货运方式“公转铁”的惯性效应研究

0 引言

加快货物运输“公转铁”、优化货运结构是实现“碳达峰、碳中和”的重要工作内容之一。近年来，各级政府部门持续出台相关政策以推进货运“公转铁”，2019年9月中共中央、国务院印发《交通强国建设纲要》，将“推进大宗货物及中长距离货物运输向铁路和水运有序转移”列为重点任务。在此背景下，货运“公转铁”取得明显成效，尤其是在大宗物资、港口集疏运市场方面。但是，在“白货”运输市场方面，“公转铁”工作尚未取得预期效果。重要原因之一在于铁路货运产品难以满足“白货”运输的服务质量要求。因此，提供具有竞争力的铁路运输服务产品是促进“公转铁”的核心，这需要铁路运输企业准确掌握托运人方式选择行为特点。

目前，国内外关于托运人货运方式选择行为的研究已有一定基础，Tao等[1]提出影响托运人方式选择行为的因素包括运输服务属性因素和非运输服务属性因素。既有研究多关注运输服务属性因素(如费用、时间、可靠性等)的影响[2]，近年来，非运输服务属性因素的影响逐渐受到研究者重视[3-4]。非运输服务属性因素包括货物属性(如货物价值、货物品类等)[5]，托运属性(如托运批量、运距等)和托运人属性(如托运人类型、选择惯性)[6]。相比于货物属性和托运属性，托运人属性对方式选择行为影响的研究较少，尤其缺乏托运人选择惯性的影响分析。

“惯性”源于物理学，是指物体保持静止或匀速直线运动状态的性质。在交通行为研究中，选择惯性被定义为出行者(或托运人)坚持过去选择的某种出行(或运输)方式的特性[7]。在客运领域[8-9]，实证研究结果表明选择惯性对出行方式选择具有显著影响，即存在选择惯性效应，忽略惯性效应将导致模型预测结果偏差。而在货运领域，既有研究则忽视了货运方式选择中的惯性效应。其次，既有货运方式选择研究大多采用意向偏好(Stated Preference，SP)数据进行参数估计[10]。SP数据具有易获取的优点，但其基于情景假设，数据误差较大。行为偏好(Revealed Preference，RP)数据源于实际选择行为，可靠性较高，但由于涉及运价等敏感信息导致难以采集。融合RP数据、SP数据进行模型参数估计，可以综合RP数据真实可靠和SP数据易获取的优点，在丰富样本量的同时，能更加准确地反映托运人的选择行为。

研究以沪宁铁路(上海—南京西)沿线城市的“白货”运输为例，构建基于RP与SP数据融合的巢式Logit(Nested Logit，NL)模型，以实现托运人货运方式选择行为特征的精准解析。重点研究货运方式“公转铁”中的惯性效应，探索惯性对“公转铁”的影响机理，为政府部门制定“公转铁”政策、铁路运输企业优化货运服务水平提供支撑。

1 托运人行为意向数据调查

研究选取我国经济发达、“白货”运输需求大的沪宁铁路沿线上海、苏州、无锡、常州、镇江、南京6个城市开展托运人RP与SP调查。在RP调查中，获取托运人基本信息(包括企业名称、公司类型等)，最近一次托运货物信息(包括货物品类、质量、体积、价值等)和当前选择的货运方式及其运输服务水平(包括费用、时间、时间波动)。基于获取的RP数据，采用正交设计，借助电脑等调查终端，生成自适应的若干(4 ～ 8组)SP假设情景(即假设情景中公铁运输费用、时间、时间波动基于所填写的实际情况合理变化，托运货物信息与实际情况相同)，以保证SP调查的合理性和易操作性。为保证问卷完成率和数据获取有效性，调查获得中国铁路上海局集团有限公司上海货运中心和各地方公路货运场站的支持。最终，共101家受访企业完成调查，获取有效RP数据502条、SP数据3 312条，涉及货物品类主要包括日用百货、食品、汽车配件及机械设备等。样本数据统计分析如表1所示。

表1 样本数据统计分析Tab.1 Statistical analysis of sample data

2 考虑惯性效应的货运方式选择模型构建

2.1 模型理论

采用基于随机效用最大化理论的离散选择模型研究托运人货运方式选择行为，该模型假设托运人始终选择其主观感知效用最大的货运方式，即托运人n选择备选货运方式i的条件如下。

式中：Uin，Ujn分别为备选货运方式i，j对托运人n的效用；An为备选货运方式集合。

在融合RP与SP数据并考虑惯性效应的前提下，Uin可以表示如下。

式中：UiRnP，UiSnP分别为RP，SP数据集下，托运人n选择货运方式i的效用；VinRP，VinSP分别为RP，SP数据集下，效用的固定项；εiRnP，εiSnP分别为RP，SP数据集下，效用的随机项，其中随机项εiRnP和εiSnP服从均值为0，标准差分别为σ2RP和σ2SP的Gumbel分布；φ(IiSnP)为惯性效应，一般表示为选择惯性变量参数βIRP和选择惯性度量IiSnP的乘积；λRP，λSP分别为RP和SP数据集的测度参数。

为实现2个数据集的方差一致达到RP与SP数据融合效果，Morikawa等[11]提出基于测度参数的融合估计方法，即令λRPεiRnP=λSPεiSnP，通常假设λRP= 1对模型进行归一化处理，从而进行λSP的参数估计，λSP越大表明模型未观测方差越小[12]。

借鉴Hensher等[13]提出的虚拟NL模型，进行RP与SP融合建模。基于数据类型和备选货运方式，可以得到2种分层结构。分层结构如图1所示。依据参数估计结果得知，图1a分层结构的测度参数不显著，表明该分层结构不合理。因此，以图1b分层结构建立NL模型。

图1 分层结构Fig.1 Two different layered structures

2.2 变量选取

选取包括运输服务属性、货物属性、托运属性和托运人属性在内的多类型变量，分析托运人货运方式选择行为。变量选取及定义如表2所示。

表2 变量选取及定义Tab.2 Variable definitions and symbols

在选择惯性变量选取方面，既有交通行为研究中主要包括3种类型选择惯性变量[7]。

第1类为0-1变量，当SP情景的选择结果与现实情况的选择结果相同为1，否则为0[14]。第2类变量将选择惯性定义为现实情况下(由RP数据体现)，选择的货运方式i的固定项效用值与未选择货运方式j的固定项效用值的差[12]。第3类变量则直接将选择惯性定义为现实情况下选择的货运方式i的固定项效用值[8]。Gao等[9]从数据要求、前提假设、估计性能及预测性能等方面，比较上述3种变量定义的适用性，得到采用0-1变量效果较好的结果。研究借鉴该结论，采用0-1变量分析货运方式“公转铁”的惯性效应。

2.3 模型构建

为揭示“公转铁”的惯性效应，首先分析在选择惯性影响下，公路托运人(即当前选择公路的托运人)在选择货运方式时，对备选方式的偏好倾向。基于此，根据表2所列的变量，构建包含惯性效应项的线性加和效用函数，定义为NL1模型，NL1模型如下。

式中：，分别为公路、铁路在RP数据集下的固定项效用；，分别为公路、铁路在SP数据集下的固定项效用；，分别为公路运输在RP和SP数据集下效用函数的待估常数项；βt，βc，βv，βh，βd1，βd2，βf和βI分别为时间、费用、时间波动、货物密度、运距、公司类型及选择惯性变量的待估参数；，分别为RP数据中公路、铁路的运输时间；，分别为RP数据中公路、铁路的运输费用；，分别为RP数据中公路、铁路的时间波动；，分别为SP数据中公路、铁路的运输时间；，分别为SP数据中公路、铁路的运输费用；，分别为SP数据中公路、铁路的时间波动；I为选择惯性变量，在NL1模型中，选择惯性变量I的待估计参数βI如果显著，说明惯性效应存在，且如果βI为正，则表现为“公转铁”惯性阻力；如果为负，则表现为“公转铁”惯性动力。

惯性效应的产生是由于托运人基于之前的选择行为习惯导致在面临同样的决策时，对各种备选货运方式的服务属性变量水平产生感知偏差。因此，为进一步解析惯性效应的作用机理，构建包含选择惯性变量与服务属性变量交互项的效用函数，定义为NL2模型。NL2模型首先考虑选择惯性变量与所有服务属性变量(包括时间、费用、时间波动)的交互效应，依据交互项参数估计结果的显著性，逐一删除不显著的交互项，得到最终的NL2模型如下。

式中：βcI1，βtI2，βcI2，βvI2均为交互作用项的待估参数；Iroad，Irail分别公路、铁路托运人的选择惯性变量。

3 考虑惯性效应的货运方式选择模型的参数估计结果分析

3.1 估计结果

基于RP与SP融合的估计方法，得到NL1和NL2模型的参数估计结果。模型参数估计结果如表3所示。由表3可知，2个模型除常数项外，其他变量的参数估计均显著，修正后的McFadden系数分别为0.19和0.22，由此可得模型拟合效果较好[7]。2个模型的测度参数均显著大于1，说明模型分层结构合理。

表3 模型参数估计结果Tab.3 Estimated results of model parameters

3.2 NL1模型结果分析

NL1模型从整体上分析货运方式“公转铁”中的惯性效应。根据模型参数结果，选择惯性变量参数βI显著为正，表明公路托运人坚持选择公路的倾向显著高于铁路托运人坚持选择铁路的倾向，这与目前公路运输市场的信息更加透明、合约签订更改等更加便捷、运价机制更加灵活稳定等因素有关。其次，惯性效应的估计值为0.872 4，相当于运输时间(或费用)边际效用的39倍，说明货运方式“公转铁”的惯性阻力较大，忽视惯性效应将导致行为解析偏差、需求预测失准。

从其他非服务属性变量来看，βh显著为负，表明不同货物类别在选择货运方式时具有显著差异，相比轻泡货物，重货更倾向于选择铁路运输。βd1显著为正、βd2显著为负，表明空间距离小于500 km的运输更倾向选择公路，大于500 km则更倾向于选择铁路。βf显著为负，表明货代比货主更偏好选择铁路。

3.3 NL2模型结果分析

NL2模型考虑选择惯性变量与服务属性变量的交互效应以解析选择惯性变量的影响机理。对公路而言，选择惯性变量与费用的交互项参数显著为正(0.022 5)，表明由于选择惯性，公路运输费用对公路托运人选择的影响减小。对铁路而言，选择惯性变量与费用、时间的交互项参数分别为0.024 9和-0.023 9，表明由于选择惯性，铁运输费用对托运人选择的影响减小，而“门到门”运输时间对托运人选择的影响加大。当前，铁路运输费用通常低于公路，但“门到门”运输时间显著大于公路。在选择惯性的影响下，托运人低估公路的费用水平、而高估铁路“门到门”运输时间，是导致“公转铁”惯性阻力较大的重要原因。

4 考虑惯性效应的货运方式选择模型参数估计结果的弹性分析

基于NL2模型的参数估计结果，采用弹性分析，确定影响铁路分担率的关键因素。目前，“公转铁”引导措施主要包括：一是提升铁路货运服务水平；二是增加公路货物运输费用，如“治超”、调整高速公路收费等。为比较2类措施的实施效果，分别采用直接弹性分析和交叉弹性分析。弹性计算公式如下。

式中：E，CE分别为直接弹性和交叉弹性；Pi为货运方式i的分担率；xi和xj分别为货运方式i和j的影响因素。

运输服务属性弹性分析结果如图2所示。从图2a直接弹性来看，铁路分担率的费用弹性绝对值最高，其次为时间弹性，时间波动弹性最低。其中，费用弹性和时间弹性的绝对值均大于1，表明铁路分担率对这2个因素富有弹性。因此，从提升铁路货运服务水平的角度，降低铁路“门到门”运输费用、优化运输组织以缩短铁路“门到门”全程运输时间是促进“公转铁”的关键内容。

从图2b交叉弹性来看，铁路分担率对公路费用的交叉弹性3.26小于铁路分担率的费用直接弹性绝对值3.56，说明降低铁路运输费用所提升的铁路分担率高于增加同比例公路费用所提升的铁路分担率。但是，铁路分担率对公路费用的交叉弹性大于1，表明铁路分担率对公路费用变化较敏感。因此，实施“治超”、高速收费调整等以提高公路货物运输费用的同时，进一步降低铁路“门到门”运输费用，能够更加有效促进“公转铁”。

图2 运输服务属性弹性分析结果Fig.2 Elastic analysis results of transportation service attributes

5 结束语

研究托运人货运方式选择行为特征，有助于针对性引导货运方式“公转铁”。以沪宁铁路沿线城市为例，基于托运人行为数据调查，聚焦托运人货运方式选择过程中的惯性效应解析，为政府部门制定“公转铁”政策、铁路运输企业优化货运服务水平提供理论支撑。主要研究结论包括：公路托运人坚持选择公路的倾向显著高于铁路托运人坚持选择铁路的倾向；在选择惯性的影响下，公路托运人低估公路的费用水平、而高估铁路“门到门”的运输时间，是导致“公转铁”惯性阻力较大的重要原因；在铁路当前服务水平下，降低铁路“门到门”运输费用是提升铁路分担率的相对有效途径。后续研究中将进一步探讨多元化运输需求的惯性效应异质性，为差异化铁路货运产品设计奠定基础。