關于打車軟件使用情況的調(diào)查分析

打車軟件是一種智能手機應用軟件，乘客可以便捷地通過手機發(fā)布打車信息，和搶單司機直接溝通，大大提高了打車效率。但是一些打車軟件在用戶手機上植入惡意廣告，傳播不良信息，竊取用戶隱私，間接造成扣費，從而影響了用戶體驗；并且在實際應用中，出租車司機一心熱衷于搶訂單賺補貼，導致許多乘客路邊打車卻慘遭空駛出租車司機的無視，等等問題的存在引發(fā)了人們對其發(fā)展前景的質(zhì)疑?；谝陨蠁栴}，本文將通過抽樣調(diào)查和以SPSS軟件為基礎的數(shù)據(jù)分析，具體把握打車軟件的使用現(xiàn)狀。并通過因子分析找出影響打車軟件使用程度的因素，進而挖掘潛在用戶，針對不同的使用群體進行不同策略的定向服務，以提高用戶的使用效率。

1  研究設計

本文以荊門市為調(diào)研地點，利用問卷調(diào)查的方式，分析出經(jīng)常使用打車軟件用戶的人群特征，為后續(xù)調(diào)查和分析做準備。在滴滴打車使用情況調(diào)查的基礎上，此次調(diào)研將通過分層抽樣、簡單隨機抽樣相結合的抽樣方式展開調(diào)查。對數(shù)據(jù)進行了全面的描述性系統(tǒng)分析，對樣本的基本情況有了充分的了解與掌握；在此基礎上采用描述性分析、Logit回歸分析和因子分析對問題進行全面分析。從“打車軟件的總體現(xiàn)狀分析及產(chǎn)品定位”、“打車軟件使用客戶特征分析”、“打車軟件使用頻率等級分析”、“打車軟件使用潛在用戶挖掘”等方面進行數(shù)據(jù)信息深度挖掘，并對打車軟件需要改進的地方進行了思考，提出了科學的調(diào)研結果和優(yōu)化方案。

2  數(shù)據(jù)來源

本文采用問卷調(diào)查法在湖北荊門地區(qū)進行了抽樣調(diào)查。為了合理地組織抽樣，更大程度上減少誤差，我們采用分層抽樣與簡單隨機抽樣相結合的抽樣方法。首先，根據(jù)調(diào)研主題的需要對調(diào)查對象按各轄區(qū)性質(zhì)進行分層。在分層抽樣的基礎上，我們再以層為單位進行簡單隨機抽樣。通過問卷投放及回收，共計有效問卷500份。

3  數(shù)據(jù)分析

3.1  打車軟件的總體現(xiàn)狀分析及產(chǎn)品定位

在470份有效樣本中，有使用和沒有使用打車軟件習慣的人數(shù)各自占比為55.67%和44.33%。從使用打車軟件的比例可知，已有超過半數(shù)的人有使用打車軟件的習慣。

各大支付平臺，微信、支付寶、打車APP、QQ支付使用比例分別為：58.49%、17.74%、23.40%、0.38%，微信支付占據(jù)最大的市場，打車APP的使用率僅次于微信支付，支付寶及QQ支付在打車出行中的使用率則相對較小。對打車軟件非常滿意的受訪者僅占7.56%，46.43%的受訪者對打車軟件基本滿意，還有接近一半的受訪者持中立態(tài)度，有接近2%的受訪者對打車軟件不滿意和非常不滿意。

針對“未來是否有可能向別人推薦打車軟件”的問題有48.32%的受訪者表示未來有可能向別人推薦打車軟件，14.29%的受訪者明確表示不會向別人推薦打車軟件。依然有37.39%的受訪者持中立態(tài)度?？梢詫⒊种辛B(tài)度的這一人群作為目標人群，探索其有沒有可能成為打車軟件的潛在消費者。

3.2  Logit模型建立及分析

根據(jù)二元選擇模型的原理，運用SPSS進行Logit回歸分析，在顯著性水平時，可以得到各變量的系數(shù)估計值、統(tǒng)計量及其值。

表1  二元選擇模型回歸結果

解釋變量 系數(shù) 標準差 統(tǒng)計量 值 發(fā)生比率

年齡 0.227 0.114 3.943 0.047 1.255

收入 -0.207 0.077 7.144 0.008 0.813

如上表所示，模型自動剔除了職業(yè)變量和性別變量。剩余變量的系數(shù)估計值均在0.05的顯著性水平下顯著。因此可以得到如下二元選擇模型：

從回歸結果可以看出，年齡對是否有使用打車軟件的習慣存在顯著影響，變量“年齡”回歸系數(shù)大于零，說明在各年齡段間，有使用打車軟件習慣的用戶更傾向于10-19歲，20-29歲這兩個年齡段。這與年輕人的生活方式及對新鮮的追求程度和接受程度有關，年輕人在日常生活中養(yǎng)成的很少攜帶現(xiàn)金出門的生活習慣，使得其更傾向于接受打車軟件出行這種出行方式，而本身具有較強適應能力的他們就成為了這種出行方式的主要使用群體。

3.3  打車軟件使用頻率等級分析

本文將使用頻率采用五分制量表，分為總是使用、經(jīng)常使用、偶爾使用、很少使用和從不使用。并用有序回歸模型對參數(shù)進行求解。根據(jù)有序回歸模型的原理，運用進行回歸分析的結果如下表所示。

表2  多元選擇模型結果

變量 系數(shù) 標準誤 統(tǒng)計量 值

年齡10-19歲 1.363 0.507 7.225 0.007

年齡20-29歲 1.218 0.428 8.085 0.004

年齡30-39歲 1.040 0.432 5.781 0.016

運用模型擬合信息對該模型進行估計，各系數(shù)均通過顯著性水平的顯著性檢驗。模型擬合信息的顯著性為0.025，該模型具有有效性。因此得到方程如下：

在模型中，年齡在10-19歲、20-29歲和30-39歲的人對使用頻率有顯著影響。系數(shù)均為正值，其中10-19歲為1.363，20-29歲為1.218。相比于30-39歲及40歲及以上的人群有更高的使用頻率趨勢，青年相對于中年人有更強的接受新鮮事物的能力。而10-19歲相比于20-29歲的人有更高的使用頻率，與年輕人喜歡新鮮事物，接受能力強的特性相吻合。

3.4  主成分分析

本文將人群特征分為基本特征和經(jīng)濟特征兩類?；咎卣靼ǎ盒詣e、年齡和職業(yè)，經(jīng)濟特征為月收入。分析中發(fā)現(xiàn)性別和職業(yè)對是否選擇使用打車軟件無明顯影響，因此未將其納入分析。

3.4.1  潛在用戶基本特征分析

在第一個分類數(shù)據(jù)主成分分析模型中，我們引入基本特征變量，把5個不使用打車軟件的原因變量與年齡變量放入二維空間，得到成分負荷圖。在第一個模型中，提取了兩個主成分，代表兩個維度的信息。從年齡結構來看，30歲以上的人群主要由于安全系數(shù)低而不愿意使用打車軟件；而20-29歲的年輕群體主要由于傳統(tǒng)出租車能滿足需求而不使用打車軟件。而操作步驟麻煩、身邊使用人少和不愿意嘗試均不構成影響其選擇使用打車軟件的主要因素。

3.4.2  潛在用戶經(jīng)濟特征分析

在第二個分類數(shù)據(jù)主成分分析模型中，僅引入人群經(jīng)濟特征變量，把5個不使用打車軟件的原因變量與人群經(jīng)濟特征變量放入二維空間，得到成分負荷圖。在第二個模型中，提取了兩個主成分，代表了兩個維度的信息。月收入來看，月收入在2001-3000元的人群因為傳統(tǒng)出租車能滿足出行需求而不使用打車軟件；月收入在4001及以上的人群主要由于不愿意嘗試而拒絕使用打車軟件。而針對這一點，在調(diào)查中，有很多受訪者反映是因為自己擁有私家車而沒有使用打車軟件的必要。

4  調(diào)查結論

4.1  中青年消費群體是選擇使用打車軟件的主要消費群體

打車軟件的主要消費群體是年齡在20-39歲之間的中青年消費群體。收入在2001-3000元的人群也是構成使用打車軟件的主要消費群體之一。這類人群對新鮮事物有較強的接受能力，對新鮮事物比較熱衷，注重消費體驗。針對這種情況，打車軟件公司可以在司機注冊過程中加強對司機素質(zhì)方面的測評。在后期，在司機完成配單后的乘客測評中，突出司機素質(zhì)測評占星級的比重。從而起到時刻監(jiān)督司機，規(guī)范其行為的作用，增強乘客滿意度。

4.2  未使用打車軟件的主要原因是安全系數(shù)低和傳統(tǒng)出租車能滿足需求

打車軟件的發(fā)展受限在很大程度上歸因于中小城市的消費者大多數(shù)認為傳統(tǒng)出租車能滿足消費需求，在當?shù)?，路邊攔車的方式并沒有對居民的出行造成很大的困擾。其次，對打車軟件缺乏認識，再加上近年來“網(wǎng)約車”的負面新聞層出不窮，使得這一部分未使用打車軟件的受訪者對打車軟件形成了消極認知，從而導致其拒絕使用打車軟件。對于這樣的情況，打車軟件公司可以在體制上做完善和改進，加強司機審核機制。并且在打車軟件的廣告宣傳中突出強調(diào)安全性。

本文來源：《企業(yè)科技與發(fā)展》：http://xwlcp.cn/w/kj/21223.html