年高速铁路系统对城市间出行行为的影响

下面给出了详细的模型规范。3.1 RP/SP组合目的地和模式选择模型在RP/SP组合目的地和模式选择模型中，我们认为，数据偏好可以用随机效用模型建模。具体而言，RP和SP情况下的效用函数假设如下：= + (1)= + （2） 在哪里和是分别用于选择目的地din RP和SP情况的实用程序的可观察组件，以及和是分别在RP和SP情况下选择目的地d的实用程序的错误组件。同样，模式选择模型的效用函数定义如下：= +  （模式    )(3)= +   （模式mε)（4） 在哪里和是可观察的组件，和是RP和SP情况下的错误组件，以及和分别是RP和SP选择上下文中可用的选项。我们进一步指定了实用程序的可观察组件和具体如下：= +  （5） 出行生成模型目的地选择模型模式选择模型对数总和可访问性……。。OiDj OiDdMode 1模式2模式m……。。Oi OjLower levelHigher level图1城市间出行需求模型的嵌套结构（由Koppelman（1989）和Yao and Morikawa（2005）修订）=   + （6） 在哪里和是解释变量的向量，和是要估计的未知参数向量，和是与目的地d关联的logsum参数，以及和是基于从起点到终点的一组可用旅行模式服务水平定义的对数和变量（或包含值）。

我们进一步规定,  ,  和具体如下：=经验值()1+经验()(7)= 自然对数 经验值(8)=经验值()1+经验()(9)= 自然对数 经验值（10） 在哪里和是解释变量的向量，以及是未知参数的向量。我们还假设和定义如下：= + (11)= (+ )（12） 在哪里和是公共属性向量；和和分别是RP和SP数据的特定属性向量。是调整RP和SP模型之间误差分量标准偏差差异的比例参数。个人RP和SP选择的联合概率可以描述为：() =   |(13)() =   （14） 在哪里和分别是在RP和SP ChoiceContext中选择目的地d的概率，以及|和|是在RP和SP choi ce cont ext s分别给定目的地和SP choi ce cont ext s的情况下选择travelmode m的条件概率，,  |和|定义如下：=经验值()经验值()(15)|=经验值经验值(16)=经验值()经验值()(17)|=经验值()经验值()（18） RP和SP组合模型的对数似然函数为：ln()= ln公司()+ ln公司()（19） 其中()andln公司()分别是RP和SP数据的l o g-似然函数，定义如下：ln= 自然对数(|)()（20） ln公司= 自然对数(|)()（21）其中()和()是单个n选择调制解调器在RP（SP）选择上下文中移动到目的地d的虚拟变量。3.2出行生成模型采用泊松回归模型对出行生成进行建模。

解释变量为个性化特征和可达性指数，这是基于RP/SP组合预测和模式选择模型计算的。在泊松回归模型中，出行次数被建模为泊松随机变量，发生概率为()=  !（22）其中是个人i的旅行次数，以及参数化如下：ln()= （23）其中是的参数哪个是-th解释变量。从文献和实践中都知道，通过使用可接受性度量，从原始区域i到目标区域j，个体的预期最大效用  =   自然对数经验值()（24）其中是否为原点i设置了目标备选方案，以及是选择目的地j（ijD）的实用函数∈).因此，所提出的嵌套结构允许我们通过测量可达性，即诱导行程，捕捉添加新出行模式和提高服务水平对出行生成的影响。请注意，该模型只能捕获短终点行程。为了捕捉增加新出行模式和提高服务水平的长期影响，需要对土地使用的变化（如住宅位置和设施位置）进行建模。4、数据为进行调查设计了一份综合问卷，其中包括显示偏好（RP）和陈述偏好（SP）问题。问卷包括两个主要部分：在RP部分，要求受访者填写过去一年所有城市间出行的出行日记；然而，当高铁可用时，SP部分是为收集旅行者的预期模式和目的地选择而精心定制的。该调查于2011年进行，涵盖了河内（越南）的所有地区，包括城市核心区、城市环线和副城市地区。

受访者在设计的地点随机挑选，采访者进行面对面的调查。选择在南北走廊有城际旅行经历的人来回答一整套问卷，而其他人只被问及他们的社会人口特征。在RP部分，受访者被要求根据三个目的填写出行信息，包括始发地和目的地、出行成本、出行时间、进出时间等。对于非商务旅行，还要求提供旅行团的信息。在SP调查中，采访者首先向受访者介绍和描述HS R。然后给被调查者一组问卷，其中每个旅行模式的假设属性，如旅行成本、旅行时间和服务频率，都有系统的变化。由于其地理和旅游特点，拟建高铁路线沿线的目的地分为七个区域。解释变量包括区域特征以及模式选择嵌套的最大效用的对数和变量。当前情况下可用的模式有城际巴士、常规铁路、常规航空公司、L CCs和汽车。在SP设计中，汽车不包括在长途（LD）旅行的选择范围内。中长途商务旅行的SP调查选择集包括传统航空公司、LCC和高铁，因为旅行成本由旅行者组织支付。对于SP调查s的非商务旅行，HSR被添加到当前所有其他可用模式的选择集中。表1和表A（附录A）分别显示了调查数据汇总和数据特征汇总。5、模型估计和结果5.1模式选择和目的地选择模型稳定1。

调查数据摘要business non businessMode choiceDestination choiceMode choice&Destination choiceNumber of tripRPSP2432（608）1216（608）Destination choiceNumber of Individual注：受访者人数见括号。出差和非出差模型的估计结果分别见表2和表3。我们可以确认，拟合优度（即ρ平方）非常高，大多数解释变量和对数和变量的参数在95%的水平上具有统计显著性，所有参数都具有预期符号。详细讨论如下。5.1.1商务旅行模型估算结果在本研究中，目的地被定义为一组相邻的省/市（见附录B）。由于缺乏辅助数据，仅将目的地的总GRP用作目的地变更的解释变量f。估算的商务旅客人数具有统计学意义，反映了GRP水平对商务旅客目的地选择的影响。RP数据模型的尺度参数小于1，这意味着SP数据比RP数据具有更多的噪声。关于出行方式的选择，结果表明，出行成本、车内出行时间、出入时间都有负面影响，即价格越便宜、出行时间越短，用户选择该出行方式的可能性越大。所有这些参数都具有统计学意义。所有的虚拟变量都代表了ORP对SP的影响是显著的，这与之前的研究一致。这意味着SP中模式的选择受到实际行为的高度影响。

对于常数项，公共汽车和传统铁路的负参数表明，如果所有其他变量都相同，商人有权开车旅行。然而，相反的情况适用于航空公司和高铁，因为这些参数有积极的迹象。可以直观地理解，访问和访问时间的值比车辆行程时间的值大。职业（如果是ZF官员，则为1人；如果是办公室职员，则为0人）；教育程度（如果是大学或以上学历，则为1人；如果是有车的，则为1人；否则为0人）；以及汽车拥有情况（如果是有车的，则为1人）；作为θ的解释变量。对于具有大学或以上学历、收入较高的年轻ZF官员、官员和商务人士，商务旅行的目的地选择对他们的方式选择有很大影响。汽车拥有者对他们的出行模式更加独立，因此会产生负面影响。5.1.2非商务旅行模型估计结果从估计结果中可以看出，目的地吸引力参数是静态显著的，该参数由游客数量来衡量。可以肯定的是，游客很可能会带着更多的游客前往目的地，这可以用社会互动的效果来解释。受访者可能认为，游客人数较多的目的地比其他目的地更有吸引力。由于每个地区的游客吸引力的变化，夏季假期的夏季变量参数随着季节的影响而变化。研究发现，游客更有可能前往3区、4区和7区，那里有很多家庭海滩。也许，游客可能对温带地区更感兴趣，因为受访者所在地位于夏季非常炎热的河内。

以传统旅游和历史旅游著称的Z ones 2和Z ones 5对旅游者在暑假期间的目的地选择有负面影响。在当前情况下，旅游景点的响应体验或感知对SP目的地选择有相当大的影响。换言之，旅行者对现有旅游资源的了解在统计上影响着未来旅游目的地的位置。此外，结果表明，访问6区和8区的游客很可能再次光临，这可以通过这些地区的各种游客吸引来区分。游客可以看到寺庙、城堡、历史遗迹、遗址、古墓和其他过去遗留下来的景点，以及一些年度节日，以及6区美丽的海滩和度假村。另一方面，除了数十处历史名胜、自然景点外，8区还以购物、餐饮和休闲中心而闻名。高收入家庭旅游者的目的地选择更多地受到旅游方式服务水平的影响，而劳动人口则表现出相反的趋势。对于出行方式选择模型，发现交通成本和车内出行时间对出行方式选择有负面影响。代表RPon SP模式选择影响的参数有积极的迹象，并且具有统计学意义，这意味着旅行者倾向于用他们经历过的模式重复他们的选择行为。这项实证研究提供了所述偏好对所示偏好影响的证据。收入对公共汽车和常规铁路用户的负面影响参数表明，如果其他变量相同，收入相同的游客有选择汽车的偏好。

而收入较高的旅客可能会选择航空公司或高铁forTable 2商务模式选择和目的地选择的估计结果TripExplantive variablesParameter（显著水平）Destinat i on choice Log of Total GRP（1060万il VND）RP0。