基于SPSS的中小城市共享单车使用特性研究

董洁霜，钱 赟，刘魏巍

（上海理工大学 管理学院，上海200093）

0 引言

由中国中小城市网发布的《2019年中国中小城市高质量发展指数研究》报告得知，依据国家现行标准，中小城市是指城区常住人口100万以下的城市。截至2018年底，中国有地级城市293个，县级建制市375个。293个地级城市中，190个属于中小城市，占比64.85%。375个县级建制市中，除了极个别发达城市的市区人口接近或略超过百万之外，多数建制市市区人口在数万至数十万之间。由于县级建制市市区人口缺乏统一权威的统计数据，为便于分析和研究问题，本文将全部县级建制市归属为中小城市。

中小城市作为推动国民经济发展的重要力量，其行政区面积占国土面积的97.3%，人口占全国总人口的84.66%。而现有研究表明，中小城市的交通出行特性与大城市的交通出行特性有很大的不同，并且目前绝大多数的出行行为研究只针对大城市，因此针对中小城市的研究就很有必要。同时，中小城市的共享单车出行特性相较于大城市有较大的不同。考虑到现阶段，中小城市快速发展，共享单车的投放阵营从大城市逐渐转向中小城市，而掌握共享单车在中小城市的出行特征，将有助于已投放共享单车的中小城市的相关部门制定更加合理的共享单车建设、管理和控制措施，也对现阶段还未投放共享单车但有意向投放共享单车的中小城市有一定的启迪作用。基于以上几点，本文基于SPSS来进一步揭示中小城市共享单车使用特性。

1 国内外研究综述

目前，已有不少国内外学者对大城市的共享单车出行行为与出行特征进行了分析。Yanjie Ji等人利用南京的共享单车数据，运用二项logistic模型揭示出行特征和建筑环境因素对共享单车使用规律的影响，结果表明，在共享单车系统中，经常骑行的用户和偶尔骑行的用户的骑行时间和距离相似，并建议在公共交通站点周边发展高质量的无桩共享单车停车区[1]。Haojie Li等人评估了共享单车对伦敦公共自行车租赁（LCH）使用的影响。结果表明，首次推出无桩共享单车系统后，每个LCH对接站的平均周使用量显著减少了5.93%[2]。Yuanyuan Guo等人研究了建筑环境因素是如何影响共享单车和地铁的综合使用。结果表明，土地混合利用与综合利用呈正相关[3]。余周林2018年构建了以骑行频率等级为上层选择枝，出行方式为下层选择枝的两层巢式logit模型（NL），对共享单车影响下大学生出行行为进行研究，研究发现经济、灵活自由、避免交通拥堵、使用方便、低碳环保、路程近、可选择交通工具少等因素是骑行的主要原因[4]。曹雪柠2015年基于南京地铁站实地调查的数据，从出行个体和土地利用两个角度出发，构建多项logit模型，研究结果表明出行时间和出行费用是出行者选择轨道交通换乘方式的主要考虑因素[5]。李玉2018年建立二项logit模型，用Nlogit软件求解，为了解共享经济背景下城市出行者在已有公共自行车系统的基础上选择共享单车出行时的偏好水平，结果显示：“通勤目的”出行者更关注便捷度，“非通勤目的”出行者更关注费率[6]。左雪娇2018年利用结构方程模型SEM，研究了城市共享单车出行者满意度影响因素，发现安全性对出行者满意度的影响程度最大，其余的相关设施配置水平、骑行成本等也有影响，从而对成都市共享单车系统改善提供建议[7]。

综上表明，现状对大城市共享单车的出行特征研究较为广泛，但尚未研究中小城市共享单车出行特征。因此，本文将以中小城市的共享单车为研究对象，来进行出行特征的分析。

2 问卷调查与数据分析

2.1 数据来源

为有效了解中小城市共享单车的使用情况，于2020年5月14日至5月18日进行问卷发放，本次问卷调查主要采用网上发放的形式。通过Credamo平台进行精准问卷发放，采集的信息主要是义乌市这个较为发达的中小城市。

本次调查问卷总计发放200份，回收有效问卷194份，回收有效率达到了97%。

2.2 调查数据描述性统计分析

对问卷数据进行描述性统计分析，有助于从宏观和微观两个层面认识数据特征，为模型后续工作提供指导。

2.2.1 个体特征统计分析

问卷包含个人信息和共享单车使用情况两部分，受访者个体信息汇总如表1所示。

表1 受访者个人信息分布情况

2.2.2 共享单车使用情况统计分析

中小城市共享单车骑行者使用统计情况如下图所示。

由图1和图2可知，中小城市共享单车骑行者出行目的比较多样化，各种出行目的所占的比例比较相近。同时，大家选择共享单车出行最多的原因是其灵活自由，也有很大一部分人是因为其经济便宜、换乘方便同时可以锻炼身体。

由图3可知，中小城市共享单车骑行者能接受的找车时间普遍在3～4分钟以内。由图4可知，其能接受的骑行时间有27.36%在20分钟以内，有25.47%在25分钟以内，有23.58%的骑行者则能接受大于25分钟的骑行时间。

由图5可知，有18.87%的中小城市共享单车骑行者能接受大于4千米的骑行里程，同时有26.42%的人能接受大于3千米而小于4千米的骑行里程，有6.6%的人只能接受1千米以内的骑行距离。由图6可知，中小城市共享单车骑行者普遍觉得所在城市道路骑行安全性不是很低。

图2 骑行主要原因

图3 能接受的找车时间

图4 能接受的骑行时间

图5 能接受的骑行里程

图6 城市道路骑行安全感

由图7可知，46.23%的用户骑行频率为每周多次，还有14.15%的用户骑行频率为每天，可见共享单车在中小城市的交通出行中扮演重要的角色。

3 中小城市共享单车出行行为的建模分析

3.1 相关性分析

为更进一步地了解中小城市共享单车的使用特性，本文在分析出行频率相关因素的同时，也分析影响用户能接受的找车时间、骑行时间、骑行里程和自己所在城市道路骑行安全性的相关变量。

用SPSS进行皮尔逊相关分析法（Pearson Correlation）对调查数据进行相关性检验，结果表明：

（1）用户能接受的找车时间和出行目的、用户能接受的骑行时间有关。越是弹性的出行，比如购物、娱乐休闲，其能接受的找车时间越长，同时能接受骑行时间更长的用户能接受的找车时间也普遍更长。

图7 共享单车骑行频率

（2）用户能接受的骑行时间和年龄、月收入等因素有关。年龄越大、工资水平越高，能接受的骑行时间越短。同时拥有自行车的人能接受的骑行时间也越长，这和他们适应这种交通方式有关。骑行目的主要是娱乐休闲、锻炼身体的用户能接受的骑行时间较长。

（3）用户能接受的骑行里程和年龄有关，年纪越大，能接受的骑行里程越短。同时拥有电瓶车、自行车的用户接受的骑行里程相较于一般用户会更长一些。骑行的主要目的是娱乐休闲、锻炼身体的用户能接受的骑行里程更长。

（4）骑行共享单车的频率与月收入等相关因素有关。月收入越高，骑行共享单车的频率越低；拥有小汽车、自行车的人，骑行共享单车的频率比较低，呈负相关性。寻找共享单车的时间越长、骑行共享单车的费用越高，人们骑行共享单车的频率会有所下降。

研究数据表明：性别、年龄、受教育程度、职业并不会显著影响中小城市共享单车用户骑行共享单车的频率；同样的，骑行共享单车的主要目的、能接受的找车时间、骑行时间、骑行里程均不会影响人们选择骑行共享单车的频率。共享单车越经济灵活、周边可选择的交通工具越少，人们骑行共享单车的频率就会越高。

3.2 信度分析

信度分析又被称为可靠性分析，可用来判别和计算出问卷可靠性程度的大小。通过克隆巴赫（Cronbach'α）系数来评价信度指标。本文用SPSS对所采集的数据进行信度分析，得到克隆巴赫系数为0.741，属于比较理想的程度，说明问卷的可靠性较高。

3.3 效度分析

效度分析具体指问卷所能够测量出研究问题的大小程度，可判断数据是否适合作因子分析。对数据进行Bartlett球形度检验和KMO检验。

检验结果显示Bartlett球形度检验的显著性概率Sig.为0.000，远小于0.05，说明所测变量可以被接受。同时结果显示KMO值为0.715，表明问卷数据比较适合作因子分析（如表2所示）。

3.4 公因子数量的确定

表2 KMO及Bartlett球形检验

对影响共享单车骑行频率的自变量进行主成分因子分析。在因子分析中，确定因子数量的常用方法有：特征值大于1法、解释方差总量法和碎石图法。本文将特征值大于1的公因子提取出来，此部分最终得到3个公因子，其累计方差贡献率最终达到81.878%，远大于50%，表示这3个公因子的解释度较好。自变量的累计解释总方差结果如表3所示：

表3 自变量的累计解释总方差

碎石图如图8所示：

图8 碎石图

从旋转载荷平方和中可以得出，影响中小城市用户骑行频率的因素已由原来存在相关性的5个因素抽象为相互正交的3个主成分，分别用F1、F2、F3表示，主成分F1、F2、F3是由原来5个原始影响因素经过变换后的数值线性表达式，如式（1）、式（2）、式（3）所示。此外，与第一主成分关联较密切的因素是月收入、所拥有的私人交通工具有小汽车，其相关系数分别为0.906、0.868；与第二主成分较密切的因素是自己所在城市的道路骑行安全性、所拥有的私人交通工具有自行车，相关系数分别为0.501和0.920；与第三主成分较密切的因素是骑行寻车时间会对用户是否选择共享单车骑行产生影响，相关系数为0.978。旋转后的成分矩阵如表4所示。

骑行频率的主成分表达式：

表4 旋转后的成分矩阵

其中：Fi（ i=1 ,2,3）表示影响骑行频率的第i主成分值，xj（ i=1,2,…,5）表示骑行频率影响参数标准值。

3.5 模型建立及分析

本文主要是建立以中小城市共享单车用户骑行频率为选择枝的多项logit模型，进而研究中小城市居民共享单车使用特性和作用机理。中小城市共享单车用户骑行频率定义及赋值说明如表5所示：

表5 中小城市共享单车用户骑行频率定义及赋值说明

本章构建的多项logit模型中，各选择枝被选择的概率计算公式如下：

式中：P（i）（i=1,2,3,4,5）分别表示骑行者每天骑行、每周一次、每周多次、每月一次和偶尔一次的概率（0≤P（i）≤1）；Ui表示骑行者骑行频率的效用函数。

效用函数的确定：以影响骑行者骑行频率的主成分作为效用函数的自变量，如公式（5）所示：

式中：αi表示第一主成分权重系数，βi表示第二主成分权重系数，γi表示第三主成分权重系数，εi表示效用函数常数项。模型拟合结果如表6所示：

表6 模型拟合结果

模型所拟合的数据有194条记录，结果保留了显著性的因素。模型的总体拟合优度（McFadden'sρ2）为0.32，说明模型对数据的解释程度较好。

模型中表示月收入和是否拥有小汽车的参数估计值为负值，说明月收入越高、拥有小汽车的中小城市共享单车用户骑行共享单车的频率就越小。从表示参数显著性的t值看，寻车时间对是否选择共享单车产生影响的t值绝对值最大，是影响中小城市共享单车用户骑行共享单车的最主要影响因素。

4 结论

本文选取义乌市作为中小城市的代表，研究了中小城市共享单车的使用特性。从研究中得到如下结论：（1）中小城市共享单车骑行者的出行目的会影响其能接受的找车时间、能接受的骑行时间以及能接受的骑行里程，研究表明，越是弹性的出行，比如购物、休闲娱乐、锻炼身体等，其能接受的找车时间、骑行时间和骑行里程均会相较于骑行共享单车非弹性需求者更长。（2）年龄、月收入、是否拥有自行车、出行目的等因素会影响中小城市共享单车用户能接受的骑行时长。年龄越大、工资水平越高，能接受的骑行时间越短。（3）性别、年龄、受教育程度、职业并不会显著影响中小城市共享单车用户骑行共享单车的频率；同样的，骑行共享单车的主要目的、用户能接受的找车时间、骑行时间、骑行里程均不会影响人们选择骑行共享单车的频率。其影响因素中，月收入越高，骑行共享单车的频率越低；拥有小汽车、自行车的人，骑行共享单车的频率比较低，呈负相关性。寻找共享单车的时间越长、骑行共享单车的费用越高，人们骑行共享单车的频率会有所下降。

根据中小城市共享单车出行特性统计分析，建议政府和企业，提高城市居民的道路安全感，保持路面的平整，进行合理的共享单车停放点规划，减少使用者较长时间（超过4分钟）找不到共享单车，从而提高共享单车的服务质量和使用频率。让共享单车成为人们出行的有利补充，成为提高居民生活幸福感的有力工具。