自行车方式选择与活动模式间交互作用机理建模＊

杨 晨

（上海市城乡建设和交通发展研究院 上海 200040）

0 引 言

以往学者从非集计层面对个体出行者进行自行车方式选择的行为进行了研究［1－4］，例如对影响自行车方式选择过程的个体社会经济属性及心理因素的研究.近年来，随着活动理论的引入和对出行行为分析的深入，开始关注基于活动－出行链的交通需求分析方法，借助活动－出行链理论对出行方式选择机理进行研究［5－6］.宗芳等［7］将活动模式作为效用项建立了出行方式选择模型，李萌［8］将出行链引入方式选择过程，讨论了多种方式在出行链中使用情况.文献［7－11］发现出行方式选择和活动模式选择之间具有显著相关性.

现有基于活动的相关研究缺乏针对自行车方式选择和出行活动模式间交互作用的研究，且多数研究预先假定了方式选择和活动模式决策间层次和顺序，该假设可能并不符合实际决策过程［12］.本文以蚌埠市为例进行了实例研究，对出行者自行车使用与活动模式特征进行了描述性分析，并建立了协同进化Logit模型对自行车出行方式选择和活动－出行链模式之间的交互作用进行研究.

1 数据来源与变量描述

数据源于2007年蚌埠市居民出行调查.蚌埠市位于安徽省北部，2006年末市区人口达91.43万.蚌埠市是典型的组团型城市，包括中心组团、北部组团和东部组团，共划分为98个交通小区.

采用随机抽样家访问卷调查，按小区人口比例发放问卷，内容包含出行者个体特征、家庭特征，及典型工作日出行活动及方式选择.分析所用特征变量的描述性统计见表1.个体属性包括出行者性别、年龄、职业等，家庭特征包括家庭结构、家庭收入等，出行属性包括土地特征、出行距离等.

出行链指从1d内出行者从自家出发最终回到自家的一系列出行所构成的封闭链，可形象描述为多次出行的链接.从活动数目划分：仅有1次活动的出行链称为简单出行链，有2种及以上活动的出行链成为复杂出行链；从出行目的划分：以通勤出行为目的的出行链称为生存型出行链，以休闲娱乐为目的的出行链称为非生存型出行链，包含两类出行目的的出行链成为混合型出行链.

表1 出行者特性变量介绍

舍去蚌埠市出行调查数据中样本量小于1%的出行链样本，得到5 632个有效样本.用于本文分析的典型活动－出行链模式及表示方法如下：（1）hwh，简单通勤出行模式，无其他停留；（2）hwhwh，包含基于家的通勤出行往返停留；（3）hoh，简单非通勤出行模式，无其他停留；（4）hohoh，包含多次非生存型活动，多次返家；（5）hwh＋o，主要为简单通勤出行，含非生存型活动.

2 数据描述性统计

考虑以上5类出行链模式和2类自行车使用情况（使用自行车和不使用）之间交互作用.表2给出了有效样本中自行车使用及出行链模式分布统计.37.2%的出行者1d活动中使用自行车，hwh型活动比例最高，达44.0%，hohoh型活动和hwh＋o型活动较少，分别占3.7%和1.6%.生存型出行链模式（hwh和hwhwh）占总数80%，复杂出行链模式（hwhwh，hohoh和hwh＋o）占总数40.8%.

表2 自行车使用及出行链模式分布情况

不同出行链模式下自行车方式选择比例存在较大差异，见表3.生存型出行链（hwh和hwhwh）中，自行车是最主要的出行方式，占总出行40%以上.非生存型出行链（hoh和hohoh）及混合型出行链（hwh＋o）中，自行车出行比例明显下降，占总出行量15%～25%.表3中单因素模型结果表明，出行链hwhwh中自行车选择比例与出行链hwh中无显著差异，但出行链hoh，hohoh和hwh＋o中自行车使用情况和hwh中明显不同.

表3 自行车使用与出行链模式描述性统计

3 协同进化Logit模型

个体出行者面临两类决策（Di∈D，i＝1，2），即自行车方式选择决策（D1）和活动模式决策（D2）.每类决策包含若干选择肢，选择肢之间相互独立.基于Logit模型基础，假设效用最大的选择枝被选中，则选择枝d被选中的概率为

式中：Pt（d）为时刻t选中选择枝d的概率；E｛Ut（d）｝为时刻t选择枝d的期望效用；t为迭代周期.

由于2类决策D1和D2间交互作用，某类决策的结果对另一类决策中选择枝的效用产生影响.则每类决策Di的效用函数为

式中：Xr为选择枝d属性r；Xr’为给定状态S后选择枝d 属性r′；S为决策Dj，∀j≠i的状态，β为变量X的参数.Pts为时刻t状态S发生概率：

每个选择枝的初始概率设置为决策Di中选择枝数的倒数

协同进化过程中，某个选择枝的选择受到另一个决策结果的影响，且在进化过程中所有决策结果并不明确.时刻t的各决策中各选择枝效用受到t－1时刻决策结果的影响.在每个迭代周期末，每个决策Di的不确定性取决于熵的大小：

在熵函数中引入调整系数θi使初始时刻各决策枝熵值相等.具有较小熵值θiHt（Di）的决策枝对应较小不确定性，因此该决策首先确定.当该决策顺序确定后在后续迭代过程中将不再改变.

采用协同进化Logit模型分析自行车方式选择和活动模式间交互作用的步骤如下.

步骤1 初始化自变量和因变量，将自行车方式选择及出行链类型转化为虚拟变量.

步骤2 采用二项Logit模型估计自行车选择概率，采用多项Logit模型估计活动模式选择概率.

步骤3 初始化协同进化模型中变量，基于二项Logit和多项Logit模型计算结果开始迭代过程.

步骤4 记录迭代过程中方式选择和活动模式结果，出行者所有决策均确定后结束迭代过程.

步骤5 将个体出行者对于方式选择和活动模式选择结果进行统计分析，对预测精度进行分析.

4 模型估计结果分析

自行车方式选择模型中，以不使用自行车作为参考选择枝；活动模式选择模型中，以hwh作为参考选择枝.考虑交互作用的协同进化Logit模型估计结果见表4.表4仅列出在最终模型中有显著影响的特性变量（显著性水平为0.1）.模型总体指标显示，建立的2类模型均在95%置信水平上显著.

表4 自行车方式选择和活动模式选择模型参数估计结果

二项Logit模型估计结果显示，多种因素对个体自行车方式选择产生影响.男性出行者选择自行车概率更高，20～60岁出行者更倾向使用自行车.

相比于职员和学生，私营个体和离休家务人员更少选择自行车.持有IC卡的出行者较少选择自行车.家庭结构及规模对自行车使用影响并不明显，仅家庭工作人口对自行车选择有负作用.住址位于市中心则选择自行车概率更高，公交线网密度对自行车使用有一定制约.高峰期出行会增加自行车使用，跨组团出行则显著降低自行车使用.与以往研究一致，自行车适用于中距离出行（2～5km），短距离和长距离出行中自行车使用水平均较低.

多项Logit模型估计了影响活动模式的各因素.60岁以上或离退休人员非生存型活动较多，20岁以下出行者参与非生存型活动较少.男性的hwhwh型活动更频繁，私营个体劳动者的hwhwh型活动更少，有IC卡的出行者倾向采用复杂出行链（hwhwh和hwh＋o）.高峰期出行中进行hoh型活动概率较小，而进行hwhwh型活动概率较大.以hwh作为参考肢，其余活动模式中出行距离＞5km哑元变量系数均为负号（以出行距离＜2km作为参考组），表明hwh型活动所产生的出行距离一般较长.

表4中模型估计结果显示了自行车方式选择和活动模式间交互作用.自行车方式选择模型中，相比于活动模式hwh，非生存型出行活动模式（hoh，hohoh和hwh＋o）下自行车使用情况较低，尤其是当活动为复杂出行链（hohoh和hwh＋o）时.活动模式hwhwh下自行车使用情况和模式hwh下无显著区别.活动模式选择模型中，当出行者采用自行车出行时，出行链中包含非生存型活动的可能性较低.自行车方式选择和非生存出行活动模式间具有明显的负相关关系.

结果表明，蚌埠市居民日常出行中，自行车普遍应用于生存型活动中，在非生存型活动中使用较少.其原因可能为在上班、上学等通勤出行活动中，起点和终点均固定，且出行时间和路径选择通常固定.此情况下，自行车出行方式具有较强竞争力，能够较好满足出行者的需求.而在购物、吃饭等非生存型活动中，自行车在出行速度和运载能力方面均较差，而这两方面是出行者所在意的.因此，自行车并不能较好满足出行者的需求，出行者更倾向于采用机动化交通方式进行出行.

模型估计结果表明，自行车方式选择和活动模式间存在显著相关性，某一决策内选择的确定受到另一决策结果的影响.因此，在离散选择模型中考虑两类决策的交互作用有助于提高模型预测精度.考虑和不考虑交互作用下自行车方式选择和活动模式选择的模型预测精度对比见图2、图3.

图2 自行车方式选择模型预测精度

图3 活动模式选择模型预测精度

从图2得出考虑交互作用后的二项Logit模型对于个体出行者使用自行车的预测精度从80.8%提高到81.8%，不使用自行车的预测精度从82.5%提高到86.0%.二项Logit模型总体预测精度从81.9%提高到84.4%.从图3得出考虑交互作用后，多项Logit模型对于出行者活动模式的预测精度显著提高，尤其对于样本量较小的活动模式hohoh和howh＋o的预测精度提高程度较大：对hohoh模式的预测精度从24.6%提高到49.5%，对hwh＋o模式的预测精度从0%提高到45.1%.多项Logit模型总体预测精度从70.4%提高到74.0%.考虑交互作用后提高了个体自行车方式选择和活动模式选择的预测精度.

5 结束语

本文将个体出行活动分析单元从“单次出行”扩展至“活动－出行链模式”层次，在分析过程中考虑了自行车方式选择和活动模式间交互作用，采用的协同进化Logit模型不需要事先作出出行方式和活动模式决策顺序的假设.本研究有助于深入理解自行车出行需求生成机理及变化趋势，提高了对个体出行行为的预测精度，研究结果可为城市交通政策制定与交通需求预测提供科学、合理的借鉴参考.未来研究将采用协同进化Logit模型探索个体出行者方式选择和活动模式两类决策的先后顺序，并建立相关模型以预测个体出行者的决策顺序.

［1］PUCHER J，DILL J，HANDY S.Infrastructure，programs，and policies to increase bicycling：an international review ［J］.Preventive Medicine，2009，50：106－125.

［2］YANG C，WANG W，SHAN X，et al.Effects of personal factors on bicycle commuting in developing countries：case study of nanjing，China ［J］.Transportation Research Record：Journal of the Transportation Research Board，2010，2193：96－104.

［3］HEINEN E，MAAT K，van W B.The role of attitudes towards characteristics of bicycle commuting on the choice to cycle to work over various distances［J］.Transportation Research Part D：Transport and Environment，2011，16（2）：102－109.

［4］杨 晨，王 炜，陆 建，等.个体因素对选择自行车通勤的影响研究［J］.武汉理工大学学报：交通科学与工程版，2010，34（3）：611－615

［5］万 霞，陈 峻，胡文婷.基于出行方式和活动交互作用的小汽车使用预测模型［J］.东南大学学报：自然科学版，2009，39（1）：171－176.

［6］ADLER T J，BEN－AKIVA M E.A theoretical and empirical model of trip chaining behavior［J］.Transportation Research Part B：Methodological，1979，13：243－257.

［7］宗 芳，隽志才.基于活动的出行方式选择模型与交通需求管理策略［J］.吉林大学学报：工学版，2007，27（1）：48－53.

［8］李 萌.基于活动链特征分析的出行方式选择模型研究［D］.南京：东南大学，2008.

［9］BHAT C R.Work travel mode choice and number of non－work commute stops ［J］.Transportation Research Part B：Methodological，1997，31（1）：41－54.

［10］HENSHER D A，REYES A J.Trip chaining as a barrier to the propensity to use public transport［J］.Transportation，2000，27：341－361.

［11］WEN C H，KOPPELMAN F S.The generalized nested logit model［J］.Transportation Research Part B：Methodological，2001，35：627－641.

［12］KRYGSMAN S，ARENTZE T，TIMMERMANS H.Capturing tour mode and activity choice interdependencies：a co－evolutionary logit modeling approach［J］.Transportation Research Part A：Policy and Practice，2007，41：913－933.