基于MNL模型的网约车乘客出行行为

刘鑫， 韩浩， 吕崧平， 熊浩然， 曲彦菘， 李纲，2*

1.大连交通大学 交通运输工程学院，辽宁 大连 116028; 2.大连海事大学 交通运输工程学院，辽宁 大连 116026

0 引言

近年来，网约车在互联网和共享经济的背景下迅速发展。美国科技公司优步(Uber)与来福车(Lyft)、印度的共享出行(Ola)以及我国的滴滴出行(涵盖出租车、专车、滴滴快车、顺风车、代驾及大巴、货运等多项业务在内的一站式出行平台)等以网约车为业务的公司顺应而生，这是“互联网+”发展的新形态、新业态，是知识社会创新2.0推动下互联网形态的演进，极大地方便了市民的出行。

近年来国内关于网约车的研究硕果累累。在模型选择研究方面：陈林[1]借助统计产品与服务解决方案软件(statistical product and service solutions，SPSS)与Nlogit软件利用采集的出行行为数据分别构建多项评定(multinomial logit，MNL)模型和巢式评定 (nested logit，NL) 模型，通过其拟合优度探讨2种模型在参数估计上的差别；刘建明等[2]介绍了基于行为模型的基本理论及非集计模型，分析了集计和非集计模型两者之间的关系；王茁等[3]采用MNL模型分析影响城市居民选择各种公共交通出行方式的影响因素；冯明兵等[4]建立家庭活动出行链选择结果的 MNL模型，并用于出行预测。刘悦[5]将MNL模型用于铁路客运枢纽的对外出行衔接方式选择行为研究。在网约车对出行方式和交通运行的宏观影响方面：高永等[6]以北京市居民为研究对象，通过数据扩样计算，得到网约车日出行量和转移交通量等数据；李青云[7]研究网约车出行意愿的影响机制并对运价提出独到的见解；李卓君[8]探讨了网约车的多元化服务对居民出行方式行为选择的影响效应；文献[9-12]利用多种不同方法进行网约车出行需求方面的研究。在分析网约车数据与使用算法方面：崔宇超等[13]通过出租车及快车网络订单数据分析乘客的出行特征；李甜等[14]采用K-Means聚类分析方法以网约车轨迹数据为基础研究居民出行特征，实现对城市交通状态的识别；文献[15-17]基于网约车出行行为数据分析居民的出行需求特征。在网约车对出租车行业的影响方面：文献[18-20]探讨了网约车对出租车行业以及对居民出行的影响；Guo等[21]利用博弈模型和竞争定价模型，进一步分析网约车与传统出租车的博弈关系，得出双方合作可实现交通资源的高效利用，减少城市拥堵的结论。

本文从网约车乘客的角度出发，进行大连市网约车乘客的出行行为及方式选择的意向调查，建立MNL模型，探索不同因素的影响程度并进行弹性分析，据此为城市网约车的管理提供借鉴。

1 模型构建

1.1 MNL模型构建

离散选择模型用来分析和预测决策者从一组有限的相互排斥和集体穷尽的选择枝中选择一个方案，能够预测一群人的决策行为。MNL模型是一种相对简单且应用广泛的离散选择模型，主要适用于研究选择某种方案的概率与决策因素的特征变量之间的关系。

效用是个人价值的一个指标，是从选择枝或选择枝的属性衍生而来，意味着存在一个包含选择枝属性和个人特征的函数，该函数描述了每个选择枝的个人效用评估。对于效用函数U，当且仅当选择枝i的效用大于或等于选择集中所有其他选择枝j的效用时，则选择i。

出行者n选择选择枝i的总效用函数

Uin=Vin+εin，

式中：Vin为Uin的固定项，εin为Uin的误差项。

假设固定效用项Vin与选择枝i的第k个影响因素Xkin呈线性关系，则有

式中：N为特征变量的个数，βk为第k个变量对应的系数。

假设Vin和εin相互独立，随机效用各分布服从Gumbel分布，根据其基本效用理论，n选择出行方式i的概率

1.2 基于MNL模型的网约车选择模型

将网约车与其他几种出行方式进行对比分析，选择枝为出租车c、网约车w、私家车s、常规公交b和地铁d,选择枝集合C=(c,w,s,b,d)。

设各个选择枝的总效用包含个人社会经济属性、出行特征属性和服务水平评价3方面。将出行时间、出行费用、出行目的、出行距离、乘坐网约车频率等变量设置为出行特征属性，个人社会属性包括年龄、学历、家庭收入、私家车拥有情况等，服务水平评价为某方面的满意度。

相关参数及其符号定义如表1所示。根据数据的特征和研究的侧重点，主要考虑30及30以下年龄段和40及40以上年龄段对选择枝偏好的影响。表1中的“自由时间满意程度”是指生活满意度中的一个维度，生活满意度还包括社交满意度、健康满意度等，自由时间满意度对生活的满意度影响比较显著，故将此纳入到模型中。

表1 模型变量及符号定义

选择枝i的总效用函数

式中：Ain为选择枝固有常量，Tin为出行特征属性，Rin为个人社会经济属性，Oin为乘客满意程度属性，βTk、βRk、βOk分别为相应变量对应的系数。

本模型将私家车作为参考选择枝，通过极大似然法求解。利用R语言软件进行编程，通过拟牛顿法利用Hessian矩阵求解MNL并标定参数β。模型的具体效用方程为：

Vs=βs1t0s+βs1ps，

(1)

Vc=Ac+βc1t0c+βc2pc+βc3x+βc4a+βc5h+βc6g+βc7o+βc8e+βc9z+βc10y+βc11q+βc12f+βc13m+βc14u，

(2)

Vw=Aw+βw1t0w+βw2pw+βw3x+βw4a+βw5h+βw6g+βw7o+βw8e+βw9z+βw10y+βw11q+βw12f+βw13l+βw14m+βw15u，

(3)

Vb=Ab+βb1t0b+βb2pb+βb3x+βb4r+βb5h+βb6g+βb7o+βb8e+βb9z+βb10y+βb11q+βb12l+βb13m，

(4)

Vd=Ad+βd1t0d+βd2pd+βd3x+βd4r+βd5h+βd6g+βd7o+βd8e+βd9z+βd10y+βd11q+βd12m，

(5)

式中：Vs、Vc、Vw、Vb、Vd分别为s、c、w、b、d的效用函数，Ac、Aw、Ab、Ad分别为c、w、b、d的常数项，βs1～βs2、βc1～βc14、βw1～βw15、βb1～βb13、βd1～βd12分别为s、c、w、b、d的相应变量对应的系数。

2 问卷调查与样本统计

2.1 问卷设计

本次问卷调查的对象是大连市内具有网约车乘车经历的乘客，调查区域覆盖大连市西安路商圈、华南广场商圈、青泥洼桥商圈和高新万达商圈等主要城市商圈，调查时间为2018年6月，采用面对面的调查方式。问卷内容主要涉及网约车乘客的出行意向调查(stated preference,SP)、网约车的日常乘用和服务评价以及个人社会经济属性等信息。模型中的个人社会经济属性、出行特征属性和乘客满意度属性各变量的编码如表2所示。表2中的出行距离(变量)在模型中有2个赋值， 12 km代表长距离出行， 5 km代表短距离出行。

表2 模型变量的编码及含义

SP调查的场景设计通过对出行人数、出行距离、出行目的、高峰溢价、优惠折扣、公交换乘和地铁可达性7个属性进行正交设计实现，其属性按照不同水平进行组合，共生成16种情景纳入到调查问卷中，为减轻被调查者的负担，每个问卷包括2个场景，共8种问卷，具体属性及其水平如表3所示。

表3 SP调查的属性及水平

2.2 调查样本统计与分析

1)个人社会经济属性

本次共调查1158人，每人涉及到2个SP场景，经过数据处理删除可信度低和缺失的数据，最终得到1016条数据，表4展示了调查人群的基本社会经济属性特征。考虑到不同年龄段、不同学历、私家车拥有的不同情况、不同家庭收入与职业群体可能对交通方式选择偏好的影响，建模时针对上述影响因素进行不同的设置与尝试，以便更加准确地捕捉不同影响因素的作用规律。

由表4可知：乘用网约车的男女比例大致相同，年龄以30岁以下的乘客居多，乘客的主要学历为本科及以上，有车家庭的乘客约占60.6%，在一定程度上说明有车家庭更愿意乘用网约车。家庭收入主要分布比较均匀，调查对象以学生居多。

表4 网约车乘客社会经济属性统计

2)乘客个人特征分析

选择私人交通与公共交通的乘客学历、家庭收入与职业占比如表5～7所示。由表5～7可知：不同学历的乘客选择私人交通(私家车、出租车和网约车)和公共交通(公交车和地铁)的比例没有明显区别；随着家庭收入的增高，更多人偏向于乘用私人交通；公务员、教育研究人员、医疗卫生人员、管理技术人员等选择公共交通出行的居多。

表5 选择私人交通与公共交通的乘客的学历占比 %

表6 选择私人交通与公共交通的乘客的家庭收入占比 %

表7 选择私人交通与公共交通的乘客职业占比 %

3 模型分析

3.1 模型参数标定与分析

通过R语言编程，对模型(1)～(5)进行标定，模型的参数标定结果如表8所示。

表8 MNL模型参数标定结果

由表8可知：

1)模型的拟合优度。MNL模型的整体拟合优度McFadden伪R2为0.14，说明模型具备一定的解释能力。

2)个人社会经济属性。x的t在c、w、b、d4种交通方式上均小于1.65，统计上不显著，故性别因素在交通方式选择上没有产生实质性的作用。a选择乘用出租车的t=-2.538，接近99%显著性置信水平，表明30岁及30岁以下的年轻人不喜欢乘用出租车，这可能是以前不愉快的乘用经历造成的；r选择乘用公交车的t=2.374，对公交车有明显的偏好。h选择各种交通方式的t均较大，揭示了学生群体对各种交通方式的偏好都很显著，在一定程度上说明他们还没有形成利用某种特定交通方式的习惯。g和o对乘地铁出行有明显倾向特征，t均大于1.96，在数理统计上达到95%显著，在一定程度上反映出他们对交通方式的相对快捷、准时和舒适等特征的偏好。

e选择出租车和网约车的t分别为-3.250和-2.149，统计上的显著性表明学历越高的人，越倾向于乘用私家车、公交车和地铁，即在不利用私家车时更加偏重乘坐环保的公共交通，对出租车和网约车的偏好较小。提高居民的认识与自身理念，使其理性选择满足多样化出行需求的网约车，在一定程度上是合理利用网约车的关键因素之一。z高的乘客相对于公共交通，更喜欢乘用私家车、出租车和网约车，这3种出行方式没有明显区别。y的t均为负值，说明其对于其他交通方式的选择有明显的抑制作用， 从侧面说明了出租汽车类交通方式在某些情形下对私家车的使用有一定的替代作用。提高网约车的服务水平和愉快感受可以有效减少私家车的利用率，从而进一步影响甚至抑制私家车拥有量的增长，这也应该成为促进网约车健康发展的一个方向。

3)出行特征属性。q对于出行方式的选择有显著影响，公交车和地铁的t为-2.896与-3.645表明了这一点。对于有明显时间要求到达的出行目的，乘客更愿意选择私家车、出租车和网约车而非公共交通。t0、p对交通方式的选择都有显著的影响。接近50%的网约车乘客利用网约车的频率在1～2次/周以上。

4)乘客满意度。司机越有礼貌，人们就越愿意乘用出租车和网约车。本文初步探索了生活满意度中的一个维度，即m对于交通方式选择的影响，结果表明,对自由时间满意的乘客更愿意乘用出租车和网约车。

3.2 弹性分析

弹性分析描述变量之间存在函数关系时因变量对自变量变化的反应程度。这里是指各种交通方式分担率的显著影响因素的变化引起的出行选择分担率的相对变化。弹性反映影响因素对结果的影响程度，弹性大于1表明变量富有弹性，即变量对结果的影响程度大。

直接弹性定义为交通出行方式i的影响因素的变化引起i自身的分担率的相对变化，i的概率对第k个特征变量的直接弹性

(6)

式中：βk为i的第k个变量的系数，Xik为i的第k个特征变量的期望，Pi为i的选择概率。

交叉弹性定义为i的影响因素的变化引起另一种交通出行方式j的分担率的相对变化，则i的第k个特征变量对于j的交叉弹性

(7)

MNL模型的一个重要特性是选择集中所有选择枝的交叉弹性相同[22]，基于式(6)(7)，分别计算各种交通方式的t0、p的直接弹性和交叉弹性，如表9所示。

表9 弹性分析结果

由表9可知：

1)出租车和网约车的t0直接弹性的绝对值较公交车、地铁和私家车小，出租车和网约车的t0直接弹性分别为-0.307和-0.602，说明相对于其他3种交通方式，增加或减少出租车和网约车的t0对乘客使用这2种交通方式的影响相对较小，进一步说明被调查者对于这2种交通方式的偏爱程度。公交车的t0直接弹性很大，为-1.178，即t0每增加(或减少)1%，选择公交出行的概率会减少(或增加)约1.178%，表明人们对公交车t0的敏感性更高，因此提高公交车服务水平，尤其是缩短公交车t0，是城市发展公交系统、吸引市民乘坐的一种重要手段。

2)网约车和私家车的交叉弹性较小，两者每增加10%的t0分别会有0.96%和0.54%的概率选择其他交通方式，意味着人们对网约车和私家车更加依赖，可能与网约车司机的礼貌程度、网约车和私家车的舒适性等特征有关。

3)出租车和网约车在整体上的p弹性高于t0弹性，而公交车及地铁的p弹性在整体上低于t0弹性。其原因可能在于公共交通的p本身不高，居民出行更加关注t0。而出租汽车类交通方式较公共交通p明显偏高，p的变化对出租车与网约车的选择会有更大的影响。建议网约车应优先从价格因素等方面来调控运营市场。

4)公交车与地铁p的直接弹性与交叉弹性都很低。通过调整出租车和网约车交通方式的p可以相对显著地影响其分担比例，而公共交通方面应侧重于提高其服务水平，比如运行时间等，提高其分担率。

4 结语

本文以2018年大连市主要商圈内的出行者为调查对象，设计包含SP意向调查的出行行为调查，考虑乘客个人社会经济属性、出行特征属性及满意度3方面的影响因素构建MNL模型，分析网约车乘客的出行选择行为。

30岁及30岁以下的人群有不愿意乘用出租车的倾向，40岁及40岁以上人群对公交车有明显的偏好。工人与服务业人员对公共交通有明显的偏好。学历、家庭收入和私家车拥有情况都是交通方式选择的重要影响因素。网约车的利用频率和司机的礼貌程度对出租车和网约车的选择有重要影响。出行时间和出行费用的弹性分析及对比从侧面表明公共交通方面应侧重于提高运营速度等服务水平。