出行區域對通勤者出行選擇行為模型的影響

李綱, 成德衡，彭程

(1. 大連交通大學 交通運輸工程學院，遼寧 大連 116028;2. 大連海事大學 交通運輸工程學院，遼寧 大連 116026；3.中國鐵路沈陽局集團有限公司沈陽北站，遼寧 沈陽 110001)*

0 引言

隨著我國快速的城市化進程，社會、經濟、科技、文化的發展日新月異，交通擁堵成為城市交通管理所面臨的主要問題之一，尤其是工作日的通勤出行交通擁堵更為嚴重.交通出行方式選擇行為分析是研究并解決交通擁堵的有效方法之一.它是基于效用最大化理論，采用logit形式的離散選擇模型.根據其誤差項服從不同的分布假設，形成了多項logit模型(Multinomial Logit，MNL)、巢式logit模型、組對logit 模型和混合logit模型等形式.

MNL 模型常用來計算各交通方式的分擔率，在軌道交通、街區出行和城際間出行等方面的研究中得到了廣泛的應用[1-3].同時MNL模型也常被用來對出行方式與通勤者的個體特征、家庭特征和出行特征之間的關系進行研究[4-8].并且MNL也被用來對時間價值進行量化估算[9].

在考慮出行區域對出行行為影響方面，國內外僅有少數研究涉及到區域出行行為對比分析，其中包括居民城市內和城市間的出行行為對比研究[10-11]、不同城市之間居民出行對比研究[12]和基于融合RP數據和SP數據利用巢式logit模型對城市公交走廊內不同區域的居民出行行為進行研究[13].

目前多項logit模型在居民出行方式選擇研究中得到廣泛應用，同時部分研究考慮到出行區域這個影響因素，但是圍繞出行區域這個特定影響因素進行居民出行行為分析的深入研究仍十分有限.考慮到城市內部不同區域內的通勤出行行為的潛在差異性以及相關研究的有限性，本文以大連市居民出行調查數據為例，通過對比分析不同區域內通勤出行行為建模和不考慮不同區域的整體建模，探索捕捉居民通勤出行行為，為交通規劃與管理相關工作提供更加堅實的理論基礎.

1 非集計MNL模型

作為行為決策單元的個人、家庭或某種組合在一個可以選擇的并且選擇肢是相互獨立的集合中，會選擇對自己效用最大的選擇肢，這一假定被稱為效用最大化行為假說.該假說是非集計模型的理論基礎和必須服從的前提條件.即若令Uin為個人選擇選擇肢i時的效用，Cn為與個人n對應的選擇肢集合，則當Uin>Ujn，?j≠i∈Cn時，個人n將選擇選擇肢i.以隨機效用理論為基礎的離散選擇模型Um可以表示為

Uin=Vin+εin

(1)

式中：Uin為個人關于選擇肢i的效用；Vin為能夠觀測到的因素構成的效用確定項；εin不能觀測到的因素構成的效用隨機項，反映每個個體的特性和偏好，也包括建模和觀測的誤差部分.

在具體形式上，效用確定項函數通常采用線性函數作為其表達形式，即

(2)

式中:Xkin為個人n的選擇肢i的第k個變量值，θk為待定系數.

假設式(1)中εin和Vin相互獨立，而且εin服從Gumbel分布的前提下，第n個出行者選擇第i種選擇肢的概率Pin為

(3)

式中：i為出行方式;In為可供選擇方案的個數.

2 居民通勤出行方式建模

2.1 選擇肢及影響因素的分析

本文利用大連市2011年居民出行調查數據，根據2011年大連城市的發展狀況，主要考慮各行政區家庭數、人口數、行政區內調查覆蓋的面積、交通基礎設施建設情況、調查樣本中全方式通勤出行數量等因素，本文將中山區、西崗區、沙河口區視為本研究中當時大連的核心區，將甘井子區、高新園區和旅順口區(城區)作為本研究中的外圍區.由表1可知，核心區和外圍區人口密度存在顯著差異(10 021和1 701 人/km2)， 可以側面推斷出兩區域的公共基礎設施和用地性質與分布存在顯著差異，因此本研究是基于核心區和外圍區為基礎的分區域通勤出行行為研究.

表1 不同區域的特征統計情況

2011年大連市居民出行方式的分擔比例如表2所示.私家車占14.6%，公交車占50.0%，兩者合計占全方式出行的64.6%，占機動化出行的87.2%.考慮到大連市區內山地丘陵多，非機動化出行比例相對較小等特點，本文將大連市居民日常出行的兩種主要機動化出行方式私家車和公交車作為選擇肢，構建簡易的MNL模型，即二元logit(Binary Logit，BL)模型.建模中涉及到的個人屬性和出行特性等變量的處理方式如表3所示.

表2 2011年大連市全方式出行比例

表3 BL模型的變量定義

本文將大連市2011年居民通勤出行數據按照核心區和外圍區劃分整理成四部分數據，包括不分區域的整體數據(整體通勤)、起訖點都在核心區內的數據(核心區通勤)、起訖點都在外圍區內的數據(外圍區通勤)和起訖點分別在外圍區和核心區內的數據(外圍區-核心區通勤).基于不同區域范圍的四部分數據分別建立四個BL模型，建模所用數據的基本情況如表4所示.

表4 通勤出行分區域的數據統計分析

由表4可知，整體數據中男性通勤出行比例明顯大于女性通勤出行比例.在年齡方面，30～39歲的通勤出行占據首要位置占比32.8%，各年齡段內部在核心區、外圍區和外圍區-核心區的通勤比例均有一定的差異.

在模型所利用的職業方面，管理技術人員通勤出行的比例最大，達到通勤總數21.8%.其次是工人、公務員和教育研究人員等.在私家車擁有方面，相比其他區域出行，在核心區內部通勤出行的無車人數比例要遠大于有車人數比例，可能是由于核心區人口密集，導致上下班高峰期道路較為擁堵、停車成本過高、核心區公交線網相對發達所導致的.

在公交滿意度方面，公交滿意度評價一般的占一半左右，說明居民對大連公交充滿期待，公交服務水平有待進一步提高.

2.2 BL模型參數的標定與分析

基于不同區域的BL模型由交通軟件TransCAD標定，具體結果如表5所示.通勤者個人屬性、家庭屬性和出行特性對通勤出行行為的影響具體分析如表5.

(1)性別對出行方式的影響

四個模型中通勤者的性別參數達到99%的顯著水平，說明部分出行區域男性比女性更傾向于選擇私家車進行通勤出行.同時，本次調查顯示擁有駕照的男性人數遠大于女性人數，從側面反映出男性比起女性對于私家車更加偏愛.從實際的日常通勤情況看，相對于公交出行，男性比女性更注重通勤出行的時間和便捷性等，而私家車可以提供門到門服務，所以男性更傾向于選擇私家車通勤出行.

(2)年齡對出行方式的影響

不同年齡段的出行者在通勤出行過程中對交通方式選擇有著明顯的差異.20-29歲的年齡參數均為95%的顯著性揭示出這個年齡段的通勤出行者相對于年齡較高人群總體上更傾向于選擇公交車出行.其原因可能在于處于此年齡段的通勤者大多數正處于事業的初始階段，受限于收入等家庭經濟因素，更傾向于選擇經濟上更劃算的出行方式.

表5 BL模型參數估計

年齡30～39歲的通勤出行者在不同出行區域中對于私家車出行的選擇表現出不同的傾向性.在核心區和外圍區的年齡參數的系數皆為正值表現出這一年齡段的出行者在通勤出行中對于私家車的利用有一定的正面傾向性，但是顯著性檢驗表明只有在核心區出行的30～39歲通勤者表現出對私家車有明顯的偏愛，這從側面揭示出相對于更高年齡段的通勤群體，處于事業快速上升期的30～39歲通勤者中，居住和工作地點均在核心區的這類通勤者對于利用私家車的通勤出行有著強烈的依賴性，核心區內發達的公交基礎設施對其影響十分有限.外圍區和外圍區-核心區內的30～39歲年齡參數符號相反，但通勤者對于私家車的偏愛皆不顯著，原因之一可能在于出行地域寬廣，出行距離一般較長，私家車出行費用較高，公交優勢明顯等特點.

30～39歲年齡系數在整體通勤模型中顯示出90%的顯著性結果，與其他單獨區域通勤模型都有一定的差異，并沒有反映出此年齡段中各個區域的通勤特點.不考慮不同區域特點的單一通勤模型就會導致在一定程度上掩蓋了30～39歲通勤者對于私家車通勤的依賴性(比如核心區內30～39歲年齡段的影響).

(3)職業對出行方式的影響

出行者的不同職業類別對通勤出行方式選擇的影響具有較大差異.工人職業的出行者不受出行地域的影響具有明顯的選擇公交車進行通勤出行的偏好，各個BL模型中工人職業變量的99%的顯著性水平證實這一特點.

各區域模型顯示公務員這一類人群對通勤出行中私家車的利用有著明顯的偏愛， 99%的顯著性統計水平證實了這一點.教育研究人員整體上對于私家車的通勤出行沒有明顯的偏愛，但是核心區的教育研究人員除外.職業參數t值顯示，核心區內即居住和通勤皆在核心區內的教育研究人員，對于私家車的利用有顯著性的偏愛.可能的原因是這類人群工作時間更加靈活，其中的部分出行者可以有效避開高峰出行，核心區的居住和工作的地理位置的優越性暗示出其相對較高的家庭收入，并且對于機動性有較高的要求.在外圍區和外圍區-核心區的教育研究人員則在一定程度上體現出相反的出行方式選擇傾向，但兩者皆不顯著.核心區和其他兩個區域相反的傾向性解釋了整體通勤模型在教育研究人員職業變量不顯著的原因，不分區域的建立單一BL模型導致忽略了不同區域的特定職業人群通勤出行的各自特點.

管理技術人員整體上呈現出對利用私家車進行通勤出行的明顯傾向性.與核心區相關的各區域出行，即外圍區-核心區出行呈現出與整體出行相似的特征，顯著性與整體相同，均為99%置信水平.核心區內管理技術人員對私家車的利用也呈現出一定的正面傾向性，顯著性水平接近90%.外圍區內的通勤特征則不同，管理技術人員對于私家車和公交車沒有顯著的偏好，可能的原因在于外圍區內其人群組成相對更加復雜，收入水平存在更大差異，導致沒有明顯的出行方式選擇偏好.

(4)私家車擁有量對出行方式的影響

四個BL模型的估計結果顯示私家車的擁有情況不受不同出行區域的影響，對通勤出行中選擇私家車出行具有重要的影響.

(5)公交車滿意度對出行方式的影響

整體通勤模型顯示公交滿意度對于通勤出行中選擇公交車具有顯著性影響，但是具體到各個通勤區域顯示核心區和外圍區皆不顯著，只有在外圍區-核心區通勤中的滿意度系數達到90%的顯著水平.結果表明只構建不分區域的單一整體模型模擬通勤出行行為，放大了公交滿意度對公交車出行選擇的影響.

(6)出行時間對出行方式的影響

與以往研究一致，出行時間是通勤出行中一個重要的影響因素，本研究四個BL模型的出行時間均達到99%的顯著水平，表明通勤時間對于通勤出行的作用不受出行區域的影響.

通過四個BL模型的對比分析可知，出行影響因素中30～39年齡段和職業中的教育研究人員和管理技術人員，以及公交滿意度在不同區域間存在明顯差異.如圖1所示，不同職業不同年齡段的人員在同區域選擇私家車出行比例具有明顯差異性.

圖1 部分影響因素下的私家車出行比例

圖2顯示在不同水平的公交滿意度內，不同區域中利用公交車進行通勤出行的比例都存在明顯的差異.

圖2 不同水平滿意度下的公交車出行比例

3 結論

居民通勤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特點.本文利用2011年大連市居民出行調查數據基于不同區域構建整體通勤、核心區通勤、外圍區通勤和外圍區-核心區通勤四個BL模型.通過模型對比分析進一步驗證了性別、年齡、職業、私家車擁有量、公交滿意度和出行時間對通勤出行有著顯著的影響.其中30～39歲年齡段、教育研究人員、管理技術人員和公交滿意度在不同區域內對通勤出行表現出明顯的差異性.這種區域差異性體現出出行區域對于通勤出行行為產生了一定的影響，表明建立不分區域的單一通勤模型產生一定的偏差.比如，本文中整體模型掩蓋了30～39歲年齡段在核心區內通勤者對于私家車利用的依賴性，放大了公交滿意度對于特定區域內的出行方式選擇的影響，忽視了不同區域的特定職業人群的不同通勤出行特點等.因此，分析通勤出行行為構建通勤出行模型應該考慮出行區域的影響，即便建立不分區域的單一模型時也要采取措施防止可能產生的偏差.同時，未來可以將本研究劃分出行特征的方式用于其他城市居民出行調查數據進行進一步的對比驗證.