MaaS 出行模式的用戶接受度特性研究

陳玲娟，趙文超

（武漢科技大學 汽車與交通工程學院，湖北 武漢 430070）

0 引 言

“出行即服務（Mobility as a Service, MaaS）”正引起廣泛關注，其核心是交通出行一體化，其內涵是將多種出行方式整合在統一體系，最優調配資源、最大限度滿足不同出行需求的一體化出行服務生態。相較于既有出行平臺，其綜合資源融合度更加全面，多方參與、統一管理、資源共享的模式能促進公交優先，實現低碳、聯合出行。

然而，與傳統的交通方式相比，新型的出行模式在推廣和面向用戶時會遇到諸多問題。用戶接受度是平臺運營的關鍵，用戶出行行為研究可為MaaS 平臺運營模式及執行框架提供思路[1]。MaaS 用戶試驗已在全球多國范圍廣泛展開[2-4]，Q Ho 等[5]基于悉尼Whim 試驗，回歸分析了異質用戶個體出行偏好對MaaS 平臺支付意愿的影響；Liljamo 等[6]發現降低出行費用能提升MaaS用戶吸引力，并就定價范圍給出了建議[7]；Vc A 等[8]采用SP 調查，發現用戶更傾向于統一定價方案；Matyas 等[9]探討了個性化服務通知、存儲路徑偏好等MaaS 定制化出行方案對用戶選擇意愿的影響；Guidon 等[10]認為MaaS“出行服務套餐”相比由不同交通方式提供獨立服務有更大的市場潛力；Ye 等[11]運用UTAUT 模型研究了感知風險、個人創新等心理變量對用戶選擇偏好的影響。既有研究側重于對用戶選擇偏好、MaaS 定價策略及出行模式調查，而對于用戶意愿的相關研究較少。在MaaS 初期實施階段，分析用戶群對新模式的接受度和關鍵因素，精準識別用戶需求，構建MaaS 最佳運營模式和發展路徑，是實現MaaS 優質出行服務的有力保障。

因此，本文依據行為計劃理論（TPB） 對潛變量的分類，深度剖析MaaS 框架中的關鍵因子，構建潛變量問題項，識別用戶心理因素對MaaS 行為意向的作用機理；同時采用嵌套Logit 模型[12-13]研究MaaS 下的出行選擇行為，通過邊際效應計算獲取出行時間及費用等相關顯變量對MaaS 用戶吸引力的影響。研究結果從決策心理和出行行為兩個角度分析MaaS 的用戶接受度特性，指出吸引用戶的關鍵要素，發展方向及執行框架。

1 調查數據及檢驗

MaaS 是近年來全球交通領域出現的新理念，其核心是通過一體化交通出行和一站式服務，提升市民出行體驗。但是MaaS的內涵、標準和發展模式并沒有統一的標準，不同國家和城市的MaaS 側重點和發展階段也有很大差別，不同類型模式的MaaS系統的用戶選擇意愿和影響因素差異較大。相關研究指出可考慮會員制來作為初期吸引用戶的措施[12-13]，本文引入會員制消費模式，會員繳納會費并享有訂單優先權、折扣和乘車優惠卡等平臺激勵策略。

1.1 問卷設計

問卷內容包含3 部分：第1 部分為被調查者的社會屬性，從性別、私家車保有情況、教育程度、收入及年齡等設置問題以保證調查對象的全面性；第2 部分為表征用戶接受度的心理潛變量；第3 部分為MaaS 下出行方式的選擇意愿調查。本文調查數據僅覆蓋城市內移動出行細分服務領域，而未涉及城際出行方式。第2 部分和第3 部分的問卷內容具體如下。

1.1.1 基于TPB 的心理潛變量設計

MaaS 出行理念用戶接受度屬于個體心理決策行為，適合應用TPB 模型從用戶角度探索行為態度、主觀規范、感知行為控制等因素對其接受度的影響作用。本文從MaaS 平臺執行框架、運營模式，服務質量等角度出發，采用TPB 理論對調查類別進行歸類，構建影響MaaS 用戶接受度的關鍵問題。

其中行為態度調查用戶對基礎服務、增值項目與隱私保護的心理態度，主觀規范調查用戶對運營主體、團體支撐及平臺效益劃分的信賴度，感知行為控制調查個體出行效用的構成要素及權重。行為習慣分析用戶對經驗出行的依賴度和新模式的接受度。同時，為驗證會員制的有效性，在TPB 模型中新增變量——會員模式出行態度（VA），并設置相應問題項。所有潛變量定義及問題的具體設置如表1 所示：

表1 問卷調查內容

問卷采用Likert 五級量表測量，根據出行需求、用戶體驗建立打分規則，其范圍從“非常不同意”到“非常同意”，賦值范圍定義為1 到5。

1.1.2 出行方式選擇的顯變量設計

吸引更多用戶采用聯合出行是搭建MaaS 體系的重要目標，因此本節分析用戶出行選擇機理，探討MaaS 接受度的顯變量影響機制。設定出行方式包括傳統出行模式(ALLold )及MaaS 新型出行模式(PTnew )，后者聚合城市多種出行方式，集成票務預訂、在線支付、買票住宿、擁擠度查詢等功能，推出優惠套餐。其中，傳統出行方式包括私家車(ca r )和公共交通(bu s )，新模式包括MaaS 普通出行(ma 1 )和會員出行(ma 2 )。效用函數的特征變量包括出行費用(C )、等待與換乘時間(W )及車內時間(T )。

在SP 情景中設置中短途和長途2 個場景，出行時間和費用的取值結合了所在城市的出租車打表數據、軌道交通票價及行程時間的實際情況取平均值，PTnew 基于現有的交通方式，利用技術綜合匹配乘客出行的時間成本、金錢成本和對環境影響，協調不同運營主體間的利益，特征變量取值設置參考UbiGo、Whim，相比ALLold，定價更低。

同時，由于顯變量的研究重點在于分析MaaS 新模式在時間和費用上的優勢對用戶的吸引力度，特征變量的相對值及比較優勢更重要，因此場景設置上僅選取了幾組代表性數據，而在結果分析中更看中邊際效應分析。情景示例中特征變量和特征值的設計如表2 所示：

表2 SP 情景示例取值范圍

采用正交試驗方法設計出行場景，為提高SP 調查效率，刪除具有明顯優勢的方案后，各生成12 個出行方式選擇問題。同時考慮到受訪者在填寫問卷時存在倦怠心理，將12 個場景情景設計問題平分至4 份問卷，即每份問卷包含3 個中短途和3 個長途出行場景。

1.2 數據來源及檢驗

本文采用的數據來源于2021 年武漢市MaaS 平臺用戶接受度的問卷調查，在武漢武昌火車站地鐵站對出行者進行調查，共調查出行者751 人，實際回收679 份，包含情景假設4 074 個。有效樣本中，平均年齡為29.45 歲；女性占比58.7%；家庭擁有小汽車占比46.2%；42.3%為本科及以上學歷。對被調查者社會經濟屬性進行交叉統計中發現受訪者中年齡在25～40 歲的男性、女性分別占比57%、63%，與實際相符，也驗證了收集樣本的均衡性。

潛變量的數據檢驗從信度和效度兩方面評價，檢驗結果如表3 所示，驗證性因子分析中，Cronbach's α 系數在0.679 至0.859 之間，組合信度均大于0.75，表明潛變量間有較強的內部穩定性和一致性；探索性因子中，主成分因子唯一且特征值均大于1，解釋總方差均在60%以上，平均方差提取值均大于0.5，表明數據有較強的可靠性和準確性。

表3 因子分析和α 系數

2 基于結構方程模型的潛變量分析

2.1 模型假設

在TPB、習慣驅動行為理論等相關文獻綜述的基礎上，結合馬斯洛需求層次理論，分析表1 中問題的相關性，提出關系假設，假設路徑圖如圖1 所示，圖中箭頭方向表示變量間存在關聯影響。

圖1 MaaS 平臺用戶接受意向的研究模型和假設研究

2.2 模型定義

采用結構方程模型（Structural Equation Modeling, SEM） 分析潛變量間的相互關系。式（1）、式（2） 分別表示結構方程模型的測量方程和結構方程：

式中：潛變量按是否受其他變量的影響分為內生、外生潛變量，分別定義為X、Y，表示為表1 中x1～x10、y1～y8；ξ 為3個外生潛變量，具體為表1 中AT、PBC、SN，η 為內生潛變量，具體為HB、INT、VA；Λx、Λy 分別為X 對ξ、Y 對η 的因子負荷矩陣；B、Γ 分別為內生、外生潛變量與其觀測變量間的相關系數矩陣；δ、ε、ζ 為誤差項。

2.3 出行者潛在心理變量分析

本文選取卡方自由度(χ2/df )、近似誤差均方根(RMSEA )、相對擬合指數(CF I )、擬合優度指數(GF I )為指標判斷模型的適配程度，運用軟件AMOS 24.0 求解模型，其中，計算得到χ2/df=1.903，RMSEA=0.066，GFI=0.930，該數值表明模型能較準確預測協方差矩陣和相關矩陣，CFI=0.907 表明理論模型和生成模型較接近。各項指標檢驗表明該模型擬合度良好、可用性較高且參數估計準確。

利用SEM 對潛變量間的關系進行分析，根據調查數據，由式（1）、式（2） 計算得到參數標定值及潛變量間的標準化系數。圖2 中路徑上的數字為標準化負荷系數，系數上標“**”表示p＜0.01，“***”表示p＜0.001。

圖2 潛變量間的標準化路徑系數

AT、SN、PBC、HB 與INT 間的影響均達到95%置信度的顯著性(p＜0.05 )，如圖2 所示，各潛變量對INT 的影響作用依次排序為：AT (0.4 8***)、SN (0.4 3***)、VA (0.3 4***)、PBC (0.3** )、HB (-0 .26**)。其中，AT、SN 的影響對行為意向的總效應最大，用戶對MaaS 初期運營模式的支持程度，及對運營主體、團體支撐及平臺效益劃分信賴度的提升是提高MaaS 平臺用戶吸引力最關鍵的指標。

驗證性因子載荷系數均超過0.6，表明變量與問題項間關系顯著，數值的大小表明觀測變量對其潛變量的反應程度。AT 的觀測變量標準化負荷系數中，相比個性化服務x2()、隱私保護x3()，基礎服務x1()提升受到用戶更廣泛的關注。由SN 的觀測變量可知，用戶對團體支撐x5()及運營主體x4()的信賴度相比廣告投放x6()更有可能提升用戶選擇平臺的意愿。PBC 中，4 個測量變量較為接近，操作便利性x9()是用戶選擇加入MaaS 的主要需求。HB 中，對系統給定的規劃行程不會完全執行的用戶y2()，對于MaaS 理念的接受度最低。

3 基于嵌套Logit 模型的MaaS 選擇行為研究

3.1 嵌套Logit 模型

3.2 參數結果標定及分析

通過Nlogit6.0 軟件編程求解，構建嵌套logit 模型，判斷特征變量對用戶出行方式選擇是否具有顯著影響，得到結果如表4所示。C、W、T 的P 值均小于0.05，表明出行費用、等待和換乘時間及車內時間對出行者出行方式的選擇均有顯著影響。嵌套Logit 模型的偽R2為0.242，表明該模型具有較高精度，擬合度較優。

表4 回歸系數

由參數系數可知，T 對于出行者選擇行為的效用更大，以W 的系數為基準，得到C、T 的相對系數分別為2.33、4.03，即C、T 降低1 個單位，等于W 減少2.33、4.03 分鐘。

為更加深入了解顯性因子對出行選擇的影響，深層挖掘用戶MaaS 接受度特性及機理，對新模式下的邊際效應進行分析，結果如表5 所示。

表5 邊際效應分析 單位：%

如表5 所示，以ma2 為例，在其他變量保持不變的情況下，當C、T 降低1%時，選擇ma2 的概率增加0.89%、1.79%，而選擇car 的概率降低0.56%、1.38%。由結果可知會員模式在出行費用及車內時間的競爭力主要體現在私家車出行上，當MaaS投入市場后，可以從定價策略、出行時耗兩方面來吸引用戶，從而改變用戶的小汽車出行理念。

ma1 中，T 每增加一個單位時，選擇ma2 的用戶將增加0.32%。MaaS 會員模式以時間優勢轉移部分MaaS 普通出行用戶，在MaaS 實施初期，平臺可以充分發揮短時的優勢誘導用戶加入會員出行，鞏固MaaS 用戶群體。

4 結束語

本文基于問卷調查，從心理潛變量和出行顯變量兩方面研究用戶對MaaS 的接受度，得到如下結論：（1） 心理潛變量分析中，發現操作便利對行為意向有顯著影響，平臺可通過構建“家人共享”功能，吸引老年用戶群體，并為首次出行的用戶提供視頻教程及免費體驗活動；基礎服務提升相比平臺增值項目、預約停車更有可能提升用戶選擇平臺的意愿，因此，在MaaS 框架布局中，平臺要在基礎功能上為用戶提供更為優質的服務；（2） 顯變量分析中，相比于步行時間，出行者更在意行程時間和出行費用，MaaS 平臺可以通過集中調度，綜合融合資源及信息，降低行程時間及成本，從而誘使私家車用戶轉移到MaaS 平臺，促進公交優先、降低小汽車流量。

本文在識別影響用戶MaaS 接受意愿因素中，僅從潛變量和顯變量兩個方面進行分析，考慮年齡、性別、職業、收入等的分群研究在后續研究中可以進一步討論。