公共交通系统中传染病传播的建模研究：需求模式与容量限制对流行病扩散的影响

本研究针对COVID-19疫情期间公共交通系统面临的流行病传播挑战，通过构建基于智能卡数据的接触网络模型，结合SIR（Susceptible-Infected-Removed）传播算法，系统评估了不同需求模式和容量限制措施对传染病扩散的影响。研究团队采用FAST-TrIPs交通分配模型模拟旧金山湾区公共交通系统，发现需求管控措施比单纯限制车辆容量更能有效降低感染风险（感染率从30.9%降至8.5%），同时指出平衡系统运营能力与公共卫生安全需要综合施策。该研究为疫情防控期间的公共交通管理提供了量化决策依据。

　　

在COVID-19大流行期间，公共交通系统因其密闭空间和高密度人群特征成为病毒传播的高风险场所。各国交通管理部门面临两难抉择：既要通过限制载客量降低感染风险，又要保障城市交通基本功能。然而，现有研究多聚焦单一干预措施的效果评估，缺乏对需求波动与系统限制协同作用的定量分析，更缺少基于真实交通数据的传播动力学建模。

针对这一科学问题，European Commission资助的InnoRenew CoE项目团队联合斯洛文尼亚研究机构开展了一项创新研究。研究人员以旧金山湾区公共交通系统为研究对象，通过整合GTFS（General Transit Feed Specification）交通数据与SF-CHAMP（San Francisco-Champaign）需求预测模型，构建了包含48，546个乘客节点和375万条接触边的复杂网络。研究采用离散SIR传播模型，模拟了不同需求水平（50%-100%）和容量限制（50%-100%）组合下的病毒传播动态，相关成果发表在《Scientific Reports》期刊。

关键技术方法包括：（1）基于FAST-TrIPs的交通分配算法，模拟乘客路径选择行为；（2）构建接触网络模型量化共乘关系；（3）应用改进的Wells-Riley方程计算边传播概率；（4）采用蒙特卡洛模拟（k=100，000次）评估感染风险；（5）通过拓扑分析识别高风险交通路线。

【Effects of reduced demand and vehicle capacity】

研究发现：当需求降至50%且容量限制50%时，网络边数减少至基准的8%，乘客接触度中位数从118降至58。通过热图分析显示，早晚高峰的接触密度降低最显著，验证了通勤管控的有效性。

【Demand serving functionality】

容量限制导致系统服务能力下降，在50%容量限制下无法完成行程的乘客比例翻倍（从8%增至17.4%）。但适度降低需求（如66.5%）可缓解这一矛盾，显示需求管理对维持系统运转的关键作用。

【Epidemiological spread analysis】

模拟结果显示：单纯容量限制（50%）仅降低感染率3个百分点（30.9%→27.9%），而50%需求降低可使感染风险下降71%。组合措施效果最佳，能使高风险乘客比例从24%降至13.7%。

【Identifying critical components】

通过拓扑分析识别出10条高风险路线，如连接Fairfield-Vallejo的soltrans_80线，其感染概率随容量限制呈非线性下降（90%→40%），揭示特定线路需要针对性管控。

该研究创新性地量化了公共交通系统中需求-容量-传播风险的三角关系，为疫情防控提供了三点重要启示：（1）需求管控比单纯限制载客量更能有效遏制传播；（2）60%左右的需求保留率可能是平衡运营与防疫的临界点；（3）针对soltrans_80等高危线路应采取差异化管控。这些发现不仅完善了交通流行病学理论框架，更为后疫情时代的公共交通应急管理提供了数据支撑。研究采用的接触网络建模方法，也为其他密闭空间的传播风险研究提供了范式参考。未来研究可扩展至多交通模式耦合场景，并整合疫苗接种等生物医学参数，进一步提升模型预测精度。