孫正安 李春燕

【摘要】為研究在提供信息條件下駕駛?cè)说某霭l(fā)時(shí)間選擇行為，認(rèn)為影響駕駛?cè)顺霭l(fā)時(shí)間選擇行為的兩個(gè)重要因素，即早到延誤和晚到延誤持續(xù)時(shí)間的長(zhǎng)短對(duì)出發(fā)時(shí)間選擇造成的影響是不同的，并提出早到延誤與晚到延誤服從正態(tài)分布的假設(shè)，采用混合logit模型進(jìn)行驗(yàn)證，結(jié)果表明駕駛?cè)藢?duì)早到延誤的敏感度較低，而對(duì)晚到延誤的多少更為敏感。最后通過(guò)對(duì)比混合logit模型與多項(xiàng)logit模型，發(fā)現(xiàn)混合logit模型優(yōu)度顯著，更適合于出發(fā)時(shí)間選擇行為的研究。

【關(guān)鍵詞】出發(fā)時(shí)間選擇行為；實(shí)時(shí)信息；早到延誤；晚到延誤；正態(tài)分布；混合logit模型

一、引言

在研究城市常規(guī)性交通擁堵問(wèn)題時(shí)，出發(fā)時(shí)間的選擇是不可避免的因素，然而已有的傳統(tǒng)模型如四階段法等較少考慮出行時(shí)間這一因素，因此，對(duì)于出發(fā)時(shí)間選擇行為的研究十分必要。

目前國(guó)外對(duì)信息化條件下出發(fā)時(shí)間的研究主要基于廣義費(fèi)用理念，主要為離散模型。Small、Mcfadden、Mccafferty、Chin等采用多項(xiàng)logit模型對(duì)駕駛?cè)说某霭l(fā)時(shí)間選擇模型進(jìn)行了研究。Mannering等將出發(fā)時(shí)間假定為服從泊松分布，研究駕駛?cè)嗽谝粋€(gè)月內(nèi)改變出發(fā)時(shí)間或出行路徑的頻率。Mannering等采用離散模型和連續(xù)模型相結(jié)合的方法對(duì)駕駛?cè)藶楸苊庠绺叻鍟r(shí)段而愿意推遲出發(fā)時(shí)間的決定進(jìn)行描述。Palma等采用經(jīng)濟(jì)學(xué)原理對(duì)通勤者采用公共交通出行的出發(fā)時(shí)間分布進(jìn)行了分析。國(guó)內(nèi)林勇等通過(guò)預(yù)測(cè)不同時(shí)間段內(nèi)的OD分配影響系數(shù)，對(duì)駕駛?cè)顺霭l(fā)時(shí)間分布特點(diǎn)及不同出發(fā)時(shí)間段內(nèi)的交通流量和系統(tǒng)狀態(tài)進(jìn)行總結(jié)分析。沈未等采用動(dòng)態(tài)交通分配方法，探討在單一路徑條件下的出發(fā)時(shí)間選擇行為分析。張弘弢等建立了順序出發(fā)選擇模型，提高了預(yù)測(cè)精度。

在已有的文獻(xiàn)中，對(duì)出發(fā)時(shí)間選擇行為的研究思路主要是基于廣義費(fèi)用理念，廣義費(fèi)用理念認(rèn)為在出行時(shí)間所花費(fèi)的費(fèi)用和早到或遲到延誤兩者之間存在一個(gè)平衡點(diǎn)，一方面，駕駛?cè)瞬辉富ù罅康臅r(shí)間在路上，而由于在通勤高峰期時(shí)出行會(huì)延長(zhǎng)出行時(shí)間，因此會(huì)有駕駛?cè)诉x擇提前或者延后出發(fā)以避免或盡量縮短高峰時(shí)段的出行時(shí)長(zhǎng)；另一方面，由于提前或延后出發(fā)有可能會(huì)造成駕駛?cè)颂崆盎蜓雍蟮竭_(dá)單位，從而造成通勤規(guī)定時(shí)刻的損失。為盡量避免兩者之間的矛盾，總存在一個(gè)平衡點(diǎn)使得兩種損失達(dá)到最小。研究者采用多項(xiàng)logit模型時(shí)認(rèn)為廣義費(fèi)用對(duì)出行時(shí)間選擇行為的影響是固定不變的，但在實(shí)際過(guò)程中，早到或者晚到時(shí)間的程度大小對(duì)通勤者的影響是不同的，本文將考慮該因素不同程度的影響，并建立混合logit模型進(jìn)行驗(yàn)證。

二、模型建立

考慮早到或晚到單位的時(shí)間長(zhǎng)短對(duì)駕駛?cè)顺霭l(fā)時(shí)間的選擇行為影響，采用混合logit模型如式（1）所示。

在混合logit模型中可根據(jù)實(shí)際情況選擇部分服從一定的數(shù)學(xué)分布，最常見(jiàn)的有正態(tài)分布，對(duì)數(shù)正態(tài)分布和均勻分布，的數(shù)學(xué)分布形式受到實(shí)際狀況的影響。以駕駛?cè)送淼窖诱`為例，不同通勤者對(duì)駕駛?cè)送淼窖诱`的權(quán)重不同，當(dāng)延后到達(dá)單位的持續(xù)時(shí)間過(guò)長(zhǎng)時(shí)，促使駕駛?cè)烁淖兂霭l(fā)時(shí)間的概率會(huì)變得很大，此時(shí)晚到延誤對(duì)駕駛?cè)说某霭l(fā)時(shí)間改變選擇的影響為絕對(duì)值較大的正值，而當(dāng)晚到延誤很小或?yàn)?時(shí)，駕駛?cè)苏J(rèn)為這種情況下的出發(fā)時(shí)間選擇是合理的，此時(shí)的晚到延誤對(duì)駕駛?cè)烁淖兂霭l(fā)時(shí)間行為的影響權(quán)重很小，表現(xiàn)為絕對(duì)值較小的負(fù)值或0，綜合上面分析，在采用混合logit模型進(jìn)行出發(fā)時(shí)間選擇行為分析時(shí)，令參數(shù) 服從正態(tài)分布，模擬不同早到延誤和晚到延誤對(duì)駕駛?cè)顺霭l(fā)時(shí)間選擇行為的影響。

三、實(shí)例驗(yàn)證

為驗(yàn)證上述假設(shè)的有效性，以南京的兩個(gè)典型地點(diǎn)—雨花臺(tái)和鼓樓—分別作為被調(diào)查者通勤出行的起點(diǎn)和終點(diǎn)，對(duì)673個(gè)駕駛?cè)诉M(jìn)行隨機(jī)調(diào)查，并被告知通常條件下他們的出發(fā)時(shí)間為7：30，以出發(fā)時(shí)間以提前或延后5分鐘為一間隔分為三個(gè)時(shí)間段7：25，7：30和7：35，向被調(diào)查者提供描述型實(shí)時(shí)信息“其行走路徑在7：30時(shí)發(fā)生擁堵”，由其作出出發(fā)時(shí)間的選擇，最后通過(guò)建立模型分析顯著影響駕駛?cè)烁淖兂霭l(fā)時(shí)間的因素。調(diào)查共收到642個(gè)有效樣本。

（一） 首次建模及驗(yàn)證

調(diào)查因素共分三類，分別為駕駛?cè)藗€(gè)體屬性、日常出行模式和延誤因素，其中前兩者對(duì)駕駛?cè)说某霭l(fā)時(shí)間選擇行為影響是固定不變的，而延誤因素對(duì)出發(fā)時(shí)間選擇行為的影響服從正態(tài)分布，將上述影響變量帶入方程式（2），得到下式：

上式中：SEX為性別，AGE為年齡，DEGREE為學(xué)歷，OCCUPATION為職業(yè)，DRIVAGE為駕齡，INCOME為收入，F(xiàn)AMIROUTE為被調(diào)查的通勤駕駛?cè)藢?duì)南京道路網(wǎng)的熟悉程度，DRIWORK為被調(diào)查的通勤駕駛?cè)俗罱恢軆?nèi)駕車去工作的次數(shù)，ADJUSTDT為被調(diào)查的通勤駕駛?cè)俗罱恢軆?nèi)改變出發(fā)時(shí)間的次數(shù)，SDE為早到延誤，SDL為晚到延誤。

采用式（3）作為出發(fā)時(shí)間選擇模型的系統(tǒng)效用方程，利用STATA軟件建立混合logit模型。以按照7：30出發(fā)為目標(biāo)參照變量，采用逐步剔除不顯著變量的方法，選取顯著性在90%以上的變量，得到7：25和7：35出發(fā)的參數(shù)估計(jì)結(jié)果如表1所示。

從表1中可以發(fā)現(xiàn)，SDE檢測(cè)顯著水平低于90%，正態(tài)分布假設(shè)不明顯，說(shuō)明如果駕駛?cè)颂崆暗竭_(dá)單位的時(shí)間較長(zhǎng)和提前到達(dá)單位的時(shí)間較短這兩種狀況下對(duì)駕駛?cè)烁淖兂霭l(fā)時(shí)間的意愿影響相差不大，與SDE的影響相比，駕駛?cè)烁P(guān)注SDL的影響，當(dāng)駕駛?cè)送淼絾挝坏臅r(shí)間較長(zhǎng)時(shí)，其在下次出行時(shí)改變出發(fā)時(shí)間的意愿會(huì)更大。

（二）再次建模及驗(yàn)證

對(duì)SDE參數(shù)設(shè)為固定值，對(duì)SDL參數(shù)仍假設(shè)其服從正態(tài)分布，對(duì)駕駛?cè)说某霭l(fā)時(shí)間選擇行為進(jìn)行第2次預(yù)測(cè)，并剔除不顯著變量，得到實(shí)時(shí)信息條件下的參數(shù)預(yù)測(cè)如下。

將實(shí)時(shí)信息條件下晚到延誤SDL服從的正態(tài)分布分別繪制曲線如圖1所示。

從表2中可以看出，與SDE的參數(shù)服從正態(tài)分布條件下的參數(shù)估計(jì)結(jié)果相比，當(dāng)假設(shè)SDE的參數(shù)為固定值時(shí)，SDL參數(shù)的正態(tài)分布更加明顯。從圖1中可以看出，實(shí)時(shí)信息條件下駕駛?cè)诉t到的持續(xù)時(shí)長(zhǎng)對(duì)駕駛?cè)诉x擇提前5分鐘和延后5分鐘出發(fā)這一決定的影響服從明顯的正態(tài)分布，參數(shù)收斂于區(qū)間[0，1]。晚到持續(xù)的時(shí)長(zhǎng)越長(zhǎng)，駕駛?cè)嗽讲粌A向于選擇晚出發(fā)5分鐘。

四、混合logit模型優(yōu)度分析

傳統(tǒng)條件下駕駛?cè)顺霭l(fā)時(shí)間選擇行為的常用模型為多項(xiàng)logit模型，為比較上述混合logit模型的優(yōu)劣程度，采用多項(xiàng)logit模型對(duì)同一問(wèn)題進(jìn)行建模，結(jié)果如表3所示。

從上表中可以發(fā)現(xiàn)：

① 在實(shí)時(shí)信息條件下，采用混合logit模型進(jìn)行預(yù)測(cè)的似然值均比采用多項(xiàng)logit模型進(jìn)行預(yù)測(cè)時(shí)得到的似然值要大，說(shuō)明在分析駕駛?cè)顺霭l(fā)時(shí)間選擇行為時(shí)，混合logit模型的優(yōu)度要明顯高于logit模型。

② 在實(shí)時(shí)信息條件下，采用多項(xiàng)logit模型得到的SDL2和SDL3兩個(gè)變量的參數(shù)估計(jì)值均低于0.1，對(duì)駕駛?cè)说某霭l(fā)時(shí)間選擇行為的解釋力弱，但在實(shí)際情況下駕駛?cè)送淼絾挝坏某掷m(xù)時(shí)長(zhǎng)對(duì)其改變出發(fā)時(shí)間的行為是有影響的，采用混合logit模型進(jìn)行預(yù)測(cè)得到的結(jié)果證明了以上結(jié)論，并且通過(guò)SDL的參數(shù)估計(jì)結(jié)果可以看出，越晚到達(dá)單位，通勤駕駛?cè)丝赡艿膿p失越大，越容易改變出發(fā)時(shí)間。

五、結(jié)論

以往的出發(fā)時(shí)間選擇行為研究多采用傳統(tǒng)的logit模型進(jìn)行理論分析，且較少考慮不同的早到延誤和晚到延誤對(duì)選擇行為的影響程度。本論文提出駕駛?cè)嗽绲胶屯淼絾挝怀掷m(xù)時(shí)長(zhǎng)對(duì)出發(fā)時(shí)間的選擇有非線性影響作用，并利用混合logit模型對(duì)該假設(shè)進(jìn)行驗(yàn)證。通過(guò)與多項(xiàng)logit模型的比較，發(fā)現(xiàn)混合logit模型優(yōu)度顯著。通過(guò)剔除不顯著變量進(jìn)行了兩步分析，發(fā)現(xiàn)SDE這一變量并不明顯服從正態(tài)分布，由此也說(shuō)明通勤駕駛?cè)藢?duì)晚到單位的時(shí)長(zhǎng)更加敏感，且到達(dá)單位的時(shí)間越晚，越容易改變出發(fā)時(shí)間。

參考文獻(xiàn)

[1]Nicholas Holyoak. Departure time choice for the car-based commute. The 31stAustralasian transport research forum. Australia： ATRF， 2008. 429-442.

[2]Tseng Yin-Yen， Koster Paul， Peer Stefanie， et al. Discrete choice analysis for trip timing decisions of morning commuters--estimations from joint SP/RP-GPS data. International choice modeling 2011.

[3]Ida Kristoffersson. Incorporation of departure time choice in a mesoscopic transportation model for Stockholm[J/OL]. http：//kth.diva-portal.org/smash/get/diva2：218664/FULLTEXT01， 2009.

[4]Small A Kenneth. The scheduling of consumer activities： work trips. The American economic review， 1982， 72（3）： 467-479.

[5]Mcfadden Daniel， Talvitie P Antti. Demand model estimation and validation and associates urban travel demand forecasting project [J/OL]， http：//elsa.berkeley.edu/wp/utdfp/vol5/front.pdf， 1977.

[6]Desmod McCafferty， Hall L Fred. The use of multinomial logit analysis to model the choice of time to travel. Economic geography， 1982， 36（3）： 236-246.

[7]Chin， H T Anthony. Influences on commuter trip departure time decisions in Singapore. Transportation Research Part A， 1990， 24（5）： 321-333.

[8]Mannering L Fred. Possion analysis of commuter flexibility in changing routes and departure times. Transportation Research Part B， 1989， 23（1）： 53-60.

[9]L Fred Mannering， Hamed M Mohammed. Occurrence， frequency， and duration of commuters work-to-home departure delay. Transportation Research Part B， 1990， 24（2）： 99-109.

[10]De A Palma， C Fontan， O. Mekkaoui. Trip timing for public transportation： An Empirical Application. http：//ideas.repec.org/p/ema/worpap/2000-19.html. 2000.

[11]林勇，余志，何兆成.交通仿真系統(tǒng)中車輛出發(fā)時(shí)間分布模式研究[J].系統(tǒng)工程學(xué)報(bào)，2011， 26（6）： 801-808.

[12]沈未，陸化普.單一路徑下基于固定到達(dá)時(shí)間的最優(yōu)出發(fā)時(shí)間分布研究[J].公路交通科技， 2004， 21（9）： 86-90.

[13]張弘弢，閭國(guó)年，溫永寧.基于TRANSIMS的順序出發(fā)時(shí)間與路徑選擇模型研究[J].南京師大學(xué)報(bào)（自然科學(xué)版）， 2011， 34（3）： 118-123.

[14]W Vickery. Congestion theory and transport investment. American economic review， 1969， 59（2）： 251-260.

[15]K Train. Discrete choice methods with simulation. Cambridge： University Press， 2003. 138-149.