考慮動(dòng)態(tài)交通信息的異質(zhì)出行行為分析

萬 明，梁 瑩，周涂強(qiáng)，嚴(yán)利鑫，郭軍華，李芳源

（華東交通大學(xué)交通運(yùn)輸工程學(xué)院，江西 南昌 330013）

隨著各城市群內(nèi)部經(jīng)濟(jì)社會(huì)交流日漸緊密，城際交通需求迅速增長(zhǎng)[1]。高速公路作為城際交通重要的出行方式之一， 發(fā)揮著至關(guān)重要的作用[2]。為了避免高速公路交通事故引起的交通擁堵造成較大的經(jīng)濟(jì)損失， 有必要對(duì)高速公路出行行為展開研究[3-4]。

隨著智能交通信息技術(shù)的不斷發(fā)展， 交通信息在調(diào)節(jié)交通流方面的作用日益突出[5-6]。但在有關(guān)高速公路出行的研究中，多聚焦于節(jié)假日[7]、收費(fèi)政策[8]等，對(duì)交通信息影響下不同交通信息偏好出行者高速公路出行行為的研究較少。

在出行行為分析的研究中，學(xué)者發(fā)現(xiàn)個(gè)體異質(zhì)性對(duì)出行者選擇行為有著顯著影響[9-10]。潛在類別分析（latent class analysis，LCA）是一種能夠有效解釋個(gè)體異質(zhì)性的方法[11-12]，被廣泛應(yīng)用在醫(yī)學(xué)、心理學(xué)和社會(huì)學(xué)的研究上。 目前，該方法在交通領(lǐng)域中的應(yīng)用尚處于初級(jí)階段，主要集中于交通行為分析[13]。Saxena 等[14]研究了不同出行者群體在波動(dòng)交通流的影響下出行選擇行為。 范愛華等[15]基于LCA 將出行者劃分為3 類異質(zhì)出行群體： 低出行與方式均衡組、中高出行與小汽車偏好組和高出行與綠色交通組。 部分學(xué)者通過心理因素、行為等對(duì)出行者進(jìn)行潛在類別（Latent class）劃分，將潛在類別劃分置入Logit 模型中。 通過這種方法對(duì)出行者進(jìn)行類別劃分，不僅有更堅(jiān)實(shí)的理論基礎(chǔ)，而且可以提高模型的擬合度[16-18]。

以上的研究中普遍采用一般的離散選擇模型[19]，沒有考慮到數(shù)據(jù)的層次結(jié)構(gòu)， 忽略了群體間異質(zhì)性問題，可能得到有偏誤的結(jié)論。 多水平模型是在固定效應(yīng)模型和隨機(jī)效應(yīng)模型等方差成分分析上發(fā)展起來的，允許觀測(cè)值間相關(guān)和方差不齊性，是能夠分析和處理具有層次結(jié)構(gòu)特征數(shù)據(jù)的有力工具[20]。

為了量化分析高速公路動(dòng)態(tài)交通事故信息對(duì)不同交通信息異質(zhì)性出行者出行行為的影響，基于大規(guī)模RP/SP 調(diào)查數(shù)據(jù)， 采用潛在類別分析（LCA）對(duì)出行者交通信息異質(zhì)性進(jìn)行劃分，之后綜合考慮個(gè)人屬性、出行屬性和交通信息異質(zhì)性等多方面影響因素，構(gòu)建多水平模型分析信息偏好類型、社會(huì)經(jīng)濟(jì)屬性和出行屬性等影響因素對(duì)出行行為的影響程度。

1 基本原理

首先依據(jù)大規(guī)模調(diào)查數(shù)據(jù)對(duì)出行者的交通信息偏好類型進(jìn)行劃分。 然后，將群組層面因素（信息偏好類別）與個(gè)人層面因素（個(gè)人屬性、出行屬性）共同構(gòu)建了多水平模型，用來分析不同類別出行者出行行為的變化程度以及不同類別出行者的社會(huì)經(jīng)濟(jì)屬性和出行屬性等影響因素的影響作用程度。模型框架如圖1 所示。

圖1 模型框架Fig.1 Model framework

1.1 潛在類別分析

與傳統(tǒng)的統(tǒng)計(jì)分析模型不同，首先，潛在類別分析通過間斷的潛變量即潛在類別變量來解釋外顯指標(biāo)間的關(guān)聯(lián)，使外顯指標(biāo)間的關(guān)聯(lián)通過潛在類別變量來估計(jì)， 進(jìn)而維持其局部獨(dú)立性的統(tǒng)計(jì)方法，更適合分析類別變量[21]。 其次，潛在類別分析不需要提前決定群體數(shù)，并且不需要剔除變量。 其基本假設(shè)是，外顯變量各種反應(yīng)的概率分布可以由少數(shù)互斥的潛在類別變量來解釋，每種類別對(duì)各外顯變量的反應(yīng)選擇都有特定的傾向[22]。

根據(jù)局部獨(dú)立性假設(shè)，各類別內(nèi)部聯(lián)合概率為

所有類別的聯(lián)合概率可以表示為

采用極大似然估計(jì)方法 （Maximum likelihood）進(jìn)行參數(shù)估計(jì)。 分類依據(jù)為貝葉斯后驗(yàn)概率，則個(gè)體n 屬于類別c 的概率為

確定模型潛在類別個(gè)數(shù)是模型重點(diǎn)。 模型的適配檢驗(yàn)指標(biāo)主要有Pearson 卡方檢驗(yàn)、 似然比卡方G2（LL）檢驗(yàn)、信息評(píng)價(jià)指標(biāo)（AIC、BIC）和樣本校正的BIC（aBIC）。 這幾種擬合適配指標(biāo)都是統(tǒng)計(jì)值越小表示模型的擬合度越好[18]。 信息熵Entropy 也常用來評(píng)價(jià)分類精確度，取值范圍為0～1，值越大，分類越精確。還有似然比檢驗(yàn)（LMR）和基于Bootstrap的似然比檢驗(yàn)（BLRT）兩個(gè)指標(biāo)，當(dāng)LMR 和BLRT值的顯著性水平達(dá)到顯著時(shí)，表明分類為c 個(gè)類別的模型顯著的優(yōu)于分類為c-1 個(gè)類別的模型。

1.2 多水平分析模型

多水平模型又被稱為混合效應(yīng)模型，充分考慮了數(shù)據(jù)的層次結(jié)構(gòu)，適用于處理具有層次結(jié)構(gòu)或嵌套式結(jié)構(gòu)的數(shù)據(jù)。 其中部分或全部參數(shù)由固定效應(yīng)和隨即效應(yīng)兩部分組成，將單一的隨機(jī)誤差項(xiàng)分解到數(shù)據(jù)層次結(jié)構(gòu)的各個(gè)水平上，從而能得到每個(gè)層次上的解釋信息，使得分析更完善和更準(zhǔn)確。

研究數(shù)據(jù)為兩水平層次數(shù)據(jù)結(jié)構(gòu)，水平1 為分組水平 （即出行者偏好分組）， 水平2 為個(gè)人水平（包括個(gè)人基本屬性和出行屬性等）。 假定樣本共有N 個(gè)個(gè)體， 可以按照一定標(biāo)準(zhǔn)將總樣本分為J 個(gè)群組，每個(gè)群組中有I 個(gè)個(gè)體。 yij表示第j 群組中第i個(gè)體的出行選擇；logπij表示第j 群組中第i 個(gè)體出行選擇結(jié)果yij為陽(yáng)性的概率，范圍為（0，1）；xij表示多水平模型中水平1 的解釋變量；β0j，β1j表示水平1的回歸系數(shù)，其中β0j為水平1 的截距，β1j為xij的固定效應(yīng)參數(shù)；γ00，γ01表示水平2 的截距；μ0j，μ1j表示隨機(jī)效應(yīng)，服從正態(tài)分布。

首先，建立零模型，即不包括解釋變量。 零模型可以表示為

其次，將水平2 解釋變量和水平1 解釋變量加入零模型。 鑒于水平2 無解釋變量，最終模型可以表示為

運(yùn)用最大似然估計(jì)法 （Maximum likelihood method）對(duì)多水平模型進(jìn)行參數(shù)估計(jì)。

2 研究數(shù)據(jù)

為了研究動(dòng)態(tài)交通信息影響下出行者異質(zhì)性出行行為，在日本西部地區(qū)進(jìn)行了大規(guī)模網(wǎng)絡(luò)問卷調(diào)查數(shù)據(jù)，共獲取了2 500 份有效問卷。

調(diào)查問卷分為兩部分組成：揭示性偏好（RP）調(diào)查和聲明偏好（SP）調(diào)查。 其中，RP 調(diào)查反映了每個(gè)被調(diào)查者的個(gè)人出行經(jīng)歷和對(duì)出行信息的偏好。 相關(guān)題目設(shè)置來源于文獻(xiàn)調(diào)查和高速公路專家意見，主要內(nèi)容包括：車輛使用情況（如頻率和用途），高速公路使用情況（如頻率、用途），對(duì)交通信息的需求， 個(gè)人社會(huì)經(jīng)濟(jì)屬性等。 SP 調(diào)查主要依據(jù)了RP調(diào)查獲得的被調(diào)查者真實(shí)的高速公路使用體驗(yàn)、交通信息偏好等以及動(dòng)態(tài)交通事故信息，采用正交試驗(yàn)設(shè)計(jì)調(diào)查內(nèi)容， 并對(duì)同樣的2 500 名被調(diào)查者進(jìn)行了調(diào)查。 主要調(diào)查內(nèi)容包括：事故條件因素（從入口匝道到事故現(xiàn)場(chǎng)的距離和事故嚴(yán)重程度信息），事故影響因素（隊(duì)列長(zhǎng)度和隊(duì)列變化趨勢(shì)），交通管理因素（交通管制、預(yù)計(jì)擁擠時(shí)間、擁堵清除時(shí)間的準(zhǔn)確性、在一定時(shí)間內(nèi)清除擁堵的概率）。

選取了個(gè)人基本社會(huì)經(jīng)濟(jì)屬性（性別、年齡、學(xué)歷和職業(yè)）、出行屬性（出行目的、出行距離、交通事故嚴(yán)重性、到事故現(xiàn)場(chǎng)的距離、消除交通堵塞的預(yù)測(cè)時(shí)間） 以及出行者交通信息異質(zhì)性共同構(gòu)建模型。 個(gè)人社會(huì)經(jīng)濟(jì)基本屬性、出行屬性相關(guān)變量及其分類如表1 所示。

表1 變量及其分類Tab.1 Variables and its classification

為描述出行者交通信息異質(zhì)性，從調(diào)查數(shù)據(jù)中選取了8 個(gè)表征出行者信息偏好的外顯變量，如表2 所示，均為兩個(gè)等級(jí)：是、否。

表2 交通信息異質(zhì)性外顯變量Tab.2 Manifest variables of traffic information heterogeneity

3 出行者潛在類別分析

運(yùn)用MPLUS 軟件對(duì)出行者交通信息偏好進(jìn)行潛在類別分析， 采用極大似然估計(jì)法進(jìn)行參數(shù)估計(jì)，抽取分類為1～6 個(gè)潛在類別的模型擬合信息指數(shù)匯總?cè)绫? 所示。 從表3 中可以看出，似然比卡方G2（LL）檢驗(yàn)指標(biāo)、Pearson 卡方檢驗(yàn)指標(biāo)和AIC指標(biāo)都隨著潛在類別數(shù)的不斷增加而減少，但是始終沒有達(dá)到最低值。 針對(duì)這種單調(diào)遞減的情況，可以采用數(shù)據(jù)拐點(diǎn)對(duì)模型指標(biāo)進(jìn)行檢驗(yàn)。 此外，保留4 個(gè)潛在類別時(shí)達(dá)到最小的BIC 值（22 830.4）和aBIC 值（22 719.2），但與分類分別為3 個(gè)潛在類別、5 個(gè)潛在類別、6 個(gè)潛在類別的模型檢驗(yàn)指數(shù)相比區(qū)別不大，也采取數(shù)據(jù)拐點(diǎn)進(jìn)行檢驗(yàn)。 結(jié)果顯示，在分類為兩個(gè)潛在類別時(shí)指標(biāo)數(shù)值存在明顯的拐點(diǎn)。結(jié)合以上信息，支持保留分類為兩個(gè)潛在類別的模型。 然而， 分類為3 個(gè)潛在類別時(shí)的Entropy 值（0.781）最大。 并且LMR 和BLRT 的結(jié)果也不一致，結(jié)果顯示， 分類為4 個(gè)潛在類別時(shí)模型的LMR 指標(biāo)不顯著， 支持保留分類為3 個(gè)潛在類別的模型，而BLRT 指標(biāo)一直顯著。從這些指標(biāo)來看，支持保留分類為3 個(gè)潛在類別的模型。

表3 出行者交通信息偏好潛在類別分析擬合信息匯總表Tab.3 LCA fitting information for travelers traffic information preference

統(tǒng)計(jì)指數(shù)只能提供決策參考，在確定最佳模型時(shí)還需要考慮各類別的可解釋性，所以對(duì)2 個(gè)潛在類別模型和3 個(gè)潛在類別模型進(jìn)行比較，如表4 所示。 根據(jù)表4 的潛在類別劃分依據(jù)，模型分別保留2個(gè)潛在類別和3 個(gè)潛在類別時(shí)，第2 類（2C）和第3 類（3C）的條件概率分布比較一致，說明這兩個(gè)類別在不同的模型中比較穩(wěn)定。 在3 個(gè)潛在類別的模型中，第1 類（3C）和第2 類（3C）可以看作由兩個(gè)潛在類別模型的第1 類（2C）分離出來的。具體來看，3個(gè)潛在類別的模型中的第1 類和第2 類在外顯變量1，3，5，6 和8 上的條件概率有差異，綜合考慮后選擇3 個(gè)潛在類別的模型為最佳模型[19]。

表4 潛在類別劃分依據(jù)Tab.4 Classification standard of the latent class %

根據(jù)3 個(gè)潛在類別在題目上的作答特點(diǎn)，3 種類別的出行者在外顯變量2 上的比例都比較低，說明出行者對(duì)于高速公路交通信息認(rèn)可度不高。Class 1 的出行者在外顯變量3，4，5，6，7 和8 上比例較高，會(huì)搜集盡可能詳細(xì)的交通信息，并且對(duì)信息的內(nèi)容和方式有要求，表現(xiàn)出對(duì)交通信息的高度依賴， 命名為：“高動(dòng)態(tài)交通信息依賴組”； Class 2的出行者在外顯變量1 上比例較高，偏好出行前交通信息，會(huì)在出行前收集交通信息，對(duì)交通信息的內(nèi)容和方式要求不高，沒有表現(xiàn)出對(duì)動(dòng)態(tài)交通信息的高依賴， 命名為：“低動(dòng)態(tài)交通信息依賴組”；Class 3 的出行者在所有的外顯變量上都具有較低的條件概率，沒有表現(xiàn)出對(duì)交通信息的依賴，命名為：“無動(dòng)態(tài)交通信息依賴組”。 Class 1，Class 2，Class 3 占樣本的比重分別為38.8%，36.1%，25.1%。并且，通過潛在類別分布比較，不同性別、年齡和職業(yè)的出行者交通信息偏好的潛在類別分布差異具有統(tǒng)計(jì)學(xué)意義（P＜0.05），如表5 所示。

表5 不同個(gè)體屬性出行者交通信息偏好的潛在類別分布比較Tab.5 Comparison of latent class for different individual traffic information preference

4 多水平模型分析

為定量分析高速公路動(dòng)態(tài)交通事故信息以及不同交通信息異質(zhì)性對(duì)出行者出行行為的影響，綜合考慮出行者個(gè)人社會(huì)經(jīng)濟(jì)屬性、出行屬性和由第3 節(jié)得到的出行者信息偏好分組變量共10 個(gè)變量，構(gòu)建多水平模型。其中，出行信息偏好分組為水平2（Group level） 分組， 其他變量為水平1（Individual level）變量。

多水平模型固定效應(yīng)檢驗(yàn)結(jié)果如表6 所示，可見不同偏好類型的出行者在出行選擇行為上有差異（F=22.614，P＜0.001），模型具有統(tǒng)計(jì)學(xué)意義。固定效應(yīng)項(xiàng)中Gender（F=6.369，P=0.007），Age （F=71.852，P＜0.001），Education（F=66.652，P＜0.001），Occupation（F=2.397，P=0.024），Accident severity （F=15.736，P＜0.001）和Distance to site（F=4.594，P=0.034）的效應(yīng)有統(tǒng)計(jì)學(xué)意義。 而Trip purpose（F=0.137，P=0.699）和Trip distance（F=3.215，P=0.087） 的效應(yīng)無統(tǒng)計(jì)學(xué)意義。

表6 固定效應(yīng)Tab.6 Fixed effect

為了檢驗(yàn)多水平模型對(duì)層次結(jié)構(gòu)數(shù)據(jù)的預(yù)測(cè)能力，對(duì)一般離散選擇模型和多水平模型的預(yù)測(cè)擬合評(píng)價(jià)指標(biāo)如表7 所示。 由表中數(shù)據(jù)可知，多水平模型在判斷正確率（TPR=0.833, FPR=0.343）和預(yù)測(cè)精度（F-Measure=0.735）都高于一般離散選擇模型的指標(biāo)（TPR=0.706, FPR=0.328，F(xiàn)-Measure=0.700），較為優(yōu)異。 結(jié)果表明，多水平模型比一般的離散選擇模型更適合分析層次結(jié)構(gòu)數(shù)據(jù)。

表7 模型擬合評(píng)價(jià)指標(biāo)Tab.7 Model fitting assessment index

多水平模型的參數(shù)標(biāo)定結(jié)果如表8 所示。 本模型選擇第一種類別作為基線。 結(jié)果顯示，在個(gè)人屬性方面，性別、年齡、學(xué)歷對(duì)出行選擇行為有顯著影響。 其中，性別和學(xué)歷有負(fù)向顯著影響作用，而年齡有正向顯著影響作用。 這表明，女性比男性更傾向于改變出行計(jì)劃；隨著年齡增長(zhǎng)，出行者更容易改變出行計(jì)劃；隨著學(xué)歷的提高，出行者不太會(huì)改變出行計(jì)劃。

表8 參數(shù)標(biāo)定結(jié)果Tab.8 Parameter calibration results of multilevel modeling

在出行屬性方面，交通事故嚴(yán)重性和預(yù)計(jì)交通擁堵時(shí)間對(duì)出行者改變出行計(jì)劃有正向顯著影響作用，距事故點(diǎn)距離對(duì)出行計(jì)劃的改變有負(fù)向顯著影響作用。 這表明，交通事故程度越嚴(yán)重、預(yù)計(jì)交通擁堵時(shí)間越長(zhǎng)、距事故點(diǎn)距離越遠(yuǎn)時(shí)，出行者改變其出行計(jì)劃的意愿越高。

5 結(jié)論

基于實(shí)際調(diào)查數(shù)據(jù)，運(yùn)用潛在類別分析方法探索了出行者交通信息潛在類別，并將分組結(jié)果作為變量與個(gè)人屬性、 出行屬性共同構(gòu)建出行行為多水平模型，探索了動(dòng)態(tài)交通事故信息影響下異質(zhì)性出行行為，得出以下結(jié)論。

1） 根據(jù)潛在類別分析將出行者分為不同的交通信息類型：動(dòng)態(tài)交通信息高依賴組、動(dòng)態(tài)交通信息低依賴組、動(dòng)態(tài)交通信息無依賴組，占比分別為38.8%、36.1%、25.1%。 并且3 種類別的出行者在性別、年齡和職業(yè)的交通信息異質(zhì)性分布差異均具有統(tǒng)計(jì)學(xué)意義。

2） 將出行者個(gè)人屬性、出行屬性以及交通信息異質(zhì)性潛在類別作為解釋變量，出行行為作為被解釋變量，構(gòu)建多水平模型。 并將其預(yù)測(cè)結(jié)果與一般離散選擇模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)考慮層次數(shù)據(jù)結(jié)構(gòu)的多水平模型具有更好的模型預(yù)測(cè)效果。

3） 通過多水平模型結(jié)果可以得知，不同交通信息異質(zhì)性的出行者在動(dòng)態(tài)交通信息下的出行行為有明顯差異。 其中，性別和學(xué)歷有負(fù)向顯著影響作用，而年齡有正向顯著影響作用。 并且，交通事故程度越嚴(yán)重、預(yù)計(jì)交通擁堵時(shí)間越長(zhǎng)、距事故點(diǎn)距離越遠(yuǎn)時(shí)，出行者改變其出行計(jì)劃的意愿越高。

4） 不同出行者對(duì)動(dòng)態(tài)交通信息的偏好不同，并且進(jìn)行出行決策時(shí)會(huì)受到個(gè)人異質(zhì)性、社會(huì)經(jīng)濟(jì)屬性、出行屬性的影響。這與實(shí)際情況相符。通過調(diào)節(jié)動(dòng)態(tài)交通信息的發(fā)布可以改變出行者出行行為，從而改善高速公路交通流狀況，在一定程度上避免高速公路交通事故引起的交通擁堵造成較大的經(jīng)濟(jì)損失。