基于心理潜变量的网约车出行行为模型

■马子嵘

（1.福建省交通科研院有限公司，福州 350004；2.近海公路建设与养护新材料技术应用交通运输行业研发中心，福州 350004）

随着“互联网+出行”的愈演愈烈，以滴滴出行、T3 出行和曹操出行等为典型代表的网约车出行行业得到了迅速发展。 网约车出行模式作为通过手机等智能终端平台放大化的一种共乘模式，打破了传统巡游出租行业逻辑，赋予了城市共乘交通模式新价值，符合国家深化供给侧改革的方向。 网约车模式带有典型的共享经济特征，与传统巡游出租车对比，具备匹配精确化、供给灵活化、交易数字化等特点， 既能够解决经济高速发展过程中过度投资、产能过剩、重复购买等问题，又能够对过量闲置的汽车资源进行重新配置，缓解了传统巡游出租车模式易出现的供给需求不对等问题，满足了乘客用车需求，因此受到了广泛欢迎。 开展网约车出行行为分析有助于构建城市交通运输行业的可持续发展，并为网约车相关管理部门的政策制定提供参考依据。

在出行行为分析上，姜雨等[1]借助合肥市居民出行数据，对出行起讫点进行空间分析，提出交通小区分段抽样法，构建出行联合模型，结果表明该模式适用性优于传统出行重力模型；徐婷等[2]基于北京部分区域出行原始数据， 以汽车和公交出行的效用函数差值构建出新函数， 揭示了出行时间比、成本比与方式选择之间的关系；Joachim[3]通过聚类回归分析性别差异、 私家车拥有数等出行参数对于出行者出行选择的影响。 目前在出行方式选择中应用最广泛的模型仍为最大期望效用理论， 即以出行行为参数和乘客自身属性作为期望函数的解释变量， 并认为出行群体具有 “完全理性”特点，即假设出行者总是客观地选取期望值最大的出行策略。

部分学者开始着手研究出行者的心理因素对于出行选择的影响，试图摆脱“完全理性”出行的局限性。 Fujii 等[4]利用实验阐明了出行结构变化是否会促进出行者更多地选择公交出行方式，通过给予实验组一张为期一个月的免费公交车票，而对照组不作改变，在实验结束后的跟踪调研中得出，实验组明显更倾向于选择公交出行，使用私家车的出行频率也开始逐步降低，表明出行心理习惯改变能够有效改变出行结构。 Maya 等[5]通过出行方式切换实验证明对出行成本敏感度较高的出行者更易转向公交出行，表明了出行者心理变量差异将会切实影响交通出行结构的优化调整。

现有研究较少对网约车出行选择行为模式的探讨，同时缺乏通过定量研究以刻画心理因素对网约车出行行为的内在关联，也难以分析不同出行者的心理因素对网约车出行选择结果的作用大小。 本文在计划行为理论基础上提出基于心理潜变量的网约车出行行为模型，以期为网约车出行选择行为研究提供一个新思路。

1 研究方法

1.1 计划行为理论

计划行为理论 （Theory of Planned Behavior，TPB）是指以期望效用理论作为基础，通过信息加工的视角来阐明个体行为意向的一般决策过程。 TPB理论认为个人的人格特质等外在属性决定个人行为态度（Attitude towards the Behavior，ATB）、主观规范（Subjective Norm，SN）和知觉行为控制（Perceptual Behavioral Control，PBC），且三者之间存在相互影响的关系[6]，如图1 所示。 TPB 理论在交通行为学领域中目前主要应用于交通安全分析[7]、侵犯驾驶行为[8]等。

图1 计划行为理论模型

出行者是否选取网约车作为出行方式受到多种因素影响，如城市经济水平、政策法规、出行特性等因素，此外，在很大程度上还受到出行者自身心理因素的影响。 根据TPB 理论，个体的选择一般由心理需要控制，因此TPB 理论能够为网约车出行选择行为作出合理解释，并表现出较强适配性，通过将出行者的心理因素纳入考量，能够更加科学地解释和预测出行者所作出的出行选择行为。

1.2 网约车出行选择行为模型

结合TPB 理论，通过构建基于心理潜变量的结构方程模型，以定量刻画出行者的心理因素对于网约车出行选择行为的影响。 由图2 可知，ATB、SN和PBC 为外衍潜变量，网约车出行选择行为意向为内生潜变量；X1～X11和Y1～Y3分别为ξ1～ξ11和η1～η3的直接观测指标 （即测量显变量）， ξ1～ξ11和η1～η3为相应的潜变量因子，η4为除η1～η3外能够直接影响到网约车出行选择行为意向的潜变量因子；单向箭头表示因果关系，即ATB、SN 和PBC 能够直接影响网约车出行选择行为意向；双向箭头代表潜变量之间存在相关关系，即ATB、SN 和PBC 3 个外衍潜变量互相影响。

图2 网约车出行选择行为模型

基于显变量X、Y 与潜变量ξ、η 间的关联性刻画测量模型，基于潜变量ξ 与η 之间的关联性刻画结构模型。

（1）测量模型

式中：X 表示外衍显变量向量，由11 个自变量测量值构成，ΛX为X 对于ξ 的因子载荷矩阵；Y 表示内生显变量向量， 由3 个因变量测量值构成，ΛY为Y 对于η 的因子载荷矩阵；δ 和ε 为分别为X 和Y 的测量误差向量。

（2）结构模型

结构模型能够切实说明各个潜变量间的因果关系，其表达式如下：

式中：B 为η 的系数矩阵， 表示内生潜变量η之间的相互影响程度；Γ 为ξ 的系数矩阵， 表示外衍潜变量ξ 和η 的相互影响程度；ζ 为随机干扰误差向量，即η 未能解释出行选择行为的误差向量。

2 案例分析

2.1 数据处理

对福州市网约车出行行为进行问卷调查，调查方式采取线上与线下实地调查相结合的方法进行。线下采用随机拦截行人进行问卷发放调查，共发出80 份，实际收回61 份；网上收回302 份问卷，剔除无效问卷（缺失填答、连续极端值等）5 份，最终得到有效问卷数为358 份， 有效问卷回收率为93.7%。调查内容涉及行为调查 （Revealed Preference，RP）和意向调查（Stated Preference，SP）。

RP 调查包括出行者的基础信息， 如性别、学历、 出行目的等；SP 调查采用Likert 五级量表分别对4 个潜变量的测量显变量进行调查，通过打分制进行数据统计。 构建的潜变量的测量显变量问题如表1 所示。

表1 模型变量定义

对调查样本进行分析，发现53.6%的被调查对象 为 男 性， 年 龄 以 中 青 年 为 主 （18 ～30 岁 占69.83%），受教育程度较高（大专及以上占57.8%），月收入2000～6000 元与2000 元以下占比几乎相等，分别占36.9%和39.7%，出行目的以休闲娱乐为主（占57.8%），本次问卷总体信度系数Cronbach’s α为0.817，问卷整体信度较高。

2.2 模型求解与检验

运用AMOS 软件采用GLS （一般化最小平方法）对模型进行求解，得出网约车出行选择行为模型的相关拟合指标结果如表2 所示。

表2 检验指标表

绝对适配度检验指标：RMSEA=0.058、GFI=0.942、Chi/DF=2.199 和AGFI=0.908 均符合指标，说明模型拥有合理适配度，可以预测协方差矩阵和相关矩阵的程度性较好；增值适配度检验NFI=0.976、CFI=0.958 和IFI=0.973 检验值均大于0.9， 说明理论模型与实际数据匹配度较高。

2.2.1 测量模型

综上数据进行模型计算，得出X1为负值，这反映出网约车的等待时间与约车态度为负相关，这也与实际情况相一致， 除此之外， 其余数据均大于0.5，表明模型具有较优的适配性。 在建模得出的数据中，变量反映的心理因素的准确度与负荷量成正比。 另外，建模有效反映出了准确的解释力，主要是由于负荷量的检验值均满足测量需求。同时，4 个心理因素参考量的组合信度都在0.7 上下浮动， 抽样取值的平均方差接近0.5， 反映出模型信度的优异性和解释能力的合理性。 因X4、X7、X11和Y1在非标准化回归系数设定为1，所以其没有相关检验结果。具体参数计算结果详见表3、4。

表3 测量模型负荷量计算结果

表4 测量模型组合信度计算结果

2.2.2 结构模型

经计算，各路径的T 检验均为显著，模型具备合理性，表明3 个心理潜变量对网约车出行行为意向均存在积极影响，计算结果如表5 所示。

表5 结构模型计算结果

本次数据计算中ATB、SN 与PBC 分别为0.02、0.07、0.86，其中PBC 对网约车出行意向选择的影响最大， 这说明出行者是否选择网约车出行主要由PBC 控制，即与自己对过往出行所掌握的经验密切相关，而他人经验与乘坐网约车的体验对出行抉择的贡献度偏低。

2.2.3 结构方程模型

本次网约车出行行为结构方程模型总体数据结果如图3 所示，各测量变量值对应的误差项均为正值， 说明模型无异常。 该模型卡方值Chi-square为145.166，自由度DF 为66，卡方值较大，这是因为卡方值会随样本量增大而变化，因而综合考虑卡方值/自由度指标 （Chi/DF=2.199＜3）， 满足模型要求。 此外ATB、SN 和PBC 的负荷量分别为0.62、0.68、0.70，表明三个心理潜变量之间呈两两的正向影响且达显著水平，与计划行为理论相符。

图3 网约车出行选择行为模型结果

此外， 模型将ξ1、ξ4、ξ7-ξ10、η2和η4从固定参数修正为自由参数， 如将ξ1和ξ7修正为自由参数表明两者并不独立，说明X1和X7之间存在正相关；即从理论角度可以解释为网约车平台优惠力度的大小会影响等车时长的长短， 平台优惠力度越大，出行者可接受的等车时长越长。 余下参数之间关系近似X1和X7，在此不做多余赘述。

网约车出行行为意向的负荷量为0.85，表示3 个外衍潜变量（ATB、SN、PBC）能够解释网约车出行行为意向的程度值为85%，数值越接近1 表示解释程度越高。 其中X1（安全满意度）、X2（环境满意度）、X4（价格满意度）出行者对ATB 的解释度一般，X3（环境满意度）的解释度为72%，解释程度良好。同理，SN 中解释程度最好的为X6（媒体推广）；PBC中的解释度值都小于0.5， 但X10（与朋友出行）和X11（出行目的地）接近0.5，说明X10和X11对其也有不错的解释度。 Y1（经常乘坐）、Y2（更关注）和Y3（鼓励他人乘坐）作为行为意向的测量指标对其有较好的解释，其程度值分别为：56%、74%和61%。

3 结论

随着对网约车出行选择行为的进一步研究，发现已有研究缺乏心理因素对网约车出行选择方式的定量分析，心理学等学科的蓬勃发展为研究出行者个人心理因素对网约车行为选择的影响提供了新颖且有效的方法，进而为解析网约车出行选择行为内在机理提供了可能。 本文通过TPB 理论，结合网约车出行特点，建立了包括ATB、SN 和PBC 在内的结构模型，得出以下结论：

（1） 模型适用性良好， 外衍潜变量ATB、SN和PBC 对网约车出行行为意向的解释程度值为85%，其中知觉行为控制（PBC）对出行者是否选择网约车出行的控制效果最为显著。

（2）外衍显变量X3（环境满意度）、X6（媒体推广）和X10（与朋友出行）分别在ATB、SN 和PBC 中的贡献程度最大，其值分别为72%、57%和49%；内生显变量Y1（经常乘坐）、Y2（更关注）和Y3（鼓励他人乘坐）均对网约车出行选择有较大贡献值，其值分别为56%、74%和61%。