《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Explaining COVID-19 Tokyo metro station-level ridership disruption and recovery: pre-pandemic demand, built environment and centrality
编辑推荐：
摘要
COVID-19导致了严重且不均衡的地铁客流量下降。本研究考察了2020年至2023年东京站点层面年客流量相对于2019年的变化，整合了疫情前需求、建成环境与网络中心性（network centrality）。其主要贡献在于利用普通最小二乘法（OLS）和
摘要
COVID-19导致了严重且不均衡的地铁客流量下降。本研究考察了2020年至2023年东京站点层面年客流量相对于2019年的变化，整合了疫情前需求、建成环境与网络中心性（network centrality）。其主要贡献在于利用普通最小二乘法（OLS）和地理加权回归（GWR）识别了这些因素如何塑造了从急性中断到恢复阶段的客流量韧性。结果表明，高疫情前需求以及生产与服务强度（Production and Service intensity）与更大的比例损失相关，尤其是在2020–2021年。道路密度（road density）始终与较小的下降幅度和较强的恢复相关，表明本地接入网络的重要性。土地利用混合度（land-use mix）在恢复阶段的正向效应日益增强，表明功能多样化的站点区域更好地支持了本地化的日常活动。目的地可达性（destination accessibility）和中心性则表现出更为空间不均与时间不稳定的效应。这些发现表明，面向韧性的规划应将针对脆弱高需求站点的精准运营、本地接入改善以及混合用途站点区域开发相结合。
论文解读：COVID-19背景下东京地铁站点客流量中断与恢复的多维影响因素研究
一、研究背景与问题
城市轨道交通是许多大都市区日常出行的重要支撑，塑造着通勤模式与城市活动的空间组织。COVID-19疫情作为大规模生物灾害，对公共交通需求造成了前所未有的冲击，打破了长期形成的客流量格局，引发了关于地铁系统韧性的新问题。虽然许多城市在初期崩溃后出现了部分恢复，但恢复的速度和程度并不一致，部分城市即使在疫情爆发数年后，需求仍低于疫情前水平。
已有研究存在若干重要局限。首先，尽管大量文献考察了正常条件下建成环境对地铁客流量的影响，但相对较少的研究关注当交通系统遭遇类似COVID-19的罕见但严重灾害冲击时，哪些因素与客流量变化相关。其次，现有证据多基于单一时间段或较短时间窗口，难以揭示客流量变化的影响因素如何从急性中断阶段演变至跨年度的恢复阶段。第三，现有站点层面的研究往往依赖较窄的解释变量集，可能忽视多个维度如何共同塑造客流量及其疫情后变化。部分研究侧重铁路客流量数据和网络模式，对站点区域背景关注不足；另一些研究则主要聚焦建成环境与土地利用属性，或仅关注网络中心性。
为弥补上述空白，本研究以东京为案例，考察2020–2023年期间站点层面地铁客流量变化的空间异质性，以2019年为基线。东京之所以成为有说服力的案例，在于其高度以公共交通为导向的城市结构以及支撑都市区出行的密集多线地铁网络。研究将韧性分析扩展至超越对初始冲击的抵抗能力，考察站点区域特征如何在2020–2023年期间支持或制约适应性恢复。
二、研究方法与关键技术
本研究采用全球基准模型与局部空间建模相结合的方法。首先估计普通最小二乘法（OLS）模型以确定候选模型设定并评估空间依赖性（spatial dependence）或非平稳性（non-stationarity）。随后应用地理加权回归（GWR）量化客流量变化与其决定因素之间的空间变化关联，并绘制都市区内特定因素在何处更为重要的地图。通过分别估计2020至2023年各年份的模型，分析还揭示了影响的空间模式如何从急性中断阶段演变至恢复阶段。
在数据方面，研究使用了多源公开数据：地铁站点名称、线路信息和网络连接来自东京地铁株式会社和东京都交通局官方网站；站点地理坐标、站间运营距离和街道网络指标（道路密度和平均街道段长度）来自OpenStreetMap（OSM）；站点年客流量来自《东京统计年鉴》；城市兴趣点（POI）数据来自Foursquare OS Places。研究以每个地铁站点质心周围1公里缓冲区近似15分钟步行可达范围，按类别统计缓冲区内POI数量，构建基于POI的建成环境指标。
因变量定义为各站点相对于2019年的年客流量变化率。为避免因变量与解释变量之间的数学耦合，疫情前需求采用2017–2018年平均年客流量而非2019年客流量衡量。解释变量涵盖三个互补维度：历史疫情前需求、建成环境特征和网络中心性。建成环境指标依据4D框架组织，包括密度/强度、多样性、目的地可达性和设计。
三、研究结果
3.1 客流量变化的总体分布特征
研究显示，2020年客流量变化率出现显著下移，表明疫情爆发后客流量普遍收缩。随后从2021年到2023年分布逐步上移，反映地铁需求的逐步恢复。然而，2023年大部分站点仍低于基线水平，表明客流量尚未完全恢复至疫情前水平。分布的持续离散也凸显了显著的站点间异质性，部分站点经历了比其他站点明显更大的下降。
3.2 疫情前需求与生产服务强度的影响
高疫情前需求与生产和服务强度（Production and Service intensity）与更大的比例损失相关，尤其是在2020–2021年。这表明疫情前客流量较高、生产服务功能密集的站点在疫情冲击中遭受了更为严重的客流量下降。
3.3 道路密度的作用
道路密度（road density）始终与较小的下降幅度和较强的恢复相关，表明本地接入网络的重要性。道路密度较高的站点区域在疫情冲击中表现出更强的韧性，客流量下降幅度相对较小，恢复也更为迅速。
3.4 土地利用混合度的效应
土地利用混合度（land-use mix）在恢复阶段的正向效应日益增强，表明功能多样化的站点区域更好地支持了本地化的日常活动。随着疫情进入恢复阶段，土地利用功能多样性对客流量恢复的促进作用逐渐显现。
3.5 目的地可达性与中心性的影响
目的地可达性（destination accessibility）和中心性则表现出更为空间不均与时间不稳定的效应。这两个因素的影响在不同空间位置和不同时间段呈现出较大的差异性，表明其作用机制更为复杂。
四、讨论与结论
研究结果表明，面向韧性的规划应将针对脆弱高需求站点的精准运营、本地接入改善以及混合用途站点区域开发相结合。高需求站点虽然在正常时期承担着大量客流，但在疫情冲击中面临更大的客流量损失风险，需要针对性的运营策略。道路密度的持续正向效应提示改善本地接入网络对于增强系统韧性的重要性。土地利用混合度的恢复期正向效应则表明，推动站点区域功能多样化有助于支持疫情后本地化日常活动的恢复。
研究的核心贡献在于识别了疫情前需求、建成环境和网络中心性如何共同塑造了从急性中断到恢复阶段的客流量韧性。通过整合多维度因素并采用空间分析方法，研究揭示了客流量变化决定因素的空间异质性和时间演变特征，为韧性导向的交通规划和站点区域开发提供了实证依据。
