上海市軌道交通車站客流高峰特征研究

金 昱

(上海市城市規劃設計研究院，上海200040)

0 引言

截至2017年底，中國內地共開通165條城市軌道交通線路，總長約5 033 km，車站總數約3 234座[1]，平均每1.6 km線路設置一座車站。車站是乘客進出軌道交通系統的唯一窗口，也是軌道交通系統工程投資的重要組成部分之一。參考上海市近期某條地鐵線路項目工程可行性研究報告造價估算成果，車站建筑工程費用約占全線工程費用的40%。車站規劃設計質量的好壞直接決定了線路功能的發揮。隨著近年來城市軌道交通線網規模的增大和車站周邊開發的日益成熟，網絡客流量日益增長，部分車站在集散能力、站廳和站臺通過能力、垂直通過能力、換乘通道能力等方面與客流需求間的矛盾日益凸顯，影響軌道交通線路乃至網絡系統的運營安全和效率。

本文重點從客流預測角度開展分析。一方面，客流預測存在誤差，其主要原因包括三個方面[2]：車站周邊用地規劃等預測基礎條件發生變化，對機動車交通等道路交通發展估計不足，對高峰小時系數等客流分布規律認識不足。相對而言，前兩個方面屬于軌道交通系統的外部影響因素，對于高峰小時客流規律認識不足則屬于軌道交通系統內部影響因素。另一方面，在客流預測過程中，往往存在重線路、輕車站的典型特征，對于車站層面客流特征的關注仍顯不足。

本文立足已經投入運營超過20年、網絡規模超過600 km 的上海市軌道交通實際運營情況，開展車站層面進出站高峰客流特征基礎性研究。希望通過本文的研究，加強對軌道交通車站高峰客流特征的認識，為后續軌道交通車站規劃設計提供借鑒。

1 文獻綜述

在軌道交通客流預測過程中，車站高峰小時客流量和車站客流超高峰系數是合理確定車站規模的兩個重要參數：前者是確定各個站臺和樓梯寬度、自動扶梯數量等車站設施規模的直接依據；后者是優化站臺寬度等設施規模的重要參考[3]。近年來，隨著軌道交通運營中暴露出來的諸多不足，研究人員開始逐步重視車站客流高峰特征研究，主要圍繞以下三方面內容開展：高峰小時出現時段、高峰小時系數取值以及超高峰系數取值。

關于高峰小時出現時段，文獻[4]對比了上海和大阪軌道交通客流數據，指出線路和車站的客流高峰時段并不重疊，車站高峰時段的確定應結合車站位置、性質及其周邊用地特征綜合確定。更多的研究人員則通過將車站分類進而研究高峰小時分布特征及對應的高峰小時系數。文獻[5]根據車站周邊用地特征將北京市231 座軌道交通車站劃分為8類，包括居住類、辦公類、對外樞紐類等，并分析了不同類型車站進站客流的高峰時段分布特征和高峰小時系數。文獻[6]從車站進站客流時變特征的角度入手，將上海市軌道交通232 座車站劃分為雙峰型、早高峰型、晚高峰型、無峰型4 類，并計算了不同類型車站的高峰小時系數取值。文獻[7]選取深圳市30 座典型軌道交通車站，根據車站周邊用地功能將車站分為商品房居住類、商業類、辦公類等6 類，分析了各類車站進出站客流的高峰小時系數取值范圍，并對超高峰系數進行了初步研究。

綜上，近年來國內研究人員對于城市軌道交通車站客流特征逐漸重視，希望通過分析車站客流間的差異性，為車站規劃設計提供更為合理的定量化依據。但是，對于軌道交通車站客流高峰特征的基礎性、系統性研究仍較為缺乏，尤其是對高峰小時系數、超高峰系數的取值分析十分有限。

2 數據與方法

2.1 概念界定

2.1.1 高峰小時系數

高峰小時通常用以描述一天中客流量最大的某一小時。在軌道交通規劃設計領域，為了確定車站設施規模，通常使用車站客流高峰小時系數(記作PHF)衡量一天內交通量的高峰特征，其計算公式為

通常采用整點一小時作為研究對象，即將一天24 h中客流最高的某個整點一小時作為高峰小時(記作PHF60min)?？紤]到軌道交通客流波動性特征較為明顯，采用整點一小時進行分析存在一定偏差。本文在以60 min作為研究對象的基礎上，同步研究以15 min作為分析單元，取客流最大的連續一個小時作為高峰小時(記作PHF15min)，即分析可能出現的8：15—9：15為早高峰的情況。

2.1.2 超高峰系數

由于進出站客流在高峰小時內仍有一定不均衡性、突發性，為了避免高峰時段超高客流在車站內部阻塞而影響乘客安全和列車運營，需要對車站高峰小時內的客流時間分布特征進行深化研究。一般采用超高峰系數(記作EPHF)作為衡量車站超高峰期客流量的指標，其計算公式為

式(2)中超高峰時段可選取高峰小時中客流量最大的15 min。根據《地鐵設計規范》(GB 50157—2013)，超高峰系數一般取值1.1～1.4，實際操作中，在首末站、換乘站等取較高值，一般站取較低值[8]。

2.2 數據處理

本文以2016年初上海市軌道交通網絡14 條線路(不含磁浮線、金山支線)、303 座車站(同名換乘車站視為一座車站)作為研究對象。首先選取2016年上半年某一周的全網智能交通卡日均近千萬次的刷卡數據進行分析。全網刷卡量從星期一至星期五逐日增大，周末逐漸回落，這與倫敦[9]、北京[10]的軌道交通客流數據規律類似。因此，本文選取客流量數據最大的星期五作為分析對象。隨后，研究通過跟蹤同一張卡的刷卡數據，判斷每一次刷卡數據屬于進站客流還是出站客流，進而按照刷卡數據所屬車站，分別計算一天內每個車站每15 min、60 min以及全日進出站客流量。在此基礎上，分析每座車站的進出站高峰客流特征。

圖1 車站進出站客流時間分布Fig.1 Temporal distribution of arrival/departure passenger volume

考慮到新建車站客流特征存在較大不穩定因素，數據處理過程中將全網車站根據運營時間≥5年、＜5年分為兩類，兩類車站的平均客流量分別為2.0 萬人次·d-1和0.9 萬人次·d-1。本文重點關注車站全日客流量、高峰小時系數、超高峰系數等多重因素疊加下出現的高峰時段極端客流及由此產生的設施服務水平嚴重不足問題。運營期＜5年的車站總體上全日客流量較小，仍處于客流增長期，分析此類車站高峰時段的相關系數意義不大，也不能完全體現客流成熟后的實際客流特征。因此，最終選取投入運營≥5年的238座車站進行具體的客流分析。

3 車站高峰客流特征

3.1 高峰小時時段分布

3.1.1 全網情況

采用60 min和15 min兩種分析單元分析得出的全網車站進出站客流量時變情況如圖1 所示。全網進出站客流時間分布均呈現典型的雙峰型特征，且早高峰進出站客流量均大于晚高峰相應客流量。相比于進站客流，出站客流時變圖存在一定的滯后特征，可以看成是進站客流時變圖向右移動一定距離(即滯后時間)形成，滯后時間約為30～45 min。根據上海市第五次綜合交通大調查，2015年上海市居民軌道交通出行平均時耗為62 min，其中軌道交通系統內時耗為35 min[11]。由此可見，這個滯后時間基本上也反映了乘客乘坐軌道交通的平均時耗。

以60 min作為分析單元，全網進出站早高峰均出現在8：00—9：00，晚高峰則分別出現在 17：00—18：00 和 18：00—19：00(見圖 1a)。以15 min作為分析單元，全網進出站早高峰分別為 7：45—8：45 和 8：15—9：15，晚高峰分別出現在 17：30—18：30 和 18：00—19：00(見圖1b)。對比得出，15min分析單元比60 min分析單元的進站客流高峰小時略有提前，出站客流高峰小時則略有延后。

3.1.2 車站分布

實際工作中往往更關注車站層面的最高峰客流所在時段的分布情況。對于進站客流而言，超過1/2 的車站進站高峰小時出現在早上，出現在傍晚的比例相對較低，呈現單峰集聚特征。如表1 所示，超過60%的進站高峰客流出現在7：00—9：00，僅30%出現在17：00—19：00。

出站客流的高峰小時分布則呈現出雙峰集聚特征。如表1所示，以60 min作為分析單元，高達43.0%的車站出站高峰客流出現在8：00—9：00，同時高達46.6%的車站出站高峰客流出現在18：00—19：00；以15 min作為分析單元，出站客流高峰小時位于8：00—9：00、18：00—19：00的比例均超過1/3。

3.2 高峰小時系數取值范圍

3.2.1 全網情況

由于全網早高峰客流集聚度更高，早高峰小時系數取值較大幅度高于晚高峰小時系數。這可能與早高峰客流更多是通勤客流直接相關，通勤客流的上班時間相對比較穩定、集中；晚高峰的形成則受更多的因素干擾和影響，時間跨度更長、客流分布亦更平緩。文獻[12]對于城市道路交叉口車流量高峰小時系數的研究也發現了類似的特征。

對比兩種分析單元，進站客流的PHF15min均值比PHF60min均值高10%左右，出站客流的對應增幅相對有限(見表2)?？梢?，全網層面進站客流存在較大的波動性特征，采用15 min的分析精度十分必要。

3.2.2 車站分布

實際工作中往往更關注車站層面的最高峰客流分布情況。以每個車站作為分析對象，分析全網238 座車站的高峰小時和高峰小時系數可以發現：1)進站客流高峰小時系數均值高于出站客流，采用15 min和60 min分析單元得出的進站客流高峰小時系數均值比出站客流對應值分別大15.6%和9.0%(見圖2)，這可能與早高峰大量通勤客流的集中進站有關；2)采用15 min分析單元更能反映高峰客流的特征，這與全網高峰小時系數取值特征類似。

1）進站客流。

進站客流高峰小時系數分布如圖3a 所示。進站高峰小時系數最低的車站位于兩大交通樞紐內——虹橋火車站(PHF15min=10.7%)和浦東國際機場(PHF15min=10.8%)，這主要與對外交通客流分布相對平穩有關。上海市傳統商業區內的車站高峰小時系數大多為15%～20%，包括靜安寺、南京西路、人民廣場、南京東路、徐家匯等車站。這主要與這些車站周邊地區商業、辦公、居住等多種功能的配置相對復合有關。

進站高峰小時系數超過20%的車站占50%。這類車站在空間分布上主要位于兩類典型區域：①4 號線環線以外、放射型線路的外圍車站，周邊用地以居住為主；②4 號線環線以內、周邊用地以高強度辦公開發為主。

圖2 車站客流高峰小時系數箱形圖Fig.2 Box plot of peak hour factors at stations

表1 進出站客流高峰小時時段分布Tab.1 Temporal distribution of arrival/departure passenger volume peak hours %

表2 全網進出站客流高峰小時系數取值Tab.2 Peak hour factor of arrival/departure passenger volume within the rail transit network

進站高峰小時系數超過30%的車站占12%。這類車站的典型特征是周邊用地性質十分單一。例如，1 號線通河新村站、6 號線巨峰路站、7 號線錦繡路站、8 號線楊思站、11 號線桃浦新村站等為居住密集型車站，其600 m 范圍內居住用地面積比例均超過30%，最高甚至達50%；2 號線陸家嘴站、9 號線漕河涇開發區站等為辦公密集型車站，其600 m 范圍內商業、辦公用地面積均超過30%(見圖4)。

2）出站客流。

圖3 進出站客流高峰小時系數分布Fig.3 Distribution of peak hour factors of arrival/departure passenger volume

出站客流高峰小時系數分布如圖3b 所示。與進站客流類似，出站高峰小時系數低值車站多為大型對外交通樞紐，最低為浦東國際機場站(PHF15min=10.3%)，虹橋火車站、上?；疖囌镜溶囌镜母叻逍r系數介于10%～15%。此外，高峰小時系數低值車站還包括1 號線延長路站、3 號線赤峰路站、8 號線江浦路站、13號線金沙江路站等位于中心城區內的車站。這類車站出站客流高峰位于傍晚，但是出站客流并未十分集聚。這可能與其位于中心城的區位以及周邊用地功能相對較為復合有關，車站周邊除了居住用地以外，還布局了三甲醫院、高等院校等，使得進出站客流比較均衡。

主要商業辦公區內的車站出站高峰小時客流系數集中于20%～25%，高峰客流集中度高于進站客流。與進站高峰小時系數相比，出站高峰小時系數總體較小，超過20%的車站比例約為27%。這類車站主要位于兩類區域：①4 號線環線及周邊區域內的1 號線、2 號線、9 號線等骨干線路的車站，周邊用地以高強度商業辦公開發為主，尤其是張江高科、漕河涇開發區等典型的辦公密集型車站，出站高峰客流系數超過30%；②4號線環線外圍車站，包括2 號線海天三路、3號線鐵力路、5 號線文井路等，車站位置處于遠郊，周邊開發成熟度較低，客流總量低(日均進出站客流量總計不足7 000人次·d-1)。

3）小結。

綜合進站和出站客流高峰小時系數空間分析來看，進出站高峰小時系數主要與車站周邊用地特征、區位密切相關。如果車站位于城市外圍且以高強度單一居住功能為主，或者周邊以高強度單一辦公功能為主，則車站存在較高高峰小時系數的可能，需要在規劃設計階段予以關注。對于這類車站，可以研究通過優化調整車站周邊用地功能布局、適當增設車站等方式規避單點大客流風險，也可以研究通過增設相鄰區間貫通式多列位停車線、增加站臺寬度和數量(如設置一島兩側式車站)、提高出入口通行能力等方式，提高車站對于大客流的應對能力。

3.3 超高峰系數取值范圍

考慮到車站超高峰客流對車站規模的影響，在采用15 min分析單元計算高峰小時時段及高峰小時系數取值的基礎上，對車站進出站客流的超高峰系數進行研究。

3.3.1 全網情況

車站客流超高峰系數取值分布如表3 所示。大部分車站超高峰系數位于規范推薦范圍內。進出站客流超高峰系數為1.1～＜1.4的車站分別達71%，75%。與此同時，相比于進站客流，出站客流超高峰系數分布更為離散，這可能與高峰時段進站客流出行目的、出行時間相對統一，以通勤為主，而出站客流出行目的、出行時間更為分散有關。

3.3.2 車站分布

1）進站客流。

進站客流超高峰系數分布如圖5a所示。進站客流超高峰系數取值較高、介于1.3～＜1.4的車站共有6 座，其中僅龍華中路站、藍村路站兩座車站日均進站客流超過1萬人次·d-1，其余4 座車站進站客流量均偏低。超高峰系數高于規范推薦值的車站比例不足2%，僅有4 座，其中3 座為放射型線路外圍居住型車站，受開發強度、開發時序等因素影響，全天進站量不足1萬人次·d-1；另1座為上海體育場站(EPHF=1.77)，為舉辦大型賽事時產生極端高峰客流。經統計，進站客流超高峰系數低于規范推薦值的車站約為27%，這類車站主要是網絡中外圍的一些居住型車站，也包括一些典型的辦公型車站，如南京東路站、漕河涇開發區站等?？梢钥闯?，采用15 min分析單元計算得出的進站客流超高峰系數超過1.4 的車站比例低?？紤]到這其中大部分車站全天進站量不大，其對應的超高峰系數取值尚不具參考價值。

2）出站客流。

出站客流超高峰系數分布如圖5b 所示。相比于進站客流，出站客流超高峰系數的分布更有規律。超高峰系數低于規范推薦值的車站約為21%。這類車站多分布于城市外圍，周邊用地以居住功能為主，超過85%的超高峰時段集中在17：30—19：00。超高峰系數取值較低、介于1.1～＜1.2 的車站約為38%。這部分車站除了一些居住密集型車站，還包括兩類特殊車站：①辦公密集型車站，如陸家嘴站、漕河涇開發區站、張江高科站等；②傳統的商業辦公混合型車站，如靜安寺站、人民廣場站等。這兩類車站超高峰時段多位于8：45—9：15，超高峰系數取值并不突出，但高峰小時系數均較高，這可能與高峰時段出站客流總量較大、周邊商業辦公業態層次較為豐富有關。

出站客流超高峰系數取值較高、介于1.3～＜1.4 的車站約為11%。典型車站可以分為兩類。一類是位于外環線外的居住密集型車站(如1 號線富錦路站和寶安公路站、7 號線顧村公園、9 號線九亭站和松江新城站等)，出站高峰時段位于傍晚。上述車站均位于線路末梢，承擔了周邊一定范圍內的交通接駁功能。這類車站與規范推薦的超高峰系數取高值的首末站有點類似，在客流預測分析中超高峰系數宜取較高值。另一類是中心城內的換乘站(如徐家匯站、海倫路站、漢中路站等)。這幾座換乘站出站高峰時段位于早上，超高峰系數亦較高，符合規范推薦的換乘站超高峰系數取較高值的建議。但是，考慮到全網共有50 余座換乘站，僅上述個別換乘站出現了較高的超高峰系數，尚無法佐證換乘站客流都存在較高超高峰系數的論斷。超高峰系數高于規范推薦值的車站比例僅為4%，典型車站是3號線殷高西路站和共富新村站。這兩個車站出站高峰小時均位于傍晚，出現極端15 min高峰的原因可能在于兩個方面，一是車站的區位均位于外環線附近，屬于典型的4 號線外圍居住密集型車站；二是車站周邊住宅建設年代、類型均十分接近，殷高西路站和共富新村站周邊居住用地基本上都是20 世紀90年代前后建設的老公房(見圖6)。

圖4 高峰小時系數高值車站600 m范圍現狀用地性質Fig.4 Land use of 600 meters around stations with the highest peak hour factors

表3 車站客流超高峰系數取值Tab.3 Passenger extra peak hour factors at stations %

圖5 進出站客流超高峰系數分布Fig.5 Distribution of extra peak hour factors of arrival/departure passenger volume

圖6 超高峰系數高值車站周邊600 m范圍現狀用地性質Fig.6 Land use of 600 meters around stations with highest extra peak hour factors

3）小結。

采用15 min分析精度得出的高峰小時系數精度高，由此計算得出的超高峰系數大多位于規范推薦區間內，一定程度上也佐證了規范推薦值的合理性。但倘若采用60 min計算精度，將有許多車站的超高峰系數超過規范推薦值范圍。從超高峰系數取值來看，辦公密集型車站往往存在較高的進出站總量和高峰小時系數，而超高峰系數偏低；居住密集型車站在各個細分區間內均有分布，超高峰系數取值與車站區位以及住宅建設年代、類型的混合程度相關，相對單一的住宅類型容易形成較高的超高峰系數。對比既有規范，雖然超高峰系數高于規范推薦值的車站數量較少，但是有兩類車站需要引起重視：①大型體育場館周邊的地鐵車站，存在散場時段的瞬時進站高峰客流；②城市軌道交通線網外圍的相對單一住宅類型的居住密集型車站，存在下班時段的出站瞬時高峰。

4 結語

基于強化車站客流特征分析以提高車站規劃設計科學性的基本思路，本文利用上海市運營超過5年的238 座車站的智能交通卡刷卡數據，對軌道交通車站高峰小時客流特征進行了系統研究。得出以下基本結論：

1）從分析精度來看，軌道交通車站客流分析應采用15 min作為基本分析單元，采用60 min分析單元容易抹平一些高峰客流特征。

2）從高峰小時時段分布來看，更多車站的進出站高峰客流出現在早上，而且進站客流在晚高峰出現全日高峰客流的比例明顯低于出站客流。因此，對于大多數車站而言，客流預測過程中應更多關注早高峰客流特征。

3）從高峰小時系數取值來看，進站客流取值高于出站客流，而且進出站高峰小時系數主要與車站區位及周邊用地特征相關。位于城市外圍且以高強度單一居住功能為主，或者周邊以高強度單一辦公功能為主的車站，存在較高高峰小時系數的可能，需要引起重視。

4）從超高峰系數取值分布來看，在采用15 min分析精度較好地識別高峰小時的前提下，大部分車站超高峰系數位于規范推薦值范圍內。對于位于線路末梢，同時承擔了周邊一定范圍內交通接駁功能的車站，超高峰系數在客流預測中可以適當選用規范推薦的較高值，而對于車站周邊存在體育場館等設施的車站，應充分考慮瞬時高峰客流帶來的高超高峰系數。

因此，車站選址過程中應充分重視區位特征、用地特征帶來的客流影響。通過合理選擇車站位置、優化周邊用地功能等規劃手法，規避極端客流高峰的出現。同時，采用增設停車線、優化站臺和出入口設計等多種設計手法應對大客流沖擊，保障后續軌道交通的運營安全。同時，圍繞軌道交通車站的TOD 開發以及結合車站進行城市有機更新時，應注重車站周邊用地功能的混合，尤其在傳統居住區中應注重增加的居住功能與既有居住功能的差異性。通過提升用地功能混合度，從源頭上抑制極端高峰客流的出現。

由于上海運營時間超過5年的車站中約有30 座進行了不同程度的限流，限流車站的實際刷卡客流數據無法完全體現車站客流需求特征，相應的高峰小時系數和超高峰系數可能偏低。這部分限流車站往往也是網絡中客流量比較大的車站，如莘莊站、彭浦新村站、陸家嘴站等。若是簡單將這些車站剔除，得出的車站整體高峰小時系數和超高峰系數將降低，更加偏離實際情況。后續可以結合手機信令等相關數據，深化分析限流車站的客流需求特征。此外，在高峰時段，除了進出站能力，換乘通道能力、站臺能力亦是制約系統能力的重要因素。未來應對上述這些因素開展研究，有助于更加全面地認識車站高峰小時特征，為軌道交通車站規劃設計提供更多的支撐。