考慮出行者異質(zhì)性的到達(dá)機(jī)場方式選擇行為研究

潘義勇,王心悅,蔣冠宇,魏雙秋

(南京林業(yè)大學(xué) 汽車與交通工程學(xué)院, 南京 210037)

0 引言

近年來,我國城市化進(jìn)程發(fā)展迅速,城市化進(jìn)程的發(fā)展使各城市之間的經(jīng)濟(jì)文化交流更加緊密,各區(qū)域人口的遷徙更加頻繁,機(jī)場客運(yùn)出行需求日益增加。由于機(jī)場建設(shè)要求的特殊性,我國大部分城市機(jī)場距離城市較遠(yuǎn),因此出行者需要選擇其他交通工具到達(dá)機(jī)場。地鐵、機(jī)場大巴、出租車作為到達(dá)機(jī)場的3種主要方式,各有優(yōu)勢和劣勢,而影響出行者選擇傾向的主客觀因素較多,包括出行者社會特征、對不同交通方式的感知、個人健康狀況、行李數(shù)量等。

在傳統(tǒng)出行行為選擇研究中,多使用離散選擇模型,其中傳統(tǒng)的多項(xiàng)Logit模型、條件Logit模型使用較多,但是此類模型存在不相關(guān)替選方案獨(dú)立性缺陷。為克服傳統(tǒng)離散模型的IIA問題,同時為了考慮出行者的異質(zhì)性,部分學(xué)者根據(jù)混合Logit模型中混合分布可以是離散的特性,提出了潛類別Logit模型[1],該模型常用于心理學(xué)及經(jīng)濟(jì)學(xué)中,假設(shè)人群可以劃分為具有不同心理特征的離散群體,在選擇行為上具有隨機(jī)偏好差異。潛類別Logit模型能夠在不需要實(shí)現(xiàn)假設(shè)參數(shù)的分布形式的情況下,解釋群體層面的異質(zhì)性[2]。

國內(nèi)外學(xué)者對潛類別以及潛變量在出行方式選擇方面進(jìn)行一定的研究,劉志偉等[3]利用潛類別Logit模型分析出行者出行選擇偏好的異質(zhì)性和無人駕駛汽車對出行選擇行為的影響。盧德佑[4]基于出行者的心理潛變量和出行者的異質(zhì)性,利用潛類別Logit模型分析出行者對服務(wù)質(zhì)量的要求等主觀感知對公交出行方式選擇的影響。陳建冰[5]考慮出行者對交通工具特性的要求、主觀評價以及通勤條件,基于潛類別Logit模型研究出行者出行方式選擇行為。Nguyen等[6]利用離散選擇模型,研究越南河內(nèi)地區(qū)個人住宅周圍人口密度、土地混合用途等建筑環(huán)境對出行者出行行為的影響。Yu等[7]采用潛類別Logit和路徑分析模型的混合建模方法,考慮異構(gòu)影響效應(yīng),揭示了碰撞發(fā)生與微觀交通流變量之間的因果關(guān)系。大多數(shù)學(xué)者展開相關(guān)研究只考慮交通方式舒適性、可靠性等潛在心理因素,較少考慮出行者的心理狀態(tài)以及心理疲勞程度對選擇的影響。

針對以上問題,本文采用意向調(diào)查(stated preference,SP)和行為調(diào)查(revealed preference,RP)相結(jié)合的方法[8],獲取出行者的社會特征、心理疲勞感知,使用潛類別Logit模型研究其對機(jī)場到達(dá)方式選擇的影響。通過調(diào)查獲取出行者的社會特征、個人心理狀況,對出行者心理狀態(tài)進(jìn)行評估,對比分析混合Logit模型及潛類別Logit模型,然后對模型參數(shù)及邊際效應(yīng)進(jìn)行分析,總結(jié)研究成果及下一步研究方向。

1 基礎(chǔ)模型

1.1 潛類別模型

潛類別Logit模型是由混合Logit模型演變而來,混合Logit模型是一種幾乎可以近似任何一種隨機(jī)效用模型的模型,其選擇概率表達(dá)為:

(1)

Lni(β)為在參數(shù)β上計算得到的Logit概率,因式(1)中混合分布f(β)可以是離散的,假設(shè)β可取M個值,分別記為b1,b2,…,bM,相應(yīng)的取值概率為sm,m=1,2,…,M。此時混合Logit模型變?yōu)闈擃悇e模型[9],潛類別模型的選擇概率為:

(2)

假設(shè)有N個決策者,每個決策者面臨T個選擇場景,每個選擇場景有J個選項(xiàng),若決策者n對于某個選擇場景t,選擇第j個選項(xiàng),則向量表示為xnjt,對于每個選擇場景,一個決策者做出一系列選擇的條件概率為:

(3)

(4)

綜上所述,潛類別模型的具體形式[10]表示為:

(5)

采用AIC和BIC2個指標(biāo)評估模型的擬合優(yōu)度,通常情況下,AIC和BIC指標(biāo)定義如下:

(6)

式中:k為模型參數(shù)個數(shù);n為樣本數(shù)量;ln(L)為似然函數(shù)。AIC和BIC值越小,模型擬合度越高[10]。

1.2 結(jié)構(gòu)方程模型

結(jié)構(gòu)方程模型(structural equation modeling,SEM)是一種建立、估計和檢驗(yàn)因果關(guān)系模型的方法。該模型可以替代多重回歸、通徑分析、因子分析、協(xié)方差分析等方法,分析單項(xiàng)指標(biāo)對總體的作用和單項(xiàng)指標(biāo)間的相互關(guān)系。

結(jié)構(gòu)方程主要包括3個矩陣方程式,其中式(7)、式(8)被稱為測量模型,式(9)被稱為結(jié)構(gòu)模型。

X=Λxξ+δ

(7)

Y=Λyη+ε

(8)

η=Β·η+Γ·ξ+ζ

(9)

式中:X表示外在指標(biāo)變量向量;Y表示內(nèi)在指標(biāo)變量向量;Λx表示外在指標(biāo)變量在潛變量上的因子載荷矩陣;Λy表示內(nèi)在指標(biāo)變量在潛變量上的因子載荷矩陣;ξ、η分別表示外在潛變量向量和內(nèi)在潛變量向量;δ、ε分別表示外在指標(biāo)變量和內(nèi)在指標(biāo)變量的誤差矩陣;Β表示內(nèi)在潛變量間的路徑系數(shù)矩陣;Γ表示外在潛變量和內(nèi)在潛變量間的路徑系數(shù)矩陣;ζ表示殘差向量。

2 數(shù)據(jù)調(diào)查

設(shè)計調(diào)查問卷對出行者信息進(jìn)行調(diào)查,調(diào)查問卷內(nèi)容包括出行者社會屬性特征和相關(guān)出行行為特征。調(diào)查地點(diǎn)設(shè)置在南京祿口機(jī)場,該機(jī)場位于城市郊區(qū),年旅客吞吐量達(dá)到3 000萬人次以上。在調(diào)查期間共580人接受調(diào)查,經(jīng)篩選保留527份調(diào)查結(jié)果。表1列出了模型估計中包含的主要解釋變量統(tǒng)計信息。

表1 模型估計中所包含變量的統(tǒng)計信息

第二部分調(diào)查出行者心理狀況,其中包含內(nèi)在屬性量表及心理狀態(tài)量表。內(nèi)在屬性變量屬于潛變量,設(shè)置相關(guān)指標(biāo)問題項(xiàng),包括感知風(fēng)險(perceived risk,PR)、情緒反映(emotional reflection,ER)、態(tài)度反映(attitude reflects,AR)、感知便捷(perceived convenience,PC),采用李克特(Likert scale)五級計分法,1～5代表非常不同意至非常同意,量化出行者心理狀況,內(nèi)在屬性量表如表2所示。

表2 內(nèi)在屬性量表

調(diào)查的第三部分為出行者心理狀態(tài)調(diào)查,參考駕駛者疲勞駕駛、運(yùn)動疲勞及心理學(xué)等方面文獻(xiàn)及調(diào)查問卷[11],采用心理狀態(tài)量表(profile of mood states,POMS)對出行者的心理狀態(tài)進(jìn)行評估。POMS需要被調(diào)查者在每個形容詞后的5種選擇中選出一項(xiàng)最符合實(shí)際情況感受的選項(xiàng),包括幾乎沒有、有一點(diǎn)、適中、相當(dāng)多、非常地5種量度,每個量度的計分為0～4分。該量表從緊張、疲勞、慌亂、抑郁、憤怒、精力、自尊感7個維度評定出行者心理狀態(tài),表3列出了各維度表征詞匯。

心理狀態(tài)總分評分方式如式(10)所示,得分等于5個消極情緒得分之和減去2個積極情緒(精力、自尊感)得分之和,分?jǐn)?shù)越高則心理狀態(tài)越差,即心理疲勞感越強(qiáng)。

score=∑negative-∑positive

(10)

調(diào)查的第四部分為針對出行者到達(dá)機(jī)場交通方式選擇的陳述性偏好調(diào)查,問卷中提供3種交通方式選擇:地鐵、機(jī)場大巴、出租車。情景設(shè)計由步行距離(wl)、出行時間(tt)、出行費(fèi)用(rc)組成,將上述屬性級別組合,產(chǎn)生100個不同的出行場景,每位被調(diào)查者接受5個場景,在假設(shè)情況下進(jìn)行選擇。

表3 心理疲勞各維度表征詞

3 數(shù)據(jù)分析與模型結(jié)果

3.1 數(shù)據(jù)的信效度分析

使用信度檢驗(yàn)檢測數(shù)據(jù)的一致性程度,確保調(diào)查數(shù)據(jù)能夠真實(shí)反映預(yù)期目標(biāo)及具有分析價值。Cronbach’s Alpha系數(shù)可反映一致性程度,系數(shù)越大表示信度越高,一般Cronbach’s Alpha系數(shù)在0.7以上代表問卷數(shù)據(jù)價值可以接受,該系數(shù)計算方法如下所示:

(11)

式中:k為潛變量對應(yīng)的指標(biāo)變量數(shù);stt為潛變量對應(yīng)的指標(biāo)變量的標(biāo)準(zhǔn)差;stv為潛變量對應(yīng)的指標(biāo)變量的協(xié)方差。信度檢驗(yàn)結(jié)果如表4所示,內(nèi)在屬性變量Cronbach’s Alpha系數(shù)均大于0.7,結(jié)果表明心理狀態(tài)量表的整體信度可以接受[12]。

表4 內(nèi)在屬性潛變量的信度檢驗(yàn)結(jié)果

通常使用效度檢驗(yàn)檢測內(nèi)在屬性量表的可靠性,效度檢驗(yàn)包括KMO、Bartlett球形檢驗(yàn)和因子分析兩部分。當(dāng)KMO檢驗(yàn)值大于0.6時,表明潛變量對應(yīng)指標(biāo)變量間的相關(guān)性高[13]。表5為KMO和Bartlett球形檢驗(yàn)的結(jié)果,其中,KMO檢驗(yàn)值為0.793,大于0.6,利用SPSS進(jìn)行Bartlett球形檢驗(yàn)的結(jié)果顯示Sig<0.05(即p<0.05),說明符合標(biāo)準(zhǔn),數(shù)據(jù)呈球形分布,各個變量在一定程度上相互獨(dú)立。

表5 KMO和Bartlett球形檢驗(yàn)結(jié)果

3.2 結(jié)構(gòu)模型分析

出行者選擇某種出行方式出行受到外在屬性變量和內(nèi)在屬性變量的共同影響,心理疲勞度無法直接測量,需由外在屬性變量及內(nèi)在屬性指標(biāo)表示。使用多指標(biāo)多因果模型(multiple indicators and multiple causes,MIMIC)假設(shè)外在屬性變量均對內(nèi)在屬性變量產(chǎn)生影響,內(nèi)在屬性變量可解釋指標(biāo)變量,該模型在結(jié)構(gòu)方程模型的基礎(chǔ)上將可測量的外在屬性變量引入,以建立外在屬性變量于潛變量的聯(lián)系[14]。圖1為該模型心理決策結(jié)構(gòu)。

圖1 心理決策模型結(jié)構(gòu)

使用AMOS計算模型擬合優(yōu)度,擬合優(yōu)度評價指標(biāo)包括RMSEA、CFI、TLI、SRMR,其中SRMR為標(biāo)準(zhǔn)化殘差均方根,其值小于0.08時,模型擬合優(yōu)度較高[15]。模型擬合優(yōu)度如表6所示,RMSEA、CFI、TLI、SRMR均達(dá)到理想標(biāo)準(zhǔn),表明模型擬合效果良好。

表6 模型擬合結(jié)果

MIMIC模型中的結(jié)構(gòu)方程使用解釋性外在屬性變量和線性關(guān)系解釋潛變量η的差異,本文模型使用性別、年齡、收入、BMI、私家車擁有狀況、大件行李攜帶狀況、是否獨(dú)自出行來識別潛變量的變化,方程如下:

η*=Βη*+ΓAge1ξAge1+ΓAge2ξAge2+ΓGenξGen+

ΓInc1ξInc1+ΓInc2ξInc2+ΓBmi1ξBmi1+

ΓBmi2ξBmi2+ΓCarξCar+ΓLugξLug+

ΓAloξAlo+ζ

(12)

式中:η*表示任意潛變量;ΓGen表示外在潛變量性別的路徑系數(shù),其他類似;ξGen表示外在潛變量性別的向量,其他類似;Β表示內(nèi)在潛變量間的路徑系數(shù)矩陣;ζ表示隨機(jī)誤差項(xiàng)。結(jié)構(gòu)方程包含解釋變量與潛變量的路徑關(guān)系,路徑系數(shù)越高,表明變量間的相關(guān)性越強(qiáng)。根據(jù)解釋變量與潛變量的路徑系數(shù)量化潛變量,以達(dá)到更好解釋潛變量的效果,判斷各路徑的影響程度。

3.3 潛類別Logit模型分析

潛類別Logit模型需確定潛類別數(shù),假定將被調(diào)查者劃分為2～6個類別,在正式估計前進(jìn)行多次模擬,根據(jù)AIC值和BIC值確定合適的潛類別數(shù),如表7所示。AIC和BIC值是模型擬合優(yōu)度的指標(biāo),一般值越小表明模型的擬合優(yōu)度越高。當(dāng)類別為3時,AIC和BIC最小,因此選擇樣本分為3個類別。

表7 各類別的模型AIC和BIC

將樣本數(shù)據(jù)分成3個類別,建立潛類別Logit模型,3個潛類別人數(shù)分別占比36%、48%、16%。根據(jù)每一類群體心理疲勞評分均值分別命名為低度心理疲勞型出行者、中度心理疲勞型出行者、高度心理疲勞型出行者,如表8所示。

表8 出行者類型區(qū)分

分別對數(shù)據(jù)總體進(jìn)行潛類別Logit模型和混合Logit模型回歸分析,回歸系數(shù)如表9所示。對比潛類別Logit模型和混合Logit模型對數(shù)似然值和預(yù)測準(zhǔn)確率,結(jié)果表明,潛類別Logit模型的對數(shù)似然值為-1 377.21,預(yù)測準(zhǔn)確率為60.8%;混合Logit模型的對數(shù)似然值為-1 496.38,預(yù)測準(zhǔn)確率為55.9%,因此對比混合Logit模型,潛類別Logit模型具有更好的模型擬合優(yōu)度。

表9 潛類別Logit模型回歸系數(shù)及混合Logit模型回歸系數(shù)

對比上述模型結(jié)果,d1、d2分別為是否為地鐵、機(jī)場大巴的虛擬變量,低度心理疲勞型出行者的d1顯著大于0且d2不顯著,該群體為地鐵偏好群體;中度心理疲勞型出行者的d1、d2均顯著小于0,d2大于d1,則該群體為機(jī)場大巴偏好群體;高度心理疲勞型出行者的d1、d2均顯著大于0且差距較大,則該群體為出租車偏好群體。

混合Logit模型的回歸系數(shù)均顯著小于0,而對于低度心理疲勞型出行者,出行費(fèi)用rc的回歸系數(shù)顯著大于0,表明改變出行費(fèi)用對該群體的出行選擇行為具有正向影響;對于中度心理疲勞型出行者,乘車時間tt的回歸系數(shù)顯著小于0,表明乘車時間對該群體具有負(fù)向影響,增加乘車時間會降低該群體選擇公共交通出行的意愿;對于高度心理疲勞型出行者,大件行李數(shù)量lm的回歸系數(shù)顯著大于0,表明改變大件行李數(shù)量對該群體的出行選擇行為具有正向影響。

出行者社會屬性特征對樣本類別劃分的影響顯著程度如表10所示,高度心理疲勞型出行者作為基準(zhǔn)參考類別,設(shè)置該類別各系數(shù)為0。其中Age1、Inc1、Bmi1、Car、Lug在5%的置信水平對低度心理疲勞型出行者產(chǎn)生顯著影響;Gen、Age1、Inc1、Lug、Alo在5%的置信水平對中度心理疲勞型出行者產(chǎn)生顯著影響。Age1、Inc1、Lug對兩類群體均有顯著影響。

分析Age1、Inc1、Lug對出行者類別劃分的影響,圖2為三類群體的占比狀況,從年齡方面看,25歲以下的出行者中地鐵、機(jī)場大巴偏好群體的占比分別為62%、24%;25歲以上出行者中地鐵、機(jī)場大巴偏好群體的占比分別為33%、45%,表明年長的出行者偏好選擇機(jī)場大巴,且更易出現(xiàn)心理疲勞現(xiàn)象,其中中度心理疲勞型出行者的概率顯著增加。收入方面,月收入低于5 000元的出行者是機(jī)場大巴偏好群體的概率為46%,表明低收入群體更可能是機(jī)場大巴偏好者;攜帶大件行李的出行者是機(jī)場大巴、出租車偏好群體的概率分別為30%、41%,表明當(dāng)出行者攜帶大件行李,會增加其選擇機(jī)場大巴或出租車的概率。因此出行者在選擇出行方式到達(dá)機(jī)場存在較大的異質(zhì)性,為鼓勵出行者選擇公共交通,針對不同的偏好群體應(yīng)采取不同的政策。

表10 出行者特征對類別的影響

圖2 變量對潛類別的影響

根據(jù)模型結(jié)果分析出行者心理潛變量對出行方式選擇的影響,在低度心理疲勞出行者類別中,感知風(fēng)險(PR)、情緒反映(ER)顯著且系數(shù)為負(fù),表明隨著出行者對于感知風(fēng)險的提高,相對于高度心理疲勞出行者類別,出行者成為低度心理疲勞(地鐵偏好群體)的概率降低,類別一中PR的幾率比為:exp(-0.742)≈0.48,ER的幾率比為:exp(-0.870)≈0.42,表明相對于高度心理疲勞出行者群體而言,當(dāng)出行者的PR增加1個單位,出行者屬于地鐵偏好群體的幾率比會降低48%;當(dāng)出行者的ER增加1個單位,出行者屬于地鐵偏好群體的幾率比會降低42%。在該類別中,態(tài)度反映(AR)、感知便捷(CP)顯著且系數(shù)為正,其中AR的幾率比為:exp(0.637)≈1.89,CP的幾率比為:exp(0.511)≈1.67,即相對于高度心理疲勞出行者而言,當(dāng)出行者的AR、CP增加1個單位,出行者屬于地鐵偏好群體的幾率比分別增加89%和67%。類別二中PR、ER均顯著且系數(shù)為負(fù),其中PR的幾率比為:exp(-0.705)≈0.49,ER的幾率比為:exp(-0.783)≈0.46,即對于高度心理疲勞出行者群體而言,當(dāng)出行者的PR增加1個單位,出行者屬于機(jī)場大巴偏好群體的幾率比會降低49%;當(dāng)出行者的ER增加1個單位,屬于機(jī)場大巴偏好群體的幾率比降低46%。因此出行者的感知風(fēng)險及情緒反映程度,對出行者選擇地鐵或機(jī)場大巴等大運(yùn)量公共交通具有顯著影響。

4 結(jié)論

1) 相比混合Logit模型,潛類別Logit模型具有更好的擬合優(yōu)度。

2) 航空出行者具有異質(zhì)性,根據(jù)出行者心理疲勞調(diào)查,將出行者分為低、中、高度心理疲勞型出行者,分別占比36%、48%、16%,低、中、高度心理疲勞型出行者分別對應(yīng)地鐵偏好群體、機(jī)場大巴偏好群體、出租車偏好群體。

3) 出行者選擇到機(jī)場方式的偏好受性別、年齡、收入、是否攜帶大件行李、是否獨(dú)自出行等特征的顯著影響,心理潛變量對出行者的出行方式選擇具有顯著影響,隨著出行者心理疲勞程度的增加,出行者有更大的概率選擇機(jī)場大巴或出租車。因此市內(nèi)公共交通提供者可通過識別航空出行者的特征,提供針對性服務(wù),以提高出行者滿意度。

4) 在低度心理疲勞出行者群體中,感知風(fēng)險(PR)、情緒反映(ER)顯著且系數(shù)為負(fù),每增加1個單位,出行者屬于地鐵偏好群體的幾率比分別降低48%、42%;態(tài)度反映(AR)、感知便捷(CP)顯著且系數(shù)為正,每增加1個單位,出行者屬于地鐵偏好群體的幾率比分別增加89%和67%;中度心理疲勞出行者群體中PR、ER均顯著且系數(shù)為負(fù),每增加1個單位,出行者屬于機(jī)場大巴偏好群體的幾率比分別降低49%、46%。