基于主成分法優(yōu)化的軌道交通通勤出行方式選擇研究

康文峰 孫 寶

（江蘇省交通規(guī)劃設(shè)計(jì)院 南京 210005）

0 引言

1 結(jié)合主成分分析法的軌道交通通勤出行多項(xiàng)Logit模型的標(biāo)定和檢驗(yàn)方法

以南京軌道1號(hào)線居民出行調(diào)查為依據(jù)，通過(guò)現(xiàn)場(chǎng)發(fā)放、回收的方式對(duì)不同性質(zhì)的地鐵站對(duì)進(jìn)出地鐵站的上下站乘客進(jìn)行調(diào)查，獲得調(diào)查表，調(diào)查數(shù)據(jù)為本次建模的基礎(chǔ)依據(jù)。其中數(shù)據(jù)的準(zhǔn)備編碼工作見(jiàn)表1，同時(shí)根據(jù)影響因素相關(guān)性表對(duì)影響因素進(jìn)行分類(lèi)，進(jìn)而對(duì)相關(guān)性較高的變量進(jìn)行主成分分析，最后對(duì)合成變量和相關(guān)性較低的變量進(jìn)行建模及模型檢驗(yàn)，其具體流程見(jiàn)圖1。

圖1 改進(jìn)的多項(xiàng)Logit模型流程圖Fig.1 Flowchart of improved Logit model

1.1 影響因素分類(lèi)

根據(jù)表2對(duì)影響因素進(jìn)行分類(lèi)，在主成分分析中對(duì)變量的相關(guān)性系數(shù)ρ沒(méi)有作明確的規(guī)定，考慮到在下一步中還需對(duì)分析的必要性進(jìn)行檢驗(yàn)，本次中將相關(guān)性系數(shù)的絕對(duì)值為0.4作為標(biāo)準(zhǔn)，其中相關(guān)性系數(shù)大于0.4的有收入、學(xué)歷、有無(wú)小汽車(chē)、有無(wú)駕照4個(gè)變量，其中收入與其余3個(gè)變量的相關(guān)性依次為0.513、0.491、0.574。由于有無(wú)小汽車(chē)、有無(wú)駕照情況與個(gè)人經(jīng)濟(jì)條件（收入）直接相關(guān)，而在我國(guó)學(xué)歷與收入呈現(xiàn)出一定的相關(guān)性也是可以理解的，因此這4個(gè)變量之間具有較高的相關(guān)性與現(xiàn)實(shí)也是相符的。其余變量由于沒(méi)有比較明顯的高相關(guān)性將其直接作為建模的因子。

1.2 主成分分析

1.2.1 KMO及球形檢驗(yàn)

該步驟在主成分分析過(guò)程中異常重要，直接決定了能否進(jìn)行主成分分析。KMO及球形檢驗(yàn)結(jié)果見(jiàn)表2。其中表格第1行為KMO統(tǒng)計(jì)量，數(shù)值為0.713，稍大于0.7，根據(jù)前面的介紹其做主成分分析的效果尚可。表格第2行為球形假設(shè)，其結(jié)果（第4行）表明變量之間的球形假設(shè)被拒絕，4個(gè)變量之間并非獨(dú)立，取值之間具有一定的關(guān)系。因此，2項(xiàng)檢驗(yàn)結(jié)果表明可以對(duì)上述4個(gè)變量進(jìn)行主成分分析。

表1 調(diào)查數(shù)據(jù)編碼表Tab.1 Encoding table of survey data

表2 KMO及球形檢驗(yàn)Tab.2 The KMO and spherical test

1.2.2 公共因子數(shù)量的提取

公共因子數(shù)量的提取主要依靠的主成分列表（見(jiàn)表3），在該表按照特征根從大到小的順序依次列出了所有的主成分。在所有的主成分中，特征根大于1的有第1個(gè)與第2個(gè)主成分。第1、2個(gè)主成分的特征根分別為1.568、1.080，占了所有解釋變量的49.190%與36.990%。第3個(gè)特征根雖然占了解釋變量的9.642%，但是由于其為0.778，小于1，這說(shuō)明該變量的解釋力度還不如直接引進(jìn)原變量來(lái)的大。因此，在4個(gè)變量中引入2個(gè)主成分。

表3 主成分列表Tab.3 Listing of principal component

另一方面，碎石圖（見(jiàn)圖2）表明前2個(gè)因子的特征值較大（大于1），折線的斜率相應(yīng)的較大，從第3個(gè)因子開(kāi)始，折線趨于平緩，也表明引入2個(gè)變量即可。

圖2 碎石圖Fig.2 Scree plot

1.2.3 新因子的表示

本文以某綜合建筑物為例展開(kāi)分析，此項(xiàng)目總面積31萬(wàn)平方米，包括5棟塔樓(110～120 m高)、中心裙房(3層)、地下室(4層)，此項(xiàng)目建設(shè)目標(biāo)是成為城市地標(biāo)性建筑(圖1)。為確保建筑物施工、運(yùn)營(yíng)安全，必須落實(shí)建筑物沉降監(jiān)測(cè)工作，有效預(yù)測(cè)建筑物變形趨勢(shì)，進(jìn)一步驗(yàn)證、修改設(shè)計(jì)、施工方案。

上述分析過(guò)程表明公共因子數(shù)量取值為2，計(jì)算得主成分分析矩陣（見(jiàn)表4）。對(duì)于系數(shù)矩陣，其數(shù)值都為正數(shù)，這主要是由于學(xué)歷、駕照情況、有無(wú)小汽車(chē)、收入4個(gè)屬性對(duì)交通方式選擇效用函數(shù)的效果都是同向的。新合成的2個(gè)變量t1，t2可由學(xué)歷（x1）、駕照（x2）、小汽車(chē)（x4）、收入（x5）表示如下。

表4 因子得分系數(shù)矩陣表Tab.4 Component score coefficient matrix

1.2.4 改進(jìn)模型的標(biāo)定

在所有的變量中根據(jù)式（3）在SPSS中合成2個(gè)新變量用于取代原來(lái)的學(xué)歷、駕照、小汽車(chē)、收入等4個(gè)變量。在SPSS影響因素選擇中將所有變量作為影響因素，進(jìn)行多方式選擇建模，得到改進(jìn)多項(xiàng)Logit模型的標(biāo)定參數(shù)及相應(yīng)的檢驗(yàn)。

1.2.5 模型參數(shù)的解釋

標(biāo)定過(guò)程中，選擇的參考出行方式為自行車(chē)，根據(jù)上節(jié)的介紹，當(dāng)參數(shù)為正時(shí)表明隨著該變量數(shù)值的增加，出行者偏向于選擇機(jī)動(dòng)化較高的出行方式。否則，出行者偏向于選擇自行車(chē)作為其出行方式。其中，年齡、職業(yè)、出行距離、合成的2個(gè)新變量其參數(shù)數(shù)值都為正，這些變量的正負(fù)號(hào)與其相應(yīng)的解釋意義是相符的。而對(duì)于出行費(fèi)用，等車(chē)時(shí)間，有無(wú)自行車(chē)等變量其標(biāo)定的參數(shù)數(shù)值都為負(fù)數(shù)也是可以理解的。鑒于變量對(duì)方式選擇的意義較明顯，不對(duì)其意義一一進(jìn)行解釋。

1.2.6 模型的標(biāo)定

在5%的顯著水平上對(duì)變量參數(shù)進(jìn)行t檢驗(yàn)。在所有的t檢驗(yàn)中，性別＝1的變量其小汽車(chē)參數(shù)的與職業(yè)變量在出行方式為公交車(chē)的t檢驗(yàn)值的絕對(duì)值小于1.96，其余所有參數(shù)都通過(guò)檢驗(yàn)。

對(duì)于模型的命中率，總命中率為81.2%，各方式的命中率為78.0.2%，79.3%和84.00%，具體數(shù)值見(jiàn)表6。根據(jù)t檢驗(yàn)值對(duì)模型進(jìn)行進(jìn)一步改進(jìn)可相應(yīng)的提高模型的總體命中率，為了便于對(duì)不同的模型進(jìn)行比較，未將進(jìn)一步模型的數(shù)據(jù)進(jìn)行列舉。模型的麥克法登系數(shù)數(shù)值為0.296，介于0.2～0.4之間，處于合理的范圍，說(shuō)明模型建模效果較好。

2 模型的比較

比較傳統(tǒng)的多項(xiàng)Logit模型，Nested Logit模型，改進(jìn)的多項(xiàng)Logit模型3類(lèi)模型。其中多項(xiàng)Logit模型根據(jù)選擇因素的不同可以建立較多的模型，選擇其中比較有代表性的2類(lèi)，不考慮變量之間交互作用的全因素多項(xiàng)Logit（ML2）模型和考慮了變量交互作用的采用逐步回歸法進(jìn)行因素選擇的多項(xiàng)Logit模型（ML3）。

4類(lèi)模型在命中率方面有所差別，其中全因素多項(xiàng)Logit模型為69.5%，根據(jù)逐步回歸法建立的多項(xiàng)Logit模型的命中率為72.3%，雙層Logit模型命中率略高為75.4%，基于主成分分析法的改進(jìn)的多項(xiàng)Logit模型命中率為81.2%。對(duì)于全因素建立的多項(xiàng)Logit模型，其命中率稍低于考慮了影響因素之間相互作用的其他3類(lèi)模型，這也在一定程度上驗(yàn)證了影響因素直接交互作用對(duì)建模的影響。

圖3 模型命中率Fig.3 Hit rate of different model

對(duì)于上面所建立的幾個(gè)模型，“逐步回歸法”建立的模型要較多的試算與嘗試，需要浪費(fèi)較多的時(shí)間，在這方面，全因素多項(xiàng)Logit模型更為簡(jiǎn)便，但是全因素多項(xiàng)Logit模型由于沒(méi)有考慮影響因素之間的交互作用，在命中率方面沒(méi)有得到保證。而對(duì)于Nested Logit模型，在建模過(guò)程中不僅需要考慮選擇樹(shù)的構(gòu)造符合分析的需要，且在建模之后需要根據(jù)尺度參數(shù)對(duì)構(gòu)造的模型進(jìn)行檢驗(yàn)，若構(gòu)造合理，相對(duì)于傳統(tǒng)的多項(xiàng)Logit模型有明顯的優(yōu)勢(shì)，但也需要消耗較大的精力。對(duì)于處理影響因素建立的非集計(jì)模型，基于主成分分析法改進(jìn)的多項(xiàng)Logit模型具有思路清晰，計(jì)算量較小等特點(diǎn)。模型的比較見(jiàn)表5。

表5 模型優(yōu)缺點(diǎn)比較Tab.5 The advantages and disadvantages of different models

3 靈敏度分析

靈敏度分析是指模型某一因素發(fā)生改變對(duì)最終結(jié)果的影響程度。根據(jù)ML3模型，采用代表性通勤者的方法對(duì)模型的敏感度進(jìn)行分析，即用調(diào)查樣本各方式的自變量的均值作為該自變量的值代入模型，求得代表性通勤者選擇不同出行方式的概率，并以此作為相應(yīng)各方式的出行比例。在對(duì)特定的變量進(jìn)行靈敏度分析時(shí)，其余變量值不變，觀察各交通方式選擇概率變化的大小及方向。在研究的影響因素中，對(duì)可控性變量進(jìn)行分析，主要包括：自行車(chē)、小汽車(chē)、駕照擁有情況，收入、出行距離、出行費(fèi)用、等車(chē)時(shí)間、到地鐵站的距離等變量。將自變量進(jìn)行增減10%，得到各出行方式的選擇概率變化如表6。

各影響因素對(duì)出行方式影響大小分析包括交通條件、出行者特性、出行特性等幾個(gè)方面，下面囿于篇幅僅討論出行特性：

出行特性包括出行距離、出行費(fèi)用、候車(chē)時(shí)間3個(gè)因素。當(dāng)出行距離增加時(shí)，公交出行有略微的增加，而小汽車(chē)出行增加比例更大，對(duì)地鐵出行方式的影響最大。這一方面表明了隨著出行距離的增加，出行工具機(jī)動(dòng)化方式會(huì)相應(yīng)的提高。另一方面表明也重新驗(yàn)證了地鐵出行優(yōu)勢(shì)沒(méi)有得到充分的發(fā)揮，選擇地鐵的出行者其出行還是以中短出行為主。對(duì)于出行費(fèi)用，隨著出行費(fèi)用的增加或減少，公交、小汽車(chē)、軌道出行會(huì)相應(yīng)的降低或提高。

對(duì)于候車(chē)時(shí)間，隨著公交、地鐵2種出行方式候車(chē)時(shí)間的增加，出行者將會(huì)相應(yīng)的將出行方式轉(zhuǎn)到自行車(chē)和小汽車(chē)這兩種不需要候車(chē)時(shí)間的出行方式上，其中提高10%的候車(chē)時(shí)間其轉(zhuǎn)移到自行車(chē)與小汽車(chē)的比例約為5∶1。

表6 靈敏度分析表Tab.6 Sensitivity analysis

4 結(jié)論

多項(xiàng)Logit模型具有能夠反映現(xiàn)實(shí)問(wèn)題，計(jì)算速度快，表達(dá)容易的特點(diǎn)，論證針對(duì)常用的Logit模型中解釋變量之間存在相關(guān)性，建模過(guò)程中需要主觀的選擇解釋變量的問(wèn)題，在主成分分析方法的基礎(chǔ)上對(duì)常用的多項(xiàng)Logit模型進(jìn)行改進(jìn)，并且在南京軌道1號(hào)線通勤出行調(diào)查數(shù)據(jù)獲得的基礎(chǔ)上利用SPSS軟件實(shí)現(xiàn)對(duì)參數(shù)的標(biāo)定與檢驗(yàn)，通過(guò)與模型比較效果表明基于主成分分析法的改進(jìn)的多項(xiàng)Logit模型命中率較高，相比傳統(tǒng)的“逐步回歸法”，可以節(jié)省大量的試算過(guò)程，在考慮變量相關(guān)性時(shí)是一種較好的建模方法，并且最終對(duì)模型的靈敏度進(jìn)行分析。

［1］Frank S.Koppelman，Chieh－Hua Wen.Alternative nested logit models：structure，properties and estimation［J］.Transportation Research Part B：Meth－odological，1998，32（5）：289－298.

［2］Vovshva P.The cross－nested logit model：application to mode choice in the Tel－Aviv metropolitan area［R］.Transportation Research Record 1607.1997 TRB.Washington，DC：National Research Council，1997：6－15.

［3］Bunch D S.Estimability in the multinomial probit model［J］.Transportation Research Part B：Methodological，1991，25（1）：1－12.

［4］Bolduc D.A practical technique to estimate multinomial probit models in transportation［J］.Transportation Research Part B：Methodological，1999，33（1）：63－79.

［5］Lemp J D，Kockelman K M.Strategic sampling for large choice sets in estimation and application Transportation Research Part A［J］.Policy and Practice，2012，46（3）：602－613.

［6］郝黎仁，樊 元，郝哲歐，等.SPSS11統(tǒng)計(jì)分析教程［M］.北京：高等教育出版社，2006.