基于问卷调查的互联网自行车满意度Logistic回归分析：老年人视角分析
The Logistic Regression Analysis of Satisfaction Degree for Sharing Bike Based on Questionnaire Survey Data

摘要:

1. 引言

自行车，作为一种绿色交通出行工具，在我国发展大致经历了五个阶段：

· 1949年到70年代：起步阶段，

· 80年代：快速发展阶段，

· 90年代：普及阶段，

· 90年代到2016年：衰退阶段，

· 2016年以后：再发展阶段。

自行车的发展，实际上伴随着我国城镇化和通勤特征的变化。1949年到70年代，自行车主要在大城市使用，对于中小城市居民来讲，自行车是奢侈品。那时候，大城市属于农业城市形态，居民职住不分离，自行车完全可以满足通勤出行需求。80年代，自行车开始进入中小城市。据统计，1980年我国自行车保有量为9616万辆，1988年为3.1亿辆。1986年12月1日，我国第一个自行车生产集团——“永久”自行车集团成立，是自行车发展的标志事件。当时，城市形态由农业城市进入小型城市，居民职业不分离，自行车也能满足通勤出行需求。90年代，“面的”等汽车开始在大城市出现，自行车开始进入广大农村，规模增长缓慢。标志事件是，1994年，国务院公布的《汽车工业产业政策》，“鼓励个人购买汽车”。当时，城市形态为中型城市，居住基本不分离，自行车基本满足出行需求。90年代~2016年，汽车逐渐全面普及，自行车规模缩减，种类走向多样化，如山地车、公路车等。据统计，2016年，全国的自行车保有量为6000万辆。此时，城市形态为大型、特大型城市，居民职住分离明显，自行车的主要作用是用来接驳公交、地铁等。

2016年开始，随着互联网自行车的兴起，自行车进入再发展阶段。互联网自行车能快速发展，很大原因在于其与市政公共自行车相比的优势，如表1所示。

由于互联网自行车的上述比较优势，解决了大型城市、特大型城市居民出行的“最后一公里”问题，互联网自行车才会被居民广泛接受。当然，互联网自行车目前也面临着一些严重的问题，比如人车混行、乱停乱放、恶意损坏、私人占用、过度投放、故障车多、单车质量差、押金退回慢等问题。这些问题，影响用户的用车体验和感受，降低了用户的互联网自行车满意度。

为了对互联网自行车的用户类型有个全面深入的认识，分析其对互联网自行车满意度的影响，本研究通过网络问卷进行了调查。截止至2017年11月29日回收问卷16,607份，有效问卷16,546份，问卷有效率为99.63%。基于问卷调查，我们做了互联网自行车对于用户类型的Logistic回归，回归结论可以为相关部门的决策支持以及相关研究人员的研究工作提供参考。

2. 相关研究

互联网自行车作为2016年出现新生事物，国内外研究相对较少。目前，可查的资料主要是国内大型城市相关部门出台的政策，以及各互联网自行车企业和交通研究机构发布的描述性报告，如表2所示。

自行车相关的研究，目前市政公共自行车在国内外都是个热点(例如，周强等(2015)；张水潮等(2016) [1] ；徐建闽等，2017；Bhat等，2017；Zhang等，2017；Faghih-Imani等，2017)。

周强等 [2] (2015)利用苏州公共自行车刷卡数据和问卷调查数据，分析其作为地铁接驳工具的使用特征。张水潮等 [1] (2016)建立了引力场模型，来研究市政公共自行车租赁时长的分布特性。徐建闽等 [3] (2017)研究市政公共自行车多层次的分区调度问题。

Bhat等 [4] (2017)建立了基于偏正态内核差项的空间一般序列反馈模型，并用来研究公共自行车的周转率问题。Zhang等 [5] (2017)基于中山的市政公共自行车数据，研究建筑环境因素对公共自行车服务点的自行车使用的影响。Faghih-Imani等 [6] (2017)利用Barcelona和Seville的市政公共自行车数据，研究市政公共自行车的使用和再平衡问题。

从国内外研究分析来看，互联网自行车的相关分析还非常有限，对互联网自行车的用户特征以及互联网自行车的用户特征与服务满意度之间的关系认识还非常有限。本文的研究可以丰富这方面的内容，具有一定的理论和实际应用价值。

3. 数据收集与整理

基于深圳新闻网、腾讯大粤网以及微信公众号等网络渠道，我们开展了互联网自行车满意度相关的网络问卷调查。调查问卷主要针对互联网自行车用户的类型进行，如年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等。截止至2017年11月29日回收问卷16,607份，有效问卷16,546份，具体样本情况如表3所示。

如图1所示，根据问卷调查结果，用户多数对互联网自行车的发展持积极的态度，共89.80%的用户选择了“满意”或“非常满意”；仅3.61%的用户选择了“不满意”或“非常不满意”。具体哪类用户对互联网自行车满意程度比较高，哪类用户对互联网自行车的满意度比较低呢？需要通过回归方法的数据挖掘来回答。

4. 常见回归方法

如表4所示，常见的回归方法有两种：线性回归和该旅行非线性回归。线性回归基于最小二乘法(ordinary least squares，简记为OSL)原则：估计的剩余平方和最小，即最优拟合直线应该使得各点到直线的距离和最小。线性回归根本自变量的多少，又可以分为一元线性回归和多元线性回归。

此外，线性OLS回归要求因变量必须是连续性数据变量。与之相比，logistic回归要求因变量必须是分类变量，二分类或者多分类的。比如要分析性别、年龄、身高、饮食习惯对于体重的影响，如果这个体重是属于实际的重量，是连续性的数据变量，这个时候就用线性回归来做；如果将体重分类，分成了高、中、低这三种体重类型作为因变量，则采用logistic回归。

与Logistic回归类似，Probit回归也用于因变量为分类变量的情况。通常情况下，两种回归方法的结果非常接近。Probit回归是基于正态分布理论上进行的，而Logistic回归是基于二项分布，这是二者的区别，当自变量中连续变量较多且符合正态分布时，可以考虑使用Probit回归，而自变量中分类变量较多时，可考虑使用Logistic回归，如表5所示。

5. Logistic回归结果

a因为参数估计的更改范围小于0.01，所以估计在迭代次数8处终止。

表6给出了基于Logistic 3种方法回归的结果。从表中可以看出，“原出行方式”的Sig. = 0.856，大于0.05，其对互联网自行车满意度的影响不显著。因此，得到满意度的概率函数为：

$P\left(Y=0\right)=1-\frac{1}{1+{\text{e}}^{-\left(-1.304+0.146X_1+0.116X_2+0137X_3-0.638X_4-1.372X_5\right)}}.$

由表7可知，上述Logistic拟合方程的Nagelkerke R方为0.323，大于0.3，因此可以接受。

由表6可知，年收入 $X_1$ 的Exp(B)为1.157，表示互联网自行车用户收入等级每增加1个等级，其对互联网自行车的满意度可能性减少15.7%。类似的，出行目的 $X_2$ 每增加1个等级，用户对互联网自行车的满意度可能性减少12.4%；年龄 $X_3$ 每增加1个等级，用户对互联网自行车的满意度可能性减少14.7%；骑行时间 $X_4$ 每增加1个等级，用户对互联网自行车的满意度可能性增加47.2%；骑行次数 $X_5$ 每增加1个等级，用户对互联网自行车的满意度可能性增加74.6%。以上分析可知，老年人对互联网自行车的满意度普遍较低。

6. 结论

在问卷调查的基础上，本文对互联网自行车的满意度与用户特性，年收入、出行目的、年龄、骑行时间、骑行次数和原出行方式等，进行了Logistic回归分析。研究表明，年收入增加、出行目的从通勤变到休闲健身等非高峰时段出行、年龄增加，用户对互联网自行车的满意度起负面作用；骑行时间增加、骑行次数增加，对互联网自行车的满意度起正面作用。原出行方式与互联网自行车的满意度的统计关系不显著。以上分析可知，老年人对互联网自行车的满意度普遍较低。

参考文献