城市小汽车的使用模式划分及预测模型＊

万 霞 陈 峻 胡文婷

（东南大学交通规划和管理江苏省重点实验室 南京 210096）

小汽车的使用受到众多影响因素的作用，包括使用者的个体特性、所在家庭特性和交通系统的特性［1－3］.Lu Xuedong研究了个人属性、活动模式和出行行为间的相互作用［4］，Giuliano对比研究了美国和英国小汽车使用者的出行行为特性差异［5－6］.近年来，国内也有部分学者开始从非集计层面进行居民出行预测模型研究，东南大学杨敏基于出行链对居民出行需求预测进行了研究［7］.但对于小汽车的出行研究较少涉及.本文针对我国交通现阶段的发展趋势从非集计层面对小汽车的使用开展深入研究.

1 小汽车使用模式

1.1 小汽车使用模式的划分

小汽车使用模式用基于活动的概念来描述.由于小汽车交通工具的特殊性，在调查中发现有居民全天只有部分出行使用小汽车，剩余的出行中选择使用其他交通工具，如公交车、摩托车等.本文相应的将小汽车的使用模式分为以下4类：（1）no car.虽然拥有小汽车，但在1d中不使用小汽车完成活动计划，包括全天不出行；（2）car＋.1d的活动实现过程中，使用小汽车，但同时也有其他出行方式存在；（3）one chain.1d的活动实现过程中，出行均使用小汽车，只拥有一次小汽车往返行程；（4）more chain.1d的活动实现过程中，出行均使用小汽车，且拥有2次以上往返行程.

1.2 小汽车使用模式分析

居民全天的活动安排和小汽车使用有密切关联，为了研究小汽车的使用特性，在表1中笔者将城市小汽车使用者按全天往返行程数进行分类，分别讨论其小汽车使用模式选择规律.用蚌埠市和沈阳市进行比对分析，以寻求小汽车使用的共性和差异性，见表1.

从表1中可以看出蚌埠和沈阳2城市小汽车使用模式上存在较大的共同点，可以反映出我国城市小汽车使用的现状：（1）小汽车使用者中最大群体是全天只有一个往返行程的居民，蚌埠市比例为79.8%，沈阳市为82.8%，这类使用者大部分出行使用小汽车，且蚌埠市高达97.3%.全天出行有2个以上往返行程的居民比例较少；（2）one chain模式占4类模式的55%以上，由于小汽车的高额使用费用使居民减少了中午时段的往返出行，所以more chain模式比例较低.同时2城市小汽车管理政策并未实施，换乘理念还未推广，car＋模式比例均低于10%.

但2个城市由于交通环境的差异，如城市规模，上下班制度，小汽车使用费用和生活习惯等方面，带来2城市小汽车的使用也存在一定的差异：（1）沈阳市小汽车使用者选择全天只有1个往返行程的比例高于蚌埠市，但在出行中使用小汽车的比例为70.1%，而蚌埠市高达97.3%；（2）沈阳市全天有两个往返行程的小汽车使用者中，只有近23%的居民全天使用小汽车，而蚌埠市该比例达到84%；（3）沈阳市全天有3个及其以上往返行程的小汽车使用者比例高于蚌埠市比例，全天不出行的小汽车使用者比例为4.6%，而蚌埠市由于居民活动的丰富性和生活习惯同沈阳市存在差异，没有全天有4个往返行程和不出行的小汽车使用者.

表1 小汽车使用者出行特性和小汽车使用模式分布

1.3 小汽车使用特性分析

不同的小汽车使用模式对应不同的时空特性，本节讨论各小汽车使用模式的小汽车使用特性，包括小汽车行程长度、出行总时耗和出行活动目的.出行活动可分为2类：（1）以上班为目的的通勤活动；（2）以购物、娱乐为目的的非通勤活动.本文将小汽车使用者全天活动目的分为四类：居家、通勤、非通勤和通勤＋，分别表示其全天不出行、只有通勤出行、只有非通勤出行和既有通勤出行又有非通勤出行.no car模式研究其他方式出行的活动目的分布，其他3种模式是讨论小汽车活动目的分布，结果见表2.

表2 蚌埠市小汽车使用特性分析

对2城市进行分析得到如下结论：（1）小汽车行程长度.one chain模式的小汽车出行平均长度在2.0～2.3；more chain模式的平均长度在4.0～4.5，蚌埠最大长度为4，而沈阳达到8.蚌埠市car＋模式小汽车出行次数均为1，进一步分析得个体都是基于家的第一次出行作为乘客使用小汽车，而沈阳市情况相对复杂，car＋模式中部分居民全天多次使用小汽车；（2）小汽车出行时耗.小汽车使用总时间整体看来随着小汽车行程数的增多而提高，但不同小汽车行程数呈线性增长.由于城市规模的影响，可以看出蚌埠市一次小汽车出行时耗在30min左右，沈阳市一次时耗在40min左右；（3）活动目的分布.在蚌埠市表现出通勤出行会促使居民更多的使用小汽车，而在沈阳市正好相反，非通勤为目的的小汽车出行比例增加.但我国目前小汽车的使用大部分还是用于通勤出行，且在规模较小的城市这种现象更明显.两城市采用no car模式的小汽车使用者的出行活动目的分布相似.

2 使用模式选择影响因素分析

2.1 个人属性分析

居民个人属性在人口统计学上多用性别、职业、年龄等代表其主要特征.调查中个人职业分为工人、职员、个体、家务等9类，本文按其是否需要固定时间上下班将其分为固定和弹性2类.年龄分为小于30岁、30～50岁和大于50岁3类.并对每个属性和小汽车使用模式进行交叉列联表分析，单因素的Pearsonχ2检验的P值列于表3.

表3 小汽车使用者个人属性分析

总体说来，我国小汽车使用者中，男性比例占60%以上，使用者的年龄多集中在30～50岁，城市越小，集中的趋势更明显.但小汽车使用者的职业分布各城市存在明显差异，规模较小的城市大比例的使用者从事工作时间自由的职业，而随着城市规模的增大，工作时间固定的小汽车使用者比例大幅增加.上述影响因素，除了蚌埠市使用者的性别对小汽车使用模式选择的影响不显著，其余各因素对于两城市的作用均显著.

2.2 家庭属性分析

家庭规模、收入、是否有学龄儿童都可能影响小汽车的使用，家庭是否拥有自行车或摩托车等私人交通工具同样作为影响因素进行考虑，分析结果见表4.

表4 小汽车使用者家庭属性分析

小汽车使用者中，大部分家庭人口数不大于3人，家庭中拥有学龄儿童的比例在14%左右.沈阳城市规模大于蚌埠，相对较快的生活节奏使人们更倾向于让老年人帮助照顾家庭，所以小汽车使用者家庭人口数大于3的比例高于蚌埠.在家庭收入一项，沈阳市家庭收入大于5万元的比例高于蚌埠市，这一结果和两城市人均收入的差距相对应.观察自行车或摩托车的拥有状况，小汽车使用者家庭中其他交通工具的配备率较高，在沈阳尤为突出，自行车比例达74%，摩托车的配备率高于整个城市平均水平.在10%的置信区间内，各家庭属性对蚌埠市的影响均显著，而沈阳市家庭收入因素的影响作用不显著，其余因素作用显著.

2.3 活动属性分析

本文为了描述小汽车使用者1d的活动，考虑了活动目的、区位属性和使用时间3个方面.小汽车使用者1d的活动目的分为4类：居家、通勤、通勤＋和非通勤（定义同2.3）.区位属性是小汽车使用者的家庭地点和主要活动地点的配对，如“中－外”是家住在中心，主要活动地点是在外围，主要活动地点根据活动持续时间的长短来判定.时间安排反映小汽车使用的时间特性，用“早－晚、早、晚和其他”4类分别代表小汽车早晚高峰均有使用、早高峰有使用、晚高峰有使用和在全天非早晚高峰使用，见表5.

我国目前小汽车多用于通勤活动，居家和通勤＋模式的比例都极低，蚌埠市通勤活动比例高达93.2%.随着城市规模和居民收入的提高，个体休闲娱乐方式更具多样性，小汽车的使用不再局限于通勤活动，沈阳市小汽车使用于通勤活动的比例下降为58.4%，非通勤活动比例大幅增加.由区位属性可知，蚌埠市调查当天有使用小汽车居民大多家住在市区，而沈阳市存在明显区别，大部分小汽车使用者家住郊区，且主要活动地点也在郊区.小汽车使用时间上，两城市早晚高峰均使用小汽车的比例相差不大，沈阳市居民更倾向于在其他时刻使用小汽车，避开早晚高峰，但总体看来城市的晚高峰是小汽车使用相对集中的时刻.活动类型、区位属性和使用时间对小汽车使用的影响对两城市的检验结果表明均为显著.

表5 小汽车使用者全天活动分析

3 小汽车使用模式预测模型

3.1 logistic模型的建立

根据非集计模型的效用最大化理论，本文假定小汽车使用者将选择对自己来说效用最大的小汽车使用模式来完成全天的活动计划.而由于本研究各选择肢相互独立，可以多项Logit（MNL）模型为基础建立Logistic回归模型.它的基本原理与MNL模型相同，但以2城市小汽车使用模式所占比例最大的one chain模式为基础，采用概率比的形式建立模型，公式如下，用1，2，3和4分别来表示小汽车使用模式no car，car＋，more chain和one chain：

式中：i为从1到3的整数；pi为出行者选择除one chain以外的3个选项的概率；p4为选择one chain的概率；Vi为与one chain模式相比第i种小汽车使用模式的效用，它可以用最常用的线性形式来表示；θk为第k项因素的效用系数，xik为选择肢i的第k项因素的特征值.式（1）可以得到选择其他3种使用模式与选择one chain概率比

又因为所有的概率选项和为1，即满足

由式（1）和式（2），就可求得选择所有时段出行的概率.Logistic模型以各选肢之间的比较为基础建模，采取这种对数比形式的模型使各选肢的效用比较可以一目了然.

3.2 模型的标定

模型影响变量选取如第3节所分析的相关变量，包括个人属性、家庭属性和活动属性，具体的各变量定义这里不再重复.对两城市小汽车使用模型进行标定，并对各影响变量进行t检验，当t的绝对值大于1.65时，即有90%的把握判断对应的特性是影响小汽车使用模式选择的主要因素之一.对初始模型中t绝对值小于1.65的变量逐步剔除，重新建立模型，最终模型标定结果见表6.

由表6可知，蚌埠市模型优度比ρ2为0.479，沈阳为0.426，在实践中ρ2的值达到0.2～0.4，则认为模型整体精度符合要求［8］.且两城市的预测模型的命中率都在80%以上，蚌埠市预测模型的精确度略高于沈阳.t检验结果表明最终进入模型的所有特性变量在90%的可靠性水平上对各选择肢的选择概率影响显著.

3.3 模型的结果分析

两城市中对于不同小汽车使用模式而言，对其影响显著的特性变量、系数符号或系数值都有所不同，这一点正好体现了解释变量的作用，同时突出了两城市选择行为的差异.以下以家庭是否拥有自行车为例对模型标定结果进行解释.蚌埠市有自行车变量在no car模式中的参数估计值为0.793，表示当使用者家中有自行车时，在全天出行中选择no car模式的可能性是one chain模式的exp（0.793）＝2.21倍，同理选择car＋模式是one chain模式的exp（0.799）＝2.23倍，选择more chain模式的概率为one chain模式的exp（－0.66）＝0.51，但在沈阳市该影响因素的作用不如蚌埠市突出，只在car＋模式中的作用才显著.用这种方法，可以对其他的变量进行分析，各影响因素对两城市小汽车使用模式影响的结论总结如下：（1）小汽车使用者的个人属性中，女性对小汽车的依赖程度不如男性，且城市越大这种现象越明显.工作时间固定的小汽车使用者，在规模较大的城市中选择不使用小汽车的概率会增加，但在规模较小的城市有不使用和更依赖小汽车两级分化趋势.年龄因素的作用在不同城市差异较大；（2）小汽车使用者的家庭属性，家庭人口规模的作用不如其他因素显著，家庭中有学龄儿童会增加居民对小汽车使用的依赖性，大城市更加明显.家庭收入越高小汽车的使用越频繁，该特性只在规模较小的城市显著，在大城市收入不再是影响小汽车使用的主要因素.自行车或摩托车等交通工具的拥有会抑制小汽车的使用，该作用在规模更小的城市更强；（3）小汽车使用者的一天的活动属性中，活动目的是影响小汽车模式选择的重要因素，只有通勤活动和只有非通勤活动的居民小汽车使用模式选择差异巨大，大城市居民有非通勤活动会促进小汽车的使用，而在小城市正好相反.区位属性和时间安排的影响也非常显著，家住城市外围的居民对小汽车更加依赖，在早晚高峰出行的居民选择one chain模式的概率较大，城市晚高峰是小汽车使用的高峰期.

表6 小汽车使用模型的标定结果

4 结 束 语

本文在对沈阳和蚌埠市调查数据分析的基础上，基于活动的思想将城市小汽车的使用模式分为：no car，car＋，one chain和 more chain4类，分别讨论了4类小汽车使用模式的小汽车行程长度、时耗特性和活动目的分布，总结了我国城市小汽车使用的相关规律.在对小汽车使用者的个人属性、家庭属性和全天活动属性同小汽车使用模式选择的相关性研究的基础上，建立了非集计小汽车使用预测模型，该模型为小汽车出行需求预测方法的改进提供一种新思路.但从建立的预测模型看来，城市规模越小，预测的准确率越高，是由于大城市的交通作用更加复杂，公共交通的影响更加突出，需要在今后的研究中在多考虑该方面影响因素.

［1］Krygsman S，Arentze T，Timmermans H.Theories and models of activity patterns：in activity－based approaches to travel analysis［J］.Transportation，2007（2）：1－36.

［2］周文竹，王 炜，郭志勇.基于各等级道路的交通方式出行距离分布研究［J］.武汉理工大学学报：交通科学与工程版，2009，33（5）：976－979.

［3］Steg L.Car use：lust and must.instrumental，symbolic and affective motives for car use［J］.Transportation Research Part A，2005，39（2）：147－162.

［4］Lu Xuedong.Social－demographics，activity participation and travel behavior［J］.Transportation Research Part A，1999，8（4）：102－121.

［5］Giuliano G，Narayan J.Another look at travel pat－terns and urban form：The US and great britain［J］.Urban Studies.2003，40（11）：2295－2312.

［6］Giuliano G，Dargay J.A comparison of the US and great Britain［J］.Car Ownership，Travel and Land Use：Transportation Research Part A，2006，40（2）：106－124.

［7］杨 敏.基于活动的出行链特征与出行需求分析方法研究［D］.东南大学交通学院，2007.

［8］周雪梅，曲大义.信息化条件下的城市交通需求预测［J］.长安大学学报，2003（3）：88－90.