基于混合選擇模型的圖狀路徑信息板影響分析

干宏程，孫亦凡

（上海理工大學(xué) 管理學(xué)院，上海 200093）

可變信息標(biāo)志（VMS）作為交通管理者向駕駛員傳遞動態(tài)路況信息的常見重要手段，有助于駕駛員更合理地選擇路徑和更高效的出行，并且能夠緩解交通壓力和均衡路網(wǎng)負(fù)擔(dān)。VMS對駕駛員路徑選擇的影響一直是研究熱點，相應(yīng)的研究成果已經(jīng)很豐富。以往研究顯示，VMS對路徑選擇的影響因素大體可歸為3類：VMS內(nèi)容（VMS提供的信息的內(nèi)容、方式、詳略等）、各替換路徑的狀況（擁擠程度、交叉口數(shù)量、事故類型等）、個體屬性（性別、駕駛經(jīng)驗、VMS的主觀感知等）。Peeta等[1]運(yùn)用多元Logit模型研究了VMS提供不同信息的情況下駕駛員的路徑選擇。研究結(jié)果表明，個體屬性性別、年齡對于駕駛員的路徑選擇有顯著的影響。此外，VMS提供相關(guān)信息的內(nèi)容越多，駕駛員越容易受到VMS的影響。Li等[2]的研究結(jié)果表明，駕駛年限、平均出行距離、對VMS的信任和VMS位置的設(shè)定是影響駕駛員路徑選擇的重要影響因素。徐天東等[3]的研究結(jié)果表明，駕駛員的個體屬性年齡、VMS提供內(nèi)容的精確性與完整性對于駕駛員的路徑選擇有顯著的影響。干宏程[4]研究了當(dāng)VMS板同時提供原始路徑和替換路徑的信息時駕駛員的路徑選擇，研究結(jié)果表明，行程節(jié)省量（原始路徑與替換路徑時間之差）、替換路徑所含交叉口的數(shù)量和個體屬性（性別、年齡、駕駛員的身份等）對駕駛員的路徑選擇有顯著的影響。

圖狀路徑信息板（graphical route information panel，GRIP）是順應(yīng)當(dāng)前信息與通訊技術(shù)快速發(fā)展而日益得到普及的一種新型VMS技術(shù)，GRIP相關(guān)研究（尤其是行為建模方面的探索）近年來在國際上已成為研究熱點。目前，學(xué)者們在面板設(shè)計、GRIP影響的交通仿真、信息系統(tǒng)設(shè)計、行為建模[5-9]等方面對GRIP展開了不同程度的研究。Lai[7]通過實驗檢查GRIP顯示的內(nèi)容是否易于理解，研究結(jié)果表明，相較于長方形路網(wǎng)，駕駛員對三角形路網(wǎng)的響應(yīng)較慢，不容易受其影響。此外，駕駛員對GRIP中顯示的道路顏色更為敏感。Aitken等[8]通過對以往文獻(xiàn)的總結(jié)并結(jié)合美國德克薩斯州的統(tǒng)一交通設(shè)備控制手冊，設(shè)計了適合美國的GRIP，并且評估了設(shè)計的GRIP在人群中的運(yùn)用。Gan[9]基于GRIP系統(tǒng)的研究開發(fā)，比較了服務(wù)水平信息的3種提供方式，并且提出了一種基于宏觀交通流量模型的旅行時間預(yù)測方法。在以往研究中，行為建模的研究報道還很少，GRIP對路徑選擇的影響機(jī)理有待進(jìn)一步解析。

與傳統(tǒng)的離散選擇模型相比，混合選擇模型能夠直接觀察到態(tài)度、價值觀、生活方式等不可觀測變量對于選擇行為的影響。國內(nèi)混合選擇模型在交通領(lǐng)域的應(yīng)用已經(jīng)有了一定的成果，研究結(jié)果表明，混合選擇模型相較于傳統(tǒng)的離散選擇模型有更好的數(shù)據(jù)擬合效果和行為解釋能力[10-11]。本文在作者所在課題組以往研究的基礎(chǔ)上[9,12-15]，運(yùn)用混合選擇模型（integrated choice and latent variable，ICLV）這一先進(jìn)的計量經(jīng)濟(jì)學(xué)模型，探索GRIP對路徑選擇的影響，著重考察“駕駛經(jīng)驗”和“GRIP信任度”這兩類重要但不易直接觀測的潛在影響因素的作用，以期更精細(xì)地刻畫GRIP的影響機(jī)理。

1 混合選擇模型

ICLV模型[16-17]由結(jié)構(gòu)方程模型與離散選擇模型兩部分組成。本文采用經(jīng)典的多元Logit模型作為離散選擇模型。

a.離散選擇模型。

選項的效用函數(shù)的解釋變量分為可直接測量的解釋變量和不可直接測量的潛變量，并且假設(shè)效用函數(shù)是關(guān)于參數(shù)的線性函數(shù)。選項的效用函數(shù)如式（1）所示。

式中：Uni是第n個駕駛員的選項i的效用；Vni是系統(tǒng)效用；vni是隨機(jī)效用；xni是可直接測量的對選項效用有影響的因素；ηni是不可直接測量的對選項效用有影響的因素；β是待估計的效用函數(shù)的系數(shù)；βx是可直接觀測影響因素的系數(shù)；βη是不可直接觀測影響因素的系數(shù)。

多元Logit模型中，每個選項被選擇的概率如式（2）所示。uni表示第n個駕駛員選擇選項i的狀態(tài)，如果被調(diào)查的人選擇了i，ui=1；否則，為0。Cn為第n個駕駛員互斥的選項集；Pn為第n個駕駛員的選擇概率。

b. 結(jié)構(gòu)方程模型。

在結(jié)構(gòu)方程模型中，指標(biāo)變量與潛變量之間的關(guān)系采取線性函數(shù)關(guān)系，將可直接觀測的解釋變量作為外源潛變量引入。此外，離散選擇模型中不可測量的影響因素作為結(jié)構(gòu)方程中的潛變量。ηni與指標(biāo)變量及其他潛變量的關(guān)系如式（3）所示。

式中：ζni是隨機(jī)項；yni是指標(biāo)變量；εni是yni的測量誤差；Β，Γ，Λ為公式中待估計函數(shù)的系數(shù)。

c.似然函數(shù)。

ICLV模型的概率函數(shù)

式中：Σv，Σε和Σ?代表的是殘差和隨機(jī)項的協(xié)方差矩陣；Rη表示積分是有多少個潛在變量的多重積分。

假設(shè)有n個駕駛員，那么，ICLV模型的似然函數(shù)

2 數(shù)據(jù)及初步分析

本文所用到的GRIP響應(yīng)行為數(shù)據(jù)來自作者課題組針對上海高架快速路GRIP開展的上海駕駛員路徑選擇行為調(diào)查[13]。問卷中選取上海中心城區(qū)高架快速路網(wǎng)中延安路高架上的一段道路為假設(shè)出行路線。假設(shè)駕駛員在工作日的平峰時段計劃從靜安區(qū)政府走延安高架到達(dá)東華大學(xué)延安校區(qū)。原計劃從凱旋路出口離開延安高架，但是，駕駛員從華山路出口的GRIP獲取了此時的凱旋路道路狀況信息，這時候駕駛員根據(jù)GRIP顯示的內(nèi)容決定按照原計劃從凱旋路出口離開，還是提前一個出口從江蘇路離開，或者提前兩個出口從華山路離開。出行情境如圖1所示。

圖1 意向調(diào)查中的出行情境Fig.1 Travel scenario in the survey

研究的GRIP主要通過光帶地圖和文字組合的方式向駕駛員傳遞路況信息，綠色、黃色、紅色分別表示暢通、擁擠、阻塞，事故信息則通過標(biāo)志面板的文字顯示模塊來傳遞。在調(diào)查中，根據(jù)凱旋路出口是否發(fā)生事故（文字說明）和擁擠程度（地圖顯示+文字說明）兩個信息要素，采取兩水平（事故與否）和三水平（輕微擁擠、一般擁擠、嚴(yán)重?fù)頂D）的組合形式，構(gòu)造6個（2×3）出行情境。表1給出了6種出行情景下GRIP提供的信息內(nèi)容。當(dāng)GRIP提供發(fā)生事故、道路擁擠嚴(yán)重的信息時，GRIP顯示如圖2所示。除了收集受訪駕駛員的選擇結(jié)果，還收集了駕駛員的相關(guān)個體屬性（性別、年齡、開車主要目的、開車頻率、對GRIP有用性的感知等）。調(diào)查一共收集了246份有效問卷，因此，一共有 1 476（246×6）個選擇結(jié)果。

表1 不同出行情景Tab.1 Different scenarios

圖3給出了不同出行情境下受訪者的路徑選擇百分率?？梢钥闯觯{駛員很容易受GRIP信息影響而改變路徑。除情景4以外，其他情景中選擇從江蘇路出口下高架的人最多，這說明當(dāng)原始路徑?jīng)]發(fā)生事故，只有輕微擁堵時，大部分人維持原路徑，不發(fā)生改道行為。當(dāng)GRIP顯示的信息為有事故或原始路徑擁擠較為嚴(yán)重時，大部分人傾向提前一個出口下高架。駕駛員改道行為發(fā)生比例從大到小依次是情景5，情景3，情景6，情景1，情景2，情景4。這說明駕駛員對于GRIP道路擁擠的信息比事故是否發(fā)生的信息敏感。

圖2 圖狀路徑信息板顯示的信息Fig.2 Information displayed by the graphical route information panel

圖3 不同情景下的路徑選擇Fig.3 Path selection under different scenarios

3 模型建立和結(jié)果分析

采用Mplus7.0軟件建立混合選擇模型。經(jīng)過對多個候選模型的測試、比較和評價，最終得到的模型結(jié)構(gòu)如圖4所示。模型中個體屬性直接對潛變量駕駛經(jīng)驗、GRIP信任度有影響。駕駛員的選項效用受到是否發(fā)生事故、擁擠程度、駕駛經(jīng)驗和GRIP信任度的直接影響。其中，潛變量駕駛經(jīng)驗用F1表示，指標(biāo)為駕齡、使用高架道路的頻率、對上海高架的熟悉程度。潛變量GRIP信任度用F2表示，指標(biāo)為對GRIP的關(guān)注程度、GRIP對其選擇路徑或改道的影響程度。

模型中的變量有性別、每年行駛公里數(shù)、開車頻率、駕齡、使用高架道路的頻率、對上海高架的熟悉程度、對GRIP的關(guān)注程度、GRIP對其選擇路徑或改道的影響程度、凱旋路出口擁擠程度、是否發(fā)生事故和路徑選擇。其各自定義情況如下：性別為二分類變量：男性為1，女性為0；每年行駛公里數(shù)從“5千以下”到“3萬以上”分為5檔，編碼為1～5；每周的開車頻率從“很少開車”到“幾乎每天”分為5檔，編碼為1～5；駕齡從“小于1 a”到“大于20 a”分為5檔，編碼為1～5；每周使用高架道路的頻率從“很少用”到“幾乎每天”分為5檔，編碼為1～5；對上海高架的熟悉程度從“完全不熟”到“非常熟悉”分為5檔，編碼為1～5；對GRIP的關(guān)注程度從“從來不看”到“總會看”分為5檔，編碼為1～5；GRIP對其選擇路徑或改道的影響程度從“完全沒有影響”到“完全根據(jù)信息作決定”5檔，編碼為1～5；凱旋路出口擁擠程度分為3檔，編號為1～3；是否發(fā)生事故為二分類變量：發(fā)生事故為1，沒發(fā)生事故為0；路徑的選擇為無序多分類變量：華山路為1，江蘇路為2，凱旋路為3。

3.1 測量模型的評估

在構(gòu)建潛變量時，通過遵循開發(fā)量表的理論知識，參照交通領(lǐng)域的特點，結(jié)合現(xiàn)實情況，用試錯的方法，從量表的實際意義、信度與效度、數(shù)據(jù)的擬合等角度對構(gòu)建的測量模型進(jìn)行評價與比較，最終確定了圖4所包含的測量關(guān)系。通過組合信度（CR）和平均方差提取值（AVE）來評價模型的內(nèi)在結(jié)構(gòu)適配度。從表2中可以看出，各指標(biāo)變量的因子負(fù)荷顯著并且都大于0.4，因此，保留所有的指標(biāo)變量。大于0.7，量表結(jié)構(gòu)穩(wěn)定。0.548。的值為0.436，比較接近0.5，也可以接受。同時F1和F2相關(guān)系數(shù)的平方為0.248，小于2個潛變量的AVE值，因此，認(rèn)為潛變量的聚斂能力較好?？傮w而言，模型具有較好的內(nèi)在結(jié)構(gòu)適配度。

在對測量模型與數(shù)據(jù)的擬合效果進(jìn)行評價時，主要采用近似擬合檢驗，因為，假設(shè)檢驗中模型的卡方值易受到樣本量的影響，而本文中的樣本量較大，因此，評估模型的數(shù)據(jù)擬合時不對卡方值/自由度作評價。模型的擬合判斷指標(biāo)CFI=0.979，TLI=0.947，大于0.9，SRMR=0.021，小于0.1。CFI為比較擬合指數(shù)，TLI為Tucker Lewis指數(shù)，SRMR為標(biāo)準(zhǔn)化殘差均方根。結(jié)果還顯示，近似誤差均方根RMSEA值為0.067，小于0.08，其90%的置信區(qū)間的上限為0.090，接近0.08，精確擬合的顯著性p值為0.091。因此，認(rèn)為模型擬合良好。

表2 測量模型的完全標(biāo)準(zhǔn)化因子負(fù)荷Tab.2 Standardization factor of the measurement model

3.2 離散選擇模型

本文所建立的混合選擇模型的麥克法登R2為13.59%，而不包含潛變量部分的多元Logit模型的麥克法登R2為11.67%，說明包含潛變量的混合選擇模型對于數(shù)據(jù)有更好的擬合效果。此外，根據(jù)表3可以得到以下結(jié)論：

a.常數(shù)項。常數(shù)項都為負(fù)，并且?1.799 >?3.704，說明在正常情況下，駕駛員從大到小的偏好為原路行駛，提前一個路口下車，提前兩個路口下車。這符合實際的情況，在不受到其他因素影響的情況下，駕駛員更愿意在快速路上行駛，因為，在快速路上限制行駛速度高，無需等待紅綠燈，駕駛員能夠更快地到達(dá)目的地。

b.駕駛經(jīng)驗。駕駛經(jīng)驗對于江蘇路出口與凱旋路出口的相對效用沒有產(chǎn)生影響。駕駛經(jīng)驗對于華山路出口與凱旋路出口的相對效用產(chǎn)生了影響，并且系數(shù)為?0.831，說明駕駛員的駕駛經(jīng)驗越豐富，越不容易受到圖狀路徑信息板的信息影響。這可能的原因是駕駛經(jīng)驗越豐富的駕駛員在判斷是否改道時，更多的是依賴自己的經(jīng)驗，而不是GRIP提供的內(nèi)容。

c.GRIP信任度。華山路出口的系數(shù)大于江蘇路出口的系數(shù)，并且都為正（1.77>0.871），這說明駕駛員對于GRIP越信任，越容易提前下高架。

d.擁擠程度。系數(shù)為正，并且華山路出口的系數(shù)大于江蘇路出口的系數(shù)（1.933>1.226），這說明駕駛員對于GRIP中的擁擠信息很敏感，當(dāng)GRIP板上顯示凱旋路越是擁擠，駕駛員越容易下高架。

e.是否發(fā)生事故。當(dāng)GRIP顯示發(fā)生事故時，駕駛員很容易提前下高架。當(dāng)GRIP顯示發(fā)生事故時，駕駛員由于無法根據(jù)事故判斷前方道路的狀況，不愿意冒險，因此，駕駛員很容易提前下高架。

表3 混合模型中的離散選擇模型Tab.3 Discrete choice in the integrated choice and latent variable model

3.3 結(jié)構(gòu)模型

經(jīng)過多次驗證發(fā)現(xiàn)，個體屬性中性別、年行駛公里數(shù)和開車頻率對于潛變量F1產(chǎn)生影響。除了年行駛公里數(shù)的p值為0.064外，其他變量的顯著性為0。潛變量F1的R2為0.511，所以，潛變量F1的方差解釋良好。而個體屬性對于潛變量F2的R2很小，并且不顯著，因此，本模型中個體屬性沒有對潛變量GRIP信任度產(chǎn)生影響。個體屬性中性別、年行駛公里數(shù)、開車頻率與駕駛經(jīng)驗的未標(biāo)準(zhǔn)化系數(shù)分別為0.335，0.021，0.325，再結(jié)合個體屬性的編碼可以得出以下結(jié)論：男性比女性的駕駛經(jīng)驗豐富，這符合現(xiàn)實情況中男性駕駛員的數(shù)量高于女性駕駛員的數(shù)量。此外，駕駛員年行駛公里數(shù)越長，每周開車頻率越高，駕駛經(jīng)驗越豐富。結(jié)合駕駛經(jīng)驗越豐富，越不容易改道的結(jié)論，可以認(rèn)為相較于男性，女性更容易受到GRIP的影響改道。年行駛公里數(shù)越長，每周開車頻率越高，駕駛員越不容易受到GRIP的影響作出改道的行為。

4 結(jié) 論

運(yùn)用先進(jìn)的ICLV模型，以“駕駛經(jīng)驗”和“GRIP信任度”為潛變量，對上海高架快速路GRIP影響下的駕駛員路徑選擇行為進(jìn)行了建模，較為細(xì)致地解析了GRIP的影響機(jī)理。利用上海駕駛員問卷調(diào)查數(shù)據(jù)所開展的ICLV模型實證研究發(fā)現(xiàn)：

a.駕駛經(jīng)驗不豐富，對圖狀路徑信息板信任的駕駛員的路徑選擇容易受到GRIP的影響；

b.當(dāng)GRIP顯示原始路徑有事故發(fā)生并且道路較為擁擠時，駕駛員改變路徑的可能性變大；

c.性別、年行駛公里數(shù)和開車頻率對駕駛經(jīng)驗產(chǎn)生直接的影響，從而間接地表明女性、年行駛公里數(shù)長的、每周開車頻率高的駕駛員容易受到GRIP的影響。

在本文研究基礎(chǔ)上，接下來的研究會結(jié)合心理學(xué)的有關(guān)知識，進(jìn)一步分析GRIP信息對路徑選擇的影響，發(fā)現(xiàn)GRIP影響的深層次原因。