EN中文

热带地理 >

2021 , Vol. 41 >Issue 5: 918 - 927

DOI: https://doi.org/10.13284/j.cnki.rddl.003386

城市地理

广州地铁站点交通流特征与居民地铁出行的人群分异

  • 叶昌东 , 1 ,
  • 冯碧盈 1 ,
  • 姚华松 , 2 ,
  • 代丹丹 3
展开
  • 1. 华南农业大学 林学与风景园林学院，广州 510642
  • 2. 广州大学，公共管理学院，广州 510006
  • 3. 广州大学，管理学院，广州 510006
姚华松（1979—），男，湖北浠水人，副教授，博士，研究方向为城市化、社会与文化地理，（E-mail）。

叶昌东（1983—），男，广东南雄人，教授，博士，研究方向为城市空间结构、城市公共空间、城市更新、乡村振兴等，（E-mail）；

收稿日期: 2020-09-19

  修回日期: 2020-11-28

  网络出版日期: 2021-09-23

基金资助

国家自然科学基金(41871156)

广东省自然科学基金项目(2017A030310668)

大学生创新训练项目“空间正义观导向下的农民工市民化路径研究——以广州为例”(S202010564093)

收起

Traffic Flow of Metro Stations and Population Travel Differentiation in Guangzhou

  • Changdong Ye , 1 ,
  • Biying Feng 1 ,
  • Huasong Yao , 2 ,
  • Dandan Dai 3
Expand
  • 1. College of Forestry and Landscape Architecture, South China Agricultural University, Guangzhou 510642, China
  • 2. Public Administration School, Guangzhou University, Guangzhou 510006, China
  • 3. School of Management, Guangzhou University, Guangzhou 510006, China

Received date: 2020-09-19

  Revised date: 2020-11-28

  Online published: 2021-09-23

Fold

本文亮点

基于广州地铁交通流的始发地（Origin）—目的地（Destination）（OD分析），运用出行成本（距离/时间）、集中出行距离区间等指标对地铁站点交通流特征及居民地铁出行的人群分异进行刻画。结果表明：1）地铁站点随出行距离增加的乘客累积比例呈“S”型曲线变化，广州地铁站点的平均出行成本约为14.04 km（20.48 min），并由中心向外逐层增加约4 km（5 min）和13 km（10 min），周末平均出行成本略高于工作日。2）广州地铁出行的集中距离区间为8.55~26.61 km，在该出行距离范围内的乘客量占总数的71.88%；周末出行集中距离区间宽度变窄，但乘客量的集中比例却有所下降。3）社会弱势群体如女性、老年人、固定上下班的大学以上学历人群、办事人员、商服人员等是地铁潜在客流的主要构成群体；不同人群的地铁平均出行距离出现分化，其中出行需求小、出行能力偏弱的群体平均出行距离较短，出行需求大的群体平均出行距离普遍较长；除个别人群外站点集中出行距离区间相对差异不大。

本文引用格式

叶昌东 , 冯碧盈 , 姚华松 , 代丹丹 . 广州地铁站点交通流特征与居民地铁出行的人群分异[J]. 热带地理, 2021 , 41(5) : 918 -927 . DOI: 10.13284/j.cnki.rddl.003386

Highlights

Metro railway is emerging as the optimal choice for residents' daily travel in many metropolitan areas in China, which profoundly affects the spatial-temporal characteristics of the travel mode of residents. Studying the spatio-temporal characteristics of metro traffic flow is of great practical significance for optimizing metro traffic layout and relieving urban traffic pressure. Reported studies have afforded significant achievements in the spatial-temporal characteristics of metro traffic flow; however, there are very few studies on the overall perspective of the station network, and most of them fail to further analyze population differences in using metro systems. In view of these gaps in the existing research, this study has two main objectives: 1) to describe the characteristics of metro traffic from the overall perspective of metro station network, with parameters of traffic flows within the station network, average travel distance (time), and their aggregation features; and 2) to analyze the differentiation of population groups near metro stations for understanding population differences in metro traffic flow. The Origin-Destination (OD) analysis method was used to calculate traffic flow characteristics between different metro stations, including the average travel cost (distance/time) and travel aggregation distance interval. Our results lead to the following inferences. 1) The cumulative proportion of passengers in metro stations along with travel distance show an "S" curve function feature, the average travel cost of metro stations in Guangzhou is approximately 14.04 km (20.48 min), and increase by ~4 km (~5 min) and ~13 km (~10 min) from the central area to the inner and outer suburbs. The average weekend travel costs are slightly higher than that of weekdays: the average travel cost on weekend ranged from 0.03 km (0.06 min) less in the central area to 0.32 km (0.49 min) and 0.64 km (0.77 min) more in the inner and outer suburbs, respectively. Three types of metro stations—those serving external transportation, business offices, and public units—have higher average travel costs. 2) The distance interval of passenger flow concentration in metro stations tends smoothly from the center to the periphery. The travel aggregation distance interval in the entire city is 8.55-26.61 km, with 71.88% passengers aggregated within this travel distance range. The travel aggregation distance interval in the central area and the inner and outer suburbs are 2.74-19.23, 7.49-25.23, and 24.3-46.73 km, respectively, with 78.87%, 71.81%, and 56.55% passengers, respectively. The spatial distributions on weekend and weekdays are almost the same, only with a narrow range of travel aggregation distance interval and smaller proportion of passengers on weekends than weekdays. The station types of external transportation, leisure tourism, and residential areas have higher travel aggregation distance interval and passenger proportion. 3) Population groups like women, elderly, people with college-level education or above, office staff, business people, and service personnel are the main components of metro passengers. The average metro travel distance of different population groups is differentiated, as groups with small travel demand and weak travel ability have short average travel distance, while groups with large travel demand generally have a long average travel distance. Our research contributes to the existing literature mainly in two aspects. 1) Average travel cost, knee point analysis, and travel aggregation distance interval were used to depict the spatial-temporal characteristics of metro traffic flow from the overall perspective of metro station network; this is a supplement and expansion of existing literature mainly based on stations or lines. 2) The differentiation of different population groups helped further optimize the planning, design, and line arrangement of metro systems.

城市居民日常出行是影响城市空间特征与布局的重要因素，在低碳出行、可持续生活方式、公交都市的背景下，城市交通组织呈现出新的规律，认识新的城市交通客流特征，对解决城市交通堵塞、应对新的交通出行模式具有积极意义。当前研究主要运用手机数据（张天然，2016；汪瑞琪 等，2019）、GPS定位（魏海涛 等，2020）、公交打卡（陈忠暖 等，2010；孟斌 等，2019）等大数据信息和居民日常出行轨迹、行动日志（季珏 等，2012；古杰 等，2014）等方法对居民出行距离（时间）成本、时段差异等特征进行刻画，对小汽车（周素红 等，2017）、公交（陈忠暖 等，2010）、地铁（李文翎 等，2004）等多种交通方式均有关注。具体而言，现有研究主要关注2个方面：1）出行过程的特征与规律。主要包括出行的目的、影响因素、交通工具选择、成本、耗时、时段、空间分布、频次或强度等；整体上看，中国城市居民的出行总量增长迅速，出行目的不断丰富，居民以工作为目的的出行具有中心指向性，出行方式多样化，大城市中公共交通出行比例逐渐上升（张文尝 等，2007；Calvo et al., 2013；栾鑫 等，2018）。2）人群分异。研究普遍认为男性的工作出行略高于女性；收入水平低的人群公共交通出行率较高，收入水平高的人群私家车出行率较高；中产阶层日常出行以私家车和步行为主（赵莹 等，2014；代丹丹 等，2017；佟新 等，2018）。
随着地铁交通在大城市的日益完善，选择地铁出行的人群越来越多。2019年北京、上海、广州地铁日均客流量分别达1 086.9万、1 064.3万、906.8万人次，人均日乘坐地铁次数分别为0.50、0.44、0.59次（《隧道建设（中英文）》编辑部，2020）。通过分析地铁交通流可以有效反映居民的日常交通出行规律（赵鹏军 等，2016）。已有研究显示，居民地铁出行在目的、距离、出行时段等方面均存在差异。如北京、上海、深圳等地居民地铁平均出行距离在10~15 km，地铁出行集中距离区间为5~25 km （马亮 等，2017）。居民的地铁出行行为受性别、年龄、收入水平、家庭拥车、住宅类型等因素的影响，中低收入、汽车拥有率低、中青年（20~40岁为主）、具有正式职业的工薪阶层群体对地铁交通的依赖性较强（王雯静 等，2010；黄晓燕 等，2014；宗会明 等，2014；Baker et al., 2019）。
总的来说，目前对城市居民日常出行的研究内容丰富，但仍存在一些有待思考的问题：首先，现有大多数研究主要基于线路开展，而基于站点网络的交通流研究相对较少。其次，对居民地铁出行的人群特征分异关注不够，目前多数研究关注到不同居民群体的日常出行特征存在差异，但具体针对地铁交通出行特征的研究相对不足。
因此，本文拟通过分析广州地铁站点交通流的特征，具体刻画地铁站点交通流及居民地铁出行的人群分异，探索解决城市公共交通拥挤问题的途径。通过考查不同地铁站点的交通客流量、交通联系网络、平均出行距离（时间）成本、客流集中出行距离区间等交通流特征，探讨地铁站点周边不同居民群体使用地铁的差异，以期掌握地铁的交通流特征及使用人群分异规律，为优化地铁站点、线路安排提供参考。

1 研究数据与方法

1.1　研究数据

数据包括2个部分：1）地铁客流量数据。来源于2019年4月广州地铁全票种刷卡数据，包括工作日和休息日160个站点之间的客流量统计数据，其中站点客流集散统计数据为各站点从T 06:00－24:00每间隔1 h的进出站客流数量，站点间始发地（Origin）—目的地（Destination）（以下简称“OD”）客流为当日所有两两站点之间的往来客流数量（表1）。空间数据图层包括地铁站点和线路图层。2）人口特征信息。根据2010年第6次人口普查可以比较全面地了解人口特征，但与地铁客流数据相差年份较多，无法准确反映人口分布的最新特征。因此，结合2015年1%人口抽样调查和广州市统计年鉴的相关人口数据进行调整，得到本研究的人口数据（广州市统计局，2013；广州市统计局，2017）。从人口的性别、年龄、户籍、受教育程度、住房、职业、经济来源、婚龄等8个方面对人口特征差异进行分析；人口细分到居委会层面的空间单元。
表1 广州市地铁交通客流基本特征

Table 1 Statistic features of metro passenger flow in Guangzhou

数据 总量/万人 平均/人 最大值/人 最小值/人
工作日 进站客流 394.16 24 635 72 141 670
出站客流 393.84 24 615 74 834 637
站间客流 441.55 172 6 026 0
周末 进站客流 375.66 23 479 73 890 620
出站客流 374.49 23 405 69 481 444
站间客流 423.39 165 6 141 0
根据地铁客流距离将其划分为3个圈层（图1），其中，中心圈层是以珠江新城站为中心，距离半径约10 km，相距约10个站点的范围，包括2号线北至广州火车站、南至东晓南站，3号线北至天河客运站、南至大塘站，5号线东至科韵路站、西至广州火车站，6号线东至天河客运站、西至如意坊站；该圈层地铁平均运行速度约为35 km/h。近郊圈层是中心圈层向外延伸约15 km，相距约7个站点的范围，包括中心圈层向外2号线北至嘉禾望岗站，南至广州南站；3号线北至嘉禾望岗站，南至番禺广场站；5号线东至文冲站，西至滘口站；6号线东至香雪站，西至浔峰岗站；该圈层地铁平均运行速度约为40 km/h。其余为远郊圈层站点，地铁平均运行速度约为50 km/h。
图1 广州市地铁站点圈层划分

Fig.1 Distribution of metro stations in Guangzhou

通过分析地铁站点周边（10 min内到达站点的距离，中心圈层以步行接驳方式为主，取600 m半径；郊区圈层以自行车/公交车接驳方式为主，取1 500 m半径）的相应用地比例，以占比超过50%确定站点周边主导城市功能，并将站点划分为居住（居住用地）、商务办公（商务设施用地）、商业购物（商业设施用地）、休闲旅游（绿地与广场用地）、公共单位（公共管理与公共服务用地）、对外交通（道路与交通设施用地）、产业（工业用地、物流仓储用地）7种类型（中华人民共和国住房和城乡建设部，2012），考察不同类型站点的交通客流出行规律（表2）。从各类站点分布情况看，居住主导的站点最多，占50%以上，这些站点大多分布在近、远郊圈层。而作为目的地的就业和消费型站点，包括商务办公、公共单位、商业购物和休闲旅游大多分布在中心和近郊圈层，产业型站点则分布在近、远郊圈层。由此可以看出，地铁交通流的主要出发地在近、远郊，而目的地主要在中心圈层。
表2 广州市不同类型地铁站点数量与用地占比分布

Table 2 Number and land use proportion of metro stations of different types in different location in Guangzhou

类型 中心圈层 近郊圈层 远郊圈层 合计

站点

数量/个

站点周边相应

用地占比/%

站点

数量/个

站点周边相应

用地占比/%

站点

数量/个

站点周边相应

用地占比/%
居住 16 52.4 50 57.6 16 58.2 82
商务办公 11 70.4 3 52.4 0 0.0 14
商业购物 13 52.6 2 63.2 2 65.4 17
休闲旅游 13 53.4 7 55.4 2 62.6 22
公共单位 4 60.5 6 64.3 1 68.4 11
对外交通 3 51.4 2 60.5 3 64.3 8
产业 0 0.0 3 78.4 3 82.4 6

1.2　研究方法

研究方法分为4个步骤：
1）通过地铁交通出行的OD分析，可以获得广州地铁交通流的分布，计算地铁站点交通客流出行距离（时间）成本，计算公式为：
A i = ∑ j f i j × d i j ∑ i ∑ j f i j × d i j
式中：Ai为i站点的交通客流出行成本；fij为i站点与j站点之间的客流量；dij为i站点与j站点之间的出行距离/时间。
2）具体刻画站点客流累积量曲线特征，根据每个站点随距离的出行客流累积量曲线，站点累积客流量随距离的变化呈“S”型曲线，反映地铁客流普遍存在出行集中的距离范围（图2），因此可以通过“S”型曲线估算不同站点居民出行的密集区间，“S”型曲线函数为（Hess et al., 2007）：
Y = k 1 + a e - b x
式中：Y为站点间累积客流量；x为站点间距离，拐点位置分别为ln（a/b）和k/2，居民出行密集区间为［ln（a/b），k/2］。
图2 广州市部分站点乘客累积占比随出行距离变化曲线

Fig.2 Curve of cumulate traffic flow rate and distance of 4 station cases in Guangzhou

3）测度站点潜在客流。使用距离衰减函数确定每个站点不同人群的潜在客流，计算公式为：
F j = ∑ n f ( d n j ) × P n （ d n j ≤ d 0）
f d n j = e - ( d n j d 0 )
式中：Fj为j站点的潜在客流量；f（dnj）为n居委会与j站点的距离衰减函数；Pn为n居委会人口数；dnj为n居委会与j站点的距离；d 0为地铁站点的距离门槛值，根据广州地铁分布实际情况，取到达站点10 min的范围为门槛值（如前所述，中心区取步行出行10 min约600 m为门槛值，郊区取自行车/公交车出行10 min约1 500 m为门槛值）。
4）计算不同人群的平均地铁出行距离/时间成本，公式为：
D g = ∑ j F g j P g × A j
式中：Dg为g类人群的平均地铁出行距离/时间；Fgj为j站点g类人群的潜在客流量；Pg为全市g类人群的人口数；Aj为j站点的客流出行成本。

2 地铁站点交通流特征

2.1　站点客流量大小与人口密度分布基本一致

从站点客流量看，形成了以公园前站和珠江新城站2个站点为中心的“双中心”格局，以该2个站点为中心，客流量等级高的站点主要集中在北至嘉禾望岗站，南至番禺广场站，东至文冲站，西至滘口站的区域内（图3）。客流量与人口密度分布基本一致，可见人口分布与地铁客流量有直接联系。
图3 广州工作日（a）和周末（b）地铁站点客流与居委人口密度分布

Fig.3 Passenger flow of metro stations in weekday (a) and weekend (b) and population density distribution of Juwei in Guangzhou

2.2　站间联系以中心站点与近郊站点间为主

从地铁客流联系网看，工作日（图4-a）与周末（图4-b）整体上较为相似，站间客流主要集中在由珠江新城站、嘉禾望岗站、广州火车站、汉溪长隆站等中心枢纽站和广州南站、机场南站、番禺广场站、浔峰岗站、滘口站、西塱站等端点站构成的站点网之内；这些站点之间的日客流大多在2 000人次以上。但工作日与周末的客流方向存在差异，工作日的主要客流由居住地到工作地的上下班通勤流构成，因此，位于城市CBD的珠江新城站由于有大量办公空间而成为工作地最集中的站点，是地铁工作日客流的主要目的地；位于城市郊区的嘉禾望岗站、浔峰岗站、滘口站、西塱站、番禺广场站等端点站则因分布了大量居住空间而成为市民居住地集中的站点，是地铁工作日客流的主要出发地。周末客流方向对比工作日存在以下差异：1）郊区方向的客流大幅增加，主要原因是周末到郊区度假游玩的交通需求增加，如以汉溪长隆站为目的地的地铁客流明显上升。2）以广州南站、机场南站等对外交通枢纽站为目的地的地铁客流显著上升，这是因为周末到周边城市的短途出行活动较工作日有较大的增长。3）以大学城南站为出发地的客流在周末明显上升，原因为周末返家的学生客流增加。
图4 广州工作日（a）和周末（b）地铁客流联系网

Fig.4 Connection network of metro traffic in Guangzhou weekday (a) and weekend (b)

2.3　站点平均出行距离（时间）成本由中心向外依次递增

从地铁客流出行成本计算结果（表3）可知，地铁站点客流平均出行成本有以下特点：1）平均出行成本由中心向外依次递增，工作日广州市居民地铁平均出行距离成本约为14.04 km，时间成本约为20.48 min；出行距离（时间）由中心向外依次递增，中心、近郊、远郊圈层平均分别为9.28 km（15.91 min）、13.49 km（20.23 min）、26.11 km（31.33 min）。周末平均出行距离（时间）为14.28 km（20.81 min），中心、近郊、远郊圈层平均分别为9.25 km（15.85 min）、13.81 km（20.72 min）、26.75 km（32.10 min）；其中，中心圈层站点平均出行略低于工作日，而郊区圈层则略高于工作日约0.5 km（0.5 min）。从各圈层平均出行距离和时间成本看，呈现由中心向外依次递增，逐层增加约4 km（5 min）和13 km（10 min）的规律。2）周末平均出行成本略高于工作日，且周末比工作日出行成本增加的幅度由中心向外围依次增加；与郊区圈层不同，中心圈层周末平均出行成本比工作日少0.03 km（0.06 min），而近郊圈层周末比工作日多0.32 km（0.49 min）、远郊圈层周末比工作日多0.64 km（0.77 min）；这是由于中心圈层地铁交通覆盖率高，周末与工作日的地铁出行活动相差不大，而郊区圈层地铁交通覆盖程度较低且主要以引导上下班通勤为目的设计的线路较多，因此周末的地铁出行活动相对没有那么活跃。3）从站点类型看，对外交通、商务办公、公共单位是平均出行距离（时间）较大的几类站点，这些类型的站点客流集散程度较高。工作日与周末的排序基本一致，但周末的出行距离（时间）略高于工作日。
表3 广州市地铁工作日和周末平均出行成本

Table 3 Average metro travel cost in weekday and weekend in Guangzhou

圈层/类型 工作日 周末
距离/km 时间/min 距离/km 时间/min
全市 14.04 20.48 14.28 20.81

中

心

圈

层

 对外交通 10.50 18.00 10.59 18.15
商务办公 10.22 17.52 10.20 17.49
公共单位 9.48 16.24 9.56 16.38
居住 8.99 15.40 8.89 15.25
休闲旅游 8.91 15.27 8.96 15.35
商业购物 8.85 15.16 8.71 14.93
平均 9.28 15.91 9.25 15.85

近

郊

圈

层

 商务办公 17.10 25.66 17.55 26.33
公共单位 16.22 24.34 16.81 25.21
产业 15.01 22.51 15.14 22.71
对外交通 14.73 22.10 14.82 22.23
居住 13.04 19.55 13.35 20.02
休闲旅游 12.22 18.34 12.52 18.78
商业购物 12.04 18.05 12.36 18.55
平均 13.49 20.23 13.81 20.72

远

郊

圈

层

 公共单位 34.91 41.89 35.79 42.95
商业购物 30.24 36.28 30.98 37.18
对外交通 29.02 34.82 29.76 35.71
居住 25.34 30.41 25.92 31.11
产业 25.00 30.00 25.62 30.74
休闲旅游 21.02 25.23 21.75 26.10
平均 26.11 31.33 26.75 32.10

2.4　站点客流集中的区间由中心向外依次趋向平缓

从地铁客流出行集中区间计算结果（表4）可知：1）站点客流集中的距离区间由中心向外围依次趋向平缓，工作日全市范围内地铁出行的距离区间集中在8.55~26.61 km，在18.06 km距离范围内的乘客量占总数的71.88%。其中，中心、近郊、远郊圈层分别集中在2.74~19.23、7.49~25.23、24.3~46.73 km，集中出行的距离间距分别为16.49、17.74、22.43 km，在集中区间范围内的乘客量分别占总数的78.87%、71.81%、56.55%。可以看出，由中心向外围乘客在距离集中程度上逐渐减弱，区间距离增加而客流集中程度减弱。周末中心圈层有78.86%的乘客出行距离区间集中在2.12~18.09 km（相距15.97 km）；近郊圈层有68.89%的乘客出行距离区间集中在7.80~24.85 km（相距17.05 km）；远郊圈层有53.73%的乘客出行距离区间集中在27.95~48.99 km（相距21.04 km）。与工作日相比乘客出行的集中距离区间宽度更窄，但乘客数量的集中比例有所降低。2）从站点类型看，集中程度高低在不同圈层差异明显，中心圈层较高的是对外交通、休闲旅游和居住，近郊圈层较高的是对外交通、休闲旅游和公共单位，远郊圈层较高的是商业购物、居住和休闲旅游。总的来说，对外交通、休闲旅游和居住的出行距离区间集中程度相对较高。
表4 广州市地铁工作日和周末出行集中区间

Table 4 Metro travel aggregate distance interval in weekday and weekend in Guangzhou

圈层/类型 工作日 周末
低拐点/km 高拐点/km 客流占比/% 低拐点/km 高拐点/km 客流占比/%
全市 8.55 26.61 71.88 9.07 26.39 70.07

中

心

圈

层

 对外交通 2.60 22.98 81.06 2.15 21.15 80.97
休闲旅游 2.79 17.81 78.50 1.92 17.28 80.67
居住 2.60 18.37 78.95 1.99 17.57 79.47
公共单位 3.46 21.26 77.20 1.72 19.68 79.40
商业购物 2.44 19.17 79.43 1.76 17.17 79.04
商务办公 2.92 20.22 78.71 3.15 19.30 74.88
平均 2.74 19.23 78.87 2.12 18.09 78.86

近

郊

圈

层

 对外交通 8.15 24.72 75.4 8.44 23.22 72.19
休闲旅游 5.46 23.93 73.22 5.99 23.57 70.59
公共单位 10.17 27.24 69.51 11.15 28.37 69.51
商务办公 9.14 31.47 71.05 9.94 30.27 69.46
居住 7.02 24.55 72.79 7.24 24.03 69.40
产业 11.52 28.63 58.64 11.15 28.33 60.44
商业购物 9.30 26.79 66.64 9.41 27.76 56.93
平均 7.49 25.23 71.81 7.80 24.85 68.89

远

郊

圈

层

 商业购物 26.74 51.62 62.72 27.30 50.45 61.12
居住 23.52 46.74 58.76 26.03 47.69 56.16
休闲旅游 23.04 46.92 57.37 25.80 50.33 54.06
公共单位 37.76 60.48 55.44 40.44 60.48 54.00
产业 18.41 39.06 47.20 33.55 55.90 45.11
对外交通 29.11 46.38 49.85 30.31 43.32 44.10
平均 24.30 46.73 56.55 27.95 48.99 53.73

3 地铁交通出行的人群分异

3.1　社会弱势群体和上班族乘坐地铁出行的可能性较高

将潜在客流对比市域人口结构，比例上升表明该类人群更有可能乘坐地铁出行，反之则表明该类人群乘坐地铁出行的可能性较低（表5）。结果表明，女性人群比例略有上升，男性比例略为下降；18岁以下青少年比例略为降低，老年人比例上升接近1%，19~64岁的中年人群比例变化不大；本地户籍人口比例明显升高；大学以上学历水平人群比例上升明显，而中学以下学历人群比例下降较大；租住私房、购买商品房和公房人群比例相对升高，而自建房群体比例显著降低；工、农业生产人员比例明显下降，而其他职业人员均上升，其中办事人员、商服人员上升幅度最高；收入来源为离退休金养老金的人员比例上升明显；婚龄≥3 a的人群比例略有上升。可以看出，女性、老年人等社会弱势群体，固定上下班的大学以上学历人群，办事人员、商服人员乘坐地铁出行的可能性相对较高。
表5 广州市不同人群平均地铁出行距离和时间

Table 5 Average metro travel distance and time in different population group in Guangzhou

人群 市域人口比例/% 潜在客流占比/% 工作日 周末
距离/km 间距/km 距离/km 间距/km
性别 男 52.29 52.03 11.86 17.55 12.13 17.03
女 47.71 47.97 11.70 17.46 11.96 17.00
年龄/岁 ≤18 15.15 13.72 11.98 17.61 12.25 17.11
19~64 78.10 78.54 11.85 17.53 12.11 17.01
≥65 6.75 7.74 10.80 17.10 11.01 16.90
户籍 本地户 51.64 60.53 11.41 17.15 11.63 16.94
省内迁移户 24.99 18.57 11.95 17.80 12.26 17.05
省外迁移户 23.37 20.90 13.05 18.23 13.37 17.21
受教育水平 小学以下 5.91 5.21 12.01 17.56 12.29 17.26
中学 53.72 49.19 12.30 17.31 12.58 17.13
大学 36.54 41.04 11.73 17.67 11.99 17.04
研究生以上 3.83 4.56 10.50 17.48 10.73 16.88
住房 租住公房 4.34 3.86 13.34 18.39 13.64 17.11
租住私房 42.31 46.09 12.56 18.36 12.89 17.40
自建房 21.06 8.25 14.87 18.48 15.21 17.84
购买商品房 17.66 21.53 11.11 17.18 11.36 17.11
购买二手房 3.72 4.79 10.90 17.12 11.13 16.95
购买经济房 1.25 1.29 11.22 17.61 11.46 16.93
购买公房 9.65 14.18 10.20 16.98 10.39 16.91
职业 单位负责人 4.45 5.42 12.40 18.21 12.72 17.20
专业技术人员 11.51 13.99 11.55 17.61 11.81 17.26
办事人员 10.75 13.40 11.75 17.71 12.02 17.29
商服人员 30.75 38.73 11.61 17.76 11.87 17.15
农业生产人员 8.44 0.83 18.30 18.89 18.62 18.17
工业生产人员 34.09 27.63 14.56 18.73 14.90 17.74
收入来源 劳动收入 64.83 61.38 12.53 18.03 12.82 17.35
离退休金养老金 9.96 15.13 10.32 16.97 10.53 16.89
失业保险金 0.12 0.20 10.01 16.79 10.20 16.87
最低生活保障金 0.40 0.34 11.54 17.28 11.75 16.98
财产性收入 1.71 2.03 12.01 17.83 12.33 17.37
家庭其他成员供养 22.98 20.93 12.01 17.59 12.30 17.13
婚龄/a ＜3 19.69 18.62 12.49 18.12 12.80 17.44
≥3 80.31 81.38 11.77 17.60 12.03 17.20

3.2　不同人群的平均出行距离出现分化

综合工作日和周末各类人群出行距离看（见表5），男性出行距离略高于女性；出行距离随年龄阶段增加而降低；户籍方面，出行距离随地缘远近（本地户—省内迁移户—省外迁移户）逐渐增加；受教育水平方面，出行距离大体随学历升高而降低；住房方面，出行距离自建房群体＞租房群体＞购房群体；职业方面，出行距离按照农业→工业→服务业的顺序降低；收入来源方面，享受离退休金养老金、失业保险金、最低生活保障金等政府津贴的人员出行距离较短，而劳动性收入来源的群体较长；婚龄方面，新婚人群出行距离相对较长。工作日和周末不同人群的平均出行距离呈相似的特点，但周末的平均出行距离普遍高于工作日。由此可见，不同社会群体的出行距离成本呈现出两极分化的特点，出行需求小、出行能力偏弱一些群体如女性、老年人、依靠政府提供保障性收入的人群平均出行距离较短；而出行需求大的一些群体如外来人口、低学历人群、租房群体、新婚人群平均出行距离普遍较长，因为他们大多居住地位于郊区，远离出行目的地（如就业地）。值得注意的是，对于出行需求大、出行能力强的群体之间也存在差异，如大学以上高学历人群平均出行距离普遍较短，表明他们在出行目的地（如就业地）和选择居住的能力更强；而单位负责人平均出行距离高于其他服务业从业人员，主要原因是其出行需求（业务范围）更广。

3.3　除个别群体外站点集中出行距离区间具有相对一致性

从出行的距离区间看，不同人群集中出行的距离区间相当，均为17 km左右（见表5）。个别群体如外来人口、自建房和租房群体、工农业从业人员和单位负责人、劳动性收入人群及新婚人群的集中出行距离区间均超过18 km，表明这些人群内部的出行距离差异较大，空间范围广。另一些群体如老年人、本地人和以离退休金养老金、失业保险金、最低生活保障金为收入来源的人群集中出行的距离区间相对较窄，低于或临界于17 km，可见这类人群的出行目的地具有更高的一致性，空间范围较集中。周末的集中出行距离区间与工作日相近，普遍略低于工作日。

4 结论与讨论

通过分析广州居民地铁出行的时空特征和人群差异，得到以下结论：1）地铁站点距离－累积出行呈“S”型曲线变化，反映了地铁客流普遍存在出行集中的距离范围，因此可以用平均出行距离，距离集中区间（两个拐点间的距离）等指标对其刻画。2）地铁站点出行随距离空间变化明显，平均出行距离（时间）由中心向外依次递增约4 km（5 min）和13 km（10 min），周末平均出行距离（时间）成本略高于工作日，对外交通、商务办公、公共单位是平均出行距离（时间）较大的站点类型。3）客流集聚的距离区间由中心向外趋于平缓，中心、近郊、远郊圈层的集中出行距离间距分别为16.49、17.74、22.43 km，在该距离区间范围内的客流量比例分别为78.87%、71.81%、56.55%；周末与工作日相比出行的集中距离区间宽度更窄，但乘客数量的集中比例有所降低；对外交通、休闲旅游和居住的出行距离区间集中程度相对较高，但各个圈层存在较大差别。4）地铁交通流特征的人群差异明显。社会弱势群体如女性、老年人，固定上下班的大学以上学历人群，办事人员、商服人员等是地铁潜在客流的主要构成群体；不同人群的地铁平均出行距离出现分化，其中出行需求小、出行能力偏弱的群体如女性、老年人、依靠政府提供保障性收入的人群平均出行距离较短，出行需求大的群体如外来人口、低学历人群、租房群体、新婚人群平均出行距离普遍较长，出行需求大、出行能力强的群体如大学以上高学历人群平均出行距离普遍较短，而单位负责人平均出行距离高于其他服务业从业人员；除个别群体外站点集中出行距离区间具有相对一致性；地铁出行的人群分异在工作日与周末差别不大。
本研究基于地铁刷卡数据，用地铁出行平均距离（时间）成本、集中出行距离区间等具体指标对广州地铁交通流和居民地铁出行特征进行了刻画，对认识地铁交通流特征、科学制定地铁运营管理策略、优化地铁线路和站点布局有一定的参考价值，对制定站点规划设计、车辆运营管理有一定参考意义。但限于基础数据有所欠缺，仍存在深入探讨之处：1）地铁出行成本、集中区间仅反映地铁交通流的基本特征，对于地铁交通流特征的刻画仍需引入更加多样的指标来分析，如考虑地铁换乘时间、进出站时间等因素。2）地铁出行在公共交通出行中的比例越来越高，但仍需与小汽车、公交车、有轨电车、自行车、步行等其他出行方式相互补充形成统一的整体，可进一步分析其他交通出行方式的特征规律，把握城市公共交通出行的整体规律，为公交都市的构建提供全面的参考。3）对地铁出行的人群分析可进一步探讨不同人群的出行需求，如出行的目的、时段、频率等。4）本文重点对地铁交通流的基本特征及居民的人群分异规律进行分析，但限于数据和资料的不足，未能进一步深入研究形成这些特征和规律的机制；在后续的研究中将进一步搜集相关数据，对其机制作更加深入的分析。

脚注

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Baker Dwayne Marshall and Lee Bumsoo. 2019. How Does Light Rail Transit (LRT) Impact Gentrification? Evidence from Fourteen US Urbanized Areas. Journal of Planning Education and Research, 39(1): 35-49.

Calvo Francisco, Oña Juan and Arán Fernando. 2013. Impact of the Madrid Subway on Population Settlement and Land Use. Land Use Policy, 31: 627-639.

Hess Daniel Baldwin and Almeida Tangerine Maria. 2007. Impact of Proximity to Light Rail Rapid Transit on Station-Area Property Values in Buffalo, New York. Urban Studies, 44 (5/6): 1041-1068.

陈忠暖，郭敏玲，许敏琳，方远平. 2010. 建国以来广州居民市内出行可达空间的演变——基于常规公交视角的研究. 经济地理，30（11）：1797-1803. [Chen Zhongnuan, Guo Minling, Xu Minlin and Fang Yuanping. 2010. Study on the Evolution of Residents Reachable Spatial Based on Regular Bus Transit in Guangzhou City. Economic Geography, 30(11): 1797-1803. ]

代丹丹，周春山. 2017. 广州市中产阶层日常活动的时空间特征. 人文地理，32（4）：45-53. [Dai Dandan and Zhou Chunshan. 2017. The Spatial-Temporal Characteristics of Middle Class Daily Activities in Guangzhou, China. Human Geography, 32(4): 45-53. ]

古杰，周素红，闫小培. 2014. 生命历程视角下广州市居民日常出行的时空路径分析. 人文地理，29（3）：56-62. [Gu Jie, Zhou Suhong and Yan Xiaopei. 2014. The Space-Time Paths of Residents' Daily Travel in Guangzhou from a Perspective of Life Course. Human Geography, 29(3): 56-62. ]

广州市统计局. 2013. 广州市第六次人口普查. （2019-09-17）[2021-09-01]. http://tjj.gz.gov.cn/pchb/dlcrkpc/. [Guangzhou Statistics Bureau. 2017. The Sixth Population Census of Guangzhou. (2019-09-17) [2021-09-01]. http://tjj.gz.gov.cn/pchb/dlcrkpc/. ]

广州市统计局. 2017. 广州市2015年1%人口抽样调查.（2018-11-21）[2021-09-01]. http://tjj.gz.gov.cn/pchb/2015n1rkcydc/. [Guangzhou Statistics Bureau. 2017. 1% Population Sampling Survey in 2015. (2018-11-21) [2021-09-01]. http://tjj.gz.gov.cn/pchb/2015n1rkcydc/. ]

黄晓燕，张爽，曹小曙. 2014. 广州市地铁可达性时空演化及其对公交可达性的影响. 地理科学进展，33（8）：1078-1089. [Huang Xiaoyan, Zhang Shuang and Cao Xiaoshu. 2014. Spatial-Temporal Evolution of Guangzhou Subway Accessibility and Its Effects on the Accessibility of Public Transportation Services. Progress in Geography, 33(8): 1078-1089. ]

季珏，高晓路. 2012. 基于居民日常出行的生活空间单元的划分. 地理科学进展，31（2）：248-254. [Ji Jue and Gao Xiaolu. 2012. Identifying the Scope of Daily Life in Urban Areas Based on Residents' Travel Behaviors. Progress in Geography, 31(2): 248-254. ]

李文翎，谢轶. 2004. 广州地铁沿线的居民出行与城市空间结构分析. 现代城市研究，（4）：61-64. [Li Wenling and Xie Yi. 2004. The Characteristics of the Trips of Inhabitants and the Urban Space Structure alone the Subway in Guangzhou City. Modern Urban Research, (4): 61-64. ]

栾鑫，邓卫，程琳，陈新元. 2018. 特大城市居民出行方式选择行为的混合Logit模型. 吉林大学学报（工学版），48（4）：1029-1036. [Luan Xin, Deng Wei, Cheng Lin and Chen Xinyuan. 2018. Mixed Logit Model for Understanding Travel Mode Choice Behavior of Megalopolitan Residents. Journal of Jilin University (Engineering and Technology Edition), 48(4): 1029-1036. ]

马亮，马雪城. 2017. 轨道沿线居民出行方式选择行为研究——以深圳市为例. 重庆交通大学学报（社会科学版），17（6）：25-29. [Ma Liang and Ma Xuecheng. 2017. On the Travel Mode Choice Behavior of the Residents along the Rail Transit Taking Shenzhen. Journal of Chongqing Jiaotong University (Social Sciences Edition), 17(6): 25-29. ]

孟斌，黄松，尹芹. 2019. 北京市居民地铁出行出发时间弹性时空分布特征研究. 地球信息科学学报，21（1）：107-117. [Meng Bin, Huang Song and Yin Qin. 2019. Spatial and Temporal Distribution Characteristics of Residents' Depart Times Elasticity in Beijing. Journal of Geo-Information Science, 21(1): 107-117. ]

《隧道建设（中英文）》编辑部. 2020. 中国城市轨道交通2019年度数据统计. 隧道建设（中英文），40（5）：762. [Editorial Office of Tunnel Construction. 2020. Statistics on Annual Data of Urban Rail Transit in China in 2019. Tunnel Construction, 40 (5): 762. ]

佟新，王雅静. 2018. 城市居民出行方式的性别比较研究. 山西师大学报（社会科学版），45（3）：64-69. [Tong Xin and Wang Yajing. 2018. A Comparative Study of Urban Residents' Travel Modes in the Perspective of Gender. Journal of Shanxi Normal University (Social Science Edition), 45(3): 64-69. ]

汪瑞琪，陈建均. 2019. 手机大数据在城市居民出行特征分析的应用. 智能城市，（15）：151-153. [Wang Ruiqi and Chen Jianjun. 2019. Application of Mobile Big Data in the Travel Characteristics Analysis of Urban Residents. Intelligent City, (15): 151-153. ]

王雯静，干宏程. 2010. 小汽车与轨道交通出行方式选择行为分析. 城市交通，8（3）：36-40. [Wang Wenjing and Gan Hongcheng. 2010. Car or Public Transit? Analysis on Travel Mode Choice Behavior. Urban Transport of China, 8(3): 36-40. ]

魏海涛，肖天聪，胡宝生，王薇，王晨曦. 2020. 基于出租车GPS数据的居民出行行为和城市空间结构分析——以北京市为例. 上海城市规划，（1）：69-76. [Wei Haitao, Xiao Tiancong, Hu Baosheng, Wang Wei and Wang Chenxi. 2020. Analysis of Residents Travel Behavior and Urban Spatial Structure Based on Beijing Taxi GPS Data. Shanghai Urban Planning Review, (1): 69-76. ]

张天然. 2016. 基于手机信令数据的上海市域职住空间分析. 城市交通，14（1）：15-23. [Zhang Tianran. 2016. Job-Housing Spatial Distribution Analysis in Shanghai Metropolitan Area Based on Cellular Signaling Data. Urban Transport of China, 14(1): 15-23. ]

张文尝，王成金，马清裕. 2007. 中国城市居民出行的时空特征及影响因素研究. 地理科学，27（6）：737-742. [Zhang Wenchang, Wang Chengjin and Ma Qingyu. 2007. Spatial-Temporal Characteristics of Urban Resident Trips and Influence Factors in China. Scientia Geographica Sinica, 27(6): 737-742. ]

赵鹏军，李南慧，李圣晓. 2016. TOD建成环境特征对居民活动与出行影响——以北京为例. 城市发展研究，23（6）：45-51. [Zhao Pengjun, Li Nanhui and Li Shengxiao. 2016. The Impacts of the Built Environment on Residents' Acitivities and Travel Behavior in TOD Areas: A Case Study of Beijing. Urban Development Studies, 23(6): 45-51. ]

赵莹，柴彦威，关美宝. 2014. 中美城市居民出行行为的比较——以北京市与芝加哥市为例. 地理研究，33（12）：2275-2285. [Zhao Ying, Chai Yanwei and Kwan Meipo. 2014. Comparison of Urban Residents' Travel Behavior in China and the U.S.: A Case Study between Beijing and Chicago. Geographical Research, 33(12): 2275-2285. ]

中华人民共和国住房和城乡建设部. 2012. 城市用地分类与规划建设用地标准GB50137-2011. 北京：中国建筑工业出版社. [Ministry of Housing and Urban-Rural Construction of the People's Republic of China. 2012. Code for Classification of Urban Land Use and Planning Standards of Development Land GB 50137-2011. Beijing: China Architecture & Building Press. ]

周素红，宋江宇，宋广文. 2017. 广州市居民工作日小汽车出行个体与社区双层影响机制. 地理学报，72（8）：1444-1457. [Zhou Suhong, Song Jiangyu and Song Guangwen. 2017. Examining the Dual-Levels Impact of Neighbourhood and Individual Variables on Car Use on Weekdays in Guangzhou. Acta Geographica Sinica, 72(8): 1444-1457. ]

宗会明，何舟，杨庆媛，戴技才. 2014. 基于SP方法的重庆居民轨道交通出行时间价值及影响因素分析. 现代城市研究，（2）：115-120. [Zong Huiming, He Zhou, Yang Qingyuan and Dai Jicai. 2014. The Value of Travel Time of the Rail Transportation Based on SP Method: A Case Study of Chongqing City. Modern Urban Research, (2): 115-120. ]

Options
文章导航

/

〈 〉