基于EFA及CFA方法的西安市公共自行車選擇行為分析

馬書紅，楊 野，王元慶，韓筍生

(1. 長安大學(xué) 公路學(xué)院，陜西 西安 710064；2 .墨爾本大學(xué) 建筑、建設(shè)與規(guī)劃系，澳大利亞 墨爾本 VIC3010)

0 引 言

隨著我國以人為本、可持續(xù)發(fā)展理念的深入，慢行交通逐漸被廣大群眾認(rèn)為是綠色環(huán)保的出行方式。公共自行車作為慢行交通與公共交通融合發(fā)展的產(chǎn)物，在倡導(dǎo)環(huán)保、發(fā)展慢行交通、實行公交優(yōu)先、解決“最后一公里”等方面產(chǎn)生深遠(yuǎn)影響。為了發(fā)展城市公共自行車系統(tǒng)，提高居民公共自行車使用頻率，首先需要分析影響居民公共自行車選擇行為的因素。目前國內(nèi)外已經(jīng)有部分學(xué)者進(jìn)行了相關(guān)研究：羅赟[1]利用二元Logistic回歸模型，定量分析各主要因素如何影響出行者選擇公共自行車；朱瑋等[2]以上海市閔行區(qū)公共自行車系統(tǒng)為例，分析系統(tǒng)運營前后居民出行意愿的轉(zhuǎn)變；周強(qiáng)等[3]探討了以公共自行車作為地鐵接駁手段的居民出行特性；錢佳等[4]基于探索性因子分析法，構(gòu)建影響蘇州市公共自行車滿意度的結(jié)構(gòu)方程假設(shè)模型; C. RISSEL等[5]提出用戶是否使用新建自行車道與距離自行車道的遠(yuǎn)近以及原有的出行行為有關(guān)；P. P. KOH等[6]提出自行車設(shè)施的改善將提高自行車使用頻率；J. WOODCOCK等[7]研究了倫敦的公共自行車系統(tǒng)，發(fā)現(xiàn)公共自行車對男性、老年人的效益更為顯著；R. BUEHLER等[8]研究發(fā)現(xiàn)機(jī)動車擁有量、學(xué)生數(shù)量、燃油價格、城市規(guī)模以及自行車設(shè)施安全性影響自行車使用頻率。

綜上所述，在指標(biāo)變量選擇上，國內(nèi)相關(guān)研究主要側(cè)重于公共自行車設(shè)施布局、服務(wù)質(zhì)量等對居民選擇行為的影響。而國外相關(guān)研究具有地域特色，如燃油價格、城市規(guī)模等指標(biāo)并不適應(yīng)國內(nèi)情況；在方法選擇上，現(xiàn)有研究較多運用Logistic模型、回歸分析等方法，模型結(jié)構(gòu)簡單與實際存在差異，而筆者嘗試將探索性因子分析與驗證性因子分析結(jié)合對影響公共自行車選擇行為的諸多變量進(jìn)行篩選、降維，以及潛變量命名、因子模型檢驗、模型結(jié)構(gòu)修正，并按照重要度排序，分析過程更加科學(xué)合理，并加入諸多體現(xiàn)地域特色的因素，如自然環(huán)境、個人屬性、出行目的、原因等指標(biāo)，最后以西安市為例驗證。

1 數(shù)據(jù)概述

部分學(xué)者認(rèn)為交通選擇行為受到出行目的、出行原因、出行時間、出行路徑、出行者社會經(jīng)濟(jì)屬性等指標(biāo)影響[9-11]。公共自行車選擇行為作為一種交通選擇行為，一方面受到上述指標(biāo)影響，另一方面受到其自身特性及社會環(huán)境等指標(biāo)影響，如公共自行車運營服務(wù)質(zhì)量、設(shè)計布局、出行者特性、交通基礎(chǔ)設(shè)施[1-9]。在回顧上述文獻(xiàn)的基礎(chǔ)上，歸類整理測量指標(biāo)，并結(jié)合西安市實際使用體驗，初步選定38個影響公共自行車選擇行為的因素，最終設(shè)計了一份包括38個題項的調(diào)查問卷和一份居民屬性調(diào)查表。針對每個題項，采用Likert 5點量表形式，以“非常不同意、不同意、中立、同意、非常同意”分別由低到高賦1～5分[4]。

2015年12月，調(diào)查小組對西安市蓮湖區(qū)、未央?yún)^(qū)、新城區(qū)、碑林區(qū)、灞橋區(qū)、曲江區(qū)以及長安區(qū)進(jìn)行問卷調(diào)查，獲取有效數(shù)據(jù)1 228份。具體測量指標(biāo)如表1。

表1 影響西安市公共自行車選擇行為的測量指標(biāo)Table 1 Indicators affecting public bicycle choice behavior in Xi’an

2 探索性因子分析

探索性因子分析法(exploratory factor analysis，EFA)是一項用于尋找多元觀測變量之間的結(jié)構(gòu)關(guān)系，以達(dá)到降維目的的技術(shù)。因而，EFA能夠?qū)㈠e綜復(fù)雜的變量關(guān)系綜合為少數(shù)幾個核心因子。計算公式如式(1)：

y1=a11x1+a12x2+…a1pxp+ε1

y2=a21x1+a22x2+…a2pxp+ε2

…

yp=ap1x1+ap2x2+…appxp+εp

(1)

式中：x1,x2,…,xp為p個變量；yi(i=1,2,…,p)為變量x1,x2…xp公有的因子，稱為公因子;系數(shù)aij(i=1,2,…,p;j=1,2…,p)為第i個變量在第j個因子上的載荷；εi(i=1,2,…,p)為第i個變量不能被前p個因子包括的部分，稱為特殊因子，計算方法如表2。

2.1 確定樣本規(guī)模

由于小樣本變量的隨機(jī)波動性可能產(chǎn)生較大誤差，因而樣本規(guī)模應(yīng)越大越好。但隨著樣本規(guī)模的增加，測量的隨機(jī)誤差會相互抵消，模型參數(shù)開始穩(wěn)定，再增加樣本將不再重要。

B. S. EVERITT等[12]提出樣本量與題項比率達(dá)10∶1為最佳。筆者初步選定38個題項，則考慮從1 228份有效數(shù)據(jù)中抽取400份數(shù)據(jù)作為樣本數(shù)據(jù)。

2.2 判斷因子分析的可能性以及篩選題項

實踐中并非所有多變量數(shù)據(jù)均適合采用因子分析,SPSS中提供4個統(tǒng)計量來判斷觀測數(shù)據(jù)是否適合因子分析，同時達(dá)到篩選題項目的：KMO檢驗(kaiser-meyer-olkin measure of sampling adequacy)、巴特利特球體檢驗(bartlett test of sphericity)、反映像相關(guān)矩陣(anti-image correlation matrix)、共同性(communalities)。根據(jù)以上判斷及篩選標(biāo)準(zhǔn)，將包含38個題項的400份數(shù)據(jù)導(dǎo)入SPSS中進(jìn)行EFA分析，采用主成分分析法萃取公因子，結(jié)果見表2和表3：

表3 KMO和Bartlett 的球形度檢驗Table 3 KMO and Bartlett sphericity test

表2 因子分析結(jié)果摘要Table 2 Summary of factor analysis results

由表3可知，KMO檢驗值為0.78(越接近1越好)，達(dá)到“適中(Middling)”等級，同時，巴特利特球體檢驗Sig.為0.006(<0.05),說明本研究初步選定的38個題項適合因子分析，可以建立因子模型；表3中大部分變量的取樣適當(dāng)性量數(shù)MSA值達(dá)到適應(yīng)性判斷標(biāo)準(zhǔn)(>0.50)，其中性別、職業(yè)、學(xué)歷、路線比較安全、辦卡和補(bǔ)卡手續(xù)方便性的MSA值未達(dá)標(biāo)，考慮從因子模型中刪除；表3中有部分題項共同性未達(dá)到篩選閾值(<0.20)，包括：性別、職業(yè)、學(xué)歷、低碳環(huán)保、路線比較安全、辦卡和補(bǔ)卡手續(xù)的方便性，考慮從因子模型中刪除。綜上分析，大部分題項可以進(jìn)行因子分析，建立因子模型，同時考慮刪除部分變量。

探索性因子分析重在“探索”二字，根據(jù)楊建明等[13]提出題項刪除原則，通過不斷探索，共進(jìn)行了7次因子分析，刪除6個題項(性別、職業(yè)、學(xué)歷、低碳環(huán)保、路線比較安全、辦卡和補(bǔ)卡手續(xù)的方便性)，最終保留32個題項。

2.3 確定因子個數(shù)

在探索性因子分析中，常用于確定因子數(shù)量的原則有4種：事先決定準(zhǔn)則法、碎石圖檢驗法、Kaiser的特征值大于1原則、累計貢獻(xiàn)率法，如公式(2)。由于以上4種準(zhǔn)則均存在內(nèi)部局限性，因而一些研究者認(rèn)為，4個標(biāo)準(zhǔn)不應(yīng)單獨使用。

(2)

式中:p為累計貢獻(xiàn)率，當(dāng)p>50%時因子模型可靠；λi為公式(1)中第i個因子yi的方差，實際也是因子yi的特征值；p、r為EFA選定p個主成分，而保留r個主成分。

事實上在問卷設(shè)計階段已利用了事先決定準(zhǔn)則法，即根據(jù)事先擬定的因子模型結(jié)構(gòu)選取變量；碎石圖(圖1)顯示，在第7和第8個特征值之間出現(xiàn)明顯的轉(zhuǎn)折點，在此轉(zhuǎn)折點以上的因子數(shù)代表公因子數(shù)量；根據(jù)Kaiser特征值大于1原則，圖1中共有7個因子特征值大于1；由公式(2)計算得表3的累計方差貢獻(xiàn)率，結(jié)果表明當(dāng)提取7個因子時累計方差貢獻(xiàn)率達(dá)60.955%，說明萃取7個公因子的因子模型是可靠的。綜合以上4種方法，最終確定公因子數(shù)量為7個。

圖1 碎石圖Fig. 1 Scree plot

2.4 因子旋轉(zhuǎn)

對于多變量數(shù)據(jù)，如公式(1)，變量xi與多個因子yi(i=1,2,…,p)存在相關(guān)關(guān)系，即變量由多個因子共同解釋；同時，一個因子yi可以同時解釋多個變量x1,x2…xp。為了簡化因子結(jié)構(gòu)，使得yp之間、εi與yp之間，εi之間相互獨立，這里采用方差最大直交旋轉(zhuǎn)法旋轉(zhuǎn)公因子，以便于得到合理的因子解釋。

2.5 解釋因子結(jié)構(gòu)

由表3可知，選定因子(加粗項)載荷均大于0.50，說明公因子解釋指標(biāo)變量的方差達(dá)25%以上；選定的32個題項的共同性均達(dá)0.20以上，滿足要求；32個題項的Cronbach’s α系數(shù)為0.854，達(dá)到“理想”水平，各個構(gòu)面的Cronbach’s α系數(shù)均達(dá)到0.60以上(>0.50)，表明各因子構(gòu)面內(nèi)部穩(wěn)定性和一致性較高，因子結(jié)構(gòu)穩(wěn)定；組合信度均大于0.7，說明量表信度得到穩(wěn)定測量，平均方差提取在標(biāo)準(zhǔn)值0.5附近，表明各觀測變量可以較好解釋對應(yīng)潛變量[14]。綜上分析，各公因子可以根據(jù)其所包含的共同特性進(jìn)行命名。

第1個公因子解釋總方差的11.311%，按照方差貢獻(xiàn)率排序依次為：租賃點布局合理性>租賃點距離公交站點或地鐵口距離>居住區(qū)位>出行距離>租賃點數(shù)量，解釋了租賃點及居住地布局對居民公共自行車選擇行為的影響，因而將之命名為空間布局因子。

第2個公因子解釋總方差的5.832%，排序為：鍛煉身體>休閑娛樂>方便換乘>買菜或購物>上班或上學(xué)，解釋了不同出行活動對選擇行為的影響，命名為出行目的因子。

第3個公共因子解釋總方差的5.252%，排序為：健康狀況>年齡>收入>性格，解釋了居民屬性對選擇行為的影響，命名為居民屬性因子。

第4個公因子解釋總方差的22.365%，排序為：下雨>霧霾>大風(fēng)>寒冷>下雪>炎熱>霜凍，解釋了天氣狀況以及溫度變化對選擇行為的影響，命名為天氣及氣候因子。

第5個公因子解釋總方差的4.759%，排序為：路線暢通>騎行路線時長少>騎行路線距離短>道路平整，解釋了騎行道路路況對選擇行為的影響，命名為騎行路況因子。

第6個公因子解釋總方差的7.479%，排序為：公共自行車調(diào)度系統(tǒng)>刷卡系統(tǒng)故障>車輛維修保養(yǎng)不及時，解釋了公共自行車運營狀況及服務(wù)質(zhì)量對選擇行為的影響，命名為運營服務(wù)因子。

第7個公因子解釋總方差的3.960%，排序為：避免擁堵>便宜省錢>靈活自由>存取方便，解釋了居民使用公共自行車出行原因?qū)ζ溥x擇行為的影響，命名為出行原因因子。

將命名后的7個公因子按因子平均得分排序：天氣及氣候>空間布局>運營服務(wù)>出行目的>居民屬性>騎行路況>出行原因。上述次序可理解為西安市公共自行車選擇行為影響程度的排序。

3 驗證性因子分析

驗證性因子分析(confirmatory factor analysis，CFA)是用于檢驗已知的特定結(jié)構(gòu)是否按照預(yù)期的方式產(chǎn)生作用。驗證性因子分析的主要環(huán)節(jié)如下：

3.1 定義因子模型

依據(jù)探索性因子分析結(jié)果，影響居民公共自行車選擇行為的潛變量有7個(ξ1-ξ7)，由32個測量題項共同組成，各變量對居民公共自行車選擇行為(η1)的影響通過“我愿意使用公共自行車作為出行方式(y1)”來度量[15]。如圖2，建立居民公共自行車選擇行為理論模型。

3.2 模型參數(shù)估計、修正及評價

侯杰泰[16]指出，為避免最后所得的模型過于依賴樣本數(shù)據(jù)，建議用一半的數(shù)據(jù)建立模型，另一半用于模型的交互確認(rèn)。為了驗證因子模型結(jié)構(gòu)合理性，從1 228份有效數(shù)據(jù)(不包括做EFA分析的400份數(shù)據(jù))中重新提取400份數(shù)據(jù)作為測試樣本，導(dǎo)入AMOS7.0中構(gòu)建結(jié)構(gòu)方程模型(structural equation modeling, SEM)。計算結(jié)果如圖2。通過不斷修正因子模型結(jié)構(gòu)，直到各項擬合指標(biāo)達(dá)到閾值。

表4 SEM整體擬合指數(shù)Table 4 SEM global fitting index

圖2 模型參數(shù)估計Fig. 2 Parameter estimation of the model

對比表4中理想值與假設(shè)模型，發(fā)現(xiàn)原始模型仍具有修正空間，基于解釋上的合理性對原始模型微調(diào)，主要表現(xiàn)在外生潛變量觀察指標(biāo)的測量誤差εi之間的相關(guān)性，其中修正指數(shù)最大的是建立租賃點車輛數(shù)與調(diào)度系統(tǒng)、居民收入與便宜省錢、路線比較暢通與避免擁堵之間的相關(guān)性，其次是居住區(qū)位與換乘之間的相關(guān)性。通過上述操作，SEM整體擬合指數(shù)進(jìn)一步改善，基本達(dá)到各指標(biāo)閾值。

圖2中數(shù)值為路徑系數(shù)，用于衡量變量之間相關(guān)性大小或稱為變量之間的效應(yīng)值。效應(yīng)分為直接效應(yīng)(direct effect)、間接效應(yīng)(indirect effect)和總效應(yīng)(total effect)。各變量之間的效應(yīng)值均可從圖2中觀察或計算得到，可以看出測量模型中每個潛變量的觀察變量標(biāo)準(zhǔn)化估計值在0.61～0.97，結(jié)構(gòu)模型在0.21～0.52，統(tǒng)計上均顯著(t-value>1.96)[15]。其中天氣及氣候、空間分布、運營服務(wù)、出行目的以及居民屬性對選擇行為具有顯著影響(t檢驗值在0.01水平上顯著)，直接效應(yīng)>0.40；其次是騎行路況、出行原因(t檢驗值在0.05水平上顯著)，直接效應(yīng)>0.20。

4 結(jié)論及建議

基于探索性因子分析法，結(jié)合4種篩選原則，將初步選定的影響西安市公共自行車選擇行為的38個題項縮減至32個，依據(jù)刪除原則去除MSA及共同性不達(dá)標(biāo)題項：性別、職業(yè)、學(xué)歷、低碳環(huán)保、路線比較安全、辦卡和補(bǔ)卡手續(xù)的方便性，并進(jìn)一步劃分成7個維度，各公因子根據(jù)其所包含的共同特性命名，按方差貢獻(xiàn)率排序為：天氣及氣候>空間布局>運營服務(wù)>出行目的>居民屬性>騎行路況>出行原因。

基于驗證性因子分析法，證明了測量模型與結(jié)構(gòu)模型內(nèi)部以及彼此之間的顯著性聯(lián)系，不再需要剔除任何變量。7個公因子按照方差貢獻(xiàn)率由大到小的順序排序，其對應(yīng)的最大路徑系數(shù)依次是“下雨(0.86)”、“租賃點距離公交站點或地鐵口距離(0.78)”、“公共自行車調(diào)度系統(tǒng)(0.80)”、“上班或上學(xué)(0.85)”、“年齡(0.82)”、“路線暢通(0.83)”、“避免擁堵(0.81)”。

1)研究結(jié)果表明，影響西安市居民選擇行為的最主要因子是天氣及氣候因子。這個結(jié)果易于理解，由于公共自行車舒適性、穩(wěn)定性、安全性差，抗干擾能力弱等缺點，雨雪大風(fēng)天氣、酷暑嚴(yán)寒氣候?qū)@著降低公共自行車的用戶體驗，甚至成為不可使用的出行方式。目前來看，天氣及氣候因子帶來的影響是公共自行車交通方式不可避免和改變的，這與城市所處的地形、海拔、經(jīng)緯度等因素有關(guān)，城市在考慮是否引進(jìn)及推廣公共自行車時需要結(jié)合自身的氣候類型、自然天氣現(xiàn)象、地表形態(tài)等因素，做出判斷，以避免公共自行車“水土不服”、財政損失、城市公共空間資源浪費等現(xiàn)象。

2)其次是空間布局因子。由于公共自行車“騎不快、騎不遠(yuǎn)”的特點，西安市居民在選擇公共自行車作為出行方式時對出行距離、租賃點位置、數(shù)量等因素較為敏感，規(guī)劃者需要按照租賃點的合理輻射范圍(<3 km)[14]，以及城市“圈層式”的空間分異結(jié)構(gòu)，對主城區(qū)、外圍區(qū)、風(fēng)景旅游區(qū)等采用不同規(guī)格調(diào)整租賃點布局，深入挖掘城市空間結(jié)構(gòu)對各類地域使用特征的影響，以達(dá)到在滿足居民需求的同時控制投入成本，減少不必要的租賃點布設(shè)。

3)運營服務(wù)因子是制約西安市居民選擇公共自行車出行的重要因素。調(diào)查過程中發(fā)現(xiàn)，通勤高峰時段“租不到、還不上”現(xiàn)象較為普遍，同時刷卡系統(tǒng)故障、車輛損壞也是被調(diào)查者反映較多的問題。建議運營部門從后期系統(tǒng)維護(hù)、車輛調(diào)度與維修方面著手，切實提高用戶滿意度。

4)出行目的、出行原因在一定程度上決定了對出行距離、出行時間、出行質(zhì)量的要求。研究表明西安市居民在選擇公共自行車作為出行方式時將出行目的、原因納入重點考慮范圍，對具體量化指標(biāo)有待進(jìn)一步研究；居民屬性因子是體現(xiàn)地域差異、確定適應(yīng)群體的關(guān)鍵性指標(biāo)。調(diào)查結(jié)果顯示(表5)，使用公共自行車出行的西安市居民年齡集中在20～40歲之間，職業(yè)以學(xué)生、職工為主，身體健康者居多，收入集中在2 000～6 000元之間，學(xué)歷以大專、本科為主，性格以活潑好動、樂天派居多。規(guī)劃者可根據(jù)公共自行車受眾群體的聚類性，如在學(xué)校、企業(yè)、居民區(qū)附近增加公共自行車供給及站點密度；騎行線路是公共自行車系統(tǒng)的重要組成部分，保障線路平整、暢通是提高居民使用率的重要因素。

表5 西安市居民屬性調(diào)查Table 5 Attribute questionnaire for Xi’an residents