基于結構方程的通勤廊道停車換乘行為建模分析

向紅艷，何素貞，徐 韜

(重慶交通大學 交通運輸學院，重慶 400074)

0 引 言

停車換乘(P & R)出行行為是交通需求管理在靜態交通領域的一種重要應用。能否準確把握P & R 選擇行為關系到交通建設、交通政策制定及交通管理的準確性和科學性，并直接影響城市交通系統的結構及系統整體效率發揮。

隨著城市規模擴大，居住區與工作區愈漸分離，通勤出行距離不斷增加，形成了較為固定的通勤廊道。通常，通勤廊道的出行方式可分為：公共交通、小汽車、P & R。P & R是提高廊道通行速度，緩解城市中心區交通擁堵、停車困難等問題的有效措施。因此，通勤廊道的P & R行為，將成為研究的重點。當出行者做出出行方式決策時，除可直接觀測因素，不可直接觀測因素也對出行決策結果產生效應。研究各種影響因素的關系及潛在因素，對選擇結果影響機理和全面分析P & R選擇行為具有重要意義。

學界運用Logit模型、隨機網絡模型、決策樹模型等研究了P & R行為特征及其影響因素[1-9]。D.HESS[1]建立了工作出行方式選擇多項Logit模型，分析了停車費用對通勤交通方式的影響；云美萍等[2]針對道路交通通暢、堵塞這2種狀態分別建立了是否停車換乘的二項Logit模型，指出通勤者在道路通暢時更關注出行費用，堵塞時更關注出行時耗和舒適性；A.R.HOLE[3]研究了通勤者收入、目的地停車位供給對P & R出行行為的影響；范文博等[4]建立了隨機多方式交通網絡均衡模型，提出交通信息對P & R行為的影響，并指出信息特性中的信息質量對P & R行為有較大影響。上述學者從不同角度研究了P & R出行行為，并提出多種影響因素。

在P & R選擇行為中，為解釋一組潛變量之間、顯變量與潛變量之間的因果關系，可能涉及到很多測量變量，通常會形成復雜的層次關系結構，無法使用傳統的回歸分析方法求解，需要更精確地路徑分析工具，并能對模型進行參數估計和相關檢驗，而結構方程模型(structural equation model，SEM)正適合處理這類問題。SEM模型能很好地分析一個或多個自變量與一個或多個因變量之間的一組相互關系，而自變量和因變量既可以是連續的，也可以是離散的，并可對不同的理論模型進行評價分析，是多元數據統計的重要工具之一，已被廣泛運用于心理學、社會科學等學科。但一直以來，SEM在交通出行行為領域的應用較少[10-15]。

鑒于以上分析，筆者以重慶市城市居民P & R問卷調查數據為基礎，通過引入SEM模型，選取個人屬性、信息需求偏好及停車換乘設施服務水平作為外源潛變量，出行目的、出發時刻、出行方式及出行強度作為內生潛變量，對潛變量間關系及潛變量與相對應觀察變量間的關系進行了進一步研究。由于P & R出行模式中大多為小汽車+軌道交通的停車換乘模式，因此筆者的研究對象為小汽車擁有者基于軌道交通的通勤廊道P & R出行行為。

1 結構方程模型

結構方程模型(SEM)是一種基于變量的協方差矩陣來分析變量之間關系的統計方法。該模型整合了因素分析與路徑分析兩種統計方法。包含直接觀測潛在變量、可直接觀測顯性變量及干擾或誤差變量。通過檢驗此3種變量之間的關系，進而獲得自變量對因變量影響的直接效果、間接效果或總效果[16]。

完整的SEM模型包括測量模型(measurement model)和結構模型(structure model)兩個基本模型。

測量方程：

y=Λyη+ε

(1)

x=Λxξ+δ

(2)

式中：y為內生顯變量組成的向量；x為外源顯變量組成的向量；Λy為y在η上的因子負荷矩陣；Λx為x在ξ上的因子負荷矩陣；ε為內生顯變量的誤差項；δ為外源顯變量的誤差項。

結構方程：

η=Bη+Γξ+ζ

(3)

式中：η為內生潛變量；ξ為外源潛變量；B為系數矩陣，代表內生潛變量η之間的關系；Γ為系數矩陣，代表外源潛變量ξ對內生潛變量η的影響；ζ為結構方程的殘差項，反映了η在方程中未能被解釋的部分。

測量模型與結構模型關系如圖1。圖1中：結構方程模型含有3個測量模型和1個結構模型；單向箭頭表示兩個變量間的因果關系，由“因”指向“果”，由外因潛變量指向內因潛變量；雙向箭頭表示兩個變量間的相關關系，兩者間不存在因果關系。

圖1 結構模型示意Fig. 1 Schematic diagram of SEM

2 居民停車換乘行為結構方程模型

2.1 交通調查

2.1.1 數據調查與檢驗

結構方程模型采用協方差建模時，為保證模型有更精確地擬合效果，所需樣本數至少是測量變量的10倍以上[17]。為全面地對通勤廊道的P & R出行行為進行研究，借鑒以往研究，問卷中共設置25個觀察變量。

筆者選取重慶市通勤廊道的P & R停車場，采用現場發放問卷、現場回收的方法進行了調查。除去不認真作答、問項未完全作答及連續選擇極端值大于5個的樣本，最終得到456份有效問卷，作為模型原始數據。

分析調查數據前，使用式(4)計算問卷調查中的克朗巴哈系數：

(4)

經計算，問卷調查中的克朗巴哈系數α=0.86，表明問卷設計具有良好信度[18]。

2.1.2 探索性因素分析

筆者采用主成分分析法進行因子分析。將456份調查數據輸入SPSS軟件中進行因子分析，以特征根大于1、因子載荷大于0.5為標準，經過旋轉后，提取了7個因子：個人屬性、信息需求偏好、P & R設施服務水平、出行目的、出發時刻、出行方式、出行強度。結果顯示：各變量的因子載荷都大于0.6，即因子對變異量解釋程度較高，說明結果表明變量選取較科學、合理。旋轉后的荷載矩陣具體如表1。

表1 觀察變量探索性因子分析結果Table 1 Exploratory factor analysis results of observation variables

注：X1為性別、X2為年齡、X3為月收入、X4為學歷、X5為駕齡、X6為路況狀態信息、X7為路徑導航信息、X8為交通管制信息、X9為停車信息、X10為事故信息、X11為換乘優惠、X12為停車位供給、X13為停車信息服務、Y1為通勤出行、Y2為非通勤出行、Y3為出發時刻為07：00—09：00、Y4為出發時刻為09：00—14：00、Y5為出發時刻為14：00—17：00、Y6為出發時刻為17：00—19：00、Y7為出發時刻為19：00—22：00、Y8為小汽車、Y9為公共交通、Y10為小汽車換乘軌道交通、Y11為出行距離、Y12為出行時間。

2.2 變量選取

筆者對模型作如下假設：① 個人屬性與信息需求偏好有相關關系；② 個人屬性、信息需求偏好、P & R 設施服務水平對出行目的、出發時刻、出行方式、出行強度產生直接影響。為簡化模型，調高模型適配度，最終確定個人屬性、信息需求偏好和換乘設施服務水平為外源潛在變量，出行目的、出發時刻、出行方式和出行強度為內生潛在變量。各潛變量及對應觀察變量特征具體如表2、3。

表2 結構方程外源變量解釋Table 2 Exogenous variable explanation for SEM

表3 結構方程內生變量解釋Table 3 Endogenous variable explanation for SEM

2.3 概念模型

基于軌道交通的P & R出行行為研究可由出行者個人屬性、信息需求偏好及換乘設施服務水平組成的外源潛變量，出行目的、出發時刻、出行方式及出行強度組成的內生潛變量之間的關系與各觀察變量間的關系表示。根據現有研究成果，構建結構方程概念模型，具體如圖2。

圖2 模型示意Fig. 2 Schematic diagram of model

3 模型標定及評價

3.1 模型標定

運用SPSS軟件建立數據庫，并以此為基礎導入LISREL8.72中進行分析，構建結構方程模型，采取最大似然法(maximum likelihood，ML)進行估算。模型的標定結果如圖3。

圖3 采用LISREL分析得到的P & R出行行為分析路徑Fig. 3 Path diagram of rail park-and-ride behaviors obtained by LISREL analysis

結合表2、3和圖3對各變量進行分析，具體如下：

1) 個人屬性路徑表明：收入和駕齡是主要影響因素，效應值分別為0.51、0.42，即低收入和駕齡較低的出行者更傾向于停車換乘。

2) 信息需求偏好路徑表明：路況狀態信息、事故信息及停車信息對P & R出行行為影響較顯著，效應值分別為0.80、0.72、0.60。當中心區道路擁擠、停車供給不足時，居民選擇P & R出行方式概率較大。

3) 換乘設施路徑表明：提高P & R處停車位供給及提升停車信息服務水平是吸引居民選擇P & R的強有力措施，效應值分別為0.62、0.51。

4) 出行目的路徑表明：通勤廊道上選擇P & R的出行者大多是通勤者。

5) 出發時刻路徑表明：當在07：00—9：00與17：00—19：00這兩個時段時，居民選擇P & R比率較高，即早高峰和晚高峰時段居民選擇P & R出行方式的比例較大，平峰時段P & R出行方式使用率較低。

6) 結構模型中外源潛變量ξ1、ξ2、ξ3和內生潛變量η1、η2、η3、η4之間的路徑表明：個人屬性ξ1對出行方式影響較顯著，效應值為0.56；信息需求偏好ξ2對出行方式和出發時刻具有重要影響，效應值分別為0.57、0.35；換乘設施服務ξ3對出行方式具有顯著影響，效應值為0.61。

7) 觀測變量對內生潛變量的間接影響可通過外生潛變量各觀測變量的負荷系數乘以路徑系數得到。其中：在個人屬性ξ1中，性別x1對居民P & R出行行為影響較弱；在信息需求偏好ξ2中，路徑導航信息x7對居民P & R出行行為影響不顯著；在換乘設施服務ξ3中，換乘優惠x11對居民方式決策影響較低。

3.2 模型評價

模型適配度是指觀測資料與假設模型之間一致性程度。結構方程模型適配度檢驗可根據用于驗證的樣本規模、數據特征及假設條件選擇相應的指標[19]。筆者選取6個關鍵特征指標，衡量模型的擬合精度，如表4。結果表明：調查數據與模型能夠較好適配。

表4 模型擬合優度評價Table 4 Grade evaluation of model fitting

4 結 論

通勤出行在時間和空間上具有較強的規律性，通勤廊道上的出行特征與通勤者屬性、偏好有關。P & R 出行可有效降低小汽車出行，提升高容量、低能耗的公共交通出行，從而提升通勤廊道服務水平，緩解交通擁堵。結構方程模型具有反應信息全面、模型解釋能力強、可移植性高等優點，為P & R出行行為研究提供了全新的思路。

筆者基于結構方程模型(SEM)，選取個人屬性、信息需求偏好及停車換乘設施服務水平作為外源潛變量，出行目的、出發時刻、出行方式及出行強度作為內生潛變量，對通勤廊道上的P & R出行行為進行了進一步的研究。結果表明：路況狀態信息、事故信息及停車信息對P & R出行行為影響效應較顯著；出發目的具有最高的優先級別，對出發時刻、出行方式及出行強度產生影響；早高峰和晚高峰時段居民選擇P & R出行方式的比例較大；P & R處停車位供給水平、停車信息服務對P & R出行行為影響效應較顯著。研究成果可為通勤廊道的交通需求管理提供參考，對于提高P & R系統的利用率，優化出行結構具有重要的意義。此外，結構方程模型在形式上具有很大靈活性，可通過增加變量或采用不同路徑關系進行優化，力求更加準確地反應P & R出行特性。

[1] HESS D.Effect of free parking on commuter mode choice：evidence from travel diary data[J].JournaloftheTransportationResearchRecord，2001，1753(1)：35- 42.

[2] 云美萍，劉賢瑋，陳震寰，等.通勤出行中停車換乘選擇行為分析與建模[J].同濟大學學報(自然科學版)，2012，40(12)：1825-1830.

YUN Meiping，LIU Xianwei，CHEN Zhenhuan，et al.Analysis and modeling of park and ride choice behavior in commuting travel[J].JournalofTongjiUniversity(NaturalScienceEdition)，2012，40(12)：1825-1830.

[3] HOLE A R.Forecasting the demand for an employee park and ride service using commuters’ stated choices[J].TransportPolicy，2004，11(4)：355-362.

[4] 范文博，蔣葛夫.信息作用下隨機多方式網絡停車換乘行為[J].西南交通大學學報，2008，43(4)：524-530.

FAN Wenbo，JIANG Gefu.Park and ride behavior in stochastic multimodal network under ATIS[J].JournalofSouthwestJiaotongUniversity，2008，43(4)：524-530.

[5] MOLIN E，BOS I.Exploringheterogeneityinparkandridepreferences：Alatentclassmode[C].Transportation Research Board，Washington DC：National Academy of Sciences，2009.

[6] 王曉磊.面向停車換乘的城市通勤廊道交通方式選擇模型研究[D].北京：北京交通大學，2012.

WANG Xiaolei.AnalysisofTransportationModalChoiceModelforMetropolitanCommutingCorridorsOrientatedP&RCombinations[D].Beijing：Beijing Jiaotong University，2012.

[7] 秦煥美，關宏志，龍雪琴.基于決策過程的停車換乘行為研究[J].武漢理工大學學報(交通科學與工程版)，2014，38(5)：1002-1005.

QIN Huanmei，GUAN Hongzhi，LONG Xueqin.Study on the park and ride behavior based on decision process[J].JournalofWuhanUniversityofTechnology(TransportationScience&Engineering)，2014，38(5)：1002-1005.

[8] 羅瓊.山地組團城市停車換乘方案評價方法[J].重慶交通大學學報(自然科學版)，2012，31(增刊1)：583-585.

LUO Qiong.Evaluation on park and ride scheme in mountain group city[J].JournalofChongqingJiaotongUniversity(NaturalScience)，2012，31(Sup1)：583-585.

[9] 惠英，楊飛.英國停車換乘交通對策的實踐與借鑒[J].重慶交通大學學報(自然科學版)，2008，27(6)：1120-1123.

HUI Ying，YANG Fei.Traffic policy of P & R in England and its significance as reference[J].JournalofChongqingJiaotongUniversity(NaturalScience)，2008，27(6)：1120-1123.

[10] 侯杰泰，溫忠麟，成子娟.結構方程模型及其應用[M].北京：教育科學出版社，2004.

HOU Jietai，WEN Zhonglin，CHENG Zijuan.StructuralEquationModelandItsApplications[M].Beijing：Educational Science Press，2004.

[11] 莫一魁，蘇永云，沈旅歐.基于結構方程的小汽車駕駛員信息偏好分析[J].系統工程，2009，27(8)：85-89.

MO Yikui，SU Yongyun，SHEN Lv’ou.Analysis of car drivers’ preference for traffic information based on structural equation modeling[J].SystemsEngineering，2009，27(8)：85-89.

[12] 趙昕，關宏志，鞏麗媛.基于結構方程的家庭假日外出活動關聯性分析[J].交通運輸系統工程與信息，2011，11(4)：85-90.

ZHAO Xin，GUAN Hongzhi，GONG Liyuan.Modeling correlation of family holiday activities based on structural equation model[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2011，11(4)：85-90.

[13] 魏雪梅，戢曉峰，陳方.基于SEM的駕駛員出行信息搜尋行為分析[J].交通運輸系統工程與信息，2012，12(3)：174-179.

WEI Xuemei，JI Xiaofeng，CHEN Fang.Drivers’ travel information searching behavior study with structural equation modeling[J].JournalofTransportationSystemsEngineeringandInformationTechnology，2012，12(3)：174-179.

[14] 陳堅，晏啟鵬，楊飛，等.出行方式選擇行為的SEM-Logit整合模型[J].華南理工大學學報(自然科學版)，2013，41(2)：51-57.

CHEN Jian，YAN Qipeng，YANG Fei，et al.SEM-Logit integration model of travel mode choice behaviors[J].JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition)，2013，41(2)：51-57.

[15] 朱順應，吳俁，王紅，等.軌道交通乘客滿意度不確定性預測與分析[J].重慶交通大學學報(自然科學版)，2015，34(6)：150-155.

ZHU Shunying，WU Yu，WANG Hong，et al.Uncertainty prediction and analysis on rail passenger satisfaction[J].JournalofChongqingJiaotongUniversity(NaturalScience)，2015，34(6)：150-155.

[16] 黃芳銘.結構方程模式：理論與應用[M].北京：中國稅務出版社，2005.

HUANG Fangming.StructuralEquationModeling：TheoryandApplications[M].Beijing：China Taxation Publishing House，2005.

[17] 戢曉峰，魏雪梅，陳方.基于結構方程模型的公共交通系統公平性評估——以昆明市為例[J].公路交通科技，2013，30(1)：126-132.

JI Xiaofeng，WEI Xuemei，CHEN Fang.Evaluation of public transport system equity based on structure equation model：taking Kunming as an example[J].JournalofHighwayandTransportationResearchandDevelopment，2013，30(1)：126-132.

[18] NUNNALLY J C.PsychometricTheory[M].New York：McGraw-Hill，1978.

[19] 李琳.城市老年人出行行為及其影響機理研究[D].昆明：昆明理工大學，2014.

LI Lin.StudyonTravelBehaviorandInfluenceMechanismofUrbanElderly[D].Kunming：Kunming University of Science and Technology，2014.