考虑出行者异质性的到达机场方式选择行为研究

潘义勇,王心悦,蒋冠宇,魏双秋

(南京林业大学 汽车与交通工程学院, 南京 210037)

0 引言

近年来,我国城市化进程发展迅速,城市化进程的发展使各城市之间的经济文化交流更加紧密,各区域人口的迁徙更加频繁,机场客运出行需求日益增加。由于机场建设要求的特殊性,我国大部分城市机场距离城市较远,因此出行者需要选择其他交通工具到达机场。地铁、机场大巴、出租车作为到达机场的3种主要方式,各有优势和劣势,而影响出行者选择倾向的主客观因素较多,包括出行者社会特征、对不同交通方式的感知、个人健康状况、行李数量等。

在传统出行行为选择研究中,多使用离散选择模型,其中传统的多项Logit模型、条件Logit模型使用较多,但是此类模型存在不相关替选方案独立性缺陷。为克服传统离散模型的IIA问题,同时为了考虑出行者的异质性,部分学者根据混合Logit模型中混合分布可以是离散的特性,提出了潜类别Logit模型[1],该模型常用于心理学及经济学中,假设人群可以划分为具有不同心理特征的离散群体,在选择行为上具有随机偏好差异。潜类别Logit模型能够在不需要实现假设参数的分布形式的情况下,解释群体层面的异质性[2]。

国内外学者对潜类别以及潜变量在出行方式选择方面进行一定的研究,刘志伟等[3]利用潜类别Logit模型分析出行者出行选择偏好的异质性和无人驾驶汽车对出行选择行为的影响。卢德佑[4]基于出行者的心理潜变量和出行者的异质性,利用潜类别Logit模型分析出行者对服务质量的要求等主观感知对公交出行方式选择的影响。陈建冰[5]考虑出行者对交通工具特性的要求、主观评价以及通勤条件,基于潜类别Logit模型研究出行者出行方式选择行为。Nguyen等[6]利用离散选择模型,研究越南河内地区个人住宅周围人口密度、土地混合用途等建筑环境对出行者出行行为的影响。Yu等[7]采用潜类别Logit和路径分析模型的混合建模方法,考虑异构影响效应,揭示了碰撞发生与微观交通流变量之间的因果关系。大多数学者展开相关研究只考虑交通方式舒适性、可靠性等潜在心理因素,较少考虑出行者的心理状态以及心理疲劳程度对选择的影响。

针对以上问题,本文采用意向调查(stated preference,SP)和行为调查(revealed preference,RP)相结合的方法[8],获取出行者的社会特征、心理疲劳感知,使用潜类别Logit模型研究其对机场到达方式选择的影响。通过调查获取出行者的社会特征、个人心理状况,对出行者心理状态进行评估,对比分析混合Logit模型及潜类别Logit模型,然后对模型参数及边际效应进行分析,总结研究成果及下一步研究方向。

1 基础模型

1.1 潜类别模型

潜类别Logit模型是由混合Logit模型演变而来,混合Logit模型是一种几乎可以近似任何一种随机效用模型的模型,其选择概率表达为:

(1)

Lni(β)为在参数β上计算得到的Logit概率,因式(1)中混合分布f(β)可以是离散的,假设β可取M个值,分别记为b1,b2,…,bM,相应的取值概率为sm,m=1,2,…,M。此时混合Logit模型变为潜类别模型[9],潜类别模型的选择概率为:

(2)

假设有N个决策者,每个决策者面临T个选择场景,每个选择场景有J个选项,若决策者n对于某个选择场景t,选择第j个选项,则向量表示为xnjt,对于每个选择场景,一个决策者做出一系列选择的条件概率为:

(3)

(4)

综上所述,潜类别模型的具体形式[10]表示为:

(5)

采用AIC和BIC2个指标评估模型的拟合优度,通常情况下,AIC和BIC指标定义如下:

(6)

式中:k为模型参数个数;n为样本数量;ln(L)为似然函数。AIC和BIC值越小,模型拟合度越高[10]。

1.2 结构方程模型

结构方程模型(structural equation modeling,SEM)是一种建立、估计和检验因果关系模型的方法。该模型可以替代多重回归、通径分析、因子分析、协方差分析等方法,分析单项指标对总体的作用和单项指标间的相互关系。

结构方程主要包括3个矩阵方程式,其中式(7)、式(8)被称为测量模型,式(9)被称为结构模型。

X=Λxξ+δ

(7)

Y=Λyη+ε

(8)

η=Β·η+Γ·ξ+ζ

(9)

式中:X表示外在指标变量向量;Y表示内在指标变量向量;Λx表示外在指标变量在潜变量上的因子载荷矩阵;Λy表示内在指标变量在潜变量上的因子载荷矩阵;ξ、η分别表示外在潜变量向量和内在潜变量向量;δ、ε分别表示外在指标变量和内在指标变量的误差矩阵;Β表示内在潜变量间的路径系数矩阵;Γ表示外在潜变量和内在潜变量间的路径系数矩阵;ζ表示残差向量。

2 数据调查

设计调查问卷对出行者信息进行调查,调查问卷内容包括出行者社会属性特征和相关出行行为特征。调查地点设置在南京禄口机场,该机场位于城市郊区,年旅客吞吐量达到3 000万人次以上。在调查期间共580人接受调查,经筛选保留527份调查结果。表1列出了模型估计中包含的主要解释变量统计信息。

表1 模型估计中所包含变量的统计信息

第二部分调查出行者心理状况,其中包含内在属性量表及心理状态量表。内在属性变量属于潜变量,设置相关指标问题项,包括感知风险(perceived risk,PR)、情绪反映(emotional reflection,ER)、态度反映(attitude reflects,AR)、感知便捷(perceived convenience,PC),采用李克特(Likert scale)五级计分法,1～5代表非常不同意至非常同意,量化出行者心理状况,内在属性量表如表2所示。

表2 内在属性量表

调查的第三部分为出行者心理状态调查,参考驾驶者疲劳驾驶、运动疲劳及心理学等方面文献及调查问卷[11],采用心理状态量表(profile of mood states,POMS)对出行者的心理状态进行评估。POMS需要被调查者在每个形容词后的5种选择中选出一项最符合实际情况感受的选项,包括几乎没有、有一点、适中、相当多、非常地5种量度,每个量度的计分为0～4分。该量表从紧张、疲劳、慌乱、抑郁、愤怒、精力、自尊感7个维度评定出行者心理状态,表3列出了各维度表征词汇。

心理状态总分评分方式如式(10)所示,得分等于5个消极情绪得分之和减去2个积极情绪(精力、自尊感)得分之和,分数越高则心理状态越差,即心理疲劳感越强。

score=∑negative-∑positive

(10)

调查的第四部分为针对出行者到达机场交通方式选择的陈述性偏好调查,问卷中提供3种交通方式选择:地铁、机场大巴、出租车。情景设计由步行距离(wl)、出行时间(tt)、出行费用(rc)组成,将上述属性级别组合,产生100个不同的出行场景,每位被调查者接受5个场景,在假设情况下进行选择。

表3 心理疲劳各维度表征词

3 数据分析与模型结果

3.1 数据的信效度分析

使用信度检验检测数据的一致性程度,确保调查数据能够真实反映预期目标及具有分析价值。Cronbach’s Alpha系数可反映一致性程度,系数越大表示信度越高,一般Cronbach’s Alpha系数在0.7以上代表问卷数据价值可以接受,该系数计算方法如下所示:

(11)

式中:k为潜变量对应的指标变量数;stt为潜变量对应的指标变量的标准差;stv为潜变量对应的指标变量的协方差。信度检验结果如表4所示,内在属性变量Cronbach’s Alpha系数均大于0.7,结果表明心理状态量表的整体信度可以接受[12]。

表4 内在属性潜变量的信度检验结果

通常使用效度检验检测内在属性量表的可靠性,效度检验包括KMO、Bartlett球形检验和因子分析两部分。当KMO检验值大于0.6时,表明潜变量对应指标变量间的相关性高[13]。表5为KMO和Bartlett球形检验的结果,其中,KMO检验值为0.793,大于0.6,利用SPSS进行Bartlett球形检验的结果显示Sig<0.05(即p<0.05),说明符合标准,数据呈球形分布,各个变量在一定程度上相互独立。

表5 KMO和Bartlett球形检验结果

3.2 结构模型分析

出行者选择某种出行方式出行受到外在属性变量和内在属性变量的共同影响,心理疲劳度无法直接测量,需由外在属性变量及内在属性指标表示。使用多指标多因果模型(multiple indicators and multiple causes,MIMIC)假设外在属性变量均对内在属性变量产生影响,内在属性变量可解释指标变量,该模型在结构方程模型的基础上将可测量的外在属性变量引入,以建立外在属性变量于潜变量的联系[14]。图1为该模型心理决策结构。

图1 心理决策模型结构

使用AMOS计算模型拟合优度,拟合优度评价指标包括RMSEA、CFI、TLI、SRMR,其中SRMR为标准化残差均方根,其值小于0.08时,模型拟合优度较高[15]。模型拟合优度如表6所示,RMSEA、CFI、TLI、SRMR均达到理想标准,表明模型拟合效果良好。

表6 模型拟合结果

MIMIC模型中的结构方程使用解释性外在属性变量和线性关系解释潜变量η的差异,本文模型使用性别、年龄、收入、BMI、私家车拥有状况、大件行李携带状况、是否独自出行来识别潜变量的变化,方程如下:

η*=Βη*+ΓAge1ξAge1+ΓAge2ξAge2+ΓGenξGen+

ΓInc1ξInc1+ΓInc2ξInc2+ΓBmi1ξBmi1+

ΓBmi2ξBmi2+ΓCarξCar+ΓLugξLug+

ΓAloξAlo+ζ

(12)

式中:η*表示任意潜变量;ΓGen表示外在潜变量性别的路径系数,其他类似;ξGen表示外在潜变量性别的向量,其他类似;Β表示内在潜变量间的路径系数矩阵;ζ表示随机误差项。结构方程包含解释变量与潜变量的路径关系,路径系数越高,表明变量间的相关性越强。根据解释变量与潜变量的路径系数量化潜变量,以达到更好解释潜变量的效果,判断各路径的影响程度。

3.3 潜类别Logit模型分析

潜类别Logit模型需确定潜类别数,假定将被调查者划分为2～6个类别,在正式估计前进行多次模拟,根据AIC值和BIC值确定合适的潜类别数,如表7所示。AIC和BIC值是模型拟合优度的指标,一般值越小表明模型的拟合优度越高。当类别为3时,AIC和BIC最小,因此选择样本分为3个类别。

表7 各类别的模型AIC和BIC

将样本数据分成3个类别,建立潜类别Logit模型,3个潜类别人数分别占比36%、48%、16%。根据每一类群体心理疲劳评分均值分别命名为低度心理疲劳型出行者、中度心理疲劳型出行者、高度心理疲劳型出行者,如表8所示。

表8 出行者类型区分

分别对数据总体进行潜类别Logit模型和混合Logit模型回归分析,回归系数如表9所示。对比潜类别Logit模型和混合Logit模型对数似然值和预测准确率,结果表明,潜类别Logit模型的对数似然值为-1 377.21,预测准确率为60.8%;混合Logit模型的对数似然值为-1 496.38,预测准确率为55.9%,因此对比混合Logit模型,潜类别Logit模型具有更好的模型拟合优度。

表9 潜类别Logit模型回归系数及混合Logit模型回归系数

对比上述模型结果,d1、d2分别为是否为地铁、机场大巴的虚拟变量,低度心理疲劳型出行者的d1显著大于0且d2不显著,该群体为地铁偏好群体;中度心理疲劳型出行者的d1、d2均显著小于0,d2大于d1,则该群体为机场大巴偏好群体;高度心理疲劳型出行者的d1、d2均显著大于0且差距较大,则该群体为出租车偏好群体。

混合Logit模型的回归系数均显著小于0,而对于低度心理疲劳型出行者,出行费用rc的回归系数显著大于0,表明改变出行费用对该群体的出行选择行为具有正向影响;对于中度心理疲劳型出行者,乘车时间tt的回归系数显著小于0,表明乘车时间对该群体具有负向影响,增加乘车时间会降低该群体选择公共交通出行的意愿;对于高度心理疲劳型出行者,大件行李数量lm的回归系数显著大于0,表明改变大件行李数量对该群体的出行选择行为具有正向影响。

出行者社会属性特征对样本类别划分的影响显著程度如表10所示,高度心理疲劳型出行者作为基准参考类别,设置该类别各系数为0。其中Age1、Inc1、Bmi1、Car、Lug在5%的置信水平对低度心理疲劳型出行者产生显著影响;Gen、Age1、Inc1、Lug、Alo在5%的置信水平对中度心理疲劳型出行者产生显著影响。Age1、Inc1、Lug对两类群体均有显著影响。

分析Age1、Inc1、Lug对出行者类别划分的影响,图2为三类群体的占比状况,从年龄方面看,25岁以下的出行者中地铁、机场大巴偏好群体的占比分别为62%、24%;25岁以上出行者中地铁、机场大巴偏好群体的占比分别为33%、45%,表明年长的出行者偏好选择机场大巴,且更易出现心理疲劳现象,其中中度心理疲劳型出行者的概率显著增加。收入方面,月收入低于5 000元的出行者是机场大巴偏好群体的概率为46%,表明低收入群体更可能是机场大巴偏好者;携带大件行李的出行者是机场大巴、出租车偏好群体的概率分别为30%、41%,表明当出行者携带大件行李,会增加其选择机场大巴或出租车的概率。因此出行者在选择出行方式到达机场存在较大的异质性,为鼓励出行者选择公共交通,针对不同的偏好群体应采取不同的政策。

表10 出行者特征对类别的影响

图2 变量对潜类别的影响

根据模型结果分析出行者心理潜变量对出行方式选择的影响,在低度心理疲劳出行者类别中,感知风险(PR)、情绪反映(ER)显著且系数为负,表明随着出行者对于感知风险的提高,相对于高度心理疲劳出行者类别,出行者成为低度心理疲劳(地铁偏好群体)的概率降低,类别一中PR的几率比为:exp(-0.742)≈0.48,ER的几率比为:exp(-0.870)≈0.42,表明相对于高度心理疲劳出行者群体而言,当出行者的PR增加1个单位,出行者属于地铁偏好群体的几率比会降低48%;当出行者的ER增加1个单位,出行者属于地铁偏好群体的几率比会降低42%。在该类别中,态度反映(AR)、感知便捷(CP)显著且系数为正,其中AR的几率比为:exp(0.637)≈1.89,CP的几率比为:exp(0.511)≈1.67,即相对于高度心理疲劳出行者而言,当出行者的AR、CP增加1个单位,出行者属于地铁偏好群体的几率比分别增加89%和67%。类别二中PR、ER均显著且系数为负,其中PR的几率比为:exp(-0.705)≈0.49,ER的几率比为:exp(-0.783)≈0.46,即对于高度心理疲劳出行者群体而言,当出行者的PR增加1个单位,出行者属于机场大巴偏好群体的几率比会降低49%;当出行者的ER增加1个单位,属于机场大巴偏好群体的几率比降低46%。因此出行者的感知风险及情绪反映程度,对出行者选择地铁或机场大巴等大运量公共交通具有显著影响。

4 结论

1) 相比混合Logit模型,潜类别Logit模型具有更好的拟合优度。

2) 航空出行者具有异质性,根据出行者心理疲劳调查,将出行者分为低、中、高度心理疲劳型出行者,分别占比36%、48%、16%,低、中、高度心理疲劳型出行者分别对应地铁偏好群体、机场大巴偏好群体、出租车偏好群体。

3) 出行者选择到机场方式的偏好受性别、年龄、收入、是否携带大件行李、是否独自出行等特征的显著影响,心理潜变量对出行者的出行方式选择具有显著影响,随着出行者心理疲劳程度的增加,出行者有更大的概率选择机场大巴或出租车。因此市内公共交通提供者可通过识别航空出行者的特征,提供针对性服务,以提高出行者满意度。

4) 在低度心理疲劳出行者群体中,感知风险(PR)、情绪反映(ER)显著且系数为负,每增加1个单位,出行者属于地铁偏好群体的几率比分别降低48%、42%;态度反映(AR)、感知便捷(CP)显著且系数为正,每增加1个单位,出行者属于地铁偏好群体的几率比分别增加89%和67%;中度心理疲劳出行者群体中PR、ER均显著且系数为负,每增加1个单位,出行者属于机场大巴偏好群体的几率比分别降低49%、46%。