城市轨道交通网络清分理论与实践发展综述

Development of Theory and Practice in Fare and Passenger Flow Clearing for Urban Rail Transit Networks： A Review

摘要

“清分”是城市轨道交通网络化运营管理中重要且具有特色的工作，清分结果是票款清分清算、网络客流分析、运营计划编制、网络运营协调以及运营风险控制等一系列重要问题的前提和依据。为全面系统地分析总结城市轨道交通网络清分发展概况，在梳理清分出现的历史背景与清分问题的缘起及深化的基础上，从理论和实践2方面对城市轨道交通网络清分国内外发展脉络进行了较为系统的回顾、总结与评述；结合未来都市圈轨道交通系统精细化的运营管理要求、多源化的运营数据资源以及多层次轨道交通融合发展的趋势，对清分理论与实践的进一步发展做出分析与展望，为新时期多网融合条件下都市圈多层次轨道交通网络化运营管理理论的构建及完善提供参考。

Abstract

Fare and passenger flow clearing is an important and distinctive task in the networked operation and management of urban rail transit. The outcomes of the clearing process serve as a fundamental basis for a wide range of essential tasks, including fare reconciliation, network passenger flow analysis, operational planning, coordination of network operations, and operational risk control. To comprehensively analyze and summarize the development of clearing in urban rail transit networks, this study first reviewed the historical background for the emergence of fare and passenger flow clearing. It then provided a systematic overview, summary, and commentary on the development of clearing theories and practices both domestically and internationally. Considering the increasing demands for more refined operational management in future metropolitan rail transit systems, the growing diversity of operational data sources, and the trend of multi-level rail transit integration, this paper further analyzed and forecasted the evolution of clearing theories and practices. The findings offer insights for the construction and improvement of theoretical frameworks for network operation management under the conditions of multi-network integration in modern metropolitan area rail transit networks.

Graphical abstract

关键词

城市轨道交通 / 网络化运营管理 / 清分 / 综述 / 展望

Key words

Urban Rail Transit / Networked Operation and Management / Clearing / Review / Prospect

0　引言

从2005年清分系统在国内正式投入运营开始^[1]，清分理论方法及生产实践从无到有、从有到优，已走过了20年发展历程，在一段时期内基本满足了城市轨道交通网络化运营管理的需要。当前，城市轨道交通持续发展并进一步与市域(郊)乃至城际轨道交通等互联互通^[2-3]，形成多网融合的都市圈多层次轨道交通体系，在极大地便利人们出行的同时也给网络客流分布计算与票款清分清算等带来了新的场景与挑战。

在都市圈轨道交通互联互通及多网融合发展的新时点上，对城市轨道交通网络清分理论与实践发展情况进行较为系统的回顾与总结，并对未来可能的趋势做出分析与展望，以期为新时期多网融合条件下都市圈多层次轨道交通网络化运营管理理论的构建及完善提供有益参考。

1　清分的缘起

“清分”问题缘起于“一票换乘”运营模式下对票款收入在不同运营主体之间的清算。运营主体承担的客流量是决定票款收益分配的主要依据，秉持“谁服务，谁收益”的原则，票款收益应按照乘客对线路的实际使用情况进行公平合理的分配。在线网简单或单一运营主体下，票款收益的归属清晰。随着线网规模及其复杂程度的不断增加，以及“一票换乘”运营模式的广泛采用，乘客在城市轨道交通网络中的实际路径使用情况变得难以直接判定，如何将票款收益在城市轨道交通不同运营主体之间进行公平合理的清算(即“清分”)成为亟待解决的问题^[4]。

对“清分”问题的理解有两层含义：票款的清分和客流的清分。票款的清分主要由OD(Origin and Destination)间多条有效路径的客流分配比例及每条有效路径中不同运营主体承担的运输里程比例决定。其中，有效路径的运输里程比例为已知前提，而客流分配比例来源于客流清分^[5]。由此可见，客流量是衡量不同运营主体贡献大小的核心依据，客流清分的准确性决定了票款清分的公平性，准确的客流清分是合理的票款清分的前提与基础。此外，虽然客流清分“缘起”于票款清分，但发展至今已非仅仅服务于票款清分，其结果以集计的时空双维度客流指标体现网络客流分布情况，又是列车运行计划编制及调整、网络运营协调、运营风险控制，以及突发事件应急处置等一系列重要问题的前提和依据。为此，在研究与实践上，票款清分主要看重全局性，并不苛求在局部时段或断面、站点等局部空间上的精确性，而客流清分则需要兼顾全局与局部两方面，是“清分”问题的研究重点。

进一步地，客流是微观个体乘客出行选择在网络上的宏观涌现，客流清分的本质是还原乘客在城市轨道交通网络中的出行路径选择。在“一票换乘”的网络化运营模式下，乘客在轨道交通网络内部的路径选择不可见，给还原乘客出行路径选择带来困难。为此，对乘客在网络中出行路径选择的准确估计又是城市轨道交通“清分”问题的关键与难点所在。

从票款清分入手，回顾国内外城市轨道交通清分的发展，从理论研究与生产实践2个方面总结国内外现有清分方法的局限性。通过结合国家政策导向、新兴技术手段和市场服务需求，分析都市圈多制式轨道交通互联互通新情景下清分面临的挑战，为网络化运营管理理论的构建及完善提供有益参考，综述研究框架如图1所示。

2　发展及评述

2.1　清分理论研究发展

“清分”包含了票款清分与客流清分两层内涵。在多元化的运营主体与“一票换乘”的运营模式下，需要根据制订好的清分规则，将票款收入在轨道交通各运营主体之间进行分配^[6]。线网的客流清分是票款清分的前提与基础，在无法直接获取乘客在轨道交通网络中出行路径选择的前提下，为了尽可能准确还原线网客流分布的真实情况，研究者们开展了大量的相关理论研究并应用于生产实践，验证路径选择估计及客流清分方法的有效性并根据反馈结果对方法进行改进优化，形成了“建模-标定-验证-改进”的闭环流程。清分研究“建模-标定-验证-改进”闭环流程示意图如图2所示。

2.1.1　票款清分

秉持“谁服务，谁收益”的原则，城市轨道交通票款清分的实质是计算线网中各条参与服务线路的经济贡献。票款清分的原则根据处理类型可分为运营里程与站点数量两大类。前者根据乘客实际出行路径经过的各运营商实际服务里程长度进行票款金额分配，后者根据乘客实际出行路径中经过的各运营商实际服务车站数量进行票款金额分配。基于运营里程的票款清分更多地应用于国内各大城市，陶玥等^[4]在运营里程的基础上考虑了换乘里程的因素，从而更合理地分配线路票款收益。基于线路运营里程的票款清分又包含了2层含义：一是对乘客单次出行的轨道交通系统收入按照乘客选择的路径中各线路的里程比例进行分配；二是将乘客单次的充值通过清算中心划拨到正确的线路上^[7]。本研究重点阐述第一层含义，即从各运营线路接收所有票卡的交易数据，根据预先统一制订的清分规则及时对各线的票款收入进行分配。城市轨道交通票款清分的关键是建立科学的清分模型、设计清分算法来计算各运营线路的收益分配比例^[8]。用于计算运营贡献的票款清分由客运量、静态线网属性与动态运营服务属性综合体现^[9]。

票款清分的基本步骤如下^[1]。①对于任意一对起讫点(OD)，确定所有有效的乘车路径以及乘客选择各有效路径的概率。②量化各条线路的运营服务(进站服务、出站服务、换乘服务及运送服务)，通常以运输里程为主要依据分别得出各条线路在有效路径上的收益比例；实际收益比例根据单路径单运营主体、单路径多运营主体、多路径单运营主体、多路径多运营主体4种情况分别确定^[10]。③结合客流分配与线路收益“双比例”，由全概率公式计算生成清分比例表，得出各条线路的票款收益。步骤③提及的“双比例”，即首先确定各路径分摊客流比例，然后按照不同时段运营线路的贡献分担比例进行票款清分^[11]。国内对票款清分的研究主要在“双比例”清分方法的基础上，对路径选择和比例计算方面不断改进优化。其中，步骤②输出的线路收益比例可根据实际里程信息与运费费率计算得到，而步骤①计算后得到的客流分配结果，需要借助客流清分实现。在确定乘客出行路径后，量化路径中各清分主体运营线路的运营服务(运输里程收益为主)来进行收益分配。

2.1.2　客流清分

城市轨道交通客流清分的实质是量化OD间有效路径在网络客流组织中的承担比例与服务效益。客流清分方法包含近似法与精确法两大类^[9]，前者包含基于路网规模的客流清分、基于最短路径模型的客流清分和基于K短路径模型的客流清分，后者包含理想情况下的客流清分与基于多维匹配的客流清分。

（1）近似法。路网规模清分基于运营里程数、投资额度、服务质量等评估指标，对运营线路做资产评估从而得出一个静态的清分比例^[12]。其仅适用于换乘站较少且网络线路比较稳定的情况，当线路发生改变时需要重新进行人工评估^[1]。基于最短路径模型的客流清分适用于路网规模不大、结构简单、清分精度要求不高的应用场景，该方法仅以乘客出行的时间或距离要素分析，忽略了换乘舒适度、拥挤度等其他的主客观因素，且仅选用起讫点间唯一的路径进行清分计算，无法有效体现乘客选择的多样性特征^[13]。基于K短路径模型的客流清分选取最短的前K条路径，一定程度上提高了客流分配的合理性，被国内多数大城市轨道交通系统广泛采用。

近似法客流清分主要包含4个步骤：第一步根据乘客出行路径选择的影响因素构建广义出行阻抗函数；第二步基于路径搜索算法结合绝对与相对阈值生成有效路径集；第三步确定有效路径的客流分配比例；第四步计算客流分配结果。其中，前3个步骤与乘客路径选择估计密切相关^[14]。客流是微观个体出行选择在网络上的宏观涌现，解决客流清分问题的核心是准确估计乘客的出行路径选择。

①广义阻抗函数构建。从乘客出行的角度，网络客流的时空分布状态受到乘客出行行为偏好、网络结构、运营模式和票制票价等多因素影响^[15]。考虑到阻抗函数构建的有效性及可操作性，在对上述影响因素筛选时需遵循以下原则：一是最大程度反映乘客的出行习惯，综合考虑乘客路径选择的影响因素来制定一个多目标优化模型；二是有利于构建模型的稳定性、实用性及可验证性。在确定OD间有效路径时，乘客会根据换乘次数、列车运行时间、换乘时间、进出站时间和服务质量等因素选择效用最优的路径^[8]。影响因素存在空间差异性，不同城市轨道交通乘客对于同样的影响因素存在不同的感知。综合北京、上海、广州、深圳等地综合阻抗的构建经验，旅行时间、旅行距离与换乘次数反映了85%以上乘客的出行行为^[4]。乘客的路径选择受到路径连通、发车频率、站台与车厢容量等物理约束的同时，也受到拥挤度、便捷度等服务水平的影响。在上述定量指标的基础上，研究者进一步研究乘客感知与路径选择之间的关系，从而优化综合阻抗的构建。引入放大系数将乘客在车外的换乘及候车时间折算为旅行时间已经被广泛应用于综合阻抗的计算。在此基础上，部分学者关注不同换乘环境之间的差异，包括将换乘行为细分为水平换乘、乘坐电梯垂直换乘、楼梯换乘以及等候换乘列车，通过调查数据分析各影响因素的重要程度^[16]。此外，研究者提出了乘客对于换乘次序的感知差异，即乘客对于每一次换乘的容忍度随着换乘次数的增加而降低^[17]。在拥挤度研究方面，研究者发现车厢及站台的拥挤程度会导致留乘及路径选择的改变^[18]，甚至出现反向乘车绕行等现象。了解乘客的出行行为对于选择影响因素并构建具有代表性的路径综合阻抗不可或缺。

②有效路径集生成。有效路径集是乘客在OD间出行实际可能选择的路径的集合，对于路径选择估计的准确性至关重要^[19]。因OD点之间的路径连通较多，需要设计有效的算法来得出初步的有效路径，包括：最短路原则、时间最少原则、换乘次数最少及费用最低原则等。其中“最短路准则”被广为采纳^[20]。然而在实际出行中，并非所有乘客遵循“最短路准则”出行，研究显示13%的乘客因主动或被动的原因不会选择最短的出行路径^[21]。K短路算法被用来松弛“最短路规则”的强约束^[22]。其中，K短路算法是目前被广为使用的有效路径集初步生成方法。但随着城市轨道交通网络的扩张，出行时间相似的路径不断增加，乘客的选择性更加多样化，使用K短路算法会遗漏有效路径。为了进一步精确路径集，在多准则下重复最短路搜索算法、增加绝对或相对阈值、仿真法、分支定界法等被用来避免有效路径遗漏问题^[23]。随着自动售检票系统(Automatic Fare Collection，AFC)数据的完善，使用乘客进出站刷卡的时间及地点来聚类OD间有效路径的方法提高了有效路径集的可靠性^[24]。

③路径客流分配比例计算。客流在不同路径上的分配比例是清分算法中最重要的参数，而路径流量分配比例与乘客的路径选择行为直接相关^[11]。城市轨道交通有效路径客流分配比例的确定方法源于MNL(Multinomial Logit)模型，但因轨道交通路径存在重叠的特征，MNL模型并不能很好地应对路径重叠问题。在考虑到有效路径区间重叠的基础上，部分研究者尝试使用Probit模型来表达有效路径集与路径选择概率之间的决策连续性，旨在更真实地还原乘客出行选择的异质性^[25]。但Probit模型在多路径的情况下计算复杂度高，难以推广到实际的大型网络。相比之下，改进的Logit模型在保留Logit模型简洁性的同时可以兼顾路径选择行为的真实度。因此研究者提出路径尺度Logit模型(Path Size Logit)与C-Logit模型来解决这类问题^[26]。赖树坤等^[12]采用改进的Logit模型，将路径之间的绝对差值改为相对差值，更合理地计算有效路径被选择的概率。在确定有效路径的客流分配比例时，通过实际数据验证基于正态分布的概率模型与Logit模型准确性，发现基于正态分布的概率模型与实际调查数据吻合度更高^[4]。正态函数的右半曲线可以很好地描述有效路径被选择的概率，因此被广泛应用于我国城市轨道交通的客流清分实践。

近似法代表性文献及方法拆解如表1所示。表1总结了近似清分法具有代表性的文献，并根据上述清分步骤进行拆解。通过对比发现，在车时间、换乘时间、拥挤度为乘客路径选择的主要影响因素。在使用路径搜索算法的基础上，研究者多采用阈值进行二次筛选以保证有效路径集的质量。考虑到计算便捷性及概率分配效果，改进Logit模型被广为采用。

上述近似法本质为先验性且旨在尽可能符合大多数人的出行习惯，因此会与实际情况存在差异。虽然能够反映大样本统计数据的不确定性，且计算负荷较小，但其在参数调整上灵活性较差。客流清分的准确度与参数校准密切相关，很多城市的清分模型参数更新频率约为1~2年，无法有效地适应快速发展的轨道交通网络与动态多变的乘客出行行为。研究者们尝试使用统计学和基于数据驱动的方法来更新模型参数，从而提高乘客路径选择估计的准确度^[27-29]。为了从根源上提高客流清分的准确度，采用精确法进行客流清分近年来引起研究者与从业者的广泛关注。

（2）精确法。理想情况下的客流清分假设每个换乘站均设置设备记录乘客的换乘行为，从而得出乘客精确的出行路径来实现精准清分。但是，这类方法需要大量的资金投入刷卡机(或标签机)等硬件设施，同时也很大程度上破坏了乘客“无感换乘”的便捷出行体验。此外，海量的个体乘客出行记录也对数据的存储与处理提出了巨大的挑战，一直较难落地于实际场景^[12]。

基于多维匹配的客流清分是对已经发生的OD客流进行重新推算，再现客流在网络上的出行分布情况。其总体思路包括：确定OD间有效路径集、确定路径可行乘车方案、确定可行路径、确定路径乘车方案和确定出行路径5个阶段。随着交通大数据技术的发展，在AFC票卡数据与列车自动监控(Automated Train Supervision，ATS)等轨道交通大数据的支持下，研究者可通过将乘客完成一次OD出行的实际出行时间与相应时段的标准出行时间进行匹配，以识别其实际出行路径。乘客选择不同路径必然影响到一对OD的旅行时间分布，根据该分布可以反推各有效路径的客流比例。上述根据已知的OD客流对路径客流进行推算积累了较多研究成果。不同于近似法粗略叠加在车时间、换乘时间、拥挤度作为路径阻抗，多维匹配的客流清分考虑了乘客在轨道交通网络内出行的完整时间链，包括进站走行、站台等候、在车时间、换乘走行、换乘等候以及出站走行的全过程^[30]。结合ATS数据，贝叶斯概率模型被用于估计乘客的列车选择以及进出站时间，从而反推出乘客的准确出行路径^[31-32]。通过验证发现在路径差值2 min时，客流分配仍然具有较高的准确率，凸显了多维匹配客流清分的高准确性^[7]。

随着手机信令数据^[33]、Wi-Fi嗅探数据^[34]、视频监控数据^[35]、列车称重数据^[36]等的融入，构建基于时空路径匹配的清分算法成为客流清分的又一研究热点。与调查数据和AFC数据相比，使用手机信令数据重建乘客出行轨迹并统计各路径的选择概率可以对现有路径选择模型的概率进行修正，全局且动态地调整换乘放大系数以及客流分配比例参数，更客观、准确、及时地反映现有模型的有效性^[37]。手机信令数据因其对乘客出行全程轨迹的精细化刻画能力及丰富的样本量，可以用于验证基于时空路径匹配清分方法的准确度^[38]。通过标定乘客换乘走行时间、站台候车时间等参数，结合当日实际运行的AFC与ATS数据，从而搜索出每个乘客的乘车方案，推定出乘客的唯一有效路径，进而统计得到各路径的客流分配比例。

此外，考虑到路网结构复杂性与乘客出行行为的多样性，路网中存在难以通过匹配出行时间确定出行路径的OD，此时仍需要依据网络客流总体出行路径选择的特征，使用近似法进行客流分配。将基于乘客出行时间的推定型方法与基于乘客总体出行特征的分配型方法相结合，形成综合的清分方法，确保乘客出行路径的客观性、注重乘客出行路径的确定性、保障主要OD客流出行路径的合理性、考虑乘客出行链中的特殊性、满足清分系统实现的可行性及客流计算的可行性，从而在整体上提高清分计算结果的准确性与合理性。

2.2　国内清分实践发展

“清分”来源于城市轨道交通网络化运营管理工作的实际需要，伴随理论研究的不断深入并逐步应用于生产系统，在生产实践上也持续取得重要进展。国内城市轨道交通运营管理部门所使用的清分模型从无到有，走过了从简单的最短路径模型到考虑乘客出行多样性的多路径模型的发展历程，直至目前，广泛采用了基于多路径概率分配的清分模型来实现网络客流分布计算与票款清分清算。2005年，上海地铁成立了AFC清分管理中心，实现了及时的票款清分结算以及客流数据分析^[39]。同年，广州地铁建设了轨道交通清分综合中央计算机系统(ICCS)计算各线路之间的清算分账，并实现车票交易数据的处理及统计分析^[40]。2008年，北京地铁成立了路网票务清算管理中心(AFC Clearing Center， ACC )用于票务的清算管理^[4]，之后又于2013年基于AFC票卡交易数据、ATS列车运行图、客流调查数据等提出乘客出行路径反推，优化了清分方法^[41]。2011年，深圳地铁参考北京、上海和广州的经验，由深圳通牵头成立了深圳市城市轨道交通清分中心^[42]。2021年，深圳地铁推进清分二期项目，旨在集成物联网、云平台、大数据分析与应用技术，推进深圳市轨道交通票务和客流等大数据的集中分析、挖掘与应用。目前，国内网络化运营的城市轨道交通系统普遍建设了自动售检票系统清分中心来实现网络客流分配，并基于配流结果对网络客流分布和票款收入做出统计分析及清分清算。国内一线城市轨道交通网络清分系统参数一览表如表2所示^[43]。

2.3　国外清分实践发展

国外清分多指向票款清分，表述为fare clearing，revenue allocation，fare reconciliation等^[44-45]。其中，北美国家与国内不同，较少采用PPP模式投资与运营城市轨道交通，多为政府直接管理与运营；英、法等欧洲国家曾采用PPP模式开展城市轨道交通项目^[46]，例如，为保障伦敦地铁长期重建工作的顺利推进，政府于2002年尝试采用PPP模式来支持长期的基础设施维护与升级，但到2008年，3家公私合营企业面临破产，伦敦地铁的建设与运营又重新回到政府部门。在客流清分上，伦敦地铁的清分方式与国内相同，采用考虑出行时间、换乘、票价及舒适度的K短路概率配流模型来计算网络客流分布^[47]。在日本、韩国、新加坡、泰国、印度尼西亚等亚洲国家，城市轨道交通PPP模式得到广泛的应用与推广。以韩国和日本为例，在票款清分上，首尔地铁由韩国铁路公司、首尔市地铁公司、首尔市快运公司与仁川快运公司共同运营，按照进站的车站收取起步价，出站的车站收取超出部分票价来进行票款清算^[48]；在客流清分上，首尔地铁采用K短路算法与Logit模型分别筛选有效路径并计算网络客流分布^[49]，而东京与大阪地铁在客流清分上则采用最短路算法获取有效路径，并按照最短路径中线路的运距进行票款清算。

为了提高清分结果的准确程度，国外也开展过模型的标定与验证工作。例如，伦敦地铁结合AFC与ATS数据进一步精细化乘客出行时间^[50]，同时还引入Wi-Fi数据来实时获取乘客在站台及付费区的等待时间，统计在车人数等；巴黎地铁尝试使用手机信令数据获取乘客的旅行时间、列车满载率以及OD客流量，得到更精细化的清分结果^[51]；而随着图像处理与生物特征认证技术的发展，研究人员也尝试采用指纹识别的方式串联出个体乘客唯一路径，构建智慧地铁票务系统^[52]。

可以看出，由于在投资建设及运营模式上的差异，国外城市轨道交通系统清分工作起步较早但相对简单，而国内的城市轨道交通运营管理部门近年来面临高峰期客流强度与精细化运营管理要求双增加的压力与挑战，在生产实践中进行了更多的探索与尝试。

2.4　清分理论与实践发展评述

纵观上述国内外清分理论与实践发展历程，“清分”包含了票款清分与客流清分两层内涵，保障票款清分公平性的关键是将票款按照线路的经济贡献分配给各线路的运营主体，而计算线路经济贡献的难点在于掌握客流的网络分布情况。相对国外而言，国内多元的投资运营主体与“一票换乘”的运营模式提升了客流清分的难度。现阶段国内城市轨道交通网络客流清分普遍采用“综合阻抗构建-有效路径集生成-路径分配比例计算”的近似法理论框架，该理论方法在保证计算步骤简单、成本较低的同时，具有可接受的准确度，不同城市在每个环节所采用的具体方法及参数标定略有差异。其中，在计算综合阻抗时，出行时间为主要影响因素，不同城市根据乘客的出行时间容忍度差异对换乘次数、站台与车厢拥挤度等定性因素采用不同的折算比例。有效路径集生成的算法通常采用最短路算法或K短路算法并根据不同城市的阈值进行筛选。在路径分配比例的计算上，综合考虑清分计算效率与实际出行时间分布的拟合情况，Logit模型与基于正态分布的概率模型较多被采用。

随着城市轨道交通网络规模的扩大、列车运营服务灵活性以及乘客选择多样性的进一步提高，需要进一步提高客流清分的准确程度，包括提高对乘客出行选择行为的理解、优化校准模型参数以及提升在时空双维度下验证清分方法的适用性等。一方面，大数据技术的发展以及通讯、图像及视频识别等技术的进步，引入新的数据源为今后进一步提高清分结果的准确程度提供了可能性。另一方面，从宏观的视角下剖析城市轨道交通客流清分的发展趋势，可以发现从近似法到精确法经历了从一维静态物理网络到二维静态物理网络与动态行车网络融合的发展过程，随着维度的增加，客流在轨道交通网络的时空分布将不再是“黑箱”问题。上述趋势在近年的理论研究中已有所体现，包括但不限于：①引入Wi-Fi数据分析乘客选择车厢、换乘通道、电梯扶梯等出行行为偏好；②使用票卡数据聚类乘客在起讫点间的实际出行时间，结合列车运行时刻表优化有效路径集；③融合调查数据与票卡数据，以数据驱动的形式循环标定路径选择概率模型参数，延长模型的生命周期及稳健性；④使用手机信令数据弥补票卡数据缺失的路径信息。但仍然面临以下挑战：①海量的数据资源亟需高效的数据处理与挖掘手段来适应现场需求，而现阶段因数据的质量及可获取性，理论研究对大数据的应用停留在局部探索阶段，无法覆盖全局；②不同数据源间存在壁垒，现有理论研究对不同数据源的应用较为分散，且较多研究采用“前期方法独立，后期决策融合”的方式，对多源数据之间关系的挖掘存在欠缺；③理论研究目标需要以生产实践需求为导向，保证清分方法在新场景下的适用性及多种场景下的通用性。

遵循上述趋势，未来的城市轨道交通网络客流清分将重点关注多源信息融合与多维网络下乘客出行行为分析方法，面对多网融合新场景下的清分需求，致力于突破多源数据融合的技术瓶颈及清分理论方法与生产实践之间的壁垒，提高清分生产实践在不同场景下的适用性与准确性。

3　趋势与展望

3.1　都市圈轨道交通发展趋势

3.1.1　更精细化的运营管理要求

新时期我国交通强国战略^[53]和智慧城市建设^[54]持续推进，城市轨道交通由高速发展转入高质量发展阶段，以运营、经营为主，旨在提升效益。在此背景下，城市轨道交通运营企业为解决运营成本持续攀升、运营场景多样化、客流特征复杂化、乘客需求多元化、设备维修强度大及复杂度高、企业管理层级多及决策流程长等问题，需要将现代信息技术与各项业务深度融合，以提高运营效率、简化运管流程。北京、上海、广州、深圳、呼和浩特等城市率先根据城市特点及定位做出了智慧城市轨道交通建设的重要实践，积累了宝贵的实践经验^[55]。

未来“十五五”及更长时期，我国大城市及都市圈轨道交通将进一步呈现阶段性特征^[56]：一是轨道交通成网运营后，客流增长趋于平稳，轨道线网规模化后期，轨道设施建设投入的新增客流效益正在逐渐降低；二是市民公众对出行服务的品质要求越来越高，从初级的“准时可靠，安全可达”转向“门到门、舒适、无障碍、功能融合”；三是“双碳”目标的确立也对轨道交通运营提出了交通减碳的重要任务。为此，更精细化的运营管理是当前及今后我国大城市及都市圈轨道交通发展的重要趋势，也是应对上述阶段性特征的有效策略。

3.1.2　更多源化的运营数据资源

走行时间参数、换乘放大系数、有效路径阈值等参数的准确度决定了客流清分的表现能力，因此参数标定是保障清分准确性的重要环节。以往的参数标定通常来源于人工调查，在时间和空间上存在局限性且需要消耗大量的人力和物力。随着大数据技术的发展，数据驱动的参数标定方法被广泛采用及推广^[57]。AFC系统的票卡数据包含了出行起迄点、进出站时刻、票卡持有人信息等海量的真实数据，将宏观的客流细化至微观的乘客个体。研究者进一步结合ATS行车数据推定个体乘客的乘坐车次，并赋予有效路径时间约束。上述多源化运营数据资源的融入极大地提高了清分理论方法的通用性及不同应用场景下生产实践的适用性。

乘客的出行行为需要通过多维视角来观测并分析。考虑到多源数据包含了客观、丰富的视角信息，需要多源数据融合来提供综合视角来挖掘隐藏的影响因素。受基于时空双维度匹配客流清分的启发，研究者进一步拓宽视野，不仅仅局限于轨道交通网络自有资源，尝试融合外部数据资源来优化清分理论方法与生产实践手段。目前，监控网络和通讯网络等数据资源被引入客流清分的理论研究，研究者有望借助Wi-Fi^[34]、手机信令^[58]、监控视频^[59]等数据，开展等候时间和换乘时间的参数检验，还原乘客完整的出行轨迹从而得到集计的客流分布结果。

毫无疑问，整合多源运营数据能够提高客流清分的表现，但数据融合的技术壁垒阻碍了研究进展。近年来，物联网和区块链等先进的数据集成技术显示出打破数据壁垒、释放多源化数据融合潜力的前景，预示着轨道交通网络客流清分新时代的到来。

3.1.3　多层次轨道交通融合发展

随着都市圈的快速发展，居民出行向城市外围延伸，为提升区域交通效率，各大城市加快推进多制式轨道交通互联互通。东京、巴黎、伦敦、纽约^[60]等国际大都市轨道交通系统发展较早，一体化运营模式已相对成熟。相比之下，我国轨道交通起步较晚但发展迅速。2017年，国家提出“四网融合”发展目标，推动干线铁路、城际铁路、市域(郊)铁路和城市轨道交通一体化建设，我国都市圈轨道交通系统进入“多网融合”发展新阶段^[61]。

目前，我国区域多层次轨道交通建设主要集中在京津冀、长三角、粤港澳、成渝等城市群，城市轨道交通、城际铁路、市域(郊)铁路之间的互联互通需求尤为突出^[62]：北京市域铁路与城市轨道交通已探索3种主要衔接模式^[63]。早期线路如八通线、房山线硬件制式及管理模式与城市轨道交通保持一致，实现贯通运营。怀柔—密云线在清河站通过“安检互信”实现与城市轨道交通、高铁间无缝换乘。其余线路如S2线、通密线等以站外换乘为主；上海都市圈轨道交通多网融合以2024年底市域铁路机场联络线的开通为起点，首阶段在中春路站、浦东机场站实现与城市轨道交通站内无感换乘^[64]；粤港澳大湾区已建成以广佛线、莞惠城际为代表的较为完善的城际网络，并与广州、佛山等城市轨道交通在多个站点实现付费区或非付费区换乘，未来将进一步推进设施互联、票制互通、安检互信等方面建设^[65]。

由于各制式轨道交通多属不同运营主体，计价规则各异，大多数城市的跨制式出行仍然借助“刷卡过闸”进行“分段计价”^[66]。随着“一票制”模式推广，各大城市开始尝试通过“统一票价”“无感换乘”“统一支付”等手段实现“一票通行”，进一步提升多制式轨道交通网络的融合程度，为乘客提供更加便捷的出行服务。

3.2　清分理论研究及实践展望

当前的城市轨道交通正处于从“量变”到“质变”，即新建交通基础设施向“精细化”运营的转换期。客流与运营可以看作是需求与供给的关系，在明确需求的前提下匹配供给，方能实现资源利用率的最大化，即“精细化”客流清分是“精细化”运营管理的基础。还原乘客在轨道交通网络上的真实出行轨迹是实现“精细化”客流清分的微观基础，这对于理解乘客面对不同约束条件下的出行行为具有重要意义，从而帮助研究者与从业者站在乘客的角度上制定与乘客期望相匹配的运营方案。

从基于出行阻抗的概率清分到基于时空双维度匹配的清分，揭示了引入多维视角的重要性与有效性。此外，将来自监控网络的视频数据与通讯网络的手机信令数据、Wi-Fi嗅探数据以及蓝牙数据与轨道交通物理网络、ATS行车网络融合可以挖掘乘客路径选择的潜在属性，将上述独立的数据资源整合形成一个多维异构网络，有助于研究人员与从业者更全面客观地理解乘客的路径选择行为，从而提高客流清分的准确性。多源数据融合的2种场景如图3所示。情景1显示，随着数据源的不断增加，有效路径将逐渐减少并最终可唯一确定。额外的数据源不仅缩小了有效路径的集合，还可以补全遗漏的有效路径并给予合理的解释。情景2中的手机信令数据显示了不合理的位置偏移，为了进一步确认其是否有效，社交网络和兴趣点(Point of Interest，POI)数据的融入将帮助研究人员理解这类“异常选择行为”。在理想情况下，丰富信息维度能够使乘客所有出行获得合理化解释，从而使得网络客流分布在任何时间粒度和空间范围下均可推断。

随着轨道交通多网融合发展，通过付费区换乘实现“一票通行”成为提高出行便捷性的目标。对清分工作提出了更高要求，需完成票款收益在不同制式轨道交通运营主体之间的清算，和多层次轨道交通网络客流在不同制式轨道线路上的分配，当前的清分理论与应用实践存在一系列局限性：①由于轨道交通网络的复杂化，在对路网结构进行图形化处理时不仅需描述单一制式内的线路和换乘关系，还要包括付费区换乘、非付费区换乘(如站外换乘、同站台换乘)等多种模式，多层次轨道交通互联互通模式分类汇总情况如表3所示；②多网融合条件下，城际、市域(郊)铁路等轨道交通线路的低频发车特点使得候车、换乘时间等影响因素的标定与量化更加困难；③由于不同制式轨道交通的票制票价存在差异(如市域铁路票价高但速度快、旅时短)，当前基于最短路径与渐短路径的客流清分逻辑难以兼顾旅行时间与成本的平衡；④现有的“同网同价”策略虽能暂时解决问题，但可能使高建设成本的市域铁路面临亏损，需通过优化票款清分规则或制定补贴政策实现收益平衡。

轨道交通多网融合趋势背景下，乘客的出行选择行为更加多元。当前城市轨道交通系统在客流清分时主要基于旅行时间或里程(且两者又常常一致)，而在多制式轨道交通网络中，旅行成本、舒适度、换乘便捷性、时刻表衔接水平等因素对乘客决策的影响愈发显著。不同经济水平和出行需求的乘客对这些因素的敏感度不同，需综合考虑各影响因素的权重，优化当前清分方法。此外，传统“两阶段、双比例”的票款清算规则也无法有效体现多制式轨道交通在建设与运营成本上的差异，需引入线路费率等因素进行调整，重新设计票款清分机制，以确保收益分配的公平合理。因此，面向多网融合背景下多制式轨道交通网络运营和乘客出行选择行为的变化，现有清分理论与应用实践需做出全面的优化升级，以满足多网融合条件下轨道交通网络精细化运营管理的需求。

4　结束语

在梳理“清分”缘起的基础上，从理论和实践2方面对城市轨道交通网络清分国内外发展情况进行了较为系统的回顾、总结与评述。同时，结合未来都市圈轨道交通发展趋势，对清分理论与实践的进一步发展做出分析与展望，为新时期多网融合条件下都市圈多层次轨道交通网络化运营管理理论的构建及完善提供有益参考。

参考文献

[1] 杨承东，范巍，刘正自. 城市轨道交通AFC票务清分系统[C]//中国城市轨道交通新技术(第三集). 北京：中国科学技术出版社，2009：274-279.

[2] 张安锋，刘　涛. 城市轨道交通网络互联互通的四种运营模式[J]. 城市轨道交通研究，2016，19(7)：127-132.

[3] ZHANG Anfeng， LIU Tao. Four Operation Modes of Urban Rail Transit Network Interconnection and Intercommunication[J]. Urban Mass Transit，2016，19(7)：127-132.

[4] 仲建华，梁青槐. 城市轨道交通互联互通网络化运营的思考[J]. 都市快轨交通，2015，28(5)：10-12，56.

[5] ZHONG Jianhua， LIANG Qinghuai. On Inter-Connected Network Operation of Urban Rail Transit[J]. Urban Rapid Rail Transit，2015，28(5)：10-12，56.

[6] 陶　玥，张冬泉. 城市轨道交通票款清分方法[J]. 都市快轨交通，2010，23(4)：16-19.

[7] TAO Yue， ZHANG Dongquan. Fare Clearing Model for Urban Rail Transit[J]. Urban Rapid Rail Transit，2010，23(4)：16-19.

[8] 赵路敏，郝庆玲，杜世敏. 北京市轨道交通线网客流及票款清分方法[J]. 都市快轨交通，2009，22(6)：58-60.

[9] ZHAO Lumin， HAO Qingling， DU Shimin. Passenger Flow and Ticket Income Clearing for Beijing Urban Rail Transit Network[J]. Urban Rapid Rail Transit，2009，22(6)：58-60.

[10] 刘光勇. 城市轨道交通网络票务清分问题研究[D]. 长沙：中南大学，2012.

[11] 高圣国，吴　忠. 基于旅行时间分布的客流清分模型[J]. 交通运输系统工程与信息，2011，11(6)：124-130.

[12] GAO Shengguo， WU Zhong. Modeling Passenger Flow Distribution Based on Travel Time of Urban Rail Transit[J]. Journal of Transportation Systems Engineering and Information Technology，2011，11(6)：124-130.

[13] 周晓燕. 城市轨道交通票务清分算法研究[J]. 现代城市轨道交通，2013(6)：75-77.

[14] ZHOU Xiaoyan. Study on Ticketing Settlement Algorithm in Urban Rail Transit[J]. Modern Urban Transit，2013(6)：75-77.

[15] 于　航，徐道强. 天津市轨道交通网络化运营票务清分中的路径确定方法探讨[J]. 城市轨道交通研究，2013，16(2)：26-29.

[16] YU Hang， XU Daoqiang. Analysis of Fare Clearing Method on Network Operation for Tianjin Urban Rail Transit[J]. Urban Mass Transit，2013，16(2)：26-29.

[17] 龚　隽，靳文舟，郑亚晶. 城市轨道交通票务清分方法研究[J]. 铁道运输与经济，2018，40(2)：79-86.

[18] GONG Jun， JIN Wenzhou， ZHENG Yajing. A Study on Fare Distribution Model of Urban Rail Transit[J]. Railway Transport and Economy，2018，40(2)：79-86.

[19] 谢小星，秦　凯，郭英明，等. 城市轨道交通网络化运营的多路径可达票务清分模型[J]. 城市轨道交通研究，2020，23(10)：133-137.

[20] XIE Xiaoxing， QIN Kai， GUO Yingming，et al. Urban Rail Transit Fare Clearing Model of Multiple Access Routes under Network Operation[J]. Urban Mass Transit，2020，23(10)：133-137.

[21] 赖树坤，毛保华. 轨道交通系统票务清分算法的研究[J]. 铁道运输与经济，2007，29(6)：42-45.

[22] LAI Shukun， MAO Baohua. Study on Ticket Revenue Clearing Algorithm for Rail Transit System[J]. Railway Transport and Economy，2007，29(6)：42-45.

[23] 杨　甲，罗　钦，徐瑞华. 城市轨道交通网络清分方法研究[J]. 城市轨道交通研究，2009，12(5)：22-25.

[24] YANG Jia， LUO Qin， XU Ruihua. A Clearing Method of AFC on Urban Mass Transit[J]. Urban Mass Transit，2009，12(5)：22-25.

[25] 四兵锋，毛保华，刘智丽. 无缝换乘条件下城市轨道交通网络客流分配模型及算法[J]. 铁道学报，2007，29(6)：12-18.

[26] SI Bingfeng， MAO Baohua， LIU Zhili. Passenger Flow Assignment Model and Algorithm for Urban Railway Traffic Network under the Condition of Seamless Transfer[J]. Journal of the China Railway Society，2007，29(6)：12-18.

[27] 周玮腾，韩宝明，冯　超. 城市轨道交通网络客流分配模型和算法综述[J]. 系统工程理论与实践，2017，37(2)：440-451.

[28] ZHOU Weiteng， HAN Baoming， FENG Chao. A Review of Passenger Flow Assignment Model and Algorithm for Urban Rail Transit Network[J]. Systems Engineering—Theory & Practice，2017，37(2)：440-451.

[29] HIBINO N， UCHIYAMA H， YAMASHITA Y. A Study on Evaluation of Level of Railway Services in Tokyo Metropolitan Area Based on Railway Network Assignment Analysis[J]. Journal of the Eastern Asia Society for Transportation Studies，2005，6：342-355.

[30] CHENG Y， YE X F， FUJIYAMA T. How Does Interchange Affect Passengers’ Route Choices in Urban Rail Transit？A Case Study of the Shanghai Metro[J]. Transportation Letters，2022，14(4)：416-426.

[31] PEL A， BEL N H， PIETERS M. Including Passengers’ Response to Crowding in the Dutch National Train Passenger Assignment Model[J]. Transportation Research Part A： Policy and Practice，2014，66：111-126.

[32] PRATO C G， BEKHOR S. Applying Branch-and-Bound Technique to Route Choice Set Generation[J]. Transportation Research Record，2006，1985(1)：19-28.

[33] DIAL R B. A Probabilistic Multipath Traffic Assignment Model which Obviates Path Enumeration[J]. Transportation Research，1971，5(2)：83-111.

[34] TIAM-LEE T J， HENRIQUES R. Route Choice Estimation in Rail Transit Systems Using Smart Card Data：Handling Vehicle Schedule and Walking Time Uncertainties[J]. European Transport Research Review，2022，14(1)：31.

[35] EPPSTEIN D. Finding the k Shortest Paths[J]. SIAM Journal on Computing，1998，28(2)：652-673.

[36] AZEVEDO J， SANTOS COSTA M E O， SILVESTRE MADEIRA J J E R，et al. An Algorithm for the Ranking of Shortest Paths[J]. European Journal of Operational Research，1993，69(1)：97-106.

[37] ZHU W， FAN W L， WAHABALLA A M，et al. Calibrating Travel Time Thresholds with Cluster Analysis and AFC Data for Passenger Reasonable Route Generation on an Urban Rail Transit Network[J]. Transportation，2020，47(6)：3069-3090.

[38] ZHANG Y S， YAO E J， WEI H，et al. Constrained Multinomial Probit Route Choice Modeling for Passengers in Large-Scaled Metro Networks in China[J]. Transportation Research Procedia，2017，25：2385-2395.

[39] PRASHKER J N， BEKHOR S. Route Choice Models Used in the Stochastic User Equilibrium Problem： a Review[J]. Transport Reviews， 2004， 24(4)： 437-463.

[40] XU R H， LUO Q， GAO P. Passenger Flow Distribution Model and Algorithm for Urban Rail Transit Network Based On Multi-Route Choice[J]. Journal of the China Railway Society，2009，31(2)：110-114.

[41] LIU J F， SUN F L， BAI Y，et al. Passenger Flow Route Assignment Model and Algorithm for Urban Rail Transit Network[J]. Journal of Transportation Systems Engineering and Information Technology，2009，9(2)：81-86.

[42] DALY A， HESS S， DE JONG G. Calculating Errors for Measures Derived from Choice Modelling Estimates[J]. Transportation Research Part B：Methodological，2012，46(2)：333-341.

[43] TIAN Y H， ZHU W， SONG F Q. Route Choice Modelling for an Urban Rail Transit Network：Past，Recent Progress and Future Prospects[J]. European Transport Research Review，2024，16(1)：52.

[44] SUN L J， LU Y， JIN J G，et al. An Integrated Bayesian Approach for Passenger Flow Assignment in Metro Networks[J]. Transportation Research Part C：Emerging Technologies，2015，52：116-131.

[45] ZHU Y W， KOUTSOPOULOS H N， WILSON N H M. A Probabilistic Passenger-to-Train Assignment Model Based on Automated Data[J]. Transportation Research Part B：Methodological，2017，104：522-542.

[46] FORGHANI M， KARIMIPOUR F， CLARAMUNT C. From Cellular Positioning Data to Trajectories：Steps towards a More Accurate Mobility Exploration[J]. Transportation Research Part C：Emerging Technologies，2020，117：102666.

[47] GU J J， JIANG Z B， SUN Y S，et al. Spatio-Temporal Trajectory Estimation Based on Incomplete Wi-Fi Probe Data in Urban Rail Transit Network[J]. Knowledge-Based Systems，2021，211：106528.

[48] ZHENG L J， SU L G， DONG H H. Urban Rail Transit Passenger Flow Monitoring Method Based on Call Detail Record Data[C]//Proceedings of the 4th International Conference on Electrical and Information Technologies for Rail Transportation (EITRT) 2019. Singapore：Springer Singapore，2020：479-491.

[49] 牛国宇. 基于多源实时监测的城市轨道交通网络断面客流预测[D]. 北京：北京交通大学，2023.

[50] 蒲一超，尹梅枝，朱琼斯，等. 基于手机数据的地铁线网清分模型验证与优化[J]. 都市快轨交通，2017，30(4)：102-109.

[51] PU Yichao， YIN Zhimei， ZHU Qiongsi，et al. Verifying and Optimizing Metro Fare Clearing Model Based on Cell Phone Data[J]. Urban Rapid Rail Transit，2017，30(4)：102-109.

[52] 马怀清，杨德明. 基于时空路径匹配的城市轨道交通新型清分算法[J]. 中国铁路，2024(3)：118-124.

[53] MA Huaiqing， YANG Deming. New Clearing Algorithm for Urban Rail Transit Based on Temporal-Spatial Path Matching[J]. China Railway，2024(3)：118-124.

[54] 于江波，王浙君. 基于出行时间匹配的ACC清分模型的研究[J]. 城市轨道交通研究，2013，16(1)：43-45，90.

[55] YU Jiangbo， WANG Zhejun. On ACC Clearing Model Based on Travel Matching Time[J]. Urban Mass Transit，2013，16(1)：43-45，90.

[56] 李宇轩，邓先平，温辛妍. 轨道交通票务清分体系的建设[J]. 都市快轨交通，2007，20(1)：22-25.

[57] LI Yuxuan， DENG Xianping， WEN Xinyan. Establishing Fare Clearing System in Urban Rail Transit[J]. Urban Rapid Rail Transit，2007，20(1)：22-25.

[58] 徐瑞华，朱 炜，周 峰，等. 网络清分模型的验证及优化研究[R]. 上海：同济大学，2014.

[59] 深圳市交通运输局. 深圳通10大创新引领城市一卡通发展 推动智慧城市发展助力深圳“双区”建设[EB/OL]. (2020-08-26)[2024-09-29].

[60] 蔡昌俊，叶　茂，马灵玲，等. 基于改进最短路径法的城市轨道交通有效路径集生成建模[J]. 城市轨道交通研究，2022，25(9)：1-5，10.

[61] CAI Changjun， YE Mao， MA Lingling，et al. Urban Rail Transit Effective Path Set Generation Modeling Based on Improved Shortest Path Method[J]. Urban Mass Transit，2022，25(9)：1-5，10.

[62] RINKS D B. Revenue Allocation Methods for Integrated Transit Systems[J]. Transportation Research Part A：General，1986，20(1)：39-50.

[63] LIU J， HUANG W， ZHANG N， MA Z，et al. A Data-Driven Multi-Modal Fusion Estimation Method for Urban Rail Fare Reconciliation[EB/OL]. (2024-10-21)[2025-02-06].

[64] PHANG S Y. Urban Rail Transit PPPS：Survey and Risk Assessment of Recent Strategies[J]. Transport Policy，2007，14(3)：214-231.

[65] Department for Transport. TAG UNIT M3. 2[J]. (2024-05-30)[2025-06-16].

[66] 卢曙光. 韩、日城市轨道交通票款清分中心的经验与借鉴[J]. 都市快轨交通，2007，20(2)：22-24.

[67] LU Shuguang. Experience from AFC Clearing Centers of Urban Rail Transit in Korea and Japan[J]. Urban Rapid Rail Transit，2007，20(2)：22-24.

[68] SHIN S I， NOH H S， CHO C S. A Revenue Allocation Model for the Integrated Urban Rail System in the Seoul Metropolitan[J]. Journal of Korean Society of Transportation，2005，23(5)：157-167.

[69] SINGH R， HÖRCHER D， GRAHAM D J，et al. Decomposing Journey Times on Urban Metro Systems via Semiparametric Mixed Methods[J]. Transportation Research Part C：Emerging Technologies，2020，114：140-163.

[70] AGUILÉRA V， ALLIO S， BENEZECH V，et al. Using Cell Phone Data to Measure Quality of Service and Passenger Flows of Paris Transit System[J]. Transportation Research Part C：Emerging Technologies，2014，43：198-211.

[71] ABHISHEK NAIR M， TAUNK S， REDDY P G，et al. Smart Metro Rail Ticketing System[J]. Procedia Computer Science，2019，165：435-441.

[72] 新华社. 中共中央、国务院印发《交通强国建设纲要》[N].人民日报，2019-09-20(4).

[73] 张晓春，邵　源，孙　超. 面向未来城市的智慧交通整体构思[J]. 城市交通，2018，16(5)：1-7.

[74] ZHANG Xiaochun， SHAO Yuan， SUN Chao. Smart Mobility over the Future City[J]. Urban Transport of China，2018，16(5)：1-7.

[75] 张　森，朱志伟，湛维昭，等. 广州市“智慧地铁” 研究与实践[J]. 城市轨道交通研究，2020，23(11)：19-26.

[76] ZHANG Sen， ZHU Zhiwei， ZHAN Weizhao，et al. Research and Practice of Guangzhou Rail Transit “Smart Metro”[J]. Urban Mass Transit，2020，23(11)：19-26.

[77] 薛美根. 城市交通精细化治理：上海实践与探索[EB/OL]. (2023-09-23)[2025-01-26].

[78] YAO R， BEKHOR S. Data-Driven Choice Set Generation and Estimation of Route Choice Models[J]. Transportation Research Part C：Emerging Technologies，2020，121：102832.

[79] FORGHANI M， KARIMIPOUR F， CLARAMUNT C. From Cellular Positioning Data to Trajectories：Steps towards a More Accurate Mobility Exploration[J]. Transportation Research Part C：Emerging Technologies，2020，117：102666.

[80] YANG H， CAI J R， LIU C X，et al. Cooperative Multi-Camera Vehicle Tracking and Traffic Surveillance with Edge Artificial Intelligence and Representation Learning[J]. Transportation Research Part C：Emerging Technologies，2023，148：103982.

[81] 滕　靖，吴　桐，杨　阳，等. 巴黎市域快线运营补贴经验分析与启示[J]. 铁道运输与经济，2022，44(8)：29-35.

[82] TENG Jing， WU Tong， YANG Yang，et al. Analysis and Revelation of Operating Subsidy Method for Regional Expressed Railway[J]. Railway Transport and Economy，2022，44(8)：29-35.

[83] 中华人民共和国国家发展和改革委员会. 关于促进市域(郊)铁路发展的指导意见[EB/OL]. (2017-06-28)[2025-06-16].

[84] 张炜晗，柏　成，刘裕行，等. 两网融合条件下市域铁路客流分析方法研究[J]. 交通与运输，2023，39(6)：43-47.

[85] ZHANG Weihan， BAI Cheng， LIU Yuxing，et al. Passenger Flow Analysis Method of Municipal Railway under the Condition of Its Integration with Urban Rail Transit[J]. Traffic & Transportation，2023，39(6)：43-47.

[86] 郑　猛，史芮嘉，茹祥辉，等. 北京轨道交通“多网合一” 研究[J]. 交通工程，2020，20(5)：1-6.

[87] ZHENG Meng， SHI Ruijia， RU Xianghui，et al. Research on “Multi-Network Integration” of Beijing Rail Transit[J]. Journal of Transportation Engineering，2020，20(5)：1-6.

[88] 胡康琼. 基于长三角一体化的上海轨道交通融合发展策略[J]. 城市轨道交通研究，2024，27(1)：6-10，16.

[89] HU Kangqiong. Shanghai Rail Transit Integration Development Strategy Based on Yangtze River Delta Integration[J]. Urban Mass Transit，2024，27(1)：6-10，16.

[90] 陈青云，顾　洋，李海博. 跨市域轨道交通一票制换乘应用探析[J]. 铁道运输与经济，2020，42(11)：12-16，71.

[91] CHEN Qingyun， GU Yang， LI Haibo. A Tentative Study on Application of One-Ticket Transfer in Cross-City Rail Transit[J]. Railway Transport and Economy，2020，42(11)：12-16，71.

[92] 李晓玉，苏跃江，胡郁葱，等. “四网融合” 背景下粤港澳大湾区轨道交通票价一体化研究[J]. 城市轨道交通研究，2022，25(10)：14-19.

[93] LI Xiaoyu， SU Yuejiang， HU Yucong，et al. Integration of Rail Transit Fares in Guangdong-Hong Kong-Macao Greater Bay Area under the Background of “Four-Network” Integration[J]. Urban Mass Transit，2022，25(10)：14-19.

基金资助

国家自然科学基金项目(72071147)

上海申通地铁集团有限公司科研课题(ST-TY019-2024)

南昌轨道交通科研计划项目(2021HGKYC005)