限行政策下傳統(tǒng)小汽車出行者出行方式選擇

　　摘要：許多城市通過實施小汽車限行政策來緩解交通擁堵和空氣污染，因此研究傳統(tǒng)小汽車出行者個體的異質性對限行政策下出行方式選擇行為的影響是十分必要的。本文以西安市傳統(tǒng)小汽車出行者為調(diào)查對象，采用行為偏好和意向偏好融合調(diào)查方法設計調(diào)查問卷，獲取特定情景下傳統(tǒng)小汽車出行者的出行方式選擇行為;采用CHAID決策樹方法劃分傳統(tǒng)小汽車出行者的類別，采用固定參數(shù)logit模型和隨機參數(shù)logit模型構建不同群體限行后的出行方式選擇模型，并對比這個模型的優(yōu)劣。研究結果表明：傳統(tǒng)小汽車出行者分為僅有輛車的青年出行者、僅有輛車的壯年出行者、僅有輛車的中老年出行者和有多輛車的出行者類;隨機參數(shù)logit模型的擬合效果更好;僅有一輛車的低收入青年和壯年出行者在限行日更傾向于選擇公共交通出行;提高公共交通服務水平有助于吸引僅有一輛車的出行者在限行日選擇公共交通方式出行，道路暢通有助于吸引有多輛車的出行者在限行日選擇公共交通方式出行。研究結論可以為城市交通管理相關部門制定差異化的限行政策提供理論支撐。

　　關鍵詞：交通工程;限行政策;決策樹;隨機參數(shù)ogit模型;出行方式選擇

　　0引言

　　中國民用汽車保有量從010年的0.78億輛猛增至020年的2.81億輛，年均增長率為3.67%，其中2020年私人汽車保有量超過2.44億輛[1]。盡管汽車數(shù)量的增加方便了人們的出行，但是也帶來了諸如交通擁堵、空氣污染、能源消耗等負面影響，更為重要的是汽車數(shù)量的急劇增加嚴重威脅了人類的健康和生態(tài)的平衡，是制約城市可持續(xù)發(fā)展的瓶頸。

　　為了解決機動化快速發(fā)展帶來的問題、避免城市發(fā)展模式的不可持續(xù)性，各國政府和專家學者紛紛嘗試從規(guī)劃、經(jīng)濟和政策法規(guī)角度對交通需求進行管控，使交通供需達到相對平衡，這些政策和措施統(tǒng)稱為交通需求管理(TrafficDemandManagement,TDM)。其中，小汽車限行政策作為TDM政策的重要組成部分，已經(jīng)被一些國家和地區(qū)證實是一項短期內(nèi)有效地減少道路交通需求、立竿見影的措施[3]。許多學者證明，限行政策能夠通過影響出行者的出行方式達到緩解交通擁堵、改善空氣污染7,8的效果，具體表現(xiàn)為彈性出行減少、早晚高峰車速提高、公共交通客流量增加10、汽車尾氣排放減少。

　　由于個體的異質性和適應性，限行政策實施后，不同出行者會根據(jù)自身的社會經(jīng)濟狀況、認知程度和出行需求等實際情況做出不同的應對行為。出行者可以采取減少彈性出行或使用其它替代交通工具出行等積極應對行為2,4,910]，也可以選擇錯峰出行等中立應對行為[6]，甚至是購買第二輛車、違規(guī)出行等規(guī)避限行的消極應對行為[113。這些應對措施不僅反映出限行政策存在一定的局限性，而且也反映出出行個體存在異質性。因此，了解不同出行者限行后的出行行為變化，探尋限行政策下影響各類小汽車出行者出行方式的因素，并提出改善對策以緩解大城市的交通壓力顯得尤為迫切。

　　目前，許多關于出行方式選擇行為的研究都假設出行者是同質的[14]，未能深入考慮出行者的異質性問題，這導致研究結果與實際情況差距較大，不具有較好的適用性。因此，部分學者開始嘗試將出行個體的異質性引入出行方式選擇研究。異質性最早由Böckenholt等[15]提出，他們認為異質性是不同個體對同一產(chǎn)品會產(chǎn)生的不同偏好，同理不同出行個體對各種交通方式的偏好或交通政策的響應也是不同的。異質性的表現(xiàn)形式有偏好異質性(PreferenceHeterogeneityPH)和響應異質性(TasteHeterogeneity,TH)種。

　　偏好異質性指個體之間在社會經(jīng)濟特征和心理特征等方面存在的差異性16]，即不同個體的性別、年齡、認知是不同的;響應異質性指個體之間對事物特征的評價差異或響應差異17]，例如，實行限行政策對使用私家車出行有負效應，但這種負效應對不同出行個體的影響程度是不同的。由此可知，個體的偏好異質性會進一步產(chǎn)生響應異質性，研究者認為有必要通過群體細分來確定并研究每個子群體的特性。

　　目前，國內(nèi)外對出行群體的劃分大多基于可觀測偏好異質性進行單一屬性分組或多屬性分組。將受訪者分為有車一族和無車一族探討了他們對限行政策態(tài)度和公共交通使用意愿的差異;戢曉峰等[1利用決策樹將公路旅客進行群體細分，分析了需求強度對不同群體出行行為的異質性影響，但該分組方法無法反映群體內(nèi)部的屬性結構，僅能考慮可觀測異質性的影響，對異質性分析不夠充分。

　　一些研究者發(fā)現(xiàn)可以通過離散選擇模型(DiscreteChoiceModel,DCM)捕捉到出行個體選擇行為的異質性，證明了考慮個體異質性的logit模型(如隨機參數(shù)logit模型、潛在類別選擇模型)的擬合效果明顯比傳統(tǒng)的logit模型好，并且能夠衡量個體的不可觀測異質性20。hao等21]分別建立了隨機參數(shù)logit模型和固定參數(shù)logit模型探究了影響駕駛人路徑選擇的相關因素，并證明考慮個體異質性的隨機參數(shù)logit模型擬合性能較好;趙鵬等22建立高速鐵路乘客乘車選擇行為模型，證明了考慮個體完整異質性的隨機參數(shù)ogit模型相比不考慮個體異質性多項ogit模型擬合度較好，更能解釋的乘客實際行為。

　　綜上可知，隨機參數(shù)logit模型對個體異質性行為有較好的解釋作用，而群體細分法作為一種解釋異質性的傳統(tǒng)方法，盡管存在一定的局限性，但也能反映同類群體的共有特性。因此，本文以西安市傳統(tǒng)小汽車出行者為研究對象，采用CHAID決策樹對出行者進行分類，選取了傳統(tǒng)小汽車出行者的社會經(jīng)濟特征、出行特征和情景因素作為自變量，構建考慮出行個體異質性的限行政策下出行方式選擇隨機參數(shù)logit模型，明晰傳統(tǒng)小汽車出行者限行政策下出行決策行為的影響機理，為完善限行政策實施、引導出行者綠色出行的提供理論依據(jù)。

　　1數(shù)據(jù)采集

　　1.1調(diào)查問卷設計

　　本文以西安市傳統(tǒng)小汽車出行者為調(diào)查對象，采用行為偏好(RevealedPreference,RP)和意向偏好(StatedPreference,SP)融合調(diào)查方法獲取特定情景下傳統(tǒng)小汽車出行者的出行方式選擇行為。調(diào)查問卷包括個部分，第部分為傳統(tǒng)小汽車出行者的社會經(jīng)濟屬性和限行后的出行行為，采用方法調(diào)查;第部分為假設情景，采用SP方法調(diào)查傳統(tǒng)小汽車出行者在不同組合情景下的出行方式選擇行為。

　　傳統(tǒng)小汽車出行者的社會經(jīng)濟屬性包括性別、年齡、月收入、家庭結構、是否接送小孩和私家車擁有量個影響因素，限行后的出行行為包括出發(fā)時間、出行時間和出行距離個影響因素。在第部分，本文考慮了道路交通狀況、限行感知效果、公共交通服務水平個情景因素，每個情景因素都設置了種不同場景。

　　如果采用全面試驗法考慮每個情景因素的所有假設場景來設計調(diào)查問卷，不僅需要花費大量的人力和物力，而且也會增加調(diào)查問卷的復雜程度，進而增加受訪者的回答難度。因此，本文采用正交試驗法設計調(diào)查問卷，以(34)正交表為基礎，形成種正交試驗方案，隨機抽取種試驗方案納入調(diào)查問卷。

　　1.2調(diào)查實施

　　為了使研究樣本具有更廣泛的代表性，本文采用網(wǎng)絡調(diào)查和現(xiàn)場調(diào)查種方式獲取樣本數(shù)據(jù)。同時，為了使研究結論具有針對性，本文對調(diào)查對象提出個約束條件：

　　(1)受訪者必須是西安市城市居民;(2)受訪者有駕車出行過程中受到限行政策的影響;(3)受訪者的家庭至少擁有一輛小汽車。

　　網(wǎng)絡調(diào)查委托“問卷星”平臺于019年月日至月日進行，歷時一個月，共收集到00份有效樣本。現(xiàn)場調(diào)查采用路邊訪談的形式，選取種不同用地類型(即大型住宅區(qū)、學校和商業(yè)綜合體)的周邊干道和停車場進行調(diào)查，最終獲得00個樣本數(shù)據(jù)，剔除個不完整的樣本，得到85個樣本數(shù)據(jù)。最終，網(wǎng)絡調(diào)查和現(xiàn)場調(diào)查共獲得85個樣本。

　　1.3樣本特征分析

　　從年齡來看，35歲和45歲的受訪者較多，分別占和，是主要的受訪群體;從私家車擁有量來看，僅有一輛私家車的出行者是主要的受訪群體，占82%。基于HAID決策樹的小汽車出行者分類CHAID決策樹全稱為卡方自動交互檢測法(ChiquaredAutomaticInteractionDetector,CHAID)，是一種較為直觀可靠的細分方法，同時也是一種可用于預測的模型23]。

　　其核心思想是根據(jù)因變量和解釋變量之間的關系，通過比較內(nèi)部節(jié)點的屬性值，采用自上向下的遞歸方式對樣本數(shù)據(jù)集進行最優(yōu)分割，并通過卡方檢驗的顯著性進行多元列聯(lián)表的自動判斷分組24]。CHAID決策樹對因變量的類型沒有特殊要求，無論因變量為連續(xù)變量或離散變量的情況均適用，且數(shù)據(jù)不需要滿足正態(tài)分布;但是，CHAID決策樹要求解釋變量必須為分類變量。CHAID決策樹的輸出結果以樹狀圖展現(xiàn)，具有直觀、容易理解的優(yōu)點。

　　2基于CHAID決策樹的傳統(tǒng)小汽車出行者分類

　　步驟如下：步驟：選定限行后傳統(tǒng)小汽車出行者的日常出行方式為因變量，該變量為選擇私家車出行或選擇公共交通出行的二分類變量;選定傳統(tǒng)小汽車出行者的社會經(jīng)濟特征(性別、年齡、收入、私家車擁有量等)為自變量;對自變量與因變量進行交叉分類，生成若干二維列聯(lián)表;步驟：分別計算各個二維列聯(lián)表的檢驗值和值;本文的因變量為二分類變量，因此采用卡方檢驗。

　　3限行政策下的傳統(tǒng)小汽車出行者出行方式選擇模型

　　3.1模型構建

　　DCM是解決因變量為分類變量的問題的一種模型，它利用隨機效用和效用最大化理論描述了決策者在各種決策集中的選擇行為。目前，DCM已廣泛應用于交通領域，尤其是在出行方式選擇25]、出行路徑選擇21]等研究。常用的CM模型主要有l(wèi)ogit模型和probit模型兩種，logit模型因其計算方便、容易理解受到大多數(shù)研究者的青睞。

　　4實證性研究

　　4.1變量說明

　　本文在設定情景中給予傳統(tǒng)小汽車出行者種出行方式選擇，一種是繼續(xù)使用私家車出行，另一種是使用公共交通出行，因此本研究的因變量為二分類變量。本研究的自變量包括社會經(jīng)濟屬性、出行特征(出發(fā)時間、出行時間和出行距離)、情景變量(道路交通狀況、限行感知效果、公共交通服務水平)部分。

　　其中，性別、職業(yè)、接送孩子情況和私家車擁有量為二分類變量，年齡、月收入、家庭結構、出發(fā)時間、出行時間、出行距離、道路交通狀況、限行感知效果和公共交通服務水平為多分類變量。為了分析多分類變量中不同分類項產(chǎn)生的影響，提高研究的精確性，本文將各項多分類變量設置為虛擬變量進行研究。

　　4.2傳統(tǒng)小汽車出行者分類結果

　　考慮到出行者的性別、年齡、月收入、家庭結構、是否接送小孩和私家車擁有量的差異，本文采用CHAID決策樹對小汽車出行者進行類別劃分，其中，拆分水平α值默認為0.05。私家車擁有量為第一層父節(jié)點，分為僅有一輛私家車和擁有兩輛及以上私家車兩個子節(jié)點;年齡為第二層父節(jié)點，分為35歲以下、3645歲、45歲以上三個子節(jié)點，本文將這個年齡段的受訪者分別稱為青年出行者、壯年出行者以及中老年出行者。因此，本文將小汽車出行者分為僅有輛車的青年出行者、僅有輛車的壯年出行者、僅有輛車的中老年出行者和有多輛車的出行者類。

　　4.3不同類別的出行者出行方式選擇行為

　　本研究選擇二項logit模型進行分析，規(guī)定出行者繼續(xù)選擇私家車出行時取Y=0，選擇公共交通出行時取Y=1。利用軟件分別對RPL模型和FPL模型進行參數(shù)估計，設定隨機參數(shù)服從正態(tài)分布，Halton抽樣200次。

　　低收入出行者(5000元)的估計參數(shù)為0.863，這表明與高收入出行者(15000元)相比，低收入出行者更傾向于選擇公共交通出行，選擇公共交通出行的概率是高收入出行者的2.37倍。較長出行時間(6090min)的估計參數(shù)為1.114，這表明：與短出行時間(min)相比，較長出行時間的出行者更傾向于選擇公共交通出行，選擇公共交通出行的概率是短出行時間出行者的3.05倍。

　　公共交通服務水平(較好)的估計參數(shù)為0.864，這表明與較差的公共交通服務水平相比，較好的公共交通服務水平下出行者更傾向于選擇公共交通出行，選擇概率是較差時的2.37倍。此外，公共交通服務水平(較好)為隨機變量，服從正態(tài)分布(均值：0.864，標準差：0.687)，表明該因素對壯年出行者限行后出行方式選擇的影響不同，當公共交通服務水平較好時，該組有89.57%的出行者傾向于選擇公共交通出行。

　　誤差項參數(shù)為0.731，表明受訪者在種組合情景下的出行方式選擇之間存在相關性，且相關性在四組人群中最小，這證明了誤差項存在的必要性，如果刪除誤差項會降低模型精度。四類傳統(tǒng)小汽車出行者的出行方式選擇均受出行時間顯著影響;僅有一輛車的小汽車出行者的出行方式選擇受公共交通服務水平顯著影響，其中，青年出行者和壯年出行者的出行方式選擇還受月收入的顯著影響，中老年出行者還受出行距離和限行效果的顯著影響;擁有多輛車的傳統(tǒng)小汽車出行者的出行方式選擇受出發(fā)時間、出行距離、限行效果和交通擁堵狀況影響顯著。

　　由此可知，不同出行者的出行方式影響因素存在差異，交通管理部門應該針對不同類別的出行者采取有針對性的措施，引導人們在限行后減少私家車出行是實現(xiàn)緩解交通擁堵、減少尾氣污染的可行之策。基于研究結果，本文提出了以下建議。

　　(1)對于所有傳統(tǒng)小汽車出行者，建議從降低乘客出行時間感和提高乘客出行效率等方面引導人們減少私家車出行。因此，可以通過增加車內(nèi)可供休閑的電子設施、優(yōu)化車內(nèi)網(wǎng)絡環(huán)境來改善出行者長時間乘坐公共交通的出行體驗、降低乘客的出行時間感;同時，可以縮短公共交通發(fā)車間隔，減少乘客候車時間，提高公共交通的出行效率。

　　(2)對于僅有一輛車的傳統(tǒng)小汽車出行者，建議從實行公交優(yōu)惠政策、提高限行效果感知、優(yōu)化長距離出行體驗感、改善公共交通服務水平等方面引導人們減少私家車出行。

　　(3)對有多輛車的傳統(tǒng)小汽車出行者，建議從改善交通擁堵、提高限行效果、提高高峰期間公共交通服務水平、優(yōu)化長距離出行體驗感等方面引導人們減少私家車出行。

　　5結論

　　(1)根據(jù)傳統(tǒng)小汽車出行者的社會經(jīng)濟特征，利用CHAID決策樹將其分為僅有一輛車的青年出行者、僅有一輛車的壯年出行者、僅有一輛車的中老年出行者和有多輛車的出行者類。

　　(2)采用FPL模型和RPL模型分別對類出行者限行后的出行方式選擇進行研究，對比分析兩種模型的擬合優(yōu)度指標發(fā)現(xiàn)RPL模型優(yōu)于FPL模型，表明受訪者之間的個體差異和不同場景對受訪者的影響是不可忽略的。

　　(3)除出行時間外，不同類別的傳統(tǒng)小汽車出行者在限行政策下是否選擇公共交通方式出行考慮的影響因素不同。限行政策對僅有一輛車和有多輛車的出行者的出行方式選擇影響差異較大，僅有一輛車的低收入青年和壯年出行者在限行日更傾向于選擇公共交通出行，提高公共交通服務水平有助于吸引僅有一輛車的出行者在限行日選擇公共交通方式出行，道路暢通有助于吸引有多輛車的出行者在限行日選擇公共交通方式出行，出發(fā)時間在:00:00、出行距離遠的有多輛車的出行者在限行日依然偏好選擇小汽車出行。

　　(4)從所有傳統(tǒng)小汽車出行者、僅有一輛車的出行者和擁有多輛車的出行者個角度，針對出行者屬性、出行特征和外部環(huán)境因素提出了優(yōu)化公交出行體驗、改善公共交通服務水平、提高限行政策效果、利用經(jīng)濟手段管理交通需求等引導出行者綠色出行的建議措施。

　　(5)由于本文開始研究時，西安市已經(jīng)實施常態(tài)化限行政策，因此無法獲取限行政策實施前西安市居民出行的數(shù)據(jù)，這是本文的先天不足;同時，本文構建的PL模型僅研究限行政策實施后傳統(tǒng)小汽車出行者繼續(xù)選擇私家車出行或選擇公共交通出行，沒有考慮其它交通方式，這是本文的不足;此外，本文沒有將公共交通進一步細分為軌道交通、公共汽電車和出租車。在后續(xù)的研究中，我們將對上述點不足繼續(xù)進行深入探討。

　　參考文獻：

　　[1]國家統(tǒng)計局.中國統(tǒng)計年鑒[M].北京:中國統(tǒng)計出版社,2020NationalBureauofStatisticsofChina.ChinaStatisticalYearbook[M].Beijing:ChinaStatisticsPress,2020.

　　[2]劉鳳喜,曹弋,周軍.城市機動車保有量控制及合理使用策略[M].北京:北京交通大學出版社,2018.iuFengxi,CaoYi,ZhouJun.ThestrategyofUrban motorvehicleownershipcontrolandrationalusage[M].Beijing:BeijingJiaotongUniversityPress,2018.

　　[3]JiaN,ZhangY,HeZ,etal.Commuters’acceptanceofandbehaviorreactionstolicenseplaterestrictionpolicy:AcasestudyofTianjin,China[J].TransportationResearchPartD,2016,52:428440.

　　[4]ZhangLL,LongRY,ChenH.Docarrestrictionpolicieseffectivelypromotethedevelopmentofpublictransport?[J].WorldDevelopment,2019,119:100110.

　　[5]YangJ,LuF,QinP.Howdoesadrivingrestrictionaffecttransportationpatterns?ThemediumrunevidencefromBeijing[J].EnvironmentforDevelopment,2018,204:270281.

　　[6]YaoWB,DingYH,XuFM,etal.Analysisofcars’commutingbehaviorunderlicenseplaterestrictionpolicy:acasestudyinHangzhou,China[C].

　　21stInternationalConferenceonIntelligentTransportationSystems.USA:ITSC,2018.

　　作者：馬壯林，崔姍姍，胡大偉，王晉

轉載請注明來自發(fā)表學術論文網(wǎng)：http://www.zpfmc.com/jjlw/29574.html