胡郁葱，黄靖翔，石一飞，张曼莹

(华南理工大学 土木与交通学院，广东 广州 510640)

0　引　言

随着经济的快速发展，各大城市私家车的保有量迅猛增长。以广州市为例，截至2015年年底，汽车保有量达到224万辆，交通拥堵情况日趋严重。为缓解拥堵，广州市交通主管部门出台实施差异化停车收费，其目的并不在于收费本身，意图利用经济手段调节私家车使用频率，降低在高峰时间过度使用的私家车给中心城区带来的交通压力。然而，该政策的实施，却并未带来预期的效果[1]。其原因在于不同类型用户由于其收入水平、职业特性、出行目的以及消费习惯等特征的不同，对同一政策的反应、接受程度和适应期等特性均会不同。因此，有必要对广州市私家车出行特征进行精细化研究，掌握各类用户可能对政策实施的反应，才能对政策的影响力有较为科学的把握，为政策的制定和实施提供合理的依据。

A. D. PALMA等[2]研究了瑞士首都日内瓦居民工作出行的选择方式，通过模型计算发现个人(家庭)的社会经济属性是影响居民工作出行的核心因素。Z. PENG等[3]研究了波特兰地区停车收费政策对城市工作出行的方式选择的影响，研究结果发现停车费率对通勤出行方式的选择有着显著的影响，提高停车价格和公共交通服务水平更能有效地减少私家车出行频率、增加公交的使用。韩艳等[4]建立了小汽车通勤出行频率选择模型定量分析停车位供应状况、停车费、燃油价格等因素对小汽车使用者通勤出行频率的影响，获取高燃油价格下小汽车通勤行为随燃油价格变化的规律；赵伟涛[5]研究了通勤出行时间价值模型，经过模型计算可分别得出私家车和公交车的时间价值，而提高公交车的时间价值对出行者减少私家车出行率有重要参考意义。

目前国内外研究家庭经济属性对居民出行方式选择的内容较多，但针对居民私家车出行率的研究却比较少，尤其是基于家庭收入差异性的相关研究。因此，笔者对广州市私家车车主开展了通勤出行相关的SP/RP调查，根据调查数据，重点针对家庭收入这一重要影响因素，构建不同家庭收入的私家车通勤出行率影响模型，得到不同家庭收入的出行者对各类影响因素变化的反应，定量分析各因素带来的私家车通勤出行率变化情况，为政府决策提供重要的依据，也能为预测政策实施效果提供有效的参考。

1　广州市私家车出行率调查

1.1　调查目的与方法

本次调查希望获取广州市居民的家庭收入水平，同时调查其现状条件下的私家车通勤出行使用情况，以及在假定政策场景下私家车通勤出行使用频率的改变情况，从而获取影响不同家庭收入的私家车通勤出行使用情况的重要因素，定量分析各家庭收入水平的私家车通勤出行率受到这些因素影响的程度。

在SP调查(stated preference survey)中，以事先确定的属性(或因素)及其水平组成各种情境，再由这些情境构成替选方案，供受访者以评分、等级排序或离散选择的方式评估其对各项选择的整体偏好[2]。RP调查(revealed preference survey)是指针对某些已经实施的政策或者已经存在的设施进行相关调查，请被调查者根据他们的实际出行行为填写调查问卷，在此基础上建立的相关概率或其他模型。实际调查RP数据具有可靠性，意向调查SP数据具有灵活性[6]。为了更好的将两种数据结合起来，减少交通调查的工作量，提高调查的精确性，笔者采用了SP/RP组合调查方案。

1.2　调查方案

通过RP调查获取私家车车主的家庭月收入情况和私家车通勤出行频率，了解私家车出行者使用私家车的相关费用情况(如家庭端和目的地端停车费、每月燃油费等)[7]。通过初步的调查和数据分析，确定影响私家车车主选择私家车作为通勤出行交通工具的主要因素为目的地端停车费、燃油费以及高峰期的公交等车时间，故SP调查过程中，将目的端停车费上涨幅度、汽车燃油费上涨幅度和公交等车时间下降幅度设置不同水平，供被调查者选择相应的私家车出行频率变化情况，用以研究各类因素对私家车出行率的影响程度。根据初步调查的结果修改，确定最终调查对费用上涨幅度和公交等车时间下降幅度分别设置3个水平，具体调查因素及水平见表1。

表1　调查因素及其水平Table 1　Factors and level of investigation

考虑到实际情况中，政策的制定出台通常是针对于某一具体因素的，较少出现同时改变几种因素的情况，故本次调查的情景设定均是单一变量的，假设条件如下：

1) 每种因素水平变化情景下，其他因素均保持现状不变。

2) 考虑到优先发展公共交通的政策，因素情景的设定均是以减少私家车出行率为大方向。

3) 调查过程中发现目前公交服务水平(包括等车时间和拥挤度)对于多数私家车通勤出行者而言是难以忍受的，当公交等车时间缩减后，对应的公交车拥挤度也会相应下降，考虑二者非独立，故笔者仅针对公交等车时间进行建模，该指标可作为公交服务水平的代表。

1.3　调查及分类结果

调查采用现场问卷调查和网络问卷调查相结合的形式。调查时间为2015年7月10日—17日。调查问卷共回收1 746份，以私家车为主要通勤工具的有效问卷1 401份，有效率80.24%；参与者男女比例为1.06∶1，60%的参与者年龄为30～50岁；私家车平均通勤出行次数为8.16次/周。私家车通勤出行次数分布情况如表2，可以看到超过80%的私家车通勤者每周出行次数在9次以下。

不同家庭收入的私家车出行者分类、比例、出行次数及费用情况如表3。考虑家庭月收入低于0.6万元和高于4万元的调查人群占比过小，仅为1%，因此所采集的数据存在一定的偶然性，无法代表该群体的真实情况，故笔者后续研究将其忽略，仅考虑家庭月收入为0.6～4万元的4类人群，即表3中的A2、A3、A4和A5共4类。

表2　私家车通勤出行次数分布Table 2　Distribution of commuter travel times of private cars

表3　私家车主出行分类表及其出行次数Table 3　Travel category and times of private car owners

2　不同家庭收入的私家车通勤出行率改变量模型的构建及标定

2.1　模型构建

笔者仅考虑在单一研究因素：目的地端停车费用上涨幅度(下文简写为停车费用上涨幅度)、燃油费用上涨幅度或公交车等车时间下降幅度改变时，对应的私家车通勤出行次数的变化情况。当居民在不同因素发生变化，面临是否继续使用私家车作为通勤交通工具时，主要的考虑因素为家庭端停车费、目的地端停车费、燃油费3个费用因素，因此这些因素作为模型的协变量。考虑研究对象是通勤出行率的改变情况，则每减少一次通勤出行，意味着将减少两次私家车出行(居住地至工作地、工作地至居住地)，故其通勤出行次数改变量应为偶数。

选用著名的多项Logistic模型[9-10]表示车主l因m的变化而导致其私家车通勤出行次数减少情况：不改变、减少2次/周、减少4次/周、减少6次/周、减少8次/周以及减少10次/周及以上。则，对于每类车主的每个影响因素会有6个选择枝，各选择枝的效用函数表示为

(1)

故各类家庭收入私家车主l因影响因素m的变化而导致其私家车通勤出行次数减少n次/周的概率Plm(n)可表达为

(2)

各字母的意义同前，此处不再赘述。

2.2　模型参数标定

以调查所得的广州市私家车车主数据为基础，运用统计分析软件SPSS[11]中的Logistic回归模型对每一类出行者进行回归分析，得出模型参数标定结果。因涉及4类出行者、3类影响因素和6种出行次数变化情况，模型参数达360个(4×3×6×5)，故此处仅以燃油费用上涨幅度导致A4类私家车车主通勤出行次数改变的模型为例表示模型标定结果，其中l=A4，m=f(燃油费用上涨幅度)，具体见表4，模型检验结果见表5，类似模型共有12组。

表4　私家车出行次数改变量模型参数标定结果Table 4　Parameter calibration results of change quantity model of private vehicle travel times

注：以0次出行选择的总效用值为0进行参数标定，故其系数均为0。

表5　模型检验结果(SPSS)Table 5　Test results of model(SPSS)

从表5结果显示，该模型各参数卡方值均大于显著性水平为0.05的临界值11.070，故通过卡方检验；该模型的拟合优度指标Cox & SnellR2和NagelkerkeR2均接近典型临界值0.5，说明模型对数据的拟合效果好，可用于私家车通勤出行率的定量计算之中。其余11组模型检验结果与示例类似，各模型参数值均可通过卡方检验，且Cox & SnellR2分布范围为0.460～0.808之间，NagelkerkeR2分布范围为0.498～0.844，最低值为停车费用上涨幅度导致A4类私家车车主通勤出行次数改变的模型。从参数检验和拟合优度两方面进行评判，笔者构建的模型效果较优，可进行后续分析工作。

3　私家车通勤出行率改变模型结果分析

笔者研究项目众多，受篇幅所限，此处仅以各因素变化一个水平等级为例，分析各类家庭收入的广州私家车车主通勤出行次数减少情况。图1～图3分别列出受不同因素变化的影响，各类家庭收入的私家车通勤出行次数下降比例，结果由上述模型计算所得。根据不同因素变化下各出行次数改变量的概率，计算出不同人群的通勤出行次数改变量(单位为：次/周)，结合调查所得的现状通勤出行次数，进行不同人群的平均通勤出行次数预测，具体结果见表6。

图1　停车费用上涨30%时的私家车通勤出行次数改变比例Fig. 1　Proportion of private car owners changing the commuting trips when parking fees rise up by 30%

图2　燃油费用上涨30%时的私家车通勤出行次数改变比例Fig. 2　Proportion of private car owners changing the commuting trips when fuel costs rise up by 30%

图3　公交等车时间下降30%时的私家车通勤出行次数改变比例Fig. 3　Proportion of private car owners changing the commuting trips when the waiting time of buses decreases by 30%

结合图1～图3和表6的内容，现可对广州市私家车通勤出行次数改变情况做出以下结论：

1) 对于不同家庭收入的私家车车主，当同一影响因素改变时，他们各自的反应差异明显，具体表现在家庭收入越高，对各因素的敏感程度越低。从图1可看出，当停车费提高30%后，91.82%的A2类低家庭收入出行者减少了私家车通勤出行次数，而A5类高家庭收入的出行者仅22.04%做出减少出行次数的决策，其他因素均存在类似情况。通过表6也可以看出每一影响因素对不同家庭收入出行者具有不同的影响效果：收入越高，受因素变化引起的下降幅度越低，且存在明显差异。

表6　各影响因素变化下各类私家车车主通勤出行次数改变情况Table 6　Situation of different private car owners changing commuting trip times under various influencing factors　(次·周-1)

2) 计算同一因素对不同家庭收入出行者的改变量均值的极差和标准差，结果见表7，费用因素的极差和标准差显著大于公交等车时间因素，从中可以得知：费用因素对不同家庭收入出行者的影响差异性要明显大于公交服务水平。

3) 模型结果显示，当目的地端停车费用上涨30%时，将使私家车的平均通勤出行次数下降14.46%，使通勤出行次数从现状8.16次/周下降到6.98次/周。说明目的地端停车费用的上涨，可以在一定程度上降低私家车通勤出行率，因此，鼓励工作区域收取高额停车费是降低私家车通勤率的方法之一。

4) 同为费用因素，当燃油费用和目的地端停车费用的涨幅同为30%时，燃油费用的上涨将使私家车的平均通勤出行率下降36.89%，即3.01次/周，远高于停车费用所致的1.18次/周，对降低私家车通勤出行率有更明显的效果，因此可考虑征收燃油附加税或其他等效政策来控制私家车通勤出行率。

表7　同一影响因素变化下各类出行者出行次数改变量均值的极差和标准差Table 7　Range and standard deviation of the average value of change of travel times with different travelers under the same influencing factors　 (次·周-1)

5) 当公交车等车时间下降30%后，将有33.68%的私家车通勤出行者选择减少私家车通勤出行次数，私家车通勤出行率将降低10.42%，即0.85次/周。这说明通过提高公交服务水平来降低私家车通勤出行率有一定的效果，但是与其他手段相比，收效甚微，且高收入人群基本不会因为公交服务水平的提高而降低私家车出行次数。应考虑在提高公交服务水平的同时，辅以其他经济措施来促使私家车出行者放弃私家车通勤出行，选择公交出行。

4　政策建议

结合笔者研究成果，建议广州市交通需求管理可考虑以下策略：

1) 提高高峰期的公交服务水平

通过购置车辆、招聘司乘人员、高峰期临时调度等手段，缩短高峰期的公交车发班时间间隔；优化地铁线网布局和班次安排，缩短地铁发班间隔和提高服务水平。

2) 实行停车差异化收费

停车收费的差异化，不仅应体现在地区和白天夜间，更应该精细到具体时段，对于供不应求的地区和时段，可适当提高收费标准，减少通勤出行者选择私家车作为出行工具的概率。

3) 征收燃油附加税

调查结果显示多数私家车通勤出行者对燃油价格最为敏感，因此征收燃油附加税是最为有效的方法，可适度以燃油价格为标准收取。

4) 实施拥挤收费

拥挤收费是私家车出行行程过程中产生的成本，对出行者的影响与燃油费较为相似，所以推行征收与燃油费用水平相当的拥挤收费，能有效控制私家车出行率。

明显地，实施3)和4)这类提高行程用车成本的政策，其效果将优于传统交通需求管理手段1)和2)。

5　结　语

运用多项Logistic模型对SP/RP调查获得的广州市私家车通勤出行情况数据进行拟合，所建模型均通过参数检验和拟合优度检验。以此为基础，提出了一种基于家庭收入差异的私家车通勤出行率变化情况研究方法，该研究方法可以定量分析政策因素的变动带来的私家车通勤出行率改变情况，且由于将私家车出行者按照其家庭收入这一重要影响因素进行分类讨论，所得结果更加符合实际，准确率更高。该方法可经扩样得到全市区范围内不同收入家庭的私家车通勤出行频率变化情况，用以评价某一项具体交通管理政策的效果，为制定切实可行的交通需求管理政策提供理论支撑。

参考文献(References)：

[1]魏凯.广州市人大代表：尽量争取停车费下调[N].南方都市报，2016-02-01.

WEI Kai.Guangzhou Municipal People’s Congress：try to fight parking fees down[N].SouthernMetropolisDaily，2016-02-01.

[2]PALMA A D，ROCHAT D.Mode choice for trips to work in Geneva：an empirical analysis[J].JournalofTransportGeography，2000，8(1)：43-51.

[3]PENG Z，DUEKER K J，STRATHMAN J G.Residential location，employment location，and commuter responses to parking charge[J].TransportationResearchRecord，1996，1556：109-118.

[4]韩艳，关宏志.基于SP和RP融合数据的小汽车通勤出行频率选择模型[J].公路交通科技，2011，28(7)：131-135+141.

HAN Yan，GUAN Hongzhi.Car commuting frequency choice model based on SP and RP fusion data[J].JournalofHighwayandTransportationResearchandDevelopment，2011，28(7)：131-135+141.

[5]赵伟涛.通勤出行时间价值模型研究[D].北京：北京交通大学，2013.

ZHAO Weitao.ResearchonModelofTimeValueofCommuterTravel[D].Beijing：Beijing Jiaotong University，2013.

[6]刘志明，邓卫，郭唐仪.基于RP/SP调查的非集计模型在交通方式分担率预测的应用[J].交通运输工程与信息学报，2008，6(3)：59-64.

LIU Zhiming，DENG Wei，GUO Tangyi.Application of disaggregate model based on RP/SP survey to transportation planning[J].JournalofTransportationEngineeringandInformation，2008，6(3)：59-64.

[7]邱杨，丁卫东.关于公交票价与私家车出行关系的研究方法[J].城市道桥与防洪，2009(4)：126-128.

QIU Yang，DING Weidong，Study method concerning relationship between bus ticket price and private car trip volume[J].UrbanRoadsBridges&FloodControl，2009(4)：126-128.

[8]刘明.一类新的多重共线性检验方法[J].统计与信息论坛，2012，27(10)：14-16.

LIU Ming.A new diagnosis approach of multicollinearity[J].Statistics&InformationForum，2012，27(10)：14-16.

[9]胡郁葱，刘勤.基于Logit模型的珠三角城际轨道交通与公路客运竞争力研究[J].科学技术与工程，2009，9(23)：7070-7075.

HU Yucong，LIU Qin.Study on rivalrousness between intercity track transportation and highway transportation based on Logit model[J].ScienceTechnologyandEngineering，2009，9(23)：7070-7075.

[10]王志福，管杰，苏再兴.基于logistics模型的中国人口增长预测[J].渤海大学学报(自然科学版)，2010，31(4)：326-330.

WANG Zhifu，GUAN Jie，SU Zaixing.Prediction of China’s population increase based on logistics model[J].JournalofBohaiUniversity(NaturalScienceEdition)，2010，31(4)：326-330.

[11]陈胜可.SPSS统计分析[M].北京：清华大学出版社，2010.

CHEN Shengke.SPSSStatisticalAnalysis[M].Beijing：Tsinghua University Press，2010.