本研究以臺北捷運站區特性及其所反映之功能角色為出發點，將COVID-19疫情視為檢視站區特性與起迄運量關係變化之外部衝擊。針對單站進出量或總量分析較難區分旅次生成端與吸引端作用差異之限制，本研究提出一套以捷運旅次起迄運量（Origin-Destination flows, OD flows）為核心之分析架構。研究目的在於說明COVID-19 疫情不同階段間捷運起迄旅次結構之轉變，並檢視站區活動規模、土地使用、建成環境與交通阻抗對起迄運量之影響，如何隨疫情階段、尖峰時段及旅次生成端與吸引端而有所差異，進一步分析相同站區特性在不同位置下所呈現之運量意義及其變化。
本研究以重力模型為基本架構，將臺北捷運起迄運量視為起點站區旅次生成、迄點站區旅次吸引與站間交通阻抗共同作用下的空間互動結果，並採用卜瓦松擬最大概似法（Poisson Pseudo-Maximum Likelihood, PPML）估計捷運起迄運量之條件平均結構，以處理起迄運量資料非負、右偏、長尾及可能包含零值之特性。進一步考量土地使用效果可能因都市位置與站區角色而異，本研究導入地理加權PPML重力模型，分析土地使用對旅次生成端與吸引端運量關係之空間異質性。資料方面，本研究使用2017年1月至2025年6月臺北捷運平日分時起迄資料，以各起點與迄點所形成之起迄觀測為基本分析單位，彙整各半年期早、晚尖峰時段之平日日平均起迄運量；並建置各站區600公尺步行可及範圍內之活動規模、土地使用結構與建成環境指標，分別配置於起點端與迄點端，同時納入站間最短旅行時間與轉乘次數作為交通阻抗變數。地理加權分析則聚焦於疫情前、疫情管制期與後疫情期三個代表階段，透過局部係數之方向、強度、顯著性及空間分布進行比較。
研究結果顯示，後疫情時期臺北捷運起迄運量與站區特性之間的關係未全面回復至疫情前狀態，且其變化因尖峰時段與起迄端而異。站區工商業活動規模在各階段皆與起迄運量呈正向關係，但早尖峰迄點端之效果於後疫情階段仍低於疫情前，顯示早尖峰到達運量集中於高活動規模站區的程度下降；晚尖峰則呈現起點端效果逐步下降、迄點端效果提高之變化。土地使用方面，早尖峰迄點端之商業土地使用持續呈現穩定正向關係，純住宅在部分疫情後階段之效果則減弱或未達顯著；晚尖峰迄點端之混合使用住宅效果於後疫情階段相對提高，顯示不同土地使用類型在早晚尖峰及起迄方向中具有不同的運量關係。
建成環境與交通阻抗亦呈現明顯的時段與方向差異。人行道面積之正向效果主要集中於早尖峰迄點端與晚尖峰起點端，早尖峰起點端與晚尖峰迄點端之效果則相對較弱，顯示步行環境與起迄運量之關係需結合站區所處的尖峰角色加以解讀。站間最短旅行時間在早尖峰呈正向關係，在晚尖峰則呈負向關係，反映旅行時間在不同時段可能分別對應起迄連結結構與移動成本。轉乘次數於各疫情階段及早晚尖峰皆呈現穩定且明顯的負向效果，表示需要較多轉乘的起迄組合通常具有較低的旅次運量；惟此項關係亦可能受到路網結構、路徑直接性與起迄需求規模影響，不宜完全解釋為轉乘不便所造成的效果。
地理加權分析進一步顯示，相同土地使用類型在不同都市位置中並不具有固定的運量意義，其局部效果會隨周邊土地使用組成、都市功能與站區空間角色而異。疫情並未使土地使用與捷運運量的主要空間格局全面重新分布，較明顯的變化主要表現在部分站點局部係數之強度下降、方向轉換或轉為不顯著。其中，純住宅土地使用之局部係數變化及數值幅度較為明顯，混合使用住宅與商業土地使用之主要正負空間分布相對穩定，製造業土地使用之係數幅度則普遍較小。此外，純住宅與混合使用住宅在部分相近位置呈現相反的局部係數方向，顯示兩者雖同具居住機能，其與捷運運量之關係仍需依場站位置、活動機能與土地使用組成分別判讀。
基於上述結果，本研究指出，後疫情時期捷運站區規劃與土地使用配置，宜由單站運量或全體站區平均效果之判讀，轉向整合尖峰時段、旅次生成端與吸引端、土地使用類型及都市位置之差異化評估。規劃上不宜僅以住宅比例或住宅開發量推估捷運運量，亦不宜將純住宅與混合使用住宅視為相同的站區發展條件；應依各站區局部結果，檢視住宅腹地、沿街服務、活動節點與捷運場站之空間連結。人行環境改善則應結合站區的起迄端角色與周邊活動機能進行評估。後續研究可進一步整合旅次目的、轉乘旅次、建築實際使用、工商業活動、公共設施、步行與接駁條件及活動時段資料，以建立捷運站區旅次結構之長期監測與定期檢討機制。

This study examines how Taipei MRT station-area characteristics are associated with origin–destination ridership across different stages of the COVID-19 pandemic. Using weekday OD flow data from January 2017 to June 2025, the study applies a gravity model estimated by Poisson pseudo-maximum likelihood and a geographically weighted PPML model to examine spatial variation in land-use effects.
The results show that post-pandemic relationships between station-area characteristics and OD ridership did not fully return to pre-pandemic patterns and varied by peak period and between origin and destination sides. Commercial and industrial activity scale remained positively associated with ridership, while commercial, purely residential, and mixed-use residential land uses showed different effects across periods and directions. Sidewalk area and travel time also exhibited temporal and directional differences, whereas the number of transfers consistently had a negative effect. Spatial analysis further indicates that the same land-use type may have different ridership implications across urban locations.
These findings support differentiated station-area planning based on peak period, OD direction, land-use type, and urban location.

1.白仁德、劉人華（2014）。大眾運輸導向建成環境特性對捷運運量影響之研究—以臺北捷運為實證對象。建築與規劃學報，15(2/3), 111–128。https://www.airitilibrary.com/Article/Detail?DocID=16068238-201412-201502130038-201502130038-111-127
2.交通部運輸研究所（2022）。公共運輸載客量受新冠肺炎疫情衝擊情形及因應作為。運輸研究專輯，111年12月。https://www.iot.gov.tw/xhr/archive/download?file=65d5b4c7367376e31ef324df
3.吳綱立（2022）。建構綠色大眾運輸導向發展規劃模式來引導永續及緊湊的城市發展—以金門為例。都市與計劃， 49(2), 219–262。
4.林楨家、楊恩捷（2006）。都市型態對旅運需求影響之結構化分析。運輸學刊，18(4), 391–416。https://doi.org/10.6383/JCIT.200612.0391
5.林楨家、施亭伃（2007）。大眾運輸導向發展之建成環境對捷運運量之影響－臺北捷運系統之實證研究。運輸計劃季刊，36(4), 451–476。https://doi.org/10.6402/TPJ.200712.0451
6.紀雲曜、李上妤、葉光毅（2004）。公共設施最適服務/影響距離之評估模式。建築與規劃學報，5(2), 150–177。https://doi.org/10.30054/JAP.200412.0003
7.徐美蕙（2022）。以開放資料探討新冠疫情對臺北捷運旅運量之影響分析（碩士論文）。淡江大學運輸管理學系。
8.孫曉筠（2021年11月）。嚴重特殊傳染性肺炎疫情對臺北捷運運量影響分析（統計應用分析報告，編號：110-10）。臺北市政府主計處。
9.楊徨仁（2020）。場站尺度建成環境探討臺北捷運運量影響因素之研究（碩士論文）。國立成功大學都市計劃學系。
10.新北市三重地政事務所，〈新蘆線捷運宅大解析！台北橋站最熱門　三重站價格最高〉，新北市政府網站，2023年5月5日，https://www.ntpc.gov.tw/ch/home.jsp?id=28&dataserno=202305050001。
11.新北市三重地政事務所，〈七波信用管制下　三重低總價交易熱點大公開〉，新北市政府網站，2025年7月10日，https://www.ntpc.gov.tw/ch/home.jsp?id=28&dataserno=202507010013。
12.新北市三重地政事務所，〈三重區家庭租客增加！TOP5熱區一次看〉，新北市政府網站，2026年6月26日，https://www.ntpc.gov.tw/ch/home.jsp?id=e8ca970cde5c00e1&dataserno=3f92fb6dcce47b1f51831d511c0e9b5d。
13.新北市政府，《新北市新店區行政段547地號等22筆土地都市更新地區劃定說明書》，新北市政府，新北市，2013a。
14.新北市政府，《擬定捷運中和線沿線地區及場站周邊都市更新計畫暨劃定都市更新地區》，新北市政府，新北市，2013b。
15.新北市政府，《擬定捷運新莊站周邊地區（新莊體育場至大漢溪）都市更新計畫暨劃定都市更新地區》，新北市政府，新北市，2013c。
16.新北市政府，《擬定捷運新莊線頭前庄站、先嗇宮站周邊都市更新計畫書》，新北市政府，新北市，2013d。
17.新北市政府，《變更土城都市計畫（第三次通盤檢討）（第一階段）書》，新北市政府，新北市，2019a。
18.新北市政府，《變更土城（頂埔地區）都市計畫（運輸兵學校鄰近地區）細部計畫（土地使用分區管制要點通盤檢討）書》，新北市政府，新北市，2019b。
19.新北市政府，《變更中和主要計畫（第二次通盤檢討）（第一階段）書》，新北市政府，新北市，2019c。
20.新北市政府，《變更及擴大淡水（竹圍地區）主要計畫（第三次通盤檢討）書》，新北市政府，新北市，2019d。
21.新北市政府，《變更板橋都市計畫（第二次通盤檢討）（第一階段）書》，新北市政府，新北市，2019e。
22.新北市政府，《變更淡水都市計畫（第一次重製通盤檢討）》，新北市政府，新北市，2019f。
23.新北市政府，《劃定新北市中和區景新段63地號等6筆土地都市更新地區及訂定都市更新計畫案》，新北市政府，新北市，2020。
24.新北市政府，《變更大漢溪北都市計畫（第一階段）（蘆洲地區通盤檢討）書》，新北市政府，新北市，2021。
25.新北市政府，《變更大漢溪北都市計畫（新莊地區）（機關用地、廣場兼停車場用地、部分產業專用區及部分第二種住宅區為特定產業專用區、交通用地及公園用地）書》，新北市政府，新北市，2022。
26.新北市政府，《劃定新北市新莊區及泰山區捷運輔大站及捷運丹鳳站周邊地區工業區更新地區及訂定都市更新計畫案》，新北市政府，新北市，2023a。
27.新北市政府，《變更大漢溪北都市計畫（新莊地區）（捷運輔大站及捷運丹鳳站周邊地區工業區專案通盤檢討）書》，新北市政府，新北市，2023b。
28.新北市政府，《變更永和都市計畫細部計畫（第一次通盤檢討）（第一階段）書》，新北市政府，新北市，2023c。
29.新北市政府，《變更淡水（竹圍地區）都市計畫（部分乙種工業區為商業區及兒童遊樂場用地）（竹圍段894-5地號等5筆土地）主要計畫書》，新北市政府，新北市，2024a。
30.新北市政府，《變更新莊都市計畫（塭仔圳地區）細部計畫（配合市地重劃開發）書》，新北市政府，新北市，2024b。
31.新北市政府，《劃定新北市新莊區副都心段九小段39地號等2筆土地更新地區》，新北市政府，新北市，2025。
32.新北市政府，《變更新北市永和區頂溪捷運站西側都市更新計畫（策略性更新地區）書》，新北市政府，新北市，2026a。
33.新北市政府，《變更新北市捷運及鐵路場站周邊地區細部計畫土地使用分區管制要點（第三階段）案計畫書》，新北市政府，新北市，2026b。
34.新北市政府捷運工程局，《秀朗橋站、景平站土地開發案》，新北市政府捷運工程局，新北市，2019。
35.新北市政府捷運工程局，《五股泰山線輕軌運輸系統暨周邊土地開發可行性研究報告書》，新北市政府捷運工程局，新北市，2023。
36.新北市政府經濟發展局，〈板橋府中商圈〉，「商圈逍遙遊」，無日期，https://www.economic.ntpc.gov.tw/Api/ShoppingDistrict/Index?townId=12（檢索日期：2026年7月23日）。
37.新北市新店區公所，《新北市新店區107年區政統計年報》，新北市新店區公所，新北市，2018。
38.臺北市政府，《臺北市南港區都市計畫主要計畫（第二次通盤檢討）案》，臺北市政府，臺北市，2018a。
39.臺北市政府，《臺北市都市發展暨工業區檢討變更策略（核定版）》，臺北市政府，臺北市，2018b。
40.臺北市政府，《臺北市內湖區都市計畫通盤檢討（主要計畫）案（第三階段）》，臺北市政府，臺北市，2019a。
41.臺北市政府，《臺北市松山區都市計畫通盤檢討（主要計畫）案》，臺北市政府，臺北市，2019b。
42.臺北市政府，《臺北市大同區都市計畫通盤檢討（主要計畫）案》，臺北市政府，臺北市，2020a。
43.臺北市政府，《臺北市萬華區都市計畫主要計畫（第二次通盤檢討）案》，臺北市政府，臺北市，2020b。
44.臺北市政府，《臺北市大安區都市計畫通盤檢討（主要計畫）案（第一階段）》，臺北市政府，臺北市，2021a。
45.臺北市政府，《臺北市士林區都市計畫通盤檢討（主要計畫）案（第一階段）》，臺北市政府，臺北市，2021b。
46.臺北市政府，《臺北市中山區都市計畫通盤檢討（主要計畫）案（第一階段）》，臺北市政府，臺北市，2021c。
47.臺北市政府，《臺北市中正區都市計畫通盤檢討（主要計畫）（第二階段）案》，臺北市政府，臺北市，2022a。
48.臺北市政府，《臺北市文山區都市計畫主要計畫（第二次通盤檢討）案（第一階段）》，臺北市政府，臺北市，2022b。
49.臺北市政府，《臺北市北投區都市計畫主要計畫（第二次通盤檢討）案（第二階段）》，臺北市政府，臺北市，2023a。
50.臺北市政府，《臺北市信義區都市計畫通盤檢討（主要計畫）案（第一階段）》，臺北市政府，臺北市，2023b。
51.臺北市政府都市發展局，《全市大眾運輸導向發展（TOD）地區計畫委託規劃案總結報告書》，臺北市政府都市發展局，臺北市，2020。
52.《擬定新北市新店區行政段645地號等21筆土地都市更新事業計畫及權利變換計畫案》，新北市政府都市更新處網站，新北市，2016。
53.《變更新北市板橋區江子翠段溪頭小段119-47地號等17筆土地都市更新事業計畫案》，新北市政府都市更新處網站，新北市，2024。
54.Aitchison, J. (1982). The statistical analysis of compositional data. Journal of the Royal Statistical Society: Series B (Methodological), 44(2), 139–177. https://www.jstor.org/stable/2345821
55.Cabanas-Tirapu, O., Danús, L., Moro, E., Sales-Pardo, M., & Guimerà, R. (2025). Human mobility is well described by closed-form gravity-like models learned automatically from data. Nature Communications, 16, 1336. https://doi.org/10.1038/s41467-025-56495-5
56.Calthorpe, P. (1993). The next American metropolis: Ecology, community, and the American dream. Princeton Architectural Press.
57.Carey, H. C. (1858). Principles of social science. J. B. Lippincott & Co.
58.Cervero, R., & Kockelman, K. (1997). Travel demand and the 3Ds: Density, diversity, and design. Transportation Research Part D: Transport and Environment, 2(3), 199–219. https://doi.org/10.1016/S1361-9209(97)00009-6
59.Cervero, R., Sarmiento, O. L., Jacoby, E., Gomez, L. F., & Neiman, A. (2009). Influences of built environments on walking and cycling: Lessons from Bogotá. International Journal of Sustainable Transportation, 3(4), 203–226. https://doi.org/10.1080/15568310802178314
60.Chakraborty, A., & Mishra, S. (2013). Land use and transit ridership connections: Implications for state-level planning agencies. Land Use Policy, 30(1), 458–469. https://doi.org/10.1016/j.landusepol.2012.04.017
61.Chu, X. (2004). Ridership models at the stop level (Report No. BC137-31). National Center for Transit Research, Florida Department of Transportation.
62.Choi, J., Lee, Y. J., Kim, T., & Sohn, K. (2012). An analysis of Metro ridership at the station-to-station level in Seoul. Transportation, 39(3), 705–722. https://doi.org/10.1007/s11116-011-9368-3
63.Dadakas, D., Ghazvini Kor, S., & Fargher, S. (2020). Examining the trade potential of the UAE using a gravity model and a Poisson Pseudo-Maximum Likelihood estimator. The Journal of International Trade & Economic Development, 29(5), 619–646. https://doi.org/10.1080/09638199.2019.1710551
64.De Goei, B., Burger, M. J., Van Oort, F. G., & Kitson, M. (2010). Functional polycentrism and urban network development in the Greater South East, United Kingdom: Evidence from commuting patterns, 1981–2001. Regional Studies, 44(9), 1149–1170. https://doi.org/10.1080/00343400903365102
65.Ewing, R., & Cervero, R. (2017). Does compact development make people drive less? The answer is yes. Journal of the American Planning Association, 83(1), 19–25. https://doi.org/10.1080/01944363.2016.1245112
66.Flowerdew, R., & Aitkin, M. (1982). A method of fitting the gravity model based on the Poisson distribution. Journal of Regional Science, 22(2), 191–202. https://doi.org/10.1111/j.1467-9787.1982.tb00744.x
67.Galletti, A., & Maratea, A. (2016). Numerical stability analysis of the centered log-ratio transformation. In 2016 12th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS). IEEE. https://doi.org/10.1109/SITIS.2016.119
68.Gan, Z., Yang, M., Feng, T., & Timmermans, H. J. (2020). Examining the relationship between built environment and metro ridership at station-to-station level. Transportation Research Part D: Transport and Environment, 82, 102332. https://doi.org/10.1016/j.trd.2020.102332
69.Gao, F., Yang, L., Han, C., Tang, J., & Li, Z. (2022). A network-distance-based geographically weighted regression model to examine spatiotemporal effects of station-level built environments on metro ridership. Journal of Transport Geography, 105, 103472. https://doi.org/10.1016/j.jtrangeo.2022.103472
70.Gourieroux, C., Monfort, A., & Trognon, A. (1984a). Pseudo maximum likelihood methods: Theory. Econometrica, 52(3), 681–700. https://doi.org/10.2307/1913471
71.Gourieroux, C., Monfort, A., & Trognon, A. (1984b). Pseudo maximum likelihood methods: Applications to Poisson models. Econometrica, 52(3), 701–720. https://doi.org/10.2307/1913472
72.Greenwald, M. J., & Boarnet, M. G. (2001). Built environment as determinant of walking behavior: Analyzing nonwork pedestrian travel in Portland, Oregon. Transportation Research Record, 1780(1), 33–41. https://doi.org/10.3141/1780-05
73.Gu, H., Shen, J., & Chu, J. (2023). Understanding intercity mobility patterns in rapidly urbanizing China, 2015–2019: Evidence from longitudinal Poisson gravity modeling. Annals of the American Association of Geographers, 113(1), 307–330. https://doi.org/10.1080/24694452.2022.2097050
74.Iseki, H., Liu, C., & Knaap, G. (2018). The determinants of travel demand between rail stations: A direct transit demand model using multilevel analysis for the Washington D.C. Metrorail system. Transportation Research Part A: Policy and Practice, 116, 635–649. https://doi.org/10.1016/j.tra.2018.06.011
75.Ji, Y., Ma, X., Yang, M., Jin, Y., & Gao, L. (2018). Exploring spatially varying influences on metro-bikeshare transfer: A geographically weighted Poisson regression approach. Sustainability, 10(5), 1526. https://doi.org/10.3390/su10051526
76.Jun, M.-J., Choi, K., Jeong, J.-E., Kwon, K.-H., & Kim, H.-J. (2015). Land use characteristics of subway catchment areas and their influence on subway ridership in Seoul. Journal of Transport Geography, 48, 30–40. https://doi.org/10.1016/j.jtrangeo.2015.08.002
77.Kalogirou, S. (2016). Destination choice of Athenians: An application of geographically weighted versions of standard and zero-inflated Poisson spatial interaction models. Geographical Analysis, 48(3), 191–230. https://doi.org/10.1111/gean.12085
78.Kepaptsoglou, K., Stathopoulos, A., & Karlaftis, M. G. (2017). Ridership estimation of a new LRT system: Direct demand model approach. Journal of Transport Geography, 58, 146–156. https://doi.org/10.1016/j.jtrangeo.2016.12.004
79.Kordi, M., & Fotheringham, A. S. (2016). Spatially weighted interaction models (SWIM). Annals of the American Association of Geographers, 106(5), 990–1012. https://doi.org/10.1080/24694452.2016.1191990
80.Kuby, M., Barranda, A., & Upchurch, C. (2004). Factors influencing light-rail station boardings in the United States. Transportation Research Part A: Policy and Practice, 38(3), 223–247. https://doi.org/10.1016/j.tra.2003.10.006
81.Lenormand, M., Bassolas, A., & Ramasco, J. J. (2016). Systematic comparison of trip distribution laws and models. Journal of Transport Geography, 51, 158–169. https://doi.org/10.1016/j.jtrangeo.2015.12.008
82.Li, S., Lyu, D., Huang, G., Zhang, X., Gao, F., Chen, Y., & Liu, X. (2020). Spatially varying impacts of built environment factors on rail transit ridership at station level: A case study in Guangzhou, China. Journal of Transport Geography, 82, 102631. https://doi.org/10.1016/j.jtrangeo.2019.102631
83.Li, Z., & Niu, X. (2022). Exploring spatial nonstationarity in determinants of intercity commuting flows: A case study of Suzhou–Shanghai, China. ISPRS International Journal of Geo-Information, 11(6), 335. https://doi.org/10.3390/ijgi11060335
84.Lin, J.-J., & Shin, T.-Y. (2008). Does transit-oriented development affect metro ridership? Evidence from Taipei, Taiwan. Transportation Research Record, 2063(1), 149–158. https://doi.org/10.3141/2063-18
85.Ma, X., Zhang, J., Ding, C., & Wang, Y. (2018). A geographically and temporally weighted regression model to explore the spatiotemporal influence of built environment on transit ridership. Computers, Environment and Urban Systems, 70, 113–124. https://doi.org/10.1016/j.compenvurbsys.2018.03.001
86.Manheim, M. L. (1979). Fundamentals of transportation systems analysis (Vol. 1). MIT Press.
87.Masucci, A. P., Serras, J., Johansson, A., & Batty, M. (2013). Gravity versus radiation models: On the importance of scale and heterogeneity in commuting flows. Physical Review E, 88(2), 022812. https://doi.org/10.1103/PhysRevE.88.022812
88.Motta, V. (2019). Estimating Poisson pseudo-maximum-likelihood rather than log-linear model of a log-transformed dependent variable. RAUSP Management Journal, 54(4), 508–518. https://doi.org/10.1108/RAUSP-05-2019-0110
89.Ortúzar, J. D., & Willumsen, L. G. (2001). Modeling transport (3rd ed.). John Wiley & Sons Ltd.
90.Park, J. (2020). Changes in subway ridership in response to COVID-19 in Seoul, South Korea: Implications for social distancing. Cureus, 12(4), e7668. https://doi.org/10.7759/cureus.7668
91.Pfaffermayr, M. (2020). Trade creation and trade diversion of economic integration agreements revisited: A constrained panel pseudo-maximum likelihood approach. Review of World Economics (Weltwirtschaftliches Archiv), 156, 985–1024. https://doi.org/10.1007/s10290-020-00389-9
92.Ravenstein, E. G. (1889). The laws of migration. Journal of the Royal Statistical Society, 52(2), 241–305. https://doi.org/10.2307/2979333
93.Reilly, W. J. (1931). The law of retail gravitation. W. J. Reilly.
94.Santos Silva, J. M. C., & Tenreyro, S. (2006). The log of gravity. The Review of Economics and Statistics, 88(4), 641–658. https://doi.org/10.1162/rest.88.4.641
95.Santos Silva, J. M. C., & Tenreyro, S. (2011). Further simulation evidence on the performance of the Poisson pseudo-maximum likelihood estimator. Economics Letters, 112(2), 220–222. https://doi.org/10.1016/j.econlet.2011.05.008
96.Simini, F., González, M. C., Maritan, A., & Barabási, A.-L. (2012). A universal model for mobility and migration patterns. Nature, 484(7392), 96–100. https://doi.org/10.1038/nature10856
97.Simons, R. A., Henning, M., Poeske, A., Trier, M., & Conrad, K. (2021).COVID-19 and its effect on trip mode and destination decisions of transit riders: Experience from Ohio. Transportation Research Interdisciplinary Perspectives, 11, 100417. https://doi.org/10.1016/j.trip.2021.100417
98.Sohn, K., & Shim, H. (2010). Factors generating boardings at metro stations in the Seoul metropolitan area. Cities, 27(5), 358–368. https://doi.org/10.1016/j.cities.2010.05.001
99.Stevens, M. R. (2017). Does compact development make people drive less? Journal of the American Planning Association, 83(1), 7–18. https://doi.org/10.1080/01944363.2016.1240044
100.Stouffer, S. A. (1940). Intervening opportunities: A theory relating mobility and distance. American Sociological Review, 5(6), 845–867. https://doi.org/10.2307/2084520
101.Sung, H., & Oh, J.-T. (2011). Transit-oriented development in a high-density city: Identifying its association with transit ridership in Seoul, Korea. Cities, 28(1), 70–82. https://doi.org/10.1016/j.cities.2010.09.004
102.Talvitie, A. (1973). A direct demand model for downtown work trips. Transportation, 2(1), 31–50. https://doi.org/10.1007/BF02428561
103.Thompson, G., Brown, J., & Bhattacharya, T. (2012). What really matters for increasing transit ridership: Understanding the determinants of transit ridership demand in Broward County, Florida. Urban Studies, 49(15), 3325–3345. https://doi.org/10.1177/0042098012443864
104.Tirachini, A., & Cats, O. (2020). COVID-19 and public transportation: Current assessment, prospects, and research needs. Journal of Public Transportation, 22(1), 1–21. https://doi.org/10.5038/2375-0901.22.1.1
105.Tyas, S. W., Gunardi, & Puspitasari, L. A. (2023). Geographically weighted generalized Poisson regression model with the best kernel function in the case of the number of postpartum maternal mortality in East Java. MethodsX, 10, 102002. https://doi.org/10.1016/j.mex.2023.102002
106.Xie, Z., Huang, B., Cai, J., & Lee, H. F. (2025). Commuting flow patterns across a triad of Chinese megacities: Evidence from Poisson gravity modeling using mobile device data. Journal of Transport Geography, 128, 104380. https://doi.org/10.1016/j.jtrangeo.2025.104380
107.Yang, Y., Herrera, C., Eagle, N., & González, M. C. (2014). Limits of predictability in commuting flows in the absence of data for calibration. Scientific Reports, 4, 5662. https://doi.org/10.1038/srep05662
108.Zhao, J., Deng, W., Song, Y., & Zhu, Y. (2014). Analysis of metro ridership at station level and station-to-station level in Nanjing: An approach based on direct demand models. Transportation, 41(1), 133–155. https://doi.org/10.1007/s11116-013-9492-3
109.Zhang, L., Cheng, J., & Jin, C. (2019). Spatial interaction modeling of OD flow data: Comparing geographically weighted negative binomial regression (GWNBR) and OLS (GWOLSR). ISPRS International Journal of Geo-Information, 8(5), 220. https://doi.org/10.3390/ijgi8050220
110.Zhou, T., Huang, B., Liu, X., He, G., Gou, Q., Huang, Z., & Xie, C. (2020). Spatiotemporal exploration of Chinese Spring Festival population flow patterns and their determinants based on spatial interaction model. ISPRS International Journal of Geo-Information, 9(11), 670. https://doi.org/10.3390/ijgi9110670
111.Zipf, G. K. (1946). The P1 P2/D hypothesis: On the intercity movement of persons. American Sociological Review, 11(6), 677–686. https://doi.org/10.2307/2087063