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

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。

表5 多项Logistic输出结果Table 5 Output results of multinomial Logistic model

将表6中的回归系数代入式(4)得

3.2 影响因素分析

(1)个体特征

根据模型结果可知，60岁以上游客感知便捷程度最高，其他游客的感知便捷程度与年龄负相关，感知便捷程度与月收入负相关，市内游客的感知便捷程度高于市外游客。

(2)公共交通出行链和景点吸引力

感知便捷程度与换乘次数、总出行距离、非直线系数和非机动出行距离负相关，与地铁分担率和骑行分担率正相关，与景点吸引力正相关。

重点分析非机动出行距离(Y4)与骑行分担率(Y5)的交互效应，在式(9)中，将其他自变量都看作常数项(用a和a。代替)，用Y4替代Y4∗，用Y5替代，可得

对式(10)进行变形，可得

对于式(11)，在Y5不同取值水平下，Y4在V2(V3)中的系数不同，Y5的取值越大，Y4在V2(V3)中系数的绝对值越小，且始终为负值。由此可得：骑行分担率越大，非机动出行距离对感知便捷性的负向影响越小。

对于式(12)，在Y4的不同取值水平下，Y5在V2(V3)中的系数不同。由于P1+P2+P3=1 为定值，因此随着Y5增大，P1、P2和P3的变化互相制约，有增项必有减项，如表6所示。当Y4＞0.601 km 时，Y4的取值越大，Y5在V2(V3)中的系数(为正值)越大。

由此可得：

①当非机动出行距离小于0.408 km 时，随着骑行分担率增加，感知为“不便捷”的概率增加，这意味着骑行分担率对感知便捷性的提升不显著，游客可能会因单车舒适性或骑行成本等原因给出负面评价，故较小的非机动出行距离适合步行。

表6 Y4 对Y5 的效应Table 6 Effect of Y4 on Y5

②当非机动出行距离大于0.408 km 时，骑行分担率能够显著提升感知便捷性，且距离越大，骑行分担率的正向影响越显著。

3.3 影响因素权重分析

由表5中βZ可知，公共交通出行链因素按对感知便捷性的影响权重由大到小排列为：

(1)正向影响，地铁分担率、骑行分担率。

(2)负向影响，非机动出行距离、换乘次数、总出行距离、非直线系数。

3.4 城市景点公共交通出行便捷性指数

利用式(8)计算武汉市15个景点的公共交通出行便捷性指数，不同景点的便捷性指数差异明显，如图2所示。结合公共交通出行链因素影响权重，可行的最佳改善措施为调整公交站点位置或针对性投放共享单车以改善非机动出行距离，次之为优化线路减少换乘次数和非直线系数。各景点应根据自身实际状况进行改进。

图2 武汉市景点公共交通出行便捷性指数Fig.2 Convenience index of public transportation for urban tourist attraction in Wuhan

4 结论

(1)非机动出行距离与骑行分担率有显著的交互效应。当非机动出行距离小于0.408 km时，骑行分担率对感知便捷性的提升不显著，步行出行即可给游客带来较便捷出行体验。

(2)公共交通出行链因素按对感知便捷性的影响权重由大到小排序：正向影响为地铁分担率、骑行分担率；负向影响为非机动出行距离、换乘次数、总出行距离、非直线系数。

(3)武汉市不同景点公共交通出行便捷性指数差异明显，指数最高的景点是楚河汉街，最低的景点是东湖绿道-磨山。