外卖配送公共交通违法行为影响因素分析

王雅坤，卢昕玮，陈巧丽，刘 野

(1.长安大学 经济与管理学院，陕西 西安 710000; 2.西安科技大学 测绘科学与技术学院，陕西 西安 710000)

0 引言

由于“懒人经济”“宅经济”的需求发展，国家政策支持及行业规范的出台等促使在线订餐服务已成为消费者的基本消费习惯。自2012年起，外卖行业一直保持高速发展态势，据艾媒数据统计，全国每周至少产生4亿份外卖订单，约有700万配送人员在各地忙碌[1]。在市场规模的高速发展下，催生了与时间“赛跑”的庞大外卖配送餐群体，他们“用违法违规换时间”，时刻上演着诸如闯红灯、超速、逆行等公共交通违法行为[2]。2019年上半年，南京市有1.38万起快递外卖行业配送员因交通违法被查，违法行为发生率是非外卖配送员的10倍[3]。2018年底仅1个月时间，西安市被查处的外卖配送公共交通违法行为高达800余次[4]。外卖配送公共交通安全问题自2016年起便受到广泛社会关注，各地政府陆续出台了相关治理政策[5]，虽有一定约束作用，但并未从根源上解决问题。因此必须有效掌握外卖配送员公共交通违法行为频发的根本因素，确定其公共交通违法的根源，尽快弥补外卖配送公共交通安全的短板。

现有关于外卖配送的研究集中在外卖配送模式[6-8]、配送路径[9-10]、法律监管[11-14]等方面,以法律监管为主，集中建议政府加强外卖配送法律监管从而降低配送员交通事故发生率。目前对外卖配送公共交通违法问题的研究也较为匮乏，已有研究大多侧重于对交通安全隐患、安全教育、管理失衡等外在因素分析[15-18]。由于缺乏外卖配送员自身内在因素研究，针对外卖配送公共交通违法问题的学术关注明显少于社会关注，对于问题治理的学术研究成果不足，难以为实际治理工作提供充足的参考。因此，本文将从外卖配送员自身角度出发，运用Logistic回归分析法、灰色关联分析法结合定性分析，研究外卖配送行业公共交通违法行为产生的人因事故影响因素。

1 研究思路与数据来源

基于问卷调查获取的原始数据，本文将结合定性定量分析，深入研究外卖配送公共交通违法行为影响因素。将外卖配送员分为曾发生过和未发生过公共交通违法行为2组样本，首先通过2组对比，运用Logistic回归对比分析对影响外卖配送员是否会发生公共交通违法行为的因素；再对其中发生过公共交通违法行为的1组样本，运用灰色关联分析法深入分析影响其违法意愿的因素强度大小；最后，针对外卖配送公共交通违法行为的影响因素提出相应的治理措施。具体研究思路如图1所示。

图1 研究思路Fig.1 Research ideas

2 是否发生外卖配送公共交通违法行为的影响因素

本文将样本数据分为“曾发生过”“未发生过”公共交通违法行为2组样本，2组样本之间的对比差异便是治理外卖配送员公共交通违法问题的突破口，结合模型适配条件，鉴于因变量“是”“否”为二项分布的非连续取值，本文选取研究因变量为二分变量的Logistic回归模型对比分析2组样本，探究对外卖配送员是否发生公共交通违法行为的影响因素。

2.1 Logistic回归模型指标选取

2.2 Logistic回归模型构建与检验

首先，针对xj(j=1，2，3，4)变量设定原假设“H0：第j个xj(j=1，2，3，4)变量对y=1的概率P没有显著性影响”。选用Ward卡方检验法检验参数的统计假设含义，检验结果显示Ward卡方值小于0.05，则拒绝H0，接受H1，即认为第j个xj变量对y=1的概率P有显著性影响，在95%的置信区间内认为该结果准确。进而可采取逐步回归法来筛选危险因子。

通过“向后：LR”法进行xj与y之间Logistic回归模型的构建，根据极大偏似然估计的似然比统计量概率值是否大于给定的显著性水平来检测最终变量。

表1 Logistic回归指标的选取Table 1 Selection of Logistic regression indexes

参数及模型检验结果见表2，进而可知最终纳入Logistic回归模型的模型参数为2个，其似然比检验结果sig.=0.000<0.05表示本次拟合模型纳入的变量中，至少有1个变量的OR值有统计学意义，即模型总体有意义。选取可以检验全部自变量且对因变量具有联合作用的似然比检验法来进行模型总体检验，同时运用Hosmer和Lemeshow检验法检验模型的拟合优度，检验结果见表2。Logistic回归模型通过了似然比检验，当P值不小于显著性水平时(即sig.=0.179>0.05)，认为当前数据中的信息已被充分提取，该模型拟合优度较高。

结合“向后：LR”法的似然原理，对模型中各变量指标进行统计检验，见表3。由表3可知，最终输出结果中，通过参数检验的指标x1平均每月送餐收入(sig=0<0.05)、x3平均每单配送距离(sig=0<0.05)最终纳入Logistic回归模型。

表2 参数及模型检验Table 2 Parameters and model tests

注：卡方1为似然比参数检验；df为自由度；Sig.为概率P值；卡方2为似然比卡方观测值。

表3 检验模型变量Table 3 Test model variables

注：B为回归系数；S.E为回归系数标准误；Wals为Wald检验统计量观测值；df为自由度；Sig.为概率P值；Exp(B)为回归系数风险比；C．I.为置信区间。

由表3得构建的Logistic回归模型为：

(1)

通过Logistic回归模型对曾在配送过程中出现过公共交通违法行为的71.92%的外卖配送员样本数据调整后，对比分析“曾发生过”“未发生过”公共交通违法行为的2组样本后发现：外卖配送员是否发生公共交通违法行为的影响因素是“平均每月送餐收入”“平均每单配送距离”。由此可知：

1)平均每月送餐收入>10 000元相对于<2 000元的外卖配送员，在配送过程中前者发生公共交通违法行为的概率是后者的1.038倍(95%C.I.：2.354-1.316=1.038)[19]。以问卷数据中“是否发生公共交通违法行为”为权重，将各阶段月均收入与“是否发生过公共交通违法行为”指标进行交叉分析，所得的概率值作为权重值，加权计算配送员平均每月送餐收入的概率期望，发现曾出现过公共交通违法行为的配送员平均月收入为6 415元，而未发生过公共交通违法行为的配送员平均月收入为4 869元。为了提高收入，很多外卖配送员忽视休息与生命安全，甚至自愿开启“全年无休”模式，形成“隐形强制加班”，长时间的劳累必然会影响外卖配送员在交通行驶中的判断能力，导致公共交通违法行为频发。

2)同理，平均每单配送距离>8 km相对于<2 km的外卖配送员，在配送过程中前者发生公共交通违法行为的概率是后者的0.416倍(95%C.I.：0.674-0.258=0.416)。同时根据样本数据可知，在违法群体中平均配送距离为远距离(>6 km)的配送员仅占1.37%，结合平台配送规定以及访谈调查可知，远距离配送时限相对短距离时限更加宽松，收入更高，是业内的理想订单。因而拥有高收入及充足配送时间是减少公共交通违法行为发生的根本原因。

有一天，颖春开着一辆车来到了野猪坳，她是带女儿来看我的。秀红非常热情地接待了她和女儿，又是杀土鸡又是煮野菜的。吃饭的时候，女儿高兴地对我说，爸爸，告诉你一个好消息，妈妈当官了，是你原来的那个位置，县农业局副局长。

通过以上分析可知：“平均每月送餐收入”越大对公共交通违法行为的发生有推动作用，“平均每单配送距离”越大对公共交通违法行为的发生有控制作用。二者是判断区分“是否发生”外卖配送公共交通违法行为的突破口，但其仅能辅助快速找到目标群体，并不能为治理方案提供参考措施，因而仍需确定外卖配送公共交通违法的根源，掌握其频发的根本因素，可有针对性地提出解决措施，尽快弥补外卖配送公共交通安全的短板。

3 发生外卖配送公共交通违法行为意愿的影响因素驱动强度

为了从根本上治理外卖配送公共交通安全问题，需进一步将目光聚集到对社会公共交通安全有影响的外卖配送员身上，即判断“一定会出现”公共交通违法行为的外卖配送员群体受哪些因素驱动，以及不同因素对此类群体违法意愿强度的影响大小，根据影响强度大小排序有针对性地采取不同程度的解决方案。

对“曾出现过”交通违法行为样本的违法意愿强度影响因素进行分析。考虑到灰色关联分析法不仅能够克服由于随机调查对象存在个案差异而引起的问卷信息不全面、不容易形成明确概念的缺陷，还能够将评价因素之间的不完全确定关系进行白化的优势[20]，故选用灰色关联模型分析影响外卖配送发生公共交通违法行为的影响因素驱动强度。

选取5种交通环境下外卖配送员的违法意愿作为反映系统行为特征的参考序列，选取影响系统行为特征的因素作为比较序列，根据相关性检验结果确定影响外卖配送员发生公共交通违法行为意愿强度的影响因素见表4。各指标均采用五维李克特量表度量，变量赋值为“1～5”。

表4 序列选取Table 4 Sequence selection

(2)

由于关联系数是比较序列与参考序列在各个样本的关联程度值，信息过于分散不便于整体性比较，因此通过取平均值集中表示比较序列与参考序列间的关联程度。此外，因素间的关联程度主要是用关联度的大小次序描述，而不仅是关联度的大小，反映了各个比较序列的“优劣”关系，进而通过式(3)计算得到关联度结果见表5。

(3)

表5 关联度结果及排序Table 5 Results and ordering of correlation degree

综合关联度由样本中各情境违法意愿超过50%的样本大小为权重加权平均得出，若某种情景下违法意愿超过50%的样本越多(权重越大)，说明对外卖配送群体而言此种违法现象越严重，越应该受到重视。结果表明，外卖配送发生公共交通违法行为的影响因素驱动强度由强到弱依次为：平均每日接单数量(0.834 7)、平均每月送餐工作收入(0.834 3)、平均每单配送时长(0.829 7)、对骑手意外险的了解程度(0.828 4)、生活压力(0.824 8)、对外卖配送交通安全管理工作的了解程度(0.821 5)、从事送餐工作的时长(0.819 2)、平均每单配送距离(0.819 0)、送餐工作收入占全部收入的比重(0.818 5)。各因素与外卖配送员公共交通违法意愿的关联度都较高，均达到0.8以上，说明外卖配送员公共交通违法意愿受以上因素支配较为明显，同时由驱动强度可知影响外卖配送员发生公共交通违法意愿最主要的因素是平均每日接单数量、平均每月送餐工作收入、平均每单配送时长。具体分析如下：

1)平均每日接单量大是影响外卖配送员发生公共交通违法行为意愿的直接因素，而平均每月送餐收入低是影响外卖配送员发生公共交通违法行为意愿的核心因素。每日接单量和月均收入的分布曲线如图2所示。由图2可知，平均每日接单量与配送收入成正比，收入比率与每日接单量成“倒U型”曲线分布，随着接单量增加，曲线偏态从“右偏”向“左偏”过度，即接单量越高，峰值“每月收入众数”越大。同时受现行接单量与薪酬强烈相关的计酬方式影响，为追求高收入而过度接单是业内普遍现象，形成了“收入随着接单量增加而提高，同时配送员出现公共交通违法行为现象也增加”的恶性循环，成为影响外卖配送发生公共交通违法行为的直接因素。在如此超负荷接单量的工作状态下，其送餐收入众数仅为4 000～6 000元/月。而通过调查可知外卖配送是81.77%外卖配送员的主要收入来源，每位配送员都存在着多种生活压力，生活压力大是其为追求高收入而过度接单、一味求快而出现交通违法行为的核心因素。

图2 每日接单量和月均收入的曲线分布Fig.2 Curves distribution of daily received orders amount and monthly average income

2)平均每单配送时长是影响外卖配送员发生公共交通违法行为意愿的推动因素。根据样本数据可知，在短距离配送中，平均每单配送时间与配送收入众数成反比，平均每单配送时间<30 min的收入众数为6 000～<8 000元，而配送时间为30～40 min阶段的收入众数为4 000～<6 000元。受“工资给付按件计酬”的计酬方式影响，若配送员想提高收入必须缩短配送时间换取收入，形成“用生命与时间赛跑”的高危模式，因此更易在有限时间内出现公共交通违法行为。促使平均每单配送时长成为导致外卖配送发生公共交通违法行为的推动因素。

4 提出建议

为长期根治外卖配送公共交通违法问题，提出以下建议：

1)政府提供适当支持，降低配送员生活压力，遏制引起公共交通违法行为的核心因素，降低违法意愿，减少违法行为。

2)配送平台改善管理机制，改进现行计酬方式以及奖惩制度，弱化薪酬与订单量的关联，隔断促使公共交通违法行为的直接因素。

3)合理规划配送距离与时间，匹配充足配送时间，铲除导致外卖配送发生公共交通违法行为的推动因素，提高社会公共交通安全。

4)统一出台外卖配送公共交通安全管理政策，定期培训教育，强化外卖配送员安全教育与相关法律学习，从内在提高公共交通安全认知意识。

5 结论

1)影响外卖配送员是否会发生交通违法行为的因素为平均每月送餐收入和平均每单配送距离，二者是解决该问题的突破口。

2)外卖配送员发生公共交通违法行为意愿的主要驱动因素是平均每日接单数量、平均每月送餐收入以及平均每单配送时长。

3)现行接单量与薪酬强烈相关的计酬方式是配送员追求高收入而过度接单的直接因素，生活压力大迫使配送员以违法换收入是导致该问题的核心因素，而平均每单配送时长是其推动因素。