道路交通環境對自行車騎行路徑選擇影響

黃 潔，湯文蘊，張愛華，錢林波

（南京林業大學 汽車與交通工程學院，江蘇 南京 210037）

0 引言

國家主席習近平于2020年9月22日在聯合國大會上提出“雙碳”目標：二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現“碳中和”。目前交通行業主要從發展新能源汽車方面降低碳排放和節約能源，非機動車出行不僅能強身健體，而且在一定程度上能達到節能減排的效果，而良好的騎行環境屬于誘導出行者選擇自行車騎行的潛在因素。對自行車騎行者的路徑選擇行為特征進行研究，并根據其偏好特征針對道路設計、交通管理等方面制定相關方案和措施，如合理設置機非分隔帶等，可以為提高自行車出行的安全性、吸引出行者選用自行車出行提供理論基礎。同時，現有路徑導航軟件中針對自行車的推薦騎行路線僅考慮距離、時間等因素，并未考慮道路特征以及個體需求，缺少個性化服務。此外，研究自行車騎行路徑選擇偏好有助于自行車交通體系的規劃與建設。因此，研究考慮個體屬性和道路屬性的自行車騎行路徑選擇行為顯得十分必要。

在現有針對影響非機動車騎行路徑選擇行為因素的研究中，國內學者主要從道路環境、交通環境、個人因素等方面對騎行者路徑選擇行為進行研究。Ana和Suzanne從道路環境、交通流特性、道路屬性、路徑特征等角度研究騎行人的行為，并對相關因素的影響程度進行排序。自行車出行選擇行為與出行者的性別、收入、年齡、騎行者的經驗有關系，女性以及年紀較輕的騎行者或沒有騎行經驗的騎行者對騎行環境的安全性敏感度較高。1974年，Mcfadden最早建立的離散選擇模型從微觀個體角度分析決策行為，被廣泛應用于路徑選擇、交通方式選擇等交通行為決策問題研究中。Majumdar采用MNL模型和RPL模型發現風險等級是影響路徑選擇程度最大的因素，隨后根據這些關鍵因素推導出WTP（Willingness to Pay）估計。隨著離散選擇模型在國內研究的不斷推廣，2004年，關宏志首次以中文書籍的形式比較全面的介紹了非集計模型在交通行為分析領域的應用。國內學者在研究影響騎行路線決策行為中發現出行距離、出行時間、道路安全性、環境舒適性等是顯著因素。何少辰提出一種基于蟻群算法的城市居民自行車出行路徑優化方法，考慮了選擇偏好、騎行路徑長度以及坡度等相關屬性要素的影響。Li討論了騎行者在分離式自行車道上和街道式自行車設施上的舒適感。韓軍紅運用多元有序Logit模型從多個指標分析私人自行車騎行的影響因素及特征。王凱研究通勤者的出行行為，發現早到和遲到風險偏好也不盡相同。

目前研究主要從路徑環境方向進行展開，致力于改善道路環境，為自行車騎行提供良好空間來激發自行車交通，而相關研究表明設計良好的環境設施是潛在因素，并不會直接影響騎行選擇行為，不同出行目的下個人對騎自行車的喜好是重要影響因素。因此，僅僅通過改善環境因素并不能有效提高騎行選擇概率，需要結合出行者的出行目的，才能更好地解釋騎行路徑環境對騎行選擇概率的影響。本文從騎行目的出發思考為什么個體會選擇騎行，不再僅限于學生和通勤人員，面向各種職業的調查對象采集數據，將個體的性別、年齡和出行目的與道路環境進行交叉融合分析，為改善騎行環境措施的進一步細化提供支持。同時，通過研究不同群體在各種出行目的下對騎行環境的偏好特征，結合土地利用性質分析出行吸引來規劃設計路徑的道路環境，更具有現實意義。

1 數據來源與描述性統計分析

1.1 數據調查與整理

本文數據是通過行為調查（Revealed Preference,RP）和意向調查（Stated Preference,SP）來獲取。RP調查是對居民已完成的選擇性行為調查，使用過去每個人的選擇結果及相關數據，反映了被調查者的具體屬性及其在現實生活中真實情況的選擇；SP調查是對某一選擇狀態，了解被調查者在這一選擇狀態下的選擇結果。SP調查的最大特點在于調查的內容是尚未發生的事情。但SP調查也存在缺陷，由于受訪者的回答容易被限定在一定的范圍內，被調查者有時是在非現實、未體驗的條件下做出的選擇，更多的認為“應該”如何選擇，從而放寬判斷標準。

基礎問卷部分包括被調查者的性別、職業、年齡、收入、居住小區和居住時間等類型問題。RP調查內容主要是平均每月騎自行車次數、出行目的以及騎行忍耐時長。SP調查內容是假設給出若干條路線，在不同出行目的下，記錄騎行者的路徑選擇情況。本文調查以南京市區部分道路為研究場景，假設的情景是從新街口到夫子廟的四條可選路徑，設定五種出行目的，分別為上班、購物、健身、生活出行和休閑娛樂，如圖1所示。

圖1 SP問卷中構造的路徑選擇情景

本次調查時間是2019年5月，通過網絡問卷隨機發送給南京的居民，最終獲取315份有效問卷，在情境中分為5個出行目的，有4條路徑選擇，因此共6 300條有效路徑選擇數據。同時，通過現場調查，獲取4條路徑的道路參數，如非機動車道寬度、有無綠蔭、機非隔離帶形式等。通過這些數據來研究在考慮個人屬性以及出行目的的情況下，騎行者對不同道路屬性的路徑選擇行為。

1.2 調查數據分析

通過整理調查問卷數據，可以得到個人屬性和騎行數據如表1所示。在接受調查的人群中，男女比例均衡，男性占比47%，女性占比53%，說明此次調查問卷的數據在性別上分布均勻；收集的數據中服務業人員、公司職員和專業人士所占比例較大（大于50%），說明自行車騎行的受眾群體主要是通勤人員，也與本次假設情景的情況相符合，假設情景的出發地和目的地的用地性質為商業金融用地；年齡分布以26~50歲（占63.5%）居多，未成年人占比12.7%，50歲以上占比6.1%，符合老人年紀大和未成年人社會活動少、身體素質不夠完善、在騎行安全方面保障性較差有關。

表1 個人社會經濟屬性和騎行特征統計表

統計自行車騎行特征分析發現，騎行休閑娛樂和上班上學的居民較少（占比分別為11.4%、18%），這表明像通勤這種對出行時間要求較高的出行，居民通常不會選擇自行車出行方式。騎行目的為健身（占比25.3%）大于20%，這符合騎行能鍛煉身體的特點；受調查者中25.3%和20%的人分別以購物、生活出行為騎行目的，說明居民日常出行以騎行為主。在每月騎行次數統計數據中，騎行次數6~10次居多（占比32.1%），可見自行車騎行在日常生活中頻次低，也與騎行出行目的健身購物相對應。另外，近30%的受調查者認為10~20分鐘是騎行時長的上限，所以自行車騎行更適用于短途短時的出行。

對調查的道路屬性數據進行整理分析，對相關性較大的數據進行刪除與整理，最終將無綠蔭長度、路寬小于3米以及分隔欄長度列為道路屬性中對騎行者選擇路徑影響的因素。經過分析，將調查的道路屬性（無綠蔭長度、寬度3m以下的路長度、分隔欄長度）轉化為其與路線長度的比例，更利于各因素的系數分析。

2 模型構建

廣義線性模型（Generalized Linear Model,GLM）是傳統線性模型的普遍化形式，不再局限于測量數據服從正態分布，可以適用于二分類數據和計數數據。考慮本文研究對象是騎行者對路徑的選擇情況，該結果屬于分類變量，即選擇或者不選擇，選擇路徑為1，不選擇路徑為0，因此本文考慮采用廣義線性模型對其進行建模。

隨機效用理論通常將效用函數U分為非隨機變化的部分（固定項）和隨機變化部分（概率項）兩大部分，并假設它們呈線性關系。可以用式（1）表示：

其中：U為出行者n選擇路線i的效用；V為出行者n選擇路線i效用函數的固定項；ε為出行者n選擇路線效用函數的隨機項，相互獨立且服從Gumbel分布。

在GLM中假定效用函數的固定項V視為線性函數，用式（2）表示：

其中：β為參數；β為第j個自變量X的參數；x為第j個因素的解釋變量組成的變量。

選擇Logit函數log[ P/ (1-P)]作為連接函數，即：

其中：P為路線i被選擇概率。

3 參數標定結果分析

本文首先將物理環境屬性（無綠蔭比例、道路寬度在3m以下的路長比例、分隔欄長比例）加入GLM模型中進行主效應分析，經過R語言運行，得到參數結果如下：

表2 基于GLM的自行車騎行路徑選擇模型標定結果

由變量系數的P值可知，三個參數的回歸系數檢驗均是顯著的，無綠蔭比例、道路寬度小于3米的比例和機非分隔欄長度比例對騎行者選擇路徑的行為存在著明顯的影響，這與已有研究和相關常識相一致。無綠蔭的道路長度和道路寬度小于3米的標定參數為負，表明這兩個變量與騎行者路徑選擇呈負相關，即無綠蔭或寬度小于3米的道路越長，騎行者選擇這條道路的概率越低。機非分隔欄比例的系數為正，說明具有機非分隔欄的道路越長，騎行者選擇該道路的概率越大。由表達式可知，其他條件不變時，當路徑中綠蔭比減少10%，則騎行者選擇該路徑的概率下降4.2%；道路寬度小于3m比增加10%，選擇該道路的概率下降5%；而機非分隔欄比增加10%，選擇該路徑的比例增加16%，這表明騎行者對機非分隔欄的敏感度是無綠蔭道路長和寬度小于3米的3~4倍，人們更注重騎行環境的安全性。主效應寬度小于3米（-2.811）與無綠蔭比（-2.316）的系數值說明騎行者對道路寬度與對環境的敏感度基本相當。

進一步，本文分別從騎行者的個人屬性（性別、年齡）和出行目的兩個方面對道路特征為無綠蔭、寬度小于3米、有機非分隔欄的道路選擇行為進行研究分析。在主效應模型中加入交互項，考慮個人屬性和出行目的對選擇不同騎行道路的調節作用。

從參數估計結果可以看出，不同的道路屬性與個人屬性以及出行屬性之間的交互效應也不相同，對三個不同道路屬性與個人屬性及出行目的之間的交互結果進行分析可以得到以下結論。

在本文建立的三種模型中，性別對模型標定結果解釋不顯著，表明男女對選擇有無綠蔭、道路寬度小于3米和有無機非分隔欄的騎行環境的要求差異性不明顯。從表3的結果可以發現，個人屬性中不同年齡段的居民對無綠蔭道路長度不敏感，表明各個年齡段的騎行者對騎行環境綠化程度敏感度差異性不大。根據表3的標定結果可以計算出當出行者分別以通勤、購物和健身為目的時，無綠蔭比增加10%，概率分別下降2.94%、7.06%和6.71%。當綠蔭比例達到0.91時，購物者選擇該路徑的概率接近95%。相對于無目的出行（4.2%），無綠蔭增加10%，通勤選擇的概率降幅較低，而購物健身騎行者對環境的綠化更為敏感。這可能由于在通勤途中，時間緊迫，騎行者無暇顧及周圍的道路環境，而購物等出行由于時間充裕，可充分選擇適宜的路徑。

表3 無綠蔭環境下自行車騎行路徑選擇模型標定結果

在表4中，寬度小于3米與年齡的交叉項系數為正，表明在寬度小于3米的道路和年齡的雙重影響下，年齡越大選擇寬度小于3米的道路可能性越大。年紀較大的騎行者由于擁有豐富的騎行經驗，對路寬小于3米的敏感度較低，因此相對于年輕的騎行者更能接受較窄具有約束性的道路條件。根據表4的模型標定結果，可以得出寬度小于3米的非機動車道長每增加10%，以通勤、購物、健身、生活出行和休閑娛樂為出行目的選擇該路徑的概率分別降低3.74%、6.54%、7.18%、10.62%和8.33%。相比較于無目的出行的騎行者（5%），以購物、健身、生活出行和休閑娛樂為目的的騎行者選擇寬度小于3米的概率較低，他們對寬度小于3米的道路長敏感度高，這可能是因為給予出行者足夠時間空間，他們就會在意騎行環境的舒適性，因此更注重騎行空間。

表4 寬度小于3米環境下自行車路徑選擇模型標定結果

從表5的結果可以發現，分隔欄比例與性別的交叉項系數為正，年長的騎行者偏愛于有隔離措施的路徑，他們騎行更穩重一些，即使騎行技術相對較高，但并不愛冒險，因此更喜歡在有隔離設施的非機動車道上行駛。根據表5的計算結果可以得出機非分隔欄比例每增長10%，以通勤、購物、健身、生活出行和休閑娛樂為目的的出行選擇該路徑的概率會增長17.37%、4.1%、5.56%、4.98%和7.78%。以通勤為目的的概率增幅是以其他為出行目的的2~4倍，表明通勤人員更偏愛于有分隔欄的道路，由于上班的緊迫性，更注重騎行安全。因此對于通勤人員較多的道路，應更注重機非隔離設施的布設，當路徑中機非隔離欄比例達到0.5時，通勤者選擇該路徑的概率趨近于1。

綜合表3至表5的結果可以發現，性別對騎行路徑中各類道路環境的影響差異相對較小，而不同年齡段的騎行者具有不同的騎行經驗與冒險偏向方面，對騎行路徑中各類道路環境的影響差異主要體現在自行車道寬度以及機非分隔帶方面。此外，從結果中可以看出，通勤出行者更在意機非分隔帶的形式，主要原因在于通勤出行主要在早晚高峰時期，機動車道流量較大對自行車的騎行影響更大。該擬合結果對指導慢行交通規劃系統具有指導意義，比如關于老城區的道路改造，在規劃紅線范圍內，為通勤人員的主要出行路段設置機非分隔欄、適當減少非機動車道寬度和綠植面積，能在合理保留老城區現有用地結構的前提下，改善非機動車出行環境。

表5 機非分隔欄環境下自行車路徑選擇模型標定結果

4 結論與展望

本文以南京市調查數據為基礎，構建GLM模型分析騎行者對具有不同道路屬性的偏好，發現騎行者對道路的敏感度為機非分隔欄大于寬度小于3米和無綠蔭道路，相對騎行環境綠化程度和舒適性，騎行者對騎行道路的安全程度敏感度更高。

此外，在每個模型中加入道路環境與個人屬性和出行目的的交叉項，考慮性別、年齡和出行目的的影響下，居民對騎行道路環境的選擇情況。通過模型擬合結果對比分析不同個人屬性和出行目的選擇不同路徑的偏好，結果顯示：年齡對騎行環境的敏感性較高，老年群體更能接受寬度小于3米的道路，而年輕群體更能接受分隔欄較少的道路。出行目的顯著影響著騎行者對騎行環境的選擇：以購物和健身為目的的出行者對綠化道路的敏感程度非常接近，因此結合土地利用性質可以考慮住宅區、商業區和公園綠地區的道路綠化布設；通勤人員會更在意騎行環境的安全性，而對綠化舒適性敏感度較低。

本文基于鼓勵出行者選擇騎行出行的目的，研究發現了騎行目的與道路環境之間的關系，并提出可以結合起訖點的土地利用性質來規劃設計道路環境，對實際的工程應用具有良好的支撐作用。在后續的研究中，可以從自行車選擇與土地利用的關系出發，進一步研究出行吸引對自行車騎行選擇的影響。