EN中文

热带地理 >

2024 , Vol. 44 >Issue 7: 1210 - 1222

DOI: https://doi.org/10.13284/j.cnki.rddl.20230248

交通地理

城市地铁客流的时空动态波动特征与比较研究：以深圳市为例

  • 毛润彩 , 1 ,
  • 戢晓峰 2, 3, 4 ,
  • 尹安藤 1 ,
  • 陈方 , 3, 4 ,
  • 赵润林 5
展开
  • 1. 昆明市规划设计研究院有限公司 市政与交通所，昆明 650051
  • 2. 昆明理工大学 交通工程学院，昆明 650500
  • 3. 昆明理工大学 云南综合交通发展与区域物流管理智库，昆明 650500
  • 4. 云南省现代物流工程研究中心，昆明 650500
  • 5. 西南大学 化学化工学院，重庆 400715
陈方（1980—），女，湖北随州人，副教授，硕士生导师，主要研究方向为社会地理与区域可持续发展，（E-mail）。

毛润彩（1995—），男，云南楚雄人，硕士研究生，主要研究方向为城市交通规划、交通运输地理，（E-mail）；

收稿日期: 2023-04-11

  修回日期: 2023-10-30

  网络出版日期: 2024-07-05

基金资助

国家自然科学基金项目“黄金周自驾游时空行为模式及多尺度集聚效应研究：云南省的实证”(42061030)

云南省交通运输厅科技创新及示范项目“高速公路旅游流时空模式感知与沿线服务设施配置优化研究”(2021-86-4)

收起

Characteristics and Comparison of Spatiotemporal Dynamic Fluctuation of Subway Passenger Flow: A Case Study of Shenzhen

  • Runcai Mao , 1 ,
  • Xiaofeng Ji 2, 3, 4 ,
  • Anteng Yin 1 ,
  • Fang Chen , 3, 4 ,
  • Runlin Zhao 5
Expand
  • 1. Kunming Urban Planning & Design Institute, Kunming 650051, China
  • 2. Faculty of Traffic Engineering, Kunming University of Science and Technology, Kunming 650500, China
  • 3. Yunnan Integrated Transportation Development and Regional Logistics Management Think Tank, Kunming University of Science and Technology, Kunming 650500, China
  • 4. Yunnan Modern Logistics Engineering Research Center, Kunming 650500, China
  • 5. College of Chemistry and Chemical Engineering, Southwest University, Chongqing 400715, China

Received date: 2023-04-11

  Revised date: 2023-10-30

  Online published: 2024-07-05

Fold

摘要

不同时段下行为主体生活方式的客观变化导致活动者地铁出行空间与模式发生改变，区别不同时段地铁客流的时空异质性特征，有助于引导城市功能更新与集约增长。以深圳市为案例，运用时空数据挖掘与地理空间分析相结合的手段，从整体、站点、OD多视角考察工作日、周末与节假日地铁客流在流量、流向、联系、结构上的时空动态波动特征。研究表明：1）网络整体视角下，工作日、节假日、周末表现为3种不同类型的地铁客流模式，分别呈现“双峰”“平峰”和“小双峰+平峰”形态。2）站点视角下，仅少数站点在工作日与非工作日的客流量及分担率差异显著，工作日客流高度集中于就业功能主导型站点，非工作日客流集中于交通枢纽型及综合型站点；站点周边土地利用的高混合度有助于客流分散和抗扰。3）OD视角下，地铁网络OD客流呈幂律分布且层级分异明显；地铁拓扑网络中心与不同时段下的客流中心均呈空间双耦合特征；周末与节假日的多元化出行以及城市中心的高密度混合开发模式弱化客流对特定线路的依赖，其客流联系易呈圈层结构。

关键词： 地铁客流; 工作日; 周末; 节假日; 时空异质性; 多视角; OD客流; 社区发现; 深圳

本文引用格式

毛润彩 , 戢晓峰 , 尹安藤 , 陈方 , 赵润林 . 城市地铁客流的时空动态波动特征与比较研究：以深圳市为例[J]. 热带地理, 2024 , 44(7) : 1210 -1222 . DOI: 10.13284/j.cnki.rddl.20230248

Abstract

Objective changes in people's lifestyles at different times of the day lead to changes in metro travel with respect to space and mode. Distinguishing the spatiotemporal heterogeneity characteristics of subway passenger flows at different times of the day can help guide urban functional renewal and intensive growth. Taking Shenzhen as a case study, this study examines the spatiotemporal dynamic fluctuation characteristics of subway passenger flow in terms of volume, direction, connection, and structure on weekdays, weekends, and holidays through spatiotemporal data mining and geospatial analysis from the network, station, and OD(Origin and Destination) perspectives. The results indicate the following: (1) From an overall perspective, three different types of subway passenger flow patterns exist on weekdays, holidays, and weekends: bimodal, flat peak, and small bimodal and flat peak composite patterns, respectively. Weekday subway ridership is significantly higher compared with weekends and holidays. The proportion of short-distance short-time and long-distance long-time trips increases slightly on holidays and weekends, conforming to the beta distribution. By contrast, commuter traffic remains the focus of the current subway operating system service. (2) From the station perspective, Shenzhen has only a few stations with significant differences in weekday and non-weekday patronage and sharing rates. Weekday passenger traffic is highly concentrated in residential and employment-oriented stations. Non-weekday passenger traffic is concentrated in transportation hubs and integrated stations. The high mix of land use around stations helps disperse passenger traffic and resist disturbance at different times. (3) From the OD perspective, OD passenger flow on the subway network has a power law distribution and significant hierarchical differentiation. On weekdays, subway OD passenger flow forms groups with business offices, higher education institutions, and popular business districts. On weekends, the intensity of subway OD passenger flow linkages shows varying degrees of attenuation, and the OD linkage for short-distance travel is more intense. On holidays, subway OD passenger flows form spatial linkage groups with external transportation hubs, popular scenic spots, and commercial centers as the core stations. The center of the metro topological network and that of passenger flow under different time periods are all characterized by spatial coupling. The diversification of travel on weekends and holidays, as well as the high-density mixed-development pattern in urban centers, has weakened the dependence of passenger flows on specific routes, showing a tendency to transition from the linear and multi-block on weekdays to the linear and whole block structure on holidays. This study is expected to provide a reference for the fine operation and organization of subways and the improvement of the quality of urban activity spaces.

Key words： subway passenger flow; weekdays; weekends; holidays; spatiotemporal heterogeneity; multi-perspective; OD passenger flow; community discovery; Shenzhen

为避免城市无序扩张和对汽车依赖的城市土地利用模式所带来的恶性循环，发展以公共交通为主导的城市空间高密度集约利用模式（Transit-Oriented Development, TOD）已成为缓解交通拥堵、调整城市空间结构和引导绿色出行的必然选择（谭章智 等，2017a；Su et al., 2021）。地铁作为一种大容量、高效率、低污染的现代化交通方式，是城市公共交通系统的主要骨架，承担城市大规模的客流移动。地铁客流作为城市交通运行状态的关键指标，其呈现的时空特征是轨道交通与土地利用互动影响作用的结果（Gan et al., 2019；崔叙 等，2021；彭诗尧 等，2021），深入研究地铁客流的时空特征，对于掌握网络化运营和存量增长时期下地铁出行移动模式和规律，提高交通运营组织服务能力与指导TOD规划有不可替代的作用。
中国实行一星期作息以及法定节假日制度。工作日社会各个产业的集中生产，使得活动者在时间上和空间上形成相对稳定的通勤客流，地铁的发展带来城市人口与就业空间的重新分布，提高通勤效率的同时也使得职住空间进一步分离，主要表现为出行高峰时段过度拥挤、通勤时间和距离过长等（Ma and Ye, 2019；任鹏 等，2021）。而周末与节假日主要用于安排庆祝纪念、旅游休憩、购物娱乐等活动，出行需求由工作日通勤通学为主的刚性需求转变为休闲游憩为主的弹性需求，出行活动范围更广，出行高峰持续时间更长，出行目的地比通勤活动更具随机性和多样性。并且，随着城市从生产型中心向消费性中心的过渡转型、居民可支配收入提高以及地铁网络化发展，活动者出行需求更多元化，非工作日旅游休闲等弹性出行需求日益增长（刘丽敏 等，2018；汪光焘 等，2019），特别是，受假期时长等多重因素驱动，节假日短时域高强度的交通流所造成局部拥挤、出行效率降低等现象频发（高悦尔 等，2019；廖燕晴 等，2021）。不同时段个体需求改变与设施空间供给匹配差异，使得地铁客流呈现动态波动的时空特征（Zhang and Liu, 2018；孟斌 等，2019；Liu et al., 2020；叶昌东 等，2021；王姣娥 等，2022），揭示其内在规律成为地铁交通组织模式优化与城市活动空间品质提升的重要基础和内在要求。
既有研究利用交通大数据丰富的时空属性信息，从时空维度围绕地铁的客流分布特征（Gong et al., 2017；黄洁 等，2018；黄盛 等，2022）、客流模式分类（尹芹 等，2016；谭章智 等，2017b；程小云 等，2020；Gan et al., 2020）、客流网络特征（Sun et al., 2015; Lin et al., 2020）以及客流成长规律（刘翔 等，2023）等展开大量研究，并取得较为丰硕的成果。整体而言，当前研究对象多以工作日客流为主，所得结论是以通勤出行为主体导向的客流分布特征以及模式分类结果。在实现城市转型与高质量发展的重要阶段以及“以人为本”的城市规划设计的转向下，需深度审视不同时段下城市地铁服务供给与活动者多元化诉求之间的差异，关注活动者工作日与非工作日的行为差异，以促进城市服务功能空间的斑块化填补和更新，有效引导城市集约增长，实现城市空间品质提升。
少数研究关注非工作日行为异质的出行背景（李涛 等，2020；刘耀彬 等，2021），并分析周末与节假日的地铁客流量变化特征（刘丽敏 等，2018；禹丹丹 等，2019）、工作日与双休日等时空约束下的地铁可达性差异（王姣娥 等，2022）以及地铁在城市旅游交通中发挥的作用（纪小美 等，2020）等，但鲜有研究将工作日、周末和节假日都纳入比较研究框架，从多视角分析不同时段下的客流时变规律和集散特征，特别是从流空间角度深入挖掘客流网络联系与结构差异。缺乏系统对比和参照，容易造成对不同时段客流在规模、流向、联系、结构上的认识偏差，难以全面掌握地铁客流规律，深入揭示其内在作用机理。
鉴于此，本文基于深圳市公共交通刷卡数据，将工作日、周末和节假日3个时段的地铁客流互为对照，通过数据挖掘与空间分析手段，从整体、站点、OD多视角对比分析不同时段的地铁客流时空动态波动特征。以期为公交都市和低碳出行背景下的地铁运营精细化管理以及城市规划设计提供有效依据和参考。

1 数据与方法

1.1　研究区域

选取深圳市作为案例城市。当前，深圳市地铁线网规模连年稳居全国前列，网络结构趋于复杂化，地铁场站及其周边土地综合开发利用已相对成熟，是在城市土地资源紧约束复杂形势下，探究以公共交通为主导的城市土地利用模式与居民出行行为关系的典型代表城市。截至2022年底，深圳地铁已开通运营16条线路，运营里程达到559.1 km，全年线网日均客运强度达1.11万人次/km，连续4年居全国首位，已形成覆盖深圳市福田区等9个市辖行政区的地铁网络 1（图1）。
图1 2022年深圳市地铁运营线网分布

注：该图基于深圳市规划和自然资源局标准地图服务网站下载的审图号为粤S（2018）02-65号的标准地图制作，底图无修改；后图同。

Fig.1 Subway network of Shenzhen in 2022

1.2　数据来源与处理

以2019年5月的深圳市公共交通运营刷卡记录为数据，其单日刷卡记录超过760万条，包括公共巴士（以下简称“公交”）和地铁刷卡数据，每条数据记录包括卡号、交易时间、交易类型、交易金额、设备编码、公司名称、线路（站点）等字段。按图2流程对数据进行清洗，处理后的OD数据集结构如表1所示。
图2 地铁出行数据处理流程

Fig.2 Processing flow of subway data

表1 个体地铁出行OD信息示例

Table 1 Example of OD information for individual subway trips

ID 进站时间 进站名称 所属线路 出站时间 出站名称 所属线路
691****59 2019-05-01 T 10:09 洪浪北 5号线 2019-05-01 T 10:48 深圳湾公园 9号线
688****74 2019-05-01 T 10:09 龙胜 4号线 2019-05-01 T 11:06 后海站 11号线
80****54 2019-05-01 T 10:09 机场站 11号线 2019-05-01 T 10:47 车公庙站 1号线
251****79 2019-05-01 T 10:09 大芬 3号线 2019-05-01 T 10:46 少年宫 3号线
669****71 2019-05-01 T 10:09 西丽 5号线 2019-05-01 T 10:21 西丽湖 7号线
686****22 2019-05-01 T 10:09 海上世界 2号线 2019-05-01 T 10:26 海月 2号线
以“五一”黄金周（2019-05-01—04）为节假日出行的典型代表，为避免节假日前后调休安排等对工作日出行产生的影响，选取同月具有周末正常双休时段（2019-05-13—26）中的工作日及周末进行对比。从整体、站点、OD多视角，分析深圳市地铁客流在工作日、周末和节假日3种时段的时空动态波动特征。

1.3　研究方法

通过引入兼顾网络拓扑和客流联系的网络模型，应用社区发现算法识别地铁客流网络潜在的社区空间联系结构。基于随机游走的社区发现算法较好地考虑了有向网络边权重及连接方向等网络属性，对交通网络数据集的社区划分表现出较高的准确性和稳定性（柯文前 等，2018）。本文选取基于随机游走社区发现的Walktrap算法，对深圳市工作日、周末和节假日的地铁OD客流网络进行社区结构挖掘，分析其特征差异。
Walktrap算法通过计算从一个节点迁移到另一个节点的转移概率，度量节点间和社区间的结构相似度，并基于最优的模块度判定是否达到最优社区结构，其表达式为（甘佐贤，2019）：
M = 1 w ∑ i n ∑ j n ( w i j -    q i o u t q j i n w ) σ ( c i , c j )
式中： w i j为节点 i和 j之间的边权重，即站点 i到 j的OD流量； w为节点 i的流量之和； q i o u t为节点 i的出站客流总和； q j i n为节点 j的进站客流总和； σ ( c i , c j )取0或1，当节点 i和 j为同一社区时取1，否则取0。

2 结果分析

2.1　网络整体视角下的客流时空波动特征对比

2.1.1　出行时段

以工作日、周末和节假日单日地铁小时客流时变序列作为分析单元，通过计算相关性矩阵划分工作日、周末和节假日地铁客流的差异性时间单元（图3）。可知，工作日和节假日地铁客流模式差异明显，而周末地铁客流模式兼具工作日与节假日客流特征。为简化研究过程以及消除单日偶发事件的影响，分别采用日均小时地铁客流对不同时段的客流模式进行表征和分析。
图3 地铁客流模式相关性矩阵

注： *表示通过5%的显著性水平检验；**表示通过1%的显著性水平检验；***表示通过1‰的显著性水平检验。

Fig.3 Correlation matrix of subway passenger flow patterns

地铁进出站客流在全天不同时段的整体波动差异如图4所示，结果显示：
图4 地铁进出站客流时间分布对比

Fig.4 Comparison of the time distribution of subway passenger flow

1）工作日客流分布形态呈现“双峰”结构，即T 07:00—10:00、17:00—21:00出现明显的早晚出行高峰，这主要是通勤通学的集中大规模出行造成的，从侧面反映地铁在服务通勤客流中发挥的重要作用。节假日客流分布形态呈现“平峰”结构，客流整体变化相对平稳且具有高峰连续性，即在T 08:00—21:00的整个时段基本保持较为稳定的客流强度，活动者出行时间弹性明显增大，出行目的更为多元化，使得整体上各时段客流相对均衡。周末存在“小双峰”说明仍存在一部分的通勤出行需求，周六尤为突出。不同于日常印象，深圳市工作日整体客流规模明显高于节假日和周末，这在北京（禹丹丹 等，2019；王姣娥 等，2022）、西安（曹夏玲，2021）等城市同样得到证实。
2）受个体需求改变和多方式交通信息服务影响，出行者非工作日活动链发生重构，出行行为更具弹性、随意性和复杂性（王博彬 等，2015；韩会然 等，2019），虽然非工作日交通流在旅游景点、热门商圈、娱乐场所等地方的集聚效应屡被证实（闫闪闪 等，2017；刘丽敏 等，2018），但具体反映到城市地铁网络整体视角中，并未呈现在某一时段客流明显集聚特征，宏观集计尺度难以精准刻画地铁客流，需更加精细尺度的分析。

2.1.2　出行时长与距离

根据计算统计，得到工作日、周末和节假日乘客地铁出行时长分布与距离分布（图5），并对其进行概率密度分布拟合，结果显示：
图5 地铁出行时长与距离的分布特征与拟合

Fig.5 Distributional and fitting characteristics of subway travel duration and distance

1）工作日、周末和节假日乘客出行时长都主要分布在60 min内，相比工作日，节假日与周末的短时和长时地铁出行比例在增加，即节假日与周末地铁出行时长集中在16~45 min的比例低于工作日，而出行时段在15 min以内和大于45 min的比例高于工作日。其中，由于节假日与周末没有通勤通学强制性出行的束缚，居民通常以生活休闲出行需求为主，并选择在居住区附近活动，使得短时出行的比例增加。受城市休闲资源的唯一性、特殊性以及其空间分布的约束限制，部分活动者愿意增加出行时长，来满足自己的节假日旅游活动目的，使得长时出行比例增大。
2）工作日、周末和节假日的地铁出行距离主要集中在30 km范围内，超过30 km出行距离的人数衰减变化逐渐趋缓。与出行时长分布类似，周末及节假日5 km内的短途出行和大于30 km的长途出行人数占比明显占优。
3）工作日、周末和节假日的出行时间与出行距离分布均符合Beta分布。

2.2　站点视角下的客流时空波动特征对比

2.2.1　站点客流量

工作日、周末和节假日地铁站点客流分布如图6所示，结果表明：
图6 地铁站点客流分布对比

Fig.6 Comparison of passenger flow distribution at subway stations

1）不同时段的绝大部分地铁客流均主要集中分布于福田区、罗湖区、南山区的核心区域，这些区域地铁站点周边土地开发强度较高，各类城市功能要素集聚，人口分布稠密，形成以行政中心、商业中心、旅游综合体、交通枢纽场站、高等院校等为载体的中心型站点，如会展中心、福田、罗湖、车公庙、后海、深大等。
2）根据站点客流量在不同时段的动态波动特征可将站点分为4类。1）节假日和周末客流量均高于工作日的站点，如深圳北站、福田口岸、罗湖、老街、世界之窗、宝安中心、机场、深圳湾公园等。该时段以休闲游憩的出行需求为主，客流易在交通枢纽、城市口岸、热门商圈以及景区产生大量集聚，形成出行热点区，其短时集中的突发大规模客流往往给地铁运营部门的安全应急管理带来较大挑战。相较工作日，其余站点在节假日和周末的客流量均普遍下降，地铁出行吸引力并不高。2）工作日客流量显著高于节假日和周末的站点，如车公庙、高新园、大剧院、深大、福田、科苑等，该类站点周边分布有大量的行政办公、商业金融、工业产业以及部分居住区，高密度的就业岗位覆盖使得工作日地铁客流一直稳定在较高水平，但在节假日和周末，站点日均客流跌幅超过2万人次，体现该类站点就业主导型的功能特征。3）仅节假日客流高于工作日的站点，分别为松岗、海上世界、蛇口港、碧头、红树湾南、深湾。4）仅周末客流高于工作日的站点，分别为华侨城、通新岭。后2类站点周边多以居住为主，并同时分布有较为丰富的公园绿道等户外休闲场所，如深圳湾公园、华侨城国家湿地公园、南山公园、荔枝公园等，受其辐射和吸引，节假日及周末的站点客流往往略高于工作日，侧面反映城市休闲空间布局对于提升周末与节假日地铁客流的重要性。

2.2.2　客流分担率

将站点按工作日客流分担率降序排列，并以其为参照，对比分析其与周末及节假日客流分担率的特征差异，可分为3种类型站点（图7）。
图7 地铁站点客流分担率对比

Fig.7 Comparison of passenger flow sharing rate of subway stations

1）节假日与周末客流分担率显著上升的站点，以交通枢纽站点以及热门旅游景区站点为主。其中，深圳北站、罗湖站、福田口岸、老街4个站点的客流分担率依次为全体最高，且超过工作日任何一个站点，而世界之窗站、深圳北站、少年宫、双龙、深圳湾公园等其余站点的客流分担率约为工作日的2倍。
2）节假日与周末客流分担率显著下降的站点，如车公庙、高新园、深大、福田、科苑、岗厦、兴东等站点，与工作日相比，其客流分担率出现大幅缩水，该类站点多为居住就业型站点，主要服务于通勤客流，由于通勤出行短时域集中大规模的特点，该类站点在工作日具有较稳定的客流，但在节假日与周末，受通勤客流大幅缩水影响，其客流分担率产生较大跌幅。
3）工作日与节假日及周末客流分担率无明显差异的站点，可能由于该类站点居住、就业、休闲等城市功能空间布局相对均衡，在相对稳定的范围内即可满足居民日常的出行需求，故无明显变化。
4）工作日、周末与节假日约一半站点的客流分担率依次交替上升下降变化，波动幅度不大。不同时段站点动态波动差异主要体现在少量站点上，且该部分站点体现不同时段整体的客流变化趋势，即非工作日客流网络核心节点由工作日的就业功能主导型站点转变为交通枢纽型及综合型站点，同时，站点周边土地利用开发的高成熟度与用地功能的高混合度，使得站点在不同时段的客流分布差异缩小，更为均衡。
表2 地铁OD客流联系强度划分及分布特征

Table 2 Classification and characteristics of passenger linkage intensity at station-to-station level

时段 表征

高强度

（>3 500）

次高强度

（1 201~3 500）

中等强度

（501~1 200）

一般强度

（150~500）

低等强度

（<150）
工作日 典型站点

福民―福田口岸、坪洲―深大、坪洲―高新园、固戍―深大、罗湖―

老街等（10对）

大剧院―罗湖、清湖―深圳北站、华强路―岗厦、民治―

西丽等（122对）

坂田―西丽、岗厦―购物

公园、大芬―老街、布吉―布心等（647对）

坪洲―西南、大剧院―岗厦北、新秀―

黄贝岭、少年宫―

莲花北等（2 306对）

 深云―鲤鱼门、华强北―木棉湾、晒布―深圳北站、福田口岸―笋岗等（8 223对）
集聚客流/万人 5.49 20.52 49.18 61.66 44.46
平均出行距离/km 7.04 8.4 9.62 13.16 21.43
周末 典型站点 福民―福田口岸、罗湖―老街、国贸―罗湖、会展中心―福田口岸、华强北―赤尾等（6对） 大剧院―罗湖、深圳北站―清湖、坪洲―宝安中心、深圳北站―福田口岸等（71对） 世界之窗―后海、会展中心―少年宫、后瑞―宝安中心、会展中心―华强路、会展中心―白石龙等（420对）

华强北―泥岗、南联―双龙、布吉―杨美、华新―石厦等

（1 793对）

景田―龙胜、沙尾―白石龙、上塘―民治、科苑―西丽等

（8 393对）

集聚客流/万人 3.3 11.83 30.99 47.17 43.66
平均出行距离/km 1.88 6.12 7.94 12.72 21.1
节假日 典型站点

福民―福田口岸、罗湖―老街、国贸―罗湖、

深圳北站―

清湖等（6对）

大剧院―罗湖、华强北―赤尾、固戍―西乡、坪洲―宝安

中心等（60对）

深圳北站―长龙、深圳北站―白石龙、会展中心―

少年宫、清湖―老街等

（370对）

 下水径―布心、大新―鲤鱼门、会展中心―市民中心、布吉―杨美等（1 534对） 民治―长岭陂、白石龙―西丽、洪浪北―黄贝岭、民乐―白石龙等（8 756对）
集聚客流/万人 2.87 10.15 26.69 40.71 42.26
平均出行距离/km 3.04 6.94 8.99 12.89 20.93

2.3　OD视角下的客流时空波动特征对比

2.3.1　客流强度分布与联系

通过计算工作日、周末和节假日OD平均客流，将站点对间的联系强度分为高强度、次高强度、中等强度、一般强度和低等强度5个层级，对比三者的OD客流强度分布与联系特征，反映地铁客流网络结构与格局的非均衡化差异。结果（图8）表明：
图8 地铁OD客流分布与联系对比

Fig.8 Comparison of passenger flow distribution and linkages at station-to-station level

1）工作日OD客流联系普遍较为紧密，织网密度高于周末与节假日，形成南山—宝安、福田—龙华、福田—罗湖的多中心组团结构，联系强度呈幂律分布，其中以福田口岸、深大、高新园、固戍、会展中心、罗湖、坪洲等土地高密度开发、人口高度聚集的CBD商务区、高等院校、商业中心之间的联系最为紧密，如福民—福田口岸、坪洲—深大、坪洲—高新园、固戍—深大、罗湖—老街、国贸—罗湖等。部分高强度联系的站点对在周末和节假日客流出现大幅度的下滑，如坪洲—深大、高新园—坪洲、深大—固戍等，其中，坪洲—深大之间的工作日平均客流高达7 695人，而节假日平均客流仅为836人，周末平均客流为1 698人，说明该类OD对间工作日通勤出行需求强烈，OD分布联系较为直观地反映地铁运营网络中的通勤走廊。
2）较工作日而言，周末OD客流联系在基本保持多中心组团结构基础上，联系强度呈现不同程度的衰减，短途出行OD联系更为紧密，跨区联系有所减弱。其中，高强度联系的OD对大多为同一线路上的相邻站点，平均出行距离仅为1.88 km，是工作日的1/3，客流易在同一线路的瓶颈路段集聚，如福民—福田口岸、罗湖—老街、国贸—罗湖，固戍—西乡等。这说明居民周末户外休闲地铁出行倾向于在居住点附近小范围区域进行活动，侧面体现完善社区生活圈的资源配置对于提升居民幸福感的必要性，以及打造功能差异化站点的重要性。
3）节假日OD客流形成以对外交通枢纽、商业中心为核心的空间联系组团，以火车站、口岸、机场、商业综合体等为代表，典型站点有深圳北站、罗湖口岸、福田口岸和大剧院、宝安中心、老街、会展中心。其中，又以对外交通枢纽类站点客流强度最大，以深圳北站为例，其站点客流辐射面最广，基本覆盖城市的各个中心区域，与其客流联系最紧密的站点分别为清湖、福田口岸、西丽、龙华、龙胜等；对于主要服务于跨境出行的口岸类站点，与其客流联系最紧密的站点主要为福民、老街、国贸、会展中心、深圳北站、龙华、龙胜、科技馆等，其出行目的地大多为城市商业中心和对外交通枢纽，这一方面说明节假日口岸站点客流与商业休闲类活动联系较为紧密，另一方面说明对于跨境客流，深圳市不一定是其最终出发地或目的地，而是其到香港或到内地其他城市的过境通道。

2.3.2　客流网络社区结构

根据工作日、周末和节假日深圳市地铁客流网络社区划分结果，并结合线网空间布局，以及OD客流联系轴线层级依次勾勒出各个社区内部联系的空间结构特征（图9），可以看出，不同时段下社区结构在形态与空间组织的动态波动特征。
图9 客流网络社区结构

图注：图中圆圈代表地铁站点，相同颜色站点为同一类社区，站点之间的线条颜色与粗细反映社区中站点OD客流联系强度情况，线条越粗颜色越红表示站点间的客流联系强度越强，反之亦然。

Fig.9 Network community structure of passenger flow

1）在空间组织上，无论是工作日还是周末和节假日，同一社区划分结果很大程度上依赖于是否为同一条线路上的站点，特别是位于城市外围地铁线路上的站点最为明显，结构形态易表现为“线状”连续分布，如1号线西北段、11号线以及3号线的东北段在不同时段基本都划为同一社区。但随着到市中心距离越近，不同线路之间客流联系差异越不明显，易形成“块状”集聚分布，如3号线、5号线、7号线、9号线在罗湖区和福田区的核心区密集交织，由此带来接驳与换乘便利性的显著提升，大大减小出行阻力，加之该类区域属于高密度混合开发地块，既是客流产生区域也是客流吸引区域，呈现地铁拓扑网络中心与客流中心空间双耦合的特征。另外，各个社区基本由少数的主导该社区形成和发育的核心站点以及其他的非核心站点组成，根据各个站点联系强度差异，大致可分为核心主导型社区和均势化社区。如工作日的第1、2、3、7、9类社区，周末的第1、2、5类社区以及节假日的第1、2、6类社区为核心主导型社区，其他社区内部联系较为均衡，属于均势化社区。
2）不同时段下社区划分数量与结构存在差异，工作日客流社区数量最多，有10个，且社区间所含站点数量也较为均衡，反映工作日地铁出行吸引力较强，站点间联系普遍加强，网络整体运营效率较高。其中，对于“线状”分布社区，反映居民日常出行的通勤廊道，以及轨道型职住分离的空间关系，如第1、2、6、9类社区，沿线布有大量的商业写字楼、高等院校、工业产业园及居住小区等就业及居住设施，居住点与工作点的相对固定，使得城市外围站点与核心区站点之间的联系也相对稳定，且同一线路上的交通枢纽型站点更易与城市核心区站点发生联系，而非同一线路上的其他站点，如位于11号线的机场站未划入第2类社区，而划入第7类社区，同样的，位于4号线和5号线交汇点的深圳北站划入与市中心联系紧密的4号线，而非绕行距离更长的5号线。周末和节假日客流社区数量分别为6和7个，相较工作日，其社区间所含站点数量差异较大，如周末的第3、4、5类社区以及节假日的第5类社区，数量大多达到40个以上，表明周末和节假日出行活动更多元化，目的选择具有随机性和多样性，相对来说，市中心为城市各类活动提供更多机会，工作日“线状”分布社区在周末和节假日易与城市中心区站点发生更多联系，从而形成“线状+块状”的樱桃型空间分布形态。另外，相比之下，节假日社区结构显得更为直观和简洁，与中心环状放射的地铁线网空间布局高度重叠，可大致概括为核心圈层（第4、5、7类），环线（第3类），放射线（第1、2、6类）3种社区，反映在节假日可自由支配时间显著增加情况下，地铁客流联系组团与线网密度的空间依赖关系，这也暗示织密城市轨道线网对于支撑形成多中心、网络化、组团式的城市空间结构的重要作用。

3 结论与讨论

3.1　结论

本文以深圳市作为实证案例，基于公共交通刷卡数据，运用时空数据挖掘与地理空间分析相结合的手段，从整体、站点、OD多视角对比考察工作日，周末与节假日地铁客流在流量、流向、联系、结构上的时空动态波动特征。研究表明：
1）在网络整体视角下，工作日、节假日、周末表现为3种不同类型的地铁客流模式，分别呈现“双峰”“平峰”和“小双峰+平峰”形态。工作日客流规模显著高于周末和节假日。节假日与周末地铁5 km与15 min以内的短途短时和大于30 km与45 min的长途长时出行的客流比例明显增大，且出行距离与出行时间分布符合Beta分布。总体上，通勤客流仍是当前地铁营运服务的重点。
2）在站点视角下，工作日客流高度集中于就业功能主导型站点，周末和节假日客流则集中于对外交通枢纽型、热门景区型、商业中心型站点。大部分地铁站点不同时段承担的功能差异并不明显，仅少数站点在工作日与非工作日的客流量及分担率差异显著，这些站点主导整体客流变化趋势，表现为非工作日的客流网络枢纽控制节点由工作日的居住就业主导型站点转为交通枢纽型、综合性站点，反映不同时段地铁客流的时空集聚效应。
3）地铁网络OD客流呈幂律分布且层级分异明显。工作日形成以商务办公类、高等院校类、热门商圈类站点为主的空间联系组团，周末呈现不同程度的衰减，短途出行OD联系更紧密，跨区联系有所减弱，节假日形成以对外交通枢纽类、热门景区类、商业中心类站点为核心的空间联系组团，客流易在该类站点对间集中联系。工作日社区结构具有明显的邻域效应和一体化效应，城市外围社区组团空间上高度依赖同一线路，中心区社区易形成不同功能组团的连续型块状结构。周末与节假日社区结构较为接近，周末与节假日的多元化出行以及城市中心的高密度混合开发模式，弱化客流联系网络对同一线路的依赖，并呈现由工作日“线＋多块”结构向节假日“线＋整块”结构过渡的趋势，且与中心环状放射的地铁网络空间布局高度重叠。

3.2　讨论

地铁客流的时空波动特征规律反映地铁使用人群与站域空间用地的动态匹配关系，全面掌握不同时段地铁客流时空动态波动特征，为轨道网络精细化运营组织与城市规划设计策略带来启示和参考。基于上述结论，提出建议：1）需明确不同时段地铁使用人群需求差异，即工作日以通勤人群为重点，周末与节假日以综合交通枢纽、核心商业区以及热门景区的出行为重点，分线路、分时段、分频率制定差异化运营管理策略，加强针对饱和站点和瓶颈路段应急疏散控制。2）地铁客流联系网络与静态线网拓扑网络具有明显的空间依赖性，反映基于地铁网络编织的城市多中心的骨架格局是经过客流实践证明的有效路径，宜结合客流联系组团及片区功能定位，构建满足多样化需求的出行廊道和地铁生活圈，进一步促进职住平衡。同时，非工作日地铁客流联系组团与线网空间布局结构的耦合性暗示，城市建成环境的改变对于非工作日出行行为的影响可能更突出，组团内部功能设施的完善有利于激发非工作日的城市活力，提高空间资源的利用效率，除此之外，也需要重视中心区的人口功能疏解，避免过度竞争，实现组团间的差异化发展。
本文旨在全方位、深层次地揭示不同时段地铁客流时空异质性特征，但地铁客流的时空特征规律是轨道交通与土地利用互动影响作用的结果，未来需结合站域空间建成环境及人群分异等方面，进一步明晰其对不同时段地铁客流影响机理差异，以期从定量角度有针对性地为优化站域空间设施布局，调整交通需求，提升运营服务水平提供策略。

脚注

1 http://jtys.sz.gov.cn/

毛润彩：构思全文，数据收集与处理，模型构建与分析，论文主笔撰写；

戢晓峰：负责论文研究设计，提供理论框架指导；

尹安藤：数据处理，部分图表绘制；

陈 方：研究方法和模型的构建，文字润色与修改；

赵润林：算法设计与数据分析。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
程小云，张学宇，薛顺然，王建军. 2020. 基于多维属性的轨道交通出行行为分类方法. 交通运输工程与信息学报，18（4）：166-174.

Cheng Xiaoyun, Zhang Xueyu, Xue Shunran, and Wang Jianjun. 2020. Method of Analyzing Rail Transit Travel Behavior Based on Multidimensional Attributes. Journal of Transportation Engineering and Information, 18(4): 166-174.

崔叙，喻冰洁，梁朋朋，王琳，张凌菲. 2021. 基于“客流-用地”的城市轨道交通站点类型识别与空间再平衡研究——以成都市为例. 现代城市研究，（7）：68-79.

Cui Xu, Yu Bingjie, Liang Pengpeng, Wang Lin, and Zhang Lingfei. 2021. Urban Rail Transit Station Type Identification and Job-Housing Spatial Rebalancing Based on Passenger Flow and Land Use: Taking Chengdu as an Example. Modern Urban Research, (7): 68-79.

曹夏玲. 2021. 城市轨道交通节假日短时客流预测模型研究. 西安：长安大学.

Cao Xialing. 2021. Study on the Short-Term Passenger Flow Forecast Model of Urban Rail Transit Festival. Xi'an: Chang'an University.

Gan Z, Feng T, Wu Y, Yang M, and Timmermans H. 2019. Station-Based Average Travel Distance and Its Relationship with Urban Form and Land Use: An Analysis of Smart Card Data in Nanjing City, China. Transport Policy, 79: 137-154.

Gan Z, Yang M, Feng T, and Timmermans H. 2020. Understanding Urban Mobility Patterns from a Spatiotemporal Perspective: Daily Ridership Profiles of Metro Stations. Transportation, 47(1): 315-336.

Gong Y, Lin Y, and Duan Z. 2017. Exploring the Spatiotemporal Structure of Dynamic Urban Space Using Metro Smart Card Records. Computers, Environment and Urban Systems, 64: 169-183.

甘佐贤. 2019. 建成环境对城市轨道交通客流及出行特征的影响机理研究. 南京：东南大学.

Gan Zuoxian. 2019. Impаct of Built Environment on the Passenger Flows and Transfer Behavior of Urban Rail Transit. Nanjing: Southeast University.

高悦尔，崔桂籽，胥川，边经卫. 2019. 基于浮动车数据的城市旅游景点周边路网交通状态评价. 经济地理，39（3）：225-231.

Gao Yue'er, Cui Guizi, Xu Chuan, and Bian Jingwei. 2019. Road Traffic Status in the Surrounding of Urban Tourist Attractions Based on FCD. Economic Geography, 39(3): 225-231.

黄洁，王姣娥，靳海涛，金凤君. 2018. 北京市地铁客流的时空分布格局及特征——基于智能交通卡数据. 地理科学进展，37（3）：397-406.

Huang Jie, Wang Jiao'e, Jin Haitao, and Jin Fengjun. 2018. Investigating Spatiotemporal Patterns of Passenger Flows in the Beijing Metro System from Smart Card Data. Progress in Geography, 37(3): 397-406.

黄盛，李卫江，朱梦茹，刘振. 2022. 降雨事件对上海地铁通勤客流时空影响的精细尺度研究. 地球信息科学学报，24（2）：249-262.

Huang Sheng, Li Weijiang, Zhu Mengru, and Liu Zhen. 2022. A Fine-Scale Study on Spatio-Temporal Patterns of Metro Commuter Flows under Rainfall Events in Shanghai. Journal of Geo-Information Science, 24(2): 249-262.

韩会然，杨成凤. 2019. 建成环境对出行行为的影响研究进展与展望. 安徽师范大学学报（自然科学版），42（2）：166-173.

Han Huiran and Yang Chengfeng. 2019. Progress and Prospects of the Research on Built Environment and Residents' Travel Behavior. Journal of Anhui Normal University(Natural Science), 42(2): 166-173.

纪小美，熊怡清，张子昂. 2020. 地铁在城市旅游交通中的作用及其优化——以南京主城区为例. 资源科学，42（5）：946-955.

Ji Xiaomei, Xiong Yiqing, and Zhang Zi'ang. 2020. The Role of Subway in Urban Tourism Traffic and Its Optimization: The Case of the Main Urban Districts of Nanjing City. Resources Science, 42(5): 946-955.

柯文前，陈伟，杨青. 2018. 基于高速公路流的区域城市网络空间组织模式——以江苏省为例. 地理研究，37（9）：1832-1847.

Ke Wenqian, Chen Wei, and Yang Qing. 2018. Uncovering Spatial Organization Patterns of Regional City Networks from Expressway Traffic Flow Data: A Case Study of Jiangsu Province, China. Geographical Research, 37(9): 1832-1847.

Lin P, Weng J, Fu Y, Alivanistos D, and Yin B. 2020. Study on the Topology and Dynamics of the Rail Transit Network Based on Automatic Fare Collection Data. Physica A: Statistical Mechanics and its Applications, 545: 123538.

Liu J, Shi W, and Chen P. 2020 Exploring Travel Patterns during the Holiday Season: A Case Study of Shenzhen Metro System during the Chinese Spring Festival. ISPRS International Journal of Geo-Information, 9(11): 651.

李涛，王姣娥，高兴川. 2020. 中国居民工作日与节假日的城际出行网络异同性研究. 地理学报，75（4）：833-848.

Li Tao, Wang Jiao'e, and Gao Xingchuan. 2020. Comparison of Inter-City Travel Network during Weekdays and Holiday in China. Acta Geographica Sinica, 75(4): 833-848.

廖燕晴，高悦尔，史志法. 2021. 基于浮动车数据的城市旅游通道识别研究——以厦门市为例. 城市规划，45（7）：73-82.

Liao Yanqing, Gao Yue'er and Shi Zhifa. 2021. Identifying Urban Tourism Corridor Based on Floating Car Data: A Case Study of Xiamen. City Planning Review, 45(7): 73-82.

刘翔，陈小鸿，田茗舒. 2023. 成长性视角下建成环境对轨道交通站点客流影响分析. 交通运输系统工程与信息，23（2）：121-127.

Liu Xiang, Chen Xiaohong, and Tian Mingshu. 2023. Effects of Built Environment on Metro Ridership Considering Stage of Growth. Journal of Transportation Systems Engineering and Information Technology, 23(2):121-127.

刘丽敏，虞虎，靳海涛. 2018. 基于公交刷卡数据的北京城市居民周末户外休闲行为特征研究. 地域研究与开发，37（6）：52-57.

Liu Limin, Yu Hu, and Jin Haitao. 2018. Characteristics of Outdoor Recreation Behaviors of Beijing Residents on Weekends Based on Public Transportation Data. Areal Research and Development, 37(6): 52-57.

刘耀彬，孙敏. 2021. 基于信息流的工作日与节假日城市网络联系特征对比——以长江中游城市群为例. 经济地理，41（5）：75-84.

Liu Yaobin and Sun Min. 2021. Comparison on the Characteristics of City Network Connections between Workdays and Holidays Based on information flow: A Case Study of the Urban Agglomeration in the Middle Reaches of the Yangtze River. Economic Geography, 41(5): 75-84.

Ma L and Ye R. 2019. Does Daily Commuting Behavior Matter to Employee Productivity? Journal of Transport Geography, 76(APR. ): 130-141.

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.

彭诗尧，陈绍宽，许奇，牛家祺. 2021. 基于POI的土地利用与轨道交通客流的空间特征. 地理学报，76（2）：459-470.

Peng Shiyao, Chen Shaokuan, Xu Qi, and Niu Jiaqi. 2021. Spatial Characteristics of Land Use Based on POI and Urban Rail Transit Passenger Flow. Acta Geographica Sinica, 76(2): 459-470.

任鹏，彭建东，杨红，王安琪，代琦. 2021. 武汉市轨道交通站点周边地区职住平衡与建成环境的关系研究. 地球信息科学学报，23（7）：1231-1245.

Ren Peng, Peng Jiandong, Yang Hong, Wang Anqi, and Dai Qi. 2021. Relationship between Jobs-Housing Balance and Built Environment in Areas around Urban Rail Transit Stations of Wuhan. Journal of Geo-Information Science, 23(7): 1231-1245.

Su S, Zhang H, Wang M, Weng M, and Kang M. 2021. Transit-Oriented Development (TOD) Typologies around Metro Station Areas in Urban China: A Comparative Analysis of Five Typical Megacities for Planning Implications. Journal of Transport Geography, 90: 102939.

Sun D, Zhao Y, and Lu Q. 2015. Vulnerability Analysis of Urban Rail Transit Networks: A Case Study of Shanghai, China. Sustainability, 7(6): 6919-6936.

谭章智，李少英，黎夏，刘小平，陈逸敏，李威贤. 2017a. 城市轨道交通对土地利用变化的时空效应. 地理学报，72（5）：850-862.

Tan Zhangzhi, Li Shaoyin, Li Xia, Liu Xiaoping, Chen Yimin, and Li Weixian. 2017a. Spatio-Temporal Effects of Urban Rail Transit on Complex Land-Use Change. Acta Geographica Sinica, 72(5): 850-862.

谭章智，李少英，黎夏，刘小平，陈逸敏. 2017b. 基于地铁客流的广州地铁站点类型识别. 热带地理，37（1）：102-111.

Tan Zhangzhi, Li Shaoying, Li Xia, Liu Xiaoping, and Chen Yimin. 2017b. Clustering of Metro Stations in Guangzhou Based on Passenger Flow. Tropical Geography, 37(1): 102-111.

汪光焘，陈小鸿，殷广涛，郭继孚，陈艳艳. 2019. 新常态下城市交通理论创新与发展对策研究——成果概要. 城市交通，17（5）：1-12.

Wang Guangtao, Chen Xiaohong, Yin Guangtao, Guo Jifu, and Chen Yanyan. 2019. Characteristics of Outdoor Recreation Behaviors of Beijing Residents on Weekends Based on Public Transportation Data. Urban Transport of China, 17(5): 1-12.

王姣娥，熊美成，黄洁. 2022. 时空约束下的地铁可达性研究：以北京为例. 地理科学，42（1）：83-94.

Wang Jiao'e, Xiong Meicheng, and Huang Jie. 2022. Subway Accessibility under Space-Time Constraints: A Case Study of Beijing. Scientia Geographica Sinica, 42(1): 83-94.

王博彬，邵春福，计寻，诸葛承祥，杨婷. 2015. 多方式交通信息下节假日活动链重构机理研究. 交通运输系统工程与信息，15（4）：99-105.

Wang Bobin, Shao Chunfu, Ji Xun, Zhuge Chengxiang, and Yang Ting. 2015. Reconstruction Mechanisms of Holiday Tour under Integrated Multimodal Travel Information Service. Journal of Transportation Systems Engineering and Information Technology, 15(4): 99-105.

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

Ye Changdong, Feng Biying, Yao Huasong, and Dai Dandan. 2021. Innovation Policies for Urban Transportation Development under the New Normal: Summary of Achievements. Tropical Geography, 41(5): 918-927.

尹芹，孟斌，张丽英. 2016. 基于客流特征的北京地铁站点类型识别. 地理科学进展，35（1）：126-134.

Yin Qin, Meng Bin, and Zhang Liying. 2016. Classification of Subway Stations in Beijing Based on Passenger Flow Characteristics. Progress in Geography, 35(1): 126-134.

禹丹丹，陈文，韩庆龙，顾御坤，姚娟娟. 2019. 北京地铁节假日客流特点和运营组织方法分析. 现代城市轨道交通，（4）：58-66.

Yu Dandan, Chen Wen, Han Qinglon, Gu Yukun, and Yao Juanjuan. 2019. Analysis of Beijing Subway Passenger Flow Characteristics and Operation Organization Method During Holidays. Modern Urban Transit, (4): 58-66.

闫闪闪，梁留科，索志辉，方明. 2017. 基于大数据的洛阳市旅游流时空分布特征. 经济地理，37（8）：216-224.

Yan Shanshan, Liang Like, Suo Zhihui, and Fang Ming. 2017. Big Data Based Spatiotemporal Distribution Characters of Tourism Flow in Luoyang. Economic Geography, 37(8): 216-224.

Zhang Y and Liu L. 2018. Understanding Temporal Pattern of Human Activities using Temporal Areas of Interest. Applied Geography, 94: 95-106.

Options
文章导航

/

〈 〉