鐵路樞紐內滬杭高鐵列車開行站調整對不同特征旅客吸引的影響

張 戎， 諸立超

(同濟大學 交通運輸工程學院 道路與交通工程教育部重點實驗室， 上海 201804)

為促進城市經濟發展和規模擴張、縮短高鐵線路長度、保證轉彎半徑，我國大部分高鐵車站建于城市郊區或新城，該布局導致高鐵旅客市內交通不便，增加高鐵旅客“門到門”出行時間和費用。以滬杭客運通道為例，主要有高鐵(簡稱“G”)、動車(簡稱“D”)、普通鐵路旅客列車(除高鐵和動車外的其他鐵路旅客列車，簡稱“P”或普客)和大巴(簡稱“B”)4種地面公共交通方式，上海開行滬杭高鐵和動車列車的車站位于外環線以外的鐵路虹橋站(簡稱“虹橋站”)，鐵路上海南站(簡稱“上海南站”)僅開行兩地間普客列車，上海長途汽車客運總站(簡稱“汽車總站”)開行兩地間大巴，其中上海南站和汽車總站均位于中心城區。根據上海鐵路局和上海汽車總站提供的數據，2013年滬杭客運通道4種城際出行方式的分擔率分別為44.291%、16.097%、36.275%和3.338%，雖然高鐵列車在城際間的平均旅行速度與普客列車和大巴相比優勢較大，但由于虹橋站遠離市中心使高鐵旅客市內交通出行不便，削弱對旅客的吸引力，若適當調整高鐵列車開行站將有助于提升其分擔率。因此要調整高鐵列車開行站以改善市內交通，關鍵在于掌握旅客在不同服務水平下的出行方式選擇行為，借助離散選擇模型可有效解釋市內交通服務水平對城際出行方式選擇的影響。

目前應用離散選擇模型研究城際出行行為的成果較為豐富，采用的模型主要有多項logit(multinomial logit，MNL)模型[1-9]、巢式logit(nested logit，NL)模型[2]、排序logit(ordered logit，OL)模型[7]和混合logit(mixed logit，ML)模型[9]等，研究重點為未來年分擔率劃分[1-6]、開行方案評價[5,7]、出行選擇行為分析[5,8]和分段時間價值測算[3,9]等，并解決城際出行方式選擇研究領域的RP/SP(revealed preference，行為偏好；stated preference，意向偏好)數據融合[2]和低頻率出行方式抽樣數據偏差[8]等實際問題。但目前僅有少量文獻將市內交通時間和費用納入城際出行方式選擇研究范圍[1-3,6,8-9]，考慮到旅客心理態度和感知、時間及費用等方面在市內交通、候車和在車(指旅客在高鐵和動車等列車上站到站的過程，其對應時間稱為在車時間)等分段過程中存在的差異，其中一部分研究為分段過程時間設定不同的待估參數以研究不同段時間價值的差異[2-3,8-9]，文獻[3]和[9]均得到候車時間價值最高的結論；此外，大部分研究側重于旅客偏好揭示、需求分析和方式劃分，主流處理方式是將不同城際出行方式時間設定為同一待估參數[1-3,7-8]，不僅減少模型參數數量、方便模型結果分析，也有利于提高模型參數估計精度；少部分研究以測算不同城際出行方式時間價值差異為主要研究目的[4]，將不同城際出行方式時間設定為不同待估參數，但對樣本數量和精度要求較高，伴隨著參數數量的增加，極有可能得到不顯著甚至違反直覺的參數估計值。因此該方法的應用更為局限。而研究旅客特征所引起的城際出行選擇行為異質性的文獻則更少[3,8-9]，并且尚未從調整高鐵列車開行站角度研究如何提升高鐵分擔率。考慮到我國高鐵車站布局帶來的市內交通銜接問題及對高鐵短途客流吸引的影響，本文以滬杭城際出行鏈旅客為研究對象，其中城際出行鏈包括起點城市市內交通、步行、候車、在車和目的地城市市內交通，通過納入市內交通和旅客特征以避免分擔率有偏估計問題，同時提升模型對旅客選擇行為的解釋能力和分擔率預測精度；并借助NL模型量化不同特征旅客子群體面對市內交通改善表現出的選擇行為異質性，提高模型精度；比較滬杭高鐵列車由虹橋站開行和由上海南站開行兩個不同方案下的高鐵分擔率，為未來滬杭高鐵列車開行站的調整提供依據。

1 數據分析

1.1 數據采集

根據實地調研和文獻閱讀，本文選取市內交通時間(涵蓋滬杭兩地市內交通時間)、候車時間(涵蓋火車站/汽車站內步行時間和候車時間)、在車時間和出行鏈費用(涵蓋滬杭城際“門到門”出行費用)為城際出行方式選擇主要影響因素，同時考慮旅客特征，通過對出行鏈服務屬性水平根據現實范圍邊界進行合理波動以得到SP場景[10]。課題組于2014-03-28開展試調查，根據旅客反饋改善問卷和調查形式，并于2014-04-01～2014-04-05進行正式調查。調查地點為虹橋站、上海南站和汽車總站候車室及車廂，通過隨機抽樣調查最終回收309份滬杭方向有效問卷，調查內容包括：旅客特征如年齡、收入、出行目的和同行人數等，市內交通情況如時間和費用等，屬性感知如可接受市內交通時間和步行時間等，以及用于揭示旅客在不同出行鏈服務水平下選擇機理的4個SP場景。

1.2 統計分析

1.2.1 旅客特征

根據表1對樣本數據的統計可知，本次受訪者的年齡和收入跨度較大，基本覆蓋滬杭城際旅客所有樣本。進一步按高鐵、動車、普客和大巴等4個細分市場分析旅客特征及市內交通屬性，并計算表征細分市場旅客特征均值與整體市場旅客特征均值差異的平均絕對百分比誤差MAPE為

( 1 )

式中：s為第s個旅客特征；t為第t種滬杭城市出行方式，共T種；As為第s個旅客特征的整體市場均值；Fts為第s個旅客特征第t種滬杭城市出行方式的細分市場均值。

由表1可知:

(1) 4個細分市場在性別、收入、報銷和同行人數方面存在較大差異，說明有可能影響旅客城際出行方式選擇，下文的參數估計證實性別和收入對選擇行為影響顯著，而報銷和同行人數并不起重要作用；

(2) 4個細分市場在年齡、大包、小包、行李數和同行人數等方面并無顯著差異，可預見其對滬杭城際出行方式選擇并無顯著影響，下文也印證該點；

(3) 旅客收入越高，越傾向于選擇高鐵，然后依次為動車、普客和大巴；

(4) 一般而言，男性旅客收入更高，樣本均值為7 079元/月，而女性旅客收入較低，樣本均值為5 763 元/月，具體表現為女性更傾向于選擇動車，其次是普客，高鐵為第3選擇；

(5) 虹橋站遠離市區，因此高鐵和動車旅客市內交通時間均值較長，均為53 min，與普客和大巴旅客市內交通時間均值相比，分別長10 min和15 min；

(6) 高鐵旅客市內交通費用均值為最高的19元，其次是普客和動車，分別為16元和15元，最低的大巴僅為6元。

表1 按城際出行方式分類的旅客特征及上海市內交通屬性

注：女=1，男=0(對應變量為性別)；有=1，無=0(對應變量為大包和小包)；是=1，否=0(對應變量為報銷)；收入分為6個區間，第6區間為20 000 元/月及以上，前5個區間以均值表示，第6區間以20 000 元/月表示。

1.2.2 城際交通特征

由表2可知滬杭客運通道4種城際出行方式中高鐵時間最短、費用最高，普客時間最長、費用最低，而大巴時間略短于普客，但費用逼近高鐵，因此其分擔率最低僅為3.338%，滬杭城際旅客收入較高，見表1，使其對時間的偏好甚于費用，因此選擇高鐵的旅客人數最多，高達44.291%。

表2 滬杭城際旅客城際交通屬性真實值

1.2.3 市內交通特征

滬杭城際旅客在上海市內選擇步行較少，不再考慮，可接受市內交通時間集中于16～30 min、31～45 min和46～60 min，見表3，均值為39.59 min，而實際市內交通時間均值為45.45 min，尚未達到旅客要求，主要因虹橋站遠離市中心造成。

表3 滬杭城際旅客可接受市內交通時間

根據圖1可知，通過核密度估計得到的市內交通時間概率密度函數形似對數正態分布：當市內交通時間較短時，由于城際旅客認為對市內交通具有較強的掌控和預測能力，易持樂觀態度而低估市內交通時間；而市內交通時間較長時，城際旅客認為對市內交通的掌控能力較差，同時長距離出行時間不確定性更強，旅客易持悲觀態度而高估市內交通時間；真實市內交通時間(均值45.45 min,標準差25.93 min)與預期(均值46.63 min，標準差27.38 min)相比更小。

此外，過長的市內交通時間將進一步增加旅客在高鐵車站的候車時間，上海至南京的高鐵旅客在鐵路上海站(簡稱“上海站”)的候車時間，平均比上海至杭州的高鐵旅客在虹橋站的候車時間少約7 min[11]，其中上海站位于中心城區，而虹橋站位于外環線外，考慮到目前上海南站不開行滬杭高鐵和動車列車，若滬杭高鐵和動車列車開行由虹橋站調整至上海南站，由此帶來的候車時間縮短可參照該數據。

1.2.4 客流分布特征

根據旅客填寫的起點及所選車站信息，結合百度地圖(http://map.baidu.com/)計算的路徑距離，以旅客出行起點至所選鐵路車站或長途汽車站的路徑距離為橫軸、以旅客出行起點至未選的最近鐵路車站或汽車總站的距離為縱軸繪制二維圖，見圖2。以高鐵旅客坐標(20,10)進行說明，20代表旅客至虹橋站的距離為20 km，10代表旅客至上海南站和汽車總站中較近車站的距離為10 km，即該點位于對角線右下方，說明旅客出行起點至所選車站的距離大于至未選最近車站的距離。由圖2可知，高鐵和動車旅客大部分位于對角線右下方，普客旅客分布相對均勻，總體上更接近上海南站，而大巴旅客分布集中于對角線周邊，總體上距離汽車總站更近，說明虹橋站位置較偏，大量客流需經過長距離市內交通才能到達，而上海南站和汽車總站距離更近，見表4。市內交通出行距離的增加意味著市內交通時間不確定性增加，該不確定性使得旅客為不錯過列車出發而增加候車時間，進一步導致城際出行鏈整體時間的增加。

表4 旅客至所選和最近未選車站的路徑距離統計 km

2 城際出行方式選擇模型構建及估計

2.1 模型簡介

采用離散選擇模型構建城際出行方式選擇模型，離散選擇模型通常根據決策者即旅客效用最大化假設推導得到，假定旅客n面臨J種城際出行方式，并從第j種城際出行方式獲得特定效用Unj,j=1,…,J，該效用被旅客感知到，但不能被研究者觀測到，研究者只能觀測到旅客面臨的選擇方案屬性xnj?j和旅客屬性sn，通過函數Vnj=V(xnj,sn)?j可將觀測屬性與旅客效用聯系起來，稱為代表性效用(Representative Utility)，另一部分效用不能被研究者觀測到，即Vnj≠Unj，效用被分解為Unj=Vnj+εnj，其中εnj捕捉到影響效用但并未包含在Vnj中的因素，稱為不可觀測項[12]。研究者不清楚εnj?j，假設其聯合密度函數為f(εn)。因此旅客n選擇城際出行方式i的概率計算式為

Pni=ProbUni>Unj?j≠i=

ProbVni+εni>Vnj+εnj?j≠i=

( 2 )

式中：Pni為旅客n選擇城際出行方式i的概率；Uni為代表性效用；εni為效用不可觀測項；n為旅客；i、j為城際出行方式；I·為指示函數，括號內為真時I·=1，否則I·=0；fεn為εn的聯合密度函數。

logit模型在不可觀測項εni服從獨立同分布的二重指數分布假設下推導得到，而probit模型則在εni服從多維正態分布的假設下推導得到，下文使用的是MNL模型和NL模型。

2.1.1MNL模型

由于εni獨立同分布于二重指數分布，根據文獻[12]推導得概率計算式

( 3 )

2.1.2NL模型

NL模型則在一定程度上克服MNL模型的IIA特性(independence from irrelevant alternative，不相關選擇方案之間相互獨立),概率計算式為

( 4 )

式中：λk為測度系數，用于度量巢k內城際出行方式效用不可觀測項之間的獨立程度，值越大獨立程度越高，當λk=1時退化為MNL模型；Bk為巢，共K個，城際出行方式j被分配至K個不重復的巢B1,B2,…,BK中。

2.2 模型構建

考慮到本文的研究目的是分析滬杭城際旅客出行需求、探究市內交通改善對不同城際出行方式分擔率的影響，故將不同城際出行方式的時間待估參數設定為相同；此外，考慮到調查地點主要為上海，旅客對杭州市內交通時間缺乏認知，為保證模型精度，僅考慮上海市內交通時間，據此構建包含服務水平和旅客特征變量，見表5的MNL模型和NL模型初始效用函數

Ung=θCCng+θTuTu,ng+θTwTw,ng+θTiTt,ng+

θRgRng+θBgBng+θHgHng+θQgQng+θMgMng+

θSgSng+θAgAng+θIgIng+Asc,g+εng

Und=θCCnd+θTuTu,nd+θTwTw,nd+θTiTt,nd+

θRdRnd+θBdBnd+θHdHnd+θQdQnd+

θMdMnd+θSdSnd+θAdAnd+θIdInd+Asc,d+εnd

Unp=θCCnp+θTuTu,np+θTwTw,np+θTiTt,np+

θRpRnp+θBpBnp+θHpHnp

+θQpQnp+θMpMnp+

θSpSnp+θApAnp+θIpInp+Asc,p+εnp

Unb=θCCnb+θTuTu,nb+θTwTw,nb+θTiTt,nb+εnb

( 5 )

式中：i=g,d,p分別代表高鐵、動車和普客，b為大巴；θ為待估計參數；Asc為待估計常數項；其余變量見表5，參數預期正負中，正代表對應變量值越大效用越高，負代表對應變量值越大效用越低。

表5 模型變量及參數定義

2.3 參數估計結果

考慮到由于RP數據變量變化很小或共線性等造成的變量病態問題，采用SP數據對參數進行估計[12]，由于SP數據為假設場景數據，得到的選擇結果可能與真實選擇有差異。因此本例基于RP數據構建SP數據以減小該差異帶來的有偏估計。為得到精度更高和解釋能力更強的模型，構建MNL模型和NL模型以供備選。根據2.2節所述的效用函數建立初始MNL模型，并按參數不顯著程度逐步剔除變量，似然比指標未超過卡方分布臨界值，說明剔除變量對模型并無顯著影響，確定最終的MNL模型效用函數，見表6，進一步構建NL模型，見圖3和表7，參數均借助NLOGIT軟件采用牛頓拉普松算法進行估計。

表6 MNL模型變量篩選結果

由于滬杭客運通道4種城際出行方式不可觀測效用項的方差未必完全相同，借助退化NL模型的包含值IV(inclusive value)估計，對確定NL模型的樹形結構十分有幫助，從數據本身出發，不局限于出行方式和數據類型，才能最大限度地揭示選擇枝之間的相關性。由圖3左圖可知普客和大巴的包含值與1無顯著差異，故將普客和大巴放入名為“慢車”的巢中，而將高鐵和動車視為退化枝方案，最終得到圖3右圖的樹形結構。

表7中測度系數λ對應的t檢驗WT為

( 6 )

式中：λ為測度系數，即圖3中數值，其中一個選擇枝的λ必須被標準化為1；SD為測度系數標準差；WT為Wald檢驗值。

在表7測度系數λ的t檢驗3.14(-6.38)中，3.14是測度系數顯著不等于0的t檢驗值，-6.38是測度系數顯著不等于1的Wald檢驗值，兩者絕對值均大于顯著性水平為0.05時的臨界值1.96，說明NL模型的測度系數顯著不等于0和1，說明有必要構建NL模型[10]。剔除變量后的MNL模型和NL模型的最終效用函數為

Ung=θCCng+θTuTu,ng+θTwTw,ng+θTiTi,ng+

θSgSng+θIgIng+Asc,g+εng

Und=θCCnd+θTuTu,nd+θTwTw,nd+θTiTi,nd+

θSdSnd+θIdInd+Asc,d+εnd

Unp=θCCnp+θTuTu,np+θTwTw,np+θTiTi,np+

θSpSnp+θIpInp+Asc,C+εnp

Unb=θCCnb+θTuTu,nb+θTwTw,nb+θTiTi,nb+εnb

( 7 )

此外，旅客出行時間價值VOT可由邊際替代率MRS估算，其定義為在整體效用保持不變前提下，旅客為縮短單位出行時間而多愿意支付的費用，兩者參數比值即為旅客出行時間價值

VOT=MRStime-cost=

( 8 )

式中：VOT為時間價值；MRS為邊際替代率；ΔUtime、ΔUcost分別為時間和費用變化所引起的效用變化值；dUtime、dUcost分別為效用對時間和費用的導數；?U/?T、?U/?C分別為效用對時間和費用的偏導；T可進一步劃分為Tu、Tw、Ti，即θT可用θTu、θTw、θTi進行替換，用于測算不同段的時間價值；θT、θC分別為時間和費用的參數估計值。

表7 NL模型參數估計結果

注：t檢驗絕對值越大，則顯著性水平p-value越小、參數估計越顯著。

3 滬杭列車開行站調整對其競爭力的影響

考慮到高鐵旅客以公務、探親和旅游等目的為主，此類出行主要通往中心城區，同時短距離的城際出行旅客對市內交通時間更為敏感，因此有必要考慮虹橋站和上海南站在滬杭客運通道中的分工問題。對京滬長途出行旅客而言，假設旅客到達虹橋站的市內交通時間為45 min，目的地城市的市內交通時間同樣為45 min，而京滬高鐵旅客平均在車時間約5.6 h，可以接受1.5 h的市內交通時間；但對滬杭短途城際出行旅客，高鐵城際交通時間僅約為1 h,1.5 h的市內交通服務水平恐怕難以令絕大部分旅客滿意。因此可考慮將當前由虹橋站始發的大部分滬杭高鐵和動車列車調整至由上海南站始發。該調整將使滬杭高鐵旅客市內交通時間縮短近11 min，降至36.14 min，并使滬杭客運通道旅客市內交通時間均值由當前的45.45 min降至38.07 min，低于旅客平均可接受市內交通時間39.59 min的要求，同時使市內交通費用均值減少2.42 元/人次；進一步考慮到由此帶來的候車時間縮短，結合調查數據和文獻閱讀[10]可知候車時間將縮短7 min，根據表7的時間價值可知市內交通改善所節約的廣義成本(費用與時間成本之和)為10.86 元/人次。高鐵開行站調整使得高鐵城際出行的上海市內交通服務水平有所改善，并使市內交通時間、候車時間和市內交通費用有所下降，由此帶來分擔率的提升。

表8 滬杭高鐵列車開行調整前后的城際出行方式分擔率變化

由表7可知性別和收入對城際出行方式選擇均有影響，并且優化高鐵市內交通銜接將使其分擔率有所提升，但對不同特征旅客子群體產生的影響不同，其中“↑”、“↓”分別代表某城際出行方式的分擔率上升或下降，見表9，主要結果為：

(1) 旅客收入越高，對出行時間的要求更高，同時對出行費用的承受能力更強，因此高收入旅客更愿意轉向費用更高、時間更短的高鐵，而低收入旅客更多地選擇費用較低、時間較長的動車；

(2) 高鐵和動車分擔率增量更多地來源于普客，說明較之于大巴，普客與高鐵和動車存在更強的替代性；

(3) 當旅客收入為6 700 元/月時，其轉向高鐵和動車的分擔率相同，均為3.080%；

(4) 一般而言，男性旅客收入更高，樣本均值為7 079 元/月，高于臨界值6 700 元/月，更容易接受費用更高的高鐵，而女性旅客收入較低，樣本均值為5 763 元/月，低于臨界值6 700 元/月,故在高鐵和動車開行站調整后，男性旅客更傾向于選擇高鐵，而女性旅客更傾向于選擇動車。

表9 旅客子群體在高鐵開行站調整前后的城際出行方式分擔率變化 %

4 結論

本文以滬杭客運通道旅客為研究對象，通過問卷調查數據分析滬杭城際旅客特征、市內交通特征和客流分布特征，比較市內交通服務水平現狀與旅客要求的差異；進一步將市內交通服務屬性作為影響城際出行方式選擇的城際運輸鏈的一部分納入進來，構建包含高鐵、動車、普客和大巴等4種出行方式在內的城際出行方式選擇模型，即MNL模型和NL模型；結果說明出行鏈費用、市內交通時間、候車時間、在車時間、性別和收入對城際出行方式選擇影響顯著。以較優的NL模型為基礎，比較當前滬杭高鐵和動車列車由虹橋站開行，以及未來滬杭高鐵和動車列車由上海南站開行兩個不同方案的滬杭高鐵和動車分擔率。繼而結合旅客特征變量對不同子群體的選擇行為進行比較，結果說明滬杭高鐵和動車列車由上海南站開行的方案將吸引更多的高收入群體以及男性旅客選擇滬杭高鐵，而年齡、是否報銷、行李數和同行人數等旅客特征對滬杭城際旅客的出行方式選擇并無顯著影響。但根據常數項顯著可知，仍有一些影響城際出行方式選擇的變量尚未納入到模型中，未來有必要增加其他變量進一步揭示城際出行方式選擇機理；此外，下一階段需要研究滬杭高鐵線接入上海南站的建設方案，并從調整后車站通過能力、樞紐區間通過能力、動車段高鐵存車能力和養護維修作業能力等方面開展調整方案可行性研究。

參考文獻：

[1] 何宇強, 毛保華, 陳團生, 等. 高速客運專線客流分擔率模型及其應用研究[J]. 鐵道學報, 2006, 28(3): 18-21.

HE Yuqiang, MAO Baohua, CHEN Tuansheng, et al. The Mode Share Model of the High-speed Passenger Railway Line and its Application[J]. Journal of the China Railway Society, 2006, 28(3): 18-21.

[2] 張戎, 吳曉磊, 張天然. 基于RP/SP融合數據的滬杭客運通道公鐵客流分擔率研究[J]. 鐵道學報, 2008, 30(6): 7-13.

ZHANG Rong, WU Xiaolei, ZHANG Tianran. The Railway and Highway Mode Split Analysis in Huhang Corridor Based on RP/SP Combined Data[J]. Journal of the China Railway Society, 2008, 30(6): 7-13.

[3] 張戎, 吳曉磊. 長三角快速客運網城際公共交通分擔率模型[J]. 同濟大學學報(自然科學版), 2008, 36(9): 1 210-1 215.

ZHANG Rong, WU Xiaolei. Inter-urban Public Transport Mode Share under High-speed Railways Network in Yangtze River Delta[J]. Journal of Tongji University: Natural Science,2008,36(9):1 210-1 215.

[4] 朱順應, 李軍, 李安勛, 等. 城市群軌道交通方式劃分非集計logit模型[J]. 武漢理工大學學報(交通科學與工程版), 2009, 32(6): 1 063-1 066.

ZHU Shunying, LI Jun, LI Anxun, et al. The Disaggregate Logit Model for Mode Split of Rapid Railway in the Urban Agglomeration[J]. Journal of Wuhan University of Technology:Transportation Science & Engineering, 2009, 32(6): 1 063-1 066.

[5] 葉玉玲, 王藝詩. 滬杭運輸通道內旅客出行方式選擇行為研究[J]. 鐵道學報, 2010, 32(4): 13-17.

YE Yuling, WANG Yishi. Research on Travel Mode Choice Behavior in Shanghai—hangzhou Transport Corridor[J]. Journal of the China Railway Society, 2010, 32(4): 13-17.

[6] 彭輝, 續宗芳, 韓永啟, 等. 城市群城際運輸結構配置客流分擔率模型[J]. 長安大學學報(自然科學版), 2012, 32(2): 91-95.

PENG Hui, XU Zongfang, HAN Yongqi et al. Sharing Ratios Model of Passenger Flows in Intercity Transportation Structure Configuration among Urban Agglomeration[J]. Journal of Chang’an University:Natural Science Edition, 2012, 32(2): 91-95.

[7] 王孝之, 趙勝川, 閆禎禎. 基于Rank Logit模型對城際交通分擔率的計算方法研究[J]. 交通運輸系統工程與信息, 2012, 12(2): 137-143.

WANG Xiaozhi, ZHAO Shengchuan, YAN Zhen-zhen. Intercity Transport Mode Spilt Calculation Method Based on Rank Logit Model[J]. Journal of Transportation Systems Engineering and Information Technology, 2012, 12(2): 137-143.

[8] 陳穎雪, 董治, 吳兵, 等. 基于選擇方案抽樣調查的城市群低頻率出行行為研究[J]. 中國公路學報, 2013, 26(3): 158-163.

CHEN Yingxue, DONG Zhi, WU Bing, et al. Study on Low-frequency Intercity Travel Behavior of Urban Agglomeration Based on Choice-based Sampling Survey[J]. China Journal of Highway and Transport, 2013, 26(3): 158-163.

[9] ROMAN C, MARTIN J C, ESPINO R, et al. Valuation of Travel Time Savings for Intercity Travel: The Madrid-barcelona Corridor[J]. Transport Policy, 2014, 36(1): 105-117.

[10] HENSHER D A, ROSE J M, GREENE W H. Applied Choice Analysis: A Primer[M]. Cambridge: Cambridge University Press, 2005, 88-99.

[11] 孫小興. 高速鐵路與市內交通銜接的問題研究[D]. 上海: 同濟大學, 2012:41-54.

[12] TRAIN K E. Discrete Choice Methods with Simulation[M]. Cambridge: Cambridge University Press, 2009, 11-33.

[13] KOPPELMAN F S, BHAT C. A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models[R]. Washington: US Department of Transportation Federal Transit Administration, 2006:157-174.