浙江大学学报(工学版)

浙江大学学报(工学版), 2023, 57(12): 2513-2523 doi: 10.3785/j.issn.1008-973X.2023.12.018

交通工程

换乘优惠政策下公共交通乘客换乘决策行为分析

马壮林,, 毕宇明, 张锐,

长安大学 运输工程学院，陕西 西安 710064

Transfer decision-making behavior analysis of public transport passengers under preferential transfer policy

MA Zhuang-lin,, BI Yu-ming, ZHANG Rui,

School of Transportation Engineering, Chang’an University, Xi’an 710064, China

通讯作者: 张锐，女，讲师. orcid.org/0000-0002-4752-1714. E-mail: zhangrui@chd.edu.cn

收稿日期: 2023-03-8  

基金资助: 教育部人文社会科学研究青年基金资助项目（18YJCZH130）；西安市科协决策咨询课题（202212）

Received: 2023-03-8  

Fund supported: 教育部人文社会科学研究青年基金资助项目（18YJCZH130）；西安市科协决策咨询课题（202212）

作者简介 About authors

马壮林（1980—），男，教授，从事交通规划、交通政策和出行行为研究.orcid.org/0009-0005-4538-3636.E-mail：zhuanglinma@chd.edu.cn , E-mail：zhuanglinma@chd.edu.cn

摘要

为了研究不同公共交通乘客在出行过程中换乘决策行为的异质性，采用结构方程模型（SEM）分析公共交通乘客的换乘意向与其他潜变量的关系，采用潜在类别模型（LCM）从乘客的心理感知因素视角和社会经济属性视角划分乘客类别. 构建公共交通乘客换乘决策模型（SEM-LCM），分析不同潜在类别公共交通乘客的换乘决策行为. 结果表明：相比SEM-Logit，SEM-LCM拟合效果更好；公共交通乘客分为换乘体验敏感型和换乘优惠敏感型2类，2类公共交通乘客所占比例分别为70.3%和29.7%；“换乘体验敏感型”和“换乘优惠敏感型”选择换乘的概率分别为51.1%和85.9%；年龄、家庭结构、私家车拥有情况、出行目的、换乘经历和出行模式6个变量表现出显著的异质性. 研究结果可以为相关部门优化公交线网衔接、制定换乘优惠政策提供理论支撑.

关键词： 城市交通 ; 公共交通乘客 ; 换乘决策 ; 结构方程模型（SEM） ; 潜在类别模型（LCM）

Abstract

To study the heterogeneity of transfer decision-making behavior of different public transport passengers in the travel process, the structural equation model (SEM) was employed to analyze the relationship between transfer intention of public transport passengers and other latent variables, and the latent class model (LCM) was applied to classify passengers from the perspective of psychological perception factors and socio-economic attributes of passengers. A transfer decision-making model of public transport passengers (SEM-LCM) was constructed, and the transfer decision-making behavior of different latent classes of public transport passengers was explored. Results showed that SEM-LCM was more reliable than SEM-Logit in the fitting effect. Public transport passengers were divided into two classes, namely transfer feeling sensitive passengers and transfer discounts sensitive passengers. The proportion of these two types of public transport passengers was 70.3% and 29.7% respectively. And the probability of these two types of public transport passengers choosing to transfer was 51.1% and 85.9% respectively. Age, family structure, car ownership, travel purpose, transfer experience and travel mode show significant heterogeneity. The research results provide a theoretical support for relevant departments to optimize the connection of bus networks and formulate transfer fare discount policy.

Keywords： urban traffic ; public transport passenger ; transfer decision-making ; structural equation model (SEM) ; latent class model (LCM)

PDF (958KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

马壮林, 毕宇明, 张锐. 换乘优惠政策下公共交通乘客换乘决策行为分析. 浙江大学学报(工学版)[J], 2023, 57(12): 2513-2523 doi:10.3785/j.issn.1008-973X.2023.12.018

MA Zhuang-lin, BI Yu-ming, ZHANG Rui. Transfer decision-making behavior analysis of public transport passengers under preferential transfer policy. Journal of Zhejiang University(Engineering Science)[J], 2023, 57(12): 2513-2523 doi:10.3785/j.issn.1008-973X.2023.12.018

随着中国超大和特大城市规模不断扩大和多模式公共交通网络逐渐形成，城市居民出行很难通过1种公共交通方式或1条公共交通线路实现，“公交+地铁”或“公交+公交”换乘出行模式已经越来越受到城市居民的青睐. 影响公共交通乘客换乘行为的因素很多[1-2]，细化不同公共交通乘客的换乘行为，可以揭示公共交通乘客换乘决策的行为机理，为相关部门优化公交线网衔接、制定换乘优惠政策提供理论支撑.

出行行为研究主要关注个人社会经济特征、出行特征和交通方式优劣等可观测属性对出行行为的影响，忽略了如乘客态度的不可观测属性的影响. 事实上，乘客态度对交通方式选择、是否支持交通政策都有显著影响. Paulssen等[3]发现引入态度变量的模型增强了交通方式选择的解释能力；De Vos等[4]认为民众对公共交通的满意度越高，民众使用公共交通出行的意愿越强烈；乘客对交通需求管理政策的支持程度也间接影响乘客的出行行为[5-6]. 作为研究不可观测的潜变量之间关系的分析方法，结构方程模型（structure equation model, SEM）得到广大学者的认可，并被广泛应用于态度-行为研究[7-8]. 公共交通乘客的换乘态度对换乘决策行为的影响却鲜有学者关注.

随着交通行为科学的深入发展，有关个体异质性对出行行为的影响方面的研究增多. 潜在类别模型（latent class model, LCM）先将样本划分为具有不同特征的子类，再估计各类别的参数，准确刻画了不同类别出行行为的异质偏好[9]. 张奕源等[10-11]分别采用LCM研究不同类别人群在出行方式选择行为方面的个体偏好异质性. 面向公共交通用户，刘建荣等[12]采用LCM将公交乘客分为机会乘客和忠诚乘客2类，发现公交服务水平对机会乘客的公交总体满意度影响高于对忠诚乘客的影响. 任新惠等[13]采用LCM研究航班延误情况下旅客出行行为的异质性时，将旅客划分为经济效率型、注重体验型、经济舒适型和全面衡量型4类. 以上研究在进行决策群体分类时，主要基于个体的社会经济属性，忽略了LCM用内在潜在类别变量来解释外显类别变量之间关系的本质[14]. Choi等[15]采用潜在类别有序probit模型研究公共交通用户满意度的影响因素，指出态度是决定潜在类别划分的关键因素，即潜变量对于决策群体分类划分的重要性. 刘志伟等[16]采用潜在类别条件Logit模型研究无人驾驶汽车选择行为，研究结果表明，除年龄、月收入和职业等个人属性，潜变量（如感知易用性和感知信任）对出行者潜在类别划分有显著影响.

综上可知，鲜有研究从潜在类别角度探讨公共交通乘客换乘决策行为，而且不考虑公共交通乘客的态度偏好，不利于公共交通换乘优惠政策的设计. 为了客观、准确地刻画公共交通乘客换乘行为的异质性，揭示不同类别乘客换乘决策的行为机理，本研究构建公共交通乘客换乘决策模型（SEM-LCM），以公共交通乘客的出行换乘与否作为因变量，从个人社会经济属性、出行特征、心理感知因素和选择方案属性4个方面选择27个自变量，分析不同潜在类别公共交通乘客的换乘决策行为.

1. 公共交通乘客换乘决策模型

1.1. 换乘意向的结构方程模型构建

作为心理现象，态度是人内心状态和多方面信息的外在表现，已经被计划行为理论（theory of planned behavior, TPB）[17]、技术接受模型（technology acceptance model, TAM）[18]和学习迁移理论（learning transfer theory, LTT）[19]等认为是影响意向和行为的主要因素之一. TPB和TAM都是在理性行为理论的基础上发展起来的. TPB用于解释个体的态度、主观规范、感知行为控制与行为意向和行为决策之间的关系；TAM用于解释个体的感知效用、态度、行为意向和行为决策之间的关系. LTT认为个体在长期实践和累积经验基础上会形成具有习惯性的行为倾向，当需要个体做出选择时，会出现定势效应，即个体倾向于选择熟悉的方案而不是最佳的方案.

以TPB、TAM和LTT为基本框架，结合前人的研究成果，提出公共交通乘客换乘意向的研究假设如表1所示；融合TPB、TAM和LTT，采用SEM构建公共交通乘客换乘意向假设模型如图1所示. 结构模型和测量模型表达式为

表 1   公共交通乘客换乘意向的研究假设

Tab.1  Research hypotheses of public transport passenger transfer intention

假设 假设内容 来源
H11 态度直接影响换乘意向 景鹏等[20]
H12 感知有用性直接影响换乘意向 齐航等[21]
H21 感知有用性通过态度间接影响换乘意向 李振龙等[22]
H22 感知易用性通过态度间接影响换乘意向 李振龙等[22]
H23 感知易用性通过感知有用性间接影响换乘意向 李振龙等[22]
H13 主观规范直接影响换乘意向 景鹏等[20]
H24 主观规范通过态度间接影响换乘意向 景鹏等[20]
H25 主观规范通过感知有用性间接影响换乘意向 Chen[23]
H14 感知行为控制直接影响换乘意向 Chen[23]
H15 行为习惯直接影响换乘意向 齐航等[21]
H26 行为习惯通过感知易用性间接影响换乘意向 齐航等[21]

新窗口打开| 下载CSV


图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1   公共交通乘客换乘意向假设关系

Fig.1   Hypothetical relationship of public transport passenger transfer intention


$ {{\boldsymbol{\eta}} } = {{\boldsymbol{B}}{\boldsymbol{\eta}} }+{{\boldsymbol{\varGamma}} {\boldsymbol{\xi }}}+{\boldsymbol{\zeta }}, $

$ {{\boldsymbol{X}}} = {{{\boldsymbol{\varLambda}} }_x}{{\boldsymbol{\xi}} }+{\boldsymbol{\delta}} , $

$ {{\boldsymbol{Y}}} = {{{\boldsymbol{\varLambda}} }_y}{{\boldsymbol{\eta}} }+{\boldsymbol{\varepsilon}} . $

式中：η为内生潜在变量向量，B为内生潜在变量间的系数矩阵，Г为外生潜在变量与内生潜在变量间的系数矩阵，ξ为外生潜在变量向量，ζ为模型中无法预测或解释的残差项向量，X为外生测量变量向量，Λx为x的因素负荷向量，δ为外生测量变量被外生潜在变量解释的误差项向量，Y为内生测量变量向量，Λy为y的因素负荷向量，ε为内生测量变量被内生潜在变量解释的误差项向量.

1.2. SEM-LCM构建

传统的离散选择模型忽略个体异质性，不能处理随机偏好差异，LCM通过不可观测的潜在变量解释可观测的外显变量间的关系，并将样本进行分类，分别估计出不同类别对应的参数，从而解释群体行为的异质性. 结合SEM和LCM可以同时探究显变量和潜变量对乘客选择换乘的影响，为此构建公共交通乘客换乘决策模型：SEM-LCM. SEM-LCM由类内选择概率和类成员概率组成. 假设将乘客分成K个类别，同类乘客的选择偏好相同. 在第k个潜在类别中，乘客n选择第i种换乘决策行为（i=1表示换乘，i=2表示不换乘）的概率可以表示为

$ {P_{in}} = \sum\limits_{k = 1}^K {{P_{in|k}} \cdot {W_{n|k}}(\lambda )} . $

式中：Pin为乘客n选择换乘决策i的概率，Pin|k为第k个潜在类别中乘客n选择换乘决策i的概率，Wn|k(λ)为乘客n属于第k个潜在类别的概率，λ为类别成员模型参数.

$ {W_{n|k}}\left( \lambda \right) = {{\exp \left( {{\lambda _k}{Z_n}} \right)}}\bigg/{{\displaystyle\sum\limits_{k = 1}^K {\exp \left( {{\lambda _k}{Z_n}} \right)} }} . $

式中：λk为第k个潜在类别成员模型参数，Zn为乘客n的心理感知因素和社会经济属性.

$ {P_{in|k}} = {{\exp\; ({V_{in|k}})}}\bigg/{{\displaystyle\sum\limits_{i = 1}^2 {\exp \;({V_{in|k}}} )}} . $

式中：Vin|k为第k个潜在类别中乘客n选择换乘决策i的固定效用，考虑到影响乘客在公交换乘优惠政策下的换乘选择行为的潜在因素，

$ {V_{in|k}} = \sum\limits_{j = 1}^J {{a_{i j|k}}{s_{i jn}}+\sum\limits_{q = 1}^Q {{c_{iq|k}}{h_{iqn}}} +\sum\limits_{p = 1}^P {{d_{ip|k}}{l_{ipn}}} } . $

式中：J为社会经济属性显变量个数，aij|k为第k个潜在类别中乘客选择换乘决策i的第j种社会经济属性显变量时的影响系数，sijn为乘客n选择换乘决策i的第j个社会经济属性显变量，Q为出行特征显变量个数，ciq|k为第k个潜在类别中乘客选择换乘决策i的第q种出行特征属性显变量的影响系数，hiqn为乘客n选择换乘决策i的第q种出行特征属性显变量，P为潜变量个数，dip|k为第k个潜在类别中乘客选择换乘决策i的第p种潜变量的影响系数，lipn为乘客n选择换乘决策i的第p种潜变量. lipn通过SEM中潜变量对应的观测变量来描述，并利用外生潜变量来解释内生潜变量：

$ {y_{ipnt}} = {\gamma _{ipnt}}{l_{ipn}}+{\omega _{ipnt}} . $

式中：yipnt为乘客n选择换乘决策i的第p种潜变量对应的第t个观测变量，γipnt为乘客n选择换乘决策i的第p种潜变量对应的第t个观测变量的待估参数，ωipnt为乘客n选择换乘决策i的第p种潜变量与其对应的第t个观测变量间的误差向量.

调整R2、赤池信息量准则（akaike information criterion, AIC）、贝叶斯信息指标（bayesian information criterion, BIC）用于检验模型的优劣. 调整R2越大，模型拟合越好[24]；AIC和BIC的值越小，模型拟合越好[25-26].

2. 调查问卷设计与数据收集

2.1. 调查问卷设计

采用行为偏好（revealed preference，RP）和意向偏好（stated preference，SP）融合的调查方法设计调查问卷. RP调查收集受访者的社会经济属性、出行特征和心理感知因素. 其中社会经济属性包括受访者的性别、年龄、学历、职业、月收入、私家车拥有情况、是否拥有驾照和家庭结构；出行特征包括受访者的出行目的、出行时长、出行时段、出行距离、出行费用、换乘经历、换乘方式和换乘距离. 如表2所示为心理感知因素的潜变量，心理感知因素包括受访者对实行公交换乘优惠政策的态度认知，采取李克特五点量表法度量受访者的态度，态度分为“非常不同意”、“不同意”、“一般”、“同意”和“非常同意”5个等级，分别赋值为1、2、3、4和5. SP调查收集受访者在不同组合场景下的换乘选择行为，场景因素选择不换乘的步行距离T1、换乘的步行距离T2、优惠幅度和换乘模式，如表3所示. 将场景因素的不同水平m进行组合，提出18种不同换乘场景，考虑到部分场景的差异性较小，统筹考虑换乘优惠幅度和换乘后的步行距离，精简提炼出6个场景，如表4所示. 要求每位受访分别在这6个换乘优惠场景下做出换乘决策.

表 2   心理感知因素的潜变量描述

Tab.2  Latent variable descriptions of psychological perception factors

潜变量 描述及符号
态度[23, 27] 我认为换乘优惠政策的想法很好ATT1
我认为公共交通换乘优惠具有吸引力ATT2
对公共交通换乘优惠政策支持度ATT3
主观规范[23, 28] 家人和朋友的鼓励会促使我接受换乘优惠政策SN1
如果周围的人接受换乘优惠政策，我也会SN2
政府的引导会促使我接受换乘优惠政策SN3
感知行为
控制[23, 28]		 如果我几乎不换乘，我不会支持换乘优惠政策PBC1
换乘距离过长，我不会支持换乘优惠政策PBC2
优惠幅度越大，我就越容易接受换乘优惠政策PBC3
换乘意向[29] 日常生活中我会经常进行公共交通换乘BIU1
日常生活中我会推荐他人选择公共交通换乘BIU2
感知有用性[30] 我认为换乘优惠让出行费用降低PU1
我认为换乘优惠让出行时间降低PU2
我认为换乘优惠可以提升出行便捷程度PU3
感知易用
性[21, 30]		 我认为公共交通换乘是便捷的PEU1
我认为公共交通换乘的信息是容易获取的PEU2
我可以熟练地进行公共交通换乘PEU3
行为习惯[21, 22] 我能熟练使用各种公共交通方式HAB1
公共交通出行是我日常出行的主要方式之一HAB2

新窗口打开| 下载CSV


表 3   意向偏好调查的场景设计

Tab.3  Scenario design for stated preference surveys

m T1/m T2/m 优惠幅度 换乘模式
1 0~800 0~50 5折 地铁+公交
2 800~1 500 50~150 免费 公交+公交
3 >1 500 >150 — 公交+地铁

新窗口打开| 下载CSV


表 4   问卷中6种假设场景

Tab.4  Six hypothetical scenarios in questionnaire

假设场景 T1/m T2/m 优惠幅度 换乘模式
1 800~1 500 0~50 5折 公交+地铁
2 800~1 500 50~150 免费 地铁+公交
3 800~1 500 >150 5折 公交+公交
4 >1 500 0~50 免费 公交+公交
5 >1 500 50~150 5折 公交+地铁
6 >1 500 >150 免费 地铁+公交

新窗口打开| 下载CSV


2.2. 数据收集

采用网络调查方式进行数据收集. 为了保证样本具有针对性，要求受访者必须是西安市城市居民，且在日常生活中有乘坐公共交通出行的经历. 考虑到SEM分析的最小样本数量为200个的特点，兼顾样本数与观察变量数的比例至少为10∶1~15∶1的约束[31]，共回收379份问卷，其中有效问卷365份，有效率为96.3%.

2.3. 样本的描述性统计分析

如图2所示为受访者的各项社会经济属性特征比例ei. 可以看出，男性和女性的受访者比例相当；26~35岁的受访者居多，其次是25岁以下的受访者，这2类受访者占受访者总数的65%；有专科或本科学历的受访者接近50%，其次是有硕士及以上学历的受访者；在企业工作、月收入在5 000~15 000元和家庭拥有1辆小汽车的受访者都超过50%；有驾照和家庭结构较复杂的受访者都超过65%.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2   受访者的社会经济属性

Fig.2   Socio-economic attributes of respondents


如图3所示为受访者对换乘优惠政策的心理潜变量. 可以看出，51%的受访者对实行公交换乘优惠政策持支持态度；49%的受访者在他人的鼓励与推荐下愿意接受公交换乘优惠政策；随着优惠幅度的提升，53%的受访者更愿意接受换乘优惠政策；49%的受访者在公交换乘有优惠的情况下愿意选择换乘；51%的受访者认为公交换乘优惠可以提升出行的便捷程度；53%的受访者认为实施公交换乘优惠政策时使用公共交通换乘是方便的；50%的受访者的公交出行习惯性较强.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3   受访者的心理潜变量

Fig.3   Psychological latent variables of respondents


3. 结果分析

3.1. 信度和效度检验结果

采用SPSS软件对回收的样本进行信度和效度检验，检验结果如表5所示. 所有潜变量的克隆巴赫系数（Cronbach’s alpha）α均大于0.8，组合信度CR均超过0.8，说明问卷具有良好的可靠性和稳定性[32-33]；所有潜变量的平均提取方差AVE均超过0.6，表示问卷具有较高的效度[34].

表 5   信度和效度检验

Tab.5  Reliability and validity tests

潜变量 α CR AVE
态度 0.879 0.880 0.710
主观规范 0.878 0.883 0.716
感知行为控制 0.896 0.897 0.743
换乘意向 0.881 0.881 0.788
感知有用性 0.896 0.896 0.741
感知易用性 0.874 0.873 0.697
行为习惯 0.870 0.871 0.772

新窗口打开| 下载CSV


3.2. 结构方程模型的估计和检验

利用SEM求解潜变量，计算潜变量模型的拟合优度指标. 采用卡方与自由度比（χ2/df）、比较拟合指数CFI、标准化残差均方和平方根SRMR、渐进残差均方和平方根RMSEA和非规准适配指数TLI检验模型的拟合优度，评价标准[35-36]和检验结果如表6所示.

表 6   结构方程模型的拟合检验结果

Tab.6  Goodness-of-fit test results of structure equation model

指标 接受范围 评价 拟合结果
χ2/df (0, 3] 拟合较好
(3, 5] 基本拟合 1.259
(5, +∞) 拟合较差
CFI (0.9, 1.0) 拟合较好 0.983
SRMR (0, 0.05) 拟合较好 0.047
RMSEA (0, 0.08) 拟合较好 0.039
TLI (0.9, 1.0) 拟合较好 0.979

新窗口打开| 下载CSV


如图4所示，采用MPLUS软件求解模型参数，得出各个潜变量之间路径的估计系数和显著性，分析各个潜变量之间的路径关系：1）态度、感知有用性和行为习惯对换乘意向有显著的影响，因此假设H11、H12和H15成立；主观规范和感知行为控制对换乘意向没有显著的影响，因此拒绝假设H13和H14. 2）态度是中介变量，感知有用性、感知易用性和主观规范通过影响态度对换乘意向有显著的影响，因此假设H21、H22和H24成立. 3）感知有用性是中介变量，感知易用性和主观规范通过感知有用性影响换乘意向，因此假设H23和H25成立. 4）感知易用性是中介变量，行为习惯通过感知易用性影响换乘意向，因此假设H26成立.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4   结构方程模型的估计结果

Fig.4   Estimated results of structure equation model


根据图4的结果，进一步计算各潜变量之间的总效应G，总效应为直接效应E和间接效应F的总和，结果如表7所示. 由表可知：1）各潜变量对实施公交换乘优惠政策下的换乘意向的总效应值从大到小依次是感知有用性、行为习惯、态度、感知易用性和主观规范. 2）态度对换乘意向只有直接正向影响，G=0.333，表明居民对公交换乘优惠政策的支持意愿越强烈，选择换乘的意向就会越强. 3）主观规范和感知易用性对换乘意向均仅有正向的间接影响，表明容易受到周围家人和朋友影响的居民和认为实施公交换乘优惠政策时使用公共交通出行更便捷的居民具有较强的换乘意向. 4）感知有用性和行为习惯对换乘意向均有正向的直接和间接影响，表明居民认为公交换乘优惠政策能给生活带来便利程度越高和公交出行的行为习惯越强，选择换乘的意向越强烈.

表 7   各潜在变量对换乘意向的效应值

Tab.7  Effect values between latent variables and transfer intention

路径 E F G
态度→换乘意向 0.333 — 0.333
主观规范→换乘意向 — 0.210 0.210
感知有用性→换乘意向 0.283 0.104 0.387
感知易用性→换乘意向 — 0.267 0.267
行为习惯→换乘意向 0.201 0.178 0.379

新窗口打开| 下载CSV


3.3. SEM-LCM参数标定

进行SEM-LCM参数估计和拟合，须对变量进行赋值，结合调查问卷中各变量的具体情况，得到SEM-LCM的变量赋值如表8所示. 可以看到，调查问卷中的职业变量被重新划分和赋值，其中行政机关和事业单位归为固定职业者，赋值为1；学生、个体经营者和其他归为非固定职业者，赋值为0. 对于多分类自变量，为了进一步明晰其对因变量的潜在影响，提高分析的精确性，引入虚拟变量. 各潜变量的适配量表达式是基于SEM估计结果对各观测变量的权重进行标准化处理得到. 调查问卷中潜变量的题项数据均采用Likert5级量表，因此所有潜变量适配值都在1~5，将适配值以四舍五入的原则取整数，将其重新赋值为1、2、3、4、5.

表 8   公共交通乘客换乘决策模型的变量赋值情况描述

Tab.8  Descriptions of variable assignment for transfer decision-making model of public transport passenger

类别 变量 赋值条件 符号 赋值
社会经济
属性 		性别 男，女 x1 男为1，女为0
年龄（参考项：>46岁） <25岁 x2-1 25岁以下为1，否则为0
年龄（参考项：>46岁） 26~45岁 x2-2 26~45岁为1，否则为0
学历（参考项：硕士及以上） 高中及以下 x3-1 高中及以下为1，否则为0
学历（参考项：硕士及以上） 专科或本科 x3-2 专科或本科为1，否则为0
职业 — x4 固定职业者为1，非固定职业者为0
月收入（参考项：>15 000元） <5 000元 x5-1 <5 000元为1，否则为0
月收入（参考项：>15 000元） 5 000~15 000元 x5-2 5 000~15 000元为1，否则为0
私家车拥有量 — x6 0辆为1，1辆为2，2辆及以上为3
是否有驾照 — x7 是为1，否为0
家庭结构（参考项：多人家庭） 单人家庭 x8-1 单人家庭为1，否则为0
家庭结构（参考项：多人家庭） 夫妻二人家庭 x8-2 夫妻二人家庭为1，否则为0
出行
特征 		出行目的 — x9 刚性出行为1，弹性出行为0
出行时段 — x10 高峰为1，平峰为0
出行时长（参考项：<60 min） 60~90 min x11-1 60~90 min为1，否则为0
出行时长（参考项：<60 min） >90 min x11-2 >90 min为1，否则为0
出行距离（参考项：<5 km） 5~15 km x12-1 5~15 km为1，否则为0
出行距离（参考项：<5 km） >15 km x12-2 15 km以上为1，否则为0
出行费用（参考项：<2元） 2~8元 x13-1 2~8元为1，否则为0
出行费用（参考项：<2元） >8元 x13-2 8元以上为1，否则为0
换乘经历 — x14 有为1，无为0
换乘方式（参考项：地铁换乘公交） 公交换乘地铁 x15-1 公交换乘地铁为1，否则为0
换乘方式（参考项：地铁换乘公交） 公交换乘公交 x15-2 公交换乘公交为1，否则为0
换乘距离（参考项：>150 m） 0~50 m x16-1 0~50 m为1，否则为0
换乘距离（参考项：>150 m） 50~150 m x16-2 50~150 m为1，否则为0
潜变量 态度 — S1 ATT=0.341ATT1+0.342ATT2+0.317ATT3
主观规范 — S2 SN=0.322SN1+0.362SN2+0.316SN3
感知行为控制 — S3 PBC=0.349PBC1+0.32PBC2+0.331PBC3
换乘意向 — S4 BIU=0.49BIU1+0.51BIU2
感知有用性 — S5 PU=0.327PU1+0.347PU2+0.326PU3
感知易用性 — S6 PEU=0.327PEU1+0.328PEU2+0.345PEU3
行为习惯 — S7 HAB=0.49HAB1+0.51HAB2
选择方案
属性 		不换乘的步行距离 — T1 0~800 m为1，800~1500 m为2，1500 m以上为3
换乘的步行距离 — T2 0~50 m为1，50~150 m为2，150 m以上为3
优惠幅度 — T3 免费换乘为1，五折优惠为0
换乘模式（参考项：公交+公交） 地铁+公交 T4-1 地铁+公交为1，否则为0
换乘模式（参考项：公交+公交） 公交+地铁 T4-2 公交+地铁为1，否则为0

新窗口打开| 下载CSV


3.4. SEM-LCM的估计结果

使用Stata软件进行模型的适配度检验. 当潜在分类为3及以上时，模型不收敛，为此选择潜在分类为2. 类别1占比70.3%，类别2占比29.7%. 以类别1为参照类，心理感知因素和个人属性对类别的回归系数β如表9所示. 由表可知：1）态度、主观规范、感知行为控制、换乘意向、行为习惯、学历、月收入对潜在类别的划分有显著影响. 2）类别1对换乘优惠下换乘行为具有较高的感知控制水平，会考虑换乘后对出行产生的影响，对出行条件和出行质量有一定的要求，不会因为有换乘优惠就选择换乘，换乘优惠仅是该类人群进行出行选择时考虑的次要因素；类别2的群体对公交换乘优惠政策的感知态度较好，包括态度、主观规范、换乘意向和行为习惯，对换乘优惠表现出较强的积极态度，换乘优惠是促使该类群体选择换乘的主要驱动因素之一. 将类别1定义为换乘体验敏感型，将类别2定义为换乘优惠敏感型. 3）学历为专科及本科，月收入为5 000~15 000元的受访者更容易被归为类别1；学历为高中及以下，月收入低于5 000元的受访者更容易被归为类别2. 从2类群体选择的边际效应来看，“换乘体验敏感型”和“换乘优惠敏感型”中选择换乘的概率分别为51.1%和85.9%，这与分组的类别相符合，换乘优惠敏感型乘客选择换乘的概率大于换乘体验敏感型乘客.

表 9   心理潜变量和个人属性对潜在类别的影响

Tab.9  Impact of psychological latent variables and individual attributes on latent class

变量 类别2
β p
常数项 −183.331 <0.05
态度 31.160 <0.05
主观规范 4.932 <0.05
感知行为控制 −3.053 <0.05
换乘意向 6.227 <0.05
行为习惯 8.146 <0.05
学历（参考项：硕士及以上），高中及以下 39.197 <0.05
学历（参考项：硕士及以上），专科及本科 −60.415 <0.05
月收入（参考项：>15 000元），<5 000元 9.499 <0.05
月收入（参考项：>15 000元），5 000~15 000元 −15.622 <0.05

新窗口打开| 下载CSV


为了检验乘客异质性对换乘决策行为影响的显著性，对比分析SEM-LCM和SEM-Logit的估计结果. 如表10所示为模型的拟合检验结果，其中LL(0)为似然初始值，LL(β)为模型的似然函数值， $R_{\rm{A}}^2$为调整R2；如表11所示为模型参数估计结果. 由表10、11可知：1）从 $R_{\rm{A}}^2 $、AIC和BIC指标来看，SEM-LCM调整R2大于SEM-Logit，且SEM-LCM的AIC和BIC均小于SEM-Logit. 因此，SEM-LCM优于SEM-Logit. 2）乘客的社会经济属性、出行特征和选择方案属性对公共交通乘客换乘决策行为表现为异质性. 3）乘客的年龄、私家车拥有量和家庭结构对居民换乘决策有显著的影响，具体地说，45岁以下的换乘体验敏感型乘客更愿意选择换乘，25岁以下、没有私家车和单人家庭的换乘优惠敏感型乘客更愿意选择换乘. 25岁以下的群体对换乘优惠敏感型类别影响更大，可能是因为这类群体正处于无收入或工作刚起步阶段，经济基础较薄弱，倾向选择有换乘优惠的情况；家庭结构（夫妻二人家庭）仅在换乘优惠敏感型类别中显著且回归系数为负值，可能的原因是这类群体均已婚且没有抚养孩子的压力，经济压力较小，不会一味追求优惠，对出行的便捷有较高的要求. 4）出行特征中的出行目的、出行时段、换乘经历对乘客的换乘决策有显著的影响，具体来说，刚性出行、在高峰时段出行、有换乘经历的换乘体验敏感型乘客更愿意选择换乘，高峰时段出行的换乘优惠敏感型乘客更愿意选择换乘. 高峰时段出行对换乘优惠敏感型乘客的影响大于对换乘体验敏感型乘客的影响，高峰时段出行大部分为重复且高频的出行活动，此部分出行费用占交通支出的比例较大，因此，对于换乘有优惠的情况，经常在高峰时段出行的乘客表现出支持的态度. 5）换乘模式、不换乘时的步行距离、换乘时的步行距离和优惠幅度对乘客的换乘决策有显著的影响，具体来说，在2种乘客类别中，不换乘时的步行距离越长、换乘时的步行距离越短、优惠幅度越大，乘客越愿意选择换乘，换乘体验敏感型乘客对换乘时的步行距离较敏感，而换乘优惠敏感型乘客对不换乘的步行距离和优惠幅度更敏感. 换乘体验敏感型乘客倾向于“公交+地铁”和“公交+公交”的换乘模式，换乘优惠敏感型乘客倾向于“公交+地铁”的换乘模式. 换乘模式（地铁+公交）仅在换乘体验敏感型类别显著且回归系数为负，相比于“地铁+公交”，换乘体验敏感型乘客更易接受“公交+公交”的换乘模式，可能原因是“公交+公交”换乘便捷，且相对优惠幅度大，换乘体验敏感型乘客对“公交+公交”换乘模式有较好的控制感.

表 10   2种模型的拟合检验结果

Tab.10  Fit test results of two models

模型 LL(0) LL(β) $ R_{\text{A}}^2 $ AIC BIC
SEM-LCM −1 356.370 −1 161.009 0.112 2 628.019 2 929.677
SEM-Logit −1 461.794 −1 330.096 0.074 2 701.168 3 043.459

新窗口打开| 下载CSV


表 11   公共交通乘客换乘决策模型的参数估计

Tab.11  Estimations of parameters for transfer decision-making model of public transport passengers

变量 SEM-LCM换乘体验敏感型 SEM-LCM换乘优惠敏感型 SEM-Logit
β p β p β p
注：*表示p<0.05，**表示p<0.01，***表示p<0.001.
常数项 −1.389 ** 1.763 * −0.027 —
态度 — — — — 0.300 ***
换乘意向 — — — — 0.197 ***
感知有用性 — — — — 0.197 ***
行为习惯 — — — — 0.139 **
年龄（参考项：>46岁），<25岁 0.862 *** 1.288 ** 0.830 ***
年龄（参考项：>46岁），26~45岁 0.516 ** — — 0.514 ***
私家车拥有情况 — — −0.466 * 0.290 *
家庭结构（参考项：多人家庭），单人家庭 — — 1.015 ** 0.384 *
家庭结构（参考项：多人家庭），夫妻二人家庭 — — −1.026 ** 0.082 —
出行目的（参考项：弹性出行） 0.321 * — — 0.568 ***
出行时段（参考项：平峰时段） 0.483 ** 0.913 *** — —
换乘经历（参考项：无） 0.267 * — — 0.381 ***
换乘模式（参考项：公交+公交），地铁+公交 −0.284 * — — — —
换乘模式（参考项：公交+公交），公交+地铁 0.355 * 0.640 * 0.309 *
不换乘时的步行距离 0.407 *** 0.448 * 0.431 ***
换乘时的步行距离 −0.628 *** −0.590 ** −0.642 ***
优惠幅度（参考项：五折优惠） 0.523 *** 0.835 ** 0.669 ***

新窗口打开| 下载CSV


3.5. 政策启示

（1）加强换乘优惠宣传，提升居民接受度. 需要相关部门积极宣传和推广公交换乘优惠政策的优势，推动换乘优惠政策落实. 借助媒体加大宣传换乘优惠的政策、使用条件，提高居民对公交换乘优惠政策的接受度.

（2）加大政府补贴，增加市民受惠额度. 随着西安市经济社会的持续、健康发展，居民收入不断增加，换乘优惠力度应在考虑居民交通费用支出、公共交通企业营收的前提下，加大政府补贴，进行适当平衡与调整. 建议在平衡企业收入和政府财政补贴支出的基础上，以市民受惠额度最大为目标，加大政府补贴.

（3）优化西安市公共交通服务水平，进一步提升换乘环境. 公交应及时配合轨道交通线网进行线路优化调整，加强与轨道交通的接驳，提高换乘过程的连续性和客运设施的适应性，着重考虑公共交通之间换乘设计的优先性，实现公交衔接步行距离和换乘时间最短，提高换乘便捷性，吸引公交客源，最大效益利用公交资源.

（4）针对不同特征的公共交通乘客，采取不同的宣传与引导. 对于家庭结构为夫妻二人的群体，宣传公共交通换乘的优势、环境效益，引导人们选择公共交通换乘；对于25岁以下、没有私家车和家庭结构为单人家庭的群体，可以加大优惠力度，既提高该群体出行的便捷性，又满足出行经济成本少的期望.

4. 结　语

以西安市公共交通换乘决策的问卷调查为基础，采用SEM分析公共交通乘客换乘意向与其他潜变量的关系，采用LCM从乘客的心理感知因素和社会经济属性视角划分乘客类别，以公共交通乘客的出行换乘与否作为因变量，从个人社会经济属性、出行特征、心理感知因素和选择方案属性4个方面选择27个自变量，构建公共交通乘客换乘决策模型SEM-LCM，分析不同潜在类别公共交通乘客的换乘决策行为. 相比SEM-Logit，SEM-LCM拟合效果更好. 提出换乘体验敏感型和换乘优惠敏感型公共交通乘客的定义，并将有换乘需求的公共交通乘客分为换乘体验敏感型和换乘优惠敏感型2类；在换乘优惠政策下，换乘体验敏感型乘客倾向于“公交+地铁”和“公交+公交”的换乘模式，换乘优惠敏感型乘客倾向于“公交+地铁”的换乘模式. 本研究以西安市为例进行换乘决策分析，如果采用其他城市的调查数据标定模型，理论上可以产生相同的结论，考虑到各城市的公共交通系统水平、经济社会发展水平和居民出行特征等方面存在差异，得到的结论可能存在差异. 此外，本研究没有涉及西安市不使用公共交通的乘客以及其他城市的公共交通乘客. 未来计划开展的研究包括：分析西安市不使用公共交通的乘客与公共交通机会乘客和忠诚乘客的异同，探讨乘客居住地、城市规模和公共交通网络的差异对乘客换乘决策行为的影响.

参考文献

CATS O, REIMAL T, SUSILO Y

Public transport pricing policy: empirical evidence from a fare-free scheme in Tallinn, Estonia

[J]. Journal of the Transportation Research Record, 2014, 2415 (1): 89- 96

DOI:10.3141/2415-10      [本文引用: 1]

陈丽欣, 钟鸣, 潘晓锋, 等

公共交通乘客换乘时长阈值及换乘行为特征分析

[J]. 交通运输研究, 2022, 8 (2): 68- 78

DOI:10.16503/j.cnki.2095-9931.2022.02.008      [本文引用: 1]

CHEN Li-xin, ZHONG Ming, PAN Xiao-feng, et al

Transfer time threshold and transfer behavior characteristics of public transport passengers

[J]. Transport Research, 2022, 8 (2): 68- 78

DOI:10.16503/j.cnki.2095-9931.2022.02.008      [本文引用: 1]

PAULSSEN M, TEMME D, VIJ A, et al

Values, attitudes and travel behavior: a hierarchical latent variable mixed logit model of travel mode choice

[J]. Transportation, 2014, 41: 873- 888

DOI:10.1007/s11116-013-9504-3      [本文引用: 1]

DE VOS J, WITLOX F

Travel satisfaction revisited. On the pivotal role of travel satisfaction in conceptualising a travel behaviour process

[J]. Transportation Research Part A: Policy and Practice, 2017, 106: 364- 373

DOI:10.1016/j.tra.2017.10.009      [本文引用: 1]

SCHADE J, SCHLAG B

Acceptability of urban transport pricing strategies

[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2003, 6 (1): 45- 61

DOI:10.1016/S1369-8478(02)00046-3      [本文引用: 1]

马壮林, 崔姗姗, 胡大伟

限行政策下城市居民低碳出行意向

[J]. 吉林大学学报: 工学版, 2022, 52 (11): 2607- 2617

[本文引用: 1]

MA Zhuang-lin, CUI Shan-shan, HU Da-wei

Urban residents’ low-carbon travel intention after implementation of driving restriction policy

[J]. Journal of Jilin University: Engineering and Technology Edition, 2022, 52 (11): 2607- 2617

[本文引用: 1]

钟异莹, 陈坚, 邵毅明, 等

考虑居住区位的公共交通出行行为分析模型

[J]. 交通运输系统工程与信息, 2020, 20 (6): 219- 225

[本文引用: 1]

ZHONG Yi-ying, CHEN Jian, SHAO Yi-ming, et al

Analysis model of travel behavior in public transportation considering residential location

[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20 (6): 219- 225

[本文引用: 1]

LUO M, MA Z, ZHAO W, et al

An ex-post evaluation of the public acceptance of a license plate-based restriction policy: a case study of Xi’an, China

[J]. Transportation Research Part A: Policy and Practice, 2022, 155: 259- 282

DOI:10.1016/j.tra.2021.10.024      [本文引用: 1]

GREENE W H, HENSHER D A

A latent class model for discrete choice analysis: contrasts with mixed logit

[J]. Transportation Research Part B: Methodological, 2003, 37 (8): 681- 698

DOI:10.1016/S0191-2615(02)00046-2      [本文引用: 1]

张奕源, 李进龙, 罗霞, 等

考虑决策过程与潜在异质性的居民通勤选择行为研究

[J]. 交通运输系统工程与信息, 2021, 21 (3): 221- 228

[本文引用: 1]

ZHANG Yi-yuan, LI Jin-long, LUO Xia, et al

Commuting mode choice behaivor incorporating decision-making process and latent heterogeneity

[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21 (3): 221- 228

[本文引用: 1]

杨亚璪, 唐浩冬, 彭勇

考虑偏好差异的后疫情时代居民出行方式选择行为研究

[J]. 交通运输系统工程与信息, 2022, 22 (3): 15- 24

[本文引用: 1]

YANG Ya-zao, TANG Hao-dong, PENG Yong

Residents’ travel mode choice behavior in post-COVID-19 era considering preference differences

[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22 (3): 15- 24

[本文引用: 1]

刘建荣, 刘志伟

基于出行者潜在类别的公交出行行为研究

[J]. 华南理工大学学报: 自然科学版, 2019, 47 (6): 119- 126

[本文引用: 1]

LIU Jian-rong, LIU Zhi-wei

Analysis of bus users’ behavior based on latent class

[J]. Journal of South China University of Technology: Natural Science Edition, 2019, 47 (6): 119- 126

[本文引用: 1]

任新惠, 孙一楠, 江红

航班延误下旅客出行行为异质性研究

[J]. 北京交通大学学报, 2022, 46 (1): 40- 50

[本文引用: 1]

REN Xin-hui, SUN Yi-nan, JIANG Hong

Research on heterogeneity of passenger travel behavior under flight delay

[J]. Journal of Beijing Jiaotong University, 2022, 46 (1): 40- 50

[本文引用: 1]

曾宪华, 肖琳, 张岩波

潜在类别分析原理及实例分析

[J]. 中国卫生统计, 2013, 30 (6): 815- 817

[本文引用: 1]

ZENG Xian-hua, XIAO Lin, ZHANG Yan-bo

Principle of latent class analysis and case analysis

[J]. Chinese Journal of Health Statistics, 2013, 30 (6): 815- 817

[本文引用: 1]

CHOI S, KO J, KIM D

Investigating commuters’ satisfaction with public transit: a latent class modeling approach

[J]. Transportation Research Part D: Transport and Environment, 2021, 99: 103015

DOI:10.1016/j.trd.2021.103015      [本文引用: 1]

刘志伟, 刘建荣, 邓卫

基于潜在类别的无人驾驶汽车选择行为

[J]. 吉林大学学报: 工学版, 2021, 51 (4): 1261- 1268

[本文引用: 1]

LIU Zhi-wei, LIU Jian-rong, DENG Wei

Travelers’ choice behavior of autonomous vehicles based on latent class

[J]. Journal of Jilin University: Engineering and Technology Edition, 2021, 51 (4): 1261- 1268

[本文引用: 1]

AJZEN I

The theory of planned behavior

[J]. Organizational Behavior and Human Decision Processes, 1991, 50 (2): 179- 211

DOI:10.1016/0749-5978(91)90020-T      [本文引用: 1]

DAVIS F D, BAGOZZI R P, WARSHAW P R

User acceptance of computer technology: a comparison of two theoretical models

[J]. Management Science, 1989, 35 (8): 982- 1003

DOI:10.1287/mnsc.35.8.982      [本文引用: 1]

朱燕

现代知识分类思想下的学习迁移理论述评

[J]. 心理科学, 1999, 22 (3): 229- 232

[本文引用: 1]

ZHU Yan

A comment on three theoretical models of transfer within the framework of knowledge classification

[J]. Journal of Psychological Science, 1999, 22 (3): 229- 232

[本文引用: 1]

景鹏, 黄芳, 徐刚, 等

自动驾驶支付意愿及影响因素分析

[J]. 长安大学学报: 自然科学版, 2021, 41 (1): 90- 102

[本文引用: 3]

JING Peng, HUANG Fang, XU Gang, et al

Analysis of autonomous driving payment willingness and influencing factors

[J]. Journal of Chang’an University: Natural Science Edition, 2021, 41 (1): 90- 102

[本文引用: 3]

齐航, 夏嘉祺, 王光超, 等

考虑出行者习惯与利他性偏好的自动驾驶网约车使用意向模型

[J]. 交通运输工程与信息学报, 2021, 19 (2): 1- 10

DOI:10.3969/j.issn.1672-4747.2021.02.001      [本文引用: 5]

QI Hang, XIA Jia-qi, WANG Guang-chao, et al

A behavioral intention to use model of autonomous vehicle ride-hailing incorporating traveler habit and altruistic preference

[J]. Journal of Transportation Engineering and Information, 2021, 19 (2): 1- 10

DOI:10.3969/j.issn.1672-4747.2021.02.001      [本文引用: 5]

李振龙, 邢冠仰, 李佳, 等

基于扩展TAM的车路协同系统驾驶人接受度研究

[J]. 中国公路学报, 2021, 34 (7): 188- 200

[本文引用: 4]

LI Zhen-long, XING Guan-yang, LI Jia, et al

Driver’s acceptance of cooperative vehicle infrastructure system based on extended TAM

[J]. China Journal of Highway and Transport, 2021, 34 (7): 188- 200

[本文引用: 4]

CHEN S Y

Using the sustainable modified TAM and TPB to analyze the effects of perceived green value on loyalty to a public bike system

[J]. Transportation Research Part A: Policy and Practice, 2016, 88: 58- 72

DOI:10.1016/j.tra.2016.03.008      [本文引用: 5]

ANGILLETTA M J

Estimating and comparing thermal performance curves

[J]. Journal of Thermal Biology, 2006, 31 (7): 541- 545

[本文引用: 1]

AKAIKE H

A new look at the statistical model identification

[J]. IEEE Transactions on Automatic Control, 1974, 19 (6): 716- 723

DOI:10.1109/TAC.1974.1100705      [本文引用: 1]

KASS R E, WASSERMAN L

A reference Bayesian test for nested hypotheses and its relationship to the Schwarz criterion

[J]. Journal of the American Statistical Association, 1995, 90 (431): 928- 934

DOI:10.1080/01621459.1995.10476592      [本文引用: 1]

周玲强, 李秋成, 朱琳

行为效能、人地情感与旅游者环境负责行为意愿: 一个基于计划行为理论的改进模型

[J]. 浙江大学学报: 人文社会科学版, 2014, 44 (2): 88- 98

[本文引用: 1]

ZHOU Ling-qiang, LI Qiu-cheng, ZHU Lin

Outcome efficacy, people-destination affect, and tourists’ environmentally responsible behavior intention: a revised model based on the theory of planned behavior

[J]. Journal of Zhejiang University: Humanities and Social Sciences, 2014, 44 (2): 88- 98

[本文引用: 1]

石京, 龙昱茜

新冠疫情对居民休闲出行影响研究

[J]. 中国公路学报, 2022, 35 (1): 238- 251

[本文引用: 2]

SHI Jing, LONG Yu-xi

Research on the impacts of the COVID-19 on individual’s leisure travel

[J]. China Journal of Highway and Transport, 2022, 35 (1): 238- 251

[本文引用: 2]

MADIGAN R, LOUW T, WILBRINK M, et al

What influences the decision to use automated public transport? Using UTAUT to understand public acceptance of automated road transport systems

[J]. Transportation Research Part F: Traffic Psychology and Behavior, 2017, 50: 55- 64

DOI:10.1016/j.trf.2017.07.007      [本文引用: 1]

JOKAR N K, NOORHOSSEINI S A, ALLAHYARI M S, et al

Consumers’ acceptance of medicinal herbs: an application of the technology acceptance model (TAM)

[J]. Journal of Ethnopharmacology, 2017, 207: 203- 210

DOI:10.1016/j.jep.2017.06.017      [本文引用: 2]

MULLER R O

Structural equation modeling: back to basics

[J]. Structural Equation Modeling: A Multidisciplinary Journal, 1997, 4 (4): 353- 369

DOI:10.1080/10705519709540081      [本文引用: 1]

BAGOZZI R P, YI Y

On the evaluation of structural equation models

[J]. Journal of the Academy of Marketing Science, 1988, 16: 74- 94

DOI:10.1007/BF02723327      [本文引用: 1]

景鹏, 王伟, 吴麟麟

老年人对自动驾驶汽车接受度研究

[J]. 中国公路学报, 2021, 34 (6): 158- 171

[本文引用: 1]

JING Peng, WANG Wei, WU Lin-lin

Acceptance of autonomous vehicles for the elderly

[J]. China Journal of Highway and Transport, 2021, 34 (6): 158- 171

[本文引用: 1]

FORNELL C, LARCKER D F

Evaluating structural equation models with unobservable variables and measurement error

[J]. Journal of Marketing Research, 1981, 18 (1): 39- 50

DOI:10.1177/002224378101800104      [本文引用: 1]

DASH G, PAUL J

CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting

[J]. Technological Forecasting and Social Change, 2021, 173: 121092

DOI:10.1016/j.techfore.2021.121092      [本文引用: 1]

张昱, 孙岩, 刘学敏

基于TPB的北京市居民低碳通勤选择机制研究

[J]. 北京师范大学学报: 自然科学版, 2020, 56 (6): 831- 837

[本文引用: 1]

ZHANG Yu, SUN Yan, LIU Xue-min

Theory of planned behavior applied to choice of low carbon commuting of Beijing residents

[J]. Journal of Beijing Normal University: Natural Science, 2020, 56 (6): 831- 837

[本文引用: 1]

/

〈 〉