基于面板数据的宁杭城际出行方式选择行为研究

吴麟麟，张明岩，汪 洋

（江苏大学 a.汽车与交通工程学院；b.电气信息工程学院，江苏，镇江212013）

基于面板数据的宁杭城际出行方式选择行为研究

吴麟麟a，张明岩a，汪 洋*b

（江苏大学 a.汽车与交通工程学院；b.电气信息工程学院，江苏，镇江212013）

随着中国城市群的快速发展，城际交通出行环境发生了巨大的变化，因此城际出行者也会不断地重建自己的出行习惯，这就要求建立动态模型研究城际出行者出行行为和预测城际交通需求.本文调查出行者在宁杭城际高铁开通前后两个时期的出行信息，并且引入状态依赖变量表征出行者之前选择结果对之后出行选择的影响，建立了基于面板数据的城际出行方式选择动态模型.模型结果表明，基于面板数据的动态模型比传统的基于出行者单次出行数据的模型拥有更高精度.同时本文根据宁杭城际出行背景设置三组政策变化方案预测出行分担率，结果表明，当选择环境发生变化时，传统模型会高估出行方式分担率的变化程度.以上结论能更好地服务于中国城际交通的规划.

综合交通运输；动态模型；面板数据；城际交通；出行方式

1 引 言

随着近年来高铁技术的迅速发展和广泛应用，长三角城际间出行的交通环境发生了巨大的变化，其中最近开通的宁杭城际高铁改善了宁杭之间薄弱的出行条件，同时使长三角城市群形成以上海、南京、杭州为中心的2小时交通圈.城际交通环境的巨大变化使居民的出行需求和习惯也随之变化.所以分析城际出行者出行行为的变化，研究城际出行方式分担率能帮助决策者对城际交通的规划和政策的评估，对快速发展的中国城市群尤为重要.

很多学者从多角度来研究城际出行行为，王孝之等[1]根据武广高铁的SP调查数据建立了城际出行方式的Rank Logit模型，Rank Logit模型纳入了出行者对交通工具选择的排序数据，能得到更高的模型精度和可靠性；陈颖雪等[2]基于长江三角洲城际出行行为调查数据建立出行方式选择的MNL模型，并引入反转因子，分别用外源性样本极大似然估计简单修正法和加权外源性样本极大似然估计法对MNL模型进行修正.但到目前为止，国内学者对城际出行方式的研究大多基于横截面数据，即只分析出行者单次出行选择结果，很少有考虑出行者不同时期选择结果之间的关联和变化.基于单次横截面数据的静态模型适合用于静态的选择环境，但当选择环境发生变化时，静态模型就会暴露出众多缺陷：无法反映出行者随时间而变化的出行方式选择结果，忽略重要的解释变量（如出行者之前出行选择方式对之后出行选择的影响）等因素都会引起模型估计的严重偏差[3].

而国外已经有很多学者开始关注基于面板数据的动态模型.Thøgersen[4]对丹麦1 300个出行者在不同时期进行3次调查建立面板数据，研究出行者之前的行为、目前的认知和观念对现在使用公共交通行为的影响程度.Cantillo等[5]考虑出行者出行选择受到的惯性影响和出行者一段时间内多次出行选择之间的序列相关，建立了动态的出行方式选择模型并将其运用到RP面板数据和RP/SP融合面板数据中.

综上所述，基于横截面数据的静态模型已经很难适应中国快速发展和变化的城际交通环境.因此，本文以宁杭城际间出行数据为例，对效用函数引入动态因素，即状态依赖变量，通过面板数据建立动态的城际出行方式选择（Mixed Logit，ML）模型，研究城际高铁开通后居民城际出行方式选择的变化.

2 基于面板数据的城际动态出行方式选择模型

2.1 面板数据

面板数据是把横截面数据和时间序列数据融合在一起的数据，其最早应用于经济学领域.当应用到交通出行方面时，从横截面看，数据是所有出行者在某次（或某个时间）出行的出行信息，从纵面看，是每个出行者一段时间内的多次出行信息.交通出行方式选择的面板数据一般采用追踪调查方法，即在一段时间内对被调查者进行持续追踪调查，记录每个出行者每次的出行信息[4,6].这样的调查方法花费代价比较大，同时参加面板数据跟踪调查可能会影响部分出行者的出行行为[6]，另外同市内交通出行相比，居民的城际出行频率较低，增加了持续跟踪调查的难度.因此本文拟选用一种简单的调查方法来记录宁杭城际出行者不同时期的出行行为，即在调查问卷时记录出行者现在城际出行信息时，同时也询问记录出行者在宁杭城际高铁开通前常用出行方式及其出行属性，记录信息为三个主要出行属性，包括城际出行时间、换乘时间（包括等待时间）、出行花费（见表1）.

表1 调查内容Table 1 Details of the survey

本次调查从2014年4月10日开始，12日结束.调查人员在南京火车站、南京火车南站、南京中央门汽车站、杭州火车站、杭州火车东站、杭州汽车北站、宁杭高速公路浙江境内太湖服务区7个区域对宁杭之间出行的旅客进行随机抽样调查.共获得901份调查问卷，经过筛选以后获得有效样本数据830份（7个区域有效样本数分别为157、122、98、160、115、75、103），每份样本数据包含出行者的两次出行数据.将样本数据分为两部分，第一部分630用于模型估计，剩余的200份用作后期模型验证.

表2为630份样本中被调查者在宁杭城际高铁开通后出行方式变化情况，如城际高铁开通前出行选择私家车出行、城际高铁开通后仍然选择私家车出行的出行者有39人，占城际高铁开通前选择私家车出行总人数的67.2%；开通前出行选择私家车而开通后转为选择城际高铁出行的出行者有16人，占城际高铁开通前选择私家车出行总人数的27.6%.通过观察表格可以发现，出行者在宁杭城际高铁开通后和开通前出行选择保持一致的比例分别为67.2%、49.0%、41.2%；同时，原本选择私家车、长途汽车、一般铁路出行的旅客分别有27.6%、42.9%和52.1%转而选择城际高铁出行；而之前选择私家车、长途汽车或一般铁路列车之后选择其他旧交通方式的概率都低于10%.

表2 宁杭城际铁路开通后出行方式变化情况Table 2 Mode choice transition result after operation of Ninghang intercity railway

2.2 引入状态依赖变量的动态模型

根据随机效用理论框架，假设出行者n在城际高铁开通前，即t=1，选择出行方式i（i∈J1，J1为宁杭城际高铁开通前出行方式的选择集，包括私家车、长途客车和一般铁路列车）的效用为

式中 Vni1为出行者此次出行的可观测效用；εni1为不可观测效用.同理，出行者n在城际高铁开通后（t=2）选择出行方式i'（i'∈J2，包含私家车、长途客车、一般列车和城际列车）的效用为

大量的文献表明出行者存在惯性，即出行者偏好于重复自己的出行选择[7,8].因此本文引入状态依赖变量来表征出行者多次出行选择之间的关联性[9]，即假设出行者在宁杭城际高铁开通前的出行选择会对其以后的出行选择有影响，将第一次出行选择结果作为解释变量引入第二次出行的效用方程，则由式（2）可得

式中 λii'dii'1为出行者的出行惯性所带来的效用.其中出行者如果在城际高铁开通前选择出行方式i，则dii'1=1，否则为0;λii'为待估系数，表示出行者之前选择出行方式i对之后选择出行方式i'的影响程度.则出行者n两次出行的联合概率为

式中 Pr（∙）为求概率.则非条件概率为

Logit模型假定决策者重复选择之间的εnit是相互独立的，但由于出行者具有不同偏好，这些不可观测的偏好会影响出行者每一次选择过程，例如某出行者不喜欢公共交通致使其只选择乘坐私家车出行，或者某出行者住火车站附近致使其每次出行都选择轨道交通出行.所以当运用到面板数据中，logit模型的假设就会不适用.而ML模型允许个体重复选择存在关联，因此非常适合用来研究面板数据.ML模型的效用函数一般有两种表达形式，误差项形式和随机参数形式[10].这两种形式都能用来解决面板数据中重复选择之间的关联问题，但因为随机参数形式不存在参数个数证明问题，因此本文选用随机参数形式[6].

随机参数形式的ML模型的选择概率为

式中 Lnii'(β)为非条件概率；f(β/θ)为密度函数；β为待估参数；θ为密度函数的未知特征参数，如正态分布的均值和方差.本文，假设状态依赖变量系数为固定值，选择肢常数项和出行属性的三个变量为随机值，均服从正态分布.由于ML模型积分函数是多维积分，所以用解析的方法不能求解，需采用模拟的方法计算概率.

本文通过Halton数列抽样的方法对 β进行120次随机抽样，计算Lnii'(βr)的均值：

式中 R为随机抽样的次数.将模拟选择概率带入最大似然函数：

2.3 模型估计结果

模型仿真结果如表3所示.

表3 传统ML模型和动态ML模型参数估计结果Table 3 Estimation results of model parameters of traditional ML model and dynamic ML model

2.4 模型结果分析

本文同时建立了传统的ML模型（使用被调查者城际高铁开通后出行数据）作为对比模型，表3为两个模型的估计结果和检验结果，两个模型均满足精度要求；对各项系数的t值进行检验，当t值绝对值大于1.65时，有90%的把握认为各属性对模型产生显著影响，删除掉t值绝对值小于1.65的变量.使用面板数据的动态ML模型的似然函数值为-4 106，远大于传统的ML模型的-4 861.拟合度指数 ρ2也从模型1的0.307上升到模型2的 0.539，动态模型的表现优于传统的ML模型.将调查数据第二部分的200份样本带入效用函数验证命中率，对比两个模型，模型2所模拟的出行结果命中率更高，达到82%，如表4所示.

观察时间属性估计系数发现，两个模型的衔接时间系数都大于出行时间系数，表示出行者更在意衔接时间；而对比时间属性系数和花费属性系数发现，出行时间系数和衔接时间系数远大于出行花费系数，出行者更在意出行时间而相对对出行花费不敏感，这与城市群快速发展的经济水平有关.

分析状态依赖变量的系数.首先，虽然宁杭城际高铁开通，但可以观察到过去出行对现在出行选择同种交通方式的作用系数（i=i'）都很大，表明即使出行选择环境发生变化，大部分出行者仍然会选择自己习惯的交通方式，因为面对不熟悉的出行环境，出行者重新构建自己的出行习惯需要花费一定的代价和风险.这其中选择私家车出行对之后选择私家车出行的作用系数最大，表明选择私人交通的人群的忠诚度更高.同时我们发现，三种交通方式对之后选择城际高铁的作用系数（i≠i'）也很大，表明城际高铁的开通对三种旧的交通方式影响都很大，而其中过去选择一般铁路列车对现在选择城际高铁的作用系数最大，表明城际高铁和一般铁路列车之间关联度最高，而之前选择私家车、长途汽车或一般铁路列车对之后选择其他旧交通方式的影响不显著.

表4 模型预测命中率(%)Table 4 Predicted hit rate of traditional ML model and dynamic ML model(%)

3 政策变化对方案的影响分析

上述结论表明本文建立的动态模型能更好地服务于快速变化的城市群交通需求预测，因此本文针对宁杭城际出行环境的背景，假设未来的三种政策变化情况，根据政策的变化观测每种出行方式分担率的变化，结果如表6所示.

表5 政策变化方案Table 5 Policy change scenarios

首先观察本文提出的动态模型在以上政策改变情况下的分担率变化.

方案1：长途客车降价，但对整个选择环境影响较小，表明大部分旅客对长途客车出行费用敏感度较低，即长途客车想通过降低票价来重新吸引旅客的措施已经不能适应现在的出行环境，而应该利用自己的便利性覆盖到更多城际高铁覆盖不到的区域来吸引客流.

方案2：当长途客车和私家车出行费用都增加时，私家车分担率减少份额比长途客车更少，再次表明选择私家车出行的旅客相对其他出行方式的出行者受到出行属性变化的影响较小，即他们拥有较高的忠诚度.

方案3：方案3的情况下，动态ML模型的城际高铁的分担率在原有基础上又提高4.86%，而普通列车和长途汽车的分担率分别下降2.92%和1.13%，城际高铁对其他公共客运市场的瓜分较为明显.

同时，3种方案下的动态ML模型的分担率变化都较传统模型小，表明出行者出行方式选择因受到之前选择的影响而形成惯性，即使选择环境发生变化也会有大部分出行者保持自己的出行习惯.而传统的ML模型则会高估选择环境对出行者造成的影响.另外，单独的改变某一出行方式的某一属性对整个选择市场的影响不大，因为出行者的出行习惯会阻碍其行为的变化.

表6 预测分担率变化(%)Table 6 Predicted change in mode spilt(%)

4 研究结论

本文通过调查宁杭城际高铁开通前后出行者出行方式的变化情况，对效用函数引入动态影响因素，建立了基于面板数据的城际出行方式选择ML模型.通过与传统出行方式选择模型的对比发现，本文提出的动态模型具有更好的优度比和预测准确率，表明动态模型能更好地运用于快速发展的中国城市群交通状况.同时本文也根据宁杭城际出行环境的现状假设了三种政策变化，同时用动态模型和传统模型进行敏感度分析，分析结果表明，传统出行方式选择模型在面对交通选择环境发生变化时会高估方式分担率的变化；同时单纯的提高某些出行属性不会大幅度提升其市场占有率，因为出行者的出行习惯会阻碍其行为的变化.以上结论对于中国目前的城际交通规划和政策的制定具有重要意义.

同时，由于知识背景、理论水平的限制，本文还存在一定的不足，如很难保证被调查回忆数据的准确性，同时本文假设出行者不同时期的个人偏好是固定的也容易导致误差，这些将是作者未来研究的方向.

[1]王孝之,赵胜川,闫祯祯.基于Rank Logit模型对城际交通分担率的计算方法研究[J].交通运输系统工程与信息,2012,12(2):138-143.[WANG X Z,ZHAO S C, YAN Z Z.Intercity transport mode spilt calculation method based on rank logit model[J].Journal of Transportation Systems Engineering and Information Technology.2012,12(2):137-143.]

[2]陈颖雪,董治,吴兵,等.基于选择方案抽样调查的城市群低频率出行行为研究[J].中国公路学报, 2013,26(3):158-163.[CHEN Y X,DONG Z,WU B et al.Study on low-frequency intercity travel behavior of urban agglomeration based on choice-based sampling survey[J].China Journal of Highway and Transport, 2013,26(3):158-163.]

[3]Kitamura R.Panel analysis in transport planning:an overview[J].Transport Research,1990,24A(6):401-415.

[4]Thøgersen J.Understanding repetitive travel model choices in a stable context:a penel study approach[J]. Transportation Research Part A,2006,40:621-638.

[5]Cantillo V,Ortúzar J de D,Williams L G.Modeling discrete choices in the presence of inertia and serial correlation[J].Transportation Science,2007,41(2):195-205.

[6]Yáñez m F,Cherchi E,Hevdecker B G et al.On the treatment of repeated observations in panel data: efficiency of mixed logit parameter estimates[J].Netw Spat Econ,2011,11:393-418.

[7]Gärling T,Axhausen K W.Introduction:habitual travel choice[J].Transportation,2003,30:1-11.

[8]Garvill J,Marell A,Nordlund A.Effects of increased awareness on choice of travel mode[J].Transportation, 2003,30:63-79.

[9]Srinivasan K K,Mahmassani H S.A dynamic kernel logit model for the analysis of longitudinal discrete choice data:properties and computational assessment[J].Transportation Science,2005,39(2):160-181.

[10]Train K.Discrete choice methods with simulation(second edition)[M].Cambridge:Cambridge University Press, 2009:137-147.

Analysis of Ninghang Intercity Travel Mode Choice Behavior Based on Panel Data

WU Lin-lina，ZHANG Ming-yana，WANG Yangb
（a.School ofAutomotive and Traffic Engineering,b.School of Electrical and Information Engineering;Jiangsu University, Zhenjiang 212013,Jangsu，China)

With the rapid development of Chinese urban agglomeration,new modes of intercity transport constantly emerge and the old ones are also continuously improved,which leads the intercity travelers to restructure their travel habits constantly.Thus,there is a need to build a dynamic model to study the intercity travel behavior of travelers and forecast travel demands.In this context,travel information before and after the opening of Ninghang Intercity Railway was investigated.The state dependence variable is introduced to express the effect of previous intercity travel mode choice decision on latter travel mode choice,the dynamic model of intercity travel mode choice is established based on panel data of two waves.The results indicate that the dynamic model performs better than the traditional models which only concern one wave travel data. According to the background of Ninghang intercity travel,three predicted policy scenarios are set to predict the mode spilt,the results show that the traditional model would overstate the degree of the change of mode spilt.The above conclusions can better serve for the Chinese intercity transportation planning.

integrated transportation;dynamic model;panel data;intercity transportation;mode choice

1009-6744（2015）01-0226-06

：U125

：A

2014-09-16

：2014-12-25录用日期：2015-01-04

国家统计局项目(2010LC53);教育部人文社科基金项目(11YJA630152);江苏省六大人才高峰项目(2011ZBZZ043).

吴麟麟(1970-),男,江苏泰兴人,副教授，博士. ＊

：wangjust@163.com