考慮偏好差異的后疫情時代居民出行方式選擇行為研究

楊亞璪，唐浩冬，彭勇

(重慶交通大學(xué)，交通運(yùn)輸學(xué)院，重慶 400074)

0 引言

新冠疫情對交通運(yùn)輸產(chǎn)生了嚴(yán)重的影響，據(jù)交通運(yùn)輸部統(tǒng)計(jì)，2020年全國36 個中心城市完成公共交通客運(yùn)量441.5 億人，同比下降33.7%。國務(wù)院發(fā)布的《抗擊新冠肺炎疫情的中國行動》白皮書明確指出，2020年4月29日以后，全國疫情防控進(jìn)入常態(tài)化階段[1]，即中國進(jìn)入了后疫情時代[2]。目前，少數(shù)城市還會零星出現(xiàn)確診病例，居民在出行過程中仍然存在感染恐懼和被感染的風(fēng)險，居民對公共交通出行仍有抵制心理，轉(zhuǎn)而選擇出租車和私家車出行。在后疫情時代，研究新冠疫情這類突發(fā)公共衛(wèi)生事件對居民出行方式選擇行為的影響機(jī)理，可以更好地滿足居民出行需求，提升居民的出行滿意度。

出行方式選擇行為的研究方法包括描述性統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)模型和離散選擇模型這3類[3]，其中以離散選擇模型為主，包含多項(xiàng)Logit模型、分層Logit 模型、混合Logit 模型等[4]。大多數(shù)研究使用離散選擇模型來描述基于調(diào)查數(shù)據(jù)的出行方式選擇行為。Domarchi 等[5]建立多項(xiàng)Logit 模型并引入代表態(tài)度因素的虛擬變量，以探討潛在心理因素對方式選擇的影響；Arman 等[6]采用雙層混合嵌套Logit 模型研究伊朗女性的出行方式選擇行為；楊飛等[7]采用混合Logit 模型研究汽車分時租賃下個體異質(zhì)性對出行選擇行為的影響。出行方式選擇行為受多種因素影響，劉志偉等[8]研究發(fā)現(xiàn)，無人駕駛汽車選擇行為受到出行特征、社會經(jīng)濟(jì)屬性、心理潛變量等因素影響；駱晨等[9]發(fā)現(xiàn)，家庭屬性差異對大學(xué)生出行方式選擇行為有顯著影響。

目前，新冠疫情對居民出行方式選擇行為的影響已取得一些研究成果。劉建榮等[10]利用Logit模型研究老年人對新冠疫情嚴(yán)重程度的感知以及對其出行行為的影響；王惠隊(duì)等[11]基于累積前景理論研究重大公共衛(wèi)生事件影響下醫(yī)護(hù)人員的出行行為；Mohamed等[12]研究了新冠肺炎疫情對巴基斯坦居民出行行為的影響和由公共交通轉(zhuǎn)向私家車的出行偏好變化情況；駱晨等[13]通過構(gòu)建風(fēng)險感知差異的多元Logit模型來分析疫情持續(xù)期對居民中長距離出行方式選擇行為的影響；胡三根等[14]利用交通方式之間存在關(guān)聯(lián)性的特點(diǎn)，分析疫情初期、中期和后期的居民出行方式選擇行為與影響因素之間的關(guān)系；Luan等[15]利用隨機(jī)后悔最小化和廣義遺憾最小化研究新冠疫情暴發(fā)后期居民的出行心理變化及汽車購買意愿。

綜上，既有文獻(xiàn)研究了新冠疫情對特定群體出行行為的影響及疫情暴發(fā)期間居民出行行為的變化。雖有文獻(xiàn)研究了后疫情時代的出行行為，但并未考慮到疫情本身和針對性防控措施的變化。相應(yīng)出行方式和出行結(jié)構(gòu)的變化是動態(tài)調(diào)整逐步趨于平穩(wěn)，并向疫情前逐步回歸的。雖然國內(nèi)疫情得到了有效控制，但疫情持續(xù)時間和區(qū)域風(fēng)險等級仍不明朗，后疫情時代下居民的出行行為尚需進(jìn)一步研究。統(tǒng)計(jì)數(shù)據(jù)顯示，2020年城市常規(guī)公交客運(yùn)量同比下降36.1%，城市軌道交通客運(yùn)量同比下降26.4%，而私家車保有量增加了973萬輛。可見，新冠疫情對城市交通的影響在個體層面體現(xiàn)在出行方式選擇的變化，在整體上則是出行結(jié)構(gòu)發(fā)生了改變，居民出行更偏好私家車、共享自行車等物理距離較大的方式。本文采用混合Logit模型和潛在類別條件Logit 模型進(jìn)行對比分析，旨在展示后疫情時代居民出行方式選擇的偏好和變化，為公共交通的政策制定提供參考。

1 模型構(gòu)建

混合Logit模型以其靈活性可用于解決隨機(jī)偏好問題，與之類似的潛在類別條件Logit 模型考慮了類別間的差異，在關(guān)于人群細(xì)分的研究中成為主流方法[16]。兩種模型都有其優(yōu)點(diǎn)和局限性，但哪種模型更適合研究后疫情時代下的出行行為尚未可知。本文基于城市出行主要的交通方式，確定常規(guī)公交、地鐵、出租車、私家車為選擇肢集合。根據(jù)實(shí)際情況設(shè)置選擇肢的屬性，包括等待時間、在途時間和行程費(fèi)用，同時考慮居民的個人社會經(jīng)濟(jì)屬性對出行方式選擇的影響。

1.1 混合Logit模型

出行者n選擇出行方式i的效用為

式中：Vni、εni分別為出行者n選擇出行方式i的效用確定項(xiàng)、效用隨機(jī)項(xiàng)；xnik為出行者n選擇出行方式i的第k種出行方式相關(guān)屬性和特有屬性；βnik為對應(yīng)的參數(shù)；Xni為能觀測到的出行者n選擇出行方式i的屬性變量的完整向量；βn為對應(yīng)的參數(shù)向量。

出行者n選擇出行方式i的概率為

將等待時間、在途時間、行程費(fèi)用對應(yīng)的參數(shù)設(shè)置為隨機(jī)變量，并且服從對數(shù)正態(tài)分布，則Vni表示為

式中：Cni為出行者n選擇出行方式i的固定常量；Snik為出行者n選擇出行方式i第k個人社會經(jīng)濟(jì)屬性；βxk、βSk為對應(yīng)屬性的參數(shù)值。

將公交作為對比項(xiàng)，可得各選擇肢的效用函數(shù)確定項(xiàng)為

式中：V1、V2、V3、V4分別對應(yīng)地鐵、出租車、私家車、公交的效用函數(shù)確定項(xiàng)；C1、C2、C3分別為地鐵、出租車、私家車的固有常量；xwt、xdt、xco分別為等待時間、在途時間、行程費(fèi)用屬性變量；βwt、βdt、βco為對應(yīng)的參數(shù)；Sge、Sag、Sed、Scareer、Ssa、Scar分別為性別、年齡、學(xué)歷、職業(yè)、收入、是否擁有私家車屬性變量；βge、βag、βed、βcareer、βsa、βcar為對應(yīng)的參數(shù)。

1.2 潛在類別條件Logit模型

假定有N個出行者，每個出行者面臨T個出行方式選擇集，每個出行方式選擇集有J種方式，如果出行者n在選擇方式集t中選擇第j種方式，記ynjt為1，否則為0。每種選擇方式由與該方式相關(guān)屬性xnjt描述，出行者n由出行者相關(guān)的屬性所描述。假定N個出行者可以被分成C個類別，且每個類別的參數(shù)不一致，即β=(β1,β2,…,βc)，如果出行者n屬于類別c，則出行者n面對一系列方案選擇的概率為

通過指定出行者n選擇的非條件似然值來判定出行者所屬類別，其值等于式(6)在所有類別上的加權(quán)平均值，則出行者n屬于類別c的概率可表示為

將每個出行者的對數(shù)非條件似然值相加得到樣本的對數(shù)似然值，使用期望最大化EM(Expectation-Maximization)算法估計(jì)β和θ參數(shù)值，即

2 問卷設(shè)計(jì)與調(diào)查

根據(jù)中國城市規(guī)劃設(shè)計(jì)研究院發(fā)布的《2021年度中國主要城市通勤監(jiān)測報告》，2020年重慶市單程平均通勤距離為8.9 km，平均通勤距離是衡量城市在綜合了人們的選擇后真實(shí)職住分離情況的指標(biāo)[17]。因此，確定以10 km 的城市通勤距離為基礎(chǔ)進(jìn)行問卷設(shè)計(jì)。結(jié)合重慶市中心城區(qū)交通的實(shí)際狀況對各屬性水平值進(jìn)行設(shè)置，如表1所示，考慮到公交、出租車和私家車易受道路交通狀況等不確定性因素影響，設(shè)置水平1 和2 兩類屬性值更加符合現(xiàn)實(shí)情況。為了避免屬性的多重共線性問題，利用正交設(shè)計(jì)形成合適的屬性組合?；凇吨貞c市新冠肺炎疫情分區(qū)分級分類防控實(shí)施方案》，將新冠肺炎疫情風(fēng)險劃分為低、中、高風(fēng)險，且中、低風(fēng)險區(qū)域交通運(yùn)輸正常運(yùn)轉(zhuǎn)[18]。再根據(jù)全國城市交通客運(yùn)量與新冠疫情確診病例變化曲線(圖1)，將后疫情時代城市防疫狀態(tài)設(shè)為兩種情形，即處于低風(fēng)險區(qū)(情景A)和中風(fēng)險區(qū)(情景B)，最終生成兩大類共16個選擇情景的調(diào)查問卷。問卷包括受訪者的個人屬性和影響出行選擇因素的調(diào)查，具體如表2所示。

表2 個人屬性水平及編碼Table 2 Personal attribute level and code

圖1 全國城市交通客運(yùn)量及新冠疫情確診病例變化情況Fig.1 Changes in national urban passenger traffic and confirmed cases of the COVID-19

表1 選擇肢屬性水平Table 1 Select limb attribute level

采用隨機(jī)抽樣法在重慶市開展網(wǎng)絡(luò)問卷調(diào)查，共收集到650 份調(diào)查結(jié)果?？紤]到老年人對網(wǎng)絡(luò)不熟悉，同時在線下分發(fā)50份問卷，占比7.7%。對609 份有效樣本進(jìn)行整理分析，結(jié)果如圖2所示。有效樣本中，男性占比59.4%，女性占比40.6%，基本符合人口調(diào)查比例。年齡分布占比最多的是[18,25]歲，總體集中于[18,40]歲，較為符合中青年人對疫情敏感度最高的特征。受訪者的收入主要集中在[3000,8000]元·月-1。調(diào)查樣本的年齡、性別與收入分布與抽樣計(jì)劃基本一致。

圖2 樣本個人基本屬性Fig.2 Basic attributes of sample individuals

如圖3所示，采用桑基圖展示新冠疫情對居民出行方式選擇的影響。疫情前自由的出行環(huán)境使得公共交通在居民出行結(jié)構(gòu)中占比59%；疫情期間由于各種限制措施，導(dǎo)致公共交通出行的比例驟減至27%，53%有出行需求的居民會選擇私家車出行；隨著疫情得到控制，社會進(jìn)入后疫情時代，出行環(huán)境變得相對寬松，選擇常規(guī)公交及地鐵出行的比例逐步回升至40%左右，但當(dāng)城市臨時處于中風(fēng)險區(qū)時，這種回升趨勢會出現(xiàn)波動，說明居民對公共交通出行仍然存在感染恐懼。

圖3 疫情不同階段出行方式選擇情況Fig.3 Choice of travel modes in different stages of epidemic

3 模型結(jié)果分析

3.1 混合Logit模型標(biāo)定結(jié)果及分析

基于Stata16 軟件，結(jié)合問卷調(diào)查得到的后疫情時代城市處于低風(fēng)險區(qū)(情景A)和中風(fēng)險區(qū)(情景B)出行方式選擇數(shù)據(jù)，對式(2)進(jìn)行計(jì)算，其中系數(shù)估計(jì)值的顯著性采用P 值進(jìn)行檢驗(yàn)?；旌螸ogit模型在連續(xù)抽取系數(shù)βn的仿真計(jì)算過程中，應(yīng)用Halton數(shù)列方法，隨機(jī)抽樣150次計(jì)算仿真概率。

標(biāo)定結(jié)果如表3所示。通過P值檢驗(yàn)各參數(shù)的顯著性。對照表2進(jìn)行編碼，標(biāo)定結(jié)果中，性別參數(shù)符號為正表示女性，參數(shù)符號為負(fù)表示男性；年齡、學(xué)歷、收入?yún)?shù)符號為正分別表示年齡越大、學(xué)歷越高、收入越高；而私家車擁有情況參數(shù)符號為正表示未擁有私家車，參數(shù)符號為負(fù)表示擁有私家車。

表3 情景A、B下混合Logit模型參數(shù)標(biāo)定結(jié)果Table 3 Parameter calibration results of mixed Logit model in scenario A and B

由表3可以看出：

(1)將公交作為參照方案，地鐵、出租車和私家車這3 種出行方式的固定參數(shù)均顯著，說明這3 種方式未被觀測到的效用對其總效用各有影響。

(2)選擇方式屬性。等待時間、在途時間兩個變量顯著且參數(shù)符號均為負(fù)。說明等待時間和在途時間越長選擇該交通方式的概率越低，這符合后疫情時代下居民出行的實(shí)際情況。其中在途時間參數(shù)值(情景A為-0.36331、情景B為-0.25364)絕對值最大，交通方式的在途時間是影響出行方式選擇較為重要的因素，特別是通勤出行時對出行時間要求較高，而在途時間與道路通暢度以及?？空军c(diǎn)數(shù)直接相關(guān)。此外，行程費(fèi)用變量不顯著，說明居民在后疫情時代下出行時，對行程費(fèi)用的敏感程度相較于等待時間和在途時間低。

(3)個人社會經(jīng)濟(jì)屬性。在情景A中年齡在地鐵、出租車和私家車的選擇中是顯著的，并且3 個參數(shù)都是負(fù)數(shù)。表明年齡越大，居民相較參照方案越不愿意選擇地鐵、出租車和私家車，即年齡越大選擇公交出行的概率越高。重慶市65歲以上老年人乘坐主城區(qū)公共交通可以刷老年人免費(fèi)卡，而老年人免費(fèi)卡在早上9:00前不能乘坐地鐵。性別在3個方案中均顯著，除了地鐵以外其余兩個參數(shù)都為正，表明女性相對于參照方案來說，更傾向于選擇出租車和私家車出行。這一點(diǎn)與出租車和私家車的在途時間較短且安全系數(shù)較高的特點(diǎn)相符。收入?yún)?shù)在3個方案中均顯著，但出租車和私家車的參數(shù)為正，地鐵為負(fù)，表明收入越高的人相對公交出行，更傾向于選擇出租車和私家車出行。私家車擁有情況對于三者都為顯著，除了私家車以外，其余兩者參數(shù)都為正，表明有車一族更傾向于選擇私家車出行。

在情景B 中，年齡、性別、學(xué)歷這3 個參數(shù)均顯著，年齡和性別參數(shù)與情景A相同。年齡越大更偏好公交出行，且女性相對于參照方案來說，更傾向于選擇出租車和私家車出行。學(xué)歷參數(shù)在3 種方式選擇中均為正，表明隨著學(xué)歷的提升，居民選擇地鐵、出租車和私家車出行的概率都比參照方案大。即學(xué)歷越高，選擇公交出行的概率越小，且相較而言，在后疫情時代城市處于中風(fēng)險區(qū)的情況下，選擇出租車出行的概率最大。

通過混合Logit 模型計(jì)算結(jié)果，輸出得到兩種情景下各種交通方式的選擇比例。情景A為：公交(19.7%)、地鐵(42.8%)、出租車(8.5%)、私家車(29%)。情景B為：公交(13.2%)、地鐵(33.3%)、出租車(16.2%)、私家車(37.3%)。

3.2 潛在類別條件Logit模型標(biāo)定結(jié)果及分析

采用CAIC(Consistent Akaike Information Criterion)和BIC(Bayesian Information Criterion)兩個指標(biāo)進(jìn)行類別C的選擇。CAIC和BIC的計(jì)算公式為

式中：Q1、Q2分別為CAIC和BIC的值；lnL為樣本最大對數(shù)似然函數(shù)值；m為擬合模型參數(shù)的總數(shù)。

CAIC 和BIC 值越小，模型擬合度越高。當(dāng)兩者無法同時滿足時，通常選取CAIC 最小值的分類數(shù)作為最佳分類數(shù)。

通過Stata16 編程運(yùn)行得到不同分類數(shù)的CAIC 以及BIC，結(jié)果如表4所示，其中LLF 為對數(shù)似然值。在情景A中，當(dāng)類別為4時，CAIC的值最小。CAIC值越小，模型擬合度越高，因此樣本可以分為4 個子集。在情景B 中，當(dāng)類別為5 時，其CAIC 和BIC 均為最小值，說明最佳潛在類別數(shù)量為5，因此將情景B 的樣本劃分為5 個類別對情景A、B下的樣本數(shù)據(jù)進(jìn)行潛在類別條件Logit模型回歸。情景A樣本中4個類別的占比分別為：28.1%、28.6%、34%、9.3%。情景B 樣本中5 個類別的占比分別為：36.2%、5.8%、40.3%、7.5%、10.1%。

表4 潛在類別條件Logit模型CAIC及BIC比較Table 4 Comparison of CAIC and BIC of latent class conditional Logit model

由表5可知，等待時間、在途時間、行程費(fèi)用這3個變量的參數(shù)估計(jì)值在不同類別中顯著性各不相同。說明不同類別的居民在對出行方式選擇偏好上表現(xiàn)出較強(qiáng)的異質(zhì)性。具體分析如下：

表5 情景A、B下模型回歸結(jié)果Table 5 Model regression results under scenario A and B

(1)類別1人群

情景A、B 中3 個參數(shù)均顯著，屬于“出行平衡型”。這類群體選擇出行方式時會同時關(guān)注時間和費(fèi)用因素，不會對某一因素特別敏感，希望在各出行屬性上得到平衡，私家車的屬性恰恰能較好滿足這類人群的出行需求。

(2)類別2人群

情景A 中在途時間、行程費(fèi)用參數(shù)顯著，等待時間參數(shù)不顯著，且行程費(fèi)用參數(shù)的絕對值在4個類別中最大，即類別2 人群屬于“在途時間和費(fèi)用敏感型”。這類人群能夠接受較長的等待時間，但是不能接受費(fèi)用的增加。情景B 中3 個參數(shù)均顯著，且等待時間參數(shù)的絕對值在5 個類別中最大，同時行程費(fèi)用參數(shù)相對于類別2不敏感，說明這類人群為“等待時間敏感型”。綜上，類別2人群更偏好出租車出行。

(3)類別3人群

情景A中等待時間參數(shù)不顯著，在途時間和行程費(fèi)用參數(shù)均顯著，且兩個參數(shù)的絕對值都相對較小。說明這類人群為“在途時間和費(fèi)用均衡型”，能夠接受等待時間的增加，對出行方式的在途時間和行程費(fèi)用相對敏感。情景B中3個參數(shù)均顯著，且行程費(fèi)用參數(shù)的絕對值在5個類別中最大，說明這類人群為“時間平衡、費(fèi)用敏感型”，能夠接受時間的增加，對出行方式的費(fèi)用相對敏感。綜上，類別3人群更偏好地鐵出行。

(4)類別4人群

情景A、B 中等待時間、在途時間參數(shù)不顯著，但行程費(fèi)用的參數(shù)顯著。說明這類人群屬于“費(fèi)用敏感型”，能夠接受時間上的增加，對行程費(fèi)用的敏感使得這類人群更偏好公交出行。

(5)類別5人群(情景B)

3 個參數(shù)均不顯著，屬于“出行隨機(jī)型”。這類群體選擇出行方式時不會關(guān)注時間和費(fèi)用因素，任何一種出行方式都能滿足這類人群的出行需求。

居民特性對潛在類別的影響如表6所示。情景A中將類別4作為參考基礎(chǔ)，性別和收入在類別1、3 中均顯著，在類別2 中性別不顯著、收入顯著，且類別1 中性別和收入?yún)?shù)均為正，類別3 中性別和收入?yún)?shù)均為負(fù)。說明類別1中，收入更高的女性更愿意選擇私家車；類別3 中，收入較低的男性可能更容易成為“費(fèi)用敏感型”。年齡在類別1 中不顯著，在類別2、3 中均顯著，且在類別2 中為正，在類別3中為負(fù)，說明類別2中，年齡越大對費(fèi)用越敏感。情景B中將類別5作為參考基準(zhǔn)，年齡和收入在類別1、2、4 中均顯著且符號均為正，在類別3中年齡顯著但收入不顯著。說明類別1、2、4中，年齡越大收入越高的人群更傾向選擇所在群體偏愛的出行方式。性別和收入在類別3、4 中均顯著且性別參數(shù)為負(fù)、收入?yún)?shù)為正。說明類別3、4 中，男性更愿意選擇地鐵、公交，且類別3、4 群體隨著收入增加，越不容易成為“時間平衡、費(fèi)用敏感型”“費(fèi)用敏感型”。因此在類別3、4中，收入越高的男性可能會成為“出行隨機(jī)型”。

表6 情景A、B下居民特征對潛在類別的影響Table 6 Impact of resident characteristics on latent class under scenario A and B

3.3 模型對比分析

采用AIC(Akaike Information Criterion)和BIC兩項(xiàng)指標(biāo)評估兩類模型，結(jié)果如表7所示，指標(biāo)越小表明模型的擬合優(yōu)度越高。其中，AIC=-2 lnL+2m，BIC 如式(10)所示。由表7 可知，潛在類別條件Logit模型在情景A、B下的AIC、BIC 值均顯著小于混合Logit 模型，即前者擬合優(yōu)度比后者更好，且擬合優(yōu)度平均提高13%。模型的預(yù)測精度顯示，前者對情景A、B 預(yù)測精度分別為63.3%、67.9%，后者對情景A、B 預(yù)測精度分別為61.14%、67.03%。前者的擬合優(yōu)度和預(yù)測精度都更高，用于分析后疫情時代居民出行方式選擇行為更有優(yōu)勢。

表7 模型AIC、BIC指標(biāo)對比Table 7 Comparison of model AIC and BIC indicators

4 結(jié)論

本文以后疫情時代重慶市實(shí)際調(diào)查數(shù)據(jù)為基礎(chǔ)，建立了基于混合Logit和潛在類別條件Logit的選擇模型，分析了城市處于中、低風(fēng)險區(qū)兩種情況下的居民出行方式選擇行為。對相關(guān)屬性變量參數(shù)進(jìn)行了顯著性分析，所得主要結(jié)論如下：

(1)相比混合Logit 模型，潛在類別條件Logit模型的擬合優(yōu)度更好、預(yù)測精度更高。

(2)出行方式屬性中，等待時間、在途時間對居民出行方式選擇行為有顯著影響。個人社會經(jīng)濟(jì)屬性中，年齡、性別、收入等對居民類別劃分具有顯著影響。

(3)根據(jù)居民對出行方式屬性的敏感程度以及后疫情時代城市疫情防控狀態(tài)，對居民進(jìn)行類別劃分。當(dāng)城市處于低風(fēng)險區(qū)時，居民可劃分為出行平衡型、在途時間和費(fèi)用敏感型、在途時間和費(fèi)用均衡型以及費(fèi)用敏感型。當(dāng)城市處于中風(fēng)險區(qū)時，居民可劃分為出行平衡型、等待時間敏感型、時間平衡和費(fèi)用敏感型、費(fèi)用敏感型、出行隨機(jī)型。

本文利用兩種模型對比研究居民在后疫情時代下的出行行為。未來研究中，有必要從兩個方面繼續(xù)深入：①不同出行方式屬性的彈性分析；②基于出行目的差異的居民出行選擇行為。