綜合客運樞紐軌道交通系統運能匹配度研究

汪雯文，薛 鋒, 2

綜合客運樞紐軌道交通系統運能匹配度研究

汪雯文1，薛 鋒1, 2

（1. 西南交通大學，交通運輸與物流學院，成都 611756；2. 綜合交通大數據應用技術國家工程實驗室，成都 611756）

為提高軌道交通綜合客運樞紐的服務效率，針對樞紐間不同軌道交通系統，研究不同系統間的運能匹配和疏散能力。本文分析了綜合樞紐的定位及功能，提出了鐵路到發能力、樞紐交通方式客流分擔率、城軌疏散能力和樞紐設施設備能力的計算方法，基于此進行了分時段運能匹配分析，識別出樞紐運能高峰期的瓶頸所在位置并提出優化建議。成都東客站實例分析表明，該站高峰期線路運能匹配度為0.79，匹配性較好，城軌線路疏散能力足夠及時有效地疏散鐵路客流；而樞紐設施設備運能匹配度為1.10，匹配性不佳，樞紐設施設備能力不足，影響了乘客集散效率，呈現出瓶頸現象。

軌道交通；客運樞紐；運能匹配；疏散能力；瓶頸識別

0 引 言

目前，我國城市群逐漸形成以軌道交通為主的全出行鏈，軌道交通的綜合客運樞紐作為關鍵節點，承擔著軌道交通網絡客流的集散、交換等任務。客運樞紐內軌道交通制式間的運能是否匹配，影響著網絡節點的疏散能力和運力資源的利用效率。研究軌道交通綜合客運樞紐的設施設備能力、疏散能力和運能匹配方法，進而識別樞紐能力高峰期所在時段和運能瓶頸位置，是整合運輸資源，提高網絡運輸效率，促進供需平衡，實現運輸一體化的關鍵問題。

在綜合客運樞紐運能匹配方面，國外比較重視研究優化樞紐位置、網絡結構和旅客體驗。如，Yap等[1]利用聚類技術以AFC數據為導向推斷乘客在站內的時空分布，以減少乘客在樞紐內的換乘時間為目標，對城軌列車時刻表進行同步調配并以較低的成本解決了時刻表同步所需的復雜計算；Fan等[2]運用雙層規劃模型對城市群客運樞紐的位置和網絡布局進行集成優化，并設計了改進遺傳算法進行求解。

我國在綜合客運樞紐運能匹配研究方面，其角度和方法更豐富。如，任俊學[3]利用仿真分析了綜合客運樞紐的集散服務網絡，對北京南站換乘大廳進行了動態分析，直觀地識別了瓶頸和集散服務網絡的能力不足部分和能力過剩部分；陳慧[4]從解決網絡運能瓶頸與服務瓶頸兩個不同瓶頸的角度出發，綜合考慮多種影響因素提出了高峰時段和非高峰時段兩種不同時間段的運力資源分配模型；蔣潔瀅[5]通過分析區域軌道交通內部車流情況，提出了樞紐和線路兩個層面的區域軌道交通運能匹配計算公式；王睿[6]立足于樞紐內部鐵路環線開通后，從鐵路與城軌在城市內部客流服務的競爭和協作性兩個方面，對區域軌道交通樞紐運能匹配方法進行了研究；陳春安[7]利用系統動力學的思想，以換乘系統為對象，構建了系統性角度下的樞紐內部換乘系統的運能匹配系統動力學模型。

當前既有文獻大多從宏觀角度采用定性分析方法對綜合客運樞紐的運能匹配及疏散進行研究，從樞紐客流交換和疏散角度利用實際或仿真數據進行定量研究的較少。隨著城市群區域軌道交通一體化的發展，我國大型綜合客運樞紐已經實現了多種交通方式與鐵路客運站合并銜接運營。其中，鐵路系統和城市軌道交通系統共同形成了軌道交通制式耦合網絡。本文從疏散和匹配角度入手，研究客運樞紐內部城軌系統和鐵路系統的匹配協調問題。

1 綜合客運樞紐軌道交通運能計算

1.1 鐵路運能計算

在計算鐵路旅客到發能力時，需要列車時刻表、不同類型車輛定員、不同類型列車載客量等數據，計算方法如式（1）所示[8]：

1.2 城市軌道交通運能計算

城市軌道交通多采用移動閉塞方式，列車追蹤間隔時間是影響城軌輸送能力的主要參數。城市軌道交通車輛在樞紐中間站的下車客流主要由出站客流、換乘城市軌道交通線路客流和換乘樞紐內其他交通方式客流三部分組成，其中出站客流在計算中認為其近似等于入站客流，城軌間換乘客流為內部等量交換。因此，本文認為樞紐中間站城軌的線路疏散能力近似等于其到站前列車空余能力和換乘鐵路系統客流量二者之和。結合樞紐旅客多攜帶較多行李的特性和國內城軌線路高峰期滿載率控制情況，本文選用 100%作為極限滿載率，得到城軌運能計算公式：

1.3 城市軌道交通樞紐設施設備能力分析

車站設施設備能力與疏散、集結乘客的能力直接相關。由木桶原理可知，能力最薄弱的設施設備是限制樞紐整體設施設備通過能力的瓶頸，某種客流的樞紐設施設備最終通過能力是該種客流所使用的各項設施設備能力的最小值。因此，需對綜合客運樞紐內軌道交通系統的各種客流在站內的流線和所用設施設備進行分析。

綜合客運樞紐內軌道交通系統的客流可分為多種類型，以本文重點研究的鐵路系統換乘城軌系統客流為例，其客流流線及路徑選擇如圖1所示。

圖1 客流流線及路徑選擇示意圖

由此可得，對于鐵路系統換乘城軌系統且需購票的客流（記為第1類客流），經過的設施設備為通道、站臺、站廳、樓梯和自動扶梯、自動售票機和自動檢票機。

同理，對于鐵路系統換乘城軌系統且無須購票的客流（記為第2類客流），經過的設施設備為通道、站臺、站廳、樓梯和自動扶梯、自動檢票機。對于城軌間換乘客流（記為第3類客流），經過的設施設備為通道、站臺、站廳、樓梯和自動扶梯。對于樞紐內其余客流（城軌進出客流、城軌系統換乘鐵路系統客流，記為第4類客流），經過的設施設備為通道、站臺、站廳、樓梯和自動扶梯、自動檢票機。

一般而言，旅客在站內直接或間接使用到的設施設備能力越強，車站對旅客的疏散集結能力越強，根據《地鐵設計規范》和文獻[11]可知各類設施設備能力計算方法。

（1）通道能力計算

通道的通過和容納能力與通道的數量、尺寸以及旅客走行速度直接相關：

（2）站臺容納能力計算

（3）站廳容納能力計算

站廳容納能力主要與站廳面積有關，與站臺容納能力計算方法相似，且根據站內布局和客流流線，需根據車站實際情況進行具體分析計算。在實際情況中，站廳一般留有較多剩余能力，其能力限制對于大型樞紐站可予以不計。

（4）樓梯、自動扶梯通過能力計算

① 樓梯通過能力計算公式為：

② 自動扶梯通過能力計算公式為：

③ 樓梯、自動扶梯最終通過能力計算公式為：

（5）自動售票機、自動檢票機通過能力計算

《地鐵設計規范》規定，自動檢票機的最大設計能力為30人/min，自動售票機為5張/min。但考慮到在實際操作中往往會出現旅客操作失誤或不熟練、未提前準備好和設備卡頓等情況，結合經驗和調查，本文自動檢票機能力取20人/min，自動售票機能力取4張/min[13]。

2 城市軌道交通客流分擔率分析計算

對于經過鐵路系統到達客運樞紐的旅客來說，有多種交通方式可供選擇，因此需要對樞紐內各種交通方式分擔率進行計算，以得到城軌的客流分擔率，進而求得城軌待疏散的鐵路客流量。

2.1 RP調查和SP調查相結合的數據收集方法

一般來講，實際調查（Revealed Preference，RP調查）和意愿調查（Stated Preference，SP調查）是獲取基礎數據的兩種常用方法。RP調查具有較高的可靠性，RP數據往往是由評價對象本身特性決定，是客觀、穩定、數據嚴謹、準確的。而SP調查則是面對決策人本身的意向調查，較為主觀。乘客對軌道交通綜合客運樞紐交通方式選擇的決策過程是一個考慮多方面因素的過程，既與交通方式本身屬性有關，又與個人出行特征和偏好有關。因此，為了提高計算結果的可靠性和準確性，本文采用RP調查和SP調查結合起來的方法獲取基礎數據[14]。

2.2 指標選擇和模型假設

通常，旅客對交通方式的選擇一般主要考慮速度、價格、舒適度、方便程度等，因此在衡量指標選擇上，本文將方便性、經濟性、快速性和舒適性確定為最終評價指標。綜合考慮四個指標涉及的方面和特性，選擇的數據收集方式如表1所示。

表1 評價指標的相關屬性

調查存在以下假設和規定：

（1）假設被調查者是樞紐交通方式選擇決策的最基本單位，且能夠獨立做出決策，每個決策之間也互不影響[15]；

（2）假設RP調查和SP調查兩者獨立互不影響；

（3）假設樞紐內各種運輸方式均獨立、正常運作；

（4）假設出行者在被調查時能夠根據自身的出行特征、個體特性、出行偏好進行正確的選擇和評分；

（5）規定SP調查為百分制（0～100分），調查方式為被調查者對調查項目進行評分，每10分為一個分位。

2.3 基于TOPSIS法的分擔率計算方法

TOPSIS法（Technique for Order Preference by Similarity to an Ideal Solution）是多目標決策分析中一種常用的有效方法，能科學合理、客觀真實地反映實際情況[16]。旅客對樞紐換乘交通方式的選擇是一個尋求理想目標的過程，每個旅客在選擇時都偏向于選擇各種特性都最佳的方案，最終綜合考慮各種因素選擇最符合個人偏好和取舍的綜合性能最佳的一種方案，這符合基于RP調查和SP調查獲取數據的TOPSIS方法的思想和原理。常規的TOPSIS法通常僅按照計算所得的相對貼進度的大小順序對方案的優劣度進行排序，而未對其數值的價值加以挖掘和利用。事實上，相對貼進度值越高的方案越優越、被選擇的概率越大，且其具體值的差距能夠直觀地描述各種方案之間的差距，定量地反映了方案被選擇的概率之差。因此，本文認為相對貼進度值越大的方案客流分擔率越大，并按比例將其轉換為各種交通方式的客流分擔率值，計算步驟如下：

Step1 根據RP調查和SP調查制作原始數據矩陣。根據對五種交通方式的RP調查和SP調查數據制作如表2所示的原始數據矩陣。

表2 基于RP調查和SP調查的原始數據矩陣

Step3 評價矩陣歸一化。利用公式（13）對數據趨同化后的原始數據矩陣進行歸一化處理[17]：

Step5 確定正理想解和負理想解。計算公式為：

Step7 計算相對貼進度。根據下式計算各個方案的相對貼進度：

Step8 轉換為客流分擔率。第種交通方式的客流分擔率為：

3 基于匹配度的綜合客運樞紐運能瓶頸識別

3.1 運能匹配及瓶頸分析

從宏觀上看，運輸能力的供給和需求在理想狀態下應當保持一致，這種情況即是宏觀上理想的“運能匹配”。而在現實情況下很難達到理想匹配。運能不匹配有兩種情況：運輸能力大于運輸需求和運輸能力不足以滿足運輸需求。從軌道交通綜合客運樞紐的角度分析，樞紐運能不匹配主要表現在兩個方面：

（1）樞紐運輸能力供過于求，導致樞紐運力資源浪費，企業成本高收益低。此類情況多出現在非客流高峰期和樞紐投入使用初期，列車接發任務還未完成轉移，乘客選擇新站的意向低；導致列車少、乘客少，造成運力資源浪費。

（2）樞紐運輸能力供不應求，導致樞紐擁堵，影響出行效率。樞紐運輸能力一般可以分為“點”能力和“線”能力，“點”能力是客流集散能力，“線”能力則是旅客輸送能力，其任一能力不足都會導致樞紐整體運能不足。點能力一般對應樞紐設施設備能力，當設施設備能力不足時，會出現客流積壓在站內乘車前的某一個或多個環節，或出現客流擁堵現象；線能力不足一般對應樞紐線路輸送能力，當線路輸送能力不足時，則會因客流積壓而增大樞紐點能力壓力，形成惡性循環。

綜合客運樞紐運能瓶頸指在一定的時間內，由于客流增長導致的城市軌道交通在既有的運輸組織模式條件下無法及時疏散樞紐內通過鐵路運輸到達的客流，使得銜接樞紐以滿負荷甚至超負荷狀態運營的情況。客流擁堵、列車超載等現象是運能瓶頸的主要表現形式，通常當運能不匹配且運輸能力供不應求的時候，就會出現瓶頸現象。通過區分不同程度的運能瓶頸，可以找出軌道交通樞紐內鐵路和城軌運能不匹配的環節和具體時段，為運能協調優化提供參考和支撐。

3.2 運能瓶頸識別方法

運能瓶頸可以通過運能匹配度找到[18]，通常認為運能匹配度較差且運輸能力小于運輸需求時，即產生了運能瓶頸。運能匹配度值不能過大或過小，過大的匹配度意味著疏散能力的不足，導致客流積壓影響樞紐運作效率；過小的匹配度則意味著資源的浪費。因此，理想的運能匹配度值應是一個區間，該區間內運能在留有儲備和調整空間的同時，資源利用水平較高且客流疏散能力較好。

國內學者通常認為[19]運能匹配度在0.7～0.95之間運能匹配程度較好。查閱相關資料，綜合多位學者的經驗并考慮客流波動，本文取理想運能匹配度區間為[0.75～0.80）。當運能匹配度值為[0.75～0.80）時，認為綜合客運樞紐運能匹配度最好，鐵路運輸與城市軌道交通銜接情況良好，樞紐內運作情況協調穩定；當運能匹配度為[0.80, 0.90）時，認為運能匹配度較好，樞紐內運作情況協調但不夠穩定，能力儲備不足；當運能匹配度為[0.90, 1.00）時，認為綜合客運樞紐已經出現了輕度的運能瓶頸，能力緊張，輕微的客流波動即會帶來輕度的客流擁堵；當運能匹配度為[1.00, 1.10）時，產生中度運能瓶頸，樞紐能力已經不足，客流開始積壓；當運能匹配度為[1.10, +∞）時，產生重度運能瓶頸，客流積壓現象嚴重，樞紐各系統能力告急。

當運能匹配度低于0.75時，運能有所富余。當運能匹配度為[0.40, 0.75）時，認為綜合客運樞紐運能富余，樞紐能快速疏散客流但資源利用率不高；當運能匹配度為[0, 0.40）時，認為樞紐出現了運能浪費現象，樞紐能力空虛、運輸資源浪費嚴重，具體分類如表3所示。

表3 基于匹配度取值的運能瓶頸分級

4 運能匹配度計算

4.1 線路疏散能力匹配度

樞紐線路疏散能力匹配度即為鐵路到達樞紐換乘城市軌道交通的部分與樞紐內城市軌道交通線路所能提供的運輸能力的比值，計算如下式所示：

4.2 樞紐設施設備能力匹配度

分別計算出樞紐內各設施設備的能力匹配度，其中最大值即為樞紐最終設施設備能力匹配度，該設施設備為樞紐內能力最緊張的設施設備：

5 實例分析

5.1 車站銜接概況及相關參數

成都東客站是客運特等站，采用雙向橫列式一級二場站型[20]，平均日發送旅客10萬人次，是集多種交通方式為一體的西南地區大型軌道交通綜合客運樞紐之一。

成都地鐵2號線和7號線通過站廳換乘的模式與其他交通方式之間無縫銜接，其車輛主要技術參數如表4所示。

表4 成都地鐵2、7號線車輛主要技術參數

發車間隔時間與時間段有關，如表5所示。

表5 成都地鐵2、7號線行車間隔時間

地鐵成都東客站的設施設備相關參數[9]如表6所示。

表6 地鐵成都東客站設施設備相關參數

5.2 鐵路到發能力分析

根據2020年春運期間成都東站列車時刻表數據，以1h為單位統計全日到發列車情況，并結合列車編組表和動車車型資料的列車定員及載客率（根據統計數據，本文取平均載客率0.85），根據1.1節中的計算方法計算鐵路每時段發送和到達旅客數量，匯總得到表7。

表7 分時段鐵路到發旅客量

5.3 樞紐客流分擔率計算

對成都東客站鐵路到達旅客進行樣本容量為100人的抽樣調查，得到的調查結果分布如表8、表9、表10所示。

表8 成都東客站起點方便性旅客抽樣調查結果

表9 成都東客站終點方便性旅客抽樣調查結果

表10 成都東客站舒適性旅客抽樣調查結果

對SP調查所得數據進行加權平均計算[21]（舒適性最終得分為起點方便性和終點方便性的平均值），結合RP調查所得數據，匯總得到初始數據如表11所示。

表11 初始數據表格

5.4 分時段線路運能匹配度計算

根據分時段鐵路到發客流情況、城軌的客流分擔率和成都東客站城軌線路行車間隔時間，結合1.2節對城軌樞紐線路疏散能力匹配度的計算方法，計算并匯總得到分時段城軌線路運能匹配度結果如表12所示。

表12 分時段城市軌道交通線路運能匹配度計算結果

續表12

時 段城軌線路運能匹配度運能匹配度最終取值 10:00～11:000.331 782 5920.33 11:00～12:000.508 593 1940.51 12:00～13:000.262 490 5510.26 13:00～14:000.245 583 7840.25 14:00～15:000.506 981 1370.51 15:00～16:000.552 067 8530.55 16:00～17:000.471 469 4750.47 17:00～18:000.444 193 3050.44 18:00～19:000.485 297 6420.48 19:00～20:000.709 875 4050.71 20:00～21:000.797 093 7760.80 21:00～22:000.792 461 1900.79 22:00～23:000.620 854 2640.62 23:00～24:000.655 370 8060.65

可以看到，在20:00～21:00時間段內，城軌平均線路運能匹配度最高，達到了0.80。結合表7分析可知，19:00～20:00時間段內鐵路到達旅客較多，出發旅客較少，城軌能提供的運輸能力較低。因此，本文選取此時段作為樞紐運輸高峰期[23]。

5.5 高峰期運能匹配度計算

（1）線路運能匹配度

根據公式（1）、（2）計算得到高峰期內樞紐鐵路到達和發送的客流量分別為13 018.9人次和7 801.1人次。根據公式（3）和成都東客站城軌2、7號線的客流斷面數據，則樞紐城軌在樞紐疏散高峰時段能提供的線路疏散能力為5 210.94人次。根據公式（21），可計算得到高峰時期線路運能匹配度為0.79。

（2）樞紐設施設備能力匹配度

6 結 論

（1）本文在運能匹配的計算中增加了代表乘客的要素，即基于SP調查與RP調查相結合的綜合客運樞紐各交通方式分擔率的計算，在一定程度上完善了傳統運能匹配計算法的缺陷。

（2）通過對成都東客站的實例分析計算，發現成都東客站在樞紐高峰時期城軌與鐵路的線路運能匹配度為0.80，接近理想運能匹配度0.75，說明成都東客站城市軌道交通對鐵路的疏散能力較好，樞紐內城軌的運輸能力能夠滿足鐵路運輸到達的客流換乘城軌的需要，線路運能匹配性較好。

（3）在樞紐設施設備運能匹配度方面，結果為1.14，存在運能瓶頸，其瓶頸具體位置在站臺和樓梯、自動扶梯處。其中站臺容納能力存在較大程度的不足，實地考察中表現為樞紐高峰期站臺候車處擁擠、候車乘客越界占用了通道；樓梯、自動扶梯通過能力輕度不足，實地考察中表現為樓梯扶梯處人流量較大、擁擠，通行速度較慢。另外，自動售票機匹配度僅為0.14，存在能力浪費，究其原因在于成都東客站地鐵自動售票機數量較多，而持有地鐵卡的乘客占比大，需購票乘客少。

（4）通過對成都東客站樞紐設施設備匹配度的分析計算可知，成都東客站在設施設備的改造升級中，應重點升級的對象為站臺和樓梯、自動扶梯，通過擴大站臺面積、增加自動扶梯數量、加快自動扶梯運行速度等方式，提高其能力以消解運能瓶頸，優化樞紐運能匹配度。另外，自動售票機數量有多余，可適當減少設備數量以提高能力利用率[24]。

[1] YAP M, LUO D, CATS O. Where shall we sync? Clustering passenger flows to identify urban public transport hubs and their key synchronization priorities[J]. Transportation Research Part C: Emerging Technologies, 2019, 98: 433-448.

[2] FAN B F, YANG Y L, LI L. Integrated optimization of urban agglomeration passenger transport hub location and network design[J]. EURASIP Journal on Wireless Communications and Networking, 2018, 2018(1): 1-7.

[3] 任俊學, 季常煦. 客運樞紐集散服務網絡瓶頸識別方法研究[C]// Proceedings of 2010 International Conference on Management Science and Engineering. Wuhan: ETP, 2010: 105-109.

[4] 陳慧, 汪波. 城市軌道交通基于網絡瓶頸的運力資源分配研究[J]. 石家莊鐵道大學學報, 2014(4): 64-67.

[5] 蔣潔瀅. 區域軌道交通綜合運能匹配評價方法研究[J]. 中國鐵路, 2019(9): 90-94.

[6] 王睿. 區域軌道交通樞紐運能匹配方法研究[D]. 成都: 西南交通大學, 2019.

[7] 陳春安, 榮建, 李伴儒, 等. 基于系統動力學的樞紐換乘系統運能匹配研究[J]. 城市交通, 2017(2): 48-55.

[8] 王睿, 馬駟. 區域軌道交通網絡運能匹配方法研究[J]. 交通運輸工程與信息學報, 2020, 18(2): 103-110.

[9] 賀玉姣. 高鐵地鐵樞紐換乘客流的控制—— 以成都東站高鐵換乘地鐵為例[D]. 成都: 西南交通大學, 2018.

[10] 趙曉婷. 鐵路客運與城市軌道交通換乘模型及優化方法研究[D]. 蘭州: 蘭州交通大學, 2015.

[11] NIE G Y, YUAN Z Z, WU H L. Analysis and calculation on the capacity of stairway in urban rail transit hubs[J]. Applied Mechanics and Materials, 2014, 3308, 1733- 1736.

[12] 李佳. 鋁合金車體結構強度分析與碰撞仿真研究[D]. 蘭州: 蘭州交通大學, 2014.

[13] 張一梅．基于路網的城市軌道交通系統運輸能力研究[D]. 北京: 北京交通大學, 2009.

[14] 莊同寧. 游客綠色出行驅動機理及其影響因素研究—— 以共享單車為例[D]. 江蘇: 江蘇師范大學, 2018.

[15] 劉嘉寶, 崔炳謀, 秦佳佳. 城市一體化運輸體系交通方式換乘分擔率模型[J]. 中國鐵路, 2015(10): 31-35.

[16] 王順豪. 基于前景理論的高速鐵路線路方案優選研究[D]. 成都: 西南交通大學, 2018.

[17] 周躍云, 趙先超, 丁夢. 基于OWA-TOPIS模型的湖南省能源碳排放經濟效率聚類分析[J]. 湖南工業大學學報, 2014(3): 1-4.

[18] 潘瑞. 公交網絡瓶頸識別方法研究[D]. 北京: 北京交通大學, 2012.

[19] 趙德. 多方式公共交通資源耦合效能評價[D]. 南京: 東南大學, 2016.

[20] 李承隆. 成都樞紐運輸組織方案優化[D]. 成都: 西南交通大學, 2014.

[21] 張璇. 我國食品安全政府管制模式轉型研究[D]. 南京: 南京航空航天大學, 2010.

[22] 唐子涵. 綜合客運樞紐站流線組織與分析[D]. 成都: 西南交通大學, 2010.

[23] WU P, PITCHFORTH J, MENGERSEN K. A hybrid queue-based bayesian network framework for passenger facilitation modelling[J]. Transportation Research Part C, 2014(46): 247-260.

[24] YAGHINI M, SARMADI M, NIKOO N, et al. Capacity consumption analysis using heuristic solution method for under construction railway routes[J]. Networks and Spatial Economics, 2014, 14(3): 317-333.

Study on Capacity Matching and Evacuation Capacity of Rail Transit Integrated Passenger Hubs

WANG Wen-wen1, XUE Feng1, 2

(1. School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 611756, China; 2. National Engineering Laboratory of Integrated Transportation Big Data Application Technology, Chengdu 611756, China)

To improve the service efficiency of rail transit integrated passenger transport hubs, the capacity matching and evacuation capacity among different rail transit systems are studied. This study analyzes the positioning and functions of a comprehensive hub, and proposes the calculation methods for the railway arrival and departure capacity, the sharing rate of the hub traffic mode, the urban rail evacuation capacity, and the hub facilities and equipment capacity. Based on this, we analyze the matching of transport capacities in different time periods, identify the peak capacity and bottleneck locations of the hub, and propose appropriate optimization suggestions. The case study of Chengdu East Railway Station shows that, the matching degree of transportation capacity of the station is 0.79 in the peak period, which is desirable, and the evacuation capacity of the urban rail line is sufficient enough so that the railway passenger flow can be evacuated in a timely and effective manner. In contrast, the matching degree of hub facilities and equipment is 1.10, which is not desirable, and the capacity of hub facilities and equipment is insufficient, which affects the passenger collection and distribution efficiency and presents a bottleneck phenomenon.

rail transit; passenger hub; capacity matching; evacuation capacity; bottleneck identification

1672-4747（2021）03-0111-12

U115; U239.5

A

10.19961/j.cnki.1672-4747.2020.11.002

2020-11-03

2020-12-09

國家重點研發計劃項目（2017YFB1200702）；四川省科技計劃項目（2021YJ0077）；四川省社會科學規劃項目“統計發展專項課題”（SC19TJ027）

汪雯文（1997—），女，重慶人，碩士研究生，研究方向為交通運輸發展戰略及供需理論，E-mail：1986989766@qq.com

薛鋒（1981—），男，山東鄒城人，副教授，工學博士，研究方向為運輸組織理論與系統優化，E-mail：xuefeng.7@163.com

汪雯文，薛鋒. 綜合客運樞紐軌道交通系統運能匹配度研究[J]. 交通運輸工程與信息學報，2021, 19(3): 111-122.

WANG Wen-wen, XUE Feng. Study on Capacity Matching and Evacuation Capacity of Rail Transit Integrated Passenger Hubs [J]. Journal of Transportation Engineering and Information, 2021, 19(3): 111-122.

（責任編輯：李愈）