公共汽车线网调整乘客风险识别方法

金智英，李 豹，王 红，朱顺应

(武汉理工大学交通学院，湖北武汉430063)

公共汽车线网调整乘客风险识别方法

金智英，李 豹，王 红，朱顺应

(武汉理工大学交通学院，湖北武汉430063)

乘客风险识别对优化公共汽车线网调整方案、提高线网调整可实施性、制定社会风险管控策略具有重要意义。提出一种基于乘客感知的差别—矩阵法来识别乘客风险。在乘客满意度调查与线网调整乘客期盼调查的基础上，结合现状满意度水平、线网调整期盼高低与优化方案优化程度三者之间的差异建立三维矩阵模型，划分风险区域以确定风险指标排序。通过对高风险指标和乘客个体属性相关性影响进行显著性分析，识别高风险群体。模型结果表明：武汉市公共汽车线网调整过程中高风险指标为换乘次数，其中女性群体、老年群体、自由职业者和公务员以及乘车频率较低的群体为高风险群体，应针对各群体特性加强制定相应风险管控措施。

城市交通；公共汽车；线网调整；风险识别；差别—矩阵法；武汉市

0 引言

公交走廊内新增轨道交通线路常导致公共汽车运力过剩。为充分发挥轨道交通优势，有必要对原有的公共汽车线网进行优化调整，变竞争关系为互补关系，以良好接驳轨道交通。另外，城镇化和旧城改造引起的土地使用性质和强度调整，常导致乘客流量、流向变化，原有的公共汽车线网也需调整以适应这种变化。随着轨道交通逐条分阶段建设，公共汽车线网调整一般是逐条分阶段实施，这种局部递进式调整难以达到全局最优。在大城市，为形成以大运量轨道交通为主骨架、公共汽车为主体的一体化全局最优公共交通系统[1]，公共汽车线网可能需要大规模调整。

然而，公共汽车线网的大规模调整将会在短期内极大地改变乘客出行、工作以及生活习惯。这种突然的变化可能会引发各种矛盾和社会不满交织出现，造成突发事件，影响社会稳定。突发事件的演变具有不确定性[2]，参与者发泄不满的同时难以控制自身情绪，容易引发斗殴或与执法人员冲突行为，造成的非正常死亡率相当高，因此公共汽车线网调整引发的社会风险不容小觑。而风险识别是政府实施项目建设决策的主要依据，对有效预防和避免群体性突发事件具有重要作用。

在项目建设决策时，决策者常以自身对项目的期盼作为参照点(项目属性值超过参照点的部分视为收益，低于参照点的部分视为损失)，且对待收益和损失有不同的心理反应[3]。然而，决策者的期盼与使用者的期盼往往存在差异，并且使用者间也具有个体差异。因此，应补充基于公众意愿的风险决策判断。而专家理性的风险评估和公众参与是行政科学决策的重要途径[4]。

众多学者对风险识别方法进行了研究，国外甚至深入研究到风险边界[5]的识别，还有考虑风险复杂性、不确定性和模糊性的风险识别[6]。中国的研究中，文献[7]建立了居民出行竞争的风险模型，文献[8]将风险感知引入群体事件的风险识别研究。文献[9-11]对乘客对公共汽车线网调整的期盼进行研究，但几乎没有研究涉及公共汽车线网调整乘客风险识别。

本文基于公众与专家共同参与的原则，以武汉市公共汽车线网调整为研究对象，设计调查问卷，通过面对面随机问询调查方式采集乘客对公共汽车满意度以及线网调整的期盼，采用主客观相结合，通过差别—矩阵法划分风险区域并得到各指标的风险程度，继而对高风险指标与乘客个体属性进行关联显著性分析，识别高风险乘客群体。

1 数据与方法

1.1 问卷设计

为全面反映乘客对现状公共汽车的满意度与线网调整意愿，基于易理解、揭示乘客真实意愿的原则，结合武汉市公共汽车运行特征、乘客出行行为特性和个体属性等方面设计问卷指标体系。并结合专家意见与预调查等方法，确定最终问卷。问卷包含三部分：

1）个体属性，主要包含性别、年龄、职业、月收入以及乘坐公共汽车频率5项指标；

2）现状满意度指标，包括出行费用、换乘次数、出行总时长、到离站步行距离以及候车时间；

3）线网调整期盼指标，包括出行费用(2.0元，1.5元，1.0元，0.5元，0元)、换乘次数(0次，1次，2次，3次，≥4次)、出行总时长(0.5 h，1.0 h，1.5 h，2.0 h，＞2 h)、到离站步行距离(≤300 m，＞300～400 m，＞400～500 m，＞500～700 m，＞700 m)以及候车时间(≤5 min，＞5～10 min，＞10～20 min，＞20～30 min，＞30 min)。

1.2 问卷检验

采用信度与效度法，检验问卷可靠性与指标体系合理性。本文利用克朗巴哈系数法(Cronbach's alpha)与因子分析法对问卷指标体系的信度与效度分别进行检验[12]。总量表的信度系数小于0.8时，需重新设计问卷；指标共同度小于0.4时，认定指标影响程度较小，可剔除该指标。

1.3 风险指标及程度确定

为识别公共汽车线网调整风险，本文提出差别—矩阵法，通过比较线网调整前后乘客的感知差异以及优化方案优化程度与乘客期盼的差异确定指标风险程度。以乘客满意度作为公共汽车现状感知指标，以乘客期盼作为线网调整后评价感知指标，以优化方案各指标优化幅度作为优化程度指标(见图1)。

图1 差别逻辑示意Fig.1 Logic schematics of differences

以指标为坐标轴建立三维坐标模型，为提高图示的直观性，本文以三维模型的三视图(主视图，俯视图，左视图)示意。X，Y，Z轴分别取乘客对现状公共汽车线网的不满意水平、对线网调整期盼、优化线网的优化幅度为坐标轴，交点处为取各指标该轴向值的平均值。沿着坐标轴正向表示期盼(优化幅度、不满意群体)越来越高(多)，沿着坐标轴负向表示期盼(优化幅度、不满意群体)越来越低(少)。

坐标轴划分的8个卦限表示风险程度，以各指标三个状态下相互作用的差别界定风险区域，相同情况下，不满意度高的群体风险程度更高。各卦限表示意义及风险区域界定如表1所示，风险区域风险程度由I至VIII上升。

表1 卦限意义Tab.1 Meaning of octant

1.4 风险群体确定

采用单因素法，分析不同性别、年龄、职业、收入以及乘坐公共汽车频率群体对现状公共汽车满意度以及公共汽车线网调整期盼的选择差异性，其中显著性指标Sig的取值表示以性别、年龄、职业、收入以及乘坐公共汽车频率分类的群体对某个指标的满意度与期盼的选择是否存在显著差异。在95%的置信水平下，Sig值小于或等于0.05表示该群体的子群体间(如性别群体中男、女群体)对该指标的选择存在显著差异；反之，群体的子群体间选择无显著差异性。

显著性差异群体分类中，将该类比例最高的子群体界定为风险群体。同样，风险指标的风险程度越高，则有显著性差异群体的高比例子群体的风险程度越高。

2 实例应用

2.1 问卷信息

以2015年8月武汉市公共汽车线网大规模优化调整为研究对象，根据上文确定的指标体系设计问卷展开调查。获取有效调查问卷2 590份，有效回收率86.3%，达到了95%置信水平下相对误差为2%的样本量要求。问卷信度检验结果中总量表的信度系数达0.943，数据具有较高信度。问卷效度检验结果显示(见表2)，调查指标共同度均大于0.4，问卷指标体系设计合理。问卷调查对象个体属性信息统计显示，样本具有代表性。

表2 调查对象基本信息Tab.2 Basic information of respondents

2.2 乘客满意度与期盼

现状满意度统计分析得到的显著影响群体与高风险群体类别及比例如表3所示，乘客期盼分析得到的显著影响群体与高风险群体类别及比例如表4所示。

2.3 优化方案公共汽车线网指标

根据武汉市发展战略研究院提供的线网优化方案，指标优化幅度如表5所示。

2.4 风险指标及程度

根据现状公共汽车线网的不满意度、对线网调整期盼和线网优化幅度，利用差别—矩阵法建立三维模型，三维模型的简化三视图见图2。根据图2确定指标所处卦限，结合上文所述差别—矩阵法，确定其风险区域(见表6)。

表3 现状满意度调查结果Tab.3 Results of satisfaction survey

表4 乘客期盼调查结果Tab.4 Public opinions towards bus network adjustment

表5 指标优化幅度Tab.5 Optimization level of indicators

相同风险区域的指标距离原点越远，则风险程度越高。根据模型分析可知，5个指标的风险由高至低依次是：换乘次数、出行费用、出行总时长、候车时间和到离站步行距离。

2.5 高风险群体

上文分析得到换乘次数为武汉市公共汽车线网优化调整方案中风险最大的指标，且远高于其他指标。结合表3和表4风险群体数据，对线网调整换乘次数指标进行群体分析，其中女性群体、56～65岁的中老年群体、自由职业者和公务员以及乘车频率较低的群体表现最为敏感。制定管控措施时需考虑相应高风险群体特性，例如中老年群体学习适应能力差，自由职业者搭乘公共汽车线路不固定、对换乘要求比较高，公务员上下班的刚性需求大，乘车频率低的群体获取公共汽车信息途径少等。

3 结语

本文以武汉市公共汽车线网调整乘客意愿以及现状公共汽车满意度调查为基础，结合武汉市现状公共汽车线网优化方案，利用差别—矩阵法划分各个指标风险区域并进行风险程度排序，得出换乘次数为优化方案中最大的风险指标，进而识别得到高风险群体为女性群体、中老年群体、自由职业者和公务员以及乘车频率较低的群体。因此，制定风险防范措施时，应着重考虑这些群体，并加强风险防范措施的实施力度。

差别—矩阵法能够结合主客观匹配情况，针对乘客的感知和线网技术指标客观匹配程度量化风险等级并进行排序。乘客的风险识别结果是通过充分挖掘乘客意愿、期望和公共汽车线网优化方案三者之间关系得到，体现了公众与专家共同参与的原则，保证了乘客风险结论来自于有风险的乘客群体而不仅是专家，突出了以乘客为本的思想，所以能为制定风险管控策略提供依据，为线网调整优化提供指导方向。

图2 三维模型简化三视图Fig.2 Orthographic views of the 3D model

表6 指标风险区域划分Tab.6 Division of index risk areas

公共汽车线网指标代表性和完整性、坐标原点取值以及各指标的重要性程度可能影响风险性指标及其风险等级确定，进而影响风险群体划分；考虑不同风险指标的权重中人群关系可以完善确定高风险群体。若结合具体实施方案，则能识别高风险人群所在空间区域，若辅以多因素分析，可进一步缩小高风险人群，这些都有待进一步研究完善。

[1]刘贤腾.东京轨道交通体系与城市空间结构优化[J].现代城市轨道交通，2009(2)：71-74.

Liu Xianteng.Tokyo Rail Transit System and Urban Spatial Structure Optimization[J].Modern Urban Transit,2009(2):71-74.

[2]曾伟，周剑岚，王红卫.应急决策的理论与方法探讨[J].中国安全科学学报，2009，19 (3)：172-176.

Zeng Wei,Zhou Jianlan,Wang Hongwei.Research on the Theory and Methods of Emergency Decision-Making[J].China Safety Science Journal,2009,19(3):172-176.

[3]张晓，樊治平.基于前景理论的风险型混合多属性决策方法[J].系统工程学报，2012，27(6)：772-781.

Zhang Xiao,Fan Zhiping.Method for Risky Hybrid Multiple Attribute Decision Making Based on Prospect Theory[J].Journal of Systems Engineering,2012,27(6):772-781.

[4]成协中.风险社会中的决策科学与民主：以重大决策社会稳定风险评估为例的分析[J].法学论坛，2013，28(1)：46-54.

Cheng Xiezhong.The Science and Democracy of Administrative Policy in a Risk Society [J].Legal Forum,2013,28(1):46-54

[5]Johansen I L,Rausand M.Ambiguity in Risk Assessment[J].Safety Science,2015,80:243-251.

[6]Renn O,Klinke A,van Asselt M.Coping with Complexity,Uncertainty,and Ambiguity in Risk Governance:A Synthesis[J].Ambio, 2011,40(2):231-246.

[7]吴文静，罗清玉，贾洪飞.基于竞争风险模型的居民活动-出行计划研究[J].交通运输系统工程与信息，2014，14(6)：171-175.

Wu Wenjing,Luo Qingyu,Jia Hongfei.Activity-Travel Schedule Planning Based on Competing Risk Hazard Model[J].Journalof Transportation Systems Engineering and Information Technology,2014,14(6):171-175.

[8]黄杰，朱正威，赵巍.风险感知、应对策略与冲突升级：一个群体性事件发生机理的解释框架及运用[J].复旦学报(社会科学版)，2015，57(1)：134-143.

Huang Jie,Zhu Zhengwei,Zhao Wei.Risk Perception,Coping Strategies and Conflict Escalation:An Explanatory Framework for the Mechanism of Mass Incidents and Its Application[J].Fudan Journal(Social Sciences Edition),2015,57(1):134-143.

[9]Nowak M.INSDECM:An Interactive Procedure forStochastic Multicriteria Decision Problems[J].European Journal of Operational Research,2006,175(3):1413-1430.

[10]Nowak M.As Piration Level Approach in Stochastic MCDM Problems[J].European Journal of Operational Research,2007,177 (3):1626-1640.

[11]刘培德.一种基于前景理论的不确定语言变量风险型多属性决策方法[J].控制与决策，2011，26(6)：893-897. Liu Peide.Method for Multi-Attribute Decision-Making Under Risk with the Uncertain Linguistic Variables Based on Prospect Theory[J].Control and Decision,2011,26(6): 893-897.

[12]Zhang Jie,Lyu Juncheng.Reliability,Validity and Preliminary Hypothesis Tests for the English Version of the Psychological Strain Scales(PSS)[J].Journal of Affective Disorders,2014,164(1):69-75.

Risk Identification for Passengers in Bus Network Adjustment

Jin Zhiying,Li Bao,Wang Hong,Zhu Shunying
(School of Transportation,Wuhan University of Technology,Wuhan Hubei 430063,China)

To identify affected passengers has a great significance in the process of bus network optimization due to the fact that it is able to reduce the risk of implementation as well as controlling social risk.The main objective of this study is to propose a matrix of accommodating difference between passengers'perceptions to identify those affected passenger groups.Such the approach is developed based passenger satisfaction survey and public opinion survey towards bus network adjustment.A three-dimensional matrix which stores the difference among status quo satisfaction level,public expectation about plan and the simulated results of plan is generated to target high risk areas for selecting indicators.A correlation analysis between selected indicators and personal attributes is further implemented to identify the affected groups caused by bus network optimization.The results reveal that number of transfer is selected as the most significant indicators and highly affected groups are women,the old group,self-employment,public officers, and less-frequent bus riders.As a result,a series of risk control strategies should be formulated in respect to different groups.

urban transportation;bus;network adjustment;risk identification;difference-matrix method; Wuhan

2016-02-20

金智英(1992—)，女，湖北武汉人，在读硕士研究生，主要研究方向：交通运输规划与管理研究。E-mail:superjinzhiying@163.com