春运公路旅客群体出行模式识别及其异质性研究
时间：2023-06-12 22:00:05 来源：雅意学习网 本文已影响 人 
左 微，凌世寿，黄 犀
(1.柳州职业技术学院,广西 柳州 545006;2.柳州铁道职业技术学院,广西 柳州 545616)
受几千年传统风俗习惯及地区经济发展不平衡影响，我国产生了春运时期的全国人口大迁徙现象，并由此带来交通秩序混乱及交通安全问题[1]，引发学者与决策者的高度重视。随着高铁网络的不断完善，有效缓解了春运铁路运能不足等问题，但由于不同旅客群体的出行行为模式差异显著，公路客运组织仍面临严峻考验。统计数据显示，2016—2018年春运期间，公路旅客发送量占全国旅客发送总量的比例均高达80%以上，是我国春运发送旅客的主力。由于公路班线客运覆盖范围广、可达性高、运输组织灵活，且能为高铁集疏客流，在春运中有着不可替代的地位。因此，亟须探索春运时期公路旅客群体的出行模式及其异质性，为大规模客流组织与应急管理提供理论依据。
随着大数据的应用，春运问题再度成为研究热点，春运大数据的使用能够保证研究的宏观性和科学性[2-3]，当前相关研究主要集中在旅客运输组织、城市间客流流动特征与空间格局两方面。如柳树国[4]基于抽样调查数据对春运高峰期铁路客运站的运输组织进行分析，包括车站能力与设施能力的协调、票务管理及安全管理等；
LAI等[5]发现春运期间中国城市客流集散中心主要集中于京津冀、长三角、珠三角及成渝四大城市群，且客流流动规模与城市等级有较强的一致性；
魏冶等[6]通过春运人口流动透视中国城市网络结构，指出应加强核心城市的对外疏散功能以缓解城市发展受限问题；
赵梓渝等[7]基于百度迁徙大数据，发现节后返工流与节前返乡流的各省客流净流入规模排序恰好相反，这一现象与该省流动人口的职业构成密切相关；
然而，冯章献等[8]发现，相关大数据研究在较好地表征春运时期客流集散规律的同时，也存在缺乏个体属性的固有缺陷，如无法获知个体的移动目的和逗留时间，无法界定旅游、商务、通勤等行为模式等；
随着相关研究的不断深入，CHENG、戢晓峰等[9-10]发现出行者存在显著的异质性，不能将所有旅客当作同一类群体进行分析，亟须针对旅客群体出行模式及其异质性开展更为细致的研究。
显然，现有研究多从宏观视角对春运时期的客流集散规律进行探讨，在一定程度上为大范围内春运高峰期旅客运输组织奠定了理论基础。相关数据由传统的静态统计数据，如抽样调查数据过渡到含有位置信息的社交网络数据、移动通信数据，对应研究从静态空间跨越到“流空间”。同时，这些地理行为大数据由于具有规模大、时间序列长、时空精细度高等特点，能很好地弥补常规调查手段(如问卷、抽样、普查等)的缺陷[11]。然而，春运人口的大规模迁移不仅是地理过程之一，还是重要的出行过程之一[12]，还需广泛融合联网购票数据、公交刷卡数据、地铁刷卡数据等更为精细的旅客出行行为大数据，实现春运宏观客流规律向微观出行模式的研究范式转变。
根据以上分析，本文通过采集2018年云南省春运公路客运联网购票全样本数据，识别春运高峰期大规模务工出行群体和日常通勤出行群体，获取群体出行模式异质性特征，以期为春运时期大规模组织及应急管理提供依据。
本文通过云南省某公路客运联网购票系统采集了2018年春运期间(2-1—3-12)旅客出行数据。数据经清洗后共计212 018条，其中，节前数据为53 227条，平均每日出行3 549人次；
节后数据为158 791条，平均每日出行6 617人次。根据两类群体出行特征，筛选出出行次数≥2次的旅客共计8.14万人次(约4.62万名旅客)，作为潜在的公路通勤和务工出行旅客数据，用于群体出行模式识别分析。数据主要字段如表1所示。
表1 公路客运数据字段信息表
2.1 模型构建
为重点针对春运时期外出务工群体及本地通勤群体进行出行模式异质性分析，基于务工、通勤旅客数据，采用K-means聚类算法首先识别通勤出行和务工出行两类典型群体。
2.1.1 K-means聚类算法
聚类算法可分为层析聚类算法、划分聚类算法、密度聚类算法、模型聚类算法等[13]，其中K-means聚类算法为应用最广泛的一种迭代求解聚类分析算法。
K-means采用距离作为相似性的评价指标，该模型假设数据之间的相似度与其欧式距离成反比[14]。算法实现步骤如下：
步骤1：对于给定的待聚类数据集X=[x1，x2，…，xF]∈RD×F，随机选取M个对象作为初始聚类中心C=[c1，c2，…，cM]∈RD×M，其中D为数据的特征维度。
步骤2：计算xa(a=1，2，…，F)与M个聚类中心cb(b=1，2，…，M)的距离dab，如式(1)所示：
(1)
并把xa分配至距离其最小的聚类中心，形成一个聚类。每分配一个样本，聚类中心cb根据该聚类现有对象被重新计算，如式(2)所示：
(2)
式中：W——所有标记为聚类中心cb的数据之和。
步骤3：不断迭代步骤1、步骤2直至xa分配完毕或聚类中心不再发生变化[15]。假设聚类后每个数据所属类别为vq(vq=b)，则损失函数L的值最小，如式(3)所示：
(3)
2.1.2 聚类变量
采用公路客运通勤出行的旅客具有与城市居民通勤相类似的出行行为特征，主要包括3种类型：(1)出行地点相对稳定，均为跨县(区)出行；
(2)春运期间出行总次数较多，基本每天都有出行；
(3)节前、春节期间、节后出行的次数较为稳定。外出务工出行旅客主要包括3种类型：(1)出行地点稳定性差；
(2)春运期间出行强度低，但节前和节后均有出行；
(3)首次出行和末次出行的时间跨度大。
结合通勤、务工的出行特征与公路客运购票数据分析，提出识别春运时期公路旅客群体出行模式的特征变量，如表2所示。
表2 春运时期公路旅客群体出行模式聚类特征变量表
2.2 结果分析
对每一位潜在的公路客运通勤和务工出行旅客(春运时期公路出行次数超过2次，即X1≥2)生成相应的特征向量Ft=[X1，X2，X3，X4，X5，X6]，采用K-means聚类算法对潜在旅客的特征矩阵进行聚类分析。根据Calinski-Harabasz(CH)指标评估类内离差矩阵紧密度及类内离差矩阵分离度(如图1所示)。结果显示，当聚类中心数K=6时，类簇自身最紧密，并且类与类之间最分散，即聚类效果最优。为了将聚类结果进行可视化，采用t-SNE(t-Distributed Stochastic Neighbor Embedding)机器学习算法进行降维处理，聚类中心和聚类特征分布如下页表3和图2所示。
图1 K-means聚类有效性判定曲线图
表3 K-means聚类中心与聚类结果表
图2 六类旅客的X1、X3、X6特征值箱线图
(1)春运时期公路旅客中存在高频通勤出行群体和低频通勤出行群体，分别占样本旅客总数的0.65%和48.87%。
从图2和表3可以看出，在第3类旅客中，所有旅客的X1(春运出行强度)均>90次，其中有75%的旅客春运期间出行总次数>125.5次；
75%旅客的X3(出行时间跨度)均>37.5 d，并且旅客以最常出行路线平均出行次数达76次，出行地点形成稳定规律性。上述特征表明，第3类旅客具有明显的通勤特征，约占样本总数的0.07%。此外，在第4类旅客中，所有旅客的X1均>15次，其中有75%的旅客出行总次数>28次；
75%的旅客X3>28 d，并且最常出行路线出行次数达18次。此类旅客也呈现一定的通勤出行特征，约占样本总数的0.58%。相比之下，第5类旅客的X1均>2 d，75%的旅客X3仅>1 d，旅客最常出行路线平均出行次数为1.5次。相比于第3类、第4类旅客，第5类旅客呈现不常使用公路客运通勤出行的特征，该类旅客约占样本总数的48.87%。
(2)春运时期务工出行群体约占样本旅客总数的50.48%。
由图2和表3可知，88.15%的第1类旅客、75%的第2类旅客以及82.57%的第6类旅客在春运期间的出行总次数≤3次，并且无稳定的出行线路特征。从出行时间跨度上看，有75%的第1类旅客末次出行与首次出行的时间间隔为9 d，有75%的第2类旅客出行时间跨度为29 d，有75%的第6类旅客出行时间跨度为19 d。这三类旅客具有极强的务工往返公路客运出行特征，分别占公路出行总量的22.67%、11.89%、15.92%。
3.1 出行量分布
(1)春运时期，务工出行群体总体上呈现节前客流分散，节后客流集中的规律。
从各类务工出行群体每日出行量分布来看(图3)，节前务工出行群体客流较小，节后出行量较为集中。从客流产生的具体时间分布上看，主要有3种差异显著的出行群体类型，即“节后高度集中型”“节后前紧后松型”“节后前松后紧型”。第1类务工出行旅客客流在春节后迅速增加，在正月初六和正月十六达到最高峰，为节后高度集中的出行群体；
第6类务工出行旅客在正月初一至正月初十的客流较为集中，正月十一及以后出行客流平缓并逐渐下降，为节后“前紧后松”的出行群体；
相比之下，第2类务工出行旅客在春节后至元宵节的客流较为平缓，正月十六的出行量明显增长，为春节后“前松后紧”的出行群体。
(2)春运时期，高频通勤出行旅客较为稳定，低频通勤出行旅客在节后出行量剧增。
由图3可以发现，频繁使用公路客运通勤出行的旅客占比极小，节前出行量无明显变化，节后出现小幅增长，但总体较为稳定。相比之下，将公路客运作为通勤方式之一的低频通勤出行旅客占比更大，与节前出行量相比，节后低频通勤出行旅客出行量显著增长，尤为活跃。
图3 春运时期六类旅客每日出行量分布曲线图
3.2 出行里程分布
由于出行属性不同，使用公路客运通勤的旅客以中短途出行为主，约70.4%的通勤旅客出行里程<200 km；
公路客运务工出行的旅客以中长途出行为主，约75.95%的务工出行旅客出行里程>100 km。如图4所示。
3.3 出行时间分布
对识别出的务工出行群体和通勤出行群体在春运时期客流的空间流动性进行统计分析，如图5所示。
经对比分析发现，通勤出行在春运时期具有明显的时间均衡性，节前和节后出行差别不大，具有较强的稳定性；
相比之下，务工出行受春运的影响较大，出行集中与分散性规律明显。腊月二十二开始出现务工人员集中返乡现象，至腊月二十四达返乡高潮，此后随着春节来临，返乡量逐渐降低至腊月二十八再次出现小高潮。春节过后，正月初三开始出现务工人员返工出行活动，至正月初六、正月初九和正月初十达返工出行高潮，有60.9%的务工人员完成返工，正月十六左右再次出现返工小高潮，有84.1%的务工人员完成返工，之后返工流逐渐降至最低。
(a) 通勤旅客
(b) 务工旅客
(a) 节前
(b) 节后
3.4 基于时间价值的出行效率分析
由于务工出行群体在春运时期具有显著的时间不均衡性，造成特殊时期客流空间高度集中，对群体出行效率、出行体验和幸福感带来严重负面效应。为客观评价春运时期务工出行旅客的出行效率，采用候车时间指数、中转时间指数及出行时间指数作为评估区域公路客运运营效率的关键指标。各指标计算公式如式(4)～(6)所示。
(4)
式中：BIWait——旅客候车时间指数，表示候车时长(取票至发车时间长度)占总出行时长的比例；
T发j——第j程发车时间；
T取j——第j程旅客取票时间(j=1，…，k)；
i——统计旅客人数(i=1，2，…n)。
(5)
式中：BITransit——旅客中转时间指数，表示旅客行程中总中转时长占总出行时长的比例；
T到(j-1)——第(j-1)程到站时间(j=2，…，k)。
(6)
式中：BITravel——旅客出行时间指数，表示旅客单位里程的出行时间；
T到k——第k程(即最后一程)的到站时间；
T发1——第1程发车时间；
SCoach——旅客公路出行总里程。
根据上述外出务工群体的出行量及出行时间分布特征，将春运时期外出务工旅客的出行时段分为返乡平缓期(腊月十六至腊月廿一)、返乡上升期(腊月廿二至腊月廿三)、返乡高峰期(腊月廿四)、返乡下降期(腊月廿五至腊月廿九)、返工上升期(正月初三至正月初五)、返工高峰期(正月初九至正月初十)、返工次高峰期(正月十六至正月十七)及返工下降期(正月十八至正月廿五)，分别计算各时段旅客的出行效率指标，得到如下页表4所示结果。
公路旅客出行时间是指出行者通过网络或到站购票，从到达车站取票开始至最后一程车辆到站时止所历经的总时长，其中候车、中转的时间过长会给旅客出行带来负效用[16-17]。
由表4可以发现，在返乡、返工高峰时期，务工出行旅客的候车时长占出行时长的比例明显升高；
节前中转时长占比及单位里程出行时间与旅客出行需求呈正相关，节后则出现大幅度降低现象，总体呈现节前“短时候车长时中转”、节后“长时候车短时中转”的出行规律。
表4 春运不同时段外出务工群体出行效率指标计算结果表
(1)受春运高峰客流影响，务工出行旅客主观候车时长增加，且节后返程比节前返乡候车时间更长。返乡高峰时段，务工出行旅客候车时长占总出行时长的18%，返工高峰时段及次高峰时段候车时长占比分别升至22%、29%，旅客出行时间提前，一定程度上反映出春运时期区域交通拥挤、出行效率整体偏低的现象。
(2)受客观交通状况及客运站运营组织影响，务工出行旅客中转时长及单位里程出行时间呈现节前占比高、节后大幅下降的趋势。返乡高峰时段，务工出行旅客中转时长占总出行时长的23%，每公里出行时间约为3.15 min；
返工高峰时段及次高峰时段中转时长占比均降至9%，每公里出行时间分别降至1.82 min、2.10 min，旅客出行换乘更高效，反映出运输组织的优化对提升春运客运运行效率的重要性。
本文基于公路客运联网售票大数据，实现了春运时期外出务工出行群体和本地通勤出行群体的识别及出行模式异质性研究，结果表明：
(1)春运出行群体中，存在超过50%的外出务工出行群体，与本地通勤出行旅客相比，该群体出行时间具有不均衡的复杂性，可分为“节后高度集中型”“节后前紧后松型”及“节后前松后紧型”三种出行类型，是春运时期公路旅客的特殊群体及重点关注对象。
(2)腊月二十二务工返乡客流集聚，至腊月二十四出现节前客流集聚最高峰，期间客流中转滞留时间较长，约占出行总时长的23%，旅客出行滞留的安全风险加大；
节后正月初六返程客流迅速集聚，旅客主观候车时长大幅度上升，客运站拥堵进一步加剧，此时应重点把握人群集聚特点，进一步完善客运站应急预案。
(3)针对春运时期开展公路出行旅客群体识别及出行模式研究，能够拓展我国春运时空流动性的地理研究内涵，今后还需结合公交、高铁等综合客运联网数据，开展更大范围、更深入的研究。
猜你喜欢 春运客流客运 客流增多环球时报(2022-12-12)2022-12-12城市轨道交通节假日期间大客流行车组织思考与实践科学家(2021年24期)2021-04-25“95后”动车组女司机的首个春运海峡姐妹(2020年2期)2020-03-03百花齐放的“定制客运”，能否拯救道路客运市场？运输经理世界(2019年3期)2019-08-152018将迎来怎样的春运瞭望东方周刊(2018年1期)2018-01-17疯狂编辑部之春运风波作文大王·中高年级(2017年2期)2017-03-23提高客运驾驶人安全意识汽车与安全(2016年5期)2016-12-01台湾客运业:高铁躲过破产危机?海峡科技与产业(2016年3期)2016-05-17铁路春运“抢票”季民生周刊(2016年30期)2016-03-22基于自学习补偿的室内定位及在客流分析中的应用北京信息科技大学学报(自然科学版)(2016年5期)2016-02-27
