基于家庭屬性和Nested Logit模型的學(xué)生出行選擇特性分析

馬書紅，付建川，姚志剛

(1.長安大學(xué) 公路學(xué)院，陜西 西安 710064；2.長安大學(xué) 經(jīng)管學(xué)院，陜西 西安 710064)

?

基于家庭屬性和Nested Logit模型的學(xué)生出行選擇特性分析

馬書紅1，付建川1，姚志剛2

(1.長安大學(xué) 公路學(xué)院，陜西 西安 710064；2.長安大學(xué) 經(jīng)管學(xué)院，陜西 西安 710064)

運用非集計模型中 Nested Logit模型的理論與方法，以中小學(xué)生出行方式選擇行為為對象，研究個人屬性、家庭屬性和出行特性對學(xué)生出行方式選擇的影響。模型分上下兩層，上層為公共交通和私人交通方式的選擇，下層為小汽車、摩托車、自行車及步行交通方式的選擇; 利用SPSS軟件對模型進行標(biāo)定和檢驗，分析各因素對學(xué)生出行選擇的影響。結(jié)果表明：家庭收入對于上下層交通方式選擇影響大，收入高的家庭，學(xué)生出行更傾向于選擇私人交通方式；是否擁有公交卡對上層交通方式影響最明顯，當(dāng)學(xué)生擁有公交卡時，其選擇公共交通方式是私人方式的38倍；家庭交通工具擁有量和是否有人接送是下層交通方式選擇的主要因素，家庭小汽車數(shù)量增加或有人接送時，學(xué)生出行選擇小汽車的概率增加。

交通工程；學(xué)生出行；行為；家庭屬性；Nested Logit模型；出行方式選擇

0 引 言

出行方式選擇是交通預(yù)測的重要組成部分，對交通規(guī)劃工作有著重要的意義。從出行者個體角度，對其交通選擇行為進行分析，應(yīng)用較多的是非集計模型中的Logit模型，相關(guān)研究成果集中于交通方式選擇，停車行為選擇，出行路線選擇和政策影響分析等方面。富曉艷等[1]利用非集計模型結(jié)合出行方式選擇和出行時間段對長春市居民出行次數(shù)進行了分析。劉炳恩等[2]利用MNL (multinomial logit) 模型對城市居民出行方式選擇進行研究，全面考慮了影響居民出行的因素，模型具有良好的實用性。楊勵雅等[3]利用分層非集計模型分析了居住地、出行時間和出行方式之間的聯(lián)合選擇。M.K.Kara等[4]將NL (nested logit) 模型和Logsum相結(jié)合對公路收費政策及不同情景下的收費效果進行分析，給出了一個基于Destination-Mode-time of day-Route的4層NL出行選擇模型結(jié)構(gòu)。針對特殊群體或特定區(qū)域而進行的進行研究也有不少。吳文靜等[5]針對通勤者這個特殊群體，給出了通勤者非工作時間的活動時間選擇決策模型。鮮于建川等[6]針對雙職工家庭研究其家庭成員出行長度的選擇，分析了家庭成員出行長度的選擇和男女主人出行長度的相互影響。學(xué)生群體(本文指中小學(xué)生)作為一個特殊的群體，人數(shù)多且其出行具有明顯時空分布特征，對城市交通的影響不容忽視。基于此，筆者結(jié)合浙江省寧海市2012年居民出行調(diào)查數(shù)據(jù)，對學(xué)生這一特殊群體的出行特征和影響因素進行研究。考慮到各個因素影響的次序和程度，并且學(xué)生出行往往是基于某一前提而作出的選擇，故引入Nested Logit模型，并重點研究基于家庭屬性的學(xué)生出行。研究成果對緩解城市道路交通擁擠，保障道路順暢具有重要意義。

1 分析基礎(chǔ)

1.1 學(xué)生出行特性分析

學(xué)生群體作為城市出行者的一部分，具有普通出行者的交通心理需求，希望出行能夠省時、省錢、省力，同時能夠安全、方便、舒適。影響學(xué)生出行及其交通特征的因素包括學(xué)生性別、年齡、家庭屬性等。一般而言，學(xué)生出行可分為上學(xué)和其他(如購物、出游、探親訪友等)，筆者主要針對學(xué)生以上行為目的，的出行行為進行研究。

學(xué)生群體是一個特殊的群體，人數(shù)眾多，在城市的通勤出行中占很大的比例，并且往往具有明顯的時間和空間分布特性，形成分別圍繞上學(xué)和放學(xué)時間，以學(xué)校為終點和起點的出行。由于學(xué)生年齡、與學(xué)校的距離和其他條件的限制，學(xué)生對于出行方式的選擇能力較弱，其出行決策往往在很大程度上受到家庭屬性和家庭決策的影響。學(xué)生單獨出行時選擇的交通方式多為步行、自行車或公交車，而采用小汽車、摩托車的出行方式一般需要家庭中其他成員(主要是父母)的陪同，同時受到家庭擁有交通工具種類和數(shù)量的影響。

1.2 基于學(xué)生特性的分析模型選擇

非集計模型(Disaggregate Model)也稱為個人選擇模型或離散選擇模型，其假設(shè)當(dāng)出行者面臨選擇時，對某種選擇的偏好可以用被選擇對象的效用值來描述：出行者是交通行為意志決定的最基本單位；出行者在特定的選擇條件下，選擇其所認知的選擇方案中效用最大的方案[7]。學(xué)生出行也是學(xué)生在一定條件下的出行選擇行為，假定學(xué)生總是會選擇他所認為的效用最大的交通方式，則學(xué)生的出行行為決策也可用非集計模型來描述。

常用的非集計模型有BL(Binary Logit)、MNL 和NL模型，其中BL模型適用于選擇枝是2個的出行行為描述，MNL和NL模型適用于多個選擇枝。一般而言，MNL模型形式簡單且易于估計，是較常使用的離散選擇模型，但它具有內(nèi)在的缺陷: IIA特性。NL模型是一般Logit模型的改進模型，通過對選擇枝分層進而對出行選擇決策等進行描述。學(xué)生的出行選擇行為具有明顯的分層特性，如先考慮公共交通或私人交通方式出行，或者先考慮個人單獨出行或者家人陪同出行等，因此可以選用非集計模型中的NL模型對學(xué)生的出行選擇行為和出行特性進行分析。

1.3 NL模型簡介

隨機效用理論認為效用是一個隨機變量，效用函數(shù)由兩部分組成，確定項和隨機項，表示如式(1)：

(1)

式中：Uin為出行者n選擇方案i時的效用；Vin,εin分別為出行者n選擇方案i時效用函數(shù)的確定項和隨機項。

如果假設(shè)某出行者n的選擇方案集合為An，選擇其中方案j的效用為Ujn，則該出行者n從An中選擇方案i的條件為：

(2)

或

Vin+εin>max(Vjn+εjn),i≠j,j?An

(3)

此時，根據(jù)效用最大化理論，出行者n選擇方案i的概率Pin可以寫為如式(4)：

Pin=Prob(Uin>maxUjn,i≠j,j?An) =Prob(Vin+

εin>max(Vjn+εjn))

(4)

這里假設(shè)隨機項εin服從二重指數(shù)分布，得到Logit模型的表達式：

(5)

NL模型是基于一般的Logit模型的改進模型。NL模型的分層原則是將相似性較大的選擇方案作為一個層次，將不同類型的選擇方案作為不同的層次。NL模型的基本公式如式(6)：

(6)

在NL模型中，下層所屬的上層選擇方式被選擇時，下層的選擇具有條件概率性，因此可以確定上層方案的效用，其一般由下層最大期望效用和影響方案的因素的屬性變量組成，即：

Uin=Vin+εin+logsum

(7)

式中：logsum為下層方案中決策者所選方案對應(yīng)的影響因素的效用值的總和，用來表示下層影響因素對上層的影響。

2 學(xué)生出行NL模型結(jié)構(gòu)和參數(shù)選擇

2.1 出行數(shù)據(jù)分析

以寧海市2012年學(xué)生家庭的出行調(diào)查數(shù)據(jù)為基礎(chǔ)進行分析。此次調(diào)查共發(fā)放5 000份調(diào)查問卷，回收2 820份(2 820個家庭)，其中有車家庭2 061個，小汽車家庭擁有率73%。調(diào)查以學(xué)生家庭為單位進行，全部家庭成員出行次數(shù)共計23 263次，出行方式主要有小汽車、步行、公交車、自行車和摩托車。各出行方式所占比例如圖1。

圖1 學(xué)生家庭全成員出行交通方式分擔(dān)率

學(xué)生群體和家庭內(nèi)成員間雖然共享收入、居住環(huán)境和交通工具，但學(xué)生出行特性和家庭其他成員明顯不同，將學(xué)生家庭中的學(xué)生出行進行專門統(tǒng)計，得到學(xué)生出行交通方式分擔(dān)情況，如圖2。

圖2 學(xué)生家庭學(xué)生交通方式分擔(dān)率

從圖1、圖2 可以看出，不同交通方式的分擔(dān)率發(fā)生了較明顯的變化。小汽車出行在兩圖中的比例都是最高的，但學(xué)生出行的小汽車比例比全成員的比例少10%；學(xué)生摩托車出行比例比全成員摩托車出行比例減少了12%。由于在無人接送的情況下，步行和自行車是學(xué)生經(jīng)常采用的交通方式，因此學(xué)生出行步行和自行車的選擇比例相對全成員步行和自行車的選擇比例增加比較明顯(分別為7%和13%)。

影響學(xué)生出行的因素除了家庭屬性、性別和年齡等個人屬性、出行特性之外，還包括家長的接送，類似于陪同出行。本次調(diào)查的2 820個家庭中，有人接送的學(xué)生為1 454個，約占52%。學(xué)生家庭其他成員的出行目的主要分為探親、休閑、上下班、公務(wù)、接送學(xué)生，在調(diào)查的9 857次出行中，接送學(xué)生上下學(xué)出行次數(shù)為1 647次，占16.7%(其中部分出行目的為上班的出行中也包括接送學(xué)生上下學(xué)，因此實際比例高于該值)。

2.2 模型結(jié)構(gòu)建立

以學(xué)生家庭學(xué)生的出行行為為分析對象，分析家庭因素和出行因素對學(xué)生出行方式選擇的影響。從調(diào)查數(shù)據(jù)看，出行方式選擇最多和最少的交通方式分別是小汽車和公交車，通過此次模型的建立研究影響這些交通方式選擇的因素，并對該結(jié)果做出合理的解釋。為了能夠區(qū)分不同出行因素對于學(xué)生選擇公共交通方式(公交車)和私人交通方式的不同影響，筆者采用的NL模型結(jié)構(gòu)如圖3。

圖3 NL模型結(jié)構(gòu)

2.3 模型參數(shù)選擇

此次對學(xué)生家庭的調(diào)查內(nèi)容包括：家庭基本信息(家庭住址、現(xiàn)有交通工具、小汽車購買計劃等)、家庭成員信息(性別、年齡、職業(yè)、收入、是否有公交IC卡，是否有駕駛執(zhí)照等)及家庭成員全天的出行信息(出行次數(shù)、每次出行起終點、采用的交通方式、出行目的等)。具體到學(xué)生來說，還同時調(diào)查了是否有人接送、是否有公交IC卡等信息。對調(diào)查得到的信息進行分析，把影響學(xué)生選擇公共交通的因素選入到上層模型，把影響學(xué)生選擇不同私人交通方式的因素歸入到下層模型，形成表1所示的NL模型層次劃分及對應(yīng)參數(shù)。

表1 NL模型參數(shù)

為更方便的分析變量(參數(shù))和交通方式選擇結(jié)果之間的關(guān)系，需要首先將這些參數(shù)量化，即對這些啞變量進行賦值，以便后續(xù)利用軟件對模型參數(shù)進行估計。各變量及其取值情況如表2。

表2 變量取值

Table 2 Values of parameters (variables)

3 模型參數(shù)估計

3.1 非集計模型θ的參數(shù)標(biāo)定原理

非集計模型最優(yōu)參數(shù)估計方法主要有N-R (Newton-Raphson method)、D-F-P(Davidon-Fletcher-Powell method)等，常用的是N-R法，其主要計算步驟如下：

步驟0：令θ的初值為0，循環(huán)次數(shù)q=0；

步驟2：求A(0)點處L的切線方程式，方程如式(8)：

(8)

步驟3：求上式所示的切線與軸交點值θ(0)，即令L=0，求θ(0)；

θ(0)=θ(0)-[2L(θ(0))]-1L(θ(0))

(9)

步驟4：收斂性檢驗。

(10)

(11)

式中：P為參數(shù)的個數(shù)；上標(biāo)q為循環(huán)次數(shù)；μ1，μ2為預(yù)先給定的誤差，通常μ1=10-4，μ2=10-2。如滿足式(10)、式(11)，則為θ(q)所求；否則返回步驟1，重復(fù)以上步驟。

NL模型參數(shù)估計分為兩個階段：①下層選擇參數(shù)估計。這里把最底層的模型看成是多個獨立的MNL模型，對這些獨立的多項Logit模型進行定義和估計；②上層選擇參數(shù)估計。上層方案的效用由兩部分構(gòu)成，logsum參數(shù)和效用參數(shù)。根據(jù)下層模型的參數(shù)估計，計算離散數(shù)據(jù)的logsum值，作為對上層選擇效用的影響因素，之后對上層模型進行定義和估計。

3.2 利用SPSS標(biāo)定模型參數(shù)

在所有的調(diào)查數(shù)據(jù)中篩選出有效數(shù)據(jù)共500條，即對500個信息完整的學(xué)生家庭中，學(xué)生的出行行為進行分析。數(shù)據(jù)的處理主要利用SPSS軟件進行，將相關(guān)變量帶入到SPSS軟件中，得到下層模型的參數(shù)估計如表3。

根據(jù)統(tǒng)計學(xué)理論，在自由度為1，置信度a=0.05的條件下，Wald臨界值為3.841，即如果Wald大于3.841，說明自變量和因變量顯著相關(guān)；Wald略小于3.841，認為自變量對因變量有影響,但影響程度較小；Wald遠小于3.841，則認為自變量和因變量顯著無關(guān)[9]。

根據(jù)表3中下層模型的參數(shù)估計結(jié)果，與步行相比，摩托車出行比較顯著的影響因素為是否有人接送、家庭收入、家庭摩托車擁有數(shù)量；小汽車出行比較顯著的影響因素有是否有人接送、學(xué)生年齡、家庭收入、出行時間、家庭小汽車擁有數(shù)量；自行車出行方式的因素有是否有人接送、學(xué)生年齡、家庭是否擁有自行車等。

表3 下層參數(shù)估計

注：參考類別是步行。

在此基礎(chǔ)上，將樣本數(shù)據(jù)帶入模型中，得到樣本對于選擇集中各出行方式的選擇概率，將最大的概率定為樣本的預(yù)測結(jié)果。表4中每行數(shù)據(jù)的和為實際的樣本選擇結(jié)果，每列數(shù)據(jù)的和為模型的預(yù)測結(jié)果，表中各數(shù)為其所在行對應(yīng)的交通方式預(yù)測為所在列對應(yīng)的交通方式的統(tǒng)計數(shù)，其中對角線上的數(shù)據(jù)為模型中的選擇結(jié)果和預(yù)測結(jié)果一致的統(tǒng)計數(shù)。百分比校正表示預(yù)測結(jié)果與實際結(jié)果一致的樣本占該出行方式樣本的比例，總百分比例所對應(yīng)交通方式預(yù)測結(jié)果所占的比例。最終的命中率為對角線上樣本量所占樣本總量的比例，如表4。

表4 下層模型命中率

將公共交通方式和私人交通方式作為NL模型的上層，利用下層參數(shù)可以得到下層影響因素的logsum值，將下層的logsum值作為上層選擇方式的一個影響因素，可以得到上層的各個參數(shù)和主要的統(tǒng)計量[8]，如表5。

表5 上層參數(shù)估計

注：參考類別是私人交通。

從表5可以看出，上層參數(shù)估計得到的Wald值相對較大，說明上層模型的各因素對于模型的影響都比較顯著，其中是否擁有公交卡和下層模型構(gòu)成的logsum項對于模型影響最大，其次為家庭收入。同樣將離散數(shù)據(jù)分別帶入模型中，將概率最大的方式定為預(yù)測結(jié)果，得到上層模型的命中率，具體如表6。

表6 上層模型命中率

3.3 模型精度檢驗

模型的精度主要體現(xiàn)在似然比、模型擬合優(yōu)度、命中率和包容系數(shù)幾個方面，模型精度檢驗就是要對上述指標(biāo)進行統(tǒng)計分析，證明模型的準(zhǔn)確性和合理性。

模型似然比檢驗?zāi)軌蚍磻?yīng)出行特性變量對模型是否顯著，根據(jù)軟件的分析結(jié)果整理得到模型的似然比檢驗指標(biāo)，具體如表7。

表7 似然比檢驗指標(biāo)

從表7可以看出，對于似然比檢驗，模型上下層均有P(sig)<0.05，因此在本模型上下層回歸模型均有顯著意義。

命中率表示實際選擇結(jié)果和模型推算結(jié)果的吻合程度，如果一個模型命中率超過80%，則認為命中率相當(dāng)高。該模型上層命中率為83%，下層命中率為77.6%，說明模型上層命中率高于下層，但是預(yù)測結(jié)果的準(zhǔn)確率尚在可接受范圍之內(nèi)。

包容系數(shù)反映了分層模型結(jié)構(gòu)的合理性，包容系數(shù)即logsum的參數(shù)估計值，如果包容系數(shù)的絕對值小于1則說明模型是顯著的。該模型的包容系數(shù)為-0.216，其Wald檢驗值為12.697，說明模型的影響顯著，NL模型的上下層之間有明顯的階層關(guān)系，模型結(jié)構(gòu)關(guān)系合理。

4 模型結(jié)果分析及措施

在NL模型分析過程中，上層模型由于用私人交通方式作為參照，故利用SPSS軟件輸出的參數(shù)估計值實際上為公共交通方式和私人交通方式效用之差的系數(shù)。同樣的，下層模型由于以步行交通方式為參照，參數(shù)估計值實際上為某一特定出行方式和步行效用之差的系數(shù)。分析模型計算結(jié)果和相應(yīng)參數(shù)，并進行敏感性分析，得出如下結(jié)論：

1)家庭收入是家庭屬性中影響學(xué)生交通方式選擇的一個重要因素，在上層和下層模型中同時將這一影響因素考慮進去。家庭收入對于上層交通方式選擇的影響比較大，當(dāng)家庭收入在劃分范圍內(nèi)上升一個檔次，學(xué)生選擇公交車的概率是選擇私人交通方式的0.5倍。下層模型中，家庭收入每上升一個等級，學(xué)生采用摩托車、小汽車、自行車的概率分別是步行出行方式的1.48，1.64，1.12倍。以上數(shù)據(jù)說明，家庭收入越高的學(xué)生越傾向于私人交通方式，小汽車出行為高收入家庭學(xué)生的首選。

2)在下層模型中，將幾種家庭交通工具的擁有量作為學(xué)生出行的影響因素，家庭小汽車擁有量對小汽車出行有比較重要的影響。當(dāng)家庭小汽車數(shù)量增加，學(xué)生出行選擇小汽車的概率是選擇其他交通方式的2.5倍；當(dāng)學(xué)生家庭擁有摩托車，學(xué)生采用摩托車出行概率是步行的1.62倍；當(dāng)學(xué)生家庭擁有自行車，學(xué)生采用自行車出行是步行出行的40倍。其中家庭小汽車數(shù)量的增加還會減少自行車出行的概率。

3)是否擁有公交卡對上層的交通方式的影響最明顯，當(dāng)學(xué)生擁有公交卡時，其選擇公共交通出行方式是私人出行方式38倍。在下層模型的影響因素中，是否有人接送對于學(xué)生交通方式的選擇有比較大的影響，有人接送的情況下學(xué)生更容易選擇小汽車和摩托車的方式出行，但是有人接送卻會降低自行車的出行概率。在有人接送的情況下，學(xué)生采用小汽車出行方式是采用步行方式概率的34倍，摩托車出行為步行方式概率的17倍，自行車出行方式為步行方式的0.2倍。

綜合上述分析結(jié)果，在實際交通管理中，可以有針對性的采取相應(yīng)的管理措施或?qū)Σ撸?/p>

1) 私家車的出行方式有一定的習(xí)慣性和依賴性，其他的交通方式很難替代;居民的收入水平對學(xué)生選擇私家車出行的概率有很大的影響，并且隨著經(jīng)濟的發(fā)展私家車出行比例會呈逐漸增加趨勢，應(yīng)針對性的采取相應(yīng)地限制策略減少私家車的出行。

2) 家長接送學(xué)生上下學(xué)是影響學(xué)生選擇私人交通方式的重要因素，鼓勵學(xué)生獨立上下學(xué)，減少家長接送，能的有效的減少私家車在學(xué)生上下學(xué)出行方式中占的比例。

3) 校車作為一種公共交通方式逐漸被學(xué)校采用, 應(yīng)通過相關(guān)政策和規(guī)劃實施校車服務(wù)，將其他出行方式尤其是電動自行車和私家車出行吸引到校車上來。

4) 鼓勵學(xué)生辦理公交IC卡，采用公共交通方式上下學(xué)。對公交的滿意度對于學(xué)生公交出行有比較大的影響，要增加公共交通的出行分擔(dān)率就要改善公交車的乘車環(huán)境。

5 結(jié) 語

學(xué)生出行是城市居民出行的重要組成部分，并具有明顯的時空分布集中性特點，往往會造成一定時間和空間內(nèi)的交通擁擠。從家庭屬性和個體屬性的角度，對影響學(xué)生出行選擇的主要因素及其影響機理進行分析，構(gòu)建了基于NL模型的學(xué)生出行行為選擇模型，并對主要影響因素進行了敏感性分析。研究成果有助于更好的了解學(xué)生出行選擇的特點，從而更好的采取相應(yīng)地城市交通管理對策和措施。

[1] 富曉艷,雋志才,宗芳,基于非集計選擇模型的長春市居民出行數(shù)據(jù)分析[J].交通運輸系統(tǒng)工程與信息,2007,7(5):80-84. Fu Xiaoyang,Juan Zhicai,Zong Fang.Disaggregated model-based changchun residents’ travel time data analysis [J].Journal of Transportation Systems Engineering and Information Technology,2007,7(5): 80-84.

[2] 劉炳恩,雋志才,李艷玲,等.居民出行方式選擇的非集計模型的建立[J].公路交通科技,2008,25(5): 116-120. Liu Bing’en,Juan Zhicai,Li Yangling,et al.Development of a multinomial logit model for travel choice of residents [J].Journal of Highway and Transportation Research and Development,2008,25(5): 116-120.

[3] 楊勵雅,李霞,邵春福.居住地、出行方式與出發(fā)時間聯(lián)合選擇的交叉巢式Logit模型[J].同濟大學(xué)學(xué)報:自然科學(xué)版,2012,40(11): 1647-1653. Yang Liya,Li Xia,Shao Chunfu.Cross-nested model for joint choice of residential location,travel model and departure time [J].Journal of Tongji University: Natural Science,2012,40(11): 1647-1653.

[4] Kara M K,Jason D L.Anticipating new-highway impacts: opportunities for welfare analysis and credit-based congestion pricing [J].Transportation Research Part A,2011,45(8): 825-838.3

[5] 吳文靜,雋志才.通勤者下班后非工作活動時間選擇決策行為[J].中國公路學(xué)報,2010,23(6):93-95. Wu Wenjing,Juan Zhicai.Decision-making behavior of commuters’ non-working activity time choice after work [J].China Journal of Highway and Transport,2010,23(6): 93-95.

[6] 鮮于建川,雋志才.雙職工家庭通勤出行長度選擇研究[J].武漢大學(xué)學(xué)報,2012,36(6):1133-1135. Xianyu Jianchuan,Juan Zhica.Modeling commute length choice decision in dual-income households [J].Journal of Wuhan University of Technology,2012,36(6): 1133-1135.

[7] 關(guān)宏志,非集計模型—交通行為分析的工具[M].北京:人民交通出版社,2004. Guan Hongzhi.Disaggregate Model—A Tool of Traffic Behavior Analysis [M].Beijing: China Communications Press,2004.

[8] 陳俊勵,馬云龍,朱楠.基于巢式Logit模型的公交出行方式選擇行為研究[J].交通運輸系統(tǒng)工程與信息,2011,11(1):121-125. Chen Junli,Ma Yonglong,Zhu Nan.A study on bus travel mode choice behavior based on nested logit model [J].Journal of Transportation Systems Engineering and Information Technology,2011,11(1): 121-125.

[9] 王濟川,郭志剛.Logistic回歸模型—方法與應(yīng)用[M].北京:高等教育出版社,2001. Wang Jichuan,Guo Zhigang.Logistic Regression Model-Methods and Applications [M].Beijing: Higher Education Press,2001.

Choice Characteristics of Students Travel Behavior Based on Household Characteristics and Nested Logit Model

Ma Shuhong1, Fu Jianchuan1, Yao Zhigang2

(1. School of Highway, Chang’an University, Xi’an 710064, Shaanxi, China;2. School of Economics & Management, Chang’an University, Xi’an 710064, Shaanxi, China)

Based on nested Logit model, the impact on students travel behavior choices due to students’ personal attributes, household characteristics and trip features was elaborated. A two-layer nested Logit model was established. The upper layer included public transit and private mode alternatives, and the lower layer included car, motorcycle, bicycle and walk. SPSS was used to calibrate and test the model according to survey data, and then the influence of household vehicle ownership, household income and other factors was analyzed. The results illustrate that household income is an important factor for mode choice, and students intend to choose private mode in a higher income household. Having a bus card or not is the most evident factors for upper mode choice, and students choosing public transit mode is 38 times than private mode when they have a bus card; household vehicle ownership and needing ferry or not are critical factors for lower mode choice, and the probabilities of students choosing a private mode are higher when their homes have a car or when there is someone picking up them.

traffic engineering; students travel; behavior; household characteristics; Nested Logit model; travel mode choice

10.3969/j.issn.1674-0696.2015.04.24

2013-12-28；

2014-04-28

馬書紅(1975—)，女，河北藁城人，副教授，博士，主要從事交通規(guī)劃、交通經(jīng)濟方面的研究。E-mail: jtmn@gl.chd.edu.cn。

U491

A

1674-0696(2015)04-122-06