高铁站与市内交通换乘衔接选择研究*

叶玉玲 陈俊晶 刘小亚

高铁站与市内交通换乘衔接选择研究*

叶玉玲1陈俊晶2刘小亚3

（1.同济大学道路与交通工程教育部重点实验室，201804，上海；2.中铁上海设计院集团有限公司，200070，上海；3.昆山市规划设计有限公司，215300，昆山∥第一作者，副教授）

目前我国大多数高铁车站的选址都远离城市中心，造成高铁站与城市交通接驳困难及旅客出行换乘的不便。对高铁中间站旅客的个人特征、出行特征及换乘特征进行了调研与分析，综合考虑旅客的换乘特征，建立了反映旅客随机喜好性的换乘衔接选择模型。创新性地对模型中的效应函数进行了改进，将拥挤度、换乘次数、候车时间及延误时间等服务水平变量作为判断变量，在计算时考虑进来。计算结果表明，改进后的模型有更高的拟合度，可更有效地反映高铁旅客的换乘选择行为，为改善接驳工作提供参考。

高铁站；交通衔接；服务水平；Mixed Logit模型

近年来，随着中国的高速铁路（以下简称“高铁”）建设的快速发展，高铁站已成为区域交通与城市交通之间转换的一个重要节点。高铁车站的位置大多位于郊区，目前其客流处于培育阶段。因此，高铁车站与城市交通之间的便捷衔接是发展客流的有效措施，对城市发展和大众出行也有着重要的影响。此外，开展高铁旅客换乘研究，将有利于提高铁路枢纽客流分配的效率，提高旅客满意度，对增加高铁客运市场占有率有重要作用。

国外的大量研究［1-3］主要集中在综合客运枢纽或普通铁路车站换乘时间、路径选择和旅客换乘需求方面，针对高铁客运站与城市交通衔接的研究较少。国内现有研究［4-5］一般偏好案例介绍、客流分配模型确定、影响因素获取和换乘机制，分配模型的应用普遍集中在运输通道出行方式的选择上，很少应用于站点换乘。虽然部分文献［6-8］研究了高铁站点的旅客集散换乘，使用的模型主要是MNL或Nested Logit模型，但其效用函数的系数是定值，很难反映乘客的偏好差异。此外，效用函数并没有从高铁旅客的个性化换乘特征的角度来分析，如换乘次数、候车时间、拥挤程度高和延误时间，缺乏“以人为本”的视角来研究旅客的选择。

本文以沪杭城际铁路的中间站为例，研究了高铁站区换乘旅客的个体特征、出行特征、对服务水平的感知特征，以旅客的个性化特征为主要考虑点，建立了反映旅客随机喜好性的选择模型，并对模型中的效应函数进行了改进，在出行费用、时间的基础上增加了以拥挤度、候车时间、换乘次数、延误时间为代表的服务水平的变量，并将这些服务水平作为判断变量。只有当这些服务水平低于服务水平的期望值时才考虑，即在效用函数中给予一个处罚值，由此得到各种衔接方式的分担率。通过与实际调查结果验证，该方式选择的方法效果更好。

1 数据准备

1.1 调查方法及内容

为了分析大城市高铁站旅客特征和枢纽站换乘特征，本文选取了沪杭城际的某个中间站进行研究。在调查方法的选取上，采用了随机抽取站内旅客进行问卷调查的形式。设计的调查问卷为RP调查，内容设计上主要针对旅客的个人基本信息（性别、年龄、职业和月可支配收入）及本次出行情况（出行的目的、时间、目的地及换乘方式等）。

1.2 数据分析

1.2.1 旅客个人特征

本次调查于2014年4月间进行，调查地点为嘉兴南站。总计发放问卷500份，其中回收有效问卷476份，回收率达95.2%。下面从旅客的职业分布及月可支配收入水平进行统计分析。

表1 沪杭城际铁路嘉兴南站旅客职业分布表

（1）职业分布：调查问卷将旅客的职业划分为工人、农民、商务人员、学生、教师、军人、公务员、技术人员及其他这9类。调查结果（见表1）表明商务人员、技术人员、学生、教师及公务员是高铁的主要客流。

（2）收入水平：根据调查，将收入分为五个档次分别为2 000元以下、2 000～4 000元、4 000～6 000元、6 000～8 000元和8 000元以上，调查结果如图1所示，旅客的月收入水平呈现两头低中间高的分布特征，处于4 000～6 000元的旅客所占比重为33.8%。

图1 沪杭城际铁路嘉兴南站旅客收入水平图

1.2.2 旅客出行特征

（1）出行目的：从整体上看，旅客出行目的排在前三位的依次是公务、旅游和探亲，这部分客流占整体比重的三分之二。

（2）选择高铁出行的首要因素：如图2所示，对旅客选择高铁出行影响较多的因素依次是快速、准点、安全和舒适，而便利性和票价明显较低，反映出目前高铁在周边换乘交通的设施配置和票价制定上仍有需要改进的地方。

图2 旅客选择高铁出行的首要考虑因素

1.2.3 旅客换乘特征

服务水平期望值指标作为旅客评判服务水平的标准，具体包括最大候车时间、最大拥挤度、最大换乘次数、最大延误的期望值。不同服务水平的期望受到影响因素的影响程度不同，仅靠单个因素不能体现其真实值，因此应考虑期望值的主要影响因素，如拥挤度的最大能容忍差异主要是受职业和收入因素的影响。

服务水平期望=主要相关因素的影响权重×不同i因素下加权后的期望值

即：

式中：

uk——k指标服务水平期望；

βj，k——k指标服务水平受j因素影响的权重；

μj，k——从j因素的角度k指标服务水平期望值；

αij——第i种j因素的旅客占高铁旅客的比例；

μij，k——第i种j因素的旅客的k指标服务水平加权均值。

为显化旅客的换乘特征，对旅客对服务水平的感知与可接受程度进行了调查，就“你到或离开此高铁站时选择公交、出租车、小汽车能忍受的最大候车时间、最大拥挤度、最大换乘次数、最大延误”的问题进行了调查。

1.2.3.1 拥挤度

在3种衔接交通方式中，出租车、小汽车基本不存在拥挤状况，因此本文的统计分析仅针对公交车。问卷将车内拥挤度划分为车上有空位、没座位但空间宽敞、没座位但空间较拥挤和很难挤上车4个等级，分别用0、1、2、3来表示。统计得到不同职业和收入水平的旅客对于选择交通工具时最大能忍受的拥挤度。职业方面：商务人员、教师、技术人员对是否有座位敏感性较高；10%的教师、技术人员，以及15%的商人无法忍受车内没有座位。收入方面：收入水平在2 000元以下的24%的能容忍等级为2，而4 000元以上的能容忍等级为2或3的比例很低。综合考虑几种职业的人群，求得每种职业能忍受的拥挤度的加权均值及不同收入水平最大能忍受的拥挤度加权值，如表2、3所示。

表2 每种职业最大能忍受的拥挤度的加权均值

表3 不同收入水平的旅客对服务水平的期望值

通过加权平均法求得不同职业及按收入水平的最大能忍受的拥挤度分别为1.16和0.877。运用SPSS软件求拥挤度期望水平与职业和收入水平的相关性，由于这几个数据都属于分类变量，采用Spearm相关系数拟合的方法，得到拥挤度与收入水平、职位的相关性系数分别为-0.217和0.287，量纲一化取权重分别为0.43和0.57。计算后得到拥挤度期望值为1.04。

1.2.3.2 换乘次数

由于出租车和私人小汽车都不需要换乘，因此下面的统计分析仅针对公交车。对于换乘次数，不同收入的乘客差异明显。将最大能忍受的换乘次数划分为4个等级，分别用换乘0、1、2、3次来表示。经统计，收入水平≤6 000元的旅客最大能忍受的换乘次数都大于等于2次，而30%～40%收入≥8 000元的旅客不能忍受乘坐公交车还需要换乘。综合考虑几种收入的人群，得到各收入水平最大能忍受的换乘次数的加权值，如表3所示。计算后得到旅客平均最大能忍受的换乘次数为1.23次。

1.2.3.3 候车时间

由于选择私人小汽车不需要候车等待，故下面的统计分析仅针对公交车与出租车。

（1）公交车候车时间：不同收入及出行目的的旅客其对候车时间的敏感性差异较大。高收入乘客对时间更敏感，公务出行或上学等对时间敏感性强的要求候车时间短。因此，分别计算上述两个方面，得到不同收入水平（见表3）及不同出行目的（见表4）的旅客最大能忍受的公交车候车时间的加权值。经计算，得到不同收入水平及出行目的高铁旅客最大能忍受的候车时间分别是9.56 min和13.4 min。运用SPSS软件分析得出相关性系数分别为0.29和0.146，量纲一化后权重为0.67和0.33。最后得到高铁旅客对公交车的最大能忍受候车时间为10.8 min。

表4 不同出行目的的旅客对服务水平的期望值

（2）出租车候车时间：对于出租车，乘客对候车时间的敏感性高于公交车，总体以0～10 min为主要可接受的范围。73%收入超过8 000元的乘客，预计可接受的候车时间为5 min，仅50%的打工人群能忍受15 min以上。计算得出按各出行目的和收入水平可接受的出租车候车时间的加权平均值（见表3、4）。根据出行目的及收入水平，由公式计算得到旅客对出租车候车时间的期望值分别为8.5 min和6.54 min。相关性系数分别为0.252和0.327，量纲一化各自权重为0.44和0.56，由公式计算得到高铁旅客对出租车的最大能忍受候车时间为7.64 min。

1.2.3.4 延误时间

（1）公交延误时间：乘客对公交车延误的感知差异源于不同的出行目的，而收入因素对其影响不大。高铁旅客能忍受的延误时间集中在10～15 min，70%以上的公务人员旅客不能忍受延误超过15 min。不同出行目的旅客最大能忍受的公交车延误时间的加权值如表3所示。由公式计算可得公交车延误水平期望值为13.24 min。

（2）出租车延误时间：出租车的延误主要与道路路况和交通不稳定有关。调查结果显示乘客对出租车的延误容忍度更低，60%以上公务人员要求出租车的延误在5 min以内。不同出行目的旅客最大能忍受的出租车延误时间的加权值如表3所示，由公式计算得延误水平期望为8.8 min。

通过上面分析得到了高铁旅客选择换乘方式时对各服务水平指标的期望值（见表5），体现了旅客对拥挤度、换乘次数、候车时间、延误时间等最大能忍受的平均水平。该结果将作为构建效用函数和Logit模型的重要参考。

表5 不同衔接交通方式选择时的服务水平期望值

2 模型建立与求解

2.1 Mixed Logit模型

Mixed Logit从形式上为Logit模型的积分形式，其选择概率可看成Logit模型选择概率的加权平均值，其表达式如下：

式中：

Vni——第i种交通方式的效用函数；

β→——随机变量，可以服从正态分布、对数正态分布；

f（β→｜θ）——反映喜好性随机分布的密度函数。

Mixed Logit模型各特性变量的权重由反映喜好性随机分布的密度函数决定其待估参数，不像上面的Logit模型是一个固定值，而是符合一定分布的一个向量，这种分布体现了不同旅客喜好性特征。其中分布函数可以是正态分布、对数正态分布、均匀分布、三角分布，各种分布各有其优缺点，但目前常用的是正态、对数正态、三角分布，常根据具体情况对分布函数做出选择。在模型计算中选择的依据是根据逻辑、经验以及具体的实际数据做出选择，例如时间、费用的参数估计必然是负值，在这基础上迭代到最大似然最大的情况为最优解。

2.2 改进的效用函数

大多研究在分析时选择的主要影响因素为出行费用及时耗，在此本文将高铁旅客对候车时间、舒适性等体现服务水平的因素考虑进来，但这些因素不是高铁旅客选择时的必然考虑因素，仅仅当提供的服务水平低于一个难以忍受的值的时候才考虑进来，这里将这个值定义为服务水平的期望。

改进的选择枝i的表达式为：

式中：

xi1、xi2、xi3——分别表示交通方式i时的出行费用、出行时耗、是否携带大件行李；

xi4、xi5、xi6、xi7——分别表示交通方式i时的拥挤度、换乘次数、候车时间、延误服务水平；

u（xi4）、u（xi5）、u（xi6）、u（xi7）——高铁旅客对i交通方式的拥挤度、换乘次数、候车时间、延误水平等服务水平的期望值；

θi1、θi2、θi3、θi4、θi5、θi6、θi7——分别表示交通方式i时的出行费用、出行时耗、是否携带大件行李、拥挤度惩罚值、换乘次数惩罚值、候车时间惩罚值、延误惩罚值指标的未知参数。这些未知参数不是一个固定值而是反映各旅客喜好特征的随机分布函数。

2.3 模型求解

Mixed Logit模型的表达式表明选择概率的表达式是非显性的，因此无法使用解析法进行求解，而且当特性变量的维数超过二维时，其积分计算将变得特别复杂，因此宜采用适应性强且易操作的极大似然估计法。

3 拟合结果

3.1 分担率结果对比分析

分析结果（见表6）表示，高铁站各交通方式分担率拟合值与调查值的相对误差保持在5%以内，公交车和出租车的拟合值比调查值偏大，而小汽车的偏小。从误差水平看，公交车和出租车的拟合效果很好。由于该站无地铁换乘，而公交车的发车间隔较大，故30.36%的旅客选择出租车换乘。这是大城市高铁站换乘的特征之一：对费用的敏感性不高，对时间、换乘灵活性要求高。

表6 不同出行方式的分担率对比

3.2 影响分担率的各因素分析

根据Nlogit 5软件分析的结果显示，其拟合性较好，得到最优的迭代结果见表7。

表7 Mixed Logit模型的参数估计结果

三角分布是单侧型的分布，例如时间、费用的值越大，效用越小，而其他的分布得出的拟定结果和实际不符。从表中可知高铁旅客选择城市交通衔接方式时出行的时间、费用是首要考虑因素。同时，结果表明旅客对时间的敏感性要高于费用，这与常规的出行选择是有些差异的，但考虑到高铁旅客的时间价值高以及公交便捷性差的特征，则可以理解。就服务水平的指标进行分析：候车时间是旅客考虑的主要因素，次之是拥挤度、换乘次数及延误。因可供选择的都是路面交通，受红绿灯、路况影响的差异不大，所以在选择时考虑延误的因素很少。根据上面的分析，若想通过提高服务水平而提高某种交通方式的分担率，主要的考虑的点是候车时间。通过候车时间的改善，可提高选择效用值。

4 结论

本文以沪杭城际铁路嘉兴南站为例，分析了高铁旅客的个人特征、出行特征及换乘特征，同时调查了旅客换乘时对各种交通方式的拥挤度、候车时间、换乘次数、延误时间的服务水平要求。选择了能弥补普通Logit模型IIA特性和喜好随机性限制缺陷的Mixed Logit模型。创新性地对模型中的效用函数进行了改进，在出行费用、时间的基础上考虑了以拥挤度、候车时间、换乘次数、延误时间为代表的服务水平的变量，当这些服务水平低于服务水平的期望值时给予一个处罚值。通过计算得出各影响因素的影响系数，可应用于高铁站客流组织管理与接驳交通运营管理，同时有利于临时公交调度方案的建立。

［1］ WINNIE D.Land use&transit integration and transit use incentives［J］.Transportation Research Board，1998，1618（1）：39.

［ 2 ］ DE C J，FERNANDEZ J E.Transit assignment for congested public transport systems：an equilibrium model［J］.Transportation Science，1993（27）：13.

［ 3 ］ SHRIVASTAV A P，DHINGRA S L.Development of coordinated schedules using genetic algorithms［J］.Journal of Transportation Engineering，2002，128（1）：89.

［4］ 彭群洁，徐良杰.铁路客运枢纽旅客离站换乘决策方法研究［J］.武汉理工大学学报（交通科学与工程版），2013（1）：192.

［5］ 王令.武广高速铁路新长沙站交通衔接规划研究［D］.长沙：长沙理工大学，2009.

［6］ 周军.高铁客运枢纽与城市交通衔接方式优化研究［D］.武汉：武汉理工大学，2013.

［7］ 李华民，黄海军.混合Logit模型的参数估计与应用研究［J］.交通运输系统工程与信息，2010，10（5）：73.

［8］ 王树盛，黄卫，陆振波.Mixed Logit模型及其在交通方式分担中的应用研究［J］.公路交通科技，2006，23（5）：88.

［9］ 杨柳.重庆轨道交通换乘衔接标准体系建设探讨［J］.都市快轨交通，2015，28（6）：115-118.

Selection of Transfer Connection between High-speed Railway Station and City Traffic Facilities

YE Yuling，CHEN Junjing，LIU Xiaoya

Currently，most of the high-speed railway stations are located far away from the city center，resulting in the difficulties of transfer connection between high-speed railway station and city traffic facilities,also in the inconvenience for passengers.In this paper,the personal characteristics,trip characteristics and transfer characteristics of high-speed railway passengers are investigated and analyzed.Based on the collected data，a model of transfer selection is proposed，which can reflect the stochastic preference of passengers.Then,the utility function of the model is improve with service level as the judging variables in the calculation，including the congestion degree，transfer time，waiting time and delay time.The results show that the improved model has higher fitting degree，and reflects the transfer behavior of high-speed railway passengers more effectively，thus providing a reference for the improvement of transfer connection.

high-speed railway station；transfer connection；service level；Mixed Logit model

U238.4；U491.1+12

10.16037/j.1007-869x.2017.11.011

First-author′s address Key Laboratory of Road and Traffic Engineering Ministry of Education，Tongji University，201804，Shanghai，China

*“十三五”国家科技支撑计划项目（2016YFB1200401）

2017-04-21）