英文题目：Understanding travel behavior change with megacity development: Insights from decade-long household travel surveys in Beijing

中文题目：超大城市发展背景下出行行为变化解析：来自北京十年间家庭出行调查的启示

论文作者：郝赫，姚恩建，潘龙，杨扬，王月

论文期刊：Journal of Transport Geography

论文网址：https://doi.org/10.1016/j.jtrangeo.2026.104565

摘要：

发展可持续城市已成为全球共识。对于交通领域而言，构建一个能够捕捉居民出行行为背后作用机制的分析框架至关重要。该框架需要考虑城市发展过程中多种因素，例如生命周期事件、建成环境和情境因素，对出行行为产生的时空异质性影响。然而，目前相关研究仍较为不足。基于此，本文利用北京市跨越约十年的两次家庭出行调查数据，分析城市发展过程中多种因素对居民出行行为的异质性影响。为此，本文分别构建并估计了两个多重离散—连续极值模型（Multiple Discrete–Continuous Extreme Value, MDCEV）。估计结果表明，两个时期的总体出行模式基本相似，但仍存在一些重要差异，例如居民对不同出行方式的基础偏好发生变化，不同出行方式之间的协同与竞争关系也有所不同。在模型估计结果的基础上，本文进一步建立了两个时期模型之间的联系，揭示了多种因素重要性的显著变化，尤其是地铁方式对郊区居民的重要性明显提升。此外，尽管整体出行模式变得更加可持续，但公平性分析表明，到2023年，不同社会群体之间的公共交通可达性差异虽然有所缩小，但仍然存在。本文提出的分析框架能够定量刻画城市发展过程中影响出行行为的各类因素所产生的异质性影响及其重要性的演变，为研究北京等超大城市的出行转型提供了一种可复制的分析方法。

1. 引言

超大城市发展不仅表现为人口规模扩大和城市空间扩张，也伴随着交通基础设施扩展、公共交通服务提升、共享单车与网约车等新型出行方式兴起、汽车拥有量增长以及居民职住关系变化。这些变化会直接或间接影响居民的日常出行选择。传统研究通常关注某一类影响因素，例如生命周期事件、建成环境或天气因素，也有研究通过不同年份家庭出行调查直接比较出行比例变化。但是，这类研究往往难以解释出行行为变化背后的作用机制。

本文认为，城市发展是一种系统性变化，它会同时改变交通供给、土地利用、社会经济结构和居民出行条件。因此，需要建立一个能够同时考虑多类因素，并且能够比较不同年份影响强度变化的分析框架。文章主要回答三个问题：第一，随着北京城市发展，居民出行行为是否发生变化；第二，生命周期事件、建成环境和情境因素对居民出行方式偏好的影响是否发生变化；第三，公共交通系统如何在促进可持续出行和改善交通公平方面发挥作用。

本文的主要贡献可以概括为三点。第一，构建两个MDCEV模型，分别刻画2014年和2023年北京市居民的多方式日出行行为。第二，以地铁出行时间为参照，计算边际替代率，从而比较不同因素在十年间影响强度的变化。第三，从公共交通可达性、出行方式结构和公平性角度评估北京交通系统的可持续发展特征，并提出面向公共交通优化的政策启示。

2. 数据描述

2.1 家庭出行调查数据

本文使用北京市2014年和2023年两次家庭出行调查数据。2014年调查包括40,003户家庭和101,815名个体，2023年调查包括33,169户家庭和79,695名个体。两次调查均由北京市交通委员会组织实施，调查方式较为一致，均采用地址抽样方法，并通过面对面访问获取家庭信息、个人信息以及24小时出行记录。出行记录包含出发时间、到达时间、出行方式、出行目的、出行时间、出行距离、出行费用、换乘信息以及起终点位置等。2023年调查发生在COVID-19限制措施结束之后，出行和公共交通限制已不再实施；在调查期间，公众出行行为已在较大程度上恢复，尤其是公共交通系统。

2.2 公共交通网络数据

公共交通网络数据包括公交网络和地铁网络。2014年，北京公交网络包括2213条方向性线路和9290个公交站，地铁网络包括26条方向性线路和249个地铁站。到2023年，公交网络扩展到3455条方向性线路和14,686个公交站，地铁网络扩展到72条方向性线路和453个地铁站。可以看出，北京公共交通系统在十年间显著扩张，尤其是地铁网络扩张明显，这为研究公共交通可达性变化对居民出行行为的影响提供了基础。

2.3 天气和空气污染数据

文章还引入天气和空气污染数据，用于刻画情境因素对出行行为的影响。天气数据来源于公开气象数据，空气污染数据使用北京市多个监测站的日均AQI。文章将雨天设为二元变量，将AQI大于200定义为严重空气污染。这种设定能够更好地反映居民在出行决策中容易感知到的外部环境变化。本文所使用的数据类型、数据来源及其主要作用可概括为表1。

表1 数据类型与主要内容

3. 方法论

3.1 总体方法框架

本文的方法逻辑可以概括为四个步骤。第一，基于家庭出行调查识别每个个体一天内使用了哪些交通方式，以及各方式对应的出行距离。第二，构建公共交通可达性指标，包括到站步行时间、公共交通出行时间和机会可达性。第三，分别建立2014年和2023年MDCEV模型，估计各类因素对交通方式选择和出行距离分配的影响。第四，以地铁出行时间为参照计算边际替代率，比较不同因素在十年间影响强度的变化，并进一步评估公共交通系统对可持续出行和公平性的作用。文章明确指出，其框架不是仅比较不同年份出行比例，而是试图解释出行行为变化背后的机制。

3.2 MDCEV模型

居民一天内可能使用多种交通方式，这违反了传统离散选择模型中“备选项相互排斥”的假设。同时，一种交通方式的选择可能影响另一种交通方式的选择，说明日内交通方式选择之间存在相互关联。因此，本文采用MDCEV模型刻画2014年和2023年北京市居民的日出行行为。

MDCEV 模型适合处理“多重离散选择+连续消费量分配”问题。本文将一天的总出行距离看作预算，将不同交通方式看作可被分配的“产品”。个体在多种交通方式之间分配出行距离，以最大化日出行效用。

3.3 MDCEV效用函数

本文采用的MDCEV效用函数为：

其中，表示个体分配给交通方式的出行距离；表示交通方式的基准边际效用；和为饱和参数，用于刻画随着某一方式使用量增加而产生的效用饱和效应。

基准边际效用通常写作：，其中是个体属性、交通方式属性以及其他解释变量，是待估计参数，是随机误差项。

3.4 距离预算约束

在模型估计中，个体需要将一天的总出行距离分配给不同交通方式。该问题可以表示为：

其中，表示个体一天总出行距离，表示交通方式的单位“价格”。本文关注的是不同交通方式之间的出行距离分配，而不是货币支出分配。因此，所有交通方式的单位价格被标准化为，并将尺度参数固定为1。该设定意味着不同交通方式每出行1公里的“价格”被视为相同，模型主要通过基准效用和饱和效应刻画交通方式选择与距离分配行为。

3.5 闭式概率表达式

在上述效用最大化问题和预算约束的基础上，模型通过构造Lagrangian并利用Kuhn Tucker条件，得到交通方式消费组合的闭式概率表达式。该概率表达式用于描述个体选择若干种交通方式，并将出行距离分配给这些方式的联合概率，其形式为：

其中，表示实际被选择并分配正出行距离的交通方式数量，表示被选择交通方式的单位价格，和是由饱和参数、基准效用和出行距离共同决定的中间项。该表达式将多方式选择和连续距离分配统一到一个可估计的概率形式中，是MDCEV模型能够用于实证估计的关键。本文基于该概率表达式进行参数估计。

3.6 公共交通机会可达性

本文使用三类公共交通可达性指标：到站可达性、公共交通出行时间和机会可达性。其中，机会可达性使用加权累积机会指标表示：

其中，表示个体的第次出行对公共交通网络的机会可达性；表示该次出行起点到网络中第个站点的步行时间；为距离衰减函数。文章根据城市综合交通体系规划标准，将设为10分钟，表示10分钟步行范围内较容易接入公共交通服务；同时将也设为10，以保持适中的可达性衰减速度。

4. 变量与交通方式设计

4.1 交通方式分类

为了保证2014年和2023年模型结果具有可比性，本文将出行方式划分为八类：步行、公交、地铁、自行车、电动自行车、小汽车、出租车和其他方式。由于2023年出现了更成熟的共享单车和网约车市场，文章对相关方式进行了合并处理。例如，2023年自行车类别包括共享单车和私人自行车，出租车类别包括传统出租车和网约车。具体的出行方式分类及2014年和2023年对应关系见表2

表2 2014年和2023年出行方式备选项设置

4.2 解释变量设计

文章将解释变量分为四组。第一组是社会人口变量，包括性别、年龄、家庭年收入、职业和教育水平。第二组是生命周期事件变量，包括是否与家庭成员同行、是否接送孩子、职住平衡、家庭汽车拥有量、自行车拥有量和电动自行车拥有量。第三组是建成环境变量，重点是公共交通可达性，包括到最近公交站或地铁站的步行时间、使用公交或地铁完成出行的时间，以及使用公交或地铁的机会可达性。第四组是情境变量，包括长距离出行、严重空气污染和雨天。各类解释变量的具体定义和编码方式见表3。

表3 基准效用函数中使用的解释变量

5. 结果

5.1 模型估计结果的总体解释

文章最终采用的MDCEV模型，因为该设定相比具有更低的AIC。所有交通方式的饱和参数均显著为正，说明居民出行方式选择存在明显的边际效用递减，不能简单用线性效用刻画。换言之，一种方式的吸引力与其使用距离不是线性关系。例如，步行通常更适合短距离出行，地铁、公交、出租车和其他机动化方式更适合较长距离出行。从社会人口变量看，男性更倾向于开车，女性更倾向于步行；26至50岁群体更倾向于开车，50岁以上群体更倾向于步行；高收入群体更倾向于开车和乘坐地铁；高教育水平群体对公共交通具有更强偏好。这说明交通方式偏好不仅受交通供给影响，也受到个体社会经济属性影响。需要注意的是，模型估计结果可能存在潜在多重共线性问题。由于本文重点在于考察多类因素对出行行为的影响，该问题未被进一步处理，因此具体系数和标准误的解释应保持谨慎。

表4 2014年和2023年出行方式偏好的MDCEV模型估计结果

5.2 生命周期事件的影响

生命周期事件对出行方式选择具有显著影响。与家庭成员同行会显著提高小汽车使用倾向；同时，与2014年相比，2023年居民在家庭同行出行中也更倾向于使用出租车。接送孩子时，居民不太倾向于选择公交和地铁，而更倾向于选择电动自行车等灵活方式，这可能与接送孩子的短距离、时间约束和路径灵活性需求有关。

职住平衡是文章中非常重要的变量。结果显示，良好职住平衡会提高步行、自行车和电动自行车等主动交通方式的使用倾向。相反，职住不平衡，即通勤距离较长，则更容易提高地铁和小汽车的使用倾向。这个结果说明，职住关系不仅影响通勤距离，也会影响交通方式结构。推动职住平衡改善，有可能同时减少长距离通勤并促进低碳交通方式使用。

5.3 建成环境与公共交通可达性的影响

建成环境变量中，公共交通可达性是本文重点。结果总体表明，公共交通接入时间和公共交通出行时间越长，公交或地铁的吸引力越低；机会可达性提高则总体上有助于提升公共交通吸引力，其中地铁机会可达性的正向影响更为明确。

一个重要变化是郊区居民对地铁的依赖明显增强。2014年，居住在郊区对公交、地铁和小汽车使用均有负向影响，反映出当时郊区交通服务和公共交通供给不足。到2023年，居住在郊区对地铁和小汽车使用具有显著正向影响，对公交的影响不再显著。这说明地铁网络扩张改善了郊区居民的公共交通条件，尤其提升了郊区长距离出行中地铁的吸引力。

5.4 情境因素的影响

情境变量也会改变居民出行偏好。长距离出行会强化居民对公交、地铁、小汽车和出租车的偏好，但小汽车和出租车等私人机动化方式的影响增幅更明显。严重空气污染条件下，居民在2023年比2014年更倾向于开车，这一变化不利于可持续出行。雨天条件下，2023年公交和地铁的吸引力增强，说明雨天对公共交通使用意愿的正向作用更加明显。

5.5 边际替代率结果

文章使用边际替代率比较两期模型中变量影响强度的变化。结果表明，良好职住平衡在2023年对步行、自行车和电动自行车的促进作用增强，而对小汽车的促进作用减弱。这说明城市发展过程中，紧凑居住和就业空间关系对主动交通的支持作用更加明显。

另一个重要结果是，自行车与地铁之间的互补关系增强，而自行车与公交之间的竞争关系增强。这个结果可以理解为，随着共享单车普及和地铁网络扩张，自行车越来越多地承担地铁接驳功能；但对于一些短距离出行或中短距离出行，自行车可能替代公交。文章还指出，公共交通可达性对出行方式选择的重要性在2023年增强，说明居民比2014年更加关注公共交通服务水平和便利性。

5.6 可持续出行变化

为了判断北京居民出行是否更加可持续，文章使用四个指标进行评价，包括良好职住平衡比例、平均通勤距离、绿色出行方式占比以及公共交通可达性公平性。其中，前三个指标用于比较城市地区和郊区的出行行为变化，公平性指标在下一节进一步讨论。结果显示，无论是城市地区还是郊区，2014年至2023年良好职住平衡比例提高，平均通勤距离下降，绿色出行比例上升，表明北京居民整体出行结构在十年间向更可持续方向变化。表5展示了城市地区与郊区出行行为变化趋势。

表5 城市地区与郊区出行行为变化趋势

5.7 公共交通公平性结果

文章进一步使用Gini系数衡量公共交通可达性的公平性。结果显示，多数公共交通可达性指标的Gini系数在2014到2023年之间下降，说明不同居民群体之间的公共交通可达性不平等有所缓解。其中，公交出行时间Gini系数从0.70降至0.39，地铁机会可达性Gini系数从0.46降至0.40。但是，地铁站接入可达性的Gini系数在2023年仍为0.54，说明郊区和城市核心区之间的轨道交通接入差异仍然存在。表6进一步列出了2014年和2023年不同公共交通可达性指标的Gini系数。

表6 公共交通可达性Gini系数

5.8 公共交通可达性敏感性分析

文章进一步通过敏感性分析考察公共交通可达性改善后居民出行偏好的变化。具体做法是将公交或地铁的不同可达性指标提高至原来的120%，然后利用2023年MDCEV模型预测居民选择公共交通的人数变化，以及分配给公共交通的出行距离变化。

图1展示了地铁可达性提高20%后，居民选择地铁人数和分配给地铁的出行距离在空间上的增长倍数。左侧是离散部分，即选择地铁人数的增长；右侧是连续部分，即分配到地铁的出行距离增长。结果显示，地铁可达性改善对郊区居民的促进作用明显强于城市核心区居民。这说明郊区居民对地铁方式的依赖更强。

图1 地铁可达性提高20%后地铁方式离散部分与连续部分增长倍数的空间分布

图2展示了公交可达性提高20%后的响应结果。与地铁不同，公交可达性改善对城市居民的促进作用相对更明显。这说明公交可达性改善对城市居民的影响更明显，而地铁可达性改善对郊区居民的影响更明显。

图2 公交可达性提高20%后公交方式离散部分与连续部分增长倍数的空间分布

表7进一步汇总了公交和地铁可达性改善后的平均增长倍数。结果显示，地铁可达性改善对郊区居民的影响更明显，尤其是到地铁站可达性提高后，郊区居民分配给地铁的出行距离增长倍数较高；相比之下，公交可达性改善对城市居民的影响更明显。

表7 公交与地铁可达性提高后的平均增长倍数

图3进一步展示了地铁可达性逐步改善时，居民地铁需求的变化趋势。结果显示，提高“地铁机会可达性”时，选择地铁人数和分配给地铁的出行距离均呈单调增长；而单纯改善到站可达性或缩短地铁出行时间时，需求变化存在一定波动。这说明，从促进地铁使用角度看，提高地铁机会可达性，即让居民通过地铁能到达更多目的地和机会，可能比单纯缩短接入时间更有效。

图3 地铁可达性逐步改善下离散部分与连续部分需求的变化

6. 讨论

6.1 文章的核心机制解释

本文的核心内容在于，它不仅描述了北京十年间出行比例如何变化，还进一步解释了影响机制如何变化。通过两个年份的MDCEV模型，文章发现居民总体出行模式具有一定稳定性，但不同因素的重要性发生了变化。例如，公共交通可达性的影响增强，地铁对郊区居民的重要性提高，自行车与地铁的接驳关系增强，严重污染条件下小汽车吸引力上升。这些结果说明，城市发展并不是简单改变某一种出行方式的比例，而是改变了交通方式之间的互补关系和替代关系。

6.2 对可持续交通规划的启示

第一，职住平衡是促进可持续出行的重要路径。良好职住平衡会提高步行、自行车和电动自行车的吸引力，因此城市规划应关注就业中心附近居住可负担性、混合土地利用和15分钟生活圈建设。

第二，郊区地铁可达性需要继续改善。文章结果表明，郊区居民对地铁的依赖更强，尤其是在长距离通勤中。未来北京可通过延伸轨道交通、提高站点密度、加强接驳公交等方式改善郊区轨道交通接入条件。

第三，需要进一步推动公交与地铁协同。地铁越来越成为北京公共交通骨干网络，而公交更多承担接驳和补充功能。因此，公交线路优化不应只看线路覆盖，还应明确其与地铁之间的功能分工，例如区分骨干公交、接驳公交和补盲线路。

6.3 文章的局限性

本文也存在一定局限。第一，研究数据虽然相对权威，但基于抽样调查，可能无法完全反映所有居民的出行特征。未来研究可结合GPS、公交智能卡和手机信令等被动采集数据，以更细致地刻画出行行为变化。第二，本文没有发现土地利用与出行行为之间的明确关系，但土地利用仍可能具有间接影响。第三，郊区居民为何更加依赖地铁方式仍有待进一步解释。第四，公共交通可达性和不同交通方式的感知成本仍可进一步扩展，例如纳入货币成本和时间价值。第五，驾驶限行、电商发展、外卖服务以及COVID-19疫情等因素可能影响居民出行行为，但由于数据限制，本文未将其纳入模型。

7. 结论

本文围绕超大城市发展背景下居民出行行为变化问题，构建了一个融合家庭出行调查、公共交通可达性、天气与空气污染因素的分析框架，并使用MDCEV模型刻画2014年和2023年北京市居民日出行方式选择与距离分配行为。研究表明，北京居民整体出行结构在十年间更加可持续，表现为良好职住平衡比例提高、平均通勤距离下降、绿色出行方式占比上升。同时，公共交通可达性不平等有所缓解，但城市与郊区之间的地铁接入差异仍然存在。

从行为机制看，地铁在郊区居民长距离出行中的作用显著增强，自行车与地铁之间的互补关系增强，公交可达性改善对城市居民的影响更明显。职住平衡改善有利于主动交通方式使用，而严重空气污染条件下居民更倾向于开车，说明情境因素也会影响居民的交通方式偏好。