基于交通信息的通勤出行链模式选择行为
张华歆+张丽杰
摘要：为探索通过智能手机等通信工具随时随地获得的交通信息对居民通勤出行链模式选择行为的影响，采用RP（Revealed Preference）调查获取出行者的社会经济属性、交通信息使用属性以及通勤出行链模式选择行为数据，用信息查询频率度量出行者的交通信息使用属性，建立估计通勤出行链模式的二项Logit模型.研究发现：（1）交通信息在促进复杂链的生成上发挥着较大的作用；（2）在交通信息的作用下，停车换乘（Park and Ride，P&R）方式比公共交通和小汽车都更能促进复杂链的生成；（3）出行者的性别、婚姻状态、家中是否有12周岁以下儿童等对出行链模式选择不会有显著影响.
关键词：通勤； 出行链模式选择； 交通信息； 二项Logit模型； RP调查
中图分类号： U491.122
文献标志码： A
Abstract：To discuss the impact of traffic information that can be obtained anywhere at any time through smart phones on commuters trip chain pattern choice behavior， RP （Revealed Preference） survey is adopted to collect the commuters sociodemographic attributes， traffic information attributes and trip chain pattern choice data. The traffic information attributes are measured by the information query frequency. A binary Logit model is built to quantify the commuters trip chain pattern choice. It shows that： （1） the traffic information plays a great role in promoting the generation of complex chain； （2） the travel mode of Park & Ride（P&R）is more likely to promote the generation of complex chain under the traffic information than the public and private transport modes； （3） the commuters gender， marital status andwhether there are children under the age of 12 in their family dont have a significant impact on their trip chain pattern choice.
Key words：commuting； trip chain pattern choice； traffic information； binary Logit model； Revealed Preference （RP） survey
0引言
随着城市空间不断扩张，居民的出行目的越来越多元化，出行范围不断扩大，出行结构也越来越复杂.为节省出行时间和费用，使出行效用达到最大化，尤其在上海这样的特大城市，越来越多的出行者倾向于在一天出行中完成多次活动，即出行行为表现为出行链的形式.
出行链是指以家为起点和终点将居民一天中各种目的的出行按发生顺序联接起来所形成的若干闭合链[1]，其中包含大量的时间、空间、方式和活动类型信息，能反映出行决策机制[2].ALDER等[3]应用效用理论建立非工作出行的出行链模式多项式Logit（Multinomial Logit， MNL）模型；HENSHER等[4]分别利用MNL、巢式Logit（Nested Logit， NL）和随机参数Logit（Random Parameter Logit，RPL）模型分析出行链对出行者出行选择行为的影响，认为小汽车使得出行链成为阻碍公共交通发展的一个因素；YE等[5]利用2000年瑞士居民出行小型普查数据，使用递归联立离散选择模型，对简单链、复杂链与出行方式选择之间的相互关系进行研究；
SCHMCKER等[6]运用统计分析和有序Probit模型（Ordered Probit Model）方法，利用伦敦交通调查数据研究65岁以上老人的出行链模式选择问题.
随着移动互联网技术的高速发展，智能手机、平板电脑和车载GPS导航等信息通信工具得到广泛应用，无线网络覆盖区域日益扩大，诸多交通信息查询APP软件（百度地图等）不断普及，使得出行者随时随地查询交通信息成为可能.
目前，通过移动互联网技术可获得的交通信息主要包括：路径导航信息，公交（地铁）换乘信息，电子地图，公交（地铁）发车间隔、到站信息，分时段路况信息等.尽管上述交通信息仍属于静态交通信息的范畴，但因为其获取受时空限制小，非常便利快捷，所以也可能促使出行者的活动模式发生改变，进而导致出行链选择行为的变化，其影响主要体现在不断规划和调整单次出行，整体上表现为出行链模式和结构的改变.
在交通信息对出行行为影响方面：TSENG等[7]通过RP（Revealed Preference）调查，以智能手机为接收实时信息的载体，应用离散选择模型研究实时交通信息对单次出行决策的影响；赵丹等[8]采用效用理论和多阶段决策方法，建立通勤者单日内以家为起点和终点的出行链选择行为动态规划模型；干宏程等[910]应用离散选择模型研究突发交通事件和行程时间波动对驾驶员择路行为的影响.
上述研究中，关于出行链模式选择的研究都未考虑交通信息带来的影响，同时在交通信息对出行行为的影响方面，多数也仅以单次出行为研究对象，而对出行链模式选择行为的研究，鲜有深入的探讨.本文以通勤出行链为主要研究对象，考虑上述交通信息作用下具有不同社会经济属性的个体在出行链模式选择行为中呈现的特征，理清出行者选择简单链和复杂链的内在机理，为制定合理的交通信息诱导策略提供依据.
1通勤出行链模式选择RP调查
1.1通勤出行链模式选择及其影响因素
一个出行链中可以包含多次出行活动，根据出行链中活动的次数，将出行链分为简单链和复杂链（见图1）.通勤者如果在一天的工作出行中不链接其他活动，则称该出行链为简单链；如果通勤者在一天的工作出行中链接其他活动，则称该出行链为复杂链.[11]
在安排工作日的出行活动时，选择简单链或是复杂链是通勤者需要面对的重要决策.交通信息对不同属性个体的影响有差异，表现为其出行行为呈现不同的特点和差异.反之，不同属性个体对交通信息的接纳态度和查询习惯等也有诸多不同.因此，有必要将上述两方面的因素均作为出行链模式选择的重要影响因素.综上，概括出通勤出行链模式选择影响因素，见表1.表1中，将从不查询交通信息看作是对交通信息不
满意.此次调查中，各种通勤出行方式的分担率结果见表2.
本文研究的出行链均以家为起点和终点.基于家的出行链（Home Based Trip Chain）会有多次出行方式选择， 即一次出行必有一次方式选择.[12]由于一次出行链中所使用的交通方式通常为多种，换乘关系相对复杂，根据出行使用交通方式的机动性强弱、共享性强弱确定其优先级别.[13]
根据文献[13]，依据调查现状，表2中各出行方式的优先级别从高至低依次为小汽车、停车换乘、公共交通、单位班车、摩托车、非机动车.定义通勤出行链的出行方式采用最高优先级别的出行方式.如某人上下班是小汽车出行，中午外出午餐和下午外出公务均为步行出行，最后以小汽车方式回到家，由于小汽车和步行两种出行方式中小汽车的优先级别最高，则该条通勤出行链的出行方式为小汽车.
可见，在此次调查中公共交通、小汽车、停车换乘、非机动车等4种出行方式分担率之和为94.14%，因此可以认为这4种通勤出行方式可以代表总体出行方式.由于摩托车和单位班车这两种方式的比例很低，因此后面进行参数估计时，把摩托车并入非机动车方式，把单位班车并入公共交通方式.
1.2通勤出行链模式选择RP调查数据统计
采用RP调查，通过路边现场调查、网络不记名在线调查、委托问卷公司调查等3种方式，面向上海地区的居民进行出行链模式选择行为调查.共收集问卷650份，剔除明显信息不准确问卷223份，得到有效问卷427份，有效回收率为65.7%.
3种调查方式的问卷数和有效问卷数分布情况见表3.该调查覆盖上海多个区域，具体见表4.在427份调查样本中，各不同变量的样本数和百分比见表5.
由表4和5可知，样本的区域分布和性别分布能较好地覆盖通勤出行者群体.被调查的通勤者年龄为18～57岁，平均年龄33.06岁，年龄标准偏差为8.92岁.2010年第6次全国人口普查资料显示，上海劳动适龄人口平均年龄为35.46岁.由于移动互联网技术多为青年群体接受，本次调查的样本群体呈现年轻化特点，但与劳动适龄人口平均年龄相差不大.因此，可以认为样本的年龄分布覆盖大部分受移动互联网技术影响的通勤群体，对于模型估计有一定的变异程度，数据采集符合研究要求.
将调查样本中的年龄、私家车数、家庭月收入和出行方式等4种因素与交通信息的查询频率、复杂链模式选择结果进行交叉对比分析，得到表6.
由表6可知，通过智能手机等工具随时随地获得的静态交通信息会对通勤者的出行模式产生影响，而对不同年龄、不同收入、不同通勤出行方式等人群的影响却不尽相同，主要表现在：（1）年轻的出行者相比中老年出行者，在通勤出行过程中查询交通信息的比例更高，采用复杂链模式出行的比例也显著提高；（2）有私家车家庭的出行者对交通信息的需求更大，采用复杂链模式出行的比例也比没有私家车家庭的出行者更高；（3）高收入群体相比低收入群体，更多人会查询交通信息，并倾向于选择复杂链模式出行；（4）停车换乘出行方式的数量虽然占总样本量的比例不高，但其交通信息查询比例和采用复杂链模式出行的比例在4种出行方式中最高.
2出行链模式选择模型
2.1出行链模式离散选择模型
离散选择分析方法以随机效用理论为基础，假设作为行为主体的决策者总是从拥有多种选择方案中选择效用最大的选择项.[14]本研究中出行者的通勤出行链模式选择是二元选择，即在简单链与复杂链中选其一，因此本文采用离散选择模型家族中的二项Logit（Binary Logit， BL）模型进行多变量分析，量化通勤出行链模式选择与出行者社会经济属性和交通信息使用属性之间的关系.
2.2模型估计结果分析
采用NLogit 5.0进行参数估计，从上述427份问卷中，以简单链为基准，在每份问卷中提炼出表1中的21个变量信息，得到出行者通勤复杂链选择参数和模型总体拟合结果，见表7和8.
由表7的参数估计结果发现，X1，X4，X5，X19，X20， X21的显著性检验效果明显不好，因此剔除这些变量，重新采用NLogit 5.0进行参数估计，得到的参数和总体拟合结果见表9和10.
表9中15个变量里9个变量显著性检验效果良好，其中X14，X16的检验结果较接近显著性检验标准（10%）.模型总体的拟合度由McFadden决定系数和Chi平方检验评估.由表10可见，McFadden决定系数为0.259 37，Chi平方检验的显著性水平达到0.000，对于现实数据的实证研究，这个估计结果已达到较高的拟合程度，由此可得出以下结论：
（1）交通信息在促进复杂链的生成上发挥着较大的作用.根据表8，越频繁查询交通信息的出行者，越倾向于选择复杂链出行方式.这是因为在出行前及出行途中，如果能非常便利地得到准确的交通出行信息，则出行成本（包括出行时间和费用）相对比较容易控制，出行链的各次出行也能得到更合理的安排，出行者也就更有意愿去参加其他非工作活动，从而催生相应的出行需求.这与RP调查的统计结果也一致.
（2）停车换乘出行方式更能促进复杂链的生成.公共交通、小汽车和停车换乘与非机动车方式相比，均能促进复杂链的生成；而停车换乘却比前两种方式发挥着更大的作用.这是因为上海地域范围太大，居民出行的距离一般都比较长，全公交出行会在行程时间和便利性上带来负效用，而全小汽车出行又会产生较多的出行费用.因此，在充分掌握交通信息的前提下，停车换乘是一个可兼顾行程时间可控性、便利性以及节省费用的较好选择.可见制定合理的交通信息诱导政策，对于部分出行由小汽车转向公共交通会起到较好的推动作用.
（3）出行者的性别、婚姻状态、家中是否有12周岁以下儿童对通勤出行链模式选择并不会有显著影响，这是与其他研究结果的不同之处.以往研究发现，男性比女性更倾向于选择复杂链[11，15]、有小孩的出行者更愿意选择复杂链[4，11，15]、已婚出行者比单身出行者更多地选择复杂链[1].本研究却发现这3个因素并没有太大影响，主要原因可能是现在女性在承担社会压力和家庭责任方面已经与男性无太大差异，并且信息化时代下人们的生活日益丰富，无论是单身还是已婚居民，家庭结构的复杂化并不会抑制其活动需求，因而其对通勤出行链模式选择的影响并不大.
（4）年轻人比年长者更倾向于选择复杂链模式.相对年长者而言，年轻人对新生事物接纳程度更高，获得交通和生活信息的能力更强，生活方式更加多元化，体力精力也更加旺盛，在上下班途中会更频繁地链接其他活动.
（5）拥有私家车的家庭更倾向于选择复杂链模式.与公共交通相比，私家车非常灵活，舒适性也相对较高，在促进复杂链的生成上发挥着积极的作用，这与现有研究结论[1，4，11，16]相一致.
（6）通勤距离过长会抑制复杂链的生成.上下班出行的距离过长（>30 km），需要耗费出行者大量的时间，也会产生更多的出行费用，出行者自然不会有更多的时间和精力在上下班途中再参加更多其他的非工作活动.
（7）高收入者更倾向于选择复杂链模式.在上下班途中链接其他活动不仅会带来出行费用的提高，同时也会衍生出其他各种消费.高收入者拥有更多的渠道掌握充分的交通和生活信息，也就会激发更多的活动需求，从而带来更多的出行需求；相反，低收入者因财力的限制，会简化生活方式，采用简单链出行模式.
（8）上班时间晚对复杂链的生成有弱的促进作用，而下班时间早则没有显著影响.这或许是因为复杂链的生成很大部分是因为城市空间范围的扩大，以及信息化时代下居民生活方式的改变.而较有弹性的上下班时间在促进复杂链生成上的作用则仍显微弱.
3结论
利用RP调查获取上海居民出行链模式选择行为数据，应用离散选择分析方法对通勤出行链模式选择行为进行建模，建立通勤出行链模式选择与出行者的社会经济属性、交通信息使用属性关系的BL模型，实证研究主要结论有：
交通信息在促进复杂链的生成上发挥着较大的作用；
停车换乘（P&R）出行方式相比公共交通和小汽车更能促进复杂链的生成；出行者的性别、婚姻状态、家中是否有12周岁以下儿童对通勤出行链模式选择没有显著影响；年轻人、家庭有私家车以及高收入出行者更倾向于选择复杂链模式；
上班时间早晚对复杂链的选择没有显著影响.
本文研究在一定程度上揭示交通信息对不同社会经济属性个体的出行行为的影响差异，以及居民通勤出行链模式选择倾向性的一般规律.
本文应用的BL模型是在假设所有的出行者都是同质的基础上建立的，这有一定的片面性.下一步的研究将改进BL模型，放宽出行者同质性的假设，通过收集RP和SP（意向行为，Stated Preference）融合数据，建立RPL模型.
参考文献：
[1]杨敏， 陈学武， 王炜， 等. 通勤出行简单链和复杂链的选择行为研究[J]. 武汉理工大学学报： 交通科学与工程版， 2008， 32（2）： 191194.
[2]DILUM D， TAKAYUKI M. Household travel behavior in developing countries： nested Logit model of vehicle ownership， mode choice， and trip chaining[J]. Transportation Res Record， 2002， 1805： 4552.
[3]ALDER T， BENAKIVA M. A theoretical and empirical model of trip chaining behavior[J]. Transportation Res B， 1979， 13（3）： 243257.
[4]HENSHER D A， REYES A J. Trip chaining as a barrier to the propensity to use public transport[J]. Transportation， 2000， 27： 341361.
[5]YE X， PENDYALA R M， GOTTARDI G. An exploration of the relationship between mode choice and complexity of trip chaining patterns[J]. Transportation Res B， 2007， 41： 96113.
[6]SCHMCKER J D， SU F， NORLAND R B， et al. An analysis of trip chaining among older London resident[J]. Transportation， 2010， 37： 105123.
[7]TSENG Y Y， KNOCKAET J， VERHOEF E T. A revealedpreference study of behavioral impacts of realtime traffic information[J]. Transportation Res C， 2013， 30： 196209.
[8]赵丹， 卲春福， 岳昊. 多方式诱导信息对通勤者出行链的动态影响模型[J]. 西南交通大学学报， 2013， 48（2）： 368375.
[9]干宏程. 突发交通事件信息影响下交通网络行为微观计量分析[J]. 上海理工大学学报， 2011， 33（4）： 345349.
[10]干宏程， 叶昕. 行程时间波动性对路径选择影响的离散选择分析[J]. 交通运输系统工程与信息， 2010， 10（1）： 140144.
[11]饶秋丽. 商务中心区通勤者出行链和方式选择行为研究[D]. 大连： 大连理工大学， 2011.
[12]高峰， 郭彦云， 陈金川. 基于出行链方式的私人小汽车出行属性分析方法研究[J]. 交通运输系统工程与信息， 2011， 11： 132139.
[13]FRANK L， BRADLEY M， KAVAGE S， et al. Urban form， travel time and cost relationship with tour complexity and mode choice[J]. Transportation， 2008， 35（1）： 3745.
[14]关宏志. 非集计模型——交通行为分析的工具[M]. 北京： 人民交通出版社， 2004： 1018.
[15]PRIMERANO F， TAYLOR M A P， PITAKSRINGKAM L， et al. Defining and understanding trip chaining behaviour[J]. Transportation， 2008， 35：5572.
[16]GRAHAM C， ALEXA D. Exploring the trip chaining behaviour of public transport users in Melbourne[J]. Transport Policy， 2011， 18（1）： 204210.
（编辑赵勉）
摘要：为探索通过智能手机等通信工具随时随地获得的交通信息对居民通勤出行链模式选择行为的影响，采用RP（Revealed Preference）调查获取出行者的社会经济属性、交通信息使用属性以及通勤出行链模式选择行为数据，用信息查询频率度量出行者的交通信息使用属性，建立估计通勤出行链模式的二项Logit模型.研究发现：（1）交通信息在促进复杂链的生成上发挥着较大的作用；（2）在交通信息的作用下，停车换乘（Park and Ride，P&R）方式比公共交通和小汽车都更能促进复杂链的生成；（3）出行者的性别、婚姻状态、家中是否有12周岁以下儿童等对出行链模式选择不会有显著影响.
关键词：通勤； 出行链模式选择； 交通信息； 二项Logit模型； RP调查
中图分类号： U491.122
文献标志码： A
Abstract：To discuss the impact of traffic information that can be obtained anywhere at any time through smart phones on commuters trip chain pattern choice behavior， RP （Revealed Preference） survey is adopted to collect the commuters sociodemographic attributes， traffic information attributes and trip chain pattern choice data. The traffic information attributes are measured by the information query frequency. A binary Logit model is built to quantify the commuters trip chain pattern choice. It shows that： （1） the traffic information plays a great role in promoting the generation of complex chain； （2） the travel mode of Park & Ride（P&R）is more likely to promote the generation of complex chain under the traffic information than the public and private transport modes； （3） the commuters gender， marital status andwhether there are children under the age of 12 in their family dont have a significant impact on their trip chain pattern choice.
Key words：commuting； trip chain pattern choice； traffic information； binary Logit model； Revealed Preference （RP） survey
0引言
随着城市空间不断扩张，居民的出行目的越来越多元化，出行范围不断扩大，出行结构也越来越复杂.为节省出行时间和费用，使出行效用达到最大化，尤其在上海这样的特大城市，越来越多的出行者倾向于在一天出行中完成多次活动，即出行行为表现为出行链的形式.
出行链是指以家为起点和终点将居民一天中各种目的的出行按发生顺序联接起来所形成的若干闭合链[1]，其中包含大量的时间、空间、方式和活动类型信息，能反映出行决策机制[2].ALDER等[3]应用效用理论建立非工作出行的出行链模式多项式Logit（Multinomial Logit， MNL）模型；HENSHER等[4]分别利用MNL、巢式Logit（Nested Logit， NL）和随机参数Logit（Random Parameter Logit，RPL）模型分析出行链对出行者出行选择行为的影响，认为小汽车使得出行链成为阻碍公共交通发展的一个因素；YE等[5]利用2000年瑞士居民出行小型普查数据，使用递归联立离散选择模型，对简单链、复杂链与出行方式选择之间的相互关系进行研究；
SCHMCKER等[6]运用统计分析和有序Probit模型（Ordered Probit Model）方法，利用伦敦交通调查数据研究65岁以上老人的出行链模式选择问题.
随着移动互联网技术的高速发展，智能手机、平板电脑和车载GPS导航等信息通信工具得到广泛应用，无线网络覆盖区域日益扩大，诸多交通信息查询APP软件（百度地图等）不断普及，使得出行者随时随地查询交通信息成为可能.
目前，通过移动互联网技术可获得的交通信息主要包括：路径导航信息，公交（地铁）换乘信息，电子地图，公交（地铁）发车间隔、到站信息，分时段路况信息等.尽管上述交通信息仍属于静态交通信息的范畴，但因为其获取受时空限制小，非常便利快捷，所以也可能促使出行者的活动模式发生改变，进而导致出行链选择行为的变化，其影响主要体现在不断规划和调整单次出行，整体上表现为出行链模式和结构的改变.
在交通信息对出行行为影响方面：TSENG等[7]通过RP（Revealed Preference）调查，以智能手机为接收实时信息的载体，应用离散选择模型研究实时交通信息对单次出行决策的影响；赵丹等[8]采用效用理论和多阶段决策方法，建立通勤者单日内以家为起点和终点的出行链选择行为动态规划模型；干宏程等[910]应用离散选择模型研究突发交通事件和行程时间波动对驾驶员择路行为的影响.
上述研究中，关于出行链模式选择的研究都未考虑交通信息带来的影响，同时在交通信息对出行行为的影响方面，多数也仅以单次出行为研究对象，而对出行链模式选择行为的研究，鲜有深入的探讨.本文以通勤出行链为主要研究对象，考虑上述交通信息作用下具有不同社会经济属性的个体在出行链模式选择行为中呈现的特征，理清出行者选择简单链和复杂链的内在机理，为制定合理的交通信息诱导策略提供依据.
1通勤出行链模式选择RP调查
1.1通勤出行链模式选择及其影响因素
一个出行链中可以包含多次出行活动，根据出行链中活动的次数，将出行链分为简单链和复杂链（见图1）.通勤者如果在一天的工作出行中不链接其他活动，则称该出行链为简单链；如果通勤者在一天的工作出行中链接其他活动，则称该出行链为复杂链.[11]
在安排工作日的出行活动时，选择简单链或是复杂链是通勤者需要面对的重要决策.交通信息对不同属性个体的影响有差异，表现为其出行行为呈现不同的特点和差异.反之，不同属性个体对交通信息的接纳态度和查询习惯等也有诸多不同.因此，有必要将上述两方面的因素均作为出行链模式选择的重要影响因素.综上，概括出通勤出行链模式选择影响因素，见表1.表1中，将从不查询交通信息看作是对交通信息不
满意.此次调查中，各种通勤出行方式的分担率结果见表2.
本文研究的出行链均以家为起点和终点.基于家的出行链（Home Based Trip Chain）会有多次出行方式选择， 即一次出行必有一次方式选择.[12]由于一次出行链中所使用的交通方式通常为多种，换乘关系相对复杂，根据出行使用交通方式的机动性强弱、共享性强弱确定其优先级别.[13]
根据文献[13]，依据调查现状，表2中各出行方式的优先级别从高至低依次为小汽车、停车换乘、公共交通、单位班车、摩托车、非机动车.定义通勤出行链的出行方式采用最高优先级别的出行方式.如某人上下班是小汽车出行，中午外出午餐和下午外出公务均为步行出行，最后以小汽车方式回到家，由于小汽车和步行两种出行方式中小汽车的优先级别最高，则该条通勤出行链的出行方式为小汽车.
可见，在此次调查中公共交通、小汽车、停车换乘、非机动车等4种出行方式分担率之和为94.14%，因此可以认为这4种通勤出行方式可以代表总体出行方式.由于摩托车和单位班车这两种方式的比例很低，因此后面进行参数估计时，把摩托车并入非机动车方式，把单位班车并入公共交通方式.
1.2通勤出行链模式选择RP调查数据统计
采用RP调查，通过路边现场调查、网络不记名在线调查、委托问卷公司调查等3种方式，面向上海地区的居民进行出行链模式选择行为调查.共收集问卷650份，剔除明显信息不准确问卷223份，得到有效问卷427份，有效回收率为65.7%.
3种调查方式的问卷数和有效问卷数分布情况见表3.该调查覆盖上海多个区域，具体见表4.在427份调查样本中，各不同变量的样本数和百分比见表5.
由表4和5可知，样本的区域分布和性别分布能较好地覆盖通勤出行者群体.被调查的通勤者年龄为18～57岁，平均年龄33.06岁，年龄标准偏差为8.92岁.2010年第6次全国人口普查资料显示，上海劳动适龄人口平均年龄为35.46岁.由于移动互联网技术多为青年群体接受，本次调查的样本群体呈现年轻化特点，但与劳动适龄人口平均年龄相差不大.因此，可以认为样本的年龄分布覆盖大部分受移动互联网技术影响的通勤群体，对于模型估计有一定的变异程度，数据采集符合研究要求.
将调查样本中的年龄、私家车数、家庭月收入和出行方式等4种因素与交通信息的查询频率、复杂链模式选择结果进行交叉对比分析，得到表6.
由表6可知，通过智能手机等工具随时随地获得的静态交通信息会对通勤者的出行模式产生影响，而对不同年龄、不同收入、不同通勤出行方式等人群的影响却不尽相同，主要表现在：（1）年轻的出行者相比中老年出行者，在通勤出行过程中查询交通信息的比例更高，采用复杂链模式出行的比例也显著提高；（2）有私家车家庭的出行者对交通信息的需求更大，采用复杂链模式出行的比例也比没有私家车家庭的出行者更高；（3）高收入群体相比低收入群体，更多人会查询交通信息，并倾向于选择复杂链模式出行；（4）停车换乘出行方式的数量虽然占总样本量的比例不高，但其交通信息查询比例和采用复杂链模式出行的比例在4种出行方式中最高.
2出行链模式选择模型
2.1出行链模式离散选择模型
离散选择分析方法以随机效用理论为基础，假设作为行为主体的决策者总是从拥有多种选择方案中选择效用最大的选择项.[14]本研究中出行者的通勤出行链模式选择是二元选择，即在简单链与复杂链中选其一，因此本文采用离散选择模型家族中的二项Logit（Binary Logit， BL）模型进行多变量分析，量化通勤出行链模式选择与出行者社会经济属性和交通信息使用属性之间的关系.
2.2模型估计结果分析
采用NLogit 5.0进行参数估计，从上述427份问卷中，以简单链为基准，在每份问卷中提炼出表1中的21个变量信息，得到出行者通勤复杂链选择参数和模型总体拟合结果，见表7和8.
由表7的参数估计结果发现，X1，X4，X5，X19，X20， X21的显著性检验效果明显不好，因此剔除这些变量，重新采用NLogit 5.0进行参数估计，得到的参数和总体拟合结果见表9和10.
表9中15个变量里9个变量显著性检验效果良好，其中X14，X16的检验结果较接近显著性检验标准（10%）.模型总体的拟合度由McFadden决定系数和Chi平方检验评估.由表10可见，McFadden决定系数为0.259 37，Chi平方检验的显著性水平达到0.000，对于现实数据的实证研究，这个估计结果已达到较高的拟合程度，由此可得出以下结论：
（1）交通信息在促进复杂链的生成上发挥着较大的作用.根据表8，越频繁查询交通信息的出行者，越倾向于选择复杂链出行方式.这是因为在出行前及出行途中，如果能非常便利地得到准确的交通出行信息，则出行成本（包括出行时间和费用）相对比较容易控制，出行链的各次出行也能得到更合理的安排，出行者也就更有意愿去参加其他非工作活动，从而催生相应的出行需求.这与RP调查的统计结果也一致.
（2）停车换乘出行方式更能促进复杂链的生成.公共交通、小汽车和停车换乘与非机动车方式相比，均能促进复杂链的生成；而停车换乘却比前两种方式发挥着更大的作用.这是因为上海地域范围太大，居民出行的距离一般都比较长，全公交出行会在行程时间和便利性上带来负效用，而全小汽车出行又会产生较多的出行费用.因此，在充分掌握交通信息的前提下，停车换乘是一个可兼顾行程时间可控性、便利性以及节省费用的较好选择.可见制定合理的交通信息诱导政策，对于部分出行由小汽车转向公共交通会起到较好的推动作用.
（3）出行者的性别、婚姻状态、家中是否有12周岁以下儿童对通勤出行链模式选择并不会有显著影响，这是与其他研究结果的不同之处.以往研究发现，男性比女性更倾向于选择复杂链[11，15]、有小孩的出行者更愿意选择复杂链[4，11，15]、已婚出行者比单身出行者更多地选择复杂链[1].本研究却发现这3个因素并没有太大影响，主要原因可能是现在女性在承担社会压力和家庭责任方面已经与男性无太大差异，并且信息化时代下人们的生活日益丰富，无论是单身还是已婚居民，家庭结构的复杂化并不会抑制其活动需求，因而其对通勤出行链模式选择的影响并不大.
（4）年轻人比年长者更倾向于选择复杂链模式.相对年长者而言，年轻人对新生事物接纳程度更高，获得交通和生活信息的能力更强，生活方式更加多元化，体力精力也更加旺盛，在上下班途中会更频繁地链接其他活动.
（5）拥有私家车的家庭更倾向于选择复杂链模式.与公共交通相比，私家车非常灵活，舒适性也相对较高，在促进复杂链的生成上发挥着积极的作用，这与现有研究结论[1，4，11，16]相一致.
（6）通勤距离过长会抑制复杂链的生成.上下班出行的距离过长（>30 km），需要耗费出行者大量的时间，也会产生更多的出行费用，出行者自然不会有更多的时间和精力在上下班途中再参加更多其他的非工作活动.
（7）高收入者更倾向于选择复杂链模式.在上下班途中链接其他活动不仅会带来出行费用的提高，同时也会衍生出其他各种消费.高收入者拥有更多的渠道掌握充分的交通和生活信息，也就会激发更多的活动需求，从而带来更多的出行需求；相反，低收入者因财力的限制，会简化生活方式，采用简单链出行模式.
（8）上班时间晚对复杂链的生成有弱的促进作用，而下班时间早则没有显著影响.这或许是因为复杂链的生成很大部分是因为城市空间范围的扩大，以及信息化时代下居民生活方式的改变.而较有弹性的上下班时间在促进复杂链生成上的作用则仍显微弱.
3结论
利用RP调查获取上海居民出行链模式选择行为数据，应用离散选择分析方法对通勤出行链模式选择行为进行建模，建立通勤出行链模式选择与出行者的社会经济属性、交通信息使用属性关系的BL模型，实证研究主要结论有：
交通信息在促进复杂链的生成上发挥着较大的作用；
停车换乘（P&R）出行方式相比公共交通和小汽车更能促进复杂链的生成；出行者的性别、婚姻状态、家中是否有12周岁以下儿童对通勤出行链模式选择没有显著影响；年轻人、家庭有私家车以及高收入出行者更倾向于选择复杂链模式；
上班时间早晚对复杂链的选择没有显著影响.
本文研究在一定程度上揭示交通信息对不同社会经济属性个体的出行行为的影响差异，以及居民通勤出行链模式选择倾向性的一般规律.
本文应用的BL模型是在假设所有的出行者都是同质的基础上建立的，这有一定的片面性.下一步的研究将改进BL模型，放宽出行者同质性的假设，通过收集RP和SP（意向行为，Stated Preference）融合数据，建立RPL模型.
参考文献：
[1]杨敏， 陈学武， 王炜， 等. 通勤出行简单链和复杂链的选择行为研究[J]. 武汉理工大学学报： 交通科学与工程版， 2008， 32（2）： 191194.
[2]DILUM D， TAKAYUKI M. Household travel behavior in developing countries： nested Logit model of vehicle ownership， mode choice， and trip chaining[J]. Transportation Res Record， 2002， 1805： 4552.
[3]ALDER T， BENAKIVA M. A theoretical and empirical model of trip chaining behavior[J]. Transportation Res B， 1979， 13（3）： 243257.
[4]HENSHER D A， REYES A J. Trip chaining as a barrier to the propensity to use public transport[J]. Transportation， 2000， 27： 341361.
[5]YE X， PENDYALA R M， GOTTARDI G. An exploration of the relationship between mode choice and complexity of trip chaining patterns[J]. Transportation Res B， 2007， 41： 96113.
[6]SCHMCKER J D， SU F， NORLAND R B， et al. An analysis of trip chaining among older London resident[J]. Transportation， 2010， 37： 105123.
[7]TSENG Y Y， KNOCKAET J， VERHOEF E T. A revealedpreference study of behavioral impacts of realtime traffic information[J]. Transportation Res C， 2013， 30： 196209.
[8]赵丹， 卲春福， 岳昊. 多方式诱导信息对通勤者出行链的动态影响模型[J]. 西南交通大学学报， 2013， 48（2）： 368375.
[9]干宏程. 突发交通事件信息影响下交通网络行为微观计量分析[J]. 上海理工大学学报， 2011， 33（4）： 345349.
[10]干宏程， 叶昕. 行程时间波动性对路径选择影响的离散选择分析[J]. 交通运输系统工程与信息， 2010， 10（1）： 140144.
[11]饶秋丽. 商务中心区通勤者出行链和方式选择行为研究[D]. 大连： 大连理工大学， 2011.
[12]高峰， 郭彦云， 陈金川. 基于出行链方式的私人小汽车出行属性分析方法研究[J]. 交通运输系统工程与信息， 2011， 11： 132139.
[13]FRANK L， BRADLEY M， KAVAGE S， et al. Urban form， travel time and cost relationship with tour complexity and mode choice[J]. Transportation， 2008， 35（1）： 3745.
[14]关宏志. 非集计模型——交通行为分析的工具[M]. 北京： 人民交通出版社， 2004： 1018.
[15]PRIMERANO F， TAYLOR M A P， PITAKSRINGKAM L， et al. Defining and understanding trip chaining behaviour[J]. Transportation， 2008， 35：5572.
[16]GRAHAM C， ALEXA D. Exploring the trip chaining behaviour of public transport users in Melbourne[J]. Transport Policy， 2011， 18（1）： 204210.
（编辑赵勉）
