西安市私家车出行特征及其影响因素

白耀东，胡金榜，雷晨阳，高嵩林

西安市私家车出行特征及其影响因素

白耀东，胡金榜，雷晨阳，高嵩林

（长安大学 汽车学院，陕西 西安 710064）

伴随着汽车保有量的快速增加，城市交通拥堵与环境污染问题日益严重。同时随着放宽户籍限制政策使得城市人口数量大幅度增加，交通问题愈发严重。文章以陕西省西安市私家车为研究对象，对这座国内典型城市的私家车出行强度和出行时间的分布特征进行了研究。对不同驾驶员个人属性所影响的出行强度建立了合适的结构方程模型，分析个人属性对出行强度的影响。然后对不同驾驶员属性所影响的出行时间进行卡方检验，筛选出对出行特征有明显影响的属性，接着对数据进行可视化处理并分析这些属性对出行特征的影响规律，最后结合分析结果提出管理建议。分析结果表明，年龄、职业对出行强度呈现显著的正相关性，教育程度对出行强度呈现显著的负相关性。私家车工作日和周末的出行特征明显不同；同时，年龄、职业、受教育程度是影响私家车出行时间特征的主要因素。

出行特征；私家车；出行强度；时间分布；结构方程；卡方检验

私家车的迅猛发展给居民出行带来便利的同时，也给城市交通带来了巨大的问题。由此产生的交通事故频发、环境污染严重、停车设施不足等问题严重影响着居民生活和城市发展[1]。公安部交管局公布的全国机动车和驾驶人数据显示，在2020年底，全国汽车保有量达到2.81亿辆，并且全国有70多个城市的汽车保有量超过了100万辆。西安是一个典型的新一线城市，随着城市规模不断扩大，而公共交通基础设施建设相对滞后，人们更倾向于开车出行。同时因为人才引进、放宽户籍限制等政策导致人口进一步增加，接下来的几年汽车保有量必然会进一步增加。西安市现有的城市道路服务水平已无法满足日益增长的交通需求，整个道路网络已趋于饱和，许多十字路口和一些瓶颈造成的交通延误较大，各级道路的平均速度一般较低，道路拥堵现象非常严重[2]。

出行是出行特征研究中最基本的概念。特定地生产和生活的需要才是城市居民出行的本质目标，是出行的第一要素，即我们通常所说的“出行源于需求”[3]。私家车是特指私人购买的纯粹用于消费的家庭小汽车，如作为上下班、生活购物、文体娱乐等的主要交通工具，包括轿车、越野车、小客车等。同时，出行特征是指从原地点出发，到达目的地的活动类型，以及进入中转站的运输方式[4]。城市居民出行量在不同时段上的分布一般被叫作出行时间分布，体现了居民出行在时间方面的生活节奏和交通出行需求，是分析解决出行高峰期时交通问题的重要参考特征。

驾驶人员构成主要指驾驶员的属性，包括性别、年龄、教育程度、收入、职业等因素。Satiennam等在2011发现女性私家车出行转向公共交通的概率更高[5]。NURDDEN等在2007年发现马来西亚的女性更可能使用公共交通工具[6]。Rivera 发现男性旅行者更喜欢使用私人汽车或摩托车；除名古屋外，日本城市的男性驾驶私家车人数超过女性[7]。上述这三篇文献主要分析了性别对出行方式的影响，都得出了女性更偏向于公共交通出行，但是他们都没有对性别如何影响出行强度进行分析。本文在他们的研究基础上进行分析，发现虽然男性乘坐私家车出行概率更大，但是两者的出行强度却没有显著区别。Abuhamoud等在2011年建立了年龄与出行强度之间存在的关系的交通模型[8]。本文则建立了多个因素对出行强度影响的模型。Pienaar等在2013的研究中对那些受过良好教育、收入较高的人，以及全职或兼职的人出行方式和出行强度进行分析，发现这些个人属性对出行方式和出行强度均有显著影响[9]。本文则对职业进行了细化，且得出的结论与该文献基本一致。

私家车数量的大幅增加会产生很多严重后果。Khreis的研究发现机动车交通可能通过空气污染、噪音干扰和不自觉地采取久坐的生活方式对公民健康产生不利影响[10]。在吉隆坡，人口对城市的溢出效应导致郊区每天进入城市的交通量增加[11]。因此，调查出私家车出行特征，根据使用特征针对性鼓励人们使用公共交通工具对于减少这些情况至关重要。本研究依据出行特征调查问卷，根据问卷调查结果来分析掌握西安市私家车出行强度和时间分布特征，同时对这些特征的影响因素进行分析，为政府制定合理的交通规划提供重要参考，对政府关于车辆管理、行驶工况、限制私家车出行、合理教育与引导等方面提出建议。目前，国内对出行特征的研究大多数集中于讨论其中某一因素或这一因素的某方面对居民出行的影响，未能对多种影响因素进行比较研究。同时，国内针对私家车出行开展研究的学者为数不多。

在此背景下，本文通过分析问卷调查数据对驾驶员的多种属性对私家车出行特征的影响进行综合理论分析，对这些影响因素进行更深层次的探讨研究并给出建议。

1 研究方法

1.1 数据采集

本文首先进行问卷调查，问卷内容主要包含两个部分，第一部分是私家车使用者个人资料信息，包括性别、年龄、收入、职业、教育水平等个人属性；第二部分则是对私家车使用者出行信息进行调查，包括私家车使用者使用车辆出行的时段、时耗、频率等。然后进行数据初步筛选，删掉调查项目不全的数据，以此来确保调查项目数据的完整性。本次调查对象为拥有私家车的西安市居民，最终得到有效调查问卷865份，并对这865份数据进行深入的数据处理与分析。

图1 个人属性占总样本的百分比

如图1所示，本问卷主要针对性别、年龄、收入、职业、教育程度等个人属性进行数据的收集。在性别构成方面，男性与女性的比例为7∶3。从年龄构成来看，26～35岁年龄区间占比最多，达47%；25岁以下以及55岁以上人员占比较小，分别占调查总样本量的8%和5%。将居民收入水平按月平均可支配收入分为三组，其中月平均可支配收入为3000元以下的车主定义为低收入阶层，占比为23%；将3 000～7 000元之间的车主定义为中等收入阶层，占比为62%；月平均可支配收入为7 000元以上的车主定义为高收入阶层，占比为15%。职业则是以公司职员、公务员及自由职业为主，占比分别为31％、22％、22％；私营个体以及工人等也占一定的比重，分别为11%、10%；退休人员占比最小，为5%。教育程度样本中，博士研究生占比为5%，硕士研究生为15%；本科、大专、中专及以下占比相对较多且差距不大，分别为32%、25%、23%。总体看来，样本占比较均匀，具有代表性。

1.2 数据处理

本文在研究出行强度的时候应用了AMOS建立结构方程模型进行分析。结构方程模型是基于变量的协方差矩阵来探究和分析处理复杂的多变量数据的模型。结构方程是一种流行的多变量建模方法，用于分析潜在变量之间的复杂相互关系，而往往这些关系无法通过线性回归进行分析。同时，结构方程模型将测量误差引入路径图中，从而更加准确地利用可观测变量之间的联系来找出潜在变量之间的关系。由于个人属性和出行强度并不能直接测量，所以引入年龄、职业、教育程度、性别多个可观察变量作为反映个人属性和出行强度之间的关系。例如：采用年龄和性别等反映个人属性，采用出行次数等反映出行强度。

在研究出行时间分布特征时，本文主要考虑到多变量的关联性分析，因此，利用SPSS软件进行卡方检验。卡方检验的基本思想是比较期望频数和观察频数的吻合程度。利用软件计算出值，值很小说明观察值、期望值的偏离量很大，初步认为样本所代表的实际情况和期望假设有显著差别。本文设定当值小于0.05时，认为有显著差别。同时如果2值过小，就应当倾向于没有明显差别，反之亦然。

2 结果与分析

2.1 出行强度与影响因素分析

2.1.1出行强度

本研究采用的数据来源于西安市私家车出行问卷调查，出行强度即城市居民个体出行的强度，通常用出行次数、出行耗时、出行距离等总量指标和平均指标来衡量。

对出行次数、出行耗时、出行距离展开分析，结果如图2所示。可以看到，大部分人每天出行次数分布在2～4次，占总样本的48%；接下来是4～6次，占比25%；8次以上则占比很小。出行耗时基本分布在0.5～1小时和1～2小时之间，分别占比51%、27%。出行距离则分布较为均匀，可以发现西安市私家车的出行距离整体看来比较远，30公里以上的占比达到了17%。

图2 出行强度特征分布情况

2.1.2影响因素分析

应用AMOS分析个人属性对出行强度的影响，将个人属性和出行强度作为潜在变量，年龄、职业、教育程度和性别作为出行者个人属性特征的可观测变量，出行次数、出行耗时和出行距离作为出行强度的可观测变量，对各因素进行路径分析并建立结构方程模型。经过不断调整模型路径，最终使实际数据结构模型达到理想状态，结构方程模型如图3所示。

该模型的卡方值为45.202，值为0。表1为该模型的三个关键适配度指标和其标准值，这三个适配度指标是结构方程模型中常用的适配度指标，它们用于评估结构方程模型拟合数据的程度。CMIN/DF是指卡方值除以自由度，是一种用于评估模型与观察数据之间的差异的指标。在实际应用中，如果CMIN/DF值在1～5，通常被认为是一个好的拟合。RMSEA是指均方误差逼近度指数（Root Mean Square Error of Approximation），它反映了模型与观察数据之间的误差，其中更小的RMSEA值表示更好的拟合。RMSEA的推荐阈值是小于0.08。GFI是指广义拟合指数（Goodness of Fit Index），它是评估模型对数据的解释程度的一个指标，其值介于0和1之间。GFI越接近1，说明模型对数据的解释越好。可以看出3个关键性适配度检验参数均表现良好，表明观测数据与理论模型的拟合度较高，结构模型成立。

图3 汽车出行者属性特征影响通勤的结构方程模型

注：路径系数上的值反映这一变量对另一变量的影响程度；e1－e7为残差，其上面的值表示残差系数，为模型中无法解释的部分。

表1 结构模型适配度的参数估计及其标准值

适配度指标CMIN/DFRMSEAGFI 适配度标准1～5<0.08>0.90 检验结果数据3.4770.0540.985

在结构方程模型中，标准化因素负荷是指该因素对观测变量的影响强度。它表示因素与观测变量之间的关联程度，其值表示了每个观测变量受因素影响的程度，也可以看作是因素对该观测变量解释的比重。标准化因素负荷的取值范围是从-1到1之间。标准化因素负荷的值通常要求大于0.3才被认为是有效的，因为这个值越小，该变量受因素的影响就越小，就不能很好地反映因素的影响。如表2所示，除去性别对个人属性影响不太显著外，个人属性和出行强度这两个潜在变量与其他所对应的可观测变量都达到了显著影响；并且个人属性中的年龄、职业和教育程度与私家车出行强度存在显著的相关性。年龄、职业对出行强度有显著的正相关性，表明随着年龄的增加、职业的自由化，出行强度中的出行次数、运行时间和运行距离均有所增加。教育程度则对出行强度呈现显著的负相关性，表明随着受教育水平的增加，私家车出行强度中的出行次数、运行时间和运行距离明显减少。性别则与出行强度呈现比较弱的负相关性，女性的出行强度稍比男性大。

出行强度表示着私家车的使用水平，根据上述分析可以发现西安市居民随着年龄的增加和职业的自由化，私家车使用水平越高；但是教育水平越高，私家车使用水平在下降。因此，要加强对居民的宣传和教育，提倡居民乘坐公共交通出行。

表2 个人属性特征和出行强度的测量模型分析结果

测量模型标准化因素负荷未标准化因素负荷S.E.C.R.P 个人属性 年龄0.3511 职业0.4852.1920.2837.736*** 教育程度-0.855-2.6770.433-6.187*** 性别-0.139-0.1750.052-3.375*** 出行强度 运行距离0.6331 运行时间0.7540.5840.0777.582*** 出行次数0.3410.2620.0367.22***

注：***即<0.001。

2.2 出行时间特征与影响因素分析

2.2.1出行时间特征

将调研数据按照周末和工作日分为两类，分别统计私家车在两种日期下的出行时间特征如图4所示。整体来看，工作日和周末均有早晚两个峰值；但是很明显工作日的早高峰来得很急促，7点左右达到峰值，消除峰值的时间较缓慢，持续时间比较长；晚高峰则来得没有早高峰急促，但是结束时比较急促。周末和工作日相比则差别比较大，早高峰来得比较晚且缓慢，10点左右到达峰值；并且中午的峰值比较高，和晚高峰缓慢连接；晚高峰则不太明显，从下午3点一直持续到晚上8点，8点以后和工作日相比依旧有部分出行需求，晚高峰下降平缓。

图4 工作日、周末出行时间分布

2.2.2影响因素分析

首先依次对不同属性下的出行时间分布进行卡方检验，判断是否对出行时间分布存在影响，结果见表3。可以看到年龄、职业、教育程度的显著性水平在工作日和周末均小于0.05，说明这些属性对出行时间特征均有显著影响。性别和收入的显著性水平值在工作日、周末均大于0.05，表明性别和收入对出行时间特征无明显影响，不作分析。进一步对年龄、职业、教育程度对出行时间分布特征的影响进行分析如图5－图7所示。

表3 个人属性*时间分布卡方检验

个人属性工作日/周末皮尔逊卡方 卡方值自由度渐进显著性（双侧） 性别工作日4.71060.582 周末13.98360.052 年龄工作日31.627200.047 周末64.112200 收入工作日12.923120.228 周末10.748120.551 职业工作日97.900300 周末95.587300 教育程度工作日67.380200 周末41.297200.003

由图5可以看出，在工作日和周末均有较为明显的早晚高峰。在工作日，55岁以上出行人员的早高峰明显和其他年龄段有所差别，早高峰较为平缓且到来的时间迟，在10点左右才达到峰值；晚高峰明显比其他年龄段要低且较早结束。政府可以通过老年公交卡、地铁卡等促使这部分人群转向公共交通出行。26～35岁人员的晚高峰最为急促且回家时间最晚，36～45岁人员的早高峰到来比其他年龄段略为急促。不同年龄段在周末的出行时间分布特征区别明显，18～25岁的年轻人很明显比其他年龄段的人早高峰来得要平缓，且稍微迟一点；晚高峰则在晚上9点左右到来，比其他所有年龄段都要晚回家；说明年轻人在周末的晚上出行需求极其旺盛，晚睡晚起特征明显。26～35岁人员的早高峰与18～25岁基本一致，晚高峰则提前了1～2个小时。

图5 不同年龄出行者的出行时间分布对比

不同职业的出行时间分布特征如图6所示。工作日早高峰很明显分为两个层次，工人、公司职员和公务员早高峰比较一致，来得早且较为急促；其中工人的早高峰最明显，是最繁忙的一个职业。退休人员、自由职业、私营个体和其他早高峰到来得迟且较为平缓，基本在10点左右才达到早高峰。晚高峰的到来时间则所有职业基本一致，公司职员的晚高峰到来得最为急促，私营个体回家最晚。在周末，退休人员基本不受周末和工作日的影响，早高峰相较于其他职业而言更为急促；其他职业则在周末早上有很明显的休息，出行需求较低。自由职业在下午基本没有出行需求，晚高峰则和其他职业保持一致。公务员在下午和晚上出行需求基本不变，最为平缓。不同职业出行高峰期有明显的差别，因此，可以借鉴国外发达城市的方法，对不同职业人群实施错峰上下班，例如采用提早公务员的上下班时间，稍微推迟不同公司职员的上下班时间等措施来缓解局部时间的大堵车。

图6 不同职业出行者的出行时间分布对比

不同教育程度的出行时间分布特征如图7所示。在工作日，研究生学历人员的出行时间分布最为规律，早高峰十分明显，来得早且急速；晚高峰同样如此，中午出行需求最少。中专及其以下的早高峰和其他教育程度有明显区别，来得迟且平缓，晚高峰同样如此，中午的出行需求最多。其他教育程度的出行时间规律则基本一致。在周末，研究生学历群体和工作日相比则突然变为最轻松的人，早高峰来得最迟且平缓，但是晚高峰则较为明显。博士的晚高峰和其他人员明显不同，到来的很早且急促，晚上休息没有出行需求。整体来看，周末不同教育程度之间的出行时间特征基本一致。

3 结语

本文分别利用AMOS软件和SPSS软件定量化分析了不同驾驶员个人属性对私家车出行强度和出行分布特征的影响。结构方程模型的结果显示，年龄、职业对出行强度呈现显著的正相关性，教育程度对出行强度呈现显著的负相关性。表明西安市居民随着年龄的增加和职业的自由化，私家车使用水平越高；但是教育水平越高，私家车使用水平下降。卡方检验的结果表明，年龄、职业、受教育程度是影响私家车出行时间特征的主要因素。此外，通过对数据进行可视化处理分析了这些属性对出行特征的影响规律，并提出了合理的管理建议，总结如下：

1）工作日和周末的出行时间特征明显不同。在工作日的早晚高峰，政府可以增加公共交通的发车频率，以此来鼓励人们转向公共交通出行，同时，在周末则适当调整公共交通发车频率与时间，避免浪费公共资源。

2）从私家车驾驶人员属性来看，在55岁以上的高年龄段出行人群工作日早高峰与晚高峰明显与其他年龄段不同，政府可以通过老年公交卡、地铁卡等促使这部分人群转向公共交通出行。不同职业出行高峰期有明显的差别，因此，可以借鉴某些国外发达城市的方法，对不同职业的人群进行错峰上下班，比如提早公务员的上下班时间，稍微推迟不同公司职员的上下班时间等措施来缓解局部时间的大堵车。同时对公务员等国家行政人员进行宣传教育以减少他们私家车出行，如果用车高峰期等特殊情况下可以强制限制，同时减少非必要的公务用车。对公司职员进行建议与宣传。研究生学历的人群在工作日的早晚高峰特别明显，本科及以上的高学历人群制造了大部分的早晚高峰贡献，进一步加强教育，提倡绿色环保出行。

[1] 黄正国.基于车牌识别数据的车辆出行特征研究[D].成都:西南交通大学,2019.

[2] 李雷雷.浅析西安市城市交通系统现状的问题及应对措施[J].科技风,2015(3):22.

[3] 徐奥林.基于出行者特性的出行行为研究[D].北京:北京交通大学,2014.

[4] MOHD F J S,FATAHSHA A B,ABDUL A K H.et al. Socio-economic and Travel Characteristics of Transit Users at Transit-oriented Development (TOD) Stations [J].Transportation Research Procedia,2020(48):1938- 1955.

[5] SATIENNAM T,JAENSIRISAK S,NATEVONGIN N, et al.Public Transport Planning for a Motorcycle Dominated Community[J].Journal of the Eastern Asia Society for Transportation Studies,2011(9):970-985.

[6] NURDDEN A, RAHMAT R A O K,ISMAIL A. Effect of Transportation Policies on Modal Shift From Pri- vate Car to Public Transport in Malaysia[J].Journal of Applied Sciences.2007,7(7)1013-1018.

[7] RIVERA M A.Travel Behavior Analysis and its Impli- cation to Urban Transport Planning for Asian Cities: Case Studies of Bangkok, Kuala Lumpur,Manila,and Nagoya ICRA Project Report[C]//The 5th Internati- onal Conference of Eastern Asia Society for Transpor- tation Studies.Fukuoka:East Asian Transportation Re- search Association,2003:136-139.

[8] ABUHAMOUD M A A,RAHMAT R A O K,ISMAIL A.Modeling of Transport Mode in Libya:A Binary Logit Model for Government Transportation Encour- agement[J].Australian Journal of Basic and Applied Sciences, 2011,5(5):1291-1296.

[9] PIENAAR J,DEWITTE H,HELLGREN J,et al.The Cognitive/Affective Distinction of Job Insecurity: Validation and Differential Relations[J].Southern Afr- ican Business Review,2013,17(2):1-22.

[10] KHREIS H,SUDMANT A,GOULDSON A.Transport Policy Measures for Climate Change as Drivers for Health in Cities[J].Journal of Transport & Health, 2018(9):583-608.

[11] SOO C K,ROSNAH S,JAMAL H H.Trip Characteris- tics as the Determinants of Intention to Shift to Rail Transport Among Private Motor Vehicle Users in Kuala Lumpur,Malaysia[J].Sustainable Cities and Society,2018(36):319-326.

The Travel Characteristics and Influencing Factors of Private Cars in Xi'an

BAI Yaodong, HU Jinbang, LEI Chenyang, GAO Songlin

( School of Automobile, Chang'an University, Xi'an 710064, China )

With the rapid increase of car ownership, urban traffic congestion and environmental pollution problems are becoming increasingly serious. At the same time, with the relaxation of household registration restrictions, the number of urban people has increased significantly, and the traffic problem has become more serious. This paper takes private cars in Xi'an, Shaanxi Province as the research object, and studies the distribution characteristics of intensity of private car travel and travel time in this typical city in China. A suitable structural equation model is established for intensity of travel affected by different drivers' personal attributes, and the influence of personal attributes on travel intensity is analyzed. Then, the chi-square test is carried out on the travel time affected by different driver attributes, and the attributes that have obvious influence on the travel characteristics are screened out, and then the data is visualized and the influence of these attributes on the travel characteristics is analyzed, and finally the management suggestions are put forward based on the analysis results. The analysis results showed that age and occupation showed a significant positive correlation on the travel intensity, and the education level showed a significant negative correlation on travel intensity. The travel characteristics of private cars on weekdays and weekends are significantly different; At the same time, age, occupation, and the education level are the main factors affecting the characteristics of travel time of private car.

Travel characteristics; Private car; Travel intensity; Time distribution; Structural equation; Chi-square

U491.1+2

A

1671-7988(2023)17-188-07

10.16638/j.cnki.1671-7988.2023.017.036

白耀东（1998－），男，硕士研究生，研究方向为交通规划管理，E-mail:2861219161@qq.com。

陕西省自然科学基础研究计划（2020JQ-374）。