城市軌道站臺乘客候車位置選擇行為分析與Logit建模

劉笑影，屈云超，汪偉平，吳建軍

(北京交通大學 軌道交通控制與安全國家重點實驗室，北京 100044)

地鐵已成為居民出行使用的主要公共交通工具，由此產生的復雜客流需求對車站客流組織提出了嚴峻挑戰。站臺作為城市軌道交通車站的重要設施，是乘客聚集程度最高、個人及群體行為最為復雜的場所，其中站臺乘客的個體行為特征和群體交通特性是構建城市軌道交通站臺乘客行為模型的基礎[1]。因此，對城市軌道交通站臺乘客行為進行研究，探討不同因素對乘客候車位置選擇的影響，為候車行為、選擇行為等站臺微觀行為建模提供理論依據，并為模型的關鍵參數標定和有效性驗證提供實踐依據。

站臺乘客候車位置選擇行為受到乘客主體、站臺特性、列車運行等因素的影響。國內外學者從不同角度對軌道交通乘客的站臺候車位置選擇行為進行了研究，一部分學者針對候車分布規律進行研究，探究候車位置選擇的規律。如許陽[1]研究普通和換乘兩種類型乘客的候車分布規律，分析乘客候車位置選擇影響因素，構建了包含入口乘客數量、乘客負重情況、候車位置離入口的距離、候車位置已排隊情況4個因素的乘客候車位置選擇吸引力函數。吳非等[2]、宋慶梅等[3]根據列車到達前及到達期間的觀測數據，利用數據挖掘技術分析站臺乘客分布特性，考慮步行時間、排隊人數、候車區域容納能力的影響建立乘客候車位置選擇模型。

此外，也有學者直接分析站臺乘客分布機制，研究候車選擇行為的影響因素。賴藝歡等[4]、Liu等[5]基于隨機效用理論，考慮站臺擁擠程度、走行距離、引導措施、乘客類型等因素對候車位置選擇行為的影響，建立乘客候車位置選擇模型。Peftitsi等[6]提出一種基于多源自動化數據的方法來評估車站布局、到達客流、站臺擁擠和車內擁擠對乘客選擇候乘車廂的影響。Fang等[7]討論了乘客出發地、等待時間、站臺布局對乘客候車位置選擇行為的影響。Yang等[8]基于蟻群優化算法來分析乘客分布，考慮目標與等候區的距離、排隊長度、等候區的實際長度和列車時刻表4個主要影響因素來預測候車位置的選擇。現有研究幾乎都關注于站臺特性的影響，但對乘客主體特性的考慮存在不足，同時也缺乏考慮列車車廂滿載率對乘客候車位置選擇行為的影響。

因此，本文圍繞城市軌道交通車站站臺乘客候車位置選擇行為，充分考慮乘客主體特性、站臺特性、列車運行的影響，從乘客、站臺、列車3方面總結分析影響乘客候車位置選擇的因素，構建站臺乘客候車位置選擇行為Logit模型；其次合理設計場景式問卷收集樣本，調查乘客候車位置選擇行為的影響因素；最后利用調查問卷數據，定量研究不同因素對候車位置選擇行為的影響，采用多元Logistic回歸模型對站臺乘客候車位置選擇行為Logit模型參數進行標定。結果顯示，該模型較好地反映了列車到達前乘客候車位置選擇行為，證明了不同屬性的軌道交通乘客，候車位置選擇行為存在顯著差異。

1 站臺乘客候車位置選擇模型構建

1.1 影響因素確定

站臺是城市軌道交通客流組織和運輸組織中的車站關鍵位置，站臺乘客的決策目標較多，空間布置較為復雜，乘客個體從進入站臺到完成上車需要通過樓梯或通道進入站臺走行區，再進入站臺候車區。受候車區排隊、擁擠狀況的影響，乘客可能會進行二次選擇，即更換隊列，重新進入走行區以調整候車位置。乘客個體候車流程如圖1所示。

圖1 乘客個體候車流程

站臺候車位置選擇是一個復雜的過程，不僅會受到乘客主體與站臺環境的影響，而且列車運行信息也在一定程度上影響乘客選擇行為。目前，北京、上海等城市的部分地鐵站已經可以提前預告列車到達時間以及車廂滿載率信息[9]。

結合現有研究[1-8]，從乘客、站臺、列車3方面總結出對乘客站臺候車位置選擇行為產生影響的主要因素，并將其分為乘客屬性和環境屬性。其中乘客屬性考慮乘客的生理特性和心理特性，生理特性考慮乘客的個人情況及出行屬性，心理特性主要考慮乘客選擇偏好；環境屬性包括站臺空間特征、行人流環境以及列車運行情況。乘客站臺候車位置選擇的主要影響因素如圖2所示。

圖2 乘客站臺候車位置選擇行為主要影響因素

1.2 Logit模型構建

本文主要關注不同因素對乘客站臺候車位置選擇行為的影響。由于兩者之間為非線性關系，同時乘客站臺候車位置的選擇是多目標決策，因此本文將乘客站臺候車位置選擇看作是一個非線性分類選擇問題，可應用多項Logistic回歸分析方法構建模型及求解。Logistic回歸模型屬于概率型非線性回歸，是一種研究分類變量觀察結果與影響因素之間關系的多變量分析方法，主要在分析自變量與因變量之間相關關系的基礎上，建立解釋變量與被解釋變量之間的多元分析模型即廣義Logit模型。應用多項Logistic回歸分析方法，將候車位置的選擇看作多分類變量，構建站臺乘客候車位置選擇行為Logit模型，從而可以直觀地分析各影響因素對候車位置選擇的影響。乘客候車位置選擇行為Logit模型定義如下：

(1)

式中：lk為乘客在面對n種候車位置選擇策略時選擇策略k(k=1，2，…，n)的結果；Xi為自變量，表示對乘客候車位置選擇策略有顯著影響的因素i；β0為常量，βi為自變量i對應的參數，利用數據進行Logistic回歸求解。

所以Logit(Pk)表示乘客在顯著因素i的影響下，面對n種候車位置選擇策略時選擇策略k(k=1，2，…，n)的結果。在實際求解中，將n種候車策略中一個作為參照，求得其余n-1個候車策略相對于該參照候車策略的Logit模型lk，進而可以計算乘客選擇候車策略j的概率為：

(2)

式(2)也很好地體現了概率P值和解釋變量之間的非線性關系。

2 數據來源與統計分析

采用在線收集調查問卷的形式獲得原始數據，綜合考慮乘客的個人屬性、出行屬性、決策偏好以及站臺特點、行人流環境、列車情況制定問卷內容，調查對象主要為單位職工與高校在校學生，共發放問卷236份。確定判斷問卷有效標準為問卷所有題目都完成填寫。根據問卷有效標準，實際回收有效問卷216份。

統計發現，問卷中男性占比52.78%，女性占比47.22%。年齡段主要為18～40歲，占比達到了98.15%，這也與對北京地鐵西直門站早高峰的乘客年齡調查結果一致[10]。單位職工出行多以早晚高峰時段為主，工作日出行頻率高，高校學生以非高峰時段、非工作日出行頻率高。調查結果符合城市居民的出行特點以及城市軌道交通青年人居多的乘客構成特點。

另外，問卷結合乘客、站臺、列車等3個方面，設計并調查了對乘客候車位置選擇行為影響較為重要的8個影響因素，分別為：走行距離、站臺擁擠度、車門已有排隊人數、環境熟悉程度、站臺引導信息、乘客間相互干擾、前方乘客選擇、車廂滿載率，其中每個因素對乘客候車位置選擇行為的影響大小用較大影響、較小影響、無影響等3個等級來表示。問卷統計結果如圖3所示, 其中關于站臺擁擠度、車廂滿載率、車門已有排隊人數這3個因素，70%以上的乘客選擇了有較大影響；關于走行距離、前方乘客選擇、環境熟悉程度這3個因素，50%以上的乘客選擇了有較小影響；對向乘客干擾、引導標識這2個因素的較大與較小影響等級的選擇占比相差不大，為40%～50%。

圖3 影響因素雷達圖

為了比較以上8個因素的影響程度差異，對各影響因素的重要程度進行排序，得到每個影響因素的重要度得分，重要度得分計算方法如下：

S=∑fv/n，

(3)

式中：S為重要度平均綜合得分；f為某影響因素被選擇的頻數；v為權值，由影響因素被排列的位置決定，例如有3個因素參與排序，那排在第一個位置的權值為3，第二個位置權值為2，第三個位置權值為1；n為該題目填寫人次。

得分統計結果如圖4所示，其中對站臺乘客候車位置選擇影響最重要的前3個因素為站臺擁擠程度、車門已有排隊人數、車廂滿載率。

圖4 影響因素重要度得分

通過對問卷數據的統計分析，既驗證了數據的有效性，又對部分影響因素有初步的了解，有助于對模型結論的分析與理解。

3 模型求解與結果分析

3.1 變量設置

本文根據實地調研、文獻調查以及大量的視頻材料，對站臺乘客分布規律進行總結，根據站臺乘客分布規律，將城市軌道交通站臺候車位置選擇行為按乘客候車習慣分為3類：觀察整體情況選擇候車位置、就近選擇候車位置和隨意選擇。因變量取值如式(4)所示。

(4)

本文從乘客主體、站臺特性、列車運行等客觀因素著手，擬選取性別、年齡、出行時段、出行目的、周出行頻率、視野關注范圍、更換隊列、引導標識、擁擠容忍程度、(候車區域)排隊長度、列車車廂滿載率和走行距離共12個因素作為研究變量，探究這些變量對城市軌道交通站臺候車位置選擇行為的影響，自變量編碼如表1所示。

表1 自變量編碼

3.2 模型求解

首先對自變量進行共線性診斷，各自變量之間共線性關系很小，即相關程度小。決定自變量相對其他自變量相關的系數R2為 0.05～0.76，均低于臨界值0.8。[11]，因此各影響因素之間獨立，所有的自變量都可以被納入到Logistic 回歸模型中。

將擬定的12個影響因素帶入多項Logistic回歸模型中，選取顯著水平α=0.05，采用逐步進入法篩選自變量，篩選規則[11]為：若自變量Xi顯著性概率P≤0.05，則確定該自變量與因變量呈顯著相關，選擇該變量進入模型，且顯著性概率P越小，相關性越顯著；否則將該變量剔除出模型。

利用調查問卷統計數據對模型進行擬合，得到最終輸出模型的整體擬合效果，模型擬合信息如表2所示。

表2 模型擬合信息

通常，模型的合理性需綜合考慮P值和ρ2來進行判定，在實踐中ρ2一般在0.2～0.4時，即可認為模型擬合精度較高[11]。由表2可知最終模型的概率P值為0.000<0.050，ρ2為0.280，預測正確率達到80%以上，說明模型參數擬合精度較高，該模型可用于乘客站臺候車位置選擇行為因素分析。

根據篩選規則，如表2所示，最終模型篩選出擁擠容忍程度、列車車廂滿載率、排隊長度、走行距離、視野關注范圍、出行目的等6個變量與候車位置選擇策略顯著相關。且由于概率P值越小，參數進入模型時增加的效用越大，該因素越顯著，因此對候車位置選擇行為影響較顯著的因素為擁擠容忍程度、列車車廂滿載率、排隊長度，其次是走行距離、出行目的、視野關注范圍。擬合結果與問卷重要度得分統計的前3個最重要因素，即站臺擁擠程度、車門排隊人數、車廂滿載率相對應，驗證了提取的因素具有可靠性。

模型變量確定后，采用最大似然法估計模型參數，參數估計結果如表3所示。正的回歸系數值表示解釋變量每增加一個單位值時發生比率會相應增加。相反，當回歸系數為負值時說明增加一個單位值時發生比率會相應減少。

表3 模型參數估計及其檢驗

3.3 結果分析

Wald檢驗統計量表示在模型中每個解釋變量的相對權重，用來評價每個解釋變量對事件預測的貢獻力[11]。根據Wald檢驗統計量，對觀察整體情況再選擇候車位置的Logit模型(模型一)較為重要的解釋變量為列車車廂滿載率、擁擠容忍程度、排隊長度,對就近選擇候車位置的Logit模型(模型二)較為重要的解釋變量為走行距離、列車車廂滿載率、視野關注范圍。

3.3.1 觀察整體情況再選擇候車位置的Logit模型

模型一最重要的解釋變量是列車車廂滿載率。車廂滿載率低、中的自然比率對數分別比車廂滿載率高(參照)平均增加1.906、1.871，車廂滿載率低、中的概率分別是車廂滿載率高的6.726倍、6.495倍，這表明滿載率低的列車車廂對應的候車位置對乘客的吸引力大。模型一第2個重要解釋變量為擁擠容忍程度。擁擠容忍程度低、中、高的概率分別是較高的0.032倍、0.387倍、0.716倍，這表明觀察整體情況后再選擇候車位置的乘客對擁擠容忍程度較高。模型一第3個重要解釋變量為排隊長度。排隊人數15人以上、10～15人、5～<10人的概率分別是少于5人的0.241倍、0.572倍、0.663倍，這表明乘客更傾向于選擇排隊人數較少的候車位置。

3.3.2 就近選擇候車位置的Logit模型

模型二最重要的解釋變量是列車車廂滿載率。車廂滿載率低、中的比率分別是車廂滿載率高的7.714倍、7.699倍，這表明就近選擇的乘客也傾向于選擇不擁擠的列車車廂。模型二第2個重要的解釋變量是走行距離。乘客認為走行距離影響程度大、小分別比無影響的自然比率對數平均增加2.395、1.708，這表明就近選擇候車位置的乘客認為走行距離對候車位置選擇影響程度較大。模型二第3個重要的解釋變量是視野關注范圍。視野關注范圍5 m以下、5～<10 m、10～<15 m、15～<20 m的自然比率對數分別比20 m及以上變化0.447、1.950、0.919、-1.618，發生比率分別是1.564、7.029、2.506、0.193，這表明就近選擇的乘客視野關注范圍大多集中在10 m以內。

橫向比對結果可知：由模型一可得擁擠容忍程度高的乘客，更傾向于綜合列車車廂滿載率和排隊長度再選擇候車位置，走行距離影響較小，視野關注范圍比較遠。而對模型二分析可知視野關注范圍小的乘客，更傾向于綜合列車車廂滿載率和走行距離再選擇候車位置，排隊人數較少的候車位置的吸引力一般，乘客擁擠容忍程度不高。

縱向比較結果可知：兩個模型最重要的解釋變量都為列車車廂滿載率，這表明在選擇候車位置時絕大多數乘客更傾向于選擇滿載率低的車廂，說明即使對于少步行的乘客也會綜合走行距離和列車滿載率情況再做選擇，這與乘客認為列車車廂滿載率有較大影響的高占比統計結果相一致，說明乘客出行比較注重車內舒適度。兩模型中，通勤乘客相比非通勤乘客更傾向于有目的地選擇候車位置，而不是隨意選擇，說明通勤乘客更注重時間因素，一般會觀察整體情況選擇等待時間最少的候車位置，無較強時間約束的非通勤乘客則相對重視出行的舒適性。

4 結論

本文從乘客特性、站臺及列車環境等客觀因素入手，選取性別、年齡、排隊長度、走行距離等12個候選變量探究其對站臺乘客候車位置選擇行為的影響。應用多元Logistic回歸模型，以候車選擇策略作為因變量，構建乘客候車位置選擇行為Logit模型，基于調查問卷數據，標定模型參數。模型結果表明影響候車位置選擇的6個顯著因素為擁擠容忍程度、排隊長度、列車車廂滿載率、走行距離、視野關注范圍、出行目的。對結果進行橫向和縱向分析，深入探討了不同影響因素對候車選擇行為的作用，并總結分析同一影響因素對不同候車選擇策略的影響程度，結果揭示了乘客候車位置選擇偏好、不同軌道交通乘客候車位置選擇行為存在差異。該模型可直接應用于站臺乘客分布微觀仿真，在預測乘客候車位置選擇行為方面具有重要的參考價值。

本文的不足之處在于，僅根據采集的有限數據對模型進行擬合，且部分自變量樣本量偏少，導致模型部分參數的Wald檢驗顯著性概率偏大，模型還存在一定的提升空間，后期可通過豐富數據對其進行完善。另外一些因素如車廂溫度也會對候車位置產生影響，隨著這些因素數據獲取變得簡單，未來研究將進一步考慮更多因素對候車位置選擇行為的影響。