基于移动互联交通信息的居民出行方式特性

李文勇, 赵寅飞, 廉冠, 李俊卓, 宋艺欣

(桂林电子科技大学, 广西智慧交通重点实验室, 桂林 541004)

随着“互联网+”“北斗+交通”“5G+交通”等新兴技术的运用,出行者已经养成了使用移动互联网随时随地获取交通信息的习惯,个人与交通信息的关系也越来越密切。当今的数据获取模式已发生根本性变化,交通信息获取设备更加先进,不同数据来源也愈发多样化,且数据获取方法也完成了向动态、自动化、智能化、多方法获取方式的转变[1]。因此,研究移动互联交通出行信息对出行者出行特性的作用机制与影响机理具有重要的实际意义和理论价值。

在移动互联交通信息对居民出行特性的影响方面:汤静妍等[2]通过算例分析了不同政策标准对出行决策行为的影响程度。梁泉等[3]分析了多源数据为公共交通出行特征精细化挖掘与预测带来的影响。Kraan等[4]和Shen等[5]通过问卷调查发现交通信息对通勤者出行的娱乐、购物等目的地的选择有着较大影响。李浩然[6]基于非合作拥挤博弈理论对交通信息影响下的居民出行特性进行研究。孙亦凡等[7]研究了手机APP提供出行信息下出行者的交通方式选择特性,发现在多种交通信息影响下,出行者的决策会受到显著影响。

在出行方式特性调查方面:RP(revealed preference)调查法和SP(stated preference)调查法是现今行为特性分析领域最广泛使用的两种调查方法[8]。Hasnine等[9]认为RP调查法能比较真实地反映出调查需求状况。Teddy等[10]通过RP调查与SP调查分析地铁用户出行选择行为,对比认为SP调查更能节约成本,提高调查效率。Hensher[11]认为在SP调查中的假设环境下的选择与真实选择之间会存在一定差异,这称为假设性偏差。唐立[12]提出了一种改进SP调查的选择枝设计法,改进后可以将特有选择枝与通用选择枝相互融合,称为SP优化正交设计法。

上述研究多以SP调查或RP调查进行数据获取,并且大多数研究都基于单次出行,部分基于出行链的出行方式选择模型都是采用一般的MNL(multinomial Logit model)模型,存在一定的局限性。现以移动互联出行特性为研究视角,运用改进的SP-RP融合设计法制作问卷进行调查,研究出行链中通勤者的出行方式,并建立出行方式选择的NL(nested Logit model)模型并进行验证,能够引导出行者在出行方式方面进行科学、合理的选择,为交通诱导和管理提供坚实的理论基础。

1 移动互联交通信息下的居民出行特性调查与分析

1.1 移动互联交通信息调查内容梳理

随着移动互联网的发展,移动互联交通信息对于出行者的影响不再局限于事故、天气等原因,而是融入了更多可参照的移动信息。根据不同的信息类别,将与活动出行相关的移动互联交通信息分为道路网信息等5类,对应14种具体的信息内容,如表1所示。

上文已确定14项移动互联交通信息具体内容;考虑不同交通信息间的相关性,为防止过多的共线性问题出现在后续模型建立中,现采用主因子分析法[13],筛选14项信息具体内容后进行合并,最终得到8项对出行选择行为有着重大影响的信息属性,分别为天气、实时路况信息、拥堵延误时间、公交到站时间、打的(网约车)等候时间、停车费用、实时交通管制信息、实时事故信息。

表1 可获取的移动互联交通出行信息内容一览表Table 1 Available mobile internet traffic travel information

1.2 RP与SP融合调查设计

由于RP、SP调查法各有利弊,RP调查法需要受访者情境回忆过多,信息采集难度大; SP调查法的弊端是受访者需要填写的问卷信息过多,数据质量想必会受到影响。因此本文将通过RP调查出行特征属性以及个人属性,通过SP调查信息属性,并应用Minitab软件对SP模拟情境调查进行正交优化,保持选择枝组合相对水平,提高小容量样本调查下的精确程度,设计流程如图1所示。

图1 RP-SP融合调查流程图Fig.1 RP-SP fusion investigation flowchart

1.3 出行方式影响因素属性定义

根据影响交通出行选择行为的因素,将变量分为3个类型,分别为:①基本属性:性别、年龄、工作、私家车拥有情况等;②实时信息属性:天气、延误时间、拥堵情况、公共交通等候时间等;出行特征属性;③出行目的、距离、时间、费用等。问卷中涉及的各种属性将服务于下文建立的交通选择模型及各选择枝。为了简化数据整理及模型描述过程,将对相关因素进行符号定义并进行相关描述,如表2所示。

1.4 桂林市居民出行方式特性调查

使用RP-SP融合调查法以获取研究数据。对调查结果进行正交优化,提高了小容量样本调查下的精确程度。数据来源为:现场调查、网络问卷调查、委派2021年桂林市居民出行调查同步进行等方式。本次调查对象为桂林市区居民,收回问卷951份,剔除有明显瑕疵的问卷后得到有效问卷共696份,问卷调查有效回收率为73.2%。

本次接受调查的居民男性与女性所占比例分别为54%和46%,男女性比例无明显差异,被调查人员性别比例较为均衡。根据第47次《中国互联网络发展状况统计报告》,截至2021年2月手机网民规模达9.86亿,网民使用手机上网的比例达99.7%,网民增长的主体正在从青年群体转向未成年人、中老年群体[14]。本研究将调查对象年龄限制为15～50岁,这一年龄群体是接触移动互联交通信息的高频群体,也是未来出行服务的主要服务群体。其中:15～25岁的调查对象占比32.5%,26～35岁占比36.8%,36～50岁占比30.7%。此次调查,居民文化程度主要集中在高中和本科,其所占比例为26%和34%,其次是中专、大专,所占比例分别为12%、20%,研究生及以上的人员占比为8%。本次调查将居民职业分为工人、公务员、教师、企业职员、医务人员以及自由职业者,其中企业职员占比最高,为33.5%,工人、公务员、教师、医务人员以及自由职业者占比分别为18.2%、15%、11.6%、11.2%、10.5%。调查对象月收入小于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%,其中拥有私家车的比例达到41.9%,拥有电动自行车的占比59.85%,符合移动互联交通信息服务人群的收入水平及出行习惯。

表2 出行方式影响因素属性定义一览表Table 2 Definitions of attributes of factors affecting travel mode

基于出行链采用交叉分析法对桂林市居民出行方式进行分析以获得桂林市居民出行方式选择特性,如表3所示。

由居民出行方式对比可知:桂林市多通过慢行交通出行,步行、电动自行车的使用比例高达71.3%。电动自行车与桂林市城市规模和慢行交通网络环境具有较好的适配性,出行比例已达到了46.1%,成为短距离出行最受欢迎的交通工具。而公共交通出行占比仅为 5.3%,远低出私家车出行方式15%占比。相比于大多城市,桂林出行者更习惯于慢行交通出行;公共交通出行比例较低。

表3 桂林各区域居民出行方式对比一览表Table 3 Comparison of residents’ travel mode in different regions of Guilin

1.5 桂林市居民移动互联交通信息使用及需求特征分析

居民对于移动互联交通信息的需求特征分析可以对导航、地图等提供出行信息的APP提供强有力的指导意义。根据问卷调查中的居民出行信息需求状况表,分析桂林市居民移动互联交通信息使用及需求特征,居民出行过程中对于交通信息的获取方式如图2所示。

由图2可以明显看到,随着移动互联网的不断发展,传统的交通信息获取方式与人群逐渐减少;手机作为移动互联网目前最便捷的载体,已经成为目前使用率最高的移动互联交通信息传播工具。

居民出行前与出行中的交通信息内容需求特征对比如图3所示,可知,出行路线、目的地距离与路况信息在出行前与出行过程中都保持着较高关注度。居民在出行前最关注的交通信息为出行路线,停车场信息最不受关注;居民在出行过程中最关注的交通信息为目的地距离,同时多停车场信息的关注度大大提高。

图2 出行过程中交通信息的获取方式Fig.2 Ways to obtain traffic information during travel

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

2 出行方式选择模型建立与分析

居民出行特性通常包括出行方式、出行路径以及出发时间,在这之中,居民出行方式的调查统计可以反映城市交通出行结构;本文中主要对桂林市居民出行方式进行建模分析。

2.1 交通信息影响下的出行方式选择模型

出行方式选择模型本质上来说是一种离散选择模型,而离散选择模型中最为经典的又属MNL模型;但由于MNL模型的IIA特性(即选择枝被选择的概率不会收到其他选择枝的影响),这与实际情况不符。为了解决这个问题,本文中采用NL模型来对研究内容进行建模分析,可以避免上文指出的IIA问题。

假设移动互联交通信息(Imformation)下的出行方式选择模型为一个双层NL模型结构,将驾车出行(Car)和非驾车出行(NoCar)作为上水平m,将步行(Walk)、电动自行车(E-bike)、公交(Bus)和出租车(Taxi)作为选择方案m后的下水平i,模型的选择枝结构如图4所示。

图4 出行方式选择枝结构Fig.4 Travel mode choose branch structure

在离散选择模型中,根据随机效用最优理论,出行者选择任意一种出行方式的效用函数为

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下选择出行方式i的效用确定项;Vmn表示出行者n选择方案m的效用确定项;εni|m与εmn分别表示出行者n在方案m下选择出行方式i与选择方案m的效用随机项。

Vni|m为上文各个定义属性值与其自身参数β乘积之和,具体表达式为

出行者n选择方案m的效用确定项Vmn可表示为标量与自身最大效用的乘积,即

(3)

式(3)中:μm为上水平m的标量;μi|m表示上水平m下选择枝i的标量。

出行者n选择相应出行方式i的概率Pni可表示为出行者n选择的上水平m的概率Pmn与选择其下水平i的概率Pni|m之积,表达式为

Pni=PmnPni|m

(4)

(5)

(6)

联立式(4)～式(6)可以得到出行者n选择相应出行方式i的概率Pni,计算公式为

(7)

2.2 模型标定与验证

运用完全信息最大似然估计法对NL模型进行估计,通过NLogit4.0软件对表2的参数进行了验证分析,在95%的置信水平下,标定参数及相关统计量如表4所示。

上述模型的McFadden确定系数为0.529 8,最大自然函数的自然对数为-563.93。对于所收集数据的证实研究,该结果已达到较好的拟合程度,由此可以得出以下结果分析。

2.3 结果分析

根据模型标定结果表4可见:

(1)移动互联交通信息对私家车出行影响最大。其中实时路况信息属性最为显著,其次为拥堵延误时间,这可以理解为:私家车出行者在众多出行方式中对于出行过程最为重视,在出行前与出行过程中对于路径的规划与选择会通过接收到的移动互联交通信息而动态变化,进而选择一条当下情况最优的路径出行,这同时也可以进一步推动移动互联交通信息下的路径选择研究。

(2)出行距离较短(<3 km)时,人们更愿意选择电动自行车,而非公共交通出行。这是桂林与其他中小城市居民出行的一个共性。在短途出行中,电动自行车由于出行便捷、停车方便、费用小等原因受到广大出行者的追捧。

表4 标定参数及相关统计量Table 4 Calibration parameters and related statistics

(3)天气属性在电动自行车与步行两种出行方式中尤为显著,而非实时路况信息属性等直接影响出行过程的信息属性。这表明:由于电动自行车与步行的灵活性(通常表现为遇到拥堵等突发情况仍可快速通行),选择这两种出行方式的人群更加关注天气等影响出行的间接因素。

(4)高收入人群更倾向于选择私家车出行。这是因为与低收入人群相比,高收入人群拥有良好的经济基础以购买私家车,能够获得更高质量的出行信息以及活动消息,出行需求也就更高。此外,高收入人群时间观念强,出行目的明确,通常会选择时间短、效率高的出行方式。

(5)15～25岁的受访者更倾向于使用电动自行车出行,26～35岁的受访者倾向于私家车出行,这是由于不同年龄段的经济条件限制造成的。

(6)出行费用与出行目的属性在出租车出行中最为显著,可以理解为:出租车出行本身是一种目的性极强的出行方式,但由于其费用较为昂贵,许多出行者只选择当下能够在完成出行目的的情况下使用该出行方式。

(7)交通信息获取质量满意度属性在居民出行中以公交出行最为显著。可以看出,交通信息对出行方式的引导起着重要作用,高效的移动互联交通信息发布能够提高出行者的出行满意度,满意程度越高,居民就更愿意选择公共交通这一出行方式。

3 结论

以移动互联交通信息对居民出行方式选择的影响作为研究视角,进行RP-SP融合调查设计,获取桂林市居民出行方式选择特性数据,采用离散选择法对数据进行分析,并建立移动互联交通信息影响下的出行方式选择的NL模型,对模型进行了标定以及检验分析。实证研究发现,在出行链日趋复杂的情况下,个体活动和交通行为与移动互联交通信息关系愈发紧密,移动互联交通信息对居民出行方式选择产生显著影响,这主要表现在:

(1)实时路况信息与拥堵延误时间对私家车出行有着重要影响。

(2)由于电动自行车与步行的灵活性,选择这两种出行方式的人群更加关注天气等影响出行的间接因素而非路况信息。

(3)交通信息获取质量满意度越高,越能促进居民选择公共交通方式出行。

本文的研究在一定程度上揭示了移动互联交通信息对不同出行者出行方式特性影响的差异性,能够作为理论基础推动今后移动互联交通信息下的路径选择与交通出行诱导的研究。

本文只将多项Logit模型应用于居民出行方式选择这一出行特性,有一定的片面性,其中模型选择枝的构建有待进一步优化。下一步的研究将继续改进RP-SP融合调查方法,对出发时间、出行距离等其余出行特性进行建模分析。