侯现耀，陈学武

(1.东南大学 城市智能交通江苏省重点实验室，南京 210096；2.东南大学 现代城市交通技术江苏高校协同创新中心，南京 210096；3.东南大学 交通学院，南京 210096)

0 引 言

在使用公交出行信息辅助出行决策时，出行者对于信息的需求存在差异性，因此公交出行信息服务提供有针对性的供给策略可以更有效地满足不同需求。市场细分有助于对出行行为异质性的研究[1]。已有的研究中，市场细分多基于出行的需求[2]、出行者个体属性[3]等，但有学者认为以出行者个体属性等因素进行市场划分不能很好反映出行行为，需要通过出行者的态度揭示市场内部结构[4]。近年来，有研究通过市场细分，利用出行态度对出行行为进行分析[5-7]，多采用结构方程模型确定市场细分因素，相较于传统的回归分析，可以更好地测量无法直接观测的态度变量。但已有研究多是对交通方式选择的市场进行分析，还未有研究针对公交出行信息使用的市场进行分析。

为此，本文针对基于态度的公交出行信息使用的市场划分进行研究，通过建立结构方程模型对出行者的潜在态度偏好进行分析，利用聚类方法对根据选定的态度变量对公交出行信息使用的市场进行划分，并针对不同的市场中的群体提出相应的策略，为更有效地提升公交出行信息服务提供决策支持。

1 基于态度的市场划分方法

出行者对于使用公交出行信息的主观态度无法被直接观测，因此以往研究多采用若干个表示态度观测变量的问题测量出行者的主观态度偏好[5,6,8]。结构方程模型可以同时拟合多个内生变量和外生变量之间的关系，将一系列观测变量用几个潜变量表示[9]。故本研究利用结构方程模型分析出行者使用公交出行信息的主观态度偏好，得到各潜变量间的关系，并以此作为聚类分析的依据。

K-means聚类方法能够分析事物的内在规律和特点，根据相似性原则对事物进行分类，是常用的数据分析方法[3, 7]。采用K-means聚类方法根据潜在态度变量对出行者使用公交出行信息进行市场划分，聚类分析后，同一市场中的出行者态度偏好类似，不同市场中的出行者态度偏好则不同。

由上述分析可知，基于态度的出行者使用公交出行信息市场细分的建模主要包括以下步骤：

Step1 基于因子分析确定主观态度变量。通过被调查者的指标打分，利用因子分析法确定出行者的态度变量。

Step2 基于结构方程模型确定潜变量间的关系。建立结构方程模型，估计观测变量和潜变量间的关联系数(测量模型)和潜变量间的关联系数(结构模型)，得到潜变量间的效应关系，为第Step3聚类变量的选取提供依据。

Step3 利用聚类方法对出行者使用公交出行信息市场进行细分。得到合理、合适的不同主观态度特征的子市场。

Step4 子市场的特征分析。根据聚类分析的结果，分析各子市场的特征，作为相应政策制定和改善策略的依据。

2 问卷调查及数据分析

2.1 问卷设计与调查

数据来源于2016年在南京开展的公交出行信息意愿调查。调查内容分为两个部分:一是出行者的个体属性;二是出行者对使用公交出行信息的主观态度和出行意愿的相关问题。主观态度的问题共有24题，根据Roscoe调查样本大小确定的原则[10]，多变量研究中的样本数最好是研究变量数的5～10倍，本文取倍数为10，则至少需要240份问卷，调查主要以实地问询和网络问卷形式开展，数据获取后对问卷进行了筛选，剔除了所有选择单一选项、选择具有明显规律性、反向表述与正向表述的选择具有明显矛盾、网络问卷答题时间明显不符合正常答题所需时间等有问题的问卷，最终获取到703份有效问卷。

2.2 数据统计分析

样本的个体属性特征统计情况如表1所示，可以看出：样本以中青年为主，工作性质多需要通勤出行，受教育程度较高，涵盖了使用公交出行信息服务和乘坐公交的主要人群。

表1 样本人群个体属性特征Table 1 Sample individual characteristics

本文构建6种态度变量，用以反映出行者对使用公交出行信息的主观态度、公交出行信息主观感知和公交出行意愿，其中分别从可靠性、方便性、灵活性和自主性表征出行者对公交出行信息的主观态度。每个态度变量下设置若干问题作为态度潜变量的观测变量，如表2所示。问题设置采用5级量表衡量被调查者的主观态度，1表示非常不同意；2～4表示同意程度增加；5表示非常同意。信度和效度可以反应调查数据的可靠性和准确性，通过分析得出样本总体的克朗巴哈信度系数(Cronbach'α)为0.896，各潜变量的克朗巴哈信度系数最低为0.609；样本总体的KMO值为0.923，各潜变量的KMO值最低为0.654，Bartlett球形检验结果均显著，信度系数均大于0.6，表明样本信度可以接受，样本总体和各潜变量均具有一定的可靠性，KMO值均大于0.5，表明样本具有良好的效度。

表2 态度观测变量与态度潜变量描述Table 2 Descriptions of attitude observed variablesand attitude latent variables

续表2

3 模型估计与市场细分结果

3.1 因子分析

采用验证性因子分析确定事先选定的因子拟合实际数据的能力，即检验观测变量的因子个数和因子载荷是否能与理论预期一致，即验证表2中6个态度潜变量能否保留对24个观测变量的解释能力。

因子分析结果评价指标为：模型拟合优度指数GFI=0.866；比较拟合指数CFI=0.872；近似均方根误差RMSEA=0.066，表明模型拟合结果良好，定义的态度潜变量可以较好地拟合实际调查问题。

3.2 结构方程模型估计结果

最终构建的结构方程模型结构如图1所示。模型拟合优度的评价指标为：模型拟合优度指数GFI=0.904；近似均方根误差RMSEA=0.066；比较拟合指数CFI=0.894；调整后拟合优度指数AGFI=0.873，表明模型的拟合结果可以接受。

观测变量的标准化因子载荷系数如表3所示，所有因子载荷的检验值均在95%置信水平下显著，利用因子载荷可以计算对应的出行者的态度潜变量值，用以聚类分析过程中。

结构方程模型中结构估计的态度潜变量间效应如表4所示。可以看出，可靠性、方便性和自主性对主观感知有显著的正向作用，表明公交出行信息的可靠性、方便性和自主性越高，出行者对公交出行信息的主观感知评价越高；可靠性、方便性、灵活性和主观感知对出行意愿具有显著的作用，其中灵活性对出行意愿的作用效应为负向的，说明对于具有较高公交出行意愿的出行者，其对公交出行信息的灵活性评价相对较低，公交出行信息服务在灵活性方面还有待提升；自主性对于出行意愿具有显著的正向间接效应，但直接效应和总的效应并不显著，无法说明出行者对公交出行信息自主性的评价会显著影响到其出行意愿的选择。

图1 结构方程模型结构框架及态度潜变量间路径系数Fig.1 Framework of structural equation modeling and path parameters between attitude latent variables表3 观测变量标准化因子载荷估计结果Table 3 Results of observed variables standardizedfactors estimation

表4 潜变量间标准化效应值估计结果Table 4 Results of standardization effects estimationbetween latent variables

注：括号内为z检验值。

3.3 聚类分析

K-means聚类方法首先需要给定聚类数目，然后将分析的样本划分成给定的聚类数。聚类分析要求类内部的样本尽可能紧凑，各个类间距离尽可能分开，聚类结果合理且有意义。根据表4的效应估计结果，A1、A2、A5和A6间的相关性系数较高(表4中效应值)，且相互关系的显著性较高(表4中检验值)，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，故选取这4个变量作为聚类分析的变量。将态度潜变量值作0～5标准化处理，设置细分市场数目K为2～8，通过聚类指标的分析，得到K=5时聚类效果最佳，此时，类内的样本相对更靠近各类中心，且各类中心间距离较明显。703个样本被细分为5个子市场，每个子市场都有数量相当的样本，各子市场聚类位置如图2所示。

根据聚类变量的细分特征，可以得到各子市场的出行者态度特征如下所示。

M1子市场：具有中等的公交出行意愿，对公交出行信息可靠性、方便性的需求中等，对公交出行信息的主观感知中等。

M2子市场：具有较低的公交出行意愿，对于公交出行信息的可靠性、方便性需求和主观感知均较低。

M3子市场：具有较高的公交出行意愿，对于公交出行信息的可靠性需求较高，对于方便性的需求中等，对公交出行信息的主观感知中等。

M4子市场：具有中等的公交出行意愿，但对于公交出行信息的可靠性、方便性需求较低，对公交出行信息的主观感知中等。

M5子市场：具有较低的公交出行意愿，对于公交出行信息的可靠性、方便性需求中等，对公交出行信息的主观感知中等。

图2 出行者使用公交出行信息市场细分结果Fig.2 Results of travelers using public transit travel information market segmentation

3.4 细分子市场特征

各子市场中样本个体实际选择出行方式比例如表5所示。M3子市场中公交出行比例最高，M2和M5子市场中公交出行比例相对较低，M1和M4子市场公交出行比例中等。

表5 细分子市场公交出行特征Table 5 Public transit travel characteristics of sub-markets

M3子市场的出行者对公交出行信息的主观感知评价较高，且有较强的公交出行意愿，对于公交出行信息的可靠性和方便性需求也较高，市场中公交出行比例也最高，可以认为该子市场中的公交出行者是“坚定的公交出行者”，他们对于公交出行信息的使用有较高的评价和认知，可以满足其日常公交出行的需求，该子市场中的非公交出行者可以认为是“潜在的公交出行者”，他们同样对公交出行信息的使用有较高评价和认知，通过持续提供满足他们需求的公交出行信息会较容易让其使用公交出行。

M2和M5子市场中的出行者公交出行意愿较低，公交出行比例也较低，其对公交出行信息的可靠性、方便性和对使用公交出行信息的主观认知评价并不高，可称为“坚定的非公交出行者”。

M1和M4子市场中公交出行意愿中等，公交出行与非公交出行相比没有显著的差异，是“潜在的市场转移者”，如果他们转向M3子市场，则会增加公交出行的比例，转向M2或M5子市场，则会增加其他交通方式的出行比例，因此需要针对其对公交出行信息的使用偏好，引导其尽可能地转向公交出行。

3.5 公交出行信息服务改善对策

通过市场细分，可以识别出具有相似公交出行信息使用主观态度的出行者，每个子市场中的出行者对于公交出行和公交出行信息的使用有不同的需求，因此需要在制定政策时有差异化地对待，以更有效引导其采用公交出行。

对于“潜在的市场转移者”，M1市场中出行者对于公交出行信息的可靠性要求较高，应提高公交出行信息服务的可靠性，如提供准确的实时公交车辆位置信息，从而帮助出行者确定出发时间和估计行程时间，提高其转向公交出行的可能性；但对于M4市场中的出行者，仅靠提高信息的可靠性相对较难使其转向公交出行，但仍可通过提供更加丰富的公交出行信息内容、增加信息获取渠道等综合措施提升其对公交出行信息的主观感知，从而引导其向M3子市场转移。

对于“坚定的非公交出行者”，对M2和M5子市场出行者使用上述政策或措施的效果则可能不明显，但仍可尝试宣传教育等方式引导其向M3子市场转化。

4 结束语

通过因子分析确定出行者使用公交出行信息主观态度的变量，利用结构方程模型测量潜变量间的因果关系，通过聚类方法对出行者使用公交出行信息市场进行细分，得到具有显著公交出行意愿差异的细分子市场。通过分析各子市场特征，发现潜在市场转移者，剖析各子市场形成原因，制定有针对性的公交出行信息服务改善对策。研究有助于理解出行者使用公交出行信息的机理，研究成果对制定和改善公交出行信息服务有指导意义。可以通过增加对出行者个体属性的分析，提炼个体属性与态度偏好的关系，从而更好地揭示和划分不同特征的子市场。

[1] 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.

[2] Lythgoe W F, Wardman M. Demand for rail travel to and from airports [J]. Transportation, 2002, 29(2): 125-143.

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

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

[5] 程龙, 陈学武, 杨硕, 等. 基于市场细分的低收入通勤者公交出行改善对策[J]. 交通运输系统工程与信息, 2016, 16(3): 8-14.

Cheng Long, Chen Xue-wu, Yang Shuo, et al. Public transit improvement measures of low-income commuters based on market segmentation [J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(3): 8-14

[6] Li Z, Wang W, Yang C, et al. Bicycle commuting market analysis using attitudinal market segmentation approach [J]. Transportation Research Part A: Policy and Practice, 2013, 47(4): 56-68.

[7] 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.

[8] Eboli L, Mazzulla G. Service quality attributes affecting customer satisfaction for bus transit [J]. Journal of Public Transportation, 2007, 10(3): 21-34.

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

[10] Roscoe J T. Fundamental Research Statistics for the Behavioral Sciences[M].New York: Holt, Rinehart and Winston, 1975.