姚恩建 李翠萍 郇宁 杨扬，3 李斌斌

(1.北京交通大学 交通运输学院，北京 100044；2.北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044；3.交通运输部公路科学研究所 智能交通技术交通运输行业重点实验室，北京 100088)

共享单车作为一种新兴的自行车分时租赁模式，自2016年底大规模投放市场以来，正对传统的通勤走廊出行结构产生广泛而深刻的影响[1]。《中国共享单车行业发展报告(2018)》显示，截至2017年年底，共享单车总用户数超过2.2亿，已经成为与地面公交和地铁并行的三大公共交通出行方式之一。它具有随走随停、按需使用且不受出发地和目的地限制的特点，在满足短途出行需求和解决接驳难题时具有极大的优势[2]。共享单车的出现势必会影响通勤者早高峰的出行选择，进而改变通勤走廊的出行结构。因此，有必要对共享单车出现后通勤走廊出行结构的演化问题进行研究，这对于合理预测通勤走廊早高峰出行需求，以及深入了解共享单车在优化出行结构、提高出行效率、减轻传统公共交通系统运载负担以及缓解城市拥堵等方面发挥的作用有着重大意义。

共享单车在国外出现得较早，且在车辆的骑行、停放及基础设施建设方面要求严格，目前为止大部分是有固定停车点的公共单车，多由政府经营[3]，其出行特征与国内的无桩共享单车模式存在较大差异，相关研究主要从单车共享设施对城市交通拥堵、城市公共交通客流、城市交通可持续发展的影响[4- 6]以及影响单车共享系统使用率的因素[7]等方面展开。随着国内无桩共享单车的迅猛发展，诸多学者开展了相关研究。郑兰兰等[8]以南昌市交通为例分析共享单车的推行，发现共享单车可以在方便短途出行和接驳出行、提高公共交通出行占比以及节约有限的道路资源三方面缓解交通问题。黄多巍等[9]研究了共享单车对城市交通造成的主要影响及原因，并给出了对应的改善建议。刘立巧[10]对共享单车的合理投放及其与公共自行车和公共交通的配合使用进行了探讨。任逸帆等[11]分析了共享单车的兴起对上海市轨道交通接驳方式的影响情况，并通过优化共享单车配套服务对未来轨道交通站点规划建设提出建议。王化杰[12]运用多元统计学，深入研究了合肥市居民选用共享单车这种低碳交通工具的使用目的和意愿，结果表明绝大多数居民的使用意愿及目的一致度较高。Jia等[13]就无桩共享单车对通勤以及非通勤出行方式的影响进行了定量研究，研究表明无桩共享单车出现后，通勤出行中自行车出行的比例由21.9%增加至30.9%，非通勤出行中自行车出行的比例由22.1%增加至33.6%。以上研究多从共享单车的发展模式和运营思路出发，分析其对城市交通的宏观影响，并未细化到出行方式选择的微观层面。

针对共享单车参与条件下的出行选择行为，冉林娜等[14]建立了是否选择共享单车出行的二项Logit模型，结果表明，性别、年龄、受教育程度对共享单车出行有显著性影响。袁朋伟等[15]构建了共享单车选择行为的NL(Nested Logit)模型，结果表明，性别、雨雪天气、空气质量、气温、接驳时间、乘车费用和押金对共享单车选择行为具有显著影响。魏志强等[16]对共享单车骑行者在不良天气下的SP(Stated Preference)调查数据进行了统计分析，建立了有序Logit模型，研究结果表明降雨和温度对共享单车骑行意愿产生显著影响。高新[17]构建了包含使用意愿、出行者态度、有用性、易用性、共享单车的缺点等潜变量的结构方程模型，认为有用性和易用性对共享单车的使用态度正效用明显，而共享单车的缺点对使用态度的影响有限。已有研究主要是针对共享单车的使用意愿开展的，并未考虑其作为独立的交通方式以及公共交通的接驳方式引入后，对通勤出行结构的影响。

综上所述，共享单车作为一种新型的交通方式，具有便捷、经济、自由度高等特点，在丰富城市居民出行选择的同时，也对出行结构带来了深刻的影响。本研究以主要出行方式和公共交通末端的接驳方式的联合选择行为作为研究对象，在调查居民通勤出行方式选择意向的基础上，构建共享单车出现前后通勤出行方式选择的双层NL模型，并对共享单车出现前后通勤走廊早高峰出行结构的变化进行分析，以期为通勤走廊出行需求分析、结构优化以及共享单车的精细化运营提供参考。

1 通勤出行方式选择意向调查

1.1 问卷设计

基于随机效用理论，出行者会在可选择的所有出行方案中选择效用最大的选项。为了计算所有可选择方案的效用，除了需要得到通勤者所选出行方式的时间、费用等表征该方式服务水平的特性变量值外，还需要获得其他未被选择的出行方式的特性变量值。RP(Revealed Preference)调查虽可获得出行者实际选择的出行方式，但难以获得在特定选择场景下的选择结果，本研究是针对共享单车出现前后出行结构的对比分析，因此采用SP调查，设置不同选择场景，向被调查者明确提示备选方案及其特性变量值等信息，以获得出行方式选择的偏好数据。

调查问卷选取回龙观到主要就业中心——复兴门-西单通勤走廊作为研究对象，通道包含京藏高速、德胜门外大街、新街口北大街、学院路、西土城路等道路以及地铁13号线、4号线、2号线和若干条公交线路。问卷内容主要包含个人属性、出行信息以及出行意向调查三部分，并按照通勤距离(分为短、中、长距离3类)及共享单车出现前后形成6个出行场景，被调查者通过比较给定的不同方式的服务水平特性值，选择各出行场景下的出行方式。各特性变量的取值按照工作日早高峰实际路径的出行时间和费用等确定，其中，出行时间不仅包括车内时间，也包括候车时间、步行时间和骑行时间；出行费用则包括各种出行方式的总花销，如公共交通费、汽油费、停车费以及共享单车费等。

1.2 调查方案及统计分析

在2018年3月10日至2018年3月20日期间，针对通勤通道周边的回龙观地铁站、回龙观地铁站地上停车场、回龙观华联商厦、龙腾苑住宅区等区域的早高峰通勤者发放调查问卷，共获得有效样本数据1 260条。有效样本的基本情况如表1所示。

同时问卷中也对通勤通道内的被调查者在共享单车出现前、后的实际出行方式的选择进行了询问，统计得到的实际选择数据如表2所示。

2 通勤主要方式及接驳方式联合选择NL模型构建

共享单车不仅可作为一种独立的出行方式，也可作为地面公交、地铁等的接驳方式，形成新的组合出行方式。为了全面分析共享单车的导入对于通勤走廊出行结构的影响，获得共享单车导入情况下各种主要出行方式以及各种接驳方式之间的转移情况，本研究在全面考虑通勤走廊内的所有可能单一及组合出行方式的情况下，构建通勤出行方式选择NL模型。

表 1 调查样本基本情况描述

表2 共享单车出现前、后实际出行方式的变化

Table 2 Changes in the actual travel mode before and after the shared bicycle appears

主要出行方式接驳方式各出行方式占比/%共享单车出现前共享单车出现后地面公交步行229共享单车4地铁小汽车10地面公交125步行3115私人自行车30共享单车24小汽车—98私人自行车—105共享单车—19步行—1110出租车—11合计100100

2.1 效用函数及选择概率

根据随机效用理论，出行者在确定的出行方式选择集合中会选择其认为效用最大的方案。因此，若假设出行者n选择方式i的效用为Ui，n，出行者n选择方式i的概率为

Pi，n=Prob(Ui，n>Uj，n；i≠j，j∈An)

(1)

效用是一个随机变量，其函数通常分为固定项和概率项两大部分，可以用式(2)表示：

Ui，n=Vi，n+εi，n

(2)

式中：Vi，n、εi，n分别为出行者n选择方式i的效用函数中的固定项和概率项。效用函数Vi，n和特性变量xi，n，k的关系采用常用线性函数表示

Vi，n=∑θi，kxi，n，k+θi，0

(3)

式中：θi，k为方式i第k个特性变量的参数值，xi，n，k为出行者n选择方式i的第k个变量值，θi，0为常量。对出行方式选择NL模型而言，出行者n选择组合出行方式(r，m)的概率Pn(r，m)为

Pn(r，m)=Pn(r|m)Pn(m)

(4)

式中，Pn(r|m)为出行者n在选择主要出行方式m的基础上选择接驳方式r的概率；Pn(m)为出行者n选择主要出行方式m的概率。具体的计算公式为

(5)

(6)

(7)

2.2 模型结构

通勤者的方式选择双层NL模型包含主要出行方式m层，以及地面公交和地铁方式的末端接驳方式r层。共享单车出现前模型结构如图1所示。当共享单车出现以后，因其既可以作为主要出行方式完成通勤出行，也可以作为公共交通末端的接驳方式，模型结构如图2所示。

图1 共享单车出现前NL模型结构图

图 2 共享单车出现后NL模型结构图

2.3 参数估计

采用极大似然估计法求解NL模型效用函数中的各个特性变量的参数值，各特性变量在文中的NL模型中均位于下层，共享单车出现前、后的模型特性变量参数值不变，利用GAUSS软件进行模型参数标定，结果见表3。

表3 模型参数标定结果

在实践中，调整优度比达到0.2～0.4即可认为模型合理[18]。标定模型的调整优度比为0.217，符合大于0.2要求，说明模型具有较高精度。同时，尺度系数λ值为0.313，在0～1之间，说明构建的NL模型结构合理[19]。出行时间和出行费用的参数值均为负值，说明当某种出行方式时间、费用越大，出行方式的效用就越低，通勤者选择该出行方式的概率就越小，这与实际情况相符。另外，所有选取的变量的t值的绝对值均大于1.96，即有95%的把握认为模型中各影响因素会对通勤出行方式选择结果产生影响。

同时，模型标定结果中小汽车和出租车两种出行方式效用函数中的距离哑元变量以及共享单车相关的出行方式的哑元变量均为正值，前者表明通勤者在长距离通勤出行中对于小汽车及出租车出行方式有偏好，后者说明了共享单车出现后出行者对于共享单车出行方式的选择具有一定的偏好。

2.4 弹性分析

利用弹性可以进行需求分析，弹性是指效用函数中某个特性变量的属性值变化1%的情况下，其对某选择枝的分担率的影响程度，主要包括直接弹性与交叉弹性两类。直接弹性反映某个选择枝的自身属性变化1%时，对自身分担率的影响。即

(8)

交叉弹性反映某个选择枝的一个属性值变化1%时，另一选择枝分担率的变动幅度。即

(9)

根据NL模型的选择概率计算公式，可推导出模型的弹性值计算公式为[20]

(10)

(11)

根据参数估计结果，共享单车找车及骑行时间和共享单车费用均对通勤出行方式选择有显著影响。共享单车在短距离出行中主要作为独立出行方式完成通勤；在中长距离通勤中充当公共交通的末端接驳方式。根据NL模型估计结果以及弹性计算公式，可以分别得到短距离以及中长距离通勤出行条件下共享单车找车及骑行时间和共享单车费用的直接弹性和交叉弹性，见表4。其中，短距离下的变量是指作为独立出行方式的变量的变化，中长距离下的变量是指作为接驳方式时的变量变化，表中的交叉弹性是指该出行方式的相应特性变量的改变对不在同一巢内的出行方式的交叉弹性。

表4 共享单车找车及骑行时间和共享单车费用的弹性

Table 4 Elasticity of shared bicycle finding and riding time and shared bicycle costs

出行距离出行方式共享单车找车及骑行时间的弹性/%直接弹性交叉弹性共享单车费用的弹性/%直接弹性交叉弹性短距离共享单车-0.6270.017-3.0730.084中长距离共享单车接驳地面公交-0.2090.008-0.6450.023共享单车接驳地铁-0.1480.053-0.1090.039

结合弹性计算结果可知：

(1) 对于共享单车、共享单车接驳地面公交以及共享单车接驳地铁这3种方式，其他出行方式(不在同一巢内)关于共享单车找车及骑行时间的交叉弹性分别为0.017%、0.008%、0.053%，关于共享单车费用的交叉弹性分别为0.084%、0.023%、0.039%，这说明在不同的出行方式中共享单车相关变量的改变对其他出行方式分担率的影响程度存在差异性。

(2)在短距离出行中，共享单车的找车及骑行时间每增加1%，选择共享单车方式的概率会下降0.627%；而共享单车的费用每增加1%，则会导致其选择概率下降3.073%。说明相较于找车及骑行时间，共享单车费用对共享单车方式选择概率的影响更大，即富有弹性。这说明共享单车费用的增加会显著降低短距离出行中共享单车方式的选择概率，因此，针对短距离出行吸引共享单车客户时应首先考虑费用优惠策略。

(3)对于中长距离出行，共享单车作为地面公交及地铁的接驳方式，其特性变量的变化对共享单车接驳地面公交方式选择概率的影响更大。在接驳地面公交时，费用增加引起的选择概率下降相较于时间增加带来的概率下降更大；这与共享单车在短距离出行中作为独立出行方式时的结果一致。但接驳地铁时却相反，即对于共享单车接驳地铁方式，共享单车找车及骑行时间增加导致选择概率的下降相比较于共享单车费用增加带来的概率下降更大；说明对于共享单车接驳地铁方式，若要吸引更多的共享单车用户，则更应注重轨道交通车站周围的共享单车停靠点配置与设计。

3 案例分析

通勤距离是影响通勤出行方式选择的重要因素，因此分别选择早高峰回龙观通勤走廊内短距离通勤以及中长距离通勤两种实例，分析不同通勤距离下共享单车对通勤出行方式选择的影响。基于表3中NL模型的标定结果，可以得到每种通勤出行(组合)方式的效用函数表达式，进而可根据不同特性变量的属性值求解得到各种出行方式及接驳方式的选择概率。

案例通勤起点均选取回龙观新龙城二期住宅区，短距离通勤案例终点为上地实创大厦，通勤距离大约为5 km；中长距离通勤案例终点为五道口紫光大厦，通勤距离大约为9 km。根据实际路径确定早高峰各种出行方式的各属性值，进而求解得到共享单车出现前后主要出行方式分担率变化情况如图3、图4所示，公共交通末端接驳方式变化情况如图5、图6所示。

图3所示为早高峰短距离通勤中共享单车的导入对出行结构的影响。由图3可见，共享单车出现以后，在短距离通勤中占到了13.2%的分担率，对其他的主要出行方式起到了一定的替代作用。其中地面公交的分担率下降了4.1个百分点，说明共享单车可以减轻早高峰地面公交中来自短距离通勤的部分压力；但地铁的分担率变化不明显；小汽车以及出租车的分担率分别下降了1.6、3.0个百分点，这说明共享单车可以减少短距离通勤的小汽车、出租车出行，可发挥一定节能减排效果；同时私人自行车的分担率也下降了4.3个百分点，说明共享单车能降低一定的私人自行车的出行需求。

图3 短距离通勤出行结构变化

图 4 长距离通勤出行结构变化

(a) 共享单车出现前地面公交接驳方式

(b)共享单车出现后地面公交接驳方式

Fig.5 Share rate of ground bus transfer before and after the appearance of shared bicycles

(a) 共享单车出现前地铁接驳方式

(b)共享单车出现后地铁接驳方式

Fig.6 Share rate of subway transfer before and after the appearance of shared bicycles

对于早高峰长距离的通勤而言，共享单车作为独立的出行方式发挥的作用难以体现，但其作为公共交通末端的接驳方式，可显著提高公共交通的接驳能力。从图4可知，共享单车的出现使得在长距离通勤出行中地铁的分担率上升了3.6个百分点；地面公交的分担率略有下降，但相对于短距离通勤而言变化较小；另外，小汽车和出租车的分担率也均有下降，这说明共享单车可以在一定程度上减少小汽车以及出租车的出行，提高公共交通的分担率。

对于两个算例的公共交通末端的接驳方式求解发现，接驳方式的分担率对于总的通勤距离长短的变化不敏感。因此用北京市第五次居民出行调查数据中的短距离及中长距离出行的占比对两个算例求解得到的结果进行加权，权重分别为65.2%、34.8%。由图5、图6所示的公共交通末端接驳方式变化情况可以发现，在本研究选取的案例中，共享单车出现后，对于早高峰地面公交和地铁的末端接驳，通勤者选择共享单车方式的概率高达49%和67%，这表明目前共享单车可以在满足公共交通末端接驳需求方面发挥巨大作用，对传统的公共交通接驳方式起到了替代及补充作用，给早高峰通勤者带来了便利，改善了通勤走廊内公共交通的接驳条件。

4 结语

本研究在考虑共享单车出现前、后公共交通接驳方式变化的基础上，构建了通勤者早高峰出行(组合)方式选择的双层模型。模型结果表明：在影响通勤出行方式选择行为的因素中，候车时间和车内时间、步行接驳时间、私人自行车以及共享单车的骑行时间以及总出行费用对通勤出行方式选择有显著影响，且通勤者对选择共享单车方式以及在长距离通勤中选择小汽车和出租车方式有一定的偏好。

共享单车的出现对短距离及长距离的通勤行为影响不同，既可以降低短途通勤给地面公交带来的压力，又可增加地铁对长距离通勤的吸引力；在一定程度上减少小汽车和出租车出行，同时给公共交通末端接驳带来了便利，整体上优化了通勤走廊的出行结构。

本文仅针对部分典型通勤通道展开了研究，且未将共享单车的实际分布情况纳入考虑，可进一步考虑区域内共享单车的使用便捷性对出行方式选择的影响；本研究有助于深入了解共享单车的使用人群偏好及服务功能定位，实现对早高峰共享单车参与下出行需求分布的准确估算，为共享单车运营模式的调整优化提供针对性建议。