拥堵收费下的出行方式选择及关键因子分析

拥堵收费下的出行方式选择及关键因子分析 【摘要】交通拥堵收费是一种交通需求管理的经济手段，其利用价格机制来影响居民的出行 方式选择，从而达到调节城市交通需求的目的。本文意图探究该政策的实施将对我国居民交 通出行产生的影响，为此开展了拥堵收费意向调查，并按照出行目的和出行起讫点分布特征 将调查对象进行分类研究，利用非集计多项Logit（MNL）模型量化表达拥堵收费下的出行 方式选择机理。并基于MNL模型进行关键因子分析，探究了该政策的实施将对何种出行者产 生较大影响。 【关键词】拥堵收费；交通需求管理；SP调查；MNL模型；关键因子分析 交通拥堵收费作为一项交通需求管理（TDM）策略，早在 20 世纪 20 年代的欧洲就已 被提出 0，其对特定时段和区域内的车辆通行收费，促使小汽车出行者改变原有的开车出行 计划，并转向其他方式出行，从时间和空间上疏散过于集中的道路交通量，实现道路资源的 高效使用 0。 虽然目前我国尚无城市实施拥堵收费，但北京、上海、深圳、杭州等城市都相继提出了 实施该政策的设想并开展了相关前期论证研究 0。可见，在我国新型城镇化发展进程中，对 于城市交通问题较为突出的特大城市、大城市而言，交通拥堵收费政策将成为促进城市交通 健康发展的关键政策。在此背景下，本文将利用意向调查方法获取相关数据，并运用 MNL 模型和关键因子分析技术，探究拥堵收费将对我国居民出行方式选择造成的影响。 1 研究对象及分类 从国外城市的已有实践来看，拥堵收费即是要在划定收费区域的前提下，对特定时段内 进入该区域的小汽车收取费用，以期降低小汽车在收费区内的出行比例，缓解交通拥堵。因 此，本文将受到政策实施直接影响的小汽车出行者作为主要研究对象。 鉴于拥堵收费政策下，不同出行需求特征的小汽车出行者所受到的影响性质有所不同， 应当分类考虑。首先，从出行目的角度，通勤出行者往往需要在规定的时间内到达目的地， 而非通勤出行者可以根据需要自由选择出行时间。其次，从出行起讫点分布的角度，起讫点 均在收费区域内部的出行不必付费（参考国外城市经验，在收费区域各进口设置收费设施， 对区域内部出行不收费）；起讫点仅有一个在收费区域内部的小汽车出行，需要支付拥堵费 用，并且其无法通过绕路方式避免收费；而起讫点均位于收费区域外部的小汽车出行，若选 择收费区域外部道路出行则可以避免缴费。因此，可根据其出行目的和出行起讫点分布特征， 将出行者分为6类，如下图所示： 100 注：图中椭圆表示拥堵收费区域，“○”表示受访者出行起点所在位置，“☆”表示受访者出行终点所在位置。 图1研究对象分类图 其中，起讫点至多有一个在收费区域内部的通勤、非通勤出行（4类）将可能被收取拥 堵费，将其作为重点研究对象；而起讫点均在收费区域内部的两类出行不需缴纳拥堵费，将 其作为非重点研究对象。 2 拥堵收费意向调查方案 2.1 数据调查方法与途径 本文采用意向调查（StatedPreferenceSurvey）方法 、网络调查途径。鉴于北京市具有 我国特大城市交通特点，也是国内城市交通供需矛盾最为突出、交通拥堵问题最为严重的城 市之一，因此本文选择北京作为数据调查目标城市，并设计了满足需求的调查问卷，调查对 象为早晚高峰开车进入北京二环内区域的市民。 2.2 问卷结构设计 问卷结构可大致分为以下四个部分： 第一部分，向受访者介绍假定的拥堵收费政策情境，包括收费时间段、收费区域、收费 对象、收费标准及收入使用等，本部分主要参考国外城市经验并结合北京市现状情况设定。 第二部分，对受访者的出行习惯进行调查，包括出行目的、起讫点（途经点）、车辆百 公里油耗量、有无交通补贴以及对交通现状的看法。 本部分题目的设置目的如下： 出行目的和出行起讫点分布特征——为研究对象分类依据。 出行起讫点和途经点——用于获得建模分析所需数据，包括出行距离、可替代的交 通方式属性数据（各出行方式的时耗、费用等定量化数据）等。此外，调查出行途 经点，一方面可以检验数据的有效性，另一方面可以大致确定受访者的出行路径， 从而减少数据处理中的偏差。 车辆百公里油耗量——用于计算小汽车方式出行燃油费。 有无交通补贴——部分小汽车出行者的燃油费、停车费等可由单位报销和补贴，政 策实施后拥堵费用可能仍由单位支付，其坚持原计划开车出行的概率相应提高，因 此，有无开车补贴是应当考虑的重要因素，特别是对公务用车保有量较高的北京而 2降低公交地铁票价，加大公共交通投入，提高公交地铁发车频率、准点率以及道路桥梁等基础设施建设等 降低公交地铁票价，加大公共交通投入，提高公交地铁发车频率、准点率以及道路桥梁等基础设施建设等 0。考虑到调查精度要求和实际条件限制，拟定四类重点研 言 0。 对交通现状的看法——影响人们行为选择的因素不仅包括不以人的意识为转移的 客观因素，还可能包括诸如情绪、看法、好恶等的主观因素。 第三部分，获取在假定情境下的居民出行方式选择意向，可选项包括开车付费、错时避 费、绕路避费、转向公交出行以及转向自行车出行。 假设受访者的出行需求不会因拥堵收费的实施而消失，则其可能通过改变出发时间、出 行路径以及转向其他交通工具出行的方式避免收费，或者维持原计划开车出行并支付拥堵费 用。因此本文将上述五种方式统称为拥堵收费影响下的交通出行方式。 第四部分，获取受访者的社会经济属性数据，包括性别、年龄、职业、家庭收入水平、 有无需要接送其上下学的孩子、有无自行车以及居住地和工作地分布等。 值得一提的是，有研究表明 0：家中有无需要接送的孩子、上班前的习惯性活动等非工 作相关因素将对拥堵收费政策下的居民工作出行产生显著影响。因此，本文将家中有无需要 接送其上下学的孩子作为考虑因素之一，有这类孩子的家庭通常需要负责其上下学的接送， 并且时间与早晚高峰时段基本重合，这无形中构成了城市交通拥堵的又一个因素。 2.3 拥堵收费方案情境设计 在SP调查中，要根据研究内容假定选择情境，受调查者将在此情境下做出选择。参考 国外城市已有拥堵收费实践，并结合北京市现状，提出本文的拥堵收费方案情境设计，见表 1所示。 表1拥堵收费方案情境设计表 项目 具体内容 收费时段 工作日早晚高峰时段（7:00~9:00，16：30~18:30） 收费对象 小汽车（包括私家车、出租车、小轿车型单位用车） 收费区域 北京二环内区域 收费标准 5元/天，（对于居住或工作地在北京二环内的优惠收费，2元/天） 收入使用 2.4 抽样策略 早期的研究表明，每一分类段有30个受访者就已足够；而近来的研究建议，每类别段 达到 50~100 个样本数更为合适 究类别样本数达到50以上，因此，确定本次调查的总样本量为200。 3 意向调查数据收集和统计性处理 本次北京市拥堵收费意向调查共收集到网络调查数据273份，其中58份为无效数据， 数据错误类型包括出行起讫点不明确、出行路径明显异常等等，数据有效率约为 78%。基 于调查数据，对四类重点研究对象在拥堵收费下的出行方式选择进行了统计性描述，具体如 下图所示。 30，尤其适用于以出行者个体为0，尤其适用于以出行者个体为 a内外-通勤类各出行方式选择选择概率 b外外-通勤类各出行方式选择选择概率 c内外-非通勤类各出行方式选择选择概率 d外外-非通勤类各出行方式选择选择概率 图2四类重点研究对象在拥堵收费下的出行方式选择统计图 由图可见，在拥堵收费作用下，两类通勤出行者选择仍然开车并支付拥堵费用的约占三 分之一，转向公交出行和绕路避费为最主要的替代出行方式；同时，两类非通勤出行者由于 出行时间选择具有较大灵活性，选择错时避费占比较高，其次为转向公交出行，仅有 12% 的非通勤出行者选择仍然开车并支付费用。 需要说明的是，在实际调查中，外外-非通勤类仅收集到16组有效数据，未达到预设样 本量（50个）。这在一定程度上反映了，起讫点均位于北京二环外且途径二环内区域的出行 母体较小，究其原因，北京市“环+放射”式干道网对过境交通起到了较为良好的屏蔽作用， 同时也反映出对于北京而言实施拥堵收费政策的主要影响对象为出行起讫点仅有一个位于 收费区域内部的小汽车出行。 4 拥堵收费影响下的居民出行方式选择建模 非集计多项 Logit（MNL）模型以随机效用理论为基础 数据单元的多选择枝建模分析。本部分将运用 MNL 模型建立方法，对内外-通勤类、外外- 通勤类以及内外-非通勤类出行在拥堵收费下的出行方式选择进行建模。而由于外外-非通勤 类数据量未达到建模所需最小量，因此不对其建模。 4.1 模型结构 随机效用理论认为行为主体总会选择对自己而言效用最大的行为方式，对本文而言，即 在拥堵收费下各种出行方式的选择概率由其效用值决定。另外，假设效用函数是可以量化的 各因素的线性组合，并且影响出行者选择行为的随机因素服从均值为 0 独立同分布的 4（1）)in （1）)in （2） X in exp(X ) in K in in X exp( in X Xin k ink Gumbel分布，则可得到出行者n的出行方式i的概率公式如下： P j k1 式中，P 为出行者n选择出行方式i的概率；j为选择枝数，即可选出行方式个数； 为出行方式 i 的效用函数值；K 为特性变量个数；θ 为第 k 项特性变量的效用系数；X 为出行方式i的第k项变量值。 4.2 特性变量赋值和效用函数定义 4.2.1 特性变量赋值 本文选取的MNL模型特性变量可以分为出行者社会经济属性以及出行方式属性两类。 其中，出行者社会经济属性包括年龄、性别、职业、家庭收入、对目前交通现状的看法、是 否有需接送其上下学的孩子以及是否有交通补贴等。出行方式属性，包括小汽车、公交、自 行车三种方式的出行时间、费用、出行距离等。 变量的赋值方式包括名义变量赋值和度量变量赋值。名义变量赋值，即用数字代号表示 变量值；度量变量赋值，即用真实可测的数据直接对变量赋值。例如，性别为“男”赋值1、 “女”赋值2，又如小汽车出行距离需根据受访者出行路径，利用地理信息系统软件量取确 定。 表2特性变量名称及代号对照表变量类型变量名称及代号变量代号年龄age性别gender职业career社会经济属性变量家庭年收入income对目前交通现状的看法feel是否有孩子child是否有交通补贴subsidy小汽车出行距离cardistance小汽车出行属性变量拥堵费congestionfare燃油费fuelcost停车费parkingfee公交出行全程时间busdistance公交出行属性变量公交换乘次数transfer公交出行步行距离布设distance公交票价busfare自行车出行属性变量自行车出行距离bikedistance 4.2.2 效用函数定义 本论文共设置了5个选择枝，包括A（仍然开车进入收费区域，并支付拥堵费）、B（开 车，选择其他非高峰时段出行，避免征收拥堵费）、C（开车，绕过收费区域出行，避免征 5(congestionfare (congestionfare fuel cos t parkingfee) （3）2 ln(cardis tan ce) ln( fuel cos t) ln( parkingfee) tan ce fuel cos t parkingfee walkdis tan ce alltime transfer busfare 1 25 2 5 5 5 3 4为常量，均赋值为1，θ ~θ 为变量的效用系数。 C C cardis C bikedis tan ce1 4 收拥堵费）、D（不开车，选择公交或地铁出行）、E（不开车，选择自行车出行）。 另外，本次意向数据调查中仅设置了两种拥堵费用值，调查数据显示内外-通勤类出行 收费额基本为2元/天，外外-通勤类出行收费额基本为5元/天，这主要是由于受访者通勤起 讫点通常为家和工作单位，而内外-非通勤每日收费额5 元和2 元约各占一半。因此，为了 避免两类通勤出行建模中，拥堵费变量与其他变量存在共线性，本文构建了小汽车费用因子 carfare，并将其引入效用函数，该因子的具体表达式如下： carfare subsidy * 各选择枝的效用函数定义形式如下： 表3各选择枝效用函数对照表 选 择 效用函数形式 枝A通勤出行C1agegendercareerincomechildfeelcarfare非通勤出行C1agegendercareerincomechildsubsidyfeelcongestioarefuelcostparkingfee B C D E 注：式中C ~C 4.3 模型标定及结果分析 本文应用交通分析软件 Transcad 进行模型标定，采用极大似然函数法进行参数估计。 利用本次北京拥堵收费意向调查数据，分别对内外-通勤、外外-通勤以及内外-非通勤三类重 点研究对象进行建模计算。 由于篇幅有限，这里对于模型的具体迭代计算过程不做赘述，而直接给出三类出行者在 拥堵收费下的出行方式选择模型的标定结果，见下表所示。 62 2 0 表4拥堵收费下的出行方式选择模型参数标定结果表变量内外-通勤模型外外-通勤模型内外-非通勤模型θTθTθTC9.1201.97919.9310.221-0.0260.000C2.4981.00910.7920.12024.2060.663C-11.141-0.16811.3730.12610.1050.279C2.4151.64018.9560.2119.8990.273age1.1851.431——-1.284-1.864gender-2.993-2.080——-0.389-0.740career——-0.872-1.1771.3542.855income1.7102.2910.8721.1871.1023.931child——-5.038-3.434-0.944-1.261subsidy————-7.604-0.172feel-3.137-2.329————carfare-0.012-2.198-0.003-0.588——congestionfare————-0.173-0.802fuelcost——————parkingfee————-0.201-2.384ln(cardistance)-4.989-2.013——-3.607-3.699ln(fuelcost)4.2592.085——3.0384.032ln(parkingfee)————-3.186-2.640cardistance——1.1961.237-2.079-2.577fuelcost——-1.267-1.5242.1403.121parkingfee——————walkdistance-0.001-1.017-0.004-1.701——alltime-0.015-0.616——0.0171.977transfer0.0230.036-1.809-1.756-0.889-3.451busfare-0.339-0.910-1.744-1.5680.8882.483bikedistance-0.090-0.861————ρ2值0.4830.4850.392 上表中，参数θ和T分别代表变量标定系数结果以及各参数的t检验值，建模过程中利 用t检验和似然率检进行模型变量的显著性进行检验和变量筛选。ρ 值代表模型精度，越接 近于1精度越高，一般认为在0.2~0.4范围内即可以接受，从表7来看，本文所建模型精度 较高。 5 模型的关键因子分析 本节将在模型基础上，进一步研究何种因素是导致出行者放弃开车出行的主要因素，换 而言之，即研究拥堵收费政策将对何种人群产生较大影响。 非集计 Logit 模型认为出行者在出行方式选择时总是追求“效用(utility)”的最大化 ，即 效用值越高的出行方式被选择的概率也就越大。因此，在模型各选择枝的效用函数中对效用