不同货物品类对运输时效的偏好差异性分析

简文良，刘肖肖，高良鹏

（福建工程学院 交通运输学院，福建 福州 350118)

0 引言

2020 年，我国铁路货运量仅占社会货运总量9.63%，而公路货运量占比高达72.44%。运输结构失衡导致交通拥堵、能耗高企和环境污染等社会矛盾加剧。为此，国务院发布的《推进运输结构调整三年行动计划(2018—2020 年)》《交通强国建设纲要》等文件中明确提出加快运输结构调整，推动交通运输高质量发展。促进货物运输方式“公转铁”是运输结构调整的重要内容。当前，铁路货运服务水平，尤其是在运输时效方面，难以满足市场需求是制约货运“公转铁”的重要原因之一。因此，掌握托运人对货运服务的运输时效偏好，针对性改善铁路运输时效对推进“公转铁”、优化运输结构具有重要意义。

运输时效反映运输企业针对货主所提出的运到期限的响应能力[1]，一般由平均运输时间(Average Transport Time，ATT)和运输时间可靠性(Transport Time Reliability，TTR) 2 部分内容构成，前者体现满足运到期限的平均水平，后者体现持续满足运到期限的稳定程度[2]。TTR 不同于ATT，ATT具有明确的度量指标，而既有研究中采用不同指标度量TTR，包括：一是统计指标，主要为时间分布特征指标；二是延误指标，分为延误概率型(主要为及时送达/延误概率、运到期限保障率)和延误时长型(主要为平均延误时长)[3]。在借鉴Kouwenhoven 等[4]研究结论的基础上，考虑受访者的易理解度，选用时间波动值(即最长运输时间与最短运输时间的差值)作为TTR 度量指标。

运输时效对提升铁路竞争力至关重要，国内外学者已开展诸多相关研究。国内研究主要从运输企业视角探讨提升运输时效，刘杰等[5]研究调整车站资源分配以满足货物时效性要求；万鑫兴等[6]分析通过车流集结优化克服铁路运输时效性较差的缺陷；傅赟等[7]在构建运输时效考核体系基础上，从机构设置、责任划分、管理考核等提出铁路运输时效保障方案。总体而言，国内运输时效研究中，从需求者视角分析托运人对运输时效偏好的文献较少，且对运输时效的探讨多集中于ATT。国外文献则主要通过估计运输时效的货币价值分析托运人对运输时效的偏好，包括时间价值(Value of Time，VOT)和可靠性价值(Value of Reliability，VOR)[8-10]。VOT 和VOR 反映托运人愿意为单位ATT 和TTR提升而支付的货币量，体现运输需求者对运输服务产品的时效偏好。不同货物品类对运输时效的偏好不同，表现出显著的VOT 和VOR 差异。而既有研究的建模中缺少考虑货物品类变量，对不同货物品类的时效偏好分析不足。

基于此，以运输需求为导向，依据相关标准进行货物品类划分，构建托运人货运方式选择模型，研究不同货物品类的VOT 和VOR，分析不同货物品类对运输时效偏好的差异性；进一步，通过模型结果的弹性分析，探讨铁路运输时效(包括ATT 和TTR)提升对铁路分担率的影响，为铁路运输企业针对差异化运输需求改善相应的运输服务提供理论参考。

1 不同货物品类对运输时效的偏好差异性模型构建

1.1 理论基础

采用离散选择理论研究托运人在货运方式选择时，对运输时效性(包括ATT 和TTR)的权衡，进而分析其对时效性的偏好差异。在离散选择理论中，托运人n选择货运方式i的效用Uni由可观测项Vni和不可观测项εni组成，公式如下。

式中：xnik为备选方式i影响托运人n选择的第k个变量；βk为xnik相应的待估计参数。

依据εni的分布类型假设，可以得到不同的离散选择模型类型[11]。其中，多项Logit (Multinomial Logit，MNL)模型是应用最广泛的模型。但是，MNL 模型假设不同选项的不可观测项服从极值分布且相互独立，造成该模型具有无关方案独立(Independence of Irrelevant Alternatives，IIA)缺陷。其次，MNL 模型假设变量参数为固定常数，因而不能反映不同个体的决策差异。混合Logit (Mixed Logit，ML)模型放松了不可观测项分布类型和独立性限制，且假设变量参数服从随机分布，能够更好地揭示托运人偏好差异问题[12]。因此，选用ML模型研究托运人货运方式选择时的时效性偏好差异。ML 模型中，托运人n选择备选方式i的概率Pni表示公式如下。

式中：Lni(β)为参数β的多项Logit 概率；f(β)为β所服从的随机分布的概率密度函数。

在模型结果基础上，拟从时效性变量的支付意愿(即VOT 和VOR) 和分担率的时效性变量弹性 2 个方面，分析不同货物品类对运输时效偏好的差异性。其中，VOT 和VOR 的计算公式如下。

式中：WVOT，WVOR分别为时间价值和可靠性价值；U为选择效用；T为ATT，h；R为TTR，h；C为运输费用，元/t；βc，βt，βr分别为运输费用、ATT 和TTR 的估计参数。

分担率弹性反映某一特定影响因素的单位变化率带来的备选方式被选择概率的变化率大小，其计算公式如下。

式中：E为分担率弹性值；pi为备选方式i的被选择概率；Δpi为pi变化值；xi为备选方式i的影响因素；Δxi为xi的变化值。

1.2 效用函数构建

首先基于完整数据集(即不划分货物品类)进行建模研究，定义为基础模型，通过基础模型的时效性变量的参数估计值分布特征，验证是否存在运输时效性偏好差异。在基础模型中，为提升模型对货运方式选择行为解释的准确性，除运输方式属性变量外，还综合考虑托运人属性、货物属性和托运属性等因素。其中，托运人属性、货物属性和托运属性的处理借鉴既有研究成果[13-14]，并结合实地调研访谈，采用0-1 变量形式。影响变量定义如表1 所示。

表1 影响变量定义Tab.1 Definition of related variables

基于上述变量选取，得到基础模型的效用函数形式如下。

式中：Uroad，Urail分别为选择公路和铁路运输的效用；ASC为待估计常数项；βf，βh，βd，βw分别为公司性质、密度、运输距离、托运批量的参数；Croad，Troad，Rroad，Froad，Hroad，Droad，Wroad分别为公路运输的费用、ATT、TTR、公司性质、密度、运输距离、托运批量；εroad为公路运输不可观测项；Crail，Trail，Rrail分别为铁路运输的费用、ATT、TTR；εrail为铁路运输不可观测项。

在验证运输时效偏好差异性的基础上，重点探讨由于货物品类差异造成的时效性偏好差异。基于我国货物运输需求以工业品运输需求为主的现状，选取工业品运输为研究对象。在参考既有研究的货物品类划分的同时[14]，依据《国民经济行业分类》，货物品类划分结果如表2 所示。

表2 货物品类划分结果Tab.2 Classification of cargo categories

基于划分的4 种货物品类，得到4 个数据子集，分别构建模型效用函数，定义为货物分类模型。考虑到划分后的数据子集样本较小，分类模型效用函数仅考虑货运方式属性变量，效用函数形式如下。

式中：q为货物品类。

基于ML 模型理论分别对上述效用函数进行参数估计。参照Daly 等的研究结论，将βt和βr设为随机参数，其余参数设为固定值[15]。随机参数的分布类型设为受限三角分布，以确保参数抽样符号始终为负[16]。

2 案例分析

2.1 数据调查

以沪宁铁路(上海—南京西)沿线南京、镇江、常州、无锡、苏州和上海6 个城市的托运人为受访对象，开展托运人选择行为意愿调查。调查包括实际(Revealed Preference，RP)和意向(Stated Preference，SP)调查2 部分，重点获取货物品类信息，并分析ATT 和TTR 变化对运输方式选择的影响。此外，为更加准确地反映影响选择变化的因素，调查还收集托运人公司属性、货物属性、托运属性和运输方式费用等数据。

调查形式采用线下一对一辅导问卷填写形式，并得到中国铁路上海局集团有限公司上海货运中心和沿线城市公路货运场站的支持，以保证调查的完成率和问卷回收率。最终，共116 家受访企业完成问卷填写，获取2 121 条有效数据，涵盖表2 中划分的4 种货物品类类型，各种类型货物托运数据的比例分布如表3 所示。

表3 各种品类货物托运数据的比例 %Tab.3 Proportion distribution of shipment data for various cargo categories

2.2 基础模型

利用调查获取的行为意愿数据，分别对基础模型和货物分类模型进行参数估计，基础模型的参数估计结果如表4 所示。

表4 基础模型的参数估计结果Tab.4 Estimated results of parameters in basic model

由表4 可知，时效性变量参数(和)值均略高于费用变量参数，表明托运人在选择货运方式时更看重运输方式的时效。其次，时效性变量参数的标准差均显著，表明不同托运情况下托运人对时效性的偏好具有显著差异。从支付意愿来看，VOT 的均值高于VOR，说明相较于减小运输时间波动范围，托运人更愿意为缩短运输时间买单，这与新时代货运需求特征呈现高速化的现状一致[17]。而VOT的标准差也显著高于VOR的标准差，说明托运人对ATT 的偏好差异大于对TTR 的偏好差异。VOT 和VOR 在受访群体的概率分布如图1所示。时效性的偏好差异是由货物品类、运输距离、托运批量、托运习惯等多要素引起的，在下一节中将重点分析货物品类不同引起的时效性偏好差异。

图1 VOT 和VOR 在受访群体的概率分布Fig.1 Probability distribution of VOT and VOR in surveyed population

此外，从非运输服务属性变量来看，公司性质、运输距离、托运批量和货物密度的变量参数均显著为负，说明：①与货主相比，货代更青睐铁路；②运输距离越长，托运人对铁路的偏好越高；③托运批量越大，托运人越倾向选择铁路；④重质货物更倾向选择铁路。

2.3 货物分类模型

货物分类模型将重点比较4 种货物品类在选择运输方式时，对运输时效的偏好差异。偏好差异比较从时效性变量的支付意愿和铁路分担率的时效性变量弹性2 个维度展开。货物分类模型的参数估计结果如表5 所示。

表5 货物分类模型的参数估计结果Tab.5 Estimated results of parameters in cargo classification model

从支付意愿来看，在VOT 方面，货物品类Ⅳ(加工工业品)、Ⅱ(非农产品为原料的生活资料)和Ⅰ(农产品为原料的生活资料)的VOT 显著高于货物品类Ⅲ(采掘、原材料工业品)，这一结果与既有文献的结论一致[12]。货物品类Ⅳ的产品价值高，品类Ⅰ和Ⅱ的库存控制提前期短，因而更看重ATT 的长短。而对于货物品类Ⅲ的单位货物价值较低，且以“推动式”供应链的模式为主，补货周期较长，因而对ATT 敏感性低。在VOR方面，货物品类Ⅰ和Ⅳ显著高于货物品类Ⅱ和Ⅲ。这是由于货物品类Ⅳ以电子产品居多，市场产品更新换代周期短；货物品类Ⅰ，多具有易腐变质的特性。延误送达容易造成这2 类货物的市场价值大幅降低，因而选择货运方式时更看重运输时间稳定性(即TTR)。而对于货物品类Ⅱ和Ⅲ，产品同质化程度高，换代周期长，偶发性延误对产品价值影响较小。

从铁路分担率弹性来看，不同货物品类的时效性变量弹性分析结果如表6 所示。由表6 可知，4种货物品类的ATT 弹性均高于TTR 弹性，表明在当前的铁路货物服务水平下，缩短ATT 对提升铁路市场分担率的效果显著高于改善TTR。这一结论与实际调研结果一致。当前铁路“门到门”ATT是公路的2～ 3 倍，对于中短途运输甚至达到3 倍以上，是托运人更加青睐公路的重要原因。而对于TTR，铁路货运由于转运换装等环节众多，TTR虽然不高，但公路货运由于拥堵、限行、恶劣天气等，TTR 甚至不如铁路。其次，从4 种货物品类的ATT 弹性比较，货物品类Ⅱ的ATT 弹性略高于其他货物品类，表明缩短ATT 对提升铁路在货物品类Ⅱ的分担率效果最为显著。综上，当前优化运输组织，加大高质量直达、快运班列等高等级货运列车开行以缩短ATT，是提升铁路分担率的重要任务，尤其是在生活资料的运输需求市场。

表6 不同货物品类的时效性变量弹性分析结果Tab.6 Elasticity analysis results of timeliness variables for different cargo categories

3 结束语

分析不同货物品类对运输时效的偏好差异，能够为铁路运输企业设计差异化货运产品提供理论依据。基于沪宁铁路沿线城市的托运人行为意愿调查，划分4 种货物品类，采用ML 模型从ATT和TTR 两方面研究托运人对运输时效的偏好差异。结果表明，生活资料和加工工业品VOT 显著高于采掘、原材料工业品；农产品为原料的生活资料和加工工业品的VOR 显著高于其他2 类货物；缩短ATT 是当前提升铁路分担率的重要任务，尤其是在生活资料的运输需求市场。后续研究中，将扩大样本规模、细化货物品类的划分，以进一步验证和完善研究结论。