馬曉磊，劉 兵，姚李亮

（北京航空航天大學(xué)交通科學(xué)與工程學(xué)院，北京 102206）

隨著我國高鐵客運樞紐建設(shè)日漸完善，各配套設(shè)施逐步開放，樞紐區(qū)域的出行需求急劇增長，高鐵客運樞紐逐步成為銜接不同區(qū)域交通網(wǎng)絡(luò)的關(guān)鍵節(jié)點。但當(dāng)前我國高鐵客運樞紐對復(fù)雜的客流時空分布特征適應(yīng)能力較弱，多模式公交之間無法根據(jù)客流實際需求執(zhí)行高效協(xié)同的服務(wù)機制。同時由于缺乏系統(tǒng)科學(xué)的多模式換乘客流方式分擔(dān)率估計的方法，加劇了聯(lián)合調(diào)度多模式交通接駁運力資源的難度。隨著各種新興技術(shù)的發(fā)展完善，城市居民日常出行活動促使交通系統(tǒng)每天產(chǎn)生的多源海量出行數(shù)據(jù)，為估計高鐵樞紐換乘客流方式分擔(dān)率提供了新的視角。因此，結(jié)合多模式交通大數(shù)據(jù)，提出高鐵樞紐換乘客流方式分擔(dān)率精準(zhǔn)估計的方法對于提高高鐵客運樞紐的服務(wù)水平、優(yōu)化運力資源配置具有重要意義。

針對乘客換乘出行方式分擔(dān)率的研究，主要集中在銜接換乘行為影響因素分析和出行方式選擇建模上面。如賈洪飛等［1］考慮出行時間、費用、乘客的性別、年齡等因素，基于MNL（multi-nominal logit）模型對乘客選擇公交和小汽車的行為進(jìn)行了研究。近年來，很多研究者逐漸意識到，乘客出行方式的選擇受諸多無法直接觀測的因素影響，主要為個體對出行方式的感知及其生活方式等內(nèi)在的主觀感受因素［2］。這些因素對出行者的出行方式選擇行為有著顯著的影響［3］。程龍等［4］、Paulssen等［5］、姚恩建等［6］、馬書紅等［7］在出行方式選擇的研究中引入了心理潛變量，研究結(jié)果表明引入主觀感受影響因素的出行方式選擇模型預(yù)測結(jié)果更加精準(zhǔn)、更具有解釋能力。然而，上述研究主要借助問卷調(diào)查等人工獲取的數(shù)據(jù)，基于離散選擇模型對乘客出行方式選擇行為進(jìn)行研究，數(shù)據(jù)獲取的質(zhì)量較低、難度較大、樣本量較小，研究的成果具有一定的局限性［8］。近年來隨著大數(shù)據(jù)融合與挖掘算法的普及以及計算技術(shù)的不斷發(fā)展，公交與地鐵刷卡數(shù)據(jù)被廣泛用于交通需求及交通方式辨識的研究中。馬曉磊等［9］利用北京公交刷卡及GPS數(shù)據(jù)，基于貝葉斯決策樹及馬爾科夫鏈對公交乘客上車站點的推算進(jìn)行了研究。周雨陽等［10］利用公交IC卡數(shù)據(jù)對長距離公共交通乘客出行的時空分布進(jìn)行了研究，其成果對改善公交部分線路服務(wù)水平提供了有價值的參考建議。張鄭等［11］基于RP（revealed preference)調(diào)查和廣州地鐵刷卡數(shù)據(jù)，對地鐵乘客出行方式的銜接行為和路徑選擇行為進(jìn)行了研究。Ma等［12］為識別公交乘客的出行模式，使用公交IC卡數(shù)據(jù)構(gòu)建出行鏈，并利用聚類算法與粗糙集理論對出行模式進(jìn)行聚類與分類，研究結(jié)果對認(rèn)識交通需求在時空維度的分布具有重要意義。

綜上可知，基于交通出行數(shù)據(jù)的交通需求辨識與公共交通協(xié)同換乘的研究，取得了一定成果。但同時使用多方式出行數(shù)據(jù)進(jìn)行換乘方式選擇行為辨識的研究，缺乏在時空域范圍同時使用公交、地鐵刷卡數(shù)據(jù)、出租車數(shù)據(jù)以及移動互聯(lián)等多源異構(gòu)數(shù)據(jù)，對個體出行鏈進(jìn)行挖掘，尤其是以客運樞紐為起點的出行鏈的挖掘。

因此，本文通過糾正錯誤刷卡記錄、修補異常站點信息等數(shù)據(jù)處理手段，完成不同公共交通方式換乘階段的關(guān)聯(lián)和融合，提取以高鐵客運樞紐為端點的個體廣義出行鏈，分析高鐵客運樞紐城內(nèi)換乘客流的時空分布特征；并在此基礎(chǔ)上，綜合考慮高鐵客運樞紐乘客的個體經(jīng)濟(jì)社會屬性、出行特性及其主觀心理因素對換乘出行方式選擇行為的影響，建立基于個體廣義出行鏈的換乘行為選擇模型，最終估計換乘客流方式分擔(dān)率，探索高鐵客運樞紐乘客的換乘行為特性。

1 高鐵樞紐乘客換乘行為建模

模型構(gòu)建的整體思路為：結(jié)合公交、地鐵、出租車等多模式交通出行數(shù)據(jù)，在數(shù)據(jù)清洗、推斷和融合的基礎(chǔ)上，提出個體廣義出行鏈提取的方法；綜合考慮高鐵樞紐乘客的個體經(jīng)濟(jì)社會屬性及其個體主觀心理因素對換乘出行方式選擇行為的影響，構(gòu)建多指標(biāo)多原因模型（MIMIC），研究影響因素的相互關(guān)系；并將換乘乘客的主觀感受變量設(shè)為解釋變量，結(jié)合個體經(jīng)濟(jì)社會屬性信息和廣義出行鏈的特征，建立高鐵客運樞紐換乘方式混合選擇模型。模型構(gòu)建的框架如圖1所示。

圖1 換乘選擇模型構(gòu)建的框架Fig.1 Framework of travel mode choice model

1.1 個體廣義出行鏈提取

利用公共交通大數(shù)據(jù)和出租車軌跡數(shù)據(jù)，提取高鐵樞紐換乘乘客的廣義出行鏈，其目的在于挖掘乘客的個體出行特征，如出行時間、出行距離、出行費用等，用于高鐵樞紐乘客換乘方式選擇行為模型的構(gòu)建。由于公共交通運營數(shù)據(jù)的割裂，不同公共交通出行方式產(chǎn)生的出行記錄關(guān)聯(lián)不高，現(xiàn)有研究通常只對公交-公交、地鐵-地鐵等相同交通方式間的換乘行為進(jìn)行研究［13］。因此，本文通過深入剖析多源公共交通數(shù)據(jù)的采集規(guī)則，提出了公共交通大數(shù)據(jù)關(guān)聯(lián)融合及個體廣義出行鏈提取的方法。提取公共交通個體出行鏈的具體步驟如下。

1.1.1 確定數(shù)據(jù)關(guān)聯(lián)融合的方法

結(jié)合換乘乘客采取地鐵、公交兩類公共交通出行方式產(chǎn)生的出行記錄數(shù)據(jù)，確定數(shù)據(jù)關(guān)聯(lián)融合的方法。具體步驟為：首先分別對公交IC卡刷卡數(shù)據(jù)和地鐵AFC數(shù)據(jù)中的編號編碼規(guī)則進(jìn)行分析，確定兩類數(shù)據(jù)之間的關(guān)聯(lián)列；其次，將關(guān)聯(lián)數(shù)據(jù)中代表地鐵、公交進(jìn)出站時間的字段進(jìn)行字符串提取，統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)時間格式。最后，根據(jù)兩類數(shù)據(jù)的關(guān)聯(lián)規(guī)則，選取相同字段，將兩類刷卡數(shù)據(jù)進(jìn)行合并，并增加出行方式類型標(biāo)識，完善出行鏈出行方式屬性信息。

1.1.2 確定換乘時空閾值

本文考慮高鐵樞紐換乘乘客采用公共交通的三種換乘模式：公交-公交（B-B）、公交-地鐵（B-M）、地鐵-公交（M-B），并假設(shè)乘客以步行方式完成換乘，以此對乘客換乘出行的過程進(jìn)行簡化?？紤]換乘時間和換乘距離對乘客換乘方式選擇行為的影響，首先對換乘空間閾值和換乘時間閾值進(jìn)行定義。

換乘空間閾值是指相鄰兩階段換乘的站間距，以500 m作為空間限制；換乘時間閾值是指相鄰兩階段換乘乘客所能接受的最大換乘時間。若兩階段之間的站間距、換乘時間超過了換乘空間或時間閾值，則判定為兩次出行；若兩階段的時空距離處于閾值范圍內(nèi)，則認(rèn)為兩階段之間乘客并未進(jìn)行其他活動，屬于一次出行，即屬于同一條公共交通出行鏈。

研究針對3種換乘模式分別給出換乘時間閾值的計算方法。B-M模式的換乘時間閾值根據(jù)公交下車刷卡時間與地鐵進(jìn)站刷卡時間的時間差來確定，M-B模式的換乘時間閾值根據(jù)地鐵出站刷卡時間與公交上車刷卡時間的時間差來確定，B-B模式的換乘時間閾值根據(jù)公交下車刷卡時間與下一階段公交上車刷卡時間的時間差來確定［14］。

1.1.3 提取全域范圍內(nèi)的公共交通出行鏈

結(jié)合上述數(shù)據(jù)融合的規(guī)則及定義的兩類換乘閾值，利用大數(shù)據(jù)處理軟件，即可提取得到單一乘客的出行鏈。通過對換乘乘客出行過程的復(fù)現(xiàn)，可驗證提取規(guī)則和融合思路的合理性。

1.2 換乘出行方式選擇影響因素解析

本文旨在研究高鐵樞紐換乘乘客的出行方式選擇行為，不考慮乘客的到站行為，即不考慮乘客到站時間對其出行時間的影響。本文將影響高鐵樞紐換乘乘客出行方式選擇行為的因素劃分為可直接觀測度量的顯變量和不可直接觀測度量的潛變量。

顯變量包括了個體經(jīng)濟(jì)、社會屬性和出行鏈出行特征屬性。其中，個體經(jīng)濟(jì)、社會屬性主要包括年齡、性別、學(xué)歷程度、是否擁有私家車、出行目的、出行方式等。出行鏈出行特征屬性主要包括基于個體廣義出行鏈提取得到的出行時間、出行費用、出行距離、出行方式、出行目的地等。

潛變量通常用于反映乘客出行方式選擇行為的心理偏好，衡量出行者對出行過程的滿意度及效用值。研究參考相關(guān)文獻(xiàn)的研究成果［12］，以舒適性、快捷性和經(jīng)濟(jì)性作為換乘出行方式選擇的潛變量因素。

潛變量模型和離散選擇模型共同構(gòu)成混合選擇模型，如圖2所示。

圖2 混合選擇模型結(jié)構(gòu)示意圖Fig.2 Framework of hybrid choice model

1.3 出行效用函數(shù)與出行分擔(dān)率計算

單一的離散選擇模型，如MNL，NL，R-MNL模型通常是將影響乘客換乘方式選擇行為的心理因素轉(zhuǎn)化為可直接量化的指標(biāo)或采取問卷打分的形式對其進(jìn)行量化，無法客觀體現(xiàn)心理變量之間的內(nèi)在聯(lián)系。而多指標(biāo)多原因（multiple indicators and multiple causes，MIMIC）模型通過構(gòu)建潛變量與指標(biāo)變量之間的關(guān)聯(lián)關(guān)系，對乘客換乘方式選擇行為的心理因素進(jìn)行更細(xì)粒度的刻畫［15］。因此，研究引入MIMIC和MNL模型進(jìn)行高鐵樞紐乘客換乘方式選擇行為模型的構(gòu)建。

1.3.1 MIMIC模型的構(gòu)建

MIMIC模型的優(yōu)勢在于不需要進(jìn)行嚴(yán)格的前提假設(shè)，也不需要被各種條件嚴(yán)格約束［16］，即能夠?qū)€體經(jīng)濟(jì)、社會屬性、個體出行特征和代表個體主觀心理感受的潛變量進(jìn)行統(tǒng)一度量。MIMIC模型中潛變量與指標(biāo)變量之間的對應(yīng)關(guān)系如表1所示。

表1 潛變量與指標(biāo)變量的對應(yīng)關(guān)系Tab.1 Correspondence between latent variables and index variables

MIMIC模型之所以被稱之為多因果多指標(biāo)模型，原因在于其測量方程部分實質(zhì)為多指標(biāo)模型。潛變量“經(jīng)濟(jì)性”的測量方程式如下：

式（1）～（3）中：ηe為“經(jīng)濟(jì)性”潛變量；εe1、εe2、εe3為測量方程的誤差項；λ為因子載荷。

結(jié)構(gòu)方程部分實質(zhì)為多因果模型，是對出行者個體經(jīng)濟(jì)、社會屬性、出行特征等可觀測的外生變量與潛變量之間的關(guān)系分析，如下：

式中：γ、?i為待估計參數(shù)；x為年齡、性別等可觀測的個體屬性與出行特征；i為被調(diào)查個體。

由此，“舒適性”和“快捷性”的MIMIC模型如下：

1.3.2 出行效用函數(shù)構(gòu)建

本文將換乘乘客的出行鏈劃分為簡單出行鏈、復(fù)雜出行鏈兩類。簡單出行鏈?zhǔn)侵赋丝鸵愿哞F樞紐站為起點，以一種出行方式（公交、地鐵或出租車）完成一次出行的過程。復(fù)雜出行鏈?zhǔn)侵赋丝椭辽俨捎脙煞N出行方式完成一次出行的過程。同時，乘客的復(fù)雜出行鏈只考慮地鐵和公交之間的換乘，即乘客的整個過程僅借助公共交通完成。

每條出行鏈都可看作是一種出行方式選擇方案。當(dāng)乘客選擇第j種出行方式選擇方案且為簡單出行鏈時，其效用函數(shù)U j可表示為

式中：I為出行者個人社會經(jīng)濟(jì)屬性集合；i為個體經(jīng)濟(jì)社會屬性；M為出行特征屬性集合；m為出行特征屬性；N為潛變量集合；n為潛變量特征屬性；aji、bjm、cjn均為待估參數(shù)；Xji為個體經(jīng)濟(jì)社會屬性i的量值；Sjm為第m個出行鏈出行特征的量值；ηjn為潛變量；εj為誤差項。

當(dāng)乘客選擇第j種出行方式選擇方案且為復(fù)雜出行鏈時，其效用函數(shù)U tk可表示為式中：k為不同的出行方式；t為復(fù)雜出行鏈的多個階段（簡單出行鏈t為1，復(fù)合出行鏈t為各階段之和）。

1.3.3 出行分擔(dān)率計算

根據(jù)效用最大化理論，出行者選擇換乘出行方案j的概率Pj為

2 數(shù)據(jù)處理與分析

2.1 多模式接駁客流特征分析

基于本文提出的個體廣義出行鏈的提取方法，對已有數(shù)據(jù)進(jìn)行處理并對以北京南站為出行鏈起點的數(shù)據(jù)進(jìn)行篩選。在研究時間范圍內(nèi)，提取得到的有效出行鏈見表2。由表2可知，2018年10月10日至15日期間，共提取以北京南站及其附近站點為起點的公共交通個體廣義出行鏈34.8萬條（單位為人次），出租車出行鏈1.3萬條（單位為車次）。

表2 北京南站出行鏈數(shù)據(jù)提取結(jié)果Tab.2 Trip chain extraction result at Beijing South Railway Station

基于提取得到的個體公共交通出行鏈，進(jìn)行乘客換乘方式選擇行為及其出行特征分析。

2.1.1 公交接駁客流特征

圖3為北京南站出站乘客選擇公交為換乘方式的群體出行目的地分布。宏觀來看，選擇公交出行的乘客出行目的地集中在北京中部（東城區(qū)、西城區(qū)）、南部區(qū)域（豐臺區(qū)、大興區(qū)、房山區(qū)），少量乘客通過乘坐公交的方式前往北城。主要原因在于，北京南站周邊的公交站點所涉及的14條線路中，70%分布在北京南站南側(cè)。選擇公交出行的乘客很少會再通過換乘前往北部區(qū)域。

圖3 公交接駁乘客出行熱力圖Fig.3 Heatmap of bus transferring passengers

圖4 給出了公交接駁乘客的時間和距離分布。從圖4a可以看出，出行距離在5 km以下的短途行程占比約為60.0%；距離在15 km以下的中短途行程占比約為86.0%，極少數(shù)南站乘客（2.3%）會在進(jìn)行超遠(yuǎn)途市內(nèi)出行時選擇公交車作為換乘方式。從圖4b可以看出，公交車刷卡人數(shù)，具有明顯的早晚高峰，分別為早上的7：00―9：00點和傍晚的16：00―18：00點。

圖4 公交接駁乘客時間和距離分布Fig.4 Trip time and distance distributions of bus transferring passengers

2.1.2 地鐵客流特征

圖5 給出了北京南站出站乘客選擇地鐵為換乘方式的群體出行目的地分布。從圖5中可以看出，與換乘公交的出行群體的目的地分布不同，地鐵乘客的目的地分布更加廣泛，目的地基本均勻分布在北京全域的地鐵沿線上，前往北京北部區(qū)域的乘客數(shù)量與前往南部區(qū)域的乘客數(shù)量并無明顯差別。

圖5 地鐵接駁乘客出行熱力圖Fig.5 Heatmap of subway transferring passengers

圖6給出了地鐵接駁乘客時間和距離分布。圖6a所示，出行距離在5 km以下的短途行程占比僅為7.1%；而距離在5～15 km以及15～25 km中長途行程占比分別約為37.9%和43.3%，合計占比超過80.0%；距離在25 km以上的超遠(yuǎn)途市內(nèi)出行占比達(dá)到11.7%，顯著高于公交出行的2.3%。從出行距離上看，出行距離遠(yuǎn)的乘客更偏好選擇高速、換乘少、換乘快的地鐵。圖6b所示，采用地鐵出行的客流同樣具有明顯的早晚高峰，高峰時段和公交出行的高峰時段基本一致，早高峰的集聚現(xiàn)象尤為顯著。

圖6 地鐵接駁乘客時間和距離分布Fig.6 Trip time and distance distributions of subway transferring passengers

2.1.3 出租車接駁客流時空特征

圖7給出了北京南站出站乘客選擇出租車為換乘方式的群體出行目的地分布。宏觀上，與換乘公共交通相比，出租車乘客的目的地分布更加廣泛，遍布北京全域，且出行熱力基本集中在中心城區(qū)。這和出租車靈活、便捷的特點有關(guān)。

圖7 出租車接駁乘客出行熱力圖Fig.7 Heatmap of taxi transferring passengers

圖8 給出了出租車接駁乘客時間和距離分布。從圖8a可以看出，出行距離在5 km以下的短途行程占比約為7.1%；出行距離在5～15 km以及15～25 km中長途行程占比分別約為43.2%和33.1%，合計占比約76.0%，與地鐵在此出行距離的行程占比相似；然而，出租車行程在超長途市內(nèi)出行的占比超過16.0%，大于公交和地鐵在此出行距離范圍內(nèi)出行占比的總和。這說明長距離出行的乘客更傾向選擇出租車出行。從整體上看，隨著出行距離的增大，對應(yīng)區(qū)域的出行熱力變小。出租車在北京地區(qū)不同時段的載客車次數(shù)據(jù)分布如圖8b所示。從圖8b可以看出，采用出租車出行的客流同樣具有明顯的高峰，但此高峰主要集中在中午12：00―15：00點和夜晚20：00―24：00點。

圖8 出租車接駁乘客時間和距離分布Fig.8 Trip time and distance distributions of taxi transferring passengers

圖9 給出了同一天出租車出行鏈和公共交通復(fù)雜出行鏈出行時間分布的對比。從圖9可以看出，出租車接駁乘客數(shù)量的高峰期恰好是公共交通接駁乘客人次的低谷。其原因可能是因為不同出行時段公共交通的運力配置不同。

圖9 出租車與公共交通接駁乘客時間分布對比Fig.9 Comparison of trip time distributions between taxi and bus passengers

2.2 個人屬性與出行意愿調(diào)查數(shù)據(jù)

考慮到列車到站時間和接駁客流的換乘出行時間對出行方式選擇的影響，本文在不同日期的3個時段分別對前往北京南站的乘客進(jìn)行問卷調(diào)查。調(diào)查時段為8：00―12：00、13：00―17：00、19：00―24：00。調(diào)查問卷實際下發(fā)的數(shù)量為238份，其中，有效問卷201份，有效問卷回收率達(dá)85.0%。從年齡上看，被調(diào)查者中男性占比54.2%，女性占比45.8%；18以下群體占比8.9%，18～30歲群體占比45.8%，30～40歲群體占比22.4%，40～60歲群體占比18.9%，60歲以上群體占比4.0%。從受教育程度上看，高中及以下群體占比10.0%，大專及本科學(xué)歷群體占56.2%，研究生群體占33.8%。從個體屬性的角度上看，21.9%的被調(diào)查者擁有私家車，45.7%的群體來京目的為工作或公務(wù)出行等。調(diào)查樣本的整體分布比較均勻，部分屬性的分布略顯集中，如被調(diào)查者的年輕群體占比較高、高學(xué)歷群體占比較高。

3 接駁客流分擔(dān)率估計結(jié)果分析

本文借助AMOS軟件將問卷調(diào)查數(shù)據(jù)和出行鏈數(shù)據(jù)導(dǎo)入，運用最大似然估計進(jìn)行模型估計。模型結(jié)構(gòu)如圖10所示，圖中橢圓表示本文設(shè)置的潛變量“舒適性”“快捷性”和“經(jīng)濟(jì)性”；“性別”“年齡”“教育程度”“汽車出行”“出行目的”為代表個體經(jīng)濟(jì)社會屬性的顯變量。通過對觀測變量和潛變量之間測量關(guān)系的分析，可得到潛變量的適配值表達(dá)式，進(jìn)而可將潛變量和顯變量同時作為解釋變量構(gòu)建MNL模型。圖10中箭頭上的數(shù)字為路徑系數(shù)，用于表示變量之間的關(guān)系是否顯著。在進(jìn)行路徑系數(shù)檢驗時，一般要求P值小于0.05，否則代表兩變量之間的影響不顯著，需對路徑進(jìn)行刪改。

圖10 換乘方式選擇潛變量模型結(jié)構(gòu)示意圖Fig.10 Structure of transfer mode choice model with latent variables

3.1 MIMIC模型的參數(shù)估計

MIMIC模型的擬合度評價指標(biāo)如表3所示。從表3可以看出，近似均方根誤差（RMSEA）、擬合優(yōu)度指數(shù)（GFI）、卡方值基本符合模型擬合度評價的要求，表明此模型和樣本數(shù)據(jù)的適配情況良好。

表3 結(jié)構(gòu)方程模型擬合指數(shù)Tab.3 Goodness of fit index for structural equation model

表4為MIMIC模型潛變量和個體經(jīng)濟(jì)、社會屬性的參數(shù)估計結(jié)果。由表4可得，教育程度越高的乘客對經(jīng)濟(jì)性的要求越低，對舒適性、快捷性的要求越高。本文以是否擁有私家車來衡量乘客的經(jīng)濟(jì)水平，擁有私家車的乘客（經(jīng)濟(jì)水平較高）對經(jīng)濟(jì)性的要求較低，符合假設(shè)預(yù)期。同時可以看出，出行目的對出行方式選擇的影響顯著，出行目的為公務(wù)出行的乘客，對經(jīng)濟(jì)性的要求顯著更低，對舒適性和快捷性的要求更高。

表4 潛變量參數(shù)估計結(jié)果Tab.4 Parameter estimation results of latent variables

表5為潛變量和指標(biāo)變量的因子載荷系數(shù)。從表5中可以看出其系數(shù)均為較大的正值，由此說明選取的潛變量觀測指標(biāo)對潛變量有著顯著的正向影響。

表5 模型指標(biāo)變量參數(shù)估計結(jié)果Tab.5 Parameter estimation results of index variables

運用主成分分析法和凱撒正態(tài)化最大方差法，對成分矩陣（也稱因子載荷矩陣）進(jìn)行標(biāo)準(zhǔn)化求解，得到潛變量的適配值，見表6。結(jié)果表明，本文引入的主觀心理感受潛變量與個體經(jīng)濟(jì)、社會屬性有顯著關(guān)聯(lián)，選取的可觀測變量可較好地解釋潛變量。

表6 潛變量適配值表達(dá)式的成分矩陣及結(jié)果Tab.6 Component matrix and results of latent variable adaptation expression

3.2 換乘出行方式標(biāo)定結(jié)果

將個體經(jīng)濟(jì)、社會屬性數(shù)據(jù)和廣義出行鏈數(shù)據(jù)進(jìn)行關(guān)聯(lián)后，使用SPSS軟件對混合選擇模型進(jìn)行求解，得到模型參數(shù)的標(biāo)定結(jié)果，見表7。由表7可知，出行目的對乘客出行方式選擇行為的影響顯著，表明公務(wù)出行的群體更傾向選擇出租車出行；出行時間對選擇出租車換乘選擇行為也有顯著正向影響，出行時刻越晚的出行者更傾向于選擇出租車出行；在出行費用方面，出行費用高的傾向選擇出租車出行，出行費用低的更傾向于選擇公共交通出行，與實際情況相符。

表7 換乘混合選擇模型參數(shù)標(biāo)定結(jié)果Tab.7 Parameter calibration results of transfer hybrid choice model

3.3 出行分擔(dān)率估計結(jié)果

將上述模型標(biāo)定的結(jié)果代入離散選擇模型，各種換乘出行方式的分擔(dān)率計算結(jié)果見表8。為了便于對比分析，表中對一次換乘的復(fù)雜出行鏈和簡單出行鏈進(jìn)行了合并，并省略了選擇私家車、網(wǎng)約車以及其他出行方式的分擔(dān)率。

從表8中可以看出，預(yù)測結(jié)果和真實值的絕對誤差基本在3%以內(nèi)，由此可知模型估計的精度較高。

表8 北京南站換乘選擇方式出行分擔(dān)率估計結(jié)果Tab.8 Estimated results of mode splits at beijing south railway station

4 結(jié)論

傳統(tǒng)對綜合交通樞紐出行者換乘選擇行為的推斷，大多基于個體問卷或單一行程數(shù)據(jù)，得到的結(jié)果精度較低，應(yīng)用范圍受限。因此，本文基于多模式交通數(shù)據(jù)，提出了一種綜合考慮出行者心理潛變量、個體經(jīng)濟(jì)、社會屬性以及個體出行鏈出行特性的換乘方式選擇行為模型，對高鐵客運樞紐接駁客流的出行分擔(dān)率進(jìn)行了估計。主要結(jié)論如下：

（1）該模型的本質(zhì)是MIMIC模型和MNL模型結(jié)合的混合選擇模型，經(jīng)樣本數(shù)據(jù)擬合的結(jié)果可以看出，考慮的潛變量（舒適性、快捷性、經(jīng)濟(jì)性）對出行者換乘出行方式的選擇有顯著影響。

（2）通過對上下層模型參數(shù)估計結(jié)果進(jìn)行分析，得到了個體特征、心理潛變量和出行方式之間的相互影響關(guān)系。其中，從潛變量模型標(biāo)定的結(jié)果可以看出，經(jīng)濟(jì)性要求較低的出行者更傾向選擇出租車出行，更不傾向選擇復(fù)雜出行鏈出行，且對舒適度要求較高；從離散選擇模型的標(biāo)定結(jié)果可以看出，出發(fā)時間越晚或出行費用越高的出行者越傾向于選擇出租車出行。

（3）將參數(shù)估計結(jié)果和樣本數(shù)據(jù)帶入下層模型，估計得到高鐵樞紐換乘乘客的出行方式分擔(dān)率，通過與真實值對比，可以看出估計結(jié)果和真實值的絕對誤差在3%以內(nèi)，在可接受范圍內(nèi)。

盡管本文對豐富的多源交通數(shù)據(jù)進(jìn)行了較為充分的應(yīng)用，但由于不同交通方式之間的使用記錄存在數(shù)據(jù)壁壘，如對乘坐公交后打車或騎乘共享單車的乘客無法識別，使得部分出行鏈的構(gòu)建還不夠完整，同時對高鐵客運樞紐換乘方式分擔(dān)率的研究也僅限于公共交通和出租車。因此后續(xù)研究將進(jìn)一步考慮私家車、共享單車等出行數(shù)據(jù)，以豐富乘客廣義出行鏈的構(gòu)成，提高換乘方式分擔(dān)率估計的精度。

作者貢獻(xiàn)聲明：

馬曉磊：研究方案構(gòu)思，整體思路設(shè)計，算法、數(shù)據(jù)處理指導(dǎo)，文稿修改。

劉 兵：研究成果整理，論文書寫，方法梳理，算法設(shè)計。

姚李亮：算法設(shè)計，模型實現(xiàn)，數(shù)據(jù)處理與分析。