CN109377056A - 一种出行幸福感影响因素提取方法 - Google Patents
一种出行幸福感影响因素提取方法 Download PDFInfo
- Publication number
- CN109377056A CN109377056A CN201811257425.5A CN201811257425A CN109377056A CN 109377056 A CN109377056 A CN 109377056A CN 201811257425 A CN201811257425 A CN 201811257425A CN 109377056 A CN109377056 A CN 109377056A
- Authority
- CN
- China
- Prior art keywords
- trip
- happiness
- factor
- variable
- well
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种出行幸福感影响因素提取方法，属于交通出行行为和出行幸福感分析技术领域。首先，使用出行幸福感数据建立最优尺度回归模型，筛选出显著影响出行幸福感的因素，并获得这些因素的重要性系数；其次，以最优尺度回归输出结果为依据，结合因子分析法和层次分析法获得因素间的层次结构，并且得到每个指标的影响权重，从而构建出行幸福感评价指标体系。本发明所构建的评价指标体系，能定量地描述不同因素对出行幸福感的影响程度，为出行幸福感的评估以及提升出行幸福感政策的制定提供理论依据。
Description
技术领域
本发明涉及一种出行幸福感影响因素提取方法，属于交通出行行为和出行幸福感分析技术领域。
背景技术
交通作为衣食住行的一部分，在人们的日常活动中不可或缺。人们上班、上学、休闲、购物等行为都需要通过交通方式作为桥梁来完成。出行时间、出行方式的不同往往会给人不同的体验进而影响出行幸福感。尤其在交通拥堵日益严重的大城市，大面积、长时间的交通拥堵往往会对出行者的出行幸福感造成很大影响，进而可能波及到日常的工作、生活中，降低整体生活质量。上世纪90年代以来，摈弃过去只注重GDP的旧观念，转而从幸福感的角度来评价社会发展和行政政策，已然成为世界性潮流。在认知心理学、行为经济学等学科对幸福感研究的影响下，交通领域的研究中也开始探讨出行行为与幸福感之间的关系。
国内外学者都对出行幸福感的研究做出了贡献，研究内容主要涉及某一具体因素对出行幸福感的影响和出行幸福感测量工具开发等方面，然而很多显著影响出行幸福感的因素未被考虑，很少有研究者对出行幸福感影响因素的层次结构进行分析，尚未构建科学完整的出行幸福感评价指标体系。
发明内容
本发明提出了一种出行幸福感影响因素提取方法，它使用最优尺度回归筛选出显著影响出行幸福感的因素，并得到各自的重要性系数，在此基础上，结合因子分析法和层次分析法获得因素间的层次结构，确定二级指标权重及三级指标权重，从而构建出行幸福感评价指标体系，为出行幸福感的后续研究，如：制定适用于国内的出行幸福感测量量表、制定提升出行幸福感的交通干预政策等，提供理论依据和技术支持。
本发明为解决其技术问题采用如下技术方案：
一种出行幸福感影响因素提取方法，包括如下步骤：
步骤一，获取及预处理出行幸福感数据；
步骤二，根据所获取数据，建立最优尺度回归模型，筛选出显著影响出行幸福感的因素并得到各自的重要性系数；
步骤三，根据最优尺度回归建模筛选出的显著影响因素，采用因子分析法，建立出行幸福感影响因素层次结构，确定二级指标权重；
步骤四，采用层次分析法确定三级指标权重，进而完成构建出行幸福感影响因素的指标体系。
所述步骤一中预处理出行幸福感数据包括如下几个步骤：
1)根据数据取值的合理范围，剔除不合理的异常点和缺失值，以及样本量太小不具有代表性的变量；
2)对分类变量进行哑元处理，同时对部分连续变量如家庭收入等变量离散化后，再进行哑元处理；
3)采用ABS法(Affect Balance Scale即情感平衡量表)获取每个出行活动的出行幸福感水平，公式如下：
情绪水平＝平均积极情绪-平均消极情绪。
所述步骤一中的出行幸福感数据包含出行属性、个人属性和家庭属性；出行属性包含出行过程中的幸福感、是否与他人交互、交通方式、出行持续时间、出行目的；个人属性包含年龄、性别、种族、地区、工作情况、工作类型、学历、健康情况、休息情况；家庭属性包含家庭总收入、有无小孩、是否结婚。
所述步骤二中筛选出显著影响出行幸福感的因素并得到各自的重要性系数的一般步骤为：
1)采用最优尺度变换的方法将分类变量转换为数值型变量；
2)采用线性回归模型进行拟合，确定显著影响因变量的因素及重要性系数。
所述步骤三中建立出行幸福感影响因素层次结构，确定二级指标权重的一般步骤为：
1)采用KMO检验或Bartlett球形检验判断数据间的相关性；
2)以特征根大于1或累计贡献率大于80％为标准，确定公共因子数，公式如下：
Xi＝αi1F1+αi2F2+……+αimFm+εi,i＝1,2,3...p (1)
式中，Xi为原变量，F1，F2，…，Fm代表被提取的公因子，εi代表特殊因子，αim为因子载荷，且m＜p；
3)由因子分析中各因子的贡献率确定二级指标权重，公式如下
其中：λj为第j主因子对应的特征值。
所述步骤四中三级指标权重计算步骤为：
1)建立阶梯层次结构；
2)构建两两比较判断矩阵A；
3)计算各层次指标的权重；
Aω＝λmaxω (3)
如果有向量ω＝(ω1,ω2,...,ωn)T满足公式(3)，其中λmax是判断矩阵A的最大特征值，则归一化后的ω即为权重向量。
本发明的有益效果如下：
本发明建立了较为完整的出行幸福感评价指标体系，能清晰地呈现不同因素对出行幸福感的影响程度，为出行幸福感的评估提供理论依据，也为科学制定干预政策提升出行幸福感提供依据。
附图说明
图1为本发明实施例的出行幸福感影响因素评价指标体系图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。
本发明提出的一种出行幸福感影响因素提取方法，主要包括以下步骤：
1)获取及预处理出行幸福感数据
本实验采用美国时间利用调查(American Time Use Survey，简称ATUS)2013年幸福模块的数据进行分析。它是美国全国性的调查数据，能够获得人们在出行时的情感体验，不涉及认知维度的出行满意度数据，用0～6表示一次出行时感觉到快乐、痛苦、悲伤、压力、疲劳的程度。该数据库对个人和出行信息的收集较为完整，具有很好的代表性、广泛性，契合了本发明对于出行幸福感的研究需要。抽取2013年幸福模块的数据，剔除不合理的异常点和缺失值，以及样本量太小不具有代表性的变量，同时对变量属性进行合并和哑元处理，共得到6719条记录。将自变量分为三类：1、出行属性，包含了出行过程中的幸福感、是否与他人交互(是＝1；否＝0)、交通方式(小汽车驾驶员＝1；小汽车乘客＝2；步行＝3；公交＝4)、出行持续时间、出行目的(工作上学＝1；日常事务＝2；休闲活动＝3；社会活动＝4)；2、个人属性，包括年龄、性别(男＝1；女＝0)、种族(白人＝1；黑人＝2；移民或混血＝3)、地区(东北部＝1、中西部＝2；南部＝3；西部＝4)、工作情况(有工作＝1；无工作＝2；非劳动力＝3)、工作类型(无＝1；农业＝2；工业＝3；流通业＝4；服务业＝5)、学历(9年级以下＝1；9年级-高中＝2；大学＝3；硕士及以上＝4)、健康情况(较好＝1；一般＝2；较差＝3)、休息情况(很长＝1；一般＝2；较短＝3；几乎没有＝4)；3、家庭属性，包括家庭总收入(小于12499＝1；12499-24999＝2；24999-39999＝3；39999-59999＝4；59999-99999＝5；100000以上＝6)，有无小孩(有＝1；无＝0)，是否结婚(已婚＝1；未婚＝0)。因变量即出行幸福感，它的计算方法是借鉴美国学者Bradburn提出的：情绪水平等于平均积极情绪与平均消极情绪之差，在本实施例中的应用为：情绪水平＝平均积极情绪(快乐得分)-平均消极情绪(痛苦、悲伤、压力、疲劳得分均值)，该方法被称为ABS法，已证明可以有效地代表自测的幸福感。计算后的情绪水平是数值型变量，取值-6.00～6.00，数值越大代表出行过程中的幸福体验越高。
2)筛选出显著影响出行幸福感的因素并得到各自的重要性系数
由于数据中包含大量分类属性数据，本实验选用最优尺度回归模型筛选对出行幸福感显著影响的因素，为之后的因子分析建立影响因素结构层次提供输入，同时得出的重要性系数也为层次分析法中判断矩阵的元素即标度的取值提供参考。所得模型输出结果如下：
表1 最优尺度回归模型输出结果
| 变量 | sig. | 重要性系数 | 转换后容差 |
| 出行目的 | 0.000 | 0.056 | 0.684 |
| 活动持续时间 | 0.017 | 0.034 | 0.588 |
| 出行方式 | 0.022 | 0.014 | 0.541 |
| 活动中是否与他人交互 | 0.000 | 0.203 | 0.924 |
| 休息程度 | 0.000 | 0.318 | 0.621 |
| 健康情况 | 0.000 | 0.238 | 0.761 |
| 家庭总收入 | 0.001 | 0.010 | 0.633 |
| 工作情况 | 0.001 | -0.012 | 0.584 |
| 学历 | 0.000 | -0.033 | 0.814 |
| 婚姻 | 0.000 | 0.035 | 0.714 |
| 年龄 | 0.000 | 0.078 | 0.724 |
| 地区 | 0.000 | 0.020 | 0.789 |
| 性别 | 0.001 | 0.015 | 0.729 |
| 种族 | 0.000 | 0.024 | 0.750 |
| 工作类型 | 0.652 | 0.000 | 0.657 |
| 有无小孩 | 0.776 | 0.000 | 0.704 |
模型汇总的调整R方(可决系数)为0.248，sig.值(显著性水平)为0.002，说明该模型有意义，表1给出了模型的输出结果：变量、sig.值、重要性系数和转换后容差。从表1可见，工作类型、有无小孩这两个变量的sig.值大于0.05且重要性为0.000，故予以剔除，其余14个变量均对出行幸福感有显著影响。
3)建立出行幸福感影响因素层次结构，确定二级指标权重
本实验采用因子分析法，建立出行幸福感影响因素层次结构。表2为因子荷载矩阵，揭示每个主因子与各变量之间的关系，绝对值数值越高，说明该主因子对某个变量的解释程度越好。表2中将每一行的绝对值最大值加粗加色显示，这样每个指标属于哪个因子一目了然。可见，第一主因子反应的是个人的休息和健康状况；第二主因子主要表示出行期间的活动即是否与他人交互；第三主因子主要与出行目的、出行持续时间、出行方式有关，反映了出行特征；第四主因子主要体现了家庭收入、工作情况、学历三个因素，反映了个人社会经济属性；第五主因子主要反映了个人人口统计属性，如：婚姻、年龄段、地区、性别、种族。
表2 因子荷载矩阵
| 评价指标 | 因子1 | 因子2 | 因子3 | 因子4 | 因子5 |
| 休息程度 | 0.889 | 0.228 | -0.358 | 0.032 | 0.206 |
| 健康情况 | 0.762 | -0.157 | -0.168 | 0.109 | 0.077 |
| 是否交互 | -0.264 | -0.780 | -0.168 | 0.109 | 0.077 |
| 出行目的 | -0.017 | 0.117 | 0.830 | 0.246 | -0.035 |
| 持续时间 | 0.022 | 0.037 | -0.727 | -0.068 | -0.300 |
| 出行方式 | -0.012 | 0.455 | 0.651 | 0.313 | -0.111 |
| 家庭总收入 | 0.120 | 0.080 | 0.236 | -0.745 | 0.059 |
| 工作情况 | 0.010 | -0.139 | 0.435 | 0.613 | 0.048 |
| 学历 | -0.021 | 0.066 | 0.166 | -0.597 | 0.462 |
| 婚姻状况 | -0.438 | 0.204 | -0.332 | 0.276 | 0.613 |
| 年龄段 | 0.110 | -0.326 | 0.437 | 0.157 | 0.756 |
| 地区 | 0.135 | -0.131 | -0.104 | 0.005 | 0.702 |
| 性别 | -0.014 | 0.302 | 0.147 | 0.168 | 0.713 |
| 种族 | -0.187 | 0.218 | -0.182 | 0.135 | 0.666 |
二级指标权重由因子分析中各因子的贡献率确定，研究中提取了5个主因子，特征值分别为3.209、2.326、2.156、1.854、1.697，根据公式
其中：λj为第j主因子对应的特征值。
可计算得各因子的贡献率即各指标的权重：个人休息健康状况(0.285)、出行期间活动(0.207)、出行特征(0.192)、个人社会经济属性(0.165)、个人人口统计属性(0.151)。
4)确定三级指标权重
三级指标权重采用因子分析法较难得出，而确定指标的权重是层次分析法的优势所在，因而采用此方法来确定三级指标的权重。层次分析法，是一种将定性判断和定量计算结合起来的决策分析方法，能够非常清晰地展现每个层次的每个因素对原变量的影响程度。步骤如下：
1)建立阶梯层次结构；
2)构建两两比较判断矩阵A；
3)计算各层次指标的权重；
Aω＝λmaxω (3)
如果有向量ω＝(ω1,ω2,...,ωn)T，满足公式(3)，其中λmax是判断矩阵A的最大特征值，则归一化后的ω即为权重向量。
从表2可知，共有5个二级指标，需要建立5个判断矩阵，分别为2阶、1阶、3阶、3阶、5阶，表示个人休息健康状况、出行期间活动、出行特征、个人社会经济属性、个人人口统计属性的子元素互相之间的标度：
最大特征值分别为2、1、3.018、3.094、5.157，对应的特征向量归一化以后分别为：[0.750,0.250]T、[1]T、[0.558,0.320,0.122]T、[0.186,0.127,0.687]T、[0.165,0.577,0.084,0.053,0.121]T。
最终得出评价指标体系如图1所示，三级指标括号中的第一个数字表示其对相应的二级指标的影响权重，第二个数字是二级和三级权重的乘积，表示该三级指标对一级指标的影响权重。
由最终建立的指标体系可见，个人休息健康状况和出行期间活动是影响显著的二级指标，而昨晚休息程度和活动中是否与他人交互是影响显著的三级指标，其次是学历和出行目的。得出的结果与实际情况是相符的，休息的程度决定了一个人出行时的整体精神状态；与他人交互的过程会产生精神刺激，一定程度上能缓解压力和急躁的情绪，对出行情绪产生积极的影响；当人们进行旅游、休闲、娱乐出行时，心态是放松的，整体的心情是愉悦的；人的学历越高，见识越广，可能对于生活的要求也越高，幸福感的阈值也会越高。
Claims (6)
1.一种出行幸福感影响因素提取方法，其特征在于，包括如下步骤：
步骤一，获取及预处理出行幸福感数据；
步骤二，根据所获取数据，建立最优尺度回归模型，筛选出显著影响出行幸福感的因素并得到各自的重要性系数；
步骤三，根据最优尺度回归建模筛选出的显著影响因素，采用因子分析法，建立出行幸福感影响因素层次结构，确定二级指标权重；
步骤四，采用层次分析法确定三级指标权重，进而完成构建出行幸福感影响因素的指标体系。
2.根据权利要求1所述的一种出行幸福感影响因素提取方法，其特征在于：所述步骤一中预处理出行幸福感数据包括如下几个步骤：
1)根据数据取值的合理范围，剔除不合理的异常点和缺失值，以及样本量太小不具有代表性的变量；
2)对分类变量进行哑元处理，同时对部分连续变量如家庭收入等变量离散化后，再进行哑元处理；
3)采用ABS法获取每个出行活动的出行幸福感水平，公式如下：
情绪水平＝平均积极情绪-平均消极情绪。
3.根据权利要求1所述的一种出行幸福感影响因素提取方法，其特征在于：所述步骤一中的出行幸福感数据包含出行属性、个人属性和家庭属性；出行属性包含出行过程中的幸福感、是否与他人交互、交通方式、出行持续时间、出行目的；个人属性包含年龄、性别、种族、地区、工作情况、工作类型、学历、健康情况、休息情况；家庭属性包含家庭总收入、有无小孩、是否结婚。
4.根据权利要求1所述的一种出行幸福感影响因素提取方法，其特征在于：所述步骤二中筛选出显著影响出行幸福感的因素并得到各自的重要性系数的一般步骤为：
1)采用最优尺度变换的方法将分类变量转换为数值型变量；
2)采用线性回归模型进行拟合，确定显著影响因变量的因素及重要性系数。
5.根据权利要求1所述的一种出行幸福感影响因素提取方法，其特征在于：所述步骤三中建立出行幸福感影响因素层次结构，确定二级指标权重的一般步骤为：
1)采用KMO检验或Bartlett球形检验判断数据间的相关性；
2)以特征根大于1或累计贡献率大于80％为标准，确定公共因子数，公式如下：
Xi＝αi1F1+αi2F2+……+αimFm+εi,i＝1,2,3...p (1)
式中，Xi为原变量，F1，F2，…，Fm代表被提取的公因子，εi代表特殊因子，αim为因子载荷，且m＜p；
3)由因子分析中各因子的贡献率确定二级指标权重，公式如下
其中：λj为第j主因子对应的特征值。
6.根据权利要求1所述的一种出行幸福感影响因素提取方法，其特征在于：所述步骤四中三级指标权重计算步骤为：
1)建立阶梯层次结构；
2)构建两两比较判断矩阵A；
3)计算各层次指标的权重；
Aω＝λmaxω (3)
如果有向量ω＝(ω1,ω2,...,ωn)T满足公式(3)，其中λmax是判断矩阵A的最大特征值，则归一化后的ω即为权重向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811257425.5A CN109377056A (zh) | 2018-10-26 | 2018-10-26 | 一种出行幸福感影响因素提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811257425.5A CN109377056A (zh) | 2018-10-26 | 2018-10-26 | 一种出行幸福感影响因素提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109377056A true CN109377056A (zh) | 2019-02-22 |
Family
ID=65390046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811257425.5A Pending CN109377056A (zh) | 2018-10-26 | 2018-10-26 | 一种出行幸福感影响因素提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377056A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112951428A (zh) * | 2021-03-18 | 2021-06-11 | 北京交通大学 | 考虑身体活动水平的慢行交通出行健康影响评价方法 |
| CN113255028A (zh) * | 2021-04-15 | 2021-08-13 | 东南大学 | 一种过街盲道有效性测度方法 |
-
2018
- 2018-10-26 CN CN201811257425.5A patent/CN109377056A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112951428A (zh) * | 2021-03-18 | 2021-06-11 | 北京交通大学 | 考虑身体活动水平的慢行交通出行健康影响评价方法 |
| CN112951428B (zh) * | 2021-03-18 | 2024-04-05 | 北京交通大学 | 考虑身体活动水平的慢行交通出行健康影响评价方法 |
| CN113255028A (zh) * | 2021-04-15 | 2021-08-13 | 东南大学 | 一种过街盲道有效性测度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Von Lyncker et al. | Regional club convergence in the EU: evidence from a panel data analysis | |
| Abdullah | Fuzzy multi criteria decision making and its applications: a brief review of category | |
| Michael et al. | On the new theory of consumer behavior | |
| Easterlin | Growth triumphant: The twenty-first century in historical perspective | |
| Rodriguez et al. | Women nascent entrepreneurs and social capital in the process of firm creation | |
| Carson | Racial differences in body mass indices of men imprisoned in 19th century Texas | |
| CN106682394A (zh) | 一种生存风险的大数据分析方法及系统 | |
| CN106503438A (zh) | 一种用于药店会员分析的h‑rfm用户建模方法及系统 | |
| CN109377056A (zh) | 一种出行幸福感影响因素提取方法 | |
| Jamshidi et al. | Investigating the customers’ drivers of Islamic credit card loyalty and word of mouth | |
| Chiang | Using a data-driven marketing strategy on customer relationship management: an empirical case of urban coffee shops in Taiwan | |
| Magassy et al. | Influence of mode use on level of satisfaction with daily travel routine: a focus on automobile driving in the United States | |
| Furtado | Cross-nativity marriages and human capital levels of children | |
| CN112613679A (zh) | 一种电动汽车保有量预测方法 | |
| Malinowski et al. | Female activity and education levels in selected European Union countries | |
| Shu | Research on customer perceived value evaluation of new chinese-style clothing based on pso-bp neural network | |
| CN113435713A (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
| Göz et al. | Testing evolutionary and cultural theories regarding mate selection in Turkey | |
| CN113361653A (zh) | 基于数据样本增强的深度学习模型去偏方法和装置 | |
| Huang et al. | Used car price prediction analysis based on machine learning | |
| Matczak et al. | Cannabis consumers in Poland | |
| Maskan | Proposing a model for customer segmentation using WRFM analysis (case study: an ISP company) | |
| Hu et al. | Research on influencing factors of welfare level about left-behind children in China rural areas | |
| Parshukov et al. | Study Of Life Quality Indicators Influence On Rural Population Migration | |
| Qianyu et al. | Research on financial consumer behavior based on deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190222 |
|
| WD01 | Invention patent application deemed withdrawn after publication |