随着城市化进程加快，交通系统迅速发展，推动了社会的发展，改善了居民的生活和出行^[1]。居民出行方式和出行行为的复杂多样化，对城市交通结构的构成和交通系统的管理有着重要的影响。研究城市居民出行行为，不仅有利于交通管理和规划，而且有助于缓解人们与交通环境之间的矛盾。

关于居民出行行为研究，现有文献主要集中在常态下的出行方式选择行为研究^[2]。例如，栾鑫等^[3]结合国内特大城市居民出行状况调查(原始数据)，建立混合Logit模型分析居民出行方式选择行为与影响因素之间的相互作用机理；郭季等^[4]将交通供给水平和城市规模作为影响出行方式的因素，构建了居民出行方式选择结构方程模型；景鹏等^[5]将影响通勤出行方式选择行为的各种心理因素引入到传统Logit模型中，以此构建混合选择模型，并利用实证数据验证了模型的准确度；田晟等^[6]利用三参考点多属性决策法分析居民出行方式选择行为；Kitamura^[7]基于出行链对个体出行行为展开研究，指出当个体考虑出行目的时，往往会考虑更多其他活动目的的出行链，从而节约时间、费用成本以达到出行效用最大化。Kuppam和Pendyala^[8]基于特定活动出行调查数据，对中长距离下的出行方式选择进行了研究；Limtanakool等^[9]采用描述性统计及二分变量Logit模型(Binary Logit, BL)建模方法，研究了不同出行目的对出行方式影响。

2020年的新型冠状病毒感染的肺炎疫情(以下简称“新冠肺炎疫情”)是新中国成立以来传播快、范围广、防控难的一次重大突发公共卫生事件。针对这次公共卫生突发事件，相关学者已对新型冠状病毒扩散机理^[10-14]、防疫策略^[15-21]、交通运输应急管理^[22-24]等方面开展了细致研究，而对于非常态时期下(受新冠肺炎疫情影响)居民出行方式选择行为的影响因素研究较为少见。段小丽等^[25]对新冠肺炎疫情期间国内人群交通出行行为展开了数据调查和分析，研究发现了新冠肺炎疫情会影响人群出行频次和交通方式，但并没有对出行方式的影响因素展开实证分析。为此，将针对新冠肺炎疫情发展的3个不同阶段，分别对居民出行方式选择行为及影响因素展开研究，旨在揭示新冠肺炎疫情这类突发公共卫生事件对居民出行方式选择行为的影响机理，为相关管理部门制定科学决策提供支持。

1 居民出行意向数据调查

本次调查分为3个时期：疫情初期、疫情中期及疫情后期，即疫情初期为2019年12月～2020年1月20日，疫情中期2020年1月21日～2月23日，疫情后期2020年2月24日之后^[26]；调查地点为广东省中山市坦洲镇；调查对象为本地常住居民以及本地暂住居民；调查方式主要通过线上问卷调查及线下询问，以出行个体为单位进行居民出行调查；调查内容主要有出行者属性、出行目的、出行时间、出行距离、出行方式。本次抽样调查数据经过筛选得到有效数据样本为318份，被调查的出行者属性分布如图1所示。

调查数据发现，中山市坦洲镇区居民主要出行方式为公共汽车、步行、自行车、汽车、电动车，其他方式(如摩托车)由于样本量小原因，未加以考虑。其中，以公共汽车出行方式为主，比例约为46.9%。除此之外，居民更倾向于汽车出行，比例约为22%，较少选择自行车和电动车出行，出行结构数据如表1所示。

2 出行方式选择的非集计模型

传统的集计模型未从个体属性、家庭状况、社会等因素来考虑个体出行行为特征，而非集计模型主要是从个体交通特性(出行目的、出行距离、时间费用等)和个体属性(性别、年龄、心理特征等)等角度来研究，能比较准确地反映出行者个人的出行方式选择过程^[27]。非集计模型是基于随机效用理论和效用最大化理论建立的离散选择模型，即假设在特定条件下，出行者在出行时总是会选择效用值最大的选择肢。根据随机效用理论，将效用视作为一个随机函数，通常将效用函数分为固定项函数和随机项函数两部分组成^[28]，如式(1)所示。

$ {U}_{k}={V}_{k}+{\varepsilon }_{k} $

(1)

式(1)中， $ {V}_{k} $ 为出行者选择第 $ k $ 个方案的效用函数固定项； ${\varepsilon }_{k}$ 为出行者选择第 $ k $ 个方案的效用函数随机项。 $ {V}_{k} $ 可用线性函数来表示，即

$ {V}_{k}={\beta }_{0}+{\beta }_{1}{X}_{1}+{\beta }_{2}{X}_{2}+\cdots +{\beta }_{n}{X}_{n} $

(2)

其中， $\; {\beta }_{0}$ ， $\; {\beta }_{1}$ ， $ \cdots,\;{\beta }_{n} $ 为待估计参数； $ {X}_{1} $ ， $ {X}_{2} $ ， $ \cdots,\; {X}_{n} $ 为出行者选择第 $ k $ 种方案的显著影响因素。

非集计模型最常见的两个离散选择模型为多元Logit模型和多元Probit模型。为避免Logit模型独立不相关特性(IIA特性)对出行方式选择行为研究的影响，采用由多元Logit模型演变而来的Nested Logit模型，即考虑选择肢间存在相关性。Nested Logit模型(NL模型)又称为分层Logit模型，根据选择肢特性以及各个选择肢间的相互关系，将选择方案分层，每层选择代表一个水平，同一层内的各个方案之间不具有相关性。Nested Logit模型在考虑方案分层时，会将相似性较大的选择方案划分为同一个层级，反之则划分为不同层级，其结构图如图2所示。

在Nested Logit模型中，上层方案的效用一般受下层方案的效用影响和该层方案本身因素的影响。在进行模型预测时，一般先确立虚拟选择肢，然后确立选择肢。而模型标定是从底层开始，先对选择肢分析，并将底层影响因素总效用值Logsum作为上层模型的变量，与上层模型的其他变量一起进行参数标定。Logsum变量为底层影响因素总效用值，将其作为影响上层方案的一个影响因素，反映了上下层模型是否紧密联系，是Nested Logit模型判断是否合理的一个重要指标^[29]。其表达式为

$ {\rm{Logsum}} = {\rm{ln}}\left( {\sum {{{\rm{e}}^{{V_k}}}} } \right) $

(3)

式(3)中， $ {V}_{k} $ 为下层选择 $ k $ 方案的效用函数固定项。

Nested Logit模型以时空限制理论为基本理论，以个体为调查单位，考虑从出行者个人属性因素角度来研究居民出行特征。基于效用最大化理论和随机效用理论建立数学模型，能最大程度拟合居民出行情况，能更加准确分析居民出行方式选择行为影响因素。

3 出行方式选择Nested Logit模型 3.1 模型构建

Nested Logit模型建模流程如图3所示。首先确定选择方案及其影响因素，构建模型分层。然后，利用数据统计软件(Statistical Product and Service Solutions, SPSS)确立显著影响因素，从而确立效用函数表达式。采用非线性回归法求出底层各个方案效用函数 $ \beta $ 系数，求出效用函数，从而求得Logsum变量值。最后，将Logsum变量值引入上层方案，运用SPSS进行模型显著影响因素研究。

3.2 选择肢和影响因素确定

根据居民出行状况的调查，将Nested Logit模型分为两层，如图4所示。模型上层分为公共交通方式和私人交通方式，其中公共交通方式主要指公共汽车出行方式。原因是所调查的区域目前还没有轨道交通，居民出行主要选择公共汽车这一种公共交通工具。私人交通方式下层分为步行、自行车、汽车和电动车。

将影响因素分为出行者属性和出行特性，其中，出行者属性主要包括出行者性别、年龄、职业、经济状况及是否拥有汽车；出行特性包括出行目的、出行时间和出行距离。为方便建模分析，将上述这些影响因素进行变量定义，如表2所示。

3.3 模型参数标定

以疫情初期阶段下居民出行调查数据为例，将下层方案的4种私人交通方式(步行、自行车、汽车、电动车)作为因变量，性别、年龄、职业、个人经济状况、是否拥有汽车、出行目的、出行时间和出行距离作为出行方式选择模型的解释变量，借助SPSS软件进行多元Logistic回归分析，其模型的主要影响参数估计结果如表3所示。

根据模型参数表，可知下层方案的显著性影响因素。利用SPSS软件通过非线性回归法对效用函数系数进行求解，即将所有实证数据迭代入效用函数方程中，求得最符合方程的X变量β系数。其结果为

$ {V}_{\text{步行}}=0.82{X}_{2}-0.009{X}_{3}-0.129{X}_{8}+0.193 $

(4)

$ {V}_{\text{自行车}}=0.126{X}_{1}-0.062{X}_{2}-0.099{X}_{8}+0.48 $

(5)

$ {V}_{\text{汽车}}={X}_{2}+0.297{X}_{5}-0.094{X}_{8}-0.697 $

(6)

$ {V}_{\text{电动车}}=-0.004{X}_{2}-0.202{X}_{3}-0.034{X}_{8}+0.338 $

(7)

将效用函数代入式(3)中可求得Logsum变量值，将Logsum变量作为一个新的影响居民出行方案选择因素引入上层方案中，通过SPSS进行上层模型显著因素研究，结果如表4所示。

根据Logsum变量值一栏中的“显著性”值小于0.05，表明Logsum变量对于该模型整体存在显著影响，即说明模型上下层存在关联性，该双层Logit模型构建合理，对实证数据拟合度高。

4 模型结果分析

利用SPSS软件分别针对疫情初期、疫情中期、疫情后期的居民出行方式选择行为建模分析，并将显著影响居民出行方式选择的影响因素B值汇总，如表5所示。

(1) 公共汽车出行方式选择行为影响因素分析。

如表5所示，疫情初期，出行者是否拥有汽车、经济状况、出行目的、出行时间和出行距离都对公共汽车出行方式选择行为具有显著影响。根据B值的绝对值大小可知影响因素的显著程度，即在影响因素组中，是否拥有汽车对公共汽车出行方式选择行为影响程度最高(负相关)，其次是出行距离(正相关)、出行时间(负相关)、经济状况(负相关)、出行目的(负相关)。具体影响关系为：家庭没有汽车或者出行距离较远的情况下，居民出行更容易选择公共汽车出行；家庭经济状况一般或出行时间较短的情形下，出行者越容易选择公共汽车出行。此外，出行目的为上班或上学的出行者更倾向于公共汽车出行。

疫情中期，年龄与出行目的对公共汽车出行方式选择影响显著(正相关)。原因可能是随着疫情大面积爆发，出于安全考虑，停工、停课、居家隔离等管控措施开始实施，居民出行随之发生变化。从年龄上来看，年龄较大(30~60岁)的出行者外出活动人数比例较高，出行目的一般为购物或日常采购。

与疫情初期相比，疫情后期为出行者的年龄、是否拥有汽车、经济状况和出行目的对公共汽车出行方式选择行为影响最为显著，而出行时间和出行距离不再显著影响。究其原因是疫情后期，国内疫情趋于稳定和可控，逐渐开始复工复产和开学，此时出行需求主要集中在上班和上学，这两者的出行距离和出行时间相对固定，因此出行距离和出行时间对公共交通方式选择影响不再显著。

(2) 步行出行方式选择行为影响因素分析。

疫情初期，出行者年龄、是否拥有汽车、出行距离对步行出行方式选择行为影响最为显著。根据B值系数绝对值排序，影响最为显著的因素为是否拥有汽车，其次是出行距离和年龄。具体影响关系为：拥有汽车的人选择步行出行的比例大于选择电动车出行(参照电动车)，年龄越大的出行者更倾向选择步行出行；出行距离较远的情况下，出行者越不容易选择步行出行。

疫情中期，出行者是否拥有汽车和出行距离对步行出行方式选择行为影响显著，而出行者年龄不再显著影响。而在疫情后期，年龄和经济状况对步行出行方式选择有显著影响，而且这些影响因素在不同时期下对居民步行出行行为影响效用存在明显变化，比如出行距离相比疫情初期对于步行出行的影响更加显著。不难理解，由于疫情缘故，居民出行主要为短距离出行，短距离出行交通方式中主要以步行为主。

年龄项在疫情中期不再作为步行出行行为显著影响因素。原因是受疫情影响，大部分居民出行为短距离出行且出行时间较短，而且交通管控措施开始实施，此时步行成为各个年龄段出行者的主要出行方式，故疫情中期年龄对于步行方式选择行为影响不再显著。据调查数据显示，疫情后期步行出行选择比例上升，主要表现为低年龄段的人选择步行出行比例明显增多，故年龄项又再次显著影响步行出行方式的选择。经济状况对步行方式选择有显著影响，具体表现为低收入家庭更倾向步行出行。

(3) 自行车出行方式选择行为影响因素分析。

疫情初期，性别、年龄和出行距离对于自行车出行方式选择行为影响显著。具体影响表现为：男性相对女性更愿意自行车出行；年龄小的出行者相对于年龄大的越容易选择自行车出行；出行距离越大，自行车出行对出行者的吸引力相比步行方式更强。

疫情中期，年龄、职业、出行目的及出行距离对于自行车出行选择行为都具有相关性，例如，年龄小的出行者相对于年龄大的出行者越容易选择自行车出行；出行距离越大，自行车出行对居民出行方式选择吸引力就越大。与疫情初期相比，性别因素不再作为显著因素，这是因为疫情情况下，自行车在长距离出行需求上的竞争力明显增强，此时男女都倾向选择自行车出行，从而造成性别对自行车出行方式选择行为影响较小。疫情后期，自行车出行方式选择主要影响因素仅为年龄项。

(4) 汽车出行方式选择行为影响因素分析。

疫情初期，年龄、经济状况及出行距离对于汽车出行方式的选择行为影响显著。经济状况越好，或出行距离越远，对选择汽车出行有很大的影响。调查数据显示，随出行距离增大，汽车出行选择比例逐渐增大，尤其当出行距离大于20 km时，汽车出行会成为主要的出行方式。

疫情中期，经济状况和出行距离对于居民选择汽车出行有显著影响。受疫情影响，出行者会更偏向汽车出行来取代公交等容易产生交叉感染新冠病毒的出行方式，使得这些出行者选择汽车出行比例增大，经济状况在汽车方式选择行为上产生显著影响。疫情后期，影响汽车出行方式选择的显著性因素与疫情初期相同，而且这些影响因素的影响程度更加明显。

(5) 电动车出行方式选择行为影响因素分析。

疫情初期，是否拥有汽车、出行距离和年龄对于电动车出行方式的选择行为影响显著。具体表现为：没有汽车的出行者更倾向选择电动车出行；出行距离对于电动车出行方式选择是正相关关系，出行者由于体力原因，出行距离越大，相对步行出行越容易选择电动车出行；年龄较小的出行者相对年龄较大的越容易选择电动车出行。

疫情中期，年龄因素不再作为显著影响因素，出行距离对电动车出行选择具有更强的相关性。疫情后期，经济状况会显著影响电动车出行方式选择，其它的显著性因素与疫情初期相同，而且同一影响因素的影响程度有所增强。

5 结论

利用非集计理论对疫情影响下居民出行方式选择行为影响因素展开研究，得到了在不同疫情阶段下的居民出行方式选择行为与影响因素之间的关系，具体表现为：

(1) 疫情初期，出行距离为影响居民出行方式选择的主要因素，对于各个交通方式选择都存在显著影响，这是因为不同的出行方式有不同适宜的出行距离。年龄和是否拥有汽车对于大部分交通方式选择也都存在显著影响。因此，在疫情初期，可考虑对出行者的出行距离或活动范围进行有效管控，减少居民以公共汽车或汽车为出行方式的长距离出行，从而降低疫情传播风险，对疫情中后期的控制可起到关键作用。

(2) 疫情中期，影响居民出行方式选择行为的因素出现了较大变化，即显著性影响因素减少、影响程度变大，如影响公共汽车出行方式选择的因素仅为年龄与出行目的。因此，在疫情中期，可以根据居民出行目的灵活设置公共汽车运营策略，例如需求响应式运营策略，减少因骤减的居民出行需求而带来的不利影响。

(3) 疫情后期，居民出行方式选择行为的影响因素与疫情初期大致相同，但影响程度会发生变化。

综上，居民出行方式选择行为影响因素在新冠肺炎疫情不同阶段有很大不同，而且这些因素的影响效用与疫情严重程度有显著关系。在制定疫情防控策略或开展流行病学调查时，可以适当考虑疫情不同阶段下的出行方式的选择行为进行有效研究^[25]。