基于出行态度的自行车通勤出行市场划分

李志斌 杨 晨 王 炜 江国俊

(1东南大学交通学院，南京210096)

(2北京交通大学交通运输学院，北京100044)

近年来，我国城市中个体机动化交通出行得到了快速发展，个体机动车拥有量与出行率增加加剧了城市中心区交通拥堵并导致城市空气质量下降.因此，自行车交通出行方式道路资源占用率低、零尾气排放等优势逐渐得到重视.部分学者推荐增加城市中心区短距离出行中自行车交通方式分担率，以缓解中心区交通拥堵并提高空气质量［1-2］.对城市居民通勤出行中自行车出行方式选择进行分析，有助于对城市自行车交通需求发展趋势进行预测，并制定相应政策以引导城市自行车通勤出行方式的选择.

传统自行车出行需求预测与政策制定大多针对整体通勤出行市场.但个体出行者进行通勤出行方式选择过程中存在异质偏好心理，个体出行者对具体政策反映不同，导致传统自行车出行需求预测与政策效果估计存在一定误差.根据出行者态度偏好心理对自行车通勤出行进行市场细分，有利于理解不同市场内通勤出行者选择自行车的心理因素，并对各子市场制定更有针对性的政策以引导自行车通勤出行方式选择.

以往自行车出行市场划分大多根据出行者的个体属性［3］、出行目的［4］或出行距离［1］.但有学者认为基于个体属性及出行属性的市场划分方法无法有效反映市场的内在结构［5］.近年来，越来越多的学者根据出行态度对出行方式市场进行分析［6-7］，结果表明基于出行态度的市场划分可以有效识别某出行方式潜在市场并制定相应政策提高该出行方式比例，且有助于发现潜在的具有方式转移倾向的出行者.出行态度与自行车出行方式选择间相关性已得到广泛证实［8-10］，但目前还没有研究采用出行者态度对自行车通勤出行市场进行分析.

为此，本文针对基于出行态度偏好的自行车通勤市场划分进行研究，提出一整套自行车出行市场划分的系统方法，采用结构方程模型来挖掘出行者潜在主观态度偏好，采用K-means聚类方法根据选定态度变量对自行车通勤出行市场进行划分，并详细分析了每个子市场内出行态度及出行行为属性特征及相应政策的制定.

1 基于态度的市场划分方法

出行者在出行方式选择过程中主观态度无法被直接观测，以往研究多采用设定若干态度观测变量来反映出行者主观态度偏好［6-7，11-13］.部分学者采用结构方程模型来拟合态度观测变量和潜在态度因子之间关系［6-7］.结构方程模型可以同时拟合大量内生及外生变量间复杂相关性，并可以将一系列变量用少量几个潜在变量表示［13］.本研究采用结构方程模型从若干态度观测变量中提取少数潜变量来反映出行者进行通勤方式选择的态度偏好.

结构方程模型是验证性结构分析，而非探索性结构分析，因此该模型中需要构建明确的内部方程结构，即构建变量之间作用联系与作用方向.结构方程模型的内部结构如图1所示，本文采用的结构方程模型包含2类变量，即可以直接观测的态度观测变量(图1中矩形)及无法直接观测的态度潜变量(图1中椭圆形).

图1 结构方程模型结构

模型内包含2类相关性结构关系:测量模型和结构模型.测量模型将潜变量用测量变量的线性函数来表示，从测量变量中提取若干态度潜变量并估计参数值;结构模型用来估计态度潜变量之间的因果相关性及参数值.这些关系可以帮助理解通勤出行者选择自行车方式的心理决策过程.

采用K-means聚类方法根据潜在态度变量对通勤出行者进行市场划分.聚类分析法能够分析事物的内在特点和规律，并根据相似性原则对事物进行分组，是数据挖掘中常用的一种技术［5-6，14］.聚类分析后同一市场内出行者态度偏好类似，不同出行市场内出行者态度偏好不同.

K-means聚类方法首先需给定聚类数目k，然后将待分析的n个样本划分为k个聚类，使所获得的聚类满足以下条件:同一聚类中样本相似度较高，而不同聚类中样本相似度较小.使用K-means方法需要确定聚类数目k，即自行车通勤出行细分子市场的数目.一般情况下，在聚类分析前k值并不明确，因此聚类分析属于探索性问题.聚类分析时k值选取应注意:① 各聚类之间尽可能分开;②所得聚类合理且有意义.

2 问卷调查及数据分析

数据来源于2009年在南京市组织的一次自行车通勤出行行为及态度专项调查.调查采用家访式，共随机发放问卷1 500份，完成问卷827份，回收率为55.1%.剔除缺少关键信息的问卷后得到有效问卷共639份.调查问卷包含以下3部分:①个体社会经济属性及家庭特征;②个体出行信息;③出行态度调查.

有效样本中，56.8%为女性，样本平均年龄为34.3岁，平均家庭年收入为8.5万元.约81.7%的样本拥有自行车，23.2%的样本使用自行车出行.个体平均出行时间约29 min.样本基本特征与以往南京市居民出行问卷调查特征类似［1-2］，表明本次调查抽样具有代表性.

问卷调查中设置了若干反映出行者通勤出行方式选择中态度偏好的问题，作为估计潜在态度变量的观测变量.调查中共设置29个问题(Q1～Q29)作为态度观测变量，可归结为8类态度潜变量(A1～A8)，如表1所示.问卷调查采用单项选择形式，每题设置5个选项用来衡量接受调查者对通勤出行的主观态度偏好.选项根据1～5给予评分，1表示绝不赞同，5表示强烈赞同.

表1 态度观测变量与态度潜变量描述

3 模型估计与市场划分结果

3.1 模型估计

结构方程模型包括估计测量模型部分和结构模型部分.模型总体拟合指标如下:拟合优度指数(GFI)为 0.903，平均误差平方根(RMR)为0.080，近似均方根误差(RMSEA)为0.050，悭吝指数(PNFI)为0.737，增量优度指数(IFI)为 0.891，比较优度指数(CFI)为0.890，校正拟合优度指数(AGFI)为0.882.这些指标表明本文建立的结构方程模型总体估计结果可信度较高.

表2给出了结构方程模型估计态度潜变量与观测变量之间相关性参数估计结果.根据问卷设计，将29个态度观测变量用8个态度潜变量来表示，模型参数估计值均在95%置信水平，表明本文问卷设计的观测变量与潜变量间相关性统计学意义上显著.根据表2参数估计值可以计算个体样本各态度潜变量值，这些潜变量值可应用于市场划分的过程中.

表2 态度潜变量与观测变量相关性参数估计结果

潜变量之间存在直接效应和间接效应.直接效应为某个变量对另一变量的影响，变量间无中介变量;间接效应为某个变量通过中介变量对另一变量的间接影响.结构方程模型中结构估计的态度潜变量间相互关系如表3所示.

表3 态度潜变量间相关性参数估计结果

几类态度潜变量与对自行车主观感知评价变量间存在直接相关性:固定出行时刻需求与自行车主观感知评价间呈现正相关，表明自行车出行方式可以提供较固定的出行时刻;舒适性需求与自行车主观感知评价间呈现负相关性，表明自行车作为通勤出行方式其舒适性较差;环保意识与自行车主观感知评价间呈现显著正相关，表明自行车在环保方面具有一定优势，并被出行者广泛接受.变量间相关性大小可参考表3中参数值，参数值较大表明变量间相关性较高，反之亦然.

表3给出了各态度潜变量对自行车出行意愿的各类效应及相应的显著性水平.出行者对自行车的积极态度对自行车使用意愿具有正面影响;环保意识对自行车使用意愿有较大积极影响;对出行舒适性要求较高的出行者使用自行车出行意愿较低;对固定出行时刻要求较高的出行者具有较高意愿选择自行车;对灵活性要求较高的出行者愿意使用自行车出行;对出行时间敏感的出行者不愿意采用自行车出行;经济型需求与自行车选择意愿相关性不显著.

结构方程模型估计的态度变量间相关性有助于理解通勤出行者进行自行车出行方式选择的心理决策过程.表3中参数估计值表明，自行车通勤出行方式在灵活性、提供固定出行时刻及环境保护方面相比于其他出行方式具有优势，而在出行舒适性与出行时长方面相比于其他出行方式具有明显的劣势.

环保意识较高的出行者倾向选择自行车出行，因为自行车无尾气排放与噪音;对固定时刻要求较高的出行者倾向选择自行车出行，因为自行车受到交通拥堵而导致延误的情况较少;对灵活性要求较高的出行者倾向于选择自行车出行，因为自行车在路径选择与停车方面相比机动车具有一定优势.而对舒适性要求较高及较看重出行时间的出行者选择自行车意愿较低，因为自行车本质上是一种体力出行方式，自行车行驶速度低于公交、小汽车等其他交通出行方式.

3.2 市场划分

采用自行车使用意向、固定行程需求、舒适性需求及环保意识4个态度变量进行自行车通勤出行市场划分.其原因是这些变量间的相关性系数较高(表3中效应值)、相互关系显著性较高(表3中p值)，更容易产生特征明显的聚类结果且可以显著减少聚类数目.对潜变量因子得分作0～5标准化处理.设置细分子市场数目k为2～10.通过比较聚类分析指标，得到k=6时聚类效果最佳.639个样本被分为6个细分子市场，子市场样本数量相对均衡，各市场聚类位置如图2所示.

1)子市场S1具有较低自行车使用意愿及固定时刻需求，环保意识较低，但对出行舒适性要求较高.

2)子市场S2具有较低自行车使用意愿及环保意识，但具有较高固定时刻需求及出行舒适性要求.

3)子市场S3具有中等自行车使用意愿及固定时刻需求，环保意识较低，对出行舒适性要求中等.

4)子市场S4具有中等自行车使用意愿，较低固定时刻需求，具有中等环保意识及出行舒适性要求.

5)子市场S5具有较高自行车使用意愿、固定时刻需求及环保意识，对出行舒适性要求中等.

6)子市场S6具有较高自行车使用意愿、固定时刻需求及环保意识，对出行舒适性要求较低.

每类子市场中出行者态度偏好存在一定差异.子市场S1与S2中出行者对固定时刻需求要求相对较低，环保意识亦不高，这两方面恰是自行车出行方式的优势所在;这2个市场内出行者对出行舒适性要求很高，这点是自行车出行方式的劣势.因此，在子市场S1，S2内自行车使用意愿均很低，自行车几乎没有竞争力.可以认为这2个市场中的出行者是坚定的非自行车出行者.

图2 自行车通勤出行市场划分结果

子市场S5和S6中出行者具有较高的固定时刻需求及环保意识，这2点是自行车出行方式的优势所在;出行者同时对出行舒适性要求较低，这点恰是自行车的劣势.因此，这2个市场内自行车具有较强的竞争力，自行车使用意愿较高.这2个市场内的出行者被认为是坚定的自行车出行者或者潜在的自行车出行者.

子市场S3和S4中出行者对通勤出行没有较强的态度偏好，对于固定时刻需求、舒适性需要及环保意识均为中等，选择自行车意愿也为中等.这2个市场内出行者被认为是潜在的市场转移者.如果这些出行者转向市场S1与S2中，则会更多采用机动化出行方式，减少自行车出行使用;如果这些出行者转向市场S5与S6，则会更多地采用自行车进行通勤出行.因此，需要制定相关政策来引导这些市场转移行为，使自行车出行达到规划目标.

各子市场内真实自行车出行方式选择比例如图3所示.可以看出，真实自行车出行选择比例与自行车选择意愿一致，市场S1与S2内仅有个别出行者选择自行车作为通勤出行方式;市场S5与S6内有较多人采用自行车进行通勤出行;市场S3与S4内自行车出行比例为中等.各子市场内自行车真实出行比例符合各市场内出行态度特征.

图3 各子市场内真实自行车通勤出行情况

自行车通勤出行市场划分结果有助于提高城市自行车出行需求预测精度及构建通勤出行方式选择模型.可以通过问卷调查获取目标出行群体对于出行方式选择的态度偏好，识别目标出行群体所属的子市场.亦可通过出行群体特征对其出行态度偏好进行推测(例如收入较高者普遍对出行舒适度要求较高)，以识别其所属子市场类别.如果对出行舒适性要求较高，对固定出行行程要求较低且环保意识较低，那么此类出行者属于子市场S1和S2，很难说服此类出行者选择自行车通勤出行;如果目标出行群体对舒适性要求较低，但对固定行程要求较高且环保意识较好，则属于子市场S5和S6，很容易引导此类出行者选择自行车通勤出行;如果目标出行群体没有特别态度偏好，则属于子市场S3和S4，需要相应政策引导其转换为市场S5和S6.此外，对于每类通勤出行市场构建通勤出行方式选择模型，可以有效反映不同出行群体进行方式选择时态度偏好差异，有利于提高模型预测精度.

自行车通勤市场划分对于制定相应政策引导自行车通勤出行方式选择具有指导意义.针对子市场S1和S2中的出行者，需要加强环保意识培训并改善自行车设施以提高骑行舒适性，促使出行者进行自行车出行;针对市场S5和S6出行者，需要建立自行车专用道路设施，以保证自行车出行不受道路交通延误的影响，并提供便捷的停车服务系统，以增加自行车出行;针对市场S3和S4，以上政策措施效果可能不明显，但可以通过环保意识教育，使这2个子市场内出行者向子市场S5和S6转化.对不同市场制定有针对性的政策可以提高政策调控能力，不考虑甚至错误估计出行群体的市场类别会导致政策实施效果不明显.

4 结语

根据出行者主观态度偏好对自行车通勤出行市场进行划分，采用结构方程模型从测量变量中提取出若干态度潜变量，分析了态度潜变量间的相关性，采用K-means聚类方法对自行车通勤出行市场进行划分.根据南京市通勤出行问卷调查，选择了自行车出行意愿、对固定出行时刻需求、对出行舒适性需求及环保意识4类态度变量将自行车通勤市场划分为6个子市场，分析了每个子市场内出行者态度偏好与方式选择特征，并分析了政策制定对于各市场内自行车通勤出行的影响.

本研究有助于准确预测城市自行车通勤出行交通需求，构建更有针对性的通勤出行方式选择模型.研究结果对制定相应政策引导自行车出行合理发展具有指导意义.今后可以选择不同的出行态度进行市场划分分析，期望得到态度偏好特征更为明显的细分子市场，并分析各个子市场中出行者个体社会经济属性特征，提炼个体属性与态度偏好间的相关性，有助于确认不同类型出行者隶属市场并提高通勤出行市场划分的可操作性.

References)

［1］单晓峰.城市自行车交通合理分担率及其路段资源配置研究［D］.南京:东南大学交通学院，2007.

［2］Yang C，Wang W，Shan X F，et al.Effects of personal factors on bicycle commuting in developing countries［J］.Transportation Research Record，2010，2193:96-104.

［3］Deakin E A.Utilitarian bicycling:a case study of the bay area and assessment of the market for commute bicycling ITS Research Report［R］.Berkeley，USA:University of California，Berkeley，1985.

［4］Xing Y，Handy S L，Mokhtarian P L.Factors associated with proportions and miles of bicycling for transportation and recreation in six small US cities［J］.Transportation Research Part D:Transport and Environment，2010，15(2):73-81.

［5］Anable J.‘Complacent car addicts’or‘aspiring environmentalists’identifying travelbehaviorsegments using attitude theory［J］.Transport Policy，2005，12(1):65-78.

［6］Outwater M L，Castleberry S，Shiftan Y，et al.Attitudinal market segmentation approach to mode choice and ridership forecasting:structural equation modeling ［J］.Transportation Research Record，2003，1854:32-42.

［7］Shiftan Y，Outwater M L，Zhou Y S.Transit market research using structural equation modeling and attitudinal market segmentation［J］.Transport Policy，2008，15(3):186-195.

［8］Dill J，Voros K.Factors affecting bicycling demand:initial survey findings from the Portland，Oregon region［J］.Transportation Research Record，2007，2031:9-17.

［9］Gatersleben B，Appleton K M.Contemplating cycling to work:attitudes and perceptions in different stages of change［J］.Transportation Research Part A:Policy and Practice，2007，41(4):302-312.

［10］Stinson M A，Bhat C A.A comparison of the route preferences of experienced and inexperienced bicycle commuters［C］//Proc of the 84th Annual Meeting of the Transportation Research Board.Washington，DC，2005:05-1434.

［11］Garling T，Fujii S，Boe O.Empirical tests of a model of determinants of script-based driving choice ［J］.Transportation Research Part F:Traffic Psychology and Behaviour，2001，4(2):89-102.

［12］Golob T F，Hensher D A.Greenhouse gas emissions and Australian commuters'attitudes and behavior concerning abatement policies and personal involvement［J］.Transportation Research Part D:Transport and Environment，1998，3(1):1-18.

［13］Golob T F.Structural equation modeling for travel behavior research［J］.Transportation Research Part B:Methodological，2003，37(1):1-25.

［14］Ryley T.Use of non-motorised modes and life stage in Edinburgh ［J］.Journal of Transport Geography，2006，14(5):367-375.