Scale to measure motives for car use and personal norms for reducing car use in the metropolitan area of the Valley of Mexico ( Escalas de motivos para uso del auto y de norma personal de reducción del uso de auto en la Zona Metropolitana del Valle de México )

Abstract

Spanish

The motives for car use and the personal norms for reducing car use have been studied to understand the motivational processes underlying car use. Motives have been classified as instrumental, symbolic and affective, while personal norms have been classified as introjected and integrated. The aim of this study is to validate scales measuring motives for car use and personal norms for car use reduction in Mexico City. Both scales were applied, together with a measure of car use, to a sample of 257 motorists. The results indicate a good fit for the three-factor model for the motives for car use scale and a good fit for the two-factor model for personal norms for car use reduction. A linear regression model was run, which showed that both constructs explain 21.3% of variance in car use, and the significant predictors are instrumental motives and integrated norms. Both scales show initial evidence of reliability, validity and parsimony.

According to data from the National Institute of Statistics, Geography, and Information Technology (INEGI) in the Metropolitan Area of the Valley of Mexico (ZMVM), more than six million, six hundred thousand trips are made by car or van on any given weekday. In 68% of these, the vehicle is occupied just by the driver, being the average occupancy of 1.5 passengers per private vehicle (Instituto Nacional de Estadística y Geografía, 2017). These figures are important because car use negatively impacts the quality of life of city inhabitants, causing road accidents, traffic congestion, noise, water, soil and air pollution (Stradling, 2011). Air pollution, in turn, causes significant health problems: according to the Programa de las Naciones Unidas para los Asentamientos Humanos (2013), 4.3 million global deaths per year can be attributed to air pollution.

Promoting high-impact pro-environmental and pro-social behaviours such as the use of public transport and alternative modes to private vehicles can help reduce such negative externalities. Policies aimed at reducing car use are one of the sustainable development goals (Sivasubramaniyam et al., 2020). To promote this goal, the motivational processes underlying the use of different motorized means of transport should be evaluated.

Motives for car use

Motives are understood as psychological traits causally attributed to the performance of a behaviour (Malle, 2011). When it comes to reasons explaining car use, Steg (2005) identified instrumental, symbolic and affective motives for car use. Instrumental motives are based on a rational cognitive process, weighing up the costs/benefits of using the car, considering features such as speed, freedom, flexibility, comfort, autonomy, loading capacity and privacy (Stradling, 2011). Affective and/or symbolic motives, on the other hand, are rooted in semi-conscious cognitive processes (Steg et al., 2001). Dittmar (1992) notes that material goods meet psychological needs coupled with their instrumental uses, such as their symbolic function related to the need to express identity and social belonging, whereas the affective function corresponds to an intrinsic motivation associated with positive emotions derived from pleasure and activation by driving.

Instrumental motives have been found to be the best predictor of car use (Lois & López-Sáenz, 2009; Páez & Whalen, 2010). In contrast, Sivasubramaniyam et al. (2020), Ramos et al. (2020) and Jakobsson et al. (2011) reported that such motives are not significant predictors of car use, while some studies show that symbolic and affective motives explain car use better than instrumental motives (Hunecke et al., 2007; Tao et al., 2019).

Personal norms for reducing car use

Keizer and Schultz (2013) define personal norms as a belief in the moral obligation to behave in a certain way, while Heath and Gifford (2002) conceptualize them as internalized feelings of moral responsibility. Both definitions refer to two dimensions: one cognitive and one affective, each of which can affect behaviour differently, given that they correspond to different motivational processes. Some studies have found that personal norms directly influence the reduction of car use (Donald et al., 2014; Hing et al., 2016; Hoang-Tung et al., 2017).

According to the theory of self-determination (Ryan & Deci, 2000), human motivation is conceptualized as a continuum depending on the degree of internalization of the reinforcing stimuli whereby it is rewarding to perform each behaviour. Thus, extrinsic motivation is entirely dependent on external or self-administered reinforcers, while intrinsic motivation is not dependent on reinforcers but instead is based on a sense of autonomy, competency and affiliation. In this sense, Thøgersen (2006) pointed out that personal norms should be categorized according to their degree of internalization: introjected norms are internalized at a superficial level, and their motivational process is affective in nature, seeking to avoid anticipated feelings of guilt, while integrated norms are internalized at a deeper level, and their motivational process is cognitive based on congruence and self-conviction.

Two studies in Germany found that feelings of guilt anticipated car use and beliefs about moral obligation not to use the car, formed distinct dimensions (Bamberg et al., 2007; Hunecke et al., 2001). In Spain, Martín et al. (2007) and Martín et al. (2017) found that integrated norms of moral obligation to respect environmental laws correlated to a greater extent with various pro-environmental behaviours and with the performance of fewer environmental crimes.

Therefore, psychometric instruments must be developed and validated with solid theoretical and empirical foundations, so as to accurately measure the motivational processes underlying mobility behaviours and to propose effective interventions aimed at reducing car use in Latin American populations. Thus, the purpose of this research is to adapt and validate the Motives for Car Use (EMAU) and the Personal Norms for Car Use Reduction (ENPRAU) in a sample of drivers residing in Mexico City (CDMX) and the metropolitan area of the Valley of Mexico (ZMVM).

Method

Participants

257 individuals participated, selected by means of non-probabilistic purposeful sampling, all residents of CDMX and ZMVM with access to at least one car in their household. 54.9% identified as women, 44.4% as men and 0.8% as non-binary. The mean age was 41.44 years old (SD = 12.47), with a range between 20 and 75 years of age. Socio-economic level was measured using the simplified indicator of goods and services (ISBS; Díaz-Acosta et al., 2015), obtaining a mean of 0.79 (SD = 0.19), which is indicative of a predominantly medium-high socio-economic level.

Instruments

An initial bank of items found in the literature was constructed. For the EMAU scale, 31 items were taken from Steg’s study (Steg, 2005), while for the ENPRAU scale, 25 items were identified, consistent with the definitions of introjected and integrated norms in eight different studies (Abrahamse et al., 2009; Bamberg et al., 2007; Bamberg & Schimdt, 2003; Haustein et al., 2009; Heath & Gifford, 2002; Hing et al., 2016; Hunecke et al., 2001, 2007). The items were translated from English into Spanish and then back-translated, in order to maintain conceptual, semantic and operational equivalence.

Subsequently, the banks of items were evaluated in relation to their content validity with the support of a panel of five academic judges from the Faculty of Higher Studies (FES) Zaragoza and the Postgraduate Course on Urban Planning taught at the National Autonomous University of Mexico (UNAM). Details of the content validation process can be found in the supplementary online material. The pilot versions of EMAU and ENPRAU comprised 32 items and 22 items, respectively, with a five-point Likert response format: from ‘completely disagree’ to ‘completely agree’.

As a criterion of external validity, car use was measured using four written and graphic vignettes of stated preference for modes of transport. Each presented a different hypothetical scenario of routine mobility and four response options (private car, taxi or app service and two public transport alternatives). Respondents were asked to choose one of the response options, considering conditions prior to the SARS-COV2 pandemic. Responses were categorized as 1 = taxi or public transportation use or 2 = car use, so a higher score reflects higher car use. The hypothetical scenarios were constructed by consulting the most frequent daily mobility routes any given weekday (Instituto Nacional de Estadística y Geografía, 2017; see supplementary material). For each mode of transport, the economic, time and behavioural costs were presented, which were consulted in the mobile applications: Google© maps™, Moovit™ and Uber©.

Procedure

The scales were applied through a Google © forms™ form, shared through personal communication, email and social media. Firstly, the purpose of the study was presented, gaining informed consent and gathering socio-economic data. The vignettes for stated mobility preference were then presented, followed by the EMAU and ENPRAU scales.

Data analysis

The analyses were carried out using SPSS™ version 26 and AMOS™ version 21. Initially, descriptive statistics of the mean, standard deviation, bias and kurtosis were verified, which can be consulted in their entirety in the online supplementary material. Confirmatory factor analysis (CFA) was then performed using an asymptotically distribution free estimator as the method of discrepancy, since this is adequate when it is not possible to fulfil the assumption of multivariate normality (Byrne, 2010). According to Raykov and Marcoulides (2000), the calculations carried out using this estimation method are reliable with a sample at least 10 times the number of parameters identified in the model.

The EMAU model was specified through the theory regarding the meanings of material possessions (Dittmar, 1992), composed of three factors: instrumental motives, symbolic motives and affective motives for car use. A total of 21 parameters were calculated. ENPRAU was specified based on the taxonomy of personal norms proposed by Thøgersen (2006) based on the theory of self-determination (Ryan & Deci, 2000), consisting of two factors: integrated personal norms and introjected personal norms. A total of 15 parameters were calculated, so the sample size is adequate for both scales.

The following indices were checked to evaluate the fit of the model: CMIN, CMIN/DF, GFI, AGFI, PGFI, SRMR, RMSEA, NFI, RFI, IFI, CFI and TLI. If the initial models did not have adequate fit indices, the matrix of covariances between standardized residuals and fit indices was reviewed to identify items that had significant correlations between their residuals and eliminate them from the model. Multivariate normality was assessed using Mardia’s kurtosis coefficient.

Reliability was estimated using the internal consistency method (Cronbach’s α) for each subscale. Convergent validity was evaluated by means of the Average Variance Extracted (AVE), which seeks to measure the level of certainty with which the proposed items measure a latent dimension (Moral-de la Rubia, 2019), operationalized as the mean of the standardized squared factor loadings (Fornell & Larcker, 1981). Discriminant validity was evaluated by means of the √AVE, since it seeks to avoid collinearity between the measured constructs; the √AVE is expected to be greater than the correlation coefficient of the factor with other constructs (Fornell & Larcker, 1981).

Criterion validity was evaluated by running a linear regression model to predict car use based on the factors of the EMAU and ENPRAU scales. Assumptions of multivariate normality were verified using the mean, asymmetry and kurtosis values of the model residuals. The collinearity of the predictors was evaluated using the Tolerance statistics and the variance inflation factor (VIF).

Results

Factorial model and reliability of the EMAU scale

Of the 32 initial items, 18 were discarded because of non-compliance with the assumption of univariate normality (bias > ±1 and/or kurtosis > ±1.5; Miles & Shevlin, 2001). Subsequently, five items were discarded during the CFA process, since they presented high standardized covariances between residuals (greater than 1.5 or less than .05; Byrne, 2010). Thus, the final version of the EMAU scale is composed of three items for the Instrumental Motives dimension (α = .771), three items for the Symbolic Motives dimension (α = .824) and three items for the Affective Motives dimension (α = .830). The means, standard deviations and correlation matrix (Pearson’s r) between the item scores are presented in Table 1, while the fit indices are shown in Table 2. In Figure 1, the model is plotted with the respective standardized coefficients for regression and explained variance.

Figure 1.

EMAU scale factor model with standardized coefficients.

Table 1.

Descriptive statistics and bi-variate correlations between items of the EMAU scale.

I find using the car attractive because:	M	SD	1	2	3	4	5	6	7	8	9
1. It makes my life easier	3.583	1.285	1
2. I don’t have to interact with strangers	3.649	1.335	.516**	1
3. I feel safe in my car	3.501	1.370	.561**	.513**	1
4. It gives me prestige	2.054	1.033	.200**	.260**	.240**	1
5. Driving is part of my lifestyle	2.171	1.183	.330**	.317**	.299**	.520**	1
6. My car goes with my personality	2.093	1.142	.253**	.326**	.257**	.615**	.694**	1
7. I feel free when I drive	2.634	1.271	.404**	.329**	.458**	.334**	.450**	.398**	1
8. I feel motivated to drive	2.490	1.166	.324**	.309**	.413**	.412**	.437**	.429**	.606**	1
9.I enjoy driving	2.871	1.300	.415**	.332**	.418**	.264**	.329**	.295**	.607**	.650**	1

Note: **p < .001.

Table 2.

Fit indices of the EMAU scale factor model.

NPAR	CMIN	DF	p	CMIN/DF
21	39.796	24	.022	1.658
SRMR	GFI	AGFI	PGFI
.048	.970	.943	.517
NFI	RFI	IFI	TLI	CFI
.866	.798	.952	.909	.939
RMSEA	LO90	HI90	PCLOSE
.051	.019	.078	.451

Firstly, all correlations between items are statistically significant with a confidence level of 99%. Therefore, the fit indices show a satisfactory fit for the model in general. Although the CMIN test indicates that, at a 95% confidence level, there are statistically significant differences between the assumed matrix and the observed matrix, this test has limitations related to a bias in significance based on the sample size (Byrne, 2010). For this reason, other indices are considered to evaluate the fit of the model in an integral way. The CMIN/DF indicates the proportion of the fit by over-identification restriction, where values below 2 indicate a good fit (Carmines, 1981).

The SRMR is a standardized statistic representing the mean of the residuals. In terms of expectations for a good fit, the value should be less than .5. For GFI and AGFI, values greater than .9 are expected in models with a good fit, while for PGFI, values close to .5 are expected (Byrne, 2010). Likewise, the indices reflect a good fit. For the CFI, NFI, RFI, IFI and TLI indices, values close to .95 reflect a good fit (Hu & Bentler, 1999). In this case, the NFI and RFI indices are not indicative of a good fit as they are less than 0.9. However, the IFI, TLI and CFI values are greater than .9 but less than .95. The RMSEA represents the error of approximation to the values in the population, where values below .06 reflect a good fit, (Hu & Bentler, 1999). Similarly, a narrow confidence interval with an upper value of less than .8 is indicative of greater accuracy and a good fit in the population, while the PCLOSE value is expected to be greater than .5 (Byrne, 2010). Therefore, the RMSEA and its confidence interval are indicative of a good fit, although the PCLOSE is slightly below .5.

As shown in Figure 1, all items present standardized regression coefficients greater than .71 and explained variance coefficients greater than .48. Instrumental motives correlate with symbolic motives with moderate positive magnitude, while instrumental and symbolic and symbolic and affective motives correlate with high positive magnitude. Finally, the multivariate kurtosis statistic of the model is 16.864 (c.r. = 9.607). Since c.r. values greater than 5 are indicative of multivariate non-normality, it is not appropriate to use the maximum likelihood method (Yuan et al., 2005).

Factor model and reliability of the ENPRAU scale

Following the same criteria as in the EMAU scale, of the 22 initial items, five items were discarded because they did not fulfil the assumption of univariate normality. Similarly, 10 items were discarded during the CFA process due to high residual covariances. Thus, the final version of the ENPRAU scale is composed of four items for the Integrated Norms dimension (α = .853) and three items for the Introjected Norms dimension (α = .893). The means, standard deviations and correlation matrix (Pearson’s r) are presented in Table 3, while the fit indices are shown in Table 4. In Figure 2, the model is plotted with the respective coefficients for standardized regression and explained variance.

Figure 2.

ENPRAU scale factor model with standardized coefficients.

Table 3.

Descriptive statistics and bi-variate correlations between items of the ENPRAU scale.

	M	SD		2	3	4	5	6	7
1. For environmental reasons, I prefer to use public transport	3.478	1.338	1
2. I don’t use my car very much because of my values.	2.774	1.336	.480**	1
3. Because of my values, I prefer to use public transport for routine journeys	2.953	1.334	.569**	.608**	1
4. Because of my principles, I prefer to use different means of transport other than the car	2.996	1.318	.555**	.603**	.742**	1
5. I’m worried about the health damage caused to others when I use my car	2.929	1.257	.431**	.502**	.506**	.488**	1
6. Using the car to get to work or school weighs on my conscience	2.509	1.311	.377**	.494**	.530**	.480**	.718**	1
7. I worry about using the car when I think about how it affects everyone’s health	2.785	1.246	.420**	.548**	.506**	.561**	.771**	.720**	1

Note: **p < .001.

Table 4.

Fit indices of the ENPRAU scale factor model.

NPAR	CMIN	DF	P	CMIN/DF
15	17.265	13	.187	1.328
SRMR	GFI	AGFI	PGFI
.035	.981	.959	.455
NFI	RFI	IFI	TLI	CFI
.939	.901	.984	.974	.984
RMSEA	LO90	HI90	PCLOSE
.036	.000	.076	.672

In this case, the CMIN test shows that there are no significant differences between the assumed matrix and the observed matrix, with a confidence level of 95%. In line with the above, the CMIN/DF, SRMR, GFI, AGFI and PGFI statistics are indicative of a good fit according to the above criteria. Both NFI and RFI obtain values greater than .9 but are less than .95, whereas CFI, IFI and TLI are indicative of best fit. The RMSEA value is indicative of a good fit, so the higher confidence interval is below .8 and the PCLOSE value is greater than .5, although the confidence interval is slightly wider compared to the EMAU scale.

As shown in Figure 2, all standardized regression coefficients are greater than .67 and the explained variance coefficients are greater than .45. The correlation between integrated personal norms and introjected personal norms is positive and high in magnitude. The value for Mardia’s multivariate kurtosis is 14.917 (c.r. = 10.652), so the assumption of multivariate normality is not fulfilled.

Convergent, discriminant and criterion validity

Table 5 below presents the matrix of bivariate correlations between the factors of the EMAU scale, the factors of the ENPRAU scale and the measure of car use, while the lower rows show the AVE and √AVE. Moral-de la Rubia (2019) identified that when certain assumptions in the measurement are fulfilled, such as factor loadings in all items greater than .50 and alpha coefficients greater than .70, AVE values greater than .44 for three items and .37 for four items are indicative of convergent validity. The AVE for all factors is greater than .523 and the √AVE is greater than all the Pearson correlation coefficients. The factors in the EMAU scale correlate significantly with car use in a direct proportional sense, while the factors of the ENPRAU scale correlate significantly with car use in a negative sense, with a moderate magnitude for integrated norms and low magnitude for introjected norms. Correlations between the factors of the EMAU and ENPRAU scales are significant in the inversely proportional sense with a low magnitude.

Table 5.

Matrix of correlations between the factors of the EMAU, ENPRAU and car use, and the AVE and √AVE for each factor.

	1	2	3	4	5	6
1. Instrumental motives	1
2. Affective motives	.529**	1
3. Symbolic motives	.389**	.499**	1
4. Integrated norms	−.250**	−.196**	−.165**	1
5. Introjected norms	−.145*	−.233**	−.131*	.643**	1
6. Car use	.289**	.200**	.214**	−.419**	−.192**	1
AVE	.523	.613	.618	.600	.739
√AVE	.723	.782	.786	.774	.859

Note: **p < .001.

The summary of the linear regression model is presented in Table 6, and the coefficients are shown in Table 7. In the first step, the factors of the EMAU scale explained 8.5% of the variance, while in step two, when the factors of the ENPRAU scale were inserted, the explained variance increased to 21.3%. In the first step, instrumental motives for car use are significant predictors of car use in a positive sense with low magnitude, while in the second step they remained significant predictors, in conjunction with integrated norms in the inversely proportional sense to car use, with moderate magnitude. Tolerance and VIF values indicate partial collinearity between predictors, which is expected as they are correlated factors. However, these values do not significantly influence the standard error of the model (tolerance < .5, VIF > 2; Miles & Shevlin, 2001).

Table 6.

Summary of the linear regression model for predicting car use.

Model	R	R ²	Adjusted R ²	Error	Change statistics
Model	R	R ²	Adjusted R ²	Error	Change R ²	df1	df2	Sig. Change in F
1	.310	.096	.085	.359	.096	3	253	.000
2	.478	.229	.213	.333	.133	2	251	.000

Table 7.

Coefficients of the linear regression model for predicting car use.

Model		B	Error	Beta	t	Sig.	Tolerance	VIF
1	(Constant)	1.053	.081		13.058	.000
	Instrumental motives	0.027	.008	.235	3.293	.001	.699	1.431
	Affective motives	0.002	.009	.019	0.244	.807	.619	1.616
	Symbolic motives	0.015	.009	.113	1.621	.106	.730	1.371
2	(Constant)	1.519	.111		13.728	.000
	Instrumental motives	0.017	.008	.152	2.255	.025	.672	1.487
	Affective motives	0.002	.008	.017	0.243	.808	.599	1.671
	Symbolic motives	0.012	.008	.090	1.383	.168	.727	1.375
	Integrated norms	−0.038	.006	−.448	−6.041	.000	.558	1.793
	Introjected norms	0.015	.008	.134	1.821	.070	.567	1.763

Discussion

The results show evidence that both scales present initial evidence of reliability, validity and parsimony in the CDMX motorist population, which should be replicated in subsequent studies. The EMAU model specified on the basis of the meanings of material possessions theory (Dittmar, 1992) generally obtained good statistical fit indices. Similarly, the ENPRAU scale, specified from the theory of self-determination (Ryan & Deci, 2000), presents an even better fit to the data, so both scales largely reflect the constructs postulated by such theories.

According to Steg et al. (2001), instrumental motives for using the car are better predictors of car use (compared to affective and symbolic ones) when the measurement method is a Likert-type scale, since they are based on a conscious deliberation of the costs and benefits when choosing a mode of transport, which is consistent with the findings of this study. On the other hand, Thøgersen (2006) pointed out that integrated personal norms are better predictors of pro-environmental behaviours (in comparison with introjected norms) since they are internalized to a greater extent in the self, which also coincides with the findings of this study.

In the context of basic research, EMAU and ENPRAU can be used to measure both constructs and integrate them into more far-reaching models that explain car use in the population of motorists residing in CDMX and ZMVM. In this sense, goal-framing theory (Steg et al., 2014) identifies three cognitive goals that activate different motivational processes underlying environmentally relevant behaviour from contextual signals: hedonic, related to achieving short-term stimulation and gains; gain, related to accumulating resources and generating medium/long-term gains; and normative, related to the conservation and/or maintenance of common goods and resources. In that sense, hedonic goal-framing can be defined operationally by symbolic and affective motives for using the car; gain goal-framing pertains to instrumental motives for using the car; and normative goal-framing can be defined through the personal norm of reducing car use.

In the context of interventions aimed at reducing car use, both scales are ideal for diagnostic and evaluation purposes in samples of motorists from CDMX and ZMVM. Based on the results of this study, interventions aimed at facilitating an understanding and moral appreciation of negative externalities resulting from excessive car use that allow for in-depth internalization of the personal norms for reducing car use should encourage significant reductions in car use. Therefore, more studies of a theoretical and applied nature are required in order to replicate the findings of this study.

Among the main limitations of this study is the type of sampling, which makes it difficult to ensure sample representativeness. Similarly, it would be advisable in future studies to use different methods to measure car use, in order to validate the stated preference method, as well as to compare with implicit measures of symbolic and affective motives for car use, given the semi-conscious nature of the underlying motivational process (Steg et al., 2001).

Escalas de motivos para uso del auto y de norma personal de reducción del uso de auto en la Zona Metropolitana del Valle de México

Según datos del Instituto Nacional de Estadística, Geografía e Informática (INEGI) en la Zona Metropolitana del Valle de México (ZMVM), en un día entre semana ocurren más de seis millones seis cientos mil viajes en automóvil o camioneta, en los cuales, el 68% el conductor viaja solo y el promedio de ocupación por auto es de 1.5 pasajeros (Instituto Nacional de Estadística y Geografía, 2017). Estos datos resultan importantes pues el uso del automóvil tiene impactos negativos en la calidad de vida de los habitantes de las ciudades, al causar accidentes viales, congestionamiento vial, contaminación sonora, del agua, de los suelos y del aire (Stradling, 2011). A su vez, la contaminación del aire provoca importantes afecciones a la salud: de acuerdo con el Programa de las Naciones Unidas para los Asentamientos Humanos (2013), se pueden atribuir 4.3 millones de muertes anuales a nivel global por la contaminación del aire.

Ante dichas externalidades negativas, promover conductas pro-ambientales y pro-sociales de alto impacto como el uso de transporte público y modos alternativos al uso del auto, pueden coadyuvar a disminuirlas. Las políticas dirigidas a la reducción del uso del auto, es uno de los objetivos del desarrollo sostenible (Sivasubramaniyam et al., 2020). Para favorecer dicho objetivo, es necesario evaluar los procesos motivacionales latentes al uso de distintos medios de transporte motorizados.

Motivos para uso del automóvil

Los motivos se entienden como rasgos psicológicos atribuidos causalmente a la realización de una conducta (Malle, 2011). Existen diferentes motivos por los que las personas utilizan el automóvil, Steg (2005) identificó motivos instrumentales, simbólicos y afectivos para usar el auto. Los instrumentales se basan en un proceso cognitivo racional al sopesar el costo/beneficio de utilizar el auto, considerando cualidades como su velocidad, libertad, flexibilidad, comodidad, autonomía, capacidad de carga y privacidad (Stradling, 2011). Por otro lado, los motivos afectivos y/o simbólicos son originados a partir de procesos cognitivos semi-conscientes (Steg et al., 2001). Dittmar (1992) menciona que los bienes materiales cubren necesidades psicológicas aunadas a sus usos instrumentales, tales como su función simbólica relacionada con la necesidad de expresar la identidad y la pertenencia social, mientras que la función afectiva corresponde con una motivación intrínseca asociada con las emociones positivas derivadas del placer y la activación producto de manejar.

Se ha encontrado que los motivos instrumentales son los que mejor predicen el uso del auto (Lois & López-Sáenz, 2009; Páez & Whalen, 2010). Contrario a ello Sivasubramaniyam et al. (2020), Ramos et al. (2020), y Jakobsson et al. (2011) reportaron que dichos motivos no resultan predictores significativos del uso del auto, mientras que ciertos estudios demuestran que los motivos simbólicos y afectivos explican mejor que los instrumentales el uso del automóvil (Hunecke et al., 2007; Tao et al., 2019).

Norma personal de reducción de uso del automóvil

Keizer y Schultz (2013) definen la norma personal como una creencia sobre la obligación moral para comportarse de cierta manera, mientras que Heath y Gifford (2002) la conceptualizan como sentimientos internalizados de responsabilidad moral. Ambas definiciones hacen referencia a dos dimensiones: una cognitiva y otra afectiva, donde cada una puede afectar la conducta de manera diferente, dado que corresponden a distintos procesos motivacionales. Se ha encontrado que la norma personal influye directamente sobre la reducción del uso del automóvil (Donald et al., 2014; Hing et al., 2016; Hoang-Tung et al., 2017).

De acuerdo con la teoría de la auto-determinación (Ryan & Deci, 2000) la motivación humana se conceptualiza como un continuo en función del grado de internalización de los estímulos reforzadores por los que resulta gratificante realizar cada conducta. Por lo que, por un lado, la motivación extrínseca resulta dependiente por completo de reforzadores externos o autoadministrados, mientras que por otro lado, la motivación intrínseca no es dependiente de reforzadores sino que se basa en un sentido de autonomía, competencia y afiliación. En este sentido, Thøgersen (2006) señaló que las normas personales deben categorizarse en función de su grado de internalización: las normas introyectadas son internalizadas a un nivel superficial y su proceso motivacional es de carácter afectivo, buscando evitar sentimientos de culpa anticipados; mientras que las normas integradas son internalizadas a un nivel más profundo y su proceso motivacional es de carácter cognitivo basado en la congruencia y la convicción con el self.

En dos estudios realizados en Alemania, se encontró que los sentimientos de culpa anticipados al uso del auto y las creencias de obligación moral para no usar el auto, conformaron dimensiones diferenciadas (Bamberg et al., 2007; Hunecke et al., 2001). En España, Martín et al. (2007) y Martín et al. (2017) hallaron que las normas integradas de obligación moral para respetar las leyes medioambientales se correlacionaron en mayor medida con diversas conductas proambientales y con la ejecución de menos delitos ambientales.

De esta manera, se considera necesario el desarrollo y la validación de instrumentos psicométricos con bases teóricas y empíricas sólidas, que permitan medir con precisión los procesos motivacionales subyacentes a las conductas de movilidad y proponer intervenciones eficaces dirigidas a disminuir el uso del automóvil en poblaciones latinoamericanas. Por lo tanto, el propósito de esta investigación es adaptar y conocer las propiedades de la escala de motivos para el uso del auto (EMAU) y la escala de norma personal de reducción de uso del auto (ENPRAU) en una muestra de automovilistas residentes en la Ciudad de México (CDMX) y la ZMVM.

Método

Participantes

257 individuos participaron mediante un muestreo no probabilístico propositivo, todos residentes de la CDMX y la ZMVM con acceso al menos a un automóvil en el hogar. El 54.9% se identificaron como mujeres, 44.4% como hombres y 0.8% como no binarios. La media de edad fue de 41.44 años (DE = 12.47), con un rango entre 20 y 75 años. El nivel socioeconómico se midió mediante el indicador simplificado de bienes y servicios (ISBS; Díaz-Acosta et al., 2015), obteniendo una media fue de 0.79 (DE = 0.19), lo cual es indicativo de un nivel socioeconómico medio-alto predominantemente.

Instrumentos

Se construyó un banco inicial de reactivos encontrados en la literatura. Para la EMAU se tomaron 31 ítems provenientes del estudio de Steg (2005), mientras que para la ENPRAU se identificaron 25 reactivos concordantes con las definiciones de norma introyectada e integrada en ocho estudios distintos (Abrahamse et al., 2009; Bamberg et al., 2007; Bamberg & Schimdt, 2003; Haustein et al., 2009; Heath & Gifford, 2002; Hing et al., 2016; Hunecke et al., 2001, 2007). Los reactivos fueron traducidos del inglés al español y posteriormente re-traducidos, con el fin de mantener la equivalencia conceptual, semántica y operacional.

Posteriormente, los bancos de reactivos fueron evaluados con relación a su validez de contenido con el apoyo de un panel de cinco jueces académicos de la Facultad de Estudios Superiores Zaragoza y el Posgrado en Urbanismo de la Universidad Nacional Autónoma de México. Los detalles del proceso de validación de contenido pueden consultarse en el material suplementario online. Las versiones piloto de la EMAU y la ENPRAU quedaron compuestas por 32 reactivos y 22 reactivos respectivamente, con un formato de respuesta tipo Likert de cinco niveles: de ‘completamente en desacuerdo’ a ‘completamente de acuerdo’.

Como criterio de validez externo, se midió el uso del auto mediante cuatro viñetas escritas y gráficas de preferencia enunciada de modos de transporte. En cada una se presentó un diferente escenario hipotético de movilidad rutinaria y cuatro opciones de respuesta (auto particular, taxi o servicio por aplicación y dos alternativas de transporte público). Se solicitó elegir una de las opciones de respuesta, considerando las condiciones previas a la pandemia de SARS-COV2. Las respuestas fueron categorizadas como 1 = uso de taxi o transporte público o 2 = uso de automóvil, por lo que un mayor puntaje refleja mayor uso del automóvil. Los escenarios hipotéticos fueron construidos al consultar las rutas más frecuentes de movilidad diaria entre semana (Instituto Nacional de Estadística y Geografía, 2017; ver material suplementario). Para cada modo de transporte se presentaron los costos económicos, temporales y conductuales, los cuales fueron consultados en las aplicaciones móviles: Google© maps™, Moovit™, y Uber©.

Procedimiento

Las escalas fueron aplicadas a través de un formulario de Google© forms™, compartido mediante comunicación personal, correo electrónico y redes sociales. Se presentó en primer lugar el objetivo del estudio, el consentimiento informado y se recabaron los datos socioeconómicos, a continuación, las viñetas de preferencia enunciada de movilidad y posteriormente la EMAU y la ENPRAU.

Análisis de datos

Los análisis fueron realizados mediante los programas SPSS™ versión 26 y AMOS™ versión 21. Inicialmente, se verificaron los estadísticos descriptivos de media, desviación estándar, sesgo y curtosis, los cuales pueden ser consultados en su totalidad en el material suplementario en línea. A continuación, se efectuó el análisis factorial confirmatorio (AFC) utilizando como método de discrepancia distribución asintóticamente libre, dado que resulta adecuado cuando no es posible cumplir con el supuesto de normalidad multivariada (Byrne, 2010). De acuerdo con Raykov y Marcoulides (2000) los cálculos efectuados bajo este método de estimación resultan confiables con una muestra al menos 10 veces superior al número de parámetros identificados en el modelo.

El modelo de la EMAU se especificó a partir de la teoría de los significados de las posesiones materiales (Dittmar, 1992), compuesto por tres factores: motivos instrumentales, motivos simbólicos y motivos afectivos para usar el automóvil, se calcularon en total 21 parámetros. La ENPRAU se especificó con base en la taxonomía de norma personal propuesta por Thøgersen (2006) fundamentada en la teoría de la autodeterminación (Ryan & Deci, 2000), conformado por dos factores: norma personal integrada y norma personal introyectada. Se calcularon en total 15 parámetros, por lo que para ambas escalas el tamaño de la muestra resulta adecuado.

Para evaluar el ajuste del modelo se revisaron los siguientes índices: CMIN, CMIN/DF, GFI, AGFI, PGFI, SRMR, RMSEA, NFI, RFI, IFI, CFI y TLI. En caso de que los modelos iniciales no presenten índices de ajuste adecuados, se revisó la matriz de covarianzas entre residuales estandarizados y los índices de ajuste, con el fin de identificar aquellos reactivos que presenten correlaciones significativas entre sus residuales y suprimirlos del modelo. La normalidad multivariada fue evaluada mediante el coeficiente de curtosis de Mardia.

La confiabilidad se estimó mediante el método de consistencia interna (α de Cronbach) para cada subescala. La validez convergente se evaluó mediante la varianza media extraída (VME) la cual busca medir el nivel de certeza con el que los reactivos propuestos miden una dimensión latente (Moral-de la Rubia, 2019), operacionalizada como el promedio de los pesos factoriales estandarizados al cuadrado (Fornell & Larcker, 1981). La validez discriminante se evaluó mediante la √VME, dado que busca evitar colinealidad entre los constructos medidos; se espera que la √VME sea mayor al coeficiente de correlación del factor con otros constructos (Fornell & Larcker, 1981).

La validez de criterio fue evaluada corriendo un modelo de regresión lineal para predecir el uso del automóvil a partir de los factores de la EMAU y la ENPRAU. Se verificaron los supuestos de normalidad multivariada mediante los valores de la media, asimetría y curtosis de los residuales del modelo. Se evaluó la colinealidad de los predictores mediante los estadísticos de Tolerancia y el factor de inflación de la varianza (VIF).

Resultados

Modelo factorial y confiabilidad de la EMAU

De los 32 reactivos iniciales se descartaron 18 por incumplir con el supuesto de normalidad univariada (sesgo > ±1 y/o curtosis > ±1.5; Miles y Shevlin, 2001). Posteriormente se descartaron cinco ítems durante el proceso del AFC, al presentar altas covarianzas estandarizadas entre residuales (mayores que 1.5 o menores a .05; Byrne, 2010). De esta manera, la versión final de la EMAU queda compuesta por tres ítems para la dimensión motivos instrumentales (α = .771), tres ítems para la dimensión motivos simbólicos (α = .824) y tres ítems para la dimensión motivos afectivos (α = .830). En la Tabla 1, se presentan las medias, desviaciones estándar y la matriz de correlaciones (r de Pearson) entre los puntajes de los reactivos, mientras que en la Tabla 2 se muestran los índices de ajuste; en la Figura 1 se representa gráficamente el modelo con los respectivos coeficientes estandarizados de regresión y de varianza explicada.

Figura 1.

Modelo factorial de la EMAU con coeficientes estandarizados.

Tabla 1.

Estadísticos descriptivos y correlaciones bi-variadas entre ítems de la EMAU.

Me parece atractivo el uso del auto porque:	M	DE	1	2	3	4	5	6	7	8	9
1. Hace mi vida más fácil	3.583	1.285	1
2. No tengo que interactuar con extraños	3.649	1.335	.516**	1
3. Me siento seguro dentro de mi coche	3.501	1.370	.561**	.513**	1
4. Me da prestigio	2.054	1.033	.200**	.260**	.240**	1
5. Manejar forma parte de mi estilo de vida	2.171	1.183	.330**	.317**	.299**	.520**	1
6. Mi auto va con mi personalidad	2.093	1.142	.253**	.326**	.257**	.615**	.694**	1
7. Me siento libre cuando manejo	2.634	1.271	.404**	.329**	.458**	.334**	.450**	.398**	1
8. Me siento motivado a conducir	2.490	1.166	.324**	.309**	.413**	.412**	.437**	.429**	.606**	1
9.Disfruto manejar	2.871	1.300	.415**	.332**	.418**	.264**	.329**	.295**	.607**	.650**	1

Nota: **p < .001.

Tabla 2.

Índices de ajuste del modelo factorial de la EMAU.

NPAR	CMIN	DF	p	CMIN/DF
21	39.796	24	.022	1.658
SRMR	GFI	AGFI	PGFI
.048	.970	.943	.517
NFI	RFI	IFI	TLI	CFI
.866	.798	.952	.909	.939
RMSEA	LO90	HI90	PCLOSE
.051	.019	.078	.451

En primer lugar, se observa que todas las correlaciones entre los reactivos resultan estadísticamente significativas con un nivel de confianza del 99%. A continuación, los índices de ajuste muestran en general un ajuste satisfactorio del modelo. Si bien la prueba CMIN indica que con un nivel de confianza del 95%, existen diferencias estadísticamente significativas entre la matriz asumida y la matriz observada, esta prueba presenta limitaciones relacionadas con un sesgo en la significancia a partir del tamaño de la muestra (Byrne, 2010). Por este motivo, se consideran otros índices para evaluar el ajuste del modelo de manera integral. El CMIN/DF indica la proporción del ajuste por restricción de sobre-identificación, donde valores menores a 2 señalan un buen ajuste (Carmines, 1981).

Por su parte, el SRMR es un estadístico estandarizado que representa la media de los residuales, de acuerdo con lo esperado para un buen ajuste su valor debe ser menor a .5. Para el GFI y el AGFI se esperan valores mayores a .9 en modelos con buen ajuste, mientras que para el PGFI se esperan valores cercanos a .5 (Byrne, 2010); de igual manera los índices reflejan un buen ajuste. En relación con los índices CFI, NFI, RFI, IFI y TLI valores cercanos a .95 reflejan un buen ajuste (Hu y Bentler, 1999). En este caso, los índices NFI y RFI no son indicativos de un buen ajuste dado que son menores a 0.9, sin embargo, los valores de IFI, TLI y CFI son mayores a .9 pero menores de .95. A continuación, el RMSEA representa el error de aproximación a los valores en la población, donde valores menores a .06 reflejan un buen ajuste, (Hu & Bentler, 1999). De igual manera, un intervalo de confianza estrecho y cuyo valor superior resulta menor a .8 es indicativo de mayor precisión y buen ajuste en la población, mientras que el valor de PCLOSE se espera que sea mayor a .5 (Byrne, 2010). Por lo tanto, el RMSEA y su intervalo de confianza resultan indicativos de buen ajuste, sin embargo, el PCLOSE se encuentra ligeramente por debajo de .5.

Como se observa en la Figura 1, todos los ítems presentan coeficientes estandarizados de regresión mayores a .71 y coeficientes de varianza explicada mayores a .48. Los motivos instrumentales correlacionan con magnitud positiva moderada con los motivos simbólicos, mientras que instrumentales y simbólicos y simbólicos y afectivos correlacionan con magnitud positiva alta. Por último, el estadístico de curtosis multivariada del modelo es 16.864 (c.r. = 9.607). dado que valores del c.r. mayores a 5 son indicativos de no normalidad multi-variada, no resulta adecuado utilizar el método de máxima verosimilitud (Yuan et al., 2005).

Modelo factorial y confiabilidad de la ENPRAU

Siguiendo los mismos criterios que en la EMAU, de los 22 reactivos iniciales se descartaron cinco reactivos por incumplir el supuesto de normalidad univariada. De igual manera se descartaron 10 reactivos durante el proceso del AFC al presentar altas covarianzas entre residuales. De esta manera, la versión final de la ENPRAU queda conformada por cuatro reactivos para la dimensión de norma integrada (α = .853) y tres reactivos para la dimensión de norma introyectada (α = .893). En la Tabla 3 se presentan las medias, desviaciones estándar y la matriz de correlaciones (r de Pearson), mientras que a continuación en la Tabla 4, se muestran los índices de ajuste. En la Figura 2 se representa gráficamente el modelo con los respectivos coeficientes estandarizados de regresión y de varianza explicada.

Figura 2.

Modelo factorial de la ENPRAU con coeficientes estandarizados.

Tabla 3.

Estadísticos descriptivos y correlaciones bi-variadas entre ítems de la ENPRAU.

	M	D.E.		2	3	4	5	6	7
1. Por motivos ambientales prefiero utilizar el transporte público	3.478	1.338	1
2. Uso poco mi auto porque mis valores así me lo dictan	2.774	1.336	.480**	1
3. Debido a mis valores prefiero usar el transporte público para mis desplazamientos rutinarios	2.953	1.334	.569**	.608**	1
4. Debido a mis principios, prefiero usar medios de transporte distintos al auto	2.996	1.318	.555**	.603**	.742**	1
5. Me inquieta pensar en el daño a la salud que provoco a otros al usar mi auto	2.929	1.257	.431**	.502**	.506**	.488**	1
6. Usar el auto para ir al trabajo o a la escuela me pesa en la consciencia	2.509	1.311	.377**	.494**	.530**	.480**	.718**	1
7. Me inquieta usar el auto al pensar en las afectaciones a la salud de todos(as)	2.785	1.246	.420**	.548**	.506**	.561**	.771**	.720**	1

Nota: **p < .001.

Tabla 4.

Índices de ajuste del modelo factorial de la ENPRAU.

NPAR	CMIN	DF	P	CMIN/DF
15	17.265	13	.187	1.328
SRMR	GFI	AGFI	PGFI
.035	.981	.959	.455
NFI	RFI	IFI	TLI	CFI
.939	.901	.984	.974	.984
RMSEA	LO90	HI90	PCLOSE
.036	.000	.076	.672

En este caso, la prueba CMIN muestra que no existen diferencias significativas entre la matriz asumida y la matriz observada, con un nivel de confianza del 95%. En sintonía con lo anterior, los estadísticos CMIN/DF, SRMR, GFI, AGFI, PGFI resultan indicativos de buen ajuste de acuerdo con los criterios anteriormente señalados. Tanto NFI como RFI obtienen valores mayores a .9 sin embargo resultan menores a .95, mientras que CFI, IFI y TLI son indicativos de ajuste superior (mayor a .95). El valor del RMSEA es indicativo de un buen ajuste, de igual manera el intervalo de confianza superior se encuentra por debajo de .8 y el valor PCLOSE es mayor a .5, sin embargo, el intervalo de confianza es ligeramente más amplio en comparación con la EMAU.

Como se observa en la Figura 2, todos los coeficientes estandarizados de regresión están por encima de .67 mientras que los coeficientes de varianza explicada son mayores a .45. La correlación entre la norma personal integrada y la norma personal introyectada es de magnitud positiva y alta. El valor de la curtosis multivariada Mardia es 14.917 (c.r. = 10.652), por lo que tampoco se cumple con el supuesto de normalidad multivariada.

Validez convergente, discriminante y de criterio

A continuación, en la Tabla 5 se presenta la matriz de correlaciones bi-variadas entre los factores de la EMAU, los factores de la ENPRAU y la medida de uso de auto, mientras que en las filas inferiores se presentan la VME y la √VME. Moral-de la Rubia (2019) identificó que al cumplirse ciertos supuestos en la medición como pesos factoriales en todos los ítems mayores a .50 y coeficientes alfa mayores a .70; valores de VME mayores a .44 para tres ítems y .37 para cuatro ítems, son indicativos de validez convergente. Todos los factores presentan una VME mayor a .523 y la √VME es mayor a todos los coeficientes de correlación de Pearson. Los factores de la EMAU correlacionan significativamente con el uso del auto en sentido directamente proporcional y de magnitud baja, mientras que los factores de la ENPRAU correlacionan significativamente con el uso del auto en sentido negativo, siendo de magnitud moderada para la norma integrada y de magnitud baja para la norma introyectada. Las correlaciones entre los factores de la EMAU y la ENPRAU son significativas en sentido inversamente proporcional y de magnitud baja.

Tabla 5.

Matriz de correlaciones entre los factores de la EMAU, ENPRAU con el uso del auto, y VME y √VME para cada factor.

	1	2	3	4	5	6
1. Motivos instrumentales	1
2. Motivos afectivos	.529**	1
3. Motivos simbólicos	.389**	.499**	1
4. Norma integrada	−.250**	−.196**	−.165**	1
5. Norma introyectada	−.145*	−.233**	−.131*	.643**	1
6. Uso de auto	.289**	.200**	.214**	−.419**	−.192**	1
VME	.523	.613	.618	.600	.739
√VME	.723	.782	.786	.774	.859

Nota: **p < .001.

En la Tabla 6 se presenta el resumen del modelo de regresión lineal y en la Tabla 7 los coeficientes. En el primer paso, los factores de la EMAU explicaron el 8.5% de la varianza, mientras que en el paso dos, al introducir los factores de la ENPRAU la varianza explicada aumenta a 21.3%. En el primer paso, los motivos instrumentales para usar el auto son los predictores significativos en sentido positivo de uso del auto y magnitud baja, mientras que en el segundo paso permanecieron como predictores significativos, en conjunto con la norma integrada en sentido inversamente proporcional al uso del auto y magnitud moderada. Los valores de Tolerancia y VIF indican colinealidad parcial entre los predictores, lo cual resulta esperable al tratarse de factores correlacionados, sin embargo, dichos valores no influyen significativamente para aumentar el error estándar del modelo (Tolerancia < .5, VIF > 2; Miles & Shevlin, 2001).

Tabla 6.

Resumen del modelo de regresión lineal para predecir uso del automóvil.

Modelo	R	R ²	R ² ajustado	Error	Estadísticos de cambio
Modelo	R	R ²	R ² ajustado	Error	Cambio R ²	gl1	gl2	Sig. Cambio en F
1	.310	.096	.085	.359	.096	3	253	.000
2	.478	.229	.213	.333	.133	2	251	.000

Tabla 7.

Coeficientes del modelo de regresión lineal para predecir uso del automóvil.

Modelo		B	Error	Beta	t	Sig.	Tolerancia	VIF
1	(Constante)	1.053	.081		13.058	.000
	Motivos instrumentales	0.027	.008	.235	3.293	.001	.699	1.431
	Motivos afectivos	0.002	.009	.019	0.244	.807	.619	1.616
	Motivos simbólicos	0.015	.009	.113	1.621	.106	.730	1.371
2	(Constante)	1.519	.111		13.728	.000
	Motivos instrumentales	0.017	.008	.152	2.255	.025	.672	1.487
	Motivos afectivos	0.002	.008	.017	0.243	.808	.599	1.671
	Motivos simbólicos	0.012	.008	.090	1.383	.168	.727	1.375
	Norma integrada	−0.038	.006	−.448	−6.041	.000	.558	1.793
	Norma introyectada	0.015	.008	.134	1.821	.070	.567	1.763

Discusión

Los resultados muestran evidencias de que ambas escalas presentan evidencias iniciales de confiabilidad, validez y parsimonia en población de automovilistas de la CDMX, las cuáles deben ser replicadas en estudios posteriores. El modelo de la EMAU especificado con base en la teoría de los significados de las posesiones materiales (Dittmar, 1992) obtuvo en general buenos índices de ajuste estadístico. De igual manera, la ENPRAU especificada a partir de la teoría de la auto-determinación (Ryan & Deci, 2000) presenta todavía un mejor ajuste a los datos, por lo que ambas escalas reflejan en buena medida los constructos postulados por dichas teorías.

De acuerdo con Steg et al. (2001) los motivos instrumentales para usar el auto, resultan mejores predictores de uso del automóvil (en comparación con los afectivos y simbólicos) cuando el método de medición es una escala de tipo Likert pues se basan en una deliberación consciente de los costos y beneficios al momento de elegir un modo de transporte, lo cual resulta congruente con lo encontrado en este estudio. Por otra parte, Thøgersen (2006) señaló que las normas personales integradas resultan mejores predictores de las conductas pro-ambientales (en comparación con las normas introyectadas) pues se encuentran internalizadas en mayor medida en el self, lo cual también es coincidente con lo encontrado en este estudio.

En el contexto de la investigación básica, la EMAU y la ENPRAU pueden utilizarse para medir ambos constructos e integrarlos en modelos de mayor alcance que expliquen el uso del auto en población de automovilistas residentes en la CDMX y la ZMVM. En este sentido, la teoría de la meta encuadrada (Steg et al., 2014) identifica tres metas cognitivas que activan distintos procesos motivacionales subyacentes a la conducta ambientalmente relevante a partir de señales contextuales: meta hedónica relacionada con conseguir estimulación y ganancias a corto plazo, meta de ganancia relacionada con acumular recursos y generar utilidades a mediano/largo plazo y la meta normativa relacionada con la conservación y/o mantenimiento de bienes y recursos comunes. En dicho sentido, las metas hedónicas pueden definirse operacionalmente mediante los motivos simbólicos y afectivos para usar el auto, las metas de ganancia como motivos instrumentales para usar el auto y las metas normativas mediante la norma personal de reducción de uso del auto.

En el contexto de las intervenciones dirigidas hacia la disminución del uso del auto, ambas escalas resultan idóneas con fines diagnósticos y de evaluación en muestras de automovilistas de la CDMX y ZMVM. De acuerdo con los resultados de este estudio, las intervenciones dirigidas a facilitar un entendimiento y valoración moral de las externalidades negativas derivadas del uso excesivo del automóvil que permitan una internalización profunda de la norma personal de reducción de uso del auto deberían favorecer reducciones significativas del uso del auto, por lo que se requieren de más estudios de carácter teórico y aplicado con el fin de replicar los hallazgos de este estudio.

Entre las principales limitaciones de este estudio se encuentra el tipo de muestreo, el cual dificulta asegurar la representatividad de la muestra. De igual manera, se recomienda utilizar diferentes métodos para medir el uso del auto, con el fin de validar el método de preferencia enunciada, así como comparar con medidas implícitas de los motivos simbólicos y afectivos para el uso del automóvil, dada la naturaleza semi-consciente de su proceso motivacional subyacente (Steg et al., 2001).

Footnotes

Supplemental data

Supplemental data for this article can be accessed here / Se puede acceder a los datos suplementarios para este artículo

This research was carried out with the support of the National Council of Science and Technology (CONACYT) through the National Postgraduate Scholarship Programme, No.: 299311, Grant No.: 494859. The authors would like to thank the reviewers for their invaluable feedback, and Arturo Villalpando, Cristina Barrientos, Cristina Vanegas, Daniela Orozco and Leonardo Soler for their participation as evaluators of content validity, as well as Omar Aldape for his involvement in the translation of the items and Nazira Calleja Bello from the Faculty of Psychology and Fatima Arizbeth Blanco from FES Zaragoza for their invaluable feedback. / Esta investigación fue realizada con el apoyo del Consejo Nacional de Ciencia y Tecnología (CONACYT) mediante el programa de becas nacionales de posgrado, No. de becario: 299311, No. De beca: 494859. Los autores agradecen a los revisores por su valiosa retroalimentación, así como la participación de Arturo Villalpando, Cristina Barrientos, Cristina Vanegas, Daniela Orozco y Leonardo Soler como evaluadores de la validez de contenido, a Omar Aldape por su participación en el proceso de traducción de los ítems, a Nazira Calleja Bello de la Facultad de Psicología y a Fátima Arizbeth Blanco de la Facultad de Estudios Superiores Zaragoza por su valiosa retroalimentación.

No potential conflict of interest was reported by the authors. / Los autores no han referido ningún potencial conflicto de interés en relación con este artículo.

ORCID

Carlos-Adrián Cruz

José-Marcos Bustos

Patricia Andrade

Luz-María Flores

References

Abrahamse

Steg

Gifford

Vlek

(2009). Factors influencing car use for commuting and the intention to reduce it: A question of self-interest or morality? Transportation Research Part F, 12, 317–324. https://doi.org/10.1016/j.trf.2009.04.004

Bamberg

Hunecke

Blöbaum

. (2007). Social context, personal norms and the use of public transportation: Two field studies. Journal of Environmental Psychology, 27, 190–203. https://doi.org/10.1016/j.jenvp.2007.04.001

Bamberg

Schimdt

. (2003). Morality or habit? Predicting student’s car use for university routes with the models of Ajzen, Schwartz and Triandis. Environment and Behavior, 35(2), 264–285. https://doi.org/10.1177/0013916502250134

Byrne

B. M

. (2010). Structural equation modeling with AMOS: Basic concepts, applications, and programming (2nd ed.). Routledge/Taylor & Francis Group.

Carmines

E. G

. (1981). Analyzing models with unobserved variables. Social measurement: Current issues, 80. Sage Publications.

Díaz-Acosta

Shiba-Matsumoto

A. R.

Gutiérrez

J. P

. (2015). Medición simplificada del nivel socioeconómico en encuestas breves: Propuesta a partir de acceso a bienes y servicios. Salud Pública de México, 57, 298–303. http://repositorio.insp.mx:8080/jspui/handle/20.500.12096/6971

Dittmar

. (1992). The social psychology of material possessions: To have is to be. Palgrave MacMillan.

Donald

Cooper

Conchie

. (2014). An extended theory of planned behavior model of the psychological factors affecting commuters transport mode use. Journal of Environmental Psychology, 40, 39–48. https://doi.org/10.1016/j.jenvp.2014.03.003

Fornell

Larcker

. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104

10.

Haustein

Klöckner

Blöbaum

. (2009). Car use of young adults: The role of travel socialization. Transportation Research Part F, 12, 168–178. https://doi.org/10.1016/j.trf.2008.10.003

11.

Heath

Gifford

. (2002). Extending the theory of planned behavior: Predicting the use of public transportation. Journal of Applied Social Psychology, 32(10), 2154–2189. https://doi.org/10.1111/j.1559-1816.2002.tb02068.x

12.

Hing

van Breukelen

Peters

Kok

. (2016). Commuting travel mode choice among office workers: Comparing an extended theory of planned behavior model between regions and organizational sectors. Travel Behavior and Society, 4, 1–10. http://dx.doi.org/10.1016/j.tbs.2015.11.002

13.

Hoang-Tung

Kojima

Kubota

. (2017). Transformation from intentions to habits in travel behavior: An awareness of a mediated form of intention. Transportation Research Part F: Traffic Psychology and Behavior, 49, 226–235. https://doi.org/10.1016/j.trf.2017.07.001

14.

L. T.

Bentler

P. M

. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: a Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118

15.

Hunecke

Blöbaum

Matthies

Höger

. (2001). Responsibility and environment: Ecological norm orientation and external factors in the domain of travel mode choice behavior. Environment and Behavior, 33, 830–852. https://doi.org/10.1177/00139160121973269

16.

Hunecke

Haustein

Grischkat

Böhler

. (2007). Psychological, sociodemographic, and infrastructural factors as determinants of ecological impact caused by mobility behavior. Journal of Environmental Psychology, 27(4), 277–292. https://doi.org/10.1016/j.jenvp.2007.08.001

17.

Instituto Nacional de Estadística y Geografía . (2017). Encuesta Origen Destino en hogares de la Zona Metropolitana del Valle de México 2017. https://www.inegi.org.mx/contenidos/programas/eod/2017/doc/resultados_eod_2017.pdf

18.

Jakobsson

Gamble

Hagman

Polk

Gärling

Olsson

. (2011). Affective–symbolic and instrumental–Independence psychological motives mediating effects of socio-demographic variables on daily car use. Journal of Social Geography, 19, 33–38. https://doi.org/10.1016/j.jtrangeo.2009.11.006

19.

Keizer

Schultz

. (2013). Social norms and pro-environmental behavior. In Steg

van den Berg

De Groot

(Eds.), Environmental psychology an introduction (pp. 153–164). BPS Blackwell.

20.

Lois

López-Sáenz

. (2009). The relationship between instrumental, symbolic and affective factors as predictors of car use: A structural equation modeling approach. Transportation Research Part A, 43, 790–799. https://doi.org/10.1016/j.tra.2009.07.008

21.

Malle

B. F

. (2011). Attribution theories: How people make sense of behavior. In Chadee

(Ed.), Theories in social psychology (pp. 72–95). Wiley-Blackwell.

22.

Martín

A. M.

Hernández

Alonso

. (2017). Pro-environmental motivation and regulation for environmental laws as predictors of illegal anti-ecological behaviors. Psyecology, 8(1), 33–74. https://doi.org/10.1080/21711976.2016.1267134

23.

Martín

A. M.

Hernández

Ruiz

. (2007). Variables predictoras de la norma personal en transgresiones de las leyes medioambientales. Medio ambiente y Comportamiento Humano, 8(1–2), 137–157. https://dialnet.unirioja.es/servlet/articulo?codigo=2693865

24.

Miles

Shevlin

. (2001). Applying regression & correlation. A guide for students and researchers. Sage Publications.

25.

Moral-de la Rubia

. (2019). Revisión de los criterios para validez convergente estimada a través de la Varianza Media Extraída. Psychologia, 13(2), 25–41. https://doi.org/10.21500/19002386.4119

26.

Páez

Whalen

. (2010). Enjoyment of commute: A comparison of different transportation modes. Transportation Research Part A, 44, 537–549. https://doi.org/10.1016/j.tra.2010.04.003

27.

Programa de las Naciones Unidas para los Asentamientos Humanos . (2013). Planning and design for sustainable urban mobility: Global report on human settlements 2013. https://unhabitat.org/sites/default/files/download-manager-files/Planning%20and%20Design%20for%20Sustainable%20Urban%20Mobility.pdf

28.

Ramos

É. M. S.

Bergstad

C. J.

Nässén

. (2020). Understanding daily car use: Driving habits, motives, attitudes, and norms across trip purposes. Transportation Research Part F: Traffic Psychology and Behavior, 68, 306–315. https://doi.org/10.1016/j.trf.2019.11.013

29.

Raykov

Marcoulides

G. A

. (2000). A method for comparing completely standardized solutions in multiple groups. Structural Equation Modeling, 7(2), 292–308. https://doi.org/10.1207/S15328007SEM0702_9

30.

Ryan

R. M.

Deci

E. L

. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68. https://doi.org/10.1037/0003-066X.55.1.68

31.

Sivasubramaniyam

R. D.

Charlton

S. G.

Sargisson

R. J

. (2020). Mode choice and mode commitment in commuters. Travel Behavior and Society, 19, 20–32. https://doi.org/10.1016/j.tbs.2019.10.007

32.

Steg

. (2005). Car use: Lust and must. Instrumental, symbolic and affective motives for car use. Transportation Research Part A: Policy and Practice, 39(2–3), 147–162. https://doi.org/10.1016/j.tra.2004.07.001

33.

Steg

Bolderdijk

J. W.

Keizer

Perlaviciute

. (2014). An integrated framework for encouraging pro-environmental behavior: The role of values, situational factors and goals. Journal of Environmental Psychology, 38, 104–115. https://doi.org/10.1016/j.jenvp.2014.01.002

34.

Steg

Vlek

Slotegraaf

. (2001). Instrumental-reasoned and symbolic-affective motives for using a motor car. Transportation Research Part F, 4, 151–169. https://doi.org/10.1016/S1369-8478(01)

35.

Stradling

. (2011). Travel mode choice. In Porter

(Ed.), Handbook of Traffic Psychology (pp. 485–502). Elsevier Academic Press.

36.

Tao

Thøgersen

. (2019). The role of car ownership in attitudes towards public transport: A comparative study of Guangzhou and Brisbane. Transportation Research Part F: Traffic Psychology and Behavior, 60, 685–699. https://doi.org/10.1016/j.trf.2018.12.005

37.

Thøgersen

. (2006). Norms for environmentally responsible behavior: An extended taxonomy. Journal of Environmental Psychology, 26, 247–261. https://doi.org/10.1016/j.jenvp.2006.09.004

38.

Yuan

K. H.

Bentler

P. M.

Zhang

. (2005). The effect of skewness and kurtosis on mean and covariance structure analysis: The univariate case and its multivariate implication. Sociological Methods & Research, 34(2), 240–258. https://doi.org/10.1177/0049124105280200