Transport Research >

2022 , Vol. 8 >Issue 6: 63 - 71

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.06.007

Influencing Factors of Urban Residents′ Green Travel Based on Extended Theory of Planned Behavior

  • LU Huan , 1, 2 ,
  • GAN Hong-cheng , 1, 2 ,
  • WANG Xin-yu 1, 2 ,
  • HUANG Yue 1, 2 ,
  • WANG Wen-jing 1, 2
Expand
  • 1. Business School, University of Shanghai for Science & Technology, Shanghai 200093, China
  • 2. Center for Supernetworks Research, University of Shanghai for Science & Technology, Shanghai 200093, China

Received date: 2022-09-15

  Online published: 2023-01-17

Fold

Abstract

In order to analyze the key factors affecting urban residents′ green travel behavior more comprehensively, formulate scientific and reasonable green travel policies, this study took the TPB (Theory of Planned Behavior) as the theoretical framework. Based on considering the basic variables of TPB, three extended variables including travel habits, environmental consciousness and anticipated regret were introduced. A model of influencing factors of urban residents' green travel behavior was built based on extended TPB, and the partial least square structural equation model was used to test the path relationship between variables. The key influencing factors and their direct and indirect influencing effects on green travel behavior were analyzed, and the behavioral data collected by questionnaire survey was used for empirical analysis. The results showed that the study of green travel behavior based on extended TPB had good feasibility and applicability. Among all factors affecting green travel behavior, the total effect of behavioral intention on green travel behavior was 0.45, which was the largest of all variables. The direct effect of perceived behavior control was 0.37, the indirect effect was 0.07 and the total effect was 0.44, which was second only to the behavioral intention variable. The direct effect of travel habits was 0.25, the indirect effect was 0.05, and the total effect was 0.30, which was second only to the above two variables. Furthermore, the direct effect of anticipated regret was -0.17, the indirect effect was -0.05, and the total effect was -0.22. The total effects of travel attitude, subjective norm and environmental consciousness were 0.12, 0.15 and 0.20. Based on the above research results, it is recommended to further promote the concept of green travel, enhance residents' awareness of environmental protection; strengthen the construction of green travel facilities and improve the quality of green travel services; improve travel policies related to green travel, cultivate residents′ green travel habits, and guide urban residents to choose green travel.

Key words： urban traffic; green travel; influencing factor; theory of planned behavior; partial least squares structural equation model

Cite this article

LU Huan , GAN Hong-cheng , WANG Xin-yu , HUANG Yue , WANG Wen-jing . Influencing Factors of Urban Residents′ Green Travel Based on Extended Theory of Planned Behavior[J]. Transport Research, 2022 , 8(6) : 63 -71 . DOI: 10.16503/j.cnki.2095-9931.2022.06.007

0 引言

国际能源署的统计数据显示，到2030年交通运输业的碳排放将占全球碳排放总量的41%[1]，因此降低交通出行碳排放是交通和城市可持续发展的关键。鉴于此，绿色出行理念被及时提出并获得广泛宣传，该理念提倡人们尽可能选择步行、自行车、公共交通等对环境影响较小的交通出行方式，以达到降低城市交通出行碳排放的目的[2]。因此，准确分析城市居民绿色出行的影响因素，对于引领城市居民选择绿色交通方式出行，实现“双碳”目标具有重要意义。然而，影响居民绿色出行行为的主客观因素较多，影响关系较复杂，是城市交通出行研究领域亟需解决的难点问题。
近年来，城市居民绿色出行行为影响因素的研究成果颇丰。相关研究表明，要引导城市居民选择绿色出行方式，关键在于转变居民的出行态度和提升居民的环保意识[3-4]；与此同时，还需改变居民的出行习惯[5⇓-7]。计划行为理论（Theory of Planned Behavior, TPB）被认为是解决上述研究问题的重要理论，自提出以来，已被广泛运用于出行行为研究中，如Li等人[8]和魏庆琦等人[9]分析态度、主观规范和知觉行为控制等TPB基本假设变量对公交选择行为和大学生出行行为的影响，发现变量均具有较强的解释力；Kaplan等人[10]利用TPB对通学出行方式进行研究，发现除上述变量外，出行习惯变量的引入可以提升模型的准确性。同时，居民的环保意识已经被研究证实是影响绿色出行行为的关键因素，且会直接影响绿色出行态度[11-12]。心理学中的预期后悔概念也被纳入出行行为研究中，这是一种与过往的行为经验或习惯有关的情绪，会影响个体的行为意向和行为决策。相关研究证实，探索预期后悔对出行行为的影响是非常必要的[13-14]。
综上，学者们对绿色出行行为进行了大量的理论研究和实践探索，从不同角度探讨了出行行为的影响因素，但始终未有综合考虑城市居民出行习惯、环保意识和预期后悔对绿色出行行为意愿影响的相关研究。因此，本文在考虑TPB基本假设变量的基础上，引入出行习惯、环保意识、预期后悔3类扩展变量，构建基于扩展TPB的城市居民绿色出行行为影响因素分析模型，采用偏最小二乘法结构方程模型进行变量间路径关系检验，分析影响绿色出行行为的关键影响因素，并探索其对绿色出行行为影响的直接和间接效应，据此提出相关对策建议，以期为绿色出行政策的制定提供参考。

1 变量选取及模型构建

1.1 变量选取

TPB由Ajzen[15]提出，是用于个体行为研究中分析行为意愿及选择的重要理论。在绿色出行行为研究领域，TPB认为个体是否选择绿色出行行为是经深思熟虑后做出的选择，行为的产生与否取决于行为意向，而行为意向是由以下3方面决定的：一是出行态度，即个体对绿色出行行为的积极或消极感受；二是主观规范，即个体基于一定的行为准则考虑是否选择绿色出行行为；三是知觉行为控制，即个体在绿色出行政策或环境变化后对绿色出行行为的感知能力。总体而言，TPB认为积极的态度、更强的主观规范和知觉行为控制会促进个体选择绿色出行的行为意向。已有研究证实了TPB理论在绿色出行行为研究方面的有效性，涉及自行车出行行为意向、公共交通使用行为意向、降低私家车使用比例和使用绿色交通方式出行的行为意向等[16⇓-18]。
但除了基本的TPB变量外，也有研究发现一些新的心理潜变量在绿色出行行为的研究中容易被忽略。首先，有研究认为出行习惯对行为意向及行为的影响在某些情况下会超过TPB中的基本变量[18]。出行习惯被定义为重复过去某一出行行为的心理倾向，居民出行是一种日常行为，由于出行方式的选择通常是反复的，所以会演变成一种习惯性行为，即出行习惯。现有关于出行习惯的研究[19-20]主要集中在私家车出行习惯对公共交通出行选择的影响方面，既然出行习惯确实会影响出行行为，则有必要对出行习惯对绿色出行行为的影响进行深入研究。其次，环保意识也是研究绿色出行行为影响因素需考虑的关键。环保意识是指个人对环境保护问题的认知，既有研究[21-22]使用了环境态度和环境关怀来表达类似的概念。研究认为，人们会因价值观的不同而产生不同程度的环保意识，进而影响其对保护环境的责任感和个人规范，从而最终影响其与环保行为有关的行为意向，影响其绿色出行行为选择。再者，预期后悔也是绿色出行行为选择重要的影响因素，其是指个体对过往出行决策产生的某种消极情绪[23-24]，但现有研究较少将其纳入绿色出行行为研究中。在实际出行中，居民通常会因为乘坐公共交通带来的拥堵和不适而后悔乘坐公共交通，所以有必要在本研究中加入预期后悔这一扩展潜变量。
综上，本研究在TPB和相关研究的基础上，结合绿色出行行为研究背景，构建了包含出行态度（Travel Attitude, TA）、主观规范（Subjective Norms, SN）、知觉行为控制（Perceived Behavioral Control, PBC）、出行习惯（Travel Habit, TH）、环保意识（Environmental Consciousness, EC）、预期后悔（Anticipated Regret, AR）、绿色出行行为意向（Behavioral Intention, BI）、绿色出行行为（Behavior, B）8个变量和23个测量变量在内的测量体系来分析城市居民绿色出行行为的影响因素，各变量的具体描述如表1所示。
表1 模型变量描述
变
量		 测量变量 变量说明
TA TA1 我认为选择绿色出行方式有利于解决城市交通
拥堵问题
TA2 我认为选择绿色出行方式可以解决环境污染问题
TA3 我愿意选择绿色出行方式来满足日常出行需求
SN SN1 我身边的人都习惯了绿色出行方式
SN2 我身边的人都希望我选择绿色出行方式来满足
日常出行需求
SN3 我身边的人提倡绿色出行，这极大影响了我对
出行方式的选择
PBC PBC1 公共自行车、共享单车的推广让我更倾向于选择绿色出行方式
PBC2 公共交通的良好发展让我更倾向于使用公共交通
PBC3 燃油车、出租车费用的增加让我更倾向于选择
绿色出行方式
TH TH1 我倾向于选择更快速、便捷的交通方式出行
TH2 我倾向于选择更安全的交通方式出行
TH3 我倾向于选择更舒适的交通方式出行
TH4 我倾向于选择更实惠的交通方式出行
EC EC1 我投递垃圾时会分类处理
EC2 我平时在外通常不会随手丢弃垃圾
EC3 我认为过度使用小汽车出行会对环境产生较大
影响
AR AR1 如果我上班迟到了，我会对我使用的出行方式
（小汽车或公共交通）感到后悔
AR2 小汽车出行费用太高，我后悔使用小汽车出行
AR3 如果我不过度使用小汽车出行，环境污染就不会这么严重
BI BI1 我总是计划使用绿色出行方式
BI2 我可能会选择绿色出行方式
BI3 我有强烈的意愿选择绿色出行
B B 我在最近的出行中选择了绿色出行

1.2 模型构建

本研究选择TPB作为基本理论框架，基于1.1节中探讨的模型变量建立基于扩展TPB的城市居民绿色出行行为影响因素分析模型，如图1所示。模型由TPB基本变量和扩展变量两部分组成。在基本的TPB变量中，绿色出行态度通常被认为是受主观规范和知觉行为控制影响的关键中介变量，主观规范可以直接影响绿色出行行为意向，间接影响绿色出行行为；同时，主观规范和知觉行为控制对绿色出行行为意向有正向影响，知觉行为控制还直接影响绿色出行行为。在扩展变量的部分，本研究重点考虑了出行习惯、环保意识和预期后悔对绿色出行行为意向和行为的影响。本研究的研究假设关系H1~H15在图1中均有体现，故不再通过文字赘述。
图1 基于扩展TPB的城市居民绿色出行行为影响因素分析模型

注：H1~H15为本研究的研究假设，“+”与“-”分别表示假设关系中影响的正负性。

2 数据来源

研究数据来源于Open ITS平台（www.openits.cn）发布的镇江市绿色出行行为调查问卷数据。问卷分为两部分，第1部分为受访者的个人信息调查，包括性别、年龄、受教育程度、职业、收入等，第2部分为绿色出行行为与行为意向调查。在本研究中，所有条目都采用李克特五分制量表进行测量，即每一条目陈述的问题有“非常同意”“同意”“不一定”“不同意”“非常不同意”这5种不同回答，分别记为5, 4, 3, 2, 1。调查区域集中在镇江高铁站、老火车站和长途汽车站附近，3个调查点都位于镇江市中心，客流量大，出行者职业和学历分布广，调查样本具有一定的代表性。调查共收集问卷2 941份，删除无效样本，最终获得2 520个调查样本，样本有效率为85.7%。进一步筛选有意愿选择绿色出行的样本进行建模分析，共筛选出1 660个，样本描述性统计特征如表2所示。由表2可知，在有意愿选择绿色出行的居民中，男性居民的比例为60.52%；年龄方面，以18~35岁的青年为主，占比达65.26%；学历方面，具有本科及以上学历的居民占比达44.58%；收入方面，以月收入在6 000元以下的工薪阶层为主，占比达86.55%。
表2 有意愿选择绿色出行的样本描述性统计特征
基本信息 统计
特征		 占比（%）
性别 男 60.52
女 39.48
年龄
/岁		 <18 2.99
18~25 38.98
26~35 26.28
36~45 18.24
46~55 10.09
>55 3.42
教育水平 初中/高中 28.58
中专/大专 26.84
本科/硕士
/博士		 44.58
基本
信息		 统计
特征		 占比
（%）
职业 有工作 60.34
学生 22.81
其他 16.85
收入
/元		 <2000 28.83
2001~4000 35.12
4001~6000 22.60
6001~8000 9.22
>8000 4.23

3 结果分析

本研究构建以偏最小二乘法（Partial Least Squares, PLS）为基础路径的结构方程模型（Structural Equation Model, SEM）进行实证分析。SEM作为常用的实证分析工具，包括以偏最小二乘法为基础的PLS-SEM建模和以协方差为基础的CB-SEM（Covariance-Based SEM）建模。PLS-SEM的原理为，在方差的基础上结合主成分分析与多元回归分析，通过循环迭代的方式使内生变数的被解释能力最大；CB-SEM的原理为，结合因素分析与多元回归分析，使样本矩阵与模型期望的共变异数更为接近。与CB-SEM相比，PLS-SEM可以处理模型中的多阶潜变量问题，能同时处理反映性指标与形成性指标（本研究构建的理论模型包含这两类指标）；另外，PLS-SEM还在研究样本量较大、假设检验较多、建模复杂性较高时具有突出优势[25-26]，故其更适用于本研究开展后续的实证分析。鉴于此，本研究利用Smart-PLS3.0软件，对概念框架和调查数据进行分析，首先评估测量模型，分析观测变量与潜变量间的关系；然后，通过PLS-SEM检验结构模型，测量潜变量间的路径关系，方法的具体实施过程可参考文献[27]~文献[29]。

3.1 信效度检验

首先，本研究需对研究数据进行信度和效度检验以确保研究结果的可靠性。表3显示的是测量模型中所有变量的信度检验结果，包括克朗巴哈系数（Cronbach's α）、综合信度（Composite Reliability, CR）和平均方差提取值（Average Variance Extracted, AVE）。由表3可看出，所有反映性潜变量的AVE值均大于临界值0.5，所有潜变量的Cronbach's α值均大于临界值0.7，CR值均大于临界值0.8。由于TH属于形成性变量，需要检验其方差膨胀因子（Variance Inflation Factor, VIF），发现小于临界值3。上述值均满足临界值检验标准，表明本研究的测量模型具有令人满意的收敛有效性，支持了PLS-SEM的进一步分析。
表3 测量模型的信度检验
变量 AVE Cronbach's α系数 CR
TA 0.637 0.752 0.867
SN 0.642 0.759 0.817
PBC 0.524 0.793 0.831
EC 0.734 0.744 0.849
AR 0.702 0.771 0.881
BI 0.659 0.755 0.827
TH VIF
1.117
然后，使用区分效度分析检验不同潜变量观测指标间的关联度，确保不存在高度相关性。本研究使用异质-单质（Heterotrait-Monotrait, HTMT）比率值进行检验，其为不同指标相关性的均值与同一指标相关性的均值的比值，通常情况下不能大于阈值0.9。表4所示为区分效度检验矩阵。可以看出，所有HTMT值均小于阈值，表明测量模型具有良好的区别效度。
表4 区分效度检验矩阵
TA PBC SN AR EC BI B
TA —
PBC 0.458 —
SN 0.589 0.407 —
AR 0.594 0.511 0.511 —
EC 0.306 0.400 0.532 0.412 —
BI 0.503 0.363 0.329 0.684 0.490 —
B 0.421 0.356 0.356 0.610 0.408 0.419 —

注：1.空白处为对称数值。

2.“—”处数值为1，不用于区分效度检验，故省略。

3.2 路径关系检验

本研究使用Smart-PLS3.0软件中的Bootstrapping运算（子样本设定为5 000）估计模型潜变量间的路径系数，得到路径系数、显著性检验结果及假设检验结果，如表5所示。由表5可知，在 p < 0.001水平上，所有路径系数均显著，说明结构模型的路径系数值均具有显著的统计学意义。结构模型的拟合优度评价结果如表6所示。由拟合优度R2值可知，该模型对绿色出行态度、主观规范、知觉行为控制、环保意识、预期后悔、行为意向和出行行为的方差解释率分别为16.7%, 21.8%, 23.1%, 31.2%, 14.6%, 57.5%和31.7%。同时，5个潜在变量的预测相关性Q2值均大于零（最小值为0.075），表明这些内生变量均达到了预测相关性。此外，拟合优度（Goodness of Fit, GOF）值为0.525，这证实了PLS-SEM建模存在较大的全局拟合优度。综上，本研究认为在图1中假设的理论路径（H1~H15）均成立，潜变量TA, PBC, SN, AR和EC均正向影响绿色出行行为意向和行为，TA, SN和PBC对绿色出行行为意向和行为表现出中介作用。此外，本研究还比较了各潜变量指标对绿色出行行为的直接效应、间接效应和总效应，结果如表7所示，主要结论详见3.3节。
表5 路径系数、显著性及假设检验结果
假设 路径系数 标准差 T值 假设成立与否
H1: TA→BI 0.203*** 0.105 4.836 是
H2: SN→BI 0.301*** 0.137 4.029 是
H3: PBC→BI 0.234*** 0.043 4.267 是
H4: BI→B 0.449*** 0.081 3.367 是
H5: SN→TA 0.193*** 0.071 6.212 是
H6: PBC→TA 0.432*** 0.141 4.492 是
H7: PBC→SN 0.310*** 0.125 11.774 是
H8: PBC→B 0.366*** 0.157 2.024 是
H9: EC→TA 0.359*** 0.061 5.811 是
H10: EC→BI 0.280*** 0.094 1.979 是
H11: TH→BI 0.308*** 0.027 3.009 是
H12: TH→B 0.251*** 0.084 4.709 是
H13: TH→AR 0.276*** 0.039 4.542 是
H14: AR→BI -0.136*** 0.064 4.919 是
H15: AR→B -0.167*** 0.081 4.712 是

注：“***”表示显著性 p < 0.001。

表6 拟合优度评价结果
TA SN PBC EC AR BI B
调整后R2 （决定系数） 0.167 0.218 0.231 0.312 0.146 0.575 0.317
Q2 0.123 0.095 0.075 0.265 0.152 0.358 0.276
GOF 0.525
表7 绿色出行行为影响因素的效应分解
变量 直接效应 间接效应 总效应
TA 0 0.12 0.12
SN 0 0.15 0.15
PBC 0.37 0.07 0.44
TH 0.25 0.05 0.30
EC 0 0.20 0.20
AR -0.17 -0.05 -0.22
BI 0.45 0 0.45

注:“-”表示负效应。

3.3 主要结论

（1）行为意向对绿色出行行为产生直接正向影响，总效应为0.45，为所有影响因素中最大的。行为意向也是其他因素影响出行行为的中介变量，由表5和表7的路径系数和效应分解结果可知，无论是TPB基本变量中的出行态度、主观规范和知觉行为控制，还是扩展变量中的出行习惯、环保意识和预期后悔，均可通过影响行为意向来间接影响绿色出行行为。
（2）出行态度、主观规范和环保意识对绿色出行行为产生间接正向影响，间接效应分别为0.12, 0.15和0.20；知觉行为控制对绿色出行行为产生直接和间接正向影响，直接效应为0.37，间接效应为0.07，总效应为0.44。说明居民对绿色出行行为的态度越积极，环保意识越高，周围重要的人对其影响越大，感知到绿色出行的难度越小时，其绿色出行行为意向就越强烈，采取绿色出行行为的可能性就越大。
（3）出行习惯对绿色出行行为产生直接和间接正向影响，直接效应为0.25，也可通过影响行为意向和预期后悔2个因素对出行行为间接产生正向影响，其间接效应为0.05，总效应为0.30，说明在实际出行中，居民的出行习惯会决定下次出行方式，或对下次出行方式的意向产生影响。另外，以往的出行经验会让居民对某种出行方式产生良好或者不满的体验，进而影响其采取该出行方式的意向和行为，故将出行习惯引入TPB来解释绿色出行行为是合理的。
（4）预期后悔对绿色出行行为产生直接负向影响，效应为-0.17，也可通过作用于行为意向，对出行行为产生间接的负向影响，效应为-0.05，总效应为-0.22。说明将预期后悔作为扩展变量引入TPB来解释绿色出行行为是合理的。居民对绿色出行的预期后悔程度越大，其采取绿色出行的行为意向就越低，实际采取绿色出行行为的可能性就越小，而预期后悔通常与居民以往的出行体验有密切联系。

3.4 对策建议

（1）宣传绿色出行理念，提升居民环保意识
研究发现，环保意识越强，采取绿色出行的可能性就越大，且行为意向是对行为总效应影响最大的因素。因此，应提升绿色出行理念宣传的普及度和渗透率，提高居民对环境保护问题的关注度，并将切实提高城市居民的居民环保意识和绿色出行意愿作为宣传的最终目标，让居民能了解绿色出行的内涵和重要性，同时能将绿色出行的理念传播给亲友，扩大其影响力。
（2）加强绿色出行设施建设，提升绿色出行服务品质
研究发现，居民感知绿色出行更容易，对绿色出行的预期后悔程度越小时，其行为意向越强。因此，应加强绿色出行设施建设、提升服务品质，如设计合理的绿色出行与慢行交通网络，建设集步行、共享单车、公交、轨道交通为一体的城市公共交通枢纽，并根据居民出行需求提供定制公交、夜间公交等服务，致力于让智能、便捷、安全的绿色出行为居民提供更好的城市出行体验。
（3）完善绿色出行相关政策，培养居民绿色出行习惯
研究发现，出行习惯是影响居民绿色出行行为的重要直接和间接影响因素。因此，可通过相关财政或交管政策引导城市居民使用绿色出行方式，如降低居民绿色出行费用、加大公共交通补贴力度、提升绿色出行效率等，增加居民绿色出行频率。此外，呼吁政府部门牵头有关企业建立居民“绿色出行账户”，将步行、骑自行车、乘坐公交地铁等绿色出行行为以一定的比例进行量化计算，以积分的形式纳入个人账户中，相应的积分可兑换实际或虚拟奖品，以此激励城市居民绿色出行习惯的培养。

4 结语

本文基于扩展的计划行为理论，构建城市居民绿色出行行为的影响因素模型，分析绿色出行行为的关键驱动因素，并探讨其直接和间接影响。结果表明，基于扩展TPB研究城市居民绿色出行行为具有较好的可行性和适用性；绿色出行态度和主观规范对绿色出行行为意向有直接正向影响，对绿色出行行为有间接正向影响，而知觉行为控制、出行习惯对绿色出行行为有直接和间接正向影响；同时，预期后悔对绿色出行行为有直接和间接负向影响。基于上述研究结果，本文提出了相应的对策建议，可为绿色出行交通政策的制定和实施提供参考。在后续研究中，可考虑扩大调查范围和样本数据量，进一步检验研究结论的可信度和适用性，并通过对比分析，提出更精准有效的对策建议；也可考虑在模型变量选取时增加如交通出行政策、出行可达性等新的扩展变量，进行深入探索。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
International Energy Agency (IEA). Statistics: CO2 emission from fuel combustion[R]. Paris: International Energy Agency, 2017.

[2]
毛保华, 陈硕, 吴雪妍, 等. 碳达峰目标下我国城市客运交通发展的引导策略研究[J]. 交通运输研究, 2022, 8(3):21-29.

[3]
RASOULI S, TIMMERMANS H. Applications of theories and models of choice and decision-making under conditions of uncertainty in travel behavior research[J]. Travel Behaviour & Society, 2014, 1(3): 79-90.

[4]
ANTIMOVA R, NAWIJN J, PEETERS P. The awareness/attitude‐gap in sustainable tourism: A theoretical perspective[J]. Tourism Review, 2012, 67(3): 7-16.

[5]
MORRIS E A, GUERRA E. Mood and mode: Does how we travel affect how we feel?[J]. Transportation, 2015, 42(1): 25-43.

[6]
何耀, 方晓平, 杨扬, 等. 公众低碳出行行为决策模型的研究[J]. 铁道科学与工程学报, 2017, 14(5):1077-1085.

[7]
景鹏, 隽志才, 查奇芬. 考虑心理潜变量的出行方式选择行为模型[J]. 中国公路学报, 2014, 27(11):84-92.

[8]
LI L, XIONG J, CHEN A, et al. Key strategies for improving public transportation based on planned behavior theory: Case study in Shanghai, China[J]. Journal of Urban Planning & Development, 2014, 141(2): 401-409.

[9]
魏庆琦, 肖伟. 考虑外生政策调节的城市低碳出行决策模型[J]. 交通运输系统工程与信息, 2017, 17(1):8-13,26.

[10]
KAPLAN S, MANCA F, NIELSEN T, et al. Intentions to use bike-sharing for holiday cycling: An application of the theory of planned behavior[J]. Tourism Management, 2015, 47: 34-46.

[11]
胡松, 翁剑成, 周伟, 等. 基于扩展计划行为理论的公共交通出行依赖性影响[J]. 吉林大学学报(工学版), 2022, 52(5):1037-1044.

[12]
景鹏, 隽志才, 查奇芬. 扩展计划行为理论框架下基于MIMIC模型的城际出行行为分析[J]. 管理工程学报, 2016, 30(4):61-68.

[13]
LIND H B, NORDFJAERN T, JORGENSEN S H, et al. The value-belief-norm theory, personal norms and sustainable travel mode choice in urban areas[J]. Journal of Environmental Psychology, 2015, 44: 119-125.

[14]
BIRD E L, PANTER J, BAKER G, et al. Predicting walking and cycling behaviour change using an expanded theory of planned behaviour[J]. Journal of Transport & Health, 2018, 10: 11-27.

[15]
AJZEN I. The theory of planned behavior[J]. Organizational Behavior & Human Decision Processes, 1991, 50(2): 179-211.

[16]
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(1): 58-72.

[17]
SHI D, WANG L, WANG Z. What affects individual energy conservation behavior: Personal habits, external conditions or values? An empirical study based on a survey of college students[J]. Energy Policy, 2019, 128(5): 150-161.

[18]
ÜNAL A B, STEG L, GRANSKAYA J. "To support or not to support, that is the question". Testing the VBN theory in predicting support for car use reduction policies in Russia[J]. Transportation Research Part A: Policy and Practice, 2019, 119: 73-81.

[19]
FORNARA F, PATTITONI P, MURA M, et al. Predicting intention to improve household energy efficiency: The role of value-belief-norm theory, normative and informational influence, and specific attitude[J]. Journal of Environmental Psychology, 2016, 45: 1-10.

[20]
LOIS D, MORIANO J A, RONDINELLA G. Cycle commuting intention: A model based on theory of planned behavior and social identity[J]. Transportation Research Part F: Psychology and Behaviour, 2015, 32: 101-113.

[21]
LIU D Y, DU H B, SOUTHWORTH F, et al. The influence of social-psychological factors on the intention to choose low-carbon travel modes in Tianjin, China[J]. Transportation Research Part A: Policy & Practice, 2017, 105: 42-53.

[22]
FATMI M R, HABIB M A. Modelling mode switch associated with the change of residential location[J]. Travel Behavior and Society, 2017, 9: 21-28.

[23]
MAHDI Y, MANSOUR H H. The role of personality traits through habit and intention on determining future preferences of public transport use[J]. Behavioral Sciences, 2017, 7(1): 8-22.

[24]
ABADI M G, HURWITZ D S. Bicyclist's perceived level of comfort in dense urban environments: How do ambient traffic, engineering treatments, and bicyclist characteristics relate?[J]. Sustainable Cities and Society, 2018, 40: 101-109.

[25]
HIRATSUKA J, PERLAVICIUTE G, STEG L. Testing VBN theory in Japan: Relationships between values, beliefs, norms, and acceptability and expected effects of a car pricing policy[J]. Transportation Research Part F: Traffic Psychology & Behaviour, 2018, 53: 74-83.

[26]
陈月霞, 陈龙, 查奇芬, 等. 基于绿色心理潜变量Logit模型的出行方式预测模型[J]. 公路交通科技, 2017, 34(9):100-108,137.

[27]
GIAO H N K, VUONG B N, HUAN D D, et al. The effect of emotional intelligence on turnover intention and the moderating role of perceived organizational support: Evidence from the banking industry of Vietnam[J]. Sustainability, 2020, 12(5): 1-25.

[28]
PAUL J, MODI A, PATEL J. Predicting green product consumption using theory of planned behavior and reasoned action[J]. Journal of Retailing and Consumer Services, 2016, 29: 123-134.

[29]
RAMAYAH T, HWA C J, CHUAH F, et al. Partial Least Squares Structural Equation Modeling (PLS-SEM) using SmartPLS 3.0: An updated and practical guide to statistical analysis[M]. Kuala Lumpur: Pearson Malaysia Sdn Bhd, 2016.

Options
Outlines

/

〈 〉