极端天气下地铁客运韧性测量：深圳台风妮妲期间客流响应的时空分析

《Habitat International》：Measuring metro ridership resilience under extreme weather: Spatio-temporal analysis of passenger-flow responses in Shenzhen during Typhoon Nida

　　

•车站层面的地铁客流韧性表现出显著的时序波动和空间异质性。
•具有不同客流功能和韧性响应模式的车站表现出不同的中断和恢复轨迹。
•气象和建成环境因素的影响在空间和时间上是非平稳的，且在不同车站间存在差异。
引言
关键交通基础设施，如地铁、公交和道路网络，对现代城市的功能至关重要 (Be?inovi?, 2020; Cinderby et al., 2024)。其中，地铁系统在支持大容量日常出行、维持城市可达性以及支撑社会经济活动方面发挥着特别重要的作用。然而，包括台风、暴雨及相关洪水在内的极端天气事件和其他与气候相关的灾害，越来越频繁地扰乱城市交通运营，并产生重大的社会和经济后果 (Dong et al., 2021; Guo et al., 2023; Torabi et al., 2018; Wang et al., 2026; Yao & Jin, 2026)。例如，2021 年 9 月 2 日袭击纽约市的飓风艾达导致 46 个地铁站积水，并导致所有线路的地铁服务通宵停运。同样，2022 年 9 月 19 日第 14 号台风带来的强降雨导致日本桥至田端站之间的列车服务停运 8 小时，影响了东京约 139,000 人。因此，灾害响应和韧性建设已成为全世界城市治理的核心关注点 (Li et al., 2026; B. Wang, Loo, et al., 2020; Woodruff et al., 2021)。在此背景下，理解交通系统的韧性——即在极端天气事件下系统如何退化、保持并恢复运营功能——已成为交通规划、应急管理和气候适应的关键问题 (Miura et al., 2025; Yu et al., 2023)。
交通韧性为考察此类中断和恢复过程提供了一个有用的概念框架。一般来说，交通网络韧性是指交通系统吸收冲击、维持功能、适应破坏性状况并快速恢复至可接受绩效水平的能力 (Bruneau et al., 2003; Murray-tuite, 2006, pp. 1398–1405; León & March, 2014)。现有研究从几个角度评估了交通韧性，包括拓扑方法、模拟与优化方法以及数据驱动方法 (Li et al., 2021)。拓扑方法考察网络连通性、冗余度和结构脆弱性，有助于识别交通网络中的关键链路、节点和故障传播 (Zhang et al., 2015; H. Wang, Loo, et al., 2020)。这种方法允许使用简单的数学韧性指标快速比较不同的交通网络结构 (Wang et al., 2019; Zhou et al., 2019)，但对于大规模网络，特别是当评估涉及多个元素同时移除的场景时，可能在计算上不可行 (Wang et al., 2016)。此外，这些方法未能考虑运营动态，无法现实地模拟系统对中断的响应行为。模拟与优化方法通过更准确地模拟中断期间的交通服务和乘客行为，克服了拓扑方法的一些局限性 (Cats & Jenelius, 2014)。这些方法有效地展示了系统响应，但往往未能纳入最佳的交通恢复策略 (Li et al., 2021)。最近，数据驱动方法（例如统计模型和韧性三角形框架），在交通大数据（例如公共交通客流数据和车辆轨迹数据）的支持下，为在更细的时空尺度上量化灾害影响和交通韧性容量提供了新的视角，同时涵盖了更广泛的内部和外部威胁 (Borowski et al., 2023; Welch & Widita, 2019)。对内部威胁（如交通事故和技术故障）的韧性已被良好地建模和估计 (Donovan & Work, 2017; Lu, 2018)。然而，由于外部威胁（例如恶劣天气条件和自然灾害）具有时空动态特性，相对较少的研究探讨了极端天气事件期间交通韧性的细粒度时空响应过程 (Liu et al., 2026; Loo & Leung, 2017; Peker & Street, 2025; Wang, Zhang, et al., 2024)。
最近的研究越来越认识到，交通韧性既非空间均匀，也非时间平稳，而是随网络组件、乘客群体、土地利用背景和中断 - 恢复阶段的不同而变化 (Liu et al., 2026; Wang, Zhang, et al., 2024)。来自道路网络、区域流动系统、多模式公共交通以及与 COVID-19 相关的公共交通恢复的实证证据表明，韧性降级和恢复往往是空间聚集的且功能不均衡的，受局部连通性、暴露强度、可达性、换乘机会、出行目的和现有流动结构的塑造，而不仅仅是由整体系统状况决定 (Li et al., 2024; Ma et al., 2023; Wang et al., 2022)。然而，尽管现有研究通过复杂网络分析、基于 GIS 的模拟、空间自相关、韧性曲线和全球统计模型有效地描述了交通韧性何时何地发生变化，但相对较少的关注点在于明确解释韧性决定因素如何随空间和时间而变化。地理加权建模的最新进展为解决这一局限性提供了一个有前途的方向。例如，Zhao 等人 (2025) 采用地理加权机器学习方法考察了北京极端暴雨后的社区恢复差异，证明局部参数、非线性关系和空间变化的因素重要性可以揭示被全球模型所掩盖的异质恢复机制。尽管这种新兴的基于地理加权回归 (GWR) 的视角推动了灾害恢复研究，但它主要具有空间性质，通常依赖横断面观测，对中斷和恢复过程中局部关系的时间演化关注不足。
基于这些理解，三个研究空白促使了本研究。首先，尽管基于绩效和真实数据的方法越来越多地应用于交通韧性研究，但关于实际极端天气事件下公共交通运营韧性的细粒度时空证据仍然不足。其次，现有的交通韧性研究尚未充分考察韧性如何随空间位置、城市功能和时间阶段的不同而变化。第三，许多研究依赖于全球统计模型或整体比较，假设气象和建成环境因素在空间和时间上的效应是稳定的。在台风事件的背景下，这种假设是受限的，因为降雨、风速、出行行为和运营响应可能动态变化。细粒度客流和气象数据为解决这些空白提供了有用的实证基础。与物理基础设施指标不同，车站层面的智能卡记录捕捉了客流的需求侧和运营响应，包括在极端天气扰动期间及之后客流如何下降、持续和恢复。当与逐小时气象观测相结合时，这些数据使得能够将客流变化与降雨和风速的时空强度演变联系起来。因此，本研究旨在解决以下研究问题：如何通过局部化和时变机制来测量和解释极端事件下交通客流韧性响应的时空异质性？
为了回答这个问题，本研究利用中国深圳“妮妲”台风期间的车站层面客流数据，调查地铁运营韧性的时空异质性。本研究通过整合地铁智能卡数据、逐小时气象数据、土地利用信息和车站属性，开发了一个四步分析框架。首先，我们通过比较台风期间的实际客流与正常基准客流，构建基于车站 - 小时客流的韧性指标。其次，我们使用描述性时序分析、全局空间自相关和局部空间关联方法，识别客流韧性损失和恢复的时间演化和空间聚集。第三，我们根据客流和韧性轨迹的相似性对地铁站进行分类，以揭示差异化的车站响应类型。第四，我们采用地理和时间加权回归 (GTWR) 模型，考察降雨、风速、土地利用构成和换乘属性如何以空间和时间非平稳的方式影响车站层面韧性。通过连接韧性测量、异质性检测、车站分类和时空解释，本研究在三个方面对文献做出贡献：1) 提供了实际台风事件下地铁运营韧性的细粒度实证证据；2) 概念化了跨车站类型、空间位置和事件阶段的地铁韧性异质性；3) 展示了 GTWR 如何用于解释局部变化的天气和建成环境对车站层面韧性的影响。
论文其余部分组织如下。第 2 节介绍研究区域、数据集和研究方法，包括客流韧性测量、车站分类和 GTWR 建模。第 3 节展示实验结果，第 4 节讨论本研究的理论和实践意义。第 5 节总结研究。
章节片段
研究区域与数据集
深圳位于珠江口东岸，是中国南部最重要的沿海城市之一。该市拥有发达的轨道交通系统和强大的运营能力。截至 2024 年，该市拥有 18 条运营地铁线路，总长度 595.1 公里，417 个运营车站。地铁日均客运量达到 845 万人次，反映了该市地铁系统所面临的巨大压力和不断增长的需求。此外，由于
基于客流变化的地铁车站分类
使用 SSE、轮廓系数、CH 指数和 DB 指数评估最合适的聚类数。根据评估结果，确定最佳聚类数为 k = 6（图 4）。因此，132 个地铁站最终被分为六类。随后，绘制了不同类别的进站和出站客流曲线以考察其客流模式，如图 5 所示。六个车站类别被确定为
客流中断与恢复的功能分化
分类结果表明，在“妮妲”台风期间，地铁客流韧性按车站功能强烈分化。具有不同正常客流模式的车站并未经历相同的中断 - 恢复过程。相反，居住导向型、就业导向型、混合型以及交通枢纽型车站表现出不同的韧性轨迹，在时间、方向和恢复稳定性方面有所不同。这表明极端天气下的客流中断是
结论
本研究从需求侧和运营视角调查了深圳地铁系统在“妮妲”台风期间的车站层面客流韧性。通过整合智能卡数据、逐小时气象观测、车站属性和周边土地利用数据，我们测量了相对于台风前基准条件的每小时进客流和出客流韧性，并考察了它们的时间演化、空间聚集、功能分化和时空变化
CRediT 作者贡献声明
Zhangzhi Tan: 撰写 – 初稿，方法论，资金获取，正式分析，概念化。Hanwen Xu: 撰写 – 初稿，软件，方法论，正式分析，数据管理。Bo Wang: 撰写 – 审阅与编辑，监督，资金获取，概念化。Jiahui Ye: 正式分析，数据管理。Xuanting Chen: 可视化，正式分析。Yuyi Chen: 验证，数据管理。Fuyu Hu: 撰写 – 审阅与编辑。
利益冲突声明
作者声明没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究由国家自然科学基金委员会 (42301488 和 42271210) 和广东省基础与应用基础研究基金 (2024A1515010174) 支持。
Zhangzhi Tan|Hanwen Xu|Bo Wang|Jiahui Ye|Xuanting Chen|Yuyi Chen|Fuyu Hu