通勤者出行链类型与出行方式选择的相互影响

王孝坤，饶秋丽，唐春艳，葛颖恩

（1.大连交通大学 经济管理学院，辽宁 大连 116028；2.江苏省交通科学研究院股份有限公司，南京 210017；3.大连理工大学 交通运输学院，辽宁 大连 116024）

1 引 言

城市商务中心区通常是城市交通流和人流最为集中的区域，也是城市交通拥堵最为严重的地方[1].相对于其它出行而言，通勤出行具有明显的规律性，当固定时间、固定方向上的出行流日益增多，并过于集中时就会形成通勤高峰[2].由于城市空间的扩张和出行目的的多元化，人们为追求一天中所有出行效用的最大化，倾向于将多次出行以链的形式结合起来[3,4]，选择适当的出行链出行，能够在很大程度上减少一天的路上出行时间.

通勤者在通勤出行时面临着出行方式和出行链类型的选择.以往的研究中，通常将出行链类型作为出行方式选择的一个外生变量，认为通勤者出行时首先考虑如何组织一天中的出行活动，然后再确定当天的出行方式[5,6]；或者将出行方式作为出行链类型选择的一个外生变量，认为通勤者出行时首先确定当天的出行方式，然后根据出行方式组织当天的活动[4].本文将利用联立多元Logit模型（Simultaneous Logit模型，以下简称SL模型），将出行链类型作为出行方式选择的一个内生变量，同时将出行方式选择作为出行链类型选择的一个内生变量，创建商务中心区通勤者出行方式和出行链类型选择行为之间的相互作用模型，并在所建模型基础上对不同月收入的通勤者出行方式与出行链类型选择行为进行分析.

2 基本定义

2.1 出行方式

利用RP调查方法[7]对大连市商务中心区通勤者出行选择行为进行调查.调查结果显示：

①由于大连特殊的地形，通勤者较少选择非机动车出行，其出行方式主要为步行、小汽车、常规公交、有轨电车、轻轨、BRT、出租汽车、单位班车.

②约54.55%的通勤者出行距离在8公里以内.以往研究中表明上班出行距离在0～2公里的比例最多[4]，与本文的统计结果有着较大的差异，这可能是因为本文选取的研究区域为城市商务中心区，区内居住人口较少，通勤者为长距离通勤的比例远远大于其它区域.

由于一天出行中通勤者可能会使用一种或多种出行方式出行，这里将通勤者一次出行链中使用次数最多的出行方式定义为其通勤出行方式.例如通勤者的一次出行链中包含4次出行，其中有3次使用常规公交出行，1次使用步行，那么通勤者的出行方式则为常规公交；如果其中有2次使用常规公交，2次使用步行（如步行→常规公交→常规公交→步行），使用的出行方式次数相同，则令第一次使用机动车的出行方式为通勤者的出行方式[8].

2.2 出行链

将出行者一天中一连串始于家、最后以家为终点的出行活动顺序链接起来，所形成的闭合链称为出行链，包含大量时间、位置等信息[9,10].一条出行链可以包含多次出行活动，根据出行链中出行活动的次数，可将出行链分为简单链和复杂链.

根据调查问卷的实际统计情况，结合其它参考文献[11-14]，将通勤出行链类型分为5类，如表1所示，h代表出发地和到达地，即家（home）；w代表工作；s代表其它活动.

表1 通勤者出行链类型Table 1 Trip-chain type of commuter

3 模型的建立

3.1 SL模型

SL模型是对通常使用的多项式logit（MNL）模型的扩展，在经济学领域有着广泛的应用，在交通工程领域也多有应用[15,16].

假定有变量X（X=1,2,…,m）和Y（Y=1,2,…,n），模型形式具体如下：

Rt——由影响X的外生变量值组成的多维向量；

Qt——由影响Y的外生变量值组成的多维向量；

βi、γi——模型待估计参数向量；

αik、αki——表示待估计参数.

根据式(1)–式(4)有

上述四个相结合的二元选择的概率和为1，即

利用式(5)–式(8)可以得出 αij=αji，将 αji用αij代替并代入式(8)中，则有

综上所述，似然函数的形式如下：

3.2 建模数据分析

调查结果显示，大连市商务中心区通勤者上班出行中使用公共交通（包括常规公交、有轨电车、轻轨、BRT）出行的占52.65%；小汽车出行的占27.28%，班车和步行出行的分别占10.23%和7.95%；其余1.89%为出租汽车出行.可以看出，公共交通与小汽车是影响大连市商务中心区交通的主要因素，班车和出租汽车与通勤者间的相互影响并不是十分明显.下面仅针对公共交通和小汽车两种出行方式与出行链类型之间的相互影响情况展开分析.

此外，由于城市商务中心区有着便利的休闲、购物场所，采用复杂链（h-w-s-w-h）出行的通勤者中，大多数会选择在中午休息时间离开单位到附近的商场吃饭、购物等，主要选择步行，与他们上、下班使用机动车出行有着显著差异，所以对于复杂链（h-w-s-w-h）与出行方式间的相互影响关系这里不做分析，出行链与出行方式间相互关系的统计结果如表2所示.

表2 出行链类型和出行方式的交叉分析Table 2 Cross-tabulation of trip-chain type and mode choice

数据显示，通勤者在一天的工作出行中，如果采用简单链出行，使用公共交通出行的比例为79.01%，远大于使用小汽车出行的比例；如果通勤者采用链接其它活动的复杂链出行，则主要选择小汽车出行，尤其当通勤者采用复杂链（h-s-w-s-h）出行时（即上下班途中均有链接其它活动），选择小汽车出行的比例达到62.50%，表明由于公共交通服务特性决定了它的方便性及可达性均不如小汽车，驾车出行的通勤者在一天的工作出行中更倾向于从事除工作之外的活动.

3.3 模型构造

在这一部分模型的构造中，将出行链的类型仅分成简单链和复杂链两种，以保证分析和计算的处理较为容易，从而得到更精确的数据结果和更深入的分析.令通勤者出行方式选择集合为：公共交通、小汽车；通勤者出行链类型选择集合为：简单链、复杂链.通勤者的性别X1、年龄X2、月收入X3、家中是否有 6 岁以下儿童 X4、出行距离 X5、出行链开始时间X6、出行链结束时间X7等则为模型的外生变量，具体模型构造情况如下：

式中 n——通勤者n，n=1,2,…,N；

PA——选择小汽车出行的概率；

PB——选择公共交通出行的概率；

P1——选择复杂链出行的概率；

P2——选择简单链出行的概率；

βij——未知参数i=1,2，j=1,2,…,9，且β19= β29.

3.4 模型参数估计

利用Matlab软件对模型进行编程求解，得出模型的回归系数和t检验值，结果如表3所示.

依据统计学理论，在置信度95%的条件下，如果检验值的绝对值大于1.65，并且参数的符号正确，则认为该特征变量对城市商务中心区通勤者出行方式和出行链类型选择的影响显著[3].在所建模型中，假设H0:β1=β2=…=βk=0，服从自由度为17的χ2分布.在 5%的显著性水平下，-2（L(0)-L(β)）=162.96> χ20.05，拒绝假设H0；表明构建模型时所选择的特性变量对大连市商务中心区通勤者出行方式和出行链类型选择行为的影响显著.通过计算得到优度比指标ρ2=0.28，说明该模型的精度比较高，模型总体拟合的程度较好.在实践中，ρ2值达到0.2～0.4时，则可以认为模型拟合精度很高[5].

表3 模型参数估计结果Table 3 Parameter estimation result of the model

检验结果表明，大连市商务中心区通勤者的出行方式和出行链类型选择之间存在着显著的相互影响关系.通勤者个人属性及家庭属性对其出行方式和出行链类型选择的影响分析如下：

（1）性别对通勤者出行方式和出行链类型选择的影响.

性别对商务中心区通勤者的出行方式和出行链类型选择有着显著的影响，性别的回归系数均为负值，表明男性比女性更倾向于使用小汽车出行，且男性比女性更倾向于采用复杂链出行.

（2）年龄对通勤者出行方式和出行链类型选择的影响.

年龄对商务中心区通勤者的出行方式和出行链类型选择有着显著的影响，年龄的回归系数均为正值，表明随着年龄的增长，通勤者选择小汽车出行的概率将增大，通勤者选择简单链出行的概率也相应增加.

（3）月收入对通勤者出行方式和出行链类型选择的影响.

月收入对通勤者出行方式和出行链类型选择的影响显著，在出行方式选择模型中，月收入的回归系数为正值，表明随着月收入的增加，通勤者选择小汽车出行的概率增大.在出行链类型选择模型中，月收入的回归系数为负值，表明随着月收入的增加，通勤者采用复杂链出行的概率增大.

（4）家中是否有6岁以下儿童对通勤者出行方式和出行链类型选择的影响.

家中是否有6岁以下儿童对通勤者出行方式选择的影响不显著，而对通勤者出行链类型选择有着显著的影响，回归系数为负值，表明当通勤者家中有6岁以下儿童时，通勤者更倾向于采用复杂链出行，这可能是因为通勤者在上下班的途中要接送孩子上下幼儿园.

（5）出行距离对通勤者出行方式和出行链类型选择的影响.

出行距离的t检验值分别为0.62和1.89，表明出行距离对通勤者出行方式选择有影响但不显著，而对出行链类型的选择有着显著的影响.在出行链类型选择模型中，出行距离的回归系数为正值，表明随着通勤者出行距离的增加，通勤者选择简单链出行的概率增大.出行距离的增加导致通勤者出行时间增加，从而在有限的时间里，通勤者从事其它活动的可能性减小.

（6）出行链的结束时间对通勤者出行方式和出行链类型选择的影响.

出行链的结束时间对通勤者出行方式和出行链类型选择有着显著的影响，在通勤者出行方式选择模型中，回归系数为负值，表明通勤者出行链的结束时间越晚，通勤者使用公共交通出行的概率越大，可能是因为公共交通的时速要远远小于小汽车，还可能受到公共交通一些不确定性因素的影响.在通勤者出行链类型选择模型中，回归系数为负值，表明通勤者出行链的结束时间越晚，通勤者采用复杂链出行的概率越大，可能是因为通勤者在下班之后要进行娱乐或购物等.

4 通勤者出行方式与出行链类型选择预测

通过模型的标定结果可以看出，通勤者的性别和月收入对其出行方式和出行链类型的选择有着显著的影响，所以下面针对性别和月收入这两个属性，同时将通勤者的出行方式和出行链类型选择二者结合，在假定通勤者的其他属性一致的情况下，利用式(10)–式(13)对通勤者的出行方式和出行链类型选择概率进行预测，预测结果如表4所示.

表4 通勤者出行方式选择—出行链选择预测结果Table 4 Trip-chain and mode choice forecast result of commuter

从预测结果可以看出，随着月收入的增加，通勤者使用小汽车出行的比例逐渐增加；使用公共交通出行的比例逐渐减少；采用简单链出行时，使用公共交通出行的比例随着月收入的增加而减少，而使用小汽车出行的比例随着月收入的增加而增加；通勤者采用复杂链出行时，使用公共交通出行的比例随着月收入的增加而减少，使用小汽车出行的比例随着月收入的增加而增加.月收入相同时，使用小汽车出行的男性采用复杂链出行的比例要略大于女性；而使用公共交通出行的女性采用复杂链出行的比例则略大于男性.

5 研究结论

本文建立联立的多元Logit模型，对城市商务中心区通勤者出行方式和出行链类型选择的相互影响进行了验证和分析，并对不同月收入下通勤者的出行选择行为进行了预测.研究结果表明：

（1）大连市商务中心区通勤者出行链类型选择和出行方式之间存在着显著的相互影响关系；

（2）性别、年龄、月收入和出行链结束时间对通勤者出行方式选择行为的影响较为显著；

（3）性别、年龄、月收入、家中是否有6岁以下儿童、出行距离和出行链结束时间对通勤者出行链类型选择行为的影响较为显著；

（4）由于公共交通服务水平的限制，采用小汽车出行的通勤者，在一天的工作出行中更倾向于采用有链接其它活动的复杂链出行，在高收入人群中的表现尤为显著.

通勤者的出行选择行为研究往往需要大量样本的数据支撑，由于研究条件所限，研究样本的数量仅以满足本次研究要求为限.

[1]马志平.城市中心区交通改善方法研究[D].安徽:合肥工业大学,2005.[MA Z P.Study on countermeasure of transport improvement of city central district[D].Anhui:Hefei University of Technology,2005.]

[2]李峥嵘,柴彦威.大连市民通勤特征研究[J].人文地理,2000,15(6):67-72.[LI Z R,CAI Y W.A study on the commuting features of dalian citizens[J].Human Geogra⁃phy,2000,15(6):67-72.]

[3]陈团生.通勤者出行行为特征与分析方法研究[D].北京:北京交通大学,2007.[CHEN T S.Travel behavior characteristics analysis for commuter[D].Beijing:Bei⁃jing Jiaotong University,2007.]

[4]Ben-Akiva M,Bowman J L.Activity-based disaggregate travel demand model system with activity schedules[J].Transportation Research A,2000,35(1):1-28.

[5]文雅,史嘉玮,乔相容.上海世博观展客流出行链分析[J].交通与运输,2007,6(1):19-21.[WEN Y,SHI J W,QIAO X R.Analysis of passenger flow trip-chain of the Shanghai World Expo Exhibition[J].Traffic and Trans⁃portation,2007,6(1):19-21.]

[6]宗芳,隽志才.基于活动的出行方式选择模型与交通需求管理策略[J].吉林大学学报(工学版),2007,37(1):48-53.[ZONG F,JUAN Z C.Activity-based travel mode choice model and analysis on traffic demand man⁃agement[J].Journal of Jilin University（Engineering and Technology Edition）2007,37(1):48-53.]

[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.[GUAN H Z.Disaggregate model—a tool of traffic behavior analysis[M].Beijing:China Communications Press,2004.]

[8]石心怡,郭英,王元庆.基于出行链的公共交通走廊探讨[J].城市轨道交通研究,2010(5):59-63.[WANG X Y,GUO Y,WANG Y Q.Public transport corridor based on trip chain[J].Urban Rail Transit Research,2010(5)：59-63].

[9]Xin Ye,Ram M P,Giovanni Gottardi.An exploration of the relationship between mode choice and complexity of trip chaining patterns[J].Science Direct Transportation Research Part B,2007,41(1):96-113.

[10] 杨敏,陈学武,王炜,等.通勤出行链简单链和复杂链的选择行为研究[J].武汉理工大学学报(交通科学与工程版),2008,32(2):191-194.[YANG M,CHEN X W,WANG W,et al.Behavior analysis of simple/complex trip chaining[J].Journal of Wuhan University of Technol⁃ogy（Transportation Science&Engineering）,2008,32(2):191-194.]

[11] 卢晓姗,黄海军,刘天亮,等.考虑早晚高峰出行链的出行方式选择均衡与定价机制[J].系统工程理论与实践,2013,33(1):167-174.[LU X S,HUANG H J,LIU T L,et al Mode choice equilibrium and pricing mechanisms considering peak trip chain[J].Systems Engineering-Theory&Practice,2013,33(1):167-174.]

[12]Lu X,Pas E T.Socio-demographics,activity participa⁃tion and travel behavior[J].Transportation Research A,1999,33(1):1-18.

[13]Golob T F,A simultaneous model of household activity participation and trip chain generation[J].Transporta⁃tion Research B,2000,34(5):355-376.

[14]Frank Primerano,Michael A P,Ladda Pitaksringkarn.Defining and understanding trip chaining behavior[J].Transportation,2008,35(1):55-72.

[15]Peter S,Robert P S.Estimation of models with jointly de⁃pendent qualitative variables:a simultaneous logit ap⁃proach[J].Econometric,1975,43(4):745-755.

[16]Ouyang Y,Shankar V,Yamamoto T.Modeling the simul⁃taneity in injury causation in multi-vehicle collisions[J].Transportation Research Record,Journal of the Transportation Research Board,NationalResearch Council,Washington,DC,2002,1784:143-152.