小汽車通勤者主觀幸福對出行方式選擇的影響

嚴 海，靳露寧，王鵬飛,2

(1.北京工業(yè)大學交通工程北京市重點實驗室，北京 100124；2.河北科技師范學院城市建設學院，河北 秦皇島 066004)

0 引言

隨著機動化及城鎮(zhèn)化的快速發(fā)展，交通擁堵已然成為困擾城市發(fā)展的難題，優(yōu)先發(fā)展公共交通戰(zhàn)略已經成為國內外城市可持續(xù)發(fā)展的共識。然而，從北京市2005—2014年的交通結構變化中可以看出，公共交通出行分擔率從29.8%上升至48%，而小汽車的出行分擔率始終維持在30%左右(不含步行)[1]。這表明居民對小汽車出行方式的依賴并沒有隨著公共交通系統(tǒng)建設、公共交通優(yōu)先發(fā)展策略及小汽車限行等措施的推進而減弱。利用經濟杠桿調控政策抑制小汽車出行收效甚微。

研究表明[2]，隨著人均GDP 的不斷提升，通勤者不再單純地關注經濟效用，而是越來越注重個人感受層面的問題，主觀幸福作為個人感受層面的組成部分與時代背景，受到通勤者的廣泛關注。在交通工程領域同樣有研究發(fā)現(xiàn)，提高幸福感而非機動性或可達性，才是終極的交通政策目標[3]。因此，交通管理政策應考慮增加主觀情感方面的研究，從主觀層面進一步討論影響出行者對小汽車依賴的因素，進而制定更為有效的管理策略。

1 研究綜述

在交通行為研究領域使用較為廣泛的出行方式選擇的研究方法主要有非集計模型、前景理論、智能體模型等。20 世紀70年代，文獻[4]首次將經濟學中的效用理論引入到交通工程領域，并以概率論為理論基礎，從個體行為的角度對出行方式選擇問題展開研究。1972年，文獻[5]提出的前景理論突破了原有期望效應理論中的絕對理性，用于研究不確定情況下決策者的實際決策行為。近年來，結合前景理論與有限理性理論的智能體模型被引入交通工程領域，更加貼近出行者的選擇與決策特性。1984年，文獻[6]首次將智能體模型運用到路徑選擇中，通過不同規(guī)則感知和更新不同路徑的出行時間出行者進行路徑選擇。

在傳統(tǒng)出行方式選擇研究中，影響居民出行方式選擇的因素通常被歸納為出行者特性、出行特性與交通工具特性三個方面。隨著研究的深入，學者們開始關注不可直接觀測的潛變量，如感知、態(tài)度、習慣等內在因素對交通方式選擇的影響，研究表明加入心理潛變量提高了傳統(tǒng)模型的精度和解釋力[7-11]。20世紀80年代，文獻[12-13]最先將潛變量引入交通領域，豐富了傳統(tǒng)出行行為研究。隨后，文獻[14-17]將出行者態(tài)度和知覺在決策過程中的影響加入到模型中進行需求預測。

20 世紀40年代末50年代初，文獻[18]在倡導積極心理學運動的基礎上提出了幸福心理學的重要觀點和測量工具。近年來，以主觀幸福研究為其重要的表現(xiàn)形式，文獻[19]認為主觀幸福是評價者根據(jù)自定的標準對其生活質量的整體性評價，也是目前普遍采用的定義。在交通領域，已有眾多國外學者對各種出行特征變量(出行方式、出行時間、出行距離、出行途中所做的事情等)與其他相關要素(如性別、年齡、收入等)進行了綜合研究，對各變量與主觀幸福之間的相關關系進行闡述。文獻[20]研究了美國居民出行方式、出行時長和城市道路擁堵對出行幸福感的影響。文獻[21]研究了出行和個人特征如何對出行幸福感產生影響，研究結果發(fā)現(xiàn)出行幸福感不僅與出行方式、時長、道路擁堵程度有關，還受到出行目的、出行伴侶、年齡、收入等個人因素的影響。文獻[2]研究了城市通勤時耗對個人主觀幸福感的影響。

鮮少有學者將出行對個人主觀幸福的影響作為交通政策的影響因素進行理論探討。本文以北京市小汽車通勤者為研究對象，在對北京市現(xiàn)行的交通管理政策進行分析的基礎上，重點從通勤成本變化角度，研究其對開車通勤者主觀幸福的影響，利用機器學習算法與結構方程模型，得到主觀幸福在開車通勤者進行出行方式選擇過程中起到的作用和強度，從而解析交通政策的心理影響。

2 研究思路

心理學認為主觀幸福包括兩個層面：認知評判層面和情緒感受層面[21]，其中，認知評判層面?zhèn)戎貪M意度，情緒感受層面?zhèn)戎匦腋８小?/p>

借鑒文獻[19]對主觀幸福的一般性定義，本文將通勤過程中的主觀幸福定義為：個體依據(jù)自己設定的標準對其通勤過程所做的整體評價，包括認知層面滿意度(以下簡稱“滿意度”)與情緒層面幸福感(以下簡稱“幸福感”)。具體到問卷中，滿意度、幸福感與主觀幸福的測量均采用李克特量表(Likert scale)法，直接詢問被試滿意度、幸福感與主觀幸福評價內容，1～5 分分別代表從非常不滿意(非常不幸福)到非常滿意(非常幸福)的程度。

對于開小汽車通勤者的主觀幸福調查由意向調查(Stated Preference,SP)和偏好調查(Revealed Preference,RP)調查構成，包括3 部分內容：1)個人基本屬性；2)通勤出行行為與滿意度調查；3)通勤成本變化與主觀幸福調查。其中第3 部分通過虛擬場景實現(xiàn)，其邏輯結構如圖1所示。

通勤者的思維過程分為搜索規(guī)則和決策規(guī)則。首先利用機器學習算法定性探索主觀幸福的作用階段及影響程度大小，結合相關性分析結果，進一步建立結構方程模型定量分析主觀幸福的影響機理，研究思路如圖2。

3 調查數(shù)據(jù)分析

采用網上發(fā)放問卷調查的方法，調查對象為：開車通勤者。共發(fā)放調查問卷150份，回收有效問卷124份，回收率為82.7%。

3.1 個人主要屬性

被調查者中男性55.6%，女性44.4%，男女比例基本平衡；樣本的家庭小汽車擁有量以1 輛為主，比例為76.6%；被調查者的年齡最小18 歲，最大58 歲，以青年(≤44歲，世界衛(wèi)生組織標準)為主，比例為97.6%。

3.2 通勤屬性分析

3.2.1 工作日使用小汽車的頻率

為了解通勤者對小汽車的依賴程度，用一周工作日5 天使用小汽車的頻率表征該項指標，并根據(jù)使用頻率強弱將指標劃分為3類(見表1)，用于進一步分析不同群體對政策的敏感性。

3.2.2 通勤成本對出行方式的影響

圖3為通勤成本遞增條件下，開車通勤者嘗試轉變交通方式的累積轉移概率。增加成本能有效促進交通方式的轉移，但累積轉移概率曲線的斜率卻隨著成本增加變小，且有30.6%的開車通勤者不會改變自己的出行方式。

3.3 主觀幸福交叉分析

通過卡方檢驗得到表2 的交叉分析結果，P<0.05 說明顯著性差異水平低于5%。主觀幸福與性別的交叉分析及其與主觀通勤距離的交叉分析結果均表明，性別與主觀通勤距離的值越大，主觀幸福結果值越大。由性別與主觀通勤距離設置值可得：男性開車主觀幸福高于女性；主觀通勤距離與主觀幸福正相關，距離越長，開車通勤者的主觀幸福越強。

4 通勤者主觀幸福對出行方式選擇行為影響機理建模

4.1 基于機器學習的Agent建模

為了準確捕捉通勤主觀幸福對出行方式選擇的影響，利用機器學習算法模擬出行者的選擇過程。基于機器學習的建模方法，將復雜系統(tǒng)中的微觀個體抽象為具有自主決策能力的實體，并為這些微觀實體制定自身行為規(guī)則，從而獲取系統(tǒng)運行狀況，這一方法更加符合出行者的選擇和決策特性。

圖1 問卷場景邏輯結構Fig.1 Logical structure of the questionnaire

圖2 研究思路Fig.2 Research framework

表1 通勤者小汽車依賴度分析Tab.1 Car dependence analysis of commuters

圖3 通勤成本增加對通勤者的影響Fig.3 Impact of travel cost increase on commuters

表2 交叉分析Tab.2 Cross analysis

表3 搜索規(guī)則Tab.3 Searching rules

表4 決策規(guī)則Tab.4 Decision-making rules

按照通勤者的思維過程，將通勤者的出行決策分為兩個步驟。當通勤環(huán)境政策發(fā)生改變時，通勤者首先通過搜索規(guī)則考慮是否改變出行方式，如果改變，則繼續(xù)通過決策規(guī)則選擇要改變的具體通勤方式；如果不改變，則繼續(xù)選擇小汽車出行。通過機器學習算法，可以定性地得到主觀幸福的作用階段，為進一步定量分析奠定基礎。

4.1.1 搜索規(guī)則建模

當外界條件改變程度超過出行者的心理預期時，便會觸發(fā)搜索規(guī)則，通勤者開始搜索其他可替代方案。選擇PART 算法生成搜索規(guī)則。

PART 決策樹是一種利用不完整的決策樹在數(shù)據(jù)集中提取規(guī)則的算法。算法最初的原理來源于割治的思想：先建立一條規(guī)則，將規(guī)則所覆蓋的實例去除，然后遞歸，為剩余的實例建立規(guī)則，直至沒有剩余的實例。而創(chuàng)建一條規(guī)則的過程就是在當前的實例集上創(chuàng)建一個完整的決策樹，然后將覆蓋實例數(shù)最多的葉子節(jié)點轉化成一條規(guī)則。該算法的優(yōu)點是能直接從決策樹中讀取規(guī)則，簡單且準確率高[22]，PART 算法生成搜索規(guī)則如表3所示。

每條搜索規(guī)則代表通勤者尋求某種改變的條件。例如，當滿足規(guī)則1 的四個條件時，該通勤者會選擇改變交通方式。

分析以上規(guī)則可以發(fā)現(xiàn)，尋求改變交通方式的通勤者會將主觀幸福屬性(滿意度、幸福感)作為衡量指標，每條規(guī)則均包含該屬性信息。但搜索規(guī)則模型無法準確得知主觀幸福與搜索行為之間的影響方向以及主觀幸福的測量變量，因此需要使用結構方程模型進一步分析兩者之間的關系以及主觀幸福的測量變量。

4.1.2 決策規(guī)則建模

每一輪搜索之后，既沒有尋求改變交通方式，也沒有尋求其他改變的通勤者，繼續(xù)執(zhí)行以往出行方案完成出行；選擇改變交通方式的通勤者需要決定具體交通方式的類型；對于尋求其他改變的通勤者，本文不做詳細討論。與搜索過程相類似，通勤者需要按照一定的決策規(guī)則做出決定。同樣選取PART 算法生成通勤者的決策行為，得到通勤者的決策規(guī)則如表4 所示。每條決策規(guī)則代表通勤者轉移至某個選擇肢的條件。

提取上述PART 算法得到的搜索規(guī)則和決策規(guī)則中的變量并總結為表5。對比發(fā)現(xiàn)，搜索規(guī)則中通勤者較多將主觀幸福的子概念[21]，如出行幸福感、滿意度等作為出行方案的搜索指標；而在決策規(guī)則中通勤者更注重客觀因素，如將通勤距離、收入等作為具體出行方式選擇的決策指標。由此可知，開車通勤者主觀幸福對出行方式選擇的影響在搜索階段起作用，會影響通勤者的出行方式選擇，是決定其方式轉移的關鍵所在。

4.2 基于結構方程模型的定量分析

機器學習算法可得到通勤者主觀幸福的作用階段，但不能得到主觀幸福對交通方式選擇的影響程度大小及機理。利用結構方程模型融合因素分析與路徑分析，同時處理多因變量、多結果以及潛變量之間的關系，進一步分析主觀幸福相關屬性影響通勤者搜索行為的機理。結合定性分析與相關性分析篩選，可以得到建立結構方程模型的變量，并最終確定個人屬性、通勤屬性、主觀幸福為影響通勤者搜索行為的三個潛變量(見表6)。標準化模型參數(shù)標定結果如圖4所示。

由變量間的路徑系數(shù)可得到如下結論：

1）主觀幸福對通勤搜索行為的標準化負荷系數(shù)為0.28，表明主觀幸福評價越高，通勤者越不容易改變自己的行為。

2）個人屬性對主觀幸福的標準化負荷系數(shù)為0.07，表明在改變通勤成本條件下，主觀幸福不受個人屬性差異的影響。

3）主觀幸福由通勤過程滿意度、場景實施前開車幸福感和場景實施后開車幸福感變化3 個顯變量體現(xiàn)，標準化負荷系數(shù)分別為0.73，0.66，-0.20。這表明通勤過程滿意度與場景實施前開車幸福感對主觀幸福具有顯著[23]的正向影響。主觀幸福與場景實施后開車幸福感變化呈負相關，意味著一旦采用了價格政策，出行者原本的開車通勤幸福感會下降，但是對于出行的主觀幸福評價會上升，因而越不容易改變出行方式。

此外研究發(fā)現(xiàn)，性別、主觀通勤距離、通勤時間、場景實施后開車幸福感變化四個變量在定性分析階段并未表現(xiàn)出顯著性，而進一步的定量分析階段發(fā)現(xiàn)其對交通方式選擇亦具有顯著影響?？梢姡褂媒Y構方程模型進行深入研究有其必要性。

擬合優(yōu)度檢驗結果見表7，模型各項評價指標均符合適配標準或處于臨界值，表示模型可以接受[23]。

需要指出的是，雖然主觀幸福與通勤搜索行為之間的標準化負荷系數(shù)較小，但是結合機器學習算法可知，主觀幸福是通勤者選擇改變交通方式決策過程必不可少的影響因素。在現(xiàn)實的交通管理政策中，如果能夠更重視政策的心理影響，可以增強理論解釋力和指導作用。

表5 定性分析階段模型變量集合Tab.5 Variable set

表6 結構方程模型變量解釋Tab.6 Variable explanation

圖4 主觀幸福影響機理Fig.4 Influence mechanism of subjective well-being

5 結論與實例分析

5.1 結論

目前北京市采用低廉的公共交通票價、提高公共交通可靠性和舒適性，以及小汽車限行、限購等舉措來引導出行方式轉移，但小汽車出行分擔率仍保持較高水平。本研究探討開車通勤者情感和心理變化對于出行方式選擇的影響階段和影響程度，進一步揭示出行者的選擇行為心理機理，從而為制定有效的交通政策服務，得到以下幾點結論：

1）通勤者的主觀幸福在出行方式選擇的搜索階段會產生影響，主觀幸福評價越高的開車通勤者，往往更不容易轉變其出行方式。

2）與以往研究結論有所不同[24-26]，本文從結構方程標定結果發(fā)現(xiàn)，相較于個人屬性對于通勤出行方式選擇的影響(絕對值為0.21)，主觀幸福影響更大(絕對值為0.28)。這也就表明，開車通勤交通環(huán)境惡化條件下(擁堵加劇、通勤時間不確定性增加等)，個人屬性對出行方式選擇的影響在下降，而主觀幸福對個人通勤效用的影響在提升，從另一側面解釋了開車通勤者不易改變出行方式的原因。

圖5 北京市地鐵線網密度變化情況Fig.5 Change of Beijing subway network density

3）由搜索規(guī)則和結構方程標定結果發(fā)現(xiàn)，當采取價格政策時，雖然開車通勤者在意通勤成本(絕對值為0.15)，且導致原有開車通勤的幸福感下降(-0.20)，但良好的出行體驗(通勤過程滿意度(0.73)、場景實施前開車幸福感(0.66))使得主觀幸福保持在較高水平，因而不容易轉變現(xiàn)有的開車通勤方式。

5.2 實例分析

結合以上結論，以北京市2005—2014年的交通政策與公共交通、小汽車出行分擔率之間的關系等內容作為實例分析，評價各項政策實施的有效性。由于結論1)涉及主觀情感等心理潛變量，目前缺乏對相關內容的研究與調研，因此只以結論2)、3)為例進行實證分析。

北京市小汽車限行政策通過規(guī)定禁止行駛時段，對小汽車通勤者出行進行約束，降低了其主觀幸福，有利于出行行為的轉變，直接從源頭上限制了該類通勤者使用小汽車的頻率，降低其對小汽車的依賴性，但是限行政策具有一定的強制性。事實上，在制定交通政策時，應該更傾向于引導性政策，吸引小汽車通勤者自覺轉向公共交通出行，更好地體現(xiàn)交通政策的社會可接受性與公平性。例如，共享單車的投放有效彌補了公共交通最后一公里的銜接問題，為出行者提供更加便利的出行環(huán)境，激勵通勤者使用公共交通出行①。

此外，公共交通服務水平提升是部分出行者轉移出行方式的原因之一，結合2005—2014年地鐵線網密度(見圖5)與交通結構(見圖6)變化情況可知，隨著地鐵線網密度的逐年增高，各對應年份的地鐵出行分擔率同樣呈遞增趨勢，尤其是2011年地鐵線網密度突增至0.288 3 km·km-2之后，地鐵出行分擔率呈現(xiàn)比較顯著的增長趨勢，期間出行小汽車分擔率下降了1.50%。雖然這一下降趨勢不顯著，但結果依舊表明地鐵服務水平的增加對部分小汽車出行者仍然起到一定的刺激作用。地鐵線網密度的增加能夠縮短出行者出行起訖點至地鐵車站的距離，減少無效出行時間，大大提升出行者主觀幸福，因此，以增加出行者主觀幸福為方式的政策措施對出行者行為方式的轉變具有激勵作用。

北京市公共交通低票價措施對于引導小汽車通勤者轉乘公共交通的引力不足。研究結論表明，相比于降低通勤成本，小汽車通勤者對出行體驗(包括可靠性、快捷性等公共交通服務水平)更為敏感。單純的低票價而出行體驗并未得到理想改善，是小汽車通勤者公共交通轉移意愿較低的重要原因。相對于小汽車通勤者，非機動車、步行方式通勤者對于出行費用更為敏感，公共交通出行對于后者的吸引力遠大于前者(見圖6，北京市居民2005—2014年自行車出行分擔率由30.3%下降至12.6%，小汽車出行分擔率由29.8%上升至31.5%)。這是北京市近10年小汽車出行分擔率一直居高不下的重要原因之一。因此降低公共交通出行成本并不是吸引小汽車通勤者的有效措施，提升出行體驗才是根本之策。

6 結語

近年來，北京市相繼出臺了多項優(yōu)化城市交通結構的政策，以減少小汽車出行分擔率。但由于出行者對政策手段的響應行為并未達到預期效果，造成政策的理論解釋與指導作用大打折扣，小汽車出行分擔率依舊沒有得到有效的抑制。本文將主觀幸福作為通勤效用的一部分，構建具有主觀意識的出行方式選擇模型，從心理層面加大了模型的理論解釋力，能夠更好地對通勤者出行方式選擇行為進行預測，為交通政策與交通基礎設施等的建設提供依據(jù)。

本文僅分析了通勤成本改變條件下，主觀幸福對小汽車通勤者出行方式選擇的影響機理及其測量變量。事實上，通勤時間與主觀幸福也存在密切關系[2]，有待進一步探討。此外，在未來研究內容中應增加問卷數(shù)量、提高有效問卷回收率，進而提高分析的精度和更準確的對策。

圖6 北京市交通結構變化情況Fig.6 Travel mode choice over the years in Beijing

注釋：

Notes:

①2014年，互聯(lián)網共享單車應運而生，逐漸取代有樁公共自行車，自行車出行量顯著提升。但由于缺乏2014年之后自行車出行比例數(shù)據(jù)，因此無法進行實證分析，僅做定性描述。