城市地铁运营初期的短途客流吸引特性

李洪萍，曹弋，左忠义

(1. 大连市市政设计研究院有限责任公司，辽宁 大连 116011；2. 大连交通大学 交通运输工程学院，辽宁 大连 116028)

城市地铁运营初期的短途客流吸引特性

李洪萍1，曹弋2，左忠义2

(1. 大连市市政设计研究院有限责任公司，辽宁 大连 116011；2. 大连交通大学 交通运输工程学院，辽宁 大连 116028)

为了明确城市地铁运营前后，各主要交通方式的客流分担情况，进而准确预测地铁运营后的客流需求，针对其客流吸引特性开展研究.以大连地铁2号线所在黄河路路段为调查对象，分别开展地铁运营前后，各主要交通方式的客流调查.采用数理统计方法，对比分析地铁运营前后，小汽车、常规公交与地铁三种交通方式的客流分担情况.基于随机效用理论，分别构建地铁运营前后的交通方式选择Logit模型，并提出模型参数标定方法.依据实际调查客流数据，对模型参数进行标定并验证其计算结果.研究表明，本例中地铁运营后，分别从小汽车与常规公交中吸引客流5.4%与6.4%；交通方式选择Logit模型的计算结果与实际调查数据的差异在±5%以内.

交通工程；城市地铁；客流吸引特性；Logit模型；客流分担率

0 引言

随着我国大城市交通拥堵问题的日益严峻，越来越多的城市规划并建设了不同规模的地铁系统.然而，不论哪座城市规划何等规模的地铁系统，都会面临一个同样问题,即现有的规划方法均基于居民出行需求预测而展开[1-2].而在地铁规划阶段，大多城市中并无地铁运营，地铁属于新增交通方式.因此，难以通过实际客流调查而推算未来的地铁需求量.面对上述问题，目前我国各大城市采用公共交通客流调查配合地铁意向性问卷调查的方法来估算未来地铁需求量，具有一定的不确定性[3].鉴于此，有必要通过对比分析地铁运营前后，各主要交通方式的客流分担率，研究地铁的客流吸引特性，进而对未来地铁客流需求进行合理预测.

目前，国内外学者在该领域进行了大量研究.Goh Segun等[4]借助重力模型，研究了首尔地铁系统的客流分布状况.研究发现，在较短的区间内，车站间客流量并不随着站间距离的减小而增大；客流量的变化可由希尔方程描述.Sun Li-jun等[5]基于贝叶斯统计推理方法，提出了适用于复杂地铁网的客流分配模型.该模型综合考虑了旅客出行成本及出行时间两大因素.Karekla Xenia等[6]研究通过减少乘客在车站的滞留时间来改善城市地铁的服务水平，进而可吸引更多的客流.Lee Sang等[7]依据地铁电子票务系统收集到的客流数据，针对地铁客流在时间及空间上的非对称性进行定量研究.国内林湛等[8]考虑乘客的乘车时间、换乘次数及换乘时间三方面因素，构造了城市地铁网的广义费用模型；使用路径相对费用代替路径绝对费用，对传统Logit 模型进行了改进，并进行了实例验证.黄杉等[9]同样基于Logit 模型，研究了轨道交通衔接的方式选择行为.郑毅[10]对北京地铁5号线进行乘客问卷调查，研究了乘客到离地铁系统的方式选择规律及客流空间分布规律.分析得出地铁系统在规划设计上应尽可能根据站点的吸引范围及区域特征实现与地面交通的近距离换乘.王玉萍等[11]对城市轨道交通客流的影响因素和成长规律进行了研究.认为单条轨道交通线路的客流在初期有个缓慢的发育过程；轨道交通网络化效应明显；全网客运量呈稳定增长趋势.姚智胜等[12]采用三次吸引法和客流转移理论相结合，研究了城际轨道交通的客流转移量的预测方法.

通过现有研究成果可以看出，国外学者在本领域的研究偏少，且大多基于实际客流调查数据分析地铁客流的时空分布特性，而非与其他交通方式的吸引关系.国内学者侧重于利用Logit方式选择模型，定量预测轨道交通的客流分担情况.而现有研究极少涉及轨道交通作为新增交通方式的客流吸引特性及规律研究，尚未形成适用于一般条件的客流吸引特性分析方法.鉴于上述问题，本文分别针对地铁运营前后的主要交通方式开展客流调查，对比分析其客流吸引特性，分别构建二项及三项Logit出行方式选择模型并提出参数标定方法.研究成果对于城市地铁客流需求预测及规模测算具有重要的理论意义与实际应用价值.

1 客流调查

1.1 调查地点

本次调查选择在大连地铁2号线所在的黄河路(红旗西路-西安路)路段开展.该路段双向6车道，全长5.8公里，地铁2号线共经6个地铁站，分别为：红旗西路、湾家、马栏广场、辽师、交通大学及西安路站.该路段为大连市重要的公共交通客流走廊，常规公交线路集中布置于该路段.目前共有9条常规公交线路完整或部分位于该路段，如图1所示.此外，该路段早晚高峰的小汽车交通量也较大，居民选择小汽车出行的比例亦不可忽视.从该路段的上述交通结构与出行特征来看，适合作为本研究的代表性调查对象.

图1 调查路段交通结构

1.2 调查时间

为了对比分析地铁运营前后各主要交通方式客流分担量的变化情况，进而探究地铁的客流吸引特性，需要针对高峰时段进行客流调查.大连地铁2号线于2015年5月22日正式运营.故而在4月6日至9日进行地铁运营前的常规公交及小汽车客流调查；在6月15日～18日与6月22、23日进行地铁运营后的常规公交、小汽车及地铁的客流调查.平均每种交通方式调查2天.调查时段选择在早晚高峰时段，即7∶00～9∶00与16∶00～18∶00.

1.3 调查内容及方法

本次调查共涉及三大调查内容，分别是常规公交、小汽车及地铁客流调查，具体调查方法如下：

(1)地铁断面客流 在每个地铁车站的上下行站台中，各设置1名调查员.利用地铁到站间隔时间，人工统计站台人数，进而得到下列车的上车人数；当列车进站后，统计该站的下车人数.另每列车设置1名随车调查员，于调查路段起点的前一车站上车，统计初始车内人数.对调查数据进行统计可直接得到地铁的断面客流量.

(2)常规公交断面客流 选择公交客流量较大的708路与101路公交线路，分别作为全部与部分覆盖调查路段的代表进行调查.每辆公交车设置2名调查员进行随车调查，记录公交车初始车内人数及每站的上下车人数.依据本线路公交车的平均发车间隔数据进行样本扩算，可获得本线路公交车的断面客流量.另分别于马栏广场及交通大学公交站处各设置2名调查员，分线路统计本站内上车人数.故而，其他公交线路，可依据该站点的上车人数比例进行折算.

(3)小汽车断面客流量 以调查路段沿线重要相交道路为分界点，即西部通道、富民路、西南路及西山街，将调查路段分为5小段，每小段内设置一处流量观测断面.每处观测断面均采用视频观测法记录交通运行状况，同时设置2名调查员，抽样观测并记录小汽车车内人数.内业数据整理时，统计双向小汽车流量、计算平均车内人数、计算抽样率.通过样本扩算，可得到小汽车断面客流量.

2 客流分担情况对比分析

2.1 小汽车

对每个流量观测断面，均统计双向小汽车流量.在每个连续观测时段内，按小时取平均值，可以得到该断面平均每小时双向断面小汽车流量.将为期4天5个流量观测断面的统计结果汇总于表1.

表1 各断面双向小汽车流量 辆/h

分析小汽车车内人数的抽样调查数据发现，同一时段5个断面的平均载客人数并无明显差异.而地铁运营前后的平均载客人数存在一定差异.统计表明，地铁运营前的小汽车平均载客人数为1.94人/车；运营后的这一参数为1.86人/车.利用表1数据与小汽车平均载客人数，可以推算地铁运营前后，各断面以小汽车方式出行的人数，如图2所示.

图2 运营前后的小汽车载客量

从图2中可以看出，地铁运营后，各流量观测断面的小汽车客流量均较运营前有不同程度的降低.其中断面1与2由于地处非闹市区，其降低幅度较小；而其余三个断面的降低幅度已达到或超过10%.

2.2 常规公交

依据分别于地铁2号线运营前后调查得到的708路与101路公交车高峰时段初始车内人数及各公交站的上下车人数，可以统计得到调查车辆在各车站间的平均载客人数.再结合上述两条公交线路的高峰时段平均发车间隔，即708路为8min/辆；101路为6 min/辆，可以推算出每条公交线路高峰时段的双向断面客流量.将上述分析结果整理汇总于图3.此外，选择马栏广场与交通大学两处公交客流集中的站点，观测了乘客上下各条公交线路的人数.故而，其他公交线路的双向断面客流量，可由上述关键站点的上下车人数比例进行换算.

图3 地铁运营前后708路及101路公交的双向断面客流量

从图3可以看出，不论是全线路覆盖调查路段的708路公交，还是于马栏广场始发部分覆盖调查路段的101路公交，在地铁运营后的双向断面客流量均不同程度的低于地铁运营后的数值.从客流量降低幅度来看，凡包含地铁站点的公交区间，其客流量降低幅度较大，如：马栏广场-兰玉街区间、辽师-交通大学区间等.

2.3 地铁

依据地铁运营后客流调查所得的各列车初始车内人数及各站的上下车人数，可以换算出平均每列车各站间的客流数.结合地铁的平均到站间隔时间为10 min，可以将上述数据扩算为地铁高峰小时双向断面客流量，如表2所示.

表2 高峰小时地铁断面客流量

3 交通方式选择Logit模型

由调查结果可知，地铁运营后所承担的客流量，一部分应由运营前的常规公交及小汽车客流量转移而来，而剩余部分应视为地铁运营后的诱增客流量.为了更一般地解释地铁的客流吸引特性，并进一步应用于地铁客流预测中，需要构建交通方式选择模型.

3.1 地铁运营后的三项Logit模型

Logit模型是基于随机效用理论构建的非集计模型.应用该理论解释出行者交通方式选择行为，就是出行者在给定的几种交通方式中，选择效用最大的出行方案.依据随机效用理论，认为某种交通方式的效用函数Ui，由固定项Vi与概率项εi两部分组成，且二者间呈线性关系，如式(1)所示[13-14].i表示小汽车、公交及地铁三种交通方式中的一种.

(1)

假定所有效用函数中的随机项εi都服从同参数的二重指数分布时，可得到地铁运营后的三项Logit模型，如式(2)～(4)所示.

(2)

(3)

(4)

式中，PCar、PBus与PSub分别为地铁运营后，居民选择小汽车、常规公交及地铁出行的概率，亦可视为居民选择上述对应交通方式出行的比例.

3.2 地铁运营前的两项Logit模型

鉴于地铁运营前，居民的主要出行方式仅有小汽车与常规公交两种方式，故而仅存在上述两种选择.因此同样基于随机效用理论，该阶段的居民出行方式选择模型应为两项Logit模型，其基本形式如式(5)、(6)所示.

(5)

(6)

3.3 模型参数标定方法

本文以形式较为复杂的地铁运营后三项Logit模型为例，推导其模型参数的标定方法.而形式较为简单的两项Logit模型的参数标定方法与之类似，但计算较为简便，不再赘述.

将式(2) ～(4)联立，可解得式(7)、(8).

(7)

(8)

由此可见，出行者选择哪种交通方式出行，应由效用函数中的固定项之差来决定.它应与某种交通方式相对于地铁的时间节省量F及费用节省量C有关且应为线性关系.故而可设其表达式如式(9)、(10)所示.

(9)

(10)

式中，Fi(min)与Ci(元)分别为采用小汽车方式或常规公交方式出行比采用地铁出行所节省的时间及费用，其中i=1或2；αi，βi及γi均为待标定的模型参数.根据上述分析，可以得出该模型的参数标定方法及应用过程.

(1)选择研究区域内若干出行区间段，对每个区间段，需抽样调查居民选择小汽车方式及公交车方式出行的比例，从而确定各区间段的PCar与PBus.

(2)对于每个区间段，测算居民选择小汽车、公交车及地铁出行所花费的时间及费用，进而比较得到其相对于地铁出行的时间节省量与费用节省量，即确定Fi与Ci.

(3)将每个区间段的上述参数，代入式(9)与式(10)中，即可得到若干与区间段对应的方程组.采用多元线性回归的方法，回归标定方程中的αi，βi及γi参数.

(4) 将标定后的模型应用于实际，即可计算同区域其他出行路径的小汽车、常规公交及地铁的出行者选择概率.

4 案例研究

4.1 Logit模型的标定

表3 二项Logit模型回归数据

依据表3中的数据，通过二元线性回归，可得地铁运营前二项Logit模型的回归参数值为：α=2.394，β=2.013，γ=-6.46.故而，地铁运营前

出行者选择小汽车及常规公交出行的概率可由式(11)计算.

(11)

利用地铁运营后，小汽车、常规公交及地铁的客流调查数据，按前述方法划分出行区间，同样可以标定运营后的三项Logit模型.回归参数如表4、表5所示.需要指出，表4用于式(9)的参数回归，其时间与费用节约，是指小汽车相对于地铁的节约量；表5用于式(10)的参数回归，其时间与费用节约，是指常规公交相对于地铁的节约量.

表4 三项Logit模型式(9)回归数据

表5 三项Logit模型式(10)回归数据

依据表4与表5中的数据，经过两次二元线性回归，可得地铁运营后三项Logit模型的回归参数值为：α1=-0.171，β1=0.071，γ1=0.733；α2=-0.231，β2=0，γ2=0.283.由此可见，出行者在常规公交与地铁之间的选择上，仅取决与二者的时间差，而不考虑费用因素.故而，地铁运营后出行者选择小汽车、常规公交与地铁出行的概率，需要求解如式(12)所示的二元方程组后方可确定.

(12)

4.2 客流吸引特性分析

从本例的调查数据来看，地铁运营前，调查路段全程小汽车与常规公交所承担的平均断面客流量分别为4 072、4 283 人/h，二者的客流分担率分别为48.7%与51.3%.而地铁运营后，小汽车、常规公交与地铁所承担的平均断面客流量分别为3620、3 745、1 895 人/h，三者的客流分担率分别为39.1%，40.4%与20.5%.进一步分析可知，地铁运营后，小汽车客流中有452 人/h，即运营前总客流的5.4%被地铁吸引；常规公交客流中有538人/h，即运营前总客流的6.4%被地铁吸引.而地铁的平均断面客流量中，除吸引原小汽车及常规公交而来的客流量外，还有905 人/h的客流，此应视为地铁运营后的诱增客流量及由其他次要交通方式转移而来的客流量.

4.3 结果对比

为了校核模型计算结果的可靠性，分别对地铁运营前后各出行区间及全程路段的小汽车及常规公交出行比例的模型计算值与实际调查值进行对比.数据计算结果如图4所示.

图4 模型计算结果与实测数据对比

从图4中可以看出，地铁运营前，小汽车出行比例大致分布在45%～55%之间；公交车出行比例为1减该数值，同样分布在该区间.地铁运营后，小汽车与公交车的出行比例均有所减少，其差值即为地铁吸引的客流.该图还表明了地铁运营前后的交通方式选择Logit模型的计算结果与实际调查结果的差异较小，可控制在±5%以内.

5 结论

(1)地铁运营后，原有的小汽车及常规公交承担的客流量将不同程度的被地铁所吸引，其吸引比例及吸引量可由交通方式选择Logit模型计算确定；

(2)交通方式选择Logit模型，需依据实际客流调查数据进行参数标定后方可应用，其计算值与实测值的差异较小；

本次地铁运营后的客流调查是在其通车后不久进行的，地铁客流方处于培育期，故而其承担的客流总量不大，对运营前小汽车与常规公交客流的吸引量较小.该问题应在后续研究中进一步深入探讨.

[1]马超群, 陈宽民, 王玉萍. 城市轨道交通客流预测方法[J]. 长安大学学报，2010, 30(5):69-74.

[2]四兵锋, 何九冉,任华玲，等. 基于时序特征的城市轨道交通客流预测[J]. 北京交通大学学报，2014, 38(3): 1- 6.

[3]谢静.城市轨道交通首期开通客流预测方法研究[D].西安：西南交通大学，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, 蒋明青, 刘剑锋，等.城市轨道交通客流分配的改进Logit 模型及方法[J].交通运输系统工程与信息，2012,12(6): 145-151.

[9]黄杉, 关宏志, 严海.轨道交通衔接方式选择行为研究—以北京市轨道交通为例[J]. 土木工程学报，2009,42(7): 126-130.

[10]郑毅. 北京市轨道交通乘客出行方式选择分析[J]. 交通运输系统工程与信息， 2011,11(3): 163-168.

[11]王玉萍, 马超群.城市轨道交通客运量影响因素与成长规律[J]. 长安大学学报， 2013,33(3): 69-75.

[12]姚智胜, 董春娇, 熊志华. 城际轨道交通转移客流量预测方法研究[J]. 交通运输系统工程与信息，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

大连市青年科技之星计划资助项目(2016RQ055)

李洪萍(1977-)，女，高级工程师，博士，主要从事城市交通工程的研究E- mail:lihongping@dlszy.cn.

A