通勤满意度的群体异质性统计检验及建模分析

张小七， 苗 旺， 杨建坤， 王晓静

(昆明学院 机电工程学院， 昆明 650214)

以人民满意为中心是《交通强国建设纲要》对城市交通发展的内涵及要求[1]. 伴随我国城市交通已经进入由增量开发转变为存量优化的高质量发展阶段，如何提高城市居民通勤满意度和幸福感也逐渐成为人们关注的焦点. 近年来“幸福通勤”作为关键指标也出现在了全国主要城市通勤监测报告中[2]. 研究通勤满意度的分布特征和群体差异，有助于将幸福通勤等理念转变为科学的政策措施.

先前的文献只对公共交通的满意度予以研究，主要分析了经济水平等[3-5]方面对公交满意度的影响. 另外，目前在我国只有极少的文献对通勤满意度的影响因素及分布特征进行了初步探索. 赵明宇等[6]基于归纳式学习法分析通勤时间区间和通勤满意度等级之间的关系，并通过问卷数据实证研究发现，通勤时间介于10～30 min区间时，通勤满意度等级最高. 孟斌等[7]从空间视角通过统计分析发现，北京的内城及南城区相对远郊区域的通勤满意度更高. 崔继昌等[8]建立的结构方程模型得出，对工作特征和环境特征的感知显著影响扬州市民的通勤满意度. 这些文献只分析了时间、空间、环境等单个变量与通勤满意度之间的关系，还需要更加系统的挖掘通勤满意度分布特征的解释变量.

综上所述，本研究以昆明市为实证研究案例，首先，引入国外较为常用的通勤满意度量表来测度549名受访者的通勤满意度，并将其划分为不满意、一般满意、比较满意3个等级. 其次，通过描述性统计呈现通勤满意度的整体分布特征，并运用非参数检验法识别通勤方式、通勤时间、工作区位、个体属性等单个变量对通勤满意度的解释是否显著. 最后，建立有序logistic回归模型来综合分析这些变量与通勤满意度的相关关系. 研究目的在于掌握不同人群的通勤满意度差异情况和挖掘出能显著解释通勤满意度的变量，研究成果对制定差异化的通勤满意度优化政策和策略具有一定启示意义.

1 数据来源及研究方法

1.1 数据来源

以昆明市域范围内的通勤族为研究对象，在昆明市5个城区的商业中心开展随机抽样调查，回收730份问卷，剔除其中无效问卷181份，剩余549份有效问卷用于本研究，有效率达到75.2%. 问卷主要包含通勤时间、通勤方式、职住位置信息、个人及家庭信息和通勤满意度量表5部分，样本构成及变量赋值如表1所示.

1)通勤时间和通勤方式. 通勤时间划分为短时通勤(≤20 min)、中时通勤(20～40 min)和长时通勤(40 min≥)3个类别. 结合昆明市实际情况，把通勤方式划分为公共交通(公交车、地铁、单位班车)、小汽车(私家车、共享汽车)、电单车、慢行交通(步行、骑行)4大类.

2)居住和工作位置信息. 通过问卷调查表中通勤者填写的居住和工作所在位置(具体到社区或街道)，在整理数据过程中利用高德地图精准查找位置，确定具体位置后将职住区位分为主城区和外围区2类.

3)个人和家庭信息. 男性样本占比略高于女性，年龄在31～60岁的样本占比为47%，超过80%的样本是专科及以上学历，家中有小汽车样本占73%.

表1 样本构成及变量赋值

4)通勤满意度. 借鉴D.Ettema[9]的出行满意度量表(satisfaction with Travel Scale，STS)对通勤满意度进行测度. 如表2，量表围绕认知和情感2方面共设置7个题目进行测度. 对549个样本的7个题项满意度数据进行信度检验，得到克隆巴赫Alpha为0.952，表明问卷题项内部一致性较好.

1.2 研究方法

本研究主要揭示不同等级通勤满意度(分为不满意、基本满意、比较满意3类)的解释变量，有序Logistic 回归模型恰好是对存在序次关系的分类变量进行影响因素检验的统计建模工具. 相比传统的多元logistic回归，有序Logistic 回归不仅满足分类因变量的影响因素检验，而且更适用于存在等级高低的分类因变量的原因分析，故使用有序Logistic 回归模型对不同等级通勤满意度类别进行统计建模分析. 有序Logistic回归模型的数学表达式为：

(1)

式中，μj为分割点，有J-1个值，且μ1<μ2<μ3<…<μJ-1，α为回归截距(回归常数项)；βk为第k个解释变量(自变量)的回归系数.

累计概率的表达式(2)：

(2)

式中，p(y≤j/x)表示累计概率；y是x的函数，在本研究中y指3类通勤满意度等级；x指表1中所有变量. 模型采用最大似然估计法对参数进行估计，具体操作可通过SPSS25软件来实现.

表2 通勤满意度量表

2 异质人群的通勤满意度分布特征及非参数检验

2.1 通勤满意度划分

先对满意度量表中7个题项的满意度值求算术平均，以此获取每位受访者的的平均满意度，再对平均满意度进行等级划分. 如表3所示，将平均满意度为(-3.00)～(-1.00)的样本定义为不满意组，将平均满意度为(-1.01)～(1.00)的样本定义为一般满意组，将平均满意度为(1.01)～(3.00)的样本定义为比较满意组. 3个小组的样本占比分别为13.7%、51.3%和35.0%. 整体而言，65%受访样本的通勤满意度处于一般甚至较低水平.

2.2 描述性统计及非参数检验分析

通过描述性统计呈现不同人群的通勤满意度等级的样本占比情况，在此基础上，运用非参数检验法分析单个解释变量情况下不同人群通勤满意度的统计分布特征是否存在显著差异.

表3 通勤满意度划分情况

如表4所示，不同的通勤方式、不同的通勤时间段或不同的工作位置人群对通勤感知到的满意程度不同，非参数检验结果显示存在统计意义上的显著差异. 公共交通通勤人群的平均满意度最低(0.29)，慢行通勤人群的平均满意度最高(1.20)，后者的比较满意样本占比接近53%，而前者只为27%；短时通勤者的平均满意度最高(1.33)且其中比较满意的样本占56%，而长时通勤者平均满意度最低(-0.23)且其中比较满意的样本只占17%；在主城区工作的通勤者平均满意度大于在城区外围工作通勤者近0.4个单位，后者中通勤不满意样本占比高于前者达12%. 除此之外，受访者的年龄、家中有无小汽车等人口统计变量对通勤满意度的分布特征差异也存在显著统计意义. 这说明从单个解释变量来分析，通勤满意度存在着群体异质性.

3 通勤满意度的群体异质性建模分析

利用SPSS25软件中的有序Logistic 回归模型对不同通勤满意度类别的群体异质性进行检验. 模型结果如表5所示，平行性检验的P值为0.625，大于0.05，通过检验，说明有序Logistic 回归模型适用于本次研究；所建模型的整体显著性P值小于0.05，且皮尔逊(Person)卡方检验的P值为0.282，大于0.05，说明引入通勤方式、通勤时间、工作位置等解释变量后模型的拟合优度好于仅包含常数项的模型，模型解释能力增强，具有显著统计意义. 各个自变量对通勤满意度等级分布差异的解释见表5：

表4 描述性统计及非参数检验情况

1) 通勤时间对通勤满意度的影响最显著，两者存在显著负相关. 通勤时间越短，通勤满意度就越高，根据OR值，短时和中时通勤者的通勤满意度更高的可能性分别为长时通勤者的6.31、2.16倍. 这也意味着如果通勤者遭受更长时间的通勤，那么其产生不舒适的通勤体验和消极的感知评价的可能性更大，这自然会导致通勤满意度的降低. 由于时间资源的有限性，通勤者往往存在一个通勤时间成本预算，当现实消耗的通勤时间越长，通勤者用于其他日常活动的时间会越少，这将直接负面的影响通勤满意度. 由此得出，合理适度缩短通勤时间有助于改善通勤满意度.

2) 不同通勤方式的通勤满意度分布特征也存在显著差异. 以慢行交通为参照，OR值显示，小汽车和电单车通勤群体的通勤满意度更高的可能性只有慢行通勤群体的0.57、0.58倍，这说明步行和骑行这2类慢行交通相较于其他方式能给人们带来更高的通勤满意度. 这些差异背后可能的原因是：慢行交通方式一般只在短距离范围内使用，实际消耗的通勤时间较少，且慢行交通还能产生一定的健身效用，故慢行通勤者的通勤体验感最佳. 相反，小汽车通勤常常面临频繁的拥堵和较高的成本，而电单车通勤虽具有便捷优势但其易受天气影响且安全性较差，所以小汽车和电单车这2类通勤群体的通勤满意度不及慢行通勤群体. 公共交通在非参数检验中对通勤满意度存在显著影响，其通勤满意度是最低的，但在建模分析时却没有体现出显著解释性，这是因为非参数检验是单因素检验，而有序logistic回归模型是整合不同解释变量的综合检验，此时公交对通勤满意度的解释力度可能受到了通勤时间变量的淹没. 不难得出，在通勤时间预算范围内，引导更多通勤人员选择步行、骑行通勤，可提高整体通勤满意度.

3) 通勤满意度在不同工作位置通勤人群之间也存在显著差异. 在主城区工作的通勤人群，通勤满意度更高的可能性是外围区工作通勤人群的1.78倍. 从城市空间分布规律角度出发可理解为，城市外围区相对主城区而言，其交通资源配置和生活配套设施相对落后，这一方面导致在外围区工作人群并不一定生活在外围区，意味着该类人群需要花费更长的通勤时间，另一方面，外围区相对薄弱的交通资源造成较低的可达性，负面影响了通勤效率. 需要补充的是，居住位置并没有呈现出对通勤满意度的显著性影响，这可能是由于在问卷调查过程中受访者出于对自己隐私的保护，在居住位置信息填写时对真实度有所保留. 为改善工作在城区外围通勤者的满意度，混合利用土地、平衡职住关系、产城同步开发等政策需要得到进一步重视.

4) 同样的问题在个人月收入上也得到了体现. 通勤满意度在个人月收入上没有呈现显著差异，但在通勤者家中有无小汽车这一变量上却存在显著差异. 通勤问卷调查得到的个人月收入可能会失真，而小汽车拥有情况的真实率会相对较高. 一般而言，有车家庭相比无车家庭经济水平更高，经济水平越高，通勤满意度也就越高，故家中有无小汽车可作为家庭经济水平的代理变量. 模型OR值表明，家中没有小汽车的通勤群体，通勤满意度更高的可能性是家中有小汽车通勤群体的0.56倍，间接说明了家庭经济水平越高，通勤满意度越大，这符合一般的经济学常识.

表5 通勤满意度的有序Logistic回归模型

4 结论

通勤满意度是城市交通高质量发展的关键指标，分析通勤满意度的主要解释变量对提高城市交通发展水平有启示意义. 本项研究主要聚焦通勤满意度的统计分布特征及群体差异情况，以昆明市为研究案例，通过描述性统计、单因素检验和建模分析得出的结论是：通勤时间是通勤满意度的关键解释变量，通勤时间和通勤满意度显著负相关，短时通勤者(≤20 min内)满意度最高，长时通勤者(≥40 min)满意度最低；通勤满意度在不同通勤方式人群之间存在显著差异，步行和骑行带来较高的通勤满意度，公交通勤满意度最低，小汽车和电单车通勤满意度不容乐观；工作位置的空间差异可有效解释通勤满意度分布特征，在主城区工作比在外围区工作感知到的通勤满意度明显更高.

根据以上这些研究结论，在提高通勤幸福指数方面可得到的政策启示有3个方面：①优化职住关系，界定合理的通勤时间阈值范围，并以此为目标构建舒适通勤圈，有效缩短通勤时间，尽力实现职住平衡；②提高土地利用混合度，尤其在新城、新区开发过程中，注重工作岗位和交通、教育、医疗、商务等配套设施的协同规划与同步建设，实现产城融合，引导更多市民在工作区域就近居住；③优化交通资源配置，对步行、骑行系统进行交通软硬资源的适度倾斜，城市交通规划、建设、管理及运营应优先保障步行和骑行交通，鼓励慢行通勤，倡导绿色、健康和幸福通勤，从交通供需平衡的角度合理控制小汽车通勤总量，持续完善公共交通运营效率和服务质量，从而在通勤方式整体结构上提高通勤满意度.