0 引言

2020年初，新型冠状病毒肺炎(Corona Virus Disease 2019，COVID-19，简称新冠肺炎)的爆发不仅对全国各行业造成了严重的负面影响，也给人民生活带来了很大的影响。许多传染病学研究都证实传染型病毒很容易通过公共交通出行活动在人群中大规模传播，很大一部分的感染者是在公共交通场所逗留期间或者乘坐公共交通工具过程中被传染^[1]。交通系统是城市生产生活、应急救援和疫情防控工作开展的基础保障，同时交通工具、交通场所内人流集中、转换，存在进一步扩散疫情的风险^[2]。研究疫情对居民出行行为的影响，分析疫情前后居民出行行为的改变，对COVID-19的防控具有重要的现实意义。

目前，国内外在传染流行病对交通出行影响方面研究已经取得了不错的成果。Balcan等^[3-4]研究了传染病在多尺度交通网络上的传播，包括本地的通勤交通网络和远程的航空运输网络。张玉等^[5]提出一种基于马尔可夫链的交通网络中的传染病传播模型，研究了传染病在公路、高铁、自驾及航空等人口流动常见交通网络中的传播过程，并验证了该模型的有效性。种鹏云等^[2]基于系统动力学仿真模型，研究了交通运输对COVID-19传播的影响，结果表明交通运输对COVID-19的传播起正反馈作用，减少人们出行需求，减少公共交通出行的比例，能有效减缓COVID-19的传播。张毅等^[6]构建交通出行人群的病毒易感度评估模型，评估了各种交通出行方式中人群的易感度，量化了各种交通运输方式的感染风险概率。姜楠等^[7]通过问卷调查，研究发现新冠肺炎疫情极大地改变了我国人群出行频次及交通方式。王庆生等^[8]基于问卷调查数据，发现疫情后游客会更倾向于自驾出游，出行时会有更多地考虑完全卫生和接触人员的密集程度。刘建荣等^[9]基于Logit模型研究了新冠疫情对老年人的公交出行行为的影响，研究发现新冠疫情和对新冠肺炎疫情严重程度的感知对老年人使用公交意愿具有显著影响，也会影响老年人外出概率和使用公交的概率。吴娇蓉等^[10]基于问卷数据构建二元Logit模型对合乘出行驱动因素影响分析，研究发现在疫情持续期出行者对交通方式的主观感受会显著影响合乘选择行为。骆晨等^[11]利用问卷调查数据构建风险感知差异的居民出行方式选择多元Logit模型，研究结果表明防控措施和防控措施了解程度对居民出行方式选择有显著影响。郭润航^[12]基于问卷调查数据，以北京市居民新冠疫情前后多模式出行决策为研究对象，构建的多模式决策行为模型有效的刻画了疫情前后居民的出行行为。Tan等^[13]从个人属性、出行属性和C1OVID-19感知这3个方面构建了logistic回归模型，研究结果表明职业、COVID-19大流行前的通勤工具、居住地到最近地铁站的步行时间、私家车以及公共交通中感染的可能性等对通勤人员选择轨道交通有显著影响。

新冠肺炎疫情对我国的交通运输产生了巨大的影响，目前国内主要的研究是关于疫情持续期交通运输系统对新冠肺炎疫情的传播和防止疫情扩散及出行感染风险，关于疫情发生前后人群出行行为对比分析的研究较少。本研究以疫情前后居民出行次数和出行方式为研究对象，于2020年9月在云南省昆明市开展新冠肺炎疫情对交通出行的影响问卷调查，共获得1 123份有效问卷。基于问卷数据，利用MNL模型，分析家庭特性、出行者个人特性、出行者偏好对居民出行行为的影响研究，为未来类似突发公共卫生事件提供在交通出行方面提供科学的参考。

1 问卷设计及调查 1.1 问卷设计

通过问卷调查来收集居民的人口学统计特征和新冠肺炎疫情前后居民交通出行的变化。目前疫情仍在持续，本次采用实地问卷调查的形式，地点为云南省昆明市。参考现有的成熟的问卷，编制调查问卷，内容涉及人口学统计特征和疫情前后出行次数、出行方式等共15题。

人口学统计特征包括被调查者的性别、年龄段、所在地区、职业、家庭年收入、家庭人口数、家庭汽车用有量。年龄段划分为4个，分别为24岁及以下、25~34岁、35~54岁和55岁以上老年人；职业、家庭年收入和家庭人口数，根据常见来进行的划分；所在地区则是根据等级划分成农村、县城、地级市、省会城市或直辖市。

交通出行问卷的出行均指城市内部出行，不包含跨省/跨市出行。结合目前国内的实际情况，编制交通出行问卷，包括疫情前后每周出行次数、出行方式、是否乘坐公交地铁等共9个题项。

1.2 数据收集

新冠肺炎疫情前后居民的交通出行行为的变化是本次调查的研究目的，调查对象是中国云南省昆明市内不同性别、不同年龄段、不同地区的居民。为了保证问卷的客观性和真实性，本次问卷调查为不记名调查，完成大概需要10 min。共发放和回收1 151份，剔除填写不完整的问卷，收集到1 123份有效问卷，有效率97.5%。

对问卷调查的人口统计学进行描述性统计分析，结果见表 1。被调查者的1 123人中，女性和男性所占比例相近，分别为50.8%和49.2%；被调查者的年龄大部分在34岁以下；家庭年收入区间5~8万元的最多，占比38.1%；60.7%的家庭的人口数都在3人以上，49.1%的家庭拥有1辆汽车，省会城市/直辖市的人口数占比为37.2%；公司职员/公务员和学生所占比例最多，分别为31.3%和38.9%，离退休、农村和其他的人员最少，分别只有4.5%，2.1%和7.8%。

1.3 信度效度分析

为了检验问卷的可靠性，使用Cronbach α系数对问卷进行信度分析。本研究使用的新冠肺炎疫情对交通出行的影响调查问卷的Cronbach α系数是0.792>0.7，表明问卷的内部一致性信度良好，问卷整体设计具有较高的可信度。因此基于该问卷获取的数据是可信的，基于问卷调查数据的统计分析结果也是可靠的。

为探究新冠肺炎疫情对交通出行的影响，对1 123份调查问卷进行KMO检验和Bartlett球形检验，以确保问卷数据具有结构效度。得到的KMO测度值为0.725，大于标准值0.5；同时Bartlett球形检验的结果是0.000，小于显著性水平0.05，表明问卷数据适合进行因子分析。

利用因子分析法的主成分分析法，选取特征值>1的主成分，保留因子荷载>0.5的变量，结果见表 2。表 2中，新冠肺炎疫情对交通出行的影响调查问卷共有2个因子的特征值>1，分别是出行次数(2个题目)和出行方式(2个题目)。累计解释总方差77.473%，已经能够解释大部分的方差，且每个因子的累计方差贡献率都在50%以上^[14]，因子结构符合理论构想，说明问卷的结构效度较好。

2 模型构建

MNL模型(Multinomial Logit Model)是最为常用的非集计模型，其数学形式简洁、计算简单，且具有各选择肢的概率在(0.1)之间，选择概率综合为1的合理性^[15]，因此被广泛应用于交通等领域^[16-18]。

2.1 MNL模型

根据非集计模型理论^[15]，随机效用理论认为效用是一个随机变量，通常将效用函数U分为固定项函数和随机项函数两部分，并假设两部分之间呈线性关系。

(1)

式中，U_in为效用函数；V_n为效用函数的固定部分；ε_in为效用函数的随机部分，服从Gumbel分布。固定项和解释变量间是呈线性关系，如式(2)所示：

(2)

式中，X_ink为出行者选择第K种方案的显著影响因素；β_k为待估计参数。

当出行者有两个或以上的选择方案时，可以选用MNL模型(多元Logit模型)，该模型认为每个出行者在出行时都会遵守最大效用理论。V_in和ε_in相互独立是MNL模型成立的前提条件，且ε_in服从二重指数分布。MNL模型如式(3)所示：

(3)

式中，P_in为出行者n选择项i的概率；V_in为出行者n选择项i的固定效用；V_jn为出行者n选项j的固定效用；A_n为出行者n的选择枝集合；j为集合A_n中的元素。

2.2 特征变量的选择

根据问卷调查，影响居民出行的因素有很多，可以概括为家庭特性、出行者个人特性、出行者偏好及对新冠肺炎疫情的感知4类，其中家庭特性包括家庭年收入、家庭人口数、家庭汽车拥有量。出行者个人特性包括：性别、年龄、所在地区、职业，出行者偏好包括是否乘坐公交/地铁、是否乘坐共享单车/汽车、是否乘坐网约车/出租车、接触人员数量是否重要、换乘次数是否重要、途中停靠站点数是否重要。对新冠肺炎疫情的感知：此次疫情的严重程度、是否有必要减少出行。将选择上述变量作为建模的影响变量，将它们进行分类并赋值，结果如表 3所示。

3 模型参数验证与估计 3.1 参数估计

根据昆明市新冠肺炎疫情前后居民的出行行为问卷调查数据，将出行次数、出行方式作为模型因变量，家庭特性、出行者个人特性、出行者偏好、对新冠肺炎疫情的感知作为自变量，采用P值检验参数值的显著性，以此来确定模型变量的选取，P＜0.05说明该自变量对居民出行行为有显著影响，将其纳入居民出行行为模型中，反之，剔除。以出行次数10次以上和以网约车/出租车为参考类别，最终的参数估计结果表 4~5所示。

3.2 模型验证

模型拟合结果如表 6所示，显著性的值＜0.05，说明模型具有统计意义，模型的变量选择是准确的。

居民出行次数模型的似然比检验结果如表 7所示，由表 7可知年龄、所在的地区、职业、家庭年收入、家庭人口数、是否乘坐公交/地铁、是否乘坐共享单车/汽车、是否乘坐网约车/出租车、接触人员数量是否重要、乘次数是否重要的卡方检验概率P值均小于统计值0.05，认为其对居民出行次数模型的线性关系贡献显著。

居民出行方式模型的似然比检验结果如表 8所示，由表 8可知，性别、年龄、所在的地区、职业、家庭年收入、家庭人口数、家庭是否拥有汽车、是否乘坐公交/地铁、是否乘坐共享单车/汽车、是否乘坐网约车/出租车、接触人员数量是否重要的卡方检验概率P值均小于统计值0.05，认为其对居民出行方式模型的线性关系贡献显著。

4 结果分析 4.1 疫情前后出行行为对比分析

疫情前后居民出行行为特征分布如图 1~2所示。调查数据显示，疫情发生后64.9%的居民每周出行次数≤3次，疫情前居民每周出行次数≤3次比例为34.23%，增幅为30.67%；疫情发生后18.81%的居民每周出行次数≥7次，疫情前居民每周出行次数≥7次比例为41.34%，减少了22.53%。疫情发生后75.34%的居民选择私人交通方式出行，疫情前居民选择私人交通方式出行的比例为65.06%，增幅为10.28%；疫情发生后19.21%的居民选择公交地铁出行，疫情前居民选择公交地铁出行的比例为27.11%，下降了7.9%；疫情后选择共享单车/汽车和网约车/出租车出行的人数都少于疫情前。

4.2 居民出行次数的影响因素分析

(1) 出行者个人特征对出行次数的影响

由表 4可知，在出行者个人特征方面，疫情前每周出行次数≤3次的显著影响因素是所在地区、年龄，疫情后的显著影响因素是职业、年龄；疫情前出行次数4~6次的显著影响因素是职业、年龄，疫情后的显著影响因素是所在地区、年龄；疫情后的显著影响因素是职业。

经过分析，居民出行次数是根据年龄来分析此次的新冠疫情，结合职业、所在地区的情况做出决策；年龄对居民低频率出行次数的显著影响水平与疫情前不同，是因为疫情发生后，年龄越大的居民对疫情的了解不够多，对疫情的严重程度认知也不够；居民主观意愿是降低感染和暴露的概率，因此呆在家里减少出行次数或者出行次数尽量维持在低频率能比较好地满足所有意愿。

(2) 家庭属性对出行次数的影响

由表 4可知，在家庭属性方面，疫情前后每周出行次数≤3次的显著影响因素都是家庭年收入、家庭是否拥有汽车；疫情前后每周出行次数4~6次的显著影响因素都是家庭年收入；疫情前后每周出行次数7~9次的显著影响因素是家庭年收入；疫情前后影响居民出行次数的主要因素都是家庭年收入和家庭是否拥有汽车。

经过分析，疫情发生后，家庭是否拥有汽车的显著影响程度低于疫情前，是因为在国家实施的防控措施下，全国人民基本都在家里生活及工作，汽车使用率降低；收入对居民每周出行次数7~9次的显著影响程度高于疫情前，这是因为居民消费方式转向网上购物，娱乐和旅游消费基本停止，出行次数明显减少。

(3) 出行者偏好对出行次数的影响

由表 4可知，在出行者偏好方面，疫情前后每周出行次数≤3次的显著影响因素是否乘坐公交地铁；疫情前每周出行次数4~6次的显著影响因素按影响程度由高到低依次分别是接触人员数量是否重要、是否乘坐共享单车/汽车、是否乘坐公交地铁、途中停靠站点数是否重要、换乘次数是否重要，疫情后的显著影响因素是是否乘坐共享单车/汽车和换乘次数是否重要。

经过分析，随着换乘次数的增加，居民会减少高频率出行的概率而增加低频率出行次数的概率；随着换乘次数的增加，居民认为出行次数越多，受到感染的概率越大；随着乘坐共享单车/汽车的减少，居民会增加低频率出行次数的概率。

其他特征变量不变的情况下，年龄每增加1个单位，每周出行次数≤3次的概率减少-1.619，每周出行4~6次的概率增加1.731；家庭年收入增加，出行次数的概率都会增加。

4.3 居民出行方式的影响因素分析

(1) 出行者个人特征对出行方式的影响

由表 5知，在出行者个人特征方面，疫情前后选择私人交通方式和网约车/出租车的主要影响因素均是所在地区和职业；疫情前选择公交地铁和网约车/出租车出行的主要影响因素是所在地区和职业，疫情后的显著影响因素是所在地区；疫情后选择共享单车/汽车和网约车/出租车出行的主要影响因素是性别、所在地区和职业，疫情前的显著影响因素是性别。

经过分析，疫情发生后，城市停运了大部分的公共交通，居民出行更倾向于私人交通方式；居民主观认知公共交通出行的感染率增加，认为私人交通方式出行能够降低自己感染概率，能根据不同的疫情状况进行自我防控。

(2) 家庭属性对出行方式的影响

由表 5可知，在家庭属性方面，疫情后选择私人交通方式和网约车/出租车的主要影响因素是家庭年收入和家庭是否拥有汽车；疫情后选择公交地铁和网约车/出租车出行的主要影响因素是家庭年收入；疫情前后选择共享单车/汽车和网约车/出租车出行的主要影响因素均是家庭年收入。

经过分析，疫情发生后，公共交通停运和企业停工停产，居民收入减少，出行方式更倾向于私人交通方式中的步行、自行车和电动车出行；疫情期间居民所在家庭成员的主观意愿是降低感染的概率，家庭拥有汽车的居民会倾向于选择私人交通方式中的私家车出行。

(3) 出行者偏好对出行方式的影响

由表 5可知，在出行者偏好方面，疫情前选择私人交通方式和网约车/出租车的主要影响因素是是否乘坐网约车/出租车，疫情后增加了接触人员数量是否重要；疫情前选择公交地铁和网约车/出租车出行的显著影响因素是是否乘坐网约车/出租车，疫情后增加了接触人员数量是否重要；疫情前后选择共享单车/汽车和网约车/出租车出行的主要影响因素均是是否乘坐共享单车/汽车和是否乘坐网约车/出租车。

经过分析，在选择私人交通方式和网约车/出租车时，随着接触人员数量的增加，居民会减少乘坐网约车/出租车出行的概率而增加私人交通方式出行的概率；随着乘坐共享单车/汽车、乘坐网约车/出租车的减少，居民出行更倾向于私人交通方式；随着接触人员数量的增加，居民主观认为所有的交通方式的感染率增加，而私人交通方式是能够较好把握自己的感染率。

5 结论

本研究基于云南省昆明市新冠肺炎疫情前后居民出行调查数据，利用MNL模型从出行者个人特性、家庭特性、出行者偏好这3个方面进行居民出行行为的影响研究。研究结果表明：

(1) 新冠肺炎疫情会显著降低居民的出行次数，每周出行次数≤3次的居民人数是疫情前的1.89倍，每周出行次数≥7次的居民人数是疫情前的0.46倍。

(2) 新冠肺炎疫情会改变居民的出行方式，疫情发生后选择私人交通方式出行的居民人数占比高于疫情前，而选择公交地铁、共享单车/汽车、网约车/出租车出行的居民人数占比低于疫情前。

(3) 疫情发生后，年龄、在地区、职业、家庭年收入、家庭人口数、家庭是否拥有汽车、是否乘坐公交/地铁、是否乘坐共享单车/汽车、换乘次数是否重要对居民出行次数有显著影响。

(4) 疫情发生后，性别、年龄、所在地区、职业、家庭年收入、家庭人口数、家庭是否拥有汽车、是否乘坐公交/地铁、是否乘坐共享单车/汽车、是否乘坐网约车/出租车、接触人员数量是否重要对居民出行方式有显著影响。