京沪高铁客运市场细分与客票营销策略研究

赵 娟 任 民

京沪高铁客运市场细分与客票营销策略研究

赵 娟1任 民2

（1北京交通大学交通运输学院博士生，北京100044；2铁道部经济规划研究院研究员，北京100038）

面对激烈的客运市场竞争，如何提高高铁客运市场份额，保证客运量稳步增长是亟待研究的课题。以京沪高铁为典型案例，通过抽样调查方法得到7 000余个京沪高铁旅客样本，基于市场细分及营销理论，运用因子分析及聚类分析方法对样本进行聚类和客户细分，提出京沪高铁客票营销策略，为高铁开拓客运市场提供新的思路和建议。

京沪高铁;市场细分;抽样调查;因子分析;聚类分析;客票营销

0 引言

2011年6月30日京沪高铁开通运营，全长1 318 km，纵贯北京、天津、上海三大直辖市和冀鲁皖苏四省，连接环渤海和长江三角洲两大经济区。京沪高铁所经之地是中国经济发展最活跃和最具潜力的地区，也是中国客货运输最繁忙、增长潜力巨大的交通运输走廊。京沪高铁沿线客运市场竞争激烈，民航方面：高铁沿线设有民用机场的城市主要有北京、天津、济南、济宁、徐州、南京、常州、无锡、上海等，这些城市之间共开通航线16条，并可以利用降低票价争夺市场；公路方面：沿线高速公路发达，人均收入及消费水平高，家庭小汽车拥有率达50%以上，自驾出行率高。京沪高铁开通初期技术上还有待完善，客运市场正处于培育期，研究如何提高京沪高铁客运市场占有率，保证高铁经济效益极为必要。本文基于市场细分理论，运用多元统计中的因子分析及聚类分析方法研究旅客调查样本，提出高铁客票营销策略建议。

1 相关理论及研究方法

1.1 统计抽样

抽样调查是根据随机原则,从总体中抽取部分实际数据构成样本,同时运用概率估计方法,依据样本信息推断总体数量特征的一种非全面统计调查。样本是从总体中抽出的部分单位的集合,样本中所包含的单位数被称为样本容量，确定样本容量是抽样调查中非常重要的环节。在抽样调查中,除利用公式来计算样本容量外,还可采用经验法则。经验法则建立在过去抽取满足统计方法要求的样本量所累积下来的经验上。对于规模较小的总体(1 000以下),研究者需要比较大的抽样比率(大约30%)，为求较高的精确性,这时需要大约300个样本；对于中等规模的总体(如10 000),要达到同样的精确度,抽样比率为10%或大约1 000个样本量就可以了。就大规模的总体(超过150 000)而言,抽样比率为1%或大约1 500个样本量就能得出正确的结果。如果是非常大的总体(超过1 000万)，研究者可以使用0.025%抽样比或者大约2 500个样本,就能够得出精确的结果。当抽样比率非常小时,总体大小的影响力就不那么重要了。从2亿总体中抽取一个2 500左右的样本,与从1 000万总体中抽出同样规模的样本,它们的精确程度是完全相同的[1]。

1.2 市场细分

20世纪50年代中期，美国营销学家温德尔·史密斯首先提出客户细分概念[2]。他认为客户细分是企业根据客户的价值、消费行为和偏好等因素对客户进行分类,制定有针对性的营销策略,为不同类型的客户提供不同的产品或服务。目前，客户细分基本围绕着人口统计、生活方式、利益、行为、客户价值等变量进行。人口统计细分主要是把人口的年龄、性别、收入、职业和地区等作为细分维度。许多营销者认为,行为变量(场合、用户地位、使用率、忠诚状况、购买阶段和态度)是构建细分市场的最佳起点。行为细分中具有代表性的是RFM分析和客户价值矩阵分析[3]。客户细分的实现技术很多,诸如人工神经网络、因素分析、拟合分析和聚类分析等，都在实践中有着广泛的应用。

1.3 方法与模型

在对高铁客运市场进行细分时，旅客属性和出行方式等调研数据常常是高维多属性的，包含大量的信息。变量太多使得统计分析变得复杂和麻烦，可以采用多元统计分析中的因子分析和聚类分析对数据进行简化降维。

因子分析的基本思想是通过对变量的相关系数矩阵内部结构的研究,找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系,这少数几个随机变量是不可观测的,通常称为因子。因子分析是一种研究观测变量变动的共同原因和特殊原因,从而达到简化变量结构目的的多元统计方法。

一般模型和计算过程可以表示为：

式中：Xi（i=1,2,···,p）为原始变量；Fi为公共因子；aim是因子载荷；εi是残差且无自相关性、同方差，即有εi～（0，σ2），实际中将其作为随机影响忽略。用矩阵表示时，因子分析模型可写为：

式中：F=(F1,F2,...,Fm）是这p个指标的公共因子，且m≤p；A为因子载荷矩阵。

首先,对观测变量进行因子分析,并对因子载荷矩阵进行正交变换,利用载荷矩阵进行变量聚类。设公共因子为F1,F2,...,Fm，则在F1上载荷较大的变量可以聚为一类，在F2上载荷较大的变量可以聚为一类，……在Fm上载荷较大的变量可以聚为一类。这样初始的p个变量将由m个公共因子取代,变量的结构简化,维数降低,需要处理的数据量大大减少。然后,计算出各个样本在每个因子上的得分。因子得分就是各个样本在各个因子上的取值,这样就得到了一组新数据,即样本为原处理样本,变量为各个公共因子,样本在变量上的取值为因子得分。每一个公共因子都反映了样本一方面的性质,这样就可以选择某一个公共因子作为聚类依据,利用因子得分对样本进行聚类,并以因子作为市场细分维度,得出若干细分市场。

聚类分析是根据样本单元各个变量的取值，将样本（对象或变量）自动分类的统计分析方法。聚类分析的目的是把物体或人分为相对独立且较为固定的组，每一组内成员彼此之间在某方面具有极大的相似性，而组与组之间却具有极大的差异性。由于旅客样本数量巨大，本文采用快速聚类分析方法，即K－Means聚类算法。通过随机点将样本数据划分为K个类，通常用聚类集中的每个样本点到该类中心的距离之和为聚类准则函数，并使其最小化，通过多次迭代得到最终的聚类结果。

2 京沪高铁客运市场细分

2.1 调研情况

京沪高铁客流调查于2012年11月中至12月初进行，历时将近一个月。在京沪沿线及相关的19个城市（北京、天津、德州、济南、曲阜、徐州、蚌埠、南京、无锡、苏州、上海、沈阳、呼和浩特、石家庄、青岛、郑州、合肥、杭州、南昌）的铁路车站或列车上调查，要求被调查旅客对象为行程应途经京沪沿线。每个站点问卷调查时间不少于两天，包括节假日和工作日。调查共得到旅客样本30 000份，其中京沪高铁旅客样本7 771份，包括本线客流与跨线客流。据统计，京沪高铁2012年7月1日至2013年6月30日运送旅客7 440.2万人次，日均运送旅客17万人次，调查样本容量满足统计抽样对调查样本容量的要求，认为对这7 771个样本进行分析的结论可以描述总体。

2.2 数据统计描述

调查数据的部分整理结论如图1到图4所示，反映了京沪高铁旅客属性的一般特征。高铁旅客多为企事业人员及公务员，比例占全部旅客的63%；旅客月收入普遍较高，5 000元以上的占全部旅客49%；年龄年轻化，19～40岁旅客比例为78%；出行目的以因公出行为主占52%，旅游及探亲访友比例为27%。

图1 旅客职业比例图

图2 旅客月收入比例图

图3 旅客年龄比例图

图4 旅客出行目的比例图

京沪高铁沿线旅客多为企事业员工，月收入较高，年龄分布以青壮年为主，因公出差旅客较多，集中在中短途距离，费用来源51.5%为公费报销，家庭拥有小汽车比例为53%。

2.3 样本的因子和聚类分析

通过spss17.0统计分析软件对7 771个样本进行计算，首先用KMO测度值检验选取的指标数据是否适合进行因子分析，Kaiser给出了一个KMO值的标准：若KMO＞0.9，非常适合；0.8＜KMO＜0.9，适合;0.7＜KMO＜0.8，一般;0.6＜KMO＜0.7，不太适合; KMO＜0.5，不适合[4]。样本分析结果表明可以进行因子分析，见表1。旋转后因子载荷如表2所示。

表1 KMO和Bartlett的检验

表2 全部样本因子旋转成分

通过因子分析的得分结果来看，初始的9个变量可以合并为3个因子，第一因子包括出行目的和职业，第二因子包括收入和年龄，第三因子包括旅行距离、候车时间、同行人数。同时发现有无小汽车和费用来源变量在3个因子上的得分均不是很高，很难将它们并入某个因子类别，聚类分析的效果也不是很好，这说明对9个变量同时进行计算的结果不太理想。对数据再进行分类，分别按费用来源与有无小汽车分类，再进行因子分析和聚类分析。以公费出行样本为例，样本数为3 793，对8个变量进行因子分析，结果见表3。

表3 公费旅客样本因子旋转成分

可以看到，除有无小汽车变量对因子的解释能力较弱外，其他变量很好地解释了因子，第一因子包括收入和年龄，第二因子包括出行目的和职业，第三因子包括旅行距离、候车时间、同行人数。以3个因子作为新的变量进行聚类分析，运用K-means快速聚类算法，得到结果见表4及表5。

表4 公费旅游样本最终聚类中心

表5 公费旅客样本聚类结果

从聚类分析结果可以看出，公费出行旅客样本3 793个，称为第一类细分市场A类，分为3个子类，A1类2 820个样本、A2类有431个样本、A3类有542个样本。对A1类细分市场的描述为：出行目的为99%因公出差；职业多为企事业人员；候车时间90%集中在0.5 h到1 h之间；旅行距离中短途皆有；月收入大于4 000元的占77%；同行人数特征是单独出行占一半以上。这一细分市场称为公务出差型，占全部比例48.8%，对票价不敏感，车费报销，出行方式较规律。A2、A3子市场描述见表6。

表6 市场分类特征及描述

用同样的方法将自费旅客设为第二类细分市场B类，因子分析和聚类分析过程不再赘述，只对结果进行描述，最终聚类结果如表7所示。可以看出聚类效果不是很好，通过对表7的2、3类样本进行分析发现这类旅客属于组团类型，基本特征是同行人数都在20人以上，样本数量所占比例不大。剔除这16个样本后再对样本进行处理，分析结果如表8。

表7 B类市场第一次聚类结果

表8 B类市场第二次聚类结果

B1类细分市场由表7的2、3类样本构成，称为组团型，出行目的多为旅游或是外出务工，年龄以青壮年为主。第二次聚类结果称为B2类、B3类，市场特征描述见表6。同理，家庭无汽车旅客设为第三细分市场C类，聚类分析结果见表9,三个子类为C1类、C2类、C3类。家庭有小汽车旅客设为第四细分市场D类，聚类分析结果见表10，三个子类为D1类、D2类、D3类，市场特征描述见表6。

表9 C类市场聚类结果

表10 D类市场聚类结果

3 京沪高铁客票营销策略建议

国外高铁客票营销方式主要有：日本新干线实行往返折扣、学生团体优惠、定期票价优惠等；法国高速铁路对经常乘车的旅客发行儿童卡、青年卡、成年卡、老年卡和家庭卡等，还与航空、滑雪、海滩休假以及度假用汽车等推出联合票价；德国高速铁路在欧洲地区实行联运优惠政策，优惠票形式多样，对乘坐频率高、团体或儿童实行优惠[4]。

参考国外的旅客客票营销方式及以上因子分析、聚类分析的市场细分结果，按照子类市场属性和特征设计京沪高铁客票营销方案，见表11。

表11 京沪高铁客票营销方案

除了客票方案外，销售渠道设计也是客票营销的一个重要方面：1)设计多种销售渠道，包括窗口、代理、自动售票机、互联网、呼叫中心、列车上，以及电子车票等；2)设计多种支付手段，包括现金、银行卡、储值卡等，可以在网上支付，也可以在车站支付；3)设计多种取票方式，包括车站窗口、自动售票机、送票服务等，可以通过输入预订号取票，也可以通过插入信用卡取票；4)根据购票时间、定期票、优惠卡、常客户、社会分层等不同情况采取随需而变的客票销售策略；5)实现售票一体化，与飞机票、旅游住宿、游览券发行联合票制[5]。

4 结论

本文基于市场细分理论,运用因子和聚类分析方法对京沪高铁旅客调研数据进行了研究，初步得出京沪高铁市场细分及客票设计方案建议。客运市场细分标准不仅限于以费用来源和有无小汽车进行分类，还有更多的分类方法，如以旅行距离或是收入为标准，可以得到不同的市场分类。同时，因子和聚类方法也有一定局限性，聚类分析对异常值特别敏感，异常值的存在会导致类别的错分，在分析过程中不能仅仅考虑统计学意义，还要结合市场和行业背景，才能做出正确的市场细分。因此如何更加客观有效地对高铁客运市场进行分类及设计客票营销方案还有待进一步研究。

[1]劳伦斯·纽曼.社会研究方法：定性和定量的取向[M].北京：中国人民大学出版社，2000

[2]Wendell R.Smith.Product Differentiation and Market Segmentation as Alternative Marketing Strategies[J].Journal of Marketing,1956,21(1)：3-8

[3]Hughes A.Strategic Database Marketing：the Master Plan for Starting and Managing a Profitable,Customer Based Marketing Program[M]. New York：McGraw-Hill Professional,2000

[4]余建英,何旭宏.数据统计分析与spss应用[M].北京：人民邮电出版社，2003

[5]张振利.适应中国高速铁路客流特性的售票组织策略优化研究[J].铁道经济研究，2010（6）：43－45，50

[6]牛永涛，韩宝明，李华.我国铁路客运市场特点及客运专线客流组织原则研究[J].铁道经济研究，2010（1）：40－43

（责任编辑：魏艳红）

Facing with fierce competition in passenger market, it is an urgent research topic that to improve high-speed railwaypassengermarket share and ensure steady growth of passenger volume. Taking the Beijing-Shanghai high-speed railway for example,this article gets more than 7 000 samples of Beijing-Shanghai high-speed railway passenger by sample survey method.Based onmarket segmentation andmarketing theory, factor analysis and hierarchical cluster analysis are adopted to the samples.Finally, Beijing-Shanghai high-speed railway ticketmarketing strategy is proposed and some suggestions are provided on developingnewmarketsofhigh-speedrailway.

Beijing-Shanghai high-speed railway; market segment; sample survey; factor analysis; cluster analysis; ticketmarketing

A

1004-9746（2014）06-0013-05

2014-11-20）