新冠肺炎疫情下居民出行方式选择行为分析

魏丽英，刘鲁建

（北京交通大学 交通运输学院，北京 100044）

2019年突发的新型冠状病毒肺炎（Corona Virus Disease 2019，COVID-19）是近百年来人类遭遇的影响范围最广的全球性大流行病，人类生命安全面临重大威胁.新型冠状病毒感染的肺炎传播途径主要为直接传播、气溶胶传播和接触传播.因此人员密度大，流动快且空气不流通的地方往往会增加感染的风险.由于公共交通的车站和车辆具有密闭性高、人流量大、接触率高等特点，具备了传播新冠病毒的客观条件.已发现很多感染者是在公共交通场所等待、中转或在乘坐公共交通的过程中与其他感染者接触而导致交叉感染.因此研究新冠肺炎疫情下居民出行方式选择行为具有重大意义.

既有文献中，出行者的个人属性对交通方式选择的影响研究较为广泛，但对突发公共卫生事件下的居民出行方式选择的影响研究较少.Klöckner等［1］利用Logit模型研究居民出行时间、花费等因素对不同消费者私家车出行的影响.Mcfadden等［2］提出随机参数Logit模型，在克服模型中各可选项独立不相关（Independent and irrelevant alternatives，IIA）缺陷的同时，更为准确地解释了出行者出行方式选择行为.李虹慧［3］探究了城市群范围内居民城际出行行为，根据乘客心理潜变量等因素构建结构方程模型，并与多项Logit模型相结合建立混合选择模型.张晨阳［4］在探究居民短距离出行方式选择的过程中，引入潜在变量，建立了SEM-Logit模型.范爱华［5］在研究出行方式选择的过程中，考虑了异质性的交通干预对交通方式选择的影响.Zou等［6］在考虑个人属性、出行特征、交通拥堵等因素下，利用贝叶斯学习和基于主体建模（Agent-Based Model，ABM）等方法，探究出行方式选择和出发时间选择.

在针对公共卫生事件下居民出行方面，邹昊誉［7］利用MNL回归模型分析疫情防控背景下客观环境和个人属性对居民出行方式选择的影响.胡三根等［8］利用Nested Logit模型主要从出行者个人属性和出行特征两方面分析了疫情不同阶段下居民出行方式选择行为.杨省贵等［9］利用结构方程模型分析研究新冠肺炎疫情后旅客的安全感知对乘机出行意愿的影响机理，根据影响因素提出相应的应对措施.李洁［10］基于纽约市居家人口数据、出行数据和多种交通方式客流量数据，运用因子分析方法分析新冠肺炎疫情对纽约市交通出行的影响.石京等［11］基于计划行为理论和收益-风险分析构建结构方程模型，分析疫情后居民休闲出行意愿的影响因素和影响机制.谢驰等［12］提出了一套以现有资源与技术为基础、适应疫情防控特殊要求的综合城市交通系统与出行活动管控框架与措施.此外，亦有学者研究了新冠肺炎疫情对公共交通出行［13］、运行［14］、老年人公交出行［15］的影响.

本文旨在深层次分析疫情对居民出行方式选择的影响，明确像新冠肺炎疫情这类突发公共卫生事件下居民的出行方式结构，为公共卫生事件下出行者出行方式的决策和相关部门针对疫情防控提供参考依据.

1 居民出行数据调查

根据国家卫生健康委员会发布的新冠肺炎确诊数据，国务院新闻办公室发布的《抗击新冠肺炎疫情的中国行动》白皮书［16］中将疫情传播分为疫情初期（2019年12月27日 至2020年1月19日）、暴 发 期（2020年1月20日至3月10日）、平稳期（2020年3月11日至今）3个阶段.

为收集居民在疫情不同阶段下出行方式选择的影响因素数据，以问卷的形式在北京市展开抽样调查.问卷内容包括出行者的个人属性、家庭属性、疫情不同阶段下的出行特征、疫情风险感知属性等.调查项目及其人数占比情况详见表1和表2.通过网上调查和现场问询相结合的方式共收回问卷1 320份，其中线上问卷730份，纸质版问卷590份，有效问卷合计1 290份，样本量足以支撑本文的研究［17］.

表1 基本属性统计情况Tab.1 Statistics of basic attributes

表2 疫情不同阶段下基本属性统计情况Tab.2 Statistics of basic attributes at different stages of the pandemic

2 混合Logit模型的原理及适用性

效用与效用最大化理论是非集计模型的理论基础［18］，效用函数是采用离散选择模型解决问题的关键.效用是选择肢带给决策者的好处，是决策者经过对时间、距离、安全等多方面综合考虑之后做出的某项决策所获得的一种满足感.

因出行者在出行方式选择过程中对信息的考虑是不全面的，导致出行效用不能完全被观测到，所以随机效用理论视效用为一个随机变量，分为固定效用（可观测效用）和随机效用（不可观测效用）两部分.效用函数为

式中：Uij为出行者i选择出行方式j所获得的总效用，j为步行、自行车或电动车、小汽车、公交车或地铁；Vij为出行者i选择方案j的效用函数中的固定项；εij为随机效用（不可观测效用），包含难以观测到的效用和观测误差产生的影响；βi为出行方式选择影响因素的系数向量；xij为选择方式的影响因素集.

交通方式的多样化为出行者在选择过程中提供多重选择.北京市目前主要有步行、自行车、电动车、小汽车、公交车和地铁6类交通方式，选择肢大于2个，可建立多项Logit模型（Multinomial Logit Model，MNL）.模型假定随机项服从独立分布，一般采用最大似然估计方法进行估计［19］，计算简单.MNL模型选择概率的一般形式为

式中固定效用（可观测效用）函数Vij可用简单的线性形式表示为

式中，ASC为替代常数项，解释无法观测的属性对选择结果的影响.

多项Logit模型的解释变量只包含个人属性，具有非相关选择方案相互独立特性，即当剔除或增加被解释变量的一个类别时，被解释变量中的其他变量被选择的概率不会受到影响，然而在疫情下交通方式选择过程中这个假设是与现实情况是不符的.疫情下居民出行方式选择较为复杂，在分析研究中不能考虑所有因素以及各因素对出行方式选择的交互影响，从而导致已纳入模型的各因素作用效果对居民出行方式选择的影响不够具体和全面，即各因素对选择方式的异质性无法体现.而混合Logit模型的解释变量包含个人属性，也包括随方案而变的属性，其效用函数的参数是随机的且服从一定的分布规律，可以考虑出行者之间的异质性，还可以处理选择方案之间的相关性和面板数据相关性等.所以本文采用混合Logit模型分析不同疫情阶段下居民出行方式选择的影响因素.

混合Logit概率是标准Logit概率在参数密度上的积分，表示为

式中：f(βi|θ)为系数向量βi服从多元正态分布的概率密度函数；θ为均值为0，协方差矩阵为单位矩阵的随机项，服从标准多元正态分布，用以表征未观测的异质性；Lni(βi)是基于系数向量βi的Logit概率，表示为

固定效用（可观测效用）函数Vni可用简单的线性形式表示为

式中：xni为出行方式选择的影响因素集；εni为误差项.i=1，2，3，4分别为步行、自行车或电动车、小汽车、公交车或地铁，本文以“步行”为基准变量；n=1，2，…，N，N表示调查问卷样本数.

3 模型分析

3.1 参数设定

考虑新冠疫情传播特点，根据各种交通方式的通风效果以及在使用过程中人流的聚集情况，本文将出行方式选择方案分为4类：步行（y1）、自行车或电动车（y2）、小汽车（y3）、公交车或地铁（y4）.依据表1和表2中所列的调查项目及内容，形成14个被调查居民的个体特征自变量，其中个人属性：性别（x1）、年龄（x2）、职业（x3）、月收 入（x4）、有无驾照（x5）；家庭属性：有无小汽车（x11）、共同居住人口数（x7）；出行特征：出行目的（x6）、出行距离（x8）；感知属性：疫情防护的了解程度（x9）、疫情防控政策的了解程度（x10）；行为意向：某时期对某类交通方式的倾向程度（x12）；选择态度：因某交通方式具有人群、物体接触率低而被选择的比重（x13）、因某类交通方式的防疫措施较为严格而被选择的比重（x14）.出行费用（z）随着方案变化而变化，本文将其设置为随机变量.

3.2 多重共线性检验

为避免各个解释变量之间存在线性关系，在统计学中采用方差膨胀系数（Variance Inflation Factor，VIF）来衡量多元线性回归模型中多重共线性的严重程度.对疫情3阶段下的数据分别分析，得出各自变量在不同时期之间的线性关系，见表3.由表3可知，各自变量对应的VIF值都小于5，且平均方差膨胀系数也都小于2，表明各自变量之间不存在多重共线性问题.

表3 多重共线性检验情况Tab.3 Multicollinearity test

3.3 回归分析

使用Matlab软件对收集数据进行面板化处理，在Stata16.0软件中，利用cmset命令对面板数据设置变量属性，调用cmmixlogit命令进行混合Logit回归.模型输出结果包括以步行为基准组，各因素对自行车或电动车、小汽车、公交或地铁3类交通方式的影响情况，如表4所示.当P值小于0.05时，表明在5%的水平上拒绝原假设，回归系数显著.估计系数的实际意义不容易解释，为直观表示其实际意义，通常将其指数化得到胜算比（Odds Ratio，OR），表征选择某一种交通方式的概率与选择基准组（步行）概率的比值.其中OR＞1，呈正相关；OR＜1，呈负相关；OR=1，不相关.

基于Stata软件，计算赤池信息准则（Akaike Information Criterion，AIC）、贝叶斯信息准则（Bayesian Information Criterion，BIC）来评价模型的拟合优度，指标相对较小的模型拟合结果较好，如表5所示.结果表明，混合Logit模型与多项Logit模型拟合效果区别不大，但混合Logit模型的拟合优度整体略优于多项Logit模型.

表5 混合Logit模型与多项Logit模型拟合结果对比Tab.5 Comparison of fitting results of mixed Logit model and multinomial Logit mo

3.4 边际效应分析

由表4可知，疫情阶段不同，出行距离（x8）和疫情风险感知变量（x9和x10）对交通方式选择的影响程度也不同.故有必要进一步探求自变量变化对因变量变化的影响作用.当其他变量取得均值时，计算这3个变量的预测边际值，如表6所示.如在疫情不同阶段，出行距离最大预测边际值及其对应变量分 别 为3.299（5～10 km）、2.983（＞10 km）、3.148（5～10 km），即较长距离对交通方式选择影响最大.

表4 疫情不同阶段下影响因素估计结果Tab.4 Estimated results of influencing factors at different stages of the pandemic

表6 边际效应预测值Tab.6 Predicted value of marginal effect

为进一步了解疫情风险感知变量（x9和x10）能否调节出行距离（x8）与交通方式选择（y）之间的影响关系，在回归模型中分别加入疫情防护的了解程度（x9）、疫情防控政策的了解程度(x10)和出行距离的交乘项，如表7所示.处理变量、调节变量、交乘项的系数以及显著情况的变化，能够反映调节变量对因变量的边际效应受处理变量的影响程度.如疫情初期，疫情防护的了解程度（x9处理变量）和出行距离（x8调节变量）的回归系数值分别为0.862和0.496，二者交乘项的回归系数值为-0.121，表明疫情防护的了解程度能够调节出行距离对交通方式选择的边际效应.同理，疫情平稳期，变量x10和变量x8的回归系数显著为负，交乘项的系数显著为正，表明疫情防控政策的了解程度可以很好地调节出行距离对交通方式选择的影响作用.

表7 疫情不同阶段下变量交乘项的调节效应Tab.7 Moderating effects of variable cross-products at different stages of the pandemic

为更好地量化感知属性对出行距离与交通方式选择之间的影响关系，当感知属性变量取不同值时，计算出行距离对交通方式选择的边际效应，如图1所示.

由图1（a）可知，疫情初期，随着出行者对疫情防护了解程度的提高，出行距离对交通方式选择的边际效应逐渐降低，即疫情防护的了解程度和出行距离的交乘项对交通方式选择的边际效应成反向调节.主要原因为在这一阶段，出行者对疫情防护的了解程度不高，对交通方式选择的影响作用较小.由图1（b）可知，疫情平稳期，随着出行者对疫情防控政策了解程度的增加，出行距离对交通方式选择的边际效应逐渐增大，表明疫情防控政策的了解程度越高，调节出行距离对交通方式选择的影响作用就越大.

图1 感知属性与出行距离交乘项对交通方式选择的影响作用Fig.1 Effect of perception attributes intersection and travel distance on transportation mode choice

4 影响因素分析

4.1 疫情初期

1）自行车或电动车出行的影响因素分析.

由表4可知，出行者的性别（x1）、年龄（x2）、职业（x3）、出行目的（x6）、共同居住人口数（x7）、出行距离（x8）的显著性P值均小于0.05，对选择自行车或电动车的影响显著.结合表4中的胜算比，可知各因素对选择自行车或电动车出行的影响分别是对步行出 行 影 响 的0.199倍、0.290倍、0.599倍、1.960倍、0.608倍、27.320倍，即性别、年龄、职业、共同居住人口数对选择自行车或电动车的影响呈负相关（OR＜1），出行目的、出行距离对选择自行车或电动车的影响呈正相关（OR＞1）.出行距离的影响程度最大，其次为出行目的、共同居住人口数、职业、年龄、性别.结合表1和表2中各变量赋值情况，可以说明男性更愿意骑自行车或电动车出行；年龄越大，骑自行车或电动车出行的意愿越低；学生更倾向于选择步行出行；出行目的为探亲访友的更倾向于选择自行车或电动车出行；出行距离越长，自行车或电动车受欢迎程度越高.

2）小汽车出行的影响因素分析.

出 行 者 的 性 别（x1）、月 收 入（x4）、有 无 驾 照（x5）、出行距离（x8）、疫情防护的了解程度（x9）、有无小汽车（x11）对选择小汽车出行的影响显著.各因素对选择小汽车出行的影响分别是对步行出行影响的0.030倍、19.860倍、0.271倍、203.992倍、2.965倍、39.116倍.在同等环境下与步行相比，男性比女性更倾向于选择小汽车出行；出行者出行距离越大，小汽车出行比步行出行的优势越大；月收入越高，越喜欢选择小汽车出行；有小汽车的人更容易选择小汽车出行.

3）公交或地铁出行的影响因素分析.

出行者的年龄（x2）、职业（x3）、月收入（x4）、出行目的（x6）、出行距离（x8）、疫情防护的了解程度x9对选择公交车或地铁的影响显著.各因素对选择公交车或地铁出行的影响分别是对步行出行影响的0.568倍、0.582倍、2.341倍、2.546倍、112.106倍、3.141倍.从结果中可以看出：相比于步行出行，出行距离越大，选择公交车或地铁出行的胜算比就越大；以探亲访友为目的的出行对公交车或地铁的影响较大.企业职员更愿意选择公交车或地铁出行；出行者对疫情防护的了解程度对选择公交车或地铁的影响显著.

4.2 疫情暴发期

1）自行车或电动车出行影响因素分析.

与疫情初期相比，性别、职业、出行目的对居民选择自行车或电动车出行的影响不再显著，主要原因为北京市采取严密的防控措施，除一线人员上下班外，绝大多数企业停工停产或员工居家办公；居民出行频率减少，出行目的比较集中，多为购置生活必需品.月收入对选择自行车或电动车出行的影响呈正相关显著，即出行者月收入越高，选择自行车或电动车出行的意愿就越强.

2）小汽车出行的影响因素分析.

与疫情初期相比，出行者的年龄、职业、有无驾照、有无小汽车对选择小汽车出行的影响不再显著，原因主要是交通管制严格，居民出行距离短，出行活动少等；出行者对票价的要求变低，愿意花费更高的价钱选择防控效果较好的小汽车出行.性别、年龄、共同居住人口数对选择小汽车出行的影响分别是对步行出行影响的0.367倍、0.476倍、0.584倍，都呈负相关显著.表明男性相较于女性，更喜欢选择小汽车出行；年龄越大，选择小汽车出行的意愿越低；共同居住人口数越多，越倾向于选择小汽车出行.

3）公交或地铁出行的影响因素分析.

与疫情初期相比，出行者的年龄、职业和出行目的对公共交通选择的影响不再显著，原因为正值春节，全国疫情形势严峻，居民出行活动减少，大多居家过节.为避免交叉感染，出行者选择公共交通出行的意愿较低，如有驾照的出行者更不倾向于选择公共交通出行.

4）潜在因素分析.

与步行相比，疫情感知属性变量、行为意向变量、选择态度变量在疫情暴发期对自行车或电动车、小汽车、公交车或地铁这3类交通方式的选择的影响都呈负相关显著.结果表明：出行者对疫情防护和防控政策越了解，安全意识越强，选择步行的可能性就越大；交通方式的倾向性方面，相比于其他3类交通方式，步行的胜算比最大；出行者更愿意选择人群接触率低，防疫措施较为严格的交通方式出行，而步行在所有交通方式中，自主可控性强，被选择的可能性高.

4.3 疫情平稳期

1）自行车或电动车出行的影响因素分析.

除疫情感知属性变量、行为意向变量、选择态度变量对选择自行车或电动车的影响显著外，其他显著因素和疫情初期一致，但各因素的胜算比变化明显，影响程度不同，如在疫情初期和平稳期，年龄（x2）的胜算比分别为0.396和0.170，表明年龄对选择自行车或电动车出行的影响逐渐减小.

2）小汽车出行的影响因素分析.

与疫情初期相比，影响因素基本相同，但影响程度变化明显.如疫情初期，月收入和有无小汽车对选择小汽车出行的影响是对选择步行出行影响的19.860倍和39.116倍，而在疫情平稳期，月收入和有无小汽车对选择小汽车出行的影响是对选择步行出行影响的93.505倍和214.175倍.疫情防护的了解程度（x9）对选择小汽车出行的影响不再显著，因为在这一时期，北京市疫情得到有效防控，居民防护意识普遍较强，交通方式选择趋于多样化.

3）公交或地铁出行的影响因素分析.

在疫情初期影响因素的基础上，共同居住人口数（x7）对选择公交或地铁的影响呈负相关显著，表明共同居住人口数越多，选择公共交通出行的意愿就越低.除此之外，出行者对交通工具的防疫措施（x13）要求变高，要求程度越高，就越不倾向于选择此类交通方式出行.

4）潜在因素分析.

在本阶段，选择态度变量对交通方式选择的影响显著，且影响程度变大，表明出行者在出行过程中的安全担忧表现明显，对交通方式的人群接触率和防疫措施的严格程度要求较高.如关于交通方式防疫措施是否严格（x14）这一选择态度变量，在平稳期对选择小汽车和自行车或电动车的影响呈正相关显著，表明相对于步行而言，出行者更倾向于选择防疫措施较好的交通方式出行.

在上述分析的基础上，本文从出行者的感知属性和出行距离这两个可控因素出发，针对疫情防控提出如下建议：

1）疫情初期，疫情防护的了解程度（x9）和出行距离（x8）对交通方式选择的影响成正相关显著.所以相关部门应做好疫情防护宣传工作，严格执行防控要求，加大对公共交通长距离出行的有效管控，适时采取区间车、大站快车等形式，确保车内乘客数量适中.

2）疫情暴发期，由表6可知，出行距离中最大预测边际值为2.983，对应变量为“大于10 km”，表明长距离出行对交通方式选择影响较大.相关部门应加强对出行距离的管控，避免长距离出行.私家车出行方面，相关部门可以鼓励并推行“合乘”出行模式，同单位、同小区、同办公楼的出行者可以实行“私车合乘”的模式，达到疫情有效防控［20］.在网约车管控方面，应严格落实日常消毒工作，借助打车平台，实现乘客可追溯.

3）疫情平稳期，出行者对疫情防控政策的了解程度仍然不高，最大预测边际值为3.242，所对应的变量为“了解程度一般”.且出行者对疫情防控政策的了解程度能够有效调节出行距离对交通方式选择的边际效应，所以相关部门有必要加大防控政策的宣传力度.在日常防疫消毒、加强通风、测温进站上车的基础上，在增加运力的同时，适时科学地延长车辆的运营时间，实现人流快速疏散.

5 结论

1）分别建立混合Logit模型和多项Logit模型分析疫情不同阶段下居民出行方式选择的影响因素.结果表明混合Logit模型的拟合优度优于多项Logit模型，可以更好地揭示疫情不同阶段下居民的出行特征.此外，混合Logit模型可以解析各因素对交通方式选择影响的交互性，具有广泛的应用前景.

2）从疫情初期、暴发期和平稳期3个阶段系统分析了居民出行交通方式选择的影响因素，发现居民出行方式结构变化明显，主要表现为：①疫情初期，居民的个人属性、家庭属性和出行特征对居民出行交通方式选择的影响较大，感知属性、行为意向和选择态度变量对交通方式选择的影响较小.②疫情暴发期，与疫情初期相比，感知属性、行为意向和选择态度变量对交通方式选择的影响变大，个人属性、出行特征和家庭属性对交通方式选择的影响减弱，如相比于步行出行，出行距离对自行车或电动车、小汽车、公交车或地铁影响的胜算比分别从27.320、203.992、112.106变化为4.642、13.762、16.721.③疫情平稳期，除疫情感知属性、行为意向、选择态度变量对交通方式选择影响显著外，其他显著因素和疫情初期基本一致，但各因素的胜算比变化明显，影响程度不同，如在选择自行车或电动车出行的影响中，疫情初期和平稳期年龄的胜算比分别为0.396和0.170，年龄对选择自行车或电动车出行的影响逐渐减小.

3）进一步分析了疫情风险感知变量对出行距离与交通方式选择之间的影响关系的调节作用，在回归模型中分别加入疫情防护的了解程度、疫情防控政策的了解程度和出行距离的交乘项，在计算这3个变量预测边际值的基础上，进一步探求了自变量变化对因变量变化的影响作用，发现当感知属性变量取不同值时，出行距离对交通方式选择的边际效应呈不同的变化趋势，表明疫情阶段不同，疫情感知属性对交通方式选择的调节作用也不同.

4）本文虽研究了疫情不同阶段下居民出行方式选择的影响因素，探讨了疫情感知属性变量对交通方式选择边际效应的调节作用，但仍存在需要丰富和完善的地方：①调查方式需优化.每位被访者需要同时回答疫情3个阶段下的问题，这可能造成不同场景之间的互相影响，从而影响结果的鲁棒性.②疫情传播阶段划分需细化.本文根据疫情的传播速度和疫情防控政策将疫情传播划分了3个阶段，但根据目前疫情的传播发展情况，仍需对疫情阶段进行更为细致的划分，更全面地分析不同疫情阶段下居民的出行特点，进而得到更为准确的疫情防控资料.③交通方式划分需细化.本文根据北京市现有交通方式，将城市交通划分为步行类、骑行类、小汽车类和公共类4类.因分析数据要求较多，过程较为繁琐，未能将交通方式进行更为细致的划分.如根据疫情传播情况，仍可以将骑行类交通再细划为个人拥有类和共享类两类，小汽车类交通还可划分为私家车和共享车两类等.