疫情下公共交通系统通勤客流测算及优化建议（以北京市为例）

　　写在前面：

　　作者立足新冠肺炎疫情下城市公共交通系统的非饱和运营情景，以北京市为例，提出一种面向城市公共交通系统客流强度测算和重要性研判的技术框架。对公共汽车和轨道交通线路的通勤客流强度进行分区段测算，并对线路的重要性和保障等级进行划分。最后，提出疫情时期城市公共交通系统运营优化的策略建议。

******

　　爆发于2019年12月的新型冠状病毒肺炎（以下简称“新冠肺炎”）虽然已得到初步控制，但仍对中国经济社会发展和城市居民生活造成很大影响。反映在城市公共交通方面，疫情导致大量城市的公共交通系统处于非常态的运营状况，客运量远低于正常水平。究其原因：一是疫情中交通运输部门对春运迁徙进行了高强度的管制，使得大量工作人口滞留异地，无法正常返岗和通勤；二是为减少人员接触造成疫情传播，大部分城市均出台了居家隔离、远程办公等应急政策，进一步压缩了通勤出行需求。

　　在非常态背景下，城市公共交通系统营运亟须进行重组织和再优化，以实现安全、效率与经济之间的平衡。从安全角度来看，目前新冠肺炎疫情防治工作仍处在攻坚期，一旦控制不慎，仍可能造成二次传播，为城市防疫工作和居民生命财产安全带来巨大损失，而控制乘客密度对于减少人群接触、遏制病毒扩散十分必要；从效率角度来看，公共交通系统必须满足城市必要的通勤出行需求，维持城市各项功能基本正常运转，尽可能地减少疫情对城市经济社会发展造成的负面影响；从经济角度来看，将城市公共交通营运的供需比控制在一个合理水平，有助于缩减公共交通的财政开支，进一步减少疫情带来的损失。由此可见，科学合理地测算非饱和运营情景下城市公共交通系统的客流强度，对于明确系统的运力需求，制定合理的调度和营运方案，实现高效、低风险运行具有重要的基础支撑作用。

　　已有测算手段具有准确度高、数据连续的优势，但是存在两大不足：

　　1)数据获取难度相对较大，获取数据的成本较高，数据更新周期较长，动态性不足；

　　2)一般数据覆盖范围受限，难以实现在整个城市尺度下进行总体的分析和优化。因此，现有技术方法难以完全满足当前非常态情景下城市公共交通系统快速调整、灵活应对的特殊需求。

　　针对上述不足，本文立足新冠肺炎疫情下城市公共交通系统的非饱和运营情景，以北京市为例，提出了一种面向城市公共交通系统客流强度测算和重要性研判的技术框架。与传统方法相比，该技术框架充分利用海量互联网时空大数据样本量大、数据可获取度高、动态性强的特点，将大数据挖掘技术与地理统计方法相结合，在准确识别返岗工作人口的通勤流之后，对公共交通系统客流强度及其空间分布进行测算。同时，基于该框架可以实现对城市公共交通系统客流强度的实时监测和动态反馈，在疫情期间城市通勤格局快速变化的情形下，有力地支持城市公共交通系统高效调度、快速响应。

　　研究数据与方法：

　　1.研究数据

　　本文主要使用返岗通勤数据、公共交通通勤数据、城市公共交通线路三类时空大数据，每类数据处理各环节均匿名化，各环节及输出均不涉及个体隐私。

　　1）返岗用户通勤数据。

　　基于2020年1月31日—2月23日百度地图慧眼时空大数据，根据用户行为特征识别返岗工作人口，并通过整合去隐私化的位置、POI等多源数据，得到该群体的职住空间分布特征。将海量返岗用户的居住地与工作地相连接，得到其通勤OD数据。本文将居住地和工作地以网格形式进行聚合，网格尺寸为100m×100m，居住地网格i和工作地网格j之间的通勤流强度Fij为两网格之间的已返岗通勤人数总和。

　　2）公共交通通勤数据。

　　基于百度地图慧眼综合通勤时间、人口画像属性、居住/工作地分布等历史信息和特征，运用机器学习算法挖掘海量用户的通勤方式，并通过通勤调查数据，对计算结果的可靠性进行校核。由此得到从居住地网格i至工作地网格j的通勤流中公共交通出行比例Pij 。因此，公共交通日均通勤客流强度数据(以下对于客流强度的描述均指公共交通日均通勤客流强度)Tij=FijPij 。需要说明的是，本文使用的数据并非覆盖所有人口的全样本数据，因而分析得到的客流强度仅表达相对强度，而非准确的绝对数值。

　　3）城市公共交通线路数据。

　　本文基于百度地图的北京市公共交通线路和车站数据，包含约1200条公共汽车线路和22条轨道交通线路。

　　2.研究框架

　　结合研究目标与研究数据，确定如下图所示的研究框架。

　　1)识别已返岗用户，并借助其历史通勤数据确定通勤OD分布，而后通过挖掘得到的通勤方式数据，测算使用公共交通通勤的用户数量；

　　2)对上述用户的时空信息进行刻画，包括居住地分布、工作地分布，及其通勤空间格局；

　　3)应用路径规划算法，将海量通勤流匹配到公共交通线路上，分段测算出每一条公共交通线路的客流强度；

　　4)按照线路的平均通勤客流强度大小，对线路的保障等级进行划分；

　　5)在前述分析的基础上，对公共交通系统的客流强度特征进行深入刻画，包括各线路的客流强度数量特征和空间分布特征；6)对非常态下北京市公共交通系统的管理和调度提出若干可行的策略建议。

　　3.研究方法

　　1）通勤流与公共交通线路匹配。

　　在识别公共交通通勤流的基础上，通过调取百度地图API接口，对每条通勤流进行路径规划，将其映射至最佳的公共交通线路上。最后，以公共交通线路的分段为基本单元，对通勤数据进行聚合，从而得到客流强度的分段统计结果。

　　其中，通勤流的路径规划和检索方面，主要分为检索和排序两个阶段。在检索阶段，首先根据公共交通线路类型和交通成本，构建线路权值图；而后使用图搜索算法进行路径匹配，返回一定数量的备选线路。在排序阶段，结合海量用户的出行偏好分析，建立基于时间成本、步行距离、换乘复杂度等因子的线路选择规则，并对初步返回的备选线路进行排序和筛选，最终得到选择概率最大的最优通勤公共交通线路。

　　从通勤数据的可靠性方面看，多项既有研究证明，百度地图大数据可以较客观地反映城市通勤格局特征；从路径规划的有效性方面看，本文采取的算法体现了产品特征与用户偏好的整合，即最终公共交通线路的推荐不仅考虑线路自身的换乘成本和换乘体验，同时也以海量用户的实际选择数据作为训练和校验样本，因而可以较为真实地体现市民实际的通勤特征，推测实际的公共交通线路客流强度。

　　2）公共交通线路的重要性和保障等级划分。

　　在对公共汽车和轨道交通的客流强度进行分段测算和分析后，考虑城市公共交通实际调度的可行性，进而折算每一条公共汽车和轨道交通线路的整体平均客流强度，并据此对线路进行重要性分级。为避免分级的主观性，使用头尾分割法(head/tail breaks)分别对这两类线路进行分级。既有研究表明，该方法针对非正态分布数据特别是具有“长尾”分布特征的数据具有良好的分级效果。考虑到公共交通线路上客流的分段分布符合非正态分布特征，故采用这一方法较为合理。

　　头尾分割法首先计算所有线路客流强度的平均值，并将高于平均值的部分视为头部(head)，将低于平均值的部分视为尾部(tail)，则尾部的头尾指数(head/tail index)为1，头部的头尾指数为2。而后对第一次分割得到的头部重复上述过程，并将第二次识别得到的尾部和头部分别赋值头尾指数为2和3。算法不断重复上述过程，直至达到分级数量要求或头部数据无法再细分。最终，根据头尾指数确定公共交通线路的重要性和保障等级，头尾指数越高，则重要性越强、保障等级也越高。

　　公共交通通勤群体空间分布特征：

　　从返岗工作人口的居住地分布(见下图)来看，其空间分布较为均质化，与正常情况下的多中心极化格局存在较大差异，而中心城区边缘地区及外围地区，如亦庄产业园区、机场周边地区则散布有部分返岗率较高的居住区。另一方面，返岗工作人口的工作地分布(见下图)仍保持中心集聚态势，主要集中在中心城区的中心地带，特别是CBD、金融街、中关村等地。

返岗工作人口的居住地分布

返岗工作人口的工作地分布

　　从公共交通通勤人口的整体统计特征来看，当前城市内的平均通勤出行距离显著缩短，公共交通平均通勤出行距离为9.9km，较正常情景下13.2km减少了约25%，表明在当前返岗工作人口的构成中，长距离通勤人数的比例低于正常情景，中短距离通勤人数的比例则相应提高。一般而言，公共交通通勤出行距离越长，则感染病毒或传播病毒的概率越大，因此公共交通平均通勤出行距离的缩短在一定限度上表明，随着政府对新冠肺炎疫情的管控力度增加以及居民风险意识的提升，大量公共交通通勤出行距离较长的人口有意识地推迟了实地返岗工作的时间，这对于疫情防控工作具有积极意义。

　　以乡镇街道为基本统计单元，公共交通通勤流的空间分布整体格局呈现“团块+廊道+星座”的特征(见下图和见下表)。首先，中心城区的中部地区是客流强度最集中的地区，构成整个通勤网络的中央团块；其次，结合公共交通平均通勤出行距离缩短这一现象来看，外围区县至市中心的通勤客流强度整体上有所压缩，主要的通勤流集中在各区县政府驻地及大型居住区与市中心之间的向心通勤，构成若干条通勤廊道；第三，高强度通勤流多表现为各区县政府驻地及大型居住区与周边产业园区之间的通勤流，整体空间格局上更加破碎化，在一定程度上体现了疫情背景下就近返岗现象突出。

返岗工作人口公共交通通勤流空间分布

市域排名前15的公共交通通勤流

　　公共交通线路客流强度分析：

　　从客流强度分布的数量特征(见下图)来看，大部分公共交通区段的客流强度较低，仅有少量区段客流强度较高，呈现明显的“长尾”分布特征。客流强度的空间分布(见下图)具有3个显著特征：

公共交通线路区段客流强度分布

市域公共交通线路相对客流强度分布

中心城区公共交通线路相对客流强度分布

　　1）轨道交通系统在通勤出行中仍扮演重要角色，但其客流强度显著低于正常运营水平，绝大部分区段的客流强度均较小，仅有部分通勤流较为集中的区段以及存在大量公共汽车与轨道交通接驳的区段客流强度相对较大，但此类区段的比例较小。政府交通部门的统计数据亦佐证了上述发现。

　　2）公共汽车交通系统的客流强度分布呈现市中心不高、中心—外围径向客流强度较高的特征。尽管市中心整体通勤客流强度相对较高，但其公共汽车线网密度也较大，整体上系统的负荷处于较低水平。另一方面，市中心与周边大型居民区、产业园区之间的公共汽车线路的客流强度则相对较高，特别是市中心—西二旗软件园区(回龙观居住区)、市中心—空港产业园区、市中心—亦庄产业园区，以及市中心—通州城市副中心等，通勤客流最为密集。在车辆调度中，需要重点保障上述线路的服务。

　　3）外围各区县政府驻地、集中居民区与邻近产业园区之间的部分公共汽车线路客流强度较高。一方面，就近返岗造成局部地区的客流强度较大，同时上述地点之间的公共交通线网密度和发车频率低于市中心，造成客流在少量线路上相对集聚。对于此类线路，下一步也应予以重点关注。

　　公共交通线路保障等级评估：

　　本文通过执行3次头尾分割，分别将公共汽车线路和轨道交通线路分为4个保障等级，各等级线路的空间分布如下图所示，从1到4保障等级逐渐降低。不同保障等级的公共交通线路空间分布特征不尽相同。

市域公共汽车线路保障等级分析

中心城区公共交通线路保障等级分析

　　1）公共汽车线路。

　　保障等级为1级的公共汽车线路主要是市区与周边各区县政府驻地、大型产业园区的连接线，如机场大巴天津线、512路、575路、303路等(见下表)。此类线路在中心城区的东部地区密度较高，主要包括市区—机场、市区—通州副中心、市区—亦庄产业园区这三条公共汽车交通走廊。保障等级为2级的线路主要分布在中心城区内并交织成网，同时在市区东北部机场周边地区也分布有少量这一保障等级线路。保障等级为3级的公共汽车线路分布较为广泛，在中心城区及外围区县均有分布，而保障等级为4级的线路客流强度最小，主要分布在外围区县。

通勤客流强度排名前15的公共汽车线路

　　2）轨道交通线路。

　　保障等级为1级的轨道交通线路为地铁5号线，在中心城区东部南北纵向分布。其次是地铁13号线、机场线、地铁10号线内环、地铁4号线大兴线(见下表)，这些线路沿途串联多个大型居住区和就业中心，在整个公共交通系统中扮演重要角色，其客流强度也相对较高，属于保障等级为2级的线路。其余线路的保障等级则为3级和4级。值得注意的是，地铁1号线、2号线等多条正常情况下客流强度较大的线路，在新冠肺炎疫情期间负荷下降明显。

保障等级为1~3级的轨道交通线路及其通勤客流强度

　　针对上述各条线路的客流特征，本文提出相应的保障要求(见下表)。

公共交通线路客流分布特征及保障要求建议

　　写在最后：

　　在新冠肺炎疫情影响下，城市通勤交通既是城市经济社会运行的必要保障，也是容易引发病毒在城市内部传播的高风险环节。采取合理的运营策略以实现安全、效率与经济之间的平衡，是北京市公共交通系统迫切需要解决的问题。本文基于百度时空大数据，在分析返岗工作人口通勤流空间分布的基础上，借助海量通勤数据的路径规划结果，对全市公共汽车和轨道交通线路的日均通勤客流强度进行分段测算，进而对各条线路的重要性及其保障等级进行划分，最终为制定精准的运营策略提供建议。本文探讨的技术方法对于新冠肺炎疫情下城市公共交通系统的调度和管理具有一定的普适性。

　　分析结果表明，北京市公共交通系统非常态与正常情景下的特征差异较大。就总体数据来看，返岗工作人口平均通勤出行距离明显缩短，就近返岗的特征较为明显，长距离通勤现象不显著，这在一定程度上表明城市通勤格局已针对疫情产生了一定的自适应。在公共汽车方面，市中心线路的负荷显著降低，但其高密度的线网和较大的整体客流强度仍带来管理方面的挑战；而市中心与外围大型居住区、产业园区之间的公共汽车连接线则通勤负荷相对较高，径向通勤走廊应成为重点保障的对象。在轨道交通方面，整体客流强度明显减小，且客流相对较高的区段数量较少，分布零散，整体压力相对较小，落实站内、车内的防疫工作应成为管理重点。

　　为此，在公共交通系统的具体运营策略制定中应注重以下5点：1)总体上考虑采取更加灵活的公共交通调度策略，将时空大数据、公共交通运营数据等多种数据源结合，精确测算不同线路及线路上不同区段的通勤客流分布特征，实现动态、精准的管理。2)采取保障重点线路+保障重点区段的综合手段，从控制乘客密度、降低传染风险的原则出发，综合采取多种保障手段，适当提高公共交通服务能力；对于非重点的线路和区段，则酌情优化调度。3)将区间公交和定制公交作为非常态下公共交通运营的重要手段，针对性地满足通勤客流强度较大的线路和区段的运力需求。特别是针对部分乘客数量大、起止点较固定的通勤流，定制公交可发挥更好的保障和安全效果，目前该策略已在全国多个城市开始实施。4)重点关注和保障外围区县的集中通勤，适当增加公共交通供给，满足就近返岗的需求。5)发挥智慧城市的技术优势，通过互联网平台统计、协调通勤需求，实现运力定向供给；同时通过手机APP实时反馈公共交通车辆位置，减少站台等待时间，降低传染风险。