新冠肺炎疫情下居民出行方式選擇行為分析

魏麗英，劉魯建

（北京交通大學 交通運輸學院，北京 100044）

2019年突發(fā)的新型冠狀病毒肺炎（Corona Virus Disease 2019，COVID-19）是近百年來人類遭遇的影響范圍最廣的全球性大流行病，人類生命安全面臨重大威脅.新型冠狀病毒感染的肺炎傳播途徑主要為直接傳播、氣溶膠傳播和接觸傳播.因此人員密度大，流動快且空氣不流通的地方往往會增加感染的風險.由于公共交通的車站和車輛具有密閉性高、人流量大、接觸率高等特點，具備了傳播新冠病毒的客觀條件.已發(fā)現(xiàn)很多感染者是在公共交通場所等待、中轉(zhuǎn)或在乘坐公共交通的過程中與其他感染者接觸而導(dǎo)致交叉感染.因此研究新冠肺炎疫情下居民出行方式選擇行為具有重大意義.

既有文獻中，出行者的個人屬性對交通方式選擇的影響研究較為廣泛，但對突發(fā)公共衛(wèi)生事件下的居民出行方式選擇的影響研究較少.Kl?ckner等［1］利用Logit模型研究居民出行時間、花費等因素對不同消費者私家車出行的影響.Mcfadden等［2］提出隨機參數(shù)Logit模型，在克服模型中各可選項獨立不相關(guān)（Independent and irrelevant alternatives，IIA）缺陷的同時，更為準確地解釋了出行者出行方式選擇行為.李虹慧［3］探究了城市群范圍內(nèi)居民城際出行行為，根據(jù)乘客心理潛變量等因素構(gòu)建結(jié)構(gòu)方程模型，并與多項Logit模型相結(jié)合建立混合選擇模型.張晨陽［4］在探究居民短距離出行方式選擇的過程中，引入潛在變量，建立了SEM-Logit模型.范愛華［5］在研究出行方式選擇的過程中，考慮了異質(zhì)性的交通干預(yù)對交通方式選擇的影響.Zou等［6］在考慮個人屬性、出行特征、交通擁堵等因素下，利用貝葉斯學習和基于主體建模（Agent-Based Model，ABM）等方法，探究出行方式選擇和出發(fā)時間選擇.

在針對公共衛(wèi)生事件下居民出行方面，鄒昊譽［7］利用MNL回歸模型分析疫情防控背景下客觀環(huán)境和個人屬性對居民出行方式選擇的影響.胡三根等［8］利用Nested Logit模型主要從出行者個人屬性和出行特征兩方面分析了疫情不同階段下居民出行方式選擇行為.楊省貴等［9］利用結(jié)構(gòu)方程模型分析研究新冠肺炎疫情后旅客的安全感知對乘機出行意愿的影響機理，根據(jù)影響因素提出相應(yīng)的應(yīng)對措施.李潔［10］基于紐約市居家人口數(shù)據(jù)、出行數(shù)據(jù)和多種交通方式客流量數(shù)據(jù)，運用因子分析方法分析新冠肺炎疫情對紐約市交通出行的影響.石京等［11］基于計劃行為理論和收益-風險分析構(gòu)建結(jié)構(gòu)方程模型，分析疫情后居民休閑出行意愿的影響因素和影響機制.謝馳等［12］提出了一套以現(xiàn)有資源與技術(shù)為基礎(chǔ)、適應(yīng)疫情防控特殊要求的綜合城市交通系統(tǒng)與出行活動管控框架與措施.此外，亦有學者研究了新冠肺炎疫情對公共交通出行［13］、運行［14］、老年人公交出行［15］的影響.

本文旨在深層次分析疫情對居民出行方式選擇的影響，明確像新冠肺炎疫情這類突發(fā)公共衛(wèi)生事件下居民的出行方式結(jié)構(gòu)，為公共衛(wèi)生事件下出行者出行方式的決策和相關(guān)部門針對疫情防控提供參考依據(jù).

1 居民出行數(shù)據(jù)調(diào)查

根據(jù)國家衛(wèi)生健康委員會發(fā)布的新冠肺炎確診數(shù)據(jù)，國務(wù)院新聞辦公室發(fā)布的《抗擊新冠肺炎疫情的中國行動》白皮書［16］中將疫情傳播分為疫情初期（2019年12月27日 至2020年1月19日）、暴 發(fā) 期（2020年1月20日至3月10日）、平穩(wěn)期（2020年3月11日至今）3個階段.

為收集居民在疫情不同階段下出行方式選擇的影響因素數(shù)據(jù)，以問卷的形式在北京市展開抽樣調(diào)查.問卷內(nèi)容包括出行者的個人屬性、家庭屬性、疫情不同階段下的出行特征、疫情風險感知屬性等.調(diào)查項目及其人數(shù)占比情況詳見表1和表2.通過網(wǎng)上調(diào)查和現(xiàn)場問詢相結(jié)合的方式共收回問卷1 320份，其中線上問卷730份，紙質(zhì)版問卷590份，有效問卷合計1 290份，樣本量足以支撐本文的研究［17］.

表1 基本屬性統(tǒng)計情況Tab.1 Statistics of basic attributes

表2 疫情不同階段下基本屬性統(tǒng)計情況Tab.2 Statistics of basic attributes at different stages of the pandemic

2 混合Logit模型的原理及適用性

效用與效用最大化理論是非集計模型的理論基礎(chǔ)［18］，效用函數(shù)是采用離散選擇模型解決問題的關(guān)鍵.效用是選擇肢帶給決策者的好處，是決策者經(jīng)過對時間、距離、安全等多方面綜合考慮之后做出的某項決策所獲得的一種滿足感.

因出行者在出行方式選擇過程中對信息的考慮是不全面的，導(dǎo)致出行效用不能完全被觀測到，所以隨機效用理論視效用為一個隨機變量，分為固定效用（可觀測效用）和隨機效用（不可觀測效用）兩部分.效用函數(shù)為

式中：Uij為出行者i選擇出行方式j(luò)所獲得的總效用，j為步行、自行車或電動車、小汽車、公交車或地鐵；Vij為出行者i選擇方案j的效用函數(shù)中的固定項；εij為隨機效用（不可觀測效用），包含難以觀測到的效用和觀測誤差產(chǎn)生的影響；βi為出行方式選擇影響因素的系數(shù)向量；xij為選擇方式的影響因素集.

交通方式的多樣化為出行者在選擇過程中提供多重選擇.北京市目前主要有步行、自行車、電動車、小汽車、公交車和地鐵6類交通方式，選擇肢大于2個，可建立多項Logit模型（Multinomial Logit Model，MNL）.模型假定隨機項服從獨立分布，一般采用最大似然估計方法進行估計［19］，計算簡單.MNL模型選擇概率的一般形式為

式中固定效用（可觀測效用）函數(shù)Vij可用簡單的線性形式表示為

式中，ASC為替代常數(shù)項，解釋無法觀測的屬性對選擇結(jié)果的影響.

多項Logit模型的解釋變量只包含個人屬性，具有非相關(guān)選擇方案相互獨立特性，即當剔除或增加被解釋變量的一個類別時，被解釋變量中的其他變量被選擇的概率不會受到影響，然而在疫情下交通方式選擇過程中這個假設(shè)是與現(xiàn)實情況是不符的.疫情下居民出行方式選擇較為復(fù)雜，在分析研究中不能考慮所有因素以及各因素對出行方式選擇的交互影響，從而導(dǎo)致已納入模型的各因素作用效果對居民出行方式選擇的影響不夠具體和全面，即各因素對選擇方式的異質(zhì)性無法體現(xiàn).而混合Logit模型的解釋變量包含個人屬性，也包括隨方案而變的屬性，其效用函數(shù)的參數(shù)是隨機的且服從一定的分布規(guī)律，可以考慮出行者之間的異質(zhì)性，還可以處理選擇方案之間的相關(guān)性和面板數(shù)據(jù)相關(guān)性等.所以本文采用混合Logit模型分析不同疫情階段下居民出行方式選擇的影響因素.

混合Logit概率是標準Logit概率在參數(shù)密度上的積分，表示為

式中：f(βi|θ)為系數(shù)向量βi服從多元正態(tài)分布的概率密度函數(shù)；θ為均值為0，協(xié)方差矩陣為單位矩陣的隨機項，服從標準多元正態(tài)分布，用以表征未觀測的異質(zhì)性；Lni(βi)是基于系數(shù)向量βi的Logit概率，表示為

固定效用（可觀測效用）函數(shù)Vni可用簡單的線性形式表示為

式中：xni為出行方式選擇的影響因素集；εni為誤差項.i=1，2，3，4分別為步行、自行車或電動車、小汽車、公交車或地鐵，本文以“步行”為基準變量；n=1，2，…，N，N表示調(diào)查問卷樣本數(shù).

3 模型分析

3.1 參數(shù)設(shè)定

考慮新冠疫情傳播特點，根據(jù)各種交通方式的通風效果以及在使用過程中人流的聚集情況，本文將出行方式選擇方案分為4類：步行（y1）、自行車或電動車（y2）、小汽車（y3）、公交車或地鐵（y4）.依據(jù)表1和表2中所列的調(diào)查項目及內(nèi)容，形成14個被調(diào)查居民的個體特征自變量，其中個人屬性：性別（x1）、年齡（x2）、職業(yè)（x3）、月收 入（x4）、有無駕照（x5）；家庭屬性：有無小汽車（x11）、共同居住人口數(shù)（x7）；出行特征：出行目的（x6）、出行距離（x8）；感知屬性：疫情防護的了解程度（x9）、疫情防控政策的了解程度（x10）；行為意向：某時期對某類交通方式的傾向程度（x12）；選擇態(tài)度：因某交通方式具有人群、物體接觸率低而被選擇的比重（x13）、因某類交通方式的防疫措施較為嚴格而被選擇的比重（x14）.出行費用（z）隨著方案變化而變化，本文將其設(shè)置為隨機變量.

3.2 多重共線性檢驗

為避免各個解釋變量之間存在線性關(guān)系，在統(tǒng)計學中采用方差膨脹系數(shù)（Variance Inflation Factor，VIF）來衡量多元線性回歸模型中多重共線性的嚴重程度.對疫情3階段下的數(shù)據(jù)分別分析，得出各自變量在不同時期之間的線性關(guān)系，見表3.由表3可知，各自變量對應(yīng)的VIF值都小于5，且平均方差膨脹系數(shù)也都小于2，表明各自變量之間不存在多重共線性問題.

表3 多重共線性檢驗情況Tab.3 Multicollinearity test

3.3 回歸分析

使用Matlab軟件對收集數(shù)據(jù)進行面板化處理，在Stata16.0軟件中，利用cmset命令對面板數(shù)據(jù)設(shè)置變量屬性，調(diào)用cmmixlogit命令進行混合Logit回歸.模型輸出結(jié)果包括以步行為基準組，各因素對自行車或電動車、小汽車、公交或地鐵3類交通方式的影響情況，如表4所示.當P值小于0.05時，表明在5%的水平上拒絕原假設(shè)，回歸系數(shù)顯著.估計系數(shù)的實際意義不容易解釋，為直觀表示其實際意義，通常將其指數(shù)化得到勝算比（Odds Ratio，OR），表征選擇某一種交通方式的概率與選擇基準組（步行）概率的比值.其中OR＞1，呈正相關(guān)；OR＜1，呈負相關(guān)；OR=1，不相關(guān).

基于Stata軟件，計算赤池信息準則（Akaike Information Criterion，AIC）、貝葉斯信息準則（Bayesian Information Criterion，BIC）來評價模型的擬合優(yōu)度，指標相對較小的模型擬合結(jié)果較好，如表5所示.結(jié)果表明，混合Logit模型與多項Logit模型擬合效果區(qū)別不大，但混合Logit模型的擬合優(yōu)度整體略優(yōu)于多項Logit模型.

表5 混合Logit模型與多項Logit模型擬合結(jié)果對比Tab.5 Comparison of fitting results of mixed Logit model and multinomial Logit mo

3.4 邊際效應(yīng)分析

由表4可知，疫情階段不同，出行距離（x8）和疫情風險感知變量（x9和x10）對交通方式選擇的影響程度也不同.故有必要進一步探求自變量變化對因變量變化的影響作用.當其他變量取得均值時，計算這3個變量的預(yù)測邊際值，如表6所示.如在疫情不同階段，出行距離最大預(yù)測邊際值及其對應(yīng)變量分 別 為3.299（5～10 km）、2.983（＞10 km）、3.148（5～10 km），即較長距離對交通方式選擇影響最大.

表4 疫情不同階段下影響因素估計結(jié)果Tab.4 Estimated results of influencing factors at different stages of the pandemic

表6 邊際效應(yīng)預(yù)測值Tab.6 Predicted value of marginal effect

為進一步了解疫情風險感知變量（x9和x10）能否調(diào)節(jié)出行距離（x8）與交通方式選擇（y）之間的影響關(guān)系，在回歸模型中分別加入疫情防護的了解程度（x9）、疫情防控政策的了解程度(x10)和出行距離的交乘項，如表7所示.處理變量、調(diào)節(jié)變量、交乘項的系數(shù)以及顯著情況的變化，能夠反映調(diào)節(jié)變量對因變量的邊際效應(yīng)受處理變量的影響程度.如疫情初期，疫情防護的了解程度（x9處理變量）和出行距離（x8調(diào)節(jié)變量）的回歸系數(shù)值分別為0.862和0.496，二者交乘項的回歸系數(shù)值為-0.121，表明疫情防護的了解程度能夠調(diào)節(jié)出行距離對交通方式選擇的邊際效應(yīng).同理，疫情平穩(wěn)期，變量x10和變量x8的回歸系數(shù)顯著為負，交乘項的系數(shù)顯著為正，表明疫情防控政策的了解程度可以很好地調(diào)節(jié)出行距離對交通方式選擇的影響作用.

表7 疫情不同階段下變量交乘項的調(diào)節(jié)效應(yīng)Tab.7 Moderating effects of variable cross-products at different stages of the pandemic

為更好地量化感知屬性對出行距離與交通方式選擇之間的影響關(guān)系，當感知屬性變量取不同值時，計算出行距離對交通方式選擇的邊際效應(yīng)，如圖1所示.

由圖1（a）可知，疫情初期，隨著出行者對疫情防護了解程度的提高，出行距離對交通方式選擇的邊際效應(yīng)逐漸降低，即疫情防護的了解程度和出行距離的交乘項對交通方式選擇的邊際效應(yīng)成反向調(diào)節(jié).主要原因為在這一階段，出行者對疫情防護的了解程度不高，對交通方式選擇的影響作用較小.由圖1（b）可知，疫情平穩(wěn)期，隨著出行者對疫情防控政策了解程度的增加，出行距離對交通方式選擇的邊際效應(yīng)逐漸增大，表明疫情防控政策的了解程度越高，調(diào)節(jié)出行距離對交通方式選擇的影響作用就越大.

圖1 感知屬性與出行距離交乘項對交通方式選擇的影響作用Fig.1 Effect of perception attributes intersection and travel distance on transportation mode choice

4 影響因素分析

4.1 疫情初期

1）自行車或電動車出行的影響因素分析.

由表4可知，出行者的性別（x1）、年齡（x2）、職業(yè)（x3）、出行目的（x6）、共同居住人口數(shù)（x7）、出行距離（x8）的顯著性P值均小于0.05，對選擇自行車或電動車的影響顯著.結(jié)合表4中的勝算比，可知各因素對選擇自行車或電動車出行的影響分別是對步行出 行 影 響 的0.199倍、0.290倍、0.599倍、1.960倍、0.608倍、27.320倍，即性別、年齡、職業(yè)、共同居住人口數(shù)對選擇自行車或電動車的影響呈負相關(guān)（OR＜1），出行目的、出行距離對選擇自行車或電動車的影響呈正相關(guān)（OR＞1）.出行距離的影響程度最大，其次為出行目的、共同居住人口數(shù)、職業(yè)、年齡、性別.結(jié)合表1和表2中各變量賦值情況，可以說明男性更愿意騎自行車或電動車出行；年齡越大，騎自行車或電動車出行的意愿越低；學生更傾向于選擇步行出行；出行目的為探親訪友的更傾向于選擇自行車或電動車出行；出行距離越長，自行車或電動車受歡迎程度越高.

2）小汽車出行的影響因素分析.

出 行 者 的 性 別（x1）、月 收 入（x4）、有 無 駕 照（x5）、出行距離（x8）、疫情防護的了解程度（x9）、有無小汽車（x11）對選擇小汽車出行的影響顯著.各因素對選擇小汽車出行的影響分別是對步行出行影響的0.030倍、19.860倍、0.271倍、203.992倍、2.965倍、39.116倍.在同等環(huán)境下與步行相比，男性比女性更傾向于選擇小汽車出行；出行者出行距離越大，小汽車出行比步行出行的優(yōu)勢越大；月收入越高，越喜歡選擇小汽車出行；有小汽車的人更容易選擇小汽車出行.

3）公交或地鐵出行的影響因素分析.

出行者的年齡（x2）、職業(yè)（x3）、月收入（x4）、出行目的（x6）、出行距離（x8）、疫情防護的了解程度x9對選擇公交車或地鐵的影響顯著.各因素對選擇公交車或地鐵出行的影響分別是對步行出行影響的0.568倍、0.582倍、2.341倍、2.546倍、112.106倍、3.141倍.從結(jié)果中可以看出：相比于步行出行，出行距離越大，選擇公交車或地鐵出行的勝算比就越大；以探親訪友為目的的出行對公交車或地鐵的影響較大.企業(yè)職員更愿意選擇公交車或地鐵出行；出行者對疫情防護的了解程度對選擇公交車或地鐵的影響顯著.

4.2 疫情暴發(fā)期

1）自行車或電動車出行影響因素分析.

與疫情初期相比，性別、職業(yè)、出行目的對居民選擇自行車或電動車出行的影響不再顯著，主要原因為北京市采取嚴密的防控措施，除一線人員上下班外，絕大多數(shù)企業(yè)停工停產(chǎn)或員工居家辦公；居民出行頻率減少，出行目的比較集中，多為購置生活必需品.月收入對選擇自行車或電動車出行的影響呈正相關(guān)顯著，即出行者月收入越高，選擇自行車或電動車出行的意愿就越強.

2）小汽車出行的影響因素分析.

與疫情初期相比，出行者的年齡、職業(yè)、有無駕照、有無小汽車對選擇小汽車出行的影響不再顯著，原因主要是交通管制嚴格，居民出行距離短，出行活動少等；出行者對票價的要求變低，愿意花費更高的價錢選擇防控效果較好的小汽車出行.性別、年齡、共同居住人口數(shù)對選擇小汽車出行的影響分別是對步行出行影響的0.367倍、0.476倍、0.584倍，都呈負相關(guān)顯著.表明男性相較于女性，更喜歡選擇小汽車出行；年齡越大，選擇小汽車出行的意愿越低；共同居住人口數(shù)越多，越傾向于選擇小汽車出行.

3）公交或地鐵出行的影響因素分析.

與疫情初期相比，出行者的年齡、職業(yè)和出行目的對公共交通選擇的影響不再顯著，原因為正值春節(jié)，全國疫情形勢嚴峻，居民出行活動減少，大多居家過節(jié).為避免交叉感染，出行者選擇公共交通出行的意愿較低，如有駕照的出行者更不傾向于選擇公共交通出行.

4）潛在因素分析.

與步行相比，疫情感知屬性變量、行為意向變量、選擇態(tài)度變量在疫情暴發(fā)期對自行車或電動車、小汽車、公交車或地鐵這3類交通方式的選擇的影響都呈負相關(guān)顯著.結(jié)果表明：出行者對疫情防護和防控政策越了解，安全意識越強，選擇步行的可能性就越大；交通方式的傾向性方面，相比于其他3類交通方式，步行的勝算比最大；出行者更愿意選擇人群接觸率低，防疫措施較為嚴格的交通方式出行，而步行在所有交通方式中，自主可控性強，被選擇的可能性高.

4.3 疫情平穩(wěn)期

1）自行車或電動車出行的影響因素分析.

除疫情感知屬性變量、行為意向變量、選擇態(tài)度變量對選擇自行車或電動車的影響顯著外，其他顯著因素和疫情初期一致，但各因素的勝算比變化明顯，影響程度不同，如在疫情初期和平穩(wěn)期，年齡（x2）的勝算比分別為0.396和0.170，表明年齡對選擇自行車或電動車出行的影響逐漸減小.

2）小汽車出行的影響因素分析.

與疫情初期相比，影響因素基本相同，但影響程度變化明顯.如疫情初期，月收入和有無小汽車對選擇小汽車出行的影響是對選擇步行出行影響的19.860倍和39.116倍，而在疫情平穩(wěn)期，月收入和有無小汽車對選擇小汽車出行的影響是對選擇步行出行影響的93.505倍和214.175倍.疫情防護的了解程度（x9）對選擇小汽車出行的影響不再顯著，因為在這一時期，北京市疫情得到有效防控，居民防護意識普遍較強，交通方式選擇趨于多樣化.

3）公交或地鐵出行的影響因素分析.

在疫情初期影響因素的基礎(chǔ)上，共同居住人口數(shù)（x7）對選擇公交或地鐵的影響呈負相關(guān)顯著，表明共同居住人口數(shù)越多，選擇公共交通出行的意愿就越低.除此之外，出行者對交通工具的防疫措施（x13）要求變高，要求程度越高，就越不傾向于選擇此類交通方式出行.

4）潛在因素分析.

在本階段，選擇態(tài)度變量對交通方式選擇的影響顯著，且影響程度變大，表明出行者在出行過程中的安全擔憂表現(xiàn)明顯，對交通方式的人群接觸率和防疫措施的嚴格程度要求較高.如關(guān)于交通方式防疫措施是否嚴格（x14）這一選擇態(tài)度變量，在平穩(wěn)期對選擇小汽車和自行車或電動車的影響呈正相關(guān)顯著，表明相對于步行而言，出行者更傾向于選擇防疫措施較好的交通方式出行.

在上述分析的基礎(chǔ)上，本文從出行者的感知屬性和出行距離這兩個可控因素出發(fā)，針對疫情防控提出如下建議：

1）疫情初期，疫情防護的了解程度（x9）和出行距離（x8）對交通方式選擇的影響成正相關(guān)顯著.所以相關(guān)部門應(yīng)做好疫情防護宣傳工作，嚴格執(zhí)行防控要求，加大對公共交通長距離出行的有效管控，適時采取區(qū)間車、大站快車等形式，確保車內(nèi)乘客數(shù)量適中.

2）疫情暴發(fā)期，由表6可知，出行距離中最大預(yù)測邊際值為2.983，對應(yīng)變量為“大于10 km”，表明長距離出行對交通方式選擇影響較大.相關(guān)部門應(yīng)加強對出行距離的管控，避免長距離出行.私家車出行方面，相關(guān)部門可以鼓勵并推行“合乘”出行模式，同單位、同小區(qū)、同辦公樓的出行者可以實行“私車合乘”的模式，達到疫情有效防控［20］.在網(wǎng)約車管控方面，應(yīng)嚴格落實日常消毒工作，借助打車平臺，實現(xiàn)乘客可追溯.

3）疫情平穩(wěn)期，出行者對疫情防控政策的了解程度仍然不高，最大預(yù)測邊際值為3.242，所對應(yīng)的變量為“了解程度一般”.且出行者對疫情防控政策的了解程度能夠有效調(diào)節(jié)出行距離對交通方式選擇的邊際效應(yīng)，所以相關(guān)部門有必要加大防控政策的宣傳力度.在日常防疫消毒、加強通風、測溫進站上車的基礎(chǔ)上，在增加運力的同時，適時科學地延長車輛的運營時間，實現(xiàn)人流快速疏散.

5 結(jié)論

1）分別建立混合Logit模型和多項Logit模型分析疫情不同階段下居民出行方式選擇的影響因素.結(jié)果表明混合Logit模型的擬合優(yōu)度優(yōu)于多項Logit模型，可以更好地揭示疫情不同階段下居民的出行特征.此外，混合Logit模型可以解析各因素對交通方式選擇影響的交互性，具有廣泛的應(yīng)用前景.

2）從疫情初期、暴發(fā)期和平穩(wěn)期3個階段系統(tǒng)分析了居民出行交通方式選擇的影響因素，發(fā)現(xiàn)居民出行方式結(jié)構(gòu)變化明顯，主要表現(xiàn)為：①疫情初期，居民的個人屬性、家庭屬性和出行特征對居民出行交通方式選擇的影響較大，感知屬性、行為意向和選擇態(tài)度變量對交通方式選擇的影響較小.②疫情暴發(fā)期，與疫情初期相比，感知屬性、行為意向和選擇態(tài)度變量對交通方式選擇的影響變大，個人屬性、出行特征和家庭屬性對交通方式選擇的影響減弱，如相比于步行出行，出行距離對自行車或電動車、小汽車、公交車或地鐵影響的勝算比分別從27.320、203.992、112.106變化為4.642、13.762、16.721.③疫情平穩(wěn)期，除疫情感知屬性、行為意向、選擇態(tài)度變量對交通方式選擇影響顯著外，其他顯著因素和疫情初期基本一致，但各因素的勝算比變化明顯，影響程度不同，如在選擇自行車或電動車出行的影響中，疫情初期和平穩(wěn)期年齡的勝算比分別為0.396和0.170，年齡對選擇自行車或電動車出行的影響逐漸減小.

3）進一步分析了疫情風險感知變量對出行距離與交通方式選擇之間的影響關(guān)系的調(diào)節(jié)作用，在回歸模型中分別加入疫情防護的了解程度、疫情防控政策的了解程度和出行距離的交乘項，在計算這3個變量預(yù)測邊際值的基礎(chǔ)上，進一步探求了自變量變化對因變量變化的影響作用，發(fā)現(xiàn)當感知屬性變量取不同值時，出行距離對交通方式選擇的邊際效應(yīng)呈不同的變化趨勢，表明疫情階段不同，疫情感知屬性對交通方式選擇的調(diào)節(jié)作用也不同.

4）本文雖研究了疫情不同階段下居民出行方式選擇的影響因素，探討了疫情感知屬性變量對交通方式選擇邊際效應(yīng)的調(diào)節(jié)作用，但仍存在需要豐富和完善的地方：①調(diào)查方式需優(yōu)化.每位被訪者需要同時回答疫情3個階段下的問題，這可能造成不同場景之間的互相影響，從而影響結(jié)果的魯棒性.②疫情傳播階段劃分需細化.本文根據(jù)疫情的傳播速度和疫情防控政策將疫情傳播劃分了3個階段，但根據(jù)目前疫情的傳播發(fā)展情況，仍需對疫情階段進行更為細致的劃分，更全面地分析不同疫情階段下居民的出行特點，進而得到更為準確的疫情防控資料.③交通方式劃分需細化.本文根據(jù)北京市現(xiàn)有交通方式，將城市交通劃分為步行類、騎行類、小汽車類和公共類4類.因分析數(shù)據(jù)要求較多，過程較為繁瑣，未能將交通方式進行更為細致的劃分.如根據(jù)疫情傳播情況，仍可以將騎行類交通再細劃為個人擁有類和共享類兩類，小汽車類交通還可劃分為私家車和共享車兩類等.