EN中文

Tropical Geography >

2024 , Vol. 44 >Issue 5: 921 - 937

DOI: https://doi.org/10.13284/j.cnki.rddl.003877

Passenger Flow Classification and Spatial Distribution Based on Transfer Time Cost: A Case Study of Xiamen City

  • Jialin Liu , 1 ,
  • Yue'er Gao , 1 ,
  • Ruizhen Qi 2
Expand
  • 1. School of Architecture, Huaqiao University, Xiamen 361021, China
  • 2. Qingdao Urban Planning and Design Research Institute, Qingdao 266000, China

Received date: 2023-08-16

  Revised date: 2024-01-09

  Online published: 2024-05-08

Fold

Abstract

Implementing preferential policies for bus transfers is an important measure for promoting the development of public transportation. Although public transportation extends the travel time of passengers, the preferential policies reduce the travel costs to a certain extent. On the basis of IC card data of public transport, an income method model was constructed to evaluate the cost of passenger flow transfer time after the implementation of the preferential transfer policy in Xiamen and compare it with the reduced fees due to the policy regulations. To better assess the overall benefit of bus transfer travel, the transfer passenger flow was divided into four categories: transfer zero cost passenger flow, transfer additional cost passenger flow, transfer extra time cost passenger flow, and transfer extra time+cost passenger flow. The spatial distribution characteristics of various types of passenger flow are analyzed from five aspects: station, line, traffic area, density of travel starting and ending points, commuting and non-commuting of travel. With regard to stations, a large number of different types of passenger flowed into the area centered on Yueyang Community. As regards route, No. 24 mainly gathered a large number of different types of passenger flows. As regards transportation areas, numerous different types of passenger flows gathered in the transportation communities around the subway and the island's Bus Rapid Transit (BRT) lines. In terms of OD point density, each station of Rail Line 1 and the BRT stations had large numbers of passengers at the starting or ending points. In terms of commuting and non-commuting behaviors, the activity range of various passenger flows during commuting was smaller, the span was shorter, and the cross-island passenger flow was relatively small. In contrast, the passenger flow during non-commuting behavior showed a more evident cross-island trend, and the span was generally longer. This study devised a new passenger flow classification method to evaluate the effectiveness of a preferential policy for bus transfers. Further, it affords a reference for public transport operators to better comprehend the needs and behaviors of passengers and accordingly formulate more effective policies and measures.

Key words： transfer preferential policies; urban public transport; income method model; transfer time cost; passenger flow classification; Xiamen City

Cite this article

Jialin Liu , Yue'er Gao , Ruizhen Qi . Passenger Flow Classification and Spatial Distribution Based on Transfer Time Cost: A Case Study of Xiamen City[J]. Tropical Geography, 2024 , 44(5) : 921 -937 . DOI: 10.13284/j.cnki.rddl.003877

城市交通是城市社会经济活动的重要连接和推动力量，对于城市经济的可持续、稳定发展以及人民生活水平的不断提高都起着至关重要的作用（赵鹏军 等，2020）。大力发展城市公共交通，鼓励居民公交出行成为解决城市交通问题，提升城市土地价值，缓解城市环境污染，优化城市交通系统的关键。相较于私人交通点对点直达的特性，城市公共交通往往需考虑城市用地布局、发展边界、多种交通方式衔接等因素进行线路规划，无法实现直连直通，因此需换乘衔接各类交通方式以到达出行的起终点。同时，公共交通出行方式越多元，乘客换乘的几率越大，在此情况下为增加不同公共交通出行方式的使用频率，提升公交分担率，实施换乘优惠政策便是有效途径之一。因此，研究客流换乘时间成本与换乘优惠的关系，完善公交换乘优惠方案，可进一步优化公交出行政策，降低居民出行成本，对于提升公共交通系统的整体效能、促进社会公平具有重要意义。
乘客享受换乘优惠时，往往需步行或就地等待才能完成换乘，相比于两点直达，乘客在乘坐公共交通的过程中耗费了更多时间，出行时间作为公交系统规划和运营的重要影响因素之一（Hélène and Matthieu, 2019; Hong, 2022），评估其经济价值，可客观评价乘客的换乘成本。关于时间成本的相关研究，国内外学者已有较多成果。如王明仪（1986）认为出行时间成本模型主要受出行性质和目的、出行者的工资收入和职业等因素影响，且相比于整段连续的出行，换乘的时间价值往往比乘车或驾车更高。Chepuri等（2021）结合问卷和GPS数据，建立了包含乘车、换乘等待和总旅行时间的成本模型，以衡量乘客对公交出行时间的真实感知与实际时间之间的差异，并计算受访者的时间成本。Liu等（2019）利用南京市公交乘客的社会经济信息和个人信息，采用嵌套logit模型计算受访乘客出行时间的经济价值，结果表明随着出行距离增加，乘客更偏向选择单一出行方式，在需换乘时，换乘等待时间和步行时间是重要因素。Subeh等（2015）基于公交用户平均期望减少的出行时间和成本损耗，利用Just Noticeable Difference （JND）定律客观验证了公交用户平均期望当前出行时间至少减少25%，以节省出行时间成本。科学合理的量化公交换乘时间的经济价值，有助于节省乘客出行成本，提高出行效率，目前为止，生产法、收入法、非集计模型是计算时间经济价值的主流计算方法（宗芳 等，2009）。其中，生产法模型适用于固定职业者以工作为目的出行，收入法模型适用范围相对较广，可用于工作、非工作为目的的出行，非集计模型可研究出行者个体因素在时间价值方面的影响，计算相对较复杂。关于收入法模型的应用，李晓津等（2020）应用收入法模型，结合混合Logit算法测算了不同出行目的的乘客时间价值，根据公务出行、休闲出行、求学出行3类旅客时间价值为基础定制了空铁联运的价格。吴焕等（2019）基于居民出行时间价值进行SP调查，采用收入法模型验证了多项Logit所计算的是否拥有小汽车和不同出行目的的时间价值。Jawaher等（2023）运用荟萃分析方法探寻乘客出行时间价值与收入之间的关系，在一定程度上剖析了收入法模型计算乘客出行时间价值的内在逻辑与规律。综上，既往文献中关于出行时间成本的相关研究主要围绕不同的计算模型对乘客的时间成本进行客观评价，以优化公交线路选择及乘客体验为目的，鲜有文献从公交换乘时间成本入手研究换乘优惠政策可提供的经济价值和实施情况。
从换乘时间成本的角度研究客流分类，能细致评判客流出行特征，掌握乘客出行时间及需求，衡量公交系统运行效率，制定精细的公交服务。关于客流分类，He等（2018）通过分析公交刷卡数据中客户出行时间的连续记录，构建时间序列模型，最终将客流出行时间进行分类，基于分类结果调整公交运行时间，提高运行效率。Cui等（2014）运用模糊综合评价模型，基于周乘车频率、出行时间、出行路线和交易量将客流分为6类，并筛选出4类最具通勤特征的客流以用于后续制定公交政策。杨杰（2021）提取公交客流的出行规律、出行习惯与偏好，运用K-means++算法 1将公交乘客分为5类。随着大数据在公共交通领域应用的逐渐深入，很多学者挖掘了公交刷卡数据的实用价值。孙世超（2018）基于宏微观数据嵌套和问卷调查方法，将公交刷卡数据与问卷调查数据相链接，采用“公交使用强度+公交使用连续性”指标，实现了公交用户分类。Liu等（2021）利用智能刷卡数据评估老年人公共交通使用的季节性和日常变化，并分析年龄和生活环境在出行模式变异中的作用，对制定老年友好型公共交通政策和服务提供参考。Caio等（2021）使用智能卡数据挖掘技术，研究巴西圣保罗不稳定定居点地区居民的城市交通出行模式，采用k-means算法将乘客区分为不同类型，揭示了智能数据挖掘在探究就业时空模式方面的潜力。现有根据公交刷卡数据对客流进行分类的研究基本局限于以客流出行特征为主要对象，采用不同方法最终实现客流细分，但少有文献运用公交IC刷卡数据将换乘优惠政策与换乘时间成本相关联进行客流分类。而Ripper分类方法是使用一组“if-then”的规则来对记录的数据进行分类的技术，最初由Cohen（1995）提出，广泛应用于各领域。如曹彦珍等（2017）利用Ripper算法挖掘网络流量属性特征和类别间的关系，并基于此进行网络流量分类，且证实该方法在网络流量分类中具有较高的准确度。栾琨等（2016）基于Ripper算法建立出行路径搜索模型和决策模型，用于有效描述客流的出行路径选择行为，完整复制出客流的出行路径选择规则。
因此，本文拟根据厦门市公交IC刷卡数据筛选换乘优惠政策实施1个月内厦门市发生换乘的客流，引入收入法模型客观评估乘客换乘时间的经济价值，对比政策优惠幅度；针对换乘优惠政策，提出一种基于换乘时间成本的客流分类方式，运用Ripper分类方法基于优惠政策和时间成本进行客流细分，扩充客流分类方法；并结合公交站点、线网、交通小区、OD点密度、通勤与非通勤的空间分布，表征不同类别客流的分布特征，直观反映客流的空间分布规律。以期为政策和空间的优化策略提供参考。

1 研究背景与数据来源

1.1　地区及政策概况

本研究区域为福建省厦门市，辖区陆域面积1 651.98 km2，常住人口516.39万人。厦门市公交线网覆盖密度达到4.75 km/km2，高于国家“公交都市”建设标准，常规公交线路417条，BRT线路8条，地铁线路3条，组成以轨道、BRT交通为骨架，常规公交为主体的公共交通体系（图1）。
图1 厦门市公共交通线网及站点

注：该图基于福建省标准地图服务网站下载的审图号闽S [2023]181号的标准地图制作，底图无修改。

Fig.1 Xiamen public transportation network

客流分类主要依据厦门市自2019-12-01起开始实施的换乘优惠政策，优惠对象限于使用厦门市发行的普通e通卡和学生e通卡刷卡的乘客，使用现金以及其他已享有厦门市公共交通票价优惠的人群不纳入换乘优惠，使用电子支付的乘客暂不纳入换乘优惠。优惠范围限于常规公交上车刷卡后、轨道交通和BRT出站刷卡后60 min内，在常规公交之间、常规公交与BRT之间、常规公交与轨道交通之间、BRT与轨道交通之间实行换乘优惠（老人卡除外），轨道交通线路之间、快速公交（BRT）线路之间以及实行市场化定价的公交线路（如定制公交、旅游公交等）和城际公交线路，均不纳入换乘优惠范围。优惠幅度为普通易通卡在现行刷卡折扣的基础上再优惠0.8元，学生易通卡在现行刷卡折扣的基础上再优惠0.5元（厦门市交通运输局，2019）。

1.2　数据来源

客流的空间分布需借助公交数据进行可视化表达，使用厦门市常规公交站点及线路、BRT站点及线路、地铁站点及线路数据，剔除研究区域外的样本（包括厦门市辖区范围外和没有公交服务的鼓浪屿），将上行与下行站点进行合并处理后共获得2 212个常规公交站点，417条常规公交线路；45个BRT站点，8条BRT线路；70个地铁站点，3条地铁线路；并参考厦门市交通研究中心主导编制的《厦门市现状交通模型构建（一期）》项目成果中关于交通小区的划分方式，共获得154个交通小区。收集了厦门市2019年11月（换乘优惠政策实施前1个月内）和12月（换乘优惠政策实施1个月内）的公共交通出行客流IC刷卡数据共59 589 072条，包括厦门市常规公交、BRT及地铁的乘客出行线路编号、刷卡时间、换乘站点、换乘时间、换乘金额等。

1.3　数据预处理

本研究对象是厦门市换乘优惠政策实施前后（即2019年11、12月）发生换乘且在政策范围内的客流。将原始数据清洗后，得到11月换乘客流数据2 868 975条，12月换乘客流数据2 340 534条（表1），政策实施前后，常规公交作为持卡客流换乘的主要交通工具，承载的换乘客流均最多，11、12月换乘常规公交的客流分别为2 783 558和1 910 176人次，分别占该月换乘客流总量的97.02%和81.6%。
表1 厦门市公共交通出行各换乘方式客流情况

Table 1 Passenger flow of different transfer modes of public transport in Xiamen City

换乘方式 11月客流量/人次 12月客流量/人次
合计 2 868 975 2 340 534
常规公交自换乘 2 645 559 1 541 499
地铁换乘常规公交 0 158 027
BRT换乘常规公交 137 999 210 650
地铁换乘BRT 0 31 096
常规公交换乘BRT 85 417 175 874
常规公交换乘地铁 0 193 468
BRT换乘地铁 0 29 920

注：由于2019年11月原始公交IC刷卡数据中涉及地铁的客流换乘信息缺失，表中将此部分客流量标记为0，其他客流信息完整无误，数据缺失部分不影响本研究的相关结论，特此说明。

2 研究思路

2.1　研究流程

采用收入法模型计算刷卡数据所记录换乘时间的货币价值，评估客流换乘的时间成本，比较客流换乘时间成本与换乘优惠金额后，对换乘优惠政策实施1个月内发生换乘的客流进行分类，探寻不同类别客流的分布规律，分析各站点、线路、交通小区、OD点密度、通勤与非通勤中不同类别客流的分布，流程如图2所示。
图2 研究流程

Fig.2 Research process

2.2　客流分类方法

在公交出行的各个阶段，换乘时间作为影响权重值最高的因子，早已成为乘客选择线路的首要因素（杨明 等，2005）。换乘优惠作为鼓励公交出行的重要政策依据，减免的费用降低乘客的出行成本，在一定程度上弥补乘客换乘的时间成本。从经济层面考虑，将二者结合对客流进行分类研究，能进一步细化客流出行成本。因此，将基于换乘时间的经济价值与优惠减免的货币成本，利用Ripper分类方法对客流进行分类。
Ripper算法作为最好的规则归纳算法之一，相比传统的决策树算法，能提供更好的剪枝和停止标准，即使在有较多误差的海量数据集上，Ripper算法也能保持较高准确率（Shahrokh and Jamal, 2016; Wang et al., 2021）。其流程是将初始数据集放入Ripper分类器中，根据创建的规则筛选数据集中的要素，最后将数据集进行分类，具体算法为：
1）划分规则，将训练集带入公式条件：
U δ = s , U n ≤ μ 或 U n ≥ μ  
式中： U δ是字符型的属性； s是 U δ的一个有效值； U n是实数型的变量； μ是训练集中出现的 U n的有效值。
2）规则扩张过程。反复向规则中加入筛选条件，提高规则对数据项的覆盖面，直到规则涵盖数据集的所有项。
3）规则缩减过程。依次从规则条件中剔除最后一个条件，使函数值 s达到最大。函数 s的表达式为：
s R u l e ,   P r u n e P o s ,   P r u n e N e g = d - q d + q  
式中： R u l e为训练规则； P r u n e P o s为正例修剪集； P r u n e N e g为负例修剪集， d为裁剪集中被规则覆盖表示为确定的样本数； q为裁剪集中被规则覆盖后表示为否定的样本数。
4）重复此过程直到样本无法缩减， s达到最大为止。
划分规则的说明为：在换乘过程中，乘客需以步行或等待的时间作为代价才能享受换乘优惠，将享受优惠作为结果考虑时，即乘客在得知后程车费减免后，比较换乘时间成本与换乘优惠幅度，以衡量换乘是否值得，从而区分客流类型。以乘客整体效益最优作为出行决策依据，当换乘时间成本<换乘优惠金额时，换乘优惠政策对换乘行为有正向促进作用；当换乘时间成本>换乘优惠金额时，换乘优惠政策对换乘行为的促进作用有限。将二者的差值，作为衡量换乘优惠政策对换乘行为促进作用的衡量依据。进一步对比第二程出行费用：
①将换乘时间成本小于换乘优惠金额，且换乘刷卡金额为0元的客流称为零成本换乘客流；②将换乘时间成本小于换乘优惠金额，且换乘刷卡金额＞0元的客流称为额外费用成本客流；③将换乘时间成本大于换乘优惠金额，且换乘刷卡金额为0元的客流称为额外时间成本客流；④将换乘时间成本大于换乘优惠金额，且换乘刷卡金额＞0元的客流称为额外时间成本+费用成本客流，分类流程如图3所示。
图3 客流分类流程

Fig.3 Passenger flow classification process

2.3　时间成本计算方法

2.3.1　出行目的识别

不同出行目的将直接影响乘客换乘的时间成本，从而影响乘客的出行决策行为（宗刚 等，2020），因此，辨别出行目的成为区分客流通勤、非通勤出行的关键（彭飞 等，2021）。首先，统计客流刷卡时间在高峰时段（T 06:00—10:00、17:00—20:00）与平峰时段作为客流通勤出行的判别依据之一。其次，根据刷卡数据中提取的乘客出行链，结合客流乘车时间、起讫点等因素综合识别通勤出行和非通勤出行。由于刷卡数据的目的地仅能具体到公交站点，因而采取以下流程对通勤地站点进行识别：
对于出行时间较规律的客流，即在1个月内通勤日早晚高峰时段出行起讫点呈高频相似性的公交用户，将用户1个月内早高峰的到达站点和晚高峰的出发站点作为潜在通勤地站点 a 1， a 2… a i，判别式为：
S 1 = a 1 , a 2 … a i  
式中： S 1表示出行时间规律的潜在通勤地站点集合； a i表示刷卡用户中有明显通勤特征的潜在通勤地站点。
对于出行时间不规律的客流，选取通勤日早高峰时段的出发站点和晚高峰时段的到达站点作为潜在通勤地站点 b 1， b 2… b i，判别式为：
S 2 = b 1 , b 2 … b i
式中： S 2表示出行时间不规律的潜在通勤地站点集合； b i表示刷卡用户中没有明显通勤特征的潜在通勤地站点。
将这些潜在通勤地站点进行精细化筛选：汇总一个月内这些潜在通勤地站点中出现频率最高的站点形成2个高概率通勤地站点集合 S 1、 S 2，这2个集合将作为最终筛选高准确度通勤地站点的数据基础。其原理为：当2个高概率通勤地集合的元素重合时，即存在某一站点既出现在集合 S 1中，也出现在集合 S 2中时，这个站点就越有可能成为高概率通勤地站点，越能表征客流出行目的为通勤出行。判别式如下：
S 3 = S 1 ⋂ S 2 = c 1 , c 2 … c i
式中： S 3表示高概率通勤地站点集合； c i表示高概率通勤地站点。
根据以上流程，本研究客流通勤属性如表2所示，属性值为0表示非通勤出行，值为1表示通勤出行。
表2 客流通勤属性样例

Table 2 Sample commuter attributes of passenger flow

IC卡编号 上车时间/s 通勤属性
12437*** 45 892 0
10995*** 61 845 1
11444*** 61 913 1
17279*** 53 147 0
20964*** 26 725 1
17262*** 22 124 0

注：上车时间是按照秒计时来代表一天中的时刻，例如：45 892 s代表的是12.75 h，约为中午T 12:44；61 845 s代表的是17.18 h，约为下午T 17:10。

2.3.2　收入法模型

收入法模型通过所有出行者的平均收入计算时间的经济价值，适用范围广，可操作性强，能基于刷卡数据得到客观的结果，更加符合实际情况。收入法模型表达式为：
V 0 = f α , φ = α × φ
式中： V 0指出行时单位时间内车内时间的货币值（元/h）； φ指小时工资率（元/h），根据厦门市2019年人均国内生产总值， φ取13.6元/h； α指出行时间的利用系数，与出行目的、出行方式等有关。关于 α，世界银行（Gwilliam, 1997）给出相关推荐值：通勤、商务出行时 α取1.33，非通勤出行时 α取0.3。
之后，以出行时间成本 V 0为基准，世界银行给出车外时间：等待时间和步行时间成本推荐值，均为1.5倍的车内时间成本，如式（7）所示：
V w a l k = V w a i t = 1.5 × V 0
最后，基于刷卡数据记录的换乘时间，将模型进行应用，得到式（8）：
P V = 1.5 ×   V 0 × t i
式中： P V为客流的换乘时间成本（元）；   t i为换乘时间（h）。

3 客流分类及空间分布

3.1　政策实施效果

统计2019年11、12月换乘优惠政策范围内各交通方式的换乘客流（图4），总体上，在换乘优惠政策实施前，换乘常规公交的客流量最多，占该月IC刷卡换乘总量的97.02%，可见常规公交是乘客换乘的主要交通工具，且换乘行为基本发生在常规公交之间。其次，换乘BRT的客流量极少，仅占该月IC刷卡换乘总量的2.98%，且前程均乘坐常规公交。值得注意的是，没有客流换乘地铁或搭乘地铁换乘其他交通工具。换乘优惠实施后，换乘常规公交的客流量仍然最多，但相比优惠政策实施前有所降低（客流量占该月IC刷卡换乘总量的81.6%），可见政策实施后常规公交依然作为客流换乘的主要交通工具。其次，换乘BRT的客流量较少，占该月IC刷卡换乘总量的8.84%。换乘地铁的客流较换乘BRT多，占该月IC刷卡换乘总量的9.55%，对比可知，常规公交自换乘的客流较政策实施前同比下降41.73%，但换乘其他交通方式的客流均有所增加，如：常规公交与地铁的互换乘、BRT与地铁的互换乘均实现换乘零突破，其中常规公交与地铁的互换乘增幅显著，而BRT与地铁的互换乘增幅较小。
图4 政策实施前后换乘客流量（a）及平均换乘金额（b）变化情况

Fig.4 Changes in transfer passenger volume (a) and transfer amount (b) before and after the implementation of the policy

从各交通方式的换乘金额看，由于11月涉及地铁的换乘客流量均为0，因而主要讨论常规公交之间、常规公交与BRT的互换乘。总体上，常规公交换乘常规公交、BRT换乘常规公交、常规公交换乘BRT的平均换乘金额分别由0.51、0.59、0.85降至0.15、0.09、0.2元。换乘优惠政策实施后，乘客的换乘金额顺应政策引导均有所降低。
换乘优惠政策实施前及实施1个月内，从政策实施前后换乘客流变化情况看，常规公交依然作为客流换乘的首选，承载了超过8成的客流换乘，结合换乘BRT和地铁的客流看，优惠政策在一定程度上实现客流的换乘转移，即从集中换乘运输效率相对较低的常规公交向更高效率，更大载量的BRT和地铁转移，有效地提高了换乘出行的公共交通运行效率，改善了公共交通出行结构，丰富了乘客的换乘选择。从政策实施前后平均换乘金额变化看，优惠政策降低了乘客的平均换乘金额，节约了客流换乘的经济成本，整体实施效果较好。

3.2　客流分类结果

通过收入法模型计算通勤、非通勤客流的换乘时间成本（表3），从客流出行目的看，通勤、非通勤出行的客流占比有明显差异，分别占换乘总量的37.4%和62.6%，换乘主要集中于非通勤出行的客流，因为换乘本身是一种耗时耗距的行为，但伴随着换乘优惠政策的实施，非通勤出行的客流不会被规定时间限制，因此更多乘客选择换乘；而对于受固定上班时间限制的通勤出行客流而言，尽量减少换乘从而降低通勤时耗十分必要。从换乘金额看，2/3的客流在优惠政策的影响下实现免费换乘，且在免费换乘的客流中，换乘常规公交的客流占99.6%，这主要是由于不同交通方式基础票价的差异，刷一卡通乘坐常规公交的基础票价在政策减免范围内，免费换乘较为普遍。值得注意的是，当换乘金额为0时，无论通勤、非通勤出行，换乘BRT或地铁的客流都极少甚至没有，这是由于换乘BRT和地铁的基础票价均高于政策所减免的金额，很难甚至无法实现免费换乘。从换乘方式看，换乘常规公交的客流在各分类情况下都是最多的，但其所对应消耗的换乘时间成本也最高，这意味着客流换乘时更偏向于乘坐常规公交，但换乘常规公交相比换乘BRT和地铁需花费更多时间成本。总体上，由于时间利用系数的差异，通勤出行的客流无论换乘什么类型的交通工具，都需承担更多的换乘时间成本。
表3 换乘时间成本计算结果

Table 3 Calculation results of transfer time value

出行目的 换乘金额/元 换乘方式 客流量/人次 平均换乘时间成本/元

通勤

出行

 =0 常规公交 580 677 3.60
BRT 3 207 5.17
地铁 0 —
>0 常规公交 119 020 4.96
BRT 88 242 3.80
地铁 84 232 3.61

非通勤

出行

 =0 常规公交 996 018 0.99
BRT 8 249 1.13
地铁 0 —
>0 常规公交 214 461 1.27
BRT 107 272 1.12
地铁 139 156 0.97
4种类型客流的出行目的和换乘方式占比如图5所示。从换乘量看（图5-a），4种类型的客流量为：承担换乘额外时间成本客流>换乘零成本客流>额外时间和费用成本客流>额外费用成本客流。从出行目的看（图5-b），换乘零成本和承担额外费用成本的客流占比十分接近，均以非通勤出行为主，而承担额外时间成本、额外时间+费用成本的客流占比十分接近，均以通勤出行为主。从各类客流的换乘方式看（图5-c），承担零成本和额外时间成本的客流基本都发生在换乘常规公交时，主要原因是常规公交到站时间较长，且到站时间通常不固定，当换乘时间较短，换乘时间成本小于或等于换乘优惠金额时，即可实现零成本换乘，大于则需承担额外时间成本。承担额外费用成本的客流3种交通换乘方式均有发生，且客流占比接近，换乘地铁的客流占比略高，主要是由于地铁虽然换乘时间较短，但换乘基础金额较高，产生额外费用。承担额外时间+费用成本的客流集中于换乘常规公交，这意味着存在一部分常规公交线路运行效率较低，且换乘仍需支付额外费用，这些线路中换乘客流量最多的5条分别是753路、750路、650路、953路、957路。
图5 各类型客流占比情况（a. 换乘量；b. 出行目的；c. 换乘方式）

Fig.5 The proportion of various types of passenger flow (a. transfer volume; b. travel purpose; c. transfer mode)

3.3　空间分布特征

3.3.1　站点

分别提取4种类型客流的经纬度坐标与换乘站点进行空间耦合，采用自然间断法将各站点不同客流类型的客流量分为低、较低、中、较高、高5类，以探讨不同客流类型在各站点的空间分布规律（图6）。从站点客流量分布看，4种客流类型中，客流密度高于中等水平的站点均集中于岛内，岛外各站点的客流密度处于较低水平。从各类型客流密度看，换乘零成本客流高密度站点共有2个，分别是岳阳小区站和莲坂北站，其中岳阳小区站客流量最多，达29 274人次。承担额外费用成本客流高密度站点共有4个，分别是乌石浦站、文灶站、园博苑站和镇海路站，其中乌石浦站聚集大量客流，达14 485人次。承担额外时间成本客流高密度站点共有9个，分别是梧村车站、岳阳小区站、莲坂北站、SM城市广场站、金山站、前埔南区站、国贸新城站、杏北建行站和市行政服务中心站，与换乘零成本客流相同，岳阳小区站聚集最多承担额外时间成本的客流，达26 276人次，其原因在于岳阳小区站是岛内大型换乘站点之一，在该站点换乘的客流共62 561人次，免费换乘率达88.8%，但由于换乘时间成本的影响，39.1%的客流需承担额外时间成本。同时，承担额外时间+费用成本客流的高密度站点与承担额外费用成本客流的高密度站点一致，说明在这些站点换乘的客流，换乘优惠政策减免的费用有限，产生额外的刷卡费用，且由于换乘时间长短有差别，换乘时间较短的客流只需承担额外费用成本，换乘时间较长的客流需承担额外时间+费用成本。
图6 客流分类-站点耦合结果

Fig.6 Passenger flow classification-site coupling results

3.3.2　线路

将不同类型客流与各线路空间数据相耦合，采用自然间断法表征各线路不同客流类型的换乘量。由图7可知：4种客流类型中，换乘量高于中等水平的线路均集中于岛内，岛外各线路的换乘量处于较低、低水平。具体地，换乘零成本客流所换乘的线路中，客流密度处于高水平的线路共有2条，分别是24路和109路，其中换乘24路的客流量最多，达16 230人次。承担额外费用成本客流与额外时间、费用成本客流所换乘的线路中，客流密度处于高水平的线路均为地铁线路，说明在优惠政策实施后，换乘地铁轨道的客流仍需支付额外的换乘费用，且伴随换乘时间的影响，部分客流还需承担额外的时间成本。承担额外时间成本客流所换乘的公交线路中，客流密度处于高水平的线路共有5条，分别是18路、24路、109路、123路、127路，与换乘零成本客流类型一致，该类客流换乘24路的客流量最多，达18 559人次。24路作为岛内最早开通的线路之一，其线路走向为六中东渡校区―高林西公交场站，线路横向贯穿厦门岛东西向，途经岛内大型换乘站点——岳阳小区站，承载大量客流，政策实施1个月内，0元换乘24路的客流达34 789人次，占24路换乘总量的87.2%，其中承担额外换乘时间成本的客流占比43.9%，换乘零成本客流占比43.3%。
图7 客流分类-线路耦合结果

Fig.7 Passenger flow classification-line coupling results

3.3.3　交通小区

不同类型客流与交通小区相耦合后，采用自然间断法表征各交通小区不同客流类型的客流密度。如图8所示，4种类型客流中，客流密度高值区岛内居多，岛外各交通小区除集美学村片区、厦门北站片区、同安中心片区、海沧石塘村片区客流密度呈中等或以上水平外，其他区域均为较低、低水平。细化看：换乘零成本的客流中，客流高水平聚集的交通小区共2个，均位于岛内思明区，主要沿仙岳路分布，这是由于这2个片区靠近岛内大型换乘站点——岳阳小区站，绝大部分客流从海沧区进入岛内在此换乘常规公交，产生大量零成本换乘的客流，岛外除杏林村、杏滨片区外其他交通小区的客流均呈较低、低水平聚集。承担额外费用成本的客流中，客流较高、高水平聚集的交通小区共5个，主要沿轨道一号线分布：镇海路、文灶、乌石浦、塘边、园博苑地铁站点附近交通小区的客流均呈高水平聚集，客流中高水平聚集的交通小区主要沿BRT分布，且沿BRT3号线的交通小区客流均呈较高水平聚集，这是由于换乘地铁或BRT时，优惠政策仅能减免一小部分换乘费用，乘客需支付额外金额进行换乘。承担额外时间成本的客流中，客流较高、高水平聚集的交通小区共有13个，主要分布于岛内地铁及BRT沿线部分站点，意味着前程为地铁或BRT，后程为常规公交的客流换乘时，均实现免费换乘，但由于常规公交候车时间的不稳定性，换乘客流往往需承担更多时间成本。换乘承担额外时间+费用成本的客流中，客流高水平聚集的交通小区共有2个，主要分布于中山路历史文化街区、吕厝－乌石浦片区，岛外客流除杏林片区呈较
图8 客流分类-交通小区耦合结果

Fig.8 Passenger flow classification-traffic district coupling results

高水平聚集外，其他片区为中等偏低水平。

3.3.4　OD点密度

为进一步探寻不同类型客流的空间分布规律，分析各类客流的OD变化。如图9所示，换乘零成本和额外时间成本客流的OD分布类似，基本以轨道一号线和BRT站点为出发点，乘坐常规公交后继续换乘常规公交到达目的地，且换乘时大多需承担额外的时间成本；换乘额外费用成本和额外时间+费用成本客流的OD分布类似，且与前述2种类型客流的OD分布正好相反，均是以轨道和BRT站点作为目的地，乘坐常规公交换乘轨道或BRT到达目的地，这些客流需花费更多换乘费用，2种客流的差异主要由于一部分前程乘坐常规公交换乘地铁或BRT时候车时间较短，仅花费了额外费用进行换乘，另一部分乘客候车时间较长，在换乘过程中耗费更长时间，附加更多时间成本，且从覆盖面看，换乘额外时间+费用成本的客流分布最广，表明绝大部分常规公交换乘轨道或BRT的客流需负担更多出行成本。
图9 客流OD点密度变化情况

Fig.9 The change of OD point density of passenger flow

3.3.5　通勤与非通勤

不同类型客流通勤与非通勤出行的OD对在空间分布上有明显差异。如图10所示，总体来看，通勤时各类客流的客流量较少，客流活动范围较小，跨距较短，跨岛客流相对较少，非通勤时客流量多，且呈较明显的跨岛趋势，跨距普遍较长。具体地，对于零成本换乘的客流，通勤出行时，以岛内开禾路口站、县后站为起点出行的客流最多，分别为925、580人次；非通勤出行时，以岛内前埔枢纽站、金山站、开禾路口站为起点出行的客流最多，分别为0.3万、0.25万、0.13万人次。零成本换乘的客流大多出现在非通勤出行时，且无论通勤与否，该类客流中存在相当一部分客流量聚集在以开禾路口站为起点的出行中。对于额外时间成本换乘的客流，通勤出行时，以岛内金山站、前埔枢纽站为起点出行的客流最多，分别为0.3万、0.23万人次；非通勤出行时，以岛内商检站为起点，湖明丽景站为终点的客流量最多，达0.85万人次。额外时间成本换乘的客流类型中，相比非通勤客流的较长跨距，通勤客流大多以岛内短距离出行为主，并出现了相当一部分客流由厦门岛出发向翔安区出行的情况。对于额外费用成本换乘的客流，通勤出行时，以岛外翔安区翔安肖厝站为起点，岛内软件园西门站为终点的客流量最多，达347人次；非通勤出行时，以岛外宁宝花园站为起点，岛内湖滨东路为终点的客流量最多，达0.65万人次。额外费用成本换乘的客流中，通勤客流显著少于非通勤客流，且无论通勤与否，客流量较多的OD对基本以跨岛出行为主。对于额外时间+费用成本换乘的客流，通勤出行时，以岛外集美区宁宝花园站为起点，岛内乌石浦为终点的客流量最多，达0.41万人次；非通勤出行时，以岛内大湖站为起点，莲坂站为终点的客流量最多，达0.14万人次。额外时间+费用成本换乘的客流中，通勤客流比非通勤客流多，且空间分布情况与额外费用成本客流类似，客流量较多的OD对主要以跨岛客流为主，这在非通勤出行时尤为明显，且大多以岛外站点为起点，岛内中部、西南部站点为终点搭乘公交出行。
图10 不同类型客流通勤/非通勤OD对分布情况

Fig.10 Distribution of commuting / non-commuting OD pairs of different types of passenger flow

3.4　结果分析与优化策略

政策实施后，在一定范围内产生零成本换乘的客流，这些客流大多发生在后程是常规公交的换乘中，政策抵消了出行成本，但在所有换乘行为中，75.6%的乘客依旧需承担超过优惠政策减免额度的额外时间或费用。此外，承担额外时间成本的客流显著多于其他类型客流，在一定程度上表明岛内承载更多公交客流，但公交接驳效率较低。从不同类型客流的空间特征看，站点层面，以岳阳小区为中心的区域聚集了大量不同类型的客流，地铁2号线开通（2019-12-25开通）前，由海沧区进入厦门岛只能乘坐常规公交或私人交通工具跨岛出行，客流在抵达岳阳小区站后换乘其他公交线路，这使得岳阳小区站成为联系海沧区与思明区的重要公共交通换乘枢纽；线路层面，以24路为主聚集了大量不同类型的客流，24路作为岛内较早开通的常规公交线路之一，横向贯穿厦门岛东西向，且途经岛内大型换乘站点——岳阳小区站，在地铁2号线开通前，24路成为联系厦门岛东西向的重要公交线路；交通小区层面，以地铁及岛内BRT线路周边的交通小区聚集大量不同类型客流，地铁及BRT具有强大的客流吸引力，大部分客流前程乘坐常规公交抵达靠近地铁及BRT线路周边交通小区的常规公交站点，再步行前往换乘；OD点密度层面，以轨道一号线各站点和BRT各站点作为起点或讫点，聚集大量换乘客流，换乘常规公交的客流需承担更多换乘时间成本，换乘轨道或BRT的客流需承担更多的换乘费用；通勤与非通勤主要呈2种分布规律：通勤时各类客流的活动范围较小，跨距较短，跨岛客流相对较少，非通勤时客流呈较明显的跨岛趋势，且跨距普遍较长。此外，通勤出行时，换乘时间具有更高的经济价值，乘客高峰耗费的时间成本往往是平峰时段的3~4倍，虽然通勤出行的换乘客流仅占总换乘客流的1/3，但换乘时耗是通勤出行时需考虑的重要影响因素之一，一方面乘客需承担物理意义上由于时间消耗带来的经济损失，另一方面需承担规定时间内到达通勤地点的心理负担，因此高峰时段选择换乘的客流占比较低。
综上，减少换乘候车时间或弥补乘客的换乘时间成本对于提高公交服务水平，完善乘客出行体验十分有必要。可从空间和政策2个层面进行优化：
1）空间层面，结合站点、线路、交通小区、OD分布的主要问题，从减少客流换乘时间入手（图11）：①从站点出发，考虑增设跨岛综合公交枢纽，多点布局，协同服务，疏解现状客流大量聚集站点；②从线路出发，考虑提高客流密度较高的常规公交发车频率，减少乘客候车时间，降低换乘时间成本；③从交通小区出发，考虑延长公交线路，增加交通小区周边公交站点及共享单车、电动车设施点，提高接驳率，打造“门到门”服务；④根据OD点密度和通勤、非通勤OD对分布，设置地铁、BRT接驳公交或沿途布设共享单车设施，减少乘客的换乘时间。
图11 空间层面优化策略

Fig.11 Spatial optimization strategy

2）政策层面，在公交设施建成环境及运行规则相对完善的基础上，优化现行换乘优惠政策，以弥补客流由于换乘而损失的时间成本：①对于承担额外时间成本的客流中需频繁换乘的常乘客，可根据累计换乘天数，按照梯度进行补贴；②对于承担额外费用成本且起讫点单一的客流，可考虑发行一票制月卡，即在一个月内频繁往返两地可享受任意多次的免费换乘，不再支付额外的换乘费用；③对于换乘额外时间+费用成本的客流，即前程是常规公交，后程是地铁的换乘，由于地铁的运行成本较高，可考虑在原有优惠的基础上，进行差额优惠，即按照前程票价给予优惠，或者前程免费。

4 结论与展望

本研究以厦门市2019年12月换乘优惠政策实施一个月内的客流刷卡数据为基础，利用收入法模型分析客流的换乘时间成本，对比换乘优惠幅度与换乘时间成本进行客流分类，将发生换乘的客流划分为4种类型：换乘零成本客流、换乘额外费用成本客流、换乘额外时间成本客流、换乘额外时间+费用成本客流，并将4种类型客流与站点、线路、交通小区、OD点密度、通勤与非通勤空间数据相耦合，表征不同类型客流的空间分布：站点以岳阳小区为中心的区域聚集大量不同类型的客流；线路以24路为主聚集大量不同类型的客流；交通小区以地铁及岛内BRT线路周边的交通小区聚集大量不同类型客流；OD点密度以轨道一号线各站点和BRT各站点作为起点或讫点，聚集大量换乘客流；通勤时各类客流的活动范围较小，跨距较短，跨岛客流相对较少，非通勤时客流呈较明显的跨岛趋势，且跨距普遍较长。本研究剖析厦门市公共交通服务水平和换乘优惠政策实施情况，针对现行公共交通空间布局和政策问题提出相关优化策略，为进一步提升公交用户体验，降低乘客出行成本，制定科学有效的换乘优惠政策提供依据。
本文将换乘优惠政策和换乘时间成本相关联作为划分客流类型的依据，为衡量公交换乘优惠政策的有效性提供新思路，扩充了公共交通出行的客流分类方法。此外，本文还存在一些不足，如对于客流的换乘时间成本，局限于刷卡数据客观记录的换乘时间，未能考虑乘客对于换乘时间的主观感受，即换乘对于乘客而言是负面的，乘客心理负担、疲劳感与公交拥挤度、换乘时间和次数成正比，从而造成换乘时乘客感知的时间往往更长，国内外学者将其定义为换乘惩罚（陈坚 等，2017；Andres et al., 2018），量化换乘惩罚可进一步评估客流在物理环境中换乘时的心理感知，直观反映出行体验。因此，未来需细化乘客换乘过程的整体损耗，考虑加入换乘环境、公交拥挤度、步行距离、换乘便利度等影响乘客心理感知的因素，以综合评估客流的换乘时间成本。

1 K-means++算法是一种以K-means聚类算法为基础的改进算法，其主要在初始化簇中心的方式上做了改进，其他地方同K-means聚类算法一致（Abiodun et al., 2023）。

刘佳林：论文撰写与修改、数据处理、图件与表格绘制；

高悦尔：论文框架、研究思路及方法指导、论文审阅；

齐瑞臻：数据处理提供支持，提出修改意见。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Abiodun M Ikotun, Absalom E Ezugwu, Laith Abualigah, Belal Abuhaija, and Jia Heming. 2023. K-Means Clustering Algorithms: A Comprehensive Review, Variants Analysis, and Advances in the Era of Big Data. Information Sciences, 622(Apr): 178-210.

Andres Garcia-Martinez, Rocio Cascajo, Sergio R Jara-Diaz, Subeh Chowdhury, and Andres Monzon. 2018. Transfer Penalties in Multimodal Public Transport Networks. Transportation Research Part a-Policy and Practice, 114(A): 52-66.

Caio Pieroni, Mariana Giannotti, Bianca B Alves, and Renato Arbex. 2021. Big Data for Big Issues: Revealing Travel Patterns of Low-Income Population Based on Smart Card Data Mining in a Global South Unequal City. Journal of Transport Geography, 96(Oct): 03203.

Akhilesh Chepuri, Shriniwas Shrikant Arkatkar, Gaurang Joshi, and Srinivas S Pulugurtha. 2021. Assessing Value of Bus Transit Passenger's Travel Time and Savings. A Case Study of Mumbai, India. Rivista Internazionale di Economia dei Transporti / International Journal of Transport Economics, 47(3): 255-272.

Cohen William W.. 1995. Fast Effective Rule Induction. In: Armand Prieditis, and Stuart Russel. Proceedings of the Twelfth International Conference on Machine Learning. California: Morgan Kaufmann, 115-123.

Cui Chengliang, Zhao Yali, and Duan Zhengyu. 2014. Research on the Stability of Public Transit Passenger Travel Behavior Based on Smart Card Data. In: Ma Jianming, Yin Yafeng, Huang Helai, and Pan Difu. Cota International Conference of Transportation Professionals. Changsha: American Society of Civil Engineers, 1318-1326.

曹彦珍，何云斌，朱素霞，孙广路. 2017. 基于RIPPER的网络流量分类方法. 哈尔滨理工大学学报，22（5）：85-90.

Cao Yanzhen, He Yunbin, Zhu Suxia, and Sun Guanglu. 2017. Network Flow Classification Methodrule-Based. Journal of Harbin University of Science and Technology, 22(5): 85-90.

陈坚，王曼，李和平，段力伟. 2017. 城市轨道交通网络乘客换乘路径选择行为模型. 交通运输系统工程与信息，17（6）：235-241.

Chen Jian, Wang Man, Li Heping, and Duan Liwei. 2017. Choice Behavior of Passenger Transfer Route for Urban RailTransit Network. Journal of Transportation Systems Engineering and Information Technology, 17(6): 235-241.

Gwilliam K M. 1997. The Value of Time in Economic Evaluation of Transport Projects. (2013-10-08) [2023-10-15]. http://documents.worldbank.org/curated/en/759371468153286766/The-value-of-time-in-economic-evaluation-of-transport-projects.

He Li, Bruno Agard, and Martin Trépanier. 2018. A Classification of Public Transit Users with Smart Card Data Based on Time Series Distance Metrics and a Hierarchical Clustering Method. Transportmetrica A: Transport Science, 16(1): 56-75.

Hélène Bouscasse and Matthieu de Lapparent. 2019. Perceived Comfort and Values of Travel Time Savings in the Rhone-Alpes Region. Transportation Research Part a-Policy and Practice, 124(Jun): 370-387.

Hong Soung-Pyo. 2022. An Empirical Study on the Relationship between Headway of Inter-Region Public Transport and Waiting Time. Journal of Transport Research, 29(1): 1-10.

Jawaher Binsuwadan, Mark Wardman, Gerard de Jong, Richard Batley, and Phill Wheat. 2023. The Income Elasticity of the Value of Travel Time Savings: A Meta-Analysis. Transport Policy, 136(Jun): 126-136.

Liu Shasha, Yamamoto Toshiyuki, Yao Enjian, and Nakamura Toshiyuki. 2021. Examining Public Transport Usage by Older Adults with Smart Card Data: A Longitudinal Study in Japan. Journal of Transport Geography, 93(May): 103046.

Liu Yue, Chen Jun, Wu Weiguang, and Ye Jiao. 2019. Typical Combined Travel Mode Choice Utility Model in Multimodal Transportation Network. Sustainability, 11(2): 549.

李晓津，史晨钰，李烁烁. 2020. 我国航空与铁路联运定价策略研究——基于旅客时间价值的测算分析. 价格理论与实践，（8）：128-131.

Li Xiaojin, Shi Chenyu, and Li Shuoshuo. 2020. Research on the Pricing Strategy of My Country's Air and Railway Combined Transport. Price: Theory & Prctice, (8): 128-131.

栾琨，隽志才. 2016. 基于RIPPER的有限理性下出行路径选择行为.中国高新技术企业，386（35）：11-12.

Luan Kun and Jun Zhicai. 2016. Travel Route Choice Behavior under Bounded Rationality Based on RIPPER. China High Technology Enterprises, 386(35): 11-12.

彭飞，宋国华，朱珊. 2021. 城市公共交通常乘客通勤出行提取方法. 交通运输系统工程与信息，21（2）：158-165.

Peng Fei, Song Guohua, and Zhu Shan. 2021. A Method for Extracting Commuting Trips of Frequent Passengers in Urban Public Transportation. Journal of Transportation Systems Engineering and Information Technology, 21(2): 158-165.

Shahrokh Asadi and Jamal Shahrabi. 2016. ACORI: A Novel ACO Algorithm for Rule Induction. Knowledge-Based Systems, 97(Apr): 175-187.

Subeh Chowdhury, Avishai (Avi) Ceder, and Bradley Schwalger. 2015. The Effects of Travel Time and Cost Savings on Commuters' Decision to Travel on Public Transport Routes Involving Transfers. Journal of Transport Geography, 43(Feb): 151-159.

孙世超. 2018. 一种基于宏微观数据嵌套的公交用户细分方法. 交通运输系统工程与信息，18（3）：108-112.

Sun Shichao. 2018. An Approach to Classify the Public Transit Users Based on Macro & Micro Nested Data. Journal of Transportation Systems Engineering and Information Technology, 18(3): 108-112.

Wang Ming, Chen Zuo, Zhang Zhiqiang, Zhu Sangzhi, and Yang Shenggang.2021. A Combination Classification method Based on Ripper and Adaboost. International Journal of Embedded Systems, 14(3): 229-238.

王明仪. 1986. 客运时间价值的定量分析. 公路交通科技，3（2）：73-78.

Wang Mingyi. 1986. Quantitative Analysis of Time Value of Passenger Transport. Journal of Highway and Transportation Research and Development, 3(2): 73-78.

吴焕，彭湖，陈梓星，庄义彬. 2019. 基于SP调查的出行时间价值估计及出行者属性影响分析. 交通与运输，35（6）：9-12.

Wu Huan, Peng Hu, Chen Zixing, and Zhuang Yibin. 2019. Estimation and Influence Analysis of Traveler Attributes for Value of Travel Time Based on SP Survey. Traffic and Transportation, 35(6): 9-12.

厦门市交通运输局. 2019. 12月1日起我市实施公共交通换乘优惠政策. （2019-11-25）[2023-10-15]. http://jt.xm.gov.cn/tzxx/zwdt/201911/t20191126_2403316.htm.

Xiamen Municipal Transportation Bureau. 2019. Since December 1，the City has Implemented Preferential Policies for Public Transport Transfer. (2019-11-25) [2023-10-15]. http://jt.xm.gov.cn/tzxx/zwdt/201911/t20191126_2403316.htm.

杨杰. 2021. 公交乘客出行规律性度量与分类研究. 西安：长安大学.

Yang Jie. 2021. A Study of Measuring Travel Regularity and Segmenting Passengers of Public Transport. Xi'an: Chang'an University.

杨明，王炜，陈学武，蒋大治. 2005. 基于GIS的城市公交出行时间链研究. 公路交通科技，21（5）：117-120.

Yang Ming, Wang Wei, Chen Xuewu, and Jiang Dazhi. 2005. Research on Transit Trip Time Chain Based on GIS Technology. Journal of Highway and Transportation Research and Development, 21(5): 117-120.

赵鹏军，万婕. 2020. 城市交通与土地利用一体化模型的理论基础与发展趋势. 地理科学，40（1）：12-21.

Zhao Pengjun and Wan Jie. 2020. The Key Technologies of Integrated Urban Transport-Land Use Model: Theory Base and Development Trends. Scientia Geographica Sinica, 40(1): 12-21.

宗芳，隽志才，张慧永，贾洪飞. 2009. 出行时间价值计算及应用研究. 交通运输系统工程与信息，9（3）：114-119.

Zong Fang, Jun Zhicai, Zhang Huiyong, and Jia Hongfei. 2009. Calculation and Application of Value of Travel Time. Journal of Transportation Systems Engineering and Information Technology, 9(3): 114-119.

宗刚，曾庆华，魏素豪. 2020. 基于时间价值的交通出行方式选择行为研究. 管理工程学报，34（3）：142-150.

Zong Gang, Zeng Qinghua, and Wei Suhao. 2020. Research on Traffic Mode Choice Behavior Based on Commuting Ravel Time Value. Journal of Industrial Engineering and Engineering Management, 34(3): 142-150.

Options
Outlines

/

〈 〉