基于可變信息標志交通信息的駕駛?cè)寺窂竭x擇

魏中華， 雷 鳴， 許繼超

(北京工業(yè)大學城市建設(shè)學部， 交通工程北京市重點實驗室， 北京 100124)

可變信息標志(variable message signs, VMS)作為道路上交通基礎(chǔ)設(shè)施，能夠?qū)⒔煌ㄐ畔⒓皶r有效傳遞給駕駛?cè)?，誘導駕駛?cè)烁淖冃旭偮窂?，緩解道路交通擁? 由于交通事故的不可預測性，交通管理部門只能在事故發(fā)生后誘導事故影響區(qū)域內(nèi)的車輛，避免造成二次事故以及交通擁堵，減少交通事故對局部路網(wǎng)的整體影響. 所以研究駕駛?cè)嗽诮煌ㄐ畔⒂绊懴碌穆窂竭x擇，進而為VMS交通信息發(fā)布提供理論指導和建議具有重要意義.

對于VMS的研究主要集中在布設(shè)位置以及版面設(shè)置等方面[1-4]. 張榮輝等[5]考慮替代路徑的誘導比例、繞行時間和VMS布設(shè)成本對選址的影響，基于效用與成本之比的形式構(gòu)建了VMS選址雙層模型. Jindahra等[6]研究發(fā)現(xiàn)不同的信息內(nèi)容組合會導致不同程度的路徑變更傾向，通過對曼谷VMS發(fā)布內(nèi)容的調(diào)查分析發(fā)現(xiàn)定性的延遲信息和建議路徑減少了信息質(zhì)量的模糊性. Zhou等[7]基于數(shù)據(jù)挖掘的通用模型對北京市VMS的發(fā)布內(nèi)容以及歷史交通流數(shù)據(jù)進行分析，得出引導信息比通知信息更能有效緩解交通擁堵問題. Roca等[8]通過駕駛模擬試驗得出對于VMS發(fā)布的文字類和圖形信息，駕駛?cè)嗽谝曌x距離以及反應時間上沒有顯著性差異. 劉偉等[9]為了準確度量VMS發(fā)布信息的視認有效性，基于駕駛?cè)艘曊J知覺理論和VMS識別過程的特征，提出了VMS認度概念. Lai[10]對VMS顯示內(nèi)容的顏色種類以及信息行數(shù)進行了研究，當VMS顯示2種顏色、雙行信息時，駕駛?cè)说捻憫獣r間更短，同時配色方案和信息行數(shù)對駕駛?cè)说幕卮饻蚀_性均無顯著影響.

對于交通信息的發(fā)布策略主要集中在研究交通信息的數(shù)量和對駕駛員的誘導過程[11-13]. 劉爽等[14]提出了基于歷史經(jīng)驗數(shù)據(jù)的誘導策略發(fā)布流程與支持算法，建立了VMS誘導信息數(shù)據(jù)資源管理與發(fā)布支持平臺. 黃裕喬[15]從對北京市的VMS歷史發(fā)布信息進行統(tǒng)計分析，分別從時間與空間角度探討了交通信息發(fā)布策略. Zavareha等[16]研究駕駛?cè)藢MS發(fā)布“低”“中”“高”3種等級的安全信息的感知，結(jié)果表明，同一信息在不同情況下可能會引起相反的效果. 馬壯林等[17-18]研究駕駛?cè)藢MS發(fā)布的各類內(nèi)容的關(guān)注情況，通過建立Logit模型分析得出圖文混合的VMS內(nèi)容發(fā)布形式更能引起駕駛?cè)说年P(guān)注.

綜上所述，以往關(guān)于VMS的研究并沒有針對事故的信息內(nèi)容制定合理的交通信息發(fā)布方案，將事故狀況及時有效地傳遞給駕駛員，誘導駕駛?cè)撕侠淼剡x擇行駛路徑. 因此有必要分析交通事故下VMS的發(fā)布策略，使得駕駛?cè)四軌蚯逦亓私馇胺绞鹿实臓顟B(tài)，減少事故對周圍路網(wǎng)的影響. 由于道路情況復雜多樣，如果調(diào)查實際道路環(huán)境下駕駛員對VMS信息的主觀感知，不能充分完成數(shù)據(jù)收集工作，而且充足的樣本量可以反映實際道路情況. 所以采用問卷形式調(diào)查可以充分體現(xiàn)實際道路環(huán)境，因此本文以駕駛?cè)说穆窂竭x擇行為為研究對象，分析影響駕駛?cè)寺窂竭x擇行為的主客觀因素，通過設(shè)計調(diào)查問卷采集數(shù)據(jù)，并且本文在問卷設(shè)計中盡量還原了真實道路上VMS的文字發(fā)布形式，使駕駛員能夠更好地理解和還原道路行駛環(huán)境. 之后應用結(jié)構(gòu)方程模型探究了各影響因素之間的關(guān)系，通過對模型的分析，對交通事故下VMS的交通信息發(fā)布策略進行了初步探究.

1 駕駛?cè)寺窂竭x擇行為調(diào)查與分析

本文從駕駛?cè)松鐣?jīng)濟特性、出行特性、駕駛?cè)藢Ω黝惤煌ㄐ畔?nèi)容的主觀感知、出行時間對駕駛?cè)寺窂竭x擇的主觀影響以及各種交通信息內(nèi)容下駕駛?cè)说倪x擇結(jié)果5個方面研究駕駛?cè)寺窂竭x擇行為.

1.1 調(diào)查目的

本次調(diào)查的目的為以下3個方面：1) 獲得駕駛?cè)说纳鐣?jīng)濟特性與出行特性數(shù)據(jù)，即駕駛?cè)说幕A(chǔ)信息； 2) 獲得駕駛?cè)藢煌ㄐ畔?nèi)容的主觀評分以及駕駛?cè)藢煌ㄐ畔⒔M合的接受意愿；3) 獲得駕駛?cè)藢MS發(fā)布的交通信息組合的選擇結(jié)果. 基于調(diào)查目的，本文以北京市汽車駕駛?cè)藶檎{(diào)查對象.

1.2 問卷設(shè)計

問卷調(diào)查內(nèi)容分為5個方面：駕駛?cè)松鐣?jīng)濟特性、駕駛?cè)顺鲂刑匦?、駕駛?cè)藢煌ㄐ畔?nèi)容的主觀評分、駕駛?cè)藢煌ㄐ畔⒌慕邮芤庠敢约安煌煌ㄐ畔?nèi)容下駕駛?cè)说穆窂竭x擇結(jié)果.

駕駛?cè)藢煌ㄐ畔⒔M合的主觀評分主要調(diào)查駕駛?cè)藢τ谑鹿食掷m(xù)時間、當前路段與事故點相距路口數(shù)、事故占用車道數(shù)、事故路段擁堵程度以及更換輔路節(jié)省時間這5種交通信息的主觀評分.

由于受到VMS版面發(fā)布信息條數(shù)、行駛過程中駕駛?cè)艘曊J水平以及事故上游不同區(qū)域誘導強度的影響. 將5種交通信息分成2組方案進行發(fā)布，因此在SP調(diào)查中分為2個場景對駕駛?cè)诉M行路徑選擇行為調(diào)查. 當VMS用2種顏色發(fā)布內(nèi)容時，駕駛?cè)说捻憫獣r間最快[10]，同時根據(jù)信息內(nèi)容的重點，結(jié)合實際道路VMS發(fā)布樣式，將問卷情景題中VMS發(fā)布內(nèi)容設(shè)計為如圖1所示樣式.

圖1 問卷中VMS發(fā)布內(nèi)容設(shè)計樣式Fig.1 Design style of VMS published content in the questionnaire

1.3 數(shù)據(jù)分析

對收集到的調(diào)查問卷進行篩選，在去除無效問卷后本次調(diào)查共收集了300份有效問卷. 其中針對第1種交通信息組合發(fā)布方案的調(diào)查問卷為147份，針對第2種交通信息組合發(fā)布方案的調(diào)查問卷為153份. 所有駕駛?cè)硕加旭{駛執(zhí)照.

參與者的社會經(jīng)濟特征如表1所示. 本次調(diào)查有效樣本包括男性司機(159人，53%)和女性司機(141人，47%). 參與者的平均年齡為34.19歲(標準差=7.7). 參與者的平均駕駛經(jīng)驗(即駕齡)為6.59 a(標準差=2.96)，駕齡分布上樣本調(diào)查絕大數(shù)駕駛?cè)笋{齡大于3 a. 在學歷分布上，本科學歷的樣本所占比例最高，達到69%.

表1 參與者的人口統(tǒng)計學特征Table 1 Demographic characteristics of the participants (N=300)

采用獨立T檢驗進一步分析社會經(jīng)濟特性(如性別、駕駛經(jīng)驗和教育程度)與駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知和駕駛?cè)藢煌ㄐ畔⒔M合的接受意愿之間的差異. 獨立T檢驗結(jié)果如表2所示. 在性別方面，女性駕駛?cè)嗽赩MS顯示占用車道信息方面得分高于男性，這意味著事故占用車道信息對女性改變路徑的影響程度較大. 同樣，在駕駛經(jīng)驗和教育方面，駕駛經(jīng)驗較高和受過高等教育的駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知和接受意愿較大. 本研究選取3 a作為駕駛經(jīng)驗高低的臨界值. 這一閾值適用于中國的駕駛?cè)? 此外，根據(jù)中國的教育狀況，高中及以下被視為低學歷，大學及以上被視為高學歷.

表2 人口統(tǒng)計學與駕駛員對交通信息的組合的主觀感知和接受意愿的變量間獨立T檢驗Table 2 Independent T-test between demographics and drivers’ subjective perception and willingness to accept traffic information combination

2 駕駛?cè)藢MS交通信息組合接收意愿的SEM模型

2.1 SEM模型介紹

結(jié)構(gòu)方程模型是基于變量的協(xié)方差矩陣來分析變量之間關(guān)系的一種統(tǒng)計方法，是多元數(shù)據(jù)分析的重要工具.

結(jié)構(gòu)方程模型由測量模型和結(jié)構(gòu)模型兩部分組成[19]. 其中，

測量模型

x=Λxξ+δ

(1)

y=Λyη+ε

(2)

式中：x、y為外源指標；Λx為連接外源指標對外生潛變量的因子荷載矩陣；ξ為外生潛變量；δ為外源指標x的測量誤差；Λy為連接內(nèi)生指標對內(nèi)生潛變量的因子荷載矩陣；η為內(nèi)生潛變量；ε為外源指標y的測量誤差.

結(jié)構(gòu)模型

η=Bη+Γξ+ζ

(3)

式中：B為內(nèi)生潛變量之間的關(guān)系；Γ為外生潛變量對內(nèi)生潛變量的影響；ζ為殘差項，即內(nèi)生潛變量未能被解釋的部分.

2.2 變量定義

結(jié)構(gòu)方程模型的變量定義如表3所示.

表3 變量定義Table 3 Variable definition

由于VMS的版面限制，本文將研究的5種VMS交通信息設(shè)計為2種組合方案. 第1種方案發(fā)布的VMS交通信息包括事故占用車道數(shù)、事故路段擁堵狀況以及更換輔路節(jié)省時間信息. 第2種方案發(fā)布的VMS交通信息包括當前路段距離事故點的路口數(shù)、事故占用車道數(shù)以及事故預計持續(xù)時間信息. 所以要分別研究2種VMS交通信息發(fā)布方案下駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知以及接受意愿. 根據(jù)確定的潛變量以及潛變量對應的觀測變量，對結(jié)構(gòu)方程模型進行初步求解計算，得出駕駛?cè)说膶W歷以及駕駛?cè)说鸟{駛風格與各自對應的潛變量之間相關(guān)性不顯著，故去除這2個觀測變量. 最終建立的駕駛?cè)寺窂竭x擇影響機理結(jié)構(gòu)方程模型如圖2、3所示.

圖2 第1種交通信息組合的結(jié)構(gòu)方程模型路徑Fig.2 Structural equation model route diagram under the first traffic information combination

圖3 第2種交通信息組合的結(jié)構(gòu)方程模型Fig.3 Structural equation model route diagram under the second traffic information combination

2.3 信效度檢驗

在進行結(jié)構(gòu)方程模型求解之前，需要對采集的問卷中的主觀問題進行信效度檢驗，評價構(gòu)建的評價體系是否可靠.

1) 信度檢驗

問卷的信度分析也就是對問卷的可靠性進行檢驗，即檢驗問卷獲得的數(shù)據(jù)結(jié)果是否一致. 本文采用信用系數(shù)Cronbach’sα進行檢驗，檢驗值α越大，說明被檢對象的信度越好，一般當α>0.6時說明問卷調(diào)查的數(shù)據(jù)結(jié)果具有較好的一致性[20]，結(jié)果如表4所示. 每個潛變量的Cronbach’sα值分別為0.628、0.635、0.627，均大于0.6，說明問卷數(shù)據(jù)具有可靠性.

表4 信度檢驗結(jié)果Table 4 Results of reliability test

2) 效度檢驗

本文選用Kaiser-Meyer-Olkin (KMO)值、Bartlett球形檢驗值和因子載荷量來檢驗調(diào)查數(shù)據(jù)的效度，結(jié)果如表5所示. 根據(jù)經(jīng)驗可知，KMO值越接近于1.0，變量間的相關(guān)性就越強. 本研究中潛變量的KMO值大于0.6，Bartlett球形檢驗的sig.值為0.00. 同時各因子的載荷值都大于0.5，因此，調(diào)查問卷中各指標效度較好.

表5 KMO和Bartlett球度檢驗Table 5 KMO and Bartlett’s test for variable

2.4 結(jié)構(gòu)方程模型參數(shù)估計

本文利用AMOS21.0軟件對構(gòu)建的2個結(jié)構(gòu)方程模型進行求解，首先在AMOS分別繪制結(jié)構(gòu)方程模型路徑圖，并將處理的問卷數(shù)據(jù)通過SPSS導入AMOS中進行計算估計.

當結(jié)構(gòu)方程模型構(gòu)建完成之后，需要對構(gòu)建的模型進行修正. 首先對模型輸出結(jié)果中的擬合指標進行檢驗，當部分擬合指標不符合標準值范圍時，需要根據(jù)模型輸出結(jié)果中的修改指示對結(jié)構(gòu)方程模型路徑圖進行修正. 文章選取卡方自由度比(chi-square value/degree of freedom, CMIN/DF)、擬合優(yōu)度指數(shù)(goodness of fit index, GFI)、調(diào)整后的擬合優(yōu)度指數(shù)(adjusted goodness of fit index, AGFI)、Tucker-Lewis指數(shù)(Tucker-Lewis index，TLI)、比較擬合指數(shù)(comparative fit index，CFI)以及近似誤差的均方根(root mean square error of approximation，RMSEA)6項擬合指標來評價結(jié)構(gòu)方程模型的構(gòu)建效果. 最終修正的結(jié)構(gòu)方程模型的各項擬合指標值如表6所示.

表6 結(jié)構(gòu)方程模型修正后的擬合值Table 6 Fitting index after model modification

通過比對，修正后的結(jié)構(gòu)方程模型各項擬合值標均符合擬合標準，其中CMIN/DF、RMSEA的擬合效果最優(yōu)，最終修正的結(jié)構(gòu)方程模型路徑如圖4、5所示.

圖4 結(jié)構(gòu)方程模型1最終修正的路徑Fig.4 Final modified route diagram of structural equation model 1

圖5 結(jié)構(gòu)方程模型2最終修正的路徑Fig.5 Final modified route diagram of structural equation model 2

然后對最終修正的結(jié)構(gòu)方程模型進行求解，各條路徑系數(shù)估計值的顯著性水平進行檢驗. 2個結(jié)構(gòu)方程模型標準化路徑系數(shù)及檢驗結(jié)果如表7所示. 由表7可得2個模型的所有路徑顯著性檢驗結(jié)果小于0.05，結(jié)構(gòu)模型構(gòu)建完畢.

表7 結(jié)構(gòu)方程模型標準化路徑系數(shù)值分析表Table 7 Standardized route coefficient value analysis of structural equation model

由路徑參數(shù)估計結(jié)果對結(jié)構(gòu)方程模型潛變量與顯變量、潛變量之間的關(guān)系進行數(shù)學表達.

模型1：

測量模型為

F1=0.168X1-0.519X2-0.931X3-0.380X4

(4)

F2=-0.326X6-0.481X8+0.796X9+0.197X10

(5)

結(jié)構(gòu)模型為

F3=-0.234F1-0.191F2+0.344

(6)

F4=0.921F3+0.745

(7)

模型2：

測量模型為

F1=0.164X1-0.513X2-0.945X3-0.373X4

(8)

F2=-0.307X6-0.463X8+0.834X9+0.209X10

(9)

結(jié)構(gòu)模型為

F3=-0.176F1-0.102F2+0.262

(10)

F4=0.804F3+0.779

(11)

2.5 模型分析

根據(jù)標準化的路徑系數(shù)表對結(jié)構(gòu)方程模型標定結(jié)果進行分析. 在2種交通信息組合方案下的結(jié)構(gòu)方程模型的數(shù)學表達式中，各個變量之間的相關(guān)關(guān)系一致，僅標定的相關(guān)系數(shù)有所差異.

表7中2個模型中駕駛?cè)松鐣?jīng)濟特性、出行特性的影響系數(shù)絕對值分別為0.234、0.191和0.176、0.102，即駕駛?cè)说纳鐣?jīng)濟特性是影響駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知以及接受意愿的關(guān)鍵因素. 在2個模型對應的觀測變量中，駕駛?cè)笋{齡與出行目的影響系數(shù)的絕對值分別為0.931、0.796和0.945、0.834，即駕齡與出行目的是影響駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知以及駕駛?cè)藢煌ㄐ畔⒔M合接受意愿的關(guān)鍵因素. 在2個模型中，駕駛?cè)嗽谟谐鲂袝r間限制下的交通信息組合接受意愿影響系數(shù)分別為0.678和0.769，而無出行時間限制下的影響系數(shù)分別為0.435和0.390，說明駕駛?cè)嗽谟谐鲂袝r間限制的情況比無出行時間限制的情況下對交通信息組合的接受意愿強烈. 其中結(jié)構(gòu)方程模型1中駕駛?cè)藢煌ㄐ畔⒔M合的主觀感知對信息接受意愿的影響系數(shù)為0.921，而結(jié)構(gòu)方程模型2的影響系數(shù)為0.804. 這說明駕駛?cè)藢Φ?種交通信息組合方案的認知效果優(yōu)于第2種交通信息組合方案.

3 結(jié)論

1) 駕駛?cè)藢?種交通信息的主觀評分從高到低依次為事故擁堵信息、更換輔路節(jié)省時間信息、事故占用車道信息、事故持續(xù)時間信息以及事故距離信息. 且根據(jù)結(jié)構(gòu)方程模型結(jié)果分析，第1種交通信息組合方案對駕駛?cè)巳后w的誘導效果優(yōu)于第2種交通信息組合方案.

2) 駕駛?cè)嗽谟谐鲂袝r間限制的情況下對交通信息組合的主觀感知高于無出行時間限制，且對交通信息組合的接受意愿越強烈.

3) 根據(jù)快速路交通事故影響范圍劃分[21]，事故點上游交通流量大且擁堵情況相對嚴重. 在發(fā)生交通事故后，應加強對上游區(qū)域內(nèi)的駕駛?cè)说穆窂秸T導. 對于事故點上游影響的預警區(qū)內(nèi)的駕駛?cè)巳?，應以預警為主，發(fā)布當前路段距離事故點的路口數(shù)、事故占用車道數(shù)以及事故預計持續(xù)時間等信息.