Transport Research >

2024 , Vol. 10 >Issue 5: 101 - 111

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.05.009

Case Study

Modeling and Analysis of Urban Rail Transit Connection Mode Selection Considering Station Type

  • SONG Chengju ,
  • FAN Benke ,
  • ZAN Yongjun ,
  • YIN Yaojun
Expand
  • School of Civil Engineering and Transportation, Northeast Forestry University, Harbin 150040, China

Received date: 2024-05-11

  Online published: 2024-12-03

Fold

Abstract

To more accurately reveal the decision-making mechanism of travelers' connection modes of urban rail transit, this paper introduced station type as a disordered multi-categorical variable into the mixed Logit model to analyze travelers' choice behavior of connection modes. A mixed Logit model for connecting mode selection of urban rail transit was established by clustering rail stations to obtain station types, combining the traffic mode and travelers′ characteristics data obtained from KDTree spatial search and web crawl and RP investigation. The connection characteristics of different types of rail stations and travelers' choice behavior of connecting mode were explored by sensitivity analysis. The results showed that the connection distance, connection cost, connection duration, income, travel purpose, occupation, age, gender, number of peers, education level, and connection time were significantly correlated with connection mode selection. Compared with the central type of urban rail transit station, travelers tended to choose motorcycles, buses, private car, taxis or ride-hailing connections at the edge type of urban rail transit station, and bicycle or bus connections at the mixed type of urban rail transit station. Travelers of different station types have different sensitivity to connection mode selection. As can be seen, station type has a certain impact on the structure of station connection mode. Measures could be taken to optimize the connection facilities of central stations, improve the accessibility of public transportation at edge stations, and improve the infrastructure of non motorized connections at mixed stations to meet the needs of travelers at different types of stations.

Key words： travel mode selection; connection mode selection; mix Logit; KDTree spatial search; system clustering

Cite this article

SONG Chengju , FAN Benke , ZAN Yongjun , YIN Yaojun . Modeling and Analysis of Urban Rail Transit Connection Mode Selection Considering Station Type[J]. Transport Research, 2024 , 10(5) : 101 -111 . DOI: 10.16503/j.cnki.2095-9931.2024.05.009

0 引言

城市轨道交通具有大运力、快速、无堵车风险、长距离运输、低出行成本等特点，正逐渐成为大中型城市缓解交通拥堵等问题的首选方案。城市轨道交通线路的建设通常从宏观层面出发，与城市的主要区域或交通枢纽相连接，以提高城市公共交通的分担率；而出行者往往从自身需求出发，选择合适的交通方式完成出行。“站到站”式的轨道线路往往不能满足出行者“门到门”的需求，所以出行者需借助自行车、摩托车、公交车、出租车、私家车等交通工具进行接驳，完成整个出行过程。因此，有必要对出行者的接驳方式选择行为进行研究，以便更好地了解出行者对轨道交通接驳方式选择的内在机理，对优化交通结构、提高轨道交通服务水平和利用率、促进多模式交通发展具有重要意义。
对城市轨道交通站点（以下简称“轨道交通站点”）接驳行为的研究主要基于出行方式选择和交通行为研究，方法基本分为两类：一是采用离散选择模型，如多项Logit模型[1-2]、条件Logit模型[3]、巢式Logit模型[4-5]、随机参数Logit模型[6⇓-8]、潜在类别Logit模型[9]等；二是采用机器学习模型，如支持向量机[10]、随机森林[11-12]、XGBoost[13-14]等。机器学习模型虽精确性较高，但“黑箱”特性使得模型的可解释性不足，难以从中提取影响出行行为的关键因素；而离散选择模型具有良好的可解释性，能通过分析出行者的选择行为，明确各个影响因素的作用机制。为更好地揭示决策行为的内在机理，提高离散选择模型的精确性，现有研究采取了多种方法。一方面是通过引入关键变量来增强模型的解释能力，如孙韬等[15]引入了建成环境变量，有效揭示了环境特性对出行方式选择的影响；傅玉玲等[16]引入心理潜变量，探索心理因素对出行决策的作用，但未考虑站点自身因素；杨惠婷[17]虽引入了多个站点特性变量，但未考虑站点整体对接驳方式选择的影响。另一方面是依靠高质量数据为模型的精确性和解释性提供保障，如李文勇等[18]基于移动互联交通信息分析居民出行方式特性，为模型提供了更丰富的输入数据；何仁杰[19]使用手机信令数据分析高铁站接驳特性，但其数据中包含的出行者特性信息并不丰富，难以探讨多种变量对接驳方式选择的影响；吴静娴等[20]融合多源数据对个体通勤方式进行研究，展示了多源数据在提升模型精确度方面的潜力。
综上，在现有的针对城市轨道交通接驳方式选择的研究中，虽有学者关注轨道交通站点特性及其他相关因素，但在对站点整体特性的综合分析上仍存不足，且在数据的多源化及整合方面仍有欠缺。因此，本文将轨道交通站点聚类得到的站点特性数据，KDTree空间搜索及网络爬虫获得的交通方式特性数据，与RP调查获得的出行者特性数据相结合，构建城市轨道交通接驳方式选择混合Logit模型，并通过敏感性分析，从出行者特性、交通方式特性、站点特性3方面挖掘轨道交通站点类型对接驳方式选择的影响，同时探讨出行者对轨道交通接驳方式选择的决策机理，以期为城市轨道交通系统的规划与管理提供支撑。

1 数据获取

1.1 站点特性数据获取

城市轨道交通吸引以站点为中心，出行者在轨道交通站点选择接驳方式时，其决策与站点类型等特性密切相关。为此，本文对轨道交通站点进行聚类，将结果作为无序多分类变量引入混合Logit模型，以研究站点类型对接驳方式选择的影响。

1.1.1 轨道交通站点原始数据标准化

聚类是按照一定的规则将样本分为多个簇，同簇展现同质性，不同簇间展现异质性。聚类过程中需比较多个变量，而变量间的单位或量纲往往不同，因此在聚类前应进行数据标准化处理，以消除不同变量间单位或量纲差异，使其在聚类过程中具有可比性。使用Z-Score标准化法对数据进行预处理[21]，计算公式如下：
Z p q = x p q - μ q σ q
μ q = 1 n ∑ p = 1 n x p q
σ q = 1 n - 1 ∑ p = 1 n ( x p q - μ q ) 2
式（1）~式（3）中： Z p q为第 p个站点中 q列变量标准化后的变量值； x p q为初始变量值； μ q为第 q列变量的平均值； n为第 q列变量的个数； σ q为第 q列样本的标准差。

1.1.2 系统聚类法原理与基本步骤

系统聚类法是一种基于距离或相似性进行数据分组的聚类技术，主要分为两大类别：一是凝聚层次聚类，该方法从每个单独的数据点出发，逐步合并相似的簇；二是分裂层次聚类，其从一个包含所有数据点的簇开始，逐渐分裂成更小的簇。这一过程创建了一个树状图，称为层次聚类树，用于显示数据点之间的关系。
组间联接法是一种计算簇间距离的凝聚层次聚类方法，也被称为最短距离法，其基本步骤如下。
第1步：初始化。将每个数据点视为一个独立的簇。
第2步：计算相似性或距离。两个簇之间的距离通常由两个簇中最相似或最近的数据点之间的距离来决定，计算公式如下：
d a b = ( a 1 - b 1 ) 2 + ( a 2 - b 2 ) 2 + ⋯ + ( a n - b n ) 2
d A B = m i n a ∈ A ,   b ∈ B d a b
式（4）~式（5）中： d a b为簇 A中的某个点 a ( a 1 ,   a 2 , … ,   a n )与簇 B中的某个点 b ( b 1 ,   b 2 , … ,   b n )之间的距离，通常采用欧式距离计算； d A B为簇 A和簇 B之间的距离。
式（5）表示簇 A与簇 B之间的距离为簇 A中某个点与簇 B中某个点之间的最小距离。
第3步：合并最近的簇。找到距离最近的两个簇，并将它们合并为一个新的簇。合并后，重新计算新簇与其他簇的相似性或距离。
第4步：重复合并。重复第3步，直至所有数据点都被合并为一个簇，形成谱系图（树状图）。
第5步：确定聚类树。通过查看谱系图的结构，选择一个合适的截断高度来确定聚类数。

1.1.3 哈尔滨地铁一号线站点类型数据获取

以哈尔滨地铁一号线哈尔滨东站至哈尔滨南站为研究对象，线路全长约17 km，共有18座车站。本研究于2023年10月16日—25日早晚高峰进行实地现场调查，结合自动客流统计系统数据，获取高峰期客流量和各轨道交通站点接驳公交数据，其他数据则通过查阅相关资料获取（见表1）。对数据进行Z-Score标准化，按变量权重对轨道交通站点进行系统聚类。
表1 研究案例站点特性数据
站点名称 高峰上客流量
/（人/h）		 高峰下客流量
/（人/h）		 站内面积
/m2		 站间距
/m		 接驳公交
数量/条		 容积率 建筑密度
（%）		 建筑混合度 距离中心距离
/km
哈尔滨南 4 228 3 923 4 829 1 513 9 1.14 21.6 0.905 10.8
哈达 2 860 2 910 5 888 1 556 10 1.22 22.5 0.926 9.29
医大二院 2 187 1 987 5 353 1 337 13 1.28 23.3 0.702 7.71
黑龙江大学 1 943 1 720 2 752 994 20 1.46 28 0.592 6.62
理工大学 1 235 1 131 2 752 887 16 1.42 24.5 0.567 5.7
学府路 1 238 1 197 3 526 986 20 1.49 26.7 0.878 4.9
和兴路 2 023 1 991 2 916 1 000 21 1.66 28.8 0.882 3.71
西大桥 2 003 1 937 3 039 850 25 2.25 30.7 0.445 2.8
哈工大 2 300 2 229 3 450 897 22 1.56 29.2 0.83 2.01
铁路局 4 091 3 895 3 073 1 000 22 1.38 28.5 0.751 1.2
博物馆 4 953 5 479 3 489 905 28 2.14 36.2 0.794 0.08
医大一院 3 924 4 387 2 825 750 19 1.62 33.4 0.655 0.76
烟厂 2 633 2 910 3 210 959 23 1.52 32 0.732 1.62
工程大学 2 089 2 167 2 752 1 182 16 1.48 24.4 0.956 2.73
太平桥 2 183 2 210 7 990 1 040 20 1.42 25.6 0.855 3.91
交通学院 3 090 2 976 6 313 881 22 1.42 24.3 0.818 4.82
桦树街 2 376 1 988 2 752 839 19 1.34 27.8 0.625 5.63
哈尔滨东 3 085 3 104 5 620 847 17 1.23 33.2 0.888 6.44
聚类过程如图1所示，图中横坐标代表聚类距离。按照谱系图将轨道交通站点分为中心型、边缘型和混合型3类。
图1 聚类分析谱系图
1）中心型轨道交通站点有博物馆、医大一院、铁路局。该类站点主要位于城市中心，其客流量最大，接驳公交数量多且接驳方便，容积率高，临近火车站、医院、博物馆、商场等客流密集场所，路面交通较为复杂。
2）边缘型轨道交通站点有哈尔滨南、太平桥、哈尔滨东、交通学院、医大二院、哈达。边缘型站点主要位于一号线的边缘，同时也位于城市的边缘，客流量较大，用地性质以公共设施和居住为主。站点周围容积率低，接驳公交少。
3）混合型轨道交通站点有西大桥、学府路、理工大学、桦树街、黑龙江大学、工程大学、烟厂、哈工大、和兴路。该类站点附近主要为高校或居民区，是以教育、办公行政、居住和公共设施为主的混合型站点，公交接驳较为方便；客流以上下班通勤为主，潮汐特性明显。
将中心型站点、边缘型站点和混合型站点分别编号为0、1和2，后续作为站点特性变量引入混合Logit模型，以探讨站点类型对接驳方式选择的影响。

1.2 交通方式特性数据获取

为提升数据质量，采用KDTree空间搜索技术与网络爬虫相结合的方法获取交通方式特性变量，包括接驳距离、接驳时长以及接驳费用。以后端接驳为例，通过KDTree空间搜索算法来匹配目的地最近邻轨道交通站点。以匹配的轨道交通站点为出行起点，出行者目的地为出行终点，带入高德开放平台获取各接驳方案的接驳距离、接驳时长和接驳费用。
KDTree空间搜索算法通过构建树形结构、递归搜索和剪枝等步骤，在高维空间中寻找最近邻点。该算法原理如图2所示，选择一个坐标轴并以中位数为切分值划分数据集，递归构建KDTree。搜索时，从树的根节点开始，递归地向下遍历树，根据目标点在当前节点的切分轴上的值确定搜索方向。回溯时，检查当前节点的另一子树是否可能包含更近的点。通过记录最近邻点和距离剪枝等技术，KDTree算法能高效地找到目标点的最近邻点集合。本研究使用KDTree空间搜索匹配距离目标点最近的轨道交通站点：首先，将目的地坐标输入以轨道交通站点为节点建立的KDTree中，进行最近邻匹配；然后，从KDTree的根节点依次搜索，归递遍历；接着，进行回溯，判断是否有其他路径，直至无；最后，算法输出与各目标点相匹配的轨道交通站点。KDTree算法输出的是目标点与其最近轨道交通站点间的直线距离，但实际中路径往往非直线，所以将两点的经纬度输入高德地图获取路径距离等信息。
图2 储存二维数据的KDTree
本研究通过网络爬虫技术从高德开放平台获取各接驳方式的方案数据参数，以提升模型的泛化能力和数据的严谨性。网络爬虫是一种自动获取网页信息的程序，本研究在使用过程严格遵循了高德开放平台网站robots.txt文档中的爬虫规则和使用条款，以及合理的爬取速率和合法的User-Agent。由于高德开放平台的起点和终点在网络请求参数中本身即为经纬度，与本研究数据格式一致，因此使用Python爬虫模拟浏览器对高德开放平台输入目的地和轨道交通站点经纬度坐标参数即可获取各接驳方式交通特性信息，将信息保存为csv文件并储存至本地，具体过程如图3所示。
图3 数据爬取过程

1.3 出行者特性数据获取

通过对哈尔滨地铁一号线乘客进行问卷调查，本研究收集到了出行者特性数据（包括性别、年龄、职业、收入、学历、接驳时间段、出行目的、同行人数）和接驳方式数据。调查问卷设计力求全面覆盖所有轨道交通站点，并且考虑不同年龄层和职业群体，以确保数据样本的有效性和多样性。此次调查共回收得到有效问卷1 300份。为避免模型拟合出现多重共线性并提升模型精度，对出行者特性中的无序多分类变量指定参照组进行研究。
交通方式特性和出行者特性变量及选项设置如表2所示。
表2 交通方式特性和出行者特性变量设置
变量类型 变量名称 变量表示 变量类别 变量选项 获取方式
因变量 接驳方式 mode 分类变量 0：步行
1：自行车
2：摩托车
3：公交车
4：出租车或网约车
5：私家车		 问卷调查
自变量
出
行
者		 性别 gen 二分类变量 0：女
1：男		 问卷调查
年龄 age 连续变量 实际值 问卷调查
职业 job 多分类变量 0：私营及个体劳动者
1：企事业单位人员
2：学生
3：离退休人员
4：待就业人员		 问卷调查
收入 income 多分类变量 0：低收入人群
1：中收入人群
2：高收入人群		 问卷调查
学历 degree 多分类变量 0：高中及以下
1：大专或本科
2：研究生		 问卷调查
接驳时间段 dtime 连续变量 接驳时刻的实际时间（按时段收集数据） 问卷调查
出行目的 aim 二分类变量 0：非通勤出行
1：通勤出行		 问卷调查
同行人数 people 连续变量 接驳时的实际同行人数 问卷调查
站
点		 站点类别 station 多分类变量 0：中心型站点
1：边缘型站点
2：混合型站点		 站点聚类
交
通
方
式		 接驳距离 dis 连续变量 实际值 网络爬虫
接驳时长 ttime 连续变量 实际值 网络爬虫
接驳费用 cost 连续变量 实际值 网络爬虫

2 城市轨道交通接驳方式选择模型构建

2.1 接驳方式选择模型的建立

混合Logit模型基于随机效用与效用最大化原理构建。本研究中第 i位出行者选择第 j种接驳方式的效用函数表达式 U i j[22]为：
U i j = V i j + ε i j
V i j = α i j + β j x i + σ j z i
式（6）~式（7）中： V i j为出行者 i选择第 j种接驳方式的固定效用； ε i j为不可观测的随机效用； α i j为第i个出行者选择第j种接驳方式的常数项； β j为第j种接驳方式的出行者特性回归系数的集合； x i为第 i位出行者个人特性和站点特性的集合； σ j为第 j种接驳方式的交通方式特性回归系数集合； z i为出行者 i交通方式特性的集合。
假设 ε i j独立且服从广义极值分布，则第 i位出行者选择第 j种接驳方式的概率 P i j可表达为：
P i (j) = e x p ( α i j + β j x i + σ j z i ) ∑ j ∈ J e x p ( α i j + β j x i + σ j z i )
式（8）中： J为接驳方式的集合。当出行数据中只包含出行者特性 x i（本文包含站点特性）时，混合Logit模型退化为多项Logit模型；当出行数据中只包含交通方式特性 z i时，混合Logit模型退化为条件Logit模型；只有同时包含出行者特性 x i和交通方式特性 z i，才可称作混合Logit模型。将调查样本中步行（ j = 0）作为参考方案，则步行方案中各系数值均为0（ β 0 = 0），城市轨道交通接驳方式选择混合Logit模型表达为：
P i (j) = 1 1 + e x p ( α i j + β j x i + σ j z i ) / ∑ j ∈ J e x p ( α i j + β j x i + σ j z i )             j = 0 e x p ( α i j + β j x i + σ j z i ) 1 + e x p ( α i j + β j x i + σ j z i ) / ∑ j ∈ J e x p ( α i j + β j x i + σ j z i )             j ≠ 0  

2.2 参数标定与分析

以多源数据建立城市轨道交通接驳方式选择的混合Logit模型，利用计量经济学软件NLOGIT5.0进行拟合，采用最大似然法对参数进行标定，以步行为参考项，显著性水平p取0.1，得到各变量的回归结果如表3所示。
表3 混合Logit模型标定结果
变量
类型		 变量
名称		 变量
表示		 coef p 自行车 摩托车 公交车 出租车或网约车 私家车
coef1 p coef2 p coef3 p coef4 p coef5 p
出
行
者		 截距 constant -6.829 0.000 -2.646 0.079 -2.491 0.000 -5.791 0.000 -11.850 0.000
接驳时间段 dtime — — 0.126 0.008 — — — — — —
同行人数 people -0.916 0.052 — — — — 0.581 0.002 0.849 0.000
年龄 age 0.073 0.001 -0.096 0.000 — — -0.050 0.005 0.037 0.017
收入 income -0.887 0.084 -0.951 0.069 -0.611 0.013 0.996 0.022 1.021 0.004
出行目的 aim -0.892 0.073 -1.427 0.009 -0.435 0.049 -1.018 0.010 — —
学历 degree — — — — — — — — 0.602 0.064
职业 job1 — — — — — — 0.880 0.038 1.088 0.004
job2 — — — — 0.913 0.039 — — — —
job3 — — — — 0.971 0.024 — — — —
job4 — — — — 0.970 0.027 — — — —
性别 gen -0.866 0.034 0.810 0.066 — — — — — —
站
点		 站点类别 station1 — — 1.223 0.052 0.470 0.026 0.884 0.014 0.919 0.024
station2 1.013 0.043 — — 0.621 0.001 — — — —
交
通
方
式		 接驳距离 dis -0.368 0.000
接驳费用 cost -0.133 0.012
接驳时长 ttime -0.117 0.000

注：coef为出行方式特性变量的标定值；coef1、coef2、coef3、coef4、coef5分别表示自行车、摩托车、公交车、出租车或网约车、私家车的标定值；p为显著性水平；“—”表示变量显著性水平在90%以下，在建模过程中被剔除。

由标定结果可得，交通方式特性接驳距离（coef=-0.368）、接驳费用（coef=-0.133）和接驳时长（coef=-0.117）对接驳方式的选择均有显著负影响。即若某种接驳方式接驳距离、接驳费用增加或接驳时长变长，出行者选择该类接驳方式的概率会降低，选择其他接驳方式的概率会增加。
出行者特性方面，收入（coef1=-0.887、coef2=-0.951、coef3=-0.611、coef4=0.996、coef5=1.021）是影响接驳方式选择的重要因素之一，其在自行车、摩托车和公交车中的系数为负，在出租车或网约车、私家车中的系数为正，说明较低收入人群更倾向自行车、摩托车或公交车接驳，较高收入人群更倾向私家车、出租车或网约车接驳；同样，出行目的（coef1=-0.892、coef2=-1.427、coef3=-0.435、coef4=-1.018）也对出行者选择接驳方式有较大影响。另外，随年龄的增加，出行者选择摩托车（coef2=-0.096）、出租车或网约车（coef4=-0.050）接驳的概率会降低，选择自行车（coef1=0.073）或私家车（coef5=0.037）接驳的概率增加；随同行人数增加，出行者选择出租车或网约车（coef4=0.581）、私家车（coef5=0.849）接驳的人均成本降低、出行时长缩短，所以对其选择概率增加，而选择自行车（coef1=-0.916）接驳的概率降低。职业变量在模型中属于多分类变量，以私营及个体劳动者为参考项，企事业单位人员更倾向出租车或网约车（coef4=0.880）和私家车（coef5=1.088）接驳出行，学生（coef2=0.913）、离退休人员（coef3=0.971）和待就业人员（coef3=0.970）更倾向公交车接驳；女性更倾向自行车（coef1=-0.866）接驳，而男性更倾向摩托车（coef2=0.810）接驳；高学历人群更倾向私家车（coef5=0.602）接驳；摩托车（coef2=0.126）的接驳时间段主要在晚间，这可能与夜间公交运营数量减少或停运，出租车或网约车夜间费用较高有关。
站点特性中，站点类别作为无序多分类变量，设中心型站点为参考项。与中心型相比，边缘型站点位于城市边缘，轨道交通站点可达性低，接驳距离相对较长，所以常需借助其他交通工具进行接驳，完成出行。根据模型结果显示，出行者在边缘型站点倾向选择摩托车、公交车、出租车或网约车、私家车（coef2=1.223、coef3=0.470、coef4=0.884、coef5=0.919）接驳。而混合型轨道交通站点周边为生活区，平均接驳距离介于中心型站点和边缘型站点之间，出行者更倾向选择自行车（coef1=1.013）或公交车（coef3=0.621）接驳。
基于以上分析，建议优化中心型站点周边的接驳设施，以减少换乘时间；在边缘型站点增加停车设施，并考虑增加接驳公交线路，为出行者提供多种接驳选择；在混合型站点完善非机动车道建设，同时确保公交服务频次，以满足通勤需求。

2.3 模型检验

通过式（10）对Logit模型进行似然比检验，其中 L L 0为未约束的模型收敛时的对数极大似然值， L L ( θ ^ )为有约束的模型收敛时的对数极大似然值， B为约束条件的个数，在 α自由度下，若 χ 2 ≥ χ 2 α , B，表示约束条件成立，模型通过检验。
χ 2 = - 2 L L ( 0 ) - L L ( θ ^ ) ∼ χ 2 α ,   B
计算得出模型的 L L ( θ ^ )、 L L 0分别为-1 019.470、-1 463.341，则 χ 2为887.742，查卡方分布临界表得： χ 2 ≥ χ 0.1,17 2，模型通过检验；伪R2为评价非线性模型拟合优度的指标，最常用的是McFadden R2，其值介于0~1，文献[23]提到当McFadden R2在0.2~0.4时，模型拟合度良好。计算得出本文模型的McFadden R2为0.303，拟合优度较好。
为检验KDTree空间搜索技术结合网络爬虫技术爬取交通方式特性数据和加入轨道交通站点因素对模型的影响，采用控制变量法，分别建立按照在调查数据基础上进行数据补充的单一源混合Logit模型和未加入站点特性的混合Logit模型，计算各模型的McFadden R2，结果如表4所示。可以看出，基于多源数据的混合Logit模型拥有更高的拟合优度。
表4 不同条件下的混合Logit模型对比
指标 多源数据
混合Logit
模型		 基于数据
补充的混合
Logit模型		 未加入站点类别
变量的混合
Logit模型
LL(0) -1 463.341 -1 463.341 -1 463.341
LL( θ ^) -1 019.470 -1 089.906 -1 110.374
McFadden R2 0.303 0.255 0.242

3 敏感性分析

使用弹性表示某个变量变化对选择概率的敏感性[24]，其计算公式如下：
E ( S k j ) = ∂ P j ∂ S k j ⋅ S k j P j = θ ^ k ( 1 - P j ) S k j
式（11）中： E ( S k j )为第 j类接驳方式对第 k个影响因素的弹性； θ k ^为第 k种影响因素的参数估计值； P j为第 j类接驳方式被选择的概率； S k j为第 j类接驳方式中第 k个影响因素的平均值。
以步行为参考项，采用在Logit模型中各接驳方式均较为显著的因素进行敏感性分析，探讨接驳距离、接驳时间、收入和年龄对不同类型站点接驳方式的影响，结果如表5所示。
表5 各因素对不同类型站点接驳方式影响的弹性值
因素 站点类型 步行 自行车 摩托车 公交车 出租车或网约车 私家车
接驳距离 中心型站点 -0.03 -0.01 -0.01 0.04 0.02 0.02
边缘型站点 -0.17 -0.11 -0.12 0.22 0.28 0.24
混合型站点 -0.12 0.04 0.04 0.11 0.05 0.04
接驳时长 中心型站点 -0.82 -1.15 -1.50 -0.24 -1.33 -1.36
边缘型站点 -1.34 -1.19 -1.64 -0.58 -1.52 -1.58
混合型站点 -0.95 -1.30 -1.70 -0.30 -1.48 -1.47
收入 中心型站点 -0.71 0.33 0.40 1.36 0.77
边缘型站点 -0.44 -0.60 0.15 0.08 0.41
混合型站点 -0.26 -0.16 0.59 0.70 1.08
年龄 中心型站点 0.15 -3.21 -0.40 -1.53 0.51
边缘型站点 1.40 -2.66 -0.17 -1.40 2.15
混合型站点 2.61 -2.29 0.20 -2.16 1.31
由表5可知，不同站点类型的出行者对接驳方式选择的敏感性有所不同。接驳距离是出行者选择接驳方式时考虑的重要因素之一。在中心型站点中，各接驳方式选择对接驳距离的弹性值均较小，即接驳距离的变化对中心型站点接驳方式的选择概率影响较小；在边缘型站点中，接驳距离对出行者选择出租车或网约车、私家车和公交车接驳的概率变化方向相同，其弹性值小于1，表明这几种接驳方式被选择的概率变化百分比小于接驳距离变化的百分比；在混合型站点中，步行的弹性绝对值相对较大且为负，说明步行接驳方式对接驳距离的变化相对敏感，接驳距离的增加会降低出行者在混合型站点中选择步行接驳方式的概率。各接驳方式对接驳时长的弹性均为负值，接驳时长变化趋势与任何一种接驳方式选择概率的变化方向相反。收入的增加会减少自行车和边缘型、混合型站点中摩托接驳方式的效用而增加出租车或网约车、私家车等舒适型接驳方式的效用。在各类型轨道交通站点中，年龄对同一接驳方式选择概率的变化方向大体相同，以摩托车为接驳方式的站点中，年龄在中心型站点的弹性值最大，且为富有弹性，反映了选择摩托车接驳的出行者对年龄变化非常敏感；而在边缘型站点中最为敏感的接驳方式为私家车，在混合型站点中则为自行车和私家车。观察外界因素对选择公交车为接驳方式的影响，发现公交在各类因素中的弹性绝对值均较小，反映了公交作为低成本、便捷的接驳方式，目标群体稳定、需求刚性较强。因此可提升公交车队的调度灵活性，根据需求实时调整发车频率，确保在不同时段均能满足乘客的出行需求。

4 结束语

本文基于KDTree空间搜索算法与网络爬虫技术收集的交通特性数据，以及RP调查获取的出行者特性数据，并将轨道交通站点类型作为多分类变量引入混合Logit中，探究出行者对城市轨道交通接驳方式的选择行为。研究发现：构建于KDTree空间搜索与网络爬虫技术获取的多源数据之上的混合Logit模型，其拟合优度高于单一数据源模型；在0.1的显著水平下，接驳距离、接驳费用、接驳时长、收入、出行目的、职业、年龄、性别、同行人数、学历以及接驳时间段均与接驳方式的选择显著相关；将轨道交通站点类型作为多分类变量引入混合Logit模型，发现与中心型轨道交通站点相比，出行者在边缘型站点时倾向选择摩托车、公交车、私家车、出租车或网约车接驳，在混合型轨道交通站点倾向选择自行车或公交车接驳，基于此，在规划站点接驳服务设施时，应考虑站点类型的特点进行优化。最后通过计算不同影响因素对接驳方式的弹性值，分析其对不同类型站点接驳方式选择概率的影响，发现不同站点类型的出行者对接驳方式选择的敏感性有所差异，但公交车在任一类型站点受外界因素干扰的影响均较小，反映出公交目标群体稳定、需求刚性较强的特点。尽管本研究采用了KDTree空间搜索算法和网络爬虫技术，较为准确地获取了交通方式特性数据，但出行者特性数据仍依赖于RP调查。由于调查时间和条件的限制，本研究或存在考虑因素不完整的情况，尤其是受出租车、网约车和私家车样本量所限，其接驳特性有待进一步探讨。未来可基于更全面和精确的数据，进一步深化对出行者接驳方式选择行为的研究，为城市轨道交通规划提供更为科学的依据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
毕宇明, 马颖, 冯丹, 等. 基于SEM-Logit模型的互联网租赁电动自行车使用行为研究[J]. 交通运输研究, 2023, 9(6):119-131.

[2]
ZHOU Y, YUAN Q, DING F, et al. Demand, mobility, and constraints: Exploring travel behaviors and mode choices of older adults using a facility-based framework[J]. Journal of Transport Geography, 2022, 102: 103368. DOI: 10.1016/j.jtrangeo.2022.103368.

[3]
景鹏, 隽志才, 贾玲玉. 采用均匀设计SP调查的出行方式选择建模与敏感性分析[J]. 预测, 2012, 31(4):75-80.

[4]
何永明, 张磊, 魏堃, 等. 重大节假日出行方式选择模型研究[J]. 大连交通大学学报, 2024, 45(1):13-19.

[5]
BAI T, LI X, SUN Z. Effects of cost adjustment on travel mode choice: Analysis and comparison of different logit models[J]. Transportation Research Procedia, 2017, 25: 2649-2659.

[6]
吴江玲, 张馨月, 任丽丽. 汽油价格上调影响下出行者出行方式选择[J]. 科学技术与工程, 2023, 23(35):15252-15258.

[7]
庄焱, 董春娇, 米雪玉, 等. 基于随机参数Logit的中小城市居民出行方式选择建模[J]. 吉林大学学报(工学版), 2024, 54(2):461-468.

[8]
HUANG Y, GAN H, LU H, et al. Park‐and‐ride choice behaviour under multimodal travel information: Analysis based on panel mixed logit model[J]. IET Intelligent Transport Systems, 2023, 17(10): 2063-2074.

[9]
LU Y, PRATOC G, SIPE N, et al. The role of household modality style in first and last mile travel mode choice[J]. Transportation Research Part A: Policy and Practice, 2022, 158: 95-109.

[10]
LIANG L, XU M, GRANT-MULLER S, et al. Household travel mode choice estimation with large-scale data: An empirical analysis based on mobility data in Milan[J]. International Journal of Sustainable Transportation, 2020, 15(1): 70-85.

[11]
HATAMI F, RAHMAN M M, NIKPARVAR B, et al. Non-linear associations between the urban built environment and commuting modal split: A random forest approach and SHAP evaluation[J]. IEEE Access, 2023, 11: 12649-12662.

[12]
CHENG L, CHEN X, DE VOS J, et al. Applying a random forest method approach to model travel mode choice behavior[J]. Travel Behaviour and Society, 2019, 14: 1-10.

[13]
MAO C, XU W, HUANG Y, et al. Investigation of passengers′ perceived transfer distance in urban rail transit stations using XGBoost and SHAP[J]. Sustainability, 2023, 15(10): 7744. DOI:10.3390/su15107744.

[14]
LEE E. Exploring transit use during COVID-19 based on XGB and SHAP using smart card data[J]. Journal of Advanced Transportation, 2022. DOI: https://doi.org/10.1155/2022/6458371.

[15]
孙韬, 黄忆宁, 陈春. 轨道站点“最后一公里”建成环境对轨道交通出行的影响[J]. 绿色科技, 2023, 25(15):192-198.

[16]
傅玉玲, 孙小慧, 张佳欣. 考虑心理潜变量的城市轨道站点接驳方式选择行为研究[J]. 交通运输工程与信息学报, 2024, 22(1):160-174.

[17]
杨惠婷. 城市轨道交通站点接驳方式选择研究[D]. 南京: 东南大学, 2018.

[18]
李文勇, 赵寅飞, 廉冠, 等. 基于移动互联交通信息的居民出行方式特性[J]. 科学技术与工程, 2023, 23(35):15246-15251.

[19]
何仁杰. 基于多源数据的高铁站接驳出行方式选择行为研究[D]. 西安: 长安大学, 2022.

[20]
吴静娴, 胡荣, 赵靖, 等. 基于多源数据的迁居个体通勤方式选择研究[J]. 武汉理工大学学报(交通科学与工程版), 2020, 44(6):984-988.

[21]
丁天. 城市轨道交通车站的分类及乘客接驳方式选择[D]. 西安: 长安大学, 2019.

[22]
金晓东. 基于计划行为理论的城市轨道交通站点接驳方式选择研究[D]. 成都: 西南交通大学, 2021.

[23]
MUJALLI R, DE O. Injury severity models for motor vehicle accidents: A review[J]. Proceedings of The Institution of Civil Engineers-Transport, 2013, 166(5): 255-270.

[24]
殷勇. 基于混合logit模型的城市轨道交通出行方式选择行为研究[D]. 大连: 大连交通大学, 2021.

Options
Outlines

/

〈 〉