城市交通出行行为中的潜变量研究综述

陈 坚，甘 蜜

(1.重庆交通大学a.山地城市交通系统与安全重庆市重点实验室;b.交通运输学院，重庆400074；2.西南交通大学 交通运输与物流学院，成都600031)

城市交通出行行为中的潜变量研究综述

陈 坚1a,1b，甘 蜜*2

(1.重庆交通大学a.山地城市交通系统与安全重庆市重点实验室;b.交通运输学院，重庆400074；2.西南交通大学 交通运输与物流学院，成都600031)

潜变量是提高交通出行行为预测精度的有效方法，潜变量的提出为出行行为研究提供了新视角.为解决目前出行行为中缺少潜变量概念认知及潜变量应用的问题，本文从社会心理学入手，分析已有出行行为建模方法的特点，提出潜变量研究的必要性，对出行行为中潜变量内涵、应用领域、模型构建进行系统梳理，明确潜变量研究的三个核心问题是识别、有效性验证及计算.评述与研究涵盖潜变量的出行行为整合模型的机遇、难点和挑战.并揭示潜变量测度方法与SP/RP调查的关联性，综述潜变量模型检验判定标准，最后总结出行行为潜变量研究的发展趋势及发展方向.

交通工程；出行行为；潜变量；整合模型；结构方程模型

1 引 言

城市交通出行行为是交通工程学的重要基础理论，能否准确分析、掌握城市居民出行规律直接关系到城市交通发展战略、规划及政策制定的合理性和准确性.随着我国社会经济的快速发展、城市化进程的加速推进，城市交通拥堵、交通网络安全可靠性降低、交通能耗增加等问题日益凸显.同时，城市轨道交通、BRT等交通方式的新建，使居民交通出行环境更加多元化和复杂化，仅考虑可直接观测显变量的传统交通出行行为分析模型与方法已较难满足更加准确、精细化的需求.近年来，城市交通出行行为中的潜变量已成为国际该领域研究的热点前沿问题，但尚有许多关键问题有待解决.系统全面的对国内外已有成果进行综述并提出可能的研究方向是促进城市交通出行行为研究进一步深入的前提与关键.

交通出行作为一种特殊的商品消费，本质是消费者选择行为，在消费者选择行为理论中，消费者对于各替选方案属性的满意度（个人感受），以及各替选方案属性对每个消费者的重要性（个人态度）会影响消费者对于替选方案的偏好，而个人感受与态度属于不可直接观测因素[1].有时人们的决策未必完全理性，有可能因为习惯或者冲动产生了某种行为.因此，当出行者面临选择时，除了可直接观测的因素外，也存在不可直接观测的因素将影响最终选择结果.但目前城市交通出行行为研究中，无论是传统四阶段法还是基于活动的出行行为分析方法均是通过寻找出行行为的外界影响因素（四阶段法依据社会、经济、人口（social, economical,and demographical,SED）等与交通系统关系，基于活动的分析方法是从日常活动与出行的关系入手），忽略了外界影响因素及出行者内在心理因素中不可直接观测的潜变量，使模型的解释能力和精度下降，难以得到与真实出行行为更接近的结果，不能满足对交通出行行为预测准确性更高的要求，更无法揭示城市交通出行行为的客观科学本质.相关研究已表明出行者的态度和认知等潜变量将影响出行决策行为，并开始尝试在交通需求分析模型中结合潜变量的影响以提高预测的准确性和精度[2].

2 交通出行行为分析方法与模型

（1）基于出行的分析模型.

目前出行行为分析的主要研究方法是以四阶段模型为代表基于出行（trip-based）的模型.20世纪70年代，随着随机效用理论和离散选择模型的提出，四阶段法由集计型向非集计型转化，其理论和技术均得到了跳跃式的充实和发展.Koppelman、McFadden、Wilson等学者较早利用非集计模型对出行方式选择、出行目的等特征进行分析[3-5].随后Koppelman、Hensher、Schwanen[6-8]，关宏志、杨敏、张天然对交通出行方式选择行为非集计模型进行了近一步丰富和完善[9-11].但四阶段法依旧局限于以相互独立的分析步骤（阶段）为模型构建，缺乏系统内部的一致性；不考虑出行之间的各种关系（包括时空关系、人际关系、方式选择关系等）；并且缺少对出行者行为特征的微观解析.

（2）基于活动的分析模型.

近年来，随着对城市交通系统短期规划与管理需求的增多，适用于交通基础设施中长期规划的四阶段法已经无法满足新研究的需要.而基于活动（activity-based）的出行行为分析受到国内外研究者越来越多的关注，该方法起源于20世纪70年代，1983年英国牛津大学的交通研究组首次对活动和出行行为进行综合研究，将个体行为放在时空约束条件下探讨出行特征[12].Damm、Golob、Kitamura对基于活动的出行行为分析的理论方法做了较全面论述[13-15]，主要包括计量经济学模型和混合仿真模型两大类方法，前者以Mahmassani、隽志才等的研究工作为代表[16,17]，而Chandra、Ryuichi、Bowman、隽志才、赵阳对第二类模型进行了有益探索[18-22].

（3）基于大数据平台、行为实验的分析模型.

随着现代信息技术的变革与兴起，大数据环境下的交通出行行为及基于行为实验的出行行为分析正成为该领域发展的前沿热点问题.段宗涛等从大数据视角，提出基于分布移动交通信息原子服务计算平台，构建了新型交通信息服务协同体系[23].刘天亮等的研究表明社交网络中朋友圈所传递的交通信息对出行者个体的行为决策存在影响，且不同的信息交互率对系统整体存在差异[24]. Terry等进行了240名志愿者的多瓶颈Y型城市交通网络出发时刻行为实验分析[25].Selten等以Bonn大学的18名学生为实验对象，开展路径选择行为实验[26].

综述表明：

（1）已有研究在外界影响因素（SED，活动）与出行之间的关系上取得了大量成果，但基于潜变量作用的出行行为影响因素界定、出行行为内在机理及出行者心理决策过程没有涉及，而出行者整个心理决策过程可以很简单，也可能非常复杂，这是一个尚未研究的“黑盒子”.

（2）由于个人的心理决策过程是由许多无法直接观测变量共同作用影响，如何通过潜变量定量刻画出行行为内在机理是一项尚待探索的科学问题.

3 交通出行行为中的潜变量

潜变量主要应用于表示理论架构或对不能被直接观测的变量，例如：人格特质、感情、社会地位等.不同的研究领域，潜变量有着不同的定义.在交通工程学科，潜变量可以包括服务可靠性、环境感知及出行方式的潜在偏好.潜变量的研究最早可追溯到Spearman使用因子分析法进行人们智力测试[27].潜变量在社会科学（Theodore,Mezzeti等[28,29]，心理学（Fabrigar等，Bollen）[30,31]，市场和经济学研究（Ashok等,Ebbes等）[32,33]等领域有着广泛的应用.

通常来说，交通出行行为模型中仅考虑了可直接观测的变量，例如出行方式的特性（出行时间、出行费用等）和出行者个人的社会经济特性（年龄、性别、学历、收入等）.而相关研究表明，出行者对出行环境、方便性、安全性的感受同样对出行行为决策有着重要影响.

潜变量的引入丰富了传统交通出行行为研究领域，Train、McFadden等、Ben-Akiva等最先将潜变量应用于交通领域[34,35]，他们建立了最初的结合潜变量的出行方式离散选择模型框架.随后，Mitra等、Lee等分析了交通规划中的潜在安全措施与道路事故规模之间的关系[36,37].Gopinath、Morikawa等、Walker、Yáñez、Politis将出行者态度和知觉在决策过程中的影响加入到模型框架中并进行需求预测[38-42].

本文在国内外相关研究基础上，将对选择结果具有影响的客观存在因素，定义为出行行为影响因素范畴（IFC，influence factor categories），记为Hom(A,B)，以涵盖目前已知的或未知的对出行行为结果存在影响的因素.依据“变量是否能被直接观测”界定为显变量和潜变量，并根据潜变量描述对象的差异将出行行为研究中常用或可能会用到的潜变量分为情景性潜变量、个人感知性潜变量、无形服务性潜变量三大类.情景性潜变量主要用于描述出行方案的服务品质，包含方便性、安全性、舒适性、服务环境及等车感受等五类子潜变量；个人感知性潜变量涵盖出行者态度、主观规范、知觉行为控制三个主要子潜变量，其中出行者态度是出行者对出行方案正向或负向的评价，主观规范出行者发生出行行为时所感受到的社会压力，知觉行为控制是出行者感觉到完成某次出行行为容易或困难的程度；无形服务性潜变量指出行价格的合理性、出行环保意识，具体潜变量如图1所示.交通领域潜变量研究的核心问题在于潜变量的识别、有效性验证及计算.

图1 交通出行行为研究中的潜变量Fig.1 Latent variables type of travel behavior research

4 潜变量的建模

潜变量建模的核心目标是通过数学模型将潜变量应用于分析实际交通问题，潜变量建模的关键是明确潜变量所代表因素的具体含义，潜变量与其他变量（潜变量和显变量）的定量因果关系.假设模型中X为外生显变量，Y为内生显变量，ξ为外生潜变量，η为内生潜变量.用于描述显变量X、Y分别与潜变量ξ、η之间的关系为测量模型.用于描述潜变量ξ、η之间的关系为结构方程式模型.

（1）测量模型.

式中 X——自变量的测量值构成的向量；

ξ——潜在外生变量构成的向量；

ΛX——X对ξ的回归系数或因子负荷矩阵；

δ——X的观测误差构成的向量；

Y——因变量的测量值构成的向量；

η——潜在内生变量构成的向量；

ΛY——Y对η的回归系数或因子负荷矩阵；

ε——Y的观测误差构成的向量.

（2）结构方程式模型.

式中 B——内生潜变量的结构系数矩阵，其对角线元素均为0，且要求I-B是非退化的（即矩阵行列式的值不为0），B系数矩阵的元素反映了其内生潜变量对某一内生潜变量的直接作用大小；

Γ——外生潜变量ξ的结构系数矩阵，Γ系数矩阵中的元素反映了外生潜变量ξ对内生潜变η量的直接作用大小；

ζ——模型的误差向量.

一直以来，涉及潜变量的出行行为领域模型较少，最早由Lyon建立了方式选择和出行者态度潜变量的动态模型[43].Gobob运用荷兰居民日常出行数据，分别研究了车辆拥有状况与出行产生、车辆状况情况与出行时间花费之间的关系[44]. Kitamura等和Gobob首次运用潜变量建立持续活动与出行行为的关系以进行交通需求预测[45,46].Lu等以个人和家庭的社会经济特性显变量、活动方式为潜变量，探讨通勤出行者的社会经济特性、活动参与及出行行为之间的相互关系[47].Gobob以家庭为分析单位，将空间可达性作为外生潜变量，对家庭出行产生和出行时间模式化，分析了家庭出行和活动数量、家庭成员数量之间的关系[48].周钱等提出了交通需求分析的潜变量模型，用于分析和模拟出行者特征、活动参与和交通行为之间的影响关系，研究结果表明，该模型既有很强的理论优势，又有良好的操作性，且预测精度较高[49].高学东等提出了一种考虑潜变量的配送中心选址模型，可以比较客观、全面的对选址方案影响因素进行识别，并计算出各影响因素的权重[50].周家中等以出行行为为内生潜变量，以出行距离、出行时间和出行次数为内生显变量；以土地利用属性、社会经济属性和家庭属性三者为外生潜变量，选取地区域类型、职业、性别、年龄等13项影响因素为外生显变量，建立了从潜变量角度考虑土地利用下的出行行为分析模型[51].

目前国内外交通领域潜变量模型的应用侧重于分析活动与出行行为的关系、交通出行服务满意度测量、车辆驾驶行为等，而没有从出行行为影响因素（潜变量和显变量）之间的因果关系理论展开研究.

5 潜变量的整合模型

传统出行行为分析模型中效用函数仅将出行方案特性和出行者个人社会经济特性的客观、可测量的影响因素作为模型的解释变量，尚未将出行者感受等主观影响因素纳入模型中.为了描述主观因素在出行者决策过程中的影响，Golob、McFadden等提出了一种涵盖出行者态度、认知等主观影响因素的混合选择模型（hybrid choice model）[52,53].Raveau等针对混合模型缺少有效可靠算法的问题，建议求解中应将混合模型中的结构方程式模型方差标准化而不是将测量模型的参数标准化[54].Jinhee等扩大了混合模型的应用范围，将其运用于分析出行者购买电动车的意愿[55].陈坚等设计了综合潜变量与显变量作用的出行方式选择行为SEM-Logit整合模型，建模思路如图2所示，模型包括两个阶段：第一阶段SEM模型，主要用于描述出行方式选择潜变量与其对应的观测变量之间、潜变量与显性变量之间的因果关系；第二阶段Logit模型，用于表示选择某一出行方案的概率与影响该决策潜变量、显性变量之间的非线性函数关系，值得注意的是，测量变量无法影响个人选择行为，仅能够用于衡量潜在变量，整合模型的解释能力和精度较传统Logit模型有了一定提升[1].

图2 出行方式选择行为混合模型Fig.2 Hybrid choice model of travel mode choice behavior

整合模型的提出与应用能够在个体离散选择模型效用函数中考虑潜变量的影响，将效用函数的构成由传统的只考虑确定显变量增加为由显变量和潜变量共同作用，实现潜变量与显变量、潜变量与其对应的观测变量的定量关系计算，使得在Logit模型中考虑潜变量成为可能.但涵盖潜变量的整合模型依然存在着一些尚未解决的难题及挑战，主要体现在：

（1）潜变量的定量测度；

（2）整合模型中潜变量与其他显变量的定量关系描述；

（3）潜变量与传统离散选择模型的整合理论推导与融合，而非简单叠加；

（4）通过算法同时实现潜变量参数值的确定及整合模型结果计算.

6 潜变量的测度与计算

6.1 潜变量的测度

量表是潜变量测度的主要工具，量表是将某数字指派到物体的某个属性中，以将此数字的某些特性分享给该属性，量表包括评定量表和态度量表两类.量表从题目选项的角度可分为三点量表、五点量表和七点量表，如：出行时间采用五点量表，选项设置为1很短、2较短、3适中、4较长、5很长.而传统交通出行行为分析调查问卷的题目包括RP和SP两类.其中RP数据是对已经发生或可以观察到的交通行为的反映，具有较高的可靠性，而SP数据是在假定条件下提供多种虚拟方案供被调查者选择，从而获得人们对假定方案的主观偏好，但SP数据将不可避免的产生随假设意向数据误差的预测偏差.同时，已有RP和SP调查问卷均是针对显变量设计的题项，各题项的回答方式也是该指标的客观数据，如：出行时间多少分钟、出行费用多少元，而无法反映出行者的主观感受和态度.

因此，在现有RP/SP调查问卷基础上，应引入测度出行者潜变量的量表，从而设计能够涵盖出行行为中显变量与潜变量的RP/SP联合调查方案.国外一些学者近年来已在该方面做了大量调查及研究工作，Sanko等应用五点量表测度出行者改变出行决策的意图[56]；Bekhor运用五点量表表征出行者冒险、紧张等心理情绪，从而研究这些非传统因素对出行者路径选择行为的影响[57].

6.2 潜变量的计算与检验

由于潜变量无法直接进行测量，必须通过其他外显变量表示该潜变量变化的程度.而为解释一组潜变量之间的因果关系，可能涉及到很多外显变量，通常会形成复杂的层次关系结构，将无法使用传统的回归分析方法求解，需要更精确的路径分析工具，并能对模型进行参数估计和相关检验.潜变量模型的参数估计通常是指对ΛX、ΛY、B、Γ、Φ、ψ、Θε、Θδ八个矩阵的估计，常用方法是非加权最小二乘法（ULS）、广义最小二乘法（GLS）、极大似然函数法（ML）、加权最小二乘法（WLS）及对角加权最小二乘法（DWLS）[58,59]，主要的计算软件包括AMOS、LISREL等.

对式（1）-式（3）进行参数估计，可求得理论上显变量Z=(Y′,X′)′的协方差矩阵为：

式中 Φ——ξ的n×n阶协方差矩阵；

ψ——模型误差向量ζ的m×m阶协方差矩阵；

Θε——ε的 p×p阶协方差矩阵；

Θδ——δ的q×q阶协方差矩阵.

通过定量评估所生成的观测变量协方差矩阵∑，与样本协方差矩阵S的接近程度以进行拟合检验.若模型拟合度越高，则代表模型可用性越高，参数估计越有意义.以卡方值（x2）进行检验，一般以卡方值p＞0.05作为判断，即模型具有良好的拟合度.同时，结合其他拟合度指标如检验拟合优度指数（GFI）、均方根线差（RMR）、调整自由度的拟合优度指数（AGFI）等，具体指标及判定标准如表1所示.

表1 模型适配指标及判断标准Table 1 Model goodness-of-fit index and evaluation criteria

在模型检验中，卡方值必须不显著，但卡方值本身对样本数的大小极其敏感，容易得到具有显著差异的结果，因此仅用卡方值检验并不能判断模型的适合度.一般常用的指标为卡方值/自由度的比率x2∕df小于5（最好是3）可以作为判断模型拟合是否可接受的参考，有部分研究也以2作为判断依据[60].此外，GFI、AGFI、NFI、CFI、IFI越接近l越好，大于0.9属于较好的情况，如果GFI＞0.85，AGFI＞0.80也是可以接受的，RMR小于0.08（最好是0.05）时表示模型适合度佳.模型的适合度判断不能仅以单一指标作为依据，必须重视整体模型的评价结果.

7 研究结论

在交通出行行为模型由集计向非集计、由注重整体规律向整体规律与不同群体特性并重、由单纯追求行为结果向研究行为内在机理发展的大背景下，潜变量的研究是从社会心理学视角通过潜变量描述交通出行行为决策的心理过程，并实现潜变量与显变量间相互作用及对出行行为选择结果影响的定量化分析.本文系统梳理了交通出行行为中的潜变量概念、潜变量建模、潜变量与个体选择行为模型的整合模型及其测度计算.当前研究在潜变量的测度、考虑潜变量的整合模型方面均有一定基础，但尚有许多方面值得进一步研究.

（1）交通出行行为的影响因素.

已有成果侧重可直接观测的显变量，潜变量的影响因素界定、潜变量在交通出行行为中的作用机理尚未涉及.

（2）潜变量的测度.

通过相关测量变量进行测度，但测量变量的科学选取，不同测度方法的效果差异缺少研究.

（3）潜变量与交通出行行为分析模型的整合.

已有研究侧重整合模型结果计算，而不同类型潜变量间、相同类型潜变量间、各类型潜变量与其对应测量变量间相互作用定量关系，不同群体间相同关系路径系数差异程度，不同类型潜变量对整合模型选择结果影响的灵敏度没有进行深入探索.

[1] 陈坚,晏启鹏,杨飞,等.出行方式选择行为的SEMLogit整合模型[J].华南理工大学学报（自然科学版）, 2013,41(2):51-58.[CHEN J,YAN Q P,YANG F, et al.SEM-Logit integration model of travel mode choice behavior[J].Journal of South China University ofTechnology(Natural Science Edition),2013,41(2),51-58.]

[2] Johansson M V,Heldt T,Johansson P.The effects of attitudes and personality traits on mode choice[J]. Transportation Research Part A,2006,40(6):507-525.

[3] Koppelman F S,PasE I.Travel-choicebehavior: models ofperceptions,preference,and choice[J]. Transportation Research Record 1980,765(1):26-33.

[4] McFadden D.The choice theory approach to market research[J].Marketing Science,1986,5(4):275-297.

[5] Wilson P W.Scheduling costs and the value of travel time[J].Urban Studies,1989,26(5):211-230.

[6] Koppelman F S,Wen C H.Alternative nested logit model: structure, properties and estimation[J]. Transportation Research B,1998,32(5):289-298.

[7] Hensher D A,Reyes A J.Trip chaining as a barrier to the porpensity to use public transport[J].Transportation, 2004,27(4):314-361.

[8] Sehwanen T.The determinants of shopping duration on work days in the Netherlands[J].Journal of Transport Geography,2004,12(1):35-48.

[9] 关宏志.非集计模型——交通行为分析的工具[M].北京:人民交通出版社，2004.[GUAN H Z.The disaggregate model——Travel behavior analysis tool[M].Beijing:China Communications Press,2004.]

[10] 杨敏,陈学武,王炜,等.基于DEA∕AHP方法的大运量快速交通方式选择决策[J].公路交通科技,2006,7 (23):111-115.[YANG M,CHEN X W,WANG W,et al. Decision-making method for mass rapid transit mode selection based on DEA∕AHP[J].Journal of Highway and Transportation Research and Development,2006,7 (23):111-115.

[11] 张天然,杨东援,赵娅丽,等.RP∕SP融合数据的Mixed Logit和Nested Logit模型估计对比[J].同济大学学报（自然科学版）,2008,36(8):1073-1084. [ZHANG T R,YANG D Y,ZHAO Y L,et al. Comparative study of RP∕SP combined data estimation between mixed logit and nested logit model[J].Journal of Tongji University(Natural Science),2008,36(8): 1073-1084.]

[12] 丁威,杨晓光,伍速锋.基于活动的居民出行行为研究综述[J].人文地理,2008,(3):85-91.[DING W, YANG X G,WU S F.A review of activity-based travel behavior research[J].Human Geography,2008,(3):85-91.]

[13] Damn D.Interdependencies in activity behavior[J]. Transportation Research Record,1980,10(1):33-40.

[14] Golob T F.A nonlinear canonical correlation analysis of weekly trip chaining behavior[J]. Transportation Research Part A,1986,20(5):385-399.

[15] Kitamura R.An evaluation of activity-based travel analysis[J].Transportation,1988,15(4):9-34.

[16] Mahmassani H S,Liu Y.Dynamics of commuting decision behavior under advanced traveler information systems[J].Transportation Research Part C,1999,7(2∕3): 91-107.

[17] 隽志才,鲜于建川.交通信息作用下的活动—出行决策行为研究[J].中国公路学报,2008,21(4):88-93. [JUAN Z C,XIANYU J C.Research on activity-travel decision behavior with effect of traffic information[J]. China Journal of Highway and Transport,2008,21(4): 88-93.]

[18] Chandra R Bath.A model of post home-arrival activity participation behavior[J].Transportation Research B, 1998,32(1):387-400.

[19] Ryuichi K,Satoshi F,Eric I P.Time-use data analysis and modeling: toward the next generation of transportation planning methodologies[J]. Transport Policy,1997,4(3):225-230.

[20] Bowman J L,Ben-Akiva M E.Activity based disaggregate travel demand model system with activity schedules[J].Transportation Research A,2001,35(1): 1-28.

[21] 隽志才,李志瑶,宗芳.基于活动链的出行需求预测方法综述[J].公路交通科技,2005,22(6):108-113. [JUAN Z C,LI Z Y,ZONG F.A Review of activitybased travel demand forecasting method[J].Journal of Highway and Transportation Research and Development,2005,22(6):108-113.]

[22] 赵阳,邵昀泓.基于活动的出行行为动态模拟方法[J].系统工程理论与实践,2008,9:159-165. [ZHAO Y,SHAO Y H.The activity-based dynamic simulation method oftravelbehavior[J].Systems Engineering Theory&Practice,2008,9:159-165.]

[23] 段宗涛,康军,唐蕾,等.车联网大数据环境下的交通信息服务协同体系[J].长安大学学报（自然科学版）,2014,34(2):108-114.[DUAN Z T,KANG J, TANG L,et al.Traffic information service cooperation architecture based on vehicular network big data[J]. JournalofChang'an University (NaturalScience Edition),2014,34(2):108-114.]

[24] 刘天亮,张冲,王天歌,等.朋友圈信息交互对个体出行决策行为的影响研究[J].交通运输系统工程与信息,2013,13(6):86-93.[LIU T L，ZHANG C,WANG T G,et al.Effects of friends’information interaction on travel decisions[J].Journal of Transportation Systems Engineering and Information Technology,2013,13(6): 86-93.]

[25] TERRY E D,EYRAN J G,AMNON R.Departure times in Y-shaped traffic networks with multiple bottlenecks[J].American Economic Review,2009,99 (5):2149-2176.

[26] SELTEN R,CHMURA T,PITZ T,et al.Commuters route choice behavior[J]. Games and Economic Behavior,2007,58:394-406.

[27] Spearman C. General intelligence objectively determined and measured[J].American Journalof Psychology,1904,15(1):201-293.

[28] Theodore G.Market,state,or don’t know?education, economic ideology, and voting in contemporary Russia[J].Social Forces,2000,79(2):477-521.

[29] Mezzetti M,Billari F C.Bayesian correlated factor analysis of socio-demographic indicators[J].Statistical Methods&Applications,2005,14(2):223-241.

[30] Fabrigar L R,Wegener D T,MacCallum R C,et al. Evaluating the use of exploratory factor analysis in psychological research[J].Psychological Methods.1999, 4(1):272-299.

[31] Bollen K A.Latent variables in psychology and the social sciences[J].Annual Review of Psychology,2002, 53(3):605-634.

[32] Ashok K,Dillon W R,Yuan S.Extending discrete choice models to incorporate attitudinal and other latent variables[J].Journal of Marketing Research,2002,46 (10):31-46.

[33] Ebbes P,Wedel M,Bockenholt U,et al.Solving and testing for regressor-error in dependence when no instrumental variables are available:with new evidence for the effect of education on income[J].Quantitative Marketing and Economics,2005,3(2):365-392.

[34] Train K,McFadden D,Goett A.The incorporation of attitudes in econometric models of consumer choice[R]. Working Paper,Cambridge Systematics,1986.

[35] Ben-Akiva M,Boccara B.Integrated framework for travel behavior analysis[C]. The International Association ofTravelBehaviorResearch (IATBR) Conference,Aix-en-Provence,France,1987.

[36] Mitra S,Washington S,Dumbaugh E,et al.Governors highway safety associations and transportation planning: exploratoryfactoranalysisand structuralequation modeling[J].Journal of Transportation and Statistics, 2005,8(1):57-75.

[37] Lee J Y,Chung J H,Son B S.Analysis of traffic accidentsizeforkorean highwayusingstructural equation models[J].Accident Analysis&Prevention, 2008,40(6):1955-1963.

[38] Gopinath D A.Modeling heterogeneity in discrete choice processes:application to travel demand[D].Dissertation, Massachusetts Institute of Technology,1995.

[39] Morikawa T,Ben-Akiva M,McFadden D.Incorporating psychometric data in econometric choice models[R]. Working Paper,Massachusetts Institute of Technology，1996.

[40] Walker J,Ben-AkivaM.Generalized random utility model[J].Mathematical Social Sciences,2002,43(3): 303-343.

[41] Yáñez M F,Raveau S,Ortúzar J D.Inclusion of latent variables in mixed logit models: modeling and forecasting[J].Transportation Research Part A,2010,44 (9):744-753.

[42] Politis I,Papaioannou P,Basbas S.Integrated choice and latentvariablemodelsforevaluating flexible transport mode choice[J].Research in Transportation Business&Management,2012,3(8):24-38.

[43] Lyon P K.Time-dependent structural equations mode ling:a methodology for analyzing the dynamic attitudebehavior relationship[J].Transportation Science,1984, 18(2):395-414.

[44] Golob T F.Effects of income and car ownership on trip generation[J].JournalofTransportEconomicsand Policy,1989,23(2):141-162.

[45] Kitamura R,Robinson J P,Golob T F,et al.A comparative analysis of time use data in the Netherlands and California[C]∕Proceedingsofthe 20th PTRC SummerAnnualMeeting:Transportation Planning Methods,1992:127-138.

[46] Golob T F.A simultaneous model of household activity participation and trip chain generation[J]. Transportation Research B,2000,34(5):355-376.

[47] Lu X,Pas E I.A structural equations model of the relationships among socio-demographics,activity participation and travelbehavior[J].Transportation Research A,1999,31:1-18.

[48] Golob T F,Kim S,Ren W.How households use different types of vehicles:a structural driver allocation and usage model[J].Transportation Research A,2004,30: 103-118.

[49] 周钱,李一,孟超,等.基于结构方程模型的交通需求分析[J].清华大学学报（自然科学版）,2008,48(5): 879-882.[ZHOU Q,LI Y,MENG C,et al.Analysis of travel demand based on a structural equation model[J]. Journal of Tsinghua University(Science And Technology),2008,48(5):879-882.]

[50] 高学东,杜秀亭,董晓民.配送中心选址影响因素的结构方程模型分析[J].中国管理信息化,2009,12 (21):77-79.[GAO X D,DU X T,DONG X M.Analysis ofstructuralequation modeloffactors affecting distribution center location[J].China Management Informationization,2009,12(21):77-79.]

[51] 周家中,尤勍,罗佳,等.考虑土地利用下基于结构方程的城市交通出行行为影响[J].北京工业大学学报,2013,39(6):925-929.[ZHOU J Z,YOU Q,LUO J, et al.The effect on urban travel behavior based on structural equation model under consideration of landuse[J].Journal of Beijing University of Technology, 2013,39(6):925-929.]

[52] Mcfadden Y,Raveau S,Ortuzar J D.Inclusion of latent variables in mixed Logitmodels:Modeling and forecasting[J].Transportation Research Part A:2010.44, 744-753.

[53] GOLOB T F.Structural equation modeling for travel behavior research[J].Transportation Research Part B, 2003,37:1-25.

[54] RAVEAU S,MARIA F Y,JUAN D O.Practical and empirical identifiability of hybrid discrete choice models[J].Transportation Research Part B,2012,(46): 1374-1383.

[55] JINHEE K,SOORA R,HARRY T.Expanding scope of hybrid choice models allowing for mixture of social influences and latent attitudes:Application to intended purchase of electric cars[J].Transportation Research Part A,2014,(69):71-85.

[56] Sanko N,Morikawa T,Kurauchi S.Mode choice models'ability to express intention to change travel behavior considering non-compensatory rules and latent variables[J].IATSS Research,2013,32(2):129-138.

[57] Bekhor S,Albert G.Accounting for sensation seeking in route choice behavior with travel time information[J]. Transportation Research Part A:Policy and Practice, 2014,22(1):56-67.

[58] 侯杰泰,温忠麟,成子娟.结构方程模型及其应用[M].北京：教育科学出版社,2004.[HOU J T,WEN Z L,CHEN Z J.Structural equation model and its application[M].Beijing:Education Science Press,2004.]

[59] 郭志刚.社会统计分析方法—SPSS软件应用[M].北京：中国人民大学出版社,1999.[GUO Z G.Social statistical analysis method of SPSS software[M].Beijing: China Renmin University Press,1999.]

[60] 吴明隆.结构方程模型—AMOS的操作与应用[M].重庆:重庆大学出版社,2010.[WU M L.Structural equation model——the operation and application of AMOS[M].Chongqing:Chongqing University Press, 2010.]

A Review of Latent Variable on Urban Travel Behavior

CHEN Jian1a,1b,GAN Mi2
(1a.Chongqing Key Lab of Traffic System&Safety in Mountain Cities;1b.School of Traffic and Transportation,Chongqing Jiaotong University,Chongqing 400074,China;2.School of Transportation and Logistics,Southwest Jiaotong University, Chengdu 600031,China)

Latent variable methed is an effective way to improve the prediction accuracy of travel behavior. And a new perspective to travel behavior research is provided by latent variable.In order to solve the problems about lack of cognition and application of latent variable on travel behavior,the characteristics of existing travel behavior modeling method are analyzed based on social psychology.And the necessity of research on the latent variable is proposed.The connotation,application field and model building of latent variable on urban travel behavior are systemized.Three core problems are defined,which are identification, validation and calculation.It is reviewed and studied the opportunity,difficulty and challenge of travel behavior integrated model covering the latent variables.The relevance between measure method of latent variable and SP/RP survey is revealed.And then the model test standard is summarized.Finally the development trend of latent variable research and the direction of our efforts are proposed.

traffic engineering;travel behavior;latent variables;integrated model;structural equation model

2014-07-11

2014-09-30录用日期：2014-10-24

国家自然科学基金（51308569）；重庆市教委科学技术研究项目（KJ130424）；重庆市基础与前沿研究计划项目（cstc2013jcyjA30002）；重庆交通大学科研启动经费资助项目（2012KJCⅡ-014）.

陈坚(1985-)，男，江西赣州人，副教授，博士. *

migan@home.swjtu.edu.cn

1009-6744（2014）06-0021-09

U491.1

A