0 引言

加快貨物運輸“公轉鐵”、優(yōu)化貨運結構是實現(xiàn)“碳達峰、碳中和”的重要工作內容之一。近年來，各級政府部門持續(xù)出臺相關政策以推進貨運“公轉鐵”，2019年9月中共中央、國務院印發(fā)《交通強國建設綱要》，將“推進大宗貨物及中長距離貨物運輸向鐵路和水運有序轉移”列為重點任務。在此背景下，貨運“公轉鐵”取得明顯成效，尤其是在大宗物資、港口集疏運市場方面。但是，在“白貨”運輸市場方面，“公轉鐵”工作尚未取得預期效果。重要原因之一在于鐵路貨運產品難以滿足“白貨”運輸的服務質量要求。因此，提供具有競爭力的鐵路運輸服務產品是促進“公轉鐵”的核心，這需要鐵路運輸企業(yè)準確掌握托運人方式選擇行為特點。

目前，國內外關于托運人貨運方式選擇行為的研究已有一定基礎，Tao等[1]提出影響托運人方式選擇行為的因素包括運輸服務屬性因素和非運輸服務屬性因素。既有研究多關注運輸服務屬性因素(如費用、時間、可靠性等)的影響[2]，近年來，非運輸服務屬性因素的影響逐漸受到研究者重視[3-4]。非運輸服務屬性因素包括貨物屬性(如貨物價值、貨物品類等)[5]，托運屬性(如托運批量、運距等)和托運人屬性(如托運人類型、選擇慣性)[6]。相比于貨物屬性和托運屬性，托運人屬性對方式選擇行為影響的研究較少，尤其缺乏托運人選擇慣性的影響分析。

“慣性”源于物理學，是指物體保持靜止或勻速直線運動狀態(tài)的性質。在交通行為研究中，選擇慣性被定義為出行者(或托運人)堅持過去選擇的某種出行(或運輸)方式的特性[7]。在客運領域[8-9]，實證研究結果表明選擇慣性對出行方式選擇具有顯著影響，即存在選擇慣性效應，忽略慣性效應將導致模型預測結果偏差。而在貨運領域，既有研究則忽視了貨運方式選擇中的慣性效應。其次，既有貨運方式選擇研究大多采用意向偏好(Stated Preference，SP)數據進行參數估計[10]。SP數據具有易獲取的優(yōu)點，但其基于情景假設，數據誤差較大。行為偏好(Revealed Preference，RP)數據源于實際選擇行為，可靠性較高，但由于涉及運價等敏感信息導致難以采集。融合RP數據、SP數據進行模型參數估計，可以綜合RP數據真實可靠和SP數據易獲取的優(yōu)點，在豐富樣本量的同時，能更加準確地反映托運人的選擇行為。

研究以滬寧鐵路(上?！暇┪?沿線城市的“白貨”運輸為例，構建基于RP與SP數據融合的巢式Logit(Nested Logit，NL)模型，以實現(xiàn)托運人貨運方式選擇行為特征的精準解析。重點研究貨運方式“公轉鐵”中的慣性效應，探索慣性對“公轉鐵”的影響機理，為政府部門制定“公轉鐵”政策、鐵路運輸企業(yè)優(yōu)化貨運服務水平提供支撐。

1 托運人行為意向數據調查

研究選取我國經濟發(fā)達、“白貨”運輸需求大的滬寧鐵路沿線上海、蘇州、無錫、常州、鎮(zhèn)江、南京6個城市開展托運人RP與SP調查。在RP調查中，獲取托運人基本信息(包括企業(yè)名稱、公司類型等)，最近一次托運貨物信息(包括貨物品類、質量、體積、價值等)和當前選擇的貨運方式及其運輸服務水平(包括費用、時間、時間波動)?；讷@取的RP數據，采用正交設計，借助電腦等調查終端，生成自適應的若干(4 ～ 8組)SP假設情景(即假設情景中公鐵運輸費用、時間、時間波動基于所填寫的實際情況合理變化，托運貨物信息與實際情況相同)，以保證SP調查的合理性和易操作性。為保證問卷完成率和數據獲取有效性，調查獲得中國鐵路上海局集團有限公司上海貨運中心和各地方公路貨運場站的支持。最終，共101家受訪企業(yè)完成調查，獲取有效RP數據502條、SP數據3 312條，涉及貨物品類主要包括日用百貨、食品、汽車配件及機械設備等。樣本數據統(tǒng)計分析如表1所示。

表1 樣本數據統(tǒng)計分析Tab.1 Statistical analysis of sample data

2 考慮慣性效應的貨運方式選擇模型構建

2.1 模型理論

采用基于隨機效用最大化理論的離散選擇模型研究托運人貨運方式選擇行為，該模型假設托運人始終選擇其主觀感知效用最大的貨運方式，即托運人n選擇備選貨運方式i的條件如下。

式中：Uin，Ujn分別為備選貨運方式i，j對托運人n的效用；An為備選貨運方式集合。

在融合RP與SP數據并考慮慣性效應的前提下，Uin可以表示如下。

式中：UiRnP，UiSnP分別為RP，SP數據集下，托運人n選擇貨運方式i的效用；VinRP，VinSP分別為RP，SP數據集下，效用的固定項；εiRnP，εiSnP分別為RP，SP數據集下，效用的隨機項，其中隨機項εiRnP和εiSnP服從均值為0，標準差分別為σ2RP和σ2SP的Gumbel分布；φ(IiSnP)為慣性效應，一般表示為選擇慣性變量參數βIRP和選擇慣性度量IiSnP的乘積；λRP，λSP分別為RP和SP數據集的測度參數。

為實現(xiàn)2個數據集的方差一致達到RP與SP數據融合效果，Morikawa等[11]提出基于測度參數的融合估計方法，即令λRPεiRnP=λSPεiSnP，通常假設λRP= 1對模型進行歸一化處理，從而進行λSP的參數估計，λSP越大表明模型未觀測方差越小[12]。

借鑒Hensher等[13]提出的虛擬NL模型，進行RP與SP融合建模?；跀祿愋秃蛡溥x貨運方式，可以得到2種分層結構。分層結構如圖1所示。依據參數估計結果得知，圖1a分層結構的測度參數不顯著，表明該分層結構不合理。因此，以圖1b分層結構建立NL模型。

圖1 分層結構Fig.1 Two different layered structures

2.2 變量選取

選取包括運輸服務屬性、貨物屬性、托運屬性和托運人屬性在內的多類型變量，分析托運人貨運方式選擇行為。變量選取及定義如表2所示。

表2 變量選取及定義Tab.2 Variable definitions and symbols

在選擇慣性變量選取方面，既有交通行為研究中主要包括3種類型選擇慣性變量[7]。

第1類為0-1變量，當SP情景的選擇結果與現(xiàn)實情況的選擇結果相同為1，否則為0[14]。第2類變量將選擇慣性定義為現(xiàn)實情況下(由RP數據體現(xiàn))，選擇的貨運方式i的固定項效用值與未選擇貨運方式j的固定項效用值的差[12]。第3類變量則直接將選擇慣性定義為現(xiàn)實情況下選擇的貨運方式i的固定項效用值[8]。Gao等[9]從數據要求、前提假設、估計性能及預測性能等方面，比較上述3種變量定義的適用性，得到采用0-1變量效果較好的結果。研究借鑒該結論，采用0-1變量分析貨運方式“公轉鐵”的慣性效應。

2.3 模型構建

為揭示“公轉鐵”的慣性效應，首先分析在選擇慣性影響下，公路托運人(即當前選擇公路的托運人)在選擇貨運方式時，對備選方式的偏好傾向?；诖?，根據表2所列的變量，構建包含慣性效應項的線性加和效用函數，定義為NL1模型，NL1模型如下。

式中：，分別為公路、鐵路在RP數據集下的固定項效用；，分別為公路、鐵路在SP數據集下的固定項效用；，分別為公路運輸在RP和SP數據集下效用函數的待估常數項；βt，βc，βv，βh，βd1，βd2，βf和βI分別為時間、費用、時間波動、貨物密度、運距、公司類型及選擇慣性變量的待估參數；，分別為RP數據中公路、鐵路的運輸時間；，分別為RP數據中公路、鐵路的運輸費用；，分別為RP數據中公路、鐵路的時間波動；，分別為SP數據中公路、鐵路的運輸時間；，分別為SP數據中公路、鐵路的運輸費用；，分別為SP數據中公路、鐵路的時間波動；I為選擇慣性變量，在NL1模型中，選擇慣性變量I的待估計參數βI如果顯著，說明慣性效應存在，且如果βI為正，則表現(xiàn)為“公轉鐵”慣性阻力；如果為負，則表現(xiàn)為“公轉鐵”慣性動力。

慣性效應的產生是由于托運人基于之前的選擇行為習慣導致在面臨同樣的決策時，對各種備選貨運方式的服務屬性變量水平產生感知偏差。因此，為進一步解析慣性效應的作用機理，構建包含選擇慣性變量與服務屬性變量交互項的效用函數，定義為NL2模型。NL2模型首先考慮選擇慣性變量與所有服務屬性變量(包括時間、費用、時間波動)的交互效應，依據交互項參數估計結果的顯著性，逐一刪除不顯著的交互項，得到最終的NL2模型如下。

式中：βcI1，βtI2，βcI2，βvI2均為交互作用項的待估參數；Iroad，Irail分別公路、鐵路托運人的選擇慣性變量。

3 考慮慣性效應的貨運方式選擇模型的參數估計結果分析

3.1 估計結果

基于RP與SP融合的估計方法，得到NL1和NL2模型的參數估計結果。模型參數估計結果如表3所示。由表3可知，2個模型除常數項外，其他變量的參數估計均顯著，修正后的McFadden系數分別為0.19和0.22，由此可得模型擬合效果較好[7]。2個模型的測度參數均顯著大于1，說明模型分層結構合理。

表3 模型參數估計結果Tab.3 Estimated results of model parameters

3.2 NL1模型結果分析

NL1模型從整體上分析貨運方式“公轉鐵”中的慣性效應。根據模型參數結果，選擇慣性變量參數βI顯著為正，表明公路托運人堅持選擇公路的傾向顯著高于鐵路托運人堅持選擇鐵路的傾向，這與目前公路運輸市場的信息更加透明、合約簽訂更改等更加便捷、運價機制更加靈活穩(wěn)定等因素有關。其次，慣性效應的估計值為0.872 4，相當于運輸時間(或費用)邊際效用的39倍，說明貨運方式“公轉鐵”的慣性阻力較大，忽視慣性效應將導致行為解析偏差、需求預測失準。

從其他非服務屬性變量來看，βh顯著為負，表明不同貨物類別在選擇貨運方式時具有顯著差異，相比輕泡貨物，重貨更傾向于選擇鐵路運輸。βd1顯著為正、βd2顯著為負，表明空間距離小于500 km的運輸更傾向選擇公路，大于500 km則更傾向于選擇鐵路。βf顯著為負，表明貨代比貨主更偏好選擇鐵路。

3.3 NL2模型結果分析

NL2模型考慮選擇慣性變量與服務屬性變量的交互效應以解析選擇慣性變量的影響機理。對公路而言，選擇慣性變量與費用的交互項參數顯著為正(0.022 5)，表明由于選擇慣性，公路運輸費用對公路托運人選擇的影響減小。對鐵路而言，選擇慣性變量與費用、時間的交互項參數分別為0.024 9和-0.023 9，表明由于選擇慣性，鐵運輸費用對托運人選擇的影響減小，而“門到門”運輸時間對托運人選擇的影響加大。當前，鐵路運輸費用通常低于公路，但“門到門”運輸時間顯著大于公路。在選擇慣性的影響下，托運人低估公路的費用水平、而高估鐵路“門到門”運輸時間，是導致“公轉鐵”慣性阻力較大的重要原因。

4 考慮慣性效應的貨運方式選擇模型參數估計結果的彈性分析

基于NL2模型的參數估計結果，采用彈性分析，確定影響鐵路分擔率的關鍵因素。目前，“公轉鐵”引導措施主要包括：一是提升鐵路貨運服務水平；二是增加公路貨物運輸費用，如“治超”、調整高速公路收費等。為比較2類措施的實施效果，分別采用直接彈性分析和交叉彈性分析。彈性計算公式如下。

式中：E，CE分別為直接彈性和交叉彈性；Pi為貨運方式i的分擔率；xi和xj分別為貨運方式i和j的影響因素。

運輸服務屬性彈性分析結果如圖2所示。從圖2a直接彈性來看，鐵路分擔率的費用彈性絕對值最高，其次為時間彈性，時間波動彈性最低。其中，費用彈性和時間彈性的絕對值均大于1，表明鐵路分擔率對這2個因素富有彈性。因此，從提升鐵路貨運服務水平的角度，降低鐵路“門到門”運輸費用、優(yōu)化運輸組織以縮短鐵路“門到門”全程運輸時間是促進“公轉鐵”的關鍵內容。

從圖2b交叉彈性來看，鐵路分擔率對公路費用的交叉彈性3.26小于鐵路分擔率的費用直接彈性絕對值3.56，說明降低鐵路運輸費用所提升的鐵路分擔率高于增加同比例公路費用所提升的鐵路分擔率。但是，鐵路分擔率對公路費用的交叉彈性大于1，表明鐵路分擔率對公路費用變化較敏感。因此，實施“治超”、高速收費調整等以提高公路貨物運輸費用的同時，進一步降低鐵路“門到門”運輸費用，能夠更加有效促進“公轉鐵”。

圖2 運輸服務屬性彈性分析結果Fig.2 Elastic analysis results of transportation service attributes

5 結束語

研究托運人貨運方式選擇行為特征，有助于針對性引導貨運方式“公轉鐵”。以滬寧鐵路沿線城市為例，基于托運人行為數據調查，聚焦托運人貨運方式選擇過程中的慣性效應解析，為政府部門制定“公轉鐵”政策、鐵路運輸企業(yè)優(yōu)化貨運服務水平提供理論支撐。主要研究結論包括：公路托運人堅持選擇公路的傾向顯著高于鐵路托運人堅持選擇鐵路的傾向；在選擇慣性的影響下，公路托運人低估公路的費用水平、而高估鐵路“門到門”的運輸時間，是導致“公轉鐵”慣性阻力較大的重要原因；在鐵路當前服務水平下，降低鐵路“門到門”運輸費用是提升鐵路分擔率的相對有效途徑。后續(xù)研究中將進一步探討多元化運輸需求的慣性效應異質性，為差異化鐵路貨運產品設計奠定基礎。