李 军，贾顺平，钱剑培，王瑜琼，张思佳

(1.北京交通大学a.城市交通复杂系统理论与技术教育部重点实验室，b.交通运输学院，北京100044;2.中国交通通信信息中心交通运输信息化标准研究所，北京100011)

0 引言

普速旅客列车(普铁)和长途汽车(大巴)是中国居民城际出行的主要交通方式.近年来，高速旅客列车(高铁)以其公交化、高密度、安全准点等优势对原有的城际客运市场构成冲击，大量中短途需求、对服务质量敏感的客流从大巴转移到高铁.实际上，道路客运“门到门”服务的比较优势并未消失.通过把握各类人群心理特征，实施差异化营销，可有效避免企业陷入价格战，形成分工明确、优势互补的城际客运市场格局[1-2].

旅客城际出行方式选择行为的研究主要集中在广义费用等属性的影响及对有限理性模型的扩展和改进上[3-5].有学者提出应引入潜变量解释旅客出行行为，采用心理干预影响个体出行决策[6].计划行为理论(Theory of Planned Behavior,TPB)是应用最广泛的潜变量模型，可以揭示在有目标导向的情况下人类行为意向形成过程的认知结构[7].潜变量模型一般采用结构方程(Structural Equation Modeling,SEM)的方法进行标定和分析[8].以TPB理论为基础，Hsaio等进一步引入习惯[9]，Chen等引入追逐新奇、信任程度和忠诚度[10]等潜变量来完善出行意向形成的解释框架.Chen等在对TPB模型和TAM模型整合的基础上引入习惯，发现小汽车出行习惯对于公交出行意向具有直接和间接的抑制作用[11]；Nordfjærn等以挪威若干城市为对象进一步证实这一发现[12].然而，这些研究对习惯的理解局限在过去的出行方式选择频率上，对城际出行方式选择习惯的定义、测量方法和作用机理仍没有统一的认识.

本文研究在高铁网逐步形成这一持续变化但又相对稳定的外界环境中，旅客的情感性态度(ATT)、服务满意度(SAT)、主观规范(SN)、知觉行为控制(PBC)和习惯(HA)等潜变量对于普铁、大巴、高铁3种城际出行方式选择意向(BI)的影响机理及影响权重的差异.通过对城际出行方式选择习惯进行定义、测量和建模分析，得出从促进习惯形成和加快习惯解冻方面强化不同人群出行方式选择意向的方法，改变理性行为模型过多强调思维活动在出行方式选择中所起作用的情况.

1 理论方法与研究假设

1.1 城际出行方式选择中的习惯影响

意向反映了尝试某一行为的愿望，其形成有2条途径：一是通过一定广度、深度的系统分析，这种情形往往发生在环境线索陌生时；二是只需调动少量认知能力或进行浅层思考，在习惯的驱使下从记忆中恢复意向，这种情形往往发生在环境稳定时[13].就交通出行行为而言，诸如市内通勤方式选择，一般是自动化的，过去出行的频率可以反映习惯强度并直接影响后续行为发生.而城际出行的频率要远低于城市内部出行，加之环境线索不尽相同，旅客需要在目标导向下进行充分的方案比选.但另一方面，由于出行耗时、出行服务质量等信息无法完全掌握，因此即使行为重复的频率较低，这部分出行经验在指导后续的行为决策时反而显得尤为重要.

1.2 习惯与选择意向的关系及研究假设

习惯与计划行为理论是协调的，当面对新的决策环境时，旅客会通过比较，形成最具吸引力的出行方式选择意向；当获得满意的结果时，旅客会对选择形成正面反馈，影响ATT、SAT、SN、PBC等，提高再次面临决策时对这一选择的倾向性.Ouellette指出习惯和意向强烈的正相关，较早产生的稳定的选择意向会逐渐转化为习惯，并在下次决策时对意向产生间接和直接的影响[14].

综上，本文假设在普铁、大巴和高铁选择中，HA会对出行方式的选择意向起直接正向作用，同时通过对中介变量ATT、SAT、SN、PBC产生正向作用进而间接促进意向形成.

1.3 习惯定义与测量方法

目前心理学界尚未对习惯的定义达成共识，普遍认为习惯行为具有环境线索稳定、重复发生和自动化反应的特征.在本研究中，将城际出行方式选择习惯定义为：旅客依照过去城际出行的经验形成的偏好而自动做出之后出行方式选择决策的倾向程度.

习惯测量是习惯研究的难点.Verplanken总结了目前常用的方法，包括自我报告过去行为的频率(SRF)、自我报告习惯的频率(SRHF)、自我报告习惯索引(SRHI)和反应频率法(RF)[15].前两种方法对习惯的测量都建立在过去行为重复频率的基础上，然而在城际出行中，重复频率乃至熟练程度并不是习惯行为产生的必要条件.因此，本文选取Verplanken提出的SRHI法对习惯进行测量，制定了以下3个问项：

(1)当我需要在这两座城市间出行时，总是毫不迟疑的选择普铁/大巴/高铁.

(2)当我需要在这两座城市间出行时，不需要过多考虑就会选择普铁/大巴/高铁.

(3)没有意识到是如何比较的就自动做出了选择普铁/大巴/高铁的决定.

2 问卷调查与数据检验

2.1 问卷设计及实施

北京面向全国各主要城市已基本形成一体化综合交通运输体系，旅客可在多种方式间自由选择.因此本研究针对以北京为起点的城际出行区间，采用实地和互联网调查相结合的方式开展调查.问卷首先要求旅客陈述自己出行经验最丰富的出京目的地、可行的出行方式、最常采用的一种方式及有关该方式的出行信息，出行方式选择集包括普铁、大巴和高铁.问卷第2部分为心理测量，设置关于ATT、SAT、SN、PBC、HA和BI这6个方面的陈述题，利用李克特五级量表对认同程度进行评分.剔除数据缺失、回答前后矛盾的问卷，调查共收到有效问卷1 366份.为准确反映并对比旅客不同方式选择意向，需排除选择集差异，因此本文只保留城际出行区间可行的出行方式囊括普铁、高铁和大巴的问卷用于研究，共987份，占比72.3%.

根据问卷对选择不同出行方式时的出行特征进行统计分析，结果如表1所示.可以看出，样本主要代表中短途城际出行特征，距离较短时旅客倾向选择大巴出行，距离较长时倾向于高铁；其次，相比市内交通，城市侧的市内出行及候车时间在出行总时间中占比更高，其中普铁平均候车时间最长，高铁候车时间最短.

表1 选择不同出行方式时的出行特征统计结果Table 1 Statistical results of the trip characteristic while choosing different modes

2.2 信度与效度检验

2.2.1 因子分析及信度检验

信度分析的目的是评价所编制的问卷是否能取得可靠、稳定和准确的测量效果.本研究采用Cronbach系数对折半信度评价.由表2可见，各潜变量Cronbach系数均大于0.7，满足探索性研究要求.

2.2.2 效度检验

效度分析目的在于评价所编制的问卷能否获取反映概念不同侧面的信息，其中以构念效度最为重要.其评价需要从区分效度和聚合效度两个角度展开.对于前者，构念的平均方差提取(AVE)的平方根应大于不同构念间的相关系数；对于后者，需要同时满足因子载荷大于0.5(大于0.7更理想)、组合信度(CR)大于0.7、AVE大于0.5[16].各指标计算公式为

式中：Li为某潜变量n个观察变量的标准化因子载荷；ei为第i个观察变量的标准化残差

表2 潜变量描述性统计、因子得分及信度系数Table 2 The descriptive statistics,factor loadings and Cronbach’s α coefficients of the latent variables

表3 问卷聚合效度评价Table 3 Convergent validity of the questionnaire

由表3和表4可知，各潜变量观察变量的标准化因子载荷均大于0.6，CR值高于0.75，AVE值高于0.5，潜变量间的相关系数低于对应的AVE值，构念效度满足要求，潜变量内部聚合紧密，相互区分显著.

3 模型构建与影响机理分析

3.1 模型构建

结构方程模型(SEM)融合因子分析和路径分析等技术，将潜变量的测量和分析整合为一，可以识别复杂因果关系.建立SEM为

式中：ξ为外生潜变量，仅包括习惯，ξ=[ξ1]；η为内生潜变量，η=[η1,η2,η3,η4,η5]，η1～η5依次为 ATT、SAT、SN、PBC和BI；X为外生潜变量的观察指标，X=[x1,x2,x3]；Y为内生潜变量的观察指标，Y=[y1,y2,…,y20]；ΛX、ΛY分别为观察指标在外生潜变量和内生潜变量上的负荷矩阵；δ、ε为测量误差.

式中：η′=[η1,η2,η3,η4]，η″=[η5]；B为意向的各个解释变量与意向间的路径系数矩阵；Γ′、Γ″为外生潜变量对内生潜变量的路径系数矩阵；ζ′、ζ″为模型的残差.

表4 问卷区分效度评价Table 4 Discriminant validity of the questionnaire

3.2 参数标定及拟合度评价

在TPB的基础上引入习惯潜变量，对于3种城际出行方式分别建立SEM，并采用SPSS Amos 22.0对模型进行参数标定.经过2次修订，删除一部分路径后得到SEM中结构模型部分参数标定结果，如图1～图3所示.

图1 普铁出行结构方程模型Fig.1 Result of SEM of the railway

图2 大巴出行结构方程模型Fig.2 Result of SEM of the bus

图3 高铁出行结构方程模型Fig.3 Result of SEM of the rapid-speed railway

模型拟合度评价结果如表5所示，所有拟合指数均满足适配良好的标准(1＜χ2/df＜3，RMR＜0.08，GFI＞0.9，IFI＞0.9，TLI＞0.9，RMSEA＜0.08).

表5 模型拟合结果Table 5 Result of model fitting

3.3 不同方式选择中习惯对意向的影响机理分析

从图1～图3可以看出，所有回归系数的p值均小于0.05，因此每一对因果关系均为显著，且大部分极为显著(p＜0.001).在普铁模型中，服务满意度和意向无因果，而习惯只对意向构成间接影响，间效应为0.538；在大巴模型中，情感性态度和意向无因果，而习惯对意向直接和间接效应分别为0.338和0.513；在高铁模型中，规范和意向无因果，而习惯对意向直接和间接效应分别为0.280和0.258.

由此可见，3种方式选择意向均受TPB经典潜变量影响，也受习惯影响.对于普铁、大巴、高铁，经典潜变量对意向解释的总效应分别为1.033、0.499、0.735，习惯对意向解释的总效应分别为0.538、0.851、0.538，说明大巴出行者因为习惯而选择该方式出行的倾向性最高.习惯对意向的直接影响较弱，说明过去乘坐经验中习得的感受会自动反映在上述经典潜变量中，从而对之后出行时的意向构成间接的影响，这一点以普铁和大巴最为明显.

心理潜变量能在很大程度上解释意向的方差，其中又以大巴最高(71.9%)，高铁最低(54.9%)，普铁居中(62.3%).可以得出普铁的选择意向较适合用传统的计划行为理论模型解释；大巴最适合用引入习惯的潜变量模型解释；而高铁由于票价相对较高，在潜变量模型的基础上还需要结合时间、费用等反映实用价值的显变量才能更好解释意向形成.

4 结论

本文在TPB基础上，考虑城际出行方式选择的特殊性，将包含情感性和工具性两个层面含义的态度分解为情感性态度和服务满意度；另一方面通过对城际出行方式选择习惯进行定义和测量，将其作为外生潜变量引入TPB模型，分析习惯对意向的作用机理和影响程度，同时在不同方式间进行了横向对比.针对城际出行方式选择中的习惯倾向，本文结论如下：

(1)引入习惯的TPB模型能有效解释城际出行方式选择意向形成过程.

(2)城际出行方式选择存在明显习惯倾向，大巴出行习惯较强、高铁次之、普铁最弱.大巴由于相对普铁可达性更好、票源充足，相对高铁票价低廉，旅客更容易形成习惯；高铁出行者则更为理性，每次出行时都需要在经验基础上进一步综合比选.

(3)习惯对于意向具有直接和间接影响，间接影响效应更强.对于普铁，习惯通过态度等潜变量间接地对意向构成影响；对于大巴和高铁，习惯既在潜意识中影响旅客心理，也会因为过去良好体验而直接转化为意向.

(4)本研究论证分析了习惯及其他心理因素对3种城际出行方式选择意向的影响及机理，对于如何将这一潜变量模型与出行方式选择模型进行整合并用于需求预测等问题，将在后续工作中进一步研究.

参考文献：

[1]GIVONI M.Development and impact of the modern high-speed train:A review[J].Transport Reviews,2006,26(5):593-611.

[2]韩国海.浅议高铁强势冲击下长途汽车客运的发展[J].价值工程,2011(11):75-77.[HAN G H.Analysis of the development of long-distance bus passenger under the strong impact of the high speed rail[J].Value Engineering,2011(11):75-77.]

[3]王文宪,倪少权,吕红霞,等.基于非集计理论的高速铁路旅客乘车选择行为研究[J].交通运输系统工程与信息,2015,15(3):13-18.[WANG W X,NI S Q,LV H X,et al.Boarding choice for high-speed railway passengers based on disaggregate theory[J].Journal of Transportation Systems Engineering and Information Technology,2015,15(3):13-18.]

[4]朱宇婷,毛保华,王永亮,等.中长距离通道客流结构及高速铁路运营策略研究[J].交通运输系统工程与信息,2015,15(1):17-22.[ZHU Y T,MAO B H,WANG Y L,et al.Traffic structure in middle-and-long corridorand transportation strategy ofhigh-speed railway[J].Journal of Transportation Systems Engineering and Information Technology,2015,15(1):17-22.]

[5]WANG Y Q,LI L,WANG L,et al.Modeling traveler mode choice behavior of a new high-speed rail corridor in China[J].Transportation Planning and Technology,2014,37(5):466-483.

[6]陈坚,甘蜜.城市交通出行行为中的潜变量研究综述[J].交通运输系统工程与信息,2014,14(6):21-29.[CHEN J,GAN M.A Review of latent variable on urban travel behavior[J].Journal of Transportation Systems Engineering and Information Technology,2014,14(6):21-29.]

[7]GARDNER B.Modelling motivation and habit in stable travel mode contexts[J].Transportation Research Part F:Traffic Psychology and Behaviour,2009,12(1):68-76.

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

[9]HSIAO C,YANG C.Predicting the travel intention to take high speed railamong college students[J].Transportation Research Part F:Traffic Psychology and Behaviour,2010,13(4):277-287.

[10]CHEN S.Using the sustainable modified TAM and TPB to analyze the effects of perceived green value on loyalty to a public bike system[J].Transportation Research Part A:Policy and Practice,2016(88):58-72.

[11]CHEN C,CHAO W.Habitual or reasoned?Using the theory of planned behavior,technology acceptance model,and habit to examine switching intentions toward public transit[J].Transportation Research Part F:Traffic Psychology and Behaviour,2011,14(2):128-137.

[12]NORDFJÆRN T, ŞIMŞEKOĞLU Ö,RUNDMO T.The role of deliberate planning,car habit and resistance to change in public transportation mode use[J].Transportation Research Part F:Traffic Psychology and Behaviour,2014(27):90-98.

[13]李斌,马红宇.习惯研究的现状与展望[J].心理科学,2012(3):745-753.[LI B,MA H Y.Current status and prospect of the research on the habit[J].Journal of Psychological Science,2012(3):745-753.]

[14]OUELLETTE J A,WOOD W.Habit and intention in everyday life:The multiple processes by which past behaviorpredicts future behavior[J].Psychological Bulletin,1998,124(1):54-74.

[15]VERPLANKEN B,ORBELL S.Reflections on past behavior:A self-report index of habit strength[J].Journal of Applied Social Psychology,2003,33(6):1313-1330.

[16]HAIR,JOSEPH F,et al.Multivariate data analysis:A global perspective.7th edition[M].Upper Saddle River:Prentice Hall,2009.