基于居民出行調查數據的交通出行需求模型參數庫設計

傅淳

摘 要：為充分發揮居民出行調查數據的價值，對國內67個城市近幾年的調查數據進行處理和分析，結合交通出行需求模型的建模需要，進行模型參數庫設計。參數庫主要從城市類型、居民類型和參數類型三個方面進行分析維度設計，并重點選擇長三角地區，對關鍵參數的取值范圍進行分析和研究。下一步可以結合交通大數據，提升參數取值精度。

關鍵詞：居民出行調查;模型參數庫;參數取值范圍

0 引言

居民出行調查是城市交通中了解人員出行特征的基礎調查，是一項復雜的社會調查[1]。居民出行調查主要采用入戶的方式，使用紙質問卷或平板設備完成調查項的獲取，現階段推薦采用微信小程序，通過實施傳輸數據的方法對調查過程進行科學監控。

居民出行調查的目的是獲取可反映居民出行特征的數據，這些數據可作為交通規劃的數據基礎。翻閱近幾年的研究成果，調查數據應用的研究主要有如下兩個方向：

（1）利用手機信令、百度API等大數據，對具體城市的人口分布、出行特征、客流走廊等進行深入研究。如手機信令數據在石家莊居民出行調查中，實現了在人口和就業崗位分布、出行率分析、出行總量分析、全日通勤客流空間主通道走廊分析等方面的應用[2];百度API數據在石家莊居民出行調查中，實現了小汽車、公交及其他方式出行距離、出行時耗等關鍵數據誤差的修正等方面的應用[3]。

（2）以居民出行調查數據為基礎，對數據進行綜合擴樣校核并進行深度挖掘研究。如基于烏魯木齊市的居民出行調查數據，對居民出行校核擴樣作為一個多目標優化問題進行研究，給出了綜合校核擴樣流程算法，論述了算法和流程在烏魯木齊居民出行綜合擴樣校核的應用情況[4];以南京市居民出行調查數據為樣本實例，采用職業、年齡、受教育程度、出行目的等幾種屬性，以SPSS軟件平臺對各屬性數據進行關聯分析，確定影響居民出行方式選擇的因素，得出改善居民出行方式構成的相應建議[5]。

基于上述分析，近年來的相關研究主要以數據本身的處理和分析為主，故本次重點是考慮如何利用居民出行調查數據，完善交通出行需求模型的參數庫設計，為交通模型的提升提供支撐。

1 調查數據處理

1.1 樣本數據概況

本次研究所采用的樣本數據涉及全國67個城市近幾年的居民出行調查，合計抽樣戶數達到81.1萬戶，覆蓋了28個省份（直轄市），包括直轄市2個、省會或副省級城市17個，其中有16個城市在采集數據時已開通地鐵。

樣本數據主要包括家庭信息、成員信息和出行信息。家庭信息：家庭總人口、6歲以上人口、家庭所在位置、家庭私人小汽車數量等;成員信息：性別、年齡、職業等;出行信息：出發地、到達地、出發時間、到達時間、出行目的、交通方式等。

1.2 主要數據成果

將樣本數據整理入庫后，結合其他相關統計資料，形成8大類數據成果，包括當前調查批次數據概況、被調查城市基本概況、家庭特征、職業結構特征、年齡結構特征、出行目的特征、交通方式特征、出行距離特征。

2 參數庫維度設計

結合各城市交通出行需求模型的實際需求，將模型參數庫的分析維度設計為城市類型、居民類型和參數類型三個方面。

2.1 城市類型設計

結合樣本城市的分布情況，城市類型設計又包括人口規模、城市布局、軌道交通建設和小汽車擁有率。

（1）人口規模。人口規模設計采用國務院2014年11月20日印發的《關于調整城市規模劃分標準的通知》，對原有城市規模劃分標準進行了調整，新標準以城區常住人口為統計口徑，將城市劃分為五類七檔[6]。

（2）城市布局。從地形特征和空間布局對城市進行分類，反映不同城市的交通出行特征。地形特征細分為平原城市和山地城市，空間布局細分為單中心城市和組團城市。

（3）軌道交通建設。根據各城市軌道交通建設情況，區分有地鐵和無地鐵的城市。

（4）小汽車擁有率。結合各城市常住人口和小汽車保有量資料，采用千人小汽車擁有率反應不同城市特征，包括0～100輛，100～200輛，200輛以上。

2.2 居民類型設計

依據交通出行需求模型建模要求，將居民類型細分為家庭擁車、職業、年齡和出行目的4個維度，用于指導模型參數設計。

（1）家庭擁車。包括有車家庭、無車家庭。通常，家庭擁車會影響居民出行中交通方式的選擇。如有車家庭的私家車出行的方式分擔率會明顯高于無車家庭，無車家庭的公共交通方式分擔率會高于有車家庭。

（2）職業。包括就業者、中小學生和其他（如無業、離退休等）。就業者（中小學生）一般通勤（上學）這類剛性出行占全目的出行的比重較大，且大多發生在高峰時段，故需要單獨考慮。除就業者和中小學生以外的人群，以彈性出行為主，出行規律也有所差異。

（3）年齡。包括0～5歲，6～18歲，19～60歲，60歲以上。年齡段的劃分根據調查數據和各年齡段出行規律綜合確定。

（4）出行目的。居民各類出行目的會影響到出行時段和交通方式的選擇。結合出行端點，將出行目的先劃分為基家出行和非基家出行兩類，再考慮到實際出行目的的差異，將基家出行又細分為上班、上學、日常生活等類型。

2.3 參數類型設計

根據交通出行需求模型設計，參數類型主要包括產生率、方式分擔率（個體機動、出租車、地鐵、地面公交、非機動車和步行）、出行距離（分方式）、重力模型參數、Logit模型參數（按是否開通地鐵進行分層設計）。

3 關鍵參數取值范圍分析

考慮到樣本數據中23%的城市分布在長三角地區，且這些城市的樣本戶數占樣本總數的26%，綜合考慮后選取長三角地區進行關鍵參數的取值范圍研究，并優先將各城市差異較大的關鍵參數進行分析，包括產生率、方式分擔率、出行距離和時間價值。

3.1 產生率取值范圍分析

產生率取值主要受城市類型和居民類型的影響，其中城市類型主要涉及人口規模、城市布局、軌道交通建設、小汽車擁有率，居民類型主要涉及家庭擁車、職業、年齡。

（1）特大城市。以平原、單中心城市為主，千人小汽車擁有率均超過200輛，基本開通了軌道交通，全目的產生率基本在2.2～2.3，其中有車家庭就業者的基家上班產生率（1.8～1.9）略高于無車家庭（1.7～1.8）。

（2）Ⅰ型大城市。以平原、單中心城市為主，千人小汽車擁有率基本超過200輛，基本開通了軌道交通，全目的產生率基本在2.2～2.3。

（3）Ⅱ型大城市。大部分為平原、單中心城市，存在部分平原、組團城市。千人小汽車擁有率基本超過200輛。已開通軌道交通城市的全目的產生率基本在2.3～2.4;未開通的城市中，組團城市基本在2.4～2.5。

（4）中等城市。以平原、單中心城市為主。千人小汽車擁有率100輛以上的城市，全目的產生率基本在2.4～2.5，其他城市基本在2.3～2.4。

（5）小城市。以平原、單中心城市為主。千人小汽車擁有率100輛以上的城市，全目的產生率基本在2.7～2.8，其他城市基本在2.6～2.7。

3.2 方式分擔率取值范圍分析

方式分擔率取值主要受城市類型的影響，主要涉及人口規模、城市布局、軌道交通建設、小汽車擁有率。

（1）特大城市。個體機動基本在20%左右，步行基本在30%左右。

（2）Ⅰ型大城市。個體機動分擔率基本在20%～30%;地鐵分擔率基本在1.5%～2%;地面公交分擔率基本在9%～11%;非機動車分擔率基本在30%～35%。

（3）Ⅱ型大城市。單中心城市個體機動基本在26%～32%，地面公交基本在7%～11%。

（4）中等城市。千人小汽車擁有率200輛以上城市，個體機動基本在35%～40%，地面公交分基本在6～7%，非機動車分擔率基本在40%左右。

（5）小城市。千人小汽車擁有率100輛以上的城市，個體機動基本在30%～35%之間，地面公交基本在6%～8%。

3.3 出行距離取值范圍分析

出行距離取值主要受城市布局、軌道交通建設、小汽車擁有率影響較大。長三角地區個體機動出行距離基本在9～10公里，地鐵出行距離基本在12～14公里，非機動車基本在4.5～5公里，步行基本在1公里左右。全方式出行距離受方式分擔率影響，各城市差異較大。

4 討論

本文基于國內近年來多個城市的居民出行調查數據，從城市類型、居民類型、參數類型三個方面，對模型參數庫進行了維度設計，并基于樣本數據的分布情況，重點對長三角地區的模型關鍵參數取值范圍進行了分析，對建模應用提供了良好的參考基礎。

在本文基礎上，后續還可結合手機信令數據、導航地圖數據等，結合實際項目資料，對關鍵參數取值進行進一步分析了論證，提升參數取值的精度。

參考文獻：

[1]王巨錚.大城市的居民出行調查[J].城市問題，1989（4）：12-17.

[2]付雷.基于手機信令數據的居民出行調查分析—以石家莊為例[J].交通與運輸，2018（2）：68-71.

[3]康浩.利用百度API數據對居民出行調查的修正與挖掘[J].交通與運輸，2019，35（2）：23-27.

[4]洪曉龍.烏魯木齊市居民出行調查數據綜合校核擴樣方法研究[J].科學技術創新，2017（27）：129-130.

[5]李穎.數據挖掘在居民出行調查數據分析中的應用[J].交通科技，2016（1）：164-167.

[6]中央政府門戶網站.國務院印發《關于調整城市規模劃分標準的通知》[EB/OL].http：//www.gov.cn/xinwen/2014-11/20/content_2781156.htm，2014-11-20.