EN中文

热带地理 >

2023 , Vol. 43 >Issue 7: 1234 - 1246

DOI: https://doi.org/10.13284/j.cnki.rddl.003715

交通地理

基于复杂网络的快速公交-轨道交通站点分级研究

  • 陈烨 , 1 ,
  • 高悦尔 , 1 ,
  • 沈晶晶 2
展开
  • 1. 华侨大学 建筑学院，福建 厦门 361021
  • 2. 厦门市城市规划设计研究院有限公司，福建 厦门 361012
高悦尔（1983—），女，福建晋江人，教授，博士，研究方向为城市交通规划与土地利用，（Email）。

陈烨（1996—），男，广西梧州人，硕士，研究方向为智慧交通与大数据，（E-mail）；

收稿日期: 2022-06-24

  修回日期: 2022-11-18

  网络出版日期: 2023-08-02

基金资助

国家自然科学基金项目：面向复杂网络的城市大运量公交站点影响区空间关系识别与土地利用模式研究(52078224)

收起

Classification of Bus Rapid Transit-Rail Transit Stations Using Complex Network Analysis

  • Ye Chen , 1 ,
  • Yue'er Gao , 1 ,
  • Jingjing Shen 2
Expand
  • 1. College of Architecture, Huaqiao University, Xiamen 361021, China
  • 2. Xiamen Urban Planning & Design Institute Co. , Ltd. , Xiamen 361012, China

Received date: 2022-06-24

  Revised date: 2022-11-18

  Online published: 2023-08-02

Fold

本文亮点

为研究大运量交通站点精细化管理问题，构建复杂网络，分析站点分级。通过构建Space-L有向加权复杂网络模型，并基于站点客流提取节点强度、加权介数中心性、加权接近中心性以及加权PageRank4项指标，运用系统聚类方法进行站点分级。以厦门快速公交（BRT）-轨道双模式网络系统为研究对象，从复杂网络视角分析站点网络特征和层级关系。结果表明：1）在复杂网络模型下，网络站点可分为核心枢纽型、局部联系型、网络中转型、强网络传导型、弱网络传导型和网络尽端型6类。2）各类换乘站点呈现不同特点，单模式换乘站具有调节网络客流的能力，双模式换乘站具有吸引网络客流的能力，单-双模式结合的换乘站具有辐射网络客流的能力。3）在BRT-轨道交通网络的单模式站点中，岛内的BRT站点发挥效果优于轨道站点。文章提出的站点分级指标和方法能很好地揭示站点网络特性，有助于提高城市BRT-轨道网络系统运营效率。

本文引用格式

陈烨 , 高悦尔 , 沈晶晶 . 基于复杂网络的快速公交-轨道交通站点分级研究[J]. 热带地理, 2023 , 43(7) : 1234 -1246 . DOI: 10.13284/j.cnki.rddl.003715

Highlights

Mass traffic stations are key nodes in integrated traffic networks. The scientific definition of station types is of great significance for the refined management of stations and network operations. Using the Xiamen BRT track double-mode network system as the research object, this study analyzed the characteristics and hierarchical relationships of the station network and used complex network analysis to classify stations within the network. By constructing a Space-L-directed weighted complex network model based on station passenger flows, this study proposes four indicators: node strength, weighted betweenness centrality, weighted closeness centrality, and weighted PageRank. A system-clustering method was used to classify the stations. The results are as follows: (1) In the complex network model, the network sites can be divided into six types: core-hub type, local connection, network transition, strong network conduction, weak network conduction, and network-end. The important sites of the network are gathered at the center of Xiamin island, and the secondary sites of the network are distributed on the periphery of the regular spatial network. The important sites of the network outside the island are distributed in mature urban construction areas, and the secondary sites are scattered in preliminary urban construction development areas. (2) All transfer station types have different characteristics. Single-mode transfer stations have the ability to adjust network passenger flow and accommodate the transfer capacity of passenger flow between various regions of the city, whereas double-mode transfer stations have the ability to attract network passenger flow, and the station and other stations on the network. It is closely connected and has high accessibility; single-mode and double-mode combined transfer stations have the ability to promote network passenger flow, and have high passenger flow connection strength and global passenger flow influence ability. (3) Among the single-mode stations in the BRT-metro transit network, the BRT stations perform better than the metro stations. This feature is more obvious in the island area owing to the unbalanced development of the east and west areas of the island. The station classification index and method proposed in this study can reveal the characteristics of station networks, which can improve the operational efficiency of urban BRT-rail network systems.

鼓励使用公共交通是缓解城市交通拥堵的有效方法，是国家交通强国战略的重点。为响应国家优先发展公共交通的政策，满足乘客的出行需求，顺应城市发展，国内各大城市中，常规公交构成且模式单一的公共交通网络，逐步转向大运量公交为主的多模式公共交通网络。在城市发展初期，以常规公交主导的单模式公交系统为典型，线路调整简单、投资小且灵活机动，能满足大部分居民的出行需求。随着城市规模的扩张，空间组团的分散，居民空间活动尺度的不断增长，城市公共交通结构逐步演变为协调城市发展模式，由单模式公共交通向多模式公共交通转型，在原有的常规公交网络上增加快速公交（Bus Rapid Transit, BRT）、地铁和轻轨等大运量公交模式。不同类型的公共交通发挥着不同的运能作用，因此在初期城市需搭建多模式公共交通系统，促进交通网络对空间体系的优化和引导能力。根据《中国城市建设统计年鉴》（胡子健，2020），迄今为止已有厦门、北京和广州等10个城市拥有BRT等多种公交系统，可见大-中运量复合公交网络的构建或将成为大城市发展趋势。
城市人口密度增加以及出行目的地多样化，单模式公共交通网络无法完全覆盖本地居民的出行需求，因而出现BRT和有轨电车等大-中运量公共交通方式，并基于此形成复合多模式公共交通网络。多模式公交系统具有多层次结构，由多种公共交通方式相互配合补充，并且其服务主体、运营方式和功能定位有所差异（付旻，2018），其中双模式公共交通系统在大多数城市中最为常见。公共交通网络已被证明属于复杂网络系统，目前复杂网络已被应用在常规公交网络（赵韶雅 等，2020；邬群勇 等，2021）和轨道交通网络（Zhang et al., 2018a；王宇环 等，2020）等研究中。然而，多种网络融合并不是简单的叠加，一方面是各站点所处区位不同，所承担的作用不同；另一方面由于交通方式不同，各种交通方式客流承载力不同，故需要对网络叠加站点进一步研究。对于“常规公交-轨道交通”双层网络，已有学者运用复杂网络进行研究。如Ma等（2019）通过探讨暴雨对地铁-常规公交双层网络系统脆弱性的影响，得出地铁-常规公交双层网络的脆弱性主要是由网络结构退化造成的。陈晓明等（2019）对成都市地铁-常规公交网络进行优化，并基于复杂网络理论提出地铁-常规公交双层网络优化模型，优化后网络全局效率提升15.89%。沈犁等（2018）考察成都地铁-常规公交双层网络的静态毁抗性，探讨在突发事故下地铁客流拥堵失效现象，发现地铁-公交复合网络整体效能优于单一网络。
不同类型的公交站点具有不同的区位和交通特征，明确各类站点在城市中的功能定位和布局要求，有助于提升公共交通网络系统运营效率。然而，站点的分级分类标准在国内仍未达成共识。当前，站点分类体系方式主要有3种：1）“场所导向型”分类体系，其基于站点周边用地功能进行划分（Papa et al., 2018；李清嘉 等，2021）。该体系考虑站点周边土地利用情况，对后期土地综合开发有指导作用。2）“节点导向型”分类体系，其基于站点的交通功能进行划分（Zhang et al., 2019; Dou et al., 2021）。该体系具有比较明确的划分标准，内容包括站点所处的城市区位以及站点在城市公共交通网络系统中的作用。3）“用地-交通双维度”分类体系，其结合站点的周边用地特征和站点客流进行划分（杨静 等，2021）。该体系从双维度层面提供新的站点分类视角，并且能够反映站点影响区内的不同功能、开发情况以及站点使用情况。
综上，复杂网络分析在交通领域的应用主要用于探讨单层网络或常规公交-轨道双层网络，而对于BRT-轨道双层网络环境下的公交网络仍缺乏讨论。BRT-轨道双层网络不同于轨道交通单层网络和常规公交-轨道网络，虽然轨道交通和BRT在厦门均属于大运量公共交通方式，但2种方式承载客流强度仍存在差异；常规公交按照城市交通服务等级定义属于低运量公交，而BRT和轨道系统属于双大运量公交模式，BRT和轨道各自或相互的叠加所引起的网络特征存在差异。因此，需考虑节点在网络中所处的位置所带来的影响，有必要深入探讨如何进行双层网络建模。此外，场所导向型、节点导向型和用地-交通双维度型3种分类方法均在一定程度上有助于站点分类研究，原因在于其强调了站点的空间分布情况以及站点周边土地利用情况。但土地利用的变化会导致站点分类结果的改变，而仅土地利用情况调查会忽略对站点网络特性分析，缺乏对不同模式站点特性进行讨论，因此上述3种站点分类方法也存在一定不足。目前，对于双层网络下站点分级体系构建方法的研究较少，多以站点网络拓扑关系进行分级方法为主。且现有研究仅使用网络结构特征描述站点分级情况，体现的只是公交网络的客观状态，无法反映网络的实际使用情况。而结合站点的拓扑结构特征和客流特征进行综合分析，有助于规划管理者更好地理解站点层级关系，并更好地规划和管理城市公共交通系统。
基于此，本研究提出双网络站点精细分类方法，以厦门为例，将BRT-轨道双层网络系统抽象为有向加权Space-L网络，基于公交刷卡数据，以节点强度、加权接近中心性、加权介数中心性和加权PageRank4项指标为节点评价指标，并结合站点网络拓扑特性以及客流量对站点进行分类，分析重要节点的网络特征。以期掌握BRT-轨道网络系统的节点特性及客流特征，为精细化管理站点提供参考。

1 研究区概况与数据

1.1　研究区域

厦门市近年来城市建设发展迅速，公共交通网络格局已形成“轨道交通+BRT”为骨架、常规公交为基础的发展态势。厦门是国内第一个建成高架BRT系统的城市，由8条线路组成的BRT网络与轨道网络双网融合，能有效地缓解城市交通拥堵，其已成为连接岛内外的主要公共交通走廊。本文以厦门市BRT-轨道双层网络为研究对象，自2008年9月首条快速公交通道正式投入使用以来，至2020年6月厦门已建成2条地铁线和8条BRT线，厦门市目前共有54个轨道站点和45个BRT站点（图1）。
图1 厦门市范围（a）及其轨道、BRT运行线路（b）

Fig.1 Xiamen city's boundary (a), metro and BRT operation lines (b)

1.2　数据与处理

本研究使用的底图数据来源于百度开放平台，通过API接口获取厦门的行政边界矢量数据。公交刷卡数据能反映群体出行行为特征和社会网络中个体间的相互关系，为进一步深化复杂网络研究提供可能性（龙瀛 等，2015）。本研究使用的客流分析数据为厦门市2020年6月公交刷卡数据 1，由于该月市民在周末及法定节假日可以免费乘坐地铁、BRT和公交车，因此所涉及的市民刷卡数据只含工作日（共20 d），该时段相关原始数据有29 973 286条，字段包括卡号、交易日期、出站时间、卡主类型、卡片类型、进站站点ID、进站站点名称、进站时间、出站站点ID、出站站点和乘坐类路名。原始数据处理为轨道、BRT、轨道换乘BRT以及BRT换乘轨道4类进出站OD客流数据（表1）。其中，轨道换乘BRT的OD是指将轨道客流表和BRT客流表中交易日期及卡号相同的数据进行连接汇总，从中筛选出轨道的出站刷卡时间与BRT的进站刷卡时间间隔＜30 min的样本，作为轨道换乘BRT的OD客流数据，同理可得BRT换乘轨道的OD客流数据。轨道OD客流数据是将进出站名称相同的刷卡数据进行汇总，同理可得BRT的OD客流数据。
表1 厦门市各类公共交通进出站客流量数据

Table 1 The inbound and outbound data passenger flow statistics of Xiamen's various public transportation stations

客流类型 客流量/人次
合计 7 529 753
BRT_OD客流 4 397 943
轨道_OD客流 2 989 792
轨道换乘BRT_OD客流 68 187
BRT换乘轨道_OD客流 73 831

2 研究方法

使用Space-L法构建有向加权复杂网络，其典型的网络特征描述指标包括网络节点强度、加权介数中心性、加权接近中心性和加权PageRank等。上述指标从不同角度反映网络的特征，能比较全面地反映整个网络的特征。数据分析分为数据准备、构建网络、指标计算和站点分级4个步骤（图2）。
图2 厦门市公共交通站点分级分类步骤

Fig.2 The classification of public transportation stations in Xiamen

2.1　构建网络

构建复杂网络模型通常有Space-P和Space-L两种方法，前者体现公交网络换乘特性，后者体现公共交通网络的现实形态（林鹏飞 等，2020），由于本研究侧重公共交通网络的现实情况，需考虑车辆运行方向以及站点间实际客流，因此选取Space-L法构建BRT-轨道双层网络模型。由于网络拓扑特征能够直观呈现站点空间布局特征，客流量则有助于分类结果兼具时效性，并且可以直观反映周边土地开发情况，因此结合站点的网络拓扑以及客流特征构建公共交通网络，具体过程如下：
首先，将轨道站点和BRT站点按照实际站点顺序进行统一编号，其次，参考罗艺等（2015）的做法，把属于不同公共交通网络、站点间距＜300 m且在实际运营中存在同站换乘或出站换乘的站点定义为双模式换乘站点，并进行统一编号；将轨道换乘轨道和BRT换乘BRT的站点定义为单模式换乘站；将既有单模式换乘也有双模式换乘的站点定义为单-双模式结合换乘站点（图3）。由于公共交通网络是由节点、边及节点间的边权构成的，而传统的边权是由网络步长构成的，为使所分析的公共交通网络更符合实际情况，将公交刷卡OD客流数据依据站点编号进行匹配，边权为节点间OD客流，最后形成有向边权BRT-轨道双层网络，并将网络模型记作：
G L = ( V L , E L , W L )
式中： V L表示网络节点合集； E L表示网络有向边合集； W L表示网络有向边权合集。
图3 BRT-轨道双层网络构建步骤

Fig.3 Construction steps of BRT-metro double-layer network

2.2　计算指标

复杂网络是研究公共交通网络有效途径，而分析网络结构关键在于网络特征指标。在已有研究中，用于表征网络拓扑结构的指标多为度中心性、接近中心性和介数中心性等（谌微微 等，2019），本研究在此基础上加入客流作为边权，使用节点强度、加权接近中心性、加权介数中心性和加权PageRank 4个指标分析网络结构特征。并使用python构建网络拓扑关系图，输入93个轨道-BRT站点作为节点，引入实际公交客流进行边的加权，调用复杂网络分析库Network X，计算站点的4个中心性指标。

2.2.1　节点强度

节点强度为加权公共交通网络独有的特征指标，代表客流作为网络的边权时各节点在局部区域的异同（裴玉龙 等，2019）。现实意义中，节点强度描述的是公共交通网络站点对客流具有的潜在吸引和疏导能力，站点的节点强度越大，其在局部网络中的客流疏散作用越强，与相邻站点联系越紧密。马超群等（2020）将指标定义为节点边权之和，即与相邻站点的区间上下断面客流量之和。复杂网络中的节点强度（ S i）指节点（ v i）的有向边权之和，表示现实公交网络局部区域站点疏导和吸引客流的潜力，用站点与相邻站点的客流之和计算，公式为：
s i i n = ∑ i n w i j
s i o u t = ∑ i n w j i
S i = s i i n + s i o u t
式中： s i i n为公交网络中节点 v i的入强度； s i o u t为公交网络中节点 v i的出强度； w i j为节点 v i进入其相邻站点的客流量，而 w j i为相邻站点进入节点 v i的客流量。

2.2.2　加权接近中心性

加权接近中心性（Ci ）用于表示节点与其他站点的关联程度（Zhang et al., 2018b），其现实意义是刻画节点在公交网络中的可达性，站点的加权接近中心性越大，表明其他站点的客流越容易到达该站点，并且其在网络中的客流承载能力越好。用节点 v i到其他站点最短网络距离之和的倒数表示，网络距离是节点间的边权，公式为：
C i = N - 1 ∑ i ≠ k d i k
式中：dik 为节点 v i到其他节点 v k的最短网络距离； N为网络节点数。

2.2.3　加权介数中心性

加权介数中心性（ B i）表示节点在网络中发挥的桥梁和中介作用，用网络中经过节点的所有最短路径数量比例表示（Feng et al., 2017），反映站点对于整体公交网络客流的调控能力和承载能力，加权介数中心性越大，网络节点最短路径经过该站点的次数越多，其承载的区间客流越多，如果该站点发生阻塞会对整体公共交通网络造成严重后果。公式为：
B i = ∑ i ≠ s ≠ t σ s t ( i ) σ s t
式中： σ s t ( i )为节点 s到节点 t经过节点 v i的最短路径数量； σ s t为节点 s到节点 t的所有最短路径数量。

2.2.4　加权PageRank

PageRank原本是计算网页排名的一种算法，在复杂网络中代表的是节点被访问概率（Brin et al., 1998）。节点的加权PageRank值表达的是现实公共交通网络中站点的影响力，这种影响力并不仅仅由自身的服务特征所决定，还取决于该站点的相邻站点服务特征，是着眼于全局的影响力评估，加权PageRank值越大，表明该站点影响力越大，站点在网络中相对越重要。潘伟丰等（2014）提出适用于加权网络的PageRank算法，本研究将该算法应用于BRT-轨道交通有向加权网络，计算公式为：
P R i = 1 - ρ N + ρ ∑ j ∈ I ( i ) w i j P R ( j ) W j
式中： P R i为节点的PageRanK值， 1 - ρ为随机转到其他节点的概率； ρ为阻尼系数，通常取值为0.85； N为网络节点数； I ( i )为所有与节点 i相连的节点集合； w i j为边的权重； W j为所有与节点 j相连的边权之和。 P R ( j )为节点 j被访问的概率。

2.3　站点分级

公共交通网络节点的重要性评估可以通过对站点进行分级分类来实现。首先，对评价指标值标准化，由于网络节点指标代表的含义不同，指标间不具备可比性，因此采用min-max标准化模型对原始数据进行无量纲化，使得处理值在[0,1]。同时，由于指标为多维数据，可能相互间有相关性，因此在聚类分析前要先进行共线性检验。常见聚类方法有系统聚类法、K-means聚类法及谱聚类法等（Yu et al., 2021）。其中，系统聚类法即为层次聚类法，其核心思路是判断输入样本点，然后将相似或相近的点依次合并为簇，最后组成树状的层级结构。由于该方法可同时得到不同规模的簇，而且不需要预先指定簇的个数，较其他聚类方法灵活，因此本研究采用系统聚类法，应用SPSS对网络节点进行分析，确定BRT-轨道站点分级。

3 双模式BRT-轨道站点网络特征测度

3.1　节点强度

由图4-a可知，节点强度最大值为46 116，最小值为251，平均值为6 158.12，并且大部分节点强度值在[0, 10 000]。这可能与厦门市大-中运量BRT-轨道交通网络目前仍处于初步发展阶段，轨道线路较少，仍未形成系统的公共交通网络，大部分站点客流疏导能力并不突出有关。同时，节点强度值较高的站点主要分布在轨道-BRT换乘节点上，表明2种网络接驳节点皆具有较高的客流吸引潜力。此外，节点强度值最大的站点为蔡塘站，与蔡塘站相邻的站点有5个（金山站、后埔站、古地石站、洪文站、东芳山庄站），其作为换乘站点与周边站点的客流联系较为紧密（见图4-a）。
图4 厦门市节点强度（a）、节点加权接近中心性（b）、节点加权介数中心性（c）和节点加权PageRank（d）空间分布

Fig.4 Spatial distribution of node strength(a), node weighted closeness(b), node weighted betweenness(c), and node weighted pagerank(d) of Xiamen

3.2　加权接近中心性

图4-b显示，加权接近中心性最大值为4.9×10-5，最小值为2.1×10-5，平均值为3.7×10-5，数值主要分布在中-高值区，说明大部分站点的可达性较高。同时，加权接近中心性值较高的站点分布在轨道1号线上，该线路作为厦门南北向公共交通走廊，承载着大部分的公共交通客流量。加权接近中心性值最高的站点为吕厝站，该站点处于网络中心，距离其他站点最短距离的平均值最小，换言之，该站点客流可达性最高。从现实情况看，吕厝站是承载客流最多的站点，因此其加权接近中心性最高。

3.3　加权介数中心性

图4-c显示，节点加权介数中心性最大值为0.44，最小值为0，平均值为0.09，并且主要分布在低值区，说明网络中起衔接作用的站点较少。加权介数中心性值较高的站点主要分布在线路换乘点和轨道1号线上，数值最高的站点为吕厝站，因其位于轨道1和2号线换乘点处，能连接整体网络，具有关键桥梁作用。

3.4　加权PageRank

图4-d显示，节点的加权PageRank最大值为0.029，最小值为0.002，平均值为0.011，说明除换乘枢纽站点外，其他站点吸引力较弱。同时，加权PageRank值较高的站点分布在线路换乘点上，且其与相邻站点呈组团聚集状，该模式站点间能相互影响，进而在网络形成局部客流吸引点。指标值最高的站点为蔡塘站，这是由于蔡塘站相邻的金山站和市政服务中心站等站点在网络中客流影响能力较强，当站点间地理位置邻近时，站点间彼此起相互通达的作用，客流量大的站点压力在一定程度上被其相邻站点所缓解。

4 双模式BRT-轨道站点分级结果

4.1　站点聚类分析结果

选取节点强度、加权介数中心性、加权接近中心性和加权PageRank等4个指标进行系统聚类分析，首先对指标进行共线性检验，在回归模型当中，通常使用方差膨胀因子（VIF）判断度量因子间的共线程度，当VIF值＜5时，说明因子间基本不存在共线性。经检验各指标的VIF值均达标（表2），可以进行系统聚类分析。利用无量纲的指标，应用SPSS对BRT-轨道交通网络节点作系统聚类分析，结果如表3所示。
表2 站点指标共线性检验结果

Table 2 Collinearity test results of stations' index

模型 非标准化系数 标准化系数Beta T 显著性 共线性统计资料
B 标准错误 允差 VIF
(常数) 31.707 8.346 3.799 0.000
节点强度 -72.700 21.951 -0.467 -3.312 0.001 0.473 2.112
加权介数中心性 -46.470 18.432 -0.401 -2.521 0.014 0.372 2.690
加权接近中心性 46.612 17.230 0.424 2.705 0.008 0.383 2.614
加权PageRank 75.438 22.795 0.474 3.309 0.001 0.458 2.184
表3 站点聚类结果

Table 3 Clustering results of stations

站点类别 站点名称
核心枢纽型 蔡塘（1处）
局部联系型 莲坂、嘉庚体育馆站、湖滨中路站、文灶、金山站、市行政服务中心站（6处）
网络中转型 吕厝、T4候机楼站、厦门北站（3处）
强网络传导型 乌石浦、塘边、火炬园、殿前、高崎、集美学村、园博苑、杏林村、杏锦路、官任、诚毅广场、集美软件园、集美大道、天水路、田厝站、东宅站（BRT站）、中科院站、莲花路口、湖滨东路、产业研究院站、大学城站、华侨大学站、诚毅学院站、育秀东路站、体育中心站、江头站、后埔站（27处）
弱网络传导型 火车站、金榜公园站、凤林站、东垵站、后田站、东亭站、美峰站、蔡店站、潘涂站、古地石站、滨海新城西柯站、岭兜站、高崎机场站、县后站、官浔站、建业路站、软件园二期站、双十中学站、轻工食品园站、邮轮中心站、何厝站、东芳山庄站、龙山桥站、海沧湾公园站、观音山、卧龙晓城站、两岸金融中心站、马青路站、五通站、将军祠、洪文站、中山公园、海沧商务中心站、海沧行政中心站、二市站、东宅站（地铁站）（36处）
网络尽端型 四口圳站、工业集中区站、第三医院站、斗西路站、城南站、思北站、同安枢纽站、岩内、湿地公园站、开禾路口站、天竺山站、新垵站、钟宅站、第一码头站、镇海路、东孚站、新阳大道站、五缘湾站、翁角路站、前埔枢纽站（20处）

4.2　各类站点特征描述

根据每个站点的复杂网络分析指标特性，在现有研究基础上（宗刚 等，2015；邓评心 等，2019），将站点分为核心枢纽型、局部联系型、网络中转型、强网络传导型、弱网络传导型和网络尽端型6类（见表3）。
核心枢纽型站点4项指标平均值均在0.7以上（图5），节点强度、加权接近中心性和加权PageRank等3项指标值较其他站点为最高，该类型站点在BRT-轨道交通网络中具有较高的连通性，并且站点处于交通网络中心，在客流集散和线路连接等方面起重要作用，是BRT系统和轨道双层网络系统衔接的关键点。
图5 各类站点指标值箱型

Fig.5 Box diagram of index values of various stations

局部联系型站点的节点强度指标在0.6以上，该类型节点强度值分布在高值区并且较其他类型站点为最高。该类型站点具有较强的局部网络疏导能力，与相邻站点联系较为紧密，分布在城市局部区域中心，在城市局部地区起重要作用。如莲坂站和文灶站为轨道换乘BRT站点，嘉庚体育馆为BRT换乘站点。
网络中转型站点的加权介数中心性、加权接近中心性和加权PageRank等3项指标平均值在0.7以上，指标值均分布在高值区并且加权介数中心性较其他站点数值为最高。该类型站点具有较高的网络中转能力和枢纽控制能力，在全局网络中影响力大，通常分布在高铁站和机场，反映站点承接城市对外交通接驳功能和城市内部轨道换乘功能。从现实情况看，厦门市的网络中转型站点中，厦门北站承接对外铁路接驳功能，T4候机楼站承接航空接驳功能，吕厝站承接城市内部轨道换乘功能。
强网络传导型和弱网络传导型站点的加权介数中心性和加权接近中心性指标较其他2项指标高，并且都是单模式站点。2类站点的指标数值区别在于加权接近中心性，前者该指标在0.7以上，后者则为0.5~0.7。2类站点的特征区别在于网络传导能力，强网络传导型多处于轨道1号线上，弱网络传导型多处于轨道2号线和BRT线上（轨道1号线的客运量较2号线和BRT线更大，从公交刷卡数据看，轨道1号线的月度总客流为3 581 582人次，而2号线该数据为2 398 002人次，处于轨道1号线上的站点加权接近中心性更高）。
网络尽端型站点各项指标均在0.3以下，指标值分布在低值区，并且较其他类型站点为最低。该类型站点网络接驳能力弱且连通性低，处于BRT-轨道网络的尽端，存在站点在网络中的可达性较低的问题。
岛内站点分类结果所对应的网络中，重要站点在岛内中心聚集，次要站点向外围分布。岛外网络重要站点分布在城市建设成熟区域，次要站点分散在城市建设初步发展地区。
本文分类结果与已有研究有所差异，以往分类通常注重站点在区域内发挥的作用以及与周边的用地互动，而本研究更深入地考虑网络系统层面的关键性，即使站点周边情况相似，但由于网络位置不同，站点的系统关键性也会有所差异。本文方法能识别双层网络系统中的重要站点，如过去对站点分类过程中（张志健 等，2022），蔡塘站与江头站、后埔站均为平衡-中高客流型站点，在本研究中3个站点是明显有区别的，蔡塘站不仅有强客流特性，还有网络核心枢纽特性，因此应根据站点网络价值的不同，对站点进行分级分类。
此外，轨道和BRT的单模式站点特征存在差异，在岛内，地铁线单模式站点中的弱网络传导型站点较BRT线更多，主要分布在岛内东部地区，说明BRT单模式站点所发挥的效果比地铁更好。一方面，2种交通方式的站点周边客流规模存在差异，位于厦门岛东部地区的轨道站点，其周边地区发展起步较晚，客流规模较小，而BRT站点周边地区如市政服务中心和金山等已发展成熟，客流基础条件较好；另一方面，与两者的开发时序有关，厦门BRT线路自2013年起，至今已有8条线路，形成较为完善的BRT-轨道交通网络，而轨道交通截至2020年6月只有纵横向2条线路，没有形成系统的轨道网络。

4.3　双层网络重要站点分析

双层网络中重要站点包括单模式、双模式与单-双模式结合的3种类型换乘站点。
单模式换乘站具有调节网络客流的能力，其加权介数中心性较其他站点为最高，该类型站点处于网络中心位置，在复杂网络中各最短路径经过该站点次数最多，尤其是加入站点客流作为权重，更能反映站点的客流调节能力（表4）。吕厝站是地铁1—2号线的唯一换乘点，2段轨道线路间的客流转移都需经过该站点，站点所处的吕厝—乌石浦商圈是城市级商业中心，进一步促进客流在此换乘。T4候机楼站是BRT线集美段与同安段之间的换乘点，其对2个地区的客流周转产生影响。此外，吕厝站的加权PageRank值较同类站点低，这是由于PageRank值与站点的换乘条件与客流量有关，厦门北站是双模式换乘站点，而吕厝站是单模式换乘站点，其在网络中被访问概率会低于厦门北站，并且吕厝站客流量为278 743人次，低于厦门北站的289 831人次，从而导致吕厝站的加权PageRank值较同类站点低。从OD客流分布图看（图6-a、b），吕厝站主要影响的客流站点分布在轨道线上，站点分别为镇海路站、海沧行政中心站和集美学村站等，上述站点对应的是岛内外各片区中心，进一步印证该类型站点能调节城市各地区之间客流运能。
表4 重要站点指标分析

Table 4 Index analysis of important stations

站名 强度 加权介数中心性 加权接近中心性 加权PR 换乘模式 换乘方式 站点类型
吕厝站 0.33 1 1 0.67 单模式 轨道-轨道 网络中转型
T4候机楼站 0.35 0.76 0.58 0.65 单模式 BRT-BRT 网络中转型
厦门北站 0.16 0.71 0.83 0.79 双模式 轨道-BRT 网络中转型
莲坂站 0.54 0.56 0.76 0.58 双模式 轨道-BRT 局部联系型
文灶站 0.60 0.37 0.72 0.68 双模式 轨道-BRT 局部联系型
蔡塘站 1 0.75 0.92 1 单-双模式

轨道-BRT/

BRT-BRT

 核心枢纽型
［图6 各重要站点OD客流分布（a.吕厝站；b. T4候机楼站；c. 文灶站；d. 莲坂站；e. 厦门北站；f. 蔡塘站），转下页］
双模式换乘站具有吸引网络客流的能力，其加权接近中心性较其他站点为最高，说明该类型站点与网络中其他站点联系紧密，并且具有较高的可达性（见表4）。从现实情况看，莲坂站和文灶站辐射范围内有区级商服中心，能有效地吸引城市局部地区客流。厦门北站作为交通枢纽，不仅能吸引全市客流，而且承担着厦门市对外轨道交通接驳功能。从OD客流分布看，文灶和莲坂站所影响的站点集中分布在BRT线路的岛内段，站点分别为开禾路口站、镇海路站、市政服务中心站和前埔枢纽站，所吸引的客流来自岛内东西部地区，说明站点关联的是局部地区网络客流。厦门北站影响的主要站点也分布在BRT线上，站点分别为嘉庚体育馆站、市政服务中心站、双十中学站等，说明厦门北站的BRT比轨道更具影响力，受其影响的站点分布较广，体现厦门北站在整个网络中的客流吸引力（图6-c、d、e）。
单-双模式结合的换乘站具有辐射网络客流的能力，其节点强度和加权PageRank值较其他站点为最高，具有较高的客流联系强度和全局客流影响能力，该类型站点不仅是轨道换乘BRT的重要节点，同时具有BRT换乘BRT的功能，因此上述2个指标在所有站点中为最高（见表4）。从OD客流分布看，蔡塘站影响的主要站点分布在BRT线上并且与该站点相邻，如嘉庚体育馆站、县后站、市行政服务中心站和双十中学站等，说明蔡塘站的BRT比轨道更具影响力，并且其辐射范围遍及BRT线和轨道1—2号线，较厦门北站更广，恰好说明单-双模式结合的换乘站具有辐射整体网络能力（图6-f）。

5 结论

以厦门BRT-轨道双层网络交通为例，构建Space-L复杂网络模型并进行分析，得出的主要结论为：
1）基于复杂网络模型指标，厦门BRT-轨道双层网络站点可以分为6类，分别为核心枢纽型、局部联系型、网络中转型、强网络传导型、弱网络传导型和网络尽端型。该分类方法相比以往研究具有更好的解释性，如在岛外地区强网络传导型与弱网络传导型的建成环境相似，按照用地特征无法将二者有效区分，引入网络特征指标以及客流作为权重后，强网络传导型站点的加权接近中心性以及加权介数中心性指标明显高于弱网络传导型，由此可将上述2种站点有效归类，以提升分类结果的客观性和可解释性。
2）在各类换乘站点中，最高值指标有所差异，单模式换乘站的加权介数中心性较其他站点为最高，双模式换乘站最高值指标为加权接近中心性，单-双模式结合的换乘站中节点强度和加权PageRank值最高，说明上述3类站点分别具有调节网络客流、吸引网络客流以及辐射网络客流的能力。
3）岛内BRT-轨道交通网络的单模式站点中，地铁弱网络传导型较BRT线路更多，说明岛内部分BRT站点发挥效用优于轨道站点。
本研究贡献在于：1）拓展了BRT-轨道双层网络研究，基于复杂网络视角剖析BRT-轨道双层网络特征，可为其他具有大-中运量交通站点的城市提供借鉴。2）改进现有站点分级方法，基于Space-L复杂网络模型，结合站点网络拓扑特征以及客流特征，能更准确地识别站点类型。当然，本研究也存在不足：1）在选取权重因子时，复杂网络分析仅考虑客流作为权重，没有涉及站点周边环境属性，未来可考虑加入更多站点影响因素。2）数据仅选取2020年6月的工作日客流，存在局限性，后续可以进一步对比不同时段客流数据的分析结果，以获得更准确的站点分级。3）研究对象仅为地铁1—2号线以及BRT线，后续研究中站点分类可根据最新情况进行调整。4）数据不包含支付宝、微信和人工售票等非IC卡数据，客流量与实际相比存在一定误差，后续可结合多源数据，进一步提高结果准确性。未来，如何对BRT-轨道双层网络开展研究，以及如何在该网络下进行站点分类和实践应用，以实现公共交通网络精细化管理，将成为城市交通规划建设过程中需重视的问题。
图6 各重要站点OD客流分布（a.吕厝站；b. T4候机楼站；c. 文灶站；d. 莲坂站；e. 厦门北站；f. 蔡塘站）

Fig.6 Distribution of OD passenger flow of 6 important stations(a. Lyucuo station; b. T4 Terminal station; c. Wenzao station; d. Lianban station; e. Xiamen North station; f. Caitang station)

（接上页）

脚注

1 数据来源：厦门公交集团。

陈 烨：文献收集整理、数据分析、论文写作与修改、图表绘制；

高悦尔：选题指导与构思、理论框架构建、论文修改与指导、科研资金支持；

沈晶晶：实地调研与数据采集、论文修改与指导、格式校对。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
陈晓明，李引珍，沈强，巨玉祥. 2019. 基于双层复杂网络的城市交通网络协同优化方法. 计算机应用，39（10）：3079-3087.

Chen Xiaoming, Li Yinzhen, Shen Qiang, and JuYuxiang. 2019. Urban Traffic Networks Collaborative Optimization Method Based on Two-Layered Complex Networks. Journal of Computer Applications, 39(10): 3079-3087.

Brin S, and Page L. 1998. The Anatomy of a Large-Scale Hypertextual Web Search Engine. Journal of Computer Networks and ISDN Systems, 30(1/7): 107-117.

邓评心，郑长江，马庚华，李锐. 2019. 基于AFC数据挖掘的轨道交通站点分类研究. 华东交通大学学报，36（2）：77-82.

Deng Pingxin, Zheng Changjiang, Ma Genghua, and Li Rui. 2019. Classification of Rail Transit Stations Based on AFC Data Mining. Journal of East China Jiaotong University, 36(2): 77-82.

Dou M, Wang Y, and Dong S. 2021. Integrating Network Centrality and Node-Place Model to Evaluate and Classify Station Areas in Shanghai. ISPRS International Journal of Geo-Information, 10(6): 414.

付旻. 2018. 城市多模式公共交通网络计算机模型构建技术研究. 南京：东南大学.

Fu Min. 2018. Research on Computer Model Construction Technology of Urban Multi-Mode Public Transit Network. Nanjing: Southeast University.

Feng J, Li X, and Mao B. 2017. Weighted Complex Network Analysis of the Beijing Subway System: Train and Passenger Flows. Physica A: Statistical Mechanics and Its Applications, 474: 213-223.

龙瀛，孙立君，陶遂. 2015. 基于公共交通智能卡数据的城市研究综述. 城市规划学刊，（3）：70-77.

LongYing, Sun Lijun, and Tao Sui. 2015. Overview of Urban Research Based on Public Transport Smart Card Data. Urban Planning Forum, (3): 70-77.

李清嘉，彭建东，杨红. 2021. 武汉市不同站域建成环境与轨道交通站点客流特征关系分析. 地球信息科学学报，23（7）：1246-1258.

Li Qingjia, Peng Jiandong, and Yang Hong. 2021. Research on Relationship Analysis between Passenger Flow Characteristics of Rail Transit Stations and Built Environment of Different Station Areas in Wuhan. Journal of Geo-Information Science, 23(7): 1246-1258.

林鹏飞，翁剑成，付宇，尹宝才. 2020. 基于刷卡数据的轨道交通加权网络结构特征. 吉林大学学报（工学版），50（3）：956-962.

Lin Pengfei, Weng Jiancheng, Fu Yu, and Yin Baocai. 2020. Structure Characteristics of Rail Transit Weighted Network Based on Smart Card Data. Journal of Jilin University (Engineering and Technology Edition), 50(3): 956-962.

罗艺，钱大琳. 2015. 公交—地铁复合网络构建及网络特性分析. 交通运输系统工程与信息，15（5）：39-44.

Luo Yi,and Qian Dalin. 2015. Construction of Subway and Bus Transport Networks and Analysis of the Network Topology Characteristics. Journal of Transportation Systems Engineering and Information Technology, 15(5): 39-44.

马超群，张爽，陈权，曹蕊，任璐. 2020. 客流特征视角下的轨道交通网络特征及其脆弱性. 交通运输工程学报，20（5）：208-216.

Ma Chaoqun, Zhang Shuang, Chen Quan, Cao Ruil, and Ren Lu.2020. Characteristics and Vulnerability of Rail Transit Network Based on Perspective of Passenger Flow Characteristics. Journal of Traffic and Transportation Engineering, 20(5): 208-216.

Ma F, Liu F, Yuen K F, Lai P, Sun Q, and Li X. 2019, Cascading Failures and Vulnerability Evolution in Bus-Metro Complex Bilayer Networks under Rainstorm Weather Conditions. International Journal of Environmental Research and Public Health, 16(3): 329.

裴玉龙，张枭，塔建. 2019. 城市多模式公交拓扑网络的构建及特征分析. 交通科技与经济，21（5）：1-5，19.

Pei Yulong Zhang Xiao, and Ta Jian. 2019. Construction and Characteristic Analysis of Urban Multi-Modal Public Transport Topology Network. Technology & Economy in Areas of Communications, 21(5): 1-5, 19.

潘伟丰，李兵，马于涛，姜波. 2014. 基于加权PageRank算法的关键包识别方法. 电子学报，42（11）：2174-2183.

Pan Weifeng, Li Bing, Ma Yutao, and Jiang Bo. 2014. Identifying the Key Packages Using Weighted PageRank Algorithm. Acta Electronica Sinica, 42(11): 2174-2183.

沈犁，张殿业，向阳，王周全，张桐. 2018. 城市地铁-公交复合网络抗毁性与级联失效仿真. 西南交通大学学报，53（1）：156-163，196.

Shen Li, Zhang Dianye, Xiang Yang, Wang Zhouquan, and ZhangTong. 2018. Simulation on Survivability and Cascading Failure Propagation of Urban Subway-Bus Compound Network. Journal of Southwest Jiaotong University, 53(1): 156-163, 196.

Papa E, Carpentieri G, and Angiello G. 2018. A TOD Classification of Metro Stations: An Application in Naples. In: Papa R, Fistola R, and Gargiulo C. Smart Planning: Sustainability and Mobility in the Age of Change. Heidelberg: Springer Nature, 285-300.

王宇环，靳诚，杜家禛. 2020. 基于Space-P复杂网络的南京市轨道交通换乘可达性研究. 地理与地理信息科学，36（1）：87-92.

WangYuhuan, Jin Cheng, and Du Jiazhen. 2020. Research on Accessibility of Nanjing Metro Based on Space-P Complex Network.. Geography and Geo-Information Science, 36(1): 87-92.

邬群勇，万云鹏. 2021. 基于多指标协同的公交大站快车站点推荐方法. 交通运输系统工程与信息，21（1）：162-168.

Wu Qunyong, and Wan Yunpeng. 2021. Selection of Limited-Stop Bus Services Based on Multi-Criteria Collaboration. Journal of Transportation Systems Engineering and Information Technology, 21(1): 162-168.

杨静，吴可，张红亮，代盛旭，王亦乐. 2021. 基于土地利用及客流特征的地铁车站分类. 交通运输系统工程与信息，21（5）：228-234.

Yang Jing, Wu Ke, Zhang Hongliang, Dai Shengxu, and Wang Yile. 2021. Classification of Subway Stations Based on Land Use and Passenger Flow Characteristics. Journal of Transportation Systems Engineering and Information Technology, 21(5): 228-234.

Yu H, Chen L Y, and Yao J T. 2021. A Three-Way Density Peak Clustering Method Based on Evidence Theory. Knowledge-Based Systems, 211: 106532.

赵韶雅，杨星斗，戴特奇，张超. 2020. 基于刷卡数据的公共汽车客流网络复杂性日内变化研究. 地球信息科学学报，22（6）：1254-1267.

Zhao Shaoya, Yang Xingdou, Dai Teqi, and Zhang Chao. 2020. Within-Day Variation of the Complexity of Bus Passenger Flow Network based on Smart Card Data. Journal of Geo-Information Science, 22(6): 1254-1267.

谌微微，张富贵，赵晓波. 2019. 轨道交通线网拓扑结构模型及节点重要度分析. 重庆交通大学学报（自然科学版），38（7）：107-113.

Chen Weiwei, Zhang Fugui, and ZhaoXiaobo. 2019. Topological Structure Model and Node Importance Analysis of Rail Transit Network. Journal of Chongqing Jiaotong University (Natural Science), 38(7): 107-113.

Zhang J, Wang S and Wang X. 2018a. Comparison Analysis on Vulnerability of Metro Networks Based on Complex Network. Physica A: Statistical Mechanics and its Applications, 496: 72-78.

Zhang H, Zhuge C, and Yu X. 2018b. Identifying Hub Stations and Important Lines of Bus Networks: A Case Study in Xiamen, China. Physica A: Statistical Mechanics and Its Applications, 502: 394-402.

Zhang Y, Stephen Marshall, and Ed Manley. 2019. Network Criticality and the Node-Place-Design Model: Classifying Metro Station Areas in Greater London. Journal of Transport Geography, 79: 102485.

张志健，高顺祥，陈越，肖中圣，邓进，许奇. 2022. 基于改进节点-场所模型的城市轨道交通TOD评估. 交通运输研究，8（3）：143-153，165.

Zhang Zhijian, Gao Shunxiang, Chen Yue, Xiao Zhongsheng, Deng Jin, and Xu Qi. 2022. Evaluation of Urban Rail Transit TOD Based on Enhanced Node-Place Model. Transport Research, 8(3): 143-153, 165.

宗刚，陈先婷. 2015. 突发事件对城市轨道交通网络的影响研究——以北京市为例. 中国安全科学学报，25（8）：106-110.

Zong Gang, and Chen Xianting. 2015. Effect of Emergency on Urban Railway Transit Network: A Case Study of Beijing. China Safety Science Journal, 25(8): 106-110.

胡子健. 2020. 中国城市建设统计年鉴. 北京：中国统计出版社.

Hu Zijian 2020. China Urban Construction Statistical Yearbook. Beijing: China Statistics Press.

Options
文章导航

/

〈 〉