都在坐公交地铁，学生、老人和普通乘客过的是同一种出行日常吗？
论文名片｜Laiyun Wu、Samiul Hasan、Younshik Chung、Jee Eun Kang，Understanding the Heterogeneity of Human Mobility Patterns: User Characteristics and Modal Preferences，Sustainability 13, 13921（2021）。DOI:10.3390/su132413921。研究类型：首尔公共交通自动收费记录的分组描述分析。
一名学生在上学高峰坐公交去学校，一位老人中午搭地铁去常去的活动地点。如果把两人的刷卡记录放进同一个平均数，或许都叫“每天往返几个地方”，但坐什么车、什么时候出发、换乘要花多久，已经不一样。这个场景只是帮助理解研究问题，并非论文追访过的两名乘客。
这篇研究利用票种信息区分普通乘客、中学生与高中生、老年乘客、残障持卡乘客，展示公共交通活动的异质性。最有用的发现不是给每类人贴一种固定标签，而是提醒我们：平均出行规律背后，票价制度、可达性和日常活动安排可能共同塑造群体差异。
先说结论
- 在文中方式统计中，老年与残障乘客的地铁交易占比分别为 82.65%、83.70%，学生公交交易占比为 60.30%。这些是刷卡交易占比，不是全体居民的出行方式选择率。
- 老人和残障乘客平均换乘次数较少，但每次换乘耗时往往更长；“少换乘”不能直接解释为出行更方便。
- 学生的公交地铁活动范围较小，常去地点之间的出行时间较短；其他几组的范围分布大量重叠。
- 常去站点可以帮助推断日常活动，但无法直接验证住宅、工作、就业状态。论文的统计显著性表还存在标签与数值冲突，因此不宜把全部描述差异都写成已确认显著。
这份大数据，具体覆盖谁的移动？
自动收费数据 AFC（automatic fare collection）记录卡号、上下车站点、时间、线路和方式等信息。研究总体包含 2013 年每月一周、共 12 周的首尔都市圈地铁与公交数据：约 11.02 亿条交易、3,597.85 万个不同卡号；当时系统涉及 18 条地铁线、936 条公交路线与 11,637 辆公交车。原论文 Fig. 1 以地铁和公交网络地图说明这个研究范围。
多数分析默认使用 2013 年 3 月第三周的工作日。描述表中约 472.53 万个卡号、3,427.27 万条交易，不能与全年抽样 12 周的总量混为一谈。一次性票等情况会使一个人对应多个卡号，论文为方便分析把每个卡号当作一名乘客，这是一项近似。
票种分组也不是完整的人口调查：普通组是未落入其他优惠票种的剩余类别，不能等同于所有就业成年人；学生组在本文主要指初高中生；老年与残障组是对应的持卡类别。没有刷卡、依靠汽车、步行或其他交通的人，无法从这份记录中被完整观察。
| 主要票种组 | 不同卡号数 | 交易数 | 表列日均出行时间 |
|---|---|---|---|
| 普通乘客 | 3,835,385 | 27,821,224 | 49 分钟 |
| 初高中学生 | 343,778 | 2,500,315 | 44 分钟 |
| 老年乘客 | 388,612 | 2,830,060 | 54 分钟 |
| 残障乘客 | 108,787 | 840,936 | 56 分钟 |
数值来自 Table 1。四组构成论文主要研究对象，但卡号数不是经验证的一人一号人数；日均时间也只反映被系统记录的公共交通部分。
为什么同一城市里，不同人会选不同的车？
Table 2 中四组工作日交易占一周交易的比例约为 88.79%—90.78%。一周有五个工作日、两个周末日，因此不能只比较原始总次数就说工作日更常出行；这里的比例明显高于天数占比 5/7，才支持刷卡活动更偏向工作日。
Table 3 显示普通组地铁与公交交易约各半，学生更偏向公交，老人与残障组更偏向地铁。研究解释，学生常在住处附近上学，而研究时期地铁对老人和残障乘客免费、公交并不完全免费，制度可能影响方式选择。
这仍是解释，而不是票价政策的因果估计。票价优惠、线路布局、站点无障碍条件、居住位置和活动目的同时不同；本文没有比较政策前后或设置反事实对照。Table 1、3、4 的交易合计也不一致，可能涉及统计与行程合并口径，文中未充分说明，因此这里分别按各表自己的分母读比例，不跨表相加或计算人均方式次数。
早高峰定义为 6:00—10:00，晚高峰为 16:00—20:00，其余为非高峰。Table 4 的非高峰份额，普通与学生约 31.80%、30.76%，老人 45.18%、残障组 36.55%。这支持老人刷卡活动更分散到非高峰，但不能直接证明他们主动避开拥挤。
换乘尤其值得单独看：研究把连接起点到最终终点的一组交易合为一次出行，并设 30 分钟换乘衔接条件。普通组每次出行平均换乘约 0.35—0.39 次，老人约 0.16—0.22 次。早高峰普通组每次换乘约 4 分 27 秒，老人约 8 分 51 秒；非高峰分别约 6 分 37 秒、10 分 10 秒。这些平均差异符合换乘负担可能不同的解释，但尚不能分离步行速度、线路衔接、无障碍设施与个人路线偏好的作用。
刷卡站点如何变成潜在居住地和日常活动地？
规则用的是常去时段与方向。早高峰最常出发、晚高峰最常到达的站，作为潜在居住站；早高峰最常到达、晚高峰最常出发的站，作为潜在工作站；非高峰最常到达站，作为其他活动站。
这些是站点层面的启发式推断。所谓工作站，对学生可以是学校，对老人或其他人可以是购物、社交、娱乐的固定去处。没有调查验证的情况下，不能把它当作每个人的真实职业地点。
图 1｜不同票种乘客的常去区域，重合到什么程度？
（a、b、c）普通组，（d、e、f）学生，（g、h、i）老人，（j、k、l）残障组；每行从左到右为潜在居住站、工作或固定日常活动站、其他活动站。颜色表示核密度由低到高，保留原图比例尺、指北针和图例。普通组工作站更集中于中心区，学校站点较分散，老人及残障组固定活动地点分布于住处附近与中心区。来源：原论文 Fig. 2。
地图反映的是被公共交通系统观察到的常去站点密度。没有控制住宅分布与线路供给，也没有给出密度不确定性，不能由热区直接读出个人偏好或群体的自由选择。
活动范围小，就一定去得少、生活更不规律吗？
回转半径 rg 概括一个卡号访问站点围绕其空间重心的离散程度：把各站到重心距离的平方取平均，再开方，单位为 km。它不是一天总里程，也不是从家出发的最远距离。
图 2｜谁的公共交通活动范围更集中？
原图没有子图，横轴为 rg（km）、纵轴为分布概率；青色学生曲线更集中于小半径，普通、老人及残障组曲线更多重叠。它支持学生组的公共交通活动范围较小，不表示其全部交通活动范围也被完整测量。来源：原论文 Fig. 3。
范围与地点数量是两个维度。论文还统计每周访问的不同目的地数量，称为目的地多样性。
图 3｜活动范围之外，不同目的地有多少？
原图没有子图，四组都主要集中在每周约 2—4 个不同目的地。原图横轴文字写作 Regularity，但该图标题、正文定义与 0—15 的计数范围对应目的地数量，应按多样性读，不能与下一图的 0—1 规律性混用。来源：原论文 Fig. 4。
规律性则按小时计算：在一周工作日的某个小时内，访问次数最多的目的地占该小时全部目的地访问次数的比例，再按时段平均。它衡量同一时间的重复目的地程度，不是“最常去一个地方占全天行程的比例”，也不是下一站预测模型的准确率。
图 4｜同一个小时，乘客是否常去同一站？
原图没有子图，横轴为规律性 0—1，纵轴为分布概率。多数卡号集中于较高数值，学生、老人及残障组在接近 1 的位置比普通组更集中。来源：原论文 Fig. 5。
较高规律性可能来自稳定日常活动，也可能受一周窗口和某些小时观测次数少的影响。它不能自动证明活动机会充足，也不能单独区分主动习惯与受限选择。
同样是常去地点，停留时间也相同吗？
潜在停留时间由前后公共交通事件推断，因此中间若换用其他方式、步行或发生未被系统观察的活动，就可能被合并到同一段时间。把这个量解释为活动时长，需要保留这一观测边界。
图 5｜哪一类活动时长最能显示组间差别？
（a）潜在居住地停留，老人组分布峰值总体更靠长时段；这一面板的原图配色与下两图不同，应按它自己的图例读。（b）潜在工作或固定活动地停留，普通与学生约 9—10 小时附近有明显峰，老人更多为约 2—3 小时，残障组同时具有短时与较长时段的峰。（c）其他活动地停留多集中于较短时段，长尾仍存在。来源：原论文 Fig. 6。
论文提出，残障组的双峰可能对应就业与未就业人群。然而数据库没有逐人就业状态，这只能是解释假说，不能把双峰直接分成“半数有工作、半数没工作”，也不能据此判断福利或劳动参与效果。
图 6｜学生的常去地点是否也更容易到达？
（a）潜在居住与工作或学校站之间，（b）其他地点之间；横轴为出行分钟数，纵轴为分布概率。学生曲线更偏向短时间，另三组有较多重叠；正文将典型时间差概括为约 10 分钟。来源：原论文 Fig. 7。
距离范围与出行时间的学生组结果方向一致，但不能直接说明学校选址的因果作用；居住选择、票种年龄范围和线路结构也可能共同影响两者。
图 7｜到达同一类地点的时刻，会怎样改变停留分布？
（a）潜在居住地，（b）潜在工作或固定活动地，（c）其他活动地。每张三维图同时展示停留小时数、到达时段与频数；不同时间切片的峰移动，说明把全天混在一起会掩盖活动安排差别。这组图按原文展示整体时段关系，没有把颜色再解释成四个人群。来源：原论文 Fig. 8。
分布不同，统计上能说到哪一步？
论文比较幂律、指数与对数正态候选形式，报告对数正态在停留时间、出行时间和回转半径上具有较高似然与较低 AIC。Table 5 给出拟合参数，例如潜在居住地停留的 Mean，普通、学生、老人、残障组分别为 2.58、2.46、2.88、2.70。它们是所选分布参数，不能直接读成平均在家 2.58 小时；原表没有充分展开参数化和单位转换，本文不据此反算实际均值。
更重要的是，Table 6 把两两 Kolmogorov–Smirnov 比较的单元格标为 p 值，标题与正文又声称全部在 0.001 水平显著，但表中数值在 0.015—0.429 之间。若按 p 值读，它们均不小于 0.001；若这些其实是检验统计量，原文又没有清楚标明。因而，不能用该表确认“所有分布差异均显著”。
可保留的结论是：原始分布图和描述统计显示若干有方向的群体差别，尤其学生的空间范围、时间以及老人和残障乘客的方式与换乘特征。差别有多大、是否具有实践意义、是否来自政策或身体条件，还需要清楚的统计量、不确定性和更合适的因果设计。
对交通服务，最稳妥的启发是什么？
一个总平均值可能忽略特定时段、票种和换乘条件。把老人及残障乘客并入普通组，容易低估他们在单次换乘中花费的时间；只看他们换乘较少，又可能误认为服务已足够便利。
但这些模式来自特定年份、特定周的公共交通记录，不涵盖未出行需求和其他交通方式。免费地铁与方式份额相伴，也不证明取消或增加优惠会产生相同幅度的行为变化。原始 AFC 数据受使用限制不能公开，外部复核还受数据可得性约束。
一句话总结
首尔公交卡显示，不同票种乘客的交通方式、活动范围和换乘负担确有值得区分的描述性模式；理解这些差别需要结合票价与观测范围，避免把常去站点当作已知生活目的，把分布差异直接写成因果结论。
核心来源
作者介绍
- Laiyun Wu：论文署名纽约州立大学布法罗分校工业与系统工程系；负责正式分析、调查、数据整理、初稿与可视化。
- Samiul Hasan：署名中佛罗里达大学工程与计算机科学学院；参与构思，负责方法并参与指导与修改。
- Younshik Chung：署名韩国岭南大学城市规划与工程系；提供研究资源。
- Jee Eun Kang：署名布法罗分校工业与系统工程系，为通讯作者；参与构思、指导与修改，并负责资金获取。机构及分工均按论文发表时信息介绍。
延伸思考：少换乘，可能是一种被迫的优化
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
如果某类乘客每换一次车都要花更久，他们也许会主动选少换乘的路线。这时观察到的低换乘次数，可能已经包含乘客为困难付出的适应，而不是困难不存在的证据。
可以在一处无障碍换乘设施改善前后，追踪原来同一批持卡人的换乘次数、每次耗时以及新增目的地，并与未改善的相似站点比较。若换乘次数增加、耗时下降且目的地增多，便可能说明原先的少换乘具有受限选择成分。若次数不变而耗时下降，也仍是直接的服务收益；不应只用“是否多出行”衡量改善是否成功。
