面向個(gè)體的分類(lèi)型公交通勤行為影響因素研究*

梁 泉 翁劍成 周 偉 榮 建

(北京工業(yè)大學(xué)城市交通學(xué)院1) 北京 100124) (中華人民共和國(guó)交通運(yùn)輸部2) 北京 100736)

0 引 言

北京市中心城區(qū)工作日日均通勤出行量約1 779人次，其中公共交通通勤出行占北京市通勤出行總量的49.3%[1].解析公共交通通勤乘客出行行為影響因素，有助于準(zhǔn)確分析乘客通勤需求，促進(jìn)公共交通運(yùn)營(yíng)調(diào)度優(yōu)化，緩解高峰期間的公交擁堵.

公共交通通勤出行受諸多因素影響，以往關(guān)于通勤乘客出行行為影響因素研究主要是采用離散選擇模型、多層模型[2]等方法，分析社會(huì)經(jīng)濟(jì)、土地利用等屬性對(duì)通勤群體的出行方式、出行時(shí)間或出行距離等的影響和相互作用關(guān)系.目前有關(guān)通勤乘客出行影響因素分析大多從通勤乘客均態(tài)的角度開(kāi)展研究，較少考慮通勤乘客類(lèi)別的影響，缺乏個(gè)體層面影響因素與影響程度差異性的考量，并且較少同時(shí)考慮出發(fā)時(shí)間和出行目的地的復(fù)雜關(guān)系，對(duì)獲取差別化的公共交通通勤人群出行需求的作用不大,因此，本研究旨在面向公共交通通勤個(gè)體，提出針對(duì)不同穩(wěn)定性乘客出行影響因素的分析方法，為更加精細(xì)地識(shí)別公交出行需求奠定支撐.

結(jié)構(gòu)方程模型(structural equation model，SEM)能夠識(shí)別多自變量多因變量之間的內(nèi)在關(guān)系，并檢驗(yàn)直接和間接的影響程度，越來(lái)越多地應(yīng)用于交通行為領(lǐng)域，有效解決了多變量間的交互影響結(jié)構(gòu)[3-5]，為本研究提供了方法參考.基于此，研究利用出行行為(RP)調(diào)查數(shù)據(jù)和公共交通多源數(shù)據(jù)，在獲取公共交通通勤者出行鏈的基礎(chǔ)上，建立面向個(gè)體出發(fā)時(shí)間和出行目的地的結(jié)構(gòu)方程模型，進(jìn)而挖掘不同穩(wěn)定性通勤乘客出行行為影響因素的差異性.研究為差別和精細(xì)化地預(yù)測(cè)公共交通出行需求奠定基礎(chǔ)，可以為定制公交、微循環(huán)等通勤快速公交線路優(yōu)化提供指導(dǎo)，以便更好地服務(wù)于公共交通通勤出行.

1 數(shù)據(jù)基礎(chǔ)

1.1 RP調(diào)查數(shù)據(jù)

通過(guò)開(kāi)展RP調(diào)查，獲取乘客的出行行為信息.主要調(diào)查內(nèi)容如下：①I(mǎi)C卡卡號(hào)；②類(lèi)別屬性(通勤/非通勤者)；③出行特征(出行天數(shù)、上下班/上下學(xué)出行次數(shù)、休閑類(lèi)出行次數(shù))；④社會(huì)經(jīng)濟(jì)屬性(性別、年齡、職業(yè)、受教育程度、月收入和家庭小汽車(chē)數(shù)量等).

其中，通過(guò)調(diào)查獲得的IC卡號(hào)與刷卡數(shù)據(jù)匹配，提取乘客公共交通刷卡數(shù)據(jù).乘客類(lèi)別主要通過(guò)出行目的(通勤/非通勤)界定.出行特征信息主要用于驗(yàn)證乘客問(wèn)卷回答的一致性.調(diào)查共計(jì)回收有效問(wèn)卷453份.

1.2 公共交通多源數(shù)據(jù)

依托北京城市交通協(xié)同創(chuàng)新中心和綜合交通協(xié)同運(yùn)行與超級(jí)計(jì)算應(yīng)用技術(shù)協(xié)同創(chuàng)新平臺(tái)，獲取北京市公共交通刷卡數(shù)據(jù)和線站數(shù)據(jù).前期研究基于上車(chē)時(shí)間將刷卡數(shù)據(jù)與線站數(shù)據(jù)進(jìn)行排序和整合，進(jìn)而通過(guò)換乘點(diǎn)時(shí)空閾值判別提取個(gè)體出行鏈[9]，可以有效獲得出行鏈起訖點(diǎn)、出行時(shí)間與出行距離等信息.

研究依據(jù)調(diào)查獲得卡號(hào)與公共交通刷卡數(shù)據(jù)進(jìn)行關(guān)聯(lián)匹配，除去卡號(hào)匹配失敗、信息錯(cuò)誤、數(shù)據(jù)不完整等情況，最終獲得147名通勤者和42名非通勤者的出行鏈數(shù)據(jù).某通勤個(gè)體乘客出行鏈數(shù)據(jù)見(jiàn)表1.在前期研究中，已針對(duì)通勤乘客提取了非家活動(dòng)點(diǎn)類(lèi)別數(shù)、典型出行鏈占比等特征指標(biāo)，采用關(guān)聯(lián)規(guī)則方法挖掘了不同項(xiàng)集頻繁模式，將通勤乘客劃分為高、中、低三類(lèi)穩(wěn)定性的人群[10].本文將針對(duì)不同穩(wěn)定性的乘客分別開(kāi)展出行影響因素分析.

表1 通勤個(gè)體乘客出行鏈?zhǔn)疽?/p>

2 公共交通出行個(gè)體結(jié)構(gòu)方程模型構(gòu)建

2.1 結(jié)構(gòu)方程模型介紹

2.2 公共交通通勤出行個(gè)體結(jié)構(gòu)方程模型構(gòu)建

2.2.1模型變量選取

個(gè)體結(jié)構(gòu)方程模型旨在分析不同穩(wěn)定性通勤乘客的出發(fā)時(shí)間和目的地的影響因素，并對(duì)比影響程度.研究基于公共交通出行鏈數(shù)據(jù)和調(diào)查數(shù)據(jù)，針對(duì)147名通勤者，一方面采用Cronbach’ s開(kāi)展整體信度檢驗(yàn)，結(jié)果顯示Cronbach’α大于0.8，表明數(shù)據(jù)具有較高的信度；另一方面利用Bartlett球形度檢驗(yàn)和KMO(kaiser-meyer-olkin) 進(jìn)行效度分析，結(jié)果顯示Bartlett球形度檢驗(yàn)統(tǒng)計(jì)值顯著性概率小于0.01且KMO大于0.8，說(shuō)明數(shù)據(jù)具有較高的效度.在此基礎(chǔ)上，借鑒已有學(xué)者研究[9]，最終選取外在屬性(管制或突發(fā)事件、道路擁堵?tīng)顩r、工作日)、個(gè)體特性(出行目的、能否彈性出行)作為外生變量，將單次出行特征(出行距離、出行耗時(shí))、出行行為(出發(fā)時(shí)間、目的地)作為內(nèi)生變量.其中，管制或突發(fā)事件通過(guò)北京市公安局公安交通管理局網(wǎng)站中交管信息中查詢(xún)；道路擁堵根據(jù)北京市道路交通運(yùn)行指數(shù)確定出發(fā)時(shí)段內(nèi)的道路運(yùn)行狀態(tài)；將乘客1個(gè)月公共交通出行起訖點(diǎn)進(jìn)行系統(tǒng)聚類(lèi)，每類(lèi)OD中出發(fā)時(shí)間是否在30 min內(nèi)作為彈性出行的評(píng)判原則[10].表2為個(gè)體出行行為SEM的變量特征表.

2.2.2模型結(jié)構(gòu)設(shè)計(jì)

根據(jù)各個(gè)潛變量之間、潛變量下的顯變量相互之間的關(guān)系設(shè)計(jì)模型結(jié)構(gòu)，并采用AMOS(analysis of moment structures)軟件繪制出行行為SEM路徑圖并分析協(xié)方差結(jié)構(gòu)，構(gòu)建最佳模型結(jié)構(gòu)見(jiàn)圖1.

2.2.3模型擬合結(jié)果分析

1) 高穩(wěn)定通勤乘客 研究隨機(jī)選取20位高

表2 個(gè)體出行行為結(jié)構(gòu)方程模型變量描述

圖1 通勤個(gè)體SEM結(jié)構(gòu)圖

穩(wěn)定性乘客，分別計(jì)算外生潛變量對(duì)整體出行行為和分別對(duì)出發(fā)時(shí)間和目的地的直接、間接和整體效應(yīng)，進(jìn)而得到高穩(wěn)定性乘客影響效應(yīng)均值，見(jiàn)表3～4.

表3 高穩(wěn)定性乘客出行SEM潛變量影響效應(yīng)表

表4 高穩(wěn)定性乘客出發(fā)時(shí)間和目的地潛變量影響效應(yīng)表

由表3～4可知，高穩(wěn)定通勤者的個(gè)體出行行為受個(gè)體特性的影響較顯著，直接影響系數(shù)為0.177，尤其能否彈性出行對(duì)出行行為影響較強(qiáng)(0.81).同時(shí)個(gè)體特性通過(guò)影響單次出行特性對(duì)出行行為有一定的間接影響，影響系數(shù)為0.043，總體影響系數(shù)為0.22.個(gè)體特性對(duì)出發(fā)時(shí)間和目的地的整體影響效應(yīng)分別為0.278和-0.173.高穩(wěn)定乘客出行行為受外在屬性影響不顯著，尤其管制或突發(fā)事件對(duì)出行行為影響較小.且出行行為受單次出行特征無(wú)較大影響.因此高穩(wěn)定乘客出行行為受外在屬性、個(gè)體特性、單次出行特征三者共同影響，影響程度從大到小依次為：個(gè)體特性>外在屬性>單次出行特征.

通過(guò)評(píng)價(jià)指標(biāo)進(jìn)行模型擬合精度檢驗(yàn)，各擬合指標(biāo)值均在適配標(biāo)準(zhǔn)范圍內(nèi)，擬合精度較好，見(jiàn)表5.

表5 高穩(wěn)定性通勤乘客SEM的擬合精度檢驗(yàn)

2) 中穩(wěn)定通勤乘客 同樣隨機(jī)選取20位中穩(wěn)定性乘客，得到外生潛變量對(duì)出行行為和分別對(duì)出發(fā)時(shí)間、目的地的影響效應(yīng)并計(jì)算影響系數(shù)均值，見(jiàn)表6～7.

表6 中穩(wěn)定性乘客出行SEM潛變量影響系數(shù)表

表7 中穩(wěn)定性乘客出發(fā)時(shí)間和目的地潛變量影響系數(shù)表

由表6～7可知，中穩(wěn)定性乘客單次出行特征對(duì)出行行為呈現(xiàn)負(fù)相關(guān)的直接影響關(guān)系，標(biāo)準(zhǔn)化負(fù)荷系數(shù)為-0.328，對(duì)出發(fā)時(shí)間和目的地的整體影響效應(yīng)分別為0.573,-0.149.出行距離(0.91)和出行耗時(shí)(0.80)均對(duì)出行行為具有顯著影響.出行距離越長(zhǎng)，出行耗時(shí)越長(zhǎng)，出發(fā)時(shí)間越早.此外，個(gè)體特性對(duì)出行行為直接影響較大，尤其出行目的(0.92)對(duì)出行行為有較大影響.但由于個(gè)體特性對(duì)出行行為影響通過(guò)單次出行特性間接產(chǎn)生，使得個(gè)體特性對(duì)出發(fā)時(shí)間和出行目的地的整體影響程度較小.而外在屬性對(duì)出行行為無(wú)直接影響，間接效應(yīng)較小，整體影響效應(yīng)不顯著.因此，中穩(wěn)定性乘客出行行為受三類(lèi)潛變量影響，影響程度由大到小依次為：?jiǎn)未纬鲂刑卣?個(gè)體特性>外在屬性.各中穩(wěn)定性乘客的SEM擬合統(tǒng)計(jì)量均在適配標(biāo)準(zhǔn)范圍內(nèi)，具有較高的擬合精度，見(jiàn)表8.

表8 中穩(wěn)定性通勤乘客SEM的擬合精度檢驗(yàn)

3) 低穩(wěn)定通勤乘客 同樣隨機(jī)選取20位低穩(wěn)定性乘客，得到外生潛變量對(duì)出行行為和分別對(duì)出發(fā)時(shí)間、出行目的地的影響效應(yīng)并計(jì)算影響系數(shù)均值，見(jiàn)表9～10.

表9 低穩(wěn)定性乘客出行SEM潛變量影響系數(shù)表

表10 低穩(wěn)定性乘客出發(fā)時(shí)間和目的地潛變量影響系數(shù)表

由表9～10可知，低穩(wěn)定通勤者出行行為受單次出行特征和外在屬性的影響較大.其中，單次出行特征的總體標(biāo)準(zhǔn)化負(fù)荷為-0.701，對(duì)出發(fā)時(shí)間和出行目的地的影響系數(shù)分別為-0.723、-0.672.出行距離越長(zhǎng)，出行耗時(shí)越長(zhǎng)，出發(fā)時(shí)間越早.且外在屬性雖對(duì)出行行為直接影響較小，但通過(guò)單次出行特征對(duì)出行行為的間接影響系數(shù)較大，為-0.466，對(duì)出發(fā)時(shí)間和出行目的地的影響系數(shù)為-0.663和-0.535.其中，尤其道路擁堵?tīng)顟B(tài)對(duì)出行行為影響較大.存在管制或突發(fā)事件，道路越擁堵，在工作日出行，出發(fā)時(shí)間較早.而個(gè)體特性對(duì)出行行為影響較小.因此，低穩(wěn)定乘客出行行為受三類(lèi)潛變量影響，影響程度由大到小依次為：?jiǎn)未纬鲂刑卣?外在屬性>個(gè)體特性.各低穩(wěn)定性乘客的擬合精度符合適配標(biāo)準(zhǔn)，見(jiàn)表11.

表11 高穩(wěn)定性通勤乘客SEM的擬合精度檢驗(yàn)

2.3 不同穩(wěn)定性乘客公共交通出行行為影響因素分析

綜合以上分析，通勤乘客的公共交通出行行為受外在屬性、個(gè)體特性、單次出行特征等屬性影響，并且不同穩(wěn)定性乘客的出發(fā)時(shí)間和目的地的影響因素和影響程度存在顯著不同.研究針對(duì)不同穩(wěn)定性人群的個(gè)體影響因素，繪制了公共交通通勤乘客出行影響因素圖，見(jiàn)圖2.

圖2 不同穩(wěn)定性的公共交通通勤乘客出行影響因素圖

圖2中左側(cè)為不同穩(wěn)定性通勤乘客的出行行為，包含出發(fā)時(shí)間和出行目的地，右側(cè)為影響出行行為的上述潛變量.每類(lèi)潛變量自右側(cè)延伸出來(lái)的帶條寬度表示影響程度，帶條終點(diǎn)指向各穩(wěn)定性人群的出行行為.可以看出，低穩(wěn)定性乘客的出行行為主要受單次出行特征和外在屬性影響顯著；中穩(wěn)定性乘客受單次出行特征影響明顯；而高穩(wěn)定性乘客受個(gè)體特性影響較顯著.

3 結(jié) 束 語(yǔ)

研究基于RP調(diào)查數(shù)據(jù)和北京市公共交通多源數(shù)據(jù)，提取了高、中、低不同穩(wěn)定性公共交通通勤個(gè)體出行鏈.面向不同穩(wěn)定性乘客，以外在屬性和個(gè)體特性為外生變量，以單次出行特征、出發(fā)時(shí)間和出行目的地為內(nèi)生變量，建立了針對(duì)個(gè)體出發(fā)時(shí)間和出行目的地的結(jié)構(gòu)方程模型.結(jié)果表明，不同穩(wěn)定性乘客出行行為影響因素存在顯著差異；其中，高穩(wěn)定性乘客的出行受個(gè)體特性的影響較顯著，中穩(wěn)定性乘客受單次出行特征影響較大，而低穩(wěn)定性乘客受單次出行特征和外在屬性的影響明顯.

本研究能夠準(zhǔn)確地鑒別不同類(lèi)型通勤乘客出行行為的影響因素和程度，有助于更為全面地掌握通勤者出行行為，進(jìn)而為精細(xì)化的出行供給政策制定提供指導(dǎo).未來(lái)將在出行行為影響因素分類(lèi)研究的基礎(chǔ)上，開(kāi)展差別化的出行需求預(yù)測(cè)，為需求響應(yīng)型公共交通運(yùn)營(yíng)和服務(wù)提供重要支撐.