潘义勇，蒋冠宇，高 翔 PAN Yiyong,JIANG Guanyu,GAO Xiang

（南京林业大学 汽车与交通工程学院，江苏 南京 210037）

0 引 言

出行方式选择行为研究对于交通需求预测、政策编制和综合运输体系规划具有重要作用。大学生寒暑假返程出行需求规模大且时空分布不均匀，现有出行方式选择行为研究鲜有考虑潜变量对大学生返程出行影响的相关研究。因此深入研究大学生返程出行选择行为，对于缓解大学生返程出行路网压力和相关交通需求管理政策制定意义重大。

国内外相关学者对于出行方式选择行为进行了大量研究。McFadden微观经济学中提出的离散选择模型（Discrete Choice Model,DCM），DCM是基于效用最大化理论（Random Utility Maximization,RUM）基础的非集计模型，该模型奠定了离散选择行为研究的基础。研究初期，学者多采用以Logit模型为代表的非集计模型对出行行为进行刻画。Hennsher对传统Logit模型进行了改进，并提出了巢式Logit（Nested Logit,NL）模型，巢式模型在处理影响因素具有较多相似特征时，具有更好的分类效果，随后，Ben等人提出了目前国内外研究者普遍认可的基于随机效用理论假设的多项式Logit模型，其中心思想是利用效用大小来表征不同出行方式对出行者选择的吸引力，出行者会考虑采用最大效用最具吸引力的出行方式。在Logit模型的基础上还发展了不同类型的Logit模型，如条件Logit、交叉巢式Logit（CNL）、混合Logit模型等。由于数据中普遍存在不可观测的异质性，然而传统多项Logit模型参数固定难以描述出行者异质性特征。栾鑫等人采用混合Logit模型对南京这类特大城市居民出行选择机理进行分析。现有研究多针对居民的出行选择进行建模，但对于大学生这一特殊群体，研究相对较少。且现有研究多采用传统模型进行构建，多考虑可直接观测的出行者外在特征及交通方式属性来研究，较少考虑心理潜变量对出行方式选择行为的影响。

针对以上问题，首先，采用陈述性偏好调查法（Stated Preference,SP）调查大学生个人属性和出行方式属性，使用显示性偏好调查法（Revealed Preference,RP）调查大学生潜变量属性；其次，对比分析二项Logit模型、不考虑个人因素的混合Logit模型、混合Logit模型；第三，对模型计算的参数和边际效应进行分析；最后，总结本文研究成果以及进一步研究方向。

1 混合Logit模型

本文旨在使用混合Logit模型分析大学生出行者属性、出行方式属性、心理潜变量属性对出行方式选择的影响。传统MNL模型认为出行者偏好是一致的，难以解析出行者之间的异质性。混合Logit模型（Mixed Logit,ML），也称为随机参数Logit模型（Random Parameter Logit,RPL），可以解决IIA假设对个体差异性在多项式Logit模型中的限制，混合Logit模型通过设定自变量系数的随机参数分布形式，从而刻画出决策者在进行选择时具有的偏好差异性，随机偏好差异在混合Logit模型中的效用方程如式（1）：

式中：x为解释变量；β则为偏好差异；（β|θ）是某种分布的概率密度函数，其值取决于总体参数θ。

随机参数常见的分布有正态分布、均匀分布、对数正态分布等。若不存在偏好差异，那么模型就回归到标准的Logit模型，其决策者的条件选择概率为：

在存在偏好差异的情况下，β是一个随机变化的参数，在原有的基础上还需要乘上一个分布函数，故决策者的选择概率则变为：

2 问卷设计与调查

通过分析出行者出行行为影响因素相关文献发现，大量国内外研究表明潜变量指标相较于传统个人属性和出行方式属性，能更好地解释交通参与者的出行方式选择行为。因此本研究考虑大学生个人属性、出行方式属性和潜变量属性对大学生返程出行方式选择行为的影响，选用陈述性偏好调查法（Stated Preference,SP）调查大学生个人属性和出行方式属性，个人属性和出行方式属性的调查内容如表1所示。使用显示性偏好调查法（Revealed Preference,RP）调查大学生潜变量属性，结合本文研究目的，本研究仅针对大巴和高铁两种出行方式展开研究，潜变量属性包含对出行方式可靠性评价和舒适性评价两项。由于潜变量属性无法直接观测得到，需要用指标变量来表征，不同潜变量的指标变量均采用李克特五级量表法（Likert scale）进行表征，通常情况下，李克特量表比同样长度量表具有更高的量表信度水平，常用于社会和心理变量等领域的测量，其中，1表示很不满意，2表示不满意，3表示一般，4表示满意，5表示很满意，具体见表2所示。

表1 大学生个人属性与出行方式属性

表2 表征潜变量的指标变量

采用正交设计法，从乘车时间（Time Dur）和车票价格（Price）三个方面设置了出行场景，上述两个要素属性进行了交叉组合，共设置了24个假设情景。为了避免受访者填写多种场景产生厌烦心理，且为满足研究需要，每个调查者只针对4种假设情景进行选择，将24个假设情景分别设置于6套问卷中，表3为假定场景示例。

表3 假设场景示例

3 实例分析

调查采用线上与线下相结合的调查方法，共得到914份问卷。其中线下调研问卷共有347份，线上问卷共有567份。对问卷数据进行筛查剔除填写时间过短和缺失数据的问卷样本，得到有效问卷数为858份，有效率为93.9%，调查样本量较大，可以用于模型构建。

根据调查发现，大学生访者性别的分布较为均衡，在年龄方面，23~25岁大学生占问卷的主体；在年级方面，受访人群主要集中于硕士研究生群体，占比达56.47%；在专业方面理学专业的比例最高；在每月生活费方面，75.61%的人群在3 000元之内；在购票费用方面，报销的占比为39.22%；在家与学校距离方面，20%的受访者在100km以内，24.31%在100~200km之间，35.29%在200~500km之间，距离在100km以内的人群较少，大部分出行距离处于100~500km以内的中长途出行。

3.1 信度、效度和正态性检验

本文利用SPSS Statistics25.0对各潜变量指标变量数据进行信度和效度检验。使用克朗巴哈系数进行信度检验，采用因子分析运用最大方差旋转的主成分法提取因子进行效度检验，表4表示了数据信效度检验结果，克朗巴哈系数信度指标均大于0.7，且因子荷载和KMO效度指标均大于0.7，表明量表具有较好的可靠性和收敛效度。

表4 高铁潜变量效度检验结果

由于后续需要采用验证性因子分析对潜变量进行标定，数据需服从多元正态分布假定，因此，采用偏度和峰度指标对数据进行正态性检验，检验结果见表5所示。偏度系数绝对值＜1，峰度系数绝对值＜10时，可以认为数据符合正态分布。调查数据偏度系数绝对值＜0.8，峰度系数绝对值＜1.1，潜变量对应指标变量符合正态性分布假定。

表5 潜变量数据正态性检验结果

3.2 心理因素分析

针对表2中设置的各潜变量的指标变量数据，选用验证性因子分析（Confirmatory Factor Analysis,CFA）对心理潜变量指标进行标定，验证性因子分析的拟合优度指标如表6所示，潜变量指标的拟合优度指标主要有（/、、、和），模型拟合优度指标均处于可接受范围内，模型适配度良好，可以用于后续模型构建。

表6 模型适配指标结果

潜变量与对应指标变量的对应关系如表7所示，列出系数均为标准化后系数结果，系数均大于0.7，且系数显著性位于1%显著度水平，表明各指标变量可以用于表征潜变量[13]。

表7 模型求解结果

3.3 大学生返程出行方式选择行为研究

考虑混合Logit模型的概率函数存在非闭合性，即每个待估计参数均可选择不同形式的概率密度分布，不能通过传统的计算积分的方式进行求解，因此需要借助计算机模拟仿真求出近似解，本文选用Halton序列抽样对混合Logit模型进行求解，设置Halton抽样次数为1 000次，设置随出行方式变化的出行方式属性为随机参数，假定参数服从正态分布，当不考虑个人属性影响下，求解得到结果如表8所示。

表8 不考虑个人属性影响的混合Logit模型回归系数

表8结果表明对出行方式舒适性评价可以设置为随机参数，为了减少个人属性对随机参数的影响，先将数据带入二项Log-it模型进行标定，标定结果见表9所示。

表9 二项Logit模型参数估计结果

CHOICE表示随出行方案变化的出行方式属性的影响，BUS表示该模型是以大巴出行作为参照方案进行估计。从二项Logit模型的标定结果可知性别、专业和乘坐大巴频率位于5%显著度水平，故将性别、专业和乘坐大巴频率带入模型进行回归，设置Halton抽样次数为1 000次，得到最终混合Logit模型的回归结果如表10所示。

表10 混合Logit模型回归系数

混合Logit模型的对数似然值为-1 496，预测准确率为78.5%；传统的二项Logit模型的对数似然值为-1 559，预测准确率为63.4%，混合Logit模型拟合优度指标高于传统二项Logit模型。

由于混合Logit模型是离散选择模型，属于非线性模型，其模型系数估计值含义不同于反映解释变量变动一个单位时因变量变化率的线性模型，因此其模型估计值不具备回归意义上的变化含义。为了找出与传统线性回归模型系数估计值含义等价的指标，引入边际效应分析，对模型参数进行解释。边际效应（Marginal Effect）表示某种方式每单位变量变化对其被选择概率的影响，边际效应分析结果如表11所示。

表11 模型边际效应分析

3.4 模型解释

根据表10回归结果和表11边际效应结果可知：

（1）出行方式舒适性评价的服从均值为0.089，标准差为0.343的正态分布，参数为正，即随着对出行方式舒适性评价的提升，大学生出行者选择某种方式出行的概率提升。通过计算得到（出行方式舒适性评价＜0）的概率为39.74%，即随着对出行方式舒适性评价的提升，39.74%的大学生返程出行者选择某出行方式的概率越低，60.26%的大学生出行者选择某出行方式的概率提高。

（2）乘车时间和车票价格的参数值为负，即随着乘车时间、车票价格的提升，大学生返程出行者效用降低。对出行方式可靠性评价的参数值为正，意味随着对出行方式可靠性评价的提升，大学生出行者出行效用得以提升。个人属性方面，个人属性中的性别参数为正，表明女性选择高铁出行的概率大于男性。专业参数为正，达到了5%显著性水平，表明专业类别为理学、人文社科和工学专业相较于其他专业选择高铁出行的概率更高。乘坐大巴频率参数为负，表示大巴出行频率越高，选择高铁出行的概率越低，个人属性部分与传统二项Logit模型的回归结果一致。

（3）乘车时间每增加1小时，选择高铁的概率降低10.02%，选择大巴出行的概率提升19.17%。车票价格每增加一元，选择高铁的概率降低9.17%，选择大巴出行的概率增加4.03%。对出行方式舒适性评价每增加一个单位，选择高铁出行的概率增加91.85%，选择大巴出行的概率减少91.23%。对出行方式可靠性评价每增加一个单位，选择高铁的概率增加16.61%，选择大巴出行的概率降低15.84%。

4 结 论

本文针对大学生返程作为研究场景，研究舒适性和可靠性评价对大学生返程出行选择行为的影响，通过混合Logit模型的回归结果，可以得出以下结论：

（1）加入潜变量指标能够增强模型的解释能力和预测精度，说明考虑心理潜变量指标的模型对于描述大学生返程出行方式选择行为上更加合理，因此，交通运输管理部门应当在考虑大学生个人属性特征和对出行舒适性需求和可靠性需求等心理潜变量特征的基础上，或从考虑行为学、心理学和大数据方法来对出行数据进行挖掘，分析大学生出行特质，进而制定更符合实际的大学生返程出行引导策略。

（2）当大学生返程出行者对于交通工具可靠性需求提升时，选择高铁出行的概率提升16.61%，大巴的出行概率降低15.85%。随着大学生返程出行者对交通工具舒适性需求的提升，高铁的出行概率提升，大巴的出行概率降低。说明大学生对于高铁出行的可靠性和舒适性需求较为认同，需要进一步提升大巴可靠性和舒适性水平，形成大巴与高铁协同分担返程出行运力和共同竞争的运行环境。

（3）高铁和大巴作为两种相互竞争的出行方式，客流会相互替代转移，目前大学生返程出行过程中女性出行者及理工科和人文社科学生更偏向于选择高铁出行，可以利用大巴的时间和价格优势转移一部分高铁出行需求，大巴可以利用价格干预措施使得部分大学生出行者转移回大巴出行，以引导大学生特别是出行高峰时段的出行压力，以均衡交通出行需求的时空分布。