选择春天出发

选择春天出发（精选6篇）

选择春天出发 篇1

0 引 言

现阶段,我国交通基础建设不是很完善,大运量的公共交通设施建设存在一定的不足,相比之下,私人小汽车的发展却很迅速,这导致了城市交通供需之间的矛盾日益突出。特别是在出行高峰期,私人小汽车出行量大且集中,这种供需的不平衡将直接导致拥挤和环境污染等交通问题,进而影响整个国民经济的发展。进行交通需求管理,从而采取有效措施调节供需,首先要掌握城市居民的出行规律,如选取哪条出行路径、在什么时间段出行等。许多研究者对出行者的路径和出发时间选择行为进行了研究。研究者使用了不同的模型如仿真模型[1],解析模型[2,3,4]以及基于Cell[5]的模型。Merchant和Nembauser [6]最早提出了动态交通分配的数学规划模型,但是该模型只适用于城市的单讫点交通网络。Ran和Boyce[7]以及Chen[8]也建立了出发时间和路径选择的动态用户最优模型,但因其将交通在整个网络上进行时空扩展,使得问题变得异常庞大,难以应用于实际的交通网络中。国内外全面研究城市交通出行成本的城市不多,美国、加拿大、法国、中国台湾等国家和地区都进行了一定的研究,其中大部分只是深入研究了城市交通的一项或几项外部成本,而对出行的总成本研究较少。目前国内以交通需求管理为基础,考虑多成本对交通出发时刻选择影响的研究较少,而且研究中往往没有包含惩罚因素,如进行这方面的研究,将更有效的诱导出行者出行并解决城市交通拥堵,且更符合出行者在出行时很大程度上依赖于其出行的多成本这一基本实际。本论文通过对不同出行时间内交通特性的研究,根据我国具体的社会经济环境,建立合适的理论与方法,以提高整个城市交通预测的准确度,为交通需求管理策略的评价研究以及城市交通基础设施建设规划提供理论基础。

1 小汽车出发时刻决策分析

出行者根据自身的出行目的,结合自身条件、交通系统的状况,以及以前的或其他人的经验,建立出行决策的原则及选择标准,然后做出理性的决策。交通系统中,不同线路在道路条件上的差异,不同出发时刻在出行时耗、出行费用、舒适性、方便性等方面的差异,以及不同出行者的个人、家庭、社会经济等属性的差异,导致出行者在出行时会选择不同的出发时刻或者出行线路。出行者以效用最大化为目标使用和分配自己有限的收入,决策自己的出行。

然而每位出行者的决策将导致路网上流量的变化,进而导致出行成本的变化,从而进一步影响出行者的选择。因此,出行者的决策是一个复杂的过程,见图1。

2 小汽车出行成本分析

目前,在私人小汽车出行成本的构成问题上,一般考虑有车辆使用成本、基础设施成本、出行时间成本以及拥挤外部成本。本文在研究私人小汽车的出发时刻选择问题时,主要考虑固定费用成本、出行时间成本和惩罚费用成本。

2.1 固定费用成本

出行者自身为达到其出行目的所耗费的燃油费、道桥使用费及拥挤收费成本称为固定费用成本。

2.1.1 燃油消耗成本

影响汽车燃油消耗的因素很多,从汽车自身的性能上看,主要有发动机的功率、比油耗、转速;传动机的传动效率、传动比等。从道路性能上看,主要有道路的坡度、平整度等;从交通状况上看,主要有交通量、道路等级、交叉口类型和控制方式等。

本文结合私人小汽车平均出行距离以及当时的燃油价格,建立了城市私人小汽车燃油消耗成本模型:

$C{}_{\text{p}\text{c}\text{o}}=FC{}_{\text{p}\text{c}}\times l{}_{\text{p}\text{c}}\times k{}_{\text{p}\text{c}\text{o}}(1)$

式中:Cpco为私人小汽车一定时间内的燃油消耗成本,元;FCpc为小汽车代表车型的单位油耗,L/km;lpc为私人小汽车一定时间内的平均出行距离/km;kpco为私人小汽车的燃油均价,元/L。

2.1.2 路桥使用成本

路桥使用成本主要是针对城市收费道路和高架桥而言的。我国的很多城市都相应出台了路桥通行费的收取和管理规定。

设路桥通行费的单车费价为DJ,在一定时期内单车通过的路桥点数为M,则报告期内单车路桥费可以用下列公式计算:单车路桥费额=DJ×M。设某线路的运距为L,若在此运距内设N个路桥收费点,单车在一定时期内从出发次数为B次,则该车所经路桥点数M=N×2B(乘以2是包括返程),单车路桥费额=2DJ×N×B。设路桥收费的平均点距为K,K=运距/点数=L/N,则N=L/K,所以上列公式又可写为:单车路桥费额=2DJ×L/K×B。

2.1.3 拥挤收费成本

拥挤道路使用收费是对特定时段和路段的车辆实行收费,其最终目标是使得交通需求与当前的交通供给相适应,缓解交通拥挤,其实现过程可从以下3个方面进行分析。

1) 减少交通源的产生。

出行者往往选择出行时间最短或者较舒适的时间和路径出行,其在出行前的出行决策过程,实际上也是个人出行成本效益的分析过程。如果将我们对某些交通拥挤路段或区域实行拥挤收费,那么就是提高了进入该区域或路段的交通出行者的出行成本,人们在选择进入该路段或区域时,就会重新考虑是否进行这次出行,进而减少了交通源的产生。

2) 改变交通时间结构。

城市交通在时间分布上呈现马鞍形状,即由一个早高峰和晚高峰组成。一般早高峰出现在职工上班和学生上学时间;晚高峰则出现在职工下班和学生放学时间。高峰时段实行收费措施,促使弹性交通需求避开高峰时间,利用平峰时间出行,从而达到“削峰填谷”的目的,实现交通需求在时间上的平衡。

3) 改变交通空间结构。

出行过程中,从出发地到目的地之间往往有多条路径,交通出行者在选择出行时,往往会选择路线短或者出行时间短的路径出行,这就导致了交通热线的产生,也造成了出行热线的拥堵,进而使近路欲速则不达。通过对交通热线征收拥挤费,来引导消费者选择交通冷线,可以使有限的道路资源得到充分合理地利用。

2.2 出行时间成本

出行者为到达目的地,在路上花费的那一部分出行时间所产生的价值,即出行时间成本。

所谓时间价值(value of time,VOT),是指由于时间的推移产生的效益的增值量和由于时间的非生产性消耗造成的效益在货币上的体现。对于出行者来说,出行时间价值即单位出行时间的货币化。目前,出行者出行时间价值的确定方法主要有生产法、收入法、支出法和收入-支出法等。

2.2.1 工作时间价值

生产法认为,出行者的出行时间的节约可以用于生产,以创造更多的国民收入或国民生产总值,因此,生产法适合用于工作时间价值评估。即

$V{\rm O}{\rm T}{}_{\text{W}}=\frac{{\rm M}{}_{\text{G}}}{{\rm T}\times {\rm N}}(2)$

式中:VOTW为劳动者工作时间价值,元/(人·h);MG为全市GDP,以货币计算,元;T为劳动者平均工作小时,h;N为从事物质生产劳动者年平均数,人。

在从业人员中,私人小汽车出行者只是其中的一部分,相对而言,私人小汽车出行者具有较高的收入,从而也应该有较高的时间价值。在这个基础上,建议将私人小汽车工作出行时间价值VOT1取为全市劳动者工作时间价值的2倍。即

$V{\rm O}{\rm T}{}_1=2V{\rm O}{\rm T}{}_{\text{w}}(3)$

2.2.2 休闲时间价值

对于每一位从业人员而言,其劳动报酬除了供自身使用外,还须负担家庭中非从业人员的生活所需,因此,全市平均休闲时间价值的计算需考虑平均每一从业者负担人数。从而有:

$V{\rm O}{\rm T}{}_{\text{r}}=\frac{c{}_{\text{w}}}{2n{}_{\text{W}}\cdot {\rm T}}(4)$

式中:VOTr为平均休闲时间价值;cw为从业人员平均劳动报酬;nw为平均每一从业人员负担人数;T为年平均劳动时间。

定义居民出行时间为t,则出行时间成本Ct可表示为

$C{}_t=t\times V{\rm O}{\rm T}(5)$

2.3 惩罚费用成本

出行者每天因上下班往返于居住地和工作地之间,就上班而言,所有的出行者都想在上班时刻准时到达工作地,但是受道路通行能力的限制以及对路网的实际出行时耗及成本等的不可预知性,这种理想状况是不可能实现的,总有一些人会早于或晚于上班时间到达,因此而产生的费用即惩罚费用成本。

惩罚费用成本的表达式为

$C{}_{\text{p}}(t)=\{\begin{array}{l}\gamma [t{}^{*}-(t+t{}_1)]t\in [t{}_{\text{e}},t{}_{\text{m}}]\\ \delta [(t+t{}_1)-t{}^{*}t\in [t{}_{\text{m}},t{}_{\text{l}}]\end{array}(6)$

式中:Cp(t)为私人小汽车的惩罚费用成本;t为出发时刻;t1为路段出行时间;t*为工作开始时刻;te为最早到达时刻;tl为最晚到达时刻;tm为车辆能够准时到达时的出发时刻;γ,δ为单位早到、晚到的惩罚系数。

2.4 小汽车出行总成本

根据前文对城市私人小汽车出行成本的研究与分析,建立私人小汽车的出行总成本模型如下:

$C=C{}_{\text{f}}+C{}_{\text{t}}+C{}_{\text{p}}(t)(7)$

即:

$C=\{\begin{array}{l}C{}_{\text{f}}+t{}_1\times V{\rm O}{\rm T}+\gamma [t{}^{*}-(t+t{}_1)]\\ t\in [t{}_{\text{e}},t{}_{\text{m}}]\\ C{}_{\text{f}}+t{}_1\times V{\rm O}{\rm T}+\delta [(t+t{}_1)-t{}^{*}]\\ t\in [t{}_{\text{m}},t{}_{\text{l}}]\end{array}(8)$

3 出发时刻选择模型

3.1 交通分配理论

3.1.1 Logit模型

Logit模型是属于非集计方法(disaggregate method)的一种常用模型。交通分析中,把可供选择的交通方式叫做“选择枝”(alternative),某个选择枝具有的令人满意的程度叫做“效用”(utility)。假设有N个选择枝,每个选择枝的效用为U,可以把它看成是2个部分的和:

$U{}_j=V{}_j+\epsilon {}_j(9)$

式中:Uj为个人关于选择枝j的效用;Vj为能够观测到的因素构成的效用确定项;εj为不能够观测到的因素构成的效用随机项。

因此选择概率取决于效用函数Uj效用确定项Vj和误差项εj的分布。假设随机误差项εj服从二重指数分布,那么从效用最大的原理可以推出选择枝j的选择概率Pj为

${\rm P}{}_j=\frac{\exp (bV{}_j)}{{\displaystyle \sum _{i=1}^J\text{e}}\text{x}\text{p}(bV{}_i)}(10)$

式(10)就是研究中常用到的多项选择枝的Logit模型。

3.1.2 基于Logit的随机用户均衡分配模型

随机用户均衡分配(stochastic user equilibrium,SUE),认为交通网络中每个出行者都认为自己选择的出发时间是“阻抗”最小的时间,再没有出行者相信能依靠单方面改变出发时间,可以减少其阻抗。

在实际的出行过程中,由于出行者的出行行为会受到各种因素(如气候、交通事故等)的影响,因此出行者对出行费用的估计存在偏差。而且,在交通出行中,两点之间的出行量会因为2点之间阻抗(收费、拥挤等等)而变化的,其原因可能因为改变了吸引点,也有可能是出行者因为阻抗大而放弃了出行,因此在这里认为出行需求是可变的(也可称为“弹性需求”)。为了更好的描述出交通行为中的需求量的可变性和出行者选择行为的随机性,将出发时间选择模型描述为弹性需求的随机分配问题。

一般我们称出行者主观判断的阻抗值为“感知阻抗”,用C${}_t^i$表示OD对间出发时刻为t时路径i的感知阻抗。而出发时刻为t时路径i实际阻抗记为c${}_t^i$,感知阻抗与实际阻抗之间是有一个随机误差的,用ε${}_t^i$来表示,那么根据效用U的定义,可以用感知阻抗的负值来表示选择的效用,即

$U{}_t^i=-C{}_t^i=-(c{}_t^i-\epsilon {}_t^i)(11)$

当出行者要选择效用最大的选择枝时,假设随机误差项ε${}_t^i$服从二重指数分布,由Logit模型可以得出出发时刻为t时路径i的选择概率

${\rm P}{}_t^i=\frac{\exp (-bc{}_t^i)}{{\displaystyle \sum _t{\displaystyle \sum _i\text{e}}}\text{x}\text{p}(-bc{}_t^i)}(12)$

假设OD对w之间出发时刻为t时路径i的交通流量为x${}_t^i$;w间的交通流量为q${}_w^t$,那么可以得出:

$x{}_t^i=q{}_w^t{\rm P}{}_t^i=q{}_w^t{\rm P}{}_t(C{}_t^i\le C{}_t^{{\rm K}},\forall k)(13)$

式中:W为道路网络中所有的OD对,w∈W;T为道路网络中所有出发时刻的集合,t∈T;I为OD对之间的所有路径的集合,i∈I;x${}_t^i$为OD对w间的出发时刻为t时路径i上的交通流量,其中t∈T,i∈I;q${}_w^t$为OD对w间出发时刻为t时的交通流量,w∈W;P${}_t^i$为出行者OD对w间出发时刻为t时路径i的选择概率。

上式是随机用户平衡分配的条件。在实际出行中,交通阻抗主要就是指交通网络上路径或路段之间的运行距离、时间、费用、舒适度等等这些因素的综合。为了简单起见,本文采用了广义上所说的交通阻抗,即广义出行费用,包括出行时间以及其它费用(如延误时间成本等)。在下文中,将用实际的广义出行费用来代替交通阻抗。

3.2 模型的建立

3.2.1 随机配流模型的建立

基于上文的理论,用随机用户平衡模型来描述道路交通网络中的网络平衡状态,以交通随机配流理论为基础,建立随机配流模型。在此模型的目标函数中含有感知阻抗的数学期望,对应于它的数学规划模型为

$\begin{array}{l}\min :F(X)=-{\displaystyle \sum _{i}q}{}_w^{t}S[c{}_t^i(X)]+{\displaystyle \sum _{t}x}{}_t^{i}c{}_t^i(x{}_t^i)-\\ {\displaystyle \sum _i{\displaystyle {\int }_0^{x{}_t^i}c}}{}_t^i(w)\text{d}w\\ {\displaystyle \sum _{i}x}{}_t^i=q{}_w^t\forall t(14)\end{array}$

式中:S[ci(X)]=E$\underset{i\in l}{{\displaystyle \min }}\{C{}_l^i\}|c{}^i(X)$。

3.2.2 出发时刻选择Logit模型的建立

由Logit模型可以得出出发时刻为t的选择概率为

${\rm P}{}_t={\displaystyle \sum _i\frac{\exp (-bc{}_t^i)}{{\displaystyle \sum _i{\displaystyle \sum _i\text{e}}}\text{x}\text{p}(-bc{}_t^i)}}(15)$

式中:b为一个参数,与ε的方差有关,通过证明,可以得出$b=\frac{\text{π}{}^2}{6D(\epsilon )}$。

3.3 模型求解

第1步。将qw在整个时间段及各个路段上均匀分配,得到出发时刻t时的出行量x${}_t^{i(0)}$,根据式(8)计算出行成本c${}_t^{i(0)}$,再根据式(12)和(15)求解P${}_t^{i(0)}$和P${}_t^{(0)}$,进而据式(13)得到t时刻的出行量x${}_t^{(0)}$。

第2步。根据式(14)求解得到出发时刻t时各路段上的交通量x${}_t^{i(k)}$。

第3步。计算出行成本c${}_t^{i(k)}$,再根据式求解P${}_t^{i(k)}$和P${}_t^{(k)}$,进而得到一个t时刻的出行量x${}_t^{(k)}$。

第4步。判别收敛条件:令$\overline{x}{}_t^{(n)}=\frac{1}{m}{\displaystyle \sum _{j=0}^{m-1}x}{}_t^{(n-j)}$,如果满足式(ε为预先确定的精度临界值):

$\frac{\sqrt{{\displaystyle \sum _t(}\underset{¯}{x}{}_t^{(n+1)}-\underset{¯}{x}{}_t^{(n)}){}^2}}{{\displaystyle \sum _t\underset{¯}{x}}{}_{\left\{{\rm P}{}_t^{(k)},\forall t\right\}t}^{(n)}}\le \epsilon$

则停止,{P${}_t^{(k)}$,∀t}即为所求;否则,令k=k+1,返回第2步。

4 算例及其分析

4.1 算例

构建一个4条路径的路网,通过设定路网的属性和模型的各参数,进行算例分析,描述私人小汽车考虑多出行成本时的出发时刻选择。建立路网如图2所示,从起点1到终点6共有4条路径,路径1:1—2—6;路径2:1—3—6;路径3:1—4—6;路径4:1—5—6。

各条路径的参数见表1。

模型的参数设置见表2。

假设早高峰期私人小汽车的出行量为14 000 veh。最早的出行者因为在较早的时间到达工作地,因此只承担了早到惩罚费用;而最晚的出行者只承担了迟到惩罚费用;并且最早和最晚的出行者都没有遇到拥挤。当系统达到平衡状态时,两者的惩罚费用相等。因此有

$\begin{array}{l}C{}_{\text{e}}=\gamma \left[t{}^{*}-\left(t{}_{\text{e}}+t{}_0\right)\right](16)\\ C{}_{\text{l}}=\delta [(t{}_{\text{l}}+t{}_0)-t{}^{*}](17)\\ C{}_{\text{e}}=C{}_{\text{l}}(18)\\ t{}_{\text{l}}-t{}_{\text{e}}={\rm N}/S-t{}^{*}(19)\end{array}$

由上述4个公式可得:

$\begin{array}{l}t{}_{\text{l}}=t{}^{*}-t{}_0+\frac{\gamma }{\gamma +\delta }\left(\frac{{\rm N}}{S}\right)(20)\\ t{}_{\text{e}}=t{}^{*}-t{}_0-\frac{\delta }{\gamma +\delta }\left(\frac{{\rm N}}{S}\right)(21)\end{array}$

据上述给定的模型参数,可得高峰期为[08:13～08:48]。因此,本文将高峰期以5 min为间隔划分为7个时段。

本文交通需求采用复指数函数,出行时间t采用美国联邦公路局的路阻函数-BPR函数即:

$\begin{array}{l}q{}_{\text{w}}=\overline{q{}_{\text{w}}}\cdot \exp \left[-\pi {}_{\text{w}}S{}_{\text{w}}\left(c{}^w\right)\right](22)\\ t(x{}_a)=t{}_0\left[1+\alpha (\frac{x{}_a}{C{}_a}){}^{\beta }\right](23)\end{array}$

依照常用的典型值,α、β、πw分别取值0.14、4、0.04。

本文算法用Matlab软件编程计算,在计算机上运行,得到系统最优时出行者在各时段上的选择概率及其成本见表3。

此时,私人小汽车的平均出行成本为21.682元,其中平均燃油成本为10.452元,平均出行时间成本为8.399元,平均惩罚费用成本为2.831元。

4.2 算例分析

4.2.1 小汽车出行的选择概率分析

由算例结果可得,系统达到最优时小汽车出行者在各出发时段的选择概率见图3。

由图3可知,在不迟到的前提下,出行者往往选择较晚的出发时段出行,因此在前5个时段的选择概率呈增长趋势,在出发时段5达到的最大值;而出发时段6和7因有迟到而被惩罚的危险,因此选择概率相对较少。

4.2.2 小汽车出行成本分析

算例中各成本以及总成本在不同出发时段内的变化趋势见图4。

由图4可见,燃油成本和出行时间成本趋势基本相同,这跟实际情况也是相符的。一方面,出行者为了避免拥挤而选择路程较长的路径,因此两者都会增加;另一方面,出行时间中拥挤时间的增加必定带来燃油的过多消耗。

同时,燃油成本、出行时间成本与惩罚费用成本均存在此消彼长的关系。出行者选择较早或者较晚出行时,因为路网条件良好,进而燃油消耗少、出行时间短;而当出行者选择在出行率较高的时段出行时,虽然能较准时到达目的地,但也承担了由拥挤带来的过多的出行时间和燃油消耗。

当系统平衡时,各出行时段的出行总成本趋于相等,这对于整个交通系统来说是比较符合实际的。根据此研究结果,交通管理者可以制定相应的交通需求管理措施,例如错时上下班等,使出行者不能以单方面改变出发时刻来降低出行成本,进而使系统达到最优。

5 结束语

出行者在进行出发时刻选择时,往往以“出行时间最短”为目标和原则,在高峰期之前或者之后,出行者都能以自由流车速顺利到达目的地,而这种情况通常是不符合出行者的实际选择行为的,过早或者过晚的到达同样会给出行者带来一定的费用,因此,本文通过研究出行者的行为,综合考虑了包括惩罚费用成本在内的各出行成本,建立了出发时刻选择模型,而通过算例的分析,证明此模型能够较好的反应出行者的出发时刻选择与各出行成本之间的变化关系,这也是比较符合常理的。

本文建立的出发时刻选择模型同样适用于城市道路实行拥挤收费及路桥使用费,以及小汽车的节假日出行,通过分析拥挤收费和增加路桥使用费时小汽车出发时刻选择的变化来为拥挤收费费率的制定、交通经济政策的评价及合理配置交通资源等进行下一步研究。合理分析私人小汽车的出行行为以及多成本对私人小汽车出行的影响,从而正确预测不同交通条件下私人小汽车选择的出发时刻,可以优化整个城市的交通系统结构,为交通建设项目的合理进行及城市不同时期交通的规划和发展提供保障。

选择春天出发 篇2

2.承上启下，从上文的“春天来了”到下文的“去探访春天”的自然过渡;去寻找探访春天。

3.(1)运用拟人的修辞方法，生动形象地写出了春柳的优美姿态，同时在它身上，我们发现了新生的希望。 (2)运用了对比的表现手法，突出小野花为春天而美丽绽放的情景，表达了作者对小野花自信、乐观精神的赞扬。

4.示例一：那些风声、鸟鸣声、花儿开放的声音、种子从泥土里拔节的声音是多么悠扬动听。 示例二：春天，就是可爱的小动物们和美丽的花海给装扮起来的，春天多么的美丽啊! 示例三：这么美丽的春天，我们一定要好好珍惜这打好时光。

从春天出发 篇3

著名作家雷蒙德·卡佛说：“作家要有面对简单的事物，比如落日或一只旧鞋子，惊讶得张口结舌的资质。”面对一个又一个的春天，面对春天里生发的新生事物，我们曾觉得那样新鲜、别致。然而，伴随现实生活的重负和时光飞逝的惶恐，我们对春天越来越熟视无睹了。就拿我来说吧。人过四十，面对日复一日纷杂的生活，童心、童趣和对一草一木的兴趣荡然无存。

我们关注战争，关注灾难，关注暴力，甚至于网络谣言，但却漠视身边的一草一木，点点滴滴。作为一个常人，生命需要时时被提醒。但更愿看到像这首诗歌以最温暖、最柔美的方式触动我们内心深处，提醒我们这个世界还有独立于我们的存在——一草一木；童心，童趣。

夏文杰先生保持着一颗童心，他是自觉地发现“独立于我们”而存在的事物的诗人——“在春天开始”的节点上，他让自己沉浸在一种“无我”的静彻和澄澈的境界，同自然万物一起呼吸隐约的岁月芬芳：

我们就做杨柳上

两颗嫩芽吧

注视所有的叶子

一片一片 优雅地

从春天的深处爬出来

大地开始变绿 开始欢呼

诗歌凭借其内在韵律跳跃成行，不是简单的人为分割。上面平凡的句子跳动着春的情愫，让我们见到春天的细微处：杨柳上的两颗嫩芽，一片片的叶子，在春天深处优雅地爬，变绿……文字是通灵性的，诗歌的文字尤其如此。面对春天的“萌动”，诗人“悸动”的触角有了灵动：他知道，随着“两颗嫩芽”的冒出，整个世界便“开始欢呼”——多么激动人心的“生”之气象。从这诗歌语言所蕴含的特殊召引中，我们似乎找到自己的生之归路——做杨柳上两颗嫩芽吧。

但这是远远不够的，因为诗人的世界是宽广无边的，诗人的关注是“普渡苍生”的。叶子、水草，还有大田里的油菜：

在慢慢醒来的堤岸旁

观察冬眠的鱼重新呼吸

从南方飞回的水鸟

呢喃着别人听不懂的词语

春天的水草，醒来的堤岸，冬眠的鱼的苏醒……所有生命，都怀揣梦想准备着飞翔——这些春天的句子，在平平仄仄的韵律里，在生机勃勃的意象里长出翅膀，生成灵性——它们准备着出发，准备着用绿色和翅膀，用春天萌动的诗意，偕同“从南方飞回的水鸟”，做一场惊天动地却悄然无声的旅行。

一般说来，诗歌的殿堂不是形容词堆砌而成（诗歌与形容词几乎无关），而且尽可能地少用动词——诗歌是一个名词与另一个名词组成的神秘王国。但在前面诗行中所点缀的形容词“优雅地”“慢慢”及后节中“无际的”“不动声色地”，动词“注视”“爬”“醒来”“冬眠”“呼吸”“呢喃”“奔”“跳”“淡去”等，经作者奇妙组合，让诗行不再像一堆个人思想上的枯骨，她处处迸发着万物的生命之光，让读者产生一种自己有梦也要飞翔的心灵触动。

人们常说：花朵是美的，但仅有花的开放没有叶的衬托，美就显得单调。那么，诗人还会关注什么呢？

风怎样从远处奔过来

一阵欣喜 一阵温暖

麻雀怎样从树上跳下来

又跳上去 却掩饰不了它的高兴

炊烟怎样在村庄上空升起

然后在夕阳下淡去

诗歌赋予语言以灵性，当其所调动的语言完美地镶嵌在诗意中，那些被调动的词汇因为有了恰当的位置而闪耀智慧的光芒。这节中，油菜，风，麻雀，炊烟，夕阳，这些常见的意象，因为有了诗人高超技艺的组合，因为有了诗人神奇的心灵召唤而通灵达慧，演绎人与自然和谐相处、静默温馨的人文情怀。即使是一些非生命的物件，因此也散发着春天的活力。

王小波说：“人仅有此生是不够的，还应有一个充满诗意的世界。”只有梦想才能唤醒这样敏锐的感受。面对喧嚣的尘世，夏文杰先生总有这样的梦，他以对寻常事物的绵密凝视，营造王小波式的“充满诗意的世界”，人生此在，而不是短暂的生命冲动。

大巧不工，大味必淡。诗歌写多了的诗人，写到后来关注的不再是使用什么手法，表达什么思想，而是自身思维的神奇诗意。评价这类诗歌，不用分析作者的写作技巧，最好的方式是让文本自己说话，让读者自己品读玩味，在品赏中抵达诗歌的内心。这是一种大智若愚的心灵抵达，恰如《菜根谭》所言：“风恬浪静中，见人生真境，味淡声稀处，识心体之本然。”

现在请您安静

因为马上要开始一个新的旅程

选择春天出发 篇4

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[1,2,3]、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[2,10,11,12]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。

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。

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 (10 min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。

注:*表示显著水平为5%时, t检验显著;**表示显著水平为1%, t检验显著。

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10 min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。

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。

摘要：在交通行为分析中, 传统效用函数形式不能反映个人属性对信息效用感知的影响。改进效用函数形式, 运用多项Logit模型理论, 建立了公交动态信息下的公交通勤者出发时间选择行为初始模型。从初始模型中选择t检验显著的解释变量, 并分别基于传统效用函数形式、改进的效用函数建立了2个修正模型。对比2个修正模型标定结果发现, 改进的效用函数比传统的效用函数更有利于提高模型性能。研究也表明:性别、收入的t检验值分别为2.02、-2.25, 说明二者对乘坐时间信息效用感知显著;教育属性的t检验值为2.03, 说明其对车内拥挤程度信息效用感知影响显著;乘坐时间取均值, 车内拥挤度为0.7时, 二者效用比值为1.54∶1, 说明乘坐时间信息是影响出发时间选择最重要的因素。

和春天一起出发小学作文 篇5

春天已经到了呢!

不知何时，刺骨的寒风变柔了，变暖了，黄色的土地也泛绿了，不过几天，一簇簇的绿草清晰可见。家门前地那棵小树，死气沉沉地过了一个冬天后，也冒芽了，密密的嫩叶里还藏着一些小白花哩!路旁的广玉兰积聚了一年，也终于开起一大朵一大朵的花。现在只要以抬头，眼前满是嫩绿、粉红。

“啾啾”，小燕子在人们的期盼中再次飞回来了，她欢快地叫着：“春天来了!春天来了!”

今年的春天比以往更美!

广场的上空，各式风筝在飘。孩子们快乐地奔跑，风筝也在你追我赶，活了似的。天气暖和了，人们脱去笨拙的棉袄，活动活动身体，舒展舒展筋骨，跳一两下，做一个深呼吸，身体里一下子充满了活力。

对着镜子里又长高了许多的自己，我好开心。又长大了一岁的我，依旧是那么幼稚。该懂事点了吧?我问自己。春天来了，走了，而我却要紧握住我的春天，不是吗?我还是个小女孩，还是一个在自己的`春天里蓬勃向上的小女孩。大地的春天会回来，而我的春天却一去不会还。我想，我应该继续努力下去，不能让这春天白白流走。

选择春天出发 篇6

起跑线上，五大高手跃跃欲试，一声令下，它们冲了出去。严格地说，蜜蜂、瓢虫、蜻蜒、苍蝇是飞出去的，只有蜗牛是爬出去的，而且爬的速度相当慢。

几分钟后，蜗牛已经远远地落在后面，其余昆虫几乎并驾齐驱。狡猾的瓢虫突然玩起了“擦边球”，混乱中趁对手不备，猛地撞了一下蜻蜒宽大的翅膀，蜻蜒改变了方向坠落到地面。

半小时后，蜗牛已经没了影子，瓢虫、蜜蜂、苍蝇仍在你追我赶地快速飞行着。苍蝇似乎发现了瓢虫的诡计，时刻小心翼翼地提防着它，就在苍蝇分神之际，不小心被树枝刮了一下，也放弃了比赛。

只剩下瓢虫和蜜蜂了，当然还有不见踪迹的蜗牛。蜜蜂和瓢虫虽并驾齐驱，但始终保持着距离，它们谁都不敢轻易冒犯对手，因为瓢虫太狡诈，而蜜蜂的刺可不是好惹的。它们无忧无虑地飞行，甚至跳起了舞蹈。正在展现舞技时，蜜蜂不想碰到了山丘，无奈掉到了河里。

这回只剩下瓢虫，洋洋得意的它一边飞一边回头看蜗牛是否追了上来，确认没有对手后，它终于放下心来。刚转过头，猛地撞在一个写着“停止”的标牌上，刹那间摔在地上。根本不被看好的蜗牛意外获得冠军。

看完故事，我本想启发一下小侄子。比如：这是新版龟兔赛跑，说的是同一个道理，不能骄傲。再比如：要守规矩，瓢虫不遵守规则，就没有好结果。还比如：做事要专注，不能分心，蜜蜂、苍蝇都因犯了这样的错误才导致失败。

可还没等我开口，小侄子就叫：“这故事一点都不好看!”我问：“为什么?”他说：“根本不该出现这样的结局，蜗牛夺冠几乎不可能。”我追问：“怎么不可能?因为其他昆虫都犯了错误。”小侄子反问：“问题就出在这，犯了错误就不能改啊?苍蝇、蜻蜒、蜜蜂完全可以重新飞起来，可它们没有。所以我觉得，这个故事一点不好看。”

真没想到，还没来得及“启发”孩子，反倒被小侄子上了一课，我只能不停地伸大拇指。“欲速则不达”在小侄子眼里已变为“欲速则要达”，既然已经加快了步伐，不管遇到什么困难都要设法抵达终点。这就是一个孩子的想法!我能不伸大拇指吗?