MaaS 出行模式的用户接受度特性研究

陈玲娟，赵文超

（武汉科技大学 汽车与交通工程学院，湖北 武汉 430070）

0 引 言

“出行即服务（Mobility as a Service, MaaS）”正引起广泛关注，其核心是交通出行一体化，其内涵是将多种出行方式整合在统一体系，最优调配资源、最大限度满足不同出行需求的一体化出行服务生态。相较于既有出行平台，其综合资源融合度更加全面，多方参与、统一管理、资源共享的模式能促进公交优先，实现低碳、联合出行。

然而，与传统的交通方式相比，新型的出行模式在推广和面向用户时会遇到诸多问题。用户接受度是平台运营的关键，用户出行行为研究可为MaaS 平台运营模式及执行框架提供思路[1]。MaaS 用户试验已在全球多国范围广泛展开[2-4]，Q Ho 等[5]基于悉尼Whim 试验，回归分析了异质用户个体出行偏好对MaaS 平台支付意愿的影响；Liljamo 等[6]发现降低出行费用能提升MaaS用户吸引力，并就定价范围给出了建议[7]；Vc A 等[8]采用SP 调查，发现用户更倾向于统一定价方案；Matyas 等[9]探讨了个性化服务通知、存储路径偏好等MaaS 定制化出行方案对用户选择意愿的影响；Guidon 等[10]认为MaaS“出行服务套餐”相比由不同交通方式提供独立服务有更大的市场潜力；Ye 等[11]运用UTAUT 模型研究了感知风险、个人创新等心理变量对用户选择偏好的影响。既有研究侧重于对用户选择偏好、MaaS 定价策略及出行模式调查，而对于用户意愿的相关研究较少。在MaaS 初期实施阶段，分析用户群对新模式的接受度和关键因素，精准识别用户需求，构建MaaS 最佳运营模式和发展路径，是实现MaaS 优质出行服务的有力保障。

因此，本文依据行为计划理论（TPB） 对潜变量的分类，深度剖析MaaS 框架中的关键因子，构建潜变量问题项，识别用户心理因素对MaaS 行为意向的作用机理；同时采用嵌套Logit 模型[12-13]研究MaaS 下的出行选择行为，通过边际效应计算获取出行时间及费用等相关显变量对MaaS 用户吸引力的影响。研究结果从决策心理和出行行为两个角度分析MaaS 的用户接受度特性，指出吸引用户的关键要素，发展方向及执行框架。

1 调查数据及检验

MaaS 是近年来全球交通领域出现的新理念，其核心是通过一体化交通出行和一站式服务，提升市民出行体验。但是MaaS的内涵、标准和发展模式并没有统一的标准，不同国家和城市的MaaS 侧重点和发展阶段也有很大差别，不同类型模式的MaaS系统的用户选择意愿和影响因素差异较大。相关研究指出可考虑会员制来作为初期吸引用户的措施[12-13]，本文引入会员制消费模式，会员缴纳会费并享有订单优先权、折扣和乘车优惠卡等平台激励策略。

1.1 问卷设计

问卷内容包含3 部分：第1 部分为被调查者的社会属性，从性别、私家车保有情况、教育程度、收入及年龄等设置问题以保证调查对象的全面性；第2 部分为表征用户接受度的心理潜变量；第3 部分为MaaS 下出行方式的选择意愿调查。本文调查数据仅覆盖城市内移动出行细分服务领域，而未涉及城际出行方式。第2 部分和第3 部分的问卷内容具体如下。

1.1.1 基于TPB 的心理潜变量设计

MaaS 出行理念用户接受度属于个体心理决策行为，适合应用TPB 模型从用户角度探索行为态度、主观规范、感知行为控制等因素对其接受度的影响作用。本文从MaaS 平台执行框架、运营模式，服务质量等角度出发，采用TPB 理论对调查类别进行归类，构建影响MaaS 用户接受度的关键问题。

其中行为态度调查用户对基础服务、增值项目与隐私保护的心理态度，主观规范调查用户对运营主体、团体支撑及平台效益划分的信赖度，感知行为控制调查个体出行效用的构成要素及权重。行为习惯分析用户对经验出行的依赖度和新模式的接受度。同时，为验证会员制的有效性，在TPB 模型中新增变量——会员模式出行态度（VA），并设置相应问题项。所有潜变量定义及问题的具体设置如表1 所示：

表1 问卷调查内容

问卷采用Likert 五级量表测量，根据出行需求、用户体验建立打分规则，其范围从“非常不同意”到“非常同意”，赋值范围定义为1 到5。

1.1.2 出行方式选择的显变量设计

吸引更多用户采用联合出行是搭建MaaS 体系的重要目标，因此本节分析用户出行选择机理，探讨MaaS 接受度的显变量影响机制。设定出行方式包括传统出行模式(ALLold )及MaaS 新型出行模式(PTnew )，后者聚合城市多种出行方式，集成票务预订、在线支付、买票住宿、拥挤度查询等功能，推出优惠套餐。其中，传统出行方式包括私家车(ca r )和公共交通(bu s )，新模式包括MaaS 普通出行(ma 1 )和会员出行(ma 2 )。效用函数的特征变量包括出行费用(C )、等待与换乘时间(W )及车内时间(T )。

在SP 情景中设置中短途和长途2 个场景，出行时间和费用的取值结合了所在城市的出租车打表数据、轨道交通票价及行程时间的实际情况取平均值，PTnew 基于现有的交通方式，利用技术综合匹配乘客出行的时间成本、金钱成本和对环境影响，协调不同运营主体间的利益，特征变量取值设置参考UbiGo、Whim，相比ALLold，定价更低。

同时，由于显变量的研究重点在于分析MaaS 新模式在时间和费用上的优势对用户的吸引力度，特征变量的相对值及比较优势更重要，因此场景设置上仅选取了几组代表性数据，而在结果分析中更看中边际效应分析。情景示例中特征变量和特征值的设计如表2 所示：

表2 SP 情景示例取值范围

采用正交试验方法设计出行场景，为提高SP 调查效率，删除具有明显优势的方案后，各生成12 个出行方式选择问题。同时考虑到受访者在填写问卷时存在倦怠心理，将12 个场景情景设计问题平分至4 份问卷，即每份问卷包含3 个中短途和3 个长途出行场景。

1.2 数据来源及检验

本文采用的数据来源于2021 年武汉市MaaS 平台用户接受度的问卷调查，在武汉武昌火车站地铁站对出行者进行调查，共调查出行者751 人，实际回收679 份，包含情景假设4 074 个。有效样本中，平均年龄为29.45 岁；女性占比58.7%；家庭拥有小汽车占比46.2%；42.3%为本科及以上学历。对被调查者社会经济属性进行交叉统计中发现受访者中年龄在25～40 岁的男性、女性分别占比57%、63%，与实际相符，也验证了收集样本的均衡性。

潜变量的数据检验从信度和效度两方面评价，检验结果如表3 所示，验证性因子分析中，Cronbach's α 系数在0.679 至0.859 之间，组合信度均大于0.75，表明潜变量间有较强的内部稳定性和一致性；探索性因子中，主成分因子唯一且特征值均大于1，解释总方差均在60%以上，平均方差提取值均大于0.5，表明数据有较强的可靠性和准确性。

表3 因子分析和α 系数

2 基于结构方程模型的潜变量分析

2.1 模型假设

在TPB、习惯驱动行为理论等相关文献综述的基础上，结合马斯洛需求层次理论，分析表1 中问题的相关性，提出关系假设，假设路径图如图1 所示，图中箭头方向表示变量间存在关联影响。

图1 MaaS 平台用户接受意向的研究模型和假设研究

2.2 模型定义

采用结构方程模型（Structural Equation Modeling, SEM） 分析潜变量间的相互关系。式（1）、式（2） 分别表示结构方程模型的测量方程和结构方程：

式中：潜变量按是否受其他变量的影响分为内生、外生潜变量，分别定义为X、Y，表示为表1 中x1～x10、y1～y8；ξ 为3个外生潜变量，具体为表1 中AT、PBC、SN，η 为内生潜变量，具体为HB、INT、VA；Λx、Λy 分别为X 对ξ、Y 对η 的因子负荷矩阵；B、Γ 分别为内生、外生潜变量与其观测变量间的相关系数矩阵；δ、ε、ζ 为误差项。

2.3 出行者潜在心理变量分析

本文选取卡方自由度(χ2/df )、近似误差均方根(RMSEA )、相对拟合指数(CF I )、拟合优度指数(GF I )为指标判断模型的适配程度，运用软件AMOS 24.0 求解模型，其中，计算得到χ2/df=1.903，RMSEA=0.066，GFI=0.930，该数值表明模型能较准确预测协方差矩阵和相关矩阵，CFI=0.907 表明理论模型和生成模型较接近。各项指标检验表明该模型拟合度良好、可用性较高且参数估计准确。

利用SEM 对潜变量间的关系进行分析，根据调查数据，由式（1）、式（2） 计算得到参数标定值及潜变量间的标准化系数。图2 中路径上的数字为标准化负荷系数，系数上标“**”表示p＜0.01，“***”表示p＜0.001。

图2 潜变量间的标准化路径系数

AT、SN、PBC、HB 与INT 间的影响均达到95%置信度的显著性(p＜0.05 )，如图2 所示，各潜变量对INT 的影响作用依次排序为：AT (0.4 8***)、SN (0.4 3***)、VA (0.3 4***)、PBC (0.3** )、HB (-0 .26**)。其中，AT、SN 的影响对行为意向的总效应最大，用户对MaaS 初期运营模式的支持程度，及对运营主体、团体支撑及平台效益划分信赖度的提升是提高MaaS 平台用户吸引力最关键的指标。

验证性因子载荷系数均超过0.6，表明变量与问题项间关系显著，数值的大小表明观测变量对其潜变量的反应程度。AT 的观测变量标准化负荷系数中，相比个性化服务x2()、隐私保护x3()，基础服务x1()提升受到用户更广泛的关注。由SN 的观测变量可知，用户对团体支撑x5()及运营主体x4()的信赖度相比广告投放x6()更有可能提升用户选择平台的意愿。PBC 中，4 个测量变量较为接近，操作便利性x9()是用户选择加入MaaS 的主要需求。HB 中，对系统给定的规划行程不会完全执行的用户y2()，对于MaaS 理念的接受度最低。

3 基于嵌套Logit 模型的MaaS 选择行为研究

3.1 嵌套Logit 模型

3.2 参数结果标定及分析

通过Nlogit6.0 软件编程求解，构建嵌套logit 模型，判断特征变量对用户出行方式选择是否具有显著影响，得到结果如表4所示。C、W、T 的P 值均小于0.05，表明出行费用、等待和换乘时间及车内时间对出行者出行方式的选择均有显著影响。嵌套Logit 模型的伪R2为0.242，表明该模型具有较高精度，拟合度较优。

表4 回归系数

由参数系数可知，T 对于出行者选择行为的效用更大，以W 的系数为基准，得到C、T 的相对系数分别为2.33、4.03，即C、T 降低1 个单位，等于W 减少2.33、4.03 分钟。

为更加深入了解显性因子对出行选择的影响，深层挖掘用户MaaS 接受度特性及机理，对新模式下的边际效应进行分析，结果如表5 所示。

表5 边际效应分析 单位：%

如表5 所示，以ma2 为例，在其他变量保持不变的情况下，当C、T 降低1%时，选择ma2 的概率增加0.89%、1.79%，而选择car 的概率降低0.56%、1.38%。由结果可知会员模式在出行费用及车内时间的竞争力主要体现在私家车出行上，当MaaS投入市场后，可以从定价策略、出行时耗两方面来吸引用户，从而改变用户的小汽车出行理念。

ma1 中，T 每增加一个单位时，选择ma2 的用户将增加0.32%。MaaS 会员模式以时间优势转移部分MaaS 普通出行用户，在MaaS 实施初期，平台可以充分发挥短时的优势诱导用户加入会员出行，巩固MaaS 用户群体。

4 结束语

本文基于问卷调查，从心理潜变量和出行显变量两方面研究用户对MaaS 的接受度，得到如下结论：（1） 心理潜变量分析中，发现操作便利对行为意向有显著影响，平台可通过构建“家人共享”功能，吸引老年用户群体，并为首次出行的用户提供视频教程及免费体验活动；基础服务提升相比平台增值项目、预约停车更有可能提升用户选择平台的意愿，因此，在MaaS 框架布局中，平台要在基础功能上为用户提供更为优质的服务；（2） 显变量分析中，相比于步行时间，出行者更在意行程时间和出行费用，MaaS 平台可以通过集中调度，综合融合资源及信息，降低行程时间及成本，从而诱使私家车用户转移到MaaS 平台，促进公交优先、降低小汽车流量。

本文在识别影响用户MaaS 接受意愿因素中，仅从潜变量和显变量两个方面进行分析，考虑年龄、性别、职业、收入等的分群研究在后续研究中可以进一步讨论。