换乘优惠政策下公共交通乘客换乘决策行为分析
Transfer decision-making behavior analysis of public transport passengers under preferential transfer policy
通讯作者:
收稿日期: 2023-03-8
基金资助: |
|
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:
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:
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:
本文引用格式
马壮林, 毕宇明, 张锐.
MA Zhuang-lin, BI Yu-ming, ZHANG Rui.
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.
表 1 公共交通乘客换乘意向的研究假设
Tab.1
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] |
图 1
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
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
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.
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.
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,
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:
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.
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
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 |
表 3 意向偏好调查的场景设计
Tab.3
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 |
表 4 问卷中6种假设场景
Tab.4
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 |
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
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
3. 结果分析
3.1. 信度和效度检验结果
表 5 信度和效度检验
Tab.5
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 |
3.2. 结构方程模型的估计和检验
表 6 结构方程模型的拟合检验结果
Tab.6
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 |
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
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
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 |
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
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 |
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
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 |
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,
表 10 2种模型的拟合检验结果
Tab.10
模型 | LL(0) | LL(β) | | 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 |
表 11 公共交通乘客换乘决策模型的参数估计
Tab.11
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 | *** |
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
Public transport pricing policy: empirical evidence from a fare-free scheme in Tallinn, Estonia
[J].
公共交通乘客换乘时长阈值及换乘行为特征分析
[J].DOI:10.16503/j.cnki.2095-9931.2022.02.008 [本文引用: 1]
Transfer time threshold and transfer behavior characteristics of public transport passengers
[J].DOI:10.16503/j.cnki.2095-9931.2022.02.008 [本文引用: 1]
Values, attitudes and travel behavior: a hierarchical latent variable mixed logit model of travel mode choice
[J].DOI:10.1007/s11116-013-9504-3 [本文引用: 1]
Travel satisfaction revisited. On the pivotal role of travel satisfaction in conceptualising a travel behaviour process
[J].DOI:10.1016/j.tra.2017.10.009 [本文引用: 1]
Acceptability of urban transport pricing strategies
[J].DOI:10.1016/S1369-8478(02)00046-3 [本文引用: 1]
限行政策下城市居民低碳出行意向
[J].
Urban residents’ low-carbon travel intention after implementation of driving restriction policy
[J].
考虑居住区位的公共交通出行行为分析模型
[J].
Analysis model of travel behavior in public transportation considering residential location
[J].
An ex-post evaluation of the public acceptance of a license plate-based restriction policy: a case study of Xi’an, China
[J].DOI:10.1016/j.tra.2021.10.024 [本文引用: 1]
A latent class model for discrete choice analysis: contrasts with mixed logit
[J].DOI:10.1016/S0191-2615(02)00046-2 [本文引用: 1]
考虑决策过程与潜在异质性的居民通勤选择行为研究
[J].
Commuting mode choice behaivor incorporating decision-making process and latent heterogeneity
[J].
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].
Residents’ travel mode choice behavior in post-COVID-19 era considering preference differences
[J].
基于出行者潜在类别的公交出行行为研究
[J].
Analysis of bus users’ behavior based on latent class
[J].
航班延误下旅客出行行为异质性研究
[J].
Research on heterogeneity of passenger travel behavior under flight delay
[J].
潜在类别分析原理及实例分析
[J].
Principle of latent class analysis and case analysis
[J].
Investigating commuters’ satisfaction with public transit: a latent class modeling approach
[J].DOI:10.1016/j.trd.2021.103015 [本文引用: 1]
基于潜在类别的无人驾驶汽车选择行为
[J].
Travelers’ choice behavior of autonomous vehicles based on latent class
[J].
The theory of planned behavior
[J].DOI:10.1016/0749-5978(91)90020-T [本文引用: 1]
User acceptance of computer technology: a comparison of two theoretical models
[J].DOI:10.1287/mnsc.35.8.982 [本文引用: 1]
现代知识分类思想下的学习迁移理论述评
[J].
A comment on three theoretical models of transfer within the framework of knowledge classification
[J].
自动驾驶支付意愿及影响因素分析
[J].
Analysis of autonomous driving payment willingness and influencing factors
[J].
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].DOI:10.3969/j.issn.1672-4747.2021.02.001 [本文引用: 5]
A behavioral intention to use model of autonomous vehicle ride-hailing incorporating traveler habit and altruistic preference
[J].DOI:10.3969/j.issn.1672-4747.2021.02.001 [本文引用: 5]
基于扩展TAM的车路协同系统驾驶人接受度研究
[J].
Driver’s acceptance of cooperative vehicle infrastructure system based on extended TAM
[J].
Using the sustainable modified TAM and TPB to analyze the effects of perceived green value on loyalty to a public bike system
[J].DOI:10.1016/j.tra.2016.03.008 [本文引用: 5]
Estimating and comparing thermal performance curves
[J].
A new look at the statistical model identification
[J].DOI:10.1109/TAC.1974.1100705 [本文引用: 1]
A reference Bayesian test for nested hypotheses and its relationship to the Schwarz criterion
[J].DOI:10.1080/01621459.1995.10476592 [本文引用: 1]
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].
Outcome efficacy, people-destination affect, and tourists’ environmentally responsible behavior intention: a revised model based on the theory of planned behavior
[J].
新冠疫情对居民休闲出行影响研究
[J].
Research on the impacts of the COVID-19 on individual’s leisure travel
[J].
What influences the decision to use automated public transport? Using UTAUT to understand public acceptance of automated road transport systems
[J].DOI:10.1016/j.trf.2017.07.007 [本文引用: 1]
Consumers’ acceptance of medicinal herbs: an application of the technology acceptance model (TAM)
[J].DOI:10.1016/j.jep.2017.06.017 [本文引用: 2]
Structural equation modeling: back to basics
[J].DOI:10.1080/10705519709540081 [本文引用: 1]
On the evaluation of structural equation models
[J].DOI:10.1007/BF02723327 [本文引用: 1]
老年人对自动驾驶汽车接受度研究
[J].
Acceptance of autonomous vehicles for the elderly
[J].
Evaluating structural equation models with unobservable variables and measurement error
[J].DOI:10.1177/002224378101800104 [本文引用: 1]
CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting
[J].DOI:10.1016/j.techfore.2021.121092 [本文引用: 1]
基于TPB的北京市居民低碳通勤选择机制研究
[J].
Theory of planned behavior applied to choice of low carbon commuting of Beijing residents
[J].
/
〈 |
|
〉 |
