盛冬冬,孫明妹

(北京交通大學(xué) 軌道交通控制與安全國家重點實驗室，北京 100044)

目前，我國的高鐵(high-speed railway, HSR)發(fā)展迅速，截至2019年底，高鐵里程達(dá)到3.5萬公里。高鐵的迅猛發(fā)展極大地提高了鐵路在中長途高速客運(yùn)(即出行距離在800～1200 km的旅客運(yùn)輸)中的競爭力。高鐵和民航(civil aviation,CA)的方式分擔(dān)率模型是其競爭網(wǎng)絡(luò)研究、定價研究等的重要基礎(chǔ)，因此，對方式分擔(dān)率模型的研究很有必要。

對方式分擔(dān)率的模擬以離散選擇模型為主，一般通過構(gòu)建效用函數(shù)，使用個體數(shù)據(jù)對效用函數(shù)中的未知參數(shù)進(jìn)行估計，繼而計算出選擇項被選中的概率。傳統(tǒng)Logit模型是離散選擇模型的基礎(chǔ)模型，但傳統(tǒng)Logit模型本身存在的IIA特性會對模型的預(yù)測結(jié)果產(chǎn)生很大的影響。何宇強(qiáng)等[1]、Hensher[2]、葉玉玲等[3]選擇經(jīng)濟(jì)、快速、方便、舒適、安全5個指標(biāo)建立傳統(tǒng)Logit模型，并使用該模型對方式分擔(dān)率進(jìn)行預(yù)測。為了解決傳統(tǒng)Logit模型中存在IIA特性問題，又提出嵌套Logit(Nested Logit, NL)模型。NL模型將相近的備選方案列入同一子集，子集內(nèi)部仍存在IIA特性，但子集間的IIA特性不復(fù)存在。Adler等[4]和Wen等[5]分別建立NL模型，并使用數(shù)據(jù)對參數(shù)進(jìn)行估計。然而傳統(tǒng)Logit模型和NL模型都忽略了個體異質(zhì)性，且沒有完全解決IIA特性，混合Logit(Mixed Logit, ML)模型的出現(xiàn)，解決了上述兩個問題。常見的混合Logit模型指的是考慮了個體異質(zhì)性的橫截面混合Logit模型(Cross-Sectional Mixed Logit, CML)，可使用橫截面數(shù)據(jù)對其參數(shù)進(jìn)行估計。Abdel-Aty等[6]使用具有正態(tài)分布的CML模型刻畫在交通信息誘導(dǎo)下駕駛員對于路線選擇的問題，得出旅行時間及其變化等因素會對路線選擇產(chǎn)生影響。Li等[7]在北京地鐵系統(tǒng)中進(jìn)行了意向調(diào)查(stated preference, SP)，建立了考慮價格內(nèi)生性的出發(fā)時間選擇CML模型，得出票價和發(fā)車時間的變化對乘客出發(fā)時間選擇的影響大于擁擠程度的結(jié)論。Behrens等[8]使用倫敦—巴黎客運(yùn)市場的橫截面數(shù)據(jù)估計了CML模型，結(jié)果表明，出行時間和頻率是出行行為的主要決定因素。不同于CML模型，面板混合Logit模型(Panel Mixed Logit, PML)使用面板數(shù)據(jù)估計其參數(shù)，不僅考慮了個體異質(zhì)性，同時也考慮了同源數(shù)據(jù)的相關(guān)性。車國鵬[9]通過建立PML模型，研究擁擠收費(fèi)對城市交通方式分擔(dān)率的影響。Guo等[10]使用沈陽的居民調(diào)查數(shù)據(jù)建立了PML模型，捕捉居民的交通方式選擇的個體異質(zhì)性。Chen等[11]使用PML模型研究了駕駛環(huán)境對碰撞頻率的影響。

針對方式分擔(dān)率的研究以傳統(tǒng)Logit模型和NL模型為主，考慮到數(shù)據(jù)的收集難度，一般又以SP數(shù)據(jù)對參數(shù)進(jìn)行估計，但很少有文獻(xiàn)考慮到選擇個體的異質(zhì)性以及SP數(shù)據(jù)中同一數(shù)據(jù)源間的相關(guān)性。本文針對高鐵和民航的方式分擔(dān)率問題，建立了傳統(tǒng)Logit模型、考慮個體異質(zhì)性的CML模型和考慮個體異質(zhì)性及同源數(shù)據(jù)間相關(guān)性的PML模型，使用北京—南京客運(yùn)通道的SP數(shù)據(jù)進(jìn)行參數(shù)估計，通過對比參數(shù)估計結(jié)果，發(fā)現(xiàn)PML模型具有更好的行為解釋能力和預(yù)測精度。最后，在PML模型的基礎(chǔ)上，利用仿真分析預(yù)測了高鐵和民航的方式分擔(dān)率隨旅程費(fèi)用差(民航與高鐵票價差)和時間差(高鐵與民航旅程時間差)的變化趨勢。該結(jié)果能夠指導(dǎo)運(yùn)營商合理地調(diào)整票價和旅程時間，以在競爭中取得優(yōu)勢。

1 PML模型

1.1 ML模型闡述

ML模型是非常靈活的模型，可以近似成所有隨機(jī)效用模型[12-13]，其參數(shù)可以指定服從某種分布，突出不同個體的選擇偏好。

假設(shè)在情景k(k=1,2,…,K)下，個體i(i=1,2,…,I)面臨選擇j(j=1,2,…,J)時，i在考慮了所有備選方案后會選擇效用最大的方案。一般形式的效用表達(dá)式如下：

(1)

式中，Uijk指i在情景k下選擇j的效用；xijk指與方案j有關(guān)的特性變量組成的向量；β′和εijk指無法觀測的隨機(jī)影響，εijk服從同一Gambel分布，備選方案間不存在相關(guān)性。解決方法是通過β′將備選方案間異方差和相關(guān)性的隨機(jī)元素引入效用函數(shù)，如式(2)所示(首先以橫截面數(shù)據(jù)集為例，因此忽略k下標(biāo))：

β′=βij+ηij，

(2)

式中，βij為非隨機(jī)參數(shù)；ηij是隨機(jī)參數(shù)，表示效用函數(shù)集中除εijk外的隨機(jī)影響的向量，隨選擇而變化，可能會引起備選方案間的相關(guān)性，可以指定分布，常見的有正態(tài)、對數(shù)正態(tài)、均勻分布等。

使用f(η|θ)來表示其概率密度函數(shù)，給定η值，選擇j的條件概率為

(3)

但η的值并不知道，不能以η為已知條件得到條件概率，故，非條件概率應(yīng)求解Lij(η)在所有可能的η值上的積分。

(4)

由式(4)得知，ML模型的選擇概率可看作為多項Logit模型概率的加權(quán)平均值，f(η|θ)決定權(quán)重，θ是描述f(η|θ)的參數(shù)，以正態(tài)分布為例，θ指均值和標(biāo)準(zhǔn)差。

1.2 PML模型

常見的數(shù)據(jù)結(jié)構(gòu)為橫截面數(shù)據(jù)，其最大的特點是數(shù)據(jù)收集中存在的時間或情景差別很小。而面板數(shù)據(jù)是由數(shù)據(jù)集中每一個橫截面單位的一個時間序列組成，這里的時間序列可以是不同時間也可以是不同情景。PML模型可以捕捉到不同情景下同一個體觀測間可能存在的相關(guān)性。

決策者在情景k(k=1,2,…,K)序列下的選擇條件概率為式(5)，PML模型的非條件選擇概率同公式(4)。

(5)

1.3 參數(shù)估計

仿真的方法特別適合用于估計ML模型的參數(shù)，指定分布，其仿真概率如式(6)所示：①給定θ，從f(η|θ)抽取一個η值，記為ηr，表示第r次抽??；②計算Lij(ηr)；③重復(fù)①②步驟R次(R足夠大)，將均值作為Lij(ηr)的仿真值。

(6)

求出使LL(η)得到最大值的θ。

2 問卷設(shè)計

本文將用到旅客各種情境下的選擇數(shù)據(jù)，故SP方法更加適合。問卷內(nèi)容包括受訪者的基本信息、中長途出行特性及出行情景的方式選擇意向。受控的動態(tài)變化試驗因子包括高鐵和民航的程前程后費(fèi)用和時間以及旅程費(fèi)用和時間4個變量。

假想的出行情景如圖1所示，每種方式的費(fèi)用和時間都是由程前(即出發(fā)地A至高鐵站A高鐵或機(jī)場A機(jī)場)費(fèi)用和時間、旅程費(fèi)用和時間、程后(即高鐵站B高鐵或機(jī)場B機(jī)場至目的地B)費(fèi)用和時間組成。

圖1 假想出行情景

借鑒已有研究[14]：出行距離在800～1200 km時，高鐵和民航的競爭最激烈。故選擇北京—南京客運(yùn)通道作為研究對象。問卷使用正交試驗法，試驗因子設(shè)置為四因素三水平，參考文獻(xiàn)[15]、12306官網(wǎng)及北京—南京航班信息，確定高鐵和民航的旅程費(fèi)用和時間的高、中、低三水平。依據(jù)L9(34)正交表設(shè)計了9種情景，如表1所示。該設(shè)計在保證數(shù)據(jù)可靠性和有效性的基礎(chǔ)上，節(jié)省了大量人力物力。

表1 情景設(shè)置

本次調(diào)查共回收問卷221份，有效問卷202份，合格率達(dá)91.4%，能有效地應(yīng)用于后續(xù)的建模與分析。

3 數(shù)據(jù)分析與建模

3.1 統(tǒng)計分析

問卷中基本信息及中長途的出行特性分析結(jié)果如表2和圖2所示。受訪對象中男性占52%，女性占48%；年齡分布主要集中在(24，49]歲；月收入分布以[4000，10 000)元居多，占53%；出行目的以公務(wù)出行居多，占43%。而出行特性方面，高鐵的程前程后平均時間1.6 h，民航的程前程后平均時間2.2 h；高鐵的程前程后平均費(fèi)用為35元，民航的程前程后平均費(fèi)用為72元，該分布特征與實際情況基本相符。

表2 問卷基本屬性統(tǒng)計

(a)程前程后時間分布 (b)程前程后費(fèi)用分布

3.2 模型構(gòu)建

使用PML模型對樣本數(shù)據(jù)進(jìn)行建模，選擇性別、年齡、月收入、出行目的、優(yōu)先考慮因素、程前程后時間和費(fèi)用、旅程費(fèi)用和時間作為模式選擇的特性變量，變量設(shè)置參見表3。根據(jù)上述變量描述，個體i選擇j的效用函數(shù)可以表示為(以高鐵作為參考)：

表3 特性變量表

UCA=Con+mx1+a24x2+a49x3+i4x4+i10x5+sx6+trx7+vx8+ox9+csx10+bx11+txt_s2+ctxt_ts2+fxp2+jtxt2，

(7)

UHSR=txt_s1+ctxt_ts1+fxp1+jtxt1，

(8)

式中，UCA表示民航效用函數(shù)；UHSR表示高鐵效用函數(shù)；xp2、xp1分別指民航和高鐵的旅程費(fèi)用。xt_s2、xt_s1、xt_ts2、xt_ts1、xt2、xt1以此類推。

在建模過程中，通過仿真方法計算蒙特卡洛積分，該計算涉及到“偽隨機(jī)序列”生成，選擇了Halton法完成η的抽取，相較于標(biāo)準(zhǔn)偽隨機(jī)序列法，極大地提升收斂性。接著，把數(shù)據(jù)整理成長型數(shù)據(jù)，導(dǎo)入NLOGIT，編寫程序，對參數(shù)進(jìn)行估計。

利用NLOGIT對1818(202×9)條有效數(shù)據(jù)進(jìn)行建模。首先確定性別、年齡、月收入、出行目的、優(yōu)先考慮因素為常系數(shù)，而兩種交通方式的程前程后時間和費(fèi)用、旅程費(fèi)用和時間這4個變量具體的值也不同，要捕獲個體異質(zhì)性，就需要在這些變量中選取某些變量的系數(shù)作為隨機(jī)系數(shù)。因此對這些變量進(jìn)行了許多組合，在此基礎(chǔ)上進(jìn)行參數(shù)估計，并且對參數(shù)估計結(jié)果進(jìn)行了評估，在這些組合中，有許多的組合參數(shù)估計結(jié)果違反了實際情況，多數(shù)參數(shù)的顯著性檢測無法達(dá)到95%的置信水平。在符合實際情況和顯著性檢測達(dá)標(biāo)的組合中，通過比較麥克法登似然率來判斷模型對出行選擇行為的解釋能力，最終將程前程后時間和費(fèi)用、旅程費(fèi)用和時間這4個特性變量的系數(shù)指定為隨機(jī)系數(shù)并且服從正態(tài)分布。

3.3 參數(shù)估計結(jié)果

本文建立了傳統(tǒng)Logit模型、CML模型及PML模型，使用SP數(shù)據(jù)進(jìn)行參數(shù)估計，結(jié)果如表4所示，經(jīng)對比，可以更全面地考察PML模型的效果。

由表4得，傳統(tǒng)Logit模型、CML模型和PML模型的參數(shù)估計結(jié)果符號基本一致，這說明考慮了個體異質(zhì)性和同源數(shù)據(jù)相關(guān)性后并未改變特性變量對方式選擇影響的正負(fù)效應(yīng)。3個模型的似然函數(shù)值分別為-801.153 0、-676.129 2和-532.525 6，通過該值可以計算出對應(yīng)的麥克法登似然率?？梢园l(fā)現(xiàn)，傳統(tǒng)Logit模型的麥克法登似然率為0.364 2，擬合優(yōu)度不算高?？紤]異質(zhì)性后的CML模型的麥克法登似然率為0.463 4，說明CML模型相較傳統(tǒng)Logit模型更適合模式選擇行為的建模分析。而考慮了個體異質(zhì)性和同源數(shù)據(jù)相關(guān)性的PML模型的麥克法登似然率為0.577 4，高于傳統(tǒng)Logit模型和CML模型，說明PML模型具有更好的行為解釋能力，擬合優(yōu)度更高，在該數(shù)據(jù)集下的預(yù)測能力更好。

表4 參數(shù)估計結(jié)果

3.4 PML結(jié)果分析

由表4所示，所有參數(shù)的符號均符合邏輯。在95%的置信水平下，除性別、年齡(49，+∞)、優(yōu)先考慮因素(時間因素)外，其他特性變量均顯著。在95%置信水平下，年齡在(0，24]的個體符號為負(fù)，說明了相較于(24，49]歲的中青年，年齡在(0，24]的個體更傾向選擇高鐵出行；月收入[0，4000)元的個體較月收入[4000，10 000)元的個體更不愿意選擇民航出行，月收入在[10 000,+∞)元以上的個體更愿意選擇民航出行；而以上學(xué)、旅游、走親訪友和其他為目的的出行者較公務(wù)出行者更傾向選擇高鐵出行；時間主導(dǎo)者或時間費(fèi)用主導(dǎo)者較費(fèi)用主導(dǎo)者更傾向選擇民航出行。其中隨機(jī)參數(shù)均在99%的置信水平下顯著，即t～N(-2.845 7,0.665 2)、ct～N(-0.029 5,0.010 1)、f～N(-0.021 8,0.009 7)、jt～N(-1.827 3,0.338 9)，而程前程后時間和旅程時間的標(biāo)準(zhǔn)差相對較大，說明了不同個體對時間的敏感程度有較大的差異，異質(zhì)性明顯，并且4個隨機(jī)參數(shù)在兩個標(biāo)準(zhǔn)差范圍內(nèi)符號均為負(fù)，說明了程前程后時間和費(fèi)用及旅程費(fèi)用和時間越大，這種交通工具被選擇的概率越低，這符合實際情況。

使用參數(shù)估計得到的結(jié)果對原始數(shù)據(jù)的選擇進(jìn)行仿真，得出基于PML模型的兩種交通方式的選擇概率，選擇概率大的作為模型的預(yù)測結(jié)果，通過與實際選擇結(jié)果對比，得出模型的準(zhǔn)確率，部分結(jié)果如表5所示。表中ID指受訪者的序號，相同的序號表示數(shù)據(jù)來源于同一受訪者經(jīng)仿真結(jié)果統(tǒng)計；選擇欄為受訪者的實際選擇。PML模型的準(zhǔn)確率達(dá)85.37%，其中，高鐵的準(zhǔn)確率為88.58%，民航的準(zhǔn)確率為81.38%，模型擬合效果良好，具有較高的預(yù)測精度。

表5 部分仿真結(jié)果

4 模型應(yīng)用

為進(jìn)一步研究旅程費(fèi)用和時間對中長途高速客運(yùn)方式分擔(dān)率的影響，使用PML模型仿真分析在不同旅程費(fèi)用差和時間差下的方式分擔(dān)率。采用集計預(yù)測中的樣本枚舉法[16]進(jìn)行預(yù)測，如式(9)所示，該方法是把總體中的一個隨機(jī)樣本作為 “代表”，樣本中選擇某一選項的比例作為總體中選擇該選項的一個無偏估計。使用NLOGIT軟件中的simulation功能，在SP數(shù)據(jù)的基礎(chǔ)上，不改變性別、年齡等基本屬性，改變旅程費(fèi)用差和時間差得出個體的選擇概率后，使用式(9)得出該總體的估計值。

(9)

方式分擔(dān)率隨旅程費(fèi)用差和旅程時間差的變化趨勢如圖3所示，圖中紅線部分為高鐵方式分擔(dān)率與民航方式分擔(dān)率相等的情況。由圖3可以得到，高鐵的方式分擔(dān)率隨著旅程費(fèi)用差的增大而提升，隨著旅程時間差的增大而降低，且在高鐵和民航方式分擔(dān)率相同時，旅程費(fèi)用差對高鐵分擔(dān)率的影響比旅行時間差要更加顯著。高鐵和民航方式分擔(dān)率相同時，伴隨著旅行時間差的縮小，旅程費(fèi)用差由最初的150元降低到40元。當(dāng)高鐵和民航的旅程費(fèi)用差和時間差在紅線周圍時，二者的競爭最為激烈。以旅程時間差達(dá)到2 h為例，旅程費(fèi)用差超過110元時，高鐵和民航的競爭中，高鐵處于優(yōu)勢地位，且旅程費(fèi)用差在[110，280]元區(qū)間時，高鐵方式分擔(dān)率的提升速率最快。

圖3 方式分擔(dān)率仿真結(jié)果

5 結(jié)論

本文針對高鐵和民航的方式分擔(dān)率問題，建立了傳統(tǒng)Logit、CML和PML模型，使用旅客SP數(shù)據(jù)對模型參數(shù)進(jìn)行估計，通過對比參數(shù)估計結(jié)果，得出PML模型較傳統(tǒng)Logit和CML模型，具有更好的行為解釋能力和更高的預(yù)測精度。PML模型的估計結(jié)果說明，個體對時間因素的敏感度有比較大的差異，個體異質(zhì)性明顯，且隨機(jī)參數(shù)在兩個標(biāo)準(zhǔn)差范圍內(nèi)符號均為負(fù)，說明程前程后時間和費(fèi)用及旅程費(fèi)用和時間越大，該交通工具被選擇的概率越小。在基于PML模型的仿真分析中，得到高鐵的方式分擔(dān)率隨旅程費(fèi)用差的增大而增加，隨時間差的增大而減小，民航恰好相反，且旅程費(fèi)用差對方式分擔(dān)率的影響比旅程時間差更加顯著。仿真分析結(jié)果能有效指導(dǎo)運(yùn)營商改變票價和旅程時間，以在競爭中取得優(yōu)勢。此外，PML模型可以在交通規(guī)劃、交通方式競爭等研究中廣泛使用。

本文問卷的正交設(shè)計雖節(jié)省了人力物力，但限制了數(shù)據(jù)的全面性，且收集到的SP數(shù)據(jù)量不夠充足，會對模型參數(shù)估計結(jié)果產(chǎn)生影響。此外，為了簡化模型，未將安全性、舒適性、方便性等影響因素納入模型中，這些問題都是繼續(xù)完善PML模型的主要方向。