随着国内城市轨道交通线网覆盖面、线网密度逐步加大,轨道交通的客流时空分布特征愈加复杂。轨道交通车站与车站之间存在复杂的客流交互。因此,某个车站周边的用地强度发生变化不仅影响本站的客流,同时会导致网络中其他车站客流发生变化。这对城市轨道交通的行车组织与客运组织提出了更高层次的要求。因此,研究轨道交通的客流空间特征及其与城市用地的作用机理,可为城市轨道交通规划与运营提供决策支持,有助于进一步提高城市轨道交通的服务水平。本文针对地铁网络,从网络客流的空间特征角度,提出指标量化分析地铁客流的空间关联性,建立城市用地对地铁客流影响的空间效应模型,基于2013年4月北京地铁网络客流数据对北京地铁网络客流的空间特征进行了分析。主要研究内容与结论如下：(1)参照传统的空间自相关Moran’s I指标的通用形式,从发生与吸引两个角度提出了地铁客流空间关联性的全局与局部度量指标,并推导出空间关联性指标的期望值与方差的表达式。在此基础上,提出相应的Z检验形式以对地铁客流空间关联的显著性进行判断。(2)利用北京地铁2013年4月的早高峰的OD客流数据,对客流空间关联性指标在实际应用中的有效性进行验证与分析。结果表明：地铁客流在2km至40km范围内存在显著的空间关联性,且地铁客流的空间关联性以指数函数形式衰减。乘客的平均出行距离在15.5km左右,中心城区车站出发客流的出行距离一般小于10km,而郊区车站出发客流的出行距离在10km以上。相反,中心城区、开发区车站到达客流的出行距离几乎都在15km以上,郊区车站到达客流的出行距离均处于较低水平。(3)根据地铁客流空间关联性的局部度量指标,可以确定地铁车站的客流影响范围。根据车站的客流影响范围,将地铁车站划分为全局点、发生点、吸引点与局域点。运营部门可针对不同车站提出相应的客流组织方法与行车组织方案。(4)根据地铁车站客流的空间关联性,以站问客流OD矩阵代替空间邻接矩阵,对空间自回归(SAR)模型进行改进。在运用极大似然法对改进的SAR模型进行参数估计的基础上,构建城市用地对地铁客流影响的空间效应度量模型。通过与传统SAR模型对比,发现改进的SAR模型较为科学合理地描述城市用地对地铁客流的空间影响,改进的SAR模型更具有优越性。(5)以2013年4月北京地铁网络中68个车站为例,验证了空间效应度量模型在实际地铁网络应用中的有效性。当网络中某一车站附近用地强度变化后,会导致网络上其他车站的进出站客流变化。不同车站的周边用地强度变化对地铁进出站客流量的影响程度不同。城市中心商业区的车站、城市外围住宅区的车站、大型综合客运枢纽及重要换乘车站等,其周围用地强度改变,对网络中其他车站的客流影响较大。相较于就业岗位,居住人口对地铁进出站客流的影响更为显著。(6)案例表明,改进的SAR模型可分析局部车站用地变化对网络客流结构的冲击,预测进出站客流的变化。地铁运营部门可基于此,对地铁列车的运营组织方案、车站内部的设施设备等方面进行改进,以满足变化后的客流需求。另一方面,改进的SAR模型也可以为新线开通对网络中车站的进出站客流的影响提供参考。