基于邻近性与稀缺性指标的工业空间结构视角解析公交乘客OD流——以中国北京为例

《Sustainability》：Unraveling Bus Passenger OD Flows Through the Lens of Industrial Spatial Structure with Proximity and Scarcity Metrics: A Case Study of Beijing, China

　　

城市工业空间结构被广泛认为是塑造公共交通出行模式的关键因素。然而，这种空间结构的变化与公交起讫点（OD）客流之间的关系仍未得到充分探索。为弥补这一空白，本研究提出区域工业邻近性（Regional Industrial Proximity, RIP）和区域工业稀缺性（Regional Industrial Scarcity, RIS）两个定量指标，用以刻画城市工业空间结构的分异特征。实证研究在北京市五环内核心建成区开展。研究区域被划分为8.3 km × 8.3 km的网格，并采用邻近性–稀缺性关系图卷积网络（Proximity–Scarcity Relational Graph Convolutional Network, PS-RGCN）模型预测城市公交客流。数据集主要包括连续一周内采集的约421万条智能卡交易记录，以及覆盖20个产业类别的27.6万条兴趣点（POI）记录。具体而言，所提出的PS-RGCN模型在所有基准模型中取得了最佳预测性能。当将风景名胜与历史古迹的RIP作为边关系纳入时，总体性能最佳，决定系数R²为0.888。相比之下，重力模型的R²为0.858，基线GCN模型的R²为0.378，表明所提出模型具有更优的预测能力。本研究验证了产业邻近性与产业稀缺性在公交OD流预测中具有互补效应。将二者协同纳入多关系图神经网络框架，能够更有效地识别城市功能与公交出行需求之间的预测关系。

城市交通拥堵、通勤时间延长与能耗排放上升严重威胁环境可持续性和城市生活质量。公共交通作为高容量、低碳的出行系统，是缓解压力、保障低收入与无车群体出行权、促进社会公平的重要基础设施，但许多城市仍存在运营效率不足与供需错配。既有研究主要利用历史客流与时间周期性进行预测，难以揭示客流生成的内在驱动机制；虽然已有学者尝试引入城市空间特征与区域功能信息，但对区域间工业结构相似性与功能稀缺性如何影响出行行为仍缺乏系统分析。为此，该论文发表于《Sustainability》，以北京市五环内核心建成区为例，从工业空间结构视角研究公交OD客流，提出区域工业邻近性（RIP）与区域工业稀缺性（RIS）两个互补指标，并构建PS-RGCN模型验证其在出行需求预测中的价值。

研究人员使用北京公交集团2019年6月1—7日约421万条智能卡记录和高德API获取的27.6万条POI数据，将五环内划分为16个8.3 km×8.3 km网格，按30分钟时段聚合为有向OD矩阵；基于TF-IDF构建RIS，基于区位商构建RIP，作为节点属性与边关系嵌入关系图卷积网络（RGCN），形成PS-RGCN模型；以重力模型、GCN、RIS增强GCN、RGCN为基准，用MAE、RMSE、MAPE、R²、SCC评估，并施加Fratar平衡后处理。

3.1 工业指标的空间格局
通过计算16个网格20类POI的RIS与RIP，研究发现两类指标呈现显著空间分异。RIS表明购物服务、餐饮服务、公司企业等在多数网格因局部集中度高而数值较高，但城市层面普遍分布，稀缺性贡献有限；风景名胜与历史古迹、科教文化服务等仅在特定网格呈高值，体现强空间专门化与不可替代性，可能吸引特定目的出行。RIP显示餐饮、住宿、商业住宅、医疗等多种日常功能在较多网格对间存在高相似性，而金融保险、摩托车服务等相似关系仅集中于特定网格对；地理相邻网格往往具有更高产业相似性，反映城市功能区的空间连续性。

3.2 模型性能
通过对比五种模型，研究发现重力模型具有较强预测力（MAE=65.658，RMSE=164.547，MAPE=92.087%，R²=0.858，SCC=0.737），说明距离衰减仍是公交出行的重要机制。未含产业特征的基线GCN仅达到R²=0.378，表明仅依赖地理邻接无法充分刻画复杂功能联系。将RIS作为节点特征加入GCN后性能未持续提升（R²=0.347），说明产业稀缺性单独不能解释OD变化。将RIP作为边关系加入的RGCN取得R²=0.354，可能因20类关系参数过多引发过拟合。完整PS-RGCN同时引入RIS与RIP，获得MAE=68.388、RMSE=159.061、R²=0.885、SCC=0.882，优于所有基准，证明产业邻近性与稀缺性互补，并与地理约束共同提升预测能力。

3.3 工业变量对预测的影响
通过逐一将20个产业类别作为独立关系输入PS-RGCN，研究发现初始结果受极稀疏类别干扰；剔除总样本量低于20或出现网格数低于3的5个类别后，基于14个高置信类别重新估计。结果显示，风景名胜与历史古迹对应的RIP产生最佳预测性能，R²=0.888，SCC=0.872；科教文化服务次之，R²=0.820；餐饮、住宿、商业住宅等提供中等预测力；公司企业（R²=0.674）与购物服务（R²=0.684）较弱；医疗健康和金融保险居中。这反映日常服务设施、教育科研机构及特色目的地与公交客流关联更强，而空间布局分散、出行行为复杂的行业预测力较弱。

讨论与结论方面，该研究强调工业信息并非传统空间因素的替代，而需与恰当的空间关系表征结合；分行业关系分析可减少参数冗余，并揭示不同功能类别对客流影响的异质性。研究结论可概括为：（1）城市公交出行由地理交互机制与工业空间结构共同塑造，PS-RGCN通过整合产业属性与功能关系在重力模型基础上进一步改进精度；（2）RIS刻画区域功能吸引力，RIP刻画区域间功能相似性，二者在关系图网络中互补，单独使用均不足以全面解释OD分布；在北京市五环内自然周观测条件下，纳入风景名胜与历史古迹RIP的PS-RGCN取得最优预测，而公司企业与商业住宅RIP的预测表现相对不佳；（3）该研究建立了将工业空间组织与交通流预测联系的功能-结构框架，为城市流动性研究提供新视角，公交规划应超越纯距离优化，纳入区域功能联系以实现更适应、高效与公平的服务。研究存在仅覆盖一周、空间单元基于平均公交出行距离划分等局限，未来可结合多期数据、自适应空间单元与多交通模式深化分析。