城市私人小汽車合乘出行影響因素研究

隋曉東

摘?要：研究城市私人小汽車合乘行為有助于采取針對性對策提高小汽車載客率，對于改善城市道路擁堵等問題具有重要意義。文章采用2021年貴陽市居民出行調查數據和建成環境數據，對城市居民私人小汽車合乘出行特征及影響因素進行了研究。基于Logit模型分別探究通勤與非通勤合乘出行的影響因素。結果表明：對城市居民通勤與非通勤出行是否合乘均有顯著作用的影響因素包括性別、家庭就業人數、小汽車保有量、出發時間、居住地道路密度等。受教育程度、家庭年收入、家庭人數、是否有6歲以下兒童、是否有自行車、出行距離、居住地人口密度、公交站密度、土地利用混合度及工作地停車場密度和土地利用混合度對通勤合乘出行具有顯著影響；年齡、出行鏈、出行目的及目的地道路密度對非通勤合乘出行具有顯著影響。

關鍵詞：城市交通；私人小汽車合乘；通勤出行；非通勤出行；Logit模型

中圖分類號：F572.88文獻標識碼：A文章編號：1005-6432（2024）02-0033-04

DOI：10.13939/j.cnki.zgsc.2024.02.009

1?引言

隨著中國城市經濟快速發展，城市小汽車保有量和使用量急劇增加，由此導致的交通堵塞、環境污染等問題也日益加劇。合乘出行是指兩人或兩人以上共同乘坐一輛小汽車出行，可以有效提高小汽車載客率，對緩解城市交通擁堵、實現城市交通可持續發展具有重要意義。因此，如何促進私人小汽車合乘出行，提高小汽車使用效率，已成為城市交通管理者和研究者重點關注的問題。

目前，國內外學者已對小汽車合乘出行進行相關的研究。高麗娜等（2017）通過調研西安市私家車合乘行為發現，經濟條件和額外增加的時間與里程是影響合乘出行的關鍵因素[1]。Neoh等（2017）發現社會經濟人口屬性、出發時間、出行距離等是影響合乘出行的重要因素[2]。Olsson等（2019）發現出行者性格類型、對個人安全和隱私的擔憂等心理因素通常會阻礙合乘出行[3]。最新研究表明，建成環境也會影響合乘出行[4]。

城市居民出行包括通勤和非通勤出行。通勤和非通勤出行在出行模式上存在顯著差異[5-6]。現有私人小汽車合乘出行研究大多針對通勤出行，對非通勤合乘出行關注較少。非通勤出行的出行目的更為多樣，時間安排和線路規劃更靈活，更適合合乘出行。因此，對比分析私人小汽車通勤和非通勤合乘出行的特征和影響機理，對促進合乘出行至關重要。本研究采用2021年貴陽市居民出行調查數據和建成環境數據，利用二項Logit模型分別建立小汽車通勤與非通勤合乘出行模型。研究成果有助于更好地理解和掌握通勤和非通勤合乘出行影響因素的差異性，從而有助于采取針對性的對策提升合乘吸引力，提高小汽車載客率。

2?數據采集

研究數據來源于2021年貴陽市居民出行調查數據。調查采用自主研發的電子化居民出行調查系統進行出行信息采集。調查內容包括家庭基本信息、個人基本信息以及出行信息。家庭基本信息包括家庭年收入、家庭規模、家庭就業人數、小汽車保有量等。個人基本信息包括性別、年齡、受教育程度等。出行信息包括出發時間、出行距離、出行目的等。選取城市區域居民以家為起點的單程出行數據，剔除信息缺失、錯誤等不合格樣本，最終獲得城市建成區域內小汽車通勤出行樣本量為6525個，小汽車非通勤出行樣本量為2392個。

建成環境數據通過地理信息系統（geographic?information?system，GIS）軟件提取，選取居住地和工作地的人口密度，公交站密度、停車場密度及土地利用混合度等主要指標，H、W、R分別代表居住地、動作地、非通勤出行目的地。在指標計算時，以居住地、通勤工作地和非通勤目的地地址為圓心，分別做800m半徑的緩沖區作為地理背景統計單元。其中：人口、公交站和停車場密度是各自在緩沖區內的數量除以緩沖區面積；路網密度是緩沖區內道路的長度除以緩沖區面積；土地利用混合度使用常用的熵指數的方法計算。

3?合乘出行的影響因素

3.1?模型構建

Logit模型廣泛應用于出行行為領域研究。本研究的因變量是否合乘為二分類變量，故采用二項Logit模型[7]。該模型可表示為：

P（yi=1|x1，x2，…，xn）=11+exp（α+∑ni=1βixi）（1）

式（1）中：P為合乘出行的條件概率；yi為因變量；xi為自變量；α為回歸截距；βi為自變量xi所對應的回歸系數。

合乘出行的發生概率P與非合乘出行的發生概率（1－P）之比稱為發生比。將該發生比取自然對數，可得到線性函數：

lnP1－P=α+∑ni=1βixi（2）

筆者采用極大似然法對模型的參數進行估計，似然函數為：

lnL（β，xi）=∑ni=1{yi（α+βixi）－ln［1+exp（α+βixi）］}（3）

在選擇自變量時，根據以往研究結論和已獲取的數據，主要考慮出行者的個人屬性、家庭屬性、出行屬性以及建成環境屬性。為了避免自變量之間存在多重共線性，使用方差膨脹因子（variance?inflation?factor，?VIF）進行共線性檢驗。結果顯示，所選取變量的方差膨脹因子均小于5，變量間不存在多重共線性問題。各類變量的定義和賦值如表1所示。

3.2?模型結果

文章分別建立了通勤與非通勤合乘出行二項Logit模型，并利用SPSS?25軟件對模型進行檢驗和參數估計，Hosmer-Lemeshow（H-L）檢驗結果顯示P值均大于0.05，說明模型擬合效果較好。結果如表2和表3所示。

在個人屬性方面，對通勤合乘出行有顯著影響的因素包括性別和受教育程度，對非通勤合乘出行有顯著影響的因素包括性別和年齡。與男性相比，女性通勤和非通勤合乘出行的可能性均更大，發生比率（odds?ratio，OR）分別為1.812和1.467，這可能是由于男性在小汽車使用上擁有更大的優先支配權。與高中及以下學歷的出行者相比，大專及以上學歷的出行者通勤合乘出行的可能性更小，OR值為0.692，這與通勤者的收入有關。年齡與非通勤合乘出行呈正相關，隨著年齡的增長，出行者在非通勤出行時更傾向于合乘。

在家庭屬性方面，對通勤合乘出行有顯著影響的因素包括家庭年收入、家庭人數、家庭就業人數、是否有6歲以下兒童、是否有自行車和小汽車保有量，對非通勤合乘出行有顯著影響的因素包括家庭就業人數和小汽車保有量。與家庭就業人數為1人的出行者相比，家庭就業人數為2人及以上的出行者通勤合乘出行的可能性更大，非通勤合乘出行的可能性更小，OR值分別為2.498和0.786。小汽車保有量越多的居民通勤合乘出行的可能性越小，非通勤合乘出行的可能性越大。與家庭年收入低于10萬元的出行者相比，家庭年收入高于10萬元的出行者通勤合乘出行的可能性更大，OR值為1.148。與家庭人數3人及以下的出行者相比，家庭人數3人以上的出行者通勤合乘出行的可能性更大，OR值為1.195，這可能是由于家庭人數越多，通勤者小汽車支配權越低，從而導致通勤合乘意愿增加。與沒有6歲以下兒童相比，有6歲以下兒童的出行者通勤合乘出行的可能性更小，OR值為0.885。與沒有自行車的出行者相比，有自行車的出行者通勤合乘出行的可能性更小，OR值為0.744，這是由于擁有自行車的居民通勤出行時選擇自行車的可能性增加。

在出行屬性方面，對通勤合乘出行有顯著影響的因素包括出發時間和出行距離，對非通勤合乘出行有顯著影響的因素包括出發時間、出行鏈和出行目的。與非高峰時段相比，高峰時段出行的居民通勤合乘出行的可能性更小，非通勤合乘出行的可能性更大，OR值分別為0.804和1.827。出行距離越短的居民通勤合乘出行的可能性越大，Chen等（2019）在探索通勤合乘出行和公共交通的競爭機制中發現，在公共交通較發達的地區，短距離通勤者更可能選擇合乘出行[8]。與簡單鏈相比，出行鏈為復雜鏈的居民非通勤合乘出行的可能性更大，OR值為1.672。與出行目的為購物餐飲的出行者相比，出行目的為休閑娛樂和其他的出行者合乘出行的可能性更大，OR值分別為1.338和1.963。

在建成環境方面，對通勤合乘出行有顯著影響的因素包括居住地人口密度、道路密度、公交站密度、土地利用混合度及工作地停車場密度和土地利用混合度，對非通勤合乘出行有顯著影響的因素包括居住地道路密度和目的地道路密度。居住地路網密度與通勤和非通勤合乘出行均呈正相關，而目的地路網密度與非通勤合乘出行呈負相關。居住地人口密度與通勤合乘出行呈正相關，可能的原因是在人口密度較高的地區，居民低碳環保意識更強，通勤出行時更可能選擇合乘或公共交通[9]。居住地公交站密度、工作地停車場密度、居住地土地利用混合度、工作地土地利用混合度與通勤合乘出行均呈負相關，可能的原因是建成環境的改變促使通勤者選擇其他更方便的出行方式替換合乘出行。

4?結論

基于貴陽市居民出行調查數據，對城市居民合乘出行行為進行研究，得到以下結論：一是統計結果表明，非通勤合乘出行比例明顯高于通勤時合乘出行比例，不同群體的通勤和非通勤合乘出行比例具有顯著的群體性差異；二是通勤出行模型表明，性別、受教育程度、家庭年收入、家庭人數、家庭就業人數、是否有6歲以下兒童、是否有自行車、小汽車保有量、出發時間、出行距離、居住地人口密度、道路密度、公交站密度、土地利用混合度及工作地停車場密度和土地利用混合度對通勤合乘出行有顯著影響；三是非通勤出行模型表明，性別、年齡、家庭就業人數、小汽車保有量、出發時間、出行鏈、出行目的、居住地道路密度及目的地道路密度對非通勤合乘出行有顯著影響。

參考文獻：

[1]高麗娜，馬麗娟，侯茂生.西安市私家車合乘現狀調查與分析——以西安市雁塔區為例[J].交通信息與安全，2017，35（2）：?115-120.

[2]NEOH?J?G，?CHIPULU?M，?MARSHALL?A.What?encourages?people?to?carpool？?an?evaluation?of?factors?with?meta-analysis[J].Transportation，?2017（44）：423-447.

[3]OLSSON?L?E，MAIER?R，FRIMAN?M.Why?do?they?ride?with?others？?meta-analysis?of?factors?influencing?travelers?to?carpool[J].Sustainability，2019（11）：2414.

[4]TU?M，LI?W，ORFILA?O，et?al.Exploring?nonlinear?effects?of?the?built?environment?on?ridesplitting：evidence?from?Chengdu[J].Transportation?research?part?D：transport?and?environment，?2021（93）：102776.

[5]楊超，?陳明垟，?袁泉，?等.?上海市新城通勤人群出行特征分析[J].城市交通，?2022，?20（2）：?99-110.

[6]LIU?C，?SUSILO?Y?O，?KARLSTRM?A.Investigating?the?impacts?of?weather?variability?on?individual’s?daily?activity-travel?patterns：a?comparison?between?commuters?and?non-commuters?in?Sweden[J].Transportation?research part?A：policy?and?practice，?2015（82）：47-64.

[7]王濟川，郭志剛.Logistic回歸模型：方法與應用[M].北京：?高等教育出版社，2001.

[8]CHEN?Z，?LIU?X?C，?WEI?R.?Agent-based?approach?to?analyzing?the?effects?of?dynamic?ridesharing?in?a?multimodal?network[J].Computers，environment?and?urban?systems，?2019（74）：126-135.

[9]VALKILA?N，SAARI?A.Attitude-behavior?gap?in?energy?issues：?case?study?of?three?different?Finnish?residental?areas[J].Energy?for?sustainable?development，2013（17）：24-34.