楊亞璪，唐浩冬，彭勇

(重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶 400074)

0 引言

新冠疫情對(duì)交通運(yùn)輸產(chǎn)生了嚴(yán)重的影響，據(jù)交通運(yùn)輸部統(tǒng)計(jì)，2020年全國(guó)36 個(gè)中心城市完成公共交通客運(yùn)量441.5 億人，同比下降33.7%。國(guó)務(wù)院發(fā)布的《抗擊新冠肺炎疫情的中國(guó)行動(dòng)》白皮書(shū)明確指出，2020年4月29日以后，全國(guó)疫情防控進(jìn)入常態(tài)化階段[1]，即中國(guó)進(jìn)入了后疫情時(shí)代[2]。目前，少數(shù)城市還會(huì)零星出現(xiàn)確診病例，居民在出行過(guò)程中仍然存在感染恐懼和被感染的風(fēng)險(xiǎn)，居民對(duì)公共交通出行仍有抵制心理，轉(zhuǎn)而選擇出租車(chē)和私家車(chē)出行。在后疫情時(shí)代，研究新冠疫情這類突發(fā)公共衛(wèi)生事件對(duì)居民出行方式選擇行為的影響機(jī)理，可以更好地滿足居民出行需求，提升居民的出行滿意度。

出行方式選擇行為的研究方法包括描述性統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)模型和離散選擇模型這3類[3]，其中以離散選擇模型為主，包含多項(xiàng)Logit模型、分層Logit 模型、混合Logit 模型等[4]。大多數(shù)研究使用離散選擇模型來(lái)描述基于調(diào)查數(shù)據(jù)的出行方式選擇行為。Domarchi 等[5]建立多項(xiàng)Logit 模型并引入代表態(tài)度因素的虛擬變量，以探討潛在心理因素對(duì)方式選擇的影響；Arman 等[6]采用雙層混合嵌套Logit 模型研究伊朗女性的出行方式選擇行為；楊飛等[7]采用混合Logit 模型研究汽車(chē)分時(shí)租賃下個(gè)體異質(zhì)性對(duì)出行選擇行為的影響。出行方式選擇行為受多種因素影響，劉志偉等[8]研究發(fā)現(xiàn)，無(wú)人駕駛汽車(chē)選擇行為受到出行特征、社會(huì)經(jīng)濟(jì)屬性、心理潛變量等因素影響；駱晨等[9]發(fā)現(xiàn)，家庭屬性差異對(duì)大學(xué)生出行方式選擇行為有顯著影響。

目前，新冠疫情對(duì)居民出行方式選擇行為的影響已取得一些研究成果。劉建榮等[10]利用Logit模型研究老年人對(duì)新冠疫情嚴(yán)重程度的感知以及對(duì)其出行行為的影響；王惠隊(duì)等[11]基于累積前景理論研究重大公共衛(wèi)生事件影響下醫(yī)護(hù)人員的出行行為；Mohamed等[12]研究了新冠肺炎疫情對(duì)巴基斯坦居民出行行為的影響和由公共交通轉(zhuǎn)向私家車(chē)的出行偏好變化情況；駱晨等[13]通過(guò)構(gòu)建風(fēng)險(xiǎn)感知差異的多元Logit模型來(lái)分析疫情持續(xù)期對(duì)居民中長(zhǎng)距離出行方式選擇行為的影響；胡三根等[14]利用交通方式之間存在關(guān)聯(lián)性的特點(diǎn)，分析疫情初期、中期和后期的居民出行方式選擇行為與影響因素之間的關(guān)系；Luan等[15]利用隨機(jī)后悔最小化和廣義遺憾最小化研究新冠疫情暴發(fā)后期居民的出行心理變化及汽車(chē)購(gòu)買(mǎi)意愿。

綜上，既有文獻(xiàn)研究了新冠疫情對(duì)特定群體出行行為的影響及疫情暴發(fā)期間居民出行行為的變化。雖有文獻(xiàn)研究了后疫情時(shí)代的出行行為，但并未考慮到疫情本身和針對(duì)性防控措施的變化。相應(yīng)出行方式和出行結(jié)構(gòu)的變化是動(dòng)態(tài)調(diào)整逐步趨于平穩(wěn)，并向疫情前逐步回歸的。雖然國(guó)內(nèi)疫情得到了有效控制，但疫情持續(xù)時(shí)間和區(qū)域風(fēng)險(xiǎn)等級(jí)仍不明朗，后疫情時(shí)代下居民的出行行為尚需進(jìn)一步研究。統(tǒng)計(jì)數(shù)據(jù)顯示，2020年城市常規(guī)公交客運(yùn)量同比下降36.1%，城市軌道交通客運(yùn)量同比下降26.4%，而私家車(chē)保有量增加了973萬(wàn)輛?？梢?jiàn)，新冠疫情對(duì)城市交通的影響在個(gè)體層面體現(xiàn)在出行方式選擇的變化，在整體上則是出行結(jié)構(gòu)發(fā)生了改變，居民出行更偏好私家車(chē)、共享自行車(chē)等物理距離較大的方式。本文采用混合Logit模型和潛在類別條件Logit 模型進(jìn)行對(duì)比分析，旨在展示后疫情時(shí)代居民出行方式選擇的偏好和變化，為公共交通的政策制定提供參考。

1 模型構(gòu)建

混合Logit模型以其靈活性可用于解決隨機(jī)偏好問(wèn)題，與之類似的潛在類別條件Logit 模型考慮了類別間的差異，在關(guān)于人群細(xì)分的研究中成為主流方法[16]。兩種模型都有其優(yōu)點(diǎn)和局限性，但哪種模型更適合研究后疫情時(shí)代下的出行行為尚未可知。本文基于城市出行主要的交通方式，確定常規(guī)公交、地鐵、出租車(chē)、私家車(chē)為選擇肢集合。根據(jù)實(shí)際情況設(shè)置選擇肢的屬性，包括等待時(shí)間、在途時(shí)間和行程費(fèi)用，同時(shí)考慮居民的個(gè)人社會(huì)經(jīng)濟(jì)屬性對(duì)出行方式選擇的影響。

1.1 混合Logit模型

出行者n選擇出行方式i的效用為

式中：Vni、εni分別為出行者n選擇出行方式i的效用確定項(xiàng)、效用隨機(jī)項(xiàng)；xnik為出行者n選擇出行方式i的第k種出行方式相關(guān)屬性和特有屬性；βnik為對(duì)應(yīng)的參數(shù)；Xni為能觀測(cè)到的出行者n選擇出行方式i的屬性變量的完整向量；βn為對(duì)應(yīng)的參數(shù)向量。

出行者n選擇出行方式i的概率為

將等待時(shí)間、在途時(shí)間、行程費(fèi)用對(duì)應(yīng)的參數(shù)設(shè)置為隨機(jī)變量，并且服從對(duì)數(shù)正態(tài)分布，則Vni表示為

式中：Cni為出行者n選擇出行方式i的固定常量；Snik為出行者n選擇出行方式i第k個(gè)人社會(huì)經(jīng)濟(jì)屬性；βxk、βSk為對(duì)應(yīng)屬性的參數(shù)值。

將公交作為對(duì)比項(xiàng)，可得各選擇肢的效用函數(shù)確定項(xiàng)為

式中：V1、V2、V3、V4分別對(duì)應(yīng)地鐵、出租車(chē)、私家車(chē)、公交的效用函數(shù)確定項(xiàng)；C1、C2、C3分別為地鐵、出租車(chē)、私家車(chē)的固有常量；xwt、xdt、xco分別為等待時(shí)間、在途時(shí)間、行程費(fèi)用屬性變量；βwt、βdt、βco為對(duì)應(yīng)的參數(shù)；Sge、Sag、Sed、Scareer、Ssa、Scar分別為性別、年齡、學(xué)歷、職業(yè)、收入、是否擁有私家車(chē)屬性變量；βge、βag、βed、βcareer、βsa、βcar為對(duì)應(yīng)的參數(shù)。

1.2 潛在類別條件Logit模型

假定有N個(gè)出行者，每個(gè)出行者面臨T個(gè)出行方式選擇集，每個(gè)出行方式選擇集有J種方式，如果出行者n在選擇方式集t中選擇第j種方式，記ynjt為1，否則為0。每種選擇方式由與該方式相關(guān)屬性xnjt描述，出行者n由出行者相關(guān)的屬性所描述。假定N個(gè)出行者可以被分成C個(gè)類別，且每個(gè)類別的參數(shù)不一致，即β=(β1,β2,…,βc)，如果出行者n屬于類別c，則出行者n面對(duì)一系列方案選擇的概率為

通過(guò)指定出行者n選擇的非條件似然值來(lái)判定出行者所屬類別，其值等于式(6)在所有類別上的加權(quán)平均值，則出行者n屬于類別c的概率可表示為

將每個(gè)出行者的對(duì)數(shù)非條件似然值相加得到樣本的對(duì)數(shù)似然值，使用期望最大化EM(Expectation-Maximization)算法估計(jì)β和θ參數(shù)值，即

2 問(wèn)卷設(shè)計(jì)與調(diào)查

根據(jù)中國(guó)城市規(guī)劃設(shè)計(jì)研究院發(fā)布的《2021年度中國(guó)主要城市通勤監(jiān)測(cè)報(bào)告》，2020年重慶市單程平均通勤距離為8.9 km，平均通勤距離是衡量城市在綜合了人們的選擇后真實(shí)職住分離情況的指標(biāo)[17]。因此，確定以10 km 的城市通勤距離為基礎(chǔ)進(jìn)行問(wèn)卷設(shè)計(jì)。結(jié)合重慶市中心城區(qū)交通的實(shí)際狀況對(duì)各屬性水平值進(jìn)行設(shè)置，如表1所示，考慮到公交、出租車(chē)和私家車(chē)易受道路交通狀況等不確定性因素影響，設(shè)置水平1 和2 兩類屬性值更加符合現(xiàn)實(shí)情況。為了避免屬性的多重共線性問(wèn)題，利用正交設(shè)計(jì)形成合適的屬性組合?；凇吨貞c市新冠肺炎疫情分區(qū)分級(jí)分類防控實(shí)施方案》，將新冠肺炎疫情風(fēng)險(xiǎn)劃分為低、中、高風(fēng)險(xiǎn)，且中、低風(fēng)險(xiǎn)區(qū)域交通運(yùn)輸正常運(yùn)轉(zhuǎn)[18]。再根據(jù)全國(guó)城市交通客運(yùn)量與新冠疫情確診病例變化曲線(圖1)，將后疫情時(shí)代城市防疫狀態(tài)設(shè)為兩種情形，即處于低風(fēng)險(xiǎn)區(qū)(情景A)和中風(fēng)險(xiǎn)區(qū)(情景B)，最終生成兩大類共16個(gè)選擇情景的調(diào)查問(wèn)卷。問(wèn)卷包括受訪者的個(gè)人屬性和影響出行選擇因素的調(diào)查，具體如表2所示。

表2 個(gè)人屬性水平及編碼Table 2 Personal attribute level and code

圖1 全國(guó)城市交通客運(yùn)量及新冠疫情確診病例變化情況Fig.1 Changes in national urban passenger traffic and confirmed cases of the COVID-19

表1 選擇肢屬性水平Table 1 Select limb attribute level

采用隨機(jī)抽樣法在重慶市開(kāi)展網(wǎng)絡(luò)問(wèn)卷調(diào)查，共收集到650 份調(diào)查結(jié)果。考慮到老年人對(duì)網(wǎng)絡(luò)不熟悉，同時(shí)在線下分發(fā)50份問(wèn)卷，占比7.7%。對(duì)609 份有效樣本進(jìn)行整理分析，結(jié)果如圖2所示。有效樣本中，男性占比59.4%，女性占比40.6%，基本符合人口調(diào)查比例。年齡分布占比最多的是[18,25]歲，總體集中于[18,40]歲，較為符合中青年人對(duì)疫情敏感度最高的特征。受訪者的收入主要集中在[3000,8000]元·月-1。調(diào)查樣本的年齡、性別與收入分布與抽樣計(jì)劃基本一致。

圖2 樣本個(gè)人基本屬性Fig.2 Basic attributes of sample individuals

如圖3所示，采用桑基圖展示新冠疫情對(duì)居民出行方式選擇的影響。疫情前自由的出行環(huán)境使得公共交通在居民出行結(jié)構(gòu)中占比59%；疫情期間由于各種限制措施，導(dǎo)致公共交通出行的比例驟減至27%，53%有出行需求的居民會(huì)選擇私家車(chē)出行；隨著疫情得到控制，社會(huì)進(jìn)入后疫情時(shí)代，出行環(huán)境變得相對(duì)寬松，選擇常規(guī)公交及地鐵出行的比例逐步回升至40%左右，但當(dāng)城市臨時(shí)處于中風(fēng)險(xiǎn)區(qū)時(shí)，這種回升趨勢(shì)會(huì)出現(xiàn)波動(dòng)，說(shuō)明居民對(duì)公共交通出行仍然存在感染恐懼。

圖3 疫情不同階段出行方式選擇情況Fig.3 Choice of travel modes in different stages of epidemic

3 模型結(jié)果分析

3.1 混合Logit模型標(biāo)定結(jié)果及分析

基于Stata16 軟件，結(jié)合問(wèn)卷調(diào)查得到的后疫情時(shí)代城市處于低風(fēng)險(xiǎn)區(qū)(情景A)和中風(fēng)險(xiǎn)區(qū)(情景B)出行方式選擇數(shù)據(jù)，對(duì)式(2)進(jìn)行計(jì)算，其中系數(shù)估計(jì)值的顯著性采用P 值進(jìn)行檢驗(yàn)?；旌螸ogit模型在連續(xù)抽取系數(shù)βn的仿真計(jì)算過(guò)程中，應(yīng)用Halton數(shù)列方法，隨機(jī)抽樣150次計(jì)算仿真概率。

標(biāo)定結(jié)果如表3所示。通過(guò)P值檢驗(yàn)各參數(shù)的顯著性。對(duì)照表2進(jìn)行編碼，標(biāo)定結(jié)果中，性別參數(shù)符號(hào)為正表示女性，參數(shù)符號(hào)為負(fù)表示男性；年齡、學(xué)歷、收入?yún)?shù)符號(hào)為正分別表示年齡越大、學(xué)歷越高、收入越高；而私家車(chē)擁有情況參數(shù)符號(hào)為正表示未擁有私家車(chē)，參數(shù)符號(hào)為負(fù)表示擁有私家車(chē)。

表3 情景A、B下混合Logit模型參數(shù)標(biāo)定結(jié)果Table 3 Parameter calibration results of mixed Logit model in scenario A and B

由表3可以看出：

(1)將公交作為參照方案，地鐵、出租車(chē)和私家車(chē)這3 種出行方式的固定參數(shù)均顯著，說(shuō)明這3 種方式未被觀測(cè)到的效用對(duì)其總效用各有影響。

(2)選擇方式屬性。等待時(shí)間、在途時(shí)間兩個(gè)變量顯著且參數(shù)符號(hào)均為負(fù)。說(shuō)明等待時(shí)間和在途時(shí)間越長(zhǎng)選擇該交通方式的概率越低，這符合后疫情時(shí)代下居民出行的實(shí)際情況。其中在途時(shí)間參數(shù)值(情景A為-0.36331、情景B為-0.25364)絕對(duì)值最大，交通方式的在途時(shí)間是影響出行方式選擇較為重要的因素，特別是通勤出行時(shí)對(duì)出行時(shí)間要求較高，而在途時(shí)間與道路通暢度以及?？空军c(diǎn)數(shù)直接相關(guān)。此外，行程費(fèi)用變量不顯著，說(shuō)明居民在后疫情時(shí)代下出行時(shí)，對(duì)行程費(fèi)用的敏感程度相較于等待時(shí)間和在途時(shí)間低。

(3)個(gè)人社會(huì)經(jīng)濟(jì)屬性。在情景A中年齡在地鐵、出租車(chē)和私家車(chē)的選擇中是顯著的，并且3 個(gè)參數(shù)都是負(fù)數(shù)。表明年齡越大，居民相較參照方案越不愿意選擇地鐵、出租車(chē)和私家車(chē)，即年齡越大選擇公交出行的概率越高。重慶市65歲以上老年人乘坐主城區(qū)公共交通可以刷老年人免費(fèi)卡，而老年人免費(fèi)卡在早上9:00前不能乘坐地鐵。性別在3個(gè)方案中均顯著，除了地鐵以外其余兩個(gè)參數(shù)都為正，表明女性相對(duì)于參照方案來(lái)說(shuō)，更傾向于選擇出租車(chē)和私家車(chē)出行。這一點(diǎn)與出租車(chē)和私家車(chē)的在途時(shí)間較短且安全系數(shù)較高的特點(diǎn)相符。收入?yún)?shù)在3個(gè)方案中均顯著，但出租車(chē)和私家車(chē)的參數(shù)為正，地鐵為負(fù)，表明收入越高的人相對(duì)公交出行，更傾向于選擇出租車(chē)和私家車(chē)出行。私家車(chē)擁有情況對(duì)于三者都為顯著，除了私家車(chē)以外，其余兩者參數(shù)都為正，表明有車(chē)一族更傾向于選擇私家車(chē)出行。

在情景B 中，年齡、性別、學(xué)歷這3 個(gè)參數(shù)均顯著，年齡和性別參數(shù)與情景A相同。年齡越大更偏好公交出行，且女性相對(duì)于參照方案來(lái)說(shuō)，更傾向于選擇出租車(chē)和私家車(chē)出行。學(xué)歷參數(shù)在3 種方式選擇中均為正，表明隨著學(xué)歷的提升，居民選擇地鐵、出租車(chē)和私家車(chē)出行的概率都比參照方案大。即學(xué)歷越高，選擇公交出行的概率越小，且相較而言，在后疫情時(shí)代城市處于中風(fēng)險(xiǎn)區(qū)的情況下，選擇出租車(chē)出行的概率最大。

通過(guò)混合Logit 模型計(jì)算結(jié)果，輸出得到兩種情景下各種交通方式的選擇比例。情景A為：公交(19.7%)、地鐵(42.8%)、出租車(chē)(8.5%)、私家車(chē)(29%)。情景B為：公交(13.2%)、地鐵(33.3%)、出租車(chē)(16.2%)、私家車(chē)(37.3%)。

3.2 潛在類別條件Logit模型標(biāo)定結(jié)果及分析

采用CAIC(Consistent Akaike Information Criterion)和BIC(Bayesian Information Criterion)兩個(gè)指標(biāo)進(jìn)行類別C的選擇。CAIC和BIC的計(jì)算公式為

式中：Q1、Q2分別為CAIC和BIC的值；lnL為樣本最大對(duì)數(shù)似然函數(shù)值；m為擬合模型參數(shù)的總數(shù)。

CAIC 和BIC 值越小，模型擬合度越高。當(dāng)兩者無(wú)法同時(shí)滿足時(shí)，通常選取CAIC 最小值的分類數(shù)作為最佳分類數(shù)。

通過(guò)Stata16 編程運(yùn)行得到不同分類數(shù)的CAIC 以及BIC，結(jié)果如表4所示，其中LLF 為對(duì)數(shù)似然值。在情景A中，當(dāng)類別為4時(shí)，CAIC的值最小。CAIC值越小，模型擬合度越高，因此樣本可以分為4 個(gè)子集。在情景B 中，當(dāng)類別為5 時(shí)，其CAIC 和BIC 均為最小值，說(shuō)明最佳潛在類別數(shù)量為5，因此將情景B 的樣本劃分為5 個(gè)類別對(duì)情景A、B下的樣本數(shù)據(jù)進(jìn)行潛在類別條件Logit模型回歸。情景A樣本中4個(gè)類別的占比分別為：28.1%、28.6%、34%、9.3%。情景B 樣本中5 個(gè)類別的占比分別為：36.2%、5.8%、40.3%、7.5%、10.1%。

表4 潛在類別條件Logit模型CAIC及BIC比較Table 4 Comparison of CAIC and BIC of latent class conditional Logit model

由表5可知，等待時(shí)間、在途時(shí)間、行程費(fèi)用這3個(gè)變量的參數(shù)估計(jì)值在不同類別中顯著性各不相同。說(shuō)明不同類別的居民在對(duì)出行方式選擇偏好上表現(xiàn)出較強(qiáng)的異質(zhì)性。具體分析如下：

表5 情景A、B下模型回歸結(jié)果Table 5 Model regression results under scenario A and B

(1)類別1人群

情景A、B 中3 個(gè)參數(shù)均顯著，屬于“出行平衡型”。這類群體選擇出行方式時(shí)會(huì)同時(shí)關(guān)注時(shí)間和費(fèi)用因素，不會(huì)對(duì)某一因素特別敏感，希望在各出行屬性上得到平衡，私家車(chē)的屬性恰恰能較好滿足這類人群的出行需求。

(2)類別2人群

情景A 中在途時(shí)間、行程費(fèi)用參數(shù)顯著，等待時(shí)間參數(shù)不顯著，且行程費(fèi)用參數(shù)的絕對(duì)值在4個(gè)類別中最大，即類別2 人群屬于“在途時(shí)間和費(fèi)用敏感型”。這類人群能夠接受較長(zhǎng)的等待時(shí)間，但是不能接受費(fèi)用的增加。情景B 中3 個(gè)參數(shù)均顯著，且等待時(shí)間參數(shù)的絕對(duì)值在5 個(gè)類別中最大，同時(shí)行程費(fèi)用參數(shù)相對(duì)于類別2不敏感，說(shuō)明這類人群為“等待時(shí)間敏感型”。綜上，類別2人群更偏好出租車(chē)出行。

(3)類別3人群

情景A中等待時(shí)間參數(shù)不顯著，在途時(shí)間和行程費(fèi)用參數(shù)均顯著，且兩個(gè)參數(shù)的絕對(duì)值都相對(duì)較小。說(shuō)明這類人群為“在途時(shí)間和費(fèi)用均衡型”，能夠接受等待時(shí)間的增加，對(duì)出行方式的在途時(shí)間和行程費(fèi)用相對(duì)敏感。情景B中3個(gè)參數(shù)均顯著，且行程費(fèi)用參數(shù)的絕對(duì)值在5個(gè)類別中最大，說(shuō)明這類人群為“時(shí)間平衡、費(fèi)用敏感型”，能夠接受時(shí)間的增加，對(duì)出行方式的費(fèi)用相對(duì)敏感。綜上，類別3人群更偏好地鐵出行。

(4)類別4人群

情景A、B 中等待時(shí)間、在途時(shí)間參數(shù)不顯著，但行程費(fèi)用的參數(shù)顯著。說(shuō)明這類人群屬于“費(fèi)用敏感型”，能夠接受時(shí)間上的增加，對(duì)行程費(fèi)用的敏感使得這類人群更偏好公交出行。

(5)類別5人群(情景B)

3 個(gè)參數(shù)均不顯著，屬于“出行隨機(jī)型”。這類群體選擇出行方式時(shí)不會(huì)關(guān)注時(shí)間和費(fèi)用因素，任何一種出行方式都能滿足這類人群的出行需求。

居民特性對(duì)潛在類別的影響如表6所示。情景A中將類別4作為參考基礎(chǔ)，性別和收入在類別1、3 中均顯著，在類別2 中性別不顯著、收入顯著，且類別1 中性別和收入?yún)?shù)均為正，類別3 中性別和收入?yún)?shù)均為負(fù)。說(shuō)明類別1中，收入更高的女性更愿意選擇私家車(chē)；類別3 中，收入較低的男性可能更容易成為“費(fèi)用敏感型”。年齡在類別1 中不顯著，在類別2、3 中均顯著，且在類別2 中為正，在類別3中為負(fù)，說(shuō)明類別2中，年齡越大對(duì)費(fèi)用越敏感。情景B中將類別5作為參考基準(zhǔn)，年齡和收入在類別1、2、4 中均顯著且符號(hào)均為正，在類別3中年齡顯著但收入不顯著。說(shuō)明類別1、2、4中，年齡越大收入越高的人群更傾向選擇所在群體偏愛(ài)的出行方式。性別和收入在類別3、4 中均顯著且性別參數(shù)為負(fù)、收入?yún)?shù)為正。說(shuō)明類別3、4 中，男性更愿意選擇地鐵、公交，且類別3、4 群體隨著收入增加，越不容易成為“時(shí)間平衡、費(fèi)用敏感型”“費(fèi)用敏感型”。因此在類別3、4中，收入越高的男性可能會(huì)成為“出行隨機(jī)型”。

表6 情景A、B下居民特征對(duì)潛在類別的影響Table 6 Impact of resident characteristics on latent class under scenario A and B

3.3 模型對(duì)比分析

采用AIC(Akaike Information Criterion)和BIC兩項(xiàng)指標(biāo)評(píng)估兩類模型，結(jié)果如表7所示，指標(biāo)越小表明模型的擬合優(yōu)度越高。其中，AIC=-2 lnL+2m，BIC 如式(10)所示。由表7 可知，潛在類別條件Logit模型在情景A、B下的AIC、BIC 值均顯著小于混合Logit 模型，即前者擬合優(yōu)度比后者更好，且擬合優(yōu)度平均提高13%。模型的預(yù)測(cè)精度顯示，前者對(duì)情景A、B 預(yù)測(cè)精度分別為63.3%、67.9%，后者對(duì)情景A、B 預(yù)測(cè)精度分別為61.14%、67.03%。前者的擬合優(yōu)度和預(yù)測(cè)精度都更高，用于分析后疫情時(shí)代居民出行方式選擇行為更有優(yōu)勢(shì)。

表7 模型AIC、BIC指標(biāo)對(duì)比Table 7 Comparison of model AIC and BIC indicators

4 結(jié)論

本文以后疫情時(shí)代重慶市實(shí)際調(diào)查數(shù)據(jù)為基礎(chǔ)，建立了基于混合Logit和潛在類別條件Logit的選擇模型，分析了城市處于中、低風(fēng)險(xiǎn)區(qū)兩種情況下的居民出行方式選擇行為。對(duì)相關(guān)屬性變量參數(shù)進(jìn)行了顯著性分析，所得主要結(jié)論如下：

(1)相比混合Logit 模型，潛在類別條件Logit模型的擬合優(yōu)度更好、預(yù)測(cè)精度更高。

(2)出行方式屬性中，等待時(shí)間、在途時(shí)間對(duì)居民出行方式選擇行為有顯著影響。個(gè)人社會(huì)經(jīng)濟(jì)屬性中，年齡、性別、收入等對(duì)居民類別劃分具有顯著影響。

(3)根據(jù)居民對(duì)出行方式屬性的敏感程度以及后疫情時(shí)代城市疫情防控狀態(tài)，對(duì)居民進(jìn)行類別劃分。當(dāng)城市處于低風(fēng)險(xiǎn)區(qū)時(shí)，居民可劃分為出行平衡型、在途時(shí)間和費(fèi)用敏感型、在途時(shí)間和費(fèi)用均衡型以及費(fèi)用敏感型。當(dāng)城市處于中風(fēng)險(xiǎn)區(qū)時(shí)，居民可劃分為出行平衡型、等待時(shí)間敏感型、時(shí)間平衡和費(fèi)用敏感型、費(fèi)用敏感型、出行隨機(jī)型。

本文利用兩種模型對(duì)比研究居民在后疫情時(shí)代下的出行行為。未來(lái)研究中，有必要從兩個(gè)方面繼續(xù)深入：①不同出行方式屬性的彈性分析；②基于出行目的差異的居民出行選擇行為。