本文最初发表于2003年，当时《出行生成》《停车生成》两本手册分别更新至第6版和第2版，因此本文所指“最新版”即为这两个版本。2021年，《出行生成》《停车生成》分别更新至第11版和第10版。

从圣地亚哥到旧金山到底有多远？632.125英里(1英里约为1.6 km)的估计是精确的，但并不准确。400~500英里的估计不太精确，但却更准确，因为正确答案是460英里 ^① 。然而，如果你不清楚从圣地亚哥到旧金山的距离，面对一个信誓旦旦地说是632.125英里的人与一个试探性地说是400~500英里的人，你会相信谁？你很可能会相信说632.125英里的人，因为精确往往给人以准确的印象。

尽管用尽可能精确的数据报告评估情况表明其对自身结果的准确性很有把握，但是交通工程师和城市规划师会使用此类精确数值来报告不确定的评估结果。为了说明这一点，本文将使用交通运输工程师学会(Institute of Transportation Engineers, ITE)出版的两本手册来举例：《停车生成》(Parking Generation) ^[1] 和《出行生成》(Trip Generation) ^[2-4] 。这些手册对交通和土地利用产生了巨大影响。城市规划师依靠停车生成率来确定路外停车需求，交通规划师则依靠出行生成率来预测开发方案对交通的影响。然而，仔细观察停车生成率和出行生成率数据后可以发现，盲目信任这些精确但不准确的数值会导致糟糕的交通和土地利用政策。

出行生成率表明车辆出行次数与土地利用之间存在函数关系。交通工程师调查了各类地点的车辆出行次数，ITE则针对每种土地利用类型公布了一项出行生成率，并称可以将车辆出行次数与土地利用特征(如建筑面积或职工数量)联系起来。第6版(最新版)《出行生成》 ^{[4]卷3: ix, 1} 描述了用于估算出行生成率的数据：“本文件基于3 750多个出行生成样本，这些样本由公共机构、开发商、咨询公司和协会提供，数据主要从缺乏交通服务、步行基础设施和交通需求管理(travel demand management, TDM)项目的郊区地点中获取。”

ITE并没有提到样本地点的停车价格，但由于美国99%的停车都是免费的，因此大多数样本地点都可能提供免费停车 ^② 。《出行生成》基于3 750个样本估算出共计1 515项出行生成率，其中，每种土地利用类型都会对应一项出行生成率。在报告的1 515项出行生成率中，有一半基于5个及以下样本，有23%仅基于1个样本 ^③ 。出行生成率通常是根据在一些郊区地点观察到的车辆出行次数测算出来的，这些地点提供免费停车，但缺乏公共交通服务、步行设施或TDM项目。因此，以这些出行生成率为指导来设计交通系统的城市规划师正在规划一个汽车导向的城市。

图1展示了《出行生成》第4版中的典型页面 ^④ 。它报告了工作日在快餐店来往的车辆数量。图中的每个点均代表8个样本中的一项，并显示出每天的车辆出行次数和快餐店建筑面积。将车辆出行次数除以建筑面积后，得出该餐厅的出行生成率。但简单观察数据点后就会发现，在这个样本中，车辆出行次数与建筑面积不相关。拟合曲线(回归)方程中极低的R ² (0.069)也证实了这一点 ^⑤ 。尽管如此，ITE仍报告了样本的平均出行生成率，即632.125次·1 000平方英尺 ^-1 ·d ^-1⑥ 。对此，城市规划师通常只能将其理解为建筑面积与车辆出行次数之间存在着一种显著关系。出行生成率看似十分准确，是因为它表示得非常精确，但其精确度却具有误导性。就算ITE将出行生成率从632.125次·1 000平方英尺 ^-1 ·d ^-1 改为632次·1 000平方英尺 ^-1 ·d ^-1 ，最终的交通或土地利用决策也几乎不会发生任何变化。因此小数点后3位的精度除了给人留下一种精准的印象外，没有任何其他作用。

图1 带有免下车外带窗口的快餐店(用地类型834 号)

Fig.1 Fast food restaurant with drive-through window (land use 834)

资料来源：文献[2] ¹¹⁹⁹ 。

图1底部的方程表明，快餐店每1 000平方英尺建筑面积(系数X)产生1 168(截距)+242.75次出行，但建筑面积系数周围95%的置信区间为-650~1 141次·1 000平方英尺 ^-1 ·d ^-1 出行 ^⑦ 。由于该置信区间包含0，因此数据并没有显示车辆出行次数与建筑面积的相关性。报告中的平均出行生成率表明更大的餐厅将产生更多的车辆出行次数，但该图却显示最小的餐厅产生的出行最多，中型餐厅产生的出行最少。数据图建议我们“警告：谨慎使用—低R ² 值”，但该图其实表明车辆出行次数和建筑面积之间并无关联，而对于一个从没有关联的两个数据中强行建立联系得出的出行生成率，我们谨慎又能如何呢？尽管出行生成率表示得很精准，但平均出行生成率(632.125次·1 000平方英尺·d ^-1 )的不确定性太大，无法用于交通规划。

停车生成率表明高峰时段停车位利用率与土地利用之间存在函数关系，也存在类似的不确定性。第2版(最新版)《停车生成》 ^[1]vii-xv⑧ 描述了用于估算停车生成率的数据：“绝大多数数据……来自几乎没有公共交通乘客的郊区开发项目。……获取可靠停车生成数据的理想地点是……包含了专门满足本地交通需求的充足的、方便的停车设施。……调查目标是统计停车需求高峰时段的停车数量。”

101项停车生成率指标中半数是基于4个或更少的样本，其中22%仅基于1个样本。因此，停车生成率通常是在几个郊区地点观察得到的高峰时段停车需求，这些地点本身就拥有充足的免费停车设施且公共交通乘客量较少。城市规划师若利用这些停车生成率来制定最低停车要求，将形成一个充斥着汽车与免费停车场的汽车城市。

图2展示了最新版本的《停车生成》 ^[1] 中针对快餐店的研究。图中的每个点代表1个样本(基于某一地点在一天内观测到的高峰时段停车位利用率)。如果在一家快餐店观测停车位利用率达5天，则将其算作5个样本 ^⑨ 。将研究中观测到的高峰时段停车位利用率除以餐厅的建筑面积，得出样本的停车生成率。图2所示的18个停车生成率范围为3.55~15.93个·1 000平方英尺 ^-1 。样本中最大快餐店的高峰时段停车位利用率最低，而中型快餐店的高峰时段停车位利用率最高。图2底部的R ² 为0.038，证实了图中停车需求与建筑面积其实不相关。然而，ITE却仍将快餐店平均停车生成率报告为9.95个·1 000平方英尺 ^-1 建筑面积的精确值 ^⑩ 。

图2 带有免下车用餐窗口的快餐店(用地类型836 号)

Fig.2 Fast food restaurant with drive-in window (land use 836)

资料来源：文献[1] ¹⁴⁶ 。

同样，精确度具有误导性。图2底部的拟合曲线方程表明，快餐店产生的高峰时段停车位需求为20+1.95X个·1 000平方英尺 ^-1 ，但建筑面积系数周围的95%置信区间为-3~7个·1 000平方英尺 ^-1 。由于该置信区间包含0，因此数据并没有显示出停车需求与建筑面积的相关性 。9.95个·1 000平方英尺 ^-1 的平均停车生成率主要取决于截距，但截距与建筑面积无关 。对于这些样本，预测平均每个快餐店需要26个停车位(不考虑快餐店规模大小)同预测9.95个·1 000平方英尺 ^-1 的停车需求一样会产生相同的平均误差 。

我们对建筑面积如何影响车辆出行次数或停车需求并不明确，因为建筑面积系数周围95%的置信区间在这两种情况下均包含0 。这并不是说车辆出行次数和停车需求与快餐店规模不相关，根据常识，他们之间存在着某种相关性。然而，建筑面积以外的因素更能解释这些快餐店车辆出行次数和高峰时段停车位利用率的大部分变化。而在停车生成和出行生成的两类样本中，规模影响其实不大，并且公布基于建筑面积得出的精确平均停车生成率和出行生成率具有误导性。

停车生成率很难科学化，但ITE手册本身的权威性通常意味着规划者默认ITE数据的科学性，而不对其进行进一步的核查。ITE提供了一个精确的数值，而未引起复杂的公共政策问题，尽管它确实警告说：“当使用基于少量样本得出的数据时，本报告的用户应格外谨慎” ^[1]vii 。尽管如此，许多规划者还是建议将停车生成率作为最低停车要求。例如，美国快餐店的停车需求中值为10个·1 000平方英尺 ^-1 ，与ITE报告的停车生成率近乎一致 。

高峰停车位利用率与停车需求存在很大差异。交通工程师将前者定义为停放的汽车数量。经济学家将后者定义为停车价格与停车数量之间的函数关系，并将任何时刻的实际停车数量定义为特定价格下的停车需求量。经济学家把在提供免费停车地点观测到的高峰时段停车位利用率称为在停车需求高峰时段价格为0所需的停车位数量。这些不同的定义表明，当把ITE的停车生成率笼统地称为停车需求时，可能会造成混乱。

针对快餐店的停车生成率和出行生成率，极端精确性和统计意义上不显著的并存引发了一个重要问题：其他土地利用类型的停车生成率和出行生成率中又有多少具有统计显著性？《出行生成》第4版 ^[2] 中并未说明有关统计显著性的政策，但它展示了大多数土地利用类型(具有2个以上数据点)的图表和方程式。然而，它却没有展示具有10个以上数据点的土地利用类型的图表和方程。例如，在游憩用地的出行生成报告中，ITE虽然提出了14个关于游憩用地出行生成的研究，但是表示此研究“没有可用的图表或方程，数据不足”。这14个样本中的工作日每英亩(1英亩约为0.4 hm ² )出行生成率高至296次，低至0.066次，比率为4 500:1。考虑到这一巨大差距，将平均出行生成率报告为每英亩3.635次的精确值显然具有误导性 。

ITE在第5版《出行生成》 ^[3]I-8 中首次阐述了关于统计显著性的政策：“仅当满足以下3个标准时才会显示最佳拟合曲线：R ² 大于或等于0.25；样本量大于或等于4；车辆出行次数随着自变量的增加而增加。”

第3个标准显然不科学。例如，假设R ² 大于0.25且样本规模量大于4，而车辆出行次数却会随着建筑面积的增加而减少(即满足前两个标准，但不满足第3个标准)。在这种情况下，ITE仍会报告平均出行生成率(这意味着车辆出行次数随着建筑面积的增加而增加)，至于会对该平均出行生成率带来质疑的回归方程，ITE则隐而不报。因此，所述政策刻意忽略了与推定关系相矛盾的证据。

图3出自第5版《出行生成》 ^[3] ，显示了这3个标准如何影响快餐店的出行生成报告。它展示了与第4版相同的8个数据点，但省略了回归方程、R ² 和警示语“警告：谨慎使用——低R ² 值”，与第4版的数据相比没有变化，因此省略的R ² 仍为0.069，但在第5版中ITE对不必要的精确性更为谨慎；它将平均出行生成率从632.125次·1 000平方英尺 ^-1 ·d ^-1 缩至632.12次·1 000平方英尺 ^-1 ·d ^-1 。

图3 带有免下车外带窗口的快餐店(用地类型834 号)

Fig.3 Fast food restaurant with drive-through window (land use 834)

资料来源：文献[3] ¹³⁰⁸ 。

ITE在第6版(最新版)的《出行生成》 ^[4] 中修订了其报告政策。仅当R ² 大于或等于0.5时才会显示回归方程，而另外两个标准保持不变(样本量为4个或更多，且车辆出行次数随自变量增加而增加)。图4显示了第6版的快餐店出行生成报告。研究样本量增加到21个，平均出行生成率下降到496.12次·1 000平方英尺 ^-1 ·d ^-1 。而R2也低于0.5，但具体值并未告知。由于第5版的平均出行生成率是632.12次·1 000平方英尺 ^-1 ·d ^-1 ，比较了两个版本的人可能会得出结论：在1991—1997年，快餐店的车辆出行次数下降了22%。但是，先前的平均出行生成率(632.12)和新的平均出行生成率(496.12)其实都是从两组无关数据中得出的(建筑面积和车辆出行次数)，所以这种下降未必准确 。

第6版《出行生成》仅展示了34%出行生成率的回归方程，这意味着1 515个出行生成率中有66%不满足3个标准中的至少1个。考虑到同一用地类型(例如快餐店)不同地点之间的巨大环境差异，统计意义上不显著并不奇怪。建筑面积只是众多影响车辆出行次数的因素之一，不能期望建筑面积或任何其他的单一变量能够准确预测所有地点或土地利用类型的车辆出行次数 。

尽管出行生成率中有66%不符合ITE的统计显著性标准，但ITE仍然发布了每类土地利用类型的精确出行生成率。例如，货车场站的出行生成报告(见图5)展示了两个站点，其中较大站点产生的车辆出行次数较少。然而，ITE却以81.90次·英亩 ^-1 ·d ^-1 的精确值来报告工作日平均出行生成率，并绘制出一条表示更大的站点能产生更多的车辆出行次数的直线。

图5 货车场站(用地类型030 号)

Fig.5 Truck terminal (land use 030)

资料来源：文献[4] ⁶⁶ 。

许多人依赖ITE手册来预测城市发展对停车和交通的影响，因此，在存在统计意义上不显著的情况下，以具有误导性的精确值来报告估算结果会产生严重问题。例如，在估算开发带来的交通影响时，开发商和城市有关部门经常就精确的出行生成率是否正确展开辩论。一些城市甚至将出行生成率作为区划类别的基础。例如加利福尼亚州比佛利山的分区条例：“车位使用强度不应超过16车次·h ^-1 ，或每天200车次·1 000平方英尺 ^-1 总建筑面积，以符合ITE最新版本《出行生成》中的使用规定。”   因此，精确但不准确的ITE数据影响着城市所允许的土地利用类型。

停车生成率和出行生成率一旦被纳入市政法规，就很难再受到质疑。其实规划本身就是一种不确定性行动，但土地用途管制的法律制度能够有效地隐藏这种不确定性。一旦人们注意到了停车生成率和出行生成率报告中的缺陷，土地利用决策就将面临无数来自开发商、社会团体和产权拥护者的法律诉讼，所有这些人都有正当理由去质疑决策者制定路外停车规定和主张增减停车位的合法性。所以，交通工程师、城市规划师、开发商和当选官员们都需要一种准确的形式来掩盖这种不确定性，这也解释了为何他们都更希望以一个精准值而不是大致范围去报告高度不确定的停车生成率和出行生成率。

ITE的停车生成率和出行生成率在用于城市规划时会产生严重问题。因为大多数调查的样本量太少，无法得出具有统计显著性的结论，并且ITE收集数据的方法一般都偏向于观测停车生成率和出行生成率较高的地点。扩大样本量可能会解决统计意义上不显著的问题，但停车生成率和出行生成率的基本问题仍然存在：调查测量的是具备充足免费停车位的郊区地点的高峰时段停车需求和车辆出行次数。这种情况令人担忧，因为ITE提供的各种指标极大影响了交通和土地利用规划的结果，最终将会导致更多的交通量、更低的城市密度和更严重的城市蔓延。

ITE的停车生成率和出行生成率是如何影响交通和土地利用规划的呢？这个问题可以结合美国免费停车规划的6个实践步骤来看。

1）交通工程师仅调查少数郊区地点的高峰时段停车需求，这些地点都有充足的免费停车场，但缺少公共交通服务，而ITE却在《停车生成》上发布了这些极具误导性的精确值。

2）城市规划师查阅《停车生成》以确定最低停车需求。因此，实际观测到的最大停车需求将成为规划时要考虑的最小停车供应。

3）开发商提供城市规划师要求的所有停车场，而充足的停车场供应会将大多数停车场的价格推至0，同时停车成本的降低又会反过来增加车辆出行次数。

4）交通工程师接着调查这些郊区地点(免费停车场充足但缺少公共交通服务)的车辆出行次数，而ITE仍以极具误导性的精确值在《出行生成》上发布出行生成结果。

5）交通规划师将《出行生成》作为设计指南，将会倾向于规划一个能够为所有人提供免费停车服务的交通系统 。

6）城市规划师对密度做出了规定，因此进行项目开发(能够提供大量免费停车场)时不至于产生超出周围道路承载能力的出行生成量。但这种较低的密度控制会将出行活动分散得更远，进一步增加了车辆出行次数和停车需求。

当交通工程师再一次调查那些郊区地点(提供免费停车但不提供公共交通服务)的高峰时段停车需求时，一切似乎又回到了原点，我们仍“需要”更多的停车位。误用精确值来报告不确定的数据，只是给这种看似精细实则不科学的做法披上一层严谨的外衣罢了。事实上，上述循环逻辑正好解释了为何交通和土地利用规划往往会导致交通量的增加和城市蔓延。

并非ITE手册导致了这种循环过程，事实上，这种循环过程早在ITE开始收集停车和出行数据之前就开始了。1965年，经济学家埃德加·M·胡佛(Edgar M. Hoover) ^[7]188-189 就曾描述过这种循环规划过程，至今依旧具有参考意义：“在实践中，公路建设项目和停车项目的分离(它们从属于不同独立的官僚机构或官方机构)会引入更为有害的因素。我们都听说过一个故事，一个人又拿了一片面包来吃完他的黄油，然后又拿了一片黄油来吃完他的面包，依此类推，直到他撑爆了。同样的，每开辟一条通往拥堵地区的新高速公路，都会增加人们对于停车设施的需求和停车压力；而在市中心每新建一个停车场，同样也会增加人们对于更多高速公路的需求，毕竟他们都需要路才能到达停车场；诸如此类，永无止境。这两个独立的公共机构的做法都有着让人信服的理由，事实上，他们都只是在努力满足那无法抗拒的、强劲的、不断增长的需求。”

自1965年以来发生的主要变化是：工程师和规划师现在拥有精确的停车生成和出行生成数据，以量化对于停车设施和高速公路的“无法抗拒的、强劲的、不断增长的需求”。交通工程师和城市规划师在收集和理解这些数据时的相互影响有助于解释为什么美国的停车规划本质上是免费停车规划。城市规划师在制定停车要求时，并未考虑停车价格、停车位成本、当地环境或是对交通、土地利用、经济和环境的更广泛影响。

ITE警告用户在R ² 值低时要谨慎参考其所提供的出行数据(尽管它在最近两个版本的《出行生成》中删除了出行生成率图中的此条警示语)。此外，ITE ^[4]卷3:1 还建议用户根据特殊情况调整出行生成率：“在特定地点，用户可能希望修改本文件中给出的出行生成率，以反映公共交通服务、车辆共乘情况、其他TDM措施以及增加的步行和自行车出行机会，或是一些地点及其周边区域的其他特殊特征。”然而，ITE并未说明用户该如何根据地点或其周围区域的特性来调整出行生成率，而停车费用这一因素也显然不在上述考虑的范畴之中，即便它极可能影响出行生成。

数据的使用者应始终自问数据是否适合预期用途。一般而言，只有用户在使用数据时才有可能会误用数据，但ITE将统计意义上不显著的估算结果报告为精确数值并提供给用户，无疑也是一种误用，而且还会进一步导致用户的误用。而借助这种虚假的精确性，ITE发布的停车生成率和出行生成率却在规划行业中取得了绝对的权威。

停车和出行生成评估其实是为了响应各方主体对于一些基础信息的实际需求。市民想要了解开发将会如何影响他们所在社区的日常停车需求和交通拥堵情况。开发人员则想要算清他们到底应该为员工和客户提供多少停车位。规划者希望通过开发管制，来预防一部分停车问题及交通问题。而政客希望能够减少一些对于停车难问题的投诉。这些都是人们现实生活中合理的关注点，但事实上，以往的研究都过于偏重精确性。对于普通市民而言，精确的停车报告及出行生成率其实是没有必要的。对于不加审视的使用者，这些精确的数据具有科学常数般的严谨性。

当规划者在制定停车要求和设计交通系统时，他们通常把停车生成和出行生成视作既定法则，把ITE的估算当成科学观测。实际上，他们对于停车生成和出行生成这一现象的了解不够深入，停车生成和出行生成其实都取决于停车价格这一要素，但是在本文讨论的两份报告中，ITE却都没有提到这个因素。无论交通工程师和城市规划师能否注意到，需求其实都是一种随价格变化的函数，而非一个固定数字。但大多数城市在规划时都有一个不成文的假设，即停车应该是免费的——无论成本有多高，收益有多小。

美国的汽车耗油总量占世界石油总产量的1/8，无处不在的免费停车场助长了人们对于汽车的依赖 。我们能做些什么来改善这种状况？以下是四条建议：

1）ITE应在每版停车生成率和出行生成率报告中说明，该指标仅指有充足免费停车场地但没有公共交通、步行设施或TDM项目的郊区地点。

2）ITE应给出每个停车和出行生成报告的回归方程和R ² ，并说明方程中的建筑面积(或其他自变量)系数是否显著不为0。

3）ITE应以范围的形式来公布停车生成率及出行生成率，而非一个精确值。

4）城市规划师应该认识到，即使ITE的数据是准确的，但使用它们来制定停车要求将会导致一种依赖汽车而免费停车场遍布的城市形态。

交通工程师和城市规划师都应该考虑刘易斯·芒福德(Lewis Mumford) ^[10] 的警告：“在一个每个人都拥有私人汽车的时代，乘坐私人汽车进入城市每一栋建筑的权利，实际上就是摧毁城市的权利。”

停车生成率和出行生成率说明了交通规划中关于数据使用的一个常见问题，这些数据虽然看似精准，但是往往并不确定。盲目依赖这些数据进行规划，往往会事与愿违，对城市交通和土地利用政策造成负面影响。大致正确总比完全错误要好。在交通规划方面，我们需要少一些精确性，多一些真相。

衷心感谢加利福尼亚大学交通中心给予我的资金支持以及Douglas Kolozsvari提供的一流研究协助。此外，我也向Jeffrey Brown, Leland Burns, Daniel Chatman, Randall Crane, Melanie Curry, T .H. Culhane, Simon Fraser, Daniel Hess, Mimi Holt, Hiro Iseki, Joshua Kirshner, Robin Liggett, Bravishwar Mallavarapu, Jeremy Nelson, Don Pickrell, Thomas Rice, Michael Sabel, Lisa Schweitzer, Charles Sciammas, Patricia Shoup, Charanjeet Singh, Alexander Smith, Manual Soto, Brian Taylor, Florian Urban, Melvin Webber, Richard wilson以及两位匿名审稿专家致以最为诚挚的谢意。最后，这篇论文此前也在华盛顿特区举办的2001年交通研究委员会年会、苏格兰圣安德鲁斯举行的2001年世界停车研讨会以及加利福尼亚州蒙特雷举行的2002年西部地区科学协会年会上发表过。

① 圣地亚哥和旧金山之间的直线距离由这两个城市的经纬度计算得出。参见“它有多远？”(http://www.indo.com/distance/)。“精确”(Accurate)意味着忠于事实和不犯错误，而“准确”(Precise)意味着精确。

② 美国交通部在1990年的全国个体交通调查(Nationwide Personal Transportation Survey, NPTS)中，针对前一天的所有汽车出行询问受访者：“您的这趟出行是否存在停车付费情况？”。在所有的回答中，99%的答案为“否”。NPTS提出的“您是否为停车付费”的问题不包括以家为终点的出行，因此用在家停车不收费这样的说辞无法解释如此高的免费停车比例。

③ 引自第6版《出行生成》 ^[4] 。ITE在《出行生成手册》(Trip Generation Handbook) ^[5]10 中指出，如果样本不超过5个地点，则每份出行生成报告中都会出现“谨慎使用——注意小样本”的警示语。在大多数地点，这些车辆出行都是在一天内观测到的。

④ 这里展示第4版 ^[2] ，因为该版本与最新版本的《停车生成》研究日期相同，方便对二者进行比较。在麦当劳、唐恩都乐(Dunkin Donuts)、汉堡大厨(Burger Chef)以及类似快餐店进行了车辆出行调查。

⑤“将判定系数R ² 定义为与自变量方差有关的出行次数方差百分率” ^[4]卷3:19 。R ² 为0表示两个变量之间完全没有相关性，但人们可能会期望样本中碰巧存在某种相关性。回归方程的显著性检验表明，即使建筑面积与车辆出行之间没有关系，R ² 为0.069及以上的概率仍为53%。

⑥ 文献[2] ⁹ 将车辆出行次数之和除以建筑面积之和，以计算加权平均出行生成率。

⑦ 根据数据图中的8个数据点重新评估回归方程，以计算建筑面积系数周围的置信区间。

⑧ ITE预计在2003年出版新版的《停车生成》。

⑨ 样本情况表明有8家餐厅观察1天，1家餐厅观察2天，2家餐厅观察4天。但我们不清楚观测停车位被使用的时间、工作日的哪天或月份。相较于技术学院(用地类型541号)以往的报告，18个关于快餐店停车位利用率的研究样本已经算得上是大样本了。技术学院的停车位利用率仅基于每个地点每天观察1 h的观测结果，基于此，技术学院将停车生成率报告为每名学生0.82个停车位 ^[1]88 。在许多关于停车生成的研究中，停车生成率也仅观察1~2 h。由于计算停车生成率只需要该地的高峰时段停车位利用率，因此观察员的关注点集中于其预计的高峰时段内的停车峰值。

⑩ 回归方程的显著性检验表明，即使建筑面积与停车位利用率之间不存在任何关系，R ² 为0.038及以上的概率仍为42%。文献[1] ^viii 将停车生成率之和除以样本数，以计算未加权的平均停车生成率。

重新评估数据图中18个观测值的回归方程，以计算建筑面积系数周围的置信区间。

由于截距为20个停车位且平均建筑面积为3 000平方英尺，即使建筑面积系数为0，平均停车生成率仍为6.7个·1 000平方英尺 ^-1 。

8个样本中的高峰时段平均停车位利用率为26个。

统计不显著并不意味着建筑面积对停车需求或车辆出行次数没有影响；相反，这意味着仅凭建筑面积不能可靠地预测这两个变量。

规划咨询服务 ^[6] 调查了127个城市的停车需求。10个·1 000平方英尺 ^-1 的中位数适用于根据总建筑面积来确定快餐店停车需求的城市。

在第4版的《出行生成》中，用地类型400号(休闲)包括保龄球馆、动物园、海洋世界、湖泊、游泳池和区域公园 ^[2]537 。

ITE仅在满足全部3个标准时才会给出回归方程和R ² 的解释。

图3(第5版)在另外两个方面(定向分布与标准差)与图1(第4版)不同。首先，1987年车辆出行次数的定向分布是“不可用”的，但在1991年，相同的数据变成了“50%进入，50%离开”。其次，1987年未报告标准差，但在1991年报告标准差为266.29。

如果第4版 ^[2] 和第5版 ^[3] 中的8个样本包含在第6版 ^[4] 中报告的21个样本中，为使21个样本的平均出行生成率降至496.12，其余13个新样本的平均出行生成率必须远远低于496.12。第4版和第5版中的8个样本地点都是2 000平方英尺、3 000平方英尺或4 000平方英尺，但第6版中的21个样本地点中没有一个符合这些值。

出行生成率是用于出行预测的重力模型的简化版本。重力模型将起点和终点之间的总交通量预测为分区规模和广义出行成本的函数，而出行生成率将某一地点的交通量预测为该地点建筑面积(或其他变量)的函数，并不考虑成本。

《比佛利山市政法规》(Beverly Hills Municipal Code)第10-3.162(5)节。(ITE于1976年由交通工程师学会(Institute of Traffic Engineers)更名为交通运输工程师学会。)

交通规划师通常使用城市交通建模系统(Urban Transportation Modeling System, UTMS)来预测网络中各区域之间连接的交通量，UTMS模型中4个主要步骤中的第1步是“出行生成”。因此，四阶段UTMS模型用于免费停车规划6步骤流程中的第5步。M. Meyer和E. Miller ^[8] 解释了UTMS模型。

1996年，交通运输耗油量占美国石油消费总量的66.4%，而公路运输耗油量又占美国交通运输耗油总量的78.3%。因此可知，公路运输耗油量占美国石油消费总量的52.0%(66.4%×78.3%)。在世界范围而言，美国石油消费总量占世界石油产量的25.7%。因此，美国公路运输耗油量占世界石油总产量的13.4%(52.0%×25.7%，略多于1/8)。美国公路运输耗油量包括汽车耗油量、卡车耗油量、摩托车耗油量和公共汽车耗油量。关于美国交通能源消耗的数据参见S. Davis ^[3] (表1.3，表2.10和表2.7)。

Carl H. Buttke 顾问交通工程师

Eugene D. Arnold, Jr. 弗吉尼亚州交通研究委员会

在《交通规划中的真相》一文中，康纳德·舒普(Donald C. Shoup)先生似乎倾向于把ITE发布的《出行生成》(第6版)和《停车生成》(第2版)视为需要循规蹈矩去遵守的指导手册，而不是用来辅助引导交通规划和发展决策的信息报告。但是，这些文件的预期用途其实早已在报告中说明。例如，在《出行生成用户指引》(Trip Generation User's Guide)第9页就写道：“ITE信息报告仅供参考之用，不包括任何关于最佳行动方针或数据应用偏好方面的建议。”

值得注意的是，《出行生成》并不代表交通问题的快速解决方案，也不是规划程序的捷径；相反，它只是一个基础，专业工程师可以在此基础上积累自己的知识和经验，并运用在相关的交通实践中。其中，进行出行生成或停车需求预测的目标用户都是受过数学、统计学、交通工程和规划基础训练的交通专业人员，具有相应的工程判断能力。

ITE的报告汇编了多源有效数据。《出行生成》(第6版)中收集了超过3 750个个人出行生成的样本数据。尽管如此，这些信息也绝非尽善尽美，它仅代表出版时可用的最佳信息。而ITE的《出行生成》手册会定期更新，包括补充相应的新信息。

舒普先生的一些评论与主张是针对《出行生成》第4版和第5版而言的。为了阐明观点，他也引用了许多相关文献，但其实有些讨论是没有必要的，因为每个版本的数据、假设和报告都在不断地更新和改进。此外，我们也希望交通专业人员参考最新版本的报告来获取最新的信息和数据。

在舒普先生的文章中，他明确指出，“极端精确的统计数据可能意味着ITE对于报告的准确性充满了信心。”同时他还声称，632.12这样的出行生成率可以报告为632，而不影响计算的准确性。然而，在《出行生成》中，有很多情况是需要以小数点后2位这种精度来表示指标的(例如，商务酒店每间客房在下午高峰时段的平均使用次数为0.57次，而在工作日的平均使用次数为7.27次)。在编制第1版《出行生成》时，出行生成委员会也曾仔细研究过有效位数这一问题，最终决定一致以小数点后2位的精度来报告所有的指标。 

舒普先生还指出，从统计的角度来看，一些选定的自变量与出行次数毫无关联(例如，他列举了一个极低的R2值)。这也许是一个值得参考的观点；但是，在发展的早期阶段大多数情况下选择特定的自变量是唯一可用的资料。为此，《出行生成用户指引》(第3卷第21页)特别指出:“选择一种合适的出行预测方法需要结合工程判断和对3个标准的全面理解。……”

至于舒普先生关于图4的评论，称用于衡量快餐店工作日出行次数的唯一有效自变量是快餐店总建筑面积和座位数。我们承认快餐店的出行参与者确实主要为顾客和员工，但在进行测算时，上述数据其实是派不上用场的，而在预测交通影响时，它们也往往会被忽略。《出行生成用户指引》第14页阐述了统计数据的变化：“这些差异的产生可能是由于样本量少、网站的个别营销、商业市场的经济条件、所研究地点的地理位置或特定地点的独特特征。因此，在使用本报告中的统计数据时必须作出判断。”

舒普先生进而指出，ITE应针对拥有公共交通服务、车辆共乘以及步行设施较好等特殊情况，建议用户调整出行生成率。但我们认为，对于一些现有研究无法支撑的情况，ITE可以指出数据使用的潜在注意事项，却没有必要提供相应的解决方案。

在舒普先生的结论中，他建议以一个大致范围而非精准值的形式来报告出行生成数据。但其实当前版本的《出行生成》和《停车生成》都提供了范围、平均费率和数据图。我们认为，数据表示的多样性能够让用户更为全面地查看。此外，《出行生成用户指引》的第18页也提供了一个关于样本数据的详细描述。

多亏广大交通界无偿提供的数据，ITE才能进行出行生成研究。多年以来，我们一直公开征集数据，努力拓展更多数据以便辅助交通研究的专业性。ITE也在《出行生成用户指引》第1页中开诚布公地说明了数据的有限性：“在某些情况下，可获得的数据确实有限；因此，所提供的统计数据可能无法准确代表某一特定土地利用类型的出行生成特征。”诸如此类的警告与声明其实贯穿于《出行生成》和《停车生成》行文之中。

最后，《出行生成》(第7版)和《停车生成》(第3版)将于2003年发布，在修订过程中，包括舒普先生提供的宝贵意见在内，多源收集的各种数据和建议都会被编委会查阅和考虑。ITE的目的始终都是提供一个有用的资源，来帮助交通专业人员进行决策。

Donald C. Shoup

卡尔·巴特克(Carl H. Buttke)和尤金·阿诺德(Eugene D。Arnold)认为，ITE发布的《出行生成》和《停车生成》并不存在任何问题。在某种程度上，他们的信心可能源自他们的假设：“预期用户……是受过数学、统计、交通工程和规划基础训练的交通专业人员，他们具有工程判断能力。”但实际上，现实用户其实是一个更为广泛、更多样化的群体。ITE ^[4]卷3:ix 曾写道：“《出行生成》是一种教育工具，适用于规划者、交通专业人员、分区委员会和其他对预测因规划开发而产生的车辆出行次数感兴趣的人。”在这些人中，有许多其实并没有接受过数学、统计学和交通工程方面的培训。分区委员会成员几乎没有接受过任何方面的培训——他们是被选举或被任命的，如志愿者般履行他们的职责，十分依赖像《出行生成》和《停车生成》这样的参考资料。但他们不清楚，这些报告上的指标其实都是在统计意义上不显著的情况下估算出来的，并且只针对那些有着充足的免费停车场和没有公共交通的郊区地点而言。

我想谈谈巴特克和阿诺德提出的3个问题，并提出一个建议。

ITE的惯例是将每个停车生成率和出行生成率四舍五入到小数点后2位，这其实模糊了精确和准确之间的区别。巴特克和阿诺德都认可，这种默认“小数点后2位”的惯例可能会导致不当的精确性，但他们却又说：“在《出行生成》中，有很多情况是需要以小数点后2位这种精度来表示指标的(例如，商务酒店每间客房在下午高峰时段的平均使用次数为0.57次，而在工作日的平均使用次数为7.27次)。”其实，《出行生成》测算出的“商务酒店每间客房工作日平均使用7.27次”仅仅只是基于一项观测结果而言 ^① 。它恰恰表明了许多停车生成率和出行生成率在统计意义上不显著，以及并非绝对准确的事实。

估算总是具有一些不确定性，而用于表示估算结果的有效位数应该反映出这种不确定性。一个数值的最低有效位数是最右边的数字，任何数值的准确性通常被假设为最低有效位数的±1，除非另有说明。在典型的工程环境中，用5个有效数字表示的估计值比只用2个有效数字表示的估计值更为准确。由于表示估算的有效数字位数应该与估算的不确定性相关，所以ITE不假思索地在所有数据小数点后加2位数字的惯例是不恰当和不科学的。

巴特克和阿诺德指出，出行生成委员会在1976年编写第1版《出行生成》时，曾纠结于小数点位置的问题，最终决定一致以小数点后2位的精度来报告所有的指标 ^② 。然而，数据的准确性要远比这种所谓的形式一致性更为重要，人们不应该仅仅为了形式上的一致而使用更多(或更少)的精度。精度是指有效位数的数量，而不是小数点后的位数。

在统计方面经验丰富的用户更容易理解出行生成率的极端不确定性，可以凭经验剔除错误的精度，但许多其他的用户却并不能。在他们眼中，ITE的出行生成率是交通与土地利用之间的关系。一些分区条例明确指出要将ITE的出行生成率作为制定土地利用决策和评估交通影响费的依据，而不论那些指标的样本量或统计显著性如何。

例如，在加利福尼亚州的信号山(Signal Hill)，若一个开发项目引发了车辆出行，则日常车辆出行的交通影响费是66美元·次 ^-1 。根据ITE第6版《出行生成》所述，出行次数是用总建筑面积乘以出行生成率 ^③ 。而快餐厅的出行生成率为496.12次·1 000平方英尺 ^-1 ，因此信号山的快餐店交通影响费为32.74美元·平方英尺 ^-1 。不可靠的出行生成率最终竟然决定了城市的税率。

巴特克和阿诺德的结论是：“ITE的目的是提供一个有用的资源，以指导交通专业人员的决策。”尽管ITE的报告具有误导性，但这些形式上的精确性其实并不是实现这一目的的真正障碍 ^④ 。《停车生成》和《出行生成》的真正问题在于，它们衡量的是峰值停车需求和在没有公共交通而免费停车位却很充足的郊区地点的车辆出行次数。使用这些精确却又不甚明了的停车生成率和出行生成率作为规划指南，会给交通和土地利用决策带来负面影响。《停车生成》和《出行生成》或许真的是一个有用的资源，但参考它们，人们只能规划出一个充斥着汽车与免费停车场的汽车城市。

到底怎样做才能使ITE的报告更为可靠？英国版《出行生成》提出了一些可参考的改进建议。“出行生成率信息计算机系统”(Trip Rate Information Computer System, TRICS)提供了关于每个调查地点及其周围环境特征的全部信息 ^⑤ 。因此，用户可以运用对比的方法，根据与研究地点类似的地点来估计出行生成率。除了车辆计数外，TRICS还提供了到达和离开一个地点的所有人员计数(包括行人、骑行者、公共交通工具驾驶员和汽车乘客)。将视野拓宽，不局限于车辆出行，TRICS就能从更为广泛的视角来看待交通运输。纵观所有的出行方式，主动出行生成率通常比被动出行生成率要高得多。

由于只着眼于统计具备免费停车的郊区地点的汽车数量，所以《出行生成》为美国的交通和土地利用之间的关系提出了一个精准但无依据、容易误解而又不完整的测量方法。幸运的是，ITE的停车和出行生成委员会在不断改进每一版的《停车生成》和《出行生成》。在未来的版本中，他们应该降低精确性，争取更高的准确性。