头时距、是否为首末站、线路条数及距市中心的距离作为解释变量。由车辆进出站数据中的站点名称和进站时间字段计算同一站点相邻车辆进站的时间差，获得站点车头时距；由公交线路数据中的站序字段识别站点是否为首末站；对站点名称字段进行集计计数得到站点线路条数；由站点经纬度字段计算站点距市中心的距离。

(4)社会经济

社会经济因素中经济发展水平、人口及岗位数量均为影响公交客流量的重要外部因素，本文将房价作为经济发展水平的替代变量，由居民小区数据中房屋总数字段统计得到住户数量，采用可提供岗位的兴趣点数量作为岗位数量。

为避免所选各变量高度相关，进行了多重共线性检验，被解释变量采用加1 后取对数的形式，以缓解异方差性。结果显示，各变量的方差膨胀因子(Variance Inflation Factor,VIF)均小于5，通过检验要求。变量描述性统计及多重共线性检验结果如表2所示。

表2 解释变量描述性统计及多重共线性检验结果Table 2 Descriptive statistics of explanatory variables and multicollinearity test results

2 研究方法

开展空间依赖性与空间异质性分析的前提为公交客流量具有空间效应，故本文首先采用探索性空间数据分析的方法探究站点客流量的空间分布特征，确定空间效应分析的合理性。其次，基于全局和局部角度的特征分析结果分别采用空间计量模型和地理加权回归模型揭示各因素对公交站点客流量的影响机理。

2.1 探索性空间数据分析

为探究是否考虑空间效应，引入探索性空间数据分析(Exploratory Spatial Data Analysis,ESDA)。ESDA 利用统计工具和地理信息方面的技术手段分析空间数据的特征与规律，指导更为准确的数据建模。常用的ESDA 方法包括全局空间自相关和局部空间自相关。

(1)全局空间自相关

全局空间自相关用于探究区域总体平均的空间聚集或离散程度，全局莫兰指数(Global Moran's I)是常用的度量指标，计算式为

式中：n为空间单元总数；wij为第i个空间单元和第j个空间单元间的空间权重值；yi和yj分别为第i和第j个空间单元的站点客流量；yˉ为所有站点客流量的均值。本文采用反距离权重法计算空间权重矩阵。

全局莫兰指数的取值范围为[-1,1]，当全局莫兰指数显著为正时，表明存在正的空间自相关；显著为负时，表明存在负的空间自相关；趋于0时，表明不存在空间自相关。

(2)局部空间自相关

局部空间自相关用于具体探究局部区域的空间聚集或离散程度，本文采用局部莫兰指数(Local Moran's I)作为指标，计算式为

式中：Ii为空间单元i的局部莫兰指数；S2为所有公交站点客流量的方差。

局部莫兰指数采用“高-高”“高-低”“低-高”“低-低”这4 种关联特性反映局部聚集特征，“高-高”关联表示客流量高的空间单元被客流量高的空间单元所包围；“高-低”关联表示客流量高的空间单元被客流量低的空间单元所包围；“低-高”关联表示客流量低的空间单元被客流量高的空间单元所包围；“低-低”关联表示客流量低的空间单元被客流量低的空间单元所包围。“高-高”关联与“低-低”关联为局部正相关，“高-低”关联与“低-高”关联为局部负相关。

2.2 空间计量模型

(1)模型介绍

为考虑空间依赖性，在全局层面引入空间计量模型，包括空间误差模型(Spatial Error Model,SEM)、空间滞后模型(Spatial Lag Model,SLM)和空间杜宾模型(Spatial Durbin Model,SDM)，其中，SDM可简化为SEM和SLM。SDM模型[9]为

式中：α为常数项；m为解释变量个数；k为第k个解释变量；βk为第k个解释变量的估计系数；xik为空间单元i第k个解释变量的观测值；ρ为空间自相关系数；wijyi为早高峰或晚高峰客流量的空间滞后项；φ为解释变量空间滞后项wijxjk的回归系数；εi为随机误差项。

当φ=0,ρ≠0 时，SDM 简化为SLM；当φ+ρβ=0 时，SDM简化为SEM。

(2)最优空间计量模型选择

为选择最优的空间计量模型需进行一系列检验[13]，首先，建立多元回归模型，进行空间误差依赖的拉格朗日乘数(LM-Error)检验和空间滞后依赖的拉格朗日乘数(LM-Lag)检验，若两者均不显著，则无需采用空间计量模型；若仅有一个显著，则选择相应模型；若两者均显著，则对空间误差和空间滞后继续进行稳健拉格朗日乘数(Robust LM)检验，若仍均显著，则暂定选择SDM模型，并进行瓦尔德(Walds)和似然比(LR)检验，分析其是否可以退化为SEM 或SLM，若检验结果均显著，则SDM 为最优模型。

(3)空间效应分解

SDM估计的系数存在偏误[9]，需进行偏微分分解，将空间效应分解为直接效应和间接效应(溢出效应)。直接效应反映本公交站点解释变量对本公交站点客流量的影响；间接效应反映本公交站点解释变量对临近公交站点客流量的影响。偏微分分解方法[9]为，先将SDM模型变换为向量形式，即

式中：Y为早晚高峰公交站点客流量向量；X为解释变量向量；In为单位矩阵；W为n×n阶空间权重矩阵；in为单位向量；ε为误差项向量。

将被解释变量对第K个解释变量求偏导，即

对所得矩阵的对角线元素取平均值即为平均直接效应，对非对角线元素取平均值即为平均间接效应。

2.3 地理加权回归模型

为从局部层面考虑空间异质性，分析各变量的影响作用在不同空间单元上的不稳定性，引入地理加权回归(Geographically Weighted Regression,GWR)模型[14]为

式中：(ui,vi)为空间单元i的坐标；β0(ui,vi)为空间单元i的常数项；βk(ui,vi)为第k个解释变量的局部回归系数。

本文采用高斯函数作为权函数，利用交叉验证法(Cross Validation,CV)和赤池信息量准则(Akaike Infromation Criterion,AIC)选择最优带宽，两种方法均为在最小值处取得最优。蒙特卡罗法可对各变量进行空间异质性检验，通过将模拟系数与实际回归系数进行比较，若两者显著不同，即p值小于0.05，证明变量具有空间异质性。

3 结果分析

3.1 空间计量模型计算结果与分析

(1)模型选择

计算早晚高峰时段站点客流量的全局莫兰指数以探究空间自相关性，结果显示，早高峰时段的全局莫兰指数为0.4613，晚高峰时段为0.5874，两个时段的站点客流量均具有显著的正空间自相关，表明在整体上存在空间聚集特征，因此，建立空间计量模型进行分析。

首先，建立多元回归模型以探究各变量的显著性，保留核心显著变量进行分析，提高模型的简洁性与解释能力，剔除早晚高峰时段中均不显著的土地利用混合度、地铁站数量、低等级路网长度及公交专用道长度等变量；其次，进行空间计量模型选择的检验，结果如表3所示。LM-Error、LM-Lag、稳健的LM-Error及稳健的LM-Lag检验结果均在1%水平下显著，故暂定采用SDM 模型，进而进行Walds 检验和LR 检验，各检验结果也均在1%水平下显著，表明SDM 模型为最优模型，不能简化为SLM或SEM。

表3 空间计量模型检验结果Table 3 Results of spatial econometric model test

(2)空间依赖性分析

早晚高峰时段的SDM 模型参数估计结果如表4 所示，两个时段的空间自相关系数ρ均显著，分别为0.608和0.644，表明公交站点客流量间存在明显的空间依赖性，并具有聚集特征。早晚高峰时段SDM 模型残差的莫兰指数均不显著，基本消除了残差的空间效应，结果较多元回归模型更为可靠。

表4 SDM模型估计结果Table 4 Estimation results of SDM model

(3)直接效应和溢出效应分解

利用偏微分方法进行SDM 的空间效应分解，结果如表5 所示。早晚高峰时段SDM 模型的直接效应与表4 中的回归系数在显著性和影响方向等方面基本一致，但各解释变量的溢出效应与空间滞后项系数大多在显著性和数值上均较为不同。

表5 SDM模型偏微分分解结果Table 5 Partial derivative decomposition results of SDM model

从直接效应来看，在土地利用方面，各用地类型对晚高峰时段的客流量均有积极影响，早高峰时段仅有居住用地强度和公共服务用地强度显著，且由于早高峰通勤需求突出，居住用地强度的提升可显著增加站点客流量。在交通基础设施方面，公共自行车站数量在早晚高峰时段均在1%的水平下与客流量显著正相关，表明公共自行车与公交的便捷接驳有益于公交客流量的增长，而DIAB 等[15]基于加拿大的研究发现，公交站点服务范围内公共自行车系统的存在对客流量为消极影响。站点周边公交站数量仅在晚高峰时段显著，且与客流量负相关，在其他变量条件不变的情况下，站点周边每增加1 个公交站点，该站点的客流量将降低2%。但既有研究发现蒙特利尔[4]和费城[16]等地的公交站数量与客流量显著正相关，这是由于国内与国外的郊区居住模式不同，人口主要聚集在中心城区，城区的公交站点覆盖率较高，乘客通过直达、换乘及联程出行的方案选择较多，当公交站点增加时，乘客可更为灵活地选择上车站点，造成相邻公交站点客流量间的分流。在站点属性方面，车头时距在早晚高峰时段均与客流量显著负相关，在其他变量条件不变的情况下，公交站点车头时距每减少1 min，早晚高峰时段的客流量可分别提高3.9%和1.6%，乘客在早高峰时段对车辆的发车频率更为敏感。首末站和线路条数在早晚高峰时段均与公交站点客流量显著正相关，首末站与中间站相比，能吸引更大范围客流，线路条数越多的站点乘客的换乘选择越多，目的地可达性越高。在社会经济因素方面，各变量在早晚高峰时段均与客流量显著正相关。房价作为经济发展水平的替代变量，与公交站点客流量显著正相关，经济发展水平越高的区域，自驾成本越高，选择公交进行短距离出行的乘客越多。住户数量在早晚高峰时段的直接效应分别为0.077和0.016，对早高峰时段的影响程度较高。岗位数量在早晚高峰时段的直接效应分别为0.396 和0.738，对晚高峰时段的影响程度较高，符合通勤特性。

从溢出效应来看，在早晚高峰时段均显著的变量有公共服务用地强度和公交站数量，且均为负向作用。公共服务用地包括：教育科研、文化体育设施及医疗卫生用地等，当公共服务用地强度增加时，会吸引周边的公交客流，呈现虹吸效应。站点周围公交站数量溢出效应的绝对值大于直接效应的绝对值，该变量以溢出效应为主，说明站点分布密集的区域会吸引稀疏区域的客流量。公共服务用地强度高和公交站数量多的位置公共交通可达性一般较高，吸引的客流范围更广泛，乘客愿意通过更长的步行距离或自行车换乘等方式在此类站点乘车。

3.2 地理加权回归模型计算结果与分析

(1)局部空间自相关检验

早晚高峰站点客流量局部莫兰指数结果如图3所示，早高峰及晚高峰的结果具有相似性，主城区主要表现为“高-高”关联和“低-高”关联，即客流量高的站点和客流量低的站点均被客流量高的站点包围，说明主城区的站点客流量总体较高。六合区以“低-低”关联和不显著站点为主，存在少量“高-低”关联的站点，说明六合区的站点客流量总体上偏低。浦口区4种关联特性均有，分区域具有不同特征。由局部空间自相关检验结果可知，有必要考虑空间异质性的影响。

图3 局部莫兰指数结果Fig.3 Results of local Moran's I index

(2)模型构建与模型比较

在变量选择方面，由于在地理加权回归模型中加入哑变量会产生局部多重共线性，故剔除哑变量“是否为首末站”，其余变量与空间计量模型一致。运用交叉验证法和赤池信息量准则计算带宽，分别选择42和40作为早晚高峰模型的带宽。对各变量进行蒙特卡罗检验，重复次数设为1000，早晚高峰时段各变量p值均为0.000，表明各解释变量均具有空间异质性。

将多元回归模型、空间杜宾模型与地理加权回归模型的拟合效果进行对比，结果如表6所示。与全局模型相比，作为局部模型的GWR 有着更小的AIC 值和更大的调整R2，拟合效果最好。与多元回归模型相比，GWR残差的莫兰指数减小，减弱了空间效应的影响。

表6 模型评价指标对比Table 6 Comparison of model evaluation indexes

(3)模型估计结果

地理加权回归模型结果如表7所示，各变量的估计系数随着空间位置的不同而变化，具有非平稳性。除车头时距和线路条数外的变量在早晚高峰时段的最小值均为负数，最大值均为正数，表明在不同空间位置下各变量对站点客流量的影响方向存在差异，既可能为正向促进作用又可能为负向抑制作用。车头时距在早晚高峰时段的最小值分别为-0.243 和-0.236，最大值分别为-0.004 和-0.010，不同位置下，公交站点客流量与车头时距均为负相关。线路条数在晚高峰时段的最小值为0.060，最大值为0.242，晚高峰时段各站点的公交客流量均与线路条数正相关。从系数的标准差来看，各土地利用类型对不同公交站点影响的差异性最大，早高峰时段商业用地强度的系数标准差达9.489，这是由于研究范围包含南京市内较为偏远的乡镇地区，其用地特征对客流量的影响与其他区域相比差异较大。

表7 GWR模型估计结果Table 7 Estimation results of GWR model

(4)系数空间格局分析

由于研究变量较多，结合全局回归模型中早高峰通勤需求突出，局部回归模型中部分变量对客流量的影响方向较为稳定等特性，选择居住用地强度、车头时距及线路条数等变量的估计结果进行可视化分析，进一步探究局部空间效应的影响。

居住用地强度在早晚高峰时段的局部回归系数平均值分别为0.547和0.033，明显小于全局回归的系数0.970 和0.511。系数的空间分布如图4 所示，中心城区由于站点周围土地开发强度较高，居住用地强度的变化对客流量影响不显著。栖霞区及城东片区的居住用地强度在各时段均显著地正向影响客流量，早高峰时段，雨花台区板桥新城附近居住用地强度的变化对客流量的影响程度最高。板桥新城作为南京重点规划的新城之一，正处于建设生态宜居新城的重要时期，区域内居住用地强度不断提升，由于距河西和软件谷等企业聚集区较近，吸引了大量人口流入，但区域内地铁覆盖较少，因此，较多居民在早高峰时段选择公交通勤，模型结果较为合理。公交规划管理部门应着重关注城东和板桥新城等片区的居住用地强度变化，及时跟进新建居民小区的交付情况，对应合理设置公交线路分布和服务水平，满足居民出行需求的同时提高公交客流量。

车头时距在早晚高峰时段对站点客流量普遍具有显著负向影响，影响程度在环玄武湖地区最高，并逐层向外递减，系数分布如图5 所示。环玄武湖地区的新庄和小市等区域车头时距系数小于-0.2，在其他条件不变的情况下，车头时距每减少1 min，公交站点客流量将增加20%以上。环玄武湖地区地铁交织成网，公交专用道遍布，文旅资源丰富和高校林立的同时也存在着新庄(快速路交汇节点)和小市(外来人口聚集地)等车流和人流量较高区域，有着较好的客流基础，与地铁相比，公交站点覆盖率更高，减少站点车头时距可缩短乘客候车时间，有效吸引客流。六合区和浦口区等城市外围地区的车头时距变化对客流量的影响有限，但柳州东路附近由于通勤需求较大，车头时距系数绝对值可达0.15 以上。公交规划管理部门应着力保障中心城区，尤其是玄武湖周围地区和柳州东路等区域附近站点的车头时距稳定性，在进一步分析乘客出行特征的基础上，从线路层面制定发车频率提升方案和公交专用道配套方案等。

线路条数在早晚高峰时段对各区域站点客流量普遍具有显著正向影响，对老城区的影响程度最弱，对浦口的乡镇等外围地区的影响程度最强，系数分布如图6 所示。由于老城区的站点线路条数总体高于外围地区，回归结果较为符合边际效应。结合上文，公交规划管理部门可对不同区域实行差异化和针对性的公交站点客流量提升策略，与老城区以提升服务频率与服务水平为主不同，外围地区可将提高可达性和换乘便利性为目标，分析公交需求分布，适当加密线网，提高客流量。

图6 线路条数估计系数的空间分布Fig.6 Spatial distribution of estimation coefficients for number of routes

4 结论

本文以南京市作为研究区域，采用空间杜宾模型、地理加权回归模型分别从全局和局部层面定量评估多类因素对公交点客流量影响的直接效应、溢出效应及空间非平稳性。得到的主要结论如下：

(1)从直接效应来看，车头时距与公交站点客流量显著负相关，早高峰时段影响程度更大，可通过适当提高发车频率的方式提高客流量；首末站对客流量有显著的积极影响，在目前土地资源紧缺的背景下，建议采用新建居民区和商业区配建首末站的方式保障公交场站的落地；公共自行车与公交的便利接驳有益于提高公交客流量，建议重视公共自行车换乘站的运营养护工作，尤其在晚高峰时段，保证换乘站的车辆供给。

(2)从溢出效应来看，公共服务用地强度和公交站数量均具有显著的负向溢出效应，呈现虹吸现象。公交站点覆盖率常常作为评价公交服务水平的重要指标，但从溢出效应来看，简单增设站点的方式会造成相邻公交站点间的分流，提高公交站点可达性对客流量的提升更为重要。

(3)地理加权回归模型中，各变量估计系数呈空间非平稳性，各变量对客流量的影响程度和影响方向随站点位置的不同存在差异，南京市城东及板桥新城等区域的居住用地强度变化对客流量的影响较大，车头时距对客流量的影响程度在玄武湖周边区域最大，并向外逐层递减，线路条数的影响程度由老城区向外围区域递增。

(4)综上，提高站点目的地可达性和公共交通间换乘便利性是从总体上提高公交客流量的良好策略。在考虑经济性和实施效益的基础上，可针对不同区域采取差异化的客流提升策略，中心城区以提高服务水平为主，可通过结合公交专用道和针对重要站点布设高频骨干线路等方式提高车辆到站的可靠性，降低站点车头时距，提高公交吸引力；城市外围地区以满足居民的主要出行需求为主，可结合土地利用类型的变化，通过合理设置公交站点和增设线路等方式及时满足较大吸引范围内的新增需求，提高客流量。