廖 陽， 文義凡， 李迎峰

（1 西安建筑科技大學 管理學院， 西安 710055；2 陜西（高校）哲學社會科學重點研究基地 陜西省房地產(chǎn)業(yè)綠色發(fā)展與機制創(chuàng)新研究中心， 西安 710055）

0 引 言

近年來，伴隨著科學技術(shù)的進步和物質(zhì)生活水平的提高，國內(nèi)城市汽車保有數(shù)量以及汽車保有量超百萬的城市數(shù)量都在不斷增加，由此帶來的城市交通擁堵問題也愈發(fā)嚴重。 現(xiàn)如今，城市交通的規(guī)模與負荷也在加大，通過增加道路數(shù)量或擴大道路寬度和控制城市道路上的車輛數(shù)目來緩解交通壓力，已經(jīng)無法有效解決現(xiàn)有的城市交通問題。 同時，交通網(wǎng)絡(luò)以及信息時代的迅速發(fā)展，使得基于車聯(lián)網(wǎng)環(huán)境下對道路資源的合理利用也達到了最大化，因而了解司機路徑選擇行為，更好地進行交通誘導(dǎo)，合理地分配路網(wǎng)流量、降低車輛延誤時間，即已成為提高路網(wǎng)運行效率的有效策略。 基于此，調(diào)查車聯(lián)網(wǎng)環(huán)境下司機路徑選擇行為就顯得尤為重要，這也為后續(xù)交通管理部門發(fā)布相關(guān)誘導(dǎo)信息提供理論支撐。

在車聯(lián)網(wǎng)環(huán)境下，有許多因素會影響司機的感知與判斷，從而影響司機的路徑選擇。 在提供交通信息的同時，不僅是相關(guān)決策因素會影響司機路徑選擇，司機對信息的感知、理解與處理等也會導(dǎo)致不同路徑選擇結(jié)果。 韋增欣等人［1］根據(jù)司機個人特性的路徑選擇，就是根據(jù)基于可能度和區(qū)間數(shù)相離度的多屬性決策方法提出一種能夠綜合反映司機偏好的最優(yōu)路徑選擇方法，為司機能更快地到達目的地提供一定的幫助。 劉凱等人［2］考慮出行者日常出行習慣，構(gòu)建混合用戶均衡模型分析交通消息對于出行者路徑選擇行為的影響。 Chang 等人［3］根據(jù)大量的調(diào)查數(shù)據(jù)，通過多因素分析，研究駕駛員路徑選擇行為特征的出行路徑，為構(gòu)建智能交通系統(tǒng)平臺提供了理論依據(jù)。 陳堅等人［4］研究社交信息對路徑選擇的影響，設(shè)計無交通信息、部分交通信息和完全交通信息三種情形下的受驗者路徑選擇行為實驗并得到不同實驗結(jié)論。 傅志妍等人［5］提出出行者對社交網(wǎng)絡(luò)交通信息感受的7 個潛變量，構(gòu)建考慮潛變量的混合選擇模型用以解釋出行方式選擇行為過程。 李濤等人［6］基于有限理性理論，提出了有限理性模型，并松弛原有Logit 模型效用最大化假設(shè)，建立了有限理性下的Logit 模型，可以解釋出行者路徑選擇決策中的一些有限理性行為。 Sangeetha等人［7］提出了一種基于模糊增益的動態(tài)蟻群算法，用于動態(tài)路徑規(guī)劃，得到安全、平滑的無碰撞路徑規(guī)劃，該算法在未來可以應(yīng)用于實時道路網(wǎng)絡(luò)和各種車輛路徑問題的研究中。 陳秀鋒等人［8］研究城市交通中的誘導(dǎo)信息對于出行者駕駛路徑選擇行為的影響。 Deng 等人［9］研究了西安市11 000多輛出租車的軌跡數(shù)據(jù)，考慮通勤者的路線選擇行為在不同距離出行中的異質(zhì)性，更好地解釋通勤者路線選擇行為。 高吉等人［10］通過對Logit 模型的應(yīng)用來研究上海市居民出行方式及路徑選擇。

車聯(lián)網(wǎng)環(huán)境下司機路徑選擇行為受多方面因素影響，本文基于Bovy 等人［11］對司機路徑選擇影響因素是通過采用模擬調(diào)查分析方法從不同的角度來分解影響因素，并從司機個體屬性、出行特性、外界條件以及交通信息等方面設(shè)計調(diào)查問卷，接著通過統(tǒng)計分析影響司機路徑選擇的關(guān)鍵因子、作用機理及影響規(guī)律，最終利用二元Logit 模型可實現(xiàn)司機路徑選擇預(yù)測。 基于本次研究結(jié)果，可提出相應(yīng)的決策建議，提高城市交通運行效率，緩解交通壓力。

1 司機路徑選擇行為

本文在車聯(lián)網(wǎng)環(huán)境的背景下，探究司機路徑選擇行為影響因素及其作用機理。 根據(jù)Wardrop［12］第一平衡原理，出行者會根據(jù)道路實際狀況，在達到出行目的過程中選擇更有利的出行路徑。 而司機路徑選擇行為可視為司機對出行預(yù)規(guī)劃路徑的不斷選擇調(diào)整過程。 這里，研究給出了車聯(lián)網(wǎng)環(huán)境下司機路徑選擇過程如圖1 所示。

圖1 車聯(lián)網(wǎng)環(huán)境下司機路徑選擇過程Fig． 1 Drivers route selection process in the Internet of Vehicles environment

通過對現(xiàn)有國內(nèi)外學者的研究進行分析，對影響司機路徑選擇因素做了系統(tǒng)整理與歸納，把司機路徑選擇影響因素歸納為4 類，分別為:司機個體屬性類、出行特征類、外界條件類以及交通信息類，具體影響因子如圖2 所示。

圖2 司機路徑選擇影響因子Fig． 2 Drivers route selection influence factors

2 研究方法與數(shù)據(jù)調(diào)查統(tǒng)計

2．1 數(shù)據(jù)來源

文中數(shù)據(jù)主要采用調(diào)研問卷方式獲取。 調(diào)研內(nèi)容主要分為3 個部分。 第一部分為路網(wǎng)司機的統(tǒng)計學特征，包括司機的性別、年齡、駕齡、學歷、職業(yè)、月收入以及駕駛風格等，從而確定司機的社會屬性。第二部分為司機出行經(jīng)歷調(diào)查，主要包括出行目的、出行頻率、出行距離、路徑選擇依據(jù)、路網(wǎng)熟悉程度等。 第三部分主要為司機擇路態(tài)度。 共發(fā)放調(diào)研問卷588 份，其中，有效問卷561 份，有效率為95.4%。

2．2 二項Logit 模型

由于本文研究的問題對象“司機在道路擁堵時是否選擇變道”為二分類問題，因而選用了通常適用于估計以二分變量為因變量的模型的二元Logistic 回歸方法。

該模型中，設(shè)Y∈｛0，1｝，P（Y＝1｜X） 為事件Y在條件X的作用下發(fā)生的概率，取值范圍為［0，1］；相應(yīng)地，P（Y＝0｜X） 為事件Y在條件X的作用下不發(fā)生的概率。 優(yōu)勢比Odds ＝P／（1 -P），取值范圍為［0，＋∞）。 對Odds取自然對數(shù)，可將概率P從取值范圍［0，1］ 映射至（-∞，＋∞），從而建立廣義線性模型:

對上式求解可得:

其中，X＝（1，X1，…，Xk）T；β＝（β0，β1，…，βk）T，β0為常數(shù)項，βk為各變量的回歸系數(shù)。

以“在道路擁堵時是否選擇變道”為因變量Y，取值為1 時表示變道，取值為0 時表示不變道；自變量為反映司機的基本信息、出行經(jīng)歷和擇路態(tài)度等信息的變量。 各變量的賦值定義，以及各選項的選擇比例見表1。

表1 SP 調(diào)查問卷統(tǒng)計表Tab． 1 Statistical table of SP questionnaire

2．3 模型標定

本文應(yīng)用SPSS 26.0 軟件對模型進行二元Logistics 回歸和關(guān)鍵因子篩選，并采用“輸入法”將各變量引入模型。 篩選關(guān)鍵因子的標準為顯著性水平0.1。 逐步剔除顯著性水平大于0.1 的因子，最終篩選得到的變量組合以及相應(yīng)的系數(shù)估計結(jié)果見表2。

表2 Logit 回歸估計結(jié)果Tab． 2 Logit regression estimation results

結(jié)果表明駕齡、駕駛風格、出行頻率、出行距離、路徑選擇依據(jù)、以及受訪司機出行路徑選擇受交通狀況和信息的發(fā)布時機、發(fā)布內(nèi)容、發(fā)布方式與準確度的影響程度，這10 個因子對擁堵時是否改變路徑有顯著的影響。 性別、年齡、學歷、職業(yè)、月收入、出行目的、路網(wǎng)熟悉程度，以及受訪司機出行路徑選擇受道路類型、車輛特征和天氣狀況的影響程度，這10 個因子對擁堵時是否改變路徑?jīng)]有顯著影響。具體分析如下:

在非分類變量（有序變量）中，駕齡的系數(shù)為0.255（P＝0.031＜0.05），這表明駕齡越長的司機擁堵時改變路徑的概率更高。 出行頻率的系數(shù)為0.502（P＝0.000＜0.05），這表明出行頻率越高的司機，擁堵時改變路徑的概率更高。 出行距離的系數(shù)為0.415（P＝0.000＜0.05），這表明司機出行距離越遠，遇到擁堵時改變路徑的概率更高。 在司機的擇路態(tài)度方面，交通狀況、信息發(fā)布時機、信息發(fā)布內(nèi)容、信息發(fā)布方式和信息準確度的系數(shù)分別為0.390、0.244、0.232、0.328 和0.189，相應(yīng)的P值均小于0.05，這表明受交通狀況和信息發(fā)布情況影響程度較高的司機，遇到擁堵時改變路徑的概率更高。

分類變量中，駕駛風格方面，普通型和激進型的系數(shù)分別為1.812 和2.907，P值均小于0.05，這表明普通型和激進型司機遇到擁堵時改變路徑的概率明顯高于保守司機（模型設(shè)定的基準水平），且積極型司機改變路徑的概率更高。 路徑選擇依據(jù)方面，個人經(jīng)驗的系數(shù)為0.521（P＝0.049＜0.05），這表明依靠個人經(jīng)驗選擇路徑的司機相較依靠交通信息誘導(dǎo)的司機（模型設(shè)定的基準水平），在擁堵時變更路線的概率更高；而依據(jù)家人或朋友推薦或利用其他方式選擇路徑的司機，變更路線的概率較基準水平的差異并不明顯。

綜上可知，駕齡長、駕駛風格較激進、出行頻率高、出行距離長、路徑選擇依據(jù)個人經(jīng)驗、及路徑選擇更易受到交通狀況和信息發(fā)布情況影響的司機，在遇到擁堵時改變路徑的概率更高。

續(xù)表1

2．4 模型準確性檢驗

為檢驗?zāi)Ｐ偷臏蚀_性，本文對比了561 份樣本中受訪司機遇到擁堵時是否改變路徑的實測值和預(yù)測值。 對預(yù)測值取0.5 為臨界值，預(yù)測值大于等于0.5 的為變更路徑，小于0.5 的為不變更路徑，結(jié)果見表3。 結(jié)果表明，臨界值取0.5 時，模型的總體預(yù)測準確率為78.3%，預(yù)測效果較好。 其中，對不改變路徑的預(yù)測準確率為59.6%，對改變路徑的預(yù)測準確率為87.3%。

表3 實測結(jié)果與模型預(yù)測結(jié)果對比表Tab． 3 Comparison between measured results and model prediction results

3 結(jié)束語

運用二元Logit 模型分析車聯(lián)網(wǎng)環(huán)境下司機路徑選擇行為影響因素，包括司機個體屬性、出行特性、外界條件以及交通信息四個方面，共包含10 個顯著影響因子。 研究發(fā)現(xiàn):

（1）在司機個體屬性方面，豐富的駕駛經(jīng)驗與激進的駕駛風格更容易影響司機改變出行路徑。

（2）在出行特性方面，出行頻率高、出行距離長、路徑選擇依據(jù)個人經(jīng)驗的司機在遇到擁堵時改變路徑的概率更高。

（3）在外界條件方面，出行司機更多地關(guān)注路網(wǎng)交通狀況，而其他外界因素對司機路徑選擇影響較小。

（4）車聯(lián)網(wǎng)環(huán)境下交通信息發(fā)布的時機、內(nèi)容、方式以及信息的準確度都會對司機出行路徑造成較大影響，這也要求交通管理部門在發(fā)布相關(guān)交通信息時需著重考慮上述因素。