北京市地铁出行特征及其影响因素分析

刘成帅，陈 鹏*

（中国人民公安大学 信息网络安全学院，北京）

引言

研究地铁出行特征及其影响因素，对于公共交通系统的运营管理具有重要意义，并且有助于深入理解其背后的社会经济现象机制。

目前在公共交通出行特征的相关研究中，常从时间、空间角度对公共交通客流量进行分析[1-2]，还有研究从出行时长和距离等方面进行分析[3]。此外，公共交通客流影响因素也是学者研究的重点内容[2，4]。本文基于北京市地铁交通数据，分析公共交通出行的时空规律，并探究地铁出行和建成环境之间的依赖关系特点。

1 数据和方法

1.1 数据

本研究中的地铁交通数据来自于北京市的地铁公司，数据的日期范围为2019 年10 月1 日至2020 年1月23 日，涵盖站点289 个，共有智能卡记录近2 亿条。

本文将车站影响范围设为半径为1 km[5]的圆形缓冲区，并通过泰森多边形解决站点密集地区缓冲区相互重叠的问题。然后从POI 数据、路网数据、换乘站数据中提取自变量。北京市POI 数据通过高德地图获取；路网密度和方向熵通过OpenStreetMap（OSM）获取。

1.2 负二项回归模型

公共交通客流量影响因素的相关研究常采用多元线性回归[6]、负二项回归[7]、地理加权回归[8]等模型。本文因变量被统计为整数，并且呈现过离散现象，因此采用负二项回归模型。模型表示如下：

式中：Y 为因变量；Pr 为Y=y 的概率；Γ 为伽马函数；μ是均值；τ 是形状参数。

2 地铁出行变化特点

周一至周日的日均地铁流量如图1 所示。可以发现，周一日均出行量最大，然后出行量保持递减，直到周五再次有所增加。非工作日的日均出行量总是小于工作日。

图1 地铁日均客流量

工作日和非工作日不同时段的地铁客流量分布如图2 所示。早晚高峰时段统一设为7:00-9:00 和17:00-19:00。可以发现，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，而在非工作日则反之。

图2 各出行时段地铁客流量分布

图3 展示了各地铁站点日均流量以及站点间日均流量。可以发现，靠近市中心的站点流量通常高于城市外围站点。较高的站点间日均流量大多与靠近市中心的地铁站相关联，而外围站点之间的流量较小。

图3 各地铁站点流量分布

各地铁站点平均出行时长和平均出行距离分布如图4 所示。可以发现靠近市中心的站点出行时长和距离较小，而外围站点较大[3]。

3 地铁流量影响因素分析

为探究地铁流量影响因素，工作日、非工作日、早晚高峰每个地铁站的日均客流量被视为因变量。Kolmogorov-Smirnov（K-S）检验结果显示客流量不服从正态分布，所以采用负二项回归模型。此外，采用方差膨胀因子（VIF）检验对所有自变量进行多重共线性检验，当去除生活服务、路网方向熵（自行车道）类型变量时，自变量之间的相关性不显著。回归结果见表1。

表1 负二项回归结果

（1） 商场和餐饮服务（消费类场所）在工作日、非工作日、早晚高峰均与地铁客流量显著正相关。这表明在绝大多数时候，商场、餐饮服务均吸引着居民前去消费。

（2） 知名企业（公司企业类场所）、幼儿园和中小学（教育类场所）、三级甲等医院（医疗类场所）、金融保险服务（金融服务场所）在工作日及早晚高峰与地铁客流量显著正相关。这说明工作日这些场所设施提供服务吸引了地铁客流。而高等院校（教育类场所）在非工作日仍与地铁客流量显著正相关。这可能是因为在非工作日，大学生也会留在学校住宿和生活。

（3） 火车站（交通旅行类场所）在工作日和非工作日与地铁客流量显著正相关。这是因为火车站作为对外交通的重要枢纽，长期具有较高人流量。并且火车旅行通常与早晚高峰无关。

（4） 换乘站作为地铁系统的重要一环，在工作日、非工作日、早晚高峰均与地铁客流量显著正相关。这体现了换乘站对地铁客流的持续正向影响。

4 结论

本文基于北京市地铁交通数据和POI 数据等，分析公共交通出行的时空变化规律，以及地铁出行和建成环境等影响因素之间的依赖关系特点。研究结果表明：北京市地铁流量在时间、空间分布上呈现一定规律，出行时长和距离具有空间异质性。对北京市地铁流量影响因素进行分析发现，消费、公司企业、教育、医疗、金融等类型的场所以及换乘站均对地铁客流量具有一定影响。研究成果可为地铁运营管理提供依据，促进公共交通可持续发展。