疫情防控背景下城市居民出行特性及影響因素分析

徐 程, 鄭貽遠(yuǎn), 管滿泉, 黃星源

(浙江警察學(xué)院交通管理工程系， 浙江杭州 310000)

0 引言

新冠肺炎疫情在全球肆虐，其對(duì)居民的出行行為產(chǎn)生了深遠(yuǎn)的影響。因此，深入分析疫情防控下居民出行行為改變的規(guī)律，分析影響居民出行的主要因素顯得尤為重要。胡三根等[1]分析了疫情初期出行距離對(duì)居民出行方式選擇的影響。姜楠等[2]調(diào)查了疫情期間我國(guó)居民出行方式選擇的變化情況。劉建榮等[3]調(diào)查發(fā)現(xiàn)新冠疫情會(huì)顯著降低老年人公交使用頻率。賈興利等[4]根據(jù)模型計(jì)算得出市內(nèi)道路封閉、客運(yùn)交通停運(yùn)和小區(qū)人口流動(dòng)控制三種交通管控措施對(duì)阻斷疫情傳播效果明顯。其他一些學(xué)者也從不同的角度定量分析了新冠疫情下居民出行情況及其影響因素[6-8]。Lebrun[9]和Anastasiya等[10]分別研究了法國(guó)人和巴西人未來(lái)短時(shí)間內(nèi)的出行意愿，對(duì)疫情感知的嚴(yán)重程度，以及對(duì)未來(lái)出行行為改變的影響因素。國(guó)內(nèi)外對(duì)于影響出行方式因素的研究較多，但針對(duì)影響出行模式安全性因素的研究較少，因此，通過(guò)建立有序logistic回歸模型研究居民出行模式的影響因素是很有必要的。

1 疫情期間出行特性描述性分析

本文利用問(wèn)卷星平臺(tái)開(kāi)展居民疫情期出行行為問(wèn)卷調(diào)查，調(diào)查內(nèi)容包括個(gè)人信息、出行特征、出行心理3部分。調(diào)查時(shí)間為2020年7月1日～9月31日，期間共回收有效問(wèn)卷355份。問(wèn)卷覆蓋全國(guó)26個(gè)省、市。其中，男性148人(占41.7%)，女性207人(占58.3%)；年齡多集中在18～40歲(占90.5%)；事業(yè)單位占比最高(占24.2%)，其次是民營(yíng)企業(yè)和個(gè)體經(jīng)營(yíng)(占23.4%)。

1.1 居家隔離期的出行特性統(tǒng)計(jì)

1.1.1 居家隔離期出行目的分析

居家隔離期指2020年1月23日～2020年3月16日完全復(fù)工，針對(duì)居家隔離期出行目的的研究，分別研究居民彈性出行和非彈性出行的出行行為特性。

(1)彈性出行

彈性出行是指散步、娛樂(lè)活動(dòng)、走親訪友、上學(xué)補(bǔ)習(xí)類對(duì)生產(chǎn)生活非必要的出行。調(diào)查結(jié)果表明，彈性出行占總出行的52.8%。其中散步占11.0%、娛樂(lè)活動(dòng)占12.8%、走親訪友占14.5%、上學(xué)補(bǔ)習(xí)占14.5%。彈性出行占比隨著出行頻率增加而大幅度上升且占比較高，尤其是一周出行5天以上的群體中，有64%的出行為彈性出行，說(shuō)明出行頻率較高的群體產(chǎn)生了較大比例的非必要出行。

(2)非彈性出行

非彈性出行指采購(gòu)日常用品、外出就診對(duì)生產(chǎn)生活必要的出行。圖1所示，采購(gòu)日常用品占29.3%、外出就診占17.9%，非彈性出行占總出行的47.2%。采購(gòu)日常用品占比隨著出行頻率增加而大幅度下降，說(shuō)符合居民需求的采購(gòu)日常用品的頻率應(yīng)在一周3天以下。

圖1 隔離期出行頻率與出行目的關(guān)系圖

1.1.2 居家隔離期的出行頻率分析

通過(guò)調(diào)查顯示，無(wú)出行的居民占26.8%，一周出行2天以下占32.0%，一周出行3天占24.0%，一周出行4天占12.6%，一周出行5天以上占比最小，為4.6%。大部分居民出行頻率在一周3天及以下(82.8%)，整體出行頻率平均一周2.1天，該平均出行頻率處于較低的水平，其對(duì)整體出行模式的安全性呈積極作用。

1.1.3 居家隔離期的出行方式分析

(1)總體出行方式

居家隔離期的出行方式采用多選題的方式進(jìn)行調(diào)查。調(diào)查結(jié)果顯示，地鐵/輕軌的占比最高(25.1%)，其次是私人汽車(22.8%)、步行(17.9%)、騎行(12.5%)、公交車(11.2%)，占比最低的是網(wǎng)約車(10.4%)。其中，地鐵/輕軌、私人汽車、步行和騎行是最主要的出行方式，占總出行方式的78.3%。地鐵/輕軌為半封閉空間、自帶通風(fēng)系統(tǒng)、空氣流通良好，是疫情期間較為安全的公共出行方式。因此，這4種出行方式都符合安全性高的特性，說(shuō)明居家隔離期間大部分出行方式符合避免感染的出行要求。

(2)個(gè)體出行

屬于個(gè)體出行的私人汽車、步行、騎行占總出行方式的53.3%，比公共出行占比略高。其中步行、騎行隨著出行頻率增加占比逐漸降低。說(shuō)明出行距離短、速度慢的出行方式不適合高頻率出行群體，居家隔離期居民對(duì)出行方式的經(jīng)濟(jì)性和速度性的需求依然較高。

(3)公共出行

屬于公共出行的地鐵/輕軌、公交車、網(wǎng)約車占總出行方式的46.7%。如圖2所示，隨著出行頻率的增加，公共出行占比先大幅度升高后小幅度降低，公共出行在一周3天以上的高頻率出行群體中占比較大。說(shuō)明公共出行使用率比個(gè)體出行更高，反映出高出行頻率群體對(duì)于出行方式經(jīng)濟(jì)性的追求較高。由于高出行頻率群體接觸他人和傳染他人的概率較高，再加上其公共出行占比很大的情況會(huì)加劇高出行頻率群體的出行安全性降低的情況。

圖2 隔離期出行頻率與出行方式折線圖

1.1.4 不同年齡群體出行方式分析

由于18歲以下和50歲以上的群體樣本過(guò)少，因此合并年齡樣本數(shù)據(jù)，合并為25歲以下和40歲以上的分類。由圖3所示，25歲以上群體隨著年齡的增加，乘坐私人汽車的占比大幅度上升，各類公共出行的占比下降；25歲到30歲群體由于經(jīng)濟(jì)條件的限制，私人汽車出行的占比最低，公共出行的占比最高。

圖3 居家隔離期出行方式與年齡的棘狀圖

1.2 居家隔離期與暑假出行方式比較分析

研究疫情高風(fēng)險(xiǎn)的居家隔離期與疫情低風(fēng)險(xiǎn)的暑假兩個(gè)階段的居民出行方式的變化規(guī)律，為評(píng)估出行安全性變化提供必要條件。隔離期為2020年1月23日～3月16日完全復(fù)工復(fù)產(chǎn)，暑假指2020年7月1日～8月31日。

1.2.1 個(gè)體出行

由圖4分析居家隔離期至暑假出行方式占比的變化。屬于個(gè)體出行的私人汽車(23%)大幅度下降11%，可見(jiàn)居民的出行傾向已經(jīng)從安全性向經(jīng)濟(jì)性轉(zhuǎn)變。而騎行、步行均出現(xiàn)小幅度上升，說(shuō)明隨著疫情好轉(zhuǎn)，居民出行方式多樣化、出行頻率上升。

圖4 隔離期至暑假的出行方式變化折線圖

1.2.2 公共出行

屬于公共出行的地鐵/輕軌(25%)、公交(18%)、網(wǎng)約車(10%)均大幅度上升。公共出行占比大幅度上升，說(shuō)明居民對(duì)出行方式的經(jīng)濟(jì)性傾向迅速增強(qiáng)，同時(shí)也產(chǎn)生出行的安全性相對(duì)下降的隱患。

1.2.3 疫情期公共出行特性的優(yōu)先順序分析

研究居民對(duì)公交出行4種特性的先后順序，采用排序比較優(yōu)先級(jí)。順序位最先的是安全性(平均第1.52順序位)，其次是速度性(平均第2.22順序位)，經(jīng)濟(jì)性(平均第2.46順序位)，順序位最后的是便捷性(平均2.85順序位)。說(shuō)明居民對(duì)公交出行安全性的傾向是最大的。其次，居民傾向的是速度性，因?yàn)楣怀鲂械耐ㄐ兴俣仍娇煸诮煌üぞ邇?nèi)部與其他乘客接觸時(shí)間越少。居民對(duì)安全性和速度性傾向最大，意味著大部分居民對(duì)出行方式特性的主觀判斷是符合疫情防控要求的。居民對(duì)于公交出行便捷性的傾向最小，說(shuō)明疫情出行安全性較高。因?yàn)楣步煌ǖ倪\(yùn)行范圍越大、班次越多其便捷性越好，其導(dǎo)致公共交通內(nèi)其他乘客的流動(dòng)會(huì)越頻繁，乘客來(lái)源的地域范圍越廣，疫情感染風(fēng)險(xiǎn)越高，相對(duì)安全性越低。

2 疫情出行模式有序logistic回歸分析

2.1 有序logistic回歸分析理論

有序logistic回歸是一種廣義線性回歸，用于研究X對(duì)于Y的影響關(guān)系，如果X為類別數(shù)據(jù)，一般需要作虛擬變量設(shè)置，Y為數(shù)值型變量，變量的數(shù)字大小有比較意義。在出行模式中，根據(jù)安全性由低到高可分為無(wú)出行、個(gè)體出行、個(gè)體公交兼容、公交出行4個(gè)等級(jí)。有序logistic回歸分析時(shí)，首先選擇連接函數(shù)，考慮到出行模式樣本不符合正態(tài)性，因此選擇Cauchit連接函數(shù)；通過(guò)Cauchit函數(shù)將出行模式形成概率與不形成概率的比值定義為線性函數(shù)表達(dá)式，使有序因變量與自變量間建立一定線性關(guān)系，在二元 logistic回歸模型中，記出行模式形的概率為P,X1～Xn表示n個(gè)影響因素，用有序logistic回歸公式表示出行模式形成的概率為：

(1)

其中，β0為常數(shù)項(xiàng)，β1～βn為回歸系數(shù)，代表自變量與因變量的相關(guān)性，發(fā)生率exp(β)衡量因變量對(duì)出行模式形成概率的影響程度，當(dāng)因變量每增加一個(gè)單位，出行模式形成比率將增加為原來(lái)的exp(βn)倍。

因此某種出行模式形成的優(yōu)勢(shì)比(Odds Ratio)表達(dá)為：

(2)

2.2 變量選擇與檢驗(yàn)

以SPSS軟件為數(shù)據(jù)分析方式，選取了居民屬性、城市屬性、出行特征、出行心理4類，共12個(gè)變量作為出行模式形成的自變量，具體變量如表1所示。

表1 模型變量分類說(shuō)明

2.3 數(shù)值型變量的Kruskal-Wallis檢驗(yàn)

數(shù)值型變量指數(shù)字大小具有比較意義。有序logistic回歸分析前，需要驗(yàn)證10個(gè)數(shù)值型變量是否對(duì)出行模式具有顯著性影響。由于出行模式樣本呈非正態(tài)性，用非參數(shù)Kruskal-Wallis檢驗(yàn)分析數(shù)值型變量對(duì)于出行模型的差異關(guān)系。如表2所示，道路網(wǎng)密度、非彈性出行、彈性出行、出行頻率、彈性出行影響、安全性順序、速度性順序、交通管制滿意度8個(gè)數(shù)值型變量對(duì)出行模式樣本形成顯著性影響(p值<0.05)，該8個(gè)數(shù)值型變量計(jì)入有序logistic回歸分析的變量范圍。

表2 數(shù)值型變量的Kruskal-Wallis檢驗(yàn)結(jié)果

2.4 類別變量的Mann-Whitney檢驗(yàn)

類別變量指數(shù)字本身無(wú)意義，數(shù)字大小代表分類。類別變量一般需要做虛擬變量設(shè)置，變量的數(shù)字大小有比較意義?！奥殬I(yè)”的類別變量進(jìn)行回歸分析前，將其處理成數(shù)據(jù)僅用數(shù)字0和1表示的虛擬變量，比如“服務(wù)業(yè)”虛擬變量的1表示服務(wù)業(yè)人員，0代表非服務(wù)業(yè)人員。

由表3結(jié)果得出，服務(wù)業(yè)虛擬變量形成顯著差異性(p值<0.05)，將其計(jì)入有序logistic回歸分析的變量范圍。

表3 類別變量的Mann-Whitney檢驗(yàn)結(jié)果

3 模型評(píng)價(jià)及結(jié)果分析

3.1 多重共線性檢驗(yàn)

多重共線性檢驗(yàn)是對(duì)多個(gè)自變量之間的相關(guān)性進(jìn)行評(píng)價(jià)，避免各影響因素之間相關(guān)性較高導(dǎo)致模型的誤差。利用SPSS軟件進(jìn)行共線性檢驗(yàn)，其結(jié)果主要分析容差和VIF，容差越接近0共線性越強(qiáng)，VIF小于5說(shuō)明無(wú)共線性。從表4得出，容差均接近于0，VIF均不大于5，說(shuō)明各變量之間無(wú)明顯共線性。

表4 多重共線性檢驗(yàn)結(jié)果

3.2 模型模型評(píng)價(jià)及結(jié)果分析

3.2.1 模型擬合度分析

模型擬合中，通過(guò)赤池信息準(zhǔn)則(AIC)和貝葉斯信息準(zhǔn)則(BIC)兩種方法，研究模型復(fù)雜度與模型對(duì)數(shù)據(jù)集描述能力(即似然函數(shù))兩者之間的最佳平衡，AIC值和BIC值用于多次分析時(shí)的對(duì)比，此兩值越低越好。

比較未放置服務(wù)業(yè)虛擬變量(模型1)和放置服務(wù)業(yè)虛擬變量(模型2)的兩種模型前后的AIC值和BIC值。如表5所示，模型2比模型1的AIC值低1.869，但是BIC值高1.999。因?yàn)锽IC更適用于樣本較小的模型，且懲罰項(xiàng)比AIC大，說(shuō)明模型2出現(xiàn)模型過(guò)擬合的邊緣，因此回歸模型選擇未放置服務(wù)業(yè)虛擬變量的模型1。

表5 模型擬合度分析結(jié)果

3.2.2 平行性檢驗(yàn)

出行模式樣本呈非正態(tài)性，使用Cauchit連接函數(shù)進(jìn)行研究。有序logistic回歸模型分析除了要求因變量為數(shù)值型變量外，還需滿足平行性檢驗(yàn)對(duì)整體模型有效。平行性檢驗(yàn)的結(jié)果如表5所示，顯著性p值<0.05，證明平行性假設(shè)成立，各回歸方程相互平行，因變量出行模式的安全性為等差分類，滿足比例優(yōu)勢(shì)，模型回歸結(jié)果有效。

表6 有序Logistic回歸平行性檢驗(yàn)

3.2.3 模型分析結(jié)果

利用SPSS進(jìn)行有序logistic回歸分析，結(jié)果如表7所示。當(dāng)顯著性p值<0.05時(shí)，說(shuō)明該變量對(duì)出行模式安全性有顯著影響，OR值反映影響因素對(duì)出行模式安全性的影響程度，OR值大于1，表明在此影響因素的作用下出行模式安全性降低，反之，OR值小于1則表明出行模式安全性升高。

根據(jù)回歸結(jié)果，將具有顯著影響的自變量以及其對(duì)應(yīng)的回歸系數(shù)值：

f(x)=β0+β1x1+…+βnxn

(3)

公式3代入出行模式形成的概率(公式1)，得到回歸模型中事件發(fā)生概率的函數(shù)為：

(4)

3.2.4 評(píng)價(jià)結(jié)果分析

根據(jù)模型計(jì)算結(jié)果，4個(gè)因素對(duì)出行模式的安全性有顯著影響，其中1個(gè)因素與城市屬性有關(guān)，2個(gè)因素與出行特征有關(guān)，1個(gè)因素與出行心理有關(guān)，詳情見(jiàn)表7。

表7 有序logistic回歸模型分析結(jié)果

與城市屬性有關(guān)的1個(gè)因素為道路網(wǎng)密度。道路網(wǎng)密度的回歸系數(shù)值為0.146，呈現(xiàn)出0.01水平的顯著性(p=0.004<0.01)，道路網(wǎng)密度會(huì)對(duì)出行模式的安全性產(chǎn)生很顯著的負(fù)向影響。OR值為1.157，意味著道路網(wǎng)密度增加1千米/平方千米時(shí)，居民選擇安全性高的出行模式的減小幅度為1.157倍。道路網(wǎng)密度一定程度反映了城市公共交通的發(fā)展，發(fā)達(dá)的城市公共交通體系為居民出行和采用公共出行提供充足條件，從而增加個(gè)體出行頻率和降低疫情出行安全性。

與出行特征有關(guān)的2個(gè)因素為彈性出行、出行頻率。彈性出行的回歸系數(shù)值為0.379，呈現(xiàn)0.01水平的顯著性(p=0.002<0.01)，非必要出行會(huì)對(duì)出行模式的安全性產(chǎn)生顯著的負(fù)向影響。OR值為1.461，意味著出行目的中彈性出行數(shù)量增加1個(gè)，居民選擇安全性高的出行模式的減小幅度為1.461倍。說(shuō)明，疫情期個(gè)體出行目的中彈性出行數(shù)量越多，個(gè)體越傾向于“公交個(gè)體兼容”和“公交出行”，其疫情出行模式的安全性也越低。

出行頻率的回歸系數(shù)值為0.425，呈現(xiàn)0.001水平的顯著性(p=0.000<0.001)，出行頻率對(duì)出行模式的安全性產(chǎn)生顯著的負(fù)向影響。OR值為1.529，意味著在每周出行頻率5天以下的前提，出行頻率增加1天/周，居民選擇安全性高的出行模式的減小幅度為1.529倍。說(shuō)明疫情期出行頻率越高的人群，其出行模式的安全性越低，出行模式的安全性較高的群體為出行頻率較低的人群。因此，高出行頻率群體對(duì)疫情出行安全性有很大的負(fù)面影響。

與出行心理有關(guān)的1個(gè)因素為安全性順序。安全性順序的回歸系數(shù)值為-0.756，呈現(xiàn)0.001水平的顯著性(p=0.000<0.01)，是回歸影響最大的因素，安全性順序會(huì)對(duì)出行模式的安全性產(chǎn)生最顯著的正向影響。OR值為0.469，意味著安全性的順序位靠前1個(gè)順序位，居民選擇安全性高的出行模式的增加幅度為0.469倍。說(shuō)明疫情期居民對(duì)出行方式的安全性傾向，對(duì)疫情出行的安全性有最顯著的正向影響。

4 結(jié)語(yǔ)

出行頻率較高群體有彈性出行占比高、公交出行占比高的特征，因此出行安全性最低；年齡25歲到30歲群體私人汽車出行占比最低，公交出行占比最高，尤其是地鐵/輕軌占比也最高。以上兩類群體疫情出行的安全性最低，其對(duì)疫情整體出行的安全性和交通管理工作帶來(lái)較大的消極作用。

居家隔離期，地鐵/輕軌、私人汽車、步行和騎行為最主要的出行方式，其占比78.3%，因此居家隔離期的出行安全性較高；居家隔離期至暑假，隨著我國(guó)疫情防控好轉(zhuǎn)，公共出行占比大幅度上升，尤其是安全性最低的公交車大幅度上升，居民在選擇出行方式上從安全性傾向轉(zhuǎn)變?yōu)榻?jīng)濟(jì)性傾向，導(dǎo)致暑假總體出行的安全性迅速下降。

通過(guò)出行模式安全性的有序logistic回歸分析得到出行模式安全性的1個(gè)正向顯著因素，即“安全性順序”，在這1種條件下出行模式更傾向于“無(wú)出行”或“個(gè)體出行”，出行安全性更好；同時(shí)存在出行模式安全性的3個(gè)負(fù)向顯著因素，即“道路網(wǎng)密度”“出行頻率”和“彈性出行”，在這3種條件越高時(shí)出行模式更傾向于“個(gè)體公交兼容”或“公交出行”；城市疫情風(fēng)險(xiǎn)等級(jí)對(duì)出行模式安全性沒(méi)有顯著影響，說(shuō)明居民對(duì)居住城市的疫情風(fēng)險(xiǎn)沒(méi)有足夠重視，沒(méi)有明顯采用更加安全的出行方式。

結(jié)合上述分析結(jié)果，居民出行防控的主要建議為：(1)疫情出行防控工作應(yīng)該特別注意高出行頻率群體和25～30歲群體，為即時(shí)防范發(fā)生疑似感染做好準(zhǔn)備工作。(2)積極引導(dǎo)居民采用步行、騎行或私人汽車的方式出行，尤其是道路網(wǎng)密度較高的城市要加強(qiáng)公共交通的防控工作。(3)暑假期間公交出行占比大幅度上升，疫情出行的安全性下降過(guò)快，相關(guān)部門應(yīng)該嚴(yán)格把控好公共交通的疫情防控措施。