Exploring heterogeneous drivers and barriers in MaaS bundle subscriptions based on the willingness to shift to MaaS in one-trip scenarios

中文题目：基于单次出行场景下向 MaaS 转换意愿的 MaaS 套餐订阅异质性驱动因素与障碍研究

论文作者：郝赫、姚恩建、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.2025.104525

摘要

出行即服务（MaaS）被广泛认为是构建更可持续、更高效交通系统的潜在解决方案。在 MaaS 渗透率较低的阶段，理解用户从接触 MaaS 到采用 MaaS 的完整意愿过程（包括对 MaaS 的初始印象及后续 MaaS 套餐订阅行为）至关重要。然而，MaaS 场景初始印象对 MaaS 套餐订阅的影响尚未得到充分探索，这为设计全面的 MaaS 套餐带来了挑战。为此，本研究在北京设计了一项两步陈述性偏好（SP）调查，旨在探究单次出行场景下用户向 MaaS 的转换意愿，以及后续的 MaaS 套餐订阅行为。具体而言，研究首先基于单次出行场景中的选择结果估算用户对 MaaS 的初始印象，为初始印象的精细化建模提供支撑；随后，结合初始印象与单次出行场景下用户对 MaaS 选项的偏好，构建了融合属性非关注（ANA）技术的含潜变量潜在类别（LCLV）模型，以捕捉受访者在 MaaS 套餐订阅中的异质性偏好，并识别出两类人群 ——“MaaS 怀疑者”（MaaS Skeptics）与 “MaaS 探索者”（MaaS Explorers）。

研究结果证实，MaaS 怀疑者与 MaaS 探索者存在显著的偏好异质性，具体体现在 MaaS 选项偏好的影响、对 MaaS 套餐订阅的态度，以及出行模式与社会人口统计变量的作用差异上。此外，研究总结了两类人群的特征，并从价格相关变量与非价格变量两个维度，探索了 MaaS 发展的异质性驱动因素与障碍。敏感性分析与弹性计算表明，完善的公共交通系统、MaaS 选项与 MaaS 套餐的关联的建立，以及菜单式套餐设计可能是 MaaS 发展的共性驱动因素；同时，单次出行场景下偏好的 MaaS 选项与对 MaaS 套餐订阅的态度，对用户的 MaaS 套餐订阅行为具有显著影响。本研究结论为政策制定者与 MaaS 提供商理解 MaaS 采用的完整过程、设计具有吸引力的 MaaS 套餐以推动 MaaS 发展提供了宝贵参考。

1. 引言

在快速演变的城市出行格局中，出行即服务（MaaS）概念由 Hietanen 于 2014 年首次提出，已成为一种变革性的交通模式。它通过整合多模式出行解决方案，有望重塑人类出行方式，其核心目标是推动用户从私人车辆拥有转向更可持续的共享出行模式（Chowdhury & Ceder, 2016；Miskolczi et al., 2021 等）。MaaS 不仅体现了技术进步，更代表了出行服务向个性化需求的转变 —— 通过整合公共交通（PT）、网约车、共享单车、共享汽车等服务至单一平台，提供端到端的行程规划、预订、电子票务与支付功能，从而提升用户出行质量（Kamargianni et al., 2016；Ho et al., 2021b 等）。

目前，全球已开展多项 MaaS 试点（如 UbiGo、Tripi），其服务模式类似手机月订阅，通过 “套餐”（bundle）整合多种出行服务，同时提供 “按需付费”（PAYG）选项：规律出行需求用户可通过套餐降低成本、提升体验，而低出行需求或短期访客更倾向于 PAYG 的灵活性（Chen et al., 2023）。对于尚未接触过 MaaS 的用户（符合当前 MaaS 低渗透率现状），他们往往会通过单次出行（如 PAYG）形成对 MaaS 的初始印象，再决定是否长期订阅套餐。因此，理解用户从 “单次体验” 到 “套餐订阅” 的行为逻辑，是实现 MaaS 缓解拥堵、减少环境影响、提升交通可达性等目标的关键。

现有研究存在三大缺口：一是单次出行场景下用户向 MaaS 转换的影响因素研究不足，且多聚焦早期 adopters（早期采用者），对单次出行中 MaaS 选项的吸引力特征探索不充分；二是单次出行转换意愿与 MaaS 套餐订阅的关联尚未明确，而这一关联对设计适配不同初始印象用户的套餐至关重要；三是虽有研究关注套餐设计，但缺乏整合 “单次体验” 与 “套餐订阅” 场景的综合分析。

为此，本研究旨在探究单次出行场景下的 MaaS 转换意愿对套餐订阅的影响，聚焦不同转换意愿用户的套餐订阅异质性偏好，并从 PAYG 与套餐订阅双场景整合视角，全面识别 MaaS 发展的驱动因素与障碍。研究贡献主要包括三点：（1）建立单次出行场景与 MaaS 套餐订阅的关联，揭示初始印象对套餐订阅的影响；（2）采用融合 ANA 技术的 LCLV 模型，识别 MaaS 怀疑者与探索者的套餐订阅异质性偏好；（3）整合双场景全面分析 MaaS 发展的异质性驱动因素与障碍，为套餐设计提供更具针对性的建议。

2. 调查设计与数据收集

2.1 调查设计

由于北京尚无成熟的 MaaS 平台可获取显示性偏好（RP）数据，研究采用两步 SP 调查收集数据，问卷包含 6 个核心部分（见图 1）：

调查介绍与社会人口统计信息：说明调查机构、目的与数据用途，收集性别、年龄、教育程度、职业、收入等信息；

出行模式调查：包括主要出行方式、工作日 / 周末平均出行距离、出行频率、主要出行目的等；

单次出行场景下 MaaS 转换意愿调查（核心部分 1）：构建 “无 MaaS” 与 “有 MaaS” 两种场景，通过对比用户选择估算转换意愿。场景设计整合 5 个出行距离等级（<10km、10-20km>

MaaS 套餐订阅调查（核心部分 2）：基于前一部分的转换意愿，结合用户出行需求回顾（近一周各交通方式出行次数、近一月出行成本估算），让用户在 “PAYG” 与 4 种 MaaS 套餐中选择。4 种套餐设计各有侧重：

Bus First：无限次公交 + 共享单车，搭配有限次地铁、共享电单车、网约车；

Metro Access：无限次公交 + 共享单车，地铁次数提升至 60 次 / 月；

Value Taxi：无限次公交 + 共享单车，侧重增加网约车里程（350-560km / 月）；

Ultra Access：最全面套餐，所有交通方式使用次数 / 里程最高，价格也最高；

套餐价格通过 “价格系数”（0.8-1.2）调节，以探索价格与服务的权衡关系；

态度调查：采用 5 点李克特量表，设计 25 个态度题项，测量用户对 MaaS 的态度（如 “出行便利性对我很重要”“我愿意尝试新出行方式”）；

数据质量控制：通过 D - 最优设计生成 40 组场景组合，每个用户随机回答 5 组，确保样本代表性。

图1：问卷框架

2.2 数据收集与样本特征

调查于 2022 年 1-2 月在北京开展，通过专业调查公司线上招募受访者，要求符合高德地图用户画像（潜在 MaaS 用户）、北京户籍，并提供小额现金奖励。共收集 1260 份问卷，经质量控制（如排除无车却选私家车的受访者、确保 “有 / 无 MaaS” 场景选择逻辑一致）后，获得 1242 份有效问卷（6210 个观测值）。

样本特征符合潜在 MaaS 用户画像：性别上女性占比 56.36%（与中国台湾 MeNGo、悉尼 Tripi 试点女性用户占比高的特征一致）；年龄上 25-34 岁占比最高（37.28%），20-30 岁合计超 50%，符合年轻群体对新出行模式接受度更高的特点；出行模式上，72.22% 以公共交通为主要出行方式，共享单车、网约车使用比例均超 30%，与北京出行现状匹配；仅 57.97% 的受访者听说过 MaaS，符合低渗透率研究场景需求。

表1：出行即服务（MaaS）套餐的属性级别

表2：收集样本的社会人口统计变量统计

图2：样本旅行模式的统计

3. 模型设定

研究构建 LCLV 模型整合单次出行转换意愿与 MaaS 套餐订阅行为，模型框架见图 3，核心包括潜在变量识别、结构模型、测量模型与选择模型四部分。

3.1 潜在变量识别

通过探索性因子分析（EFA）与验证性因子分析（CFA），从 25 个态度题项中提取 5 个潜在变量（均通过信效度检验，Cronbach’s α>0.75）：

价格敏感型（Bargain Hunter）：追求高性价比出行服务，关注成本与折扣；

技术接受型（Pro-technology）：愿意尝试 MaaS 等新出行模式，认为新技术能提升出行质量；

计划导向型（Planner）：重视出行计划稳定性，不愿计划被打乱；

环保导向型（Environmentalist）：关注出行的环境影响，偏好低碳出行；

整体满意型（Overall Satisfaction）：对当前出行方式整体满意，转换意愿较低。

3.2 结构模型

分析个体相关变量（社会人口统计、出行模式）对 5 个潜在变量的影响，公式如下：

其中，为受访者 n 的第 l 个潜在变量值，为待估系数，为个体相关变量向量，为正态分布随机误差项。

3.3 测量模型

采用有序 Probit 模型刻画潜在变量与态度题项的关系，公式如下：

其中，为态度题项的潜在连续变量，为观测到的李克特量表评分（1-5 分），为评分阈值，为随机误差项。

3.4 选择模型

采用 “类别归属模型 + 嵌套 logit（NL）模型” 结构，捕捉两类人群的套餐订阅偏好：

类别归属模型：计算受访者属于 “MaaS 怀疑者” 或 “MaaS 探索者” 的概率，核心变量为 “类别特定常数” 与 “单次出行转换意愿”；

NL 模型：将 4 种套餐分为 “公共交通导向巢”（Bus First、Metro Access）与 “高端服务巢”（Value Taxi、Ultra Access），分两层计算选择概率，同时引入 ANA 技术，剔除统计不显著（t 值 < 1）的属性，优化效用函数设定。

图3：LCLV模型框架

4. 结果分析

研究采用 Python Biogeme 工具包，通过蒙特卡洛积分（500 次 MHLS 抽样）估计模型参数，核心结果如下：

4.1 类别划分结果

通过对数似然值（LL）、AIC、BIC 指标对比 2-5 类模型，确定 2 类模型最优（BIC 最低，参数估计合理）：

MaaS 怀疑者：单次出行场景下不愿向 MaaS 转换，对 MaaS 初始印象较消极；

MaaS 探索者：单次出行场景下转换意愿高，对 MaaS 初始印象积极。

类别归属模型显示：初始状态下受访者更倾向于成为怀疑者（ASC=1.75）；当单次出行转换意愿 > 0.576 时，成为探索者的概率更高（转换意愿系数 =-3.04）。

4.2 两类人群的异质性偏好

4.2.1 套餐属性影响

价格：两类人群均偏好低价格套餐（怀疑者价格系数 =-0.036，探索者 =-0.051），但怀疑者对价格更敏感 —— 价格系数增加时，怀疑者的套餐订阅意愿下降幅度更大；

网约车服务：探索者对 “公共交通导向巢”（Bus First、Metro Access）中的网约车服务持负面态度（系数 =-1.130），表明其希望公共交通导向套餐功能简洁，而怀疑者无显著偏好。

4.2.2 单次出行 MaaS 选项偏好的影响

探索者受单次出行偏好的影响更大（系数绝对值更高）：

两类人群均因 “地铁 + 公交” 偏好而更愿意订阅 Bus First、Metro Access（怀疑者系数 = 0.324，探索者 = 2.34）；

探索者因 “地铁 + 网约车” 偏好而更倾向于所有套餐，而怀疑者仅倾向于 Metro Access 与 Value Taxi。

4.2.3 潜在变量影响

怀疑者：技术接受型（Pro-technology）更愿意订阅 Ultra Access（系数 = 4.440），环保导向型（Environmentalist）对 Value Taxi 有积极态度（系数 = 0.176），整体满意型（Overall Satisfaction）对 Ultra Access 持负面态度（系数 =-4.310）；

探索者：环保导向型对 Value Taxi 持负面态度（系数 =-2.780）（因网约车碳排放较高），技术接受型对 Ultra Access 无显著积极影响（与怀疑者相反）。

4.2.4 社会人口统计与出行模式影响

怀疑者：受变量影响更广泛 ——24-44 岁更倾向订阅 Metro Access，45-60 岁更偏好 Value Taxi 与 Ultra Access，低收入（<6000>20000 元 / 月）对所有套餐均积极，有自行车 / 电动车者更愿意订阅公共交通导向套餐；

图4：对出行即服务（MaaS）持怀疑态度者和探索者的价格敏感性

5.2 非价格相关变量

5.2.1 共性驱动因素

提升 “地铁 + 公交” 选项的吸引力（两类人群均因该偏好增加套餐订阅意愿）；

菜单式套餐设计（允许用户根据出行需求定制），适配不同出行模式用户；

5.2.2 共性障碍

短途出行用户（日均出行距离短）对套餐需求低，因单次出行可通过现有方式便捷完成；

5.2.3 异质性驱动因素与障碍

怀疑者：技术接受型态度是核心驱动（对 Ultra Access 订阅影响最大），价格敏感型态度是核心障碍（降低套餐订阅意愿）；

探索者：“地铁 + 公交” 偏好与计划导向型态度是核心驱动，公共交通导向套餐中的网约车服务、环保导向型态度（对 Value Taxi）是核心障碍。

此外，价格系数越高，非价格变量的影响越显著（用户在高价格下更谨慎，态度与偏好的作用凸显），因此 MaaS 提供商可在提高价格系数的同时，通过优化 MaaS 选项体验（如缩短单次出行时间、等待时间）增强初始印象，提升套餐吸引力。

图5：将直接点弹性与非价格变量汇总，用于MaaS怀疑者和MaaS探索者

6. 结论与局限性

6.1 研究结论

首次建立了单次出行场景与 MaaS 套餐订阅的关联，证实初始印象（转换意愿）对套餐订阅的显著影响；

识别出 MaaS 怀疑者与探索者两类人群：怀疑者订阅行为较冲动，更关注性价比，受社会经济变量影响大；探索者订阅更理性，基于初始体验与出行习惯，对价格容忍度更高；

明确了 MaaS 发展的共性与异质性驱动因素 —— 完善的公共交通、MaaS 选项与套餐的关联、菜单式设计是共性驱动，技术接受态度对怀疑者至关重要，“地铁 + 公交” 偏好对探索者更关键；价格敏感（怀疑者更甚）、短途出行需求低是共性障碍。

6.2 局限性与未来方向

价格系数设定（0.8-1.2）可能不适用于当前 MaaS 行业 —— 因现有 MaaS 服务体验未显著优于单一服务，未来需结合 “非交通服务整合”（如购物折扣）重新设计价格系数；

单次出行场景设计较简单，未考虑天气、出行紧急程度、同行人员等情境变量，未来需丰富场景；

样本仅来自北京，且北京无真实 MaaS 平台，样本代表性难以完全验证，未来需在有 MaaS 试点的城市开展调查；

模型设定可进一步优化，如采用混合 logit 模型，或对套餐属性进行更精细编码。

7. 实践启示

政策制定者：加快完善公共交通系统，推动 MaaS 与公共交通的深度整合；针对怀疑者开展 MaaS 技术普及教育，提升技术接受度；

MaaS 提供商：设计菜单式套餐，为怀疑者提供 “低价格 + 基础服务” 套餐（如 Bus First），为探索者提供 “高服务 + 定制化” 套餐（如 Metro Access、Ultra Access）；避免在公共交通导向套餐中添加网约车服务（探索者反感）；通过优化单次出行中 “地铁 + 公交” 选项的体验（如缩短换乘时间），提升用户初始印象，进而促进套餐订阅。