城市综合交通网络韧性评估：指标体系与评估方法的系统综述
一、研究背景与问题提出
1.1 研究背景
全球城市化率由1950年的30%增长至2020年的56%，预计2050年将达68%。城市交通需求随之复杂化，推动综合交通网络出现。 综合交通网络虽然提升了效率与覆盖范围，但其结构更为耦合与依赖，因而容易受到自然灾害（台风、地震、洪水等）和人为扰动（火灾、停电、交通事故、恐怖事件等）影响并出现级联故障。例如，2021年河南郑州地铁5号线因洪水中断运行，2022年飓风Ian破坏美国佛罗里达的道路和桥梁并造成超11亿美元损失。 韧性（resilience） 概念最初源于物理学，后来被引入生态学，再扩展到交通领域，指系统在遭受外界干扰后保持功能并恢复的能力。对于交通系统，它体现为准备、吸收、适应与恢复的能力。
1.2 问题提出
目前研究主要关注韧性评价指标、模型构建及提升策略，但在指标选择、模型准确性及多种扰动情景适用性方面仍存在挑战。 本文的贡献包括：①提出覆盖网络拓扑、交通流和多系统耦合的指标分类框架；②识别综合交通韧性评估中的模型缺口和融合障碍；③总结全生命周期的韧性提升策略。 基于VOSviewer对2000—2024年文献的关键词共现分析显示，“resilience、vulnerability、robustness、sustainability、accessibility”等为高频词，近年研究更关注“sustainability and resilience”“transportation and society”“public transportation”等主题。
下图给出了交通韧性研究的关键词共现图，颜色表示不同年份，高频关键词汇集于图形中心，呈现出研究焦点演化趋势。
二、城市综合交通网络韧性的概念与生命周期
2.1 韧性三角形框架
Bruneau 等提出的韧性三角形是理解韧性最经典的框架，它将系统性能随时间的变化划分为抵抗阶段和恢复阶段两部分。当扰动发生于 ，系统性能 在抵抗阶段下降至最低点 ，体现系统的吸收能力；在恢复阶段逐渐上升至恢复完成时间 ，体现系统的恢复能力。两阶段之间的斜率反映系统的适应性。
2.2 五阶段性能变化模型
传统韧性三角形未考虑扰动前和恢复后的表现。为弥补这一不足，Henry 等将性能变化划分为五个阶段：①扰动前的初始稳定阶段 ；②扰动发生至性能下降阶段 ；③下降后的稳定阶段 ；④恢复阶段 ；⑤恢复后的稳定阶段 。该模型不仅关注扰动前的准备和扰动后的性能优化，而且特别强调了低性能稳定期，这是系统最脆弱、决定恢复速度的关键时期。
基于此，作者将城市综合交通网络韧性定义为：在扰动前能够抵抗、减缓并吸收性能损失；在扰动期间能够通过调整运营策略维持可接受服务水平；在扰动后能够在合理成本内迅速恢复至正常稳定状态的能力。这一定义强调韧性是一种全生命周期的动态能力，包含准备、抗冲击、适应和恢复，并关注扰动后的优化潜力。
三、韧性评估指标体系
作者将现有韧性评估指标划分为三大类：网络拓扑指标、交通分配指标和多系统耦合指标。
3.1 基于网络拓扑的指标
定义与分类：利用复杂网络理论将交通网络抽象为节点和边，通过指标表征其拓扑特性。指标分为：
网络规模指标：节点数、边数、网络直径、容量、密度等； 拓扑结构指标：节点度、聚类系数、介数中心性、冗余路径等； 网络性能指标：网络连通度、平均路径长度、最短路径、最大连通子图、网络效率等。 优势：适用于静态快速评估，能反映结构冗余和连通性；在公路系统中节点度和冗余路径能够捕捉局部连通和绕行能力，在铁路系统中转运枢纽的介数中心性更为重要。
局限：由于基于静态拓扑，无法动态刻画服务性能和行为变化；难以反映多模态网络之间的耦合特性。
3.2 基于交通分配的指标
定义与类别：通过交通分配模型评估扰动后流量分布变化，以交通容量、出行特征和效率指标为主。
容量指标：节点或路段的交通量、平均交通量等； 出行特征：出行时间、距离、频率、延误、出发率、需求满足率； 效率指标：平均速度、平均出行时间、拥堵指数、周转率、服务损失天数。 优势：从动态视角描述网络服务能力，适用于反映事故或拥堵下的性能下降。
局限：通常假设固定的OD需求，在多模态环境下需求和供应随扰动而变，需考虑需求和容量的不确定性。
3.3 基于多系统耦合的指标
概念：评估交通网络与其他系统（电力、排水、信号控制等）之间的依赖和相互作用。指标分为系统内协调和系统间关联两类。
系统内协调指标：关注各种交通网络间（如轨道、公交、出租车、私家车、共享单车）协同，如网络覆盖、延误时间、换乘等待时间、换乘效率、连接能力和发车频率协调。
系统间关联指标：考虑交通网络与电力、排水、能源等基础设施的耦合，例如评价机场关闭对道路和铁路的级联影响。
研究范式：
多模式评估框架：将多网络层纳入一个评估框架，通过四阶段交通规划模型分配需求； 比较评估：分别评估各网络的韧性并比较确定综合网络韧性； 复合网络评估：利用超级网络理论将多网络连接为复合网络，评价扰动前后的韧性。 局限：当前指标多为简单组合，难以体现级联系统的互动；扰动在复合网络中会沿连接关系传播，因此需要选择能反映延误和换乘效率等整体性能的指标。
3.4 指标综合比较
作者将三类指标按照核心关注点、优势、劣势和改进建议进行了归纳比较，如下图所示：拓扑指标注重节点与连通性，适用于静态评估但忽略行为变化；交通分配指标强调效率和响应性，适用于动态评估但依赖模型假设；多系统耦合指标关注系统适应和耦合恢复，但相关度量尚不成熟。
四、韧性评估方法
4.1 数值分析方法
数值分析方法通过构建数学模型或概率模型对韧性进行定量测度。作者概述了韧性指数模型、基本概率模型、故障树模型和贝叶斯网络模型等方法。
4.1.1 韧性指数模型
韧性指数基于“韧性三角形”，通过对系统性能曲线 与理想性能曲线 之间的面积进行积分来衡量系统损失和恢复能力，其基本形式如下：
其中，、分别表示韧性损失和恢复指标；用于不同系统的比较；考虑了扰动全过程的韧性水平。 为初始时间， 为扰动开始， 为性能最低点， 为恢复开始， 为完全恢复时间。 通常为理想的恒定性能曲线。
为形象说明韧性指数计算，图5将系统性能与基准性能之间的差异用阴影表示。阴影面积越大，韧性损失越严重。
4.1.2 基本概率模型与故障树
基本概率模型在韧性指数的基础上，引入扰动和恢复时间的不确定性，假定恢复时间服从某种概率分布（如正态、泊松等）以反映随机性。故障树模型在概率模型中引入用户出行体验，采用多值决策图量化系统状态概率，能够更全面评价耦合网络在扰动下的韧性。
4.1.3 贝叶斯网络模型
贝叶斯网络模型通过因果图表示变量间关系，可模拟耦合系统中的级联故障过程并分析扰动的传播路径。它能考虑不确定性，但需要大量先验知识，建模复杂度高。
4.1.4 方法评价
数值分析方法提供理论严格的定量分析，可以考虑复杂情景并支持优化决策，但需高计算成本和强理论支撑。未来研究需要将数值分析与数据驱动方法结合，以提高评估可靠性。
4.2 优化方法
优化方法通过数学规划寻找网络干扰后的最优配置和调度，从而提升韧性。常见方法包括线性/整数规划、多目标优化和启发式算法。例如，整数规划以最大化网络连通性或最小化恢复时间为目标；多目标优化同时考虑韧性、出行时间和用户均衡；启发式算法（如遗传算法、混合启发式算法）用于求解复杂的线性规划或多阶段模型。这种方法能提供全局或近似最优解，但在大规模网络中计算量大，对输入数据和模型结构要求高。
4.3 仿真方法
仿真方法利用计算机模拟不同扰动场景下的网络运行，评估系统在随机事件中的表现。常用类型包括 Monte Carlo 仿真、基于网络的仿真、数值仿真和基于主体的仿真。例如，Monte Carlo 方法通过随机模拟交通信号故障或资源分配来分析不同策略下的恢复效果；主体仿真通过模拟多个自适应主体（司机、路段）的行为研究拥堵和事故对系统的影响。仿真方法能捕捉非线性与复杂反馈，但计算复杂度高、依赖场景假设和大量数据。
4.4 数据驱动方法
数据驱动方法利用交通感知数据、历史扰动记录和机器学习技术进行韧性分析。研究路径包括构建综合或特定灾害的韧性指标体系，利用机器学习预测或分类韧性水平，采用深度学习挖掘流量、道路状况与极端事件的耦合关系，以及结合行为数据模拟恢复过程。此外，人工智能技术正在用于增强基础设施韧性、交通控制系统和流量预测。数据驱动方法具有实时性强、可避免过度依赖模型假设的优势，但存在模型泛化性不足、可解释性不高以及对数据质量要求高的问题。
4.5 方法比较与研究空白
作者综合比较了上述四类方法的理论基础、优缺点和数据需求，指出目前研究普遍缺乏融合模型，缺少考虑多模互动的结构，缺乏实时、行为敏感的建模，建议未来发展混合框架、多模式交互模型和实时数据驱动方法。
五、韧性提升策略与优化措施
作者根据Henry 等提出的五个阶段，结合文献总结了规划与设计、应急响应、网络修复及恢复与日常运营四个阶段的韧性提升策略。
5.1 规划与设计阶段
5.1.1 网络结构优化
通过多目标优化构建或强化路网，设计目标包括最小化旅行时间、最大化连通度、最小化建设成本等。常用求解方法包括梯度投影、遗传算法等。策略例如道路加固、新线路建设和交叉口消除等。需要高质量出行数据，并需结合仿真测试以提高实际适用性。
5.1.2 关键节点设施识别与加固
通过非线性规划、GIS 分析和适应性遗传算法识别关键节点或设施并进行加固。此类措施适用于特定区域或重要设施的局部强化，需权衡经济成本和网络效益。
5.1.3 多模协调设计
强调不同交通方式在设施布局、需求估计、网络结构设计和资源调度上的协调，以提高替代性和冗余。研究集成图论、级联故障分析、仿真和优化算法，探讨极端情景下多模式系统的适应性。现有研究缺乏针对跨城市或区域综合交通网络的系统设计框架，需同时考虑用户行为、设施供给和政策干预。
5.2 应急响应阶段
动态交通引导：利用主体仿真或动态学习指导交通流演化，改进扰动初期的流量分配。 应急路径优化与自适应信号控制：利用深度强化学习和启发式算法实时调整路线和信号策略，应对中至重度扰动。 疏散与临时控制：基于疏散时间和容量的韧性评估，制定逆向车道管理、信号优先和多模式转移等临时措施，适用于大规模灾害场景。
这些策略强调实时感知和高频数据，但多模式网络的异质性和用户行为的不确定性对协调优化提出挑战。
5.3 网络修复阶段
维修顺序优化：通过双层优化模型确定车站或路段的修复优先级，目标包括最大化韧性或最小化恢复时间与成本。 多目标资源分配：构建含恢复时间、预算约束和设施重要性的多目标优化框架，协调人力、物资和时间分配。 常用求解技术有遗传算法、NSGA‑II、多主体仿真、Monte Carlo 和 Frank–Wolfe 算法。由于不同交通方式修复需求和路径不同，综合交通网络需要考虑换乘需求和服务同步。
5.4 恢复与日常运营阶段
后灾评估：构建综合韧性指标体系，结合用户出行行为和交通分配分析评估恢复效果和长期运营能力。 日常运营优化：采用容量扩张、用户均衡模型和多模式交通分配提高资源利用效率。 智能运营管理：融合物联网、自动驾驶和标准化数字信息交换，建立实时轨迹感知的多模式管理平台，实现动态流量优化和自适应资源分配。 综合交通系统需要关注不同方式间的协同机制，面临资源协调、数据共享和跨城市调度等挑战，未来应加强行为驱动的韧性优化、多模式协同算法和AI赋能的智能调度平台。
六、结论与展望
本文系统回顾了城市综合交通网络韧性研究的指标体系、评估方法和提升策略。主要结论包括：
指标体系方面，提出网络拓扑、交通分配和多系统耦合三类指标并总结各自优势与局限：拓扑指标突出结构冗余但忽略动态性；交通分配指标基于性能评估但受需求变化约束；多系统耦合指标提供系统视角但缺乏级联故障描述。
评估方法方面，归纳了数值分析、优化模型、仿真技术和数据驱动方法四大类。各类方法具有理论严谨性或动态适应性，但目前多独立使用，缺乏跨方法融合，尤其在多模互动和实时行为建模方面存在空缺。
提升策略方面，构建了覆盖规划设计、应急响应、网络修复、恢复与日常运营的全生命周期框架，强调韧性是动态演化的能力，需要从结构强化到智能调度的协同管理。
未来研究方向
作者建议未来工作重点关注以下三个方向：
全生命周期韧性集成：将韧性目标融入规划、设计、应急、修复、恢复和运营各阶段，推动结构冗余、拓扑优化与场景仿真相结合。
多模与跨系统耦合机制：分析交通方式之间及其与能源、通信等系统之间的耦合，建立防止级联故障的协同调度策略，并兼顾碳排放和可持续性目标。
数据驱动的韧性建模：利用实时传感数据、历史扰动数据以及机器学习/深度学习方法进行韧性预测和决策优化，提高模型的适用性与可解释性，同时解决数据获取、算法解释和平台融合等难题。
综上，本综述为综合交通网络韧性研究提供了全面框架与未来指南，对城市交通系统的规划设计、智能管理和政策制定具有重要启示意义。
文章须知
推文编辑：单子叶
责任编辑：张仁义
原文链接：https://doi.org/10.1016/j.jtrangeo.2025.104420
