潘義勇,魏雙秋,陳詩意,蔣冠宇,陸妍琳

(南京林業(yè)大學(xué) 汽車與交通工程學(xué)院, 南京 210037)

大力發(fā)展公共交通有效緩解了城市交通擁堵,但交通擁堵問題依然形勢嚴峻。職住分離、節(jié)假日、大型集會等原因?qū)е略诖笾谐鞘兄谐霈F(xiàn)了一種新型交通擁堵,即潮汐交通擁堵。設(shè)置潮汐車道是解決潮汐交通擁堵的有效交通組織方式。因此,深入研究潮汐車道使用意愿的影響因素,對提高潮汐車道使用效率有重要意義。

國內(nèi)外對潮汐車道的研究多是在設(shè)置方式的理論創(chuàng)新、潮汐車道實施效果的調(diào)查分析、交通安全等方面,從個人和心理層面分析潮汐車道使用意愿的研究較少。Lalani[1]通過調(diào)查發(fā)現(xiàn)潮汐車道實施后交通事故總數(shù)上升,并對事故類型等基礎(chǔ)數(shù)據(jù)進行分析。Bede等[2]通過幾條潮汐車道的數(shù)據(jù)分析得出潮汐車道實施后,旅行時間、等待時間、停車次數(shù)、油耗、有害物質(zhì)排放、碳氫化合物、一氧化碳、一氧化氮等均減少了。王敏等[3]通過實地調(diào)查北京市朝陽路潮汐車道的交通流數(shù)據(jù),比較潮汐車道設(shè)置前后的變化,發(fā)現(xiàn)潮汐車道實施后平均行駛車速提高,車流量增加。尚春琳等[4]構(gòu)建雙層規(guī)劃模型,求解潮汐車道最佳設(shè)置車道數(shù)、車道長度、切換時機和潮汐車道清空時間最小的控制策略。

國內(nèi)外學(xué)者使用潛類別Logit模型分析影響因素的研究也較多。李鑫[5]研究了個人特征和道路環(huán)境對行人讓行意向的影響。陳建冰[6]研究通勤者出行方式選擇,分析3類通勤者的異質(zhì)性特征。Liu等[7]研究正面碰撞傷害嚴重程度的因素,并分析顯著影響因素的邊際效用。

綜上所述,國內(nèi)外對于潮汐車道設(shè)置后駕駛員使用意愿的研究較少,本文采用潛類別Logit模型對潮汐車道使用意愿進行分析。第一,闡述模型構(gòu)建基本原理;第二,設(shè)計問卷,通過問卷調(diào)查獲取數(shù)據(jù),進行描述性統(tǒng)計分析和數(shù)據(jù)檢驗;第三,篩選顯著影響因素,對比分析只考慮個人屬性和加入潛變量的潛類別Logit模型的擬合效果及異質(zhì)性效應(yīng),并進行參數(shù)估計和平均邊際效應(yīng)分析,為提高潮汐車道使用效率提供參考。

1 潮汐車道使用意愿模型構(gòu)建

1.1 結(jié)構(gòu)方程模型

使用結(jié)構(gòu)方程模型量化心理潛變量因素,心理潛變量可由觀察變量測得。根據(jù)結(jié)構(gòu)方程模型,測量模型的矩陣回歸方程式為:

X=aXξ+δ

(1)

Y=bYη+ε

(2)

式中:X、Y為觀察變量;aX、bY為變量(X,Y)的因子載荷;ξ、η為外衍潛變量和內(nèi)衍潛變量;δ、ε為測量誤差。結(jié)構(gòu)方程模型方程式為:

η=Aη+Bξ+ζ

(3)

式中:A、B為內(nèi)衍潛變量和外衍潛變量的路徑系數(shù)矩陣;ζ為測量誤差。

心理潛變量可表示為:

(4)

式中:GN為潛變量;N為設(shè)計的觀察變量數(shù);λn為因子載荷;xij為駕駛員i選擇j車道行駛的觀察變量值;ζij為誤差項。

1.2 潛類別Logit模型

潛類別Logit模型可用于分析無法直接觀測的潛在異質(zhì)性。本文假定駕駛員的使用意愿選擇由個人屬性和潛在異質(zhì)性決定。

假設(shè)所有駕駛員可使用的潛類別Logit模型分為C個類別。類別c中,駕駛員i的選擇概率為:

(5)

(6)

(7)

1.3 平均邊際效應(yīng)

由于參數(shù)估計結(jié)果的符號并不總是和自變量的實際影響相同,因此,使用邊際效應(yīng)分析顯著影響因素對駕駛員潮汐車道使用意愿的影響。邊際效應(yīng)計算公式如下:

(8)

(9)

2 數(shù)據(jù)獲取與檢驗

2.1 問卷設(shè)計與描述

本次調(diào)查考慮潮汐車道設(shè)置后駕駛員的選擇行為,問卷設(shè)計包括3個部分:個人屬性、心理潛變量屬性和場景假設(shè)屬性。2021年3月—5月在南京市進行線上調(diào)查,共收集有效問卷723份。個人屬性信息如表1所示。基于結(jié)構(gòu)方程模型,加入駕駛員的心理潛變量作為影響因素,觀察變量如表2所示。

表1 個人屬性信息變量

表2 心理潛變量

Debrezion等[8]研究表明,通勤出行距離大于4 km時,多采用小汽車出行。因此,場景假設(shè)中,按照5～8 km中距離通勤出行,8～12 km中長距離通勤出行,12 km以上長距離通勤出行,設(shè)置行程距離。城市道路早晚高峰通勤出行易出現(xiàn)擁堵,根據(jù)百度地圖適當(dāng)設(shè)置行程時間。一般小汽車市區(qū)內(nèi)每百公里耗油8～11 L,按市區(qū)每百公里耗油10 L的車型計算,油價取普通92#汽油7.3元/L,汽車每公里的保養(yǎng)和維修費用為1.35元[9],設(shè)置出行成本(四舍五入取整)。分隔設(shè)施形式包括3種,如圖1(a)為潮汐車道無硬質(zhì)中央分隔帶,無護欄分隔車流;圖1(b)為潮汐車道有硬質(zhì)中央分隔帶,設(shè)置隔離樁分隔對向車流;圖1(c)為潮汐車道無中央分隔帶,設(shè)置護欄分隔對向車流。選項為愿意使用潮汐車道,只會在常規(guī)車道行駛和繞行其他道路。場景假設(shè)示例如表3所示。

圖1 問卷場景

表3 場景假設(shè)示例

2.2 數(shù)據(jù)檢驗

信度是檢驗獲取的量表數(shù)據(jù)各維度是否真實可信的指標(biāo),效度反映了調(diào)查問卷量表數(shù)據(jù)的準(zhǔn)確性和有效性,檢驗方法主要包括Cronbach’s α檢驗、KMO檢驗和Bartlett’s球形檢驗[10-12]。信效度檢驗如表4所示。表4各維度和總體的Cronbach’s Alpha值大于0.7,KMO值大于0.7,Bartlett’s球形檢驗值小于0.5,表明數(shù)據(jù)通過信效度檢驗。

使用Stata軟件進行多重共線性檢驗,各虛擬變量vif值小于10,即通過檢驗,數(shù)據(jù)可以使用結(jié)構(gòu)方程模型和潛類別Logit模型進行分析[13]。

表4 信效度檢驗

3 模型驗證

3.1 心理潛變量標(biāo)定

構(gòu)建結(jié)構(gòu)方程模型,設(shè)定潛變量間因果關(guān)系,經(jīng)過路徑檢驗,得到擬合效果良好的結(jié)構(gòu)方程模型,如圖2所示。結(jié)構(gòu)方程擬合效果如表5所示。χ2為1.530,RMSEA為0.036,GFI為0.943,CFI為0.981,TLI為0.978,適配理想。

圖2 結(jié)構(gòu)方程模型圖

表5 結(jié)構(gòu)方程擬合效果

結(jié)構(gòu)方程模型擬合得到各觀測變量的因子載荷如表6所示。各潛變量對應(yīng)題項的因子荷載均大于0.7,說明各潛變量對應(yīng)所屬題目具有很高的代表性。

表6 觀察變量的因子載荷

3.2 潛類別Logit模型參數(shù)標(biāo)定

3.2.1潛在分類確定

BIC(bayesian information criterion)、AIC(akaike information criterion)用于確定潛類別Logit模型的分類數(shù),分類數(shù)為1時,退化為多項式Logit模型。BIC、AIC越小,分類數(shù)越優(yōu),擬合效果越好[14-15]。通過比較AIC和BIC確定潛類別Logit模型最佳潛在類別數(shù)量,結(jié)果如表7、表8所示。

表7 只考慮個人屬性的潛類別Logit模型分類

表8 加入潛變量的潛類別Logit模型分類

考慮個人屬性的潛類別Logit模型分類數(shù)為2時,AIC和BIC值最小,因此應(yīng)取分類數(shù)為2。加入潛變量的潛類別Logit模型類數(shù)為3時,AIC和BIC值最小,因此應(yīng)取分類數(shù)為3。取最佳分類數(shù)時,考慮個人屬性的潛類別Logit模型和加入潛變量的潛類別Logit模型Mc Fadden R2分別為0.086和0.110,加入潛變量的潛類別Logit模型擬合效果更優(yōu)。

3.2.2參數(shù)估計

使用最大似然法求解,得到只考慮個人屬性的潛類別Logit模型參數(shù)估計結(jié)果如表9所示。加入潛變量的潛類別Logit模型參數(shù)估計結(jié)果如表10所示。

表9 只考慮個人屬性的潛類別Logit模型參數(shù)估計結(jié)果

表10 加入潛變量的潛類別Logit模型參數(shù)估計結(jié)果

顯著影響因素在潛類別Logit模型的不同類別分布中有顯著差異。例如:表10中,擁有1輛小汽車在class1和class3中呈顯著負影響,在class2中呈顯著正影響,表明不同類別下數(shù)據(jù)存在顯著異質(zhì)性。

只考慮個人屬性時,有11個顯著變量,其中,有孩子和行程距離2個變量表現(xiàn)出顯著異質(zhì)性。加入潛變量時,有13個顯著變量,擁有1輛小汽車、駕齡5年以上和感知風(fēng)險3個變量表現(xiàn)出顯著異質(zhì)性。加入潛變量的潛類別Logit模型異質(zhì)性效應(yīng)表現(xiàn)更優(yōu),表10中加入潛變量的潛類別Logit模型的3個潛在類別class1、class2和class3分別占比11.2%、11.5%和77.3%。以下對加入潛變量的潛類別Logit模型進行展開分析。

3.3 平均邊際效應(yīng)結(jié)果

邊際效應(yīng)可定量分析各影響因素對車道選擇的影響,加入潛變量的潛類別Logit模型擬合效果和異質(zhì)性效應(yīng)表現(xiàn)更優(yōu)[16-17],計算得到加入潛變量的潛類別Logit模型各分類下顯著影響因素的平均邊際效用如表11所示。表11中,正值表示每單位變量變化對某種使用意愿被選擇的增加程度,負值表示每單位變量變化對某種使用意愿被選擇的減少程度。

表11 平均邊際效應(yīng)

4 結(jié)果分析

4.1 顯著異質(zhì)性結(jié)果分析

擁有1輛小汽車對選擇愿意使用潮汐車道有顯著影響,且在3個類別中均顯著,在class1和class3中呈顯著負影響,在class2中呈顯著正影響。當(dāng)駕駛員擁有1輛小汽車時,選擇愿意使用潮汐車道的概率減少2.96%,選擇只會在常規(guī)車道行駛和繞行其他道路的概率增加2.23%和0.11%。潛在原因是擁有1輛小汽車更注重車輛的駕駛,為避免車輛產(chǎn)生不必要的擦碰,不會輕易使用潮汐車道。

駕齡為5年以上對選擇只會在常規(guī)車道行駛有顯著影響,且在3個類別中均顯著,在class1和class3中呈顯著正影響,在class2中呈顯著負影響。當(dāng)駕駛員駕齡為5年以上時,選擇愿意使用潮汐車道和繞行其他道路的概率減少1.95%和2.01%,選擇只會在常規(guī)車道行駛的概率增加1.29%。駕齡為0年,即有駕照但未駕駛過車輛時,對選擇愿意使用潮汐車道有顯著影響,僅在class1中有顯著正向影響,在其他類別中不顯著。當(dāng)駕駛員有駕照但未駕駛過車輛時,選擇愿意使用潮汐車道的概率增加5.63%,選擇只會在常規(guī)車道行駛和繞行其他道路的概率減少1.91%和4.7%。結(jié)果表明:駕齡5年以上的駕駛員更易選擇只會在常規(guī)車道行駛,有駕照但未駕駛過車輛的駕駛員更易選擇愿意使用潮汐車道。潛在原因是駕齡為5年以上的駕駛員考取駕照的時間較長,在駕校學(xué)習(xí)時未涉及潮汐車道的知識或未在生活中了解過潮汐車道,對潮汐車道知識存在盲區(qū),而有駕照但未駕駛過車輛的駕駛員取得駕照的時間較短,如今,在駕校學(xué)習(xí)含有潮汐車道相關(guān)知識。因此,駕校應(yīng)重視潮汐車道知識考察,普及潮汐車道知識,并利用模擬駕駛等方式增加駕駛員模擬體驗潮汐車道駕駛的機會,路考中適當(dāng)增加潮汐車道路段考試內(nèi)容。

感知風(fēng)險對只會在常規(guī)車道行駛有顯著影響,且在3個類別中均顯著,在class1中呈顯著負影響,在class2和class3中呈顯著正影響。感知風(fēng)險每增加一個水平,選擇愿意使用潮汐車道和繞行其他道路的概率減少20.13%和24.1%,選擇只會在常規(guī)車道行駛的概率增加22.83%。隨著駕駛員對潮汐車道感知風(fēng)險的提高,會有更多駕駛員不易選擇使用潮汐車道。因此,應(yīng)做好潮汐車道的合理規(guī)劃設(shè)置、安全設(shè)施配置和安全管理控制等工作,降低駕駛員對潮汐車道的感知風(fēng)險。潮汐車道路段應(yīng)完善監(jiān)控覆蓋,確保駕駛員遵守交通規(guī)則,同時防止行人橫穿馬路。潮汐車道行駛出現(xiàn)過違規(guī)情況的駕駛員,通過信息推送等方式讓駕駛員熟知潮汐車道的行駛規(guī)則。

4.2 個人屬性結(jié)果分析

4.2.1年齡18～29歲

18～29歲的駕駛員對選擇只會在常規(guī)車道行駛有顯著影響,在class1和class3中呈顯著負影響,在class2中不顯著。年輕駕駛員選擇愿意使用潮汐車道的概率增加2.58%。潛在原因是年輕駕駛員通過媒體、社交軟件等獲得潮汐車道知識的可能性更大,且年輕駕駛員思想更加活躍,更容易接受新鮮事物,更易成為愿意使用潮汐車道的群體。

4.2.2大專以下

大專以下對選擇只會在常規(guī)車道行駛有顯著影響,在class1和class3中呈顯著正影響,在class2中不顯著。當(dāng)駕駛員教育水平為大專以下時,選擇愿意使用潮汐車道的概率減少3.35%。潛在原因是教育水平為專科以下的駕駛員可能對潮汐車道知識不熟悉,行駛規(guī)則不理解,更容易選擇保守路線。管理者可利用漫畫、動畫演示、提示圖等,以通俗易懂的方式解說行駛規(guī)則。

4.2.3有孩子

有孩子對選擇只會在常規(guī)車道行駛有顯著影響,在class2中呈顯著負影響,在class1和class3中不顯著。當(dāng)駕駛員有孩子時,選擇繞行其他道路的概率增加2.96%。潛在原因是有孩子的駕駛員受家庭影響可能較大,為避免潮汐交通擁堵,更容易選擇繞行路線。

4.2.4經(jīng)常駕車

經(jīng)常駕車對選擇繞行其他道路有顯著影響,在class2中呈顯著正影響,在class1和class3中不顯著。當(dāng)駕駛員經(jīng)常駕車時,選擇繞行其他道路的概率增加5.26%。潛在原因是經(jīng)常駕車的駕駛員對道路路況較為清楚,更容易避開擁堵,選擇繞行其他暢通路線。

4.2.5穩(wěn)健型駕駛員

穩(wěn)健型駕駛員性格對選擇繞行其他道路有顯著影響,在class1中呈顯著正影響,在class2中呈顯著負影響,在class3中不顯著。當(dāng)駕駛員性格為穩(wěn)健性時,選擇愿意使用潮汐車道和繞行其他道路的概率減少0.08%和0.95%,選擇只會在常規(guī)車道行駛的概率增加0.55%。潛在原因是穩(wěn)健型駕駛員駕車以保守和安全為主,面對新型車道,不會輕易嘗試。

4.3 心理潛變量結(jié)果分析

行為態(tài)度對只會在常規(guī)車道行駛有顯著影響,在class2中呈顯著負影響,在class1和class3中不顯著。行為態(tài)度每增加一個水平,選擇愿意使用潮汐車道和繞行其他道路的概率增加4.59%和9.33%。社會影響對繞行其他道路行駛有顯著影響,在class1和class2中呈顯著負影響,在class3中不顯著。社會影響每增加一個水平,選擇愿意使用潮汐車道和繞行其他道路的概率增加16.00%和11.92%。隨著駕駛員對潮汐車道行為態(tài)度和社會影響的提高,會有更多駕駛員選擇愿意使用潮汐車道。因此,應(yīng)提高駕駛員對潮汐車道的行為態(tài)度和社會影響。交警部門可利用熱門軟件(如微博、抖音等)、新聞媒體等做好全體市民潮汐車道宣傳工作。加強交流互動、問題留言平臺建設(shè),共同參與討論,治理擁堵。學(xué)校課本增加潮汐車道等交通知識,推前潮汐車道認知年齡段。計劃設(shè)置潮汐車道的路段,利用地理信息大數(shù)據(jù)篩查途經(jīng)該路段頻次較多的駕駛員,提前發(fā)送短信信息提示;附近的社區(qū)、學(xué)校提前開展交通知識宣傳,例如發(fā)放宣傳冊、張貼海報等;城市新聞媒體事前、事中、事后跟蹤報道宣傳。

4.4 場景假設(shè)屬性結(jié)果分析

4.4.1行程時間

行程時間對選擇愿意使用潮汐車道有顯著影響,在class1中呈顯著正影響,在class2和class3中不顯著。行程時間每增加一個水平,選擇愿意使用潮汐車道的概率減少92.95%,選擇只會在常規(guī)車道行駛和繞行其他道路的概率增加14.52%和62.76%。行程時間越長,說明潮汐車道的設(shè)置已無法緩解擁堵,潮汐車道無法達到設(shè)置目的,容易降低駕駛員對潮汐車道的使用意愿。因此,管理者應(yīng)充分調(diào)研,設(shè)置方式因地制宜,最大限度優(yōu)化高峰時段交通組織。城市交通擁堵時間存在隨機性,設(shè)置潮汐車道應(yīng)加大科研力度投入,結(jié)合智慧城市、智慧交通,兼顧交叉口和相鄰交叉口綠信比,根據(jù)車流實時控制潮汐車道運行和信號燈周期。

4.4.2分隔設(shè)施

分隔設(shè)施對選擇潮汐車道有顯著影響,在class1中呈顯著正影響,在class2和class3中不顯著。圖1中,分隔設(shè)施每增加一個水平,選擇愿意使用潮汐車道的概率增加69.54%,選擇只會在常規(guī)車道行駛和繞行其他道路的概率減少9.67%和48.56%。駕駛員對圖1中的第3種隔離方式認可度更高,因此,潮汐車道應(yīng)設(shè)置隔離設(shè)施分隔雙向交通流,保障行車安全,如使用機械式護欄設(shè)置,縮短護欄隔離切換時間。在有硬質(zhì)中央分隔帶的路段,初期合理安排交警疏導(dǎo)交通,引導(dǎo)車輛駛?cè)氤毕嚨?提高潮汐車道的使用率。

5 結(jié)論

1) 從個人屬性、心理潛變量屬性和場景假設(shè)屬性3個方面獲取數(shù)據(jù),剔除不顯著因素,加入心理潛變量的潛類別Logit模型篩選出年齡18～29歲、專科以下、有孩子、擁有1輛小汽車、駕齡0年、駕齡5年以上、經(jīng)常駕車、穩(wěn)健性駕駛員、行為態(tài)度、感知風(fēng)險、社會影響、行程時間、隔離設(shè)施等變量與因變量有顯著影響。

2) 相較于只考慮個人屬性的潛類別Logit模型,加入心理潛變量的潛類別Logit模型擬合效果和異質(zhì)性效應(yīng)表現(xiàn)更優(yōu)。

3) 潛類別Logit模型將數(shù)據(jù)分為3類,分別占比11.2%、11.5%和77.3%。擁有1輛小汽車、駕齡為5年以上和感知風(fēng)險表現(xiàn)出顯著異質(zhì)性。

4) 感知風(fēng)險每增加一個水平,選擇愿意使用潮汐車道和繞行其他道路的概率減少20.13%和24.1%,選擇只會在常規(guī)車道行駛的概率增加22.83%。隨著駕駛員對潮汐車道感知風(fēng)險的提高,會有更多駕駛員選擇只會在常規(guī)車道行駛。

5) 鑒于調(diào)研條件有限,交通環(huán)境因素的影響將是后續(xù)研究的重要方向之一。