基于Logistic 回歸模型的居民出行方式影響因素分析＊

梁文博，劉 晨，王艷玲

（1.北京交通發展研究院，北京 110106；2.北京城市學院，北京 101399）

近年來，私人交通出行持續增加，機動化交通需求不斷增長與道路空間資源短缺的矛盾日益突出。通過分析出行者的選擇行為及其影響因素從而提出交通發展政策建議是國內外學者關注的重點。袁亮和吳佩勛（2018）[1]基于江蘇省居民進行網約車、出租車選擇意愿相關調查，分析得到出行者個體特征、出行價格等對于出行方式選擇有顯著影響。陳佩虹和史明鑫（2019）[2]選擇3 個P+R 停車場作為研究對象，分析了學歷、職業、停車費對于選擇P+R 的影響，提出了針對P+R 停車場改進的相關建議。韓志玲等（2018）[3]研究了雪天商務出行或休閑出行的出行方式選擇行為，分析得到出行方式選擇的影響因素及影響程度。Joseph F.Wyer（2018）[4]根據出行者的出行數據建立ECL 模型，分析出行方式復雜程度對出行方式的影響程度，驗證了交通方式復雜程度的增加會使出行者向汽車轉移。Nishant Singh 等（2018）[5]利用印度坎普爾市的數據探究學童上學的交通方式選擇，發現公交系統的缺乏等原因導致學童對于小汽車以及其他機動車出行較為依賴。

傳統的出行行為研究主要集中在因素對于出行者行為的影響程度分析，利用多項Logistic 回歸模型結果分析單一因素或特定情境下的方式選擇行為變化。本文側重于研究多因素協同作用下的居民出行選擇行為，通過建立多項Logistic 回歸模型分析對出行者選擇交通方式具有顯著影響的因素，定量顯示各影響因素的影響程度大小以及各類出行者的選擇意向變化率。通過計算各類人群的交通方式選擇概率，從而根據交通環境制定更有針對性的交通供給與管理措施。

一、數據收集與統計

以北京市駕駛員為研究對象，通過不同情境下出行者出行方式的選擇行為結果，研究各因素對居民出行方式選擇的影響。影響因素包含兩類：一類是出行者個人屬性因素；另一類是交通出行與供給因素。

（一）數據收集

以北京市駕駛員為研究對象，選取路側停車位、路外公共停車場、公建配建地面停車場、公建配建地下停車場等多種類型區域進行隨機抽樣問卷調查，回收有效樣本4 800 份。

（二）個人屬性調查統計

個人基本屬性調查主要包括：性別、年齡、月收入、職業、家庭人員數量、家庭是否有兒童、家庭擁有小汽車數量等。

（三）交通與出行因素影響下的出行方式選擇概率統計

綜合考慮出行時耗及出行花費兩方面的影響。設定出行距離為15 公里，出行方式為小汽車、出租車以及公交車三種。假設三種出行方式的費用及時間花費分別為15 元、30 分鐘，50 元、30 分鐘以及4元、60 分鐘。根據目的地停車便捷性以及公交運行速度的不同，共設置24 種出行情景，如圖1 所示。每種情景下三種出行方式的選擇概率根據4 800 份樣本統計出。

圖1 出行情景設置

二、多項Logistic 回歸模型分析

當因變量為多分類變量時，應采用多項Logistic回歸模型，分析某一個選擇方案發生的概率P 與影響因素之間的關系。其模型表達式為：

式（1）中Pj為被解釋變量為j 類的概率，PJ為被解釋變量為第J（j≠J）類的概率；xm為分自變量，m 為啞變量標號，取值為（1，2，…，M）；αj為截距項；βjm為回歸系數。以公交車出行作為參照類，可得到2 個廣義Logistic 回歸模型：

其中P1、P2、P3分別為出行方式選擇小汽車、出租、公交車的概率；xM為出行方式影響因素。選擇概率計算如下[6]：

1）參照類：

2）其他類別：

式（6）中Pj為除參考項以外的選擇方案的概率。

三、影響因素顯著性分析

建立模型前，需對數據進行相關性分析，篩選對居民選擇行為有顯著影響的因素作為特征變量帶入模型。采用皮爾森相關模型，計算各因素與出行方式選擇結果的相關性，如表1 所示。

根據表1，交通因素中的停車后步行距離、公交運行時間、停車收費價格、停車時長以及個人屬性中的月收入、年齡、家庭人員數、家庭小汽車數量對出行方式選擇影響顯著。

進一步驗證個人屬性間的相對獨立性，將月收入、年齡、家庭人員數以及家庭小汽車數量4 個變量進行共線性檢驗，根據結果，家庭人員數量與家庭車輛數及月收入均存在顯著線性相關性，所以將該變量剔除。選擇年齡、月收入及家庭車輛數作為特征變量代入方程。

四、模型標定結果分析

表2 為顯著性檢驗結果，當顯著性小于0.05，通過檢驗。該模型顯著性小于0.05，說明解釋變量全體與廣義logitP 之間線性關系顯著，模型選擇正確。

表2 模型擬合信息

表3 給出模型引入各變量后似然比卡方值變化的情況。根據顯著性值可知，7 個自變量顯著性均＜0.05，拒絕回歸系數為0 的假設，認為自變量對Logistic 回歸模型的線性貢獻顯著，通過檢驗。

表3 似然比檢驗

表4 為第一部分小汽車與公交車兩種出行方式的對比分析。結果顯示：年齡對小汽車與公交車兩種方式之間的選擇變化影響不顯著，停車后步行距離、公交運行時間、停車收費標準、停車時長、月收入以及家庭車輛數均對出行方式選擇影響顯著。進一步分析各特征變量對出行方式選擇的影響程度。

表4 模型標定結果（小汽車與公交車）

1.停車后步行距離影響。其回歸系數估計值（B）為正值，表明停車后步行距離0 的出行者較步行距離10 分鐘的出行者更傾向于選擇小汽車出行。當除停車后步行距離外其他因素相同時，停車后步行距離0 分鐘的自然對數比停車后步行距離10 分鐘（參照類）平均增加0.714 個單位，前者選擇小汽車出行的概率比率是后者的2.043 倍。居民出行對于小汽車的依賴程度與目的地泊位供給水平關系顯著。

2.公交運行時間影響。公交運行時間60 分鐘選擇小汽車出行的概率比率是公交運行時間30 分鐘（參照類）的0.425 倍。提高公交運行水平對于促進居民從小汽車方式向公共交通方式轉移具有顯著效果。

3.停車收費標準影響。停車免費、停車收費5元/小時、停車收費10 元/小時三種收費標準下的概率比率分別是停車收費15 元每小時的25.938倍、4.953 倍和1.645 倍，隨著停車收費標準的增加，概率比率顯著下降。提高停車收費標準是控制小汽車出行的有效手段。

4.停車時長影響。在相同的收費標準情況下，長時停車出行者選擇小汽車出行的概率比率是短時停車的0.310 倍。長時間停車的出行者對于停車收費價格的敏感程度更高。

5.個人基本屬性影響。月收入3 000 元以下的概率比率僅為月收入20 000 元以上的0.366 倍，但當月收入超過10 000 元時，參數顯著水平＞0.05，意味著當居民收入超過10 000 元以后，收入的增加對于出行方式選擇的影響程度不顯著。家庭車輛數為0 輛的概率比率僅為家庭車輛數為3 輛及以上的0.051 倍，對小汽車的依賴程度差距顯著。隨著家庭車輛數的增加，概率比率同時增加，但擁有1 輛小汽車和擁有2 輛小汽車的家庭對于小汽車出行的意愿程度差距不大。

同理，將第二部分出租車與公交車兩種出行方式進行對比分析。結果顯示：停車后步行距離及家庭車輛數對出租車和公交車兩種出行方式間選擇無顯著影響，年齡對兩種出行方式選擇有顯著影響。與第一部分結果相比，停車收費標準以及停車時長的影響顯著降低。Logistic 回歸模型樣本預測的混淆矩陣如表5 所示，模型精度較高，可較好反映特征變量對居民出行方式選擇的影響。

表5 分類預測值分布統計表

利用該模型可對每個出行者的出行方式選擇概率進行預測。以年齡在30～40 歲之間，月收入在10 001 元～20 000 元之間，家庭有1 輛小汽車的出行者為例，計算該出行者短時停車且目的地泊位充足，停車免費，公交運行時間為60 分鐘情況下小汽車、出租車、公交車三種出行方式選擇概率分別為90%、8%、2%。若目的地泊位不足，需要步行10 分鐘，公交車運行時間變為30 分鐘且停車花費為10 元/ 小時的情況下，該出行者三種出行方式的選擇概率分別為18%、48%和34%。該出行者在兩種情景下選擇小汽車出行的概率由90%下降至18%，說明改變交通供給水平對居民出行方式選擇意向具有顯著影響。

同理，可以計算改變各個交通供給條件下對于不同類型出行者的影響程度，從而根據交通發展條件以及出行者類型制定更有針對性的交通改善措施。

五、結論

第一，多項Logistic 回歸模型可全面反映特征變量對于出行方式選擇的影響。

第二，通過對特征變量影響程度的對比分析可知，“停車收費”、“家庭小汽車數量”對居民出行方式選擇影響程度最高。對交通資源供給不足的區域或城市，合理提高停車收費標準及限制購買是控制私家車使用、緩解道路擁堵的有效手段。

第三，目的地泊位供給充足且停車免費的情況下，大部分擁有私家車的出行者選擇小汽車出行的概率超過90%。結合區域停車泊位供給水平研究制定詳細的停車收費價格體系可有效緩解區域交通供需矛盾。

第四，與短時間停車的出行者相比，長時間停車的出行者對停車收費價格敏感性更強。對辦公、居住等人口較集中的區域，通過調節停車收費價格，制定不同類型停車場的差異化收費標準可有效提高停車資源利用效率。

第五，停車泊位不充足的區域，提高公交服務水平可有效促進居民從小汽車向公共交通轉移，以優化區域居民出行結構。

第六，多項Logistic 回歸模型可預測各類出行者在不同交通供給條件下的出行方式選擇概率。通過改變出行時間、費用等因素可實現區域交通供需平衡。