常规公交乘客上下车效率时空特性分析

摘 要：为了探寻常规公交乘客上下车效率影响因素和提高公交运行效率，借助SPSS软件对影响常规公交乘客上下车效率的因素进行相关性分析，得出公交乘客上下车效率影响因素有上车人数、下车人数、车内拥挤程度、乘客是否排队、台阶级数。构建二项Logistic回归模型，得出上下车人数、车内拥挤程度、台阶级数均与乘客平均上下车所用时间成正相关，另外，乘客上车时的无序性也会导致乘客上车效率变低。研究结果可为公交管理部门提高公交准时性、快捷性和公交运营效率提供参考，同时对缓解交通拥堵提供借鉴。

关键词：公交;回归模型;时空特性

1 引言

2018年底，我国机动车保有量已达3.27亿辆，每百户家庭私家车保有量超过40辆，使得城市道路拥堵不断加剧[1]。所以提高常规公交运营效率，探索常规公交乘客上下车效率影响因素，对于提高常规公交对公民的吸引力和缓解拥堵尤为重要。

在公交运行效率的影响因素中，乘客上下车时间是影响公交行车效率的一个重要指标，而乘客上下车时间影响着公交的停靠时间和服务水平。吴洋和罗霞[2]分析了公交车辆站停时间与乘客行为的关系;高超等[3]对快速公交车辆进出停靠站的延误时间进行分析;吴鼎新和张丽媛[4]以淮安市为例，分析公交停靠站类型、时段以及乘客上下车人数对公交车站停时间的影响;吴叶和徐大刚[5]对公交车停靠过程进行分类和研究;Jaiswal S等[6]研究发现公交车在站停靠时间与站内乘客数量成正有关关系;Ji Yanjie等[7]研究了个人微观行为对乘客上下车效率的影响。Arhin S等[8]认为影响公交车运输可靠性的因素包括沿线的公交车站状况，交通状况，运行路线和早中晚时间。

国内外学者大多针对公交停靠时间、公交延误时间展开研究，而在公交乘客的上下车效率和上下车行为方面的研究较少，并且对影响常规公交乘客上下车效率的影响因素缺乏有力的证明和分析。因此，本文主要从公交乘客上下车时空特性着手，探讨乘客上下车效率的相关性因素并进行分析、验证。研究成果可为常规公交公司提高组织管理水平和服务水平提供参考。

2 常规公交乘客上下车指标的确定

本文主要从主观因素：上车人数S1（个）、下车人数S2（个）、车内拥挤程度S3、站内受干扰程度S4（即乘客上下车时受非机动车或行人的干扰程度）;个人因素：乘客上下车时是否混行P1、乘客上下车时是否排队P2;时间因素：是否为高峰期T;客观因素：公交车门宽度O1（m）、公交前门台阶级数O2（级）、公交车辆长度O3（m）4个方面对公交乘客上下车影响因素进行综合分析。

3 数据获取原则和方法

为了准确反映乘客的实际上下车效率，数据的获取选择天气良好的工作日，早高峰选取7：00-9：00，晚高峰选取17：00-19：00，数据获取采用固定車站方式，使用视频拍摄与人工记录相结合，对到达车站的公交车进行拍摄，采集公交车停靠后前、后门乘客的上下车时间数据和上下车人数。

4 相关性检验及回归分析

4.1 模型的建立及相关性检验

Logistic回归适用于对一个因变量和多个相互独立自变量之间的关系分析，筛选自变量，对因变量进行精确预测。对于乘客上下车时间预测来说，预测结果分为乘客平均上下车时间短（y=1）和乘客平均上下车时间长（y=0）两类，将响应变量和解释变量分别选入，对其进行Logistic回归分析。使用二元Logistic回归模型表示为：

通过SPSS软件对变量进行标准化处理，对响应变量的赋值按中位数分为两类：大于中位数的乘客平均上下车时间赋值为0，小于中位数赋值为1。分析结果显示：公交乘客上下车时间与P1、P2、S1、S2、S3和T具有显著相关性（相关性在0.01级别显著），与O2相关性较弱，而与O1、O3、S4相关性不强。由于O1、O2和O3有较强相关性，为排除变量之间的共线性，仍然将O1和O3 2个变量剔除。因此初选特性变量共剔除O1、O3和S4 3个特性变量，保留其余7个特性变量纳入公交乘客上下车时间影响因素选择集合进行下一步分析。

4.2 回归结果分析

为深入研究变量对公交乘客上下车时间的影响，在SPSS中做二元Logistic回归分析，在逐步回归过程中，P1和T两个变量被模型剔除。模型中剩余变量为P2、S1、S2、S3和O2，将各系数带入模型得：

对模型进行Hosmer-Lemeshow检验，最终的卡方统计量为5.918（小于对应的临界值），检验结果的显著性为0.656（大于0.05），说明拟合度良好。模型的切割值为0.5，即若p<0.5，则样本被归于“乘客上下车时间长”;若p≥0.5，则样本被归于“乘客上下车时间短”。对模型的预测结果精度进行检验：在实际的200组乘客平均上下车时间长的分组中，预测得到乘客平均上下车时间长的有169组，另外31组预测结果显示为平均上下车时间短，预测准确率为84.5%;在实际的200组乘客平均上下车时间短的分组中，预测得到乘客平均上下车时间短的有169组，另外31组预测结果显示为平均上下车时间长，预测准确率为84.5%。最终预测结果总体准确率为84.5%，说明模型最终预测结果良好。

5 结语

（1）回归分析结果表明：上下车人数越多、车内拥挤程度越高、台阶级数越多，乘客平均上下车所用时间越多，上下车效率越低。

（2）不同台阶级数乘客平均上车时间计算结果表明：每增加一级台阶，乘客平均上车时间几乎增加1s。若将公交台阶改为无台阶并采用站前售票形式，乘客平均上车时间可优化0.33s[9]。

（3）数据收集过程中发现：乘客投币行为会增加乘客上车时间，若实现对售票形式的改进，如采用站前售票、刷卡、刷二维码等方式，可以大大提高乘客上下车效率。

（4）由于数据是在人工观察基础上进行的，所以不可避免会产生相应的误差。本次实验样本均取自重庆市部分公交车站，研究结果是否具有一般性仍需进一步验证。另外，本文仅对公交乘客上下车效率影响因素进行了相关性分析，后续将围绕如何提高乘客上下车效率和公交空间利用率进行相关研究。

参考文献：

[1]陈赛飞，傅惠.新技术背景下大规模改善城市公交运行效率战略措施研究[J].科技视界，2019（05）：151-152.

[2]吴洋，罗霞.公交车辆站停时间与乘客行为的关系[J].西南交通大学学报，2007，42（02）：243-248.

[3]高超，刘小明，杨孝宽等.快速公交进出停靠站延误[J].北京工业大学学报，2014，40（12）：1844-1847.

[4]吴鼎新，张丽媛.淮安市公交车在站停靠时间特性分析[J].物流工程与管理，2018，40（01）：111-114.

[5]吳叶，徐大刚.公交停靠站停靠时间特征分析[J].交通与运输（学术版），2007（02）：78-80.

[6]Jaiswal S，Bunker J，Ferreira L.Operating Characteristics and Performance of A Busway Transit Station[C].In 30th Australasian Transport Research Forum（Atrf）. Melbourne：Australian Transportation Research Institute，2007：1-12.

[7]Ji Yanjie，Gao Liangpeng，Chen Dandan，et al.How Does A Static Measure Influence Passengers’ Boarding Behaviors and Bus Dwell Time？ Simulated Evidence from Nanjing Bus Stations[J].Transportation Research Part A，2018，（110）：13-25.

[8]Arhin S，Noel E，Williams L，et al.Optimization of Transit Total Bus Stop Time Models[J].Journal of Traffic and Transportation Engineering （English Edition），2016，3（02）：146-153.

[9]张国卿.浅谈城市公交站点延误统计方法和应对之策[J].经济视角（中旬），2012（03）：96-97.

作者简介：杨欢欢（1994-），男，安徽宿州人，硕士研究生，研究方向：交通运输工程。

推荐访问:乘客 常规 下车 特性 效率