基于非集计MNL模型的城际铁路需求预测_李莉

铁道运输与经济 RAILWAY TRANSPORT AND ECONOMY

旅客运输

文章编号：1003-1421(2013)04-0061-03 中图分类号：U293.1+3；U293.5 文献标识码：B

基于非集计 模型的MNL 城际铁路需求预测

Forecast of Intercity Railway Demand based on Disaggregated MNL Model

李 莉，丁宏飞，李斯达

LI Li, DING Hong-fei, LI Si-da

（西南交通大学 交通运输与物流学院，四川 成都 610031）

(School of Transportation and Logistics, Southwest Jiaotong University, Chengdu 610031, Sichuan, China)

摘 要：在分析城际铁路客流预测常用方法的基础上，提出有效反映个人出行特征的城际铁路需求预测模型——非集计MNL模型。采用行为调查/意向调查(RP/SP)的出行调查数据对该模型的参数进行标定，并实现模型求解。以成渝通道为例，依据模型参数估计和客运量预测，探讨该预测方法的可操作性，根据个人的出行行为特征进行较为合理的出行预测。关键词：城际铁路；非集计模型；需求预测

Abstract: Based on analyzing the common forecast method of intercity railway passenger flow, this paper puts forward the forecast model of intercity railway demand—the disaggregated MNL model, which could effectively reflect the individual travelling characteristics. By using the travelling investigation data of RP/SP, the model parameter is demarcated and the model solution is realized. Taking Chengdu-Chongqing Corridor as example and according to the estimation of the model parameter and forecast of passenger transport volume, the paper discusses the maneuverability of the forecast method and takes reasonable travelling forecast according to the characteristics of individual travelling activities.

Key Words: Intercity Railway; Disaggregated Model; Demand Forecast

旅客运输

铁道运输与经济 基于非集计 模型的城际铁路需求预测 李 莉 等MNL

随

着城市化进程的加快，城际铁路在城市群客

担率预测模型——非集计 MNL 模型[6]。

运系统中扮演的角色日益突出，亟需客流预

测的准确性、可靠性。目前，城际客流预测的理论与方法主要来源于城市客流预测的理论与方法，根据模型使用的数据类型可以分为集计与非集计模型，其中“四阶段”预测为集计模型的典型代表。卢斌基于灰色预测模型实现经济、人口量预测，而客流预测则采用四阶段法[1]。曾曦等重新定义了效用函数从而实现方式划分[2]。另外，Takagi Kiyoharu 等将应用于新干线运输需求预测的典型需求预测模型 MD ( Modal Demand ) 模型用于京沪高速铁路城际旅客需求预测的研究[3]。Miller 等基于对城际铁路需求问题的探究，对模型改进进行方向上的指引[4]。非集计模型在城际客流预测上的应用处于起步阶段，目前 MNL ( 多元 Logit )、NL ( 分层Logit ) 模型集中应用于市内交通方式的客流预测，何明等采用 MNL 模型实现苏州市内交通方式划分[5]。城际铁路作为区域运输通道内新型的交通方式，在准确把握其客流形成机理的基础上，选取恰当的预测方法进行预测，是城际铁路研究的一个重要方向。

2 非集计MNL模型需求预测

2.1 效用函数

根据随机效用理论可知，效用是一个随机变量，可表达为：

Uin = Vin + εin

K

⑴

式中：Vin 为效用函数固定项；εin 为效用函数随机项。

Vin = ∑ θk Xink

k = 1

⑵

式中：Xink 表示出行者 n 选择第 i 种交通方式的第 k 个特性变量；θk 为第 k 个特性变量对应的参数；K 为特性变量的个数。

非集计模型的理论基础是为理性的出行者寻求“效用最大化”，即出行者根据自身的价值判断，进行其所认为的最优方案选择。即

) ⑶Pin = Prob ( Uin＞Ujn，i≠j，i、j∈An

式中：Pin 为出行者 n 选择 i 方式出行的概率；An 为交通方式集合。

在 Logit 模型中假定随机项 εin 服从二重指数分布，由此可导出：

Pin = eV / ∑ eV = 1 / ∑ eV-V

in

jn

in

jn

1 城际铁路需求预测方法比选

城际铁路需求预测的方法一般采用城市交通规划中的“四阶段法”，但这种方法仍存在不足之处。首先，“四阶段法”起源于城市交通规划，在进行城市群区域城际铁路客运量预测时，考虑市区与区域间人口密集程度、用地开发强度等均存在较大差异，因此在进行小区划分时，采用统一的标准并不可取；其次，将“四阶段法”移植到铁路研究领域，其应用的对象已经改变，是否科学合理尚有待考究；再次，集计模型较非集计模型而言，需要的数据量大，但集计处理后的信息丢失，既存在严重的信息浪费，又不能真实地反映个体出行行为特征，从经济学角度来看，其投入产出效率不如非集计模型。因此，通过选用非集计模型，根据个人的出行行为特征，可以进行城际铁路需求预测。

在假设区域内出行总量已经获得的情况下，根据城市群区域通道中交通方式和路径之间的依赖性，将交通方式划分与客流分配相结合，提出基于行为调查 / 意向调查 ( RP / SP ) 的路径-方式综合分

j∈ Anj∈ An

j∈ An

⑷

式中：i、j 表示第 i 或 j 种交通方式，Vin、Vjn 表示出行者 n 选择第 i 或 j 种交通方式的效用固定项。2.2 特性变量选择

在出行决策中，最重要的 2 个因素是出行者个人条件及经济约束和选择方案特性。为此，形成了选择方案效用函数的 2 类主要变量，即选择方案特性变量和出行者特性变量。选择方案特性变量选取具有代表性的时间、费用、便捷性；出行者特性变量考虑年龄、收入、汽车保有量。

城际干线交通方式一般包括城际铁路、公路长途运输 ( 大巴 )、私家车。 2.3 数据收集与处理

鉴于城际出行行为属于低频率行为，因此在进行城际客流调查时，通常在客流通道内进行。采用选择方案抽样法，将调查重心集中在公路收费站、城际铁路车站和汽车站，以便于从实际出行的人群中进行抽样，从而使调查效率高于家庭访问法、电

基于非集计 模型的城际铁路需求预测 李 莉 等MNL

旅客运输

铁道运输与经济

话调查法等。

对于个人出行特性变量、私家车和公路大巴出行方案特性变量采用 RP 调查获得，包括汽车保有量、年龄、收入，小汽车与公路大巴的出行时间、费用 ( 票价或出行费 ) 和便捷性，而针对城际铁路的部分相关特性变量则采用 SP 调查法。将 2 种调查法获得的数据应用于公式 ⑷ 中，从而实现参数标定。为了更好地估计未知参数集合，需要对一些数据进行以下处理。

（1）票价。票价取值为实际购票价格。（2）出行费用。出行费用取值为燃料费加过路费。（3）时间。时间为到达时刻减去出发时刻。（4）便捷性。便捷性分为 3 个等级：1 表示较差，3 表示一般，5 表示很好。

（5）年龄。年龄分为 3 个阶段：第一阶段为20 ( 含20 )～25 岁，第二阶段为 25 ( 含25 )～55 岁，第三阶段为 55 岁及以上。

（6）收入。收入分为 5 个等级，1 级：＜2 000元，2 级：2 000 ( 含2 000 )～3 000 元，3 级：3 000 ( 含 3 000 )～4 000 元，4 级：4 000 ( 含 4 000 )～5 000 元，5 级：≥5 000 元。

（7）汽车保有量。汽车保有量取值为实际拥有辆数。

将数据导入 TransCAD 中实现模型求解[7]。2.4 个体出行方式选择概率的集计处理

预测的最终目的是获得交通方式的选择概率，仅获得个体交通方式的选择概率对预测的意义不大。因此，需要对交通方式选择概率进行以下计算。

1N

P ( i ) = — ∑ Pin

Nn = 1

样本量。

⑸

式中：P ( i )表示第 i 种交通方式的选择概率；N 为

3 算例分析

以成渝通道为例，仅考虑该通道内 3 种竞争激烈的交通方式：成遂渝城际铁路、公路 ( 大巴 )、高速公路 ( 私家车 )。成都—重庆间存在的路径方式可以分为成渝城际列车—成遂渝铁路、成渝营运大巴—规定的公路线路、私家车—高速公路。

在变量设置时，由于交通方式的选择概率 Pin

主要与出行方案效用值间的差值相关，为确保任意 2个出行方案的效用差值中均包含所选取的变量，采用表 1 中的形式。表 1 中 0 和 1 分别表示变量取值为 0 或 1，其余则表示取变量的实际值。

然后，根据公式 ⑷ 进行方式划分，将出行调查数据导入 TransCAD 进行模型求解，最终的求解结果如表 2 所示。

根据表 2 的参数估计值可知，模型中时间和费用对应的参数估计值为负，表示对效用的贡献值为负值，与实际情况吻合；同时所选用的 12 个参数的 T 检验值绝对值均大于 1.96，因此可以认为这些因素对方式的选择影响显著。

最后，根据成渝间日均客流量：2011 年成都—重庆为 14 884 人，重庆—成都为 14 919 人。利用公式 ⑷ 和公式 ⑸，可得各交通方式的分担情况为：营运大巴 25.6%，城际列车 52.6%，私家车 21.8%。

表 模型的特性变量选择1 MNL

选择方案特性变量

效用

固有哑元变量Xin1

V1n

( 城际铁路 )V2n

( 高速公路 )V3n( 公路 )参数

100

Xin2010

出行费Xin3

0X2n30

票价Xin4X1n40X3n4

变量

时间Xin5X1n5X2n5X3n5

便捷性Xin6X1n6X2n6X3n6

汽车保有Xin7

0X2n70

出行者特性变量年龄Xin8X1n800

年龄Xin90X2n90

收入Xin10X1n1000

收入Xin110X2n110

θ1

θ2θ3θ4θ5θ6θ7θ8θ9θ10θ11

( 下转第73页 )

基于SCP分析的我国快递业市场结构调整研究 商丽景 等

管理创新

铁道运输与经济

快递业申请经营许可的条件，适当提高注册资本。

参考文献：

[1] 段宗训. 中国快递业发展现状及发展趋势分析[J]. 企业导

4 结束语

运用 SCP 理论分析了我国快递业的市场结构、市场行为、市场绩效三者之间的关系。由于我国快递业市场集中度低，使快递企业间价格竞争激烈，导致我国快递企业利润低、技术创新不足。因此，有必要对我国快递产业市场结构做出调整，通过对快递业的产业扶持、企业重组兼并的推动、产品差别化程度和进入壁垒的提高，使我国快递业的市场结构趋于合理化。( 上接第63页 )

表 模型参数估计值2 MNL 参数大巴出行费用城际列车出行费用小汽车出行费用

年龄汽车保有量大巴出行时间城际列车出行时间小汽车出行时间

收入大巴便捷性城际列车便捷性小汽车便捷性

估计值-15.955-21.834-13.6980.4613.999-7.055-9.289-5.8100.4760.3150.5440.960

T值-2.217-3.386-2.9182.3635.381-4.383-4.216-2.9394.5282.0124.6145.741

报，2013(3)：94-106.

[2] 赵亚卿，庄佳芳. 基于电子商务下的民营快递企业发展问

题与策略[J]. 物流科技，2011(8)：61-63.

[3] 周晓利. 电子商务飞速发展背景下快递业发展探讨[J]. 企业

经济，2012(5)：110-113.

收稿日期：2013-02-21责任编辑：金 颖

对出行者个体出行方式的集计处理进行必要的研究，寻求最佳的集计处理方法。

参考文献：

[1] 卢 斌. 广珠城际铁路客流量预测研究[J]. 长沙铁道学院学

报：社会科学版，2010，11(4)：196-198.

[2] 曾 曦，王慈光. Logit模型的改进及其在客流分担率预

测中的应用——以成渝城际铁路为例[J]. 长沙交通学院学报，2007，23(4)：50-53.

[3] Kiyoharu Takagi，Ryujiro Yamagishi，Li Qun Ren.Demand

Forecast for China High-speed Railway[C]. //Kelvin C. P. Wang，Guiping Xiao and Jialun Ji. Traffic and Transportation Studies (2000). Reston：American Society of Civil Engineers，2000：899-909.

[4] Miller，Eric J. The Trouble with Intercity Travel Demand

Models[C]. // Statewide Multimodal Transportation Planning Committee. Transportation Research Record. Toronto：National Research Council，2004：94-101.

[5] 何 明，过秀成，冉江宇，等. 基于非集计 MNL 模型的

轨道交通方式预测[J]. 交通运输系统工程与信息，2010，10(2)：136-142.

[6] 罗 霞，李德刚，高世廉. 区外旅客的“路径-方式”综合

分担模型[J]. 西南交通大学学报，2006，41(5)：554-559.[7] 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.收稿日期：2012-11-22修订日期：2012-12-25

基金项目：四川省科技支撑计划资助项目(2011FZ0050)责任编辑：何 莹

因此，成渝间城际列车承担的客运量约为：成都—重庆 7 830 人 / d，重庆—成都 7 850 人 / d。其结果与实际客运量 ( 成都—重庆 8 016 人 / d；重庆—成都8 016 人 / d ) 比较吻合。

4 结束语

采用非集计 MNL 模型能够利用出行费用、时间、年龄、收入等数据，实现城际铁路客流预测。结合成渝城际客流预测，综合考虑各出行个体的交通行为更具有现实性，取得了较好的预测结果。因此，该路径-方式综合分担率的非集计模型作为城际铁路客流预测的一种方法，在充分考虑出行者个性特征和出行方案特性的基础上，预测分析更为合理。同时，为了使模型预测结果更加准确，可以针

本文来源：https://www.bwwdw.com/article/ct04.html