江成林， 田東， 吳月， 蔡曉禹

(1.重慶交通大學 交通運輸學院， 重慶 400074；2.山地城市交通系統與安全重慶市重點實驗室， 重慶 400074；3.重慶市公安局交通巡邏警察總隊， 重慶 400055)

出行方式選擇行為是出行者出行行為分析、交通方式選擇分析的基礎，對于精準預測出行者出行方式和路徑、提高交通系統建設和管理的科學性具有十分重要的意義。隨著城市的發(fā)展和機動車擁有量的增長，網約車、共享單車等新型出行方式相繼出現，居民出行方式更加多樣化，出行需求量也相應增長，導致城市交通擁堵日趨嚴重。準確預測出行者出行方式、出行路徑，從而對出行方式、路徑進行精準引導，對緩解城市交通擁堵具有巨大作用。

近年來，在大型活動舉辦期間積累了大量預約出行數據，為出行行為研究提供了新的契機。但這些數據體量巨大，需進行數據清洗、融合才能作為出行引導的研究數據。當前精準出行引導不僅需考慮道路運行狀態(tài)，也需考慮出行者的個體差異及如何讓更多的出行者選擇公共交通出行。因此，精準出行引導需從整體引導出行向群體、個體出行引導轉變，新數據環(huán)境下出行引導方法有待進一步研究。

1 出行方式選擇影響因素

居民出行方式選擇影響因素主要包括宏觀、微觀、組合出行因素。宏觀影響因素主要由外部自然環(huán)境和交通環(huán)境構成，如交通政策、交通信息、氣候等。微觀影響因素由出行者個體特征和出行特征構成，如年齡、學歷、出行時間、出行距離等。組合出行影響因素主要揭示居民如何在多種出行方式間進行選擇、組合、換乘等出行行為。

1.1 宏觀影響因素

出行選擇宏觀影響的研究集中在交通政策、交通設施、交通信息及氣候等方面。Hunecke M.、肖海燕等研究發(fā)現利用政策手段降低公共交通的價格、限制小汽車出行對減少居民小汽車出行有著積極作用。楊西寧等研究發(fā)現提高公共交通服務水平、城市土地利用多樣化也能有效減少小汽車出行，提升公共交通出行比例。居民選擇出行方式時，比較關注目的地周邊的停車場情況、公交線網是否發(fā)達、軌道站點與目的地的距離。劉宇峰等研究得出目的地的停車設施越完善，小汽車出行比例越高。

出行前信息也會對出行方式選擇產生顯著影響。Khattak A.、Yim Youngbin等研究表明完善信息服務能在一定程度上影響出行者的非理性出行決策，出行者會根據信息引導改變其出行方式。張小寧通過比較試驗，得出如果能建立健全的信息發(fā)布系統使駕駛員獲取準確的交通信息，交通擁堵能得到緩解。耿紀超等通過對居民出行方式影響因素的分析，發(fā)現雨天和比較寒冷的天氣及以休閑娛樂為目的非通勤出行，居民會更依賴于小汽車出行。

1.2 微觀影響因素

對微觀影響因素的研究主要集中在出行個體層面。徐上等基于南京五臺山體育館足球賽事期間的問卷調查數據，得出收入、年齡、出行時間是觀眾出行方式選擇的主要影響因素。劉炳恩、殷煥煥等對城市居民出行調查數據進行分析，結果表明居民的個人屬性、家庭屬性、出行特性對出行方式選擇影響顯著。包丹文等基于南京市出行問卷調查數據建立停車費率和個人特征等出行影響因素的出行方式選擇模型，研究停車費率處于不同水平時居民選擇小汽車和公交出行的比例。Prillwitz J.、馬軍紅、Susilo Y. O.、Yang L. Y.等研究發(fā)現女性和中青年人更依賴于公共交通出行，有無子女、收入水平、教育水平、是否有小汽車、出行距離對選擇小汽車出行呈現正顯著影響，即上述影響因素水平越高，更依賴于選擇小汽車出行。

1.3 組合出行影響因素

組合出行相比于單次出行，其出行期間需考慮多種出行方式、換乘次數等影響因素。通常是基于出行鏈對組合出行行為進行研究。趙昕等通過構建MNL模型識別組合出行中顯著影響因素為出行鏈中往返行程數量、出行鏈模式、出行鏈時間、出行鏈費用。Arentze T. A.等分析4種出行距離條件下包含停車換乘方式在內的公交出行選擇行為，揭示了出行者在多模式網絡出行選擇中如何平衡出行時間、出行費用和出行服務3種屬性的影響。趙丹等基于居民日常通勤出行鏈研究多方式出行誘導信息對組合出行的影響，證實了多方式誘導信息能有效引導從小汽車出行轉向其他交通方式出行。

目前在交通出行方式選擇影響因素方面取得了一定研究成果，得出影響出行方式選擇的因素主要包括交通政策、氣候、出行者個體特征、出行費用等。但已有成果側重于運用問卷調查數據研究可直接測量的影響因素，較少考慮個體出行感受、心理因素等變量對出行方式選擇的影響。

2 出行方式選擇模型

出行方式選擇模型的發(fā)展分為兩個階段，第一階段是20世紀60年代的集計模型，第二階段是20世紀70年代的非集計模型。對出行方式選擇的研究主要采用以Logit及其嵌套模型為主的非集計模型，也有部分學者使用前景理論、神經網絡等方法。相較于單次出行方式選擇，組合出行涉及的出行方式種類較多，更依賴于網絡模型進行研究。

2.1 Logit及其嵌套模型

萬霞等基于出行鏈對出行方式選擇進行研究，通過測量前一次出行對下一次的影響，在多項Logit模型的基礎上增加動態(tài)變量建立動態(tài)選擇模型。但多項Logit模型存在不相關方案相互獨立的局限，不適用于具有相關關系的選擇方案。為解決該問題，提出分層Logit模型，先對選擇方案進行分類，然后將具有關系的選擇方案放進同一類。姚麗亞等根據出行方式服務對象不同，將出行方式劃分為公共交通出行和私人交通出行兩大類，將私家車和出租車放入私人交通出行、公交車和地鐵放入公共交通出行，結果表明NL模型的精度高于MNL模型。楊勵雅、諸葛承祥等根據居民出行特征建立基于出行方式與出發(fā)時間的NL模型，計算結果表明出發(fā)時間-出行方式NL模型更合理。胡文君等考慮居民出行時間價值差異建立了多模式、多用戶混合交叉巢式Logit模型。

碉堡里的馬燈亮著豆大的火苗，艾草嗞嗞冒著青煙?？字拘聸]有跟民工隊后撤，堅持要和孔老一一起回家。現在，孔志新和幾個機槍手四叉八仰地睡得和死人一樣。

2.2 考慮出行者偏好的出行方式選擇模型

上述模型建立過程中忽略了出行者的主觀感受及偏好所導致的非完全理性出行決策。陳堅、景鵬等為出行方式選擇模型添加心理潛變量，將心理潛變量的擬合值作為變量加入傳統方式選擇模型中形成整合模型。Krishnan K. S.首次提出效用差概念，判斷出行者在出行方式選擇時不同影響因素的影響因子，建立了方式選擇MPD模型。劉建榮等假定出行者偏好不完全一致，加入可靠性、舒適性、靈活性3個出行心理因素，建立了隨機系數Logit模型。姚恩建等研究發(fā)現出行者受限于自身習慣及對出行環(huán)境的不完全認識，在出行方式選擇時作出不是以效用最大化的選擇，基于非完全理性決策構建了出行偏好方式選擇模型。

2.3 其他出行選擇模型

2.3.1 前景理論

決策時一般會選擇一個參考點與當前選擇進行比較，從而確定符合自身預期的決策。張薇等基于前景理論，通過對出行方式選擇前景值的計算預測出行方式。石修路通過模糊評價對居民出行過程的出行費用進行計算，通過出行費用與當前各種交通方式出行的前景值進行比較預測居民的出行方式。

2.3.2 神經網絡

Xie Chi等的研究表明人工神經網絡(ANN)在交通方式選擇中的魯棒性比決策樹(DT)和多項Logit(MNL)更好。劉陽等構建小波神經網絡模型對城市交通出行方式選擇行為進行了預測研究。田晟等構建了基于深度神經網絡的城市交通出行方式選擇模型。

2.4 組合出行方式分配模型

在組合出行方式選擇分配方面，一方面以圖論為網絡建?；A，另一方面以超級網絡方法為基礎建立模型，兩者均是通過假設OD和可換乘點的個數對出行方式和出行路徑進行研究。林徐勛等考慮組合出行時上下網的隨機波動因素，證實了停車換乘策略在減少擁堵及提升路網可靠性方面的積極作用。秦煥美等通過構建出行方式和換乘地點選擇的分層非集計模型，求解出行者的停車換乘需求分布，對換乘點布局進行了優(yōu)化。四兵鋒等考慮城市交通方式間復雜選擇及不同方式間路徑流量干擾，基于城市居民出行需求構建了城市多模式交通方式分配模型。李紅蓮、楊炅宇考慮換乘條件下不同方式的出行特征，建立基于出行特征的廣義費用函數，實現了多模式交通均衡分配。汪勤政等基于出行者的換乘規(guī)律和換乘行為，通過對可行超路徑上各路段廣義費用進行求解，提出了換乘約束下出行方式隨機平衡分配模型。劉夢琪、付曉等的研究表明軌道交通與常規(guī)公交有機結合才能提高公共交通吸引力及定制公交對人們出行決策的影響。

3 出行方式選擇影響因素建模

3.1 預約出行數據

隨著互聯網技術的發(fā)展，利用手機APP對居民個人經濟特征、出行特征數據的采集已發(fā)展成熟。預約出行數據是在重大活動或管制區(qū)域為提前掌握居民出行需求而獲取的數據，主要包括個人特征數據如性別、年齡、收入等及出行特征數據如出行時間、出行方式等。

與傳統問卷調查數據相比，預約出行數據具有以下特征：1) 數據類型全，包含出行者屬性、出行時段、出行區(qū)域及擬采用的出行方式；2) 數據量豐富，在重大活動舉辦期間，所有參與者都需通過預約形式進入，是全樣本數據；3) 數據精度高，缺失、錯誤數據極少。

3.2 模型構建

出行影響因素分為個體屬性、家庭屬性及出行屬性?，F有出行預約數據基本來自大型活動舉辦期間，會吸引大量外地游客。針對外地游客，增加出行者區(qū)域這一影響因素(見表1)。

表1 出行方式選擇影響因素

3.2.2 選擇行為建模

非集計模型可通過引入出行者特征變量，準確識別出行方式選擇影響因素，故選擇非集計模型構建個人出行方式。效用最大化是非集計模型的基礎，若Uin為個人n選擇方式i的出行效用，Cn表示所有出行方式的集合，當Uin>Ujn、?j≠i∈Cn時，個人n將選擇方式i，個人n選擇方式i的出行效用可表示為：

Uin=Vin+εin

(1)

式中：Vin為效用函數的固定項；εin為效用函數的隨機項。

為便于分析，假設效用函數固定項與影響因素具有線性關系，即：

(2)

式中：Xkin為個人n選擇方式i的第k個變量值；θk為待定系數。

假定效用函數概率項服從二重指數分布，則個人出行方式選擇的Logit模型為：

(3)

式中：Pin為個人n選擇方式i的概率；j為除i之外的其他交通方式；Cn為第n個人選擇方式的集合。

4 考慮出行者偏好的引導方法研究

4.1 出行者偏好

出行偏好是出行者受自身出行習慣、出行感受、出行心理影響因素共同作用下的出行行為影響因素，難以直接作為指標進行計算分析，但可通過其表現出的可計算的特征指標進行計算。

4.1.1 出行群體分類

由于出行者特征存在差異，出行者出行偏好不盡相同，要考慮出行個體的出行偏好，在現有科學技術條件下難以實現。為此，通過MNL模型辨識出行方式選擇影響因素，選取顯著影響因素對出行者進行群體分類，要求所有進行分類的出行者比例達到出行者的95%以上，否則需重新選取分類的影響因素。群體分類不僅能保證不同出行群體間出行偏好特征值差異較小，還能有效減少由于大量計算導致的誤差，提高出行偏好特征值計算的可行性。

4.1.2 出行群體偏好系數計算

考慮到出行偏好是難以直接測量的一種心理影響因素，引入出行群體偏好系數對其特征值進行計算。群體偏好系數用群體間各種出行方式所占比例來表示，其值為0～1，計算公式如下：

(4)

(5)

4.2 考慮出行者偏好的交通分配模型構建

構建小汽車層、地面公交層、軌道交通層、出租車層的城市交通網絡，且各子網絡之間均能進行換乘?？紤]各出行方式特征，并不是所有網絡中的出行路徑都會被選擇。對出行路徑作以下約束：1) 換乘次數不超過2次；2) 同一站點不允許換乘；3) 小汽車與出租車不進行換乘；4) 出租車可在任意節(jié)點與公共交通進行換乘。

根據出行過程，可將網絡模型的路段分為上網路段、行駛路段、換乘路段和下網路段。由于出行者在不同路段上選擇的出行方式不同，其行駛時間、費用、舒適度也不同。同時考慮不同出行群體對不同出行方式的固有喜好，在費用函數中引入出行偏好系數，最終組成新的費用函數。路段廣義費用主要由時間費用、貨幣費用、舒適性損耗組成，其路段費用表達式為：

(6)

考慮出行者偏好的多方式隨機平衡模型的表達式如下：

(7)

其中最優(yōu)解滿足Logit形式的路徑流量如下：

(8)

5 結語

對國內外相關文獻進行梳理，研究居民交通出行方式選擇影響因素、選擇模型和組合出行，結果表明出行方式選擇影響因素研究方面?zhèn)戎赜谛詣e、年齡、出行目的、出行距離等可直接觀測的影響因素，較少考慮個體出行感受和心理因素等潛變量及對潛變量影響機理的研究；出行方式選擇模型以Logit模型及其嵌套模型為代表的非集計模型為主；組合出行方面主要利用網絡模型、費用函數研究組合出行方式和路徑選擇。

交通出行行為研究方面的數據來源依賴于問卷調查，存在數據樣本量小、數據質量無法保障的局限，不可避免地影響研究結論。為此，提出利用預約出行數據進行出行行為研究，以大量獲取個體特征、出行特征數據，準確辨識出行方式選擇影響因素。在出行分配模型中引入出行群體偏好系數，更符合居民的出行習慣，可提升出行引導效用，為多方式精準出行引導提供依據。基于預約出行數據進行精準的出行引導將成為未來的研究重點。