公交动态信息下通勤出发时间选择行为分析＊

郭士永 李文权 陈 茜 左毅刚

（1.东南大学城市智能交通江苏省重点实验室，南京210096；2.现代城市交通技术江苏高校协同创新中心 南京210096）

0 引 言

在欧美，先进的出行者信息系统（advanced traveler information system，ATIS）得到快速发展及应用，交通出行信息服务日臻完善。目前我国许多城市极为重视公交信息化建设，逐步开展公交出行信息服务。ATIS条件下的交通行为受到国内外学者的广泛关注，其研究成果集中于交通信息对驾驶员出行者的出行路径［1－3］、出发时间［4－5］和出行方式［6－7］等交通行为的影响。

公交信息服务能使公交出行者减少不必要的站台等车时间，有助于提高公交服务质量，增加公交出行需求［8－9］。Ben－Elia等［1］研究了动态变化的行程时间信息和出行经验对出行路径选择的影响。Abdel Aty等［10］研究指出公共交通出行时间、收入及教育水平影响公共交通出行者对ATIS信息使用，发车间隔、乘客数量、空余座位等公共交通出行信息类型受到乘客更多关注。而关于公交动态信息内容影响公交通勤行为的研究则很少。在以往信息条件下的交通行为研究［2，10－12］中效用函数尽管考虑了个人属性的影响，但当个人属性固定不变时，这种影响不会随着出行信息内容的变化而改变。

笔者为反映个人属性对公交动态信息效用感知的影响，改进传统效用函数形式，运用多项Logit模型理论，建立了出行前公交动态信息下的公交通勤出发时间选择初始模型；根据初始模型参数标定，筛选t检验显著的解释变量建立修正模型，提高模型精度，从而更好地分析公交动态信息下的通勤出发时间选择行为。

1 公交通勤出发时间选择行为调查及分析

1.1 影响因素定性分析

公交通勤出行时间可分为四部分：起点至起点站点的时间、站点等待时间、公交乘坐时间（含换乘时间）、终点站点至终点的时间。其中，乘坐时间最易受到交通拥挤、交叉口信号控制的影响而产生延误，波动性显著。乘坐时间延长会导致整个公交通勤出行时间的增加。公交通勤者在选择公交通勤出发时间时，通勤线路的乘坐时间是最关键的时间因素。

车内拥挤状况对公交通勤出发时间选择也会产生一定的影响，特别是对乘车舒适度要求较高的公交通勤者影响更大。在选择公交通勤出发时间时，公交车的拥挤程度也是1个重要因素。面对同样的公交动态信息内容，公交通勤者对乘坐时间、车内拥挤状况的效用感知，也会因个人属性的不同而有所差异，表现出不同的出发时间选择倾向。

1.2 公交通勤出发时间选择行为问卷设计

基于影响因素定性分析，调查问卷包括3个部分：①个人属性与公交通勤出行特征调查；②公交通勤出发时间决策因素重要度评价调查；③出行前公交动态信息下公交通勤出发时间选择SP调查（stated preference survey，SP）。

随着无线网络逐步覆盖城区，利用网络多媒体发布、移动终端查询的公交动态信息服务受到更多关注。这种方式使得公交乘客随时随地获得公交动态信息。出行前公交动态信息SP情景设计正是上述的公交信息服务方式。考虑公交乘坐时间和车内拥挤程度2个公交动态信息，每种变化信息取2个水平值，那么2种信息的水平有机组合产生4种选择情景，见表1。在每种SP情境下，假设每位受访者能够获得常坐公交通勤线路的信息，并要求选择出发时间，其选项包括3项：正常出发、提前出发和推迟出发（取消公交通勤出行）。本调查侧重前3种情景，而未对第4种情景进行调查。

表1 出行前公交动态信息SP情景Tab.1 SP scenario of pre－trip dynamic transit information

1.3 调查数据描述性统计分析

2013年4月，在南京市采用当面问询的方式实施本次调查。所有受访通勤者每周使用公交通勤4次以上，即熟悉通勤公交线路。发放300份问卷，全部收回，最后筛得256份有效问卷。每份问卷中包含3个不同的选择情景，这样共有768个样本数据能够用于模型的参数估计。

受访公交通勤者中男性占45.7%，女性占54.3%。20～29岁和30～39岁2个年龄段的受访公交通勤者占到了样本总数的76.6%。超过70%受访者的个人年收入低于5万元。日常公交通勤乘坐时间统计显示，公交通勤平均乘坐时间为30.57min，15～40min的公交通勤出行比例高达74.3%。通勤者采用预留时间应对可能的行程延误，预留时间不超过20min的公交通勤者比重为89.1%，说明公交通勤者预留时间一般不超过20min。在受访的公交通勤者中，可接受最大乘坐时间≤1.15倍正常乘坐时间的比例为22.7%，介于1.15～1.35倍的比例为45.3%，而超过1.35倍的比例为32%，这表明：可用“1.15倍”和“1.35倍”正常乘坐时间作为乘坐时间信息动态变化的2个水平。

通过统计目标因素评分不低于70分的百分比，分析性别、年龄、收入、教育等个人属性对决策目标因素重要度评价的影响。图1～4表明，3个信息因素中，乘坐时间是公交通勤者最关心的因素，其次是车内拥挤状况；重要度评价最低的是等车时间，这可能与通勤高峰期公交车到站频率较高、等车时间较短有关。就乘坐时间而言，评分在70分以上的女性比例比男性高8.3%，女性给出的评分均值高于男性；收入≥5万元的群体对乘坐时间关注程度更高。30～59岁的公交通勤者对乘坐时间和车内拥挤状况2个因素的重视度，高于12～29岁的公交通勤者。本科及以上公交通勤者对乘坐时间和车内拥挤状况的重要度评价略高于本科以下的公交通勤者。因此，这些个人属性可作为出发时间选择模型的解释变量。

图1 性别与出发时间决策因素评价的关联统计Fig.1 Statistics of departure time decision－making factors between gender and evaluation

图2 年龄与出发时间决策因素评价的关联统计Fig.2 Statistics of departure time decision－making factors between age and evaluation

图3 收入与出发时间决策因素评价的关联统计Fig.3 Statistics of departure time decision－making factors between income and evaluation

图4 教育与出发时间决策因素评价的关联统计Fig.4 Statistics of departure time decision－making factors between education and evaluation

2 公交通勤出发时间选择行为模型

2.1 建立效用函数

在每种SP情景下，向受访者提供当前的公交乘坐时间、车内拥挤状况动态信息。这些信息被公交通勤者用于感知正常出发的效用。这样，正常出发选项的效用函数可用信息服务提供的公交乘坐时间和车内拥挤状况表征。

通勤者若选择提前出发，将有充分的时间应对行程延误，按时到达的心理期望也更高，即效用等同于无延误情形下的正常乘坐时间的效用。而选择该选项时，较少考虑车内的拥挤程度。因此，用正常乘坐时间表征提前出发选项的效用函数。

选择推迟出发（或取消公交通勤出行）选项的倾向较低，效用一般较小。这主要因为公交通勤出行的时间强约束特点，公交通勤者难以承受推迟出发（或取消公交通勤出行）产生的高成本（如，迟到罚款、其他交通方式的较高费用）。因此用正常乘坐时间与通勤预留时间之和表征该选项的效用。

已有文献［4－6］建立的效用函数采用式（1）所示的传统线性效用形式。这种效用形式考虑了个人属性对出行者效用感知的影响。然而，当个人属性固定不变时，这种影响不会随着交通信息内容属性及选项属性变量的变化而改变。

式中：xi，k为交通信息内容属性及选项属性变量；ym为出行者个人属性变量；δi为0－1变量，用于保证个人属性变量只包含于某个选项枝。

为更好地反映个人属性对乘坐时间、车内拥挤程度效用感知的影响，建立式（2）所示的公交通勤出发时间选择效用函数。这种形式的效用函数通过引入个人属性而改变解释变量的系数部分，且仍为线性形式［13］。

式中：V1q，V2q，V3q分别为公交通勤者q选择正常出发、提前出发和推迟出发（取消公交通勤出行）的效用；ASCi为出发时间选项i的效用常数；CD为车内拥挤程度，若车内不拥挤取0.3，拥挤取0.7；tiq为乘坐时间（10min为单位），计算如式（3）。

式中：NBTT，RT分别为公交通勤者的正常公交通勤时间，min和预留时间，min。

2.2 建模及参数估计

构建公交动态信息下的公交通勤出发时间选择行为多项Logit模型分为2步：①建立初始模型，找出t检验不显著的变量；②剔除不显著的变量，建立修正模型一。根据Logit模型理论，公交通勤者q选择各出发时间选项的概率为

初始模型为式（2）和式（4）。初始模型中的个人属性包括性别、年龄、年收入和教育程度，均为哑元变量（dummy variable），具体见表2的变量一列。采用Biogeme软件进行模型参数估计。

表2中初始模型的t检验结果表明，效用常数项ASC2和年龄系数βAge的t值分别为－0.0 1和0.83，其绝对值均小于1.96（显著水平为5%），可认为ASC2和年龄对选择概率的影响不显著。因此，修正模型一的效用函数应在式（4）的基础上，剔除效用常数项ASC2和年龄属性。表2给出了修正模型一的参数估计结果，所有模型参数的t检验值均大于1.96，说明显著水平为5%时各解释变量对选择概率的影响显著。实践中，当拟合优度达到0.2～0.4时则可认为模型精度较佳；初始模型、修正模型一的拟合优度均为0.276，能够说明两个模型精度较好。相比初始模型，修正模型一的修正拟合优度有所提高；在性别、年收入和教育程度的t检验均能满足要求基础上，修正模型一的效用常数项ASC3、乘坐时间和车内拥挤程度的t检验绝对值明显增大。对比结果表明，修正模型一优于初始模型。

表2 模型参数的估计结果Tab.2 Parameters estimation for every model

2.3 2种效用函数下的修正模型比较

依据2.1节中出发时间选项效用定性分析和式（1）中效用函数形式，建立修正模型二的效用函数，见式（5）。修正模型二的解释变量与修正模型一的相同，参数估计结果见表2。从中发现，性别、收入的t检验不够显著。与传统效用函数形式下的修正模型二相比，改进效用函数下的修正模型一的拟合优度、参数t检验显著性和命中率均有所提高，见表2。这说明，改进的效用函数比传统效用函数更能提高模型的性能。

3 修正模型一的结果分析

下面依次分析公交通勤时间选择效用的3个部分：效用常数、乘坐时间效用部分和车内拥挤程度效用部分。

1）效用常数部分。在修正模型一中，只有推迟出发（或取消公交通勤）选项的常数项ASC3需要进行估计。估计值为负的1.684 8，说明在其他效用部分不变的情况下，为了避免迟到和过高的出行费用，不倾向于选择推迟出发（或取消公交通勤）选项。

2）乘坐时间效用部分。公交乘坐时间变量的系数由3部分组成：β0，βGender和βAInc。β0的估计值为－0.469 9，表明乘坐时间与通勤出发时间选择效用负相关，通过公交动态信息服务获知乘坐时间越长，公交乘坐时间负效用越大，改变出发时间的概率增加。

性别属性参数βGender的估计值为0.283 3，表明女性比男性对公交乘坐时间信息的负效用感知更敏感，男性对公交乘坐时间的承受能力更强。βAInc的估计值为－0.353 5，表明个人年收入与公交乘坐时间信息效用感知呈负相关，年收入超过5万元的公交通勤者对公交乘坐时间信息的负效用感知更强。

3）车内拥挤程度效用部分。车内拥挤程度变量的系数分为两部分：α0和αEdu。α0的估计值为－1.305 3，表明拥挤程度与公交通勤出发时间选择效用呈负相关关系。也就是，车内愈拥挤愈会导致公交通勤者放弃正常出发，而倾向改变出发时间。

αEdu的估计值为正的0.620 5，这表明教育程度为本科及本科以上的公交通勤者对车内拥挤程度的忍耐程度更高，对车内拥挤程度信息的负效用感知不如受教育程度为本科以下的通勤者敏感。

对比公交乘坐时间和车内拥挤程度2个效用部分，2个参数β0、α0的估计值比值为1∶2.78，若公交乘坐时间（以10min为单位）取均值3.0，拥挤程度取较大值0.7，则β0·t与α0·CD的比值为1.54∶1。该比值说明：乘坐时间对公交通勤出发时间选择的影响比车内拥挤程度大，通勤者在选择公交通勤出发时间时会主要考虑时间因素，而非乘坐舒适度。根据式（2）所示的效用函数形式和表2，得到修正模型一的效用函数，见式（6）。

依据式（3）、（4）、（6），能够计算年收入超过5万元、受过本科及以上教育、预留时间为10min的男性公交通勤者群体在各SP情景下的出发时间选择概率。通过图5，观察各信息服务情景下该公交通勤者群体出发时间选择概率随公交通勤正常乘坐时间的变化趋势。不同的乘坐时间和拥挤程度信息情景对公交通勤出发时间选择影响很大；在情景一、三情况下，随着正常乘坐时间增加，该公交通勤群体强烈地倾向选择提前出发，接受公交动态信息诱导；以上4种情景下，该群体选择推迟出发（或取消公交通勤）的意愿很低。

图5 不同公动态信息情景下的通勤者出发时间选择概率Fig.5 Probability of transit commuter departure time choice under different scenarios of dynamic transit information

4 结束语

笔者改进效用函数形式，建立并标定出发时间选择模型，研究得出3点结论。

1）改进的效用函数形式比传统效用函数更利于提高模型性能，克服了传统效用函数形式的不足。

2）乘坐时间信息对公交通勤出发时间选择的影响大于车内拥挤程度信息，是影响公交通勤出发时间选择最重要的因素。

3）收入、性别属性对乘坐时间信息的效用感知影响显著，教育属性对拥挤程度信息感知影响显著，进而导致公交通勤出发时间选择倾向不同。

［1］ Ben－Elia E，Erev I，Shiftan Y.The combined effect of information and experience on drivers’route choice behavior［J］.Transportation，2008，35（2）：165－177.

［2］ Lu X，Gao S，Ben－Elia E.Information impacts on route choice and learning behavior in a congested network［J］.Transportation Research Record：Journal of the Transportation Research Board，2011，2243（1）：89－98.

［3］ 秦梦阳，石建军.交通信息在出行行为中的影响分析［J］.交通信息与安全，2012，30（2）：58－61.

［4］ 周 伟，赵胜川.动态路况信息下的出发时间选择行为分析［J］.哈尔滨工业大学学报，2012，44（8）：101－105.

［5］ Jou R，Kitamura R，Weng M，et al.Dynamic commuter departure time choice under uncertainty［J］.Transportation Research Part A：Policy and Practice，2008，42（5）：774－783.

［6］ 胡 华，滕 靖，高云峰，等.多模式公交信息服务条件下的出行方式选择行为研究［J］.中国公路学报，2009，22（2）：87－92.

［7］ Chorus C G，Molin E J，Van Wee B，et al.Responses to transit information among car－drivers：regret－based models and simulations［J］.Transpor－tation Planning and Technology，2006，29（4）：249－271.

［8］ Watkins K E，Ferris B，Borning A，et al.Where Is My Bus？Impact of mobile real－time information on the perceived and actual wait time of transit riders［J］.Transportation Research Part A：Policy and Practice，2011，45（8）：839－848.

［9］ Zito P，Amato G，Amoroso S，et al.The effect of advanced traveler information systems on public transport demand and its uncertainty［J］.Transportmetrica，2011，7（1）：31－43.

［10］ Abdel－Aty M A.Using ordered probit modeling to study the effect of ATIS on transit ridership［J］.Transportation Research Part C，2001，9（4）：265－277.

［11］ Dia H，Panwai S.Evaluation of discrete choice and neural network approaches for modeling driver compliance with traffic information［J］.Transportmetrica，2010，6（4）：249－270.

［12］ Chorus C G，Arentze T A，Timmermans H J.Information impact on quality of multimodal travel choices：conceptualizations and empirical analyses［J］.Transportation，2007，34（6）：625－645.

［13］ Rizzi L I，Ortuzar J D D.Stated preference in the valuation of interurban road safety［J］.Accident Analysis ＆Prevention，2003，35（1）：9－22.