城市景点的公共交通出行便捷性指数：基于武汉市的调查研究

2021-02-27朱顺应刁成良肖文彬陈秋成王红

交通运输系统工程与信息 2021年1期

朱顺应，刁成良，肖文彬，陈秋成，王红

(武汉理工大学，交通学院，武汉430063)

0 引言

在倡导绿色旅游理念的背景下，城市内部旅游出行中公共交通占比呈逐年上升趋势，但仍有许多游客选择小汽车出行，给景点周边交通和城市交通系统带来很大压力。为进一步缓解交通压力，鼓励更多游客选择公共交通出行是主要途径。研究表明，提升城市公共交通的便捷性，能有效改善游客出行体验[1]，因此，分析目的地景点的公共交通出行便捷性，研究其影响因素，对于引导游客选择公共交通出行具有重要意义。

目前，关于目的地出行便捷性的研究多使用可达性这一概念，可达性意为出行者接近目的地的容易程度[2]，最常用的度量方法是最短时空距离法[3]，还有以时空距离为阻抗，考虑目的地服务能力的重力模型法[4]和两步移动搜索法[5]。可以看出，可达性研究多是基于宏观、客观角度，忽略了公共交通出行过程中的微观因素(“最后一公里”、公交发车频率、换乘次数与距离)和主观因素(个体特征、心理感知)对便捷性的显著影响。

区别于小汽车出行，公共交通出行过程由许多环节构成一条出行链。不同出行链的微观因素有差异，不同出行者的适应性也有差异，这些对便捷性的评价都会产生显著影响。在最近的相关研究中：有学者关注了微观因素，如吴潘[6]考虑公交发车频率，Chia J.[7]考虑换乘站点位置；有学者关注了主观因素，如AlKahtani[8]指出个体特征在城市景点的出行便捷性评价中的重要影响，谢双玉[9]考虑静态的路网、动态的出行和乘客的感知三个维度。但鲜有学者同时考虑微观因素和主观因素，且多数学者将主观因素作为独立的评价维度，未建立起主客观因素的关联。

综上，本文提出便捷性指数的概念，区别于可达性方法的宏观性和客观性，便捷性指数方法是一种宏观与微观、主观与客观相结合的公共交通出行便捷性评价方法。基于游客对公共交通便捷性评价是在个体特征和客观外部环境基础上的感知结果这一思路，通过建立多项Logistic 模型将个体特征、公共交通出行链和景点吸引力这3个层面的因素对感知便捷性的影响程度量化，模型考虑了多模式出行链、线路走向、步行距离和共享单车的使用等微观因素。在此基础上，建立便捷性指数(CI)模型，计算城市景点的公共交通出行便捷性指数。本文对旅游公共交通规划有一定指导意义。

1 方法

1.1 概念定义与描述

本文涉及到的相关概念定义如下：

(1)公共交通出行链，游客从起点乘坐公共交通到达目的地景点的出行过程。其中，总出行距离等于乘坐公交里程、乘坐地铁里程、步行距离和单车骑行距离的总和，非直线系数等于总出行距离与起讫点间直线距离的比值，地铁分担率等于乘坐地铁里程与乘坐公交和地铁里程之和的比值，非机动出行距离等于步行距离与单车骑行距离之和，骑行分担率等于单车骑行距离与非机动出行距离的比值。

所选公共交通指标均为空间指标，具有较高的稳定性，排除日期、天气、路况等随机因素对景点便捷性的干扰，一定程度上保证了评价的客观性。

(2)景点吸引力，从武汉文化和旅游局官网获取2018年国庆小长假期间武汉市各景点的旅游人次，归一化后作为该景点的权重，定义为景点吸引力。

1.2 公共交通出行便捷性影响因素分析

采用多项Logistic模型分析影响城市景点公共交通便捷性的因素。多项Logistic模型是非集计模型，其效用函数表达式为

式中：Uin为对象n的因变量类别为i的效用；Vin为可观测固定项；εin为随机项。

根据多项Logistic 模型原理，Vin与自变量Фinm呈线性关系，即

式中：αi为截距；Фinm为第m个自变量；βim为对应自变量的回归系数；M为自变量个数；An为因变量的类别集合。

多项Logistic 模型假定Vin与εin相互独立，且εin服从Gumbel 分布，则对象n的因变量类别为i的概率Pin可表示为

初步选择11 个因素作为自变量，应用单因素方差分析检验各自变量对因变量的显著性，结果表明，除性别因素外，其余自变量对因变量均有显著影响。纳入模型的自变量如表1所示，其中，Xj为分类自变量，Yl为连续自变量。

为分析分类自变量不同类别对因变量的影响，将分类自变量转换为多个哑变量。以自变量最后一项为参考项，各哑变量定义如表2和表3所示。

表1 自变量Table 1 Independent variables

表2 年龄和月收入的哑变量Table 2 Dummy variables of age and monthly income

表3 客源地和换乘次数的哑变量Table 3 Dummy variables of tourist origin and transfer times

因变量即游客的感知便捷程度，采用三级李克特量表对感知便捷程度进行得分赋值，如表4所示。

表4 因变量Table 4 Dependent variables

以“不便捷”为参照类别，建立两个广义Logit模型为

式中：i为因变量类别；j为离散型自变量编号；J为离散型自变量个数；k为哑变量编号；l为连续型自变量编号；L为连续型自变量个数；i,j,J,k,l,L∈N+。

1.3 各因素的影响权重分析

自变量的量纲不同，无法根据多项Logistic 模型输出的回归系数，确定哪个自变量对因变量的影响权重更大。为进一步分析各自变量的影响权重，首先用z-score 法对自变量和因变量进行标准化变换，使用标准化后的变量进行Logistic回归，得到标准化回归系数βZ。标准化系数绝对值越大，自变量对感知便捷程度的影响权重越大。z-score法的计算公式为

式中：ФZ为标准化变量；μ为变量Ф的平均值；σ为变量Ф的标准差。

1.4 城市景点的公共交通出行便捷性指数计算

将问卷数据代入式(4)，分别求得每位受访游客感知便捷程度为“不便捷、比较便捷、便捷”的概率。计算公式为

式中：Pi为某受访游客感知便捷程度为i的概率。

对于某受访游客，应有P1+P2+P3=1。以Pi为权重，游客感知便捷程度的期望值表示为

对于某城市景点，N名受访游客E(i)的平均值为EN(i)。参考顾客满意度指数模型，建立城市景点的公共交通出行便捷性指数模型为

式中：ECI为便捷性指数(CI)的取值；Emin(i)为感知便捷程度的最小值；Emax(i)为感知便捷程度的最大值。实际计算中，取Emin(i)=1，Emax(i)=3。

2 数据

2.1 数据采集

针对乘坐公共交通的游客开展调查，问卷由3部分组成：①个体特征信息，包括性别、年龄、月收入、是否本地游客；②出行信息，包括出发地(目的地即为调查地点)、乘坐的公共交通线路组合，以及共享单车使用次数；③感知信息，即游客对公共交通的感知便捷程度，分为“不便捷、比较便捷、便捷”这3个级别。

调查于2019年11月和12月开展，采取分层简单随机抽样面对面调查，调查地点为武汉市15 个当季最热门景点。本次调查共发放问卷1600 份，回收有效问卷1174份，样本有效率为74.8%，如图1所示。游客感知便捷程度实测标准差为0.65，在置信度95%水平下，相对误差是1.9%。有研究表明，Logistic 回归建模所需最小样本量为10×自变量数量/因变量中数量最小类别的样本量占比[10]，据此，本次调查样本量符合要求。

图1 城市景点选取与调查Fig.1 Selection and survey of urban tourist attractions

2.2 数据处理

通过问卷调查，获知游客起讫点与乘坐线路。将起讫点输入网络地图的路线查询模块，筛选找到游客选择的方案。得出：游客在此次出行过程中的总出行距离、非直线系数、地铁分担率、非机动出行距离和换乘次数。结合非机动出行距离和共享单车使用次数计算单车骑行距离，继而可求出骑行分担率。

3 结果与分析

3.1 模型求解

因变量“感知便捷程度”属于有序分类变量，适当求解方法是有序Logistic 回归，但由于未通过平行性检验，故采用更为灵活的多项Logistic 回归求解。多重共线检验结果表明，自变量间的共线性不明显。将非机动出行距离和骑行分担率的交互项纳入模型以研究其交互效应，进行中心化处理以消除交互项与对应低次项的共线性，即令将Y4∗、Y5∗和纳入模型。利用SPSS22.0 进行多项Logistic，同时用1.3节介绍的方法求得公共交通出行链因素的标准化系数，结果如表5所示。

同一自变量下，只要存在任意哑变量通过检验，则该自变量下的所有哑变量均纳入到回归方程中。所有自变量均通过Wald 检验，即Sig.小于0.05，具有统计学意义，将纳入最后的方程中，且模型预测准确率达到73.2%，预测效果较好。