基于Binary logistic模型的公共自行車出行選擇影響因素研究

楊濘琿,李 康,周建波,孟蘇靜

(鹽城工學院 材料科學與工程學院,江蘇 鹽城 224051)

公共自行車由于具有綠色環(huán)保、無污染、建設難度低、間距較近等優(yōu)點，有效地解決了人民群眾“最后一公里”的出行問題，得到了地方政府的大力支持。2008年5月，杭州市公共自行車租賃項目啟動，在幾年內不斷發(fā)展壯大，取得了較大的成功，隨后在蘇州、太原等二三線及以下城市迅速擴展開來。截至2016年底，我國已有超過400個市、縣配備了公共自行車系統(tǒng)，累計投放公共自行車鎖車器設備約89萬套，為全國會員提供了7.5億次的出行服務(2016年)[1]。

隨著公共自行車在各城市的普及，國內外學者對公共自行車系統(tǒng)的研究日益增多。Acheampongd等[2]從社會生態(tài)角度建立模型研究自行車通勤交通的出行影響因素，結果表明個人社會屬性包括性別、受教育程度，以及出行距離和物理環(huán)境因素如交通設施等，對自行車通勤交通出行產生影響；Hunter等[3]將被調查者分為4類，運用多元logistic回歸模型探討自行車通勤交通出行的有利和不利因素；Fishman[4-5]等對公共自行車的當前研究方向、存在問題以及未來的研究重點等進行了綜述。國內的大部分研究側重于需求預測與調度、出行特征分析以及系統(tǒng)評估等，還有部分學者針對一、二線城市的公共自行車系統(tǒng)展開選擇意向、出行行為方式的相關研究[6-10]。本文運用結合意向法和行為調查法設計問卷、采集數(shù)據，基于Binary logistic建立公共自行車出行選擇模型，并以鹽城市為例，探討公共自行車使用者的潛在動機和非使用者的阻礙因素。

1 問卷設計與數(shù)據采集

公共自行車可分為有樁和無樁兩大類型。目前，在一、二線城市存在政府主導的有樁公共自行車和社會資本支持的無樁公共自行車(共享單車)并行發(fā)展的格局，而三線及以下城市因城市規(guī)模較小、有效需求不足、管理難度較大、運營成本較高，仍將以政府主導的有樁公共自行車為主。目前，鹽城市區(qū)共建設有樁公共自行車服務站點425個(含城南、亭湖自建17個站點)，安裝鎖車器11 600多個，投放公共自行車10 400多輛。站點主要設置在居民生活區(qū)、行政中心、學校、大型商貿區(qū)、醫(yī)院、公園等人流集中的地段，覆蓋了主城區(qū)，兼顧了亭湖、鹽都、開發(fā)區(qū)及城南新區(qū)的部分區(qū)域。截至2017年底，市民辦理借車卡8萬余張，另有4萬多名注冊了手機軟件進行掃碼借車，正常日借車量2.5萬人次，最高日借車量近4萬人次。

1.1 調查方案

1.1.1 調查方法

行為調查法(RP)，主要調查已發(fā)生的選擇性行為，包括被調查者的選擇頻率、出行距離、出行目的、出行時間等，該方法的缺點是存在選項或替代信息模糊，調查工作量較大。結合意向法(SP)，是在假設條件下，了解被調查者在這一選擇狀態(tài)下的選擇結果。與RP調查數(shù)據相比，SP數(shù)據可操作性極高、數(shù)據誤差便于調節(jié)、調查中選擇方案集合明確。本文采用RP和SP相結合的調查方法，通過現(xiàn)場問卷和網絡調查的形式，獲取公共自行車系統(tǒng)對居民出行方式影響的數(shù)據。

1.1.2 調查時間和地點

選取鹽城工學院建軍東路校區(qū)、希望大道校區(qū)、寶龍購物廣場、中茵海華廣場4點圍成的區(qū)域，如圖1所示。于2018年4月5日至4月25日，指派4名調查者采用現(xiàn)場調查的方式進行問卷調查，獲得居民出行的數(shù)據；同時在問卷收集平臺對鹽城市區(qū)居民在上述區(qū)域內的出行方式進行網上問卷調查，并收集數(shù)據。在上述區(qū)域內調查了11個公共自行車站點，各調查站點基本情況如表1所示。

圖1 調查站點區(qū)域Fig 1 Survey site area

表1 調查站點基本情況Table 1 Basic information of survey sites

1.2 問卷設計與發(fā)放

1.2.1 問卷設計

根據研究目的、鹽城市交通狀況、問卷發(fā)放的條件對問卷進行了設計，題目形式為選擇題，主要包括3個方面：出行者屬性特征(性別、年齡、職業(yè)、月收入等)、出行基本信息(出行目的、出行方式、出行距離)、公共自行車使用特征等。調查重點在于居民對有樁公共自行車出行選擇的潛在作用因素，包括出行時段分布、出行分布、是否擁有自行車和汽車等。

1.2.2 問卷預調研

對于初步設計的問卷需要進行一定的預調研來保證問卷的適用性及可靠性。預調研的方法，主要是將初步設計的問卷發(fā)放給被調查者，并與被調查者溝通做問卷時候的想法，包括問卷的選項有哪些模糊不清的地方，需要進一步改進的建議等；在進行最終的歸納匯總后對問卷的初步設計進行修訂，直到被調查者能夠清晰理解問卷選項的含義，達到調查目的為止。

1.2.3 問卷發(fā)放與回收

本次調查共發(fā)放620份問卷，其中回答沒有缺漏，對考察結果起到作用的問卷為602份，占發(fā)出問卷的97.09%。在602份問卷中，男性292人，占樣本的48.5%；女性310人，占51.5%，性別差異不大。按年齡劃分，602份問卷中， 20歲以下(含20)60人，占9.97%；20～30歲(含30)271人，占45.02%；30～40歲(含40)139人，占23.09%；40～60歲(含60)92人，占15.28%；60歲以上的40人，占6.64%。

2 基于Binary logistic建模

在針對某一問題的多因素影響研究，并對各個因素影響程度大小進行判斷時，通常選擇回歸模型。由于公共自行車出行數(shù)據較為離散，無法運用線性回歸構造模型方程，所以選擇對數(shù)回歸中的Binary logistic回歸模型[11-12]。

設Y*表示選擇公共自行車的出行效用，Y表示選擇結果，X1表示性別，X2表示年齡，X3表示職業(yè),X4表示月收入，X5表示有無私家車，X6表示有無自行車 ，X7表示出行目的，X8表示出行距離，X9表示出行時耗，X10表示換乘方式，X11表示借還車不方便，X12表示政策決策支持，X13表示步行至站點距離太遠，X14表示注冊流程不便，X15表示換乘不便，X16表示舒適度低，X17表示基礎設施條件，建立模型如下：

Y*=a0+a1x1+a2x2+a3x3+a4x4+

a5x5+a6x6+a7x7+a8x8+a9x9+a10x10+

a11x11+a12x12+a13x13+a14x14+

a15x15+a16x16+a17x17+vi

(1)

式中，vi服從Logistic分布。

當Y*>0，Y=1,表示選擇公共自行車出行；當Y*<0,Y=0，表示不選擇公共自行車出行。

出行者選擇公共自行車的概率為

P(y=1|x)=P(y*>0|x)=

P(vi>-xa)=1-F(-xa)=F(xa)

(2)

式中：X=[x1,x2，…，xn];a=[a1,a2，…，an]。

第n個出行者選擇第j種出行方式的概率為

p(nj=1/χnj)=

p[(β0+β1χni+……+βmχnm+εj)>0]

(3)

式(1)中，常數(shù)項可由向前法獲得，第一次獲取到常數(shù)a表示x對y*的影響大小。另外應該考慮x對P(y=1)的邊際影響b，此時，模型可以寫成

p(y=1)=b0+b1χ1+b2χ2+b3χ3+b4χ4+

b5χ5+b6χ6+b17χ7+b8χ8+b9χ9+b10χ10+

b11χ11+b12χ12+b13χ13+b14χ14+b15χ15+

b16χ16+b17χ17

(4)

本模型作用要素大多根據理論和經驗獲得，然而不是每個要素都會對結論有顯著影響，所以需要檢驗模型中各個要素的顯著程度，并剔除不顯著的變量，從而得到最終的模型結果。

3 模型結果分析

3.1 單因素差異分析

對公共自行車使用者和非使用者使用卡方檢驗和P值分析。由于問卷調查采集的數(shù)據為定類數(shù)據，無比較意義，所以在處理變量數(shù)據時，用數(shù)字定量代表定類數(shù)據，比如1代表男，2代表女，從而可以運用卡方檢驗定類數(shù)據之間的關系。

單因素差異分析可用于多組數(shù)據，這里運用單因素差異分析不同的使用人群在選擇公共自行車出行時各影響因素是否有顯著差異，結果如表2所示；若P<0.01，可認為該因素對公共自行車出行選擇是有顯著影響的。

3.2 影響因素檢驗

由表2可知，年齡、是否擁有私家車、政策決策支持、步行至站點距離太遠、基礎設施條件的P值分別為0.003、0.000、0.000、0.006、0.000，均小于0.01，故上述因素對是否選擇公共自行車出行是有顯著影響的，需要將其納入Binary logistic回歸中?；貧w分析及建模步驟如表3所示。

表2差異分析
Table2Variance analysis

變量不使用公共自行車使用公共自行車數(shù)值百分比/%數(shù)值百分比/%卡方P值性別男女1189754.945.117421345.055.05.4480.022年齡/歲≤20(20,30](30,40](40,60]>60161193931107.455.318.114.44.744152100613011.439.325.815.87.815.7830.003職業(yè)學生上班族個體經營待業(yè)退休965616262144.726.07.412.11419944564736.425.611.414.55.7860.216月收入/元≤1500(1500,3000](3000,5000](5000,7000]>7000873635263140.516.716.312.114.41514583535539.011.621.413.714.24.9200.296是否擁有私家車是否1288759.540.52889974.425.614.3400.000是否擁有自行車是否5516025.674.49229523.876.20.2450.621使用公共自行車出行的目的上班上學游玩探親回家3252281837.65.925.99.421.2701552466728.06.020.818.426.86.6520.155使用公共自行車出行的距離/km≤1(1,2](2,3](3,4](4,5]>524282445028.232.928.24.75.905786652715022.834.426.010.86.003.4810.480使用公共自行車的出行時耗/min≤101011.82610.4(10,30]3440.09939.6(30,60]3237.610943.6>60910.6166.42.1380.544一般會使用哪種交通方式與公共自行車換乘BRT1011.8228.8公交1315.34216.8私家車22.493.6步行4047.111646.4電動車2023.56124.40.9980.910借車還車不方便11854.923661.02.1220.167政策決策支持11754.427871.818.5810.000步行至站點距離太遠3616.710326.67.5830.006注冊流程不便7032.613033.60.0670.857換乘不便7936.717344.73.5970.058自行車舒適度低6128.411128.70.0071.000基礎設施條件7434.47719.915.5110.000

注：(1)表中卡方檢驗統(tǒng)計量也就是回歸模型無效假設所對應的似然比檢驗量，即所有協(xié)變量的發(fā)生比均為1；

(2)P<0.01，表明該模型是顯著的。

表3影響因素檢驗表
Table3Checklist of influence factor

模型步驟變量SigP值HL步驟1 政策決策支持0.0000.000步驟2 政策決策支持 步行至站點距離太遠0.0000.0020.0000.819步驟3 年齡≤200.007 年齡(20,30]0.633 年齡(30,40]0.016 年齡(40,60]0.457 年齡(>60)0.256 政策決策支持0.000 步行至站點距離太遠0.0060.0000.127 步驟4 年齡≤200.005 年齡(20,30]0.531 年齡(30,40]0.010 年齡(40,60]0.349 年齡(>60)0.200 是否擁有私家車0.022 政策決策支持0.003 步行至站點距離太遠0.0140.0000.223步驟5 年齡≤200.004 年齡(20,30]0.514 年齡(30,40]0.008 年齡(40,60]0.337 年齡(>60)0.152 是否擁有私家車0.047 政策決策支持0.024 步行至站點距離太遠0.046 基礎設施條件0.0060.0000.112常量0.002

基于Binary logistic回歸模型，通過向前法，分析得到的5個影響因素是否具有顯著影響。因為向前法必須要依次加入各變量，P值代表每個添加的模型是否有意義，所以總共建立5次模型。

由表3可知：(1)幾個步驟的結構方程總體檢驗P均小于0.01，說明最少有一個自變量有用途，即結構方程整體有用途；(2)模型擬合優(yōu)度HL>0.05，說明模型擬合優(yōu)度良好，當前數(shù)據信息已充分提取。

3.3 回歸結果

模型最終選定年齡、是否擁有私家車、政策決策支持、步行至站點距離太遠和基礎設施條件5個因素，由上可知這5個因素構成的模型擬合效果良好。

由于Logit回歸中的回歸系數(shù)βi，表示自變量改變一單位時，各個因變量發(fā)生與不發(fā)生事件的概率之比的對數(shù)變化值，因這系數(shù)為對數(shù)，不能類似線性回歸直接解釋為自變量對因變量的影響程度，故將其轉換為OR(Odds Ratio)發(fā)生比的對數(shù)值，系數(shù)才更有明確的意義。表4為上述5因素構成的公共自行車出行模型用OR、95%CI和Sig表示的影響因素的回歸結果。

表4中，將年齡<20歲作為對照組，得回歸模型的方程為Y=4.931+0.731*年齡(20，30]+0.665*年齡(30，40]+0.532*年齡(40，60]+0.344*年齡(>60)+0.669*未擁有私家車+1.583*政策決策支持+1.610*步行至站點距離太遠+0.564*基礎設施條件。

表4選擇公共自行車出行影響因素的回歸結果
Table4Regression results of factors influencing public bicycle travel

變量OR95%CISig年齡≤20ref-0.004(20,30]0.7310.285～1.8740.514(30,40]0.6650.290～1.5290.008(40,60]0.5320.225～1.2620.337>600.3440.157～0.7530.152是否擁有私家車0.6690.451～0.9950.047政策決策支持1.5831.062～2.3580.024步行至站點距離太遠1.6101.008～2.5700.046基礎設施條件0.5640.375～0.8480.006常量4.931-0.002

由表4可知：在其他因素不變時，年齡(20，30]是對照組的0.731倍，年齡(30，40]是對照組的0.665倍，年齡(40，60]是對照組的0.532倍，年齡(>60歲)是對照組的0.344倍；在調整其他因素后，沒有私家車的人騎行概率是有私家車人的0.669倍；政策決策支持的人群使用自行車的概率是未選擇這一選項人群的1.583倍；選擇步行至站點距離太遠的人群是未選擇人群的1.610倍；選擇基礎設施條件的人群是未選擇人群的0.564倍。因此，基于回歸結果OR值，影響公共自行車使用率的主要因素是政策決策支持與否與站點距離的遠近。一方面，公共自行車租賃屬于微利行業(yè)，投資成本大，運營收益低，政府對公共自行車租賃缺乏持續(xù)的財力支持和足夠的政策扶持，企業(yè)持續(xù)運營舉步維艱；另一方面，交通部門對公共自行車租賃缺乏統(tǒng)一規(guī)劃和管理，尚未形成科學的制度機制。大力發(fā)展公共自行車是為解決居民出行“最后一公里”的問題，但網點密度低，尚未實現(xiàn)站點500 m覆蓋范圍，沒有形成規(guī)模效應。

4 結論

公共自行車主要集中在一線及部分二線發(fā)達城市。隨著市場競爭的激烈，一線及部分發(fā)達二線城市單車數(shù)量會較快到達飽和點。有樁和無樁公共自行車兩種模式各有優(yōu)劣，預計未來一二線城市的公共自行車市場將由無樁共享單車主導，三四線及以下城市將由有樁共享單車主導。

選擇公共自行車出行者主要以20～40歲的中青年為主，且隨著年齡增大呈下降趨勢；騎行目的主要解決通勤交通，并逐漸成為一種時尚。在三四線城市，私家車的便捷性給公共自行車出行帶來極大的挑戰(zhàn)；政策決策支持力度和站點距離出行點太遠成為出行者選擇公共自行車出行的最大阻礙因素。此外，非機動車道通行空間，與機動車隔離保護等騎行環(huán)境的安全性，以及停放的便捷性等均存在一定問題，影響公共自行車的投入使用。