王惠隊，譚倩，潘自翔，常柱剛

(1.長沙市規(guī)劃設計院有限責任公司，湖南 長沙410007；2.長沙理工大學 交通運輸工程學院，湖南 長沙410114)

城市內(nèi)部人員的通勤出行行為一般在常態(tài)情景下開展，同時市內(nèi)多種交通方式共線運行能滿足市民的正常出行需求，但由于不可預知的人為或非人為的各類突發(fā)事件確實會在城市中發(fā)生[1]，公共衛(wèi)生安全事件是突發(fā)事件中的一類。突發(fā)公共衛(wèi)生事件是指已經(jīng)發(fā)生或者可能發(fā)生的、對公眾健康造成或者可能造成重大損失的傳染病疫情和不明原因的群體性疫病。當公共衛(wèi)生安全事件影響了市民的生命安全時，政府和交通部門則會采取相應的交通管制措施，如封城和交通嚴控，整個城市因公共衛(wèi)生事件導致交通陷入停滯狀態(tài)，但由于工作需要，重點人群的通勤出行需求變得非常重要，以抗疫重點人群為例，城市公共交通停運后原定使用公共交通方式或網(wǎng)約車的抗疫人員的出行面臨困境，為保障事件后抗疫重點人群的出行需求并給其提供出行引導建議，對突發(fā)公共衛(wèi)生事件下的抗疫重點人群通勤出行行為進行探索研究。出行者在特殊時期由于工作原因其出行選擇必須追求效益最大化、決策最優(yōu)化，關于出行效益最大化的研究方面，沈犁等[2]引入了出行者主觀出行選擇偏好以及出行方式客觀效用。提出了基于出行者總收益最大化的出行服務方?jīng)Q策模型。李建強[3]對步行、共享單車、常規(guī)公交、地鐵4種方式成本問題建模，對競爭條件下出行者的最優(yōu)出行方式選擇進行研究。馮煥煥等[4]調(diào)查了蘇州客運走廊沿線居民出行目的與公共交通工具服務屬性關系并獲得相關數(shù)據(jù)，運用前景理論和乘客最優(yōu)理論建立了客運走廊內(nèi)居民公共交通出行選擇模型。但這些都只適用于常態(tài)情景下出行決策，城市內(nèi)部一旦發(fā)生突發(fā)大型交通事件或公共衛(wèi)生事件，市民尤其是重點人群的出行決策也會隨著交通環(huán)境變化而發(fā)生改變。在城市突發(fā)事件和非常態(tài)情景影響出行行為的方面，國內(nèi)外學者對某具體事件影響下的出行選擇行為進行研究，杜軼群[5]通過私家車主的350份調(diào)查問卷獲得基礎數(shù)據(jù)，分析霧霾天氣對城市中的私家車主出行方式選擇行為的影響。關宏志等[6]采用計算機仿真的方法,研究了突發(fā)事件下完全理性出行者和有限理性出行者的路徑選擇行為。龍雪琴等[7]引入前景理論研究了突發(fā)事件下出行者進行路徑選擇的行為規(guī)律。陳玲娟等[8]從交通事件持續(xù)期間逐日出行過程中的路網(wǎng)服務性能出發(fā)，建立考慮出發(fā)時刻的逐日出行流量推演模型。韓志玲等[9]基于多分類Logistic回歸模型，分別利用城際出行中的16種異常場景下的意向調(diào)查數(shù)據(jù)，構建了阻斷事件影響下居民出行決策模型。薄坤等[10]通過實際調(diào)查(RP)和意向調(diào)查(SP)的調(diào)查結果，研究了暴雨內(nèi)澇下公交乘客的出行選擇行為機理。安實等[11]以政府公交車、自有私家車和借用私家車3類疏散交通方式選擇問題為例,研究了應急疏散者的出行方式?jīng)Q策行為。在地鐵突發(fā)事件下出行行為方面，李偉等[12]利用多智能體仿真方法構建仿真模型研究了地鐵突發(fā)事件下乘客在地鐵系統(tǒng)內(nèi)出行路徑的改變行為。PNEVMATIKOU等[13]考慮突發(fā)事件影響下的乘客出行選擇行為特征并建立了方式選擇模型。尹浩東等[14,22]對復雜封站和區(qū)間中斷場景下乘客行為決策機制進行研究，構建了復雜封站條件下的乘客個體出行行為最優(yōu)化模型和分層離散選擇模型。以往研究都未關注城市公共交通方式停運和交通嚴控下的通勤出行行為，欠缺對需通勤出行保障重點人群出行行為的具體分析。關于不確定情形下的行為決策，應用最多的即TVERSKY等[15]提出的前景理論和累積前景理論。江紅等[16]基于累積前景理論對不同航班延誤情景下旅客的選擇行為進行研究。田麗君等[17?18]對比分析了累積前景理論和期望效用理論2種理論框架下個體決策行為，結果表明累積前景理論在不確定情形下能更好地描述出行方式選擇行為。TIAN等[19]通過研究也論證了不確定性對出行方式選擇存在顯著影響。徐愛慶等[20]則基于累積前景理論構建了機場群下航空旅客的機場選擇行為模型。秦煥美等[21]基于在北京市的調(diào)查和前景理論，進行獎賞和懲罰措施下出行選擇行為的探索研究。TAKAHIKO等[23]基于大數(shù)據(jù)識別乘客的行為模式，為出行行為研究提供提出一種數(shù)據(jù)模糊方法。綜上，為填補在公共衛(wèi)生事件發(fā)生后公共交通停運下通勤出行行為研究的空白，本文以醫(yī)護人員作為研究對象，基于累積前景理論進行模型的構建，重點探討醫(yī)護人員的通勤出行行為，研究結果可為正在抗疫一線工作的醫(yī)護人員提供出行參考。

1 問題描述和出行調(diào)查

城市突發(fā)公共衛(wèi)生事件導致市內(nèi)公共交通停運或部分停運，少部分私人交通也陷入停運情形，進而影響醫(yī)護人員等重點人群的正常出行策略，以本次武漢突發(fā)疫情為案例背景，武漢疫情發(fā)生后城市聚集性交通工具因停運而造成醫(yī)護人員出行難的問題，但他們對出行困難也有了心理準備，他們的應對措施包括積極詢問可靠的出發(fā)時間、尋找高效又便捷的出行方式等。

本文研究的問題為：在一次城市突發(fā)公共衛(wèi)生事件后，醫(yī)護人員每天要從家去醫(yī)院進行抗疫工作，而其通勤出行必須要求快捷、高效和可靠，若不能達到這類出行目標，會導致事務耽擱或上班遲到。那么醫(yī)護人員如何進行出行選擇才能達到效益最優(yōu)？

設計針對醫(yī)護人員等重點人群的出行調(diào)查問卷(填寫只需1～2 min)，為不打擾其正常的工作，選擇網(wǎng)絡線上的形式發(fā)放問卷，并讓被調(diào)查者在休息時段抽空填，問卷設定的出行時段為醫(yī)護人員抗疫的通勤時段。問卷選取個人因素、在事件發(fā)生后從家到醫(yī)院的一次出行信息(包括出行主方式、出行距離等)和通勤期間的出行問題共三大類27種主要變量。共回收到573份問卷，樣本部分統(tǒng)計信息如表1，其中，受訪人群中明確需要強有力的出行服務保障的占比高達84%，進一步證明了他們在城市公共交通停運后出行難的問題，且他們通勤時間有67%大于60 min，通勤距離有73%大于10 km，從側面揭示了職住錯位現(xiàn)象比較嚴重，出行時間和出行距離過長可能造成其出行難的內(nèi)在因素。

表1 調(diào)查所得數(shù)據(jù)部分信息統(tǒng)計Table 1 Survey data partial information statistics

在城市突發(fā)重大公共衛(wèi)生事件的現(xiàn)實情形下，本文研究醫(yī)護人員采取以下5種決策行為的情形：1)乘公益志愿者的醫(yī)護專車(特殊時期為醫(yī)護人員服務的網(wǎng)約車)；2)乘新開通的醫(yī)護公交專線；3)乘居住社區(qū)的小汽車(疫情期間政府特地在每個社區(qū)、街道分配的供居民或重點人群出行的汽車)；4)騎共享單車；5)騎社會捐贈或自家的電動車。

2 CPT建模

醫(yī)護人員由家出發(fā)前的出行行為可簡化為醫(yī)護人員出行方式選擇問題，本文不考慮出行路徑選擇問題，另一方面，因公共衛(wèi)生事件影響程度不同和多變的出行環(huán)境，醫(yī)護人員出行方式選擇行為成為了一個不確定下的決策問題，而Tversky等提出的累積前景理論正好適用于在風險環(huán)境下的決策問題，累積前景理論的決策體系包括價值函數(shù)、決策概率權重函數(shù)和各出行行為累積前景值的計算。

2.1 價值函數(shù)

用yj表示出行者選取某種行為的損益值，當yj≥0表示其選擇第j種行為結果較參考點為收益，yj<0表示其選擇第j種行為結果較參考點為損失。另一方面，累積前景理論借助價值函數(shù)將出行行為的絕對效用轉化為出行者感受到的相對價值，其表達式為：

式中：α，β為風險偏好系數(shù)；λ為損失規(guī)避系數(shù)，取α=β=0.88，λ=2.25[15]。

2.2 決策概率權重函數(shù)

累積前景理論中通過賦予大概率事件更小的決策權重縮減了大概率事件的影響程度，同時通過賦予低概率事件更高的決策權重擴大了低概率事件的影響力，即體現(xiàn)了出行者對高概率低估，對低概率高估的情況。用w+(p)，w-(p)分別表示收益和損失的主觀感知概率，則各出行方案在其對應出行方式下的決策概率權重函數(shù)為：

式中：p為行為發(fā)生的概率；參數(shù)γ，σ為收益和損失態(tài)度系數(shù)，取γ=0.61，σ=0.69[15]。

式中：pj為第j種狀態(tài)出現(xiàn)的概率值；pn為第n種正的狀態(tài)出現(xiàn)的概率值；p-h為第h種負的狀態(tài)出現(xiàn)的概率值。

2.3 累積前景值

在出發(fā)前，出行者需要對出行在途時間、出行延誤時間等進行全面的權衡，借助價值函數(shù)和權重函數(shù)計算各出行方案的累積前景值，各出行行為的累積前景值V(f)可表示為：

式中：V(f)+和V(f)-為收益部分和損失部分的累積前景值。

3 出行時間及參考點確定

在事件發(fā)生后，政府和社會為解決醫(yī)護人員出行難的問題，給其提供了醫(yī)護專車、醫(yī)護公交專線、居住社區(qū)的小汽車、共享單車、電動車這5種主要出行方式，且大多方式是免費的，故設醫(yī)護人員在出行時完全不考慮出行費用的因素、只需考慮出行時間對出行決策的影響，下面對醫(yī)護人員的期望出行時間和參考點選取進行分析。

3.1 期望出行時間

期望出行時間O包括出行在途時間M和出行延誤時間T，出行在途時間指醫(yī)護人員選擇某一交通方式出行的乘車或騎車時間，僅指使用某種交通工具花費在旅途中的時間。出行延誤時間指除出行在途時間外額外消耗的計劃內(nèi)和非計劃內(nèi)的延誤時間，如等待公交專線時間、由于交通管控在路上額外耗費時間、等待醫(yī)護專車來接的時間等。

1)乘志愿者的醫(yī)護專車時間O1：包含乘醫(yī)護專車的在途時間M1和出行延誤時間T1

式中：Ta指醫(yī)護人員在家用手機app打車等待時間和步行到乘車點的時間；Tb指疫情期間由于交通管控在路上額外耗費時間或其他在路上的延誤時間；Ma指醫(yī)護專車在路上行駛的時間。

2)乘新開通的醫(yī)護公交專線時間O2：包含乘公交的在途時間M2和出行延誤時間T2

式中：Tc指從家出發(fā)到乘車點和等待公交啟動的時間；Td指公交在路上要搭載其他醫(yī)護人員耗費的停靠時間等延誤時間；Mb指公交車行駛的時間。

3)乘居住社區(qū)的小汽車時間O3：包含乘小汽車的在途時間M3和出行延誤時間T3

式中：Tg指步行和等待小汽車出發(fā)的時間；Mc指社區(qū)小汽車在路上的行駛時間。

4)騎共享單車時間O4：包含騎共享單車的在途時間M4和出行延誤時間T4

式中：Tf指從家到共享單車樁的步行時間；Tg指用app尋找單車具體位置和開鎖所需時間；Md指騎單車所花費的時間。

5)騎電動車時間O5：僅含騎電動車的在途時間M5

式中：Me指騎電動車花費在路上的時間；由于電動車較為方便，其出行延誤時間也很少，故將出行延誤時間忽略不計。

3.2 參考點設定

由前文分析可知，在重大公共衛(wèi)生事件下，出行金錢費用非影響出行者決策的重要因素，故以乘車(騎車)在途時間和出行延誤時間之和作為醫(yī)護人員的出行參考點，表達式為

則收益或損失僅取決于期望出行時間與實際出行時間的比較，從全過程角度看，醫(yī)護人員的通勤出行決策的示意圖如圖1。

圖1 醫(yī)護人員通勤出行決策全過程Fig.1 Whole process of medical staff's commuter travel decision-making

4 模型分析和出行服務保障對策

4.1 實際出行時間

為了解5種出行行為的實際出行時間進而給更多醫(yī)護人員提供出行參考，根據(jù)線上調(diào)查和大致估計，得出不同出行距離下5種出行決策的實際出行在途時間和出行延誤時間，結果見表2。

表2 各決策行為下的實際出行時間Table 2 Actual travel time under various decision-making behaviors

4.2 5種行為的累積前景值計算

據(jù)3.1節(jié)的具體分析，利用累積前景值的計算公式，計算得到5種行為的累積前景值，結果見表3，發(fā)現(xiàn)各行為的累積前景值在不同出行距離下有較大差別，呼應了調(diào)查結果中出行距離是影響醫(yī)護人員出行決策的重要因素的結論，且在長距離出行背景下，選擇醫(yī)護專車和社區(qū)小汽車的累積前景值較大，即在長距離通勤中醫(yī)護專車和社區(qū)小汽車對醫(yī)護人員吸引力較大，而在短距離通勤和時間要求不高時，電動車和共享單車優(yōu)勢凸顯。與線上調(diào)查結果基本吻合，說明了累積前景理論能較好量化在此情景下醫(yī)護人員出行行為決策機理。

表3 不同出行距離下各行為的累積前景值Table 3 Cumulative foreground values for each behavior at different travel distances

圖2 顯示青年人更易選擇共享單車和電動車出行，而據(jù)前文調(diào)查結果共享單車和電動車也是最安全的交通工具，且有效隔斷了病毒的傳播，故應提供足夠的共享單車和電動車滿足青年醫(yī)護人員的出行需求。同時中老年醫(yī)護人員更傾向選擇醫(yī)護專車或社區(qū)應急小汽車。顯示其對于出行便捷性和舒適性的需求，故不同年齡段對于出行決策的風險偏好不同，綜上，相關部門要分年齡段為不同醫(yī)護人員提供更可靠的出行服務。

圖2 不同年齡段下5種出行行為的累積前景值Fig.2 Cumulative prospect value for 5 travel behaviors under different age groups

表4 顯示了男性選擇乘志愿者的醫(yī)護專車的累積前景值最大，其次是乘居住社區(qū)的小汽車，而女性選擇乘居住社區(qū)的小汽車和乘志愿者的醫(yī)護專車的累積前景值相差無幾，說明了性別也是影響其出行選擇的因素，而這對于交管部門的啟示是：醫(yī)護專車保障醫(yī)護人員出行發(fā)揮了重要作用，故要合理對醫(yī)護專車進行路權保障。

表4 不同性別下5種出行行為的累積前景值Table 4 Cumulative prospect value of five travel behaviors under different sex

4.3 出行服務保障對策

當某城市發(fā)生大型公共衛(wèi)生安全事件后，交管部門可采取以下對策保障醫(yī)護人員等重點人群的出行暢通性：

1)可開通定制公交或需求響應式公交(如醫(yī)護公交專線等)為醫(yī)護人員等服務。

2)應保障醫(yī)護公交專線、醫(yī)護車輛和應急車輛等的暢通性。

3)對每個抗疫工作者發(fā)布及時、可靠交通和出行動態(tài)信息，同時給其提供可靠的出行引導建議。

4)可在社交網(wǎng)絡(如微信群)成立出行互幫小組，給醫(yī)護人員提供更為靈活的小汽車出行選擇機會。

5)可讓共享汽車公司給醫(yī)護人員提供更便捷的出行服務。

5 結論

1)線上調(diào)查結果顯示；受訪人群中明確需要強有力的出行服務保障的占比高達84%，且他們通勤時間有67%大于60 min，通勤距離有73%大于10 km，職住錯位現(xiàn)象導致的出行時間和出行距離過長是造成其出行難的內(nèi)在因素。

2)使用累積前景理論計算5種行為的累積前景值，發(fā)現(xiàn)5種行為的累積前景值在不同出行距離下有較大差別：在長距離出行背景下，選擇醫(yī)護專車和社區(qū)小汽車的累積前景值較大，而在短距離通勤和時間要求不高時，電動車和共享單車優(yōu)勢凸顯。同時，不同年齡段和性別的人群對于出行決策的風險偏好也不同：男性選擇乘志愿者的醫(yī)護專車的累積前景值最大，其次是乘居住社區(qū)的小汽車，而女性選擇乘居住社區(qū)的小汽車和乘志愿者的醫(yī)護專車的累積前景值較大。

3)結果表明：受公共交通停運和交通管制影響，醫(yī)護人員的出行行為較常態(tài)情景發(fā)生了一系列變化，其出行環(huán)境變得更加具有不確定性，累積前景理論能較好量化在此情景下醫(yī)護人員出行行為決策機理。

4)本文的研究成果可為城市內(nèi)發(fā)生重大公共衛(wèi)生事件后重點人群出行制定更科學的政策和措施，從而為其提供個性化、精細化出行信息服務。

5)未來研究中，可考慮基于行為學、社會心理、大數(shù)據(jù)等理論方法，結合心理潛變量的因素，挖掘出行潛在特征，以更好的解決公共衛(wèi)生事件下重點群體的交通出行問題。