结构方程模型架构

第5章　历史城区交通需求分析方法

历史城区交通主体构成、出行空间分布有别于整个城市，在出行方式选择时受到历史城区各种因素的影响，这一特征决定了开展历史城区交通规划时应把握城区特有的需求特征，研究针对性的交通需求分析方法。

5.1　历史城区交通出行基本特征

5.1.1　历史城区交通需求特征

交通需求特征分析是交通模式选择与服务体系配置研究的重要依据。尽管对于历史城区应合理引导和调控交通需求，但明确交通需求特点并适度满足不同居民的出行需求十分必要，这也是提倡以人为本、服务均等化、满足需求多样性的要求。历史城区存在不同类型的出行主体，这些出行主体社会经济属性不同，交通需求特征不同，因此采用需求市场细分的策略分析各类出行主体的需求特性。交通出行强度、出行方式结构、出行时空分布和出行活动类型是反映历史城区交通需求特性的关键指标。

1)出行主体分类

交通出行分类方法较多，应用目的不同，居民出行的分类方法也不同，常见的分类方法有出行目的划分方法、出行起讫点性质划分方法、出行规律划分方法三种[132]。

历史城区由于其区位和功能的特殊性，与城市居民出行特征分析有所区别，因此，交通出行分类应采用与城市居民出行不同的分类方法，必须交叉考虑出行主体属性、出行目的和出行起讫点。

历史城区涉及的交通群体复杂多样，从起讫点性质将出行主体划分为内部居民和外部居民，综合出行主体的属性和主要出行目的，可以继续划分为六类(图5.1)。

图5.1　历史城区出行主体分类

许多历史城区社会结构复杂，出行者的经济属性变化较大。在具体的出行需求特性分析中，为更进一步体现公平性，满足不同群体出行需求，可考虑将出行主体的经济属性作为细分因素进一步细分，以体现需求分析的准确性和更好地设计交通服务体系。

2)交通出行活动类型

上班、上学及派生的回程出行通常占居民全日出行总量的70%，这部分出行基本上每个工作日都会发生，而且出行的起讫点、时间、方式、路径等特征较少发生变化，所以又称为非弹性出行。与非弹性出行对应，其余目的的出行如购物、探亲访友、休闲娱乐等，无论是出行频率还是出行的时空分布均显示出较强的随机性，故又称弹性出行。

历史城区是城市中功能复合型最强的区域，其居民出行活动类型具有与城市及其他片区不同的特征。从表5.1的数据进行分析可知：

(1)历史城区居民出行目的中生活购物、文娱休闲的出行需求明显高于主城区平均水平，而上班出行低于主城区，这也说明了历史城区人口年龄结构出现“哑铃式”结构；

(2)非弹性出行比例仍占居民出行的主体地位，而弹性出行比例明显增加，并呈现历史城区高于城市其他区域的趋势，表明历史城区居民对精神文化生活需求的提高；

(3)由于历史城区特殊的文化遗产和旅游潜能，以旅游为主的出行占到一定比例，其他活动出行中历史城区均高于城市其他地区。

历史城区所表现出的不同的出行目的结构，与其区位、功能定位以及其丰富的历史文化遗产密切相关。

表5.1　部分历史文化名城及其历史城区居民出行目的结构　(%)

3)交通出行方式结构

根据国内部分历史文化名城交通调查数据(表5.2)显示，历史城区交通方式结构与城市规模、城市规划、社会经济发展水平、城市整体交通系统密切相关。

从交通方式出行比例分析，尽管慢行交通出行比例有所下降，但无论在主城区还是历史城区，仍维持较高水平，且历史城区高于主城区，可见慢行交通在城市交通出行中具有绝对优势。这与当前慢行交通逐渐进入城市规划和交通规划的中心视野、规划高品质的慢行交通系统成为每个城市的重要发展任务有着必然的联系。公共交通作为城市交通发展的第一要务，出行比例逐年上升，尤其在特大城市，随着轨道交通的建成，其与常规公交联合承担城市交通出行的比例越来越高；机动化的发展导致小汽车出行比例迅猛增长，从无到有、从有到占到主要地位，短短几年时间，城市交通已经面临机动化带来的严峻挑战。

从城市特征看，特大城市历史城区交通方式系统主要由小汽车、轨道交通、常规公交、非机动车和步行组成，多数大城市历史城区交通方式系统主要由小汽车、公交、非机动车和步行组成，中小城市主要由小汽车、常规公交和慢行交通方式构成。从各城市出行数据分析，慢行交通方式仍占历史城区交通出行的主导地位，并高于主城区出行比例；公共交通出行日益成为历史城区的主要方式之一，尤其对于有轨道交通的城市；而机动化方式出行比例低于主城区或中心城区出行比例；这与历史城区交通系统容量有限及所采取的交通调控政策有关。

根据出行起讫点分布情况，出入历史城区和内部出行的交通方式结构也有所区别，突出表现在慢行交通方式的差异和公共交通的差异上。以南京老城区为例，区内交通出行中慢行交通比例较高，达到79.48%，而出入交通出行方式以公共交通为主，其次是非机动车，步行的比例较低；小汽车出行比例方面，出入交通高于区内出行。

居民出行方式结构反映历史城区现状居民对交通方式选择的倾向性。根据表5.2中数据统计结果，不同类型城市，出行方式结构组成有所区别，主要体现在是否有轨道交通上；慢行交通方式仍是交通出行的主体，基本都超过50%，并高于城市外围地区和整体平均水平；公共交通方式出行比例日益提高；由于历史城区采取交通需求管理策略，私人机动化出行比例降低，但从对道路资源的使用分析，仍占据主要地位。

表5.2　部分历史文化名城主城或历史城区交通方式结构　(%)

续　表

数据来源：各城市交通发展年报或城市综合交通规划报告

4)不同主体出行方式关联性

不同的出行群体由于在出行过程中会发生一定的交叉性从而产生许多内在的联系，包括交通资源的占有、享受各种交通服务的机会等方面。而这些都是城市的公共政策资源，任何出行者都有平等享受这些资源的权利，历史城区交通发展与改善正是有限交通资源的再分配和不同出行主体利益的协调过程。这种资源的再分配和利益调整需要适度向弱势群体倾斜并考虑不同出行主体的可接受度，对不同群体进行适当的替代或补偿。

历史城区居民出行采用的交通方式的关联性可分为方式联系与方式冲突，如图5.2和图5.3所示[36]。交通方式联系主要体现在区内居民与区外居民可能选择的交通出行方式的对应性上，并且在使用同一种交通方式时可能产生的联系。如采用公共交通出行时，两类大的出行主体间将会共同使用同一道路交通资源。交通方式冲突主要体现在两类区域出行者选择的不同交通方式间可能产生的冲突，重点体现在私人机动化交通对慢行交通空间的侵占上。两类关系都表现为对道路交通资源的占有和使用上。

图5.2　历史城区不同出行主体间交通方式联系

图5.3　历史城区不同出行主体间交通方式冲突关系

5)交通出行强度

交通出行强度是衡量居民出行需求大小的主要指标，通过交通出行强度的分析判断交通供给与需求之间的平衡关系。交通出行强度的主要反映指标是人均出行次数。根据部分历史名城老城区出行调查分析，历史城区居民人均出行次数与所在城市规模大小、空间结构以及其作为中心区、用地强度等因素有关，较城市平均出行次数高，这也表明历史城区是城市交通需求强度较高的区域。土地利用和功能定位是交通需求产生的本源，对于历史城区，从疏解地区功能和控制用地开发强度，是降低交通需求的根本措施。表5.3给出了部分城市历史城区人均出行次数统计。

表5.3　部分城市历史城区人均出行次数比较表

5.1.2　交通系统出行特征

将历史城区视为一个独立的个体，其交通出行空间组成可分为过境交通出行、出入交通出行和内部交通出行，如图5.4所示。其中，过境交通又可分为市区车辆过境交通和外地车辆过境交通，这两种交通流都与历史城区无关，然而却是交通流中的一大主角。

图5.4　历史城区交通出行构成示意图

以扬州市为例，2010年调查数据显示，历史城区通过性机动化交通(不含公交和出租)达到总交通流量的40%，将近占到半壁江山，而这些交通对城区来说却是无效交通。根据客流空间分布特征分析，城区内部出行约占48%，出入交通出行约占52%；对外出行中，不同方向的比例不同，这主要与周边片区功能、用地性质有关。南京老城周边各片区居民跨区出行中，到老城的出行比例为42.07%，且至老城的跨区出行中，机动车出行比例超过60%，导致老城与周边各片区通道交通压力较大(表5.4)。因此，交通系统构成及分布特征是交通组织模式与设施配置的重要影响因素。

表5.4　南京老城与各片区联系通道平均交通负荷

5.2　历史城区交通需求分析的基础理论

5.2.1　基于活动的交通需求分析理论

活动安排、出行时间和出行方式选择是基于活动的出行需求分析的三个基本要素，在出行者一天的活动中三者互相约束和影响，并共同决定了出行者一天的基本活动模式。因此，为了分析出行者的现状出行特征，预测其未来年的主要出行特征，并进一步分析其根据某些交通需求管理政策对出行模式的调整，需要建立一个能全面反映这三大出行要素的出行需求预测模型系统。

这个模型系统是以活动安排、出行时间和出行方式三个要素为基础建立的一个完整的NL模型系统，系统的整体结构如图5.5所示。此模型系统的输入为个人及家庭的属性以及研究区域内各小区的统计数据；通过各阶段的模拟，系统可以输出比较具体的日活动情况，如一天中的主要及次要活动的目的，出行的起止时间段及采取的交通方式等，这些参数可以基本满足出行需求预测和交通规划分析的需要[133,134]。

首先针对图5.5中的基本概念给出必要的说明。

1)出行

出行，也就是通常所说的从一个地点到另一地点的移动过程，在这两点之间没有任何第三停留点，出行的方向总是从发生端指向吸引端。出行是组成交通系统的基本要素，而把出行作为基本分析单元的模型被称为基于出行的模型。

另外，根据出行起点的不同，可以把出行分为基于家(以家为起点)的工作出行(home-based-work trip, HBW)、基于家的其他出行(home-based-other trip, HBO)、非基于家的出行(not-home-based trip, NHB)三类[135]。

图5.5　基于活动的出行需求分析框架

2)往返行程

往返行程是指把一系列有序的出行按照先后顺序依次首尾连接起来，因此有时也被称为出行链(trip-chain)。往返行程总是由某地点出发，经过一系列的出行后又回到此出发点。把往返行程作为基本分析单元的模型被称为基于往返行程的模型，此类模型融合了基于出行的模型的优点。基于往返行程模型的建模思想，正是基于活动的模型思想的关键所在。我们可以按照出行目的的不同把所有的往返行程分为三类，分别为工作(包括上班、上学、公务等)、生活(购物、探亲访友等)和娱乐往返行程(娱乐、旅游等)。同时，也可以按照组成往返行程的具体出行及驻停的排列结构的不同，把往返行程分为一阶往返行程、二阶往返行程、子往返行程等。

3)一阶活动(目的地)、二阶活动(目的地)

出行者一天的活动可能由很多次往返行程组成，可以按照时间上的先后顺序和活动的重要程度等原则将这些往返行程分为一阶活动和二阶活动，分别表示一天中进行的最主要的往返行程和其他几次往返行程的总称。例如，在一天的活动安排中，某人早上从家出发上班，中午回家吃午饭；下午又从家出发去上班，晚上下班途中购物后回家。这样，前一个从家出发上班、回家的过程称为一阶活动(或称为一阶往返行程)，后一个上班—购物—回家的往返行程被称为二阶往返行程。而一、二阶往返行程中的主要活动目的地分别被称为一阶目的地和二阶目的地。

4)子往返行程

前面介绍的往返行程的起终点可以是不为家的，但是在实际预测分析过程中，由于基于家的往返行程占大多数，因此以下提到的往返行程就是指基于家的往返行程。而把模型中将要用到的另一类往返行程，即以工作单位为起终点的往返行程称为工作子往返行程，也即子往返行程，如出去吃午饭等。这个往返行程就称为工作子往返行程。之所以把工作单位而不是把其他场所作为子往返行程的起终点，是因为活动链方法中的起终点，无论是对个人还是对于家庭来说通常是位置比较固定并作为出行的端点有规律地被使用。显然，工作单位、学校和家一样满足上述要求，而购物场所、娱乐场所等对多数个人和家庭来说通常是不固定的，因此不符合上述要求。

5)中途驻停点

连接往返行程中各出行之间的结点叫做驻停点，出行者一次往返行程所包含的所有驻停点中最主要的出行目的地叫做主要驻停点。比如对于活动超过一定时间的工作出行来说，单位就是主要驻停点。从家到主要驻停点的这部分往返行程叫做半个往返行程，从主要驻停点到家的一部分叫做另一半往返行程。除了主要驻停点之外的其他驻停点都叫做中途驻停点。在这些中途驻停点的活动时间通常都小于在主要驻停点的活动时间。

6)活动

活动，指个人在一个连续时间段内为达到某种出行目的，采用一定的到达方式和优先权在某个地点去实现此目的的过程。它是基于活动的出行需求理论的根本。由于每个人都要根据自己的意愿安排活动，而为了把各个在时间和空间上存在差异的活动连接起来就需要出行。由此可见，活动是最基本的，它引发了出行，同时也影响了目的地、时间等出行要素。活动概念的引入，研究时处理的对象不再是简单的出行(物理移动)，而且还要考虑个人和家庭的各类决策以及引起出行的原因等等，使研究范围得到了扩展。

应用该模型预测时由上到下进行，先预测出行安排，再依次预测出行时间和出行方式；而模型标定时由下到上进行，即先标定方式模型，算出所有方式的效用后，再依次代入时间选择模型和出行安排模型，进而依次进行时间模型和出行安排模型的标定。

5.2.2　历史城区交通需求分析框架

国内外对城市居民出行者的交通需求已有较多的研究，并取得了丰硕的研究成果。但是历史城区由于其用地、路网等相比整个城市有着很大的差别，这些研究结论不能够很好地反映历史城区出行者的出行需求产生的机理和特征。因此，需探究历史城区交通需求的分析方法，并结合具体的案例来论证。总体的交通需求分析框架主要包括以下三个方面：

一是通过对历史城区出行者的日常出行行为进行问卷调查，得到基础数据来研究出行者的活动模式选择行为。根据历史城区出行特征和一般的活动模式分析的方法，对活动模式进行分类，选择个人家庭特征作为影响因素，建立多项Logit模型，并对结果进行分析，探究出行者活动模式选择特征及影响因素。

二是研究基于活动模式下的历史城区出行者交通方式选择行为。选取出行者的个体特征、家庭特征以及出行特征作为影响因素，通过建立活动模式和方式选择的协同进化Logit模型得到两者相互选择的关系。

三是基于市场细分的策略，采用结构方程模型研究历史城区交通需求特征。将历史城区出行者进行细分，选取个人特征和家庭特征作为外生变量，生存活动、维持活动和出行行为作为内生变量，建立结构方程模型，根据模型结果和分析，最终给出相应的模型预测结果的评价。

图5.6给出了历史城区交通需求分析框架。

图5.6　历史城区交通需求分析框架

5.3　历史城区出行者活动模式选择模型

传统的出行行为集计建模方法(如“四阶段”法)通常以交通小区作为研究对象，难以体现特定区域内部特定人群的出行行为差异。随着非集计建模技术的日益成熟，基于个体出行者的建模方法已成为研究特定区域、特定人群的出行行程安排、路径选择、活动模式选择及出行链特征等问题的重要研究方法和工具[136-139]。随着活动理论的引入和对出行行为分析的深入，学者开始借助活动—出行链理论对出行行为进行研究[140-146]。然而国内外多数研究主要针对整个城市层面的居民出行特征，未能聚焦历史城区这一特定区域居民出行和活动模式。历史城区居民活动模式和出行行为特征有别于城市整体及其他区域，因此以往研究成果无法为构建科学合理的历史城区综合交通体系提供指导和建议。

本节以扬州市历史城区居民出行调查数据为基础，采用多项Logit模型分析居民出行活动模式与个体及家庭属性特征之间的关联性，探讨历史城区与城市总体出行模式的差异性，以及产出差异的原因。

5.3.1　研究区域及数据采集

扬州市历史城区由古运河、护城河和二道河所围区域，面积5.09km2，位于扬州市中心位置，是商贸、金融、文化、医疗、科教、旅游景点及配套服务的中心，同时承担部分行政职能，集中了优质的医疗、教育资源。扬州市历史城区区位如图5.7所示。扬州市为东西向带状发展的城市，以东西向交通为主，蜀岗风景区、古运河、大运河等天然障碍却分割了东西向交通干道。而文昌路一线同时串联了新城西区、历史城区、城东以及河东CBD等多个组团中心，成为扬州市主要客流走廊之一。

扬州历史城区目前约有10万人，年龄结构呈现“哑铃式”，老年人与未成年人偏高。经济能力较强的中青年人已经或者倾向搬出历史城区去新城区置业安居，留在城区生活的人口有很大部分是退休老人、工商企业管理普通员工和自就业者，属于中低收入人群。扬州市较好的中小学多集中在老城区及其周边地带，因此未成年人比重也高。总的来说历史城区人口密度高于市平均水平。

图5.7　扬州市历史城区区位图

扬州市历史城区的高人口密度、占主体的中低收入人群、年龄结构中老年人和未成年人比例决定了历史城区内居民出行特征有别于整体城市情况，居民出行特征对比如表5.5所示。

表5.5扬州市区及其历史城区居民出行特征对比

由表5.5可以看出扬州市区和历史城区内居民出行特征具有明显差异：

(1)平均次数方面，市区日平均出行次数(2.81次/日)低于历史城区日平均出行次数(2.99次/日)；

(2)出行方式结构方面，历史城区内步行比例(27.4%)明显高于市区平均水平(16.4%)，主要是由于历史城区范围内出行距离一般较短；

(3)出行目的方面，市区和历史城区的上班出行和其他目的出行的比例差异较大，回程和上学差异较小。造成差异的原因可能为历史城区退休人员占了较高比例，因此历史城区上班出行比例低于市区平均水平。

表5.5表明，历史城区居民出行特征与出行行为明显有别于市区整体情况。因此，以往基于城市总体的出行行为研究并不适用历史城区，需要对历史城区居民出行进行专属研究，探索历史城区内居民出行活动模式及影响因素。

5.3.2　历史城区出行活动模式

活动模式分析的基础是基于活动的出行需求分析理论，该理论认为活动的参与产生了出行需求，而活动和出行者的家庭及个体特征是影响活动和出行行为模式的重要因素。出行者的个体、家庭特征的差异性会导致活动模式的差异，历史城区也不例外。但是，相比整个城市，该地区出行者的活动模式有着自身独特的性质。因此，有必要探讨历史城区居民的主要活动模式，为该地区出行生成预测分析奠定基础。

活动模式分析的基础是基于活动的出行需求分析理论，该理论认为活动的参与产生了出行需求，而活动和出行者的家庭及个体属性特征是影响活动和出行行为模式的重要因素。通过历史城区居民出行主体的划分，可以将历史城区居民出行活动模式分为家—工作(内)—家(H-W (I)-H)、家—工作(内)—其他—家(H-W(I)-O-H)、家—工作(外)—家(H-W (E)-H)、家—工作(外)—其他—家(H-W(E)-O-H)和家—其他—家(H-O-H)五种。其中H代表家，W代表工作地，O表示次要活动发生地，I代表工作活动位于历史城区内部，E代表工作活动位于历史城区外部。表5.6给出了五种典型活动模式的图示及解释。

表5.6　5种典型活动模式结构示意

注：1.其他指除工作/学习等生存型活动外的其他活动(维持型活动和休闲型活动)。

2.H-O-H主要发生的历史城区内部，历史城区外部比例很小，故不作考虑。

以扬州市历史城区居民出行调查数据为基础，得到5种出行活动模式的比例，如表5.6所示。历史城区居民出行活动模式主要以家—工作/学习(内)—家(H-W/S(I)-H)和家—其他—家(H-O-H)为主导，分别占了41.3%和33.9%。历史城区作为城市中心，内部集中了主要的就业就学、休闲购物和公共服务等活动，居民的主要活动也主要围绕以上两种模式展开。

表5.7给出了每种活动模式的出行方式的比例。历史城区居民主要的出行方式为非机动车交通方式，这一方式在每种活动模式中都占了较大的比例；公共交通方式在每种出行活动模式的出行比例都较小，说明扬州市历史城区居民更倾向于选择私人交通工具；另外，摩托车交通方式在居民出行活动中也占据了较大的出行比例。

表5.7　每种活动模式主要出行方式选择比例　(%)

5.3.3　活动模式选择的多项Logit模型

多项Logit模型的适用范围为因变量为无序种类变量，适合3种及3种以上因变量情况下建模，能够得到自变量与因变量之间的关联和影响。本研究针对历史城区出行活动模式展开，其因变量为5类出行活动模式，符合多项Logit建模要求。采用多项Logit模型来分析历史城区居民出行活动模式与个人属性和家庭属性的关系，便于了解个体及家庭属性对活动模式的影响机理。

1)模型结构

根据随机效用理论，假设第n个个体选择第i种出行模式的效用为Uni，Jn为选择集合，且i∈Jn，则效用Uni可以表示为：

Uni=Vni+εni

(5.1)

式(5.1)中，

Vin——个体n选择第i种出行模式效用函数中的固定项；

β——待估参数；

εni——第n个个体选择第i种活动模式效用函数中的随机项。

当Vin与其中包含的解释变量之间呈线性关系时，可以表示为：

Vin=θ′Xin=∑Kk=1θkxink

(5.2)

式(5.2)中，

K——解释变量个数；

θ——参数矩阵；

θk——第k个变量所对应的参数；

xink——个体n选择第i种活动模式的第k个特性变量。

则个体n选择第i种出行模式的概率Pn(i)：

Pn(i)　=ProbUni>Unj,j∈Jn,i≠j

=ProbVni+εni>Vnj+εnj,j∈Jn,i≠j

(5.3)

假设ε服从参数(0.1)的Gumbel分布，则有以下的一些性质：

效用误差项的密度函数为：

f(ε)=λe-λeniexp(-e-λεni)

(5.4)

累计密度函数为：

F(εni)=exp(-e-λεni)

(5.5)

ε最频值M(ε)=η，均值E(ε)=η+γω，标准差var(ε)=π26ω2。

其中，γ为Euler常数。

另外，当ε1和ε2分别服从参数为(η1,λ)和(η2,λ)的Gumbel分布，则有：

F(ε*)=11+eω(η1-η2-ε*)

(5.6)

当(εn1,εn2,…,εnj)为两两相互独立的、分布服从分布参数为(η1,λ)，(η2,λ)，…，(ηJ,λ)的Gumbel分布。

Pn(i)　=ProbUni>Unj,j∈Jn,i≠j

=ProbVni+εni>Vnj+εnj,j∈Jn,i≠j

=ProbVni+εni≥maxj∈JnVnj+εnj

(5.7)

定义：U*n=maxj∈JnVnj+εnj,j∈Jn,i≠j则有：

U*n=V*n+ε*n，根据以上Gumbel分布的性质，有V*n=1λln∑Jnj=1eλVjn，则

Pn(i)　=11+exp(λ(V*n-Vin))=expλVinexp(λVin)+exp(λV*n)

=exp(λVin)exp(λVin)+expln∑Jnj=1exp(λVjn)

=exp(λVin)exp(λVin)+∑Jnj=1exp(λVjn),i≠j

(5.8)

2)模型算法

对式(5.8)参数进行估计时，可以先定义某一选择方案作为参照水平，其他方案均与其进行对比，建立Jn-1个非集计模型。假设以方案1作为参照水平，根据式(5.8)，则有：

lnPn(i)Pn(1)=α1+β11x11+…+β11x1j,　　i=2,…,Jn

(5.9)

为了对模型参数β进行估计，假设个体n选择第i种出行模式时，δni=1，否则δni=0，则有似然函数：

L*=∏Nn=1∏i∈JnPn(i)δn

(5.10)

将式(5.8)代入到式(5.10)得到对数似然函数

L=lnL*=∑Nn=1∑mi=1δni∑Kk=1β′kxnik-ln∑j∈Jnexp∑Kk=1β′kxnik

(5.11)

对式(5.11)的待估参数求偏导可得：

∂L∂β′k=∑Nn=1∑mi=1δnixnik-∑j∈Jneβ′kxnjxnjk∑j∈Jneβ′kxnjk=0

(5.12)

通过式(5.12)的方程，则可求出待估参数β′k。

3)特性变量的选择

居民活动模式选择是居民个人属性、家庭属性和城市空间用地布局等作用的产物。居民个体和家庭属性是活动模式的主要影响因素，同时也决定了出行行为及偏好。特性变量解释和变量的描述性统计如表5.8所示。

表5.8　特性变量的解释和描述性统计

续　表

个体属性主要包括性别、职业和年龄，而家庭属性包括家庭人口数、是否有学龄前儿童、是否拥有小汽车、家庭自行车数、家庭电动自行车数、家庭是否拥有摩托车和家庭收入。在这些因素的影响下，居民安排一天活动，采取适当的出行模式，从而满足个体的生存、维持、休闲等各类需求。根据多项Logit对于变量设置要求，将有k个类别的多分类变量设置为k-1个二值哑元变量，其中一类为参考变量。

5.3.4　模型结果分析

模型估计采用统计分析软件SPSS中的 multitude logistic回归模块对模型进行参数计算。多项Logit将k个类别的多分类变量设置为k-1个二值哑元变量，其中一类作为参考变量。最终的活动模式选择模型各个变量的影响系数以及显著性如表5.9所示。模型以活动模式H-O-H作为参考类别。

表5.9　模型参数估计结果

注：/表示变量不显著。

1)个体特征影响分析

(1)个体出行者属性中的性别和年龄因素对于家—工作(内)—家、家—工作(内)—其他—家和家—工作(外)—家这三种出行活动模式的选择有显著的影响，职业变量对四种活动模式均有显著影响。

(2)性别变量的系数在模式家—工作(内)—家和家—工作(外)—家估计值分别为0.76和 0.891，而在模式家—工作(内)—其他—家为估计值为-0.559，表明更多男性选择模式家—工作(内)—家和家—工作(外)—家，其可能性分别是女性的2.138倍和2.437倍，而女性倾向选择模式家—工作(内)—其他—家，发生比是男性的1.75倍。产生这一现象的主要原因是：女性在家庭中可能更多地承担家庭购物等出行，因此女性较多地选择工作和回程之间进行其他目的的出行活动。

(3)职业(OCC=0)变量在模式家—工作(内)—家、家—工作(内)—其他—家和家—工作(外)—家的系数全为负值,职业(OCC=1)的系数全为正值，主要因为学生/工作人员参与工作/上学出行而退休人员没有这类出行，这与实际情况相符合。出行者年龄(AGE=0和AGE=1)变量系数在模式家—工作(内)—家、家—工作(内)—其他—家和家—工作(外)—家均为正，因为年龄小于50岁居民主要是工作者和学生，与职业变量吻合。

2)家庭特征影响分析

家庭属性变量中，有无小汽车和电动车数目对家—工作(外)—其他—家有显著影响，其中有无小汽车和电动车数目主要影响模式家—工作(外)—其他—家，变量系数估计值均为负值，说明没有小汽车家庭和没有电动车家庭较少选择模式家—工作(外)—其他—家。而家庭收入、家庭人口数、有无学龄前儿童、自行车数目和是否拥有摩托车则对活动模型影响不显著。

3)已有研究对比分析

通过和已有城市居民出行活动影响因素研究的结果对比得到个人属性对活动模式影响结果相同，而家庭属性则不完全相同[147-151]。例如，穆蕊(2010)对北京市居民出行调查数据分析得到家庭属性中的家庭月收入通过影响居民出行方式选择从而影响居民的出行活动；宗芳(2007)认为家庭属性变量中的儿童情况、家庭收入、有无摩托车和自行车均显著影响居民出行活动模式。

通过研究得到了历史城区内居民出行活动模式与个人及家庭特征之间的关联性。根据居民出行调查数据，将出行活动划分为五类典型模式，包括“家—工作(内)—家”、“家—工作(内)—其他—家”、“家—工作(外)—家”、“家—工作(外)—其他—家”和“家—其他—家”。建立了多项Logit模型分析了各因素对于居民进行活动模式选择的影响。

主要得到以下结论：以家—其他—家为参照类，男性更倾向选择活动模式家—工作(内)—家和家—工作(外)—家，而女性更倾向选择模式家—工作(内)—其他—家；无小汽车家庭和无电动车家庭较少选择活动模式家—工作(外)—其他—家；年龄小于50岁和学生/职员/服务人员更多地选择活动模式家—工作(内)—家、家—工作(内)—其他—家和家—工作(外)—家。研究发现，家庭属性变量中仅有无小汽车和电动车数目显著影响历史城区居民出行活动模式选择，而家庭收入、家庭人口数、自行车数、有无摩托车和有无学龄前儿童对活动模式选择的影响并不显著，有别于以往基于城市总体的居民出行活动模式选择的研究结论。

基于活动模式的研究，是以活动为视角，以出行链为单元，以个体社会经济属性为解释变量，用非集计模型对出行生成进行了新的阐述，能够预测历史城区出行者的交通需求的总量，对于将基于活动的分析方法融入出行者的交通需求预测具有重要意义。具体的预测步骤为：根据模型参数可以得到出行者典型活动模式效用函数，按照概率集计法对选择结果进行集计分析，能够得到各个交通小区所有个体选择每种活动的总数，将活动模式总数乘以活动模型平均长度就可以进行出行生成预测。

5.4　基于活动模式的交通方式选择行为

传统的居民出行方式选择预测研究一般以单次出行作为分析单元。随着基于活动的出行需求预测方法得到推广，越来越多的学者将活动模式、出行链等决策过程与出行方式选择的决策过程相结合，来进行出行行为的预测研究。研究的关键问题就是模型中出行链/活动模式与出行方式选择决策的先后顺序关系。相关的研究方法可以分为以下类：

1)同时决策(simultaneous choice model)

该方法的假设出行者同时确定若干选择内容。比如，对于决策集A和B，包含的选择肢为a1, a2, …, am和b1, b2, …, bn，则构建一个新的决策集AB，其选择肢为aij，其中i=1, 2， …， m； j=1,2， …， n。该方法的缺点在于：可能由于选择肢数量较多，导致新的决策集AB选择肢的数量过多；假设出行者同时进行选择不符合实际情况。

2)先后决策(sequential choice model)

该方法假设出行者按照一定的顺序进行选择决策，在模型中事先确定了决策顺序。

3)高低层决策(nested choice model)

假设出行者在决策时具有一定的层次性，建模时事先按照一定原则将不同决策分为若干层次，底层决策嵌套在高层决策中。常用的模型有Nested Logit model(NL)，如图5.8所示。

先后决策方法和高低层决策方法无论事先确定一定的顺序还是事先确定选择的层次有悖于一般的决策过程和规律。

4)其他决策研究

比如，宗芳等(2007)将活动特征作为Logit模型的效用函数中的效用项，通过对模型参数的估计，得到活动特征的出行方式选择的影响[151]。

图5.8　出行链复杂程度与出行方式选择的Nested Logit建模示意图

基于活动的出行需求预测方法认为出行者对于出行的需求源于对活动的需求，大多数研究者在模型中一般是优先进行出行链/活动模式的决策，或将它们作为上层决策而将出行方式选择嵌套其中。一些学者对事先确定决策顺序的方法提出了疑问，并进行了相关的验证和模型的改进。Krygsman(2007)研究认为大部分出行者的活动决策优先于出行方式的决策[152]；万霞等(2009)通过对沈阳的活动模式和小汽车选择的决策研究发现，65%以上的出行者先选择小汽车方式，然后再确定相应的活动模式[153]。

5.4.1　数据及变量

研究数据源于2010年扬州市历史城区出行者出行调查。调查表随机发放到每个小区，除了调查每个出行者工作日的完整出行信息外，还有出行者的个人特征、家庭特征以及出行特征作为研究变量。个人特征包括出行者的性别、职业、年龄和工作区位，家庭特征为家庭人口数、家庭收入、家庭自行车、电动车、机动车数量等；出行特征则为出行者的工作出行时间和是否有公务出行等。调查期间一共发放调查表2000份，有效样本为1039份。

1)影响因素的选择

根据相关建模和分析经验，确定Logit模型的特性变量应包含个体属性、家庭特征和活动及出行属性。个体属性主要包括出行者的年龄、性别、职业、文化程度等变量，而家庭特征包括家庭结构和规模、交通工具的拥有情况、家庭收入和工作地等，个体属性和家庭特征对出行者的活动安排和方式选择具有显著的影响。表5.10给出了用于分析的特性变量。

表5.10　特性变量的选择

2)活动模式和出行方式数据分析

根据调查统计结果，部分出行者对于不同类型的出行往往会选择不同的出行方式，也就是所说的多方式出行，但是多方式出行的样本虽然具有研究价值，但是因样本量过少，故被舍去。最后，被用作研究的出行方式有以下四种：慢行方式(包括步行和自行车)、电动车、公共交通和机动车(包括摩托车和小汽车)，每种方式的统计结果如表5.11所示。慢行方式和电动车有着较高的分担比例，为34.8%，机动车为25%，而公共交通仅占5.3%。

表5.11　出行方式统计结果

研究居民活动模式时，通常把活动分为生存活动(工作或工作相关)、维持活动(生活购物、探亲访友和看病)、娱乐活动(文体娱乐)和其他活动。根据调查数据统计分析结果，由于娱乐活动(2.7%)和其他活动(1.8%)所占比例较少，因此将这两种活动当做一种活动考虑。最终研究的活动主要有三种：生存活动、维持活动和其他活动。

出行链是指一日内出行者从自家出发最终回到自家的一系列出行所构成的封闭链，可形象描述为多次出行的链接，按照活动数目可以划分为简单链和复杂链。结合调查数据，用于分析的典型活动-出行链有以下四种：工作出行链(H-W-H和H-W-H-W-H)占所有出行的84.6%，简单出行链H-W-H比例最高为59.5%，出行链H-W+M-H和H-W+O-H比例分别为10.9%和4.5%，每个出行链所占比例如表5.12所示。

H-W-H：简单通勤出行模式，无其他停留；

H-W-H-W-H：包含基于家的通勤出行往返停留；

H-W+M-H：主要为通勤出行，同时包含有维持活动；

H-W+O-H：主要为通勤出行，同时包含有其他活动。

表5.12　活动模式统计结果

该部分主要探讨出行方式与活动模式的相互影响关系，首先，表5.13给出了每种活动模式下对应的方式选择的比例。不同活动模式下的出行方式选择有一定的差异，活动模式H-W+M-H，H-W-H，H-W-H-W-H对应的出行方式整体差别不大，活动模式H-W-H的公共交通分担比例略高；而活动模式H-W+O-H慢行方式较低，电动车和机动车比例高于其他活动模式。有链接非工作活动的通勤出行链(H-W+M-H和H-W+O-H)机动车比例较高，其次为活动模式H-W-H-W-H。

扬州市历史城区简单出行链H-W-H的比例较高(59.5%)，一般研究结论公共交通在H-W-H中的比例应较高。但是根据表5.13，公共交通比例远低于慢行方式和电动车，这点和国内以非历史城区为对象的研究结论不同，这主要和历史城区更适合慢行方式和电动车出行有关，公共交通由于服务水平和方便性的原因，使得分担比例较低。

表5.13　活动模式对应出行方式比例

图5.9给出了四种不同方式的出行者选择的活动模式比例情况。从图5.9中可以得到出行者选择公共交通出行时，大多数的通勤出行链为H-W-H；若选择机动车出行，H-W-H所占的比例较低，其他较复杂活动出行链H-W-H-W-H、H-W+M-H和H-W+O-H的比例较高，因为机动车出行的可达性和方便性较高，该类出行者更倾向选择其他目的的出行。电动车和慢行方式对应的简单活动出行链和复杂活动出行链的比例相差不大。结合表5.13中的数据可以发现，出行者的出行方式和活动模式选择之间存在一定的交互作用，也就是说活动模式和出行方式有着相互选择的关系。

图5.9　不同出行方式选择活动模式比例

5.4.2　模型建构

1)协同进化Logit模型

将协同进化思想引入出行方式选择与活动模式的交互作用建模研究，即认为二者之间存在相互适应、相互影响、相互协同、共同“进化”的作用关系，在此作用下最终产生决策结果，而并非事先假设活动模式决定了使用某种出行方式或者是某种出行方式的使用决定了活动模式。

个体出行者面临一系列相关选择，Di∈D。每类决策包含若干选择肢，选择肢之间相互独立。基于Logit模型基础，假设效用最大的选择肢被选中，效用的形式为：

EUtd=∑rβr∑s∈SPtsXrd|s∀d∈Di,∀Di∈D

(5.13)

式(5.13)中，

t——决策过程中的时刻指数；

EUtd——在t时刻的选择肢d的期望效用；

S——决策Di；

∀i′≠i——所有可能结果的集合；

Xr(d|s)——给定状态下s下的选择肢d的特性r的特征值；

βr——与特性r有关的参数；

Pts——在t时刻状态s的感知概率。

Pts则可以被定义为如下形式：

PItd=∑s∈SPtsId|s∀d∈Di,∀Di∈D

(5.14)

式(5.14)中，

PtsI(d|s)——t时刻在选择Di中选择肢d∈Di被选中概率的估计值；

I(d|s)——选择肢d在Di的选择状态s确定下被选中的概率。

则在模型中，选择肢d被选中的概率pt(d)为：

Pt(d)=P{It-1(d)}exp[E{Ut-1(d)}]∑d′∈DiP{It-1(d′)}exp[E{Ut-1(d′)}],∀d∈Di,∀Di∈D

(5.15)

当t=0时，每个选择肢d被选中的概率为：

P0(d)=1Di∀d∈Di,∀Di∈D

(5.16)

在模型中t表示了预测中的迭代次数，而这个次数是取决于前一次的计算结果。在第t次的一次迭代中，将t-1次结果输入式(5.16)进行计算。在每一次循环迭代之后，对每个选择结果Di的不确定性用熵法进行计算，即

Ht(Di)=-∑d∈DiPt(d)×log2{Pt(d)}∀Di∈D

(5.17)

同时也要对模型的收敛性进行计算，即

Ct=∑Di∈D1∑d∈Di|pt(d)-pt-1(d)|

(5.18)

式(5.18)中，

pt(d)和pt-1(d)——相邻两循环中选择肢d被选中的概率。

该公式是选择结果的吻合度评价函数。

2)求解步骤

根据前面定义，模型的求解步骤如下：

(1)初始化，令t=0，并设置各选择肢属性变量的相关系数θk；

(2)计算每一个选择肢被选择的可能性ptDi，且d∈Di,Di∈D；

(3)计算Ct，如果Ct<C0，令t=t+1从步骤(2)开始继续计算，C0为事先确定的模型最顶收敛水平；

(4)根据式(5.18)计算各选择的熵值，熵值最小的选择确定其选择肢，其中概率最高的选择肢被选中，其被选中的概率为1，其他选择肢的可能性为0；

(5)从步骤(2)开始重复t=t+1过程，直到所有的选择肢被确定。在步骤(4)一旦某个选择做出决定，在最后的计算不能再更改。

5.4.3　模型结果及分析

1)模型估计结果

协同进化Logit模型分析通勤者出行方式选择和活动模式间交互作用的步骤为：

(1)初始化自变量和因变量，将出行方式和活动模式转化为虚拟变量；

(2)分别采用多项Logit(MNL)模型分别估计出行方式和活动模式选择概率；

(3)初始化协同进化模型中的变量，开始迭代过程；

(4)记录迭代过程中方式选择和活动模式结果，出行者所有决策均确定后结束迭代过程；

(5)对出行者的出行方式选择和活动模式选择结果进行统计分析。

出行方式选择模型中，以机动车作为参考；活动模式选择模型中以活动模式H-W-H-W-H为参考。最终模型估计结果如表5.14所示。

表5.14　出行方式与活动模式交互模型结果

注：空白表示该变量影响不显著；“-”表示不是该模型的影响因素。

2)结果分析

(1)模型命中率

模型估计结果表明，出行方式选择和活动模式之间存在相关性，某一决策的选择受到另一决策结果的影响。因此，在离散选择模型中考虑两类交互作用下有助于提高模型命中率。表5.15为考虑和不考虑交互作用下的出行方式和活动模式选择的整体命中率对比结果。从表5.15得出考虑交互作用后对通勤者出行方式选择的预测精度从74%提高到84.5%，活动模式的预测精度从83.7%提高到87.5%。

表5.15　模型命中率　(%)

(2)交互结果分析

出行方式选择的模型估计结果表明：男性通勤者不倾向电动车和公共交通，区内工作者和家庭收入较少的家庭选择慢行方式的概率更高。如果通勤者不在早高峰时段出行，则更倾向选择慢行方式、电动车和公共交通，通勤者不在晚高峰时段出行，则更少选择公共交通；另外，若通勤者的出行时间小于30min，他们选择电动车和公共交通概率更小；没有公务出行的通勤者，选择慢行和电动车的概率更大。

基于MNL模型的活动模式选择结果表明：男性较少选择活动模式HW+MH，职员、公务员、区内工作者、工作出行时间小于30min和没有公务出行的通勤者更少选择活动模式HWH。家庭人口较少的通勤者更多选择活动模式HW+MH，若通勤者不在晚高峰时段出行，他们大多数会进行非生存出行，活动模式为HW+MH和HW+OH。

根据文献表明进出历史城区的主要干道，特别是在早晚高峰时段拥堵严重，除了外围居民的通勤出行外，还有就是区外工作者。因此文中将通勤者的工作区位作为研究变量，将其分为区内工作者和区外工作者，图5.10(a)和(b)所示分别表示这两类群体出行方式和活动模式分担比例，并且有着较大的差别。结合模型估计结果：区内工作者更倾向选择慢行方式出行，活动模式较少为HWH，与图5.9统计结果相符合。

图5.10　区内工作者和区外工作者对比

表5.14中出行方式和活动模式的交互结果表明通勤者包含非工作出行，很少选择电动车出行。活动模式为H-W-H和H-W+M-H，该类通勤者更倾向公共交通出行。若通勤者工作出行采取公共交通，则该类群体多数会选择简单链H-W-H，较少选择家和工作地之间有其他活动的出行(H-W+O-H)。慢行出行的通勤者较多会选择活动模式H-W+O-H，电动车出行的通勤者，选择活动模式H-W+M-H和H-W+O-H的概率较低。

为更好的说明上述交互结果，根据调查数据统计扬州市历史城区通勤者不同出行目的对应的方式选择，如图5.11所示。

图5.11　不同出行目的对应出行方式比例

三种出行目的，出行方式变化较大的是慢行方式和电动车，公共交通比例变化不大。主要原因电动车相比慢行有着速度优势，价格低于机动车，方便性优于公共交通，同时工作单位往往提供充足的电动车停车位，因此工作出行时电动车比例较高；非工作出行时往往停车困难，历史城区面积不大，街道密集，功能齐全，更适合慢行出行，因此会有部分电动车通勤者选择回家后变换慢行方式完成购物、娱乐等目的的出行，这点与已有研究结论相反，解释了电动车出行者与活动模式H-W+O-H和H-W+M-H负相关。结合现有研究结论，出行者的活动模式为简单链H-W-H时更加倾向选择公共交通，而公共交通出行者的活动模式也多为H-W-H，这点与本研究结论相符，同时也说明了公共交通比例变化较小原因。

依据协同进化Logit模型研究了扬州市历史城区通勤者出行方式和活动模式选择的交互作用，并且提高了模型的整体命中率。根据调查数据将出行方式分成四类，活动模式也分为四种类型。交互结果表明，选择公共交通与活动模式H-W-H互为正相关。同时，公共交通的通勤者不倾向活动模式H-W+O-H；慢行出行的通勤者较多会选择活动模式H-W+O-H，电动车出行与活动模式H-W+M-H和H-W+O-H互为负相关，原因是非工作出行时，由于历史城区区位特殊性，更多通勤者会选择慢行方式出行，不同于已有对整个城市的研究结论，对公共交通与活动模式的结论则和已有结论相符合。

基于活动模式的交通方式选择行为可以用于历史城区的交通方式出行需求预测和交通需求管理政策的评价两个方面。在进行出行需求预测时，可以运用非集计的调查数据，直接预测出非集计的某种出行方式，比如小汽车的使用模型选择概率，进而得到小汽车出行的属性数据，之后再对非集计数据进行集计分析，具体的过程和5.3节的活动模式的预测过程类似。国内外学者也多将非集计模型应用于交通需求管理政策的评价中。基于活动的出行需求预测模型通常采取模拟—比较—评价的方法来预测和评价交通需求管理政策的实施效果。比如增加历史城区停车费，可以通过该模型预测小汽车的使用分担的变化。

5.5　基于结构方程模型的历史城区交通需求分析

5.5.1　结构方程模型

结构方程模型是基于变量的协方差矩阵来分析变量之间关系的一种多元线性统计技术，也称为协方差结构分析。该建模技术起源于20世纪初，其核心概念在20世纪70年代才被相关学者专家提出，属于比较新的研究方法。大多应用于心理学、社会学、生物科学、教育学、政策科学和市场研究中。20世纪80年代起，结构方程模型开始应用于交通行为研究。

结构方程模型是一种能够处理大量内生变量、外源变量、潜变量的建模技术。回归、连列方程式、路径分析、因子分析和典型相关分析均属结构方程模型的特例。

含潜变量的结构方程模型最多有三套同时估计的连列方程式：内生变量的测量模型、外源变量的测量模型和结构模型。

内生变量和外源变量的测量模型可分别写成如下形式：

x=Λxξ+δ

(5.19)

y=Λyη+ε

(5.20)

式(5.19)和式(5.20)中，

x——外源变量的指标变量向量；

y——内生变量的指标向量；

Λx——外源指标变量与外源变量的关系系数矩阵；

Λy——内生变量与内生变量的关系系数矩阵；

ξ——外源变量向量；

η——内生变量向量；

δ——外源指标变量x的误差项；

ε——内生指标变量y的误差项。

用于描述外源变量与内生变量或者内生变量之间的因果关系。其数学形式可写成：

η=Βη+Γξ+ζ

(5.21)

式(5.21)中，

η——内生变量向量；

ξ——外源变量向量；

Β——内生变量间的关系系数矩阵；

Γ——外源变量对内生变量的关系系数矩阵；

ζ——结构模型的残差项。

结构方程模型具有下述优点：①同时处理多个因变量；②容许自变量和因变量含测量误差；③同时估计因子结构和因子关系；④容许更大弹性的测量模型；⑤估计整个模型的拟合程度。

结构方程模型分析步骤可分为模型构建、模型拟合、模型评价和模型修正四个步骤：

(1)模型构建包括制定：指标变量与潜变量的关系；各潜变量间的相互关系；在复杂模型中，可限制因素载荷或因子相关系数等参数的数值关系。

(2)通常使用最小二乘法拟合模型，相应的参数估计即为最小二乘估计。目标是求参数使得模型隐含的协方差矩阵与样本协方差矩阵的“差距”最小。根据“差距”的定义方法不同，产生不同的模型拟合方法及相应的参数估计方法。

(3)评价一个模型，应检查该模型的解是否适当，参数与预设模型的关系是否合理，并检验多个不同类型的整体拟合指数(NNFI、CFI、RMSEA等)来衡量拟合程度。

(4)模型修订的技术步骤包括以下内容：依据理论或有关假设，提出一个或数个合理的先验模型；检验潜变量与指标变量间的关系，建立测量模型，有时需删减或者重组指标变量；若模型含多个潜变量，可以每次只检测两个潜变量的模型，确定测量模型部分的合理性后，最后再将所有潜变量合并成预测的先验模型，做一个总体检验；对每一个模型，检查标准误差、t值、标准化残差、修正指数等；最终模型是依据某一样本数据形成。

5.5.2　研究变量选择

1)外生变量

虽然出行环境、居住地或者目的地的用地特征，以及交通条件均能够影响通勤者的出行行为特征。但根据已有研究结论，来自出行者主观的影响因素，如个人特征和家庭特征等的作用也很显著。选取通勤者个人特征(性别和年龄)，家庭特征(家庭人口数、是否有小孩、小汽车可用性和家庭收入)作为结构方程的外生变量。外生变量的具体描述如表5.16所示。

表5.16　结构方程外生变量

2)内生变量

根据调查数据统计，通勤者工作日娱乐出行比例极低，故模型变量不予考虑，最终选取生存活动(以工作目的为主)和维持活动(以家庭购物、外出就餐等目的为主)的各三个变量以及表征出行行为特点的出行方式、日出行次数、基于家的出行链个数和活动链模式作为结构方程的内生变量，每个内生变量的具体描述如表5.17所示。根据通勤者工作日当天的出行特点，用于分析的典型活动—出行链表示方法有H-W-H，H-W-H-W-H和H-W+M-H三种。

表5.17　结构方程的内生变量及描述

续　表

5.5.3　出行者市场细分

根据历史城区出行者职住分布，将出行者分为三类：①居住地和工作地均在历史城区内，为Ⅰ 类；②居住在历史城区内，工作地在区外，为 Ⅱ 类；③居住在区外，工作地为区内，为 Ⅲ 类，如图5.12所示。

图5.12　历史城区三类出行者示意图

传统的居民出行行为调查主要在城市某个或几个社区进行随机抽样发放问卷获取数据，这样的调查方式一定程度上不能准确均衡地反映整个区域的出行特征。为确保调查样本的代表性和和数据获取的有效性，调查按照居民出行调查的方法，将历史城区进行交通小区划分，分不同的小区进行样本选取。

图5.13　扬州市历史城区交通小区划分

按照问卷设计方案，为确保三类出行者都能被调查到，调查选择在工作日进行，其中白天调查历史城区的主要工作地，夜晚调查历史城区的主要居住地。问卷信息包括两部分：①个人和家庭特征，例如性别、年龄、家庭收入、家庭人口数等；②工作日的出行信息，包括出行的出行时间、持续时间、出行方式选择等。

调查共发放调查表2000份，抽样率在1%左右。对回收的问卷进行了出行时间连续性、空间一致性及方式一致性的检验，剔除了无效问卷。最终得到有效问卷1239份，其中Ⅰ类出行者705份，Ⅱ类出行者245份，Ⅲ类出行者289份。

表5.18中给出了三类出行者的出行行为特征的统计描述结果。

表5.18　出行特征变量的统计分析

注：由于统计原因，电动车方式纳入慢行方式一并统计分析。

根据表5.18可知：

(1)Ⅱ类出行者和Ⅲ类出行者在出行行为方面差别不大，与Ⅰ类出行者差别较大；

(2)Ⅲ类出行者的H-W-H-W-H高于Ⅱ类出行者，而H-W+M-H低于Ⅱ类出行者，因为Ⅲ类出行者主要在历史城区完成出行目的的出行，而其他类型的活动可能主要在区外完成；

(3)Ⅲ类出行者小汽车比例和公交车比例较高，慢行比例最低，主要因为平均出行距离较前两类出行者远；

(4)Ⅰ类出行者日出行次数和链的个数多于其他两类，这与活动模式的特征相对应，因为Ⅰ类出行者活动出行链H-W-H-W-H和H-W+M-H的比例较高，导致以家为基点的链个数和出行次数较多。

5.5.4　结构方程模型架构

该部分主要分析三类出行者的出行行为特征和影响因素的差异性。借鉴已有研究，图5.14和图5.15分别给出结构方程模型的研究框架和结构示意图。模型结构基于以下假设：家庭特征、个人特征等外生变量对出行者的活动和出行特征有显著影响，而出行者的维持性活动往往受到生存活动的影响，生存活动和维持活动又共同影响出行者工作日的出行特征。

图5.14　研究框架图

图5.15　结构方程的模型结构图

5.5.5　模型结果及分析

模型通过结构方程模型软件AMOS，采用最大似然估计(ML)分别求得三类出行者的模型估计结果。表5.19给出了外生变量对内生变量的直接效应，间接效应和总效应。

表5.19　外生变量对内生变量直接效应、间接效应和总效应

续　表

注：**表示p<0.001;*表示p≤0.05;—表示不存在相应的效应值；其余表示不显著。

1)模型拟合优度

模型通过结构方程模型软件AMOS，采用最大似然估计(ML)分别求得三类出行者的模型估计结果。

表5.20给出三类出行者的结构方程模型的拟合优度检验系数。以Ⅰ类出行者为例，拟合优度指数(GFI)为0.91(≥0.9)，校正拟合优度指数(AGFI)为0.91(≥0.9)，近似误差平方根(RMSEA)为0.05(≤0.05)，均方根残差(RMR)为0.07(≤0.5)。其他两类出行者相应的检验值均在可以接受的范围内，表明三类出行者的模型拟合程度较好。模型参数的估计值均在95%置信水平。

表5.20　模型拟合优度检验

2)外生变量对内生变量效应分析

如表5.19所示，间接效用表示个人特征或者家庭特征通过某个内生变量对另外一个内生变量产生一定的影响。

Ⅰ类出行者估计结果表5.18所示，个人特征对生存活动强度、维持活动强度和出行行为特征的总效应分别为0.03，-0.79，0.08，家庭特征对生存活动强度、维持活动强度和出行特征的总效应分别为0.19，0.83和0.15。

Ⅱ类出行者的个人特征和家庭特征对内生变量的影响如表5.18所示，个人特征对内生变量的总效应分别为0.15，-0.74，0.19；家庭特征对内生变量的总效应为0.16，0.47和0.08。

Ⅲ类出行者的结果如表5.18所示，个人特征对三个内生变量的总效应为2.30，-1.24和1.64；家庭特征对三个内生变量的总效应为2.48，1.11和1.15。

从三类出行者的外生变量对于内生变量的效应上看，共性特征要远大于个性特征。三类出行者都表现出：一是男性相比女性更倾向生存活动，男性的维持活动比例较少。二是无论是生存活动还是维持活动，活动强度都与家庭收入、家庭人口、是否有小孩和小汽车等正相关。

前者可以看出男性和女性在家庭分工中的差异性，男性更偏重于承担与工作相关的活动，或者说是与工作相关的活动更多，而女性则对家庭的照料更多。后者可能表明家庭规模大、结构复杂可能对于活动强度的要求更高，活动也更加丰富，同时拥有小汽车使得更多的活动变得具有可选择性。

3)内生变量间的效应分析

与外生变量对于内生变量的效应是共性更多的特征相反，内生变量之间的效应所体现出的差异和个性特征则更多。表5.21给出三类出行者内生变量的效应值。

表5.21　内生变量间效应值

Ⅰ类出行者生存活动对维持活动估计结果为0.25，说明该类出行者维持活动强度会随着生存活动强度的增加而增加，和相关的研究结果不同。这主要是因为，Ⅰ类出行者为居住地和工作地均在历史城区内部，出行方式也以慢行方式为主，并且历史城区作为城中心，功能齐全，这类群体出行距离相对更短，完成各项活动所需时间较短，并且能够选择上下班过程中完成相关的维持活动，导致以维持为目的的出行次数、出行时间和持续时间增加。

Ⅱ类出行者和Ⅲ类出行者的生存活动强度对维持活动强度的结果分别为-0.12和-0.56，说明生存活动的增加造成相应的维持活动强度减少，当这两类出行者花费较多的时间在生存活动上时，由于出行时耗更长、出行自由度低，很难像Ⅰ类出行者那样在上下班途中完成家庭购物等维持性活动，导致维持活动的强度就相对变少，该研究结论与以城市出行者为对象的结论较为符合。

通过对三类出行者的活动链特征的再观察，发现三类出行者内生变量生存活动强度和维持活动强度对出行行为特征的效应均为正值。以Ⅱ类出行者为例，生存活动强度和维持活动强度对出行特征的效应分别为0.23和0.18。由于表示出行行为潜变量的观测变量主要是日出行次数和出行链个数，这两个观测变量均会随着生存活动强度和维持活动强度的增大而增大，相应的活动—出行链模式也因为涉及维持活动而变为H-W+M-H。

Ⅰ类出行者生存活动强度对出行特征的效应值为0.21，小于维持活动强度对出行特征的效应值0.36，而其他两类出行者的生存活动强度对出行特征的效应值(分别为0.23和0.45)大于维持活动强度对出行特征的效应值(分别为0.18和0.24)。这也表明了历史城区公共服务较为全面，Ⅰ类出行者日常出行中维持活动伴随生存活动完成，相应的比例较高，导致出行特征较为复杂；而其他两类出行者则主要以工作出行为主，维持出行比例较低。

将历史城区出行者划分为三类，根据扬州市出行者出行调查数据，建立结构方程模型，探讨三类出行者的活动强度与出行行为特征的作用机制。研究结果表明，对于出行者个体而言，居住地和工作地所处区位的差异，对于其活动特征和出行特征具有较强的影响作用，而出行者个体和家庭属性的影响相对来说要小很多。

居住和工作都在历史城区的出行者其活动强度和活动复杂度更高，伴随着生存活动，往往会有维持活动，由于历史城区用地布局的混合性特点和出行的短距离特点，使得这类出行者有条件进行更多更丰富的活动。相反，尤其是居住在城市外围，工作在历史城区内的出行者，活动相对单调，生存活动越多，导致维持活动越低，这也是由于其出行特征和所居住的区域可能配套较差有关。

4)模型评价

选取部分样本数据进行测试，对模型的预测能力进行检验，结果如表5.22所示。检验结果表明，模型的命中率大于70%，属于可接受范围。其中三类出行者由于强制性活动模型比较固定，相对误差最小，而维持性活动仅次于强制性活动，符合现实情况。三类出行者的出行特征的误差相对较大，主要是由于出行次数和出行时间的随机性较大，Ⅰ类出行者低于其他两类出行者，主要总的出行次数和出行时间花费多与其他两类。

表5.22　模型检验结果　(%)

个体活动的参与和出行受到4个主要因素的影响：时间限制、个人特征、家庭特征和家庭分工[154]。通过建立结构方程模型，将其应用于个体交通需求分析中，具有较强的理论优势。结构方程模型不仅能够得到影响因素对活动安排的效应，还能够得到活动之间的效应大小。另外，模型的实证结果表明，模型的预测精度较高，能够较好地预测历史城区未来的交通需求。

5.6　本章小结

本章分析了历史城区交通出行的基本特征，基于活动理论构建了历史城区交通需求分析框架体系；划分了历史城区居民出行活动模式类型，建立了历史城区出行者的活动模式选择模型；采用协同进化思想，构建了基于活动模式的交通方式选择模型；采用市场细分策略，建立了基于结构方程模型的交通需求分析方法。