65
YUNSHUSHICHANG 2007/
7
高速铁路客运量预测是项目规划和建设的依据, 也是经济效益计算的基础。
目前常用的高速铁路客运量预测方法是四阶段法,其中最主要的方式划分预测又基本采用了Logit 模型。
但由于Logit模型存在的某些特性会在一定程度上影响预测的准确性,因此在应用四阶段法进行预测时,必须分析和掌握这种特性, 以便选择适当的高速铁路客运量预测方法。
目前大部分高速铁路客运量预测所采用的预测方法(包括京沪高速铁路客运量预测主要由以下两部分内容组成:
一是以社会经济变量(各交通小区的GDP或人口和阻抗变量(各交通小区间的广义价格作为自变量预测研究区域内特征年度总的旅客 OD 交流量,预测一般采用重力模型;
二是用一个涉及多种运输方式的选择模型确定现有运输方式和新的高速铁路的出行份额和出行量,而且所有方式的出行份额加总为 100%。
典型地,用于方式选择的是一个多元的 Logit 模型。
然而,由于 Logit 模型的非相关选择方案独立特性(IIA, 高速铁路的预测运量必须直接与现有方式间的运量份额比值成正比关系,因而使预测结果的准
确性降低, 这也是该方法最主要的缺陷。
如果不进行改进, 该方法的模型运行结果就会出现如下情况:当一种现有运输方式本身占有较高的份额时,高速铁路从中得到的转移到运量份额也随之较高。
例如,假设任意两个区域间的出行 50%是由
小汽车完成的,则采用该方法预测将会得到 50%的高速铁路运量份额是从小汽车转移过来的。
分析我国现状的客流组成,这一情况实际上是不可能发生的。
为了减少非相关选择方案独立特性所产生的问题,某些预测采用了另外一种方法。
该方法也是首先预测各种运输方式的合计 OD 客流量,然后用一个多层的Logit 模型(NL来确定高速铁路和其他相关方式的市场份额。
多层 Logit 模型
高速铁路客运量预测方法选择
□张康敏刘晓青
66
YUNSHUSHICHANG
2007/
7
通过一种树状结构将选择方案分为若干层次, 其中同一层次的方案类似性较大, 而不同类型的方案则作为不同层次, 这样就解决了模型误差项的独立同分布性,即 IIA 问题。
该方法的另一个特点是可以根据选择方案对高速铁路的影响分别进行处理。
例如,小汽车的份额较低, 可以将其从常用的运输方式中分离出来作为独立的选择方案子集。
此外,这种模型结构还可以分析不同运输方式在时间和票价
上的优势。
例如,乘坐长途公共汽车和常规铁路的旅客对票价的敏感度高于对时间的敏感度, 而民航乘客则相反,对时间的敏感度更高。
将这些运输方式放入不同的选择集, 即可准确预测各自的市场份额, 并避免彼此间的相互影响。
由此看出, 采用这一方法首先必
须建立合理的选择树, 即确定对高速铁路影响较大的现有运输方式, 例如民航和常规铁路, 而这又是与影响最小的方式例如小汽车发生相互作用的。
然后通过计算不同层的广义价格变量(或 log-sum 变量得到运输方式的市场份额,其中 log-sum 变量是由各运输方式的服务水平组成的。
但该方法的应用主要有两个问题:
1.log-sum 的函数形式比较复
杂,故其参数标定不易得到准确结
果, 而多层的选择方案又增加了构造log-sum 变量和参数标定的难度。
虽然也可采用较为简单的全有全无法,
特别是在计算小汽车向高速铁路的转移率时,但受方法本身原理的限制,
有时会得到来自小汽车的高速铁路转移率为 0,致使高速铁路运量的预测
结果偏低。
2. 用log-sum变量计算运输方式
的转移率时,各层选择方案的嵌套系
数并没有改变旅行时间和费用组成部分的基本关系,而这些组成部分的数
值又决定了人们对不同运输方式的偏好。
例如, 如果出行时面临小汽车、民航、长途公共汽车或常规铁路等运输方式,人们要在这些方式的时间、费
用和方便性之间做出不同的选择,因
此必须采用不同的模型预测从这些现有方式上转移到高速铁路的出行量。
总之, 第二种方法基本解决了非
相关选择方案独立特性问题, 因而总
体上优于第一种方法, 但在处理运输
方式选择的多样性方面还存在一定缺
陷。
随出行目的(例如公务和非公务出行而变化,这一方法也注意到:面对高速铁路的出现人们也会表现出不同的选择行为。
这是因为现有方式,例如小汽车和其他常用运输方式的出行具有广泛的时间价值和需求弹性, 而且对方便性和灵活性的处理也不相同。
由于本方法认为现有的出行者已经揭示或表现出了他们选择可能的运输方式的偏好, 因此对于每一种方式和出行目的的市场份额, 惟一需要做的是确定出行者在给定服务水平条件下转移到高速铁路的百分比。
此外,这种
针对以上两种方法的不足, 本文
提出了一种高速铁路客运量预测方
法。
它的主要过程是首先预测每一种
现有运输方式的出行量, 然后用不同
的方式选择模型确定每一现有运输方
式转移到高速铁路上的出行份额, 即
这一份额是高速铁路和现有运输方式
的相对服务特征和其他因素的函数。
正如人们普遍意识到个体选择行为会
方法还可以检查函数形式和区别每一市场划分的变量定义, 而前两种方法是做不到这一点的。
在非相关选择方案独立特性上, 由于这一方法没有用一个统一的模型描述所有选择方案, 而是将每一方案与高速铁路进行比较,然后分别计算转移运量,因而不受非相关选择方案独立特性的影响。
本文提出的高速铁路客运量预测方法包括以下 3个步骤:
1.首先应用直接需求模型预测
特定时间段每一现有方式的总出行
67
YUNSHUSHICHANG 2007/7
量,预测模型需要输入的变量包括 O 点和 D 点的人口水平或社会经济发展水平以及 OD 点之间每一出行者所能够选择的现有运输方式的服务水平。
基于总出行量需求模型以及各种输入变量(例如人口、收入和服务水平的发展变化,即可预测现有每一运输方式在没有高速铁路情况下未来年度的出行量。
2.预测现有运输方式转移到高速铁路的出行量份额, 其中对于每一现有的运输方式和出行目的必须采用不同的关系表达式。
这一部分内容的预测变量包括 OD 对间每一现有运输方式和预计的高速铁路进站时间、出站时间和干线旅行时间,O D 对间每一现有运输方式和预计的高速铁路进站费用、出站费用和干线旅行费用, 每一现有运输方式和预计的高速铁路服务频率和终点作业时间, 高速铁路相对于每一现有运输方式的其他服务特征效应。
如前所述, 本方法所采用的关键研究成果是当面对应用高速铁路的选择或机会时,原计划乘坐民航、铁路和小汽车的人们会表现出不同的出行行为。
这就意味着同样的高速铁路选择将在现状和未来的民航、小汽车和铁路用户之间得到不同的转移比例。
如果出行者已经揭示或表现出这些不同的期望值, 相对于目前应用的运输方式, 他们对高速铁路的旅行时间、票价和舒适度将做出完全不同的反应。
以这种方式分解市场得到的结果代表了个体是如何做出城际出行的决策。
当然,任何通道从民航、铁路和小汽车实际转移到高速铁路的运量都将取决于速度、票价、服务频率、车站位置和新铁路服务的舒适度。
应用方式选择模型预测高速铁
路在每一市场划分中的份额需要对众多的解释变量进行实证检验。
例如, 我们可以分别定义干线运输时间、进站和出站时间、等候时间以及旅行费用变量等。
另外,我们也可以有选择地对这些变量进行不同的组合和转换。
在建立城市交通模型时,一个典型的观测是出行者的车外时间是在车时间的两倍。
然而,当建立城际出行的模型时,这种关系肯定要发生变化,至少是由于出行目的和出行距离的不同。
例如, 当出行距离相对较短, 旅行进站和出站时间将比干线运输时间重要得多。
相反,对于距离较长的出行,进站和出站时间的价值将会降低(它们只是被当作
干线运输时间的百分比。
这种结果可以在许多研究中发现,而且是符合一般规律的。
3. 进行诱发运量预测时, 必须将方式选择模型的效用函数结合到需求模型中。
一般来说,诱发需求是一种新方式加入后而产生的需求,它既可以来自其他现有的运输方式,也可以在某些经过选择的 O D 对之间,但诱发需求不包括由于正常人口和就业增长而产生的新的出行需求。
在实践中,新方式的诱发运量应与市场份额
和相对于现有运输方式的吸引度密切相关。
一个预计在现有市场中占有30%~40%市场份额的新运输方式有可能诱发出本身的出行。
相反,如果这一方式仅仅吸引了 1%的现有出行量,则不可能产生诱发运量。
考虑到诱发运量与方式选择的关系, 诱发运量预测方法必须与方式选择预测模型一致。
这就意味着出行者从方式选择模型得到的服务水平变量的数值要结合到总需求模型中。
具体的方法是采用方式选择模型系数, 使有关新运输方式服务水平的改进等同于有关现有运输方式服务的改进。
因此, 这种方法将保证诱发出行的计算反映所有出行选择的各种运输方式在服务措施上的取舍和决策。
因此, 预测与引进新高速铁路方式相关联的诱发出行只需计算这一引进所导致的可比价格的降低, 也就是新方式引进后由于服务水平提高所降低的广义价格的具体水平。
如果引进的新方式能够占有较大的市场份额, 出行条件的改善效果将非常明显;反之, 如果新方式所占有的市场份额较小,对出行条件改善的影响也非常小。