霧霾天氣下城際交通方式選擇研究

韓志玲，陳艷艷，李佳賢，熊 杰，張 凡

(1.北京工業大學北京市交通工程重點實驗室，北京 100124；2.交通運輸部公路科學研究院，北京 100088)

隨著城市群的出現，居民出行范圍進一步擴大，交通規劃尺度從城市本身跨越到城市群，交通需求的層次也更加復雜化和多樣化。城市群發展過程中，交通對區域經濟一體化及城鎮體系布局發揮著重要的支撐和引領作用。城市群交通是城市和鎮密集地區各類交通的綜合，是對國家經濟實力甚至對世界經濟有影響力的交通問題。城市群中出行者對各種方式的選擇行為是城際間交通需求預測的重要基礎。

1 研究綜述

交通方式選擇模型中多項Logit 模型(Multinomial Logit Model)或巢式 Logit 模型(Nested Logit Model)等應用較多。文獻[1]利用荷蘭中央統計局的交通調查數據分析了不同天氣情況(風速、溫度、是否有雨)對使用小汽車到海邊旅游的概率，同時引入非天氣因素(收入、到海邊的距離、是否周末、就業情況、性別、年齡)構建了幾個巢式Logit模型，該模型相當于一個模式選擇的多項Logit 模型和一個是否去海灘的標準Logit 模型。文獻[2]構建了巢式多項Logit 方式選擇模型，該模型對出行費用、距離、車站可達性、服務頻率、搭載乘客數、停車費用敏感。文獻[3]探究了價值觀對交通方式選擇行為的影響，并建立了含潛變量的分層Mixed-Logit 模型。文獻[4]利用結構方程模型(Structure Equation Model)探究了天氣狀況對交通方式選擇、戶外溫度感知、情感旅游體驗的影響。文獻[5]以小汽車與軌道交通方式選擇行為為研究對象建立了二項Logit 模型。文獻[6]應用多項Logit 模型，納入城市土地利用變量與出行者的家庭、社會、經濟等變量，分析其對居民工作與非工作交通方式(私人小汽車、公共汽車、地鐵)的影響。

在霧霾對交通方式選擇行為的影響方面，既有研究主要集中在城市內部交通方式上，以構建Logit 模型為主。文獻[7]通過分析北京市私人小汽車主問卷調查結果發現，隨著空氣污染程度的提高，車主選擇公共交通出行的比例逐漸增加，并利用二項Logit模型建立了包括空氣污染程度、公共交通質量等多因素的空氣質量與私人小汽車主交通方式選擇關系模型。文獻[8]通過建立包含居民個人屬性、出行特性以及空氣污染程度在內的多元Logit 模型，分析霧霾天氣下自行車、常規公共汽車、軌道交通、出租汽車、私人小汽車五種交通方式的分擔率和轉移率。文獻[9]基于計劃行為理論建立了結構方程分析模型分析霧霾天氣對公共交通、私人小汽車、電動自行車、自行車、步行五種交通方式的影響。

圖1 交通方式選擇意愿分布Fig.1 Distribution of travel mode choice

在城際間交通方式選擇行為研究方面，考慮的交通方式主要有鐵路、公路、航空中的某幾種。文獻[10]基于高速鐵路(以下簡稱“高鐵”)車站和機場的調查問卷構建了個人特質和出行特征影響因素下高鐵和民航兩種交通方式選擇的二項Logit模型。文獻[11]將計劃行為理論引入城際出行行為研究中，探討了計劃行為理論及各變量對于城際交通方式(普速鐵路、城際鐵路、高速鐵路和長途汽車)選擇行為意向的影響。

本文以城市群中的主要交通方式，包括小汽車、長途汽車、高鐵、飛機為研究對象，并包含“決定不出行”這一行為決策，探究霧霾天氣對城際交通方式選擇行為的影響。

2 研究方法

2.1 城際交通方式選擇意愿調查

霧霾天氣不僅對人類健康產生危害，而且給交通安全帶來更多風險。隨著大眾對霧霾危害認知的逐漸加深，出行者在選擇交通方式時逐漸受到霧霾天氣的影響。考慮到輕度及中度霧霾對出行環境影響及引起出行者的感知較小，故本文以最不利情景，即重度霧霾天氣為背景展開研究。下文所述霧霾天氣均指重度霧霾天氣。

本文以京津冀城市群為例，分析在遭遇霧霾天氣的情況下出行者的出行目的、個人屬性特征、出行特征等對城際交通方式選擇行為的影響。在城際出行實際發生地即京津冀區域內的高鐵站、火車站、高速公路服務區等地發放出行意愿問卷，共收集2 300 份有效問卷。交通方式選擇意愿、性別、年齡、職業、駕齡、出行頻率、出發地和目的地的分布分別如圖1、圖2 所示。霧霾天氣下，商務類出行計劃中選擇高鐵的出行者最多；而休閑類出行計劃中選擇不出行者最多，其次是高鐵；兩類出行中選擇長途汽車和飛機方式的出行者均較少。

2.2 多項Logistic回歸模型

多項Logistic回歸是二項Logistic回歸模型的擴展，分為有序多項Logistic 模型和無序多項Logistic 模型。由于本文研究的不同交通方式之間不存在遞增或遞減的序次關系，因此采用無序多項Logistic 回歸模型。假設因變量有m個類別，則因變量每一分類的條件概率為

式中：Pj為因變量為j時的概率，j=1,2,…,m；xi為自變量，i=1,2,…,n；αj和βij為模型的回歸截距和回歸系數。

多項Logistic 回歸通過擬合一種稱作廣義Logit 模型的方法來建模。首先選取某一類別為參照類，例如，如果以第1 類為參照類，則α1和βi1等于0，參照類及其他類別的條件概率分別如式(2)和式(3)所示：

之后以每一分類與該參照類做比較，得到m-1個廣義Logit模型。如果以使用小汽車作為參照類，則得到以下5 個廣義Logit模型。

式中：P1，P2，P3，P4，P5分別為霧霾天氣影響下公眾出行選擇小汽車、高鐵、長途汽車、飛機和決定不出行的概率；xi為影響居民出行選擇的指標。

2.3 變量設置

利用調查數據，建立多項Logistic 回歸模型。以交通方式選擇結果為因變量，自變量中出行時耗為連續變量，直接取調查值，性別、年齡、職業、出行頻率、駕齡、出發地、目的地為分類變量(見表1)。文獻[12]指出，SPSS 默認將所有的自變量均視作連續性變量。而多分類變量按編碼數值來分析實際上是強行規定為等距，這可能引入更大的誤差。因此，必須將原始的多分類變量轉化為數個啞變量，每個啞變量只代表某兩個級別或若干個級別間的差異，這樣得到的回歸結果才有明確而合理的實際意義。根據啞變量設置規則[12]：對于取值有n個水平的自變量xi會產生n-1 個啞變量，此時會以第n個水平為參照水平，即分類變量編碼矩陣中元素均為“0”的那一行，表示以該自變量相對應的取值水平為參照變量。以性別和年齡兩個變量為例，具體設置見表2。

圖2 出行者特征及其出行特征分布Fig.2 Distribution of travelers'characteristics and travel characteristics

表1 自變量編碼Tab.1 Description of independent variables

3 研究結果

3.1 商務出行計劃

利用軟件SPSS19.0 對有效數據進行多項Logistic 回歸分析，變量進入規則為“步進式”中的向前進入。對模型中是否所有自變量偏回歸系數全為0進行似然比檢驗(見表3)，由于霧霾天氣影響下商務出行計劃的交通方式選擇模型中，未引入自變量時-2 倍對數似然值為4 451.840，引入自變量后減小至4 136.888，二者之差為314.952，自由度為56，p＜0.001，表明至少有一個自變量的偏回歸系數不為0，模型有意義。商務出行計劃中出行者的駕齡、出行頻率、職業、出發地、目的地均對模型具有顯著影響，出行時耗、性別、年齡在統計意義上影響不顯著。

以使用小汽車出行為參照類別，表4 為商務出行計劃的交通方式選擇模型參數標定結果。其中偏回歸系數B所在列和截距所在行的交叉處數字即為式(4)～(7)中的αj，其他B 列數字為回歸系數βij，Exp(B)為優勢比。以選擇“使用高鐵出行”為例對βij，Exp(B)的含義進行說明：出行頻率為“很少”“偶爾”“經常”的回歸系數為正，說明出行頻率為“很少”“偶爾”“經常”的居民比出行頻率為“頻繁”的居民更傾向于選擇高鐵出行；Exp(B)的數值表示，在其他因素相同的條件下，出行頻率為“很少”“偶爾”“經常”的居民“使用高鐵出行”的概率與“使用小汽車出行”的概率之比分別是出行頻率為“頻繁”的居民這一比值的2.561 倍、1.415 倍、1.393 倍，霧霾天氣下的剛性需求出行計劃中，居民從公路出行轉移至高鐵出行的概率隨著出行頻率的減少而增加。出發地為“非京津冀”“河北省”的回歸系數為負，說明從兩地出發的居民相較于從“北京市”出發的居民不傾向于乘坐高鐵。出發地為“非京津冀”“河北省”的居民“使用高鐵出行”的概率與“使用小汽車出行”的概率之比分別是出發地為“北京市”的居民這一比值的0.446倍、0.390倍，說明霧霾天氣下的剛性需求出行計劃中，居民公路出行轉移至高鐵出行的概率由出發地為“北京市”“天津市”“非京津冀區域”“河北省”依次降低。其他情況下回歸系數以及Exp(B)的含義以此類推。

“使用高鐵出行”模型中具有統計學意義的因素有：出行頻率為“很少”“偶爾”“經常”，出發地為“非京津冀”“河北省”，目的地為“天津市”；“使用長途汽車出行”模型中具有統計學意義的因素有：“無駕照”，出行頻率為“很少”“偶爾”。“使用飛機出行”模型中具有統計學意義的因素有：“＞3年駕齡”，出行頻率為“很少”，職業為“其他”，出發地為“河北省”；“決定不出行”模型中具有統計學意義的因素有：出行頻率為“很少”，職業為“其他”“自由職業”，出發地為“河北省”。

霧霾天氣影響下商務出行計劃的交通方式選擇模型為：

表2 啞變量設置Tab.2 Dummy variables setting

表3 商務出行計劃交通方式選擇模型似然比檢驗結果Tab.3 Likelihood ratio tests of business travel mode choice model

表4 商務出行計劃以小汽車出行為參照的其他交通方式選擇模型參數標定結果Tab.4 Parameter calibration of business travel mode choice model referring to car travel

3.2 休閑出行計劃

對模型中是否所有自變量偏回歸系數均為0進行似然比檢驗(見表5)。霧霾天氣影響下休閑出行計劃的交通方式選擇模型中，未引入自變量時-2 倍對數似然值為4 726.290，引入自變量后減至4 378.763，二者之差等于347.526，自由度為56，P ＜0.001，表明至少有一個自變量的偏回歸系數不為0，模型有意義。

休閑出行計劃中出行者的駕齡、出行頻率、年齡、出發地、目的地均對交通方式選擇模型具有顯著影響，出行時耗、性別、職業在統計意義上影響不顯著。模型參數標定結果如表6所示。

“使用高鐵出行”模型中具有統計學意義的因素有：“無駕照”，出發地為“非京津冀”或“河北省”，目的地為“天津市”。“使用長途汽車出行”模型中具有統計學意義的因素有：“無駕照”，出行頻率為“偶爾”，出發地為“非京津冀”。“使用飛機出行”模型中具有統計學意義的因素有：年齡為“21～40 歲”“41～60 歲”。“決定不出行”模型中具有統計學意義的因素有：“無駕照”，出行頻率為“很少”“偶爾”，出發地為“河北省”。

霧霾天氣影響下休閑出行計劃的交通方式選擇模型為：

4 結語

霧霾已經成為影響居民交通方式選擇過程中一個不可忽略的重要因素。霧霾導致居民的城際交通方式選擇意愿和選擇行為發生改變，如小汽車使用者在霧霾天氣下可能轉移至非小汽車出行，這與不同交通方式在不同情況下的吸引力有關。鐵路出行抵抗惡劣天氣干擾能力強、快捷、準時、安全性高，故在惡劣天氣下的出行中成為首選。

表5 休閑出行計劃的交通方式選擇模型似然比檢驗結果Tab.5 Likelihood ratio tests of leisure travel mode choice model

交通方式發生轉移的概率由個人屬性特征、出行特征決定。剛性出行和彈性出行中影響交通方式選擇的因素不同，且影響程度不一。剛性出行中，駕齡對使用長途汽車和飛機出行影響顯著，駕齡越短，使用長途汽車的概率越大；出行頻率對方式選擇的影響顯著，且出行頻率越小選擇非小汽車出行的概率越大；職業對飛機出行和決定不出行影響顯著，非企業單位員工更傾向于乘坐飛機或決定不出行；出發地對使用高鐵、飛機或決定不出行影響顯著，且北京市居民更傾向于非小汽車出行；目的地對高鐵出行影響顯著，目的地為天津時最傾向于選擇高鐵。彈性出行中，年齡對使用飛機出行影響顯著，年齡越大使用飛機出行的概率越小。

研究過程中未考慮出行費用對交通方式選擇的影響，下一步研究中應將該因素加入。

表6 休閑出行計劃以小汽車出行為參照的其他交通方式選擇模型參數標定結果Tab.6 Parameter calibration of leisure travel mode choice model referring to car travel