英文题目：Tourist preferences for air-high-speed rail intermodal transport: Insights from a mega-city region

中文题目：游客对空铁联运的偏好：基于巨型城市群的研究发现

论文作者：郇宁，姚恩建，肖扬

论文期刊：Transportation Research Part A-Policy And Practice

论文网址：https://webofscience.clarivate.cn/wos/woscc/full-record/WOS:001537351600001

摘要：

巨型城市区域内的机场集群化发展，使得长途旅游出行的“空铁联运”选择日益多样化 。本研究利用2020年在中国京津冀巨型城市区域收集的4,522份受访者的陈述偏好数据，分析了游客对联运交通的行为偏好。研究建立了一个混合选择模型，将四个关键心理潜变量纳入联运决策分析中：产品兴趣、决策参与度、出行准备度和焦虑感。主要发现包括：游客对联运产品的兴趣正向影响他们对“行李直挂”和“票务一体化”服务的效用感知。游客在联运决策中的参与度是行为结果的重要预测指标。相反，出行准备度和焦虑感是阻碍选择联运的显著因素。案例研究对游客进行了细分，识别出“高参与度且无忧虑”的游客是空铁联运最有价值的目标群体，其预测平均市场份额可达9.65%。

1.引言

巨型城市区域（Mega-city region）是Gottmann (1961) 最早预见的一种城市形态，近几十年来已在全球范围内兴起。它指的是区域内经济实力显著的高度发达城市群。尽管过去几十年间不同研究对巨型城市区域的人口界定标准存在差异，但通常趋于稳定在1000万以上。截至2023年，全球共有45个巨型城市区域，其中超过半数位于中国和印度，其余分布在日本、美国、巴西、法国和英国等国家。

持续的城市化通常伴随着多模式交通网络的快速扩张。高度互联的高速铁路（HSR）网络已成为巨型城市区域交通系统的一个决定性特征，它显著增强了居民的可达性，并在促进旅游业增长方面发挥了推动作用。另一个关键特征是区域内多个机场的协同运营。在都市圈中，多机场系统通常具有两个或两个以上的商业机场，这些机场服务于巨大的交通流量并共享同一个服务腹地。而在巨型城市区域内更大空间尺度上的机场群，则由通过高铁相互连接的多个机场组成，进一步为游客扩展了多式联运的选择。图1展示了中国京津冀巨型城市区域研究范围内机场群的空间布局。位于区域中心并被天津和河北省包围的北京都市圈，其总人口超过1.1亿 。该机场群由四个机场组成：北京首都国际机场（PEK）、北京大兴国际机场（PKX）、天津滨海国际机场（TSN）和石家庄正定国际机场（SJW）。在这个集群中，PEK和PKX构成了北京都市圈内的多机场系统。

作为空铁合作的代表性实践，空铁联运客运展示了将高铁在短途出行中的连通性和灵活性与航空运输在长途出行中的效率相结合的优势。全球范围内已有众多空铁联运服务（AHIS）——也被称为空铁一体化服务（Yuan et al., 2021a）——的成功实施案例。1999年在法兰克福机场推出的“汉莎快线”（Lufthansa Express）被广泛认为是AHIS的先驱。随后，类似服务在欧洲涌现，并扩展至北美和亚洲国家，包括德国的AIRail、法国的TGVAir以及中国的“空铁通”。随着时间的推移，AHIS的融合程度和服务水平显著提升，从基本的代码共享和票务一体化演变为更高级的功能，例如中转城市的点对点接驳、行李直挂服务以及时刻表协同（Brida et al., 2017）。图2展示了巨型城市区域内的空铁联运模式。在从城市A前往城市D的案例中，经由城市B或C的AHIS方案为直达出行提供了具有竞争力的替代选择，特别是在价格和服务优势方面。

随着对推进区域交通系统一体化和提供无缝联运出行服务的日益重视，近期关于AHIS的研究主要集中在三个相互关联的领域。从战略角度来看，研究考察了铁路和航空运输运营商之间的利润动态与合作路径 。在需求侧，工作重心在于分析AHIS的出行需求，主要通过历史数据和行为建模进行。同时，在供给侧，研究集中于通过网络层面的优化来增强空铁连通性，并促进协调的运营调度。

本研究旨在推进需求侧领域内对联运出行需求的理解，特别关注游客的联运出行行为。实证分析表明，非商务旅客对AHIS表现出强烈的偏好，这表明游客构成了主要的用户群体。然而，仍存在若干研究空白，限制了需求响应型AHIS的发展 。首先，尽管游客是关键用户，但对游客行为偏好的理解仍然不足。虽然他们对AHIS的期望和效用感知可能与其他旅客群体存在显著差异，但支持这种区别的实证证据仍然有限 。其次，公认的可观测行为决定因素不足以揭示刻画游客行为的态度和感知细微差别。第三，用于分析巨型城市区域出行决策的通用建模方法仍有待探索。

图 1. 京津冀巨型城市区域机场群的空间布局

图 2. 空铁联运模式示意图

为了解决这些空白，本研究利用选择模型框架，通过产品兴趣、决策参与度、出行准备度和出行焦虑这四个关键维度，调查了游客对空铁联运服务（AHIS）的偏好。本研究的贡献主要体现在两个方面。首先，它提供了实证证据，揭示了增强的联运可达性如何塑造巨型城市区域内的游客出行行为。其次，它提出了一种用于模拟游客出行需求的新型行为细分方法，从而能够构建游客画像，以支持个性化联运出行服务的供给。这些见解为空铁联运运营商提供了对旅游市场更全面的理解，并为设计有效满足游客需求的按需服务提供了方法论支持。

2.方法论

2.1调查方法

问卷调查于2020年上半年进行，采样范围覆盖京津冀巨型城市区域内的主要城市。鉴于COVID-19疫情的影响，调查是通过网络进行的。值得注意的是，虽然研究区域内的空铁联运客运量自2020年起急剧下降，但随后逐渐恢复，并于2025年初恢复至疫情前水平。来自该区域最大的空铁联运枢纽——石家庄正定国际机场（SJW）的官方数据显示，2024年空铁联运年客运量反弹至100万人次，与2019年创下的疫情前峰值相似。网络问卷的实施委托给了长沙冉星信息科技有限公司（一家专业的市场调研机构），并通过“问卷星”平台使用定制采样服务进行。具体而言，电子问卷生成后分发给了该调研机构监测面板中的个人，筛选标准要求参与者在京津冀巨型城市区域内拥有注册居住地址。

为确保问卷回复质量，调研机构向完成问卷的受访者提供了货币激励。鉴于采样对象是研究区域内的居民，而非通过现场调查在交通枢纽采样的旅客，因此必须确保参与者具备旅游出行经验，并能在熟悉的出行场景中做出陈述偏好（SP）选择。因此，本次调查是基于受访者为具有从该巨型城市区域出境旅游需求的潜在旅客这一假设进行的。为了保证观测选择的可靠性，受访者的决策是在其自述的最熟悉的旅游出行场景中被记录的。

具体来说，在进行SP选择任务之前，受访者被要求通过回答三个关于出行特征的问题（出行目的、同行人员和行李尺寸）来指定他们最熟悉的城际出行场景。共有4,522名将“旅游”指定为最熟悉出行目的的受访者被视为本研究的有效样本。由于该调查并非仅为游客设计，本研究中使用的数据集是收集到的总样本的一个子集。在同行人员方面，39.7%的受访者报告独自旅行，49.6%有人结伴，10.7%与弱势群体（包括儿童、老年人、孕妇和残疾人）同行。在行李尺寸方面，72.7%的受访者仅携带随身行李（定义为少于两个背包或手提包，或一个小行李箱），而27.3%的受访者携带托运行李（包括至少一件24英寸或更大的行李）。受访者自述的同行人员和行李尺寸信息随后被应用到SP选择任务中，以考量这些因素对决策的影响。

表1展示了受访者社会人口统计学特征的统计分析。在4,522名有效受访者中，平均作答时间为16.8分钟。这些受访者中，40.29%来自北京，27.49%来自天津，32.22%来自河北省。根据2020年最新可用的全国人口普查数据，北京、天津和河北省的人口分别为2189万、1387万和7461万。鉴于该调查旨在研究旅客对联运出行的偏好，河北省的采样在地理上集中在石家庄周边；石家庄作为省会城市，人口为1124万，同时也是该区域空铁联运服务（AHIS）的主要中转机场所在地 。在该研究区域内，男性占总人口的50.76%，而样本中女性的比例略高，为51.3%。人口年龄结构显示，0-14岁占17.71%，15-64岁占68.38%，65岁及以上占13.90%。由于本次调查使用的年龄范围与可获取的统计数据之间存在差异，无法进行直接比较。然而，中年人群的总体比例相似，年轻人的代表性相对较高，而老年人的比例较低。考虑到本研究聚焦于游客行为，其需求在各年龄组间的分布并不均匀，年轻群体通常因具备更高的移动可达性而被视为该地区AHIS市场的主要细分群体。尽管样本结构并未与人口构成完全一致，但它为分析研究问题提供了合理的基础 。除了常用的社会人口统计指标外，问卷还收集了受访者从该巨型城市区域出发的年度城际出行频率，以考察其与模式选择偏好的相关性。

表1 受访者社会人口统计学特征描述性统计

2.2实验设计

本研究采用情境化的实验设计，以创建能够真实反映研究区域内现有出行服务的联运出行场景。图3展示了一个为从天津前往成都（直线距离约1400公里）的受访者定制的陈述偏好（SP）场景示例。SP场景和选择任务通过在线问卷平台，附带详细说明，逐步呈现给受访者。首先，根据受访者的位置，展示描绘起讫城市中交通枢纽位置和假设目的地的地图。接下来，展示包括普速铁路（NSR）、高铁（HSR）、航空和空铁联运（AHIS）在内的出行方式备选方案及其相应的服务水平。每种模式对应一种或多种服务类型，具体取决于受访者出发城市的可用情况。例如，如图3所示的通道中，高铁包括二等座（HSR1）、一等座（HSR2）和二等卧（HSR3）服务。随后，引导受访者假设处于其最熟悉的旅行场景中，通过为旅程的每个阶段选择其偏好的备选方案来完成选择任务。为城际阶段收集的选择观测数据被用作本研究选择建模的输入。

如表2详述，本研究使用两类解释变量来解释观测到的选择行为：SP场景中的情境属性和个人出行特征。情境变量反映了不同出行方式的服务质量。车内时间和出行成本被广泛认为是影响模式选择的基本因素。近期研究强调了增强深夜到达旅客接驳服务的必要性（Long et al., 2020），特别是在高铁站和主要机场，并强调了城际与接驳交通系统之间运营协调的重要性，以确保服务的连续性。因此，本研究假设夜间到达对城际出行决策有负面影响 。例如，由于接驳出行服务有限，旅客可能不太倾向于选择深夜到达的火车或航班。鉴于巨型城市区域的机场群在同一航线上为旅客提供了广泛的航班选择，备选航班通常在出发机场、到达时间、飞行时长、成本和准点率方面存在差异。由于旅客在预订过程中现已能轻易获取准点率的历史信息，本研究引入了一个虚拟变量——“低准点率”，以捕捉与预期延误相关的负效用。

三个变量刻画了空铁接驳（air-HSR connections）的特征：中转城市的实际接驳时间和最小接驳时间被测量为连续变量，而延长接驳时间（extended connection time）则被定义为虚拟变量，用于考察个人对过长联运换乘时间的感知。此外，行李直挂（baggage through-check）和灵活订票服务的可用性也被纳入考虑，因为现有研究表明，空铁联运服务（AHIS）的质量和一体化水平会影响旅客的选择（Yuan et al., 2021a）。本研究将这一假设扩展至游客群体，认为他们更有可能偏好在行李处理和票务一体化方面提供优势的 AHIS。研究引入了一个新变量——对中转城市的不熟悉（unfamiliarity with transfer city），旨在考察旅客是否会因为需要在陌生城市进行中转而对使用 AHIS 表现出额外的抗拒 。最后一个变量，交通枢纽的可达性（accessibility of the transport hub），旨在捕捉接驳出行（access travel，指前往枢纽的行程）对城际出行决策的影响（Xu et al., 2023）。此外，出行特征包括三个个人特定变量：同行人员、行李尺寸和城际出行频率。前两个变量源自受访者自述的最熟悉旅游出行场景，这三个变量预计都将解释游客对 AHIS 选项的偏好。

图 3. 联运出行SP场景示例

表2 解释变量的定义

为确保情境变量水平的高效组合，本研究采用正交实验设计方法来开发SP场景。变量水平是根据研究区域内实际可用的出行服务确定的，规则详见表3。具体而言，调整了车内行程时间以反映增加和减少两种情况，并将出行成本设定为与这些变化相对应的两个水平。铁路运输的夜间到达情况是根据实际时刻表确定的，而航班的夜间到达情况则在航空和AHIS备选方案之间按比例分配。航班准点率源自相应起讫点对的历史数据。对于 AHIS 备选方案中的空铁接驳，接驳时间与实际 AHIS 时刻表保持一致，并将行李直挂和灵活订票服务作为附加功能纳入，共计四个水平。为了将这些服务水平分配给 AHIS 备选方案，使用了三个两水平变量，允许最多八种组合。总共应用了十一个两水平变量，以全面涵盖情境变量的所有水平。因此，利用正交表设计了十二个SP场景。为了降低受访者的答题复杂度并确保高质量的回答，这些场景被分为三组，每组包含四个场景，针对每位受访者呈现不同的目的地。结果，从4,522名受访者那里共获得了 18,088 个选择集。随后进行了完整性检查，以确保三个出行阶段的回答有效，最终得到15,432个有效的SP选择观测样本用于选择建模。

表3 联运出行场景的情境变量水平

2.3构念测量

  针对 PI、DE、TP 和 TA 这四个构念的测量项已开发并展示于表 4 中。具体而言，PI（产品兴趣） 旨在利用五点李克特量表测量的条目 PI1 至 PI3，捕捉游客对 AHIS（空铁联运服务）特征的兴趣。基于评估旅客对特定出行方式兴趣 以及出行体验期望 的通用测量方法，条目 PI1 从游客的角度评估了 AHIS 价格优势的吸引力。条目PI2和PI3则考察由更高程度的一体化所带来的服务特征是否能激发游客的兴趣。DE（决策参与度）使用五点李克特量表测量的条目 DE1 至 DE3，评估游客在联运出行决策过程中的参与度。基于消费者行为研究中的涉入度测量方法 以及与感知价值、相关性和重要性相关的涉入度维度 ，本研究将三个条目调整至联运出行决策的情境中。具体而言，条目 DE1 评估个体是否认为城际出行需要深思熟虑的决策过程。条目 DE2 评估他们搜寻出行服务信息的倾向。条目 DE3 调查个体是否倾向于制定更详细的出行计划，特别是通过提前获取接驳运输信息。

TP（出行准备度）构念采用原创条目进行测量，旨在观察个体在不同出行场景下应对时间不确定性的准备行为倾向 。条目 TP1 和 TP2 关注与提前到达相关的行为倾向，采用包含七个时间区间的量表：[15, 30)、[30, 45)、[45, 60)、[60, 75)、[75, 90)、[90, 120) 以及超过 120 分钟。条目 TP3 和 TP4 针对空铁联运出行中的预期延误，同样使用了包含七个类别的时间区间量表：[0, 15)、[15, 30)、[30, 45)、[45, 60)、[60, 90)、[90, 120) 以及超过 120 分钟 。尽管条目 TP1 至 TP4 采用有序时间区间量表以降低作答复杂度，但这四个条目在建模时通过取每个区间的中间值（最后一个类别的数值设定为135分钟）转换为了连续指标。此外，TA（出行焦虑） 源自用于分析 COVID-19 对出行行为影响的焦虑测量方法 。本研究进一步完善了该构念，以反映游客对联运接驳（条目 TA1）和潜在失败（条目 TA2）的焦虑程度，采用五点李克特量表进行测量。

进一步地，构念测量的有效性通过**验证性因子分析（Confirmatory Factor Analysis, CFA）进行了评估。Cronbach's alpha 系数估计值分别为 0.617 (PI)、0.709 (DE) 和 0.744 (TP)，均超过了0.6 的可接受信度阈值。鉴于仅使用两个条目来测量 TA，Pearson 相关系数估计值为 0.317，显著性水平为p < 0.001，表明存在中等程度的相关性。整体模型拟合度使用拟合指数进行评估：拟合优度指数 (GFI = 0.965)、规范拟合指数 (NFI = 0.904)、比较拟合指数 (CFI = 0.907)、增量拟合指数 (IFI = 0.908) 以及近似误差均方根 (RMSEA = 0.067) 。根据推荐阈值，GFI、NFI、CFI 和 IFI 值高于0.9，且 RMSEA 低于0.08，表明模型拟合效果令人满意。这些估算结果支持了所提出的构念测量的有效性和可靠性。

2.4模型设定

基于构念测量，本研究构建了一个混合选择模型（HCM），以分析潜在构念对游客决策的影响。如图 4 所示，潜变量通过确立的测量关系和结构关系被纳入选择模型中备选方案的效用函数（Hess et al., 2018; Train and Wilson, 2009）。在测量模型中，可观测指标由潜变量表征。结构模型将社会人口统计学变量与这些潜变量联系起来，从而使心理和行为构念的影响能够反映在效用感知中。

表4 构念的测量项

混合选择模型（HCM）包含四个潜在变量：PI（产品兴趣）、DE（决策参与度）、TP（出行准备度）和 TA（出行焦虑）。令aln表示游客n的第l个潜在变量。在结构方程中，利用社会人口统计学变量以线性形式（Hess and Stathopoulos, 2013）来表征aln，具体如下。

其中是潜在变量aln的截距，是游客n的社会人口统计学变量向量，是的系数向量，而表示潜在变量aln的随机误差项。该误差项在游客群体中服从正态分布，其均值为零，标准差为。每个潜在变量与相应的可观测指标之间的关系是利用测量方程来构建的。由于对测量项的回答是以有序和连续两种格式收集的，因此分别建立了测量关系（参见 Daly et al., 2012; Hess & Stathopoulos, 2013） 2。令s和分别表示以有序和连续量表测量的指标。和分别代表游客n对第l个潜在变量的条目s和的回答。

具体而言，对于以有序量表测量的指标s（即 PI、DE 和 TA 的八个条目，详见表 4），构建了一个有序 Probit 模型（Ordered Probit Model），利用潜在变量作为解释变量来估计的连续形式（Daly et al., 2012），具体如下：

其中和分别是与潜在变量相关联的指标s的系数和截距。随机误差项假定在游客群体中服从正态分布，其均值为零，标准差为。k代表有序量表的等级，取值范围为1到K。由于 PI、DE 和 TA 的测量项统一采用了五点李克特量表，因此K等于5。表示指标s的第k个有序刻度值，而和分别代表其下限和上限阈值。游客n对指标s选择回答的概率可表示为：

假设方程(2)中的服从标准正态分布（即等于 1），则方程 (4) 可重写为：

图 4. 混合选择模型（HCM）框架示意图

其中是标准正态分布的累积分布函数。在估计测量模型时，假设对于每一个潜在变量，在对应于指标的一组测量方程中，必须至少预先确定（即固定）一个系数和一个截距。因此，PI1、DE1 和 TA1 的截距被设定为 0。考虑到 PI1、DE1 和 TA1 与其对应的构念呈正相关，这些指标的值在模型校准初期被初始化为1。此外，如公式 (3) 所述，五点李克特量表需要四个阈值。为了能够同时估计所有阈值，第一个阈值的基准值被设定为0。因此，公式 (6) 中定义了三个阈值，记为。

此外，对于以连续量表测量的指标（即 TP 的四个条目），其测量方程如下所示（Hess and Stathopoulos, 2013）。

其中和分别是与潜在变量相关联的指标的系数和截距，而是的随机误差项。该误差项服从均值为零、标准差为的正态分布。

在选择模型部分，采用了嵌套结构来表征游客对出行方式和具体服务的联合决策，具体使用的是如图 5 所示的双层嵌套 Logit (NL) 模型 。定义了五个巢（N1 至 N5）来捕捉普速铁路 (NSR)、高速铁路 (HSR)、航空 (air)、高铁-航空联运 (HA) 和航空-高铁联运 (AH) 的出行方式 。在每个出行方式巢内，包含了相关的备选方案（A1 至 A10），以进一步捕捉游客对特定出行服务的偏好。

在 NL 模型中，令表示游客n 从巢m 中选择备选方案i的概率，其中。该概率的计算如下。

图 5. 嵌套Logit (NL) 模型结构图

其中是游客n在巢m中选择备选方案i 的条件概率，而是游客n选择巢m的边际概率。用于确定和的通用公式如下（Train, 2003）：

其中是游客n在巢m中选择备选方案i 时所感知的下层效用，是巢m的下层尺度参数，是巢m中的备选方案集合，是游客n选择巢m时所感知的上层效用（upper-level utility），而是上层尺度参数。由于NL模型中的标准化是从顶层进行的，默认被设定为 1，且对于包含两个以上备选方案的巢，的估计值预计将大于1。是对数和（logsum）项，用于刻画下层选择对上层选择的影响。

3.结果

3.1模型估计结果

HCM 模型采用 Python Biogeme (Bierlaire, 2023) 进行标定，这是一款用于估计离散选择模型的专业开源工具。表5 展示了测量模型和结构模型的估计结果。对于有序和连续指标的系数
和，所有估计值均显著为正，表明测量项与被测构念之间存在正相关关系。由于TP（出行准备度）的测量项采用连续量表，因此仅对剩余的三个潜在变量估计了有序量表的阈值。测量模型中的所有指标在统计上均显著（p<0.001<>）。在结构模型中，仅保留了统计显著（p<0.05<>）的社会人口统计学变量。

建立的社会人口特征与潜在构念之间的结构关系，使 AHIS 运营商能够基于游客的行为偏好实现市场细分 。为不同游客细分群体提供定制化的出行服务和针对性的激励措施，在实践中具有推动市场增长的巨大潜力，这一点将在案例研究分析中进一步评估。作为基础，图 6 总结了具有代表性行为偏好的游客细分群体的社会人口特征。通常，“高 PI（产品兴趣）组”主要特征为41岁及以上的女性游客、拥有本科及以上学历者以及缺乏经验的游客，而收入和职业并未显示出显著相关性。同样，女性、41 岁及以上以及受过教育的个体是与 DE（决策参与度）呈正相关的主要特征。此外，月收入较低（≤6000 元人民币）的游客表现出更强的参与城际出行决策的倾向，反映了更高的 DE。被归类为具有较高 PI 和 DE 的群体，在直觉上被视为利用 AHIS 产品的优势（有利）群体。

在 TP（出行准备度）方面，男性和年轻游客（26 岁以下）表现出较低的 TP 水平，而拥有研究生学历、中高收入（> 6000 元人民币）以及有城际出行经验的游客，往往表现出对时间相关不确定性更高的准备需求。职业通常与 TP 的相关性较弱，尽管技术人员和服务业人员倾向于表现出较低的 TP。女性和受过教育的个体在 TA（出行焦虑）方面表现出与 TP 相似的效应。41 岁及以上的游客表现出更高的 TA，而中低收入者（≤15000 元人民币）和不常出行的旅客也更容易产生较高水平的 TA 。从服务提供商的角度来看，具有高 TP 和高 TA 的细分群体可被预测为非优势群体，他们不太可能成为 AHIS 的潜在用户。

表 6 展示了针对四类解释变量的选择模型估计结果。在服务水平属性方面，车内行程时间、出行成本和夜间到达被纳入了从 N1 到 N5 所有巢的效用函数中。这些因素表现出显著的负效应，反映了游客在决策过程中感知到的负效用 。航班的低准点率显著降低了直飞航空的吸引力，如 N3 的系数所示（系数 = -0.010）。可达性指标使用基于对数和（logsum）项的测度量化了前往火车站和机场的接驳出行的便利性（de Jong et al., 2007; Huan et al., 2023b）。AD 的系数表明，游客偏好前往出发交通枢纽可达性更高的出行方式（系数 = 0.241），这一点同样适用于直达和联运出行备选方案。

其余的服务水平属性具体涉及 N4 和 N5 中的 AHIS 备选方案。延长接驳时间（定义为超过 30 分钟的换乘时长）被发现会阻碍游客选择 AHIS（系数 = -0.038）。此外，三个虚拟变量，即行李直挂服务 (BT)、灵活订票服务 (FB) 和对中转城市不熟悉 (FT)，作为与出行特征的交互项被纳入效用函数中。本研究假设，行李整合服务能使携带托运行李且对 AHIS 产品有更大兴趣的游客受益。因此，引入了一个交互项，由虚拟变量BT和BS以及潜在变量 PI 的乘积表示（即 BT * BS* PI）。该交互项的系数估计值为 0.051，表明BT在与BS和PI结合时具有正向效应，从而验证了该假设。同样，FB在低准点率 (OT) 和PI的共同影响下影响效用感知，交互项 (FB* OT* PI) 的估计值为 0.102，突显了FB 在航班频繁延误情境下的重要性。对中转城市不熟悉 (FT) 通过与潜在变量 TA的交互（即 FT *TA）成为了选择 AHIS 的阻碍因素（系数 = -0.185）。此外，潜在变量 DE 和 TP 被直接纳入 N4 和 N5 中 AHIS 备选方案的效用函数。结果证实，在联运决策中参与度更强的游客更有可能选择 AHIS（系数 = 1.82），而较高水平的准备度偏好则与使用 AHIS 的可能性降低相关（系数 = -2.97）。总体而言，对 AHIS 产品的兴趣显著影响游客对服务细节的感知，而参与意愿则促进联运出行。相反，准备度和焦虑往往会降低对 AHIS 的偏好，其中焦虑在涉及陌生中转城市的场景中尤为显著。

表5测量模型和结构模型的估计值

图 6. 四个细分游客群体的社会人口特征。 注：(+) 和 (-) 表示对应社会人口变量系数的正负符号。

表6 选择模型估计结果

关于出行特征，同行人员在影响游客出行方式选择方面起着至关重要的作用。结伴出行会鼓励游客使用 AHIS（系数 = 0.209）。弱势群体的存在倾向于有利于 HSR3（动卧）和航空出行（系数分别为 0.456 和 0.837），这大概是由于动卧舒适度的提升以及直飞航班最短的行程时间。对于携带托运行李的游客，普速铁路（NSR）被视为吸引力较低的选项（系数 = -0.342）。三个社会人口统计学变量显著影响游客的感知效用：高学历群体表现出对航空出行的偏好，并普遍避免使用 NSR，突显了他们对时间效率的重视。此外，高收入群体和常旅客均表现出对直飞航班的偏好。

鉴于 HSR1（高铁二等座）被设定为参考备选方案，对剩余的备选方案应用了替代特定常数（ASCs）。结果表明，未观测到的因素导致游客相较于 HSR1 更偏好 NSR 和航空出行。值得注意的是，辅助机场的 ASC 估计值为 -0.116，反映了在多机场系统中，游客相对于辅助机场更偏好主要机场。由于 NL 模型的标准化是从顶层进行的，尺度参数符合大于 1 的假设，从而验证了嵌套结构的有效性。选择模型的调整后 rho-square 为 0.276，表明模型拟合效果令人满意。由于从每位受访者那里收集了多个 SP 选择观测值，模型检验了伪面板效应（pseudo-panel effect）以探索同一受访者所做选择中的潜在相关性。为每个备选方案引入了误差项，这些误差项呈正态分布，具有一致的方差但不同的抽样。误差项标准差的估计值被发现是不显著的，因此已从最终模型中排除。

3.2 案例研究

为了进一步量化观察到的态度偏好对实际出行决策的影响，校准后的选择模型被应用于研究区域内的实证案例，以评估空铁联运（AHIS）在代表性通道中的分担率（modal share）。如图 1 所示，该机场群包括 PEK、PKX、TSN 和 SJW。PEK 作为北京都市多机场系统内的主机场，而位于石家庄的 SJW 是重要的 AHIS 中转机场，提供无缝的联运换乘服务和低成本航空选择。案例研究指定北京为出发城市，石家庄为 AHIS 的中转城市，如图 7 所示。为了确保游客在直达与联运出行之间偏好的比较有效，选择了 15 个由 PEK 和 SJW 同时执飞的国内目的地城市，涵盖了从 965 公里（北京至长春）到 2,842 公里（北京至乌鲁木齐）的航线距离。

如表 6 的模型结果所示，高质量服务显著影响游客对 AHIS 的偏好。因此，案例研究将 AHIS 划分为两个等级：高级 AHIS（提供行李直挂和灵活订票服务，BT = 1且FB = 1）和标准 AHIS（缺乏这些附加服务，BT = 0 且FB = 0）。15 个起讫点（O-D）对之间的各出行方式的服务水平属性收集自官方售票网站，详见附表 A1。对其余参数做出以下假设：

(a) HSR 巢中仅保留参考备选方案 HSR1；

(b) 假设游客结伴出行且未携带弱势群体，以具有更广泛的适用性（FC 和FV 分别设为1和0）；

(c) NR设为默认值 0，假设没有出行方式涉及深夜到达；

(d) 排除出发交通枢纽可达性的影响，因为未设定具体的出发地点；

(e) 游客被视为不常出行者（TF = 0），具有中等教育和收入水平；

(f) 为了强调高级 AHIS 的效果，当 BT = 1时，交互项（BT*BS* PI）中的BS设为1。

基于与 DE（决策参与度）相关的社会人口统计学特征（见图 6），游客被分类为高参与度和低参与度组，分别代表高和低水平的 DE。对于其余三个潜在变量，PI 设为高水平，而 TP 和 TA 默认设为中等水平。预测了各组在选定 O-D 对上的标准和高级 AHIS 的平均分担率。如图 8 所示，高参与度游客的标准 AHIS 平均分担率比低参与度游客高2.46个百分点。对于高级 AHIS，高参与度游客的平均份额高出 3.27 个百分点，且这种差异在长距离 O-D 对中更为显著。这些结果表明，AHIS 提供商应优先将高参与度游客作为关键受众，鉴于他们具有推动市场增长的巨大潜力。

基于已确立的参与态度类型，本研究通过出行准备度（TP）和出行焦虑（TA）进一步区分了游客对联运出行的忧虑水平。因此，游客被分类为忧虑型和非忧虑型群体，以反映他们对联运接驳的时间准备倾向以及对接驳失败的焦虑。具体而言，忧虑型游客的特征是具有表现出高水平 TP 和 TA 的社会人口学特征，而非忧虑型游客则表现出较低水平。这导致了总共四个子群（结合了参与度和忧虑度的不同水平）。图 9 和图 10 分别展示了高参与度和低参与度游客的预测 AHIS 分担率，强调了个体忧虑相关偏好的影响。

结果显示，游客对准备度和焦虑的偏好对 AHIS 市场份额具有显著的负面影响。对于标准服务，忧虑倾向导致高参与度群体的选择概率平均下降 5.91 个百分点，低参与度群体平均下降 7.73 个百分点。对于高级服务，这些下降幅度分别为 1.53 个百分点和 2.06 个百分点。表 7 提供了不同游客细分群体在选定 O-D 对上的平均 AHIS 分担率的汇总比较。

图 7. 选定国内目的地的空间布局

图 8. 决策参与度对空铁联运（AHIS）分担率的影响

4.讨论

案例研究证明了行为偏好如何影响联运出行决策，并引入了一种通过游客细分来预测空铁联运服务（AHIS）需求的新颖实践 。如表 7 所示，从服务提供商的角度来看，“高参与度且无忧虑”群体成为了最具价值的细分市场，展现出成为 AHIS 用户的最高潜力，其对标准服务和高级服务的平均选择概率分别为 7.33% 和 9.65% 。相比之下，“低参与度且忧虑型”游客表现出最低的采用率，平均概率仅分别为 0.35% 和 0.47%。这些发现与 Chiambaretto 等人 (2013) 和 Yuan 等人 (2021b) 的过往研究相一致，这些研究指出，即便在拥有高比例联运旅客的机场，AHIS 的市场份额通常也仅占总量的 5% 到 7% 。虽然本案例研究的结果落在此范围内，但也揭示了不同起讫点（O-D）对之间存在的差异；在最具价值的群体中，长距离通道的 AHIS 占比最高可达 12% 。这突显了 AHIS 的潜力：即通过作为一种互补性的接驳方式（access mode），为高铁创造机会拓展进入长途出行市场（Albalate et al., 2015），特别是在那些高铁竞争力弱于航空运输的通道中。

图 9. 高参与度细分市场的空铁联运（AHIS）预测分担率

图 10. 低参与度细分市场的空铁联运（AHIS）预测分担率

表7 各游客细分市场的空铁联运 (AHIS) 平均分担率统计

随着出行即服务（Mobility-as-a-Service, MaaS）通过单一数字平台将多种交通方式整合为无缝、高效且以用户为中心的服务，从而持续重塑客运市场（Ho et al., 2020），其发展与空铁联运服务（AHIS）的核心目标相契合。虽然 MaaS 传统上主要关注城市通勤交通，但新兴研究越来越强调其在城际旅行和旅游场景中的潜在应用（Bushell et al., 2022; Leung et al., 2023）。在此背景下，建立游客行为偏好与其社会人口统计学特征之间的联系，为定制化 AHIS 提供了一个实用的框架。用户画像使服务提供商能够预测个人需求并制定有针对性的营销策略，从而为“旅游 MaaS”赋能。例如，向高参与度细分市场提供经济激励并推荐高效的换乘方案，能够带来市场增长结果的提升。对于忧虑型细分市场，提供高级 AHIS 选项（如行李直挂等）是缓解因“准备倾向”，即过度预留时间）和对联运接驳的焦虑而产生的负效用的有效策略。

本研究承认存在若干局限性，这可能会给结果引入潜在偏差，值得进一步调查：首先，调查数据是在 COVID-19 疫情期间收集的。尽管到 2024 年底，研究区域内的联运客流已反弹至与 2019 年相当的水平，但考虑到疫情对公众旅游出行习惯的影响，个体特定行为偏好的潜在演变仍需进一步考察。其次，陈述偏好（SP）实验假设选择观测值源自受访者最熟悉的旅游出行场景。虽然这种方法便于接触到具有潜在旅游出行需求的个体，但它可能导致采样偏差，因为那些对该类场景不熟悉的群体可能表现出与样本群体不同的行为偏好。第三，由于缺乏现成的用户画像数据，联运用户的代表性未能得到完全保证。本次采样大致与当地人口的年龄和性别分布一致，为了反映空铁联运的实际需求模式，重点更多地放在了年轻个体上，而较少关注老年个体。然而，这在样本的整体代表性方面引入了潜在偏差。

5.结论

随着巨型城市区域内区域交通网络的扩张，空铁联运已成为长途出游的一种高效且经济的选择。本研究通过揭示四个潜在构念——产品兴趣、决策参与度、出行准备度和焦虑感——的作用，填补了解读游客行为方面的知识空白，并通过利用行为洞察解读游客需求，为按需联运客运做出了贡献。

结果表明，对联运产品的感知兴趣是识别行李直挂和灵活订票服务额外优势的基础，而这些服务是激励联运出行的关键因素。决策参与度也被确定为一个积极因素，反映了游客在联运出行规划过程中寻求信息的意愿。相反，个人的准备度倾向（即倾向于预留大量缓冲时间）直接导致了对联运出行的抗拒，而对潜在接驳失败的焦虑则阻碍了那些不熟悉中转城市的游客成为潜在用户。

案例研究旨在通过预测由可观测的社会人口特征定义的游客细分市场的分担率，为空铁联运客运运营提供参考。“高参与度且无忧虑”的细分群体——其特征为高决策参与度、低出行准备度和低焦虑——被确定为最具价值的群体，在高级 AHIS 服务下的平均分担率达到 9.65%。相比之下，“低参与度且忧虑型”群体的市场份额仅占 0.47%。基于行为偏好的游客细分表明了个性化空铁联运在未来应用中的可行性。

本研究的发现和局限性为未来的研究指明了方向。分析实际空铁联运旅客的社会人口模式和出行特征至关重要，这有望作为平衡抽样和更可靠需求预测的基准。此外，案例研究中考察的游客细分揭示了对空铁联运服务水平的差异化行为反应，这为在 MaaS（出行即服务）应用背景下进一步探索需求分析和管理奠定了基础。量身定制激励措施以促进联运出行，同时解决不同游客细分群体的特定心理和实际需求，是提供高质量联运出行服务的一种极具前景的方法。