網(wǎng)約車感知等待時間判別模型及影響因素分析

胡三根，李 春，楊 瑩，王小霞

（廣東工業(yè)大學(xué) 土木與交通工程學(xué)院，廣東 廣州 510006）

網(wǎng)約車不僅對城市居民出行方式產(chǎn)生了深遠的影響[1]，更是未來智慧城市交通系統(tǒng)的重要組成部分[2]。截至2021年12月，我國網(wǎng)約車用戶規(guī)模達4.53億[3]，從其用戶結(jié)構(gòu)來看，大學(xué)生群體占主要比重[4]，可見大學(xué)生出行是社會出行的重要組成部分[5-6]。車輛等待時間是影響乘客出行體驗的關(guān)鍵因素[7]，等待時間可分為實際等待時間與主觀感知等待時間[8]。其中，實際等待時間是乘客等待車輛到達上車點的真實時間，而主觀感知等待時間是乘客感知的等待時間，是對等待時間的主觀估計。現(xiàn)有研究表明感知等待時間與實際等待時間之間會存在偏差，人們往往會高估真實等待時間，并且主觀感知等待時間對乘客的情感反應(yīng)如不確定、生氣等會造成負(fù)面影響，對交通服務(wù)的評價如滿意度等的影響效果更為顯著[9]，進而會影響乘客在交通出行方式中的選擇。因此，研究大學(xué)生等待感知時間至關(guān)重要，可為網(wǎng)約車平臺通過運營管理和針對個人感知情況提高其服務(wù)水平提供參考，進而增強網(wǎng)約車對大學(xué)生群體的吸引力。

近年來，感知等待時間的影響因素研究受到學(xué)者們越來越多的關(guān)注。Feng等[10]發(fā)現(xiàn)個人因素，如出行目的及出行時間段等因素對等待時間感知會有一定的影響。Tyrinopoulos等[11]發(fā)現(xiàn)女性乘客比男性對等待時間更敏感。Brakewooddeng等[12]、Gooze等[13]發(fā)現(xiàn)移動設(shè)備給用戶提供實時信息時，會對乘客的等待時間感知有益處。Watkins等[14]發(fā)現(xiàn)沒有實時信息的乘客，其感知的等待時間要大于實際等待時間。Lagune-Reutler等[15]對候車點的綠化、空氣等調(diào)查發(fā)現(xiàn)，通過美化候車點的環(huán)境，可以削弱乘客對等待時間感知。Ji等[16]發(fā)現(xiàn)創(chuàng)造良好的等待環(huán)境對減少等待時間感知有積極作用。Millonig等[17]通過分析乘客的活動與等待時間感知，發(fā)現(xiàn)不同的候車行為對等待時間感知不同。孫祥龍等[18]發(fā)現(xiàn)乘客通過采取打電話、上網(wǎng)和讀報刊雜志等行為可以降低自身的感知偏差。雖然上述研究證實了個人特征、環(huán)境情況、移動設(shè)備、候車行為是感知等待時間的重要影響因素，但是現(xiàn)有研究多從單一角度去探究感知等待時間的影響因素。此外，現(xiàn)有文獻中仍未發(fā)現(xiàn)針對大學(xué)生群體的網(wǎng)約車感知等待時間的研究。

為此，以大學(xué)生群體為調(diào)查對象，以多元線性判別分析模型為基礎(chǔ)，建立網(wǎng)約車感知等待時間判別模型。通過模型的分類結(jié)果分析個人特征、環(huán)境情況、移動設(shè)備、候車行為4種影響因素對感知等待時間的影響機理，并為減少感知等待時間提出建議，為增強網(wǎng)約車服務(wù)水平提出參考。

1 問卷設(shè)計

以大學(xué)生群體為對象設(shè)計調(diào)查問卷。調(diào)查內(nèi)容分為2部分：大學(xué)生個體特征和問卷變量測量。其中，問卷變量測量包括候車點環(huán)境對乘客等待時間感知的影響程度、乘客感知等待時間和移動設(shè)備對乘客等待心理的影響以及乘客候車行為的調(diào)查。個體特征變量設(shè)置如表1所示。

表1 個體特征變量Table 1 Personal characteristics

由于候車點環(huán)境因素、移動設(shè)備、候車行為這3個影響因素對人的感知不能直接觀測，使用顯變量表征潛變量，并采用李克特五級量表進行調(diào)查。移動設(shè)備和候車行為中的1～5分別表示 “很不同意”“不同意”“不確定”“基本同意”“十分同意”；環(huán)境因素中的1～5分別是“沒有影響”“影響小”“中度影響”“影響大”“影響非常大”；感知等待時間將直接詢問乘客感知等待的時間，具體見表2。

表2 表征潛變量的顯變量Table 2 Significant variables representing latent variables

2 數(shù)據(jù)分析

2.1 人口統(tǒng)計學(xué)分析

本次調(diào)查共收集540份問卷，去掉作答用時較短和填寫不完整、不規(guī)范的問卷后(如所有答題相同或者漏答)，共獲得492份有效數(shù)據(jù)。參與調(diào)查的大學(xué)生個體特征統(tǒng)計數(shù)據(jù)如表3所示。

表3 個體特征統(tǒng)計數(shù)據(jù)Table 3 Statistical data of personal characteristics of passengers

2.2 信度與效度分析

模型建立前需對問卷進行信度效度檢驗，以保證問卷的可靠性和有效性。采用Cronbach’s α信度系數(shù)來測定本研究問卷的信度，系數(shù)大于0.8表明問卷具有較高的內(nèi)在一致性[20]。采用KMO(Kaiser Meyer Olkin)檢驗統(tǒng)計量和巴特利特球形度來檢驗本研究問卷中的量表是否可以進行因子分析，KMO值一般要在0.7以上，說明適合做因子分析。巴特利特球形度檢驗的顯著性小于0.001時，則說明原始變量之間存在相關(guān)性[21]。具體結(jié)合以下標(biāo)準(zhǔn)來判斷問卷是否具有較好的結(jié)構(gòu)效度[22]：(1) 公共因子應(yīng)與問卷設(shè)計時

的結(jié)構(gòu)假設(shè)的組成領(lǐng)域相符，且公共因子的累計方差貢獻度要大于40%；(2) 每個條目都應(yīng)在其中某一公共因子上有較高的負(fù)荷值(大于0.4)。

由表4可知，所有題項的Cronbach’s α系數(shù)均大于0.8，說明本問卷數(shù)據(jù)可靠性良好。由表5可知，KMO值大于0.9，并且巴特利特球形度檢驗的顯著性小于0.001，說明問卷可做因子分析。此外，從表4可知累計方差貢獻率已達到71.813%，表明每個問卷項目71.813%以上的方差都可以用公共因子解釋；而且問卷的每個題項都在其中某個公共因子上有較高的負(fù)荷值。這些均符合上述判斷標(biāo)準(zhǔn)，表明本問卷具有良好的效度。

表5 KMO和巴特利特球形度檢驗Table 5 KMO and Bartlett test

3 多元線性判別分析模型

3.1 模型假設(shè)

雖然通過問卷調(diào)查可以很容易獲得受訪者的實際等待時間，但是用確切的數(shù)值很難準(zhǔn)確表達對時間流逝的主觀感知結(jié)果[23]。因此，為了能更容易反映個體對等待時間的主觀感知性，以及消除等待時間調(diào)查結(jié)果的隨意性，將等待時間Y按照長短劃分為“短時間(Y1) ”“中等時間(Y2) ”和“長時間(Y3)”來體現(xiàn)對等待時間的主觀感知，即 0 ≤Y1≤5 min、5 min10 min。選用判別分析模型研究感知等待時間的范圍與個人特征、移動設(shè)備、環(huán)境因素以及候車行為這4種因素之間的影響機理，該模型是分類模型領(lǐng)域應(yīng)用最為廣泛的統(tǒng)計模型之一[24]，但它的使用需要滿足以下4個假設(shè)條件：① 各判別變量的數(shù)據(jù)服從多元正態(tài)分布；② 分組變量劃分的各組樣本觀測的協(xié)方差矩陣基本相等；③ 各解釋變量組間均值差異不大；④ 不能出現(xiàn)多重共線的情況。

本次調(diào)查到的有效數(shù)據(jù)樣本量492份，屬于大樣本，根據(jù)林德貝格?列維中心極限定理，當(dāng)樣本個數(shù)大于30抽樣，樣本均值的抽樣分布都將近似服從正態(tài)分布，同樣，由于組內(nèi)的樣本規(guī)模較大，各組協(xié)方差矩陣基本相等[25]。為此，滿足假設(shè)條件①和條件②。另外，如表6所示，在對所有顯變量組間做均值差異和多重共線性檢驗后，發(fā)現(xiàn)所有顯變量的Wilks’λ(組內(nèi)平方和與總平方和之比)值都大于0.8，且全部滿足容許度TOL(Tolerance)大于0.1和方差膨脹因子VIF(Variance Inflation Factor)小于10的條件，即所有顯變量之間均值差異不大且不存在多重共線的情況[26]，滿足條件③與④。綜上，判別分析模型可應(yīng)用于本文對象的研究。

表6 顯變量組間均值差異與多重共線性檢驗Table 6 Test of mean equality and multicollinearity between explanatory variable groups

3.2 模型建立

選擇所有顯變量作為多元線性判別分析模型的解釋變量，將等待感知時間作為分類變量，其值域為{1,2,3} ，分別記為Y1、Y2、Y3。由于顯變量不存在多重共線性，可直接把顯變量全部代入判別函數(shù)中，并借助交叉驗證法驗證判別分析模型對未知分組的觀測值的預(yù)測精度。由于原始變量所取的測量單位有所不同，非標(biāo)準(zhǔn)化系數(shù)之間沒有可比性，為此，將采用標(biāo)準(zhǔn)化判別系數(shù)，使用IBM SPSS Statistics 25.0可以得到以下判別函數(shù)。

一般認(rèn)為，具有較大標(biāo)準(zhǔn)化判別系數(shù)的判別變量對總體判別函數(shù)的貢獻較大，由判別函數(shù)可知，PC7的系數(shù)最大，這說明時間容忍度這一指標(biāo)變量對判別函數(shù)的正向影響較大，即乘客對候車時間的容忍度是感知等待時間的一個關(guān)鍵影響因素。

3.3 模型檢驗

為證明模型具有較好的判別能力，需要對模型的判別能力做進一步的檢驗，判別函數(shù)越好，其特征值便會越大。判別函數(shù)的特征值如表7所示，第1判別函數(shù)解釋了81.30%的方差，第2判別函數(shù)僅解釋了18.70%的方差，兩個判別函數(shù)共同解釋全部的方差。

表7 判別函數(shù)的特征值Table 7 Eigenvalues of discriminant function

由于 λ值在判別分析中表示總方差未被不同組解釋的那些比例，表8中對比了兩個判別函數(shù)的顯著性，得到第1判別函數(shù)在0.001的顯著水平上是顯著的(p=0)，第2判別函數(shù)則不顯著(p>0.05) 。綜上所述，第1判別函數(shù)是可以被接受的，因此只需要對第1判別函數(shù)展開分析，這也是在模型建立時只給出一個函數(shù)(見式(1))的原因。

表8 判別函數(shù)的λ 值檢驗Table 8 λ value test of discriminant function

4 結(jié)果分析

4.1 判別分析的分類結(jié)果

表9給出了判別分析的分類結(jié)果，其中，原始判別是指對建模樣本觀測到的分組統(tǒng)計結(jié)果；預(yù)測結(jié)果是指依據(jù)判別模型所得出的個體實際等待時間應(yīng)歸屬的長短范圍類別。由表9可知，在原始判別中，Y1組 328個觀測中有222個判斷正確，Y2組136個觀測中有72個判斷正確，Y3組28個觀測中有15個判斷正確，即共有309個觀測已正確分配到對應(yīng)組別，平均正確率為62.8%，說明有62.8%的個體的感知等待時間與預(yù)測時間是基本一致的。但存在以下誤分類現(xiàn)象：在Y1組中出現(xiàn)106個判斷錯誤，其中模型犯第2類錯誤的百分比是19.82%，模型犯第3類錯誤的百分比是12.50%；在Y2組中有64個判斷錯誤，其中模型犯第1類錯誤的百分比是30.15%，模型犯第3類錯誤的百分比是16.91%；在Y3組共14個判斷錯誤，其中模型犯第1類錯誤的百分比是25.0%，模型犯第2類錯誤的百分比是21.43%。因此最常發(fā)生的錯誤分類為將Y2組數(shù)據(jù)歸類到Y(jié)1組中，說明個體認(rèn)為自己等待時間屬于“中等時間”時，預(yù)測感知時間偏向于“短時間”的概率較高，即發(fā)生個體感知的等待時間大于預(yù)測感知等待時間的概率會較高。同時，觀察正確分類組別的百分比可知，個體感知等待時間的準(zhǔn)確率為Y1>Y3>Y2，即個體對等待時間感知的準(zhǔn)確度會在“短時間”“長時間”中感知是比較準(zhǔn)確的；在錯誤分類結(jié)果中，預(yù)測感知等待時間大于個體感知等待時間的觀測數(shù)據(jù)共129個，明顯多于預(yù)測感知等待時間小于個體感知等待時間的55個觀測數(shù)據(jù)。由此可知，在等待過程中，預(yù)測感知等待時間大于個體感知等待時間發(fā)生的概率更大。此外，通過利用交叉驗證法對模型的預(yù)測效果進行驗證，發(fā)現(xiàn)在交叉驗證中，Y1組共328個觀測數(shù)據(jù)中有205個判斷正確，123個判斷錯誤，其中模型犯第2類錯誤的百分比是22.87%，模型犯第3類錯誤的百分比是14.63%；Y2組共136個觀測數(shù)據(jù)中有54個判斷正確，82個判斷錯誤，其中模型犯第1類錯誤的百分比是36.76%，模型犯第3類錯誤的百分比是23.53%；Y3組共28個觀測數(shù)據(jù)中有7個判斷正確，21個判斷錯誤，其中模型犯第1類錯誤的百分比是42.86%，模型犯第2類錯誤的百分比是32.14%；綜合來看，對模型樣本進行判斷的平均正確率為54.1%，與原始判別的正確率差異不大。

表9 判別分析的分類結(jié)果Table 9 Classification results of discriminant analysis

4.2 影響等待感知時間的因素分析

因為判別函數(shù)無法直接探究各個變量對各組分類的影響，所以將通過3個分類函數(shù)中的系數(shù)來探究所有顯變量對感知等待時間的影響，即將所有顯變量分別代入到3個分類函數(shù)中，根據(jù)函數(shù)值大小來判定屬于哪個分組。3個分類函數(shù)中各變量系數(shù)如表10所示。

表10 3個分類函數(shù)中的各變量系數(shù)Table 10 Coefficients of variables in three classification functions

4.2.1 在同組分類函數(shù)中的影響分析

由表10可知，所有顯變量的系數(shù)均不為0，即顯變量均與感知等待時間有關(guān)，同時也證明了個人特征、移動設(shè)備、環(huán)境因素、候車行為這4個因素對感知等待時間是有影響的，與此前研究的結(jié)論相一致[10-18]。除此之外，在3組分類函數(shù)中，僅有個人特征所對應(yīng)的10個顯變量中的系數(shù)均大于0，說明大學(xué)生的個人屬性對于感知等待時間是有正向積極作用的。對于探究移動設(shè)備、環(huán)境因素、候車行為對感知等待時間的影響，需要假設(shè)這3個潛變量的25個顯變量均為1，即在個人特征相同的條件下，探究3個因素對因變量的影響。由表11可知，通過計算得出3個因素對3組分類函數(shù)的函數(shù)值的貢獻度大小，可以得知在同一組分類函數(shù)中3個潛變量對感知等待時間的影響大小為：候車行為>環(huán)境因素>移動設(shè)備。

表11 3個因素對3組分類函數(shù)值的貢獻度Table 11 Contribution of three factors to three groups of classification function values

4.2.2 在不同組分類函數(shù)中的影響分析

在對不同組分類函數(shù)分析前，需設(shè)定所有變量均取值相同，即假設(shè)變量取值全為1，根據(jù)表10、表11可以得出如下結(jié)論。

從移動設(shè)備方面來看，移動設(shè)備對Y2組分類函數(shù)的貢獻值最大，說明移動設(shè)備對感知等待時間中的“中等時間”影響最大。對移動設(shè)備的7個顯變量進行分析可知，C E1、CE6在Y1組中的系數(shù)最大，說明車輛實時位置和預(yù)計上車時間會使得個體的感知等待時間變短。原因可能是，當(dāng)乘客知道車輛實時位置和預(yù)計上車時間會讓乘客對自己的出行更放心，從而會減少他們感知等待時間。C E2、CE7在Y2組中的系數(shù)最大，說明車輛信息(車牌、型號等)和預(yù)計到達目的地的時間對分組為“中等時間”的感知等待時間影響最大；C E3、CE4、CE5在Y3組中的系數(shù)最大，說明在移動設(shè)備上能看到司機個人信息、規(guī)劃好的路線、實時的道路通暢情況會使感知等待時間傾向于Y3組 。其中，C E3在判別函數(shù)(1)中的系數(shù)絕對值最小，說明司機的個人信息對感知等待時間的影響較?。籆E4會對判別結(jié)果產(chǎn)生負(fù)向影響(在判別函數(shù)(1)中系數(shù)為負(fù))，可見，規(guī)劃好的路線會極大程度上減少乘客的感知等待時間，反之則會造成乘客的感知等待時間增加；C E5在判別函數(shù)(1)中的系數(shù)為正數(shù)，對判別結(jié)果產(chǎn)生正向影響，說明道路通暢情況不佳時，乘客會產(chǎn)生焦慮心理，進而導(dǎo)致其感知等待時間的增加。然而，由于C E5在分組函數(shù)中的系數(shù)為負(fù)數(shù)，如果讓乘客了解到道路通暢情況時，會有利于減少乘客的感知等待時間。

從環(huán)境因素方面來看，環(huán)境因素對Y2組分類函數(shù)的貢獻度最大，說明環(huán)境因素對感知等待時間中“中等時間”的影響很大。具體來說，EF2、EF3、EF7在Y1組中的系數(shù)最大，說明天氣、光照、周圍有無其他人會使得個體等待感知時間偏向于Y1組，即天氣與光照情況較好以及周圍有人的情況下，會讓個體感知等待時間縮短。E F6、EF9在Y2組中的系數(shù)最大，說明周圍景色和心情好壞對分組為“中等時間”的感知等待時間影響最大。EF1、EF4、EF5、EF8在Y3組中的系數(shù)最大，說明溫度、空氣質(zhì)量、噪音、有無親朋好友陪伴這4個變量會使得個體感知等待時間偏向于Y3組，原因可能是當(dāng)這些環(huán)境因素不利的時候，容易導(dǎo)致大學(xué)生產(chǎn)生不舒服的心理，進而增加大學(xué)生的感知等待時間。

從候車行為方面來看，候車行為對Y3組分類函數(shù)的貢獻度最大，說明候車行為將會極大延長感知等待時間。具體而言，WB7、WB9、WB5、WB6在Y1組中的系數(shù)最大，說明時刻關(guān)注車輛到達位置、欣賞周圍風(fēng)景、上網(wǎng)以及靜待車輛到達這4個行為會使得個體等待時間感知偏向于Y1組，即這些行為都會減少對等待時間的感知。W B2在Y2組中的系數(shù)最大，說明打電話這一行為對分組為“中等時間”的感知等待時間影響最大。W B1、WB3、WB8、WB4在Y3組中的系數(shù)最大，說明跟人聊天、聽音樂、觀望車輛是否到達以及吃東西這4個行為會使得個體感知等待時間偏向于Y3組。這可能是由于聊天、聽音樂、吃東西這些行為有利于注意力的轉(zhuǎn)移，會比較難以準(zhǔn)確預(yù)測流逝的時間，并且大多數(shù)人往往在進行這些行為時會高估自己的感知時間能力。然而，個體若出現(xiàn)一直在觀望路上車輛是否到達這一行為，則說明個體此時的心情已經(jīng)比較焦慮了，對車輛到達十分渴望，這往往會增加感知等待時間，極易產(chǎn)生時間流逝十分緩慢的錯覺。

5 結(jié)論

本文從大學(xué)生視角出發(fā)，通過調(diào)查他們的候車行為和感知狀態(tài)，采用判別分析方法，建立了大學(xué)生感知等待時間判別模型，主要取得的研究結(jié)論如下：

(1) 在判別函數(shù)中，時間容忍度的標(biāo)準(zhǔn)化判別系數(shù)是最大的，說明大學(xué)生能夠接受的網(wǎng)約車到達時間的范圍對總體判別函數(shù)的影響較大。此外，根據(jù)判別函數(shù)及3個分類函數(shù)中各個變量的系數(shù)均不為0，可見35項顯變量對感知等待時間均有影響，進一步說明個人特征、環(huán)境因素、候車行為、移動設(shè)備這4個因素均會對感知等待時間產(chǎn)生影響。

(2) 從感知等待時間判別模型的分類結(jié)果可以看出，模型在原始數(shù)據(jù)集和交叉驗證數(shù)據(jù)集上分類正確率都大于50%以上，尤其在原始數(shù)據(jù)集上分類正確率更是高達62.8%，且兩者的準(zhǔn)確率相差僅為8.1%，說明模型具有一定的判別能力和較好的穩(wěn)健性，能夠在一定程度上對大學(xué)生網(wǎng)約車感知等待時間的“短時間”“中等時間”以及“長時間”進行不同程度的判別。

(3) 為了減少感知等待時間，網(wǎng)約車平臺應(yīng)提高車輛到達實時位置、用戶預(yù)計上車時間和實時道路暢通情況等信息推送的準(zhǔn)確性，同時也應(yīng)為乘客提供更合理的出行規(guī)劃路線；乘客應(yīng)在光照舒適、天氣宜人以及周圍有人的環(huán)境下候車，并且在候車時可以通過查看車輛實時位置、欣賞周圍風(fēng)景、上網(wǎng)或者靜待車輛到達等行為來減少感知等待時間。此外，候車時應(yīng)盡量選擇溫度與空氣質(zhì)量宜人、少量或沒有噪音以及能使自己心情愉悅的環(huán)境，候車過程中盡量避免跟別人聊天、聽音樂、觀望路上車輛是否到達以及吃東西這4種行為，因為這些行為都會增加感知等待時間。

本研究只針對個人特征、環(huán)境因素、候車行為以及移動設(shè)備這4種影響因素進行實證分析，未來將進一步調(diào)查和研究大學(xué)生對網(wǎng)約車平臺的使用意愿、乘客實際候車時間等因素對乘客感知等待時間的影響。