自行車方式選擇與活動模式間交互作用機理建模＊

楊 晨

（上海市城鄉建設和交通發展研究院 上海 200040）

0 引 言

以往學者從非集計層面對個體出行者進行自行車方式選擇的行為進行了研究［1－4］，例如對影響自行車方式選擇過程的個體社會經濟屬性及心理因素的研究.近年來，隨著活動理論的引入和對出行行為分析的深入，開始關注基于活動－出行鏈的交通需求分析方法，借助活動－出行鏈理論對出行方式選擇機理進行研究［5－6］.宗芳等［7］將活動模式作為效用項建立了出行方式選擇模型，李萌［8］將出行鏈引入方式選擇過程，討論了多種方式在出行鏈中使用情況.文獻［7－11］發現出行方式選擇和活動模式選擇之間具有顯著相關性.

現有基于活動的相關研究缺乏針對自行車方式選擇和出行活動模式間交互作用的研究，且多數研究預先假定了方式選擇和活動模式決策間層次和順序，該假設可能并不符合實際決策過程［12］.本文以蚌埠市為例進行了實例研究，對出行者自行車使用與活動模式特征進行了描述性分析，并建立了協同進化Logit模型對自行車出行方式選擇和活動－出行鏈模式之間的交互作用進行研究.

1 數據來源與變量描述

數據源于2007年蚌埠市居民出行調查.蚌埠市位于安徽省北部，2006年末市區人口達91.43萬.蚌埠市是典型的組團型城市，包括中心組團、北部組團和東部組團，共劃分為98個交通小區.

采用隨機抽樣家訪問卷調查，按小區人口比例發放問卷，內容包含出行者個體特征、家庭特征，及典型工作日出行活動及方式選擇.分析所用特征變量的描述性統計見表1.個體屬性包括出行者性別、年齡、職業等，家庭特征包括家庭結構、家庭收入等，出行屬性包括土地特征、出行距離等.

出行鏈指從1d內出行者從自家出發最終回到自家的一系列出行所構成的封閉鏈，可形象描述為多次出行的鏈接.從活動數目劃分：僅有1次活動的出行鏈稱為簡單出行鏈，有2種及以上活動的出行鏈成為復雜出行鏈；從出行目的劃分：以通勤出行為目的的出行鏈稱為生存型出行鏈，以休閑娛樂為目的的出行鏈稱為非生存型出行鏈，包含兩類出行目的的出行鏈成為混合型出行鏈.

表1 出行者特性變量介紹

舍去蚌埠市出行調查數據中樣本量小于1%的出行鏈樣本，得到5 632個有效樣本.用于本文分析的典型活動－出行鏈模式及表示方法如下：（1）hwh，簡單通勤出行模式，無其他停留；（2）hwhwh，包含基于家的通勤出行往返停留；（3）hoh，簡單非通勤出行模式，無其他停留；（4）hohoh，包含多次非生存型活動，多次返家；（5）hwh＋o，主要為簡單通勤出行，含非生存型活動.

2 數據描述性統計

考慮以上5類出行鏈模式和2類自行車使用情況（使用自行車和不使用）之間交互作用.表2給出了有效樣本中自行車使用及出行鏈模式分布統計.37.2%的出行者1d活動中使用自行車，hwh型活動比例最高，達44.0%，hohoh型活動和hwh＋o型活動較少，分別占3.7%和1.6%.生存型出行鏈模式（hwh和hwhwh）占總數80%，復雜出行鏈模式（hwhwh，hohoh和hwh＋o）占總數40.8%.

表2 自行車使用及出行鏈模式分布情況

不同出行鏈模式下自行車方式選擇比例存在較大差異，見表3.生存型出行鏈（hwh和hwhwh）中，自行車是最主要的出行方式，占總出行40%以上.非生存型出行鏈（hoh和hohoh）及混合型出行鏈（hwh＋o）中，自行車出行比例明顯下降，占總出行量15%～25%.表3中單因素模型結果表明，出行鏈hwhwh中自行車選擇比例與出行鏈hwh中無顯著差異，但出行鏈hoh，hohoh和hwh＋o中自行車使用情況和hwh中明顯不同.

表3 自行車使用與出行鏈模式描述性統計

3 協同進化Logit模型

個體出行者面臨兩類決策（Di∈D，i＝1，2），即自行車方式選擇決策（D1）和活動模式決策（D2）.每類決策包含若干選擇肢，選擇肢之間相互獨立.基于Logit模型基礎，假設效用最大的選擇枝被選中，則選擇枝d被選中的概率為

式中：Pt（d）為時刻t選中選擇枝d的概率；E｛Ut（d）｝為時刻t選擇枝d的期望效用；t為迭代周期.

由于2類決策D1和D2間交互作用，某類決策的結果對另一類決策中選擇枝的效用產生影響.則每類決策Di的效用函數為

式中：Xr為選擇枝d屬性r；Xr’為給定狀態S后選擇枝d 屬性r′；S為決策Dj，?j≠i的狀態，β為變量X的參數.Pts為時刻t狀態S發生概率：

每個選擇枝的初始概率設置為決策Di中選擇枝數的倒數

協同進化過程中，某個選擇枝的選擇受到另一個決策結果的影響，且在進化過程中所有決策結果并不明確.時刻t的各決策中各選擇枝效用受到t－1時刻決策結果的影響.在每個迭代周期末，每個決策Di的不確定性取決于熵的大小：

在熵函數中引入調整系數θi使初始時刻各決策枝熵值相等.具有較小熵值θiHt（Di）的決策枝對應較小不確定性，因此該決策首先確定.當該決策順序確定后在后續迭代過程中將不再改變.

采用協同進化Logit模型分析自行車方式選擇和活動模式間交互作用的步驟如下.

步驟1 初始化自變量和因變量，將自行車方式選擇及出行鏈類型轉化為虛擬變量.

步驟2 采用二項Logit模型估計自行車選擇概率，采用多項Logit模型估計活動模式選擇概率.

步驟3 初始化協同進化模型中變量，基于二項Logit和多項Logit模型計算結果開始迭代過程.

步驟4 記錄迭代過程中方式選擇和活動模式結果，出行者所有決策均確定后結束迭代過程.

步驟5 將個體出行者對于方式選擇和活動模式選擇結果進行統計分析，對預測精度進行分析.

4 模型估計結果分析

自行車方式選擇模型中，以不使用自行車作為參考選擇枝；活動模式選擇模型中，以hwh作為參考選擇枝.考慮交互作用的協同進化Logit模型估計結果見表4.表4僅列出在最終模型中有顯著影響的特性變量（顯著性水平為0.1）.模型總體指標顯示，建立的2類模型均在95%置信水平上顯著.

表4 自行車方式選擇和活動模式選擇模型參數估計結果

二項Logit模型估計結果顯示，多種因素對個體自行車方式選擇產生影響.男性出行者選擇自行車概率更高，20～60歲出行者更傾向使用自行車.

相比于職員和學生，私營個體和離休家務人員更少選擇自行車.持有IC卡的出行者較少選擇自行車.家庭結構及規模對自行車使用影響并不明顯，僅家庭工作人口對自行車選擇有負作用.住址位于市中心則選擇自行車概率更高，公交線網密度對自行車使用有一定制約.高峰期出行會增加自行車使用，跨組團出行則顯著降低自行車使用.與以往研究一致，自行車適用于中距離出行（2～5km），短距離和長距離出行中自行車使用水平均較低.

多項Logit模型估計了影響活動模式的各因素.60歲以上或離退休人員非生存型活動較多，20歲以下出行者參與非生存型活動較少.男性的hwhwh型活動更頻繁，私營個體勞動者的hwhwh型活動更少，有IC卡的出行者傾向采用復雜出行鏈（hwhwh和hwh＋o）.高峰期出行中進行hoh型活動概率較小，而進行hwhwh型活動概率較大.以hwh作為參考肢，其余活動模式中出行距離＞5km啞元變量系數均為負號（以出行距離＜2km作為參考組），表明hwh型活動所產生的出行距離一般較長.

表4中模型估計結果顯示了自行車方式選擇和活動模式間交互作用.自行車方式選擇模型中，相比于活動模式hwh，非生存型出行活動模式（hoh，hohoh和hwh＋o）下自行車使用情況較低，尤其是當活動為復雜出行鏈（hohoh和hwh＋o）時.活動模式hwhwh下自行車使用情況和模式hwh下無顯著區別.活動模式選擇模型中，當出行者采用自行車出行時，出行鏈中包含非生存型活動的可能性較低.自行車方式選擇和非生存出行活動模式間具有明顯的負相關關系.

結果表明，蚌埠市居民日常出行中，自行車普遍應用于生存型活動中，在非生存型活動中使用較少.其原因可能為在上班、上學等通勤出行活動中，起點和終點均固定，且出行時間和路徑選擇通常固定.此情況下，自行車出行方式具有較強競爭力，能夠較好滿足出行者的需求.而在購物、吃飯等非生存型活動中，自行車在出行速度和運載能力方面均較差，而這兩方面是出行者所在意的.因此，自行車并不能較好滿足出行者的需求，出行者更傾向于采用機動化交通方式進行出行.

模型估計結果表明，自行車方式選擇和活動模式間存在顯著相關性，某一決策內選擇的確定受到另一決策結果的影響.因此，在離散選擇模型中考慮兩類決策的交互作用有助于提高模型預測精度.考慮和不考慮交互作用下自行車方式選擇和活動模式選擇的模型預測精度對比見圖2、圖3.

圖2 自行車方式選擇模型預測精度

圖3 活動模式選擇模型預測精度

從圖2得出考慮交互作用后的二項Logit模型對于個體出行者使用自行車的預測精度從80.8%提高到81.8%，不使用自行車的預測精度從82.5%提高到86.0%.二項Logit模型總體預測精度從81.9%提高到84.4%.從圖3得出考慮交互作用后，多項Logit模型對于出行者活動模式的預測精度顯著提高，尤其對于樣本量較小的活動模式hohoh和howh＋o的預測精度提高程度較大：對hohoh模式的預測精度從24.6%提高到49.5%，對hwh＋o模式的預測精度從0%提高到45.1%.多項Logit模型總體預測精度從70.4%提高到74.0%.考慮交互作用后提高了個體自行車方式選擇和活動模式選擇的預測精度.

5 結束語

本文將個體出行活動分析單元從“單次出行”擴展至“活動－出行鏈模式”層次，在分析過程中考慮了自行車方式選擇和活動模式間交互作用，采用的協同進化Logit模型不需要事先作出出行方式和活動模式決策順序的假設.本研究有助于深入理解自行車出行需求生成機理及變化趨勢，提高了對個體出行行為的預測精度，研究結果可為城市交通政策制定與交通需求預測提供科學、合理的借鑒參考.未來研究將采用協同進化Logit模型探索個體出行者方式選擇和活動模式兩類決策的先后順序，并建立相關模型以預測個體出行者的決策順序.

［1］PUCHER J，DILL J，HANDY S.Infrastructure，programs，and policies to increase bicycling：an international review ［J］.Preventive Medicine，2009，50：106－125.

［2］YANG C，WANG W，SHAN X，et al.Effects of personal factors on bicycle commuting in developing countries：case study of nanjing，China ［J］.Transportation Research Record：Journal of the Transportation Research Board，2010，2193：96－104.

［3］HEINEN E，MAAT K，van W B.The role of attitudes towards characteristics of bicycle commuting on the choice to cycle to work over various distances［J］.Transportation Research Part D：Transport and Environment，2011，16（2）：102－109.

［4］楊 晨，王 煒，陸 建，等.個體因素對選擇自行車通勤的影響研究［J］.武漢理工大學學報：交通科學與工程版，2010，34（3）：611－615

［5］萬 霞，陳 峻，胡文婷.基于出行方式和活動交互作用的小汽車使用預測模型［J］.東南大學學報：自然科學版，2009，39（1）：171－176.

［6］ADLER T J，BEN－AKIVA M E.A theoretical and empirical model of trip chaining behavior［J］.Transportation Research Part B：Methodological，1979，13：243－257.

［7］宗 芳，雋志才.基于活動的出行方式選擇模型與交通需求管理策略［J］.吉林大學學報：工學版，2007，27（1）：48－53.

［8］李 萌.基于活動鏈特征分析的出行方式選擇模型研究［D］.南京：東南大學，2008.

［9］BHAT C R.Work travel mode choice and number of non－work commute stops ［J］.Transportation Research Part B：Methodological，1997，31（1）：41－54.

［10］HENSHER D A，REYES A J.Trip chaining as a barrier to the propensity to use public transport［J］.Transportation，2000，27：341－361.

［11］WEN C H，KOPPELMAN F S.The generalized nested logit model［J］.Transportation Research Part B：Methodological，2001，35：627－641.

［12］KRYGSMAN S，ARENTZE T，TIMMERMANS H.Capturing tour mode and activity choice interdependencies：a co－evolutionary logit modeling approach［J］.Transportation Research Part A：Policy and Practice，2007，41：913－933.