張小雨，邵春福*，王博彬，黃士琛

(1.北京交通大學(xué)，綜合交通運輸大數(shù)據(jù)應(yīng)用技術(shù)交通運輸行業(yè)重點實驗室，北京 100044；2.拉瓦爾大學(xué)，科學(xué)與工程學(xué)院，魁北克 G1V 0A6，加拿大)

0 引言

在互聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)及云計算等技術(shù)逐步產(chǎn)品化的時代背景下，共享出行應(yīng)運而生。截至2019年，我國共享出行交易額達2700億元，兩年內(nèi)同比增長34.3%[1]。作為共享經(jīng)濟模式在交通出行領(lǐng)域的代表性產(chǎn)物，共享出行具有時效性強、舒適度高、“門到門”等多重優(yōu)勢，不僅節(jié)省了個體用戶對車輛的購買和養(yǎng)護費用，同時，可以避免在公共服務(wù)場所和旅游景點等易發(fā)生的“停車難”問題。近年來，網(wǎng)約車、合乘、汽車分時租賃及共享自行車等多種共享出行方式不斷出現(xiàn)，在激發(fā)消費活力的同時加快了供給的提質(zhì)擴容，為不同出行群體提供了多樣化、多層次的出行選擇[2]。

自2019年底，新冠疫情成為國際關(guān)注的突發(fā)公共衛(wèi)生事件，對疫情嚴重程度的感知和遠程辦公等生活模式的興起使居民既有的出行方式選擇習(xí)慣發(fā)生變動。李爽等[3]統(tǒng)計得出，疫情期間公共交通出行比例大幅縮減，2020年3月，北京市公共交通客運量僅為上年同期的30%。姜楠等[4]通過調(diào)查得知，我國選擇私家車出行的人數(shù)占41%，較非疫情期間上升35%。LUAN 等[5]預(yù)測得出，疫情期間我國私家車分擔(dān)率在6 km 以下的出行中占58.11%，在6～12 km的出行中占82.55%。作為介于集約化和個體化之間的出行方式，共享出行不僅能夠彌補公共交通疫情傳播風(fēng)險高的不足，同時，可以緩解出行者對私家車的依賴，為無車居民提供相對安全的出行環(huán)境，在疫情防控階段交通運力的復(fù)蘇中起到了重要作用。低密接、精確服務(wù)和風(fēng)險易追蹤的特征使其在疫情背景下迎來新的機遇與挑戰(zhàn)[6]，亦使其出行方式選擇行為呈現(xiàn)出新的變化。

針對常態(tài)時期的共享出行方式選擇行為，TIRACHINI 等[7]估計有序Probit 模型得出，高乘坐率的網(wǎng)約車出行隨乘客家庭收入的增加而下降，且多為休閑出行。DEAN等[8]通過構(gòu)建空間面板模型得出，公共交通覆蓋率較低和通勤距離較長的區(qū)域?qū)τ诤铣说钠幂^弱。JIN等[9]研究表明，相較于使用成本，汽車分時租賃用戶更關(guān)注站點距離。袁朋偉等[10]基于Nested Logit 模型得出，增加?？空军c和減少接駁時間是共享自行車使用的主要激勵措施。針對非常態(tài)時期，LUAN等[5]發(fā)現(xiàn)出行時長、感染風(fēng)險及出行成本分別是短、中、長距離出行中最受關(guān)注的因素，且6 km 以下出行中的網(wǎng)約車分擔(dān)率(16.47%)較12 km 以上出行中的分擔(dān)率(1.65%)高14.82%?；萦⒌萚11]研究表明，疫情期間共享自行車成為主要的通勤工具之一，承擔(dān)了更多的中、長距離出行任務(wù)，時長超過30 min 的騎行占比(15.6%)較疫情前(5.5%)高10.1%。RAHIMI 等[12]構(gòu)建雙變量有序Probit模型并分析得出，共享出行者感知疫情風(fēng)險較公共交通出行者低，且具有空間異質(zhì)性。

綜上可見，既有文獻多研究常態(tài)時期共享服務(wù)的使用特征和意愿，且研究對象較為單一。為挖掘居民更為精細化和個性化的出行需求，厘清交通供求關(guān)系，引導(dǎo)城市交通結(jié)構(gòu)優(yōu)化，需要綜合分析多種共享方式的選擇行為。同時，新冠疫情使共享出行方式選擇的決策行為更加復(fù)雜，有必要研究疫情前與疫情期間不同解釋變量對出行方式選擇的影響差異。此外，在疫情期間的研究方面，既有文獻多僅考慮了居民對疫情嚴重程度的感知，然而，出行者在前一時期的方式選擇習(xí)慣亦會對該時期產(chǎn)生作用，因此，有必要考慮兩者的聯(lián)合影響重新刻畫疫情期間的出行行為。

本文以多種共享出行方式為研究對象，旨在揭示常態(tài)和非常態(tài)時期選擇行為的差異和影響機理，制定與疫情防控形勢相適應(yīng)的政策。圍繞這一問題，首先，討論共享出行特征并設(shè)計SP問卷調(diào)查出行行為；其次，分別構(gòu)建疫情前與疫情期間的出行方式選擇模型開展實證研究，比較兩個時期解釋變量的影響差異，分析感知疫情嚴重程度和方式選擇慣性在疫情期間的作用程度；最后，研究如何通過政策引導(dǎo)減少私家車依賴和恢復(fù)共享出行活力。本文豐富了突發(fā)公共衛(wèi)生事件影響下的共享出行行為研究，為非常態(tài)時期城市交通結(jié)構(gòu)的優(yōu)化提供參考依據(jù)。

1 共享出行使用現(xiàn)狀分析

1.1 共享出行特征

共享出行是城市綜合交通運輸體系的重要組成部分，通過不同業(yè)態(tài)釋放居民的小汽車所有權(quán)，為不同出行群體提供個性化的出行服務(wù)。本文主要研究網(wǎng)約車、合乘、汽車分時租賃及共享自行車4種共享出行方式。

網(wǎng)約車是依托網(wǎng)絡(luò)信息技術(shù)平臺的非巡游式出租汽車預(yù)約服務(wù)[13]，主要包括：快車、專車及出租車3種形式。合乘亦稱為拼車或順風(fēng)車，由出行路線相似的出行者分攤成本，共享利用車輛內(nèi)部閑置座位資源[14]。汽車分時租賃亦稱為共享汽車，是以小時或分鐘為計價單位的自助式租車服務(wù)，可以滿足出行者的碎片化用車需求[9]。共享自行車作為非機動化的共享服務(wù)，在短距離出行中發(fā)揮了重要作用[15]。

1.2 共享出行行為調(diào)查問卷設(shè)計

本文于2020年11月開展了居民共享出行行為線上問卷調(diào)查，此時，疫情防控歷經(jīng)應(yīng)急和常態(tài)化階段，居民對疫情已有跨時間和多階段的認知。自2010年來，多樣化共享出行方式在交通供需矛盾突出的北京市迅速發(fā)展[16]，因此，選擇在共享出行活躍且疫情防控政策執(zhí)行有力的北京范圍內(nèi)實施調(diào)研。

問卷由兩部分組成，第1部分為個人和家庭社會經(jīng)濟屬性調(diào)查。受訪者需填寫性別、年齡、受教育程度、全年收入及家庭小汽車擁有等基本情況。同時，針對每種共享出行方式，受訪者均需對其安全程度進行打分。打分時用到[0,100]范圍內(nèi)的視覺模擬評分法，其中，0 表示“該共享出行方式極其不安全”，100表示“該共享出行方式極其安全”。受訪者在100點位的滑動條上移動標尺，通過標尺位置反映其認知評價。該方法彌補了李克特量表由于天花板效應(yīng)影響測量信度的不足，且對微小變化更加敏感，使受訪者在評價時更不易混淆[17]。問卷調(diào)查了私家車停車費造成的經(jīng)濟負擔(dān)，受訪者需要給出[0,100]范圍內(nèi)的打分，其中，0表示“完全沒有經(jīng)濟負擔(dān)”，100表示“經(jīng)濟負擔(dān)極其沉重”。此外，受訪者需要對其主觀感知的疫情嚴重程度進行[0,100]的打分，其中，0 表示“疫情極其不嚴重”，100表示“疫情極其嚴重”。

第2 部分為疫情前和疫情期間不同情景下的方式選擇SP 調(diào)查。調(diào)查的出行方式除4 種共享出行方式外，還包括3種傳統(tǒng)方式，即公共交通、私家車及傳統(tǒng)出租車。在SP 調(diào)查中，將不同出行距離下表征各方式服務(wù)水平的特征變量按照不同水平進行組合，通過正交設(shè)計生成36 種情景。特征變量包括：出行距離、各方式等車時間(即公共交通、傳統(tǒng)出租車、網(wǎng)約車/合乘方式)、公共交通換乘次數(shù)、私家車停車費、合乘繞行時間及分時租賃站點距離。各變量屬性水平的確定依據(jù)如下。

(1)出行距離

疫情發(fā)生前，北京市早晚高峰公共交通、私家車、出租車及自行車的平均出行距離分別為17.9，14.4，9.4，3.0 km，且私家車日均出行距離為31.3 km[18]。因此，設(shè)置3～30 km這5個出行距離水平，以全面覆蓋居民的短距離及中、長距離出行需求。

(2)公共交通等車時間

SHANG 等[19]和ZHANG 等[20]統(tǒng)計得到部分北京公交線路的平均發(fā)車間隔為9～21 min，且郊區(qū)公交的最長等待時間超過40 min。基于此，對公共交通等車時間設(shè)置4 個水平，分別為8，15，25，40 min。

(3)傳統(tǒng)出租車和網(wǎng)約車/合乘等車時間

祝曉瑩等[21]指出傳統(tǒng)出租車和按需出行服務(wù)的平均等車時間分別為11.9 min 和5.6 min?？紤]交通擁堵造成的延誤，將兩者的等車時間分別設(shè)置為兩種情況：10 min和30 min，5 min和25 min。

(4)公共交通換乘次數(shù)

公共交通出行可分為單一公交出行、單一地鐵出行及公交地鐵換乘出行。根據(jù)北京市實際路網(wǎng)和地鐵線網(wǎng)情況，換乘次數(shù)可分為0，1，2，3次。

(5)私家車停車費

根據(jù)北京市占道停車收費標準，五環(huán)外、三環(huán)內(nèi)以及大型社會活動期間的1 h 停車費分別為5.50，13.75，20.00元，故設(shè)置私家車停車費為5，12，20元這3個屬性水平。

(6)合乘繞行時間

LI 等[22]統(tǒng)計表明，合乘的平均延誤為10 min，且超過95%的延誤在30 min以內(nèi)。因此，將繞行時間的屬性水平設(shè)置為10 min和30 min。

(7)分時租賃站點距離

JIN等[9]將站點距離設(shè)置為500～2000 m。結(jié)合北京市分時租賃的站點覆蓋情況，將站點距離設(shè)置為700，1200，2000 m這3個水平。

特性變量屬性水平如表1所示。

表1 特征變量屬性水平Table 1 Levels of characteristic variables

此外，對每種共享方式均參考其定價規(guī)則，給出與出行距離相對應(yīng)的共享出行費用。在每個情景下，受訪者均需分別回答其在疫情前和疫情期間的方式選擇情況。2020年春節(jié)前夕，我國開始出現(xiàn)疫情大規(guī)模流行，故問卷中將“疫情發(fā)生前”定義為2020年1月24日前(即農(nóng)歷除夕前)；自此至2020年7月20日，北京市中風(fēng)險地區(qū)實現(xiàn)清零，故問卷中將“疫情發(fā)生期間”定義為2020年1月24日～7月20日。為緩解情景過多造成的填寫壓力，每位受訪者被隨機分配3個情景。BIANCHI等[23]指出，面板數(shù)據(jù)是對同一截面單元連續(xù)觀察得到的樣本數(shù)據(jù)，故本文的SP調(diào)查數(shù)據(jù)可視為面板數(shù)據(jù)。出行距離為10 km時的SP情景示例如圖1所示。

圖1 出行距離為10 km時的SP情景示例Fig.1 A SP scenario example at 10 km

1.3 調(diào)查樣本特征及出行方式選擇分析

與國內(nèi)某問卷調(diào)查公司合作，通過隨機抽樣獲取問卷12638 份。問卷公司按照嚴格的限制條件初步篩選調(diào)查問卷，主要包括：

(1)受訪者來自不同家庭，且疫情發(fā)生前、后均在北京長期生活；

(2)受訪者對網(wǎng)約車、合乘、分時租賃及共享自行車4種共享出行方式熟悉程度高，且均有過在北京獨立使用的經(jīng)歷；

(3)調(diào)查樣本需與北京市常住人口性別比例一致，且需覆蓋18歲以上的各年齡段。

當(dāng)提交問卷滿足上述調(diào)查樣本限制條件后，還需按照如下原則對有效問卷做進一步篩選：

(1)完備性，所有題項均需完整作答，不得空缺；

(2)合理性，所有打分題項不得賦予同一分值；

(3)一致性，設(shè)置反向陷阱問題，判斷前、后填寫內(nèi)容是否矛盾。

最終篩選出有效問卷1007 份，故所研究樣本包含疫情前和疫情期間的出行方式選擇數(shù)據(jù)各3021 條。樣本的基本統(tǒng)計信息如表2所示，可知，樣本與北京市常住人口的性別比例較為一致。樣本中50 歲以上的比例低于北京市人口比例，這是由于老年人對互聯(lián)網(wǎng)的熟悉度較弱，導(dǎo)致一方面對網(wǎng)絡(luò)調(diào)查的參與度較低，另一方面對基于移動互聯(lián)的共享出行方式的主動使用率較低。樣本的受教育程度較高，與SHEN 等[24]研究的樣本分布呈現(xiàn)出一致現(xiàn)象。超過60%的樣本年收入為4～20 萬元，且樣本的小汽車擁有率較北京市高9.36%。針對無車人群，SP 調(diào)查中將不提供私家車方式選項。共享出行安全程度的統(tǒng)計結(jié)果如圖2所示。感知疫情嚴重程度的統(tǒng)計結(jié)果如圖3所示。

表2 樣本基本統(tǒng)計信息Table 2 Summary statistics of respondents

圖2 共享出行安全程度統(tǒng)計Fig.2 Statistics of shared mobility safety

圖3 受訪者感知疫情嚴重程度統(tǒng)計Fig.3 Statistics of respondents'perceived COVID-19 severity

圖2中IQR(Interquartile Range)表示四分位距，超出1.5IQR范圍的值可視為異常值。由圖2可知，網(wǎng)約車的平均安全程度(60.99)最高，合乘最低(16.05)。盡管分時租賃的平均安全程度(27.11)不高，但仍有部分受訪者認為該方式是足夠安全的。共享自行車安全程度(57.84)的分布較為分散，其最大值高于網(wǎng)約車，但也有受訪者對其安全性的評價較低。

由圖3可知，感知疫情嚴重程度在區(qū)間[80,85)具有最高頻數(shù)，且接近50%的受訪者認為疫情嚴重程度在80以上。根據(jù)FRAGKAKI等[26]和李文[27]的研究，影響個體感知疫情嚴重程度的因素包括：當(dāng)前區(qū)域、鄰近區(qū)域及其他城市或區(qū)域的疫情傳播情況、個體對政府防疫措施的滿意度、對媒體信息的獲取和學(xué)習(xí)程度、情緒和個體特征等，因此，即使在同一城市疫情條件下，不同受訪者的感知疫情嚴重程度仍存在差異。平均感知疫情嚴重程度如圖4所示。

由圖4可知，各方式出行者平均感知疫情嚴重程度的排序為：私家車＞分時租賃＞共享自行車＞網(wǎng)約車＞傳統(tǒng)出租車＞合乘＞公共交通。感知疫情嚴重程度高的受訪者更傾向于自駕出行；當(dāng)受訪者的感知疫情嚴重程度較低時，更容易接受合乘和公共交通。

圖4 不同出行方式選擇對應(yīng)的平均感知疫情嚴重程度Fig.4 Respondents'average perceived COVID-19 severity corresponding to different travel mode choices

疫情前和疫情期間的方式選擇情況如圖5所示。

圖5 疫情前和疫情期間的出行方式選擇Fig.5 Travel mode choices before and during COVID-19

由圖5可知，公共交通和私家車始終占據(jù)60%以上的選擇比例。在疫情期間，私家車占據(jù)49%的選擇比例，體現(xiàn)出明顯的競爭優(yōu)勢，與文獻[4]和文獻[5]中的調(diào)查分析結(jié)果具有一致性。傳統(tǒng)出租車和共享出行的選擇偏好略有提升。在共享出行方式中，網(wǎng)約車、分時租賃及共享汽車的分擔(dān)率分別增加3%，2%，1%，而合乘則降低5%。

受訪者在疫情影響下的出行方式轉(zhuǎn)移比例如表3所示。由表3可知，公共交通和傳統(tǒng)出租車中，超過45%的出行者轉(zhuǎn)用私家車，約15%的出行者轉(zhuǎn)為網(wǎng)約車出行。在共享出行方式中，網(wǎng)約車出行者繼續(xù)乘坐網(wǎng)約車的比例較轉(zhuǎn)為私家車出行的比例高12.91%。合乘出行者中有39.60%轉(zhuǎn)為私家車出行，23.65%轉(zhuǎn)為網(wǎng)約車出行。分時租賃出行者維持原方式的比例與轉(zhuǎn)為私家車出行的比例較為接近。有15.56%的出行者會從共享自行車轉(zhuǎn)為私家車。各出行方式疫情期間與疫情前選擇一致性的排序為：私家車＞共享自行車＞網(wǎng)約車＞分時租賃＞傳統(tǒng)出租車＞合乘＞公共交通。

表3 疫情影響下的出行方式轉(zhuǎn)移比例Table 3 Travel mode shift with impact of COVID-19 (%)

1.4 問卷信度和效度分析

對調(diào)查問卷中的打分題項開展信度和效度分析以評估問卷數(shù)據(jù)質(zhì)量。信度分析中常用Cronbach'sα系數(shù)來衡量所有變量的測量項目是否具有高度一致性，且該系數(shù)越大，表明同一量表結(jié)構(gòu)下各題項的相關(guān)性越強。一般而言，α在0.7～0.9 之間表示觀測變量的內(nèi)部一致性良好；α在0.6～0.7 之間表示內(nèi)部一致性可接受[28]。經(jīng)信度分析可知，調(diào)查問卷打分題項的Cronbach'sα系數(shù)為0.698，故問卷數(shù)據(jù)具有可靠性。

效度分析能夠反映測量的準確程度和有效性，當(dāng)KMO檢驗系數(shù)大于0.5，Bartlett球形檢驗卡方統(tǒng)計值的χ2統(tǒng)計值的顯著性概率小于0.05時，問卷具有結(jié)構(gòu)效度[29]。經(jīng)效度分析可知，調(diào)查問卷打分題項的KMO 值為0.725，Bartlett 球形檢驗結(jié)果顯著，故問卷數(shù)據(jù)有效。

2 疫情前和疫情期間共享出行方式選擇模型

2.1 模型構(gòu)建

離散選擇模型可以描述決策者在備選方案集中的選擇行為，且選擇集需具備互斥性、完備性及有限性。本文的選擇集由7種出行方式構(gòu)成，除滿足上述特性外，還具備被同一個體進行重復(fù)選擇的特點，故選用離散選擇模型中的混合Logit 模型[30]。該模型允許決策者重復(fù)選擇中的偏好存在關(guān)聯(lián)，能夠適合面板數(shù)據(jù)的建模研究。

在混合Logit模型中，出行者n在t時期選擇出行方式i的效用函數(shù)Unit為

式中：Vnit為t時期出行的固定效用；εnit為不可觀測效用；Cn為選擇集。

固定效用Vnit通常為線性形式，其計算方法為

式中：Xit為t時期出行方式i的解釋變量向量；βni為與之對應(yīng)的系數(shù)向量。系數(shù)β可以設(shè)為隨機參數(shù)，這樣既能體現(xiàn)不同出行者的偏好差異，同時，在同一出行者的重復(fù)決策中保持一致。

出行者n選擇方式i的概率Pni為積分形式，被積函數(shù)為多項Logit模型選擇概率Lni(β)與待估參數(shù)概率密度f(β|θ)的乘積。當(dāng)方式選擇含T個時期時，Lni(β)為各時期多項Logit概率的乘積，即

式中：θ為密度函數(shù)的未知參數(shù)，如正態(tài)分布的均值和方差。

針對疫情前和疫情期間的共享出行方式選擇，分別構(gòu)建基于面板數(shù)據(jù)的混合Logit 模型，兩模型的解釋變量包括：等車時間、公共交通換乘次數(shù)、私家車停車費、合乘繞行時間、分時租賃站點距離、共享出行費用及安全程度。此外，既有研究表明出行行為具有慣性[31]，為描述居民對疫情前出行方式的依賴，引入狀態(tài)依賴變量Xii′表征出行者的方式選擇慣性。當(dāng)疫情期間的方式選擇i′與疫情前i保持一致時，Xii′=1，否則為0，即

基于此，增加考慮出行者對疫情嚴重程度的感知和方式選擇慣性兩個指標，進一步刻畫疫情期間的共享出行方式選擇行為。

2.2 模型參數(shù)估計

由于混合Logit 模型的概率函數(shù)為非閉型，故需采用模擬的方法計算方式選擇概率[32]。假設(shè)隨機參數(shù)的概率密度服從正態(tài)分布，通過Halton數(shù)列抽樣的方法進行600 次隨機抽樣，估計模型參數(shù)。模型參數(shù)估計結(jié)果如表4所示。

表4 模型參數(shù)估計結(jié)果Table 4 Model estimated results

由表4可知，3 個模型的擬合優(yōu)度分別為0.475、0.385 及0.428，均具有較好的擬合效果和解釋能力。此外，疫情期間兩模型的共同參數(shù)具有較為接近的估計結(jié)果和一致的顯著性，且在考慮感知疫情嚴重程度和方式選擇慣性時，模型的擬合優(yōu)度更高。因此，后文將重點討論疫情期間增加考慮兩指標的模型，并與疫情前的模型結(jié)果進行比較。

疫情前與疫情期間共享出行方式選擇模型的隨機參數(shù)為等車時間、分時租賃站點距離及共享出行費用變量對應(yīng)的系數(shù)，其均值全都顯著且與現(xiàn)實情況相符。標準差亦顯著，說明不同個體在疫情前、后對上述3 個變量均存在感知差異，模型能更合理地解釋個體的出行方式選擇行為。

比較疫情前和疫情期間各解釋變量對出行方式選擇的影響差異可知：

(1)等車時間在疫情期間具有更強的負向影響，這是由于較長的等車時間使出行者更多地暴露在公共場所中，增加感染風(fēng)險，故其在疫情防控下的出行方式選擇中受到更多關(guān)注。

(2)公共交通換乘次數(shù)系數(shù)在疫情前為正且顯著，原因是北京市公共交通運行效率和服務(wù)水平不斷提升，即使換乘次數(shù)增加，其出行費用較低和軌道交通方便快捷的優(yōu)勢仍對客流有持續(xù)吸引力；然而，在疫情期間，公共交通出行不受換乘次數(shù)影響。

(3)私家車在疫情期間的使用大幅增加，故停車費較疫情前具有更為顯著的負向影響。

(4)合乘繞行時間系數(shù)在疫情前為負，而在疫情期間，合乘出行不受繞行時間影響。

(5)分時租賃的低密接特性在疫情期間得到發(fā)揮，故站點距離的負向影響較疫情前被削弱。

(6)受疫情影響，居民在選擇共享出行方式時對安全性的關(guān)注增強，對經(jīng)濟性的關(guān)注減弱。

(7)從常數(shù)項來看，當(dāng)不提供任何出行信息時，居民在共享出行方式中最傾向于選擇共享自行車。疫情發(fā)生前分時租賃的普及程度最低，而疫情期間合乘出行的使用偏好最低。

分析感知疫情嚴重程度和方式選擇慣性對出行方式選擇的聯(lián)合影響可知：

(1)感知疫情嚴重程度對公共交通產(chǎn)生顯著的負向影響，但部分出行者仍愿意延續(xù)既有的公共交通出行習(xí)慣。

(2)私家車對感知疫情嚴重程度的系數(shù)為正，對選擇慣性的系數(shù)不顯著，說明疫情期間有車居民繼續(xù)使用私家車并非出于習(xí)慣，而是為了降低感染風(fēng)險。

(3)網(wǎng)約車對選擇慣性的系數(shù)顯著，而合乘不顯著，且后者對感知疫情嚴重程度的系數(shù)為負，故在現(xiàn)有運營模式下，合乘將受到疫情的巨大沖擊。

(4)疫情對分時租賃具有正向影響，但選擇慣性系數(shù)為負，說明低密接的分時租賃方式能夠適應(yīng)疫情期間的出行需求，但其配套設(shè)施建設(shè)尚未吸引固定客流，限制了其在疫情下的發(fā)展。

(5)共享自行車的使用更依賴于日常習(xí)慣，感知疫情嚴重程度對其無顯著影響。

2.3 彈性分析

根據(jù)圖5顯示的調(diào)查結(jié)果可知，疫情使調(diào)查樣本中私家車分擔(dān)率增加了30%，同時降低了共享方式中的合乘出行需求。為研究疫情影響下私家車和合乘使用偏好相對于方式屬性的變動程度，本文選用感知疫情嚴重程度、私家車停車費、合乘出行費用及合乘安全程度這4 個變量進行需求彈性分析。需求彈性反映解釋變量Xk的變化對方式i選擇概率Pi的影響，計算方法為

需求彈性估計結(jié)果如表5所示。

表5 需求彈性估計結(jié)果Table 5 Demand elasticity estimates

由表5可知，感知疫情嚴重程度對私家車和合乘的彈性系數(shù)分別為0.74 和-1.21，影響程度超過其余方式特征變量。私家車停車費每上漲1%，其選擇概率將下降0.09%，而分時租賃將增加0.11%的選擇概率?？梢钥闯觯谝咔楸尘跋绿岣咄＼囐M時，分時租賃對私家車具有替代作用。分時租賃與私家車同屬于自駕出行，相較其他共享出行方式能夠減少與陌生出行者的接觸，同時，能夠在出行次數(shù)減少的疫情期間滿足居民碎片化的出行需求。充分發(fā)揮分時租賃的優(yōu)勢將有助于減少出行者對私家車的依賴。合乘出行費用和安全程度增加1%時，其選擇概率將分別變化0.18%和0.19%，兩者較為接近。然而，從出行方式轉(zhuǎn)移情況來看，提高安全性能夠盡可能少地轉(zhuǎn)移公共交通出行需求(0.01%)，同時，將網(wǎng)約車和出租車客流共轉(zhuǎn)移0.07%，故應(yīng)提高合乘安全性，將經(jīng)濟性管理作為輔助措施。

3 不同政策下出行方式選擇分析

隨著防控力度的加強，疫情形勢將趨于緩和。然而，AWAD-NUNEZ等[33]指出，疫情可能會改變居民在疫情前的出行習(xí)慣。為避免疫情后私家車出行需求大幅上升，同時，提高合乘使用偏好，本文基于彈性分析結(jié)果，提出在疫情的不同感知嚴重程度下調(diào)控私家車停車費和管理合乘安全的政策方案，與之對應(yīng)的私家車和合乘出行分擔(dān)率的變化情況如圖6所示。

針對私家車出行，當(dāng)感知疫情嚴重程度在50%以上時，停車費變動對選擇概率的控制作用較小。盡管加強疫情防控是減少私家車使用的重要方式，但仍需配合停車費調(diào)控措施，以免疫情期間被重塑的私家車使用習(xí)慣延續(xù)至疫情后。從圖6(a)可以看出，在30%，40%，50%的感知疫情嚴重程度下，分別給予1.6，2.2，3.0 倍的停車費調(diào)整策略可將其分擔(dān)率降低至疫情發(fā)生前(19%)。丁海鷹等[34]指出，借助停車收費費率控制私家車分擔(dān)率和優(yōu)化城市交通結(jié)構(gòu)時，需要將出行方式選擇行為與私家車出行者的可接受程度共同考慮。私家車停車費對受訪者的經(jīng)濟負擔(dān)統(tǒng)計結(jié)果如圖7所示。

圖6 私家車與合乘出行分擔(dān)率變化情況Fig.6 Mode split variation of private car and ride-sharing

由圖7可知，52.33%的出行者對現(xiàn)行停車費所造成經(jīng)濟負擔(dān)的打分低于40，故停車費調(diào)整在一定程度上具備可行性。然而，25.12%的出行者對該題項的打分超過60，因此，需增加政策彈性，將調(diào)整策略分時段和分區(qū)域循環(huán)執(zhí)行，在考慮民眾接受度的基礎(chǔ)上，以更柔和的方式減少私家車依賴。

圖7 私家車停車費對受訪者造成的經(jīng)濟負擔(dān)統(tǒng)計Fig.7 Statistics of financial burdens of parking fees on respondents

停車費彈性調(diào)整政策也可促進私家車出行錯峰化，減少公共場所人群聚集，降低疫情傳播風(fēng)險。在政策實施時，需在疫情防控的不同階段開展民意調(diào)查，根據(jù)民眾反應(yīng)對政策做出動態(tài)調(diào)整。此外，亦需從多方式交通系統(tǒng)的角度出發(fā)，配合公共交通防疫舉措，降低居民對公共交通出行的心理壓力，緩解私家車使用大幅增長的現(xiàn)象。

針對合乘出行，其在疫情期間的安全性不僅體現(xiàn)在駕駛安全，還取決于車廂內(nèi)的感染風(fēng)險，故感知疫情嚴重程度越高，出行者對安全性的要求越高。從圖6(b)可以看出，當(dāng)感知疫情嚴重程度為100%時，提高安全程度至3.6倍可將其分擔(dān)率恢復(fù)至疫情前(12%)。當(dāng)感知嚴重程度在60%，70%，80%，90%時，其安全程度則需分別達到1.4，1.8，2.4，3.0 倍。合乘與網(wǎng)約車出行的顯著差異在于客座率的提高。根據(jù)共享出行安全程度統(tǒng)計結(jié)果(圖2)可知，出行者對合乘出行安全程度的平均打分為16.05，則1.4～3.6 倍對應(yīng)的安全程度為22.47～57.78，均低于網(wǎng)約車出行安全程度(60.99)。因此，在滿足出行者對合乘安全程度的要求時，無須使其乘客數(shù)量降低至1 人。在安全程度提升政策具體實施時，可通過調(diào)查明確在合乘人數(shù)(2，3，4 人)和合乘時長(10，20，30，45，60 min)等不同變量交叉組合的情景下，出行者對合乘安全程度的打分評價。在此基礎(chǔ)上，通過合乘平臺制定與疫情防控形勢相適應(yīng)的人數(shù)和時長限制條件。同時，調(diào)查居民與熟識的擁車出行者合乘時感受到的安全程度，配合組織推行基于健康管理的同小區(qū)和同單位合乘鼓勵政策，以使合乘安全程度達到預(yù)期目標。

4 結(jié)論

本文得到的主要結(jié)論如下：

(1)考慮了多元化共享出行方式，各方式平均安全程度的排序為：網(wǎng)約車＞共享自行車＞分時租賃＞合乘；出行者平均感知疫情嚴重程度的排序為：分時租賃＞共享自行車＞網(wǎng)約車＞合乘；選擇偏好的排序為：網(wǎng)約車＞合乘＞分時租賃＞共享自行車；疫情期間與疫情前選擇一致性的排序為：共享自行車＞網(wǎng)約車＞分時租賃＞合乘。

(2)針對傳統(tǒng)出行與共享出行并存的多方式交通系統(tǒng)設(shè)計了SP 問卷，調(diào)查疫情前和疫情期間的出行方式選擇，分別構(gòu)建了基于面板數(shù)據(jù)的混合Logit 模型，比較不同解釋變量對兩個時段出行方式選擇影響的顯著差異。

(3)引入感知疫情嚴重程度和既有方式選擇慣性，重新刻畫了疫情期間的出行方式選擇行為。分析兩者的聯(lián)合影響可知，公共交通受到疫情的負向影響，但其出行者具有較高的選擇慣性；私家車在疫情期間的偏好增加30%，此現(xiàn)象源于對感染風(fēng)險的規(guī)避，與疫情前的使用習(xí)慣無關(guān)；感知疫情嚴重程度對合乘出行產(chǎn)生負向影響，對分時租賃產(chǎn)生正向影響，但后者在疫情下的發(fā)展?jié)摿κ艿搅爽F(xiàn)有方式選擇習(xí)慣的限制；共享自行車在疫情期間的使用主要是由于既有的出行習(xí)慣。

(4)分析了疫情影響下私家車和合乘選擇偏好相對于方式屬性的需求彈性。感知疫情嚴重程度對兩種方式的彈性系數(shù)分別是0.74 和-1.21，是影響程度最高的變量。在疫情背景下提高私家車停車費有助于發(fā)揮分時租賃對私家車的替代作用，進而降低出行者對私家車的依賴。提高合乘的使用偏好應(yīng)首先保障其出行安全，并降低車廂內(nèi)的感染風(fēng)險。提高經(jīng)濟性也能增加合乘分擔(dān)率，但同時使公共交通出行需求發(fā)生0.03%的轉(zhuǎn)移，故僅作為輔助措施。

(5)提出了疫情背景下私家車停車費和合乘安全程度的調(diào)控措施?？紤]到疫情對私家車使用習(xí)慣的重塑，私家車分擔(dān)率的控制不能僅被動地依靠疫情防控，也要及時對停車費進行調(diào)整。當(dāng)感知疫情嚴重程度降低至30%～50%之間時，1.6～3.0 倍的調(diào)整策略可將其分擔(dān)率恢復(fù)至疫情發(fā)生前，且分時段和分區(qū)域循環(huán)執(zhí)行的彈性調(diào)整政策更易于使民眾接受。此外，合乘安全程度在感知疫情嚴重程度高于60%時需要提高至1.4～3.6 倍，可通過限制合乘人數(shù)和時長，以及配合熟識出行者合乘鼓勵政策，使該變量達到預(yù)期目標。