章宗騫

“大創(chuàng)計劃”資助，項目編號：IECAUC2021054。

摘 要：特殊情況下在全球造成了廣泛影響，為民航業(yè)的發(fā)展帶來了一定的阻力，為研究突發(fā)公共衛(wèi)生事件風(fēng)險下影響民航旅客出行意愿的因素，通過網(wǎng)絡(luò)問卷調(diào)查回收相關(guān)數(shù)據(jù)，進行數(shù)據(jù)統(tǒng)計分析，在了解在不同發(fā)展階段，旅客選擇航空出行意愿的基礎(chǔ)上，運用二分類logistics回歸模型，分析研究旅客在發(fā)展的不同時期選擇航空出行的影響因素。研究結(jié)果表明：收入、職業(yè)、航空出行頻率、對衛(wèi)生事件的恐懼程度和對衛(wèi)生事件防控措施的了解程度在的不同階段對航空出行選擇有顯著影響，而機上服務(wù)質(zhì)量對航空出行選擇有正影響。大部分影響因素指向了旅客的個人屬性，所以航空公司應(yīng)更加關(guān)注旅客的分類，有針對性地開展?fàn)I銷策略，才能吸引更多旅客選擇民航出行。

關(guān)鍵詞：突發(fā)公共衛(wèi)生事件;航空出行;二分類logistics回歸模型;民航旅客;影響因素

引言：突發(fā)公共衛(wèi)生事件，對全世界人民的生產(chǎn)生活產(chǎn)生了不同程度的影響。而考慮到航空旅客運輸?shù)谋举|(zhì)就是實現(xiàn)人的位移，運輸過程中不免有人員的聚集與接觸，雖然機場與航空公司都積極響應(yīng)防控，但航空出行的需求還是產(chǎn)生了一定的萎縮。據(jù)交通運輸部統(tǒng)計，2020 年春節(jié)期間全國日均發(fā)送旅客人次較2019年同期下降 82.3%[1];2020年一月份運輸總周轉(zhuǎn)量（噸）、運輸旅客量（人次）、運輸貨物量（噸）分別同比下降4.9%、5.3%、9.8%，近15年來第一次出現(xiàn)客貨運負(fù)增長的狀況;2021春節(jié)假期期間全民航運輸旅客數(shù)量357萬人次，較2020年春節(jié)假期下降45.16%，較2019年春節(jié)假期下降71.64% 。同時，在后疫情時期，情況不斷反復(fù)，對旅客的出行意愿帶來很大的影響。所以，探究突發(fā)公共衛(wèi)生事件背景下，影響旅客出行意愿的因素是有必要的，基于主要因素及因素的影響程度，制定恢復(fù)民航旅客出行信心的策略，可以支撐民航運輸市場的恢復(fù)。

一、二分類logistic模型

在旅客出行方面，logistic回歸的二分類模型主要用于分析影響旅客出行行為的因素，并判斷這些因素對出行行為的影響程度大小[2]。

二、數(shù)據(jù)調(diào)查及樣本分析

1. 數(shù)據(jù)來源

數(shù)據(jù)的收集采用網(wǎng)絡(luò)問卷調(diào)查的方式。問卷在接受部分受訪者修改建議后發(fā)放，問卷充分考慮受訪者心理、環(huán)境等因素，剔除答題時間過短等無效問卷后，有效問卷共計360份。

2.影響因素選取

考慮駱晨[4]等人的相關(guān)研究，并結(jié)合民航旅客運輸?shù)膶嶋H情況，本文選取的影響民航旅客出行意愿的因素主要有性別（X1）、年齡（X2）、收入（X3）、職業(yè)（X4）、最高學(xué)歷（X5）、一般航空出行目的（X6）、艙位等級（X7）、航空出行頻率（X8）、對公共衛(wèi)生事件的恐懼程度（X9）、對公共衛(wèi)生事件防控措施的了解程度（X10）、票價（X11）、機上服務(wù)質(zhì)量（X12）、機場服務(wù)質(zhì)量（X13）、航班歷史準(zhǔn)點率（X14）、時刻（X15）、機上舒適程度（X16）、航空公司品牌（X17）、退改簽政策（X18）、機場通達性（X19）、飛機的易感程度（X20）、機場與航空承運人的防控措施（X21）、疫苗接種情況（X22）。

3.樣本分析

旅客的個人屬性、心理因素和環(huán)境因素等是影響其是否選擇航空出行的重要變量及模型建立的基礎(chǔ)，主要對受訪者的個人屬性做區(qū)分。

參與本次調(diào)查的對象中男性較多，占55%。不同年齡段對航空出行的態(tài)度有所不同，18-30歲人群比例最高，占45.8%，其次是30-45歲人群，占44.1%。

個體的職業(yè)和收入對航空出行的選擇有較大的影響，據(jù)調(diào)查結(jié)果，大多數(shù)為企事業(yè)單位職工，占64.7%，其次是公務(wù)員，兩者累計百分比約為79.2%，其它還有學(xué)生、私營職業(yè)者、退休人員等;收入在5000-10000元的人群最多，占44.7%，其后是2500-5000元的人群，兩者累計百分比約為73.3%，緊接是10000元以上人群，三者累計百分比為95.0%。

最高學(xué)歷被預(yù)先劃分為三類，專科及以下、本科和碩士及以上，分別占25%、56.7%、18.3%。一般航空出行目的根據(jù)常見種類預(yù)先劃分為四種，本別是求學(xué)、旅游度假、公務(wù)出行和探親訪友，依次占0.6%、63.3%、13.3%和22.8%。

問卷調(diào)查顯示，約有17.8%的旅客在選擇航空出行時會選擇折扣經(jīng)濟艙，約有60.8%的旅客會選擇全價經(jīng)濟艙，有17.5%的旅客會選擇商務(wù)艙，剩下的3.9%的旅客會選擇頭等艙。

通過對問卷結(jié)果的初步分析，本次調(diào)查收到了來自不同年齡段、不同學(xué)歷、不同職業(yè)、不同收入群體的問卷，覆蓋面廣、數(shù)量較多，能夠為后續(xù)建模分析提供良好基礎(chǔ)。

4.問卷信效度分析

問卷信度分析的結(jié)果反應(yīng)問卷的可信度與可靠性，主要的評價指標(biāo)為克朗巴哈系數(shù)（Cronbach's α），該系數(shù)在0.7-0.8 時表示量表具有相當(dāng)?shù)男哦龋_到0.8-0.9 時說明量表信度非常好[5]。本研究問卷的克朗巴哈系數(shù)為0.746，表明題目之間具備一定的內(nèi)部一致性

問卷效度分析是指問卷問題正確性的程度，一般使用因子分析法測量，采用KMO值或者P值檢測。問卷的KMO值為0.814>0.8，Bartlett球形檢驗的P值為0.000<0.01，表示問卷數(shù)據(jù)適合進行因子分析。

5.二分類Logistic模型假設(shè)檢驗

在使用Logistic回歸模型前，本研究涉及的所有變量（包括自變量與應(yīng)變量）均應(yīng)滿足基本假設(shè)，所以需對本研究所涉及的變量進行符合Logistic模型假設(shè)檢驗，其中包括連續(xù)自變量與因變量的logit轉(zhuǎn)換值之間的線性檢驗和自變量之間的多重共線性檢驗。

（1） 連續(xù)自變量與因變量的logit轉(zhuǎn)換值之間的線性關(guān)系檢驗

連續(xù)自變量與因變量的logit轉(zhuǎn)換值之間的線性關(guān)系檢驗，本研究選用 Box-Tidwell方法，將連續(xù)自變量與其自然對數(shù)值的交互項納入回歸方程，進行線性關(guān)系檢驗[6]。根據(jù)2.1部分的設(shè)計，本研究的連續(xù)自變量一共有15個，即X8（航空出行頻率）-X22（疫苗接種情況），通過Excel計算15個變量的自然對數(shù)，與其各自的原有數(shù)值得交互項納入回歸方程中進行檢驗，檢驗使用軟件IBM SPSS 22，檢驗結(jié)果如表1：

航空出行頻率（X8）、對公共衛(wèi)生事件的恐懼程度（X9）、對公共衛(wèi)生事件防控措施的了解程度（X10）和航空公司品牌（X17）的交互作用P值<0.05，說明這些變量與因變量logit轉(zhuǎn)換值間沒有線性關(guān)系，為更好的反應(yīng)這些因素對旅客是否選擇航空出行的影響，在后續(xù)研究中將X8、X9和X10轉(zhuǎn)化為分類變量引入回歸模型，使用虛擬變量的方式進行處理;航空公司品牌（X17）將不再列入后續(xù)研究中。

（2）多重共線性檢驗

容忍度（Tolerance）或方差膨脹因子（VIF）可以用來診斷自變量之間的多重共線性。因該檢驗在IBM SPSS 22中操作過程較為簡單而不做展示。在本研究中，容忍度（Tolerance）均大于0.1，方差膨脹因子（VIF）均小于10，所以不存在多重共線性。

三、 結(jié)果與分析

1. 回歸結(jié)果

為了更準(zhǔn)確了解旅客的出行意愿，本文分別分析了突發(fā)公共衛(wèi)生事件剛出現(xiàn)、突發(fā)公共衛(wèi)生事件造成嚴(yán)重影響、突發(fā)公共衛(wèi)生事件穩(wěn)定以及突發(fā)公共衛(wèi)生事件反復(fù)等四個階段下旅客的出行意愿特征。以突發(fā)公共衛(wèi)生事件反復(fù)階段為例，將旅客是否會在突發(fā)公共衛(wèi)生事件反復(fù)時期選擇航空出行作為應(yīng)變量，X1-X22（除X17已被剔除）作為自變量進行二分類logistic回歸?；貧w模型的擬合結(jié)果如表2所示。

另外，在本研究中，Omnibus 檢驗中P =0.000<0.05，即模型總體有意義。將自變量重新引入模型后的回歸模型進行預(yù)測，預(yù)測正確率為70.4%，比沒有自變量只有常數(shù)項時的51.7%高了18.6%。

自變量對因變量的影響是是否有統(tǒng)計學(xué)意義，即是否有顯著性影響，可通過回歸系數(shù)的P值來反映。一般認(rèn)為，當(dāng)P<0.05時有意義。二分類logistic回歸方程的部分結(jié)果（本文中只將P<0.05的自變量列出）如表3所示：

此外，在突發(fā)公共衛(wèi)生事件剛剛出現(xiàn)時，最高學(xué)歷、航空出行頻率、不同艙位等級、對公共衛(wèi)生事件的恐懼程度和機場與航空承運人的防控措施的P值小于0.05，為顯著性因素;在突發(fā)公共衛(wèi)生事件嚴(yán)重階段，年齡、收入、最高學(xué)歷、出行目的、航空出行頻率、對公共衛(wèi)生事件的恐懼程度、票價、機場服務(wù)質(zhì)量、時刻、機上服務(wù)質(zhì)量、退改簽政策和飛機的易感程度P值小于0.05，為顯著性因素;在突發(fā)公共衛(wèi)生事件平穩(wěn)時期，航空出行頻率、艙位等級、對防控措施的了解程度、機場服務(wù)質(zhì)量的P值小于0.05，為顯著性因素。

2.結(jié)果分析

以突發(fā)公共衛(wèi)生事件反復(fù)階段為例，進行結(jié)果的詳細(xì)分析。

（1）收入與航空出行選擇

在本研究中，收入是四分類變量，擬合模型中所有變量P=0.000<0.05，對照的3個變量對航空出行選擇有顯著影響。收入在2500-5000元的相對于2500元以下的航空出行選擇發(fā)生比變化0.340倍，發(fā)生比降低66%;收入在5000-10000元模型擬合中P=0.012，EXP（B）=0.274，表明收入在5000-10000元的群體對航空出行選擇有顯著性影響，收入在5000-10000元的相對于2500元以下航空出行選擇發(fā)生比變化0.274倍，發(fā)生比降低72.6%;同理可知，收入在10000元以上的相對于2500元以下航空出行選擇發(fā)生比變化0.294倍，發(fā)生比降低70.6%

該分類變量的結(jié)果表明，隨著收入的增加，可能存在著航空出行選擇先減少后增加的趨勢。隨著收入的增加，更多的出行會是公務(wù)出行，即使在突發(fā)公共衛(wèi)生事件有所反復(fù)的背景下，公務(wù)出行的可變程度還是遠小于休閑出行。

（2） 職業(yè)與航空出行選擇

在職業(yè)的劃分中，本研究劃分了5各組別，在擬合模型中，以學(xué)生作為參照組，企事業(yè)單位、私營職業(yè)者和退休人員的P值大于0.05，這三個職業(yè)群體對航空出行選擇影響不顯著。

公務(wù)員相對于學(xué)生航空出行選擇發(fā)生比變化提高2.075倍，發(fā)生比增加107.5%。公務(wù)員相較于學(xué)生而言，不僅有更多的出行需求，而且會有更多的公務(wù)出行需求（出差），所以航空出行選擇的發(fā)生率更高。

雖然其它職業(yè)群體以學(xué)生為參照群組沒有顯著影響，但是通過回歸系數(shù)可以看出，在突發(fā)公共衛(wèi)生事件反復(fù)的背景下，企事業(yè)單位、私營職業(yè)者和退休人員的航空出行選擇發(fā)生率都要高于學(xué)生，這也與實際相符合。

（3） 航空出行頻率與航空出行選擇

航空出行頻率是四分類變量，包括0次、1-3次、4-6次和7次及以上，擬合模型中所有變量P=0.000<0.05，對照的3個變量對航空出行選擇有顯著影響，且1-3次EXP（-3.568）=0.028，4-6次EXP（-3.549）=0.029，7次及以上EXP（-3.051）=0.047，可以看出，在突發(fā)公共衛(wèi)生事件反復(fù)的背景下，原先年航空出行次數(shù)越多的群體，仍然選擇航空出行的發(fā)生率越高。

（4）對公共衛(wèi)生事件的恐懼程度與航空出行選擇

在恐懼程度的劃分中，共界定出不恐懼、較不恐懼、一般恐懼、恐懼和非常恐懼五個組別，在擬合模型中，以不恐懼群體為參照群體，非?？謶值腜值大于0.05，相對于不恐懼的群體，非?？謶謱娇粘鲂羞x擇的影響不顯著。

而較不恐懼、一般恐懼與恐懼的群體在模型擬合中P值小于0.05，相對于不恐懼的群體對航空出行選擇有顯著影響。三者間的乃至后四者間的相互關(guān)系還需進一步統(tǒng)計分析。

（5）對公共衛(wèi)生事件防控措施的了解程度與航空出行選擇

對公共衛(wèi)生事件防控措施的了解程度按照程度不同劃分為五個分類，只有比較了解組別相較于不了解組別對航空出現(xiàn)選擇有顯著影響，且EXP（-0.882）=0.414，比較了解組別相對于不了解組別航空出現(xiàn)選擇發(fā)生比降低59.6%。有受訪者反映經(jīng)歷過登機前被告知是3天居家隔離但落地后卻被告知是集中隔離14天，這明顯屬于“不了解”組別而選擇了航空出行后計劃受到影響。

（6）服務(wù)質(zhì)量與航空出行選擇

機上服務(wù)質(zhì)量是連續(xù)變量，擬合模型中P=0.012<0.05，說明機上服務(wù)質(zhì)量對航空出行選擇有顯著影響，回歸系數(shù)=0.187，說明在突發(fā)公共衛(wèi)生事件反復(fù)的背景下，機上服務(wù)質(zhì)量越好，航空出行選擇發(fā)生率越高。

機場服務(wù)質(zhì)量也屬于連續(xù)變量，擬合模型中P=0.001<0.05，但回歸系數(shù)為負(fù)，這與預(yù)期和實際有些出入，在排除共線性問題后，應(yīng)考慮本題設(shè)計問題，故不再詳細(xì)討論。

3.突發(fā)公共衛(wèi)生事件不同階段影響因素分析

在突發(fā)公共衛(wèi)生事件剛剛出現(xiàn)的時期，影響因素與突發(fā)公共衛(wèi)生事件反復(fù)階段相差較小，有最高學(xué)歷、航空出行頻率、不同艙位等級、對公共衛(wèi)生事件的恐懼程度和機場與航空承運人的防控措施。

而到了突發(fā)公共衛(wèi)生事件造成嚴(yán)重影響的時期，旅客關(guān)注的因素明顯增加，新增有票價、時刻、機上服務(wù)質(zhì)量、退改簽政策和飛機的易感程度等因素，反映了出行需求、突發(fā)公共衛(wèi)生事件影響與政策三者之間的矛盾。

在突發(fā)公共衛(wèi)生事件平穩(wěn)，大部分時間無本土新增的時期，航空出行頻率、艙位等級、對防控措施的了解程度和機場服務(wù)質(zhì)量，體現(xiàn)了突發(fā)公共衛(wèi)生事件對切實有出需要的旅客造成了影響，而這些旅客十分關(guān)心防控措施政策。

四、結(jié)語

旅客在突發(fā)公共衛(wèi)生事件背景下對航空出行選擇的影響因素主要有收入、職業(yè)、航空出行頻率、對公共衛(wèi)生事件的恐懼程度、對公共衛(wèi)生事件防控措施的了解程度、機上服務(wù)質(zhì)量等，且在不同時期有不同的體現(xiàn)。在突發(fā)公共衛(wèi)生事件反復(fù)時期，票價、時刻等因素對旅客選擇航空出行影響較小，而在突發(fā)公共衛(wèi)生事件造成嚴(yán)重影響的時期票價、時刻等因素又成為了旅客重點關(guān)注的因素。

（1）突發(fā)公共衛(wèi)生事件反復(fù)的背景下，在一定收入范圍內(nèi)，隨著收入的增加，存在航空出行選擇先減少后增加的趨勢。

（2）在突發(fā)公共衛(wèi)生事件反復(fù)的背景下，公務(wù)員、企事業(yè)單位職工等不同職業(yè)者對航空出行選擇的發(fā)生率都高于學(xué)生群體，其應(yīng)源于學(xué)生的出行剛需都小于其它職業(yè)群體。

（3）在突發(fā)公共衛(wèi)生事件反復(fù)的背景下，原先年航空出行頻率越高的群體，仍然選擇航空出行的發(fā)生率較高。

（4）對突發(fā)公共衛(wèi)生事件較不恐懼、一般恐懼和恐懼的群體相較于不恐懼的群體，航空出行選擇的發(fā)生率會降低。

（5）對各地（尤其是目的地）公共衛(wèi)生事件防控措施更較了解的群體，在選擇航空出行時會更加謹(jǐn)慎（大多偏向取消出行）。

（6）機上服務(wù)質(zhì)量是回歸模型少數(shù)的可控因素，其對航空出行選擇的發(fā)生率有正向影響。

由結(jié)果可知，大部分因素集中在旅客的個人屬性上，年齡、收入和選擇的艙位等級等，所以在做好對旅客的分類基礎(chǔ)上，保證旅客關(guān)注的客觀因素，如票價、時刻等，能有效提升經(jīng)濟效率。

參考文獻：

[1]哈億輝，蔣宇星.新冠肺炎疫情下中國旅游業(yè)的挑戰(zhàn)和機遇[R].香港：埃森哲戰(zhàn)略， 2020. HA Yi-hui， JIANG Yu-xing. Challenges and Opportunities of China's Tourism Industry Under the COVID-19 Epidemic[R].Hong Kong： Accenture， 2020.

[2]王玉瀟，劉匯，趙天成.低碳旅游出行選擇行為機理及實證研究[J].科技經(jīng)濟市場，2019（03）：134-137.

[3]丹尼爾·A·鮑威斯，謝宇. 分類數(shù)據(jù)分析的統(tǒng)計方法[M]. 任強，巫錫煒，穆崢，譯. 2版. 北京：社會科學(xué)文獻出版社，2009.

[4]駱晨，董青，姚擎，張海榮，王倩茹.突發(fā)公共衛(wèi)生事件持續(xù)期居民中長距離出行方式選擇行為研究[J].交通運輸系統(tǒng)工程與信息，2020，20（06）：57-62.DOI：10.16097/j.cnki.1009-6744.2020.06.007.

[5]張文彤，董偉.SPSS 統(tǒng)計分析高級教程[M].北京：高等教育出版社， 2004. ZHANG Wen-tong， DONG Wei. SPSS Statistical Analysis Advanced Course[M].Beijing： Higher Education Press（HEP），2004：364.

[6]劉強，張一橋.基于二項分類Logistic回歸模型的我國居民體育鍛煉參與影響因素的研究[J].體育科技文獻通報，2021，29（12）：162-164+189.DOI：10.19379/j.cnki.issn.1005-0256.2021.12.049.