交通运输研究 >

2024 , Vol. 10 >Issue 3: 1 - 9

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.03.001

理论与方法

考虑铁路旅客偏好差异的离站方式选择行为分析

  • 杨婷群 ,
  • 陈坚
展开
  • 重庆交通大学 交通运输学院，重庆 400074

*杨婷群（1999—），女，重庆人，硕士研究生，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2024-03-01

  网络出版日期: 2024-09-09

基金资助

国家社会科学基金后期资助项目(22FJYB028)

收起

Departure Mode Choice Behavior Considering Differences in Railway Passenger Preferences

  • YANG Tingqun ,
  • CHEN Jian
Expand
  • School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing 400074, China

Received date: 2024-03-01

  Online published: 2024-09-09

Fold

摘要

为探究铁路旅客对离站方式的行程费用、在车时间、候车时间和车厢拥挤度等服务水平因素的偏好差异及其原因，运用混合Logit模型和潜在类别条件Logit模型从个体和群体层面展开分析。首先，基于铁路旅客出行特点和离站交通方式服务水平，以同行人数、行李负载、行程费用、在车时间、候车时间和车厢拥挤度作为情景变量，通过正交设计法生成意愿调查问卷；然后，在线上和线下开展调查；最后，采用极大似然估计标定模型参数。结果表明：行程费用、在车时间、候车时间和车厢拥挤度是影响离站方式选择的关键因素。混合Logit模型标定结果显示，旅客对行程费用和在车时间具有不同于样本均值的个体偏好差异。潜在类别条件Logit模型将旅客划分为3类：类别1的旅客对在车时间、候车时间和车厢拥挤度最为敏感，而类别3的旅客对这3项服务水平因素的敏感性最低。两模型从不同角度证实了旅客对离站交通方式服务水平的偏好差异及其对离站方式选择的影响，为铁路客运枢纽接驳交通方式配置和服务水平优化提供了参考。

关键词： 城市交通; 离站方式选择; 混合Logit模型; 潜在类别Logit模型; 偏好差异

本文引用格式

杨婷群 , 陈坚 . 考虑铁路旅客偏好差异的离站方式选择行为分析[J]. 交通运输研究, 2024 , 10(3) : 1 -9 . DOI: 10.16503/j.cnki.2095-9931.2024.03.001

Abstract

To explore the differences in passenger preferences and the cause of railway passengers′ preferences for the service level factors of departure mode, such as travel cost, in transit time, waiting time, and cabin congestion, a mixed Logit model and a latent class conditional Logit model were used to carry out the research at the individual and group levels. Firstly, based on the travel characteristics of railway passengers and the service level of departure modes, a willingness survey questionnaire was created using orthogonal design method with the number of passengers traveling, luggage load, travel cost, in transit time, waiting time, and cabin congestion as scenario variables. Then online and offline surveys were conducted. Finally, the model parameters were calibrated using maximum likelihood estimation. The results indicate that travel cost, in transit time, waiting time, and cabin congestion are key factors affecting the choice of departure mode. The calibration results of the mixed Logit model show that passengers have individual preference differences for travel costs and in transit time that are different from the sample mean. The latent class conditional Logit model divides passengers into three categories. Passengers of category 1 are most sensitive to in transit time, waiting time, and cabin congestion, while passengers of category 3 have the lowest sensitivity to these three service characteristics. The two models have confirmed from different perspectives the differences in passenger preferences for departure modes of transportation and the impact on departure mode selection, providing references for the configuration and service level optimization of connecting transportation modes in railway passenger hubs.

Key words： urban transportation; departure travel mode choice; mixed Logit model; latent class conditional Logit model; preference differences

0 引言

铁路客运枢纽作为连接城市内外的重要节点，衔接城市内部多种交通方式，为旅客到离站提供多样化选择。铁路旅客出行多为中长距离出行，易受行李负载、同行人数的影响对离站方式的服务水平表现出偏好差异，间接影响离站方式的选择。相较于到站客流，铁路离站客流受列车时刻表影响呈现出短时高聚集特征，枢纽内易出现“排长队”现象。研究铁路旅客离站选择行为对优化枢纽离站交通方式配置，提高铁路枢纽吸引力具有重要意义。
国内外学者主要采用离散选择模型探讨影响因素的作用。通过收集旅客的个人社会经济属性、出行特征、离站方式特征、心理特征等因素数据，统计分析各因素的分布情况和影响程度。既有研究中，叶玉玲等[1]认为出行时间和费用是离站方式选择的首要考虑因素。迟明等[2]分析了出行距离、行李负载、同行照料等因素对有私家车旅客和无私家车旅客离站方式选择的影响。Gutiérrez等[3]指出出发城市、对目的地的熟悉程度、旅游期间的住宿类型和同行人数等因素会影响旅客的出行方式选择。肖杰文[4]探讨了枢纽服务特征、方便性、舒适性、经济性、快速性等变量对换乘方式选择的影响。学者们最先采用二项Logit模型、多项Logit模型、嵌套Logit模型分析影响因素[5⇓-7]。随着研究的不断深入，有学者发现出行者在相同选择场景下出现不同选择结果，对相同影响因素也表现出不同的敏感度[8]。进而学者将研究偏好差异的混合Logit模型和潜在类别条件Logit模型用在出行行为学研究中。混合Logit模型通过将变量设置为随机参数，估计随机参数的标准偏差来说明个体之间的差异性[9-10]。潜在类别条件Logit模型则利用最佳分组准则将总体样本划分成多个潜在群体。通过比较不同群体的参数估计值差异，分析群体之间的不同偏好[11⇓-13]。偏好差异性研究结果表明，混合Logit模型和潜在类别条件Logit模型都适用于研究偏好差异，各有其优点和局限性，但具体模型表现需根据研究问题进行对比分析。
已有铁路离站方式选择的研究主要基于偏好同质性假设或基于个人社会经济特征变量对数据样本进行分类，分析各类别旅客的离站方式选择行为，无法探究旅客对离站方式服务水平的偏好差异来源。鉴于此，本文结合铁路旅客行李状况、同行人数等出行特征，采用混合Logit模型和潜在类别条件Logit模型，分别从个体和群体展开分析，并采用交互效应分析偏好差异来源，旨在展示铁路旅客对离站方式服务水平的偏好差异，为优化离站交通方式配置提供参考。

1 模型构建

为了探究旅客离站方式服务水平偏好差异对离站方式选择的影响，结合国内外研究成果[13⇓-15]，基于铁路旅客出行特点和离站方式服务水平，选取性别、年龄、学历、收入、同行人数、行李状况、行程费用、在车时间、候车时间和车厢拥挤度等因素作为解释变量，确定常规公交、轨道交通、出租车和网约车为方案选择肢。采用混合Logit模型和潜在类别条件Logit模型分别从个体和群体层面分析偏好差异。根据随机效用理论，旅客会根据各备选方案效用选择出效用最大的方案。旅客 n选择离站方式 i的效用函数 U n i为：
U n i = V n i + ε n i = C n i + β X n i + ε n i = C n i + ∑ k K β s k S n k + ∑ k K β w k W n i k + ε n i
式（1）中： V n i和 ε n i分别为旅客 n选择离站方式 i的效用确定项和效用随机项; C n i为旅客 n选择离站方式 i的固定常量； X n i为旅客 n选择离站方式 i的属性完整变量； S n k为旅客 n的个人属性和出行特征变量，包括性别、年龄、学历、收入、同行人数、行李状况； W n i k为离站方式 i的服务水平变量，包括行程费用、在车时间、候车时间和车厢拥挤度； β, β s k和 β w k分别为 X n i, S n k和 W n i k对应的系数。

1.1 混合Logit模型

混合Logit模型假设出行者对交通方式存在偏好差异，以随机参数的标准偏差来说明个体之间的偏好差异性。本文将服务水平变量即行程费用、在车时间、候车时间和车厢拥挤度设置为随机参数 β w k，分析旅客对服务水平的偏好差异及其对选择行为的影响。根据混合Logit模型[16]，旅客 n选择离站方式 i的概率 P n i为：
P n i = ∫ L n i ( β ) f ( β w k | θ ) d β w k
L n i (β) = e x p ( V n i ) / ∑ i = 1 I e x p ( V n i )
式（2）~式（3）中： P n i为旅客 n选择离站方式 i的概率； L n i ( β )为多项Logit模型的选择概率； f ( β w k | θ )为随机参数概率密度函数； θ为概率密度函数的未知参数。
混合Logit模型中的概率密度函数为非封闭型，需基于计算机模拟仿真进行极大似然估计求解参数值[17]。其中，对数似然函数为：
l n L = ∑ n = 1 N ∑ i = 1 I δ n i l n 1 R ∑ r = 1 R L n i ( β c r )
式（4）中： l n L为对数似然值； δ n i为指示变量，当出行者 n选择第 i种离站方式，记 δ n i为1，否则为0； r为抽样次数； R为总抽样次数； L n i ( β c r )为抽样概率。

1.2 潜在类别条件Logit模型

潜在类别条件Logit模型利用最佳分组准则将样本划分成多个潜在群体。通过比较不同群体的参数估计值差异，分析群体之间的不同偏好。根据潜在类别条件Logit模型[18]，假设有 N位旅客，根据个人属性和出行特征可被分为 C个类别，每类旅客对离站方式服务水平表现出偏好差异，旅客 n选择离站方式 i的概率 P n i为：
P n i = ∑ c = 1 C P n c P n i | c
其中， P n c和 P n i | c分别为：
P n c = e x p ( ∑ k = 1 K η c k S n k ) ∑ c = 1 C e x p ( ∑ k = 1 K η c k S n k )
P n i | c = e x p ( ∑ k = 1 K β c k W n i k ) ∑ i = 1 I e x p ( ∑ k = 1 K β c k W n i k )
式（5）~式（7）中： P n c为旅客 n属于类别 c的概率； P n i | c为旅客 n属于类别 c条件下选择离站方式 i的概率； S n k为旅客 n的个人属性和出行特征变量； W n i k为离站方式 i的服务水平变量； η c k和 β c k分别为 S n k和 W n i k对应的系数。
通过期望最大化算法估计 η c k和 β c k参数值，其中样本的对数似然值为：
l n L = ∑ n = 1 N l n ∑ c = 1 C P n c ∏ i = 1 I P n i | c δ n i
类别数量 C在参数估计前设定，采用一致赤池信息准则（Consistent Akaike Information Criterion, CAIC）和贝叶斯信息准则（Bayesian Information Criterion, BIC）的两个指标确定最佳类别数。当CAIC和BIC的值越小时，模型的拟合度越高。CAIC和BIC的值分别为：
Q 1 = - 2 l n L + m ( 1 + l n N )
Q 2 = - 2 l n L + m l n N
式（9）~式（10）中： Q 1, Q 2分别为CAIC和BIC的值； m为模型参数数量。

2 数据采集

2.1 调查问卷设计

采用陈述性偏好法（Stated Preference Methods, SP）调查旅客在不同行李负载、同行人数和离站方式服务水平情景下的离站方式选择情况。考虑到现实中各离站方式受道路交通状况和行车组织的影响，对各情景变量设置3个水平值（“公交车厢拥挤度”除外）。由于铁路客运枢纽多设接驳公交首发站，将公交车厢拥挤度设置为有座。特征变量属性水平如表1所示。对所有变量进行正交设计，共得到27个情景。
表1 特征变量属性水平
变量 水平数目 属性水平值
行李状况 3 无/小件行李/大件行李
同行人数 3 无/1人同行/2人及以上同行
轨道交通候车时间/min 3 3/6/9
公交候车时间/min 3 3/6/10
出租车候车时间/min 3 5/10/15
网约车候车时间/min 3 5/10/15
轨道交通车厢拥挤度 3 有座/站立不拥挤/站立拥挤
公交车厢拥挤度 1 有座
路网拥堵状态 3 畅通/一般拥堵/拥堵
参考我国部分人口规模大于300万人的Ⅰ型大城市中的高铁站分布情况，其高铁站与市中心的平均距离为9.01 km[19]。为此，本文以10 km的中等出行距离为基础开展情景问卷设计。根据路网拥堵状态计算各离站交通方式的在车时间和行程费用，见表2。将行程费用、在车时间、候车时间、车厢拥挤度、行李状况、同行人数组合形成情景提供给受访者，每位受访者对3个情景进行回答。
表2 10 km出行距离的在车时间和行程费用水平
出行方式 属性 道路畅通 一般拥堵 拥堵
公交 在车时间/min 40 48 56
行程费用/元 2 2 2
轨道交通 在车时间/min 32 32 32
行程费用/元 4 4 4
出租车 在车时间/min 22 26 30
行程费用/元 27 29 32
网约车 在车时间/min 22 26 30
行程费用/元 23 25 28

2.2 描述性统计分析

2023年10月9日—15日进行线上和线下问卷调查，共回收486份问卷。线上运用“问卷星”通过在微博、小红书以及微信交流群中发放问卷，共回收270份问卷。线下组织6名调查员在重庆北站、重庆西站和沙坪坝站的各交通方式候车站台抽选中等出行距离的离站旅客进行问卷调查，共回收216份问卷。剔除回答时间较短、所有问题选项选择完全一致的无效问卷，共获得437份有效问卷。受访者中，女性占比59.95%，年龄集中在[18, 40)岁。66.82%的受访者具有大专及以上学历。受访者主要职业为学生和企业员工，受访者收入情况分布均匀。受访者个人基本统计信息如表3所示。
表3 受访者基本统计信息
变量 描述 编码 样本百分比（%）
性别 男 1 40.05
女 2 59.95
年龄
/岁		 [18, 30) 1 40.06
[30, 40) 2 24.94
[40, 50) 3 20.59
[50, 60) 4 10.30
≥60 5 4.11
学历 初中及以下 1 11.44
高中/中专 2 21.74
本科/大专 3 52.17
研究生及以上 4 14.65
职业 学生 1 28.15
公职人员 2 13.96
企业员工 3 33.64
个体经营者 4 19.68
其他 5 4.57
月收入
/元		 <2 000 1 24.49
[2 000, 5 000) 2 27.46
[5 000, 8 000) 3 22.88
[8 000, 10 000) 4 20.59
≥10 000 5 4.58

3 结果分析与讨论

为避免变量间的多重共线性致使变量系数估计结果失真，采用方差膨胀系数法（Variance Inflation Factor, VIF）进行多重共线性检验，结果如表4所示。结果表明，所有变量的VIF值均小于5，平均值小于2，因此可忽略变量间的共线性，数据结果较为可靠。
表4 多重共线性检验结果
变量 VIF Tolerance R-squared
性别 1.1 1.05 0.910 3
年龄 1.56 1.25 0.640 4
学历 1.42 1.19 0.704 3
月收入 1.22 1.1 0.819 1
同行人数 1.2 1.1 0.833
行李状况 1.03 1.01 0.970 9
行程费用 2.58 1.61 0.387 9
在车时长 2.3 1.52 0.434 2
等车时长 1.37 1.17 0.730 3
车厢拥挤度 1.9 1.38 0.526 4
运用混合Logit模型和潜在类别条件Logit模型对数据进行分析，以公交为参考项。模型系数估计值的显著性采用P值检验，P值小于0.1，说明该因素对离站方式选择具有显著作用。以CAIC、BIC、拟合优度和命中率统计量对比评价模型优劣。模型的CAIC、BIC值越小，拟合优度和命中率越高，则模型解释力越强。

3.1 混合Logit模型标定结果及分析

混合Logit模型参数标定结果如表5所示。
表5 混合Logit模型参数标定结果
方式 属性 系数 标准差 P值 Z值
均值 行程费用 -0.126 6*** 0.012 6 -10.04 0.000
在车时间 -0.162 3*** 0.058 2 -2.79 0.005
候车时间 -0.109 5*** 0.026 4 -4.14 0.000
车厢拥挤度 -0.530 6*** 0.084 6 -6.27 0.000
标准差 行程费用 0.044 4* 0.023 1 1.92 0.055
在车时间 0.019 9* 0.011 0 1.80 0.072
候车时间 0.000 0 0.015 5 0.00 1.000
车厢拥挤度 0.002 3 0.131 5 0.02 0.508
轨道交通 性别 0.100 2 0.226 9 0.44 0.659
年龄 -0.687 5*** 0.092 1 -7.46 0.000
学历 0.665 6*** 0.139 2 4.78 0.000
月收入 0.342 6*** 0.113 1 3.03 0.002
同行人数 -0.338 1** 0.133 2 -2.54 0.011
行李状况 0.385 4** 0.196 0 1.97 0.049
固定系数 -0.409 6 1.209 4 -0.34 0.735
出租车 性别 -0.330 3 0.270 4 -1.22 0.222
年龄 -0.499 5*** 0.119 6 -4.18 0.000
学历 1.189 1*** 0.175 9 6.76 0.000
月收入 1.183 0*** 0.136 8 8.65 0.000
同行人数 0.489 0*** 0.164 2 2.98 0.003
行李状况 1.141 6*** 0.228 5 5.00 0.000
固定系数 -4.321 1* 2.469 6 -1.75 0.080
网约车 性别 -1.034 5*** 0.270 3 -3.83 0.000
年龄 -0.730 2*** 0.123 5 -5.91 0.000
学历 1.087 0*** 0.177 2 6.13 0.000
月收入 1.137 2*** 0.135 3 8.40 0.000
同行人数 1.000 3*** 0.175 2 5.71 0.000
行李状况 1.304 9*** 0.221 6 5.89 0.000
固定系数 -4.585 2** 2.236 6 -2.05 0.040

注：***, **, *分别表示在1%, 5%, 10%水平下显著，下同。

由表5可知：
1）行程费用、在车时间、候车时间、车厢拥挤度对旅客选择行为具有显著影响，变量系数符号为负，说明变量值越大，对应的离站方式被选择的概率越小。车厢拥挤度系数绝对值最大，随之是在车时间，说明车厢拥挤度是影响旅客选择轨道交通的重要因素，而在车时间是影响所有离站方式选择较为重要的因素。在列车到达的高峰时段，增加列车班次是减少车厢拥挤度，提升轨道交通竞争力的有效途径。所有接驳方式都应根据客流量时空规律调整时刻表，在时间上有效衔接铁路客流，缩短旅客在枢纽间逗留时间，减少总出行时长。
2）年龄和学历对旅客选择轨道交通、出租车和网约车有显著影响。年龄系数符号为负，学历、月收入系数符号为正，表明高龄旅客倾向于选择公交，学历、月收入越高的旅客更偏好选择出租车和网约车。这可能是因为高龄旅客拥有老年公交卡，且更愿意使用操作简单的交通方式，故倾向于选择公交。而学历、收入越高的旅客更在意离站接驳方式的服务水平，注重舒适性和快捷性，更倾向于选择出租车和网约车。同行人数和行李状况对出租车和网约车选择影响显著且符号为正，表明同行人数、携带行李越多的旅客更倾向于选择出租车和网约车，这是因为当同行人数、行李越多时，出租车和网约车越体现出经济性和便捷性优势。同行人数对轨道交通的选择有显著负向影响，携带行李状况对轨道交通的选择有显著正向影响，说明相较于公交，单人携带少量行李的旅客倾向于选择轨道交通。
3）出租车和网约车的固定系数显著且符号为负，说明未被观测的固定效用对其总效用有负向影响，选择出租车和网约车的旅客有向公共交通方式转移的可能。
行程费用和在车时间变量的标准差系数显著，说明行程费用和在车时间对不同旅客的选择行为影响存在偏好差异。为探究偏好差异与个人属性和出行特征的关联，分析行程费用和在车时间与个人属性和出行特征变量之间的交互作用，如表6所示。
表6 个人属性与离站方式属性交互分析
交互属性 系数 标准误差 Z值 P值
行程费用-性别 -0.0078 0.008 5 -0.93 0.354
行程费用-年龄 -0.0051 0.004 5 -1.13 0.259
行程费用-学历 0.0132** 0.005 6 2.35 0.019
行程费用-月收入 0.0323*** 0.004 0 8.06 0.000
行程费用-同行人数 0.0237*** 0.006 1 3.89 0.000
行程费用-行李状况 0.0414*** 0.006 9 6.01 0.000
在车时间-性别 0.0124 0.010 8 1.15 0.248
在车时间-年龄 0.0227*** 0.004 8 4.72 0.000
在车时间-学历 -0.0568*** 0.006 9 -8.26 0.000
在车时间-月收入 -0.0243*** 0.005 7 -4.24 0.000
在车时间-同行人数 -0.0063 0.007 3 -0.87 0.383
在车时间-行李状况 -0.0445*** 0.009 2 -4.86 0.000
由表6可知：
1）行程费用与学历、月收入、同行人数、行李状况变量交互作用显著且呈正相关，说明旅客的学历越高、收入越高、同行人数越多、携带行李越多时对行程费用的增加不敏感。
2）在车时间与年龄交互作用显著且符号为正，说明旅客年龄越大，对在车时间的增加越不敏感。
3）在车时间与学历、月收入、行李状况交互作用显著且符号为负，表明学历越高、收入越高、携带行李越多的旅客对离站换乘方式的在车时间的增加更为敏感。
综上可知，偏好差异在个体层面表现在收入、学历、行李负载越高的旅客相比于出行费用更注重时间价值，换乘时偏好选择在车时间较短的出租车和网约车。

3.2 潜在类别条件Logit模型标定结果及分析

本文假定潜在类别数取值在2~5，各类别数下模型的CAIC和BIC值如表7所示。
表7 各类别数下模型CAIC和BIC值比较
类别数 对数似然值 CAIC BIC
2 -1 571.367 3 160.734 3 209.93
3 -1 562.15 3 152.301 3 228.828
4 -1 574.588 3 187.177 3 291.035
5 -1 472.898 2 993.795 3 124.985
当潜在类别C取值为5时，CAIC和BIC取值最小，但经过回归得知，当划分为5个类别时，车厢拥挤度变量的系数值异常且个别类别样本比例极少，选择3个类别更为合适。3个类别人数分别占比32.56%, 46.66%, 20.78%，服务水平变量和个人属性变量回归系数估计结果分别如表8和表9所示。
表8 潜在类别条件Logit模型服务水平变量回归结果
类别 属性 系数 标准差 Z值 P值
1 行程费用 0.140 3*** 0.022 6 6.20 0.000
在车时间 -1.705 7*** 0.251 5 -6.78 0.000
候车时间 -0.238 7*** 0.024 5 -9.75 0.000
车厢拥挤度 -4.023 9*** 0.818 9 -4.91 0.000
2 行程费用 -0.075 0*** 0.010 3 -7.31 0.000
在车时间 -0.097 9*** 0.012 4 -7.93 0.000
候车时间 -0.109 0*** 0.039 1 -2.79 0.005
车厢拥挤度 1.906 2*** 0.422 0 4.52 0.000
3 行程费用 -0.105 4*** 0.014 4 -7.30 0.000
在车时间 -0.049 5*** 0.008 8 -5.62 0.000
候车时间 -0.019 9 0.027 7 -0.72 0.474
车厢拥挤度 -0.345 6** 0.155 0 -2.23 0.026
表9 潜在类别条件Logit模型个人属性变量回归结果
类别 属性 系数 标准差 Z值 P值
1 性别 -0.168 6 0.462 3 -0.37 0.715
年龄 -0.836 1*** 0.198 9 -4.20 0.000
学历 3.079 6*** 0.377 1 8.17 0.000
月收入 1.602 3*** 0.233 5 6.86 0.000
同行人数 0.060 9 0.288 7 0.21 0.833
行李状况 -0.122 0 0.327 3 -0.37 0.709
固定系数 -8.337 4*** 1.620 4 -5.15 0.000
2 性别 2.018 4*** 0.579 2 3.49 0.000
年龄 -1.579 5*** 0.235 2 -6.72 0.000
学历 2.864 5*** 0.400 8 7.15 0.000
月收入 0.749 8 0.507 3 1.48 0.139
同行人数 -1.945 5*** 0.320 3 -6.07 0.000
行李状况 -2.064 2*** 0.387 3 -5.33 0.000
固定系数 0.608 9 1.956 3 0.311 3 0.756
从群体层面看，3类旅客对行程时间、在车时间、候车时间和车厢拥挤度的重视程度具有异质性，具体表现在以下方面。
1）类别1群体中，在车时间、候车时间、车厢拥挤度对旅客选择行为具有显著影响，变量系数符号为负，且系数绝对值在3个类别中最大，表明该类别旅客最注重出行时间和出行的舒适性，对离站方式服务水平的要求最高。行程费用对旅客选择行为具有显著影响且变量系数符号为正，该类旅客对行程费用不敏感。可见，该类旅客倾向于选择在车时间短、候车时间短、车内舒适性高的个体化出行方式。出租车和网约车可以通过提升车辆品质以及提供个性化服务吸引该类旅客。
2）类别2群体中，行程费用、在车时间、候车时间对旅客选择行为具有显著影响，变量系数符号为负，车厢拥挤度影响显著但系数符号为正，表明该类别旅客能接受拥挤的车厢环境，但不能接受行程费用和出行时间的增加，对出行时间和出行费用敏感，但该类旅客对时间的敏感程度小于类别1，倾向于选择轨道交通。该类别旅客最多，轨道交通运营企业可根据列车到达时刻与客流量情况调整轨道列车发车时间与频率，减少等待时间，通过开通直快列车，缩短铁路客运枢纽与城区重要节点之间的通行时间，吸引该类旅客，进一步提高轨道交通的客流分担率。
3）类别3群体中，行程时间、在车时间、车厢拥挤度对旅客选择行为具有显著影响，变量系数符号为负，行程费用系数绝对值在3类中较大，在车时间系数绝对值最小。相较于类别1和类别2的旅客，类别3的旅客对行程费用的增加最敏感，对在车时间和车厢拥挤度增加的敏感性最低，倾向于选择公交和轨道交通。公共交通运营企业可以通过车票优惠政策吸引该类旅客。
将类别3作为参考基础，分析个人属性和出行特征变量对潜在类别的影响。年龄和学历在类别1和类别2中均显著，年龄系数为负、学历系数为正，月收入在类别1中显著为正。说明在类别1中，年龄越小、学历越高、月收入越高的旅客越在乎出行总时长和车厢拥挤度；类别2中，年龄越小、学历越高的旅客越在乎行程费用和在车时间。性别、同行人数、行李状况对类别2的旅客选择行为影响显著，性别系数为正，同行人数和行李状况系数为负，说明类别2中的无同行者、未携带行李的女性可能更重视行程费用和出行时间。固定系数在类别1中显著且系数为负，表明未观测到的效用会抑制类别1旅客的离站方式选择，类别1的旅客可能会向类别3转变。
综上可知，偏好差异在群体层面表现为不同类别旅客对服务水平的敏感程度不同。相较于类别3的旅客，类别2的旅客对在车时间、候车时间和行程费用较为敏感，类别1的旅客对离站交通方式的在车时间、候车时间和车厢拥挤度最为敏感，类别1和类别2的旅客共占比约80%。类别3的旅客则最为注重出行经济性，在意交通工具的行程费用。

3.3 模型对比分析

本文从个体和群体两个层面对旅客偏好差异进行了分析，两个模型拟合结果均良好，但仅从模型统计量看，潜在类别条件Logit模型的表现更好。潜在类别条件Logit模型的拟合优度为0.254，命中率为82.15%，而混合Logit模型的拟合优度为0.153，命中率为73.91%。总体而言，潜在类别条件Logit模型的解释力更强，预测精度更高，更适合研究考虑偏好差异的出行行为。

4 结束语

本文建立混合Logit模型和潜在类别条件Logit模型，从个体和群体层面分析了10 km换乘距离下考虑偏好差异的离站方式选择行为，并对两模型的拟合优度和预测精度进行对比。结果发现，行程费用、在车时间、候车时间和车厢拥挤度等服务水平因素是影响离站方式选择的关键因素。混合Logit模型和潜在类别条件Logit模型分别从个体和群体角度反映了旅客对离站方式服务水平的偏好差异。从模型优度和旅客区分效果上，潜在类别条件Logit模型更优，其拟合优度和命中率高于混合Logit模型，且能对旅客进行类别划分，突出不同类别旅客的偏好特点，能更直观地为各接驳交通如何通过改善服务吸引目标群体提供参考依据。
本研究将距离选定为10 km，且服务水平变量选择有限，未来可增加步行时间、换乘次数等因素进行不同距离、出行情景的研究，为优化接驳交通方式的服务质量提供更丰富的理论依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
叶玉玲, 陈俊晶, 刘小亚. 高铁站与市内交通换乘衔接选择研究[J]. 城市轨道交通研究, 2017, 20(11):45-49.

[2]
迟明, 霍娅敏, 刘广武, 等. 基于Logit模型的高速铁路旅客离站换乘选择分析[J]. 铁道运输与经济, 2021, 43(5):31-37.

[3]
GUTIÉRREZ A, MIRAVET D, SALADIÉ Ò, et al. Transport mode choice by tourists transferring from a peripheral high-speed rail station to their destinations: empirical evidence from Costa Daurada[J]. Sustainability, 2019, 11(11): 3200.

[4]
肖杰文. 基于计划行为理论的高铁枢纽旅客离站换乘方式选择行为研究[D]. 成都: 西南交通大学, 2020.

[5]
张文会, 秦佳琪, 李洪涛, 等. 考虑拥挤度的常规公交与地铁出行方式选择模型[J]. 吉林大学学报(工学版), 2021, 51(1):200-205.

[6]
骆晨, 李想, 钟林峰, 等. 基于家庭属性差异的大学生出行方式选择行为研究[J]. 交通运输系统工程与信息, 2020, 20(3):227-232.

[7]
WANY Z, YANG Y, YAO E, et al. An analysis of commute mode choice behavior considering the impacts of built environment in Beijing[J]. Transportation Letters, 2022, 14(7): 733-739.

[8]
杨飞, 侯宗廷, 王亮, 等. 考虑个体异质性的汽车分时租赁选择行为[J]. 西南交通大学学报, 2022, 57(4):745-752.

[9]
YAYLALI M, CELIK A K, DILEK O. Analyzing key socio-economic and socio-demographic drivers of domestic passengers′ airline choice behavior in Turkey using multinomial and mixed logit models[J]. Transportation Letters-The International Journal of Transportation Research, 2016, 8(3): 121-130.

[10]
SHIRAZI A K, ANDREASSON I, AFSHARA F, et al. Heterogeneity in the preferences of potential users of automated transit network (ATN)[J]. Journal of Advanced Transportation, 2023, 2023: 1-15.

[11]
ZHOU H, NORMAM R, XIA J, et al. Analysing travel mode and airline choice using latent class modelling: A case study in Western Australia[J]. Transportation Research Part A: Policy and Practice, 2020, 137(C): 187-205.

[12]
任新惠, 潘娜. 基于潜在类别条件Logit模型的机舱座位选择行为[J]. 科学技术与工程, 2021, 21(29):12772-12780.

[13]
杨亚璪, 唐浩冬, 彭勇. 考虑偏好差异的后疫情时代居民出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(3):15-24.

[14]
PEFTITSI S, JENELIUS E, CATS O. Modeling the effect of real-time crowding information (RTCI) on passenger distribution in trains[J]. Transportation Research Part A: Policy and Practice, 2022, 166: 354-368.

[15]
潘义勇, 王心悦, 蒋冠宇, 等. 考虑出行者异质性的到达机场方式选择行为研究[J]. 重庆理工大学学报(自然科学版), 2023, 37(5):150-158.

[16]
KRUEGER R, RASHIDI T H, ROSE J M. Preferences for shared autonomous vehicles[J]. Transportation Research Part C: Emerging Technologies, 2016, 69: 343-355.

[17]
ZHOU W, LI X, SHI Z, et al. Impact of carpooling under mobile internet on travel mode choices and urban traffic volume: The case of China[J]. Sustainability, 2023, 15(8): 6595.

[18]
GREENE W H, HENSHER D A. A latent class model for discrete choice analysis: contrasts with mixed logit[J]. Transportation Research Part B: Methodological, 2003, 37(8): 681-698.

[19]
郭源园, 吴磊, 曾鹏. “站-城”融合视角下的大城市中心城区高铁设站分析[J]. 南方经济, 2022(11):128-140.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发