活动空间视角下的老年群体地铁出行时空特征——以昆明市为例

熊美成，黄 洁，王姣娥，杨浩然

（1. 中国科学院地理科学与资源研究所，区域可持续发展分析与模拟重点实验室，北京 100101；2. 中国科学院大学资源与环境学院，北京 100049；3. 华东师范大学中国现代城市研究中心，上海 200062；4. 华东师范大学城市与区域科学学院，上海 200241）

21 世纪以来，世界老龄化程度不断加剧。自1999年步入老龄化社会以来，中国老年人口占比持续升高，截至2019年底，≥65岁人口数量已达1.76亿，占总人口的12.6%，且该比例将在少子化趋势的推动下不断攀升（曾通刚等，2019；刘爱华等，2020）。作为人口总量最大的发展中国家，未来中国在劳动生产、养老保障等方面将面临巨大挑战，因而厘清老龄化社会的现状和问题成为当务之急（高晓路等，2015；周春山等，2017）。其中，人口老龄化势必带来日常出行需求和交通模式的转变，故满足老年人出行需求、改善老年人出行体验逐渐成为交通系统服务的新课题，并作为构建宜居城市、推进社会公平的关键议题受到广泛关注（Giuliano,2004;Buehler et al.,2010）。

出行作为一种个体派生需求，将位于不同地点的日常活动串联起来，是城市居民日常生活的重要组成之一（Mokhtarian, 2005；赵莹 等，2014；Huang et al., 2015）。相较于非老年群体的出行行为，老年群体出行具有一定特殊性。一方面，由于独立生活能力下降，老年群体在出行过程中常承担更高的健康风险，其行动不便也将间接导致非老年群体出行体验降低等一系列社会问题（Alon et al.,2010；李小云等，2011）。另一方面，由于多数老年群体无需通勤，其生活方式同年轻群体往往存在较大差异，出行多呈现高弹性、低距离、生活导向型等特征，并在较高程度上受居住地及周边基础设施的制约（Cutler et al., 1992；黄建中 等，2015）。与此同时，中国老年群体出行模式同发达国家亦存在差异。受经济水平、社会文化和城市规划等多重因素影响，西方发达国家的老年群体多借助私家车出行；而在中国等公共交通出行导向型国家，老年群体日常出行方式以步行或公交、地铁等公共交通为主，且多受家庭其他成员日常活动的限制（Hu et al.,2013;Szeto et al., 2017）。因此，研究中国老年群体出行有助于更清晰地认识其出行特征和日常需求，为城市交通管理和政策制定提供参考，进而提升老年群体的出行体验和生活品质（柴彦威等，2002；Alsnih et al.,2003）。

由于多数西方发达国家较早步入老龄化，自20世纪70年代起，国外学术界便开始致力于改善老年群体的生活状况（Cutler, 1972;Wilson, 1981）。早期研究基于社会学传统，倾向于从个体属性和社会联系的视角理解老年出行行为。已有研究指出性别、年龄、种族、收入等社会经济属性均对老年出行模式产生影响（Alfa, 1986; Logue, 1987）。21 世纪以来，随着城市建设和人居环境的复杂化以及空间科学的演进，除个体、家庭的社会经济属性外，密度、混合度、公交邻近性等更为复杂的建成环境因素开始被纳入出行行为的研究范畴（Handy et al.,2005；曹新宇，2015；杨文越等，2019）。在对问卷调查方式进行改良的同时，研究不断引入和发展Logit等计量模型，用于探讨内生和外生因素对老年群体出行的综合影响（Newbold et al.,2005;Ipingbemi,2010；冯建喜等，2015；Du et al.,2021）。近年来随着交通大数据的兴起和广泛应用，亦有研究使用刷卡数据、GPS轨迹数据等，通过构建OD矩阵、时空聚类等手段，对老年群体出行的时空分布特征进行更为精细的刻画（Cheng et al., 2019; Shao et al.,2019;Shi et al.,2020）。相较于调查问卷，基于交通大数据的出行研究在样本容量、精度等方面优势显著，能更精准、灵活地反映老年群体出行的时空动态，有助于揭示老年群体与非老年群体出行模式的差异（Pelletier et al.,2011）。已有基于公共交通刷卡数据的研究中，有学者测度不同群体的活动空间参数以剖析其日常活动特征（王波等，2014）。亦有研究运用刷卡数据，对老年群体的内部差异予以探讨（叶昌东等，2021）。但当下研究主流为公交刷卡数据，采用地铁刷卡数据开展的工作较少（Feng,2017;Zhang et al.,2019;Liu et al.,2021）。

综上，目前中国的老年出行研究相对滞后，且基于交通大数据的研究数量尚少。而随着城市轨道系统的不断扩张和普及，地铁出行已成为多数大城市老年群体出行的重要组成部分（Liu et al.,2017）。多数城市陆续开始提供老年公交爱心卡，出台老年人公共交通出行减免政策，故地铁刷卡数据为老年群体出行研究提供宝贵数据源。基于此，本研究以昆明市为例，提出适用于地铁刷卡数据的活动空间识别法，从活动空间视角透视低龄老年人和高龄老年人两类老年群体地铁出行的时空特征和模式。以期为交通规划“以人为本”发展、城市交通高质量发展和老年人出行服务提供理论依据。

1 活动空间理论与方法

为加深对老年群体地铁出行行为的理解，有效建立个体出行时间和空间的联系，引入活动空间（activity space）的概念对比不同群体一个月之内的地铁出行模式。与常用的“户外活动空间”“绿地活动空间”等不同，在交通、城市规划、公共健康等领域中，活动空间的概念为与个体日常活动相关联的地点集合，多用于度量个体日常出行模式和移动性，进而探索个体与环境的外在互动和内在联系（Sherman et al., 2005; Hasanzadeh et al., 2019）。相较于出行时长、出行次数等出行行为测度指标，活动空间能反映个体在一定时间内的出行空间范围，指示实际和潜在到访地点，可用于揭示其日常活动和移动性的时空特征。已有基于老年群体活动空间的研究表明，相较于非老年群体，老年群体的活动空间面积通常更小，且出行距离更短、出行频率更高，日常活动的时空分布更为多元化（Hirsch et al.,2014;Zhang et al.,2021）。

如图1所示，与基于GPS轨迹数据或出行日志等的活动空间测度相似，由于地铁出行仅为个体日常出行的一部分，基于地铁出行的活动空间测度也仅为真实活动空间的缩影，并非完整的时空活动记录，两者在空间范围上存在一定重叠（塔娜等，2015）。而当下地铁已成为大城市居民主流出行方式之一，个体往往可通过地铁完成相当比例的日常出行，故基于地铁刷卡数据的活动空间能在较大程度上反映人群活动模式，尤其适用于老年等公共交通依赖度较高的弱势群体（Roorda et al.,2010）。相较于其他方法，基于地铁刷卡数据的活动空间方法能更明确地指示个体日常活动的主要场所，计算过程也更为简洁（黄洁等，2018）。因而将活动空间的概念引入地铁出行研究，有利于从多维度对出行行为展开精细定量化研究，完善地铁出行行为测度的指标体系。

图1 基于地铁刷卡数据的活动空间与基于GPS活动空间的比较Fig.1 Comparison of activity space based on smart card records of metro and GPS data

2 研究区概况、方法与数据

2.1 研究区概况

昆明市位于中国西南地区云贵高原中部，为云南省省会，是西部地区重要的大城市之一。城市公共交通使用率较高，于2019年达到25.4%。其中轨道客运量约占公共交通出行的21.8%，且该比例逐年上升，标志着地铁在居民日常出行中的重要性与日俱增。截至2019 年底，昆明地铁运营里程达88 km，由1号线、2号线、3号线和6号线等4条地铁线和57个站点组成，拥有3个换乘站，网络结构为“十字形”，覆盖官渡区、呈贡区、西山区、盘龙区、五华区等五大主城区（图2-a）。其中，2 号线和3 号线相交处的东风广场站位于东风广场附近，为昆明市的城市中心。围绕市中心的五大主城区中，位于地铁网络北部的五华区和盘龙区常住人口密度最高（图2-b），位于东南部的官渡区拥有昆明火车站和机场等重要交通枢纽。西山区和呈贡区的人口密度相对较低：前者包围地铁3号线西段，有西山风景名胜区等众多旅游景点；后者有1号线及支线南段。

图2 2019年昆明市地铁网络（a）和人口密度分布（b）Fig.2 Subway network(a)and population distribution(b)of Kunming in 2019

截至2019年底，昆明全市≥60周岁户籍老年人口111.4 万人，占户籍总人口的19.23%，社会老龄化水平较高（宋瑾霞等，2020）。为方便老年群体出行，自2014年起，昆明市60～69周岁老年人持A类公共爱心卡可享受地铁票价八折优惠，≥70 周岁老年人持B类公共爱心卡可享受地铁免费出行。

2.2 数据

本文所用数据为2019-11-01—30的昆明市地铁刷卡数据，分别来源于手机支付、公交卡、储蓄票和智慧通卡。每条刷卡记录对应一对OD，包含如下字段：卡号、卡类型、进站时间、进站线路、进站车站、出站时间、出站线路、出站车站。除老年人公交爱心卡A和老年公交爱心卡B两种类型的公交卡外，其余类型产生的记录视作非老年刷卡记录。按照昆明地铁网络规模，一般情形下地铁内部最长通行时长约为100 min，故将单次出行时长上限设为120 min。依据上述时间阈值剔除出行时长异常和进出站点相同的记录后，共剩1 139.7万条记录，平均每天36.23 万条。其中老年刷卡记录共52.85 万条，平均每天1.76 万条，占总数的4.64%。将同一ID 一月内的有效刷卡记录合并，共得到211.35万个ID，其中老年群体ID 数11.18万个，包括60～69岁的老人ID数4.38万个、≥70岁老人ID数6.80万个，非老年群体ID数共200.17万个。

2.3 方法

为剖析不同老年群体日常地铁出行模式和影响因素，计算个体在1个月内的出行时空分布与出行特征指标。其中，出行时空分布包括出行时刻和到访地点分布，出行指标包括平均出行时长、出行次数和访问站点数量等，可辅助分析其日常出行的需求特征和基本规律。其中，平均出行时长为1个月内每次出行时长的均值，用于表征单次出行强度；出行次数为1 个月内出行次数之和，代表个体1 个月内的出行频繁程度；访问站点数量记录每个个体1 个月内到访站点数量，可在一定程度上反映个体活动轨迹和目的多样性。

首先，为说明老年群体出行行为的特殊性，凸显老年群体出行研究的意义，对比老年群体和非老年群体的出行特征差异。考虑到非老年群体多在工作日开展上学或上班等活动，将工作日和双休日分开讨论。时间维度上统计和对比两类群体在工作日和双休日的出发时刻分布，空间维度上则识别二者的主要到访站点。

其次，为探索年龄增长对老年群体出行的影响，测度和对比两类老年群体的活动空间面积，并基于活动空间和出行特征的计算结果，对比低龄老年群体（60～69 岁）和高龄老年群体（≥70 岁）的出行行为差异。目前活动空间的主流计算方法包括标准置信椭圆法、缓冲区法和核密度法等（Newsome et al., 1998; Fan et al., 2008; Kestens et al.,2012）。由于本研究测度对象为个体在1个月内所有访问地铁站点构成的活动空间，而昆明市地铁网络结构相对简单，站点密度较低，故采用最小凸多边形的方法计算活动空间面积，以充分利用地铁刷卡数据。该方法的基本原理为对位于同一平面上的点集，计算包含其中所有点的最小尺寸凸多边形（Schönfelder et al.,2003）。相比其他方法，该方法能涵盖个体的所有活动地点，同时避免高估其活动的空间范围，适用于点集密度较低的数据集分析（Burgman et al.,2003）。

再次，为剖析不同年龄段老年群体活动空间分布的聚集模式，采用空间叠置分析法计算其活动空间的空间分异水平，透视老年群体内部的日常活动分异。为便于分析，统一将低龄老年群体称作老年A组，而高龄老年群体为老年B组。在ArcGIS中分别将老年A组和B组中所有个体活动空间与昆明市主城区网格进行空间关联，网格尺度设置为1 km×1 km。具体计算方式为：针对每一网格，统计与之存在重叠的个体活动空间数目，并计算该数目与个体活动空间总数的比值（即“出行活动热度值”），值越高表明该区域内活动机会数越多，越可能成为相应群体的活动热点区域。计算公式为：

式中：HI表示编号为I网格的活动空间热值；An表示第n个活动空间的判别结果，其取值由是否与I网格重叠决定。

最后，为进一步衡量两类老年群体活动空间分布的异同，基于出行活动热度值的测度结果，采用空间共享度理论中的差异系数法，计算老年A组与老年B 组活动空间在公里网格上的分布差异程度，计算公式为（Massey et al.,1988）：

式中：ID表示每个公里网格的差异系数值；xA和xB分别为老年A组和B组在该网格的活动人数；XA和XB分别为A组和B组的活动总人数。ID的绝对值越大，表明分布差异程度越大。值为正时表明该网格A 组活动强度大于B 组，值为负则表明该网格B 组活动强度高于A组。

3 结果分析

3.1 老年群体和非老年群体的对比

统计老年与非老年群体一日最早的出发时刻，发现老年群体的地铁出行时刻分布仅呈现早高峰模式，而非老年群体呈现早晚双高峰模式。分小时统计所有有效样本在1 个月内产生的地铁出行记录（图3），可见：1）工作日老年组出行曲线为单峰，在T 09:00 出行量占全天的11.77%，无晚高峰；而非老年组为早晚双峰曲线，在T 08:00和T 18:00均有一次出行高峰，分别占全天出行量的11.72%和10.98%。总体上，工作日老年组单峰出行曲线的早高峰与工作日通勤群体的出行高峰相一致。2）双休日两者差异主要体现在早晚高峰时段。老年组依旧为单峰曲线，在T 09:00 迎来出行高峰，出行量占全天的11.20%，同自身工作日出行时刻分布保持一致；与之相对，非老年组的出行高峰出现在T 17:00，其出行量占全天的8.99%。上述结果反映了不同年龄段的生活节律和作息差异。由于老年群体的晨练、赶集等日常活动多发于早间，故峰值出现于清晨；而非老年群体的娱乐需求决定其双休日出行目的以休闲游憩为主，故峰值出现于傍晚。

图3 昆明市老年群体与非老年群体出行时间分布比例Fig.3 Ratio of departure time distribution between the elderly group and nonelderly group in Kunming

同时，老年群体的地铁出行空间分布亦存在显著特征，工作日和双休日各站点老年群体到访比例差异较小（图4）。与联通提供的居住人口分布进行对比发现，老年组到访比例较高的站点主要集中于居住人口密集区，即盘龙区、五华区、西山区和官渡区交界处的城市中心地带。其中占比最高为西山公园站、大渔路站等，多位于3号线西段，穿过以东风广场站为中心的居住密集区域。从沿线土地利用看，3 号线途经西山公园、翠峰生态公园等休闲公园和昆明医科大学第二、第三附属医院等医疗机构，与老年群体的休闲和就医需求相吻合。老年组到访比例较低的站点为机场前站、北部汽车站、昆明南火车站等，多分布于1 号线和6 号线沿线居住人口密度较低、远离城市中心地带的区域，以交通枢纽型和就业型站点居多，与年轻人的就业和娱乐需求相吻合。

图4 昆明市各站点老年群体到访占比Fig.4 Ratio of visited stations of the elderly group

此外，相较于非老年群体，老年群体的地铁出行特征呈现显著的低移动性特征。老年群体的平均出行时长略小于非老年群体；出行次数和访问站点数量的均值与非老年群体差异较小，但最大值差异显著：非老年群体的最大出行总数比老年群体多56次，访问站点数量也多22个（表1）。由于两组样本数量差异较大、非正态分布且相互独立，故采用非参数检验法中的Mann-Whitney U 方法检验两者是否存在显著差异。检验结果显示，老年群体的平均出行时长和出行次数均显著小于非老年群体，即相对于非老年群体，老年群体的移动性更弱，总体出行时空范围和频次更低。而两类群体的访问站点数量并无显著差异，说明老年群体与非老年群体的日常出行需求多样性水平相当。

表1 昆明市老年群体与非老年群体各项出行特征对比与Mann-Whitney U 检验结果Table 1 Comparison of all travel characteristics and Mann-Whitney U test results of the elderly group and nonelderly group

3.2 低龄老年群体和高龄老年群体的对比

针对低龄和高龄老年群体①根据3.1小节的计算结果，老年群体工作日和双休日出行时空特征差异较小，故将所有记录合并计算，不再基于工作日和双休日展开对比。，为分析各类指标的具体分布情况，考虑到出行时长为连续变量且存在峰值，采用直方图与核密度曲线展示其分布；针对其他指标则计算每一类占总体的百分比数，采用分类条形图展示（图5）。

计算结果表明，随年龄增长，老年群体的出行呈现出行时长变短、出行次数增加和对地铁依赖程度变高的趋势。平均出行时长计算结果显示，老年A 组（60～69 岁）整体平均出行时长大于老年B 组（≥70岁），分别为36.44和30.81 min（图5-a）。后者核密度曲线峰度和左斜程度更高，表明高龄老年群体长时间地铁出行的比例低于低龄老年群体，单次出行强度较低。这表明随着年龄增长，老年群体的单次出行时间有降低趋势，出行时空范围缩小。出行次数方面，老年A 组为3.69 次，B 组为6.41 次，即出行次数随年龄增加而显著上升（图5-b）。这或说明年龄增长增强了老年群体的公共交通依赖性，同时也反映≥70 岁地铁免费政策鼓励了相应群体的地铁出行。

此外，老年群体的活动空间随年龄增长而缩小，但活动空间范围内的访问站点数量有所增加。老年A组平均活动空间为45.82 km2，略高于B组的44.46 km2，水平较为相近（图5-c）。但老年B 组位于0～100 km2范围内的比例更高，即B 组个体数量在100 km2以上的衰减更为迅速，其分布更集中在低值区域，说明高龄老年的活动空间具有低值聚集特征。访问站点数量方面，老年A 组的3.14个与B组的3.76个相差较小（图5-d），但B组平均水平仍高于A组，表明高龄老年群体的日常出行目的更为多元。对上述4类出行指标进行Mann-Whitney U统计检验，结果显示，老年A组在平均出行时长和活动空间面积方面水平显著高于B组，而B组的出行次数和访问站点数量显著高于A组，可见年龄对两组老年的各项出行特征均构成显著影响（表2）。

表2 昆明市老年A组与老年B组各项出行特征对比和Mann-Whitney U 检验结果Table 2 Comparison of all travel characteristics and Mann-Whitney U test results between the elderly group A and elderly group B

图5 昆明市老年A组（60～69岁）与老年B组（≥70岁）平均出行时长（a）、出行次数（b）、活动空间面积（c）和访问站点数目（d）Fig.5 Comparison of average travel time(a),travel frequency(b),area of activity space(c)and number of visited stations(d)between the elderly group A and elderly group B

图6显示，随年龄增长，老年群体的出行空间范围呈现更加聚集的趋势。相较于老年B组，A 组活动空间分布范围更广，主要表现为沿地铁6号线向城市外围拓展，即向人口非密集区延伸。一方面，这与平均出行时长反映的规律相吻合，即低龄老年群体倾向于访问距居住地更远的地点，具有更大的出行时空范围。另一方面，亦说明高龄老年群体更高的出行次数和访问站点数量并未导致整体活动空间扩大，其活动模式属于小范围空间内的频繁出行和地点访问。据此推测，随年龄增长，地铁出行将在老年日常出行中占据更高的比例。此外，这也印证了老年群体的出行行为符合距离衰减律，且高龄老年群体的衰减更为显著。

随年龄增长和老龄化程度加深，老年群体地铁活动空间的分布在城市内部发生偏移，表现为向地铁2号线和3号线沿线区域集中和1号线、6号线沿线区域的减少，即向城市中心地带聚集。图6-c 显示，以1号线和2号线为界，界线西侧网格的老年B组活动强度高于A组；而面积更大的界线东侧区域内，多数网格的老年A组活动强度高于B组，表明老年A组的主导活动区域更多，即低龄老年群体的活动强度相对更高。具体而言，位于中心城区的2号线和3 号线交叉区域和1 号线北段为高龄老年群体的主导活动空间，此类区域位于服务完善、生活便利的中心城区，与高龄老年群体较低的移动性相匹配。而在1号线南段、1号线支线和6号线沿线等远离城市中心的区域，A组活动强度显著高于B组，印证了活动空间分布特征，即低龄老年群体的日常活动空间范围更大，其在相对远离市中心的区域活动强度更高。

图6 昆明市老年A组（a）与老年B组（b）出行活动热度值分布与差异化系数（c）Fig.6 Spatial distribution of travel hotspot value of the elderly group A(a)and elderly group B(b)and index of dissimilarity(c)

4 结论与启示

基于昆明市老年公交爱心卡和其他地铁刷卡数据，将活动空间理论引入地铁出行行为测度，采用描述性统计与空间分析方法，从出行时间和空间的视角透视老年群体的日常出行与活动空间特征，并探讨老年群体的内部差异，得到的主要结论有：

1）老年群体与非老年群体存在出行时空差异。从出行时空分布看，老年群体地铁出行多发于早高峰时段，而非老年群体为早晚双高峰；前者到访地点相对集中于市中心，出行目的呈现更强的休闲和就医需求导向。从单次出行特征看，老年群体的平均地铁出行时长和出行频率等均有所降低，呈现更低的移动性，体现年龄增长对出行的抑制。

2）年龄增长对老年群体出行构成一定影响，主要体现在1个月内出行次数和访问站点数目的增加、单次出行时长和活动空间面积的减小等方面。这表明在单次出行强度降低和活动时空范围缩小的情况下，老年群体的出行频率和出行目的数目反而得以提升，反映其活动密度随年龄增长而上升。其原因或为高龄老年群体享受全免票政策，对地铁出行依赖性更高。具体而言，70岁以下低龄老年群体移动性更强，出行模式表现为“单次出行时间长、活动空间范围大”的特征；而70岁以上高龄老年群体则更倾向于频繁访问位于居住地附近的地点，出行模式具有“出行频次高、活动空间范围小”的特征。即相较于低龄老年群体，高龄老年群体更加频繁的出行表现为活动空间的收缩而非扩大，其日常活动将更加依赖于居住地附近的设施和服务，与既往研究（Yang et al.，2018）相吻合。

3）两者的活动空间分布存在较高一致性，其差异主要体现为高龄老年群体的主导活动空间集中于居住人口密集区域，低龄老年群体的活动空间更多向远离城市中心的东部和南部延伸，反映高龄老年群体日常活动的距离衰减更快，且受到建成环境的制约更深。

本文依托地铁刷卡数据的出行特征剖析和活动空间测度，揭示城市中低龄和高龄两类老年群体社区之外的日常出行规律和活动分布，为城市空间和交通系统的精细化管理和人性化服务提供参考。结合本文结论，提出政策启示：1）公共交通减免政策可有效激励老年群体增加对公共交通的使用，而根据年龄进行分级优惠，能更有针对性地服务于不同老年群体的出行需求。2）城市规划中，应对不同年龄段老年人出行的活动密集区分异予以更多关注，增加相应的配套设施，提升老年出行服务水平。

此外，本文尚存在以下不足：1）地铁出行仅占据居民出行活动的一部分，并未反映相对完整的时空出行动态规律。尤其对老年群体而言，地铁刷卡记录仅涵盖部分长距离出行活动，无法反映占重要部分的社区层面步行移动，因而数据存在一定有偏性。2）本文对老年人地铁活动空间的时间动态考虑不足，而理论上老年群体对空间的使用存在时间分异。针对上述问题，未来将结合老年人出行调查问卷等微观数据进一步展开讨论。