财新传媒
《比较》 > 特稿 > 正文

拥挤公共交通系统的需求管理:基于智能卡数据的分析框架和案例

来源于 《比较》 2020年第5期 出版日期 2020年10月01日
文|安妮·哈尔沃森 哈里斯·考特索帕罗斯 马振良 赵锦华

3.应用

  为了示范本文提出的架构,我们以香港轨道交通系统作为案例研究对象。港铁公司试验和引进了公共交通需求策略,以应对日益增加的需求,使其在可行的情况下改善运营情况并扩展系统网络。最近的公共交通需求管理策略是,2014年9月1日上午高峰前出行的用户可以享受25%的折扣。这一策略是本文分析的主题。匿名智能公交刷卡记录是本节描述和分析的主要数据源。港铁是一个封闭的地铁系统,要求使用者在进出港铁时刷卡,以便获得完整的行程记录。匿名数据包括出入口站、出入口时间和票价类型。本文采用2013年7—10月和2014年7—10月的数据进行分析。本节中描述的方法也适用于开放系统,针对这类系统,学者们开发了起始站矩阵估计方法来推断单个乘客的目的地(Gordon、Koutsopoulos、Wilson and Attanucci,2013)。

  3.1问题识别

  这一阶段的主要目的是识别轨道交通系统拥堵的时空特征,并更好地理解用户的使用模式。在需求管理中,需要关注的是站点和线路的需求模式,如图3所示。在上午高峰时段,虽然站点和线路之间存在一定的差异,但全系统的入口在8:15达到峰值,出口在8:45达到峰值,列车负荷在8:30达到峰值。特别是图3a显示,在高峰时段,出口有一个主要的分叉:有一大组站点在7:45达到峰值,而大多数站点在8:45达到峰值(可能这两组站点的服务遵循不同的时间表)。这些数据表明,公共交通需求管理策略试图激励乘客改变其通过出口的时间。此设计是减少拥堵的一个有力的备选方案,尤其是在8:15—9:15的时间段。入口和出口的时间集中也表明,如果缓解车站拥挤是公共交通需求管理策略设计的初衷,基于出口的公共交通需求管理策略在上午可能更有效。

1

  3.2设计

  表1列出了实施公共交通需求管理策略的细节,列出方式与上一节提出的设计框架一致。

  表1 “早鸟”优惠设计的维度

  干预类型  票价差别化:高峰前优惠、硬性措施、经济型措施、拉动型措施,直接针对用户。

  它降低了高峰前的出行成本,成为吸引人们提早出行的拉动型措施。它以用户为基础,因为它不直接涉及雇主,也不依赖于其他政府政策。

  目标用户  只有成人卡用户才有资格使用(有其他优惠的用户则不适用)。其他任何群体都不是明确的目标对象。

  幅度  25%票价折扣(1—12港元,或0.13—1.5美元,视行程而定)。

  时间覆盖  在早上7:15到8:15之间出站的行程。如第3.1节所述,列车负荷高峰在早上8:00—9:00左右,最高峰在8:30—8:45左右。选择7:15—8:15的折扣期,不仅是为了让高峰时间提前(但也不是提前到太早,以至于没有高峰时间的旅客愿意改变他们的出发时间)。第3.1节显示,不同的线路和站点在不同的时间达到峰值,但是所有站点都使用相同的折扣时间。这突出了简单性和有效性之间的权衡。为不同站点设置不同时段可以更好地管理网络不同部分的需求,但如果令乘客感到困惑,则可能无法达到潜在的效果。由于香港没有实行弹性工作时间,因此交通管理当局并没有考虑高峰时段后的价格折扣,因为可能没有足够的弹性让乘客改期上班。

  空间覆盖 以香港市区中心的29个拥挤站点为终点的行程(在87个站点中,见图4)。我们的分析发现,在这29个站点出站的行程中,有80%的行程都经过一条拥堵的路线。虽然其他策略可能更有效,但为了简单起见,折扣是基于在某些站点出站的乘客。起始站折扣可能是效率更高的设计,因为它们能更有效地锁定目标乘客,但在实际执行中没有被采纳。区域化折扣方案考虑简单化原则,即选择一个边界内的所有站点对用户来说更容易理解。

  模型覆盖  仅限地铁。港铁营运的其他轨道交通(例如轻轨、机场快线)并不是公共交通需求管理项目的目标。尽管有传闻表明轻轨系统过于拥挤,但它缺乏与地铁系统相同的AFC技术,因此从实施的角度来看,统一的策略并不那么可行。未来的激励设计还应考虑这些系统之间的相互作用,以及在一种轨道交通上的额外激励如何能增强对其他轨道交通的影响。

  实施  通过改变AFC系统,政策能够很容易地得到实施。在高峰前后分别添加缓冲时间,以考虑略微延迟和用户/系统的时间差异。实施成本是可管理的。

  市场营销  宣传活动包括新闻发布、港铁网站公告、站内广告和社交媒体推广。

  总之,该项目定位在早高峰时段,因为这一时段的公共交通系统运力承受最大的压力,乘车需求急剧增长,而且有可能在不给乘客太多激励的情况下影响后续行程。折扣水平的选择是基于其他城市的经验,以及拥堵的时间和空间覆盖。高峰前时间与系统中的关键线路达到峰值载客量之前的时间一致,而选择的29个站点可使80%的乘客在早高峰时段使用至少一条关键路线(由运行到达或接近系统运力上限决定)并以折扣价出站。这些站点是连续的,所以简化了设计以便于用户理解和接受(参见图4)。

1

  马振良和考特索帕罗斯(2018)最近提出了一种系统性方法, 用于最优化地设计公共交通需求管理项目的操作特性。该方法旨在帮助决策者在给定网络、需求、预算和实施可行性约束条件下,就公共交通需求管理设计的时空和折扣特性(站点折扣vs基于起始站的折扣,参与站点或起始站,特定站点折扣时段等)做出决策。

  3.3评估

  在三个评估维度中,本文着重使用详细的AFC刷卡数据,来推断折扣前后的用户总体行为和个人行为,从而评估项目的有效性。正如港铁的已用案例所示,AFC数据可以帮助我们深入了解用户对公共需求管理项目的反应行为,这对指导未来的政策制定具有重要价值。

  系统范围的影响

  符合条件的行程(成人乘坐到29个站点之一的行程)的出口时间分布显示,2014年9月与折扣前几个月相比有不同的模式。最明显的变化是在高峰前一小时的两端出现小高峰,因为用户会等到折扣时间开始后才出站,或者只是在折扣时间结束前几分钟才出站。在早上7:00—9:30点的所有行程中,约有2.5%偏离了峰值。随着早晨更多的行程转移到高峰前时段,大约有3%早上7:00—9:30的行程转移到高峰前时段。这意味着高峰前出行增加了10%。不符合条件的乘客或站点之间的行程则没有出现相应的变化。图5显示了线路载客量的变化,其中折扣覆盖的区域的变化尤为明显(更详细的结果可参见Halvorsen et al.,2016)。

1

  用户群

  粗粒度的汇总分析有助于确定折扣方案的影响,但它不研究其中的作用机制。了解不同用户群体对折扣的反应,以及各种出行行为对高峰分散策略的反应,可以帮助交通管理机构完善和关注未来的策略。特别是,分析细分用户的能力对提高项目的效率有启发意义。超过27%的成年人在早上7:00—9:30前往符合条件的站点,会因为在高峰前出站而获得折扣,但上述分析发现,只有约2.5%的上午出行实际上转移到高峰后。大多数得到折扣的用户并没有改变他们的行为。市场细分有助于识别对折扣反应更灵敏的用户群体,提供在时间和地点上更有针对性的设计,从而提高项目效率。例如,聚类的方法可以识别一个较小但对折扣敏感的群体,这个群体与较大但对折扣不感兴趣的群体在影响人们的出行方式使之达到系统优化方面有同样高的价值。

  为了了解乘客的一般行为模式,本文使用AFC数据进行了聚类分析。这使我们可以测算每个群体对交通网络流量的影响,并进一步分析不同群体如何响应需求管理策略。由于这一分析的目标是需求管理策略的整体使用情况,所以AFC数据就足够了,尤其是数据的质量较高。被选用于聚类的变量是因为它们可以识别整个地铁系统的广泛使用模式,特别是识别与公共交通需求管理响应相关的模式。

  本文的研究使用了三份跨两个月的AFC业务样本。在2013年9—10月、2014年7—8月和2014年9—10月期间,抽取约40万名用户(约占同期所有用户的4%),每段时间共计1100万次出行。下面列出了用于聚类用户的变量,根据人们出行的频率、出行发生的时间以及他们在网络中的访问地点等主要特征进行分组。上述分组旨在刻画出行的时空特征:特定用户使用地铁系统的频率和规律,他们在网络中出行的范围,是否使用特别感兴趣的站点,以及通常的出行时间(高峰或非高峰)。

  1.频率特征

  行程范围(首次与最后一次行程之间的天数;变量指数=1)

  工作日/周末出行次数(6,10)

  工作日/周末出行次数(7,11)

  出行间隔时间(用户至少一天不乘坐地铁的次数;15)

  平均/最小/最大间隙长度(16,17,18)

  2.时间特征

  平日/周末首程出发时间中位数(8,12)

  平日/周末末程出发时间中位数(9,13)

  起始时间中位数30分钟内的起始天数(14)

  3.空间特征

  第一个和最后一个起始站的不同数目(2,3)

  不同起始站的出行数量(4)

  与内地过境的首次出行天数(19)

  使用主成分分析(PCA)降低数据集的维数(Jolliffe, 2011)。主成分分析为聚类分析提供了一组不相关的向量,从而防止这些向量的值源自相似行为的变量主导分析结果,并可以使较少的数据输入仍能刻画数据的大部分变化。主成分分析是减少特征空间维度、进行聚类分析的有效工具,已被应用于不同背景下的轨道交通客流分析(Goulet-Langlois、Koutsopoulos and Zhao, 2016; Luo、Cats and Lint, 2017)。

  在这个应用中,前六个主成分用于聚类分析。它们解释了85%的数据变化量(图6a)。添加其他成分对结果的影响很小。图6b说明了成分如何与原始数据(与上面列出的指数)相关联。第一个成分主要与出行的“数量”相关(出行次数、天数、不同的起始站等),第二个成分与间隙长度相关,接下来三个成分与时间相关,第六个成分与到内地的出行相关。第六个之外的主要成分与任何特定特征的相关性较小。

1

  采用k-means++聚类方法确定各组(Arthur and Vassilvitskii, 2007)。本文的分析采用欧几里得距离作为一种距离度量。基于轮廓标准(silhouette criterion)的分析(Rousseeuw, 1987; Tibshirani、Walther and Hastie, 2001)提出了六个聚类。这三个时段的分组都显示出相似的属性,因此聚类随着时间推移是一致的。这些聚类的特征及其与公共交通管理需求策略的相关性总结如下:

  1.香港通勤者:他们的平均行程几乎是整段时间内最频繁的行程,是使用地铁系统最频繁的乘客。他们大部分的行程都是在上午和下午的高峰期,所以这一组别可以假定包括在香港境内上下班的人士。

  2.香港普通用户:这类用户的行程较长,但较第一组少,特别是在上午高峰时段。他们可同时使用地铁和其他交通工具,或只在非通勤的情况下使用,例如下班后外出。

  3.间歇性的香港用户:这群人的出行范围适中,大约每周乘坐两次地铁,使用整个地铁系统的车站。他们可能是主要依赖其他出行方式的香港用户,但也可能是在多张智能卡之间切换的用户。

  4.短期乘客:这类用户的出行范围较小,常从上午晚些时候到晚上,到商业活动较多的地区。这类人士很可能包括只在香港短暂度假的旅客;不过,这一数字也可能包括那些只使用八达通搭乘数天地铁的香港居民。

  5.偶尔跨境旅行者:与第三组有点类似,这些用户使用范围适中,但相对不频繁。他们从边境检查站开始行程的天数比例明显更高。他们通常去旅游或购物中心附近的车站,并在一天的晚些时候开始他们的旅程。这个群体可能包括每月来港一至两次的游客。

  6.跨境通勤者:这一群体的行程较长,出行天数相对较多。像上班族一样,他们的第一次出行通常是在清晨,最后一次是在傍晚,但他们一天的大部分时间是从某个过境站开始的。这个群体可能包括经常往来于香港和内地买卖商品的“水货商人”。

  实际出行的时空模式如图7所示,它说明了一天中每一小时每一群组在每个车站开始旅行的相对数量(即该组在每小时内某一站点开始出行的百分比)。浅色表示更常见的入口点。站台按其编号顺序排列;有资格享受早鸟优惠的29个站点,用灰色框或黑色线条标出。

  第四组和第五组在一天的中午出行更多,他们的出行主要集中在旅游或购物目的地。第五组的人早上在边境检查站更常见,这表明他们更有可能来自内地,而单次入境的人背景更多样化。第六组是最频繁的跨境用户,他们实际上几乎只在早上从边境出发。他们的下午入口站显示,他们通常把自己限制在东铁路线的末端,在地铁系统的其他地方只出行了很少的几次。事实上,在早上,他们只有25%的行程是去有优惠资格的车站,而其他所有群体的比例是40%—50%。这三个群体只占前往有优惠资格车站上午行程的3%。对于第四组和第五组来说,这可能是因为该群体中很少有成员在这些时间出行。至于第六组,则是因为该组人数较少,以及其成员倾向于在东铁北端出行,远离九龙和香港岛的中部地区。

1

  第一组表现出的峰值规律与地铁系统使用情况的总体特征相似:在8:00—9:00或18:00—19:00之间有很多进站人数,而在一天的中午,人们可能在工作或上学,因此出行的次数更少。第一组的主导站台(dominant station)也较少;其出行在整个系统中更加分散。它占据了大部分(80%)到有优惠资格车站的行程。第三组是间歇性的香港用户, 仅在晚上达到高峰,尽管其出行在网络中比第四至六组更分散,但它仍主要来自晚上的商业中心和过境站(即到深圳的一日游)。第二组介于第一组到第三组之间。从商业中心出发的行程在晚上很常见,但跨境出行较少,而且在早高峰行程中的占比也较高。这两组人(第二组和第三组)上午行程中有不可忽略的18%发生在早鸟站。

  这些规律还提供了对总体拥堵模式的进一步了解。上午的高峰主要是由于通勤者,而晚上的高峰比较平缓是所有群组出行的结果。虽然在上午和下午高峰期,公共交通需求管理政策可能有用,但这些不同类型的乘客,加上下午的高需求持续时间较长,意味着在每个时间段可能需要不同的政策。在决定是否利用优惠措施时,用户面临灵活性和激励之间的权衡。作为经常出行的人,通勤者获得的总折扣会很大,但通勤的时间约束更强,使提早出行的负担更重,特别是弹性上班时间并不常见。其他一些群体,比如偶尔乘坐地铁的人,出行时间的约束可能较少,但如果他们不经常在早上乘坐地铁,25%的折扣可能不足以吸引他们提早出行。旅游团是不可忽视的,特别是在晚高峰期,但有效的推广活动和信息是重要的,以确保他们知道这些折扣。

  表3汇总了2014年9月相比于2014年8月和2013年9月各组高峰时和高峰前的行程变化,使用比率:

1

  其中%Trip是2014年9月或基准月m早上7:00—9:30之间在第i小时,即高峰前(7:15—8:15)或高峰时(8:15—9:15)发生的所有出行的百分比。

1

  两小时高峰时段(上午7:15—9:15)的上午行程和其余时间(上午7:00—7:15、9:15—9:30)行程的百分比,每月相对一致。然而第一组作为通勤组和第六组都有一些乘客从清晨转到高峰前,第三组和第五组的高峰后客流量增加,可能是由于夏季即将结束,而不是优惠活动。与上一年9月相比,高峰时段客流量降幅最大的是第一组和第三组,高峰前客流量增幅也较大。虽然第五组似乎有很大的反应,但这组人在这些时期很少出行,这使得他们的数值不太可靠。第六组确实出现了变化,但不是按预期的方向;与上一年9月相比,高峰客流量增加,高峰前客流量减少。这些变化可能是由于跨境出行模式的不相关变化。第二组在9月没有变化,但在10月确实减少了高峰出行。这表明这一群体的另一个特点:他们可能同时依赖于公共汽车和轨道交通。当它的成员在9月的一段时间内不能再乘坐巴士时(香港的示威活动中断巴士服务,他们转而乘坐轨道交通。无论是由于他们通常的公交时间还是高峰时的拥挤,他们都更有可能在高峰前出行)。

  对基于群体的早鸟优惠策略影响的分析,为针对特定群体的潜在改进提供了有益的见解。通勤者显然是需求管理的一个重要目标:他们出行频繁,似乎对优惠活动有所反应。未来可以考虑与主要雇主合作的项目(类似于新加坡的智能出行项目)。另外第三组也可以被优先考虑,因为它表现出相对较大的变化,可能比通勤者有更多的灵活性。强调减少拥挤和高峰前被拒绝登车的可能性对这些用户可能更有效。虽然确实有一些证据表明第五组的行为正在改变,但不值得将这些用户作为目标。他们和第四组的人出行很少,也不太可能住在香港,这使他们更难被找到。考虑到第二组的随意使用者,一系列跨出行方式的激励(inter-modal incentive)可能更有效。最后,面向深圳通勤者的东铁专线优惠也许能锁定第六组乘客。

  个体分析

  个体分析使用的是一组在我们研究的时段内、在优惠前和优惠结束后都分别通过地铁系统出行的乘客。 它可以识别因优惠活动而改变出站时间的乘客,并利用它们来了解影响乘客行为的因素。

  A.乘客面板

  通过在优惠活动开始之前和之后跟踪相同的个人,就可以研究在总体和群体层面上看到的变化与每个乘客的行为之间的关系。假设乘客使用同一智能卡,随着时间的推移,可以很容易观察到他使用地铁系统的情况。这使得我们可以长时间地研究出行行为的持续变化。此外,这也有助于控制香港人口因季节性及外源性变化而引起的客流量变化。

  我们选取了从2014年8月至今的2万名经常在高峰时段出行的乘客作为初始样本。这些乘客在高峰时段(8:15—9:15)至少出行15次,前往29个符合条件的站点之一。剔除那些从未在2014年9月高峰前(7:15—8:15)出行的人,以及那些持有通行卡(对通行卡覆盖地区不收费)的人,留下来的共计4591人。因此,该面板分析关注那些经常在高峰时段前往有优惠资格站点的乘客,并确保面板中的成员有足够多的出行以提供有关其使用趋势的相关信息。由于用户组分析显示常出行用户占主导地位,而高峰出行用户是优惠活动的目标,更好地了解影响他们对促销反应的因素可以为更新优惠设计提供有用的见解。从清晨转到高峰前一小时或之前没有使用地铁的用户不在分析范围之内。

  B.识别行为改变者

  为了了解行为改变的程度以及与响应优惠相关的特殊因素,本文使用断点检测分析(breakpoint detection analysis)来识别“行为改变者”:表现出与优惠活动相关的行为改变的用户(Bai, 1994)。断点检测是变点分析的一种特殊情况,用于识别时间序列的变化。在我们研究的港铁案例中,焦点是平均出口时间的变化:一个人的典型出站时间的变化是否与优惠活动相关?

  行为改变者识别分析包括两个部分:个体断点分析,以确定每个用户的一组变化点;以及对行为改变的推断,以识别其行为改变与优惠活动相对应的人。

  我们为4591名面板成员生成了时间序列数据集,其中分析的时段每天都与上午的出站时间相关。设置如下:

  日期:使用4个月(2014年7— 10月)的工作日数据。周末和非常规日子(节假日或极端天气)除外。

  自变量:在面板成员的所有行程中,我们最感兴趣的是可以合理转移到高峰前的行程。“上午行程”指的是那些在上午10:30之前完成的行程(10:30之后出站数量较少且相对稳定,不太可能将出发时间改变两小时以获得25%的折扣)。为了处理每天早上多次出行的用户,我们选择7:15后到达合格站点的用户第一次出站作为每天的数据点。

  有学者使用R语言的“strucchange”程序包中的断点函数进行了个体断点分析(Zeileis、Kleiber、Krmer and Hornik, 2003)。断点分析对时间序列进行分段,并用普通最小二乘回归对各分段进行拟合。给定最小分段长度(h)和最大断点数(m)的参数,该方法在一组线性回归中识别断点。对于这里考虑的出站时间的变化,本文采用一维模型寻找最佳的截距,即每个分段的均值(连续几天的退出时间不变):

1

  yin是用户n在i天的出站时间,βj0,n是用户n在分段j中的出站时间,εin是误差项。j表示分段指数,ij是分段j和分段j+1之间的断点(日期)。

  实验后,最小段长度h被设定为10天,断点m最大数量是2 (3段)。图8展示了两个人的结果,第一个变化可能与优惠活动有关(在优惠开始时出站时间明显提前),第二个变化与优惠活动不相关(跨分段的出站时间略有变化)。

1

  为了确定可能因为优惠活动而改变行为的用户,我们将他们的断点与优惠活动开始日期进行了比较,并将回归结果(每个分段的平均出站时间)进行相互比较,同时对回归结果与优惠活动的时间也进行了比较。我们使用了四个标准:

  日期:用户在8月底到9月中旬之间有一个变化点。这个更大的范围捕获了那些可能在一开始就没有响应优惠活动的用户,这也解释了数据中存在的干扰。

  趋势:在指定的日期范围内,在一个断点上的平均出站时间降低:用户应该在早上更早而不是更晚开始出站。

  变化幅度:在满足上述两个标准的前提下,用户出行行为变化出现后的平均出站时间是8:25之前(即使对优惠活动有相当强烈意愿的用户也不大可能保证每天都能在早鸟计划设定的高峰之前出行)。

  出行次数:在断点满足上述所有条件后,用户继续出行,并且从断点到10月底之间至少出行了4次。这可以更好地控制由于频率变化而不是出站时间变化引起的断点。

  根据这些标准,两万名成员中有794人被确定为行为改变者。这相当于占整个小组的3.94%,这与总体和通勤小组的调查结果一致。在4591名曾在高峰前出行的用户中,这794人占了17.3%。仅从AFC数据无法识别用户行为背后的实际原因,比如其中一些用户的生活方式发生了变化,影响了他们的出行方式。优惠活动可能也对他们在多大程度上改变出入站时间产生了影响;如果没有优惠,从8:30切换到8:10的用户可能只会切换到8:20。另一方面,不管导致这种行为改变的因素是什么,这些用户都从优惠中获益,并使整个地铁系统受益。未来的研究可以考虑结合调查进行面板分析,以便进一步确定用户的反应,并更好地理解外部生活方式特征和社会人口统计的影响。

  C.对用户出行行为的建模

  使用二元logit模型来估计改变出入站时间的概率,作为各种解释因素的函数。它的系数可以用来量化在节省费用和其他边际效应方面的需求弹性。下面的模型设置最好地解释了行为改变。

1

  β0是替代特定常数,β1,…,β6是解释变量的系数向量。ε表示影响人们选择的、所有未观察到的因素的影响。解释变量的定义如下:

  SAVE:在给定2014年8月的典型票价(按距离计算)的情况下,由高峰前出行带来的费用节省。

  DT:调换时间,也即给定乘客在8月上午出站时间的中位数,他们必须把出发时间提前的时间量[8月用户出站时间的中位数和8:15(高峰前的结束时间)之间的差值]。

  DTHigh:如果用户的调换时间大于15分钟,则哑变量值为1。

  DURHigh:如果用户的行程持续时间大于25分钟,则哑变量值为1。

  VAR:8月上午行程出发时间的标准差。它被用作衡量出发时间灵活性的一个指标。

  DISC:乘客获得另一项港铁优惠的行程数(在位于各购物中心的“车费优惠”终点站中转及刷卡)。这个变量可以作为个人价格敏感性的一个指标。

  由于只有AFC数据可用于估计与模型相关的变量,因此不能将社会人口特征或就业纳入其中,尽管它们可能对改变行为的决策很重要。

  估计结果如表3所示。从行为的角度看,数据的结果合乎情理。正如预期,票价节省的加大增加了用户改变出发时间以利用折扣的可能性,但节省费用对所有用户的影响是不同的,对于出发时间需要提前15分钟以上才能获得折扣的用户来说,节省的金额并不重要。

  随着行程时间的延长,用户对促销活动做出反应的可能性减少,可能的原因是长途旅行的用户不希望更早出发(Wood,2015)。此外,居住在离市中心较远的用户的社会经济和就业特征也可能影响他们的行为(行程在有折扣站点结束,持续时间超过25分钟,通常收入较低,工作的灵活性不大)。

1

  变量的符号都与我们的预期一致,且都在0.05水平上显著。如果常数为负,则表示乘客不愿意改变其行为。正如预期的那样,调换时间变量非常重要,且系数为负。行程时间变化较大的用户更有可能改变其行为。这可能意味着需要不同的激励措施来影响日常行程有严格安排的用户,也可能意味着弹性工作时间政策对于补充这种公共交通需求政策的重要性。寻求并获得其他折扣的用户也更有可能改变其行为。多数获得这些折扣的用户使用的是地铁特惠站(Fare Saver,在指定位置刷卡可获得2港元的折扣),而不是可享受折扣优惠的公交车换乘轨道交通,这意味着对价格更敏感并寻求折扣的用户也更有可能利用这一激励措施。交互项表明,人们在符合优惠条件的时段接近尾声(较短的调换时间)且行程持续时间较短时,对票价节省的弹性更大。当人们的行程较长且需要更多的调换时间时,他们对票价节省往往没有弹性。

  3.4监测

  利用AFC数据有助于对公共交通需求管理策略的监测和对长期有效性的评估。正如本文引言所述,优惠活动只能在短期内激励乘客改变其行为,一段时间后他们会回到原来的行为。我们将前几节中识别到的且在此后24个月中继续使用地铁系统(无论其出行时段)的行为改变者的数量作为纵向分析(longitudinal analysis)的面板,以监测他们随时间发生的行为变化。

  持续的行为改变者是那些早期的行为改变者,他们保持了自身的行为变化,并在优惠活动期间一直出行。图9显示了在2014年10月至2016年10月继续使用地铁系统的持续的行为改变者占初始行为改变者的百分比。我们可以看到一个下降的趋势,即大约65%的早期行为改变者在两年后仍维持他们的出行行为。大多数早期行为改变者在优惠的头两个月(10月和11月)还会保持这种行为,但在第三个月就会大幅下降。此后,下降趋势趋于稳定。2015年7月和2016年8月的大幅下降可能与暑假有关。

1

  我们的研究结果充分表明公共交通需求管理策略的持续监测和偶尔的改进十分必要,保持公众对该策略的关注,并避免“快乐水车”效应(Brickman and Campbell, 1971)。

  [《比较》印刷版,点此订阅,随时起刊,免费快递。]

版面编辑:许金玲
财新网主编精选版电邮 样例
财新网新闻版电邮全新升级!财新网主编精心编写,每个工作日定时投递,篇篇重磅,可信可引。
订阅