刘浩，张戎*，诸立超

(1.同济大学，a.道路与交通工程教育部重点实验室，b.上海市轨道交通结构耐久与系统安全重点实验室，上海201804；2.浙江财经大学，工商管理学院，杭州310018)

0 引言

我国货运市场中，公路份额居高不下，铁路占全社会货运量的份额始终较低。不合理的货运结构导致交通排放污染和拥堵问题严重，也不利于降低全社会物流成本，提高综合运输效率。为优化运输结构，2018年，国务院相继发布《打赢蓝天保卫战三年行动计划》《推进运输结构调整三年行动计划(2018-2020年)》；2019年9月，中共中央、国务院印发了《交通强国建设纲要》，要求“推进大宗货物及中长距离货物运输向铁路和水运有序转移”。上述政策实施以来，大宗货物、港口集疏运的“公转铁”初见成效。但应看到，公路在长三角等经济发达地区的非大宗货物(下称白货)中长途运输市场仍占有很高份额。一个重要原因是，铁路运输企业未能准确掌握托运人货运方式选择行为，并提供具有竞争力的货运服务。研究托运人在不同空间特征、货物特征和选择惯性等因素作用下的选择行为异质性，有利于推动“公转铁”。

离散选择模型已成为分析货运选择行为的重要工具，用于评估费用和时间等运输方式属性对托运人选择行为的影响[1]。研究表明，处于不同空间的托运人对费用和时间存在差异化偏好，进而影响其对运输方式的选择行为[2]。例如，起讫点空间距离较近的货运时间价值可能更高[3]。货物特征也是重要的影响因素，特别是重量和价值[4-5]。选择惯性是指除考虑各情景中的运输方式属性、空间特征和货物特征之外，托运人选择原有运输方式的倾向程度。不考虑选择惯性会导致对货运方式选择行为认知的偏差[6]。

既有研究证实，运输方式属性、空间特征、货物特征和选择惯性会影响托运人的货运方式选择行为，但未将上述因素同时纳入模型，不利于准确研究各因素对选择行为的影响并提出针对性强的“公转铁”措施。空间距离虽会影响时间价值(Value of Time，VOT)，但因目的地空间特征不同带来的选择偏好差异尚未得到深入研究。以地理区域划分(华东、华北、东北、西北、华中、华南和西南)表示空间特征，能够综合反映不同区域的运距、货物品类(价值)和经济发展水平等差异。研究不同空间特征的时间价值对设计我国铁路货运服务产品和精准制定运价策略更具指导性、可操作性和实用性。从建模方法看，既有文献多采用线性效用的多项Logit模型，混合Logit 模型和交互项等效用函数形式应用较少，而后者更利于分析选择行为异质性。

本文聚焦白货在公路整车和铁路集装箱运输之间的货运方式选择，调查对象为沪宁线沿线城市的铁路集装箱托运人及其潜在客户，主要贡献包括：同时考虑空间特征、货物特征和选择惯性对托运人选择行为的影响，准确描述托运人选择行为异质性；通过引入空间特征变量和运输时间变量的交互项，掌握货运时间价值随空间的变化特征。研究有助于进一步理解货运市场托运人选择行为，为进一步推动“公转铁”提供量化指导。

1 问卷调查与数据采集

1.1 问卷设计与描述

利用Excel设计一种可根据托运人填写的行为偏好(Revealed Preference，RP)信息而自动生成的意向偏好(Stated Preference，SP)问卷。RP问卷中包含托运人公司的基本信息、不同线路的实际运输信息，后者主要包含线路起讫城市、实际运输方式、货物特征(货物名称、重量和密度)等。SP问卷调查是一种适应性调查，其情景属性基准水平与RP关联，即起讫点、货物特征在SP问卷中不变，而运输时间和费用等发生变化。SP 情景中，铁路门到门运输时间设置为RP 水平的50%和75%，铁路运输费用设置为公路RP 水平的85%、90%和95%，而公路水平则保持不变，目的是保证不同方式属性水平差异的同时降低问卷理解难度。变量不同水平情景组合通过正交设计实现。托运人在每一条填写的RP信息后，要在基于此RP的4或8个假设情景中进行决策。

1.2 数据采集和统计

2019年5月-7月，课题组对上海、南京、镇江、常州、无锡和苏州等6个城市的托运人进行面对面访谈，并在笔记本电脑上完成RP 和SP 数据采集。最终，共有116名托运人接受并完成调查，292条真实托运信息和1912组有效SP数据被收集。所有运输均以上述6 个城市为起点，运往全国其他城市。与文献[7]等针对固定起讫点的研究不同，本文根据目的地所在区域，将样本数据分为7 类，如表1所示。由于目的地在东北地区(辽宁)的样本量远低于其他区域，且与华北地区临近，故将两个区域合并，共6 类。RP 数据中起点至6 类区域的平均距离由近及远依次为华东、华中、华北(含辽宁)、华南、西南、西北。根据托运人描述，价值较高的几类货物为汽车配件、日用百货及食品类。样本数据中：华南地区的高价值货物占40.6%，其次是西南地区，38.4%，最低的是华中区域，仅占13.3%；作为参照的华东区域，这些货物占比为25.2%。由于铁路集装箱托运人的备选方案往往是公路整车运输而非集卡运输，所以费用以吨为单位而不是TEU。表2为主要变量描述及统计，对于不同OD，时间和费用都不相同，故表中不进行统计。0-1 变量的统计采用某一类别在样本中的占比来描述。

2 货运方式选择行为建模

2.1 模型构建及参数设置

根据随机效用理论，托运人n选择运输方式i所获得的效用Uni可表示为可观测效用Vni与不可观测效用εni之和，即

表1 不同区域的观察值数量Table 1 Observations in different regions

表2 变量定义及描述统计Table 2 Definition of variables and descriptive statistics

托运人n选择效用最大备选方案i的概率为

根据式(1)和式(2)，当εni服从独立同分布的极值类I 分布假设时，可推导多项Logit(Multinomial Logit，MNL)模型概率公式为

式中：J为选择方案数量，本文中J=2；j=1，2 分别代表公路运输和铁路运输。

混合Logit(Mixed Logit，ML)模型放松了随机项之间独立同分布的假设，允许参数服从某一分布而非固定值。ML 模型的选择概率是MNL 概率在其参数密度函数上的积分，即

式中：f(β)为密度函数；Lni(β)为参数β的Logit概率，即

式中：Vnj(β)为依赖于参数β的效用。通常情况下，Vnj(β)为影响因素xni与其系数向量β′乘积的线性关系，ML模型选择概率为

本文将反映空间特征、货物特征和选择惯性等若干虚拟变量纳入离散选择模型，效用函数形式为

式中：cni为托运人n面临方式i的运输费用变量值；tni为托运人n面临方式i的运输时间变量值，其余变量符号及解释如表2所示；βc，βt，βqjt，βf，βg，βh为待估参数；AASC为常数项。

MNL模型和ML模型均被用于估计参数。ML模型中费用和时间参数均被假设为随机参数，两者均服从正态分布时，模型拟合效果最佳，并作为最终结果。

2.2 参数估计及模型优度

使用SP 数据估计模型参数，表3为NLOGIT 6.0软件的估计结果。

表3 参数估计结果Table 3 Parameter estimation results

总体来看，费用和时间参数的符号均为负，符合预期。一般而言，Mcfadden 决定系数ρ2(0)达到0.2～0.4，即可认为模型取得了较好结果。考虑参数量的修正系数更能客观反映模型精度。两种模型的均大于0.3，说明它们能够对托运人选择行为做出良好解释。ML 模型相比MNL 模型，提升约3%，表明托运人存在显著的选择偏好异质性，故以下分析均基于ML模型参数估计结果。

2.3 参数分析及应用

参数βf、βg和βh对应的3个变量均属于选项不变特征变量，其变量不随选择枝发生变化，通常设置在J-1个备选方案的效用函数式中。

托运人公司性质变量参数βf为负，表明货代比货主更倾向于选择铁路运输，这可能与当前主流的铁路运输经营模式相关，即许多货代揽货并与铁路运输企业签订协议，承诺一定的运量并获得价格优惠政策。协议承诺的运量越大，货代所获得的铁路运价优惠力度越大。另外，调研了解到，货主专注于生产和制造，更偏好于便利灵活的公路整车运输。

βg显著为正，表明托运人具有保持原有决策不变的特性。属性价值计算(βg与βc之比)结果显示惯性对方式选择效用的影响等同于14.9元⋅t-1的费用对效用的影响。换言之，当其他属性保持不变时，由于惯性的存在，只要原方式的每吨运费增加不超过14.9元，托运人仍倾向于原有运输方式。为推动当前选择公路的托运人使用铁路，铁路营销部门应主动宣传铁路服务产品，降低托运人对公路运输的选择惯性。

铁路货物运输中将密度小于333 kg ⋅m-3的货物称为轻泡货物，反之为重质货物。在与托运人访谈中发现：40 ft通用集装箱标记载重(约26.6 t)与容量(约76.4 m3)之比约为1∶3，与上述划分轻重货的密度临界值标准一致，20 ft 通用集装箱(约27.5 t，33.2 m3)的该比值约为1.0∶1.2，更适合装载重质货物；而公路车型种类丰富，特别是17.5 m 长的平板车及相近车型，其标记载重与容量之比小于1∶3，更适合装载轻泡货物。表3中βh为负，表明与轻泡货物相比，重质货物更倾向于选择铁路集装箱运输。因此，重质货物相对容易转向铁路运输，应成为“公转铁”的首要目标。

3 空间特征影响下的时间价值

引入交互项可验证不同空间区域，运输时间相同的OD 对效用是否有差异化的影响，换言之，空间特征与运输时间之间是否存在交互效应。VOT是反映托运人选择行为偏好的重要估计量，可解释为时间和货币的边际替代率，计算公式为

式中：Vqj为目的地在区域qj时，托运人为节约单位运输时间愿意支付的货币值；j=0，1，2，3，4，5，当j=0 时，βqjt为0，Vq0反映的是目的地在华东区域的时间价值。

除j=4 外，βqjt均在0.15 水平上显著为正。交互项参数影响了VOT，符号为正意味着更低的VOT。βq4t不显著，表明运往华南区域的VOT 并没有与目的地在华东地区的VOT 表现出显著差异。根据ML 模型结果，各区域VOT 计算结果如表4所示。

表4 时间价值的估计Table 4 Estimation of VOTs

总体来看，运往不同空间区域的货运VOT 存在差异，中北部地区VOT 较低，而东部、南部地区VOT 相对较高，这是由运距、货物品类(价值)和经济发展水平等因素综合作用的结果。具体而言，目的地在华东区域的运距远小于其他区域，且该区域经济发展水平最高，故VOT 最高；华南、西南地区虽运距较远，但华南地区经济较发达，两区域的高价值货物占比分别位居前两位，故表现出较高的VOT；华中地区虽运距较近，但其高价值货物占比最低，且经济发展水平仅高于西部地区，综合表现出的VOT最低。

不同空间区域的VOT为铁路部门明确产品服务改善的重点、制定和优化运价策略提供了新思路。对于VOT 较高的华东和华南区域，重点是改善铁路运输时间。例如，提高集装箱班列产品的旅行速度，减少列车运行时间；优化车站发送、到达作业流程，压缩货物在车站的时间；优化两端短驳组织，减少短驳运输和衔接时间。此外，从时间价值的含义出发，VOT 可为货运服务产品改善后的精准调价提供定量依据：以上海-广州铁路集装箱班列为例，列车运行时间约30 h，两端短驳、站内等待时间和作业时间约24 h。2019年上海-广州棠溪站的铁路集装箱运量约16 万t(1.46 万TEU)。在效用不变前提下，假设通过优化措施使铁路门到门全程时间减少5 h，理论上托运人愿意为每吨货物多向铁路支付约4.85元，上述运量的货运收入可增加约77.6 万元。另外，差异化的VOT 也为不同区域基础设施投资的成本收益分析提供了测算基础。

4 结论

本文依据在沪宁线6个城市采集的SP数据，构建考虑运输方式属性、空间特征、货物特征和选择惯性等的货运方式选择行为模型。结果表明：混合Logit 模型结果优于多项Logit 模型；重质货物更倾向于铁路运输，这与装载工具的标记载重与容量之比相关；托运人对当前运输方式存在选择惯性；货代相比货主更倾向于选择铁路集装箱运输；由于不同空间的运距、货物品类(价值)和经济发展水平等因素差异，目的地区域不同的货运时间价值差异明显，中北部地区VOT 较低，而东部、南部地区VOT相对较高。距离较近、货物价值较高及经济发达地区的VOT 可能更高。不同空间特征下的差异化VOT，有利于针对不同空间通道制定个性化的价格策略，并据此分析货运收益。