考慮城市交換中心的居民出行方式選擇分析

羅豐，左玙璠，張文波，劉志遠*，賈若

(1.中交第二公路勘察設計研究院有限公司，湖北 武漢 430100；2. 東南大學 交通學院，江蘇 南京 211189)

城市換乘中心(city exchange center, CEC)是由雄安新區創新提出的概念，是城市交通和城際交通、個體交通與公共交通、道路交通與其他交通方式的換乘、停車中心，同時提供一定的商業餐飲休閑服務。CEC以公共交通方式接駁為建設特點，以提高公共交通出行比例及綠色交通出行比例為建設目標，是城市交通調節的重要手段。城市交換中心作為綠色城市的一種新模式，提供不僅包括單一的公共交通出行方式、非公共交通出行方式，也包括新型公共出行方式如彈性公交。同時，城市交換中心也滿足聯程組合出行需求，如常規公交與共享單車，延伸公共交通出行網絡的末梢，提高公共交通對不同距離出行的覆蓋率，提供更多樣性的差別化出行服務，以適配出行需求的多樣化。

目前還沒有針對CEC的出行方式選擇的研究，缺乏從居民組合出行選擇和新型公共交通方式角度出發的策略性研究。在一般的換乘中心與交通樞紐的研究中，鄧涵[1]引入時空感知理念，進行換乘中心系統特性與服務水平評價方法的研究；任美君[2]從乘客感知角度出發，建立換乘設施服務水平評價體系和整體服務水平評價模型；嚴少樂等[3]利用多目標決策分析方法結合熵權法，建立城市客運綜合交通樞紐綜合評價模型。但這些研究往往只針對傳統的交通樞紐或換乘中心，一般考慮兩至三種交通方式的組合建模，場景較為簡單，缺少彈性公交以及定制化出行等服務水平更高的新型公共出行方式。

在建設規劃階段，CEC內部不同交通方式之間資源分布情況直接影響其建成后對不同交通出行需求的覆蓋功能，從而影響綠色出行比例的目標完成度。對CEC內部交通資源進行合理分配的前提是能夠獲得準確的出行方式劃分比例，以及各因素對于該比例的量化影響機制。出行方式劃分比例的確定，需要綜合分析其影響因素以及該出行方式的效用。

基于此，本文考慮新型公共交通出行和既有交通方式組合出行方式，以雄安區CEC為例，探討綠色智慧出行背景下城市交換中心的出行方式比例分配原則和策略以及對于居民出行選擇的邊際影響，通過交叉巢式Logit(cross-nested logit,CNL)模型來研究出行者活動在城市交通影響范圍以內的出行模式，分析城市居民交通出行特征和運行規律，得到較為詳細準確的新型公共交通出行和既有交通方式組合出行方式的分擔率。對于科學規劃和布設CEC，優化CEC整體運營及提高使用效率具有重要意義。

1 交叉巢式Logit模型

在研究CEC內部交通方式資源分配的原則和策略時，需要獲取準確的居民出行方式劃分比例。而CEC覆蓋的交通方式不僅包括單一的出行方式，也包括兩種或多種出行方式組成的組合出行方式。在多種公共出行方式組合選擇的場景下，居民出行方式選擇分析通常建立離散選擇模型，結合調查數據進行擬合，得到各交通出行方式的出行效用函數，從而得到出行方式分擔率[4-6]。

多項Logit(multinomial logit,MNL)模型是一般Logit模型中應用最為廣泛的模型，其假定代表性效用Vin與隨機項εin相互獨立，并且隨機項εin服從獨立的耿貝爾分布，這使得MNL模型具有不相關選項間的獨立性(independence from irrelevant alternatives，IIA)的特點，即選擇項之間是獨立的，如若某一選擇項的效用值因其影響因素的變化而發生了變化，則其余選擇項所受到的影響都是一樣的。MNL模型由于IIA問題在現實生活中某些離散選擇問題上其實并不合適，包括交通出行方式選擇，例如，當小汽車出行距離增加時，小汽車出行者可能會改變出行方式，趨向于軌道交通出行，使得軌道交通出行概率增加。McFadden[7]推導出巢式Logit(nested logit,NL)模型，避免了MNL模型的IIA問題，在保持巢之間的獨立性基礎上考慮了各選擇項的相關性，每個選擇項僅歸屬于唯一一個巢，當選擇項的相似特征較多時，NL模型比MNL模型更具合理性。但是NL模型仍有其不足之處：NL模型可以拓展為二層以上的多層次結構，對于多層次結構求解較困難[8]；此外，NL模型僅能基于單一的緯度描述出行者選擇行為，當從多個緯度考慮時，NL模型會不適用。例如，NL模型僅能從居住出行鏈這一維度或者從不同出發時間這一維度考慮交通出行方式選擇，無法同時從居住出行鏈和出發時間兩個維度聯合考慮出行選擇行為。

基于廣義極值理論使所有選擇項的效用不可觀測部分服從于廣義極值的聯合分布[9]，能捕捉選擇方案間的相關性。選擇的概率采用的是封閉型，使得其能夠不需要求助于模擬就可以被估計出來，為從多個緯度描述出行者選擇行為提供了可能性。基于廣義極值理論構建的CNL模型能彌補NL模型中巢之間的獨立性。劉玲玲等[10]針對淮安市居民出行方式選擇問題，建立基于CNL的交通出行方式選擇研究模型，驗證了方法的有效性。Papola[11]在研究路徑選擇行為時依照公共路段劃分子集，使得路徑I可以與路徑J因共享前半程路段ij而從屬于子集Bij，同時又與路徑K因共享后半程路段而從屬于子集Bik。劉葉等[12]在研究公共自行車使用模式時，基于CNL模型對主要交通方式和末端交通方式之間的交叉歸屬關系進行描述，一類末端交通方式可連接不同的主要交通方式，即組合出行方式對不同的巢均有歸屬關系。CEC中包含多樣出行方式，且以公共交通為主，目的是服務所有可能的出行需求，在單一出行方式無法完成出行目的時，組合出行便需要發揮重要作用，而組合出行方案可能包含不同類型的出行方式，因此必然屬于兩個及以上的出行方式巢。因此CNL模型更適用于分析CEC設置下的既包含單一出行又包含組合出行的居民出行方式選擇場景。

在CNL模型中，下層出行方式選擇肢i被居民n選擇的概率由上層巢j被選擇的概率和在選定j的條件下選擇i的條件概率兩部分構成，其計算過程如式(1)～(3)所示。

(1)

(2)

(3)

2 影響因素分析及數據處理

2.1 影響因素確定

出行方式的效用與各類影響居民選擇出行方式的因素有關，本文考慮雄安新區CEC所包括的出行方式。因為CEC鼓勵出行者采用綠色出行方式，在此場景下，非公共出行方式僅有租賃汽車一種，所以在進行出行選擇時，公共交通出行通常具有高于非公共出行方式的出行服務水平，體現為更短的等待時間、更短的步行距離等，這也是CEC區別于其他換乘中心的重大優勢之一。總體而言，CEC包括了考慮傳統公共交通出行方式、非公共交通出行方式以及新型公共出行方式和聯程組合出行方式。結合文獻資料調研選取相關影響因素，并根據影響因素的類型進行問卷中問題的設計。經篩選總結，影響居民出行方式選擇的因素可以分為三類：

(1)居民個人屬性，包括性別、年齡、收入[13]、家庭收入[14-15]、私家車擁有量[16]；

(2)出行行為屬性[17]，本文考慮出行行為屬性為兩大類，分別是通勤和娛樂；

(3)出行方式屬性包括票價、是否有座、換乘次數、出行距離[18]、等待時間、出行時間、距乘車點的步行距離，以及到達目的地的時間準確度，即出行者預計到達時間與實際到達時間的偏差。

2.2 問卷設計及數據收集

本文將采用SP調查(stated preference survey)方法獲取出行者不同場景下的選擇行為數據。在設計SP調查時，為了考慮不同出行方式屬性對居民出行選擇影響，問題的選項中列出各出行方式的屬性，以圖1為例。

圖1 設計出行情景Fig.1 Hypothetical travel scenarios

與常規公交相比，彈性公交作為新型公交出行方式，其優勢體現在確定有座位、無需換乘、行程總時間更短，相應地，價格也會高于常規公共交通方式，但低于租賃汽車。在僅有“彈性公交”選項與其他出行方式選項的SP調查問題上，可研究彈性公交對于現存公共交通出行系統的補全機制，即彈性公交如何滿足現有公共交通出行所無法覆蓋的出行需求。在包含“彈性公交-1”與“彈性公交-2”選項的SP調查問題中，可研究居民在出行時對于彈性公交的服務水平的要求以及對價格的接受程度，以及服務水平中不同因素對于彈性公交吸引力的影響機制。彈性公交-2旨在提供更高水平的出行服務，體現在等待時間及行程時間更短、準點率更高和需步行距離更短，同時出行費用也更高。彈性公交-1旨在服務更多出行需求，即同時服務更多出行者，具體表現為需步行更長距離，等待時間與行程時間相較彈性公交-2更長，但出行費用較低。

由于公共交通系統的性質，導致其在提供個人隱私空間方面具有先天缺陷，所以在CEC所包含的出行系統中，為服務于少量私人出行需求，提供了租賃汽車服務。租賃汽車需要出行者前往汽車租賃點進行換乘，在步行距離和等待時間方面，租賃汽車較常規公交等沒有明顯優勢，但行程總時間較少，且相較于公共交通出行，提供了更私人化的出行服務。

同時，CEC所包含的出行系統包括常規公交，作為城市福利的體現，出行價格明顯低于其他出行方式，但所提供的服務水平也較低，體現在無法確定是否有座位、行程時間較長。此外，步行和共享單車也作為低碳出行方式包含在CEC出行系統中。CEC所包含的出行方式可涵蓋全方位出行需求，以公共交通為主，同時考慮多角度需求，因此在SP調查中，可以全面了解各因素對出行者出行方式選擇的影響機制。

2020年，雄安新區的首個CEL已經通過竣工驗收，未來容東片區仍將繼續建設剩余3個CEC規劃項目。因此，本次研究選擇雄安新區為案例城市，進行SP問卷調查，共回收問卷381份，有效問卷370份，合格率達97.4%，能有效地應用于后續的建模與分析。

2.3 數據預處理

根據相關研究經驗，對問卷調查收集得到的數據中不符合要求的部分，按照以下原則進行篩選與處理：

(1)對于填寫時間過短的數據，將其剔除；

(2)對于出行方式選擇始終相同的數據，將其剔除；

(3)對于個人收入、家庭收入和車輛擁有量不相符合的數據，將其剔除；

(4)對于常用交通方式、駕駛經驗、車輛擁有量不相符合的數據，將其剔除；

(5)根據SP調查問題內容及選項內容，將出行者個人屬性、出行方式屬性及出行行為屬性合并。

2.4 問卷信度效度分析

在進行問卷數據分析前，對問卷采集數據進行信度與效度分析。利用克龍巴赫α系數(Cronbachα)測量信度，信度系數為0.843，說明信度較高；對其進行效度檢驗，得到KMO(Kaiser-Meyer-Olkin) 值為0.742，大于0.7，通過Bartlett球形檢驗，意味著數據具有效度。綜上可得，基于問卷數據所得到的結論在數據上真實可靠，具有說服力。

3 CNL模型構建及結果分析

3.1 CNL模型結構確定

CEC環境下的出行方式選擇集包括單一的出行方式和組合出行方式。單一的出行方式包括常規公交，彈性公交，租賃汽車，共享單車，步行；組合出行方式包括常規公交+共享單車，常規公交+步行。從性質上看，CEC包含的出行方式可劃分為三個巢：C2={NESTA(非公共機動車出行)，NESTB(公共機動車出行)，NESTC(非機動車出行)}；下層中包含的出行方式不僅包括單一出行方式，也包括經過換乘連接的兩種出行方式組合，下層C1={Alt1(常規公交)，Alt2(彈性公交)，Alt3(彈性公交-1)，Alt4(彈性公交-2)，Alt5(租賃汽車)，Alt6(步行)，Alt7(共享單車)，Alt8(常規公交+共享單車)，Alt9(常規公交+步行)}分別代表不同出行方案。考慮城市交換中心的居民出行方式選擇CNL模型結構中的巢及出行方式選擇肢的關系如圖2所示。

圖2 考慮CEC的居民出行方式選擇CNL模型結構Fig.2 CNL modeling structure of residents′ travel mode choice considering CEC

3.2 效用函數確定

出行者在進行出行方式選擇時，通過對選擇不同出行方式可獲得的效用進行判斷，效用的大小與各種出行者考慮的因素有關，即出行方式是影響出行者進行出行方式選擇的各因素的函數，且效用函數通常表示為影響因素的線性函數，如式(4)所示。其中V表示效用函數，X表示影響因素，B表示影響因素對應的系數。

V=B×X,

(4)

在確定影響因素后，將效用函數記為上述三類影響因素的線性函數，即式(4)可以記為式(5)～(7)。

(5)

(6)

(7)

3.3 變量處理及數據擬合

對問卷中包括的出行方式影響因素中代表等級的因素，按照實地調研結果，設置閾值對其進行處理，有n個等級的因素化為n-1個啞元變量表示，以保證變量之間的線性無關性。如下式所示：

X1+X2+…+Xn=1，

(8)

其中，Xi(i=1,2,…,n)是布爾變量，Xi=1表示該變量處于等級i，反之，表示該變量不處于等級i。根據式(5)可得，X1,X2,…,Xn之間線性相關，所以通常選取其中的n-1個變量進行表示。本文以最低等級作為參考，即X2,X3,…,Xn-1表示等級因素的取值，當X2+X3+…+Xn-1=0時，說明在該因素上取參考等級，即最低等級。對于離散變量的擬合結果，其系數代表以參考等級為對照，變量處于該等級對于出行方式劃分的影響。離散變量的擬合系數只在設定的等級范圍下有效，不會無限增長，變量每次變化只能以等級為單位，且變量每變化一個等級，對出行方式劃分概率的影響程度不同。對于連續變量，進行系數擬合時不需要做特殊處理，可直接進行系數擬合。連續變量的擬合系數是常數，即該變量變化量相同時，對于出行方式劃分概率的影響是相同的，且連續變量變化可以是任意數值。對調查得到的屬性變量中啞元變量進行處理，如表1所示。

表1 個人基本屬性因素Table 1 Socioeconomic factors for individuals

表1(續)

3.4 擬合結果分析

依據極大似然估計，利用Biogeme軟件對數據進行擬合，得到各巢異質參數與分配參數估計，根據統計量檢驗方法，對擬合得到的CNL模型進行顯著性檢驗和擬合優度檢驗，結果如表2所示。

從表2中可以看出巢NESTB影響最顯著，NESTC影響其次，NESTA對于出行方式選擇幾乎無影響。說明在CEC的設定條件下，公共交通對于出行選擇的影響最為顯著。這也表明在政策及機制上給予公共交通出行方式足夠的優勢時，能夠有效吸引更多的出行需求向公共出行轉化。組合出行方式“常規公交+共享單車”及“常規公交+步行”與巢“公共機動車出行”的歸屬系數較高，可以推測組合出行受其中機動車出行部分的影響較大。說明公共機動車出行效率的提升，不僅可以提高單一公共機動車出行方式的服務水平，也可以提高組合出行方式的服務水平。這對CEC建設規劃具有實際參考意義，為持續提供以公共交通為主的高質量出行服務，CEC交通規劃人員應注重提升公共交通的服務水平，如長期保持整潔的車廂環境，提高工作人員的服務態度，設置簡潔醒目的公共交通指示標牌等。

表2 CNL模型各巢異質參數與分配參數估計結果Table 2 Parameter estimation results for heterogeneity and assignment in CNL

各出行方式效用函數中的影響顯著的變量系數擬合結果如表3所示。其中ASC指效用函數中的常數項；B_FEE指出行費用變量的系數；B_SEAT指有無座位變量對應的系數；B_TRIP_T指出行時間變量的系數；B_WAIT_T_1指等待時間為5～10 min的變量對應的系數；變量系數表示的定量解釋與該系數對應的變量類型有關，其數值代表含義遵循下式：

表3 出行方式選擇肢效用函數擬合結果Table 3 Fitting results for utility function of travel mode choices

(9)

其中x對應表3中的系數取值；對于啞元變量，p表示啞元變量處于當前類型時，選擇該出行方式的比例；p′表示該啞元變量處于參考類型時，該出行方式比例；對于連續變量，p′表示該變量每增加一個單位，該出行方式的選擇比例；p表示該變量未增加時，該出行方式的選擇比例。

從表3列出的影響顯著的因素可以看出，個人屬性對于出行方式選擇的影響均不顯著，而出行方式的屬性對出行方式所占比例影響較大，如是否有座位、等待時間等。從等待時間的影響程度來看，等待時間在5～10 min時對于出行方式選擇的影響較為顯著，而其他等待時間等級則無顯著影響，說明等待時間在超過10 min后就不是影響乘客出行方式選擇的主要顯著因素，即提高出行方式的服務水平，需要將等待時間降低到10 min以內。這說明，在CEC的運營中，需定期進行數據分析，了解出行者的出行時間分布及不同區域的出行需求差異，對交通方式進行靈活排班，在條件允許的情況下，可設置不同容量的車型，以便更合理地匹配差異化交通需求。

對比表3中出行方式屬性因素系數在不同出行方式效用中的取值可以看出，選擇組合出行方式的出行者，對于影響因素的敏感度均較低，說明選擇組合出行方式的出行者，其目的是完成出行，不太看重出行過程中的服務體驗。對于常規公交，時間因素的系數較低，費用因素的系數較高，說明選擇服務水平較低的出行方式時，出行者看重其經濟性，即更希望獲得實惠的出行。對于彈性公交、租賃汽車等服務水平較高的出行方式，時間因素的系數較高，而費用因素的系數較低，說明在選擇服務水平較高同時花費也較高的出行方式時，出行者更加注重出行的準時性。對于步行及共享單車，時間變量的系數也較低，說明選擇非機動車出行的前提是對于到達時間無嚴格要求。對比彈性公交-1與彈性公交-2的效用函數擬合結果也可以看出，彈性公交-2所服務的出行者對于時間的要求更高，而對于費用的敏感度則更低。可以得出結論，通常對于價格敏感度較低、時間敏感度較高的出行者往往會選擇服務水平更高的出行方式，而對于價格敏感度較高、時間敏感度較低的出行者則會選擇更經濟的出行方式。在CEC初步運營前，應當完成一次大規模準確的調研，了解CEC服務區域的人口分布及家庭收入水平，充分掌握不同收入等級的居民比例，以便設置不同出行方式的資源分布。在CEC的后續運營中，應根據出行規律變化的周期性、季節性，及時調整出行方式的分布比例，對不同需求類型的出行者提供匹配的出行服務。

4 結論

本文根據CEC的功能定位，考慮單一出行方式與組合出行方式作為出行選擇集，通過CNL模型描述各出行方式與非公共機動車出行、公共機動車出行、非機動車出行的交叉歸屬關系。通過出行方式確定影響因素，并根據影響因素設計問卷，對問卷數據進行處理后，得到模型擬合結果。對結果進行分析可知：

(1)提高公共交通服務水平是提高CEC交通服務水平的重要切入點，組合出行方式對于公共機動車出行的歸屬系數較大，提高公共機動車出行的服務水平，也將帶動組合出行方式的選擇比例提高。

(2)選擇服務水平較高出行方式的出行者，對于時間敏感度較高，出行費用敏感度較低；選擇服務水平較低出行方式的出行者則相反。

(3)在運營過程中，應當根據出行需求的周期性、季節性變化，采取相應措施靈活分配交通資源，將等待時間降低在10 min以內。

(4)在CEC建設前期，應當根據CEC服務區域的人口分布和家庭收入水平進行整體調研后，再進行不同服務水平的彈性公交資源配置。

本研究明確了不同因素對于出行方式比例分配的定量影響，對于科學規劃和布設CEC交通資源配置，加強CEC功能發揮具有重要意義，也為CEC建成后實施出行方式比例調整措施提供了戰略性參考。未來的研究重點可進一步聚焦到結合各類交通大數據對模型進行深化分析，以進一步提高分析結果的精度。