基于移動互聯交通信息的居民出行方式特性

李文勇, 趙寅飛, 廉冠, 李俊卓, 宋藝欣

(桂林電子科技大學, 廣西智慧交通重點實驗室, 桂林 541004)

隨著“互聯網+”“北斗+交通”“5G+交通”等新興技術的運用,出行者已經養成了使用移動互聯網隨時隨地獲取交通信息的習慣,個人與交通信息的關系也越來越密切。當今的數據獲取模式已發生根本性變化,交通信息獲取設備更加先進,不同數據來源也愈發多樣化,且數據獲取方法也完成了向動態、自動化、智能化、多方法獲取方式的轉變[1]。因此,研究移動互聯交通出行信息對出行者出行特性的作用機制與影響機理具有重要的實際意義和理論價值。

在移動互聯交通信息對居民出行特性的影響方面:湯靜妍等[2]通過算例分析了不同政策標準對出行決策行為的影響程度。梁泉等[3]分析了多源數據為公共交通出行特征精細化挖掘與預測帶來的影響。Kraan等[4]和Shen等[5]通過問卷調查發現交通信息對通勤者出行的娛樂、購物等目的地的選擇有著較大影響。李浩然[6]基于非合作擁擠博弈理論對交通信息影響下的居民出行特性進行研究。孫亦凡等[7]研究了手機APP提供出行信息下出行者的交通方式選擇特性,發現在多種交通信息影響下,出行者的決策會受到顯著影響。

在出行方式特性調查方面:RP(revealed preference)調查法和SP(stated preference)調查法是現今行為特性分析領域最廣泛使用的兩種調查方法[8]。Hasnine等[9]認為RP調查法能比較真實地反映出調查需求狀況。Teddy等[10]通過RP調查與SP調查分析地鐵用戶出行選擇行為,對比認為SP調查更能節約成本,提高調查效率。Hensher[11]認為在SP調查中的假設環境下的選擇與真實選擇之間會存在一定差異,這稱為假設性偏差。唐立[12]提出了一種改進SP調查的選擇枝設計法,改進后可以將特有選擇枝與通用選擇枝相互融合,稱為SP優化正交設計法。

上述研究多以SP調查或RP調查進行數據獲取,并且大多數研究都基于單次出行,部分基于出行鏈的出行方式選擇模型都是采用一般的MNL(multinomial Logit model)模型,存在一定的局限性。現以移動互聯出行特性為研究視角,運用改進的SP-RP融合設計法制作問卷進行調查,研究出行鏈中通勤者的出行方式,并建立出行方式選擇的NL(nested Logit model)模型并進行驗證,能夠引導出行者在出行方式方面進行科學、合理的選擇,為交通誘導和管理提供堅實的理論基礎。

1 移動互聯交通信息下的居民出行特性調查與分析

1.1 移動互聯交通信息調查內容梳理

隨著移動互聯網的發展,移動互聯交通信息對于出行者的影響不再局限于事故、天氣等原因,而是融入了更多可參照的移動信息。根據不同的信息類別,將與活動出行相關的移動互聯交通信息分為道路網信息等5類,對應14種具體的信息內容,如表1所示。

上文已確定14項移動互聯交通信息具體內容;考慮不同交通信息間的相關性,為防止過多的共線性問題出現在后續模型建立中,現采用主因子分析法[13],篩選14項信息具體內容后進行合并,最終得到8項對出行選擇行為有著重大影響的信息屬性,分別為天氣、實時路況信息、擁堵延誤時間、公交到站時間、打的(網約車)等候時間、停車費用、實時交通管制信息、實時事故信息。

表1 可獲取的移動互聯交通出行信息內容一覽表Table 1 Available mobile internet traffic travel information

1.2 RP與SP融合調查設計

由于RP、SP調查法各有利弊,RP調查法需要受訪者情境回憶過多,信息采集難度大; SP調查法的弊端是受訪者需要填寫的問卷信息過多,數據質量想必會受到影響。因此本文將通過RP調查出行特征屬性以及個人屬性,通過SP調查信息屬性,并應用Minitab軟件對SP模擬情境調查進行正交優化,保持選擇枝組合相對水平,提高小容量樣本調查下的精確程度,設計流程如圖1所示。

圖1 RP-SP融合調查流程圖Fig.1 RP-SP fusion investigation flowchart

1.3 出行方式影響因素屬性定義

根據影響交通出行選擇行為的因素,將變量分為3個類型,分別為:①基本屬性:性別、年齡、工作、私家車擁有情況等;②實時信息屬性:天氣、延誤時間、擁堵情況、公共交通等候時間等;出行特征屬性;③出行目的、距離、時間、費用等。問卷中涉及的各種屬性將服務于下文建立的交通選擇模型及各選擇枝。為了簡化數據整理及模型描述過程,將對相關因素進行符號定義并進行相關描述,如表2所示。

1.4 桂林市居民出行方式特性調查

使用RP-SP融合調查法以獲取研究數據。對調查結果進行正交優化,提高了小容量樣本調查下的精確程度。數據來源為:現場調查、網絡問卷調查、委派2021年桂林市居民出行調查同步進行等方式。本次調查對象為桂林市區居民,收回問卷951份,剔除有明顯瑕疵的問卷后得到有效問卷共696份,問卷調查有效回收率為73.2%。

本次接受調查的居民男性與女性所占比例分別為54%和46%,男女性比例無明顯差異,被調查人員性別比例較為均衡。根據第47次《中國互聯網絡發展狀況統計報告》,截至2021年2月手機網民規模達9.86億,網民使用手機上網的比例達99.7%,網民增長的主體正在從青年群體轉向未成年人、中老年群體[14]。本研究將調查對象年齡限制為15～50歲,這一年齡群體是接觸移動互聯交通信息的高頻群體,也是未來出行服務的主要服務群體。其中:15～25歲的調查對象占比32.5%,26～35歲占比36.8%,36～50歲占比30.7%。此次調查,居民文化程度主要集中在高中和本科,其所占比例為26%和34%,其次是中專、大專,所占比例分別為12%、20%,研究生及以上的人員占比為8%。本次調查將居民職業分為工人、公務員、教師、企業職員、醫務人員以及自由職業者,其中企業職員占比最高,為33.5%,工人、公務員、教師、醫務人員以及自由職業者占比分別為18.2%、15%、11.6%、11.2%、10.5%。調查對象月收入小于5 000元的占比62.6%,5 000～10 000元的占比30.2%,10 000元以上的占比7.2%,其中擁有私家車的比例達到41.9%,擁有電動自行車的占比59.85%,符合移動互聯交通信息服務人群的收入水平及出行習慣。

表2 出行方式影響因素屬性定義一覽表Table 2 Definitions of attributes of factors affecting travel mode

基于出行鏈采用交叉分析法對桂林市居民出行方式進行分析以獲得桂林市居民出行方式選擇特性,如表3所示。

由居民出行方式對比可知:桂林市多通過慢行交通出行,步行、電動自行車的使用比例高達71.3%。電動自行車與桂林市城市規模和慢行交通網絡環境具有較好的適配性,出行比例已達到了46.1%,成為短距離出行最受歡迎的交通工具。而公共交通出行占比僅為 5.3%,遠低出私家車出行方式15%占比。相比于大多城市,桂林出行者更習慣于慢行交通出行;公共交通出行比例較低。

表3 桂林各區域居民出行方式對比一覽表Table 3 Comparison of residents’ travel mode in different regions of Guilin

1.5 桂林市居民移動互聯交通信息使用及需求特征分析

居民對于移動互聯交通信息的需求特征分析可以對導航、地圖等提供出行信息的APP提供強有力的指導意義。根據問卷調查中的居民出行信息需求狀況表,分析桂林市居民移動互聯交通信息使用及需求特征,居民出行過程中對于交通信息的獲取方式如圖2所示。

由圖2可以明顯看到,隨著移動互聯網的不斷發展,傳統的交通信息獲取方式與人群逐漸減少;手機作為移動互聯網目前最便捷的載體,已經成為目前使用率最高的移動互聯交通信息傳播工具。

居民出行前與出行中的交通信息內容需求特征對比如圖3所示,可知,出行路線、目的地距離與路況信息在出行前與出行過程中都保持著較高關注度。居民在出行前最關注的交通信息為出行路線,停車場信息最不受關注;居民在出行過程中最關注的交通信息為目的地距離,同時多停車場信息的關注度大大提高。

圖2 出行過程中交通信息的獲取方式Fig.2 Ways to obtain traffic information during travel

圖3 居民出行交通信息需求特征Fig.3 Characteristics of resident travel traffic information demand

2 出行方式選擇模型建立與分析

居民出行特性通常包括出行方式、出行路徑以及出發時間,在這之中,居民出行方式的調查統計可以反映城市交通出行結構;本文中主要對桂林市居民出行方式進行建模分析。

2.1 交通信息影響下的出行方式選擇模型

出行方式選擇模型本質上來說是一種離散選擇模型,而離散選擇模型中最為經典的又屬MNL模型;但由于MNL模型的IIA特性(即選擇枝被選擇的概率不會收到其他選擇枝的影響),這與實際情況不符。為了解決這個問題,本文中采用NL模型來對研究內容進行建模分析,可以避免上文指出的IIA問題。

假設移動互聯交通信息(Imformation)下的出行方式選擇模型為一個雙層NL模型結構,將駕車出行(Car)和非駕車出行(NoCar)作為上水平m,將步行(Walk)、電動自行車(E-bike)、公交(Bus)和出租車(Taxi)作為選擇方案m后的下水平i,模型的選擇枝結構如圖4所示。

圖4 出行方式選擇枝結構Fig.4 Travel mode choose branch structure

在離散選擇模型中,根據隨機效用最優理論,出行者選擇任意一種出行方式的效用函數為

Un,m,i=Vni|m+εni|m+Vmn+εmn

(1)

式(1)中:Vni|m表示出行者n在方案m下選擇出行方式i的效用確定項;Vmn表示出行者n選擇方案m的效用確定項;εni|m與εmn分別表示出行者n在方案m下選擇出行方式i與選擇方案m的效用隨機項。

Vni|m為上文各個定義屬性值與其自身參數β乘積之和,具體表達式為

出行者n選擇方案m的效用確定項Vmn可表示為標量與自身最大效用的乘積,即

(3)

式(3)中:μm為上水平m的標量;μi|m表示上水平m下選擇枝i的標量。

出行者n選擇相應出行方式i的概率Pni可表示為出行者n選擇的上水平m的概率Pmn與選擇其下水平i的概率Pni|m之積,表達式為

Pni=PmnPni|m

(4)

(5)

(6)

聯立式(4)～式(6)可以得到出行者n選擇相應出行方式i的概率Pni,計算公式為

(7)

2.2 模型標定與驗證

運用完全信息最大似然估計法對NL模型進行估計,通過NLogit4.0軟件對表2的參數進行了驗證分析,在95%的置信水平下,標定參數及相關統計量如表4所示。

上述模型的McFadden確定系數為0.529 8,最大自然函數的自然對數為-563.93。對于所收集數據的證實研究,該結果已達到較好的擬合程度,由此可以得出以下結果分析。

2.3 結果分析

根據模型標定結果表4可見:

(1)移動互聯交通信息對私家車出行影響最大。其中實時路況信息屬性最為顯著,其次為擁堵延誤時間,這可以理解為:私家車出行者在眾多出行方式中對于出行過程最為重視,在出行前與出行過程中對于路徑的規劃與選擇會通過接收到的移動互聯交通信息而動態變化,進而選擇一條當下情況最優的路徑出行,這同時也可以進一步推動移動互聯交通信息下的路徑選擇研究。

(2)出行距離較短(<3 km)時,人們更愿意選擇電動自行車,而非公共交通出行。這是桂林與其他中小城市居民出行的一個共性。在短途出行中,電動自行車由于出行便捷、停車方便、費用小等原因受到廣大出行者的追捧。

表4 標定參數及相關統計量Table 4 Calibration parameters and related statistics

(3)天氣屬性在電動自行車與步行兩種出行方式中尤為顯著,而非實時路況信息屬性等直接影響出行過程的信息屬性。這表明:由于電動自行車與步行的靈活性(通常表現為遇到擁堵等突發情況仍可快速通行),選擇這兩種出行方式的人群更加關注天氣等影響出行的間接因素。

(4)高收入人群更傾向于選擇私家車出行。這是因為與低收入人群相比,高收入人群擁有良好的經濟基礎以購買私家車,能夠獲得更高質量的出行信息以及活動消息,出行需求也就更高。此外,高收入人群時間觀念強,出行目的明確,通常會選擇時間短、效率高的出行方式。

(5)15～25歲的受訪者更傾向于使用電動自行車出行,26～35歲的受訪者傾向于私家車出行,這是由于不同年齡段的經濟條件限制造成的。

(6)出行費用與出行目的屬性在出租車出行中最為顯著,可以理解為:出租車出行本身是一種目的性極強的出行方式,但由于其費用較為昂貴,許多出行者只選擇當下能夠在完成出行目的的情況下使用該出行方式。

(7)交通信息獲取質量滿意度屬性在居民出行中以公交出行最為顯著。可以看出,交通信息對出行方式的引導起著重要作用,高效的移動互聯交通信息發布能夠提高出行者的出行滿意度,滿意程度越高,居民就更愿意選擇公共交通這一出行方式。

3 結論

以移動互聯交通信息對居民出行方式選擇的影響作為研究視角,進行RP-SP融合調查設計,獲取桂林市居民出行方式選擇特性數據,采用離散選擇法對數據進行分析,并建立移動互聯交通信息影響下的出行方式選擇的NL模型,對模型進行了標定以及檢驗分析。實證研究發現,在出行鏈日趨復雜的情況下,個體活動和交通行為與移動互聯交通信息關系愈發緊密,移動互聯交通信息對居民出行方式選擇產生顯著影響,這主要表現在:

(1)實時路況信息與擁堵延誤時間對私家車出行有著重要影響。

(2)由于電動自行車與步行的靈活性,選擇這兩種出行方式的人群更加關注天氣等影響出行的間接因素而非路況信息。

(3)交通信息獲取質量滿意度越高,越能促進居民選擇公共交通方式出行。

本文的研究在一定程度上揭示了移動互聯交通信息對不同出行者出行方式特性影響的差異性,能夠作為理論基礎推動今后移動互聯交通信息下的路徑選擇與交通出行誘導的研究。

本文只將多項Logit模型應用于居民出行方式選擇這一出行特性,有一定的片面性,其中模型選擇枝的構建有待進一步優化。下一步的研究將繼續改進RP-SP融合調查方法,對出發時間、出行距離等其余出行特性進行建模分析。