基于NL模型的軌道停車換乘行為建模分析*

向紅艷　何素貞　徐　韜

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

基于NL模型的軌道停車換乘行為建模分析*

向紅艷何素貞徐韜

(重慶交通大學(xué)交通運(yùn)輸學(xué)院重慶400074)

摘要：通過對居民停車換乘(P&R)行為進(jìn)行RP&SP調(diào)查，基于隨機(jī)效用最大化理論，選取個(gè)人社會(huì)經(jīng)濟(jì)屬性特征、出行特征、換乘設(shè)施服務(wù)水平特征作為效用變量，以出發(fā)時(shí)間和出行方式作為選擇肢，構(gòu)建了出發(fā)時(shí)間位于上層和出行方式位于下層的Nested Logit模型(NL模型).運(yùn)用TransCAD對模型參數(shù)進(jìn)行標(biāo)定與檢驗(yàn)，分析結(jié)果表明：(1)出行目的是居民出發(fā)時(shí)間決策的首要因素，其次是出行時(shí)間、換乘距離和停車設(shè)施供給情況；(2)反映水平一對水平二影響作用大小的包容系數(shù)λ的最終標(biāo)定值為0.503，且通過了t檢驗(yàn)，表明出發(fā)時(shí)間的選擇對出行方式選擇行為具有顯著影響；(3)與傳統(tǒng)MNL模型相比，考慮出發(fā)時(shí)間的NL模型具有更好的統(tǒng)計(jì)學(xué)特征，精度更高，MNL模型的優(yōu)度比為0.41，NL模型的優(yōu)度比為0.50，相差0.09.

關(guān)鍵詞：交通需求管理；P&R；選擇行為；NL模型；選擇肢

0引言

隨著私人小汽車的快速增長，城市中心區(qū)交通擁堵現(xiàn)象日益嚴(yán)峻.停車換乘(park and ride，P&R)是引導(dǎo)小汽車出行者在城市外圍采取停車換乘模式的一種新型組合出行方式，是緩解中心城區(qū)交通壓力的有效措施.因此，如何充分發(fā)揮停車換乘設(shè)施的作用，提高其對出行者的吸引力，從而實(shí)現(xiàn)降低中心城區(qū)小汽車出行率的目的成為社會(huì)廣泛關(guān)注的問題.

目前，在停車換乘行為方面已經(jīng)開展了較多研究.云美萍等[1]針對通勤出行研究駕車者的停車換乘選擇行為，結(jié)果表明，通勤者在道路通暢時(shí)更關(guān)注出行費(fèi)用，堵塞時(shí)更關(guān)注出行時(shí)耗和舒適；秦?zé)赖萚2]利用決策過程分析理論，分析了多方式選擇情景下的停車換乘行為，結(jié)果表明，出行者存在多方式權(quán)衡比較、偏好反轉(zhuǎn)等決策現(xiàn)象；劉燕等[3]比較了不同類別出行者的停車換乘需求，提出P&R換乘者主要為通勤出行者，此外，出行者換乘地鐵的比例遠(yuǎn)大于換乘公交的比例；范文博等[4]建立隨機(jī)多方式交通網(wǎng)絡(luò)均衡模型，研究了交通信息對停車換乘行為的影響，結(jié)果表明，信息質(zhì)量對停車換乘行為有明顯影響；劉俐等[5]針對上海的6處停車換乘現(xiàn)象進(jìn)行了研究，結(jié)果表明，出行時(shí)間是影響換乘行為最重要的影響因素，其次是出行費(fèi)用；孟夢等[6]基于Logit模型建立了多模式交通超網(wǎng)絡(luò)條件下隨機(jī)用戶平衡(SUE)模型，結(jié)果表明，路網(wǎng)流量隨著停車換乘站點(diǎn)、停車費(fèi)的變化而變化.

上述研究成果表明，出發(fā)時(shí)間對停車換乘出行具有重要影響，但目前多數(shù)研究把出發(fā)時(shí)間和出行方式分開來考慮，沒有考慮出發(fā)時(shí)間和出行方式之間的內(nèi)在關(guān)系.Bhat等[7]對城市出行購物者進(jìn)行了出發(fā)時(shí)間和出行方式選擇的行為研究，結(jié)果表明一般Logit模型(MNL模型)不能描述出發(fā)時(shí)間和出行方式之間的內(nèi)在聯(lián)系；De等[8]建立了改進(jìn)的混合Logit模型，對出發(fā)時(shí)間和出行方式選擇行為進(jìn)行了研究，結(jié)果表明該模型求解復(fù)雜，且對于大規(guī)模居民出行的預(yù)測分析不適合；楊勵(lì)雅等[9]建立了出行方式與出發(fā)時(shí)間聯(lián)合選擇的分層Logit模型，結(jié)果表明分層Logit模型比MNL模型具有更好的統(tǒng)計(jì)學(xué)特征；陳俊勵(lì)等[10]采用巢式Logit模型，建立了基于時(shí)間的交通方式選擇模型，定量分析了出行者各種屬性特征對公交出行方式選擇行為的影響程度.

鑒于以上分析，本文選取個(gè)人社會(huì)經(jīng)濟(jì)屬性特征、出行特征、換乘設(shè)施服務(wù)水平特征作為效用變量，以出發(fā)時(shí)間和出行方式作為選擇肢，構(gòu)建了出發(fā)時(shí)間位于上層和出行方式位于下層的巢式Logit模型(NL模型)，進(jìn)一步研究停車換乘行為.

1P&R換乘出行特征分析

1.1停車換乘模式分析

停車換乘是交通需求管理在靜態(tài)交通領(lǐng)域的一種重要應(yīng)用，廣義的停車換乘是指一次出行過程中為實(shí)現(xiàn)低載客率的交通方式向高載客率的交通方式轉(zhuǎn)換所提供的停車設(shè)施.一般來說，P&R是指為實(shí)現(xiàn)小汽車出行方式向公共交通出行方式轉(zhuǎn)換所提供的停車設(shè)施，即在城市中心區(qū)以外區(qū)域的軌道交通車站、地面公交的首末站點(diǎn)及高速公路出入口處設(shè)置停車換乘設(shè)施，向小汽車出行者提供低價(jià)或免費(fèi)停車位，并實(shí)施換乘優(yōu)惠的公共交通收費(fèi)政策，合理引導(dǎo)出行者換乘公共交通進(jìn)入城市中心區(qū)，從而緩解城市中心區(qū)交通擁堵、停車難等問題，完善居民出行結(jié)構(gòu)，提高居民出行效率.

其中，小汽車+軌道的停車換乘方式在所有P&R中占很大比例.與常規(guī)出行相比，換乘出行P&R具有增加中心區(qū)可達(dá)性，提高出行效率，降低出行成本的優(yōu)點(diǎn).具體出行模式見圖1.

圖1　P&R出行模式

1.2停車換乘需求特征分析

根據(jù)調(diào)查，對某軌道站的P&R換乘數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得出不同時(shí)間段內(nèi)的P&R停車場的停車車輛數(shù)，見圖2.

圖2　軌道車站P&R停車場機(jī)動(dòng)車出入數(shù)量分布

結(jié)果表明，P&R換乘的早高峰時(shí)段為07：00～08:00，晚高峰時(shí)段為17:00～18:00.早高峰和晚高峰時(shí)段居民選擇停車換乘出行方式的比例較大，平峰時(shí)段P&R出行方式使用率較低.因此，居民的出行時(shí)間即高峰時(shí)段出行或平峰時(shí)段出行，是影響出行方式選擇的重要影響因素.

2居民停車換乘行為NL模型的建立

NL模型是在MNL模型的基礎(chǔ)上進(jìn)行改進(jìn)的模型，NL模型考慮了各選擇枝之間的相關(guān)性，克服了多項(xiàng)Logit模型的非相關(guān)選擇方案相互獨(dú)立特性(IIA特性)的缺陷，因此在理論上具有相對的優(yōu)越性[11-13].

2.1建立選擇樹

根據(jù)居民的出行選擇過程，把出發(fā)時(shí)間選擇作為選擇樹的上層，出行方式選擇作為選擇樹的下層，構(gòu)建出居民出發(fā)時(shí)間和出行方式選擇相互影響的NL模型.居民的出發(fā)時(shí)間可分為高峰時(shí)段、平峰時(shí)段.本文主要考慮的居民出行方式有小汽車、公共交通、小汽車換乘軌道交通.因此，構(gòu)建的居民出發(fā)時(shí)間和出行方式選擇相互影響的NL模型的樹狀結(jié)構(gòu)圖，見圖3.

圖3　居民出發(fā)時(shí)間和出行方式選擇結(jié)構(gòu)圖

因此，第n個(gè)出行者選擇水平1上的任意選擇方案(tm)的概率Pn(tm)應(yīng)該等于在選擇了t條件下的選擇了m的條件概率Pn(m/t)與選擇了t的概率Pn(t)的乘積，即

Pn(tm)=Pn(m/t)Pn(t)

根據(jù)NL的基礎(chǔ)理論，Pn(m/t)和Pn(t)可以由下式得出.

式中：

式中：Umtn為出行者n選擇了方案(mt)時(shí)的效用；V(m/t)n為在出行者n選擇了方案(mt)時(shí)，效用由于(mt)和t的組合而變化部分的固定項(xiàng)；Vtn為在出行者n選擇了方案(mt)時(shí)，效用中與r無關(guān)，而僅隨m變化部分的固定項(xiàng)；ε(m/t)n為在選擇了t條件下的選擇了(mt)的效用的概率項(xiàng)；εtn為在選擇了t的效用的概率項(xiàng).

2.2確定效用函數(shù)

建立選擇樹后，需要確定效用函數(shù)(V(m/t)n+Vtn)和特性變量.假設(shè)出行者n的效用V(m/t)n和Vtn呈線性關(guān)系，則

式中：

式中：X(m/t)nk為出行者n在選擇出行方式m時(shí)的第k個(gè)特性變量，它隨著m的變化而變化；βk為選擇出行方式m時(shí)的第k個(gè)特性變量的待標(biāo)定參數(shù)值；Xtnk為出行者n在選擇出發(fā)時(shí)間t時(shí)的第k個(gè)特性變量，它隨著t的變化而變化；θk為選擇出發(fā)時(shí)間t時(shí)的第k個(gè)特性變量的待標(biāo)定參數(shù)值.

2.3選擇特性變量

影響P&R換乘行為的因素有很多，經(jīng)參數(shù)初步標(biāo)定篩選出較為重要因素.主要可分為3類：個(gè)人社會(huì)經(jīng)濟(jì)屬性變量、出行特征變量、換乘設(shè)施服務(wù)水平變量.分別對每一類變量進(jìn)行細(xì)分構(gòu)建解釋變量體系，納入解釋變量體系的影響因素共有10個(gè)：年齡、月收入、有無小汽車、出行目的、出行時(shí)間、出行費(fèi)用、出行舒適性、換乘距離、停車位供給情況和停車信息服務(wù)情況.NL模型特性變量以及定義見表1.

表1　效用變量及其定義表

3實(shí)例分析

3.1交通調(diào)查

目前，重慶市主城軌道站點(diǎn)中，共規(guī)劃有21個(gè)P&R停車場，部分停車場已投入使用.童家院子站是重慶市運(yùn)營最早的P&R停車場，且運(yùn)營良好，確定為該調(diào)查地點(diǎn).本次調(diào)查采用RP&SP相結(jié)合的方法，調(diào)查方式為現(xiàn)場發(fā)放問卷、現(xiàn)場回收的方法，共得有效問卷306份.

3.2模型參數(shù)標(biāo)定

估計(jì)NL模型參數(shù)的方法有同時(shí)估計(jì)法和分階段估計(jì)法.分階段估計(jì)法是針對同時(shí)估計(jì)法的缺點(diǎn)提出來的，該方法既克服了同時(shí)估計(jì)法的2個(gè)缺點(diǎn)，又保持了同時(shí)估計(jì)法的無偏性、漸進(jìn)正態(tài)性以及有效性.因此，本文運(yùn)用TransCAD，采用分階段估計(jì)法，對NL模型進(jìn)行參數(shù)估計(jì)，結(jié)果見表2～4.

當(dāng)不考慮出發(fā)時(shí)間和出行方式之間的內(nèi)在聯(lián)系時(shí)，即建立ML模型對居民出行方式行為進(jìn)行分析，運(yùn)用TransCAD進(jìn)行參數(shù)估計(jì).ML模型的優(yōu)度比為0.41，NL模型的優(yōu)度比為0.50，相差0.09.因此，考慮出發(fā)時(shí)間和出行方式之間內(nèi)在聯(lián)系的NL模型能夠精確的擬合調(diào)查數(shù)據(jù)，精度較高.

3.3模型參數(shù)標(biāo)定結(jié)果的分析

根據(jù)模型參數(shù)估計(jì)結(jié)果得，水平一的優(yōu)度比為0.50，水平二的優(yōu)度比為0.46.優(yōu)度比值在0到1之間，其值越接近1，表示模型的精度越高.不過，與回歸分析中的相關(guān)系數(shù)不同，在實(shí)踐中優(yōu)度比的值達(dá)到0.2～0.4時(shí)，即認(rèn)為相當(dāng)高了.所以，該模型的擬合效果較好，精度較高.

表2　NL模型水平一參數(shù)估計(jì)結(jié)果

注：“-”表示變量的影響作用不顯著.

表3　NL模型水平二參數(shù)估計(jì)結(jié)果

注：模型參考類為高峰時(shí)段.

3.3.1水平一參數(shù)標(biāo)定結(jié)果分析

根據(jù)NL模型水平一參數(shù)估計(jì)值可知，在所有變量中出行時(shí)間、換乘距離、停車位供給情況、停車信息服務(wù)情況、出行費(fèi)用對居民出行方式的選擇有較大的影響.

表4　ML模型參數(shù)估計(jì)結(jié)果

注：“-”表示變量的影響作用不顯著.

1) 出行時(shí)間的參數(shù)估計(jì)值分別為-1.200，-0.986，-0.812，出行時(shí)間是影響出行方式的重要影響因素.對小汽車、公共交通、停車換乘的出行者而言，出行時(shí)間是出行最為關(guān)注的因素.

2) 換乘距離參數(shù)估計(jì)值分別為：-0.700，-，0.661，因此，換乘距離對居民的出行方式選擇有著較大的影響作用.調(diào)查數(shù)據(jù)表明，100 m以內(nèi)居民選擇停車換乘出行的概率較大，100～300 m的換乘距離居民尚可接受，當(dāng)大于300 m時(shí)居民選擇停車換乘的比例逐漸降低.因此，根據(jù)居民實(shí)際需求，合理布置停車換乘設(shè)施，給居民的出行提供更加便利的條件，是引導(dǎo)居民選擇小汽車換乘軌道交通的關(guān)鍵、有效措施.

3) 停車位供給情況參數(shù)估計(jì)值分別為-0.528，-，0.500，表明停車換乘處停車位供給狀況是影響出行選擇的較大因素.根據(jù)出行者停車需求，在換乘處設(shè)置充足的停車位滿足其停車需求，解決其中心區(qū)停車難問題，可增加P&R出行率.

4) 停車信息服務(wù)情況參數(shù)估計(jì)值分別為-0.500，-，0.420，即停車實(shí)時(shí)信息發(fā)布是影響出行選擇的重要影響因素.停車換乘設(shè)施的良好信息服務(wù)、智能化管理可進(jìn)一步充分發(fā)揮停車換乘設(shè)施的作用.

5) 出行費(fèi)用的參數(shù)估計(jì)值分別為-0.420，-0.326，-0.356，可見出行費(fèi)用是出行者較關(guān)注的因素.但是出行費(fèi)用的節(jié)省主要是依賴于停車費(fèi)用的降低，因此城市中心區(qū)保持較高的收費(fèi)價(jià)格，外圍區(qū)收費(fèi)價(jià)格較低，形成合理的差價(jià)是吸引部分小汽車出行者的有效措施.另外換乘優(yōu)惠也是提高換乘出行吸引力的強(qiáng)有力措施，特別是對低收入人群.

3.3.2水平二參數(shù)標(biāo)定結(jié)果分析

根據(jù)NL模型水平二參數(shù)估計(jì)值可知，出發(fā)時(shí)間位于上層和出行方式位于下層的NL模型是合理的，且高峰時(shí)選擇停車換乘的出行者主要是通勤出行的年輕人.

1) 包容系數(shù)的標(biāo)定結(jié)果為0.503，t檢驗(yàn)值大于1.96，表明居民出發(fā)時(shí)間選擇層和出行方式選擇層之間有顯著的階層關(guān)系，該模型的結(jié)構(gòu)關(guān)系是合理的.

2) 年齡的參數(shù)估計(jì)值為-0.323，表明年齡越大，選擇高峰時(shí)段出行的概率越低.選擇高峰時(shí)間出行的年輕人比例為81%，即高峰時(shí)期停車換乘的主要服務(wù)對象為年輕人.

3) 出行目的的參數(shù)估計(jì)值為-0.986，可見這些因素中出行目的對居民出發(fā)時(shí)間影響最大.高峰時(shí)間出行者通勤出行的比例為80%，即通勤者選擇高峰時(shí)間出行的概率較大.因此，通勤高峰時(shí)期理應(yīng)做好停車換乘的停車場相應(yīng)的服務(wù)，提高其服務(wù)水平.

4結(jié) 束 語

本文通過使用NL模型，對城市外圍區(qū)域的居民出發(fā)時(shí)間和出行方式的選擇行為進(jìn)行了進(jìn)一步研究，結(jié)果表明出行者的出行過程決策一般為，先確定出發(fā)時(shí)間，再根據(jù)實(shí)際條件選擇合適的出行方式，因此，考慮出發(fā)時(shí)間的NL模型比MNL模型更加精確.在此基礎(chǔ)上，分析了P&R換乘行為的主要影響因素，包括出行時(shí)間、換乘距離、停車位供給情況、停車信息服務(wù)情況、出行費(fèi)用.因此，可以由此著手制定合理的措施，引導(dǎo)居民理性出行，提高停車換乘的出行率，降低小汽車的出行比例，從而改善交通運(yùn)行狀況.通勤軌道停車換乘出行行為具有明顯的規(guī)律性，本文主要考慮了可直接觀測的個(gè)人社會(huì)經(jīng)濟(jì)屬性、出行特征、換乘設(shè)施服務(wù)水平特征，并未考慮影響選擇結(jié)果的潛變量.出行者的態(tài)度和認(rèn)知等潛變量影響出行決策行為，因此將潛變量融入到模型中，提高行為預(yù)測的精度，是需要進(jìn)一步研究的方向.

參 考 文 獻(xiàn)

[1]云美萍,劉賢瑋,陳震寰,等.通勤出行中停車換乘選擇行為分析與建模[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,40(12):1825-1830.

[2]秦?zé)?關(guān)宏志,龍雪琴.基于決策過程的停車換乘行為研究[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版),2014,38(5):1002-1005.

[3]劉燕,秦?zé)?潘小松,等.北京市停車換乘需求調(diào)查與分析[J].交通運(yùn)輸工程與信息學(xué)報(bào),2011,9(3):118-124.

[4]范文博,蔣葛夫.信息作用下隨機(jī)多方式網(wǎng)絡(luò)停車換乘行為[J].西南交通大學(xué)學(xué)報(bào),2008,43(4):524-530.

[5]劉俐,杜豫川,劉新.上海典型停車換乘選擇行為研究[J].交通信息與安全,2014,32(2):11-16.

[6]孟夢邵,春福曾,靖靜徐,等.停車換乘條件下組合出行模型及算法[J].吉林大學(xué)學(xué)報(bào),2013,43(6):1465-1470.

[7]BHAT C R. Analysis of travel mode and departure time choice for urban shopping trip[J]. Transportation Research Part B: Methodological,1998,32(6):361-371.

[8]DE J G, DALY A, PIETERS M, et al. A model for time of day and model choice using error components logit[J]. Transportation Research Part E: Logistics and Transportation Review,2003,39(3):245-268.

[9]楊勵(lì)雅,邵春福,HAGHANI A.出行方式與出發(fā)時(shí)間聯(lián)合選擇的分層Logit模型[J].交通運(yùn)輸工程學(xué)報(bào),2012,12(2):76-83.

[10]陳俊勵(lì),馬云龍,朱楠.基于巢式Logit模型的公交出行方式選擇行為研究[J].交通運(yùn)輸系統(tǒng)工程與信息,2011,11(1):120-125.

[11]陳軍.停車換乘P&R規(guī)劃研究[D].西安:長安大學(xué),2011.

[12]關(guān)宏志.非集計(jì)模型-交通行為分析的工具[M].北京:人民交通出版社,2004.

[13]WEN C H, KOPPELMAN F S. The generalized nested logit model[J]. Transportation Research Part B:Methodological,2001,35(7):627-671.

Study on Rail Park-and-ride Behaviors Based on Nested Logit Model

XIANG HongyanHE SuzhenXU Tao

(SchoolofTraffic&Transportation,ChongqingJiaotongUniversity,Chongqing400074,China)

Abstract：Through the RP & SP survey on the residents’ P&R behavior, based on the maximum random utility theory, the characteristic and the service level of R & P facilities are taken as the utility variables, departure time and travel model are taken as alternative parts, and the NL model is built with one structure with departure time located in the upper layer and one travel model located in the lower layer. The model parameters are calibrated and tested by using TransCAD, and the analysis results show that the value of λ is 0.503 and has passed the t-test. This shows the choice of departure time has a significant impact on travel model choice behavior. The travel purpose is the first consideration of the decision of the residents’ departure time. The travel time, transfer distance, parking supply and other factors have important influence on R & P behavior. Compared with the traditional MNL model, the NL model has better statistical characteristics, higher accuracy, and the ρ2 of NL model is 0.5, the ρ2 of MNL model is 0.41.

Key words：traffic demand management; park & ride; choice behavior; NL model; select limb

收稿日期：2016-05-09

中圖法分類號：U491.1

doi:10.3963/j.issn.2095-3844.2016.03.004

向紅艷(1980- )：女，博士，副教授，主要研究領(lǐng)域?yàn)榻煌ㄟ\(yùn)輸規(guī)劃與管理

*國家自然科學(xué)基金項(xiàng)目資助(51308569)