通过深圳新闻网、腾讯大粤网以及微信公众号等网络渠道,我们开展了关于互联网自行车用户满意度的网络问卷调查。基于问卷调查的结果,互联网自行车用户满意度相对于年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等进行了Logistic回归分析。结果显示,年收入、出行目的、年龄、骑行时间、骑行次数与互联网自行车的满意度之间的关系显著,原出行方式与互联网自行车的满意度之间的关系不显著。年收入增加、出行目的从通勤变到休闲健身等非高峰时段出行、年龄增加,用户对互联网自行车的满意度降低。骑行时间增加、骑行次数增加,用户对互联网自行车的满意度提高。以上分析可知,老年人对互联网自行车的满意度普遍较低。 The satisfaction degree of sharing bike is investigated by questionnaire survey, through Shenzhen News Net, qq, and WeChat Official Accounts. Based on the survey data, the Logistic regression analysis for satisfaction degree of sharing bike is conducted with respect to user annual income, trip aim, age, riding time, riding times, and original travel mode. It is concluded that user annual income, trip aim, age, riding time, and riding times are closely concerned with satisfaction degree of sharing bike, while original travel mode is rarely correlated with satisfaction degree of sharing bike. With the increase of user annual income and age, trip aim changed from commute to non-peak-hour trip, the satisfaction degree of sharing bike decreases. With the increase of riding time and times, the satisfaction degree of sharing bike increases.
刘鼎,张鹍鹏,谢秉磊
哈尔滨工业大学深圳研究生院,广东 深圳
收稿日期:2018年11月28日;录用日期:2018年12月13日;发布日期:2018年12月20日
通过深圳新闻网、腾讯大粤网以及微信公众号等网络渠道,我们开展了关于互联网自行车用户满意度的网络问卷调查。基于问卷调查的结果,互联网自行车用户满意度相对于年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等进行了Logistic回归分析。结果显示,年收入、出行目的、年龄、骑行时间、骑行次数与互联网自行车的满意度之间的关系显著,原出行方式与互联网自行车的满意度之间的关系不显著。年收入增加、出行目的从通勤变到休闲健身等非高峰时段出行、年龄增加,用户对互联网自行车的满意度降低。骑行时间增加、骑行次数增加,用户对互联网自行车的满意度提高。以上分析可知,老年人对互联网自行车的满意度普遍较低。
关键词 :共享单车,互联网自行车,问卷调查,满意度,Logistic回归
Copyright © 2018 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
自行车,作为一种绿色交通出行工具,在我国发展大致经历了五个阶段:
· 1949年到70年代:起步阶段,
· 80年代:快速发展阶段,
· 90年代:普及阶段,
· 90年代到2016年:衰退阶段,
· 2016年以后:再发展阶段。
自行车的发展,实际上伴随着我国城镇化和通勤特征的变化。1949年到70年代,自行车主要在大城市使用,对于中小城市居民来讲,自行车是奢侈品。那时候,大城市属于农业城市形态,居民职住不分离,自行车完全可以满足通勤出行需求。80年代,自行车开始进入中小城市。据统计,1980年我国自行车保有量为9616万辆,1988年为3.1亿辆。1986年12月1日,我国第一个自行车生产集团——“永久”自行车集团成立,是自行车发展的标志事件。当时,城市形态由农业城市进入小型城市,居民职业不分离,自行车也能满足通勤出行需求。90年代,“面的”等汽车开始在大城市出现,自行车开始进入广大农村,规模增长缓慢。标志事件是,1994年,国务院公布的《汽车工业产业政策》,“鼓励个人购买汽车”。当时,城市形态为中型城市,居住基本不分离,自行车基本满足出行需求。90年代~2016年,汽车逐渐全面普及,自行车规模缩减,种类走向多样化,如山地车、公路车等。据统计,2016年,全国的自行车保有量为6000万辆。此时,城市形态为大型、特大型城市,居民职住分离明显,自行车的主要作用是用来接驳公交、地铁等。
2016年开始,随着互联网自行车的兴起,自行车进入再发展阶段。互联网自行车能快速发展,很大原因在于其与市政公共自行车相比的优势,如表1所示。
市政公共自行车 | 互联网自行车 |
---|---|
注册、退押金要在指定地点办理,不方便 | 用户下载APP或关注微信公众号即可,支持在线注册, 支付押金、充值、退还押金等服务 |
刷卡取车模式,卡片易丢失 | 手机扫码或输入密码解锁,结束行程随手锁车即可 |
有桩租还,站点覆盖范围有限,站点桩位有限, 遇到满桩情况不易还车,从站到目的地还需要步行 | 无桩租还模式,无范围限制,随用随停 |
还车时需要刷卡扣费,系统网络稳定性差 | 用户骑行至目的地,锁车后线上自动扣款 |
表1. 互联网自行车与市政公共自行车相比的比较优势
由于互联网自行车的上述比较优势,解决了大型城市、特大型城市居民出行的“最后一公里”问题,互联网自行车才会被居民广泛接受。当然,互联网自行车目前也面临着一些严重的问题,比如人车混行、乱停乱放、恶意损坏、私人占用、过度投放、故障车多、单车质量差、押金退回慢等问题。这些问题,影响用户的用车体验和感受,降低了用户的互联网自行车满意度。
为了对互联网自行车的用户类型有个全面深入的认识,分析其对互联网自行车满意度的影响,本研究通过网络问卷进行了调查。截止至2017年11月29日回收问卷16,607份,有效问卷16,546份,问卷有效率为99.63%。基于问卷调查,我们做了互联网自行车对于用户类型的Logistic回归,回归结论可以为相关部门的决策支持以及相关研究人员的研究工作提供参考。
互联网自行车作为2016年出现新生事物,国内外研究相对较少。目前,可查的资料主要是国内大型城市相关部门出台的政策,以及各互联网自行车企业和交通研究机构发布的描述性报告,如表2所示。
城市 | 政策或报告 | 发布时间 |
---|---|---|
深圳市交通运输委员会 | 互联网自行车租赁服务企业规范经营情况简报 | 2016-12-27 |
关于鼓励规范互联网自行车服务的若干意见 | 2016-12-27 | |
深圳市自行车停放区(路侧带)设置指引 | 2017-01-22 | |
上海市质监局、 上海市自行车行业协会 | 上海市共享自行车服务规范 | 2017-03-27 |
共享自行车技术条件第1部分:自行车 | ||
成都市交通运输委员会、成都市公安局、 成都市城市管理委员会 | 关于鼓励共享单车发展的试行意见 | 2017-01-09 |
成都市公安局、交通管理局 | 全市统一设置非机动车停放区位 | 2016-12-26 |
广州市交通委员会、广州市公安局、 广州市住房和城乡建设委员会、 广州市城市管理委员会 | 广州市中心城区城市道路自行车停放区设置技术导则 | 2017-03-20 |
南京市交通运输局 | 南京市促进网约自行车健康发展的若干意见 | 2017-03-18 |
北京市经信委、天津市工信委、河北省工信厅 | 京津冀协同推进北斗导航与位置服务产业发展行动方案 (2017~2020年) | 2017-04-06 |
易观 | 2017互联网单车租赁市场专题分析 | 2017-02-26 |
ofo、交通部科学研究院 | 共享单车骑行指数 | 2017-04-06 |
表2. 部分互联网自行车相关的政策与报告
自行车相关的研究,目前市政公共自行车在国内外都是个热点(例如,周强等(2015);张水潮等(2016) [
周强等 [
Bhat等 [
从国内外研究分析来看,互联网自行车的相关分析还非常有限,对互联网自行车的用户特征以及互联网自行车的用户特征与服务满意度之间的关系认识还非常有限。本文的研究可以丰富这方面的内容,具有一定的理论和实际应用价值。
基于深圳新闻网、腾讯大粤网以及微信公众号等网络渠道,我们开展了互联网自行车满意度相关的网络问卷调查。调查问卷主要针对互联网自行车用户的类型进行,如年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等。截止至2017年11月29日回收问卷16,607份,有效问卷16,546份,具体样本情况如表3所示。
变量 | 分类 | 样本量 | 赋值 | 变量 | 分类 | 样本量 | 赋值 |
---|---|---|---|---|---|---|---|
满意度Y | 非常满意 | 11,138 | 0 | 骑行时间X4 (次/分钟) | <5 | 1175 | 0 |
满意 | 3720 | 0 | 5~10 | 3863 | 1 | ||
无所谓 | 1090 | — | 10~20 | 4973 | 2 | ||
不满意 | 261 | 1 | 20~30 | 3659 | 3 | ||
非常不满意 | 337 | 1 | >30 | 2876 | 4 | ||
年收入X1 (万元/年) | <6万 | 6519 | 0 | 骑行次数X5 (次/周) | <1 | 3269 | 0 |
6~12 | 6529 | 1 | 1~2 | 3804 | 1 | ||
12~20 | 2224 | 2 | 3~5 | 4651 | 2 | ||
20~30 | 655 | 3 | 6~10 | 2571 | 3 | ||
>30 | 622 | 4 | >10 | 2251 | 4 | ||
出行目的X2 | 上下班 | 7815 | 0 | 原出行方式X6 | 步行 | 4147 | 0 |
购物娱乐 | 1977 | 1 | 自行车 | 1632 | 1 | ||
休闲健身 | 5156 | 2 | 电单车 | 1185 | 2 | ||
公务商事 | 479 | 3 | 出租车 | 543 | 3 | ||
上学 | 111 | 4 | 私家车 | 1770 | 4 | ||
其他 | 1008 | 5 | 公交车 | 5073 | 5 | ||
年龄X3 (岁) | <20 | 450 | 0 | 地铁 | 2196 | 6 | |
20~30 | 8914 | 1 | |||||
30~40 | 5506 | 2 | |||||
40~50 | 1426 | 3 | |||||
>50 | 250 | 4 |
表3. 互联网自行车满意度调查样本情况
图1. 用户满意度分布
如图1所示,根据问卷调查结果,用户多数对互联网自行车的发展持积极的态度,共89.80%的用户选择了“满意”或“非常满意”;仅3.61%的用户选择了“不满意”或“非常不满意”。具体哪类用户对互联网自行车满意程度比较高,哪类用户对互联网自行车的满意度比较低呢?需要通过回归方法的数据挖掘来回答。
回归类型 | 因变量 | |||
---|---|---|---|---|
连续型 | 离散分类型 | |||
自变量正态分布 | 自变量二项分布 | |||
线性回归 | OLS | √ | ||
概率型非线性回规 | Probit | √ | ||
Logistic | √ |
表4. 常见回归方法比较
如表4所示,常见的回归方法有两种:线性回归和该旅行非线性回归。线性回归基于最小二乘法(ordinary least squares,简记为OSL)原则:估计的剩余平方和最小,即最优拟合直线应该使得各点到直线的距离和最小。线性回归根本自变量的多少,又可以分为一元线性回归和多元线性回归。
此外,线性OLS回归要求因变量必须是连续性数据变量。与之相比,logistic回归要求因变量必须是分类变量,二分类或者多分类的。比如要分析性别、年龄、身高、饮食习惯对于体重的影响,如果这个体重是属于实际的重量,是连续性的数据变量,这个时候就用线性回归来做;如果将体重分类,分成了高、中、低这三种体重类型作为因变量,则采用logistic回归。
与Logistic回归类似,Probit回归也用于因变量为分类变量的情况。通常情况下,两种回归方法的结果非常接近。Probit回归是基于正态分布理论上进行的,而Logistic回归是基于二项分布,这是二者的区别,当自变量中连续变量较多且符合正态分布时,可以考虑使用Probit回归,而自变量中分类变量较多时,可考虑使用Logistic回归,如表5所示。
Logistic回归方法 | 特征 | 剔除依据 |
---|---|---|
Enter | 自变量全部进入 | — |
Forward selection | 方程中开始无自变量,自变量由少到多逐次引入回归方程, 自变量入选条件满足设定的阈值 | 条件参数估计似然比或 最大偏似然估计似然比 |
Backward selection | 开始自变量都在方程中,然后根据自变量贡献由大到小依次剔除, 自变量剔除条件满足设定的阈值 |
表5. Logistic回归方法比较
B | S.E. | Wals | df | Sig. | Exp(B) | |
---|---|---|---|---|---|---|
年收入 | 0.146 | 0.041 | 12.602 | 1 | 0.000 | 1.157 |
出行目的 | 0.116 | 0.028 | 17.443 | 1 | 0.000 | 1.124 |
年龄 | 0.137 | 0.060 | 5.289 | 1 | 0.021 | 1.147 |
骑行时间 | −0.638 | 0.040 | 254.015 | 1 | 0.000 | 0.528 |
骑行次数 | −1.372 | 0.066 | 426.697 | 1 | 0.000 | 0.254 |
原出行方式 | −0.003 | 0.019 | 0.033 | 1 | 0.856 | 0.997 |
常量 | −1.304 | 0.145 | 80.468 | 1 | 0.000 | 0.271 |
表6. Logistic 3种方法回归结果汇总
指标 | −2对数似然值 | Nagelkerke R方 |
---|---|---|
数值 | 3601.620a | 0.323 |
表7. Logistic假设检验
a因为参数估计的更改范围小于0.01,所以估计在迭代次数8处终止。
表6给出了基于Logistic 3种方法回归的结果。从表中可以看出,“原出行方式”的Sig. = 0.856,大于0.05,其对互联网自行车满意度的影响不显著。因此,得到满意度的概率函数为:
P ( Y = 0 ) = 1 − 1 1 + e − ( − 1.304 + 0.146 X 1 + 0.116 X 2 + 0137 X 3 − 0.638 X 4 − 1.372 X 5 ) .
由表7可知,上述Logistic拟合方程的Nagelkerke R方为0.323,大于0.3,因此可以接受。
由表6可知,年收入 X 1 的Exp(B)为1.157,表示互联网自行车用户收入等级每增加1个等级,其对互联网自行车的满意度可能性减少15.7%。类似的,出行目的 X 2 每增加1个等级,用户对互联网自行车的满意度可能性减少12.4%;年龄 X 3 每增加1个等级,用户对互联网自行车的满意度可能性减少14.7%;骑行时间 X 4 每增加1个等级,用户对互联网自行车的满意度可能性增加47.2%;骑行次数 X 5 每增加1个等级,用户对互联网自行车的满意度可能性增加74.6%。以上分析可知,老年人对互联网自行车的满意度普遍较低。
在问卷调查的基础上,本文对互联网自行车的满意度与用户特性,年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等,进行了Logistic回归分析。研究表明,年收入增加、出行目的从通勤变到休闲健身等非高峰时段出行、年龄增加,用户对互联网自行车的满意度起负面作用;骑行时间增加、骑行次数增加,对互联网自行车的满意度起正面作用。原出行方式与互联网自行车的满意度的统计关系不显著。以上分析可知,老年人对互联网自行车的满意度普遍较低。
刘 鼎,鹍鹏张,谢秉磊. 基于问卷调查的互联网自行车满意度Logistic回归分析:老年人视角分析The Logistic Regression Analysis of Satisfaction Degree for Sharing Bike Based on Questionnaire Survey Data[J]. 统计学与应用, 2018, 07(06): 655-661. https://doi.org/10.12677/SA.2018.76075