考慮心理潛變量的城市電動自行車用戶出行決策行為*

胡 誠 黃合來▲ 李欣彤 韓春陽 姜前山 楊秋實

（1.中南大學(xué)交通運輸工程學(xué)院 長沙410075；2.中南大學(xué)智慧交通湖南省重點實驗室 長沙410075；3.湖南省交警總隊 長沙410199）

0 引 言

作為1種便捷、高效的短距離出行工具，電動自行車已成為中低收入出行者的主要出行方式。然而電動自行車的安全治理已成為困擾交通管理者的主要問題，僅2013—2017年間，全國發(fā)生的電動自行車致死的交通事故就達(dá)到了5.62萬起，導(dǎo)致的傷亡人數(shù)分別達(dá)到了6.35萬人和8 431人[1]。

根據(jù)尺寸、質(zhì)量和動力性能等標(biāo)準(zhǔn)，電動自行車一般可以分為狹義電動自行車和電動摩托車見圖1[2]。由于1999年頒布的《電動自行車通用技術(shù)條件》規(guī)范中指導(dǎo)方針較為靈活，導(dǎo)致了電動自行車的嚴(yán)重“輕摩化”，并且2004年頒布的《中華人民共和國道路交通安全法》將電動自行車劃分為非機動車輛，因此電動自行車使用者無需駕駛證和頭盔即可上路[3]。與狹義電動自行車相比，電動摩托車質(zhì)量更大且速度更快，導(dǎo)致發(fā)生事故時騎行者更容易受到嚴(yán)重傷害，而缺乏使用門檻和頭盔的保護(hù)則進(jìn)一步提高了電動自行車騎行者的風(fēng)險。為進(jìn)一步規(guī)范電動自行車管理，提升電動自行車的安全性能，國家市場監(jiān)督管理總局和中國國家標(biāo)準(zhǔn)化管理委員會在2018年頒布了新的《電動自行車安全技術(shù)規(guī)范》（以下簡稱為《新國標(biāo)》），要求各地方政府依據(jù)當(dāng)?shù)仉妱榆囀袌鎏卣?，出臺相應(yīng)的管理政策，鼓勵以給予補貼和登記過渡牌照等形式，逐步取締超標(biāo)違規(guī)電動自行車。

圖1 電動自行車分類Fig.1 Classification of E-bikes

上述政策類似于交通需求管理措施中的推動措施，主要通過強制性管理來引導(dǎo)并改變出行者的出行行為，以達(dá)到提升通行效率或交通安全的目的。政策的實施必將導(dǎo)致部分電動自行車用戶的出行轉(zhuǎn)向其他交通方式，進(jìn)而影響原有交通出行系統(tǒng)的分布結(jié)構(gòu)。不同政策實施策略將會有什么樣的實施效果，具有不同社會人口特征和心理特征的出行者會如何調(diào)整其出行行為，政策的實施對城市路網(wǎng)交通分配的影響如何，是政策制定者和交通管理人員關(guān)心的重要問題。因此，有必要采用問卷調(diào)查收集數(shù)據(jù)，了解人們在不同電動自行車規(guī)范管理政策下的心理和行為反應(yīng)，從而系統(tǒng)地分析人們在政策影響下的決策行為。

針對強制性政策的研究可大致分為2類，一類為政策心理接受度的研究，如推動措施下的接受度[4]，道路擁擠收費政策下的民眾接受度[5]等；另一類則為政策下的行為決策研究，如限行政策對人們出行方式選擇的影響[6]，限行政策下的違規(guī)行為[7]，禁摩政策對摩托車用戶通勤的影響[8]等。大多數(shù)研究從這2個方面分別進(jìn)行了分析，但鮮有研究分析了心理接受度與出行行為之間的聯(lián)系。Jia等[9]分析了出行者在限牌政策下的接受度和行為反應(yīng)，發(fā)現(xiàn)低接受度會導(dǎo)致更多的負(fù)面行為反應(yīng)，進(jìn)而削弱政策的有效性。Cools等[10]對道路擁擠收費政策下的接受度和出行行為變化之間的聯(lián)系進(jìn)行了研究，發(fā)現(xiàn)對政策的感知接受度僅在較小的程度上影響了人們的出行決策。當(dāng)前大多數(shù)交通需求管理措施都面向小汽車，因此，有關(guān)強制性政策的研究大多針對小汽車相關(guān)的政策，部分研究綜述了電動自行車相關(guān)的政策法規(guī)[3，11]，但鮮有研究對電動自行車政策進(jìn)行深入的分析。Guo等[12]利用貝葉斯Logit模型研究了影響南京市電動自行車使用者上牌登記的因素，并分析了顯著因素的效應(yīng)機理。雖然規(guī)范管理電動自行車的政策正在全國范圍內(nèi)廣泛實施，但沒有研究深入分析了該強制性政策給民眾帶來的出行行為上的影響。本文旨在探討人們在不同城市電動自行車管理政策下的行為反應(yīng)，結(jié)合問卷調(diào)查收集的數(shù)據(jù)，考慮政策接受度等心理潛變量對行為決策的影響，先構(gòu)建多指標(biāo)多因素（MIMIC）模型得出潛變量的預(yù)測值，然后將潛變量帶入多項式Logit模型中構(gòu)成混合選擇模型，從政策遵從和方式轉(zhuǎn)移這2個方面來研究政策影響下電動自行車用戶的決策行為機理，從而設(shè)法提高政策實施的有效性，為進(jìn)一步分析政策的宏觀影響提供依據(jù)。

1 數(shù)據(jù)來源與檢驗

1.1 問卷設(shè)計及描述性統(tǒng)計分析

本文采用SP（Stated Preference）問卷調(diào)查方法收集數(shù)據(jù)，SP問卷調(diào)查法可以通過建立假設(shè)場景來調(diào)查被調(diào)查者的偏好[13]，適用于本研究針對政策場景的假設(shè)研究。根據(jù)當(dāng)前部分城市頒布實施的電動自行車規(guī)范管理政策 ，本次問卷調(diào)查給定被調(diào)查者2種政策實施場景，其中場景1為給予超標(biāo)違規(guī)電動自行車用戶3年的緩沖時間，緩沖期內(nèi)用戶需登記臨時牌照，緩沖期過后將嚴(yán)格禁止超標(biāo)違規(guī)電動自行車出行，場景2為給予超標(biāo)違規(guī)電動自行車用戶半年的緩沖時間，緩沖期內(nèi)用戶需登記臨時牌照，并且根據(jù)電動自行車使用年限提供相應(yīng)的報廢補貼，緩沖期過后將嚴(yán)格禁止超標(biāo)違規(guī)電動自行車出行。基于此，獲得被調(diào)查者的心理接受度及決策行為信息，決策行為包括：①繼續(xù)使用兩輪電動車，但不會注冊臨時牌照；②注冊臨時牌照；③購買符合國家標(biāo)準(zhǔn)的電動自行車；④使用其他的交通方式出行。本次問卷調(diào)查采用線上調(diào)查的形式，面向全國的電動自行車用戶，調(diào)查時間為2020年6月—7月，總共收集到問卷1 000份，有效問卷880份。

被調(diào)查者的基本信息（個人屬性、家庭屬性及出行信息）見表1。

表1 問卷數(shù)據(jù)描述性統(tǒng)計Tab.1 Descriptive statistics for survey data

1.2 潛變量數(shù)據(jù)檢驗

對3個潛變量的信效度進(jìn)行檢驗，結(jié)果見表2。由表2可知，各潛變量的組合信度（composite reliability，CR）均大于0.8，說明各潛變量具有較好的內(nèi)部一致性，滿足信度檢驗要求。各潛變量的平均提取方差（average variance extracted，AVE）均大于0.6，表明各潛變量均具有較好的收斂效度，且各潛變量AVE的平方根均大于其與其他相關(guān)變量的相關(guān)系數(shù)，說明各潛變量的區(qū)別效度較好。

表2 信效度檢驗結(jié)果Tab.2 Results of the reliability and validity test

2 模型建立

2.1 混合選擇模型

離散選擇模型在經(jīng)濟(jì)學(xué)，社會學(xué)，市場營銷，交通等方面都有廣泛的應(yīng)用，其假設(shè)人們所做的決策遵循隨機效用理論，而效用則通常映射到?jīng)Q策者的觀測特征和替代方案的觀測特征上。然而一些無法被觀測的潛在因素（如決策者的價值觀、態(tài)度、感知和偏好等）同樣會影響決策者的決策，忽視這些潛在因素對結(jié)果的影響會導(dǎo)致估計偏差。許多學(xué)者使用混合Logit模型（mixed logit model）和潛在分類模型（latent class model）來解決可能存在的偏好異質(zhì)性問題，但是這類方法沒有考慮到潛在變量可能會與解釋變量相關(guān)的問題，并且將影響決策的潛在因素視為黑盒子，無法分析潛在的心理構(gòu)念對決策的影響機理[14]?；诖?，為了整合傳統(tǒng)的觀測變量和個人態(tài)度和感知等潛在的心理變量，來獲得對個人決策過程更為深入的了解，部分研究者提出了將潛在的心理構(gòu)念和傳統(tǒng)的離散選擇模型結(jié)合的混合模型，一般稱為混合選擇模型（hybrid choice model，HCM）或整合選擇與潛在變量模型（integrated choice and latent variable，（ICLV）model）[15]。

見圖2（a），混合選擇模型主要由2個部分組成，分別為潛變量模型和離散選擇模型，每個部分都包含1個或多個測量方程和結(jié)構(gòu)方程[14]。見圖2（b），測量方程表征潛變量與其可觀測指標(biāo)變量之間的關(guān)系，即

式中：Y為可觀測的指標(biāo)變量；Z為潛變量；α為Z相應(yīng)的系數(shù)，也稱為Y對Z的因子載荷；ε為Y的測量誤差。

圖2（c）表明結(jié)構(gòu)方程用來表征解釋變量（顯變量）與潛變量之間及不同潛變量之間的關(guān)系，本文中僅考慮解釋變量和潛變量之間的關(guān)系，即

圖2 混合選擇模型結(jié)構(gòu)Fig.2 Structure of the hybrid choice model

式中：X為解釋變量；β為X相應(yīng)的系數(shù)，即路徑系數(shù)；ξ為誤差項。

2.2 模型定義

針對電動自行車管理政策實施的特點，本文將政策接受度（Z ACC）、問題意識（Z PA）和主觀規(guī)范（Z SN）3個潛變量對決策的影響納入考量。政策接受度指民眾對于電動自行車管理政策的態(tài)度或支持的程度。部分研究發(fā)現(xiàn)低政策接受度會影響人們在強制性政策下的決策行為[9]，然而也有研究發(fā)現(xiàn)接受度僅在較小的程度上影響人們的行為[10]，因此有必要探究政策接受度對行為是否存在顯著的效應(yīng)，并且分析政策接受度導(dǎo)致的行為上的差異。問題意識來自于規(guī)范激活理論[16]，主要指民眾對于超標(biāo)違規(guī)電動自行車所造成的問題的了解程度，問題意識能夠激活人們的道德意識來執(zhí)行某種特定的行為，并且是政策接受度重要的前因變量，因此問題意識的強弱可能也會對決策行為產(chǎn)生影響。社會規(guī)范來自于計劃行為理論，指民眾對于執(zhí)行符合政策行為的社會壓力的感知[17]，社會規(guī)范不僅是行為意圖的前因變量，而且也能塑造人們特定的道德意識，因此可能也會影響人們的決策行為。

考慮了個人屬性、家庭屬性、出行特征和心理因素對決策行為的影響，本文所建模型由多指標(biāo)多因素模型（Multiple Indicators and Multiple Causes model，MIMIC）和多項式Logit模型構(gòu)成，見圖3。

圖3 理論模型Fig.3 Theoretical model

MIMIC模型由測量方程和結(jié)構(gòu)方程構(gòu)成，可表示為

式中：p和q為與潛變量顯著相關(guān)的顯變量和指標(biāo)變量的個數(shù)；z mn為第n個個體的第m個潛變量（m=1，2，3，分別代表政策接受度，問題意識和主觀規(guī)范）；x mnp為與潛變量z mn有顯著相互關(guān)系的顯變量；βmn為其相應(yīng)的系數(shù)；ξmnp為誤差項；ymnq為潛變量zmn的指標(biāo)變量；αmn為指標(biāo)變量y mnq對潛變量z mn的因子載荷；εmnq為測量誤差；ξmnp～N(0，∑1)，εmnq～N(0，∑2)。

多項式Logit模型部分可表示為

式中：Uin為第n個個體選擇決策i的效用；k為影響決策的顯變量的個數(shù)；x kin為影響決策的顯變量；θki為x kin的系數(shù)；l為影響決策的潛變量的個數(shù)；zlin為影響決策的潛變量；ρli為zlin的系數(shù)；ηin為誤差項，服從相互獨立的Gumbel分布；f in為第n個個體是否選擇決策i的結(jié)果。

則個體n選擇決策i的概率為

式中：xin為影響決策的顯變量，如個人屬性中的年齡、性別和職業(yè)等；zin為影響決策的潛變量（政策接受度，問題意識和主觀規(guī)范）；θ和ρ為待估計的參數(shù)。

2.3 模型估計

混合選擇模型一般采用極大似然法來進(jìn)行估計，但是由于其聯(lián)合似然函數(shù)的復(fù)雜性，直接估計往往需要采用仿真方法（如模擬極大似然法，simulated maximum likelihood estimation），且存在估計困難，計算時間較長等問題[14]，因此在實際應(yīng)用中較少采用。本文采用連續(xù)數(shù)值估計法，即先對MIMIC模型進(jìn)行估計，得出潛變量的擬合值，然后再對多項式Logit模型進(jìn)行估計[18]。

3 模型結(jié)果分析

3.1 MIMIC模型結(jié)果

分別建立2個場景下的MIMIC模型，模型的擬合指標(biāo)見表3。

表3 模型擬合指標(biāo)結(jié)果Tab.3 Results of model fitting indices

由表3可知，2個模型的近似均方根誤差RMSEA都小于0.055，相對擬合指數(shù)CFI及塔克-劉易斯指數(shù)TLI均大于0.95，標(biāo)準(zhǔn)化殘差均方根SRMR均小于0.025，說明2個模型的擬合度均良好。

2個場景下的MIMIC模型結(jié)果見圖4，由于本文不考慮潛變量之間的關(guān)系，因此圖中不包含潛變量之間的路徑和系數(shù)。

由圖4可知，3個潛變量的指標(biāo)變量的因子載荷均大于0.7，說明各潛變量的選取及題項設(shè)置均有效。結(jié)構(gòu)模型的具體結(jié)果見表4，顯變量中的年齡、擁有汽車和買車計劃顯著影響場景1下的接受度，而場景2下的接受度還受到性別和家庭年收入的影響。人們的問題意識受到是否有車和買車計劃的顯著影響，而性別和家庭年收入則顯著影響人們的主觀規(guī)范。

表4 結(jié)構(gòu)模型結(jié)果Tab.4 Results of the structure model

圖4 MIMIC模型結(jié)果Fig.4 Results of the MIMIC model

3.2 多項式Logit模型結(jié)果

基于MIMIC模型的結(jié)果可以得到潛變量的擬合值，將其與顯變量一起用來進(jìn)行多項式Logit建模。針對2個場景，分別以決策1和決策4為基礎(chǔ)項，利用SAS軟件進(jìn)行決策建模，得到的結(jié)果見表5。

表5 模型分析結(jié)果比較Tab.5 Comparison of analysis results of the model

3.2.1 方式轉(zhuǎn)移決策分析

當(dāng)選擇決策4為基礎(chǔ)項時，可以分析影響人們是否進(jìn)行方式轉(zhuǎn)移的因素。由表5可知，場景1下影響人們方式轉(zhuǎn)移的因素主要包括受教育程度、家庭年收入、家庭是否有小孩、家庭是否汽車、家庭汽車購買計劃、電動自行車使用頻率、政策接受度和問題意識。受教育程度（Vedu）較高對決策1和決策2都有顯著的正效應(yīng)，OR值分別為2.10和1.65，說明相比于向其他交通方式轉(zhuǎn)移，受教育程度較高的電動自行車用戶違反政策和注冊臨時牌照的可能性分別是受教育程度較低的用戶的2.10倍和1.65倍，這可能由于受教育程度較高的用戶中相當(dāng)大的比例為學(xué)生群體，由于收入較低，他們會做出相對更經(jīng)濟(jì)的決策。而家庭年收入較高與決策1和決策2都呈顯著的負(fù)相關(guān)，OR值分別為0.33和0.58，說明相比于繼續(xù)使用無牌超標(biāo)違規(guī)電動自行車或上臨時牌照，家庭年收入較高的用戶更傾向于轉(zhuǎn)向其他的交通方式，這可能是由于家庭年收入較高的用戶對電動自行車的依賴程度較低，可以更加自由地選擇交通方式。家庭有小孩（Vchild）對決策3有顯著的正效應(yīng)，OR值為1.90，說明相比于向其他交通方式轉(zhuǎn)移，家庭有小孩的用戶選擇購買符合標(biāo)準(zhǔn)的電動自行車的可能性是家庭沒有小孩的用戶的1.90倍，可能是由于購買符合國家安全技術(shù)標(biāo)準(zhǔn)的電動自行車是較為經(jīng)濟(jì)且安全的選擇。家庭擁有汽車（Vcaro）與決策2呈顯著的負(fù)相關(guān)，而有汽車購買計劃（Vcarp）則對決策2有顯著的正效應(yīng)，說明沒有汽車或有汽車購買計劃的用戶更傾向于注冊臨時牌照，而家庭擁有汽車的電動自行車用戶在政策下則更傾向于放棄違規(guī)電動自行車，使用其他的交通方式出行。

電動自行車使用頻率（Vebf）高對決策1、決策2和決策3都有非常顯著的正效應(yīng)（OR值分別為4.24，3.59和3.60），使用頻率中等與決策3呈顯著的正相關(guān)（OR值為1.72），說明電動自行車使用頻率越高的電動自行車用戶，在緩沖期內(nèi)越傾向于繼續(xù)使用電動車，可能由于電動自行車使用頻率越高的用戶已經(jīng)習(xí)慣了采用電動自行車方式出行，在短時間內(nèi)不愿意改變其出行方式。

潛變量中政策接受度（ZACC）和問題意識（ZPA）都對決策有顯著影響。其中政策接受度與決策3呈顯著的正相關(guān)，而與決策1呈顯著的負(fù)相關(guān)，OR值分別為0.84和1.41，說明對電動自行車規(guī)范管理政策接受度較高的用戶都更傾向于購買1輛符合標(biāo)準(zhǔn)的電動自行車，而更不愿意違反政策。問題意識對決策1和決策2都有顯著的負(fù)效應(yīng)，說明意識到超標(biāo)違規(guī)電動自行車所帶來的問題的電動自行車用戶都更傾向于停止繼續(xù)使用超標(biāo)違規(guī)電動自行車，而選擇轉(zhuǎn)向使用其他交通方式或購買符合規(guī)范的電動自行車。

由表5可知，受教育程度、家庭年收入、電動自行車使用頻率、政策接受度和社會規(guī)范都顯著影響場景2下的電動自行車用戶是否進(jìn)行方式轉(zhuǎn)移。與場景1下類似，受教育程度較高與決策1、決策2和決策3均呈顯著的正相關(guān)（OR值分別為1.97，1.64和1.46），而家庭年收入較高對決策1、決策2和決策3都有顯著的負(fù)效應(yīng)，說明受教育程度較高和家庭年收入較低的用戶都更傾向于繼續(xù)使用電動自行車。電動自行車使用頻率高對決策1、決策2和決策3都有顯著的正效應(yīng)（OR值分別為2.98，3.33和2.54），使用頻率中等對決策2和決策3也有顯著的正效應(yīng)（OR值分別為2.14和1.63），說明相比于電動自行車使用頻率低的用戶，使用頻率較高的用戶都更加不愿意轉(zhuǎn)向其他的交通方式。

潛變量中僅有政策接受度顯著影響場景2下的方式轉(zhuǎn)移決策。與場景1下類似，接受度對決策3有顯著的正效應(yīng)，對決策1有顯著的負(fù)效應(yīng)，OR值分別為0.80和1.20，說明在2個場景下，相比于向其他方式轉(zhuǎn)移，對電動自行車規(guī)范管理政策接受度較高的用戶都更愿意購買1輛符合標(biāo)準(zhǔn)的電動自行車，而不愿意繼續(xù)使用超標(biāo)違規(guī)電動自行車。

3.2.2 政策遵從決策分析

當(dāng)選擇決策1為基礎(chǔ)項時，可以分析影響人們違反政策的因素。由表5可知，場景1下的受教育程度較高對決策3和決策4都有顯著的負(fù)效應(yīng)（OR值分別為0.46和0.48），說明相比于購買1輛符合規(guī)范的電動自行車和向其他方式轉(zhuǎn)移，受教育程度更高的用戶更傾向于無視政策，繼續(xù)使用無牌超標(biāo)違規(guī)電動自行車。而家庭年收入較高則對決策2、決策3和決策4都有顯著的正效應(yīng)（OR值分別為1.76，2.09和3.05），說明高收入人群更不可能違反政策。

政策接受度和問題意識都對決策2、決策3和決策4有顯著的正效應(yīng)，說明對電動自行車管理政策接受度較高和對超標(biāo)違規(guī)電動自行車所帶來的問題有所意識的電動自行車用戶更傾向于采取符合政策的決策，而不會違反政策。

由表5可知，當(dāng)選擇決策1為基礎(chǔ)項時，場景2下的受教育程度對決策4有顯著的負(fù)效應(yīng)，而家庭年收入則與決策3和決策4呈顯著的正相關(guān)（OR值分別為1.76和2.86），說明相比于向其他交通方式轉(zhuǎn)移，受教育程度較高的用戶更傾向于違反政策，而家庭年收入較高的用戶則洽洽相反。與場景1類似，政策接受度對決策2、決策3和決策4都有顯著的正效應(yīng)，說明對政策接受度較低的用戶會顯示出更多的負(fù)面行為的傾向。社會規(guī)范（ZSN）對決策3有顯著的正效應(yīng)，說明執(zhí)行符合政策行為的社會壓力會使得電動自行車用戶購買符合標(biāo)準(zhǔn)的電動自行車。

3.3 討論

超標(biāo)違規(guī)電動自行車作為1種低成本和便捷的私人出行方式，極大地吸引了許多過去使用公共交通和常規(guī)自行車出行的城市居民，然而其造成的安全隱患無法被忽視。電動自行車規(guī)范管理政策旨在逐漸淘汰超標(biāo)違規(guī)電動自行車，政策的實施一方面需要減少違反政策行為的發(fā)生，提高政策的有效性；另一方面需要考慮政策對電動自行車用戶出行方式選擇的影響，進(jìn)而評估其對城市交通系統(tǒng)帶來的影響。

相比于購買“新國標(biāo)”電動自行車或向其他交通方式轉(zhuǎn)移，場景1下受教育程度較高的人群選擇違反政策的傾向分別是受教育程度較低的2.17倍和2.08倍，原因在于電動自行車用戶群體中，受教育程度與收入并不一定成正比，雖然受教育程度越高的人群平均的收入會越高，但高收入人群往往會選擇使用小汽車出行，而受教育程度較高的電動自行車用戶中高校學(xué)生占比較多，收入水平偏低導(dǎo)致其會采取更為經(jīng)濟(jì)的決策。提供報廢補貼的場景2下，受教育程度則僅對決策4有顯著效應(yīng)，且效應(yīng)相對減弱，驗證了受教育程度對政策遵從決策的負(fù)面影響可能來源于經(jīng)濟(jì)上的限制。2個場景下，家庭年收入水平較高的出行者，更有可能購買符合國家標(biāo)準(zhǔn)的電動自行車或向其他交通方式轉(zhuǎn)移，因此收入水平較低是導(dǎo)致人們違反政策的主要原因。

當(dāng)考慮方式轉(zhuǎn)移決策時，相對于繼續(xù)使用超標(biāo)違規(guī)電動自行車，2個政策場景下的高收入人群選擇向其他交通方式轉(zhuǎn)移的傾向分別是低收入人群的3.05倍和2.86倍，說明經(jīng)濟(jì)因素是導(dǎo)致人們在緩沖期內(nèi)繼續(xù)使用超標(biāo)違規(guī)電動自行車的主要原因之一。家庭年收入較高在場景2下對決策3的有顯著的負(fù)效應(yīng)，在場景1下則無顯著影響，表明場景2下提供的報廢補貼能夠促進(jìn)低收入家庭更換符合標(biāo)準(zhǔn)的電動自行車。

2個場景下，電動自行車使用頻率較高的用戶都更傾向于在緩沖期內(nèi)繼續(xù)使用電動自行車出行，說明電動自行車能夠滿足出行者特定的出行需求，短時間內(nèi)較難被取代。然而這種傾向性在場景2下均有所減弱，例如政策場景1下，相比于向其他交通方式轉(zhuǎn)移，電動自行車使用頻率高的用戶選擇注冊臨時牌照的傾向是使用頻率低用戶的3.59倍，而在場景2下則為3.33倍。Wei等[19]的研究發(fā)現(xiàn)，大多數(shù)超標(biāo)違規(guī)電動自行車用戶在停止使用電動自行車后都更愿意向公共交通或小汽車轉(zhuǎn)移。因此雖然更短的緩沖期會在一定程度上促進(jìn)電動自行車用戶向其他交通方式的轉(zhuǎn)移，能夠有效減少超標(biāo)違規(guī)電動自行車的數(shù)量，但會在短時間內(nèi)帶來更多的小汽車和公共交通出行。Cherry等[20]的研究顯示，電動自行車作為常規(guī)自行車向公共交通轉(zhuǎn)移和公共交通向小汽車轉(zhuǎn)移的過渡出行方式存在，而且其在一定程度上取代了部分的汽車交通。在政策場景1下，家庭擁有汽車的出行者都更傾向于在緩沖期內(nèi)向其他交通方式轉(zhuǎn)移，故政策的實施會加快“公共交通-電動自行車-小汽車”的機動化進(jìn)程，促使部分出行者完全轉(zhuǎn)向小汽車交通。被調(diào)查者中66.5%的電動自行車用戶家庭至少擁有1輛小汽車，當(dāng)緩沖期較長時，由政策導(dǎo)致的小汽車交通的增加不容忽視。

由于之前的研究對于心理接受度與出行行為之間是否存在顯著聯(lián)系沒有定論，為了探究心理接受度等心理因素對行為的指導(dǎo)作用，筆者還將心理接受度等潛變量作為解釋變量加入到?jīng)Q策模型中，結(jié)果顯示心理接受度、問題意識和社會規(guī)范均對出行決策行為有顯著的影響。心理接受度和社會規(guī)范主要影響出行者的政策遵從決策，對政策接受度較高和社會規(guī)范較強的出行者更不可能違反政策。政策接受度越高的出行者擁有更強的更換“新國標(biāo)”電動自行車的欲望，說明對政策接受度較高的人群會表現(xiàn)出更多的正面行為反應(yīng)，與Jia等[9]得出的結(jié)論一致。問題意識則主要影響出行者的出行方式選擇行為，對于超標(biāo)違規(guī)電動自行車所造成的問題感知較為強烈的出行者更傾向于停止使用超標(biāo)違規(guī)電動自行車。

4 結(jié)束語

本文基于電動自行車規(guī)范管理政策實施的特點，考慮出行者心理特征對出行行為的影響，并假設(shè)了2種政策場景，來分析出行者的決策行為。通過引入政策接受度、問題意識等心理潛變量，構(gòu)建了多指標(biāo)多因素模型，然后基于多指標(biāo)多因素模型的結(jié)果對潛變量的值進(jìn)行擬合，并將其作為解釋變量加入多項式Logit模型中，構(gòu)成了混合選擇模型，利用混合選擇模型研究了不同的城市電動自行車管理政策場景下，電動自行車用戶的出行決策行為。

1）出行者的心理特征顯著影響出行者的決策行為。其中，政策接受度和社會規(guī)范主要影響出行者的政策遵從決策，而問題意識則影響出行者的方式選擇決策。對政策接受度較高的出行者會有更強的正面行為傾向，因此針對政策接受度的干預(yù)措施能夠顯著提高政策的有效性。

2）收入的限制是導(dǎo)致出行者在緩沖期內(nèi)繼續(xù)使用超標(biāo)違規(guī)電動自行車或違反政策的主要原因，而對于高收入人群，尤其是家庭已經(jīng)擁有小汽車的人群，在政策的影響下會向機動化程度更高的出行方式轉(zhuǎn)移。

3）電動自行車能夠滿足部分出行者的特定出行需求，短時間內(nèi)較難被其他交通方式取代，而提供報廢補貼能夠促進(jìn)低收入家庭更換符合標(biāo)準(zhǔn)的電動自行車，因此應(yīng)向電動自行車用戶提供報廢補貼等經(jīng)濟(jì)補償，來促進(jìn)向“新國標(biāo)”電動自行車的更新迭代。

4）設(shè)置較短的緩沖期能夠促進(jìn)部分電動自行車用戶向其他交通方式的轉(zhuǎn)移，導(dǎo)致短期內(nèi)的公共交通和小汽車出行增加，而當(dāng)緩沖期較長時，政策的實施會加快由電動自行車向小汽車的機動化進(jìn)程，故緩沖期的設(shè)置應(yīng)與城市公共交通系統(tǒng)的發(fā)展和道路擁堵情況相匹配。

未來可基于微觀行為分析，探究電動自行車管理政策對城市交通系統(tǒng)產(chǎn)生的宏觀影響。