城市軌道交通突發事件下乘客 出行選擇影響因素研究

李 臣，陳艷艷，周雨陽，黃建玲，，汪 波

（1.北京工業大學 北京市交通工程重點實驗室，北京 100124；2.北京市交通信息中心，北京 100161)

0 引言

當前，城市軌道交通客流需求大與建設相對緩慢的矛盾日益突出，突發事件時有發生[1]。緊急情況下，乘客會產生不同程度的恐慌[2]，既有出行經驗失效，出行選擇常會發生改變。突發事件下乘客出行選擇影響因素分析，對客流預測和運營企業疏散方案的制定具有重要意義。

乘客出行選擇是一個復雜的多因素決定過程，受個體屬性[3-4]、出行屬性[5-6]及其他因素影響。劉莎莎等[7]基于問卷調查數據構建了突發事件下城市軌道交通乘客出行選擇行為模型，并利用客流數據預測了軌道站間客流的重分布。李偉等[8]利用仿真技術研究了城市軌道交通突發事件乘客的出行行為。Sun等[9]基于城市軌道交通自動售檢票數據(AFC數據)預測城市軌道交通網絡中斷對乘客的影響。Zhang等[10]結合問卷調查和AFC數據研究了城市軌道交通常態下乘客的路徑選擇情況。

上述研究較少考慮影響出行選擇的時空因素，且對突發事件下融合問卷調查數據和AFC數據的選擇研究相對較少。城市軌道交通突發事件類型多樣，不同突發事件下乘客出行選擇受影響差異也較大。當前城市軌道交通常見突發事件以信號、車輛、屏蔽門等設備設施故障為主，如2017年北京城市軌道交通系統內，設備設施故障占比超過85%。為此，針對網絡化城市軌道交通信號設備故障，以乘客剛進站就被告知出行路徑上某位置發生突發事件而造成列車晚點信息后的乘客出行選擇為研究場景，結合問卷調查數據和AFC數據，建立多項Logit模型，分析突發事件主要因素的影響程度，并利用非線性回歸方法探索城市軌道交通突發事件時空屬性的影響，最后提出疏散突發客流的建議。

1 城市軌道交通突發事件下乘客出行選擇影響因素模型構建

1.1 突發事件影響因素分析

城市軌道交通突發事件發生后，影響乘客出行選擇的因素復雜多樣，不僅包括乘客個體屬性和出行屬性，還包含城市軌道交通突發事件特有的時空屬性。

（1）乘客個體屬性。乘客個體屬性主要包括乘客性別、年齡、職業、收入和學歷等，是乘客出行選擇的基本影響因素。在面臨城市軌道交通突發事件時，乘客對不同出行方式的主觀判斷較大程度依賴于其個體屬性，并且會潛移默化地偏向于符合自身感知的出行方式，通常情況下不同個體屬性的乘客對出行選擇需求具有較大差異性。

（2）乘客出行屬性。通常影響乘客選擇的出行屬性包括出行線路熟悉度、出行目的、出行距離、出行時間和出行費用等[11]。出行時間主要為乘客選擇某種交通方式到達目的地的耗時，城市軌道交通系統內，出行時間和出行距離具有相對一致性，而突發事件下乘客出行時間在一定程度上與突發事件持續延誤時間有關；同時面臨突發事件，乘客的實際需求是盡快到達目的地，緊急狀態下乘客對出行費用的要求相對較低。因此，乘客出行屬性主要包括出行線路熟悉度、出行目的和出行距離3種，其中出行距離可以用乘客乘坐的車站數量來代替說明。

（3）突發事件時空屬性。城市軌道交通突發事件發生時間(事發時間)和發生地點(事發位置)均會直接影響乘客的出行選擇。基于突發事件對乘客的出行影響，提出事發時間、突發事件持續延誤時間和事發位置3個時空屬性。

綜上，影響乘客出行選擇的因素包括性別、年齡、職業、收入、學歷、線路熟悉度、出行目的、出行距離、事發時間、事發位置和突發事件持續延誤時間。

1.2 乘客可選交通方式

城市軌道交通突發事件發生后，乘客可選交通方式包括城市軌道交通、出租車、公交、共享自行車和步行5種。由于乘客選擇城市軌道交通多為中長距離出行，且考慮到乘客剛進站即被告知線路發生突發事件，則乘客在突發事件后選擇在進站點立即出站改乘共享自行車或步行到達目的地的可能性較小。通過對北京居民的出行調研，發現僅有6.95%的乘客在城市軌道交通突發事件后出站換乘共享自行車或步行前往目的地。因此，不考慮選擇共享自行車和步行方式。同時在城市軌道交通網絡化運營條件下，乘客有多條出行路線可以選擇，則繼續選擇城市軌道交通方式的乘客可以分為乘坐軌道交通到達事發地后等待、乘坐軌道交通到達事發地后出站和改變軌道交通出行路線3種類型。

因此，城市軌道交通突發事件下乘客可選交通方式包括乘坐軌道交通到達事發地后等待(M1)、乘坐軌道交通到達事發地后出站(M2)、改變軌道交通出行路線(M3)、直接出站改乘出租車(M4)和直接出站改乘公交(M5)5種。

1.3 模型構建

多項Logit模型可以量化分析影響乘客出行選擇的因素，而非線性回歸方法可以通過擬合客流量與影響因素之間的變化趨勢，評估乘客出行受影響程度。因此，基于Logit模型和非線性回歸方法，剖析乘客出行選擇的影響因素及規律。為此，提出以下3個基本假設。

假設1：乘客對出行方式選擇是理性的，總是選擇效用價值最高的出行方案。

假設2：乘客對出行方案的判斷取決于效用函數，且各效用函數的誤差分布服從二重指數分布。

假設3：如果與突發事件發生線路相鄰的換乘線路采取應急措施，則可視為另一起大規模客流事件，屬于事件疊加，則不予考慮。假設城市軌道交通運營企業在突發事件發生后不采取應急措施。

根據隨機效用理論，不同的選擇方案會對乘客產生某種效用，該效用由乘客個體屬性、出行屬性、突發事件屬性和概率項4部分組成。

式中：UMi n為乘客n選擇方式Mi的效用；VMi n為效用函數UMi n的固定項；XMi nk為乘客n選擇方式Mi的第k個自變量；K為自變量個數；εMi n為效用函數的概率項；θk為第k個自變量所對應的未知參數；GMi n，CMi n和EMi n分別為個體屬性、出行屬性和突發事件屬性；An為乘客n可選出行方案的集合，Mi∈An，i= 1，2，3，4，5。

根據假設1中效用價值最大化思想，乘客n選擇出行方式Mi的概率PMi n為

式中：UMj n為乘客n選擇出行方式Mj的效用；VMj n為效用函數UMj n的固定項；εMj n為效用函數UMj n的概率項。

結合假設2，乘客n選擇出行方式Mi的概率PMi n為

在假設3的前提下，城市軌道交通站間客流分布的變化是乘客出行行為改變的結果，進一步結合AFC數據，提出突發事件OD客流浮動率f(β，od)指標和空間影響系數R指標，分析突發事件客流分布隨突發事件時空屬性變化情況。其中，f(β，od)表示事發日OD客流與歷史同期OD客流的差異程度；R表示OD客流變化受空間屬性影響的程度，其不但考慮了乘客與事發位置的空間關系，還融入了乘客出行距離屬性。

式中：Vαβ為突發事件歷史同期第α天第β時段的OD量；Vβ為突發事件日第β時段的OD量；t為歷史同期天數；loe為乘客距離事發位置的最短距離；lod為乘客出行最短距離。

2 案例分析

截至2020年底，北京城市軌道交通運營線路24條，總里程達727 km，最大斷面滿載率超過110%。選取北京城市軌道交通為研究對象，對北京市居民開展出行意向調查，回收有效問卷1 156份，用于因素分析。AFC數據儲存著20余項乘客城市軌道交通出行的有效信息，包括進出站編號、所屬線路編號、刷卡時間等，通過AFC數據可以得到乘客出行OD客流數據，針對北京市城市軌道交通某真實信號故障導致列車晚點事件，選取事發日OD客流及事發日前后同期各4天的正常日OD客流，分析客流時空影響情況。

2.1 問卷數據統計與分析

對調查問卷數據進行多重共線性檢驗，結果顯示所選各屬性間的方差膨脹因子VIF值均小于2，說明調查數據不存在多重共線性，可以用于進一步分析和建模。乘客個體屬性統計如圖1所示。從圖1可以看出，男性乘客占比高于女性；乘客年齡多分布于26 ~ 45歲，工作適齡群體占比較大；乘客以上班族和學生為出行主體，一定程度上說明城市軌道交通有效分擔了部分上下班與上下學出行客流；乘客月收入在15 000元以上的僅占乘客總量的12.70%，高收入人群多選擇私家車或出租車出行；具有研究生學歷的乘客占比超過56%；樣本中超過90%的乘客對城市軌道交通路網較為熟悉。綜合表明，北京市城市軌道交通服務對象主要是對線路比較熟悉的中低收入中青年通勤群體。

圖1 乘客個體屬性統計Fig.1 Individual attribute statistics

2.2 變量選取

城市軌道交通突發事件發生后，通常無法判斷事件的持續時長，為接近真實場景，暫不考慮突發事件持續延誤時間。自變量設置如表1所示。

表1 自變量設置Tab.1 Independent variable setting

2.3 模型參數標定

運用多項Logit模型對變量進行顯著性檢驗，取顯著性水平為0.05，發現性別、年齡、職業、月收入、學歷、出行目的、事發時間和事發位置與出行方式選擇的關系顯著，顯著性水平均在0.05以下。路網熟悉度和乘客出行距離的顯著水平大于0.05，考慮到城市軌道交通突發事件延誤時間未知，不同突發事件下路網可達性需現場判斷，乘客對路網的熟悉程度與出行方式選擇的關系相對較小，同時乘客出行距離對選擇影響程度還與事發位置有關，出行距離單一因素對乘客出行方式選擇影響程度不易確定，因此Logit建模時暫不考慮路網熟悉度和乘客出行距離。

選擇M5為參考類別，對多項Logit模型進行參數標定，最終模型顯著性水平為0.000，模型擬合效果較好。模型參數估算值如表2所示，其中B值為回歸系數。

根據表2參數估計結果，以方式M5為參考，可以得到其他4種交通方式相對M5的影響因素估計值。考慮到多項Logit 模型的因變量是分類變量，則所得預測概率為概率發生比。乘客n選擇其他4種交通方式對M5的概率比為

表2 模型參數估算值Tab.2 Estimated parameters of the model

2.4 結果分析

2.4.1 乘客個體屬性

結合表2參數估算值，得到各變量對出行選擇影響程度如表3所示。其中，性別僅對M3有影響，而學歷只對M1和M2有影響，樣本中乘客選擇M1的比例較小(7.40%)，M1，M2和M3均為城市軌道交通系統內出行，為簡化研究，認為性別和學歷對乘客選擇影響不顯著。

表3 各變量對出行選擇影響程度Tab.3 Influence of each variable on travel choice

從表3可以看出，年齡、職業、月收入對乘客選擇M2，M3和M4產生顯著影響。年齡對選擇M2的乘客影響程度大于選擇M3和M4的乘客，回歸系數B小于0，表明隨著年齡參量值的增加，乘客選擇M2的概率減小程度最大，相對于乘坐軌道交通到達事發地后出站(M2)而言，年齡偏大的乘客更傾向直接出站改乘出租車(M4)出行；職業對選擇M4的乘客影響程度大于選擇M2和M3的乘客，M2和M3的回歸系數相差較小且大于0，表明隨著職業參量值的增加，乘客選擇出站改乘出租車(M4)和城市軌道交通出行(M2和M3)的概率增加，職業參量值增加對乘客選擇出租車的敏感程度更大，而上班族傾向于城市軌道交通(M2和M3)出行；月收入對選擇M4的乘客影響最大，隨著收入參量值的增加，乘客選擇M2，M3和M4的概率均會增加，但收入增加對乘客選擇出租車的敏感程度更大，收入越高的乘客選擇改乘出租車(M4)出行的幾率越大。

2.4.2 乘客出行屬性

乘客選擇M1，M2，M3和M4的概率由通勤、商務或公務、個人事務、其他依次減小，其中出行目的對乘客選擇M1影響最大，而樣本中乘客對M1選擇比例較小，城市軌道交通突發事件下彈性出行的乘客更樂意選擇換乘公交出行(M5)，通勤乘客傾向于選擇城市軌道交通(M2和M3)出行。

通勤乘客通常會選擇城市軌道交通出行，一方面是高峰時段地面交通出行時常擁堵，另一方面在一定程度上說明乘客對城市軌道交通運營企業處置突發事件的滿意度較高。年齡偏大的乘客青睞于公交出行，除了公交行業對老年乘客的優惠制度外，還在于該類乘客出行時間的容忍度相對較高；高收入群體偏向出站后換乘出租車出行。

2.4.3 突發事件時空屬性

由表2和表3可知，時空屬性對乘客選擇M1的影響不顯著。隨著事發時間參量值的增加，乘客選擇M2，M3和M4的概率大幅度減少，事發于平峰時段，乘客偏向于選擇公交出行(M5)，高峰期間乘客優先選擇出租車(M4)或城市軌道交通(M2和M3)出行；事發位置僅對M2產生影響，對其他方式影響不顯著。

理論上，時空屬性會對乘客出行選擇產生顯著影響，而分析結果顯示，乘客出行距離對方式選擇影響不顯著，且事發位置僅對選擇M2的乘客產生顯著影響，多項Logit模型中空間屬性對出行選擇影響解釋不充分。

通過客流分布分析，可知f(β，od)乘客與事發位置間距、出行距離相關性系數分別為0.113和-0.073，相關性極弱(相關性系數絕對值小于0.20)，印證了Logit建模所得出的乘客出行選擇受事發位置和出行距離影響不顯著的結論；進一步分析f(β，od)與R的相關性，相關系數為0.618，顯著水平值為0.000，相關性較強，且f(β，od)與空間屬性相關性得到明顯提高，說明所提出指標R的合理性。

將城市軌道交通突發事件延誤時間分為事發時間和持續延誤時間，分析f(β，od)與R關系。事發時段OD客流浮動率隨空間影響系數分布如圖2所示，持續延誤時段OD客流浮動率隨空間影響系數分布如圖3所示。

圖2 事發時段OD客流浮動率隨空間影響系數分布Fig.2 Distribution of deviation rate of OD passenger flow with spatial influence coefficient during the emergency

圖3 持續延誤時段OD客流浮動率隨空間影響系數分布Fig.3 Distribution of deviation rate of OD passenger flow with spatial influence coefficient during the continuous influence period

f(β，od)隨R的變化，在事發時間服從對數分布，回歸方程如公式(13)所示；在持續延誤時間服從冪函數分布，回歸方程如公式(14)所示。同時，間接得出乘客出行選擇與延誤時間具有相關性的結論，彌補了調查數據分析的不足。

式中：λ，μ，α，β，χ為參數。

突發事件下，乘客在面臨出行選擇時，不僅會考慮所處位置與事發位置的間距，同時還會衡量城市軌道交通出行距離。例如，在乘客與事發位置間距相同的情況下，相對于短途出行，長途出行時乘客更加傾向于選擇城市軌道交通。因此，需要聯合2個因素分析空間屬性對乘客出行選擇的影響，所提空間影響系數指標滿足需求，且經數據分析，驗證了該指標的有效性。

3 研究結論

研究考慮了城市軌道交通突發事件時空屬性，結合調查問卷數據和AFC數據，分析了突發事件后乘客出行選擇及其原因，得到以下結論。

（1）突發事件下，乘客性別與學歷對出行選擇改變影響較小，年齡較大的乘客偏向選擇改乘公交或出租車，職業和收入對出租車選擇敏感度較大；彈性出行的乘客愿意選擇公交出行，而通勤乘客傾向于保持城市軌道交通出行；乘客出行選擇受事發時間、延誤時間和空間影響系數影響顯著。

（2）結合調查問卷數據和AFC數據，基于Logit模型和非線性回歸方法分析影響突發事件下乘客選擇影響因素的方法可靠有效；研究提出的客流浮動率與空間影響系數指標，能夠量化解析突發事件時空屬性對乘客選擇的影響。該方法不但考慮了AFC數據無法全面反映乘客個體屬性和出行屬性的弊端，也彌補了Logit模型時空分析不足的缺陷。

（3）突發事件下，城市軌道交通依舊是通勤乘客的首選，盡快恢復運行是運營企業提高服務品質的根本途徑。多方式城市交通協同聯運是突發大客流應急疏散的有效措施，需求響應式公交可以根據乘客需求和車輛資源精準匹配，為中老年人、彈性出行的乘客提供個性化公交接駁服務；可給予出租車企業一定補貼支持，利于其降低出行費用，增加對突發大客流的疏散選擇吸引力。