Transport Research >

2021 , Vol. 7 >Issue 5: 43 - 53

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2021.05.006

Influencing Factors of University Students′ Travel Behavior on Campus During COVID-19 Pandemic Based on SEM and ANN

  • LIU Meng ,
  • ZHAO Sheng-chuan
Expand
  • School of Transportation and Logistics, Dalian University of Technology, Dalian 116024, China

Received date: 2021-07-26

  Online published: 2021-11-23

Copyright

Copyright reserved © 2021
Fold

Abstract

In order to figure out the influencing factors of university students′ travel behavior on campus to better meet their needs of travel on campus during the pandemic of COVID-19, the paper studied the interrelation among perceived built environment, attitudes and travel behavior, as well as the influence of the pandemic on them. A questionnaire survey on students of Dalian University of Technology was conducted. The related data about perceived built environment, attitudes, trip times on weekends and weekdays were collected. Furthermore, the Structural Equation Models were established to explore the acting path among variables, and the ANN(Artificial Neural Network) was applied to rank the importance of each influencing factor to the travel behavior. The results indicated that: ①perceived environment, especially convenience, significantly promoted travel behavior both on weekends (its path coefficient was 0.241, P<0.05) and on weekdays (its path coefficient was 0.193, P<0.05); ②the attitudes had positive effect on travel behavior on weekends (its path coefficient was 0.200, P<0.05), but not on travel behavior on weekdays; ③the effect of attitudes on perceived environment and the effect of perceived environment on attitudes were both significant, but the former was much stronger; ④the pandemic had significant negative effects on perceived environment and attitudes, directly or indirectly. According the research results, it is suggested that campus facilities and layout should be optimized to help the students to improve their perception of built environment and cultivate positive attitudes to travel, which benefit the students′ mental and physical health.

Key words： COVID-19 pandemic; travel attitudes; travel behavior; perceived built environment; SEM(Structural Equation Model); ANN(Artificial Neural Network)

Cite this article

LIU Meng , ZHAO Sheng-chuan . Influencing Factors of University Students′ Travel Behavior on Campus During COVID-19 Pandemic Based on SEM and ANN[J]. Transport Research, 2021 , 7(5) : 43 -53 . DOI: 10.16503/j.cnki.2095-9931.2021.05.006

0 引言

新型冠状病毒肺炎（简称“新冠肺炎”）疫情期间,我国高校多采取了封闭式校园管理措施,大学生外出校园参加各种课外活动受限,日常生活和学习模式发生了很大变化,这引发了一系列身心健康问题[1]。大学校园几乎承载了大学生全部的生活和学习。在此特殊背景下,有必要探究在新冠肺炎疫情下感知建成环境、出行态度和出行行为的相互关系,分析新冠肺炎疫情期间校园封闭式管理给大学生日常生活和学习带来的各种影响,以便为各高校优化新冠肺炎疫情期间的管理措施,满足大学生的日常校内出行需求,提高大学生的生活质量,促进大学生身心健康发展提供科学依据。
目前关于建成环境的研究通常从客观和感知两个维度出发。客观建成环境一般通过观察、测量或利用地理信息系统基于现有空间数据计算得到[2]。感知建成环境主要依据自我报告的数据进行评估,以反映受访者对环境的主观感知[3]。已有研究普遍认为建成环境是慢行交通的主要影响因素[4],并证明了感知建成环境对出行行为有显著影响[5,6],有时甚至比客观建成环境与出行行为有更强的关联[7]。以往研究中的“态度”包括一般的出行态度、对特定交通方式的态度、对出行相关政策的态度、对某种服务甚至出行径路的态度等[8]。态度通常通过因子分析或心理测验量表衡量,主要用于揭示出行者的出行意向和对不同交通方式的偏好和感知[9]。研究表明,态度是出行行为的重要影响因素[10,11,12,13]。现有研究认为,建成环境与态度的关系主要有3种,即居住自选择（Residential Self-selection）、感知（Perception）和居住环境决定（Residential Determination）[14],但大多数研究只假设其中一种作用机制成立：①居住自选择——个体基于对居住地的偏好态度对居住地进行选择[15];②感知——个人属性（如：态度）会影响被调查者对建成环境的感知[16];③居住环境决定——建成环境基于认知失调理论影响态度。认知失调理论的主要思想是：当个人行为与态度矛盾时,会产生认知失调,导致心理紧张,而个体会通过改变认知、增加新的认知、改变认知的相对重要性等方法来减轻或解除不协调状态[17]。另外,已有研究发现,新冠肺炎疫情在很大程度上改变了我国人群出行频次及交通方式[18],新冠肺炎疫情防控背景下的客观环境因素和出行者个人属性共同影响居民的出行行为[19]。
总结已有研究可以发现：①感知建成环境、态度和出行行为之间的相互作用关系是近年来的研究热点,但是建成环境,尤其是感知建成环境与态度之间的关系较为复杂,目前缺乏对二者之间多种不同作用机制及其强弱的讨论;②考虑到工作日和休息日出行需求和心理状态的不同,可能给变量间的关联带来影响,有必要对工作日和休息日分别建模进行对比研究;③以往研究大多采用传统回归模型或结构方程模型进行建模分析,无法识别复杂的非线性关系[20],具有一定的局限性。为此,本研究将通过建立结构方程模型探究新冠肺炎疫情期间大学生在工作日和休息日的感知建成环境、态度和出行行为的相互作用关系,在此基础上采用人工神经网络探究细化的各个影响因素对于出行行为的重要性,从而帮助管理者在制定政策或措施时优先考虑改善对出行行为影响最大的因素。

1 模型基础及研究假设

1.1 模型基础

考虑到感知建成环境、态度、出行行为和新冠肺炎疫情影响的关系较为复杂,结构方程模型能够同时处理多个因变量,并且允许自变量和因变量包含测量误差[21],因此该模型适用于本研究。不过,结构方程模型只能得到结构模型中的各个变量之间的相互作用关系,无法给出细化的各个测量变量对出行行为的影响,且存在难以进行非线性分析的局限性,而人工神经网络能够解决该问题,并可以识别复杂的非线性关系和非补偿关系,具有很强的鲁棒性和适应性[22]。因此,将结构方程模型和人工神经网络相结合用于本次研究。
1.1.1 结构方程模型
结构方程模型是基于变量的协方差矩阵分析变量之间关系的一种统计方法。结构方程模型包括测量模型和结构模型。测量模型表示的是显变量与潜变量间的关系,由潜在变量与测量变量组成[23],而结构模型主要反映模型中不可直接测量的潜变量之间的关系。
测量模型以矩阵形式表示如下：
X = Λ ξ X + δ
Y = Λ Y η + ε
式（1）~式（2）中： X 为外生潜变量 ξ 的观测变量; Y 为内生潜变量 η 的观测变量; Λ X 和 Λ Y 分别是外生变量和内生变量的因子载荷矩阵; δ 和 ε 分别是外生观测变量和内生观测变量的残差。
结构模型以矩阵形式表示如下：
η = B η + Γ ξ + ζ
式（3）中： B 为内生潜变量之间相互影响的矩阵; Γ 为外生潜变量对内生潜变量影响的矩阵; η 为内生潜变量; ξ 为外生潜变量; ζ 为残差项,反映 η 未能被解释的部分[24]。
1.1.2 人工神经网络
人工神经网络通常由输入层、输出层和若干隐含层构成,其结构如图1所示。常见的神经网络模型有前馈神经网络方法、递归网络、多层感知器神经网络等。本研究采用多层感知器神经网络来量化影响因素（预测因子）对因变量的影响。
图1 人工神经网络结构图

1.2 研究假设

本研究以某大学在校本科生为调查对象,认为被调查者的客观环境一致且不存在自主选择客观环境的情况。参考以往研究,结合实际情况,本文提出以下假设,并依据假设建立了概念模型,如图2所示,其中：
H1：感知建成环境对出行行为有显著的正向影响;
H2：态度对出行行为有显著的正向影响;
H3-1：态度对感知建成环境有显著的正向影响;
H3-2：感知建成环境对态度有显著的正向影响;
H4：新冠肺炎疫情对感知建成环境有显著的负向影响;
H5：新冠肺炎疫情对态度有显著的负向影响;
H6：新冠肺炎疫情对出行行为有显著的负向影响。

2 数据收集与处理

2.1 数据获取

国内各高校在疫情期间多采取了封闭式校园管理措施,大连理工大学凌水校区也严格实施了封闭式校园管理,因此具有一定的代表性。本研究于2020年9月25日（周五）和9月26日（周六）针对大连理工大学凌水校区本科生进行问卷调查,共收集问卷429份,其中有效问卷401份,有效回收率为93.47%。问卷包括五大内容：个人基本属性、感知建成环境、态度、出行行为和新冠肺炎疫情的影响。个人基本属性包括性别、年级、身体质量指数（Body Mass Index, BMI）、平均学习成绩、月生活费用和健身频率。感知建成环境量表依据社区环境可步行性量表简化版（NEWS-A）[25]并结合实际情况制定,主要反映被调查者对建成环境便利性、道路状况及安全性、美观性等3个维度的感知。态度是指对于出行的态度,衡量出行态度的指标依据以往研究的态度量表[13]并结合预调查确定。出行行为采用校内出行次数衡量,出行次数根据工作日和休息日的出行调查表统计得出。由于凌水校区路面起伏较大,步行是被调查者在校园内的主要出行方式。
样本的基本特征统计如表1所示。样本的男女比例为2:1,与全校男女生比例相近。考虑到大一新生对校园不熟悉,只选择大二（44.9%）、大三（39.4%）和大四（15.7%）的学生作为调查对象。被调查者的BMI值总体处于正常水平,小部分（20.0%）被调查者的BMI高于30.0或低于18.5。被调查者的平均学习成绩大多（87.3%）在70~90分,月生活费用大多（63.8%）为1000~2000元,大部分（77.3%）的被调查者每周只锻炼两次或更少。
表1 样本基本特征描述性统计
调查项目 人数 百分比（%）
性别 男 270 67.3
女 131 32.7
年级 大二 180 44.9
大三 158 39.4
大四 63 15.7
身体质量
指数BMI		 <18.5 64 16.0
18.5~24.9 267 66.6
25.0~29.9 54 13.5
>29.9 16 4.0
平均学习成绩
/分		 ≥90 24 6.0
80~89 213 53.1
70~79 137 34.2
≤69 27 6.7
月生活费用
/元		 >3000 14 3.5
2000~3000 71 17.7
1000~2000 256 63.8
<1000 60 15.0
健身频率
/（次·周-1）		 0 156 38.9
1~2 154 38.4
3~5 64 16.0
≥6 27 6.7
感知建成环境包含8个题项,用来反映便利性、道路状况及安全性、美观性等3个维度。采用李克特五级量表,从1到5,分别表示非常不满意、不满意、中立、满意、非常满意。出行态度和新冠肺炎疫情影响的题项也采用李克特五级量表,从1到5,分别表示非常不认同、不认同、中立、认同、非常认同。各变量及其描述如表2所示。
表2 变量描述表
变量 变量描述
感知
建成
环境		 便利性 Acc1：校园内购物/就餐的便利程度
Acc2：校园内上课/自习的便利程度
Acc3：校园内基础设施的完善程度
道路状况及安全性
 Rcs1：校园内人行道路面平整度
Rcs2：交通安全（校园内的出行安全）
Rcs3：人身安全（夜间道路灯光和
校内出行安全感）
美观性 Aes1：校内道路沿途的绿化程度
Aes2：校内道路沿途的树荫
态度 出行态度 Att1：我喜欢出行（校园内）
Att2：出行是因为有利于健康
出行行为 工作日
出行行为		 周五全天的出行次数
休息日
出行行为		 周六全天的出行次数
新冠肺炎疫情影响 新冠肺炎疫情的影响 新冠肺炎疫情对我有消极影响

2.2 信效度检验

2.2.1 信度检验
信度考察的是量表的内部一致性。信度检验既包含对量表整体的检验,也包含对每个维度的检验。信度检验通过计算量表的克隆巴赫系数（Cronbach′s α）来检验量表的内部一致性。本研究信度检验结果如表3所示。可以看出,量表整体的克隆巴赫系数为0.788,大于0.7,说明量表的内部一致性较高,量表整体信度较好。感知建成环境的便利性、道路状况及安全性、美观性以及出行态度的克隆巴赫系数均大于0.6,满足探究性量表的信度检验要求,说明问卷能够反映所需测量变量,测量结果具有较好的可靠性和稳定性。
表3 信度检验表
信度检验对象 项数 克隆巴赫系数
量表整体 10 0.788
便利性 3 0.688
道路状况及安全性 3 0.668
美观性 2 0.727
态度 2 0.662
2.2.2 效度检验
效度考察的是每个题项的能效性。首先进行KMO（Kaiser-Meyer-Olkin）和Bartlett检验,结果如表4所示,KMO度量值为0.794,大于0.7。巴特利球形检验近似卡方值为951.424,自由度为45,P值为0.000,小于0.01,通过了显著水平为1%的显著性检验。因此,该量表数据适合进行因子分析。
表4 KMO和Bartlett检验结果
取样足够度的 KMO检验 0.794
Bartlett检验 近似卡方 951.424
df 45
Sig. 0.000
对量表数据进行验证性因子分析,对聚敛效度和区分效度进行检验。聚敛效度检验结果如表5所示。各个题目关于潜变量的因子荷载均大于0.5,说明潜变量对于题目具有很好的代表性。AVE平均方差抽取量大于0.4,潜变量的组合信度均大于0.6,在可接受范围内[26,27]。因此,量表的聚敛效度检验通过。
表5 聚敛效度检验结果
路径 因子荷载 AVE 组合信度
Acc3 ← 便利性 0.552 0.466 0.720
Acc2 ← 便利性 0.741
Acc1 ← 便利性 0.737
Rcs3 ← 道路状况及安全性 0.684 0.410 0.674
Rcs2 ← 道路状况及安全性 0.559
Rcs1 ← 道路状况及安全性 0.670
Aes2 ← 美观性 0.785 0.573 0.728
Aes1 ← 美观性 0.728
Att2 ← 出行态度 0.719 0.495 0.662
Att1 ← 出行态度 0.688
区分效度检验结果如表6所示。分析可知,便利性、道路状况及安全性、美观性及态度之间均具有显著的相关性（P<0.01）。另外,相关性系数绝对值应小于所对应的AVE的平方根,说明各个潜变量之间具有一定的相关性,且彼此之间又具有一定的区分度,因此量表数据的区分效度理想。
表6 区分效度检验结果
便利性 道路状况及安全性 美观性 出行
态度
便利性 0.466
道路状况及安全性 0.523** 0.410
美观 0.388** 0.620** 0.573
出行态度 0.458** 0.477** 0.458** 0.495
AVE的平方根 0.683 0.640 0.757 0.704

注：**表示P<0.01。

综上,量表的聚敛效度和区分效度均满足要求,效度检验通过,可继续进行建模分析。

3 数据分析及结果

3.1 描述性统计分析及相关性分析

对数据进行描述性统计分析和相关性分析,以初步了解感知建成环境、态度、出行行为以及新冠肺炎疫情影响的基本特征及变量间的相关关系,为后续建模分析奠定基础。
描述性统计分析结果显示：
（1）感知建成环境得分如下：便利性得分均值为3.115,标准差为0.762;道路状况及安全性得分均值为3.156,标准差为0.873;美观性得分均值为3.379,标准差为1.116。可见,被调查者对建成环境3个维度的感知均一般,对建成环境美观维度的感知相对满意,便利性和道路状况及安全有待改善。
（2）出行态度得分均值为4.110,标准差为0.896,说明被调查者的出行态度较为积极,态度可能在一定程度上调节感知环境对出行行为的影响。
（3）校内出行行为方面,周五和周六的出行次数均值接近,约为6次,说明总体上被调查者在工作日和休息日的出行次数相对稳定;但是周五和周六最少出行次数均为0,最多出行次数为14次（周五）和13次（周六）,说明同一天内不同的被调查者其出行次数有较大差异。
对感知建成环境、态度、出行行为和新冠肺炎疫情影响的相关性分析结果如表7所示。休息日出行行为与感知建成环境的便利性、道路状况及安全性和美观性显著正相关（分别对应P<0.01, P<0.05, P<0.05）,与态度也呈显著正相关（P<0.01）;工作日出行行为与便利性显著正相关（P<0.05）;新冠肺炎疫情影响与便利性和道路状况及安全性均显著负相关（前者P<0.01,后者P<0.05）,与出行态度显著负相关（P<0.01）,而与出行行为的相关性不显著（P>0.05）。
表7 主要变量相关性分析表
便利性 道路状况
及安全性		 美观性 态度 休息日
出行行为		 工作日
出行行为		 新冠肺炎
疫情影响
便利性 1
道路状况及安全性 0.399** 1
美观性 0.281** 0.432** 1
态度 0.323** 0.317** 0.323** 1
休息日出行行为 0.249** 0.115* 0.112* 0.222** 1
工作日出行行为 0.123* 0.018 0.096 0.086 0.527** 1
新冠肺炎疫情影响 -0.179** -0.122* -0.051 -0.170** -0.054 0.026 1

注：**表示P<0.01,*表示P<0.05。

3.2 结构方程建模及结果分析

在进行描述性统计分析和相关性分析的基础上,利用MPlus软件建立4个结构方程模型,以探究新冠肺炎疫情下工作日和休息日感知环境、态度与出行行为的关系。结构方程模型1和结构方程模型2依据概念模型1建立,结构方程模型3和结构方程模型4依据概念模型2建立。结构方程模型1和结构方程模型3采用休息日的调查数据,结构方程模型2和结构方程模型4采用工作日的调查数据。
本研究选择最大似然估计法进行模型参数的估计。为保证标准误差不被低估,需假设观测变量服从多元正态分布。为此,引入Bootstrap法,设置Bootstrap样本数为5 000,选取5个拟合优度检验指标,分别为：卡方自由度之比（χ2/df）,比较拟合指数（Comparative Fit Index, CFI）,Tucker-Lewis指数（Tucker Lewis Index, TLI）,近似误差均方根（Root Mean Square Error of Approximation, RMSEA）和标准化残差平方和的平方根（Standard Root Mean-square Residual, SRMR）。拟合结果如表8所示,可以看出4个模型均能充分拟合数据。
表8 模型拟合结果
拟合优度检验指标 建议值 模型1 模型2 模型3 模型4
χ2/df <3 1.555 1.510 1.555 1.510
CFI >0.9 0.959 0.962 0.959 0.962
TLI >0.9 0.930 0.934 0.930 0.934
RMSEA <0.05 0.037 0.036 0.037 0.036
SRMR <0.08 0.033 0.032 0.033 0.032
结构方程模型1和模型3探究休息日出行行为与感知建成环境、态度和疫情影响的相互关系,二者的区别在于模型1假设态度影响感知建成环境,模型3假设感知建成环境影响态度;结构方程模型2和模型4探究工作日出行行为与感知建成环境、态度和疫情影响的相互关系,区别在于模型2假设态度影响感知建成环境,模型4假设感知建成环境影响态度。4个结构方程模型的结果如图3所示。
图3 结构方程模型结果

注：A→B表示A直接影响B;虚线表示该路段不显著,P>0.1;实线表示该路段显著,其中**表示P<0.05,*表示P<0.1;实线上的数字为标准化路径系数。

分析建模结果可知：
（1）感知建成环境的便利性对休息日和工作日的出行行为有显著的正向影响,道路状况及安全性和美观性对出行行为的影响不显著。因此,在改善校园建成环境时,应优先提升便利性。态度对休息日出行行为有显著的直接的正向影响（模型1和模型3）,对工作日出行行为无显著影响（模型2和模型4）,这可能是因为工作日出行行为更多取决于工作、学习的刚性需求,与出行态度的关系不大。
（2）关于感知环境和态度的相互作用关系,模型1和模型2的结果说明态度对感知的便利性、道路状况及安全、美观性均有显著的正向影响,态度越积极,对建成环境的感知越好。因此,大学生可以通过调整自身的出行态度来改善对于建成环境的感知。模型3和模型4的结果说明：感知的便利性和美观性对出行态度有显著的正向影响,说明感知建成环境越好,大学生的出行态度越积极。进一步对比发现,态度对感知建成环境的影响大于感知建成环境对态度的影响。
（3）新冠肺炎疫情对感知建成环境的便利性（模型1、模型2、模型3和模型4）和道路状况及安全（模型3和模型4）有显著负向影响,说明新冠肺炎疫情导致大学生对校园便利性和道路状况及安全性的满意度降低,这可能是因为封闭式管理将学生的出行限制在校园内,使得学生对校园建成环境的要求更高。另外,新冠肺炎疫情对出行态度有显著的负向直接影响,但对出行行为几乎没有影响,这是由于学校的封闭式管理只限制大学生出校,而不限制校内出行。
（4）个人基本属性对感知建成环境、态度和出行行为有直接或间接的影响。与女生相比,男生对建成环境便利性的感知更差（模型1和模型2）,对美观性的感知更好（模型1、模型2、模型3和模型4）。性别对出行态度和出行行为无显著影响。高年级的大学生对建成环境的感知更差且出行态度更消极（模型1、模型2、模型3和模型4）,休息日出行次数更少（模型1和模型3）。BMI对感知建成环境没有显著影响,对出行态度有显著的直接或间接影响（模型1、模型2、模型3和模型4）。平均学习成绩对感知建成环境、态度和出行行为无显著影响。月生活费用较高的学生对于建成环境便利性的感知更好（模型1、模型2、模型3和模型4）,出行态度更加积极（模型3和模型4）,出行次数更多（模型1、模型2、模型3和模型4）。健身频率较高的学生在休息日的出行次数更多（模型1和模型3）。
感知的便利性、道路状况及安全性、美观性、态度和出行行为的拟合优度评价指标R2如表9所示。其中,感知便利性、道路状况及安全性、美观性、态度和出行行为是本研究涉及的多个因变量。R2反映了自变量对因变量的解释程度,R2越高,说明模型对该变量的解释性越好。模型1和模型2中的感知建成环境对应的R2均大于模型3和模型4中感知建成环境对应的R2,说明态度对感知建成环境具有一定的解释性。模型3和模型4中态度对应的R2大于模型1和模型2中态度对应的R2,说明感知环境对态度具有一定的解释性。模型1和模型3的休息日出行行为对应的R2均为0.135,模型2和模型4的工作日出行行为对应的R2均为0.057,说明感知环境和态度的因果关系基本不影响模型对出行行为的解释能力,且模型对休息日出行行为的解释性更好。
表9 拟合优度评价结果R2
变量 模型1 模型2 模型3 模型4
便利性 0.276 0.275 0.124 0.124
道路状况及安全性 0.253 0.252 0.087 0.087
美观性 0.258 0.264 0.112 0.113
态度 0.108 0.108 0.343 0.345
出行行为 0.135 0.057 0.135 0.057

3.3 人工神经网络建模及结果分析

前文采用结构方程模型分析了感知建成环境的3个潜变量（便利性、道路状况及安全性、美观性）和态度对出行行为的影响,为了更深入地分析感知建成环境和态度的各个题项对应的因子对休息日和工作日出行行为的影响,从而为改善建成环境、培养积极的出行态度提供更科学的依据,本研究采用SPSS软件创建了人工神经网络用以量化各个影响因素对于休息日和工作日出行行为的重要性。影响因素的重要性是神经网络中输入变量贡献的衡量指标,本研究中的重要性为绝对重要性,反映输入变量的重要程度。
两个神经网络模型的输入变量均为衡量感知建成环境的便利性（Acc1, Acc2, Acc3）、道路状况及安全性（Rcs1, Rcs2, Rcs3）、美观性（Aes1, Aes2）的8个变量以及衡量出行态度的2个变量（Att1, Att2）。输出分别为休息日的出行次数和工作日的出行次数。两个神经网络均有一个隐含层,隐藏神经元的数量为自动生成,训练采用多层训练感知算法实现。在此基础上开展敏感度分析,得到神经网络中各个输入变量对因变量的重要性。
感知建成环境、态度对休息日出行行为的重要性排序如图4所示。感知建成环境、态度对工作日出行行为的重要性排序如图5所示。
图4 感知建成环境、态度对休息日出行行为的重要性排序
图5 感知建成环境、态度对工作日出行行为的重要性排序
对神经网络建模结果进行分析可知,对休息日出行行为最具影响力的是校园内购物/就餐的便利程度（Acc1）,其次是出行态度（Att2）。对工作日出行行为最具影响力的是夜间道路灯光和校内出行安全感（Rcs3）,其次是校园内基础设施的完善程度（Acc3）。与休息日相比,态度的两个因子对工作日出行行为的影响力较弱,这与结构方程模型的结果一致。结构方程模型和神经网络的结果也存在一定差异,这与以往研究结果一致[21],例如：结构方程模型中感知的道路状况及安全性对出行行为没有显著影响,而在神经网络模型中,道路状况及安全性对应的题项中的校园内出行安全（Rcs2）对休息日出行行为的重要性较高,夜间道路灯光和校内出行安全感（Rcs3）对工作日出行行为的重要性较高。存在差异的原因可能是线性补偿的结构方程模型与非线性非补偿的人工神经网络相比存在过度简化的问题。这也体现了结构方程模型与神经网络组合分析的意义。根据各因素对出行行为的重要性排序,可以进一步细化各个因素对出行行为的影响,在制定政策或具体措施时以此为依据,优先改善对出行行为影响最大的因素。

3.4 讨论

（1）感知建成环境,尤其是便利性,对大学生休息日和工作日的出行行为有显著的积极影响。因此,学校应通过改善校园的客观建成环境,如完善校园内的基础设施并优化设施布局,或采取措施改善大学生对已有客观建成环境的感知来鼓励大学生校内出行。
（2）态度对休息日出行行为有显著的直接的正向影响,对工作日出行行为无显著影响。工作日的出行行为更多地取决于工作、学习等刚性需求,而非出行态度。
（3）态度对感知建成环境的影响和感知建成环境对态度的影响均显著,前者相对更强。目前感知环境的现状一般,态度相对较为积极,因此,态度可以在一定程度上调节感知建成环境对出行行为的影响,培养学生积极的出行态度对于改善大学生对建成环境的感知具有重要作用。
（4）性别、年级、BMI、月生活费用等个人基本属性对感知建成环境、态度和出行行为有直接或间接的影响,学校在制定政策时可以考虑更加个性化、更具针对性的措施。
（5）新冠肺炎疫情对感知建成环境的便利性、道路状况及安全性、出行态度均有显著的负向的直接或间接影响,对校园内出行行为的影响不显著。因此学校应特别关注新冠肺炎疫情期间大学生的心理状态,采取积极有效的措施应对新冠肺炎疫情带来的消极影响,做好大学生心理健康教育和疏导工作。

4 结语

本研究采用结构方程模型对新冠肺炎疫情期间大学生在工作日和休息日的感知建成环境、态度和出行行为的相互作用关系进行了建模分析,重点讨论了感知建成环境和态度之间的相互作用机制,以及各变量的相互作用关系在工作日和休息日的区别。在此基础上建立神经网络对细化的各个影响因素对出行行为的重要性进行了排序。根据研究结果,建议高校注重客观和感知建成环境的改善,如完善校园内的基础设施、优化布局或采取措施改善大学生对已有客观建成环境的感知,培养学生积极的出行态度。
本研究仍存在如下一些局限性：首先,该研究采用的是横截面数据,而实际上感知建成环境、态度和出行行为是动态变化的,未来可尝试采用纵向数据或面板数据进一步研究三者之间的复杂关系;其次,对感知环境和态度的测度不够全面和精准,例如,本文只讨论了出行态度,而没有涉及对环保的态度、对健康的态度、对政策的态度等更多元的态度因素;此外,生活习惯也是一个比较重要的影响因素,下一步研究可将其纳入考量。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
金岳龙, 常微微, 常鑫, 等. 大学生新冠肺炎疫情在线学习期间心理健康及影响因素分析[J]. 中国学校卫生, 2021,42(4):574-578.

[2]
MA L, DILL J, MOHR C. The objective versus the perceived environment: what matters for bicycling?[J]. Transportation, 2014,41(6):1135-1152.

[3]
BROWNSON R C, HOEHNER C M, DAY K, et al. Measuring the built environment for physical activity: State of the science[J]. American Journal of Preventive Medicine, 2009,36(S4):99-123.

[4]
EWING R, CERVERO R. Travel and the built environment[J]. Journal of the American Planning Association, 2010,76(3):265-294.

[5]
HERRMANN-LUNECKE M G, MORA R, VEJARES P. Perception of the built environment and walking in pericentral neighbourhoods in Santiago, Chile[J]. Travel Behaviour and Society, 2021,23:192-206.

[6]
MA L, CAO J. How perceptions mediate the effects of the built environment on travel behavior?[J]. Transportation, 2019,46(1):175-197.

[7]
MA L, DILL J. Associations between the objective and perceived built environment and bicycling for transportation[J]. Journal of Transport & Health, 2015,2(2):248-255.

[8]
GUAN X, WANG D, JASON CAO X. The role of residential self-selection in land use-travel research: A review of recent findings[J]. Transport Reviews, 2020,40(3):267-287.

[9]
CHAN E T H, SCHWANEN T, BANISTER D. The role of perceived environment, neighbourhood characteristics, and attitudes in walking behaviour: Evidence from a rapidly developing city in China[J]. Transportation, 2019,48(1):431-454.

[10]
KIZONY R, SCHREUER N, ROTENBERG S, et al. Participation in out-of-home activities among older adults: The role of mobility, attitudes and travel behaviors[J]. Journal of Transport & Health, 2020,17:100846.

[11]
ARROYO R, RUIZ T, MARS L, et al. Influence of values, attitudes towards transport modes and companions on travel behavior[J]. Transportation Research Part F: Psychology and Behaviour, 2020,71:8-22.

[12]
RALPH K M, SMART M J, Noland R B, et al. Is it really too far? Overestimating walk time and distance reduces walking[J]. Transportation Research Part F: Psychology and Behaviour, 2020,74:522-535.

[13]
YANG Y, DIEZ-ROUX A V. Adults′ daily walking for travel and leisure: Interaction between attitude toward walking and the neighborhood environment[J]. American Journal of Health Promotion, 2017,31(5):435-443.

[14]
FRANK L, GILES-CORTI B, EWING R. The influence of the built environment on transport and health[J]. Journal of Transport & Health, 2016,3(4):423-425.

[15]
WOLDAY F, CAO J, NÆSS P. Examining factors that keep residents with high transit preference away from transit-rich zones and associated behavior outcomes[J]. Journal of Transport Geography, 2018,66:224-234.

[16]
MORCKEL V C. Examining the relationships between perceived neighborhood mobility characteristics, perceived incivilities, travel attitudes, and physical activity amongst university faculty and staff[J]. Journal of Transport & Health, 2016,3(1):86-95.

[17]
FESTINGER L. A Theory of Cognitive Dissonance[M]. Stanford: Stanford University Press, 1957.

[18]
姜楠, 李赛, 曹素珍, 等. 新冠肺炎疫情期间我国人群交通出行行为分析[J]. 环境科学研究, 2020,33(7):1675-1682.

[19]
邹晟誉. 基于MNL回归模型的疫情防控背景下居民出行方式影响因素证分析[J]. 山东交通科技, 2020(4):98-102.

[20]
赵海峰, 万迪昉. 结构方程模型与人工神经网络模型的比较[J]. 系统工程理论方法应用, 2003(3):262-269.

[21]
MARUYAMA G M. Basics of Structural Equation Modeling[M]. Thousand Oaks, US: Sage Publications Inc, 1997.

[22]
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.

[23]
刘诗宇. 基于结构方程模型的城市轨道交通乘客满意度影响因素研究[D]. 重庆:重庆大学, 2016.

[24]
王凯文, 封学军, 蒋柳鹏, 等. 基于结构方程模型的港口高质量发展关键动能识别[J]. 交通运输研究, 2021,7(2):1-10.

[25]
CERIN E, CONWAY T L, SAELENS B E, et al. Cross-validation of the factorial structure of the Neighborhood Environment Walkability Scale(NEWS) and its abbreviated form(NEWS-A)[J]. Bi-oMed Central, 2009,6(1):32.

[26]
FORNELL C, LARCKER D F. Structural equation models with unobservable variables and measurement error: Algebra and statistics[J]. Journal of Marketing Research, 1981,18(3):39-50.

[27]
LAM L W. Impact of competitiveness on salespeople's commitment and performance[J]. Journal of Business Research, 2012,65(9):1328-1334.

Options
Outlines

/

〈 〉