论文题目：Exploring behavioral heterogeneities of metro passenger’s travel plan choice under unplanned service disruption with uncertainty

具有不确定性的非计划服务中断条件下地铁乘客出行选择行为异质性研究

论文作者：李斌斌，姚恩建，山本俊行，唐英，刘莎莎

论文期刊：Transportation Research Part A: Policy and Practice

网址：https://www.sciencedirect.com/science/article/abs/pii/S0965856420307126

关键词：非计划服务中断，出行方案选择行为，不确定性，异质性，潜在分类选择模型（Unplanned service disruptions, Travel plan choice behavior, Uncertainty, Heterogeneity, Latent class choice model）

 

1 摘要

了解地铁非计划服务中断时乘客的出行选择行为，可以捕捉乘客需求的变化并及时采取措施，最大限度地减少服务中断对交通系统的影响，同时确保乘客的安全，这对于公交机构有重要意义。与计划内的地铁服务中断不同，非计划服务中断无法提前得知，具有不确定性。然而，现有研究对不确定的中断时长在决策过程中的作用，以及非计划服务中断下的乘客感知异质性在出行行为中的作用了解还不够深入。为填补这一空白，首先在调查问卷的各个场景中设置一个时间区间来表示不确定的服务中断持续时间，并进行线上问卷调查。基于在广州收集的调查数据，建立了一个考虑不确定性和异质性的出行选择行为潜在分类模型，并引入误差分量。模型结果表明，基于个人属性和出行特征属性，可将乘客分为不确定性悲观主义者和不确定性乐观主义者两类，他们对不确定性的感知程度分别为较强和较弱。同时，在高峰时段和进入车站时，这两类人群的不确定性感知均会增强。研究结果为相关场景下的出行行为分析提供了新的视角，也可以帮助交通部门采取有效的管理措施，这将有利于提高服务质量。

 

2 研究背景

 地铁是城市交通服务的重要组成部分，但由于地铁车辆和基础设施故障等原因，非计划服务中断时有发生。在中国，北京、广州和上海2015年记录的地铁非计划服务中断次数分别为189次、348次和143次。

 与固定维修等造成的计划内服务中断不同，运营公司无法提前告知乘客非计划服务中断的发生时间和持续时长，这意味着中断的不确定性。但现有研究往往忽略了这种不确定性，认为服务中断持续时间是一个定值。另一方面，很少有研究对非计划服务中断下乘客出行行为的异质性进行深入分析。

本研究基于在广州进行的问卷调查，考虑了服务中断时间的不确定性和乘客的异质性，使用潜在分类模型（Latent Class Model，LCM）对地铁非计划服务中断下乘客的出行行为进行分析。

 

3 数据描述

 本研究选取广州作为研究区域进行线上问卷调查，调查时间为2019年7月1日至2019年7月30日。问卷包含两个部分：RP部分和SP部分。RP部分由个人属性、出行特征、地铁出行经历等相关问题组成；SP部分则向受访者描述假设情景，即原本的出行受到地铁非计划服务中断的影响，受访者需要在备选出行方案中进行选择。向受访者提供以下备选出行方案：原地等待直至服务恢复（方案1）、城轨内部绕行（方案2）、跳站停接驳公交（方案3）、站站停接驳公交（方案4）、常规公交（方案5）、出租车或网约车（方案6）、共享单车（方案7）。

假设场景包含行程起终点、服务中断发生时段、乘客被告知服务中断的位置、最小服务中断时长、不确定的服务中断时长、站站停接驳公交等待时间、跳站停接驳公交等待时间7个属性，各属性及其水平值如表1所示。

表1 属性及水平值表

 

 

 

  基于表1按照正交设计得到16个假设场景，每位受访者将对其中4个场景进行选择。图1是其中一个场景的示例。

 

 

 

图1 问卷假设场景示例

 

 

经筛选，共计回收339份有效问卷。此外，为验证抽样合理性，根据RP部分问卷的回答统计各线路中受访者所填始发站数量，并与广州城轨各线路的日均进站客流量进行对比，对比结果如图2。各线路受访者分布与进站客流分布基本一致，说明了抽样的合理性。

 

图2 各线路的受访者人数与日均进站客流对比

 

4 问卷分析

 表2为受访者的个人属性统计结果，表3为出行特征属性统计结果。表3表明，上个月有超过一半的受访者每周至少有10次出行乘坐地铁；经历过非计划服务中断的受访者比例为31.0%；大多数受访者（74.3%）在出行中会查看实时交通信息以获知地铁的运行情况。

表2 受访者个人属性统计表

 

 

 

表3 出行特征属性描述性统计表

 

 

 

 图3为不同属性人群的出行选择结果，可以比较出行选择偏好的差异。图3表明不同人群在地铁非计划服务中断下的出行选择行为是异质的，因此建立了考虑异质性的出行选择模型。

 

 

图3 不同属性组的出行选择结果雷达图

 

（a.性别；b.年龄；c.收入；d.出行频率；e.服务中断经历；f.信息服务使用）

 

 

5 出行选择模型

 为捕捉乘客出行选择行为的异质性，本研究选取潜在分类模型（LCM）进行建模。LCM由两部分组成：分类模型和离散选择模型。其中，分类模型根据乘客相关属性进行潜在类别划分。对于离散选择模型，由于本研究的问卷设置了多种选择场景，使用引入误差项的Logit模型来处理受访者在多场景回答中引起的误差。

 模型包含三类属性：个人属性、出行特征属性和备选方案属性。根据人群分布情况、图3所示的雷达图以及既有相关研究，对各属性下的人群进行重新整合与划分，为每一类属性选定了基准类别，划分结果如表4所示。其中，性别、年龄、收入、出行频率、服务中断经历、实时信息查询的基准类别分别为男性、35岁以上、5000元以下、每周3次以下、未曾遇到服务中断、不查询实时信息。

 对于备选方案属性，所有出行方案中的一般属性如出行成本、出行时间和换乘次数均被集成到效用函数中；服务中断时长被加入方案1的效用函数中。时段和位置是本模型中的场景变量，通过将场景变量与其他变量进行乘积得到带有场景标签的联合变量，可以用于分析乘客在不同场景下的行为差异。

 

6 结果

经对比，将人群分为两类时LCM模型的表现最佳，故将其作为本研究的模型标定结果，如表4所示。其中，不显著的属性被筛除。模型由三部分构成：分类模型、离散选择模型和模型总结。

表4 潜在分类选择模型标定结果

 

 

      分析模型标定结果可知：

    （1）在分类模型中，参数值为正说明该类人群相较于基准类人群更可能属于A类，为负则说明更可能属于B类。因此，女性、非年轻、高收入、出行频率低、未曾遇到过服务中断、不查看实时交通信息的乘客更可能属于A类。

    （2）离散选择模型表明，乘客更倾向于选择出行成本低、出行时间短、换乘次数少的出行方案。

    （3）观察ASC_1可知，A、B两类人群对带有不确定性的方案1分别表现出悲观和乐观的偏好。此外，A类乘客对不确定性因素的感知更强。基于以上分析，将A类乘客命名为不确定性悲观主义者（Uncertainty Pessimists, UPs），将B类乘客命名为不确定性乐观主义者（Uncertainty Optimists，UOs）。

    （4）模型中的误差在两类人群中均显著，表明本研究建立的模型成功捕捉到了受访者在多场景回答中引起的误差。

    （5）联合变量的参数标定结果表明，在高峰时段，乘客对出行成本的负效用感知会减弱、对各项时间相关变量的负效用感知均会增强。此外，站内乘客对不确定性的感知相较于站外乘客更加强烈。

 

为进一步分析异质性和不确定性对出行选择行为的影响，基于支付意愿理论（Willingness to Pay，WTP）计算了各类时间对应的价值，结果如表5所示。

表5 出行时间、最小中断时长、不确定的中断时长、换乘时间所对应的价值（元）

 

 

       分析表5可知：

    （1）UPs更加倾向于支付更多费用来减少出行时长，这也符合高收入群体应归入UPs的认识。

    （2）在高峰时段，两类乘客都倾向于支付更多费用来减少出行时长。

    （3）若乘客在进站后才被告知服务中断，会更倾向于支付更多费用来减少不确定性。

    （4）上述分析表明，非计划服务中断发生时，运营机构可以通过修改出行费用或采取补偿措施来平衡出行时间延长导致的负面效用，且增加UOs在乘客中的比例有助于服务中断管理。

 

7 结论

本研究对非计划服务中断下的乘客出行选择行为建立了一个LCM模型，考虑了中断时间的不确定性及乘客出行行为的异质性，将人群分为不确定性悲观主义者和不确定性乐观主义者两类。研究结果表明：

（1）高收入、女性、非年轻、出行频率低、未曾遇到过服务中断、不查看实时交通信息的乘客更可能属于不确定性悲观主义者。

（2）若在高峰出行时段遇到服务中断，或在进入车站后才被告知中断发生，乘客对不确定性的感知会增强。

（3）通过服务中断模拟演习和完善实时信息服务等措施，可以增加乘客中不确定性乐观主义者的比例，将有助于运营公司对非计划服务中断进行管理。

（4）未来应考虑对敏感性及乘客的等待容忍度进行更多的分析，或采用更先进的出行行为调查方法。

 

 

参考文献

 

Adelé, S., Tréfond-Alexandre, S., Dionisio, C., Hoyau, P.A., 2019. Exploring the behavior of suburban train users in the event of disruptions. Transp. Res. Part F Traffic Psychol. Behav. 65, 344–362. https://doi.org/10.1016/j.trf.2019.08.009.

Bierlaire, M., 2018. PandasBiogeme: a short introduction. Tech. Rep. TRANSP-OR 181219. Transp. Mobil. Lab. ENAC, EPFL.

Carlsson, F., 2003. The demand for intercity public transport: the case of business passengers. Appl. Econ. 35, 41–50. https://doi.org/10.1080/00036840210158921.

Caussade, S., Ortúzar, J.de D., Rizzi, L.I., Hensher, D.A., 2005. Assessing the influence of design dimensions on stated choice experiment estimates. Transp. Res. Part B Methodol. 39, 621–640. https://doi.org/10.1016/j.trb.2004.07.006.

Currie, G., Muir, C., 2017. Understanding passenger perceptions and behaviors during unplanned rail disruptions. Transp. Res. Procedia 25, 4392–4402. https://doi. org/10.1016/j.trpro.2017.05.322.

Dai, X., 2015. Choice Behavior of Passengers in Metro Emergency. In: Transportation Research Board, 94th Annual Meeting. Washington, DC.

Dai, X., Tu, H., Sun, L., 2016. A multi-modal evacuation model for metro disruptions: based on automatic fare collection data in Shanghai, China. In: Transportation Research Board, 95th Annual Meeting. Washington, DC, pp. 1–15.

(Louise) Durand, A., 2017. Managing Disruptions in Public Transport from the Passenger Perspective. Delft University of Technology.

Hess, S., 2014. Latent class structures: Taste heterogeneity and beyond. Handbook Choice Model. 311–329. https://doi.org/10.4337/9781781003152.00021.

Hess, S., 2005. Advanced discrete choice models with applications to transport demand. Ph.D thesis. Imperial College London, UK, pp. 1–303.

Huang, W., 2020. Modeling Transit Commuters’ Short-Term En-Route Replanning Behavior in Response to Unexpected Service Disruption. Technical University of Munich.

Itani, A., Aboudina, A., Diab, E., Srikukenthiran, S., Shalaby, A., 2019. Managing unplanned rail disruptions: policy implications and guidelines towards an effective bus bridging strategy. Transp. Res. Rec. https://doi.org/10.1177/0361198119838838.

Jin, J.G., Teo, K.M., Odoni, A.R., 2015. Optimizing bus bridging services in response to disruptions of urban transit rail networks. Transp. Sci. 50, 790–804. https:// doi.org/10.1287/trsc.2014.0577.

Kaviti, S., Venigalla, M.M., Zhu, S., Lucas, K., Brodie, S., 2018. Impact of pricing and transit disruptions on bikeshare ridership and revenue. Transportation (Amst). 1–22 https://doi.org/10.1007/s11116-018-9904-5.

Kuha, J., 2004. AIC and BIC: comparisons of assumptions and performance. Sociol. Methods Res. 33, 188–229. https://doi.org/10.1177/0049124103262065.

Li, B., Yao, E., Yamamoto, T., Huan, N., Liu, S., 2020. Passenger travel behavior analysis under unplanned metro service disruption: using stated preference data in Guangzhou, China. J. Transp. Eng. Part A Syst. 146 https://doi.org/10.1061/JTEPBS.0000308.

Li, J., Wang, X., 2020. Multimodal evacuation after subway breakdown: A modeling framework and mode choice behavior. Transp. Res. Interdiscip. Perspect. 6, 100177 https://doi.org/10.1016/j.trip.2020.100177.

Lin, T., 2017. Transit User Mode Choice Behaviour in Response to TTC Rapid Transit Service Disruption (M.A.S.). University of Toronto (Canada), Canada. University of Toronto.

Louie, J., Shalaby, A., Habib, K.N., 2017. Modelling the impact of causal and non-causal factors on disruption duration for Toronto’s subway system: An exploratory investigation using hazard modelling. Accid. Anal. Prev. 98 https://doi.org/10.1016/j.aap.2016.10.008.

Nguyen-Phuoc, D.Q., Currie, G., De Gruyter, C., Young, W., 2018. Exploring the impact of public transport strikes on travel behavior and traffic congestion. Int. J. Sustain. Transp. 12, 613–623. https://doi.org/10.1080/15568318.2017.1419322.

Pender, B., Currie, G., Delbosc, A., Shiwakoti, N., 2014. Social media use during unplanned transit network disruptions: A review of literature. Transp. Rev. 34, 501–521.

Pnevmatikou, A.M., Karlaftis, M.G., Kepaptsoglou, K., 2015. Metro service disruptions: how do people choose to travel? Transportation (Amst). 42, 933–949. https:// doi.org/10.1007/s11116-015-9656-4.

Rahimi, E., Shamshiripour, A., Shabanpour, R., Mohammadian, A., Auld, J., 2020. Analysis of transit users’ response behavior in case of unplanned service disruptions. Transp. Res. Rec. J. Transp. Res. Board 77, 639–653. https://doi.org/10.1016/j.trd.2019.10.011.

Rahimi, E., Shamshiripour, A., Shabanpour, R., Mohammadian, A., Auld, J., 2019. Analysis of transit users’ waiting tolerance in response to unplanned service disruptions. Transp. Res. Part D Transp. Environ. 77, 639–653. https://doi.org/10.1016/j.trd.2019.10.011.

Saadatseresht, M., Mansourian, A., Taleai, M., 2009. Evacuation planning using multiobjective evolutionary optimization approach. Eur. J. Oper. Res. 198, 305–314. https://doi.org/10.1016/j.ejor.2008.07.032.

Sarker, R.I., Kaplan, S., Mailer, M., Timmermans, H.J.P., 2019. Applying affective event theory to explain transit users’ reactions to service disruptions. Transp. Res. Part A Policy Pract. 130, 593–605. https://doi.org/10.1016/j.tra.2019.09.059.

Saxena, N., Hossein Rashidi, T., Auld, J., 2019. Studying the tastes effecting mode choice behavior of travelers under transit service disruptions. Travel Behav. Soc. 17, 86–95. https://doi.org/10.1016/j.tbs.2019.07.004.

Shen, J., 2009. Latent class model or mixed logit model? A comparison by transport mode choice data. Appl. Econ. 41, 2915–2924. https://doi.org/10.1080/ 00036840801964633.

Sun, D., Ding, X., 2019. Spatiotemporal evolution of ridesourcing markets under the new restriction policy: A case study in Shanghai. Transp. Res. Part A Policy Pract. 130, 227–239. https://doi.org/10.1016/j.tra.2019.09.052.

Sun, D., Guan, S., 2016. Measuring vulnerability of urban metro network from line operation perspective. Transp. Res. Part A Policy Pract. 94, 348–359. https://doi. org/10.1016/j.tra.2016.09.024.

Sun, D., Zhang, K., Shen, S., 2018. Analyzing spatiotemporal traffic line source emissions based on massive didi online car-hailing service data. Transp. Res. Part D Transp. Environ. 62, 699–714. https://doi.org/10.1016/j.trd.2018.04.024.

Sun, H., 2017. Observations and analysis of pedestrian walking microparameters in urban rail transit station passageway. Technol. Econ. Areas Commun. 19, 33–38. https://doi.org/10.19348/j.cnki.issn1008-5696.2017.06.008.

Sun, H., Wu, J., Wu, L., Yan, X., Gao, Z., 2016. Estimating the influence of common disruptions on urban rail transit networks. Transp. Res. Part A Policy Pract. 94, 62–75. https://doi.org/10.1016/j.tra.2016.09.006.

Teng, J., Liu, W.R., 2015. Development of a behavior-based passenger flow assignment model for urban rail transit in section interruption circumstance. Urban Rail Transit 1, 35–46. https://doi.org/10.1007/s40864-015-0002-0.

Train, K.E., 2009. Discrete Choice Model with Simulation. Cambridge University Press.

van Exel, N.J.A., Rietveld, P., 2009. When strike comes to town... anticipated and actual behavioural reactions to a one-day, pre-announced, complete rail strike in the Netherlands. Transp. Res. Part A Policy Pract. 43, 526–535. https://doi.org/10.1016/j.tra.2009.01.003.

Zhang, S., Lo, H.K., 2020. Metro disruption management: Contracting substitute bus service under uncertain system recovery time. Transp. Res. Part C Emerg. Technol. 110, 98–122. https://doi.org/10.1016/j.trc.2019.11.010.

Zhu, S., Masud, H., Xiong, C., Yang, Z., Pan, Y., Zhang, L., 2017. Travel Behavior reactions to transit service disruptions: a case study on the Washington DC Metro SafeTrack Project. Transp. Res. Rec. J. Transp. Res. Board. https://doi.org/10.3141/2649-09.