基于SP调查的枢纽对外出行衔接方式选择行为

刘悦

(西南交通大学 交通运输与物流学院，四川 成都 611756)

城市的发展速度与交通的便利程度息息相关[1]。铁路客运枢纽作为交通体系中的重要组成部分，承担着对内、外交通中多种不同出行方式与铁路之间衔接的重要功能。铁路客运枢纽对外出行过程中衔接方式的快捷、经济等因素影响出行者对衔接方式的选择，同时，也会影响铁路客运枢纽对客流的吸引力与枢纽的整体效益[2-3]。本文采用选择行为调查的方式计对铁路客运枢纽对外出行(即出行者从出发地到达铁路客运枢纽)过程中，出行者对衔接方式(包括公共交通方式、出租车、网约车、私家车等)选择行为进行研究，得到出行者对不同衔接方式的选择概率，从而根据乘客需要调整交通工具的发车频率等，缓解城市交通压力。

1 枢纽对外出行衔接方式选择调查问卷

为研究枢纽出行者对外出行衔接方式选择行为，先对出行者的出行行为进行数据调查与统计，调查分为显示偏好调查(Revealed Preference,RP)与意向偏好调查(Stated Preference，SP)两类[4]。RP调查釆集出行者在现状情况下的选择结果，其调查数据只能提供有限变化的属性水平，会在建模过程中导致某些问题。SP调查则是在假定情境下调查出行者的出行选择意愿或偏好，在调查之前，调查者需先确定好研究方向，设计选择枝、属性、水平，并生成假定情境，设置问题让被调查者进行情境偏好的选择，进而将这些偏好数据集计起来进行整体评估，具有较高的灵活性[5-6]。因此，本文采用SP调查的方法，保证调查数据的准确性。

1.1 基于SP调查设计选择调查问卷

1)选择枝的设置。考虑对外出行到达枢纽的不同衔接方式，在进行问卷调查设计时设置了5个选择枝，分别为地铁、公交，出租车，私家车，网约车。

2)属性与属性水平设置。考虑不同辐射范围、不同出行时段下枢纽站衔接方式服务水平特性的变化情况，在出行者出行的高峰、平峰、夜间3个时段内，高峰期的数据表达最为显著，因此选择高峰时段的出行数据进行属性水平设置。选取行程时间、等候时间、费用3个影响因素作为属性，共需确定出行距离分别为5、10、20、30 km时，5种衔接方式的服务水平。本文只考虑单一衔接方式下，选择枝、属性、水平的组合情况，不考虑衔接方式与衔接方式的换乘。其中，出行距离5 km时，各属性水平取值如表1所示。表1中，各衔接方式的行程时间、等候时间、费用均取高峰期经验数据(表1中每个属性下的中间数据)，并在经验数据的基础上取±25%的波动，分别得到不同属性的(另2个数据)，因此，每个属性下有3个不同的水平值。

表1 出行距离5 km时各属性的水平值

运用正交设计理论和属性及属性水平选择情况，构建属性组合表，运用Ngene软件进行贯序正交设计生成SP调查出行者意愿偏好选择情境。出行距离为5 km时，运用Ngeng软件进行贯序正交设计得到12种情境，如表2所示。共有5、10、20、30 km 4种出行距离，每个出行距离有情境12种，共有情境48种。表2中的数字1、2、3(除去情境列数字)分别对应表1中各选择枝各属性的3种水平。

表2 出行方式选择情景组合

采用问卷星网络调查平台实现问卷的生成与发放。将出行调查的48种情景分成4组，每个受访者在12个情境下进行方式选择。表3为出行者个人信息调查内容。

出行衔接方式调查如表4所示。给定5种出行方式的行程时间、等候时间和出行费用，让出行者选择出行衔接方式。表3中：私家车是由家人/朋友等驾驶，对出行者的“送站”行程；私家车费用考虑往返花费；假设您从距离5 km的出发地前往铁路客运枢纽站乘车。

1.2 数据处理

2017-04-09,共发放枢纽出发旅客出行衔接方式调查问卷4套，回收问卷647份。对样本数据进行筛选,删除未通过有效性检测的问卷161份，为平衡保留情境数删除问卷6份，共167份，剩余有效问卷480份，调查问卷有效回收率为74%。

表3 出行者个人信息调查

表4 衔接方式调查

整理调查问卷，将数据分别录入个人基本信息表、出行衔接方式选择表中，形成模型基础数据库。

为方便模型参数标定，需要对采集的数据进行初步整理与分析。调查样本个人社会经济属性统计如表5所示。调查样本中本市居民214人，占总样本数的44.58%，非本市居民266人，占总样本数的55.42%。

表5 调查样本个人社会经济属性统计

由表5可知：

1)调查样本中男性占42.5%，女性占57.5%，男女比例接近1：1，基本符合当前城市居民的出行比例。

2)职业分布非学生层中企业职员所占比例最高，为36.79%;公务员、教师、事业单位职员、自主创业者、离退休人员和自由职业者分别占6.25%、7.92%、6.25%、4.58%、5.63%和8.54%，共计76.04%。

3)月收入主要集中在3 000元及以下和>3 000～6 000元两个区段，分别占40.42%和42.08%。

4)样本中本市居民与非本市居民所占比例基本均衡，分别为44.58%和55.42%。

1.3 枢纽对外出行衔接方式选择模型的建立

枢纽对外出行衔接方式选择行为受到多种因素的制约，在对衔接方式选择行为概率进行建模时，应考虑影响出行者衔接选择行为的各因素的影响程度，即各因素效用的影响[7-9]。因此，应建立不同选择枝、不同属性的效用函数，并依据效用的作用原理，建立枢纽对外出行衔接方式选择模型。

为进行模型的求解与分析，应对模型进行参数标定。MNL模型具有逻辑性强的优点，可用较少的样本标定出模型参数，并且具有较强的时间和空间转移性，广泛应用于交通领域的预测分析中，因此，选择MNL模型来标定问卷所得数据[10-12]。

假设受访者n在选择情景s下选择选择枝j的总效用为Unsj，总效用一般由两部分组成，固定效用Vnsj和随机效用εnsj，则选择枝的效用函数

Unsj=Vnsj+εnsj

，

假设每个随机效用εnsj项彼此独立且同分布，同时，第j个选择枝相对应的随机效用项的分布函数g(εj)服从一类极值分布(εj为第j个选择枝相对应的随机效用项)，则在选择枝集合Jns中第j个选择枝被选择的概率

(1)

影响对外出行各个选择枝的属性变量如表5所示，主要包括衔接方式常量、衔接方式特性变量和旅客特性变量[16-18]。考虑利用最大似然法对非集计模型中的参数进行参数估计，需要先定义某一选择方案为基准[19-21]，以此基准与其他方案进行对比，因此本文选择地铁作为参照水平，其他选择方案均与其进行对比，设置地铁常量为零，其他4种衔接方式常量与地铁对比产生。表6中X1j～X7j分别为行程时间、等候时间、公交费用、地铁费用、出租车费用、私家车费用、网约车费用，其对应的待估参数分别为β1～β7；A1j～A4j分别为性别、年龄、个人月收入、是否本市居民，其对应的待估参数分别为β8～β11；C1j～C4j分别为公交车、出租车、私家车、网约车的常数项。

表6 对外出行各个选择枝的属性变量

由以上分析可知，受访者n在选择情景s下选择选择枝j的固定效用

则受访者n在选择情景s下选择公交车、地铁、出租车、私家车、网约车的概率分别为

1.4 模型参数标定

借助NLogit软件，用非集计模型中的MNL模型进行参数标定。得到各属性的显著性如表7所示。表7中的***、**、*分别代表参数值显著性为1%、5%、10%水平，系数值无*号的代表该属性不显著[22-25]。显著性参数值可用于模型计算，不显著参数值不可用于计算。

表7 各属性的显著性

2 算例

选取成都市天府软件园作为目的地，测算出行者从该地出发选择不同衔接方式到达成都东铁路枢纽站的概率。

为了使数据结果更显著，按照出行特征分析部分问卷设置，选取天府软件园高峰期出行数据。

结合铁路客运枢纽对外出行衔接方式选择行为模型(式(1))，带入数据，求解得到天府软件园至成都东客站各衔接方式的选择概率，如表8所示。

由表8可知：天府软件园至成都东客站的枢纽对外出行衔接方式选择中，出行者选择公共交通的概率较高，其中，选择地铁衔接方式的出行者最多，占比56.39%；选择公交车和网约车的概率较高，出租车次之，私家车所占比例最低。模型求解结果与旅客实际出行衔接方式选择行为相符。

表8 成都东客站各衔接方式选择概率

3 结论

1)枢纽对外出行过程中，出行者对衔接方式的选择行为受到衔接方式行程时间、等候时间、费用综合因素的影响，同时又受到出行者个人社会经济属性的制约。

2)运用SP调查设计方法设计出行衔接方式选择问卷，更有利于捕捉出行者的选择行为偏好。利用MNL模型对问卷调查结果进行参数标定，并建立对外出行衔接方式选择模型，可操作性、可解释性高。

3)结合算例结果可知，枢纽出行者对外出行衔接方式选择过程中，出行者选择公共交通的衔接方式所占比例较大，尤其是选择地铁的出行者，占据比例超过50%。因此，在未来的城市交通规划过程中，对公共交通工具进行提速和提升发车频率，改变乘客的行程时间、等候时间、费用等，对缓解城市交通压力将有重大作用。