题目：通勤对多维幸福感的影响分析：社会网络与出行满意度的中介效应

作者：王朝辉、姚恩建、杨扬

论文期刊：Transportation Research Part F-Traffic Psychology And Behaviour

论文网址：https://www.sciencedirect.com/science/article/pii/S1369847826000355

关键词：通勤出行行为、多维幸福感、社会网络、出行满意度、中介效应分析

摘要：提升居民幸福感是交通规划的核心目标。通勤作为日常生活的重要组成部分，显著影响着幸福感。尽管这一关系在交通研究中已被广泛探讨，但现有研究往往呈现出一种悖论：通勤会产生与出行相关的压力并降低幸福感，但它也可能支持职业发展并拓展社交机会，从而提升幸福感。这种双重性表明，通勤对幸福感的影响超越了主观感受，涵盖了多个维度，并涉及积极与消极效应的复杂交织。然而，很少有研究系统地探究通勤与多维幸福感之间的关系，探讨其内在机制的更是少之又少。为了弥补这些研究空白，本研究提出了一个多维幸福感框架（主观、心理、社会幸福感），并检验了通勤如何通过涉及社会网络和出行满意度的链式中介路径影响幸福感。基于调查数据和中介模型，研究发现通勤时间通过降低出行满意度间接降低了幸福感。通勤距离表现出阈值效应。具体而言，中等距离通过提供独处空间和职业机会提升幸福感；较长距离最初会因疲劳而降低幸福感；然而，在极长距离（超过60公里）下，社会网络的扩张弥补了疲劳，并最终提升了幸福感。与使用公共交通相比，小汽车通勤与更高的幸福感相关，这主要是因为它促进了更广泛的社会网络参与。这些发现为政策制定提供了针对性的见解，包括优化城市空间结构、提升交通服务质量以及利用社会网络功能来强化积极效应。

1 引言

实现高水平的个人幸福感不仅是个体生活的基本目标，也是交通政策的关键目标。作为城市居民日常生活的重要组成部分，通勤行为不仅影响出行效率，也影响着个体的生活质量和幸福感。深入探究通勤行为与幸福感之间的关系，已成为交通规划、交通管理以及社会科学等领域跨学科研究的热点。研究表明，通勤行为与幸福感之间存在着复杂而强烈的关联。出行属性（如通勤时间、通勤距离和通勤方式）从根本上塑造了通勤者的情绪、出行体验和满意度。研究者发现，对于能从驾驶中获得乐趣的个体而言，小汽车使用的象征价值可以提供一种尊严感和地位感，从而有助于提升心理幸福感。此外，通勤过程中的社会互动也能对幸福感产生深远影响。例如，He等人提出，通勤期间的社会互动可以拓展个体的社会网络，并增强其归属感。

尽管有上述见解，现有文献中仍存在显著的空白。首先，虽然近期的一些研究拓宽了交通领域中幸福感的探讨范围，但大多数研究仍然采用相对狭隘的交通视角，主要关注通勤对出行相关结果的直接影响。这种视角可能未能充分重视这样一个事实：通勤决策通常反映了涉及居住与工作地点选择、经济压力、社区归属感以及职业发展等方面的复杂权衡。正如 Waygood 等人 (2017) 所指出的，当长距离通勤带来较低的住房成本、改善的社区环境和更多的职业机会时，居民的幸福感甚至可能会提升。与此相关，现有文献对幸福感的概念化主要集中在主观幸福感和心理幸福感上。尽管这些维度非常重要，但对社会幸福感的关注却相对较少，而后者包含了归属感、社会融入以及在个人所在社区中的感知价值等方面。因此，通勤如何影响更广泛的幸福感层面（如自我实现和社会关系），以及这些影响发挥作用的具体机制，仍有待深入探索。为了解决这一问题，我们提出了一个整合了主观幸福感、心理幸福感和社会幸福感的综合多维幸福感框架。

其次，除了与出行相关的属性外，通勤还蕴含着重要的社会维度。通勤期间的社交活动、情感互动和社会支持等因素能够显著影响个人的幸福感。强大的社会网络和可获得的社会支持可以缓解通勤压力，并提升出行满意度和主观幸福感。这一观点得到了Li等人(2024c)以及Zhang和Ma(2024a)的支持。然而，通勤的这些社会属性仍未得到充分的检验。为了弥补这一研究空白，我们采用社会网络视角，旨在探究通勤行为的社会维度如何通过社会互动来影响个人幸福感。

第三，通勤行为影响幸福感的具体机制仍未得到充分理解。尽管通勤可以直接影响出行满意度和幸福感，但它也能通过塑造个体的社会网络产生间接影响，例如借由通勤期间的社会互动。这些以社会为中介的体验反过来又可以提升出行满意度，从而有助于实现更广泛的幸福感。然而，这条通过社会网络和出行满意度将通勤行为与幸福感联系起来的顺序中介路径，目前受到的实证关注十分有限。

2 数据介绍

本研究旨在检验通勤行为与幸福感之间的关系，以及社会网络和出行满意度 在此关系中的中介作用。为此，本研究开展了一项结合显示性偏好和陈述性偏好 方法的在线调查，以收集有关通勤者日常通勤特征和幸福感评估的数据。

2.1问卷设计

问卷包含四个部分：通勤特征、出行满意度、幸福感以及社会人口统计学特征。通勤特征部分记录了受访者最近一次的通勤情况，包括出行时间、距离、等候时间、步行距离（例如，前往公交站点的距离）以及主要交通方式。出行满意度使用由 Ettema 等人（2011）开发的出行满意度量表进行测量，该量表最初包含测量情感和认知维度的九个题项。然而，在预调查期间，我们发现某些形容词对之间的区分度极小：“无聊—热情”与“筋疲力尽—精力充沛”，“无法按时到达—能够按时到达”与“时间紧迫—时间充裕”，以及“质量差—质量高”与“最差—最好”。为了减轻受访者负担（Ye and Titheridge, 2016），最终保留了六个题项作为评价出行满意度的指标（表1），采用 5 点李克特量表的形式。

对于幸福感的测量，本研究考虑了三个维度：主观幸福感、心理幸福感和社会幸福感。主观幸福感包含生活满意度和情感体验。前者采用 Diener 等人（1985）开发的生活满意度量表进行测量，该量表包含五个题项。后者基于瑞典核心情感量表（Västfjäll et al., 2002），包含三个情感问题，得分范围从 1 到 7，以指示情绪的强度。心理幸福感采用 Ryff 等人（Ryff and Keyes, 1995）开发的心理幸福感量表进行测量，该量表包含六个维度。为了减轻受访者的负担，选取了 18 个代表性题项。社会幸福感采用由 Keyes（2004）开发和修订的社会幸福感量表进行测量，它包含五个维度，共计 15 个题项。所有量表均采用 7 点李克特量表的形式（1 = “完全不同意”至 7 = “完全同意”）。

调查收集了受访者的个人属性数据，包括性别、年龄、教育水平、职业、收入、婚姻状况、住房产权以及自评健康状况。此外，在问卷的最后一部分对社会网络进行了评估。参考现有测量方法（Berg et al., 2013; Stanley et al., 2011），社会网络部分通过网络规模和接触频率进行测量。网络规模通过受访者保持密切联系的人数（具体指亲属、朋友和邻居）来量化。接触频率则通过受访者与这些密切联系人互动的频繁程度来测量。

2.2 数据收集与统计分析

本研究采用在线问卷平台（问卷星）以确保从通勤人群中进行专业的数据收集。根据标准调查方法，在正式调查之前进行了一项预调查，以评估和提升问卷的效度与信度。预调查阶段于 2024 年 11 月实施，共有 130 名受访者参与。在信度和效度评估的指导下，删除了冗余或表现不佳的题项，并对表述模糊的题项进行了重新措辞，从而最终确定了问卷。

正式调查于 2024 年 12 月至 2025 年 1 月在北京的在职通勤者中进行，主要针对中青年（26-40 岁）这一核心通勤群体。共收回 825 份答卷。问卷中嵌入了注意力测试题（例如，“请在本题选择‘不同意’”），以识别和剔除不专心或粗心大意的答卷。此外，完成时间过短或过长、作答呈现高度一致性（例如，所有题项选择同一选项）或答案在逻辑上不一致的问卷也被排除。经过筛选，最终保留了 675 份有效问卷，有效问卷回收率为 81.8%。表 1 展示了最终样本的人口统计学特征。

为了评估样本的代表性，我们将通过在线调查收集的受访者社会经济特征与《北京统计年鉴（2024）》的官方统计数据进行了比较。结果表明，样本中的性别分布与北京市总体人口的性别分布高度吻合，表明在该维度上具有合理的代表性。然而，样本偏向于 26-40 岁人群以及拥有学士或以上学位的人群。这一分布模式符合我们主要关注通勤劳动力的研究重点，也符合在线问卷招募的常见趋势。在收入方面，受访者的平均个人月收入和家庭年收入均超过了《年鉴》报告的全市平均水平。这种差异在很大程度上可归因于人口覆盖范围的不同。本样本专门针对北京的在职通勤者，主要是经济活跃且有固定收入的中青年群体。相比之下，《年鉴》的数据代表了北京市的全体常住人口，包含了儿童、退休人员、学生以及其他未参与劳动力市场的人群，这自然拉低了总体平均水平。

综上所述，虽然样本未能完全反映北京市总体人口的人口构成，但它与本研究的目标人群——北京市核心在职通勤人口——高度契合。因此，观察到的社会经济特征偏差符合预期，且不会削弱我们分析的有效性。由此可见，该样本在研究所关注的关键维度上具有充分的代表性，从而为后续分析提供了可靠的数据基础。

表1 样本描述性统计

表1 样本描述性统计（接上表）

2.3 信度与效度分析

为了检验问卷中通勤数据的信度和效度，需要使用 SPSS 软件对量表进行评估。

（1）信度检验

采用克隆巴赫系数和组合信度来评估测量量表的内部一致性。克隆巴赫系数基于题项间的相关性来估计信度，而组合信度则基于因子载荷来评估潜变量的一致性。对于这两个指标，大于 0.7 的值通常被认为表明具有可接受的内部一致性。如表 1 所示，所有克隆巴赫系数和组合信度值均超过 0.7 的阈值，证实了量表具有很强的内部一致性。

（2）效用检验

采用 Kaiser-Meyer-Olkin (KMO) 测度、因子载荷和平均方差提取量（AVE）来评估建构效度和收敛效度。KMO 统计量用于评估因子分析的样本充分性，KMO 值大于 0.8 表明数据适合进行因子分析。因子载荷反映了观测项与其底层潜变量之间的关联强度。根据既定准则，载荷量达到 0.5 或更高通常被认为是可接受的，且以高于 0.7 为佳（Hair et al., 2010; Zhou et al., 2024）。平均方差提取量（AVE）衡量了潜变量解释其相关指标项方差的程度。当 AVE 超过 0.50 时，即表明潜变量解释了其指标超过一半的方差，此时收敛效度被认为是充分的（Fornell and Larcker, 1981; Yang and Wang, 2025; You and Yang, 2025）。表 1 中的结果显示，所有效度指标均达到或超过了推荐的阈值，支持了测量模型的建构效度和收敛效度。

3 建模方法

本研究重点探讨通勤行为与幸福感之间的关系，以及社会网络和出行满意度 的中介作用。

为了构建出行满意度和幸福感这两个潜变量的可靠指标，我们在结构方程模型框架内进行了验证性因子分析，并提取了因子得分，将其作为观测变量用于后续分析。

与我们的两个分析目标相一致，我们进行了以下估计：(1) 采用包含具有理论依据的交互项的多元回归模型，评估了通勤行为与幸福感之间的总体关联，及其在不同居住和健康背景下的异质性；(2) 采用基于回归的中介效应框架，并结合 Bootstrap 方法估计间接效应，以此检验社会网络和出行满意度的中介作用。这种方法使我们不仅能够识别通勤对幸福感影响的大小与异质性，还能揭示这些影响发挥作用的潜在心理（通过 TS）和社会（通过 SN）路径。

该模型结构确保了能够以系统的方式检验直接效应和间接效应。尽管在理论上，结构方程模型可以在单一框架中估计所有变量间的关系，但引入多个分类通勤指标和交互项会大幅增加模型的复杂性和识别难度。此外，与出行满意度和幸福感测量模型相关的大量参数也加重了模型估计的负担。因此，我们采用了独立但相容的建模框架来分别估计直接效应和间接效应，这能够确保模型估计的稳定性、可解释性以及概念的清晰度。具体的建模方法详述如下。

3.1结构方程模型

结构方程模型（SEM）是一种多元统计分析技术，它融合了因子分析和多元回归的特点，用于检验多个变量之间的复杂关系（Byrne, 2012）。它允许同时估计多个观测变量和潜变量之间的关系，并区分外生和内生建构。鉴于这些优势，本研究采用 SEM 来分析出行满意度和幸福感的结构。概念框架如图 2 和图 3 所示。SEM 的结构主要由两部分组成：测量模型和结构模型。测量模型用于描述潜变量与观测变量之间的关系。公式如下：

式中，为观测变量向量；为观测变量的因子载荷矩阵；为潜变量向量；为内生变量向量；为内生变量的因子载荷矩阵；为潜变量向量；和为残差向量。

结构模型用于描述潜变量之间的因果关系，可以用以下公式表示：

式中，为内生变量向量；为内生变量的系数矩阵；为外生变量向量；为外生变量的系数矩阵；为残差向量。

潜变量及其对应指标的选择基于现有文献中成熟的量表，具体详见调查设计部分（第 3.1 节）。为了评估模型的有效性，在 SEM 中评估了以下拟合优度指标：卡方自由度比、规范拟合指数（NFI）、比较拟合指数（CFI）、Tucker-Lewis 指数（TLI）、近似误差均方根（RMSEA）和标准化残差均方根（SRMR）。其中，比值提供了对整体模型拟合的粗略评估，该值低于 5 通常被认为是可接受的。NFI、CFI 和 TLI 的值越接近 1 表示拟合越好，通常要求它们高于 0.9。RMSEA 和 SRMR 均为绝对拟合指标，值越低表示拟合越好。对于这两个指标，低于 0.08 的值通常被认为是可接受的。

3.2线性回归方程

本研究采用多元线性回归方法来检验通勤行为与幸福感之间的关联，以及这种关联在不同子群体中如何变化。模型中加入了通勤行为变量、社会人口统计学变量以及基于理论依据的交互项。回归模型具体设定如下：

式中，为因变量幸福感；、、和分别为通勤行为变量、社会经济属性变量、社区环境变量和个人健康变量；βC、βS、βN和βH为上述变量对应的系数；β0为常数项；为误差项。

为了捕捉在不同居住和健康背景下产生的异质性效应，我们进一步引入了通勤特征与关键调节变量（居住条件和身体健康状况）之间的交互项。这些交互项是基于理论和实证证据预先设定的，这些证据表明良好的居住条件和良好的身体健康能够缓解通勤压力，并对通勤体验产生积极影响。具体而言，模型包含以下交互项：通勤时间（>90分钟）与无抵押贷款的自有住房，通勤距离（10–40公里）与社区便利设施，通勤距离（>60公里）与居住面积（>120平方米），以及步行距离（>2公里）与身体健康状况。

3.3中介效应分析

中介效应分析通常使用两种方法，即因果逐步回归法（causal steps approach）和系数乘积法（product-of-coefficients method）。由 Baron 和 Kenny (1999) 提出的因果逐步回归法通过一系列回归模型来确立中介作用。它需要满足三个条件：(1) 自变量 (IV) 与因变量 (DV) 之间存在显著关联；(2) 自变量 (IV) 与中介变量 (M) 之间存在显著关联；(3) 在控制中介变量 (M) 后，自变量与因变量之间的关联减弱（部分中介）或消除（完全中介）。然而，该方法由于依赖多次显著性检验，导致统计检验力（statistical power）较低，且未能直接检验间接效应，通常仅局限于单中介模型。

图1 中介模型的概念框架

相比之下，系数乘积法侧重于估计间接效应，并通过 Bootstrap 抽样程序构建置信区间来评估其显著性，该程序不假设抽样分布呈正态分布。Bootstrap 方法由 Preacher 和 Hayes (2008) 在中介分析中推广，并在 PROCESS 宏 (Hayes, 2013) 等工具中得以实现，该方法涉及从原始数据中反复进行有放回的随机抽样，以生成大量的重抽样样本。对于每个重抽样样本，估计其间接效应，并根据这些估计值的经验分布构建置信区间（例如，百分位或偏差校正置信区间）。如果置信区间不包含零，则推断其具有统计学显著性。由于传统的 Sobel 检验依赖于正态分布假设，而 Bootstrap 方法克服了这一缺点，加之其具有较高的统计检验力，因此被广泛应用于中介效应分析领域。

由于本研究涉及多个中介变量，因此采用了系数乘积法。然而，引入多个中介变量会增加多重共线性和估计偏差的风险。为了确保研究结果的稳健性，采取了以下具体措施：(1) 通过检查所有预测变量和中介变量的方差膨胀因子来评估多重共线性，所有结果均表明不存在共线性问题（VIF < 5 且容忍度 > 0.2）。(2) 采用 5000 次重抽样的 Bootstrap 方法来估计间接效应的置信区间。这种方法不依赖于正态性假设，通过近似中介效应的经验抽样分布，提供了更可靠的统计推断。

概念中介模型如图 1 所示，其分析模型设定如下：

式中，表示因变量幸福感；表示自变量通勤出行行为；表示中介变量社会网络（SN）和出行满意度（TS）；e1、e2和e3为残差项。表示通勤出行行为对幸福感（WB）的回归系数，代表总效应。表示通勤出行行为对中介变量的效应，表示中介变量与幸福感之间的关系，表示在加入中介变量后通勤出行行为对幸福感的直接效应。间接效应（或中介效应）可以通过系数的乘积来表示，总效应则是间接效应与直接效应之和。

在这些变量中，出行满意度和幸福感被建模为潜变量，并通过结构方程模型进行测量。本研究采用回归法提取了它们的因子得分，以便用于后续的回归分析和中介分析。社会网络则被构建为一个复合指标，具体方法是对六个具有可接受内部一致性（克隆巴赫=0.722）的题项进行标准化和求平均值处理。

4 结果

4.1 结构模型分析

使用 AMOS 24.0 软件通过结构方程模型对幸福感的因子结构进行了评估，结果如图 2 所示。所有拟合指数均达到了可接受模型拟合的常规标准。同时，因子结构是合理的，即主观幸福感、心理幸福感和社会幸福感共同构成了幸福感的概念。

出行满意度的结构方程模型结果如图 3 所示。该模型的各项指标均符合要求，表明其因子结构是合理的。因此，基于经过验证的测量模型，在 AMOS 24.0 中使用回归法提取了幸福感和出行满意度的因子得分，并随后将其用于回归分析和中介效应分析中。

图2 幸福感的结构方程模型结果

图3 出行满意度的结构方程模型结果

4.2回归模型分析

本研究采用回归分析来检验通勤特征对幸福感的影响，结果如表 1 所示。为了评估多重共线性，我们检查了所有自变量的方差膨胀因子和容忍度。所有 VIF 值均低于 5，且容忍度值均大于 0.2，表明没有证据显示存在严重的多重共线性问题。

通勤出行行为对幸福感有显著影响。具体而言，通勤时间与幸福感呈负相关，因为长时间的通勤会引发身心疲劳。但对于那些拥有无抵押贷款自有住房且承受长通勤的人来说，通勤时间的负面影响得到了缓解。这可能是因为他们居住在房价较低的地区，因此住房带来的经济负担较小，同时幸福感较高（通勤时间与住房产权之间显著为正的交互作用证实了这一点）。通勤距离对幸福感的影响呈现出阶段性特征。最初，幸福感随通勤距离的增加而上升，但在达到一定阈值后下降，随后在距离进一步增加时再次反弹。这种模式可能反映了最初阶段的积极体验（例如，独处思考的时间），随后是随着通勤成本积累而下降的幸福感，以及在极长距离下，补偿性因素可以抵消这些负担时的反弹。与这种解释相一致，通勤距离 (10–40公里) 与高水平社区便利设施之间显著为正的交互作用表明，此类便利设施缓冲了该距离范围内通勤带来的负面影响。同样，通勤距离 (>60公里) 与较大居住面积 (>120平方米) 之间显著为正的交互作用表明，宽敞的住房是极长距离通勤的重要补偿因素。通勤等候时间对幸福感有显著的负面影响。对于通勤步行距离，0.5-1.5公里的距离对幸福感没有统计学上的显著影响。当步行距离超过此范围时，通勤步行距离与幸福感之间的关联变得微乎其微。然而，当步行距离超过2公里时，与步行距离较短的人相比，通勤者报告的幸福感显著更高，这表明较长距离的步行通勤可能会促进身体健康——通勤步行距离与身体健康状况之间显著为正的交互作用证实了这一点。在通勤方式方面，公共交通和小汽车通勤都对幸福感有显著影响，但方向相反。这可能是因为与小汽车相比，公共交通环境通常嘈杂且拥挤，提供的灵活性和隐私性较差。相比之下，小汽车通勤具有更高的象征价值，有助于树立积极的自我形象，从而提升通勤者的成就感和生活满意度。现有研究已将这种与拥有或使用私家车相关的“自豪感”概念化为“汽车自豪感”。

关于社会经济属性，男性的幸福感往往低于女性，这可能是由于在传统性别角色下，社会对他们承担经济责任的期望更高，生活压力也更大。与26岁以下的通勤者相比，26-40岁的通勤者表现出较低的幸福感。这种模式反映了成年早期和中期的不同挑战：26-29岁的通勤者面临职业适应和人生目标不明确的问题，而30-40岁的通勤者在平衡工作和家庭责任方面承受着加剧的压力。相比之下，40岁以上的通勤者幸福感较高，这可能是由于他们在职业和个人领域都取得了稳定，且生活压力较小。教育水平对幸福感没有显著影响。然而，在国有企业工作、高收入和已婚状态与幸福感的提升呈正相关。在住房产权方面，居住在有抵押贷款自有住房的通勤者，其幸福感低于居住在无抵押贷款自有住房的通勤者，这可能是因为前者承担的长期经济负担影响了生活质量。然而，租房者的幸福感较高，这得益于其居住的灵活性以及无需承担长期的财务承诺。居住在新一代商品房、拥有高水平社区便利设施的地区以及公共交通可达性高的地点的通勤者，其幸福感更高。与先前的研究一致，更好的身体健康状况预示着更高的幸福感。

4.3中介效应分析

本研究采用多元回归框架来检验连接通勤行为与幸福感 (WB) 的中介机制。使用由 Hayes 开发的 SPSS 插件 PROCESS，我们检验了一个链式中介模型，其中社会网络和出行满意度依次在通勤行为与幸福感 之间起中介作用。采用 5000 次重抽样的 Bootstrap 程序为间接效应生成 95% 置信区间。如果 95% 置信区间不包含零，则认为中介效应具有统计学显著性。

为了捕捉通勤行为不同维度的影响，我们分别为每个通勤变量（即通勤时间、通勤距离、通勤步行距离、等候时间、小汽车通勤和公共交通通勤）估计了独立的中介模型。这些维度反映了通勤体验中根本不同的方面，并且可能通过不同的心理和行为机制发挥作用。因此，在独立的模型中对它们进行分析，能够更清晰地勾勒出与每个通勤维度相关的独特影响路径。

在这些中介模型中，纳入了在先前回归模型中表现出有意义的变化和统计学显著性的类别通勤变量。具体而言，选择了通勤时间和通勤等候时间的有序分类变量，以及公共交通通勤、小汽车通勤、通勤距离(10–40 km, 40–60 km, >60 km) 和通勤步行距离(0.5-1.5 km, 1.5-2.0 km, >2.0 km) 的虚拟变量。在所有模型中，控制了可能影响中介变量和结果变量的社会人口学属性，包括年龄、个人月收入、家庭年收入、婚姻状况、住房产权以及身体健康状况。

通勤时间、通勤等候时间和通勤方式 的中介效应分析结果如图 4 和图 5 所示。通勤时间对幸福感的总效应不显著，但存在显著为正的直接效应和显著为负的间接效应。这一发现表明，通勤时间本身可能通过未测量的环境或个体特征（如工作满意度或良好的居住条件）对幸福感产生积极影响，这与回归模型的结果相一致。间接效应主要由中介路径 (CT→TS→WB) 驱动，该路径在所有路径中所占比例最大（图 5）。负向的间接效应抵消了正向的直接效应，导致总效应不显著。通勤等候时间 的总效应显著为负，而直接效应不显著，表明这种关联完全通过所检验的中介路径 (CWT → TS→WB) 发挥作用。通勤方式主要通过中介变量影响幸福感，其中公共交通产生负面影响，而小汽车通勤则产生正面影响。

图 6 显示，对于在 10–40 公里范围内的通勤，对幸福感的总效应和直接效应均显著为正，而通过出行满意度产生负向的间接效应，占总效应的 28%（如图 7 所示）。这种模式可以解释为：中等距离通勤中未测量的积极方面（例如，思考时间或自主性增加）可能部分抵消了所涉及的时间压力和疲劳。对于 40–60 公里的通勤，对幸福感的总效应不显著，而负向的直接效应被社会网络的中介效应部分抵消。这表明扩大社会网络可以显著提升幸福感，但长距离通勤引起的疲劳和时间压力对出行满意度和幸福感产生了强烈的负面影响，从而导致总效应不显著。对于超过 60 公里的通勤，尽管总效应和直接效应在统计上均不显著，但通过社会网络出现了显著为正的间接效应。总效应不显著的事实表明，可能存在其他实际因素抵消了通勤的负面影响，这与表 1 中通勤距离和居住面积的交互项结果一致。在间接路径中，路径 (CD→SN→WB) 占总效应的 86.3%（见图 7），表明中介效应主要由社会网络驱动。同时，链式中介路径也显著，占效应的 38.6%。值得注意的是，图 7 表明，社会网络路径对于通勤距离超过 40 公里的通勤者发挥着重要作用。在这一范围内，涉及社会网络的路径显著为正，并构成了总间接效应的很大一部分，超过了通过出行满意度产生的负向路径的影响幅度。这表明，尽管长距离通勤伴随着疲劳和不满意，但强大的社会联系作为一个关键的缓冲因素，通过部分抵消对幸福感的不利影响而发挥作用。

图4 链式中介模型

图5 通勤时间、通勤等候时间和通勤方式通过社会网络和出行满意度对幸福感的中介效应

图6 通勤距离通过社会网络和出行满意度对幸福感的中介效应

图7 通勤距离与幸福感之间通过社会网络和出行满意度产生的中介效应占比

图8 通勤步行距离通过社会网络和出行满意度对幸福感的中介效应

图9 通勤步行距离与幸福感之间通过社会网络和出行满意度产生的中介效应占比

如图 8 所示，当通勤步行距离为 0.5-1.5 公里时，直接效应与间接效应相互抵消，导致总效应不显著。对于 1.5-2.0 公里的步行距离，对幸福感的影响主要由中介路径 (WDC→TS→WB) 驱动，占总效应的 84.6%（图 9），这表明该距离可能超过了典型的舒适步行阈值，导致通勤者产生疲劳感和时间压力，进而降低了出行满意度并间接影响了幸福感。当步行距离超过 2 公里时，中介路径 (WDC→SN→WB)和链式中介路径均显著为正，表明社会网络发挥了中介作用，能够部分缓解步行对幸福感的负面影响。

5 结论

5.1研究总结与发现

本研究通过建立一个综合评价框架，从社会学视角深化了对幸福感的理解，该框架包含主观幸福感、心理幸福感和社会幸福感。我们检验了通勤行为如何影响幸福感，并进一步探讨了其通过社会网络和出行满意度影响幸福感的中介机制。结果表明，通勤等候时间对幸福感产生负面影响，而通勤时间具有间接的负面影响。通勤距离的影响呈现出阶段性特征：中等距离通过提供独处空间和职业机会提升幸福感，而较长距离最初会因疲劳而降低幸福感，尽管这可以通过强大的社会网络和经济补偿来抵消。同样，通勤期间较短的步行距离影响极小，中等距离会降低幸福感，而较长距离（超过 2 公里）则通过增强社会互动来提升幸福感。与公共交通相比，私家车通勤也能带来更高的幸福感。

中介效应分析揭示，社会网络在通勤方式、通勤距离、通勤步行距离与幸福感之间起中介作用。小汽车的使用通过扩展社会网络提升幸福感，而公共交通则表现出相反的效果。对于通勤距离，随着距离的增加，社会网络的中介作用经历了从无到弱、再到强的转变，这在长距离通勤（超过 60 公里）中尤为明显。至于通勤步行距离，社会网络的中介路径仅在长距离步行（超过 2 公里）时才显著。此外，通勤时间、通勤等候时间、通勤方式、通勤距离和通勤步行距离通过出行满意度的中介效应对幸福感产生影响，尽管通勤距离和通勤步行距离（WDC）仅在特定范围内表现出此效应。另外，在通勤特征与幸福感之间的关系中，社会网络和出行满意度表现出链式中介效应。公共交通通勤通过减少社会参与和出行满意度，对幸福感产生负面影响，而小汽车通勤则产生积极的中介效应。长距离通勤（超过 40 公里）和步行（超过 2 公里）通过扩大社会网络和互动，缓解了负面体验并增强了积极情绪，从而提升了幸福感。

5.2政策与实践启示

这些发现对综合考虑通勤出行属性和社会属性的城市规划与政策制定具有启示意义。鉴于通勤时间和通勤距离是影响幸福感的关键因素，政策应优先考虑减少职住空间错位。具体而言，促进职住平衡并增加主要就业中心附近保障性住房的供应，可以有效缩短通勤距离。为了缓解公共交通相对于小汽车通勤对幸福感产生的负面影响，城市应完善驻车换乘 (park-and-ride) 设施，并优化多层次公共交通网络。智能公交系统、实时调度以及改善站点布局可以最大程度地减少等候时间和步行距离。此外，应考虑改善车厢内环境（配备 5G 网络和充电接口、设置静音车厢）以及增加候车区设施，以提升出行体验。交通枢纽应融入社交空间以促进人际互动。对于长距离通勤者，可以开发通勤者社区平台和拼车系统。

5.3局限性与未来研究

本研究存在几个局限性。首先，数据基于对通勤行为的自我报告测量，这可能会受到回忆偏差的影响。此外，样本主要由在北京工作的人群组成，这可能会限制研究结果向具有不同城市形态、交通系统或文化背景的其他地区推广。

其次，我们的分析模型将通勤出行行为视为外生预测变量。而在现实中，通勤选择（例如，方式、距离）本身受到社会人口学和经济因素（例如，年龄、收入）的塑造，而这些因素也会直接影响幸福感。虽然我们控制了这些变量，但我们的建模方法并未完全解决由这种选择过程产生的潜在内生性问题。因此，通勤行为与幸福感结果之间的估计关联应被解释为条件关联，而不是从这些潜在决定因素中分离出来的因果效应。

第三，我们的分析被拆分为独立的模型，分别检验 (a) 通勤行为与幸福感之间的关联，以及 (b) 出行满意度与社会网络的中介作用。虽然采用这种拆分是出于实际原因，但它使我们无法在一个单一框架内估计所有路径。因此，回归模型中的系数应被解释为总关联，它可能包含了通过所研究的中介变量以及其他未测量机制发挥作用的路径。未来使用整合的结构方程模型（SEM）的研究可以更精确地分解总效应、直接效应和间接效应。

第四，虽然本研究检验了社会网络和出行满意度的一般中介作用，但并未考虑到人口统计群体（如性别、年龄和户籍状况）之间潜在的异质性。鉴于通勤行为与幸福感之间的关系可能在不同人群中存在显著差异，未来的研究应考察这种异质性，以更好地理解差异化效应。

第五，本研究仅部分捕捉了通勤的社会维度，社交媒体的影响值得进一步深入调查。随着数字平台日益塑造通勤体验和社会互动，未来的研究应探索数字平台（如微信）如何通过在线互动和分享通勤相关内容来影响通勤者的幸福感。

第六，本文未在空间尺度上区分通勤类型。由于市内通勤和城际通勤在出行方式、时间成本和心理体验方面存在显著差异，它们对社会网络和出行满意度的影响也可能不同。未来的研究应系统地分析不同通勤场景（如市内通勤与城际通勤）下的这些关系，以探讨在不同条件下通勤行为、社会网络、出行满意度和幸福感如何相互作用。

最后，横截面数据的使用只能捕捉幸福感的快照，不能进行因果推断或追踪长期的发展轨迹。需要进行纵向研究，以检验持续的通勤模式如何影响幸福感随时间的演变，包括潜在的适应效应或累积的压力影响。弥补这些空白将加深我们对通勤行为与人类幸福感之间复杂联系的理解。