论文部分内容阅读
摘要：城市轨道交通在人们的生活中愈来愈重要。本文对其车站客流递远递减规律进行研究，根据交通调查所获得的散点图得到不同类型车站递远递减规律函数，并分析不同类型车站递远递减规律函数的异同，从而为城市轨道交通的进一步发展与城市用地等提供参考依据。
关键词：城市轨道交通；客流；递远递减规律
引言
目前，城市轨道交通以其节能、省地、运量大、全天候、无污染（或少污染）安全等特点，成为缓解城市拥堵的最佳方案。截至2017年末，我国已有34个城市开通轨道交通并投入运营，运营里程达5033公里。其中，地铁3884公里，占比77.2%；轻轨、单轨、市域快轨、现代有轨电车、磁浮交通等制式运营线路约1149公里，占比22.8%；总体呈现出网络化、差异化，制式结构多元化等特点。城市轨道交通客流是城市轨道交通规划、投资、建设、运营、评估的重要指标。城市轨道交通车站客流是城市轨道交通客流的一个重要内容，决定着站台规模，站内通行设备的布设等。鉴于此，有必要对城市轨道交通车站客流进行预测。
本文通过对车站客流递远递减规律实证研究，绘制车站客流递远递减规律散点图，选用合适的函数曲线对散点图进行拟合，得到车站客流递远递减规律函数，为合理预测车站客流提供依据，同时也能为商业圈的开发，政府用地等提供一定的依据。
1.研究方法
既有的车站客流预测方法以传统的四阶段法[1]为主，针对精细化微观的轨道交通车站层面的客流预测适用性较弱，体现在：①其需要大量的有效基础数据，在区域层面组织大规模OD调查耗时耗力；②如果部分数据失实，造成的误差将从全方式客流量累积传递到车站客流量，使得误差放大。③因其需要通过对全区域全方式的客流量预测后才能逐步得到车站客流量，所以对车站客流吸引范围内土地利用或交通服务水平变化的灵敏度不高[2]。
因此出现了基于城市轨道交通站点层面构建的车站客流量微观预测方法[3-11]，其将车站客流看作是车站周边环境及车站自身特点的函数，构建回归模型对影响车站客流的因素与车站客流之间的关系进行回归，并基于回归系数对车站客流进行预测。城市轨道交通车站客流量微观预测方法中，车站客流吸引范围内的人口是影响车站客流的重要因素。鉴于车站客流存在递远递减规律，如果将到车站不同距离的单位人口对车站客流的贡献率等同，则预测结果将会有较大误差。因此，有必要对到车站不同距离单位人口对车站客流的贡献率即车站客流递远递减规律进行研究，以便合理地对车站客流进行预测。既有研究往往通过调查居住/工作在车站客流吸引范围内的城市轨道交通使用者，绘制散点图描述随到车站距离的增大，轨道交通使用频率下降的事实对其进行定量研究[3，4，11]。但既有研究对散点图的曲线拟合函数差异较大，如文献[4][11]采用线性函数对居住类曲线进行拟合，二次负指数函数对岗位类曲线进行拟合；文献[3]则采用二次负指数函数对居住曲线进行拟合。文献[12]提出线性函数（ ），负指数函数（ 或者 ），二次函数（ ）与幂函数（ ）均可用来拟合车站客流递远递减散点图。鉴于此，有必要对车站客流递远递减规律进行实证研究，以辨明车站客流存在何种递远递减规律。
2.微观预测法的应用
基于微观预测法设计车站客流递远递减规律实证调查问卷，在不同区域（市区、郊区、市域）选取不同类型轨道交通车站（中间站、终点站、换乘站）对早高峰、全日进（出）站客流进行乘客个人属性及出发地问卷调查。
问卷的数据除去个人属性这些附加因素，主要以问题“出行的出发地”为核心数据，借此来体现微观预测法独特性和准确性。本文采用上海与东京都轨道交通车站调查数据进行分析并对两者进行对比。
上海市数据主要来源于问卷调查，通过调查多种类型的车站，在被调查车站入口定时、随机选择进站乘客进行问卷调查，被调查车站包括了九亭站、漕河泾开发区站、宜山路站、松江南站等。车站周边小区的人口数来源于第六次人口普查数据与文献调查。
东京都数据主要来源于日本首都圈2010年7月的交通大调查数据。其交通大调查内容包括早高峰东京都各车站的始发客流及客流来源的交通小区及客流量，各车站的终到客流及客流终到的目的地交通小区及客流量。
路网距离数据来源于谷歌地图的实时数据。我们采用路网距离（实际走行距离）来作为研究的数据，因为直线距离在街道纵横交错的大都市与实际走行距离差距较大，所以以实际走行距离为变量更能反应行人到地铁站的难易程度。
3.数据处理与分析
将各车站的数据单独绘制成散点图，可以看出车站客流递远递减规律明显，但这些图都属于一个特定中心的距离衰减函数图，并不统一，本研究期望将同类型的车站归结成一个更具普遍性的函数类型，遂将同类型车站的客流与人口数据进行整合，按距离段分类统计客流贡献率，最后绘制成该类型车站客流递远递减规律图。
车站客流遞远递减规律函数图中，Y轴表示客流贡献率，X轴表示乘客出发地距地铁站的路网距离段。出发地与地铁站的路径往往有多个本研究假定乘客通常采用时间最短通行路径。客流贡献率以某距离段早高峰进站客流与该处居住人口的比值作为Y轴变量。
3.1上海轨道交通车站客流递远递减规律
上海车站客流递远递减规律趋势图如图3-1、3-2所示。经过对比与分析，数据中所有中间站客流递远递减规律呈现对数函数形式，认为中间站客流递远递减规律函数基本可以用 表示，其中i，j为参数且都大于零。换乘站客流递远递减规律呈现为幂函数形式，认为换乘站客流递远递减规律函数基本可以用 表示，其中a，b为参数且都大于零。经过对上海终点站的调研，发现终点站地理位置较偏，附近的小区比较少，所以得到的数据样本量比较少，并不能很好的体现出客流贡献率和路网距离之间的关系。除此之外，某些终点站还具有一定的特殊性，如松江南站，该地铁站和高铁站相邻，调查结果发现城际客流占了很大的比例，而其余客流大都来自几个临近的住宅区，这些住宅区的客流贡献率远超一般的小区，这类终点车站的规律具有特殊性，因此上海数据中暂未绘制终点站客流递远递减规律函数图。 3.2东京都轨道交通车站客流递远递减规律
东京都车站客流递远递减规律趋势图如图3-3～图3-8所示。经过对比与分析，数据中所有的市区站客流递远递减规律呈现为幂函数，换乘站也都呈现为幂函数，认为市区站和换乘站的距离衰减函数基本可以用 表示，其中a，b为参数且都大于零。郊区中间站和终点站客流递远递减规律皆呈现为指数函数，本文认为郊区中间站和终点站的距离衰减函数基本可以用 表示，其中c，d为参数，且都大于零。
市区中间站和换乘站的客流贡献率随距离X的增加下降得更为迅速，这和市区地铁网布局密集有很大关系。譬如当两个站站间距较小（<=1KM）时，两车站的客流吸引范围有很大的重叠区域，重叠区域内的人口对车站客流的贡献率要低，导致客流贡献率下降更为迅速。从图3-3和图3-5可以看出，对于幂函数 ，b处于1～2之间，而指数函数 的底数为e，当 x处于0～10这样一个区间内，幂函数的下降速度更为迅速，符合现实情况，反映了车站客流递远递减规律函数的准确性。
3.3上海与东京车站客流递远递减规律对比
将上海车站客流递远递减规律函数图与东京车站客流递远递减规律趋势图对比分析，发现上海与东京换乘站客流递远递减规律相似，都呈现为幂函数形式，皆可用 表示，本文认为：换乘站的客流递远递减规律呈现为幂函数形式。中间站的遞远递减规律有所不同。上海市郊区和市区中间站客流递远递减规律呈现为对数函数形式，而东京市区中间站客流递远递减规律呈现为幂函数形式，郊区中间站客流递远递减规律呈现为指数函数形式。本文在3.2中提出指数函数和幂函数在变量x处于0～10这个区间时，幂函数下降更为迅速，东京市郊区中间站与上海市郊区中间站客流递远递减规律所呈现的函数差别可以认为是人口分布、密集程度不同等原因造成的。换乘站一般设于交通枢纽，客流较多，对客流吸引相对更大，乘客即便距离该站较远，也愿意居住于换乘站附近，这是其客流递远递减规律呈现为幂函数形式的原因之一，上海与东京换乘站的情况较为相似，两者客流递远递减规律皆呈现为幂函数形式。上海与东京地形、交通情况、周围建筑等存在差异，所以两者的客流递远递减规律呈现的函数形式有些许差异在所难免。但无疑，地铁车站都具有客流递远递减规律。
4.小结
虽然地理空间的不同会带来一定的差异性，客流也会随着天气等原因而变化，但同类型车站客流递远递减规律是相似的。本研究采用交通调查得到的数据绘制车站客流递远递减规律函数图。
许多研究已经表明城市轨道交通车站存有客流递远递减规律，但都不统一，本研究将各类型的车站函数进行了总结归纳。换乘站的客流递远递减规律函数相较之下更符合幂函数，中间站的客流递远递减规律函数相较之下更符合对数函数（上海）、幂函数（东京市区）和指数函数（东京郊区），而终点站相较之下更符合幂函数（市区）和指数函数（郊区）。不同地区的客流递远递减规律会有所异同，但相同地区同类型车站的客流递远递减规律基本一致。
尽管本文分析了不同类型车站客流的递远递减规律函数，但没有确切指出函数各参数之间的联系，本文认为上述的参数i和j，a和b，c和d之间可能存在某种联系，且参数的确定应与周围环境等有一定的关联性，本文将会对此进行进一步研究。
参考文献
[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] 王淑伟，孙立山，郝思源，等. 基于精细化用地的轨道客流直接估计模型[J]. 交通运输系统工程与信息，2015，15（3）：37-43.
[11] 周家中，张殿业. 基于空间加权的LS—SVM城市轨道交通接驳需求预测[J]. 铁道学报，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
作者简介：王逸君，女，生于1998年2月23日，汉族，浙江湖州人，上海工程技术大学本科在读，交通运输方向。
郑锴，男，生于1997年8月1日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
张权，男，生于1997年8月12日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
金科良，男，生于1997年8月18日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
魏万旭，女，生于1998年11月20日，汉族，甘肃白银人，上海工程技术大学本科在读，交通运输方向。
基金项目：文系上海工程技术大学2018年度大学生实践创新训练项目，项目编号：Cx1810006
（作者单位：上海工程技术大学）
关键词：城市轨道交通；客流；递远递减规律
引言
目前，城市轨道交通以其节能、省地、运量大、全天候、无污染（或少污染）安全等特点，成为缓解城市拥堵的最佳方案。截至2017年末，我国已有34个城市开通轨道交通并投入运营，运营里程达5033公里。其中，地铁3884公里，占比77.2%；轻轨、单轨、市域快轨、现代有轨电车、磁浮交通等制式运营线路约1149公里，占比22.8%；总体呈现出网络化、差异化，制式结构多元化等特点。城市轨道交通客流是城市轨道交通规划、投资、建设、运营、评估的重要指标。城市轨道交通车站客流是城市轨道交通客流的一个重要内容，决定着站台规模，站内通行设备的布设等。鉴于此，有必要对城市轨道交通车站客流进行预测。
本文通过对车站客流递远递减规律实证研究，绘制车站客流递远递减规律散点图，选用合适的函数曲线对散点图进行拟合，得到车站客流递远递减规律函数，为合理预测车站客流提供依据，同时也能为商业圈的开发，政府用地等提供一定的依据。
1.研究方法
既有的车站客流预测方法以传统的四阶段法[1]为主，针对精细化微观的轨道交通车站层面的客流预测适用性较弱，体现在：①其需要大量的有效基础数据，在区域层面组织大规模OD调查耗时耗力；②如果部分数据失实，造成的误差将从全方式客流量累积传递到车站客流量，使得误差放大。③因其需要通过对全区域全方式的客流量预测后才能逐步得到车站客流量，所以对车站客流吸引范围内土地利用或交通服务水平变化的灵敏度不高[2]。
因此出现了基于城市轨道交通站点层面构建的车站客流量微观预测方法[3-11]，其将车站客流看作是车站周边环境及车站自身特点的函数，构建回归模型对影响车站客流的因素与车站客流之间的关系进行回归，并基于回归系数对车站客流进行预测。城市轨道交通车站客流量微观预测方法中，车站客流吸引范围内的人口是影响车站客流的重要因素。鉴于车站客流存在递远递减规律，如果将到车站不同距离的单位人口对车站客流的贡献率等同，则预测结果将会有较大误差。因此，有必要对到车站不同距离单位人口对车站客流的贡献率即车站客流递远递减规律进行研究，以便合理地对车站客流进行预测。既有研究往往通过调查居住/工作在车站客流吸引范围内的城市轨道交通使用者，绘制散点图描述随到车站距离的增大，轨道交通使用频率下降的事实对其进行定量研究[3，4，11]。但既有研究对散点图的曲线拟合函数差异较大，如文献[4][11]采用线性函数对居住类曲线进行拟合，二次负指数函数对岗位类曲线进行拟合；文献[3]则采用二次负指数函数对居住曲线进行拟合。文献[12]提出线性函数（ ），负指数函数（ 或者 ），二次函数（ ）与幂函数（ ）均可用来拟合车站客流递远递减散点图。鉴于此，有必要对车站客流递远递减规律进行实证研究，以辨明车站客流存在何种递远递减规律。
2.微观预测法的应用
基于微观预测法设计车站客流递远递减规律实证调查问卷，在不同区域（市区、郊区、市域）选取不同类型轨道交通车站（中间站、终点站、换乘站）对早高峰、全日进（出）站客流进行乘客个人属性及出发地问卷调查。
问卷的数据除去个人属性这些附加因素，主要以问题“出行的出发地”为核心数据，借此来体现微观预测法独特性和准确性。本文采用上海与东京都轨道交通车站调查数据进行分析并对两者进行对比。
上海市数据主要来源于问卷调查，通过调查多种类型的车站，在被调查车站入口定时、随机选择进站乘客进行问卷调查，被调查车站包括了九亭站、漕河泾开发区站、宜山路站、松江南站等。车站周边小区的人口数来源于第六次人口普查数据与文献调查。
东京都数据主要来源于日本首都圈2010年7月的交通大调查数据。其交通大调查内容包括早高峰东京都各车站的始发客流及客流来源的交通小区及客流量，各车站的终到客流及客流终到的目的地交通小区及客流量。
路网距离数据来源于谷歌地图的实时数据。我们采用路网距离（实际走行距离）来作为研究的数据，因为直线距离在街道纵横交错的大都市与实际走行距离差距较大，所以以实际走行距离为变量更能反应行人到地铁站的难易程度。
3.数据处理与分析
将各车站的数据单独绘制成散点图，可以看出车站客流递远递减规律明显，但这些图都属于一个特定中心的距离衰减函数图，并不统一，本研究期望将同类型的车站归结成一个更具普遍性的函数类型，遂将同类型车站的客流与人口数据进行整合，按距离段分类统计客流贡献率，最后绘制成该类型车站客流递远递减规律图。
车站客流遞远递减规律函数图中，Y轴表示客流贡献率，X轴表示乘客出发地距地铁站的路网距离段。出发地与地铁站的路径往往有多个本研究假定乘客通常采用时间最短通行路径。客流贡献率以某距离段早高峰进站客流与该处居住人口的比值作为Y轴变量。
3.1上海轨道交通车站客流递远递减规律
上海车站客流递远递减规律趋势图如图3-1、3-2所示。经过对比与分析，数据中所有中间站客流递远递减规律呈现对数函数形式，认为中间站客流递远递减规律函数基本可以用 表示，其中i，j为参数且都大于零。换乘站客流递远递减规律呈现为幂函数形式，认为换乘站客流递远递减规律函数基本可以用 表示，其中a，b为参数且都大于零。经过对上海终点站的调研，发现终点站地理位置较偏，附近的小区比较少，所以得到的数据样本量比较少，并不能很好的体现出客流贡献率和路网距离之间的关系。除此之外，某些终点站还具有一定的特殊性，如松江南站，该地铁站和高铁站相邻，调查结果发现城际客流占了很大的比例，而其余客流大都来自几个临近的住宅区，这些住宅区的客流贡献率远超一般的小区，这类终点车站的规律具有特殊性，因此上海数据中暂未绘制终点站客流递远递减规律函数图。 3.2东京都轨道交通车站客流递远递减规律
东京都车站客流递远递减规律趋势图如图3-3～图3-8所示。经过对比与分析，数据中所有的市区站客流递远递减规律呈现为幂函数，换乘站也都呈现为幂函数，认为市区站和换乘站的距离衰减函数基本可以用 表示，其中a，b为参数且都大于零。郊区中间站和终点站客流递远递减规律皆呈现为指数函数，本文认为郊区中间站和终点站的距离衰减函数基本可以用 表示，其中c，d为参数，且都大于零。
市区中间站和换乘站的客流贡献率随距离X的增加下降得更为迅速，这和市区地铁网布局密集有很大关系。譬如当两个站站间距较小（<=1KM）时，两车站的客流吸引范围有很大的重叠区域，重叠区域内的人口对车站客流的贡献率要低，导致客流贡献率下降更为迅速。从图3-3和图3-5可以看出，对于幂函数 ，b处于1～2之间，而指数函数 的底数为e，当 x处于0～10这样一个区间内，幂函数的下降速度更为迅速，符合现实情况，反映了车站客流递远递减规律函数的准确性。
3.3上海与东京车站客流递远递减规律对比
将上海车站客流递远递减规律函数图与东京车站客流递远递减规律趋势图对比分析，发现上海与东京换乘站客流递远递减规律相似，都呈现为幂函数形式，皆可用 表示，本文认为：换乘站的客流递远递减规律呈现为幂函数形式。中间站的遞远递减规律有所不同。上海市郊区和市区中间站客流递远递减规律呈现为对数函数形式，而东京市区中间站客流递远递减规律呈现为幂函数形式，郊区中间站客流递远递减规律呈现为指数函数形式。本文在3.2中提出指数函数和幂函数在变量x处于0～10这个区间时，幂函数下降更为迅速，东京市郊区中间站与上海市郊区中间站客流递远递减规律所呈现的函数差别可以认为是人口分布、密集程度不同等原因造成的。换乘站一般设于交通枢纽，客流较多，对客流吸引相对更大，乘客即便距离该站较远，也愿意居住于换乘站附近，这是其客流递远递减规律呈现为幂函数形式的原因之一，上海与东京换乘站的情况较为相似，两者客流递远递减规律皆呈现为幂函数形式。上海与东京地形、交通情况、周围建筑等存在差异，所以两者的客流递远递减规律呈现的函数形式有些许差异在所难免。但无疑，地铁车站都具有客流递远递减规律。
4.小结
虽然地理空间的不同会带来一定的差异性，客流也会随着天气等原因而变化，但同类型车站客流递远递减规律是相似的。本研究采用交通调查得到的数据绘制车站客流递远递减规律函数图。
许多研究已经表明城市轨道交通车站存有客流递远递减规律，但都不统一，本研究将各类型的车站函数进行了总结归纳。换乘站的客流递远递减规律函数相较之下更符合幂函数，中间站的客流递远递减规律函数相较之下更符合对数函数（上海）、幂函数（东京市区）和指数函数（东京郊区），而终点站相较之下更符合幂函数（市区）和指数函数（郊区）。不同地区的客流递远递减规律会有所异同，但相同地区同类型车站的客流递远递减规律基本一致。
尽管本文分析了不同类型车站客流的递远递减规律函数，但没有确切指出函数各参数之间的联系，本文认为上述的参数i和j，a和b，c和d之间可能存在某种联系，且参数的确定应与周围环境等有一定的关联性，本文将会对此进行进一步研究。
参考文献
[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] 王淑伟，孙立山，郝思源，等. 基于精细化用地的轨道客流直接估计模型[J]. 交通运输系统工程与信息，2015，15（3）：37-43.
[11] 周家中，张殿业. 基于空间加权的LS—SVM城市轨道交通接驳需求预测[J]. 铁道学报，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
作者简介：王逸君，女，生于1998年2月23日，汉族，浙江湖州人，上海工程技术大学本科在读，交通运输方向。
郑锴，男，生于1997年8月1日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
张权，男，生于1997年8月12日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
金科良，男，生于1997年8月18日，汉族，浙江绍兴人，上海工程技术大学本科在读，交通运输方向。
魏万旭，女，生于1998年11月20日，汉族，甘肃白银人，上海工程技术大学本科在读，交通运输方向。
基金项目：文系上海工程技术大学2018年度大学生实践创新训练项目，项目编号：Cx1810006
（作者单位：上海工程技术大学）