旅游交通出行链

2024-10-11

旅游交通出行链（通用4篇）

旅游交通出行链篇1

兰州轨道交通运营里程持续快速增长和既有线路能力的提升很大程度上满足了快速增长的出行需求。轨道交通具有快速、大运量、准时等优势,但由于其可达性较低,“最后一公里”换乘问题较为突出。轨道交通与其他交通方式的衔接成为建设者亟待解决的问题,本文利用SP调查问卷对兰州市居民出行特征进行调查,统计、分析居民出行时的出行特征,最后确定站点两端的主要衔接方式,同时为站点建设两端的衔接设施提供建设性的意见。

1 轨道交通方式出行链

目前交通领域的学者把轨道交通出行链定义为:一次以轨道交通为主要出行方式的多方式出行链条,该出行包括三段:出发地到轨道交通站点(轨道交通前端出行)、轨道交通系统内部出行、轨道交通站点到目的地(轨道交通末端出行)。

上班轨道交通出行链:指出行者从家出发至单位这一过程,包含了轨道方式出行的所有出行,构成了一条轨道交通上班出行链。

下班轨道交通出行链:指出行者从单位出发至家这一过程,包含了轨道方式出行的所有出行,构成了一条轨道交通下班出行链。

简单型轨道交通出行链:指轨道交通出行前后端出行方式除步行外,只有一种辅助方式的轨道出行链。

复杂型轨道交通出行链:指轨道交通出行前后端出行方式除步行外,有两种及以上辅助方式的轨道出行链。

2 出行者的出行选择特征调查

2.1 调查方法的概述

2.1.1 SP调查方法的应用

SP调查方法是基于假设的条件,通过设计不同的情景,来获得被调查者对于自己主观偏好的意向调查。由于SP意向调查可以对尚未建成的设施或者尚未实施政策进行预测,因此SP意向调查在交通专业领域有较为广泛地应用,尤其在交通数据采集方面。

SP调查方法更加灵活,一次可以处理多个变量。即在实际调查中,更容易得到居民的多个出行特征。在相同成本的前提下,SP调查方法的效率更高同时获得足够的数据,更好地分析居民出行时的出行特征。

2.1.2 SP调查问卷的设计方法

SP调查问卷的设计主要有三种方法:全面设计、正交设计和均匀设计

2.1.2. 1 全面设计

全面设计是将每个变量的各种可能水平取值做全组合,让被调查者对每一个组合进行判断。

2.1.2. 2 正交设计

正交设计可以用来进行多因素试验,其具有“均匀分散、整齐可比”的特点。

2.1.2. 3 均匀设计

均匀设计方法是在正交设计的基本思想上发展形成。它只考虑了正交设计中的“均匀分散”这一特性,因此大大缩短了试验数,并且没有降低调查的精度。

本论文的SP调查方法是通过采用均匀设计来完成的。

2.2 出行者的出行选择特征调查

2.2.1 调查时间

调查时间为:2015-10-27,2015-10-28(周二、周三)下午17:00-19:00

2.2.2 调查地点

为了能更好地分析出行者的选择特性,对于调查地点的选择,考虑以下原则进行选取:

1)由于枢纽站点的衔接形式较为复杂,衔接特征不具有一般性,因此调查站点选取非枢纽的一般站点作为待选研究对象。

2)调查站点在高峰时段需具有一定量客流,以保证调查样本。

根据上述原则,本次调查共选取三个站点分别为兰州西站、中山桥站、培黎广场站。

2.2.3 筛选的原则

1)基础数据的完整性

2)模型所用数据的有效性

3)模型所用数据的合理性

通过以上三个原则对数据进行筛选后,获得各站点的调查样本量,如表1所示。

2.2.4 轨道出行者个人特征分析

轨道出行者个人特征包含换乘者的性别、年龄、职业、受教育程度、交通工具拥有情况、月可支配收入等。

对调查所得数据中出行者个人基本信息情况进行统计,如表2所示。

以下是各特征的分析情况:

根据性别分布图,被调查者男女比例没有明显差异,如图1所示。

对于年龄的分析特征如图2所示,年龄主要集中于23~30岁年龄的人群,占比42%,其次是31~45岁,占到了30%。说明轨道交通使用者以23~30岁的人群为主。

根据受访者受教育程度分布如图3所示,本次调查的出行者以本科学历为主,比例高达3 7%;其次,是大中专学历的占据35%,对于硕士以上学历占的比例较少。由此可见,地铁出行者主要以中高学历为主。

通过分析被调查者月可支配收入情况分布如图4所示,不难发现被调查者的月可支配收入主要集中在3 001~5 000元,其比例高达44%,所占比例最高。对于高收入人群的出行,选择轨道交通出行的比例最低仅占4%。

根据职业分布如图5可见,受访者中企事业单位人员居多,所占比例达到42%。对于政府职员和离退休人员选择轨道交通出行的比例较少占5%。

对调查者的交通工具的拥有情况进行分析如图6所示,有71%的被调查者拥有小汽车;68%的被调查者家庭拥有自行车。

2.3 出行者轨道两端方式选择影响

通过分析地铁前后端交通方式发现如图7所示,对于轨道交通出行的前后端交通方式选择差异不大,步行均为主要的衔接方式,前后端步行衔接比例为58%,55%;其次,公交车也占有较高的衔接比例分别为25%,30%。

根据调查统计如图8所示,81%的被调查者早晚出行方式完全一致,即早晚均选择同一轨道交通站点,并且早高峰的前端交通方式即为晚高峰的后端交通方式,相反早高峰的后端交通方式即为晚高峰的前端出行方式,因此不难解释地铁前后端出行方式不具有较大差异,如图9所示,但同时仍有19%的出行者早晚出行方式并不相同,因此对其差异原因进行了进一步询问及分析。

根据不同性别的出行者对轨道交通前后端方式选择的分布情况,对于步行、公交车、自行车,性别的影响因素很小,而对于私家车而言,男性的比例明显高于女性,即男性选择小汽车换乘比例较高,如图10所示。

通过不同年龄的出行者对轨道交通前后端方式选择的分布统计如图11所示可以发现,各方式的年龄构成基本一致,但其中由于私家车的使用受驾驶年龄的限制,因此不存在18岁以下及61岁以上人群,同时18~22岁人群的选择比例也相对小于其他方式的比例。

根据不同学历的出行者对轨道交通前后端衔接方式的选择分布如图12所示,不难发现,步行、公交车的学历分布情况基本一致;自行车较其他方式而言,以高中以下学历和大中专学历为主;私家车则以本科和硕士及以上人群为主。

通过对不同月可支配收入下出行者选择轨道交通前后端方式的分布情况如图13所示,可以看出收入差异对地铁前后端衔接方式选择存在一定影响。其中,选择公交车的以月可支配中入在3 001~5 000元的中层收入人群为主;自行车中月可支配收入为1 501~3 000元人群比例明显高于其他方式占比;选择私家车的衔接的人群以中高收入人群为主,即月可支配收入主要集中在5 001~8 000元及8 000元以上人群。

2.4 链条结构分析

由图14可得,上下班轨道出行链比例基本一致,分别为50.59%,49.41%。上班轨道交通出行链略高于下班轨道交通出行链,上下班轨道出行链比例的差异,主要是由于出行者在下班的途中可能会链接其他目的出行,从而未选用轨道交通进行出行。

轨道交通出行链简单链与复杂链比例如图15,通过简单链、复杂链选择情况不难发现,91%的出行者采用简单型轨道交通出行链出行,而仅9%的出行者使用复杂轨道交通链出行。由于复杂链结构较为复杂,组合模式较多且群体较少,故大多数居民选择简单链进行出行。

2.5 调查后得到的结果

本研究给出了明确的轨道交通出行链的定义,并通过对兰州市的兰州西站、中山桥站、培黎广场站这三个站点进行调查问卷的形式获得居民出行的数据,对数据进行分析处理后,得到了出行者的选择出行特征以及适用于出行者的出行链条的相关特征。具体成果包括:

2.5.1 出行者个人基础特征:

1)多为年龄在23~45岁的青年;

2)以企业公司员工为主;

3)中高学历人群;

4)中收入人群。

2.5.2 出行基础特征:

1)出行多以工作为目的的通勤出行为主;

2)出行时间以50~60min为主。

2.5.3 轨道出行链特征:

1)轨道交通出行前后端方式基本一致;

2)以简单型轨道出行链为主;

以上就是对调查数据处理分析后得到的出行者的出行特征和选择的链条结构。

3 结束语

本文通过调查问卷的形式获得了兰州市典型站点出行者的出行特征和轨道出行链特征,并对统计数据进行分析。现对站点周边衔接设施的建设提出三点改进建议:

1)目前培黎广场站没有建设规范的自行车停车场,需对站点出入口周边合理规划自行车停车场以满足部分出行者对自行车衔接需求。

2)出行者一般采用简单型的链条出行,目前人行道存在自行车乱停乱放以及摊位占道等问题,需要加强对站点周边人行道的管理,保证人行道的有效步行空间。

旅游交通出行链篇2

传统的交通规划所采用的模型主要是20世纪50年代起源于美国的“四阶段”模型。基于出行的“四阶段”模型把出行分成发生、分布、方式选择以及交通分配四个步骤,然后以交通小区为单位,用集计数据进行模拟。“四阶段”模型在以交通基础设施建设为主的城市交通规划中发挥了重要的作用。然而,随着交通需求管理政策的日益广泛应用,“四阶段”模型暴露出明显的不足。针对“四阶段”方法的局限性,交通研究人员提出了基于活动的方法,该方法认为居民一天出行的需求源于居民一天的各种活动所构成的出行链[1]。相对于基于出行的“四阶段”法,基于活动的方法具有如下优点[2]:(1)考虑了时间维因素,活动和出行决策都是动态的;(2)以活动和出行模式为研究对象而不是以单个出行为研究对象;(3)考虑各种活动-出行之间的相互联系,一次决策受过去和预期事件的影响;(4)考虑了时空约束对活动和出行的影响。

近二十年,基于活动的出行行为建模方法在国内外已做了大量的分析研究。如荷兰开发了基于往返行程的系统[3],Ben-Akiva和Bowman开发了日活动计划系统[4],Gliebe和Koppelman开发了基于效用的日时间比例参与模型[5],另外,比较典型的还有基于活动的仿真系统STARCHILD[6]、基于规则的多代理系统Albatross[7]、基于微观仿真的综合计量系统CEMDAP[8]。然而,这些研究在进行交通分配时大多忽视了出行链行为,而认为出行链中的每次出行是独立的。William等[9]提出了一个基于活动的时间相关的交通分配模型,然而该模型中路径选择行为并没有考虑到预先确定的相关活动,另外,求解算法烦琐,计算量大,不适用于实际交通网络。Maruyama等[10,11]提出了一个基于出行链的静态模型,该模型假设用户对路网信息有完全的了解,用户不能改变路径来减少整个出行链上的成本,但忽略了停驻点及停驻时间的影响。Abdelghany[12]等提出了一个基于活动/出行的仿真分配模型,模型仿真出行者如何选择路径以最小化他们的总出行成本,该模型假设出行者对路网信息有完全的了解,然而现实中,出行者对路段的出行成本只能是估计,而且不同出行者的估计值也会不同,因此本文放松出行者对整个出行链路径信息完全了解的假设,提出了一个基于出行链的随机动态交通分配模型。出行链模式由出发地点、出发时间、中间停驻点、停驻时间、目的地定义,定义的出行链输入到模型中,模型选择路径以最小化出行者整个出行链上的感知成本。针对所提出的模型,结合时间相关的K最短路算法和连续平均法,设计了一个基于仿真的迭代求解算法,最后通过一个算例验证了模型和算法的有效性。

1基于出行链的动态随机用户均衡

传统的基于出行的四阶段模型在进行交通分配时常采用用户均衡的假设,即在静态条件下用户对路网信息有完全的了解,当用户不能改变自己的出行路径而减少其出行成本时达到用户均衡状态。后来,学者放松了出行者对路网信息完全了解的假设,提出了随机用户均衡,即当达到均衡时,出行者不能通过改变自己的路径来减少他们感知的出行成本。静态模型(确定性和随机性)适用于长期的规划分析,但由于它不能描述网络中的拥挤情况,认为整个规划时期路段交通流量和OD需求是常量,显然这和实际交通情况是不相符的。如果时变的OD需求是已知的,就可以分析各个时间段的路网状况,这就导致了时间相关的用户均衡问题[12]:即在任何出发时间间隔,没有出行者能通过改变出行路径来减少他们所感知的成本。

为避免基于出行的四阶段模型的缺点,越来越多的交通规划人员开始采用基于活动的模型进行交通需求分析与预测。活动链可以描述一个人一段时间内不同活动的顺序,也可以反映一个人在空间上的活动规律。为满足相应的活动所经过的路径常称为基于出行链的路径,如图1所示,假设一个人的一天的活动顺序为:家-单位-商店-家。设p为2个连续停驻点之间的一条路径,该出行链对应的路径为:p1→p2→p4;p1→p2→p5;p1→p3→p4;p1→p3→p5。

扩展基于出行的用户均衡到出行链的情况下,可得到基于出行链的时间相关的随机动态用户均衡:即在任何出发时间间隔,没有出行者能通过改变出行路径来减少他们所感知的整个出行链上的成本。

2 模型系统结构

研究动态交通分配通常有两类方法:解析法和仿真法。解析法有严格的数学定义,对动态交通分配有很精确的描述,可以研究解的存在性、唯一性、稳定性。但由于交通系统动态性能的复杂性,对其进行精确的建模很难求解。采用仿真方法能克服解析模型的缺点,再现交通流在交通网络中运行的复杂动态特性。因此,采用仿真的方法求解基于出行链的动态随机交通分配问题。求解基于出行链的动态随机交通分配问题,本质上是求解每个发车间隔分配到各条路径的交通量,所选择的路径能满足出行者完成其相应的活动。模型系统主要分三个模块:(1)交通/活动仿真模型;(2)出行者行为模块;(3)路径处理及交通分配模块。交通/活动仿真模型用于再现交通流在交通网络中运行的动态特征,描述交通流传播及时间-空间互动关系,评价交通网络相关特性;出行者行为模块在一个效用最大化框架下,描述出行者的路径选择决策;路径处理模块用于求解符合条件的路径选择集合。

2.1 交通/活动仿真模型

根据对交通系统描述细节的程度,交通仿真模型可以分为宏观、中观、微观三种。中观交通仿真模型适用于面向交通诱导系统的仿真开发与研究,实现在较大范围内模拟各种属性的特定车辆在路网中运行的状况,所以本文采用中观交通仿真模型。

交通仿真模块主要包括路段车辆行驶模块和交叉口处车辆行驶模块。在路段上,位置相近、交通流特性相似的车辆组成一个交通单位。计算交通单元内部的车辆速度时首先计算头车和尾车的速度,然后排列在中间的车辆分别根据其与头车尾车的位置采用线性加载的计算方法来计算各自的速度。

交通单元头车速度采用单元跟进计算公式来求得[13,14]:

公式中各参数含义如下所示:uij为向j方向行进的行车单元i的头车的单元跟进速度,即交通流ij头车速度;vj0为领导行车单元的尾车的速度;vmax为路段自由流速;λi=(dij/dupper);dij为头车ij距向方向j行进的领导行车单元尾车的距离;dupper预置极限距离。

交通单元尾车速度采用速度-密度函数来计算得到[13,14]:

$v_{i 0} = V_{\min} + (V_{\max} - V_{\min}) (1 - [\frac{Κ_{i}}{Κ_{j a m}}]^{α})^{β}$ (2)

式(2)中各参数含义如下所示:vi0为交通单元尾车的速度;ki为交通单元的交通密度;kjam为路段的阻塞密度;vmax为路段的自由流速;vmin为路段的最小流速;α、β为待标定参数。

在每一个更新阶段中,仿真器依据路网中所有路段的通行能力计算平均车头时距。平均车头时距决定车辆被允许进入路段的时间,如下所示[13,14]:

tn=tn-1+1/Q (3)

式(3)中:tn表示下一辆车进入路段的最早时间;tn-1表示上一辆车进入路段的时间;Q表示交叉口的实际通行能力。

只有当系统的仿真时间大于等于式(3)中决定的tn时,车辆被允许进入此路段;否则,车辆在节点处形成排队。系统会在每一次更新中检查路网中的所有路段所含有的车辆数,如果路段上最后一个交通单元的尾部到达了此路段的边界,车辆也不被允许进入此路段。

当车辆到达中间停驻点时,车辆暂时驶离路网一段时间(等于车辆在中间停驻点的驻停时间),这段时间该车辆对路网中其他车辆不产生影响。当仿真时钟推进到停驻时间完成时,车辆重新驶入路网。

2.2 出行者行为模型

用一个有向图G(N,A)表示交通网络,N为所有节点集合,A为所有路段集合,I为所有出发节点的集合,h为每次出行对应的出行链,H为出行者可选择的出行链集合,h∈H,出行链由一系列中间停驻点表示:Qh={n1,n2,…,ns,…},其中,Qh为出行链h对应停驻点的集合;s为停驻点序号;令τ为出发时间间隔,l为一个出行链对应的一条路径,对于出行链h相应的路径l,C $_{t, i h l}^{τ}$ 为具有出行链h在时刻τ从i出发选择路径l的实际成本,总出行成本为:C $_{t, i h l}^{τ}$ =∑C $_{h l, p_{k}}^{τ}$ ,Chl,pk为出行链h在时刻τ从i出发选择路径l中路径pk的实际成本。

每个出行方案由出发地点、出发时间、一系列活动停驻点及目的地构成,每次活动对应一个给定的活动持续时间。在该模型里,每个出发时间间隔,出行者选择路径以最小化他们整个出行链上的感知成本。

令C $_{a, i h l}^{τ}$ 为具有出行链h在时刻τ从i出发选择路径l的感知成本。则:

C $_{a, i h l}^{τ}$ =C $_{t, i h l}^{τ}$ +(1/θ)ε $_{i h l}^{τ}$ ∀i,j,τ (4)

式(4)中,ε $_{i h l}^{τ}$ 为出行链出行成本相关的误差项,假设Ε(ε $_{i h l}^{τ}$ )=0或者E(C $_{a, i h l}^{τ}$ )=σ $_{i h l}^{τ}$ 。换句话说,也就是平均感知成本等于实际的出行成本。θ为一常数,它起到将出行成本转换成效用的作用。

出行者在出发时刻τ选择路径l的概率为:

P $_{i h l}^{τ}$ =P(C $_{t, i h l}^{τ *}$ ≤C $_{t, i h l}^{τ}$ ,∀l)∀i,j,τ (5)

换句话说,公式(5)表示在出发时刻τ某一路径被选择的概率等于该路径的交通时间被认为是最小值的概率。

根据ε $_{i h l}^{τ}$ 所服从分布的假设不同会产生不同的随机网络配流模型。当假设ε $_{i h l}^{τ}$ 服从正态分布时,可以得到probit模型;当假设ε $_{i h l}^{τ}$ 服从Gumbel分布时,可以得到logit模型。在确定了ε $_{i h l}^{τ}$ 的分布后就可以计算出路径选择的概率,从而可以计算出路径的分配流量:

f $_{i h l}^{τ}$ =q $_{i j}^{τ}$ P $_{i h l}^{τ}$ ,∀i,j,τ (6)

式(6)中:

q $_{i j}^{τ}$ :从i出发具有出行链h的出行者数量;

f $_{i h l}^{τ}$ :具有出行链h,在τ时刻从节点i出发选择路径l的出行者数量。

2.3 路径处理模块

基于从仿真器得到的路段出行时间,路径处理模块求解路径相关特性(如路径出行时间等)。每个出行链对应多条路径,由于出行者对路径成本感知的不同,他们并不都是选择最优的路径出行,也可能选择非最优的路径出行,因此,这涉及到出行链可选路径集的确定问题。出行链可选路径集的确定分两步,第一步计算两个停驻点之间的最短路径集,第二步组合第一步得到的子路径集从而得到该出行链对应的可选路径集。在进行路径选择时,路径集中每条路径分配给特定的选择概率,路径集之外的路径不被选择。第一步中两个停驻点之间的可选路径集的求解采用K最短路算法,K路算法[15]是在Dijkstra最短路算法的基础上进一步扩展得到的,其优点在于每次的计算都能够得到不止一条的最短路,并且能够根据用户不同需求得到不同的最短路个数。为提高模型计算效率,不是在每个仿真间隔重新计算K最短路路径,而是在预先设定的较长时段进行K最短路的计算。在设定的更新间隔内,K路径的出行时间通过每个仿真间隔的所得到的当前路段时间进行更新。

3 基于仿真的迭代算法

通过一个启发式迭代仿真程序来求解模型,该算法集成了连续平均法(MSA)和基于仿真的随机网络卸载方法。

算法主要步骤如下:

步骤1:初始化:设置迭代计数器n=1。基于初始的路段和节点出行特性,为每个出行方案找到一个初始的可行路径集,分配基于活动的初始需求到一个初始的可行路径集上。相应地,初始解由f $_{i h l}^{τ, 0}$ 表示。

步骤2:在给定路径分配模式下,运行交通/活动仿真器得到路段出行时间等相关信息。

步骤3:根据从仿真器得到的路段出行时间,调用路径处理模块分别计算每个出行方案的前K条最短路径集合。同时计算集合中每条路径的总出行成本。

步骤4:根据上一步计算的最短费用路径集合,计算每个选择肢的效用,基于多项logit模型计算每条路径的选择概率,得到每个分配间隔路段的辅助车辆数y $_{i h l}^{τ, n + 1}$ 。

步骤5:使用连续平均法更新路段流量:

$f_{i h l}^{τ, n + 1} = f_{i h l}^{τ, n} + \frac{1}{n} (y_{i h l}^{τ, n} - f_{i h l}^{τ, n})$ 。

步骤6:判断f $_{i h l}^{τ, n + 1}$ 与f $_{i h l}^{τ, n}$ 差值: $| f_{i h l}^{τ, n + 1} - f_{i h l}^{τ, n} | \leq ε$ ,满足,停止循环,否则,执行步骤2。

4 数值算例

出行方案由每个出行者的出发时间、出发地点、一系列进行活动的中间停驻点、最终目的地构成。每个活动对应一个活动持续时间。在仿真实验中,对于每个出行者,每个活动持续时间是外生的并预先确定的。

出发节点为1和4,目的地节点为2和3,中间停驻点为6和10。

假设平均发车流率为2 000辆/小时,即平均每小时2 000辆车从节点1出发前往目的地2,有25%的出行者要在节点6处驻停5 min,另75%出行者直接前往目的地2;2 000出行者从节点1出发直接前往目的地3;2 000出行者从节点4前往节点3,25%出行者在节点10驻停5 min,其余75%出行者直接前往目的地3;2 000出行者从节点4直接前往节点2。

传统的基于出行的方法常忽略中间停驻点的行为或者认为出行链中的每次出行是独立的。为和基于出行链的方法对比起见,以出行链方法、传统基于出行的方法分别求出平均出行时间如表1所示。在以基于出行方法求解时,在进行交通分配时忽略中间停驻点的情况,即在进行交通分配时,仅考虑出行链中最终目的地对交通分配解结果的影响。举例说明,如果一个人从家出发,先送孩子去学校,然后前往工作单位,在分配时认为是一个从家到单位的单一出行。

分别以基于出行链方法和基于出行方法求出,平均发车流率为1 000、1 500、2 000、2 500辆/小时出行者的平均出行时间。从表1可以看出,当忽略停驻点仅考虑出行链中的最终目的地时,所求平均出行时间小于实际平均出行时间,这是因为,当忽略出行链中的中间停驻点时,减少了相应的总出行,路段变得更通畅。

5 结语

传统的基于出行的交通分配模型在进行交通分配时忽略了出行链中各出行之间的相互关系。本文提出的基于出行的动态随机交通分配模型考虑了出行链中各出行之间的相互关系,能更好的反映出行者的实际选择行为。基于所开发的仿真器,结合K最短路算法和MSA算法,设计了模型的求解算法,并通过算例比较了传统的基于出行的分配模型忽略停驻点时对分配结果的影响。

城市通勤出行链模式选择行为研究篇3

关键词：通勤出行链,出行链模式选择,多项Logistic模型

目前, 我国的城市化进程迅速加快, 社会经济、科技、文化的发展日新月异, 这些变化都深刻影响着城市形态的发展以及城市居民的交通出行, 我国城市正面对着日趋复杂严峻的城市交通局面, 尤其是工作日的通勤出行及其所带来的交通拥堵是城市管理与决策者们所面临的主要问题, 这就需要以出行者的通勤出行行为研究为基础制定政策、管理好城市居民日常的交通出行、解决城市的交通拥堵问题。而在通勤出行行为研究中, 通勤出行链模式选择反映了出行者一天工作中的活动安排情况, 因此, 研究通勤出行链模式选择对于建立基于活动的交通需求预测模型、制定交通管理政策具有重要借鉴作用。本文拟细化通勤出行链的模式划分, 将通勤出行链模式分为五类 (H W H、H W H W H、H W H+、H W H W H+、H W+W H) , 并加入出行方式这一个影响因素, 考虑出行方式选择对出行链模式选择的影响作用, 利用多项Logistic模型建立通勤出行链模式选择模型, 对出行链模式选择行为进行研究, 总结出行链模式选择行为中的特征。 (H表示家, W表示工作, +表示其他非工作的出行活动;HWH表示工作中无外出模式, H W H W H表示一天工作, 中途回家再返回单位工作, HWH+表示上下班途中有其他非工作出行活动, H W H W H+表示一天工作, 中途回家再返回单位工作, 并且在上下班途中有其他非工作出行活动, H W+W H表示工作中外出 (不含回家) 并返回单位。

1 城市通勤出行链模式选择模型建立

Bowman与Ben-Akiva在建立基于活动的交通预测模型中将年龄、出行费用、出行时间、出行距离、家庭收入作为影响出行链模式选择的因素[1]。Xin Ye、Ram M.Pendyala等在研究出行方式与出行链的复杂程度之间的关系时将出行方式作为出行链模式选择的影响因素[2]。宗芳、隽志才等在建立基于活动的日计划模型中将性别、职业、有无驾照、是否单身、年龄、家庭月收入、家庭是中是否有六岁以下儿童、家庭中的车辆情况作为影响活动模式的因素[6]。周钱、李一等在对出行链的类型与数量的研究中将性别、年龄、个人收入、家庭人口总数量、家庭车辆数量作为其影响因素[7]。杨敏、王炜等在研究通勤出行链模式选择行为的研究中将家庭工作人数、家庭年总收入、性别、职业、年龄、居住位置、受教育程度作为其影响因素[5]。姚广铮、孙壮志等在节假日出行活动模式的研究中将性别、是否本地游客、家庭车辆情况、职业、年龄、有无驾照、教育程度作为其影响因素[8]。从已有研究文献来看, 出行链模式选择行为可以归纳为受到个人属性、家庭属性、出行特征三大方面的影响。其中, 个人属性包括性别、年龄、职业、有无驾照、个人收入、教育程度、有无月票等因素;家庭属性包括家庭收入、家庭车辆情况、家庭人口情况、居住位置等因素;出行特征包括出行方式等因素。利用东莞市居民出行调查数据和SPSS软件中的多项Logistic回归模块进行计算, 对模型似然比检验中显著性水平不符合检验要求的自变量逐步剔除, 最终通勤出行链模式选择模型中的自变量包括家庭中的摩托车数量、工作地至最近公交车站的步行时间、家庭中小于等于12岁上学孩子数量、个人的性别、年龄、职业以及主要使用的交通方式, 模型中自变量定义及取值见表1所示。

2 模型标定结果分析

Logistic模型是目前许多软件中的MNL模块为了各选项之间比较方便和提高运算效率而采用的一种计算方法[9]。将通勤出行链模式选择集合{H W H、H W H W H、H W H+、H W H W H+、H W+W H}作为多项L o g i s t i c模型的选择肢。以第1种出行链模式 (HWH) 为参考选项, 则后4种出行链模式选择概率可表示为:

其中i=2, L, 5, 分别表示除H W H以外的4种出行链模式。αi是第i种模式的常数项, kβi是相应变量Xki的系数, Xki表示选择第i种出行链模式的第k个变量, iV表示各种出行链模式对HWH的相对效用, 并且,

由式 (1) 及式 (2) , 我们可以分别计算出选择H W H、H W H W H、H W H+、H W H W H+、H W+W H模式的概率。

表2至表4中结果为应用SPSS软件多项Logistic回归模块计算得到的模型拟合信息结果和各自变量的参数估计值, 其中B为对应自变量的参数估计值, Std.E为标准差, Sig.为显著性水平。模型拟合信息表中显著性水平小于0.01, 表明本模型具有显著性意义。似然比检验结果中显著性水平小于等于0.05, 表明本模型中回归系数均有显著性意义。

以HWH模式作为参考, 由表4中显著性水平检验值可知:通勤者选择H W H W H模式的显著影响因素为工作地至最近公交站的步行时间、个人主要使用的交通方式 (mode=私人小汽车, 单位配车, 出租车, 公共汽车) 以及个人的职业;性别、家庭中小于等于12岁的孩子数量 (child12=0, 1) 以及个人的职业 (job=个体经营者) 对通勤者选择HWH+模式的影响显著;个人的职业 (job=个体经营者) 对通勤者选择H W H W H+模式的影响显著;通勤者选择H W+W H模式的显著影响因素为性别、个人主要使用的交通方式 (mode=私人小汽车、单位配车) 、家庭中小于等于12岁的孩子数量 (child12=0, 1) 以及个人的职业 (job=个体经营者) 。

假设某男性年龄为20~40岁之间, 在行政事业单位工作, 家庭中有两辆摩托车, 工作地至最近公交站的步行时间小于等于5分钟, 个人主要使用交通工具为摩托车, 家庭中有两个小于等于12岁的孩子, 则该人选择H W H W H的通勤出行链模式的概率最大, 为0.41。若上述某一变量取值发生改变时, 则该人选择通勤出行链模式的概率变化情况如下。

当通勤者由男性变为女性时, 选择H W H W H模式的概率下降, 而选择H W H+的出行链模式的概率增加, 说明男性相对于女性更倾向于选择H W H W H的通勤出行链模式;当个人主要使用交通方式为机动化程度较高的交通工具时 (私人小汽车、单位配车、出租车、公共汽车) 时, 该人选择H W H与H W H W H+的概率值最大, 表明使用机动化程度较低 (自行车、步行) 的交通方式更倾向于选择H W H W H的通勤出行链模式, 而使用机动化程度较高的交通方式 (私人小汽车、单位配车、出租车、公共汽车) 更倾向于选择H W H与H W H W H+的通勤出行链模式;当家庭中小于等于12岁孩子数量增加时, 选择H W H W H模式的概率有所减少, 表明家庭中小于等于12岁孩子数量较少的通勤者相对于家庭中小于等于12岁孩子数量较多的通勤者倾向于选择HWHWH的出行链模式;当通勤者的职业为企业单位及服务人员时, 选择H W H W H模式的概率有所下降, 选择其他出行链模式的概率有所增加, 当通勤者的职业为个体经营者时, 选择HWH模式的概率增加到0.48, 达到最大, 表明行政事业单位人员相对于企业单位及服务人员更倾向于选择H W H W H的通勤出行链模式, 而从事个体经营的通勤者更倾向于选择H W H+的通勤出行链模式。

3 结语

本文开展了基于城市居民出行调查数据, 利用多项Logistic模型建立居民通勤出行链模式选择模型的研究工作。本文中建立的出行链模式选择模型将通勤出行链模式分为五类 (H W H、H W H W H、H W H+、H W H W H+、H W+W H) , 并考虑了出行方式对出行链模式的影响作用。通过对模型结果的分析, 总结了通勤出行链模式的显著影响因素以及通勤出行链模式选择行为中的特征包括。

以H W H模式作为参考, 通勤者选择H W H W H模式的显著影响因素为工作地至最近公交站的步行时间、个人主要使用的交通方式以及个人的职业;性别、家庭中小于等于12岁的孩子数量以及个人的职业对通勤者选择H W H+模式的影响显著;个人的职业对通勤者选择H W H W H+模式的影响显著;通勤者选择H W+W H模式的显著影响因素为性别、个人主要使用的交通方式、家庭中小于等于12岁的孩子数量以及个人的职业。

男性相对于女性更倾向于选择HWHWH的通勤出行链模式;使用机动化程度较低 (自行车、步行) 的交通方式更倾向于选择H W H W H的通勤出行链模式, 而使用机动化程度较高的交通方式 (私人小汽车、单位配车、出租车、公共汽车) 更倾向于选择H W H与H W H W H+的通勤出行链模式;家庭中小于等于12岁孩子数量较少的通勤者相对于家庭中小于等于12岁孩子数量较多的通勤者倾向于选择H W H W H的出行链模式;行政事业单位人员相对于企业单位及服务人员更倾向于选择H W H W H的通勤出行链模式, 而从事个体经营的通勤者更倾向于选择HWH+的通勤出行链模式。

参考文献

[1]J.L.Bowman, M.E.Ben-Akiva, Activ-ity-based disaggregate travel demandmodel system with activity schedules[J].Transportation Research Part A, 2000 (35) :1～28.

[2]Xin Ye, Ram M.Pendyala, GiovanniGottardi, An exploration of the rela-tionship between mode choice andcomplexity of trip chaining patterns[J].Transportation Research Part B, 2007 (41) :96～113.

[3]陈团生.通勤者出行行为特征与分析方法研究[D].北京交通大学博士论文, 2007.

[4]杨敏, 陈学武, 等.通勤简单链和复杂链的选择行为研究[J].武汉理工大学学报 (交通科学与工程版) , 2008, 32 (2) :191～194.

[5]杨敏, 王炜, 等.工作者通勤出行活动模式的选择行为[J].西南交通大学学报, 2009, 44 (2) :274～279.

[6]宗芳, 隽志才, 等.基于活动的日计划模型[J].吉林大学学报 (工学版) , 2007, 37 (6) :1294～1299.

[7]周钱, 李一, 等.基于结构方程模型的交通需求分析[J].清华大学学报, 2008, 48 (5) :879～882.

[8]姚广铮, 孙壮志, 等.节假日出行活动模式与个人属性相关性分析[J].交通运输系统工程与信息, 2008, 8 (6) :56～60.

旅游交通出行链篇4

居民出行方式选择结果对城市的规划和发展都具有一定的影响,能否准确把握城市居民出行方式选择的结果,将直接影响到城市交通结构优化和城市交通系统的运行效率。出行链主要指出行者为完成某项活动或某种目的的出行,按一定时间顺序排列的出行目的所组成的往返行程。不同的出行链居民将会选择不同交通方式出行,租车作为一种新型交通方式也会受到出行链的影响,因此对居民租车的研究是必要的。

现阶段居民出行方式选择的影响因素主要归纳为出行者特征、出行特征、交通方式特征3个方面。胡列格建立考虑油价上涨的非集计模型,验证了出行方式和道路资源的空间分担关系。杨励雅等以出行链为单元建立居民出行方式选择结构方程模型,确定了个人与家庭属性、土地利用、出行链等各类因素对居民出行方式的影响方向及影响程度;出行链对出行方式选择结果具有一定的影响,栾琨等构造NL模型对出行方式和出行链选择行为之间的关系进行研究;冯树民等对齐齐哈尔市居民出行进行调查并运用统计分析进行分析结果表明近一半人出行需要换乘,平均出行链长度为1.68,随着出行链长度的增加小汽车在出行链所占的比例增加而公共交通出行链所占比例下降。

本文尝试将出行链引入到居民租车选择行为的影响因素中,并以四川省成都市居民出行调查为例,探讨出行链对居民租车选择行为的影响。采用Logit模型对所收集的数据进行研究分析,最终确定出行链和租车选择行为两者之间的关系。

1 出行链影响分析

1.1 次数

出行链次数是指人们一天中所完成的起讫于家的出行链的数量,齐齐哈尔市居民每天平均出行链次数为1.39次,大约一半的居民出行需要换乘,平均出行链长度为1.68。同过对居民出行链次数的研究,发现居民出行链的次数与其换乘选择租车出行成一定的比例关系。

1.2 复杂度

简单出行链表示居民只需选择少量交通方式换乘即可完成出行目的,居民主要选择公共交通出、轨道交通或者私家车出行为主。复杂出行链涉及到多个活动地点,不同的交通方式组合需要恰当的衔接,由于交通方式之间的衔接不完善以及公共交通相对低下的效率,促使复杂出行链的出行者主要采用私家车出行或租车出行。

1.3 长度

出行链长度指出行者不包含家以外的参与活动目的的总数量。租车出行有良好的便捷性、舒适性和准时性,当出行链长度较短时可以通过租车出行解决居民的各种出行目的。租车出行成本相对高于公共交通出行,公共交通具有低成本出行的优势,当出行链长度的增加公共交通低成本出行的优势将得以体现,公共交通将成为租车强有力的竞争对手。

2 模型建立

2.1 效用理论

非集计模型的理论基础是假设消费者在选择自己追求的商品时会选择自己认为效用最大的分肢,该假定通常被称为效用最大化行为理论假设。若令Uin为个人n选择分肢i时的效用,Cn为与个人n对应的选择分支合集,当Uin>Ujn,j≠i∈Cn时,个人n将选择i。根据离散选择模型中公示推导知Uin为:

2.2 考虑出行链的模型

在考虑出行链的情况下,把居民出行的方式选择简化为2种:因为出行链而选择租车出行,或者继续选择公共交通出行作为交通工具。这是一个典型的离散二元问题,因此建立二项Logit模型。

根据城市居民出行行为选择效用最大化理论,城市居民总是选择效用最大的出行方式,则城市n居民选择i种出行方式的概率可以写为:

根据二重指数分布性质知εin服从参数为(0,1)的二重指数分布,2个独立的二重指数分布概率变量的差服从后勤分布的性质,

选择方案只有2项(即i=0,1)时的概率分别为:

2.3 变量选择

在使用模型计算前需要将变量分为离散和连续两类,离散变量如:有无驾照、和性别等,连续变量有:收入、和年龄等,将变量进行分类最终文中所考虑的特征变量及对应的回归系数见表1。

3 模型应用

调查问卷主要包含三个部分:(1)出行链题项,在问卷中设置出行链提项为简单出行链、复杂出行链、出行链长度等三个题项,(2)用户基本属性信息题项5个,(3)交通方式题项3个。依据设计问卷调查团队在四川成都市对居民出行进行调查,发放380份剔除不认真回答和缺失值个数大于46的样本,回收338份,有效回收率为88.95%。表2为用SPSS软件进行回归分析后并得出最终结果。利用软件数据参数检验Sig值为0.001<0.005即模型通过检验。

通过对样本数据分析得出:

(1)用户基本属性对居民租车影响较为显著。

用户基本属性中的性别和年龄对居民租车的影响较小,职业、收入、有无驾照对居民租车的影响相对较大。用户基本属性对其选择公共交通与其选择租车的影响因素不同,用户基本属性中影响最大的因素只有有无驾照和职业,属性中其他因素对其选择公共交通无显著影响,其中个体属性中有无驾照和收入是决定居民租车与选择公共交通的本质因素。

(2)出行链对居民租车的影响显著。

复杂出行链对居民租车影响较大而对选择公共交通出行的影响较小,主要原因为组合方式所需的额外停驻地点以及公共交通相对低下的效率,使得复杂出行链的出行者更倾向于采用小汽车或租车方式。出行链长度对出行方式的影响显著,其对租车出行和公共交通出行的影响效应较高。

4 结语

文中提出了出行链对居民租车选择行为的影响,构建了以用户基本属性和出行方式属性为基础的二项Logit模型,运用SPSS19.0软件对数据分析结果表明:与未考虑出行链对居民租车选择行为的影响研究相比,加入出行链因素后通过影响因素对比分析发现,加入出行链因素后的总体因素对居民租车选择行为的解释能力更具有科学性。同时,研究结果验证用户基本属性和出行方式属性对居民租车选择行为的影响。

参考文献

[1]Bowman J L,Ben-Akiva M.Activity-based disaggregate travel demand model system with activity schedules[J].Transportation Research Part A,2000,(35):1-28.

[2]徐上,陆建,马海峰等.大型活动观众出行方式选择影响因素研究[J].交通运输工程与信息学报,2007,05(01):77-83.

[3]胡列格,魏文彬,杨俊慧等.高油价对居民出行方式选择的影响分析[J].铁道科学与工程学报:工学版,2011,04(08):90-94.

[4]杨励雅,邵春福,李霞等.城市居民出行方式选择的结构方程分析[J].北京交通大学报,2011,35(06):01-06.

[5]栾琨,隽志才,宗芳.通勤者出行方式与出行链选择行为研究[J].公路交通科技,2010,27(06):792-796.

[6]冯树民,贾佃精,胡宝雨.中小城市居民出行特征分析[J].武汉理工大学学报,2015,37(01):51-55.

[7]关宏志.非集计模型——交通行为分析工具[M].北京:北京人民交通出版社,2004.

【旅游交通出行链】推荐阅读：

交通出行方式05-13