印度国内航空市场乘客航班行程偏好估计的潜在类别方法

《Journal of Air Transport Management》：A latent class approach to estimate passengers’ air itinerary preferences in Indian domestic aviation market

　　

摘要

大量研究分析了航空旅客的航路选择行为，以了解乘客的偏好及其在关键航班服务属性（如总耗时、中转次数和票价）之间所做的权衡取舍。然而，关于潜在态度构念对航路选择决策影响的研究却极为有限。本研究考察了潜在态度和社会人口统计学特征对乘客航路选择行为的影响，并识别了航空旅客中不同的偏好异质性模式。研究采用基于614名受访者所收集的陈述偏好数据的两种建模方法。我们首先估计了一个多指标多成因（MIMIC）模型，该模型纳入了通过探索性和验证性因子分析识别出的潜在态度变量。模型揭示了三个潜在态度因子，即"注重舒适与卫生"、"追求机上服务"和"时间与准点导向"。为捕捉偏好异质性，我们进一步采用潜在类别选择模型（LCCM），将社会人口统计学特征和潜在变量作为类别隶属协变量纳入分析。LCCM结果显示了两个截然不同的旅客群体，每个群体对航路属性的敏感度不同。第一类约占样本的78%，第二类占剩余的22%。第一类群体（Class 1）对缩短中转时间和总耗时表现出高度偏好，而第二类群体（Class 2）对服务质量（腿部空间和机上餐食）更为敏感。此外，第一类旅客强烈偏好直飞航班，而第二类旅客对中转航班表现出更高的接受度。第一类航空旅客对缩短中转时间和总耗时的支付意愿分别为14美元和16美元，而第二类旅客对每缩短1小时中转时间和总耗时的支付意愿分别为10美元和13美元。此外，弹性分析表明，第一类旅客对直飞航班上较长的中转时间存在强烈排斥。单位票价在直飞航班上的增加会导致2.33%的旅客转向直飞（无中转）选项。女性和高学历个体在第一类群体中的占比略高，表明人口统计学特征对潜在类别隶属关系存在影响。研究发现，旅客偏好在潜在态度方面存在显著差异。通过考虑不同旅客群体对中转时间和总耗时的支付意愿，航空公司可以实施针对旅客敏感度量身定制的差异化定价策略，从而在确保公平性的同时优化收入。

1. 引言

印度的航空业已发展成为全球最突出的快速增长行业之一。根据市场趋势，预计到2034年，印度将跻身全球主要航空市场行列（Statista, 2024）。过去十年间，印度国内航空运力几乎翻了一番，2014年至2024年间年增长率约为6.9%（OAG, 2024）。随着航空旅行对更广泛人群的可达性日益提高，理解乘客行为的异质性对旨在定制服务产品和定价策略的航空管理部门而言至关重要。航空航路的选择（即直飞、直达或中转航班）反映了由多样化的乘客需求、经历和态度所塑造的复杂决策过程。研究者日益认识到，决策者在行为上表现出相当大的差异，而捕捉这些在敏感度和选择上的差异是航空航路选择分析的核心。尽管这些差异通常与年龄、收入等社会人口统计学因素相关，但越来越多的研究表明，潜在的态度和认知可以充当同等重要的预测变量，尽管它们也受到受访者社会人口统计学背景的影响（Seelhorst and Liu, 2015）。态度是反映决策者固有特征（包括需求、价值观和偏好）的潜在构念。它们随时间发展，受个人经历和外部影响（包括个体特征）的塑造（Walker and Ben-Akiva, 2002）。相比之下，认知是指旅客对可选方案各属性的评估或解读。可以看出，个体的决策不仅基于对属性的评估，还基于个体如何根据其个人需求、价值观和经验来内部解释和优先排序这些属性（Ibraimovic and Hess, 2018）。

传统的航空出行行为研究往往依赖可观察特征和汇总层面的偏好（Coldren et al., 2003; Koppelman et al., 2008; Proussaloglou and Koppelman, 1999），但越来越多的证据表明，此类方法忽略了个体偏好的差异。乘客不仅在社会人口统计学和出行特征上存在差异，在便利性、舒适性、服务可靠性的认知以及态度方面也存在差异。认识和捕捉这种隐藏的多样性对于更合理地理解旅客行为至关重要。分析师面临的一个关键挑战在于，与可以直接观察的社会人口统计学变量不同，潜在的态度和认知是无法直接测量的，必须通过可观察指标推断得出（Choo and Mokhtarian, 2004）。理解由这些潜在构念所导致的选择异质性对于寻求制定有效营销策略和服务产品的航空公司而言至关重要。尽管市场细分技术长期以来一直被用于对具有相似可观察特征的消费者进行分类，但最新的研究进展强调了在细分中纳入更深层的态度维度重要性（Lhéritier et al., 2019; Morlotti et al., 2023; Farooq et al., 2025）。为此，潜在类别选择模型提供了一种框架，用于发掘异质旅客群体中未被观察到的细分市场，识别出具有相似潜在偏好但可能无法仅凭可观察变量区分的旅客群体（Ben-Akiva et al., 2007）。在航空航路领域应用LCCM的研究已展示了其揭示不同类别旅客对关键属性（如旅行时间、票价和连通性）敏感度差异的潜力（Spears et al., 2013）。然而，现有研究大多仍强调可观察特征，往往忽视了从根本上驱动选择行为的心理特征。此外，通过陈述偏好（SP）数据将态度构念整合到细分中的研究仍然有限——陈述偏好数据允许探索假设性的服务配置（Choudhury et al., 2018）。

近期研究进一步表明，成本敏感度、服务质量导向、时间估值、风险厌恶和忠诚度附着等潜在态度因子在解释航路选择差异方面发挥着关键作用。例如，Prato等（2012）指出，对更短、更快、拥堵更少的路线的偏好主要由潜在认知而非可观察的社会人口统计学特征所塑造。潜在类别模型有助于识别由态度驱动的细分市场，例如价格敏感的休闲旅客与注重服务的商务旅客（Seelhorst and Liu, 2015; Zhou et al., 2019）。Morlotti等（2023）同样表明，关注准点率和旅客质量的乘客对价格敏感度较低且偏好直飞航班，而Adler等（2005）将忠诚度等级与准点率联系起来解释支付意愿的异质性。在此基础上，近期研究表明，旅客确实可以根据独特的偏好模式被细分为不同的类别。这种细分超越了社会经济指标，揭示了由共同态度特征驱动选择的旅客群体集群。例如，成本敏感的旅客倾向于优先选择低票价，可能接受较长的中转时间，而高收入商务旅客则更加重视准点率、舒适性和忠诚度权益（Zhou et al., 2019; Seelhorst and Liu, 2015）。

因此，本文通过采用包含三种方案（即直飞、直达和带一次中转的中转航班）的陈述偏好数据，探讨态度和经济社会变量对个体航空航路选择的影响。本研究的贡献在于基于态度构念识别航空航路选择中不同的潜在旅客细分市场，提供了超越传统社会人口统计学或文献中常见的票价与时间权衡分析的更深层行为洞察。本文对乘客航空航路选择行为文献的贡献如下：

1. 本研究将潜在态度因子整合到航空乘客的细分（类别）中，揭示了舒适性、卫生、机上服务期望和时间敏感度如何共同影响航路偏好。通过发掘潜在类别，本研究为航空公司提供了市场细分策略，使其能够提供与不同旅客特征相匹配的定制化服务产品。

2. 本文将潜在因子得分纳入潜在类别模型，通过连接行为细分与心理构念推进了文献研究，回应了更深入了解航空航路选择行为异质性的需求。

3. 本研究揭示了不同潜在旅客细分市场中对航路服务属性的支付意愿差异，突出了旅客在舒适性、卫生、准点率和服务质量方面赋值的差异。通过将类别隶属关系与社会人口统计学特征联系起来并基于潜在类别预测航路选择，本研究提供了关于不同旅客群体如何对服务变化做出反应的洞察。

4. 最后，本文估计了不同旅客类别间航路属性（如票价和中转时间）的直接和交叉弹性。此外，该分析提供了关于乘客如何对价格和时刻表变化做出反应的更深层洞察，支持更有效的产品设计、票价捆绑和收益管理策略。

本文其余部分的结构如下：第2节回顾现有文献。第3节介绍研究区域、数据和实验设计。第4节详细说明MIMIC模型及其结果，第5节展示潜在类别模型、支付意愿估计和潜在类别特征。最后，第6节总结全文，得出结论并指出研究的局限性。

2. 文献综述

离散选择模型在过去三十年中取得了显著发展，已被广泛应用于研究航空航路选择行为的关键决定因素（Proussaloglou and Koppelman, 1999; Hess et al., 2007; Garrow, 2016）。近期研究采用了更为精细的模型来考察乘客的航空航路选择行为，这些模型放松了无关方案独立性假设，并部分考虑了偏好异质性。混合Logit模型（Espino et al., 2008）和嵌套Logit模型（Hess and Polak, 2006）是其中的重要进展。混合Logit模型是一种广泛应用的方法，它通过假设模型参数遵循某种分布来更灵活地应对未观察到的异质性（McFadden and Train, 2000; Revelt and Train, 1998）。然而，该方法要求分析者事先定义参数的分布形式（如正态分布、对数正态分布），这可能限制了其捕捉偏好变异真实特征的灵活性（Lee et al., 2003）。此外，该方法在揭示异质性来源方面可能不够有效，尤其是当异质性与可观察的个体特征相关时（Boxall and Adamowicz, 1999）。相比之下，潜在类别模型作为多项Logit模型的半参数变体，能够有效处理未观察到的偏好异质性（Greene and Hensher, 2003）。潜在类别模型以概率方式将个体分配到具有不同参数的群体中，因此无需识别和定义参数分布。

大多数关于航空航路选择的建模研究纳入了实际票价或平均票价、旅行时间、中转次数和服务频率等变量来分析乘客的决策行为。此外，文献中还考察了一系列航空特定属性（如常旅客会员身份）、出行相关特征（如航班中转、机上服务）以及社会人口统计学因素（包括性别、年龄、出行目的、收入水平、就业状况和出行频率），以了解它们对航路偏好的影响（Seelhorst and Liu, 2015; Warburg et al., 2006）。利用潜在类别模型量化了常旅客计划（FFP）会员身份对航路选择的影响，揭示了不同旅客细分市场之间显著的偏好异质性。研究发现，会员计划在塑造精英会员的航空公司选择行为方面发挥着关键作用（Seelhorst and Liu, 2015）。非商务旅客愿意为基本FFP会员身份支付约相当于航路基础票价13%的费用，而拥有精英FFP会员身份的商务旅客表现出更高的支付意愿（WTP），最高可达票价的30%。汇总整个样本来看，非商务旅客中基本FFP会员的平均支付意愿为45美元，而精英会员身份的商务旅客为113美元。Zhou等（2019）利用潜在类别模型基于出行方式和航空公司选择识别了两个旅客细分市场。第一细分市场由低收入旅客组成，对出行成本更为敏感，而第二细分市场由高收入商务旅客组成，优先考虑服务质量因素。影响区域旅客方式选择的重要决定因素包括出行成本、座椅舒适度、旅程时间和运营频率，其中接驳时间仅对第二细分市场具有显著影响。

此外，Morlotti等人（2023）研究了航空旅行中自主衔接行程的需求潜力，即旅客自行安排联程航班，而非依赖航空公司协调的中转衔接。该研究采用陈述性偏好（SP）调查方法，运用潜在类别选择模型分析旅客偏好。研究结果表明，重视时效性和服务质量的旅客对价格敏感度较低，更偏好直飞航班。在路线选择研究中，Prato等人（2012）将潜在构念纳入离散选择模型，以增进对路线选择行为的理解。作者得出结论，潜在变量显著影响路线选择行为，旅客偏好更短、更快、拥堵更少的路线。从不同视角出发，Lurkin等人（2018）运用嵌套Logit（NL）模型和有序广义极值（OGEV）模型，对航空公司行程之间的竞争进行了建模，并对价格内生性进行了修正。研究结果表明，顾客偏好和竞争格局随时间推移保持稳定。此外，行程间的竞争格局也保持稳定，从而降低了频繁更新的必要性。Wang和Luo（2023）考察了行为异质性对航空票价选择的影响，特别关注了航空票务背景下观察到的非交易行为。研究指出，超过40%的受访者偏好非灵活票价等级，表明选择行为存在显著异质性。类似地，Adler等人（2005）展示了利用SP调查数据、采用混合Logit方法构建行程选择模型，强调了通过细分和随机参数设定来处理旅客偏好异质性的重要性。实证结果表明，所有服务特征（例如票价、飞行时间、机型、机场通达时间、中转次数、航班正点率等）对旅客均具有重要价值，尽管其重要性因旅客是否为常客而异。此外，航班正点率被发现在行程选择中是一个关键标准，尤其对精英商务旅客而言。研究发现商务旅客与非商务旅客在偏好上存在显著差异，强调需要提供定制化的服务。部分相关研究汇总于表1。

表1. 航空公司行程选择分析中潜在类别划分的研究

| 研究 | 数据样本 | 方法 | 结论 |
|------|----------|------|------|
| Warburg等（2006） | 美国各地机场的航空旅行调查 | 潜在类别模型 | - 潜在类别Logit模型能够捕捉未观察到的偏好差异。- 年长旅客和携有儿童的旅客对中转敏感度较低，对票价敏感度较高。 |
| Wen和Lai（2010） | 国际航空旅客调查数据 | 潜在类别模型 | - 潜在类别识别出对价格敏感和对质量敏感的旅客。- 安全和航空公司声誉对国际承运人的选择影响不同。 |
| Brey和Walker（2011） | 陈述性偏好（SP）数据 | ICLV模型 | - 准确估算不同时段的需求对于优化航班时刻表至关重要。 |
| Rezaei等（2011） | 低频市场的SP数据 | 潜在类别模型 | - 票价、旅行时间和常旅客计划的重要性因细分市场而异。- 潜在细分改善了研究洞察。 |
| Suki（2014） | 马来西亚的SP数据 | 结构方程模型（SEM） | - 同理心和准点性驱动旅客满意度。- 口碑与客户拥护之间存在正向关系。 |
| Seelhorst和Liu（2015） | 美国旅客的SP数据 | 潜在类别模型 | - 常旅客会员资格影响类别归属。- 某些类别对直飞航班表现出高支付意愿，而另一些则更注重忠诚计划权益。- FFP会员资格影响行程选择。- 潜在类别模型比MNL更能捕捉未观察到的异质性。 |
| Jung和Yoo（2016） | 韩国的SP数据 | 混合选择模型（HCM） | - 机场通达便利性、服务质量和满意度等潜在变量对旅客机场选择行为有显著影响。 |
| Buaphiban和Truong（2017） | 东南亚廉航旅客数据 | 结构方程模型（SEM） | - 价格和信任影响廉航购买行为。- 购买意愿与实际购买行为之间存在强正向关系。 |
| Zhou等（2019） | 澳大利亚西澳大利亚地区的SP调查数据 | 潜在类别模型 | - 影响出行方式选择的关键因素是出行成本、旅程时间、座位舒适度和航班频率，通达时间的重要性因细分市场而异。- 对价格敏感的旅客对票价变化反应强烈，而对价格不敏感的细分市场更注重服务质量提升。 |
| Morlotti等（2023） | 关于中转航班与直飞航班的SP数据 | 潜在类别模型 | - 潜在类别细分揭示了成本敏感型与时间敏感型群体。- 对价格敏感的类别更偏好中转行程。- 旅客细分在是否愿意中转方面存在差异：一些更注重价格，另一些偏好直飞航班。 |
| Wang和Luo（2023） | 上海虹桥国际机场的SP调查（2012年） | ICLV模型 | - 商务旅客和非商务旅客在价格敏感度和偏好方面存在差异，表明除出行目的外还有进一步细分市场空间。- 强调了潜在构念在理解航空票务行为中的价值。 |

将态度因素纳入离散选择模型的研究兴趣日益增长。尽管其重要性自20世纪80年代末以来就已被认可（Ajzen, 1991; Train等人, 1987），但近年来在实证模型中的纳入获得了更多推动力。态度被理解为塑造个体对生活和社团行为的内在倾向（Bahamonde-Birke等人, 2017）。出行行为研究始终强调在分析个体选择时考虑情感和心理因素的价值。在许多情况下，态度被发现比传统社会人口统计或出行相关变量更具影响力（Kuppam等人, 1999）。这种影响力在交通方式选择研究中尤为明显，其中环境担忧是最常被研究的态度之一。态度可以通过两种主要方法纳入选择模型（Ben-Akiva等人, 2002）。第一种是两步法，即首先使用因子分析对态度指标进行分析以提取潜在的底层维度，然后将得到的因子分数作为额外的解释变量纳入标准离散选择模型的效用函数中（Popuri等人, 2011; Spears等人, 2013）。这种方法实施相对简便，但未考虑态度构念中的测量误差。第二种方法是混合选择模型（HCM）框架，该框架将潜在变量模型直接整合到选择建模结构中（Train等人, 1987; Hess和Stathopoulos, 2013; Glerum等人, 2014）。与两步法不同，HCMs同时估计选择模型和态度指标的测量模型，从而明确考虑了态度和感知的未观察性质。过去几十年间，研究聚焦于通过揭示具有不同权衡关系和行为敏感性的潜在特征来扩展航空行程选择研究文献。潜在类别选择模型在交通研究中的最新应用突显了其揭示用户偏好异质性的价值。例如，Park等人（2025）运用潜在类别选择模型（LCCM）识别了提供出租车换乘服务的先进网约车服务的市场细分。类似地，Liu和Duan（2024）运用混合选择模型考察了出行情境和潜在特征在地铁路线选择中的作用，Al-Haideri等人（2025）运用离散选择潜在类别模型分析了人行横道前自行车骑行者之间的未观察异质性。这些研究表明潜在类别选择方法在不同情境下具有灵活性和实用性，并表明潜在类别框架能够成功揭示不同旅客群体对服务属性敏感度以及期望方面的有意义差异。基于这些洞察，我们的工作在航空行程选择分析中，使用陈述性偏好数据将潜在态度构念与行程属性相结合。本研究识别出不同类别的旅客，其票价、旅行时间和中转的弹性各不相同，从而实现了仅依靠可观察变量无法达到的细分。早期研究（Ben-Akiva和Lerman, 1985; Ben-Akiva等人, 1994; Proussaloglou和Koppelman, 1999; Algers等人, 1998）将陈述性偏好调查数据与二手数据源（特别是显示性偏好数据）相结合来建模行程偏好。然而，在本研究中，主要目标是检验对属性组合的行为反应，而这些组合可能无法在真实市场中直接捕捉到。这使得我们的方法与早期研究（如Zhou等人, 2019; Morlotti等人, 2023）一致，后者使用陈述性选择数据来捕捉受访者未观察到的特征。尽管许多以往研究使用可观察的社会人口统计属性（如年龄、收入）或服务相关因素（如票价、中转次数）对航空旅客进行细分，但潜在态度或心理因素在塑造行程选择中的作用仍未得到充分探索。相关情境的先前研究表明，纳入心理测量指标可以增强行为模型的解释力（Hurtubia等人, 2014; Glerum等人, 2014），但这种整合在航空行程选择分析中仅被少数应用，在发展中国家的应用场景中更是如此。此外，许多先前研究依赖于成熟市场的显示性偏好（RP）数据，这限制了对假设性或增强型服务属性的考察（Wardman, 1988）。另一个重要方面是旅客反应的弹性：对票价、旅行时间和中转次数等行程属性的敏感度如何因由可观察和不可观察特征共同定义的潜在类别而不同，这一问题仍未得到充分理解。为弥补这些差距，本研究采用来自发展中国家情境的陈述性偏好（SP）数据集，并在潜在类别选择模型框架内明确纳入了态度构念（通过探索性和验证性因子分析获得）。这种方法使得细分能够超越可观察的社会人口统计特征，捕捉到对舒适度、卫生、可靠性和相关服务感知等潜在心理倾向。通过这样做，本研究旨在揭示偏好和弹性在行程属性方面存在有意义分歧的不同旅客类别，从而提供更基于行为理解的行程选择行为洞察。

3. 数据与选择实验

3.1. 研究区域与样本量

一项调查旨在研究旅客对航空行程的偏好，特别关注不同旅客细分市场或类别间的偏好差异。该调查根据受访者是否具有航空旅行经验（最近12个月内）进行筛选，这有助于避免抽样偏差。应用此标准是为了确保参与者能够基于其实际出行行为提供近期且相关的见解。受访者通过随机截点调查的方式进行接触。调查于2023年5月在查谟和克什米尔（Jammu and Kashmir）的各个城市中心（如斯利那加、阿南特纳格、肖皮安、库尔加姆、索波尔、巴拉穆拉和查谟）采用随机抽样策略、以面对面、数字设备辅助的方式进行。调查地点的选择基于旅游活动以及在2022年期间航空旅行的显著增长（AAI, 2023）。城市中心的选取是为了在现有安全限制条件下最大化受访者多样性。在获得必要批准后，两名受训实习生在现场实施了调查。受访者平均花费10分钟完成调查。问卷中的态度性问题采用中性措辞设计，以减少回答偏差。自愿参与的调查可能会引入一定程度的自选择偏差，因为更愿意回答的个体可能与选择不参与的个体存在差异。然而，收到足够多的受访者回应，超过了样本量的最低阈值，这一关注点得到了解决。SP情景的设计旨在捕捉受访者的感知和态度，这在二手数据集中通常无法获得。SP问卷包含票价、中转时间、到达和出发时间、座位配置、座位宽度、腿部空间、餐饮和航班正点率等属性，以考察旅客在直飞、直达和中转行程中的选择。此外，SP数据集能够对行程属性进行受控变化，与实际市场保持一致。

调查分为两部分。第一部分收集旅客的社会人口统计特征，如年龄、性别、教育程度、就业状况等；第二部分呈现了三个航空行程（直飞、直达和带一次中转的中转）的选择情景。受访者被要求为其行程在三个不同的航空行程中做出首选。此外，对旅客提出了一些态度性问题，采用五点Likert量表，旨在捕捉受访者对到达和出发偏好、座位舒适度和票价敏感度的态度。向受访者展示的选择实验反映了真实性并保持了属性水平的平衡。基于实际市场评估，对三种类型的航空行程使用了不同的水平集。此外，中转时间的设定基于印度主要航空承运人的已发布中转时间。最终共获得614份完整回答。陈述性偏好调查的目标样本量的选择考虑了文献中提出的各种准则。例如，Orme（1998）提出了以下方程来确定估算主效应所需的样本量（N）：

(1) N ≥ 500 × a^J × t

其中"a"代表任何属性水平的最大数量，"t"表示选择任务的数量，"J"表示备选方案的数量。最小样本量应超过计算得出的"N"的两倍。类似地，Lancsar和Louviere（2008）建议每个选择任务至少20份回答，而Pearmain和Kroes（1990）指出100份样本量是选择建模分析的阈值。

本研究的样本量超过了最低样本量要求，并严格遵循了所有既定规范，共收集了614名受访者的回答（每人6个观测值，样本共包含3684行数据）。此外，图1展示了受访者拦截区域的分布情况。

下载：下载高分辨率图片（567KB） 下载：下载全尺寸图片

图1. 研究区域（查谟和克什米尔）中受访者拦截地点的分布

3.2 数据样本的描述性统计与选择实验设计

社会经济特征（年龄、性别、完成教育程度、就业状况、家庭年收入、职业、拥有车辆数（四轮车辆）、家庭成员数量等）的描述详见表2。女性约占样本的三分之一。研究团队力求涵盖所有年龄段的受访者。超过90%的受访者表示其家庭中至少拥有一辆汽车。此外，大学毕业生占比约为70%。根据年龄将受访者分为两组（30岁以下和30岁及以上），这一分类与以往研究中报告的航空旅客人口统计模式一致。印度国家旅游局开展的《国际旅客调查》采用30岁作为划分标准，以反映出行行为差异（印度政府旅游局，2024年）。此外，收入分类与PRICE（2022年）报告的全国家庭中产阶级收入区间一致，该报告估计印度中产阶级年收入介于500,000卢比至1,500,000卢比之间。

表2. 样本社会经济特征的描述性汇总

| 社会经济特征 | 均值 | 最小值 | 最大值 | 类别 | 计数 | 占比（总人数=614） |
|---|---|---|---|---|---|---|
| 性别 | | | | 女性 | 159 | 25.89% |
| | | | | 男性 | 455 | 74.11% |
| 年龄（岁） | 32.61 | 7 | 65 | <30岁 | 295 | 48.04% |
| | | | | ≥30岁 | 319 | 51.95% |
| 收入（卢比） | 785,000 | 100,000 | 5,000,000 | <500,000卢比 | 95 | 15.47% |
| | | | | ≥500,000卢比 | 519 | 84.53% |
| 教育程度（已完成） | | | | 10年级 | 46 | 7.49% |
| | | | | 12年级 | 55 | 8.96% |
| | | | | 专科 | 69 | 11.24% |
| | | | | 大学毕业生 | 287 | 46.74% |
| | | | | 研究生 | 128 | 20.85% |
| | | | | 博士 | 29 | 4.72% |
| 职业 | | | | 学生 | 330 | 53.75% |
| | | | | 政府雇员 | 156 | 25.41% |
| | | | | 商人 | 115 | 18.73% |
| | | | | 农民 | 12 | 1.95% |
| | | | | 退休政府雇员 | 1 | 0.16% |
| 就业状况 | | | | 全职就业 | 215 | 35.02% |
| | | | | 兼职就业 | 71 | 11.56% |
| | | | | 失业 | 328 | 53.42% |
| 拥有车辆数 | 1.45 | 0 | 7 | 0辆 | 55 | 8.96% |
| | | | | 1辆 | 304 | 49.51% |
| | | | | 2辆 | 197 | 32.08% |
| 家庭规模 | 4.56 | 1 | 14 | >2人 | 258 | 41.95% |
| | | | | ≥4人 | 324 | 52.77% |
| | | | | >4人 | 290 | 47.23% |

本研究采用正交（同时）实验设计，使用Ngene（ChoiceMetrics，2023年）软件设计选择实验。所纳入的属性包括票价、中转时间、到达时间、出发时间、座位布局、座位宽度、腿部空间、餐食和准点率。由于缺乏可靠的参数先验估计值，本研究采用了正交实验设计（Bliemer和Rose，2010），从而在零先验假设条件下实现对主效应的无偏估计。该设计旨在确保各属性水平之间具有统计独立性。选择场景经过精心设计，以清晰区分直飞、经停和联程航线，且所有属性水平均以易于理解的方式呈现。票价水平的确定依据印度国内航空领域的历史数据，由RapidAPI（2023年）汇总整理，反映了主要城市对之间的通行市场费率，并考虑了季节性和需求驱动的波动。准点率数据根据航空公司官方统计数据进行校准。实验中的额外变量包括腿部空间和座位宽度，其设定基于印度常见机型配置和行业标准。这些属性水平的选取旨在反映旅客实际面临的各种权衡取舍，从而提高选择实验的外部效度（印度民航总局MoCA，2023年）。调查最初包含24个选择任务；然而，为减少每位受访者所需完成的任务数量，本研究采用了分块技术。从24个选择集中选取4个分块，即每位受访者需面对6个假设性选择任务。图2展示了一个呈现给个体的选择场景示例。

下载：下载高分辨率图片（441KB） 下载：下载全尺寸图片

图2. 呈现给个体的一个示例性选择任务

表3展示了选择场景中各航线属性及其对应水平（取值介于2至6之间），并同时报告了各替代方案在所有观测值上的属性均值。

表3. 选择场景中航线属性及其对应的水平

| 序号 | 属性名称 | 水平 | 均值 |
|---|---|---|---|
| 1 | 出发时间（印度标准时间） | 上午8:00、下午3:00、下午7:00 | - |
| 2 | 直飞航线票价（卢比） | 3000、7500、12000 | 7500 |
| 3 | 经停航线票价（卢比） | 2800、6500、12000 | 7100 |
| 4 | 联程航线票价（卢比） | 2500、7000、12000 | 7177 |
| 5 | 座位布局 | 2×2和3×3 | - |
| 6 | 腿部空间（英寸） | 29和34 | - |
| 7 | 准点率（%） | 60%、75%、90% | - |
| 8 | 座位宽度（英寸） | 17和20 | - |
| 9 | 经停航线中转时间（分钟） | 30、45、60 | 45 |
| 10 | 联程航线中转时间（分钟） | 60、120、180 | 120 |
| 11 | 承运航空公司 | aC1、C2、C3、C4、C5、C6- | a实际承运航空公司名称因商业保密原因已进行屏蔽，尽管受访者看到的是使用真实航空品牌名称的场景。 |

表4展示了614×6个选择观测中航线选择的结果。研究发现，大多数选择为直飞航线（44%），其次是经停航线（42%），联程航线占14%。该样本可能无法充分代表印度国内航空旅客的更广泛群体，并可能对已经使用特定类型航线的个体存在一定偏向。然而，本研究的目标是探索性的，仅旨在理解特定的行为偏好。

表4. 受访者做出的选择示例

| 航线类型 | 受访者做出的选择 |
|---|---|
| 直飞 | 1624（44.08%） |
| 经停 | 1539（41.78%） |
| 联程 | 521（14.14%） |
| 选择观测总数 | 3684 |

4. 研究方法

本研究的方法论主要采用MIMIC模型，随后结合潜类别选择模型，具体说明如下。

4.1 EFA、CFA和MIMIC模型

调查中纳入的潜变量通过探索性因素分析（EFA）提取。为了解潜在特质如何影响旅客的选择行为，本研究采用了态度性陈述（附录1）。然而，基于共同性值，在22条陈述中仅保留了11条，并提取出三个因素。由于这些潜在因素无法直接观测，因此将其视为潜变量。本研究采用主成分提取法，结合Varimax旋转和Kaiser标准化以提取因素并提高其可解释性。对态度性陈述进行Bartlett球形度检验的结果显著（χ2=505，p值=0），表明变量之间存在相关性，从而验证了进行因素分析的必要性。此外，KMO（Kaiser-Meyer-Olkin）值为0.707，满足样本充分性要求，并表明各组分间的相关性强度令人满意（Kaiser，1974年）。保留特征值大于1的因素，意味着每个因素所解释的方差均超过任何单个观测变量本身。本研究还进行了平行分析以确认探索性因素分析所提取的组分数量（O'Connor，2000年）。经探索性因素分析保留的陈述及其赋予的因素名称见附录2。采用0.4的载荷阈值，三个因素共解释了59%的方差。

本研究采用结构方程建模（SEM）进行验证性因素分析（CFA），这是一种广泛用于检验观测指标与潜变量之间关系的方法。具体而言，采用具有三个潜变量的多指标多因变量（MIMIC）模型（Diamantopoulos和Temme，2013年）进行估计，以识别代表潜在构念的指标，并评估各类解释变量（如社会人口统计学特征和航空公司属性）的影响。MIMIC模型在传统CFA的基础上整合了解释变量与态度数据，特别适合将SEM与选择行为分析相结合的混合离散选择建模。结构方程阐明了潜变量构建的因果关系（Jung和Yoo，2016年）。

4.2 潜类别选择模型

潜类别多项Logit模型是指假定存在不同人口细分群体、具有不同选择行为和替代方案感知的选择模型。潜类别选择模型用于解释个体间偏好差异，最初由Lazarsfeld和Henry（1968年）提出，后被Kamakura和Russell（1989年）改编应用于离散选择分析，并由Greene和Hensher（2003年）进一步发展。该模型认为，个体的选择不仅受替代方案属性的影响，还受个体间不可观测差异（如人口统计特征的变化和无法直接捕获的潜变量构念）的影响。潜类别选择模型将具有相似特征的个体归入预定数量的潜类别或细分群体（Ben-Akiva等，2007年；Hurtubia等，2014年）。模型为每个类别估计一组独立参数，从而反映不同的偏好模式。这一结构有助于捕获和解释隐藏的（潜的）偏好异质性。

鉴于偏好异质性是航空公司航线选择中的关键因素，本研究采用潜类别选择模型来调查基于航线属性敏感度和潜特质是否存在不同的旅客细分群体。受访者被归入某一特定类别的可能性取决于其可观测选择和个体特征。本研究采用潜类别选择模型，其中个体"n"从选择集"J"中选择替代方案"j"，其条件为归属于潜类别"c"（Greene和Hensher，2003年；Zhou等，2019年）。我们可通过考虑观测选择来确定个体属于某一特定类别的类别归属概率（Sarrias和Daziano，2018年）。该方法假定潜类别之间互斥且穷尽，且在类别归属条件下选择是相互独立的。个体n选择替代方案j、在类别c条件下的类别归属概率可由以下函数计算（Greene和Hensher，2003年）：

(2) H_{n,c} = exp(θ_c · z_n) / Σ_{c=1}^{C} exp(θ_c · z_n)

其中，H_{n,c}为类别归属概率函数（Greene和Hensher，2003年；Seelhorst和Liu，2015年）；z_n为个体可观测特征的向量（本研究中包含旅客年龄、性别、家庭年收入以及从态度性陈述中获取的潜变量）；θ_c为模型估计的参数向量。在此归属条件下，类别特定的选择概率表示为：

(3) P_n(j|c) = e^{X_jn · β_c · Z_n} / Σ_{j∈J_c} e^{X_jn · β_c · Z_n}

其中X_jn代表替代方案j的属性向量（如座位宽度、中转时间、腿部空间、票价等），β_c为与潜类别c相关的参数向量；Z_n为个体n在特定类别下的可观测特征向量；J_c为个体n面对的选择集。

在本研究中，我们估计了涉及两个不同细分群体或类别的潜类别选择模型。类别数量的确定依据表5中列出的估计试验结果。表5展示了两个细分群体的潜类别选择模型与三个细分群体的潜类别选择模型的比较，重点比较了AIC（赤池信息准则）、BIC（贝叶斯信息准则）、对数似然值及群体规模等关键模型统计指标。综合考虑这些标准，本研究选取了两类别的潜类别选择模型进行进一步分析。潜类别多项Logit模型包含两个组成部分：选择模型和类别归属模型。模型使用R中的Apollo包进行估计（Hess等，2020年）。在类别归属模型中，以类别2作为参照类别，将不具有统计显著性的参数固定为零。选择模型包含替代方案特定属性，如座位宽度、腿部空间、中转时间、出发时间、到达时间、票价、准点率、耗时等。类别归属模型采用MIMIC结构，纳入了三个潜态度因素（基于因素得分）：舒适与卫生意识（CHC）、机上服务需求（IFSS）和时间与准点导向（TPO），以及社会人口统计学变量如年龄、性别和家庭年收入。本研究测试了多种类别结构，并根据拟合优度估计值和群体规模选择了两类别模型（表5）。

表5. 潜类别数量的选择标准

| 指标 | 2个类别 | 3个类别 |
|---|---|---|
| 参数数量 | 31 | 31 |
| 对数似然值 | -3438.18 | -3481.57 |
| AIC | 6938.36 | 6993.15 |
| BIC | 7130.93 | 7167.08 |
| 群体规模 | 类别1: 0.78；类别2: 0.22 | 类别1: 0.83；类别2: 0.16；类别3: 0.01 |

图3展示了完整的混合选择建模（HCM）系统的路径图。

下载：下载高分辨率图片（786KB） 下载：下载全尺寸图片

图3. 展示完整混合选择建模（HCM）系统的路径图

5. 结果与讨论

MIMIC模型和潜类别选择模型的结果在以下各节中进行了讨论。

5.1 MIMIC模型结果

MIMIC模型中识别出的因素被命名为：舒适与卫生意识（CHC）、机上服务需求（IFSS）和时间与准点导向（TPO）。所得因素中，CHC包含3个指标，IFSS包含4个指标，TPO包含4个指标。MIMIC模型的回归估计值如表6所示。所有回归系数在0.05水平上均具有统计显著性。表7报告的拟合优度指标均处于预期范围内。此外，比较拟合指数（CFI）和Tucker-Lewis指数（TLI）均超过0.90的标准阈值，表明模型拟合效果优良。RMSEA和SRMR表明所设定的模型非常接近地再现了观测数据。

从实际角度来看，三个潜在构念及其与观测指标和预测变量之间的关系已被模型恰当地捕捉。此外，从潜在因子中插补得到的因子得分被用于下一节所述的潜在类别-MNL模型中。

**表6. MIMIC模型估计结果。**

| | 估计值 | 标准误 | z值 | P值 |
|---|---|---|---|---|
| **舒适与卫生意识（CHC）** | | | | |
| 指标 | | | | |
| 我关注舒适的座位 | 0.207 | 0.021 | 9.885 | 0 |
| 我不觉得座位宽度受限（反向题项） | 0.223 | 0.020 | 10.915 | 0 |
| 飞行中的空气质量（气味宜人的气味）对我很重要 | 0.513 | 0.026 | 19.937 | 0 |
| 解释变量 | | | | |
| 家庭成员数量 | 0.141 | 0.016 | 9.088 | 0 |
| 年龄 | ?0.007 | 0.002 | ?3.500 | 0 |
| 10年级 | 0.298 | 0.119 | 2.495 | 0 |
| 12年级 | 0.418 | 0.106 | 3.938 | 0 |
| 文凭 | 0.555 | 0.143 | 3.876 | 0 |
| 本科毕业 | 0.303 | 0.095 | 3.178 | 0 |
| 研究生 | 0.300 | 0.100 | 3.000 | 0 |

| | 估计值 | 标准误 | z值 | P值 |
|---|---|---|---|---|
| **机上服务需求（IFSS）** | | | | |
| 指标 | | | | |
| 我关注行李被小心搬运 | 0.447 | 0.022 | 20.407 | 0 |
| 机上食物质量对我很重要 | 0.264 | 0.024 | 10.951 | 0 |
| 我享受机上免费餐食 | 0.462 | 0.017 | 27.715 | 0 |
| 我介意机组人员在飞机上的行为 | 0.451 | 0.021 | 21.918 | 0 |
| 解释变量 | | | | |
| 家庭成员数量 | 0.148 | 0.015 | 9.805 | 0 |
| 家庭年收入 | 0.011 | 0.005 | 2.241 | 0 |
| 车辆拥有数量 | 0.098 | 0.026 | 3.740 | 0 |
| 年龄 | ?0.009 | 0.003 | ?3.457 | 0 |
| 性别（女性） | 0.173 | 0.051 | 3.383 | 0 |
| 10年级 | 0.590 | 0.122 | 4.824 | 0 |
| 12年级 | 0.757 | 0.109 | 6.938 | 0 |
| 文凭 | 0.364 | 0.145 | 2.514 | 0 |
| 本科毕业 | 0.750 | 0.099 | 7.606 | 0 |
| 研究生 | 0.820 | 0.119 | 6.869 | 0 |

| | 估计值 | 标准误 | z值 | P值 |
|---|---|---|---|---|
| **时间导向与守时（TPO）** | | | | |
| 指标 | | | | |
| 航班晚点令我烦恼 | ?0.319 | 0.024 | ?13.440 | 0 |
| 我不介意晚到目的地（反向题项） | ?0.153 | 0.018 | ?8.450 | 0 |
| 预订行程时我会确保足够的中转时间 | 0.215 | 0.019 | 11.062 | 0 |
| 我通常提前很久到达值机柜台 | 0.322 | 0.018 | 17.946 | 0 |
| 解释变量 | | | | |
| 家庭成员数量 | 0.05 | 0.018 | 2.844 | 0 |
| 家庭年收入 | 0.019 | 0.006 | 2.926 | 0 |
| 车辆拥有数量 | 0.085 | 0.034 | 2.494 | 0 |
| 年龄 | ?0.010 | 0.003 | ?3.330 | 0 |
| 性别（女性） | 0.132 | 0.066 | 2.002 | 0 |
| 10年级 | ?0.664 | 0.15 | ?4.422 | 0 |
| 12年级 | ?0.388 | 0.131 | ?2.963 | 0 |
| 文凭 | 0.466 | 0.176 | 2.647 | 0 |
| 本科毕业 | 0.620 | 0.120 | 5.159 | 0 |
| 研究生 | 0.818 | 0.147 | 5.563 | 0 |

**表7. MIMIC模型的拟合指数。**

| 拟合指数 | 值 | 推荐阈值 |
|---|---|---|
| p值（χ2） | 0.001 | >0.05；对样本量敏感 |
| 比较拟合指数（CFI） | 0.91 | ≥0.90 |
| Tucker-Lewis指数（TLI） | 0.917 | ≥0.90 |
| 近似误差均方根（RMSEA） | 0.052 | ≤0.10 |
| 标准化均方根残差（SRMR） | 0.035 | ≤0.09 |

三个潜在构念对诸如家庭规模、受访者年龄、家庭年收入、车辆拥有数量（四轮车辆）、性别和完成的教育程度等观测预测变量进行了回归。这些回归系数揭示了各种旅客的社会经济因素如何影响潜在构念。

"舒适与卫生意识（CHC）"由大家庭规模、中等教育程度和年轻受访者来解释。家庭规模对CHC（舒适与卫生意识）因子具有正向且显著的影响，表明来自大家庭的个人倾向于表现出更高的舒适和卫生期望。虽然数据没有直接表明受访者是否与家庭成员一起旅行，但那些习惯于为更多人管理家庭需求的人可能发展出对舒适和卫生方面更高的敏感度。此外，大家庭规模通常意味着对旅行延误或长时间中转的容忍度较低，因为额外的每增加一人都会增加烦躁、疲劳和潜在健康风险的累积压力。因此，来自大家庭的个人更重视提供更好座位舒适度和卫生条件的行程。此外，年龄对人们如何看待座位舒适度产生了小而显著的影响。随着年龄的增长，乘客倾向于略微降低对舒适座位、空间和整体机舱环境重要性的评价。这可能是由于将可靠性和安全性置于座位和环境条件之上。此外，诸如日程和票价等实际问题可能盖过了基于舒适性的偏好。教育程度与机舱卫生和座位舒适度之间呈现复杂的关系。结果表明，中等教育程度的个体，特别是持有12年级学历、文凭或本科学位的人，表现出更高的舒适和卫生期望。相反，处于教育光谱两端（较低和较高端）的受访者对舒适相关因素的评价略低，但仍为正值。

机上服务需求（IFSS）因子由家庭规模、性别、家庭年收入、年龄和车辆拥有数量来解释。家庭规模被发现具有正向影响，即家庭成员数量增加时，对机上服务的期望也随之提高。这是因为为多个人（如孩子或年迈的父母）协调行程增加了旅行的复杂性。因此，这类旅客可能期望航空公司工作人员超越常规来满足其家庭需求（行李搬运、工作人员行为和餐食等）。关于年龄的发现表明，各年龄组的旅客都持续重视机上服务。然而，随着年龄增长，期望值略有下降。年收入对机上服务期望具有强烈影响。高收入旅客可能要求更多的机上服务，这或许是因为他们能够负担高端服务。同样，拥有多辆车的受访者被发现对机上服务期望更高。性别对IFSS因子表现出显著影响。结果表明，样本中的女性比男性具有更高的机上服务期望。换句话说，女性乘客往往对机上服务质量更为关注。她们可能对乘务员的态度和帮助程度、食品饮料质量、清洁度和行李搬运等方面给予更大重视。此外，教育程度对机上服务期望具有强烈影响。研究生和博士学位持有者对机上服务的期望更高。

"时间导向与守时（TPO）"态度由教育程度、家庭规模、车辆拥有数量、年龄、家庭年收入和性别来解释。根据结果，对时间和守时敏感的人很可能是女性、高教育程度、属于高收入群体且拥有多辆车的人。此外，年龄产生了小而显著的系数。可以得出结论，年轻和年长的旅客同样可能具有"时间和守时"导向，在其他条件相同的情况下。这些发现表明，诸如年龄和收入等人口统计变量在塑造航空旅行偏好方面的决定性不如通常假设的那样大。相反，个人价值观和教育程度似乎对旅客的期望和决策过程施加了更大的影响。这表明旅游业在设计行程和营销策略时，应谨慎地仅依赖基于年龄或收入的分层，并应纳入对航空旅客的更细致理解，包括态度因素。总体而言，MIMIC模型分析提供了对不同类型旅客如何看待其航空旅行体验的深入了解。模型的满意拟合指数和强因子载荷加强了研究结果的稳健性。值得注意的是，服务质量特别受到女性旅客的重视，而准时性（OTP）则成为某些细分市场（包括男性和高教育程度乘客）的关键关注点。总之，了解乘客期望的决定因素使航空公司和服务提供商能够更有效地定制服务，从而提高乘客满意度和运营效率。

**5.2. 潜在类别MNL模型结果**

以下各节呈现并讨论潜在类别选择模型的结果。

**5.2.1. 类别特异性选择推断**

各类别（细分市场）的类别特异性估计值如下表8所示。

**表8. LC_MNL模型结果。**

| 模型参数 | 类别1 | 类别2 |
|---|---|---|
| | 估计值 | 标准误 | t统计量 | 估计值 | 标准误 | t统计量 |
| **行程特定参数** | | | | | | |
| 座位宽度 | 0.090 | 0.042 | 2.125 | 0.044 | 0.019 | 2.312 |
| 中转时间 | ?0.060 | 0.010 | ?5.813 | ?0.027 | 0.014 | ?1.931 |
| 免费餐食 | 0.045 | 0.039 | 1.155 | 0.034 | 0.013 | 2.608 |
| 票价 | ?0.003 | 0.001 | ?3.135 | ?0.002 | 0.001 | ?2.333 |
| 腿部空间 | 0.082 | 0.057 | 1.445 | 0.058 | 0.019 | 3.027 |
| 准点率 | 0.071 | 0.023 | 3.088 | 0.035 | 0.006 | 5.783 |
| 总耗时 | ?0.071 | 0.038 | ?1.878 | ?0.034 | 0.014 | ?2.358 |
| 出发时间（早晨） | 0.085 | 0.011 | 7.673 | ?2.562 | 1.248 | ?2.052 |
| 出发时间（傍晚） | 0.097 | 0.022 | 4.474 | 0.624 | 0.210 | 2.978 |
| 到达时间（早晨） | ?0.058 | 0.010 | ?5.650 | 0.074 | 0.014 | 5.483 |
| 到达时间（傍晚） | 0.049 | 0.009 | 5.316 | 1.122 | 0.160 | 7.030 |

| **类别成员参数** | 类别1 | 类别2 |
|---|---|---|
| | 估计值 | 标准误 | t统计量 |
| 类别分配因子（delta_1） | 1.281 | 0.767 | 1.670 | 基准情形 |
| 舒适与卫生意识（CHC） | 3.030 | 0.647 | 4.682 |
| 机上服务需求（IFSS） | 2.499 | 0.589 | 4.244 |
| 时间导向与守时（TPO） | 1.527 | 0.308 | 4.966 |
| 年龄 | 0.072 | 0.011 | 6.564 |
| 性别（女性） | ?0.151 | 0.025 | ?5.940 |
| 家庭年收入 | ?0.073 | 0.032 | ?2.281 |
| 后验期望份额 | 77.97% | 22.03% |
| 对数似然值（初始） | ?4047.290 |
| 对数似然值（最终） | ?3438.180 |

**类别1：** 该细分市场占总受访者的78%。票价表现出负向且统计显著的影响，突显了其对行程选择的关键作用。中转时间和总耗时均被发现与效用呈负相关，表明对中转和更长旅行时长的明确排斥。类别1乘客中转时间和耗时更强烈的负向效应表明，该细分群体对直飞行程有显著的偏好。此外，座位宽度、准点率以及安排在早晨和傍晚的出发时间被发现与效用呈正相关，表明座位舒适度和行程的准时性对该群体来说是重要考量因素。此外，安排在早晨时段到达的行程与负效用相关，而傍晚到达则受到青睐。免费餐食和腿部空间表现出统计上不显著的影响，表明这些属性对该类别的旅客而言重要性较低。

**类别2：** 该细分市场占旅客的22%，表现出截然不同的优先级，反映出对服务质量更大的灵活性或敏感度。票价具有负向且显著的影响，表明较高成本会降低效用；然而，相对于类别1而言，其敏感度有所降低，表明当伴随舒适度和服务质量的改善时，愿意接受更高的票价。餐食和腿部空间与效用呈正向且显著相关，表明对机上食品和舒适度有更强的关注。虽然中转时间和总旅行时间仍与效用呈负相关，但这些效应的幅度与类别1相比相对较弱，表明对中转停留和较长旅程的容忍度较高。此外，该群体表达了对早晨出发的明确排斥，同时对傍晚到达表现出强烈的正向偏好。与类别1不同，该群体似乎对中转航班更加接受，前提这些选择提供增强的舒适和服务功能。

**5.2.2. 类别成员推断**

类别成员概率被发现显著受态度和社会人口统计特征的影响。类别成员模型的参数根据其关于个人属于特定类别的似然性的边际效应进行解释。表9中呈现的赔率比估计揭示了潜在变量在解释类别分配方面的显著影响。CHC、IFSS和TPO因子得分的增加提高了属于类别1的概率。然而，概率的增加在CHC和IFSS的情况下更为明显，突显了这些因子在解释类别分配方面的强影响。对舒适和卫生有强烈偏好的受访者（β=3.030）、对机上服务的偏好（β=2.499）以及对时间和守时的偏好（β=1.527）更可能属于类别1，表明该细分市场主要由优先考虑座位舒适度、准点表现和更好的机上服务的旅客组成。类别成员分配有助于确定社会经济因素对旅客属于不同潜在类别的概率的影响。年龄、性别和收入参数的估计值变化表明需要识别潜在行为类别。结果显示，与类别2相比，属于类别1的赔率随年龄增长增加7%。这表明年长旅客的偏好与类别1相一致。类别1的旅客对舒适和卫生有强烈的意识，寻求增强的机上服务，并具有时间导向性。此外，性别在类别成员分配中也揭示了重要作用，与类别2相比，女性属于类别1的可能性低15%。这表明女性在类别2中的代表性相对较高，反映出性别之间在服务属性感知方面存在显著差异。相反，家庭年收入与类别1旅客群体呈负相关关系。这表明高收入旅客（β=?0.073）更可能属于类别2。具体来说，对于家庭年收入较高的乘客，属于类别1的赔率降低7%。属于类别1的航空旅客可以通过强调舒适度和时间敏感度（准点率）并结合捆绑行程服务的策略来触达。另一个类别（类别2）的旅客可被提供个性化的服务，这些服务以便利性为基础，以提高运营和营销效率。此外，类别2的受访者被发现对餐食和腿部空间等舒适特征更具响应性，并在中转和时刻方面表现出灵活性，尤其偏好傍晚到达和出发。这些发现表明，态度特征是类别分化的主要驱动力，类别1反映舒适和时间敏感的导向，而类别2则代表更具灵活性、以服务为导向的偏好，对旅行时间和中转相关不便的敏感度相对较低。纳入潜在态度构念显著改善了行为分层，突显了在航空行程选择模型中纳入心理测量变量的必要性。

**表9. 类别成员参数的赔率比（以类别2为参考）。**

| 变量 | 估计值 | 标准误 | t统计量 | CI95%（估计值） | 赔率比 |
|---|---|---|---|---|---|
| 舒适与卫生意识（CHC） | 3.03 | 0.647 | 4.682 | (1.763, 4.297) | 20.7 |
| 机上服务需求（IFSS） | 2.499 | 0.589 | 4.244 | (1.344, 3.654) | 12.17 |
| 时间导向与守时（TPO） | 1.527 | 0.308 | 4.966 | (0.923, 2.131) | 4.61 |
| 年龄 | 0.072 | 0.011 | 6.564 | (0.050, 0.094) | 1.07 |
| 性别（女性=1） | ?0.151 | 0.025 | ?5.94 | (?0.200, ?0.102) | 0.86 |
| 家庭年收入 | ?0.073 | 0.032 | ?2.281 | (?0.136, ?0.010) | 0.93 |

**5.2.3. 支付意愿**

潜在类别选择模型的估计结果表明，两个类别对座位宽度、中转时间、餐食、票价、腿部空间、准点率和耗时的偏好相同。然而，实际敏感度不同，类别1的旅客对这些服务属性的边际效用更大。如表10所示，两个类别都表现出对服务属性改善的明显支付意愿（WTP）。类别1的乘客表现出更高的支付意愿——为座位宽度从17英寸改善到20英寸的支付意愿为20美元，为行程准点率改善的支付意愿为16美元。关于座位宽度和准点率的改善，类别2的受访者仅愿意支付16美元和13美元。

然而，Zhou等人（2019）报告了不同的结果，即使是价格敏感的旅客，对于提高座椅舒适度的支付意愿也更高。他们指出，这种行为可能源于特定航线的性质差异，表明支付意愿因情境而异，差异显著。此外，对于减少1小时的总飞行时间和中转时间，第1类旅客分别愿意支付16美元和14美元。这与早期研究一致，例如（Zhou等人，2019；Morlotti等人，2023），他们观察到时间敏感的旅客通常愿意为减少总飞行时间或中转时间支付更多费用。相比之下，第2类旅客（对时间敏感度较低）对于减少总飞行时间和中转时间分别仅愿意支付13美元和10美元。对于免费餐食和将腿部空间从29英寸改善到34英寸，第2类旅客分别愿意支付13美元和21美元。该结果与Espino等人（2008）的研究一致，该研究确定餐食的支付意愿在基本票价之外为10.36至24.87美元。

表10. 各类别服务属性的支付意愿（两类LC模型）。

| | 第1类 | | 第2类 | |
|---|---|---|---|---|
| 服务属性 | 支付意愿（卢比） | 支付意愿（美元） | 支付意愿（卢比） | 支付意愿（美元） |
| 座椅宽度 | 1740 | 20 | 1402 | 16 |
| 中转时间 | 1164 | 14 | 866 | 10 |
| 免费餐食 | — | — | 1075 | 13 |
| 腿部空间 | — | — | 1830 | 21 |
| 准点率 | 1372 | 16 | 1094 | 13 |
| 总飞行时间 | 1379 | 16 | 1073 | 13 |

总体而言，我们的结果表明，属于第1类的个体往往对票价更为敏感。有趣的是，第2类旅客（相对较高收入群体）对免费餐食和腿部空间改善的重视程度更高。这一观察结果与Wen和Lai（2010）的先前提研究一致，他们发现高收入旅客对服务质量改善的支付意愿更高。相比之下，对于第1类旅客而言，餐食和腿部空间并未显示出统计学上的显著性。这些洞察对政策制定具有启示意义，因为提高航班行程的服务质量可能促进航空运输的采用率，特别是在价格敏感度较低的客群中。

**5.2.4 后验成员概率**

后验类别成员概率是通过将每个个体分配给后验概率最高的类别来计算的，遵循Sarrias和Daziano（2018）所建议的方法。这些类别分配以及潜在类别多项式Logit模型估计结果随后用于预测交通方式选择。图4展示了每个类别的预测交通方式份额。结果表明，被分配到第1类的个体最有可能选择直飞行程，其特征是对改善座椅舒适度的偏好较高、准点率较高、对航班行程旅行时间的敏感度更高，并且最不可能选择中转行程。相反，第2类的个体对直飞行程的偏好较低，更偏好带有经停（直飞和经停）的行程，其中52%选择经停（直达）行程，17%选择中转行程。此外，被分配到第2类的旅客对餐食和腿部空间偏好较高，对时间的敏感度较低。图5突出了两个潜在类别之间所选行程的差异。第1类中有很大一部分受访者（88%）选择了直飞行程，表明强烈偏好无经停和更快的旅行。该群体中仅有7%和5%分别选择了经停（直达）或中转行程。相比之下，第2类乘客表现出更多样的偏好，尽管仍有31%选择了直飞选项，但超过一半（52%）的个体选择了经停（直达）行程，17%选择了中转行程。这些结果表明，第1类由时间敏感的个体组成，强烈偏好不间断的旅行，而第2类则包括更灵活的旅客，他们愿意选择涉及换乘的行程，可能是以成本节省或增加服务作为交换。由于第1类的后验期望份额约为78%，我们可以得出受访者总体上并不偏好中转行程，除非他们的选择受到限制或提供额外服务。

图6、图7、图8、图9展示了基于后验类别成员概率，两个潜在类别中受访者性别、年龄、教育水平和家庭年收入的分布情况。总体而言，性别、年龄、收入和教育分布在各类别之间的差异较小，女性和高教育水平个体在第1类中略多，而年龄和收入差异并不显著。

图4. 后验选择行程的概率与潜在类别的关系。

图5. 行程类型与潜在类别的关系。

图6. 性别与潜在类别的关系。

图7. 年龄与潜在类别的关系。

图8. 教育与潜在类别的关系。

图9. 家庭年收入与潜在类别的关系。

**5.2.5 两类乘客的直接弹性和交叉弹性**

直接弹性结果反映了某个替代方案的票价或中转时间每发生1%的变化对该替代方案被选择概率百分比变化的影响。计算得到的直接弹性按第1类和第2类乘客进行了区分（表11）。两类乘客均表现出预期的负直接弹性，表明票价或中转时间的增加会降低行程的吸引力。然而，两类乘客对票价的直接弹性均被发现在缺乏弹性范围内（即绝对值小于1，变量变化1%）。关于中转时间，两类之间的弹性存在显著差异。第1类乘客对于经停（直达）行程表现出显著的负弹性（-1.620），表明对较长的中转时间存在厌恶，尤其在第1类中对经停（直达）行程的偏好较低。可以推断，经停（直达）行程中转时间每增加一个单位，第1类乘客选择该行程的概率可能降低1.62%。而对于中转行程，中转时间每增加1%的单位，第1类和第2类乘客的选择概率分别降低1.1%和1.3%。第2类乘客受中转时间一个单位增加的负面影响较小（-0.353），表明与第1类乘客相比，他们对较长中转时间的容忍度更高。综合来看，我们可以得出结论：第1类乘客对中转时间高度敏感，而第2类乘客对票价较为敏感。

表11. 第1类和第2类因票价和中转时间产生的直接弹性。

| 直接弹性 | 第1类 | | 第2类 | |
|---|---|---|---|---|
| 行程类型 | 票价 | 中转时间 | 票价 | 中转时间 |
| 直飞行程 | -0.235 | 不适用 | -0.289 | 不适用 |
| 经停（直达）行程 | -0.123 | -1.620 | -0.054 | -0.353 |
| 中转行程 | -0.021 | -1.098 | -0.206 | -1.312 |

*"不适用"表示"不可用"；对于直飞行程，中转时间不适用。

表12报告了第1类和第2类受访者因票价和中转时间产生的交叉弹性。所估计的交叉弹性反映了特定行程类型的票价和中转时间变化如何影响竞争行程的选择概率；所展示的结果按乘客细分市场（第1类和第2类）进行了区分。对于第1类，直飞行程票价每增加一个单位，选择经停（直达）或中转行程的可能性分别增加1.86%和1.35%。相反，第2类对经停（直达）和中转行程表现出缺乏弹性的替代效应（弹性=0.135），表明对直飞行程的持续偏好。对于经停（直达）行程，票价的上升在第1类乘客中导致强烈的替代效应，经停（直达）行程票价每增加1%，市场份额向中转行程转移2.03%。类似地，当中转行程票价上升时，第1类中选择经停（直达）行程的概率增加2.01%。总的来说，第1类乘客将中转行程视为经停（直达）行程的强替代品，反之亦然。此外，当经停（直达）行程票价增加1%的单位时，第2类的交叉弹性分别为1.09和2.33。这表明经停（直达）行程票价上升会导致对直飞（特别是）和中转行程的需求增加。在中转时间方面，当经停（直达）或中转行程的中转时间增加时，第1类表现出非常高的交叉弹性。例如，对于经停（直达）行程中转时间每增加一个单位，第1类表现出向中转行程的强替代（1.882）。类似地，中转行程中转时间每增加一个单位，导致向经停（直达）行程的交叉弹性为1.914。对于第2类，由于中转时间变化导致向其他行程的替代效应较弱，表明第2类乘客对中转时间变化的容忍度较高。

表12. 第1类和第2类因票价和中转时间产生的交叉弹性。

| 交叉弹性 | 第1类 | | 第2类 | |
|---|---|---|---|---|
| 参考行程 | | 票价 | 中转时间 | 票价 | 中转时间 |
| 直飞行程 | 经停（直达）行程 | 1.862 | 不适用 | 0.135 | 不适用 |
| | 中转行程 | 1.862 | 不适用 | 0.135 | 不适用 |
| 经停（直达）行程 | 直飞行程 | 0.067 | 0.215 | 1.092 | 0.530 |
| | 中转行程 | 2.030 | 1.882 | 2.332 | 0.106 |
| 中转行程 | 直飞行程 | 0.078 | 0.183 | 0.226 | 0.539 |
| | 经停（直达）行程 | 2.019 | 1.914 | 0.198 | 0.115 |

*"不适用"表示"不可用"；对于直飞行程，中转时间不适用。

**6. 总结、结论与未来方向**

本研究通过潜在类别建模框架探讨航空公司行程选择，有效地捕捉了旅客中未观测到的偏好异质性。研究使用了2023年在印度查谟和克什米尔进行的陈述偏好调查数据。每位受访者被展示了一个包含三种替代航班行程的选择任务：直飞、经停（直达）和中转。这些替代方案以票价、总旅行时间、中转时间、座椅宽度、腿部空间、准点率（OTP）、出发时间和餐食选项等属性为特征。除这些选择任务外，调查还收集了详细的经济社会信息和与行程选择相关的态度回应。这些综合数据使得能够探索个体特征和行程属性如何共同影响航空旅客的选择行为。探索性因素分析和验证性因素分析被用于分析态度回应，结果识别出三个潜在因素：舒适与卫生意识、机上服务追求和时间与准点导向。为考察个体特征对这些潜在构念的影响，本研究采用了多指标多原因（MIMIC）模型，纳入了收入、性别、年龄、教育水平、家庭规模和车辆拥有情况等社会人口学变量。相应地，本研究进一步运用潜在类别选择模型来考察个体对各种行程替代方案的反应，通过概率类别分割捕捉未观测到的偏好异质性。该模型设定了两个潜在类别，每个类别由关键行程属性（包括总飞行时间、中转时间、票价、座椅宽度、腿部空间、准点率、出发时间和到达时间）的独特参数估计为特征。年龄、性别和收入等个体特征被纳入类别成员函数中，以估计受访者属于不同类别的可能性。

虽然行程属性对旅客选择的影响与现有文献一致，但我们的结果对旅客行为呈现了一个有趣的视角。潜在类别选择模型揭示了旅客偏好的异质性结构，并识别出两个具有不同态度和行为取向的旅客细分市场。第1类涵盖了大部分受访者，表现出对直飞行程的显著敏感度。该群体的行为特征表现为对时间的意识以及对行程准点率的重视（即准点率的效率），并表现出对改善飞行便利性的投资意愿更高。这些偏好与文献中的发现一致，文献强调了时刻表可靠性和直飞路线对商务和时间敏感旅客的重要性（Hess等人，2007）。该群体的突出地位强调了运营效率和服务质量在影响当代旅客航空出行选择中的关键作用，特别是对准点率（OTP）更为重视且日程更紧张的旅客。这一观察结果与Morlotti等人（2023）的发现一致，他们发现重视时刻表可靠性和服务质量的旅客对价格的敏感度较低，并倾向于选择直飞替代方案而非自我枢纽安排，这凸显了航空公司需要保持可靠性并提供高质量服务以满足不断变化的旅客期望。相比之下，第2类代表样本中较小但重要的一部分，表现出更灵活且以服务为导向的优先事项。该群体的旅客对多样化的行程类型（包括经停和中转航班）持更开放态度，前提是所提供的行程符合他们对机上舒适度的偏好，如改善的腿部空间和餐食质量。这一发现补充了现有文献，文献表明座椅舒适度显著影响航空公司选择（Wen和Lai，2010；Teichert等人，2008）。

对旅行时长的重视程度有所降低，同时乘客对票价和机上服务品质等因素的敏感度显著提高，这表明了一种将经济考量与体验考量相结合的独特估值框架。第二类乘客的平均年龄略高，高收入人群占比略有增加，这解释了为何乘客更愿意选择服务更优的行程，即便这意味着更长的旅行时间和更多的中转。综合来看，这些类别差异凸显了航空公司行程选择行为的多维特征。时间敏感性、服务期望与社会人口学因素的相互作用，为航空公司的服务细分和定价策略提供了关键指导。深入理解这些差异化偏好，为在日益激烈的航空竞争格局中精准匹配产品供给与多样化乘客群体的期望演变，提供了一条战略路径。

将空中旅客细分为时间敏感型（第一类）与服务导向型（第二类）两大类别，对航空运营者和航空政策制定者均具有重大启示意义。时间价值估计表明，第一类乘客对票价水平和中转时长更为敏感，明显偏好直飞、准点、可靠的服务。为有效服务这一群体，航空公司可考虑推出捆绑式服务方案，优先保障航班准点表现并加快登机流程。相反，另一类对时间较为灵活但重视机上舒适度和服务质量的旅客，更可能对增加腿部空间、提供免费餐食等改善措施给予积极反馈。然而，此类改善应与票价水平和中转时间相平衡，以确保仍处于该群体的可接受范围内。此外，通过考量乘客对航班准点率、机上设施、中转时间和总行程时间的支付意愿，可基于乘客对行程服务的敏感度实施差异化定价，在维护公平性的同时实现收益最大化。研究发现，女性乘客对高效时间和舒适导向的行程表现出相对更强的偏好。因此，优先保障航班准点率并提供更优质的机上舒适服务，在满足女性乘客的期望和旅行偏好方面可能尤为有效。最后，干预措施应着重于同时提升旅行时间效率和乘客舒适度，因为延长旅行时间的负面影响会因舒适度降低而加剧。Román等人（2007）发现，随着舒适度下降，乘客对旅行时间所产生的负效用会不断增大，这表明航空公司必须同时优化航班调度与机上舒适度，以提升乘客满意度和竞争优势定位。这一双重关注点可指导客舱设施和运营实践的投资决策，从而降低感知的旅行负担并对航空选择产生积极影响。此外，根据Zhou等人（2019）的研究发现，弹性分析表明降低机票价格是一种吸引更多旅客、增强航空公司竞争力的有效策略。因此，票价优化与服务品质提升相结合的综合方案，为提高市场份额和乘客体验提供了有前景的路径。

与传统的多元Logit模型不同，潜在类别选择模型（LCCM）通过将人群划分为具有不同偏好结构的潜在类别，显式地考虑了未观测到的异质性。这使得模型能够更灵活地表征不同乘客群体在出行选择行为上的变异。LCCM的两段式结构——由类别归属模型和类别特定的选择模型组成——能够同时捕捉类别分配概率的差异以及类别内部偏好的差异。此外，通过估计各细分群体的特定参数，LCCM有助于政策分析和市场细分，为差异化服务策略提供洞察。其基于观测因素和潜在因素发掘潜在细分群体的能力，使其在复杂的出行行为建模中尤为有效。由于潜在类别模型为捕捉行程选择偏好的异质性提供了稳健的框架，未来研究可探索其他方法学途径是否能得出可比或迥异的结论。此类探索不仅有助于验证现有发现，还能揭示出行者行为变异的额外维度。此外，研究人员可着力扩大样本范围，考察不同地理环境和额外个人特征（如出行目的）如何影响乘客对中转时间感知价值以及航空公司提供的其他机上设施的评价。本研究未纳入航班时刻表、票务信息或航空流量统计等补充数据集，这限制了分析范围，并凸显了未来研究整合多源数据以增强稳健性和外部效度的必要性。此外，航空网络与时刻表的季节性变化可能影响行程可用性和乘客偏好，但本研究无法纳入此类因素。陈述性偏好设计要求构建具有可控属性水平的假设但现实行程。若纳入航空公司网络的季节性变化，则需要获取所有相关起降市场在多个季节的详细纵向时刻表数据，而这些数据在实验设计阶段无法获取。同时，这也增加了向受访者呈现的选择任务复杂度，可能影响应答质量。尽管如此，未来研究可通过将SP数据与按季度或按季节的航空公司时刻表进行关联，纳入季节性网络信息，以考察季节性运力与连通性如何影响类别归属和支付意愿估计。最后，将按性别细分的数据纳入服务规划和客户体验评估，有助于制定更具包容性和响应性的航空政策。

CRediT作者贡献声明

Mustansir Farooq：概念化、数据管理、正式分析、方法学、原创写作。

M. Manoj：概念化、调查研究、方法学、资源获取、审阅与编辑。

K. Ramachandra Rao：概念化、调查研究、方法学、监督指导、审阅与编辑。

Mustansir Farooq | M. Manoj | K. Ramachandra Rao

印度理工学院德里分校土木与环境工程系，110016，印度