基于MNL的高速公路施工区合流选择意愿研究*

吴 彪，邹春悦，李 耘，杨忠振

(1.黑龙江工程学院 汽车与交通工程学院，黑龙江 哈尔滨 150050；2.淮阴工学院 江苏省交通运输与安全保障重点建设实验室，江苏 淮安 223003；3.宁波大学 海运学院，浙江 宁波 315211)

0 引言

为保证高速公路整体的行车安全和通行效率，需对高速公路出现的各种破损加以预防和养护，对早期修建的高速公路进行改造升级、拓容扩建，进而产生大量的施工区路段。我国《公路养护安全作业规程》(JTG H30—2015)规定[1]，施工区一般划分为警告区、上游过渡区、缓冲区、工作区、下游过渡区及终止区等6个区域。在施工区合流区域(警告区和上游过渡区)，强制性合流行为与突变的行车环境诱发驾驶人差错而引起判断操作失误，增加了交通冲突风险，甚至酿成交通事故[2-4]。Meng等[5]探究了施工区合流行为与追尾事故风险的关系，认为驾驶人合流选择时机对施工区合流区域追尾事故的影响显著；孟祥海等[6]开展了高速公路施工区追尾风险突出影响因素辨识研究，结果表明车辆运行状态是突出影响因素，每增加1次合流都会使施工区追尾风险增大3.9倍。施工区合流选择行为模型能够再现驾驶人合流行为决策过程，是研究合流风险感知机理及控制策略的前提。因此，构建人-车-路及环境多因素作用的施工区合流选择意愿模型，量化分析驾驶人、车辆、道路及环境因素对施工区合流选择意愿的影响，对提高施工区的交通安全性和通畅性具有重要意义。

在施工区合流选择行为模型研究方面，Louisell 等[7]利用模糊推理系统模拟“if-then”产生式规则，确定驾驶人在施工区的期望合流位置；Weng等[8-9]根据施工区合流行为特征，提出驾驶人期望合流位置模型、预测合流概率的二元Logit模型和85%位车辆合流距离模型；Meng等[10]在分析驾驶人合流行为影响因素的基础上，利用分类与回归树法预测驾驶人在短时施工区的合流行为；孙智勇等[11]在分析施工区上游过渡区汇入过程的基础上，建立施工区上游过渡区车辆汇入的可接受间隙模型，利用实测数据分析了各个因素对车辆汇入的影响程度；孙智勇等[12]在考虑车辆汇入过程中临界间隙变化情况的基础上，利用间隙-可接受理论和微分法构建上游过渡区的车辆汇入模型，揭示上游过渡区长度、主车道交通量和汇入速度对车辆汇入概率的影响规律；Li等[13]基于模糊logic的车道变换反应时间模型和车道变换反应距离模型，分析驾驶人性别、年龄、受教育程度和驾驶经验等因素对施工区强制性车道变换行为的影响；Weng等[14-16]基于施工区合流交通数据，分别利用混合Probit模型、时间依赖logistic模型和时变混合logit模型预测驾驶人在施工区合流区域的合流行为。本文在施工区合流选择意愿调查数据统计分析的基础上，考虑驾驶人基本特征属性和道路交通环境特征属性，建立基于多属性的高速公路施工区合流选择意愿多项logit(Multinominal Logit，MNL)模型，揭示驾驶人、车辆、道路及环境因素对施工区合流选择意愿的影响，为施工区合流控制策略制定、施工区交通组织和安全管理提供技术支持，实现提高施工区交通安全性和通畅性的目标。

1 施工区合流选择意愿调查与分析

1.1 施工区合流选择意愿SP调查

SP调查(Stated preference survey)是为获得“人们对假定条件下的多个选择方案所表现出来的主观偏好”而进行的意愿性调查[17]。基于SP调查法，作者于2015 年5月采用线上线下2种方式对施工区合流选择意愿进行问卷调查。设计的问卷涉及3部分内容：驾驶人基本信息、施工区合流选择意愿性信息和施工区合流选择意愿情景。驾驶人基本信息主要包括驾驶人性别、年龄、驾龄、学历、平均月收入等；施工区合流选择意愿分为上游过渡区、警告区Ⅰ和警告区Ⅱ 3种情况(如图1所示)，其中警告区Ⅰ和警告区Ⅱ以合流诱导标志为界；施工区合流选择意愿情景主要考虑施工区类型、道路条件、道路线形、交通环境、交通标志设置、速度条件、作业时间和限速策略等道路交通环境特征属性因素。其中，施工类型包括超车道封闭、行车道封闭、半幅封闭和路肩封闭；施工区道路条件主要考虑了道路线形、封闭车道数和封闭长度因素；道路线形条件包含直线路段、平曲线路段、纵坡路段及弯坡组合路段等；交通环境条件包括交通量及其组成、施工区位置、施工区布局以及交通组织与控制措施等；交通控制标志主要考虑施工、限速与合流诱导等交通控制标志；速度条件主要考虑与前车车速差、与侧前方车车速差、与后车车速差以及与侧后方车车速差等；施工区作业时间可以分为长期养护作业、短期养护作业、临时养护作业和移动养护作业；施工区限速策略主要有单一限速、重复限速和多级限速策略。选择意愿情景除了用文字说明表达外，配有相关示意图，以图辅文形式展示给被调查对象。

图1 高速公路施工区合流选择意愿

1.2 描述性统计分析

首先对样本数据进行预处理，将存在大量缺失数据或相似答案过多的样本视为无效样本。本次调查共收回问卷350份，其中有效问卷328份，有效率为93.7%。有效样本量一般建议在自变量数10倍以上[18]，拟建模型潜在的自变量包括驾驶人和道路交通环境2方面13个因素，因此328份有效问卷满足建模要求。在328名被调查对象中，男性驾驶人占比为67.38%、31～40岁的驾驶人占比为47.26%、5 a及以上驾龄的驾驶人占比55.79%、具有大学学历的驾驶人占比为43.29%、月平均收入2 000元及以上的驾驶人占比为94.21%。具体统计结果，如图2所示。

图2 驾驶人主体特性与合流选择意愿关系

道路交通环境特性与合流选择意愿关系，如图3所示。

由图3可知：在不同类型施工区、道路条件、道路线形条件、交通环境条件、交通控制标志、速度条件、作业时间、限速策略等因素影响下，有79.27%的驾驶人选择在警告区Ⅱ选择合流，表明驾驶人对警告区Ⅱ具有更强的偏好，在施工区复杂行车环境下，驾驶人选择警告区Ⅱ早期合流的数量增加。

图3 道路交通环境特性与合流选择意愿关系

1.3 相关性分析

1.3.1 施工区合流选择意愿与驾驶人因素的相关性分析

在施工区合流区域，驾驶人合流选择意愿受到许多因素的影响，现对驾驶人主体特征与施工区合流选择意愿进行Pearson相关性分析，分析结果见表1所示。

由表1可知，在置信水平α=0.01时，施工区合流选择意愿与驾驶人驾龄显著正相关，相关系数为0.240。由于Pearson值为正，表明施工区合流选择意愿会随着驾驶人驾龄的增加而增强。

表1 合流选择意愿与驾驶人基本信息的Pearson相关性

1.3.2 施工区合流选择意愿与道路交通环境因素的相关性分析

施工区合流选择意愿与道路交通环境因素的Pearson相关性检验结果，见表2所示。

由表2可以看出，在置信水平α=0.01时，施工区合流选择意愿与施工区类型、限速策略呈显著正相关，相关系数分别为0.147、0.222；与交通控制标志呈显著负相关，相关系数为-0.152。在置信水平α=0.05时，施工区合流选择意愿与道路条件呈显著正相关，与速度条件呈显著负相关，相关系数分别为0.114、-0.134。综合以上分析可知，驾驶人合流选择意愿会随着施工区道路交通环境的复杂性提高而增强，施工、限速、合流诱导等交通控制标志的设置对施工区合流选择意愿的影响亦十分显著，驾驶人选择上游过渡区晚期合流的数量会增加。

表2 合流选择意愿与道路交通环境因素的相关性

2 施工区合流选择意愿模型构建

引入驾驶人基本特征属性和道路交通环境特征属性等多种影响变量，从概率角度分析驾驶人施工区合流选择意愿，定量分析驾驶人、车辆、道路和环境等因素对不同合流区域选择概率的影响程度，是MNL模型在驾驶人施工区合流选择意愿研究中的具体应用。

2.1 施工区合流选择意愿的效用分析

完全理性的驾驶人在选择施工区合流意愿时，通常面对多个备选区域，驾驶人依据效用最大原则选择某1个区域作为最终方案。

假设每位驾驶人都有包含j个方案的合流区域选择集合，其中j=1,2,…,J。影响驾驶人选择的属性因素为xk，其中k=1,2,…,K，驾驶人选择某1合流区域的效用Uj如式(1)所示：

(1)

式中：Vj为可观测部分效用，包括驾驶人基本信息和道路交通环境2方面特征属性，驾驶人可以精确测量和描述，将其看作确定项；αj为常量；βjk为选择第j个方案时，影响选择的第k个因素对应的参数；εj为不可观测部分效用，包括难以观测部分效用和观测误差影响，驾驶人无法预知，将其视为随机项。

2.2 施工区合流选择意愿的MNL模型

完全理性的驾驶人选择第j个方案时，其概率如式(2)所示：

(2)

假设εi和εj服从独立同极值分布，则εij=εi-εj服从Logistic分布，其密度函数如式(3)所示：

(3)

(4)

构建的MNL模型中，若因变量有J个合流区域，则有J-1个logit，如式(5)～(7)所示：

(5)

(6)

⋮

(7)

采用极大似然函数估计αj和βj(j=1,2,…,J-1)值。

由于P(y=1)+P(y=2)+…+P(y=J)=1

则对于J个合流区域，可利用式(8)对选择第j个合流区域的概率进行预测。

(8)

3 模型标定与分析

3.1 变量设置

基于Pearson相关性检验结果，对施工区合流选择意愿变量进行筛选。经过变量筛选后，本文所建立的施工区合流选择意愿MNL预测模型中因变量及自变量表示符号及赋值，如表3所示。

表3中6个影响因素赋值后均为分类变量，但具体赋值并非代表实际数值，需按照哑变量进行设置。在实际模型计算过程中会对哑变量进行变换赋值，若哑变量有k个分类，则将该哑变量转换为k-1个变量。如驾龄转换赋值如表4所示。

表3 施工区合流选择意愿变量设置

表4 哑变量驾龄转换赋值

驾龄、施工区类型、道路条件、交通控制标志、速度条件和限速策略，由于属于多分类变量，需要进行哑变量转换，处理方法与驾龄相同。

3.2 模型参数标定

施工区合流选择意愿调查统计结果表明：驾驶人对警告区Ⅱ具有更强的偏好。因此，运用SPSS19.0统计分析软件仅对警告区Ⅱ建立施工区合流选择意愿MNL模型，并进行参数标定，见表5所示。

表5 模型标定结果

表5中，系数值β反映其对应的影响变量对施工区合流选择意愿的影响程度，Sig为统计量的显著性水平。若Sig<0.05，表明其对应的系数值β对施工区合流选择意愿有显著影响，应纳入施工区合流选择意愿模型；反之，可以忽略系数值β对施工区合流选择意愿的影响。因此，驾龄、施工区类型、道路条件、交通控制标志、速度条件和限速策略等变量对施工区合流选择意愿都有显著影响，进而由式(4)得到警告区Ⅱ合流选择意愿模型，如式(9)所示：

logit(yi=3)=418.117+0.240x1+0.147x2+

0.114x3-0.152x4-0.134x5+0.222x6

(9)

式中：x1为驾驶人驾龄；x2为施工区类型；x3为道路条件；x4为交通控制标志；x5为速度条件；x6为限速策略。

3.3 模型检验

根据非集计模型理论[19]，利用似然比、优度比和命中率3个指标对模型的有效性进行检验[20-21]。模型似然比检验假设H0:β1=β2=…=βk=0的统计量为-2ln(L(0)-L(β))，似然比检验结果，见表6。

表6 模型似然比检验

命中率反映了模型预测与实际选择的吻合程度。若命中率能达到80%以上，则认为模型具备较高的可靠性[22]。命中率检验结果，见表7所示。

表7 模型命中率检验

由表7可以看出，施工区合流区域各自的预测命中率分别为71.4%、54.1%、95.4%，模型的平均命中率为87.2%。总体看来，模型的命中率相对较高，特别是警告区Ⅱ选择的命中率，已达到90%以上。可见所建立的MNL模型适合施工区合流选择意愿研究，在MNL模型中驾驶人驾龄、施工区类型、道路条件、交通控制标志、速度条件和限速策略对施工区合流选择意愿的影响显著。

4 结论

1)考虑驾驶人基本特征属性和道路交通环境特征属性因素影响，自主设计施工区合流选择意愿SP调查方案，统计分析表明：驾驶人对施工区警告区Ⅱ区域具有更强的偏好，在施工区复杂道路交通环境下，驾驶人选择警告区Ⅱ区域早期合流的数量会增加。

2)施工区合流选择意愿与驾驶人基本特征属性和道路交通环境特征属性因素的相关性分析表明，施工区合流选择意愿会随着驾驶人驾龄的增加而增强，随着施工区道路交通环境的复杂性提高而增强。

3)基于非集计理论建立多属性施工区合流选择意愿MNL模型，模型参数标定和检验结果表明，驾驶人驾龄、施工区类型、道路条件、交通控制标志、速度条件和限速策略等变量对施工区合流选择意愿影响显著，为施工区合流行为的定量分析提供了科学判据。