交通信息下基于出行链的通勤出行方式选择行为

   0 引 言 
  随着城市社会经济、文化和科学技术的日新月异,以及日益扩张的城市规模,居民的出行目的越来越多样化,出行范围越来越广,出行结构也变得越来越复杂.通勤出行指出行者在居住地与工作地之间的空间移动.像上海这种居住和就业空间分离较大的城市,居民为减少其出行成本,使出行效用达到最大化,倾向于在一次出行中链接多个出行活动,从而构成一条集约化的出行链. 
  出行链是指出行者从居住地出发再返回居住地的过程,这个过程中蕴含着大量的时间、空间、方式和活动类型信息,并且这些信息之间是互相关联和相互作用的,整个载有信息的过程被称为出行链1.对通勤者而言,很重的一项决策就是出行方式的选择. 
  近几年移动互联网技术得到高速发展,无线网络覆盖区域日益扩大,智能手机等无线通信工具的使用日益广泛,诸多交通信息查询APP软件(百度地图等)也逐渐普及,这些都使得出行者随时随地查询交通信息成为可能,从而促使出行者的活动习惯和模式发生改变,进而人们的出行方式和出行链模式也会呈现新的变化和特征. 
  在交通信息对出行行为影响方面隽志才等2发现居民选择出行方式会受到交通信息的内容和提供方式的影响;ZHONG等3应用回归模型分析比较了不同类型的道路交通状态信息对出行者选择路径的影响;TSENG等4通过RP(Revealed Preference)调查,以智能手机作为接收实时信息的载体,应用离散选择模型研究了实时交通信息对单次出行决策的影响;侯现耀等5的研究结果表明公交信息总体上会增加人们选择公交出行的意愿. 
  在出行链与出行关系方面ADLER等6应用效用理论建立了出行者在非工作出行中的出行链模式多项Logit模型;YE等7分别应用迭代双变量(recursive bivariate) probit模型和联立(simultaneous) Logit模型分析研究了出行链复杂性与出行方式选择之间的关系;HENSHER等8对悉尼居民出行行为进行研究,发现当出行链由简单变为复杂后,居民选择公交方式出行得到的效用将减小,因此认为复杂出行链构成了采用公交方式出行的障碍.国内也有类似研究杨敏等9通过建立二项Logistic模型分析了影响个体选择简单链还是复杂链的显著变量;栾琨等10、王孝坤等11均认为出行链模式选择与出行方式选择之间存在显著的相互影响关系;张华歆等12对交通信息条件下的通勤出行链模式选择行为进行研究,发现交通信息在促进复杂链的生成上发挥了较大的作用. 
  上述研究中,大多数局限于交通信息对单次出行的影响,缺乏从通勤者整体出行链的角度来深入探讨出行方式选择问题的研究;同时在出行链与出行关系方面,多数研究也未考虑到目前可随时获取的交通信息的作用. 
  本文以通勤出行链为研究视角,分析在交通信息条件下上海市具有不同社会经济属性和出行活动属性的通勤者出行方式选择行为呈现的特征和规律,以明确通勤者出行方式选择的偏好,为交通需求管理和交通信息诱导等政策制定提供理论基础和实证依据. 
  1 出行方式选择RP调查统计分析 
  1.1 出行方式选择RP调查 
  本文的研究数据通过RP调查获得,主包括路边现场访谈、网络不记名在线调查、委托问卷公司调查等3种方式.调查对象为上海地区居民.本次调查共收回问卷650份,剔除明显信息不准确问卷223份后得到有效问卷427份,有效回收率为65.7%. 
  本次调查区域覆盖上海多个区,对有效问卷进行统计,具体区域分布见表1. 
  在427份调查样本中,女性比例为59.95%,男性比例为40.05%;被调查的通勤者中,年龄分布在18岁至57岁之间,平均年龄为33.06岁,年龄标准偏差为8.92岁;已婚者为75.6%,未婚者为24.4%;有64.6%的通勤者家庭拥有私家车,54.6%的通勤者采用复杂链出行模式. 
  根据对通勤者基本信息的统计分析,调查样本的区域分布和性别分布较好地覆盖了通勤出行者群体.根据2010年上海市第六次全国人口普查资料,上海劳动适龄人口平均年龄为35.46岁.因为青年群体相对于中老年群体对移动互联网接触得更多,所以本次调查的样本群体呈现年轻化特点,但与劳动适龄人口平均年龄相差不大.因此可以认为,调查样本的年龄分布覆盖了大部分受移动互联网技术影响的通勤群体,对模型估计有一定的变异程度,数据采集符合研究求. 
  1.2 出行链模式及出行方式 
  通勤出行链可以分为简单链和复杂链 中途只有唯一活动地点的称为简单链;涉及一个以上活动地点的称为复杂链.简单链相对于复杂链来说,出行次数和弹性活动次数较为固定.因为复杂链除通勤活动之外还嵌套了其他活动,所以灵活性和随机性更大13. 
  本文中研究的通勤出行链均以家为出发点和终点.基于家的出行链(homebased trip chain)会有多次出行方式选择, 即一次出行必有一次方式选择13.在一次出行链中出行者通常会采用多种不同的交通方式,换乘关系也会相对复杂,因此按照出行者采用的交通方式的机动性强弱和共享性强弱确定其优先级14.机动性越强、共享性越弱的出行方式,其优先级别越高.本文结合上海市居民出行的实际情况,将机动性作为判断出行方式优先级别的主标准,以共享性为参考标准,将各出行方式的优先级别从高至低排序,依次为私家车、停车换乘(Park and Ride,P&R)、公共交通(地铁)、单位班车、摩托车、非机动车(步行).
  本文中定义通勤出行方式为通勤出行链中采用最高优先级别的出行方式.由表1可知,在此次RP调查中,公共交通(地铁)、私家车、非机动车(步行)、P&R这4种出行方式之和占样本总体的94.14%,因此在本文中将这4种出行方式作为分担整体情况的代表.由于摩托车和单位班车这两种方式所占的比例很低,因此后文在进行参数估计时,把摩托车方式并入非机动车(步行)方式,把单位班车方式并入公共交通(地铁)方式. 
  根据上海市第4次综合交通调查结果,2009年全市公共交通出行方式占25%,个体机动车和电(助)动车分别占20%和15.2%.本次调查表明,随着近几年城市汽车保有量的提高以及中心城区公共交通特别是地铁设施的完善,采用公共交通和私家车出行的比例均有提高,同时兼顾出行机动性和方便性的P&R方式也得到一定的发展. 
  1.3 出行方式选择影响因素 
  根据目前的主研究结论,出行者特性和出行特性是影响居民出行方式选择的两类主因素15.出行者特性包括性别、年龄、婚姻状态、收入等,出行特性包括出行距离、出行时间(上下班时间)等.考虑到不同的工作日出行活动安排(即不同的出行链模式),居民的出行方式选择很可能也会不同;另外,交通信息对不同属性的个体带来的影响会有差异,个体出行行为也会呈现不同的特点和差异,反之,不同属性的个体对交通信息的查询习惯等也有诸多不同.因此,本研究在已有研究的基础之上,增加了居民通勤出行链模式和交通信息使用习惯两类影响因素.综上,将影响出行方式选择的因素归纳如表3. 
  1.4 RP调查数据统计分析 
  根据此次RP调查数据,分别得到出行链模式、交通信息查询频率、交通信息满意度和通勤者收入与4种出行方式选择的交叉比例信息,见图1~4. 
  观察图1~4可知(1)以复杂链模式出行的通勤者中选择私家车和P&R方式的比例明显高于以简单链出行的居民;(2)在频繁查询交通信息的通勤者中,选择私家车和P&R方式的比例均高于基本从不查询交通信息的出行者;(3)对交通信息查询满意度高的出行者更愿意选择公共交通(地铁)方式出行;(4)高收入者相对于低收入者更倾向于选择私家车出行方式,而低收入者则更多地选择公共交通(地铁)和非机动车(步行)出行. 
  2 出行方式选择模型 
  2.1 离散选择模型 
  离散选择分析方法是基于随机效用理论的,假定在一个能够选择并且选择方式互相独立的集合中,决策者作为行为主体总会选择一个他认为对自身效用最大的方式16.本研究中,出行者的通勤出行方式选择是多元选择,即在非机动车(步行)、公共交通(地铁)、私家车和P&R中选其一,因此本文采用离散选择模型中的多项Logit模型进行多变量 
  2.2 模型参数估计结果分析 
  采用NLogit 4.0软件进行参数估计,以非机动车(步行)为基准,从上述427份问卷中提炼出表3中的17个变量信息,得到出行者出行方式选择参数和模型总体拟合结果,见表4. 
  上述模型的McFadden决定系数为0.329 2,极大似然函数自然对数值为-323.44.对于现实数据的实证研究,这个估计结果已达到较好的拟和程度,由此可得到以下结论 
  (1)复杂链出行模式对P&R方式的促进作用最大.这是本研究的第一个重结论.以往研究都认为,复杂链的生成会成为公共交通发展的瓶颈,而更多地促进私家车的使用910.本研究却发现,复杂链模式在促进P&R方式上的效用最大,这与我国的国情和经济水平有关.私家车方式出行费用高,公共交通方式耗时长且舒适性低,而P&R相对于前两种出行方式在出行费用、时间成本以及舒适性等综合效用上具有优势,因而在复杂链出行模式下,该种出行方式更被通勤者青睐. 
  (2)通勤者交通信息查询频率越高,采用P&R方式出行的概率越大.根据表4,私家车和P&R两种出行方式中的交通信息查询频率属性均显著,尤以P&R出行方式频繁查询属性的参数最大,在5%的置信水平下达到2.945 8.由此可见,出行者查询交通信息的频率越高,越能促进P&R方式的生成.这是本研究的第二个重结论.P&R包含私家车和公共交通(地铁)两种出行方式,其在道路交通拥堵、目的地停车难的地区优势显著.在出行者对停车位、公交地铁换乘、道路状况等信息充分掌握的情况下,其在时间和金钱成本上的综合效用优势会促使通勤者更多地选择该种方式. 
  方式,而非私家车方式.这是本研究的第三个主结论.高收入人群普遍拥有小汽车,并且相对于低收入者来说拥有更多渠道掌握充分的交通和生活信息,从而会激发更多的活动需求进而产生更多的出行需求.另外,高收入群体的时间价值普遍偏高,均倾向于选择在途时间少、舒适性高的出行方式.随着城市机动化水平的提高,中心城区道路交通拥堵情况愈发严重,而P&R方式在这种情况下既能满足高收入群体快速、舒适的求,也能在一定程度上避免道路拥堵,尤其在复杂链的出行模式下,高收入群体更愿意选择该种方式出行. 
  (4)有车家庭更倾向于选择私家车方式出行.这主体现在私家车和P&R两种方式上.在复杂链出行模式下,私家车的灵活舒适性在促进私家车和P&R方式的生成上发挥着积极的作用,这与现有研究结论一致9,11,16.由此可见,改善中心城区的公共交通服务水平(主包括中心城区与停车换乘点的公交接驳服务、停车服务等),并提高相关信息发布水平,以此引导有车家庭更多地选择P&R方式上下班,可以有效减少中心城区的小汽车出行需求量,从而缓解交通拥堵,改善中心城区出行环境. 
  (5)交通信息查询的满意度越高,越能促进公共交通(地铁)方式的生成.根据表4,交通信息查询满意度属性以公共交通(地铁)出行方式最为显著,且数值最大.由此可见,如果能得到有效、满意的交通出行信息,那么通勤者会更愿意选择公共交通(地铁)方式.这是因为,在充分掌握交通信息的条件下,通勤者的出行时间较容易控制,出行费用也最低,所以当通勤者的在途时间求得到满足,且又能以较为低廉的费用完成出行时,往往首先选择的是公共交通.可见,有效的交通信息发布可以促进私家车出行向公共交通(地铁)的转移,交通信息在出行方式诱导上的作用显著.
 (6)有12周岁以下儿童的家庭更愿意选择私家车方式出行.有儿童的家庭因为考虑到对儿童的充分保护,更注重通勤出行的舒适、安全和便捷性.私家车在这方面比公共交通(地铁)和P&R均具有更大的优势. 
  (7)男性更倾向于选择私家车方式出行.在公共交通(地铁)和P&R两种方式中,男性属性均有较为显著的负效用,由此可见男性更喜欢私家车出行.这是因为男性比女性更能熟练驾驶小汽车并对小汽车的依赖程度更高,且男性比女性对时间的求更高.这与现有研究结论较一致5. 
  (8)短距离出行者更倾向于选择非机动方式出行.短距离属性(<5 km)在公共交通(地铁)、私家车和P&R出行方式中均显著且参数为负,可见短距离出行者更倾向于选择非机动车方式出行.出行距离短,使得非机动车方式(电动车、自行车、步行等)即能满足出行需求,因此没有必采用机动车方式.这与生活中的实际情况较一致.    (9)下班时间早的通勤者会更多选择全私家车方式.通勤者下班时间早,通常会激发下班后更多的活动需求而不是直接回家,即会催生出更多的复杂链出行模式,且晚高峰之前的公共交通发车频次偏低,因此会选择灵活快捷的全私家车方式,这与现有研究结论较一致9.   2.3 政策启示    从上述实证分析结论可以看到,在人们出行结构越来越复杂、出行目的越来越多元化的背景下,当通勤者们掌握了足够多的交通信息且对交通信息的满意度较高时,私家车出行方式往往并不是大多数人的首选择,而P&R和公共交通(地铁)两种出行方式具有一定的吸引力.因此,在交通管理政策上有如下启示    (1)完善各交通枢纽、换乘点的公共接驳服务和停车服务,促进进入中心城区的交通方式由私家车向公共交通(接驳)转移.考虑到城市交通拥堵、机动车污染问题日益严重,通过这些措施诱导私家车方式出行的人群在城市边缘区转向公共交通方式,以减少中心城区车流量,从而有效缓解中心城区交通拥挤,同时节约能耗、减少机动车排放污染.    (2)充分利用移动互联网技术,发布全面、准确的交通信息,以做好交通方式的诱导工作.全面、准确的交通信息能够帮助出行者制订出行计划,节约出行时间和成本,进而提高城市交通系统的运行效率,缓解交通拥堵以及由此引发的环境问题.    3 结 论    以通勤者全天出行行为作为研究视角,应用RP调查获取上海居民通勤出行方式选择行为数据,应用离散选择分析方法,建立通勤出行方式选择与通勤者交通信息使用属性、出行链模式和个人社会经济属性之间的关系的多项Logit模型.实证研究发现,当通勤者们掌握了足够的交通信息,并且对交通信息的满意度较高时,在复杂链出行模式日益增多的背景下,P&R方式因其在经济成本和出行灵活性、舒适性上的总体优势,越来越被通勤者们所接受.这主表现在(1)复杂链出行模式最有可能促进P&R方式的生成;(2)通勤者交通信息查询频率越高,采用P&R方式出行的概率越大;(3)高收入群体在通勤出行中更愿意选择P&R方式,而非私家车方式.本文的研究在一定程度上揭示了交通信息对不同属性个体的出行行为的影响差异,以及通勤出行方式选择倾向性的一般规律.    本文应用的多项Logit模型是在假设所有的出行者都是同质的基础上建立的,具有一定的片面性.下一步的研究将改进多项Logit模型,放宽出行者同质性的假设,通过收集RP和SP(意向行为,Stated Preference)融合数据,建立随机参数Logit模型.   

You may also like...