基于出行链联合选择模型的通勤方式选择研究

王玲玲

WANG Ling-ling

（重庆公共运输职业学院 运输贸易系，重庆 402247）

(Department of Transportation and Trade, Chongqing Vocational College of Public Transportation, Chongqing 402247, China)

0 引言

随着城市规模的扩大，在上下班高峰期从家庭居住地到办公地的通勤客流逐渐增长。通勤客流通常发生在交通量最大的高峰时段，乘客选择以公共交通 (市郊铁路、地铁、轻轨、公交车等) 或个体交通方式 (私家车、自行车等) 到达目的地。乘客在不同交通方式之间的选择行为具有一定规律，客观反映了各类交通方式可能承担的客流量，对于不同交通方式运营方案制定、路网规划等具有重要的参考价值。在出行方式选择研究方面，陈章明等[1]通过分析个体旅客出行决策过程，确定各类因素影响因子，研究建立铁路旅客出行行为模型；王正彬等[2]根据客流预测结果以全部旅客广义费用最小为目标，构建了客流分配优化模型；张博等[3]引入非集计理论的 Logit 模型，协调优化高速列车开行收益和乘客乘车满意度。这些研究将不同出行方式和非工作活动过程分别加以考虑，而对出行方式和出行链模式选择间的相互影响考虑不足。目前，不同交通运输方式间的出行选择组合日趋复杂，同时出行者对不同出行方式在服务时间、服务质量等方面的要求也日益提高[4-6]。

出行链是指人们为了完成一项或者多项活动而在时间上排序的出行目的所组成的往返行程[4-5]。出行链的含义包含了丰富的通勤方式、通勤时间和不同事件间的活动信息，是出行决策机制作用的产物，也是预测出行需求及运输方式管理的重要观测对象。为理解通勤出行中乘客的通勤行为，构建基于出行链联合选择模型，为市域通勤交通系统管理提供借鉴。

1 基于出行链联合选择模型的构建

影响人们通勤行为选择的因素通常可以被归结为通勤者属性、通勤属性和交通工具属性 3 个方面。在通勤过程中，通勤者包括购物、餐饮等非工作活动在内的出行过程构成一个完整的通勤出行链。随着城市规模的扩大，通勤出行在时间和空间上的距离不断增加，由此带来通勤全程时间的增长及交通工具组合多样化。在这种条件下，适当的非工作活动是缓解上班族高节奏工作的一种减压方式。上述变化使得出行链对通勤行为的选择影响加剧，强化了通勤出行方式与出行链间的相互作用。

在研究过程中，考虑通勤方式选择对出行链的影响时，基于广义极值理论的交叉巢式 Logit 模型(CNL)，将通勤方式选择和出行链模式纳入同一模型，构建考虑通勤者的经济社会属性、居住地及工作地区位、工作活动属性影响的联合选择模型，充分考虑出行链中各环节对乘客选择的影响。

交叉巢式 Logit 模型 (NL) 是分析乘客在多种通勤方式条件下通勤行为选择的常用模型，具有分层选择结构。由于 NL 模型要求所研究问题需要分层进行预先设定，并且选择关系只存在于同一层的不同方案之间，于是对于一个 C 维度的选择组合问题，NL 模型只能描述其中 C-1 个维度间的相互选择影响[7]。而 CNL 模型是分析上述联合选择行为的另一种模型，既保留了解析形式的选择概率表述，又能够刻画多维条件下不同维度间选择行为间的相互依赖和制约[8]。广义极值模型假设决策者 n 面临一个选择集 An，包含 I 个方案，其中方案 i 的选择效用表示为 Uni(i = 1，2，…，I)，而上述效用可以表示为确定项 Vni和随机项 εni之和。假设所有方案中的随机项 εn〈εn1，εn2，…，εnI〉 的联合分布为

式中：F (x) 为随机项联合分布函数；yni(1≤i≤I) 为Uni对应调查问卷的选择值；G (x) 为生成函数；k 为选择方案的分层数；Bk为所有隶属于分层k 的选择集合；αik为决定方案 i 隶属于不同层级的分配参数，表示其相对隶属度，0≤αik≤1，∀i，∀k，且kαik= 1，∀i；μk(0≤μk≤1) 为异质性参数，决定 k 层中不同方案间的相关程度，遵循取值大者方案选择相关性越小的准则[8]。

于是第 n 位决策者在 CNL 模型中选择概率 Pi即可表示为

式中：Pi|k为方案 i 在第 k 层中的选择概率；Pk为所选择方案位于第 k 层的概率。

2 基于出行链联合选择模型的通勤选择

2.1 乘客通勤链结构分析

通勤出行链图如图1 所示。根据图1，将通勤人员一天内的时间划分为 5 个时段。其中通勤出行链可以定义为从上班自家中离开时起，至下班回家时止的出行及相关附属行为连接，其主要目的是工作及相关活动，也可包含非工作时间。图1 中所示的通勤出行链涉及上班通勤 (HW)、在单位 (DW) 及下班通勤 (WH) 3 个时间段，其中夹杂着不定时段的非工作活动，从而构成一条完整的复杂通勤出行链。

在分析通勤方式选择时，假设所有选择在公共出行方式间产生，即通勤方式包括：步行/自行车出行 (m1)、轨道交通出行 (m2) 及公共汽车出行 (m3)3 类，出行链模式分为简单 (t1)和复杂 (t2) 2 类。同时考虑通勤方式和出行链的多维度关联性，定义联合选择模型的出行方式备选子集 M ={m1，m2，m3}，出行链模式选择子集 T ={t1，t2}。根据排列组合计算得到组合选择模型的备选方案数量为N = 3×2 = 6。其中每种选择方案由一个出行方案选择肢和一个出行链模式选择肢组成，其中组合方案中未被选择的方案选择参数为 0，被选择的组合方案中 2 个选择参数均设为 1/2 以简化数据处理。将选择方案固有常数设为 0，其他选择方案固有常数作为模型参数，从而得到 6 个备选方案的固有常数[8]。

2.2 数据分析

根据 2015 年北京居民出行调查数据，筛选其中的 8 760 个家庭中的 10 823 位通勤者作为数据来源进行模型的验证。其中 DW 时段中的通勤者出行目的中 75% 为回家就餐，20% 为单位附近的就餐，步行和自行车出行的通勤方式占到全部比例的约95%。由于上述时段不属于高峰时段，并且出行距离短、目的单一，因而可以将其定义为简单出行链。与此相应，HW 及 WH 时段出行距离长、选择多样，因而将其定义为复杂出行链。

2.3 结果计算

根据调查问卷结果筛选模型变量如表1 所示。其中 HI 变量描述通勤方式和出行链模式的选择偏好；SI 变量描述不同区域的非工作活动吸引力及交通服务水平差异；WI 属性则描述选择通勤方式和出行链选择。

根据 X1-X6，Y1-Y2，Z1-Z2，D1-D2的均值及方差可知，调查问卷的数据样本可靠[8]。以上述数据作为 yni值，带入模型中调用 R 语言，根据 CNL 模型进行参数标定，CNL 模型参数标定结果如表2 所示。模型的异质性参数分别为 λ1= 0.13(2.00)，λ2= 0.74(2.09)，λ3= 0.19(3.78)，π1= 0.25(4.31)，π2= 0.43(2.18)。

3 结果分析

图1 通勤出行链图Fig.1 Commute trip chain

根据模型的参数标定结果，可以得到样本中的通勤者出行行为选择特征如下。

（1）通勤方式选择与出行距离及旅行时间可控性有关。样本中主体的通勤出行方式为非机动车，同时在上下班途中无非工作活动安排；当通勤者需要在上下班途中参与非工作活动时，通常不会选择公交方式出行而是选择轨道交通方式。造成这种现象的原因是非机动车出行速率通常较慢，并且适用于通勤路途较短的情况，在这种情况下，在短距离通勤路线上增加其他活动的可能性较低；当需要在通勤途中参加其他非工作活动时，由于公交方式受地面交通流影响较大，旅行时间不可控性较轨道交通方式强，通勤者会优先选择旅行时间可控性较强的交通方式。

（2）家庭结构会影响通勤方式及出行链组合模式的选择。当通勤者家中有上小学的儿童时，通勤者在旅途中会倾向接送孩子，增加了出行链的复杂程度；当家庭中有无需工作的成年人时，减少了对工作通勤者在途中中非工作出行的需求，由此降低了出行链的复杂程度。同时，随着通勤者家庭收入的增加，通勤者在日常生活中的娱乐活动需求及消费量也随之上升，通勤者在工作地点和家庭之间交易参与部分娱乐及消费活动，从而增加出行链复杂程度。这说明通勤链出行的复杂度受到家庭结构的直接影响。

（3）通勤行为受年龄段影响。不同年龄段的通勤者通勤行为存在显著差异，其中中年通勤者更多选择轨道交通方式出行，而且通勤途中的非工作活动参加频率也较高。

表1 模型变量Tab.1 Model variables

表2 CNL 模型参数标定结果Tab.2 Calibration results of CNL model parameters

（4）工作单位与家之间的空间距离对通勤行为选择有重要影响。对于家在郊区而工作单位在市区的通勤者而言，在选择出行方式时更多地选择轨道交通及公交方式，在上下班的路途中更倾向于兼顾部分非工作活动。对于家庭和工作单位均在市区的通勤者，由于通勤距离较短，采用步行出行的比例更高，同时由于市区各项配套设施完善，通勤者在有非工作出行需求时更倾向于将这部分出行与通勤出行分离选择。因此，其出行链的独立性更高、复杂性更低。

（5）模型各层间异质度参数较低。从模型参数标定结果看出，5 个层间的异质性参数均较低，说明出行链模式的选择与通勤方式二者间的相关性较强。模型异质性体现了不同层方案之间的可替代性。实际验证结果表明，步行的异质性参数最小，说明其可替代性较高，当影响出行选择的宏观情景发生改变时，通勤者调整出行链模式的可能性较调整通勤方式的可能性更高；公交出行的异质性参数取值最大，说明其具有一定的不可替代性，也从侧面说明了公交出行对于完成复杂的通勤出行链有负面作用；复杂出行链的异质性较简单出行链高，说明复杂出行链中不同通勤方式之间的替代性较小。

4 结束语

通勤行为的选择、通勤目的与出行链构成复杂度等关系密切，以单个通勤者的通勤行为为研究对象，通过复杂出行链对通勤行为选择影响研究，分析经济社会属性、通勤端点区位属性、通勤活动特征差异等对通勤者选择行为的影响。该方法能准确刻画 2 个维度之间的相关关系，根据居民出行行为调查数据完成模型参数标定。研究发现通勤者非生产性活动会对出行链的选择产生一定影响，出行者性别、家庭收入、家庭交通工具、居住地和工作地区位等是首要影响因素。下一步将结合交通规划与实际调研数据，对通勤行为进行精确预测，以提高交通路线的规划质量。

[1] 陈章明，戢晓峰. 铁路旅客出行行为特性研究[J]. 铁道运输与经济，2008，30(11)：23-25.CHEN Zhang-ming，JI Xiao-feng. Study on Features of Railway Passengers’ Travel Activities[J]. Railway Transport and Economy，2008，30(11)：23-25.

[2] 王正彬，闫海峰，徐昌贵. 基于物理路网的高速铁路客流分配优化研究[J]. 铁道运输与经济，2017，39(12)：61-65.WANG Zheng-bin，YAN Hai-feng，XU Chang-gui. A Physical-Railway-Network-based Study on Optimizing Passenger Flow Assignments[J]. Railway Transport and Economy，2017，39(12)：67-73.

[3] 张 博，张星臣，陈军华，等. 基于旅客乘车选择行为的高速铁路列车开行方案优化研究[J]. 铁道运输与经济，2015，37(9)：48-53，63.ZHANG Bo，ZHANG Xing-chen，CHEN Jun-hua，et al.Study on Optimization of High-speed Railway Train Operating Scheme based on Passenger’s Travel Choice Behavior[J].Railway Transport and Economy，2015，37(9)：48-53，63.

[4] PRIMERANO F，TAYLOR M A P，PITAKSRINGKARN L，et al.Def i ning and Understanding Trip Chaining Behaviour[J].Transportation，2008，35(1)：55-72.

[5] 褚浩然，郑 猛，杨晓光，等. 出行链特征指标的提出及应用研究[J]. 城市交通，2006，4(2)：64-67.CHU Hao-ran，ZHENG Meng，YANG Xiao-guang，et al.A Study on Trip-Chain Indices and Their Application[J]. Urban Transport of China，2006，4(2)：64-67.

[6] 鲜于建川，隽志才. 出行链与出行方式相互影响模式[J].上海交通大学学报，2010，44(6)：792-796.XIANYU Jian-chuan，JUAN Zhi-cai. Research on the Interdependencies between Trip Chaining Behavior and Travel Mode[J]. Journal of Shanghai Jiaotong University，2010，44(6)：792-796.

[7] HESS S，FOWLER M，ADLER T，et al. A Joint Model for Vehicle Type and Fuel Type Choice∶ Evidence from a Crossnested Logit Study[J].Transportation, 2012，39(3)：593-625.

[8] YANG L，ZHENG G，ZHU X. Cross-nested Logit Model for the Joint Choice of Residential Location，Travel Mode，and Departure Time[J]. Habitat International，2013，38(11)：157-166.