0 引言
随着信息和通信技术的飞速发展和智能手机的广泛普及，智能手机上的交通类APP已经融入人们的日常生活和出行中。这些APP通过提供多模式出行信息，集成了公共交通、共享单车及自驾等多种交通方式的实时路况、路线规划、票价等信息，可为出行者选择出行方式提供参考。然而，在城市化进程加快和交通拥堵加剧的背景下，如何有效引导小汽车出行者转向绿色出行方式已成为一个亟待解决的重要议题。交通运输行业正积极研发基于智能手机APP的出行服务系统，不断优化出行方案以引导用户选择绿色出行方式，减少交通拥堵与排放[1⇓-3]。因此，探究智能手机APP提供的多模式出行信息影响小汽车出行者向绿色出行方式转变的机制，对促进城市交通的绿色转型至关重要。
近年来，随着公共交通、轨道交通和慢行交通等的基础设施逐步完善，以及停车换乘（Park-and-Ride, P+R）设施数量的增长和共享交通模式的兴起，公众对绿色出行的关注度日益提升。这一趋势激发了研究者对小汽车出行者转向单一绿色出行方式（如P+R[4]、共享单车[5-6]或公共交通[7]）意向以及出行者选择多种绿色出行方式组合的可能性[8]的探讨。同时，智能手机APP作为出行者的辅助工具，正深刻影响着人们的出行决策过程[9-10]。在相关实证研究中，研究者普遍采用意向调查法，同时借助传统的离散选择模型（如二元Logit模型、多项Logit模型等）来分析智能手机APP提供的多模式出行信息对出行者决策行为的影响。这些研究揭示了多模式出行信息在推动人们出行方式转变中的关键作用，为决策者提供了宝贵的参考依据。例如，一些研究发现，当智能手机APP提供与P+R服务水平相关的信息时，能够有效引导小汽车出行者转向P+R，特别是在交通拥堵情况严重的情境下，这种引导作用更为明显[11-12]。
然而，当处理同一出行者多次观测产生的决策意向数据时，传统的离散选择模型由于忽略了数据间潜在的相关性，导致模型估计的准确性降低[13]。这是因为传统的离散选择模型通常基于数据独立同分布的假设[14]，难以捕捉数据的真实特征。广义线性混合模型（Generalized Linear Mixed Model, GLMM）作为一种结合了广义线性模型和随机效应模型的统计方法，能够有效处理重复观测数据间的相关性，还能精准刻画个体间的异质性，为数据分析提供了更高的灵活性和精确度[15]。尽管GLMM在交通运输领域的应用尚不广泛，但其在出行行为分析中的有效性已得到初步验证[16]，为这一领域的研究提供了新的视角和分析工具。为克服传统离散选择模型在研究同一出行者多次决策过程中存在的局限，本研究将基于GLMM方法，深入剖析智能手机APP提供的多模式出行信息如何影响小汽车出行者转向P+R的决策过程，通过处理同一个体重复决策过程中潜在的相关性和捕捉个体间的异质性，期望更准确地揭示信息在出行决策过程中的作用机制，为制定更加精准有效的绿色出行政策、优化交通信息服务提供理论支撑和实践指导。
1 小汽车出行者转向P+R的意向调查
1.1 调查设计与实施
P+R政策通常通过提供低价或免费的停车优惠，鼓励城市外围的小汽车用户在郊区停车后，换乘公共交通进入市中心，以减少城市交通拥堵。在北京、上海等轨道交通网络发达的城市，P+R设施往往布置在郊区地铁站周边，为小汽车用户提供便捷的停车换乘服务。然而，尽管地铁P+R设施的数量和规模持续增长，部分设施的利用率却未达预期，如上海大场镇站[17]。为探究大场镇站P+R设施利用率低下的原因，对周边住宅小区（包括艺康苑、馨康苑、和欣国际花园、宝宸怡景园等）的小汽车用户进行访谈。结果发现，主要原因可归结为3个方面：①P+R政策的宣传力度不足，导致新迁入居民及年轻用户普遍对P+R缺乏了解；②目前尚未有任何智能手机APP在出行规划中集成P+R路线规划功能，影响了用户的主动选择；③用户难以通过统一平台便捷地获取P+R关键信息，如行程时间、P+R停车费用等，降低了其使用意愿。
基于上述发现，设计了一项意向调查，通过向小汽车用户展示整合后的自驾与P+R多模式出行信息，探究其转向P+R的意向，以提出P+R普及率提升策略。调查内容包含两部分：①收集参与者的基本信息，包括性别、年龄、学历、驾龄及对P+R的了解程度；②进行意向实验，模拟早高峰期间日常开车通勤场景，考察在整合的多模式出行信息影响下，小汽车出行者是否会改变原有的自驾出行习惯，转向P+R。
由于百度地图等导航软件在规划自驾路线时未提供费用信息，实验中自驾路线仅考虑了出行时间，并以此作为道路拥堵程度的参考指标。而设想的手机APP界面中的P+R路线，则提供了较为详细的信息，包括出行时间、停车费用及地铁车厢座位情况等，便于小汽车用户了解并考虑P+R出行方式。这些信息的设计水平如表1所示，其中早高峰道路拥堵程度基于百度地图历史数据被划分为3个水平，并通过计算各水平下的自驾路线平均行程时间来量化拥堵程度。当前，早高峰期间P+R方式的总出行时间为77 min，每日5:30—23:30时间段内停车费为10元/次，且地铁车厢常处于拥挤状态，座位紧张。为预测未来轨道交通服务水平提升对出行者决策的影响，设定假设情景：P+R方式的出行时间缩短10 min，停车费用减半，且地铁车厢提供充足的座位。基于这些设计水平，采用全因子实验设计方法，构建了24个不同的假设情景。
表1 多模式出行信息设计水平 |
| 信息 | 设计水平 |
|---|---|
| 道路拥堵程度 | 轻微拥堵；一般拥堵；非常拥堵 |
| P+R出行时间 | 77 min；67 min |
| P+R停车费用 | 10元/次；5元/次 |
| 地铁车厢座位情况 | 无；有 |
意向实验设置了对照组和实验组。对照组中，向受访者展示了3条自驾路线的预计驾车时间和距离，并简要提及P+R方式，但并未整合地铁车厢座位情况和P+R停车费用等信息，仅通过图片形式展示了从起点开车至大场镇站P+R停车场及地铁换乘至终点的路径与预计行程时间。在此情境下，要求受访者选出偏好的一条路线。实验组则通过图2所示的智能手机APP设想界面向受访者逐一展示24个不同情景，每个情景均用红色文字清晰标注出当前情景下的信息水平值。每个情景模拟早高峰上班前场景，要求受访者坐在车内查看图中路线信息，并选择最偏好的一条路线。
调查实施过程中，随机邀请了艺康苑及其周边小区的小汽车用户填写电子问卷。由于问卷内容较多，共收集到133份问卷。研究侧重于信息影响下的决策转变过程，因此剔除了对照组中直接选择P+R的问卷，同时剔除填写有误的问卷，最终获得120份有效问卷。每位受访者均重复做了24次选择，共产生2 880条数据。
1.2 样本描述性分析
受访者个体特征如表2所示，样本数据的主要特点如下：男性比例高于女性；年龄集中于18~55岁，占比达93.3%；大学及以上学历者占比达82.5%；近70%的受访者月收入超过1万元；驾龄不足5年的受访者占比较大，为63.3%；值得注意的是，近60%的受访者对P+R政策缺乏了解。
表2 受访者的社会人口特征分布 |
| 属性 | 类别 | 占比（%） | 属性 | 类别 | 占比（%） |
|---|---|---|---|---|---|
| 性别 | 男 | 57.5 | 是否了解 P+R政策 | 是 | 41.7 |
| 女 | 42.5 | 否 | 58.3 | ||
| 年龄 | 18~35岁 | 40.8 | 驾龄 | <1年 | 20.0 |
| 36~55岁 | 52.5 | 1~5年 | 43.3 | ||
| 55岁以上 | 6.7 | >5年 | 36.7 | ||
| 学历 | 高中及 以下 | 17.5 | 月收入 | <1万元 | 32.5 |
| 大学 | 29.2 | 1万~5万元 | 45.8 | ||
| 研究生及以上 | 53.3 | >5万元 | 21.7 |
实验发现，在智能手机APP整合自驾和P+R多模式出行信息的影响下，共有841条由自驾转向P+R的出行决策数据，占总样本量的29.2%。具体而言，3条自驾路线在这一转变中的占比分别为：路线1占比40.6%，路线2占比28.4%，路线3占比31.0%。这表明智能手机APP整合自驾和P+R的多模式出行信息后，对小汽车出行者的出行方式选择产生了实质性的影响。为进一步量化多模式出行信息的具体影响，并有效处理由个体重复决策可能引发的相关性问题和个体间的差异，采用GLMM对数据进行建模分析。
2 小汽车出行者转向P+R的GLMM分析
2.1 GLMM模型建立
GLMM通过引入随机效应项，展现了对多样数据结构的高度适应性与灵活性。它将固定效应与随机效应相结合，不仅能够有效解决重复观测数据中潜在的相关性问题，还提升了模型捕捉个体间差异的能力。这一优势使得GLMM成为分析重复决策数据的理想工具。GLMM的模型原理如下：
假设有 个不同的观测个体，每个个体 都经历了多次的重复观测，令 表示个体 的观测次数，本文取N=120, j=24。首先，为检验研究中的意向数据是否存在相关性，将截距设为随机效应，建立随机截距模型，见式（1）[16]：
式（1）中： 表示线性预测，即将固定效应项和随机效应项进行线性组合； 为固定效应项中由解释变量（例如性别、年龄等变量）组成的向量； 为 向量的转置； 为待估系数向量，在当前模型设定中，固定效应项不包含任何解释变量，因此 为0； 为待估的随机截距系数。
其次，初步建立一个GLMM，其中信息变量作为固定效应，以评估其对因变量的直接影响。同时，考虑信息变量可能存在的随机效应，以探索其在不同个体间的异质性。个体属性则作为固定效应被包括在内，以控制潜在的个体差异。此时，式（1）将变成式（2）[16]：
式（2）中： 为随机效应项中由信息变量组成的向量； 为 向量的转置。此时， 为固定效应项中由个体属性和信息变量组成的向量； 为待估的随机系数向量。
式（3）~式（4）中： 为 的条件期望函数； 为 向量的转置； 为联接函数。
2.2 GLMM 结果分析与讨论
随机截距模型的估计结果如表3所示，随机截距系数显著且为正，这表明小汽车出行者转向P+R的意向数据存在显著的相关性。因此，数据适用于建立GLMM。
表3 随机截距模型的估计结果 |
| 随机效应协方差 | 系数 | 标准误差 | Z值 | 显著性 |
|---|---|---|---|---|
| 截距 | 4.368 | 0.700 | 6.241 | <0.001 |
在建立GLMM之前，多重共线性诊断结果显示性别、年龄和学历之间存在共线性问题，故将其排除以保证模型稳定。随后，针对小汽车出行者是否转向P+R（1代表转向P+R，0代表坚持自驾，以坚持自驾为参考类别）建立了GLMM，采用二项Logistic回归模型作为联接函数。在模型初步设定时，假设4个信息变量可能具有随机效应。经过多次统计检验和模型优化，发现道路拥堵程度和地铁车厢有无座位这两个变量在80%的置信水平下显著表现为随机效应（估计结果见表4），表明这两个因素在不同个体间存在显著的异质性，对出行者的决策行为产生了随机影响。
表4 GLMM的随机效应参数估计值 |
| 随机效应协方差 | 估计值 | 标准误差 | 显著性 |
|---|---|---|---|
| 截距 | 0.478 | 0.263 | 0.069 |
| 道路拥堵程度 | 1.552 | 0.283 | <0.001 |
| 地铁车厢有无座位 | 0.170 | 0.130 | 0.191 |
分析表4结果，可以得出以下结论：
1）随机截距系数为正且显著，证实同一个体在不同情景下做出的出行决策之间具有显著的相关性。这种相关性的存在，不仅揭示了出行决策中个体行为存在一定的一致性，也验证了采用GLMM分析出行行为数据的合理性与科学性。该发现可进一步推动GLMM在交通出行行为研究中的应用，丰富该领域的数据分析方法。
2）不同小汽车出行者在考虑是否转向P+R时，对道路拥堵程度和地铁车厢座位情况的关注度存在显著差异。这表明道路拥堵程度和地铁车厢座位情况是小汽车出行者决策过程中的重要考虑因素。具体而言，道路拥堵作为关键因素之一，其影响程度因出行者的时间紧迫性和出行距离等因素而异，部分出行者因对时间的敏感而选择P+R以规避拥堵；地铁车厢的座位情况则反映了出行者对舒适度的不同偏好，部分出行者倾向于有座位的地铁环境，而另一些则更看重地铁的快捷性。这些发现深化了对出行者决策机制的理解，为制定更加精准的交通政策提供了依据。
GLMM固定效应的参数估计值如表5所示，所有解释变量均有统计显著性，为智能手机APP提供的多模式出行信息能促进小汽车出行者转向P+R提供了证据。
表5 GLMM的固定效应参数估计值 |
| 变量 | 系数 | 标准误差 | t值 | 显著性 | ||
|---|---|---|---|---|---|---|
| 截距 | -1.797 | 0.517 2 | -3.475 | 0.001 | ||
| 智能手机APP 提供的多模式 出行信息 | 道路拥堵程度 （参考项：轻微拥堵） | 一般拥堵 | 1.278 | 0.251 1 | 5.089 | <0.001 |
| 非常拥堵 | 1.500 | 0.255 6 | 5.867 | <0.001 | ||
| P+R出行时间（67 min=1，77 min=0） | 0.666 | 0.124 3 | 5.363 | <0.001 | ||
| P+R停车费用（5元/次=1，10元/次=0） | 0.920 | 0.125 9 | 7.309 | <0.001 | ||
| 地铁车厢有无座位（有座位=1，无座位=0） | 0.911 | 0.141 3 | 6.451 | <0.001 | ||
| 个体属性 | 月收入 （参考项：<1万元） | 1~5万元 | -1.390 | 0.349 4 | -3.978 | <0.001 |
| >5万元 | -2.094 | 0.575 0 | -3.643 | <0.001 | ||
| 驾龄 （参考项：<1年） | 1~5年 | -1.146 | 0.370 7 | -3.091 | 0.002 | |
| >5年 | -2.404 | 0.405 0 | -5.935 | <0.001 | ||
| 是否了解P+R政策（是=1，否=0） | 1.737 | 0.347 1 | 5.005 | <0.001 | ||
分析表5结果，可以得出以下结论：
1）固定效应截距系数为负，表明在无外部信息干预下，小汽车出行者倾向于维持自驾习惯，体现了自驾出行的普遍性和惯性偏好。为鼓励绿色出行，建议利用多元化媒介（如社交媒体、短视频平台、交通广播）广泛宣传P+R的益处（如节约出行时间和经济成本），并策划P+R免费体验活动，以增强公众对P+R的认知与接受度。
2）智能手机APP整合的多模式出行信息显著影响了小汽车出行者的决策过程。
①道路拥堵程度系数为正，且系数值随着拥堵程度的加剧而增大（1.278<1.500），表明道路拥堵越严重，小汽车出行者越倾向于转向P+R。针对当前道路拥堵日益加剧的问题，建议实时监测并预警道路拥堵，通过智能手机APP推送P+R作为避堵策略，以缓解交通压力。
②P+R出行时间、停车费用及地铁车厢座位情况的系数值均为正，表明提供P+R相关信息，且P+R具有更短的出行时间、更低的停车费用及地铁车厢有座位时，其吸引力显著增强，能促使小汽车出行者转向P+R。为提升P+R方式的吸引力，建议优化智能手机APP信息服务，整合并实时更新P+R方式的相关信息，包括但不限于出行时间、停车费用、地铁车厢座位情况等。同时，实施如高峰时段停车费用减半、增设P+R专用车厢或区域等激励政策。
3）个体属性对小汽车出行者转向P+R的影响存在差异。
①月收入与驾龄的系数均为负，且月收入为“1~5万元”的系数绝对值（1.390）小于月收入“>5万元”的系数绝对值（2.094），驾龄为“1~5年”的系数绝对值（1.146）小于驾龄“>5年”的系数绝对值（2.404），表明高收入及长驾龄群体对P+R的接受度较低，受到智能手机APP提供的多模式出行信息的影响较小。这可能因自驾舒适性与习惯使然。建议智能手机APP根据用户的月收入、驾龄等特征细分用户，为不同用户群体提供定制化服务，如为高收入用户打造绿色出行体验与服务，为长驾龄用户设立环保积分奖励等。
②“了解P+R政策”的系数为正，表明在智能手机APP整合自驾和P+R的多模式出行信息影响下，了解P+R政策的小汽车出行者更倾向于转向P+R。这不仅强调了政策宣传对选择P+R的促进作用，也突出了智能手机APP整合P+R出行信息的必要性。为进一步促进P+R方式的普及，建议加强与环保组织、商业品牌及社区的合作，加强P+R政策宣传，并完善APP的P+R出行规划功能，提升用户体验。
综上所述，智能手机APP通过整合自驾和P+R等多模式出行信息，可对小汽车出行者转向P+R产生积极的作用，能提升P+R的吸引力与普及率，促进绿色出行，对推动城市交通可持续发展具有重要意义。
3 结束语
本文采用GLMM方法深入分析了通过智能手机APP整合自驾和P+R两种方式的多模式出行信息对小汽车出行者转向P+R意向的影响。实证研究表明，GLMM方法有效解决了同一出行者不同情景下多次决策间的相关性，并揭示了不同出行者在考虑转向P+R时，对道路拥堵程度和地铁车厢座位情况信息的差异化关注，为剖析信息在出行决策过程中的作用机制提供了新视角，也为出行行为数据的分析引入了新工具。此外，智能手机APP整合的多模式出行信息，包括道路拥挤程度、出行时间、停车费用以及地铁车厢座位情况，可显著促进小汽车出行者转向P+R，突出了智能手机APP整合自驾和P+R的多模式出行信息在提升P+R普及率方面的重要作用。然而，研究也发现，对于高收入、长驾龄以及对P+R政策不了解的出行者而言，智能手机APP整合的多模式出行信息引导效果相对有限。不过，本研究未充分考虑个体心理特征、建成环境等因素，也未探究多种绿色出行方式之间的相互作用及潜在的转变机制，因而仍存在一定局限性。未来研究应综合考虑多种因素与信息内容的影响，并考察多种绿色出行方式，以更深入地理解出行者行为，为城市交通管理与政策制定提供更加科学、有效的决策支持。
