城市居民绿色出行方式选择行为影响因素建模

商强，李凌雨，谢天

(山东理工大学 交通与车辆工程学院, 山东 淄博 255049)

绿色出行是缓解城市交通拥堵、降低能源消耗、减少大气污染的有效措施。2012年，绿色出行已被纳入到“十二五”规划。2013年，国务院印发的《循环经济发展战略及近期行动计划》和《大气污染防治行动计划》明确指出“倡导鼓励绿色出行”。2014年，国务院印发的《能源发展战略行动计划》再次提出“实行绿色交通行动计划”。2016年，国家发改委等十部委印发的《关于促进绿色消费的指导意见》明确指出鼓励步行、自行车和公共交通等绿色出行。2019年，交通部等十二部门单位印发《绿色出行行动计划》。2020年，交通部和国家发改委联合印发《绿色出行创建行动方案》。

绿色出行选择行为影响因素分析建模是合理制定实施绿色出行引导策略的重要基础。近年来，绿色出行方式选择行为受到研究人员的广泛关注。2014年，杨冉冉等[1]根据扎根理论对深度访谈资料进行三级编码，进而分析城市居民绿色出行行为影响因素。2017年，白凯等[2]从符号消费视角研究西安城市居民绿色出行方式选择意向，结果表明：与符号性因素相比，功能性因素是居民出行方式选择的首要考虑要素。2018年，Jia[3]基于计划行为理论研究发现：个人因素在软环境因素与绿色出行意愿的关系中起中介作用。2018年，刘宇峰等[4]基于结构方程模型对不同规模城市居民出行方式选择影响因素进行关联性分析，发现大城市和中等城市的居民更偏爱公交车出行。2019年，郑君君等[5]根据计划行为理论建立了包含个体行为态度、感知行为控制、主观规范等影响因素的个体绿色出行行为意愿模型，仿真结果表明：个体行为态度因素作用显著。2020年，姚恩建等[6]构建了一种考虑理性决策和固有选择偏好共同影响的出行方式选择模型，其效果超过传统分层Logit模型。

在绿色出行方式选择的影响研究方面，大部分专家学者将研究的重点放在与之相关的城市建设和交通设施设备等外部影响因素上。随着环境保护政策的颁布和政府相关宣传政策的提出，很多城市居民已经有了一定的生态环保意识。专家学者们逐渐认为，技术水平对缓解交通拥堵以及改善空气质量非常重要；同时，在这些外在因素中，城市居民的心理和政府政策对促进人口绿色流动同样重要。

本研究以城市居民绿色出行方式选择的影响因素为研究对象，在已有研究基础上进一步补充完善影响因素的类别和具体内容。运用统计分析方法，构建城市居民绿色出行行为影响因素模型，归纳不同因素对绿色出行的影响程度，以期为城市绿色交通的发展提供理论支撑。

1 绿色出行选择行为影响因素分析

绿色出行影响因素将从个人因素、环境因素以及社会人口统计变量3个方面来进行描述。其中社会人口统计变量是对人群特征进行描述的一组数值，包括性别、年龄、职业、学历及家庭人均收入等。

1.1 个人因素

1.1.1 自我认知

个体对环境的反应就是自我认知。面对相同的环境因素，因自我认知的差异也将产生不同的行为结果。

1.1.2 个人倾向

城市居民绿色出行的个人倾向包括对待绿色出行的态度、对公交线路分布的满意程度、周围人对自己出行选择的影响以及在某种特定情况下对出行方式的选择等。

1.2 环境因素

1.2.1 公共宣传

许多专家学者指出，公共宣传可以提高城市居民的环保意识，增加环保行为的发生。徐辉[7]在可持续消费政策研究中指出，公共宣传可以增强消费者的权能，促进可持续消费。Ahmed等[8]在对北京和卡拉奇这2个城市居民出行行为的比较研究中发现，公共教育在促进居民出行习惯的发展方面起着积极的作用。

1.2.2 政策法规

绿色出行相关政策法规可分为限制性政策法规和鼓励性政策法规。限制性政策法规主要包括：限制小汽车拥有(例如车牌照摇号和购置税调节)、限制小汽车使用(例如单双号限行和拥堵收费)。鼓励性政策主要包括：公交票价补贴和公交优先。政策法规将对居民出行方式选择产生重要影响[9]。

1.2.3 交通设施

交通设施的完善程度直接影响公共交通服务水平，间接影响了居民选择公共交通出行的意愿。此外，自行车道、人行道、行人过街设置的完善程度也影响了居民选择自行车或步行出行的意愿。

1.3 社会人口统计变量

居民出行方式选择行为的相关人口统计学变量包括性别、年龄、文化程度、月收入、私家车拥有数量等。谌丽等10]研究发现，性别、年龄、收入对北京居民的通勤方式具有影响,女性、中老年及低收入群体选择绿色出行方式的概率更高。刘倩[11]研究指出，高学历个体对环境关注程度高，更倾向于实施低碳绿色出行行为和可持续消费。私家车拥有数量被普遍认为是影响居民出行方式选择的重要因素，拥有私家车会显著降低居民选择自行车或公共交通出行的概率[12]。此外，居住场所与工作场所之间的距离是出行方式选择的重要影响因素之一，居住在工作场所附近和公共交通站点附近的人更有可能选择积极的出行方式[13]。

2 数据采集与分析

2.1 调查方法的选择

本研究调查问卷题目设置主要根据两种调查方法：RP(revealed preference)和SP(stated preference)调查法，这两种调查方法被广泛用于居民出行行为选择相关的调查问卷[14]。

1)RP调查法。主要目的是检查指令或现有政策是否得到执行，要求被调查者根据自己的实际行为填写问题。RP调查法能够更好地了解环境条件和个人特点，具有较高的可靠性。

2)SP调查法。与RP调查法相反，SP调查法是虚拟方案的主观偏好问题，这种方法获得的数据不是行为数据，而是被访者可以选择的虚拟选项。该研究方法最初用于经济学领域，目前已广泛应用于出行方式和出行路线的选择，可用于调查和收集主体的自我认知和心理倾向等信息。

2.2 问卷设计与调查

在调查问卷开始设计前，首先调研分析相关文献中的问卷设计情况并征求专家的意见建议。然后，选择各类代表性城市居民进行访谈，进一步确认城市居民绿色出行方式选择的可能影响因素，为问卷设计提供有力支撑。

2.2.1 问卷构成

问卷包括两部分，第一部分为个人基本信息，主要包括被调查者的性别、年龄、文化程度、月收入、家庭私家车拥有数量、家中老人与未成年人情况、最习惯的出行方式、出行方式选择影响因素、出行目的、地形特征、出行时间等社会人口统计变量，包括10道单选题，1道多选题以及1道排序题。第二部分采用李克特5级量表，共15道题，主要包含的影响因素有自我认知、个人倾向、公共宣传、政策法规、交通设施等。量表构成见表1。

表1 量表构成Tab.1 Composition of the scale

2.2.2 问卷调查

问卷在正式发放采集之前，进行了预调查，调查对象为20名不同年龄、性别、特征的居民，主要针对问卷的题目数量、题目的理解程度、合理性等进行预采集，采集后询问调查对象的填写感受，对问卷进行优化。

用SPSS软件对20份预调查问卷进行了总体信度检验，其克隆巴赫信度系数α(Cronbach′s alpha)为0.746，说明问卷具有高信度，基于该份调查问卷的数据进行的其他统计分析结果也是比较可靠的。

基于预调查的结果，对本研究进行正式问卷调查，调查对象是全国各地城市居民，调查时间为2021年4月，调查以在网络平台分发的方式进行，共回收问卷740份，其中有效问卷696份，问卷有效率为94.05%。

2.3 调查数据分析

2.3.1 样本描述性统计

在696个有效样本中，男性335人，女性361人，分别占48.13%和51.87%；被试年龄范围为18～70岁，其中18～29岁67人，30～39岁194人，40～49岁204人，50～60岁143人，60岁以上88人，分别占样本的9.63%、27.87%、29.31%、20.55%和12.64%；初中及以下学历44人，高中或中专学历13人，大专学历79人，本科学历268人，硕士研究生及以上学历292人，分别占总样本的6.32%、1.87%、11.35%、38.51%和41.95%；月收入在2 000元及以下38人，2 001～4 000元61人，4 001～8 000元109人，8 001～12 000元298人，12 001元及以上的有190人，分别占样本的5.46%、8.76%、15.66%、42.82%和27.30%。被试年龄、性别、学历和月收入统计情况如图1所示。

图1 样本统计图Fig.1 Sample statistics

2.3.2 置信度分析

用SPSS软件对上述696份调查问卷结果进行分析，选择分析—标度—可靠性分析，得出其克隆巴赫信度系数α为0.832，该系数大于0.6即数据合格，大于0.7即具有较高的信度，说明调查问卷的数据较可靠，可以用来进行下一步分析。

2.3.3 相关性分析

对问卷题目进行总体相关性分析，将上述影响因素筛选出来，与问卷第一部分各题项进行相关性分析，得出皮尔逊相关系数(见表2)。由相关性分析可得出，性别与个人倾向和公共宣传满意程度有较大相关性，而年龄和月收入在对城市居民绿色出行的选择中跟各因素都有明显的相关性，文化程度和个人倾向、公共宣传、政策法规、交通设施4个因素都有明显关联，家庭私家车拥有数量与个人倾向和政策法规有明显关联，家庭中老人和未成年儿童的居住情况与个人倾向、公共宣传、政策法规、交通设施有明显关联，而家中未成年人居住情况与自我认知有关联，地形与以上各因素均无明显关联，每日出行时间与自我认知有明显关联，与个人倾向有关联。

表2 各因素皮尔逊相关系数Tab.2 Pearson correlation coefficient of each factor

2.3.4 因子分析

在进行因子分析之前,首先对调查所得数据进行KMO(Kaiser-Meyer-Olkin)和巴特利特球形检验(见表3)，当KMO检验系数>0.5且显著性P值<0.05时，问卷具有结构有效性，可以对数据进行下一步的因子分析。因子分析用于考虑从该问卷中获得数据的信度和效度。在测试中，KMO值为0.834，大于阈值0.5，说明变量之间存在相关性，满足要求；在巴特利特球形检验的结果中，显著性值为0.000，小于0.05。因此可得，本研究数据呈球形分布，是可以进行因子分析的。

表3 KMO和巴特利特球形检验Tab.3 KMO and Bartlett spherical test

总方差解释(见表4)即因子对于变量解释的贡献率，通常需要达到90%以上。由分析结果中的总方差解释表格得出：1个因子时变量贡献率达到63.409%，2个因子时达到79.128%，3个因子时达到87.238%，4个因子将达到94.792%，超过了90%。

表4 总方差解释Tab.4 Total variance explanation

旋转后的成分矩阵(见表5)用来分析变量可以包含在哪些因子中，据此对因子进行归结。在第1个因子的载荷中，公共宣传和政策法规的系数较大，分别为0.896和0.630，因此将第1个因子归结为相关政策。在第2个因子的载荷中，个人倾向的系数比较大，达到0.851，因此将第2个因子归结为个人倾向。在第3个因子的载荷中，自我认知的系数较大，高达0.965，因此将第3个因子归结为自我认知。在第4个因子的载荷中，交通设施的系数较大，达到0.883，因此将第4个因子归结为交通设施。

表5 旋转后的成分矩阵aTab.5 Component matrix a after rotation

3 城市居民绿色出行选择模型

3.1 模型的选择

本研究选择的结构方程模型(structural equation modeling, 简称SEM)又称因果模型，是近年来统计学三大发展之一。它是研究因果关系的一种统计方法，具有传统统计分析方法的许多基本功能，主要由随机变量、结构参数和非随机变量组成，包括观测变量、势变量、误差变量和其他随机变量。根据观测变量构造势变量，变量之间的关系用结构参数表示，非随机变量是不能包含的探索性变量。

根据所描述关系的不同，结构方程模型可分为测量模型和结构模型。

1)测量模型。测量模型主要描述潜变量和观测变量之间的关系，测量方程表达式为

(1)

式中：x为外生指标(如与外生潜变量有关的观测变量)组成的向量；ξ为外生潜变量；δ为外生指标的误差项；Λx为外生指标与外生潜变量的关系,即外生指标对外生潜变量的因子载荷矩阵；y为内生指标(如与内生潜变量有关的观测变量)组成的向量；η为内生潜变量；ε为内生指标的误差项；Λy为内生指标与内生潜变量的关系，即内生指标对内生潜变量的因子载荷矩阵。

其中，外生指标和外生潜变量统称为外生变量，内生指标和内生潜变量统称为内生变量;外生指标和内生指标为可观测的显在变量，外生潜变量和内生潜变量为无法直接观测的潜在变量。潜在变量存在与否要根据实际情况判断确定。因而，结构模型用来描述潜变量与潜变量之间或指标与指标之间的关系。

2)结构模型。结构模型用来描述潜变量与潜变量之间的关系，其方程模式通常为

η=Bη+Γξ+ζ,

(2)

式中：B为内生潜变量与内生潜变量之间的关系；Γ为外生潜变量对内生潜变量的影响；ζ为结构方程的残差项，反映了结构方程不能解释的部分。

3.2 城市居民绿色出行选择模型的建立

3.2.1 模型构建

由上节的结构模型和测量模型可知，构建模型的关键在于如何确定外生变量和内生变量。根据本研究前文调查问卷数据分析结果，共设定4个潜变量，分别为上文因子分析中归结出的4个因子，包括自我认知、个人倾向、相关政策、交通设施。其余的变量说明见表6。本研究应用Amos23.0软件进行结构方程模型的构建，模型如图2所示。

表6 模型变量构成说明Tab.6 Description of model variable composition

图2 城市居民绿色出行方式选择模型(原始)Fig.2 Green travel mode selection model for urban residents (original)

3.2.2 模型检验

对模型拟合度进行评估时，如果拟合程度越高，则说明模型越符合要求，模型中参数越有估计的必要性。通常选取近似误差均方根RMSEA和规范拟合指数NFI这2个指标来反映结构方程模型对样本数据的拟合程度。此外还采用了拟合优度指数GFI、增量拟合指数IFI、比较拟合指数CFI，这3个指标都是越接近1模型拟合度越好。

经过计算，模型的各项拟合程度见表7。可看出该模型的拟合优度指数GFI、规范拟合指数NFI、增量拟合指数IFI、比较拟合指数CFI均符合建议值，但近似误差均方根RMSEA较大，且卡方值偏大为26.648，说明该模型拟合程度较差。

表7 结构模型拟合指数Tab.7 Fitting index of structural model

3.2.3 模型修正

根据Amos结果输出中的修正指数值(见表8)

表8 修正指数Tab.8 Modified index

对模型进行修正，将MI值大的路径先进行修改，再进行计算，直到各项指标均符合建议值。由表8可以看出，本研究的模型中，e1和e2这2个残差项的MI值较大，若将这2个变量用双箭头联系起来，该模型的卡方值至少会减少22.614，因此在模型中对e1和e2做出修改。修正模型如图3所示。

图3 城市居民绿色出行方式选择模型(修正)Fig.3 Green travel mode selection model for urban residents (revised)

修正后的结构模型拟合指数见表9。修正后模型拟合优度指数GFI、近似误差均方根RMSEA、规范拟合指数NFI、增量拟合指数IFI、比较拟合指数CFI均符合建议值，且卡方值较低为0.539，说明该模型拟合程度较好。

表9 修正后的结构模型拟合指数Tab.9 Modified fitting index of structural model

3.2.4 因素负荷量分析

从图3可看出：个人倾向对城市居民绿色出行方式选择的影响程度最大，个人因素负荷量为0.68；其次为相关政策，因素负荷量为0.35；第三为交通设施，因素负荷量为0.22；影响程度最小的为自我认知，因素负荷量为0.16。

4 结束语

基于绿色出行选择行为影响因素分析，设计了城市居民绿色出行选择行为影响因素调查问卷，最终采集696份有效问卷；采用SPSS软件对数据进行分析，基于因子分析将影响因素进行归结；建立结构方程模型，将调查问卷所得数据进行导入，评估模型并进行模型修正，最终得出各因素对城市居民绿色出行选择行为的影响程度。研究结果表明：个人倾向对城市居民绿色出行方式选择的影响程度最大，其次为相关政策，第三为交通设施，而影响程度最小的为自我认知。本研究中的调查问卷采集时并没有考虑到不同城市和地区的差别，如大型城市通常都有地铁，选择地铁出行的居民会比较多，且绿色交通设施也相对较完善，相关宣传和政策法规也较多，这也会影响居民出行时的选择。在未来的研究中可以扩大调查范围，继续扩大样本，对不同大小和类型的城市居民进行调查，并比较其差别。