摘要
为了研究距离、出口密度、乘客流向流量、出口可见性4种因素对地铁站紧急疏散时乘客决策偏好异质性的量化影响,基于20种紧急疏散场景的问卷调查收集数据,利用条件Logit模型和随机参数Logit模型标定4种影响因素的效用系数,根据效用系数的边际概率分布分析乘客决策偏好的异质性。结果表明:距离、出口密度、乘客流向流量呈负效用,出口可见性呈正效用,4种影响因素的系数均为随机变量,距离显示出最低的异质性水平,出口密度和乘客流向流量的异质性水平稍高,出口可见性显示出最高的异质性水平。
管理。 E-mail: lifeng@tongji.edu.cn
随着中国城镇化的不断发展,地铁作为最主要的大运量公共交通方式之一迎来了快速发展,截止到2018年底,在中国内地已共有35个城市开通城市轨道交通,全国城轨交通累计投运车站3 394座,全年累计客运量210.7亿人
针对地铁站应急疏散影响因素的分析较多,吴君
本文利用S
为了揭示地铁站乘客在紧急疏散决策层面上的偏好,通过实验调查分析某些因素对乘客疏散的影响,将疏散人员决策时对影响因素产生的偏好异质性进行量化。采用SP-off-RP调查方法收集个体层面的选择数据。SP-off-RP调查方法是基于SP调查进行改进的,SP-off-RP调查是以现实中已发生的类似情景选择为基础进行假设场景的选择调查,这种方法在假设情景中影响因素的属性在必要的方向上改变,以引出偏好揭示,无论被调查者对这些变化做出何种回应,都会获得有关偏好的信息数据。
首先,确定因变量和自变量,由于本次研究主要集中在地铁站厅层紧急疏散时的影响因素,因此因变量是地铁站站厅层乘客疏散时出口的选择。关于自变量,在一项初步研究中,人们对他们在做疏散决策时认为最重要的因素进行了排序,本次研究选择其中最重要的4个影响因素作为自变量,如
其次,以某地铁站站厅层的设计图纸作为基础,设计多种实验场景。地铁站共有4个出口,在每个选择实验中,受访者的假设位置、每个出口点周围的拥挤程度以及向出口点移动的其他行人的数量都被表示出来,并且在不同的场景中有所不同,按照这个规则共设计了20种场景变化,图

图1 选择实验中假设场景7
Fig. 1 Hypothetical scenario 7 in experiment

图2 选择实验中假设场景3
Fig. 2 Hypothetical scenario 3 in experiment

图3 选择实验中假设场景8
Fig. 3 Hypothetical scenario 8 in experiment

图4 选择实验中假设场景5
Fig. 4 Hypothetical scenario 5 in experiment
在调查设计中,同时考虑了现实中出口不在视野范围内的情形,即参与者从当前假设位置无法看见该出口,这时不可见出口点周围的区域被模糊(在每张图片中突出显示),表明乘客无法得知出口周围情况,例如,
实验调查是在上海五角场地铁站和江湾体育场地铁站进行,乘客接受采访和进行问卷填写。2个地铁站地处上海商业中心,节假日人流量较大。本研究采用的数据收集方法与以往行人疏散领域的一些研究方法基本相似,但这种调研方法在数据收集方面与传统的SP调查的主要区别在于,SP调查是将人们引入纯粹的假设情景中进行选择,而SP-off-RP调查是将受访者引入最近经历且记忆清晰的相似场景中进行选择。例如,当观察到一个乘客跟随人群较多的人流走向某个出口时,向该位乘客受访者介绍本文设计的场景,以响应其最新的实际出口选择,观察乘客在做场景问卷调查时是否也偏向跟随人群进行选择出口。将假设的情景与人最近的真实选择直接挂钩,将假设的情景与受访者最近的真实经历相互联系,这种方法能够让受访者更真实地将现实与调查情景联系起来,使其更加关注调查情景,从而提供更可靠的数据。这也符合计量经济学文献中新的趋势,即运用陈述选择方
将20种场景分为2组问卷,每组10个场景,受访的乘客被随机分配填写其中一组问卷,参与的乘客被要求将每张图片场景假设为一个紧急情况,并想象如果在现实中遇到这种情况,他们会选择哪个出口进行疏散。最后,收集到符合条件的182名受访者的问卷,共1 820个可观测数据。
对于Logit模型的最小样本量目前尚未统一规定,文献[
效用函数模型的一般结构由随机误差部分来决定,采用不同的分布形式会得到不同的离散选择模型。效用函数的自变量为距离( distance,d)、出口密度( density,dE)、乘客流向流量( pedestrian flow,pF)、出口可见性(visibility,v)。此时,乘客n在地铁紧急疏散场景t中选中出口i的效用函数可表征为
(1) |
式中:为效用函数的可观测部分;为效用函数的随机误差部分。乘客的效用函数可观测部分可用
(2) |
式中:为实验场景t中乘客n到出口i的距离;为实验场景t中出口i处乘客密度;为实验场景t中乘客n看到的流向出口i的乘客流量;为实验场景t中出口i对于乘客n的可见性,作为二进制0、1变量,当且仅当出口对乘客可见时取1;、、、为参数系数;aASC
若随机误差项服从Gumble分布,随机误差项的概率密度函数表达式见
(3) |
(4) |
式中:为乘客n在疏散场景t中选择出口i的概率;为地铁出口的集合。条件Logit模型通常采用最大似然方法来进行参数估计,模型的对数似然值(Log likelihood)为1 402,伪
从
出口可见性的总体均值系数为正,且显著,即出口对于乘客可见,效用会越高,即选择该出口的概率会变大,这与实际乘客疏散情况相符。从胜率结果中解读,当出口可见时,该出口被选中的概率相比较不可见时增大了3.655倍。
Logit模型包括很多种,如条件Logit、巢式Logit模型等,以上Logit模型通常采用最大似然方法来进行参数估计,而最大似然估计法假设事件发生的概率仅由模型中的因素决定,忽略了模型外的因素及不确定因素对事件发生概率的影响。为解决以上Logit模型未能考虑个体差异性与IIA假
随机参数Logit模型的随机误差项服从Gumble分布,见
(5) |
式中:为系数的平均值;为独立正态变量向量;为协方差矩阵的Cholesky因子。随机参数Logit模型可用
(6) |
式中:为其概率密度函数。
根据文献[
从
以上研究采用了2种不同的Logit模型进行研究。根据文献[
从

图5 2种模型下效用系数平均值估计可视化比较
Fig. 5 Visual comparison of mean estimation of efficiency coefficient of two models
由以上分析可知,随机参数Logit模型在地铁站乘客疏散决策建模方面具有较好的拟合优度,乘客在地铁站紧急疏散时对影响疏散的因素偏好存在异质性。根据以上估计的随机系数Logit模型,刻画影响因素的系数的边际概率分布函数,用来解释4种因素对乘客决策效用的异质性,见图

图6 距离估计系数的边际概率分布
Fig. 6 Marginal probability distribution of distance estimation coefficient

图7 出口可见性估计系数的边际概率分布
Fig.7 Marginal probability distribution of visibility estimation coefficient

图8 出口密度估计系数的边际概率分布
Fig. 8 Marginal probability distribution of density estimation coefficient

图9 乘客流向流量估计系数的边际概率分布
Fig. 9 Marginal probability distribution of pedestrian flow estimation coefficient
从
距离系数的边际概率分布服从N(0.115, 0.013)的正态分布,
出口可见性系数的边际概率分布服从N(1.548, 0.752)的正态分布,
出口密度和乘客流向流量的系数的边际概率分布分别服从N(0.274, 0.074)和N(0.173, 0.116)的正态分布,
对于产生这种异质性的来源进行了初步探讨。问卷调研除了情景调查外,还设计了参与者的一些基础信息调查,如性别、有无紧急疏散经历、有无安全疏散教育经历等,结合这些基本的统计信息代入模型进行分析,结果如
利用条件Logit模型和随机系数Logit 模型研究距离、出口密度、乘客流向流量、出口可见性4种因素对地铁站乘客紧急疏散出口决策的影响,量化了4种因素对乘客决策偏好异质性的影响,通过研究主要得到以下结论:
(1)条件Logit模型和随机系数Logit 模型结果都显示:距离、出口密度、乘客流向流量对于乘客出口决策呈负效用影响,出口可见性对于乘客出口决策呈正效用影响。
(2)随机系数Logit 模型比传统的条件Logit模型具有更高的拟合度,更适合用来解释4种影响因素的参数的变化。
(3)通过条件Logit模型和随机系数Logit 模型优劣对比,在效用函数中,距离、出口密度、乘客流向流量、出口可见性的参数为随机变量更合理,即4种影响因素存在异质性。
(4)距离系数在估计的系数中显示出最低的异质性水平,出口密度和乘客流向流量估计的系数异质性水平稍高,出口可见性系数在估计的系数中显示出最高的异质性水平,表明大多数乘客对于距离的感知较为集中,即会选择距离较近的出口进行逃生;对于出口可见性的感知则较为多元化即更多的乘客会根据自身偏好选择可见或者不可见的出口进行逃生。
研究结果表明,在制定乘客地铁站紧急疏散应急预案时,应该考虑到不同的影响因素对不同人的效用权重的区别,并且这些权重在人群中有不同的分布,可以为进一步提高地铁站乘客紧急疏散决策预测的准确度提供思路。接下来的研究中将进一步深入研究乘客的心理特征、人格特质数据等,以期能够解释这种偏好异质性产生的根本原因。
作者贡献声明
王 恒:研究构思、论文撰写、实施研究。
李 枫:研究指导。
江泽浩:研究构思、研究指导、论文审阅与修改。
徐天东:研究指导。
参考文献
中国城市轨道交通协会. 城市轨道交通2018年度统计和分析报告[J].城市轨道交通,2019(4):16. [百度学术]
China Association of Metros. 2018 urban rail transit statistics and analysis report [J]. Urban Rail Transit,2019(4):16. [百度学术]
吴君子. 火灾条件下地铁疏散仿真研究[D]. 成都:西南交通大学, 2016. [百度学术]
WU Junzi. Research on emergency metro evacuation simulation in fire [D].Chengdu: Southwest Jiaotong University,2016. [百度学术]
蓝善民. 高铁站应急疏散研究[D]. 成都:西南交通大学, 2014. [百度学术]
LAN Shanmin. Research on emergency evacuation for high-speed railway station[D]. Chengdu: Southwest Jiaotong University ,2014. [百度学术]
丁玉兰. 人机工程学[M] . 4版.北京:北京理工大学出版社, 2011. [百度学术]
DING Yulan. Ergonomics [M]. 4th ed. Beijing: Beijing University of Technology Press, 2011. [百度学术]
XU Tiandong. Dynamic travel behavior and active traffic routing and control modeling for regional evacuations[M].[s.l.]:Independent Press,2015. [百度学术]
XU T D, HAO Y, SUN L J. Modeling drivers’ en-route diversion behavior under variable message sign messages using real detected traffic data[J].IET Intelligent Transport Systems, 2011, 5(4): 294. [百度学术]
HELBING Dirk, BUZNA Lubos, JOHANSSON Anders, et al. Self-organized pedestrian crowd dynamics: Experiments, simulations, and design solutions[J]. Transportation Science, 2013, 219(5):5495. [百度学术]
BLUE V, ADLER J. Emergent fundamental pedestrian flows from cellular automata microsimulation[J]. Transportation Research Record, 1998 (1644):29. [百度学术]
ZHONG M, SHI C, TU X, et al. Study of the human evacuation simulation of metro fire safety analysis in China[J]. Journal of Loss Prevention in the Process Industries, 2008, 21(3):287. [百度学术]
GRÄßLE F, KRETZ T. An example of complex pedestrian route choice[J].Pedestrian and Evacuation Dynamics,2011(6):767. [百度学术]
JIANG C S, YUAN F, CHOW W K. Effect of varying two key parameters in simulating evacuation for subway stations in China[J]. Safety Science, 2010, 48(4):445. [百度学术]
吴鹏, 杨爽, 张晶晶,等. 突发事件网络舆情中网民群体行为演化的Agent建模与仿真研究[J]. 现代图书情报技术, 2015(Z1):65. [百度学术]
WU Peng, YANG Shuang, ZHANG Jingjing, et al. Research on Agent modeling and simulation of netizen group behavior evolution in network public opinion of emergency[J]. New Technology of Library and Information Service, 2015(Z1):65. [百度学术]
XU Tiandong. Big-data-driven ATMS: Driver behavior and active traffic management[M].[s.l.]: Independent Press,2017. [百度学术]
XU T D, HAO Y, AND SUN L J . Automatic calibration of behavioral parameters for variable message signs-based route guidance consistent with driver behavior[J].Transportation Research Record: Journal of the Transportation Research Board, 2012, 2321(2321): 55. [百度学术]
ANTONINI G, BIERLAIRE M, WEBER M. Discrete choice models of pedestrian walking behavior[J]. Transportation Research Part B, 2006, 40(8):667. [百度学术]
LOVREGLIO R, BORRI D,OLIO L Dell, et al. A discrete choice model based on random utilities for exit choice in emergency evacuations[J]. Safety Science, 2014, 62:418. [百度学术]
DUIVES D, MAHMASSANI H. Exit choice decisions during pedestrian evacuations of buildings[J]. Transportation Research Record: Journal of the Transportation Research Board, 2012, 2316:84 . [百度学术]
王方, 陈金川, 张德欣. SP调查在交通方式选择模型中的应用[J]. 交通运输系统工程与信息, 2007(5):90. [百度学术]
WANG Fang, CHEN Jinchuan, ZHANG Dexin. The application of stated preference survey on traffic mode split model [J]. Journal of Transportation Systems Engineering and Information Technology, 2007(5):90. [百度学术]
WILSON T. Monte Carlo analysis of SP-off-RP data[J]. Journal of Choice Modelling, 2009(2):101. [百度学术]
HAGHANI M, SARVI M. Pedestrian crowd tactical‐level decision making during emergency evacuations[J]. Journal of Advanced Transportation, 2016, 50(8):187. [百度学术]
ANWAR A H M M, TIEU K, GIBSON P, et al. Analyzing the heterogeneity of traveller mode choice preference using a random parameter logit model from the perspective of principal-agent theory[J]. International Journal of Logistics Systems & Management, 2014, 17(4):447. [百度学术]
ROSE J M, HESS S. Dual-response choices in pivoted stated choice experiments[J]. Transportation Research Record: Journal of the Transportation Research Board, 2009, 2135(1):25. [百度学术]
TRAIN K, WILSON W W. Estimation on stated-preference experiments constructed from revealed-preference choices[J]. Transportation Research Part B: Methodological, 2008, 42 (3):191. [百度学术]
高永祥, 张晋昕.回归分析的样本量确定[J]. 循证医学, 2018, 18(2):3. [百度学术]
GAO Yongxiang, ZHANG Jinxin. Determination of sample size for regression analysis [J]. Evidence Based Medicine, 2018, 18 (2): 3 [百度学术]
方积乾. 卫生统计学[M] .6版. 北京: 人民卫生出版社, 2008. [百度学术]
FANG Jiqian. Health statistics [M]. 6th ed. Peking: People's Health Publishing House, 2008. [百度学术]
金丕焕. 医用统计方法[M]. 上海: 复旦大学出版社, 2003. [百度学术]
JIN Pihuan. Medical statistics[M]. Shaanghai: Fudan University Press, 2003. [百度学术]
PEDUZZI P, CONCATO J, KEMPER E, et al. A simulation study of the number of events per variable in logistic regression analysis[J]. Journal of Clinical Epidemiology, 1996, 49 (12):1373. [百度学术]
TRAIN M F. Mixed MNL models for discrete response[J]. Journal of Applied Econometrics, 2000, 15(5):447. [百度学术]
刘建荣, 郝小妮. 基于随机系数Logit模型的市内出行方式选择行为研究[J]. 交通运输系统工程与信息, 2019(5):108. [百度学术]
LIU Jianrong, HAO Xiaoni. Travel mode choice in city based on random parameters Logit model[J]. Journal of Transportation Systems Engineering and Information Technology, 2019(5) :108. [百度学术]
HENSHER D A, ROSE J M, GREENE W H. Nlogit for applied choice analysis[M]// DAVID Hensher. Applied Choice Analysis. London:Cambridge University Press,2015. [百度学术]
CAO Baogui. A new car-following model considering driver's sensory memory[J]. Physica A Statistical Mechanics & Its Applications,2015, 427:218. [百度学术]
江泽浩, 杨晓光, 汪涛. 绿灯倒计时影响下机动车微观驾驶行为分析与决策建模[J].交通运输系统工程与信息, 2018, 18(2):66. [百度学术]
JIANG Zehao, YANG Xiaoguang, WANG Tao. Analysis of microscopic driving behavior and modeling of decision-making effected by green signal countdown[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(2):66. [百度学术]
刘建荣, 郝小妮. 基于随机系数Logit模型的地铁拥挤度影响参数研究[J]. 华南理工大学学报(自然科学版), 2019, 391(4):67. [百度学术]
LIU Jianrong, Hao Xiaoni. Evaluation of the metro’s in-vehicle congestion parameters based on random parameters Logit model[J]. Journal of South China University of Technology (Natural Science Edition), 2019, 391(4):67. [百度学术]