基于非集計模型的居民出行方式選擇行為研究＊

殷煥煥 關宏志 秦煥美 劉 彤 鞏麗媛

（北京工業大學交通工程北京市重點實驗室1） 北京 100124） （濟南市公共交通發展研究院2） 濟南 250031）

對居民出行方式選擇行為的研究，國內不少學者在這方面進行了廣泛的研究.馬喜昌［1］在分析各種出行方式特點的基礎上，建立了居民出行決策指標體系，根據確定和不確定兩種環境分別建立了居民出行方式決策模型.陳星光［2］通過分析居民出行方式的相互影響，對交通出行方式的博弈和演化過程進行了分析，運用演化博弈理論研究出行方式選擇的時間演化規律，建立了單總體出行方式演化博弈模型.黃樹森［3］結合北京市居民出行方式選擇的總體情況，對影響居民出行方式選擇的因素進行了分析，并提出了北京市交通系統結構優化的建議.陳團生［4］根據北京市居民出行調查數據，利用非集計理論和方法構建的老年人出行選擇行為模型，從源頭上分析了影響老年人出行選擇行為的個人、家庭社會經濟背景等因素，并對老年人出行選擇行為進行預測.劉炳恩［5］利用2003年北京居民出行調查數據，對影響居民出行方式選擇的因素進行了分析，選擇包括公交車、出租車、私人小汽車等在內的5種日常生活中較為常用的交通方式作為居民出行的方式選擇肢，確定了影響居民出行方式選擇的特性變量及相應的取值方法，建立了交通方式選擇MNL模型.本文將根據2009年濟南市居民出行調查數據，對城市居民出行方式選擇行為進行分析.利用非集計理論和方法構造城市居民出行選擇ML模型，解釋各種因素對城市居民出行選擇行為產生的影響.

1 出行方式選擇行為初步分析

從2009年濟南市居民出行調查結果可以得到，選擇步行出行的比例最大，達到了34%.選擇公交出行的比例達到24%，成為僅次于步行出行的第二大出行方式.此外，選擇自行車、電動車和小汽車出行的比例均較大，各為13%、12%和9%.選擇出租車出行的比例較低，為1%.

1.1 不同出行目的所采用的出行方式選擇分布

本文根據出行的彈性程度可以把居民的出行分為通勤出行和彈性出行這兩種類型.

通勤出行是指上班、上學等不能改變出行目的地及出行時間的出行，此種出行居民的出行需求剛性大，根據調查結果顯示：濟南市居民通勤出行比例達到71%，居民出行方式選擇較易確定，從圖1可以看出，通勤出行時居民采用公交車出行的比例最高，為27%.自行車、電動車和小汽車等出行方式所占的比例相差不大，各為14%、13%和10%.

彈性出行是指出行時間、出行目的地等易發生變化的購物、娛樂、探親訪友以及其他出行等.居民的彈性出行與其出行意愿、費用、交通基礎設施建設水平等多個因素相關，其中任何一個因素的變化都有可能使居民的出行方式選擇產生變化.從圖1可以看出，相對于固定出行，彈性出行時居民更傾向于選擇步行出行，出行比例達到47%.選擇公交出行的比例較固定出行有所降低，為20%.

圖1 不同出行目的下的出行方式選擇分布

1.2 不同出行距離所采用的出行方式選擇分布

從圖2可以看出，當出行距離≤1km時，居民選擇步行出行的比例高達82%，步行在短距離出行時占有絕對的優勢.當出行距離為1～5km時，居民選擇步行出行的比例迅速減少到22%，此時居民開始轉向選擇自行車、電動車和公交車出行.

圖2 不同出行距離下的出行方式選擇分布

可以看出，對于出行距離在1km以內的出行，居民較傾向于選擇非機動車出行.對于出行距離超過1km的出行，居民出行將逐漸轉向選擇公交車、小汽車等機動車出行方式.

2 ML模型的基礎理論

2.1 模型的構建［6－7］

根據隨機效用理論，不同的出行方式會對出行者產生某種效用，出行者在特定條件下選擇其所認知的出行方式選擇中效用最大的方案.假設出行者n的出行方式選擇方案集合為An，選擇其中第i種出行方式的效用函數為

式中：Vin為非隨機變化部分（固定項），即由可觀測到的特性變量計算的固定項；εin為隨機變化部分（概率項），即不能觀測到的其他因素的影響及已有變量的偏差引起的隨機項.

效用函數項的具體形式，可以由一種或多種函數形式表達.考慮到結果分析和系數標定時的方便，假設Vin與特性向量Xink呈線性關系，即

式中：Xink為居民n的選擇第i種出行方式的第k個變量值；θk為待估計參數.

根據效用最大化理論，出行者n從An中選擇出行方式i的條件為

則出行者n選擇第i種出行方式的概率Pin為

定義＝max（Vjn＋εjn），則有

假設服從參數（0，1）的二重指數分布

根據2個獨立二重指數分布的概率變量的差服從Gumbel分布的性質，可推導出城市居民出行方式選擇行為的ML模型一般形式為

2.2 參數標定

為了對參數θ進行標定，設樣本數為N，δin為概率變量.若δin＝1，則個體n選擇第i種方案；否則δin＝0.ML模型的似然函數為

其對似然函數L為

對待估計參數求偏導，則有

求解似然函數L極大時的估計值θ，則可以對出行方式選擇模型的參數進行標定.

3 居民出行方式選擇模型

3.1 選擇的確定

為了使出行方式選擇模型能夠盡可能準確地模擬出行者的判斷過程，根據2009年濟南市居民出行調查結果，本文選擇包括步行、自行車、電動車、公交車、出租車、私人小汽車和單位班車等在內的7種日常生活中較為常用的交通方式作為居民出行的方式選擇.

3.2 影響變量選擇

綜合數據初步分析和相關性分析的結果，從調查數據中篩選出與出行選擇行為密切相關的影響因素，確定個人屬性、家庭屬性以及出行特性三部分變量作為效用函數的影響因素.并采用t檢驗來確定各變量對選擇結果的影響程度，如果影響程度較小，則去除該變量，保留影響程度較大的變量構建模型，得到最終代入模型的變量如表1所列.

表1 代入模型變量設置情況

按照對居民出行方式選擇結果有影響的變量構成的ML模型進行參數估計，即可得到城市居民出行方式選擇模型.

3.3 模型的標定結果

利用TransCAD軟件中的方式劃分模塊，可以標定出效用函數中未知參數的值，如表2所列.將各種出行方式的效用函數代入上述式（7）計算可以得到居民選擇各種出行方式的概率.

3.4 模型的精度分析及評價

從模型的精度分析來看，ρ2為0.638，ˉρ2為0.637，該模型能夠較好地描述居民對出行方式的選擇行為，構建模型所選定的影響因素會影響居民對出行方式的選擇結果.

根據模型標定結果，結合標定參數所用的樣本數據，進行居民出行方式選擇概率的非集計預測，可粗略計算出模型預測各種出行方式選擇概率的平均值（Est），將其與調查樣本的實際方式選擇比例（Obs）對比如表3所列.

從表3可以看出，模型與實際情況的吻合度較高，能夠較全面地考慮居民出行選擇的各方面影響因素，尤其是將出行者的個人特性影響因素引入模型，可以提高模型的實用性和預測精度.

表2 模型的標定結果

表3 模型預測值與實際觀測值對比表

4 結 束 語

本文結合2009年濟南市居民出行調查數據，運用非集計方法建立居民出行方式選擇ML模型，并對模型進行了標定與有效性驗證.結果表明：該模型能夠明確地反映出影響濟南市居民出行方式選擇的各種影響因素，所建模型可行且具有較高的預測精度和實用性.應用此模型可以對影響城市居民出行方式選擇的可控影響因素進行引導和調整，達到優化交通方式結構的目的，以期為解決城市交通結構性擁堵提供可行的實施方案.

［1］馬昌喜，文娟娟，李創紅，等.大城市居民出行方式決策方法研究［J］.交通運輸工程與信息學報，2009，7（2）：33－38.

［2］陳星光，周 晶，朱振濤.城市交通出行方式選擇的演化博弈分析［J］.管理工程學報，2009，23（2）：140－142.

［3］黃樹森，宋 瑞，陶 媛.大城市居民出行方式選擇行為及影響因素研究［J］.交通標準化，2008（9）：124－127.

［4］陳團生，岳 芳，楊玲鈴，張 萌.老年人出行選擇行為影響因素研究［J］.西南交通大學學報：社會科學版，2007，8（5）：17－21.

［5］劉炳恩，雋志才，李艷玲，等.居民出行方式選擇非集計模型的建立［J］.公路交通科技，2008，25（5）：116－120.

［6］姚麗亞.基于非集計模型的軌道交通客流需求預測方法研究［D］.北京：北京工業大學交通工程北京市重點實驗室，2008.

［7］關宏志.非集計模型－交通行為分析的工具［M］.北京：人民交通出版社，2004.