考虑城市交换中心的居民出行方式选择分析

罗丰，左玙璠，张文波，刘志远*，贾若

(1.中交第二公路勘察设计研究院有限公司，湖北 武汉 430100；2. 东南大学 交通学院，江苏 南京 211189)

城市换乘中心(city exchange center, CEC)是由雄安新区创新提出的概念，是城市交通和城际交通、个体交通与公共交通、道路交通与其他交通方式的换乘、停车中心，同时提供一定的商业餐饮休闲服务。CEC以公共交通方式接驳为建设特点，以提高公共交通出行比例及绿色交通出行比例为建设目标，是城市交通调节的重要手段。城市交换中心作为绿色城市的一种新模式，提供不仅包括单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弹性公交。同时，城市交换中心也满足联程组合出行需求，如常规公交与共享单车，延伸公共交通出行网络的末梢，提高公共交通对不同距离出行的覆盖率，提供更多样性的差别化出行服务，以适配出行需求的多样化。

目前还没有针对CEC的出行方式选择的研究，缺乏从居民组合出行选择和新型公共交通方式角度出发的策略性研究。在一般的换乘中心与交通枢纽的研究中，邓涵[1]引入时空感知理念，进行换乘中心系统特性与服务水平评价方法的研究；任美君[2]从乘客感知角度出发，建立换乘设施服务水平评价体系和整体服务水平评价模型；严少乐等[3]利用多目标决策分析方法结合熵权法，建立城市客运综合交通枢纽综合评价模型。但这些研究往往只针对传统的交通枢纽或换乘中心，一般考虑两至三种交通方式的组合建模，场景较为简单，缺少弹性公交以及定制化出行等服务水平更高的新型公共出行方式。

在建设规划阶段，CEC内部不同交通方式之间资源分布情况直接影响其建成后对不同交通出行需求的覆盖功能，从而影响绿色出行比例的目标完成度。对CEC内部交通资源进行合理分配的前提是能够获得准确的出行方式划分比例，以及各因素对于该比例的量化影响机制。出行方式划分比例的确定，需要综合分析其影响因素以及该出行方式的效用。

基于此，本文考虑新型公共交通出行和既有交通方式组合出行方式，以雄安区CEC为例，探讨绿色智慧出行背景下城市交换中心的出行方式比例分配原则和策略以及对于居民出行选择的边际影响，通过交叉巢式Logit(cross-nested logit,CNL)模型来研究出行者活动在城市交通影响范围以内的出行模式，分析城市居民交通出行特征和运行规律，得到较为详细准确的新型公共交通出行和既有交通方式组合出行方式的分担率。对于科学规划和布设CEC，优化CEC整体运营及提高使用效率具有重要意义。

1 交叉巢式Logit模型

在研究CEC内部交通方式资源分配的原则和策略时，需要获取准确的居民出行方式划分比例。而CEC覆盖的交通方式不仅包括单一的出行方式，也包括两种或多种出行方式组成的组合出行方式。在多种公共出行方式组合选择的场景下，居民出行方式选择分析通常建立离散选择模型，结合调查数据进行拟合，得到各交通出行方式的出行效用函数，从而得到出行方式分担率[4-6]。

多项Logit(multinomial logit,MNL)模型是一般Logit模型中应用最为广泛的模型，其假定代表性效用Vin与随机项εin相互独立，并且随机项εin服从独立的耿贝尔分布，这使得MNL模型具有不相关选项间的独立性(independence from irrelevant alternatives，IIA)的特点，即选择项之间是独立的，如若某一选择项的效用值因其影响因素的变化而发生了变化，则其余选择项所受到的影响都是一样的。MNL模型由于IIA问题在现实生活中某些离散选择问题上其实并不合适，包括交通出行方式选择，例如，当小汽车出行距离增加时，小汽车出行者可能会改变出行方式，趋向于轨道交通出行，使得轨道交通出行概率增加。McFadden[7]推导出巢式Logit(nested logit,NL)模型，避免了MNL模型的IIA问题，在保持巢之间的独立性基础上考虑了各选择项的相关性，每个选择项仅归属于唯一一个巢，当选择项的相似特征较多时，NL模型比MNL模型更具合理性。但是NL模型仍有其不足之处：NL模型可以拓展为二层以上的多层次结构，对于多层次结构求解较困难[8]；此外，NL模型仅能基于单一的纬度描述出行者选择行为，当从多个纬度考虑时，NL模型会不适用。例如，NL模型仅能从居住出行链这一维度或者从不同出发时间这一维度考虑交通出行方式选择，无法同时从居住出行链和出发时间两个维度联合考虑出行选择行为。

基于广义极值理论使所有选择项的效用不可观测部分服从于广义极值的联合分布[9]，能捕捉选择方案间的相关性。选择的概率采用的是封闭型，使得其能够不需要求助于模拟就可以被估计出来，为从多个纬度描述出行者选择行为提供了可能性。基于广义极值理论构建的CNL模型能弥补NL模型中巢之间的独立性。刘玲玲等[10]针对淮安市居民出行方式选择问题，建立基于CNL的交通出行方式选择研究模型，验证了方法的有效性。Papola[11]在研究路径选择行为时依照公共路段划分子集，使得路径I可以与路径J因共享前半程路段ij而从属于子集Bij，同时又与路径K因共享后半程路段而从属于子集Bik。刘叶等[12]在研究公共自行车使用模式时，基于CNL模型对主要交通方式和末端交通方式之间的交叉归属关系进行描述，一类末端交通方式可连接不同的主要交通方式，即组合出行方式对不同的巢均有归属关系。CEC中包含多样出行方式，且以公共交通为主，目的是服务所有可能的出行需求，在单一出行方式无法完成出行目的时，组合出行便需要发挥重要作用，而组合出行方案可能包含不同类型的出行方式，因此必然属于两个及以上的出行方式巢。因此CNL模型更适用于分析CEC设置下的既包含单一出行又包含组合出行的居民出行方式选择场景。

在CNL模型中，下层出行方式选择肢i被居民n选择的概率由上层巢j被选择的概率和在选定j的条件下选择i的条件概率两部分构成，其计算过程如式(1)～(3)所示。

(1)

(2)

(3)

2 影响因素分析及数据处理

2.1 影响因素确定

出行方式的效用与各类影响居民选择出行方式的因素有关，本文考虑雄安新区CEC所包括的出行方式。因为CEC鼓励出行者采用绿色出行方式，在此场景下，非公共出行方式仅有租赁汽车一种，所以在进行出行选择时，公共交通出行通常具有高于非公共出行方式的出行服务水平，体现为更短的等待时间、更短的步行距离等，这也是CEC区别于其他换乘中心的重大优势之一。总体而言，CEC包括了考虑传统公共交通出行方式、非公共交通出行方式以及新型公共出行方式和联程组合出行方式。结合文献资料调研选取相关影响因素，并根据影响因素的类型进行问卷中问题的设计。经筛选总结，影响居民出行方式选择的因素可以分为三类：

(1)居民个人属性，包括性别、年龄、收入[13]、家庭收入[14-15]、私家车拥有量[16]；

(2)出行行为属性[17]，本文考虑出行行为属性为两大类，分别是通勤和娱乐；

(3)出行方式属性包括票价、是否有座、换乘次数、出行距离[18]、等待时间、出行时间、距乘车点的步行距离，以及到达目的地的时间准确度，即出行者预计到达时间与实际到达时间的偏差。

2.2 问卷设计及数据收集

本文将采用SP调查(stated preference survey)方法获取出行者不同场景下的选择行为数据。在设计SP调查时，为了考虑不同出行方式属性对居民出行选择影响，问题的选项中列出各出行方式的属性，以图1为例。

图1 设计出行情景Fig.1 Hypothetical travel scenarios

与常规公交相比，弹性公交作为新型公交出行方式，其优势体现在确定有座位、无需换乘、行程总时间更短，相应地，价格也会高于常规公共交通方式，但低于租赁汽车。在仅有“弹性公交”选项与其他出行方式选项的SP调查问题上，可研究弹性公交对于现存公共交通出行系统的补全机制，即弹性公交如何满足现有公共交通出行所无法覆盖的出行需求。在包含“弹性公交-1”与“弹性公交-2”选项的SP调查问题中，可研究居民在出行时对于弹性公交的服务水平的要求以及对价格的接受程度，以及服务水平中不同因素对于弹性公交吸引力的影响机制。弹性公交-2旨在提供更高水平的出行服务，体现在等待时间及行程时间更短、准点率更高和需步行距离更短，同时出行费用也更高。弹性公交-1旨在服务更多出行需求，即同时服务更多出行者，具体表现为需步行更长距离，等待时间与行程时间相较弹性公交-2更长，但出行费用较低。

由于公共交通系统的性质，导致其在提供个人隐私空间方面具有先天缺陷，所以在CEC所包含的出行系统中，为服务于少量私人出行需求，提供了租赁汽车服务。租赁汽车需要出行者前往汽车租赁点进行换乘，在步行距离和等待时间方面，租赁汽车较常规公交等没有明显优势，但行程总时间较少，且相较于公共交通出行，提供了更私人化的出行服务。

同时，CEC所包含的出行系统包括常规公交，作为城市福利的体现，出行价格明显低于其他出行方式，但所提供的服务水平也较低，体现在无法确定是否有座位、行程时间较长。此外，步行和共享单车也作为低碳出行方式包含在CEC出行系统中。CEC所包含的出行方式可涵盖全方位出行需求，以公共交通为主，同时考虑多角度需求，因此在SP调查中，可以全面了解各因素对出行者出行方式选择的影响机制。

2020年，雄安新区的首个CEL已经通过竣工验收，未来容东片区仍将继续建设剩余3个CEC规划项目。因此，本次研究选择雄安新区为案例城市，进行SP问卷调查，共回收问卷381份，有效问卷370份，合格率达97.4%，能有效地应用于后续的建模与分析。

2.3 数据预处理

根据相关研究经验，对问卷调查收集得到的数据中不符合要求的部分，按照以下原则进行筛选与处理：

(1)对于填写时间过短的数据，将其剔除；

(2)对于出行方式选择始终相同的数据，将其剔除；

(3)对于个人收入、家庭收入和车辆拥有量不相符合的数据，将其剔除；

(4)对于常用交通方式、驾驶经验、车辆拥有量不相符合的数据，将其剔除；

(5)根据SP调查问题内容及选项内容，将出行者个人属性、出行方式属性及出行行为属性合并。

2.4 问卷信度效度分析

在进行问卷数据分析前，对问卷采集数据进行信度与效度分析。利用克龙巴赫α系数(Cronbachα)测量信度，信度系数为0.843，说明信度较高；对其进行效度检验，得到KMO(Kaiser-Meyer-Olkin) 值为0.742，大于0.7，通过Bartlett球形检验，意味着数据具有效度。综上可得，基于问卷数据所得到的结论在数据上真实可靠，具有说服力。

3 CNL模型构建及结果分析

3.1 CNL模型结构确定

CEC环境下的出行方式选择集包括单一的出行方式和组合出行方式。单一的出行方式包括常规公交，弹性公交，租赁汽车，共享单车，步行；组合出行方式包括常规公交+共享单车，常规公交+步行。从性质上看，CEC包含的出行方式可划分为三个巢：C2={NESTA(非公共机动车出行)，NESTB(公共机动车出行)，NESTC(非机动车出行)}；下层中包含的出行方式不仅包括单一出行方式，也包括经过换乘连接的两种出行方式组合，下层C1={Alt1(常规公交)，Alt2(弹性公交)，Alt3(弹性公交-1)，Alt4(弹性公交-2)，Alt5(租赁汽车)，Alt6(步行)，Alt7(共享单车)，Alt8(常规公交+共享单车)，Alt9(常规公交+步行)}分别代表不同出行方案。考虑城市交换中心的居民出行方式选择CNL模型结构中的巢及出行方式选择肢的关系如图2所示。

图2 考虑CEC的居民出行方式选择CNL模型结构Fig.2 CNL modeling structure of residents′ travel mode choice considering CEC

3.2 效用函数确定

出行者在进行出行方式选择时，通过对选择不同出行方式可获得的效用进行判断，效用的大小与各种出行者考虑的因素有关，即出行方式是影响出行者进行出行方式选择的各因素的函数，且效用函数通常表示为影响因素的线性函数，如式(4)所示。其中V表示效用函数，X表示影响因素，B表示影响因素对应的系数。

V=B×X,

(4)

在确定影响因素后，将效用函数记为上述三类影响因素的线性函数，即式(4)可以记为式(5)～(7)。

(5)

(6)

(7)

3.3 变量处理及数据拟合

对问卷中包括的出行方式影响因素中代表等级的因素，按照实地调研结果，设置阈值对其进行处理，有n个等级的因素化为n-1个哑元变量表示，以保证变量之间的线性无关性。如下式所示：

X1+X2+…+Xn=1，

(8)

其中，Xi(i=1,2,…,n)是布尔变量，Xi=1表示该变量处于等级i，反之，表示该变量不处于等级i。根据式(5)可得，X1,X2,…,Xn之间线性相关，所以通常选取其中的n-1个变量进行表示。本文以最低等级作为参考，即X2,X3,…,Xn-1表示等级因素的取值，当X2+X3+…+Xn-1=0时，说明在该因素上取参考等级，即最低等级。对于离散变量的拟合结果，其系数代表以参考等级为对照，变量处于该等级对于出行方式划分的影响。离散变量的拟合系数只在设定的等级范围下有效，不会无限增长，变量每次变化只能以等级为单位，且变量每变化一个等级，对出行方式划分概率的影响程度不同。对于连续变量，进行系数拟合时不需要做特殊处理，可直接进行系数拟合。连续变量的拟合系数是常数，即该变量变化量相同时，对于出行方式划分概率的影响是相同的，且连续变量变化可以是任意数值。对调查得到的属性变量中哑元变量进行处理，如表1所示。

表1 个人基本属性因素Table 1 Socioeconomic factors for individuals

表1(续)

3.4 拟合结果分析

依据极大似然估计，利用Biogeme软件对数据进行拟合，得到各巢异质参数与分配参数估计，根据统计量检验方法，对拟合得到的CNL模型进行显著性检验和拟合优度检验，结果如表2所示。

从表2中可以看出巢NESTB影响最显著，NESTC影响其次，NESTA对于出行方式选择几乎无影响。说明在CEC的设定条件下，公共交通对于出行选择的影响最为显著。这也表明在政策及机制上给予公共交通出行方式足够的优势时，能够有效吸引更多的出行需求向公共出行转化。组合出行方式“常规公交+共享单车”及“常规公交+步行”与巢“公共机动车出行”的归属系数较高，可以推测组合出行受其中机动车出行部分的影响较大。说明公共机动车出行效率的提升，不仅可以提高单一公共机动车出行方式的服务水平，也可以提高组合出行方式的服务水平。这对CEC建设规划具有实际参考意义，为持续提供以公共交通为主的高质量出行服务，CEC交通规划人员应注重提升公共交通的服务水平，如长期保持整洁的车厢环境，提高工作人员的服务态度，设置简洁醒目的公共交通指示标牌等。

表2 CNL模型各巢异质参数与分配参数估计结果Table 2 Parameter estimation results for heterogeneity and assignment in CNL

各出行方式效用函数中的影响显著的变量系数拟合结果如表3所示。其中ASC指效用函数中的常数项；B_FEE指出行费用变量的系数；B_SEAT指有无座位变量对应的系数；B_TRIP_T指出行时间变量的系数；B_WAIT_T_1指等待时间为5～10 min的变量对应的系数；变量系数表示的定量解释与该系数对应的变量类型有关，其数值代表含义遵循下式：

表3 出行方式选择肢效用函数拟合结果Table 3 Fitting results for utility function of travel mode choices

(9)

其中x对应表3中的系数取值；对于哑元变量，p表示哑元变量处于当前类型时，选择该出行方式的比例；p′表示该哑元变量处于参考类型时，该出行方式比例；对于连续变量，p′表示该变量每增加一个单位，该出行方式的选择比例；p表示该变量未增加时，该出行方式的选择比例。

从表3列出的影响显著的因素可以看出，个人属性对于出行方式选择的影响均不显著，而出行方式的属性对出行方式所占比例影响较大，如是否有座位、等待时间等。从等待时间的影响程度来看，等待时间在5～10 min时对于出行方式选择的影响较为显著，而其他等待时间等级则无显著影响，说明等待时间在超过10 min后就不是影响乘客出行方式选择的主要显著因素，即提高出行方式的服务水平，需要将等待时间降低到10 min以内。这说明，在CEC的运营中，需定期进行数据分析，了解出行者的出行时间分布及不同区域的出行需求差异，对交通方式进行灵活排班，在条件允许的情况下，可设置不同容量的车型，以便更合理地匹配差异化交通需求。

对比表3中出行方式属性因素系数在不同出行方式效用中的取值可以看出，选择组合出行方式的出行者，对于影响因素的敏感度均较低，说明选择组合出行方式的出行者，其目的是完成出行，不太看重出行过程中的服务体验。对于常规公交，时间因素的系数较低，费用因素的系数较高，说明选择服务水平较低的出行方式时，出行者看重其经济性，即更希望获得实惠的出行。对于弹性公交、租赁汽车等服务水平较高的出行方式，时间因素的系数较高，而费用因素的系数较低，说明在选择服务水平较高同时花费也较高的出行方式时，出行者更加注重出行的准时性。对于步行及共享单车，时间变量的系数也较低，说明选择非机动车出行的前提是对于到达时间无严格要求。对比弹性公交-1与弹性公交-2的效用函数拟合结果也可以看出，弹性公交-2所服务的出行者对于时间的要求更高，而对于费用的敏感度则更低。可以得出结论，通常对于价格敏感度较低、时间敏感度较高的出行者往往会选择服务水平更高的出行方式，而对于价格敏感度较高、时间敏感度较低的出行者则会选择更经济的出行方式。在CEC初步运营前，应当完成一次大规模准确的调研，了解CEC服务区域的人口分布及家庭收入水平，充分掌握不同收入等级的居民比例，以便设置不同出行方式的资源分布。在CEC的后续运营中，应根据出行规律变化的周期性、季节性，及时调整出行方式的分布比例，对不同需求类型的出行者提供匹配的出行服务。

4 结论

本文根据CEC的功能定位，考虑单一出行方式与组合出行方式作为出行选择集，通过CNL模型描述各出行方式与非公共机动车出行、公共机动车出行、非机动车出行的交叉归属关系。通过出行方式确定影响因素，并根据影响因素设计问卷，对问卷数据进行处理后，得到模型拟合结果。对结果进行分析可知：

(1)提高公共交通服务水平是提高CEC交通服务水平的重要切入点，组合出行方式对于公共机动车出行的归属系数较大，提高公共机动车出行的服务水平，也将带动组合出行方式的选择比例提高。

(2)选择服务水平较高出行方式的出行者，对于时间敏感度较高，出行费用敏感度较低；选择服务水平较低出行方式的出行者则相反。

(3)在运营过程中，应当根据出行需求的周期性、季节性变化，采取相应措施灵活分配交通资源，将等待时间降低在10 min以内。

(4)在CEC建设前期，应当根据CEC服务区域的人口分布和家庭收入水平进行整体调研后，再进行不同服务水平的弹性公交资源配置。

本研究明确了不同因素对于出行方式比例分配的定量影响，对于科学规划和布设CEC交通资源配置，加强CEC功能发挥具有重要意义，也为CEC建成后实施出行方式比例调整措施提供了战略性参考。未来的研究重点可进一步聚焦到结合各类交通大数据对模型进行深化分析，以进一步提高分析结果的精度。