考虑主观态度的低碳出行市场细分实证研究

景鹏+王静+陈龙+查奇芬+陈月霞

摘 要：为了加深对通勤者低碳方式选择偏好差异形成内在原因的理解，本文将出行者主观态度引入市场细分方法中，用于研究低碳出行市场。根据实证数据，应用因子分析对25个态度观测变量进行降维，以公因子得分为依据，采用K-Means聚类分析方法对出行者出行类型进行细分，将低碳出行市场细分为3个子市场，每个细分子市场内出行者具有类似的低碳出行意愿，不同细分子市场内低碳出行意愿不同，提出针对不同特征的出行者制定更有针对性的交通需求管理策略。研究结果发现虽然出行者具有相同或相似的偏好，但其出行行为会存在差异性。

关键词：低碳出行；市场细分；出行方式选择；主观态度

中图分类号：U491文献标识码：A文章编号：1003-5192（2016）06-0037-07doi：10.11847/fj.35.6.37

Empirical Study on Low-carbon Travel Market SegmentationAnalysis Incorporating Attitudinal Variables

JING Peng1， WANG Jing1， CHEN Long1， ZHA Qi-fen2， CHEN Yue-xia1

（1.School of Automobile and Traffic Engineering， Jiangsu University， Zhenjiang 212013， China； 2.School of Finance & Economics， Jiangsu University， Zhenjiang 212013， China）

Abstract：To deeply understand the nature of preferences on mode choice in low-carbon travel behavior among the commuters， an attitudinal market segmentation method is applied to explore the low-carbon travel market segmentation. Based on the empirical data， factor analysis is used to identify the smallest number of sets from 25 measurement variables， and obtained the corresponding factor scores. The K-means clustering method is used to segment a population of commuter by scores from factor analysis. Three distinct groups are identified， travelers in the same sub-groups have similar willingness to low-carbon travel while those in the different sub-groups have distinct willingness. Some suggestions are provided for making traffic demand management strategy based on different groups. The results show that similar attitudes can lead to different travel behaviors.

Key words：low-carbon travel； market segmentation； travel mode choice； attitudes

1 引言

機动车保有量的迅速增加，以及交通拥堵所导致的车速缓慢、汽油燃烧效率偏低等，都大大增加了城市交通的能源消耗、空气污染与碳排放量，城市交通的环境成本日益突出[1]，严重制约着城市生活的正常运转，阻碍城市的可持续发展进程。为此，在2013年6月，交通运输部确定了全国10个绿色低碳交通运输区域性试点城市。建设城市低碳交通已经是我国城市交通建设的战略目标和实现低碳发展的内在要求[2]。从现有交通模式向低碳交通转变，不仅要有相应的交通设施、交通技术等硬件，更重要的是要有低碳化的出行方式[2]。如何采取措施规范并限制私家车的使用，引导居民改变从现有依赖于小汽车的出行方式转变为低碳化的出行方式，从而减少城市交通的碳排放，是建设城市低碳交通的重要环节。

通常，交通需求管理策略的制定大多针对整个出行市场，倾向以减少总的社会成本为目标，且假定个体是政策的积极响应者为前提[3]。然而，实践表明，不同个体出行者出行行为存在不同的差异性，个体对交通需求管理政策所反映出来的行为，经常是以个人出行效用最大化为目标[4]。而出行方式选择行为是一个复杂的多决策过程，除了受到出行者特性（如年龄，收入等）、出行特性（如出行目的，出行距离）、社会经济发展水平和城市土地利用与布局等客观因素影响外，在一定程度上还受到出行者自身态度、感知、价值观等内在因素的影响。传统出行方式选择行为模型都将出行方式属性和出行者个体特征作为方式选择行为的解释变量[5，6]，由于在建模时忽略了这些内在因素，使得模型的解释能力受到质疑[7～9]，且无法获得与真实选择行为更接近的结果。通过考虑出行者的心理变量将整个低碳出行市场划分为若干个具有同质偏好和需求的子市场，有助于深刻理解影响出行者出行方式选择的差异性偏好，针对每个子市场的出行者制定相应交通需求管理策略，引导向低碳出行方式转变具有重要意义。

2 文献综述

2.1 低碳出行

在出行中，主动采用能降低二氧化碳排放量的交通方式，称为低碳出行。国外学者对低碳方面的研究主要分为两类：一是从宏观层面探讨发展城市低碳交通的政策与技术措施。如Bristow等对英国发展低碳交通系统战略实施途径的可靠性进行了验证，并对比论证当前交通政策[10]；Bongardt等指出交通运输业的碳排放量一直居高不下，在城市发展过程中实现经济稳定和运输业的有效节能减排，需要采取合理的低碳交通政策，包括开发新能源、提高能源利用率以及减少机动化出行等[11]。二是主要侧重于定量研究，测量不同出行活动和交通方式的碳排放量。如Edward和Matthew对大城市不同交通方式二氧化碳排放量的计算方法进行了研究，并选取了美国10个重点大城市进行了实证对比研究[12]。Salonen等研究了郊区居民在日常出行中机动化出行方式的选择并计算其碳排放强度，结果发现在购物出行中选择公交车的碳排放要高于小汽车[13]。

相比之下，国内学者关于低碳交通的研究大多处于概念引进和相关理论的探索阶段。如陈飞等通过建立城市交通模型，对上海交通碳排放总量及不同交通方式碳排放现状进行量化分析，并运用情景模拟法分析低碳交通发展的战略目标，提出具体的对策和措施[14]。刘丽亚认为低碳交通实质是一种以低能耗、低污染、低排放为特征的新交通发展模式[15]。

也有部分学者针对低碳出行影响因素和低碳出行策略展开研究。王国荣指出当今消费主义盛行、出行知识欠缺、出行指导混乱是居民非低碳出行的主要根源[2]。金楠认为居民选择出行方式的过程中，心理决策是影响出行方式选择的根本原因，而宏观因素和微观因素通过心理决策对出行是否选择低碳出行方式产生作用[16]。刘蔚根据居民社会经济属性、出行属性，利用多项Logit模型建立了城市居民日常出行交通方式选择模型，分析了居民对不同出行方式选择的偏好程度和决策机制[17]。

综上所述，有关低碳出行的研究较多关注宏观层面，微观层面研究较少；国内外学者无论是对低碳出行的定量研究还是定性研究，基本上都是基于供给的角度展开研究，而从需求角度的研究还较少。此外，在低碳出行研究中大多针对居民日常出行，而居民日常出行主要目的是通勤。相对于其他出行，通勤出行在时间和空间上具有更大的稳定性，其时间安排会影响城市居民其他活动和出行选择[18]。因此，有必要以通勤者为研究对象，针对其低碳出行特征，制定相应的需求管理策略，才能更有效地实现低碳出行方式的引导。

2.2 市场细分方法

在较早出行行为研究中，大部分出行市场的细分都是以出行者社会人口统计特征和出行特征为细分变量[19～21]。但是这种基于个体属性和出行属性的市场细分方法，只能描述出行行为，对出行决策缺乏解释力，无法反映市场内在结构[22，23]，于是研究者逐渐转向以出行者的心理因素作为细分变量。如Hunecke等分别选择了不同的细分变量——态度、生活方式、生命周期、人口统计特征，对机动化出行行为进行市场细分，结果表明基于出行态度的市场细分对出行行为具有最高的预测能力[23]。

近年来，国外学者根据主观态度对出行市场进行细分的研究逐渐增加。Anable采用主成分分析法获取17个态度指标变量，将666个小汽车出行者划分为6个子市场，每个细分子市场中出行者都具有不同的出行态度偏好，且能够有效地识别潜在的出行方式转移者[22]。Shiftan等利用7个态度指标变量将公交出行市场细分为8个子市场，并提出制定相应政策提高公交出行比例[24]。为了加深对出行市场的认识，制定以人为导向的交通政策，Pronello和Camusso采用聚类分析将出行者细分为4个子市场，分析了每个子市场中出行者的特征[25]。相比之下，國内学者在出行行为领域中应用市场细分方法的研究还相对较少。李志斌等根据南京市居民通勤出行问卷调查，采用结构方程模型从29个态度观测变量，获取4个态度潜变量将自行车通勤出行市场细分为6个子市场[26]。

总体而言，虽然已有较多出行行为的研究应用了市场细分的方法，但其中对通勤者主观态度因素考虑较少，并在低碳出行方式选择行为研究中更不多见。所以，为了深化低碳出行行为的研究，简化出行市场结构，制定更有针对性的交通需求管理策略，本文采用考虑通勤者主观态度的市场细分方法对低碳出行市场进行研究，为制定低碳出行引导政策提供理论基础。

3 研究方法

3.1 研究区域与数据收集

本文研究数据的调查地点为江苏省镇江市。目前镇江市已被列为国家低碳试点城市，同时也是交通运输部与江苏省共同推进绿色循环低碳交通运输发展试点城市，其居民的低碳出行情况是低碳政策实施效果的体现和依据。因此选取镇江市研究居民低碳出行为具有较强的代表性。

本研究采用问卷调查的方式获取样本数据。调查具体地点为镇江市长途汽车站、高铁站和老火车站，调查时间为2015年6月25日至30日。调查采用随机分发问卷当场填写、当场回收的方式进行。考虑到本文研究对象为镇江市居民，因此在问卷中设置了居住地选项，作为选取研究对象的标准。共发放问卷2900份，回收问卷2664份，回收率为91.86%，其中有效问卷1498份，问卷有效率为56.23%。最终得到的有效问卷中包括各年龄段，不同性别、职业和收入的通勤出行者。

3.2 问卷设计

调查问卷的设计共包括三个部分：第一部分是通勤者社会经济属性和家庭特征；第二部分是通勤者出行信息；第三部分是低碳出行态度调查，包含25个态度语句，测量通勤者低碳出行态度和行为。其中第三部分出行态度调查量表的设计是在借鉴国外已有文献关于出行行为和出行态度的研究基础上，结合本文研究的具体内容进行修改，形成了本文研究的量表。本研究量表均采用5点Likert量表形式：1，2，3，4，5分别代表非常不符合、不符合、一般、符合、非常符合，表示5种态度等级。

3.3 数据处理

判断调查问卷中测量数据可靠性与稳定性需要进行信度分析，信度良好与否通常用信度系数来判断，即Cronbachs α。本文运用STATA 13.1统计分析软件，对调查问卷进行了总体信度检验，计算Cronbachs α信度系数为0.86，大于可接受的最小值0.7[27]，表明具有较强的内部一致性，也说明问卷具有较高的可信度。用KMO系数判断样本充足性，Kaiser[28]给出KMO的判断标准为：若KMO>0.9优秀；0.8

3.4 数据分析方法

首先，对25个态度观测变量进行因子分析。利用主成分分析法按照特征根大于1确定公因子，之后按照最大方差旋转法对因子载荷进行旋转，并计算公因子得分。

其次，将得到的公因子作为新的变量，根据因子得分对通勤者进行聚类分析。本文分类对象为样本，在大样本情况下，采用K均值聚类法，即K-means聚类算法。聚类分析后，最终得到若干个具有不同主观态度特征的细分子市场。

最后，采用独立样本的T检验比较不同低碳出行态度的通勤者是否因社会人口统计特征而产生差异。

4 结果分析

4.1 因子的命名与解释

经过因子分析得到6个公因子对应的特征值大于1，累计方差贡献率为55.44%。旋转后的因子载荷矩阵结果如表1所示，6个公因子的特征值及累计方差贡献率如表2所示。根据因子分析结果，现将得到的6个公因子進行命名和解释。

由表1和表2可知，公因子1的特征值为6.120，方差贡献率为24.48%，在题项25“我通常都是低碳出行”、题项18“在绝大部分出行中我打算选择更低碳的出行方式出行”和题项19“我将很大可能地选择更低碳的出行方式出行”上有较大因子载荷，说明这3个题项有较强的相关性，可以归为一类，同时也体现了通勤者对于低碳出行的一种意愿。因此，将公因子1命名为“低碳出行意愿”。

在公因子2中，有3个题项的因子载荷大于0.5，分别为题项13“公共交通的发展，让我更加倾向于采用公交方式出行”、题项14“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”和题项15“小汽车的购买限制和使用成本，让我更加倾向于选择其他低碳的出行方式出行”，说明这3个题项具有很强的关联性。此外，由表2可知，这3个题项的均值分别为3.65、3.52和3.50，可以看出，通勤者对其认同度较高，同时也说明了政府政策在出行方式决策过程中有一定影响。因此，将公因子2命名为“政策影响”。

公因子3的特征值为1.567，方差贡献率为6.27%，题项23“小汽车费用过多，我后悔使用小汽车”的因子载荷为0.8208，题项22“开车上班堵车迟到了，我后悔开车出行”的因子载荷为0.7762，题项24“感觉环境污染严重，我后悔过度使用小汽车”的因子载荷为0.7202，表明有较强的相关性，可以归为一类，且这3个题项都体现出了被调查者对使用小汽车产生的负面情绪，后悔使用小汽车行为。因此，将公因子3命名为“后悔期望”。

在公因子4中，题项8“我周围的人习惯采用更低碳的出行方式出行”、题项9“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”和题项10“低碳出行的提倡对我选择出行方式的影响很大”的因子载荷分别为0.7520、0.8027和0.6418，相关性程度较高，而这3个题项都体现了被调查者在一定程度上受到周围人对其出行方式选择的影响。因此，将公因子4命名为“主观规范”。

在公因子5中，题项1“我认为减少小汽车出行，有利于解决所在城市的交通拥堵和改善环境”、题项2“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”和题项3“我认为步行、自行车上班可以锻炼身体，有益健康”的因子载荷较高，分别为0.7235和0.7179和0.6532。另外，由表2可知，这3个题项的均值分别为4.15、4.09和4.15，在所有因子中均值最大，说明通勤者对这3个题项认同度较高，十分注重环保，具有环保理念。因此，将公因子5命名为“环保意识”。

在公因子6中，特征值为1.009，方差贡献率为4.04%，因子载荷较高的题项有题项7“我认为开车上班更能节约时间，提高我的生活质量”、题项5“我认为开车上班可以灵活地安排时间，方便办事情”和题项6“我认为开车上班可以体现我的身份，增加我的幸福感”。这3个题项共同体现了通勤者对选择小汽车作为出行方式的一种态度。因此，将公因子6命名为“对小汽车的态度”。

4.2 市场细分结果及特征描述

4.2.1 市场细分结果分析

采用K-means聚类分析方法，结合STATA 13.1统计分析软件，应用因子分析中得到的6个公因子的得分对通勤者进行市场细分。首先设置细分子市场聚类数目k为3～6，然后按K-means算法逐步迭代，使其类别间距离达到最优，经多次迭代运算后，发现将样本聚为3类比较理想，得到最终聚类中心以及每个聚类中的样本数如表3所示。同时，对聚类结果进行方差分析，结果表明将1498个样本细分为3个子市场，每个子市场间存在显著差异（p<0.01），因此，聚类效果较好。

由表3可知，子市场1的样本数量为348个，所含样本数在3个子市场中最少，占总样本量的23.23%。子市场1中通勤者的低碳出行意愿最高，受后悔期望影响最小，同时对小汽车持有负面态度，而对政策影响和主观规范具有积极的响应态度，环保意识也较好。因此，将子市场1的通勤者命名为“低碳出行者”。

子市场2中通勤者共有509人，占总样本量的33.98%。此子市场中通勤者特点是环保意识最高，低碳出行意愿却最低，且不易受政策、后悔期望和主观规范的影响，对小汽车持有中等态度。不同的原因可以产生相同的行为，相同的态度也会产生不同的行为[22]，正如子市场1和子市场2中通勤者在环保方面都具有较好的态度，但在低碳出行意愿上却存在较大的差异性，此类通勤者可能认为保护环境可以从其他方面做起，而不在于出行方式选择。因此，将子市场2的通勤者命名为“环保主义者”。

子市场3中的样本量最大，共有641人，占42.79%。此类出行者对低碳出行持有中立态度，易受到主观规范、政策和后悔期望的影响，环保意识较低，对小汽车持有积极的态度。该子市场中通勤者对低碳出行持有中立态度，如果在通勤出行时采用小汽车方式经常发生拥堵，或是受到周围人或政策鼓励采用低碳环保出行方式的影响较大，那么该类通勤者有可能选择低碳的交通方式；如果因其工作性质或工作地点限制，对出行方式具有较高要求，又对小汽车抱有积极态度，且环保意识较低，那么此类通勤者具有方式转移的动机，可能选择小汽车出行。因此，将子市场3的通勤者命名为“潜在市场转移者”。

4.2.2 细分子市场中通勤者的社会人口统计特征

通过聚类分析，将具有相同出行态度偏好的出行者划为同一子市场。为了进一步验证各子市场中通勤者出行态度偏好在社会人口统计特征方面是否存在差异，本文采用独立样本T检验进行分析，检验结果表明，子市场1与子市场2在年龄、教育程度、月收入、是否有公交卡、是否具有驾驶照的特征上具有显著性差异（p<0.05），而子市场2和子市场3在性别、年龄、教育程度、个人月收入、家中是否有孩子、是否有公交卡、是否有公共自行车卡方面的差异性并不显著。

子市场1是低碳出行者，相比整个出行市场，这类通勤者的年龄更多集中在46岁以上，占比为20.97%，其教育水平较低，大多数（15.23%）集中在初中及以下水平，个人月收入在2000元以下的占比最大（27.59%），70.69%的通勤者没有私家车，公交卡拥有率也最高（68.97%）。

子市场2是环保主义者，对比整个出行市场，这类通勤者年龄较为年轻，主要集中在26～35岁之间，占40.47%，且其受教育程度最高，具有大专及本科以上学历的占66.98%，同时，20.43%个人月收入在6000元以上，占比最大，54.81%的通勤者有驾照，拥有私家车比例也最高（38.21%）。

子市场3是潜在市场转移者，相比于整个出行市场，各年龄段通勤者分布相对均衡，教育水平相对较高，主要集中在高中、中专和大专及本科的文化程度，个人月收入主要集中在2000～4000元之间，收入相对较好，一半以上（63.81%）的通勤者家中有孩子。

4.2.3 细分子市场的实际通勤出行方式及出行特征

对各细分子市场内实际通勤出行方式分析可知，实际低碳出行方式选择比例与低碳出行选择意愿具有一致性。低碳出行者中有87.93%的通勤者选择步行或自行车、电动车、公交车或单位班车出行，占比最大；而环保主义者中低碳出行比例最小（68.76%）；潜在市场转移者中选择低碳出行的比例为中等（78.16%）。各子市场内实际通勤出行方式选择比例与各市场内通勤者出行态度相符合。

对不同细分市场内出行者单程通勤距离分析可知，低碳出行者中有一半以上（52.59%）的出行者单程通勤距离在5公里以内，而环保主义者的单程通勤出行距离在6～15公里所占比例较大（54.82%），这可能是导致其低碳出行意愿较低的一个原因。潜在市场转移者单程通勤距离主要集中在0～10公里之间（75.51%）。从出行时耗来看，各子市场通勤者单程出行时耗在0～30分钟以内所占比例高达80%以上（分别为83.90%、82.91%和82.37%）。

4.3 提高低碳出行相关建议

由于不同细分子市场中通勤者出行态度偏好存在较大差异，则需要根据不同出行需求制定不同的交通需求管理策略，引导和调控通勤者选择低碳出行方式，提高低碳出行比例，实现具有可持续发展的交通运输系统。

低碳出行者，由于收入水平偏低，对于出行方式选择更多考虑出行费用的高低，而低碳出行方式（如步行、自行车、公交车等）的费用相比其他出行方式费用要低，同时这也是低碳出行的优势所在。所以，低碳出行成为这类通勤者的首要选择。虽然这类通勤者已是低碳出行者，但还应该充分关注这类群体，为他们低碳出行做好保障，提高他们对低碳出行的舒适度和满意度。对于他们公交乘车时，应该提供更多优惠政策，如换乘优惠政策；推广多种类型公交IC卡（如月卡，年卡）等。此外，还应该注重公交服务水平，提高公交出行的便利性，准点率和舒适性，增加他们对公交服务的满意度。为了低碳出行的真正实现，政府应注重慢性交通的发展，改善步行街道和非机动车道设施，提高舒适度，保障其安全性；还应该大力推广公共自行车，公共自行车卡的拥有率较低（22.41%），需要升级改造公交卡，实现公交卡与公共自行车卡双向互通；建设公共自行车的设施，提高自行车出行的安全性、舒适性，这样才能更好地服务于这类群体。

环保主义者，具有较高教育水平，有一定社会和经济地位，且收入水平较高，在追求舒适性、灵活性、准时性方面要求较高，且私家车拥有率较高，使得更容易选择小汽车出行。对于此类人群如果只是单纯依靠限制小汽车使用政策，起不到良好效果。因此，政府需要加大对新能源车的研发力度，鼓励相关企业和部门加强低碳、绿色交通出行技术的研发，开发出更多节能环保的交通工具，制定合理价格，保证质量，鼓励其购买新能源车。

潜在市场转移者没有较强的出行态度偏好，低碳出行意愿中等，是低碳出行的主要目标市场。容易受到政策、后悔期望、主观规范的影响，缺乏环保意识，对小汽车持有友好态度。针对此类通勤者，应该加大低碳出行宣传力度，增强居民环保意识，强化居民保护环境责任感；合理制定小汽车使用政策；大力推行“公交优先”政策，提高公共交通的服务水平，体现公共交通的便利性、安全性、舒适性等优势，增加公共交通吸引力；改善公交与其他交通的接驳，实现公共交通一体化，通过实施这些措施，使得此类通勤者向低碳出行方式转变。

5 结论与启示

本研究根据调查问卷，采用因子分析方法对25个出行态度观测变量进行降维，得到低碳出行意愿、政策影响、后悔期望、主观规范、环保意识、对小汽车的态度6个公因子，将这6个公因子作为新的变量，以公因子得分为依据，通过K-means聚类分析法进行市场细分后研究各细分子市场的交通需求管理策略。主要研究结论包括两个方面：（1）低碳出行市場被细分为低碳出行者、环保主义者和潜在市场转移者三类，各细分子市场内通勤者的出行态度偏好存在显著差异，需要分别制定有针对性的交通政策。此外，潜在市场转移者比例最多，是低碳出行的主要目标市场，交通管理者和政策制定者应该充分重视这一目标市场。（2）尽管出行者可能具有相同或相似的某项态度偏好，但其出行行为会有所差异。如低碳出行者和环保主义者均有较好的环保意识，然而环保主义者的低碳出行意愿却很低。这是因为出行行为决策是出行者若干项态度偏好的综合体现，而非某一项或两项偏好所能决定的。

本研究不仅有助于理解不同通勤者低碳方式选择偏好差异形成的内在原因，而且对制定相应的交通需求管理政策以引导低碳出行方式选择具有指导意义。本文采用市场细分方法对低碳出行市场进行划分，今后还可以尝试采用潜在类别模型对低碳出行选择行为进行细分，对比分析两模型的出行需求预测精度，从而提高市场划分精度。此外，还可以选择不同的出行态度进行市场细分分析，如出行者对低碳出行的满意度和忠诚度，能够帮助交通管理部門了解目前低碳出行的现状，剖析存在的问题，从而有针对性地改进低碳出行服务质量，制定有效的交通需求管理策略。

参 考 文 献：

[1]郑思齐，霍燚.低碳城市空间结构：从私家车出行角度的研究[J].世界经济文汇，2010，（6）：50-65.

[2]王光荣.城市居民低碳出行研究[J].城市观察，2011，12（2）：174-178.

[3]陈团生.通勤者出行行为特征和分析方法研究[D].北京：北京交通大学，2007.

[4]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.

[5]Palma A， Rochat D. Mode choice for trips to work in geneva： an empirical analysis[J]. Journal of Transport Geography， 2000， 8（1）： 43-51.

[6]殷焕焕，关宏志，秦焕美，等.基于非集计模型的居民出行方式选择行为研究[J].武汉理工大学学报（交通科学与工程版），2010，34（5）：1000-1003.

[7]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）：50-57.

[8]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，（5）：879-882.

[9]严海，王熙蕊，梁文博，等.基于结构方程模型的通勤交通方式选择[J].北京工业大学学报，2015，（4）：590-596.

[10]Bristow A L， Tight M， Pridmore A， et al.. Developing pathways to low carbon land-based passenger transport in Great Britain by 2050[J]. Energy Policy， 2008， 36（9）： 3427-3435.

[11]Bongardt D， Breithaupt M， Creutzig F. Beyond the fossil city： towards low carbon transport and green growth[R]. United Nations Centre for Regional Development， Bangkok， Thailand， 2010.

[12]Edward L G， Matthew K. The greenness of city[J]. Rappaport Institute Taubman Center Policy Briefs， 2008， （3）： 1-11.

[13]Salonen M， Broberg A， Kytt M， et al.. Do suburban residents prefer the fastest or low-carbon travel modes？ Combining public participation GIS and multimodal travel time analysis for daily mobility research[J]. Applied Geography， 2014， 53： 438-448.

[14]陈飞，诸大建，许琨.城市低碳交通发展模型、现状问题及目标策略——以上海市实证分析为例[J].城市规划学刊，2009，（6）：39-46.

[15]刘丽亚.走低碳交通之路促城市可持续发展[J].综合运输，2010，（1）：29-32.

[16]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.

[17]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.

[18]柴彦威.中国城市的时空间结构[M].北京：北京大学出版社，2002.

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

[20]Badoe D A， Miller E J. An automatic segmentation procedure for studying variations in mode choice behavior[J]. Journal of Advanced Transportation， 1998， 32（2）： 190-215.

[21]Alon E， Shlomo B. Car-rider segmentation according to riding status and investment in car mobility[J]. Transportation Research Record： Journal of the Transportation Research Board， 2004， （1894）： 109-116.

[22]Anable J.‘Complacent car addictsor ‘aspiring environmentalists？ Identifying travel behavior segments using attitude theory[J]. Transport Policy， 2005， 12（1）： 65-78.

[23]Hunecke M， Haustein S， Grischkat S， et al.. Attitude-based target groups to reduce the ecological impact of daily mobility behavior[J]. Journal of Environmental Psychology， 2010， 42（1）： 3-43.

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

[25]Pronello C， Camusso C. Travellers profiles definition using statistical multivariate analysis of attitudinal variables[J]. Journal of Transport Geography， 2011， 19（6）： 1294-1308.

[26]李志斌，楊晨，王炜，等.基于出行态度的自行车通勤出行市场划分[J].东南大学学报（自然科学版），2012，（4）：784-789.

[27]Hair B J F， Black W C， Babin B J， et al.. Multivariate data analysis[M]. 6th ed. NJ： Pearson Education Inc.， 2010.

[28]Kaiser H F. An index of factor simplicity[J]. Psychometrika， 1974， 39（1）： 31-36.