社交网络交通信息出行者使用意向分析模型

李 睿， 陈 坚*， 赵翰林， 陈 琦

(1.重庆交通大学交通运输学院， 重庆 400074； 2.重庆城市交通研究院有限责任公司， 重庆 401121； 3.日本九州大学人类环境研究生院， 福冈 8190395)

随着信息技术的发展与智能终端设备的普及，社交网络已逐渐成为人们获取、传播信息的重要服务平台。社交网络作为一种新型信息分享渠道，较传统非对称式信息发布渠道(电视、广播等)具有明显的优势，主要表现在信息的多样性、即时性以及交互性，使得城市居民决策进入了多维的信息环境，对其日常生活及出行产生着重要影响。

社交网络起源于1967年哈佛大学心理学教授Milgram[1]提出的六度分隔理论，描述了人际关系网之间的相互影响作用，后逐渐应用于交通出行研究领域。Hackney等[2]基于代理的方法研究了社交网络在出行决策中的作用；Berg等[3]分析了社交网络规模和成员构成对出行模式的影响；João等[4]通过网络调查探讨了电信技术与社交网络媒体使用、出行行为之间的关系。近年来，研究者们的关注点逐渐从社交网络本身转变为其所传播的交通信息如何影响出行者的出行决策行为。社交网络交通信息涉及在出行过程中基于社交网络平台接收到的路况信息、事故信息、天气信息等交通系统中的各类信息，并由出行者进行定性或定量地发布与传播，已逐渐成为出行决策行为的重要影响因素。Chen等[5]运用层次聚类分析探索了信息使用、社交网络与出行者合作意识之间的关系；傅志妍等[6]基于技术接受理论构建了融合社交网络交通信息影响的出行方式选择行为混合离散模型；张兆泽等[7]探讨了社交网络交通信息对出行时刻选择行为的影响；刘天亮等[8]分析了社交网络朋友圈交通信息对出行决策行为的影响；戢晓峰等[9]基于后悔理论建立了社交网络分享型交通信息的用户价值评估模型。

目前，已有研究多集中在社交网络交通信息对出行决策行为的影响作用分析，而出行者对社交网络交通信息的主观态度尚未明确，缺少从出行者的心理感知角度定量探索其对社交网络交通信息的使用意向。为此，基于技术接受模型，新增感知趣味性、感知风险性等核心潜变量，并对潜变量进行了量化，以具体描述出行者对社交网络交通信息的心理感受，构建了社交网络交通信息使用意向分析模型，为社交网络交通信息对出行决策行为影响研究提供前提参数及理论依据。

1 技术接受模型

1.1 TAM

Davis[10]于1989年以理性行为理论的基础，结合期望理论模型、自我效能理论提出了技术接受模型(technology acceptance model, TAM)。TAM解释了感知有用性、感知易用性、使用意向等核心变量的概念，认为系统使用意向受个人的态度影响，而态度又由感知有用性与感知易用性所决定，且感知易用性对感知有用性也具有直接影响。TAM包含着系统设计特征、用户个人属性特征等外部变量，外部变量会间接影响用户的使用意图和行为。TAM首次将理性行为理论应用于技术接受研究领域，并对态度、使用意向、使用行为等核心变量之间的作用关系有着一定的解释力，模型框架如图1所示。

图1 TAM模型框架Fig.1 TAM model framework

1.2 TAM2

Venkatesh等[11]于2000年对TAM予以修正，拓展分析了感知有用性与使用意向的影响因素，进而提出了TAM2。TAM2将影响因素分为社会影响与认知工具两部分，社会影响包括主观规范、使用者形象、经验和自愿性4个变量，认知工具涵盖工作相关性、输出质量、结果展示性和感知易用性4个变量。TAM2认为自愿性对主观规范和使用意向之间的影响关系具有调节作用，经验对主观规范与使用意向之间的影响关系以及主观规范与感知有用性之间的影响关系也存在调节作用，而其余变量对感知有用性或使用意向产生直接影响作用[12]。TAM2深入分析了用户使用意向及使用行为的形成过程，较TAM具有更强的解释力，后被广泛应用于社会行为、学习行为、商业行为等研究领域，TAM2模型框架如图2所示。

图2 TAM2模型框架Fig.2 TAM2 model framework

2 使用意向分析模型

2.1 研究假设

在TAM与TAM2的基础上，综合考虑社交网络交通信息的特点，保留TAM、TAM2模型中的原有核心变量感知有用性、感知易用性、主观规范与使用意向，并根据原模型中的既有路径影响关系提出研究假设H4～H7、H9。

社交网络交通信息作为一种新型交通信息，出行者会对其娱乐程度、风险程度、信任程度有一定的主观认知评判，结合感知趣味理论、感知风险理论以及感知信任理论，新增变量感知趣味性、感知风险性及感知信任3个潜变量以细化描述出行者对社交网络交通信息的态度及心理感受，并提出假设H1～H3、H8、H10～H12，从而构建了社交网络交通信息使用意向分析模型。具体假设内容如表1所示，模型框架如图3所示。

2.2 变量定义及测度

采用李克特5点评分量表设计问卷测量题项，以测度研究假设所提出的7个潜变量，描述出行者对社交网络交通信息的心理感受。具体变量定义如表2所示，变量测量题项如表3所示。

表1 研究假设

表2 变量定义

表3 变量测度

2.3 数学模型

模型中的变量均为不可直接观测的潜变量，需以显变量(测量变量)对潜变量进行测度，并利用结构方程模型进行数学分析。结构方程模型包括测量模型与结构模型，测量模型用以描述潜变量与其观测变量之间的作用关系，而结构模型则用以描述外生潜变量与内生潜变量之间的作用关系。

(1)测量模型：

(1)

(2)

式中：X为2个外生潜变量的6个测量变量构成的向量；ΛX为X对ξ的因子载荷矩阵；ξ为2个外生潜变量构成的向量；δ为X的6个测量误差构成的向量；Y为5个内生潜变量的17个测量变量构成的向量；ΛY为Y对η的因子载荷矩阵；η为5个内生潜变量构成的向量；ε为Y的17个测量误差构成的向量。

(2)结构模型：

(3)

式(3)中：η为5个内生潜变量构成的向量；B为5个内生潜变量构成的结构系数矩阵；Γ为2个外生潜变量对5个内生潜变量作用的结构系数矩阵；ξ为2个外生潜变量构成的向量；ζ为5个内生潜变量的误差向量。

2.4 模型求解及检验

运用AMOS软件对模型进行求解，通过对比分析理论模型的协方差矩阵与实际样本数据得到的协方差矩阵的差异性来检验模型的拟合优度，差异性越小则拟合优度越好，模型反应的相关关系越接近真实的相关关系。

拟合优度检验指标包括：卡方自由度比(χ2/df，要求χ2/df<3.0)、近似误差均方根(error of approximation, RMSEA；要求RMSEA<0.05)、拟合优度指数(goodness of fit index, GFI;要求GFI<0.9)、规范拟合指数(normed fit index, NFI；要求NFI>0.9)、比较拟合指数(comparative fit index, CFI；要求CFI>0.9)、增值拟合指数(incremental fit index, IFI；要求IFI>0.9)、调整自由度拟合优度指数(adjusted goodness of fit Index, AGFI；要求AGFI>0.9)[13]。

3 实证分析

3.1 问卷统计信息

结合社交网络交通信息的特点设计调查问卷，于2018年10月在重庆发放问卷500份，剔除不认真作答、缺失值超过3个，连续选择极端值超过5个的样本，最终共回收有效问卷468份，有效回收率93.60%，问卷统计信息如表4所示。

3.2 信度和效度分析

采用验证性因子分析(CFA)检验正式问卷的信度和效度，计算结果如表5、表6所示。由表5、表6可知，各潜变量的组合信度(CR)均大于0.7，表明模型变量的内部一致性较高；各潜变量测量题项的因子载荷均大于0.6，平均方差抽取值(AVE)均大于0.5，表明模型具有较好的聚合效度；各潜变量的AVE值均大于与其他变量的相关系数的平方，表明模型的区别效度较好。综合以上分析，模型的信度与效度良好，计算结果可被接受。

3.3 结构方程模型验证

运用AMOS软件进行拟合优度检验及路径分析。模型拟合优度检验指标计算结果如表7所示，除CFI略低于标准值外，其余指标均达到适配标准，模型的总体拟合优度良好，计算结果可接受。结构模型中各潜变量之间的标准化路径系数及假设检验结果如表8所示，除感知趣味性与感知有用性之间的影响关系不够显著外，其余变量之间的影响关系均达到95%置信度的显著性(P<0.05)，故假设H2不成立，其余关于潜变量的假设均成立，结果如图4所示。

3.4 影响作用分析

直接效应反映潜变量之间的直接影响程度，直接效应通过其路径系数来测量；间接效应则是潜变量间的间接影响，间接效应为各影响路径的系数之积，若存在多条间接影响路径，则需求和处理。

表4 问卷统计信息

表5 验证性因子分析结果

表6 区别效度分析结果

表7 结构方程模型拟合优度检验指标

表8 标准化路径系数及假设检验结果

各潜变量对使用意向的影响效应如表9所示，除感知有用性与感知信任对使用意向仅产生直接影响外，其余潜变量对使用意向均产生直接影响和间接影响。各潜变量对使用意向的影响总效应按从大到小依次为：感知易用性(0.48)、感知有用性(0.46)、主观规范(0.44)、感知风险性(-0.41)、感知趣味性(0.37)、感知信任(0.31)。

表9 各潜变量对使用意向的影响效应

4 结论

在技术接受模型的基础上，新增了感知趣味性、感知风险性等核心潜变量，以描述出行者对社交网络交通信息的心理感受，构建了社交网络交通信息使用意向分析模型，并运用结构方程模型将各变量对使用意向的影响关系进行了定量分析，为社交网络交通信息对出行行为的决策过程研究提供了前提基础。实例分析表明，该模型对重庆市出行者具有较好的适用性，能够有效揭示不同影响因素对社交网络交通信息使用意向的作用机理，但不同城市、不同社会群体的出行者特性对社交网络交通信息使用意向的差异性有待进一步研究。

图4 实证分析结果Fig.4 Empirical analysis results