景鵬+王靜+陳龍+查奇芬+陳月霞

摘 要：為了加深對通勤者低碳方式選擇偏好差異形成內(nèi)在原因的理解，本文將出行者主觀態(tài)度引入市場細(xì)分方法中，用于研究低碳出行市場。根據(jù)實證數(shù)據(jù)，應(yīng)用因子分析對25個態(tài)度觀測變量進(jìn)行降維，以公因子得分為依據(jù)，采用K-Means聚類分析方法對出行者出行類型進(jìn)行細(xì)分，將低碳出行市場細(xì)分為3個子市場，每個細(xì)分子市場內(nèi)出行者具有類似的低碳出行意愿，不同細(xì)分子市場內(nèi)低碳出行意愿不同，提出針對不同特征的出行者制定更有針對性的交通需求管理策略。研究結(jié)果發(fā)現(xiàn)雖然出行者具有相同或相似的偏好，但其出行行為會存在差異性。

關(guān)鍵詞：低碳出行；市場細(xì)分；出行方式選擇；主觀態(tài)度

中圖分類號：U491文獻(xiàn)標(biāo)識碼：A文章編號：1003-5192（2016）06-0037-07doi：10.11847/fj.35.6.37

Empirical Study on Low-carbon Travel Market SegmentationAnalysis Incorporating Attitudinal Variables

JING Peng1， WANG Jing1， CHEN Long1， ZHA Qi-fen2， CHEN Yue-xia1

（1.School of Automobile and Traffic Engineering， Jiangsu University， Zhenjiang 212013， China； 2.School of Finance & Economics， Jiangsu University， Zhenjiang 212013， China）

Abstract：To deeply understand the nature of preferences on mode choice in low-carbon travel behavior among the commuters， an attitudinal market segmentation method is applied to explore the low-carbon travel market segmentation. Based on the empirical data， factor analysis is used to identify the smallest number of sets from 25 measurement variables， and obtained the corresponding factor scores. The K-means clustering method is used to segment a population of commuter by scores from factor analysis. Three distinct groups are identified， travelers in the same sub-groups have similar willingness to low-carbon travel while those in the different sub-groups have distinct willingness. Some suggestions are provided for making traffic demand management strategy based on different groups. The results show that similar attitudes can lead to different travel behaviors.

Key words：low-carbon travel； market segmentation； travel mode choice； attitudes

1 引言

機(jī)動車保有量的迅速增加，以及交通擁堵所導(dǎo)致的車速緩慢、汽油燃燒效率偏低等，都大大增加了城市交通的能源消耗、空氣污染與碳排放量，城市交通的環(huán)境成本日益突出[1]，嚴(yán)重制約著城市生活的正常運轉(zhuǎn)，阻礙城市的可持續(xù)發(fā)展進(jìn)程。為此，在2013年6月，交通運輸部確定了全國10個綠色低碳交通運輸區(qū)域性試點城市。建設(shè)城市低碳交通已經(jīng)是我國城市交通建設(shè)的戰(zhàn)略目標(biāo)和實現(xiàn)低碳發(fā)展的內(nèi)在要求[2]。從現(xiàn)有交通模式向低碳交通轉(zhuǎn)變，不僅要有相應(yīng)的交通設(shè)施、交通技術(shù)等硬件，更重要的是要有低碳化的出行方式[2]。如何采取措施規(guī)范并限制私家車的使用，引導(dǎo)居民改變從現(xiàn)有依賴于小汽車的出行方式轉(zhuǎn)變?yōu)榈吞蓟某鲂蟹绞?，從而減少城市交通的碳排放，是建設(shè)城市低碳交通的重要環(huán)節(jié)。

通常，交通需求管理策略的制定大多針對整個出行市場，傾向以減少總的社會成本為目標(biāo)，且假定個體是政策的積極響應(yīng)者為前提[3]。然而，實踐表明，不同個體出行者出行行為存在不同的差異性，個體對交通需求管理政策所反映出來的行為，經(jīng)常是以個人出行效用最大化為目標(biāo)[4]。而出行方式選擇行為是一個復(fù)雜的多決策過程，除了受到出行者特性（如年齡，收入等）、出行特性（如出行目的，出行距離）、社會經(jīng)濟(jì)發(fā)展水平和城市土地利用與布局等客觀因素影響外，在一定程度上還受到出行者自身態(tài)度、感知、價值觀等內(nèi)在因素的影響。傳統(tǒng)出行方式選擇行為模型都將出行方式屬性和出行者個體特征作為方式選擇行為的解釋變量[5，6]，由于在建模時忽略了這些內(nèi)在因素，使得模型的解釋能力受到質(zhì)疑[7～9]，且無法獲得與真實選擇行為更接近的結(jié)果。通過考慮出行者的心理變量將整個低碳出行市場劃分為若干個具有同質(zhì)偏好和需求的子市場，有助于深刻理解影響出行者出行方式選擇的差異性偏好，針對每個子市場的出行者制定相應(yīng)交通需求管理策略，引導(dǎo)向低碳出行方式轉(zhuǎn)變具有重要意義。

2 文獻(xiàn)綜述

2.1 低碳出行

在出行中，主動采用能降低二氧化碳排放量的交通方式，稱為低碳出行。國外學(xué)者對低碳方面的研究主要分為兩類：一是從宏觀層面探討發(fā)展城市低碳交通的政策與技術(shù)措施。如Bristow等對英國發(fā)展低碳交通系統(tǒng)戰(zhàn)略實施途徑的可靠性進(jìn)行了驗證，并對比論證當(dāng)前交通政策[10]；Bongardt等指出交通運輸業(yè)的碳排放量一直居高不下，在城市發(fā)展過程中實現(xiàn)經(jīng)濟(jì)穩(wěn)定和運輸業(yè)的有效節(jié)能減排，需要采取合理的低碳交通政策，包括開發(fā)新能源、提高能源利用率以及減少機(jī)動化出行等[11]。二是主要側(cè)重于定量研究，測量不同出行活動和交通方式的碳排放量。如Edward和Matthew對大城市不同交通方式二氧化碳排放量的計算方法進(jìn)行了研究，并選取了美國10個重點大城市進(jìn)行了實證對比研究[12]。Salonen等研究了郊區(qū)居民在日常出行中機(jī)動化出行方式的選擇并計算其碳排放強(qiáng)度，結(jié)果發(fā)現(xiàn)在購物出行中選擇公交車的碳排放要高于小汽車[13]。

相比之下，國內(nèi)學(xué)者關(guān)于低碳交通的研究大多處于概念引進(jìn)和相關(guān)理論的探索階段。如陳飛等通過建立城市交通模型，對上海交通碳排放總量及不同交通方式碳排放現(xiàn)狀進(jìn)行量化分析，并運用情景模擬法分析低碳交通發(fā)展的戰(zhàn)略目標(biāo)，提出具體的對策和措施[14]。劉麗亞認(rèn)為低碳交通實質(zhì)是一種以低能耗、低污染、低排放為特征的新交通發(fā)展模式[15]。

也有部分學(xué)者針對低碳出行影響因素和低碳出行策略展開研究。王國榮指出當(dāng)今消費主義盛行、出行知識欠缺、出行指導(dǎo)混亂是居民非低碳出行的主要根源[2]。金楠認(rèn)為居民選擇出行方式的過程中，心理決策是影響出行方式選擇的根本原因，而宏觀因素和微觀因素通過心理決策對出行是否選擇低碳出行方式產(chǎn)生作用[16]。劉蔚根據(jù)居民社會經(jīng)濟(jì)屬性、出行屬性，利用多項Logit模型建立了城市居民日常出行交通方式選擇模型，分析了居民對不同出行方式選擇的偏好程度和決策機(jī)制[17]。

綜上所述，有關(guān)低碳出行的研究較多關(guān)注宏觀層面，微觀層面研究較少；國內(nèi)外學(xué)者無論是對低碳出行的定量研究還是定性研究，基本上都是基于供給的角度展開研究，而從需求角度的研究還較少。此外，在低碳出行研究中大多針對居民日常出行，而居民日常出行主要目的是通勤。相對于其他出行，通勤出行在時間和空間上具有更大的穩(wěn)定性，其時間安排會影響城市居民其他活動和出行選擇[18]。因此，有必要以通勤者為研究對象，針對其低碳出行特征，制定相應(yīng)的需求管理策略，才能更有效地實現(xiàn)低碳出行方式的引導(dǎo)。

2.2 市場細(xì)分方法

在較早出行行為研究中，大部分出行市場的細(xì)分都是以出行者社會人口統(tǒng)計特征和出行特征為細(xì)分變量[19～21]。但是這種基于個體屬性和出行屬性的市場細(xì)分方法，只能描述出行行為，對出行決策缺乏解釋力，無法反映市場內(nèi)在結(jié)構(gòu)[22，23]，于是研究者逐漸轉(zhuǎn)向以出行者的心理因素作為細(xì)分變量。如Hunecke等分別選擇了不同的細(xì)分變量——態(tài)度、生活方式、生命周期、人口統(tǒng)計特征，對機(jī)動化出行行為進(jìn)行市場細(xì)分，結(jié)果表明基于出行態(tài)度的市場細(xì)分對出行行為具有最高的預(yù)測能力[23]。

近年來，國外學(xué)者根據(jù)主觀態(tài)度對出行市場進(jìn)行細(xì)分的研究逐漸增加。Anable采用主成分分析法獲取17個態(tài)度指標(biāo)變量，將666個小汽車出行者劃分為6個子市場，每個細(xì)分子市場中出行者都具有不同的出行態(tài)度偏好，且能夠有效地識別潛在的出行方式轉(zhuǎn)移者[22]。Shiftan等利用7個態(tài)度指標(biāo)變量將公交出行市場細(xì)分為8個子市場，并提出制定相應(yīng)政策提高公交出行比例[24]。為了加深對出行市場的認(rèn)識，制定以人為導(dǎo)向的交通政策，Pronello和Camusso采用聚類分析將出行者細(xì)分為4個子市場，分析了每個子市場中出行者的特征[25]。相比之下，國內(nèi)學(xué)者在出行行為領(lǐng)域中應(yīng)用市場細(xì)分方法的研究還相對較少。李志斌等根據(jù)南京市居民通勤出行問卷調(diào)查，采用結(jié)構(gòu)方程模型從29個態(tài)度觀測變量，獲取4個態(tài)度潛變量將自行車通勤出行市場細(xì)分為6個子市場[26]。

總體而言，雖然已有較多出行行為的研究應(yīng)用了市場細(xì)分的方法，但其中對通勤者主觀態(tài)度因素考慮較少，并在低碳出行方式選擇行為研究中更不多見。所以，為了深化低碳出行行為的研究，簡化出行市場結(jié)構(gòu)，制定更有針對性的交通需求管理策略，本文采用考慮通勤者主觀態(tài)度的市場細(xì)分方法對低碳出行市場進(jìn)行研究，為制定低碳出行引導(dǎo)政策提供理論基礎(chǔ)。

3 研究方法

3.1 研究區(qū)域與數(shù)據(jù)收集

本文研究數(shù)據(jù)的調(diào)查地點為江蘇省鎮(zhèn)江市。目前鎮(zhèn)江市已被列為國家低碳試點城市，同時也是交通運輸部與江蘇省共同推進(jìn)綠色循環(huán)低碳交通運輸發(fā)展試點城市，其居民的低碳出行情況是低碳政策實施效果的體現(xiàn)和依據(jù)。因此選取鎮(zhèn)江市研究居民低碳出行為具有較強(qiáng)的代表性。

本研究采用問卷調(diào)查的方式獲取樣本數(shù)據(jù)。調(diào)查具體地點為鎮(zhèn)江市長途汽車站、高鐵站和老火車站，調(diào)查時間為2015年6月25日至30日。調(diào)查采用隨機(jī)分發(fā)問卷當(dāng)場填寫、當(dāng)場回收的方式進(jìn)行?？紤]到本文研究對象為鎮(zhèn)江市居民，因此在問卷中設(shè)置了居住地選項，作為選取研究對象的標(biāo)準(zhǔn)。共發(fā)放問卷2900份，回收問卷2664份，回收率為91.86%，其中有效問卷1498份，問卷有效率為56.23%。最終得到的有效問卷中包括各年齡段，不同性別、職業(yè)和收入的通勤出行者。

3.2 問卷設(shè)計

調(diào)查問卷的設(shè)計共包括三個部分：第一部分是通勤者社會經(jīng)濟(jì)屬性和家庭特征；第二部分是通勤者出行信息；第三部分是低碳出行態(tài)度調(diào)查，包含25個態(tài)度語句，測量通勤者低碳出行態(tài)度和行為。其中第三部分出行態(tài)度調(diào)查量表的設(shè)計是在借鑒國外已有文獻(xiàn)關(guān)于出行行為和出行態(tài)度的研究基礎(chǔ)上，結(jié)合本文研究的具體內(nèi)容進(jìn)行修改，形成了本文研究的量表。本研究量表均采用5點Likert量表形式：1，2，3，4，5分別代表非常不符合、不符合、一般、符合、非常符合，表示5種態(tài)度等級。

3.3 數(shù)據(jù)處理

判斷調(diào)查問卷中測量數(shù)據(jù)可靠性與穩(wěn)定性需要進(jìn)行信度分析，信度良好與否通常用信度系數(shù)來判斷，即Cronbachs α。本文運用STATA 13.1統(tǒng)計分析軟件，對調(diào)查問卷進(jìn)行了總體信度檢驗，計算Cronbachs α信度系數(shù)為0.86，大于可接受的最小值0.7[27]，表明具有較強(qiáng)的內(nèi)部一致性，也說明問卷具有較高的可信度。用KMO系數(shù)判斷樣本充足性，Kaiser[28]給出KMO的判斷標(biāo)準(zhǔn)為：若KMO>0.9優(yōu)秀；0.8

3.4 數(shù)據(jù)分析方法

首先，對25個態(tài)度觀測變量進(jìn)行因子分析。利用主成分分析法按照特征根大于1確定公因子，之后按照最大方差旋轉(zhuǎn)法對因子載荷進(jìn)行旋轉(zhuǎn)，并計算公因子得分。

其次，將得到的公因子作為新的變量，根據(jù)因子得分對通勤者進(jìn)行聚類分析。本文分類對象為樣本，在大樣本情況下，采用K均值聚類法，即K-means聚類算法。聚類分析后，最終得到若干個具有不同主觀態(tài)度特征的細(xì)分子市場。

最后，采用獨立樣本的T檢驗比較不同低碳出行態(tài)度的通勤者是否因社會人口統(tǒng)計特征而產(chǎn)生差異。

4 結(jié)果分析

4.1 因子的命名與解釋

經(jīng)過因子分析得到6個公因子對應(yīng)的特征值大于1，累計方差貢獻(xiàn)率為55.44%。旋轉(zhuǎn)后的因子載荷矩陣結(jié)果如表1所示，6個公因子的特征值及累計方差貢獻(xiàn)率如表2所示。根據(jù)因子分析結(jié)果，現(xiàn)將得到的6個公因子進(jìn)行命名和解釋。

由表1和表2可知，公因子1的特征值為6.120，方差貢獻(xiàn)率為24.48%，在題項25“我通常都是低碳出行”、題項18“在絕大部分出行中我打算選擇更低碳的出行方式出行”和題項19“我將很大可能地選擇更低碳的出行方式出行”上有較大因子載荷，說明這3個題項有較強(qiáng)的相關(guān)性，可以歸為一類，同時也體現(xiàn)了通勤者對于低碳出行的一種意愿。因此，將公因子1命名為“低碳出行意愿”。

在公因子2中，有3個題項的因子載荷大于0.5，分別為題項13“公共交通的發(fā)展，讓我更加傾向于采用公交方式出行”、題項14“出租車費用的提高，讓我更加傾向于選擇其他低碳的出行方式”和題項15“小汽車的購買限制和使用成本，讓我更加傾向于選擇其他低碳的出行方式出行”，說明這3個題項具有很強(qiáng)的關(guān)聯(lián)性。此外，由表2可知，這3個題項的均值分別為3.65、3.52和3.50，可以看出，通勤者對其認(rèn)同度較高，同時也說明了政府政策在出行方式?jīng)Q策過程中有一定影響。因此，將公因子2命名為“政策影響”。

公因子3的特征值為1.567，方差貢獻(xiàn)率為6.27%，題項23“小汽車費用過多，我后悔使用小汽車”的因子載荷為0.8208，題項22“開車上班堵車遲到了，我后悔開車出行”的因子載荷為0.7762，題項24“感覺環(huán)境污染嚴(yán)重，我后悔過度使用小汽車”的因子載荷為0.7202，表明有較強(qiáng)的相關(guān)性，可以歸為一類，且這3個題項都體現(xiàn)出了被調(diào)查者對使用小汽車產(chǎn)生的負(fù)面情緒，后悔使用小汽車行為。因此，將公因子3命名為“后悔期望”。

在公因子4中，題項8“我周圍的人習(xí)慣采用更低碳的出行方式出行”、題項9“身邊的人希望我選擇更低碳的出行方式滿足我的日常出行”和題項10“低碳出行的提倡對我選擇出行方式的影響很大”的因子載荷分別為0.7520、0.8027和0.6418，相關(guān)性程度較高，而這3個題項都體現(xiàn)了被調(diào)查者在一定程度上受到周圍人對其出行方式選擇的影響。因此，將公因子4命名為“主觀規(guī)范”。

在公因子5中，題項1“我認(rèn)為減少小汽車出行，有利于解決所在城市的交通擁堵和改善環(huán)境”、題項2“我認(rèn)為選擇更低碳的出行方式可以解決環(huán)境污染問題，比其他出行方式更好”和題項3“我認(rèn)為步行、自行車上班可以鍛煉身體，有益健康”的因子載荷較高，分別為0.7235和0.7179和0.6532。另外，由表2可知，這3個題項的均值分別為4.15、4.09和4.15，在所有因子中均值最大，說明通勤者對這3個題項認(rèn)同度較高，十分注重環(huán)保，具有環(huán)保理念。因此，將公因子5命名為“環(huán)保意識”。

在公因子6中，特征值為1.009，方差貢獻(xiàn)率為4.04%，因子載荷較高的題項有題項7“我認(rèn)為開車上班更能節(jié)約時間，提高我的生活質(zhì)量”、題項5“我認(rèn)為開車上班可以靈活地安排時間，方便辦事情”和題項6“我認(rèn)為開車上班可以體現(xiàn)我的身份，增加我的幸福感”。這3個題項共同體現(xiàn)了通勤者對選擇小汽車作為出行方式的一種態(tài)度。因此，將公因子6命名為“對小汽車的態(tài)度”。

4.2 市場細(xì)分結(jié)果及特征描述

4.2.1 市場細(xì)分結(jié)果分析

采用K-means聚類分析方法，結(jié)合STATA 13.1統(tǒng)計分析軟件，應(yīng)用因子分析中得到的6個公因子的得分對通勤者進(jìn)行市場細(xì)分。首先設(shè)置細(xì)分子市場聚類數(shù)目k為3～6，然后按K-means算法逐步迭代，使其類別間距離達(dá)到最優(yōu)，經(jīng)多次迭代運算后，發(fā)現(xiàn)將樣本聚為3類比較理想，得到最終聚類中心以及每個聚類中的樣本數(shù)如表3所示。同時，對聚類結(jié)果進(jìn)行方差分析，結(jié)果表明將1498個樣本細(xì)分為3個子市場，每個子市場間存在顯著差異（p<0.01），因此，聚類效果較好。

由表3可知，子市場1的樣本數(shù)量為348個，所含樣本數(shù)在3個子市場中最少，占總樣本量的23.23%。子市場1中通勤者的低碳出行意愿最高，受后悔期望影響最小，同時對小汽車持有負(fù)面態(tài)度，而對政策影響和主觀規(guī)范具有積極的響應(yīng)態(tài)度，環(huán)保意識也較好。因此，將子市場1的通勤者命名為“低碳出行者”。

子市場2中通勤者共有509人，占總樣本量的33.98%。此子市場中通勤者特點是環(huán)保意識最高，低碳出行意愿卻最低，且不易受政策、后悔期望和主觀規(guī)范的影響，對小汽車持有中等態(tài)度。不同的原因可以產(chǎn)生相同的行為，相同的態(tài)度也會產(chǎn)生不同的行為[22]，正如子市場1和子市場2中通勤者在環(huán)保方面都具有較好的態(tài)度，但在低碳出行意愿上卻存在較大的差異性，此類通勤者可能認(rèn)為保護(hù)環(huán)境可以從其他方面做起，而不在于出行方式選擇。因此，將子市場2的通勤者命名為“環(huán)保主義者”。

子市場3中的樣本量最大，共有641人，占42.79%。此類出行者對低碳出行持有中立態(tài)度，易受到主觀規(guī)范、政策和后悔期望的影響，環(huán)保意識較低，對小汽車持有積極的態(tài)度。該子市場中通勤者對低碳出行持有中立態(tài)度，如果在通勤出行時采用小汽車方式經(jīng)常發(fā)生擁堵，或是受到周圍人或政策鼓勵采用低碳環(huán)保出行方式的影響較大，那么該類通勤者有可能選擇低碳的交通方式；如果因其工作性質(zhì)或工作地點限制，對出行方式具有較高要求，又對小汽車抱有積極態(tài)度，且環(huán)保意識較低，那么此類通勤者具有方式轉(zhuǎn)移的動機(jī)，可能選擇小汽車出行。因此，將子市場3的通勤者命名為“潛在市場轉(zhuǎn)移者”。

4.2.2 細(xì)分子市場中通勤者的社會人口統(tǒng)計特征

通過聚類分析，將具有相同出行態(tài)度偏好的出行者劃為同一子市場。為了進(jìn)一步驗證各子市場中通勤者出行態(tài)度偏好在社會人口統(tǒng)計特征方面是否存在差異，本文采用獨立樣本T檢驗進(jìn)行分析，檢驗結(jié)果表明，子市場1與子市場2在年齡、教育程度、月收入、是否有公交卡、是否具有駕駛照的特征上具有顯著性差異（p<0.05），而子市場2和子市場3在性別、年齡、教育程度、個人月收入、家中是否有孩子、是否有公交卡、是否有公共自行車卡方面的差異性并不顯著。

子市場1是低碳出行者，相比整個出行市場，這類通勤者的年齡更多集中在46歲以上，占比為20.97%，其教育水平較低，大多數(shù)（15.23%）集中在初中及以下水平，個人月收入在2000元以下的占比最大（27.59%），70.69%的通勤者沒有私家車，公交卡擁有率也最高（68.97%）。

子市場2是環(huán)保主義者，對比整個出行市場，這類通勤者年齡較為年輕，主要集中在26～35歲之間，占40.47%，且其受教育程度最高，具有大專及本科以上學(xué)歷的占66.98%，同時，20.43%個人月收入在6000元以上，占比最大，54.81%的通勤者有駕照，擁有私家車比例也最高（38.21%）。

子市場3是潛在市場轉(zhuǎn)移者，相比于整個出行市場，各年齡段通勤者分布相對均衡，教育水平相對較高，主要集中在高中、中專和大專及本科的文化程度，個人月收入主要集中在2000～4000元之間，收入相對較好，一半以上（63.81%）的通勤者家中有孩子。

4.2.3 細(xì)分子市場的實際通勤出行方式及出行特征

對各細(xì)分子市場內(nèi)實際通勤出行方式分析可知，實際低碳出行方式選擇比例與低碳出行選擇意愿具有一致性。低碳出行者中有87.93%的通勤者選擇步行或自行車、電動車、公交車或單位班車出行，占比最大；而環(huán)保主義者中低碳出行比例最?。?8.76%）；潛在市場轉(zhuǎn)移者中選擇低碳出行的比例為中等（78.16%）。各子市場內(nèi)實際通勤出行方式選擇比例與各市場內(nèi)通勤者出行態(tài)度相符合。

對不同細(xì)分市場內(nèi)出行者單程通勤距離分析可知，低碳出行者中有一半以上（52.59%）的出行者單程通勤距離在5公里以內(nèi)，而環(huán)保主義者的單程通勤出行距離在6～15公里所占比例較大（54.82%），這可能是導(dǎo)致其低碳出行意愿較低的一個原因。潛在市場轉(zhuǎn)移者單程通勤距離主要集中在0～10公里之間（75.51%）。從出行時耗來看，各子市場通勤者單程出行時耗在0～30分鐘以內(nèi)所占比例高達(dá)80%以上（分別為83.90%、82.91%和82.37%）。

4.3 提高低碳出行相關(guān)建議

由于不同細(xì)分子市場中通勤者出行態(tài)度偏好存在較大差異，則需要根據(jù)不同出行需求制定不同的交通需求管理策略，引導(dǎo)和調(diào)控通勤者選擇低碳出行方式，提高低碳出行比例，實現(xiàn)具有可持續(xù)發(fā)展的交通運輸系統(tǒng)。

低碳出行者，由于收入水平偏低，對于出行方式選擇更多考慮出行費用的高低，而低碳出行方式（如步行、自行車、公交車等）的費用相比其他出行方式費用要低，同時這也是低碳出行的優(yōu)勢所在。所以，低碳出行成為這類通勤者的首要選擇。雖然這類通勤者已是低碳出行者，但還應(yīng)該充分關(guān)注這類群體，為他們低碳出行做好保障，提高他們對低碳出行的舒適度和滿意度。對于他們公交乘車時，應(yīng)該提供更多優(yōu)惠政策，如換乘優(yōu)惠政策；推廣多種類型公交IC卡（如月卡，年卡）等。此外，還應(yīng)該注重公交服務(wù)水平，提高公交出行的便利性，準(zhǔn)點率和舒適性，增加他們對公交服務(wù)的滿意度。為了低碳出行的真正實現(xiàn)，政府應(yīng)注重慢性交通的發(fā)展，改善步行街道和非機(jī)動車道設(shè)施，提高舒適度，保障其安全性；還應(yīng)該大力推廣公共自行車，公共自行車卡的擁有率較低（22.41%），需要升級改造公交卡，實現(xiàn)公交卡與公共自行車卡雙向互通；建設(shè)公共自行車的設(shè)施，提高自行車出行的安全性、舒適性，這樣才能更好地服務(wù)于這類群體。

環(huán)保主義者，具有較高教育水平，有一定社會和經(jīng)濟(jì)地位，且收入水平較高，在追求舒適性、靈活性、準(zhǔn)時性方面要求較高，且私家車擁有率較高，使得更容易選擇小汽車出行。對于此類人群如果只是單純依靠限制小汽車使用政策，起不到良好效果。因此，政府需要加大對新能源車的研發(fā)力度，鼓勵相關(guān)企業(yè)和部門加強(qiáng)低碳、綠色交通出行技術(shù)的研發(fā)，開發(fā)出更多節(jié)能環(huán)保的交通工具，制定合理價格，保證質(zhì)量，鼓勵其購買新能源車。

潛在市場轉(zhuǎn)移者沒有較強(qiáng)的出行態(tài)度偏好，低碳出行意愿中等，是低碳出行的主要目標(biāo)市場。容易受到政策、后悔期望、主觀規(guī)范的影響，缺乏環(huán)保意識，對小汽車持有友好態(tài)度。針對此類通勤者，應(yīng)該加大低碳出行宣傳力度，增強(qiáng)居民環(huán)保意識，強(qiáng)化居民保護(hù)環(huán)境責(zé)任感；合理制定小汽車使用政策；大力推行“公交優(yōu)先”政策，提高公共交通的服務(wù)水平，體現(xiàn)公共交通的便利性、安全性、舒適性等優(yōu)勢，增加公共交通吸引力；改善公交與其他交通的接駁，實現(xiàn)公共交通一體化，通過實施這些措施，使得此類通勤者向低碳出行方式轉(zhuǎn)變。

5 結(jié)論與啟示

本研究根據(jù)調(diào)查問卷，采用因子分析方法對25個出行態(tài)度觀測變量進(jìn)行降維，得到低碳出行意愿、政策影響、后悔期望、主觀規(guī)范、環(huán)保意識、對小汽車的態(tài)度6個公因子，將這6個公因子作為新的變量，以公因子得分為依據(jù)，通過K-means聚類分析法進(jìn)行市場細(xì)分后研究各細(xì)分子市場的交通需求管理策略。主要研究結(jié)論包括兩個方面：（1）低碳出行市場被細(xì)分為低碳出行者、環(huán)保主義者和潛在市場轉(zhuǎn)移者三類，各細(xì)分子市場內(nèi)通勤者的出行態(tài)度偏好存在顯著差異，需要分別制定有針對性的交通政策。此外，潛在市場轉(zhuǎn)移者比例最多，是低碳出行的主要目標(biāo)市場，交通管理者和政策制定者應(yīng)該充分重視這一目標(biāo)市場。（2）盡管出行者可能具有相同或相似的某項態(tài)度偏好，但其出行行為會有所差異。如低碳出行者和環(huán)保主義者均有較好的環(huán)保意識，然而環(huán)保主義者的低碳出行意愿卻很低。這是因為出行行為決策是出行者若干項態(tài)度偏好的綜合體現(xiàn)，而非某一項或兩項偏好所能決定的。

本研究不僅有助于理解不同通勤者低碳方式選擇偏好差異形成的內(nèi)在原因，而且對制定相應(yīng)的交通需求管理政策以引導(dǎo)低碳出行方式選擇具有指導(dǎo)意義。本文采用市場細(xì)分方法對低碳出行市場進(jìn)行劃分，今后還可以嘗試采用潛在類別模型對低碳出行選擇行為進(jìn)行細(xì)分，對比分析兩模型的出行需求預(yù)測精度，從而提高市場劃分精度。此外，還可以選擇不同的出行態(tài)度進(jìn)行市場細(xì)分分析，如出行者對低碳出行的滿意度和忠誠度，能夠幫助交通管理部門了解目前低碳出行的現(xiàn)狀，剖析存在的問題，從而有針對性地改進(jìn)低碳出行服務(wù)質(zhì)量，制定有效的交通需求管理策略。

參 考 文 獻(xiàn)：

[1]鄭思齊，霍燚.低碳城市空間結(jié)構(gòu)：從私家車出行角度的研究[J].世界經(jīng)濟(jì)文匯，2010，（6）：50-65.

[2]王光榮.城市居民低碳出行研究[J].城市觀察，2011，12（2）：174-178.

[3]陳團(tuán)生.通勤者出行行為特征和分析方法研究[D].北京：北京交通大學(xué)，2007.

[4]雋志才，李志瑤，宗芳.基于活動鏈的出行需求預(yù)測方法綜述[J].公路交通科技，2005，22（6）：108-113.

[5]Palma A， Rochat D. Mode choice for trips to work in geneva： an empirical analysis[J]. Journal of Transport Geography， 2000， 8（1）： 43-51.

[6]殷煥煥，關(guān)宏志，秦?zé)?，?基于非集計模型的居民出行方式選擇行為研究[J].武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2010，34（5）：1000-1003.

[7]陳堅，晏啟鵬，楊飛，等.出行方式選擇行為的SEM-Logit整合模型[J].華南理工大學(xué)學(xué)報（自然科學(xué)版），2013，41（2）：50-57.

[8]周錢，李一，孟超，等.基于結(jié)構(gòu)方程模型的交通需求分析[J].清華大學(xué)學(xué)報（自然科學(xué)版），2008，（5）：879-882.

[9]嚴(yán)海，王熙蕊，梁文博，等.基于結(jié)構(gòu)方程模型的通勤交通方式選擇[J].北京工業(yè)大學(xué)學(xué)報，2015，（4）：590-596.

[10]Bristow A L， Tight M， Pridmore A， et al.. Developing pathways to low carbon land-based passenger transport in Great Britain by 2050[J]. Energy Policy， 2008， 36（9）： 3427-3435.

[11]Bongardt D， Breithaupt M， Creutzig F. Beyond the fossil city： towards low carbon transport and green growth[R]. United Nations Centre for Regional Development， Bangkok， Thailand， 2010.

[12]Edward L G， Matthew K. The greenness of city[J]. Rappaport Institute Taubman Center Policy Briefs， 2008， （3）： 1-11.

[13]Salonen M， Broberg A， Kytt M， et al.. Do suburban residents prefer the fastest or low-carbon travel modes？ Combining public participation GIS and multimodal travel time analysis for daily mobility research[J]. Applied Geography， 2014， 53： 438-448.

[14]陳飛，諸大建，許琨.城市低碳交通發(fā)展模型、現(xiàn)狀問題及目標(biāo)策略——以上海市實證分析為例[J].城市規(guī)劃學(xué)刊，2009，（6）：39-46.

[15]劉麗亞.走低碳交通之路促城市可持續(xù)發(fā)展[J].綜合運輸，2010，（1）：29-32.

[16]金楠.大城市居民低碳出行方式選擇影響因素研究[D].重慶：重慶交通大學(xué)，2013.

[17]劉蔚.城市居民低碳出行的影響因素及引導(dǎo)策略研究[D].北京：北京理工大學(xué)，2014.

[18]柴彥威.中國城市的時空間結(jié)構(gòu)[M].北京：北京大學(xué)出版社，2002.

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

[20]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.

[21]Alon E， Shlomo B. Car-rider segmentation according to riding status and investment in car mobility[J]. Transportation Research Record： Journal of the Transportation Research Board， 2004， （1894）： 109-116.

[22]Anable J.‘Complacent car addictsor ‘a(chǎn)spiring environmentalists？ Identifying travel behavior segments using attitude theory[J]. Transport Policy， 2005， 12（1）： 65-78.

[23]Hunecke M， Haustein S， Grischkat S， et al.. Attitude-based target groups to reduce the ecological impact of daily mobility behavior[J]. Journal of Environmental Psychology， 2010， 42（1）： 3-43.

[24]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.

[25]Pronello C， Camusso C. Travellers profiles definition using statistical multivariate analysis of attitudinal variables[J]. Journal of Transport Geography， 2011， 19（6）： 1294-1308.

[26]李志斌，楊晨，王煒，等.基于出行態(tài)度的自行車通勤出行市場劃分[J].東南大學(xué)學(xué)報（自然科學(xué)版），2012，（4）：784-789.

[27]Hair B J F， Black W C， Babin B J， et al.. Multivariate data analysis[M]. 6th ed. NJ： Pearson Education Inc.， 2010.

[28]Kaiser H F. An index of factor simplicity[J]. Psychometrika， 1974， 39（1）： 31-36.