基于家庭收入的廣州市私家車通勤出行率研究

胡郁蔥，黃靖翔，石一飛，張曼瑩

(華南理工大學 土木與交通學院，廣東 廣州 510640)

0　引　言

隨著經濟的快速發展，各大城市私家車的保有量迅猛增長。以廣州市為例，截至2015年年底，汽車保有量達到224萬輛，交通擁堵情況日趨嚴重。為緩解擁堵，廣州市交通主管部門出臺實施差異化停車收費，其目的并不在于收費本身，意圖利用經濟手段調節私家車使用頻率，降低在高峰時間過度使用的私家車給中心城區帶來的交通壓力。然而，該政策的實施，卻并未帶來預期的效果[1]。其原因在于不同類型用戶由于其收入水平、職業特性、出行目的以及消費習慣等特征的不同，對同一政策的反應、接受程度和適應期等特性均會不同。因此，有必要對廣州市私家車出行特征進行精細化研究，掌握各類用戶可能對政策實施的反應，才能對政策的影響力有較為科學的把握，為政策的制定和實施提供合理的依據。

A. D. PALMA等[2]研究了瑞士首都日內瓦居民工作出行的選擇方式，通過模型計算發現個人(家庭)的社會經濟屬性是影響居民工作出行的核心因素。Z. PENG等[3]研究了波特蘭地區停車收費政策對城市工作出行的方式選擇的影響，研究結果發現停車費率對通勤出行方式的選擇有著顯著的影響，提高停車價格和公共交通服務水平更能有效地減少私家車出行頻率、增加公交的使用。韓艷等[4]建立了小汽車通勤出行頻率選擇模型定量分析停車位供應狀況、停車費、燃油價格等因素對小汽車使用者通勤出行頻率的影響，獲取高燃油價格下小汽車通勤行為隨燃油價格變化的規律；趙偉濤[5]研究了通勤出行時間價值模型，經過模型計算可分別得出私家車和公交車的時間價值，而提高公交車的時間價值對出行者減少私家車出行率有重要參考意義。

目前國內外研究家庭經濟屬性對居民出行方式選擇的內容較多，但針對居民私家車出行率的研究卻比較少，尤其是基于家庭收入差異性的相關研究。因此，筆者對廣州市私家車車主開展了通勤出行相關的SP/RP調查，根據調查數據，重點針對家庭收入這一重要影響因素，構建不同家庭收入的私家車通勤出行率影響模型，得到不同家庭收入的出行者對各類影響因素變化的反應，定量分析各因素帶來的私家車通勤出行率變化情況，為政府決策提供重要的依據，也能為預測政策實施效果提供有效的參考。

1　廣州市私家車出行率調查

1.1　調查目的與方法

本次調查希望獲取廣州市居民的家庭收入水平，同時調查其現狀條件下的私家車通勤出行使用情況，以及在假定政策場景下私家車通勤出行使用頻率的改變情況，從而獲取影響不同家庭收入的私家車通勤出行使用情況的重要因素，定量分析各家庭收入水平的私家車通勤出行率受到這些因素影響的程度。

在SP調查(stated preference survey)中，以事先確定的屬性(或因素)及其水平組成各種情境，再由這些情境構成替選方案，供受訪者以評分、等級排序或離散選擇的方式評估其對各項選擇的整體偏好[2]。RP調查(revealed preference survey)是指針對某些已經實施的政策或者已經存在的設施進行相關調查，請被調查者根據他們的實際出行行為填寫調查問卷，在此基礎上建立的相關概率或其他模型。實際調查RP數據具有可靠性，意向調查SP數據具有靈活性[6]。為了更好的將兩種數據結合起來，減少交通調查的工作量，提高調查的精確性，筆者采用了SP/RP組合調查方案。

1.2　調查方案

通過RP調查獲取私家車車主的家庭月收入情況和私家車通勤出行頻率，了解私家車出行者使用私家車的相關費用情況(如家庭端和目的地端停車費、每月燃油費等)[7]。通過初步的調查和數據分析，確定影響私家車車主選擇私家車作為通勤出行交通工具的主要因素為目的地端停車費、燃油費以及高峰期的公交等車時間，故SP調查過程中，將目的端停車費上漲幅度、汽車燃油費上漲幅度和公交等車時間下降幅度設置不同水平，供被調查者選擇相應的私家車出行頻率變化情況，用以研究各類因素對私家車出行率的影響程度。根據初步調查的結果修改，確定最終調查對費用上漲幅度和公交等車時間下降幅度分別設置3個水平，具體調查因素及水平見表1。

表1　調查因素及其水平Table 1　Factors and level of investigation

考慮到實際情況中，政策的制定出臺通常是針對于某一具體因素的，較少出現同時改變幾種因素的情況，故本次調查的情景設定均是單一變量的，假設條件如下：

1) 每種因素水平變化情景下，其他因素均保持現狀不變。

2) 考慮到優先發展公共交通的政策，因素情景的設定均是以減少私家車出行率為大方向。

3) 調查過程中發現目前公交服務水平(包括等車時間和擁擠度)對于多數私家車通勤出行者而言是難以忍受的，當公交等車時間縮減后，對應的公交車擁擠度也會相應下降，考慮二者非獨立，故筆者僅針對公交等車時間進行建模，該指標可作為公交服務水平的代表。

1.3　調查及分類結果

調查采用現場問卷調查和網絡問卷調查相結合的形式。調查時間為2015年7月10日—17日。調查問卷共回收1 746份，以私家車為主要通勤工具的有效問卷1 401份，有效率80.24%；參與者男女比例為1.06∶1，60%的參與者年齡為30～50歲；私家車平均通勤出行次數為8.16次/周。私家車通勤出行次數分布情況如表2，可以看到超過80%的私家車通勤者每周出行次數在9次以下。

不同家庭收入的私家車出行者分類、比例、出行次數及費用情況如表3。考慮家庭月收入低于0.6萬元和高于4萬元的調查人群占比過小，僅為1%，因此所采集的數據存在一定的偶然性，無法代表該群體的真實情況，故筆者后續研究將其忽略，僅考慮家庭月收入為0.6～4萬元的4類人群，即表3中的A2、A3、A4和A5共4類。

表2　私家車通勤出行次數分布Table 2　Distribution of commuter travel times of private cars

表3　私家車主出行分類表及其出行次數Table 3　Travel category and times of private car owners

2　不同家庭收入的私家車通勤出行率改變量模型的構建及標定

2.1　模型構建

筆者僅考慮在單一研究因素：目的地端停車費用上漲幅度(下文簡寫為停車費用上漲幅度)、燃油費用上漲幅度或公交車等車時間下降幅度改變時，對應的私家車通勤出行次數的變化情況。當居民在不同因素發生變化，面臨是否繼續使用私家車作為通勤交通工具時，主要的考慮因素為家庭端停車費、目的地端停車費、燃油費3個費用因素，因此這些因素作為模型的協變量。考慮研究對象是通勤出行率的改變情況，則每減少一次通勤出行，意味著將減少兩次私家車出行(居住地至工作地、工作地至居住地)，故其通勤出行次數改變量應為偶數。

選用著名的多項Logistic模型[9-10]表示車主l因m的變化而導致其私家車通勤出行次數減少情況：不改變、減少2次/周、減少4次/周、減少6次/周、減少8次/周以及減少10次/周及以上。則，對于每類車主的每個影響因素會有6個選擇枝，各選擇枝的效用函數表示為

(1)

故各類家庭收入私家車主l因影響因素m的變化而導致其私家車通勤出行次數減少n次/周的概率Plm(n)可表達為

(2)

各字母的意義同前，此處不再贅述。

2.2　模型參數標定

以調查所得的廣州市私家車車主數據為基礎，運用統計分析軟件SPSS[11]中的Logistic回歸模型對每一類出行者進行回歸分析，得出模型參數標定結果。因涉及4類出行者、3類影響因素和6種出行次數變化情況，模型參數達360個(4×3×6×5)，故此處僅以燃油費用上漲幅度導致A4類私家車車主通勤出行次數改變的模型為例表示模型標定結果，其中l=A4，m=f(燃油費用上漲幅度)，具體見表4，模型檢驗結果見表5，類似模型共有12組。

表4　私家車出行次數改變量模型參數標定結果Table 4　Parameter calibration results of change quantity model of private vehicle travel times

注：以0次出行選擇的總效用值為0進行參數標定，故其系數均為0。

表5　模型檢驗結果(SPSS)Table 5　Test results of model(SPSS)

從表5結果顯示，該模型各參數卡方值均大于顯著性水平為0.05的臨界值11.070，故通過卡方檢驗；該模型的擬合優度指標Cox & SnellR2和NagelkerkeR2均接近典型臨界值0.5，說明模型對數據的擬合效果好，可用于私家車通勤出行率的定量計算之中。其余11組模型檢驗結果與示例類似，各模型參數值均可通過卡方檢驗，且Cox & SnellR2分布范圍為0.460～0.808之間，NagelkerkeR2分布范圍為0.498～0.844，最低值為停車費用上漲幅度導致A4類私家車車主通勤出行次數改變的模型。從參數檢驗和擬合優度兩方面進行評判，筆者構建的模型效果較優，可進行后續分析工作。

3　私家車通勤出行率改變模型結果分析

筆者研究項目眾多，受篇幅所限，此處僅以各因素變化一個水平等級為例，分析各類家庭收入的廣州私家車車主通勤出行次數減少情況。圖1～圖3分別列出受不同因素變化的影響，各類家庭收入的私家車通勤出行次數下降比例，結果由上述模型計算所得。根據不同因素變化下各出行次數改變量的概率，計算出不同人群的通勤出行次數改變量(單位為：次/周)，結合調查所得的現狀通勤出行次數，進行不同人群的平均通勤出行次數預測，具體結果見表6。

圖1　停車費用上漲30%時的私家車通勤出行次數改變比例Fig. 1　Proportion of private car owners changing the commuting trips when parking fees rise up by 30%

圖2　燃油費用上漲30%時的私家車通勤出行次數改變比例Fig. 2　Proportion of private car owners changing the commuting trips when fuel costs rise up by 30%

圖3　公交等車時間下降30%時的私家車通勤出行次數改變比例Fig. 3　Proportion of private car owners changing the commuting trips when the waiting time of buses decreases by 30%

結合圖1～圖3和表6的內容，現可對廣州市私家車通勤出行次數改變情況做出以下結論：

1) 對于不同家庭收入的私家車車主，當同一影響因素改變時，他們各自的反應差異明顯，具體表現在家庭收入越高，對各因素的敏感程度越低。從圖1可看出，當停車費提高30%后，91.82%的A2類低家庭收入出行者減少了私家車通勤出行次數，而A5類高家庭收入的出行者僅22.04%做出減少出行次數的決策，其他因素均存在類似情況。通過表6也可以看出每一影響因素對不同家庭收入出行者具有不同的影響效果：收入越高，受因素變化引起的下降幅度越低，且存在明顯差異。

表6　各影響因素變化下各類私家車車主通勤出行次數改變情況Table 6　Situation of different private car owners changing commuting trip times under various influencing factors　(次·周-1)

2) 計算同一因素對不同家庭收入出行者的改變量均值的極差和標準差，結果見表7，費用因素的極差和標準差顯著大于公交等車時間因素，從中可以得知：費用因素對不同家庭收入出行者的影響差異性要明顯大于公交服務水平。

3) 模型結果顯示，當目的地端停車費用上漲30%時，將使私家車的平均通勤出行次數下降14.46%，使通勤出行次數從現狀8.16次/周下降到6.98次/周。說明目的地端停車費用的上漲，可以在一定程度上降低私家車通勤出行率，因此，鼓勵工作區域收取高額停車費是降低私家車通勤率的方法之一。

4) 同為費用因素，當燃油費用和目的地端停車費用的漲幅同為30%時，燃油費用的上漲將使私家車的平均通勤出行率下降36.89%，即3.01次/周，遠高于停車費用所致的1.18次/周，對降低私家車通勤出行率有更明顯的效果，因此可考慮征收燃油附加稅或其他等效政策來控制私家車通勤出行率。

表7　同一影響因素變化下各類出行者出行次數改變量均值的極差和標準差Table 7　Range and standard deviation of the average value of change of travel times with different travelers under the same influencing factors　 (次·周-1)

5) 當公交車等車時間下降30%后，將有33.68%的私家車通勤出行者選擇減少私家車通勤出行次數，私家車通勤出行率將降低10.42%，即0.85次/周。這說明通過提高公交服務水平來降低私家車通勤出行率有一定的效果，但是與其他手段相比，收效甚微，且高收入人群基本不會因為公交服務水平的提高而降低私家車出行次數。應考慮在提高公交服務水平的同時，輔以其他經濟措施來促使私家車出行者放棄私家車通勤出行，選擇公交出行。

4　政策建議

結合筆者研究成果，建議廣州市交通需求管理可考慮以下策略：

1) 提高高峰期的公交服務水平

通過購置車輛、招聘司乘人員、高峰期臨時調度等手段，縮短高峰期的公交車發班時間間隔；優化地鐵線網布局和班次安排，縮短地鐵發班間隔和提高服務水平。

2) 實行停車差異化收費

停車收費的差異化，不僅應體現在地區和白天夜間，更應該精細到具體時段，對于供不應求的地區和時段，可適當提高收費標準，減少通勤出行者選擇私家車作為出行工具的概率。

3) 征收燃油附加稅

調查結果顯示多數私家車通勤出行者對燃油價格最為敏感，因此征收燃油附加稅是最為有效的方法，可適度以燃油價格為標準收取。

4) 實施擁擠收費

擁擠收費是私家車出行行程過程中產生的成本，對出行者的影響與燃油費較為相似，所以推行征收與燃油費用水平相當的擁擠收費，能有效控制私家車出行率。

明顯地，實施3)和4)這類提高行程用車成本的政策，其效果將優于傳統交通需求管理手段1)和2)。

5　結　語

運用多項Logistic模型對SP/RP調查獲得的廣州市私家車通勤出行情況數據進行擬合，所建模型均通過參數檢驗和擬合優度檢驗。以此為基礎，提出了一種基于家庭收入差異的私家車通勤出行率變化情況研究方法，該研究方法可以定量分析政策因素的變動帶來的私家車通勤出行率改變情況，且由于將私家車出行者按照其家庭收入這一重要影響因素進行分類討論，所得結果更加符合實際，準確率更高。該方法可經擴樣得到全市區范圍內不同收入家庭的私家車通勤出行頻率變化情況，用以評價某一項具體交通管理政策的效果，為制定切實可行的交通需求管理政策提供理論支撐。

參考文獻(References)：

[1]魏凱.廣州市人大代表：盡量爭取停車費下調[N].南方都市報，2016-02-01.

WEI Kai.Guangzhou Municipal People’s Congress：try to fight parking fees down[N].SouthernMetropolisDaily，2016-02-01.

[2]PALMA A D，ROCHAT D.Mode choice for trips to work in Geneva：an empirical analysis[J].JournalofTransportGeography，2000，8(1)：43-51.

[3]PENG Z，DUEKER K J，STRATHMAN J G.Residential location，employment location，and commuter responses to parking charge[J].TransportationResearchRecord，1996，1556：109-118.

[4]韓艷，關宏志.基于SP和RP融合數據的小汽車通勤出行頻率選擇模型[J].公路交通科技，2011，28(7)：131-135+141.

HAN Yan，GUAN Hongzhi.Car commuting frequency choice model based on SP and RP fusion data[J].JournalofHighwayandTransportationResearchandDevelopment，2011，28(7)：131-135+141.

[5]趙偉濤.通勤出行時間價值模型研究[D].北京：北京交通大學，2013.

ZHAO Weitao.ResearchonModelofTimeValueofCommuterTravel[D].Beijing：Beijing Jiaotong University，2013.

[6]劉志明，鄧衛，郭唐儀.基于RP/SP調查的非集計模型在交通方式分擔率預測的應用[J].交通運輸工程與信息學報，2008，6(3)：59-64.

LIU Zhiming，DENG Wei，GUO Tangyi.Application of disaggregate model based on RP/SP survey to transportation planning[J].JournalofTransportationEngineeringandInformation，2008，6(3)：59-64.

[7]邱楊，丁衛東.關于公交票價與私家車出行關系的研究方法[J].城市道橋與防洪，2009(4)：126-128.

QIU Yang，DING Weidong，Study method concerning relationship between bus ticket price and private car trip volume[J].UrbanRoadsBridges&FloodControl，2009(4)：126-128.

[8]劉明.一類新的多重共線性檢驗方法[J].統計與信息論壇，2012，27(10)：14-16.

LIU Ming.A new diagnosis approach of multicollinearity[J].Statistics&InformationForum，2012，27(10)：14-16.

[9]胡郁蔥，劉勤.基于Logit模型的珠三角城際軌道交通與公路客運競爭力研究[J].科學技術與工程，2009，9(23)：7070-7075.

HU Yucong，LIU Qin.Study on rivalrousness between intercity track transportation and highway transportation based on Logit model[J].ScienceTechnologyandEngineering，2009，9(23)：7070-7075.

[10]王志福，管杰，蘇再興.基于logistics模型的中國人口增長預測[J].渤海大學學報(自然科學版)，2010，31(4)：326-330.

WANG Zhifu，GUAN Jie，SU Zaixing.Prediction of China’s population increase based on logistics model[J].JournalofBohaiUniversity(NaturalScienceEdition)，2010，31(4)：326-330.

[11]陳勝可.SPSS統計分析[M].北京：清華大學出版社，2010.

CHEN Shengke.SPSSStatisticalAnalysis[M].Beijing：Tsinghua University Press，2010.