Transport Research >

2023 , Vol. 9 >Issue 5: 83 - 96

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2023.05.008

Green

Ridesplitting Intentions of Online Ride-Hailing Users under Carbon Inclusion Scheme

  • ZHANG Yiwen , 1 ,
  • LI Wenxiang , 1 ,
  • LIU Xianglong 2, 3 ,
  • CHEN Siwei 1 ,
  • YANG Zijie 1
Expand
  • 1 Business School, University of Shanghai for Science and Technology, Shanghai 200093, China
  • 2 China Academy of Transportation Sciences, Beijing 100029, China
  • 3 Key Laboratory of Advanced Public Transportation Science, MOT, Beijing 100029, China

Received date: 2023-07-25

  Online published: 2023-12-07

Fold

Abstract

To encourage online ride-hailing users to choose the ridesplitting services that are more low-carbon, a carbon inclusion scheme was introduced for analysis of ridesplitting behavioral intention of online ride-hailing users under different low-carbon incentives. Firstly, hypotheses of the influencing factors on online ride-hailing users′ willingness to ridesplitting were proposed based on the theory of planned behavior, technology acceptance model, and perceived risk theory. Then, 12 scenarios of the carbon inclusion scheme with different carbon credit price and ridesplitting distance were constructed orthogonally. Meanwhile, a survey using stated preference (SP) methodology was conducted to collect the socio-demographic information, psychological latent variables, and ridesplitting intentions of online ride-hailing users under different hypothetical scenarios. Finally, a structural equation model was employed to model the ridesplitting intentions of online ride-hailing users under the carbon inclusion scheme. The results show that carbon credit price, travel distance, attitude, subjective norms and low-carbon values have significant direct effects on ridesplitting intention while perceived usefulness and perceived risk have significant indirect effects on ridesplitting intention. Specifically, as the carbon credit price increases, users′ willingness to ridesplitting increases, and the effect of attitudes and subjective norms weakens, while the effect of low-carbon values strengthens. The research findings prove that the carbon inclusion scheme could effectively promote online ride-hailing users to choose ridesplitting.

Key words： carbon inclusion scheme; online ride-hailing; ridesplitting; behavioral intention; theory of planned behavior; structural equation model

Cite this article

ZHANG Yiwen , LI Wenxiang , LIU Xianglong , CHEN Siwei , YANG Zijie . Ridesplitting Intentions of Online Ride-Hailing Users under Carbon Inclusion Scheme[J]. Transport Research, 2023 , 9(5) : 83 -96 . DOI: 10.16503/j.cnki.2095-9931.2023.05.008

0 引言

随着我国城镇化水平的不断提高，交通拥堵、环境污染等一系列问题也日益严重，我国城市交通低碳转型迫在眉睫[1]。虽然公共交通可在一定程度上缓解上述问题[2]，但目前大部分城市仍存在公共交通服务水平不足的问题，难以满足居民日益增长的个性化出行需求[3]。近年来，共享交通的兴起和碳普惠体系的建设为城市交通低碳转型提供了新的方向。其中，网约拼车作为共享交通的重要组成部分，被认为是减少碳排放和缓解城市交通拥堵的有效途径，而碳普惠作为一种居民低碳行为的激励机制[4]，将驱动更多网约车用户选择拼车出行。
虽然网约拼车是近年来兴起的一种新型出行方式，但国内外学者已经分别从理论与实践的角度证明了网约拼车出行能有效提高交通效率并产生显著的环境效益[5⇓⇓-8]。例如，基于成都的一项实证研究表明：网约拼车与独乘相比可以减少约30%的CO2、CO、NOx和HC排放[7]。然而，目前网约拼车的使用率还很低，如实际数据显示：成都网约车订单中只有6%~7%为拼车订单[9]，而芝加哥只有15%的网约车用户愿意选择拼车[10]。因此，有必要进一步探究影响网约车用户选择拼车出行的关键因素。
目前关于拼车行为的研究主要集中在出行意愿分析、选择行为建模和出行特征分析3个方面。针对拼车出行意愿，已有研究主要基于计划行为理论及其拓展理论分析拼车出行意愿的影响因素[11⇓⇓-14]，再通过调查问卷和结构方程模型定量分析各潜变量与出行意愿的关系[15]。如，张雨彤等[11]基于计划行为理论与结构方程模型，探索了拼车出行意愿的影响因素及因素之间的关系；Si等[12]基于技术接受模型和期望确认理论分析了影响出行者持续拼车出行意愿的关键因素；Wang等[13]在技术接受模型的基础上引入感知风险理论，进一步证明了感知有用性、感知易用性和感知风险对拼车出行意愿有显著影响。针对拼车选择行为[16⇓-18]，已有研究主要通过离散选择模型研究出行者拼车选择行为的影响因素。如，Wang等[16]基于滴滴出行平台的问卷调查数据，采用二项Logit模型定量分析了网约车共享出行对年轻人出行方式选择行为的影响；马文婷[17]通过建立Mixed Logit行为选择模型，针对拼车所产生的绕路和等待时间制定合理的价格策略；于晓娟等[18]基于后悔理论的随机Logit模型对拼车选择行为决策过程进行了分析。针对拼车出行特征，已有研究主要基于网约车平台的海量运营数据，分析拼车出行的时空分布特征[9,19⇓ -21]。如，Li等[9]利用滴滴出行的网约车订单及轨迹数据，对比分析了网约车拼车与独乘的出行特征区别；Chen等[20]基于机器学习模型对杭州滴滴出行的订单数据进行分析，发现拼车在等待时间、行程时间、行程距离等方面与快车和专车有显著差异。
为了进一步提高网约拼车的市场规模，已有研究还提出了不同形式的激励机制，如价格优惠、货币奖励、碳普惠等[22⇓⇓⇓-26]。其中，碳普惠作为一种自愿减排机制，基于低碳方法学对个人的碳减排量进行量化、记录、核证，并通过碳积分等形式为低碳行为赋予价值，进而可以形成对网约拼车的正向引导机制。相关研究中，Wang等[25]比较了碳积分和货币奖励对人们选择拼车意愿的影响，发现碳积分更能有效地促进拼车行为。
然而，既有研究只探讨了不同激励机制对用户拼车意愿的直接影响，未曾考虑激励机制对用户心理潜变量与行为意愿之间关系的调节效应，而相较于传统激励模式，碳普惠制度作为一种创新性的激励机制能显著影响用户的拼车出行意愿，因此有必要进一步分析碳普惠机制对网约车用户选择拼车出行的心理因素及其行为意愿的交互影响。为此，在已有研究的基础上，本文融合计划行为理论、技术接受模型与感知风险理论，从多个角度分析了不同心理潜变量对拼车出行意愿的影响，然后正交构建了12个不同碳积分价值和拼车里程的碳普惠情景，设计了不同情景下的拼车出行行为意愿调查问卷，最后基于结构方程模型对网约车出行者在碳普惠机制下的拼车出行意愿进行定量分析，以反映不同碳普惠制度对网约车用户选择拼车出行的驱动作用，提高网约拼车出行的使用率，降低城市交通碳排放量。

1 模型与假设

1.1 问题描述

目前大部分网约车平台都可提供独乘和拼车这两种出行服务。其中，独乘出行服务只将单个订单分配给一辆网约车，并通常以最短路径直接将用户送达目的地；而拼车出行服务同时将两个及以上路线相同或相似的订单分配给同一辆网约车，以实现用户共享行程平摊费用的目的。因此，相较于独乘出行，拼车出行可提高网约车利用率，减少总出行里程数，进而产生显著的减排效益[27]。然而，由于拼车出行还需要接送其他乘客，不可避免会产生额外的绕路及延误。如图1所示，乘客1和乘客2有着相似的起终点，假如他们都选择独乘出行，则各自出行的总里程为47.13 km；假如他们选择拼车出行，则共享行程的里程为31.66 km，相比独乘出行减少了15.47 km的里程。根据Li等[7]的研究，网约车碳排放因子约为169.755 g/km，因此可计算出本次拼车出行的碳减排量约为2 626 g。然而相较于独乘出行，乘客1在拼车出行时绕路1.9 km，出行时间增加7 min；乘客2在拼车出行时绕路1.1 km，出行时间增加4 min。
图1 网约车独乘出行与拼车出行路线示例
可见，虽然网约拼车出行可产生显著的减排效益，但出行者难以直接感知减少的碳排放所带来的实际价值，而拼车产生的额外时间成本却能被出行者直接感知，进而导致现实中网约拼车的使用率较低。针对这一现实问题，本文引入碳普惠机制，为出行者拼车所产生的碳减排量赋予价值，将没有直接物质效用的共享出行低碳效益转化为货币化的低碳价值，从而有效驱动用户选择更加低碳的拼车出行。因此，本文主要研究碳普惠机制对网约车用户拼车出行意愿产生的影响。

1.2 计划行为理论

计划行为理论（Theory of Planned Behavior, TPB）是对Ajzen和Fishbine共同提出的理性行为理论的继承[28]，它能很好地预测个体的行为，判断个体进行决策时所受外界环境条件等的影响。计划行为理论包含5个要素：态度（Attitude, ATT）、主观规范（Subjective Norm, SN）、感知行为控制（Perceived Behavioral Control, PBC）、行为意愿（Behavior Intention, BI）、行为（Behavior, B）。其中，行为主要由行为意愿决定，而行为意愿则受到感知行为控制、主观规范和态度3方面影响。计划行为理论框架结构如图2所示。
图2 计划行为理论框架图
在本研究中，主观规范表现为网约车出行者受低碳政策、社会规制和对其有重要影响力的人的影响，因而改变自己的出行方式[29]；感知行为控制指的是网约车出行者因受到制约而感知到使用拼车出行的可行程度，当个体感知到使用拼车出行经济、可行且被社会认可，就会增强使用拼车出行的行为意愿，并积极践行[30]。基于此，提出以下假设：
H1：态度对拼车出行意愿有显著正向影响；
H2：主观规范对拼车出行意愿有显著正向影响；
H3：感知行为控制对态度有显著正向影响；
H4：感知行为控制对拼车出行意愿有显著正向影响。

1.3 技术接受模型

技术接受模型（Technology Acceptance Model, TAM）是由Davis提出[31]，在技术采用与用户行为领域中被广泛使用的理论框架。技术接受模型旨在研究个人对新技术的接受与使用，提出个人对技术的接受和使用主要受到两个关键因素的影响：感知有用性（Perceived Usefulness, PU）和感知易用性（Perceived Ease of Use, PEOU）。基础的TAM结构如图3所示。
图3 技术接受模型框架图
在本研究中选择感知有用性来反映网约车出行者对拼车是否能提高其出行体验的感知程度。感知有用性可以影响出行者对拼车的意愿态度，并鼓励出行者选择拼车。基于此，提出以下假设：
H5：感知有用性对拼车出行意愿有显著正向影响；
H6：感知有用性对态度有显著正向影响；
H7：感知有用性对主观规范有显著正向影响；
H8：感知有用性对感知行为控制有显著正向影响。

1.4 感知风险理论

感知风险（Perceived Risk, PR）的概念最初是由Bauer从心理学延伸出来的，由Cox提出具象化描述[32]，研究个体如何感知和评估与特定行为或决策相关的风险。该理论提出人们在做出选择或参与行为之前，会评估特定情况下的潜在风险和不确定性。在本研究中指的是网约车出行者采用拼车出行可能会不符合网约车出行者原先的出行计划或达不到网约车出行者预期的结果，如拼车出行不准点、司机或乘客会导致网约车出行者不安全等不确定风险[32]。本研究应用感知风险理论研究网约车出行者在碳普惠情景下使用拼车出行时所感知到的风险影响，它会影响拼车出行的感知有用性与出行者对拼车出行的态度。基于此，提出以下假设：
H9：感知风险对态度有显著负面影响；
H10：感知风险对感知有用性有显著负面影响；
H11：感知风险对感知行为控制有显著负面影响；
H12：感知风险对拼车出行意愿有显著负面影响。

1.5 低碳价值观

低碳价值观（Low-Carbon Value, LCV）是一种低碳、可持续的价值理念，坚持以人为本，强调人与自然的协调[33]。在本研究中，低碳价值观反映了出行者认为拼车有利于减少温室气体排放、保护环境和促进可持续发展的程度。基于此，提出以下假设：
H13：低碳价值观对感知有用性有显著正向影响；
H14：低碳价值观对感知行为控制有显著正向影响；
H15：低碳价值观对拼车出行意愿有显著正向影响。

1.6 碳普惠制度

本文引入一种以碳积分（Carbon Credit, CC）为载体的碳普惠政策，能根据出行者拼车出行减少的碳排放量向用户提供碳积分，并可用于兑换等值的商品或权益[34]。1单位的积分相当于减少1 kg的二氧化碳排放量，而拼车出行里程会影响出行获得的碳积分数量，两者共同影响拼车出行意愿。基于此，提出以下假设：
H16：碳普惠制度对拼车出行意愿有显著正向影响；
H17：碳积分价值会显著影响态度（H17.1）、主观规范（H17.2）、低碳价值观（H17.3）对出行意愿产生的影响；
H18：拼车里程对拼车出行意愿有显著正向影响；
H19：拼车里程会显著影响态度（H19.1）、主观规范（H19.2）、低碳价值观（H19.3）对出行意愿产生的影响。

1.7 结构方程模型

结构方程模型（Structural Equation Modeling, SEM）是由Joreskog通过对因素和路径分析整合而来，可对各潜变量、显变量和测量变量之间的关系进行统计分析及检验[35]。由于上述态度、感知行为控制、主观规范、感知易用性、感知有用性和行为意愿等变量为不能直接进行测量的潜变量，需要通过观测变量进行间接测量，因此本研究使用结构方程模型对上述潜在变量之间的关系进行定量分析。
结构方程模型由测量模型及结构模型组成，其中测量模型可对潜变量与观测变量之间的联系进行描述，观测变量可用来间接测量潜变量。测量模型[35]的方程如下：
X = Λ x ξ + η
Y = Λ y η + ε
式（1）~式（2）中：ξ为不受模型中任何其他变量影响的外生潜在变量矩阵，如本研究中的PBC、PU、PR；η为受模型中一个或多个外生或内生变量影响的内生潜在变量矩阵，如本研究中的ATT、SN、LCV、BI；X和Y为心理潜变量的可观测指标向量； Λ x和 Λ y为与心理潜变量相关的系数矩阵；ε为与每个观测变量相关的测量误差矩阵。
结构模型可对潜变量之间的关系进行描述。结构模型[36]的公式如下：
η = α η + β ξ + ζ
式（3）中：α和β分别为外生潜变量和内生潜变量的相关系数矩阵；ζ为期望值为0的正态分布误差矩阵。

2 问卷调查与检验

2.1 问卷设计与实施

本研究基于上述关于拼车出行意愿的假设设计调查问卷，共分为3部分：第1部分采集受访者的个人信息以及个人交通出行情况，设置了选择式题项，属于实际调查；第2部分关注与低碳及拼车出行相关的个人心理因素，设置了矩阵量表题项，属于意愿调查；第3部分是关于碳普惠情景的假设，同样设置矩阵量表题项。

2.1.1 社会人口信息题项设置

问卷第1部分的社会人口基本信息题项包含了受访者的性别、年龄、学历、职业和月收入等个人社会属性，第1部分还包含了受访者有无私家车、日常平均出行距离、是否使用过网约拼车等问题，便于后期整理问卷数据时对不同社会属性受访者进行分类分析及样本代表性评估。

2.1.2 心理潜变量题项设置

问卷的第2部分旨在测量上文提出的心理潜变量，包括ATT、SN、PBC、PU、PR和LCV。由于这些潜变量无法直接观察到，因此设计了几个观测指标来测量每个潜变量，如表1所示。每个心理潜变量是通过被调查者对特定调查项目的偏好和倾向来观察的，本研究采取态度量表的形式测量网约车出行者对某种碳积分情景和拼车出行现象的心理倾向性，使用7级李克特量表。受访者的问题选项被分为“非常同意”“同意”“比较同意”“一般”“比较不同意”“不同意”和“非常不同意”，各选项分数从高到低依次为“7, 6, 5, 4, 3, 2, 1”。
表1 心理潜变量测量量表
潜变量 观测变量 观测变量描述
低碳
价值
观		 LCV1 低碳价值观引导我进行低碳出行
LCV2 考虑到全球气候变暖，我认为节能减排、低碳出行是正确的选择
LCV3 我认为我们应该立刻采取有效的环保措施来减少碳排放
LCV4 我时常关注环境问题，以至于听闻严重的环境问题时我会很担心
感知
有用性		 PU1 我认为拼车出行比其他出行方式更便宜
PU2 我认为拼车出行可以充分利用道路资源
PU3 我认为拼车出行可以减少空气污染
PU4 我认为拼车出行丰富了日常的出行选择
态度 ATT1 我支持使用拼车出行
ATT2 我对现在的拼车出行服务感到满意
ATT3 我认为拼车出行能达成我的出行目的
ATT4 我认为拼车出行的经历是愉悦的
主观
规范		 SN1 我的亲朋好友对拼车的态度会影响我选择
拼车出行服务
SN2 我周围大多数人都在使用拼车出行服务
SN3 社会倡导环保低碳出行使我想使用拼车出行服务
SN4 有人曾向我推荐过拼车出行
感知
行为
控制		 PBC1 选择拼车出行对我来说是一件轻松的事情
PBC2 选择拼车出行完全由我自己决定
PBC3 我所在城市的交通状况适合拼车出行
PBC4 我有足够的精力和时间使用拼车出行
感知
风险		 PR1 我担心司机和合乘乘客会对我的人身财产安全造成威胁
PR2 我担心拼车出行软件会泄露我的隐私信息
PR3 我担心拼车出行的车辆有安全隐患
PR4 我担心使用拼车出行不能按时上车和及时
到达目的地

2.1.3 碳普惠情景下拼车出行意愿题项设置

问卷的第3部分旨在收集网约车用户在不同出行距离和碳积分价值的碳普惠情景下选择拼车出行的意愿。本研究采用正交法设计了12种不同的情景，出行距离从5 km到50 km，碳积分价值从0.1元/kg到10元/kg，如表2所示。同时，题项中为被调查者提供了每种情景下可获得的减排量和碳积分价值，受访者需在不同情景下确定拼车出行的意愿。
表2 碳普惠情景设置
碳积分价值
/（元/kg）		 总里程/km
5 10 25 50
0.1 CC1 CC7
0.5 CC4 CC10
1 CC2 CC8
2 CC5 CC11
5 CC3 CC9
10 CC6 CC12

2.2 数据的描述性统计分析

本研究在2022年5月19日于问卷星平台专门针对使用过网约车的用户发布线上问卷，共回收521份问卷，剔除无效问卷后的有效问卷为401份。由问卷统计结果可知，所有受访者均使用过网约车出行服务，其中曾经使用过拼车服务的占88.78%（见图4），反映该调查人群对拼车服务较为熟悉；大多数受访者都没有私家车，占75.43%（见图5）；大多受访者年龄为26~35岁，占69.83%（见图6）；84.24%的受访者学历为大学本科及以上（见图7）；大多受访者职业为企事业员工，占87.71%（见图8），且月收入在3000~15000元的人群占76.9%（见图9）。以上样本统计特征与已有同类研究结果基本相符[37]，体现了调查样本具有较好的合理性和代表性。
图4 问卷调查中是否使用过拼车服务的用户比例
图5 问卷调查中是否拥有私家车的用户比例
图6 问卷调查中的用户年龄分布
图7 问卷调查中的用户学历分布
图8 问卷调查中的用户职业分布
图9 问卷调查中的用户月收入分布

2.3 数据的信度和效度检验

本研究采用克朗巴哈α系数（Cronbach α）来检验调查问卷的内部一致性，一般认为克朗巴哈α系数在0.6以上为可接受，在0.8以上为十分可信。本研究涉及的各潜变量的信效度检验结果如表3所示。可以看出，各潜变量因子的克朗巴哈α系数都大于0.6，量表的内部一致性满足问卷设计的要求。
表3 潜变量的信效度检验结果
潜变量 观测变量 因子荷载 AVE CR Cronbach α
分量表 总量表
行为
态度		 ATT1 0.69 0.55 0.83 0.759 0.958
ATT2 0.781
ATT3 0.718
ATT4 0.775
主观
规范		 SN1（删） 0.622 0.574 0.802 0.643
SN2 0.77
SN3 0.737
SN4 0.766
感知
行为
控制		 PBC1 0.788 0.588 0.811 0.683
PBC2（删） 0.578
PBC3 0.726
PBC4 0.785
低碳
价值观		 LCV1 0.709 0.443 0.756 0.614
LCV2 0.532
LCV3 0.594
LCV4 0.795
感知
有用性		 PU1 0.661 0.503 0.802 0.715
PU2 0.777
PU3 0.69
PU4 0.704
感知
风险		 PR1 0.851 0.748 0.922 0.89
PR2 0.83
PR3 0.883
PR4 0.869
本研究使用平均变异抽取量值（Average Variation Extraction, AVE）来检验调查问卷的收敛效度，一般认为AVE大于0.5时，量表潜变量因子具有良好的收敛效度。表3所示的AVE值中，除了低碳价值观（LCV）之外都大于0.5，说明了该量表的收敛效度是可接受的。
本研究使用组合信度（Combined Reliability, CR）来检验调查问卷的内在质量。CR又与潜变量因子荷载相关，一般认为当因子荷载大于0.7、CR大于0.8时，量表的潜变量因子具有良好的内部信度；在CR满足大于0.8的条件时，因子荷载小于0.7的潜变量因子可保留。根据表3可知，除去低碳价值观（LCV）外，其他潜变量因子荷载与CR均满足要求，说明该量表的内部信度是可接受的。

3 模型验证及结果分析

3.1 结构方程模型验证

参照前文中对计划行为理论、技术接受模型、结构方程模型等的介绍，在进行问卷数据的描述性统计和信度、效度检验后，将研究假设即潜变量之间的关系使用SmartPLS软件通过路径图的方式呈现出来并添加相应的观测变量，建立了如图10所示的结构方程模型。
图10 结构方程模型
R2和Q2是评价结构方程模型质量的经典指标，R2代表模型的解释能力，Q2代表模型的预测相关性。Hair等[38]的研究证明R2值大于0.2表明模型具有良好的解释能力；Q2大于0表示模型的预测相关性是可以接受的。在SmartPLS中使用 Partial Least Square算法计算R2，结果见表4。由表4可看出，不同情景的出行意愿（BI）的R2在0.193~0.340，这意味着态度（ATT）、主观规范（SN）、低碳价值观（LCV）共同解释了出行意愿（BI）中19.3%~34.0%的方差，只有在CC10情景下出行意愿（BI）的R2低于0.2，其他情景下均可接受；态度（ATT）的R2在0.629~0.632，这意味着感知风险（PR）、感知有用性（PU）、知觉行为控制（PBC）共同解释了态度（ATT）中62.9%~63.2%的方差；主观规范（SN）的R2在0.449~0.453，意味着感知有用性（PU）、感知行为控制（PBC）共同解释了主观规范（SN）中44.9%~45.3%的方差；低碳价值观（LCV）的R2在0.232~0.233，意味着感知有用性（PU）解释了低碳价值观（LCV）中23.2%~23.3%的方差。运行Blindfolding算法计算Q2，结果见表5。由表5可知，出行意愿（BI）、态度（ATT）、主观规范（SN）、低碳价值观（LCV）在各情景下的Q2在0.104~0.341，均大于0。上述测试结果表明本文的模型具有较好的解释和预测用户意愿的能力。
表4 12个碳普惠情景下模型的R2值
情景 CC1 CC2 CC3 CC4 CC5 CC6 CC7 CC8 CC9 CC10 CC11 CC12
BI 0.239 0.340 0.300 0.307 0.315 0.232 0.206 0.268 0.265 0.193 0.234 0.241
ATT 0.630 0.630 0.632 0.629 0.630 0.631 0.629 0.630 0.631 0.629 0.630 0.631
SN 0.452 0.451 0.452 0.449 0.452 0.453 0.450 0.450 0.452 0.452 0.451 0.452
LCV 0.232 0.233 0.233 0.232 0.232 0.233 0.232 0.232 0.233 0.232 0.232 0.233
表5 12个碳普惠情景下模型的Q2值
情景 CC1 CC2 CC3 CC4 CC5 CC6 CC7 CC8 CC9 CC10 CC11 CC12
BI 0.180 0.243 0.207 0.232 0.214 0.156 0.162 0.198 0.181 0.152 0.164 0.165
ATT 0.341 0.341 0.342 0.341 0.341 0.341 0.341 0.341 0.341 0.341 0.341 0.341
SN 0.253 0.253 0.253 0.252 0.253 0.253 0.253 0.253 0.253 0.253 0.253 0.253
LCV 0.105 0.104 0.105 0.104 0.105 0.105 0.104 0.105 0.105 0.104 0.105 0.105

3.2 网约拼车使用意愿的路径分析

为研究变量之间的交叉效应，本文使用SmartPLS软件为所有的碳普惠情景建立了12个结构方程模型，检验各潜变量与网约拼车使用意愿之间的路径关系。首先，测试了观测变量和潜在变量之间的线性回归是否显著，结果显示：所有情景下的观测变量的路径在0.001的水平上都是显著的，表明观测变量较好地反映了潜在变量。然后，分析观察了12个碳普惠情景下潜变量间的路径系数显著性，如表6所示。结果显示：态度（ATT）、主观规范（SN）、感知行为控制（PBC）→出行意愿（BI）的路径系数均小于0.05，表明态度、主观规范、感知行为控制对拼车出行意愿有显著的直接影响，由此证明假设H1、H2、H4成立；低碳价值观（LCV）→出行意愿（BI）的路径系数只有在情景3、6、9、12中小于0.05，由此证明假设H15在碳积分价值较高的情景下成立，表明在碳积分价值较高时，低碳价值观对出行意愿的影响更为明显；感知风险（PR）、感知有用性（PU）、感知行为控制（PBC）→态度（ATT），感知有用性（PU）→主观规范（SN）的路径系数均小于0.05，表明感知风险、感知有用性和感知行为控制显著影响态度，且感知有用性显著影响主观规范，从而间接影响出行意愿，由此证明假设H3、H6、H7和H9成立，假设H5、H8、H10~H14均不成立。
表6 12个碳普惠情景下潜变量间的路径系数
情景 CC1 CC2 CC3 CC4 CC5 CC6 CC7 CC8 CC9 C10 CC11 CC12
ATT→BI 0.000 0.000 0.002 0.000 0.000 0.045 0.000 0.000 0.000 0.001 0.000 0.026
SN→BI 0.000 0.000 0.000 0.000 0.000 0.004 0.000 0.000 0.004 0.000 0.000 0.003
PBC→BI 0.000 0.000 0.000 0.000 0.000 0.011 0.000 0.001 0.003 0.000 0.000 0.021
LCV→BI 0.932 0.097 0.000 0.796 0.076 0.000 0.721 0.348 0.003 0.681 0.065 0.000
PBC→ATT 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
PR→ATT 0.003 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.002 0.003
PU→ATT 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
PU→SN 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
PU→BI 0.997 0.931 0.858 0.911 0.761 0.067 0.732 0.483 0.011 0.744 0.394 0.000
PU→PBC 0.985 0.843 0.358 0.977 0.862 0.168 0.923 0.784 0.412 0.799 0.495 0.047
PR→BI 0.692 0.550 0.065 0.684 0.529 0.025 0.630 0.491 0.019 0.506 0.202 0.000
PR→PU 0.861 0.721 0.236 0.855 0.671 0.196 0.801 0.662 0.189 0.677 0.373 0.071
PR→PBC 0.923 0.814 0.112 0.917 0.764 0.056 0.843 0.755 0.034 0.739 0.466 0.000
LCV→PU 0.998 0.976 0.731 0.994 0.986 0.629 0.904 0.877 0.669 0.824 0.579 0.471
LCV→PBC 0.763 0.136 0.011 0.716 0.259 0.004 0.746 0.097 0.002 0.591 0.377 0.000

3.3 碳积分价值及拼车里程对拼车出行意愿的直接影响

为探究碳积分价值和拼车里程与拼车出行意愿的线性相关性，本研究构建了4个线性回归模型，分别对碳积分价值及拼车里程和各情景中拼车出行意愿的平均值进行线性回归，结果如图11所示。
图11 碳积分价值和拼车里程对拼车出行意愿的直接影响
随着碳积分价值的升高，问卷中反映拼车意愿的观测变量的得分逐渐升高，当碳积分价值从0.1元/kg提升至10元/kg时，网约车出行者的拼车出行意愿得分可提高27%，这表明被调查者的拼车出行意愿会随着碳积分价值的提高显著加强。当碳积分价值从0.1元/kg提升至5元/kg时，拼车里程为5 km和25 km的网约车用户的拼车出行意愿平均值分别提高了14.4%和19.8%，说明相较于拼车里程为5 km，拼车里程为25 km时碳普惠制度对网约车用户的拼车出行意愿影响效果更好；当碳积分价值从0.5元/kg提升至10元/kg时，拼车里程为10 km和50 km的网约车用户的拼车出行意愿平均值分别提高了19%和20.5%，说明相较于拼车里程为10 km，拼车里程为50 km时碳普惠制度对网约车用户的拼车出行意愿影响效果更好。上述结果表明：碳积分价值与拼车里程越高，碳普惠制度对网约车用户的拼车出行意愿的激励效果越好，由此证明假设H16与H18成立。

3.4 碳积分价值及拼车里程对拼车出行意愿的调节作用

本节排除了不能接受的假设，并将调节效应分析的心理潜变量对拼车出行意愿的路径绘制在图12和图13中，发现标准化路径系数的变化受不同碳积分价值和拼车里程的影响。
图12 碳积分价值对拼车出行意愿的调节作用
图13 拼车里程对拼车出行意愿的调节作用
路径“态度（ATT）→拼车出行意愿（BI）”受不同碳积分价值的影响关系如图12（a）所示，受不同拼车里程的影响关系如图13（a）所示。从图中可以看出，随着碳积分价值和拼车里程的增加，态度（ATT）对拼车出行意愿（BI）的影响逐渐减弱。回归结果表明假设H17.1和H19.1成立。如图12（b）和图13（b）所示，主观规范（SN）→拼车出行意愿（BI）的间接路径系数与路径“态度（ATT）→拼车出行意愿（BI）”变化趋势一致，由此证明假设H17.2和H19.2成立。
由于路径“低碳价值观（LCV）→拼车出行意愿（BI）”只在情景3、6、9、12中显著，因此本文对这4种情景的路径系数进行分析，低碳价值观（LCV）→拼车出行意愿（BI）受不同碳积分价值的影响关系如图12（c）所示，受不同拼车里程的影响关系如图13（c）所示。与路径“态度（ATT）→拼车出行意愿（BI）”相反的是，随着碳积分价值和拼车里程的增加，低碳价值观（LCV）对拼车出行意愿（BI）的影响均逐渐增强，由此证明假设H17.3和H19.3成立。
综上，如果碳积分价值增加，人们的拼车出行意愿更有可能受碳积分价值和低碳价值观驱动，而不是被态度（ATT）和主观规范（SN）操纵；如果拼车里程增加，态度（ATT）和主观规范（SN）对拼车意愿的影响也将减弱，而低碳价值观（LCV）对拼车出行意愿的影响将增强，即随着拼车里程的增加，低碳价值观（LCV）的影响将更显著。

3.5 讨论与建议

通过分析碳积分价值和拼车里程对拼车出行意愿的直接影响发现：碳积分价值对人们拼车出行意愿的影响较强，人们的拼车出行意愿随碳积分价值的提高而加强；而当拼车里程增加时，碳普惠制度对网约车用户拼车出行意愿的激励效果更好，碳积分价值和拼车里程共同影响碳普惠制度的激励效果。因此，该研究结果证明了碳普惠机制对拼车出行意愿具有显著正向作用。
通过分析不同碳积分价值和拼车里程对拼车出行意愿的调节作用发现：态度和主观规范对拼车出行意愿的作用随着碳积分价值和拼车里程的增加而降低，而低碳价值观对拼车出行意愿的作用随着碳积分价值和拼车里程的增加而增加。这表明随着碳积分价值的增加，用户拼车选择决策受态度和主观规范的影响逐渐减弱，而低碳价值观的驱动作用增强。因此，该研究结果证明了碳普惠机制对其他心理潜变量有显著的调节作用，进而影响用户的拼车出行意愿。
基于上述发现，提出以下关于促进网约拼车推广的建议：①尽快建立并完善碳普惠制度，通过提供丰富的低碳权益兑换渠道，提高碳积分价值，加大碳普惠激励力度；②针对不同人群、不同出行距离的拼车订单，制定个性化的碳普惠激励策略；③网约车公司可推出拼车打卡排名活动，通过口碑效应增强用户对网约拼车出行的参与感和认同感；④政府加大对绿色低碳出行方式的宣传力度，引导公众建立低碳价值观。

4 结束语

本文融合运用了计划行为理论、技术接受模型、感知风险理论，从多个角度对网约车用户拼车出行意愿的影响因素进行假设与建模，并引入以碳积分为载体的碳普惠制度，分析了在12个不同的碳积分情景下网约车用户的拼车出行意愿，探究了碳积分价值、出行里程和心理潜变量对网约车用户拼车意愿的交互影响。结果表明，碳普惠机制对拼车出行具有显著的激励作用，用户的拼车出行意愿随碳积分价值的提高而加强。同时还发现，碳积分价值和拼车里程对其他心理潜变量具有调节作用，可进一步影响用户的拼车出行意愿。本研究可为拼车出行推广政策的制定提供理论依据。
需指出的是，本文所研究的碳积分价值仅是碳普惠机制的载体之一，在后续的研究中还可引入碳信用、碳成本、货币奖励等新的碳普惠激励措施，进一步探索不同碳普惠激励措施对网约车出行者拼车出行意愿的影响；也可在模型假设中增加其他心理潜变量，对网约车用户拼车出行意愿的影响因素进行更全面的研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
钟毅平, 游畅, 孙宇, 等. 绿色生活方式的结构与测量[J]. 心理学探新, 2021, 41(4):349-355.

[2]
陈坚, 张弛, 庹永恒, 等. 考虑环保意识和出行习惯的公交出行选择行为模型[J]. 交通运输系统工程与信息, 2020, 20(4):128-135.

[3]
叶章毅. 组团式布局下城市公共交通发展模式探讨[J]. 交通与运输, 2023, 39(4):95-99.

[4]
潘晓滨, 都博洋. 我国碳普惠制度立法及实践现状探究[J]. 资源节约与环保, 2021(4):138-139.

[5]
AKIMOTO K, SANO F, ODA J. Impacts of ride and car-sharing associated with fully autonomous cars on global energy consumptions and carbon dioxide emissions[J]. Technological Forecasting and Social Change, 2022, 174: 121311.

[6]
YU B, MA Y, XUE M, et al. Environmental benefits from ridesharing: A case of Beijing[J]. Applied Energy, 2017, 191:141-152.

[7]
LI W X, PU Z Y, LI Y Y, et al. How does ridesplitting reduce emissions from ridesourcing? A spatiotemporal analysis in Chengdu, China[J]. Transportation Research Part D: Transport and Environment, 2021, 95: 102885.

[8]
AGATZ N A H, ERERA A L, SAVELSBERGH M W P, et al. Dynamic ride-sharing: A simulation study in metro Atlanta[J]. Transportation Research Part B: Methodological, 2011, 45(9): 1450-1464.

[9]
LI W X, PU Z Y, LI Y Y, et al. Characterization of ridesplitting based on observed data: A case study of Chengdu, China[J]. Transportation Research Part C: Emerging Technologies, 2019, 100: 330-353.

[10]
SORIA J, STATHOPOULOS A. Investigating socio-spatial differences between solo ridehailing and pooled rides in diverse communities[J]. Journal of Transport Geography, 2021, 95: 103148.

[11]
张雨彤, 汪佳禾, 王锦诚, 等. 基于结构方程模型的拼车出行意愿研究[J]. 中国集体经济, 2023(13):70-73.

[12]
SI H, DUAN X, CHENG L, et al. Determinants of consumers′ continuance intention to use dynamic ride-sharing services[J]. Transportation Research Part D: Transport and Environment, 2022, 104: 103201. 1-103201.18.

[13]
WANG Y, WANG S, WANG J, et al. An empirical study of consumers′ intention to use ride-sharing services: Using an extended technology acceptance model[J]. Transportation, 2020, 47(1): 397-415.

[14]
Al M H R, Al O G A. Modeling determinants of carpooling intentions in Jordan[J]. Transportation Research Record, 2023, 2677(3): 797-819.

[15]
LI X, FENG F, WANG W, et al. Structure analysis of factors influencing the preference of ridesplitting[J]. Journal of Advanced Transportation, 2021, 2021: 8820701. 1-8820701.8.

[16]
WANG Z, CHEN X, CHEN X M. Ridesplitting is shaping young people′s travel behavior: Evidence from comparative survey via ride-sourcing platform[J]. Transportation Research Part D: Transport and Environment, 2019, 75: 57-71.

[17]
马文婷. 在线拼车出行方式下出行者选择行为研究[D]. 大连: 大连理工大学, 2020.

[18]
于晓娟, 邹正兴, 张千帆. 基于后悔理论的拼车决策问题研究[J]. 运筹与管理, 2022, 31(2):1-7.

[19]
韩印, 李媛媛, 李文翔, 等. 基于轨迹数据的网约车排放时空特征分析[J]. 交通运输系统工程与信息, 2022, 22(1):234-242.

[20]
CHEN X M, ZAHIRI M, ZHANG S. Understanding ridesplitting behavior of on-demand ride services: An ensemble learning approach[J]. Transportation Research Part C: Emerging Technologies, 2017, 76: 51-70.

[21]
DONG Y, WANG S, LI L, et al. An empirical study on travel patterns of internet based ride-sharing[J]. Transportation Research Part C: Emerging Technologies, 2018, 86: 1-22.

[22]
李兴华, 冯飞宇, 成诚, 等. 网约拼车服务选择偏好分析及建模[J]. 吉林大学学报(工学版), 2022, 52(3):578-584.

[23]
代丽梅, 谭欣悦, 汪晖, 等. 林业碳普惠发展现状及建议[J]. 四川林业科技, 2022, 43(2):132-137.

[24]
刘航. 碳普惠制:理论分析、经验借鉴与框架设计[J]. 中国特色社会主义研究, 2018(5):86-94,112.

[25]
WANG Y, WANG F, WANG Z. How carbon allowance allocation rule affects manufacturing/remanufacturing decisions under the carbon credits buy-back policy[J]. Energy Reports, 2022, 8:14061-14071.

[26]
朱小莲. 厦门地铁碳积分体系试点建设[J]. 现代城市轨道交通, 2022(8):52-55.

[27]
李文翔, 李媛媛, 刘好德, 等. 基于机器学习的网约车合乘出行碳减排状态预测[J]. 交通运输系统工程与信息, 2023, 23(1):254-264.

[28]
AJZEN I. The theory of planned behavior[J]. Organizational Behavior and Human Decision Processes, 1991, 50(2): 179-211.

[29]
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.

[30]
马壮林, 崔姗姗, 胡大伟. 基于MIMIC模型的限行政策下城市居民低碳出行意向研究[J]. 吉林大学学报(工学版), 2022, 52(11):1-10.

[31]
DAVIS F D, VENKATESH V. A critical assessment of potential measurement biases in the technology acceptance model: Three experiments[J]. International Journal of Human-Computer Studies, 1996, 45(1): 19-45.

[32]
LIM N. Consumers′ perceived risk: Sources versus consequences[J]. Electronic Commerce Research and Applications, 2003, 2(3): 216-228.

[33]
黄雪丽, 路正南, 王健. 居民低碳生活行为研究综述[J]. 科技管理研究, 2011, 31(18):231-235.

[34]
胡晓玲, 崔莹. 碳普惠机制发展现状及完善建议[J]. 可持续发展经济导刊, 2023(4):23-27.

[35]
LANE K J, LEVY J I, PATTON A P, et al. Relationship between traffic-related air pollution and inflammation biomarkers using structural equation modeling[J]. Science of the Total Environment, 2023, 870: 161874.

[36]
牟振华, 于浩, 梁维维, 等. 基于SEM的共享单车使用决策研究[J]. 交通运输研究, 2019, 5(4):121-126.

[37]
WANG L, LI W X, WENG J X, et al. Do low-carbon rewards incentivize people to ridesplitting? Evidence from structural analysis[J]. Transportation, 2023, 50: 2077-2109.

[38]
HAIR J F, RINGLE C M, SARSTEDT M. PLS-SEM: Indeed a Silver Bullet[J]. Journal of Marketing Theory and Practice, 2011, 19(2): 139-152.

Options
Outlines

/

〈 〉