考虑用户属性的城市轨道交通票价优化研究

高劭昂,陈 茜,吴辰旸

(东南大学交通学院,江苏 南京211189)

引 言

随着国内地铁修建热潮盛行,越来越多的城市开始建设城市地铁网络,地铁线路长度不断增加。但地铁站点的位置有时与出行者的起点/终点较远,需要配合其他交通方式完成一次出行。除此之外,我国城市交通仍存在出行服务体验差等问题。共享单车、网约车等新型交通服务模式虽缓解了部分城市交通问题,但交通出行者仍面临着交通换乘衔接体验差、出行信息获取不便、出行路径规划不及时等困扰。

因此,整合不同的交通方式,为出行者提供门到门的服务,是推动联程交通发展的首要任务。在联程交通模式和智能信息技术的基础之上,城市出现了全新的交通理念——“出行即服务 (Mobility as a Service,简称 MaaS)”。MaaS通过将各种交通方式的出行服务进行整合,用一个平台即可满足用户从出行计划制定、路线规划到下单和支付的所有事务,为用户提供一站式服务。所以,对MaaS进行研究,发挥各个交通方式之间的协同效益,吸引更多的居民使用联程出行的方式取代私家车出行,以缓解供需矛盾十分重要。

近年来,国内外学者对于联程票价票制优化和用户属性对选择行为的影响做了大量研究。在票价票制优化方面,华盛顿、伦敦、纽约、台北[1]等城市通过提高高峰期票价,墨尔本、新加坡、荷兰[2]等通过降低非高峰时段票价,利用价格杠杆实现了高峰时段客流的部分转移,以减轻高峰时段的客流压力;Hensher等[3]研究发现用于公共交通领域的一站式售票和支付系统可以在短期内将乘客数量增加至少2%-5%,在某些情况下甚至高达25%;法国国家铁路公司(SNCF)建造了MaaS平台Mon Chauffer,为法国高铁(TGV)乘客提供了全国范围内预订出租车或私人出租汽车,以完成旅行首英里或最后一英里的服务,降低了用户出行的总成本,吸引了更多用户采用联程交通[4]。

在用户属性对联程套票偏好的影响方面,研究工作一般从问卷调查和聚类分析方面展开。Kim等[5]研究发现年龄对订阅意愿的影响较大,年轻一代更有可能订阅这项服务。Gairal等[6]通过建立多项Logit模型,发现家庭中孩子的数量和年龄对MaaS包的选择有重要影响。Fioreze等[7]发现收入高低、私家车的拥有和使用情况对套票选择有重要影响,高收入群体更倾向于选择高价票,而有私家车的用户则会选择低价票作为出行补充。在聚类分析方面,Walker等[8]对个人使用MaaS的意图进行聚类分析,并将用户分为四个不同的群体:好奇MaaS的人(MaaS curious)、联程旅客(Multimodal travellers)、经常开车的人(Frequent car drivers)和爱车人士(Car lovers)。Matyas等[9]通过潜类别分析,将用户分为避免 MaaS者(MaaS avoiders)、探索MaaS者(MaaS explorers)和热衷 MaaS者(MaaS enthusiasts)三类,并利用LCM模型研究了不同类别用户偏好的异质性。

综上可知,国内目前对联程套票的研究较少,鲜有学者从出行者个人属性及MaaS服务特征的角度出发,探究城市出行者对联程套票的偏好。国外学者在研究时,通常将地铁与公交统归为公共交通进行研究,不存在分开研究的情况。

为此,本文拟选取地铁与公交车、共享单车、网约车的联程出行作为研究对象,采集三类用户(每周＜2天、每周2-4天、每周4-7天)的社会经济属性信息,利用SP调查收集用户对不同联程套票的选择数据,构建MNL模型并对参数进行标定,分析用户对不同票价票制的偏好和个人属性对偏好的影响。并分别基于套票运营商和政府角度提出优化策略。

1 调查设计

1.1 用户社会经济属性信息采集

为了更好地对用户进行画像分析,研究用户的个人社会经济属性特征对不同地铁联程套票偏好的影响,研究设置了年龄、性别、月收入、学历、就业情况、是否有私家车、是否有孩子、居住地情况等8个问题,从多个角度采集用户信息。

1.2 基于每周使用地铁频率的用户分类

根据受访者平均每周使用地铁的频率将其分为4类:高频乘坐人群(平均每周使用地铁4-7天),中频使用人群(平均每周使用地铁2-4天),低频使用人群(平均每周使用地铁＜2天),不使用地铁人群。不使用地铁的受访者直接跳出问卷,而使用地铁的受访者会根据其选择的选项,进入为其设置的低频使用票、中频使用票、高频使用票的个性化场景,进行偏好选择。

1.3 交通模式属性设置

在设置各种交通模式属性(attribute)时,可采用多种方式,如折扣、不限制使用天数、免费小时数、免费搭乘次数等。地铁的属性需要匹配用户的地铁使用频率,因此研究采用不限制使用天数进行设计。公交车属性延续IC卡中的折扣设置。对于共享单车,考虑到采用免费使用时长效用函数会分段的现象,也采用折扣作为属性。网约车属性的设计通过参考美团打车、滴滴打车的优惠策略,选取打7折次数作为属性进行设计。

1.4 选项数目确定(MaaS包种类确定)

研究使用有标签设计,针对每类受访者群体,均设置了三等票、二等票、一等票三种MaaS包的形式(不使用地铁的受访者除外)。三等票、二等票、一等票的价格逐渐升高,优惠方式和力度各不相同。具体信息如表1所示。

表1 MaaS包种类及特征

1.5 属性水平设计

研究根据MaaS包的种类和特征,设置了每个属性的属性水平,MaaS包均采用月票形式。对于同一人群的不同MaaS包,地铁不限制使用天数均采用同一选择集,可以保证在地铁服务水平相同的情况下,让用户根据自身情况选择多种多样配套服务类型,满足个性化需求。需要说明的是,公交车、共享单车、网约车的优惠不与地铁进行绑定,即用户在不使用地铁当天或者地铁不限制使用天数用完时也可享受三种交通方式的优惠。最终确定的属性和属性水平如表2所示(以高频出行票为例)。

表2 高频出行票属性水平设计

1.6 场景总数确定与情景组合设计(D-efficient Design)

在场景总数上,研究采用13个场景,包括12个正式场景和1个测试场景。测试场景中一等票的各项服务和优惠力度均大于二等票和三等票,且价格最低,用于检测不认真的受访者。在情景组合设计方面,研究采用效率设计中的D-efficient法进行设计。

2 用户描述性统计分析

研究借助见数(credamo)平台于2021年5月向社会大众发放网络问卷。共回收375份,剔除明显不合理或回答前后矛盾的问卷,最终获得298份有效问卷,有效回收率79.5%。用户类别组成如表3所示。

表3 用户类别组成

受访者每周使用地铁天数多集中在2-4天和4-7天,只有很少的受访者每周使用地铁少于2天。统计得到的样本信息分布如表4所示。

表4 用户特征组成

2.1 用户特征差异分析

根据统计结果,低频出行用户、中频出行用户和高频出行用户的特征存在显著差异。在性别组成方面,随着出行频率增加,女性比例不断提高,从最初的50%提升到最后的64.2%。在年龄方面,低频出行用户0-20岁占比17.8%,远高于中频用户的4.6%和高频用户的1.0%。在收入方面,低频出行用户月收入＜3000元群体占比最高,而中高频用户大部分月收入在5000-10000元之间。在学历方面,本科学历用户在各类用户中均占据主体。在就业情况方面,随出行频率的增加,全职在岗人员的比例从低频的42.8%攀升至中频的76.8%,最后达到高频的97.8%;学生比例从低频的46.4%降低到中频的21.2%,高频仅占1.0%。分析可知低频出行用户的主体为学生,而中高频出行用户大部分为全职在岗的工作人员。在有无私家车拥有情况方面,大部分低频用户(57.1%)和高频用户(63.1%)没有私家车,而中频用户有私家车人数略多。在居住地情况方面,大部分受访者都住在城市。在孩子拥有情况方面,使用地铁频率越高,有孩子用户占比越高。

2.2 主体用户分析

通过表格可以得出,低频出行用户的主体为年龄21-30岁、月收入＜3000元、学历本科、居住在城市、无私家车和孩子的男学生或女学生。中频出行用户的主要用户为21-30岁、月收入5000-10000元、学历本科、居住在城市、有私家车全职在岗的女性。高频出行用户的主体为年龄21-30岁、月收入5000-10000元、学历本科、居住在城市、无私家车有孩子的全职在岗女性。

3 多项Logit模型的建立与用户偏好分析

本研究基于非集计模型的随机效用理论,通过构建离散选择模型,从概率的角度探究考虑用户属性的联程套票选择行为,然后通过对模型进行参数估计,定量地分析影响联程套票 (三等票、二等票、一等票)选择行为的主要因素。

离散选择模型具有多种形式:MNL模型、NL模型、CL模型和MXL模型等。由于研究中不存在既随用户变化又随方案变化的解释变量,各方案的随机效用独立,可以采用MNL模型。而且解释变量数目较多,使用MNL模型简洁直观,可以直接从系数判断变量对效用的影响,便于直接对比分析。因此本文采用MNL模型进行参数标定。

利用biogeme对模型进行拟合,根据90%的置信区间,筛除p-value＞0.1的不显著变量,再拟合后得到结果如表5所示。

表5 包含用户属性的MNL模型结果

根据模型标定结果,低频模型的Adjusted R2为0.065,拟合效果不好,判断是样本量较少所致(仅收集到28个样本)。中频模型和高频模型的Adjusted R2分别为0.124和0.145,模型精度较好。

3.1 套票(MaaS包)属性对偏好影响分析

就套票属性而言,除低频模型中网约车打7折次数不显著外,其余变量均显著。其中,地铁不限制使用天数、公交车折扣、网约车折扣对用户选择具有显著的正向影响,票价具有显著的负面影响,与实际相符。通过分析可得出如下结论:

(1)同一模型中用户对公交车和共享单车折扣敏感性基本相同。

低频模型中共享单车折扣和公交车折扣系数分别为1.57和1.63,中频模型均为1.66,高频模型分别为0.872和0.903。三个模型系数均接近,证明在选择套票时,用户对共享单车折扣和公交车折扣变动的敏感程度基本相同。

(2)不同模型中用户对套票属性的敏感性各不相同。

就地铁而言,不限制使用天数的系数分别为0.217,0.107和0.101,这代表套票上的地铁不限制使用天数每增加1天,给低频用户、中频用户、高频用户带来的效用增量分别为0.217,0.107和0.101。也就是说,低频用户对套票中地铁不限制使用天数的变化最敏感,判断是套票提供给低频用户的不限制使用天数较少所致。

就共享单车和公交车而言,折扣系数分别为1.57,1.66,0.872和1.63,1.66,0.903,证明无论对于共享单车还是公交车折扣的变化,中频出行用户最敏感。

就价格而言,三个模型系数分别为-0.0478,-0.0252,-0.0133,即低频用户对价格最敏感,高频用户对价格最不敏感,分析是低频出行票和高频出行票的基价不同所致。低频出行票中,一等票的票价分别为80,90,100元。而高频出行票中,一等票的票价分别为360,400,450元。所以票价变动1元时,相较于高频用户,给低频用户带来的效用变化更大。

3.2 用户属性对偏好影响分析

从模型来看,用户社会经济属性对选择概率的影响,不同模型中显著变量不同。低频模型中,只有用户年龄显著;中频模型中,私家车拥有情况、是否为学生、收入、居住地情况对选择影响显著;高频模型中,用户的年龄、是否有孩子、学历、是否是学生、收入、性别、居住地情况均对选择影响显著。整体来看,用户每周使用地铁频率越高,显著变量也就越多。也就是说,用户出行频率越高,考虑因素越多,用户特征的差异性在选择行为上反映地就会更明显。

低频出行模型中只有选择三等票的用户年龄是显著的,这可能与低频样本数较少(仅收集到28个样本),用户个体特征差异不明显有关。以下仅对中频模型和高频模型做出分析。

就中频模型而言,有私家车和居住在郊区对用户选择二等票和三等票具有显著的负向影响,而学生身份对用户选择二等票和三等票具有显著的正向影响。有私家车的用户更倾向于选择一等票;住在郊区的用户选择一等票概率最大,三等票概率最小;学生选择三等票概率最大,一等票概率最小;相较于三等票,收入高的用户和住在城市的用户更愿选择一等票。

就高频模型而言,年龄、有孩子、收入和居住在城市均对用户选择二等票和三等票具有显著的负向影响,而学历和性别(男)对用户选择二等票和三等票具有显著的正向影响。年龄越大,选择一等票概率越大,选择二等票和三等票概率越小;有孩子的用户选择一等票概率最大,三等票概率最小;学历越高,选择三等票概率越高;收入越高,选择一等票概率越高;男性选择二等票概率最大,一等票概率最小。相较于三等票,住在城市的用户更愿选择一等票。

4 票价优化策略

4.1 基于套票运营商的高频出行用户票价优化

根据第3节的讨论,高频出行用户的主体为年龄21-30岁、月收入5000-10000元、学历本科、居住在城市、无私家车有孩子的全职在岗女性。本节基于这一群体从套票运营商的角度提出了票价的优化策略。

高频出行用户通常为通勤用户,出行频率高、交通花费多,是地铁联程套票的运营商的主要收益群体。一方面,运营商希望用户更多地选择一等票;另一方面,运营商希望提高票价获取更多的收益。但由于定价与选择概率成反比,如何平衡定价与选择概率,是票价优化的要点。

经济学上常利用预期收益率的概念来衡量效益。效益R=price1.P1,price1代表一等票的价格,P1代表用户选择一等票的概率。模型标定后,根据属性水平即可确定一等票选择的概率。接下来分两种情况讨论,分析一等票的定价区间。

(1)一等票最低价

假定服务水平最低,即各套票的属性均取最低水平。根据标定模型,可计算出一等票、二等票、三等票的效用和运营商的收益,如表6所示。

表6 最低服务水平下一等票效益计算

由于无法确定此时收益是否最大,因此可以绘制效益-价格曲线(如图1所示),观察定价对效用的影响。在票价取297元时,效益为222.01,此时运营商收益达到最大,即最低价应设定在297元。

图1 最低服务水平下效益的价格曲线

(2)一等票最高价

一等票最高价假定各套票服务水平最高,即各套票的属性均取最高水平。通过绘制效用-价格曲线(如图2所示),在价格为357元时,效益为282.17,达到最大,即最高价应设定在357元。

图2 最高服务水平下效益的价格曲线

综上所述,从运营商的角度来看,相较于设计中的最低价360元,最高价450元,运营商最低价定在297元,最高价定在357元时所获效益最大。考虑到价格一般为整数,可以用300元和360元作为最终定价。

4.2 基于政府政策的中频出行用户票价优化

从第4节可知,中频出行用户的主要用户为21-30岁、月收入5000-10000元、学历本科、居住在城市、有私家车全职在岗的女性。本节基于这一群体从政府角度提出了票价的优化策略。

发挥各个交通模式之间的协同效益,吸引用户采用联程出行取代私家车出行以实现公交优先一直都是政府工作的重点。二等票除免费使用地铁外,还给用户提供了较大的公交和共享单车折扣及几次网约车优惠,以备用户不时之需,很好地满足了政府的这一诉求。由表5得,中频出行用户的效用函数为:

式中U3,U2,U1分别代表三等票、二等票和一等票的效用。通过将套票属性水平和用户特征代入模型,可得现有情况下,服务水平最低时,一等票、二等票、三等票的效用分别为-2.817,-2.911,-4.387。服务水平最高时,一等票、二等票、三等票的效用分别为-3.107,-3.605,-3.944。即无论服务水平如何,用户选择一等票概率最大,三等票概率最小。二等票无法与一等票进行竞争。

这时,政府可以通过降低二等票的票价以提升用户选择的概率。假设票价为未知数,服务水平最低时,票价为116元时,U1=U2。服务水平最高时,票价为136元时,U1=U2。即二等票最低价定在116元,最高价定在136元时,可认为可与一等票进行竞争,满足政府的诉求。通过取整确定最终定价为120元和140元。

5 结 论

论文以地铁与公交车,共享单车,网约车的联程出行作为研究对象,研究了用户对不同票价票制的偏好和个人属性对偏好的影响。通过采集三类用户(每周＜2天、每周2-4天、每周4-7天)的社会经济属性信息,分析用户特征差异,明确了每类用户的代表特征。利用SP调查收集用户对不同联程优惠的选择意向数据,构建MNL模型并对参数进行标定,分析用户的年龄、私家车和孩子拥有情况、学历、是否是学生、收入、性别、居住地情况对选择行为的影响。最后分别基于套票运营商和政府角度提出优化策略。论文获得以下主要结论:

(1)地铁使用频率相同的用户对公交车和共享单车折扣敏感性基本相同。

(2)地铁使用频率不同的用户对套票属性的敏感性各不相同。低频用户对地铁不限制使用天数和价格最敏感,中频用户对公交车和共享单车的折扣最敏感。

(3)在研究个人属性对选择偏好的影响时,不同模型中显著变量数目不同。用户每周使用地铁频率越高,显著变量也就越多。总的来看,用户的年龄、私家车和孩子拥有情况、学历、是否是学生、收入、性别、居住地情况均对用户的选择有显著影响。高频模型中,年龄越大,选择一等票概率越大,选择二等票和三等票概率越小;有孩子的用户选择一等票概率最大,三等票概率最小;学历越高,选择三等票概率越高;收入越高,选择一等票概率越高;男性选择二等票概率最大,一等票概率最小。相较于三等票,住在城市的用户更愿选择一等票。

(4)基于运营商角度,为实现效益最大化,高频用户一等票价格区间应确定为300到360元;基于政府角度,为推进联程交通,公交优先,中频用户二等票价格区间应确定为120元到140元。

在研究个人属性对选择偏好的影响时,本文具体分析了每个属性对用户选择的影响,并没有通过聚类分析的方法,将用户分为几个潜在类,建立潜类别模型(latent class model)。未来可以在这一方面加以研究。