國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
第五章 需求模型實證與友善環境策略研擬
在本章將以多變量分析進行臺北公共自行車使用行為的分析，並透過二元羅吉特建構 出臺北公共自行車的使用行為模型。第一節將先透過因子分析中的主成份，找出民眾對臺 北公共自行車系統方面認知及環境方面認知的主要影響因素。第二節則參考第四章交叉分 析中所得到與不同情境使用臺北公共自行車意願相關的原因及主成份分析的結果篩選變 數進行二元羅吉特迴歸，進而推論出合適的臺北公共自行車使用行為模型。
第一節 因子分析-主成份分析
透過第四章交叉分析得知民眾對臺北公共自行車系統的認知及環境的認知與使用臺 北公共自行車作為日常使用的意願有其關聯性，然而，系統方面認知與環境方面認知的問 題題項豐富，無法做為變數一一進行二元羅吉特分析。爰此，本節將以系統認知與環境認 知標準化後的得分進行主成份分析，達到資料縮減的目的，以利作為後續二元羅吉特模型 迴歸用。
一、臺北公共自行車系統方面的認知
在系統方面的認知，首先會先透過信度檢定確認該題組的樣本信度。接著進行主成份 分析時，先採用萃取法進行萃取，當萃取法建議保留兩個以上的成份時再透過軸轉技術的 直接斜交法來計算，並採用特徵值及陡坡檢定來決定最後萃取的成份數量。
(一) 檢定
在臺北公共自行車系統認知的單一題組內，針對系統方面認知 14 題量表式的題目進 行 Cronbachs α值的信度分析，得到的 Cronbachs α為 0.723。一般而言，該係數值低於 0.35 代表低信度，介於 0.35 到 0.70 之間表示信度尚可，高於 0.70 則為高信度 (俞洪亮、
蔡義清、莊懿妃，2012)。因此就本單一題組的信度而言，是達到高信度的水準。
(二) 主成份分析—萃取法
進行主成份分析時，當萃取法建議保留兩個以上的成份時，就需要透過軸轉技術來了 解不同題目是負荷在哪些成份上，也有利於釐清這些成份之間的差異。如表 5-1 所示，本 題組在第一輪主成份後萃取出四個成份，因此將採用軸轉技術來進行後續的分析。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
表 5-1 臺北公共自行車系統認知之主成份解說總變異量（原始）
元件 初始特徵值 平方和負荷量萃取
總數 變異數的 % 累積% 總數 變異數的 % 累積%
1 4.532 32.373 32.373 4.532 32.373 32.373
2 1.467 10.482 42.855 1.467 10.482 42.855
3 1.129 8.061 50.916 1.129 8.061 50.916
4 1.018 7.272 58.188 1.018 7.272 58.188
5 .902 6.446 64.633
6 .844 6.026 70.660
7 .778 5.560 76.220
8 .642 4.588 80.808
9 .626 4.474 85.282
10 .553 3.952 89.234
11 .467 3.336 92.570
12 .441 3.152 95.722
13 .369 2.635 98.357
14 .230 1.643 100.000
萃取法：主成份分析。
(三) 主成份分析結果與檢定
每一輪的主成份透過直接斜交法軸轉完成後，尚須檢定各題目之效度，將不具備構面 效度或收斂效度的題目去除，直到各題目皆滿足收斂效度與區別效度後，方能確定萃取的 成份。收斂效度指的是構面內的相關程度要高，若各題目之因素負荷量(factor loading) 愈大，一般以大於 0.5 為準，則愈具備收斂效度；區別效度指的是構面之間相關的程度要 低，若問卷題目在非所屬因素中，其因素負荷量愈小，一般是以低於 0.5 為準(俞洪亮、
蔡義清、莊懿妃，2012)。
本題組在幾輪的主成份分析後，如下表 5-2 所示，透過直接斜交法共篩選出九個元件 (題目)，根據平方和負荷量及陡坡圖判定萃取出三個成份，再依照所屬題目的因素負荷量 分類命名。結果，在臺北公共自行車系統認知的題組內，共萃取出「系統認知」、「租借 效率」及「租借費率」三個成份。其中以系統認知的解說總變異量最多，分別為 41.41%，
租借效率為 12.80%，匯率優惠為 12.04%。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
表 5- 2 臺北公共自行車系統認知之主成份解說總變異量（軸轉後）
元件 (題號)
初始特徵值 平方和負荷量萃取 轉軸平方和負荷量a 總數 變異數的 % 累積% 總數 變異數的 % 累積% 總數
1 3.727 41.407 41.407 3.727 41.407 41.407 3.184 2 1.152 12.795 54.202 1.152 12.795 54.202 1.729 3 1.084 12.040 66.243 1.084 12.040 66.243 2.580 4 .773 8.591 74.834
5 .693 7.703 82.537 6 .497 5.524 88.061 7 .458 5.086 93.148 8 .378 4.202 97.350 20 .238 2.650 100.000 萃取法：主成份分析。
a. 當成份產生相關時，無法加入平方和負荷量 以取得總變異數。
圖 5-1 臺北公共自行車系統認知之主成份陡坡圖
軸轉的最後結果如下表 5-3 所示，包含「系統認知」、「租借效率」及「租借費率」
三個成份下的各題目分別符合區別效度與收斂效度。而針對各成份再次進行 Cronbachs α 檢定，系統認知成份與租借效率成份都屬於高信度，租借費率成份信度尚可。
此外，進行因素分析，一般都使用 KMO 和 Bartletts 球形檢定來判定因素分析的結果 是否適當。KMO 的全名是 Kaiser-Meyer-Olkin，KMO 是使用淨相關(partial correlation) 矩陣來計算，Kaiser (1974) 提出了 KMO 抽樣適配度的判定準則如下：0~0.5 為不可接受
‧
的；0.5~0.59 為悲慘的；0.6~0.69 為平凡的；0.7~0.79 為中度的；0.8~1 為良好的。
Bartletts 球形檢定是使用相關係數來計算，在一般的情形下，相關矩陣的值必須明顯地 大於 0，我們使用 SPSS 軟體時可以查看 Bartletts 球形檢定的顯著性，作為判定是否適合 作因素因分的檢定之一項準則。
本研究 KMO 為 0.808，為良好的；Bartlett 的球形檢定顯著性為 0.000，達到三顆星 的顯著。因此，判定本題組進行因素分析是適合的。
Kaiser-Meyer-Olkin 取樣適切性量數：0.808 Bartlett 的球形檢定顯著性：0.000***
表 5-4 臺北公共自行車系統認知主成份相關矩陣
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University