基于居民出行调查数据的交通出行需求模型参数库设计

傅淳

摘 要：为充分发挥居民出行调查数据的价值，对国内67个城市近几年的调查数据进行处理和分析，结合交通出行需求模型的建模需要，进行模型参数库设计。参数库主要从城市类型、居民类型和参数类型三个方面进行分析维度设计，并重点选择长三角地区，对关键参数的取值范围进行分析和研究。下一步可以结合交通大数据，提升参数取值精度。

关键词：居民出行调查;模型参数库;参数取值范圍

0 引言

居民出行调查是城市交通中了解人员出行特征的基础调查，是一项复杂的社会调查[1]。居民出行调查主要采用入户的方式，使用纸质问卷或平板设备完成调查项的获取，现阶段推荐采用微信小程序，通过实施传输数据的方法对调查过程进行科学监控。

居民出行调查的目的是获取可反映居民出行特征的数据，这些数据可作为交通规划的数据基础。翻阅近几年的研究成果，调查数据应用的研究主要有如下两个方向：

（1）利用手机信令、百度API等大数据，对具体城市的人口分布、出行特征、客流走廊等进行深入研究。如手机信令数据在石家庄居民出行调查中，实现了在人口和就业岗位分布、出行率分析、出行总量分析、全日通勤客流空间主通道走廊分析等方面的应用[2];百度API数据在石家庄居民出行调查中，实现了小汽车、公交及其他方式出行距离、出行时耗等关键数据误差的修正等方面的应用[3]。

（2）以居民出行调查数据为基础，对数据进行综合扩样校核并进行深度挖掘研究。如基于乌鲁木齐市的居民出行调查数据，对居民出行校核扩样作为一个多目标优化问题进行研究，给出了综合校核扩样流程算法，论述了算法和流程在乌鲁木齐居民出行综合扩样校核的应用情况[4];以南京市居民出行调查数据为样本实例，采用职业、年龄、受教育程度、出行目的等几种属性，以SPSS软件平台对各属性数据进行关联分析，确定影响居民出行方式选择的因素，得出改善居民出行方式构成的相应建议[5]。

基于上述分析，近年来的相关研究主要以数据本身的处理和分析为主，故本次重点是考虑如何利用居民出行调查数据，完善交通出行需求模型的参数库设计，为交通模型的提升提供支撑。

1 调查数据处理

1.1 样本数据概况

本次研究所采用的样本数据涉及全国67个城市近几年的居民出行调查，合计抽样户数达到81.1万户，覆盖了28个省份（直辖市），包括直辖市2个、省会或副省级城市17个，其中有16个城市在采集数据时已开通地铁。

样本数据主要包括家庭信息、成员信息和出行信息。家庭信息：家庭总人口、6岁以上人口、家庭所在位置、家庭私人小汽车数量等;成员信息：性别、年龄、职业等;出行信息：出发地、到达地、出发时间、到达时间、出行目的、交通方式等。

1.2 主要数据成果

将样本数据整理入库后，结合其他相关统计资料，形成8大类数据成果，包括当前调查批次数据概况、被调查城市基本概况、家庭特征、职业结构特征、年龄结构特征、出行目的特征、交通方式特征、出行距离特征。

2 参数库维度设计

结合各城市交通出行需求模型的实际需求，将模型参数库的分析维度设计为城市类型、居民类型和参数类型三个方面。

2.1 城市类型设计

结合样本城市的分布情况，城市类型设计又包括人口规模、城市布局、轨道交通建设和小汽车拥有率。

（1）人口规模。人口规模设计采用国务院2014年11月20日印发的《关于调整城市规模划分标准的通知》，对原有城市规模划分标准进行了调整，新标准以城区常住人口为统计口径，将城市划分为五类七档[6]。

（2）城市布局。从地形特征和空间布局对城市进行分类，反映不同城市的交通出行特征。地形特征细分为平原城市和山地城市，空间布局细分为单中心城市和组团城市。

（3）轨道交通建设。根据各城市轨道交通建设情况，区分有地铁和无地铁的城市。

（4）小汽车拥有率。结合各城市常住人口和小汽车保有量资料，采用千人小汽车拥有率反应不同城市特征，包括0～100辆，100～200辆，200辆以上。

2.2 居民类型设计

依据交通出行需求模型建模要求，将居民类型细分为家庭拥车、职业、年龄和出行目的4个维度，用于指导模型参数设计。

（1）家庭拥车。包括有车家庭、无车家庭。通常，家庭拥车会影响居民出行中交通方式的选择。如有车家庭的私家车出行的方式分担率会明显高于无车家庭，无车家庭的公共交通方式分担率会高于有车家庭。

（2）职业。包括就业者、中小学生和其他（如无业、离退休等）。就业者（中小学生）一般通勤（上学）这类刚性出行占全目的出行的比重较大，且大多发生在高峰时段，故需要单独考虑。除就业者和中小学生以外的人群，以弹性出行为主，出行规律也有所差异。

（3）年龄。包括0～5岁，6～18岁，19～60岁，60岁以上。年龄段的划分根据调查数据和各年龄段出行规律综合确定。

（4）出行目的。居民各类出行目的会影响到出行时段和交通方式的选择。结合出行端点，将出行目的先划分为基家出行和非基家出行两类，再考虑到实际出行目的的差异，将基家出行又细分为上班、上学、日常生活等类型。

2.3 参数类型设计

根据交通出行需求模型设计，参数类型主要包括产生率、方式分担率（个体机动、出租车、地铁、地面公交、非机动车和步行）、出行距离（分方式）、重力模型参数、Logit模型参数（按是否开通地铁进行分层设计）。

3 关键参数取值范围分析

考虑到样本数据中23%的城市分布在长三角地区，且这些城市的样本户数占样本总数的26%，综合考虑后选取长三角地区进行关键参数的取值范围研究，并优先将各城市差异较大的关键参数进行分析，包括产生率、方式分担率、出行距离和时间价值。

3.1 产生率取值范围分析

产生率取值主要受城市类型和居民类型的影响，其中城市类型主要涉及人口规模、城市布局、轨道交通建设、小汽车拥有率，居民类型主要涉及家庭拥车、职业、年龄。

（1）特大城市。以平原、单中心城市为主，千人小汽车拥有率均超过200辆，基本开通了轨道交通，全目的产生率基本在2.2～2.3，其中有车家庭就业者的基家上班产生率（1.8～1.9）略高于无车家庭（1.7～1.8）。

（2）Ⅰ型大城市。以平原、单中心城市为主，千人小汽车拥有率基本超过200辆，基本开通了轨道交通，全目的产生率基本在2.2～2.3。

（3）Ⅱ型大城市。大部分为平原、单中心城市，存在部分平原、组团城市。千人小汽车拥有率基本超过200辆。已开通轨道交通城市的全目的产生率基本在2.3～2.4;未开通的城市中，组团城市基本在2.4～2.5。

（4）中等城市。以平原、单中心城市为主。千人小汽车拥有率100辆以上的城市，全目的产生率基本在2.4～2.5，其他城市基本在2.3～2.4。

（5）小城市。以平原、单中心城市为主。千人小汽车拥有率100辆以上的城市，全目的产生率基本在2.7～2.8，其他城市基本在2.6～2.7。

3.2 方式分担率取值范围分析

方式分担率取值主要受城市类型的影响，主要涉及人口规模、城市布局、轨道交通建设、小汽车拥有率。

（1）特大城市。个体机动基本在20%左右，步行基本在30%左右。

（2）Ⅰ型大城市。个体机动分担率基本在20%～30%;地铁分担率基本在1.5%～2%;地面公交分担率基本在9%～11%;非机动车分担率基本在30%～35%。

（3）Ⅱ型大城市。单中心城市个体机动基本在26%～32%，地面公交基本在7%～11%。

（4）中等城市。千人小汽车拥有率200辆以上城市，个体机动基本在35%～40%，地面公交分基本在6～7%，非机动车分担率基本在40%左右。

（5）小城市。千人小汽车拥有率100辆以上的城市，个体机动基本在30%～35%之间，地面公交基本在6%～8%。

3.3 出行距离取值范围分析

出行距离取值主要受城市布局、轨道交通建设、小汽车拥有率影响较大。长三角地区个体机动出行距离基本在9～10公里，地铁出行距离基本在12～14公里，非机动车基本在4.5～5公里，步行基本在1公里左右。全方式出行距离受方式分担率影响，各城市差异较大。

4 讨论

本文基于国内近年来多个城市的居民出行调查数据，从城市类型、居民类型、参数类型三个方面，对模型参数库进行了维度设计，并基于样本数据的分布情况，重点对长三角地区的模型关键参数取值范围进行了分析，对建模应用提供了良好的参考基础。

在本文基础上，后續还可结合手机信令数据、导航地图数据等，结合实际项目资料，对关键参数取值进行进一步分析了论证，提升参数取值的精度。

参考文献：

[1]王巨铮.大城市的居民出行调查[J].城市问题，1989（4）：12-17.

[2]付雷.基于手机信令数据的居民出行调查分析—以石家庄为例[J].交通与运输，2018（2）：68-71.

[3]康浩.利用百度API数据对居民出行调查的修正与挖掘[J].交通与运输，2019，35（2）：23-27.

[4]洪晓龙.乌鲁木齐市居民出行调查数据综合校核扩样方法研究[J].科学技术创新，2017（27）：129-130.

[5]李颖.数据挖掘在居民出行调查数据分析中的应用[J].交通科技，2016（1）：164-167.

[6]中央政府门户网站.国务院印发《关于调整城市规模划分标准的通知》[EB/OL].http：//www.gov.cn/xinwen/2014-11/20/content_2781156.htm，2014-11-20.