考慮空間效應的公交站點客流量影響因素分析

王伊凡，陳學武

(1.華設設計集團股份有限公司，南京 210014；2.東南大學，a.江蘇省城市智能交通重點實驗室，b.現代城市交通技術江蘇高校協同創新中心，c.交通學院，南京 211189)

0 引言

地面公交作為惠民的綠色交通方式，是促進交通可持續發展和城市高質量發展的重要保障。然而，受共享出行等新業態的快速發展和各大城市軌道交通逐漸成網等多重因素沖擊，近年來，地面公交客流量普遍呈下降趨勢，公交營收也隨之減少，導致地面公交的發展及公交市場的運營均面臨嚴峻挑戰。如何在有限的資金支持下提高公交客流量具有重要的現實意義，分析多種因素對公交客流量的影響有助于針對性地進行規劃管理及合理的資源配置。

國內外學者從不同研究角度研究影響公交客流量的內外部因素。在區域層面，TAYLOR 等[1]基于兩階段最小二乘法探究美國265 個城市化地區的客流量影響因素，結果顯示，城市化面積、人口密度及城市經濟等公交系統外部因素，以及票價和車頭時距等內部因素導致不同城市公交客流量的差異性。在線路層面，DIAB等[2]基于隨機效應模型探究建成環境、社會經濟及公共交通服務等因素對蒙特利爾公交客流量的影響，結果顯示，公交的發車頻率和車速是客流量的重要保障，工作崗位分布是客流量的重要影響因素。隨著信息采集技術的提高，公交及建成環境等方面大數據的應用為公交站點層面的精細化分析奠定了基礎[3]，近年來，相關研究逐漸發展。CHAKOUR等[4]基于有序Probit模型采用不同半徑的緩沖區計算各變量的指標值，研究站點屬性(車頭時距和線路數量等)、站點周邊公共交通(公交站數量、地鐵站數量、鐵路站數量及公交專用道長度等)、站點周邊基礎設施(主干道長度和公路長度)及站點周邊土地利用(居住用地面積和商業用地面積等)這4 類影響因素，結果顯示，車頭時距對客流量有顯著的負向影響，站點周邊公共交通對客流量有顯著的正向影響；CUI 等[5]基于普通最小二乘法探究不同因素對波特蘭公交客流量的影響，采用隨機森林和梯度提升算法探究各變量間的相對重要性，結果顯示，公交站點30 min 內可達的工作崗位數對客流量最為重要，其次，為居民收入和步行條件；傅志妍等[6]研究新冠疫情及建成環境對公交客流量的影響，選取站點500 m范圍緩沖區內各類土地利用設施的密度、土地利用混合度、人口密度、交叉口數量、道路網密度、距市中心距離及線路數量等作為建成環境指標，結果顯示，線路數量和距市中心的距離是疫情期間公交客流量的顯著影響因素。

綜上可知，既有研究針對土地利用、交通基礎設施、公交特性、人口及社會經濟等多類客流量影響因素已有豐厚成果，但大多采用傳統計量模型，未考慮空間效應的影響，忽略了相鄰研究單元間的相互影響，以及研究單元空間位置對公交客流量影響程度或影響方向的差異性，造成估計結果的不準確。

空間效應分為空間依賴性和空間異質性，兩類空間效應通常同時存在[7]，但既有研究往往僅考慮單一空間效應?？臻g依賴性的研究主要采用全局常參數的空間計量模型，WANG 等[8]從社區層面運用空間杜賓模型研究北京市的公交客流量影響因素，但其忽略了反饋環效應[9]的影響，誤將空間滯后項系數作為溢出效應進行分析，且此類錯誤在公交相關的空間依賴性研究中并非個例[10]?？臻g異質性的研究主要采用局部變參數的地理加權回歸模型及其衍生模型，劉瑋等[11]將青島市主城區劃分為柵格，運用多尺度地理加權回歸模型證明了城市建成環境對公交客流量的影響具有空間異質性。GAN 等[12]雖建立了空間計量及地理加權回歸兩類模型，但空間計量模型的建立僅為了模型對比，未研究空間溢出效應的影響。全局模型考慮所有空間研究單元呈現的總體特征，局部模型從細節層面關注若干個相鄰空間研究單元相互作用所呈現的局部特征，在公交規劃管理及政策制定的過程中，既需要適用于全城的普遍特征規律制定發展方針，又需要針對局部地區的特點精準制定客流量提升策略，單個模型難以較為全面地剖析研究對象，為政策與管理做支撐。因此，有必要在綜合考慮空間依賴性和空間異質性的基礎上分析公交客流量影響因素。

綜上所述，目前，公交客流量影響因素方面的研究存在以下三點不足：一是，站點層面的精細化研究主要集中在國外，但國內外城市特點和公交的發展模式較為不同；二是，當前研究未能從全局和局部兩個層面分析空間效應對公交客流量的影響，難以全面地支撐規劃管理與政策制定；三是，對空間溢出效應的正確分析略顯不足，直接采用空間滯后項系數分析溢出效應，易造成誤判。本文以南京市工作日早高峰和晚高峰時段的公交站點客流量作為研究對象，綜合考慮空間依賴性及空間異質性，探究土地利用、交通基礎設施、站點屬性及社會經濟等多類因素的影響，從全局視角利用空間杜賓模型揭示各因素對公交站點客流量影響的直接效應與溢出效應，從局部視角利用地理加權回歸模型揭示影響因素與客流量間的空間非平穩性，并提出相關政策建議。

1 數據處理與變量選擇

1.1 研究區域

南京市是江蘇省省會，下轄11 個市轄區，其中，玄武區、鼓樓區和秦淮區為老城區，老城區與建鄴區、棲霞區及雨花臺區共同組成主城6區。本文的公交數據來源于南京公共交通集團，其運營范圍為南京市主城6區、浦口區及六合區，因此，本文的研究范圍為8個市轄區，如圖1所示。

圖1 研究區域Fig.1 Study area

1.2 數據源與數據處理

本文主要探究土地利用、交通基礎設施、站點屬性及社會經濟等多類因素對公交站點客流量的影響，涉及的數據源包括：公交相關數據(刷卡數據、車輛進出站數據及線路數據)、興趣點數據、地鐵站點數據、居民小區數據、土地利用數據、路網數據及公共自行車站點數據等。

(1)公交相關數據

公交相關數據由南京公交集團提供，數據時間為2021 年5 月。原始公交刷卡數據包括：卡類型、卡編碼、車輛編碼及刷卡時間等字段，數據結構如表1所示。

表1 公交刷卡數據說明Table 1 Smart card data description

原始公交刷卡數據中無乘客上車站點信息，需根據車輛編碼和時間字段與車輛進出站數據匹配以識別上車站點，而后與公交線路數據匹配，添加站點經緯度信息，本文識別獲得4074.6萬條刷卡數據。根據工作日的客流量時變規律確定7:00-9:00與16:00-18:00分別為早晚高峰時段，研究區域公交站點客流量空間分布如圖2所示，共4022個站點。

圖2 研究區域公交站點客流量空間分布Fig.2 Spatial distribution of ridership at bus stops in study area

(2)網絡采集數據

通過高德開放平臺(developer.amap.com)的Web 服務API 接口采集興趣點數據和地鐵站點經緯度數據，興趣點數據包含：餐飲、購物、醫療、政府機構、科教文化、金融保險及公司企業7 類可提供崗位的類別。通過鏈家網(lianjia.com)的小區板塊采集南京市各居民小區的網頁內容，使用python的Beautiful Soup包進行解析，獲得包含房屋均價和房屋總數等字段的居民小區數據。各數據采集時間均為2021年6月。

(3)其他數據

土地利用數據來自EULUC(Essential Urban Land Use Categories)數據集，包括：居住、商業、工業、交通及公共管理與服務等類別。路網數據來自開源地圖Open Street Map(OSM)，為不同等級道路的矢量數據，由于OSM 中道路的表現形式為雙線與單線并存，本文對路網數據進行處理，將數據統一為單線路網。公共自行車站點數據由南京公交集團提供。

1.3 影響因素及解釋變量選擇

結合已有研究及相關規范政策，本文選擇站點直線距離500 m 內作為公交吸引范圍，在GIS 中表現為以站點為圓心，以500 m為半徑的緩沖區。參考現有文獻研究成果，本文構建包含土地利用、交通基礎設施、站點屬性及社會經濟共4類17個變量的影響因素數據集。

(1)土地利用

不同用地類型將產生或吸引不同目的的出行需求，既有研究發現，不同土地利用類型對客流量的影響不同，土地利用混合度對客流量有積極影響[6]，因此，本文將居住用地強度、商業用地強度、工業用地強度、公共服務用地強度及土地利用混合度作為解釋變量，利用熵指數計算土地利用混合度，即

式中：E為土地利用混合度，t為站點吸引范圍內的用地類型數量，本文研究的土地利用類型為居住用地、商業用地、工業用地及公共服務用地，將未研究的用地類型均歸為其他類，故t=5；Pl為吸引范圍內第l種類型用地面積占站點吸引范圍的比例。

(2)交通基礎設施

其他交通方式與公交存在著競爭和合作的關系，受數據制約，本文僅研究地鐵和公共自行車等公共交通方式對公交客流量的影響，此外，考慮公交站點間的內部作用，選取緩沖區內地鐵站數量、公共自行車站數量及其他公交站數量作為解釋變量。路網條件關系著采用公交出行的便利性，既有文獻中對行人步行條件和公交專用道等變量進行過研究，受數據制約，本文將次干道和支路等低等級路網長度作為行人步行條件的替代變量。

(3)站點屬性

結合既有研究成果及公交站點特性，本文研究站點服務水平、站點類型及目的地可達性對客流量的影響，選取車頭時距、是否為首末站、線路條數及距市中心的距離作為解釋變量。由車輛進出站數據中的站點名稱和進站時間字段計算同一站點相鄰車輛進站的時間差，獲得站點車頭時距；由公交線路數據中的站序字段識別站點是否為首末站；對站點名稱字段進行集計計數得到站點線路條數；由站點經緯度字段計算站點距市中心的距離。

(4)社會經濟

社會經濟因素中經濟發展水平、人口及崗位數量均為影響公交客流量的重要外部因素，本文將房價作為經濟發展水平的替代變量，由居民小區數據中房屋總數字段統計得到住戶數量，采用可提供崗位的興趣點數量作為崗位數量。

為避免所選各變量高度相關，進行了多重共線性檢驗，被解釋變量采用加1 后取對數的形式，以緩解異方差性。結果顯示，各變量的方差膨脹因子(Variance Inflation Factor,VIF)均小于5，通過檢驗要求。變量描述性統計及多重共線性檢驗結果如表2所示。

表2 解釋變量描述性統計及多重共線性檢驗結果Table 2 Descriptive statistics of explanatory variables and multicollinearity test results

2 研究方法

開展空間依賴性與空間異質性分析的前提為公交客流量具有空間效應，故本文首先采用探索性空間數據分析的方法探究站點客流量的空間分布特征，確定空間效應分析的合理性。其次，基于全局和局部角度的特征分析結果分別采用空間計量模型和地理加權回歸模型揭示各因素對公交站點客流量的影響機理。

2.1 探索性空間數據分析

為探究是否考慮空間效應，引入探索性空間數據分析(Exploratory Spatial Data Analysis,ESDA)。ESDA 利用統計工具和地理信息方面的技術手段分析空間數據的特征與規律，指導更為準確的數據建模。常用的ESDA 方法包括全局空間自相關和局部空間自相關。

(1)全局空間自相關

全局空間自相關用于探究區域總體平均的空間聚集或離散程度，全局莫蘭指數(Global Moran's I)是常用的度量指標，計算式為

式中：n為空間單元總數；wij為第i個空間單元和第j個空間單元間的空間權重值；yi和yj分別為第i和第j個空間單元的站點客流量；yˉ為所有站點客流量的均值。本文采用反距離權重法計算空間權重矩陣。

全局莫蘭指數的取值范圍為[-1,1]，當全局莫蘭指數顯著為正時，表明存在正的空間自相關；顯著為負時，表明存在負的空間自相關；趨于0時，表明不存在空間自相關。

(2)局部空間自相關

局部空間自相關用于具體探究局部區域的空間聚集或離散程度，本文采用局部莫蘭指數(Local Moran's I)作為指標，計算式為

式中：Ii為空間單元i的局部莫蘭指數；S2為所有公交站點客流量的方差。

局部莫蘭指數采用“高-高”“高-低”“低-高”“低-低”這4 種關聯特性反映局部聚集特征，“高-高”關聯表示客流量高的空間單元被客流量高的空間單元所包圍；“高-低”關聯表示客流量高的空間單元被客流量低的空間單元所包圍；“低-高”關聯表示客流量低的空間單元被客流量高的空間單元所包圍；“低-低”關聯表示客流量低的空間單元被客流量低的空間單元所包圍?！案?高”關聯與“低-低”關聯為局部正相關，“高-低”關聯與“低-高”關聯為局部負相關。

2.2 空間計量模型

(1)模型介紹

為考慮空間依賴性，在全局層面引入空間計量模型，包括空間誤差模型(Spatial Error Model,SEM)、空間滯后模型(Spatial Lag Model,SLM)和空間杜賓模型(Spatial Durbin Model,SDM)，其中，SDM可簡化為SEM和SLM。SDM模型[9]為

式中：α為常數項；m為解釋變量個數；k為第k個解釋變量；βk為第k個解釋變量的估計系數；xik為空間單元i第k個解釋變量的觀測值；ρ為空間自相關系數；wijyi為早高峰或晚高峰客流量的空間滯后項；φ為解釋變量空間滯后項wijxjk的回歸系數；εi為隨機誤差項。

當φ=0,ρ≠0 時，SDM 簡化為SLM；當φ+ρβ=0 時，SDM簡化為SEM。

(2)最優空間計量模型選擇

為選擇最優的空間計量模型需進行一系列檢驗[13]，首先，建立多元回歸模型，進行空間誤差依賴的拉格朗日乘數(LM-Error)檢驗和空間滯后依賴的拉格朗日乘數(LM-Lag)檢驗，若兩者均不顯著，則無需采用空間計量模型；若僅有一個顯著，則選擇相應模型；若兩者均顯著，則對空間誤差和空間滯后繼續進行穩健拉格朗日乘數(Robust LM)檢驗，若仍均顯著，則暫定選擇SDM模型，并進行瓦爾德(Walds)和似然比(LR)檢驗，分析其是否可以退化為SEM 或SLM，若檢驗結果均顯著，則SDM 為最優模型。

(3)空間效應分解

SDM估計的系數存在偏誤[9]，需進行偏微分分解，將空間效應分解為直接效應和間接效應(溢出效應)。直接效應反映本公交站點解釋變量對本公交站點客流量的影響；間接效應反映本公交站點解釋變量對臨近公交站點客流量的影響。偏微分分解方法[9]為，先將SDM模型變換為向量形式，即

式中：Y為早晚高峰公交站點客流量向量；X為解釋變量向量；In為單位矩陣；W為n×n階空間權重矩陣；in為單位向量；ε為誤差項向量。

將被解釋變量對第K個解釋變量求偏導，即

對所得矩陣的對角線元素取平均值即為平均直接效應，對非對角線元素取平均值即為平均間接效應。

2.3 地理加權回歸模型

為從局部層面考慮空間異質性，分析各變量的影響作用在不同空間單元上的不穩定性，引入地理加權回歸(Geographically Weighted Regression,GWR)模型[14]為

式中：(ui,vi)為空間單元i的坐標；β0(ui,vi)為空間單元i的常數項；βk(ui,vi)為第k個解釋變量的局部回歸系數。

本文采用高斯函數作為權函數，利用交叉驗證法(Cross Validation,CV)和赤池信息量準則(Akaike Infromation Criterion,AIC)選擇最優帶寬，兩種方法均為在最小值處取得最優。蒙特卡羅法可對各變量進行空間異質性檢驗，通過將模擬系數與實際回歸系數進行比較，若兩者顯著不同，即p值小于0.05，證明變量具有空間異質性。

3 結果分析

3.1 空間計量模型計算結果與分析

(1)模型選擇

計算早晚高峰時段站點客流量的全局莫蘭指數以探究空間自相關性，結果顯示，早高峰時段的全局莫蘭指數為0.4613，晚高峰時段為0.5874，兩個時段的站點客流量均具有顯著的正空間自相關，表明在整體上存在空間聚集特征，因此，建立空間計量模型進行分析。

首先，建立多元回歸模型以探究各變量的顯著性，保留核心顯著變量進行分析，提高模型的簡潔性與解釋能力，剔除早晚高峰時段中均不顯著的土地利用混合度、地鐵站數量、低等級路網長度及公交專用道長度等變量；其次，進行空間計量模型選擇的檢驗，結果如表3所示。LM-Error、LM-Lag、穩健的LM-Error及穩健的LM-Lag檢驗結果均在1%水平下顯著，故暫定采用SDM 模型，進而進行Walds 檢驗和LR 檢驗，各檢驗結果也均在1%水平下顯著，表明SDM 模型為最優模型，不能簡化為SLM或SEM。

表3 空間計量模型檢驗結果Table 3 Results of spatial econometric model test

(2)空間依賴性分析

早晚高峰時段的SDM 模型參數估計結果如表4 所示，兩個時段的空間自相關系數ρ均顯著，分別為0.608和0.644，表明公交站點客流量間存在明顯的空間依賴性，并具有聚集特征。早晚高峰時段SDM 模型殘差的莫蘭指數均不顯著，基本消除了殘差的空間效應，結果較多元回歸模型更為可靠。

表4 SDM模型估計結果Table 4 Estimation results of SDM model

(3)直接效應和溢出效應分解

利用偏微分方法進行SDM 的空間效應分解，結果如表5 所示。早晚高峰時段SDM 模型的直接效應與表4 中的回歸系數在顯著性和影響方向等方面基本一致，但各解釋變量的溢出效應與空間滯后項系數大多在顯著性和數值上均較為不同。

表5 SDM模型偏微分分解結果Table 5 Partial derivative decomposition results of SDM model

從直接效應來看，在土地利用方面，各用地類型對晚高峰時段的客流量均有積極影響，早高峰時段僅有居住用地強度和公共服務用地強度顯著，且由于早高峰通勤需求突出，居住用地強度的提升可顯著增加站點客流量。在交通基礎設施方面，公共自行車站數量在早晚高峰時段均在1%的水平下與客流量顯著正相關，表明公共自行車與公交的便捷接駁有益于公交客流量的增長，而DIAB 等[15]基于加拿大的研究發現，公交站點服務范圍內公共自行車系統的存在對客流量為消極影響。站點周邊公交站數量僅在晚高峰時段顯著，且與客流量負相關，在其他變量條件不變的情況下，站點周邊每增加1 個公交站點，該站點的客流量將降低2%。但既有研究發現蒙特利爾[4]和費城[16]等地的公交站數量與客流量顯著正相關，這是由于國內與國外的郊區居住模式不同，人口主要聚集在中心城區，城區的公交站點覆蓋率較高，乘客通過直達、換乘及聯程出行的方案選擇較多，當公交站點增加時，乘客可更為靈活地選擇上車站點，造成相鄰公交站點客流量間的分流。在站點屬性方面，車頭時距在早晚高峰時段均與客流量顯著負相關，在其他變量條件不變的情況下，公交站點車頭時距每減少1 min，早晚高峰時段的客流量可分別提高3.9%和1.6%，乘客在早高峰時段對車輛的發車頻率更為敏感。首末站和線路條數在早晚高峰時段均與公交站點客流量顯著正相關，首末站與中間站相比，能吸引更大范圍客流，線路條數越多的站點乘客的換乘選擇越多，目的地可達性越高。在社會經濟因素方面，各變量在早晚高峰時段均與客流量顯著正相關。房價作為經濟發展水平的替代變量，與公交站點客流量顯著正相關，經濟發展水平越高的區域，自駕成本越高，選擇公交進行短距離出行的乘客越多。住戶數量在早晚高峰時段的直接效應分別為0.077和0.016，對早高峰時段的影響程度較高。崗位數量在早晚高峰時段的直接效應分別為0.396 和0.738，對晚高峰時段的影響程度較高，符合通勤特性。

從溢出效應來看，在早晚高峰時段均顯著的變量有公共服務用地強度和公交站數量，且均為負向作用。公共服務用地包括：教育科研、文化體育設施及醫療衛生用地等，當公共服務用地強度增加時，會吸引周邊的公交客流，呈現虹吸效應。站點周圍公交站數量溢出效應的絕對值大于直接效應的絕對值，該變量以溢出效應為主，說明站點分布密集的區域會吸引稀疏區域的客流量。公共服務用地強度高和公交站數量多的位置公共交通可達性一般較高，吸引的客流范圍更廣泛，乘客愿意通過更長的步行距離或自行車換乘等方式在此類站點乘車。

3.2 地理加權回歸模型計算結果與分析

(1)局部空間自相關檢驗

早晚高峰站點客流量局部莫蘭指數結果如圖3所示，早高峰及晚高峰的結果具有相似性，主城區主要表現為“高-高”關聯和“低-高”關聯，即客流量高的站點和客流量低的站點均被客流量高的站點包圍，說明主城區的站點客流量總體較高。六合區以“低-低”關聯和不顯著站點為主，存在少量“高-低”關聯的站點，說明六合區的站點客流量總體上偏低。浦口區4種關聯特性均有，分區域具有不同特征。由局部空間自相關檢驗結果可知，有必要考慮空間異質性的影響。

圖3 局部莫蘭指數結果Fig.3 Results of local Moran's I index

(2)模型構建與模型比較

在變量選擇方面，由于在地理加權回歸模型中加入啞變量會產生局部多重共線性，故剔除啞變量“是否為首末站”，其余變量與空間計量模型一致。運用交叉驗證法和赤池信息量準則計算帶寬，分別選擇42和40作為早晚高峰模型的帶寬。對各變量進行蒙特卡羅檢驗，重復次數設為1000，早晚高峰時段各變量p值均為0.000，表明各解釋變量均具有空間異質性。

將多元回歸模型、空間杜賓模型與地理加權回歸模型的擬合效果進行對比，結果如表6所示。與全局模型相比，作為局部模型的GWR 有著更小的AIC 值和更大的調整R2，擬合效果最好。與多元回歸模型相比，GWR殘差的莫蘭指數減小，減弱了空間效應的影響。

表6 模型評價指標對比Table 6 Comparison of model evaluation indexes

(3)模型估計結果

地理加權回歸模型結果如表7所示，各變量的估計系數隨著空間位置的不同而變化，具有非平穩性。除車頭時距和線路條數外的變量在早晚高峰時段的最小值均為負數，最大值均為正數，表明在不同空間位置下各變量對站點客流量的影響方向存在差異，既可能為正向促進作用又可能為負向抑制作用。車頭時距在早晚高峰時段的最小值分別為-0.243 和-0.236，最大值分別為-0.004 和-0.010，不同位置下，公交站點客流量與車頭時距均為負相關。線路條數在晚高峰時段的最小值為0.060，最大值為0.242，晚高峰時段各站點的公交客流量均與線路條數正相關。從系數的標準差來看，各土地利用類型對不同公交站點影響的差異性最大，早高峰時段商業用地強度的系數標準差達9.489，這是由于研究范圍包含南京市內較為偏遠的鄉鎮地區，其用地特征對客流量的影響與其他區域相比差異較大。

表7 GWR模型估計結果Table 7 Estimation results of GWR model

(4)系數空間格局分析

由于研究變量較多，結合全局回歸模型中早高峰通勤需求突出，局部回歸模型中部分變量對客流量的影響方向較為穩定等特性，選擇居住用地強度、車頭時距及線路條數等變量的估計結果進行可視化分析，進一步探究局部空間效應的影響。

居住用地強度在早晚高峰時段的局部回歸系數平均值分別為0.547和0.033，明顯小于全局回歸的系數0.970 和0.511。系數的空間分布如圖4 所示，中心城區由于站點周圍土地開發強度較高，居住用地強度的變化對客流量影響不顯著。棲霞區及城東片區的居住用地強度在各時段均顯著地正向影響客流量，早高峰時段，雨花臺區板橋新城附近居住用地強度的變化對客流量的影響程度最高。板橋新城作為南京重點規劃的新城之一，正處于建設生態宜居新城的重要時期，區域內居住用地強度不斷提升，由于距河西和軟件谷等企業聚集區較近，吸引了大量人口流入，但區域內地鐵覆蓋較少，因此，較多居民在早高峰時段選擇公交通勤，模型結果較為合理。公交規劃管理部門應著重關注城東和板橋新城等片區的居住用地強度變化，及時跟進新建居民小區的交付情況，對應合理設置公交線路分布和服務水平，滿足居民出行需求的同時提高公交客流量。

車頭時距在早晚高峰時段對站點客流量普遍具有顯著負向影響，影響程度在環玄武湖地區最高，并逐層向外遞減，系數分布如圖5 所示。環玄武湖地區的新莊和小市等區域車頭時距系數小于-0.2，在其他條件不變的情況下，車頭時距每減少1 min，公交站點客流量將增加20%以上。環玄武湖地區地鐵交織成網，公交專用道遍布，文旅資源豐富和高校林立的同時也存在著新莊(快速路交匯節點)和小市(外來人口聚集地)等車流和人流量較高區域，有著較好的客流基礎，與地鐵相比，公交站點覆蓋率更高，減少站點車頭時距可縮短乘客候車時間，有效吸引客流。六合區和浦口區等城市外圍地區的車頭時距變化對客流量的影響有限，但柳州東路附近由于通勤需求較大，車頭時距系數絕對值可達0.15 以上。公交規劃管理部門應著力保障中心城區，尤其是玄武湖周圍地區和柳州東路等區域附近站點的車頭時距穩定性，在進一步分析乘客出行特征的基礎上，從線路層面制定發車頻率提升方案和公交專用道配套方案等。

線路條數在早晚高峰時段對各區域站點客流量普遍具有顯著正向影響，對老城區的影響程度最弱，對浦口的鄉鎮等外圍地區的影響程度最強，系數分布如圖6 所示。由于老城區的站點線路條數總體高于外圍地區，回歸結果較為符合邊際效應。結合上文，公交規劃管理部門可對不同區域實行差異化和針對性的公交站點客流量提升策略，與老城區以提升服務頻率與服務水平為主不同，外圍地區可將提高可達性和換乘便利性為目標，分析公交需求分布，適當加密線網，提高客流量。

圖6 線路條數估計系數的空間分布Fig.6 Spatial distribution of estimation coefficients for number of routes

4 結論

本文以南京市作為研究區域，采用空間杜賓模型、地理加權回歸模型分別從全局和局部層面定量評估多類因素對公交點客流量影響的直接效應、溢出效應及空間非平穩性。得到的主要結論如下：

(1)從直接效應來看，車頭時距與公交站點客流量顯著負相關，早高峰時段影響程度更大，可通過適當提高發車頻率的方式提高客流量；首末站對客流量有顯著的積極影響，在目前土地資源緊缺的背景下，建議采用新建居民區和商業區配建首末站的方式保障公交場站的落地；公共自行車與公交的便利接駁有益于提高公交客流量，建議重視公共自行車換乘站的運營養護工作，尤其在晚高峰時段，保證換乘站的車輛供給。

(2)從溢出效應來看，公共服務用地強度和公交站數量均具有顯著的負向溢出效應，呈現虹吸現象。公交站點覆蓋率常常作為評價公交服務水平的重要指標，但從溢出效應來看，簡單增設站點的方式會造成相鄰公交站點間的分流，提高公交站點可達性對客流量的提升更為重要。

(3)地理加權回歸模型中，各變量估計系數呈空間非平穩性，各變量對客流量的影響程度和影響方向隨站點位置的不同存在差異，南京市城東及板橋新城等區域的居住用地強度變化對客流量的影響較大，車頭時距對客流量的影響程度在玄武湖周邊區域最大，并向外逐層遞減，線路條數的影響程度由老城區向外圍區域遞增。

(4)綜上，提高站點目的地可達性和公共交通間換乘便利性是從總體上提高公交客流量的良好策略。在考慮經濟性和實施效益的基礎上，可針對不同區域采取差異化的客流提升策略，中心城區以提高服務水平為主，可通過結合公交專用道和針對重要站點布設高頻骨干線路等方式提高車輛到站的可靠性，降低站點車頭時距，提高公交吸引力；城市外圍地區以滿足居民的主要出行需求為主，可結合土地利用類型的變化，通過合理設置公交站點和增設線路等方式及時滿足較大吸引范圍內的新增需求，提高客流量。