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。

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

Table 1

表1(Table 1)

表1 样本人群个体属性特征 Table 1 Sample individual characteristics 属性 描述 统计特征/% 性别 男 女 49.8 50.2 年龄/岁 6~19 20~29 30~39 40~49 50~59 ≥ 60 01.1 32.9 44.1 15.6 05.3 01.0 工作性质 需要通勤出行 不需要通勤出行 85.9 14.1 受教育程度 初中及以下 高中、高职或中专 大学本(专)科 硕士研究生及以上 00.8 09.0 82.4 07.8 月收入/元 ≤ 1000 1001~3000 3001~5000 5001~7000 7001~9000 ≥ 9000 5.0 12.8 33.3 21.7 16.1 11.1

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(Cronbach̓α )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

Table 2

表2(Table 2)

表2 态度观测变量与态度潜变量描述 Table 2 Descriptions of attitude observed variables and attitude latent variables 态度潜 变量 态度观测变量 均值 标准差 可靠性 (A1) Q1 日常出行中可以获取到需要的公交出行信息 3.90 0.73 Q2 需要的公交出行信息反映的情况经常与实际不一致 2.89 0.93 Q3 可以利用公交出行信息估计本人的出行时间 3.75 0.79 Q4 在公交出行信息帮助下, 本人可以确定何时出发 3.79 0.82 Q5 在公交出行信息帮助下, 本人可以准时到达目的地 3.50 0.87 方便性 (A2) Q6 只要需要, 随时可以获取公交出行信息 3.66 0.85 Q7 总是认为公交车辆位置信息的更新频率太低 3.32 0.94 Q8 公交出行信息展现的内容很容易理解 3.86 0.74 Q9 感觉获取公交出行信息的操作很复杂 2.60 0.90 灵活性 (A3) Q10 能够从很多途径获取需要的公交出行信息 3.85 0.83 Q11 不能根据不同的出行目的选择合适的公交出行信息 3.04 1.04 Q12 出行目的临时改变时, 可以及时更新得到相应的公交出行信息 3.60 0.80 Q13 乘坐的公交线路需要更改时, 可以获取到更改线路后的公交出行信息 3.61 0.81 自主性 (A4) Q14 通过相关途径, 可以以出行时间最短为目标定制公交出行信息服务 3.78 0.76 Q15 通过相关途径, 不能以换乘公交次数最少为目标定制公交出行信息服务 2.46 0.84 Q16 在获取信息时, 可以屏蔽掉本人不感兴趣的公交出行信息 3.45 0.75 对公交 出行信 息的主 观感知 (A5) Q17 使用公交出行信息, 可以帮助本人在公交方式出行时节约出行时间 3.93 0.75 Q18 即使有公交出行信息的辅助, 采用公交出行时也不能节约本人的出行成本 2.84 1.04 Q19 使用公交出行信息, 可以帮助本人选择更合适的公交线路 4.04 0.71 Q20 使用公交出行信息, 可以帮助本人选择更合适的换乘站点 4.01 0.72 公交出 行意愿 (A6) Q21 如果公交出行信息很准确, 本人更愿意选择公交方式出行 4.13 0.77 Q22 即使公交出行信息获取很方便, 本人也不倾向选择公交方式出行 2.19 0.83 Q23 如果公交出行信息内容和表现形式都很丰富, 本人会倾向于选择公交方式出行 3.97 0.72 Q24 即使可以自主定制或选择公交出行信息, 本人也不愿意采用公交方式出行 2.14 0.85

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

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。

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。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	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

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。

表3

Table 3

表3(Table 3)

表3 观测变量标准化因子载荷估计结果 Table 3 Results of observed variables standardized factors estimation 变量 A1 A2 A3 A4 A5 A6 Q1 0.629 — — — — — Q2 0.331 — — — — — Q3 0.731 — — — — — Q4 0.754 — — — — — Q5 0.603 — — — — — Q6 — 0.664 — — — — Q7 — 0.257 — — — — Q8 — 0.524 — — — — Q9 — 0.384 — — — — Q10 — — 0.637 — — — Q11 — — 0.144 — — — Q12 — — 0.593 — — — Q13 — — 0.643 — — — Q14 — — — 0.860 — — Q15 — — — 0.562 — — Q16 — — — 0.524 — — Q17 — — — — 0.730 — Q18 — — — — 0.285 — Q19 — — — — 0.630 — Q20 — — — — 0.601 — Q21 — — — — — 0.784 Q22 — — — — — 0.763 Q23 — — — — — 0.766 Q24 — — — — — 0.792

表3 观测变量标准化因子载荷估计结果 Table 3 Results of observed variables standardized factors estimation

表4

Table 4

表4(Table 4)

表4 潜变量间标准化效应值估计结果 Table 4 Results of standardization effects estimation between latent variables 因变量 自变量 直接效应 间接效应 总效应 A5 A1 0.445 (4.837) — — 0.445 (4.837) A5 A2 0.287 (2.315) — — 0.287 (2.315) A5 A4 0.327 (2.920) — — 0.327 (2.920) A6 A1 0.375 (3.906) 0.375 (3.906) A6 A2 0.241 (2.231) 0.241 (2.231) A6 A3 -0.199 (-1.895) — — -0.199 (-1.895) A6 A4 -0.147 (-1.547) 0.276 (2.400) 0.128 (1.208) A6 A5 0.842 (9.253) — — 0.842 (9.253) 注:括号内为z检验值。

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

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。

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

Fig.2

	Figure Option ViewDownloadNew Window
	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

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

Table 5

表5(Table 5)

表5 细分子市场公交出行特征 Table 5 Public transit travel characteristics of sub-markets M1 M2 M3 M4 M5 样本数 263 98 155 99 88 公交出行比例/% 46.0 31.6 61.9 46.5 38.6 非公交出行比例/% 54.0 68.4 38.1 53.5 61.4

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。

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。