基于非集计模型的居民出行方式选择行为研究＊

殷焕焕 关宏志 秦焕美 刘 彤 巩丽媛

（北京工业大学交通工程北京市重点实验室1） 北京 100124） （济南市公共交通发展研究院2） 济南 250031）

对居民出行方式选择行为的研究，国内不少学者在这方面进行了广泛的研究.马喜昌［1］在分析各种出行方式特点的基础上，建立了居民出行决策指标体系，根据确定和不确定两种环境分别建立了居民出行方式决策模型.陈星光［2］通过分析居民出行方式的相互影响，对交通出行方式的博弈和演化过程进行了分析，运用演化博弈理论研究出行方式选择的时间演化规律，建立了单总体出行方式演化博弈模型.黄树森［3］结合北京市居民出行方式选择的总体情况，对影响居民出行方式选择的因素进行了分析，并提出了北京市交通系统结构优化的建议.陈团生［4］根据北京市居民出行调查数据，利用非集计理论和方法构建的老年人出行选择行为模型，从源头上分析了影响老年人出行选择行为的个人、家庭社会经济背景等因素，并对老年人出行选择行为进行预测.刘炳恩［5］利用2003年北京居民出行调查数据，对影响居民出行方式选择的因素进行了分析，选择包括公交车、出租车、私人小汽车等在内的5种日常生活中较为常用的交通方式作为居民出行的方式选择肢，确定了影响居民出行方式选择的特性变量及相应的取值方法，建立了交通方式选择MNL模型.本文将根据2009年济南市居民出行调查数据，对城市居民出行方式选择行为进行分析.利用非集计理论和方法构造城市居民出行选择ML模型，解释各种因素对城市居民出行选择行为产生的影响.

1 出行方式选择行为初步分析

从2009年济南市居民出行调查结果可以得到，选择步行出行的比例最大，达到了34%.选择公交出行的比例达到24%，成为仅次于步行出行的第二大出行方式.此外，选择自行车、电动车和小汽车出行的比例均较大，各为13%、12%和9%.选择出租车出行的比例较低，为1%.

1.1 不同出行目的所采用的出行方式选择分布

本文根据出行的弹性程度可以把居民的出行分为通勤出行和弹性出行这两种类型.

通勤出行是指上班、上学等不能改变出行目的地及出行时间的出行，此种出行居民的出行需求刚性大，根据调查结果显示：济南市居民通勤出行比例达到71%，居民出行方式选择较易确定，从图1可以看出，通勤出行时居民采用公交车出行的比例最高，为27%.自行车、电动车和小汽车等出行方式所占的比例相差不大，各为14%、13%和10%.

弹性出行是指出行时间、出行目的地等易发生变化的购物、娱乐、探亲访友以及其他出行等.居民的弹性出行与其出行意愿、费用、交通基础设施建设水平等多个因素相关，其中任何一个因素的变化都有可能使居民的出行方式选择产生变化.从图1可以看出，相对于固定出行，弹性出行时居民更倾向于选择步行出行，出行比例达到47%.选择公交出行的比例较固定出行有所降低，为20%.

图1 不同出行目的下的出行方式选择分布

1.2 不同出行距离所采用的出行方式选择分布

从图2可以看出，当出行距离≤1km时，居民选择步行出行的比例高达82%，步行在短距离出行时占有绝对的优势.当出行距离为1～5km时，居民选择步行出行的比例迅速减少到22%，此时居民开始转向选择自行车、电动车和公交车出行.

图2 不同出行距离下的出行方式选择分布

可以看出，对于出行距离在1km以内的出行，居民较倾向于选择非机动车出行.对于出行距离超过1km的出行，居民出行将逐渐转向选择公交车、小汽车等机动车出行方式.

2 ML模型的基础理论

2.1 模型的构建［6－7］

根据随机效用理论，不同的出行方式会对出行者产生某种效用，出行者在特定条件下选择其所认知的出行方式选择中效用最大的方案.假设出行者n的出行方式选择方案集合为An，选择其中第i种出行方式的效用函数为

式中：Vin为非随机变化部分（固定项），即由可观测到的特性变量计算的固定项；εin为随机变化部分（概率项），即不能观测到的其他因素的影响及已有变量的偏差引起的随机项.

效用函数项的具体形式，可以由一种或多种函数形式表达.考虑到结果分析和系数标定时的方便，假设Vin与特性向量Xink呈线性关系，即

式中：Xink为居民n的选择第i种出行方式的第k个变量值；θk为待估计参数.

根据效用最大化理论，出行者n从An中选择出行方式i的条件为

则出行者n选择第i种出行方式的概率Pin为

定义＝max（Vjn＋εjn），则有

假设服从参数（0，1）的二重指数分布

根据2个独立二重指数分布的概率变量的差服从Gumbel分布的性质，可推导出城市居民出行方式选择行为的ML模型一般形式为

2.2 参数标定

为了对参数θ进行标定，设样本数为N，δin为概率变量.若δin＝1，则个体n选择第i种方案；否则δin＝0.ML模型的似然函数为

其对似然函数L为

对待估计参数求偏导，则有

求解似然函数L极大时的估计值θ，则可以对出行方式选择模型的参数进行标定.

3 居民出行方式选择模型

3.1 选择的确定

为了使出行方式选择模型能够尽可能准确地模拟出行者的判断过程，根据2009年济南市居民出行调查结果，本文选择包括步行、自行车、电动车、公交车、出租车、私人小汽车和单位班车等在内的7种日常生活中较为常用的交通方式作为居民出行的方式选择.

3.2 影响变量选择

综合数据初步分析和相关性分析的结果，从调查数据中筛选出与出行选择行为密切相关的影响因素，确定个人属性、家庭属性以及出行特性三部分变量作为效用函数的影响因素.并采用t检验来确定各变量对选择结果的影响程度，如果影响程度较小，则去除该变量，保留影响程度较大的变量构建模型，得到最终代入模型的变量如表1所列.

表1 代入模型变量设置情况

按照对居民出行方式选择结果有影响的变量构成的ML模型进行参数估计，即可得到城市居民出行方式选择模型.

3.3 模型的标定结果

利用TransCAD软件中的方式划分模块，可以标定出效用函数中未知参数的值，如表2所列.将各种出行方式的效用函数代入上述式（7）计算可以得到居民选择各种出行方式的概率.

3.4 模型的精度分析及评价

从模型的精度分析来看，ρ2为0.638，¯ρ2为0.637，该模型能够较好地描述居民对出行方式的选择行为，构建模型所选定的影响因素会影响居民对出行方式的选择结果.

根据模型标定结果，结合标定参数所用的样本数据，进行居民出行方式选择概率的非集计预测，可粗略计算出模型预测各种出行方式选择概率的平均值（Est），将其与调查样本的实际方式选择比例（Obs）对比如表3所列.

从表3可以看出，模型与实际情况的吻合度较高，能够较全面地考虑居民出行选择的各方面影响因素，尤其是将出行者的个人特性影响因素引入模型，可以提高模型的实用性和预测精度.

表2 模型的标定结果

表3 模型预测值与实际观测值对比表

4 结 束 语

本文结合2009年济南市居民出行调查数据，运用非集计方法建立居民出行方式选择ML模型，并对模型进行了标定与有效性验证.结果表明：该模型能够明确地反映出影响济南市居民出行方式选择的各种影响因素，所建模型可行且具有较高的预测精度和实用性.应用此模型可以对影响城市居民出行方式选择的可控影响因素进行引导和调整，达到优化交通方式结构的目的，以期为解决城市交通结构性拥堵提供可行的实施方案.

［1］马昌喜，文娟娟，李创红，等.大城市居民出行方式决策方法研究［J］.交通运输工程与信息学报，2009，7（2）：33－38.

［2］陈星光，周 晶，朱振涛.城市交通出行方式选择的演化博弈分析［J］.管理工程学报，2009，23（2）：140－142.

［3］黄树森，宋 瑞，陶 媛.大城市居民出行方式选择行为及影响因素研究［J］.交通标准化，2008（9）：124－127.

［4］陈团生，岳 芳，杨玲铃，张 萌.老年人出行选择行为影响因素研究［J］.西南交通大学学报：社会科学版，2007，8（5）：17－21.

［5］刘炳恩，隽志才，李艳玲，等.居民出行方式选择非集计模型的建立［J］.公路交通科技，2008，25（5）：116－120.

［6］姚丽亚.基于非集计模型的轨道交通客流需求预测方法研究［D］.北京：北京工业大学交通工程北京市重点实验室，2008.

［7］关宏志.非集计模型－交通行为分析的工具［M］.北京：人民交通出版社，2004.