交通运输研究 >

2023 , Vol. 9 >Issue 6: 119 - 131

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.06.012

案例研究

基于SEM-Logit模型的互联网租赁电动自行车使用行为研究

  • 毕宇明 , 1 ,
  • 马颖 1 ,
  • 冯丹 2 ,
  • 李浩强 2 ,
  • 吉梦瑶 2 ,
  • 马壮林 , 1
展开
  • 1 长安大学 运输工程学院，陕西 西安 710064
  • 2 西安市交通发展研究中心，陕西 西安 710082
马壮林（1980—），男，辽宁鞍山人，博士，教授，研究方向为交通规划、交通政策、出行行为。E-mail:

毕宇明（2000—），女，吉林松原人，硕士研究生，研究方向为交通运输规划与管理。E-mail:

收稿日期: 2023-10-25

  网络出版日期: 2024-01-16

基金资助

西安市科技计划项目(23RKYJ0066)

西安市交通发展研究中心2023年度项目(JYZXXM-2023-01)

收起

Research on Shared E-Bikes Usage Behavior Based on SEM-Logit Model

  • BI Yuming , 1 ,
  • MA Ying 1 ,
  • FENG Dan 2 ,
  • LI Haoqiang 2 ,
  • JI Mengyao 2 ,
  • MA Zhuanglin , 1
Expand
  • 1 College of Transportation Engineering, Chang′an University, Xi′an 710064, China
  • 2 Xi′an Transportation Development Research Center, Xi′an 710082, China

Received date: 2023-10-25

  Online published: 2024-01-16

Fold

摘要

为了解居民对互联网租赁电动自行车的使用意向和决策行为，对居民对互联网租赁电动自行车的使用行为偏好进行探究。首先，通过调查问卷了解居民对互联网租赁电动自行车的态度认知。然后，采用结构方程模型（Structural Equation Modelling, SEM）分析居民对于互联网租赁电动自行车使用意向的影响因素，并采用SEM-Logit模型分析居民对于互联网租赁电动自行车的选择决策行为。最后，以西安市为例进行实证研究，以弥补以往仅从定性角度分析互联网租赁电动自行车使用行为的不足。结果表明：男性、固定职业者、中等收入者、短距离出行者更愿意选择使用互联网租赁电动自行车；态度、感知有用性和感知易用性作为心理潜变量也会影响居民对互联网租赁电动自行车的使用行为；与非高峰期相比，受访者在高峰期对互联网租赁电动自行车的使用意愿更高，高峰期和非高峰期使用互联网租赁电动自行车的比例分别为19.58%和14.42%。根据研究结果，引入互联网租赁电动自行车对西安市居民现有的出行结构会产生一定影响，但影响程度不大。因此，建议政府相关管理部门统筹协调，提前谋划、制定互联网租赁电动自行车的发展路径。

关键词： 城市交通; 互联网租赁电动自行车; 结构方程模型; SEM-Logit模型; 行为分析

本文引用格式

毕宇明 , 马颖 , 冯丹 , 李浩强 , 吉梦瑶 , 马壮林 . 基于SEM-Logit模型的互联网租赁电动自行车使用行为研究[J]. 交通运输研究, 2023 , 9(6) : 119 -131 . DOI: 10.16503/j.cnki.2095-9931.2023.06.012

Abstract

In order to understand people′s intention to use shared E-bikes and decision-making behaviors, the residents′ behavioral preference for using shared E-bikes was explored in this article. Firstly, the questionnaire survey method was applied to understand the residents′ attitudes and perceptions of shared E-bikes. Then, the SEM(Structural Equation Modelling) was adopted to analyze the influencing factors of residents′ intention to use shared E-bikes, and the SEM-Logit model was used to explore the decision-making behaviors of residents′ in choosing shared E-bikes. Finally, Xi′an City was taken as an example for empirical research, in order to make up for the shortcomings of only analyzing the use of internet rental E-bikes from a qualitative perspective in the previous research. The results show that users who are male, or with fixed occupation, or are middle-income, or take short-distance travels are more willing to use shared E-bikes. Attitude, perceived usefulness, and perceived ease of use as psychological latent variables can also affect residents′ decision-making behaviors towards shared E-bikes. Compared with off-peak period, the respondents′ intention to use shared E-bikes is higher during peak period, and the proportion of users using shared E-bikes in peak and off-peak periods are 19.58% and 14.42%, respectively. According to the research results, the introduction of shared E-bikes has a certain impact on the existing travel structure of Xi′an residents, but the extent of the impact is not significant. Therefore, it is recommended that relevant government administrative departments coordinate and plan the development path of E-bikes in advance.

Key words： urban traffic; shared E-bikes; SEM(Structural Equation Modelling); SEM-Logit model; behavioral analysis

0 引言

随着互联网租赁自行车的兴起和发展，互联网租赁电动自行车也应运而生，并逐渐进入中国居民的日常生活[1]。互联网租赁电动自行车是一种通过租赁共享模式，出租给居民使用的以电力驱动为主、人力驱动为辅的交通工具[2]。截至2022年底，我国已有超过1 000个县级及以上城市允许互联网租赁电动自行车投入运营，其中大多数为三四线城市[3]。与互联网租赁自行车相比，互联网租赁电动自行车不仅可以解决“最后一公里”问题，还可以为居民3~10 km的中短途出行提供一种高效、便捷、环保的出行方式选择[3]。同时，互联网租赁电动自行车的出现对居民的出行行为产生了一定影响，部分居民愿意从公交车、地铁、小汽车等交通出行方式转变为互联网租赁电动自行车出行[4]。因此，探究居民选择互联网租赁电动自行车的决策行为机理，可以更好地了解引入互联网租赁电动自行车对城市交通结构的影响，为相关管理部门提前谋划互联网租赁电动自行车的管理工作提供参考依据。
与互联网租赁自行车的研究相比，国内外学者对互联网租赁电动自行车的相关研究较少，现有研究主要集中在互联网租赁电动自行车的使用意向和使用行为两个方面。从使用意向来看，大多数学者都采用计划行为理论（Theory of Planned Behavior, TPB）和技术接受模型（Technology Acceptance Model, TAM）构建居民使用意向模型，基于问卷调查数据采用结构方程模型（Structural Equation Modelling, SEM）分析互联网租赁电动自行车使用者的使用意愿。有学者利用SEM分析居民对互联网租赁电动自行车的使用意向与心理潜变量之间的影响机理，以及对于居民使用互联网租赁电动自行车意愿的影响机理[5-6]。为了更加有效地评估各心理潜变量之间的关系，Pan等人[7]采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modelling, PLS-SEM）分析了湘潭市居民使用互联网租赁电动自行车的意愿。还有部分学者关注到社会经济属性与心理潜变量之间存在群体异质性，如Li等人[8]利用多指标多原因（Multiple Indicator Multiple Cause, MIMIC）模型分析了宁波市居民使用互联网租赁电动自行车的意愿，并探究了社会经济属性和使用特征对某些潜变量的影响。
从使用行为来看，大多数学者都选择社会经济属性、出行特征等可观测变量作为显变量，通过陈述偏好（Stated Preference, SP）调查和Logit模型探究居民选择使用互联网租赁电动自行车的影响因素，揭示影响使用行为的深层机理。一些学者关注到社会经济属性和出行特征等因素会对使用行为产生影响，如：Campbell等人[9]分析了北京市居民从现有交通方式转向互联网租赁自行车或互联网租赁电动自行车的影响因素，发现互联网租赁自行车和互联网租赁电动自行车都对步行、自行车和电动自行车的使用者有很强的吸引力，互联网租赁电动自行车对年轻男性和中年男性更有吸引力。Bieliński等人[10]在研究互联网租赁电动自行车的出行特征时发现，互联网租赁电动自行车主要被用作“最初一英里”和“最后一英里”出行的交通工具以及直达通勤的交通工具。Curtale等人[11]通过构建使用者对互联网租赁电动自行车的出行行为偏好模型，发现引入互联网租赁电动自行车有助于减少使用者对私家车的依赖。
综上所述，既有的关于互联网租赁电动自行车使用行为的研究更多关注出行过程中的可观测变量，忽略了心理潜变量对使用行为的影响，并且对于互联网租赁电动自行车用户心理潜变量的研究通常是仅分析使用意向的影响因素，而没有探究使用意向与使用行为之间的关系。因此，本文采用结构方程模型探究居民对互联网租赁电动自行车的使用意向，并将结构方程模型与离散选择模型结合，构建居民对互联网租赁电动自行车使用行为的SEM-Logit模型，以是否使用互联网租赁电动自行车作为因变量，从个人社会经济属性、出行特征、心理感知因素和选择方案属性等4个方面选择22个自变量，分析互联网租赁电动自行车使用行为的影响因素及其作用机理，从而为政府管理部门制定相关法律规范提供参考，以促进互联网租赁电动自行车的规范发展。

1 互联网租赁电动自行车使用决策模型

1.1 居民使用意向的结构方程模型构建

本文以计划行为理论（Theory of Planned Behavior, TPB）、技术接受模型（Technology Acceptance Model, TAM）和感知风险理论（Perceived Risk, PR）为基础，构建居民使用意向的结构方程模型的理论框架，如图1所示。其中，TPB是Ajzen于1985年提出的[12]，是社会心理学的经典理论之一，该理论解释了态度、主观规范、感知行为控制和行为意向之间的影响关系。TAM是Davis于1986年提出的[13]，该理论解释了态度、感知有用性、感知易用性、行为意向和行为决策之间的影响关系。感知风险理论是Bauer于1960年提出的[14]，该理论认为用户使用产品或服务时经常面临风险，风险会带来用户的负面情绪。
图1 模型理论框架
根据TPB，态度、主观规范、感知行为控制可能会对使用意向产生直接影响，主观规范也可能会对态度产生影响，因此本文提出研究假设H11[15-16], H13[17], H14[18], H24[19]。
根据TAM，感知有用性可能直接影响使用意向，感知有用性和感知易用性可能会通过态度间接影响使用意向，并且感知易用性也可能对感知有用性产生影响，因此本文提出研究假设H12[20], H21[21], H22[22], H23[22]。
根据PR理论，感知风险可能会直接影响使用意向，因此，本文提出研究假设H15[23]。
此外，根据前人的研究成果，主观规范和感知风险可能会影响感知有用性，因此本文提出假设H25[24], H26[25]。
本文提出的研究假设归纳起来如表1所示。
表1 研究假设
假设 假设内容 来源
H11 态度→使用意向 文献[15]、文献[16]
H12 感知有用性→使用意向 文献[20]
H21 感知有用性→态度→使用意向 文献[21]
H22 感知易用性→态度→使用意向 文献[22]
H23 感知易用性→感知有用性→使用意向 文献[22]
H13 主观规范→使用意向 文献[17]
H24 主观规范→态度→使用意向 文献[19]
H25 主观规范→感知有用性→使用意向 文献[24]
H14 感知行为控制→使用意向 文献[18]
H15 感知风险→使用意向 文献[23]
H26 感知风险→感知有用性→使用意向 文献[25]

1.2 SEM-Logit模型构建

本文将结合Logit模型和SEM模型，构建包含多个不易观测潜变量的互联网租赁电动自行车使用行为的SEM-Logit模型。模型的上层是SEM模型，模型的下层是Logit模型。将上层构建的居民使用意向的SEM模型的估计结果作为自变量加入下层Logit模型，可以解释各类潜变量及社会经济属性和出行特征等因素对居民选择互联网租赁电动自行车的使用行为的影响情况，如图2所示。
图2 构建的SEM-Logit模型
图2中的效用是一个随机变量，包括可观测到的确定性部分和不可观测到的随机部分，即固定效用和误差项，如式（1）和式（2）[26]所示：
U i k = V i k + ε i k
V i k = ∑ h θ i h X i h k = ∑ p a i p s i p k + ∑ q b i q h i q k
式（1）~式（2）中：Uik为受访者k选择选择肢i的总效用；Vik为受访者k选择选择肢i的固定效用；εik为受访者k选择选择肢i的随机效用；θih为选择肢i的第h个变量的待定系数；Xihk表示影响受访者k选择选择肢i的第h个变量；aip为选择肢i的第p个社会经济类别显变量的影响系数；sipk为受访者k选择选择肢i的第p个社会经济类别显变量；biq为选择肢i的第q种出行特征类别显变量的影响系数；hiqk为受访者k选择选择肢i的第q种出行特征类别显变量。
考虑到影响居民对互联网租赁电动自行车使用行为的心理潜变量，改进式（2），即：
V i k = ∑ h θ i h X i h k = ∑ p a i p s i p k + ∑ q b i q h i q k + ∑ r c i r η i r k
式（3）中：cir为选择肢i的第r种潜变量的影响系数；ηirk为受访者k选择选择肢i的第r个影响互联网租赁电动自行车使用行为的潜变量；其他变量含义同前。
构建的模型中有选择使用和不选择使用两个选择肢，其效用分别为U1k和U2k。当U1k >U2k时，认为受访者k将选择使用互联网租赁电动自行车，其使用概率为[27]：
P 1 k = P U 1 k > U 2 k = 1 1 + e - V 1 k - V 2 k = e V 1 k e V 1 k + e V 2 k
则受访者k选择不使用互联网租赁电动自行车的概率为：
P 2 k = 1 - P 1 k

2 调查问卷设计与数据收集

2.1 调查问卷设计

采用行为偏好（Revealed Preference, RP）调查和陈述偏好（Stated Preference, SP）调查相结合的方式设计调查问卷，获取本研究需要的数据。通过RP调查方法收集社会经济属性、出行特征和心理感知因素等数据。其中，社会经济属性包括性别、年龄、受教育程度、职业、月收入等；出行特征包括出行目的、出行距离、出行费用、出行方式和共享单车经历；心理感知因素包括态度、主观规范、感知行为控制、感知有用性、感知易用性、感知风险和使用意向等7个变量。心理感知因素的潜变量如表2所示，采用5分制的李克特量表法进行度量，分为非常不赞同、不赞同、一般、赞同、非常赞同5个等级，分别赋值1, 2, 3, 4, 5。
表2 心理感知因素对应量表
类别 变量 来源
态度
A		 A1：我认为使用互联网租赁电动自行车有利于缓解交通拥堵
A2：我认为使用互联网租赁电动自行车是低碳环保的
A3：我认为互联网租赁电动自行车是一种好的出行方式		 文献[15]、
文献[28]
主观
规范
B		 B1：周围人认为使用互联网租赁电动自行车是个好主意
B2：周围人认为我应该使用互联网租赁电动自行车
B3：周围人影响我对互联网租赁电动自行车的使用		 文献[24]、
文献[29]
感知
行为
控制
C		 C1：我具备使用互联网租赁电动自行车的骑行技术
C2：我具备使用互联网租赁电动自行车的知识水平
C3：我具备使用互联网租赁电动自行车时应对风险的心理素质		 文献[18]、
文献[30]
感知
有用性
D		 D1：我认为使用互联网租赁电动自行车可以节省出行时间
D2：我认为使用互联网租赁电动自行车可以节省出行成本
D3：我认为使用互联网租赁电动自行车可以让出行更方便		 文献[20]、
文献[31]
感知
易用性
E		 E1：使用互联网租赁电动自行车信息查询和获取简单
E2：我认为互联网租赁电动自行车取车还车方便
E3：我认为使用互联网租赁电动自行车操作简单
E4：我认为互联网租赁电动自行车支付便捷		 文献[20]、
文献[31]
感知
风险
F		 F1：我担心使用互联网租赁电动自行车功能体验达不到预期
F2：实名注册互联网租赁电动自行车会员会泄露我的隐私
F3：使用互联网租赁电动自行车会造成额外的财产损失
F4：使用互联网租赁电动自行车会对安全产生威胁		 文献[23]
使用
意向
G		 G1：我愿意尝试使用互联网租赁电动自行车
G2：我愿意在日常生活中经常使用互联网租赁电动自行车
G3：我会鼓励亲人朋友使互联网租赁电动自行车		 文献[32]
采用SP调查方法了解受访者在假设情景下是否会由其他出行方式转变为选择互联网租赁电动自行车出行，探究引入互联网租赁电动自行车对人们出行方式选择的影响。本文考虑了两个情景因素：出行距离和出行时段。其中，出行距离划分为0~3 km, 3~5 km, 5~8 km和8 km以上；出行时段分为高峰和平峰两个时段。将两个情景因素进行组合，共提出8个假设情景，如表3所示。每位受访者需要回答在这8种假设场景下是否愿意选择使用互联网租赁电动自行车。
表3 假设情景方案
假设情景 出行时段 出行距离
情景一 高峰 0~3 km
情景二 高峰 3~5 km
情景三 高峰 5~8 km
情景四 高峰 8 km以上
情景五 平峰 0~3 km
情景六 平峰 3~5 km
情景七 平峰 5~8 km
情景八 平峰 8 km以上

2.2 数据采集

2.3 样本的描述性统计分析

图3所示为样本的社会经济属性百分比分布情况。由图3可知，采集的样本中，男女比例基本相当；大部分受访者年龄在35岁以下，与《低碳出行让生活更美好——共享电单车社会价值报告》[33]中“使用互联网租赁电动自行车的主要群体为年轻人”这一调查结果相符；学历为专科或本科的受访者比例最高，为80%，体现了大部分受访者的认知能力水平较高；在企业工作、月收入在5000~15000元、拥有1辆小汽车和多人家庭结构的受访者占比均超过60%。
图3 受访者的社会经济属性百分比分布
图4为样本的出行特征百分比分布。由图4可知，受访者的日常出行大多为上班、上学等刚性出行，占比76%；日常出行距离最多的是5 km以上，其次是3~5 km和1~3 km；出行费用最多的为2~8元，占比大于50%；受访者的日常出行方式中，公共交通最多，其次是私家车，分别占38%和28%；几乎所有的受访者都有过骑行共享单车的经历，占97%。
图4 受访者的出行特征百分比分布

3 结果分析

3.1 信度和效度结果检验

本文采用SPSS 26.0软件检验样本的信度和效度。信度检验的指标是Cronbach's α系数，若Cronbach's α系数大于0.7，说明样本的信度可以接受[34]。效度检验采用组合信度值（Composite Reliability, CR）、平均方差提取值（Average Variance Extracted, AVE）和AVE的平方根与潜变量间相关性系数的比较等3个指标。其中，CR值大于0.6时，认为因子具有良好的内部一致性；AVE值大于0.5时，表明该因子具有较高的收敛性[35]；相关性系数小于AVE的平方根代表数据有较好的变量区分度[35]。Cronbach's α系数、CR和AVE的检验结果如表4所示，可以看出，所有潜变量的Cronbach's α系数、CR、AVE均满足要求。AVE的平方根与潜变量间相关性系数的比较结果如表5所示。表5中，对角线元素为AVE的平方根，其他元素为潜变量间的相关性系数，可以看出，AVE的平方根均大于所在列的相关性系数，表明样本具有较好的区分效度。由此说明回收的样本的信度和效度满足要求。
表4 信度和效度检验结果
潜变量 Cronbach's α CR AVE
态度 0.811 0.908 0.710
主观规范 0.853 0.923 0.716
感知行为控制 0.832 0.905 0.743
感知有用性 0.848 0.902 0.788
感知易用性 0.865 0.927 0.741
感知风险 0.896 0.940 0.697
使用意向 0.833 0.911 0.772
表5 AVE的平方根与潜变量间相关性系数的比较结果
潜变量 1 2 3 4 5 6 7
态度 0.843
主观规范 0.355 0.846
感知行为控制 0.170 0.199 0.862
感知有用性 0.389 0.408 0.152 0.888
感知易用性 0.498 0.239 0.187 0.368 0.861
感知风险 -0.238 -0.149 -0.230 -0.200 -0.237 0.835
使用意向 0.258 0.338 0.320 0.573 0.354 -0.403 0.879

3.2 结构方程模型的估计和检验

使用结构方程模型对各潜变量间的关系进行验证时，需要检验模型的拟合优度是否满足要求。本文选取卡方与自由度比（χ2/df）、标准化残差均方和平方根（Standardized Root Mean Square Residual, SRMR）、比较拟合指数（Comparative Fit Index, CFI）、非规准适配指数（Tucker-Lewis Index, TLI）和渐进残差均方和平方根（Root Mean Square Error of Approximation, RMSEA）等5个指标进行检验。评价标准[16,36]和检验结果如表6所示。可以看出，本文构建的居民对互联网租赁电动自行车态度认知的结构方程模型的拟合效果较好。
表6 拟合优度指标接受范围
指标 接受范围 评价 拟合结果
χ2/df χ2/df≤ 3 拟合较好 —
3< χ2/df≤5 基本拟合 1.397
χ2/df >5 拟合较差 —
CFI CFI>0.9 拟合较好 0.978
SRMR SRMR<0.05 拟合较好 0.036
RMSEA RMSEA<0.1 拟合较好 0.036
TLI TLI>0.9 拟合较好 0.974
本文采用AMOS软件对假设的结构方程模型进行求解，得到潜变量间的路径关系，如图5所示。
图5 潜变量的路径关系

注：*表示p<0.05，**表示p<0.01，***表示p<0.001。

整理模型的假设检验结果，如表7所示。
表7 假设检验结果
假设路径 系数估计值 p值 假设检验结果
H11：态度→使用意向 0.287 *** 接受
H12：感知有用性→使用意向 0.184 ** 接受
H13：主观规范→使用意向 0.164 ** 接受
H14：感知行为控制→使用意向 — — 拒绝
H15：感知风险→使用意向 -0.173 *** 接受
H21：感知有用性→态度→使用意向 0.317 *** 接受
H22：感知易用性→态度→使用意向 0.442 *** 接受
H23：感知易用性→感知易用性→使用意向 0.291 *** 接受
H24：主观规范→态度→使用意向 0.129 ** 接受
H25：主观规范→感知有用性→使用意向 0.393 *** 接受
H26：感知风险→感知有用性→使用意向 — — 拒绝

注：*表示p<0.05，**表示p<0.01，***表示p<0.001。

由表7可知，感知行为控制对使用意向没有直接影响，假设H14被拒绝；感知风险不能通过感知有用性间接影响使用意向，假设H26被拒绝；其余路径均达到统计学的显著性要求，假设成立。

3.3 SEM-Logit模型的参数标定

需要对涉及的变量进行赋值和分段。对于问卷中的多分类自变量，为了提高分析的精确性，引入虚拟变量。变量赋值情况如表8所示。
表8 SEM-Logit模型的变量赋值
类别 变量名 代码 取值
社
会
经
济
属
性		 性别 x1 男为1，女为0
年龄（参照类：
46岁及以上）		 25岁及以下 x2-1 25岁及以下为1，否则为0
26~45岁 x2-2 26~45岁为1，否则为0
学历（参照类：
硕士及以上）		 高中及以下 x3-1 高中及以下为1，否则为0
专科或本科 x3-2 专科或本科为1，否则为0
职业 x4 固定职业者为1，非固定职业者为0
月收入（参照类：
>15000元）		 <5000元 x5-1 <5000元为1，否则为0
5000~15000元 x5-2 5000~15000元为1，否则为0
小汽车拥有量 x6 0辆为1，1辆为2，2辆及以上为3
私人电动自行车拥有量 x7 0辆为1，1辆为2，2辆及以上为3
家庭结构
（参照类：
多人家庭）		 单身家庭 x8-1 单人家庭为1，否则为0
夫妻二人家庭 x8-2 夫妻二人家庭为1，否则为0
出
行
特
征		 出行目的 x9 刚性出行为0，弹性出行为1
出行距离
（参照类：
大于5 km）		 ≤1 km x10-1 小于1 km为1，否则为0
1~3 km（不含1 km） x10-2 1~3 km（不含1 km）为1，否则为0
3~5 km（不含3 km） x10-3 3~5 km（不含3 km）为1，否则为0
出行费用
（参照类：
8元以上）		 ≤2元 x11-1 2元及以下为1，否则为0
2~8元（不含2元） x11-2 属于2~8元（不含2元）为1，否则为0
共享单车骑行经历 x12 有为1，没有为0
日常出行方式
（参照类：步行）		 私家车 x13-1 私家车为1，否则为0
私人电动自行车 x13-2 私人电动自行车为1，否则为0
公共交通 x13-3 公共交通为1，否则为0
互联网租赁自行车 x13-4 互联网租赁自行车为1，否则为0
潜
变
量		 态度 S1 A=0.363A1+0.303A2+0.334A3
主观规范 S2 B=0.323B1+0.335B2+0.342B3
感知行为控制 S3 C=0.355C1+0.329C2+0.316C3
感知有用性 S4 D=0.357D1+0.328D2+0.315D3
感知易用性 S5 E=0.277E1+0.254E2+0.237E3+0.232E4
感知风险 S6 F=0.261F1+0.247F2+0.247F3+0.245F4
使用意向 S7 G=0.326G1+0.325G2+0.349G3
选择
方案
属性		 场景出行时段 T1 高峰时段为1，非高峰时段为0
场景出行距离
（参照类：0~3 km）		 T2-1 3~5 km（不含3 km）为1，否则为0
T2-2 5~8 km（不含5 km）为1，否则为0
T2-3 8 km以上为1，否则为0
采用Stata软件对构建的SEM-Logit模型进行求解，模型的估计结果如表9所示。
表9 SEM-Logit模型的估计结果
变量 Coeff. Std. Err. z值 Sig.
性别 1.086 26 0.144 999 7.24 ***
职业 1.759 28 0.228 284 7.71 ***
收入（5000~10000元） 0.892 60 0.328 182 2.72 **
私人电动自行车拥有量 -0.483 13 0.113 564 -4.25 ***
家庭结构（单人家庭） 2.616 03 0.205 996 12.71 ***
出行目的（刚性出行） 1.377 91 0.165 905 8.31 ***
出行距离（小于1 km） 5.489 02 0.431 705 12.71 ***
出行距离（1~3 km，
不含1 km）		 0.849 50 0.216 832 3.92 ***
出行距离（3~5 km,
不含3 km）		 0.517 91 0.181 008 2.86 ***
出行费用（2元以内,
不含2元）		 -2.220 97 0.329 794 -6.73 ***
出行费用（2~8元） -1.696 73 0.237 335 -7.15 ***
日常出行方式（私家车出行） 0.906 74 0.265 870 3.41 **
日常出行方式
（公共交通出行）		 0.588 45 0.263 451 2.23 *
日常出行方式
（互联网租赁自行车）		 1.838 74 0.275 412 6.68 ***
共享单车骑行经历 1.448 36 0.622 948 2.33 *
态度 0.765 19 0.115 044 6.65 ***
感知有用性 0.663 24 0.120 617 5.50 ***
感知易用性 -0.625 95 0.109 148 5.73 ***
感知风险 -0.503 25 0.076 579 -6.57 ***
场景出行时段（高峰） 1.081 35 0.145 059 7.45 **
LL(0) -1 139.169 3
LL(β) -685.548 2

注：Coeff.为回归系数；Std. Err.为标准误差；z值为变量统计推断的统计值；Sig.为显著性水平；*表示p<0.05，**表示p<0.01，***表示p<0.001。

从表9可知：
1）从社会经济属性来看，性别、职业、收入和私人电动自行车拥有量等4个变量对互联网租赁电动自行车的使用行为有显著的影响。具体而言，男性、固定职业、中等收入（5000~10000元）和没有私人电动自行车的受访者更愿意选择使用互联网租赁电动自行车。固定职业和中等收入的群体大多为上班族，出行较为依赖公共交通，对于互联网租赁电动自行车这种可以与公共交通更好衔接的交通工具，他们是乐意选择的。私人电动自行车和互联网租赁电动自行车彼此存在一定的取代关系，拥有私人电动自行车会阻碍居民选择互联网租赁电动自行车。
（2）从出行特征属性来看，出行距离、出行费用和互联网租赁自行车经历等3个变量对互联网租赁电动自行车的使用行为有显著的影响。具体而言，出行距离小于1 km、出行费用不超过2元和有共享单车骑行经历的受访者更愿意选择使用互联网租赁电动自行车，体现了互联网租赁电动自行车在中短途出行中更受青睐，并且与互联网租赁自行车的使用存在相似性。
（3）从心理感知因素来看，态度、感知有用性和感知易用性等3个变量对互联网租赁电动自行车的使用行为有显著的影响。具体而言，当受访者对互联网租赁电动自行车的态度较为积极，可以感知到使用互联网租赁电动自行车的有用性和易用性时，更愿意使用互联网租赁电动自行车，说明感知到互联网租赁电动自行车的优势会潜在地促使人们选择使用它。
（4）从选择方案属性来看，受访者的出行时段对互联网租赁电动自行车的使用行为有显著的影响。受访者在高峰期会更愿意使用互联网租赁电动自行车。为了更清楚地了解居民在不同时段的交通方式选择意向变化情况，分别梳理在引入互联网租赁电动自行车前后高峰期和非高峰期受访者的选择意向，结果如表10和图6所示。
表10 高峰期和非高峰期各交通方式选择意向变化比例
交通方式 引入
前		 高峰期 非高峰期
引入后 变化 引入后 变化
私家车 28.03% 22.98% -5.05% 23.99% -4.04%
私人电动自行车 9.79% 7.93% -1.86% 8.78% -1.01%
公共交通 38.03% 30.78% -7.25% 33.09% -4.94%
互联网租赁自行车 14.08% 10.72% -3.36% 11.08% -3%
步行 10.07% 8.01% -2.06% 8.74% -1.33%
互联网租赁
电动自行车		 — 19.58% 19.58% 14.32% 14.32%
图6 引入互联网租赁电动自行车前后高峰期和非高峰期各交通方式选择意向变化情况
由表10和图6可知，引入互联网租赁电动自行车之前，私家车、私人电动自行车、公共交通、互联网租赁自行车、步行所占比例分别为28.03%, 9.79%, 38.03%, 14.08%, 10.07%。在高峰期，引入互联网租赁电动自行车后其所占比例为19.58%，主要是从公共交通（7.25%）、私家车（5.05%）、互联网租赁自行车（3.36%）转移而来；在非高峰期，引入互联网租赁电动自行车后其所占比例为14.32%，主要是从公共交通（4.94%）、私家车（4.04%）、互联网租赁自行车（3%）转移而来。结果表明，互联网租赁电动自行车的引入会对西安市居民现有的出行结构造成一定影响，对其他交通方式也会产生一定冲击，并且高峰期居民对互联网租赁电动自行车的使用意向高于非高峰期。这可能是因为高峰期的出行多为通勤出行，考虑到时间、成本和高峰期交通拥堵等因素，部分出行者选择使用互联网租赁电动自行车；而非高峰期的出行以弹性出行为主，时间较为充裕，出行者更加关注出行的舒适度。但总体而言，对居民出行结构的影响程度不大，这可能是因为互联网租赁电动自行车作为一种新兴事物，其安全性和合规性尚难保证，导致居民的选择意向较弱。

4 结束语

本文以问卷调查的方式获取数据，采用SEM分析居民使用意向与其他6个潜变量的关系，采用SEM-Logit模型分析居民的互联网租赁电动自行车使用行为，以是否选择使用互联网租赁电动自行车作为因变量，从社会经济属性、出行特征、心理感知因素和选择方案属性等4个方面选择22个自变量。研究发现，固定职业和中等收入的群体更愿意选择互联网租赁电动自行车这种可以与公共交通更好衔接的交通工具；人们在中短途出行时也更愿意选择成本低、速度快的互联网租赁电动自行车；感知到互联网租赁电动自行车的优势会潜在促使人们使用它；高峰期人们对互联网租赁电动自行车的使用意向高于非高峰期。
本文的调查对象仅为西安市居民，并未分析在城市规模、社会经济、公共交通系统、出行时空分布等方面与西安市存在差异的城市，但是本文提出的模型同样适用于其他城市。未来将收集多个城市的居民意向数据，探讨不同城市的受访者居住环境、城市规模、地理环境和公共交通系统等多种影响因素的差异对使用行为的影响。此外，本文没有考虑使用者群体的异质性，未来将从潜在分类、多群组结构方程模型等视角进一步探讨不同互联网租赁电动自行车使用者群体使用行为的差异性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
聂帅钧. 共享电单车的政府监管研究[J]. 重庆大学学报(社会科学版), 2019, 25(1):162-177.

[2]
黄维民. 共享电动自行车的共治对策研究[J]. 城市学刊, 2021, 42(6):13-17.

[3]
黄扬, 陶晨亮. 2022年中国互联网租赁电动自行车发展形势分析与展望[R]// 北方工业大学,中国汽车技术研究中心战略与政策研究中心,世界资源研究所. 共享经济蓝皮书:中国共享出行发展报告(2022—2023). 北京: 社会科学文献出版社, 2023:166-185.

[4]
朱震, 卢春天. 基于生命周期的中国共享电单车温室气体减排研究[J]. 干旱区资源与环境, 2023, 37(2):26-33.

[5]
LI J, SHEN J, JIA B. Exploring intention to use shared electric bicycles by the extended theory of planned behavior[J]. Sustainability, 2021, 13(8): 4137.

[6]
LI R, SINNIAH G K, LI X. The factors influencing resident′s intentions on e-bike sharing usage in China[J]. Sustainability, 2022, 14(9): 5013.

[7]
PAN L, XIA Y, XING L, et al. Exploring use acceptance of electric bicycle-sharing systems: An empirical study based on PLS-SEM analysis[J]. Sensors, 2022, 22(18): 7057.

[8]
LI W H, YANG Y J, CHENG L, et al. Understanding adoption intent and behavioral response to shared electric bicycles: A survey in Ningbo, China[J]. Transportation Research Record, 2022, 2677(1): 1311-1326.

[9]
CAMPBELL A, CHERRY C, RYERSON S, et al. Factors influencing the choice of shared bicycles and shared electric bikes in Beijing[J]. Transportation Research Part C: Emerging Technologies, 2016, 67: 399-414.

[10]
BIELIŃSKI T, WAŻNA A. Electric scooter sharing and bike sharing user behaviour and characteristics[J]. Sustainability, 2020, 12(22): 9640.

[11]
CURTALE R, LIAO F. Travel preferences for electric sharing mobility services: Results from stated preference experiments in four European countries[J]. Transportation Research Part C: Emerging Technologies, 2023, 155: 104321.

[12]
AJZEN I. The theory of planned behavior[J]. Organizational Behavior & Human Decision Processes, 1991, 50(2): 179-211.

[13]
DAVIS F D, BAGOZZI P R, WARSHAW P R. User acceptance of computer technology: A comparison of two theoretical models[J]. Management Science, 1989(35): 982-1003.

[14]
BAUER R A. Consumer behavior as risk taking, dynamic marketing for a changing world[C]// Proceedings of the 43rd Conference of the American Marketing Association. Chicago: American Marketing Association, 1960: 389-398.

[15]
景鹏, 黄芳, 徐刚, 等. 自动驾驶支付意愿及影响因素分析[J]. 长安大学学报(自然科学版), 2021, 41(1):90-102.

[16]
张昱, 孙岩, 刘学敏. 基于TPB的北京市居民低碳通勤选择机制研究[J]. 北京师范大学学报(自然科学版), 2020, 56(6):831-837.

[17]
方晓平, 周倩然. 基于TPB的低碳交通出行方式研究[J]. 铁道科学与工程学报, 2019, 16(3):804-811.

[18]
袁玉娟, 刘清春, 周平, 等. 城市居民低碳交通意愿与行为一致性研究[J]. 城市问题, 2021(8):93-102.

[19]
胡兵, 傅云新, 熊元斌. 旅游者参与低碳旅游意愿的驱动因素与形成机制:基于计划行为理论的解释[J]. 商业经济与管理, 2014(8):64-72.

[20]
齐航, 夏嘉祺, 王光超, 等. 考虑出行者习惯与利他性偏好的自动驾驶网约车使用意向模型[J]. 交通运输工程与信息学报, 2021, 19(2):1-10.

[21]
盛光华, 岳蓓蓓, 龚思羽. 共享单车用户持续使用意愿研究——基于TAM理论的拓展模型[J]. 东北大学学报(社会科学版), 2019, 21(6):567-574.

[22]
李振龙, 邢冠仰, 李佳, 等. 基于扩展TAM的车路协同系统驾驶人接受度研究[J]. 中国公路学报, 2021, 34(7):188-200.

[23]
李忠奇, 白凯. 西安城市居民共享单车使用意愿——服务便捷性与感知风险的交互中介效应检验[J]. 陕西师范大学学报(自然科学版), 2021, 49(2):78-85.

[24]
范实. 基于技术接受模型(TAM)的网约车使用意向影响因素研究[D]. 北京: 北京理工大学, 2016.

[25]
MAURICIO S F, PAVLOU P A. Predicting e-services adoption: a perceived risk facets perspective[J]. International Journal of Human-Computer Studies, 2003, 59(4): 451-474.

[26]
贾洪飞, 龚勃文, 宗芳. 交通方式选择的非集计模型及其应用[J]. 吉林大学学报(工学版), 2007(6):1288-1293.

[27]
聂冲, 贾生华. 离散选择模型的基本原理及其发展演进评价[J]. 数量经济技术经济研究, 2005(11):151-159.

[28]
SÁNCHEZ M, LÓPEZ-MOSQUERA N, LERA-LÓPEZ F, et al. An extended planned behavior model to explain the willingness to pay to reduce noise pollution in road transportation[J]. Journal of Cleaner Production, 2018, 177: 144-154.

[29]
CHEN S Y. Using the sustainable modified TAM and TPB to analyze the effects of perceived green value on loyalty to a public bike system[J]. Transportation Research Part A: Policy and Practice, 2016, 88: 58-72.

[30]
KLÖCKNER C A, MATTHIES E. Structural modeling of car use on the way to the university in different settings: interplay of norms, habits, situational restraints, and perceived behavioral control[J]. Journal of Applied Social Psychology, 2009, 39(8): 1807-1834.

[31]
JOKAR N K, NOORHOSSEINI S A, ALLAHYARI M S, et al. Consumers' acceptance of medicinal herbs: an application of the technology acceptance model (TAM)[J]. Journal of Ethnopharmacology, 2017, 207: 203-210.

[32]
MADIGAN R, LOUW T, WILBRINK M, et al. What influences the decision to use automated public transport? Using UTAUT to understand public acceptance of automated road transport systems[J]. Transportation Research Part F: Traffic Psychology and Behavior, 2017, 50: 55-64.

[33]
极光行业研究院, 西安交通大学. 低碳出行让生活更美好——共享电单车社会价值报告[R/OL].(2021-06-01)[2023-08-28]. https://xueqiu.com/5681436966/181560666.

[34]
BAGOZZI R P, YI Y. Specification, evaluation, and interpretation of structural equation models[J]. Journal of the Academy of Marketing Science, 2012, 40(1): 8-34.

[35]
FORNELL C, LARCKER D F. Evaluating structural equation models with unobservable variables and measurement error[J]. Journal of Marketing Research, 1981, 18(1): 39-50.

[36]
DASH G, PAUL J. CB-SEM vs PLS-SEM methods for research in social sciences and technology forecasting[J]. Technological Forecasting and Social Change, 2021, 173: 121092.

Options
文章导航

/

〈 〉

版权所有 © 《交通运输研究》编辑部　
京公网安备 11010102003417号    京ICP备17006742号-3
地址：北京市朝阳区北土城东路11号北京书院办公楼　邮编：100029
电话：010-58278983 Email：jtysyj@vip.163.com
本系统由北京玛格泰克科技发展有限公司设计开发