城市低收入居民日出行鏈特征及其影響因素分析*

程 龍 陳學武 馮 岑 楊 碩

(東南大學城市智能交通江蘇省重點實驗室1) 南京 210096) (現代城市交通技術江蘇高校協同創新中心2) 南京 210096)

城市低收入居民日出行鏈特征及其影響因素分析*

程 龍1,2)陳學武1,2)馮 岑1,2)楊 碩1,2)

(東南大學城市智能交通江蘇省重點實驗室1)南京 210096) (現代城市交通技術江蘇高校協同創新中心2)南京 210096)

基于南京居民1 d出行調查數據，對城市低收入居民日出行鏈的復雜度和類型選擇特征進行分析.Pearson卡方檢驗表明不同收入群體的日出行鏈模式存在顯著差異.低收入居民以非通勤出行鏈為主，且出行鏈復雜度低.此外，通過建立Stereotype Logit模型和Mixed Logit模型分別研究影響日出行鏈復雜度和類型選擇的因素.結果表明，出行便利性和靈活性提高時，低收入居民的出行鏈復雜度會隨之增加.高居住密度和高就業崗位密度地區的低收入居民傾向選擇復雜的通勤鏈出行，且從事更多的非通勤活動.

低收入居民；日出行鏈；Stereotype Logit模型；Mixed Logit 模型

0 引 言

低收入人群作為城市居民中的出行弱勢群體，面臨嚴峻的交通出行問題：一方面，城市房價的不斷攀高使得低收入人群越來越遠離市中心和交通便利的地區，逐漸被邊緣化，使得他們需要花費更多的時間和費用來出行.另一方面，受其經濟條件的約束，城市低收入人群對交通服務支出貨幣的承受力較差，可選擇的出行方式相對較少.出行難問題對低收入人群在城市正常活動已經產生了較大影響.

作為基于活動的交通行為的基本單元，出行鏈的特征分析受到越來越多的關注.許多研究發現影響居民出行鏈的因素包括家庭屬性、個人屬性、活動屬性和土地利用屬性[1-3].但是這些研究都是基于城市全體居民抽樣調查數據的分析，極少關注到低收入人群.此外，國內外的研究對收入水平對居民的出行行為產生何種影響，并沒有明確的結論.根據Ma Jing[4], Ye Xin[5], Chu Youlian[6]和Jianchuan Xianyu等[7]的研究，高收入居民的工作出行鏈更復雜，非通勤出行活動較多.相反地，Wallace[8]認為高收入人群的出行鏈較為簡單.而Li Zhibin,Schmocker等[9-10]分析得出居民的收入水平和出行鏈特征間沒有顯著的影響關系.當前不同社會階層的收入差距不斷拉大，給交通政策的制定帶來挑戰，亟須明確不同收入群體的出行特征，以制定針對性的出行改善對策.

1 數據采集及處理

本研究的數據來自2013年10月30日(星期三)的南京居民出行調查.調查內容分為2部分：(1) 家庭和個人特征，包括家庭年總收入和家庭規模；(2) 被調查者的1 d出行記錄.采用入戶調查的方式，調查6歲以上的所有家庭成員.在對調查數據校核和篩選后，獲得了5 504個有效個體樣本.被調查家庭分年總收入分布見表 1.

表1 被調查家庭的年總收入分布

經濟合作與發展組織提出的國際貧困線標準為當地人均可支配收入的50%[11].根據該定義，2013年南京的貧困標準為人均可支配收入2萬元/年.通過調查得到的家庭年總收入和家庭規模可以計算個人年收入.最后，1 722個樣本被認為是低收入居民，其余3 782個樣本為非低收入人群.

日出行鏈指居民早上從家出發，經過一系列的出行后，晚上再次回到家的過程.通過對調查數據的分析，提煉出6種典型的日出行鏈，說明如下，其中“H”表示家;“W”表示工作活動(上班上學等);“O”表示非工作活動(購物休閑等).

1) HWH 1 d中只進行1次工作活動.

2) HWHWH 1 d中進行2次工作活動，包含一次中間回家的出行.

3) HWH+O 1 d中進行兩類活動，包含1次工作活動和至少1次非工作活動.

4) HOH 1 d中只進行1次非工作活動.

5) HOHOH 1 d中進行2次非工作活動，包含1次中間回家的出行.

6) HOH+O 1 d中進行至少1次非工作活動，且中間無回家出行.

以上6種日出行鏈中，HWH，HWHWH和HWH+O是通勤出行鏈，其余為非通勤出行鏈.出行鏈中主要的出行方式(最多使用的)定義為出行鏈方式.

調查樣本的家庭、個人屬性及出行特征見表 2.低收入居民中以老年人的比例較大，受教育水平較低，退休及無業人員所占的比重較大.低收入人群的家庭規模較大，40.1%的被調查家庭的人口規模在3人以上.小汽車擁有率低，60.1%的低收入家庭沒有小汽車.居住地址較市中心遠，41.4%的低收入居民居住在城市外圍區.

低收入居民出行強度為2.49次/d，比非低收入居民少0.09次/d.出行鏈方式主要為非機動化的交通方式，比例達61.7%.低收入居民進行65.1%的通勤出行鏈，而非低收入居民的比例為76.6%.

2 研究方法

2.1 Stereotype Logit模型

日出行鏈復雜度定義為出行鏈中的駐停次數.從因變量的性質上看，本文應采用具有等級順次特點的Ordered Logit模型進行分析.不過，Ordered Logit模型要求的假定條件比較強，即要求平行回歸假設(parallel regression assumption).經過統計檢驗，南京的調查數據不滿足模型的條件.Multinomial Logit模型雖然無需這些假定條件，但卻不能講變量的等級順次關系的信息納入模型，因此也不宜采用.本文將采用1984年美國學者Anderson[12]對傳統Ordered Logit模型進行改進了的Stereotype Logit模型對出行鏈復雜度的影響因素進行研究.該模型既保留了因變量的等級順次的信息，同時還無需分類回歸曲線斜率相同的假定條件，允許變量的系統在因變量不同類別之間保持差異，是一個較靈活且使用的模型.Stereotype Logit模型表示如下.

表2 調查樣本的家庭、個人屬性及出行特征

式中：β為因變量x的待估系數；k為因變量的截點(cut points)；βos,βot為模型的截距.通過定義一個單調遞減的調節參數φ(即φ1≥φ2≥…≥φk)，可以得到定序的回歸關系.在本文的模型中定義1=φ1≥φ2≥…≥φk=0.“0”和“1”分別對應著出行鏈復雜度的4次及以上和1次.在此設定下，模型中的回歸系數為正就表示具有這個特征的居民更傾向于復雜的出行鏈.

2.2 Mixed Logit模型

本研究分析影響低收入人群出行鏈類型選擇的因素，模型的因變量為出行鏈的類型.Small Hsiao檢驗表明類型選擇變量不符合獨立不相關(independence of irrelevant alternatives，IIA)假設，因此不適宜采用Multinomial Logit模型.Mixed Logit模型則能很好地克服這個問題，該模型假定待估系數服從一定的分布形式，不受IIA特性的限制，也體現了個人對出行鏈類型選擇的喜好隨機性特征[13-14].Mixed Logit模型表示如下.

式中：f(β|η)為待估系數的概率密度函數；Prn(j)為個體n對選擇肢j的選擇概率.Mixed Logit模型的選擇概率可以看做Logit模型選擇概率的加權平均值，權重由概率密度函數f(β|η)決定.f(β|η)為某種分布密度函數，可以是正態分布、對數正態分布、均勻分布、三角分布等.在交通行為分析中，正態分布最為常用.

3 分析結果

3.1 不同收入群體出行鏈特征差異分析

Pearson卡方檢驗用于研究不同收入群體間出行鏈特征的差異性.表 3分別對通勤出行鏈特征/非通勤出行鏈特征與收入的相關性進行分析.通勤出行鏈復雜度與收入水平的檢驗結果表明低收入群體的出行鏈復雜度與非低收入群體的復雜度沒有明顯差異，也就是說收入水平對通勤出行鏈的復雜度沒有顯著影響.然而，非通勤出行鏈的復雜度與收入水平顯著相關，低收入人群更樂意從事簡單的非通勤出行鏈，比例為64.4%，而非低收入人群簡單非通勤出行鏈的比例為55.7%.

收入水平對出行鏈類型的選擇也有顯著影響.HWH是非低收入居民的主要出行鏈類型，比例近60%.低收入居民的HWH比例則約為50%.低收入人群傾向于進行HOH出行鏈，比非低收入人群高9.5%.

表3 通勤出行鏈/非通勤出行鏈與收入水平的卡方檢驗結果

3.2 出行鏈復雜度的影響因素分析

Stereotype Logit模型中的自變量除了家庭、個人屬性外，還包括居住地的人口密度和就業崗位密度.模型標定前，對人口密度和就業崗位密度取自然對數，以降低潛在的異方差性的影響.模型標定結果見表4，4次以上駐停是參考類別.調節參數φ滿足φ1≥φ2≥φ3≥φ4，表明出行鏈復雜度有著潛在的順次關系.

在通勤鏈復雜度標定結果中，女性戶主家庭的系數顯著為負，意味著戶主是女性的家庭成員較少地進行復雜通勤鏈.原因為女家長承擔較多的家庭事務，比如接送小孩或購物，這就導致了其他家庭成員無需進行額外的出行，降低出行鏈復雜度.這一點也可以從性別變量的結果得到證實，女性從事更為復雜的通勤鏈，出行鏈長度大.家庭規模變量顯著為負，表明來自較大規模家庭的低收入居民較多從事簡單的出行鏈.擁有小汽車的家庭更多進行復雜的通勤鏈，這是因為小汽車的機動性和靈活性高，吸引出行者在出行中參與較多的活動.與小汽車類似，電動車的靈活性也較高，也易于進行較為復雜的出行，因此系數為正值.20歲以下的低收入者的出行鏈較為簡單，因為這部分群體主要為學生，他們很少在上學的途中參與額外的活動.60歲以上的居民出行鏈較為復雜是因為這部分人的出行安排靈活，且部分老年人承擔著接送小孩、買菜購物的家庭事務.當出行鏈方式為公共交通時，低收入居民的出行鏈比較簡單，這是由于公共交通的靈活性差，難以在一次出行鏈中進行較多的活動.此外，土地利用特征對低收入居民的出行鏈復雜度也有著顯著影響.居住地人口密度大或就業崗位密度大的交通小區，能夠提供較多的購物和娛樂設施，因此居民更多進行復雜通勤鏈.

非通勤出行鏈復雜度的模型標定結果與通勤出行鏈類似.來自女性戶主家庭的居民的非通勤出行鏈較為簡單.女性從事較多的非通勤活動，性別系數為1.016.此外，擁有駕照的低收入居民進行更多的非通勤活動.在人口密度較大的交通小區，居民的非通勤出行鏈也較為復雜.盡管公共交通方式對非通勤出行鏈的的影響為顯著負值(-0.908)，但擁有公交卡的居民非更多地進行復雜非通勤鏈，系數為1.587.這可能是因為在非通勤活動中，居民的出行計劃較為靈活，且持有公交卡乘坐公共交通享有票價優惠，因此低收入人群愿意在一次出行鏈中參與較多的活動.

表4 出行鏈復雜度Stereotype Logit模型標定結果

注：“/”表明系數在90%置信水平下不顯著；密度變量是連續變量，1 000 人/km2,基于交通小區(TAZ)計算.

3.3 出行鏈類型選擇的影響因素分析

Mixed Logit模型標定結果見表 5(HWH是參考類別)，只有居住地人口密度系數符合隨機分布，該系數的標準差是顯著的.家庭戶主啞變量的HWHWH，HWH+O和HOH+O類型選擇系數為負，表明來自女性戶主家庭的低收入居民更樂意進行“HWH”的出行鏈類型.這是因為女家長承擔了較多的家庭事務(購物買菜等)，其他家庭成員的出行活動則相應地有所減少.該結果也被性別系數進一步驗證，女性更多地進行HWH+O，HOH和HOH+O的出行鏈類型.該結論也與上文的出行鏈復雜度模型標定結果保持一致.

職業變量對非通勤出行鏈的類型選擇(HOH，HOHOH，HOH+O)有積極作用，個體勞動者、退休和無業人員因為沒有固定的工作安排，他們更多地參加娛樂休閑等非通勤活動.老年人(≥60歲)更多地從事非通勤出行鏈，如HOH，HOHOH和HOH+O.家庭規模較大時，低收入居民較少地進行復雜出行鏈，如HWHWH和HWH+O.通過小汽車和電動車的系數可以看出，當家庭擁有小汽車和電動車時，居民更愿意進行HWHWH或HWH+O出行鏈.受教育水平高的居民從事較少的非通勤活動，這是因為這部分人群的職業屬性主要為職員，受工作時間的限制，他們在工作日較少進行娛樂休閑等活動.當出行鏈方式為公共交通時，HWHWH出行鏈類型出現概率較少.當居民擁有公交卡后，更樂意選擇HOHOH出行鏈.

表5 出行鏈類型選擇Mixed Logit模型標定結果

注： “/”表明系數在90%置信水平下不顯著；密度變量是連續變量，1 000 人/km2,基于交通小區(TAZ)計算；居住地人口密度系數符合正態隨機分布.括號外的系數表示待估參數的均值，括號內的系數表示待估參數的標準差.

土地利用特征對低收入居民的出行鏈類型選擇也有著顯著影響.人口密度大的交通小區居民更多地選擇復雜通勤鏈，且從事較多地非通勤活動，這是由于這些小區能提供較好的娛樂休閑設施.此外，居住地就業密度大意味著較多的公司、企業、商場等，人們在離家近的地方能夠獲得較多的零售、服務機會，因此“HOHOH”和“HOH+O”出行鏈的比例較高.

4 結束語

低收入人群和非低收入人群的通勤出行鏈復雜度沒有顯著差異，但非通勤出行鏈有著顯著差異，低收入人群的非通勤出行鏈更簡單.兩者的出行類型選擇也有著明顯差異，低收入人群更多地從事非通勤出行鏈.通過分析影響出行鏈復雜度和類型選擇的因素，發現家庭屬性、個人屬性和土地利用屬性會對低收入居民的出行鏈特征產生影響.當低收入居民的出行條件改善時，他們會參與更多的活動.這些結論將會為低收入人群出行改善對策的提出提供理論依據.

但是，本研究還有進一步拓展的空間.比如在Mixed Logit模型中，本文假定隨機系數服從正態分布，其他分布類型如對數正態分布、三角分布可以在以后的模型中進行設定，以比較不同分布下模型的擬合度.

[1]PITOMBO C S，KAWAMOTO E，SOUSA A J.An exploratory analysis of relationships between socioeconomic,land use,activity participation variables and travel patterns [J].Transport Policy,2011(18):347-357.[2]YANG Min,WANG Wei,CHEN Xuewu,et al.Empirical analysis of commute trip chaining:case study of shangyu,China[J].Transportation Research Record: Journal of the Transportation Research Board,2007(2038):139-147.

[3]楊 晨，陸 建，王 煒，等.基于個體出行方式選擇的自行車交通影響因素研究[J].交通運輸系統工程與信息，2007,7(4):131-136.

[4]MA Jing,MITCHELL G H.Daily Travel behavior in beijing,china:an analysis of workers’ trip chains,and the role of socio-demographics and urban form [J].Habitat International,2014(43):263-273.

[5]YE Xin,Pendyala R M,GOTTARDI G.An exploration of the relationship between mode choice and complexity of trip chaining patterns [J].Transportation Research Part B,2007(41):96-113.

[6]CHU Youlian.Empirical analysis of commute stop-making behavior [J].Transportation Research Record:Journal of the Transportation Research Board,2003(1831):106-113.

[7]XIANYU Jianchuan,JUAN Zhicai,GAO Linjie，et al.Empirical analysis of commuters’ nonwork stop-making behavior in beijing,China[J].Journal of Transportation Engineering,2011(137):360-369.

[8]WALLACE B，BARNES J，RUTHERFORD G S.Evaluating the effects of traveler and trip characteristics on trip chaining,with implications for transportation demand management strategies[J].Transportation Research Record:Journal of the Transportation Research Board,2000(1718):97-106.

[9]LI Zhibin,WANG Wei,YANG Chen,et al.Exploring the casual relationship between bicycle choice and trip chain pattern [J].Transport Policy,2013(29):170-177.[10]SCHMOCKER J D，FENGMING S U, NOLAND R B.An analysis of trip chaining among older london residents [J].Transportation,2010(37):105-123.

[11]莫泰基.香港貧困與社會保障[M].香港：中華書局,1993.

[12]ANDERSON J A.Regression and ordered categorical variables [J].Journal of the Royal Statistical Society,Series B,1984(46):1-30.

[13]王樹盛，黃 衛，陸振波.Mixed Logit模型及其在交通方式分擔中的應用研究[J].公路交通科技,2006,23(5):88-91.

[14]焦鵬鵬,陳 帥,李楊威.基于混合Logit的居住地和就業地選擇行為模型[J].武漢理工大學學報：交通科學與工程版,2014,38(5):1011-1015.

Daily Trip Chain Pattern and Its Influencing Factors of Low Income Residents

CHENG Long1,2)CHEN Xuewu1,2)FENG Cen1,2)YANG Shuo1,2)

(JiangsuKeyLaboratoryofUrbanITS,SoutheastUniveristy，Nanjing210096，China)1)(JiangsuProvinceCollaborativeInnovationCenterofModernUrbanTrafficTechnologies，Nanjing210096，China)2)

This study examines the daily trip chain complexity and type choices of low income residents based on the activity travel diary survey in Nanjing, China. Pearson’s chi-squared tests reveal that significant differences of trip chain pattern do exist between income groups. Low income residents on average make more daily non-work trip chains. And their non-work trip chains are further shown to contain fewer stops. Then, two types of econometric models, stereotype logit model and mixed logit model are developed to investigate the possible explanatory variables affecting low income residents’ trip chain patterns. Results show that once convenient and flexible conditions are supplied, low income residents are more likely to make multiple activities in a trip chain. Areas with high population density and employment density are associated with complex work trip chains and more non-work activities involvement.

low income residents; daily trip chain; stereotype logit model; mixed logit mode

2015-01-12

*國家自然科學基金項目(批準號：51178109)、國家重點基礎研究發展計劃項目(批準號：2012CB725402)資助

U491

10.3963/j.issn.2095-3844.2015.02.010

程 龍(1989- )：男，博士研究生，主要研究領域為交通行為分析與需求建模