基于活动的城市老年人出行行为特征及其关联性研究——以昆明市为例

董仁，韩刚，李琳，韩汶

(1.昆明理工大学交通工程学院，昆明650500;2.湖北宜昌交运集团股份有限公司，湖北宜昌443000)

0 引言

2014年，中国60岁以上老龄人口已经达到2.12亿，老龄化水平达到15.5%［1］，伴随着老年人口增长高峰的到来，老年人群出行也给城市交通带来新的、更大的压力。因此，对老年人出行行为特征的研究，有助于理解和掌握老年人的出行规律，为城市交通系统以及相关决策提供科学依据。

率先进入老龄化社会的国家，经济比较发达，老年人原本大多拥有驾照，出行的机动化水平较高，但随着年龄增长，不宜驾车的老年人离开家到户外活动的能力开始降低，因此，对老年人出行问题的研究，主要聚焦在驾驶安全与出行机动性保障问题上。S.Rosenbloom［2］、R.Alsnih等［3］研究发现，随着年龄增长，老年驾驶人面临反应迟钝、视力以及听力下降等问题，一部分老年人将不再适宜驾车出行，导致其户外活动能力逐渐减弱，提出应按老年人群不同年龄段分别研究应对之策。A.Siren等［4］研究表明，经济收入较低对老年人出行行为的影响程度高于对通勤人群出行行为的影响。G.Giuliano等［5］、F.M.Su等［6］研究发现，由于对小汽车的依赖性很强，加之公共交通服务水平有限，导致老年人较少采用公共交通出行，对于不再驾车的老年人，为其出行提供门到门的需求响应式公交服务尤为重要。

中国进入老龄化社会以后，学者对老年人交通问题的研究主要依据城市综合交通调查数据，统计分析出行时空特征以及对出行选择行为的研究。毛海虓等［7］、张政等［8］、夏晓敬等［9］统计分析了老年人群外出活动空间分布、出行行为特征及个人、家庭属性对其出行特征的影响。陈团生等［10］通过构建非集计模型分析了老年人出行选择行为的影响因素。由于缺乏专项调查研究，因此，没有老年群体日常活动特征与伴生出行的关联信息。随着研究的多学科化，地理学的相关研究方法被引入到城市老年人日常活动的研究中，柴彦威等［11］、李昌霞等［12］研究了老年人购物出行时空间结构特征及购物地认知评价对出行选择的影响;张纯等［13］等采用时间地理学方法研究了不同个人、家庭属性老年人日常活动路径的时空特征差异。地理学研究方法的引入推动了城市老年人出行行为研究朝向活动分析的转变，启发了对老年人活动与出行特征参数间关联性的深入研究。

由于生活方式差异较大，国外老年人出行行为研究成果对于国内的可借鉴性不大，而国内的研究沿袭了城市居民出行行为研究思路和出行调查数据，采用统计分析方法，没有包含活动的信息，不能解释老年人不同活动的出行特征。对昆明市近几年老年人公交优惠IC卡刷卡记录的大量数据分析［14］发现，由于没有出行目的信息，难以建立出行特征参数间的联系，也难以为本源性的出行行为机理研究提供可靠依据。由于养老生活方式与一般城市居民的本质性差异，加之老年人特有的生理、心理的同质性变化特征，个人及家庭属性差异对出行行为的影响明显减弱，而活动特征的差异成为影响老年人出行行为的重要因素。

基于以上认识，本研究摒弃了以往的研究模式，将养老生活方式中日常活动基本特征纳入出行行为的研究范围，分析活动—出行行为特征，引入结构方程模型分析方法，探寻城市老年人活动特征与出行行为特征变量间的关联性，客观地反映个人及家庭属性差异、日常活动特征、出行行为特征等变量间的多元、复杂关系，揭示老年人活动—出行行为潜在变量与观察变量间相互影响的路径与效应值。基于活动的出行特征参数间的量化关系研究成果可以为城市老年人出行行为机理研究提供可靠依据。

1 城市老年人日常活动出行行为特征

1.1 研究地区与数据来源

城市老年人出行问卷调查于2013年9月13日至15日每天不同时段、在昆明城区三环路以内和近郊区的公园、医院、超市等城市老年人较为集中的地点进行，随机抽样调查老年人的个人和家庭属性，以及调查日前一天的活动—出行信息(涵盖星期四至星期六)。调查共发放449份问卷，回收有效问卷407份，有效率90.6%。统计分析中，还对其中54份问卷进行了追踪访谈，占有效问卷的13.3%。

问卷调查主要包括四部分:个人及家庭基本属性、居住地特征、调查日前一天出行情况。个人及家庭基本属性征包括性别、年龄、有无公交老年卡、学历、退休前职业、家庭代际结构及居住状态、个人及家庭月收入、交通工具拥有情况等内容;居住地特征包括周边休闲、购物设施拥有情况;调查日前一天出行情况包括出行时段、出行目的、出行起讫点、出行方式等特征(表1)。

1.2 出行行为特征

1.2.1 出行率与活动类型。本研究的有效样本中老年人一日出行总计624次(不计回程)，人均出行1.53次/d。根据已有研究的划分，日常活动可分为生存类活动、生活维持类活动及休闲类活动［15］。城市老年人日常活动以休闲、生活维持类活动为主，休闲类主要包括日常休闲娱乐、走亲访友等活动，生活维持类活动以购物、就医、接送儿童为主，仅少数老年人仍有工作出行。

1.2.2 出行方式。乘公交车和步行是城市老年人最主要的出行方式(图1)。参与休闲活动会更多地选择公交出行，而购物活动则明显地偏向步行方式。老年人休闲活动目的地选择范围较广，选择公交方式是休闲出行机动性与便捷性的内在需求;老年人购物活动通常就近选择目的地，灵活的步行方式更为适宜。

1.2.3 出行距离。城市老年人总体出行距离集中在5 km以内，大于5 km的出行比例随距离增加呈显著下降趋势(图2)。在1.5 km出行范围以内，购物活动的比例明显大于休闲活动。超过1.5 km范围的出行距离分布较广，休闲出行所占比例较大，购物活动随距离增加出行比例下降显著。表明老年人购物出行以1.5 km范围内为主，而休闲活动趋于更远距离的出行。

1.2.4 出发时刻。调查显示，城市老年人出行分别集中在上午8:15—9:15和下午13:15—14:15这2个时间段(图3)。早高峰特征显著，而下午出行并没有形成典型的高峰特征。

表1 调查对象基本信息统计表Tab.1 Statistics of basic information of participants

图1 出行方式分布Fig.1 Distribution of travel mode

统计分析表明，总体上城市老年人日常活动出行行为特征与通勤交通有显著差异;老年人不同活动的出行方式、时空间选择等出行行为特征也存在显著差异。因此，有必要借助量化关系模型分析手段，进一步探究老年人出行行为特征的影响因素及特征变量间的关联性。

图2 出行距离分布Fig.2 Distribution of trip distance

图3 出发时刻分布Fig.3 Distribution of departure time

2 城市老年人出行行为特征关联性分析

采用结构方程模型(structural equation modeling，SEM)分析城市老年人出行行为特征的关联性。SEM由测量模型和结构模型组成。测量模型主要处理观测指标与潜变量间的关系，通过验证性因子分析对测量模型进行信度与效度检验和拟合度评估。结构模型用来评估潜变量间的相互关系，即潜变量间的路径分析［16］。结构方程模型有助于分析城市老年人日常活动出行行为特征外生变量、内生变量、观测变量间的量化关系。

2.1 特征参数关联性理论假设

结构方程模型的构建通常需要结合已有研究成果进行理论假设，并借由可观测指标和建模分析验证理论假设与数据拟合程度，从而得到各变量间的关联性作用机理。基于已有研究成果以及对老年人养老生活基本特征的认识，本研究假设个人及家庭属性是城市老年人活动—出行行为的潜在影响因素，会对其日常活动、出行决策产生影响;出行行为中的各类选择行为受日常活动影响的同时，其变量间也会相互产生影响。根据以上假设构建理论模型，通过模型运算分析城市老年人属性、活动因素与出行行为及特征参数间的关联性。

2.2 特征变量选取

根据结构方程的理论及相关研究［17－19］，选取老年人的性别、年龄、学历、退休前职业、家庭代际结构、居住状态、个人月收入、家庭月收入、居住区位、交通工具拥有情况等观测变量作为模型初始准备的外生变量(表2)。

表2 外生变量解释Tab.2 Exogenous variable explanation

以出行目的表征出行者的日常活动特征，出发时刻选择、出行方式选择以及出行强度变量用于表征出行行为特征，用这4类变量作为模型初始准备的内生变量，包括老年人出行目的、出发时刻、出行方式和出行强度4个内生变量组(表3)。由于老年群体的特殊性，活动的出行距离与最长出行持续时间往往能反映其出行强度，因此，选择这2个参数与出行频率共同构成出行强度的观测变量。

表4是利用SPSS统计分析软件对模型内生变量、外生变量的各观察变量进行的相关性检验。外生变量“性别X1”、“居住区位X9”，内生变量“是否去医院Y4”、“是否自行车方式Y13”与其他变量相关性较低(相关系数小于0.3)，它们的作用可能已被其他变量替代，根据结构方程模型对变量间相关性的要求，同时考虑到样本量和变量数量之间的关系，为了简化模型，剔除了这4个观察变量。

表3 内生变量解释Tab.3 Endogenous variable explanation

2.3 参数估计

应用AMOS 20.0软件，对理论模型进行运算，得出了模型的标准化参数估计(图4)。

2.4 模型评价

根据图4中结构方程模型各潜在变量间的参数估计，得出模型的适配度指标近似均方根残差RMSEA=0.065＜0.080，规准适配指数NFI=0.904＞0.900，表明所建模型的数据拟合度良好。

2.5 老年人出行行为特征关联性分析

图4中的特征变量效应值表明，老年人的年龄、学历、退休前职业、个人月收入等个人属性以及家庭代际结构、居住状态、家庭月收入、交通工具拥有等家庭属性对其出行目的选择、出发时刻选择、出行方式选择及出行强度并无显著影响。而老年人购物、休闲、探亲访友等日常活动对其相应的出行方式选择、出行强度均具有较为显著的影响。城市老年人休闲、购物等出行是其日常活动的伴生行为，活动的差异对出行行为产生了不同影响，这与总体特征分析中所得到的不同活动中老年人出行行为特征具有显著差异的结论相吻合。

表4 观察变量相关性检验Tab.4 Correlation test of observed variables

图4 模型标准化参数估计Fig.4 Standardized parameter estimation of SEM

图4中的特征变量效应值也表明，老年人群与通勤人群出行行为的影响因素及行为特征并不相同。我国城市老年人使用公共交通的比例很高，个人和家庭属性对老年人出行行为影响较小。赋闲的生活状态使得大多数老年人有较多时间可自由支配，其出行对时间不敏感，且日常活动主要受到个人偏好和身体条件影响。在一定年龄阶段，一方面，老年人生理、心理特征具有较强的同质化特性，弱化了个人及家庭属性的影响;另一方面，由于昆明市实行60岁以上老年人乘坐公共汽车免费的政策，以及城市区域内各类公园、广场等休闲场所均对老年人实行免费或较低收费，都使得老年人对于使用大众休闲活动场所的出行基本不受个人支付费用的制约。

图4中的特征变量效应值还表明，模型各内生潜变量之间有较为显著的相互影响。为了更加直观、清晰地了解内生潜变量各观察变量之间的影响，显示各类出行选择行为间的相互作用，可通过各内生变量组的直接效应路径图加以分析说明。

2.5.1 出行目的影响效应分析。出行目的内生变量组的直接影响效应路径见图5。图中对影响效应小于0.15的值不予显示(下文做同样处理)。

图5 出行目的影响效应路径Fig.5 The direct effect of travel purpose

从图5可以看出，上班变量对购物和休闲2个变量的直接影响效应分别为－0.256，0.239，说明老年人“上班”目的会对其“购物”目的产生抑制作用，但却会增加“休闲”活动出行。接送小孩变量对购物和休闲2个变量的影响效应分别为0.274，－0.256，说明“接送小孩”活动会增加“购物”活动出行，同时抑制“休闲”活动出行。而购物变量对休闲变量的影响效应为－0.691，说明“购物”活动会对“休闲”活动产生较为强烈的抑制作用。实际上，退休后仍有工作的老年人往往较少承担家务类的责任，表现为购物活动较少。有接送小孩任务的老年人家庭代际结构通常是三代同堂，同时承担着购物等生活维持类的责任，休闲活动因此减少。休闲与购物是占据被调查老年人95%以上的出行活动，在时间占用上这2类活动具有较强的排他性。

老年人日常购物出行更偏向于选择步行交通方式(直接影响效应为0.225)，而非乘坐公交车(直接影响效应为－0.190)。统计分析表明，老年人购物出行的空间范围大部分集中于以家为中心1.5 km的范围内，适宜老年人选择步行方式。同时，购物活动对出行频率、最大出行距离、最长出行持续时间的影响效应分别为－0.193，－0.261，－0.262，说明老年人购物出行的次数较少，距离与出行时间偏短。

老年人休闲出行对公交车和步行方式的影响效应分别为0.177，－0.211，表明老年人的休闲活动更倾向于使用公交车方式，间接说明休闲目的地距离家较远。从出行强度来看，休闲活动对出行频率、距离以及出行持续时间的影响效应分别为0.180，0.244，0.245，与购物活动相比，老年人休闲活动的出行频率较多、出行距离以及出行持续时间均偏长，这是老年人休闲活动出行的显著特点。

2.5.2 出发时刻影响效应分析。出发时刻内生变量组直接影响效应路径见图6。从图6可以看出，出发时刻主要对出行方式产生较为显著的影响，具体表现为:早上6:15—8:15时间段，变量对应公交方式和步行的影响效应分别为－0.188，0.224，说明此时段出行的老年人更倾向于选择步行交通方式。现实生活中，由于老年人在此时间段出行目的多为休闲，尤其是晨练出行较为频繁(即使夏季，昆明的日出时间也在6:00以后)，因此，老年人较为热衷于选择步行方式至家附近的公园、绿地和广场等进行相关活动。而上午8:15—11:15时间段，变量对应公交车和步行方式的影响效应分别为0.221，－0.263，说明在上午时段，老年人更偏向于选择公交出行，亦反映出老年人的长距离出行大部分发生在此时间段。下午13:15—17:15时间段，变量对于公交方式和步行的影响效应分别为－0.143，0.170，说明下午时间段，老年人出行以步行为主。

图6 出发时刻影响效应路径Fig.6 The direct effect of departure time

从图6还可以看出，出发时刻变量组内3个观测变量间亦存有显著影响效应。具体为6:15—8:15时间段变量对8:15—11:15时间段变量直接影响效应为－0.594，8:15—11:15时间段变量对于13:15—17:15时间段变量相应影响效应为－0.452。说明3个连续时间段的出行具有相互排斥性。

2.5.3 出行方式影响效应分析。出行方式内生变量组直接影响效应路径见图7。从图7可以看出，选择公交车出行对于步行具有明显的抑制作用，其直接影响效应为－0.669，说明乘公交车出行的老年人由于出行距离较长等因素影响，步行方式往往不被采用。“公交车”变量对于出行频率、最大出行距离和最长出行持续时间3个变量的直接影响效应分别为0.174，0.236，0.236，说明选乘公交车的老年人偏向于经常性的出行，并具有远距离、长时间的出行特征。而“步行”变量对于最大出行距离和最长出行持续时间的直接影响效应分别为－0.281，－0.281，说明老年人步行方式偏向于近距离、短时间的出行。

图7 出行方式影响效应路径Fig.7 The direct effect of travel mode

2.5.4 出行强度影响效应分析。出行强度内生变量组直接影响效应路径见图8。从图8可以看出，出行强度变量组中出行频率、最大出行距离和最长出行持续时间3个变量有着强烈的正向相关性。在条件适宜的情况下，出行较为活跃的老年人进行长距离和长时间出行的概率较大，同时较长的出行距离也意味着老年人的出行持续时间随之提高。访谈调查表明，远离市中心的活动地往往环境较好、规模较大，相应地老年人活动持续时间也较长。

图8 出行强度影响效应路径Fig.8 The direct effect of travel intensity

3 结论

本研究调查分析了城市老年人日常活动出行行为的总体特征，应用结构方程模型对个人及家庭属性、日常活动特征、出行行为特征及其观测变量间的关联性进行建模分析，量化验证了老年人不同活动的出行行为特征参数具有显著差异，活动特征与伴生出行行为特征变量之间具有显著的关联性。

结构方程模型分析结果进一步表明:(1)个人及家庭属性差异对老年人出行行为的影响并不显著，而养老生活的活动特征对出行行为影响较强。表现为活动特征对出行方式和出行强度的显著影响。(2)老年人出行行为特征变量之间具有显著的关联性。一方面表现为出发时刻对出行方式具有显著影响，另一方面表现为出行方式选择与出行强度高度相关。

为了消除基于昆明城市老年人出行行为调查数据的地域性研究局限，还可以用更多城市的调查数据加以验证。

［1］国务院新闻办公室.2014年国民经济运行情况发布会［EB/OL］.(2015－01－20)［2015－05－18］.http://www.scio.gov.cn/xwfbh/xwbfbh/wqfbh/2015/20150120/index.htm.

［2］Rosenbloom S.Sustainability and Automobility among the Elderly:An International Assessment［J］.Transportation，2001，28(4):375－408.

［3］Alsnih R，Hensher D A.The Mobility and Accessibility Expectations of Seniors in An Aging Population［J］.Transportation Research Part A:Policy and Practice，2003，37(10):903－916.

［4］Siren A，Hakamies-Blomqvist L.Private Car as the Grand Equalizer?Demographic Factors and Mobility in Finnish Men and Women Aged 65+［J］.Transportation Research Part F:Traffic Psychology and Behaviour，2004，7(2):107－118.

［5］Giuliano G，Hu H H，Lee K.Travel Patterns of the Elderly:The Role of Land Use［R］.California:School of Policy，Planning and Development University of Southern California，2003:68－73.

［6］Su F M，Bell M G H.Transport for Older People:Characteristics and Solutions［J］.Research in Transportation E-conomics，2009，25(1):46－55.

［7］毛海虓，任福田.中国老年交通特征、问题与对策研究［J］.重庆建筑大学学报，2005，27(3):30－33.

［8］张政，毛保华，刘明君，等.北京老年人出行行为特征分析［J］.交通运输系统工程与信息，2007，7(6):11－20.

［9］夏晓敬，关宏志.北京市老年人出行调查与分析［J］.城市交通，2013，11(5):44－52.

［10］陈团生，岳芳，杨玲玲，等.老年人出行选择行为影响因素研究［J］.西南交通大学学报:社会科学版，2007，8(5):17－21.

［11］柴彦威，李昌霞.中国城市老年人日常购物行为的空间特征:以北京、深圳和上海为例［J］.地理学报，2005，60(3):401－408.

［12］李昌霞，柴彦威，刘璇.北京城市老年人购物决策过程中的评价性认知特征［J］.人文地理，2004，19(6):89－92.

［13］张纯，柴彦威，李昌霞.北京城市老年人的日常活动路径及其时空特征［J］.地域研究与开发，2007，26(4):116－120.

［14］昆明理工大学.昆明市老年人公交“爱心卡”需求管理决策咨询报告［R］.昆明:昆明市交通运输局，2011:33－43.

［15］Lu X D，Pas E I.Socio-demographics，Activity Participation and Travel Behavior［J］.Transportation Research Part A:Policy and Practice，1999，33(1):1－18.

［16］吴明隆.结构方程模型:AMOS的操作与应用［M］.重庆:重庆大学出版社，2010.

［17］曹小曙，林强.基于结构方程模型的广州城市社区居民出行行为［J］.地理学报，2011，66(2):166－177.

［18］杨励雅，邵春福，李霞.城市居民出行方式选择的结构方程分析［J］.北京交通大学学报，2011，35(6):1－6.

［19］周家中，尤勍，罗佳，等.考虑土地利用下基于结构方程的城市交通出行行为影响［J］.北京工业大学学报，2013，39(6):925－929.