高鹏飞， 陈国俊*， 张抒扬， 刘好德

(1.武汉理工大学交通学院， 武汉 430063； 2.交通运输部科学研究院， 北京 100029)

随着经济的飞速发展与生活水平的快速提升，居民对交通出行服务的要求日益增高，出行即服务(mobility as a service，MAAS)近年来成为交通研究和社会关注的热点。交通出行服务可以概括为两个层面：从时空角度由载运工具提供的运输服务与从信息角度由先进的交通信息服务系统(advanced traveler information system，ATIS)提供的信息服务。前者受到交通行驶条件与运输组织管理的制约，导致出行服务供给呈现出动态性与随机性，表现为出行时长的随机性。而后者则是通过信息发布的方式，让出行者了解获取交通出行服务供给的即时状态，合理安排出行计划(即优化选择出发时刻)，提高出行效率。不可靠的出行信息会导致出行者出行计划的失败或者低效，即出行信息服务的可靠性对于交通出行者的出行服务体验至关重要，因此，如何针对出行者提供可靠、合理的出行信息服务是目前完善信息服务系统亟待解决的问题。

在交通出行决策过程当中，出行者决策的结果是出行方式[1-2]，出行路径[1,3]以及出发时刻[4-6]，前两者对于特定出行者而言在一定时间范围内存在稳定性，出行者对于出行信息信息服务的需求主要体现在如何决策出发时刻[7]。交通出行是派生性需求，通常需要衔接其他的活动，出发时刻的准确性将直接影响后续活动是否能够顺利进行。为保障出行的可靠，出行者往往需要预留一定的出行时间(表现为出发时刻的提前)来克服出行过程行程时间的不确定性。预留时长通常取决于出行活动的需求，出行者通过获取的交通信息以及出行经验来预估预留时长。在缺乏出行信息服务或者出行信息服务不可靠时，出行者在出行决策行为上表现出不完全理性[8]，不合理的预留时长将导致程度不等的早到或迟到时间。研究表明，出行者的出发时刻选择行为受到个人属性与出行活动的影响，其表征为出行者对于时间价值的感知或者对于早到与迟到时长的可接受程度[9-12]。个人属性的差异会导致出行者对出行时间价值的认识存在显著差异，出行者的年龄、性别、职业、收入、学历、常用交通方式、私家车拥有情况等属性[13-17]将影响其出行决策；而对于不同出行活动类型，出行者对于出行活动的价值认知决定了其对到达时刻的要求，从而影响个人的出发时刻决策[18-20]。

综上所述，中外学者已针对出发时刻选择的影响因素进行了大量分析，研究表明诸多因素中，出行者的个人属性和出行活动的类型是影响出行者出发时刻选择行为的主要因素。但相关内容均未综合考虑在不同出行活动场景下出行者的个人属性对于出发时刻决策的影响。实际生活中，在不同出行活动下，出行者的属性对出发时刻的影响程度是存在潜在差异的，因此有必要对在不同出行活动下，影响其期望预留时长的出行者属性进行针对性的用户画像刻画。

同时，当前由百度、高德地图所代表的出行软件提供的一种面向公众的出行信息服务，主要包括出行的方式、路径、时长等信息，缺乏对交通出行信息服务使用对象的差异化需求分析，没有考虑不同出行者在不同出行活动需求下的预留时长需求。因此，从当今社会当需入手，针对不同出行活动场景，对出行者进行针对性的用户画像刻画，提供了一种面向个体的交通出行信息服务，以满足不同出行者在不同出行活动需求下的具有差异化特征的出行信息服务需求。在现有的出行信息服务的基础上，对出行者的类型进行了精细化的分类，从而进一步为各类出行者提供更加契合出行需求的交通出行信息服务，有利于提高出行服务体验。

1 出行者出行决策机理解析

从出行者出行决策逻辑而言(图1)，出行决策过程包括出行决策依据与出行决策结果。出行决策依据是指出行者决策过程中考虑的因素，包括出行起讫点、出行方式、出行路径、出行时长等相关出行信息，出行决策结果是出行者决策过程的选择结果，包括出行方式、出行路径以及最重要的出发时刻。然而，当前交通出行信息服务系统提供的信息服务还停留在出行决策依据层面，提供的信息内容包括出行方式、出行路径与出行时长，没有考虑到达时刻因素，提供的也不是出行者直接需要的出发时刻，出行者仍需按照期望到达时刻去自行决策出发时刻。在无法获得包含出发时刻的完整出行决策支持下，出行者的出行可靠性是无法得到充分保障的，故当前出行信息服务系统需要考虑出发时刻的决策。从出发时刻决策逻辑而言，它由两部分决策依据来支持，一部分是当前交通出行信息服务系统提供的出行时长等信息；另一部分是由出行者属性与出行活动需求决定的期望到达时刻；因此，对于当前出行信息服务系统，需要期望到达时刻来为出行者提供更有保障性的出行决策。为研究满足出行者需求的期望到达时刻，现结合出行活动类型与出行者属性对出行者的期望预留时长(期望预留时长=出行活动计划开始时刻-期望到达时刻)开展研究。

图1 出行者出行决策流程示意图Fig.1 Traveler’s travel decision process diagram

1.1 出行活动类型对于期望预留时长的影响

对于不同类型出行活动，其提前到达需求是影响期望预留时长的直接因素；同时不同出行活动的价值是存在差异的，当出行者无法在指定时刻到达目的地时，其感知的价值损失不同将导致出行者对于不同出行活动存在不同的期望预留时长偏好。日常出行活动可根据提前到达需求程度分为以下三类。

1.1.1 高提前到达需求的出行活动

日常出行中有高提前到达需求的出行活动以乘坐动车和乘坐飞机为代表，由于动车或飞机的出发时刻有着严格的限制，该类出行活动对到达时刻有严格要求，当出行者迟到时，可能面临较大的价值损失，因此出行者对此类活动的时间敏感性十分强烈，在出行时间安排上会保持严谨的态度，同时检票等烦琐手续的存在，出行者对此类活动需要根据相关经验预留大量时间以保证出行可靠性。

1.1.2 低提前到达需求的出行活动

日常出行中有低提前到达时刻需求的出行活动以通勤(上班/上学)和看电影为代表，这类出行活动存在到达时刻的要求，但一般不要预留过长的准备时间；而通勤迟到和看电影迟到为出行者带来的损失存在差异，因此出行者对通勤和看电影的期望预留时长会存在差异。

1.1.3 无提前到达需求的出行活动

日常出行中无提前到达时刻需求的出行活动很多，一般休闲活动都没有到达时刻的限制，出行者无需考虑是否会迟到，可以根据自己的时间安排灵活调控预留时长，因此这类出行活动的预留时长可能相比前两类出行活动更短。

1.2 出行者属性对于期望预留时长的影响

出行者的个人属性对其出行决策行为存在潜在影响，影响其对出行时间价值的感知，表现为其对期望预留时长的偏好程度。在已有文献当中，与交通出行决策密切相关的出行者属性主要有性别、职业、年龄、收入、受教育程度、有无私家车和常用交通方式。

(1)性别：在相关试验中，研究者发现男性与女性在交通决策行为上存在差异[21]，男性在决策时更加冒进，女性更加保守。因此，二者对同一出行活动的时间价值感知可能存在差异性从而导致期望预留时长的差异。

(2)职业：研究发现，对于有固定工作开始时间的人员，相比于其他职业，更倾向于准时到达工作地点[20]；而工作时间灵活的人员，对延迟到达时间的感知价值更低，因此工作时间是否固定可能会导致出行者对期望预留时长存在差异。

(3)年龄：不同年龄者出行经验存在较大差异，对出行时间的把握程度不同，在期望预留时长上可能会存在差异。

(4)收入：不同收入者，其经济水平的不同会显著影响对出行时间价值的感知，从而可能导致期望预留时长的差异。

(5)受教育程度：个人学历在一定程度会影响经济水平，同时学历高者信息获取能力获取可能更强，更善于获取交通信息做出准确的出行决策，因此不同学历者的期望预留时长可能存在差异。

(6)有无私家车和常用交通方式：这两个属性同样可以反映个人的经济水平，同时也可以反映出行者是否能够灵活调整出行时间，因此这两个属性的差异可能导致出行者对期望预留时长的差异。

通过对出行活动类型的划分与潜在影响期望预留时长的出行者属性的选取，本研究设计相应的SP调查实验，采集出行者的期望预留时长数据进行深入分析。

2 数据调查

2.1 问卷设计

本次意向(stated preference，SP)调查问卷一共分为两部分，第一部分涉及被调查者的个人属性：性别、职业、年龄、受教育程度、税前月收入、有无私家车以及常用交通方式，其中个人属性的分类水平如表1所示。第二部分为情景意愿调查，根据出行活动类型调查出行者的期望预留时长区间，其中各出行场景设计的参照时刻如表2所示。

表1 个人属性分类水平

表2 出行场景设计

2.2 调查结果统计

2.2.1 调查问卷的信度分析

本次调查回收问卷978份，有效问卷978份。受调查者的个人属性统计结果如表3所示。

表3 个人属性统计结果

根据2018年国家统计局发布的统计比例数据，男女比例为51.13%∶48.87%，各年龄段人口比例为：0～15岁：17.8%，16～59岁：64.9%，≥60岁：17.3%。比较本次调查人员组成，男女比例差距在5%以内；年龄组成存在一定差距，原因在于调查期间处于工作日，青少年多在学校学习，而老年人外出人数较少，从而导致19～59岁人员比例高于国家统计比例。总体而言，本次调查样本的组成结构契合国家统计数据，抽样较均匀，问卷可信度较高。

2.2.2 各类出行活动的期望预留时长统计分析

比较不同出行活动类型出行者的期望预留时长累计频率分布(图2)，乘坐飞机与乘坐动车与其他类出行活动相比，有着明显更长的期望预留时长。其余出行活动中，通勤相比看电影和一般休闲活动的差异也较为明显，而看电影与一般休闲活动的期望预留时长在频率分布上表现出近似性。说明出行者对不同类型出行活动的期望预留时长存在显著差异性。

图2 各出行场景出行者期望预留时长累计频率曲线Fig.2 Cumulative frequency curve of expected reserve time in different travel scenarios

3 出行者属性与出行活动对期望到达时间的差异性影响分析

为了刻画出行者的用户画像，本文先通过卡方检验来判断每一类出行活动中对出行者期望预留时长具有显著影响的出行者属性，然后采用非参数检验精确分析单一出行者属性中不同分类水平之间的差异性，从而实现不同出行活动类型下不同属性出行群体的精确划分，并获得出行者各类用户画像的期望预留时长。

3.1 不同出行者属性与不同出行活动的交叉表检验

为检验出行者的个人属性与出行活动类型对其出行的期望预留时长是否存在显著差异性，采用RC表的卡方检验(表4)验证不同的出行者属性对不同类型的出行活动的期望预留时长是否存在显著差异影响。

表4 卡方检验

结果表明，对于不同的出行活动类型，显著影响(P<0.05)该出行活动期望预留时长的出行者属性存在显著差异，乘坐动车的显著影响因素包括：职业、年龄、学历、收入、常用交通方式；乘坐飞机的显著影响因素包括：职业、年龄、常用交通方式；通勤的显著属性包括：职业、年龄、收入、有无私车、常用交通方式；看电影的显著属性包括：性别、职业、学历；一般休闲活动的显著属性包括：性别、职业、常用交通方式。因此，对于出行信息服务而言，需要根据不同的出行活动类型联系出行者的属性特征提供差异化的出发时刻信息服务。

3.2 不同出行活动下出行者属性的类间检验

对不同的出行活动，显著影响该出行活动期望预留时长的单个出行者属性存在多个分类水平，需针对该出行者属性分类水平之间(简称类间)的差异性进行分析，聚类相同期望出行时间需求的出行者，继而对不同类型出行活动按照不同类型出行者提供相应的出行时间信息，实现出行者用户画像的精细刻画。采用两个独立样本的非参数秩和检验(曼-惠特尼检验)对不同出行活动期望预留时长具有显著影响的每个出行者属性(表4)进行两两类间检验。以出行者属性“职业”为例，检验结果如表5所示。

表5 相同出行活动不同职业的类间检验

不同类型出行活动下，“职业”类间检验结果的显著性(P<0.05)具有显著区别。以出行活动为乘坐动车为例，职业1与职业2无显著差异，职业3与职业4无显著差异；但职业1、职业2都与职业3、职业4存在显著差异，因此，对于出行活动类型为乘坐动车，可将出行者按照“职业”属性划分为两类，职业1、2与职业3、4。在分类过程中，为了便于不同分类水平的合并，可适当放松检验阈值(P<0.10)来减少分组结果，简化用户画像的表达。完成各属性分类水平的合并之后，各出行活动的出行者用户画像如图3所示。

图3 各出行活动下的用户画像刻画Fig.3 Portrait depiction of travelers under various travel conditions

3.3 各类出行用户画像的期望预留时长

刻画完成各类出行用户画像后，采用式(1)计算各类出行者用户画像的期望预留时长。

(1)

式(1)中：T为期望预留时长；Ti为被调查者选择的期望预留时长区间；Pi为Ti的分布频率，n是被调查者数量。

3.3.1 乘坐动车场景

如表6所示，在乘坐动车场景下，期望预留时长最长的是大于60岁、初中及以下学历的兼职员工/退休人员，这类出行用户年龄偏大，学历较低，没有工作或工作时间灵活，其对出行时间的感知价值较低且对出行时间敏感度不高，为了保证出行的可靠，更倾向预留较长的时间。期望预留时间时长最短的是小于60岁、学历较低的全职员工/学生，这类出行用户年纪较轻，通勤时间固定，学历低的原因应该是大部分人群处于正在上学的阶段，可能受固定通勤工作到达时间的影响，习惯准时到达，对出行时间敏感度较高，因此倾向预留较短的时间。

表6 乘坐动车的出行者用户画像与期望预留时长

3.3.2 乘坐飞机场景

如表7所示，在乘坐飞机场景下，期望预留时长最长的是60岁以上，常用交通方式为非步行的非学生，这类出行用户年龄偏大，常用交通方式为步行说明其可能经济水平较非步行者低，对时间价值的感知较低所以倾向预留较长的时间。期望预留时长最短的是18岁以下，常用交通方式为非步行的学

表7 乘坐飞机的出行者用户画像与期望预留时长

生，同样受通勤影响，时间敏感度较高，因此倾向预留较短时间。

3.3.3 看电影场景

如表8所示，在看电影场景下，期望预留时长最长的是高中及以下学历的男性兼职人员，这类出行用户学历较低，可能经济水平不高，而且工作时间灵活，其对时间价值的感知较低而且对出行时间敏感度较低，所以倾向预留较长时间。期望预留时长最短的是女性非兼职人员，这类出行用户工作时间固定，对时间敏感度较高，女性相对于男性普遍预留时长更短，其原因可能是女性在看电影出发前的准备时间比男性长，导致到达电影院相对男性更晚，所以这类用户倾向预留较短时间。

表8 看电影的出行者用户画像与期望预留时长

3.3.4 一般休闲活动场景

如表9所示，在一般休闲活动场景下，期望预留时长最长的是常用交通方式为私家车的男性学生(第8类由于样本较少，导致期望预留时长过大)，同样是男性的预留时间普遍更长，而常用私家车的群体可能由于需要额外时间寻找车位进行停泊，所以这类用户倾向预留较长时间。期望预留时长最短的是常用交通方式为非私家车的女性学生，女性相对男性预留时间更短，而且其常用交通方式为非私家车，无停车需求，所以这类用户倾向预留较短时间。

表9 一般休闲活动的出行者用户画像与期望预留时长

3.3.5 通勤场景

如表10所示，在通勤场景下，期望预留时长最长的是常用私家车，收入大于5 000 元，年龄大于35岁的在职员工，这类用户预留时长的较长的原因可能主要因为其年龄较大；其次是退休/无业人员，这类用户年龄偏大且对出行时间价值感知较低，倾向预留较长时间。期望预留时长最短的是常用私家车，收入小于5 000 元，年龄小于35岁的在职员工，这类用户工作时间固定，对时间敏感度较高，收入低可能导致其住所离通勤地点较远，使其在路途上花费较长时间，所以倾向于预留较短时间。同时在整体比较中，发现通勤场景下，常用私家车的用户大多预留较短时间，其原因可能是通勤时用户有固定的停车泊位场所，无需额外花费时间停车，所以倾向预留较短时间。

表10 通勤的出行者用户画像与期望预留时长

综上，同样类型的出行活动，不同属性的出行群体对预留时长的偏好确实存在较大差异，因此按照出行活动类型与出行者属性实现出行用户的精细化刻画有利于现有交通出行信息系统为出行者提供更加契合其需求的出行信息。

4 结论

通过调查分析不同个人属性出行者对各类出行活动的期望预留时长，采用统计检验分析，得出如下结论。

(1)出行者对不同出行活动类型的期望预留时长存在明显差异，在日常出行活动中，以乘坐飞机和乘坐动车的期望预留时长最长，其次是通勤的期望预留时长，而看电影与其他无到达时刻要求的出行活动类似，出行者的期望预留时长最短。

(2)个人属性会影响出行决策偏好导致出行者对期望预留时长的显著差异，不同类型出行活动需求下，影响出行者期望预留时长需求的属性类别存在差异，同一类型出行活动需求下，出行者属性的不同分类水平影响出行者期望预留时长需求。

(3)对于当前交通出行信息服务系统，应该为出行用户提供更加符合其出行决策需求的出发时刻信息，同时要考虑出行活动类型以及出行者个人属性对出行时刻决策的差异，精确刻画出行者的用户画像，从而为各类出行用户提供定制化的交通出发时刻信息服务，有利于提升出行者的出行体验水平和交通出行信息服务系统的吸引力。