*Anne Halvorsen, 纽约城市运输局的首席交通规划师,纽约城市运输局数据、研究和发展小组成员。曾研究香港地铁系统的需求管理问题。
Haris N.Koutsopoulos，波士顿东北大学土木与环境工程系教授，斯德哥尔摩KTH的iMobility实验室创始人，该实验室致力于研究城市交通问题，并在2012年获得了IBM智慧星球奖。主要研究兴趣包括利用机会专用传感器的数据来改善城市交通系统(包括公共交通)的规划、运营、监控和控制。
马振良，澳大利亚克莱顿莫纳什大学土木工程系交通研究与公共交通研究组助理教授。主要研究领域为优化、机器学习和计算机模拟的交叉领域，网络控制的统计推断、预测和优化，将新数据源(主要来自自动化数据收集系统)集成到数学学习模型。应用范围包括公共交通和共享交通。
赵锦华，麻省理工学院城市研究与规划系城市与交通规划Edward H.and Joyce Linde讲席副教授，麻省理工学院城市交通实验室和麻省理工学院交通实验室负责人。他将行为科学和交通技术结合在一起，塑造出行行为，设计交通系统，改革城市政策。
A.Halvorsen:文献检索与综述、实验设计、分析、建模、手稿撰写;H.N.Koutsopoulos：内容策划、分析、建模、稿件撰写;Z.Ma：分析、建模、稿件撰写、编辑; J.Zhao:内容策划、分析、稿件撰写。通讯作者代表所有作者声明，不存在利益冲突。
原文Demand Management of Congested Public Transport Systems:A Conceptual Framework and Application Using Smart Card Data,发表于Transportation,Vol.47(2020),第2337—2365页。
**作者感谢港铁对这项研究的支持。与工作人员讨论他们在制定和评估公共交通需求管理政策方面的经验也提供了有价值的见解。作者还感谢Nick Allen和Adam Rosenfield的审阅和校对。
1.引言
公共交通系统在当今城市中扮演着越来越重要的角色：环境、技术和经济趋势导致成熟型城市的公共交通使用量增加（Hurdle, 2014），而人口增长和城市扩张促使发展中城市扩展其公共交通网络。随着乘客数量的增加，人群聚集和拥挤程度也会增加，这可能会使系统性能和客户满意度下降（Z.Li and Hensher，2011）。面对不断增长的公共交通需求，一个本能反应是增加运力，但这样的改善需要较长时间和大量资源。相反，需求管理可以通过整合现有资源在较短时间内为客户提供更好的服务。传统上，出行需求管理（TDM）主要针对道路拥堵，它在理论和方法上为公共交通的出行需求管理提供结构化的参考。
出行需求管理对汽车使用的影响已得到充分研究。 例如，从研究三个市区范围内的出行需求管理项目，即洛杉矶奥运城、奥兰治县收费公路和檀香山的弹性工时政策中得出的结论是，有重要激励措施的出行需求管理项目可以对个人的出行选择产生很大的影响，但它们对交通的影响通常很小（Giuliano，1992）。弗格森（Ferguson，1990）讨论了出行需求管理对不同利益相关者的作用和评估方法，发现针对交通管理机构（TMAs）、出行减少条例（TROs）和协商协议的项目可以成功地塑造出行模式。一些研究还报告了用（通常）有限的现成数据和工具识别并测算相关出行需求管理性能指标的重要性(Dale、Frost、Ison and Warren, 2015; Rose, 2007; Smith and Moniruzzaman, 2014; Taylor、Nozick and Meyburg, 1997)。
另一类关于出行需求管理的研究关注政策特征与出行决策的行为基础之间的关系。加尔林等人（Grling et al., 2002）利用群体行为理论建立一个框架，在该框架中，出行需求管理的干预措施既直接影响出行链的特征，又通过与用户个人特征、目标和公共信息的交互作用影响出行链的特征。虽然它们可以被一般化，但其情景示例仅适用于汽车交通。洛科帕罗斯（Loukopoulos，2007）提出了一个出行需求管理结构，它将出行需求管理措施的八个设计特征与三个结果变量相关联：有效性、政治可行性和公众接受度。
汽车道路拥堵的原因、特点和解决办法不能直接适用于公共交通系统。公共交通使用者的出行目的往往不如汽车用户多样，且受服务时刻表的约束，加之避免高峰使用的好处更少（Maunsell，2007），公共交通需求管理会受到更大的限制。公共交通机构一般不想让客户流失到其他交通方式；他们更愿意在时间上或在不同路线之间重新分配需求（Maunsell，2007）。此外，公共交通是一项公共服务，因此阻止或不鼓励人们使用公共交通在政治上的说服力不足（Henn、Douglas and Sloan，2011）。传统的出行需求管理和公共交通需求管理不一定是互补的，在拥堵时段将人们从汽车转移到公共交通工具可能与公共交通需求管理鼓励非高峰出行的政策相悖。
有效和高效率的公共交通政策尚未得到充分研究或广泛实施。差异化票价在应对高峰时段拥堵方面已经司空见惯(Cervero, 1990; Mark and Phil，2006; Wang、Li and Chen, 2015; J.Zhang、Yan、An and Sun, 2017; Z.Zhang、Fujii and Managi, 2014)，并且研究表明人们愿意以花钱的方式避免拥挤(Prudhomme、Koning、Lenormand and Fehr, 2012)。李铮和亨舍（Z.Li and Hensher，2011）对拥挤评估研究的回顾发现，虽然大多数研究仅考虑车内拥挤，但乘客表现出愿意为进出通道、入口、站台/车站和车内拥挤的减少付费。许多研究使用智能卡或调查数据预估了公共交通拥堵的数值(Batarce、Muoz and Ortúzar, 2016; Hrcher、Graham and Anderson, 2017; Kroes、Kouwenhoven、Debrincat and Pauget, 2014; Tirachini、Hurtubia、Dekker and Daziano, 2017; Yap、Cats and van Arem, 2018)。例如，霍希等人（Hrcher et al.，2017）得出的结论是，列车上每平方米增加一名乘客造成的负效用，平均相当于其出行时间延长11.92%。这与克罗斯等人（Kroes et al.，2014）基于对巴黎公交用户的调查报告得出的负效用一致。
公共交通特定的出行需求管理策略包括在新加坡和墨尔本的高峰前时段免票价项目（Currie，2009；Pluntke and Prabhakar，2013），以及用于香港地铁系统的基于路线的激励机制（S.M.Li and Wong，1994）。华盛顿、伦敦、东京和悉尼等城市也实施了类似的折扣或高峰附加费。其他公共交通需求管理选项包括与雇主合作（LTA，2014）、彩票/回扣奖励计划（Pluntke and Prabhakar，2013），或提供公共拥堵信息（旧金山湾区捷运系统BART和东日本旅客铁路公司JR East）。最近，旧金山湾区捷运系统测试了补贴奖励计划，该计划鼓励乘客在早上高峰时段外出行。 参加该计划的旧金山湾区捷运系统乘客每乘坐1英里，即可自动赚取1积分。在高峰时段之前和高峰时段之后（上午6:30—7:30，以及上午8:30—9:30），他们最多可以赚取6倍积分。可以将积分兑换成少量的现金奖励或彩票（Greene-Roesel、Castiglione、Guiriba and Bradley，2018）。
对此类公共交通需求管理策略有效性的实证研究表明，2%—5%的用户会因非高峰折扣而离开高峰时段(Currie, 2009; Halvorsen、Koutsopoulos、Lau、Au and Zhao, 2016)。最近对旧金山湾区捷运系统补贴奖励实验的评估显示，高峰时段的出行发生了10%的变化（Greene\|Roesel et al.，2018）。实证研究还得出结论，乘客对公共交通需求管理策略（如折扣、免费旅行等）的时间转换行为受许多因素的影响，包括灵活性、调换时间、行程长度、票价和折扣水平、社会人口特点等(Anupriya、Graham、Hrcher and Anderson, 2018; Halvorsen et al., 2016)。调查研究得出的结论是，乘客愿意在早高峰期间改变出行时间，以获取票价折扣和/或更快的出行(Henn et al., 2011; Kroes et al., 2014; Z.Li and Hensher, 2011; J.Zhang et al., 2017)。
公共交通中自动数据采集系统（ADCS）的广泛应用，如智能卡数据，把过去不可能的研究变为可能（Koutsopoulos、Ma、Noursalehi and Zhu，2018；Pelletier Trépanier and Morency，2011），包括支持公共交通需求管理设计和评估的研究。除了用户和车辆在何时何地出行的总体趋势外，这些数据还提供了特定群体甚至个人出行模式的详细信息，可以为项目设计提供参考。本研究聚焦于将用户划分为更多聚类的方法。通过区分不同类型的用户及其对公共交通需求管理策略的响应，决策者可以更好地理解导致策略成功（或失败）的因素，以及如何瞄准特定的客户。若仅使用有限的调查数据，这样的分析要困难得多。自动数据采集系统还简化了政策评估的监控阶段；由于数据是连续收集的，因此可以将行为变化与任何先前阶段进行比较，并进行追溯性评估。
本文在综合以往的出行需求管理文献和实际的公共交通需求管理经验的基础上，讨论了开发公共交通需求管理项目框架的主要步骤。在每个步骤中制定详细的协议/方法超出了本文的范围，因为并非所有这些都与特定系统相关并需要解决具体的问题。本文在分析香港地铁推行折扣策略的案例中，阐述主要步骤。我们提出了利用自动收费采集系统(AFC)数据评估公共交通需求管理有效性的一种多层次、多尺度的新方法，并特别关注用户行为，这是公共交通需求管理中的一个重要但仍缺乏理解的领域。
本研究的主要贡献如下：
利用AFC数据提供的信息，制定和讨论公共交通需求管理开发所需的步骤，以实现问题识别、高效设计、有效评估和监控。
使用香港地铁网络推行的非高峰折扣策略讨论公共交通需求管理的主要步骤，重点是评估用户的行为反应。
基于AFC数据，创造一种全新的多层次（系统、群组和个人层面）公共交通需求管理策略评估方法。
提出一种变点方法（change-point method）,用于识别为响应公共交通需求管理策略而改变行为的乘客；构建离散选择模型，识别和量化导致行为改变的最重要因素。
本文的其余部分安排如下：第2节讨论开发公共交通需求管理项目框架的主要步骤。第3节将此框架应用于港铁“早鸟”折扣优惠，介绍港铁的背景和设计，并对政策进行评估。第4节讨论了主要发现，并提出了公共交通需求管理项目的三个改进领域。第5节是全文的总结。
2.公共交通需求管理的概念框架
出行需求管理项目的开发包括以下主要阶段\[摘自Loukopoulos（2007)，以更充分地理解政策设计的程序和公共交通的核心特点\]：
问题识别和项目目标
设计
评估
监测
自动采集的数据是我们能够采用这个框架的一个关键因素。AFC系统对于需求管理应用尤其有效，因为它们有助于详细了解个人出行模式的空间、时间特征。有了更详细的数据，我们就可以更深入地分析现有条件，构建模型以预测公共交通需求管理项目设计的影响并估计其成本，以及评估缓解拥堵的措施。此外，AFC数据有助于对用户进行面板分析(panel analysis)，从而深入了解公共交通需求管理策略引入前后的用户行为变化。不过，这些匿名数据可能不足以分析某些因素，如人口特征和用户对政策的看法，因此可能仍需要调查数据来补充这些数据。
2.1问题识别和项目目标
一般来说，公共交通需求管理项目的首要动机是减少交通网络中的拥堵，但是稳健的政策设计必须考虑本地环境及其需求问题的特定性质。为了给项目设定具体的目标和用户对象，主要考虑的因素应包括拥堵模式、涉及的利益相关者和时间范围。
拥堵模式：从本质上讲，拥堵是服务供给和用户对服务的需求（在空间和时间上）失衡的结果。 在公共交通需求管理中，供给水平是固定的，用户特征（如社会人口概况和生活方式偏好）也是固定的。 然而，如果公共交通需求管理策略可以更好地选择目标用户，则该策略可能导致用户行为的改变。
AFC数据提供了与用户使用公共交通系统的时空特性相关的有用信息，这些信息对公共交通需求管理项目有重要意义。从AFC数据中可以得出衡量拥堵问题的维度，包括它在模式、时间和单个设施之间的分布，以及对公共交通系统满足出行需求能力产生影响的特定资源约束。这些都是重要的方面，因为它们会影响适用于解决拥堵问题的公共交通需求管理策略的性质和类型。AFC数据（尤其是结合了社会人口统计特征的数据）使我们可以洞悉用户的约束条件、态度以及可能影响他们对公共交通需求管理做出反应的其他因素，进而影响公共交通需求管理策略获得成功的可能性。
利益相关者：除公共交通机构外，潜在的利益相关者还包括现有（和潜在）乘客、规划机构和其他政府机构、雇主和企业，以及其他当地交通运营商。虽然公共交通机构可以自行开发公共交通需求管理项目，但与其他团体合作可以提供额外的机会。政府与所有地方公共交通部门合作，并从社会团体和企业那里获得意见的综合型项目在方法和目标上很可能不同于主要由单一机构领导、监督范围有限的项目。
时间范围：可以在短期内制定需求管理政策，以应对预期的需求激增，如伦敦奥运会的交通计划；或者在中期内重新分配需求，并更有效地利用可用承载量直到有可能扩大运力。从长远看，公共交通需求管理可与额外运力结合使用，也可通过更广泛的交通运力增长模式影响需求。对未来需求的预测、对运力的预测以及制约可行拥堵管理计划的预算约束，都可以用来了解给定项目的合适规模。
上述方面为公共交通需求管理项目的具体目标提供了信息。尽管不同的利益相关者可能对项目有不同的优先考虑，但机构的目标可能包括在特定时间或地点（在特定预算约束内）减少客流。了解拥堵问题的时空特征以及用户属性，指导决策者做出决策，例如将用户转移到一天中不同时间、不同路线或不同（公共交通）模式。目标还可能包括更多的定性指导，例如深受用户欢迎或易于理解的政策。时间期限不仅有可能影响实现这些目标的速度，设置各种里程碑的时间，还会与利益相关者一起，影响可行的项目设计和结果。
2.2设计
基于对问题的理解，图1从需求和供给两方面描述了公共交通需求管理设计过程和需要考虑的关键因素。虽然这些因素的重要性因背景和机构的目标而异，但每一个因素都涵盖了我们考虑的整个设计，并增大了产生积极影响的可能性。
公共交通需求管理设计的第一步是确定干预的维度，然后设置各种参数。如果有相关数据可用，则可以将它们用于预测以确保效果接近预期。在检查设计是否可行后，最后一步是确定如何通过公共信息和营销材料推广该设计。设计过程可能是一个迭代过程，因为利益相关者的反馈会影响最终设计。
文献中已经提出了不同的方法来描述各种干预措施。一个经常被引用的方案区分了影响出行需求的先导因素，将政策划分为实质性改变、法律政策、经济政策以及教育和宣传运动（Steg，2003）。此外，干预措施可能是“硬性的”， 也可能是“软性的”，前者改变不同选择的特征（例如票价差异或影响土地利用），后者通过营销或出行规划工具改变用户对其出行选择的看法（Bamberg、Fujii、Friman and Grling, 2011）。硬性措施又分为市场导向型政策和管制型政策，前者通过价格影响用户，后者以立法的形式要求或促进某些行动，不过这类政策在公共交通中不那么普遍。根据其强制水平，干预措施又可分为“推动”型或“拉动”型（Grling et al., 2002）。推动型措施降低了一个选项的吸引力，使用户远离它（例如高峰附加费），而拉动型措施使另一个选项更具吸引力，以吸引用户（例如非高峰折扣）。通常，推动型措施更有效（Eriksson、Nordlund and Garvill，2010），但用户不太能接受（Steg and Vlek，1997）。加尔林等人（Grling amd Fujii，2006）认为，组合措施有助于激活更多与行为改变相关的心理变量（认知技能、道德义务等）。
此外，交通管理当局还可以通过多种途径管理用户需求：
客户：直接影响客户的措施可以应用于全部用户，也可以只作用于满足特定条件的用户，或者只选择在项目中注册的用户。它们可能属于定价机制（高峰/非高峰差价、基于路线的票价），其他福利（彩票、优惠券）或信息提供（行程规划师、拥挤数据）。
雇主：由于雇主和其他大机构设定了许多用户出行活动的时间，因此交通主管当局可以帮助它们实施内部的公共交通管理需求项目，例如弹性工时政策。 对于主要雇主，量身定制的需求管理激励措施可能会使整个公共交通系统受益。
 |
更广泛的渠道：一些政策，如影响土地利用模式或直接规范交通网络使用的政策，可能会更广泛地影响区域出行模式，而不是直接影响公共交通的使用。这些措施通常涉及更多的利益相关者，并需要更多的时间来产生明显的影响。
设计参数界定了政策的实施方式。一个关键的参数是目标用户群体：针对特定用户的公共交通需求管理干预比一般政策更有成效或效率更高（Bamford、Carrick、Hay and MacDonald, 1987），尤其是如果它们采取了激励的形式。理论上每个用户都有他自己的行为改变阈值，即“改变意愿”。识别这个特征并只给某人最低限度的必要激励，交通管理当局就可以提高其效率（为相同的结果花费更少的钱）或有效性（在相同的资源下有更高的响应率），但这样的方案在政治上既不可行也很困难。不过，这个问题可以通过利用同质群体来解决。政策既可以通过识别特定群体的需求来诱导行为改变，也可以依靠自我选择，这就需要给那些可能做出反应的用户提供激励。有许多方法可以对用户进行分类，例如根据社会经济特征、按路线或时间划分的公共交通系统使用情况等。确定适当的分类条件是设计过程的重点。
公共交通需求管理项目的规模（例如票价差异化水平或参与者人数）也是一个关键参数，尤其是对于硬政策而言（Eriksson et al., 2010）。在问题识别阶段进行的拥堵分析可用于确定政策的实施时间、模式和空间覆盖范围，确保覆盖公共交通系统最拥挤的时段和部分。项目的持续时间也是一个重要的因素。
虽然有关车辆交通出行需求策略的优化设计（涉及收费地点和定价水平的优化）在文献中得到了一些关注（Ekstrm、Sumalee and Lo, 2012; Hamdouch、Florian、Hearn and Lawphongpanich, 2007; Kachroo、Gupta、Agarwal and Ozbay,2017; Wie, 2007; Wie and Tobin, 1998)，但公共交通需求管理策略通常是在试错的基础上开发的。最近，马振良和考特索帕罗斯（Ma and Koutsopoulos,2018）提出了一种基于优惠促销的公共交通需求管理策略的“最优”设计方法，系统地评估了各种优惠促销设计结构的有效性，并用实证数据证明了其适用性。杨海和唐伊丽（2018）描述了一个票价奖励计划（FRS），构建了一个简单的公交网络系统，在高峰时段付费出行达到一定额度后，在边缘时段奖励通勤者一次免费出行。
从技术促进因素和实施成本看，设计的实用性和可行性是一个重要的考虑因素。近年来移动传感器的出现和智能卡的广泛使用增加了技术选择以支持创新。然而实施这些方案可能会产生成本，包括损失票价收入、增加员工工时、技术采购和营销成本等。然而，一些政策也可以通过吸引新客户来增加收入，或者允许交通管理当局购买新的基础设施来降低成本（Currie，2009）。
政策应该得到公众和决策者的必要支持。政策的接受度由许多因素决定，包括问题意识、对有效性和公平性的看法、对问题的责任感以及社会规范和价值观（Schade and Schlag，2003；Schlag and Teubel，1997）。政治接受度通常取决于公众意见（Grling and Schuitema，2007），尽管施拉克和托贝尔（Schlag and Teubel，1997）指出，政客可能并不总能准确地感知公众意见。
政策设计还必须确认在政策到位的情况下人们将如何使用公共交通系统：用户是否能够利用漏洞？在服务中断的情况下，该政策将如何发挥作用？它是否过于复杂，以至于它的有效性可能会降低？有学者（Maruyama and Sumalee，2007）认为，复杂的设计在理论上可能是最优的，但是更容易理解的设计可能会有更高的参与度和认可度。一旦设计完成，一份营销和宣传计划可能有助于鼓励用户快速采用和广泛参与。
2.3评估
公共交通需求管理项目的评估包括许多维度，如图2所示。
项目实现预期效果的有效性
从交通管理当局的角度或从更广泛的社会角度实现收益大于成本的效率
公众和地方决策者的可接受性
 |
虽然每个因素本身都很重要，但这些因素也是相互关联的。例如，看到一个项目有效果的用户可能会更容易接受它，而且在相同的资源下，一个更有效果的项目也会更有效率。项目对交通系统的影响（以下简称系统影响）与有效性最直接相关，但也可以与机构影响和/或社会影响结合起来研究效率。项目对客户的影响也可以用来研究项目的有效性，也可以让交通管理当局了解人们对项目的看法。
许多指标可用来衡量这些因素。这些指标被划分成：系统影响，这与减少拥堵目标直接相关；对用户的影响（以下简称用户影响），它反映了用户在服务中看到的因项目对系统产生影响而发生的其他变化，以及用户如何看待这些结果；对交通管理当局的影响，它反映了资源的使用情况；对社会的影响（以下简称社会影响），它反映了更广泛的结果。根据出行需求管理项目的目标，可以制定并优先考虑由AFC数据支持的不同指标。例如，对于减少拥堵这一目标有用的指标包括：
系统影响：系统中累计的乘客（系统中任何给定时点车站和列车上的乘客总数；根据AFC数据计算，系统的累计进入量减去累计流出量）、关键车站出入口流量、线路流量或按时间、方向划分的平均车辆荷载。
用户影响：每个区域的乘客/站立人数、未上车/在站台等候（Ma、Koutsopoulos、Chen and Wilson, 2019; Zhu、Koutsopoulos and Wilson, 2017a, 2017b）、行程时间可靠性（Koutsopoulos et al., 2018; Ma、Ferreira and Mesbah, 2014）。
机构影响：项目成本、资助/收入和资源分配的变化。
社会影响：对不同类型乘客的影响分布（平等和公平）。
应用AFC数据为我们在三个不同的聚合层次上进行评估提供了新的方法：
全系统（所有乘客）：从操作的角度看，在系统层面（即线路或车站流量）上完全聚合的乘客数据很有用。它可以帮助理解总需求的变化，潜在地反映服务质量和典型用户的体验。对于缺乏详细乘客数据的交通管理当局来说，这是唯一可能的分析类型。
用户组：对用户行为的详细分析可以深入了解策略的特定影响。监控特定用户群体的行为有助于了解哪些特征使人们更有可能对干预做出反应，以及如何调整策略以适应不同的行为。基于群体分析的有效性取决于对适当群体的识别。利用一段时间内的AFC数据，基于与公共交通需求管理干预设计相关的特征向量的聚类方法可以用来识别利益相关的群体。
个人乘客：使用AFC数据构建的匿名个人用户的面板数据，为公共交通需求管理策略实施前后的乘客行为监控提供了独特的工具。这是一种强有力的手段，通过它，我们了解个人面对新政策时其出行模式是如何变化的，获得有益的洞见，为改进设计提供信息，而改进后的设计可以更好地反映用户的差异以及个人行为变化能自我持续多久。变点分析方法可用于系统地识别面对公共交通需求管理策略而改变其行为的用户。离散选择模型基于对改变行为的用户所做的统计推断，可用于识别对乘客改变其行为的决策产生影响的主要因素，从而为将来更有效率的设计方案提供依据。
2.4监测
公共交通需求管理项目的有效性可能会随时间而变化。在初始评估之后，应继续监测项目的影响如何发生变化，以反映策略变化引发的中长期变化（Currie, 2011; Maunsell, 2007）。它的影响可能会有季节性的变化，这取决于节日和天气等事件。更重要的是长期的用户接受度可能会发生变化，该理论认为干预会改变人们对出行的满意度，但随着时间的推移他们会调整并回到以前的满意水平（Brickman and Campbell，1971）。从这个意义上说，对目标用户进行监测意义重大。同样，公众或政治上的接受程度可能会发生改变，从而使得公共交通需求管理的影响会随着时间而减弱。
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。
 |
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)。
 |
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)。
 |
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。
 |
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。
 |
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：
 |
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。
 |
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、Krmer 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):
 |
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）。
 |
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。
 |
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)。
 |
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。
 |
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)。
4.讨论
案例研究的结果表明，交通管理机构可以通过以下几种方式设计简单的票价折扣方案。下面列出的建议面向特定群体，或者放宽了用户的时间置换约束，以此说明用户的不同特征。交通管理机构可以选择是否面向某一群体，但也可以面向不同群体进行不同程度的干预。这些干预措施的可行性取决于乘客对复杂性、合作机会以及财务影响的态度。
定价结构:折扣结构可以模仿消费回扣，在一段时间内(例如每周)提供一次大额返还。这可能会吸引那些忽视小额以及定期折扣的用户，凸显节约总量。另一种选择是引入彩票政策，而不是保证返还。通过让注册用户有机会中彩，造成只有那些对价格更敏感或对参与感兴趣的用户才会参加，这意味着不改变行为的用户中彩的人数更少。注册要求可以让交通管理机构给用户更高的回报或更高的中彩几率，特别是如果它愿意支付与用户票价差价相同的金额。
定价基础:与其仅根据终点站提供折扣，不如针对起始站、特定线路或替代线路提供优惠。这些选项分别能更好地管理出行时间、车内拥挤或更改出发时间的不确定性。在不太拥挤的线路上打折可以平衡整个交通网络的需求，提高运力利用率。智能手机和位置服务与公共交通支付的一体化，使得采用这种基于线路的策略成为可能。
目标客户信息:提供更个性化的信息将帮助乘客做出更好的出行决策，显示最符合其需求的非高峰出行收益。可能的策略包括针对站点或用户的市场营销，或者让在线出行规划者看到特定时间的票价和拥挤数据。用户还可以通过交通管理机构网站上的个性化页面获得具体的出行建议(可能会根据用户所属群组的信息，或者用户特征与面板分析中的各因素之间的关系)。
相比于用新基础设施增加运力，需求干预见效更快、效率更高，但在公共交通中，需求干预通常被视为临时解决方案，直至运力得到增加。然而，即使在运力增加之后，交通管理机构仍可以将公共交通需求管理策略作为补充，为寻找解决其拥堵和业务需求的最佳方案提供更多工具。
5.结论
本文为公共交通系统需求管理策略的设计与评估提出了一个框架。了解与拥堵有关的需求模式和政策实施的背景，可以帮助决策者基于各种参数设计出更有效的政策干预策略。公共交通需求管理策略的评估和监测不仅要考虑需求的总体变化，同时需要详细分析乘客反应，通过反馈指导该策略的不断优化。AFC数据是持续动态评估的可靠数据来源，相较于过去的数据源，AFC数据可用于更精准地研究需求模式。相较于汇总数据分析，聚类分析和面板分析可以更好地洞察用户对所实施策略的反应，且不同于调研数据，它们可以运用在大规模的应用分析上。
本文利用一个公共交通系统的拥堵数据进行了实例研究，验证了本文提出的评估框架的有效性。结果表明，定价激励能有效地将用户转移出高峰时段，导致需求在时间上的再分配。我们对所有用户需求模式的变化进行分析后发现，早鸟优惠对错峰出行有影响，尽管可能不足以逆转外源客流的增长。此外，更多的分解分析（disaggregate analysis）表明，应关注通勤者和间歇用户，优惠活动的目标行程在他们的行程中占相当大的量，而且他们愿意接受票价差异。本研究中其他群组的出行次数太少，不是优惠活动的优先考虑对象，或者需要其他类型的激励措施鼓励他们在非高峰时段出行。面板分析进一步表明，考虑到用户强烈反对改变出行时间，部分设计可能需要调整。增加用户出行的灵活性，改进多式联运，更好地瞄准对价格敏感的用户，都是提高效率的有效方法，通过纵向分析进行监测可以为长期干预提供信息。
本文对行为改变者的识别分析依赖于智能卡数据，将行为改变与优惠活动的设计相关联。考虑在调查的同时进行面板分析的未来研究将使我们可以更精确地预测用户的反应，并更好地控制其他因素，如生活方式特征和社会人口特征。此外，我们还可以对用户行为改变的程度进行更详细的建模，例如序贯选择模型可首先用于对用户是否改变行为的决策建模，其次对有行为改变的行程建模(Ben-Akiva、Lerman and Lerman, 1985)。■
（国务院发展研究中心资源与环境政策研究所李继峰译）
参考文献
Anupriya, A., Graham, D., Hrcher, D., & Anderson, R.J.(2018).The Impact of Early Bird Scheme on Commuter Trip Scheduling in Hong Kong: A Causal Analysis Using Travel Card Data.Paper presented at the Transportation Research Board 97th Annual Meeting, Washington DC, United States.
Arthur, D., & Vassilvitskii, S.(2007).K-means++: the Advantages of Careful Seeding.Paper presented at the Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans, Louisiana.
Bai, J.(1994).Least Squares Estimation of a Shift in Linear Processes.Journal of Time Series Analysis, 15(5), 453-472.doi:10.1111/j.1467-9892.1994.tb00204.x.
Bamberg, S.,Fujii, S., Friman, M., & Grling, T.(2011).Behaviour Theory and Soft Transport Policy Measures.Transport Policy, 18(1), 228-235.doi:https://doi.org/10.1016/j.tranpol.2010.08.006.
Bamford, C.G., Carrick, R.J., Hay, A.M., & MacDonald, R.(1987).The Use of Association Analysis in Market Segmentation for Public Transport: a Case Study of Bus Passengers in West Yorkshire, UK.Transportation, 14(1), 21-32.doi:10.1007/BF00172464.
Batarce, M., Muoz, J.C., & Ortúzar, J.d.D.(2016).Valuing Crowding in Public Transport: Implications for Cost-benefit Analysis.Transportation Research Part A: Policy and Practice, 91, 358378.doi:https://doi.org/10.1016/j.tra.2016.06.025.
Ben-Akiva, M.E., Lerman, S.R., & Lerman, S.R.(1985).Discrete Choice Analysis: Theory and Application to Travel Demand (Vol.9): MIT press.
Brickman, P., & Campbell, D.(1971).Hedonic Relativism and Planning the Good Society: New York: Academic Press.
Cervero, R.(1990).Transit Pricing Research.Transportation, 17(2), 117-139.doi:10.1007/BF02125332.
Currie, G.(2009).Exploring the Impact of the “Free before 7” Campaign on Reducing Overcrowding on Melbournes Trains.Paper presented at the 32nd Australasian transport research forum, Auckland, New Zealand.
Currie, G.(2011).Design and Impact of a Scheme to Spread Peak Rail Demand Using Pre-peak Free Fares.Paper presented at the European Transport Conference Glasgow, Scotland.
Dale, S., Frost, M.W.,Ison, S.G., & Warren, P.(2015).Evaluating Transport Demand Management Interventions.Paper presented at the Transportation Research Board 94th Annual Meeting, Washington DC, United States.
Ekstrm, J., Sumalee, A., & Lo, H.K.(2012).Optimizing Toll Locations and Levels Using a Mixed Integer Linear Approximation Approach.Transportation Research Part B: Methodological, 46(7), 834-854.doi:https://doi.org/10.1016/j.trb.2012.02.006.
Eriksson, L.,Nordlund, A.M., & Garvill, J.(2010).Expected Car Use Reduction in Response to Structural Travel Demand Management Measures.Transportation Research Part F: Traffic Psychology and Behaviour, 13(5), 329-342.doi:https://doi.org/10.1016/j.trf.2010.06.001.
Ferguson, E.(1990).Transportation Demand Management Planning, Development, and Implementation.Journal of the American Planning Association, 56(4), 442-456.doi:10.1080/01944369008975448.
Grling, T., Eek, D., Loukopoulos, P., Fujii, S., Johansson-Stenman, O., Kitamura, R., ...Vilhelmson, B.(2002).A Conceptual Analysis of the Impact of Travel Demand Management on Private Car Use.Transport Policy, 9(1), 59-70.doi:https://doi.org/10.1016/S0967-070X(01)00035-X.
Grling, T., & Fujii, S.(2006).Travel Behavior Modification: Theories, Methods, and Programs.Paper presented at the 11th international conference on travel behavior research, Kyoto, Japan.
Grling, T., & Schuitema, G.(2007).Travel Demand Management Targeting Reduced Private Car Use: Effectiveness, Public Acceptability and Political Feasibility.Journal of Social Issues, 63(1), 139-153.doi:10.1111/j.1540-4560.2007.00500.x.
Giuliano, G.(1992).Transportation Demand Management: Promise or Panacea?Journal of the American Planning Association, 58(3), 327-335.doi:10.1080/01944369208975811.
Gordon, J.,Koutsopoulos, H., Wilson, N., &Attanucci, J.(2013).Automated Inference of Linked Transit Journeys in London Using Fare-Transaction and Vehicle Location Data.Transportation Research Record: Journal of the Transportation Research Board, 2343, 17-24.doi:10.3141/2343-03.
Goulet-Langlois, G.,Koutsopoulos, H.N., & Zhao, J.(2016).Inferring Patterns in the Multi-week Activity Sequences of Public Transport Users.Transportation Research Part C: Emerging Technologies, 64, 1-16.doi:https://doi.org/10.1016/j.trc.2015.12.012.
Greene-Roesel, R., Castiglione, J., Guiriba, C., & Bradley, M.(2018).BART Perks: Using Incentives to Manage Transit Demand.Transportation Research Record: Journal of the Transportation Research Board.doi:10.1177/0361198118792765.
Halvorsen, A.,Koutsopoulos, H.N., Lau, S., Au, T., & Zhao, J.(2016).Reducing Subway Crowding: Analysis of an Off-Peak Discount Experiment in Hong Kong.Transportation Research Record: Journal of the Transportation Research Board, 2544, 38-46.doi:10.3141/2544-05.
Hamdouch, Y., Florian, M., Hearn, D.W., & Lawphongpanich, S.(2007).Congestion Pricing for Multimodal Transportation Systems.Transportation Research Part B: Methodological, 41(3), 275-291.doi:http://dx.doi.org/10.1016/j.trb.2006.04.003.
Henn, L., Douglas, N., & Sloan, K.(2011).Surveying Sydney Rail Commuters Willingness to Change Travel Time.Paper presented at the 34th Australasian Transport Research Forum Adelaide, Australia.
Hrcher, D., Graham, D.J., & Anderson, R.J.(2017).Crowding Cost Estimation with Large Scale Smart Card and Vehicle Location Data.Transportation Research Part B: Methodological, 95, 105-125.doi:http://dx.doi.org/10.1016/j.trb.2016.10.015.
Hurdle, J.(2014).Use of Public Transit in US Reaches Highest Level Since 1956, Advocates Report.Retrieved from https://www.nytimes.com/2014/03/10/us/use-of-public-transit-in-us-reaches-highestlevel-since-1956-advocates-report.html.
Jolliffe, I.(2011).Principal Component Analysis.In International Encyclopedia of Statistical Science (pp.1094-1096): Springer.
Kachroo, P., Gupta, S., Agarwal, S., & Ozbay, K.(2017).Optimal Control for Congestion Pricing: Theory, Simulation, and Evaluation.IEEE Transactions on Intelligent Transportation Systems, 18(5), 1234-1240.doi:10.1109/TITS.2016.2601245.
Koutsopoulos, H.N., Ma, Z., Noursalehi, P., & Zhu, Y.(2018).Transit Data Analytics for Planning, Monitoring, Control and Information.In C.Antoniou, L.Dimitriou, & F.Pereira (Eds.),Mobility Patterns, Big Data and Transport Analytics(1 ed., pp.448): Elsevier.
Kroes, E., Kouwenhoven, M., Debrincat, L., & Pauget, N.(2014).Value of Crowding on Public Transport in le-de-France, France.Transportation Research Record: Journal of the Transportation Research Board, 2417, 37-45.doi:10.3141/2417-05.
Li, S.-M., & Wong, F.C.L.(1994).The Effectiveness of Differential Pricing on Route Choice.Transportation, 21(3), 307-324.doi:10.1007/BF01099216.
Li, Z., & Hensher, D.A.(2011).Crowding and Public Transport: A Review of Willingness to Pay Evidence and Its Relevance in Project Appraisal.Transport Policy, 18(6), 880-887.doi:https://doi.org/10.1016/j.tranpol.2011.06.003.
Loukopoulos, P.(2007).A Classification of Travel Demand Management Measures.In Threats from Car Traffic to the Quality of Urban Life: Problems, Causes and Solutions (pp.273-292): Emerald Group Publishing Limited.
LTA, S.(2014).Travel smart.Retrieved from http://www.lta.gov.sg/content/ltaweb/en/publictransport/mrt-and-lrt-trains/travel-smart.html.
Luo, D., Cats, O., & Lint, H.v.(2017, 26-28 June 2017).Analysis of Network-wide Transit Passenger Flows Based on Principal Component Analysis.Paper presented at the 2017 5th IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS).
Ma, Z., Ferreira, L., & Mesbah, M.(2014).Measuring Service Reliability Using Automatic Vehicle Location Data.Mathematical Problems in Engineering, 2014.
Ma, Z., & Koutsopoulos, H.N.(2018).Optimal Design of Promotion Based Transit Demand Management Strategies.Working paper.
Ma, Z.,Koutsopoulos, H.N., Chen, Y., & Wilson, N.H.M.(2019).Estimation of Denied Boarding in Rrban Rail Systems: Alternative Formulations and Comparative Analysis.Transportation Research Record.
Mark, S., & Phil, C.(2006).Developments in Transit Fare Policy Reform.Paper presented at the 29th Australasian Transport Research Forum Queensland, Australia.
Maruyama, T., & Sumalee, A.(2007).Efficiency and Equity Comparison of Cordon-and Area-based Road Pricing Schemes Using a Trip-chain Equilibrium Model.Transportation Research Part A: Policy and Practice, 41(7), 655-671.doi:https://doi.org/10.1016/j.tra.2006.06.002.
Maunsell, F.(2007).Demand Management Techniques-peak Spreading.Retrieved from Department for Transport, Transport for London and Network Rail, London, United Kingdom.
Pelletier, M.-P.,Trépanier, M., & Morency, C.(2011).Smart Card Data Use in Public Transit: A Literature Review.Transportation Research Part C: Emerging Technologies, 19(4), 557-568.doi:https://doi.org/10.1016/j.trc.2010.12.003.
Pluntke, C., & Prabhakar, B.(2013).INSINC: A Platform for Managing Peak Demand in Public Transit.JOURNEYS, Land Transport Authority Academy of Singapore, 31-39.
Prudhomme, R., Koning, M., Lenormand, L., & Fehr, A.(2012).Public Transport Congestion Costs: The Case of the Paris Subway.Transport Policy, 21, 101-109.doi:http://doi.org/10.1016/j.tranpol.2011.11.002.
Rose, G.(2007).Appraisal and Evaluation of Travel Demand Management Measures.Paper presented at the 30th Australasian Transport Research Forum, Melbourne, Victoria, Australia.
Rousseeuw, P.J.(1987).Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis.Journal of Computational and Applied Mathematics, 20, 53-65.
Schade, J., & Schlag, B.(2003).Acceptability of Urban Transport Pricing Strategies.Transportation Research Part F: Traffic Psychology and Behaviour, 6(1), 45-61.doi:https://doi.org/10.1016/S13698478(02)00046-3.
Schlag, B., & Teubel, U.(1997).Public Acceptability of Transport Pricing.IATSS Research, 21, 134-142.
Smith, B., & Moniruzzaman, M.(2014).Review of TDM Appraisal and Evaluation Tools.Retrieved from Perth, Australia.
Steg, L.(2003).Factors Influencing the Acceptability and Effectiveness of Transport Pricing.In Acceptability of Transport Pricing Strategies (pp.187-202): Pergamon Press.
Steg, L., & Vlek, C.(1997).The Role of Problem Awareness in Willingness-to-change Car Use and in Evaluating Relevant Policy Measures.Paper presented at the Traffic and Transport Psychology: Theory and Application, Amsterdam, Netherlands.
Taylor, C., Nozick, L., & Meyburg, A.(1997).Selection and Evaluation of Travel Demand Management Measures.Transportation Research Record: Journal of the Transportation Research Board(1598), 4960.
Tibshirani, R., Walther, G., & Hastie, T.(2001).Estimating the Number of Clusters in a Data Set via the Gap Statistic.Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-423.
Tirachini, A., Hurtubia, R., Dekker, T., & Daziano, R.A.(2017).Estimation of Crowding Discomfort in Public Transport: Results from Santiago de Chile.Transportation Research Part A: Policy and Practice, 103, 311-326.doi:https://doi.org/10.1016/j.tra.2017.06.008.
Wang, Z.-j., Li, X.-h., & Chen, F.(2015).Impact Evaluation of a Mass Transit Fare Change on Demand and Revenue Utilizing Smart Card Data.Transportation Research Part A: Policy and Practice, 77, 213224.doi:https://doi.org/10.1016/j.tra.2015.04.018.
Wie, B.-W.(2007).Dynamic Stackelberg Equilibrium Congestion Pricing.Transportation Research Part C: Emerging Technologies, 15(3), 154-174.doi:http://dx.doi.org/10.1016/j.trc.2007.03.002.
Wie, B.-W., & Tobin, R.L.(1998).Dynamic Congestion Pricing Models for General Traffic Networks.Transportation Research Part B: Methodological, 32(5), 313-327.doi:http://dx.doi.org/10.1016/S01912615(97)00043-X.
Yang, H., & Tang, Y.(2018).Managing Rail Transit Peak-hour Congestion with a Fare-reward Scheme.Transportation Research Part B: Methodological, 110, 122-136.doi:https://doi.org/10.1016/j.trb.2018.02.005.
Yap, M., Cats, O., & van Arem, B.(2018).Crowding Valuation in Urban Tram and Bus Transportation Based on Smart Card Data.Transportmetrica A: Transport Science, 1-20.doi:10.1080/23249935.2018.1537319.
Zeileis, A., Kleiber, C., Krmer, W., & Hornik, K.(2003).Testing and Dating of Structural Changes in Practice.Computational Statistics & Data Analysis, 44(1), 109-123.doi:https://doi.org/10.1016/S01679473(03)00030-6.
Zhang, J., Yan, X., An, M., & Sun, L.(2017).The Impact of Beijing Subways New Fare Policy on Riders Attitude, Travel Pattern and Demand.Sustainability, 9(5), 689.
Zhang, Z.,Fujii, H., & Managi, S.(2014).How Does Commuting Behavior Change Due to Incentives? An Empirical Study of the Beijing Subway System.Transportation Research Part F: Traffic Psychology and Behaviour, 24, 17-26.doi:https://doi.org/10.1016/j.trf.2014.02.009.
Zhu, Y.,Koutsopoulos, H.N., & Wilson, N.H.M.(2017a).Inferring Left Behind Passengers in Congested Metro Systems from Automated Data.Transportation Research Part C: Emerging Technologies.doi:https://doi.org/10.1016/j.trc.2017.10.002.
Zhu, Y.,Koutsopoulos, H.N., & Wilson, N.H.M.(2017b).A Probabilistic Passenger-to-Train Assignment Model based on Automated Data.Transportation Research Part B: Methodological.doi:https://doi.org/10.1016/j.trb.2017.04.012.
然后点选“添加到主屏幕”添加快捷方式到桌面。
