梁 爽

（華設設計集團股份有限公司,江蘇 南京 210008）

0 引言

隨著數(shù)字技術持續(xù)發(fā)展，交通基礎設施數(shù)字化水平快速提升，公交信息化建設試點逐步推進，公共交通服務由單一的定點定線式服務向可變線路式、需求響應式等多元化的服務發(fā)展，乘客可獲取的公交信息也從靜態(tài)的公交途經(jīng)站點信息向動態(tài)的公交實時到站信息轉(zhuǎn)變。已有學者研究表明[1-4]，隨乘客可獲取的實時信息量增長，乘客出行行為將發(fā)生改變。為充分了解乘客在不同情景下的出行選擇傾向，保證公共交通資源合理分配，該文以智能網(wǎng)聯(lián)環(huán)境為前提，研究乘客的出行方式選擇模型。

近年來，在出行方式選擇模型研究中，學者多采用MNL（Multi-nominal Logit）或 NL（Nested Logit）等非集計模型為原型，并取得了豐富的研究成果。王茁[5]等以出行費用、出行時間、出行擁擠率、社會經(jīng)濟屬性為影響因素，建立了基于MNL模型的公交、快速公交、軌道交通的出行方式選擇模型；逯婷婷[6]提出將居民出行次數(shù)、出行目的地、出行方式聯(lián)合的三層NL模型，提升居民出行選擇模型精度；任茜[7]引入了潛變量概念，完成了針對常規(guī)公交和地鐵出行方式的基于隨機參數(shù)logit模型的出行選擇模型構建?？紤]到MNL模型所具有的廣泛適用性和穩(wěn)定性，該文選擇以安全、快捷、經(jīng)濟、方便為考慮因素，在RP（Revealed Preference）和SP（Stated Preference）調(diào)查的基礎上，構建基于MNL的智能網(wǎng)聯(lián)環(huán)境下乘客出行方式選擇模型。

1 調(diào)查問卷設計

1.1 設計思路

鑒于智能網(wǎng)聯(lián)環(huán)境尚未實現(xiàn)，問卷調(diào)查方案采取RP調(diào)查和SP調(diào)查相結合的方式以保證收集到的數(shù)據(jù)相對真實，且可適用于模擬未來智能網(wǎng)聯(lián)環(huán)境下乘客出行選擇行為研究。

1.2 RP調(diào)查內(nèi)容

RP調(diào)查選擇詢問其日常出行所選擇的出行方式及相對應的影響因素，出行方式以汽車、常規(guī)公交、地鐵、騎行、步行為代表，影響因素以步行時間、等車時間、車上時間、行程費用為代表，以此確定SP調(diào)查內(nèi)容中對各出行方式影響因素的描述。

1.3 SP調(diào)查內(nèi)容

通過RP調(diào)查，發(fā)現(xiàn)大部分受訪者選擇步行、騎行的場景與汽車、常規(guī)公交等車行場景不重疊，同時，考慮到步行、騎行受智能網(wǎng)聯(lián)環(huán)境影響小。因此，忽略步行與騎行，僅選擇現(xiàn)有常規(guī)公交、智能網(wǎng)聯(lián)環(huán)境下的新型公交和駕車出行作為場景描述的交通方式，以RP調(diào)查為基礎進行影響因素描述，請求受訪者在場景中選擇最有可能選擇的出行方式，描述基于事實，具體描述見表1。

為簡化場景，保證場景設置的合理性，該文選用正交實驗法，將表1對于各出行方式影響因素的描述轉(zhuǎn)化為正交設計表所需的因數(shù)與水平數(shù)，如表2所示。設置隨機數(shù)種子為1 000，運用SPSS軟件生成25個場景的正交表。

表1 各出行方式的影響因素描述

表2 各交通方式影響因素的正交表

考慮到過量場景調(diào)查會顯著影響受訪者的判斷力，進而干擾到調(diào)查結果。因此，選擇一個受訪者接受5個場景調(diào)查，且調(diào)查時隱去交通方式名稱，以便受訪者不受日常出行習慣或某一交通方式的刻板印象約束，以場景描述的影響因素為唯一評判標準，進行出行方式選擇。問卷調(diào)查中具體場景顯示如表3所示。同時，為保障各選項間的獨立性，問卷調(diào)查時隱去交通方式名稱，使受訪者僅憑提供的交通方式特性選擇出行。

表3 乘客交通方式選擇場景樣本

1.4 調(diào)查結果

該文選用網(wǎng)絡調(diào)查形式，于2020年1月開展調(diào)查，于2020年3月結束調(diào)查，共收集問卷212份，排除問卷調(diào)查中填寫信息不全的受訪者，剩余有效問卷163份，獲得815個場景樣本。

在受訪者中，男女占比均衡，其中，男性占47.78%，女性占52.22%；年齡分布集中于20～60歲人群，其中，年齡在20～40歲占53.33%，在41～60歲占42.44%。

受訪者日常通勤出行步行時間集中在1～10 min，有部分在10～30 min，呈現(xiàn)出由1～5 min區(qū)段向大于30 min區(qū)段遞減的態(tài)勢；其等車時間分布，亦呈現(xiàn)出由1～10 min向大于30 min遞減的態(tài)勢；車內(nèi)時間分布則集中在30～60 min。

受訪者周末休閑出行步行時間集中在5～15 min，呈現(xiàn)出5～15 min區(qū)段向1～5 min和大于30 min遞減的態(tài)勢；其等車時間分布，則呈現(xiàn)由1～10 min向大于30 min遞減的態(tài)勢；車內(nèi)時間分布則集中在15～30 min。

綜上，可以預見若將步行時間和等車時間分別縮短至10 min以內(nèi)，花費適中、出行舒適的新型公交相較于常規(guī)公交和駕車出行會獲得乘客青睞。

2 模型構建

2.1 基礎假設和原理

該文做出以下假定以完成模型建立：

（1）為使模型適用范圍更廣，假設交通方式的效用僅與出行服務質(zhì)量有關，與乘客個體特性無關。

（2）假設模型隨機效用函數(shù)ε服從二重指數(shù)分布（Gumbel distribution）。

在此假定下，模型效用模型表示為：

式中，Vij——確定變量構成的效用；εij——隨機變量，服從Gumbel分布。

j類交通方式被乘客i選擇的概率可表示為：

根據(jù)情景設計，模型的效用函數(shù)可以進一步表示為不考慮交通方式具有差異性和考慮交通方式差異性兩種。若不考慮交通方式具有差異性，模型效用函數(shù)表示為：

式中，β0，β1，…β4—— 對應效用的參數(shù)；Kij、Aij、Tij、Cij——受訪者i在j交通方式下步行時間、等車時間、車上時間和花費。

若考慮交通方式差異性，模型效用函數(shù)表示為：

式中，β0j，β1j，…β4j—— 交通方式j對應效用的參數(shù)；Kij、Aij、Tij、Cij——受訪者i在j交通方式下步行時間、等車時間、車上時間和花費。

2.2 模型參數(shù)標定

運用NLOGIT5.0，將兩個效用函數(shù)分別代入多項Logit模型進行計算，計算結果見表4、表5。

表4 不考慮交通方式差異性MNL模型回歸結果

表5 考慮交通方式差異性MNL模型回歸結果

續(xù)表5 考慮交通方式差異性MNL模型回歸結果

如表4所示，模型中步行時間、等待時間、車內(nèi)時間均顯著影響因變量，而花費僅為較顯著影響因變量。該文綜合分析認為是因為汽車車內(nèi)時間與花費直接相關，從而導致車內(nèi)時間一定程度上已代表花費。

如表5所示，模型中汽車各項參數(shù)對因變量的影響均不顯著，是由于在智能網(wǎng)聯(lián)環(huán)境下，新型公共交通與汽車的出行服務質(zhì)量差距得到極大的縮減，出行花費成為受訪者出行主要考慮因素，汽車出行的高花費使得較少人選擇汽車出行；而常規(guī)公交的車內(nèi)時間和新型公交的車內(nèi)時間對因變量影響的不顯著，也是由于受訪者關注花費而忽略了車內(nèi)時間的增加。同樣，對于新型公交步行時間、等待時間、花費對因變量僅有一定的影響程度，也是因為新型公交假定在智能網(wǎng)聯(lián)環(huán)境下，可將受訪者的步行時間和等待時間控制在5 min以內(nèi)，任意選項均在受訪者可接受范圍內(nèi)，花費成為受訪者主要考慮因素，當花費增長量在受訪者出行預期內(nèi)時，受訪者就更傾向于選擇新型公交。

綜上，在未給定受訪者出行目的的情景下，步行時間、等待時間、車內(nèi)時間、花費均會影響受訪者選擇，過高的出行花費會制約受訪者選擇汽車出行。受訪者愿意付出一定的時間成本去獲得出行花費的急劇下降，而一定范圍內(nèi)的花費增長則不會影響受訪者對于交通方式的選擇，受訪者仍傾向于選擇步行時間、等待時間綜合考慮較好的選項。

2.3 模型擬合優(yōu)度檢驗

運用NLOGIT5.0，分別計算兩個效用函數(shù)的擬合優(yōu)度，計算結果見表6。

表6 不考慮及考慮交通方式差異性MNL模型擬合優(yōu)度

進一步檢驗模型的相對擬合優(yōu)度，運用對數(shù)似然函數(shù)值進行相似比判別（LL ratio-test），判別公式表示為：

式中，n——基礎多項Logit模型的參數(shù)數(shù)目；m——建立的Logit模型參數(shù)數(shù)目；LLbase——基礎多項Logit對數(shù)似然函數(shù)值；LLestimated——建立的Logit模型對數(shù)似然函數(shù)值。

計算結果見表7所示。

表7 相對擬合優(yōu)度計算

由表6可知模型擬合優(yōu)度中偽R方分別為0.062 6和0.080 2，模型總體擬合優(yōu)度不高。相較于過往學者對于交通方式MNL模型劃定，新建模型因未考慮受訪者個體屬性。如受訪者個體收入、工作、年齡等影響受訪者個人選擇的個體屬性。因此，無法解釋同一情景下，受訪者的不同選擇，與統(tǒng)計數(shù)據(jù)相比，模型總體擬合優(yōu)度不高。但由表7相對擬合優(yōu)度結果可發(fā)現(xiàn)，相較于基礎對數(shù)似然函數(shù)比-392.617 47，建立模型相較于基礎模型分別新增參數(shù)3個、9個，模型相對擬合優(yōu)度高，模型仍可較好反映乘客出行選擇，作為未來智能網(wǎng)聯(lián)環(huán)境下公共交通資源分配依據(jù)。

3 結論

該文以智能網(wǎng)聯(lián)環(huán)境，乘客可獲取全部公交信息為前提，針對現(xiàn)有可變線路式、需求響應式等新型公共交通方式特點，設計調(diào)查問卷，完成了基于問卷數(shù)據(jù)的乘客出行選擇模型構建。模型雖因未考慮被調(diào)研者個體性別、年齡、收入等差異導致總體擬合優(yōu)度不佳，但其相對擬合優(yōu)度顯著，模型可適用于未來多數(shù)情況下乘客出行選擇行為預測，并可輔助未來公共交通資源分配決策。