摘要：为探究出行者对公共交通依赖程度的影响机理，在计划行为理论的基础上引入个体属性、出行环境和出行特征因素形成扩展计划行为理论，通过出行意向调查获取7个维度出行影响信息，结合AgglomerativeNesting(AGNES)算法和结构方程模型实现对公共交通出行者的依赖性识别及影响关系解析。结果表明：整体而言，提出的扩展计划行为理论可有效探究出行者公共交通依赖性的影响机理;客观条件因素间接影响出行者公共交通依赖性，而主观心理因素直接影响。具体而言，客观条件因素中到站点总时间和房价对依赖性的影响最大，出行距离影响最小;主观心理因素中总体满意度的影响最大，亲友支持度的影响最小;除公共交通出行偏好外，慢行交通偏好也对公共交通依赖性具有显著正向影响。
关键词：交通运输工程;依赖性影响;结构方程;公共交通乘客;扩展计划行为理论
0引言
公共交通作为集约化、广覆盖、大运量的城市交通方式被视为“公交都市”建设和“交通强国”战略推进的有效抓手，有助于缓解多种城市交通问题，促进城市可持续交通体系的发展。然而，由于城市交通模式的多样化及其基础设施建设的空间不均衡化等原因，出行者的方式选择意愿与行为呈现复杂的异质性特征，其对公共交通依赖性的影响具有一定差异。因此，探究多维度影响因素与出行者公共交通依赖性间的影响关系具有重大意义。
当前，许多国内外学者面向不同情景模式开展出行行为影响和出行依赖性等方面研究。在出行行为理论方面，方晓平等人[1]、Shaaban等人[2]利用计划行为理论(TPB)探索出行态度、出行习惯、满意度、感知行为控制和主观规范等心理因素对公共交通出行者选择行为的影响。陈坚等人[3]结合TPB与习惯驱动行为理论对比分析选择行为各影响因素间的定量关系。Chen[4]基于改进的技术接受模型和TPB探讨了不同感知指标和主观规范等对公共自行车忠诚度的影响。但研究多是利用现有理论开展，缺乏对相关理论进行有效的扩展或延伸。在出行行为影响方面，研究表明出行时间和成本[5]、建成环境和公共交通服务[6]、个体属性[7]等客观条件因素以及价值和态度[8]、出行满意度和幸福度[9]、舒适性[10]等主观感受因素，对出行行为选择具有显著影响作用;此外，极端天气[11]和公共交通停止运营[12]等特殊条件与出行者的出行行为也存在显著相关性。但是，多数出行行为影响相关研究仅从主观心理或客观环境单一层面开展，缺乏利用主客观因素进行全面地解析。在出行依赖性方面，王慧等人[13]、Chakrabarti和Shin[14]、王丰龙和王冬根[15]等少数学者以汽车为研究主体进行了出行依赖性识别与影响关系分析等研究，但是鲜有学者从公共交通视角开展出行依赖性相关研究。
因此，本文在TPB的基础上引入3个客观条件变量，利用结构方程模型(SEM)构建出行者公共交通依赖性影响模型，基于扩展的TPB开展公共交通出行行为意向调查，最终以北京市为研究背景实现对出行者公共交通依赖性影响的定量化解析。研究有助于准确理解常态化情景下出行者的交通方式选择与决策行为，精准提升个性化公共交通服务质量。
1理论基础与模型构建
1.1理论分析
心理学中TPB已被成功用来评估行为认知决定因素间的影响关系，其核心思想为行为意向会直接决策实际行为，而态度、主观规范和感知行为控制三个认知因素共同影响行为意向[16]。可知，该理论仅从主观心理层面阐述了行为影响关系，缺乏客观影响变量与主观心理变量以及实际行为间的相关关系。
因此，为了准确刻画多维出行影响因素与出行者的公共交通依赖性间的关联关系，本文在TPB理论范式的基础上新引入个体属性、出行环境和出行特征三方面客观影响变量形成扩展计划行为理论(ETPB)，理论范式结构如图1所示。
1.2出行者公共交通依赖性影响模型构建
离散选择模型可以有效刻画出行者公共交通依赖性及其影响变量间的直接影响关系，但欠缺表达影响因素间以及影响因素与公共交通依赖性之间的结构关系能力。而SEM模型可以同时提供总体模型检验和独立参数估计检验，有效刻画出行者公共交通依赖性多维变量间的相互影响关系与多重中介效应[17]，故本文选用SEM方法构建出行者公共交通依赖性影响模型。
2研究数据获取与质量评估
研究以ETPB理论为基础，面向常态化情景调查获取出行者的公共交通使用行为和相关影响因素等信息，为量化解析出行者公共交通依赖性影响机理奠定基础。
2.1问卷设计与收集
基于ETPB理论范式，从客观条件和主观心理两个层面设计了包含个体属性、出行环境、出行特性、公共交通态度、主观规范、感知行为控制和出行意向等7方面的调查内容，具体如表1所示。
其中，个体属性指标设计主要借鉴文献[18~19]与先验经验，具体内容如下：小汽车可用性和自行车/电动自行车可用性：1=非常不容易、2=比较不容易、3=一般、4=比较容易、5=非常容易，是否接送孩子：1=是、0=否，职业：1=学生、2=公务员/事业单位、3=企事业职员、4=工人、5=私营及个体劳动者、6=自由职业、7=无业/退休、8=其他，教育水平：1=高中及以下、2=中专或大专、3=大学本科、4=研究生及以上，收入：1=1500以下、2=1500—3000、3=3001—5000、4=5001—8000、5=8001-15000、6=15001-20000、7=20000以上。而心理潜变量如公共交通态度、主观规范、感知行为控制和出行意向则采用经典的Likert五分量表法进行度量。调查问卷的指标赋值设计具有较好的科学性与合理性。
于2020年7月在北京市范围内开展面向常态化情景的出行意向线上调查，系统初步回收问卷共403份，通过IP校核、信息验证和样本控制等剔除部分无效问卷，共获得有效问卷263份。其中，男女比例为1.01:1，年龄覆盖16至66岁人群，学历涉及高中至研究生群体，高、中、低(包含学生)收入人群各占17.2%、51.5%和31.3%，居住区域覆盖北京16个区县，问卷样本结构较为合理。
2.2数据质量评估
利用SPSS软件对问卷数据进行信度及效度检验。采用Cronbach’sα系数进行信度检验，采用KMO检验和Bartlett球型度进行效度检验，结果表明问卷数据的α系数为0.861，系数大于阈值0.7表明数据具有良好的信度与内部一致性;KMO值为0.791大于0.7，而Sig值为0.00小于0.05，表明问卷数据通过了KMO和Bartlett球型检验，具有较好的效度。问卷数据质量评估情况如表2所示。
3依赖性辨识及其影响变量提取
3.1群体依赖性划分
为了准确探究不同出行者的公共交通依赖性影响关系，研究需要对出行群体异质性的公共交通依赖性水平进行识别。以公共交通出行者为主要研究对象，通过调查和文献分析选取出行天数占比、出行次数占比和出行模式往返性三个出行行为表现指标度量出行者的公共交通依赖性，具体如图2所示。
从图2可知，公共交通出行者的出行天数占比和出行次数占比的均值和数据分布形态相近，而出行模式往返性的中位数比前两者高30%左右，且正态曲线的峰值也高于前两者，表明出行者的出行强度与出行模式选择情况存在显著异质性。
相关知识推荐：吉林大学学报(工学版)容易发表论文吗
聚类分析是依据研究对象自身属性，按照一定分类定义对其进行归类研究[20]。层次聚类算法通过计算两类数据点的相似度对数据集中最为相似的两个数据点进行组合，创建具有层次的嵌套聚类树并将数据集逐层划分为不同类簇。算法可发现不同出行者公共交通依赖性类簇间的层次关系并制定最佳聚类数，故本文选用层次聚类算法中经典的AgglomerativeNesting(AGNES)聚类算法作为公共交通出行群体识别模型。
基于调查数据将计算得到的依赖性度量指标值输入到初始识别模型中，经过多次参数调整与迭代验证选定阈值t=1，树深度depth=2，层次聚类最终结果如图3所示。根据图中结果与数据划分合理性分析，确定最佳聚类数为4，此时裁剪高度取值60，则出行者被划分为低、较低、较高和高四类公共交通依赖性类簇，各类簇出行者占比分别为14.1%、30.4%、23.2%、32.3%。识别结果将作为出行者公共交通依赖性影响模型的输入。
3.2影响变量提取根据问卷调查与文献分析，选取3类主观潜变量和4类客观潜变量进行出行者的公共交通依赖性影响分析，具体内容见表3。其中，在计算土地混合利用强度变量时，将多类兴趣点合并为居住、就业、商业、景点、交通和教育等六类。
4实证研究与分析
研究利用AMOS软件构建出行者公共交通依赖性影响初始模型，将影响变量数据输入到初始模型并进行拟合计算与检验。结合残差非负检验、适配度指数和修正系数(M.I.)对初始模型进行权重和关系结构等调整，修正模型结果见图4。并选取增值适配度指数：递增拟合指数(IFI)、塔克-路易斯指数(TLI)和比较拟合指数(CFI)，简约适配度指数：简约基准拟合指数(PNFI)和简约比较拟合指数(PCFI)，以及近似均方根误差(RMSEA)、卡方自由度比值(CMIN/DF)等评估指标进行模型拟合效果评价[21]，最终模型评估指标情况如表4所示，符合模型评估标准。
基于图4结果可知，客观环境变量、主观心理变量和公共交通行为表现间具有显著相关性，进一步表明了研究提出ETPB理论范式的有效性与合理性。从宏观视角分析，客观环境变量不会直接影响出行者的公共交通依赖性，而是通过主观心理变量使出行者形成异质性的出行选择意向，间接影响其公共交通依赖性。其中，出行意向作为中介潜变量对公共交通依赖性具有一定正向影响，北京市居民职住不均衡性、出行模式多样性和交通换乘复杂性等特征会减弱该影响。公共交通态度、主观规范和感知行为控制均对出行意向具有正向作用，其中主观规范的影响作用最小仅为0.04，公共交通态度的影响强度最大为0.76，表明常态化条件下出行者对公共交通的依赖性受周围亲友的影响很小，但受自身对公共交通态度的影响较大。此外，3类客观环境变量对主观心理变量具有较为显著的差异性影响。其中，个体属性的影响作用相对较低，而对公共交通态度和主观规范的负向关系表明个体属性变量对依赖性产生具有阻碍作用;出行环境对3类主观心理变量均具有最强的正向影响强度，分别为0.59、0.82和0.99，表明建成环境和交通条件对北京市出行者公共交通依赖性具有较大影响;而出行特性仅对主观规范产生较低影响效用。
从微观视角分析，客观环境变量中个体属性潜变量由7个显变量表征，其对出行意向的影响系数分别为-0.02、0.01、-0.04、-0.06、0.04、-0.04和-0.06，A4和A7变量对出行者的出行意向影响最大表明不同年龄和收入群体的出行意向具有较大差异，而A2影响最小反映了骑行作为接驳方式或固定出行方式对公共交通依赖性造成影响较小。S1~S3显变量均与出行环境呈正向影响且关系强度相近，其对出行意向的总体影响程度分别为0.08、0.12、0.12。C1和C2通过主观规范变量对出行意向的总体影响系数仅为0.002和0.001，表明在北京市限号限牌和道路拥堵等常态化条件下出行者公共交通依赖性受出行特征的影响极小。主观心理变量可直接影响出行者的出现意向，其中AT1~AT3显变量对出行意向的总体影响系数分别为0.40、0.60、0.65，说明出行者在关注安全性和便捷性的同时更加注重出行总体满意度。主观规范的2个显变量对出行意向的影响作用较低为0.03，而P1和P2对出行意向的影响力为0.13、0.21，说明出行者选择公共交通的方便与自由程度对其出行意向产生较大影响。潜显变量间具体影响关系如图5所示。
出行意向作为公共交通依赖性的直接影响变量由4个显变量刻画，变量解释性分别为0.64、0.01、0.2和0.36，表明公共交通出行偏好与依赖性呈显著正相关关系，符合出行意向与行为一致性的特征;而78%的骑行和步行偏好者同样偏好公共交通，此群体多采用骑行或步行接驳公共交通出行，故其对公共交通依赖性产生一定正向影响;而约50%的小汽车偏好者也对其余出行方式存在偏好，故该指标对公共交通依赖性影响极小。因此，本文所提ETPB理论范式刻画了影响变量与公共交通依赖性间的关系，揭示了常态化情景下出行者公共交通依赖性的影响机理。
5结论
本文通过引入个体属性、出行环境和出行特征等客观条件因素对传统TPB理论进行拓展，结合AGNES聚类算法和SEM模型实现了出行者公共交通依赖性辨识及影响分析。研究结果表明，客观环境变量会通过主观心理变量干扰出行者的出行意向，间接影响其公共交通依赖性;潜变量间个体属性对公共交通态度、主观规范的影响为负向，而其余影响关系均为正向;客观环境变量中家和目的地到交通站点总时间、居住地房价为出行者公共交通依赖性主要影响变量，自行车可用性的影响较弱;主观心理变量中总体满意度影响效用最显著，而主观规范的显变量影响效用均较低;公共交通出行意向与依赖性具有较高一致性，且慢行交通偏好对公共交通依赖性具有一定的正向促进作用。——论文作者：胡松1，翁剑成1*，周伟2，林鹏飞1
转载请注明来自：http://www.lunwencheng.com/lunwen/lig/19966.html
