城市空间 | 上海轨道交通通勤OD矩阵

本文阅读大约需要10分钟

克而瑞点评

通过上海市轨道交通刷卡人次 OD 矩阵图，分析上海市早高峰和晚高峰人员流向特征，并以 赵巷-和徐泾板块 和 北新泾板块 为例结合人群画像来对比分析迁移可能性。发现通勤人流分布大致呈现“一主体九分支”的放射状结构，而这种结构背后主要影响要素为房源租金、供应量、客群收入水平、消费水平等要素，该研究为集中式长租公寓投资与运营提供了很好的具 体指导意义。

导 语

上一期，我们主要利用不同时段刷卡频数合理定义出早高峰时段和晚高峰时段，并以此为据， 给出各站点的职住比刻画情况。

因为上海轨道交通具有很好的连通性，所以我们可以利用抽象的矩阵理论来进行分析和研究。设是一个415×415的方阵，其中表示从第j个站到第i个站的刷卡人次，比如令i为人民广场站，那么就能够知道其他414个站点到人民广场站的刷卡人次，同理也可以令i为其他站点，这样整个上海市轨道交通的通勤OD情况就能够通过一个矩阵来表示，矩阵中的元刻画各站点的客流来源和去向。

这一期主要通过地铁人流OD矩阵来看早高峰和晚高峰城市人群流动方向和特征，并缓冲到相应的板块，刻画特定板块内的人群画像，量化职住迁移成本，为集中式长租公寓选址和投资运营以及城市研究给出参考意见。

一、早高峰地铁人流OD矩阵

从整个上海市的地铁人流早高峰OD矩阵图看到，上海大体呈现“九一”结构，其中“一”是指一个主体，位于城市中心的轨道交通以高密度站点分布和短程高效的特点交错了大量的刷卡人次；”九”是指九个方位的分支，如刷卡人次较高的红线和黄线主要集中在1号线的通河新村到汶水路方向，2号线西段的徐泾东到人民广场方向以及东段的川沙到金科路张江高科方向，9号线的松江大学城到合川路漕河泾方向，这说明早高峰通勤流向有很高的聚集性，也说明了早高峰的通勤选择有较强的偏向性。

这些分支上集中了大量通勤人员，是地铁沿线租房的首选，一方面缓解了中心城区的压力，给城市溢出带来便利，另一方面，提高了中心城区，副中心以及外环的居住中心整体联动性，为城市带来活力。由于站点数多，刷卡人次数据量巨大，我们筛选出上班高峰期进站刷卡人次最高的10站来看客群流向。

从早高峰进站刷卡top10可以看到，排在靠前的往往是城市边缘的一些重要线路的终点站和倒数大站，这些站点都是一些居住型大站，有大量居民区聚集。

如1号线的莘庄，2号线的徐泾东和广兰路，13号线的金运路，8号线的沈杜公路作为地铁线路的起点站，终点站，其特点是所在线路长，站点多，或交汇南北或贯穿东西，且连通一些重要功能区域，直达功能强，具有很高的辐射能量，所以他们早上刷卡人次遥遥领先；而九亭，莲花路，泗泾，淞虹路和通河新村都是一些重要线路的关键节点，一方面，他们比终点站离城市中心距离更近，缩短了通勤时间，另一方面地铁周边有很好的生活服务设施，对中心城区外流有很好的吸纳能力。我们可以看一下这10个站点人员流向。

从地铁客群流向图可以看到，各站点流向有很强的偏向性，南北走向主要向城中心聚集，如从沈杜公路流向人民广场的居多，彭浦新村大多也大多流向上海火车站和人民广场等方向；东西走向的大多被副中心吸收，如广兰路则大部分流向了金科路和张江高科， 1号线西段的莘庄和莲花路被徐家汇站吸收，而9号线的泗泾和九亭则被漕河泾开发区站吸收，2号线的徐泾东和淞虹路则被2号线西段的一些大站如中山公园，娄山关路和虹桥火车站吸收掉，17号线的金运路早高峰进站乘客大部分被长宁的真北路和大渡河路吸收。

这种城市中心，副中心的吸附能力在上海地铁流向表现得格外明显，也体现了城市去中心化功能。

二、晚高峰地铁人流OD矩阵

上海地铁人流晚高峰OD矩阵图和上海地铁人流早高峰OD矩阵图结构大体差不多，但是晚高峰不像早高峰那么集中，且客流量集中的线路数明显少于早高峰，同时各线路刷卡人次的峰值也略有下降，但2号线依然是主力军， 9号线从漕河泾合川路方向流出到松江大学城方向的也不少。

同时我们还看到了不同线路末站与末站之间的刷卡人次也不低，这些人如果要从一个线路的末站到另一个线路的末站，尽管这两地的地理位置距离并不远，但是地铁出行，必须选择最近的一个交汇的换乘站才行，无疑加重了通勤成本，目前上海仅4号线为环线，上海地轨道交通结构应该在增加仿射线路的同时增加环状层，这样整个城市的联通性会更加紧密。然后我们筛选下班高峰期进站刷卡人次最高的10站，来看其归宿何地。

从排名来看，靠前的是一些核心商务区，如陆家嘴，人民广场，静安寺以及徐家汇和南京西路等都是上海有名气的商务区，同时也能看到综合性经开区的站点排名也处于领先位置，如漕河泾开发区及金科路和张江高科。前10站点周边往往聚集了上海大部分的商务中心，CBD，超大型办公写字楼和产业园区，是企业聚集地也是城市白领聚集区，为此，我们看一看这些人晚上要归何处？

与早高峰相比，晚高峰都是从城市中心或副中心站点流向周边站点，且线路的收敛性更好，方向感更强，刷卡前10的站中就有8站属于2号线，且归站也大部分在2号线沿线，其次是从漕河泾和徐家汇往西南方向流向的。极高的贴合度和巨大的人流量给地铁线路带来巨大压力的同时，无疑加重了特定线路运营压力，城市流通的均衡性降低。我们可以结合早高峰和晚高峰流量数据，在地铁沿线选取一组具有代表性的板块进行人群特征和客户画像特征对比分析，如1号线的彭浦新村板块和大宁板块，2号线西段沿线的赵巷-徐泾板块与北新泾板块，东段沿线的川沙板块和张江高科板块，9号线沿线的康健、田林板块与九亭板块。这里以赵巷-徐泾板块和北新泾板块为例来进行分析。

三、赵巷-徐泾板块

和北新泾板块实例分析

徐泾东站的职住比为0.17，而淞虹路的职住比为1.04，工作日的早高峰有816名乘客从徐泾东站到前往淞虹路站上班，晚高峰有632名乘客从淞虹路站回到徐泾东站，便捷的轨道交通和大量的人员来往分化了两个站点所在板块的职能，一个以工作为主，一个以居住为主。为什么会形成这种分化呢？综合租金，房源，租赁人群年龄结构，收入，消费，租金支出6个方面分析从赵巷-徐泾板块迁移到北新泾板块的可能性不大。

（1）高租金差是导致职住分离最根本原因

无论是个人租赁，分散式租赁还是集中式租赁，北新泾板块都要高出赵巷-徐泾板块40元/平方米/月到60元/平方米/月，意味着租一个20平米的房子每个月要多出800元到1200元，而这两地的地铁通勤时间是12分钟，往返通勤费用为8元，一个月下来，通勤时间总长为 3.16小时到7.2小时，而通勤费用是192元到240元，租房成本与通勤费用成本之差为608元到960元，大部分低收入人群是不愿意每月多花3.16小时到7.2小时乘车时间来节约608元到960元。

（2）充足的房源供应为迁移提供背书

赵巷-徐泾每月能够提供近1300套房源，而北新泾每月能够提供近2000套房源，高出了5成有余，说明北新泾的总房源供应较赵巷-徐泾板块充足，然而市场价低的个人租赁方面，赵巷-徐泾板块和北新泾相差无几，而分散式租赁和集中式租赁，北新泾板块提供了更多选择，在面对如此巨大的租金差和较小的市场选择自由度情况下，不同收入，不同消费，不同年龄的人会有不同抉择，为此，我们看一下两个板块的人群画像，从人群画像中分析其迁移的可能性。首先来看一下两个板块租赁人群的年龄结构

（3）26-35岁之间人群是租赁的主力人群，相比通勤时间，居住成本才其重点考虑的问题

两个板块租赁人群的年龄结构相差不大，多以35岁以下的年轻人为主，这个年龄段的人精力旺盛，对通勤的麻烦感并没那么强烈，他们可能更加倾向于选择租金低的赵巷-徐泾板块，而不会选择租金高的北新泾板块，可以看看这些人的收入情况

(4) 收入不高成为迁移的最大障碍

整体来说，两个板块的收入偏低，高收入占比不大，赵巷-徐泾就更低，在收入不高的情况下，从租金低的地方搬到租金高的地方不可谓明智之举。也可以看一下消费的对比情况

（5）强劲的消费力可能会带来迁移需求

两个板块的消费力还是很厉害的，高消费占比均超过了50%，在高消费习惯的怂恿下，很可能会为了提升居住舒适度及娱乐消费方便性，避免早高峰和晚高峰挤地铁的麻烦，从赵巷-徐泾板块搬到北新泾板块。为此，我们可以结合两个板块的租金支出情况来看。

（6）租房改善意愿不够高是最直接的问题

租金支出结构非常明显反映了两个板块的租赁差异情况。北新泾的租金支出普遍偏高，5000以上的占到近40%，1000到3000的才26.94%，但是这个租金支出级别在赵巷-徐泾的占比却高达55.03%，大量的选择租金较低的房源，即使消费偏高，但是在居住支出这一块并没有明显提升，从租金低地方换到租金高的地方不太现实。总而言之，大部分人从赵巷-徐泾搬到北新泾的可能性不大，在目前居住地开展集中式长租公寓业务才是首先。

结 语

本次通过上海市轨道交通刷卡人次OD矩阵图，分析上海市早高峰和晚高峰人员流向特征，并以赵巷-和徐泾板块和北新泾板块为例结合人群画像来对比分析迁移可能性，对集中式长租公寓选择和运营有很好的具体指导意义。

参考文献

1https://wenku.baidu.com/view/165abf1d336c1eb91a375d8d.html

2https://wenku.baidu.com/view/fa71f2107375a417866f8f81.html?sxts=1575956307792

3https://blog.csdn.net/u010946448/article/details/83752984

4https://baike.baidu.com/item/%E4%B8%8A%E6%B5%B7%E5%9C%B0%E9%93%81/1273732?fr=kg_qa

5https://wenku.baidu.com/view/5710cba20d22590102020740be1e650e52eacf23.htmlrec_flag=default&sxts=1575957393812

6https://blog.csdn.net/zengbowengood/article/details/103580010