英文题目：Investigating the willingness of shifting to MaaS in one-trip scenarios: Insights from comparative stated surveys

中文题目：单次出行场景MaaS使用意愿调查：基于对比调查的实证分析

论文作者：姚恩建，郝赫，潘龙，陈荣升，王月，肖晖

论文期刊：Transportation Research Part A: Policy and Practice

论文网址：https://doi.org/10.1016/j.tra.2025.104384

摘要：

为了提升交通系统，出行即服务（Mobility-as-a-Service, MaaS）作为一种潜在的解决方案，已引发广泛关注并被大量研究。然而，在发展的初期阶段，如何引导用户从现有出行方式（或非MaaS模式）转向MaaS模式，仍需进一步探索，这对MaaS的可持续发展至关重要。为此，本文以北京为背景，设计了一项意向调查实验（Stated Preference, SP实验），通过向受访者提供对比场景，使其关注MaaS方案与传统单一模式出行方式的差异。此外，本研究开发了一个潜在类别模型（Latent-Class-Based Model），整合了从对比SP实验中获取的出行习惯和跨场景变量。模型估计结果显示，受访者可划分为两类：第一类代表熟悉MaaS且使用共享交通（Shared Mobility）的群体，第二类为汽车爱好者。就偏好而言，第一类受访者对所有MaaS方案具有更高的效用感知，但如果他们原本选择私家车或出租车，他们倾向于维持非MaaS场景下的出行方式；相反，第二类受访者对所有MaaS方案持消极态度，但他们过去选择公共交通（Public Transportation, PT）的行为对含PT的MaaS方案选择具有正向影响。此外，本文提出MaaS倾向指数（Shift to MaaS Index）以量化选择MaaS的意愿。研究发现：第一类受访者的转向概率显著更高，而缩短行程时间对选择MaaS的促进作用有限。基于此，本研究从推广策略、既有交通模式转型及MaaS发展方向三方面，提出了促进MaaS发展的启示与政策建议。

1. 引言

出行即服务（Mobility as a Service, MaaS）是交通行业的一个新概念，旨在通过将各种交通模式和资源整合到一个数字应用程序中（包括公共交通、共享单车、出租车、网约车和汽车共享）为用户提供无缝且高效的多模式出行体验，并为用户提供最合适的出行计划。此外，MaaS全天候可用，并整合了行程规划、预订、支付和路线信息等功能，有助于改善用户出行体验。

MaaS是交通行业的一个新兴概念，旨在用多模式出行系统替代私家车（Chowdhury and Ceder, 2016），并通过提供共享出行服务等新兴替代方案进一步助力减少碳排放（Miskolczi et al., 2021）。MaaS的核心是一个以用户为导向的智能出行管理系统，具有集成的多模式框架，使用户能够通过数字平台无缝完成一系列步骤，如出行规划、移动和支付（Kamargianni et al., 2016; Matyas and Kamargianni, 2021）。简而言之，出行者将通过成熟的MaaS平台获得更舒适且更具成本效益的出行服务。对政府而言，MaaS带来的城市出行模式变化将促成更可持续的城市和更高的城市活力（Kriswardhana and Esztergár-Kiss, 2023a）。

鉴于MaaS被广泛认为是减少拥堵和外部成本的新型交通解决方案（Smith et al., 2018），其已引起学者和相关方的关注。因此，最显著的现象之一是全球范围内开展了多种MaaS试验（Jittrapirom et al., 2017）。首个MaaS试验源自2013年瑞典的Go:Smart项目，并被命名为UbiGo。经过六个月的实验，MaaS提供商观察到用户的出行模式已转向更可持续的方式。就用户自身而言，他们对UbiGo表达了高度认可，并希望尽可能再次使用。这表明运作良好的MaaS平台可以显著提升用户出行体验，并促进更可持续的城市出行模式（Strömberg et al., 2018）。另一项著名的MaaS试验是澳大利亚首个MaaS试验Tripi（Hensher et al., 2021）。该试验于2019年4月开展，旨在探索MaaS是否是一种有价值的交通解决方案。经过两年的实验，参与者对MaaS有了更深入的理解。此外，收集了大量显示偏好（Revealed Preference, RP）数据以提供有益见解。

Tripi收集的数据为MaaS发展提供了有益见解。在Tripi实验期间，当参与者加入试验时，按需付费（Pay-As-You-Go, PAYG）被作为默认选项（Ho et al., 2021b）。这对用户而言是可以理解的，因为他们在早期阶段对MaaS不熟悉，且不太可能花费较高成本订阅MaaS套餐（Liu et al., 2023）。此外，没有规律出行模式或不经常出行的用户可能不需要MaaS套餐，但他们仍可通过PAYG享受MaaS带来的便捷出行服务。结合Tripi试验中个体层面的月度套餐订阅数据（即部分参与者倾向于选择PAYG，即使有多个套餐可选）（Ho et al., 2021a），可以推断，当遇到MaaS时，PAYG可能是首选（Ho et al., 2021a），这意味着采用MaaS的第一步可能是从个体原有出行模式转向尝试PAYG。因此，理解出行者为何从原有出行模式（非MaaS）转向MaaS对MaaS的可持续性是有帮助的。此外，考虑到MaaS可能无法改变出行者满意的出行模式（Hensher, 2024），吸引出行者采用MaaS目前是MaaS提供商面临的最具挑战性问题。例如，在先前研究中，经济激励已被证明是影响用户选择MaaS意愿的重要因素（Ho, 2021）。受此启发，与现有研究关注不同MaaS套餐和PAYG之间的订阅行为不同，本文将关注用户从当前出行模式（下文称为当前出行模式）转向PAYG下提供的多模式出行服务（所提供的每种多模式出行服务被称为完成行程的MaaS选项，下文简称MaaS选项）的意愿，这对于理解MaaS吸引用户的机制及MaaS选项提供的额外效用至关重要。具体而言，个体在不同出行场景中从当前出行模式转向MaaS选项的意愿是本研究的重点。每个场景被设计为单次出行场景（个体仅考虑如何完成当前呈现的行程），其中单模式服务（非MaaS）和MaaS选项可用，与订阅行为中的MaaS套餐不同。

为研究单次出行场景中选择MaaS的意愿，本文开展了意向（Stated Preference, SP）调查以收集受访者对当前出行模式和MaaS选项的偏好，并开发了潜在变量和潜类别模型以分析此转向意愿。总体而言，本文的贡献有三方面。

(1) 本文以新颖的方式设计SP场景。具体而言，本文为单次出行场景中的受访者设计两个案例（一个含MaaS选项，一个不含MaaS选项），并要求他们连续回答这两个案例。此定制化设计使受访者更关注MaaS选项与当前出行模式之间的差异，并帮助理解所提供差异对其选择MaaS意愿的影响。

(2) 此外，为探索异质性受访者选择MaaS的偏好，采用基于潜类别logit的框架识别受访者类别并捕捉其偏好，该框架整合了出行习惯、跨场景变量、个体相关变量、情境变量及潜在变量。来自比较性SP调查的出行习惯和跨场景变量的估计有助于理解受访者当前出行模式对其选择MaaS意愿的影响。

(3) 基于估计结果，考虑其出行模式，本研究提出MaaS倾向指数以量化受访者选择MaaS的意愿。此外，本研究还分析了MaaS倾向指数的分布及其对行程时间的敏感性。最后，在此分析基础上，本文提出MaaS发展的某些政策启示。

本文其余部分结构如下。第2节总结了先前关于公众选择MaaS意愿及用户异质性的文献。第3节介绍了调查设计和收集数据的描述性统计。第4节提出了模型框架，包括四个部分：潜在变量识别、结构模型、测量模型和选择模型。第5节分析了估计结果。基于第5节结果，第6节进一步提出了MaaS倾向指数和服务水平变量的敏感性分析。结合前文所有结果，第7节提出了促进MaaS发展的MaaS提供商和交通服务提供商的政策启示。最后，第8节总结了研究发现和未来工作。

2. 调查设计和数据收集

为探究用户选择MaaS而非其既往出行行为的原因，本研究设计专用问卷以捕捉影响用户选择MaaS意愿的因素。尽管全球范围内已开展多项MaaS试点，但北京尚无成熟MaaS平台可获取行为偏好数据（Revealed Preference Data, RP）。为此，本文设计意向偏好实验（Stated Preference Experiment, SP）以补充所需信息（Kim and Rasoulin, 2022; Matowicki et al., 2022）。下文将介绍问卷构成与数据收集结果。

2.1. 调查设计

本研究所用问卷主要包括四部分。图1展示了问卷的整体设计框架。

在回答具体问题前，本文首先向受访者介绍MaaS的定义，以帮助其理解MaaS的功能与价值，从而更好地融入MaaS情景并提升SP实验数据质量。MaaS的介绍界面如图2所示。随后，问卷核心部分呈现给受访者：

第一部分：收集受访者社会人口统计信息，包括年龄、性别、教育程度、职业、月收入水平及家庭年收入水平；

第二部分：采集受访者出行行为信息，涵盖每周平均出行频率、日常出行距离、主要出行目的、同行人数、月度出行成本及主要出行模式。

上述两部分有助于获取受访者相关特征信息，这些特征可能影响其选择MaaS的意愿（Alonso-González et al., 2020; Caiati et al., 2020）。

图1. 问卷总的设计

SP实验设计（作为第三部分的核心内容）是捕捉用户选择MaaS影响因素的关键。在本部分中，实验通过含/不含MaaS的SP实验获取转向意愿，即要求受访者分别在含/不含MaaS的场景中选择其偏好的出行方案，因此这种SP实验设计方法具有创新性。

为实现这一目标，本实验首先向用户展示MaaS的图形化示意图（如图3所示），因为图像化呈现更易于参与者理解（Matyas and Kamargianni, 2019）。此外，这种信息图表形式能确保受访者清晰地了解MaaS及其核心功能，并保持概念理解的连贯性与一致性（Alyavina et al., 2024）。

具体实验设计流程如下：

1)不含MaaS的实验：用于探究常规场景下受访者的出行偏好；

2)整合MaaS选项的实验：提供四种MaaS选项，以识别倾向于MaaS的阻碍或促进因素。

相较于仅包含既有模式与MaaS选项的单一场景（Kim et al., 2021），本研究设计的分离式场景更易引导受访者思考MaaS的附加效益。图4展示了受访者面对的SP实验界面截图：

步骤一：要求受访者在不含MaaS的上方场景中选择出行模式；

步骤二：在同一场景中额外整合MaaS选项后，要求受访者再次选择。

通过整合两次选择结果，本实验期望解析吸引受访者采纳MaaS的关键要素。

图2. 在问卷的开头介绍MaaS

关于假设场景，本实验首先考虑出行距离、出发时间和出行目的变量以构建尽可能真实的场景。基于北京居民面临的典型出行情境，本研究整合了五级出行距离（<10公里、10-20公里、20-30公里、30-40公里以及>40公里）、四级出发时间（8:00–10:00、17:00–19:00、10:00–17:00和晚于23:00）与两级出行目的（通勤与非通勤）（Jin et al., 2020）。

本实验根据五级出行距离选择了五组起讫点（Origin-Destination, OD）。为避免受访者基于实际出行经验决策，OD的实际地理位置被隐藏。此设置旨在使受访者聚焦于不同场景下既有出行模式与MaaS选项提供的多模式服务之间的差异，排除其在北京的异质性出行经验对选择的干扰，从而帮助捕捉MaaS的吸引特征。然而，此方法也可能存在局限性（相关讨论见第5节结果分析与第8节研究局限）。

图3. 在SP调查开始时的MaaS信息图表

就SP实验的备选方案而言，对于不含MaaS的场景，本实验选择了三种当前出行模式（即私家车、出租车/网约车及地铁/公交）作为无MaaS的替代选项。选择这三种无MaaS的单模式替代方案基于双重考量：

1）无MaaS服务（Level 0）与含MaaS服务（Level 2/3）的对比：

根据Sochor et al. (2018)与Mulley et al. (2023)的研究，MaaS按集成度可分为Level 0至Level 4。Level 0指平台无集成，用户仅能通过平台获取单模式独立服务（严格而言不属于MaaS）。由于本研究旨在探究用户选择MaaS的意愿，Level 0下的单模式服务被视为无MaaS的当前服务，与MaaS提供的Level 2/3的按需付费（PAYG）模式进行对比。

2）其在北京出行者中的普及率与满意度：

根据北京交通研究院（Beijing Transportation Institute, BTI）官方数据，出租车/网约车及地铁/公交占北京总客运量的约81.79%（BTI, 2024）。此外，使用公共交通的出行者中，90.7%仅通过公交或地铁完成行程（Ma, 2020），表明单模式服务已能满足多数出行需求。私家车则占出行需求的约25%（BTI, 2024）。综上，这三种单模式服务是北京地区普及度高且吸引力强的出行方式，结合MaaS Level 0特性，被选为无MaaS场景的替代选项。

选择这些常见单模式服务有助于解析吸引用户从当前模式转向MaaS的驱动因素（本研究核心关注点），这对MaaS的可持续发展至关重要（Hensher, 2022）。

图4. SP 实验受访面的截图

对于含MaaS的场景，考虑到MaaS通过整合多种出行模式与资源为用户提供便捷服务，多模式联运选项（Intermodal Options）在MaaS框架下可能更受关注（Reck and Axhausen, 2020），并被视作MaaS提供出行服务的主要形式（Hensher, 2024）。因此，本研究中的MaaS选项聚焦于整合公共交通（Public Transportation, PT）与共享出行服务（Shared Mobility Services），为用户提供一站式出行方案，具体包括：

1）地铁&公交

2）地铁&共享单车

2）地铁&出租车/网约车（Kim et al., 2021; Miramontes et al., 2017）

上述三种MaaS选项源自中国主流行程规划平台高德地图（Auto Navi Map），该平台基于可用出行模式为用户生成高效出行方案。值得注意的是，在MaaS框架下，拼车服务（Ride-Sharing）可能成为流行出行模式，因此可以亦将其纳入MaaS选项（Sochor et al., 2016）。需特别说明的是，当出发时间晚于23:00时，与PT相关的模式不可用。

针对备选方案的服务水平变量（Level of Service Variables, LOS），本文通过高德地图API技术（中国地图服务提供商）基于场景变量精确提取。为识别驱动/阻碍受访者选择MaaS的因素及其转向意愿，部分属性水平从预定义层级中选择（主要针对MaaS选项）。以私家车模式为例，受访者需考虑不同停车成本与燃油成本层级的影响。所有属性水平如表1所示。

属性水平的组合可能生成5832种场景。为此，本文采用D最优设计（D-Optimal Design）（Fedorov, 2013）以获取代表性场景。最终生成40种场景，按出行距离分为五组（每组含8种不同服务水平的场景）。每位受访者需随机回答对应组别中的五个问题。

表1. SP实验中假设情景的属性水平

第四部分旨在收集受访者对出行服务的态度。为此，本实验定制了六项态度陈述，I1-I6（如表3所示），并开发五点李克特量表（Five-Point Likert Scale）以测量受访者对陈述的认同程度。问卷整体设计框架如图1所示。

2.2. 数据收集

受访者于2022年1月至2月通过中国北京专业在线调查机构招募。考虑到不同城市的经济与人口等基础条件差异（Esztergár-Kiss and Kerényi, 2020），本研究将调查范围限定于北京地区。

为确保数据质量，本文设计了以下逻辑一致性检验规则以剔除无效受访者：

1) 未拥有私家车的受访者不应选择私家车模式；

2) 若受访者在第二场景中未选择MaaS选项，其选择结果应与第一场景一致（因服务水平变量未改变）。

本次研究共收集1254份问卷（含6270条选择观测值）。检验规则1与规则2分别剔除328条与470条观测值，最终获得1242份有效问卷（5472条有效观测值）。样本描述性统计见表2。

受访者年龄主要集中于18-60岁（92.75%），与旨在探究MaaS潜在用户偏好的MaaS4EU项目样本特征相似（MaaS4EU, 2018; Matyas and Kamargianni, 2021）。结合在线数据收集方式，这些受访者可能是北京首批接触MaaS平台的人群。此外，样本在车辆持有与MaaS认知度方面分布均衡。

基于收集的出行模式数据，本文进一步可视化受访者出行习惯分布（如图5所示）：

主要出行模式：公共交通（PT）占比最高（72.22%）（Tsouros et al., 2021），其次为出租车/网约车（39.69%）。需注意，受访者可选择多个主要模式，故占比总和可能超过100%；

出行频率：超半数受访者每周出行少于7次；

出行距离：半数受访者工作日与周末出行距离均小于10公里。

表2. 收集样本的描述性统计

除社会人口统计（Socio-Demographic）与出行模式（Travel Pattern）的信息外，本文通过陈述态度（Attitudinal Statements）收集受访者态度。表3列出了受访者回答的统计结果。

表3. 对衡量受访者陈述态度相关答复的统计结果

图5. 受访者的出行方式分布（在选择“主要出行方式”时，受访者可选择一种以上的出行方式）

3. 模型设定

本研究采用混合选择模型（Hybrid-Choice-Model, HCM）框架（作为扩展分析基础）以刻画受访者选择MaaS的意愿。HCM框架广泛用于出行行为分析领域，如出行模式选择（Huan et al., 2022; Kim and Lee, 2023; Pan et al., 2019）与新能源车购买决策（Iogansen et al., 2023）。

HCM框架包含三个组件：结构模型（Structural Model）、测量模型（Measurement Model）与选择模型（Choice Model）。其中：

结构模型：表征社会人口统计变量与潜在变量间的关系；

测量模型：构建潜在变量与态度陈述间的关联；

选择模型：解释选择MaaS的意愿。

本研究进一步开发潜在类别logit模型（Latent Class Logit Model, LCL）以捕捉受访者选择是否转向MaaS时的异质性。模型整体结构如图6所示。

图6. 所提出的HCM模型架构图

3.1 潜在变量识别

在构建HCM模型前，需识别潜在结构。作为探索性步骤，执行探索性因子分析（Exploratory Factor Analysis, EFA）以识别观测指标变量的潜在因子结构。为获得合理结构，指标需具备较高载荷（>0.4）。最终识别出一个潜在变量——质量追求者（Quality Seeker），表征以相对低成本获取高质量出行服务的意愿。

EFA完成后，本文将进行验证性因子分析（Confirmatory Factor Analysis, CFA）以检验潜在变量的效度。潜在变量效度通过两项指标衡量：因子载荷（Factor Loadings）与构造信度（Construct Reliability, CR）。因子载荷>0.4的指标有效；构造信度CR需>0.6以保障潜在结构效度。CFA结果证实识别潜在结构的有效性（详见表4）。

表4. 潜在结构的CFA验证结果

3.2 结构模型

本研究在HCM框架中整合了一个潜在变量——质量追求者（Quality Seeker）。基于收集的社会人口统计变量，构建以下结构方程以量化该潜在变量：

这其中表示受访者n的质量追求者（Quality Seeker）变量测量值；

为待估计的系数向量；

为受访者n的社会人口统计变量（Socio-Demographic Variables）；

为服从正态分布的随机误差项（均值为0，标准差为）。

在本研究中，采用社会人口统计变量与出行模式变量（Travel Pattern Variables）测量受访者个体的质量追求者变量强度。

3.3 测量模型

本研究采用六项态度陈述（Attitudinal Statements）测量潜在变量与指标响应的关系。由于响应数据通过五级量表（Five-Level Formulation）收集，本研究通过构建有序logit模型（Ordered Logit Model）以估计潜在变量对态度陈述响应的影响。各陈述的测量方程如下：

(2)式中：

表示受访者n对第i项陈述态度的连续潜变量（Continuous Latent Variable）；

为第i项陈述的截距项（Intercept），需估计；

为潜在变量对第i项陈述的回归系数（Coefficient），需估计；

为受访者(n)对第i项陈述的随机误差项（Random Error Term），服从均值为0、标准差为的正态分布。

在公式(3)中，

表示受访者n对第i项态度陈述的实际响应（Observed Response）；

为第i项态度陈述的有序量表等级（Ordinal Scale Level）；

为与等级相关的阈值参数（Threshold Parameter），且假设。

本研究设定，即五级响应量表，因此需估计三个差异阈值以确定四个阈值参数，满足：

受访者n选择响应类别概率表达式为：

表示标准正态分布（Standardized Normal Distribution）的累积分布函数（Cumulative Distribution Function, CDF）。

3.4 选择模型

在选择模型中，本研究结合多项式logit模型（Multinomial Logit Model, MNL）与潜在类别logit模型（Latent Class Logit Model, LCL）以捕捉受访者转向MaaS的意愿，主要基于以下考量：

1)异质性偏好分析：MNL模型能有效解析受访者对不同MaaS选项的异质性偏好（Xi et al., 2022; Xi et al., 2023b; van den Berg et al., 2022; Xi et al., 2023a），这对MaaS开发至关重要；

2)效用函数灵活性：通过将解释变量纳入不同效用函数，MNL模型可提供对MaaS选项偏好的共性与异质性洞见，为MaaS发展提供全面支撑。

为构建MNL模型研究首先定义备选方案（Alternatives），其源自含/不含MaaS场景的选择结果组合（详见第3.1节）。备选方案包括：

非转向（Non-Shifting）

转向M1/M2/M3/M4

具体判定流程如下：

1)记录无MaaS场景下的选择结果；

2)对比含MaaS场景的选择结果：

• 若两次选择相同模式，则判定为"非转向"；

• 若含MaaS场景选择MaaS选项，则判定为转向对应方案（M1-M4）。

判定逻辑如图7所示。

为进一步解析潜在MaaS用户的异质性（Alonso-González et al., 2020; Kim and Rasouli, 2022; Matyas and Kamargianni, 2021），本研究采用LCL模型。该模型通过个体相关变量：

1) 识别受访者的潜在类别（Latent Classes）；

2) 估计个体归属各类别的概率；

3) 解析类别特征及MaaS潜在市场份额

相较于混合logit模型（Mixed Logit）或基于主因子的市场细分方法，LCL能更直观、客观地基于潜在类别分析乘客异质性。

图7. 备选方案的判定规则

通用LCL框架包含两个组件：类别成员模型（Class Membership Model）与离散选择模型（Discrete Choice Model）。

类别成员模型中，受访者n归属于类别q的概率的表达式为：

式中：

为类别特定常数（Class-Specific Constant）；

为待估计的系数向量（Coefficients Vector），表示个体相关变量（Individual-Relevant Variables）对归属类别q的影响；

为类别q中潜在变量（质量追求者，Quality Seeker）对应的待估计参数；

Q表示潜在类别集合（Set of Classes）。

在类别q中，受访者n选择备选方案i的概率通过公式(8)计算：

  式中：

表示类别q中受访者n选择备选方案i的效用（Utility）；

为受访者n可选的备选方案集合（Set of Alternatives）。

在构建效用函数时，本文尝试了多种变量组合，并剔除了对两个类别显著性较低的变量。在离散选择模型中，效用函数包含四个部分：方案特定常数（Alternative-Specific Constants, ASCs）、出行习惯变量（Travel Habit Variables）、跨场景变量（Cross-Scenario Variables）、情境属性变量（Context Attributes）与服务水平变量（Level of Service Variables, LOS）。

值得注意的是，出行习惯变量源自选择结果（第二次选择与第一次相同），用于捕捉受访者保持其当前出行模式的偏好，这可能是选择MaaS的障碍。类似地，跨场景变量源自选择结果（第二次选择与第一次不同），用于研究MaaS选项与受访者当前出行模式之间的替代关系，有助于构建有针对性的MaaS服务。接下来，本文将介绍保留的变量及其具体效用函数（亦可参见图6）。

对于每个效用函数，均包含一个方案特定常数（ASCs），并以“非转向”作为参考基准。

出行习惯变量被整合到“非转向”效用函数中，以捕捉其对不同类别的影响，反映受访者保持原有模式选择的意愿。

跨场景变量捕捉第一次选择结果对第二次选择的影响。例如，在无MaaS场景中选择公共交通（PT）的受访者可能更倾向于选择包含PT的MaaS选项（M1和M2）。因此，PT的首次选择结果被添加到转向M1和M2的效用函数中。类似地，出租车/网约车的首次选择结果被添加到转向M3和M4的效用函数中。

情境属性变量包含三部分：出行距离、出发时间与服务水平变量（LOS）。出行距离和出发时间变量代表受访者面临的出行情境，可能影响模式选择。以出发时间变量为例，当出发时间为早高峰时段时，受访者可能对地铁的信任度高于私家车或公交。

服务水平变量（LOS）与概率计算，所考虑的服务水平变量（LOS Variables）包括：行程时间（Travel Time）：适用于转向M1、M2、M3及M4；地铁内时间（In-Metro Time）：适用于转向M1、M2、M3。

结合公式(7)与公式(8)，受访者n选择备选方案i的概率可计算如下：

4. 结果分析

在模型估计方面，本研究提出的HCM模型基于最大似然估计原理，采用Python开源工具包Biogeme（Bierlaire, 2016）进行参数估计。参数估计结果分为测量模型、结构模型和选择模型三个维度，具体分析如下。

4.1 测量模型估计结果

测量模型揭示了潜变量与态度量表间的映射关系。如表5所示，"质量追求者"潜变量与所有测量指标均呈现显著正相关，即个体对质量的重视程度越高，选择"非常同意"相关陈述的概率越大。

表5. 测量模型估计结果（括号内为t值）

注：若t值的绝对值超过1.96（1.65），则变量在95%（90%）的置信水平上具有统计显著性。

4.2 结构模型的估计结果

该结构模型刻画了观测变量（如社会人口统计学特征和出行模式变量）与潜变量（即质量追求者）之间的关系。表6展示了社会人口统计学和出行模式变量相关结构关系的估计结果。

就社会人口统计学变量的估计结果而言，女性在出行时比男性更可能成为质量追求者。类似地，拥有本科及以上学历的受访者也更倾向于成为质量追求者。值得注意的是，所有年龄段和月收入水平的受访者均表现出对优质且经济实惠出行服务的偏好，这与本文的预期一致。具体而言，年龄小于24岁且月收入低于20000元人民币的受访者成为质量追求者的概率更高。

表6. 质量追求者结构关系的估计结果

关于出行模式变量对质量追求者测量数据的影响，研究发现每周出行频率、工作日出行距离和地铁周使用频次均对质量追求者产生显著正向影响。这表明出行频次越高的受访者更倾向于成为质量追求者。从主要出行方式来看，选择共享汽车、私人自行车/电动车或共享自行车作为主要交通工具的受访者成为质量追求者的可能性较低。使用共享汽车为主的受访者可能具有较高收入水平，因此对出行成本敏感度较低；而以共享或私人自行车为主要出行方式的群体可能对当前出行状况较为满意，这会对质量追求者属性产生负向影响。

4.3 选择模型的估计结果

该选择模型由两部分构成：类别成员模型和离散选择模型。类别成员模型用于捕捉受访者偏好的异质性，仅考虑与受访者自身相关的社会人口统计学特征和出行模式变量。为确定类别成员模型中的最佳类别数量，本研究进行了系列实验，分别估计了包含2至5个类别的模型。通过采用对数似然值（LL）、赤池信息准则（AIC）和贝叶斯信息准则（BIC）进行模型选择，结果如表7所示。四类模型的AIC值差异不显著，本研究最终选择BIC值最低且参数估计合理的2类别模型（Chen et al., 2023; Matyas and Kamargianni, 2021）。

离散选择模型用于量化不同类别受访者转向MaaS（出行即服务）行为的影响因素。表8列出了上述两类模型的参数估计结果。

表7. 不同类别的LC模型总结

从整体模型性能来看，赤池信息准则（AIC）和贝叶斯信息准则（BIC）的测量值分别为82 562.28和83 011.58。此外，本研究提出的HCM模型的调整后McFadden伪R方（Adjusted McFadden’s rho-square）为0.345，表明模型具有较好的拟合优度。详细模型分析如下。

表8. 不同类别的LC模型总结

关于类别成员模型的估计结果，两个类别的受访者表现出不同的特征。着眼于详细估计结果，类别1的替代特定常数（ASC）估计值为-3.64，表明受访者最初可能认为被分配到类别1具有更高的效用。除ASC外，汽车拥有量变量对属于类别1呈现负向影响，这可能意味着拥有汽车的受访者更可能属于类别2，其出行可能主要通过私家车完成。就类别1而言，其他变量均对属于该类别的概率具有正向影响。具体而言，属于类别1的受访者可能熟悉移动即服务（MaaS），并享受高质量、低成本的出行体验。此外，主要出行方式为公共交通、出租车/网约车或私人自行车/电动自行车的受访者更可能属于类别1。综合来看，类别1受访者可能期望通过MaaS获得更高质量的出行，其主导出行方式为公共交通、出租车或私人自行车。相反，类别2的受访者更倾向于私家车出行，导致其作为"质量追求者"的程度较低。值得注意的是，尽管"质量追求者"的t统计量未达到常规统计显著性水平，但该模型为向MaaS行为转变提供了更多洞见。本研究认为在适当说明前提下保留该变量，将有助于未来对此关系开展更深入研究。

结合上述估计结果，本研究计算了样本的归属概率。根据估计，属于类别1的概率为28.89%，而属于类别2的概率为71.11%。这种归属概率差异可能源于类别1ASC的绝对值最大，且符合某些条件（如熟悉MaaS且以公共交通为主要出行方式）的受访者具有较高概率归属类别1。这两类受访者的特征可为政策制定提供有益启示。

本研究中的选择模型采用完全补偿性模型（Hensher et al., 2012），即两个类别的效用函数具有相同结构。尽管如此，选择模型的估计结果仍具有重要参考价值。

ASCs的估计值揭示了一个有趣现象：类别1中所有ASCs对相应MaaS选项均呈正向影响，而类别2的ASCs则呈现相反趋势。例如，类别1受访者转向M2方案的效用感知最高（3.67），其次为M1（3.57），这与其出行模式特征一致；而类别2受访者转向M4（-2.62）和M3（-2.39）的效用感知最低，表明其出行高度依赖私家车。ASCs结果还显示，改变类别2受访者的出行习惯比类别1更具挑战性。

在无MaaS情境下，两类受访者均表现出保留私家车出行的倾向（系数分别为2.93和0.75）。对类别1而言，这种惯性可能源于其对既有出行方式的路径依赖，导致不愿尝试新型MaaS方案（Krauss et al., 2023）。值得注意的是，类别1受访者选择出租车时的保留倾向更强（3.95），但其私家车使用的保留系数低于出租车/网约车，暗示MaaS对私家车出行的替代潜力更大，这对推广共享交通模式具有政策启示。

在MaaS情境中，类别1受访者选择出租车/网约车的行为对其选择M3、M4方案具有显著正向影响（1.76），而类别2受访者选择公共交通（PT）则正向影响其选择M1、M2（1.83）。这可能反映：

1) 类别1追求低成本（质量追求者属性），倾向通过含出租车服务的MaaS方案降低出行成本

2) 类别2中早期MaaS采用者可能原为私家车用户（Ho et al., 2020）

3) MaaS中的出租车服务对公共交通用户具有吸引力（Hoerler et al., 2020）

出行时间变量估计显示：

1) 类别1的行程时间系数（-0.013）显著为负，反映其对出行时效的高敏感;

2) 类别2的地铁内时间系数（-0.018）显著为负，因其将地铁视为高可靠性出行方式;

3) 类别1更倾向在非高峰时段尝试M1-M3（系数0.61），且当行程距离>40公里时保留非MaaS选择，反映其对长距离MaaS转换成本的顾虑

5. 讨论与启示

5.1 MaaS倾向指数

离散选择模型的作用之一是通过参数估计帮助预测选择结果。考虑到受访者面临的不同出行场景，需通过校准后的模型分析多种情景，以量化受访者向MaaS（出行即服务）方案转移的意愿。具体步骤如下：

1) 概率计算：首先计算受访者在不同情景下选择MaaS方案的概率；

2) 加权平均：结合各情景的占比，计算单次出行场景中受访者选择MaaS方案的加权平均概率。

该概率可在一定程度上反映受访者的社会人口属性与出行模式的异质性。

为便于理解，本文将这一概率称为MaaS倾向指数。未来研究可通过更精细的实验与计算，进一步量化受访者从现有出行模式转向MaaS方案的意愿。

本文利用该指数得出以下结论，MaaS倾向指数的计算公式如公式（10）所示:

其中，

表示受访者n的MaaS倾向指数的计算量；

K表示受访者n面临的场景数量；M表示MaaS选项的集合；

表示受访者n在场景k中选择MaaS选项m的概率；

代表受访者n在第k个场景中的出行比例，由于缺乏相关数据，假设为0.2。

首先，结合公式(9)-(10)计算全体受访者的MaaS倾向指数。图8展示了MaaS转型指数的核密度分布。如图所示，全体受访者的MaaS转型指数核密度估计在0.39处达到峰值，对应的转型意愿值为0.43。这表明部分受访者的转型意愿主要集中在0.4附近，显示出对转向MaaS持相对中立的态度。此外，核密度曲线左侧的密度值高于右侧，表明倾向于维持现有出行模式的受访者数量多于倾向于转向MaaS的群体。

另一个需要记住的关键点是，不同类别受访者由于自身特征（例如第一类受访者可能对MaaS较为熟悉）可能表现出差异化的选择意愿。因此，本研究进一步通过两种假设情景来估计MaaS倾向指数的核密度分布：情景1假设所有受访者均属于第一类别（图9和图10中的蓝色曲线），情景2假设所有受访者均属于第二类别（图9和图10中的红色曲线）。

图8. MaaS倾向指数的核密度估计

图9展示了两个已识别类别向MaaS指数转移意愿的核密度分布。通过比较类别1和类别2的核密度，可以发现类别1的核密度估计峰值（0.75）对应的转移意愿远高于类别2（0.31），这表明属于类别1的受访者相较于类别2具有更高的从现有出行方式转向MaaS方案的意愿。此外，各类别的核密度估计曲线显示，类别1的核密度曲线向右倾斜，表明其转向MaaS的意愿更强；而类别2的核密度曲线向左倾斜，说明其更倾向于维持现有出行方式。这两条曲线的差异揭示了重要启示——受访者的异质性对其转向MaaS的意愿具有显著影响。换言之，属于类别1的概率越高，转向MaaS的意愿就越强烈。

综合上述分析，提升受访者Mass选择意愿的关键在于提高其归属于类别1的概率。结合类别隶属模型的估计结果，本研究可以为MaaS发展提出以下见解：

图9. 两个类别MaaS倾向指数的核密度分布

（1）发达的公共交通与共享交通可促进MaaS发展：研究结果显示，以公共交通、出租车/网约车和私人自行车/电动自行车为主要出行方式的受访者更倾向属于类别1。这类人群在MaaS平台建立后更可能尝试相关服务。因此，在东京（地铁日均客流量达1,100万人次）、香港（公共交通使用率87%）和首尔（公共交通使用率72%）等此类人群占比较高的城市（数据来源：MOBILITY，2020），MaaS平台将更具吸引力。

（2）加强MaaS推广与服务质量保障：根据表8的估计结果，熟悉MaaS的受访者和追求高质量出行的人群更可能被归为类别1。因此，对已建成MaaS平台而言，宣传推广至关重要。此外，对于具备出行资源整合能力的MaaS平台，建议通过时刻表优化、需求响应公交等创新模式，整合多模式出行资源提供高性价比服务，这既能满足用户对高质量出行的追求，也符合MaaS的核心理念。

5.2 服务水平对选择MaaS意愿的影响

如表8所示，服务水平变量（即行程时间和地铁内时间）与选择MaaS方案的概率（即转向MaaS的意愿）呈负相关。基于本研究提出的MaaS倾向指数，本研究对全体受访者（即图10中的综合类）及两类人群开展了服务水平变量的敏感性分析，结果如图10所示。

图10揭示两个重要现象：首先，在所有场景下，第1类受访者转向MaaS的数量均超过第2类，这与第6.1节的研究结论一致；其次，通过各类人群的趋势线对比可见，第1类受访者对MaaS方案的行程时间敏感度显著高于第2类。具体而言，相较于基准行程时间（0%变化），当行程时间增加20%时，第1类转向MaaS的受访者数量下降8.82%，而第2类仅下降7.24%。这表明第1类用户更偏好MaaS方案提供的短途出行时间，即他们更倾向于通过订阅MaaS服务来优化出行体验。

图10. 随着MaaS方案行程时间变化倾向MaaS的受访者数量

在具有不同属性（如出行距离）的场景中，受访者对MaaS（出行即服务）可能表现出差异性偏好。因此，本研究针对不同出行距离场景进一步开展敏感性分析。图11展示了不同出行距离场景下，随着MaaS方案出行时间水平变化而产生的用户迁移量变化。

就类别1受访者而言：

1）当出行时间为0%基准水平时，20-30公里出行距离场景显示出最大迁移量，表明该群体在此场景下的MaaS转换意愿最强；

2）当出行时间达到100%基准水平时，0-10公里短途场景迁移量最大，说明在服务水平（LOS）变量无改善情况下，该群体更倾向于在此场景转换

从迁移量变化百分比看，

1）30-40公里场景下迁移量从0%到100%水平减少12.64%，降幅居各场景之首，证明该群体在此距离区间对MaaS出行时间最为敏感

2）值得注意的是，40公里以上长途场景的迁移量显著低于其他场景，反映出受访者因长途出行伴随的不确定性更倾向于保持原有选择

图11. 不同出行距离场景下，受访者倾向MaaS（出行即服务）的人数随MaaS方案出行时间变化的情况。（横轴表示MaaS方案出行时间与原出行时间的比率）

关于第二类受访者，在出行时间优化率为0%的情况下，20-30公里出行距离场景的MaaS转化人数达到峰值（与第一类受访者特征一致）。与之相反，当出行时间恶化至100%时，10-20公里距离场景成为第二类用户转向MaaS的高发区间。值得注意的是，第二类受访者的MaaS转化人数在不同场景下的波动幅度较小。以30-40公里出行距离场景为例，其转化人数降幅达到15.35%（降幅程度与第一类受访者相当），这凸显了出行距离阈值效应对用户决策的影响。

如图10-11所示，敏感性分析结果与6.1节结论相印证：相较于第二类用户，第一类用户更易转化为MaaS使用者。通过深入分析，本研究得出以下战略启示：

1）特定场景下的MaaS服务优化策略：

当出行时间优化率达到0%时，20-30公里距离场景的MaaS转化人数显著领先；

a. 建议运营商通过以下方式提升该场景的服务水平（LOS）：

b. 运用多模式时刻表优化技术实现交通方式的无缝衔接

部署共享出行等门到门服务，缩短用户步行距离以提升时间效率

该优化策略可扩展至30-40公里中长距离场景，需重点关注用户对出行时间敏感度的非线性变化特征

2）差异化场景营销策略：

在出行时间恶化率100%的极端场景下：

a. 第一类用户转化高峰出现在0-10公里短途场景

b. 第二类用户转化峰值集中于10-20公里中短途场景

建议在保持现有服务水平前提下，针对不同用户群体实施精准场景营销。运营商可建立基于"服务优化-场景营销"双维度的分级策略体系，通过参数化模型动态调整战略组合。

6. 政策启示

根据第五部分的实证分析结果与第六部分的讨论，本节从推广策略、现有交通模式转变及MaaS发展方向三个维度，总结促进MaaS可持续发展的关键政策与运营启示：

差异化推广策略

基于潜在类别模型和离散选择模型的估计结果，MaaS运营商可优先识别可能从现有出行模式转向"按需付费"（PAYG）式MaaS方案的用户群体。具体而言，以公共交通（PT）、出租车/网约车及私人自行车/电动自行车为主要出行方式的群体对MaaS方案兴趣更高，可作为MaaS渗透率较低阶段的核心推广目标。此外，MaaS运营商需充分考虑用户异质性设计出行方案。例如：

对以公共交通为主的用户，应重点优化行程时间最短的推荐方案

对以私家车为主的用户（时间边际效用较高），可开发"地铁优先"方案以满足其需求（Hensher, 2024）

现有交通模式转变启示

出行习惯与跨场景变量的分析验证了既有研究的观点。如Hensher & Hietanen (2023)和Hensher (2024)指出，MaaS推广受阻的核心原因在于公共交通吸引力弱于私家车，本研究结果进一步佐证了这一结论：

1) 无论用户类别，无MaaS场景中选择私家车的群体在MaaS场景中仍倾向于重复选择

2) 值得注意的是，无MaaS场景中选择公共交通的"汽车爱好者"群体（占比71.11%）在MaaS场景中仍倾向于选择公共交通

这为交通服务优化提供了新思路：

1) 降低私家车吸引力、提升公交竞争力（Hensher, 2024）

2) 针对"汽车爱好者但选择公交"群体，可通过分析私家车出行需求空间分布与公交网络匹配度提升吸引力

MaaS发展方向建议：

第六部分关于MaaS转化意愿的分析表明：

1) 共享出行用户转向意愿显著高于私家车用户

2) 缩短行程时间对转化意愿影响有限

这提示若MaaS仅作为多模式交通服务平台，其效益将十分有限（Hensher, 2022）。因此建议：

1) 聚焦潜在用户群体培育：通过提升公众认知度实现群体转化

2) 增值服务整合：嵌入零售、医疗等生活服务提升综合价值（Hensher, 2024; Hensher et al., 2023）

7. 结论

出行即服务（MaaS）被广泛认为是构建可持续高效交通系统的新兴解决方案。然而，在MaaS市场份额较低的阶段，如何引导公众转向MaaS是服务提供商和政府的迫切关切。为此，本研究于2022年1月至2月在中国北京开展了一项意向（SP）调查，旨在捕捉受访者选择MaaS意愿的影响因素。在SP实验设计中，本研究创新性地通过两阶段选择捕捉意愿差异：首先要求受访者在无MaaS选项的情景下选择出行方式，随后在不改变其他属性的情景中增加MaaS选项并再次选择。这种方法促使受访者更仔细地比较MaaS与现有出行模式的差异，同时首次选择结果可作为反映其出行习惯的变量。

研究共收集1242份有效问卷（含5472条选择数据），并基于混合选择模型（HCM）框架分析受访者异质性和转向MaaS的影响机制。潜在类别模型识别出两类群体：类别1受访者熟悉MaaS且主要使用共享出行工具，类别2受访者多为私家车拥有者且可能具有汽车使用偏好。在离散选择模型中，类别1决策主要受出行习惯、跨情景变量和出行时间影响，而类别2更关注“无MaaS情景下是否选择公共交通”及地铁内时间等变量。值得注意的是，MaaS的早期采用者可能来自汽车用户群体，这与Ho et al. (2020)的研究结论一致。

基于模型估计结果，本研究提出“MaaS倾向指数”以量化不同出行场景下受访者的选择意愿。分析表明，总体受访者对转向MaaS持较消极态度，但类别1群体表现出显著积极性。通过敏感性分析发现：类别1对MaaS提供的短时出行有更强偏好；在0%时间增溢的20-30公里出行场景中转向人数最多；而在100%时间增溢场景中，类别1和类别2分别在0-10公里和10-20公里距离段呈现最大转向量。基于此，本研究从推广策略、现有出行方式转变和MaaS发展方向三个维度提出政策建议，以促进北京MaaS的可持续发展。

本研究的局限性将为后续工作指明方向：首先，尽管SP实验适用于新兴概念研究，但情景设计中隐含的起终点异质性可能导致数据偏差，未来可通过SP-off-RP数据或真实MaaS平台的行为数据（RP数据）进行验证；其次，倾向指数计算仅基于SP情景，需结合受访者实际出行频率数据提升精度；最后，可进一步探究政策激励对MaaS推广的影响，例如何种形式的补贴或服务组合能有效提升公众接受度。