張澤煒，吳戈，王翔

(蘇州大學 軌道交通學院，江蘇 蘇州 215000)①

傳統(tǒng)的城市公共交通系統(tǒng)主要由公共汽車和軌道交通組成，隨著共享經(jīng)濟發(fā)展，公共自行車與共享單車也逐漸成為新的公交出行方式.截至2019年底，蘇州市軌道交通運營里程已達到165.9 km，公共汽車網(wǎng)絡在中心城區(qū)基本做到全覆蓋，2020年度公共自行車累計借還車約1.06億次[1-2].即便如此，仍存在私家車出行量增速持續(xù)提升、公共汽車客運量占比連年下降等問題.

精準分析居民公共交通出行方式選擇行為是科學規(guī)劃公交服務配置的基礎.既有的交通方式選擇研究模型大多將居住地與軌交站點的距離視作外生變量[3-4]，但是居住地的軌道交通可達性很可能是居民自主選擇的結果[5-8].例如，部分居民為便于軌道交通出行而選擇軌道交通可達性好的小區(qū)居住，偏好小汽車出行的居民則可能不在意公交便利性.因此，忽視居住地周邊的交通條件與出行者偏好的相關性，可能將影響交通方式選擇的因素歸納為交通供給等外生原因，難以揭示真實的行為機理.

出行者在選擇居住地時的交通方式偏好對交通方式選擇的內生性影響被稱為居住自選擇效應，是近十年出行行為研究的熱點之一.Nasri等[9]采用傾向評分匹配法、松島格也等[10]采用控制函數(shù)法、Wolday等[11-12]對居住地發(fā)生變化的居民進行的縱向研究均證實了居住自選擇效應會影響出行方式選擇.李琬等[13]研究發(fā)現(xiàn)，軌交站點可達性的提高顯著提升了地鐵通勤的可能性，而該變量對拆遷安置小區(qū)居民的影響較小，并推測出全樣本中存在居住自選擇效應；Wang等[14]分析了北京市主動搬遷居民的出行數(shù)據(jù)，認為由于居住地選擇受限，居住自選擇效應對中國居民出行的影響不顯著.

現(xiàn)有研究大多通過態(tài)度屬性或樣本分類間接控制內生性進行定性研究，對中國居民的居住自選擇的研究討論較少[15-17]，并未討論居住自選擇效應的具體影響范圍.本文擬在離散選擇模型中引入工具變量，利用2019年蘇州市居民出行調查數(shù)據(jù)，對是否存在因偏好軌道交通而產生的居住自選擇效應進行研究，通過控制函數(shù)法建立模型以抑制居住自選擇效應.研究發(fā)現(xiàn)居住自選擇效應會對出行方式造成影響，并進一步明確了該效應的影響范圍.

1 模型研究

現(xiàn)有的出行方式選擇研究已經(jīng)證明居住地周邊建成環(huán)境對出行方式有顯著影響，但大多忽略了居民選擇居住地點與出行方式偏好間可能存在相關性.打算以軌道交通作為主要出行方式的個人更愿意選擇與軌交站點更近的居住地，兩者一定程度上互為因果，從而導致模型存在內生性問題.近些年，中國大中城市均選擇了以軌道交通主導的交通發(fā)展策略，軌道交通逐漸成為主要的公交出行方式，公交線路為配合軌道交通經(jīng)常發(fā)生變化.因此居民選擇居住地點時很難充分考慮公共汽車或自行車站點情況，但大多會考慮軌道交通的可達性，其中居住地至最近軌交站點的距離通常被認為是選擇軌道交通出行的重要影響因素.因此，本研究構建以下效用函數(shù)：

Uij=Vij+ε=ASC+αx+βy+ε

(1)

式中:Uij為出行者選擇交通方式的效用函數(shù);Vij為出行者選擇任意交通方式的固定效用;ε為誤差項;ASC為常數(shù)項;x為出行特征及社會經(jīng)濟屬性等外生變量;y為居住小區(qū)至最近軌交站點的步行距離;α、β為系數(shù).

如前所述，居住小區(qū)至最近軌交站點的距離實際上也能反映個人選擇居住地點時對軌道交通出行的偏好，具有一定的內生性，可以引入工具變量加以控制.控制函數(shù)法是利用工具變量解決內生性問題的主要方法，該方法利用內生變量對工具變量的回歸，把內生變量分解為兩部分，一部分為內生變量在工具變量上的投影，另一部分為投影后的殘差，與效用函數(shù)的誤差項ε相互獨立，可作為出行方式選擇模型的外生變量.本研究采用以下回歸函數(shù)確定工具變量與內生變量的關系：

y=f(Z)+μ

(2)

式中:Z為工具變量;f(Z)為以Z為自變量的函數(shù);μ為回歸殘差.

假定式(1)效用函數(shù)的誤差項ε與內生變量y相關，而與工具變量Z無關，則ε可寫為：

(3)

從式(3)可以看出，控制函數(shù)E(ε|μ)解釋了內生變量y與效用誤差項ε的相關性.假定回歸殘差μ亦服從正態(tài)分布，則有：

E(ε|μ)=γμ

(4)

式中：γ為系數(shù).

將式(3)、式(4)代入式(1)，可得：

(5)

在本研究中，工具變量應當選取與出行方式選擇無關，而與居住地點選擇密切相關的變量[18].居民選擇居住小區(qū)時必然會考慮到房價，距離軌交站點較近的小區(qū)由于出行便捷，該小區(qū)內的房價可能較高，但房價不會對居民日常生活中出行方式的選擇造成直接影響.距離軌交站點的遠近也不是影響房價的唯一因素，房價相同的小區(qū)到最近軌交站點的距離可能存在較大差異.從出行的角度考慮，這種差異又可能反映了出行者在選擇居住小區(qū)時對出行方式的偏好，即選擇小于到軌交站點平均距離的小區(qū)居住的出行者可能偏好軌道交通；反之，選擇大于平均距離的小區(qū)的出行者可能偏好其他出行方式.因此房價適合作為本研究的工具變量使用.若居住小區(qū)至最近軌交站點的步行距離變量存在內生性，那么將上述回歸殘差作為外生變量代入出行方式選擇模型后，距離變量應該變得不顯著，而回歸殘差將顯著影響出行方式選擇.

此外，既往研究大多著重于證實是否存在居住自選擇效應，而很少關注其在多大范圍影響出行方式選擇[13,16].本研究將利用樣本的異質性，根據(jù)居住地與最近軌交站點的距離進行樣本分類，分析內生變量與殘差項對不同區(qū)域居民出行方式的影響，以分析居住自選擇效應對不同區(qū)域居民的影響差異.

2 實證分析

2.1 數(shù)據(jù)分析

本研究數(shù)據(jù)來源于2019年蘇州市區(qū)居民出行調查數(shù)據(jù)，選取以軌道交通、公共汽車、公共自行車三類方式作為主要交通方式的出行記錄，得到575人的1 101 組有效出行數(shù)據(jù).樣本出行起訖點主要集中在姑蘇區(qū)與工業(yè)園區(qū)，出行分布在城區(qū)大部分地區(qū)，與實際出行分布類似.

基于居民出行調查中起訖點經(jīng)緯度坐標，使用高德API的地理編碼與路徑規(guī)劃功能，獲取對應出行者的居住地與目的地，同時得到其在對應出行時段內各類出行方式的行程距離、時間與費用等各項變量的數(shù)據(jù)，無法獲取軌道交通出行數(shù)據(jù)的樣本則視為該出行不可選擇軌交站點.

本文通過Python爬蟲抓取了蘇州市公交、軌交、公共自行車站點數(shù)據(jù)與公交線路數(shù)據(jù)，作為交通供給變量.現(xiàn)有研究大多以300～800 m作為公交設施的合適服務半徑[19]，因此將起訖點周邊交通設施供給的統(tǒng)計半徑分別設置為400 m和600 m.從安居客及鏈家網(wǎng)站獲取樣本出行者所居住小區(qū)的房價數(shù)據(jù)，從各小區(qū)至最近軌交站點的步行距離與小區(qū)房價的散點圖(圖1)可以看出，總體上房價與小區(qū)到車站的距離呈負相關.

圖1 小區(qū)至最近軌交站點步行距離與房價散點圖

出行者個人社會經(jīng)濟屬性見表1. 表中6～19歲與20～4 0歲的人群是公共交通出行的主力人群， 合計占比61%；公交出行者以女性為主(58%)；普通上班族是公共交通出行的主力人群(37%)；出行者中初中及以下學歷占比最高(34%)； 月收入在5 000元及以下的公交出行者占68%.個體數(shù)據(jù)基本符合等距抽樣的年齡、收入等比例要求，結合出行OD情況以及樣本分布考慮，研究樣本具有一定的代表性.

表1 出行者個人社會經(jīng)濟屬性

樣本的出行特征見表2，三種公交出行方式中，公共汽車占比為68%.公共交通平均出行距離為7.14 km，平均出行時間約44 min，但不同公共交通方式存在明顯分化.公共自行車平均出行距離最短，中長距離出行主要采用機動化出行方式，軌道交通的平均出行距離約為公共汽車的兩倍.從平均出行速度看，軌道交通在長距離行程中有著顯著優(yōu)勢.

表2 出行特征屬性

2.2 模型結果分析

本節(jié)按照上一章的模型分析，融合居民出行調查數(shù)據(jù)、網(wǎng)絡API數(shù)據(jù)、地理信息等多源數(shù)據(jù)，建立多項Probit模型.結合公交供給、出行特征及個人屬性數(shù)據(jù)，研究蘇州市居民在三種公共出行方式之間的選擇機制.通過工具變量與控制函數(shù)法，控制內生性以討論居住自選擇效應的存在及其影響范圍，定量分析相關變量的影響.

工具變量與內生變量的第一階段回歸用于檢驗工具變量與內生變量的關系，樣本為受訪者居住的124個小區(qū).

工具變量回歸結果見表3，決定系數(shù)R2為0.144，F(xiàn)統(tǒng)計量滿足工具變量的要求閾值且房價變量的顯著性很高，表明雖然小區(qū)到最近軌交站點步行距離變量的離散程度較大，但與房價有較強的負相關性，因此房價可以作為合適的工具變量.根據(jù)表3的回歸模型，計算出各樣本至軌交站點步行距離的殘差，作為外生變量代入Probit模型.

表3 工具變量回歸結果

表4是多項Probit模型回歸結果.模型1將包括小區(qū)至軌交站點步行距離在內的所有變量視作外生變量，模型2將房價作為工具變量， 以小區(qū)至最近軌

交站點步行距離對房價的回歸殘差控制居住自選擇效應.考慮到居住地為起訖點的出行中，起訖點至軌交站點的步行時間與內生變量間可能存在共線性問題，故對于以家為起點(終點)的出行，不再重復考慮起點(終點)至軌交站點步行時長.比較表4中兩個模型的修正決定系數(shù)Adj-R2，可以看出控制居住自選擇效應的模型2的精度在一定程度上得到提升，說明模型2對公共交通方式選擇的解釋能力更高.

表4 多項Probit模型回歸結果

在模型2中，回歸殘差項有很高的顯著性，而居住小區(qū)至軌交站點的步行距離變量不再顯著影響出行選擇，這表明居民出行受到居住自選擇效應的影響，在選擇居住地時，已經(jīng)考慮自身出行偏好并確定了日常出行方式，忽視該效應會導致相關變量的參數(shù)估計出現(xiàn)一定誤差.而以房價為工具變量并采用控制函數(shù)法，可以較好地解決小區(qū)至軌交站點步行距離變量的內生性問題，控制離散選擇模型中的居住自選擇效應.

模型2中各變量參數(shù)的正負號合理，出行者選擇出行方式時比較重視出行方式的相對可達性，接駁距離占比越高，選擇該方式的概率就越小.起訖點周邊400 m存在更多的公交線路或公共自行車站點時，出行者會優(yōu)先選擇對應的出行方式，在統(tǒng)計半徑取600 m的情況下，這種傾向卻不明顯.可能是由于軌道交通尚未有效覆蓋蘇州市區(qū)，在遠離城市核心商圈居住的居民更愿意選擇公共汽車，月收入5 000 元以上人群會傾向于選擇軌道交通.老年人選擇公共汽車的意愿更強，這可能是相關政策補貼老年人免費乘車的緣故.學生對公共自行車的接受程度較好，可以考慮在高中及高等院校周邊增設公共自行車站點.

控制內生變量后，出行目的對出行方式的影響明顯下降，意味著居住自選擇效應主要在通勤出行中發(fā)揮作用，這與既有研究的結論相吻合[12-13].進一步以通勤樣本為例，以100 m為單位進行樣本分類，研究居住自選擇效應的影響范圍.區(qū)分距離的通勤樣本分析結果見表5，可以發(fā)現(xiàn)，小區(qū)與車站的距離增大至1.9 km時，步行距離以及為控制內生性的步行距離殘差項不再顯著.這意味著，小區(qū)與車站的距離大于1.9 km時，居住自選擇效應可能不復存在，居民選擇居住地點時，不再考慮將軌道交通作為日常通勤方式.另一方面，控制居住自選擇效應后，對小區(qū)與車站的距離小于1.9 km的居民而言，到車站的步行距離仍是其選擇軌道交通通勤的重要影響因素，他們選擇軌道交通出行時，會同時受到距離因素與個人偏好的影響.

表5 區(qū)分距離的通勤樣本分析結果

3 結論

本文以出行者居住地的房價作為工具變量，采用控制函數(shù)法處理交通方式選擇模型的內生性問題，通過居住小區(qū)至軌交站點步行距離的殘差，控制出行者由于偏好軌交出行而出現(xiàn)的居住自選擇效應，并基于蘇州市居民出行調查數(shù)據(jù)的實證分析驗證了模型的有效性，定量分析了居住自選擇效應的影響范圍.該模型結構清晰，數(shù)據(jù)易于獲取，能夠有效而可靠地抑制離散選擇模型的內生性.

研究結果證明，居住自選擇效應顯著影響出行方式選擇，并且對不同區(qū)域的居民存在不同影響.整體而言，蘇州市居民選擇居住地時，會考慮出行方式的偏好，并預先確定日常的出行方式.居住在軌交站點1.9 km范圍外的居民，在選擇居住地點時不再考慮軌道交通出行，而軌交站點可達性因素對其方式選擇影響較??；而居住在軌交站點附近的居民會受到可達性與居住自選擇效應的影響.

深入了解出行方式選擇機理，發(fā)現(xiàn)不同區(qū)域居民的出行方式選擇行為存在明顯差異，需要制定差異性的公共交通發(fā)展方案.以上結論對公交政策的制定與執(zhí)行具有現(xiàn)實意義.隨著公共交通的持續(xù)發(fā)展，交通規(guī)劃應更全面地考慮出行者偏好.本文研究基于2019年蘇州市軌道交通建設背景條件，隨著軌道交通建設的快速推進，研究結論的有效性可進一步檢驗.