城市地鐵運營初期的短途客流吸引特性

李洪萍，曹弋，左忠義

(1. 大連市市政設計研究院有限責任公司，遼寧 大連 116011；2. 大連交通大學 交通運輸工程學院，遼寧 大連 116028)

城市地鐵運營初期的短途客流吸引特性

李洪萍1，曹弋2，左忠義2

(1. 大連市市政設計研究院有限責任公司，遼寧 大連 116011；2. 大連交通大學 交通運輸工程學院，遼寧 大連 116028)

為了明確城市地鐵運營前后，各主要交通方式的客流分擔情況，進而準確預測地鐵運營后的客流需求，針對其客流吸引特性開展研究.以大連地鐵2號線所在黃河路路段為調查對象，分別開展地鐵運營前后，各主要交通方式的客流調查.采用數理統計方法，對比分析地鐵運營前后，小汽車、常規公交與地鐵三種交通方式的客流分擔情況.基于隨機效用理論，分別構建地鐵運營前后的交通方式選擇Logit模型，并提出模型參數標定方法.依據實際調查客流數據，對模型參數進行標定并驗證其計算結果.研究表明，本例中地鐵運營后，分別從小汽車與常規公交中吸引客流5.4%與6.4%；交通方式選擇Logit模型的計算結果與實際調查數據的差異在±5%以內.

交通工程；城市地鐵；客流吸引特性；Logit模型；客流分擔率

0 引言

隨著我國大城市交通擁堵問題的日益嚴峻，越來越多的城市規劃并建設了不同規模的地鐵系統.然而，不論哪座城市規劃何等規模的地鐵系統，都會面臨一個同樣問題,即現有的規劃方法均基于居民出行需求預測而展開[1-2].而在地鐵規劃階段，大多城市中并無地鐵運營，地鐵屬于新增交通方式.因此，難以通過實際客流調查而推算未來的地鐵需求量.面對上述問題，目前我國各大城市采用公共交通客流調查配合地鐵意向性問卷調查的方法來估算未來地鐵需求量，具有一定的不確定性[3].鑒于此，有必要通過對比分析地鐵運營前后，各主要交通方式的客流分擔率，研究地鐵的客流吸引特性，進而對未來地鐵客流需求進行合理預測.

目前，國內外學者在該領域進行了大量研究.Goh Segun等[4]借助重力模型，研究了首爾地鐵系統的客流分布狀況.研究發現，在較短的區間內，車站間客流量并不隨著站間距離的減小而增大；客流量的變化可由希爾方程描述.Sun Li-jun等[5]基于貝葉斯統計推理方法，提出了適用于復雜地鐵網的客流分配模型.該模型綜合考慮了旅客出行成本及出行時間兩大因素.Karekla Xenia等[6]研究通過減少乘客在車站的滯留時間來改善城市地鐵的服務水平，進而可吸引更多的客流.Lee Sang等[7]依據地鐵電子票務系統收集到的客流數據，針對地鐵客流在時間及空間上的非對稱性進行定量研究.國內林湛等[8]考慮乘客的乘車時間、換乘次數及換乘時間三方面因素，構造了城市地鐵網的廣義費用模型；使用路徑相對費用代替路徑絕對費用，對傳統Logit 模型進行了改進，并進行了實例驗證.黃杉等[9]同樣基于Logit 模型，研究了軌道交通銜接的方式選擇行為.鄭毅[10]對北京地鐵5號線進行乘客問卷調查，研究了乘客到離地鐵系統的方式選擇規律及客流空間分布規律.分析得出地鐵系統在規劃設計上應盡可能根據站點的吸引范圍及區域特征實現與地面交通的近距離換乘.王玉萍等[11]對城市軌道交通客流的影響因素和成長規律進行了研究.認為單條軌道交通線路的客流在初期有個緩慢的發育過程；軌道交通網絡化效應明顯；全網客運量呈穩定增長趨勢.姚智勝等[12]采用三次吸引法和客流轉移理論相結合，研究了城際軌道交通的客流轉移量的預測方法.

通過現有研究成果可以看出，國外學者在本領域的研究偏少，且大多基于實際客流調查數據分析地鐵客流的時空分布特性，而非與其他交通方式的吸引關系.國內學者側重于利用Logit方式選擇模型，定量預測軌道交通的客流分擔情況.而現有研究極少涉及軌道交通作為新增交通方式的客流吸引特性及規律研究，尚未形成適用于一般條件的客流吸引特性分析方法.鑒于上述問題，本文分別針對地鐵運營前后的主要交通方式開展客流調查，對比分析其客流吸引特性，分別構建二項及三項Logit出行方式選擇模型并提出參數標定方法.研究成果對于城市地鐵客流需求預測及規模測算具有重要的理論意義與實際應用價值.

1 客流調查

1.1 調查地點

本次調查選擇在大連地鐵2號線所在的黃河路(紅旗西路-西安路)路段開展.該路段雙向6車道，全長5.8公里，地鐵2號線共經6個地鐵站，分別為：紅旗西路、灣家、馬欄廣場、遼師、交通大學及西安路站.該路段為大連市重要的公共交通客流走廊，常規公交線路集中布置于該路段.目前共有9條常規公交線路完整或部分位于該路段，如圖1所示.此外，該路段早晚高峰的小汽車交通量也較大，居民選擇小汽車出行的比例亦不可忽視.從該路段的上述交通結構與出行特征來看，適合作為本研究的代表性調查對象.

圖1 調查路段交通結構

1.2 調查時間

為了對比分析地鐵運營前后各主要交通方式客流分擔量的變化情況，進而探究地鐵的客流吸引特性，需要針對高峰時段進行客流調查.大連地鐵2號線于2015年5月22日正式運營.故而在4月6日至9日進行地鐵運營前的常規公交及小汽車客流調查；在6月15日～18日與6月22、23日進行地鐵運營后的常規公交、小汽車及地鐵的客流調查.平均每種交通方式調查2天.調查時段選擇在早晚高峰時段，即7∶00～9∶00與16∶00～18∶00.

1.3 調查內容及方法

本次調查共涉及三大調查內容，分別是常規公交、小汽車及地鐵客流調查，具體調查方法如下：

(1)地鐵斷面客流 在每個地鐵車站的上下行站臺中，各設置1名調查員.利用地鐵到站間隔時間，人工統計站臺人數，進而得到下列車的上車人數；當列車進站后，統計該站的下車人數.另每列車設置1名隨車調查員，于調查路段起點的前一車站上車，統計初始車內人數.對調查數據進行統計可直接得到地鐵的斷面客流量.

(2)常規公交斷面客流 選擇公交客流量較大的708路與101路公交線路，分別作為全部與部分覆蓋調查路段的代表進行調查.每輛公交車設置2名調查員進行隨車調查，記錄公交車初始車內人數及每站的上下車人數.依據本線路公交車的平均發車間隔數據進行樣本擴算，可獲得本線路公交車的斷面客流量.另分別于馬欄廣場及交通大學公交站處各設置2名調查員，分線路統計本站內上車人數.故而，其他公交線路，可依據該站點的上車人數比例進行折算.

(3)小汽車斷面客流量 以調查路段沿線重要相交道路為分界點，即西部通道、富民路、西南路及西山街，將調查路段分為5小段，每小段內設置一處流量觀測斷面.每處觀測斷面均采用視頻觀測法記錄交通運行狀況，同時設置2名調查員，抽樣觀測并記錄小汽車車內人數.內業數據整理時，統計雙向小汽車流量、計算平均車內人數、計算抽樣率.通過樣本擴算，可得到小汽車斷面客流量.

2 客流分擔情況對比分析

2.1 小汽車

對每個流量觀測斷面，均統計雙向小汽車流量.在每個連續觀測時段內，按小時取平均值，可以得到該斷面平均每小時雙向斷面小汽車流量.將為期4天5個流量觀測斷面的統計結果匯總于表1.

表1 各斷面雙向小汽車流量 輛/h

分析小汽車車內人數的抽樣調查數據發現，同一時段5個斷面的平均載客人數并無明顯差異.而地鐵運營前后的平均載客人數存在一定差異.統計表明，地鐵運營前的小汽車平均載客人數為1.94人/車；運營后的這一參數為1.86人/車.利用表1數據與小汽車平均載客人數，可以推算地鐵運營前后，各斷面以小汽車方式出行的人數，如圖2所示.

圖2 運營前后的小汽車載客量

從圖2中可以看出，地鐵運營后，各流量觀測斷面的小汽車客流量均較運營前有不同程度的降低.其中斷面1與2由于地處非鬧市區，其降低幅度較小；而其余三個斷面的降低幅度已達到或超過10%.

2.2 常規公交

依據分別于地鐵2號線運營前后調查得到的708路與101路公交車高峰時段初始車內人數及各公交站的上下車人數，可以統計得到調查車輛在各車站間的平均載客人數.再結合上述兩條公交線路的高峰時段平均發車間隔，即708路為8min/輛；101路為6 min/輛，可以推算出每條公交線路高峰時段的雙向斷面客流量.將上述分析結果整理匯總于圖3.此外，選擇馬欄廣場與交通大學兩處公交客流集中的站點，觀測了乘客上下各條公交線路的人數.故而，其他公交線路的雙向斷面客流量，可由上述關鍵站點的上下車人數比例進行換算.

圖3 地鐵運營前后708路及101路公交的雙向斷面客流量

從圖3可以看出，不論是全線路覆蓋調查路段的708路公交，還是于馬欄廣場始發部分覆蓋調查路段的101路公交，在地鐵運營后的雙向斷面客流量均不同程度的低于地鐵運營后的數值.從客流量降低幅度來看，凡包含地鐵站點的公交區間，其客流量降低幅度較大，如：馬欄廣場-蘭玉街區間、遼師-交通大學區間等.

2.3 地鐵

依據地鐵運營后客流調查所得的各列車初始車內人數及各站的上下車人數，可以換算出平均每列車各站間的客流數.結合地鐵的平均到站間隔時間為10 min，可以將上述數據擴算為地鐵高峰小時雙向斷面客流量，如表2所示.

表2 高峰小時地鐵斷面客流量

3 交通方式選擇Logit模型

由調查結果可知，地鐵運營后所承擔的客流量，一部分應由運營前的常規公交及小汽車客流量轉移而來，而剩余部分應視為地鐵運營后的誘增客流量.為了更一般地解釋地鐵的客流吸引特性，并進一步應用于地鐵客流預測中，需要構建交通方式選擇模型.

3.1 地鐵運營后的三項Logit模型

Logit模型是基于隨機效用理論構建的非集計模型.應用該理論解釋出行者交通方式選擇行為，就是出行者在給定的幾種交通方式中，選擇效用最大的出行方案.依據隨機效用理論，認為某種交通方式的效用函數Ui，由固定項Vi與概率項εi兩部分組成，且二者間呈線性關系，如式(1)所示[13-14].i表示小汽車、公交及地鐵三種交通方式中的一種.

(1)

假定所有效用函數中的隨機項εi都服從同參數的二重指數分布時，可得到地鐵運營后的三項Logit模型，如式(2)～(4)所示.

(2)

(3)

(4)

式中，PCar、PBus與PSub分別為地鐵運營后，居民選擇小汽車、常規公交及地鐵出行的概率，亦可視為居民選擇上述對應交通方式出行的比例.

3.2 地鐵運營前的兩項Logit模型

鑒于地鐵運營前，居民的主要出行方式僅有小汽車與常規公交兩種方式，故而僅存在上述兩種選擇.因此同樣基于隨機效用理論，該階段的居民出行方式選擇模型應為兩項Logit模型，其基本形式如式(5)、(6)所示.

(5)

(6)

3.3 模型參數標定方法

本文以形式較為復雜的地鐵運營后三項Logit模型為例，推導其模型參數的標定方法.而形式較為簡單的兩項Logit模型的參數標定方法與之類似，但計算較為簡便，不再贅述.

將式(2) ～(4)聯立，可解得式(7)、(8).

(7)

(8)

由此可見，出行者選擇哪種交通方式出行，應由效用函數中的固定項之差來決定.它應與某種交通方式相對于地鐵的時間節省量F及費用節省量C有關且應為線性關系.故而可設其表達式如式(9)、(10)所示.

(9)

(10)

式中，Fi(min)與Ci(元)分別為采用小汽車方式或常規公交方式出行比采用地鐵出行所節省的時間及費用，其中i=1或2；αi，βi及γi均為待標定的模型參數.根據上述分析，可以得出該模型的參數標定方法及應用過程.

(1)選擇研究區域內若干出行區間段，對每個區間段，需抽樣調查居民選擇小汽車方式及公交車方式出行的比例，從而確定各區間段的PCar與PBus.

(2)對于每個區間段，測算居民選擇小汽車、公交車及地鐵出行所花費的時間及費用，進而比較得到其相對于地鐵出行的時間節省量與費用節省量，即確定Fi與Ci.

(3)將每個區間段的上述參數，代入式(9)與式(10)中，即可得到若干與區間段對應的方程組.采用多元線性回歸的方法，回歸標定方程中的αi，βi及γi參數.

(4) 將標定后的模型應用于實際，即可計算同區域其他出行路徑的小汽車、常規公交及地鐵的出行者選擇概率.

4 案例研究

4.1 Logit模型的標定

表3 二項Logit模型回歸數據

依據表3中的數據，通過二元線性回歸，可得地鐵運營前二項Logit模型的回歸參數值為：α=2.394，β=2.013，γ=-6.46.故而，地鐵運營前

出行者選擇小汽車及常規公交出行的概率可由式(11)計算.

(11)

利用地鐵運營后，小汽車、常規公交及地鐵的客流調查數據，按前述方法劃分出行區間，同樣可以標定運營后的三項Logit模型.回歸參數如表4、表5所示.需要指出，表4用于式(9)的參數回歸，其時間與費用節約，是指小汽車相對于地鐵的節約量；表5用于式(10)的參數回歸，其時間與費用節約，是指常規公交相對于地鐵的節約量.

表4 三項Logit模型式(9)回歸數據

表5 三項Logit模型式(10)回歸數據

依據表4與表5中的數據，經過兩次二元線性回歸，可得地鐵運營后三項Logit模型的回歸參數值為：α1=-0.171，β1=0.071，γ1=0.733；α2=-0.231，β2=0，γ2=0.283.由此可見，出行者在常規公交與地鐵之間的選擇上，僅取決與二者的時間差，而不考慮費用因素.故而，地鐵運營后出行者選擇小汽車、常規公交與地鐵出行的概率，需要求解如式(12)所示的二元方程組后方可確定.

(12)

4.2 客流吸引特性分析

從本例的調查數據來看，地鐵運營前，調查路段全程小汽車與常規公交所承擔的平均斷面客流量分別為4 072、4 283 人/h，二者的客流分擔率分別為48.7%與51.3%.而地鐵運營后，小汽車、常規公交與地鐵所承擔的平均斷面客流量分別為3620、3 745、1 895 人/h，三者的客流分擔率分別為39.1%，40.4%與20.5%.進一步分析可知，地鐵運營后，小汽車客流中有452 人/h，即運營前總客流的5.4%被地鐵吸引；常規公交客流中有538人/h，即運營前總客流的6.4%被地鐵吸引.而地鐵的平均斷面客流量中，除吸引原小汽車及常規公交而來的客流量外，還有905 人/h的客流，此應視為地鐵運營后的誘增客流量及由其他次要交通方式轉移而來的客流量.

4.3 結果對比

為了校核模型計算結果的可靠性，分別對地鐵運營前后各出行區間及全程路段的小汽車及常規公交出行比例的模型計算值與實際調查值進行對比.數據計算結果如圖4所示.

圖4 模型計算結果與實測數據對比

從圖4中可以看出，地鐵運營前，小汽車出行比例大致分布在45%～55%之間；公交車出行比例為1減該數值，同樣分布在該區間.地鐵運營后，小汽車與公交車的出行比例均有所減少，其差值即為地鐵吸引的客流.該圖還表明了地鐵運營前后的交通方式選擇Logit模型的計算結果與實際調查結果的差異較小，可控制在±5%以內.

5 結論

(1)地鐵運營后，原有的小汽車及常規公交承擔的客流量將不同程度的被地鐵所吸引，其吸引比例及吸引量可由交通方式選擇Logit模型計算確定；

(2)交通方式選擇Logit模型，需依據實際客流調查數據進行參數標定后方可應用，其計算值與實測值的差異較小；

本次地鐵運營后的客流調查是在其通車后不久進行的，地鐵客流方處于培育期，故而其承擔的客流總量不大，對運營前小汽車與常規公交客流的吸引量較小.該問題應在后續研究中進一步深入探討.

[1]馬超群, 陳寬民, 王玉萍. 城市軌道交通客流預測方法[J]. 長安大學學報，2010, 30(5):69-74.

[2]四兵鋒, 何九冉,任華玲，等. 基于時序特征的城市軌道交通客流預測[J]. 北京交通大學學報，2014, 38(3): 1- 6.

[3]謝靜.城市軌道交通首期開通客流預測方法研究[D].西安：西南交通大學，2012.

[4]GOH SEGUN, LEE KEUMSOOK ， PARK JONG SOO， et al. Modification of the gravity model and application to the metropolitan Seoul subway system [J]. Physical Review E-Statistical, Nonlinear, and Soft Matter Physics，2012,86(2):51-62.

[5]SUN LI-JUN, LU YANG, JIN JIAN-GANG，et al. An integrated Bayesian approach for passenger flow assignment in metro networks[J]. Transportation Research Part C: Emerging Technologies， 2015,52: 116-131.

[6]KAREKLA XENIA, TYLER NICK. Reduced dwell times resulting from train-platform improvements: The costs and benefits of improving passenger accessibility to metro trains[J]. Transportation Planning and Technology， 2012,35(5): 525-543.

[7]LEE SANG, HICKMAN MARK. Are transit trips symmetrical in time and space [J]. Transportation Research Record， 2013，2382: 173-180.

[8]林湛, 蔣明青, 劉劍鋒，等.城市軌道交通客流分配的改進Logit 模型及方法[J].交通運輸系統工程與信息，2012,12(6): 145-151.

[9]黃杉, 關宏志, 嚴海.軌道交通銜接方式選擇行為研究—以北京市軌道交通為例[J]. 土木工程學報，2009,42(7): 126-130.

[10]鄭毅. 北京市軌道交通乘客出行方式選擇分析[J]. 交通運輸系統工程與信息， 2011,11(3): 163-168.

[11]王玉萍, 馬超群.城市軌道交通客運量影響因素與成長規律[J]. 長安大學學報， 2013,33(3): 69-75.

[12]姚智勝, 董春嬌, 熊志華. 城際軌道交通轉移客流量預測方法研究[J]. 交通運輸系統工程與信息，2012,12(1): 119-123.

[13]KORYAGIN MARK, DEKINA ALEXANDRA. Optimization of the road capacity and the public transportation frequency which are based on logit-model of travel mode choice[J]. Communications in Computer and Information Science， 2014,487: 214-222.

[14]AMEEN NAYEEM, KAMGA CAMILLE. Forecast of airport ground access mode choice with the incremental logit model[J]. Transportation Research Record，2013,2336: 97-104.

Attraction Characteristics of Urban Subway Passenger Flow in Short Distance at Initial Stage

LI Hongping1，CAO Yi2，ZUO Zhongyi2

(1. Dalian Municipal Design and Research Institute Co.,Ltd，Dalian 116011，China；2. School of Transportation Engineering，Dalian Jiaotong University，Dalian 116028，China)

In order to determine the passenger flow partaking rates of every main traffic modes before and after urban subway operation, and predict the passenger flow demand of the subway after operation accurately, the characteristics of passenger flow attraction were studied. Taking the Huanghe Road. segment with Dalian Metro Line 2 as the research object, the passenger flow of every main traffic mode before and after subway operation was investigated respectively. By mathematical statistics method, the passenger flow partaking rates of the car, bus and subway before and after subway operation were compared and analyzed. Based on the theory of random utility, the traffic mode selection Logit models before and after subway operation were constructed, and the calibration method of model parameters was proposed. According to the passenger flow data from actual investigation, the calculation results of the models were verified as well as the model parameters were calibrated. The research indicates that there are 5.4% and 6.4% passengers are attracted by subway from the car and bus respectively after subway operation. The difference between the calculation result of the traffic mode selection model and the actual investigation data is less than ±5%.

traffic engineering; urban subway; passenger flow attraction characteristic; Logit model; passenger flow partaking rates

1673- 9590(2017)04- 0007- 07

2017- 02- 02

大連市青年科技之星計劃資助項目(2016RQ055)

李洪萍(1977-)，女，高級工程師，博士，主要從事城市交通工程的研究E- mail:lihongping@dlszy.cn.

A