基于多源问卷数据融合的公铁货运方式选择模型研究*

2022-08-25金方磊

铁道经济研究 2022年4期

金方磊，刘畅，陈涛

（1、2中国铁路经济规划研究院有限公司博士、助理研究员,北京 100038;3中国铁路沈阳局集团有限公司助理工程师,辽宁沈阳 110000）

0 引言

运输结构调整是以习近平同志为核心的党中央部署推动的重大决策，是打好污染防治攻坚战、打赢蓝天保卫战的重要环节。特别2021年以来，我国在国际上郑重承诺，在2030年前企业、团体或个人在总体上实现“碳达峰”，在2060年前实现“碳中和”，这对交通运输行业的结构调整提出了新的要求。

交通运输结构的不合理主要体现在公路承担了过多的大宗货物运输。国家环境保护城市大气复合污染成因与防治重点实验室一项研究显示，目前，京津冀、长三角和珠三角公路货运量分别占到各地区货运总量的84.5%、60.6%和76.0%。2017年，铁路、公路的单位货物周转量能耗比是1∶4.2。形成鲜明对比的是，电气化铁路货运的污染物排放接近于零。因此，调整交通运输结构，引导货运由公路转向铁路，可使主要污染物排放总量大幅减少，生态环境质量总体改善，绿色发展水平明显提高，人民的蓝天幸福感逐步增强。

要实现“公转铁”的目标，不仅要依靠硬性的政策指标进行约束，还要用柔性的价格政策引导货主主动选择铁路进行运输，特别是针对市场性较强的白货运输。通过制定相关的铁路价格浮动政策或运价补贴政策等，可以增强铁路在货物运输市场的竞争力，提高铁路货运的市场分担率，从而促进“公转铁”政策的实施效果。而制定价格政策的基础是研究铁路货运方式选择机理，掌握运价变化对方式分担率的敏感性。

于雪峤等[1]构建了基于广义费用的大宗货物运输分担率模型，在广义费用中考虑了运输成本与运输时间，并进行了敏感性分析；刘洪海[2]提出了“公转铁”运输中的价格策略建议；谢旭申[3]、林婉婷[4]对“公转铁”政策的实施效果进行简要分析，从定性的角度分析了现有问题并提出了解决方向；吴琴等[5]建立减排效果测算模型，分析了港口集疏运“公转铁”的减排影响；刘浩等[6]构建了混合Logit模型研究白货运输在公路和铁路之间的市场份额，分析了货运时间价值随空间的变化特征，建模数据采用与RP(Revealed Preference)数据关联的SP(Stated Preference)数据，但其本质依然是SP数据，可能存在模型参数标定结果的偏差。从既有研究综述可以看出，公转铁政策实施不足5年，有针对性的研究较少。目前，由于公转铁政策首要解决的是大宗货物的运输需求转移问题，因此针对集装箱白货的研究较少。此外，较少研究从定量角度探究“公转铁”货运方式的选择机理，缺乏关键参数标定的研究。从理论方法角度，既有研究基于SP问卷数据建模，其结果可能存在偏差。

因此，本文重点研究铁路货运方式选择行为机理，探究影响因素对运输方式选择的影响，以及这些因素间的权衡关系，为铁路价格政策制定奠定基础。从方法上，本文构建离散选择模型，基于问卷调查数据对模型参数进行标定。问卷数据采用SP和RP数据融合的方法，能够在一定程度上消除SP问卷数据的调查偏差。

1 “公转铁”现状分析

2018年4月，中央财经委员会首次提出“公转铁”概念，明确要求调整运输结构，减少公路运输量，增加铁路运输量；同年6月，国务院印发《打赢蓝天保卫战三年行动计划》，对“公转铁”的目标进行了拆解；随后，国铁集团发布的《2018—2020年货运增量行动方案》中，提出到2020年，全国铁路货运量达到47.9亿t，较2017年增长30%。

图1展示了2013—2019年全国各地区铁路占公铁货运发送量比例，可以看出，自2018年开始，铁路市场份额呈逐步回升的趋势，2019年全国铁路市场份额回升到11.33%，可见“公转铁”政策取得了一定的效果。

2019年，全国铁路货运发送量达到43.2亿t，其中，国铁货运发送量为34.3亿t，相较于2017年的国铁货运发送量的29.2亿t，增长了17.4%。从表1中可以看出，“公转铁”政策实施后，主要调整了传统大宗货物的运输结构，能源类、冶炼物资、建材类货物为国铁货运发送量的主要增长点，而涉农类以及其他类白货增长幅度仅在5%~6%。此外，集装箱品类发送量大幅提高，由于敞顶箱的推广，大量传统大宗货物使用集装箱进行发送，集装箱发送量较2017年增长88.6%。

表1 “公转铁”政策实施前后情况对比

然而，2019年相较于2017年国铁货运发送总量增长5.1亿t，在此增量中，能源类、冶炼物资、建材类占比约96%，涉农类、其他类白货仅占比约4%（将集装箱入箱货物按箱内实际品类进行归类统计）。因此，为实现扩大铁路的市场份额、降低碳排放等目标，应进一步采取措施吸引白货货主选用铁路进行运输，提高铁路在白货运输市场中的竞争力。

2 建模数据收集

2.1 问卷调查方法

为分析铁路货运方式选择行为机理，本文需对货主货运方式选择偏好进行调查，从而获得离散形式的选择偏好数据。传统调查方法以RP调查和SP调查为主，RP调查是对客观存在已完成的选择性行为进行记录，而SP调查主要是面向假设条件下，了解选择主体如何在设定的选择情境下进行选择。RP和SP调查各具优劣[7]，其中，RP调查能够准确地掌握被调查者真实的选择偏好，但无法探究选择场景变化条件下被调查者的选择偏好；而SP调查能够探究不同条件下的选择偏好，这些偏好数据往往是较难获取或选择场景尚不存在的，但由于选择场景是假定的，其调查结果往往出现偏差。

本文拟探究的铁路货运方式选择行为机理的关键环节是价格变化条件下的选择偏好，因此SP问卷调查方法能够较好地适用于本文。在既有文献中，SP问卷主要应用于客运相关的选择偏好研究，如方式选择[8]、路径选择[9]等，而鲜有文献利用SP问卷研究货运方式选择偏好。其原因在于：（1）调查难度较大，客运SP调查的被调查者为旅客，而货运SP调查的被调查者为货主或运输企业，其样本较难获得；（2）由于铁路货物运输往往受政策影响较大，因此在调查选择结果时容易出现偏差。因此，本文调查方法考虑到SP调查在铁路货物运输方式调查的缺陷，以RP问卷调查作为辅助，在处理建模数据时将SP数据与RP数据融合，从而提高模型的精度。

2.2 问卷设计

考虑到白货在货运增量中占比较小，且由于目前煤炭和上水矿石等大宗货物主要依赖铁路进行运输，同时受“公转铁”政策影响，对运输价格的变化相对不敏感，因此，本次调研重点在于集装箱白货。

在RP调查部分，为掌握实际的货运方式选择偏好，问卷要求被调查者面向单次运单，记录3~5个实际运输案例，包括运输品类、起讫点、运量，并分别记录铁路与公路的运输路径、运距、费用构成、实际运输时间以及最大可接受的运到时限，最终在铁路和公路中标记被选择的运输方式。

在SP调查部分，问卷设置了多场景下的运输方式选择问题，以探究不同影响因素对运输方式选择的影响。被调查者需要基于实践经验针对每种情景做出相应判断选择。在设计问卷时，主要考虑公路与铁路之间的竞争关系，并分距离别进行问卷设计。在服务水平（LOS）因素选取方面，除了传统的运输时间、运输费用以外，还应考虑其他因素对运输方式选择的影响。特别是面向当前现状下没有实现的一些因素，如补贴、信息化、最初/最后“一公里”解决措施等，需要设置假想条件下的服务水平，从而预估政策实施或技术手段提升后，铁路公路的市场份额变化。最后基于正交设计对选择方式的服务水平进行组合，具体如表2所示。

表2 SP问卷服务水平设置

2.3 调研实施

为获取较为准确的问卷数据，本次调研深入各路局及相关货运企业。具体实施方法：以不同区域各路局为单位，由各路局在其管内掌握的货主与货运企业库中完成抽样，各路局邀请10~30家企业，确定调研企业后，由路局帮助协调组织座谈会，进行现场调研。在分发问卷后，针对问卷目的、调研设计进行讲解，指导各位企业代表完成问卷填写。

3 模型构建

本文基于离散选择模型基本框架，选择MNL（Multinomial Logit）模型进行研究。具体效用函数形式如下[10]：

式中：Uin为被调查者n选择方式i的效用，Vin为效用固定项，εin为效用随机误差项，服从二项指数分布。

由于建模数据的多源性，SP数据与RP数据具有不同的尺度，即效用函数中的误差项方差存在如下关系[11]：

式中：μ为平衡系数。

为能使SP数据与RP数据融合，须以RP数据为基准，利用平衡系数对SP数据进行修正，得到效用函数如下[11]：

式（3）和式（4）分别代表RP数据和SP数据的效用函数，Xin、Win、Zin为效用函数的变量，β、α、γ为待标定参数。结合问卷调查设计，在本文中RP数据模型主要考虑运输时间、运费；SP数据模型除了考虑运输时间、运费外，还考虑了结算方式（先运后付或先付后运）、短驳方式（上门取货或自理）、运输距离哑元。

既有研究中针对RP/SP数据融合标定离散选择模型时，大多采用分步骤的标定方法，这种方法往往忽略了分步骤标定所带来的误差。为使SP数据与RP数据模型能够同时标定，本文以NL（Nested Logit）模型的基本形式[12]，构建如图2所示的巢式结构：

图2 基于RP/SP数据融合的离散选择模型结构

因此，SP数据部分MNL模型公式为[13]：

此外，考虑到SP调查中样本抽样存在偏差，在模型标定时，参考调研区域货运企业性质、运量水平、运输结构等因素，对照样本特征分布，考虑每条样本数据的扩样系数。最后，模型采用极大似然估计法对模型进行标定。

4 模型结果及分析

本文以南部地区（西南、中南地区）和华北地区集装箱白货运输为例进行分析。模型参数标定结果如表3所示：

表3 模型参数标定结果

从表3中可知，对比模型1和模型2，模型1的拟合优度比为0.28，模型2的拟合优度比为0.36，均大于0.2[14]，说明采用RP/SP数据融合的模型具有更好的模型精度。平衡系数为1.67，代表SP数据模型中的效用随机误差项的方差要大于RP数据模型[8]。这说明，不能直接将RP数据与SP数据简单融合构成模型输入数据，而需采用本文方法进行参数标定。若平衡系数值为1左右时，RP数据与SP数据模型尺度相差不大，则可以简化将两数据源直接融合。因此，基于RP/SP数据融合的离散选择模型标定方法能够提高模型精度，使参数值更具解释性。

以模型2为例进行说明。影响因素的t值绝对值均大于1.96，说明模型中考虑的影响因素均对集装箱白货运输选择行为产生影响，在95%的置信水平以上认为模型标定的结果具有可信度，符合统计学的检验标准。针对影响因素进行分析可以发现，时间与费用的参数值为负，符合实际情况，说明每增加1单位的时间或费用会对效用产生负的影响，从而使得货主不倾向于选择时间长、费用大的运输方式。基于时间与费用的标定参数值计算时间价值，南部地区集装箱白货货运企业的平均时间价值为每日692.98元/箱。考虑到问卷中设计的箱型为40英尺大柜，每箱可装货物重量约为20 t，因此，时间价值相当于34.65元/t。先运后付的结算方式和上门取货短驳方式标定系数为正，说明当铁路货运服务能够实现先运后付和上门取货时，有利于提高铁路货运的被选择概率。铁路方式哑元表示未反映在模型中的其他变量对方式选择行为的综合影响，其标定结果为负，说明在集装箱白货运输时，货主不倾向于选择铁路进行运输。从距离变量的标定结果可知，当运输距离大于1 200 km和2 000 km时，模型参数为正，说明相比于公路运输，铁路在长距离运输时具有一定的优势。

对比南部地区与华北地区模型结果可知，华北地区集装箱白货货运企业的平均时间价值为每日643.68元/箱，低于南部地区，可见南部地区经济较为发达，货主和运输企业对白货的时间价值较高。假设南部地区有一单货物为10箱，综合考虑存放的成本、货主的时间约束性、其他机会成本等，从货主的心理感知及运输偏好角度，货物晚运到1天相当于损失6 930元。这说明白货具有高附加值，在运输时往往有着更为严苛的时效性约束，与实际情况吻合。