建成环境对非常态下城市轨道交通站点客流模式的影响——以上海为例

Impact of Built Environment on Passenger Flow Patterns of Urban Rail Transit Stations under Abnormal Conditions： A Case Study of Shanghai

摘要

为揭示非常态下城市轨道交通站点的功能和客流特征差异，以上海市404个地铁站点为样本，构建各站点的网络中心性和客流变化特征指标，选取特定时段的上海地铁站客流数据，并采用两步聚类再合成的方法划分出9种站点类型；同时，利用无序多分类逻辑回归模型，探讨非常态下站点类型与建成环境变量之间的相关性。结果显示，在24个建成环境变量中，道路密度、文化场馆、公共设施、教育学校、公司企业、餐饮服务和酒店宾馆数量等7个指标与非常态下的站点类型显著相关。具体而言，道路密度与多数站点类型显著负相关；文化场馆、公共设施与核心枢纽型、对外交通型站点显著正相关；教育学校对所有站点类型均呈负相关；公司企业对产业型和核心枢纽型站点正相关；宾馆酒店对居住型、对外交通型站点显著正相关；餐饮服务对强传导型、局部联系混合型和居住型站点显著正相关。研究结果对揭示非常态下城市轨道交通站点功能的复杂性和出行特征的适应性具有一定指导意义。

Abstract

To reveal the functional and passenger flow differences of urban rail transit stations under abnormal conditions, this study analyzed 404 subway stations in Shanghai and constructed indicators for their network centrality and passenger flow change characteristics. By selecting passenger flow data of Shanghai subway stations at specific time periods and using a two-step clustering and re-synthesis method, nine types of station categories were identified. Furthermore, a disordered multiple classification logistic regression model was used to explore the correlation between station types and built environment variables under abnormal conditions. The results show that among the 24 built environment variables, seven indicators including road density, cultural venues, public facilities, educational institutions, corporate enterprises, catering services, and hotel accommodations, are significantly correlated with station types under abnormal conditions. Specifically, road density is significantly negatively correlated with most station types; cultural venues and public facilities are significantly positively correlated with core hub-type and external transport-type stations; educational institutions are negatively correlated with all station types; corporate enterprises are positively correlated with industrial-type and core hub-type stations; hotel accommodations are significantly positively correlated with residential-type and external transport-type stations, and catering services are significantly positively correlated with strong conduction-type, local connection mixed-type, and residential-type stations. The findings provide certain guidance for understanding the complexity of urban rail transit station functions and the adaptability of travel characteristics under abnormal conditions.

Graphical abstract

关键词

城市轨道交通 / 非常态客流 / 分两步站点聚类 / 建成环境 / 无序多分类逻辑回归

Key words

Urban Rail Transit / Passenger Flow under Abnormal Condition / Two-Step Station Clustering / Built Environment / Disordered Multiple Classification Logistic Regression

0　引言

城市轨道交通站点的非常态客流特性及其与建成环境的关系研究，对于城市交通规划和管理至关重要。非常态客流被定义为由节假日、体育赛事、城市大型活动、突发事件、特殊天气、公共卫生事件、自然灾害、恐怖袭击等因素而导致的非正常通勤客流变化^[1]，其时空分布和演变机制显著区别于日常通勤模式。其中重大公共卫生事件，因其突发性、持续性和全局性特征，易导致客流呈现断崖式下跌与渐进式恢复的复杂动态。

理解非常态客流的时空异质性需要多维度的特征解析，而现有研究多通过站点聚类方法构建特征体系以揭示其内在规律。已有文献主要从3个维度构建特征体系。①空间静态特征：基于兴趣点(Point of Interest，POI)密度、土地利用混合度等区位属性特征划分功能类型^[2]，对数据的时效性要求较高^[3]。②客流网络拓扑特征：运用复杂网络理论提取站点中心性指标(如介数中心性、度中心性)，以更好理解城市轨道交通网络的结构和站点功能^[4]，但其对非常态下乘客路径选择行为变化的解释力不足。③客流时序特征：通过分析工作日/周末客流曲线^[5]、高峰占比^[6]、进出站潮汐系数^[7]等动态指标识别客流模式。近期研究转向多源特征整合，如Cao等^[8]、张志健等^[9]提出的“节点-位置-客流”三维指标体系，但面临高维共线性与解释性弱化的双重困境。Fan等^[10]、周航等^[11]研究表明，采用分步聚类再合成最终分类的方法可提高聚类的准确性。故现有站点聚类在2方面存在不足，一是多聚焦常态场景，缺乏对非常态客流突变的量化表征；二是站点网络拓扑特征与非常态下客流恢复的协同作用机制尚未充分解构，特别是交互影响仍需深入探究。

关于聚类特征与建成环境的关联分析，传统线性回归对复杂非线性效应的解释力有限；而SHAP(SHapley Additive exPlanations)可解释机器学习模型更适合衡量各环境变量的相对贡献度^[12-13]。对环境变量的空间异质性分析，研究多采用地理加权回归(Geographically Weighted Regression，GWR)模型^[14-16]及其衍生形式(如空间滞后模型、混合地理加权模型)。如果聚焦于建成环境对多分类客流模式的影响机制，可选用多项Logit回归模型，并通过优势比(OR值)直观评估环境变量对站点类型归属概率的影响^[17-19]，从而为站点功能优化提供决策依据。

已有研究较少关注非常态下城市轨道交通运行特征，对多种聚类特征提取和处理的不完善，且对建成环境对客流模式影响量化分析不够深入，因此从非常态下站点客流波动恢复的差异、网络中心性指标两方面特征分别对站点聚类，以更精细描述每一类客流模式，并进一步探究站点类别和建成环境之间的关系。通过分析不同站点类型在非常态中的差异化响应，可揭示客流波动与站点类型的耦合规律，从而为轨道交通系统构建分级分类的应急预案、优化站点资源配置提供理论支撑。

1　研究区域与数据处理

1.1　研究区域

作为我国的经济和交通枢纽，上海拥有错综复杂的交通网络和庞大的客流量，上海轨道交通客流占全市公共交通客运量的比重已超过70%，2024年底，其日均客流量1 000万人次。选取覆盖整个上海市具备客流数据的404个轨道交通站点作为研究对象，其中统计的建成环境数据仅限于上海行政边界内，故地铁11号线位于昆山境内的站点被移除。

1.2　数据来源与处理

本研究涉及数据主要有4类。①轨道交通客流数据。2022年12月5日国务院调整公共卫生事件应对措施后，公共交通客流量出现显著波动。客流经历了3个阶段：12月12日开始，第一周大幅下降，第二周降至谷底，第三周开始回升。上海地铁2022年12月后3周日客流变化如图1所示，确定3个通勤客流的变化关键节点(仅考虑工作日)：基准日(12月12日)、谷底日(12月23日)和恢复日(12月30日)。②2022年上海POI数据。来自高德地图，共计187万条，影响出行活动的POI分为15类，包括房产小区、餐饮、公司企业、机构团体、购物等。③上海市空间基础数据。来自Open Street Map地图数据，主要包括建筑物数据(含建筑面积和高度)、公交站点、地铁站点、道路网络(交叉点提取、路网密度计算)。④人口密度数据。采用worldpop网站2022年100 m×100 m分辨率的栅格数据。

2　研究方法与步骤

研究建成环境对非常态下上海地铁站点客流模式影响主要分为3个步骤。①站点数据处理与特征提取。从客流时空变化数据当中计算出客流的时空波动特征；从站点客流的OD数据中提取出站点网络中心性特征，按照划分的站点服务范围计算建成环境数据，并和站点做空间关联。②分2步对站点K-means聚类。对上一步提取的2类站点特征，分别做共线性检测，利用肘部法则和轮廓系数确定K值，合并2种聚类结果。③无序多分类逻辑回归。对站点建成环境特征，通过显著性检验筛选出自变量，上一步得到的站点类别做因变量，根据回归系数和优势比等统计量来分析最终的结果。

2.1　站点客流特征指标提取

2.1.1　站点客流波动特征提取

客流波动选取非常态下恢复力和通勤2方面特征来对站点聚类。恢复力特征，指客流系统从被突发事件干扰到恢复到原始状态的能力；通勤特征，包括客流的集中性和潮汐性。在数据预处理中移除相关性大于0.8的变量，最终选取了波动率、恢复指数、恢复弹性^[20]、集中性和潮汐性5个指标表示客流在站点客流变化的时空特征。其中集中性按照早、晚高峰分别计算方法，根据客流变化数据，定义早高峰时段为7：00—9：00，晚高峰时段为17：00—19：00；定义t₁，t₂和t_m分别对应客流的基准日(2022年12月12日)，谷底日(2022年12月23日)和恢复日(2022年12月30日)。

（1）波动率，表示客流波动量占基准值的比率，计算公式为

F{R}_i=\frac{Tra{v}_{i,t_{\mathrm{1}}}-Tra{v}_{i,t_{\mathrm{m}}}}{Tra{v}_{i,t_{\mathrm{1}}}}\times \mathrm{100}\mathrm{\%}⑴

式中：FR_i 为第i个站点的波动率，%；Tra{v}_{i,t_{\mathrm{1}}}为第i个站点基准日流量，人；Tra{v}_{i,t_{\mathrm{m}}}为第i个站点谷底日流量，人；i为站点。

（2）恢复指数，表示站点客流疫情后特定时间相对基准值的恢复水平，恢复指数越高，表明恢复效果越好，计算公式为

R{I}_{i,t}=\frac{Tra{v}_{i,t_{\mathrm{2}}}}{Tra{v}_{i,t_{\mathrm{1}}}}\times \mathrm{100}\mathrm{\%}⑵

式中：R{I}_{i,t}为第i个站点在t时间的恢复指数，%；Tra{v}_{i,t_{\mathrm{2}}}为第i个站点恢复日的流量，人。

（3）恢复弹性，表示恢复量与波动量的比值，计算公式为

R{E}_{i,t}=\frac{Tra{v}_{i,t_{\mathrm{2}}}-Tra{v}_{i,t_{\mathrm{m}}}}{Tra{v}_{i,t_{\mathrm{1}}}-Tra{v}_{i,t_{\mathrm{m}}}}\times \mathrm{100}\mathrm{\%}⑶

式中：R{E}_{i,t}为第i个站点在t时间的恢复弹性，%。

（4）集中性，表示进出站早晚高峰占全天客流占比，计算公式为

C=\frac{\left(E_{in}+E_{\mathrm{o}\mathrm{u}\mathrm{t}}+M_{\mathrm{i}\mathrm{n}}+M_{\mathrm{o}\mathrm{u}\mathrm{t}}\right)}{T}\times \mathrm{100}\mathrm{\%}⑷

式中：C为集中性指数，C越大说明客流越集中，%；M_{\mathrm{i}\mathrm{n}}为早高峰进站客流量，人；M_{\mathrm{o}\mathrm{u}\mathrm{t}}为早高峰出站客流量，人；E_{\mathrm{i}\mathrm{n}}为晚高峰进站客流量，人；E_{\mathrm{o}\mathrm{u}\mathrm{t}}为晚高峰出站客流量，人；T为日总客流量，人。

（5）潮汐性，表示早晚高峰时段进出站客流差值占全天客流占比，可描述早晚高峰期间客流的主要移动方向，一般居住类站点客流潮汐性值为负，而产业型站点客流潮汐性值为正，这种客流的不对称性可以反映工作日居民通勤的客流模式，以及与住宅区和产业区商业区的位置关系。

Tide=\frac{\left(M_{\mathrm{o}\mathrm{u}\mathrm{t}}-M_{\mathrm{i}\mathrm{n}}+E_{\mathrm{i}\mathrm{n}}-E_{\mathrm{o}\mathrm{u}\mathrm{t}}\right)}{T}\times \mathrm{100}\mathrm{\%}⑸

式中：Tide为客流潮汐性指数，%。

为了解决数据的可比性问题，对上述客流特征均进行了Z-score标准化，使数据呈正态分布。

2.1.2　站点客流网络中心性特征提取

提取站点客流网络中心性特征，来对站点进行聚类，将404个站点作为节点，站点间OD客流作为边权重，利用编程软件的NetworkX库来计算中介中心性、PageRank等多个中心性指标。经比较，移除相关性大于0.8的高相关性变量，最终选取特征向量中心性、中介中心性和加权度中心性，用以表征站点客流网络中心性特征。

（1）特征向量中心性，是一种衡量节点在整个网络中的影响力和重要性的指标。一个节点的重要性不仅取决于其邻居节点的数量，还取决于其邻居节点的重要性。特征向量中心性是其邻居节点中心性的加权和，与连接到该节点的所有节点的特征向量中心性之和成正比。特征向量中心性的计算可通过幂迭代法来实现，其计算公式为

EC\left(i\right)=x_i=C^{-\mathrm{1}}{\displaystyle \sum _{j=\mathrm{1}}^n}{a}_{ij}{x}_j⑹

式中：EC\left(i\right)为节点i的特征向量中心性；C为邻接矩阵的特征值；a_{ij}为邻接矩阵中相应元素的值；x={\left[x_{\mathrm{1}}，x_{\mathrm{2}}，\dots ，x_n\right]}^{\mathrm{T}}为特征值所相应的特征向量；n为节点数量。

（2）加权介数中心性，用于衡量节点在非常态客流网络中的传播能力。它通过计算网络中所有节点对之间的最短路径，统计经过某一节点的最短路径数量。经过某节点的最短路径数越多，该节点越重要。介数中心性反映了节点对网络中沿最短路径传输的网络流的控制力，其计算公式为

BC\left(i\right)=\sum _{i\ne \mathrm{s},i\ne t,s\ne t}\frac{g_{st}^i}{g_{st}}⑺

式中：BC\left(i\right)为节点{\mathit{v}}_{\mathit{i}}的介数中心性；g_{st}为从节点{\mathit{v}}_{\mathit{s}}到{\mathit{v}}_{\mathit{t}}的所有最短路径的数目；{g^i}_{st}为从节点{\mathit{v}}_{\mathit{s}}到{\mathit{v}}_{\mathit{t}}的g_{st}条最短路径中经过{\mathit{v}}_{\mathit{i}}的最短路径的数目。

（3）加权度中心性，衡量节点与其他节点之间直接连接的强度之和。在加权网络中，每条边都有一个权重，表示连接的强度或容量。加权度中心性考虑了这些权重，从而更准确地反映了节点在网络中的重要性，其计算公式为

C_i=\sum _{j\ne i}{w}_{ij}⑻

式中：C_i为节点i的加权度中心性；w_{ij}为节点i与节点j之间的边的权重。

2.2　K-means聚类算法及k值确定

经过对比和检验，K-means聚类方法更适合分析非常态城市轨道交通客流模式。确定最优聚类数k时，可采用肘部法则和轮廓系数(Silhouette)。肘部法则是通过簇内误差平方和(WCSS)评估聚类紧密程度，当WCSS下降幅度减缓时对应的k值为较优选择。Silhouette衡量聚类效果时，其值越大效果越好。对客流波动特征和网络特征进行相关性分析，发现变量相关系数均小于0.6，对变量进行了标准化处理。在基于客流时空特征的聚类中，k = 4时，WCSS与Silhouette的差距最大；同样在基于网络特征的聚类中，k = 4时两者差距也最大。因此，2个聚类均选择k = 4。不同k值对应的聚类评价指标如图2所示，分别得到每个数据样本(站点)的类型标签，显著性水平均为0.000。

2.3　站点吸引范围的划分与建成环境指标选取

站点服务范围的界定对研究结果有显著影响。现有研究多采用500~1 000 m的半径划分站点辐射区，考虑到上海市域较大，故采用1 000 m半径绘制缓冲区。然而，市中心地铁站间距较近，缓冲区易重叠，而仅使用Voronoi多边形划分则会导致郊区站点服务区域过大。因此，结合2种方法，具体步骤如下：①生成每个地铁站点的Voronoi多边形；②以1 000 m为半径建立圆形缓冲区；③将缓冲区与Voronoi多边形的交叉区域作为地铁站服务范围；④从密度、设计、土地利用和布局多样性4个维度选取24个建成环境指标，确保数据可获取性和代表性。建成环境变量信息如表1所示。最终，通过空间统计交叉区域内的建成环境数据，并将其关联到相应站点，用于评估建成环境对地铁站点客流的影响。

2.4　无序多分类Logistic回归模型

为了分析不同建成环境特征对站点客流模式的影响，用无序多分类Logistic回归来识别关键影响因素。该模型适用于因变量类型多于2类且类别间无等级关系的情况。如果因变量有M类，选取某一类站点为对照组，可建立M-1个广义Logistic模型，第k类与参考类别M的概率比的自然对数为

\mathrm{l}\mathrm{o}\mathrm{g}\left(\frac{P(Y=k|X)}{P(Y=M|X)}\right)={\beta }_{\mathrm{0}k}+{\beta }_{\mathrm{1}k}{X}_{\mathrm{1}}+{\beta }_{\mathrm{2}k}{X}_{\mathrm{2}}+\cdots +{\beta }_{pk}{X}_p⑼

式中：k=\mathrm{1,2},\dots ,M-\mathrm{1}，P(Y=k\left|X)\right.表示给定自变量X的条件下，因变量Y属于第k类的概率；P(Y=M\left|X)\right.表示在给定自变量X的条件下，因变量Y属于参考类别M的概率；X_{\mathrm{1}},X_{\mathrm{2}},\dots ,X_p表示自变量向量，表示建成环境特征；{\beta }_{\mathrm{0}k}表示第k类的截距项；{\beta }_{\mathrm{1}k},{\beta }_{\mathrm{2}k},\dots ,{\beta }_{pk}为第k类的回归系数，表示自变量对第k类相对对照组M的影响，当其为正表示促进作用，为负表示抑制作用。

优势比可以通过指数函数\mathrm{E}\mathrm{x}\mathrm{p}\left(\beta \right)计算，优势比越大，相当于该变量在其类别中相对于其他类影响更显著。

3　实例分析

3.1　站点聚类

3.1.1　基于客流时空特征站点聚类

根据前节研究，按非常态下站点客流的波动率、恢复弹性、恢复指数、集中性和潮汐性5个客流时空特征将站点聚类为4类，时空波动聚类站点特征和数量如图3所示。第一类为混合型站点，数量最多，包括202个，其时空模式的主要特征是波动率和恢复弹性偏低，其他指标居中；第二类主要为居住型站点，潮汐性指标较低，客流在非常态下呈现波动较大，但恢复弹性和恢复指数均较低；第三类为产业型站点，时空模式特征为波动性最大、恢复指数最低，同时集中性与潮汐性均较高；客流随通勤时间呈现周期性变化；第四类为对外交通型站点，与城市对外交通出行及换乘功能密切相关，其特征与其他类型差异显著：非常态下客流波动性最小，恢复指数和恢复弹性均为最高。聚类结果发现前三类的站点数量较多，但未体现出客流网络拓扑特征的显著差异。

3.1.2　基于网络中心性对站点聚类

基于非常态下站点的客流中介中心性、加权度中心性和特征向量中心性3个特征，将站点聚类为4类。站点网络中心性特征聚类的站点特征和数量如图4所示。结果显示，核心枢纽型站点的3个中心性指数均最高，强传导型与局部联系型次之，边缘型最低；从数量分布来看，边缘型和局部联系型站点占比较高，构成主要群体。4类站点各自具有以下特点。①核心枢纽型站点，拥有最高的中心性指标，是整个网络的核心，承担着大量的客流转运任务，对网络的连通性和稳定性具有重要影响。②局部联系型站点，主要在局部区域内发挥作用，中心性指标相对较低，主要服务于特定区域的客流需求，对于区域内的客流分布和运输效率有较大影响，其包括漕宝路、江湾镇等123个站点。③强传导型站点，在客流网络中流量较大，具有较强的传导能力。能够有效地将客流从一个区域传输到另一个区域，对于网络中客流的快速流动和扩散起到关键作用，既有换乘枢纽如上海南站、上海火车站、世纪大道，又有影响较大的产业型站点如漕河泾开发区、桂林路，也有建站较早的大型居住区站点如莘庄、莲花路、彭浦新村、七宝和泗泾、九亭、沈杜公路等24个站点。④边缘型站点，处于网络的边缘位置，中心性指标最低，通常是网络中的末端站点，服务范围有限，主要满足周边地区的客流需求，包括安亭、滴水湖等，共250个站点。

3.1.3　两步聚类结果合成

针对站点客流的时空特征、网络中心性的聚类结果进行合成，具体操作如下：将404个站点中前面划分的部分类型保持不变，即核心枢纽型站点7个、强传导型站点23个、对外交通型站点8个(注：上海虹桥火车站归为对外交通型)。对剩余数量较多的边缘型和局部联系型站点，按照混合型、居住型和产业型进行交叉细分成6类；将上述所有分类整合，形成9种不同的站点区域类型。合成后9类站点类型的空间分布如图5所示。

可以看出，核心枢纽型站点包括人民广场、南京东路、静安寺、娄山关路、徐家汇、南京西路、陆家嘴7个站点集中在二号线。而强传导型站点在九号线和一号线沿线。这两类站点均分布在城市核心区域和主要地铁干线，承担着重要的交通枢纽功能。对外交通型站点是城市对外交通的重要节点，有上海虹桥火车站、浦东机场、虹桥1号、2号航站楼、迪士尼、曲阜路、豫园和远东大道共8个。局部联系型站点一般位于地铁线路的中段。其中，局部联系混合型站点有天潼路、曲阜路、黄陂南路、川沙和江湾体育场等共23个，这些站点是次要的区域级交通节点，具有一定的交通便利性和客流量；局部联系居住型站点有虹桥路、虹漕路、共富新村、颛桥和嘉定北等共65个，这些站点主要位于区域级居住中心附近，以区域通勤客流为主；局部联系产业型站点有张江高科、金吉路、锦江乐园、漕宝路、大世界和虹口足球场等共32个，这些站点主要位于有一定客流的产业园区或写字楼附近。边缘型一般都在各条地铁线的末端。其中，边缘混合型站点有东方绿舟、滴水湖、野生动物园、醉白池、中华艺术宫、同济大学、华东理工、松江南站、奉贤新城、五角场和安亭等共66个；边缘居住型站点有东兰路、虹莘路、新江湾城等共139个，这些站点位于城市边缘的居民区；边缘产业型站点有上海动物园、桂林公园、长风公园、金海湖和紫竹高新区等共41个。

3.2　各类站点周边环境影响因素分析

对显著影响站点类型的因素及影响程度的评估，进行了以下3个步骤的预处理。①变量对数变换：为确保模型的解释性和稳定性，对长尾分布的自变量执行了对数转换，以压缩数据范围并使变量间的关系更加趋于线性，从而更准确地揭示自变量对因变量的影响。②方差分析和共线性检验：首先进行方差分析以筛选变量，购物服务、交叉路口密度、绿地占比、居住用地占比等变量不存在显著差异，故将其从后续分析中排除；接着进行共线性检验，计算各自变量的方差膨胀因子(VIF)值；排除人口密度等变量后，剩下自变量的VIF值均低于5，表明不存在显著的多重共线性问题。③回归建模：将9类车站作为因变量，构建无序多分类Logistic回归模型，在模型初步拟合后，剔除了显著性大于0.1的变量。最终，7个变量对各类站点均有较为显著的影响，进入模型。

不同类型地铁站点的建成环境特征揭示了城市空间结构的复杂性与层次性。经对数变换后，各类站点环境变量描述性统计结果如表2所示。各类站点环境变量的均值和方差，反映了不同功能定位及其特征：核心枢纽型站点各类资源最丰富且分布均匀，表明该区域功能较为集中和发达；对外交通型站点以公共设施为主，资源分布差异较大；局部联系型和强传导型站点功能和资源分布体现了多样性；边缘型站点因位置偏远，各类服务设施均值较低。站点区位特征与其建成环境属性基本一致，验证了站点分类的有效性。

站点类别无序多分类Logistic回归模型分析结果如表3所示。该回归模型通过了F检验(p值<0.01)，伪R²为0.75，卡方值为586，表明模型拟合良好。由表3可知，不同类型地铁站点与非常态下客流恢复特征之间存在紧密相关性。

具体来看，道路密度对大部分站点类型呈现显著负向影响，表明在非常态下，道路密度越高，人们可能更倾向于选择私家车或共享出行等替代方式，从而减少对地铁的依赖。公共设施和文化场馆对核心枢纽型和对外交通型站点表现出显著的正向影响，由此可见，在非常态下，公共设施和资源是推动地铁客流恢复的关键因素。由于城市交通网络中的重要节点在非常态下仍承担着大量人流和车流的集散功能，因此对公共设施的配备需求较高；同时，文化场馆的高度集聚在非常态下依然吸引了大量活动客流，进一步支撑了这些站点的客流恢复。

教育学校对所有站点类型的影响均为负，这表明通学需求在非常态下可能受到抑制。宾馆酒店对对外交通型和居住型站点显示出显著的正向影响，说明在非常态下，对外交通型站点仍然承担着周转长途客流的功能；而居住型站点周边的酒店宾馆可能为家庭成员感染后需要隔离的情况提供了便利的住宿条件。公司企业POI数量对边缘产业型、局部联系产业型和核心枢纽型站点表现出显著的正向影响，表明产业集聚效应即使在非常态下依然对这三类站点的客流恢复具有积极作用。餐饮服务POI对强传导型、局部联系混合型和居住型站点呈现显著的正向影响，反映了非常态下居民对这些类型站点周边餐饮服务的依赖增强。

4　结论

基于非常态下地铁站点客流动态特征与建成环境关联机制的系统分析，揭示城市轨道交通网络的差异化响应规律及规划调控路径，得到主要结论如下。

（1）基于客流波动恢复特性和网络中心性差异，构建9类地铁站点精细化分类体系，得出对外交通型站点(如浦东机场、上海虹桥火车站)在非常态下表现出波动最低、恢复弹性、恢复指数最高；产业型站点恢复能力最弱。应对核心枢纽型和强传导型站点优先保障基础设施，形成差异化运营范式，为交通韧性管理提供了科学依据。

（2）研究证实站点类型与POI分布的关联具有显著空间异质性，各类POI的空间分布与不同类型的站点有显著不同的关联性，与站点的区域特性和功能定位基本契合，核心枢纽型站点周边资源丰富且分布均匀，对外交通型站点以公共设施为主，而边缘型站点则因位置偏远而服务设施相对匮乏。城市规划中应充分考虑站点类型，合理布局基础设施和公共服务设施，将公共设施配置与区域功能定位深度耦合。

（3）通过无序多分类Logistic回归模型，揭示道路密度、公共设施等7类建成环境要素对站点类型归属概率的显著影响。研究发现，道路密度与多数站点类型呈负相关，而公共设施和文化场馆对核心枢纽型和对外交通型站点的正向影响尤为突出，可以看出，建成环境与非常态下站点客流特征之间的内在映射关系，也验证了“功能适配”理论在非常态情景下的适用性，为基础设施布局提供了量化阈值。

未来研究可进一步整合多源时空行为数据，揭示非常态下建成环境与客流动态的耦合演化规律，更加全面了解城市人群出行特征规律以及揭示特征背后建成环境的作用机理，旨在为高效的交通政策制定提供坚实的科学支撑。

参考文献

[1] 纪柯柯，杨　青，纪凯丽，等. 城市轨道交通非常态客流出行影响机制研究[J]. 铁道运输与经济，2024，46(4)：182-192.

[2] JI Keke， YANG Qing， JI Kaili，et al. Influence Mechanisms of Abnormal Passenger Flow Travel in Tianjin Urban Rail Transit[J]. Railway Transport and Economy，2024，46(4)：182-192.

[3] 王潇然，许心越，潘保霏，等. 基于地铁客流与建成环境映射关系的新线车站分类方法[J]. 铁道科学与工程学报，2024，21(3)：980-993.

[4] WANG Xiaoran， XU Xinyue， PAN Baofei，et al. A Classification Method for New Line Stations Based on the Mapping Relationship between Subway Passenger Flow and Built Environment[J]. Journal of Railway Science and Engineering，2024，

[5] 蒋阳升，俞高赏，胡 路，等.基于聚类站点客流公共特征的轨道交通车站精细分类[J].交通运输系统工程与信息，2022，22(4)：106-112.

[6] JIANG Yangsheng， YU Gaoshang， HU Lu，et al.Refined Classification of Urban Rail Transit Stations Based on Clustered Station’s Passenger Traffic Flow Features[J].Journal of Transportation Systems Engineering and Information Technology，2022，22(4)：106-112.

[7] 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.

[8] CHEN Ye， GAO Yue’er， SHEN Jingjing. Classification of Bus Rapid Transit-Rail Transit Stations Using Complex Network Analysis[J]. Tropical Geography，2023，43(7)：1234-1246.

[9] 户佐安，邓锦程，杨江浩，等. 轨道交通站点聚类及其对客流预测的影响分析[J]. 交通运输系统工程与信息，2023，23(6)：227-238.

[10] HU Zuoan， DENG Jincheng， YANG Jianghao，et al. Rail Transit Station Clustering and Its Impact on Passenger Flow Forecasting[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(6)：227-238.

[11] 尹　芹，孟　斌，张丽英. 基于客流特征的北京地铁站点类型识别[J]. 地理科学进展，2016，35(1)：126-134.

[12] YIN Qin， MENG Bin， ZHANG Liying. Classification of Subway Stations in Beijing Based on Passenger Flow Characteristics[J]. Progress in Geography，2016，35(1)：126-134.

[13] 冷　彪，赵文远. 基于客流数据的区域出行特征聚类[J]. 计算机研究与发展，2014，51(12)：2653-2662.

[14] LENG Biao， ZHAO Wenyuan. Region Ridership Characteristic Clustering Using Passenger Flow Data[J]. Journal of Computer Research and Development，2014，51(12)：2653-2662.

[15] CAO Z J， ASAKURA Y， TAN Z B. Coordination between Node，Place，and Ridership：Comparing Three Transit Operators in Tokyo[J]. Transportation Research Part D：Transport and Environment，2020，87：102518.

[16] 张志健，高顺祥，陈　越，等. 基于改进节点-场所模型的城市轨道交通TOD评估[J]. 交通运输研究，2022，8(3)：143-153，165.

[17] ZHANG Zhijian， GAO Shunxiang， CHEN Yue，et al. Evaluation of Urban Rail Transit TOD Based on Enhanced Node-Place Model[J]. Transport Research，2022，8(3)：143-153，165.

[18] FAN Z Y， ZHANG F， LOO B P Y. Rhythm of Transit Stations-Uncovering the Activity-Travel Dynamics of Transit-Oriented Development in the U.S.[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23(8)：12503-12517.

[19] 周　航，陈学武. 集时空聚类和指标筛选的公共交通通勤者识别[J]. 交通运输工程与信息学报，2022，20(1)：89-97.

[20] ZHOU Hang， CHEN Xuewu. Public Transportation Commuter Identification Based on Spatio-Temporal Clustering and Index Screening[J]. Journal of Transportation Engineering and Information，2022，20(1)：89-97.

[21] SU S L， WANG Z L， LI B Z，et al. Deciphering the Influence of TOD on Metro Ridership：An Integrated Approach of Extended Node-Place Model and Interpretable Machine Learning with Planning Implications[J]. Journal of Transport Geography，2022，104：103455.

[22] SHAO Q F， ZHANG W J， CAO X Y，et al. Threshold and Moderating Effects of Land Use on Metro Ridership in Shenzhen：Implications for TOD Planning[J]. Journal of Transport Geography，2020，89：102878.

[23] 马书红，廖国美，黄　岩，等. 建成环境对交通小区地铁通勤客流的异质性影响[J]. 吉林大学学报(工学版)，2024，54(7)：1913-1922.

[24] MA Shuhong， LIAO Guomei， HUANG Yan，et al. Heterogeneity of Built Environment on Commuter Passenger Flow of Subway in Traffic Analysis Zones[J]. Journal of Jilin University (Engineering and Technology Edition)，2024，54(7)：1913-1922.

[25] 丛雅蓉，王永岗，余丽洁，等. 土地利用因素对城市轨道交通车站客流的时空影响分析[J]. 城市轨道交通研究，2021，24(1)：116-121.

[26] CONG Yarong， WANG Yonggang， YU Lijie，et al. Spatial-Temporal Effects of Land Use Factors on Metro Station Passenger Flow[J]. Urban Mass Transit，2021，24(1)：116-121.

[27] 李毅军，罗紫宇，周 涛，等.基于 PCA-GWR 方法探究建成环境对轨道站点客流的影响[J]. 铁道运输与经济，2024，46(2)：159-166.

[28] LI Yijun， LUO Ziyu， ZHOU Tao，et al. Exploration of Impact of Built Environment on Passenger Flow of Rail Stations Based on PCA-GWR Method[J]. Railway Transport and Economy，2024，46(2)：159-166.

[29] 李清嘉，彭建东，杨　红. 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[J]. 地球信息科学学报，2021，23(7)：1246-1258.

[30] LI Qingjia， PENG Jiandong， YANG Hong. Research on Relationship Analysis between Passenger Flow Characteristics of Rail Transit Stations and Built Environment of Different Station Areas in Wuhan[J]. Journal of Geo-Information Science，2021，23(7)：1246-1258.

[31] 孙斌栋，但　波. 上海城市建成环境对居民通勤方式选择的影响[J]. 地理学报，2015，70(10)：1664-1674.

[32] SUN Bindong， DAN Bo. Impact of Urban Built Environment on Residential Choice of Commuting Mode in Shanghai[J].

[33] Acta Geographica Sinica，2015，70(10)：1664-1674.

[34] 金　昱. 城市轨道交通站点客流时变特征及其影响因素研究：以上海为例[J]. 现代城市研究，2015，30(6)：13-19.

[35] JIN Yu. The Influence of Land Use on Diurnal Pattern of Urban Mass Transit Station Boardings：A Case Study of Shanghai City[J]. Modern Urban Research，2015，30(6)：13-19.

[36] 勾艺超，魏 铭，王姣娥，等.疫情背景下中国居民城际出行恢复力、恢复模式与影响因素[J].地球信息科学学报，2022，24(10)：1941-1956.

[37] Gou Yichao， Wei Ming， Wang Jiaoe，et al. Intercity Travel Resilience，Recovery Patterns and Influencing Factors of Resilience in Chinesecities in the Context of COVID-19[J]. Journal of Geo-information Science，2022，24(10)：1941-1956.

基金资助

上海市城乡建设和交通发展研究院计划课题(310-C-6135-23-010004)

上海旅游高等专科学校科研项目(E1-0250-24-12-07)