基于因果机器学习框架的COVID-19对北京地铁系统影响机制解析与韧性提升策略

为解决COVID-19疫情下城市公共交通系统韧性不足的问题，北京交通大学研究团队创新性地构建了融合机器学习（LightGBM）、因果推断（Meta-Learners）和可解释性分析（SHAP）的三阶段分析框架，通过多年度对比研究发现Xinfadi疫情导致地铁站点日均客流减少约1万人次，揭示了中介中心性（Betweenness Centrality）、房价和POI等关键因子的时空异质性影响，为应对"Disease X"等未来突发公共卫生事件提供了可快速部署的决策支持工具。

　　

突如其来的COVID-19疫情给全球城市交通系统带来了前所未有的挑战，北京作为超大城市代表，其地铁网络日均千万级的客流量在疫情冲击下暴露出显著脆弱性。现有研究多局限于相关性分析，缺乏对疫情因果效应的精准量化，更鲜有研究揭示不同时空尺度下影响因素的作用机制演变。这些问题严重制约了城市交通系统在突发公共卫生事件中的快速响应能力。

北京交通大学土木建筑工程学院的研究团队在《Sustainable Cities and Society》发表的重要研究，创新性地建立了"机器学习预测-因果效应估计-模型解释"三阶段分析框架。研究以2020年6月北京新发地疫情为自然实验，整合自动售检票系统（AFC）数据、POI（兴趣点）数据、复杂网络指标和气象数据，运用LightGBM算法构建预测模型，通过S-Learner、T-Learner等四种Meta-Learners进行因果推断，并采用SHAP（Shapley Additive Explanations）方法解析特征贡献度。

关键技术方法包括：1）基于LightGBM的集成学习处理高维特征；2）应用Meta-Learners系列算法估计条件平均处理效应（CATE）；3）采用SHAP值进行模型可解释性分析；4）通过置换重要性检验和安慰剂测试验证结果稳健性。研究覆盖北京地铁19条线路335个站点，时间跨度为2018-2020年6月的可比时段。

主要研究发现包括：

1. 因果效应估计显示，新发地疫情导致地铁站点日均客流减少9，484-12，076人次，相当于系统总客流量的50%降幅。空间上呈现中心城区>产业园区>大型居住区的梯度分布特征。

2. 特征重要性分析表明，住宿设施（2，519.386）、餐饮POI（2，372.491）和中介中心性（1，173.925）是影响客流恢复的关键因子，其95%置信区间均呈现显著统计学意义。

3. 时空演变规律显示，疫情前后影响因素呈现动态变化：中介中心性的正向效应下降10.29%，而企业POI的重要性上升4.77%；房价的负向关联增强，且在郊区表现更显著（+5.49%）。

4. 气象因素影响加剧，温度（+3.61%）和风速（+1.49%）的敏感性提升，反映出乘客在疫情期间对户外环境条件的规避倾向。

研究结论深刻揭示了突发公共卫生事件下城市交通系统的脆弱性机制：1）高网络中心性节点更易成为疫情传播和客流损失的"双重热点"；2）商业设施与居住区的功能差异导致空间异质性响应；3）社会经济因素（如房价）加剧了交通资源获取的不平等。这些发现为构建韧性城市提供了三方面政策启示：运营层面建议实施动态客流监控和错峰出行引导；规划层面需优化POI空间布局以分散风险；公共卫生层面应建立交通-疫情协同预警机制。

该研究的创新价值在于：方法学上首次将因果机器学习引入交通疫情研究，技术上开发了可迁移的分析框架，实践上为应对WHO预警的"Disease X"等未知病原体威胁提供了决策支持工具。研究团队特别指出，未来需结合长时序数据和乘客问卷调查，进一步探究文化背景和社会网络对出行行为的影响机制。这项成果不仅对北京具有直接指导意义，其方法论框架也可为全球城市应对突发公共卫生事件提供范式参考。