中長運距城際旅客出行方式選擇行為模型
——以高鐵、民航為例

程 謙，朱曉寧，盧萬勝

(1.南京鐵道職業技術學院 運輸管理學院，江蘇 南京 210031；2.北京交通大學 交通運輸學院，北京100044；3.中國鐵路上海局集團公司 運輸處，上海 200071)

0 引 言

高鐵與民航分別在短運距和長運距客運市場中占據主導地位，但在中長運距市場中2類運輸方式存在競爭和互補關系。定量分析影響中長運距旅客出行選擇的關鍵因素，分析高鐵和民航的競爭關系，可為運輸企業運力資源配置和提升服務水平提供決策支持，也可為編制綜合運輸規劃提供理論依據。

關于中長運距旅客對高鐵與民航的出行選擇，中外學者開展了相關研究。一類研究是通過分析價格、行程時間等因素對出行選擇的影響，探索2類出行方式的競爭關系，如P.YONGHWA 等[1]應用多項式Logit(MNL)模型，研究韓國首爾至大邱高鐵開通對航空市場的影響，預測高鐵與民航在不同價格水平的市場占有率；張旭等[2]與張睿等[3]分別以武廣通道與京滬通道為背景，研究價格因素對市場占有率的影響；芮海田等[4]應用MNL模型分析出行距離、目的地城市等級等影響因素對旅客選擇行為的敏感度。另一類研究是通過分析換乘條件下不同服務水平因素對選擇行為的影響，研究高鐵與民航運輸的互補特征，如C.ROMN等[5]以西班牙馬德里機場為中轉節點，應用混合Logit(ML)模型研究旅客對民航換乘與空鐵聯運兩類出行方式的選擇行為，證實時間(在途、中轉與行前時間)是影響選擇的關鍵因素；Z.C.LI等[6]以京廣高鐵通道為背景，應用MNL模型分析出行旅客對高鐵、民航及空鐵聯運三種方式的選擇行為，認為1 200～1 600 km是聯運模式最有競爭力的運距范圍，在途時間是影響空鐵聯運市場份額的關鍵因素。

由于出行旅客的選擇偏好不同，面對不同出行產品時會表現出差異化的選擇行為。近年來，出行模式選擇的研究重點，是應用更加靈活的選擇行為模型，準確描述出行旅客的異質特征并提高經濟模型的預測能力[7-8]。ML模型根據構模需要將效用函數中影響因素的系數設定為連續隨機變量，突破了MNL模型關于選擇項獨立無關的假設(ⅡA)條件，可以幾乎近似任何一種隨機效用模型[9]。ML模型成為出行模式選擇行為研究的主流方法之一。

筆者在現有研究基礎上，應用MNL與ML模型建模分析中長運距城際旅客，對高鐵、民航、民航換乘及空鐵聯運4種出行方式的選擇行為，應用SP調查數據標定模型參數，分析不同出行方式服務水平與旅客個體特征對選擇行為的影響，說明旅客選擇行為的異質特征，研究不同策略條件對出行方式市場分擔率的影響。

1 數據準備

考慮到SP調查通過構建假設情境，可以較好仿真出行者在給定信息條件下的選擇行為，選擇SP調查方法獲取中長距離出行旅客選擇行為數據。SP調查問卷包含3部分：

1)旅客個體統計特征調查。包括性別、年齡、職業等；

2)旅客出行特征調查。包括出行目的、是否攜帶大件行李等；

3)假設情境調查。設置4類出行方式，分別是高鐵直達(H)、航空直達(A)、空鐵聯運(HA)以及民航中轉(AA)。

筆者選擇南京—北京(1 000 km)、南京—廣州(1 400 km)、南京—哈爾濱(2 000 km)作為調查OD。上述3個OD覆蓋不同運距市場，具有一定代表性，且均提供4類出行方式的運輸產品，可較好模擬出行旅客真實選擇情境。

綜合文獻[4-6]，將出發時間范圍、行程前時間、在途時間、中轉時間以及出行費用作為實驗受控因子。出發時間范圍設置07:00～11:00、11:00～14:00、14:00～17:00、17:00～20:00共4個水平項，行程前時間設置1、2、3 h共3個水平項，中轉時間設置2、3、4 h共3個水平項，出行費用設置430、680、1 070元共3個水平項，在途時間根據出行方式的不同取實際值。

為覆蓋所有可能，需要設計108個調查情境，根據正交設計方法，最終設置16個調查情境。同一受訪者面對一個調查OD需重復4輪。以南京—廣州為例，不同屬性因素的正交設計如表1。

表1 服務水平因素正交設計

“春運”“暑運”等客流高峰時段數據會造成模型參數標定偏差。為保證客流數據的普遍性，問卷調查工作選擇在全年客流平峰期實施。2018年5—7月，課題組選擇南京站、南京南站、南京祿口機場及南京汽車站開展客流調查。在南京站、南京南站及祿口機場各發放問卷300份，南京汽車站發放問卷100份，共計1 000份，收回有效問卷901份，問卷回收率90.1%。樣本統計如表2。參與調查男性居多，大部分為中等偏高收入，年齡集中在31～50歲，職業主要是公務單位與企業職員。

表2 樣本描述統計

不同調查地點收集到的數據樣本具有不同特征。在高鐵站的調查樣本中，50歲以下受訪者占比71.5%，出行目的以公務、休閑為主，兩者占比84.7%。在機場的調查樣本中，收入水平較高，月收入>10 000元占比41.3%，購票資金來源為公費占比達到47.2%。在汽車站的調查樣本中，職業為非公務單位或企業占比超過平均值，達到38.2%，月收入10 000元以下占比78.7%。

南京—北京、南京—廣州、南京—哈爾濱3個OD對的旅客對不同出行方式的選擇描述如圖1。

圖1 受訪者出行方式選擇

由圖1可知，隨著運距增加，高鐵直達(H)市場份額降低，民航直達(A)市場份額增加，符合常規判斷。但也可看到，空鐵聯運(HA)與民航換乘(AA)的市場份額也有一定程度的增長。

2 模型描述

2.1 MNL與ML模型

旅客面對不同出行方式，總是傾向于選擇能給自己帶來最大效用的交通方式出行。旅客n選擇出行方式i的效用可以表示為式(1)：

Uni=β′nixni+εni

(1)

式中：xni為效用函數中固定部分，是可以觀察到的旅客n的特征或被選出行方式i的服務水平特征；β′ni為旅客n的特征或被選出行方式i的服務水平特征的系數向量；εni為滿足獨立相同Ⅰ型極值分布特征的誤差項。

根據隨機效用理論[7]，旅客選擇出行方式的MNL模型一般形式可以表示為式(2)：

(2)

式中：J是全部出行方式的集合；β′nj表示旅客n的特征或備選出行方式j的服務水平特征的系數向量。

與MNL模型不同，ML模型中β′ni可根據不同旅客異質特征設定為連續分布的隨機向量，設密度函數為f(βni|θ)，則依賴于βni的條件概率如式(3)：

(3)

式(3)中βni的分布未知，因此不能以βni為條件求解概率，非條件概率應該是式(3)在所有可能βni取值上的積分，如式(4)：

(4)

式(4)是ML模型的函數形式，θ是密度函數的未知參數。ML模型參數的估計通常采用仿真方法，通過連續隨機抽取βni值計算仿真概率，得到模型的仿真對數似然函數，進而應用Newton-Rapson法等即可求解θ值[7]。

2.2 效用函數

影響旅客出行模式選擇行為的因素包括：出行模式服務水平、旅客出行特征及個體特征。選擇出發時間范圍、行程前時間、在途時間、中轉時間、出行費用等變量描述不同出行模式服務水平。由文獻[6]可知，旅客收入水平與年齡、職業、購票資金來源變量間存在正相關。為避免變量相關影響模型參數標定，選擇出行目的、購票資金來源、攜帶大件行李及旅客年齡等變量，描述旅客出行特征及個體特征。出行選擇模型效用函數的變量定義如表3。

表3 模型變量定義

據式(1)，旅客n選擇i(i∈{H,A,HA,AA})方式出行的效用函數如式(5)。將民航換乘方式作為基準類別，出行方式常數項不代入基準類別，為避免參數標定共線性問題，個體特征變量也不代入基準類別的效用函數[7]。選擇高鐵直達出行的效用函數如式(6)，選擇航空直達出行的效用函數如式(7)，選擇高鐵民航中轉與民航中轉方式出行的效用函數如式(8)、式(9)。

Uni=ASCi+β1costi+β2actimei+β3ttimei+β4twindow1i+β5twindow2i+β6twindow3i+β7ctimei+γ1reibursen+γ2luggagen+γ3purpose1n+γ4purpose2n+γ5age1n+γ6age2n+εni

(5)

UnH=ASCH+β1costH+β2actimeH+β3ttimeH+β4twindow1H+β5twindow2H+β6twindow3H+γ1reibursen+γ2luggagen+γ3purpose1n+γ4purpose2n+γ5age1n+γ6age2n+εnH

(6)

UnA=ASCA+β1costA+β2actimeA+β3ttimeA+β4twindow1A+β5twindow2A+β6twindow3A+γ1reibursen+γ2luggagen+γ3purpose1n+γ4purpose2n+γ5age1n+γ6age2n+εnA

(7)

UnHA=ASCHA+β1costHA+β2actimeHA+β3ttimeHA+β4twindow1HA+β5twindow2HA+β6twindow3HA+β7ctimeHA+γ1reibursen+γ2luggagen+γ3purpose1n+γ4purpose2n+γ5age1n+γ6age2n+εnHA

(8)

UnAA=β1costAA+β2actimeAA+β3ttimeAA+β4twindow1AA+β5twindow2AA+β6twindow3AA+β7ctimeAA+εnAA

(9)

2.3 參數標定

針對不同旅客“異質性”特點，在應用ML模型建模過程中，將服務水平變量系數作為隨機系數代入模型，并假設其滿足正態分布。此外，由于同一受訪者需要做出多輪次選擇決策，重復觀測結果之間可能存在相關性，應用仿真方法計算同一受訪人不同出行情境的聯合概率，仿真實驗應用Halton數列隨機抽樣200次。參數標定結果如表4，表括號內數字表示對應參數標準差的估計值。

表4 估計結果

從表4可知以下6點：

1)擬合優度指標McFaddenR2越接近1，說明模型擬合度好，赤池信息(AIC)與貝葉斯信息(BIC)指標相對較小的模型擬合結果好[8]。表4可以看出ML模型顯著提升了模型預測能力，比MNL模型擬合效果好。ML模型系數項標準差的估計值在統計意義上顯著，說明這些變量的參數分布假設合理，增強了模型的解釋能力，較好地描述了出行者的異質特征；

2)ASCH, ASCA, ASCHA的估值說明，在沒有任何因素影響的情況下出行者的偏好。在以民航中轉模式作為基準類別時，中長距離出行者偏好航空運輸方式；

3)出發時間范圍系數β4,β5,β6的估計值說明，中長距離出行旅客偏好07:00～11:00時間范圍出行。系數標準差在統計意義上顯著，說明旅客對出行時間的選擇存在一定差異；

4)在途時間β3對選擇行為的影響遠大于出行成本。β3服從N(-1.089,-0.6392)的正態分布，β1服從N(-0.013,-0.6922)的正態分布。根據正態分布規律，小于0的累計概率是Φ(0-μ/σ)，則β3<0的累計概率是0.044，β1<0的累計概率為0.493，說明出行成本對旅客的影響因人而異(0.493>0.044)；

5)β1服從N(-1.447,-0.9882)的正態分布，小于0的累計分布概率為0.072，說明大部分出行旅客對中轉換乘時間敏感；

6)個體特征與出行特征可以進一步解釋旅客的品味異質性，如：

①公費出行旅客偏好選擇航空直達方式(γ1(A)=0.196)；

②攜帶大件行李旅客偏好選擇航空或高鐵直達。相較于高鐵民航中轉，該類旅客偏好選擇民航中轉(γ2(HA)=-0.175)，這可能是因為民航中轉提供行李直達服務，而高鐵民航中轉需要由旅客完成行李的換乘轉運，這給旅客出行帶來不便；

③公務出行旅客偏好航空直達(γ3(A)=0.089)，而休閑出行旅客偏好高鐵直達(γ4(H)=0.076)；

④相較于民航中轉，休閑旅客偏好高鐵民航中轉(γ4(HA)>0)，可能是因為高鐵有效延伸了機場的覆蓋范圍，更便于休閑旅客出行；

⑤年齡對選擇行為有顯著影響，小于30歲的旅客群體偏好高鐵直達(γ5(H)=0.031)，大于30歲旅客群體偏好航空直達(γ6(A)=0.034)，可能原因是高鐵出行便捷、購票方便且票價相對低廉，更吸引年輕旅客群體。

3 模型應用

為說明空鐵聯運與民航中轉2類出行模式在不同運距市場的競爭與互補關系，應用ML模型預測不同價格與中轉時間條件下，2類模式的市場分擔率。保持其他因素不變，將樣本數據中的出行費用分別設置為20%價格折扣與40%價格折扣，將中轉時間分別設置為1、1.5、2、2.5、3 h等5個水平，組合后共有10種策略，如表5。應用標定后的ML模型計算2類出行方式的市場分擔率，結果如圖2。

表5 運營策略組合設置

圖2 高鐵民航中轉與民航中轉的市場分擔率變化

由圖2可以發現：

1)對比策略6～10與策略1～5，在相同中轉時間條件下，出行費用折扣由20%變為40%，各出行模式市場分擔率提升幅度在3%以內。但在同一價格水平下，當中轉時間由1 h延長至3 h，各出行模式分擔率變化幅度接近10%。說明壓縮中轉時間比降低出行費用，可更為有效提升中轉出行方式的市場分擔率；

2)OD對南京—北京的2類出行方式，在不同策略條件下市場分擔率曲線波動平緩。說明中轉時間與出行費用對1 000 km運距聯運方式的市場分擔率影響小，而對于1 400～2 000 km運距范圍聯運方式的市場分擔率影響顯著；

3)在不同策略條件下，OD對南京—北京、南京—廣州這2類出行方式市場分擔率曲線差異較小，OD對南京—哈爾濱這2類出行方式市場分擔率曲線差異較大。說明2 000 km運距范圍民航中轉市場分擔率明顯高于空鐵聯運；

4)在策略1、2、6與7條件下，OD對南京—北京、南京—廣州2類出行方式市場分擔率差異較小，說明中轉時間在1.5 h以內，1 400 km運距市場民航中轉與空鐵聯運2類出行方式的替代特征明顯。

4 結 語

為研究城際旅客在中長運距市場對不同出行方式的選擇行為，應用正交設計方法設計情境調查問卷，建立了中長距離旅客出行方式選擇的MNL模型與ML模型，應用調查數據標定模型。研究結果表明：

1)ML模型將出行方式服務水平的系數設定為隨機參數，更好描述了出行旅客異質行為，模型擬合效果好，更適于中長運距旅客的選擇行為建模。價格、行程前時間、在途時間、中轉時間與出行時間范圍是影響選擇行為的主要因素。

2)不同旅客群體對出行方式的偏好不同，公費出行、攜帶行李、出行目的等出行特征變量也是影響出行方式選擇行為的重要因素。

3)中轉時間與價格可以有效影響1 400～2 000 km運距范圍，空鐵聯運與民航中轉出行方式市場分擔率。相對于價格，減少中轉時間可以有效提高2類出行方式市場分擔率；2 000 km運距范圍民航中轉市場分擔率顯著高于空鐵聯運；1 400 km運距范圍，中轉時間在1.5 h以內，民航中轉與空鐵聯運兩類出行方式的替代特征明顯。

4)筆者給出的定量分析方法可以為運營企業提高服務水平，提高市場占有率提供決策支持，也可以為運輸管理部門編制綜合運輸規劃提供理論依據。將其他出行方式納入中長距離城際旅客出行選擇集，以及綜合應用RP與SP調查數據提高出行方式選擇行為預測準確性的模型與方法，需要進一步研究。