郭士永 李文權(quán) 陳 茜 左毅剛

（1.東南大學(xué)城市智能交通江蘇省重點實驗室，南京210096；2.現(xiàn)代城市交通技術(shù)江蘇高校協(xié)同創(chuàng)新中心 南京210096）

0 引 言

在歐美，先進(jìn)的出行者信息系統(tǒng)（advanced traveler information system，ATIS）得到快速發(fā)展及應(yīng)用，交通出行信息服務(wù)日臻完善。目前我國許多城市極為重視公交信息化建設(shè)，逐步開展公交出行信息服務(wù)。ATIS條件下的交通行為受到國內(nèi)外學(xué)者的廣泛關(guān)注，其研究成果集中于交通信息對駕駛員出行者的出行路徑［1－3］、出發(fā)時間［4－5］和出行方式［6－7］等交通行為的影響。

公交信息服務(wù)能使公交出行者減少不必要的站臺等車時間，有助于提高公交服務(wù)質(zhì)量，增加公交出行需求［8－9］。Ben－Elia等［1］研究了動態(tài)變化的行程時間信息和出行經(jīng)驗對出行路徑選擇的影響。Abdel Aty等［10］研究指出公共交通出行時間、收入及教育水平影響公共交通出行者對ATIS信息使用，發(fā)車間隔、乘客數(shù)量、空余座位等公共交通出行信息類型受到乘客更多關(guān)注。而關(guān)于公交動態(tài)信息內(nèi)容影響公交通勤行為的研究則很少。在以往信息條件下的交通行為研究［2，10－12］中效用函數(shù)盡管考慮了個人屬性的影響，但當(dāng)個人屬性固定不變時，這種影響不會隨著出行信息內(nèi)容的變化而改變。

筆者為反映個人屬性對公交動態(tài)信息效用感知的影響，改進(jìn)傳統(tǒng)效用函數(shù)形式，運用多項Logit模型理論，建立了出行前公交動態(tài)信息下的公交通勤出發(fā)時間選擇初始模型；根據(jù)初始模型參數(shù)標(biāo)定，篩選t檢驗顯著的解釋變量建立修正模型，提高模型精度，從而更好地分析公交動態(tài)信息下的通勤出發(fā)時間選擇行為。

1 公交通勤出發(fā)時間選擇行為調(diào)查及分析

1.1 影響因素定性分析

公交通勤出行時間可分為四部分：起點至起點站點的時間、站點等待時間、公交乘坐時間（含換乘時間）、終點站點至終點的時間。其中，乘坐時間最易受到交通擁擠、交叉口信號控制的影響而產(chǎn)生延誤，波動性顯著。乘坐時間延長會導(dǎo)致整個公交通勤出行時間的增加。公交通勤者在選擇公交通勤出發(fā)時間時，通勤線路的乘坐時間是最關(guān)鍵的時間因素。

車內(nèi)擁擠狀況對公交通勤出發(fā)時間選擇也會產(chǎn)生一定的影響，特別是對乘車舒適度要求較高的公交通勤者影響更大。在選擇公交通勤出發(fā)時間時，公交車的擁擠程度也是1個重要因素。面對同樣的公交動態(tài)信息內(nèi)容，公交通勤者對乘坐時間、車內(nèi)擁擠狀況的效用感知，也會因個人屬性的不同而有所差異，表現(xiàn)出不同的出發(fā)時間選擇傾向。

1.2 公交通勤出發(fā)時間選擇行為問卷設(shè)計

基于影響因素定性分析，調(diào)查問卷包括3個部分：①個人屬性與公交通勤出行特征調(diào)查；②公交通勤出發(fā)時間決策因素重要度評價調(diào)查；③出行前公交動態(tài)信息下公交通勤出發(fā)時間選擇SP調(diào)查（stated preference survey，SP）。

隨著無線網(wǎng)絡(luò)逐步覆蓋城區(qū)，利用網(wǎng)絡(luò)多媒體發(fā)布、移動終端查詢的公交動態(tài)信息服務(wù)受到更多關(guān)注。這種方式使得公交乘客隨時隨地獲得公交動態(tài)信息。出行前公交動態(tài)信息SP情景設(shè)計正是上述的公交信息服務(wù)方式?？紤]公交乘坐時間和車內(nèi)擁擠程度2個公交動態(tài)信息，每種變化信息取2個水平值，那么2種信息的水平有機(jī)組合產(chǎn)生4種選擇情景，見表1。在每種SP情境下，假設(shè)每位受訪者能夠獲得常坐公交通勤線路的信息，并要求選擇出發(fā)時間，其選項包括3項：正常出發(fā)、提前出發(fā)和推遲出發(fā)（取消公交通勤出行）。本調(diào)查側(cè)重前3種情景，而未對第4種情景進(jìn)行調(diào)查。

表1 出行前公交動態(tài)信息SP情景Tab.1 SP scenario of pre－trip dynamic transit information

1.3 調(diào)查數(shù)據(jù)描述性統(tǒng)計分析

2013年4月，在南京市采用當(dāng)面問詢的方式實施本次調(diào)查。所有受訪通勤者每周使用公交通勤4次以上，即熟悉通勤公交線路。發(fā)放300份問卷，全部收回，最后篩得256份有效問卷。每份問卷中包含3個不同的選擇情景，這樣共有768個樣本數(shù)據(jù)能夠用于模型的參數(shù)估計。

受訪公交通勤者中男性占45.7%，女性占54.3%。20～29歲和30～39歲2個年齡段的受訪公交通勤者占到了樣本總數(shù)的76.6%。超過70%受訪者的個人年收入低于5萬元。日常公交通勤乘坐時間統(tǒng)計顯示，公交通勤平均乘坐時間為30.57min，15～40min的公交通勤出行比例高達(dá)74.3%。通勤者采用預(yù)留時間應(yīng)對可能的行程延誤，預(yù)留時間不超過20min的公交通勤者比重為89.1%，說明公交通勤者預(yù)留時間一般不超過20min。在受訪的公交通勤者中，可接受最大乘坐時間≤1.15倍正常乘坐時間的比例為22.7%，介于1.15～1.35倍的比例為45.3%，而超過1.35倍的比例為32%，這表明：可用“1.15倍”和“1.35倍”正常乘坐時間作為乘坐時間信息動態(tài)變化的2個水平。

通過統(tǒng)計目標(biāo)因素評分不低于70分的百分比，分析性別、年齡、收入、教育等個人屬性對決策目標(biāo)因素重要度評價的影響。圖1～4表明，3個信息因素中，乘坐時間是公交通勤者最關(guān)心的因素，其次是車內(nèi)擁擠狀況；重要度評價最低的是等車時間，這可能與通勤高峰期公交車到站頻率較高、等車時間較短有關(guān)。就乘坐時間而言，評分在70分以上的女性比例比男性高8.3%，女性給出的評分均值高于男性；收入≥5萬元的群體對乘坐時間關(guān)注程度更高。30～59歲的公交通勤者對乘坐時間和車內(nèi)擁擠狀況2個因素的重視度，高于12～29歲的公交通勤者。本科及以上公交通勤者對乘坐時間和車內(nèi)擁擠狀況的重要度評價略高于本科以下的公交通勤者。因此，這些個人屬性可作為出發(fā)時間選擇模型的解釋變量。

圖1 性別與出發(fā)時間決策因素評價的關(guān)聯(lián)統(tǒng)計Fig.1 Statistics of departure time decision－making factors between gender and evaluation

圖2 年齡與出發(fā)時間決策因素評價的關(guān)聯(lián)統(tǒng)計Fig.2 Statistics of departure time decision－making factors between age and evaluation

圖3 收入與出發(fā)時間決策因素評價的關(guān)聯(lián)統(tǒng)計Fig.3 Statistics of departure time decision－making factors between income and evaluation

圖4 教育與出發(fā)時間決策因素評價的關(guān)聯(lián)統(tǒng)計Fig.4 Statistics of departure time decision－making factors between education and evaluation

2 公交通勤出發(fā)時間選擇行為模型

2.1 建立效用函數(shù)

在每種SP情景下，向受訪者提供當(dāng)前的公交乘坐時間、車內(nèi)擁擠狀況動態(tài)信息。這些信息被公交通勤者用于感知正常出發(fā)的效用。這樣，正常出發(fā)選項的效用函數(shù)可用信息服務(wù)提供的公交乘坐時間和車內(nèi)擁擠狀況表征。

通勤者若選擇提前出發(fā)，將有充分的時間應(yīng)對行程延誤，按時到達(dá)的心理期望也更高，即效用等同于無延誤情形下的正常乘坐時間的效用。而選擇該選項時，較少考慮車內(nèi)的擁擠程度。因此，用正常乘坐時間表征提前出發(fā)選項的效用函數(shù)。

選擇推遲出發(fā)（或取消公交通勤出行）選項的傾向較低，效用一般較小。這主要因為公交通勤出行的時間強(qiáng)約束特點，公交通勤者難以承受推遲出發(fā)（或取消公交通勤出行）產(chǎn)生的高成本（如，遲到罰款、其他交通方式的較高費用）。因此用正常乘坐時間與通勤預(yù)留時間之和表征該選項的效用。

已有文獻(xiàn)［4－6］建立的效用函數(shù)采用式（1）所示的傳統(tǒng)線性效用形式。這種效用形式考慮了個人屬性對出行者效用感知的影響。然而，當(dāng)個人屬性固定不變時，這種影響不會隨著交通信息內(nèi)容屬性及選項屬性變量的變化而改變。

式中：xi，k為交通信息內(nèi)容屬性及選項屬性變量；ym為出行者個人屬性變量；δi為0－1變量，用于保證個人屬性變量只包含于某個選項枝。

為更好地反映個人屬性對乘坐時間、車內(nèi)擁擠程度效用感知的影響，建立式（2）所示的公交通勤出發(fā)時間選擇效用函數(shù)。這種形式的效用函數(shù)通過引入個人屬性而改變解釋變量的系數(shù)部分，且仍為線性形式［13］。

式中：V1q，V2q，V3q分別為公交通勤者q選擇正常出發(fā)、提前出發(fā)和推遲出發(fā)（取消公交通勤出行）的效用；ASCi為出發(fā)時間選項i的效用常數(shù)；CD為車內(nèi)擁擠程度，若車內(nèi)不擁擠取0.3，擁擠取0.7；tiq為乘坐時間（10min為單位），計算如式（3）。

式中：NBTT，RT分別為公交通勤者的正常公交通勤時間，min和預(yù)留時間，min。

2.2 建模及參數(shù)估計

構(gòu)建公交動態(tài)信息下的公交通勤出發(fā)時間選擇行為多項Logit模型分為2步：①建立初始模型，找出t檢驗不顯著的變量；②剔除不顯著的變量，建立修正模型一。根據(jù)Logit模型理論，公交通勤者q選擇各出發(fā)時間選項的概率為

初始模型為式（2）和式（4）。初始模型中的個人屬性包括性別、年齡、年收入和教育程度，均為啞元變量（dummy variable），具體見表2的變量一列。采用Biogeme軟件進(jìn)行模型參數(shù)估計。

表2中初始模型的t檢驗結(jié)果表明，效用常數(shù)項ASC2和年齡系數(shù)βAge的t值分別為－0.0 1和0.83，其絕對值均小于1.96（顯著水平為5%），可認(rèn)為ASC2和年齡對選擇概率的影響不顯著。因此，修正模型一的效用函數(shù)應(yīng)在式（4）的基礎(chǔ)上，剔除效用常數(shù)項ASC2和年齡屬性。表2給出了修正模型一的參數(shù)估計結(jié)果，所有模型參數(shù)的t檢驗值均大于1.96，說明顯著水平為5%時各解釋變量對選擇概率的影響顯著。實踐中，當(dāng)擬合優(yōu)度達(dá)到0.2～0.4時則可認(rèn)為模型精度較佳；初始模型、修正模型一的擬合優(yōu)度均為0.276，能夠說明兩個模型精度較好。相比初始模型，修正模型一的修正擬合優(yōu)度有所提高；在性別、年收入和教育程度的t檢驗均能滿足要求基礎(chǔ)上，修正模型一的效用常數(shù)項ASC3、乘坐時間和車內(nèi)擁擠程度的t檢驗絕對值明顯增大。對比結(jié)果表明，修正模型一優(yōu)于初始模型。

表2 模型參數(shù)的估計結(jié)果Tab.2 Parameters estimation for every model

2.3 2種效用函數(shù)下的修正模型比較

依據(jù)2.1節(jié)中出發(fā)時間選項效用定性分析和式（1）中效用函數(shù)形式，建立修正模型二的效用函數(shù)，見式（5）。修正模型二的解釋變量與修正模型一的相同，參數(shù)估計結(jié)果見表2。從中發(fā)現(xiàn)，性別、收入的t檢驗不夠顯著。與傳統(tǒng)效用函數(shù)形式下的修正模型二相比，改進(jìn)效用函數(shù)下的修正模型一的擬合優(yōu)度、參數(shù)t檢驗顯著性和命中率均有所提高，見表2。這說明，改進(jìn)的效用函數(shù)比傳統(tǒng)效用函數(shù)更能提高模型的性能。

3 修正模型一的結(jié)果分析

下面依次分析公交通勤時間選擇效用的3個部分：效用常數(shù)、乘坐時間效用部分和車內(nèi)擁擠程度效用部分。

1）效用常數(shù)部分。在修正模型一中，只有推遲出發(fā)（或取消公交通勤）選項的常數(shù)項ASC3需要進(jìn)行估計。估計值為負(fù)的1.684 8，說明在其他效用部分不變的情況下，為了避免遲到和過高的出行費用，不傾向于選擇推遲出發(fā)（或取消公交通勤）選項。

2）乘坐時間效用部分。公交乘坐時間變量的系數(shù)由3部分組成：β0，βGender和βAInc。β0的估計值為－0.469 9，表明乘坐時間與通勤出發(fā)時間選擇效用負(fù)相關(guān)，通過公交動態(tài)信息服務(wù)獲知乘坐時間越長，公交乘坐時間負(fù)效用越大，改變出發(fā)時間的概率增加。

性別屬性參數(shù)βGender的估計值為0.283 3，表明女性比男性對公交乘坐時間信息的負(fù)效用感知更敏感，男性對公交乘坐時間的承受能力更強(qiáng)。βAInc的估計值為－0.353 5，表明個人年收入與公交乘坐時間信息效用感知呈負(fù)相關(guān)，年收入超過5萬元的公交通勤者對公交乘坐時間信息的負(fù)效用感知更強(qiáng)。

3）車內(nèi)擁擠程度效用部分。車內(nèi)擁擠程度變量的系數(shù)分為兩部分：α0和αEdu。α0的估計值為－1.305 3，表明擁擠程度與公交通勤出發(fā)時間選擇效用呈負(fù)相關(guān)關(guān)系。也就是，車內(nèi)愈擁擠愈會導(dǎo)致公交通勤者放棄正常出發(fā)，而傾向改變出發(fā)時間。

αEdu的估計值為正的0.620 5，這表明教育程度為本科及本科以上的公交通勤者對車內(nèi)擁擠程度的忍耐程度更高，對車內(nèi)擁擠程度信息的負(fù)效用感知不如受教育程度為本科以下的通勤者敏感。

對比公交乘坐時間和車內(nèi)擁擠程度2個效用部分，2個參數(shù)β0、α0的估計值比值為1∶2.78，若公交乘坐時間（以10min為單位）取均值3.0，擁擠程度取較大值0.7，則β0·t與α0·CD的比值為1.54∶1。該比值說明：乘坐時間對公交通勤出發(fā)時間選擇的影響比車內(nèi)擁擠程度大，通勤者在選擇公交通勤出發(fā)時間時會主要考慮時間因素，而非乘坐舒適度。根據(jù)式（2）所示的效用函數(shù)形式和表2，得到修正模型一的效用函數(shù)，見式（6）。

依據(jù)式（3）、（4）、（6），能夠計算年收入超過5萬元、受過本科及以上教育、預(yù)留時間為10min的男性公交通勤者群體在各SP情景下的出發(fā)時間選擇概率。通過圖5，觀察各信息服務(wù)情景下該公交通勤者群體出發(fā)時間選擇概率隨公交通勤正常乘坐時間的變化趨勢。不同的乘坐時間和擁擠程度信息情景對公交通勤出發(fā)時間選擇影響很大；在情景一、三情況下，隨著正常乘坐時間增加，該公交通勤群體強(qiáng)烈地傾向選擇提前出發(fā)，接受公交動態(tài)信息誘導(dǎo)；以上4種情景下，該群體選擇推遲出發(fā)（或取消公交通勤）的意愿很低。

圖5 不同公動態(tài)信息情景下的通勤者出發(fā)時間選擇概率Fig.5 Probability of transit commuter departure time choice under different scenarios of dynamic transit information

4 結(jié)束語

筆者改進(jìn)效用函數(shù)形式，建立并標(biāo)定出發(fā)時間選擇模型，研究得出3點結(jié)論。

1）改進(jìn)的效用函數(shù)形式比傳統(tǒng)效用函數(shù)更利于提高模型性能，克服了傳統(tǒng)效用函數(shù)形式的不足。

2）乘坐時間信息對公交通勤出發(fā)時間選擇的影響大于車內(nèi)擁擠程度信息，是影響公交通勤出發(fā)時間選擇最重要的因素。

3）收入、性別屬性對乘坐時間信息的效用感知影響顯著，教育屬性對擁擠程度信息感知影響顯著，進(jìn)而導(dǎo)致公交通勤出發(fā)時間選擇傾向不同。

［1］ Ben－Elia E，Erev I，Shiftan Y.The combined effect of information and experience on drivers’route choice behavior［J］.Transportation，2008，35（2）：165－177.

［2］ Lu X，Gao S，Ben－Elia E.Information impacts on route choice and learning behavior in a congested network［J］.Transportation Research Record：Journal of the Transportation Research Board，2011，2243（1）：89－98.

［3］ 秦夢陽，石建軍.交通信息在出行行為中的影響分析［J］.交通信息與安全，2012，30（2）：58－61.

［4］ 周 偉，趙勝川.動態(tài)路況信息下的出發(fā)時間選擇行為分析［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2012，44（8）：101－105.

［5］ Jou R，Kitamura R，Weng M，et al.Dynamic commuter departure time choice under uncertainty［J］.Transportation Research Part A：Policy and Practice，2008，42（5）：774－783.

［6］ 胡 華，滕 靖，高云峰，等.多模式公交信息服務(wù)條件下的出行方式選擇行為研究［J］.中國公路學(xué)報，2009，22（2）：87－92.

［7］ Chorus C G，Molin E J，Van Wee B，et al.Responses to transit information among car－drivers：regret－based models and simulations［J］.Transpor－tation Planning and Technology，2006，29（4）：249－271.

［8］ Watkins K E，F(xiàn)erris B，Borning A，et al.Where Is My Bus？Impact of mobile real－time information on the perceived and actual wait time of transit riders［J］.Transportation Research Part A：Policy and Practice，2011，45（8）：839－848.

［9］ Zito P，Amato G，Amoroso S，et al.The effect of advanced traveler information systems on public transport demand and its uncertainty［J］.Transportmetrica，2011，7（1）：31－43.

［10］ Abdel－Aty M A.Using ordered probit modeling to study the effect of ATIS on transit ridership［J］.Transportation Research Part C，2001，9（4）：265－277.

［11］ Dia H，Panwai S.Evaluation of discrete choice and neural network approaches for modeling driver compliance with traffic information［J］.Transportmetrica，2010，6（4）：249－270.

［12］ Chorus C G，Arentze T A，Timmermans H J.Information impact on quality of multimodal travel choices：conceptualizations and empirical analyses［J］.Transportation，2007，34（6）：625－645.

［13］ Rizzi L I，Ortuzar J D D.Stated preference in the valuation of interurban road safety［J］.Accident Analysis ＆Prevention，2003，35（1）：9－22.