基于可变信息标志交通信息的驾驶人路径选择

2022-02-22魏中华许继超

北京工业大学学报 2022年2期

魏中华，雷鸣，许继超

(北京工业大学城市建设学部，交通工程北京市重点实验室，北京 100124)

可变信息标志(variable message signs, VMS)作为道路上交通基础设施，能够将交通信息及时有效传递给驾驶人，诱导驾驶人改变行驶路径，缓解道路交通拥堵. 由于交通事故的不可预测性，交通管理部门只能在事故发生后诱导事故影响区域内的车辆，避免造成二次事故以及交通拥堵，减少交通事故对局部路网的整体影响. 所以研究驾驶人在交通信息影响下的路径选择，进而为VMS交通信息发布提供理论指导和建议具有重要意义.

对于VMS的研究主要集中在布设位置以及版面设置等方面[1-4]. 张荣辉等[5]考虑替代路径的诱导比例、绕行时间和VMS布设成本对选址的影响，基于效用与成本之比的形式构建了VMS选址双层模型. Jindahra等[6]研究发现不同的信息内容组合会导致不同程度的路径变更倾向，通过对曼谷VMS发布内容的调查分析发现定性的延迟信息和建议路径减少了信息质量的模糊性. Zhou等[7]基于数据挖掘的通用模型对北京市VMS的发布内容以及历史交通流数据进行分析，得出引导信息比通知信息更能有效缓解交通拥堵问题. Roca等[8]通过驾驶模拟试验得出对于VMS发布的文字类和图形信息，驾驶人在视读距离以及反应时间上没有显著性差异. 刘伟等[9]为了准确度量VMS发布信息的视认有效性，基于驾驶人视认知觉理论和VMS识别过程的特征，提出了VMS认度概念. Lai[10]对VMS显示内容的颜色种类以及信息行数进行了研究，当VMS显示2种颜色、双行信息时，驾驶人的响应时间更短，同时配色方案和信息行数对驾驶人的回答准确性均无显著影响.

对于交通信息的发布策略主要集中在研究交通信息的数量和对驾驶员的诱导过程[11-13]. 刘爽等[14]提出了基于历史经验数据的诱导策略发布流程与支持算法，建立了VMS诱导信息数据资源管理与发布支持平台. 黄裕乔[15]从对北京市的VMS历史发布信息进行统计分析，分别从时间与空间角度探讨了交通信息发布策略. Zavareha等[16]研究驾驶人对VMS发布“低”“中”“高”3种等级的安全信息的感知，结果表明，同一信息在不同情况下可能会引起相反的效果. 马壮林等[17-18]研究驾驶人对VMS发布的各类内容的关注情况，通过建立Logit模型分析得出图文混合的VMS内容发布形式更能引起驾驶人的关注.

综上所述，以往关于VMS的研究并没有针对事故的信息内容制定合理的交通信息发布方案，将事故状况及时有效地传递给驾驶员，诱导驾驶人合理地选择行驶路径. 因此有必要分析交通事故下VMS的发布策略，使得驾驶人能够清晰地了解前方事故的状态，减少事故对周围路网的影响. 由于道路情况复杂多样，如果调查实际道路环境下驾驶员对VMS信息的主观感知，不能充分完成数据收集工作，而且充足的样本量可以反映实际道路情况. 所以采用问卷形式调查可以充分体现实际道路环境，因此本文以驾驶人的路径选择行为为研究对象，分析影响驾驶人路径选择行为的主客观因素，通过设计调查问卷采集数据，并且本文在问卷设计中尽量还原了真实道路上VMS的文字发布形式，使驾驶员能够更好地理解和还原道路行驶环境. 之后应用结构方程模型探究了各影响因素之间的关系，通过对模型的分析，对交通事故下VMS的交通信息发布策略进行了初步探究.

1 驾驶人路径选择行为调查与分析

本文从驾驶人社会经济特性、出行特性、驾驶人对各类交通信息内容的主观感知、出行时间对驾驶人路径选择的主观影响以及各种交通信息内容下驾驶人的选择结果5个方面研究驾驶人路径选择行为.

1.1 调查目的

本次调查的目的为以下3个方面：1) 获得驾驶人的社会经济特性与出行特性数据，即驾驶人的基础信息； 2) 获得驾驶人对交通信息内容的主观评分以及驾驶人对交通信息组合的接受意愿；3) 获得驾驶人对VMS发布的交通信息组合的选择结果. 基于调查目的，本文以北京市汽车驾驶人为调查对象.

1.2 问卷设计

问卷调查内容分为5个方面：驾驶人社会经济特性、驾驶人出行特性、驾驶人对交通信息内容的主观评分、驾驶人对交通信息的接受意愿以及不同交通信息内容下驾驶人的路径选择结果.

驾驶人对交通信息组合的主观评分主要调查驾驶人对于事故持续时间、当前路段与事故点相距路口数、事故占用车道数、事故路段拥堵程度以及更换辅路节省时间这5种交通信息的主观评分.

由于受到VMS版面发布信息条数、行驶过程中驾驶人视认水平以及事故上游不同区域诱导强度的影响. 将5种交通信息分成2组方案进行发布，因此在SP调查中分为2个场景对驾驶人进行路径选择行为调查. 当VMS用2种颜色发布内容时，驾驶人的响应时间最快[10]，同时根据信息内容的重点，结合实际道路VMS发布样式，将问卷情景题中VMS发布内容设计为如图1所示样式.

图1 问卷中VMS发布内容设计样式Fig.1 Design style of VMS published content in the questionnaire

1.3 数据分析

对收集到的调查问卷进行筛选，在去除无效问卷后本次调查共收集了300份有效问卷. 其中针对第1种交通信息组合发布方案的调查问卷为147份，针对第2种交通信息组合发布方案的调查问卷为153份. 所有驾驶人都有驾驶执照.

参与者的社会经济特征如表1所示. 本次调查有效样本包括男性司机(159人，53%)和女性司机(141人，47%). 参与者的平均年龄为34.19岁(标准差=7.7). 参与者的平均驾驶经验(即驾龄)为6.59 a(标准差=2.96)，驾龄分布上样本调查绝大数驾驶人驾龄大于3 a. 在学历分布上，本科学历的样本所占比例最高，达到69%.

表1 参与者的人口统计学特征Table 1 Demographic characteristics of the participants (N=300)

采用独立T检验进一步分析社会经济特性(如性别、驾驶经验和教育程度)与驾驶人对交通信息组合的主观感知和驾驶人对交通信息组合的接受意愿之间的差异. 独立T检验结果如表2所示. 在性别方面，女性驾驶人在VMS显示占用车道信息方面得分高于男性，这意味着事故占用车道信息对女性改变路径的影响程度较大. 同样，在驾驶经验和教育方面，驾驶经验较高和受过高等教育的驾驶人对交通信息组合的主观感知和接受意愿较大. 本研究选取3 a作为驾驶经验高低的临界值. 这一阈值适用于中国的驾驶人. 此外，根据中国的教育状况，高中及以下被视为低学历，大学及以上被视为高学历.

表2 人口统计学与驾驶员对交通信息的组合的主观感知和接受意愿的变量间独立T检验Table 2 Independent T-test between demographics and drivers’ subjective perception and willingness to accept traffic information combination

2 驾驶人对VMS交通信息组合接收意愿的SEM模型

2.1 SEM模型介绍

结构方程模型是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，是多元数据分析的重要工具.

结构方程模型由测量模型和结构模型两部分组成[19]. 其中，

测量模型

x=Λxξ+δ

(1)

y=Λyη+ε

(2)

式中：x、y为外源指标；Λx为连接外源指标对外生潜变量的因子荷载矩阵；ξ为外生潜变量；δ为外源指标x的测量误差；Λy为连接内生指标对内生潜变量的因子荷载矩阵；η为内生潜变量；ε为外源指标y的测量误差.

结构模型

η=Bη+Γξ+ζ

(3)

式中：B为内生潜变量之间的关系；Γ为外生潜变量对内生潜变量的影响；ζ为残差项，即内生潜变量未能被解释的部分.

2.2 变量定义

结构方程模型的变量定义如表3所示.

表3 变量定义Table 3 Variable definition

由于VMS的版面限制，本文将研究的5种VMS交通信息设计为2种组合方案. 第1种方案发布的VMS交通信息包括事故占用车道数、事故路段拥堵状况以及更换辅路节省时间信息. 第2种方案发布的VMS交通信息包括当前路段距离事故点的路口数、事故占用车道数以及事故预计持续时间信息. 所以要分别研究2种VMS交通信息发布方案下驾驶人对交通信息组合的主观感知以及接受意愿. 根据确定的潜变量以及潜变量对应的观测变量，对结构方程模型进行初步求解计算，得出驾驶人的学历以及驾驶人的驾驶风格与各自对应的潜变量之间相关性不显著，故去除这2个观测变量. 最终建立的驾驶人路径选择影响机理结构方程模型如图2、3所示.

图2 第1种交通信息组合的结构方程模型路径Fig.2 Structural equation model route diagram under the first traffic information combination

图3 第2种交通信息组合的结构方程模型Fig.3 Structural equation model route diagram under the second traffic information combination

2.3 信效度检验

在进行结构方程模型求解之前，需要对采集的问卷中的主观问题进行信效度检验，评价构建的评价体系是否可靠.

1) 信度检验

问卷的信度分析也就是对问卷的可靠性进行检验，即检验问卷获得的数据结果是否一致. 本文采用信用系数Cronbach’sα进行检验，检验值α越大，说明被检对象的信度越好，一般当α>0.6时说明问卷调查的数据结果具有较好的一致性[20]，结果如表4所示. 每个潜变量的Cronbach’sα值分别为0.628、0.635、0.627，均大于0.6，说明问卷数据具有可靠性.

表4 信度检验结果Table 4 Results of reliability test

2) 效度检验

本文选用Kaiser-Meyer-Olkin (KMO)值、Bartlett球形检验值和因子载荷量来检验调查数据的效度，结果如表5所示. 根据经验可知，KMO值越接近于1.0，变量间的相关性就越强. 本研究中潜变量的KMO值大于0.6，Bartlett球形检验的sig.值为0.00. 同时各因子的载荷值都大于0.5，因此，调查问卷中各指标效度较好.

表5 KMO和Bartlett球度检验Table 5 KMO and Bartlett’s test for variable

2.4 结构方程模型参数估计

本文利用AMOS21.0软件对构建的2个结构方程模型进行求解，首先在AMOS分别绘制结构方程模型路径图，并将处理的问卷数据通过SPSS导入AMOS中进行计算估计.

当结构方程模型构建完成之后，需要对构建的模型进行修正. 首先对模型输出结果中的拟合指标进行检验，当部分拟合指标不符合标准值范围时，需要根据模型输出结果中的修改指示对结构方程模型路径图进行修正. 文章选取卡方自由度比(chi-square value/degree of freedom, CMIN/DF)、拟合优度指数(goodness of fit index, GFI)、调整后的拟合优度指数(adjusted goodness of fit index, AGFI)、Tucker-Lewis指数(Tucker-Lewis index，TLI)、比较拟合指数(comparative fit index，CFI)以及近似误差的均方根(root mean square error of approximation，RMSEA)6项拟合指标来评价结构方程模型的构建效果. 最终修正的结构方程模型的各项拟合指标值如表6所示.

表6 结构方程模型修正后的拟合值Table 6 Fitting index after model modification

通过比对，修正后的结构方程模型各项拟合值标均符合拟合标准，其中CMIN/DF、RMSEA的拟合效果最优，最终修正的结构方程模型路径如图4、5所示.

图4 结构方程模型1最终修正的路径Fig.4 Final modified route diagram of structural equation model 1

图5 结构方程模型2最终修正的路径Fig.5 Final modified route diagram of structural equation model 2

然后对最终修正的结构方程模型进行求解，各条路径系数估计值的显著性水平进行检验. 2个结构方程模型标准化路径系数及检验结果如表7所示. 由表7可得2个模型的所有路径显著性检验结果小于0.05，结构模型构建完毕.

表7 结构方程模型标准化路径系数值分析表Table 7 Standardized route coefficient value analysis of structural equation model

由路径参数估计结果对结构方程模型潜变量与显变量、潜变量之间的关系进行数学表达.

模型1：

测量模型为

F1=0.168X1-0.519X2-0.931X3-0.380X4

(4)

F2=-0.326X6-0.481X8+0.796X9+0.197X10

(5)

结构模型为

F3=-0.234F1-0.191F2+0.344

(6)

F4=0.921F3+0.745

(7)

模型2：

测量模型为

F1=0.164X1-0.513X2-0.945X3-0.373X4

(8)

F2=-0.307X6-0.463X8+0.834X9+0.209X10

(9)

结构模型为

F3=-0.176F1-0.102F2+0.262

(10)

F4=0.804F3+0.779

(11)

2.5 模型分析

根据标准化的路径系数表对结构方程模型标定结果进行分析. 在2种交通信息组合方案下的结构方程模型的数学表达式中，各个变量之间的相关关系一致，仅标定的相关系数有所差异.

表7中2个模型中驾驶人社会经济特性、出行特性的影响系数绝对值分别为0.234、0.191和0.176、0.102，即驾驶人的社会经济特性是影响驾驶人对交通信息组合的主观感知以及接受意愿的关键因素. 在2个模型对应的观测变量中，驾驶人驾龄与出行目的影响系数的绝对值分别为0.931、0.796和0.945、0.834，即驾龄与出行目的是影响驾驶人对交通信息组合的主观感知以及驾驶人对交通信息组合接受意愿的关键因素. 在2个模型中，驾驶人在有出行时间限制下的交通信息组合接受意愿影响系数分别为0.678和0.769，而无出行时间限制下的影响系数分别为0.435和0.390，说明驾驶人在有出行时间限制的情况比无出行时间限制的情况下对交通信息组合的接受意愿强烈. 其中结构方程模型1中驾驶人对交通信息组合的主观感知对信息接受意愿的影响系数为0.921，而结构方程模型2的影响系数为0.804. 这说明驾驶人对第1种交通信息组合方案的认知效果优于第2种交通信息组合方案.