城市居民綠色出行方式選擇行為影響因素建模

商強，李凌雨，謝天

(山東理工大學 交通與車輛工程學院, 山東 淄博 255049)

綠色出行是緩解城市交通擁堵、降低能源消耗、減少大氣污染的有效措施。2012年，綠色出行已被納入到“十二五”規劃。2013年，國務院印發的《循環經濟發展戰略及近期行動計劃》和《大氣污染防治行動計劃》明確指出“倡導鼓勵綠色出行”。2014年，國務院印發的《能源發展戰略行動計劃》再次提出“實行綠色交通行動計劃”。2016年，國家發改委等十部委印發的《關于促進綠色消費的指導意見》明確指出鼓勵步行、自行車和公共交通等綠色出行。2019年，交通部等十二部門單位印發《綠色出行行動計劃》。2020年，交通部和國家發改委聯合印發《綠色出行創建行動方案》。

綠色出行選擇行為影響因素分析建模是合理制定實施綠色出行引導策略的重要基礎。近年來，綠色出行方式選擇行為受到研究人員的廣泛關注。2014年，楊冉冉等[1]根據扎根理論對深度訪談資料進行三級編碼，進而分析城市居民綠色出行行為影響因素。2017年，白凱等[2]從符號消費視角研究西安城市居民綠色出行方式選擇意向，結果表明：與符號性因素相比，功能性因素是居民出行方式選擇的首要考慮要素。2018年，Jia[3]基于計劃行為理論研究發現：個人因素在軟環境因素與綠色出行意愿的關系中起中介作用。2018年，劉宇峰等[4]基于結構方程模型對不同規模城市居民出行方式選擇影響因素進行關聯性分析，發現大城市和中等城市的居民更偏愛公交車出行。2019年，鄭君君等[5]根據計劃行為理論建立了包含個體行為態度、感知行為控制、主觀規范等影響因素的個體綠色出行行為意愿模型，仿真結果表明：個體行為態度因素作用顯著。2020年，姚恩建等[6]構建了一種考慮理性決策和固有選擇偏好共同影響的出行方式選擇模型，其效果超過傳統分層Logit模型。

在綠色出行方式選擇的影響研究方面，大部分專家學者將研究的重點放在與之相關的城市建設和交通設施設備等外部影響因素上。隨著環境保護政策的頒布和政府相關宣傳政策的提出，很多城市居民已經有了一定的生態環保意識。專家學者們逐漸認為，技術水平對緩解交通擁堵以及改善空氣質量非常重要；同時，在這些外在因素中，城市居民的心理和政府政策對促進人口綠色流動同樣重要。

本研究以城市居民綠色出行方式選擇的影響因素為研究對象，在已有研究基礎上進一步補充完善影響因素的類別和具體內容。運用統計分析方法，構建城市居民綠色出行行為影響因素模型，歸納不同因素對綠色出行的影響程度，以期為城市綠色交通的發展提供理論支撐。

1 綠色出行選擇行為影響因素分析

綠色出行影響因素將從個人因素、環境因素以及社會人口統計變量3個方面來進行描述。其中社會人口統計變量是對人群特征進行描述的一組數值，包括性別、年齡、職業、學歷及家庭人均收入等。

1.1 個人因素

1.1.1 自我認知

個體對環境的反應就是自我認知。面對相同的環境因素，因自我認知的差異也將產生不同的行為結果。

1.1.2 個人傾向

城市居民綠色出行的個人傾向包括對待綠色出行的態度、對公交線路分布的滿意程度、周圍人對自己出行選擇的影響以及在某種特定情況下對出行方式的選擇等。

1.2 環境因素

1.2.1 公共宣傳

許多專家學者指出，公共宣傳可以提高城市居民的環保意識，增加環保行為的發生。徐輝[7]在可持續消費政策研究中指出，公共宣傳可以增強消費者的權能，促進可持續消費。Ahmed等[8]在對北京和卡拉奇這2個城市居民出行行為的比較研究中發現，公共教育在促進居民出行習慣的發展方面起著積極的作用。

1.2.2 政策法規

綠色出行相關政策法規可分為限制性政策法規和鼓勵性政策法規。限制性政策法規主要包括：限制小汽車擁有(例如車牌照搖號和購置稅調節)、限制小汽車使用(例如單雙號限行和擁堵收費)。鼓勵性政策主要包括：公交票價補貼和公交優先。政策法規將對居民出行方式選擇產生重要影響[9]。

1.2.3 交通設施

交通設施的完善程度直接影響公共交通服務水平，間接影響了居民選擇公共交通出行的意愿。此外，自行車道、人行道、行人過街設置的完善程度也影響了居民選擇自行車或步行出行的意愿。

1.3 社會人口統計變量

居民出行方式選擇行為的相關人口統計學變量包括性別、年齡、文化程度、月收入、私家車擁有數量等。諶麗等10]研究發現，性別、年齡、收入對北京居民的通勤方式具有影響,女性、中老年及低收入群體選擇綠色出行方式的概率更高。劉倩[11]研究指出，高學歷個體對環境關注程度高，更傾向于實施低碳綠色出行行為和可持續消費。私家車擁有數量被普遍認為是影響居民出行方式選擇的重要因素，擁有私家車會顯著降低居民選擇自行車或公共交通出行的概率[12]。此外，居住場所與工作場所之間的距離是出行方式選擇的重要影響因素之一，居住在工作場所附近和公共交通站點附近的人更有可能選擇積極的出行方式[13]。

2 數據采集與分析

2.1 調查方法的選擇

本研究調查問卷題目設置主要根據兩種調查方法：RP(revealed preference)和SP(stated preference)調查法，這兩種調查方法被廣泛用于居民出行行為選擇相關的調查問卷[14]。

1)RP調查法。主要目的是檢查指令或現有政策是否得到執行，要求被調查者根據自己的實際行為填寫問題。RP調查法能夠更好地了解環境條件和個人特點，具有較高的可靠性。

2)SP調查法。與RP調查法相反，SP調查法是虛擬方案的主觀偏好問題，這種方法獲得的數據不是行為數據，而是被訪者可以選擇的虛擬選項。該研究方法最初用于經濟學領域，目前已廣泛應用于出行方式和出行路線的選擇，可用于調查和收集主體的自我認知和心理傾向等信息。

2.2 問卷設計與調查

在調查問卷開始設計前，首先調研分析相關文獻中的問卷設計情況并征求專家的意見建議。然后，選擇各類代表性城市居民進行訪談，進一步確認城市居民綠色出行方式選擇的可能影響因素，為問卷設計提供有力支撐。

2.2.1 問卷構成

問卷包括兩部分，第一部分為個人基本信息，主要包括被調查者的性別、年齡、文化程度、月收入、家庭私家車擁有數量、家中老人與未成年人情況、最習慣的出行方式、出行方式選擇影響因素、出行目的、地形特征、出行時間等社會人口統計變量，包括10道單選題，1道多選題以及1道排序題。第二部分采用李克特5級量表，共15道題，主要包含的影響因素有自我認知、個人傾向、公共宣傳、政策法規、交通設施等。量表構成見表1。

表1 量表構成Tab.1 Composition of the scale

2.2.2 問卷調查

問卷在正式發放采集之前，進行了預調查，調查對象為20名不同年齡、性別、特征的居民，主要針對問卷的題目數量、題目的理解程度、合理性等進行預采集，采集后詢問調查對象的填寫感受，對問卷進行優化。

用SPSS軟件對20份預調查問卷進行了總體信度檢驗，其克隆巴赫信度系數α(Cronbach′s alpha)為0.746，說明問卷具有高信度，基于該份調查問卷的數據進行的其他統計分析結果也是比較可靠的。

基于預調查的結果，對本研究進行正式問卷調查，調查對象是全國各地城市居民，調查時間為2021年4月，調查以在網絡平臺分發的方式進行，共回收問卷740份，其中有效問卷696份，問卷有效率為94.05%。

2.3 調查數據分析

2.3.1 樣本描述性統計

在696個有效樣本中，男性335人，女性361人，分別占48.13%和51.87%；被試年齡范圍為18～70歲，其中18～29歲67人，30～39歲194人，40～49歲204人，50～60歲143人，60歲以上88人，分別占樣本的9.63%、27.87%、29.31%、20.55%和12.64%；初中及以下學歷44人，高中或中專學歷13人，大專學歷79人，本科學歷268人，碩士研究生及以上學歷292人，分別占總樣本的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，分別占樣本的5.46%、8.76%、15.66%、42.82%和27.30%。被試年齡、性別、學歷和月收入統計情況如圖1所示。

圖1 樣本統計圖Fig.1 Sample statistics

2.3.2 置信度分析

用SPSS軟件對上述696份調查問卷結果進行分析，選擇分析—標度—可靠性分析，得出其克隆巴赫信度系數α為0.832，該系數大于0.6即數據合格，大于0.7即具有較高的信度，說明調查問卷的數據較可靠，可以用來進行下一步分析。

2.3.3 相關性分析

對問卷題目進行總體相關性分析，將上述影響因素篩選出來，與問卷第一部分各題項進行相關性分析，得出皮爾遜相關系數(見表2)。由相關性分析可得出，性別與個人傾向和公共宣傳滿意程度有較大相關性，而年齡和月收入在對城市居民綠色出行的選擇中跟各因素都有明顯的相關性，文化程度和個人傾向、公共宣傳、政策法規、交通設施4個因素都有明顯關聯，家庭私家車擁有數量與個人傾向和政策法規有明顯關聯，家庭中老人和未成年兒童的居住情況與個人傾向、公共宣傳、政策法規、交通設施有明顯關聯，而家中未成年人居住情況與自我認知有關聯，地形與以上各因素均無明顯關聯，每日出行時間與自我認知有明顯關聯，與個人傾向有關聯。

表2 各因素皮爾遜相關系數Tab.2 Pearson correlation coefficient of each factor

2.3.4 因子分析

在進行因子分析之前,首先對調查所得數據進行KMO(Kaiser-Meyer-Olkin)和巴特利特球形檢驗(見表3)，當KMO檢驗系數>0.5且顯著性P值<0.05時，問卷具有結構有效性，可以對數據進行下一步的因子分析。因子分析用于考慮從該問卷中獲得數據的信度和效度。在測試中，KMO值為0.834，大于閾值0.5，說明變量之間存在相關性，滿足要求；在巴特利特球形檢驗的結果中，顯著性值為0.000，小于0.05。因此可得，本研究數據呈球形分布，是可以進行因子分析的。

表3 KMO和巴特利特球形檢驗Tab.3 KMO and Bartlett spherical test

總方差解釋(見表4)即因子對于變量解釋的貢獻率，通常需要達到90%以上。由分析結果中的總方差解釋表格得出：1個因子時變量貢獻率達到63.409%，2個因子時達到79.128%，3個因子時達到87.238%，4個因子將達到94.792%，超過了90%。

表4 總方差解釋Tab.4 Total variance explanation

旋轉后的成分矩陣(見表5)用來分析變量可以包含在哪些因子中，據此對因子進行歸結。在第1個因子的載荷中，公共宣傳和政策法規的系數較大，分別為0.896和0.630，因此將第1個因子歸結為相關政策。在第2個因子的載荷中，個人傾向的系數比較大，達到0.851，因此將第2個因子歸結為個人傾向。在第3個因子的載荷中，自我認知的系數較大，高達0.965，因此將第3個因子歸結為自我認知。在第4個因子的載荷中，交通設施的系數較大，達到0.883，因此將第4個因子歸結為交通設施。

表5 旋轉后的成分矩陣aTab.5 Component matrix a after rotation

3 城市居民綠色出行選擇模型

3.1 模型的選擇

本研究選擇的結構方程模型(structural equation modeling, 簡稱SEM)又稱因果模型，是近年來統計學三大發展之一。它是研究因果關系的一種統計方法，具有傳統統計分析方法的許多基本功能，主要由隨機變量、結構參數和非隨機變量組成，包括觀測變量、勢變量、誤差變量和其他隨機變量。根據觀測變量構造勢變量，變量之間的關系用結構參數表示，非隨機變量是不能包含的探索性變量。

根據所描述關系的不同，結構方程模型可分為測量模型和結構模型。

1)測量模型。測量模型主要描述潛變量和觀測變量之間的關系，測量方程表達式為

(1)

式中：x為外生指標(如與外生潛變量有關的觀測變量)組成的向量；ξ為外生潛變量；δ為外生指標的誤差項；Λx為外生指標與外生潛變量的關系,即外生指標對外生潛變量的因子載荷矩陣；y為內生指標(如與內生潛變量有關的觀測變量)組成的向量；η為內生潛變量；ε為內生指標的誤差項；Λy為內生指標與內生潛變量的關系，即內生指標對內生潛變量的因子載荷矩陣。

其中，外生指標和外生潛變量統稱為外生變量，內生指標和內生潛變量統稱為內生變量;外生指標和內生指標為可觀測的顯在變量，外生潛變量和內生潛變量為無法直接觀測的潛在變量。潛在變量存在與否要根據實際情況判斷確定。因而，結構模型用來描述潛變量與潛變量之間或指標與指標之間的關系。

2)結構模型。結構模型用來描述潛變量與潛變量之間的關系，其方程模式通常為

η=Bη+Γξ+ζ,

(2)

式中：B為內生潛變量與內生潛變量之間的關系；Γ為外生潛變量對內生潛變量的影響；ζ為結構方程的殘差項，反映了結構方程不能解釋的部分。

3.2 城市居民綠色出行選擇模型的建立

3.2.1 模型構建

由上節的結構模型和測量模型可知，構建模型的關鍵在于如何確定外生變量和內生變量。根據本研究前文調查問卷數據分析結果，共設定4個潛變量，分別為上文因子分析中歸結出的4個因子，包括自我認知、個人傾向、相關政策、交通設施。其余的變量說明見表6。本研究應用Amos23.0軟件進行結構方程模型的構建，模型如圖2所示。

表6 模型變量構成說明Tab.6 Description of model variable composition

圖2 城市居民綠色出行方式選擇模型(原始)Fig.2 Green travel mode selection model for urban residents (original)

3.2.2 模型檢驗

對模型擬合度進行評估時，如果擬合程度越高，則說明模型越符合要求，模型中參數越有估計的必要性。通常選取近似誤差均方根RMSEA和規范擬合指數NFI這2個指標來反映結構方程模型對樣本數據的擬合程度。此外還采用了擬合優度指數GFI、增量擬合指數IFI、比較擬合指數CFI，這3個指標都是越接近1模型擬合度越好。

經過計算，模型的各項擬合程度見表7。可看出該模型的擬合優度指數GFI、規范擬合指數NFI、增量擬合指數IFI、比較擬合指數CFI均符合建議值，但近似誤差均方根RMSEA較大，且卡方值偏大為26.648，說明該模型擬合程度較差。

表7 結構模型擬合指數Tab.7 Fitting index of structural model

3.2.3 模型修正

根據Amos結果輸出中的修正指數值(見表8)

表8 修正指數Tab.8 Modified index

對模型進行修正，將MI值大的路徑先進行修改，再進行計算，直到各項指標均符合建議值。由表8可以看出，本研究的模型中，e1和e2這2個殘差項的MI值較大，若將這2個變量用雙箭頭聯系起來，該模型的卡方值至少會減少22.614，因此在模型中對e1和e2做出修改。修正模型如圖3所示。

圖3 城市居民綠色出行方式選擇模型(修正)Fig.3 Green travel mode selection model for urban residents (revised)

修正后的結構模型擬合指數見表9。修正后模型擬合優度指數GFI、近似誤差均方根RMSEA、規范擬合指數NFI、增量擬合指數IFI、比較擬合指數CFI均符合建議值，且卡方值較低為0.539，說明該模型擬合程度較好。

表9 修正后的結構模型擬合指數Tab.9 Modified fitting index of structural model

3.2.4 因素負荷量分析

從圖3可看出：個人傾向對城市居民綠色出行方式選擇的影響程度最大，個人因素負荷量為0.68；其次為相關政策，因素負荷量為0.35；第三為交通設施，因素負荷量為0.22；影響程度最小的為自我認知，因素負荷量為0.16。

4 結束語

基于綠色出行選擇行為影響因素分析，設計了城市居民綠色出行選擇行為影響因素調查問卷，最終采集696份有效問卷；采用SPSS軟件對數據進行分析，基于因子分析將影響因素進行歸結；建立結構方程模型，將調查問卷所得數據進行導入，評估模型并進行模型修正，最終得出各因素對城市居民綠色出行選擇行為的影響程度。研究結果表明：個人傾向對城市居民綠色出行方式選擇的影響程度最大，其次為相關政策，第三為交通設施，而影響程度最小的為自我認知。本研究中的調查問卷采集時并沒有考慮到不同城市和地區的差別，如大型城市通常都有地鐵，選擇地鐵出行的居民會比較多，且綠色交通設施也相對較完善，相關宣傳和政策法規也較多，這也會影響居民出行時的選擇。在未來的研究中可以擴大調查范圍，繼續擴大樣本，對不同大小和類型的城市居民進行調查，并比較其差別。