基于随机系数Logit模型的城市群城际出行方式选择行为研究

郝小妮; 石文瀚; 刘建荣; 韩耀

doi:10.3963/j.jssn.1674-4861.2022.05.015

基于随机系数Logit模型的城市群城际出行方式选择行为研究

doi: 10.3963/j.jssn.1674-4861.2022.05.015

华南理工大学土木与交通学院广州 510640

基金项目:

国家自然科学基金项目 52072128

详细信息

通讯作者:
郝小妮（1977—），博士，讲师.研究方向：出行行为、公交调度等.E-mail: xnhao@scut.edu.cn

中图分类号: U121
计量
- 文章访问数: 1059
- HTML全文浏览量: 355
- PDF下载量: 50
- 被引次数: 0
出版历程
- 收稿日期: 2022-03-29
- 网络出版日期: 2022-12-05

An Analysis of Mode Choice Behavior of Inter-city Travel in Urban Agglomeration Areas Using a Random-parameter Logit Model

School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, China

摘要

摘要: 以粤港澳大湾区城市群的广深城际运输通道为例，分析城际运输通道中影响旅客出行方式选择行为的因素及其影响。传统的多项式Logi（tMNL）模型具有无关方案独立性，无法对不同出行者的选择偏好差异进行定量分析，故应用随机系数Logit模型分析城际交通出行选择行为。选取城际出行旅客的个人社会经济属性、心理潜变量（对交通方式舒适性、可靠性和便捷性的心理感受）、城际出行方式特征变量设计问卷。采用线上与线下相结合的方式开展问卷调查，共收集534份问卷，基于此建立并求解随机系数Logit模型。随机系数Logit模型估计结果的伪R²为0.178，表明模型具有良好的拟合度。研究结果表明：城际出行旅客的收入、职业、私家车保有情况、家庭儿童数量以及对出行方式便捷性的感知对其选择行为有显著影响；而出行方式的舒适性、可靠性对城际出行方式的选择行为影响不显著；改善交通方式的便捷性对提升城际出行方式的吸引力起关键作用。因此，在城际交通规划设计、运营管理中应着重考虑便捷性对城际交通方式选择带来的影响。
- 交通工程 /
- 城际出行 /
- 出行方式选择 /
- 随机系数Logit模型 /
- 异质性 /
- 心理因素
Abstract: In order to study the impact factors of mode choices of travel modes in inter-city transport, the Guangzhou-Shenzhen inter-city transport corridor in the Great Bay Area of Guangdong-Hong Kong-Macao in China is taken as a case study. Given that traditional multinomial Logit models have the issue of independence of irrelevant alternatives (IIA) and they cannot be used to analyze heterogeneous preferences of travelers, a random-parameter Logit model is applied in this study. An online/offline survey is carried out and a total of 534 questionnaires are obtained. In the survey, information including socio-economic attributes of travelers, psychological latent variables (i. e., perceptions toward comfort, reliability, and convenience of travel modes), and attributes of modes for inter-city travel is collected, with which a random-parameter Logit model is developed and estimated. The pseudo R² of the model is 0.178 at convergence, indicating a good model fit. The estimation results show that the income, occupation, car ownership, number of children in a family, and the perception toward the convenience of travel modes have a significant impact on the mode choice behavior of inter-city travel in urban agglomeration areas, while comfort and reliability of inter-city travel modes are not. Meanwhile, improving the convenience of inter-city travel modes plays a key role in improving their attractiveness. In this sense, special attention should be given to the convenience of the inter-city travel modes in the process of inter-city transport planning and management.
- traffic engineering /
- inter-city travel /
- travel mode choice /
- random-parameter Logit model /
- heterogeneity /
- psychological factor

HTML全文

0. 引言

随着我国区域经济一体化与城市化的发展, 已形成京津冀、长三角、粤港澳大湾区等城市群, 城市群中不同城市分工更加专业化, 使得人们的日常出行由城市内出行向城际间短距离出行发展^[1]。得益于城市群交通网络的完善, 城际运输通道内商务、通勤、旅游等客流迅速增长, 又促进了城际交通网络的发展。多条高速铁路、城际铁路陆续建成运营, 网约车、城际定制公交等新型城际交通运营模式也不断涌现, 城市群城际出行方式兼具市内交通方式“选择多、距离短、班次密”和国内长距离出行方式“定时、定班、实名制”的特征。在城际出行需求增长、出行方式多元化的情况下, 研究城市群旅客城际出行方式选择行为, 可以为各种城际客运交通方式的分担率变化趋势预测与运输政策的制定和日常运营管理提供更精确的理论依据。

现有对城际出行方式选择的研究中, 大多基于出行者的个体特征、出行目的等社会经济特性进行分析。温惠英等^[2]、杨亚璪等^[3]定性与定量结合分析了影响城际交通居民出行行为的因素; 林雄斌等^[4]、朱鸿国等^[5]、陈颖雪等^[6]、李军等^[7]通过建立数学模型(如Logit模型、probit模型、结构方程模型)在问卷调查的基础上得出城际交通方式分担率的变化趋势。但实际上, 出行者在选择交通方式时会表现出个人偏好^[8], 仅基于出行者的社会经济特性分析城际出行行为, 忽略了出行者心理因素对城际出行方式选择的影响。

部分学者在城际出行旅客个体特征的基础上考虑了心理因素。景鹏等^[9]、吴麟麟等^[10]将忠诚度变量、出行态度, 以及心理因素等引入城际出行行为研究中, 研究了出行者的态度变量与出行行为的关系。传统的离散选择模型主要有条件Logit模型(conditional Logit, CL)和多项Logit模型(multinomial Logit, ML)2类方法, 具有无关方案独立性(independence of irrelevant alternatives, IIA), 假定所有出行者对出行方式特征具有同质的偏好^[11-12], 未对不同出行者心理因素差异进行精确的定量分析。

部分学者采用了巢式Logit模型(nested Logit, NL), 部分地解决了IIA问题。但NL的底层位于同一巢的选项中仍然具有IIA特性^[13]; 部分学者根据出行者的某些单一变量或分类变量将出行者分为多个小组, 对各组分别应用传统离散选择模型分析不同群体的出行行为, 尽可能地将具有不同类别偏好的个体分离。但此类分组分析的方法存在一些不足: ①组别的划分方式以多次实验分析和经验判断为主, 尤其是待划分的样本为连续型变量时, 缺乏系统的理论确定临界值; ②当需要分析的因素较多时, 划分出的组别数量过多, 需要应用相同模型多次分析, 增加了分析的时间复杂度; ③分组分析时, 相同组别内的个体假定具有同样的偏好, 即仍然具有IIA特性, 分析的心理因素差异无法精确考虑到个体。

在城际出行方式多元化的发展趋势下, 城际出行结构逐渐变化, 已有的城际出行研究方法和结论难以应用于当今的城际运输通道的运营管理。随着社会经济的不断发展, 旅客对于出行方式的舒适性、可靠性、便捷性等提出了更高的要求, 因而应当重视城际出行旅客对出行方式中此类因素的偏好, 有必要应用能精确考虑出行者心理因素的模型分析城际出行旅客的出行方式选择行为。

近年来, 有学者提出了随机系数Logit模型(random-parameter Logit model RPL)。随机系数Logit模型效用函数中的系数服从随机分布, 取值受出行者个体特征的影响, 模型可以更好地考虑不同决策者的异质性, 基本克服了传统离散选择模型中假定不相关选项之间是相互独立的IIA问题^[14], 能更好地对出行者心理因素差异进行精确的定量分析。随机系数Logit模型逐步应用到各类交通行为的研究中, 韦杰^[15]将随机系数Logit模型应用于电动汽车购买意愿研究; 刘建荣等^[16]研究了步行时间对老年人公交选择的影响; 刘志伟等^[17]研究了土地利用对居民通勤方式选择的影响, 与应用传统Logit模型相比取得了更优的效果。现有采用随机系数Logit模型的研究中, 较少应用研究城际出行方式选择行为。

因此, 本文将随机系数Logit模型应用到城市群城际出行方式选择行为研究中, 以粤港澳大湾区城市群的广深城际运输通道为例, 分析出行者的个体属性、出行偏好, 以及城际出行方式特征变量在城际交通方式选择行为中的影响情况和作用规律。

1. 随机系数Logit模型

在传统的离散选择模型中, 假定出行者的偏好是相同的。在效用函数中, 对于所有的个体而言, 随机变量的系数是相等的。此时, 个人i在选择集t中选择选项j的概率见式(1)。

${Prob}\left(y_{i t}=j\right)=\frac{\exp \left(\alpha_j+\boldsymbol{\beta}^{\mathrm{T}} \boldsymbol{x}_{j i}\right)}{\sum\limits_{q=1}^{J_i} \exp \left(\alpha_q+\boldsymbol{\beta}^{\mathrm{T}} \boldsymbol{x}_{q i}\right)}$

(1)

式中: y_it为个体i在选择集t中选择的选项; Prob(y_it=j)为个人i在选择集t中选择选项j的概率; α_j为与选项j相关的常数项; J_i为选项数量; x_ji为变量向量; β为系数向量; α_q为常数项。

与传统的离散选择模型不同, 随机系数Logit模型认为每个个体具有不同的偏好, 即表征个体i的系数β_i不是固定值, 而是服从某一概率分布: β_i~f(β|θ), β为分布函数系数, θ为分布函数的参数^[18-19]。此时, 个人i在选择集t中选择选项j的概率见式(2)。

${Prob}\left(y_{i t}=j\right)=\frac{\exp \left(\alpha_{j i}+\boldsymbol{\beta}_{\mathrm{i}}^{\mathrm{T}} \boldsymbol{x}_{\mathrm{ji} }\right)}{\sum\limits_{q=1}^{J_i} \exp \left(\alpha_{q i}+\boldsymbol{\beta}_{\mathrm{i}}^{\mathrm{T}} \boldsymbol{x}_{\mathrm{q} i}\right)}$

(2)

式中: α_ji为个体i与选项j相关的常数项; α_qi为个体i与选项q相关的常数项。

式(2)中效用函数的项可进一步表示为

$\left\{\begin{array}{l} \beta_{k i}=\boldsymbol{\beta}_k+\sigma_k v_{i k} \\ \alpha_{j i}=\alpha_j+\sigma_j v_{j t} \end{array}\right.$

(3)

式中: β_ki为向量β_i的第k个分量的值; β_k为总体均值; v_ik为个体i的异质性参数, 均值为0, 标准差为1;σ_k为β_k的标准差; σ_j为α_j的标准差; v_jt为α_ji的异质性参数。

为了更详细地研究个体属性对系数β_i的影响, 可将β_ki进一步表征为式(4)。

$\beta_{k i}=\boldsymbol{\beta}_k+\boldsymbol{\delta}_k^{\bf{T}} \boldsymbol{z}_i+\sigma_k v_{i k}$

(4)

式中: z_i为个体i的个体属性向量; δ_k为系数向量。

由于β_i是随机变量, 且在随机系数logit模型中无法直接观测, 因此式(2)中的概率无法使用标准Logit模型方法求解。受限于β的分布, 式(2)中的概率没有闭型, 需要通过仿真方式求解^[20]。

2. 研究设计与变量选取

结合前文对城际出行方式选择的影响因素的分析与本文采用的随机系数Logit模型的数据要求, 问卷调查分为3个部分^[21]: ①城际出行旅客的个人社会经济属性; ②基于扩展技术接受模型表征出行者城际出行偏好的心理潜变量; ③城际出行方式特征变量。

要调查城际出行旅客个人社会经济属性对效用函数中系数的影响因子, 即式(4)中z_i的值, 需调查的个人社会经济属性变量指标, 见表 1。

表 1 城际出行旅客个人属性

Table 1. Personal attributes of intercity travelers

个人属性	符号
年龄	d_age
学历	d_school
月收入	d_income
性别	d_female
职业	d_job
家庭是否有私家车	d_car
是否有小孩	d_child

下载: 导出CSV

| 显示表格

城际出行的舒适性、可靠性、便捷性会对旅客出行行为产生影响^[22], 而乘客对于城际出行舒适性、可靠性、便捷性的感知是心理因素, 无法直接以观测的方式获得。在技术接受理论模型中, 感知有用性和感知易用性会对个体的感知态度产生影响, 从而直接影响个体行为^[23]。在问卷设计当中, 应用扩展技术接受模型, 对于城际出行中的潜变量的因素, 选取城际出行中可能会影响感知有用性和感知易用性的情景, 设置显示变量表征心理潜变量的显变量指标见表 2。运用李克特五点量表法调查表征心理潜变量的显变量, 即对“非常不赞同”到“非常赞同”分别赋分1~5。

表 2 表征心理潜变量的显示变量

Table 2. Manifest variable represents latent variable

潜变量	显示变量	符号
舒适性 L_comfort	我很难忍受拥挤嘈杂的环境	c₁
	我很看重交通方式的舒适性	c₂
	我习惯乘车办公、看书或者娱乐	c₃
	我遇到交通拥堵、临时停车时会烦躁	c₄
	频繁的加减速使我感到不适	c₅
可靠性 L_reliability	我很看重交通方式的准点率	r₁
	为了更准时到达目的地，我愿意选择舒适性低的交通方式	r₂
	我不喜欢乘车时发生延误	r₃
	我出行时会预留充足的时间以防延误	r₄
便捷性 L_convenience	我不会为了节省费用而多换乘	v₁
	我更愿意选择发班频率高的交通方式	v₂
	我更倾向于上下车在市区的交通方式	v₃
	我更喜欢乘车流程简单的交通方式	v₄

下载: 导出CSV

| 显示表格

在调查的情景选择部分, 采用陈述性偏好调查(stated preference, SP)方法获取旅客的城际出行方式特征变量数据。效用函数中可直接定量观测的部分主要有时间和费用2类因素, 在旅客城际出行的全过程中, 出行时间由接驳时间和行程时间2个部分组成。因此选取接驳时间、行程时间、费用等3个因素作为城际出行方式特征变量, 对应效用函数中3个显变量项的变量部分。

数据以广州与深圳主要城际出行起讫点间各种交通方式的实际出行情况抽象化处理而来。其中, 轨道交通、客运班车的乘车时间和费用来源于官方购票网站, 私家车乘车时间和费用基于实际出行距离和燃料费、过路费运算得出; 接驳时间为起讫点来往火车站、客运站或步行至私家车停车点所需时间。

问卷采用正交试验设计原理进行设计, 按照实际出行数据的1.2和0.8倍取整数进行正交组合, 设置4组共16个情景, 每位受访者对其中1组情景进行选择。表 3为1组情景在不同问卷中的示例。

表 3 情景选择示例

Table 3. An example of SP choice scenario

问卷编号	交通方式	接驳时间/min	乘车时间/min	费用/元	请选择交通方式
	A轨道交通	30	53	60	□A
问卷1	B客运班车	20	74	30	□B
	C私家车	5	60	67	□C
	A轨道交通	30	80	80	□A
问卷2	B客运班车	20	110	45	□B
	C私家车	5	90	100	□C
	A轨道交通	20	80	60	□A
问卷3	B客运班车	13	110	30	□B
	C私家车	3	90	67	□C
	A轨道交通	20	53	80	□A
问卷4	B客运班车	13	74	45	□B
	C私家车	3	60	100	□C

下载: 导出CSV

| 显示表格

3. 实证分析

本文以粤港澳大湾区城市群广州、深圳间的城际出行作为案例进行研究。调查以线上与线下相结合的方式进行, 线下调查地点位于广州、深圳的各火车站、客运站和城际定制公交上下客点; 线上调查对象以在校师生及家属、交通行业从业人员为主。调查时间为2020年11月—2021年1月, 共收集534份问卷, 剔除部分不符合实际逻辑和漏填的无效问卷, 最终得到503份有效问卷, 其中线下176份, 线上327份, 调查得到的个人属性见表 4。

表 4 个人属性描述性统计

Table 4. Descriptive statistics of personal attributes

个人属性	类别	比例/%
	≤25	42.1
年龄/岁	> 25~50	49.5
	> 50	8.4
	高中及以下	26.3
学历	大专、本科	57.9
	硕士及以上	15.9
	≤5 000	60.3
月收入/元	> 5 000~10 000	24.1
	> 10 000	15.6
性别	男	54.8
性别	女	45.2
职业	学生	37.2
	公务员/事业单位	13.6
	企业	23.1
	个体户/自由职业/农民/无业	26.1
家庭是否有私家车	有	41.4
家庭是否有私家车	无	58.6
是否有小孩	有	42.5
是否有小孩	无	57.5

下载: 导出CSV

| 显示表格

应用统计学式(5), 计算得到在置信度95%及抽样误差5%的情况下, 问卷样本量应不低于384, 调查收集有效问卷数量满足统计学要求。

$n=\frac{z^2 \cdot P(1-P)}{E^2}=384.16$

(5)

式中: n为最少样本量; z为分位数, 在置信度95%情况下取1.96;P为标准差, 取总体方差最大值0.5;E为抽样误差, 取5%。

对数据样本进行信度分析与效度分析。采用α系数进行信度分析, 样本问卷潜变量Cronbach's α系数均大于0.7, 调查所得的样本数据可信度较高。效度分析采用KMO检验与Bartlett检验, 本次调查样本数据潜变量KMO值均大于0.8, Bartlett球形检验的p值均 < 0.001, 调查所得样本数据效度较好。

3.1 城际出行旅客心理潜变量分析

根据调查样本数据和表征心理潜变量的显变量, 利用验证性因子分析模型求解潜变量, 计算潜变量模型的拟合优度指标。衡量潜变量拟合优度的指标有RMSEA, CFI, TLI和SRMR。计算表 2中的潜在变量模型拟合度, 见表 5, 根据文献[24]的研究, 模型所有拟合度指标均符合要求。

表 5 模型检验指标结果

Table 5. Fitness statistics of the confirmatory factor analysis

检验指标	RMSEA	CFI	TLI	SRMR
标准	≤0.08	≥0.900	≥0.900	< 0.08
模型参数	0.076	0.92	0.907	0.055

下载: 导出CSV

| 显示表格

在潜变量模型中, 潜变量与表征潜变量的显变量的因果关系见表 6。表 6中p值均小于0.05, 显变量与潜变量之间的数值均显著, 表明显变量能够较好地表征潜变量。

表 6 验证性因子分析模型结果

Table 6. Results of confirmatory factor analysis

潜在变量	显示变量	标准系数	Z值	p值
L_comfort	c₁	0.843	12.778	< 0.001
	c₂	0.633	13.188	< 0.001
	c₃	1.157	13.987	< 0.001
	c₄	0.593	12.053	< 0.001
	c₅	0.561	11.407	< 0.001
L_reliability	r₁	0.510	10.924	< 0.001
	r₂	1.005	14.670	< 0.001
	r₃	0.270	7.567	< 0.001
	r₄	0.754	13.933	< 0.001
L_convenience	v₁	1.317	15.310	< 0.001
	v₂	0.420	12.668	< 0.001
	v₃	0.248	9.875	< 0.001
	v₄	0.187	8.481	< 0.001

下载: 导出CSV

| 显示表格

3.2 城际出行旅客出行方式选择行为研究

城际出行旅客i选择的出行方式j的效用函数的直接可观测部分V_ij可表征为式(6)。

$V_{i j}=\alpha+\beta_{1 i} P_j+\beta_{2 i} C_j+\beta_{3 i} T_j$

(6)

式中: α为常数项; β₁_i, β₂_i, β₃_i为待求系数; P为出行费用, 元; C为接驳时间, min; T为行程时间, min。

假定影响出行方式效用的C和T这2个变量均为随机系数, 将P_j的系数β₁_i设置为常数项。将C和T的系数β₂_i和β₃_i设置为式(3)的形式, 即β_ki=β_k+σ_kv_ik^[25]。此时城际出行旅客i选择出行方式j的效用函数的可观测部分V_ij可表征为式(7)。

$V_{i j}=\alpha+\beta_1 P_j+\left(\beta_2+\sigma_2 v_{i 2}\right) C_j+\left(\beta_3+\sigma_3 v_{i 3}\right) T_j$

(7)

使用调查数据标定随机系数Logit模型的参数, 主要采用刘建荣等^[26]、刘志伟等^[27]对随机系数Logit模型分析流程进行数据分析。如前文所述, 随机系数Logit模型的求解无闭型解, 需要通过随机抽样进行仿真求解。在随机抽样中, Halton序列抽样效果最优^[22]。采用Halton序列抽样, 次数取1 000, 最终结果见表 7。

表 7 不考虑个人属性影响的随机系数Logit回归结果

Table 7. Results of the random-parameter Logit model without demographic characteristics

参数		系数	标准差	z值	p值
非随机项	d_bus	0.176 9**	0.065	0.27	0.007 8
	d_railway	0.467 7**	0.060	0.78	0.004 4
	P	-0.100 0**	0.003	-3.10	0.000 2
β	C	-0.007 2	0.003	-1.55	0.120 0
β	T	-0.175 8**	0.005	-3.48	0.000 2
σ	N_c	0.000 1	0.015	0.00	0.271 1
σ	N_T	0.051 3**	0.012	5.29	0.000 1
注：d_bus与d_railway表示所选取的城际出行方式是否为客运班车、轨道交通的虚拟变量；N_c与N_T表示接驳时间（C）、行程时间（T）的系数的标准差；“**”表示系数在5%的显著性水平下显著。

下载: 导出CSV

| 显示表格

由表 7可见: P, C, T的系数均小于0, 表明出行费用、接驳时间、行程时间越高, 则该交通方式的效用越低, 符合城际出行旅客在选择出行方式时的直观判断; 在5%的显著性水平下, N_T显著而N_c不显著, 表明效用函数中接驳时间一项的系数为非随机系数, 行程时间的系数为随机系数。

为进一步确定影响行程时间(T)系数的因素, 在表 7的基础上对式(7)进行变换得到式(8)^[24]。式(8)中的$\boldsymbol{\delta}_3^{\mathrm{T}} \boldsymbol{z}_i$即为心理潜变量对应的向量。

$V_{i j}=\alpha+\beta_1 P_j+\beta_2 C_j+\left(\beta_3+\boldsymbol{\delta}_3^{\mathrm{T}} \boldsymbol{z}_i+\sigma_3 v_{i 3}\right) T_j$

(8)

加入调查得到的城际出行旅客个人因素数据进行随机系数Logit回归。采用Halton序列抽样, 抽样次数为1 000, 得到回归系数见表 8。

表 8 考虑个人属性影响的随机系数Logit回归结果

Table 8. Results of the random-parameter Logit model with demographic characteristics

参数	系数	标准差	z值	p值
T:d_age	-0.003	0.007	-0.01	0.369 9
T:d_school	0.002	0.088	0.03	0.988 0
T:d_income	0.127**	0.607	2.09	0.003 7
T:d_female	0.008	0.134	0.62	0.530 2
T:d_job	-0.051**	0.060	-0.80	0.004 2
T:d_car	-0.071**	0.138	-0.52	0.000 6
T:d_child	0.081**	0.142	0.58	0.000 6
T:L_comfort	0.013	0.014	0.92	0.700 0
T:L_reliability	0.008	0.020	0.38	0.906 2
T:L_convenience	0.468**	0.031	1.66	0.000 4
注：T：d_age表示d_age对T的系数的影响，对应式（8）δ₃中的1个元素，其余同理。

下载: 导出CSV

| 显示表格

在表 8中, L_comfort, L_reliability, L_convenience系数均大于0, 表明舒适性、可靠性、便捷性更高的交通方式效用越高, 乘客更愿意选择该城际交通方式, 符合城际出行旅客在选择出行方式时的直观判断。

从表 8中得到的回归系数可以看出, 在5%的显著性水平下, d_income, d_job, d_child, d_car, L_convenience对T的系数影响显著, 其余变量无显著影响。其中, 在表征心理因素的潜变量中, 交通方式的便捷性(L_convenience)对T的系数影响显著, 舒适性(L_comfort)、可靠性(L_reliability)影响不显著。

删除表 8中不显著变量, 再次进行随机系数Logit模型回归。采用Halton序列抽样, 抽样次数为1 000, 得到最终回归系数见表 9。

表 9 考虑显著的个人属性影响的随机系数Logit回归结果

Table 9. Results of the random-parameter Logit model with significant demographic characteristics

	参数	系数	标准差	z值	p值
非随机项	d_bus	0.177 2**	0.646	0.27	0.007 1
	d_railway	0.470 2**	0.601	0.79	0.004 3
	P	-0.100 3**	0.003	-3.11	0.000 2
	C	-0.007 1	0.003	-1.58	0.124 4
β	T	-0.175 7**	0.005	-3.53	0.000 2
	T:d_income	0.132**	0.611	2.03	0.004 0
	T:d_job	-0.053**	0.060	-0.80	0.003 9
δ₃	T:d_car	-0.070**	0.158	-0.52	0.000 6
	T:d_child	0.078**	0.140	0.58	0.000 5
	T:L_convenience	0.468**	0.031	1.78	0.000 4
σ	N_T	0.049 9**	0.012	5.13	0.000 2

下载: 导出CSV

| 显示表格

将随机系数Logit模型与传统Logit模型进行对比。应用传统Logit模型中具有代表性的多项Logit模型对调查数据进行Logit回归, 剔除不显著变量后得到最终回归结果见表 10。

表 10 多项Logit模型回归结果

Table 10. Results of multinomial logit model

参数	系数	标准差	z值	p值
d_bus	0.157 0**	0.534	0.51	0.006 0
d_railway	0.455 1**	0.575	0.88	0.003 2
P	-0.114 3**	0.004	-3.26	0.000 2
C	-0.008 2	0.003	-1.58	0.105 6
T	-0.187 3**	0.005	-3.66	0.000 2

下载: 导出CSV

| 显示表格

对比随机系数Logit模型和多项Logit模型的回归结果, 案例中应用2种模型回归得到的显著显变量均相同, 而随机系数Logit模型能更好地对出行者心理因素差异以及不同因素的交互作用进行精确的定量分析, 说明随机系数Logit模型得出的研究结论更优。案例中随机系数Logit模型收敛时的对数似然值(log likelihood)为-2 154.504 3, 伪R²(Pseudo R²)为0.178;多项Logit模型收敛时的对数似然值为-3841.213 3, 伪R²为0.162。随机系数Logit模型的对数似然绝对值更小, 伪R²值更大, 说明随机系数Logit模型的拟合结果更优。证明随机系数Logit模型与传统Logit模型相比更具有优越性。

由于式(8)中V_ij为均值为0, 方差为1的随机变量, 根据式(8), 行程时间的平均时间价值V_OT(元/h), 见式(9)。

$V_{O T}=60 \times \frac{\beta_3+\sum \boldsymbol{\delta}_ \mathit{\pmb{3}}^{\mathrm{T}} \boldsymbol{z}_\boldsymbol{i}}{\beta_1}$

(9)

代入表 8中数据, 可以得到城际出行时间价值, 见式(10)。

$\begin{gathered} V_{O T}=105.1-79.0 d_{\text {income }}+31.7 d_{\text {job }}+41.9 d_{\text {car }}- \\ 46.7 d_{\text {child }}-280.0 L_{\text {convenience }} \end{gathered}$

(10)

由式(10)可见: 当前, 在城市群经济发展向好, 城际出行需求增长、出行方式多元化的情况下, 城市群城际出行旅客的收入、职业、是否拥有私家车、是否有小孩、出行者对便捷性的感知对城市群城际出行方式的效用影响显著, 而出行者的年龄、性别、学历及其对舒适性、可靠性的感知对出行方式的效用影响不显著。

分析出行者个人社会经济属性, 在回收的问卷中, 以出差为目的的城际出行占比最高, 为52.8%;以旅行为目的的城际出行占比次高, 占32.3%, 这恰恰与城市群中不同城市专业化分工、城市间往来紧密的特性相符合。出差和旅行的人群以中高收入群体为主, 单位时间能获得的收入更高, 在表 9中, d_income系数大于0, 说明高收入群体时间价值更高, 因此对城际交通方式的出行时间更敏感。在职业方面, 学生和企事业单位工作人员在样本中占73.9%, 是城际出行的主要群体, 对时间的支配不如自由职业者和个体户灵活, 而学生和企事业单位工作人员的城际出行目的以出差和旅游为主, 二者对城际出行时间的效用影响具有交互作用。

拥有私家车的出行者在选择城际交通方式时有更多的选择, 因此更容易选择私家车出行。疫情下拥有私家车的出行者则更倾向于使用私家车出行以减少传播风险。由于小孩对出行时间的忍受程度不如青少年和成年人, 且城际出行的出行距离一般数倍于市内出行, 因此拥有小孩的出行者在选择城际出行方式时会更趋向于选择行程时间更短的交通方式。

在心理潜变量因素方面, 城际交通方式便捷性在表 9中的回归系数为0.468, 计算得式(10)中的时间价值系数为280.0, 便捷性是所有影响因素中影响因子最大的1项。在问卷样本中, 高收入、企事业单位工作人员的城际出行频率较高, 也因此对舒适性的评分较高。分析认为, 城市群协调发展、大城市区域一体化发展趋势正改变着城市群的经济特征, 城市群中城际交流日益紧密, 旅客城际出行频率随之增加, 因而出行者对城际交通方式便捷性的感知更强、要求更高。旅客的城际出行行为更趋向于市内出行, 旅客更期望城际出行能像市内出行一样, 省去长距离出行定时、定班、实名制、城际检查站等系列繁琐要求。因此, 城际交通规划设计、运营管理过程中应当着重考虑城际出行方式的便捷性对城际交通方式选择带来的影响。如转变城际铁路的运营模式, 在高密度发班的现状下, 简化乘客乘车流程, 乘车模式由长途铁路的实名制乘车、限乘当日当次车、提前购票向城市轨道交通的不限班次、即来即乘、无缝换乘转变。在出行者对便捷性的感知对城市群城际出行方式的效用影响显著的情况下, 改善交通方式的便捷性对提升城际交通方式效用起关键作用。

4. 结束语

本文以粤港澳大湾区城市群的广深城际运输通道为例, 结合城市群城际出行方式兼具市内交通方式和国内长距离出行方式的特征, 应用随机系数Logit模型对城市群城际出行方式选择行为进行研究。结果表明, 随机系数Logit模型克服了传统离散选择模型的IIA特性, 与传统的Logit模型相比能够更好地观测城际出行旅客的心理潜变量且具有更高的拟合优度。研究表明, 在城际交通方式的效用中, 行程时间为随机变量, 接驳时间为非随机变量; 出行者个人社会经济属性中, 城际出行旅客的收入、职业、是否拥有私家车、是否有小孩、出行者对便捷性的感知对城市群城际出行方式的选择有显著影响, 出行者的年龄、性别、学历及其对舒适性、可靠性的感知对出行方式的选择影响不显著; 在心理潜变量中, 出行者对便捷性的感知在城际出行旅客对行程时间的感知中影响最为显著。

因此, 交通主管部门在制定运输政策时, 可从城际出行旅客的收入、职业、家庭结构等方面入手, 通过差异化的手段引导城际出行结构趋向合理化发展; 在城际轨道交通基础设施规划设计时, 应优先考虑提升城际交通的便捷性, 完善城际轨道交通与市内交通方式的衔接, 如城际轨道交通运营模式向城市轨道交通转变、城际轨道交通与城市交通并网运营等; 城际道路客运经营者在转型升级的过程中也应从提升乘客便捷性入手, 推出定制化、“门到门”的服务方式, 如降低城际客运线路准入门槛、将城际客运线路起讫点由大型客运站调整至城市核心区的公交场站、城际客运线路公交化运营等。

随机系数Logit模型考虑了出行者在城际出行方式选择中的心理潜变量, 本文对每种交通方式的不同运输通道均采用相同的效用值。随着“十四五”期间交通基础设施建设的不断推进, 城际交通网络不断完善以及新型交通方式(如广深高速磁悬浮)的出现, 城市群城际运输通道将呈现多元化趋势, 城际出行者对同种交通方式不同运输通道的心理感知和偏好可能会有所差异。在未来的研究中, 可以考虑城际出行者对同1种交通方式不同运输通道偏好差异以及新型交通方式接受度对出行者心理因素的影响。此外, 在常态化疫情防控下, 不同城际交通方式对疫情防控的要求有所差异、城际出行者对疫情的风险感知会发生变化, 后续可以研究这些因素对城际交通方式选择带来的影响。

表 1 城际出行旅客个人属性

Table 1. Personal attributes of intercity travelers

个人属性	符号
年龄	d_age
学历	d_school
月收入	d_income
性别	d_female
职业	d_job
家庭是否有私家车	d_car
是否有小孩	d_child

下载: 导出CSV

表 2 表征心理潜变量的显示变量

Table 2. Manifest variable represents latent variable

潜变量	显示变量	符号
舒适性 L_comfort	我很难忍受拥挤嘈杂的环境	c₁
	我很看重交通方式的舒适性	c₂
	我习惯乘车办公、看书或者娱乐	c₃
	我遇到交通拥堵、临时停车时会烦躁	c₄
	频繁的加减速使我感到不适	c₅
可靠性 L_reliability	我很看重交通方式的准点率	r₁
	为了更准时到达目的地，我愿意选择舒适性低的交通方式	r₂
	我不喜欢乘车时发生延误	r₃
	我出行时会预留充足的时间以防延误	r₄
便捷性 L_convenience	我不会为了节省费用而多换乘	v₁
	我更愿意选择发班频率高的交通方式	v₂
	我更倾向于上下车在市区的交通方式	v₃
	我更喜欢乘车流程简单的交通方式	v₄

下载: 导出CSV

表 3 情景选择示例

Table 3. An example of SP choice scenario

问卷编号	交通方式	接驳时间/min	乘车时间/min	费用/元	请选择交通方式
	A轨道交通	30	53	60	□A
问卷1	B客运班车	20	74	30	□B
	C私家车	5	60	67	□C
	A轨道交通	30	80	80	□A
问卷2	B客运班车	20	110	45	□B
	C私家车	5	90	100	□C
	A轨道交通	20	80	60	□A
问卷3	B客运班车	13	110	30	□B
	C私家车	3	90	67	□C
	A轨道交通	20	53	80	□A
问卷4	B客运班车	13	74	45	□B
	C私家车	3	60	100	□C

下载: 导出CSV

表 4 个人属性描述性统计

Table 4. Descriptive statistics of personal attributes

个人属性	类别	比例/%
	≤25	42.1
年龄/岁	> 25~50	49.5
	> 50	8.4
	高中及以下	26.3
学历	大专、本科	57.9
	硕士及以上	15.9
	≤5 000	60.3
月收入/元	> 5 000~10 000	24.1
	> 10 000	15.6
性别	男	54.8
性别	女	45.2
职业	学生	37.2
	公务员/事业单位	13.6
	企业	23.1
	个体户/自由职业/农民/无业	26.1
家庭是否有私家车	有	41.4
家庭是否有私家车	无	58.6
是否有小孩	有	42.5
是否有小孩	无	57.5

下载: 导出CSV

表 5 模型检验指标结果

Table 5. Fitness statistics of the confirmatory factor analysis

检验指标	RMSEA	CFI	TLI	SRMR
标准	≤0.08	≥0.900	≥0.900	< 0.08
模型参数	0.076	0.92	0.907	0.055

下载: 导出CSV

表 6 验证性因子分析模型结果

Table 6. Results of confirmatory factor analysis

潜在变量	显示变量	标准系数	Z值	p值
L_comfort	c₁	0.843	12.778	< 0.001
	c₂	0.633	13.188	< 0.001
	c₃	1.157	13.987	< 0.001
	c₄	0.593	12.053	< 0.001
	c₅	0.561	11.407	< 0.001
L_reliability	r₁	0.510	10.924	< 0.001
	r₂	1.005	14.670	< 0.001
	r₃	0.270	7.567	< 0.001
	r₄	0.754	13.933	< 0.001
L_convenience	v₁	1.317	15.310	< 0.001
	v₂	0.420	12.668	< 0.001
	v₃	0.248	9.875	< 0.001
	v₄	0.187	8.481	< 0.001

下载: 导出CSV

表 7 不考虑个人属性影响的随机系数Logit回归结果

Table 7. Results of the random-parameter Logit model without demographic characteristics

参数		系数	标准差	z值	p值
非随机项	d_bus	0.176 9**	0.065	0.27	0.007 8
	d_railway	0.467 7**	0.060	0.78	0.004 4
	P	-0.100 0**	0.003	-3.10	0.000 2
β	C	-0.007 2	0.003	-1.55	0.120 0
β	T	-0.175 8**	0.005	-3.48	0.000 2
σ	N_c	0.000 1	0.015	0.00	0.271 1
σ	N_T	0.051 3**	0.012	5.29	0.000 1
注：d_bus与d_railway表示所选取的城际出行方式是否为客运班车、轨道交通的虚拟变量；N_c与N_T表示接驳时间（C）、行程时间（T）的系数的标准差；“**”表示系数在5%的显著性水平下显著。

下载: 导出CSV

表 8 考虑个人属性影响的随机系数Logit回归结果

Table 8. Results of the random-parameter Logit model with demographic characteristics

参数	系数	标准差	z值	p值
T:d_age	-0.003	0.007	-0.01	0.369 9
T:d_school	0.002	0.088	0.03	0.988 0
T:d_income	0.127**	0.607	2.09	0.003 7
T:d_female	0.008	0.134	0.62	0.530 2
T:d_job	-0.051**	0.060	-0.80	0.004 2
T:d_car	-0.071**	0.138	-0.52	0.000 6
T:d_child	0.081**	0.142	0.58	0.000 6
T:L_comfort	0.013	0.014	0.92	0.700 0
T:L_reliability	0.008	0.020	0.38	0.906 2
T:L_convenience	0.468**	0.031	1.66	0.000 4
注：T：d_age表示d_age对T的系数的影响，对应式（8）δ₃中的1个元素，其余同理。

下载: 导出CSV

表 9 考虑显著的个人属性影响的随机系数Logit回归结果

Table 9. Results of the random-parameter Logit model with significant demographic characteristics

	参数	系数	标准差	z值	p值
非随机项	d_bus	0.177 2**	0.646	0.27	0.007 1
	d_railway	0.470 2**	0.601	0.79	0.004 3
	P	-0.100 3**	0.003	-3.11	0.000 2
	C	-0.007 1	0.003	-1.58	0.124 4
β	T	-0.175 7**	0.005	-3.53	0.000 2
	T:d_income	0.132**	0.611	2.03	0.004 0
	T:d_job	-0.053**	0.060	-0.80	0.003 9
δ₃	T:d_car	-0.070**	0.158	-0.52	0.000 6
	T:d_child	0.078**	0.140	0.58	0.000 5
	T:L_convenience	0.468**	0.031	1.78	0.000 4
σ	N_T	0.049 9**	0.012	5.13	0.000 2

下载: 导出CSV

表 10 多项Logit模型回归结果

Table 10. Results of multinomial logit model

参数	系数	标准差	z值	p值
d_bus	0.157 0**	0.534	0.51	0.006 0
d_railway	0.455 1**	0.575	0.88	0.003 2
P	-0.114 3**	0.004	-3.26	0.000 2
C	-0.008 2	0.003	-1.58	0.105 6
T	-0.187 3**	0.005	-3.66	0.000 2

下载: 导出CSV

参考文献(27)

[1]	向红艳, 任小聪, 陈坚. 城市群内城际短途出行方式选择行为建模[J]. 重庆交通大学学报(自然科学版), 2016, 35(3): 129-133. https://www.cnki.com.cn/Article/CJFDTOTAL-CQJT201603027.htm XIANG H Y, REN X C, CHEN J. Modeling on choice behavior of short-distance intercity travel mode[J]. Journal of Chongqing Jiaotong University(Natural Science), 2016, 35(3): 129-133. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CQJT201603027.htm
[2]	温惠英, 吴亚平, 朱殿臣, 等. 广佛城际交通居民出行特性研究[J]. 重庆交通大学学报(自然科学版), 2017, 36(8): 82-88+94. doi: 10.3969/j.issn.1674-0696.2017.08.15 WEN H Y, WU Y P, ZHU D C, et al. Residents'trip characteristics of intercity traffic between Guangzhou and Foshan[J]. Journal of Chongqing Jiaotong University(Natural Science), 2017, 36(8): 82-88+94. (in Chinese) doi: 10.3969/j.issn.1674-0696.2017.08.15
[3]	杨亚璪, 陈芬菲, 陈坚, 等. 基于C-TODIM决策方法的城际出行方式选择模型研究[J]. 铁道运输与经济, 2015, 37(12): 62-68. https://www.cnki.com.cn/Article/CJFDTOTAL-TDYS201512019.htm YANG Y Z, CHEN F F, CHEN J, et al. Study on selection model of intercity traveling modes based on C-TODIM decision-making method[J]. Railway Transport and Economy. 2015, 37(12): 62-68. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-TDYS201512019.htm
[4]	林雄斌, 卢源. 都市区跨区域通勤特征与影响因素研究: 以京津城际高铁为例[J]. 城市规划, 2021, 45(12): 104-113. https://www.cnki.com.cn/Article/CJFDTOTAL-CSGH202112012.htm LIN X B, LUY. Intercity commuting in China'smetropolitan area: The case of Beijing-Tianjin intercity high-speed railway[J]. City Planning Review, 2021, 45(12): 104-113. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-CSGH202112012.htm
[5]	朱鸿国, 赵文静, 马壮林, 等. 广深运输通道内公共客流分担率预测模型研究[J]. 公路交通科技, 2017, 34(4): 146-153. https://www.cnki.com.cn/Article/CJFDTOTAL-GLJK201704022.htm ZHU H G, ZHAO W J, MA Z L, et al. Study on prediction model of share rate of passenger flow inGuangzhou-Shenzhen transport corridor[J]. Journal of Highway and Transportation Research and Development, 2017, 34(4): 146-153. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GLJK201704022.htm
[6]	陈颖雪, 董治, 吴兵, 等. 基于选择方案抽样调查的城市群低频率出行行为研究[J]. 中国公路学报, 2013, 26(3): 158-163. doi: 10.3969/j.issn.1001-7372.2013.03.019 CHEN Y X, DONG Z, WU B, et al. Study on low frequency intercity travel behavior of urban agglomeration based on choice-based sampling survey[J]. China Journal of Highway and Transport, 2013, 26(3): 158-163. (in Chinese) doi: 10.3969/j.issn.1001-7372.2013.03.019
[7]	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. https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201802002.htm 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) https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201802002.htm
[8]	KOUWENHOVEN M, DEJONG G. Value of travel time as a function of comfort[J]. Journal of Choice Modelling, 2018(28): 97-107.
[9]	景鹏, 隽志才. 计划行为理论框架下城际出行方式选择分析[J]. 中国科技论文, 2013, 8(11): 1088-1094. doi: 10.3969/j.issn.2095-2783.2013.11.004 JING P, JUAN Z C. Analysis of intercity travel mode choice in theory of planned behavior[J]. China Science Paper, 2013, 8(11): 1088-1094. (in Chinese) doi: 10.3969/j.issn.2095-2783.2013.11.004
[10]	吴麟麟, 卢海琴, 汪洋, 等. 引入忠诚度变量的城际出行方式动态选择行为研究[J]. 公路交通科技, 2014(11): 123-129. doi: 10.3969/j.issn.1002-0268.2014.11.020 WU L L, LU H Q, WANG Y, et al. Research on intercity travel mode dynamic choice behavior with introduced loyalty variable[J]. Journal of Highway and Transportation Research and Development, 2014(11): 123-129. (in Chinese) doi: 10.3969/j.issn.1002-0268.2014.11.020
[11]	CHENG Y H, CHEN S Y. Perceived accessibility, mobility, and connectivity of public transportation systems[J]. Transportation Research PartA: Policy and Practice, 2015(77): 386-403.
[12]	CHENG Y H, LIU K C. Evaluating bicycle-transit users'perceptions of intermodal inconvenience[J]. Transportation Research Part A: Policy and Practice, 2012, 46(10): 1690-1706. doi: 10.1016/j.tra.2012.10.013
[13]	SARRIAS M. Discrete choice models with random parameters in R: the GMNL package[J]. Journal of Statistical Software, 2016, 74(10): 1-31.
[14]	MCFADDEN D, TRAIN K. Mixed MNL models for discrete response[J]. Journal of Applied Econometrics, 2000, 15(5): 447-470. doi: 10.1002/1099-1255(200009/10)15:5<447::AID-JAE570>3.0.CO;2-1
[15]	韦杰. 考虑潜变量的电动汽车购买意愿选择模型研究[D]. 乌鲁木齐: 新疆大学, 2021. WEI J. Research on purchase intention choice model of electric vehicle considering latent variables[D]. Wulumuqi: Xinjiang University, 2021. (in Chinese)
[16]	刘建荣, 郝小妮. 到达车站的步行时间对老年人公交选择的影响[J]. 交通运输系统工程与信息, 2020, 20(1): 124-129. https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT202001021.htm LIU J R, HAO X N. Effect of bus stop walking time on elderly's bus choice[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(1): 124-129. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT202001021.htm
[17]	刘志伟, 张荣堂, 刘建荣. 城市土地利用对居民通勤方式选择的影响[J]. 武汉理工大学学报(交通科学与工程版), 2020, 44(6): 989-993. doi: 10.3963/j.issn.2095-3844.2020.06.009 LIU Z W, ZHANG R T, LIU J R. Influence of urban land use on resident's choice of commuting mode[J]. Journal of Wuhan University of Technology(Transportation Science & Engineering) 2020, 44 (6): 989-993. (in Chinese) doi: 10.3963/j.issn.2095-3844.2020.06.009
[18]	DONG B, MA X, CHEN F, et al. Investigating the differences of single-vehicle and multivehicle accident probability using mixed logit model[J]. Journal of Advanced Transportation, 2018(2018): 2702360.
[19]	WANG W, YUAN Z, LIU Y, et al. A random parameter logit model of immediate red-light running behavior of pedestrians and cyclists at major-major intersections[J]. Journal of Advanced Transportation, 2019(2019): 2345903.
[20]	ZENG T. Essays on the random parameters logit model[D]. Baton Rouge: Louisiana State University, 2011.
[21]	刘志伟, 刘建荣, 邓卫. 无人驾驶汽车对出行方式选择行为的影响[J]. 西南交通大学学报, 2021, 56(6): 1161-1168. https://www.cnki.com.cn/Article/CJFDTOTAL-XNJT202106004.htm LIU Z W, LIU J R, DENG W. Impact of autonomous vehicle on travel mode choice behavior[J]. Journal of Southwest Jiaotong University, 2021, 56(6): 1161-1168. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-XNJT202106004.htm
[22]	ECHANIZ E, DELL'OLIO L, IBEASÁ. Modelling perceived quality for urban public transport systems using weighted variables and random parameters[J]. Transport Policy, 2018(67): 31-39.
[23]	DAVIS F D. Perceived usefulness, perceived ease of use, and user acceptance of information technology[J]. MIS Quarterly, 1989, 38(3): 982-1003.
[24]	JI W, XIAO W. Structural equation modeling: Applications using mplus[M]. London: John Wiley & Son, 2012.
[25]	SARRIAS M, DAZIANO R. Multinomial logit models with continuous and discrete individual heterogeneity in R: The GMNL package[J]. Journal of Statistical Software, 2017, 79(2): 1-46.
[26]	刘建荣, 郝小妮. 基于随机系数Logit模型的市内出行方式选择行为研究[J]. 交通运输系统工程与信息, 2019, 19(5): 108-113. https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201905015.htm LIU J R, HAO X N. Travel mode choice in city based on random parameters logit model[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(5): 108-113. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YSXT201905015.htm
[27]	刘志伟, 宋正沄, 邓卫, 等. 无人驾驶汽车对中短距离市际出行方式选择行为的影响[J]. 交通信息与安全, 2022, 40(2): 91-97. doi: 10.3963/j.jssn.1674-4861.2022.02.011 LIU Z W, SONG Z Y, DENG W, et al. Impacts of autonomous vehicles on mode choice behavior in the context of short-and medium-distance intercity travel[J]. Journal of Transport Information and Safety, 2022, 40(2): 91-97. (in Chinese) doi: 10.3963/j.jssn.1674-4861.2022.02.011

施引文献

资源附件(0)

访问统计

点击查看大图

表(10)

计量

文章访问数: 1059
HTML全文浏览量: 355
PDF下载量: 50
被引次数: 0

0. 引言
1. 随机系数Logit模型
2. 研究设计与变量选取
3. 实证分析
3.1 城际出行旅客心理潜变量分析
3.2 城际出行旅客出行方式选择行为研究
4. 结束语

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于随机系数Logit模型的城市群城际出行方式选择行为研究

doi: 10.3963/j.jssn.1674-4861.2022.05.015

通讯作者:
郝小妮（1977—），博士，讲师.研究方向：出行行为、公交调度等.E-mail: xnhao@scut.edu.cn

计量