公交出行各阶段时间对多群组乘客满意度的影响

(华南理工大学土木与交通学院， 广东广州510641)

0 引言

乘客作为公交服务的对象，只有乘客对于城市公交服务感到满意并且愿意再次选择乘坐公交，才能提高公交在城市交通出行方式中的占比，从而有效降低私家车的比例优化城市交通结构，减缓路面的交通压力，更好地将城市建设成一个畅通、绿色、环保的可持续发展城市。研究城市公交乘客满意度的影响因素及其相互之间的关系，能够更加精确的把握公交出行乘客的服务需求，为优化公交运营方案提供理论和数据支撑。

满意度评价模型研究中先后出现了SCSB模型、ACSI模型、ESCI模型等成果[1-2]。在交通领域，国内外对公交乘客满意度研究中，FRIMAN等[3]通过对公共交通乘客满意度进行研究，提出了相应的评价模型，并得出乘客的满意度与其累计的满意度有正相关关系。DAS等[4]认为乘客满意度能够反映公交实际服务与期望服务间的关系，并可作为衡量乘客感知公交服务的标准。TYRINOPOULOS等[5]从公交服务的可达性、可靠性、舒适性、信息化程度、发车频率、车辆设计以及乘务人员的服务态度等指标评测公交乘客满意度。STUART等[6]在实地调研的基础上采用结构方程模型对乘客满意度与公交服务水平之间的关系进行了剖析。彭晓伟等[7]在成都进行了实地调研，并在问卷调查数据分析研究中，得出乘客的个人基本属性是影响公交服务水平评价的重要因素的结论。赵琳娜等[8]在进行分析不同顾客的差异化交通需求特征的基础上，利用结构方程模型对通勤和非通勤乘客分别建模，以此分析影响乘客公交出行满意度的因素。刘武等[9]在随车问卷调研了沈阳25条线路乘客的服务感知的基础上，借鉴美国ACSI模型，建立了公交服务质量满意度指数模型并进行了实证研究。吴静娴等[10]利用南京实地调研的问卷数据，建立了分析公交服务满意度的贝叶斯网络模型，并得出了影响公交服务质量的7项主要因素。

现有的出行时间对于公交出行满意度的影响研究中往往只考虑了等车时间或者坐车时间等单一时间因素，对公交出行的各阶段时间缺乏深入的系统研究。本文在分析公交出行乘客的满意度特性的基础上，针对公交出行时间这一特定影响因素为进行深入分析，将公交出行乘客的出行时间分为出发点走到公交站花费时间、等车时间、坐车时间、和下车走到目的地的时间等多个阶段，并建立了累积概率的有序多分类Logistic回归分析模型对不同群组乘客进行深入分析。研究在于可以从乘客角度出发，进行以乘客出行时间为中心的价值链观念再造揭示公交出行各阶段时间对多群组乘客满意度的影响机理。

1 公交出行乘客满意度影响因素分析

通过对公交出行乘客满意度的分析发现，影响乘客满意度的因素很多，主要包括乘客公交出行特性、乘客个人属性和公交设施特性，如图1所示。分析公交出行乘客满意度的影响因素可以为接下来的调查问卷设计提供依据[11]。

图1 公交出行乘客满意度影响因素Fig.1 Influence factors of the passengers satisfaction

2 公交出行乘客满意度特性分析

2.1 调查方法、时间及内容

2018年3月29到3月30日，在肇庆市政府部门和相关机构的支持下，招募并培训了调研人员200多名，采用人工调查法，对肇庆市公交乘客开展了跟车和选取公交站点随机问卷调查。调查时间从早上7:00到下午6:00结束，兼顾早高峰、晚高峰和平峰的公交乘客。调研回收问卷4 750份，剔除空白和无效问卷后，共获得有效问卷3 840份，问卷有效率为80.8 %。公交出行乘客满意度调查问卷内容包括三部分：①乘客的基本信息。包括个人性别、年龄、职业、学历、收入、车辆拥有情况等；②乘客公交出行特性。包括每周使用公交频率、换乘次数、出行时间和表征使用公交的忠诚度的优先选择公交和向他人推荐公交的意愿信息；③公交出行满意度信息。采用5分制的李克特量表法(Likert Scale)定量分析乘客对公交设施的舒适性、便捷性、经济性和快捷性的满意度，具体为速度、准点性、车辆内拥挤度、等车时间、走路到公交站的距离、票价和对公交服务的整体满意度。特殊地，对公交出行乘客的各个阶段出行时间进行了详细的调查。

2.2 描述性统计

通过对样本进行简单分析，得到如表1所示的结果，在有效样本的乘客的基本信息男性占大多数，达到60 %，但仍在允许的误差范围内。年龄主要集中在35岁及以下，学历集中在大专及以下，月均收入集中在8 000元以下，与肇庆市的经济社会发展状况情况相符。车辆拥有情况除了小汽车占比16.2 %和自行车21.8 %之外，摩托车和电动车也各占到了10 %左右，符合肇庆市各类私人交通工具并重的现状。进一步分析知道，拥有小汽车的乘客79 %是私营企业主和公务员事业单位且月收入大部分都在10 000元以上，拥有自行车乘客中学生占到了41 %，86 %为月收入8 000元以下。摩托车和电动车类型乘客的性别、年龄、职业和学历都相对分布比较均匀。需要注意的是其他类型的乘客占到了45.5 %，这类乘客除了部分因为个人习惯对外出行高度依赖公交之外，还有可能是乘客周边公共自行车方便或者拥有平衡车等新个人交通工具的原因。出行信息中每周使用频率集中在2～5次，出行换乘的次数集中在1次及以下，出发点到目的地所花费的时间集中在40 min及以下，出发点到公交站的时间集中在10 min及以下，在公交站的等车时间集中在15 min及以下，在公交车内的坐车时间集中在30 min及以下，下车走到目的地的时间集中在10 min及以下，愿意优先选择和推荐公交的乘客占到80 %左右，这与肇庆市公交运营现状相符。综上所述，数据样本具有合理性。

表1 调查样本描述性统计Tab.1 Descriptive statistics of survey samples

2.3 乘客公交满意度特性分析

2.3.1 乘客公交满意度总体特征

图2 乘客满意度评价Fig.2 satisfaction evaluation of passengers

乘客公交满意度调查结果如下图2所示，调查发现公交出行乘客对速度和准时性的满意度都很高，但乘客多公交车厢拥挤度的评价一般，说明出行者感受到的车厢舒适度较低。在步行至公交车站的距离满意度评价上，满意的比例达到64 %，不满意的比例仅为5 %，表明公交站点的覆盖率较高。目前肇庆市的公交票价多为2元，此次调查中发现出行者对公交票价的满意度也比较高，与实际符合。最后，乘客对于公交服务质量的总体评价较高，满意以上的比例达到了66 %，对其不满意的比例仅为3 %，但对其评价一般的比例也达到了31 %，表明肇庆公交在准时性、舒适度等方面需要尽快完善。

2.3.2 总体满意度与乘客社会属性交叉分析

将公交出行乘客的总体满意度与其社会属性进行相关性分析，有助于把握不同属性层次的乘客公交出行满意度的特性，从而可以有针对性地进行相应的服务改善。分析选取置信水平95 %，结果表明，乘客的总体满意度与性别、年龄、职业、教育程度、出发点到目的地的时间、出发点到公交车站的时间、等车时间、坐车时间、下车后走到目的地的时间、是否推荐他人选择公交出行和是否优先选择公交出行等社会因素相关，而与月收入、换乘次数和每周公交出行次数的相关性不明显。其中忠诚度的表征量是否推荐他人选择公交出行和是否优先选择公交出行的明显相关性表明满意度越高，忠诚度越高，与实际相符。

表2 总体满意度与乘客社会属性交叉分析Tab.2 Thecorrelation analysis between the overall satisfaction and the social attributes of passengers

注：*表示在0.05水平(双侧)上显著相关；**表示在0.01水平(双侧)上显著相关。

3 公交出行阶段各时间对多群组乘客满意度的影响分析

3.1 有序Logistic模型构建

从上节的分析可知，公交的各阶段出行时间：出发点到目的地的时间、出发点到公交车站的时间、等车时间、坐车时间和下车后走到目的地的时间与乘客的总体满意度有明显的相关性。本节按乘客的车辆拥有情况将乘客分为自行车、电动车、小汽车、摩托车、和其他五个群组，当乘客拥有多种车辆类型时，按照小汽车>摩托车、电动自行车>自行车的优先度归类群组，例如当某乘客同时拥有小汽车和自行车，按照优先度将乘客归类为小汽车群组。利用自行车群组乘客总体满意度、电动车群组乘客总体满意度、小汽车群组乘客总体满意度、摩托车群组乘客总体满意度、其他群组乘客总体满意度这五个决策变量对公交出行各阶段时间对车辆拥有情况群组乘客满意度的影响进行衡量。为了方便回归分析，对部分响应变量与影响因素进行数值变换，换次序转换为从1开始的整数序列[12-14]。

假设满意度水平划分为k个级别，则有序多分类 Logistic回归分析模型对应有k-1个公式，则累积的Logistic模型可表示为

(1)

式中，Li为第i个累计的Logistic模型；i为指示响应变量的水平，即五个决策变量的总体满意度；Y为响应变量；X为自变量向量；ai为第i个模型的截距参数；B为斜率向量；P(Y=j|X)为五个决策变量的满意度属于j的概率[15]。

求得各概率满意度水平下累计的Logistic模型Li后，通过换算得到是个决策变量属于各级别的概率：

(2)

式中X1,X2,…,Xm为m个影响因素；b1,b2…,bm为回归系数。首先尽量全面地选取可能的影响因素，如表3所示。

先对五个满意度影响模型进行平行线检验(Test of Parallel Lines)，其检验结果P值均大于0.05，说明回归方程相互平行，可以进行Ordinal Regression分析。

表3 Logistic模型影响因素Tab.3 Influencing factors of Logistic regression model

表4 平行线检验结果Tab.4 Parallel line test results

然后采用后退逐步回归法剔除模型中的不显著的影响因素，分别得到五个满意度与显著影响因素之间的有序Logistic回归模型参数。

3.2 模型检验3.2.1 拟合优度检验

表5是Deviance统计量、皮尔逊χ2统计量和Hosmer-Lemeshow统计量拟合优度检验的结果。从表5可以看出Deviance统计量、皮尔逊χ2统计量和Hosmer-Lemeshow统计量的P值均大于0.05，所以在显著性水平α=0.05的条件下，χ2检验不显著，认为模型的拟合数据较好[16]。

表5 拟合优度检验Tab.5 Goodness-of-fit statistics

3.2.2 预测准确度检验

表6是序次相关指标的准确度检验结果。4个满意度独特性除Tau-a指标小于0.7之外，其余3个指标都大于0.7，表示预测概率与因变量之间的关联度较高，说明建立的Logistic模型的预测能力较好[16]。

表6 序次相关指标的准确度Tab.6 Accuracy of rank correlation index

根据参数估计和相应的检验结果，在95 %的置信水平下，最终保留下与五个决策变量相关性显著的变量如表7至表11所示。

3.3 模型结果分析

3.3.1 自行车群组乘客

表7为自行车群组乘客有序Logistic回归模型结果。

表7 自行车群组乘客有序Logistic回归模型参数Tab.7 Logistic regression parameters ofpassages with bicycle

注：a因为此参数冗余，所以将其设为零。

由表可知，对于自行车群组乘客而言，公交出行各阶段时间中，出发点到目的地的时间、等车时间和坐车时间这三个时间对公交出行总体满意度的影响最为显著。①出发点到目的地的时间：21～40 min的乘客的总体满意度最高，41～60 min的总体满意度最低，说明自行车群组乘客对于出发点到目的地的时间为21～40 min的接受度最高，对于40 min以上的公交出行时间忍受度最低；②等车时间：自行车群组乘客的总体满意度随着等车时间的增加，不断降低，10 min以内的等车时间是乘客能够普遍接受；③坐车时间：15 min以下的自行车群组乘客总体满意度最高，31～45 min的最低，说明自行车群组乘客普遍希望坐车时间在30 min以内。

3.3.2 电动车群组乘客

表8为电动车群组乘客有序Logistic回归模型结果。

表8 电动车群组乘客有序Logistic回归模型参数Tab.8 Logistic regression parameters of passages with electric bicycle

注：a因为此参数冗余，所以将其设为零。

由表可知，不同于自行车群组乘客，电动车群组乘客在公交出行各阶段时间中，等车时间和下车后走到目的地时间对公交出行总体满意度的影响最为显著。①等车时间：电动车群组乘客的总体满意度随着等车时间的增加，不断降低。但不同于自行车群组乘客只能普遍接受15 min以内的等车时间，电动车群组乘客的分析结果表明15 min以内也能够普遍接受和容忍；②下车后走到目的地时间：5 min以下和6～10 min的电动车群组乘客总体满意度一样高，11～15 min的最低，说明电动车群组乘客普遍能够接受10 min以内的下车后走路到目的地的时间。

3.3.3 小汽车群组乘客

表9为小汽车群组乘客有序Logistic 回归模型结果。

表9 小汽车群组乘客有序 Logistic 回归模型参数Tab.9 Logistic regression parameters of passages with car

注：a因为此参数冗余，所以将其设为零。

由表可知：①出发点到目的地的时间：20 min以下的乘客的总体满意度最高，21～40 min的总体满意度最低，说明小汽车群组乘客普遍希望出发点到目的地的时间能够在20 min以内，满足短途出行需求，对于60 min以上的公交出行时间忍受度反而居中，说明小汽车群组乘客对于使用公交取代中长距离小汽车出行的容忍度上升；②等车时间：小汽车群组乘客的总体满意度随着等车时间的增加，不断降低，小汽车乘客能够普遍接受和容忍10 min以内的等车时间，时间超过10 min后，总体满意度迅速下降；③坐车时间：与自行车群组乘客类似，15 min以下的小汽车群组乘客总体满意度最高，16～30 min的次之，时间超过30 min后，总体满意度也迅速下降。

3.3.4 摩托车群组乘客

表10为摩托车群组乘客有序Logistic 回归模型结果。

由表可知，对于摩托车群组乘客，公交出行各阶段时间中，出发点到目的地的时间、等车时间、坐车时间和下车后走到目的地时间这四个时间对公交出行总体满意度的影响都显著。①出发点到目的地的时间：摩托车群组乘客对于出发点到目的地的时间为20 min内的接受度最高，41～60 min的接受度最低；②等车时间：摩托车群组乘客15 min以内的等车时间的接受度都比较高；③坐车时间：参数估计值为负表明坐车时间对于总体满意度的影响为负，即坐车时间越长则满意度越低。不同于等车时间的较高容忍，摩托车群组乘客对坐车时间的总体满意度都比较低，说明摩托车群组乘客更多地需要完成短距离出行；④下车后走到目的地时间：摩托车群组对于下车后走到目的地的时间要求并没有太多的要求，各时间段的总体满意度和接受度都比较高。

表 10 摩托车群组乘客有序Logistic回归模型参数Tab.10 Logistic regression parameters of passages with

注：a因为此参数冗余，所以将其设为零。

3.3.5 其他群组乘客

表11为其他群组乘客有序Logistic 回归模型结果。

表11 其他群组乘客有序Logistic回归模型参数Tab.11 Logistic regression parameters of other passages

注：a因为此参数冗余，所以将其设为零。

由表可知，对于其他群组乘客而言，公交出行各阶段时间中，走路到公交车的时间、坐车时间和下车后走到目的地时间这三个时间对公交出行总体满意度的影响最为显著。①走路到公交车站的时间：5 min以下的乘客的总体满意度最高，6～10 min的乘客总体满意度最低，11～15 min的群组乘客满意度反而比6～10 min的乘客高，说明距离公交车站中等距离的乘客相比长短距离的乘客更希望优化公交站点的布置，体验更加优质的服务。这涉及到心理学，短距离乘客满意，长距离乘客由于距离太长或者习惯的原因对优化站点缩短出行距离并没有抱太大期待，而中等距离乘客则夹在两者之间，意愿相对强烈；②坐车时间：其他群组乘客的总体满意度也随着等车时间的增加，不断降低，超过30 min后总体满意度相比30 min以内降低至少一倍；③下车后走到目的地时间：5 min以下和6～10 min的乘客总体满意度差别不大，11～15 min接受度也与10 min以内有一定的降低。

3.4 群组差异性分析与建议

根据上述分析结果，不同群组的乘客的有序Logistic回归模型参数结果有一定的差异性，结果统计如表12所示。

表12 不同群组乘客有序Logistic回归模型参数Tab.12 Logistic regression parameters of different groups of passengers

从表12中可知，出发点到目的地的时间参数只对自行车、小汽车和摩托车群组乘客有显著影响，不同于自行车群组乘客普遍能够容忍40 min以内的总出行时间，小汽车和摩托车群组乘客都对时间为20 min以下的接受度最高，超过20 min后，接受度迅速下降。结果说明不同群组对总出行时间的接受度是不同的，也从侧面说明了肇庆市公交的线网覆盖密度不尽合理仍然有需要改进的地方，建议以尽量实现主要居民出行起讫点在20 min以内公交出行总时间来进行线网的优化。

对于走路到公交车站的时间参数只对其他群组有显著影响，说明肇庆市公交站点的布置有一定的合理性，但是时间为6～10 min的其他群组乘客的总体满意度相比长短距离的乘客有一定的优化公交站点布置诉求，以及考虑到其他群组乘客占比为45.5 %的现实情况，说明肇庆市公交对于站点的布置需要进行一定的优化。

等车时间参数对除了其他群组都有显著的影响，而且四个群组普遍能够接受10min以内的等车时间，超过10 min以后有相当程度的降低。考虑到调研数据显示的10min以内的等车时间占比为62.4 %，说明肇庆公交的运营时间间隔和准点性有一定的合理性，但是16 min以上的仍占有14.4 %，所以建议肇庆公交以10 min等车时间为标准进行相应的线路和发车间隔的优化调整。

坐车时间参数对除了电动车群组没有显著影响外，对其他几个群组都有显著影响，并且乘客对于坐车时间的感知敏感度高。不同于摩托车群组对于坐车时间的低容忍，自行车、小汽车和其他群组普遍接受的是30 min以内的坐车时间，所以建议肇庆公交对运营速度进行相应的提升。

下车后走到目的地时间参数对电动车、摩托车和其他群组具有显著影响，其他群组乘客相对于电动车和摩托车群组显著性较低，三个群组都希望下车后走到目的地的时间控制在10 min以内，这对肇庆公交的站点调整以优化可达性提供了理论依据。

4 结语

针对公交出行各阶段时间对多群组乘客满意度的影响，基于肇庆市公交出行问卷调查数据，进行了实证研究与分析，主要得到以下结论：

第一，乘客的总体满意度与乘客的个人属性具有很强的相关性，其中以性别、年龄、职业、教育程度、出发点到目的地的时间、出发点到公交车站的时间、等车时间、坐车时间、下车后走到目的地的时间的相关性最为明显，而忠诚度的表征量是否推荐他人选择公交出行和是否优先选择公交出行的明显相关性表明满意度越高，忠诚度越高，与实际相符。

第二，将公交出行各阶段时间分为出发点到目的地的时间、出发点到公交车站的时间、等车时间、坐车时间和下车后走到目的地的时间五个时间，并将乘客按照车辆拥有情况分为自行车、电动车、小汽车、摩托车和其他群组五个群组，建立有序多分类Logistic模型分析公交出行各阶段时间对多群组乘客满意度的影响，结果表明每个群组分别有不同的公交出行各阶段时间引起其总体满意度和接受度的变化。

第三，通过对不同群组的Logistic模型公交出行各阶段时间参数的差异性分析，综合不同群组对于某一公交出行各阶段时间的不同表现，提出了相应的公交运营改善建议，未来的公交规划和优化改善应当考虑不同属性不同层次群体的满意度和接受度特性。

文章对于公交出行各阶段时间对多群组乘客满意度的影响做了以上研究，试图从公交出行各阶段时间对不同群组乘客的影响的角度来揭示公交乘客的满意度和接受度特性。但是对于受问卷调查数据所限，仅研究了肇庆市公交满意度，此外，对于多群组的研究也只考虑了车辆拥有情况分群组，所以后续研究可以从其他属性来考虑乘客群组如职业、年龄等，并尽可能地在多个城市调研取得更加有代表性的数据。