考虑居民出行OD或居住地的出行方式选择巢式Logit模型

赵金宝　 邓　卫　 王晓原　 孙　锋

(1山东理工大学交通与车辆工程学院, 淄博 255000)(2东南大学交通学院, 南京 210096)



考虑居民出行OD或居住地的出行方式选择巢式Logit模型

赵金宝1邓卫2王晓原1孙锋1

(1山东理工大学交通与车辆工程学院, 淄博 255000)(2东南大学交通学院, 南京 210096)

为定量化分析居民出行OD或居住地引入轨道交通后对出行方式选择的影响,在综合考虑出行者家庭特征、个人属性和出行特性的基础上,结合南京市居民出行调查数据,分别建立了考虑居民出行OD、考虑居住地、既不考虑出行OD也不考虑居住地的3个出行方式选择巢式Logit模型,并对比了模型的拟合度．结果表明:考虑居民出行OD的巢式Logit模型具有最高的拟合度;相比于出行OD小区或居住地远离轨道交通站点的出行者,出行OD小区或居住地接近轨道交通站点的居民更倾向使用慢行交通和/或公共交通出行方式．得到的分析结果为城市规划者认识轨道交通在吸引居民出行由小汽车向公共交通转移中的作用提供了理论支持和决策依据．

出行OD;居住地;轨道交通站点辐射区;出行方式选择;巢式Logit模型

随着城市化和机动化水平的不断提高,交通拥堵、事故频发以及环境污染等交通问题日益严峻．面对诸多挑战,优先发展公共交通,尤其是低碳、高效、快速的城市轨道交通,已经成为我国许多特大、大城市组建分工明确又相互协作的城市综合交通体系的必然选择．

国外已有研究表明居民出行OD和居住地交通基础设施的优化完善和日常出行工具的多样化会对其出行方式选择产生不可避免的影响．Friedman等[1]通过研究发现新传统社区设计,即较高水平的自行车道设计和友好的行人出行环境,能使居民更倾向于短距离旅程并更倾向于慢行交通方式出行;Ewing等[2]研究表明居住在扩张型城市郊区的居民人均汽车出行时间是居住在市区居民人均汽车出行时间的2～3倍;Bagley等[3]通过对旧金山湾区居民出行方式选择分析表明居住在旧金山湾区外围的居民更倾向于选择汽车出行方式;Cervero[4]研究表明轨道交通站点附近的居民选择轨道交通出行方式的概率比远离轨道交通站点的居民高5～7倍．

在国内研究方面,叶茂等[5]研究发现主城区与历史城区的居民在出行次数、出行方式结构、出行目的等方面存在显著差异性;杨励雅等[6]研究表明小汽车出行者对出行时间的敏感性随通勤距离的增加而增加,公交出行者对出行费用比小汽车出行者更敏感;李霞等[7]研究发现居住地离轨道站点越近的居民越倾向于使用轨道交通出行方式,当小汽车出行时间增加时,地铁站点附近的居民越有改乘地铁的趋势．

综上所述,已有国内外研究表明居民居住地属性对居民的出行方式选择有着显著的影响．本文综合考察了居民的家庭特征、个人属性和出行特性三大类下的18个可能影响居民出行方式选择的自变量,在重点考虑居民出行OD和居住地与轨道交通站点辐射区的相互关系的基础上,建立了考虑居民出行OD、考虑居住地、既不考虑考虑居民出行OD也不考虑居住地的3个出行方式选择巢式Logit模型,并对比分析了模型的拟合度．定量化分析了居民出行OD和居住地位于或接近轨道交通站点辐射区对出行方式选择的影响．

1　巢式Logit模型

考虑到居民出行方式选择为典型的多项分类,因此基于随机效用最大化的离散选择(Logit)模型是出行行为选择研究中最常用的分析方法[8-10],其中,多项Logit(MNL)模型应用最为广泛．

然而,MNL模型的理论基础建立在不相关变量独立性(IIA)的假设之上,即认为选择一种出行方式与选择另外一种出行方式无关,但在实际的出行方式选择中,居民备选出行方式中的某2种或2种以上方式之间可能存在密切的相关性．克服IIA假设的有效方法是建立巢式选择模型,即把出行方式相似或相关的变量纳入到一个“巢”中,建立多层次的巢式选择决策模型[11]．根据步行交通和非机动车、常规公交和轨道交通之间的相关性,本文建立了两层巢式Logit选择决策模型结构,如图1所示.

图1　巢式Logit选择决策模型结构

根据经典巢式Logit选择理论[11],第n位出行者选择出行方式i的概率为

(1)

式中,μ为严格大于0的刻度参数;Vin,Vjn为第n位出行者选择出行方式i,j的效用函数的确定项;Cn为第n位出行者全部选择支的集合．

一般情况下,第n位出行者选择出行方式i的效用函数确定项Vin可以表示为如下线性形式:

(2)

式中,θ={θ1,θ2,…,θk}为待估计的未知参数向量;Xin={xin1,xin2,…,xink}T为特性向量,通常采用最大似然估计法进行参数估计得到．

将式(2)代入式(1)中,得

(3)

则n次观察结果的似然值为

(4)

式中,λin为选择结果常数项变量,若第n位出行者选择第i种出行方式,λin取1,否则λin取0．

式(4)两边取对数得

(5)

令式(5)取最大,即可获得参数向量θ的估计值．

2　研究方法

结合南京市居民出行调查数据,本文在综合考虑出行者家庭特征、个人属性和出行特性的基础上,通过合理定义居民出行OD或居住地与轨道交通站点辐射区之间的关系,采用前述建立的巢式Logit选择模型,定量化评价居民出行OD或居住地引入城市轨道交通后对出行方式选择的影响．

衡量出行者家庭、个人和出行特征的变量可以通过居民出行调查结果直接获得．由于出行者对自己所处位置的地理特征并不十分清楚,因此在建模分析前,需要对出行者的出行OD和居住地进行地理特征分类．本文主要考虑了2方面特征对居民出行OD和居住地进行分类:① 是否位于或接近城市轨道交通站点辐射区;② 是否位于市区．

在讨论居民出行OD小区和居住地小区两者与城市轨道交通站点辐射区之间的关系时,作者发现交通小区(包括居民出行OD小区和居住地小区)和城市轨道交通站点辐射区(见图2,以轨道交通站点辐射半径1 000m为例)并不重合．在市区,交通小区面积一般比轨道交通站点辐射区面积小;而在郊区则相反．在本文中,如果交通小区完全位于或者至少有10%区域面积位于轨道交通站点1 000m辐射区内,则认为该小区位于或接近轨道交通站点辐射区;否则,则认为其远离轨道交通站点辐射区．根据此分类方法,南京市有131个交通小区位于或接近城市轨道交通站点辐射区,约占南京市交通小区总数的20%．

南京明城墙将南京市分为内、外两部分(见图2)．本文以南京明城墙为界将南京市交通小区划分为位于市区和位于郊区两部分．同时考虑到居民出行OD小区和是否位于市区的关系,将居民出行流向分为4类:市区-市区、市区-郊区、郊区-市区和郊区-郊区．

图2　研究区域

在定义了居民出行OD、居住地和轨道交通站点辐射区、市区(郊区)关系的基础上,结合南京市2010年居民出行调查数据,利用建立的居民出行方式选择巢式Logit模型来实例验证和定量化分析居民出行OD或居住地(尤其是接近或远离轨道交通站点辐射区)对出行方式的影响．

3　数据采集与预处理

本文数据来源于南京市2010年居民出行综合调查．调查问卷原始内容主要包括3个方面的变量:① 家庭属性,包括家庭人口数、家庭年收入、家庭小汽车拥有量等;② 个人特征,主要包括性别、年龄、有无公交卡、有无驾照等;③ 出行特性,主要包括出行方式、出行OD、出行起始时间、旅程时间等．

记录的变量除旅程时间为连续变量外,其余变量均为离散化变量．在对数据进行建模分析前,需要对数据进行科学删选、离散化处理、选取参考变量．数据的删选主要根据以下原则:① 代入模型的数据必须是完整且有效的;② 出行方式包括步行、非机动车(含助力车)、常规公交、地铁和小汽车,其他出行方式(如单位车、出租车等)未考虑在内,这主要是基于本文研究着重点和这些出行方式在所有出行方式选择中所占的比例极低2个方面的考虑．

经数据删选及预处理,共有1 465个家庭、4 613个出行者和10 383条出行数据用于建模分析．本文选择的变量名称、离散化处理结果及对应的频数如表1所示．

4　结果分析

4.1Pearson相关性检验

考虑到度量居民出行OD和居住地的变量之间存在潜在相关性(多数情况下,居民出行起点(O)与居住地存在重合情况),因此在建立模型前,首先需要对表1中自变量进行Pearson相关性检验．检验结果表明,表1中选取的大多数解释变量之间Pearson相关系数小于0.7,但是度量居民出行OD和居住地的自变量的Pearson相关系数为0.892,显著高于临界值0.7[12]．因此, 度量居民出行OD和居住地的变量不应同时代入到回归模型中．基于此,本文建立了3个巢式Logit模型,即考虑居民出行OD、考虑居住地、既不考虑居民出行OD也不考虑居住地,并对模型结果进行了对比分析．

表1　变量名称、离散化处理及频数

4.2模型结果

表2给出了3个巢式Logit模型结果,表3给出了3个模型的统计指标及其计算值．

巢式Logit模型提供了多个评价模型拟合度的指标,其中比较常用的指标是Estrella值和McFadden法似然数比指数．根据经典巢式Logit模型理论,这2个指标值越接近0,说明模型的拟合度越差;越接近1,说明模型的拟合度越好．通过对3个模型的Estrella值和McFadden法似然数比指数进行对比发现,考虑居民出行OD和轨道交通站点辐射区关系的模型拟合度最高,其值分别达到了0.589 8和0.587 4,其次为考虑居住地和轨道交通站点辐射区的巢式Logit模型,而不考虑居民出行OD和居住地的模型拟合度最低．对比结果说明考虑居民出行OD能够在一定程度上提高对居民出行方式选择预测的精准度．

居民出行方式选择的巢式Logit模型的参数估计结果表明,相比来自高收入(>10万元)、有小汽车、没有非机动车家庭的出行者而言,来自于中低收入(≤10万元)、没有汽车、拥有非机动车家庭的出行者更倾向于选择慢行交通(步行和非机动车)和/或公共交通(常规公交和轨道交通)出行方式;相比于男性、中青年、没有公交卡、高教育水平、有驾照的出行者而言,女性、老年人、有公交卡、低教育水平、无驾照的出行者更倾向于选择慢行交通和/或公共交通方式出行;以工作和上学出行为目的居民更不倾向于使用慢行交通方式出行．

本文模型结果表明：相比于居民出行OD都远离轨道交通站点辐射区的出行者,出行OD位于或接近轨道交通站点辐射区的居民更倾向使用慢行交通和/或公共交通出行方式;相比于居住地远离城市轨道交通站点辐射区的出行者,居住地位于或接近城市轨道交通站点辐射区的出行者更倾向于选择慢行交通和/或公共交通方式出行．

5　结论

1) 考虑居民出行OD和轨道交通站点辐射区关系的巢式Logit模型具有最优的模型拟合度．相比于只考虑出行地或既不考虑出行OD也不考虑居住地的模型,将居民出行OD代入到居民出行方式选择模型中能够在一定程度上提高居民出行方式选择预测的精准度．

2) 相比于居民出行OD小区或居住地远离城市轨道交通站点辐射区的出行者,出行OD小区或居住地位于或接近城市轨道交通站点辐射区的出行者更倾向使用慢行交通和/或公共交通出行方式．

表2　居民出行方式选择巢式Logit模型结果

注:“/”表示该变量的显著性水平在90%以下(p>0.1); “—” 表示该变量未代入到回归模型中．

表3　居民出行方式选择巢式Logit模型统计

3) 得到的定量化分析结果为城市规划者认识轨道交通在吸引居民出行由小汽车向公共交通转移中的作用提供了理论支持和决策依据．

需要进一步研究的内容包括考虑居民出行OD与其他因素(如非机动车道优化设计、BRT/轻轨站点距离等)之间关系对居民出行方式的影响,研究和建立能够更进一步提高居民出行方式选择预测精度的模型和算法．

References)

[1]Friedman B, Gordon S P, Peers J B. Effect of neotraditional neighborhood design on travel characteristics [J].TransportationResearchRecord, 1994, 1466: 63-70.

[2]Ewing R, Haliyur P, Page G W. Getting around a traditional city, a suburban planned unit development and everything in between [J].TransportationResearchRecord, 1994, 1466: 53-62.

[3]Bagley M N, Mokhtarian P L. The impact of residential neighborhood type on travel behavior: A structural equations modeling approach[J].TheAnnalsofRegionalScience, 2002, 36(2):279-297.DOI:10.1007/s001680200083.

[4]Cervero R. Ridership impacts of transit focused development in California [R]. Berkeley, CA, USA: University of California, 1993.

[5]叶茂, 于淼, 过秀成, 等. 历史城区居民出行活动模式选择影响因素分析[J]. 东南大学学报(自然科学版), 2014, 44(1): 211-215. DOI:10.3969/j.issn.1001-0505.2014.01.038.

Ye Mao, Yu Miao, Guo Xiucheng, et al. Analysis of effects of contributing factors on choice of activity pattern in historic urban areas [J].JournalofSoutheastUniversity(NaturalScienceEdition), 2014, 44(1): 211-215. DOI:10.3969/j.issn.1001-0505.2014.01.038. (in Chinese)

[6]杨励雅, 李霞, 邵春福. 居住地、出行方式与出发时间联合选择的交叉巢式Logit模型[J]. 同济大学学报(自然科学版), 2012, 40(11):1647-1653. DOI:10.3969/j.issn.0253-374x.2012.11.010.

Yang Liya, Li Xia, Shao Chunfu. Cross-nested Logit model for joint choice of residential location, travel mode and departure time[J].JournalofTongjiUniversity(NaturalScience), 2012, 40(11):1647-1653. DOI:10.3969/j.issn.0253-374x.2012.11.010.(in Chinese)

[7]李霞, 高利, 刘玉国. 基于交叉分层Logit的轨道站点周边居住地和出行方式联合选择模型 [J]. 吉林大学学报 (工学版), 2011, 41(6): 1614-1617.

Li Xia, Gao Li, Liu Yuguo. Simultaneous residential location and travel mode choice estimation around rail transit station based on cross-nested Logit model [J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2011, 41(6): 1614-1617. (in Chinese)

[8]万霞, 陈峻, 胡文婷. 基于出行方式和活动交互作用的小汽车使用预测模型 [J]. 东南大学学报(自然科学版), 2009, 39(1):171-176.

Wan Xia, Chen Jun, Hu Wenting. Car use model based on tour mode and activity choice interdependencies [J].JournalofSoutheastUniversity(NaturalScienceEdition), 2009, 39(1):171-176. (in Chinese)

[9]景鹏, 隽志才, 查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11):84-92,108.

Jing Peng, Juan Zhicai, Zha Qifen. Incorporating psychological latent variables into travel mode choice model [J].ChinaJournalofHighwayandTransport, 2014, 27(11):84-92,108. (in Chinese)

[10]周伟, 赵胜川. 基于mixed Logit模型的路线选择行为量化分析 [J]. 吉林大学学报(工学版), 2013, 43(2): 304-309.

Zhou Wei, Zhao Shengchuan. Quantitative analysis of traveler route choice behavior based mixed Logit model [J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2013, 43(2): 304-309. (in Chinese)

[11]Brownstone D, Small K A. Efficient estimation of nested Logit models[J].JournalofBusiness&EconomicStatistics, 1989, 7(1):67-74. DOI:10.2307/1391839.

[12]Clark W A V, Hosking P L.Statisticalmethodsforgeographers[M]. New York: Wiley, 1986：106-115.

Nested Logit model for travel mode choice considering residents’ travel OD or household location

Zhao Jinbao1Deng Wei2Wang Xiaoyuan1Sun Feng1

(1School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255000, China) (2School of Transportation, Southeast University, Nanjing 210096, China)

To quantitatively analyze the impacts of the introduction of rail transit in residents’ travel OD(origin and destination) or household location on the travel mode choice, based on the comprehensive consideration of travelers’ household characteristics, personal characteristics and travel features, using the travel survey data of Nanjing City, three nested Logit models that consider travel OD, residential location, and neither travel OD nor residential location, respectively, are established. The fitting degrees of these three models are compared. Modeling results reveal that the nested Logit model considering residents’ travel OD has the highest model fitting degree. Compared with travelers whose OD or household location are long away from the rail transit station, travelers whose OD or household location near the rail transit station are more likely to use non-motorized and/or public travel modes. These findings provide urban planners with theoretical support and decision-making basis for understanding the role of rail transit in attracting residents from cars to public transport.

travel origin and destination; residential location; catchment area of rail transit station; travel mode choice; nested Logit model

10.3969/j.issn.1001-0505.2016.04.038

2015-10-11.作者简介: 赵金宝(1987—), 男, 博士,讲师, jinbao@sdut.edu.cn.

国家自然科学基金资助项目(61573009, 61074140)、山东省自然科学基金资助项目(2014ZRB01563, ZR2015EL046)、山东理工大学人才引进科研支撑计划资助项目(4041/415021).

10.3969/j.issn.1001-0505.2016.04.038.

U121

A

1001-0505(2016)04-0899-06

引用本文: 赵金宝,邓卫,王晓原,等.考虑居民出行OD或居住地的出行方式选择巢式Logit模型[J].东南大学学报(自然科学版),2016,46(4):899-904.