疫情防控背景下城市居民出行特性及影响因素分析

2022-07-19 08:20郑贻远管满泉黄星源
关键词:居家变量频率

徐 程, 郑贻远, 管满泉, 黄星源

(浙江警察学院交通管理工程系, 浙江杭州 310000)

0 引言

新冠肺炎疫情在全球肆虐,其对居民的出行行为产生了深远的影响。因此,深入分析疫情防控下居民出行行为改变的规律,分析影响居民出行的主要因素显得尤为重要。胡三根等[1]分析了疫情初期出行距离对居民出行方式选择的影响。姜楠等[2]调查了疫情期间我国居民出行方式选择的变化情况。刘建荣等[3]调查发现新冠疫情会显著降低老年人公交使用频率。贾兴利等[4]根据模型计算得出市内道路封闭、客运交通停运和小区人口流动控制三种交通管控措施对阻断疫情传播效果明显。其他一些学者也从不同的角度定量分析了新冠疫情下居民出行情况及其影响因素[6-8]。Lebrun[9]和Anastasiya等[10]分别研究了法国人和巴西人未来短时间内的出行意愿,对疫情感知的严重程度,以及对未来出行行为改变的影响因素。国内外对于影响出行方式因素的研究较多,但针对影响出行模式安全性因素的研究较少,因此,通过建立有序logistic回归模型研究居民出行模式的影响因素是很有必要的。

1 疫情期间出行特性描述性分析

本文利用问卷星平台开展居民疫情期出行行为问卷调查,调查内容包括个人信息、出行特征、出行心理3部分。调查时间为2020年7月1日~9月31日,期间共回收有效问卷355份。问卷覆盖全国26个省、市。其中,男性148人(占41.7%),女性207人(占58.3%);年龄多集中在18~40岁(占90.5%);事业单位占比最高(占24.2%),其次是民营企业和个体经营(占23.4%)。

1.1 居家隔离期的出行特性统计

1.1.1 居家隔离期出行目的分析

居家隔离期指2020年1月23日~2020年3月16日完全复工,针对居家隔离期出行目的的研究,分别研究居民弹性出行和非弹性出行的出行行为特性。

(1)弹性出行

弹性出行是指散步、娱乐活动、走亲访友、上学补习类对生产生活非必要的出行。调查结果表明,弹性出行占总出行的52.8%。其中散步占11.0%、娱乐活动占12.8%、走亲访友占14.5%、上学补习占14.5%。弹性出行占比随着出行频率增加而大幅度上升且占比较高,尤其是一周出行5天以上的群体中,有64%的出行为弹性出行,说明出行频率较高的群体产生了较大比例的非必要出行。

(2)非弹性出行

非弹性出行指采购日常用品、外出就诊对生产生活必要的出行。图1所示,采购日常用品占29.3%、外出就诊占17.9%,非弹性出行占总出行的47.2%。采购日常用品占比随着出行频率增加而大幅度下降,说符合居民需求的采购日常用品的频率应在一周3天以下。

图1 隔离期出行频率与出行目的关系图

1.1.2 居家隔离期的出行频率分析

通过调查显示,无出行的居民占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,为4.6%。大部分居民出行频率在一周3天及以下(82.8%),整体出行频率平均一周2.1天,该平均出行频率处于较低的水平,其对整体出行模式的安全性呈积极作用。

1.1.3 居家隔离期的出行方式分析

(1)总体出行方式

居家隔离期的出行方式采用多选题的方式进行调查。调查结果显示,地铁/轻轨的占比最高(25.1%),其次是私人汽车(22.8%)、步行(17.9%)、骑行(12.5%)、公交车(11.2%),占比最低的是网约车(10.4%)。其中,地铁/轻轨、私人汽车、步行和骑行是最主要的出行方式,占总出行方式的78.3%。地铁/轻轨为半封闭空间、自带通风系统、空气流通良好,是疫情期间较为安全的公共出行方式。因此,这4种出行方式都符合安全性高的特性,说明居家隔离期间大部分出行方式符合避免感染的出行要求。

(2)个体出行

属于个体出行的私人汽车、步行、骑行占总出行方式的53.3%,比公共出行占比略高。其中步行、骑行随着出行频率增加占比逐渐降低。说明出行距离短、速度慢的出行方式不适合高频率出行群体,居家隔离期居民对出行方式的经济性和速度性的需求依然较高。

(3)公共出行

属于公共出行的地铁/轻轨、公交车、网约车占总出行方式的46.7%。如图2所示,随着出行频率的增加,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天以上的高频率出行群体中占比较大。说明公共出行使用率比个体出行更高,反映出高出行频率群体对于出行方式经济性的追求较高。由于高出行频率群体接触他人和传染他人的概率较高,再加上其公共出行占比很大的情况会加剧高出行频率群体的出行安全性降低的情况。

图2 隔离期出行频率与出行方式折线图

1.1.4 不同年龄群体出行方式分析

由于18岁以下和50岁以上的群体样本过少,因此合并年龄样本数据,合并为25岁以下和40岁以上的分类。由图3所示,25岁以上群体随着年龄的增加,乘坐私人汽车的占比大幅度上升,各类公共出行的占比下降;25岁到30岁群体由于经济条件的限制,私人汽车出行的占比最低,公共出行的占比最高。

图3 居家隔离期出行方式与年龄的棘状图

1.2 居家隔离期与暑假出行方式比较分析

研究疫情高风险的居家隔离期与疫情低风险的暑假两个阶段的居民出行方式的变化规律,为评估出行安全性变化提供必要条件。隔离期为2020年1月23日~3月16日完全复工复产,暑假指2020年7月1日~8月31日。

1.2.1 个体出行

由图4分析居家隔离期至暑假出行方式占比的变化。属于个体出行的私人汽车(23%)大幅度下降11%,可见居民的出行倾向已经从安全性向经济性转变。而骑行、步行均出现小幅度上升,说明随着疫情好转,居民出行方式多样化、出行频率上升。

图4 隔离期至暑假的出行方式变化折线图

1.2.2 公共出行

属于公共出行的地铁/轻轨(25%)、公交(18%)、网约车(10%)均大幅度上升。公共出行占比大幅度上升,说明居民对出行方式的经济性倾向迅速增强,同时也产生出行的安全性相对下降的隐患。

1.2.3 疫情期公共出行特性的优先顺序分析

研究居民对公交出行4种特性的先后顺序,采用排序比较优先级。顺序位最先的是安全性(平均第1.52顺序位),其次是速度性(平均第2.22顺序位),经济性(平均第2.46顺序位),顺序位最后的是便捷性(平均2.85顺序位)。说明居民对公交出行安全性的倾向是最大的。其次,居民倾向的是速度性,因为公交出行的通行速度越快在交通工具内部与其他乘客接触时间越少。居民对安全性和速度性倾向最大,意味着大部分居民对出行方式特性的主观判断是符合疫情防控要求的。居民对于公交出行便捷性的倾向最小,说明疫情出行安全性较高。因为公共交通的运行范围越大、班次越多其便捷性越好,其导致公共交通内其他乘客的流动会越频繁,乘客来源的地域范围越广,疫情感染风险越高,相对安全性越低。

2 疫情出行模式有序logistic回归分析

2.1 有序logistic回归分析理论

有序logistic回归是一种广义线性回归,用于研究X对于Y的影响关系,如果X为类别数据,一般需要作虚拟变量设置,Y为数值型变量,变量的数字大小有比较意义。在出行模式中,根据安全性由低到高可分为无出行、个体出行、个体公交兼容、公交出行4个等级。有序logistic回归分析时,首先选择连接函数,考虑到出行模式样本不符合正态性,因此选择Cauchit连接函数;通过Cauchit函数将出行模式形成概率与不形成概率的比值定义为线性函数表达式,使有序因变量与自变量间建立一定线性关系,在二元 logistic回归模型中,记出行模式形的概率为P,X1~Xn表示n个影响因素,用有序logistic回归公式表示出行模式形成的概率为:

(1)

其中,β0为常数项,β1~βn为回归系数,代表自变量与因变量的相关性,发生率exp(β)衡量因变量对出行模式形成概率的影响程度,当因变量每增加一个单位,出行模式形成比率将增加为原来的exp(βn)倍。

因此某种出行模式形成的优势比(Odds Ratio)表达为:

(2)

2.2 变量选择与检验

以SPSS软件为数据分析方式,选取了居民属性、城市属性、出行特征、出行心理4类,共12个变量作为出行模式形成的自变量,具体变量如表1所示。

表1 模型变量分类说明

2.3 数值型变量的Kruskal-Wallis检验

数值型变量指数字大小具有比较意义。有序logistic回归分析前,需要验证10个数值型变量是否对出行模式具有显著性影响。由于出行模式样本呈非正态性,用非参数Kruskal-Wallis检验分析数值型变量对于出行模型的差异关系。如表2所示,道路网密度、非弹性出行、弹性出行、出行频率、弹性出行影响、安全性顺序、速度性顺序、交通管制满意度8个数值型变量对出行模式样本形成显著性影响(p值<0.05),该8个数值型变量计入有序logistic回归分析的变量范围。

表2 数值型变量的Kruskal-Wallis检验结果

2.4 类别变量的Mann-Whitney检验

类别变量指数字本身无意义,数字大小代表分类。类别变量一般需要做虚拟变量设置,变量的数字大小有比较意义。“职业”的类别变量进行回归分析前,将其处理成数据仅用数字0和1表示的虚拟变量,比如“服务业”虚拟变量的1表示服务业人员,0代表非服务业人员。

由表3结果得出,服务业虚拟变量形成显著差异性(p值<0.05),将其计入有序logistic回归分析的变量范围。

表3 类别变量的Mann-Whitney检验结果

3 模型评价及结果分析

3.1 多重共线性检验

多重共线性检验是对多个自变量之间的相关性进行评价,避免各影响因素之间相关性较高导致模型的误差。利用SPSS软件进行共线性检验,其结果主要分析容差和VIF,容差越接近0共线性越强,VIF小于5说明无共线性。从表4得出,容差均接近于0,VIF均不大于5,说明各变量之间无明显共线性。

表4 多重共线性检验结果

3.2 模型模型评价及结果分析

3.2.1 模型拟合度分析

模型拟合中,通过赤池信息准则(AIC)和贝叶斯信息准则(BIC)两种方法,研究模型复杂度与模型对数据集描述能力(即似然函数)两者之间的最佳平衡,AIC值和BIC值用于多次分析时的对比,此两值越低越好。

比较未放置服务业虚拟变量(模型1)和放置服务业虚拟变量(模型2)的两种模型前后的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。因为BIC更适用于样本较小的模型,且惩罚项比AIC大,说明模型2出现模型过拟合的边缘,因此回归模型选择未放置服务业虚拟变量的模型1。

表5 模型拟合度分析结果

3.2.2 平行性检验

出行模式样本呈非正态性,使用Cauchit连接函数进行研究。有序logistic回归模型分析除了要求因变量为数值型变量外,还需满足平行性检验对整体模型有效。平行性检验的结果如表5所示,显著性p值<0.05,证明平行性假设成立,各回归方程相互平行,因变量出行模式的安全性为等差分类,满足比例优势,模型回归结果有效。

表6 有序Logistic回归平行性检验

3.2.3 模型分析结果

利用SPSS进行有序logistic回归分析,结果如表7所示。当显著性p值<0.05时,说明该变量对出行模式安全性有显著影响,OR值反映影响因素对出行模式安全性的影响程度,OR值大于1,表明在此影响因素的作用下出行模式安全性降低,反之,OR值小于1则表明出行模式安全性升高。

根据回归结果,将具有显著影响的自变量以及其对应的回归系数值:

f(x)=β0+β1x1+…+βnxn

(3)

公式3代入出行模式形成的概率(公式1),得到回归模型中事件发生概率的函数为:

(4)

3.2.4 评价结果分析

根据模型计算结果,4个因素对出行模式的安全性有显著影响,其中1个因素与城市属性有关,2个因素与出行特征有关,1个因素与出行心理有关,详情见表7。

表7 有序logistic回归模型分析结果

与城市属性有关的1个因素为道路网密度。道路网密度的回归系数值为0.146,呈现出0.01水平的显著性(p=0.004<0.01),道路网密度会对出行模式的安全性产生很显著的负向影响。OR值为1.157,意味着道路网密度增加1千米/平方千米时,居民选择安全性高的出行模式的减小幅度为1.157倍。道路网密度一定程度反映了城市公共交通的发展,发达的城市公共交通体系为居民出行和采用公共出行提供充足条件,从而增加个体出行频率和降低疫情出行安全性。

与出行特征有关的2个因素为弹性出行、出行频率。弹性出行的回归系数值为0.379,呈现0.01水平的显著性(p=0.002<0.01),非必要出行会对出行模式的安全性产生显著的负向影响。OR值为1.461,意味着出行目的中弹性出行数量增加1个,居民选择安全性高的出行模式的减小幅度为1.461倍。说明,疫情期个体出行目的中弹性出行数量越多,个体越倾向于“公交个体兼容”和“公交出行”,其疫情出行模式的安全性也越低。

出行频率的回归系数值为0.425,呈现0.001水平的显著性(p=0.000<0.001),出行频率对出行模式的安全性产生显著的负向影响。OR值为1.529,意味着在每周出行频率5天以下的前提,出行频率增加1天/周,居民选择安全性高的出行模式的减小幅度为1.529倍。说明疫情期出行频率越高的人群,其出行模式的安全性越低,出行模式的安全性较高的群体为出行频率较低的人群。因此,高出行频率群体对疫情出行安全性有很大的负面影响。

与出行心理有关的1个因素为安全性顺序。安全性顺序的回归系数值为-0.756,呈现0.001水平的显著性(p=0.000<0.01),是回归影响最大的因素,安全性顺序会对出行模式的安全性产生最显著的正向影响。OR值为0.469,意味着安全性的顺序位靠前1个顺序位,居民选择安全性高的出行模式的增加幅度为0.469倍。说明疫情期居民对出行方式的安全性倾向,对疫情出行的安全性有最显著的正向影响。

4 结语

出行频率较高群体有弹性出行占比高、公交出行占比高的特征,因此出行安全性最低;年龄25岁到30岁群体私人汽车出行占比最低,公交出行占比最高,尤其是地铁/轻轨占比也最高。以上两类群体疫情出行的安全性最低,其对疫情整体出行的安全性和交通管理工作带来较大的消极作用。

居家隔离期,地铁/轻轨、私人汽车、步行和骑行为最主要的出行方式,其占比78.3%,因此居家隔离期的出行安全性较高;居家隔离期至暑假,随着我国疫情防控好转,公共出行占比大幅度上升,尤其是安全性最低的公交车大幅度上升,居民在选择出行方式上从安全性倾向转变为经济性倾向,导致暑假总体出行的安全性迅速下降。

通过出行模式安全性的有序logistic回归分析得到出行模式安全性的1个正向显著因素,即“安全性顺序”,在这1种条件下出行模式更倾向于“无出行”或“个体出行”,出行安全性更好;同时存在出行模式安全性的3个负向显著因素,即“道路网密度”“出行频率”和“弹性出行”,在这3种条件越高时出行模式更倾向于“个体公交兼容”或“公交出行”;城市疫情风险等级对出行模式安全性没有显著影响,说明居民对居住城市的疫情风险没有足够重视,没有明显采用更加安全的出行方式。

结合上述分析结果,居民出行防控的主要建议为:(1)疫情出行防控工作应该特别注意高出行频率群体和25~30岁群体,为即时防范发生疑似感染做好准备工作。(2)积极引导居民采用步行、骑行或私人汽车的方式出行,尤其是道路网密度较高的城市要加强公共交通的防控工作。(3)暑假期间公交出行占比大幅度上升,疫情出行的安全性下降过快,相关部门应该严格把控好公共交通的疫情防控措施。

猜你喜欢
居家变量频率
居家运动——膝部练习(高级篇)
居家的日子
处理器频率天梯
情防控常态化 居家防护不可少
振动与频率
微生高的往事
一类非线性离散动力系统的频率收敛性
分离变量法:常见的通性通法
不可忽视变量的离散与连续
轻松把握变量之间的关系