基于SEIR模型的COVID-19傳播過程及網(wǎng)約車應(yīng)對策略研究

摘 要： 2019年末突然爆發(fā)的新型冠狀病毒（COVID-19）肺炎嚴(yán)重影響到居民的日常生活。網(wǎng)約車作為公共交通系統(tǒng)的補充，在大中運量公共交通停止運營期間，為居民的剛性出行需求提供了保障性服務(wù)。本文基于SEIR傳染病模型模擬病毒傳染的傳播過程，通過對比分析說明減少人員接觸對遏制病毒傳播的重要性。健康碼作為一個數(shù)字抗疫亮點，考慮到健康碼為紅色的乘客攜帶病毒的可能性較高，本文提出對其進行一對一接送策略，在保證乘客出行需求的前提下，降低其他乘客感染病毒的風(fēng)險，并利用二元選擇模型中的logit模型來預(yù)測網(wǎng)約車司機運送紅碼乘客的概率。最后基于SEIR模型傳播過程，分別從控制車內(nèi)的人員數(shù)量、縮短乘客的出行時間以及車輛的防疫措施這三方面對疫情期間網(wǎng)約車出行提出應(yīng)對策略。

關(guān)鍵詞： SEIR傳染病模型; 病毒傳播; 網(wǎng)約車運營管理; 二元選擇模型

COVID-19 propagation process based on SEIR

model and online car-hailing response strategy

CHEN Jingyi

（Business School， University of Shanghai for Science and Technology， Shanghai 200093， China）

【Abstract】The sudden outbreak of COVID-19 at the end of 2019 has seriously affected residents' daily life. As a supplement to the public transport system， online car-hailing provides guaranteed services for residents' rigid travel demands during the shutdown of large and medium volume public transport. Based on the SEIR infectious disease model， this paper simulates the transmission process of virus infection and illustrates the importance of reducing human contact to contain the transmission of virus through comparative analysis. As a digital anti epidemic window， considering the fact that passengers with a red health code are more likely to carry the virus， this paper puts forward one-on-one transport strategy， on the premise of guaranteeing the passenger travel demand， reduces the risk of other passengers infected with the virus， and by using the logit model of binary choice model to predict the probability about car driver carrying red-code passengers. Finally， based on the propagation process of SEIR model， the countermeasures for online ride-hailing during the epidemic period are proposed from three aspects： controlling the number of passengers in the car， shortening the travel time of passengers and epidemic prevention measures of vehicles.

【Key words】SEIR model; virus transmission; online car-hailing operation management; binary choice model

0 引 言

2020年初新型冠狀病毒肺炎（以下簡稱‘新冠肺炎）突然爆發(fā)，研究表明，新冠肺炎的傳播途徑主要是飛沫傳播和間接接觸傳播[1]。為了最大限度遏制疫情蔓延，中國交通運輸部、衛(wèi)健委等相關(guān)部門采取了一系列的措施。由于疫情爆發(fā)正值春運期間，人口流動量極大。為了減少人員的流動，遏制病毒傳播，僅以武漢為例，武漢市自2020年1月23日10時起，全市的公交、地鐵、長途客運等暫停運營，離漢通道暫時關(guān)閉。為了保障社區(qū)居民應(yīng)急出行，武漢市交通運輸局從9家巡游出租車和網(wǎng)約車公司共征集車輛6 000輛，為居民應(yīng)急出行提供服務(wù)[2]。網(wǎng)約車以互聯(lián)網(wǎng)技術(shù)為依托構(gòu)建服務(wù)平臺，整合供需信息，車輛和駕駛員需要符合平臺的條件，是一種提供非巡游的預(yù)約出租車服務(wù)的交通工具[3]。2015年之后，網(wǎng)約車作為公共交通系統(tǒng)的補充在國內(nèi)迅猛發(fā)展，在大中運量公共交通停止運營期間，為居民的剛性出行需求提供了保障性服務(wù)。

面對疫情給交通運輸業(yè)帶來的沖擊，諸多學(xué)者對疫情期間的交通出行進行了研究。高永等人[4]對東北某市新冠疫情爆發(fā)前后一段時間內(nèi)網(wǎng)約車數(shù)據(jù)進行分析，發(fā)現(xiàn)受疫情影響網(wǎng)約車的訂單數(shù)量和司機出車數(shù)量均大幅下降，且與疫情的確診人數(shù)呈正比例相關(guān)關(guān)系。吳楠等人[5]以武漢市公共交通為研究對象，對疫情期間公交現(xiàn)狀及出行特征進行分析，推斷出在疫情持續(xù)期大多數(shù)民眾仍對公共交通方式的暴露風(fēng)險感到擔(dān)憂，公共交通客流回流需要緩沖期，最后從需求與供給的角度出發(fā)，制定了武漢市疫情后公共交通組合運營策略。張宇等人[6]建立了基于SEIR模型的交通工具疫情傳播模型與沿線路疫情傳播模型，對新冠疫情是如何通過交通線路向外傳播擴散的過程進行了完整的描述。李健等人[7]提出了一種面向傳染病疫情防控的公共交通運行決策支持系統(tǒng)框架，其研究成果對傳染病疫情防控具有實用價值。劉海平等人[8]將室內(nèi)病毒通過飛沫在空氣中傳播的理論應(yīng)用于公共汽車車內(nèi)空間，有針對性地提出公共汽車交通疫情防控應(yīng)對策略。上述學(xué)者的研究成果對疫情后網(wǎng)約車的運營策略具有重要的參考意義。本文對病毒傳播過程進行分析后，提出對紅碼乘客的出行進行一對一接送的策略，并預(yù)測網(wǎng)約車司機接送紅碼乘客的概率。

1 新冠疫情傳播過程分析

在社會發(fā)展過程中人們一直在與傳染病作斗爭，如SARS病毒、埃博拉病毒等[9-10]。相關(guān)研究表明，新型冠狀病毒具有潛伏期，本文利用含有易感狀態(tài)、潛伏狀態(tài)、感染狀態(tài)以及康復(fù)狀態(tài)的SEIR模型[11]，能夠更加準(zhǔn)確地描述新型冠狀病毒的傳播過程。

1.1 基于SEIR的傳染病預(yù)測模型

根據(jù)已有的研究發(fā)現(xiàn)，COVID-19病毒具有1～14天的潛伏期，平均潛伏期是5.2天，病毒在潛伏期內(nèi)也具有傳染性[12]。經(jīng)典的傳染病模型有SI模型、SIR模型、SIS模型和SEIR模型[13]。由于新型冠狀病毒具有潛伏期，當(dāng)易感者與病人接觸后會成為病毒攜帶者，將此類人群定義為潛伏者“E”。結(jié)合本次疫情分析，SEIR模型更加符合新型冠狀病毒的傳染特征。因此從病毒具有潛伏期的角度考慮，本文利用含有潛伏期的SEIR模型對病毒傳播過程進行分析，模型的基本流程圖如圖1所示。

研究中需用到的符號定義見表1。在此基礎(chǔ)上，對模型建立展開探討論述。利用非線性常微分方程來描述病毒在一個群體中的傳播，易感者表示為：

其中，上述模型不考慮人口的出生率和自然死亡率，不考慮人口的遷入和遷出對新冠病毒肺炎的影響。

1.2 病毒傳播過程分析

依據(jù)上述模型，利用Matlab軟件進行求解，對網(wǎng)約車接送初始易感人群總數(shù)為100人時的新型冠狀病毒傳播過程進行模擬，假設(shè)初始傳染者人數(shù)為1人，病毒潛伏期為14天。參數(shù)β值是指易感者在單位時間內(nèi)與感染者接觸后被感染的概率，本文將采取防疫措施之前的易感者被感染者感染的概率設(shè)定為0.03;參數(shù)β1是指易感者在單位時間內(nèi)與潛伏者接觸后被感染的概率，將其值設(shè)定為0.02。得到當(dāng)接觸人數(shù)分別為20人、10人、5人、1人時，新冠病毒在傳播過程中不同人群隨時間演化的結(jié)果，如圖2～圖5所示。

對圖2進行分析后可以得到，在病毒傳播初期會迎來一個爆發(fā)期，潛伏者和感染者的數(shù)量是一個先增加、后減少的過程，在第20天左右到達高峰值，之后開始下降。而易感者的人數(shù)會在大幅度降低后趨于平穩(wěn)接近于0，康復(fù)者的曲線逐漸上升后趨于平穩(wěn)。將圖2～圖5進行對比分析后發(fā)現(xiàn)，當(dāng)接觸人數(shù)r值減少時，潛伏者和感染者的增長趨勢變緩，高峰值降低，到達高峰的時間逐漸后移，這一結(jié)果將會給醫(yī)療救助提供緩沖期。

圖2～圖5是疫情爆發(fā)初期人們未采取措施時的預(yù)測趨勢圖。在疫情爆發(fā)后，國家衛(wèi)健委提出佩戴口罩可以降低病毒傳播風(fēng)險，降低感染率β。本文將采取防疫措施之后易感者被感染者感染的概率（參數(shù)值β）設(shè)定為0.02，將易感者單位時間內(nèi)與潛伏者接觸后被感染的概率（參數(shù)β1）設(shè)定為0.01。得到當(dāng)接觸人數(shù)分別為20人、10人、5人、1人時的新冠病毒傳播預(yù)測趨勢圖，如圖6～圖9所示。

將采取防疫措施之后的預(yù)測趨勢圖與未采取任何措施的預(yù)測趨勢圖進行對比分析，發(fā)現(xiàn)采取防疫措施后潛伏者和感染者的預(yù)測趨勢圖高峰值明顯降低，增長趨勢變緩且到達高峰的時間后移。若采取防疫措施，且易感人數(shù)為100人，接觸人數(shù)為1時，從圖9可看出感染曲線幾乎消失。因此，從上述分析結(jié)果來看，倘若易感人群有100人，在做好防疫措施的前提下，網(wǎng)約車每次只接送1人，被病毒感染的概率極低。

2 關(guān)于紅碼乘客的車輛匹配模型

新冠肺炎疫情期間，公共交通在一段時間內(nèi)處于停滯狀態(tài)，網(wǎng)約車在此期間為保障居民的出行需求發(fā)揮了重要作用。為了降低出行風(fēng)險，確保網(wǎng)約車安全有序運營，在滿足居民出行需求的同時，結(jié)合疫情防控要求，車輛需要定時通風(fēng)與消毒，司機需要佩戴口罩和手套進行防護。“滴滴”為了保障網(wǎng)約車的司乘安全，為堅守在抗疫一線的網(wǎng)約車免費安裝車內(nèi)防護膜，盡可能預(yù)防飛沫傳播[14]。乘客在乘坐網(wǎng)約車時需要出示健康碼，乘車期間要全程佩戴口罩，進行體溫測量以及掃碼登記。

自疫情爆發(fā)以來，健康碼在掌握全民疫情風(fēng)險信息中起到了重要作用。杭州率先推出的數(shù)字化防疫措施，能夠快速篩選出健康人群進行風(fēng)險預(yù)防。健康碼實行“紅、綠、黃”三色碼的動態(tài)管理，顏色代表人員不同的風(fēng)險等級，綠碼亮碼通行，一人一碼，是疫情期間個人通行的電子憑證。若出行者曾與確診或疑似病例在一起，或來自重點疫區(qū)，都會影響健康碼的顏色[15]。考慮到紅碼乘客在出行時具有較大的風(fēng)險，本文采取一對一接送的策略。為了降低網(wǎng)約車與乘客之間的接觸時間，減少病毒交叉感染的風(fēng)險，本文根據(jù)紅碼乘客所在位置安排車輛，使最終完成運輸任務(wù)的總時間最短。假設(shè)共有n輛車接送n名紅碼乘客，每輛車每次只能接送一名乘客，第i輛車運送第j名乘客的時間為tij，用0-1變量Xij表示分配情況：

Xij=1 若第i輛網(wǎng)約車運送第j名乘客

0 若第i輛網(wǎng)約車未運送第j名乘客

上述問題的數(shù)學(xué)模型表示如下：

其中，約束（2）和（3）是唯一性約束，代表每輛車只能接送一名乘客，每名乘客只能被一輛車服務(wù)。

3 構(gòu)建二元logit模型預(yù)測網(wǎng)約車接送紅碼乘客概率

在經(jīng)典的計量經(jīng)濟學(xué)模型中，被解釋變量通常被假定為連續(xù)變量，但是在實際分析中，作為研究對象的被解釋變量的觀測值經(jīng)常是離散的，這種模型被稱為離散被解釋變量模型。而以決策結(jié)果作為被解釋變量建立的計量經(jīng)濟學(xué)模型被稱為離散選擇模型[16]。離散選擇模型起源于1860年費希納進行的動物條件二元反射研究，沃納在1962年利用離散選擇模型研究公共交通工具和私人交通工具的選擇問題。在20世紀(jì)70年代到80年代，離散選擇模型被廣泛應(yīng)用于交通、就業(yè)等經(jīng)濟決策領(lǐng)域的問題[17]。而在疫情期間網(wǎng)約車會在何種情景下接送紅碼乘客值得研究，本文將利用二元選擇模型進行模擬仿真實驗，并對司機是否接送紅碼乘客的選擇行為進行預(yù)測。

3.1 模型建立背景

二元選擇模型在選擇行為的研究中應(yīng)用廣泛。王云澤等人[18]利用二項logistic模型建立駕駛?cè)朔至鬟x擇行為概率模型，分析駕駛員在互通式立交分流選擇行為所受因素的影響。向紅艷等人[19]利用效用最大化理論對出行者市內(nèi)出行階段和城際出行階段的選擇行為建立巢式logit模型。楊少偉等人[20]對駕駛員收費車道選擇行為的規(guī)律特征進行研究，并建立了選擇行為的二元logit模型。張寧等人[21]對出行特征影響因素進行分析，利用多項logit模型建立居民出行方式選擇模型。孫啟鵬等人[22]運用隨機效用理論和離散選擇模型，建立了基于動態(tài)廣義費用的交通方式選擇logit模型。上述學(xué)者的研究具有重要的參考意義。

3.2 模型建立及結(jié)果分析

由于疫情的突然爆發(fā)，關(guān)于網(wǎng)約車是否會接送紅碼乘客，在目前的實際運營中尚未有確切的數(shù)據(jù)，因此難以獲得具體數(shù)據(jù)。在上述背景下，本文采取隨機生成數(shù)據(jù)的方式，通過進行模擬仿真實驗，來預(yù)測司機接送紅碼乘客的概率。其中，利用二元選擇模型中的logit模型預(yù)測網(wǎng)約車司機是否接送紅碼乘客。利用二元離散變量Y來表示網(wǎng)約車司機是否運送紅碼乘客，若運送乘客，則Y=1;若未運送乘客，則Y=0。本文共選擇16個樣本，數(shù)據(jù)中包含運送紅碼乘客增加的收益Q以及運輸紅碼乘客后因需要去消毒多花費的時間T。樣本觀測值見表2。

利用Eviews軟件中的logit模型估計方法，其中Y為被解釋變量，常數(shù)項、Q、T為解釋變量，對于異方差采用White修正，得到的輸出結(jié)果如圖10所示。

圖10的第一部分顯示了模型估計的基本信息，包括模型估計方法、使用樣本、與迭代收斂相關(guān)的信息;第二部分是模型的估計結(jié)果，第三部分是二元選擇模型中因變量的頻率分析。從圖10中可以得到擬合優(yōu)度McFadden R-squared的值為0.484 447;Prod（LR statistic）的值為0.004 642，遠遠小于0.05，說明拒絕原假設(shè)，意味著收益和時間這兩個變量對被解釋變量司機是否運輸紅碼乘客具有顯著性影響。因為LR statistic=10.745 38，>x20.05（2）=5.991 47，所以在給定顯著性水平a=0.05拒絕原假設(shè)H0：β2=β3=0，表明離散選擇模型中所有解釋變量的系數(shù)不全為0。根據(jù)表2可得到模型的回歸結(jié)果如下所示：

當(dāng)收益Q和時間T已知時，利用上述方程可以計算出網(wǎng)約車司機接送紅碼乘客的概率Pi。根據(jù)上述方程可以得到，假設(shè)網(wǎng)約車司機運送紅碼乘客后去消毒需要多花費25 min的時間，但可增加收益63元的情況下，車輛接送紅碼乘客的概率為99%。

3.3 預(yù)測檢驗

當(dāng)二元離散選擇模型被估計后，將所有樣本的解釋變量觀測值代入模型中，通過計算得到每個樣本的被解釋變量選擇1的概率，與每個樣本被解釋變量的實際觀測值進行比較，從而判斷模型的預(yù)測效果。由于本文的全部樣本中選擇1和選擇0的樣本數(shù)目相當(dāng)，因此以0.5為臨界值進行預(yù)測檢驗，所得結(jié)果如圖11所示，可以得到預(yù)測車輛接送紅碼乘客的準(zhǔn)確率為87.5%。

4 新冠肺炎疫情背景下的網(wǎng)約車應(yīng)對策略

目前國內(nèi)對于疫情的防控已經(jīng)進入常態(tài)化管理階段，人民生活也逐漸恢復(fù)正常，出行需求增加。結(jié)合此次疫情的發(fā)展趨勢，在大運量公共交通暫停運營期間，網(wǎng)約車在保障交通運輸體系的穩(wěn)定暢通中發(fā)揮了重要作用，同時非接觸式的網(wǎng)約車出行方式對個體的安全出行也起到了積極作用。本文基于對COVID-19病毒的傳播過程進行分析后，針對疫情期間網(wǎng)約車的運營管理制定相關(guān)的應(yīng)對策略。

4.1 控制車內(nèi)人員數(shù)量

從SEIR模型的模擬結(jié)果來看，接觸人數(shù)越多，病毒傳播感染的概率就越大，因此控制車內(nèi)人員的數(shù)量是十分必要的。在此次疫情中，健康碼的出現(xiàn)成為了國內(nèi)在掌握全民疫情風(fēng)險信息的一個數(shù)字抗疫亮點，考慮到健康碼為紅色的乘客攜帶病毒的可能性較高，提出利用車內(nèi)安裝防護膜的網(wǎng)約車接送此類乘客，并且每輛車只能接送一名乘客，在接送完成后還需要對車輛進行消毒。對于健康碼為綠色的乘客，每輛車的車內(nèi)人員數(shù)量控制在3名。

4.2 縮短乘客的乘車時間

病毒傳播感染的概率與出行者的暴露時間有關(guān)，出行者的出行時間越長，感染病毒的可能性越大。因此，針對疫情期間乘坐網(wǎng)約車出行的居民，需要控制相應(yīng)的暴露時間。為降低出行者的暴露時間，需要減少不必要的繞行距離，減少乘客的候車和乘車時間，降低病毒傳播的風(fēng)險。

4.3 車輛的防疫措施

為防止病毒通過交通運輸工具傳播擴散，在疫情防控期間要嚴(yán)格按照規(guī)范要求，加強對車輛進行消毒消殺工作，并對網(wǎng)約車的車內(nèi)安全定期進行檢查。在車輛內(nèi)部加裝防護膜，將車內(nèi)司機與乘客進行空間分隔，按時開窗通風(fēng)與消毒。網(wǎng)約車司機在崗期間要進行體溫檢測，全程佩戴口罩。乘客通過網(wǎng)約車平臺進行車輛預(yù)約，在上車前需要出示健康碼，乘車期間要全程佩戴口罩。疫情之后相關(guān)部門要針對網(wǎng)約車行業(yè)制定應(yīng)急預(yù)案，保障交通運輸體系的安全運轉(zhuǎn)。

5 結(jié)束語

這場突然爆發(fā)傳染力極強的新型冠狀病毒疫情在國家強有力的措施下得到了有效的控制。為了更加清楚地分析新型冠狀病毒的傳播過程，本文基于SEIR傳染病模型對特定情形下疫情的發(fā)展趨勢進行預(yù)測，發(fā)現(xiàn)采取控制車內(nèi)人員數(shù)量、縮短乘客乘車時間、對車輛內(nèi)部進行通風(fēng)消毒等措施均可有效降低感染率β，當(dāng)感染率β從0.03降為0.02后，潛伏者和感染者預(yù)測趨勢圖的高峰值明顯降低，增長趨勢變緩且到達高峰的時間后移;當(dāng)接觸人數(shù)r值減少時，潛伏者和感染者的增長趨勢變緩，高峰值明顯降低。

目前，健康碼在人們的出行過程中必不可少，為了降低出行者的風(fēng)險，本文針對健康碼為紅色這類風(fēng)險較高的乘客，提出采取網(wǎng)約車對其進行一對一接送的策略，結(jié)果表明這一措施能夠有效降低傳染風(fēng)險。由于紅碼乘客的特殊性，本文利用二元選擇模型中的logit模型來預(yù)測網(wǎng)約車司機是否接送紅碼乘客，通過對擬合優(yōu)度值以及LR統(tǒng)計量的分析，得到檢驗?zāi)Ｐ驼w顯著的結(jié)論，意味著收益和時間這兩個變量對被解釋變量司機是否運輸紅碼乘客具有顯著性影響。

參考文獻

[1]詹菁， 劉倩， 張雨竹， 等. 新型冠狀病毒2019-nCoV的一些初步認識 [J]. 環(huán)境化學(xué)， 2020， 39（2）： 283-291.

[2]武漢市交通運輸局. 4月22日起， 武漢社區(qū)應(yīng)急出租車將有序撤回 [EB/OL].[2020-04-22]. http：//jtj.wuhan.gov.cn/jtzx/zwdt/202004/t20200426_1128159.shtml.

[3]WANG Dong， CAO Wei， LI Jian， et al. DeepSD： Supply-demand prediction for online car-hailing services using Deep Neural Networks[C]// Proceedings of the 2017 IEEE 33rd International Conference on Data Engineering （ICDE）. SAN Diego， CA， USA：IEEE， 2017：243-254 .

[4]高永， 于壯， 邱東岳， 等.? 突發(fā)疫情期間網(wǎng)約車出行變化分析與對策建議 [J]. 交通與運輸2020， 33（S2）： 173-178.

[5]吳楠， 李遠東， 趙安琪， 等. COVID-19疫情后武漢市公共交通運營策略研究 [J]. 交通運輸工程與信息學(xué)報， 2020， 18（3）： 64-73.

[6]張宇， 田萬利， 吳忠廣， 等. 基于改進SEIR模型的新冠肺炎疫情沿交通線路傳播機制 [J]. 交通運輸工程學(xué)報， 2020， 20（3）： 150-158.

[7]李健， 陳田， 張懿木. 面向傳染病疫情防控的公共交通運行管理決策支持研究 [J]. 中國公路學(xué)報， 2020， 33（11）： 30-42.

[8]劉海平， 肖堯. 突發(fā)疫情防控中公共汽車交通運營管理應(yīng)對策略 [J]. 城市交通， 2020， 18（3）： 42-45，92.

[9]CHOWELL G， HENGARTNER N W， CASTILLO-CHAVEZ C， et al. The basic reproductive number of Ebola and the effects of public health measures： the cases of Congo and Uganda [J]. Optics Communications， 2004， 229（1）： 119-126.

[10]劉云忠， 宣慧玉， 林國璽. SARS傳染病數(shù)學(xué)建模及預(yù)測預(yù)防控制機理研究 [J]. 中國工程科學(xué)， 2004， 6（9）： 60-65.

[11]FINKENSTADT P. Statistical inference in a stochastic epidemic SEIR model with control intervention： Ebola as a case study [J]. Biometrics， 2006， 62（4）： 1170-1177.

[12]中華預(yù)防醫(yī)學(xué)會. 新型冠狀病毒肺炎流行病學(xué)特征的最新認識 [J]. 中華流行病學(xué)雜志， 2020， 41（2）： 139-144.

[13]KAYE P M. Infectious diseases of humans： Dynamics and control [J]. Immunology Today， 1993，14（12）：1-616.

[14]王倩. 滴滴“抗疫”30天 [J]. 商學(xué)院， 2020 （Z1）： 112-113.

[15]汪濤， 趙彥云. 基于健康碼區(qū)塊鏈的新型冠狀病毒肺炎疫情防控與評估研究 [J]. 應(yīng)用數(shù)學(xué)學(xué)報， 2020， 43（2）： 265-277.

[16]聶沖， 賈生華. 離散選擇模型的基本原理及其發(fā)展演進評介 [J]. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究， 2005 （11）： 151-159.

[17]舒柏晛， 鄭丕諤. 基于神經(jīng)網(wǎng)絡(luò)的離散選擇模型 [J]. 統(tǒng)計與決策， 2005， 19（10S）： 27.

[18]王云澤， 潘兵宏， 邵陽. 互通式立交分流選擇行為概率模型研究 [J]. 公路交通科技， 2014， 31（12）： 104-109.

[19]向紅艷， 任小聰， 陳堅. 城市群內(nèi)城際短途出行方式選擇行為建模 [J]. 重慶交通大學(xué)學(xué)報， 2016， 35（3）： 129-133.

[20]楊少偉， 梁漢冕， 潘兵宏. 基于二元Logit模型的駕駛員收費車道選擇研究 [J]. 重慶交通大學(xué)學(xué)報（自然科學(xué)版）， 2021， 40（1）： 29-35.

[21]張寧， 戴潔， 張曉軍. 基于多項Logit模型的軌道交通站點步行接駁范圍 [J]. 城市軌道交通研究， 2012， 15（5）： 46-49.

[22]孫啟鵬， 朱磊， 陳波. 基于動態(tài)廣義費用的客運通道交通方式選擇Logit模型 [J]. 交通運輸系統(tǒng)工程與信息， 2013，13 （4）： 15-22.

作者簡介： 陳靜怡（1997-），女，碩士研究生，主要研究方向：交通運輸規(guī)劃與管理。

收稿日期： 2021-04-09