出行区域对通勤者出行选择行为模型的影响

李纲, 成德衡，彭程

(1. 大连交通大学 交通运输工程学院，辽宁 大连 116028;2. 大连海事大学 交通运输工程学院，辽宁 大连 116026；3.中国铁路沈阳局集团有限公司沈阳北站，辽宁 沈阳 110001)*

0 引言

随着我国快速的城市化进程，社会、经济、科技、文化的发展日新月异，交通拥堵成为城市交通管理所面临的主要问题之一，尤其是工作日的通勤出行交通拥堵更为严重.交通出行方式选择行为分析是研究并解决交通拥堵的有效方法之一.它是基于效用最大化理论，采用logit形式的离散选择模型.根据其误差项服从不同的分布假设，形成了多项logit模型(Multinomial Logit，MNL)、巢式logit模型、组对logit 模型和混合logit模型等形式.

MNL 模型常用来计算各交通方式的分担率，在轨道交通、街区出行和城际间出行等方面的研究中得到了广泛的应用[1-3].同时MNL模型也常被用来对出行方式与通勤者的个体特征、家庭特征和出行特征之间的关系进行研究[4-8].并且MNL也被用来对时间价值进行量化估算[9].

在考虑出行区域对出行行为影响方面，国内外仅有少数研究涉及到区域出行行为对比分析，其中包括居民城市内和城市间的出行行为对比研究[10-11]、不同城市之间居民出行对比研究[12]和基于融合RP数据和SP数据利用巢式logit模型对城市公交走廊内不同区域的居民出行行为进行研究[13].

目前多项logit模型在居民出行方式选择研究中得到广泛应用，同时部分研究考虑到出行区域这个影响因素，但是围绕出行区域这个特定影响因素进行居民出行行为分析的深入研究仍十分有限.考虑到城市内部不同区域内的通勤出行行为的潜在差异性以及相关研究的有限性，本文以大连市居民出行调查数据为例，通过对比分析不同区域内通勤出行行为建模和不考虑不同区域的整体建模，探索捕捉居民通勤出行行为，为交通规划与管理相关工作提供更加坚实的理论基础.

1 非集计MNL模型

作为行为决策单元的个人、家庭或某种组合在一个可以选择的并且选择肢是相互独立的集合中，会选择对自己效用最大的选择肢，这一假定被称为效用最大化行为假说.该假说是非集计模型的理论基础和必须服从的前提条件.即若令Uin为个人选择选择肢i时的效用，Cn为与个人n对应的选择肢集合，则当Uin>Ujn，∀j≠i∈Cn时，个人n将选择选择肢i.以随机效用理论为基础的离散选择模型Um可以表示为

Uin=Vin+εin

(1)

式中：Uin为个人关于选择肢i的效用；Vin为能够观测到的因素构成的效用确定项；εin不能观测到的因素构成的效用随机项，反映每个个体的特性和偏好，也包括建模和观测的误差部分.

在具体形式上，效用确定项函数通常采用线性函数作为其表达形式，即

(2)

式中:Xkin为个人n的选择肢i的第k个变量值，θk为待定系数.

假设式(1)中εin和Vin相互独立，而且εin服从Gumbel分布的前提下，第n个出行者选择第i种选择肢的概率Pin为

(3)

式中：i为出行方式;In为可供选择方案的个数.

2 居民通勤出行方式建模

2.1 选择肢及影响因素的分析

本文利用大连市2011年居民出行调查数据，根据2011年大连城市的发展状况，主要考虑各行政区家庭数、人口数、行政区内调查覆盖的面积、交通基础设施建设情况、调查样本中全方式通勤出行数量等因素，本文将中山区、西岗区、沙河口区视为本研究中当时大连的核心区，将甘井子区、高新园区和旅顺口区(城区)作为本研究中的外围区.由表1可知，核心区和外围区人口密度存在显著差异(10 021和1 701 人/km2)， 可以侧面推断出两区域的公共基础设施和用地性质与分布存在显著差异，因此本研究是基于核心区和外围区为基础的分区域通勤出行行为研究.

表1 不同区域的特征统计情况

2011年大连市居民出行方式的分担比例如表2所示.私家车占14.6%，公交车占50.0%，两者合计占全方式出行的64.6%，占机动化出行的87.2%.考虑到大连市区内山地丘陵多，非机动化出行比例相对较小等特点，本文将大连市居民日常出行的两种主要机动化出行方式私家车和公交车作为选择肢，构建简易的MNL模型，即二元logit(Binary Logit，BL)模型.建模中涉及到的个人属性和出行特性等变量的处理方式如表3所示.

表2 2011年大连市全方式出行比例

表3 BL模型的变量定义

本文将大连市2011年居民通勤出行数据按照核心区和外围区划分整理成四部分数据，包括不分区域的整体数据(整体通勤)、起讫点都在核心区内的数据(核心区通勤)、起讫点都在外围区内的数据(外围区通勤)和起讫点分别在外围区和核心区内的数据(外围区-核心区通勤).基于不同区域范围的四部分数据分别建立四个BL模型，建模所用数据的基本情况如表4所示.

表4 通勤出行分区域的数据统计分析

由表4可知，整体数据中男性通勤出行比例明显大于女性通勤出行比例.在年龄方面，30～39岁的通勤出行占据首要位置占比32.8%，各年龄段内部在核心区、外围区和外围区-核心区的通勤比例均有一定的差异.

在模型所利用的职业方面，管理技术人员通勤出行的比例最大，达到通勤总数21.8%.其次是工人、公务员和教育研究人员等.在私家车拥有方面，相比其他区域出行，在核心区内部通勤出行的无车人数比例要远大于有车人数比例，可能是由于核心区人口密集，导致上下班高峰期道路较为拥堵、停车成本过高、核心区公交线网相对发达所导致的.

在公交满意度方面，公交满意度评价一般的占一半左右，说明居民对大连公交充满期待，公交服务水平有待进一步提高.

2.2 BL模型参数的标定与分析

基于不同区域的BL模型由交通软件TransCAD标定，具体结果如表5所示.通勤者个人属性、家庭属性和出行特性对通勤出行行为的影响具体分析如表5.

(1)性别对出行方式的影响

四个模型中通勤者的性别参数达到99%的显著水平，说明部分出行区域男性比女性更倾向于选择私家车进行通勤出行.同时，本次调查显示拥有驾照的男性人数远大于女性人数，从侧面反映出男性比起女性对于私家车更加偏爱.从实际的日常通勤情况看，相对于公交出行，男性比女性更注重通勤出行的时间和便捷性等，而私家车可以提供门到门服务，所以男性更倾向于选择私家车通勤出行.

(2)年龄对出行方式的影响

不同年龄段的出行者在通勤出行过程中对交通方式选择有着明显的差异.20-29岁的年龄参数均为95%的显著性揭示出这个年龄段的通勤出行者相对于年龄较高人群总体上更倾向于选择公交车出行.其原因可能在于处于此年龄段的通勤者大多数正处于事业的初始阶段，受限于收入等家庭经济因素，更倾向于选择经济上更划算的出行方式.

表5 BL模型参数估计

年龄30～39岁的通勤出行者在不同出行区域中对于私家车出行的选择表现出不同的倾向性.在核心区和外围区的年龄参数的系数皆为正值表现出这一年龄段的出行者在通勤出行中对于私家车的利用有一定的正面倾向性，但是显著性检验表明只有在核心区出行的30～39岁通勤者表现出对私家车有明显的偏爱，这从侧面揭示出相对于更高年龄段的通勤群体，处于事业快速上升期的30～39岁通勤者中，居住和工作地点均在核心区的这类通勤者对于利用私家车的通勤出行有着强烈的依赖性，核心区内发达的公交基础设施对其影响十分有限.外围区和外围区-核心区内的30～39岁年龄参数符号相反，但通勤者对于私家车的偏爱皆不显著，原因之一可能在于出行地域宽广，出行距离一般较长，私家车出行费用较高，公交优势明显等特点.

30～39岁年龄系数在整体通勤模型中显示出90%的显著性结果，与其他单独区域通勤模型都有一定的差异，并没有反映出此年龄段中各个区域的通勤特点.不考虑不同区域特点的单一通勤模型就会导致在一定程度上掩盖了30～39岁通勤者对于私家车通勤的依赖性(比如核心区内30～39岁年龄段的影响).

(3)职业对出行方式的影响

出行者的不同职业类别对通勤出行方式选择的影响具有较大差异.工人职业的出行者不受出行地域的影响具有明显的选择公交车进行通勤出行的偏好，各个BL模型中工人职业变量的99%的显著性水平证实这一特点.

各区域模型显示公务员这一类人群对通勤出行中私家车的利用有着明显的偏爱， 99%的显著性统计水平证实了这一点.教育研究人员整体上对于私家车的通勤出行没有明显的偏爱，但是核心区的教育研究人员除外.职业参数t值显示，核心区内即居住和通勤皆在核心区内的教育研究人员，对于私家车的利用有显著性的偏爱.可能的原因是这类人群工作时间更加灵活，其中的部分出行者可以有效避开高峰出行，核心区的居住和工作的地理位置的优越性暗示出其相对较高的家庭收入，并且对于机动性有较高的要求.在外围区和外围区-核心区的教育研究人员则在一定程度上体现出相反的出行方式选择倾向，但两者皆不显著.核心区和其他两个区域相反的倾向性解释了整体通勤模型在教育研究人员职业变量不显著的原因，不分区域的建立单一BL模型导致忽略了不同区域的特定职业人群通勤出行的各自特点.

管理技术人员整体上呈现出对利用私家车进行通勤出行的明显倾向性.与核心区相关的各区域出行，即外围区-核心区出行呈现出与整体出行相似的特征，显著性与整体相同，均为99%置信水平.核心区内管理技术人员对私家车的利用也呈现出一定的正面倾向性，显著性水平接近90%.外围区内的通勤特征则不同，管理技术人员对于私家车和公交车没有显著的偏好，可能的原因在于外围区内其人群组成相对更加复杂，收入水平存在更大差异，导致没有明显的出行方式选择偏好.

(4)私家车拥有量对出行方式的影响

四个BL模型的估计结果显示私家车的拥有情况不受不同出行区域的影响，对通勤出行中选择私家车出行具有重要的影响.

(5)公交车满意度对出行方式的影响

整体通勤模型显示公交满意度对于通勤出行中选择公交车具有显著性影响，但是具体到各个通勤区域显示核心区和外围区皆不显著，只有在外围区-核心区通勤中的满意度系数达到90%的显著水平.结果表明只构建不分区域的单一整体模型模拟通勤出行行为，放大了公交满意度对公交车出行选择的影响.

(6)出行时间对出行方式的影响

与以往研究一致，出行时间是通勤出行中一个重要的影响因素，本研究四个BL模型的出行时间均达到99%的显著水平，表明通勤时间对于通勤出行的作用不受出行区域的影响.

通过四个BL模型的对比分析可知，出行影响因素中30～39年龄段和职业中的教育研究人员和管理技术人员，以及公交满意度在不同区域间存在明显差异.如图1所示，不同职业不同年龄段的人员在同区域选择私家车出行比例具有明显差异性.

图1 部分影响因素下的私家车出行比例

图2显示在不同水平的公交满意度内，不同区域中利用公交车进行通勤出行的比例都存在明显的差异.

图2 不同水平满意度下的公交车出行比例

3 结论

居民通勤出行是城市居民出行的重要组成部分，并具有明显的时空分布特点.本文利用2011年大连市居民出行调查数据基于不同区域构建整体通勤、核心区通勤、外围区通勤和外围区-核心区通勤四个BL模型.通过模型对比分析进一步验证了性别、年龄、职业、私家车拥有量、公交满意度和出行时间对通勤出行有着显著的影响.其中30～39岁年龄段、教育研究人员、管理技术人员和公交满意度在不同区域内对通勤出行表现出明显的差异性.这种区域差异性体现出出行区域对于通勤出行行为产生了一定的影响，表明建立不分区域的单一通勤模型产生一定的偏差.比如，本文中整体模型掩盖了30～39岁年龄段在核心区内通勤者对于私家车利用的依赖性，放大了公交满意度对于特定区域内的出行方式选择的影响，忽视了不同区域的特定职业人群的不同通勤出行特点等.因此，分析通勤出行行为构建通勤出行模型应该考虑出行区域的影响，即便建立不分区域的单一模型时也要采取措施防止可能产生的偏差.同时，未来可以将本研究划分出行特征的方式用于其他城市居民出行调查数据进行进一步的对比验证.