基于態度的公交出行信息使用市場細分

侯現耀，陳學武

(1.東南大學 城市智能交通江蘇省重點實驗室，南京 210096；2.東南大學 現代城市交通技術江蘇高校協同創新中心，南京 210096；3.東南大學 交通學院，南京 210096)

0 引 言

在使用公交出行信息輔助出行決策時，出行者對于信息的需求存在差異性，因此公交出行信息服務提供有針對性的供給策略可以更有效地滿足不同需求。市場細分有助于對出行行為異質性的研究[1]。已有的研究中，市場細分多基于出行的需求[2]、出行者個體屬性[3]等，但有學者認為以出行者個體屬性等因素進行市場劃分不能很好反映出行行為，需要通過出行者的態度揭示市場內部結構[4]。近年來，有研究通過市場細分，利用出行態度對出行行為進行分析[5-7]，多采用結構方程模型確定市場細分因素，相較于傳統的回歸分析，可以更好地測量無法直接觀測的態度變量。但已有研究多是對交通方式選擇的市場進行分析，還未有研究針對公交出行信息使用的市場進行分析。

為此，本文針對基于態度的公交出行信息使用的市場劃分進行研究，通過建立結構方程模型對出行者的潛在態度偏好進行分析，利用聚類方法對根據選定的態度變量對公交出行信息使用的市場進行劃分，并針對不同的市場中的群體提出相應的策略，為更有效地提升公交出行信息服務提供決策支持。

1 基于態度的市場劃分方法

出行者對于使用公交出行信息的主觀態度無法被直接觀測，因此以往研究多采用若干個表示態度觀測變量的問題測量出行者的主觀態度偏好[5,6,8]。結構方程模型可以同時擬合多個內生變量和外生變量之間的關系，將一系列觀測變量用幾個潛變量表示[9]。故本研究利用結構方程模型分析出行者使用公交出行信息的主觀態度偏好，得到各潛變量間的關系，并以此作為聚類分析的依據。

K-means聚類方法能夠分析事物的內在規律和特點，根據相似性原則對事物進行分類，是常用的數據分析方法[3, 7]。采用K-means聚類方法根據潛在態度變量對出行者使用公交出行信息進行市場劃分，聚類分析后，同一市場中的出行者態度偏好類似，不同市場中的出行者態度偏好則不同。

由上述分析可知，基于態度的出行者使用公交出行信息市場細分的建模主要包括以下步驟：

Step1 基于因子分析確定主觀態度變量。通過被調查者的指標打分，利用因子分析法確定出行者的態度變量。

Step2 基于結構方程模型確定潛變量間的關系。建立結構方程模型，估計觀測變量和潛變量間的關聯系數(測量模型)和潛變量間的關聯系數(結構模型)，得到潛變量間的效應關系，為第Step3聚類變量的選取提供依據。

Step3 利用聚類方法對出行者使用公交出行信息市場進行細分。得到合理、合適的不同主觀態度特征的子市場。

Step4 子市場的特征分析。根據聚類分析的結果，分析各子市場的特征，作為相應政策制定和改善策略的依據。

2 問卷調查及數據分析

2.1 問卷設計與調查

數據來源于2016年在南京開展的公交出行信息意愿調查。調查內容分為兩個部分:一是出行者的個體屬性;二是出行者對使用公交出行信息的主觀態度和出行意愿的相關問題。主觀態度的問題共有24題，根據Roscoe調查樣本大小確定的原則[10]，多變量研究中的樣本數最好是研究變量數的5～10倍，本文取倍數為10，則至少需要240份問卷，調查主要以實地問詢和網絡問卷形式開展，數據獲取后對問卷進行了篩選，剔除了所有選擇單一選項、選擇具有明顯規律性、反向表述與正向表述的選擇具有明顯矛盾、網絡問卷答題時間明顯不符合正常答題所需時間等有問題的問卷，最終獲取到703份有效問卷。

2.2 數據統計分析

樣本的個體屬性特征統計情況如表1所示，可以看出：樣本以中青年為主，工作性質多需要通勤出行，受教育程度較高，涵蓋了使用公交出行信息服務和乘坐公交的主要人群。

表1 樣本人群個體屬性特征Table 1 Sample individual characteristics

本文構建6種態度變量，用以反映出行者對使用公交出行信息的主觀態度、公交出行信息主觀感知和公交出行意愿，其中分別從可靠性、方便性、靈活性和自主性表征出行者對公交出行信息的主觀態度。每個態度變量下設置若干問題作為態度潛變量的觀測變量，如表2所示。問題設置采用5級量表衡量被調查者的主觀態度，1表示非常不同意；2～4表示同意程度增加；5表示非常同意。信度和效度可以反應調查數據的可靠性和準確性，通過分析得出樣本總體的克朗巴哈信度系數(Cronbach'α)為0.896，各潛變量的克朗巴哈信度系數最低為0.609；樣本總體的KMO值為0.923，各潛變量的KMO值最低為0.654，Bartlett球形檢驗結果均顯著，信度系數均大于0.6，表明樣本信度可以接受，樣本總體和各潛變量均具有一定的可靠性，KMO值均大于0.5，表明樣本具有良好的效度。

表2 態度觀測變量與態度潛變量描述Table 2 Descriptions of attitude observed variablesand attitude latent variables

續表2

3 模型估計與市場細分結果

3.1 因子分析

采用驗證性因子分析確定事先選定的因子擬合實際數據的能力，即檢驗觀測變量的因子個數和因子載荷是否能與理論預期一致，即驗證表2中6個態度潛變量能否保留對24個觀測變量的解釋能力。

因子分析結果評價指標為：模型擬合優度指數GFI=0.866；比較擬合指數CFI=0.872；近似均方根誤差RMSEA=0.066，表明模型擬合結果良好，定義的態度潛變量可以較好地擬合實際調查問題。

3.2 結構方程模型估計結果

最終構建的結構方程模型結構如圖1所示。模型擬合優度的評價指標為：模型擬合優度指數GFI=0.904；近似均方根誤差RMSEA=0.066；比較擬合指數CFI=0.894；調整后擬合優度指數AGFI=0.873，表明模型的擬合結果可以接受。

觀測變量的標準化因子載荷系數如表3所示，所有因子載荷的檢驗值均在95%置信水平下顯著，利用因子載荷可以計算對應的出行者的態度潛變量值，用以聚類分析過程中。

結構方程模型中結構估計的態度潛變量間效應如表4所示。可以看出，可靠性、方便性和自主性對主觀感知有顯著的正向作用，表明公交出行信息的可靠性、方便性和自主性越高，出行者對公交出行信息的主觀感知評價越高；可靠性、方便性、靈活性和主觀感知對出行意愿具有顯著的作用，其中靈活性對出行意愿的作用效應為負向的，說明對于具有較高公交出行意愿的出行者，其對公交出行信息的靈活性評價相對較低，公交出行信息服務在靈活性方面還有待提升；自主性對于出行意愿具有顯著的正向間接效應，但直接效應和總的效應并不顯著，無法說明出行者對公交出行信息自主性的評價會顯著影響到其出行意愿的選擇。

圖1 結構方程模型結構框架及態度潛變量間路徑系數Fig.1 Framework of structural equation modeling and path parameters between attitude latent variables表3 觀測變量標準化因子載荷估計結果Table 3 Results of observed variables standardizedfactors estimation

表4 潛變量間標準化效應值估計結果Table 4 Results of standardization effects estimationbetween latent variables

注：括號內為z檢驗值。

3.3 聚類分析

K-means聚類方法首先需要給定聚類數目，然后將分析的樣本劃分成給定的聚類數。聚類分析要求類內部的樣本盡可能緊湊，各個類間距離盡可能分開，聚類結果合理且有意義。根據表4的效應估計結果，A1、A2、A5和A6間的相關性系數較高(表4中效應值)，且相互關系的顯著性較高(表4中檢驗值)，更容易產生特征明顯的聚類結果且可以顯著減少聚類數目，故選取這4個變量作為聚類分析的變量。將態度潛變量值作0～5標準化處理，設置細分市場數目K為2～8，通過聚類指標的分析，得到K=5時聚類效果最佳，此時，類內的樣本相對更靠近各類中心，且各類中心間距離較明顯。703個樣本被細分為5個子市場，每個子市場都有數量相當的樣本，各子市場聚類位置如圖2所示。

根據聚類變量的細分特征，可以得到各子市場的出行者態度特征如下所示。

M1子市場：具有中等的公交出行意愿，對公交出行信息可靠性、方便性的需求中等，對公交出行信息的主觀感知中等。

M2子市場：具有較低的公交出行意愿，對于公交出行信息的可靠性、方便性需求和主觀感知均較低。

M3子市場：具有較高的公交出行意愿，對于公交出行信息的可靠性需求較高，對于方便性的需求中等，對公交出行信息的主觀感知中等。

M4子市場：具有中等的公交出行意愿，但對于公交出行信息的可靠性、方便性需求較低，對公交出行信息的主觀感知中等。

M5子市場：具有較低的公交出行意愿，對于公交出行信息的可靠性、方便性需求中等，對公交出行信息的主觀感知中等。

圖2 出行者使用公交出行信息市場細分結果Fig.2 Results of travelers using public transit travel information market segmentation

3.4 細分子市場特征

各子市場中樣本個體實際選擇出行方式比例如表5所示。M3子市場中公交出行比例最高，M2和M5子市場中公交出行比例相對較低，M1和M4子市場公交出行比例中等。

表5 細分子市場公交出行特征Table 5 Public transit travel characteristics of sub-markets

M3子市場的出行者對公交出行信息的主觀感知評價較高，且有較強的公交出行意愿，對于公交出行信息的可靠性和方便性需求也較高，市場中公交出行比例也最高，可以認為該子市場中的公交出行者是“堅定的公交出行者”，他們對于公交出行信息的使用有較高的評價和認知，可以滿足其日常公交出行的需求，該子市場中的非公交出行者可以認為是“潛在的公交出行者”，他們同樣對公交出行信息的使用有較高評價和認知，通過持續提供滿足他們需求的公交出行信息會較容易讓其使用公交出行。

M2和M5子市場中的出行者公交出行意愿較低，公交出行比例也較低，其對公交出行信息的可靠性、方便性和對使用公交出行信息的主觀認知評價并不高，可稱為“堅定的非公交出行者”。

M1和M4子市場中公交出行意愿中等，公交出行與非公交出行相比沒有顯著的差異，是“潛在的市場轉移者”，如果他們轉向M3子市場，則會增加公交出行的比例，轉向M2或M5子市場，則會增加其他交通方式的出行比例，因此需要針對其對公交出行信息的使用偏好，引導其盡可能地轉向公交出行。

3.5 公交出行信息服務改善對策

通過市場細分，可以識別出具有相似公交出行信息使用主觀態度的出行者，每個子市場中的出行者對于公交出行和公交出行信息的使用有不同的需求，因此需要在制定政策時有差異化地對待，以更有效引導其采用公交出行。

對于“潛在的市場轉移者”，M1市場中出行者對于公交出行信息的可靠性要求較高，應提高公交出行信息服務的可靠性，如提供準確的實時公交車輛位置信息，從而幫助出行者確定出發時間和估計行程時間，提高其轉向公交出行的可能性；但對于M4市場中的出行者，僅靠提高信息的可靠性相對較難使其轉向公交出行，但仍可通過提供更加豐富的公交出行信息內容、增加信息獲取渠道等綜合措施提升其對公交出行信息的主觀感知，從而引導其向M3子市場轉移。

對于“堅定的非公交出行者”，對M2和M5子市場出行者使用上述政策或措施的效果則可能不明顯，但仍可嘗試宣傳教育等方式引導其向M3子市場轉化。

4 結束語

通過因子分析確定出行者使用公交出行信息主觀態度的變量，利用結構方程模型測量潛變量間的因果關系，通過聚類方法對出行者使用公交出行信息市場進行細分，得到具有顯著公交出行意愿差異的細分子市場。通過分析各子市場特征，發現潛在市場轉移者，剖析各子市場形成原因，制定有針對性的公交出行信息服務改善對策。研究有助于理解出行者使用公交出行信息的機理，研究成果對制定和改善公交出行信息服務有指導意義。可以通過增加對出行者個體屬性的分析，提煉個體屬性與態度偏好的關系，從而更好地揭示和劃分不同特征的子市場。

[1] Badoe D A, Miller E J. An automatic segmentation procedure for studying variations in mode choice behavior [J]. Journal of Advanced Transportation, 1998, 32(2): 190-215.

[2] Lythgoe W F, Wardman M. Demand for rail travel to and from airports [J]. Transportation, 2002, 29(2): 125-143.

[3] Ryley T. Use of Non-motorised modes and life stage in Edinburgh [J]. Journal of Transport Geography, 2006, 14(5): 367-375.

[4] Anable J.‘Complacent car addicts’ or ‘aspiring environmentalists’? identifying travel behaviour segments using attitude theory [J]. Transport Policy, 2005, 12(1): 65-78.

[5] 程龍, 陳學武, 楊碩, 等. 基于市場細分的低收入通勤者公交出行改善對策[J]. 交通運輸系統工程與信息, 2016, 16(3): 8-14.

Cheng Long, Chen Xue-wu, Yang Shuo, et al. Public transit improvement measures of low-income commuters based on market segmentation [J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(3): 8-14

[6] Li Z, Wang W, Yang C, et al. Bicycle commuting market analysis using attitudinal market segmentation approach [J]. Transportation Research Part A: Policy and Practice, 2013, 47(4): 56-68.

[7] Shiftan Y, Outwater M L, Zhou Y. Transit market research using structural equation modeling and attitudinal market segmentation [J]. Transport Policy, 2008, 15(3): 186-195.

[8] Eboli L, Mazzulla G. Service quality attributes affecting customer satisfaction for bus transit [J]. Journal of Public Transportation, 2007, 10(3): 21-34.

[9] Golob T F. Structural equation modeling for travel behavior research [J]. Transportation Research Part B: Methodological, 2003, 37(1): 1-25.

[10] Roscoe J T. Fundamental Research Statistics for the Behavioral Sciences[M].New York: Holt, Rinehart and Winston, 1975.