家戶旅次產生統計分析模式之研究

(1)

(2)

(3)

(4)

(5)

家戶旅次產生統計分析模式之研究

學生：鄭雅潔指導教授：陳菀蕙博士

摘要

國內與旅次產生統計模式有關研究中，常使用方法為多元迴歸法及類目分析法，而國外文獻中除了上述方法外，部分文獻並應用 Poisson 迴歸法及負二項迴歸法建立旅次產生模式，然而，相關文獻所稱之類目分析法是為將數個變數交叉而得的交叉分析表格，常未說明如何選取這些重要影響變數以及如何對其進行類別分類。此外，在多元迴歸分析方面，許多文獻未考慮連續型變數非線性情形以及離散型變數類別分類方式。本研究的主要研究目的是進行家戶旅次產生統計分析模式之探討，建立系統化變數處理與分析流程，以針對台北市家工作旅次產生數分別建立迴歸模式(包括多元迴歸模式、Poisson 迴歸模式以及負二項迴歸模式)與對數線性模式之統計分析模式，並進行統計分析模式之比較分析。

由本研究建立統計模式分析結果得知，迴歸模式(包括多元迴歸模式、Poisson 迴歸模式以及負二項迴歸模式)顯著之變數包括總工作人口數與家戶總學生人口數以及機動車輛持有數(包括汽車與機車持有

數)，對數線性模式除了迴歸模式所納入之變數外，並考慮變數間之交

互影響關係，且由最佳對數線性模式結果得知，數個變數間存在著顯著交互影響關係。上述影響變數中，家工作人口數影響家工作旅次產生數最高。由模式結果比較分析得知，對數線性模式之殘差平方和 (SSE)、平均殘差平方和 (MSE)以及平均誤差百分比絕對值 (MPE)均為最小，其次為 Poisson 迴歸模式及負二項迴歸模式，而多元迴歸則為最大；未來相關研究可考慮應用對數線性模式、Poisson 迴歸模式及負二項迴歸模式，於旅次產生數相關因素之探討。

關鍵詞：家工作旅次產生數、迴歸分析法、類目分析法

(6)

誌謝

哇~~我只能說太神奇了，終於讓我這個小女子有機會可以寫誌謝

了，從口試完開始，我就不斷地幻想誌謝要寫什麼，但總是僅此於幻想而已，因為我一直走不到寫誌謝的這個步驟(內容都搞不定了哪還有心思寫誌謝呢！)，不過現在終於讓我逮到寫誌謝這個機會了，哇 ~~

哈哈哈，先狂笑個幾聲在進入正題吧！

首先要感謝的當然是我的指導教授陳菀蕙博士，謝謝您這兩年來的細心指導，讓我從什麼都不會的大笨妹慢慢開始學習如何做計畫案、分析資料以及整理表格等等，雖然我的反應慢好幾次要讓您抓狂了，但是您總是耐著性子慢慢聽我的想法，然後再引導我走進一個正確的方向，除了學業上的指導外，您也常常教我們做事情的態度，以及以後進入職場上應作好的準備，讓我在課業上以及做人處世方面都受益良多。講到這裡當然也不能忘記要感謝師丈及老師的兩個可愛的小雙胞胎囉！由於常常東西沒做完，被徵召到老師家，必須在老師的家庭日中，和師丈和小雙胞胎搶老師，哇~~我怎麼那麼沒禮貌呢？不過您們放心，因為笨姐姐要畢業啦！再也不會有人和你們搶媽媽囉！論文口試期間，承蒙淡江大學羅孝賢博士、交通部運輸研究所張開國博士和中華大學陳昭華博士的細心指導，並且提供本論文寶貴的意見及看法(雖然當場是嚇的魂飛魄散~~恐怖喔~~)，使我受益良多，

並且使論文能趨於完備，在此獻上最深的謝意。

在蒐集資料期間，感謝亞聯工程顧問公司楊金華經理在百忙之中給予我的幫忙，真的很不好意思在您這麼忙的時候，還一直請教您問題，不過也就是因為您的幫助，讓我可以順利如期的完成我的論文，謝謝您！另外也要感謝交通大學交通運輸研究所之畢業生徐瑞彬先生，感謝您對我論文的熱心幫助，讓我的論文可以更加順利的完成。在分析資料的過程中，也要感謝中央機械系的ㄚ信學長，因為有您的幫忙，讓我在分析資料的過程上更加順利，此外，還有可愛的順惠學姊的鼓勵，讓我像洩了皮球的心情又可以重新活了過來。

(7)

接下來要感謝的就是這兩年朝夕相處的同班同學囉！有和我同門也是柯南老婆的思葦、很會照顧小貓的凱怡、總是叫人換掉舊電腦的小松、重灌電腦界的翹楚偉賢、喜歡裝聾的大長、擅長中長跑的阿荃、打飯高手宜祥、永遠的總務志峰、金門冷笑話王生德、愛撒嬌的秀秀、上班女郎碧眞、和我一樣喜歡狗的曉菁、處理系務一把罩的美玲和 Mark 哥鐘賢，因為有您們的陪伴讓我這兩年研究所的路上並不寂寞。

對對對…還有一群可愛的學弟妹喔！嘿嘿 ~~學姊我當然也沒有忘記您們阿！高桂、彭仔、外一彰、眉君、智銘還有佳佳等，謝謝您們對我的幫忙，因為您們讓我可以更快的適應研究所生活，還有在資料的分析過程上，也因為常常和您們一起討論，腦力激盪，讓我學習的更快，謝謝啦~~~~。

還有還有~~大學同學阿，每次都要您叫我起床的華志、只要一上線就被我纏住顏小芳，還有永遠的辣妹雅惠以及總是衝衝衝的尚諭，雖然您們都很忙，但是每當我要發牢騷抱怨的時候，您們都可以有耐心的和我聊天，分享我的心情，讓我雖然沒有和您們在同一個學校唸書，但是大學在一起的那種感覺讓我永遠不會忘記。

最後當然不可以忘記我可愛的家人啦，感謝父母親您們的栽培，讓我可以無後顧之憂的唸到研究所，尤其是怪婆，每次我很煩的時候都會打給您抱怨，哈哈~~幸好您心臟很強阿，沒被我嚇昏，幸好我終於要畢業啦，另外還有可愛的臭斑，也謝謝你在我一路走來的求學路上都陪伴著我，眞的很高興我可以在這個家庭中成長，謝謝您們對我的栽培和支持，謝謝！

鄭雅潔謹誌中華大學科管所中華民國 93 年 8 月

(8)

目錄

摘要... i

誌謝... ii

目錄... iv

圖目錄... vi

表目錄... vii

第一章緒論...1

1.1 研究動機...1

1.2 研究範圍...3

1.3 研究目的...4

1.4 研究方法與研究流程...5

第二章文獻回顧...8

2.1 旅次產生文獻回顧 ...8

2.1.1 旅次產生分析方法 ...8

2.1.2 旅次產生分析考慮變數 ... 12

2.2 對數線性模式相關文獻... 14

2.3 小結 ... 16

第三章旅次產生分析方法... 18

3.1 CHAID ... 18

3.2 迴歸模式... 25

3.2.1 多元迴歸分析模式 ... 25

3.2.2 Poisson 迴歸分析模式 ... 27

3.2.3 負二項迴歸分析模式 ... 28

3.3 對數線性模式... 29

3.4 模式比較分析... 31

第四章台北市區家戶旅次產生資料說明... 32

4.1 資料背景說明... 32

4.2 初步資料處理與分析... 32

4.2.1 不合理變數 ... 35

4.2.2 變數篩選 ... 40

4.2.3 解釋變數非線性關係 ... 47

第五章台北市家戶旅次產生模式之建立... 50

5.1 多元迴歸自動向前向後選取法... 50

(9)

5.2 台北市家工作旅次產生模式建立 ... 51

5.2.1 迴歸分析模式建立 ... 51

5.2.2 對數線性模式類目分析法 ... 57

5.3 模式比較分析... 62

第六章結論與建議... 64

6.1 結論 ... 64

6.2 建議 ... 66

參考文獻 ... 68

附錄一人口相關變數散佈圖 ... 71

(10)

圖目錄

圖 1.1 加州首府薩克拉緬多住戶旅次產生交叉分類圖 ... 3

圖 1.2 台北都會區示意圖 ... 4

圖 1.3 研究流程圖 ... 7

圖 2.1 BPN 網路架構 ... 10

圖 2.2 影響駕駛者受傷嚴重性變數間關係圖... 15

圖 2.3 溺水結果與性別、年齡及水上活動類型關係圖 ... 16

圖 3.1 加州首府薩克拉緬多家戶旅次產生數交叉分類圖... 20

圖 3.2 加州首府薩克拉緬多之住戶旅次產生樹狀圖... 23

圖 3.3 多元迴歸模式分析流程圖 ... 27

圖 3.4 類目分析模式分析流程圖 ... 30

圖 4.1 資料處理後家工作旅次產生數長條圖... 39

圖 4.2 家工作旅次產生數與家戶總工作人口數散佈圖 ... 48

圖 5.1 最佳模式變數間關係圖... 59

圖 5.2 旅次產生數與總學生人口數關係圖... 60

圖 5.3 旅次產生數與機動車輛持有數及總學生人口數關係圖 ... 61 圖 5.4 旅次產生數與家戶機動車輛持有數及總工作人口數關係圖. 61

(11)

表目錄

表 1.1 加州首府薩克拉緬多家戶旅次產生交叉分類表 ... 2

表 2.1 國內旅次產生相關文獻彙整表... 9

表 2.2 國外旅次產生相關文獻彙整表... 9

表 2.3 多元迴歸變數處理彙整表 ...11

表 2.4 無模式類目分析表之變數處理彙整表... 12

表 2.5 旅次產生相關研究之變數彙整表 ... 14

表 3.1 加州首府薩克拉緬多家戶旅次產生數交叉分類統計檢定... 20

表 3.2 小汽車持有數與旅次產生數之交叉分析 ... 21

表 3.3 家戶所得與旅次產生數之交叉分析... 21

表 3.4 類別合併後小汽車持有數與旅次產生數之交叉分析... 24

表 3.5 類別合併後家戶所得與旅次產生數之交叉分析 ... 24

表 3.6 類別合併後之住戶旅次產生數交叉分類表... 25

表 4.1 旅次產生考慮變數彙整表 ... 34

表 4.2 實住人口數次數統計表... 36

表 4.3 家工作旅次產生數與家戶總工作人口數交叉分析表... 38

表 4.4 家戶年所得與家戶全部個人年所得加總之比較分析表 ... 40

表 4.5 旅次產生影響變數間之相關係數 ... 42

表 4.6 家工作旅次產生數與家戶總工作人口數交叉分析表... 42

表 4.7 家工作旅次產生與家戶 24-65 歲人口數交叉分析表 ... 43

表 4.8 家工作旅次產生與家戶實住人口數交叉分析表 ... 43

表 4.9 非持有但可使用小汽車數與家工作旅次產生數分析... 44

表 4.10 非持有但可使用摩托車數與家工作旅次產生數分析... 44

表 4.11 機動車輛持有數類別分析... 45

表 4.12 變數初步篩選彙整表... 47

表 4.13 家工作旅次產生與家戶總工作人口數之交叉分析... 49

表 4.14 分類後家工作旅次產生與總工作人口數之交叉分析... 49

表 5.1 自動向前向後選擇之家工作旅次產生多元迴歸模式... 51

表 5.2 家工作旅次產生多元迴歸法模式 ... 52

表 5.3 家工作旅次產生 Pisson 迴歸法模式 ... 54

表 5.4 家工作旅次產生負二項迴歸法模式... 56

表 5.5 旅次產生數與總工作人口數及總學生人口數關係... 60

(12)

表 5.6 旅次產生數與機動車輛持有數及總學生人口數關係... 60

表 5.7 旅次產生數與機動車輛持有數及總工作人口數關係... 61

表 5.8 最佳對數線性模式之家工作旅次產生數類目分析表... 62

表 5.9 家工作旅次產生模式迴歸模式與對數線性模式比較分析... 63

(13)

第一章緒論

1.1 研究動機

旅次發生(Trip Generation) 為循序性集體需求模式 (Sequential Aggregate Demand Model)之第一個步驟，其目的為估計研究範圍內各交通區之未來旅次產生及吸引量，旅次產生量及旅次吸引量則會受到該地區之人口特性(如：人口數及住戶數等)、經濟特性(如：就業人口與及業人口等)以及土地使用情況 (如：土地使用型態等 )等因素所影響，其中在旅次產生方面，目前國內常使用的方法為多元迴歸法以及類目分析法，這些文獻所稱之類目分析法是以二個變數而得之交叉表格以進行旅次產生之分析，常未說明如何選取變數以及如何將變數之類別進行分類【3、10、12、13、20、21】，本研究將此種缺乏統計方法找出旅次發生重要影響因子的方法稱為「無模式類目分析表」。針對類目資料分析，可應用統計類目分析模式(如：對數線性模式(log-linear model))判定影響旅次產生之重要影響因子，包括主因子及交互影響因子。

加州首府薩克拉緬多之住戶旅次產生交叉分類表如表 1.1 所示

【1】，此交叉分類圖如圖 1.1 所示，此研究利用住戶之小汽車持有數

以及所得來預估薩克拉緬多之家戶旅次產生量，小汽車持有數區分為 0 輛、1 輛、2 輛及 3 輛共四類，另將所得區分為 13 類，其中小汽車持有數對於住戶之旅次產生數有不固定之影響，以住戶之小汽車持有數為三輛以上的旅次產生數來觀察，所得介於 0 至 14999 美元家戶之旅次產生數會隨著所得的升高而有較多的旅次產生量，但至 15000 美元以上旅次產生數卻又隨著所得的升高而減少，此一不一致之情況可由圖 1.1 得知，旅次產生數與所得及小汽車持有數並非單純線性關係。然而由目前所蒐集的相關文獻來看，使用多元迴歸法分析旅次產生之研究中，大部分都未考慮變數為非線性之情形【5、8、12、13、

19、22、24】，此種作法可能會造成預估旅次產生的結果錯誤。

上述之情形若採用多元迴歸法來分析，除了需要對非線性變數進行處理外，多元迴歸法對於離散型變數需將該變數設為啞變數(dummy variable)，因此欲以此二變數預估薩克拉緬多之旅次產生率則需要設

(14)

51 個變數(13×4-1=51)，此外，多元迴歸法對於變數間交互影響因子則無法以系統之方式獲得。另一方面，上述例子為兩變數之交叉分類，若增加為三變數以上，則會增加變數類別之複雜性，而目前所蒐集之文獻中其類別分類為人工判定或未說明判定方法，因此建立一套嚴謹的系統化分析程序，以決定變數之類別分類及判定主要影響因子，為本研究另一研究動機。

表 1.1 加州首府薩克拉緬多家戶旅次產生交叉分類表單位：旅次數/日小汽車持有數

所得(美元)

0 輛 1 輛 2 輛 3 輛以上

0~2999 1.24 4.66 6.00 5.40

3000~3999 2.10 5.30 8.67 8.00 4000~4999 2.41 6.12 9.12 8.50 5000~5999 2.75 6.63 11.16 10.71 6000~6999 4.78 7.12 9.26 12.14 7000~7999 3.94 7.61 9.47 12.11 8000~8999 7.00 8.39 9.52 12.80 9000~9999 7.60 9.67 11.18 14.07 10000~12499 5.38 9.16 11.13 15.41 12500~14999 5.11 9.53 12.11 17.01 15000~19999 4.64 8.77 11.84 16.32 20000~24999 15.00 10.51 11.54 15.53

25000 以上 6.75 9.24 12.00 13.62 資料來源：【1】

(15)

小汽車持有數

0 5 10 15 20

所得住

戶旅次產生數

0輛 1輛 2輛 3輛

資料來源：【1】

圖 1.1 加州首府薩克拉緬多住戶旅次產生交叉分類圖 1.2 研究範圍

不同的旅次目的會有不同旅次產生影響因素，一般可將旅次目的分為家－工作、家－教育、家－購物、家－其他以及非家五大類，而本研究是以其中之家－工作旅次進行分析，探討並建立台北市之家戶的家工作旅次產生模式。

本研究利用台北市交通局委託亞聯工程顧問公司在民國八十九年所進行「台北都會區整體運輸規劃基本資料之調查與驗校(二)」【 3】

為本研究旅次產生分析之資料，由於台北都會區所包含之範圍很大，如圖 1.2，而地區性的差異也會影響其家工作旅次之影響因子，本研究以此資料中之台北市為主要研究範疇。

2999 3999

4999 5999

6999 7999

8999

999912499 14999

19999 24999

25000↑

( 每日 / 次

)

(16)

圖 1.2 台北都會區示意圖 1.3 研究目的

本研究期望利用系統化旅次產生統計分析方式來建立台北市家工作之旅次產生模式，主要研究目的分為以下三點：

一、建立迴歸分析法系統化程序，在多元迴歸分析法方面，利用散佈圖找出變數之趨勢為何，是否符合線性趨勢，若不符合線性條件，

對於連續型態變數則將該變數視為離散型變數資料，先進行細項類別分割，再應用 CHAID 進行類別合併，以建立符合變數關係之多元迴歸模式。Poisson 迴歸及負二項迴歸方面，本研究則是以多元迴歸所建立之最佳模式為基礎，再進行人工向前向後選 (Stepwise selection)，以建立最佳模式。

二、建立一個系統化分析類目分析法程序，以決定變數之類別分類及

(17)

判定主要影響因子，即利用卡方自動交互作用偵測法(CHAID)將類別特性相近之變數進行合併，以減少變數之類別個數，此外，本研究利用對數線性模式找出重要影響因子，包括主因子以及交互影響因子，以嚴謹統計方法找出影響台北市家工作旅次產生因素，再分別以重要影響因素繪製台北市家工作之旅次產生分類表格。

三、進行本研究所建立之迴歸分析模式(包括多元迴歸式、Poisson 迴歸模式以及負二項迴歸模式)與對數線性模式之結果比較分析。

1.4 研究方法與研究流程

本研究之研究方法為迴歸分析法、類目分析法及模式比較分析三個部分，其中迴歸分析法中則包括多元迴歸法、Poisson 迴歸法以及負二項迴歸法三種方法，其各種研究方法詳細說明如下：

一、迴歸分析法

迴歸分析方法當中，本研究包括多元迴歸法、Poisson 迴歸法以及負二項迴歸法三種。在多元迴歸法中，本研究會先檢查應變數與解釋變數間之相關趨勢，而若有連續型變數非線性之情形則會先細分為數個小類別，再以卡方自動偵測模式(CHAID)進行類別合併，以找出此連續型變數適當的切割點，此外，根據 Chen 之研究中指出，CHAID 除了可以處理連續型變數非線性情形外，

對於離散型變數類別過多之問題，也可藉由 CHAID 將特性相似之類別合併，減少類別數目【14】。模式建立後可再利用修定後判定係數(Adj R²)看出模式好壞，若模式不佳，則可再利用變數轉換之上述變數處理方式，以得到較佳之多元迴歸模式。在 Poisson 迴歸以及負二項迴歸方面，本研究則是以多元迴歸所建立之最佳模式為基礎，再進行人工向前向後選，將可能影響之其他變數一個一個分別納入考慮，若不顯著則將該變數刪除，並再納入另一個變數，直到考慮所有其他可能影響之變數，以建立 Poisson 迴歸及負二項迴歸之最佳模式。

二、類目分析法

(18)

進行類目分析法時，若變數之類別眾多或是考慮三個以上之變數，都會增加變數類別之複雜性，因此以須有系統的方式將變數類別合併，減少變數類別之數目，本研究利用 Chen【14】之變數選擇程序，以卡方自動交互作用偵測法(CHAID)進行離散型資料之類別合併，而 CHAID 之功能則於上述之迴歸分析法中已進行說明，之後再利用對數線性模式(log-linear model)分析變數間的關係，包括主要影響因子以及交互影響因子，以進行旅次產生類目分析法分析。

三、模式比較分析

針對本研究所建立之迴歸模式(包括多元迴歸模式、Poisson 迴歸模式及負二項迴歸模式)與對數線性模式之結果，利用殘差平方和(SSE)、平均殘差平方和(MSE)以及平均誤差百分比絕對值(MPE) 進行模式間之比較分析。

本研究之研究流程如圖 1.3 所示，首先確定本研究之研究方向及研究範圍，並蒐集國內外有關旅次產生的分析方法及相關研究文獻，進行文獻回顧及評析，同時蒐集旅次產生實務資料，本研究是以台北市交通局委託亞聯工程顧問公司在民國八十九年所進行「台北都會區整體運輸規劃基本資料之調查與驗校(二)」【3】中之台北市作為分析資料，針對此資料進行處理與初步分析，將不合理之資料刪除並處理變數非線性等情形，之後再分別利用迴歸模式(包括多元迴歸模式、 Poisson 迴歸模式以及負二項迴歸模式)及類目分析模式建立台北市家工作旅次產生模式，並利用殘差平方和(SSE)、平均殘差平方和(MSE) 以及平均誤差百分比絕對值(MPE)，比較三種迴歸模式及類目分析模式之結果，經模式比較分析後，最後提出結論與建議。

(19)

圖 1.3 研究流程圖確定研究目標

確定研究範圍

旅次產生實務資料蒐集

資料處理與初步分析

旅次產生國內外文獻蒐集與評析

家工作旅次產生影響變數初步分析

迴歸分析法模式建立類目分析法模式建立

多元迴歸 Poisson 迴歸負二項迴歸

家工作旅次產生模式比較分析

結論與建議家工作旅次產生模式建立

(20)

第二章文獻回顧

本章共分下列兩個部分，首先對於旅次產生國內外相關文獻進行回顧，以瞭解目前進行旅次產生研究所使用之分析方法，並進行文獻中變數處理方法之彙整，以得知目前旅次產生研究在變數處理上的缺失，此外，由於目前在旅次產生之研究當中並無利用對數線性模式來建立模式，因此在第二部分中，本研究則是進行對數線性模式在安全領域上之文獻回顧。

2.1 旅次產生文獻回顧

本節針對旅次產生相關文獻進行回顧，其中包括各文獻所使用之旅次產生方法整理，以及各文獻所考慮之變數整理兩部分。

2.1.1 旅次產生分析方法

一、國內外旅次產生之方法整理及簡介

表 2.1 為國內旅次產生相關文獻彙整表，目前有關旅次產生所

使用的方法大部分為無模式之類目分析表【3、10、12、13】以及多元迴歸法【4、5、7、8】，此外，粱馨云君研究中另採用類神經網路來推估旅次產生，並與多元迴歸法進行比較分析【7】。表 2.2 為國外旅次產生相關研究彙整表，由此表可知目前相關研究均以除了多元迴歸法【15、19、22、24】進行旅次產生分為外，國外文獻還有使用 CHAID【16】、Poisson 迴歸【17、18、25】以及負二項迴歸【17、25】。

(21)

表 2.1 國內旅次產生相關文獻彙整表

文獻研究地點研究方法

顏應明等，2001 台南都會區無模式類目分析表徐瑞彬，2001 台北都會區多元迴歸法

亞聯工程顧問公司，2000 台北都會區無模式類目分析表陳一昌等，1998 台北、桃園及新竹地

區倉儲型之量販店

多元迴歸法

粱馨云，1997 台北都會區類神經網路法及多元迴歸法

鄭賜榮等，1990 桃園都會區無模式類目分析表張有恆等，1990 台南都會區多元迴歸法

韓復華等，1990 新竹都會區無模式類目分析表資料來源：【3、4、5、7、8、10、12、13】及本研究整理

表 2.2 國外旅次產生相關文獻彙整表

文獻研究方法

Rowe et al.，2002 多元迴歸法

Lan et al.，2000 Poisson 迴歸法及負二項迴歸 Ma et al.，1999 Poisson 迴歸法

Wallace et al.，1999 Poisson 迴歸法及負二項迴歸 Strambi et al.，1998 CHAID

Rengaraju et al.，1995 無模式類目分析法 Rengaraju et al.，1994 無模式類目分析法 Thakuriah et al.，1993 多元迴歸法

Goulias et al.，1989 多元迴歸法 Monzon et al.，1989 多元迴歸法

資料來源：【15、17、18、19、20、21、22、23、24、25】及本研究整理下面針對上述應用於旅次產生之類神經網路法進行說明，而其他之方法如多元迴歸法、Poisson 迴歸法、負二項迴歸法以及 CHAID 之分析方法本研究於第三章在進行說明。

類神經網路可分為處理單元、層與網路三個層次，其架構圖如 2.1 所示，其中 Xi為第 i 個輸入層之輸入變數，Hj表示第 j 個隱藏層神經元之輸出變數，Yk 是第 k 個輸出層神經元之輸出變數，Tk 則是第 k 個對應的目標輸出變數，Wij 是輸入層至隱藏層的連接權術，Vik是隱藏層到輸出層間連結之變數【9】，類神經網路法中最重要的就是其學習過程，藉由不斷的學習調整網路連結之加權值，使網路之估計輸出變數值(Y)與目標輸出變數值 (T)之

(22)

差距降低，進而提升預測之能力。

圖 2.1 BPN 網路架構

粱馨云君曾利用類神經網路之倒傳遞神經網路(Back-error Propation Neural Network，BPN)推估旅次產生【7】，由於此方法使用限制較少且有容錯之功能，因此實証結果顯示，類神經網路法之 R²較多元迴歸高。雖然類神經網路預測能力加且有容錯之能力，但無法瞭解影響旅次發生因素的因果關係，若無法說明整個網路之實質意義，則所建立之模式就無法解釋交通區旅次發生之影響因素，因此本研究故不使用類神經網路作為研究旅次發生之方法，僅利用對數線性模式來建立旅次發生模式，並與多元迴歸法及無模式類目分析表進行比較分析。

二、旅次發生方法變數處理介紹

以下為本研究針對無模式類目分析法之各文獻對於變數處理方式之彙整。

(一)多元迴歸法變數處理

多元迴歸需滿足許多假設，其中像是要符合因變數(Y)與解釋變數(X)間必須為線性關係之條件來看，在實際上是相當困難的，因此需要利用變數轉換或者將連續型變數視為離散

X1

X2

Xi

H1

Y1

Y2

Hj

Hj1

H2

Yk Tk

T2

T1

…… …… …… ……

輸入層隱藏層輸出層

(23)

型變數來處理。目前所蒐集的相關文獻中來看，大部分都未考慮變數為非線性之情形【5、8、12、15、19、22、24】，此種作法會造成預估旅次發生結果的錯誤。而考慮變數為非線性之文獻中，均使用變數轉換之方式【4、7】，將解釋變數轉變為對數、平方、三方或者開根號等之型態；在離散型變數處理方面，各文獻均無探討其分類方式，其使用多元迴歸變數處理各文獻之彙整表如表 2.3 所示。

表 2.3 多元迴歸變數處理彙整表

連續型變數非線性之處理將連續型變數視為離散型

文獻變數

轉換視為離散型分類方法

離散型變數之分類

Rowe et al.，2002 ╳ ╳ ╳ ╳

徐瑞彬，2001 ○ ╳ ╳ ╳

陳一昌等，1998 ╳ ╳ ╳ ╳

粱馨云，1997 ○ ○ ╳ ╳

Thakuriah et al.，1993 ╳ ╳ ╳ ╳

張有恆等，1990 ╳ ╳ ╳ ╳

韓復華等，1990 ╳ ╳ ╳ ╳

Goulias et al.，1989 ╳ ╳ ╳ ╳

Monzon et al.，1989 ╳ ╳ ╳ ╳

資料來源：【4、5、7、8、12、15、19、22、24】及本研究整理註： ○ 為該研究有考慮， ╳該研究未考慮

(二)類目分析法變數處理

目前台灣運輸規劃之旅次產生所採用的類目分析法是將兩個或三個與旅次產生有關變數所交叉而得之交叉表格，且無使用統計方法找出其影響因子，本研究稱之為「無模式類目分析法」，除了無從知道其研究所選取之變數是否為該地區影響旅次發生的主要影響因子以及交互影響因子【3、10、12、13、20、21】外，其變數類別的分類方式來看，僅亞聯工程顧問公司採交叉表格之方式，並採用人工判定的方法將交叉表格中特性相近之類別合併，而亞聯工程顧問公司、顏應明君以及鄭賜榮君等之研究中，也利用人工判定方式進行變數類別之分類【3、 10、 13】，其方式為經過多次測試後，將特性相似之類別分為一類，但並無使用判定方法，而韓復華及 Rengaraju 等之研究則無說明其變數分類之方法

(24)

【12、20、21】，除此之外，各文獻也都無考慮交互影響因子。另一方面，本研究所蒐集之國外文獻中，也都屬於本研究所歸類於無模式類目分析表，也就是並未使用統計的方式找出其主因子及交互影響因子，而變數類別之分類方法也都在文獻中未提及，無模式類目分析表之變數處理彙整表如表 2.4 所示。

表 2.4 無模式類目分析表之變數處理彙整表

文獻影響變數

選擇方法

變數類別之分類方法

考慮交互影響因素

顏應明等，2001 ╳ 人工判定 ╳

亞聯工程顧問公司，2000 ╳ 人工判定 ╳

Rengaraju et al.，1994 ╳ ╳ ╳

Rengaraju et al.，1995 ╳ ╳ ╳

鄭賜榮等，1990 ╳ 人工判定 ╳

韓復華等，1990 ╳ ╳ ╳

資料來源：【3、10、12、13、20、21】及本研究整理註： ╳ 該研究未說明

2.1.2 旅次產生分析考慮變數

本小節將分別彙整旅次產生相關研究所使用之變數，作為本研究變數考慮之參考。

表 2.5 為旅次產生相關研究之變數彙整表，各文獻所考慮之變數

包括人口數、就業人口數、所得、車輛持有數、非產業面積持有數、旅次長度、捷運車站數以及是否為台北市等變數，其中人口數、就業人口數、汽機車持有數、旅次長度以及是否為台北市之變數對於旅次產生有顯著之影響，此外，在變數分類方面，人口數、就業人口數及車輛持有數依文獻不同而有不同之區分方式，其說明如下：

一、人口數

一地區人口數多寡會直接的影響旅次發生數目，而各文獻使用不同的區分方式，以代表此區域之人口數，其分類方式如下： (一)年齡

(25)

鄭賜榮君等之研究將人口數依年齡層區分為小於 14 歲、

15-24 歲以及 65 歲以上【10】。

(二)性別

徐瑞彬君之研究考慮男性之人口數，認為一區域之男性人口數越多，應有較多之旅次產生量【4】。

(三)學生人口數

徐瑞彬君及亞聯工程顧問公司之研究考慮學生之人口數，並將學生區分為 15 歲以下以及 16 歲以上之學生人口數

【3，4】。

二、就業人口數

粱馨云君之研究是以就業人口之觀點來探討工作旅次產生之

響【7】，此研究所考慮之變數為各年齡層之就業人口數、性別和

各級產業之人口數：

(一)各年齡層之就業人口數

將就業人口數以年齡區分為 15 歲就業人口數、16-25、

26-35、36-45、46-55、56-66、66 歲以上之就業人口。

(二)各產業之就業人口數

將就業人口數以產業區分為軍警公就業人口數、二級產業就業人口數、三級產業就業人口數、一級產業就業人口數以及自由業就業人口數。

(三)性別

以性別之就業人口來看旅次產生之影響。而模式結果得知，26-35 歲就業人口數、三級產業就業人口數，以及男性之就業人口數對於工作旅次產生之影響為最大。

三、車輛持有數

(26)

在車輛持有數方面，Strambi 等、Lan 等及徐瑞彬君之研究只探討小汽車持有數，而 Rengaraju 等之研究則探討腳踏車及兩輪機動車輛，並將車輛類別區分為無車輛持有、只有腳踏車及只有兩輪機動車輛，其餘之文獻都將小汽車持有數及機車持有數同時考慮，即將旅次率相近之小汽車數與機車數之類別合併，但大部分文獻其分類方法都無說明，僅有亞聯工程顧問公司【3】利用交叉分類之方式，以看出旅次率之分佈，進而將車輛持有進行分類。

表 2.5 旅次產生相關研究之變數彙整表文獻人口數就業人口數所得車輛持

有數非產業土地使用面積旅次

長度捷運車

站數是否為台北市

顏應明等，2001 ※ ※⁽⁷⁾

徐瑞彬，2001 ˇ⁽¹⁾ ※ ˇ ˇ⁽⁸⁾ ˇ ˇ ※ 亞聯工程顧問

公司，2000 ※⁽²⁾ ※ ※ ※⁽⁷⁾ Lan et al.，2000 ※⁽³⁾ ※ ※⁽⁸⁾ Strambi et al.，

1998 ※⁽⁴⁾ ※ ※ ※⁽⁸⁾ 粱馨云，1997 ※⁽⁶⁾

Rengaraju et

al.，1995 ※ ※⁽⁹⁾ ※

Rengaraju et

al.，1994 ※ ※ ※⁽⁹⁾

鄭賜榮等，1990 ˇ⁽⁵⁾ ※ ※⁽⁷⁾

張有恆等，1990 ※ ˇ ˇ

韓復華等，1990 ※ ※

資料來源：【3、4、7、8、10、12、13、17、18、22、23】及本研究整理

註：1.※ 為對旅次吸引有顯著影響之變數， ˇ 為不顯著但文獻有探討之變數。 2.⁽¹⁾徐瑞彬君之研究將人口數區分為男性人口數、學生人口數(15 歲以下以及 16

歲以上)探討

(2)亞聯工程顧問公司之研究將人口數學生人口數(15 歲以下以及 16 歲以上 )探討。

(3)Lan 等之研究將人口數區分為家戶實住人口數及工作人口數。

(4)Strambi 等之研究將人口數區分為家戶實住人口數、學生人口數、半工半讀人口數及有無有 10 歲以下之兒童。

(5)鄭賜榮君之研究將人口數例用年齡(區分為小於 14 歲、 15-24、 65 歲以上 )。

(6)粱馨云君將就業人口分為年齡(區分為 15 歲、16-25、26-35、36-45、46-55、

56-65、66 歲以上就業人口數 )、產業 (區分為軍警公、二級產業、三級產業、一級產業及自由業就業人口數)以及性別探討之。

(7)同時探討小汽車持有數及機車持有數。

(8)僅探討小汽車持有數。

(9) Rengaraju 等之研究則探討腳踏車及二輪機動車輛。

2.2 對數線性模式相關文獻

由於目前國內外旅次發生之研究中，並無文獻利用對數線性模式應用於旅次發生之研究中，因此本研究將針對安全領域使用對數線性

(27)

模式之文獻進行回顧，以瞭解如何利用對數線性模式找出主因子以及交互影響因子。

陳菀蕙等【6】之研究針對中山高速公路夜間肇事駕駛者受傷嚴重性影響因素之探討，在單車非撞人事故駕駛者受傷嚴重性(I)分析中，

此研究所考慮之影響因素包括事故發生時間(H)、車種(V)、區段種類 (S)、燈光狀況(L)以及安全帶(B)，利用 BMDP 進行變數選擇後，所得到最佳之對數線性模式為[BV][LH][SL][IB][IV][IS][IH][LV]，其中 I 為因變數駕駛者之受傷嚴重性，利用上述之結果可畫出圖 2.2 變數間之關係圖，由圖可看出駕駛者受傷嚴重性(I)與事故發生時間(H)、車種 (V)、區段種類(S)以及安全帶(B)為直接相關，而與燈光狀況(L)則屬於間接相關，因此將燈光狀況之因素刪除，再次對剩下的五個變數建立另一個對數線性模式，藉由上述之結果可得知利用對數線性模式可找出駕駛者受傷嚴重性之主要因子以及交互影響因子，並可將間接影響之變數去除，以免影響模式之解釋結果。

圖 2.2 影響駕駛者受傷嚴重性變數間關係圖

王國川君【2】之研究為探討性別、年齡、水上活動類型與溺水結果之關係，此研究由先前之文獻回顧得知性別、年齡及水上活動類型都與溺水結果有關係，並且也由 Pearson 獨立性卡方檢定得知性別、

年齡及水上活動類型分別都與溺水結果有密切的關聯，因此此研究再利用對數線性模式以找出溺水結果(O)和性別(S)、年齡(A)及水上活動類型(T) 上述四者間的關係，其最後所得最佳之對數線性模式為

駕駛者受傷嚴重性(I)

區段種類(S)

安全帶(B)

車種(V) 發生時間(H)

燈光狀況(L)

(28)

[ST][SO][AT][TO][AO][SA][SAO]，利用上述之結果可畫出圖 2.3 溺水結果與性別、年齡及水上活動類型間之關係圖，由圖可得知，除了上述三者對於溺水結果有直接影響外，也可看出溺水結果與性別及年齡存在交互影響關係，此部分的發現也是再先前研究中沒有注意到的部分。

圖 2.3 溺水結果與性別、年齡及水上活動類型關係圖

由上述文獻之分析得知，藉由對數線性模式可分析變數間的關係，找出主因子以及交互影響因子，並且知道那些變數為直接影響之因素，而對於間接影響因素則刪除，本研究將此方法運用在建立旅次發生模式上，找出旅次發生之主因子以及交互影響因子，以建立旅次發生之類目分析表。

2.3 小結

本研究針對上述旅次產生之各文獻採用方法、探討之變數彙整以及各種型態變數之處理方式，另外，在對數線性模式之應用上，由於目前並無文獻利用對數線性模式於旅次產生之研究上，故本研究針對對數線性模式應用於安全之研究進行回顧後，本節將對文獻回顧之心得整理如下：

一、旅次產生方法及變數處理方式

在旅次發生方法之文獻回顧中，旅次產生較常使用之方法為多元迴歸法及類目分析法，其中在多元迴歸法變數處理方面，大部分的文獻也都未處理連續型變數非線性問題，而離散型變數之

溺水結果(O)

性別(S)

水上活動

類型(T) 年齡(A)

(29)

分類方法，各文獻中也都未考慮。而在類目分析法中，各文獻所提及之類目分析法，對於變數之選擇方法都無提及，此外，在變數類別分類方法上，則採用無統計檢定之方式進行分類，僅由人工判定的方式如試誤法或利用交叉分類法來分類，且並未使用統計方法找出主因子以及交互影響因子，因此本研究歸類於無模式之類目分析表。

二、旅次產生之變數考慮

各文獻旅次產生所考慮之變數包括人口數、就業人口數、所得、車輛持有數、非產業面積持有數、旅次長度、捷運車站數以及是否為台北市等變數。其中在車輛持有變數方面，雖然大部分旅次產生之研究中都都有考慮汽機車持有數，對於其分類方式都無說明，只有亞聯工程顧問公司為利用交叉分類的方式，以人工判斷看出旅次率之分佈，並將小汽車及機車持有進行分類。三、對數線性模式

在旅次發生之相關研究中，並無文獻利用對數線性模式來建立旅次發生模式，因此本研究藉由其他對數線性模式之文獻回顧得知，利用對數線性模式可建立統計模式，以解釋變數間的關係，

並找出主因子以及交互影響因子，對於間接影響因素則刪除，以避免影響模式解釋之結果。

(30)

第三章旅次產生分析方法

由第二章文獻回顧得知，目前國內旅次產生常使用之方法為多元迴歸法以及類目分析法，在國外文獻當中，除了多元迴歸法以及類目分析法外，還有利用 CHAID、Poisson 迴歸分析法以及負二項迴歸分析法建立旅次產生之模式。經由文獻得知，多元迴歸法變數處理方面，

大部分的文獻對於連續型變數非線性之情形都並未進行處理，而離散型變數之類別分類問題，則沒有文獻進行探討，此外，在類目分析法變數處理方面，目前旅次產生所使用之類目分析法都為本研究所歸類於無模式之類目分析表，在變數的處理方面如離散型變數之分類方式及連續型變數之處理方式，各文獻也都無探討。而在本章節中，本研究分別介紹國內外較常應用於旅次產生之研究中的方法，包括 CHAID、迴歸模式(包括多元迴歸分析模式、Poisson 迴歸分析模式以及負二項迴歸分析模式)以及對數線性模式之分析方法。

3.1 CHAID

CHAID 為卡方自動交互影響偵測法 (Chi-Square Automatic Interaction Detector，CHAID)，可依據依變數(Y)之型態不同，提供不同統計檢定方法以進行相關性檢定。本研究應用檢定依變數(Y)與自變數(X)類別間相關性之顯著水準結果，對離散型自變數(X)之原始類別進行類別合併工作，即以統計檢定結果劃分變數之新類別，以產生新的變數類別。CHAID 依據依變數為名目類別(nominal category)或順序類別(ordinal category)有不同統計檢定方法，茲分述如下【16】：

z 名目類別

此型態的依變數(Y)之類別為無順序關係，如上班所使用之交通工具為公車、捷運、機車、小汽車與其他等類別，CHAID 對此類型解釋變數(X)進行類別合併時，是利用卡方檢定 (Chi-square) 探討依變數(Y)與自變數(X)類別間之相關性。

z 順序類別

若依變數(Y)的類別有順序關係，如旅次產生數及所得等，

(31)

CHAID 對於此型態之依變數，在對其解釋變數 (X)進行類別合併時，則是利用概氏率卡方值(likelihood-ratio chi-square)進行相關性判定。

而本研究對於連續型變數非線性之情形，則是先將該連續型變數先細分為數個小類別，再利用 CHAID 進行類別合併，以找出最佳之切割點，本研究針對上述 CHAID 之介紹，以王慶瑞著「運輸規劃」

一書中之薩克拉緬多案例說明【1】如何利用 CHAID 進行類別合併及比較合併前後之差異，並畫出樹狀圖以看出可能之交互影響，該研究利用住戶之小汽車持有數以及所得來預估薩克拉緬多之家戶旅次產生數，因此依變數(Y)為家戶旅次產生數，而家戶小汽車持有數以及所得為解釋變數(X)，此原有之旅次產生交叉分類表如表 3.1 所示，交叉分類圖如圖 3.1 所示，由表中可看出小汽車持有數原有之分類為 0 輛、1 輛、2 輛及 3 輛共四類，而所得則區分為 13 類，且由圖中可得知旅次產生數與所得及小汽車持有數並非為單純之線性關係，因此本研究將以系統化之變數處理流程對此例題進行分析，以有系統的方式來處理變數非線性問題，以及變數類別過多之問題，並將變數進行類別合併，

減少變數類別之數目。由於 CHAID 是處理離散型變數，故本研究先將旅次產生數利用四分位數(Quartiles)區分為下列四個部分：

(一)低旅次產生：每日旅次產生數≦6.09 次

(二)中低旅次產生：6.09 次<每日旅次產生數≦9.14 次 (三)中高旅次產生：9.14 次<每日旅次產生數≦11.615 次 (四)高旅次產生：11.615 次<每日旅次產生數≦17.5 次

將旅次產生分類後，利用此例題原有之分類進行交叉分析並做卡方檢定，即小汽車持有數為 4 類與家戶所得 13 類和新分類為 4 類之旅次產生數進行檢定，表 3.2 為旅次產生數與小汽車持有數之交叉分析，經卡方檢定後其 P 值＜0.05 為顯著的，表示家戶小汽車持有數的不同會顯著的影響旅次產生數，因此應將此變數納入；表 3.3 為家戶所得與旅次產生數之交叉分析表，經卡方檢定後其P 值為 0.2970＞0.05 為不顯著，表示家戶所得的不同與旅次產生數無關，但本研究又將小

(32)

汽車持有、家戶所得及旅次產生三個變數進行 CHM(Cochran-Mantel -Haenszel，CMH)之檢定，CMH 為檢定變數間是否存在交互影響關係，

其檢定結果顯之 P 值=0.004 為顯著的，表示三者間存在交互影響關係。

表 3.1 加州首府薩克拉緬多家戶旅次產生數交叉分類統計檢定單位：旅次數/日小汽車持有數(輛)

所得(美元)

0 1 2 3

0~2999 1.24 4.66 6.00 5.40

3000~3999 2.10 5.30 8.67 8.00

4000~4999 2.41 6.12 9.12 8.50

5000~5999 2.75 6.63 11.16 10.71

6000~6999 4.78 7.12 9.26 12.14

7000~7999 3.94 7.61 9.47 12.11

8000~8999 7.00 8.39 9.52 12.80

9000~9999 7.60 9.67 11.18 14.07 10000~12499 5.38 9.16 11.13 15.41 12500~14999 5.11 9.53 12.11 17.01 15000~19999 4.64 8.77 11.84 16.32 20000~24999 15.00 10.51 11.54 15.53

25000 以上 6.75 9.24 12.00 13.62 資料來源：【1】及本研究整理

小汽車持有數

0 5 10 15 20

所得住

戶旅次產生數

0輛 1輛 2輛 3輛

資料來源：【1】及本研究整理

圖 3.1 加州首府薩克拉緬多家戶旅次產生數交叉分類圖

1500 3500

4500 5500

6500 7500

8500

950011250 13750

17500 22500

25000↑

(33)

表 3.2 小汽車持有數與旅次產生數之交叉分析旅次產生數

小汽車持有數 1 2 3 4

0 輛 9(69%) 3(23%) 0(0%) 1(8%) 1 輛 2(15%) 6(46%) 5(39%) 0(0%) 2 輛 1(8%) 2(15%) 7(54%) 3(23%) 3 輛以上 1(8%) 2(15%) 1(8%) 9(69%) 卡方值：42.2 自由度：9 P 值：<0.0001

表 3.3 家戶所得與旅次產生數之交叉分析旅次產生數

家戶所得 1 2 3 4

1500 4(100%) 0(0%) 0(0%) 0(0%) 3500 2(50%) 2(50%) 0(0%) 0(0%) 4500 1(25%) 3(75%) 0(0%) 0(0%) 5500 1(25%) 1(25%) 2(50%) 0(0%) 6500 1(25%) 1(25%) 1(25%) 1(25%) 7500 1(25%) 1(25%) 1(25%) 1(25%) 8500 0(0%) 2(50%) 1(25%) 1(25%) 9500 0(0%) 1(25%) 2(50%) 1(25%) 11250 1(25%) 0(0%) 2(50%) 1(25%) 13750 1(25%) 0(0%) 1(25%) 2(50%) 17500 1(25%) 1(25%) 0(0%) 2(50%)

22500 0(0%) 0(0%) 2(50%) 2(50%)

25000 0(0%) 1(25%) 1(25%) 2(50%) 卡方值：40 自由度：36 P 值：0.2970

由上述分析可知，雖然家戶所得經卡方檢定後為不顯著，但由 CHM 檢定結果顯示三個變數間仍存有交互影響關係，而造成家戶所得與旅次產生關係不顯著之原因可能為所得此變數類別分類不佳所造成，因此本研究利用上述系統化變數分析流程中步驟二進行分析，即將所納入之變數利用 CHAID 進行類別合併，將特性相似之類別合併為一類，其類別重新分類後之薩克拉緬多住戶旅次產生分樹狀圖如圖 3.2 所示，經由 CHAID 之類別合併後，將原本有 13 個類別的變數所得，區分為高所得( 年所得超過 13750 美元 ) 、中所得 ( 年所得為 4501~13750 美元)以及低所得(年所得 4500 美元以下)三類，圖 3.1 之虛線處為所得之切割點，且由樹狀圖得知，隨著所得的提高旅次產生數也越高，即低所得之家戶其旅次產生數介於低及中低旅次產生數之

(34)

間(平均旅次產生數=1.24)；中所得之家戶旅次產生介於中低及中高旅次產生之間(平均旅次產生數=2.68)；而高所得之家戶則介於中高及高旅次產生數之間(平均旅次產生數=3.17)，其中藉由樹狀圖可看出中所得以及高所得之家戶其旅次產生數還會受小汽車持有數的不同而有所影響。在家戶小汽車持有之分類方面，利用 CHAID 將類別合併為小汽車持有為 0 輛及 1 輛和 2 輛及 3 輛二類。由樹狀圖中可以看出在所得為中所得之家戶中，若小汽車持有為 0 輛或 1 輛者，其旅次產生偏中低旅次(平均旅次產生數=1.86)；若小汽車持有為 2 輛或 3 輛者，其旅次產生則介於中高及高旅次之間(平均旅次產生數=3.17)，且高過於家戶所得為高所得且小汽車持有數為 0 輛及 1 輛者(平均旅次產生數

=2.5)。

(35)

圖 3.2 加州首府薩克拉緬多之住戶旅次產生樹狀圖

經由上述分析後可瞭解，CHAID 不僅可以進行類別合併以解決變數類別過多之問題外，對於變數非線性之問題，也可利用 CHAID 依其趨勢進行切割，並由樹狀圖中瞭解變數間交互影響關係，除此之外，

經由類別合併後之變數相較於類別合併前之 P 值明顯顯著，表 3.4 為小汽車持有數與旅次產生數之交叉分析，卡方檢定後 P 值為 0.0004＜

0.05 為顯著的；而表 3.5 為家戶所得與旅次產生數之交叉分析經卡方檢定後其 P 值為 0.0036＜0.05 為顯著的，但住戶所得在類別合併前，

其卡方檢定為不顯著(P＝0.2970)，此種情形並非意味著所得與家戶每日之旅次產生數無關，而是變數之類別分類不佳所出現的結果，在一

住戶旅次產生數(tripgp), n=52 高旅次產生：25%

中高旅次產生：25%

中低旅次產生：25%

低旅次產生：25%

低所得,n=12

平均家戶旅次產生：1.42 高旅次產生：0%

中低旅次產生：41.67%

低旅次產生：58.33%

中所得, n=28

中高旅次產生：35.71%

所得(income)(p-value=6.5e-9)

Car ≤ 1, n=14

Car ≥ 2, n=14

小汽車持有數(car)(p-value=4.1e-7) 高所得, n=12

Car ≥ 2, n=6

平均家戶旅次產生：3.83 高旅次產生：83.33%

小汽車持有數(car)(p-value=0.0071) Car ≤ 1, n=6

平均家戶旅次產生：2.5 高旅次產生：16.67%

(36)

般的研究中可能會因為此種情形而將所得這個變數刪除，但本研究系統化之分析過程中，則會先利用 CHAID 將離散型變數類別合併，而連續型變數非線性之情形也將此變數先劃分數個類別再利用 CHAID 進行類別合併，進而讓解釋變數(X)之類別與依變數間(Y)更為顯著，不會因為變數類別劃分不佳而造成沒有考慮該變數，此外，之後本研究再利用對數線性模式找出變數間之關係，經由此分析結果瞭解變數間是否存在交互影響關係，進而建立旅次產生之類目分析表。以本題為例，由於本題變數原有之類別並未經過合併的處理，因此在確定三者變數具有交互影響後，本研究就利用 CHAID 將變數之類別進行合併，合併後之 P 值都＜0.05，也說明了 CHAID 類別合併之重要性。表 3.6 為類別合併後之住戶旅次產生交叉分類表，由表可看出 CHAID 將原本交叉分類有 52 類之旅此產生(所得 13 類×小汽車持有數 4 類)經由類別合併後只剩 6 類(所得 3 類×小汽車持有數 2 類)，其 CMH 之 P 值為 0.0015 為顯著的表分類後的家戶旅次產生數與小汽車持有數及所得間具有交互影響關係。

表 3.4 類別合併後小汽車持有數與旅次產生數之交叉分析旅次產生數

小汽車持有數 1 2 3 4

0 輛、1 輛 11(43%) 9(34%) 5(19%) 1(4%) 2 輛、3 輛 2(8%) 4(15%) 8(31%) 12(46%) 卡方值：18.2 自由度：3 P 值：<0.0004 表 3.5 類別合併後家戶所得與旅次產生數之交叉分析旅次產生數

家戶所得 1 2 3 4

低所得(0~4500) 7(58%) 5(42%) 0(0%) 0(0%) 中所得(4501~13750) 5(18%) 6(21%) 10(36%) 7(25%)

高所得(13751 以上) 1(8%) 2(17%) 3(25%) 6(50%) 卡方值：19 自由度：6 P 值：0.0036

(37)

表 3.6 類別合併後之住戶旅次產生數交叉分類表

單位：旅次數/日小汽車持有數

家戶所得(美元)

0 輛、1 輛 2 輛、3 輛

低所得(0~4500) 3.64 7.62

中所得(4501~13750) 6.76 11.95

高所得(13751 以上) 9.15 13.48

註：1.所得與旅次產生數之卡方值為 6、自由度為 19.3 及 P 值為 0.0036

2.小汽車持有與次產生數之卡方值為 3、自由度為 18.2 及 P 值為 0.0004

3.CMH 之 P 值為 0.0015 3.2 迴歸模式

由第二章之文獻回顧得知，國內文獻所使用之方法為多元迴歸法，而國外文獻中除了多元迴歸法外還有使用 Poisson 迴歸法及負二項迴歸法建立旅次產生模式，因此本研究在迴歸分析法中則包括多元迴歸分析法、Poisson 迴歸法及負二項迴歸法。

3.2.1 多元迴歸分析模式

多元迴歸法為旅次發生中應用最廣的方法之一，此種方法可以藉著模式的建立瞭解旅次發生與社會經濟變數以及土地使用變數等因果關係，其模式如 3.1 式所示。

Y=β0+β1X1+β2X2+β3 X3+…….+βiXi+εi (3.1) 其中

Y：交通區旅次產生(或吸引)數

X1…Xi：交通區之社會經濟特性變數與土地使用變數 β0…βi：迴歸參數

εi：誤差項

(38)

由文獻回顧得知，在多元迴歸法變數處理方面，由於許多的解釋

變數對於 Y 而言，並非呈現一個線性的關係，但大部分的文獻對於像

這種連續型變數非線性之情形都並未進行處理，而離散型變數之類別分類問題，則旅次產生相關研究沒有文獻進行探討，此外，變數的類別過多也會造成分析上的困難，故本研究欲以一系統化之多元迴歸變數處理流程進行分析，圖 3.5 為多元迴歸法分析流程圖，各分析步驟說明如下：

Step1：廣泛的就已有資料庫之變數來考慮所有可能的影響變數，將所有可能影響台北市家工作旅次之影響變數考慮進去。

Step2：檢查 Y 與解釋變數相關趨勢，在此步驟中，利用軟體可獲得 Y 與 Xs 之相關係數，由此可得知各 Xs 與 Y 之間為正相關或是負相關，此外，在此步驟中，本研究還會繪製 Y 與各 Xs 間之散佈圖以得知 Y 與各 Xs 間呈現曲線關係還是線性關係。

Step2.1：若 Y 與某些 Xs 呈現曲線相關的話，則需利用 CHAID 來進行類別分類合併，以解決解釋變數非線性之現象，由於 CHAID 為處理離散型變數，因此對於連續型變數可先劃分為幾個小類別，以將連續型變數視為離散型態來處理。

Step2.2：由於多元迴歸處理離散型變數時，需將類別變數設為啞變數(dummy variable)，因此在此步驟則是將 Step2.1 處理後的類別變數設成啞變數，以進行後續之變數選擇。

Step3：將處理後曲線相關之解釋變與線性關係的變數直接進行變數選擇，此步驟除了利用軟體進行變數的向前選、向後選以及逐步選取外，還需配合專業知識來選變數及建立模式。

Step4：例用修正後之 R² 來針對各選取方法及配合專業知識所選出來之最佳模式進行模式檢定，若修正後 R² 不盡理想，則可對變數再進行修正，看看是否有顯著之變數無考慮到，或是，最後即可建立台北市家工作旅次產生之多元迴歸模式。

(39)

圖 3.3 多元迴歸模式分析流程圖 3.2.2 Poisson 迴歸分析模式

Poisson 迴歸法在國內旅次產生之研究中並無採用此方法建立旅次產生模式，但根據文獻回顧得知，國外目前已有利用 Poisson 迴歸法建立旅次產生模式，而其機率密度函數之基本型式如 3.2 式：

廣泛考慮所有可能的變數

檢查 Y 與解釋變數間相關趨勢

離散型變數連續型變數

切割成數個小類別

利用 CHAID 進行類別合併

產生啞變數

進行變數選擇

建立模式 Step1:

Step2:

Step3:

Step4:

Step2.1:

Step2.2:

線性關係？

否(非線性關係) 是(線性關係)

(40)

) ! (

it y it it

it

y

y e Y p

it

μ

−

=

(3.2) 其中

y ：交通區旅次產生數

it

進行 Poisson 迴歸分析時，本研究之作法是將多元迴歸之最佳模式為基礎，利用人工向前向後選的方式，將可能影響之其他變數一個一個分別納入考慮，若不顯著則將該變數刪除，並再納入另一個變數，

直到考慮所有其他可能影響之變數。 3.2.3 負二項迴歸分析模式

由文獻回顧得知，目前國內文獻中，並無使用負二項迴歸分析方法建立模式，然而在國外文獻中，則已有利用負二項迴歸模式建立旅次產生模式之研究，機率密度函數之基本型式如 3.3 式：

iti i i

i i

i

y

i it y

i i i

it i i it

it i

i y y

y y Y y Y

p ⎟⎟

⎠

⎞

⎜⎜⎝

⎛

⎟⎟ +

⎠

⎜⎜ ⎞

⎝

⎛

⎟⎟ +

⎠

⎜⎜ ⎞

⎝

⎛ + Γ

+

= Γ

=

= η θ

η θ

η η θ η

θ θ

θ ^θ

! ...

!...

) (

) ) (

,..., (

1 1 1

1

1 (3.3)

其中

Γ ：為珈瑪(Gamma function)分配

η

_it =

e

^x^it^×β

iti

i

η η

η

= ₁+...+

iti

i

y y

y

= ₁+...+

負二項迴歸之分析方式則與 Poisson 迴歸分析方式相同，及以多元迴歸之最佳模式為基礎，利用人工向前向後選的方式，將可能影響之其他變數一個一個分別納入考慮，若不顯著則將該變數刪除，並再納入另一個變數，直到考慮所有其他可能影響之變數。

家戶旅次產生統計分析模式之研究

家戶旅次產生統計分析模式之研究

摘 要

誌 謝

目 錄

圖目錄

表目錄

第一章 緒論

第二章 文獻回顧

第三章 旅次產生分析方法

y

y e Y p

μ

y ： 交 通 區 旅 次 產 生 數

η

e

η η

η

y y

y

摘要

誌謝

目錄

第一章緒論

第二章文獻回顧

第三章旅次產生分析方法

y ：交通區旅次產生數