上海市第五次綜合交通調查綜合校核技術

陳必壯，沈云樟，董志國

(上海市城鄉建設和交通發展研究院，上海200040)

上海市第五次綜合交通調查綜合校核技術

陳必壯，沈云樟，董志國

(上海市城鄉建設和交通發展研究院，上海200040)

居民出行調查主要依賴人工實施完成，受到各種人為因素制約，容易導致調查結果在反映真實出行特征方面存在偏差。因此，需要進一步利用和分析綜合交通調查和其他相關數據進行綜合校核。以上海市第五次綜合交通調查為例，提出人員出行特征和車輛出行特征綜合校核的技術方法。利用交通行業相關統計指標、交通大數據、其他專項調查以及交通模型對出行特征指標進行比對校核。重點闡述人員、客車、貨車出行特征校核的方法及步驟。最后指出，與以往調查校核相比，本次校核大量應用信息化數據，有效地將傳統調查與信息化調查成果相融合。

綜合交通調查；綜合校核；出行特征；上海市

城市綜合交通調查是分析城市交通現狀問題的必要途徑，為建立交通需求預測模型以及分析交通的供需平衡、交通供需關系的發展趨勢等提供基礎數據。近年來，隨著上海市城市規模擴大，人口和小汽車總量快速增長，城市客貨運輸規模持續增加，交通供需矛盾日益突出。為及時掌握交通需求特征和變化趨勢，支撐政府部門科學決策，2014年上海市開展了第五次綜合交通調查。與前四次相比，本次調查共開展五大類24分項[1]，參與的單位和人員最多，調查對象范圍最廣，獲得的數據規模也是歷次最多。然而，由于這些數據來源于不同部門，采用的調查方法和手段不盡相同，各類數據的指標含義和調查范圍有所差異，導致數據之間不可避免地存在不統一甚至矛盾沖突。因此，有必要對各類調查數據進行綜合性的整合分析和校核比較，形成一套統一的數據指標反映城市交通特征。

1 概述

1.1 概念提出

上海市第五次綜合交通調查內容十分豐富，但核心仍是反映城市兩大交通需求特征的人員出行調查和車輛出行調查。其中，車輛出行調查分為客車出行和貨車出行調查。通過這兩大類調查可以得到其他調查無法獲得的個體出行特征數據，為交通研究和模型建立提供重要的數據支持。然而，由于上海市人口規模巨大、交通特征復雜，若仍以傳統抽樣調查形式開展、采用人工問詢的方式獲得調查數據，則會導致調查結果受到調查方案設計、調查樣本選取、調查人員與被調查人員素質、調查實施過程以及調查技術手段等各種因素的影響，任何環節的疏漏均可能左右數據的準確性。為保證調查數據真實、有效，需要圍繞這兩類調查開發綜合校核技術來保證數據質量。該技術是以出行調查擴樣數據為基礎，利用其他相關的交通管理統計數據、交通信息挖掘數據、輔助專項調查數據以及交通模型技術，對出行調查的關鍵指標進行綜合比對和校核，使得出行調查數據在宏觀層面反映城市特征、中微觀層面達到交通建模精度要求的技術方法。

1.2 校核思路

綜合校核技術的主要思路是通過多源數據對出行特征指標進行比對校核，具體包括：

1）利用交通行業相關統計指標。

交通行業統計指標是為滿足交通運輸管理需要，由交通行政管理部門或交通運輸企事業單位進行統計的常態性指標。這些指標大部分是通過對基礎數據全樣本統計得到，能夠真實反映指標定義范圍內的交通運行特性，是校核出行特征的重要依據。例如，軌道交通、公共汽車等客運量統計指標與對應交通方式的出行量調查指標之間存在必然聯系，可進行換乘系數、接駁方式等關聯參數的合理性判別；同理可對社會車輛數統計指標與相應交通方式出行量調查指標之間關聯參數(出車率、日均出行次數和載客人次等)進行合理性分析。但是，在使用該校核方法時，應注意交通行業統計指標與交通調查對應的人口范圍是否一致，若存在差異需采用一定的技術手段進行處理。例如，公共交通客運量統計指標的對應人口是城市總人口，而許多城市的居民出行調查覆蓋人口往往是常住人口。

2）利用交通大數據。

交通大數據種類越來越多，規模越來越大，已廣泛應用于交通各個領域，并成為出行特征校核的重要依據。例如，手機用戶穿越交通核查線的信息可與出行的時空分布特征調查數據進行比對；公交一卡通的刷卡信息可與公共交通出行的時空分布特征調查數據進行比對。但是，在使用該校核方法時，除須注意大數據與調查數據的對應人口是否一致，還須注意大數據是否存在樣本偏差和數據異常等問題。

3）利用其他專項調查數據。

由于受到一些調查條件的約束，將調查數據按照出行特征指標統計要求進行分組之后，部分組的調查數據可能無法符合該指標對應的人口實際特征，導致指標調查值出現誤差。特別是大城市或特大城市的交通需求結構復雜、樣本不足的情況更加普遍。例如，利用居民出行調查數據統計軌道交通出行特征時，調查樣本分布很難兼顧所有軌道交通車站周邊的用地結構與人口分布的實際情況，從而影響軌道交通出行特征相關指標調查統計值的準確性。其中，軌道交通接駁方式結構指標是最容易失真的指標之一，該指標與軌道交通乘客的居住地分布關系密切，居住地距離軌道交通車站越近，人們選擇步行、自行車等交通方式換乘軌道交通的概率越高；反之，人們選擇公共汽車、小汽車等機動化交通方式接駁軌道交通的概率越高。因此，許多城市一般還需要進行軌道交通客流問詢等專項調查，與居民出行調查進行綜合比對分析。

4）利用交通模型技術。

有些出行特征指標只有通過交通模型分析才能獲得。例如，出行分布特征指標需要利用交通模型技術使用觀測流量對調查樣本進行擴樣調整后才能獲得；機動車行駛總里程、公共汽車客運周轉量等指標需要統計全網所有路段(或公共汽車線路段)的流量與長度乘積之和才能得到，目前無論是交通行業統計數據，還是交通信息數據都無法得到，需借助交通模型技術才能實現。

1.3 校核標準

綜合校核涉及大量的多源數據，一些數據反映宏觀特征，例如全市性行業統計數據和規模性的交通大數據，一些數據反映中微觀層面特征，例如交通信息、專項調查和交通模型數據等。這些數據相互關聯但又存在差異，需要合理甄別和分析使用，建立針對出行調查的校核標準，使各類數據真正發揮作用。本次調查建立了以反映城市宏觀特征為主、兼顧交通建模所需的中微觀數據指標校核標準(見表1)。

2 人員出行特征校核

人員出行是城市交通的源頭，其特征可以反映城市交通與土地利用、交通設施、交通政策等各方面的相關性，是綜合校核最重要的內容。人員出行特征校核指標主要包括人均日出行次數、出行結構、出行時間、出行距離和出行分布等。

2.1 人均日出行次數

人均日出行次數校核采用分類、分層分析，并與出行結構同步校核。本次調查還首次利用手機信息對流動人口在滬停留時間和人均日出行次數進行分析。

基于上海市人口結構復雜、交通行為差異較大的特點，將全市總人口劃分為三層(見圖1)。第一層是按照在滬時間特征指標將總人口劃分為常住人口、流動人口和流量人口三類。其中，常住人口是指在滬居住滿6個月的本市戶籍和非本市戶籍人員；流動人口指在滬居住6個月以下、一天以上的非本市戶籍人員；流量人口指當天進出上海市(不在滬過夜)的外來人口。第二層是按照戶口類型和居住場所特征指標將常住人口劃分為戶籍常住人口、(社區)外來常住人口、(集體宿舍)外來常住人口三類。第三層是將戶籍常住人口或(社區)外來常住人口按照年齡、職業和居住地等社會經濟特征指標進一步分組，將(集體宿舍)外來常住人口按照學生宿舍、職工宿舍等居住場所特征指標進一步分組。

圖1 上海市第五次綜合交通調查人口結構劃分Fig.1 Demographics of the 5th Shanghai Comprehensive Transportation Survey

考慮在滬流動人口對城市交通影響的差異，將流動人口劃分為在滬長期停留和短期停留兩種類型。其中，長期停留的流動人口居住場所以居民社區、集體宿舍等為主，在滬主要目的是探親、就學、工作等，出行次數、交通方式等交通特征與常住人口十分相近，這在居民出行調查中的居家流動人口出行記錄中已得到證實。短期停留的流動人口居住場所以旅館為主，在滬主要目的是出差、辦事、旅游等，交通方式主要為軌道交通、出租汽車及客車，在相關交通系統的客運量中占一定比例。

通過將調查人口進行多層次交叉分組，并根據不同人口類型特點制定針對性的分析校核方案，使得人均日出行次數指標能夠反映在滬所有人群的交通特征。例如，(社區)外來常住人口人均日出行次數基于居民出行調查獲得，(集體宿舍)外來常住人口人均日出行次數則依據集體宿舍問詢調查。

2.2 出行結構

人員出行結構的校核以行業統計、交通信息等全樣統計的運行指標為基準，利用專項調查數據，綜合分析人員出行與系統運行之間的邏輯換算關系，確定各種交通方式的出行量和出行結構(見圖2)。按照校核依據和換算方法，大致可分為三類：

表1 重要指標校核標準Tab.1 Crucial indices verification standard

1）公共交通。包括軌道交通、公共汽車、出租汽車和輪渡，均可從統計部門直接獲得全市客運量或進站量指標，再結合問詢調查、其他人工調查及信息化數據對各方式的換乘率、接駁比例等相關參數指標進行綜合校核，從而推算出相應方式的出行量。

圖2 人員出行結構校核技術方案Fig.2 Techniques of travel structure verification

圖3 調查樣本步行方式出行距離分布Fig.3 Distribution of walking distance

2）個體機動和非機動交通。包括班車、小客車、摩托車和非機動車，主要依據主管部門的擁有量統計數據，結合問詢調查、其他人工調查及信息化數據對出車率、載客人數等相關參數指標進行綜合校核，推算出相應方式的出行量。其中，小客車方式的出行特征指標還應與車輛出行調查的相關結果進行比對分析。

3）步行。由于步行出行空間范圍受體力制約較大，出行距離比較穩定，主要通過分析出行距離分布比例的合理性進行校核，并與人均日出行次數校核相互迭代后最終確定(見圖3)。

2.3 出行時間

人員出行時間分布校核盡可能利用交通信息數據進行比對分析(見表2)，對于無法獲得交通信息數據的方式(例如步行)則通過與其他方式的相互關系以及經驗判斷來確定(見圖4)。

2.4 出行距離

人員出行距離的校核，按照不同交通方式，利用相應的交通信息、統計、專項調查以及交通模型數據分別進行校核，并最終加權匯總得到全方式人員出行距離(見圖5)。各交通方式出行距離校核過程如下：

1）軌道交通。包括軌道交通系統內出行距離和系統外出行距離。前者指乘客從進入到離開軌道交通系統的實際距離，由利用軌道交通檢票閘機統計的客流站間OD以及利用手機數據分析的客流換乘路徑綜合分析得到。后者指乘客從出發地到進入軌道交通車站以及從離開軌道交通車站到目的地的實際距離，需對軌道交通的接駁交通特征進行分析，利用軌道交通客流問詢調查、公交IC卡挖掘技術信息[3]、軌道交通車站內的手機軌跡信息[4]以及交通模型等進行綜合校核研究。

2）公共汽車。包括車內距離和車外距離。前者指乘客乘坐公共汽車的實際距離，利用跟車調查、車載GPS與公交IC卡匹配信息等綜合分析得到。后者包括乘客出發地—上車站、下車站—目的地以及公共汽車之間換乘的實際距離，主要利用公共汽車站客流問詢調查及交通模型等綜合分析確定。

3）出租汽車。主要指乘坐出租汽車的實際距離，利用車載GPS信息[5]以及出租汽車出行調查等數據綜合分析確定。

4）客車。包括乘坐客車的實際距離和出發地至停車位(或停車位至目的地)的車外出行距離，利用客車專項調查和交通模型綜合分析確定。

5）摩托車、電動自行車、自行車、步行等其他交通方式。一般采用最短路徑，利用專項調查和交通模型綜合分析確定。

2.5 出行分布

出行分布校核即出行OD校核，綜合反映土地利用、交通設施與人員出行需求在空間上的相互關系，因此，需通過多層次的數據控制和反復迭代綜合確定，具體步驟如下(見圖6)：

1）分析各種交通方式出行量與用地、人口、就業崗位之間的邏輯關系，校核OD矩陣端點的出發量、到達量；

2）利用交通信息及專項調查數據，分析各種交通方式的合理出行距離分布曲線，校核OD矩陣空間結構；

3）利用交通信息及核查線調查數據，分析各種交通方式在區域之間的出行交換量，校核分方式OD矩陣空間結構，并首次利用手機核查線客流穿越量[4]調查對全方式空間分布進行綜合比對；

4）利用交通模型技術平臺，反復修正OD矩陣的端點出行量、出行距離曲線、區域間出行交換量以及交通量模擬精度，最終確定OD矩陣及出行分布特征指標。

3 小客車出行特征校核

近年來，私人小汽車的快速增長大大影響了城市道路交通的運行，因此小客車出行特征校核成為車輛出行校核的重點。小客車出行特征校核指標包括擁有量、出車率(車輛一日實際出行比例)、日均出行次數、載客人次、出行時間分布、出行空間分布等。

3.1 擁有量

小客車擁有量是車輛出行需求規模計算的基礎。按照牌照類型可以將車輛分為市區號牌(滬牌)、郊區號牌(滬C)以及外地號牌。對于市區號牌和郊區號牌車輛，可以通過已注冊數據獲得精確值。但對于外地號牌車輛，則需要通過多源大數據進行挖掘后確定，主要包括保險業聯合公會的外省市號牌在滬購買交強險數據、年檢站的在滬參加年檢的外省市號牌車輛數據、道路交叉口及高架路(橋)的車輛牌照識別數據、停車普查的牌照結構數據以及居民出行擴樣擁有量數據等。

3.2 出車率、日均出行次數及載客人次小客車出車率、日均出行次數和載客人

表2 各種交通方式出行時間校核依據Tab.2 Travel time verification for different travel modes

圖4 基于各類交通數據統計的出行時間分布Fig.4 Travel time distribution based on different transportation statistics

圖5 各種交通方式出行距離分布Fig.5 Travel distance distribution of different transportation modes

次的校核，主要是采用多源調查數據比對和模型模擬等方法綜合判斷，避免單一調查數據存在的片面性。其中，出車率和日均出行次數主要對比分析年檢站小汽車出行調查數據、居民擴樣數據的可靠性，并結合歷年趨勢確定(見圖7)。載客人次校核主要深入分析來自居民擴樣、小汽車使用特征以及地面道路、高架路(橋)和對外道路出入口等不同渠道數據不一致的原因，再結合歷年趨勢及幅度等最終確定。

3.3 出行時間分布

圖6 全市人員出行分布校核技術路線Fig.6 Techniques of travel distribution verification

圖7 出車率歷年變化趨勢Fig.7 Annual percentage of vehicle travel over the years

小客車出行時間分布的校核應充分分析人工調查數據(包括居民擴樣、小客車出行特征擴樣、核查線流量調查數據)和信息化數據(包括越江大橋隧道、高架路(橋)、對外道路出入口的線圈及牌照識別數據[6]和高速公路收費數據)各自時間分布的可靠性和合理性，通過綜合判定后確定(見圖8)。

3.4 出行空間分布

小客車出行分布校核與人員出行分布校核類似，主要步驟包括：

1）根據居民出行調查擴樣數據，獲得初始出行分布OD矩陣；

2）根據已經確定的小客車總體特征指標(擁有量、出車率、日均出行次數和載客人次等)，對OD矩陣總量進行修正；

3）根據核查線流量和重點路段觀測流量等數據對OD矩陣宏觀分布進行控制(例如基于越江交通量確定跨江出行分布)；

4）根據人口、就業崗位和夜間停車分布資料，進一步細化修正出發量和到達量；

5）利用交通模型技術，分析和確定出行距離分布曲線，對出行分布OD矩陣結構進行修正；

6）利用交通模型技術，獲取OD矩陣的路網模擬交通量，進一步與核查線、重點路段的觀測流量進行比對，對流量誤差情況進行分析，視具體情況返回至上述相應步驟進一步調整OD矩陣，直至流量誤差達到滿意結果(見圖9)。

4 貨車出行特征校核

隨著上海市國際航運中心建設以及電子商務發展，貨運交通的需求不斷壯大，貨車在道路交通中的比例也不斷加大，掌握和確定現狀貨車出行特征對于相關規劃和政策制定具有十分重要的意義。與小客車類似，貨車出行特征校核指標主要包括貨車擁有量、日均出行次數以及出行分布。其中，貨運車輛的規模直接來自交通管理部門的統計資料，因此，本次校核主要是日均出行次數和出行分布指標(見圖10)。

4.1 日均出行次數

貨車日均出行次數校核充分結合人工問詢和車載GPS數據挖掘[5]，通過分析兩類數據相同號牌車輛的出行特征，校驗人工調查結果的可靠性。具體修正包括三個步驟：

1）基于人工問詢調查獲得分類型貨車的初步日均出行次數。貨運企業問詢從樣本規模和抽樣方法上均比年檢站問詢可靠性高，因此以貨運企業問詢調查結果為主，經擴樣可得到不同類型貨車的業務運輸出行的初步日均出行次數(非業務類出行及主要與人有關的出行不計入貨車出行)。其中，由于調查表中將集裝箱卡車回程出行歸入其他出行，無法直接得到業務類日均出行次數，需進一步根據年檢站調查情況、其他貨車非業務出行比例及其與集裝箱卡車的相對關系綜合分析后才能剔除非業務出行。

2）基于車載GPS數據[5]修正集裝箱卡車日均出行次數。通過比對車輛號牌，將車載GPS數據和企業人工問詢調查中集裝箱卡車號牌相同的車輛挑出，比對相同日期兩個渠道的調查數據，發現車載GPS數據挖掘結果比人工調查結果高。進一步對這些車輛進行抽樣檢驗，發現GPS路徑信息反映的出行記錄基本無異常。因此，認為GPS數據挖掘結果基本反映了集裝箱卡車的真實出行情況。假定這些車輛所反映的日均出行次數差異適用于全樣本，則可對基于人工問詢調查的集裝箱卡車初步日均出行次數進行修正。

3）基于集裝箱卡車的校核結果對普通貨車日均出行次數進行修正?；诩b箱卡車的校核結果，確定人工問詢出行記錄的漏報率(即上述修正系數)。由于普通貨車和集裝箱卡車問詢調查的實施途徑相同，假定二者的出行記錄漏報率相同，基于人工問詢結果進一步修正其他類型貨車初步日均出行次數指標。

4.2 出行分布

貨車出行分布校核與小客車較為類似，主要包括以下步驟：

1）基于分類型貨車擁有量和日均出行次數確定出行量，并對經人工問詢初步擴樣的分類貨車OD矩陣進行修正；

圖8 不同來源小客車出行時間分布Fig.8 Car travel time distribution from different data sources

圖9 小客車出行空間分布Fig.9 Spatial distribution of car travel

圖10 貨車出行校核思路Fig.10 Techniques of freight travel verification

2）根據道路核查線流量及變化趨勢，綜合判斷獲得分類貨車宏觀出行分布；

3）基于集裝箱堆場、碼頭、貨運站等分布情況，對部分貨車的出發量和到達量分布進行校核控制；

4）基于人工問詢的出行地址記錄和GPS數據挖掘結果[5]確定分類貨車出行距離分布曲線，對相關貨車OD矩陣空間結構進行修正。

5 結語

通過對各類調查數據的深入分析和總結，上海市第五次綜合交通調查綜合校核使調查成果更真實地反映城市交通特征，為后續交通研究和模型研發提供必要的數據支持。校核技術方法圍繞傳統的人員出行和車輛出行，運用調查中的各類數據比對，最終確定合理結果。此外，與以往調查校核相比，本次校核大量應用信息化數據，有效地將傳統調查與信息化調查成果相融合，也為大數據時代的交通分析提供新的思路和方法。

[1]上海市第五次綜合交通調查總體方案[R].上海：上海市城鄉建設和交通發展研究院，2013.

[2]上海市第五次綜合交通調查技術報告[R].上海：上海市城鄉建設和交通發展研究院，2015.

[3]上海市第五次綜合交通調查：基于一卡通的交通特征挖掘[R].上海：上海市城鄉建設和交通發展研究院，2014.

[4]上海市第五次綜合交通調查：基于手機信息的出行特征挖掘[R].上海：上海市城鄉建設和交通發展研究院，2014.

[5]上海市第五次綜合交通調查：基于GPS的車輛出行特征數據挖掘[R].上海：上海市城鄉建設和交通發展研究院，2014.

[6]上海市第五次綜合交通調查：基于牌照識別的車輛出行特征挖掘[R].上海：上海市城鄉建設和交通發展研究院，2014.

Data Verification of the 5th Shanghai Comprehensive Transportation Survey

Chen Bizhuang,Shen Yunzhang,Dong Zhiguo
(Shanghai Urban-Rural Construction and Transportation Development Research Institute,Shanghai 200040,China)

Because of the human factors in manually conducted household travel survey,there are often gaps between the survey results and real travel characteristics.Therefore,it is necessary to verify/rectify the data from comprehensive transportation survey with other relevant information.Taking the 5th Shanghai comprehensive transportation survey as an example,this paper proposes a comprehensive verification technique for individual and vehicle travel characteristics,that is,to take advantage of available statistical indexes from transportation industry,transportation big data,other specific surveys and transportation models for comparing and rectifying the travel characteristics.Techniques of travel characteristics verification for person,passenger car,and freight vehicles are elaborated.Finally,the paper points out that compared with existed survey data verification methods,the new verification techniques effectively integrate traditional survey and informatization survey results using mass informatization data.

comprehensive transportation survey;data verification;travel characteristics;Shanghai

1672-5328（2016）02-0043-08

U491.1+1

A

10.13813/j.cn11-5141/u.2016.0207

2015-11-30

陳必壯(1966—)，男，上海人，教授級高級工程師，總工程師。主要研究方向：城市交通規劃和政策、城市交通模型。E-mail:allanchenb@163.com