胡 松 翁劍成▲ 林鵬飛 周 偉 荊云琪

（1.北京工業(yè)大學北京市交通工程重點實驗室 北京100124；2.中華人民共和國交通運輸部 北京100736）

0 引 言

近年來，隨著SARS肺炎、甲型H1N1流感、埃博拉和寨卡病毒及COVID-19新型冠狀病毒肺炎等全球性重大突發(fā)疫情的不斷發(fā)生，對交通行業(yè)發(fā)展[1]，以及人們的健康財產(chǎn)和生活出行等造成了嚴重影響。研究表明：重大疫情會對出行者的公共交通出行態(tài)度、需求和行為偏好造成持續(xù)影響，如疫情使美國出行者的出行理念發(fā)生巨大改變，促使公共交通在城市出行結(jié)構(gòu)中變得更加邊緣化[2]。并且，隨著公共交通、私家車、出租車以及共享單車等多元化城市交通方式的持續(xù)發(fā)展，乘客出行選擇行為呈現(xiàn)出顯著異質(zhì)性特征，乘客對公共交通的依賴程度也存在明顯的個體差異。因此，從個體出行行為決策的外部客觀環(huán)境與內(nèi)部主觀理念維度解析重大疫情對乘客公共交通依賴度的影響機理具有重大意義。

目前，大量研究探索了乘客出行行為潛在相關(guān)性與決定性因素等內(nèi)容。在出行方式選擇行為方面，許多研究表明出行距離[3]、工作地與站點距離[4]、費用政策[5]、建成環(huán)境[6-7]、出行活動目的[8]、主觀心理因素[9-10]和個體屬性[3,6]等因素均對出行者的方式選擇行為具有顯著影響。但以上研究主要面向常態(tài)化情景開展，難以有效反映特殊情景下出行者的行為選擇變化情況。部分學者針對特殊條件下個體出行選擇行為進行了相關(guān)研究。Zanni和Ryley[11]獲取了2 000余名居民的出行調(diào)查信息，利用改進的二項Logit模型研究極端天氣條件對出行者長距離出行行為的影響。研究表明，小汽車出行者對極端天氣更加敏感。林子敬[12]通過構(gòu)建混合Logit模型研究惡劣天氣對居民出行方式選擇行為的影響，結(jié)果發(fā)現(xiàn)，惡劣天氣會提升地鐵和出租車的選擇比例。Nguyen-Phuoc等[13]面向公共交通中斷場景，結(jié)合扎根理論探究居民在短期與長期下的向汽車模式轉(zhuǎn)換的影響關(guān)系。面向2020年爆發(fā)的新冠疫情，吳嬌蓉等[14]基于出行偏好網(wǎng)絡(luò)問卷數(shù)據(jù)分析了疫情持續(xù)期民眾對不同交通方式的風險感知與選擇偏好，利用二元Logit模型分析了合乘出行因素影響。研究表明，當員工擁車率到達65%時可達較高的合乘成行率。劉建榮等[15]也采用問卷調(diào)查數(shù)據(jù)，利用驗證性因素分析模型及Logit模型研究后疫情階段老年人出行行為影響機理。但以上研究通常是在特定場景下研究部分維度的影響因素效用，造成出行行為影響分析不完備，模型結(jié)果存在一定偏差。而在出行者交通依賴性方面，僅有少數(shù)學者探究汽車依賴程度[16]、汽車依賴性治理[17]以及汽車依賴性影響關(guān)系[18-19]等內(nèi)容。

綜上所述，當前出行依賴性研究集中在小汽車模式，從公共交通視角的相關(guān)研究較少；大多數(shù)研究缺乏控制自選擇效應(yīng)，導致難以準確揭示出行選擇行為影響機理[7]；現(xiàn)有公共交通出行行為的影響研究通常關(guān)注常態(tài)化條件，缺乏以重大疫情條件為背景考慮其影響的專題研究。因此，筆者基于出行調(diào)查獲取乘客出行行為影響數(shù)據(jù)，利用k-means聚類模型從公共交通依賴性視角對出行群體進行標定，結(jié)合前景理論與計劃行為理論（theory of planned behavior，TPB）選取重大疫情下公共交通出行依賴性內(nèi)外部影響因素指標，利用結(jié)構(gòu)方程模型（structural equation modeling,SEM）量化解析乘客公共交通依賴性影響機理。研究有助于更精確地探究重大疫情條件下乘客出行決策行為和需求特征，為改善公共交通服務(wù)水平，提高疫情防控保障能力提供支撐。本文研究框架見圖1。

圖1 研究框架圖Fig.1 Research framework

1 理論基礎(chǔ)

前景理論表明，人的風險決策選擇行為取決于結(jié)果與期望間的差距而非結(jié)果本身，理論可從心理特質(zhì)和行為特征角度揭示影響乘客出行選擇行為的非理性心理因素與行為決策參照。筆者將重大疫情下乘客采用公共交通出行的預期決策收益（如出行便利、時間和成本節(jié)省等）與預期決策損失（一定風險疫情感染、出行時間和成本增加等）的差值作為決策參考，則公共交通乘客決策參考點的不同將會導致其對公共交通依賴性的差異。

基于上述分析可知，乘客出行行為表現(xiàn)通常會受到外界觀點、個體感知和行為偏好等非理性因素影響。而已被成功應(yīng)用于交通行為領(lǐng)域的計劃行為理論（TPB）指出，個體行為是由其行為意向直接觸發(fā)的，行為意向是由態(tài)度、感知行為控制和主觀規(guī)范共同決定的[10]。因此，為了準確刻畫乘客出行非理性影響因素與公共交通出行依賴性間的作用關(guān)系，本文同時引入TPB開展研究，理論范式結(jié)構(gòu)見圖2。

圖2 TPB理論范式結(jié)構(gòu)Fig.2 Theoretical-paradigm structure of TPB

本文擬結(jié)合前景理論與TPB分析重大疫情對乘客公共交通出行行為的綜合影響因素，進而量化解析多維主客觀因素指標對乘客公共交通依賴性的影響機理。

2 乘客調(diào)查設(shè)計與數(shù)據(jù)基礎(chǔ)

為準確刻畫重大疫情對乘客公共交通的使用行為及依賴性影響，研究基于上述理論思想設(shè)計并實施了重大疫情下北京市乘客公共交通出行SP與RP線上調(diào)查，具體調(diào)查方案如下。

1）調(diào)查內(nèi)容。從出行客觀條件和個體主觀感受這2個維度設(shè)計了涵蓋個體屬性、出行特性、出行環(huán)境、公共交通態(tài)度、主觀規(guī)范、感知行為控制和出行意向等7個方面的調(diào)查問卷。并且，為了使調(diào)查對象對問卷內(nèi)容的理解具有一致性，問卷中對每個問題都做了相應(yīng)說明，具體內(nèi)容見表1。

表1 調(diào)查問卷主要內(nèi)容Tab.1 Key content of the questionnaires

2）調(diào)查方式。鑒于重大疫情條件下病毒傳播風險以及出行者防范意識較強，問卷主要利用社交軟件、微博、貼吧和電話等多種線上方式對北京市不同社會層階與屬性的群體開展隨機抽樣調(diào)查。

3）問卷回收與質(zhì)量檢驗。2020年7月4日—11日持續(xù)開展在線調(diào)查，期間北京市共涉及中高風險疫情地區(qū)共30個鄉(xiāng)鎮(zhèn)/街道?；厥諉柧砉?03份，經(jīng)問卷來源IP、填寫完整性及先驗知識匹配等信息校核，共篩選有效問卷300份，滿足SEM最小樣本規(guī)模200份[20]。利用統(tǒng)計分析軟件SPSS對問卷數(shù)據(jù)進行信度及效度檢驗，結(jié)果顯示，Cronbach'sα系數(shù)為0.814，效度檢驗系數(shù)為0.841，表明問卷數(shù)據(jù)具有較高的質(zhì)量。

3 乘客依賴性辨識與影響模型

從經(jīng)濟學角度可將公共交通出行視為1種消費方式，則乘客公共交通依賴性可理解為乘客在基于自身效用最大化長期出行過程中對公共交通形成的出行需求水平。而新冠肺炎疫情的傳播性與致病性會改變公共交通出行方式的效用值，影響乘客對公共交通的依賴性。因此，研究將分別從重大疫情條件下公共交通出行群體依賴水平標定、依賴性影響指標及影響關(guān)系建模3個方面開展研究。

3.1 群體標定模型

基于調(diào)查研究和文獻分析，從出行行為表現(xiàn)維度選取可以有效刻畫乘客公共交通依賴性特征的出行天數(shù)占比、出行次數(shù)占比和出行模式往返性等3個指標，具體見表2。

從表2得出，公共交通乘客的出行模式往返性稍高于其他指標，總體數(shù)據(jù)分布較正態(tài)分布相對平緩，且前二者高于均值的數(shù)據(jù)離散程度較大，而后者相反，表明指標數(shù)據(jù)分布具有一定差異性。

表2 乘客公共交通依賴性評估指標Tab.2 Evaluation indicators of passengers'dependence on public transport

為了細化研究重大疫情對不同乘客群體的影響效應(yīng)，選取有效處理連續(xù)變量的k-means聚類算法進行人群分類，進而準確標定公共交通出行群體。k-means聚類模型的目標是最小化平方誤差E，見式（1）。

式中：K為公共交通乘客聚類數(shù)；C i為第i類乘客公共交通依賴性特征指標數(shù)據(jù)集；ω為C i中數(shù)據(jù)向量；μi為簇C i的均值向量。

在確定公共交通乘客最佳聚類數(shù)K時采用樣本輪廓系數(shù)S評估法，見式（2）。

式中：a為與同類特征指標簇中樣本點的平均距離；b為與距離最近特征指標簇中樣本點的平均距離。

3.2 依賴性影響變量

基于前景理論與TPB理論范式，面向重大疫情條件選取公共交通態(tài)度、主觀規(guī)范、感知行為控制和出行意向等影響個體出行決策行為的4個潛變量和12個顯變量。此外，根據(jù)調(diào)查與文獻分析可知，乘客對公共交通依賴性受個體屬性、出行環(huán)境和出行特征等因素共同影響。具體變量見表3。

表3 重大疫情下乘客公共交通依賴性影響變量Tab.3 Influence variables of passengers'dependence on public transport under major epidemic disease

以往研究大多采用熵值測度的混合土地利用指數(shù)主要衡量各地區(qū)不同類型興趣點（POI）的比例平衡程度，不能反映區(qū)域內(nèi)不同類型POI的實際密度。因此，為了更好地衡量混合土地利用的實際開發(fā)強度和多樣性，提出了基于密度的土地利用測量方法，見式（3）。筆者將北京市內(nèi)POI歸并為居住、就業(yè)、商業(yè)、景點、交通和教育等6類。

式中：Nij為區(qū)域j中i類POI數(shù)量；A j為區(qū)域j面積，km2。

3.3 影響關(guān)系模型

SEM可以定量、直觀地測度多維潛在變量，以及變量與出行行為間的結(jié)構(gòu)關(guān)系和影響效應(yīng)，突破“黑箱模式”的行為影響表達范式。因此，本文選用SEM從因果推斷視角建立重大疫情對乘客公共交通依賴性影響的模型。

模型采用兩階段框架方程進行評估分析，即測量方程和結(jié)構(gòu)方程。在第一階段，公共交通依賴性的7類主客觀影響變量由25個可觀測指標來測度，則測量方程表達式為

式中：Λx為公共交通依賴性外生潛變量ξ影響外生觀測變量x的結(jié)構(gòu)系數(shù)矩陣；δ為外生變量x的測量誤差向量；Λy為公共交通依賴性內(nèi)生潛變量η影響內(nèi)生觀測變量y的結(jié)構(gòu)系數(shù)矩陣；ε為內(nèi)生變量y的測量誤差向量。

而在第二階段，結(jié)構(gòu)方程被用來估計公共交通依賴性內(nèi)生與外生潛變量間因果效應(yīng)的強度及方向，并以變量之間的影響關(guān)系為矢量路徑組建圖形結(jié)構(gòu)，結(jié)構(gòu)方程的表達式為

式中：B為公共交通依賴性內(nèi)生潛變量η的結(jié)構(gòu)系數(shù)矩陣；Γ為公共交通依賴性外生潛變量ξ的結(jié)構(gòu)系數(shù)矩陣；ζ為結(jié)構(gòu)方程的殘差項向量。

4 實證分析

為深入探究重大疫情下乘客公共交通出行行為與依賴性影響，基于北京市SP與RP線上調(diào)查數(shù)據(jù)進行出行群體的依賴性辨識與影響機理的實證分析。

4.1 出行群體標定

基于調(diào)查樣本數(shù)據(jù)計算依賴性評估指標值，并作為出行群體標定模型的輸入數(shù)據(jù)。經(jīng)過多次迭代計算獲取不同K值對應(yīng)的樣本輪廓系數(shù)，見圖3，得出最佳聚類數(shù)為4，即受訪者按公共交通依賴性水平被劃分為低、較低、較高和高4類群組，實現(xiàn)從公共交通依賴度視角對出行群體的標定。

圖3 樣本輪廓系數(shù)Fig.3 Profile coefficients of samples

各群組的男女比例分別為1.20，1.45，0.73，0.88，表明男性的公共交通依賴性總體低于女性；碩士以上高學歷乘客占比分別為44.16%，57.14%，39.74%，43.75%，說明較低依賴性群體中高學歷乘客占比較高，而其在較高依賴性群體中最低；高收入乘客占比分別為22.08%，18.37%，20.51%，17.71%，反映了高收入群體在低依賴性群組中占比較高且以小汽車出行為主，而在高依賴性群組中占比最低；而小汽車較高獲取性乘客的占比為62.34%，59.18%，51.28%，47.92%，其與乘客的公共交通依賴性呈負相關(guān)關(guān)系。分析表明，乘客的個體屬性特征與其公共交通依賴性間存在明顯相關(guān)性。

此外，不同依賴性簇類樣本的最終聚類中心見表4，可知各簇類間的特征具有顯著差異。其中，第二簇類的公共交通依賴性較低但出行模式往返性較高，主要由于公共交通出行特征以及北京長期實施的車輛尾號限行政策。

表4 樣本最終聚類中心Tab.4 Final cluster centers of samples%

4.2 影響關(guān)系分析

基于前述對行為理論和影響關(guān)系的分析，通過AMOS軟件構(gòu)建重大疫情對乘客公共交通依賴性影響初始模型，將表3變量數(shù)據(jù)輸入初始模型進行擬合計算及檢驗。結(jié)果得出，顯變量S4和感知行為控制潛變量的殘差為負值，且路徑系數(shù)大于1，表明觀測指標間存在共線性問題。經(jīng)過多次變量增刪與路徑調(diào)整檢驗，剔除顯變量S4和P4。同時，采用適配度指數(shù)評估模型的擬合優(yōu)度，并結(jié)合修正系數(shù)（M.I.）調(diào)整變量、殘差間的路徑結(jié)構(gòu)和權(quán)重系數(shù)，修正后的模型結(jié)果見圖4，模型評估指數(shù)達到標準見表5。

圖4 修正模型結(jié)果Fig.4 Results of the modified model

表5 模型擬合優(yōu)度評估指標Tab.5 Evaluation indicators of the model's goodness of fit

基于圖4結(jié)果可知，個體屬性、出行環(huán)境和出行距離等外生潛變量與公共交通依賴性間不存在直接影響，而是通過影響個體的公共交通態(tài)度、主觀規(guī)范和感知行為控制造成乘客出行方式選擇意向的異質(zhì)性，間接對乘客公共交通依賴性形成異質(zhì)性影響。即乘客公共交通依賴性會受到主客觀影響因素直接與間接影響的共同作用。整體而言，出行意向潛變量對乘客公共交通依賴性具有良好的正向作用，強度為0.36，低于常態(tài)化條件下出行意向?qū)π袨榈淖饔脧姸?.51[10]，表明重大疫情時期居家辦公、輪流值班和公共場所客流限制等疫情防控措施減弱了乘客出行意向?qū)步煌ㄒ蕾囆缘挠绊?。公共交通態(tài)度、主觀規(guī)范和感知行為控制等心理因素均與出行意向具有明顯的影響作用，與文獻[14]的結(jié)果相一致，且符合TPB理論范式；此外，相對于乘客自身形成的公共交通態(tài)度和感知行為控制，重大疫情下基于親友影響形成的主觀規(guī)范變量具有更高的影響強度，為0.66。公共交通依賴性的外生條件變量對重大疫情下3類非理性內(nèi)生變量具有不同程度的影響，出行環(huán)境的正向影響效應(yīng)相對較高，尤其對公共交通態(tài)度具有全局最高的影響度，為0.92；而個體屬性的影響效應(yīng)相對較低，對公共交通態(tài)度的影響力僅為0.01，且與公共交通態(tài)度和主觀規(guī)范變量呈負相關(guān)性。

具體而言，模型中個體屬性潛變量由7個觀測變量有效刻畫，其中自行車可用性對潛變量的解釋性為0，表明北京市成熟的共享單車市場環(huán)境下居民相近的自行車可用性對乘客公共交通依賴性幾乎沒有影響；而年齡和收入對個體屬性的解釋性較高為0.60和0.58，表明不同年齡段和收入的乘客對重大疫情下采用公共交通出行的敏感性具有較大差異。出行環(huán)境顯變量在模型中的解釋性一般，尤其是S3對潛變量的解釋性僅為0.02，表明乘客是否途徑中高風險區(qū)域?qū)ζ涔步煌ㄒ蕾囆缘挠绊戄^弱，此現(xiàn)象在具有硬性出行需求的通勤群體中表現(xiàn)尤為明顯。而公共交通態(tài)度顯變量的解釋性均較高，且總體滿意度最高達0.9，反映了重大疫情時期乘客在關(guān)注乘車安全性、便捷性的同時，更注重公共交通的整體服務(wù)質(zhì)量，符合在不利社會環(huán)境下居民對公共服務(wù)質(zhì)量要求更高的心理現(xiàn)象。主觀規(guī)范對應(yīng)的2個觀測變量均具有較高解釋性，表明重大疫情時期乘客會更加關(guān)注親友對公共交通出行的態(tài)度，并從心理層面影響其對公共交通出行的選擇行為。這一現(xiàn)象也反映了在重大疫情時期社會促進效應(yīng)更為明顯。此外，P2變量對感知行為控制的解釋性較高為0.87，說明乘客對公共交通疫情防控政策的了解程度會較大程度間接影響個體對公共交通的依賴性；此發(fā)現(xiàn)符合消費心理學中的模糊效應(yīng)，即人們傾向于避免選擇未知的選項。而P3的變量解釋性僅為0.02，表明重大疫情引起出行強度的變化對乘客公共交通依賴性的干擾較小。另外，公共交通出行偏好顯變量對出行意向的解釋性最高，為0.77，表明其與乘客公共交通依賴性呈顯著正相關(guān)關(guān)系，符合出行選擇意向與出行行為表現(xiàn)的一致性特征；騎行出行偏好和步行出行偏好對出行意向的解釋性分別為0.06和0.09，反映了乘客對騎行或步行的心理偏好性可以小幅促進其選擇公共交通出行；而汽車出行偏好的負向影響反映了重大疫情條件下汽車與公共交通的競爭關(guān)系，該變量會減弱乘客的公共交通依賴性。

5 結(jié)束語

本文根據(jù)前景理論與TPB獲取了重大疫情下北京市乘客公共交通出行調(diào)查數(shù)據(jù)，選取3個公共交通依賴性刻畫指標并利用k-means方法建立出行群體標定模型，依據(jù)樣本輪廓系數(shù)將乘客按公共交通依賴性水平聚類為低、較低、較高和高這4類群組；從7個層面篩選重大疫情下公共交通出行依賴性內(nèi)外部影響指標，結(jié)合SEM構(gòu)建依賴性影響模型并采用適配度指數(shù)和M.I.進一步修正模型。

影響模型分析表明，整體而言，外生潛變量不會對乘客公共交通依賴性產(chǎn)生直接影響，而是通過擾動個體心理間接影響公共交通依賴性；重大疫情下公共交通出行意向?qū)σ蕾囆运降闹苯佑绊懙陀诔B(tài)化條件時的作用強度；在非理性心理層面，重大疫情下基于親友態(tài)度形成的主觀規(guī)范對公共交通依賴性具有更高的影響強度；出行環(huán)境對重大疫情下的3類非理性心理因素具有較高正向影響，對公共交通態(tài)度的影響達全局最高；而個體屬性的影響效應(yīng)較低，對公共交通態(tài)度和主觀規(guī)范變量呈負相關(guān)性。相對而言，自行車可用性、是否途經(jīng)中高風險區(qū)域、重大疫情對出行強度影響顯變量對潛變量的解釋性較低，幾乎不對重大疫情下乘客公共交通依賴性產(chǎn)生影響；重大疫情下公共交通乘客在關(guān)注安全性和便捷性的同時，更注重公共交通的整體服務(wù)質(zhì)量；公共交通疫情防控政策了解度及其出行偏好對公共交通依賴性具有良好的正向作用。研究為重大疫情條件下提升公共交通吸引力與分擔率等提供支持，未來將結(jié)合細分出行群體、常態(tài)化情境等進一步深入探究乘客公共交通決策行為影響機理。