衛星城居民出行特征及出行方式選擇模型研究

謝秋婷，溫旭麗（.重慶交通大學交通運輸學院，重慶 400074；.東南大學成賢學院土木工程系，南京 0088）

衛星城居民出行特征及出行方式選擇模型研究

謝秋婷1，溫旭麗2
（1.重慶交通大學交通運輸學院，重慶 400074；2.東南大學成賢學院土木工程系，南京 210088）

衛星城居民出行特征及出行方式選擇研究是解決衛星城交通問題的基礎和前提。以南寧市浦口區為例，通過Access數據庫對居民出行OD調查數據進行處理挖掘，從居民的出行頻次、出行目的、出行方式、出行時耗及出行時間分布五方面對衛星城居民出行特征進行研究，總結出浦口區居民出行特征現狀；挖掘并量化影響衛星城居民出行方式選擇的關鍵因素，利用浦口區居民出行調查數據，構建居民出行方式選擇多項Logit模型，通過SPSS軟件進行模型擬合和標定。在模型擬合結果中，以公交車為例進行擬合結果分析，可得到影響選擇公交出行的主要因素——性別、年齡以及有無公交IC卡，并通過計算以及模型預測值對模型擬合精度進行校驗。結果顯示，除非機動車預測效果較差以外，其余預測誤差均在可接受范圍內。

衛星城；居民出行特征；方式選擇模型；多項Logit模型；SPSS分析

0　引言

城市居民出行特征調查分析是交通規劃、建設以及管理的基礎，從居民出行特征推斷出當地居民出行狀況、道路使用情況、交通流以及交通秩序等情況，這都對描述當地交通系統特征有著重要的作用。在交通系統越來越擁擠，車流量越來越多，交通秩序較為混亂的城市，亟需通過居民出行特征調查分析獲得交通系統的各類數據。通過對數據的整理、對交通特征的描述以及對各類模型的建立應用，能夠有效地對交通系統進行規劃管理，使得城市交通系統愈加完善，更好地為居民服務。

鄒繼賢等人[1]基于陜西省漢中市2011年居民出行調查的有關數據，從年齡、職業、出行目的、出行方式、出行耗時、出行時間分布及出行空間分布等方面，對漢中市居民出行特征進行分析，并結合中小城市發展特征，從加強城市對外交通、優化城市布局和土地利用、完善城市道路網絡和優化城市交通出行結構等方面提出中小城市交通發展的對策，以解決中小城市交通問題，引導中小城市健康發展。

鄭常龍[2]根據對城市居民出行行為內涵、出行方式分類、出行方式選擇影響因素等的學習，利用北京市第三次居民出行調查數據，根據二項Lo?gistic回歸分析所得到的各出行方式影響因素以及提出的新的出行效用，構建城市居民出行方式選擇模型，并給出了模型計算的系統流程，進行了算例驗證，得到了各出行方式分擔率的距離曲線，模型很好地描述了城市居民對出行方式的選擇情況。

殷煥煥等[3]基于ML模型的基本理論與建模方法，利用2009年濟南市居民出行調查數據，對影響城市居民出行方式選擇的因素進行了分析，確定了影響居民出行方式選擇的特性變量，建立了居民出行方式選擇ML模型。研究結果表明：居民出行方式選擇與個人屬性、家庭屬性和出行屬性之間有較穩定的關系，通過對影響居民出行方式選擇的可控影響因素進行引導和調整，可以達到優化和調整交通方式結構的目的。

本文結合南京市浦口區居民出行OD調查，在已有研究的基礎上將居民出行特征分析與居民出行方式選擇研究結合起來，重點是利用多項Logit模型對居民出行方式選擇行為進行模型構建，通過對OD調查結果的分析進行精度檢驗，驗證多項Logit模型對描述居民出行方式選擇特征具有可行性和一定的精確性。

1　南京市浦口新城居民出行特征分析

從地理位置上來說，浦口區屬于南京市衛星城，與其他衛星城不同的是，浦口區與南京主城區之間以長江為界，這與一般衛星城地理位置有著很大的不同，因此，浦口區居民交通出行的調查結果與一般衛星城相比會有一定區別。但也因此，浦口區居民出行模式對描述此類型衛星城居民出行具有一定的代表性。

以浦口區2011年居民出行調查結果為數據來源，并用Access數據庫軟件對數據進行整理分析，得出居民出行特征。

1.1出行頻次

浦口區居民人均出行次數為2.49次/人·d。由于居民出行大多都需返程，故浦口區居民出行次數以2次/人·d與4次/人·d為主，分別占73.49%和14.94%。其中2次出行比例占大多數，因為大部分居民早出晚歸；而出行4次的人群主要是因為中午回家午休而產生的出行。

1.2出行目的

除回程外，浦口區居民出行目的中上班所占比例最大，其次分別為其他活動、生活購物以及上學。生活性出行（包括生活購物、休閑娛樂、探親訪友）所占比例為16.75%，僅占不到2/5，這表明了浦口區經濟水平較低，大部分人都還在為生存而出行（生活性出行的多少是一個城市經濟水平的反映，城市經濟越發達，居民生活性出行所占的比例就越高）。

1.3出行方式

浦口區居民出行方式中，所占比例最高的為自行車與電動車，占42.25%，步行比例為23.87%排在第二，二者出行量之和占出行總量的66.12%，占據了一半以上的出行比例，可見居民出行主要以非機動車和步行等體力出行為主，交通構成不合理，不利于交通管理。浦口區居民使用公共交通出行的比例為11.5%，在出行方式選擇中排第三。浦口區公交水平一般，但在小城市公交出行中屬于較高水平，這是因為浦口區屬于南京市郊區，許多居民需到主城區就業，而浦口區與主城區之間的天然隔斷——長江成了許多人過江的阻礙，而過江交通中，私家車等交通工具成本太高，對于自行車與電動車等來說，出行距離較長，且長江大橋上非機動車出行不便，因此，居民傾向于選擇方便成本又低的公交出行。

不同性別出行者對出行方式的選擇較為不同。女性更青睞于步行、非機動車、地鐵、出租車這類安全性較高、平穩舒適的出行方式，而男性更傾向于選擇如私家車、摩托車等速度快、風險較高的出行方式。

不同收入水平對出行方式的選擇也較為不同。一般收入及中等收入人群選擇較多的是步行、非機動車、公共交通等在其經濟能力范圍里的出行方式，這些方式既能滿足他們的出行需求，費用也相對較低，成為這類人群首選方式。而高收入人群由于有足夠的支付能力，可選擇費用較高但更加舒適快速的出行方式，如私家車、出租車等。

與性別、收入一樣，年齡對出行方式選擇也有較大影響。從總體來說，年齡段越大，步行比例越大，非機動車、私家車、摩托車及單位車比例則呈中間高兩邊低的正態分布趨勢，公交車、地鐵、出租車等公共交通方式各年齡段分布則較為均等。

1.4出行時耗

浦口區居民平均出行時耗為34.88min，出行時耗大多處于40min以內，出行時耗處于90min以上時段的比例也較高，為6.55%。這與一般城市出行時耗分布有分別，是因為部分居民出行需要過江到達南京市區，而南京長江大橋是南京市重要的交通路段，交通量較大，尤其是在高峰時期，這就使得過江交通時耗相比于區內交通時耗增加不少，因此居民出行所需時間大大增加。

1.5出行時間分布

根據出行時間，浦口區居民出行時間分布圖呈現兩個高峰，分別為早高峰7：00—8：00（早上上班、上學出行高峰期）和晚高峰17：00—18：00（晚上下班、放學高峰期）。這兩個主要高峰體現了浦口區居民出行的總體分布。而中午11：00—12：00、13：00—14：00兩個時段內，時間分布呈兩個次高峰，這是由于距家較近或是交通便利的居民在中午回家吃飯午休時產生的出行。

2　城市居民出行方式選擇影響因素分析

影響人們選擇出行方式的因素可分為宏觀因素和微觀因素。宏觀因素，如社會經濟發展水平、車輛擁有量、交通政策等，決定著出行方式的總結構；微觀因素，如出行目的和出行時間，則決定著各交通區之間出行方式的具體選擇。

本文所選擇的居民出行方式選擇影響因素為微觀因素，而就我國的實際情況而言，影響城市居民出行方式選擇的主要因素具備以下三個方面的特性[4]：

（1）出行者的特征：家庭車輛擁有情況、出行者年齡、收入、分區的可達性（道路密度、公交網密度）、職業、性別、是否有駕照以及公交IC卡；

（2）出行特征：出行目的、出行距離、出行的時間分布；

（3）交通設施的服務水平：費用、時間、舒適度、可靠性、安全性。

3　衛星城居民出行方式選擇模型構建與標定

常用的居民出行方式選擇模型包括兩類，分別為集計模型與非集計模型。集計模型一般以交通分區為研究單位，但本文僅就浦口區調查數據進行分析，屬于以個人為對象進行建模，因此采用非集計模型中的多項Logit模型。

用于多項Logit建模的工具有很多，本文選擇了社會科學統計程序SPSS（Statistical Program for Social Sciences）軟件中的Multi-Logistic模塊進行計算。

根據SPSS19.0標定參數的結果以及Logit模型、多項Logit模型與Logistic函數之間的關系，可推導多項Logit模型計算公式。

3.1多項Logit模型基本公式

Logit模型計算公式：

則不發生事件的條件概率為：

在模型有K個影響因素時，公式被擴展為下列形式：

同理可知，對于有 j=1,2,…,J類的選擇枝，多項Logit模型通過以下Logit形式描述：

將式（5）代入式（1），可得多項Logit模型的概率計算公式：

式中：Pj為第j種交通方式的出行比例；Vj為第j種交通方式的效用值；αj為第j種交通方式的截距；βjk為第j種交通方式第k個影響因素的回歸系數；xk為影響因素k的代表值。其中最后一個類別（即第J個類別）作為參照類。

3.2模型參數的標定及影響因素分析

根據本文對浦口區居民出行方式的特征分析，模型將供選擇的9種出行方式作為選擇枝（分類反應變量j）：步行（1）、非機動車（2）、公交車（3）、地鐵（4）、私家車（5）、出租車（6）、摩托（7）、單位車（8）以及其他（9），并以其他交通方式為參照類。

由于居民出行調查僅對出行者出行特征進行調查，因此以出行者的特征作為影響因素（自變量k），分性別、年齡、職業、有無公交IC卡、有無駕照以及出行目的六類。

將居民出行特征調查數據通過SPSS進行模型擬合和運算，可得出模型擬合信息、擬合優度（見表1）以及參數標定結果（見表2）。

表1　模型擬合信息及擬合優度

表2　模型參數標定結果表

在此模型中，當模型擬合信息中顯著值（Sig.）<0.05時，說明模型顯著性水平高，而由表1可知顯著值為0，說明此模型顯著性水平很高。模型卡方值大，可信度高。

由回歸系數及效用值公式可得：

V1=-2.020+0.476×性別+0.451×年齡+0.017×職業-0.041×公交IC卡+0.719×駕照+0.101×出

行目的；

…

V8=2.437+0.077×性別+0.419×年齡-0.328×職業-0.294×公交IC卡-1.070×駕照-0.101×出行目的；

V9=0（由于為參考類別，αj、βjk皆為0）。

各影響因素在不同出行方式中所能體現的影響能力不同，本文以公交車出行方式為例，根據參數估計結果（見表3），對其各影響因素進行分析。

表3　公交車方式選擇模型影響因素分析表

從回歸系數以及卡方值來看，性別、年齡與有無公交IC卡對選擇公交出行有著較大的影響，其中公交IC卡因素回歸系數很大，其對模型貢獻度很大，年齡因素可信度高。而職業、有無駕照與出行目的對模型貢獻很小，其中駕照、出行目的卡方值很低，顯著值很高，說明兩項指標對公交出行選擇較不重要。

3.3模型計算應用

假定已知條件為：出行目的為1（上班），是否有駕照為1（有），有無公交IC卡為1（有），職業為5（職員、公務員），年齡為4（25～29歲），性別為2（女），要求出這類人群出行方式選擇分布比例，即可根據式（6）以及效用值公式，帶入各影響因素數值，一一求解出各種出行方式的選擇概率預測值。

通過SPSS軟件進行單元格可能性計算，則模型計算結果能得到每種類型人群的出行方式選擇分布比例實際值與預測值，如表4所示。

表4　SPSS軟件計算得出的實際值與預測值

由表4可看出，實際值與預測值之間是有誤差的，誤差最小的為地鐵，相差0.5%，而相差最大的出行方式為公交車，相差7.9%，從模型整體擬合效果來看，是在可接受范圍內的。

3.4模型校驗

通過SPSS對出行方式進行每一類別觀測值和預測值的計算，可得出各出行方式的預測值，將其與實際值比較，校驗模型擬合的精度（見圖1）。

圖1 模型校驗圖

由圖1可以看出，預測值與實際值之間差異基本較小，最小的地鐵差異為0.28%，而非機動車預測值及實際值相差28.97%，差距最大，因此非機動車預測效果較差。除此之外，其余出行方式從整體模擬效果來看，其誤差是在可接受范圍內。

4　結語

根據浦口區居民出行特征調查與分析，各構成要素調查結果均符合城鎮的交通出行特征以及經濟特征，但由于浦口區特殊的地理位置以及與主城區之間的交流程度，導致其與一般衛星城有一定的區別，例如出行時耗。

本文在得到浦口區居民出行特征的基礎上，還利用多項Logit模型對居民出行方式選擇進行模型擬合，并通過計算應用及模型預測值來驗證模型的精準度。結果顯示，多項Logit模型在某些人群中的模擬誤差是在可接受的范圍內，而總體預測值中，非機動車預測結果較為不盡人意。但因各影響因素的多樣性與交通系統的發展，居民出行特征將隨之產生變化，因此未來還需時時關注交通動向，以掌握交通系統的特征。而抽樣樣本的局限性以及模型結構單一性也使模型擬合結果不完全精確，需在未來使用更精確的模型以及樣本數據進行模擬。

[1]鄒繼賢，馬娟，謝艷芳.漢中市居民出行特征分析及對策研究[J].交通科技與經濟，2013，15（1）：37-40.

[2]鄭常龍.基于效用理論的城市居民出行方式選擇分析[D].北京：北京工業大學，2013.

[3]殷煥煥，關宏志，秦煥美，等.基于非集計模型的居民出行方式選擇行為研究[J].武漢理工大學學報：交通科學與工程版，2010，34（5）：1000-1003.

[4]周溪召，張揚.先進的城市交通規劃理論方法和模型[M].北京：中國鐵道出版社，2008.

[5]溫旭麗，楊悅，葉欣.大城市居民出行軌道交通選擇意向研究[J].公路交通科技，2012（8）：356-359.

[6]張秋萍，陳義華.基于非集計模型的交通方式選擇研究[J].鐵道運輸與經濟，2010，32（1）：75-78.

[7]黃爽，安勝利.應用SPSS軟件進行多分類Logistic回歸分析[J].數理醫藥學雜志，2001，14（6）：548-549.

[8]趙貝.居民出行方式選擇與公交優先政策協同研究[D].長春：吉林大學，2011.

[9]顧康康，蔡茜.合肥城市居民交通出行特征分析[J].安徽建筑工業學院學報，2012，20（2）：59-63.

[10]劉彤，鞏麗媛，周欣，等.濟南市居民出行調查分析及對策研究[J].交通標準化，2010（17）：150-153.

[11]沈俊江，何保紅，孫靜怡.中小城市居民出行特征分析及交通發展對策研究[J].公路工程，2011，36（1）：123-126.

Residents′Travel Characteristics and Model of Travel Mode Choice for Satellite City

XIE Qiu-ting1,WEN Xu-li2
(1.School of Transportation,Chongqing Jiaotong University,Chongqing 400074,China; 2.Department of Civil Engineering,Southeast University Chengxian College,Nanjing 210088,China)

Study on residents′travel characteristics and travel mode choice behaviors is the basis and premise to solve traffic problems of satellite city.Taking Pukou district of Nanjing as an example,the res?idents′travel OD survey data was processed and excavated by Access.The residents′travel characteris?tics status was summarized from aspects of travel frequency,travel purpose,travel mode,travel time and its distribution.The major factors influencing the travel mode choice of satellite city residents were exca?vated and quantified.By data mining,the multinomial travel choice Logit model was established.It was fitted and calibrated through SPSS.Taking the public transport as an example,the major factors influenc?ing the choice of bus travel which were gender,age and whether having bus IC card were conducted.The fitting accuracy was tested using the calculation and predicted value.The result shows that the errors of predicted values are acceptable except for non-motorized vehicle.

satellite city;residents′travel characteristics;model of travel mode choice;multiple Logit model;SPSS analysis

U491

A

2095-9931（2015）02-0031-05

10.16503/j.cnki.2095-9931.2015.02.006

2015-01-27

謝秋婷（1990—），女，福建安溪人，碩士研究生，研究方向為交通運輸規劃與管理。E-mail:qt614@163.com。