英文专业文献翻译

英文专业文献翻译

题目: 基于层次树状回归模型对中国大学生的出行频率与出行方式选择模式研究

姓名: 郝鹏程

学院: 工学院

专业: 交通运输

班级: 交运122

学号: 30212224

指导教师: 刘杨职称: 副教授

2016年1月18日

南京农业大学教务处制

基于层次树状回归模型对中国大学生的出行频率与出行方

式选择模式研究

Guangjun Zhan a, XuedongYan a,*, ShanjiangZhu b, YunWang a

a MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology, Beijing Jiaotong University ,Beijing 100044,PR China

b George Mason University, Sid and Reva Dewberry Department of Civil, Environmental, and Infrastructure Engineering, 4400 University Drive, MS6C1, Fairfax, V A 22030, USA

文章信息：文章历史：2014年10月17日公认

2015年7月31日修订格式

2015年9月14日认证

2015年9月25日可从网络下载

文章关键词：大学生；出行频率；选择模式；层次树状回归

摘要：本文采用了非参数统计方法，树状层次回归（HTBR）模型，利用一个基于网络的出行调查收集的数据，来探究中国大学生的出行频率和出行方式选择模式。在此研究中，构建树状层次回归（HTBR）模型来预测学生的出行频率和出行选择模式进行归类。研究表明学生的年级班级，学校所在的城市，公交站点覆盖率（PTSCR），和家庭收入对学生出行频率的影响，并且出行的距离，自行车的所有权，学校所在的城市，公交站点覆盖率（PTSCR），学生的性别与学生的出行选择模式密切相关。研究结果揭示了在中国非计集水平的大学生的出行特征，并且提供了信息以更好地了解他们的出行行为。

1 引言

中国的高等教育正在不断地成熟，变化与发展。根据中华人民共和国教育部的数据统计，在2012年，中国已经拥有超过2000所大学和学院，并且拥有超过2560万的全日制本科生与研究生，学生总数几乎中国总人口的2%。(https://www.360docs.net/doc/c313677080.html,/publicfiles/business/htmlfiles/moe/s7567/index.html)。然而，中国高等教育资源空间分布严重失衡(Xue 和Xue,2002)。具体而言，很多的大学和学院都集中于大城市，典型的例如被称为“中国主要三大教育中心”的北京，上海，南京。这些城市都具有蓬勃发展的经济，高度的人口密度和良好的交通服务，全部的这些因素都被证明对高等教育具有重要影响。(Taylor,2009; McCray and Brais,2007;Kenyon,2011)。中国的大城市能提供更好的教育资源和就业机会这一观点是被广泛接受的，这会鼓励越来越多的学生涌入这些大城市来寻求更好地教育和就业机会。高等教育机构的集中度也都出现在特大城市。这一部分城市通常被称为“高等教育地区”。这些地区包括北京市的海淀区，上海市的杨浦区，南京市的鼓楼区，在这些区域中，大学校园在城市土地利用和交通运输发展中起到了重要的作用。

在中国高等教育区域，大学校园是一个往往具有独特交通需求的特殊社区。一般来说，大学校园是这样一个独特的社区，不同的背景，不同的家庭收入，不

同的生活方式和态度的学生在一起生活，学习和娱乐（Balsas, 2003）。大学学生的上课日程表都是间歇的，以此可以让学生们在几乎一整天的时间来参加各种活动（Limanond 等2011）。在中国，大多数的大学生都没有固定收入，而是依靠他们的父母来支付教育费用和生活支出。为了减少中国大学生的住宿费用和便于校园管理，大学校园为住宿在学校的大学生提供了宿舍和食堂，并且政府来发放补贴来减少学生的生活费用。因此，大多数学生的学习，生活等日常活动都在大学校园内部发生。这种情况的结果是中国的大学校园具有很高的学生密度。具体而言，高密度集中的生活环境对不允许大学生使用私家车这一规定进行了严格的控制和管理，这一规定与一些国家和地区的情况完全不同，例如美国和欧洲等国家，这些国家更加注重学生的停车问题(Poinsatte 和Toor, 2001; Jessup 等, 1990)。

对交通发展形势与出行需求的探索和认识是制定交通运输发展策略，政策和规划的基本的要求。一般来说，国家范围内或者城市范围内的出行调查通常是在许多城市（奥克兰，伦敦，悉尼，华盛顿等）或是许多国家（丹麦，德国，英国，美国等）内进行的来估量普通人群的出行行为。在中国具体来说，一些特大城市进行了城市范围内的出行调查，例如2009年的上海市第四次综合出行调查和2010年的北京市综合出行调查，旨在调查一般人群的出行行为和改善城市交通模式。然而，这些调查作为家庭出行调查的其中一类，最具有代表性的是中国大学生。首先，如上所述，学生的日常活动，包括学习，饮食和生活，都是主要在大学校园内进行的，这与像工作和购物的一般的家务活动是完全不同的。其次，大学代表的是一种更宜居，友好型可选择出行方式的生活环境，并且比其他的生活环境具有更大的密度，此外大学还提供混合型出行模式（Khattak 等2011)。因此，大学生出行行为的探究可以揭示出校园环境与学生出行需求之间关系的最基本的，有价值的信息，这对区域出行需求模型的校准和发展交通运输政策是非常重要的。最近几年，许多中国的大学正在进行建设，或是正在规划建设新的校区以适应越来越多的学生。这些校园会成为附近巨大交通产生量/吸引量的中心。迫切需要更好地规划与协调，来减轻对当地路网的影响，并解决相关的安全问题。鉴于对这一领域缺乏相关文献，凭借经验为依据来对校园出行行为进行研究应急需提供一个更有力的指导，有助于未来的一些实验。为了填补这一方面有关的文献上的空白，我们对中国大学生进行了基于网络上的出行调查。值得注意的是，该研究所调查的重点是学生有校内到校外的出行的模式,而不是学生在校园内的各种活动(例如去上课,去食堂,回宿舍)或这是大学通勤的出行行为研究。前者对区域交通网络有显著的影响，并且在区域交通规划中应慎重考虑。

该研究的目的是通过基于网络的交通调查，对中国三个典型的高等教育城市八所高校的校园出行需求特征进行考察。大学生的出行频率可以在很大程度上来反映校园交通的产生强度，这对于交通规划者在精确预测校园交通的发生来说至关重要。大学校园为中国大学生在给定条件下选择他们主导出行模式提供了三种可选择的出行方式：步行，骑自行车与公共交通。以前中国大学生都依赖于传统的绿色交通出行方式（非私家车），这会对提高校园地区的公共交通服务水平从而保留促进交通运输的可持续发展是十分重要的。具体来说，采用层次树状回归模型（HTBR）的理论，是以不同学生群体之间根据自己的年级，性别，家庭收入和是否拥有自行车的情况来研究出行频率差异和方式选择模式为特点的研究。鉴于以上内容，本实验研究旨在对于研究中国大学生由校内到校外的出行的行为提供一个更加容易的理解，并且对中国高校的交通规划与管理提出初步建议，来提高大学校园的整体交通服务水平。

2文献综述

2.1大学生出行行为调查文献综述

大学生的出行行为和社会人口学特征与一般人群大不相同(Khattak 等2011)。并且一些相关的研究已经对大学生出行行为与校园环境之间的关系进行了探究。在一些社区，大学校园往往是一个地区最大的交通发生源，在许多方面对邻近的社区产生了一定的影响，例如在停车，交通，服务等方面。（Balsas, 2003)。日益增加的交通需求加剧了交通拥堵状况，停车场上土地资源的缺乏，这些情况促使一些研究者更多地关注于在高校环境中鼓励可持续发展的交通运输工作(Balsas, 2003; Cole 和Wright, 2003; Toor 和Havlick, 2004; Shannon 等2006)。虽然在大学环境中发展可持续化的交通活动只对一个小的地区和一小部分学生产生影响，而他们会对可持续化发展的社区产生重大的影响（Limanond 等2011)。具体在中国，大学校园相对于社会环境是封闭的，校园的边界（围墙）使学校交通与本地的交通网络系统之间的联系分隔开来（Sun 等2011)。然而很高的学生密度产生了巨大的交通量，而且大学校园只有三个或四个门控入口允许社会车辆进出校园，这对校园周边的邻近道路造成了沉重的交通压力，并对当地的交通运营和管理产生了一定的影响。因此，研究出行行为与校园环境特征/交通条件之间的关系是了解中国大学生交通需求的一个重要方向。

最近几年，高校学生的交通运输状况日益受到重视。有几个来自不同国家的研究人员对大学生出行模式不同的方面进行了调查研究。在一个特殊设置的泰国乡村地区Limanond 等(2011)确定了私家车的所有权是学生决策模型的一个最大因素。在一个以205名澳大利亚大学生为实验样本的研究Collins 和Chambers (2005)，研究表明社会公共政策应注重个体的相关运输与注重环境理念的情况，以实现运输方式向公共交通运输的转变。然而在另一篇研究关于澳大利亚大学生通勤模式的文章中，Shannon 等(2006)，得到这样的结论，出行时间是学生从汽车出行向自行车或步行出行方式转变的最大障碍。在波鸿鲁尔大学学生网上调查的基础上Kl?ckner 和Friedrichsmeier (2011)证明了学生的出行模式决策是由情景因素（基础设施的有效性，交通情况的便利性，出行特征和出行成本）和心理因素（个人意图，个人信理念，个人特点与行为规范）共同决定的。从美国的角度看，Ro- dr?guez 和Joo(2004)从使用的来自北卡罗来那大学教堂山的通勤调查的学生和工作人员所得到的数据来看，当地的地形与人行道的有效性与非机动车模式的吸引力显著相关。然而Delmelle 和Delmelle (2012)的结果表明尤其在冬季，提供一个低成本的停车许可证的是发展短距离汽车通勤的推动者。在弗吉尼亚大学Wang 等(2012)研究了大学生的出行行为旨在改善区域性出行需求模型，使用一个基于网络对老校区的学生进行调查，他们的结果表明，住在校内或在学校附近的学生更倾向于步行或自行车出行，而不太可能会选择开车，此外，在另一篇类似的文章中，他们也认为在城市中的大学与在郊区的大学学生的出行行为也存在差异(Khattak 等2011).。然而Whalen 等(2013)得出大学生的出行方式选择分析结果，以加拿大麦克马斯特大学作为一个研究实例，他们以个人的观点发现，交通成本和如街道和人行道密度的环境因素对学生的模式选择上的会有影响。

个体因素(通过社会经济学,人口统计学,心理学)会对探究出行行为具有一定影响（Gatersleben 和Appleton, 2007; Dickinson等2003; Kim 和Ulfarsson, 2008)。

而在最近研究大学生出行行为的文献中，个体因素也受到越来越多的关注。Eom 等(2009)认为，对于研究生与非住校学生，在校大学生和校内居民会发生更多的出行活动。从计划行为理论的角度来看，Kerr 等(2010)在三所不同的大学校园内进行了一项在大学生选择汽车通勤的横断面调查的基础之上对大学生的心理的影响进行了探究，研究结果表明，选择汽车出行的行为意识是对汽车通勤行为最有力的预测。Delmelle 和Delmelle (2012)认为，男性学生相对与女性学生更加倾向于选择步行或自行车的出行方式，研究生相对本科生而言也更加倾向于步行或自行车出行。同样，Zhou (2012)在性别方面与Delmelle 和Delmelle (2012)的观点一致。

作为实现可持续发展交通同时可代替机动车的一种交通工具，自行车在大学校园内短距离出行往往被视为最有可能出行模式转移方向(Tolley, 1996)。众所周知，大学生自行车出行的频率是远高于一般人群的(Pucher 等1999)，鼓励自行车出行的好处也是有很多方面的，例如有助于身心健康，促进交通可持续发展，价格低廉(Cavill 和Watkins, 2007)。认识到这些因素，Balsas (2003)在8个预选的自行车与行人和谐发展的校园内分析了自行车出行的水平，并探讨了鼓励大学生自行车出行的政策与实践，目的是克服未来自行车出行的障碍，并创造一个高效自行车出行，环境友好型的出行方式。在详细论述了大学与自行车文化之间的关系后，Bonham 和Koth (2010)进一步强调解决道路安全及多模式交通出行的问题的重要性，同时也指出通过社会，环境，政策等方面来培养大学自行车文化是对加强大学生自行车通勤出行时至关重要的。

基于上述文献的内容，我们得知，目前还没有对中国大学生的出行行为的相关研究。显然，中国大学生的出行行为选择仍未进行过探究，同时也没有相关标准的出行需求模型被提出。因此，该研究通过发展理论旨在了解大学生的出行行为和优化大学生的出行需求模型做出了新的尝试与创新。

2.2 层次树状回归模型

由于出行行为与其影响因素之间的关系可以清楚地确认，因此参数回归分析（例如线性回归模型，泊松回归或负二项式回归模型和多元回归模型）在出行行为分析中受到广泛运用（Anas, 1983; Koppelman 和Bhat, 2006; Zhou, 2012; Whalen 等2013) 。然而，大多数的回归模型都根据自变量和因变量的关系都有它们各自的模型假设和预先定义；并且如果违反了这些假设与定义，则会导致模型会出现错误的似然估计（Chang 和Chen, 2005)。层次树状回归模型是对参数统计的一个过程，这一过程可以在具有共同价值特征的目标变量中确定各个单独且详尽的的子变量，同时它已被证明是一个不需要函数形式细化和可加性的预测和假设的一个强大的工具，特别是在用于预测和分类问题的处理方面(Lemon等2006)。

层次树状回归模型首先被运用于20世纪60年代的医学和社会科学(Morgan 和Sonquist, 1963)，该理论被运用于预测树状回归并且这些应用都是在被Breiman et al. (1984)多方面审查后建立的。HTBR的程序通过使用CART（分类与回归树），CHAID（卡方自动交互检测）或QUEST（快速，公正，高效和统计数）的验算算法创建了一个基于树状的的分类模型。在这三种算法中，CART 和CHAID两种方法法都可以建立回归型树状模型（连续的因变量），其中在每个（非终端）单独条件下的得到最佳的预测。然而，CART法总会出现树状分叉情况，但这种二重树有时不能对解释或陈述进行有效的概述(Breiman et al., 1984)。近年来，基于树形结构的算法的应用已被用来分析交通事故率和损伤的严重性问

题(Karlaftis 和Golias, 2002; Chang 和Chen, 2005; Yan 等2010)。同样，树形结构算法也逐渐应用于出行行为分析。通过荷兰收集的日常数据基础上，Wets 等. (2000)应用C4算法导出了一个运输模式选择的决策树模型，并且他们对同一数据组的逻辑模型将C4算法与CHAID算法进行了比较。他们发现，在正确预测的数据样本比率的情况下，这三种理论方法几乎相同。Yamamoto 等(2002)应用决策树的算法研究驾驶员对路径选择行为，同时他们还比较了决策树分析，生产规则与二进制逻辑模型之间的关系，结果表明决策树算法与生产规则比二进制逻辑模型具有更高的适配率。而在Xie等. (2003)研究的文献中，出现决策树模型与神经网络模型这两个具有代表性的数据挖掘模型，进行探究并且与常用的MNL模型进行比较，其结果表明决策树模型表现出了更高的效率与更加明确的解释性估计。

根据以上所述，HTBR理论是一种非参数的理论方法，它不需要具体的函数表达形式；因为使用的是步进法来确定最佳的分割规则，因此可以不需预先选定变量(Karlaftis 和Golias, 2002)。此外，HTBR算法可以为自变量进行提前预测，并在“如果-则”的一系列陈述中与最优分割原则相结合，这种方法已被确定在是探究独立变量与自变量之间关系上一种高效且准确的解释性估计的一种方法。特别的是，在这项研究中的因变量包括大学生的出行频率（持续变量）和学生出行选择的模式（类别变量）和一些独立的变量都属多种类型的名义变量。因此，CHAID算法被应用于这项研究，是因为该算法可允许多条路进行节点分割，而且该方法以在适应分析较大的数据集是所运用的相对简单的算法为基础进行的。

3理论方法

3.1调查

本研究采用了基于网络的方式对中国大学生的出行频率与出行方式选择模式进行调查来获得有关出行信息。与其他类型的调查方式相比，基于网络的问卷调查具有很大优势，该方法可以使受访者在任何时间都可便于完成，而且在地域限制情况下可以调查到更广泛的受访者(Evans 和Mathur, 2005; Fricker 和Schonlau, 2002)。在本研究论文中所采用的基于网络的问卷发表在一个称为“问卷之星”的专业在线调查平台(https://www.360docs.net/doc/c313677080.html,/)，这个平台为用户提供了有效并且友好的设计调查问卷并进行数据收集整理。受访者主要是来自北京，上海，南京这三个典型高等教育城市中的8所高校的大学生，这三座城市都属于中国的一线城市并且人均具有较高的收入水平，经济，社会活动水平，城市地形平坦，此外都具有例如公交地铁等公共交通系统的道路网密度等优势。接受调查的该8所高校中，其中四所位于北京的海淀区，有北京交通大学（BJTU），北京航空航天大学（BUAA），清华大学（THU），中央民族大学（MUC）；两所位于南京市的鼓楼区，有南京大学（NJU），东南大学(SEU)；另外两所位于上海市的杨浦区，复旦大学（FDU）与同济大学（TJU）。八所被选定的高校都具有综合性学科的专业并且具有很高的学生密度，而且这些高校都座落于城市地区。第一次进行网上问卷调查是从2012年5月中旬至2012年6月底经历大约一个半月的时间。调查对象是目前居住于该8所高校内的大学生。为了具有相对平衡的调查样本数据，第二次调查是在2015年5月至2015年6月中旬期间对上海市的复旦大学与同济大学进行调查，表一列出了受访的8所高校中受访者的总数与学校的学生密度。

在本次调查中有，找出了两个具有代表性的学生出行行为的相关变量。一个是大学生每周到校外出行的平均出行频率，另一个变量是学生出行对步行，自行车出行，公共交通出行不同模式的选择。本研究的主要目的是构建出一个可以预测学生的出行频率和出行方式选择模式的模型，其中的解释变量主要针对大学生的社会人口学特征，例如性别，受教育年龄（年级），家庭年收入，自行车的拥有情况等等。在大学生的模式选择中最具体的应考虑的是出行距离，以及公共交通的覆盖率，这些都是可以反映校园交通可达性的因素。

3.2数据及相关变量

表一:所调查8所高校的大学生密度与受调查的有效人数

表二：研究中所使用的自变量

自变量标量描述/等级汇总统计

N %

学生年级基础学习阶段813 60.5

专业学习阶段269 20.0

实践学习阶段261 19.4

性别男性823 61.3

女性520 38.7

自行车拥有情况拥有自行车588 43.8

无自行车755 56.2

家庭收入状况低收入家庭500 37.2

中等收入家庭728 54.02

高收入家庭115 8.6

高校所在城市北京745 55.5

南京207 15.4

上海391 29.1

低公交车站覆盖率738 55.0

公共交通站点覆盖率

（PTSCR）

中等公交车站覆盖率290 21.6

较高的公交车站覆盖率315 23.5

距离少于1km 1074 20.0

距离在1km至4km间1074 20.0

出行距离距离在4km至7km间1074 20.0

距离在7km至10km间1074 20.0

距离超过10km 1074 20.0 最后，一共回收了1523份问卷，并经过对未完成，不准确，不精确问卷的

过滤整理，得到了1343份有效的分析大学生出行行为的准确数据。表2显示出收集到的有效的数据信息。根据大学的学年规定将学生的年级分为三个不同的阶段。第一阶段是大学的第一学年与第二学年，该期间学生利用大部分时间用来学习基础知识。第二阶段是专业学习阶段，即专业初等大三年级阶段，该阶段学生的主要任务是学习专业知识与技能。最后一个阶段是实践阶段，包括大四阶段和研究生阶段，该期间大学生应运用所学的专业知识与技能来参加各种社会活动。由于大学生主要是依靠于家庭的经济支持，所以为了反映大学生的经济水平，将学生的家庭收入分为三类。第一类是来自低收入家庭的学生，这类学生的家庭年收入在5万元（人民币）之下。第二类是来自中等收入家庭的学生，这类学生的家庭年收入在5万到20万之间。最后一类是来自高薪阶层家庭的学生，此类家庭年收入超过20万元。

表三：公共交通站点覆盖率

大学BAUU BJTU THU MUC NJU SEU FDU TJU

公交站点数

9 8 12 4 14 5 10 10

量

150 78 389 58 120 70 230 257

大学校园面

积（10000m2）

PTSCR 0.06 0.10 0.03 0.07 0.12 0.07 0.04 0.04 公共交通站点覆盖率（PTSCR）在本研究中是通过公共交通站点个数与被测的每10000平方米的校园面积之间的比率来计算的。在只考虑距校园进出口500米步行距离范围内的公交站点的情况下，根据表3的PTSCR的结果显示，我们将PTSCR分为了三类：较低的公共交通站点覆盖率（PTSCR=0.03,0.04）；中等公共交通站点覆盖率（PTSCR=0.06,0.07）；较高的公共交通站点覆盖率（PTSCR=0.10,0.12）。

调查参与者被要求在不同的行程范围内选择出行模式，以探究出行距离对出行方式选择所产生的影响。因此，出行距离在这项研究中可以视为一个重要的变量，这意味着调查参与者必须在不同的出行范围内进行出行模式决策，然而与调查参与者相关的解释变量应保持不变。在此研究中，出行距离共分为五个阶段，<1km，1-4km，4-7km，7-10km，>10km，这意味着每一个参与者都必须做出5个重复的出行模式决策。

4描述性分析

4.1大学生出行频率

均值=2.04

标准差=1.73

方差=1.343

学

生

数

量

图1.学生出行频率统计直方图

图1显示了学生出行频率的分布图，在图1中，学生的出行频率分布是在每周0次至每次最多12次的范围内。大学生的出行频率范围主要分布在每周0-5次，占学生总数的96.1%，而且学生出行频率在每周出行1次所占比例对多，数量共538位，占学生总数的40.1%。学生出行频率每周的平均值M=2.04，标准差SD=1.73。

表四：学生出行频率统计信息

类别分类数量最小值最大值平均值标准差

按年级分

基础学习阶段813 0 12 1.73 1.445

专业学习阶段269 0 10 2.08 1.776

实践学习阶段261 0 10 2.98 2.136

按性别分

男性823 0 10 1.91 1.702

女性520 0 12 2.25 1.764

按自行车拥有情况

分

有755 0 12 2.10 1.781

无588 0 10 1.96 1.670

家庭收入（￥）分

低收入家庭500 0 12 1.95 1.693

中等收入家庭728 0 10 2.04 1.732

高收入家庭115 0 10 2.43 1.878

学校所在城市

北京745 0 12 2.32 1.979

南京207 0 7 1.57 1.125

上海391 0 7 1.77 1.66

按PTSCR划分

低公交站点覆盖率560 0 10 1.81 1.602

418 0 12 2.37 1.923

中等公交站点覆盖

率

高公交站点覆盖率315 0 10 1.97 1.586 表4显示出基于不同类型自变量的学生出行频率的统计信息。基于4表，我们可以得出以下中国大学生的一般出行频率特性：

●在不同学习阶段的学生的出行频率有很大差异。在专业学习阶段的大学生的

出行频率几乎等同于全体受调查学生的出行频率的平均值，然而在基础学习阶段的大学生的平均出行频率为每周1.73次，低于全体受调查学生出行频率的平均值，此外在基础学习阶段的大学生的平均出行频率远超全部学生出行频率的平均值，为平均每周2.98次。这表明，大学生的出行频率随着学生年级的升高而增长。

●女大学生的平均出行频率为每周2.25次，同时男性大学生的平均出行频率为

每周1.91次。同之前文献中所提到的研究(Chen, 2012)结果一致，女大学生的出行频率较高于男性大学生。

●有自行车的大学生的平均出行频率为每周2.10次，频率略高于那些没有自行

车的大学生，没有自行车的学生平均出行频率为每周1.96次。这现象表明拥有自行车可能会对鼓励大学生出行具有一定影响。

●从平均出行频率为1.95的低收入家庭的学生至2.43的高收入家庭的学生来

看，出行频率在每周都显示上升趋势。表明学生的出行频率与家庭收入之间存在明显关系，并且出行频率随家庭收入的增加而增加。

●学校所在地的城市对学生的出行频率有明显影响，在北京大学生的平均出行

频率为每周2.32次的，远高于南京（1.57/周）和上海（1.77/周）的学生出行频率。

●学生在中等公共交通站点覆盖率的校园中的出行频率最高（2.37次/周），结

果是与高公共交通站点覆盖率校园中平均出行频率（1.97次/周）和低公交覆盖率的平均出行频率（1.81次/周）比较所得。

4.2大学生出行模式选择

表五：基于各自变量的类型学生模式选择

自变量步行行车出行公共交通出行

N % N % N %

按年级分

基础学习阶段517 12.7 664 16.3 2884 70.9

专业学习阶段153 11.4 249 18.5 943 70.1

实践学习阶段166 12.7 220 15.3 939 72.0

性别分类

男性509 12.4 819 19.9 2787 67.7

女性327 12.6 294 11.3 1979 76.1

按家庭收入分

低收入家庭354 14.2 390 15.6 1756 70.2

中等收入家庭416 11.4 615 16.7 2609 71.7

高收入家庭66 11.5 108 18.8 401 69.7

自行车拥有情

况

否542 17.6 164 5.3 2379 77.1

是294 8.1 949 26.1 2387 65.8

学校所在城市

北京530 14.2 539 14.5 2656 71.3

南京107 10.3 209 20.2 719 69.5

上海199 10.2 365 18.7 1391 71.2

按PTSCR划分

258 10.2 556 19.9 1959 699

低公交站点覆

盖率

中等公交站点

330 14.1 309 13.2 1701 72.7

覆盖率

221 14.0 248 15.7 1106 70.3

高公交站点覆

盖率

出行距离划分

<1km 724 53.9 452 33.7 167 12.4

1-4km 99 7.4 463 34.5 761 58.1

4-7km 13 1.0 145 10.8 1185 88.2

7-10km 0 0 42 3.1 1301 96.9

>10km 0 0 11 0.8 1332 99.2

合计836 12.4 1113 16.6 4766 71.0 表5所显示的是基于不同类别的自变量大学生出行模式选择的统计信息，由表5得知中国大学生的主要出行模式的特点是他们过于依赖公共交通。具体而言，71.0%的大学生是通过公共交通出行，自行车出行的大学生占16.6%，此外步行出行比例占12.4%。由表5数据所得，一般大学生的出行模式选择特征可概括为以下几点：

首先，正如所预期那样，男性大学生更易倾向于选择自行车出行，同时女大学生更倾向于选择公共交通出行。19.9%的男性大学生选择自行车作为出行模式，比11.3%女大学生选择自行车的人数要高。相反66.7%的男性大学生将公共交通作为出行模式，要比76.1%的女大学生的人数低很多。

其次，自行车的拥有情况对学生的模式选择有很大影响，同预期情况，拥有自行车的大学生更倾向于使用自行车出行。具体而言，26.1%的大学生拥有并使用自行车出行，远远高于那些没有自行车学生数量的 5.3%。相反地，拥有自行车的大学生选择其他两种出行模式所占比例远低于那些没有自行车的大学生，分别相对于步行人数17.6%是8.1%，对比与公共交通人数77.1%是65.8%。

再次，不同城市高校的大学生出行模式也存在差异，北京的大学生选择步行

来作为出行方式，比例略高于在南京（10.3%）与上海市的学生（10.2%）。另一方面，在南京上学的大学生中，20.2%的学生选择自行车模式出行，远高于北京市（14.5%）和上海市（18.7%）的学生比例。

最后，出行距离是大学生出行模式选择的决定性因素，学生选择步行的出行方式的比例随出行距离的增加而迅速减小，分别是<1km占53.9%，1-4km占7.4%，4-7km占1.0%，>7km占0%。选择自行车出行的大学生比例随着出行距离的增大，表现出先增加后减小的特点，正如<1km占33.7%，1-4km占34.5%，4-7km 占10.2%，7-10km占3.1%，>10km占0.8%。大学生选择公共交通模式出行的比例随出行距离的增加而逐渐增大，正如<1km占12.4%，1-4km占58.1%，4-7km 占88.2%，7-10km占96.9%，>10km占99.2%。

5 HTBR建模结果

建立两种HTBR模型来预测大学生出行频率（模型#1）和划分大学生出行模式选择（模型#2）。输入数据，两个树状模型都具有5个相同的预测/划分变量（自变量），有学生的年级，性别，家庭年收入，自行车拥有情况及学校所在地城市。此外，出行距离作为分类变量则放入模型#2中，HTBR分析法在本研究中通过运用IBM SPSS 20.0软件进行的。树状模型的结构标准为：树的最大深度设置为3级；分裂节点与合并类别的意义值设为0.05。在该模型中对父节点的最小实例数设置为100和对子节点的最小实例数设置为50。

5.1HTBR的模型#1对学生出行频率的预测

模型#1的结果在图2中显示，构建该图以分析学生的出行频率与变量预测/类型之间的关系。学生出行频率的最终树结构涉及学生年级，学校所在城市，PTSCR和家庭收入这4个分变量。

大学生出行频率

图2.HTBR 模型#1学生出行频率预测

在节点0处最佳的分割点即为学生的年级，将学生的出行频率分为三个亚组：如果学生在基础学习阶段，则学生的出行频率为平均每周1.731次；若学生在实践学习阶段，则出行频率为每周2.977次；若学生处于专业学习阶段，则出行频率为每周2.078次。中国大学生的出行频率，与学生在不同学习阶段的进度呈线性相关。处于基础学习阶段的学生有着最繁忙的学习规划，这就意味着他们只有极少的时间安排在校外出行的各种活动，而这与处于实践学习阶段的学生情况恰好相反。

在分层数的第二阶，学校所在城市这一因素对基础学习阶段和实践学习阶段的学生的出行频率进行了进一步分割。对于在基础学习阶段的大学生，学校所在城市将学生出行频率分为了两个亚组：如果学生在北京上学，则学生的出行频率为每周 1.989次；如果学生在南京或上海学习，则学生的出行频率为平均每周1.401次。对于处于实践学习阶段的学生，学校所在城市同样将出行频率分为两个亚组：如果学生在北京或上海学习，则出行频率为平均每周3.239次；若学生在南京学习，则出行频率为平均每周2.172次。

在分层树的第三阶，PTSCR 将节点4分割为两个亚组，同时家庭收入情况将节点6分割为两个亚组。终端节点的节点8和节点9表明，低公共交通覆盖率的学生出行频率为每周1.180次，相对于中等和高公共交通覆盖率（2.188/周）

节点0

平均值2.042 标准差1.734 数量1343 百分比100%

学生年级P 值0.000，F=55.249

基础学习阶段 专业学习阶段 实践学习阶段

节点1平均值1.731标准差1.445数量813百分比60.5%

节点2平均值2.078标准差1.776数量269百分比20.1%

节点3平均值2.977标准差2.136数量261百分比19.4%

学校所在城市P 值=0.000F=18.48 学校所在城市P 值0.001，F=12.588

北京

南京，上海 节点4平均值 1.989标准差1.698数量455百分比33.9%

节点5平均值1.401标准差0.949数量358百分比26.6%

节点6平均值3.239标准差2.222数量197百分比14.7%

节点7平均值2.172标准差1.609数量64百分比4.7%

PTSC,P 值=0.000，F=26.545 家庭收入，P 值=0.049，F=5.882

中高PTSCR

低PTSCR

低收入家庭 中高家庭收入

节点8平均值2.188标准差1.775数量366百分比27.3%

节点9平均值1.180标准差0.995数量89百分比6.6%

节点10平均值2.873标准差1.923数量102百分比7.6%

节点11平均值3.62标准差2.454数量95百分比7.1%

北京；南京

上海

的学生出行频率低很多。终端节点10与11表明低收入家庭的学生出行频率平均为每周2.873次，出行频率远低于中等收入家庭和高收入家庭的学生。

5.2HTBR 模型#2学生出行方式选择分类

图3.HTBR 模型#2学生出行模式选择

模型#2的结果如图3所示，该图对大学生的出行模式选择进行分类。学生的出行方式选择的最终树取决于5个解释变量，包括出行距离，自行车拥有情况，学校所在城市，PTSCR 和学生的性别。

分层树的第一阶显示出大学生的出行方式选择最主要的因素是出行距离。根

否

是

否

否 是

是

男

女

出行距离

P T S C R

学校地理位置

性别

学校地理位置

低 中等

高 北京 上海 南京 男 女 南京 北京

上海

自行车拥有情况

自行车拥有情况

自行车拥有情况

性别

据5个出行距离的间隔，将学生的出行模式选择分割成了5个亚组。在出行距离<1km的情况下，53.9%的大学生选择步行出行；33.7%的大学生选择自行车出行；

12.4%的大学生选择公共交通出行。出行距离在1至4km之内的情况下，7.4%的大学生选择步行出行；34.5%的大学生选择自行车出行；58.2%的大学生选择公共交通出行。在出行距离4至7km的情况下，只有1.0%的大学生选择步行出行；

10.8%的大学生会选择自行车出行；而且88.2%的大学生会选择公共交通出行。在出行距离大于7km的条件下，超过96%的大学生会选择公共交通出行，该选择模式的趋势显而易见。随着出行距离的增加，选择步行出行的大学生比例急剧降低，并且出行距离大于7km的情况，大学生都不会选择步行出行。与之相反的是选择公共交通的大学生比率随着出行距离的增加而增加，而且超过97%的出行模式都由公共交通构成。在出行距离少于4km条件下，自行车出行模式为主要出行模式，并且超过30%的学生会使用自信车出行。

在分层树的第二阶，自行车拥有情况进一步分出为1，2，3三个节点；学生的性别将节点4分为两个终端节点12和13。图像数据显示，一般趋势是相对于没有自行车的学生，拥有自行车的大学生更可能地会去选择自行车出行。在出行距离少于1km情况下，拥有自行车的大学生主要选择自行车出行（55.6%）和步行（36.2%）作为主要出行模式，然而没有自行车的学生会选择步行（74.7%）作为出行模式。在出行距离在1至4km内的情况下，如果学生有自行车，则自行车出行的大学生比例为52.1%，公交出行的学生占44.5%，而选择步行出行的学生仅占3.4%；如果学生没有自行车，自行车出行的比例占13.8%，公交出行的学生比例占74.2%，而且12.0%的学生选择步行出行。出行距离在4至7km的条件下，拥有自行车的学生选择自行车出行人数占17.4%，同时没有自行车的学生3.1%的人选择自行车出行；又自行车的学生选择公共交通出行人数占81.8%，比较于没有自行车的大学生选择公交出行人数占95.8%。在出行距离在7至10km 内的情况下，男性大学生与女大学生都会选择公共交通作为主要出行模式，然而男性大学生选择自行车出行的比例（4.8%）明显高于女生（0.8%）。

在分层树的第三阶中，PTSCR对学生出行模式的6节点进一步分为了三个亚组，结果针对于出行距离小于1km和没有自行车的大学生进行了阐述：学生选择步行出行的比例随着校园附近公交站点覆盖率的增加而增加（低PTSCR中学生占67.4%，中等PTSCR学生占75.5%，高等PTSCR学生占81.5%）；在低PTSCR的校园内的学生选择自行车比例（19.3%）远高于中等和高PTSCR校园的学生（中等PTSCR占1.5%，高PTSCR占5.6%）。学生的性别将出行模式选择在节点7和节点11分别进一步分割3个亚组。在出行距离少于1km和拥有自行车学生的情况中，在南京学习的学生（69.0%）相比于北京（54.5%）上海（51.6%）更加倾向与选择自行车出行；然而北京学生的比例（40.7%）和上海的学生（37.7%）高于南京的学生（19.5%）。对于出行距离在4至7km和拥有自行车的学生来说，在上海学习的学生（36.3%）比北京（16.6%）和南京（10.7%）学习的学生更加倾向于选择自行车出行；然而在上海的学生选择公共交通出行（63.7%），低于在北京（81.9%）和南京（89.0%）的学生。学生的性别因素在出行模式选择的节点9处进一步分出两个亚组，分析结果对于出行距离在1至4km间和拥有自行车的学生的情况进行如下阐述：男性大学生选择自行车出行的比例（59.1%）远高于女大学生的自行车出行比例（37.9%）；然而女大学生选择公共交通出行的比例（59.6%）远高于男性大学生公共交通出行比例（37.0%）。

6论述

本研究旨在基于在北京，上海，南京三大典型高等教育城市中8所高校的交通调查来探究大学校园的交通生成特征。这项研究探讨了学生的出行模式，以及调查不同学生群体之间出行模式的差异。通过相关描述分析与HTBR理论，来获得一些重要结论。

在本研究论文中，中国大学生的平均出行频率为每周2.04次，然而在相关研究文献中，泰国和美国学生的平均出行频率都超过4次/天(Limanond 等2011; Chen, 2012)。这意味着泰国和美国的学生出行频率是中国大学生的16倍。大学校园的独特规划和组织校园生活是中国大学生出行频率较低的主要原因。中国的大学校园规划继承了中国的围墙文化，是大学校园成为一个相对封闭的社会活动区域，即一个孤立的“迷你城市”。在中国，大学校园是一个特殊的社会群体，学生不仅可以在校园内学习，还可以进行其他的社会活动。一般而言，中国大学校园可以分为几个功能不同的区域，包括学生宿舍区，教学楼，体育设施区和物质支持区域（例如食堂和商店）等等(Jiao, 2010)。大学生可以在校园的不同区域来进行他们的各种社会活动。因此，中国高校学生除了在校园内不能实现一些特殊的需求外，也不总会进行校园外的出行活动，这就导致了中国大学生的出行相对较少。

HTBR模型#1对大学生的出行频率进行了重要预测并且反映了学生出行频率模式。模型#1独特的作用是显示了每一类型的学生群体对出行总量的影响。这些结果使我们能够更好地了解在不同学生群体的出行频率特性，并尽可能准确地预测大学的出行生成量。此外HTRB模型#2反映了学生的出行模式选择特性，结果表明出行距离，自行车拥有情况，学生性别，PTSCR和学校所在城市这5个元素对学生的出行选择行为具有一定的影响。HTBR可以识别具有特定出行模式的同构群，同时还可以构建有关出行频率与模型分离率的预测规则，并且能较为灵活地对学生属性的出行需求进行估计。传统意义上来说，如泊松分布和负二项分布（NB）模型(Miaou, 1994; Lundevaller, 2009; Aguiléra 和Proulhac, 2015)这些参数统计回归模型和多项逻辑模型（MLM）(Zhou, 2012; Whalen 等2013)分别用于出行频率估计和模式选择。然而，这些模型不能被整合在一起来预测每个模式的出行频率。基于“条件-措施”规则的HTBR树型结构，HTBR模型#1和HTBR模型#2的预测规则都可以很容易地纳入大学校园各种出行方式的交通生成量中。在这里，我们以北京交通大学为例来阐述该模型的应用，直到2014年7月，生活居住在北京交通大学校园内的学生人数的官方数据是24200。所得到的学生基本信息如下：学生处于实践学习阶段，专业学习阶段，基础学习阶段的人数分别是14800，3400，6000；男女比例为6:4；学生拥有自行车和没有自行车的比例是5:5。此外学生出行的人数随着出行距离的增加而减少，且出行距离在<1km，1-4km，4-7km，7-10km，和超过10km分别所占的人数比例为40%，30%，15%，10%，5%。基于以上所得数据，使用HTBR模型#1得出，北京交通大学的学生出行生成量为67875次/周。此外，结合HTBR模型#2，我们可以根据学生的出行比例，在不同出行距离基础上得到相应出行生成量。表6列出了最终结果，从中我们可以估计得出北京交通大学内的学生出行生成总量，以及不同出行距离情况下的出行模式。该得出的信息对交通管理者发展定向服务业来说至关重要，这将对确定交通服务供给，满足学生的出行需求并且为不同学生群体提供各针对性的服务非常有帮助。

表六：北京交通大学每周各种出行模式下的出行生成量

步行出行自行车出行公共交通出行合计

<1km N 16144.5 8174.0 2831.5 27150.0

% 59.5 30.1 10.4 100.0

1-4km N 1594.2 6908. 11861.9 20364.4

% 7.8 33.9 58.2 100.0

4-7km N 127.13 987.4 9065.5 10180.2

% 1.3 9.7 89.1 100.0

7-10km N 0.0 200.2 6586.6 6786.8

% 0.0 2.9 97.1 100.0

>10km N 0.0 17.0 3376.4 3393.4

% 0.0 0.5 99.5 100.0

合计N 17866 16286.9 33721.9 67874.8

% 26.3 24.0 49.7 100.0

调查结果表明，出行距离是影响学生模式选择行为的最重要的因素。图4阐示了不同出行距离的各出行模式的选择分布。三个不同的出行模式分布明显随出行距离的增加而变化。对于步行出行而言，随着出行距离的增加，该比例急剧下降。具体来说，出行距离在1km以内的情况86.6%的学生会选择步行出行。当出行距离增加至4km时，只有11.8%的大学生仍坚持选择步行出行。当出行距离持续增涨至超过7km时，几乎所有学生都不会选择步行出行的模式。与Shannon 等(2006)的研究一致，在该研究中出行距离在1km之内是步行出行的竞争力范围。对于自行车出行而言，选择自行车出行的学生比例随出行距离的增加呈现出先上升后下降的趋势。具体而言，在出行距离在1km以内，学生选择自行车出行的比例为40.6%。该比例随出行距离上升至4km而增加至41.6%。当出行距离持续增加时，该比例将急剧下降。因此，自行车的竞争距离范围是在4km之内。除此之外，从4km至7km的距离是自行车出行的重要行程范围。对于公共交通出行来说，研究发现随出行距离的增加，选择公共交通的大学生人数比例也随之增加。然而当出行距离在1km范围以内是，选择公交出行的比例仅占3.5%。总体来说，步行，自行车出行，公共交通出行的有力距离范围分别是<1km，<4km和>7km。

图4.各种出行模式的空间分布变化

正如前文所提到，中国大学生可选择的出行方式是有限的，而高学生密度的校园带来了巨大的出行需求，从而加重了城市内高校的交通压力。因此，适度地设计校园内的绿色交通系统，以最大化的发挥各出行模式的功能，同时为大学生提供满意的交通服务。根据这项研究的结果，正如图5所示，我们根据各出行模式的有力范围提出了一个模型规划。该模型的重点是提高高校地区的可持续交通服务水平，并定义了步行，自行车，公共交通出行的距离范围内的空间分布，包括步行出行的范围，最佳自行车出行和最大自行车的出行距离范围。

步行 自行车公共交通出行

百分比

校园内：大学生创造自行车共享系统

步行范围：提高有好的步行环境

最佳骑行范围：提高自行车交通网络，停放和骑乘

骑乘范围最大化：提高骑乘网络的连通

学校

自行车停放站点

公共交通站点

图5.影响校园区域绿色交通系统规划模式

在规划模型中，在校园附近范围内的最基本的出行系统是步行，这是大学生

校外出行的最适合的方式。显然，在这项研究中步行出行的范围是校园周边1km

以内的距离。在步行出行范围内，交通设计规划者应该注重建立行人友好型的环

境以提高步行出行效率，其中包括建立人行横道，人行通道和其他的步行设施（地

下通道或天桥），道路交通状况和土地利用模式(Litman, 2005; Ariffin andZahari,2013)。更重要的是，应正确适度地设计步行与公共交通两种出行模式

相结合以加强在步行出行范围内公共交通系统的可达性。公共交通站点应设置在

1km范围之内，并尽可能的接近学校的出口/入口大门处，并假设对校园的管理

不会发生干扰。

校园出行系统模型的中层是最适合自行车骑乘范围，也是自行车出行频率最

高的范围。在校园出行系统的最外层是最大的骑乘范围，在该范围中，仍有坚持

使用自行车的大学生，但自行车不作为主导的出行模式。正如上文所论述，在校

园周边4km范围内是主要的骑乘范围，而且自行车出行的最大出行范围是在4km

至7km之间的区域。交通规划和设计人员应注重建设骑乘友好型的道路网。在

之前的研究中探讨了对自行车使用的一些影响因素，例如机动车交通带来的隐患，

个人安全性，疲劳度，在出行目的地的自行车停放设施(Wardman 等2007)。此

外，在根本上影响自行车使用的交通基础设施应进行精心地策划与设计，确保使

用自行车出行的安全性与便利性，这些设施包括自行车道，自行车隔离设施，自

行车的停放/存放设施，专业化的交通标志和信号(Bicycle Association, 1996)。特

别的，自行车的停放站点应设置在最佳骑乘出行范围内，并与公共交通站点相结

合。在很多国家都颁布了大量的关于发扬使用自行车出行，同时大幅度增长自行

数量的政策措施，以提高交通的可持续性(Doolittle 等1994; Hagelin, 2005; Martens, 2007)。学生的自行车骑乘系统可以实现公共交通站点的可达性，同时

也可以有效降低高校周边的城市交通压力。在最大的骑乘范围内，应提高自行车

交通网的连通性以吸引更多的大学生在该范围内选择自行车出行。

此外，在本研究中有一项比较有趣的发现是，有一些没有自行车的大学生仍然会选择自行车出行。然而，在中国高校的校园环境中，自行车的租赁系统尚未建立。对出现上述现象的唯一合理解释是，没有自行车的大学生会向拥有自行车的同学借车来出行。因此，将自行车共享系统引入中国高等教育区域是提高自行车共享率的有效方法。自行车共享系统是出行个体短期使用自行车的一种交通服务方式。在过去的10年中，自行车共享系统已经从有趣的城市流动性实验发展到了在33个国家中的一个重要城市交通选择形式(Midgley, 2011)。如果自行车共享系统适当设置在校园地区以方便学生使用，这将一定会提高自行车的共享率。

7结论

在本论文中，我们通过网络在线调查所收集得来的数据来研究中国大学生的出行频率和出行方式选择模式。高校校园不仅是大学生的学习生活的活动中心，而且是大交通生成量的发生器。通过本文的研究，我们通过HTBR模型来确定出影响出行频率和出行方式选择模式的一些关键因素，以更好地理解大学生的出行模式并对他们的出行行为提出了新的见解。

在本研究中，通过两组HTBR模型清楚地展现出自变量与因变量之间的关系。HTBR模型#1显示出学生年级，学校所在的城市，PTSCR和家庭收入四个因素对出行频率的影响。HTBR模型#2结果表明了出行距离，自行车拥有情况，学校地理位置，PTSCR和学生性别是出行方式选择模式的5个重要影响因素。受访的大学生基于不同的出行模式和不同的出行方式选择模式分为不同的群体，这反映出在已拆分学生群体水平上不同的出行频率和出行方式选择模式，在此基础上，我们可以清楚地得出中国大学生的出行特征，这将为高校交通运输服务水平的提高提供了基础且重要的信息。

这方面的研究仍有一些方向需要进一步调查。首先，对于这项研究还有一些问题应进行调查，例如大学生的出行目的及目的地。正如出行的目的及中国大学生对频繁出行的地点这样更多的信息可让我们更加深入地了解大学生出行选择模式影响因素。其次，这项研究可以收集更多有关大学校园周边交通条件的信息，例如城市道路服务水平，交通基础设施和气象条件等，这些可以提供一些交通现状信息，并指出需要改进的问题。

特此鸣谢

非常感谢中国国家973项目对此研究的大力支持

参考文献

Aguiléra, A.,Proulhac,L., 2015. Socio-occupational and geographical determinants of the fre -quency of long-distance businesss travel in France. J. Transp. Geogr. 43,28–35. Anas,A., 1983. Discrete choice theory, information theory and the multinomial logit and g-ravity models.Transp. Res. PartB: Methodol. 17(1),13–23.

Ariffin,R.N. R.,Zahari,R.K., 2013. Perceptions of the urban walking environments. Proced-i a-Soc. Behav. Sci. 105,589–597.

Balsas,C., 2003. Sustainable transportation planning on college campuses. Transp.Policy 103