, 李虹慧2, 四兵锋11. 北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室, 北京 100044;
2. 交通运输部路网监测与应急处置中心, 北京 100029
收稿日期：2021-08-06
基金项目：中央高校基本科研业务费专项资金(2021YJS091); 国家自然科学基金资助项目(91746201, 71621001)
作者简介：原雅丽(1995—), 女, 博士研究生
通讯作者：杨小宝, 教授, E-mail：yangxb@bjtu.edu.cn
摘要：以城市群内旅客城际出行为研究对象, 分析心理潜变量、城市群属性和突发事件等因素对城际出行方式选择行为的影响。基于京津冀旅客城市群内部城际出行问卷调查数据, 构建突发事件下考虑心理潜变量的综合选择(integrated choice and latent variable, ICLV)模型进行实证分析。结果表明：考虑便捷性和乘车体验潜变量的混合选择模型对居民城际出行行为的拟合优度更高; 城市群属性方面, 起讫点城市类型、出行距离和起讫点间铁路车次数量对出行方式选择有显著影响; 突发事件方面, 雾霾天气下选择铁路出行的概率提高25.69%, 雨天选择小汽车出行的概率提高31.63%, 雪天选择小汽车出行的概率相对降低, 发生阻断事件时选择小汽车出行的概率升高。研究结果有助于深入理解城市群内城际出行方式选择行为, 为突发事件下城际出行需求的差异化出行诱导和需求管控提供科学依据。
关键词：城市群出行方式选择综合选择模型城际出行潜变量突发事件
Intercity travel mode choice behavior of travelers in large urban regions during emergencies
YUAN Yali1, YANG Xiaobao1
, LI Honghui2, SI Bingfeng11. MOT Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China;
2. Highway Monitoring & Response Center, Ministry of Transport, Beijing 100029, China
Abstract: This study analyzed the influence of psychological latent variables, urban agglomeration, emergencies and other factors on intercity travel mode choices in large cities. Data from the Beijing-Tianjin-Hebei urban region was used to estimate an integrated choice and latent variable (ICLV) model for the empirical analysis. The results show that the goodness-of-fit of the ICLV model, which included convenience and ride experience, is better than that of the traditional discrete choice model. Origin and destination, travel distance and frequency of train services all significantly impact the choice of travel mode. The probability of train use in hazy weather increased by 25.69%, the probability of car use in rainy weather increased by 31.63%, the probability of car use in snowy weather decreased, and the probability of car use when the trains were blocked increased. These results are helpful for understanding intercity travel mode choices and provide a scientific basis for predicting travel volume and demand control for intercity travel during emergencies.
Key words: urban agglomerationtravel mode choiceintegrated choice modelintercity travellatent variableemergencies
城市群是我国新型城镇化的主体形态，是拓展区域发展空间、释放发展潜力的重要载体。良好的城市群交通系统能够发挥锚固城市格局、协调城乡发展、引导人口流动、实现资源共享的关键作用。城市群综合交通系统一体化发展已成为政府和社会共同关注的重大战略问题。随着我国城市群的不断发展，城市群内部城际出行需求快速增长，城际交通供需矛盾日益突出，城际交通网络内突发事件频发。因此，针对突发事件下旅客在城市群内各城市间的城际出行方式选择行为进行深入研究，对实现城际交通多方式协同优化，促进城市群经济社会协调发展有重要价值。
现有出行选择行为的研究多以随机效用理论为基础，采用离散选择模型分析旅客个人特征和出行特征对出行方式选择的影响。随着生活水平的提高，人们对出行体验的要求越来越高，近年来，一些****围绕旅客的态度和感知等内部因素对出行行为的影响进行了研究，并取得了良好成果。如陈坚等[1]发现考虑潜变量的模型对公交出行方式选择行为的拟合优度更高。朱海燕等[2]发现节假日期间旅客错峰出行意向受态度、主观规范等潜变量的影响。Kim等[3]建立ICLV模型研究了出行特征和个体潜在态度对短期汽车共享选择行为的影响。Nayum等[4]发现社会规范和感知行为控制对大学生冬季选择公共交通出行有显著影响。但目前考虑潜变量的相关研究多集中在城市内部范畴，针对城际出行方式选择的研究较少。李军等[5]发现出行习惯对城际出行方式选择意向有显著影响。叶玉玲等[6]研究舒适性、安全性、可靠性等心理潜变量对城市群城际出行方式选择行为的影响，发现引入潜变量后模型的解释能力更优。Borhan等[7]发现猎奇心理、态度、主观规范和感知行为控制对拥有私家车旅客的高铁出行行为意向有显著影响。Hess等[8]构建ICLV模型研究出行态度与城际出行行为的关系，结果表明态度会对城际出行方式选择行为产生显著影响。
此外，现有相关研究大多针对常态场景下的出行行为进行分析，而交通事故和恶劣天气等突发事件会引发交通中断，导致出行行为发生变化。因此，突发事件也是影响出行方式选择行为的主要因素之一，突发事件场景下的出行行为研究已经成为交通领域的热点问题之一。例如，Li等[9]研究了地铁发生阻断事件时乘客出行计划选择的不确定性和异质性。薄坤等[10]研究了暴雨内涝天气下乘客的公交出行方式选择行为。Abad等[11]发现发生洪水时出行者的出行时间会出现显著变化，出行行为的变化取决于洪水位置、持续时间等特征。总体而言，现有突发事件下出行行为的分析以城市内部出行为主，鲜有****针对城市群内的城际出行开展研究。韩志玲等[12]分析了不同阻断场景下小汽车出行者城市群内城际出行选择行为的影响因素，发现阻断事件下旅客会发生出行转移或取消出行行为。Zanni等[13]研究了恶劣天气造成铁路或公路交通基础设施中断时旅客的出行方式转移行为，发现恶劣天气会对出行行为产生显著影响，航空出行受恶劣天气影响最大。但是，上述突发事件下的城际出行行为研究没有考虑旅客心理潜变量和城市群属性变量，城市群内不同城市在经济发展水平和交通资源配置等方面都有较大差异，城市群属性变量应会对旅客的城际出行行为产生一定影响。
据此，本文引入心理潜变量构建多指标多原因模型，探究旅客心理潜变量与个人属性显变量之间的关系。构建混合选择模型深入分析突发事件属性、城市群属性、心理潜变量等对城市群内部城际出行方式选择行为的影响，探究城市群内旅客城际出行方式决策机理。为决策者合理配置交通资源、提高城际出行体验、加强城际交通系统的突发事件应急管理和多方式协同优化等提供科学依据。
1 理论基础与模型构建1.1 模型假设基于如下假设建立模型：1) 旅客都是理性经济人，会选择效用最大的方式出行；2) 旅客判断出行方式优劣的根据是效用函数，本文中效用函数包括显变量和潜变量2部分；3) 效用函数的误差项服从零均值，独立同分布的Gumbel分布，其余函数的误差项服从正态分布；4) 旅客可选择的城际出行方式包括小汽车、铁路和客运汽车3种。
1.2 ICLV模型本文在离散选择模型的基础上，结合MIMIC模型构建突发事件场景下的ICLV模型。模型的概念图如图 1所示。
 |
| 图 1 ICLV模型框架 |
| 图选项 |
ICLV模型的基础是随机效用理论，效用由固定和随机2部分组成。本文中固定部分包含常见的旅客个人属性和出行属性显变量，此外还加入了城市群属性和突发事件属性显变量，并考虑了心理潜变量对效用函数的影响。随机部分代表未被观测的效用及误差。效用函数表示如下：
| ${U_{in}} = {V_{in}} + {\varepsilon _{in}},$ | (1) |
| $\begin{array}{c}{V_{in}} = \sum\limits_l {{a_{il}}} {P_{inl}} + \sum\limits_m {{b_{im}}} {T_{inm}} + \sum\limits_q {{c_{iq}}} {S_{inq}} + \\\sum\limits_k {{d_{ik}}} {E_{ink}} + \sum\limits_h {{e_{ih}}} {\eta _{inh}}.\end{array}$ | (2) |
本文研究的旅客城际出行心理因素为潜变量，但其无法直接测量出准确数值，传统的离散选择模型不能直接对心理因素进行分析，需要通过潜变量模型进行量化处理。结构方程模型是目前最常用的潜变量模型，MIMIC模型本质上是结构方程模型的形式之一，现有城市出行行为研究多采用MIMIC模型对潜变量进行量化分析[1-4, 14-17]。MIMIC模型克服了传统统计方法的局限，允许变量是无法直接观测到的潜变量，一方面可以层次分明地将影响潜变量的原因变量和潜变量的外在表达纳入模型中，明确外显变量对潜变量的影响，间接测量出潜变量的适配值。另一方面在计算某个观测变量时可以同时考虑其他观测变量的存在及影响。此外，MIMIC模型没有严格的约束条件，允许外显变量和测量变量存在测量误差。包括结构模型和测量模型2个子模型。
1) 结构模型。
结构模型用来描述潜变量与影响潜变量的外生显变量之间的关系，表示如下：
| ${\eta _{inh}} = \sum\limits_r {{\beta _{inh}}} {Y_{inr}} + {\zeta _{inh}},{\zeta _{inh}}\sim N\left( {0,{\varsigma ^2}} \right).$ | (3) |
2) 测量模型。
测量模型用来描述潜变量与其观测变量之间的关系，表示如下：
| ${X_{ion}} = \sum\limits_h {{\alpha _{iho}}} {\eta _{ihn}} + {\xi _{ion}},{\xi _{ion}}\sim N\left( {0,{\sigma ^2}} \right).$ | (4) |
1.3 离散选择概率根据效用最大化理论，旅客在进行城际出行方式选择时，只有当某种出行方式的效用大于其他所有出行方式时，旅客才会选择该种方式出行。在ICLV模型中，旅客n选择出行方式i的概率为
| ${P_{in}} = \frac{{\exp \left( {{U_{in}}} \right)}}{{\sum\limits_i {\exp } \left( {{U_{in}}} \right)}}.$ | (5) |
文[16-19]提出，旅客出行的心理潜变量主要受出行方式服务水平的影响，在对出行行为研究中使用的潜变量进行整理后发现，出行方式的服务水平主要体现在方便性、灵活性、舒适性和安全性等方面。根据上述研究，本文最初考虑了灵活性、方便性、安全性、舒适性、经济性和可靠性等潜变量，并参照设计了相应的观测变量题项。获取调查数据后，对样本数据中6个心理潜变量(方便性、安全性、舒适性、经济性、可靠性、灵活性)的观测变量进行因子分析，发现灵活性和方便性观测变量的相关度较高，且文[14]认为这2个变量同属于时间层面的潜变量，因此本文将其合并为1个因子(便捷性)，舒适性和安全性观测变量的相关度较高，且文[14]认为这2个变量同属于感受层面的潜变量，因此本文将其合并为1个因子(乘车体验)。经济性和可靠性在后面的综合选择模型分析中不显著。因此，结合城际交通的特点，本文最终选择便捷性和乘车体验2个潜变量，通过便捷性衡量旅客对出行方式方便性和灵活性等时间层面的总体感知，通过乘车体验衡量旅客对车内整体环境、座椅舒适度、服务设施完备度以及安全性等感受层面的总体感知。潜变量对应观测变量及其得分均值见表 1。
表 1 潜变量的观测变量
| 潜变量 | 观测变量 | 符号 | 得分均值 | ||
| 小汽车 | 铁路 | 客运汽车 | |||
| 便捷性 | 可随时出发，时间自由/发车频次高，可选择车次多 | X1 | 4.296 | 4.115 | 3.775 |
| 在目的地城市开车办理事务可灵活安排/改签或退票容易 | X2 | ||||
| 从出发地可直达目的地/换乘接驳方便 | X3 | ||||
| 上下车前后无需等待/进出站的排队等待时间短 | X4 | ||||
| 乘车体验 | 对车内的整体环境感到满意 | X5 | 3.997 | 4.114 | 3.498 |
| 座椅舒适 | X6 | ||||
| 车内应急安全设施完善 | X7 | ||||
| 出行过程中发生事故的可能性低 | X8 | ||||
表选项
2.2 问卷实施以京津冀旅客的城市群内部城际出行行为为研究对象，首先使用初始问卷随机选取100名大学生进行面对面预调查，根据受访者的反馈对问卷进行修改增删，形成最终问卷。正式调查包括网络调查和实地调查2种途径，网络调查通过微信小程序问卷星发放调查问卷，通过问卷星自动筛选功能判定受访者所在地为北京、天津、河北的问卷是有效问卷；实地调查于2019年12月5日至2020年1月12日期间在北京、天津以及石家庄、保定、承德等地的火车站和汽车站进行，保证不同层次调查人群分布均匀。通过各途径共收集到1 173份问卷，筛除填写不符合实际或有题目漏填的无效问卷后，最终得到1 011份有效问卷，问卷有效率为86.2%，样本分布统计结果如表 2所示。
表 2 样本描述性统计
| 项目 | 类别 | 人数 | 占比/% |
| 性别 | 男 | 481 | 47.6 |
| 女 | 530 | 52.4 | |
| 年龄 | ≤30岁 | 579 | 57.3 |
| 31~50岁 | 345 | 34.1 | |
| ＞50岁 | 87 | 8.6 | |
| 受教育程度/学历 | 低学历(高中及以下) | 229 | 22.7 |
| 中等学历(大专及本科) | 429 | 42.4 | |
| 高学历(研究生及以上) | 353 | 34.9 | |
| 职业 | 学生 | 412 | 40.8 |
| 企事业员工/公务员 | 359 | 35.5 | |
| 其他 | 240 | 23.7 | |
| 月收入 | 低收入(≤5 000元) | 548 | 54.2 |
| 中等收入(5 001~10 000元) | 266 | 26.3 | |
| 高收入(＞10 000元) | 197 | 19.5 | |
| 家庭结构 | 有老人小孩 | 361 | 35.7 |
| 无老人小孩 | 650 | 64.3 | |
| 是否拥有私家车 | 有 | 380 | 37.6 |
| 无 | 631 | 62.4 | |
| 是否拥有驾照 | 有 | 788 | 77.9 |
| 无 | 223 | 22.1 | |
| 出行目的 | 公务/上学 | 235 | 23.2 |
| 探亲访友 | 295 | 29.2 | |
| 休闲娱乐 | 279 | 27.6 | |
| 其他 | 202 | 20.0 | |
| 目的地停留时间 | 当天返回 | 378 | 37.4 |
| 1~3天 | 448 | 44.3 | |
| 4天及以上 | 185 | 18.3 |
表选项
2.3 问卷质量检验在进行数据分析前，须对问卷进行质量检验。为了确保问卷及调查所得数据的可靠性和有效性，本文用Cronbach's Alpha系数进行信度检验，2个潜变量的Cronbach's Alpha系数均在0.7以上，数据信度较高，内部一致性理想。用Bartlett's球形检验和KMO值检验法进行效度检验，KMO值均在0.7以上，Bartlett's球形检验的显著性p值小于0.001，问卷效度较好，通过质量检验。
3 数据分析3.1 旅客个人属性与心理潜变量间关系分析旅客的心理潜变量无法直接测量，目前常用的方法是通过外生显变量来衡量。在出行行为领域，****们大多通过个人属性将不可观测的潜变量量化[1, 3, 4, 6, 8]。参照以往研究，本文针对3种城际出行方式分别建立MIMIC模型，分析旅客个人属性与心理潜变量之间的关系。通过Mplus软件进行参数标定，结果如表 3所示，从中可以看出心理潜变量与旅客个人属性显变量之间的关系。
表 3 MIMIC模型参数估计值
| 出行方式 | 小汽车 | 铁路 | 客运汽车 | |||||||||||
| 便捷性 | 乘车体验 | 便捷性 | 乘车体验 | 便捷性 | 乘车体验 | |||||||||
| 变量 | 系数 | 标准误差 | 系数 | 标准误差 | 系数 | 标准误差 | 系数 | 标准误差 | 系数 | 标准误差 | 系数 | 标准误差 | ||
| 性别 | — | — | — | — | 0.164*** *** | 0.050 | 0.203*** | 0.045 | — | — | — | — | ||
| 年龄 | -0.116* | 0.068 | -0.140** | 0.069 | 0.183** | 0.074 | — | — | — | — | — | — | ||
| 家庭结构 | — | — | — | — | — | — | — | — | — | — | — | — | ||
| 月收入 | 0.189*** | 0.070 | — | — | 0.106* | 0.063 | -0.116** | 0.057 | — | — | — | — | ||
| 私家车拥有 | — | — | — | — | — | — | 0.164** | 0.062 | 0.308** | 0.111 | — | — | ||
| 学历 | 0.134* | 0.075 | — | — | — | — | — | — | — | — | -0.218* | 0.126 | ||
| 职业 | — | — | — | — | — | — | — | — | — | — | — | — | ||
| 驾照拥有 | — | — | — | — | — | — | 0.087* | 0.050 | — | — | — | — | ||
| 拟合优度评价 | ||||||||||||||
| RMSEA | 0.054 | 0.080 | 0.076 | |||||||||||
| CFI | 0.972 | 0.930 | 0.941 | |||||||||||
| TLI | 0.950 | 0.875 | 0.889 | |||||||||||
| 注：1) *p＜0.1, **p＜0.05, ***p＜0.001, —表示显变量与潜变量无显著性关联；2) RMSEA为近似误差均方根，CFI为相对拟合指数，TLI为Tucker-Lewis Index指数。 | ||||||||||||||
表选项
表 3为MIMIC模型的参数估计结果，从拟合优度评价指标可以看出，3个MIMIC模型的RMSEA均在0.080以内，CFI均大于0.900，TLI均大于0.850，模型整体拟合结果较好。据此可以计算潜变量适配值，以小汽车出行方式为例，
| $\begin{array}{c}{\rm{便捷性 }} = - 0.116 \times {\rm{年龄}} + 0.189 \times \\{\rm{月收入 }} + 0.134 \times {\rm{学历}}.\end{array}$ |
3.2 参数标定及拟合度评价参数标定及拟合度评价包括2部分：第1部分对仅含旅客个人属性、出行属性、城市群属性及突发事件属性的离散选择模型进行参数估计；第2部分建立包含心理潜变量的综合选择模型，其中个人属性通过潜变量对效用函数产生间接影响，不再考虑。在90%的置信区间内，得到各出行方式选择模型的参数估计和检验结果，如表 4所示。最后对比分析2类模型的计算结果。
表 4 2种模型的参数标定结果
| 模型 | 模型1：无潜变量的离散选择模型MNL | 模型2：带潜变量的综合选择模型ICLV | ||||
| 出行方式 | 铁路 | 客运汽车 | 铁路 | 客运汽车 | ||
| 截距 | -3.054* | -6.887* | 3.237* | 0.948 | ||
| 个人属性 | 性别[女性] | 0.164* | -0.135* | |||
| 年龄[≤30岁] | -0.890* | -0.250 | ||||
| 年龄[31~50岁] | -0.119 | 0.759 | ||||
| 家庭结构[有老人小孩] | -1.074* | 0.134 | ||||
| 学历[初高中] | -0.143 | 1.630* | ||||
| 学历[本科] | 0.142 | 1.061* | ||||
| 月收入[低收入] | 0.670 | 2.675* | ||||
| 月收入[中等收入] | 0.494* | 1.713* | ||||
| 私家车拥有[无] | 2.949* | 3.559* | ||||
| 职业[学生] | 0.774 | 0.754 | ||||
| 职业[企事业公务员] | 0.281 | 0.472 | ||||
| 驾照拥有[无] | 0.207 | 0.427 | ||||
| 出行属性 | 出发时刻[夜晚] | -1.263* | -1.249* | -0.582* | -0.517* | |
| 出行目的[休闲娱乐] | -0.373 | -1.179* | 0.082 | -0.797 | ||
| 目的地停留时间[当天返回] | -0.734* | 0.131 | -1.110* | 0.334 | ||
| 出行频次[0~1次] | 0.598* | 0.196 | 0.686* | -0.131 | ||
| 出行时段[非工作日] | 0.061 | -0.591* | 0.799* | -1.041* | ||
| 城市群属性 | 出发地[北京] | -1.141* | -1.237* | -0.288* | -0.878* | |
| 目的地[北京] | -1.126* | -0.734* | -0.729* | -0.322 | ||
| 出行距离 | 0.003* | 0.002 | 0.002 | 0.004* | ||
| 起讫点铁路车次 | 0.010* | 0.001 | 0.006* | 0.000 | ||
| 突发事件属性 | 恶劣天气[雾霾] | 1.590* | -0.771* | 1.148* | -1.504* | |
| 恶劣天气[降雨] | 0.135 | -0.348 | -1.392* | -0.674 | ||
| 恶劣天气[降雪] | 0.579 | 0.299 | -0.112 | 1.435* | ||
| 阻断事件[阻断20 min] | -1.861* | -1.162* | -1.279* | -0.822* | ||
| 阻断事件[阻断1 h] | -1.867* | -0.184 | -1.172* | -1.265* | ||
| 阻断事件[封路/车次取消] | -0.551 | -1.298* | -0.610 | -2.271* | ||
| 心理潜变量 | 便捷性 | -1.296* | -14.111* | |||
| 乘车体验 | 24.345* | -2.288 | ||||
| 拟合优度评价 | 模型收敛的-2对数似然 | 1 132.411 | 553.801 | |||
| AIC | 1 244.411 | 625.801 | ||||
| McFadden's Rho-squared | 0.429 | 0.721 | ||||
| 分类正确率/% | 77.3 | 87.1 | ||||
| 注：* p＜0.1。 | ||||||
表选项
比较2个模型的拟合优度，可以看出，ICLV模型的-2对数似然值和AIC值更小，McFadden's Rho-squared和分类正确率更大，说明引入心理潜变量后，模型的拟合优度和预测精度明显提升，混合选择模型显著优于传统多项Logit模型。旅客心理潜变量方面，旅客越注重便捷性，选择小汽车出行的可能性越高，铁路次之；旅客越注重乘车体验，选择铁路出行的可能性越高。这与表 1中城际出行群体对3种出行方式便捷性和乘车体验观测变量的打分结果一致。因此城际公共交通部门可以通过简化乘车流程、提高服务人员素养等措施来提升旅客出行体验，引导更多旅客转向铁路出行，缓解道路路网拥堵情况。从表 4中可以看出，城市群属性和突发事件属性对城际出行方式选择行为有显著影响，基于ICLV模型进一步分析加入城市群和突发事件属性的必要性，对是否引入城市群和突发事件变量的不同模型分别进行拟合，各模型的拟合优度如表 5所示。
表 5 城市群和突发事件属性对ICLV模型拟合优度的影响
| 拟合优度评价 | 模型2：同时考虑城市群和突发事件属性 | 模型3：考虑突发事件属性 | 模型4：考虑城市群属性 | 模型5：城市群和突发事件属性都不考虑 |
| -2LL | 553.801 | 578.611 | 593.839 | 617.170 |
| 自由度 | 34 | 26 | 22 | 14 |
| LLR | — | -24.810** | -40.083** | -63.369** |
| AIC | 625.801 | 634.611 | 641.839 | 649.170 |
| McFadden's Rho-squared | 0.721 | 0.709 | 0.701 | 0.689 |
| 分类正确率/% | 87.1 | 86.9 | 86.3 | 85.9 |
| 注：1) -2LL：模型收敛的-2对数似然。2) 对数似然比检验(log likelihood ratio, LLR)计算公式：LLR=2×(lnL1-lnL2)，其中L1为模型3、4、5的最大似然值，L2为基准模型2的最大似然值。3) **p＜0.05。 | ||||
表选项
从表 5中可以看出，引入城市群和突发事件属性后，模型2的-2对数似然值、AIC、McFadden's Rho-squared和分类正确率等都优于模型3、模型4和模型5。为了进一步分析模型2~5是否有显著性差异，以模型2为基准对其进行LLR检验，结果表明模型2在统计上显著优于其他3个模型。由此说明在城际出行行为分析中考虑城市群属性和突发事件属性十分必要。下面具体分析城市群和突发事件属性对城际出行方式选择行为的影响。
城市群属性方面，城市群区域内不同城市旅客的出行方式选择行为有显著差异，目的地是北京的旅客选择小汽车出行的可能性高于目的地是天津、河北的旅客，可能的主要原因：1) 部分中小城市到北京的高速铁路网仍不完善；2) 京外旅客抵京后的市内出行距离相对较远、时间相对较长，使得其更倾向于选择小汽车出行。随着出行距离增加，旅客选择小汽车出行的可能性逐渐降低，主要原因可能是长距离自驾出行容易出现身体和心理疲劳，增大事故风险；起讫点间车次数量对选择铁路出行有正向影响，原因是可选车次越多，旅客出发时间越灵活，铁路出行的方便性得到显著提升。因此，政府部门可考虑加快城际铁路建设，加强城际铁路与城市地铁网络的互联互通，引导城市群区域内的城际出行更多选择铁路。
突发事件属性方面，雾霾天气下旅客选择铁路出行的可能性高于无雾霾天气，主要原因是雾霾会使道路能见度降低，增加公路出行事故风险；降雨时旅客选择铁路出行的可能性降低，选择小汽车出行的可能性升高，原因可能是降雨会降低铁路旅客市内换乘接驳的方便性；降雪时旅客选择客运汽车出行的可能性相对升高，选择小汽车出行的可能性相对降低，主要原因可能是降雪会降低小汽车自驾出行的安全性；相比于无阻断事件，阻断20 min和阻断1 h时，旅客选择小汽车出行的可能性升高，选择客运汽车或铁路出行的可能性降低；发生封路或车次取消阻断事件时，旅客选择客运汽车的可能性降低，选择小汽车出行的可能性升高。主要原因是发生阻断事件时，小汽车出行机动性强、换乘方便、可以灵活改变出行路线及出行目的地的优势更加突出。因此，城际交通部门应加强城市群内部跨区域、跨部门的协作，针对恶劣天气和阻断事件进行预测预警，提前制定突发事件下的多方式协同应急预案，保证客运系统安全畅通运行。
此外，表 4还表明个人属性和出行属性对城际出行方式选择有显著影响。个人属性方面，年龄在30岁以内、有老人或小孩的旅客更倾向于选择小汽车出行，中低学历旅客偏好客运汽车出行，中低收入和没有私家车的旅客选择铁路或客运汽车出行的可能性更高。出行属性方面，夜间出发的旅客倾向于选择小汽车出行，出行目的为休闲娱乐的旅客更倾向于选择小汽车出行，当天往返的旅客更倾向于选择小汽车出行，近1年内京津冀地区城际出行频次为0~1次的旅客选择铁路出行的可能性更高，非工作日出行的旅客首选铁路，小汽车次之。
3.3 敏感性分析基于ICLV模型2的参数标定结果，在城市群属性中选择交通部门可以调整的铁路车次数，在突发事件属性中选择京津冀地区较为频发的雾霾、降雨和阻断事件，进一步分析这4个变量对城际出行方式选择概率的敏感性，结果如图 2—4所示。
 |
| 图 2 铁路车次数对出行方式选择概率的敏感性 |
| 图选项 |
 |
| 图 3 恶劣天气对出行方式选择概率的敏感性 |
| 图选项 |
 |
| 图 4 阻断事件对出行方式选择概率的敏感性 |
| 图选项 |
在铁路车次数增加10%、20%、50%和100%的4种情况下，预测旅客选择小汽车、铁路和客运汽车出行的概率的变化。从图 2可以看出，旅客选择铁路出行的概率随铁路车次数的增加而增加，当铁路车次数增加100%时，旅客选择铁路的概率增加了14.07%。
从图 3可以看出，降雨时旅客选择小汽车出行的概率增加了31.63%，雾霾天气下旅客选择铁路出行的概率增加了25.69%，降雨对出行方式选择行为的影响大于雾霾。
从图 4可以看出，与无阻断事件发生相比，阻断约20 min时旅客选择小汽车的概率增加30.50%，阻断约1 h时旅客选择小汽车的概率增加28.31%，发生封路/车次取消事件时旅客选择小汽车的概率增加15.20%。这一变化趋势的原因可能是随着阻断事件严重程度的增大，更多城际出行旅客会选择取消本次出行而非转换出行方式，因此转移到小汽车出行的比例相对降低。
从图 2—4中可以看出，城市群属性和突发事件属性变化时，旅客选择客运汽车出行的概率变化较小。
4 结论本文基于京津冀地区居民城际出行实际调查数据，构建综合选择模型对旅客的城际出行方式选择行为进行分析。结果表明，与传统模型相比，综合选择模型的拟合优度和预测精度更高，可解释性更强；旅客心理因素方面，注重便捷性的旅客更倾向于选择小汽车出行，注重乘车体验的旅客更倾向于选择铁路出行；城市群属性方面，目的地是北京的旅客更倾向于选择小汽车出行，出行距离对选择小汽车有负向影响，铁路车次数增加1倍时，旅客选择铁路的概率提高14.07%；突发事件属性方面，旅客在雾霾天气下选择铁路的概率增加25.69%，降雨时选择小汽车的概率增加31.63%，降雪时选择小汽车的概率相对降低，发生阻断事件时旅客更倾向于选择小汽车出行。
未来的研究可以在城市群属性中加入对城市人口、面积、经济水平、公路连通度等因素的分析；还可以对铁路出行方式进一步细化，探讨高铁与普速铁路出行选择行为的差异；此外，有必要进一步研究城际铁路的开行对城际出行行为带来的影响。
参考文献
| [1] | 陈坚, 晏启鹏, 杨飞, 等. 出行方式选择行为的SEM-Logit整合模型[J]. 华南理工大学学报(自然科学版), 2013, 41(2): 51-57, 65. CHEN J, YAN Q P, YANG F, et al. SEM-Logit integration model of travel mode choice behaviors[J]. Journal of South China University of Technology (Natural Science Edition), 2013, 41(2): 51-57, 65. DOI:10.3969/j.issn.1000-565X.2013.02.009 (in Chinese) |
| [2] | 朱海燕, 关宏志, 韩艳, 等. 心理因素影响下游客节假日错峰旅游出行行为研究[J]. 交通运输系统工程与信息, 2019, 19(5): 225-230, 250. ZHU H Y, GUAN H Z, HAN Y, et al. Holiday tourists' staggered shifts behavior considering affection of psychological factors[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(5): 225-230, 250. (in Chinese) |
| [3] | KIM J, RASOULI S, TIMMERMANS H J P. The effects of activity-travel context and individual attitudes on car-sharing decisions under travel time uncertainty: A hybrid choice modeling approach[J]. Transportation Research Part D: Transport and Environment, 2017, 56: 189-202. DOI:10.1016/j.trd.2017.07.022 |
| [4] | NAYUM A, NORDFJRN T. Predictors of public transport use among university students during the winter: A MIMIC modelling approach[J]. Travel Behaviour and Society, 2021, 22: 236-243. DOI:10.1016/j.tbs.2020.10.005 |
| [5] | 李军, 贾顺平, 钱剑培, 等. 习惯影响下城际出行方式选择意向形成机理[J]. 交通运输系统工程与信息, 2018, 18(2): 7-12, 39. LI J, JIA S P, QIAN J P, et al. Intention formation mechanism in the intercity travel mode choice influenced by the habit[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(2): 7-12, 39. (in Chinese) |
| [6] | 叶玉玲, 韩明初, 陈俊晶. 基于出行链的城际旅客出行方式选择行为[J]. 同济大学学报(自然科学版), 2018, 46(9): 1234-1240. YE Y L, HAN M C, CHEN J J. Intercity passenger travel mode choice behavior based on trip chain[J]. Journal of Tongji University (Natural Science), 2018, 46(9): 1234-1240. (in Chinese) |
| [7] | BORHAN M N, IBRAHIM A N H, MISKEEN M A A. Extending the theory of planned behaviour to predict the intention to take the new high-speed rail for intercity travel in Libya: Assessment of the influence of novelty seeking, trust and external influence[J]. Transportation Research Part A: Policy and Practice, 2019, 130: 373-384. DOI:10.1016/j.tra.2019.09.058 |
| [8] | HESS S, SPITZ G, BRADLEY M, et al. Analysis of mode choice for intercity travel: Application of a hybrid choice model to two distinct US corridors[J]. Transportation Research Part A: Policy and Practice, 2018, 116: 547-567. DOI:10.1016/j.tra.2018.05.019 |
| [9] | LI B B, YAO E J, YAMAMOTO T, et al. Exploring behavioral heterogeneities of metro passenger's travel plan choice under unplanned service disruption with uncertainty[J]. Transportation Research Part A: Policy and Practice, 2020, 141: 294-306. DOI:10.1016/j.tra.2020.09.009 |
| [10] | 薄坤, 滕靖, 俞洁, 等. 暴雨内涝下公交乘客的出行选择行为[J]. 同济大学学报(自然科学版), 2019, 47(6): 795-801. BO K, TENG J, YU J, et al. Travel choice behavior of transit passengers in the storm weather with road waterlogging[J]. Journal of Tongji University (Natural Science), 2019, 47(6): 795-801. (in Chinese) |
| [11] | ABAD R P B, FILLONE A M. Changes in travel behavior during flood events in relation to transport modes: The case of Metro Manila, Philippines[J]. Transportation Research Procedia, 2020, 48: 1592-1604. DOI:10.1016/j.trpro.2020.08.201 |
| [12] | 韩志玲, 陈艳艳, 李佳贤, 等. 阻断事件影响下城际出行行为[J]. 北京工业大学学报, 2019, 45(5): 459-469. HAN Z L, CHEN Y Y, LI J X, et al. Intercity travel behavior under the influence of blocking events[J]. Journal of Beijing University of Technology, 2019, 45(5): 459-469. (in Chinese) |
| [13] | ZANNI A M, GOULDEN M, RYLEY T, et al. Improving scenario methods in infrastructure planning: A case study of long distance travel and mobility in the UK under extreme weather uncertainty and a changing climate[J]. Technological Forecasting & Social Change, 2017, 115: 180-197. |
| [14] | 张晨阳. 考虑潜在变量的西安居民短距离出行方式选择研究[D]. 西安: 长安大学, 2019. ZHANG C Y. Research on short-distance travel mode choice behavior of Xi'an residents considering potential variables[D]. Xi'an: Chang'an University, 2019. (in Chinese) |
| [15] | B?CKER L, DIJST M, FABER J. Weather, transport mode choices and emotional travel experiences[J]. Transportation Research Part A: Policy and Practice, 2016, 94: 360-373. DOI:10.1016/j.tra.2016.09.021 |
| [16] | 胡骥, 姚鸣, 刘艳, 等. 基于SEM-MNL模型的运输通道出行方式选择行为研究[J]. 铁道工程学报, 2017, 34(4): 80-85. HU J, YAO M, LIU Y, et al. Research on the travel choice behaviors of transportation corridor based on SEM-MNL model[J]. Journal of Railway Engineering Society, 2017, 34(4): 80-85. (in Chinese) |
| [17] | 胡骥, 刘艳, 张艳, 等. 基于SEM的运输通道出行方式选择决策机理研究[J]. 交通运输工程与信息学报, 2015, 13(3): 7-15. HU J, LIU Y, ZHANG Y, et al. Decision-making mechanism of mode choice in transportation corridor based on SEM[J]. Journal of Transportation Engineering and Information, 2015, 13(3): 7-15. (in Chinese) |
| [18] | PAULSSEN M, TEMME D, VIJ A, et al. Values, attitudes and travel behavior: A hierarchical latent variable mixed logit model of travel mode choice[J]. Transportation, 2014, 41(4): 873-888. DOI:10.1007/s11116-013-9504-3 |
| [19] | JOHANSSON M V, HELDT T, JOHANSSON P. The effects of attitudes and personality traits on mode choice[J]. Transportation Research Part A: Policy and Practice, 2006, 40(6): 507-52. |
