考慮潛變量的大學(xué)生返程出行方式選擇行為研究

潘義勇，蔣冠宇，高 翔 PAN Yiyong,JIANG Guanyu,GAO Xiang

（南京林業(yè)大學(xué) 汽車與交通工程學(xué)院，江蘇 南京 210037）

0 引 言

出行方式選擇行為研究對于交通需求預(yù)測、政策編制和綜合運(yùn)輸體系規(guī)劃具有重要作用。大學(xué)生寒暑假返程出行需求規(guī)模大且時(shí)空分布不均勻，現(xiàn)有出行方式選擇行為研究鮮有考慮潛變量對大學(xué)生返程出行影響的相關(guān)研究。因此深入研究大學(xué)生返程出行選擇行為，對于緩解大學(xué)生返程出行路網(wǎng)壓力和相關(guān)交通需求管理政策制定意義重大。

國內(nèi)外相關(guān)學(xué)者對于出行方式選擇行為進(jìn)行了大量研究。McFadden微觀經(jīng)濟(jì)學(xué)中提出的離散選擇模型（Discrete Choice Model,DCM），DCM是基于效用最大化理論（Random Utility Maximization,RUM）基礎(chǔ)的非集計(jì)模型，該模型奠定了離散選擇行為研究的基礎(chǔ)。研究初期，學(xué)者多采用以Logit模型為代表的非集計(jì)模型對出行行為進(jìn)行刻畫。Hennsher對傳統(tǒng)Logit模型進(jìn)行了改進(jìn)，并提出了巢式Logit（Nested Logit,NL）模型，巢式模型在處理影響因素具有較多相似特征時(shí)，具有更好的分類效果，隨后，Ben等人提出了目前國內(nèi)外研究者普遍認(rèn)可的基于隨機(jī)效用理論假設(shè)的多項(xiàng)式Logit模型，其中心思想是利用效用大小來表征不同出行方式對出行者選擇的吸引力，出行者會考慮采用最大效用最具吸引力的出行方式。在Logit模型的基礎(chǔ)上還發(fā)展了不同類型的Logit模型，如條件Logit、交叉巢式Logit（CNL）、混合Logit模型等。由于數(shù)據(jù)中普遍存在不可觀測的異質(zhì)性，然而傳統(tǒng)多項(xiàng)Logit模型參數(shù)固定難以描述出行者異質(zhì)性特征。欒鑫等人采用混合Logit模型對南京這類特大城市居民出行選擇機(jī)理進(jìn)行分析?，F(xiàn)有研究多針對居民的出行選擇進(jìn)行建模，但對于大學(xué)生這一特殊群體，研究相對較少。且現(xiàn)有研究多采用傳統(tǒng)模型進(jìn)行構(gòu)建，多考慮可直接觀測的出行者外在特征及交通方式屬性來研究，較少考慮心理潛變量對出行方式選擇行為的影響。

針對以上問題，首先，采用陳述性偏好調(diào)查法（Stated Preference,SP）調(diào)查大學(xué)生個(gè)人屬性和出行方式屬性，使用顯示性偏好調(diào)查法（Revealed Preference,RP）調(diào)查大學(xué)生潛變量屬性；其次，對比分析二項(xiàng)Logit模型、不考慮個(gè)人因素的混合Logit模型、混合Logit模型；第三，對模型計(jì)算的參數(shù)和邊際效應(yīng)進(jìn)行分析；最后，總結(jié)本文研究成果以及進(jìn)一步研究方向。

1 混合Logit模型

本文旨在使用混合Logit模型分析大學(xué)生出行者屬性、出行方式屬性、心理潛變量屬性對出行方式選擇的影響。傳統(tǒng)MNL模型認(rèn)為出行者偏好是一致的，難以解析出行者之間的異質(zhì)性?；旌螸ogit模型（Mixed Logit,ML），也稱為隨機(jī)參數(shù)Logit模型（Random Parameter Logit,RPL），可以解決IIA假設(shè)對個(gè)體差異性在多項(xiàng)式Logit模型中的限制，混合Logit模型通過設(shè)定自變量系數(shù)的隨機(jī)參數(shù)分布形式，從而刻畫出決策者在進(jìn)行選擇時(shí)具有的偏好差異性，隨機(jī)偏好差異在混合Logit模型中的效用方程如式（1）：

式中：x為解釋變量；β則為偏好差異；（β|θ）是某種分布的概率密度函數(shù)，其值取決于總體參數(shù)θ。

隨機(jī)參數(shù)常見的分布有正態(tài)分布、均勻分布、對數(shù)正態(tài)分布等。若不存在偏好差異，那么模型就回歸到標(biāo)準(zhǔn)的Logit模型，其決策者的條件選擇概率為：

在存在偏好差異的情況下，β是一個(gè)隨機(jī)變化的參數(shù)，在原有的基礎(chǔ)上還需要乘上一個(gè)分布函數(shù)，故決策者的選擇概率則變?yōu)椋?/p>

2 問卷設(shè)計(jì)與調(diào)查

通過分析出行者出行行為影響因素相關(guān)文獻(xiàn)發(fā)現(xiàn)，大量國內(nèi)外研究表明潛變量指標(biāo)相較于傳統(tǒng)個(gè)人屬性和出行方式屬性，能更好地解釋交通參與者的出行方式選擇行為。因此本研究考慮大學(xué)生個(gè)人屬性、出行方式屬性和潛變量屬性對大學(xué)生返程出行方式選擇行為的影響，選用陳述性偏好調(diào)查法（Stated Preference,SP）調(diào)查大學(xué)生個(gè)人屬性和出行方式屬性，個(gè)人屬性和出行方式屬性的調(diào)查內(nèi)容如表1所示。使用顯示性偏好調(diào)查法（Revealed Preference,RP）調(diào)查大學(xué)生潛變量屬性，結(jié)合本文研究目的，本研究僅針對大巴和高鐵兩種出行方式展開研究，潛變量屬性包含對出行方式可靠性評價(jià)和舒適性評價(jià)兩項(xiàng)。由于潛變量屬性無法直接觀測得到，需要用指標(biāo)變量來表征，不同潛變量的指標(biāo)變量均采用李克特五級量表法（Likert scale）進(jìn)行表征，通常情況下，李克特量表比同樣長度量表具有更高的量表信度水平，常用于社會和心理變量等領(lǐng)域的測量，其中，1表示很不滿意，2表示不滿意，3表示一般，4表示滿意，5表示很滿意，具體見表2所示。

表1 大學(xué)生個(gè)人屬性與出行方式屬性

表2 表征潛變量的指標(biāo)變量

采用正交設(shè)計(jì)法，從乘車時(shí)間（Time Dur）和車票價(jià)格（Price）三個(gè)方面設(shè)置了出行場景，上述兩個(gè)要素屬性進(jìn)行了交叉組合，共設(shè)置了24個(gè)假設(shè)情景。為了避免受訪者填寫多種場景產(chǎn)生厭煩心理，且為滿足研究需要，每個(gè)調(diào)查者只針對4種假設(shè)情景進(jìn)行選擇，將24個(gè)假設(shè)情景分別設(shè)置于6套問卷中，表3為假定場景示例。

表3 假設(shè)場景示例

3 實(shí)例分析

調(diào)查采用線上與線下相結(jié)合的調(diào)查方法，共得到914份問卷。其中線下調(diào)研問卷共有347份，線上問卷共有567份。對問卷數(shù)據(jù)進(jìn)行篩查剔除填寫時(shí)間過短和缺失數(shù)據(jù)的問卷樣本，得到有效問卷數(shù)為858份，有效率為93.9%，調(diào)查樣本量較大，可以用于模型構(gòu)建。

根據(jù)調(diào)查發(fā)現(xiàn)，大學(xué)生訪者性別的分布較為均衡，在年齡方面，23~25歲大學(xué)生占問卷的主體；在年級方面，受訪人群主要集中于碩士研究生群體，占比達(dá)56.47%；在專業(yè)方面理學(xué)專業(yè)的比例最高；在每月生活費(fèi)方面，75.61%的人群在3 000元之內(nèi)；在購票費(fèi)用方面，報(bào)銷的占比為39.22%；在家與學(xué)校距離方面，20%的受訪者在100km以內(nèi)，24.31%在100~200km之間，35.29%在200~500km之間，距離在100km以內(nèi)的人群較少，大部分出行距離處于100~500km以內(nèi)的中長途出行。

3.1 信度、效度和正態(tài)性檢驗(yàn)

本文利用SPSS Statistics25.0對各潛變量指標(biāo)變量數(shù)據(jù)進(jìn)行信度和效度檢驗(yàn)。使用克朗巴哈系數(shù)進(jìn)行信度檢驗(yàn)，采用因子分析運(yùn)用最大方差旋轉(zhuǎn)的主成分法提取因子進(jìn)行效度檢驗(yàn)，表4表示了數(shù)據(jù)信效度檢驗(yàn)結(jié)果，克朗巴哈系數(shù)信度指標(biāo)均大于0.7，且因子荷載和KMO效度指標(biāo)均大于0.7，表明量表具有較好的可靠性和收斂效度。

表4 高鐵潛變量效度檢驗(yàn)結(jié)果

由于后續(xù)需要采用驗(yàn)證性因子分析對潛變量進(jìn)行標(biāo)定，數(shù)據(jù)需服從多元正態(tài)分布假定，因此，采用偏度和峰度指標(biāo)對數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，檢驗(yàn)結(jié)果見表5所示。偏度系數(shù)絕對值＜1，峰度系數(shù)絕對值＜10時(shí)，可以認(rèn)為數(shù)據(jù)符合正態(tài)分布。調(diào)查數(shù)據(jù)偏度系數(shù)絕對值＜0.8，峰度系數(shù)絕對值＜1.1，潛變量對應(yīng)指標(biāo)變量符合正態(tài)性分布假定。

表5 潛變量數(shù)據(jù)正態(tài)性檢驗(yàn)結(jié)果

3.2 心理因素分析

針對表2中設(shè)置的各潛變量的指標(biāo)變量數(shù)據(jù)，選用驗(yàn)證性因子分析（Confirmatory Factor Analysis,CFA）對心理潛變量指標(biāo)進(jìn)行標(biāo)定，驗(yàn)證性因子分析的擬合優(yōu)度指標(biāo)如表6所示，潛變量指標(biāo)的擬合優(yōu)度指標(biāo)主要有（/、、、和），模型擬合優(yōu)度指標(biāo)均處于可接受范圍內(nèi)，模型適配度良好，可以用于后續(xù)模型構(gòu)建。

表6 模型適配指標(biāo)結(jié)果

潛變量與對應(yīng)指標(biāo)變量的對應(yīng)關(guān)系如表7所示，列出系數(shù)均為標(biāo)準(zhǔn)化后系數(shù)結(jié)果，系數(shù)均大于0.7，且系數(shù)顯著性位于1%顯著度水平，表明各指標(biāo)變量可以用于表征潛變量[13]。

表7 模型求解結(jié)果

3.3 大學(xué)生返程出行方式選擇行為研究

考慮混合Logit模型的概率函數(shù)存在非閉合性，即每個(gè)待估計(jì)參數(shù)均可選擇不同形式的概率密度分布，不能通過傳統(tǒng)的計(jì)算積分的方式進(jìn)行求解，因此需要借助計(jì)算機(jī)模擬仿真求出近似解，本文選用Halton序列抽樣對混合Logit模型進(jìn)行求解，設(shè)置Halton抽樣次數(shù)為1 000次，設(shè)置隨出行方式變化的出行方式屬性為隨機(jī)參數(shù)，假定參數(shù)服從正態(tài)分布，當(dāng)不考慮個(gè)人屬性影響下，求解得到結(jié)果如表8所示。

表8 不考慮個(gè)人屬性影響的混合Logit模型回歸系數(shù)

表8結(jié)果表明對出行方式舒適性評價(jià)可以設(shè)置為隨機(jī)參數(shù)，為了減少個(gè)人屬性對隨機(jī)參數(shù)的影響，先將數(shù)據(jù)帶入二項(xiàng)Log-it模型進(jìn)行標(biāo)定，標(biāo)定結(jié)果見表9所示。

表9 二項(xiàng)Logit模型參數(shù)估計(jì)結(jié)果

CHOICE表示隨出行方案變化的出行方式屬性的影響，BUS表示該模型是以大巴出行作為參照方案進(jìn)行估計(jì)。從二項(xiàng)Logit模型的標(biāo)定結(jié)果可知性別、專業(yè)和乘坐大巴頻率位于5%顯著度水平，故將性別、專業(yè)和乘坐大巴頻率帶入模型進(jìn)行回歸，設(shè)置Halton抽樣次數(shù)為1 000次，得到最終混合Logit模型的回歸結(jié)果如表10所示。

表10 混合Logit模型回歸系數(shù)

混合Logit模型的對數(shù)似然值為-1 496，預(yù)測準(zhǔn)確率為78.5%；傳統(tǒng)的二項(xiàng)Logit模型的對數(shù)似然值為-1 559，預(yù)測準(zhǔn)確率為63.4%，混合Logit模型擬合優(yōu)度指標(biāo)高于傳統(tǒng)二項(xiàng)Logit模型。

由于混合Logit模型是離散選擇模型，屬于非線性模型，其模型系數(shù)估計(jì)值含義不同于反映解釋變量變動一個(gè)單位時(shí)因變量變化率的線性模型，因此其模型估計(jì)值不具備回歸意義上的變化含義。為了找出與傳統(tǒng)線性回歸模型系數(shù)估計(jì)值含義等價(jià)的指標(biāo)，引入邊際效應(yīng)分析，對模型參數(shù)進(jìn)行解釋。邊際效應(yīng)（Marginal Effect）表示某種方式每單位變量變化對其被選擇概率的影響，邊際效應(yīng)分析結(jié)果如表11所示。

表11 模型邊際效應(yīng)分析

3.4 模型解釋

根據(jù)表10回歸結(jié)果和表11邊際效應(yīng)結(jié)果可知：

（1）出行方式舒適性評價(jià)的服從均值為0.089，標(biāo)準(zhǔn)差為0.343的正態(tài)分布，參數(shù)為正，即隨著對出行方式舒適性評價(jià)的提升，大學(xué)生出行者選擇某種方式出行的概率提升。通過計(jì)算得到（出行方式舒適性評價(jià)＜0）的概率為39.74%，即隨著對出行方式舒適性評價(jià)的提升，39.74%的大學(xué)生返程出行者選擇某出行方式的概率越低，60.26%的大學(xué)生出行者選擇某出行方式的概率提高。

（2）乘車時(shí)間和車票價(jià)格的參數(shù)值為負(fù)，即隨著乘車時(shí)間、車票價(jià)格的提升，大學(xué)生返程出行者效用降低。對出行方式可靠性評價(jià)的參數(shù)值為正，意味隨著對出行方式可靠性評價(jià)的提升，大學(xué)生出行者出行效用得以提升。個(gè)人屬性方面，個(gè)人屬性中的性別參數(shù)為正，表明女性選擇高鐵出行的概率大于男性。專業(yè)參數(shù)為正，達(dá)到了5%顯著性水平，表明專業(yè)類別為理學(xué)、人文社科和工學(xué)專業(yè)相較于其他專業(yè)選擇高鐵出行的概率更高。乘坐大巴頻率參數(shù)為負(fù)，表示大巴出行頻率越高，選擇高鐵出行的概率越低，個(gè)人屬性部分與傳統(tǒng)二項(xiàng)Logit模型的回歸結(jié)果一致。

（3）乘車時(shí)間每增加1小時(shí)，選擇高鐵的概率降低10.02%，選擇大巴出行的概率提升19.17%。車票價(jià)格每增加一元，選擇高鐵的概率降低9.17%，選擇大巴出行的概率增加4.03%。對出行方式舒適性評價(jià)每增加一個(gè)單位，選擇高鐵出行的概率增加91.85%，選擇大巴出行的概率減少91.23%。對出行方式可靠性評價(jià)每增加一個(gè)單位，選擇高鐵的概率增加16.61%，選擇大巴出行的概率降低15.84%。

4 結(jié) 論

本文針對大學(xué)生返程作為研究場景，研究舒適性和可靠性評價(jià)對大學(xué)生返程出行選擇行為的影響，通過混合Logit模型的回歸結(jié)果，可以得出以下結(jié)論：

（1）加入潛變量指標(biāo)能夠增強(qiáng)模型的解釋能力和預(yù)測精度，說明考慮心理潛變量指標(biāo)的模型對于描述大學(xué)生返程出行方式選擇行為上更加合理，因此，交通運(yùn)輸管理部門應(yīng)當(dāng)在考慮大學(xué)生個(gè)人屬性特征和對出行舒適性需求和可靠性需求等心理潛變量特征的基礎(chǔ)上，或從考慮行為學(xué)、心理學(xué)和大數(shù)據(jù)方法來對出行數(shù)據(jù)進(jìn)行挖掘，分析大學(xué)生出行特質(zhì)，進(jìn)而制定更符合實(shí)際的大學(xué)生返程出行引導(dǎo)策略。

（2）當(dāng)大學(xué)生返程出行者對于交通工具可靠性需求提升時(shí)，選擇高鐵出行的概率提升16.61%，大巴的出行概率降低15.85%。隨著大學(xué)生返程出行者對交通工具舒適性需求的提升，高鐵的出行概率提升，大巴的出行概率降低。說明大學(xué)生對于高鐵出行的可靠性和舒適性需求較為認(rèn)同，需要進(jìn)一步提升大巴可靠性和舒適性水平，形成大巴與高鐵協(xié)同分擔(dān)返程出行運(yùn)力和共同競爭的運(yùn)行環(huán)境。

（3）高鐵和大巴作為兩種相互競爭的出行方式，客流會相互替代轉(zhuǎn)移，目前大學(xué)生返程出行過程中女性出行者及理工科和人文社科學(xué)生更偏向于選擇高鐵出行，可以利用大巴的時(shí)間和價(jià)格優(yōu)勢轉(zhuǎn)移一部分高鐵出行需求，大巴可以利用價(jià)格干預(yù)措施使得部分大學(xué)生出行者轉(zhuǎn)移回大巴出行，以引導(dǎo)大學(xué)生特別是出行高峰時(shí)段的出行壓力，以均衡交通出行需求的時(shí)空分布。