基于MNL的智能网联环境下乘客出行方式选择研究

梁 爽

（华设设计集团股份有限公司,江苏 南京 210008）

0 引言

随着数字技术持续发展，交通基础设施数字化水平快速提升，公交信息化建设试点逐步推进，公共交通服务由单一的定点定线式服务向可变线路式、需求响应式等多元化的服务发展，乘客可获取的公交信息也从静态的公交途经站点信息向动态的公交实时到站信息转变。已有学者研究表明[1-4]，随乘客可获取的实时信息量增长，乘客出行行为将发生改变。为充分了解乘客在不同情景下的出行选择倾向，保证公共交通资源合理分配，该文以智能网联环境为前提，研究乘客的出行方式选择模型。

近年来，在出行方式选择模型研究中，学者多采用MNL（Multi-nominal Logit）或 NL（Nested Logit）等非集计模型为原型，并取得了丰富的研究成果。王茁[5]等以出行费用、出行时间、出行拥挤率、社会经济属性为影响因素，建立了基于MNL模型的公交、快速公交、轨道交通的出行方式选择模型；逯婷婷[6]提出将居民出行次数、出行目的地、出行方式联合的三层NL模型，提升居民出行选择模型精度；任茜[7]引入了潜变量概念，完成了针对常规公交和地铁出行方式的基于随机参数logit模型的出行选择模型构建。考虑到MNL模型所具有的广泛适用性和稳定性，该文选择以安全、快捷、经济、方便为考虑因素，在RP（Revealed Preference）和SP（Stated Preference）调查的基础上，构建基于MNL的智能网联环境下乘客出行方式选择模型。

1 调查问卷设计

1.1 设计思路

鉴于智能网联环境尚未实现，问卷调查方案采取RP调查和SP调查相结合的方式以保证收集到的数据相对真实，且可适用于模拟未来智能网联环境下乘客出行选择行为研究。

1.2 RP调查内容

RP调查选择询问其日常出行所选择的出行方式及相对应的影响因素，出行方式以汽车、常规公交、地铁、骑行、步行为代表，影响因素以步行时间、等车时间、车上时间、行程费用为代表，以此确定SP调查内容中对各出行方式影响因素的描述。

1.3 SP调查内容

通过RP调查，发现大部分受访者选择步行、骑行的场景与汽车、常规公交等车行场景不重叠，同时，考虑到步行、骑行受智能网联环境影响小。因此，忽略步行与骑行，仅选择现有常规公交、智能网联环境下的新型公交和驾车出行作为场景描述的交通方式，以RP调查为基础进行影响因素描述，请求受访者在场景中选择最有可能选择的出行方式，描述基于事实，具体描述见表1。

为简化场景，保证场景设置的合理性，该文选用正交实验法，将表1对于各出行方式影响因素的描述转化为正交设计表所需的因数与水平数，如表2所示。设置随机数种子为1 000，运用SPSS软件生成25个场景的正交表。

表1 各出行方式的影响因素描述

表2 各交通方式影响因素的正交表

考虑到过量场景调查会显著影响受访者的判断力，进而干扰到调查结果。因此，选择一个受访者接受5个场景调查，且调查时隐去交通方式名称，以便受访者不受日常出行习惯或某一交通方式的刻板印象约束，以场景描述的影响因素为唯一评判标准，进行出行方式选择。问卷调查中具体场景显示如表3所示。同时，为保障各选项间的独立性，问卷调查时隐去交通方式名称，使受访者仅凭提供的交通方式特性选择出行。

表3 乘客交通方式选择场景样本

1.4 调查结果

该文选用网络调查形式，于2020年1月开展调查，于2020年3月结束调查，共收集问卷212份，排除问卷调查中填写信息不全的受访者，剩余有效问卷163份，获得815个场景样本。

在受访者中，男女占比均衡，其中，男性占47.78%，女性占52.22%；年龄分布集中于20～60岁人群，其中，年龄在20～40岁占53.33%，在41～60岁占42.44%。

受访者日常通勤出行步行时间集中在1～10 min，有部分在10～30 min，呈现出由1～5 min区段向大于30 min区段递减的态势；其等车时间分布，亦呈现出由1～10 min向大于30 min递减的态势；车内时间分布则集中在30～60 min。

受访者周末休闲出行步行时间集中在5～15 min，呈现出5～15 min区段向1～5 min和大于30 min递减的态势；其等车时间分布，则呈现由1～10 min向大于30 min递减的态势；车内时间分布则集中在15～30 min。

综上，可以预见若将步行时间和等车时间分别缩短至10 min以内，花费适中、出行舒适的新型公交相较于常规公交和驾车出行会获得乘客青睐。

2 模型构建

2.1 基础假设和原理

该文做出以下假定以完成模型建立：

（1）为使模型适用范围更广，假设交通方式的效用仅与出行服务质量有关，与乘客个体特性无关。

（2）假设模型随机效用函数ε服从二重指数分布（Gumbel distribution）。

在此假定下，模型效用模型表示为：

式中，Vij——确定变量构成的效用；εij——随机变量，服从Gumbel分布。

j类交通方式被乘客i选择的概率可表示为：

根据情景设计，模型的效用函数可以进一步表示为不考虑交通方式具有差异性和考虑交通方式差异性两种。若不考虑交通方式具有差异性，模型效用函数表示为：

式中，β0，β1，…β4—— 对应效用的参数；Kij、Aij、Tij、Cij——受访者i在j交通方式下步行时间、等车时间、车上时间和花费。

若考虑交通方式差异性，模型效用函数表示为：

式中，β0j，β1j，…β4j—— 交通方式j对应效用的参数；Kij、Aij、Tij、Cij——受访者i在j交通方式下步行时间、等车时间、车上时间和花费。

2.2 模型参数标定

运用NLOGIT5.0，将两个效用函数分别代入多项Logit模型进行计算，计算结果见表4、表5。

表4 不考虑交通方式差异性MNL模型回归结果

表5 考虑交通方式差异性MNL模型回归结果

续表5 考虑交通方式差异性MNL模型回归结果

如表4所示，模型中步行时间、等待时间、车内时间均显著影响因变量，而花费仅为较显著影响因变量。该文综合分析认为是因为汽车车内时间与花费直接相关，从而导致车内时间一定程度上已代表花费。

如表5所示，模型中汽车各项参数对因变量的影响均不显著，是由于在智能网联环境下，新型公共交通与汽车的出行服务质量差距得到极大的缩减，出行花费成为受访者出行主要考虑因素，汽车出行的高花费使得较少人选择汽车出行；而常规公交的车内时间和新型公交的车内时间对因变量影响的不显著，也是由于受访者关注花费而忽略了车内时间的增加。同样，对于新型公交步行时间、等待时间、花费对因变量仅有一定的影响程度，也是因为新型公交假定在智能网联环境下，可将受访者的步行时间和等待时间控制在5 min以内，任意选项均在受访者可接受范围内，花费成为受访者主要考虑因素，当花费增长量在受访者出行预期内时，受访者就更倾向于选择新型公交。

综上，在未给定受访者出行目的的情景下，步行时间、等待时间、车内时间、花费均会影响受访者选择，过高的出行花费会制约受访者选择汽车出行。受访者愿意付出一定的时间成本去获得出行花费的急剧下降，而一定范围内的花费增长则不会影响受访者对于交通方式的选择，受访者仍倾向于选择步行时间、等待时间综合考虑较好的选项。

2.3 模型拟合优度检验

运用NLOGIT5.0，分别计算两个效用函数的拟合优度，计算结果见表6。

表6 不考虑及考虑交通方式差异性MNL模型拟合优度

进一步检验模型的相对拟合优度，运用对数似然函数值进行相似比判别（LL ratio-test），判别公式表示为：

式中，n——基础多项Logit模型的参数数目；m——建立的Logit模型参数数目；LLbase——基础多项Logit对数似然函数值；LLestimated——建立的Logit模型对数似然函数值。

计算结果见表7所示。

表7 相对拟合优度计算

由表6可知模型拟合优度中伪R方分别为0.062 6和0.080 2，模型总体拟合优度不高。相较于过往学者对于交通方式MNL模型划定，新建模型因未考虑受访者个体属性。如受访者个体收入、工作、年龄等影响受访者个人选择的个体属性。因此，无法解释同一情景下，受访者的不同选择，与统计数据相比，模型总体拟合优度不高。但由表7相对拟合优度结果可发现，相较于基础对数似然函数比-392.617 47，建立模型相较于基础模型分别新增参数3个、9个，模型相对拟合优度高，模型仍可较好反映乘客出行选择，作为未来智能网联环境下公共交通资源分配依据。

3 结论

该文以智能网联环境，乘客可获取全部公交信息为前提，针对现有可变线路式、需求响应式等新型公共交通方式特点，设计调查问卷，完成了基于问卷数据的乘客出行选择模型构建。模型虽因未考虑被调研者个体性别、年龄、收入等差异导致总体拟合优度不佳，但其相对拟合优度显著，模型可适用于未来多数情况下乘客出行选择行为预测，并可辅助未来公共交通资源分配决策。