扩展功能
文章信息
- 陈月霞, 陈龙, 查奇芬, 景鹏, 熊晓夏
- CHEN Yue-xia, CHEN Long, ZHA Qi-fen, JING Peng, XIONG Xiao-xia
- 基于低碳心理潜变量Logit模型的出行方式预测模型
- A Travel Mode Forecasting Model Based on Low-carbon Psychological Latent Variable Logit Model
- 公路交通科技, 2017, 34(9): 100-108, 137
- Journal of Highway and Transportation Research and Denelopment, 2017, 34(9): 100-108, 137
- 10.3969/j.issn.1002-0268.2017.09.014
-
文章历史
- 收稿日期: 2016-10-20
2. 江苏大学 财经学院, 江苏 镇江 212013
2. School of Finance & Economics, Jiangsu University, Zhenjiang Jiangsu 212013, China
国际能源署(IEA)统计并推测,到2030年,交通行业的碳排放量将占全球总碳排放量的41%,如何减少交通碳排放量已经成为各国关注的焦点。相对于前期各国重点采取各种措施加强交通网络、基础设施等硬件建设[1-3],并优先发展公共交通等低碳交通行业,目前学者们对人的行为[4]对交通碳排放的影响研究逐渐重视起来。
目前主要运用低碳经济、可持续消费、计划行为理论、系统动力学、多元统计分析等相关理论和方法研究影响碳排放量的主要因素[5-6],结果显示,出行者人口统计属性中的收入、出行属性中的出行时间、出行费用、出行距离、出行方式是影响个体出行碳排放量的主要影响因素[7-8];而心理因素方面,低碳出行意愿对低碳出行行为有显著影响,低碳出行的态度、知觉行为控制则是通过低碳出行意愿间接地作用于低碳出行行为[9]。
以上研究可以看出,目前对于通勤者低碳出行行为的影响因素的研究着重于出行者的社会经济属性,对于出行者心理因素的研究涉及很少,而心理因素正是个人决定的内在因素,有必要进一步加强心理因素对低碳出行方式选择行为的内在机理研究。目前对于出行方式选择行为的心理因素影响研究主要是将结构方程模型(Structural Equation Modeling, SEM)与传统Logit模型相结合,建立潜变量与显变量共同作用的混合模型[10-13],研究显示这类模型能够有效提高出行行为刻画精度,基于此,本文考虑低碳出行方式选择行为的心理因素。
本研究以计划行为理论(Theory of Planned Behavior, TPB)为框架整理低碳出行心理因素,对各类出行方式建立多指标多原因(Multiple Indicators and Multiple Causes, MIMIC)模型,估计出模型参数后预测出心理影响潜变量的拟合值,作为解释自变量加入到传统Logit模型中形成混合选择模型,采用实证数据比较传统离散选择模型和不带潜变量的选择模型的预测效果。
1 数据来源与检验 1.1 出行方式分类出行行为研究通常根据交通工具种类对出行方式进行分类,也有学者[14]在研究低碳出行时将出行方式分为低碳出行和非低碳出行两大类等,但是这些分类方式或过于精细或过于粗犷,不适合笔者的研究要求。本研究根据各类交通工具的个人碳排放强度[15](见表 1)将出行方式重新划分为3个等级,碳排放强度0~10 g/(人·km)为低碳出行方式,包含步行、自行车和电动车;10~100 g/(人·km)为中碳出行方式,包含摩托车和公交车;100 g/(人·km)以上为高碳出行方式,包含出租车和私家车。
交通类别 | 交通方式 | 碳排放强度 |
小型汽车 | 私家车、单位配车 | 135 |
出租车 | 110 | |
公共汽车 | 公交汽车、单位班车 | 35 |
个人助动 | 摩托车 | 45 |
电动车 | 8 | |
其他 | 自行车、步行 | 0 |
1.2 数据来源及TPB变量构造
本研究采用的数据来源于2015年镇江市交通低碳出行行为问卷调查。问卷分为出行者信息调查、出行信息调查和出行态度调查3个部分。第3部分出行态度调查所用量表主要用于测量计划行为理论框架下通勤者低碳出行的心理变量。参考国内外有关出行方式TPB各变量的问题项,采用Likert五级量表构造TPB中的4个基本变量,量表中的1代表非常不符合,2代表不符合,3代表一般,4代表符合,5代表非常符合。
(1) 行为态度
借鉴H.Han等[16]的设计题项来设计低碳出行方式选择行为态度。分值越大,代表低碳出行态度越积极。主要问题项有:我认为减少高碳方式出行,有利于解决所在城市的交通拥堵和改善环境;我认为选择更低碳的出行方式可以解决环境污染问题,比其他出行方式更好;我愿意选择更低碳的出行方式满足日常出行等。
(2) 主观规范
参考了L.Whitmarsh等[17]对主观规范量表的设计,通过测量有关重要群体(朋友、家人、同事等)对个人低碳出行行为的影响程度来解释主观规范。分值越大,代表正向影响越大。主要问题项有:我周围的人习惯采用更低碳的出行方式出行;身边的人希望我选择更低碳的出行方式满足我的日常出行;周围人低碳出行的提倡对我选择出行方式的影响很大等。
(3) 感知行为控制
具体描述了相关因素促进或阻碍选择低碳出行方式的可能性和强度。分值越大,代表感知行为控制越强烈。主要问题项有:公共自行车的推广让我倾向于选择低碳的出行方式出行;公共交通的发展让我更加倾向于采用公交方式出行;出租车费用的提高让我更加倾向于选择其他低碳的出行方式等。
(4) 行为意向
分值越大,代表选择低碳出行方式意愿越强等。主要问题项有:最近在绝大部分出行中我打算选择更低碳的出行方式出行;下次出行我将很大可能地选择更低碳的出行方式出行;今后1个月我选择更低碳的出行方式的意向很强。
此外,为了更深入地研究低碳出行行为,增加了3个心理变量。
(5) 描述性行为习惯
对于以前选择行为习惯的描述,参考M.A. Elliott和J.A.Thomson[18]的问题项设计,是行为习惯和过往行为的整合项。分值越大,代表选择某种行为考虑的比较多,对于出行方式选择的影响较大。主要问题项有:我通常选择能够最快到达目的地的出行方式;我通常选择更安全的交通方式出行;我通常选择更舒适的交通方式出行;如果能节约时间,我愿意多花费金钱等。
(6) 高碳出行方式行为态度
通过3个问题项描述出行者对于高碳出行的感观,表达了出行者对于高碳出行方式的喜好程度,为自行开发变量。分值越大,代表出行者对于小汽车出行的喜好越明显。主要问题项有:我认为驾、乘小汽车上班可以灵活地安排时间,方便办事情;我认为驾、乘小汽车上班可以体现我的身份,增加我的幸福感;我认为驾、乘小汽车上班更能节约时间,提高我的生活质量。
(7) 高碳出行方式预期后悔
参考文献[19]测量小汽车的使用感知情况,从小汽车使用便利、费用、环境污染角度描述选择小汽车出行的意向强度。分值越大,代表后悔选择高碳出行方式的程度越大,倾向于选择更低碳方式出行的意愿越大。主要问题项有:如果不驾、乘车出行,上班不会堵车迟到了;如果不驾、乘车出行,费用就不会过多;如果不过度使用小汽车,环境污染就不会这么严重等。
根据文献[5, 9, 14]等关于我国城市居民低碳出行行为影响因素研究结果,结合文中研究内容,得出研究涉及变量,见表 2。
变量名称 | 含义 |
tan | 出行方式分类:低碳为1,中碳为2,高碳为3。 |
gender | 性别:男为1,女为0。 |
age | 年龄:16岁及以下为1,17~24岁为2,25~35岁为3,36~50岁为4,51~60岁为5,61岁及以上为6。 |
edu | 受教育程度:初中及以下为1,高中为2,中专为3,大专为4,本科为5,硕士及以上为6。 |
income | 月收入:2 000元以下为1,2 001~4 000元为2,4 001~6 000元为3,6 001~8 000元为4,8 000元以上为5。 |
employ | 职业:学生为1,纯文职业者为2,非纯文职业者为3,其他为4。 |
kid | 有无小孩:没有为0,有为1。 |
by | 自行车:有为1,没有为0。 |
elecar | 电动车:有为1,没有为0。 |
car | 私家车:有为1,没有为0。 |
length | 通勤距离:0~5 km为1,6~10 km为2,11~15 km为3,16~20 km为4,20 km以上为5。 |
time | 通勤时间:,0~15 min为1,16~30 min为2,31~45 min为3,46~60 min为4,60 min以上为5。 |
Attitude | 通勤者对低碳出行的行为态度。 |
SN | 通勤者对低碳出行的主观规范。 |
PBC | 通勤者对低碳出行的感知行为控制。 |
HB | 通勤者出行的描述性行为习惯。 |
DB | 通勤者对高碳出行方式的行为态度。 |
HH | 通勤者对高碳方式出行的预期后悔。 |
Intension | 通勤者对低碳出行的行为意向。 |
本次问卷共发出3 200份,实际回收2 941份,回收率为91.91%,删除其中有明显矛盾、填写不完全的21个样本,最后得到2 660个完整研究样本数据。
1.3 潜变量数据检验对于潜变量的数据,从信度和效度两个角度进行检验。Cronbach信度系数α、平均方差提取值(Average Variance Extracted, AVE)和主成分因子分析分别用来检验潜变量数据的信度、收敛效度和结构效度。检验结果如表 3所示。
变量 | 主成分因子分析 | α | AVE | |
特征值 | 解释方差/% | |||
Attitude | 2.00 | 72.01 | 0.72 | 0.62 |
SN | 1.86 | 66.15 | 0.64 | 0.52 |
PBC | 2.58 | 71.66 | 0.78 | 0.64 |
HB | 2.84 | 81.34 | 0.85 | 0.71 |
DB | 2.72 | 77.27 | 0.82 | 0.66 |
HH | 1.97 | 71.63 | 0.72 | 0.61 |
Intension | 2.07 | 78.87 | 0.80 | 0.70 |
表 3显示,每个潜变量主成份因子均唯一,其特征值大于1,方差贡献率全部在60%以上,且所有变量的问题项的因子载荷都高于0.5。而在一阶验证性因子分析中,相应的变量与问题项之间的路径系数均显著,且标准化路径系数都大于0.5,z值也都远大于2,证明该量表具有良好的结构效度。而各变量的α只有SN为0.64,其他变量都在0.7之上,根据Nunnally等[20]的评判标准,均在可接受的范围内,表明各变量的内在一致性较高。且每个变量的AVE值均大于0.5,在0.52~0.7之间,表明该量表收敛效度较好。
2 理论模型 2.1 模型定义所建模型由MIMIC模型和多项Logit模型组合而成,见图 1。
![]() |
图 1 混合选择模型 Fig. 1 Hybrid choice model |
|
图 1中反映潜变量关系的结构方程定义为:
![]() |
(1) |
式中,η为n×1维低碳心理潜变量,文中n为7,具体为Attitude,DB,SN,PBC,HB,HH和Intention。x为k×1维外生可观测变量向量,k为5,包括gerder,age,edu,income和employ;Λ为n×k维参数矩阵;ζ为测量误差。
测量方程如下:
![]() |
(2) |
式中,y为q×1维可观测指标向量;Γ为q×n维参数矩阵;ν为误差项。
误差项ζ和ν满足条件:
![]() |
(3) |
式中,ζ′为ζ的转置; ν′为ν的转置; Ψ和Θ分别为关于ζ和ν的矩阵,式(1)~(2) 构成MIMIC模型。
通勤者采用第j种出行方式的效用uj为:
![]() |
(4) |
式中,r是通勤者的个体属性向量;cj为出行方式属性向量;η为潜变量向量;aj,b,sj分别为未知参数向量;a′j, b′, s′j分别为aj, b, sj的转置;εj为随机项。
离散选择模型为:
![]() |
(5) |
式中,ym为第m个通勤者的出行方式决策; cm为第m个通勤者的决策特征变量;αj, αk分别为决策变量对于j, k种出行方式相对于另一种出行方式选择概率的影响; K为出行方式总类别,K=3。
2.2 模型参数估计设u=(u1, …, uj)′, ε=(ε1, …, εj)′,且满足E(εε′)=Ξ, E(εν′)=0, E(εζ′)=0,式中′为转置运算,Ξ为关于ε的矩阵,则式(4) 可变为:
![]() |
(6) |
式中,
假设向量q=(y′, η′, u′)服从均值为m1,协方差为Ω1的多元正态分布,即:
![]() |
(7) |
式中Ω11=ΓΨΓ′+Θ。
设第t行元素dt=1,样本量为n时给定m1和Ω1条件下未知参数的向量ϕ的似然函数为:
![]() |
(8) |
![]() |
(9) |
式中,d为指标变量向量;f为多元正态分布概率密度函数。由于ϕ极大似然估计的复杂性,模型的相关参数估计分步进行。先进行MIMIC模型估计,再计算各个潜变量得分,用以估计多项Logit模型的参数。
为了更准确地描绘各种出行方式的心理潜变量,对低碳、中碳和高碳出行方式分别建立对应的MIMIC模型,拟合指标见表 4。
指标 | 低碳出行方式 | 中碳出行方式 | 高碳出行方式 |
x2/df | 2.896 | 2.578 | 1.922 |
CFI | 0.916 | 0.901 | 0.914 |
TLI | 0.889 | 0.864 | 0.888 |
RMSEA | 0.037 | 0.047 | 0.041 |
SRMR | 0.048 | 0.054 | 0.047 |
从表 4中可以看出,3个模型的卡方自由度比x2/df在1.922~2.896之间,在可接受的范围1~3内。虽然3种模型的塔克-刘易斯指数TLI小于0.9,但是相对拟合指数CFI均大于0.9,且近似均方根误差RMSEA都小于0.05,标准化残差均方根SRMR均小于0.055,表明3种模型的拟合度良好。
3 模型结果分析 3.1 MIMIC模型结果根据3类出行方式MIMIC模型可测算出各类出行方式中潜变量之间的相应关系,详见图 2~图 4。
![]() |
图 2 低碳出行方式MIMIC模型 Fig. 2 MIMIC model for low-carbon travel mode 注:图中路径上的数字为标准化系数,括号中数字为相应的临界值z值;*表示概率p < 0.05,**表示p < 0.01,***表示p < 0.00;“Intension”上的数字为相应出行方式中低碳出行行为意向的判定系数R2,下同。 |
|
![]() |
图 3 中碳出行方式MIMIC模型 Fig. 3 MIMIC model for mid-carbon travel mode |
|
![]() |
图 4 高碳出行方式MIMIC模型 Fig. 4 MIMIC model for high-carbon travel mode |
|
由图 2~图 4可知,所构建的MIMIC模型对3种出行方式选择的行为意向的方差解释达到了74.7%~95.2%,这说明扩展计划行为理论对于3类出行方式中低碳出行行为意向的解释力度很大。
在低碳和中碳出行方式中,主观规范、感知行为控制和描述性行为规范都对行为态度有显著的正向影响;而在高碳出行方式中,仅高碳出行预期后悔对行为态度有显著正影响,其余没有很明显的影响。这意味着采用低碳出行方式和中碳出行方式出行的通勤者对低碳出行方式的偏好受到周围社会氛围、掌控行为自信度及日常出行行为习惯的影响;而选择高碳出行方式出行的通勤者往往只有在高碳方式出行遇到挫折时才对低碳出行有明显的偏好,其他情况对低碳出行的态度不产生明显的影响。
在低碳和中碳出行方式中,描述性行为习惯对行为态度、主观规范和感知行为控制都有直接正的显著性影响;而在高碳出行方式中,描述性行为习惯对主观规范有负的显著影响。这说明采用中低碳出行方式出行的通勤者的低碳行为态度、主观规范和感知行为控制都受到平时出行习惯的影响;而采用高碳出行方式出行的通勤者的出行行为习惯对周围环境期望有负面的影响。
在低碳出行方式中,高碳出行方式行为态度对低碳出行主观规范和感知行为控制有显著正影响,同时又对低碳出行行为态度和行为意向存在显著负影响。这说明在低碳出行人群的周围环境期望和掌控行为自信方面受到高碳出行态度的促进影响,但同时他们的低碳出行行为态度和行为意识又产生了一定的动摇,这可能是社会经济发展造成的快速机动化变化所引起的。在高碳出行方式中,高碳出行方式行为态度对主观规范和感知行为控制都有显著正影响,这可能是由于高碳出行者身处在高碳出行过程中,对高碳出行更有深刻体会,促使他们需要构建一个低碳出行氛围,增强掌控低碳出行行为的自信。
高碳出行预期后悔在3个模型中对主观规范和感知行为控制都产生显著正影响,说明通勤者一旦在选择高碳方式出行时,发生非预期后果可能会倾向于回归低碳出行环境,增强低碳出行行为的掌控力度。此外,高碳出行预期后悔在中碳和高碳出行方式下产生的显著影响方向不同,这可能是由于不同人群的不同情况引起的,习惯于高碳出行的出行者认为在某些情况如堵车时低碳出行更好,而中碳出行者认为虽然在堵车时采用高碳出行方式出行不方便,但不一定就需要低碳出行,保持原有方式也可行。
3.2 Logit模型结果在MIMIC模型的基础上进行离散选择模型的参数估计。同时,为了体现本模型的优势,将不带潜变量的多项Logit模型与带潜变量的模型进行比较,以低碳出行方式为效用基础项进行回归分析,同时列出风险比(Ratio of Relative Risk, RRR)和常数项constant,结果如表 5所示。同时对各类出行方式关于潜变量进行方差分析验证,见表 6。
出行方式 | 变量 | 带低碳心理变量 | 不带低碳心理变量 | |||||
系数 | Z | RRR | 系数 | Z | RRR | |||
中碳出行方式 | age | — | — | — | 0.03 | 0.58 | 1.03 | |
gender | — | — | — | 0.13 | 1.23 | 1.14 | ||
edu | — | — | — | 0.05 | 1.39 | 1.05 | ||
income | — | — | — | 0.33** | 5.61 | 1.40 | ||
employ | — | — | — | 0.04** | 3.86 | 1.04 | ||
kid | 0.06 | 1.32 | 1.06 | 0.04 | 0.89 | 1.04 | ||
by | -0.38** | -3.19 | 0.65 | -0.35** | -3.04 | 0.71 | ||
elecar | -1.11** | -9.95 | 0.32 | -1.04** | -9.54 | 0.35 | ||
car | 0.13 | 0.87 | 1.14 | 0.11 | 0.76 | 1.12 | ||
time | 0.3** | 4.01 | 1.35 | 0.33** | 4.18 | 1.38 | ||
length | 0.52** | 7.77 | 1.69 | 0.52** | 7.75 | 1.68 | ||
Attitude | 0.17 | 1.63 | 1.18 | — | — | — | ||
SN | -0.28** | -3.06 | 0.76 | — | — | - | ||
PBC | 0.09 | 0.8 | 1.10 | — | — | - | ||
DB | -0.05 | -0.65 | 0.95 | — | — | — | ||
HB | 0.23* | 2.38 | 1.24 | — | — | — | ||
HH | -0.15 | -1.41 | 0.90 | — | — | — | ||
Intension | -0.18 | -1.78 | 0.84 | — | — | - | ||
constant | -2.56** | -4.27 | 0.08 | -3.19** | -10.85 | 0.04 | ||
高碳出行方式 | age | — | — | — | 0.14 | 1.7 | 1.15 | |
gender | — | — | — | 0.27 | 1.77 | 1.31 | ||
edu | — | — | — | 0.14** | 2.62 | 1.15 | ||
income | — | — | — | 0.47** | 5.9 | 1.59 | ||
employ | — | — | — | 0.03 | 1.54 | 1.03 | ||
kid | 0.17* | 2.18 | 1.17 | 0.08 | 1.32 | 1.08 | ||
by | -0.76** | -3.81 | 0.39 | -0.88** | -4.48 | 0.41 | ||
elecar | -1.39** | -9.05 | 0.18 | -1.63** | -9.62 | 0.20 | ||
car | 2.6** | 13.99 | 13.04 | 2.69** | 15.51 | 14.74 | ||
time | -0.04 | -0.39 | 0.96 | -0.05 | -0.46 | 0.95 | ||
length | 0.78** | 8.17 | 2.21 | 0.74** | 8.41 | 2.09 | ||
Attitude | 0.02 | 0.15 | 1.02 | — | — | — | ||
SN | 0.20 | 1.56 | 1.23 | — | — | — | ||
PBC | -0.51* | -3.19 | 0.60 | — | — | — | ||
DB | 0.27** | 2.44 | 1.38 | — | — | — | ||
HB | 0.33** | 2.51 | 1.39 | — | — | — | ||
HH | 0.12 | 1.07 | 1.13 | — | — | — | ||
Intension | -0.36* | -2.5 | 0.70 | — | — | — | ||
constant | -4.32** | -6.4 | 0.005 | -5.54** | -13.33 | 0.004 | ||
样本数 | 7 980(2 660×3) | 7 980(2 660×3) | ||||||
对数似然估计 | -1 630.02 | -1 887.24 | ||||||
似然比 | 3 122.39 | 2 643.95 | ||||||
优度比系数 | 0.526 0 | 0.453 4 | ||||||
命中率/% | 82.45 | 79.70 | ||||||
注:*表示p < 0.05,**表示p < 0.01。 |
变量 | F | MS | η2 |
Attitude | 6.41* | 2.03 | 0.005 |
SN | 17.98* | 15.60 | 0.01 |
PBC | 22.97* | 10.89 | 0.02 |
DB | 15.63* | 13.50 | 0.01 |
HB | 38.02* | 14.12 | 0.03 |
HH | 6.09* | 2.01 | 0.004 |
Intension | 20.97* | 9.62 | 0.02 |
注:*表示p < 0.01。 |
变量赋值 | 模型 | 低碳出行方式 | 中碳出行方式 | 高碳出行方式 |
月收入不变 | 不带潜变量模型 | 62.59 | 12.82 | 24.59 |
带潜变量模型 | 61.91 | 14.26 | 23.83 | |
月收入增加1倍 | 不带潜变量模型 | 43.70 | 20.07 | 36.23 |
带潜变量模型 | 45.30 | 23.03 | 31.67 | |
月收入减少50% | 不带潜变量模型 | 75.89 | 9.23 | 14.88 |
带潜变量模型 | 69.92 | 9.21 | 20.87 |
如表 5所示,本次分析的实际样本量为2 660个,为了分析结果的更加可靠,将样本量扩大3倍[9]。两种选择模型的优度比系数分别为0.526 0和0.453 4,都大于模型精度接受临近值0.2,因此可认为这两种模型的精度较高。从具体值来看,混合选择模型的预测准确率(即命中率)为82.45%,比传统多项Logit选择模型提高了2.45%。
由拟合结果可知,在不带潜变量的选择模型中,从常数项可以看出,在维持其他因素不变的前提下,3种出行方式的选择吸引力由高到低依次为低碳出行方式、中碳出行方式和高碳出行方式。就具体数值来讲,中碳出行方式相对于低碳出行方式的常数项为-3.19,而高碳出行方式的对应值为-5.54,即在其他影响因素不变的情况下,通勤者选择低碳出行方式出行比选择中碳出行方式出行的可能性大3.19倍,而中碳出行方式对比高碳出行方式的可能性大2.35倍。
在带潜变量的混合选择模型中,各类潜变量影响不尽相同。在中碳出行方式对比低碳出行方式时,低碳出行主观规范有显著负影响,主观规范提高1个单位,通勤者选择中碳出行方式出行概率的对数减少24%;而描述性行为习惯有显著正影响,每提高1个单位,通勤者选择中碳出行方式的概率对数是低碳出行方式的1.24倍。对高碳相对于低碳来说,感知行为控制和行为意向有显著负影响,提高1个指标值时,选择高碳出行的概率对数相对于低碳分别减少40%和30%,而描述性行为习惯有显著正影响,每提升1个单位,选择高碳出行的概率对数是选择低碳出行的1.39倍。
这里给出各变量的统计量F和效果量η2,其中效果量为各组间平方和在总平方和中所占比例值,比例越大代表影响程度越大。由表 6可以看出,各潜变量对于各类出行方式都有显著性差异,但是效果量都比较小,其中差异效果量较大的为感知行为控制和行为意向。此结果与表 5结果基本相符,从这方面也可以看出所用模型适用于本研究。
4 性能测试从表 5可以看出,月收入对两种模型的影响都比较突出,并且在混合模型中存在双层影响,一是在MIMIC中影响潜变量的变化;二是在选择模型中影响选择效用。因此,在分析模型预测性能时,将其作为检验变量,着重考察月收入在150%~200%范围内变动时,两种选择模型中低碳、中碳、高碳3种出行方式所占比例的变化情况。表 6分别给出了3种出行方式在现状和月收入增加1倍、减少50%之后所占比例的变动。
从表 6可以看出,当通勤者个人月收入从50%变动到200%时,两种模型中中碳出行方式和高碳出行方式的占有率都在逐渐上升,这说明随着收入的提高,倾向于采用中碳和高碳出行方式的通勤者越来越多,但上升的速度和趋势有所差异。通过预测发现,在带心理潜变量的混合预测模型中,中碳出行方式占有率从9.21%增加到23.03%,增加了13.82%;而不带潜变量的模型中,从9.23%到20.07%,增加了10.84%。高碳出行方式在混合选择模型和不带潜变量模型中分别增加了10.8%和21.35%。与之相反,低碳出行方式随着收入的提高,占有率不断下降。月收入从50%增加到150%时,混合模型中低碳出行方式占有率由69.92%降低到45.3%;而在不带潜变量选择模型中,这个比例由75.89%降低到43.70%,两个模型分别下降了24.62%和32.19%。
总体而言,随着收入的增加,低碳出行方式的占有率逐步下降,而中碳和高碳出行方式则逐步上升。在混合选择预测模型中,中碳出行方式的上升幅度高于高碳出行方式,而不带潜变量的预测选择模型情况与之相反,说明考虑了低碳出行心理因素的通勤者在月收入提高时出行选择更加理性,更注重环境影响;另一方面,没有考虑低碳出行心理的通勤者在做出选择时更多选择高碳出行方式,并且比例很大,较少考虑环境影响。因此,在进行低碳出行行为研究时,文中所建的混合选择模型比不带潜变量的传统Logit选择模型的出行选择行为描述更加全面,更符合研究的需要。
5 结论本研究以镇江市居民为研究对象,通过计划行为理论,将对通勤方式选择行为低碳化有影响的各种心理因素作为解释自变量加入到传统的离散选择模型中,形成了混合选择模型,并采用实证数据来验证所建模型的预测性能,分析心理因素的影响,得到以下结论:
(1) 同等情况下,带心理潜变量的混合选择模型的精度比不带心理潜变量的选择模型提高2.45%,预测准确率有所提高。随着变量的变化,所建新模型的出行方式选择变化更为平缓,通勤者在出行选择时更加理性,说明混合模型的预测更加稳健,因此,决策者可以根据当地通勤者的人口统计特征及其低碳心理因素制订更加全面的低碳出行引导策略。
(2) 高碳出行方式行为态度对低碳出行方式选择行为有显著负影响,因此在制订低碳出行引导策略时,要注重引导远离高碳出行方式。另外,并不是所有的低碳心理变量都对出行方式选择行为都有显著影响。其中,低碳出行行为态度在出行方式选择时没有起到显著作用,其他变量都对1种或两种选择行为有显著作用,这可能是由这些心理影响因素的构造和实际问题造成的。一是因为目前对于低碳出行方式选择行为的计划行为理论变量研究很少,没有规范统一的变量设计模式,只能从Ajzen的计划行为理论系统框架中直接引用;二是国外心理变量的引进对于国内情况的适用性还有待研究,必须经过国内系统的大量实证研究来验证;三是实际生活中,居民在出行方式选择时,确实较少考虑到低碳方面的要求。
总之,加入了低碳心理因素的出行方式选择模型更能全面反映实际情况,为低碳出行行为决策研究提供了一定的理论研究基础。
[1] | 蒋阳升, 罗孝羚, 刘媛, 等. 公交线网空间可达性优化研究[J]. 公路交通科技, 2016, 33(4): 102-107 JIANG Yang-sheng, LUO Xiao-ling, LIU Yuan, et al. Study of Optimizing Transit Network Spatial Accessibility[J]. Journal of Highway and Transportation Research and Development, 2016, 33(4): 102-107 |
[2] | 安健, 刘好德, 滕靖, 等. 快速公交路径优化设计模型及算法研究[J]. 公路交通科技, 2010, 27(3): 147-153 AN Jian, LIU Hao-de, TENG Jing, et al. Research on Model and Algorithm of BRT Route Optimal Design[J]. Journal of Highway and Transportation Research and Development, 2010, 27(3): 147-153 |
[3] | LIMTANAKOOL N, DIJST M, SCHWANEN T. The Influence of Socioeconomic Characteristics, Land Use and Travel Time Considerations on Mode Choice for Medium-and Longer-distance Trips[J]. Journal of Transport Geography, 2006, 14(5): 327-341 |
[4] | SINGHIRUNNUSORN W, LUESOPA P, PANSEE J, et al. Students' Behavior towards Energy Conservation and Modes of Transportation:A Case Study in Mahasarakham University[J]. Procedia-Social and Behavioral Sciences, 2012(35): 764-771 |
[5] | 刘蔚. 城市居民低碳出行的影响因素及引导策略研究[D]. 北京: 北京理工大学, 2014. LIU Wei. Influencing Factors and Guidance Strategy of Low Carbon Travel for Urban Resident in China[D]. Beijing:Beijing Institute of Technology, 2014. http://cdmd.cnki.com.cn/Article/CDMD-10007-1015029645.htm |
[6] | GREENING L A. Effects of Human Behavior on Aggregate Carbon Intensity of Personal Transportation:Comparison of 10 OECD Countries for the Period 1970-1993[J]. Energy Economics, 2004, 26(1): 1-30 |
[7] | 郑雪琳, 干宏程. 居民交通方式选择行为影响因素分析[J]. 上海理工大学学报, 2013, 35(6): 563-566 ZHENG Xue-lin, GAN Hong-cheng. Analysis on Influencial Factors of Travel Mode Choice Behavior of Residents[J]. Journal of University of Shanghai for Science and Technology, 2013, 35(6): 563-566 |
[8] | 柴彦威, 肖作鹏, 刘志林. 居民家庭日常出行碳排放的发生机制与调控策略:以北京市为例[J]. 地理研究, 2012, 31(2): 334-344 CHAI Yan-wei, XIAO Zuo-peng, LIU Zhi-lin. Low-carbon Optimization Strategies Based on CO2 Emission Mechanism of Household Daily Travels:A Case Study of Beijing[J]. Geographical Research, 2012, 31(2): 334-344 |
[9] | 段慕慕. 城市居民低碳出行影响因素分析及实证研究[J]. 中国集体经济, 2015(12): 23-24 DUAN Mu-mu. Analysis and Empirical Study on Influencing Factors of Urban Residents' Low Carbon Travel[J]. China Collective Economy, 2015(12): 23-24 |
[10] | 景鹏, 隽志才, 查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11): 84-92, 108 JING Peng, JUAN Zhi-cai, ZHA Qi-fen. Incorporating Psychological Latent Variables into Travel Mode Choice Model[J]. China Journal of Highway and Transport, 2014, 27(11): 84-92, 108 |
[11] | PENG J, JUAN Z C, GAO L J. Application of the Expanded Theory of Planned Behavior in Intercity Travel Behavior[J]. Discrete Dynamics in Nature & Society, 2014, 67(2): 1-10 |
[12] | 陈坚, 晏启鹏, 杨飞, 等. 出行方式选择行为的SEM-Logit整合模型[J]. 华南理工大学学报:自然科学版, 2013, 41(2): 51-57 CHEN Jian, YAN Qi-peng, YANG Fei, et al. SEM-Logit Integration Model of Travel Mode Choice Behaviors[J]. Journal of South China University of Technology:Natural Science Edition, 2013, 41(2): 51-57 |
[13] | 杨励雅, 邵春福, HAGHANIA. 出行方式与出发时间联合选择的分层Logit模型[J]. 交通运输工程学报, 2012, 12(2): 76-83 YANG Li-ya, SHAO Chun-fu, HAGHANI A. Nested Logit Model of Combined Selection for Travel Mode and Departure Time[J]. Journal of Traffic and Transportation Engineering, 2012, 12(2): 76-83 |
[14] | 金楠. 大城市居民低碳出行方式选择影响因素研究[D]. 重庆: 重庆交通大学, 2013. JIN Nan. Research on Influencing Factors of Urban Residents Choosing Low-carbon Trip Mode[D]. Chongqing:Chongqing Jiaotong University, 2013. http://cdmd.cnki.com.cn/article/cdmd-10618-1013374536.htm |
[15] | 陈月霞, 陈龙, 查奇芬. 镇江城市交通微观主体碳排放测度[J]. 江苏大学学报:自然科学版, 2015, 36(6): 645-649 CHEN Yue-xia, CHEN Long, ZHA Qi-fen. Carbon Emissions Measurement of Urban Traffic Individual in Zhenjiang[J]. Journal of Jiangsu University:Natural Science Editions, 2015, 36(6): 645-649 |
[16] | HAN H, HSU L T, LEE J S. Empirical Investigation of the Roles of Attitudes toward Green Behaviors, Overall Image, Gender, and Age in Hotel Customers' Eco-friendly Decision-making Process[J]. International Journal of Hospitality Management, 2009, 28(4): 519-528 |
[17] | WHITMARSH L, O'NEIL S. Green Identity, Green Living? The Role of Pro-environmental Self-identity in Determining Consistency across Diverse Pro-environmental Behaviors[J]. Journal of Environmental Psychology, 2010, 30(3): 305-314 |
[18] | ELLIOTT M A, THOMSON J A. The Social Cognitive Determinants of Offending Drivers' Speeding Behaviour[J]. Accident Analysis and Prevention, 2010, 42(6): 1595-605 |
[19] | 银成钺, 于洪彦. 预期后悔对消费者冲动性购买行为的影响研究[J]. 管理评论, 2009, 21(12): 71-79 YIN Cheng-yue, YU Hong-yan. Study on Impact of Expected Regret on Consumer Impulse Buying Behavior[J]. Management Review, 2009, 21(12): 71-79 |
[20] | AJZEN I. The Theory of Planned Behaviour:Reactions and Reflections[J]. Psychology & Health, 2011, 26(9): 1113-1127 |