雾霾天气下城际交通方式选择研究

韩志玲，陈艳艳，李佳贤，熊 杰，张 凡

(1.北京工业大学北京市交通工程重点实验室，北京 100124；2.交通运输部公路科学研究院，北京 100088)

随着城市群的出现，居民出行范围进一步扩大，交通规划尺度从城市本身跨越到城市群，交通需求的层次也更加复杂化和多样化。城市群发展过程中，交通对区域经济一体化及城镇体系布局发挥着重要的支撑和引领作用。城市群交通是城市和镇密集地区各类交通的综合，是对国家经济实力甚至对世界经济有影响力的交通问题。城市群中出行者对各种方式的选择行为是城际间交通需求预测的重要基础。

1 研究综述

交通方式选择模型中多项Logit 模型(Multinomial Logit Model)或巢式 Logit 模型(Nested Logit Model)等应用较多。文献[1]利用荷兰中央统计局的交通调查数据分析了不同天气情况(风速、温度、是否有雨)对使用小汽车到海边旅游的概率，同时引入非天气因素(收入、到海边的距离、是否周末、就业情况、性别、年龄)构建了几个巢式Logit模型，该模型相当于一个模式选择的多项Logit 模型和一个是否去海滩的标准Logit 模型。文献[2]构建了巢式多项Logit 方式选择模型，该模型对出行费用、距离、车站可达性、服务频率、搭载乘客数、停车费用敏感。文献[3]探究了价值观对交通方式选择行为的影响，并建立了含潜变量的分层Mixed-Logit 模型。文献[4]利用结构方程模型(Structure Equation Model)探究了天气状况对交通方式选择、户外温度感知、情感旅游体验的影响。文献[5]以小汽车与轨道交通方式选择行为为研究对象建立了二项Logit 模型。文献[6]应用多项Logit 模型，纳入城市土地利用变量与出行者的家庭、社会、经济等变量，分析其对居民工作与非工作交通方式(私人小汽车、公共汽车、地铁)的影响。

在雾霾对交通方式选择行为的影响方面，既有研究主要集中在城市内部交通方式上，以构建Logit 模型为主。文献[7]通过分析北京市私人小汽车主问卷调查结果发现，随着空气污染程度的提高，车主选择公共交通出行的比例逐渐增加，并利用二项Logit模型建立了包括空气污染程度、公共交通质量等多因素的空气质量与私人小汽车主交通方式选择关系模型。文献[8]通过建立包含居民个人属性、出行特性以及空气污染程度在内的多元Logit 模型，分析雾霾天气下自行车、常规公共汽车、轨道交通、出租汽车、私人小汽车五种交通方式的分担率和转移率。文献[9]基于计划行为理论建立了结构方程分析模型分析雾霾天气对公共交通、私人小汽车、电动自行车、自行车、步行五种交通方式的影响。

图1 交通方式选择意愿分布Fig.1 Distribution of travel mode choice

在城际间交通方式选择行为研究方面，考虑的交通方式主要有铁路、公路、航空中的某几种。文献[10]基于高速铁路(以下简称“高铁”)车站和机场的调查问卷构建了个人特质和出行特征影响因素下高铁和民航两种交通方式选择的二项Logit模型。文献[11]将计划行为理论引入城际出行行为研究中，探讨了计划行为理论及各变量对于城际交通方式(普速铁路、城际铁路、高速铁路和长途汽车)选择行为意向的影响。

本文以城市群中的主要交通方式，包括小汽车、长途汽车、高铁、飞机为研究对象，并包含“决定不出行”这一行为决策，探究雾霾天气对城际交通方式选择行为的影响。

2 研究方法

2.1 城际交通方式选择意愿调查

雾霾天气不仅对人类健康产生危害，而且给交通安全带来更多风险。随着大众对雾霾危害认知的逐渐加深，出行者在选择交通方式时逐渐受到雾霾天气的影响。考虑到轻度及中度雾霾对出行环境影响及引起出行者的感知较小，故本文以最不利情景，即重度雾霾天气为背景展开研究。下文所述雾霾天气均指重度雾霾天气。

本文以京津冀城市群为例，分析在遭遇雾霾天气的情况下出行者的出行目的、个人属性特征、出行特征等对城际交通方式选择行为的影响。在城际出行实际发生地即京津冀区域内的高铁站、火车站、高速公路服务区等地发放出行意愿问卷，共收集2 300 份有效问卷。交通方式选择意愿、性别、年龄、职业、驾龄、出行频率、出发地和目的地的分布分别如图1、图2 所示。雾霾天气下，商务类出行计划中选择高铁的出行者最多；而休闲类出行计划中选择不出行者最多，其次是高铁；两类出行中选择长途汽车和飞机方式的出行者均较少。

2.2 多项Logistic回归模型

多项Logistic回归是二项Logistic回归模型的扩展，分为有序多项Logistic 模型和无序多项Logistic 模型。由于本文研究的不同交通方式之间不存在递增或递减的序次关系，因此采用无序多项Logistic 回归模型。假设因变量有m个类别，则因变量每一分类的条件概率为

式中：Pj为因变量为j时的概率，j=1,2,…,m；xi为自变量，i=1,2,…,n；αj和βij为模型的回归截距和回归系数。

多项Logistic 回归通过拟合一种称作广义Logit 模型的方法来建模。首先选取某一类别为参照类，例如，如果以第1 类为参照类，则α1和βi1等于0，参照类及其他类别的条件概率分别如式(2)和式(3)所示：

之后以每一分类与该参照类做比较，得到m-1个广义Logit模型。如果以使用小汽车作为参照类，则得到以下5 个广义Logit模型。

式中：P1，P2，P3，P4，P5分别为雾霾天气影响下公众出行选择小汽车、高铁、长途汽车、飞机和决定不出行的概率；xi为影响居民出行选择的指标。

2.3 变量设置

利用调查数据，建立多项Logistic 回归模型。以交通方式选择结果为因变量，自变量中出行时耗为连续变量，直接取调查值，性别、年龄、职业、出行频率、驾龄、出发地、目的地为分类变量(见表1)。文献[12]指出，SPSS 默认将所有的自变量均视作连续性变量。而多分类变量按编码数值来分析实际上是强行规定为等距，这可能引入更大的误差。因此，必须将原始的多分类变量转化为数个哑变量，每个哑变量只代表某两个级别或若干个级别间的差异，这样得到的回归结果才有明确而合理的实际意义。根据哑变量设置规则[12]：对于取值有n个水平的自变量xi会产生n-1 个哑变量，此时会以第n个水平为参照水平，即分类变量编码矩阵中元素均为“0”的那一行，表示以该自变量相对应的取值水平为参照变量。以性别和年龄两个变量为例，具体设置见表2。

图2 出行者特征及其出行特征分布Fig.2 Distribution of travelers'characteristics and travel characteristics

表1 自变量编码Tab.1 Description of independent variables

3 研究结果

3.1 商务出行计划

利用软件SPSS19.0 对有效数据进行多项Logistic 回归分析，变量进入规则为“步进式”中的向前进入。对模型中是否所有自变量偏回归系数全为0进行似然比检验(见表3)，由于雾霾天气影响下商务出行计划的交通方式选择模型中，未引入自变量时-2 倍对数似然值为4 451.840，引入自变量后减小至4 136.888，二者之差为314.952，自由度为56，p＜0.001，表明至少有一个自变量的偏回归系数不为0，模型有意义。商务出行计划中出行者的驾龄、出行频率、职业、出发地、目的地均对模型具有显著影响，出行时耗、性别、年龄在统计意义上影响不显著。

以使用小汽车出行为参照类别，表4 为商务出行计划的交通方式选择模型参数标定结果。其中偏回归系数B所在列和截距所在行的交叉处数字即为式(4)～(7)中的αj，其他B 列数字为回归系数βij，Exp(B)为优势比。以选择“使用高铁出行”为例对βij，Exp(B)的含义进行说明：出行频率为“很少”“偶尔”“经常”的回归系数为正，说明出行频率为“很少”“偶尔”“经常”的居民比出行频率为“频繁”的居民更倾向于选择高铁出行；Exp(B)的数值表示，在其他因素相同的条件下，出行频率为“很少”“偶尔”“经常”的居民“使用高铁出行”的概率与“使用小汽车出行”的概率之比分别是出行频率为“频繁”的居民这一比值的2.561 倍、1.415 倍、1.393 倍，雾霾天气下的刚性需求出行计划中，居民从公路出行转移至高铁出行的概率随着出行频率的减少而增加。出发地为“非京津冀”“河北省”的回归系数为负，说明从两地出发的居民相较于从“北京市”出发的居民不倾向于乘坐高铁。出发地为“非京津冀”“河北省”的居民“使用高铁出行”的概率与“使用小汽车出行”的概率之比分别是出发地为“北京市”的居民这一比值的0.446倍、0.390倍，说明雾霾天气下的刚性需求出行计划中，居民公路出行转移至高铁出行的概率由出发地为“北京市”“天津市”“非京津冀区域”“河北省”依次降低。其他情况下回归系数以及Exp(B)的含义以此类推。

“使用高铁出行”模型中具有统计学意义的因素有：出行频率为“很少”“偶尔”“经常”，出发地为“非京津冀”“河北省”，目的地为“天津市”；“使用长途汽车出行”模型中具有统计学意义的因素有：“无驾照”，出行频率为“很少”“偶尔”。“使用飞机出行”模型中具有统计学意义的因素有：“＞3年驾龄”，出行频率为“很少”，职业为“其他”，出发地为“河北省”；“决定不出行”模型中具有统计学意义的因素有：出行频率为“很少”，职业为“其他”“自由职业”，出发地为“河北省”。

雾霾天气影响下商务出行计划的交通方式选择模型为：

表2 哑变量设置Tab.2 Dummy variables setting

表3 商务出行计划交通方式选择模型似然比检验结果Tab.3 Likelihood ratio tests of business travel mode choice model

表4 商务出行计划以小汽车出行为参照的其他交通方式选择模型参数标定结果Tab.4 Parameter calibration of business travel mode choice model referring to car travel

3.2 休闲出行计划

对模型中是否所有自变量偏回归系数均为0进行似然比检验(见表5)。雾霾天气影响下休闲出行计划的交通方式选择模型中，未引入自变量时-2 倍对数似然值为4 726.290，引入自变量后减至4 378.763，二者之差等于347.526，自由度为56，P ＜0.001，表明至少有一个自变量的偏回归系数不为0，模型有意义。

休闲出行计划中出行者的驾龄、出行频率、年龄、出发地、目的地均对交通方式选择模型具有显著影响，出行时耗、性别、职业在统计意义上影响不显著。模型参数标定结果如表6所示。

“使用高铁出行”模型中具有统计学意义的因素有：“无驾照”，出发地为“非京津冀”或“河北省”，目的地为“天津市”。“使用长途汽车出行”模型中具有统计学意义的因素有：“无驾照”，出行频率为“偶尔”，出发地为“非京津冀”。“使用飞机出行”模型中具有统计学意义的因素有：年龄为“21～40 岁”“41～60 岁”。“决定不出行”模型中具有统计学意义的因素有：“无驾照”，出行频率为“很少”“偶尔”，出发地为“河北省”。

雾霾天气影响下休闲出行计划的交通方式选择模型为：

4 结语

雾霾已经成为影响居民交通方式选择过程中一个不可忽略的重要因素。雾霾导致居民的城际交通方式选择意愿和选择行为发生改变，如小汽车使用者在雾霾天气下可能转移至非小汽车出行，这与不同交通方式在不同情况下的吸引力有关。铁路出行抵抗恶劣天气干扰能力强、快捷、准时、安全性高，故在恶劣天气下的出行中成为首选。

表5 休闲出行计划的交通方式选择模型似然比检验结果Tab.5 Likelihood ratio tests of leisure travel mode choice model

交通方式发生转移的概率由个人属性特征、出行特征决定。刚性出行和弹性出行中影响交通方式选择的因素不同，且影响程度不一。刚性出行中，驾龄对使用长途汽车和飞机出行影响显著，驾龄越短，使用长途汽车的概率越大；出行频率对方式选择的影响显著，且出行频率越小选择非小汽车出行的概率越大；职业对飞机出行和决定不出行影响显著，非企业单位员工更倾向于乘坐飞机或决定不出行；出发地对使用高铁、飞机或决定不出行影响显著，且北京市居民更倾向于非小汽车出行；目的地对高铁出行影响显著，目的地为天津时最倾向于选择高铁。弹性出行中，年龄对使用飞机出行影响显著，年龄越大使用飞机出行的概率越小。

研究过程中未考虑出行费用对交通方式选择的影响，下一步研究中应将该因素加入。

表6 休闲出行计划以小汽车出行为参照的其他交通方式选择模型参数标定结果Tab.6 Parameter calibration of leisure travel mode choice model referring to car travel