trạng nhu cầu đi lại tại thành phố Hồ Chí Minh có tính đến sự xuất hiện của phương thức vận tải mới là đường sắt trên cao (METRO).
Luận án khai thác bộ số liệu điều tra mẫu lớn do công ty SUD khảo sát và mô hình được giới hạn về số lượng các nhân tố ảnh hưởng dựa trên các số liệu về các nhân tố ảnh hưởng đã được khảo sát thực tế, bên cạnh đó, do kết hợp giữa số liệu khảo sát thực tế và số liệu khảo sát giả định (số liệu khảo sát giả định chỉ tiến hành với chuyến đi cơ bản từ nhà) với mục đích nghiên cứu trường hợp xuất hiện phương thức vận tải mới là đường sắt trên cao nên mô hình xác suất lựa chọn phương thức vận tải của người thực hiện chuyến đi thành phố Hồ Chí Minh tiếp tục được giới hạn chỉ với các chuyến đi cơ bản từ nhà.
4.2.1 Dạng mô hình dự báo
Mô hình xác định xác suất lựa chọn phương thức vận tải của người thực hiện chuyến đi tại thành phố Hồ Chí Minh đối với các chuyến đi cơ bản từ nhà được đề xuất là mô hình logit đa thức có dạng như sau:
Trong đó:
∑
(4. 1)
+ : Xác suất để người thực hiện chuyến đi i chọn phương thức
j.
+: Hàm thỏa dụng của cá nhân i đối với phương thức j.
+ k: số loại phương thức vận tải.
+ e: Cơ số tự nhiên.
+
-là hàm thỏa dụng có thể quan sát được, nó được biểu diễn thành
một hàm của các nhân tố ảnh hưởng và trong mô hình sẽ ước lượng các tham số của hàm này.
-: yếu tố ngẫu nhiên.
4.2.2 Cách tiếp cận mô hình dự báo
Như đã đề xuất trong mục 3.2.2, các biến dự kiến sử dụng trong nghiên cứu bao gồm:
- CH: mô tả cơ hội sử dụng phương tiện cá nhân
- TG: thời gian chuyến đi, thời gian chuyến đi có thể tách thành thời gian trên phương tiện (TGT) và thời gian ngoài phương tiện (TGN)
- TNT: tỷ lệ thời gian ngoài phương tiện trên tổng thời gian chuyến đi
- CP: chi phí cho chuyến đi
- TN: thu nhập bình quân tháng
- LTN: logarit tự nhiên của thu nhập (đây là một dạng biến đổi của TN nhằm cải thiện mô hình nếu có thể)
pwcorr TN LTN CH TG TGT TGN TNT CP CT
|
TN
LTN
CH
TG
TGT
TGN
TNT
-------------+---------------------------------------------------------------
-------------+------------------ CP | 1.0000
CT | 0.3679 1.0000
- CT: tỷ lệ chi phí chuyến đi trên thu nhập bình quân tháng Bảng 4. 6 Hệ số tương quan cặp giữa các biến
| | 1.0000 | |||||
LTN | | | 0.7482 | 1.0000 | |||
CH | | | 0.2494 | 0.2062 | 1.0000 | ||
TG | | | 0.0775 | 0.0893 | 0.0673 | 1.0000 | |
TGT | | | 0.0790 | 0.0908 | 0.0684 | 0.9566 | 1.0000 |
TGN | | | 0.0007 | 0.0012 | 0.0011 | 0.2175 | -0.0763 1.0000 |
TNT | | | -0.0279 | -0.0352 | -0.0305 | 0.1173 | -0.1353 0.8548 1.0000 |
CP | | | 0.0431 | 0.0502 | 0.0377 | 0.0044 | 0.0469 -0.1422 -0.1213 |
CT | | | | -0.1969 CP | -0.3515 CT | -0.0443 | -0.0190 | -0.0011 -0.0613 -0.0495 |
Có thể bạn quan tâm!
-
Phương Pháp Ước Lượng Mô Hình Logit Đa Thức -
Một Số Kiểm Định Đối Với Mô Hình Logit Đa Thức -
Kết Quả Nghiên Cứu Dự Báo Phân Bổ Nhu Cầu Đi Lại Cho Các Phương Thức Vận Tải Ứng Dụng Tại Thành Phố Hồ Chí Minh -
Tầm Quan Trọng Của Các Nhân Tố Ảnh Hưởng -
Tác Động Của Cơ Hội Sử Dụng Xe Máy Tới Lựa Chọn Phương Thức Vận Tải Công Cộng -
Phiếu Điều Tra Các Nhân Tố Ảnh Hưởng Tới Quyết Định Lựa Chọn Phương Thức Vận Tải
Xem toàn bộ 203 trang tài liệu này.
Trước khi xây dựng mô hình hồi quy logit đa thức cần kiểm tra đa cộng tuyến trong các biến độc lập và loại bỏ biến không tốt để đảm bảo các kết quả thu được có độ chính xác cao hơn. Các biến dự kiến sử dụng trong mô hình được kiểm tra tương quan cặp theo kiểm định Pearson [22, 28].
Bảng kết quả cho thấy các cặp biến sau có tương quan chặt và không nên sử dụng đồng thời trong mô hình:
- TGT và TG có hệ số tương quan r = 0,9566
- TNT và TGN có hệ số tương quan r = 0,8548
- LTN và TN có hệ số tương quan r = 0,7482
4.2.3. Xây dựng mô hình dự báo
Quá trình xây dựng và cải tiến mô hình được bắt đầu với mô hình thông dụng thường được sử dụng trong nghiên cứu lựa chọn phương thức vận tải với hai biến độc lập quen thuộc là thời gian chuyến đi và chi phí chuyến đi. Sau đó các biến điều chỉnh được bổ sung vào mô hình nhằm thu được mô hình phù hợp nhất với bộ số liệu được sử dụng, bao gồm cả sự phù hợp về mặt thống kê và tương thích với lý thuyết về hành vi lựa chọn phương thức vận tải của người thực hiện chuyến đi.
4.2.3.1 Mô hình xuất phát
Mô hình xuất phát được ký hiệu là MH0 với hàm thỏa dụng có dạng:
(4. 2) |
Trong đó:
TG: là thời gian chuyến đi CP: là chi phí chuyến đi
j: Loại phương thức vận tải (xe máy, ô tô …) i: người thực hiện chuyến đi thứ i
------------------------------------------------------------------------------
LC | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Bảng 4. 7 Kết quả ước lượng mô hình MH0
Number of obs | = | 99456 | |
LR chi2(2) | = | 12851.09 | |
Prob > chi2 | = | 0.0000 | |
Log likelihood = -19426.072 | Pseudo R2 | = | 0.2486 |
.0015883 | -63.92 | 0.000 | -.1046389 | -.0984127 | |
CP | -.0394343 | .0007722 | -51.07 | 0.000 | -.0409478 | -.0379207 |
Giả thiết được đưa ra đối với mô hình xuất phát là sự gia tăng của một đơn vị thời gian chuyến đi hay chi phí chuyến đi có tác động như nhau tới thỏa dụng của phương thức vận tải và sự khác biệt về mặt hình thức giữa các phương thức vận tải không ảnh hưởng tới việc lựa chọn. Nói cách khác việc lựa chọn phương thức vận tải để thực hiện chuyến đi hoàn toàn phụ thuộc vào thời gian và chi phí của chuyến đi đó.
Các kết quả cho thấy mô hình MH0 phù hợp về mặt lý thuyết, các hệ số gắn với biến TG và CP đều nhỏ hơn không, phản ánh khi thời gian chuyến đi tăng hay chi phí chuyến đi tăng sẽ làm giảm hàm thỏa dụng từ đó giảm xác suất lựa chọn phương thức vận tải. Các thống kê z và xác suất P đều cho thấy các biến TG và CP có ảnh hưởng tới mô hình.
4.2.3.2 Mô hình MH1
Mô hình MH1 được đưa ra trên cơ sở MH0 với sự thay đổi giả thiết. Trong mô hình MH1 sự khác biệt về hình thức giữa các loại phương thức vận tải có ảnh hưởng tới việc lựa chọn của người thực hiện chuyến đi. Mô hình MH1 về bản chất chính là mô hình MH0 được bổ sung thêm hệ số chặn. Hàm thỏa dụng trong mô hình MH1 có dạng:
(4. 3) |
------------------------------------------------------------------------------
LC | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Bảng 4. 8 Kết quả ước lượng mô hình MH1
Number of obs | = | 99456 | |
LR chi2(9) | = | 30952.25 | |
Prob > chi2 | = | 0.0000 | |
Log likelihood = -10375.494 | Pseudo R2 | = | 0.5987 |
| | -.2498103 | .0054276 | -46.03 | 0.000 | -.2604481 | -.2391725 | |
CP | | | -.008205 | .0013674 | -6.00 | 0.000 | -.0108851 | -.0055249 |
OTO | | | -2.289573 | .0647879 | -35.34 | 0.000 | -2.416555 | -2.162591 |
DIBO | | | 3.191557 | .1004151 | 31.78 | 0.000 | 2.994747 | 3.388367 |
XEDAP | | | -.6083302 | .0545989 | -11.14 | 0.000 | -.7153421 | -.5013182 |
XEOM | | | -5.680917 | .224204 | -25.34 | 0.000 | -6.120348 | -5.241485 |
TAXI | | | -1.178867 | .0833921 | -14.14 | 0.000 | -1.342312 | -1.015421 |
XEBUS | | | 6.288613 | .1820953 | 34.53 | 0.000 | 5.931712 | 6.645513 |
KHAC | | | -2.98451 | .0858069 | -34.78 | 0.000 | -3.152688 | -2.816331 |
Để ước lượng mô hình MH1 các biến giả được đưa vào để ước lượng các tham sốcho từng phương thức vận tải, các biến giả đưa vào bao gồm:
- OTO: nhận giá trị =1 nếu lựa chọn ô tô và nhận giá trị = 0 nếu chọn phương thức vận tải khác ô tô.
- DIBO: nhận giá trị =1 nếu lựa chọn đi bộ và nhận giá trị = 0 nếu chọn phương thức vận tải khác đi bộ.
- XEDAP: nhận giá trị =1 nếu lựa chọn xe đạp và nhận giá trị = 0 nếu chọn phương thức vận tải khác xe đạp.
- XEOM: nhận giá trị =1 nếu lựa chọn xe ôm và nhận giá trị = 0 nếu chọn phương thức vận tải khác xe ôm.
- TAXI: nhận giá trị =1 nếu lựa chọn taxi và nhận giá trị = 0 nếu chọn phương thức vận tải khác taxi.
- XEBUS: nhận giá trị =1 nếu lựa chọn xe buýt và nhận giá trị = 0 nếu chọn phương thức vận tải khác xe buýt.
- KHAC: nhận giá trị =1 nếu lựa chọn phương thức vận tải KHAC và nhận giá trị = 0 nếu chọn một trong các phương thức vận tải còn lại.
Từ kết quả ước lượng mô hình MH1 cho thấy:
Các xác xuất P đều xấp xỉ 0 nghĩa là các biến đưa vào mô hình đều có ảnh hưởng và các tham số đều có ý nghĩa thống kê. Hơn nữa, hệ số Pseudo R2 trong mô hình MH1 (=0,5987) cao hơn so với hệ số tương ứng trong mô hình MH0 nên nhiều khả năng mô hình MH1 phù hợp hơn mô hình MH0. Về bản chất mô hình MH0 chính là mô hình giới hạn của mô hình MH1 với điều kiện giới hạn là: “ Tất cả các tham sốđều bằng 0 ”. Nếu điều kiện giới hạn này là
đúng thì mô hình MH0 và mô hình MH1 là tương đương như nhau, nếu điều kiện này sai, có nghĩa là ít nhất một tham số thì mô hình MH1 phù hợp hơn mô hình MH0. Để kiểm tra nhận định này, kiểm định tỷ số hợp lý (LR-TEST) được thực hiện nhằm so sánh hai mô hình MH0 và MH1, với giả thiết cần kiểm định: H0: “ Tất cả các tham sốđều bằng 0 ”
Bảng 4. 9 Kết quả kiểm định LR-TEST cho mô hình MH0 và MH1
. lrtest ( MH0) ( MH1)
Likelihood-ratio test (Assumption: MH0 nested in MH1)
LR chi2(7) = 18101.16
Prob > chi2 = 0.0000
Kết quả kiểm định cho thấy giả thiết H0 bị bác bỏ ở mức ý nghĩa rất thấp (Prob > chi2 = 0,000) hay có thể nhận định rằng mô hình MH1 phù hợp hơn mô hình MH0.
4.2.3.3 Mô hình MH2
Sự cải tiến mô hình tiếp theo dựa trên giả thiết cho rằng: ngoài chi phí chuyến đi là yếu tố ảnh hưởng chính tới sự lựa chọn phương thức vận tải thì tỷ lệ giữa chi phí chuyến đi và thu nhập của người thực hiện chuyến đi cũng là yếu tố quan trọng quyết định hành vi lựa chọn phương thức vận tải của họ. Mô hình MH2 được xây dựng bằng cách bổ sung thêm biến CT (đại diện cho tỷ lệ chi phí chuyến đi so với thu nhập của người thực hiện chuyến đi) vào mô hình MH1. Hàm thỏa dụng trong mô hình có dạng:
(4. 4) |
Kết quả ước lượng mô hình như trình bày trong bảng dưới đây.
------------------------------------------------------------------------------
LC | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Bảng 4. 10 Kết quả ước lượng mô hình MH2
Number of obs | = | 99456 | |
LR chi2(10) | = | 31185.23 | |
Prob > chi2 | = | 0.0000 | |
Log likelihood = -10259 | Pseudo R2 | = | 0.6032 |
| | -.2560191 | .0055191 | -46.39 | 0.000 | -.2668364 | -.2452018 | |
CP | | | -.0035301 | .0014856 | -2.38 | 0.017 | -.0064419 | -.0006183 |
CT | | | -25.68319 | 3.010677 | -8.53 | 0.000 | -31.58401 | -19.78237 |
OTO | | | -2.212674 | .0651697 | -33.95 | 0.000 | -2.340404 | -2.084944 |
DIBO | | | 3.247406 | .1012088 | 32.09 | 0.000 | 3.049041 | 3.445772 |
XEDAP | | | -.6212935 | .0546951 | -11.36 | 0.000 | -.728494 | -.514093 |
XEOM | | | -5.476761 | .2230179 | -24.56 | 0.000 | -5.913868 | -5.039654 |
TAXI | | | -.9337038 | .0848692 | -11.00 | 0.000 | -1.100044 | -.7673633 |
XEBUS | | | 6.487831 | .1847219 | 35.12 | 0.000 | 6.125783 | 6.84988 |
KHAC | | | -3.026401 | .0860477 | -35.17 | 0.000 | -3.195052 | -2.857751 |
Các mức ý nghĩa P gắn với mỗi biến đều xấp xỉ 0 cho thấy các biến được đưa vào mô hình hoàn toàn có ý nghĩa thống kê, các hệ số gắn với biến TG, CP, CT đều nhỏ hơn 0 phù hợp về mặt lý thuyết, các hệ số này cho thấy thời gian chuyến đi, chi phí chuyến đi hay tỷ lệ chi phí/thu nhập càng cao thì xác suất lựa chọn phương thức vận tải càng giảm.
Kiểm định LR-TEST tiếp tục được sử dụng để so sánh hai mô hình MH1 và MH2 với giả thiết H0: .
Bảng 4. 11 Kết quả kiểm định LR-TEST cho mô hình MH1 và MH2
Likelihood-ratio test | LR chi2(1) = | 232.99 |
(Assumption: MH1 nested in MH2) | Prob > chi2 = | 0.0000 |
Kết quả kiểm định cho thấy giả thiết H0 bị bác bỏ ở mức ý nghĩa rất thấp (Prob > chi2 = 0,000) hay có thể nhận định rằng mô hình MH2 phù hợp hơn mô hình MH1.
4.2.3.4 Mô hình MH3
Mô hình tiếp theo (mô hình MH3) nghiên cứu kỹ hơn ảnh hưởng của thời gian chuyến đi tới việc lựa chọn phương thức vận tải. Trong mô hình này, biến thời gian chuyến đi được tách thành 2 nhân tố, thời gian trên phương tiện (TGT) và thời gian ngoài phương tiện (TGN). Hàm thỏa dụng có dạng:
(4. 5) |
Kết quả ước lượng mô hình MH3 cho thấy các tham số ước lượng được đều có ý nghĩa thống kê (xác suất P xấp xỉ 0), các tham số gắn với biến TGT, TGN, CP, CT đều mang dấu âm phù hợp với lý thuyết.
Conditional (fixed-effects) logistic regression Number of obs = 99456
LR chi2(11) = 32949.05
Prob > chi2 = 0.0000
Log likelihood = -9377.0945 Pseudo R2 = 0.6373
------------------------------------------------------------------------------
LC | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Bảng 4. 12 Kết quả ước lượng mô hình MH3
| | -.2000372 | .0051768 | -38.64 | 0.000 | -.2101836 | -.1898908 | |
TGN | | | -1.408185 | .0552493 | -25.49 | 0.000 | -1.516471 | -1.299898 |
CP | | | -.005052 | .001387 | -3.64 | 0.000 | -.0077704 | -.0023337 |
CT | | | -19.98327 | 2.523715 | -7.92 | 0.000 | -24.92966 | -15.03688 |
OTO | | | -2.477541 | .0646667 | -38.31 | 0.000 | -2.604286 | -2.350797 |
DIBO | | | 2.297897 | .0982138 | 23.40 | 0.000 | 2.105402 | 2.490392 |
XEDAP | | | -1.019103 | .0540798 | -18.84 | 0.000 | -1.125097 | -.9131081 |
XEOM | | | -5.444363 | .2183018 | -24.94 | 0.000 | -5.872226 | -5.016499 |
TAXI | | | -1.17128 | .0833689 | -14.05 | 0.000 | -1.334681 | -1.00788 |
XEBUS | | | 40.14073 | 1.649858 | 24.33 | 0.000 | 36.90707 | 43.3744 |
KHAC | | | -3.269373 | .0856211 | -38.18 | 0.000 | -3.437187 | -3.101559 |
Akaike's information criterion and Bayesian information criterion
-----------------------------------------------------------------------------
Model | Obs ll(null) ll(model) df AIC BIC
-------------+---------------------------------------------------------------
-----------------------------------------------------------------------------
Bảng 4. 13 Chỉ số AIC, BIC trong mô hình MH2 và MH3
-25851.62 | -10259 | 10 | 20538 | 20633.07 | |
MH3 | 99456 | -25851.62 | -9377.094 | 11 | 18776.19 | 18880.77 |
Hệ số Pseudo R2 trong mô hình MH3 (=0,6373) cao hơn so với hệ số tương ứng trong mô hình MH2. Tuy nhiên mô hình MH2 và MH3 không phải hai mô hình lồng nhau nên kiểm định LR-TEST không sử dụng được để đánh giá mô hình nào tốt hơn. Để so sánh hai mô hình trong trường hợp này ta sử dụng chỉ số AIC (Akaike's information criterion) và BIC (Bayesian information criterion). Về lý thuyết mô hình nào có chỉ số AIC và BIC nhỏ hơn sẽ tốt hơn.
Như kết quả trong bảng 4.13, các chỉ số AIC và BIC trong mô hình MH3 nhỏ hơn so với mô hình MH2 chứng tỏ mô hình MH3 tốt hơn MH2.
Kết quả ước lượng mô hình MH3 có thể được tính toán theo mô hình logit có điều kiện [35, 48] như bảng 4.14.
Alternative-specific conditional | logit | Number of obs | = | 99456 | ||
Case variable: IDtrip | Number of cases | = | 12432 | |||
Alternative variable: PHUONGTHUC | Alts per case: min | = | 8 | |||
avg | = | 8.0 | ||||
max | = | 8 | ||||
Wald chi2(4) | = | 2126.91 | ||||
Log likelihood = -9377.0945 | Prob > chi2 | = | 0.0000 | |||
------------------------------------------------------------------------------ LC | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- PHUONGTHUC | | ||||||
TGT | -.2000372 | .0051768 | -38.64 | 0.000 | -.2101836 | -.1898908 | |
TGN | -1.408185 | .0552493 | -25.49 | 0.000 | -1.516471 | -1.299898 | |
CP | -.005052 | .001387 | -3.64 | 0.000 | -.0077704 | -.0023337 | |
CT | -19.98327 | 2.523715 | -7.92 | 0.000 | -24.92966 | -15.03688 | |
Bảng 4. 14 Kết quả ước lượng mô hình MH3 bằng mô hình logit có điều kiện riêng theo phương thức vận tải (Mô hình MH3A)
-------------+---------------------------------------------------------------- DIBO |
_cons | 2.297897 .0982138 23.40 0.000 2.105402 2.490392
-------------+---------------------------------------------------------------- KHAC |
_cons | -3.269373 .0856211 -38.18 0.000 -3.437187 -3.101559
-------------+---------------------------------------------------------------- OTO |
_cons | -2.477541 .0646667 -38.31 0.000 -2.604286 -2.350797
-------------+---------------------------------------------------------------- TAXI |
_cons | -1.17128 .0833689 -14.05 0.000 -1.334681 -1.00788
-------------+---------------------------------------------------------------- XEBUS |
_cons | 40.14073 1.649858 24.33 0.000 36.90707 43.3744
-------------+---------------------------------------------------------------- XEDAP |
_cons | -1.019103 .0540798 -18.84 0.000 -1.125097 -.9131081
-------------+----------------------------------------------------------------
XEMAY | (base alternative)
-------------+---------------------------------------------------------------- XEOM |
_cons | -5.444363 .2183018 -24.94 0.000 -5.872226 -5.016499
------------------------------------------------------------------------------