李志成,鄧欣宇,趙紫艷,高語笛

(南京林業(yè)大學(xué),江蘇 南京 210037)

0 引 言

隨著我國信息技術(shù)和交通行業(yè)的快速發(fā)展,網(wǎng)約車作為新時代互聯(lián)網(wǎng)經(jīng)濟(jì)的產(chǎn)物,也逐漸進(jìn)入人們生活,誕生了滴滴打車、Uber等網(wǎng)約車出行平臺。自2012年以來滴滴打車、快的打車進(jìn)入網(wǎng)約車市場,打車軟件層出不窮,我國網(wǎng)約車行業(yè)進(jìn)入快速發(fā)展階段,網(wǎng)約車已成為人們主要出行方式之一。

縱觀國內(nèi)外學(xué)者在網(wǎng)約車出行領(lǐng)域已有的廣泛研究,董振寧等[1]利用Anylogic仿真軟件構(gòu)建模擬現(xiàn)實乘客打車情景的仿真實驗,將動態(tài)數(shù)據(jù)與靜態(tài)數(shù)據(jù)進(jìn)行分析,分別計算兩種定價模式下的平臺最優(yōu)收益及消費者和司機(jī)福利。劉鑫等[2]以2018年大連市主要商圈內(nèi)網(wǎng)約車主要使用者為對象,設(shè)計網(wǎng)約車用戶出行行為調(diào)查問卷,建立MNL模型,探索影響出行方式選擇的關(guān)鍵因素,并分析其內(nèi)在規(guī)律。陳思為等[3]基于潛在類別模型對網(wǎng)約車選擇行為建模,以調(diào)查地的實際數(shù)據(jù)對用戶群體進(jìn)行細(xì)分,挖掘不同群體對于網(wǎng)約車的偏好。劉祖友等[4]通過對福州地區(qū)大學(xué)生網(wǎng)約車出行行為進(jìn)行調(diào)查,利用Logistic回歸分析方法,找出影響大學(xué)生選擇網(wǎng)約車出行的主要因素。Weng等[5]構(gòu)建了網(wǎng)約車平臺演化博弈模型,認(rèn)為網(wǎng)約車目前要加強(qiáng)信用約束或建立適當(dāng)強(qiáng)度的協(xié)調(diào)監(jiān)管模式。Pratiwi等[6]通過采用偏最小二乘法對網(wǎng)約車用戶水平度和滿意度進(jìn)行分析。Soares等[7]建立UTAUT2模型,以Uber為基礎(chǔ),來分析網(wǎng)約車的接受程度。Haddad等[8]通過結(jié)合巴西圣保羅網(wǎng)約車服務(wù)商的數(shù)據(jù)、個人層面的數(shù)據(jù)以及結(jié)構(gòu)性交通網(wǎng)絡(luò)模擬評估網(wǎng)約車對出行時間和出行目的的影響。

雖然對于網(wǎng)約車出行行為研究較多,但針對網(wǎng)約車不同用戶群體的出行行為研究卻鮮有涉及,為此,從網(wǎng)約車長期用戶和臨時用戶的視角,探索其使用頻率的不同影響因素。

1 問卷設(shè)計

問卷主要包含兩部分內(nèi)容:個人社會經(jīng)濟(jì)屬性、出行屬性。其中,個人社會經(jīng)濟(jì)屬性主要包括性別、年齡、職業(yè)、月收入、私家車擁有情況、網(wǎng)約車使用頻率、繼續(xù)使用意愿、是否擁有會員;出行屬性包括出行目的、出行距離、出行時刻。

為了更好地進(jìn)行問卷調(diào)查,同時考慮當(dāng)下疫情原因,問卷調(diào)查在網(wǎng)絡(luò)上進(jìn)行,在QQ、微信及其他互聯(lián)網(wǎng)平臺上發(fā)布調(diào)查問卷。問卷的發(fā)放地選擇了網(wǎng)約車出行較多的南京與無錫兩個城市。共發(fā)放了175份問卷,其中得到的有效問卷數(shù)為163份,有效率為93.14%。樣本的分布分別為南京44%,無錫48%,其他城市8%。

2 調(diào)查結(jié)果

統(tǒng)計結(jié)果如表1所示:整體來看,調(diào)查樣本中男女比例接近1.2∶1,可以看出男性用戶更傾向于使用網(wǎng)約車服務(wù)。從年齡分布來看,網(wǎng)約車服務(wù)的用戶年齡段主要為21～30歲,比例為50.21%,主要因為這部分群體更容易接受新鮮事物;與此同時,老年人很少采用網(wǎng)約車出行,可能是由于其對網(wǎng)絡(luò)支付和APP使用相對較為陌生。從職業(yè)上看,學(xué)生和企業(yè)職員較多使用網(wǎng)約車服務(wù)。此外,當(dāng)受訪者月收入在10 000以上時,很少采用網(wǎng)約車出行。從長短期用戶來看,在本次問卷中擁有網(wǎng)約車會員的群體中,63%的用戶對于網(wǎng)約車的需求是長期的,而37%的用戶對于網(wǎng)約車的需求是臨時的。由此可以看出,大部分網(wǎng)約車長期用戶會選擇成為網(wǎng)約車的會員,可以得到更多的網(wǎng)約車出行優(yōu)惠補(bǔ)貼。

表1 調(diào)查樣本數(shù)據(jù)統(tǒng)計

對于網(wǎng)約車長期用戶來說,有63%的網(wǎng)約車長期用戶沒有私家車,有33%的長期用戶會選擇網(wǎng)約車作為他們的出行方式,而只有9%的長期用戶會將私家車作為他們主要出行方式,如圖1所示。大部分長期用戶因為沒有私家車,這也使他們在出行時更傾向于使用網(wǎng)約車。而對于網(wǎng)約車臨時用戶來說,選擇網(wǎng)約車作為主要出行方式的人有21%,但是有25%的用戶會選擇私家車出行,這是因為他們大部分都擁有私家車,由于私家車的便捷性,他們更傾向于使用私家車出行。

3 模型結(jié)果與討論

3.1 方法

離散選擇模型也被稱為非集計模型,非集計模型是基于效用最大和隨機(jī)效用兩個概念建立起來的[9],隨機(jī)效用U可分為可觀測的固定項和不可觀測的隨機(jī)項兩大部分。

Uin=Vin+εin

(1)

式中:Vin為可觀測的固定效用,εin為不可觀測的隨機(jī)項,通常將其看作隨機(jī)誤差項。

其中固定項Vin通?？梢杂镁€性表示

Vin=∑βkXink

(2)

式中:Xink是影響出行者n選擇出行方式i固定效用的第k個變量,βk是用最大似然法估計的參數(shù)。

針對乘客使用網(wǎng)約車頻次影響因素,由于研究的因變量為多項變量,且變量之間有等級或程度的變化,采用有序Logit模型探索因素之間的復(fù)雜關(guān)系較為合適[10]。假設(shè)出行頻率分為J個等級梯度,則其模型為

P(Yi>j)=Pij

(3)

Yi=Xiβ+ε

(4)

式中:wherej=1,2,…,J-1,Yi為第i位乘客使用網(wǎng)約車出行的頻率;Xi為第i位乘客所有調(diào)查的主觀指標(biāo)和客觀指標(biāo)的得分;β為對應(yīng)Xi對應(yīng)的擬合系數(shù);ε為擬合殘差;Pij為第i位乘客使用網(wǎng)約車出行概率,αj為第j級出行頻次對應(yīng)的常量系數(shù)。

3.2 結(jié)果與討論

將用戶使用網(wǎng)約車出行頻次作為因變量,以此來區(qū)分長期用戶和臨時用戶,將使用頻率為從沒使用過、很少使用、每月使用1～2次的網(wǎng)約車使用頻率作為臨時用戶;將使用頻率為每周使用1～2次、每周使用3～4次、幾乎每天使用作為長期用戶。

自變量則選取網(wǎng)約車用戶出行選擇行為影響因素,包括個人社會經(jīng)濟(jì)屬性中的性別、年齡、職業(yè)、月收入、是否擁有私家車以及是否擁有網(wǎng)約車會員,出行相關(guān)屬性中的出行距離、出行時刻以及出行目的,其中所涉及到的個人社會經(jīng)濟(jì)屬性和出行相關(guān)屬性等屬性變量的變量定義如表2所示。

表2 模型屬性變量及變量定義

從表3的結(jié)果可以看出,出行時刻、是否擁有會員、月收入、有無私家車、性別、職業(yè)是具有顯著性影響的變量。對各個自變量對因變量的影響進(jìn)行分析,具體如下。

表3 參數(shù)估算值

(1)對于使用網(wǎng)約車的出行時刻,通過計算回歸系數(shù),可以得到exp(2.002)=7.40,exp(1.293)=3.64,exp(1.881)=6.56,exp(1.044)=2.84,exp(1.436)=4.20。以使用網(wǎng)約車出行時刻在節(jié)假日為參考類別,因為估計值為正,所以在工作日早高峰與晚高峰使用網(wǎng)約車出行的群體,比在節(jié)假日使用網(wǎng)約車出行的群體使用網(wǎng)約車頻次更加頻繁,可能性高了大約7倍,由此可以看出,許多出行者上班通勤會選擇網(wǎng)約車出行,所以他們更有可能是網(wǎng)約車的長期用戶,而在節(jié)假日采用網(wǎng)約車出行的,更有可能是僅在休閑時使用網(wǎng)約車出行,此類人群使用網(wǎng)約車的頻次相對來說會少,更有可能是臨時用戶。

(2)對于是否擁有網(wǎng)約車會員,經(jīng)過計算回歸系數(shù),可以得出exp(0.86)=2.36。以沒有網(wǎng)約車會員為參考類別。因為估計值為正,所以有網(wǎng)約車會員的用戶群體比沒有網(wǎng)約車會員的用戶群體使用網(wǎng)約車的頻率更加頻繁的可能性高2.36倍,由此可以得出,有會員的出行者使用網(wǎng)約車的頻率更高。當(dāng)他們擁有會員后,出行時往往會使用網(wǎng)約車,因此更有可能是網(wǎng)約車的長期用戶。

(3)對于月收入小于3 000有顯著影響,顯著性小于0.05,而月收入在3 000～6 000和6 000～10 000顯著性大于0.05,對于因變量沒有顯著影響,不進(jìn)行進(jìn)一步分析。對回歸系數(shù)進(jìn)行計算,可得exp(0.997)=2.71。以月收入大于10 000為參考類別,因為估計值為負(fù),所以月收入小于3 000的群體使用網(wǎng)約車的頻率比月收入大于10 000的更少,可能性達(dá)到2.71倍,可以看出月收入高的群體比月收入低的群體可能使用網(wǎng)約車的頻次更多,月收入高的群體更有可能是長期用戶,月收入低的群體更有可能是臨時用戶。

(4)對于有無私家車來說,對回歸系數(shù)經(jīng)過計算可得,exp(0.902)=2.46。以沒有私家車為參考類別,因為估計值為負(fù),所以有私家車的群體使用網(wǎng)約車的頻率比沒有私家車的少的可能性達(dá)2.46倍,可以看出有私家車的用戶更偏向于使用私家車出行,而沒有私家車的用戶更可能會使用網(wǎng)約車出行,使用的頻率較高,更可能是長期用戶。

(5)對于性別來說,回歸系數(shù)經(jīng)過計算可得,exp(0.827)=2.28。以女性為參考類別,因為估計值為負(fù),所以男性使用網(wǎng)約車的頻次比女性使用網(wǎng)約車的頻次少的可能性達(dá)2.28倍,可以看出女性對于網(wǎng)約車的使用頻次可能比男性更高,她們更有可能是長期用戶。

(6)對于職業(yè)來說,學(xué)生、企業(yè)職員和退休人員這些變量對因變量使用網(wǎng)約車頻次有顯著影響,顯著性小于0.05,而其余職業(yè)的變量因顯著性都大于0.05,對因變量影響不顯著,不再分析?；貧w系數(shù)計算可得,exp(1.341)=3.82,exp(0.707)=2.02,exp(2.657)=13.02,以其他為參考類別,因為學(xué)生與企業(yè)職員這兩個變量估計值為正,所以學(xué)生與企業(yè)職員使用網(wǎng)約車的頻次比職業(yè)為其他頻繁的可能性達(dá)到3.82和2.02倍,而退休人員變量估計值為負(fù),所以其使用網(wǎng)約車的頻次比職業(yè)為其他少的可能性達(dá)13.02倍。從中可以看出,學(xué)生和企業(yè)雇員使用網(wǎng)約車的頻次更多,學(xué)生考慮到網(wǎng)約車的方便快捷,更加青睞于網(wǎng)約車出行。而對于企業(yè)職員來說,上下班為出行高峰期,而網(wǎng)約車在手機(jī)上即可預(yù)約并且速度較快,所以他們會將網(wǎng)約車作為重要的通勤工具,這兩類群體使用網(wǎng)約車較為頻繁,可能是網(wǎng)約車的長期用戶。而退休人員一般年齡較大,他們對于網(wǎng)約車的接受程度較小,并且因為對于智能手機(jī)使用不夠熟練,在出行時很少選擇網(wǎng)約車,使用網(wǎng)約車頻次較少,更可能會是網(wǎng)約車的臨時用戶。

4 結(jié) 論

在當(dāng)今互聯(lián)網(wǎng)經(jīng)濟(jì)的大環(huán)境下,網(wǎng)約車作為新興交通方式備受關(guān)注,在此背景下,從網(wǎng)約車長期用戶與臨時用戶出發(fā),收集兩個群體的出行調(diào)查數(shù)據(jù),通過有序logit分析,找出影響網(wǎng)約車長期用戶和臨時用戶出行選擇行為的關(guān)鍵因素及出行選擇行為差異。主要研究結(jié)論如下:對于使用網(wǎng)約車出行頻次來說,有無私家車、出行時刻、性別、職業(yè)、月收入和是否擁有網(wǎng)約車會員都對其有顯著影響。有私家車比沒有私家車使用網(wǎng)約車更加頻繁,在上下班高峰期出行的群體比在節(jié)假日使用網(wǎng)約車出行的群體使用網(wǎng)約車更多,擁有網(wǎng)約車會員的群體因為有網(wǎng)約車會員的優(yōu)惠比沒有網(wǎng)約車會員的群體使用次數(shù)更多。