共查询到18条相似文献,搜索用时 375 毫秒
1.
本文引入外部价值观念和行为习惯的扩展变量,构建基于计划行为理论的城际出行者方式选择框架.在调查样本通过信度和效度检验的前提下,为高铁/动车、普通列车、长途汽车和自驾车等4种出行方式分别建立多指标多因果(MIMIC)模型,分析不同出行方式下扩展计划行为理论中各心理变量间的相关关系,以及出行者属性对心理变量的影响.研究表明,在不同的出行方式下,出行者个人及家庭社会经济属性对部分潜变量有显著性影响;"安全态度"和"行为习惯"潜变量对方式选择意向或行为有着直接或间接显著影响.研究成果可为制定城际间交通需求管理政策和城际交通系统优化提供支撑. 相似文献
2.
3.
以粤港澳大湾区城市群的广深城际运输通道为例,分析城际运输通道中影响旅客出行方式选择行为的因素及其影响。传统的多项式Logi(tMNL)模型具有无关方案独立性,无法对不同出行者的选择偏好差异进行定量分析,故应用随机系数Logit模型分析城际交通出行选择行为。选取城际出行旅客的个人社会经济属性、心理潜变量(对交通方式舒适性、可靠性和便捷性的心理感受)、城际出行方式特征变量设计问卷。采用线上与线下相结合的方式开展问卷调查,共收集534份问卷,基于此建立并求解随机系数Logit模型。随机系数Logit模型估计结果的伪R2为0.178,表明模型具有良好的拟合度。研究结果表明:城际出行旅客的收入、职业、私家车保有情况、家庭儿童数量以及对出行方式便捷性的感知对其选择行为有显著影响;而出行方式的舒适性、可靠性对城际出行方式的选择行为影响不显著;改善交通方式的便捷性对提升城际出行方式的吸引力起关键作用。因此,在城际交通规划设计、运营管理中应着重考虑便捷性对城际交通方式选择带来的影响。 相似文献
4.
新冠肺炎疫情对旅客中长距离的城际交通出行影响巨大,现有研究侧重疫情暴发初期疫情对城际交通出行的影响,针对常态化疫情防控阶段旅客城际出行选择行为的研究相对较少,因此,本文旨在研究常态化疫情防控阶段旅客中长距离城际出行选择行为。针对民航、高铁、普铁和自驾等方式分别建立包含4种城际出行方式的多指标多因果出行选择模型(MIMIC),模型中引入感知防疫安全程度、防疫策略、乘车体验与出行习惯4个潜变量,探究潜变量与观测变量的因子载荷并辨识模型参数,求取各潜变量的拟合值;在此基础上建立考虑出行方式特性、旅客社会经济属性与潜变量的多出行方式联合选择行为模型(MIMIC-Logit),探究常态化疫情防控阶段旅客出行心理对其出行决策的影响;假设出行费用、时间与距离等变量的随机系数服从正态分布,采用抽样1000次的Halton序列对随机系数进行仿真求解,得到随机系数的回归分析结果。以2021年4月—6月到达西安旅客的调查数据为例进行实证研究,结果发现:所提MIMIC-Logit模型的拟合优度与命中率分别为43.621%与83.312%,均高于多项Logit模型与随机系数Logit模型;旅客对不同方式的出行费用、时间与距离的偏好具有异质性,且出行方式特性、社会经济属性与潜变量都对出行选择的效用有显著影响。弹性分析表明,当感知防疫安全程度与防疫策略提升了100%时,旅客选择民航出行的概率分别提升了23.207%与21.349%;而当乘车体验提升了100%时,旅客选择高铁出行的概率提升了18.229%。综上,所提方法揭示了潜变量对旅客出行选择行为的显著影响;通过提升感知防疫安全程度、防疫策略与乘车体验等手段,可以提升旅客选择高铁、民航出行的概率。 相似文献
5.
深入探究重大疫情对乘客公共交通使用行为和依赖性的影响,有助于针对性地改善公共交通服务质量和供需平衡情况。结合前景理论与计划行为理论,开展重大疫情时期SP/RP出行调查,从出行行为表现维度选取3个指标并利用k-means算法标定公共交通出行群体,从7个层面筛选公共交通依赖性内外部影响指标,采用结构方程模型构建重大疫情对乘客公共交通依赖性影响模型。结果表明,个体属性、出行环境和出行特征潜变量通过改变个体心理因素间接影响乘客公共交通依赖性,反映了乘客公共交通依赖性受主客观影响因素的共同作用;重大疫情下出行意向对公共交通依赖性的正向作用强度为0.36,低于常态化时的影响强度0.51;出行环境的正向影响效应较强,而个体属性影响效应较低且与公共交通态度和主观规范呈负相关性;此外,自行车可用性、是否途径风险区和出行强度影响度几乎不影响乘客公共交通依赖性;而防控政策了解度、主观规范变量和公共交通出行偏好的影响作用显著,反映了重大疫情时期在公共交通市场中社会促进效应与消费心理学中的模糊效应较为明显。 相似文献
6.
有限的交通方式选择使得老年群体出行的机动性、便捷性和可达性往往难以得到充分的满足,这会极大影响晚年生活的幸福感,为解决这一问题,针对老年群体的出行行为研究受到了广泛关注。自动驾驶汽车作为一种新兴出行方式,能够提高老年群体出行机动性,这一新兴出行方式得以普及的前提条件之一在于广大老年群体是否能迅速且广泛地接受。因此,在自动驾驶汽车大规模应用之前,研究老年群体对这一新兴技术的接受度对于未来提高老年群体出行质量具有重要意义。从行人和使用者2个角度,同时融合极具中国特色的面子意识等影响因素来探讨老年人(60岁及以上)对自动驾驶汽车的认知和接受度。从行人角度,进行了2种情景的假设,并采用有序Logistic回归分析态度、感知有用性、信任和感知风险等变量对自动驾驶汽车接受度的影响,结果发现信任对接受意向的影响最为显著,而感知有用性的影响并不显著。从使用者角度,采用结构方程模型探索面子意识等心理潜变量对自动驾驶接受意向的行为机理,结果表明态度、感知有用性、感知风险和面子意识等对使用意向都有显著影响,而对行人影响显著的信任因素对使用者影响却并不显著。研究成果能够为自动驾驶汽车企业推出老年群体相关出行服务提供一定的科学依据,同时也为政府相关政策的制定提供理论依据。 相似文献
7.
《公路交通科技》2017,(9)
为深入解析低碳出行行为机理,提出了将低碳心理变量引入离散选择模型的研究方法。基于计划行为理论考虑低碳出行心理因素,建立了多原因多指标潜变量模型。将潜变量模型预测后的潜变量代入多项Logit模型,构建了带低碳出行心理变量的混合选择模型。以镇江市居民通勤调查样本为研究对象,实证结果表明:相对传统离散选择模型,所建的混合选择模型预测精度整体提高了2.45%;低碳心理变量对于出行方式选择的影响各不相同,低碳出行方式"行为态度"对出行方式选择没有显著性影响,而高碳出行方式"行为态度"对低碳出行有显著性负影响。通过对月收入的敏感性分析检验模型性能,结果显示:随着收入的增长,低碳出行方式占比逐渐降低,其他两种方式占比变化相反,在考虑低碳心理因素后,高碳出行方式占比上升幅度降低。 相似文献
8.
《道路交通与安全》2021,(4)
为了从社会心理学层面更为深入地挖掘共享自行车出行与小汽车出行之间的交互影响作用,本研究基于网络调查数据分析了共享自行车用户人口统计属性、转移方式来源、出行方式组合模式、出行目的及出行频率等特征,并构建了共享自行车与小汽车使用行为交互影响的结构方程模型.研究结果显示:共享自行车使用障碍(如共享自行车车辆不足等)会减少共享自行车的使用,而小汽车使用障碍(如小汽车停车费用升高及停车不便等)不仅会减少小汽车的使用,也会在一定程度上促进共享自行车的使用,并且小汽车使用障碍对共享自行车使用意愿产生的影响大于共享自行车使用障碍产生的影响.因此,在短距离出行中小汽车使用相关管理对策的制定尤为重要.研究结论为促进绿色交通出行相关对策的制定提供了借鉴. 相似文献
9.
10.
为提高城市中心商务区电动自行车出行效率与减少电动自行车事故率,分析电动自行车出行路径影响因素,然后通过视认性分析,采用实地视觉模拟实验,研究版面内容及颜色、文字规格、版面尺寸等电动自行车出行诱导屏设计要素,进而参考警告标志前置距离公式,提出交叉口上游诱导屏布局方法,最后以福州市宝龙商务区为实例,采用模型计算与问卷调查进行研究成果试算及验证.验证结果表明,多于50%的驾驶员将留意电动自行车出行诱导屏,76.56%的驾驶员可理解诱导屏图符含义.可见研究成果有利于电动自行车交通诱导,从而改善城市中心商务区交通组织状况. 相似文献
11.
12.
13.
为探究公交站台区域进出站台行人与电动自行车发生冲突时,双方的通行策略选择机制,建立行人与电动自行车通行时间延误模型,分析2类出行者选择是否通行或穿越策略的时间收益,利用复制动态方程刻画2类出行者通行策略的博弈学习行为,建立该区域2类出行者之间的冲突演化博弈模型,结合稳定性分析可以得到该区域2类出行者发生冲突时的稳定通行选择策略。利用桂林市6个公交站台区域的实测数据对演化博弈模型进行实证分析,结果表明:选择“通行”策略的行人群体比例越大,其过街安全感越高;发生冲突时,电动自行车做出决策的时间较行人更短,且2类出行者分别做出“通行”或“穿越”的决策时间短于做出“等待”或“减速”的决策时间,电动自行车平均用时减少约23%,行人平均用时减少约24%。 相似文献
14.
电动自行车的普及,在给交通参与者带来出行便利的同时,也给道路交通安全和交通秩序管理带来了一系列问题。主要以杭州市的电动自行车发展和交通管理现状为例,探讨如何从源头管理方面以合法、合理的手段解决电动自行车发展带来的问题。 相似文献
15.
16.
17.
针对我国机动车与非机动车混合行驶、相互干扰的混合交通机制,把机动车和非机动车的相互影响因素考虑到交通阻抗函数中,在此基础上,建立混合交通UE分配模型及其算法。最后,将该算法运用到云南省保山市隆阳区的局部路网中。 相似文献
18.
为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析。研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施与土地利用性质来看,道路周围公交站地铁站出口数量及餐饮、公司、购物等设施数量与逆行频次呈现非线性影响关系,在一定范围内设施数量与逆行行为存在正影响作用;从道路条件来看,过街通道间距在50~400 m时不易发生逆行,在非机动车道无物理隔离设施或过街通道间距在400~600 m时容易发生逆行,间距大于600 m时作用不稳定;从路段机非分隔形式来看,护栏分隔的逆行概率较低,绿化带分隔的逆行概率较高;从交通状态来看,当骑行速度、加速度较低或较高时与逆行行为负相关,当骑行速度在6~16 km·h-1及加速度在0.3~1.0 m·s-2时与逆行行为正相关。研究成果可为共享电动自行车风险骑行行为辨识、非机动车交通安全管理提供有效的技术支持。 相似文献