p;  研究选取的出行方式主要是步行、自行车、公共交通、轻型机动车 和小汽车交通。由于因变量为两个以上的类别变量，因此在建立出行选择的模型时，选取多项逻辑回归模型(MultinomialLogistic Regression Model)进行模拟。回归模型如下：

公式 (1)
其中，Ln(Pj/Pj)为两种方式选择优势的自然对数值；B为检验统计参数值，X为自变量，J为参考类别；j为因变量类别，j=1,2,3,…，J-1；i为自变量样本数。

（二）模拟成果

      基于不同的样本数据，模拟成果可以分解为两大部分——基于全样本的逻辑回归总体模型(以下简称“总体模型”)和基于特定条件样本的逻辑回归子模型(以下简称“子模型”)。

(1)总体模型。总体模型的构建分为两个步骤，一是将个体要素整体代入模型，二是将街区要素分别引入模型。这样做的目的是通过个体要素构建模型的基础，再一一甄别街区要素的影响程度。
       首先，将个体要素引入回归模型之中，得到参数估计值 ( 表 2)，分析表 2的数据发现：①出行距离在步行、自行车、轻型机动车与小汽车交通的对比中显著性均小于0.05，有显著差异。②与小汽车交通相比，其他交通方式 ( 除公共交通外)的选择受出行距离影响显著，这说明每种交通方式适用于不同的出行距离。③中低收入(月收入4000元以下)的人群选择非小汽车交通出行的概率较高，说明小汽车出行仍旧有一定的经济门槛。④拥有汽车驾照的人群选择小汽车交通出行的概率较高。⑤年龄越大，选择小汽车交通而非步行和公共交通出行的概率越高。

       其次，将街区要素一一引入模型，通过观察参数估计值，最终发现：①人口密度、开发强度和平均房价越高，则经济活动越集中、交通出行越频繁，采用方便快捷的小汽车交通出行的几率就越高。②道路网密度越高，意味着有更多的交叉口和出行线路选择，这在一定程度上为小汽车交通的出行提供了方便。③道路面积率分为两种情况，一是高密度窄路幅的道路，二是低密度宽路幅的道路，前者不利于公共交通的通行，但有利于步行和自行车出行，而后者有利于公共交通的通行，同时对慢行交通的发展有促进作用。④公交线网密度体现的是公共交通的分布情况，密度越高说明覆盖范围越广，对公共交通和慢行出行越有利。⑤停车位的供给越充裕越有利于小汽车的出行。

(2) 子模型。子模型是通过限定总体模型中卡方值较大的要素——出行距离而得到的，其目的是通过限定不同的出行距离，了解特殊情境下街区要素影响力的变化。通过观察样本，划定步行、自行车和轻型机动车出行的一般可承受距离分别为2.5km、7.5km和20km，并获得3个子模型。
      在 2.5km 短距离子模型中，将步行与小汽车交通、轻型机动车进行比较时，个体要素中“出行距离”的卡方值分别由154.527、131.869下降到3.216、27.988(表3)，符合子模型的设计预期。但将街区要素引入子模型进行模拟后，笔者发现各参数对步行出行的解释力被削弱，子模型中无显著性街区要素存在。

      在 7.5km 短距离子模型中，将自行车与小汽车交通、轻型机动车进行比较时，除出行距离外，其他个体要素的影响力并无质变。对比街区要素的各参数，研究得到新的结论：①近郊的居民比远郊的居民更倾向于选择小汽车交通而非自行车出行；②公交站点数越多，选择小汽车交通而非自行车出行的人越多；③人口密度越高，越多人选择轻型机动车而非自行车出行。
       在20km长距离子模型中，将公共交通与轻型机动车进行比较时，同样无新增显著影响要素及结论。
       综合上述，在出行距离子模型中，街区要素对出行的影响并没有如预期中显著提高，尚未形成有力的质变性结论。笔者认为少数新增的显著要素及结论随机性强，这可能与街区样本数量不多，受调查对象的个体属性干扰大有关。在后续的研究中需要增加街区样本数，并且要排除个体属性的干扰。

（三）机理分析

       基于城市街区出行的逻辑回归模型，笔者对影响绿色出行 ( 步行、自行车和公共交通 )的显著要素及其正负相关性进行了总结，具体如表4所示。

四