基于大规模起讫点流量对城市公交服务供需匹配状况及其空间异质性影响的评估

《Travel Behaviour and Society》:Assessment of supply–demand matching of urban bus service and its spatial heterogeneous influence by using massive origin–destination flows

【字体: 大 中 小 】 时间:2026年08月11日 来源:Travel Behaviour and Society 5.8

编辑推荐:

  摘要:评估城市公交系统的供需匹配状况对于提升人口流动效率及改善居民生活质量至关重要。然而,现有研究大多依赖复杂网络理论中的静态拓扑指标来衡量服务能力,往往忽视了供给能力与实际出行需求之间的匹配关系。为弥补这一缺陷,本研究通过整合供给能力与出行需求数据,构建了供需匹配与覆盖指数。以

  摘要:评估城市公交系统的供需匹配状况对于提升人口流动效率及改善居民生活质量至关重要。然而,现有研究大多依赖复杂网络理论中的静态拓扑指标来衡量服务能力,往往忽视了供给能力与实际出行需求之间的匹配关系。为弥补这一缺陷,本研究通过整合供给能力与出行需求数据,构建了供需匹配与覆盖指数。以中国西安为例,利用该指数量化了公交服务匹配水平的时空变化特征。此外,还采用XGBoost-GeoShapley方法分析不同建成环境因素对预测结果的时空差异性影响。研究结果表明,西安的SDMCI呈现稳定的核心-边缘空间结构,而匹配强度在不同时间段存在显著差异。同时,建成环境与SDMCI之间也存在非线性阈值效应及空间异质性。本研究提出的SDMCI及分析框架为优化城市公共交通资源配置提供了科学依据,有助于指导交通规划与决策过程。

1. 引言
随着全球城市化进程的加速,构建高效且公平的公共交通系统已成为缓解城市交通拥堵、控制碳排放等问题的关键举措,从而实现可持续的城市发展。作为城市居民最常用、最具包容性的交通方式,公交系统的服务质量直接关系到城市的运行效率及居民生活品质。在规划与建设城市公交系统时,需综合考虑资金投入、政策导向及城市交通状况等多重因素。由于各地经济条件与人口分布存在差异,不同区域的公交服务水平难免会出现空间不平等现象。因此,科学评估公交系统服务状况对于优化资源分配、提升运营效率及增强服务公平性具有重要意义。

目前,大量研究聚焦于城市公共交通服务的评价,其中多数是从可达性角度展开的(Rabay等人,2025;Karner,2018;Yu和Cui,2023)。可达性概念最初用于衡量某一地点的潜在机会(Hansen,1959),它主要反映从一地到另一地的出行便利程度,通常关注物理设施的分布或时间、距离、设施密度等潜在要素。这类基于可达性的分析可为服务设施的空间布局提供参考,尤其是在解决空间不平等问题方面,但未能充分体现居民的实际出行需求(尽管某些方法如两步浮动集区法考虑了需求潜力,但往往依赖静态假设或人口密度等替代指标,而非实际观测到的出行流数据)。因此,它无法真实反映在真实人流情景下公交系统的实际服务表现。换言之,可达性主要衡量的是从起点到城市其他地点的公交服务总体便利程度,无法体现公交配置与居民出行需求之间的匹配程度。

此外,复杂网络理论也被广泛用于分析城市公交系统的空间结构特征(Zhang等人,2024;Luo等人,2019)。这些研究大多从网络拓扑角度分析城市公交系统的结构,通过度分布、聚类系数、介数中心性等拓扑指标识别关键节点与核心结构(Yang等人,2019b;Lai和Zhang,2022)。然而,这类拓扑分析主要关注交通供给层面,忽视了居民的出行需求,因此也无法直接反映公交服务的供需匹配状况。所以,仍有必要开发新的指标来评估城市公交系统的供需耦合关系。

另外,现有研究多从静态视角分析公交服务配置,未能充分考虑城市交通系统及人口流动的时空动态特性。城市人口流动存在显著的时空差异(Barbosa等人,2018;Vallamsundar等人,2022;Liu等人,2025;Yang等人,2019a)。例如,早晚高峰期的通勤流量高度集中且具有明确方向性,而非高峰时段的出行则更为分散多样。因此,仅依靠静态分析很难把握公共交通服务水平的时空特征(Liu等人,2023)。所以,开展多时段动态评估对于深入理解公交服务的时间性能并识别不同节奏下的服务缺口至关重要。

近年来,信息通信技术的快速发展使得获取大规模、高时空分辨率的人口流动数据变得容易(Tao等人,2014;Jia等人,2026)。与传统依赖静态调查或仅反映供给方配置的数据不同,手机数据、智能卡数据及网约车轨迹数据等新型数据源能够捕捉庞大城市人口的时空出行需求。例如,从这些数据中提取的出行流数据可以反映从起点到终点的出行需求,进而用于评估各线路间的公交服务配置。因此,这些数据源为从供需及时空角度准确评估城市公交服务提供了重要契机。

为此,为弥补现有研究的不足,本研究从供需视角出发,分析出行流数据,并提出一种基于网络的方法来评估公交系统的供需匹配状况。以中国西安为例,构建了城市公交供需网络,进而提出了供需匹配与覆盖指数,用以量化公交系统的服务水平。研究涵盖了早高峰(6:00–10:00)、晚高峰(16:00–20:00)以及两个非高峰时段(10:00–16:00和20:00–22:00),以揭示公交服务的潮汐式变化特征。此外,本研究还引入XGBoost-GeoShapley框架,分析建成环境因素与SDMCI之间的非线性关联及其空间异质性。

本研究的主要贡献如下:(1)提出供需匹配与覆盖指数,从网络供需视角量化城市公交系统的服务水平;(2)运用地理可解释人工智能方法,揭示建成环境因素对SDMCI的非线性及空间效应。研究结果可为优化城市公交规划及提升服务公平性提供科学依据。

2. 文献综述
科学评估公共交通的供需关系是实现可持续且公平的城市交通发展的基础前提。通过分析公共交通的供需状况,可以了解城市交通系统的发展水平。例如,Currie(2010)提出了一种基于可达性方法的运输供给指数,用于衡量公共交通服务水平。但该方法未考虑需求方居民的实际出行需求。Chen等人(2018)及Peungnumsai等人(2020)则通过构建供需二维指标来衡量公共交通的供需匹配状况,这一方法的出现大大推动了相关研究的发展。在实际应用中,学者们从不同维度对“供给”和“需求”进行了量化。在供给方面,除了服务频率和站点覆盖率等传统指标外,服务质量也越来越被纳入评估体系(Ballantyne等人,2024)。在需求方面,Chen等人(2018)利用出行调查数据和人口密度来估算需求,而近期的一些研究,如Liu等人(2023),则借助手机信令数据来捕捉动态出行需求。此外,其他城市交通领域也研究了供需互动关系。例如,Nian等人(2024)分析了新冠疫情期间出租车司机的劳动供给决策,表明在外部冲击和需求波动的情况下,交通供给可能会发生变化。Sun和Ding(2019)研究了上海网约车市场的时空演变,强调了服务供给、出行需求与监管环境之间的动态关系。这些研究表明,城市交通的供需关系本质上是动态的,且会因交通方式及时间背景的不同而有所差异。

复杂网络理论为分析交通系统的结构特征与运作机制提供了新的分析框架。近年来,复杂网络分析已被广泛应用于交通研究领域(Háznagy等人,2015;Serdar等人,2022;Ding等人,2019)。例如,Yang等人(2019b)对深圳的公交网络进行了建模,分析其网络结构与空间特征。其他研究则利用网络指标来评估系统在遭受干扰时的恢复能力(Derrible & Kennedy,2010),以及评估公共交通网络在效率与公平性方面的表现(Levinson,2012)。尽管复杂网络技术在交通研究中的应用取得了丰硕成果,但其在供需匹配分析中的应用仍较为少见。现有文献中,只有少数研究试图从网络视角分析供需之间的互动关系。例如,Liu等人(2023)基于交通供需网络,利用中心性指标揭示了空间配置中的失衡现象。但该研究主要依赖中心性指标来衡量供需关系,侧重于节点的相对重要性,未能直接体现供需网络在边和权重层面的耦合特征,也缺乏对时空动态性的深入探讨。因此,将复杂网络视角引入公交供需匹配研究,不仅能弥补现有研究的不足,还能为揭示交通系统的空间异质性提供新的分析路径。

总体而言,现有研究从不同角度评估城市公共交通服务,但各自的方法和侧重点存在差异,且都存在一定的局限性。为明确这些方法上的区别,表1对比了常用指标与方法与所提出的SDMCI。

表1. SDMCI与现有评估指标的概念对比

| 指标 | 主要维度 | 主要局限性 | 与SDMCI的差异 |
|------|----------|------------|--------------|
| 公交站密度(Li等人,2021) | 公交供给可用性 | 仅反映公交站点的空间分布,未考虑服务频率或基于出行需求的流动需求 | SDMCI将公交供给与基于出行需求的流动需求动态结合,超越了单纯的基础设施覆盖范畴 |
| 服务频率密度(Jaramillo等人,2012) | 公交供给强度 | 反映公交服务的强度,但未评估这些服务是否与居民的出行模式相匹配 | SDMCI在匹配的网络连接上将服务频率与出行需求相结合,从而评估公交服务供给与潜在出行需求之间的匹配程度 |
| 传统可达性指标(Currie,2010;Ballantyne等人,2024) | 潜在机会/出行便利性 | 衡量到达目的地的潜在便利程度,相对静态,未评估实际的公交供需耦合关系 | SDMCI以观测到的出行流作为需求,将其与公交供给相结合,而非依赖静态的潜在指标 |
| 基于网络中心性的供需指标(Liu等人,2023) | 供需网络中节点的相对重要性 | 依赖传统的中心性指标来表示供需,仅反映节点的结构重要性,未能实现供需的实际耦合 | SDMCI实现了供需之间的直接耦合,而非依赖抽象的拓扑代理指标 |

随着机器学习方法在交通研究中的日益普及,其“黑箱”特性已成为学术界关注的焦点(Saranya & Subhashini,2023)。尽管传统的集成学习模型(如随机森林、XGBoost)具有出色的预测精度(Cheng等人,2025;Yang等人,2022),但它们往往难以揭示变量与结果之间的内在关联(Lundberg & Lee,2017)。为解决这一问题,模型可解释性方法逐渐兴起。在复杂系统的变量重要性分析中,SHapley加性解释方法因基于严谨的博弈论基础,且能够提供一致的局部与全局解释,而被广泛应用(Parsa等人,2020;Lundberg和Lee,2017)。然而,传统SHAP方法并未考虑地理空间效应,因而无法体现不同空间位置上特征重要性的差异。为克服这一局限,学者们提出了GeoShapley等地理可解释机器学习方法,将地理加权概念融入SHAP框架中,从而实现对不同空间位置上特征贡献的局部建模与解读(Li,2024)。这类方法既保留了SHAP在全局解释方面的优势,又能揭示特征效应的空间差异性,为探究交通系统中的空间机制提供了新的技术路径(Ke等人,2025)。总体而言,现有研究从不同视角推动了公共交通供需评估与空间可解释机器学习的发展。在交通供需匹配研究中,越来越多的研究同时纳入供给端的服务指标与需求端的人口指标,以评估服务缺口与交通公平性(Ballantyne等人,2024;Rabay等人,2025)。与此同时,OD流量等人类流动数据为捕捉出行需求的时间变化、突破对公共交通服务的静态评估提供了新可能(Liu等人,2023)。与之对应,GeoShapley等空间可解释机器学习框架也被开发出来,用于揭示地理环境中的非线性及空间异质性特征贡献(Chen等人,2025;Ke等人,2025;Peng等人,2025)。尽管相关研究日益增多,但仍存在若干知识空白。首先,现有研究对公交供给水平与由OD流量代表的居民出行需求之间的关联关注不足。虽然Liu等人(2023)在其分析中将OD流量作为需求网络的权重,但其方法主要依赖传统的网络中心性指标来评估节点重要性,并未直接衡量公交供给与基于OD的出行需求之间的匹配关系。其次,尽管动态流动数据为捕捉出行需求的时间变化提供了机会,但很少有研究探讨不同时间段内公交供需匹配的变化情况。第三,尽管空间可解释机器学习框架在揭示非线性及空间异质性特征贡献方面展现出潜力,但其在该领域的应用仍较为有限。因此,若能采用一种更为综合的视角,综合考虑基于OD的供需匹配、多周期动态评估以及空间可解释机器学习,将有助于更深入地理解城市交通系统中的复杂时空规律。

3. 数据集与研究区域
3.1 研究区域
本研究以中国西北地区重要的历史名城、经济文化与交通枢纽西安为研究对象。凭借国家中心城市的地位,西安在过去十年中实现了快速发展。截至2024年底,该市总面积达10,000平方公里,常住人口已达1316万。为应对不断增长且变化的出行需求,当地政府持续调整优化公交网络与服务供给。到2024年,西安的公交系统共运营411条线路,线路总长度为7,067.4公里,年客运量达6.81亿人次(西安市规划自然资源局,2024)。目前,西安的公交系统也面临诸多挑战:一方面,人口增长给公共公交服务带来了巨大的出行需求;另一方面,地铁的建设不仅在与公交争夺乘客方面带来竞争压力,还直接影响公交的运营,比如需要调整线路与发车频率。因此,迫切需要对城市公共公交服务配置进行合理评估。由此可见,选择西安作为本研究案例具有可行性与意义。如图1所示,本研究选取城市中心区域作为案例研究区,因为这些区域集中了大部分居民、经济活动以及较为完善的公交系统。此外,我们利用道路网络将研究区域划分为1,179个街道单元,从而在街道单元层面开展公交服务的供需评估。

下载:下载高分辨率图片(790KB)
下载:下载全尺寸图片
图1. 研究区域

3.2 数据集
本研究的人流OD流量数据来自中国三大电信运营商之一的中国联通。出于隐私保护考虑,该运营商仅提供250米×250米网格单元级别的聚合OD流量数据,而不公开用户的移动轨迹。每条流量记录包含日期、时间、起点网格编号、终点网格编号,以及该小时内在这两个网格单元之间移动的人数。原始OD数据以每小时为分辨率记录,共24小时,本研究将其进一步聚合为四个分析时段:早高峰(6:00–10:00)、晚高峰(16:00–20:00),以及两个平峰时段(10:00–16:00)和(20:00–22:00)。我们选取了一个典型的工作日(2023年5月23日,周二)作为分析对象。表2展示了人流OD流量数据的结构示例。

表2. OD流量数据集的结构示例
日期 起点网格编号 终点网格编号 人数 时间
20230523 147 368 160 392
20230523 171 840 166 945
20230523 109 391 113 723
20230523 165 281 145 691
……
公交数据集则来自公共地图服务提供商百度地图(https://map.baidu.com/),收集时间为2023年9月。该数据集包含公交站点、公交线路信息以及每条线路的发车次数。在研究区域内,该数据集涵盖了6,116个公交站点和306条公交线路。此外,还使用了其他几类数据集,依据5Ds框架描述建成环境,包括兴趣点(POIs)、建筑物轮廓、地铁站、道路网络、人口密度、夜间照明数据以及房价数据。兴趣点、地铁站和建筑物轮廓数据可从百度地图获取;道路网络数据来自OpenStreetMap(https://www.openstreetmap.org);人口密度数据来自LandScan HD人口数据库(https://landscan.ornl.gov),空间分辨率为90米×90米;夜间照明数据来自Luojia01,用于反映各街道单元的经济特征;房价数据则来自在线房产服务平台安居客(https://xa.anjuke.com)。
需要指出的是,中国联通提供的人流OD流量数据反映的是整体城市流动情况,而非实际乘坐公交的人数。本研究有意采用总流动OD量作为潜在公交需求的替代指标。如果仅使用实际观测到的公交客流量数据(如公交卡数据),则只能反映当前公交系统已满足的需求,无法体现未被满足的需求群体,也可能掩盖那些因公交服务不足而不得不选择其他交通方式的区域。相比之下,总OD流量反映了潜在的出行需求模式,有助于更准确地衡量人类流动与公交系统之间的空间不匹配程度。

4. 方法论
本节将介绍本研究的方法流程,主要由三部分构成(见图2)。首先,对数据集进行处理,提取建成环境相关变量,为构建供需网络做准备。其次,构建了一种新的供需匹配与覆盖指数,通过考虑复杂网络的权重,量化人流与公交线路分配之间的匹配程度。最后,运用XGBoost和GeoShapley模型,分析建成环境对供需匹配与覆盖指数的非线性及空间异质性影响。

下载:下载高分辨率图片(1MB)
下载:下载全尺寸图片
图2. 方法论框架

4.1 供需网络的构建
在本研究中,公交服务网络被视为供给网络。通常,该网络可通过两种常见方法构建,即Space-L模型和Space-P模型(Wang等人,2020)。在Space-L模型中,公交站点被视为网络中的节点,只有当两个站点在同一条线路上相邻时,才会在它们之间建立边。该方法只能识别相邻公交站点之间的连接。而在Space-P模型中,公交站点同样被视为节点,但与前者不同的是,如果两个站点位于同一条线路上,它们之间就会被视为一条边,意味着乘客无需换乘即可到达另一个站点。相比Space-L模型,Space-P模型能更好地反映同线路站点之间的直接服务连接。因此,本研究选择Space-P模型来构建公共交通网络。
在Space-P模型中,公交站点被视为复杂网络中的节点,如果两个站点位于同一条公交线路上,它们之间就会被视为一条复杂网络边,表明乘客无需换乘即可到达另一个站点。图3a和3b展示了网络构建的过程。基于这一原则,本研究构建了研究区域的公交供给网络,其中每条边的权重代表所有经过这两个站点之间的公交线路的总发车频率。

下载:下载高分辨率图片(590KB)
下载:下载全尺寸图片
图3. 网络构建示意图
由于人流数据的空间分辨率是基于250米网格单元的,因此需要将基于公交站点的网络转换为基于网格单元的网络。具体流程如下:以每个网格单元的中心点为基准,生成半径为500米的缓冲区。之所以选择500米作为阈值,是因为在公共交通可达性研究中,它被广泛认为是合理的步行覆盖距离。为检验这一设定的合理性,我们分别使用300米和800米的缓冲区重新计算了供需匹配与覆盖指数,这两种缓冲区分别代表较为保守和较为宽松的步行覆盖假设。我们采用皮尔逊相关系数和斯皮尔曼相关系数来评估空间格局及空间单元排序的稳定性,敏感性分析结果详见附录表A1。对于每个网格单元,会搜索其缓冲区内的所有公交站点,这些站点被认为有机会为该网格单元内的居民提供公交服务。然后,如果两个不同网格单元的缓冲区内的任意两个公交站点之间存在边(即公交站点网络连接),那么这两个网格单元就会作为网格单元网络的边相连,其权重则为这两个网格单元缓冲区内所有相连公交站点对权重之和。如图3c所示,黑色实线表示两个网格单元之间的连接。
最后,我们将基于网格单元的网络进一步细化到街道单元层面。如果两个不同街道单元内的任意两个网格单元之间存在连接(如图3d所示),那么这两个街道单元就被视为相互连通,其权重则为如图3e中橙色线条所示的所有相连网格单元权重之和。通过这一过程,最终得到了基于街道单元的供给网络Gs=(Vs,Es,Ws)。在该网络中,节点Vs代表街道单元,边Es代表街道单元之间的连接,权重Ws则表示街道单元之间的总公交服务频率。
类似地,我们将基于250米网格的人流网络转换为基于街道单元的需求网络Gd=(Vd,Ed,Wd)。在该网络中,节点Vd代表街道单元,边Ed代表它们之间的连接,权重Wd则定义为两个街道单元之间的人口流动总量之和。

4.2 供需匹配与覆盖指数(SDMCI)
基于所构建的供需网络,本研究提出了一种新的指标——供需匹配与覆盖指数(SDMCI),用于评估公交服务水平。供需网络的示意图如图4所示(以单个节点为例)。第一步是计算街道单元i所有匹配边对应的平均供需比(记为Ai)。所谓匹配边,是指在供需网络中,对于同一对节点而言,两者都存在且完全相同的边。如图4所示,供应网络和需求网络中都存在边(i, B)、(i, C)、(i, D)和(i, F)。因此,这四条边被定义为街道单元i的匹配边。具体而言,我们首先分别计算每条匹配边的供需比率(定义为供应权重除以需求权重);然后汇总所有匹配边的供需比率,并除以匹配边的总数。在计算边级的供需比率之前,为了消除数值大小差异,对供应网络和需求网络中的边权重进行了最小-最大标准化处理。为保持跨时期的可比性,标准化是使用所有四个分析时期内的全局参考范围来进行的,而非在每个时期内单独处理。这种做法避免了因不同时期独立标准化而可能产生的尺度不一致问题。因此,SDMCI值在不同时期之间仍具有可比性。其计算公式如下:(1)Ai=(∑j∈VimWijsWijd)·1ni,其中Vim是街道单元i在供应网络和需求网络中的共同邻居集合;Wij¨s和Wijd分别是边(i,j)上的标准化供应权重和需求权重;ni是街道单元i的匹配边总数。该指标Ai用于衡量边级供需匹配的平均程度,数值越高表示街道单元i的匹配质量越好。下载:下载高分辨率图像(79KB)下载:下载全尺寸图像图4. 供应网络和需求网络的示意图。第二步是计算街道单元i的需求覆盖比率(记为Di)。具体来说,它是通过将街道单元i所有匹配边的需求权重之和,除以需求网络中所有边的总需求权重来计算的。其计算公式如下:(2)Di=∑j∈VimWijd∑k∈VidWikd,其中Vid是街道单元i在需求网络中的所有相邻节点集合。该指标Di用于量化公交服务满足的需求量占街道单元i总需求量的比例。第三步是构建最终的供需匹配与覆盖指数,该指数能够全面评估街道单元i的公交服务水平。该指数是通过将匹配质量(Ai)与需求覆盖率(Di)相乘得出的。当一个街道单元既具有较高的需求覆盖率Di,又具有较高的匹配度Ai时,就能实现较高的服务水平。SDMCI采用乘法形式来整合匹配质量和需求覆盖率,这种结构体现了非补偿性逻辑,即两个维度必须同时表现良好才能获得较高的整体得分。与加法形式相比,乘法结构能更好地避免各维度之间的过度补偿,从而提供更为合理的评估结果。这种在指标构建中采用非补偿性逻辑的做法得到了经合组织《复合指标构建方法与用户指南》(联合研究中心,2008年)的支持,也与Currie(2010年)提出的公共交通供给评估理念一致。因此,该指数定义如下:(3)SDMCIi=Ai?Di4.3. 建筑环境变量5Ds建筑环境框架包括密度、设计、多样性、到交通设施的距离以及目的地可达性,这一框架已被广泛用于描述城市规划与交通系统之间的关系(Ewing & Cervero,2010年)。先前的研究指出,建筑环境特征在塑造城市活力、居民出行行为以及可持续城市发展方面发挥着重要作用(Tao等人,2024年;Liu等人,2021年)。鉴于公共公交系统是可持续城市交通体系的核心组成部分,探讨建筑环境特征如何与SDMCI所衡量的公交服务供需匹配状况相关联,对于优化交通资源分配和城市空间规划具有重要意义。基于5Ds框架,并综合考量以往的实证研究(Luo等人,2024年;Tao等人,2024年),本研究选取了15个建筑环境变量来分析它们与SDMCI之间的关联。具体而言,密度是通过每个街道单元的人口密度来衡量的;设计则通过交叉口密度和容积率来体现;多样性由兴趣点类型构成来表示;而到交通设施的距离则通过道路网络密度、到最近地铁站的距离以及公交站密度这三个变量来衡量。在目的地可达性方面,本研究首先将兴趣点数据重新分类为六类:公共服务、住宅、商业、工业、绿地及交通设施,然后再分别计算各类目的地的可达性。此外,为了了解每个街道单元的经济特征,我们还纳入了房价和夜间照明数据。表3列出了这些变量的相应说明。我们还计算了每个自变量的方差膨胀因子,以检测多重共线性问题。如图5所示,所有自变量的方差膨胀因子均低于5,表明这些变量之间的多重共线性较弱。表3. 建筑环境变量及其说明。5Ds变量说明密度人口密度(PD):单元区域内的总人口数/单元区域的总面积设计交叉口密度(ID):单元区域内的交叉口数量/单元区域的总面积容积率(FAR):单元区域内所有建筑物的总楼面面积与该单元区域面积的比值,计算公式为:Floorarearatio=∑i=1fAi?Fi,其中Ai和Fi分别表示第i栋建筑物的占地面积和楼层数,A则表示该单元区域的总面积多样性兴趣点类型构成(POIM):兴趣点的位置熵,计算公式为:Entropy=-∑i=1spiln(pi)lns,其中pi表示每个单元区域内第i种类型兴趣点的比例,s则为兴趣点的种类总数到交通设施的距离道路网络密度(RND):单元区域内的道路总长度/单元区域的总面积到最近地铁站的距离(DNS):从单元区域中心点到最近地铁站的距离公交站密度(BSD):单元区域内的公交站数量/单元区域的总面积目的地可达性住宅密度(RD):单元区域内的住宅类兴趣点数量/单元区域的总面积商业密度(CD):单元区域内的商业类兴趣点数量/单元区域的总面积工业密度(IND):单元区域内的工业类兴趣点数量/单元区域的总面积绿地密度(GD):单元区域内的绿地类兴趣点数量/单元区域的总面积公共服务密度(PSD):单元区域内的公共服务类兴趣点数量/单元区域的总面积交通设施密度(TFD):单元区域内的交通设施类兴趣点数量/单元区域的总面积其他夜间照明强度(NL):单元区域内的夜间照明总值/单元区域的总面积平均房价(AHP):单元区域内的平均房价下载:下载高分辨率图像(105KB)下载:下载全尺寸图像图5. 方差膨胀因子。4.4. 分析模型本研究采用XGBoost(极端梯度提升)方法来拟合建筑环境与SDMCI之间的关系。这是一种基于梯度提升的集成学习算法,它通过迭代训练多个弱学习器(通常是决策树),并对它们进行加权组合,从而形成强大的预测模型。XGBoost的优势在于对传统GBDT算法进行了优化,它并非简单地拟合残差值,而是通过二阶泰勒展开来扩展损失函数,这使得模型能够更快收敛并达到更高的准确度。此外,XGBoost还在其目标函数中加入了正则化项,有效防止了过拟合现象,提升了模型的泛化能力。关于该模型的更多详细介绍可参考Chen & Guestrin(2016年)的研究。SHAP是一种基于博弈论的机器学习模型解释方法,它能够量化每个特征对模型输出的贡献,同时还能显示这种贡献是正向还是负向的(Lundberg & Lee,2017年)。对于给定的预测值f(x),特征j的SHAP值可通过以下公式计算:(4)φj=∑S?M?{j}s!(p-s-1)!p!f(S∪{j})-f(S),其中p是所有特征的集合,M?{j}表示除特征j之外的所有可能的特征组合,S是M?{j}中规模为s的子集。f(S)是指以S作为输入时的模型预测结果,而f(S∪{j})则是将特征j加入S后模型的预测结果。不过,传统的Shapley方法在解释空间效应方面存在局限性,它只能单独解释X或Y对结果的影响,无法反映空间效应。GeoShapley则是对传统SHAP框架的拓展,有效解决了这一问题。它将地理坐标(纬度和经度)作为统一输入,将它们对预测结果的贡献整合为一个“GEO”贡献值,以此来解释地理位置对预测结果的影响,同时还能衡量位置与特征之间的交互效应。本研究使用Python中的GeoShapley库来计算GeoShapley值(Li,2024年)。GeoShapley的输出包含四个部分,这四个部分相加后即得到模型的预测值,其具体计算公式如下:(5)y^=?0+?GEO+∑j=1p?j+∑j=1p?(GEO,j),其中?0代表平均预测值,?GEO是用于衡量内在位置效应的向量,?j则是每个非位置特征对应的、具有位置不变性效应的向量,而?(GEO,j)则是每个非位置特征j对应的、能够为模型提供空间变化交互效应的向量。关于这些组成部分的更多详细信息可参见Li(2024年)的研究。需要指出的是,GeoShapley是一种基于模型的特征归因方法,而非因果推断工具。作为SHAP框架的延伸,它能够量化每个解释变量对模型预测的贡献。因此,GeoShapley的结果应被理解为基于模型的贡献模式以及空间上的异质性关联,而非解释变量对结果的因果效应。5. 结果分析5.1. SDMCI的时空分布特征为了捕捉公交服务供需匹配的动态变化规律,本研究根据典型的城市出行模式,将工作日划分为四个不同的时间段:上午高峰期(6:00–10:00)、白天非高峰期(10:00–16:00)、下午高峰期(16:00–20:00)以及夜间非高峰期(20:00–22:00)。这些时间段的划分主要依据了数据来源平台(百度地图)以及以往关于公交客流量时间变化的实证研究(Wang等人,2023年)。图6展示了这四个典型时段内SDMCI的空间分布情况。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图6. SDMCI空间分布的潮汐式变化规律。在所有分析的时段中,西安市的SDMCI始终呈现出明显的“核心-边缘”结构:匹配度较高的区域(SDMCI > 1.2,用橙色标出)始终集中在城市中心区域,而周边地区的匹配度则一直较低(SDMCI < 0.6,用绿色标出)。这种稳定的空间格局表明,城市核心区域与郊区在公共公交服务方面的差距是结构性的,受时间因素的影响较小。这一现象进一步体现在这样的结论上:城市核心区域的公共公交服务能够较好地满足高强度的出行需求,而在低密度、功能单一的边缘地区,传统的公共公交模式在满足分散且多样化的出行需求方面面临较大挑战。尽管整体空间格局较为稳定,但匹配强度却存在显著的时间波动。在高峰时段(06:00–10:00和16:00–20:00),整体的匹配程度要低得多。与非高峰时段相比,这一时期的特征是高匹配度区域(橙色)明显收缩,而低匹配度区域(绿色)则有所扩大。这说明,在高峰时段,集中出现的通勤需求给公共公交系统带来了巨大压力,即便是在通常服务较好的城市核心区域,也会出现广泛的供需失衡现象。相反,非高峰时段的供需匹配程度则明显高于高峰时段。不过值得注意的是,在夜间非高峰时段(20:00–22:00),尽管出行需求进一步下降,但高SDMCI区域仍比白天非高峰时段(10:00–16:00)有更明显的收缩趋势。这很可能是由于夜间公共公交的运营频率低于白天的缘故。为了评估工作日间SDMCI结果的时间稳定性,我们使用了同一周内的另一个工作日(2023年5月25日,星期四)进行了额外的稳健性检验。我们重新计算了该日期四个对应时段的SDMCI值,并与原始工作日的结果进行了比较。为了评估SDMCI空间格局的一致性,我们采用了皮尔逊相关性分析,而为了考察空间单元排序的稳定性,则使用了斯皮尔曼等级相关性分析。详细的地图结果和相关性分析数据见附录中的表A2和图A1。研究结果显示,在四个时间周期内均存在较高的相关性,这说明SDMCI的主要空间格局与相对排名并非由某一天的观测数据所决定。尽管在匹配强度上存在时间波动,但四个时间周期内的SDMCI在空间格局上仍展现出较高的结构稳定性。在某些时段内,SDMCI的空间格局极为相似。因此,为找出差异最显著的代表性时段,我们采用皮尔逊相关系数来量化四个时段间空间分布的相似程度(见图7)。热力图显示,白天的相关系数远高于白天与夜间之间的相关系数。若对所有时段分别分析GeoShapley的贡献模式,可能会得到高度重复的分析结果。因此,我们从白天中选取典型的早晨高峰时段(06:00–10:00),从夜间中选取时段(20:00–22:00)用于机器学习回归分析,旨在深入探究不同时间周期下建筑环境变量对预测SDMCI的非线性响应模式及空间异质性贡献。下载:下载高分辨率图像(156KB)下载:下载全尺寸图像图7. SDMCI的皮尔逊相关热力图。5.2. 建筑环境对SDMCI的影响5.2.1. 模型性能比较本研究以1,179个街道单元作为样本。考虑到相邻街道单元之间可能存在空间依赖性,因此采用了五折空间块交叉验证策略,而非随机划分训练集与测试集。具体而言,这些街道单元根据其地理位置被划分为五个空间上连续的组。在每次迭代中,其中一个空间组作为验证集,其余四个组用于训练模型。这一过程重复五次,直至每个空间组都曾被用作一次验证集。相比随机划分,该策略能更稳妥地评估模型性能。为进一步体现XGBoost-GeoShapley框架的优越性,本研究将其与两种基准模型进行了比较:机器学习回归模型(MLR)和地理加权回归模型(GWR)。MLR指的是不考虑地理空间的机器学习回归,而GeoMLR则是指纳入地理空间因素的机器学习回归模型(Ke等人,2025年)。在本研究中,MLR被设定为仅使用建筑环境变量的非空间版XGBoost-SHAP模型,而GeoMLR则为结合了地理坐标的XGBoost-GeoShapley框架。三种模型的性能结果见表4。在两个时段中,GeoMLR的预测性能均最为出色。在早晨高峰时段,GeoMLR的R2值最高(0.5558),RMSE最低(0.1783),表现优于MLR和GWR。夜间也呈现类似趋势,GeoMLR的R2值同样最高(0.6049),RMSE最低(0.2254)。这些结果表明,GeoMLR更适用于分析建筑环境对SDMCI的非线性及空间异质性影响。表4. 模型性能比较空白单元格早晨高峰时段夜间时段模型R2RMSER2RMSEMLR0.44810.19650.44210.2996GeoMLR0.55580.17830.60490.2254GWR0.48790.18940.51550.26525.2.2. 特征重要性图8展示了GeoShapley汇总图,可直观呈现模型中所有特征的整体重要性。纵轴列出了所有的自变量以及空间交互项。这些特征根据其平均绝对GeoShapley值从高到低排序,该值代表其对模型输出的平均贡献度。最重要的特征位于顶部。GEO是整合了纬度和经度的空间位置特征。横轴表示GeoShapley值,反映各特征对模型预测的边际贡献。点的颜色则表示该特征的具体数值,红色表示数值较高,蓝色则表示数值较低。下载:下载高分辨率图像(791KB)下载:下载全尺寸图像图8. 早晨高峰时段(a)与夜间时段(b)的GeoShapley汇总图。研究结果显示,无论是在早晨高峰还是夜间,公共公交站点密度、到最近地铁站的距离以及FAR这三个变量的重要性始终位居前列。这表明,密集且覆盖广泛的公交网络、更近的地铁站距离以及更高的开发强度,通常会对两个时段的SDMCI模型预测产生积极影响。此外,基于模型的贡献模式在不同时间时段存在差异。在早晨高峰时段,公交站点密度、到最近地铁站的距离以及交通设施密度的较高排名,可能反映出“公交-地铁-枢纽”一体化交通网络在应对高峰通勤压力中的关键作用。相比之下,夜间时段的特征排序则发生了明显变化,工业密度、交通设施密度以及POI多样性的重要性均出现显著下降。这说明夜间公交需求可能不再以复杂的与生产相关的、中转类的或多用途出行为主。相反,人口密度、夜间灯光亮度以及公共服务设施密度的重要性则有所上升。这种结构变化反映出需求导向的转变——即服务于居民聚居区、城市繁华区域以及重要公共服务节点的客流,从而使公交服务能更好地满足居民的晚间及基本出行需求。这种贡献模式的显著变化进一步表明,城市公交供需匹配的核心逻辑可能正在发生转变:从早晨高峰时段以“生产导向、效率优先”为特征,转向夜间以“生活导向、以人为中心的需求”为基本原则。此外,“GEO”特征在早晨高峰和夜间的重要性始终位列前二。而且,当特征与GEO相互作用后,其排序也会发生变化,这说明空间位置对SDMCI有重要影响,且会改变特征重要性的解读结果。5.2.3. 建筑环境变量的非线性贡献模式图9展示了各变量的GeoShapley依赖图。在早晨高峰和夜间时段,公交站点密度、到最近地铁站的距离以及交叉口密度在GeoShapley依赖图中均呈现出明显的阈值效应。当公交站点密度达到约25个站点/平方公里(早晨高峰)和24个站点/平方公里(夜间),交叉口密度达到约35个交叉口/平方公里时,它们对预测SDMCI的GeoShapley贡献值往往会从负值转为正值。这说明较高的公交站点密度意味着居民能更便捷地获得公交服务,也能更好地满足潜在的出行需求。而当站点密度较低时,居民可能需要更远的距离才能到达公交站点,部分出行需求也可能无法被附近的公交站点有效覆盖,从而导致对预测SDMCI的负向贡献。相反,当到最近地铁站的距离超过约800米时,其对预测SDMCI的GeoShapley贡献值往往会从正值转为负值。这一800米的临界值与城市交通研究中用于界定轨道交通有效服务范围的800米辐射半径高度一致(Guerra等人,2012年)。与公交站点密度和到最近地铁站距离的持续上升或下降趋势不同,交叉口密度的正向贡献先急剧上升,随后略有增强,最终趋于稳定。这一模式与以往的研究结果一致,即较高的交叉口密度能提升步行便利性,进而提高乘客使用公交服务的便利性(Ewing & Cervero,2010年)。这说明高密度的公交站点、覆盖广泛的地铁网络以及适度的交叉口数量,都对模型预测SDMCI有积极影响。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图9. 建筑环境与SDMCI之间的非线性关系。(a) 早晨高峰时段(6:00–10:00):蓝色点代表各个空间单元;红色实线表示非线性趋势。(b) 夜间时段(20:00–22:00):黄色点代表各个空间单元;绿色实线表示非线性趋势。注意:Y轴上Y=0处的虚线黑色线条代表了正向贡献与负向贡献之间的分界点。进一步分析发现,其他关键变量也存在复杂的非线性特征。FAR的贡献在早晨高峰和夜间时段均呈倒U形曲线。虽然起初为负值,但随着FAR值的上升,其对SDMCI的贡献逐渐增加,在约3左右达到峰值,之后则显著下降。这说明适度的开发强度可能更有助于实现公交供需匹配。人口密度则呈现出更为复杂的“S形”曲线:其贡献起初为负值,当密度达到4,000人/平方公里(早晨高峰)和6,300人/平方公里(夜间)时,贡献转为正值。正向贡献分别在7,000人/平方公里(早晨高峰)和14,000人/平方公里(夜间)时达到峰值。其原因可能是,在人口密度较低的区域内,出行需求较为分散,固定路线的公交服务难以有效满足居民的出行需求。而当人口密度提升到中等或较高水平时,出行需求变得更加集中且规律,这有助于提高公交服务的效率。此外,居民密度、公共服务设施密度以及绿地密度在相应的阈值处也表现出阈值效应,分别为190个POI/平方公里(早晨高峰)和100个POI/平方公里(夜间)、110个POI/平方公里(早晨高峰)和100个POI/平方公里(夜间),以及3个POI/平方公里(两个时段均为此值)。一旦超过这些数值,它们对SDMCI的贡献都会从负值转为正值。这说明只有当居民社区、公共服务设施以及绿地达到一定的集中程度后,才可能对公交供需匹配产生积极影响。一种可能的解释是,高度集中的居民社区、公共服务设施或绿地能够产生更规律的日常出行需求。同时,这类区域也更容易被更密集的公交线路和更高的服务频率所覆盖,因为它们通常是重要的日常活动中心。在西安,居民密度和公共服务密度较高的区域往往对应着成熟的城区社区和服务中心,那里稳定的日常出行需求有助于实现更高效的公交服务配置。至于工业密度,其在早晨高峰和夜间时段的贡献逻辑存在显著差异。工业密度呈现出非线性的“正-负”转变趋势,夜间以负向贡献为主,而早晨高峰时段则几乎全部为正向贡献。这种时间差异可能反映了大型就业中心典型的潮汐式通勤模式。与早晨高峰相比,夜间工业区产生的出行需求可能更弱且更为分散,同时公交服务频率在高峰时段过后也可能下降。这可能导致公交供给难以有效匹配出行需求,从而在夜间时段对预测SDMCI产生负向贡献。至于夜间灯光亮度和平均房价:在早晨高峰时段,夜间灯光亮度的贡献呈现相对平缓且单调上升的趋势。然而在夜间,随着夜间灯光亮度的增加,其对SDMCI的贡献会从负值区间急剧上升,之后缓慢下降并最终趋于稳定。由于夜间灯光亮度常被用作衡量城市活力和夜间活动强度的指标(Dong等人,2025年),这一模式可能表明,夜间公交供需匹配与那些商业、服务及社交活动仍然活跃的区域关系更为密切。换言之,夜间活力更强的区域可能产生更稳定的夜间出行需求,从而使公交服务更有可能满足当地的出行需求。房价对SDMCI的贡献则呈现“先正后负”的模式:当房价达到约10,000元/平方米时,其对SDMCI的贡献达到峰值,之后迅速下降并很快进入显著的负值区间。这一模式可能表明,居住在房价约为10,000元/平方米社区的居民可能更依赖公共公交服务。这一解读与以往的研究结果一致,即中低收入群体更可能依赖公共公交服务(Lachapelle和Boisjoly,2023年)。因此,这类区域的公交供给可能更紧密地契合整体的出行需求,这也解释了它们为何会对预测SDMCI产生正向贡献。5.2.4. 局部GeoShapley贡献的空间异质性通过可视化展示特征GeoShapley值的空间分布,可以了解不同位置上特征的具体贡献情况。这些特征的GeoShapley值空间分布分别如图10和图11所示。红色表示特征对SDMCI具有正向贡献,蓝色则表示负向贡献。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图10. 早晨高峰时段各类建筑环境的GeoShapley值空间分布。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图11.夜间建成环境GeoShapley值的空间分布。清晨高峰期(06:00–10:00)与夜间(20:00–22:00)的GeoShapley值空间分布存在若干共同特征。公交站密度、建筑密度比、交通设施密度、交叉口密度、公共服务密度以及居民密度等指标均呈现明显的“核心-边缘”分布特征:靠近城市中心的区域GeoShapley值较高,意味着其对SDMCI的正面贡献更大。这表明在高密度且交通联系紧密的城市核心区,这些变量与更优质的公交服务相匹配,而这可能与更高的土地使用强度和更强的网络连通性有关。相反,边缘区域的GeoShapley值较低,反映出空间失衡现象——低密度及不足的基础设施可能导致服务覆盖范围缩小,进而加剧公平性差距。对于距离最近地铁站的距离这一指标,沿现有地铁线路的区域呈现出连续的红色带状(正面贡献)。进一步分析发现,若干关键指标的贡献模式存在显著的时间变化:道路网络密度和兴趣点构成在清晨高峰期的多数区域均为正面贡献,而夜间负面贡献区域则显著扩大,这可能是由于夜间出行模式更为分散,且公交服务频率大幅降低所致。至于夜光亮度,其在清晨高峰期的空间分布较为零散,没有明显的聚集边界,但到了夜间则转变为与实际空间分布高度一致的“核心-边缘”格局。这说明公共公交系统的有限资源集中在夜间需求最高的那些核心区域:在夜光亮度较高的区域,其对SDMCI的正面贡献更大,而在夜光亮度较低的边缘区域,其抑制作用则更为明显。此外,人口密度以及大多数兴趣点密度指标(如居民密度、商业密度、工业密度和绿地密度)在清晨高峰期与夜间都呈现出极为相似的贡献空间分布,主要差异在于贡献强度的不同。这表明作为静态结构因素,建成环境变量具有相对稳定的贡献特征,其空间分布模式保持一致,但其贡献程度则受动态的供需格局影响——比如高峰时段需求集中且频率高,而夜间则需求分散且频率低。最后,“GEO”指标揭示了空间位置对SDMCI的直接贡献:清晨高峰期,西安的西北部、南部和东南部地区呈现正面贡献,其他区域则多为负面贡献;而夜间,负面贡献的大片区域集中在城市的北部、西部和西南部,正面贡献区域则大幅缩小,仅存在于城市中部和东部的少数核心地带。这表明空间位置对SDMCI的贡献并非固定不变,而是具有显著的时间动态性。

6. 讨论与结论

从网络供需视角出发,本研究提出了一种新的指标,用于评估城市公共公交服务的供需匹配状况。将该框架应用于西安市中心城区后,研究进一步借助GeoXAI框架,分析了建成环境因素的非线性和空间异质性影响。主要研究结论如下:

在一天中的四个时段里,SDMCI始终呈现出明显的“核心-边缘”空间格局——中心区域数值较高,周边区域数值较低,且高峰时段的总体SDMCI水平低于非高峰时段。此外,在傍晚非高峰期(20:00–22:00),高SDMCI区域相比白天非高峰期(10:00–16:00)明显缩小。清晨高峰期,公交-地铁-枢纽综合交通网络在缓解高峰通勤压力方面发挥着关键作用;而夜间,城市公交供需匹配的核心逻辑则从高峰时段的“以生产为导向、效率优先”的模式,转变为“以生活为导向、以人为本需求”的模式。若干指标对SDMCI存在明显的阈值效应:例如,当公交站密度达到约25站/平方公里(清晨高峰期)和24站/平方公里(夜间)时,其对SDMCI的贡献开始从负面转为正面;同样,当到最近地铁站的距离小于约800米时,该距离指标的贡献也开始由负面转为正面。不同指标对SDMCI的贡献存在显著的空间异质性,而且空间效应对SDMCI的贡献还会随时间发生动态变化。

本研究的结果可为城市公交服务资源分配提供宏观层面的诊断工具。具体而言,SDMCI有助于识别那些公交服务无法充分满足潜在出行需求的空间区域和时段,从而帮助规划者确定后续公交服务规划与资源分配的优先领域。此外,GeoShapley分析结果有助于阐明哪些建成环境因素与预测的SDMCI关联更为密切,以及这些因素在不同位置的贡献是正面还是负面。公交站密度、到最近地铁站的距离、建筑密度比、人口密度、兴趣点构成以及夜光亮度等指标,都能为判断供需不匹配是由于交通设施供给、地铁与公交的衔接、开发强度、居民需求、活动集中度还是夜间活力等因素所致提供依据。因此,SDMCI-GeoShapley框架能够帮助规划者确定在公交网络规划、服务频率调整、支线公交服务规划以及灵活的交通服务提供方面需要重点关注的区域。例如,那些在高峰时段SDMCI值相对较低的区域,可能需要进一步评估服务频率、线路覆盖范围或考虑调整线路,以便更好地满足通勤者的需求。此外,非线性分析显示,当到最近地铁站的距离超过约800米时,该距离指标对预测SDMCI的GeoShapley贡献往往会从正面转为负面,这意味着地铁覆盖范围之外的区域可能需要进一步评估公交与地铁的衔接情况、支线服务规划以及换乘便利性。相比之下,夜间非高峰期(20:00–22:00)则呈现出从“以生产为导向”向“以生活为导向”的出行模式转变,表现为人口密度和消费活动的贡献有所上升。因此,政策制定者可以考虑建立专门的夜间公交网络,或在商业繁华区、大型居民社区所在的走廊延长运营时间,同时根据居民密度和活动热点动态调整运营频率。最后,对于城市边缘区域,可考虑引入灵活的公交服务或微型交通方式作为补充,尤其是在那些通过常规固定线路公交服务难以有效满足分散式出行需求的区域。

本研究也存在一些局限性。首先,由于数据限制,我们的分析并未纳入年龄、性别、职业和收入等个体社会人口统计特征,因此无法更深入地探讨公共公交服务的公平性问题。未来的研究可以纳入这类数据,进一步分析不同社会群体之间的SDMCI差异。其次,在本研究中,我们用公交服务频率来代表公交网络的供给侧权重,因为它直接反映了不同空间单元之间定期公交服务的密集程度;然而,实际的公交服务质量是多维度的,还受到车辆容量、车内行驶时间、拥堵导致的运行不稳定、换乘不便、线路重叠以及拥挤状况等因素的影响。由于缺乏详细的运营数据,这些因素未被纳入当前的SDMCI框架中,因此SDMCI应被理解为一种基于频率的供需匹配指标,由此得出的政策建议也应被视为识别需要进一步关注公交资源的宏观层面诊断依据,而非针对具体频率调整、车辆调度或线路重设计的直接操作方案。未来的研究可以纳入更详细的运营数据,包括车辆容量、车内行驶时间、拥堵导致的运行不稳定、换乘不便以及拥挤状况等,从而构建更为全面的公交服务供给衡量指标。第三,尽管OD流量数据能够提供关于潜在出行需求的有价值的大规模信息,但这些数据不可避免地存在一定的估算不确定性,这些不确定性可能源于抽样偏差、不同运营商的市场份额差异以及隐私保护机制等因素。在细分层面验证这类大规模出行数据的绝对准确性和精确度在方法上仍面临挑战。在本研究中,OD流量主要被用作潜在公交需求的替代指标。未来的研究可以通过整合多种来源的数据,如出行调查数据和多家运营商的手机数据,来降低这种不确定性。

作者贡献声明

乔思宇:撰写——初稿、可视化、方法论、研究实施、数据整理、概念构建。杨西平:撰写——审阅与编辑、监督、方法论、资金筹集、概念构建。刘嘉宇:撰写——审阅与编辑、监督。罗琳:撰写——审阅与编辑、监督。陈鸿飞:监督。安瑞:监督。李继远:监督。

乔思宇|杨西平|刘嘉宇|罗琳|陈鸿飞|安瑞|李继远

中国陕西省西安市710119,陕西师范大学地理与旅游学院
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号