基于Logistic模型的城市慢行交通出行者特性研究

安 睿，刘圆圆，韩军红，张兴宇

（长安大学 公路学院，陕西 西安 710064）

基于Logistic模型的城市慢行交通出行者特性研究

安 睿，刘圆圆，韩军红，张兴宇

（长安大学 公路学院，陕西 西安 710064）

为了防治机动车污染，提升慢行交通系统使用率与服务水平，针对慢行交通出行者特性开展研究。以铜川市居民出行调查数据为基础，将其分为家庭属性、个人属性与出行特征属性3个类别，借助SPSS软件构建二元Logistic模型，以优势比（OR）为主要评判标准，从多种属性变量中辨识影响慢行交通使用的主要变量，阐述出行者特征。研究结果表明：步行出行距离一般小于3km，自行车出行距离小于5km，各种属性变量对慢行交通的选择有不同程度的影响，步行与自行车出行的影响变量也存在差异；女性更倾向于步行，而男性使用自行车的几率更高；非通勤出行以步行为主；交通工具保有量的提升会降低步行出行率，而对自行车出行基本不产生影响；家庭收入与是否选择慢行交通出行不存在显著关系。

慢行交通；出行者特性；Logistic模型；优势比；出行行为

0 引言

慢行交通的概念最早出现在《上海城市交通白皮书》中，特指依靠人力、主要承担短距离出行、以接驳为主要功能的一种交通方式，主要包含步行与自行车出行，其发展优势主要体现于环保、高效、健康三个方面。在当今发展形势下，由于机动车交通加速了环境的恶化并影响人类健康，各国采取了政策性手段减少小汽车的使用[1-3]、建立清洁的运输系统，慢行交通以其低污染的特点成为了最重要的角色之一[4]。我国编制的《节能减排“十二五”规划》中，明确要求抓好城市步行、自行车交通系统建设。

目前，慢行交通的相关研究主要集中在规划、安全与行为选择等几个方面。李聪颖等[5]通过二元活动选择模型，得出年龄、家庭收入、出行费用、行程时间、方便程度是慢行交通出行的主要影响因素。而Raha U.等[6]的研究以短途自行车出行为研究对象，综合考虑Pucher J.等[7]与Ortúzar J.D.D.等[8]的研究，将影响因素分为个人特征、行为特征、地区设施特征以及政策，研究结论表明出行行为特征与相关政策是影响慢行交通选择的主要因素。

在依据SP（意愿）调查的研究中，Moudon A. V.等[9]在选择模型中增加了出行者偏好及环境两方面因素，经Logistic回归后，个人的社会经济属性仍然是影响慢行交通的主要因素，这与国内学者杨晨等[10-11]的研究结论相似。曹新宇等[12]的研究表明，在已建成的出行环境下，出行选择行为主要受到出行目的影响，而个人特征影响也十分显著。Bagley M.N.等[13]发现在影响出行选择的解释变量中，生活形态以及个人态度变量对出行有着极大的影响，居住地类型的影响则很微小。Hankey S.等[14]将研究范围进一步拓展，从气候、社会经济属性、土地混合度与道路设施等多个方面阐述慢行交通选择特性。

在现有的研究成果中，慢行出行者特性一般作为出行行为研究的附属内容。多数研究以出行目的对研究对象进行分类，阐述不同出行目的下的慢行交通选择行为，对慢行交通使用者特征的研究为数不多。为了提升慢行系统的使用率，降低机动车污染，本文以铜川市综合交通规划中的居民出行调查为数据基础，以慢行交通出行者特性为出发点，采用Logistic回归模型探究社会经济属性（个人、家庭）、出行特征等因素与城市慢行交通使用之间的关系，为慢行交通规划提供出行者特性指导，鼓励更多的人使用慢行交通，支持城市可持续发展。

1 模型方法及数据

1.1 二元Logistic模型

在上述研究的基础上，分别从步行与自行车出行考虑，分为步行出行与非步行出行，自行车出行与非自行车出行，建立不同的居民属性下，步行与自行车出行的二元Logistic选择模型。

（1）模型方法

该模型有两个选项：是（即1），表示人们的出行方式为慢行（步行、自行车）；否（即0），表示人们的出行方式为慢行外的其他交通方式。影响慢行选择的因素包括调查中收集到的个人属性、出行属性等所有因素。

假设第 n（n∈N）个出行者选择第 j（j∈J）种出行方式用ynj表示。ynj=1，代表出行者选择了该出行方式；反之ynj=0。假设在理论上，存在一个连续反应变量代表ynj发生的概率，其取值范围为(-∞,+∞)。如果此变量的值超出一个临界点m，便使出行者n选择了出行方式j，于是有：

式中：εj是误差项，服从Logistic分布；β0为截距（通常称为常数项）； βi(i=1,2,…,m)是 xnj（i=1,2,…,m）的偏回归系数。由式（2）可知，第n个出行者选择第j种出行方式的条件概率为：

通过计算求解可得：

（2）比数比

首先，定义出行方式 j不被出行者n选择的概率为：

那么出行方式 j被选择与不被选择发生概率之比为：

这个比被称之为事件的发生比，简记为Odds（优势）。由式（6）可以看出， p越大，则Odds越大；p越小，则Odds越小。

为了度量某一自变量（影响因素）对因变量（是否选择此出行方式）影响程度的大小，定义Odds Ratio（简记OR，简称优势比），其计算公式如下：

式（7）的含义为：在其他自变量（选择行为的影响因素）不变的情况下，自变量xni改变一个单位，因变量对应的OR改变exp(βi)[15]。当OR接近于1时，该属性影响程度较小。OR值极小或极大的情况均说明此种属性对因变量影响较大。

1.2 数据概况

铜川市地处关中平原与陕北黄土高原之间，是关中城市群中重要的产业基地和北部门户枢纽城市、关中经济带的重要组成部分、国家关中—天水经济区次核心城市。铜川市分为南北两个市区，北市区呈带状分布，由两条平行主干路承担主要交通；南市区为典型的方格式路网，慢行交通出行占比较高。

本文研究数据来源于2013年铜川市居民出行调查，根据抽样调查的相关要求，采取入户的调查方式，范围包括铜川市7个片区，共29.8km2，共抽取了3 628户家庭，实际问询调查人数为10 884人，抽样率为3.67%。一些问卷由于填写不完整，导致数据无效，经统计，有效数据共计17 139条。调查内容主要包括家庭属性、个人属性与出行特征3个方面。

（1）家庭属性变量：包括家庭人数，是否有6岁以下儿童，家庭月平均收入，现阶段小汽车、电动车以及自行车的保有量，近五年是否有购车计划，家庭月交通费用以及住地调整意愿。

（2）个人属性变量：包括性别、年龄、是否拥有驾照、是否有工作调整意愿以及职业。

（3）出行特征变量：包括出行目的、出行方式以及出行距离。

根据调查结果，铜川市人均日出行次数为2.76次，出行者平均年龄为40岁，年龄分布范围为7～84岁；男性占48.7%，男性中持有驾照的共1 244人，占29.8%；女性占51.3%，女性中持有驾照的为263人，占5.9%。按职业划分，调查人群中学生占12.2%，工人及职员占37.5%，个体经营及农民占50.3%。以家庭为统计对象，户均自行车拥有量为0.26，户均小汽车拥有量为0.16，有9.4%的家庭5年内有购车计划。家庭月平均收入方面，500元以下占9.6%，500～1000元占比25.1%，1000～2000元占比33.5%，2000～5000元占比28.1%，5000～10000元占3.5%，10000元以上占0.2%。户均家庭月交通费用为185.4元。

1.3 数据特征分析

将家庭属性、个人属性与出行特征3种类别的变量按照不同的出行方式（步行、自行车、小汽车、大巴车、其他）进行数据统计，并与慢行交通出行相比较（见表1）。其中将职业变量进行二分类处理，分类方式是具备上学、上班等通勤交通的职业归为一类，其他归为一类；将出行目的按照弹性出行与非弹性出行进行二分类；年龄、家庭月均收入及出行距离为连续变量，无需进行二分类处理。

表1 慢行交通出行者特征描述性统计

表1（续）

由表1可知：

（1）从样本量来看，慢行交通是主要出行方式，与机动车（小汽车、大巴车）出行人数相比，约为2∶1。

（2）从家庭属性分析，慢行交通出行者与其他出行者自行车平均保有量之比趋近于4∶3。相比于其他出行者，月均交通费用最低。

（3）从出行者的个人属性分析，步行交通男女出行比例较接近。自行车交通出行者主要以男性为主，驾照持有比例最低；步行出行者涵盖范围较广，平均年龄最大，而自行车出行更偏向于年轻化。

（4）从出行特征变量考虑，慢行交通以短途出行为主，步行主要承担弹性出行，自行车主要承担非弹性出行。

2 慢行交通出行者特性分析

2.1 二元Logistic模型回归分析

二元Logistic回归模型主要用来分析每种属性的显著性水平（Sig）、优势率（OR）以及可置信区间（C.I.）。待分析变量共有17个，首先采用主成分分析，对变量进行降维处理，其KMO值为0.625。Kaiser给出的常用的KMO度量标准为：0.9以上表示非常适合；0.8表示适合；0.7表示一般；0.6表示不太适合；0.5以下表示不适合。根据此标准，本次分析的变量不适宜做主成分分析[16]。故对每个属性变量单独进行Logistic回归分析[17]，如表2所示。

表2 单因素回归检验

为阐述在步行与自行车出行行为中，出行者各属性的优势比（OR），将表2中的独立显著性变量利用SPSS进行二元Logistic回归，工作调整意愿以及出行费用由于不显著，所以从变量中将其剔除。步行出行者特性分析结果如表3所示，步行回归模型的预测准确度为92.5%，自行车回归模型的预测准确度为95.3%，模型预测效果较好。

表3 步行选择行为二元Logistic回归结果

表3（续）

以步行出行者为研究对象，交通工具保有情况是影响慢行交通使用的主要因素，从表3中可得，自行车对于步行交通的使用替代程度最强，电动车次之，小汽车最后[17]。拥有驾照也是减少步行概率的主要影响因素，因为拥有驾照后，使用小汽车的频率会上升而步行频率相应降低[18]。男性选择步行的概率仅为女性的0.552倍；职业因素影响较小，但通勤出行者选择步行的概率要低于非通勤者。出行距离与年龄对步行选择影响不显著，随着年龄的增加，出行者选择步行的概率微弱增加，可忽略不计；出行距离增加会提高选择步行的概率。参照出行目的统计，步行交通承担了大部分的休闲娱乐与回家出行（见图1），占比为72.77%，此种情形下出行者一般怀有锻炼身体、放松心情等目的，出行距离较长，但碍于步行交通自身的限制，一般不超过3km（见图2）。

图1 铜川市慢行交通出行目的构成

图2 铜川市慢行交通出行距离累积率

以自行车出行者为研究对象，自行车选择行为二元Logistic回归结果如表4所示。由表4可以看出，男性的骑行概率明显大于女性[19-20]，是否拥有小汽车对于选择自行车出行无显著影响，但拥有驾照的出行者选择自行车出行的概率会明显降低。综合考虑人群与出行目的，学生及职员这一类存在通勤出行的人群使用自行车的概率明显高于以弹性出行为主的非通勤者（见图1），自行车出行中41.92%为通勤出行。自行车拥有对于选择自行车出行的概率增加最为显著。与步行相反，随着距离的增大，自行车出行选择概率逐渐降低，出行距离一般在5km以内[21]，如图2所示。

表4 自行车选择行为二元Logistic回归结果

2.2 慢行交通出行者特性分析

通过建立二元Logistic模型，分析某些特定条件下慢行交通出行者特性。从回归中可发现，每一种属性变量的变化都会影响行为选择的结果，但各属性变量的影响程度不同，步行与自行车选择行为也存在相互差异，主要表现在以下四个方面：

（1）步行出行者的出行特性主要有以下几点：①其他交通工具的保有是影响步行选择的主要因素；②如果家庭中有6岁以下的儿童，会降低步行选择的概率[5]；③女性要比男性更倾向于采取步行，非通勤者采取步行的概率更高，年龄的影响不显著；④出行目的为弹性出行的选择步行的概率更高，例如休闲娱乐、探亲访友等等。

（2）自行车出行者的出行特性主要有以下几点：①除自行车外，其他交通工具的保有对自行车出行选择影响不显著；②男性相比于女性更倾向使用自行车[25]，通勤者选择自行车出行概率大幅度高于非通勤者，年龄依然不是主要影响因素；③学生及职员更愿意使用自行车，根据出行目的统计，自行车出行中有近一半的通勤出行；④出行距离增加会降低选择自行车的概率，自行车出行距离累积曲线的斜率逐步放缓（见图2），表明随着出行距离的增加，使用人数也逐步减少。

（3）家庭人数、家庭月均交通费用以及家庭月均收入对慢行出行的影响不显著，这是因为慢行交通常作为短距离出行使用，与收入的相对关联度较低。一般情况下，慢行交通不产生交通费用，所以家庭月均交通费变量在回归结果中未体现。

（4）慢行交通是依靠人力的交通方式，所包含的各种方式由于其采取人力、短距离出行等共性因素，而具备相似的特性；与收入、出行花费、年龄、工作调整等因素不存在显著关联，住地调整不影响其使用；但也同时存在着差别，性别、职业、目的等因素对步行与自行车出行呈现相反的影响，所以在慢行交通特性研究中，应在考虑共性的前提下，充分分析各方式的个性特征。

3 结论

（1）通过数据统计与二元Logistic模型回归，从17个出行者属性变量中，选出对慢行交通影响具备统计学意义的变量。由于变量数目较多，难以保证回归结果的准确性，本文先使用主成分分析法进行降维，样本未能通过检验。按照Logistic模型在SPSS中实现的一般方法，首先对每个参与回归的自变量与因变量进行回归，再将所有通过单变量检验的变量进行Logistic回归，采用综合考虑数据分类与优势比的方法，对步行、自行车出行者特性进行分析；研究表明，性别、职业、交通工具保有以及出行目的是慢行交通出行者的主要特征变量[23-24]。

（2）在研究过程中，家庭月均收入在单因素检验中“显著”，但在通过检验的变量共同参与Logistic回归中被舍弃；年龄虽然在回归结果中“显著”，但其优势比接近于1，说明年龄的变化对于慢行交通的选择概率基本无影响。可以预见，随着社会经济发展，年龄与收入不再是影响慢行交通使用的主要因素。

（3）Logistic模型回归可以较为清晰地阐述慢行交通出行者各特性变量对于选择行为的影响，若进一步研究，可通过扩展属性变量，并且引入多个连续性变量，以提升预测模型的精度；另外，通过细化研究区域、引入土地因素等方法也可更加准确地预测区域内慢行交通出行者的特性[12，18]。

（4）文中所统计的慢行交通出行来源于居民出行调查，部分具有接驳性质的慢行交通出行难以统计，存在部分数据缺失的情况。

[1] HENSHER A D.The Imbalance Between Car and Public Transport Use in Urban Australia:Why Does It Exist?[J]. Transport Policy,1998,5(4):193-204.

[2] RICHTER J,FRIMAN M,GÄRLING T.Soft Transport Policy Measures:Gaps in Knowledge[J].International Journal of Sustainable Transportation,2011,5(4):199-215.

[3] RICHTER J,FRIMAN M,GÄRLING T.Review of Implementations of Soft Transport Policy Measures[J].Transportation:Theory and Application,2010,2(1):5-10.

[4] VALERO C F F,PUERTA C P.Identification of the Main Risk Factors for Vulnerable Non-motorized Users in the City of Manizales and Its Relationship with the Quality of Road Infrastructure[J].Procedia-social and Behavioral Sciences,2014(162):359-367.

[5] 李聪颖，马荣国，王肇飞.基于活动分析法的城市慢行交通出行行为[J].长安大学学报：自然科学版，2011，31（2）：86-90.

[6] RAHA U,TAWEESIN K.Encouraging the Use of Non-mo-torized in Bangkok[J].Procedia Environmental Sciences, 2013(17):444-451.

[7] PUCHER J,KOMANOFF C,SCHIMEK P.Bicycling Renaissance in North America?:Recent Trends and Alternative Policies to Promote Bicycling[J].Transportation Research Part A:Policy and Practice,1999,33(7/8):625-654.

[8] ORTÚZAR J D D,IACOBELLI A,VALEZE C.Estimating Demand for a Cycleway Network[J].Transportation Research Part A:Policy and Practice,2000,34(5):353-374.

[9] MOUDON A V,LEE C,CHEADLE A D,et al.Cycling and the Built Environment:a US Perspective[J].Transportation Research Part D:Transport and Environment,2005,10(3): 245-261.

[10]杨晨，陆建，王炜，等.基于个体出行方式选择的自行车交通影响因素研究[J].交通运输系统工程与信息，2007，7（4）：131-136.

[11]杨晨，王炜，陆建，等.个体因素对选择自行车通勤的影响研究[J].武汉理工大学学报：交通科学与工程版，2010，34（3）：611-615.

[12]Cao X Y,HANDY S L,MOKHTARIAN P L.The Influences of the Built Environment and Residential Self-selection on Pedestrian Behavior:Evidence from Austin,TX[J].Transportation,2006,33(1):1-20.

[13] BAGLEY M N,MOKHTARIAN P L.The Impact of Residential Neighborhood Type on Travel Behavior:a Structural Equations Modeling Approach[J].Annals of Regional Science,2002,36(2):279-297.

[14] HANKEY S,LINDSEY G,WANG X Z,et al.Estimating Use of Non-motorized Infrastructure:Models of Bicycle and Pedestrian Traffic in Minneapolis,MN[J].Landscape and Urban Planning,2012,107(3):307-316.

[15] 丹尼尔·A·鲍威斯，谢宇.分类数据分析的统计方法[M].任强，巫锡炜，穆峥，译.2版.北京：社会科学文献出版社，2009.

[16]薛薇.统计分析与SPSS的应用[M].北京：中国人民大学出版社，2001.

[17]LUNDBERG B,WEBER J.Non-motorized Transport and University Populations:An Analysis of Connectivity and Network Perceptions[J].Journal of Transport Geography, 2014(39):165-178.

[18]PLAUT P O.Non-motorized Commuting in the US[J].Transportation Research Part D:Transport and Environment, 2005,10(5):347-356.

[19] ZAHRAN S,BRODY S D,MAGHELAL P,et al.Cycling and Walking:Explaining the SpatialDistribution of Healthy Modes of Transportations in the United States[J]. Transportation Research Part D:Transport and Environment,2008,13(7):462-470.

[20] 约翰·普切尔，拉尔夫·比勒，孙苑鑫.难以抵挡的骑行诱惑:荷兰、丹麦和德国的自行车交通推广经验研究[J].国际城市规划，2012，27（5）：26-42.

[21]MARTENS K.The Bicycle as a Feedering Mode:Experiences from Three European Countries[J].Transportation Research Part D:Transport and Environment,2004,9(4):281-294.

[22] RYLEY T.Use of Non-motorized Modes and Life Stage in Edinburgh[J].Journal of Transport Geography,2006,14(5), 367-375.

[23] RUIZ T,BERNABJ C.Measuring Factors Influencing Valuation ofNonmotorized ImprovementMeasures[J]. Transportation Research Part A:Policy and Practice,2014, 67:195-211.

[24]徐婷，蓝臻，胡大伟.出行成本对居民出行方式的影响[J].交通运输工程学报，2013，13（1）：91-97.

Urban Non-Motorized Travelers′Characteristics Based on Logistic Model

AN Rui,LIU Yuan-yuan,HAN Jun-hong,ZHANG Xing-yu
(School of Highway,Chang′an University,Xi′an 710064,China)

To control motor vehicle pollution and further improve the usage rate and service level of non-motorized system,the non-motorized travelers′characteristics were studied.The travel survey data of Tongchuan was classified into three categories which were family,individual and travel characteristics.A Binary Logistic Model was established by SPSS and the Odds Ratio(OR)was taken as the main evaluation criterion to identify the main factors that influenced the usage of non-motorized vehicle and further describe the travelers′characteristics.The results show that the distance of walking is less than 3km and that of cycling is less than 5km.Different attribute variables have different influence on the choice of non-motorized travel modes and the influence variables of walking and cycling also differ. Women prefer walking while men are more likely to choose cycling.Non-commuting travel are mainly carried out by walking.The increase of vehicle ownership will reduce walking but has little influence on cycling.There is no significant relationship between household income and non-motorized usage.

non-motorized;travelers′characteristic;Logistic Model;Odds Ratio;travel behavior

U491.2

A

2095-9931（2015）06-0026-07

10.16503/j.cnki.2095-9931.2015.06.005

2015-10-08

国家自然科学基金项目（51178055）

安睿（1991—），男，内蒙古呼伦贝尔人，硕士研究生，主要研究方向为交通政策与管理制度。E-mail：853733064@qq.com。