公交换乘优惠政策下居民换乘行为机理分析

Analysis of residents' transfer behavior mechanisms under transit transfer preferential policy

摘要

为分析公交换乘优惠政策对居民换乘行为的影响，采用行为偏好（RP）和意向偏好（SP）组合的方式设计调查问卷，收集受访者的社会经济属性、出行特征、心理感知和不同换乘情景的偏好数据，采用包括心理潜变量的综合选择（ICLV）模型构建了公交换乘优惠政策下居民换乘行为模型，探究公交换乘优惠政策下居民换乘决策机理。分析结果表明：ICLV模型的拟合效果优于SEM-Logit模型；ICLV模型中的个人社会经济属性和出行特征可以直接影响换乘行为，还可以通过心理潜变量间接影响换乘行为；心理潜变量中的感知易用性和行为习惯对居民换乘行为有正向和负向影响，而态度是调节变量，居民对公交换乘优惠政策的态度越好，优惠幅度对换乘行为的正向影响越大；居民在公交换乘优惠政策下感知到的换乘便捷程度和公共交通出行习惯每增加1%，选择换乘的概率分别会增加4.67%和减少4.62%。通过引入个人社会经济属性和出行特征等变量估算潜变量，克服了以问卷测量题项估计潜变量方法存在的测量误差问题，提高了模型估计的解释能力。本文研究结果可以为政府相关部门谋划、制定和实施公交换乘优惠政策提供理论支撑和借鉴意义。

Abstract

In order to analyze the impact of transit transfer preferential （TTP） policy on residents' transfer behavior， a questionnaire of combining Revealed Preference （RP） and Stated Preference （SP） was designed to collect data on respondents' socio-economic attributes， travel characteristics， psychological perceptions， and preferences in different transfer scenarios. Using an integrated choice and latent variable （ICLV） model， a transfer behavior model was established to explore the decision-making mechanism of residents under the TTP policy. The analysis results show that the fitting effect of the ICLV model is better that that of the SEM-Logit model. In the ICLV model， individuals' socio-economic attributes and travel characteristics can directly influence transfer behavior and indirectly influence it through psychological latent variables. The perceived ease of use and travel habits among the psychological latent variables have positive and negative impacts on residents' transfer behavior， respectively. Attitude acts as a moderating variable， where a better attitude towards the TTP policy enhances the positive impact of preferential magnitude on transfer behavior. When perceived transfer convenience and public transportation travel habits under the TTP policy increase 1%， the probability of choosing to transfer increase by 4.67% and decrease by 4.62%， respectively. By introducing variables such as individuals' socio-economic attributes and travel characteristics to estimate latent variables， the method overcomes the measurement error problem inherent in using questionnaire items to estimate latent variables thereby improving the explanatory power of the model estimation. The conclusions can provide theoretical support and reference value for government departments in planning， formulating， and implementing the TTP policy.

Graphical abstract

关键词

交通运输系统工程 / 换乘行为 / 公交换乘优惠政策 / 综合选择与潜变量模型 / 心理潜变量

Key words

engineering of communications and transportation system / transfer behavior / transit transfer preferential policy / integrated choice and latent variable model / psychological latent variables

0 引 言

近年来，国内外许多城市相继制定并实施公交换乘优惠政策，旨在鼓励居民选择更环保、高效、经济的出行方式，减少私家车使用，缓解城市交通压力，并推动城市公共交通系统的可持续发展^［1］。实施公交换乘优惠政策不仅有利于落实“公交优先”发展战略、增强公共交通的吸引力和竞争力，还能通过优化资源配置、减少私家车出行需求，有效缓解城市交通拥堵和“出行难”等问题，提升居民公共交通出行体验^［2，3］。然而，许多城市在制定和实施公交换乘优惠政策时，通常未充分考虑乘客的换乘需求、换乘频率及其对换乘便捷性、经济性的期望，从而导致政策实施效果与实际需求不符^［2，4］。因此，了解居民对公交换乘优惠政策的态度和感知的换乘便捷性、费用效益等关键因素，对评估政策效果和优化政策设计尤为重要。探究影响居民换乘行为的关键因素，尤其是分析换乘的时空特征、经济成本及其偏好行为，可以为城市公共交通规划提供精确的数据支撑，进而帮助政府相关部门制定更加符合实际需求的公交换乘优惠政策，提升政策的实际效果和居民的出行满意度。

换乘意向是换乘行为的关键前提，一些学者采用结构方程模型（Structural equation modeling， SEM）探讨公交换乘优惠下居民的换乘意向^［5-7］。Chowdhury等^［5］采用SEM构建了公交线路换乘意向模型，研究发现：与换乘相关的高品质出行特征显著影响公交换乘意向。Cheng等^［6］采用SEM构建了公交地铁换乘意向模型，研究发现：感知换乘惩罚、感知价值和免费公交换乘显著影响公交地铁换乘意向。王蓉等^［7］采用SEM构建了公交换乘优惠政策满意度测评模型，研究发现：感知价值对乘客满意度的影响最大。然而，这些研究仅证实了影响换乘意向的因素，却未能使决策者全面了解公交换乘优惠政策的实施前景。

因此，为了更好地了解公交换乘优惠政策的实际效果，一些学者采用离散选择模型（Discrete choice model，DCM）探讨公交换乘优惠政策下居民的换乘行为。Young等^［8］采用SP调查方法获得假设换乘优惠情景下釜山居民的换乘行为意向，采用二项Logit模型构建公交换乘需求预测模型。Sharaby等^［9］采用多项Logit模型构建有/无免费换乘情况下的出行行为选择模型，分析以色列海法市居民在换乘优惠政策的换乘行为。然而，这些研究忽略了心理潜变量对换乘行为的影响。事实上，态度和认知等心理潜变量对个人行为的影响至关重要，并已在交通方式选择^［10］、出行满意度^［11］等研究中得到证实。

由于心理潜变量无法直接观测，研究人员通常通过一些观测指标间接反映这些潜变量，并用李克特量表度量这些心理潜变量^{［12，13］}。越来越多的学者开始尝试将潜在态度与DCM结合起来，获得更为精准和全面的分析结果。最直接的方法就是使用带有指标的选择模型，即将指标直接作为自变量纳入DCM，该方法固然简单易行，但在估计过程中忽略了潜变量的测量误差，可能导致估计值不一致^［14］。另一种方法是连续估计方法，即采用SEM估计潜变量部分，采用DCM估计模型的选择部分，再将SEM估计的潜变量纳入DCM的效用函数，与解释变量共同作为DCM的自变量^［15］。该方法对指标问题的选择和回答都是由相同的潜变量驱动的，没有考虑受访者的实际选择，导致潜变量估计不充分。

为了改进上述研究的不足，一些学者提出了考虑心理潜变量的综合选择（Integrated choice and latent variable，ICLV）模型。该模型不仅明确描述了认知和态度如何影响选择，而且还利用观察到的个人信息对潜在态度变量进行估计，使模型更贴合实际。在DCM部分，替代方案的效用可能取决于选项、决策者观察到的解释变量和潜在的解释变量；同时，这些潜变量有助于解释对观察指标的反应，也可能是解释变量的函数^{［16，17］}。ICLV模型自提出以来，已经成为选择行为研究领域中非常重要的分析方法。付学梅等^［18］采用ICLV模型研究了绍兴市居民通勤方式选择行为机理，研究发现：通勤者对各种出行方式的潜在喜好或厌恶显著影响通勤方式的选择。Lizana等^［19］采用ICLV模型研究了智利大学校园内自行车出行选择行为机理，研究发现：态度是解释行为的关键构念，自行车基础设施、社会经济特征、对自行车的熟悉程度和实际问题都可以通过态度间接影响出行行为。原雅丽等^［20］采用ICLV模型研究了突发事件下京津冀城市群内旅客城际出行方式选择机理，研究发现：与多项Logit模型相比，ICLV模型的拟合优度和预测精度更高，可解释性更强。Kim等^［21］采用ICLV模型研究了美国伊利诺伊大学厄巴纳-香槟分校教职工通勤模式选择机理，研究发现：教职工的社会经济属性不仅可以直接影响通勤模式选择，也可以通过态度间接影响通勤模式选择。

综上所述，国内外学者在出行意向和出行行为方面进行了系统且深入的研究，但针对公交换乘优惠政策下的出行意向和行为研究仍显不足。虽然国内外一些城市已经实施了公交换乘优惠政策，但鲜有研究从乘客视角探讨其对居民换乘行为的影响，且鲜有将出行者的社会经济特征、出行特征与出行者的态度认知结合起来，综合分析公交换乘优惠政策的换乘行为特征。因此，本文选取了态度、主观规范、感知行为控制、感知有用性、感知易用性、行为习惯和换乘意向7个潜变量，采用ICLV模型构建公交换乘优惠政策下居民换乘行为模型，探究公交换乘优惠政策下居民换乘决策机理，揭示社会经济属性、出行特征、心理感知因素和情景属性因素对换乘行为的影响。

1 问卷调查和数据收集

1.1　调查问卷设计

采用行为偏好（Revealed preference，RP）和意向偏好（Stated Preference，SP）组合的方式设计调查问卷。RP调查获取受访者的社会经济属性、日常出行特征和换乘心理感知因素。其中，社会经济属性包括受访者的性别、年龄、学历、职业、月收入、私家车拥有量、是否有驾照和家庭结构；出行特征包括受访者的出行目的、出行时段、出行时长、出行距离、出行费用、是否换乘、换乘方式和换乘步行距离；换乘心理感知因素涉及态度、主观规范、感知行为控制、换乘意向、感知易用性、感知有用性和行为习惯7个方面。受访者根据自身实际情况进行选择，并采用5分制的李克特量表法进行度量：1表示“非常不赞同”；2表示“不赞同”；3表示“一般”；4表示“赞同”；5表示“非常赞同”。心理潜变量对应的题项如表1所示。

SP调查获取受访者在不同组合情景下的换乘选择行为。本文考虑了不换乘步行距离、换乘步行距离、优惠幅度和换乘模式4个情景因素，每个情景因素设置了2~3个因素水平，对不同情景因素的多个水平值进行排列组合，从而准确地描述调查中的假设情景（见表2）。其中，考虑到地铁站点常选择800 m半径作为缓冲区以及步行容忍极限为1 500 m^{［29，30］}，本文选择800 m和1 500 m作为不换乘步行距离因素水平的阈值；同时，参考相关国家标准和行业标准^{［31，32］}，选择50 m和150 m作为换乘步行距离因素水平的阈值。

本文采用正交试验法设计SP调查问卷，针对不换乘步行距离、换乘步行距离、优惠幅度和换乘模式4个情景因素进行正交组合，可以生成54种假设情景组合。考虑到一些假设情景的不合理性，本文遴选出18种假设情景组合（见表3）。

为了提高问卷质量，避免受访者因问卷内容过多而中途弃答、空答或乱答，根据换乘模式的不同，将18种方案拆分到3份调查问卷，每位受访者仅需要回答其中1份调查问卷中的6个假设方案，提高了调查的针对性和有效性。

1.2　数据收集

调查问卷设计完成后，进行小范围的预调查，样本量为50份，目标人群包括亲戚、朋友和同学。根据受访者的反馈，修改完善调查问卷中表述不清晰的关键词和不合理的测量项，从而得到正式的调查问卷。

考虑到网络调查方法具有收集速度快、覆盖范围广、统计方便的特点，本文采用网络调查方式进行问卷调查。调查对象需满足两个条件：①为西安市居民；②日常出行中有乘坐公共交通的经历。委托问卷星平台进行发放问卷，调查时间为2022年9月24日至2022年10月9日，共回收379份问卷，其中有效问卷365份，有效率为96.3%。

1.3　描述性统计分析

受访者的社会经济属性特征如图1所示。由图1可知，男性和女性的受访者比例相当，分别为47%和53%，与西安市2022年男性（49.58%）和女性（50.42%）占比相近^［33］；26~35岁的受访者最多，其次是25岁以下的受访者，60岁以下的受访者最少，虽然高龄人群比例略低于西安市老年人占比（12.48%）^［33］，但考虑到老年人群在通勤出行和换乘出行中的参与度有限，该比例具有一定的合理性；有专科或本科学历的受访者接近50%，高中及以下学历和硕士及以上学历的受访者比例相当；在企业工作、月收入在5 000~15 000元和家庭拥有一辆小汽车的受访者都超过50%；有驾照的受访者占66%；家庭成员较多的受访者（有孙子家庭、有老人家庭、有孩子和老人家庭）超过65%，而单人家庭和夫妻二人家庭比例相当。可见，样本数据能够较好地反映西安市居民的总体特征。

受访者的出行特征如图2所示。由图2可知，刚性出行的受访者居多，占比69%；高峰时段出行的受访者多于平峰时段出行的受访者；出行时长在60 min以内的受访者最多，占71%，其次是出行时长为60~90 min和90 min以上的受访者，该特征与2022年西安市中心城区37.8 min的居民平均单程通勤时长较为接近^［34］；出行距离为5~10 km的受访者最多，其次是出行距离在5 km以内的受访者，两者占70%，该特征与2022年西安市中心城区8.4 km的日均通勤距离基本一致^［34］；出行费用为2~5元的受访者最多，占51%；平时需要换乘的受访者居多，占66%；在有换乘需求的受访者中，公交换乘地铁的受访者最多，其次是公交换乘公交和地铁换乘公交的受访者；在有换乘需求的受访者中，换乘步行距离为50~150 m的受访者超过50%。可见，样本数据能够较好地反映西安市居民的出行特征。

本文的受访者心理感知因素如图3所示。从受访者的回答来看，“非常赞同”和“赞同”的回答超过50%，可见受访者对换乘优惠政策的态度感知较为良好。从换乘意向来看，70%的受访者在换乘优惠政策下可能会换乘（“非常赞同”、“赞同”和“一般”），这说明换乘优惠政策是有效提升公共交通换乘吸引力的方法，在公交换乘有优惠的前提下，大部分的西安市市民愿意选择公交换乘。

2 公交换乘优惠政策下的换乘行为模型

2.1　模型假设

本文构建的换乘行为模型基于以下4个假设：

（1）受访者被假设为理性经济人，他们会选择效用最大的决策行为；

（2）受访者判断是否选择换乘决策行为的依据是效用函数，本文的效用函数由显变量和潜变量两部分组成；

（3）效用函数的误差项服从均值为0的独立同分布Gumbel分布，其余函数的误差项服从正态分布；

（4）受访者可以选择的决策行为包括“不换乘”和“换乘”2种。

2.2　ICLV模型

本文在离散选择模型的基础上，结合SEM构建公交换乘优惠政策下的ICLV模型，探讨了实施公交换乘优惠政策下的居民社会经济属性、出行特征、心理潜变量以及情景属性对其换乘行为的影响，模型框架如图4所示。

ICLV模型的基础是随机效用理论，效用由固定效用和随机效用两部分组成。本文中的固定效用包括出行者的社会经济属性、出行特征和换乘情景属性显变量，以及考虑心理潜变量对效用函数的影响；随机部分为未被观测的效用及误差。效用函数可以表示为：

U_{in}=V_{in}+{\epsilon }_{in}（1）

\begin{array}{l}{V}_{in}=\sum _l{a}_{il}{S}_{inl}+\sum _m{b}_{im}{T}_{inm}+\\ \sum _n{c}_{iq}{H}_{inq}+\sum _k{d}_{ik}{\eta }_{ink}\end{array}（2）

式中：U_in 为出行者n选择选项i的出行效用；V_in 为出行者n选择选项i的出行效用固定项；ε_in 为出行者n选择选项i的出行效用随机误差项；S_inl 为出行者n选择选项i的第l个社会经济属性显变量；a_il 为选项i的第l个社会经济属性显变量对出行效用的影响系数；l为社会经济属性显变量的个数；T_inm 为出行者n选择选项i的第m个出行特征显变量；b_im 为选项i的第m个出行特征显变量对出行效用的影响系数；m为出行特征显变量的个数；H_inq 为出行者n选择选项i的第q个假设情景显变量；c_iq 为选项i的第q个假设情景显变量对出行效用的影响系数；q为假设情景显变量的个数；η_ink 为出行者n选择选项i的第k个心理潜变量；d_ik 为选项i的第k个心理潜变量对出行效用的影响系数；k为假设心理潜变量的个数。

本文研究的心理感知因素为潜变量，其无法直接测量出准确数值，需要通过潜变量模型进行量化处理。潜变量模型包括结构模型和测量模型2个子模型。

结构模型用于描述潜变量与影响潜变量的外生显变量之间的关系，可以表示为：

{\mathit{\eta }}_n=\mathit{\Gamma }{\mathit{X}}_n+{\mathit{\mu }}_n（3）

式中：{\mathit{\eta }}_n为出行者n的潜变量向量，本文包含态度、主观规范、感知行为控制、感知有用性、感知易用性、行为习惯和换乘意向7个潜变量；\mathit{\Gamma }为待估参数矩阵，代表外生显变量对潜变量的影响；{\mathit{X}}_n为出行者n的外生显变量向量，本文包括受访者的社会经济属性和出行特征2类外生显变量；{\mathit{\mu }}_n为出行者n的误差项向量。

测量模型用于描述潜变量与其观测变量之间的关系，本文采用有序Logit模型估计I_{ns}^L，其中，I_{ns}^L为出行者n对题项s（s=1，2，…，19）响应的观察指标（I_ns ）的似然值，如下所示：

I_{ns}^L={\displaystyle \sum _{p=\mathrm{1}}^P}{\delta }_{I_{ns,p}}\left(\frac{{\mathrm{e}}^{{\tau }_{I_{s,p}}-{\zeta }_{l,s}{y}_{n,l}}}{\mathrm{1}+{\mathrm{e}}^{{\tau }_{I_{s,p}}-{\zeta }_{l,s}{y}_{n,l}}}-\frac{{\mathrm{e}}^{{\tau }_{I_{s,p-\mathrm{1}}}-{\zeta }_{l,s}{y}_{n,l}}}{\mathrm{1}+{\mathrm{e}}^{{\tau }_{I_{s,p-\mathrm{1}}}-{\zeta }_{l,s}{y}_{n,l}}}\right)（4）

式中：{\delta }_{I_{ns,p}}=1表示出行者n回答观察指标对应的题项s时选择答案p（P=5）；{\tau }_{I_{s,p}}为一个归一化的估计阈值参数（{\tau }_{I_{s,\mathrm{1}}}=-∞和{\tau }_{I_{s,\mathrm{5}}}=+∞）；η_nk 为出行者n的第k个潜变量；ζ_k，s 为估计η_nk 对I_ns 的影响。

2.3　选择概率

根据效用最大化理论，乘客有“换乘”和“不换乘”2个选项，采用二项Logit（Binary Logit，BL）模型构建的决策者n选择“换乘”的概率，如下所示：

P_{\mathrm{1}n}=\frac{{\mathrm{e}}^{V_{\mathrm{1}n}}}{{\mathrm{e}}^{V_{\mathrm{1}n}}+{\mathrm{e}}^{V_{\mathrm{2}n}}}（5）

决策者n选择“不换乘”的概率，如下所示：

P_{\mathrm{2}n}=\mathrm{1}-P_{\mathrm{1}n}（6）

3 实证性分析

3.1　信效度分析

采用Cronbach's α系数作为信度检验指标，结果表明：所有潜变量的Cronbach's α系数均大于0.8（见表4），说明问卷具有较好的信度。

在进行因子分析前，采用KMO（Kaiser‑Meyer‑Olkin）值和Bartlett球形检验判断样本数据是否适合进行因子分析，结果表明：KMO值为0.877，且Bartlett球形检验显著（p<0.001），说明调查样本适合进行因子分析。采用结构效度（Construct reliability，CR）和平均方差提取值（Average variance extracted，AVE）作为效度检验指标，结果表明：所有潜变量的CR大于0.6且AVE均达到0.5的临界要求，说明问卷具有较高的收敛效度。此外，采用AVE法判断样本数据的区别效度，图5中对角线元素为AVE的平方根，右下角的数字为潜变量间的相关性系数，左上角的圆圈颜色和大小与右下角的数值对应，可见AVE的平方根均大于所在列的相关性系数，说明问卷具有较好的区别效度。

3.2　考虑心理潜变量的换乘行为模型

为了评估ICLV模型处理心理潜变量的效果，对比分析了SEM-Logit模型和ICLV模型的估计结果。SEM-Logit模型先采用AMOS软件对SEM进行估计，得到各潜变量对应观测变量的系数；然后，标准化处理各观测变量的系数，与解释变量和情景属性变量共同作为Logit模型的自变量。SEM-Logit模型和ICLV模型的估计结果如表5所示。

由表5可知：①SEM-Logit模型的似然比检验χ²（331.16）大于χ{}_{\alpha }^{\mathrm{2}}（40.113），ICLV模型的χ²（467.98）大于χ{}_{\alpha }^{\mathrm{2}}（79.082），表明均拒绝原假设H₀，构建的2个模型均有较好的预测性。②ICLV模型的AIC和BIC分别为13 474.58和13 708.57，均大于SEM-Logit模型的赤池信息准则（Akaike information criterion，AIC）和贝叶斯信息准则（Bayesian information criterion，BIC），表明ICLV模型的模型更为复杂，需要同时估计多个参数，导致自由度下降、复杂度惩罚项增加；此外，ICLV的模型比SEM-Logit模型的解释能力更强，并且可以解释社会经济属性和出行特征对潜变量的进一步影响。③从ICLV模型的结果来看，25岁以下、高中及以下学历、月收入为5 000~15 000元、没有驾照、夫妻二人家庭、出行时长大于60 min、选择公交换乘公交的居民更愿意选择换乘。④从ICLV模型的结果来看，感知易用性的估计系数是0.196，表明可以感知到在公交换乘优惠政策下换乘易用性程度更高的居民更愿意选择换乘；行为习惯的估计系数是-0.194，表明居民的公共交通出行习惯越强，反而相对更不愿意选择换乘，这是因为公共交通出行习惯强的居民不愿意更改每日固定的出行路线和方式。⑤从ICLV模型的结果来看，不换乘步行距离大于1 500 m、换乘步行距离小于50 m、免费换乘和公交换乘公交的情景更受居民喜爱。⑥从ICLV模型的结果来看，交互项“优惠幅度×态度”的估计系数是0.158，表明居民对换乘优惠政策态度越好，增加换乘优惠幅度对居民换乘行为正向影响越大，进一步说明将居民对换乘优惠政策的态度作为调节变量可通过优惠幅度间接影响换乘行为。

表6为ICLV模型中潜变量部分的估计结果，由表6可以看出：居民关于公交换乘优惠政策的心理潜变量与性别、是否有驾照、家庭结构和出行距离有关。男性、没有驾照、家庭结构为夫妻家庭、出行距离大于5 km的居民对公交换乘优惠政策表现出积极的态度；女性、没有驾照、家庭结构为夫妻家庭、出行距离大于5 km的居民在公交换乘优惠政策下更能感知换乘的便捷；男性、没有驾照、家庭结构为单人家庭或多人家庭、出行距离大于5 km的居民具有较强的公共交通出行习惯。

此外，本文梳理了社会经济属性和出行特征等个人属性对居民换乘行为的直接和间接影响，即个人属性既可以直接影响换乘行为，又可以通过影响心理潜变量间接影响换乘行为，结果如表7所示。由表7可知：家庭结构（0.580）对换乘行为的影响最大，其次是是否有驾照（-0.447），最后是出行距离（-0.228）；有驾照与换乘行为之间存在直接（-0.405）和间接（-0.042）的负相关关系；家庭结构为夫妻家庭与换乘行为之间存在直接（0.414）和间接（0.166）的正相关关系；出行距离在5 km以内与换乘行为之间仅存在间接（-0.028）的负相关关系。

3.3　心理潜变量的边际效应

为了更加具体地分析心理潜变量如何影响换乘行为，对感知易用性和行为习惯这2个连续变量进行边际分析，态度在本模型中作为调节变量，故不对态度作边际分析。表8列出了心理潜变量的边际效应。

由表8可知：感知易用性的边际效应为0.046 7，表明居民在公交换乘优惠政策下感知到的换乘便捷程度每增加1%，选择换乘的概率会增加4.67%；行为习惯的边际效应为-0.046 2，表明居民的公共交通出行习惯每增加1%，选择换乘的概率会减少4.62%。

4 结 论

（1）考虑心理潜变量的选择行为模型解释能力更强，尤其是相比SEM-Logit模型，ICLV模型可以解释更深层的机理。心理潜变量可以作为社会经济属性和出行特征等个人属性变量影响换乘行为的中介变量，换言之，ICLV模型解释了居民表现的心理潜变量是由个人属性等变量驱动的，这与SEM-Logit模型中的心理潜变量是由受访者对测量问题的回答进行估算的方式不同。

（2）个人属性在ICLV模型中发挥了至关重要的作用，该模型不仅能揭示个人属性与出行方式选择之间的复杂关系，还能深入分析这些关系背后的心理和社会因素。在直接影响层面，个人属性（如年龄和收入等）都是决定个体出行方式的关键因素。在间接影响层面，个人属性还通过心理潜变量间接地影响出行行为，这些心理潜变量反映了个体对不同出行方式的认知、情感和意向。

参考文献

[1] 刘玉华, 韩丽飞, 孙小丽. 国内外城市公共客运交通换乘优惠政策分析[J]. 城市轨道交通研究, 2016, 19(): 4-9.

[2] Liu Yu-hua, Han Li-fei, Sun Xiao-li. Analysis of preference policies in Chinese and foreign urban public transport interconnection[J]. Urban Mass Transit, 2016, 19(Sup.1): 4-9.

[3] Hirsch L R, Jordan J D, Hickey R L, et al. Effects of fare incentives on New York city transit ridership[J]. Transportation Research Record, 2000, 1735: 147-157.

[4] 杨利强, 黄卫, 张宁. 基于广义费用的公共交通联乘优惠研究[J]. 交通信息与安全, 2009, 27(3): 20-23, 27.

[5] Yang Li-qiang, Huang Wei, Zhang Ning. Transfer preferential benefit of public transport based on generalized cost[J]. Journal of Transport Information and Safety, 2009, 27(3): 20-23, 27.

[6] 齐瑞臻, 高悦尔, 王丽霞. 基于机器学习的换乘优惠政策对不同收入水平乘客的实施效果评估[J]. 地理与地理信息科学, 2022, 38(5): 72-78.

[7] Qi Rui-zhen, Gao Yue-er, Wang Li-xia. Effect evaluation of transfer preferential policy on passengers with various income based on machine learning[J]. Geography and Geo-Information Science, 2022, 38(5): 72-78.

[8] Chowdhury S, Ceder A. A psychological investigation on public-transport users' intention to use route with transfers[J]. International Journal of Transportation, 2013, 1(1): 1-20.

[9] Cheng Y, Tseng W. Exploring the effects of perceived values, free bus transfer, and penalties on intermodal metro-bus transfer users' intention[J]. Transport Policy, 2016, 47: 127-138.

[10] 王蓉, 杜鹏. 基于PLS-SEM的换乘政策满意度模型[J]. 交通运输系统工程与信息, 2018, 18(): 10-15.

[11] Wang Rong, Du Peng. Satisfaction model of transfer policy based on PLS-SEM[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(Sup.1): 10-15.

[12] Young H, Kim S, Ko S. Prediction of transferring demand on discounting the transit fare of public transport[J]. Proceedings of the Eastern Asia Society for Transportation Studies, 2003, 4: 1707-1719.

[13] Sharaby N, Shiftan Y. The impact of fare integration on travel behavior and transit ridership[J]. Transport Policy, 2012, 21: 63-70.

[14] Paulssen M, Temme D, Vij A, et al. Values, attitudes and travel behavior: a hierarchal latent variable mixed logit model of travel mode choice[J]. Transportation, 2014, 41: 873-888.

[15] Vos J D, Witlox F. Travel satisfaction revisited. On the pivotal role of travel satisfaction in conceptualising a travel behaviour process[J]. Transportation Research Part A: Policy & Practice, 2017, 106: 364-373.

[16] Chen C, Fu C, Siao P. Exploring electric moped sharing preferences with integrated choice and latent variable approach[J]. Transportation Research Part D: Transport and Environment, 2023, 121: No.103837.

[17] 傅玉玲, 孙小慧, 张佳欣. 考虑心理潜变量的城市轨道站点接驳方式选择行为研究[J]. 交通运输工程与信息学报, 2024, 22(1): 160-174.

[18] Fu Yu-ling, Sun Xiao-hui, Zhang Jia-xin. Choice behavior of urban rail station connection mode considering influence of psychological latent variables[J]. Journal of Transportation Engineering and Information, 2024, 22(1): 169-174.

[19] Ashok K, Dillon W R, Yuan S. Extending discrete choice models to incorporate attitudinal and other latent variables[J]. Journal of Marketing Research, 2002, 39(1): 31-46.

[20] Morikawa T, Ben-akiva M, Mcfadden D. Discrete choice models incorporating revealed preferences and psychometric data[J]. Econometric Models in Marketing, 2002, 16: 29-55.

[21] Bolduc D, Ben-akiva M, Walker J, et al. Hybrid choice models with logit kernel: applicability to large scale models[J]. Integrated Land-use and Transportation Models: Behavioural Foundations, 2005: 275-302.

[22] Johansson V M, Heldt T, Johansson P. The effects of attitudes and personality traits on mode choice[J]. Transportation Research Part A: Policy and Practice, 2006, 40(6): 507-525.

[23] 付学梅, 隽志才. 基于ICLV模型的通勤方式选择行为[J]. 系统管理学报, 2016, 25(6): 1046-1050.

[24] Fu Xue-mei, Zhi-cai Juan. Commuting mode choice behavior based on ICLV model[J]. Journal of Systems & Management, 2016, 25(6): 1046-1050.

[25] Lizana M, Tudela A, Tapia A. Analysing the influence of attitude and habit on bicycle commuting[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2021, 82: 70-83.

[26] 原雅丽, 杨小宝, 李虹慧, 等. 突发事件下城市群内旅客城际出行方式选择行为[J]. 清华大学学报: 自然科学版, 2022, 62(7): 1142-1150.

[27] Yuan Ya-li, Yang Xiao-bao, Li Hong-hui, et al. Intercity travel model choice behavior of travelers in large urban regions during emergencies[J]. Journal of Tsinghua University (Science & Technology), 2022, 62(7): 1142-1150.

[28] Kim J, Lee B. Campus commute mode choice in a college town: an application of the integrated choice and latent variable (ICLV) model[J]. Travel Behaviour and Society, 2023, 30: 249-261.

[29] Acharya S, Mekker M. Public acceptance of connected vehicles: an extension of the technology acceptance model[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2022, 88: 54-68.

[30] Dirgahayani P, Sutanto H. The effect of transport demand management policy on the intention to use public transport: a case in Bandung, Indonesia[J]. Case Studies on Transport Policy, 2020, 8(3): 1062-1072.

[31] Le T P L, Leung A, Kavalchuk I, et al. Age-proofing a traffic saturated metropolis—Evaluating the influences on walking behaviour in older adults in Ho Chi Minh City[J]. Travel Behaviour and Society, 2021, 23: 1-12.

[32] Panagiotopoulos I, Dimitrakopoulos G. An empirical investigation on consumers' intentions towards autonomous driving[J]. Transportation Research Part C: Emerging Technologies, 2018, 95: 773-784.

[33] Yen Y, Wu F. Predicting the adoption of mobile financial services: the impacts of perceived mobility and personal habit[J]. Computers in Human Behavior, 2016, 65: 31-42.

[34] Korkmaz H, Fidanoglu A, Ozcelik S, et al. User acceptance of autonomous public transport systems: extended UTAUT2 model[J]. Journal of Public Transportation, 2022, 24: No.100013.

[35] 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.

[36] Jeffrey D, Boulange C, Giles-Corti B, et al. Using walkability measures to identify train stations with the potential to become transit oriented developments located in walkable neighborhoods[J]. Journal of Transport Geography, 2019, 76: 221-231.

[37] Ermagun A, Samimi A, Rashidi T H, et al. How far is too far? Providing safe and comfortable walking environments[J]. Transportation Research Record: Journal of the Transportation Research Board, 2016, 2586: 72-82.

[38] GB/T 51328—2018, 城市综合交通体系规划标准 [S].

[39] JT/T 1118—2017, 城市公共汽电车车站设施功能要求 [S].

[40] 西安市统计局, 国家统计局西安调查队. 西安统计年鉴2022[M]. 北京: 中国统计出版社, 2023.

[41] 西安市自然资源和规划局. 2022西安市城市交通发展年度报告[R/OL]. [2025-01-05].

基金资助

国家自然科学基金面上项目(52272316)

陕西省自然科学基础研究计划项目(2024JC-YBMS-359)

西安市科协决策咨询项目(202212)