城市私人小汽车合乘出行影响因素研究

隋晓东

摘 要：研究城市私人小汽车合乘行为有助于采取针对性对策提高小汽车载客率，对于改善城市道路拥堵等问题具有重要意义。文章采用2021年贵阳市居民出行调查数据和建成环境数据，对城市居民私人小汽车合乘出行特征及影响因素进行了研究。基于Logit模型分别探究通勤与非通勤合乘出行的影响因素。结果表明：对城市居民通勤与非通勤出行是否合乘均有显著作用的影响因素包括性别、家庭就业人数、小汽车保有量、出发时间、居住地道路密度等。受教育程度、家庭年收入、家庭人数、是否有6岁以下儿童、是否有自行车、出行距离、居住地人口密度、公交站密度、土地利用混合度及工作地停车场密度和土地利用混合度对通勤合乘出行具有显著影响；年龄、出行链、出行目的及目的地道路密度对非通勤合乘出行具有显著影响。

关键词：城市交通；私人小汽车合乘；通勤出行；非通勤出行；Logit模型

中图分类号：F572.88文献标识码：A文章编号：1005-6432（2024）02-0033-04

DOI：10.13939/j.cnki.zgsc.2024.02.009

1 引言

随着中国城市经济快速发展，城市小汽车保有量和使用量急剧增加，由此导致的交通堵塞、环境污染等问题也日益加剧。合乘出行是指两人或两人以上共同乘坐一辆小汽车出行，可以有效提高小汽车载客率，对缓解城市交通拥堵、实现城市交通可持续发展具有重要意义。因此，如何促进私人小汽车合乘出行，提高小汽车使用效率，已成为城市交通管理者和研究者重点关注的问题。

目前，国内外学者已对小汽车合乘出行进行相关的研究。高丽娜等（2017）通过调研西安市私家车合乘行为发现，经济条件和额外增加的时间与里程是影响合乘出行的关键因素[1]。Neoh等（2017）发现社会经济人口属性、出发时间、出行距离等是影响合乘出行的重要因素[2]。Olsson等（2019）发现出行者性格类型、对个人安全和隐私的担忧等心理因素通常会阻碍合乘出行[3]。最新研究表明，建成环境也会影响合乘出行[4]。

城市居民出行包括通勤和非通勤出行。通勤和非通勤出行在出行模式上存在显著差异[5-6]。现有私人小汽车合乘出行研究大多针对通勤出行，对非通勤合乘出行关注较少。非通勤出行的出行目的更为多样，时间安排和线路规划更灵活，更适合合乘出行。因此，对比分析私人小汽车通勤和非通勤合乘出行的特征和影响机理，对促进合乘出行至关重要。本研究采用2021年贵阳市居民出行调查数据和建成环境数据，利用二项Logit模型分别建立小汽车通勤与非通勤合乘出行模型。研究成果有助于更好地理解和掌握通勤和非通勤合乘出行影响因素的差异性，从而有助于采取针对性的对策提升合乘吸引力，提高小汽车载客率。

2 数据采集

研究数据来源于2021年贵阳市居民出行调查数据。调查采用自主研发的电子化居民出行调查系统进行出行信息采集。调查内容包括家庭基本信息、个人基本信息以及出行信息。家庭基本信息包括家庭年收入、家庭规模、家庭就业人数、小汽车保有量等。个人基本信息包括性别、年龄、受教育程度等。出行信息包括出发时间、出行距离、出行目的等。选取城市区域居民以家为起点的单程出行数据，剔除信息缺失、错误等不合格样本，最终获得城市建成区域内小汽车通勤出行样本量为6525个，小汽车非通勤出行样本量为2392个。

建成环境数据通过地理信息系统（geographic information system，GIS）软件提取，选取居住地和工作地的人口密度，公交站密度、停车场密度及土地利用混合度等主要指标，H、W、R分别代表居住地、动作地、非通勤出行目的地。在指标计算时，以居住地、通勤工作地和非通勤目的地地址为圆心，分别做800m半径的缓冲区作为地理背景统计单元。其中：人口、公交站和停车场密度是各自在缓冲区内的数量除以缓冲区面积；路网密度是缓冲区内道路的长度除以缓冲区面积；土地利用混合度使用常用的熵指数的方法计算。

3 合乘出行的影响因素

3.1 模型构建

Logit模型广泛应用于出行行为领域研究。本研究的因变量是否合乘为二分类变量，故采用二项Logit模型[7]。该模型可表示为：

P（yi=1|x1，x2，…，xn）=11+exp（α+∑ni=1βixi）（1）

式（1）中：P为合乘出行的条件概率；yi为因变量；xi为自变量；α为回归截距；βi为自变量xi所对应的回归系数。

合乘出行的发生概率P与非合乘出行的发生概率（1－P）之比称为发生比。将该发生比取自然对数，可得到线性函数：

lnP1－P=α+∑ni=1βixi（2）

筆者采用极大似然法对模型的参数进行估计，似然函数为：

lnL（β，xi）=∑ni=1{yi（α+βixi）－ln［1+exp（α+βixi）］}（3）

在选择自变量时，根据以往研究结论和已获取的数据，主要考虑出行者的个人属性、家庭属性、出行属性以及建成环境属性。为了避免自变量之间存在多重共线性，使用方差膨胀因子（variance inflation factor， VIF）进行共线性检验。结果显示，所选取变量的方差膨胀因子均小于5，变量间不存在多重共线性问题。各类变量的定义和赋值如表1所示。

3.2 模型结果

文章分别建立了通勤与非通勤合乘出行二项Logit模型，并利用SPSS 25软件对模型进行检验和参数估计，Hosmer-Lemeshow（H-L）检验结果显示P值均大于0.05，说明模型拟合效果较好。结果如表2和表3所示。

在个人属性方面，对通勤合乘出行有显著影响的因素包括性别和受教育程度，对非通勤合乘出行有显著影响的因素包括性别和年龄。与男性相比，女性通勤和非通勤合乘出行的可能性均更大，发生比率（odds ratio，OR）分别为1.812和1.467，这可能是由于男性在小汽车使用上拥有更大的优先支配权。与高中及以下学历的出行者相比，大专及以上学历的出行者通勤合乘出行的可能性更小，OR值为0.692，这与通勤者的收入有关。年龄与非通勤合乘出行呈正相关，随着年龄的增长，出行者在非通勤出行时更倾向于合乘。

在家庭属性方面，对通勤合乘出行有显著影响的因素包括家庭年收入、家庭人数、家庭就业人数、是否有6岁以下儿童、是否有自行车和小汽车保有量，对非通勤合乘出行有显著影响的因素包括家庭就业人数和小汽车保有量。与家庭就业人数为1人的出行者相比，家庭就业人数为2人及以上的出行者通勤合乘出行的可能性更大，非通勤合乘出行的可能性更小，OR值分别为2.498和0.786。小汽车保有量越多的居民通勤合乘出行的可能性越小，非通勤合乘出行的可能性越大。与家庭年收入低于10万元的出行者相比，家庭年收入高于10万元的出行者通勤合乘出行的可能性更大，OR值为1.148。与家庭人数3人及以下的出行者相比，家庭人数3人以上的出行者通勤合乘出行的可能性更大，OR值为1.195，这可能是由于家庭人数越多，通勤者小汽车支配权越低，从而导致通勤合乘意愿增加。与没有6岁以下儿童相比，有6岁以下儿童的出行者通勤合乘出行的可能性更小，OR值为0.885。与没有自行车的出行者相比，有自行车的出行者通勤合乘出行的可能性更小，OR值为0.744，这是由于拥有自行车的居民通勤出行时选择自行车的可能性增加。

在出行属性方面，对通勤合乘出行有显著影响的因素包括出发时间和出行距离，对非通勤合乘出行有显著影响的因素包括出发时间、出行链和出行目的。与非高峰时段相比，高峰时段出行的居民通勤合乘出行的可能性更小，非通勤合乘出行的可能性更大，OR值分别为0.804和1.827。出行距离越短的居民通勤合乘出行的可能性越大，Chen等（2019）在探索通勤合乘出行和公共交通的竞争机制中发现，在公共交通较发达的地区，短距离通勤者更可能选择合乘出行[8]。与简单链相比，出行链为复杂链的居民非通勤合乘出行的可能性更大，OR值为1.672。与出行目的为购物餐饮的出行者相比，出行目的为休闲娱乐和其他的出行者合乘出行的可能性更大，OR值分别为1.338和1.963。

在建成环境方面，对通勤合乘出行有显著影响的因素包括居住地人口密度、道路密度、公交站密度、土地利用混合度及工作地停车场密度和土地利用混合度，对非通勤合乘出行有显著影响的因素包括居住地道路密度和目的地道路密度。居住地路网密度与通勤和非通勤合乘出行均呈正相关，而目的地路网密度与非通勤合乘出行呈负相关。居住地人口密度与通勤合乘出行呈正相关，可能的原因是在人口密度较高的地区，居民低碳环保意识更强，通勤出行时更可能选择合乘或公共交通[9]。居住地公交站密度、工作地停车场密度、居住地土地利用混合度、工作地土地利用混合度与通勤合乘出行均呈负相关，可能的原因是建成环境的改变促使通勤者选择其他更方便的出行方式替换合乘出行。

4 结论

基于贵阳市居民出行调查数据，对城市居民合乘出行行为进行研究，得到以下结论：一是统计结果表明，非通勤合乘出行比例明显高于通勤时合乘出行比例，不同群体的通勤和非通勤合乘出行比例具有显著的群体性差异；二是通勤出行模型表明，性别、受教育程度、家庭年收入、家庭人数、家庭就业人数、是否有6岁以下儿童、是否有自行车、小汽车保有量、出发时间、出行距离、居住地人口密度、道路密度、公交站密度、土地利用混合度及工作地停车场密度和土地利用混合度对通勤合乘出行有显著影响；三是非通勤出行模型表明，性别、年龄、家庭就业人数、小汽车保有量、出发时间、出行链、出行目的、居住地道路密度及目的地道路密度对非通勤合乘出行有显著影響。

参考文献：

[1]高丽娜，马丽娟，侯茂生.西安市私家车合乘现状调查与分析——以西安市雁塔区为例[J].交通信息与安全，2017，35（2）： 115-120.

[2]NEOH J G， CHIPULU M， MARSHALL A.What encourages people to carpool？ an evaluation of factors with meta-analysis[J].Transportation， 2017（44）：423-447.

[3]OLSSON L E，MAIER R，FRIMAN M.Why do they ride with others？ meta-analysis of factors influencing travelers to carpool[J].Sustainability，2019（11）：2414.

[4]TU M，LI W，ORFILA O，et al.Exploring nonlinear effects of the built environment on ridesplitting：evidence from Chengdu[J].Transportation research part D：transport and environment， 2021（93）：102776.

[5]杨超， 陈明垟， 袁泉， 等. 上海市新城通勤人群出行特征分析[J].城市交通， 2022， 20（2）： 99-110.

[6]LIU C， SUSILO Y O， KARLSTRM A.Investigating the impacts of weather variability on individual’s daily activity-travel patterns：a comparison between commuters and non-commuters in Sweden[J].Transportation research part A：policy and practice， 2015（82）：47-64.

[7]王濟川，郭志刚.Logistic回归模型：方法与应用[M].北京： 高等教育出版社，2001.

[8]CHEN Z， LIU X C， WEI R. Agent-based approach to analyzing the effects of dynamic ridesharing in a multimodal network[J].Computers，environment and urban systems， 2019（74）：126-135.

[9]VALKILA N，SAARI A.Attitude-behavior gap in energy issues： case study of three different Finnish residental areas[J].Energy for sustainable development，2013（17）：24-34.