基于潜在类别的公路旅客群体细分模型

戢晓峰^1,2，李德林^1,2

(1.昆明理工大学 交通工程学院，云南 昆明 650504；2.云南综合交通发展与区域物流管理智库，云南 昆明 650504)

摘要： 针对弥补当前公路旅客类别划分主观随意性强、缺乏科学依据的不足，采用聚类分析的方法，从社会经济属性和心理因素两个层面甄选旅客年龄、性别、收入、学历、出行目的及选择公路客运主要理由等6个指标作为外显变量，在对连续变量进行类别化处理的基础上，将各外显变量概率参数化，构建公路旅客群体细分的潜在类别模型。基于昆明市833份公路的有效调查问卷，使用Latent GOLD软件构建潜在类别模型，将旅客市场细分为具有不同特征的4种类别，并通过聚类分析方法对细分结果进行校核。研究结果表明：昆明市公路客运市场旅客可细分为4类，分别以在校学生、初入职场的毕业生、务工人员及商务人士为主体，分别占总体的40.06%，22.56%，21.59%及15.79%；4类旅客在收入、受教育水平及选择公路客运首要理由方面均有明显差异，该差异与各类别主体人群特征相匹配，且各类旅客均具有重视便捷性的特征；聚类分析的分类误差均小于5%，表明基于潜在类别的公路旅客市场细分结果可靠。

关键词： 运输经济；旅客群体细分；潜在类别模型；公路旅客群体；聚类分析

0 引言

近年来，随着综合运输客运市场竞争日趋激烈，公路旅客市场份额不断下滑，促使行业管理者与研究者更为关注旅客市场细分，并开发不同的客运服务产品^[1-2]。目前，旅客市场细分研究主要集中于铁路、航空等交通方式，如铁路旅客市场多以旅客年龄、性别、收入、出行目的等属性为基础，区分不同子市场^[3]；同时根据划分结果，对现有运营措施和价格标准提出一定的改进建议^[4-9]。Oskar认为可根据旅客对出行产品选择行为的差异进行市场细分，且选择不同产品的旅客对价格、舒适度等因素具有不同的敏感度^[10]。在航空研究领域，则多以旅客自身价值为分类基础，并提出对应的运营措施^[11-13]；Gillen依据旅客团体人数进行市场细分，并发现不同人数的旅客团体对航空票价、候机时间等因素的重视程度不同^[14]。与此同时，目前公路旅客市场细分领域的研究成果较少，方法多直接借鉴铁路、航空等相关研究^[15-17]，分类因子的选择大多仅聚焦于旅客的个人属性或心理因素中的某一方面，未将二者综合考虑。综上所述。目前对公路客运的研究多采用聚类分析或建立Logistic模型等方法，依据旅客的个人信息进行市场细分，探究各类市场特征并依此提出运营策略。然而经由聚类分析得出的分类结果往往受聚类中心及输入数据的顺序影响；Logistic模型则难以区分旅客各属性对细分结果的影响力大小。种种缺陷使得目前公路客运旅客市场细分结果时好时坏，难以形成系统的研究结论。

因此，本研究尝试以潜在类别模型为基础，结合旅客出行调查，兼顾旅客的年龄、性别等社会经济属性及出行目的、出行体验等心理因素开展旅客市场细分研究。潜在类别模型建立在概率的多变量分析之上，兼有结构方程模型的思想，期望选取尽可能少的潜在类别数目用于解释各外显变量之间的关系。它能够更好地处理类别变量，使结果更加稳定，计算各类别数量更加简单。同时，兼顾个人属性和心理因素进行旅客市场细分，能使细分结果由出行者的主观意愿与社会经济属性共同决定，有助于提升模型精确度与分类合理性。

1 模型构建

市场细分由Smith Wendell首次提出，近半个世纪以来不断与各学科进行融合，至今拥有消费者导向与产品导向两种视角^[18]，并往往以实地调查数据为基础，借助聚类分析及相关改进方法构建模型。在旅客市场细分研究中，实地调查获得的数据大多为类别变量，使得上述方法在处理结果时具有模型假设条件过强、参数估计复杂的限制。而潜在类别模型对类别变量的处理更加优秀与合理，可较好弥补前述模型的不足。因此，本研究采用潜在类别模型对公路旅客市场进行细分。

1 .1 主要变量与假设

潜在类别模型包含外显变量及潜在类别变量两种变量，其中，外显变量通常为实地调查结果，且常作为类别变量出现，而潜在类别变量是经由统计学计算得出的数据组，用于解释各外显变量间的关系。其次，潜在类别模型希望通过尽可能少的互斥的潜在类别变量描述外显变量不同水平的组合情况，每个潜在类别变量均有多种近似的外显变量水平组合共同构成，它们之间的互斥为分类的准确性提供了保障。

1 .2 变量选取示例

在交通调查中，常见的调查结果为旅客的年龄、性别、收入等可直接测得的类别变量，每种变量均包含不同的水平数以表示样本间的差异。这些类别变量在潜在类别模型中被称为外显变量，也是模型建立的基础。举例来说，若提取旅客年龄、性别及出行目的3项调查结果进行分析，调查结果即是为潜在类别模型中的外显变量，它们分别具有4，2，4个水平数，如表1所示。每个旅客的选择行为都可用一组不同水平的外显变量所表示，如表2所示。本研究为兼顾旅客社会经济属性及心理因素，变量除了包括旅客年龄、性别等基本特征之外，还包含出行目的以及选择公路客运的主要理由。

根据模糊评价矩阵 C=［C1，C2，C3，C4，C5］=·R，计算并进行归一化处理得出石油安全模糊评价矩阵 C=［0.068 5 0.128 8 0.554 6 0.175 4 0.0727］。将1996—2017年石油安全评价指标标准化数据与石油安全等级灰色统计数相乘，并进行归一化处理，由最大隶属度原则可得出1996—2017年中国石油安全状态，见表8。

表1 外显变量水平示例

Tab.1 Example of explicit variable’ level

表2 观察值的表示形式
Tab.2 Representation of observation data

1 .3 建立模型

式中,表示各外显变量的潜在类别概率极大似然估计数，将各外显变量在各潜在类别下的概率估计值加总，即可得到联合概率极大似然估计数

此时，上述3个条件概率即是潜在类别模型的构筑基础，由公式(2)表示。

(1)

卷积神经网络的训练方法如图2所示，主要由前向传播和反向传播两部分组成。前向传播是样本数据由低层到高层逐层传播的过程，如果前向传播得到的输出值与目标值存在误差，则将误差从高层往低层反向传播回网络中，计算误差梯度，最后利用误差梯度更新卷积神经网络每一层参数的权重，达到自主学习的能力。

2 .2 .3 市场细分结果分析

(2)

式中，表示样本属于某一个潜在类别的概率，且样本属于各类别概率之和为1。

纳入标准：患者经检查均符合不稳定性心绞痛以及非ST段抬高心肌梗死临床症状。所有患者均对这一研究项目知情且签署了同意书，该研究亦经院内伦理委员会审批[3]。

能耗监测远程开关控制模块负责测量开关的电压、电流、功率及电量数据，并通过Arduino控制继电器实现对开关控制.主要由Arduino Uno主控板、Xbee pro S1无线模块、Arduino Xbee扩展板、电量能耗传感器PZEM-004T、5V光耦继电器、带IIC接口的1602LCD显示屏组成，其结构图如图2所示.

本文迭代分析部分选用期望最大化算法。极大似然估计函数如下：

(3)

假设存在一个具有t (t =1,2,…,T )个潜在类别的潜在变量X 可以解释上述外显变量间的关系，其各外显变量的条件概率分别记为k 分别表示外显变量A ，B ，C 下的各个水平，由于各潜在类别相互独立，因此各水平下各外显变量的条件概率总和为1，公式如下:

(4)

1 .4 潜在分类

将与相除，便可得到不同潜在类别中各外显变量在每一水平的极大似然概率，公式如下：

(5)

最后，计算每个样本属于不同潜在类别的后验概率，取最高者为观察值所属的类别，公式如下：

(6)

2 实例分析

2 .1 数据来源及统计特征

需要注意的是，分析结果中的平均学历水平以加权平均数表示，小学计1分、初中计2分，以此类推，各类别内全部样本学历平均值即可表示该类别的平均受教育程度高低。

表3 样本统计特征

Tab.3 Statistical characteristics of samples

2 .2 基于潜在类别模型的公路旅客市场细分

2 .2 .1 变量选取

②收集河道相关的治理规划和具体实施情况，已建工程相应的建设任务、标准、主要建设内容和工程投资等，河道断面、滩地及堤防上下游、左右岸衔接情况。

问卷调查中涉及的旅客社会经济属性特征包括性别、年龄、收入水平、学历与出行起讫点，心理因素则包括出行目的以及选择公路客运的主要理由(简称主要理由，下同)。整理数据基本特征发现，93%的旅客出行终点为云南省内，可知出行起讫点难以作为旅客市场细分的依据，故舍去。综上，选取旅客年龄、性别、收入水平、学历、出行目的以及主要理由作为外显变量，对公路客运旅客市场进行潜在类别分析，各外显变量的分水平处理结果如表4所示。

表4 外显变量的分水平处理

Tab.4 Different levels of explicit variables

2 .2 .2 模型估计结果

依据前文所述的方法，本文拟合了包含不同数量潜在类别的多个模型，并分别采用最小信息准则数值检验(简称AIC检验，下同)、贝叶斯信息规则数值检验(简称BIC检验，下同)、χ ²检验、似然比卡方统计量检验(简称G ²检验，下同)以及P值检验。其中，P值检验用于验证假设模型是否合理，P值越小，则证明假设模型越合理；χ ²检验、G ²检验、AIC检验和BIC检验则用于验证假设模型与观察数据拟合程度的高低，G ²，AIC与BIC数值越小或χ ²数值越大表明模型与数据拟合程度越高。检验结果见表5。

表5 各模型拟合优度检验结果

Tab.5 Test result of model fitting goodness

从分类结果可看出，第1组潜在类别概率最高，为0.400 6；其次是第2组与第3组，分别为0.225 6及0.215 9；第4组最低，为0.157 9。从计算结果来看，各潜在类别间差异较明显，同时，V 1，V 3，V 4这3个变量在各潜在类别中均有差距较大的条件概率，表明它们对分类结果的影响较大。

根据美国精神病协会出版的《精神障碍诊断及统计手册》第五版(DSM-V)，抑郁症的诸多类型中最常见和最典型的类型为重性抑郁障碍，其他还包括破坏性心境失调障碍、持续性抑郁障碍或恶劣心境、经前期烦躁障碍、物质/药物所致的抑郁症、由于其他躯体疾病所致的抑郁症、其他特定和未特定的抑郁症。抑郁症的共同特点是存在悲哀、空虚或易激惹心境，并伴随躯体和认知改变，显著影响到个体功能。各具体类型间的差异是病程、时间或假设的病因。

采用latent GOLD软件对最优模型进行参数估计，得到潜在类别概率和每个外显变量的条件概率，如表6所示。

如表5所示，在拟合度检验结果中，随着潜在类别个数上升，模型适配的卡方数值变小，似然比卡方统计量也在下降；AIC数值最低时潜在类别个数为4，BIC数值最低时潜在类别个数为2；在所有潜在类别个数下，p-value均小于0.005，证明有足够的可能性保证原假设成立。同时，从样本数来看，共833个可靠样本，不足1 000，因此在选择最适潜在类别数目时，需综合考虑AIC与BIC数值的变化。综上，选择潜在类别数目为4的模型，它具有最低的AIC数值和较低的BIC数值，拟合优度在所有模型中较高。

计算每个样本属于不同潜在类别的后验概率，取最高者为观察值所属的类别。如第一个样本，是年龄处在22～35岁区间内的男性，月收入0～3 000元，学历为本科/大专，选择公路客运的主要理由是时间花费较少，出行目的为工作/出差，该样本对应的外显变量组合为{2,2,1,4,2,2}。将该样本代入公式(6)计算可知，属于第2组的后验概率最高，为85.68%，因此被分到第2组。依此类推，可获得所有样本的分类结果，如表7所示。总体上，参考问卷内容进行验证，分类结果误差较小，证明分类结果足够可靠，分类效果较明显。

表6 模型参数估计结果

Tab.6 Estimation result of model parameters

（2）构建“互联网+”统一缴费平台。建立高校各类型学生收费信息大平台，改变各相关职能管理部门条块管理模式，一方面利用云技术等信息化手段，提取学生标准数据和信息，构建大数据库；另一方面加强协同管理，各部门统一思想，齐抓共管，共同承担相应责任，促使部门间数据共享。借助平台的统一管理，提高财务监管水平，规范高校收费管理，避免滞留、截留、挪用学费的违法行为。拓展多渠道缴费手段，引入支付宝、微信等第三方支付途径，实现缴费者可以随时随地完成学费、住宿费及其他项目收费的缴费工作。

根据6种外显变量在4类潜在类别中表现出的不同特征以及潜在聚类结果，可将所有样本分为4类，其个人属性分布情况见表8。

随着保护地面积的逐年扩大和多年连作的影响，土传病害日益严重，而目前对土传病害的防治，还没有特效药。采用嫁接育苗技术，是把栽培的蔬菜嫁接到抗病性强的砧木上，是减轻土壤传染病害的最有效措施。如用黑籽南瓜等嫁接黄瓜，可防治枯萎病、菌核病等土传病害，用野生茄等嫁接茄子可防治茄子黄萎病。同时也利用砧木根系发达、抗病、抗寒、耐热、耐湿、吸肥力强等特点，能使嫁接的蔬菜生长健壮，对不良环境抵抗能力增强，从而收到早熟、增产的效果。

为验证前文构建的模型，本文设计了昆明市公路旅客出行调查，于2016年9月开始共进行4 d，调查地点为昆明五大公路客运站。问卷分两部分，第1部分主要调查旅客年龄、性别、收入水平以及学历等信息；第2部分调查到达客运站方式、出行目的、选择公路客运的理由、出行起终点等出行信息。本次调查共随机发放问卷987份，经筛选剔除信息残缺问卷后，回收有效问卷833份，有效率84.4%。其中，选取调查对象分布较为平均，涵盖各年龄段及收入水平，问卷数据可信度较高，样本基本统计特征如表3所示。

表7 分类后的各类别旅客比例(单位：%)

Tab.7 Passenger proportion of different categories after categorizing (unit:%)

表8 4类旅客个人属性分布

Tab.8 Personal attributes of passengers in 4 categories

由表8可见，类别1的旅客平均年龄、收入及男性占比在4个类别中最低，但学历水平最高；除方便换乘外，旅客大多以费用较低为主要理由，出行目的以回家探亲为主。根据数据特征分析可知，此类旅客主体为在校学生。

类别2的旅客性别分布较平均，学历水平与收入均较高；除方便换乘外，旅客大多以运行速度较快为主要理由，出行目的以回家探亲为主。根据数据特征分析可知，此类旅客主体为初入职场的毕业生。

类别3的旅客男性略多于女性，平均年龄最高但收入和学历水平最低；除方便换乘外，旅客大多以安全性较高为主要理由，出行目的以回家探亲为主。根据数据特征分析可知，此类旅客主体为务工人员。

调查结果显示目前几乎所有学校依然把分数作为评价学生成绩的唯一因素。传统的评价模式是导致任务型教学法一直未能彻底实行的重要因素。

类别4的旅客男性占绝大多数，平均收入在4个类别中最高，平均年龄较高但学历水平略低；除方便换乘外，旅客对主要理由无明显偏好，出行目的以因公出差为主。根据数据特征分析可知，此类旅客主体为商务人士。

2 .3 分类结果横向对比分析

4类潜在类别的横向对比情况如图1～图3所示。

图1 各类型旅客平均年龄及收入分布
Fig.1 Average age and income distribution of different categories of passengers

图2 各类型旅客平均学历分布
Fig.2 Average education background distribution of different categories of passengers

图3 各类型旅客选择公路客运首要动机分布图
Fig.3 Distribution of first intention of choosing road passenger transport by different categories of passengers

由图1与图2可知，横向对比下，类型1的旅客相较于其他类型而言，平均收入、平均年龄等各项指标均最低，但平均受教育水平最高；类型2的旅客在有稳定收入的群体中平均年龄最低，但平均收入居于中位；类型3的旅客平均受教育程度最低、平均收入最低、平均年龄最高且分布均匀，各年龄段人数相差较小；类型4的旅客平均年龄仅低于类型3，平均收入最高，平均受教育程度在有稳定收入的群体中居于中位。

由图3可知，各类型旅客均以方便换乘作为选择公路客运的首要理由，证明了公路客运相比交通方式的门到门优势，也表明关于公路客运优势的认知存在主观性，即并非低廉的票价而是较高的换乘便捷性促使旅客选择公路客运出行。除此以外，第一类旅客更倾向于低价出行方式，也与其主要人群并无固定收入有关。

因此，根据旅客市场细分结果中4类旅客均重视换乘便捷性的特征，公路客运企业应考虑通过客运站点延伸接送服务；同时，针对4类乘客的个体属性差异，开发不同的公路客运服务产品。

3 结论

本文将潜在类别模型应用于公路旅客市场细分，以年龄、性别、学历、收入水平、选择动机及出行目的为外显变量，将旅客市场细分为若干具有显著差异的子市场，并以昆明市公路客运市场为例进行了实例研究。结果表明，旅客市场可细分为4类，分别以在校学生、初入职场的毕业生、务工人员及商务人士为主体，分类结果误差小于5%，效果良好。根据4类群体的特征，可设计不同的定制化服务内容，以提升公路客运竞争力。

参考文献：

[1] CHOI J H, WANG K, XIA W Y, et al. Determining Factors of Air Passengers’ Transfer Airport Choice in the Southeast Asia-North America Market: Managerial and Policy Implications [J]. Transportation Research Part A: Policy and Practice, 2019, 124: 203-216.

[2] 李晓伟,王炜,杨敏,等.多因素作用下旅客多模式交通出行时间节省价值测算与应用[J].公路交通科技,2018,35(3):86-93.

LI Xiao-wei, WANG Wei, YANG Min, et al. Calculation and Application of Saving Value of Travel Time for Traveler Regional Multimode Transport under Multidimensional Factors Influence[J]. Journal of Highway and Transportation Research and Development, 2018,35(3):86-93.

[3] 吕红霞,王文宪,蒲松,等.基于聚类分析的铁路出行旅客类别划分[J].交通运输系统工程与信息,2016,16(1):129-134.

LÜ Hong-xia, WANG Wen-xian, PU Song, et al. Classification of Railway Passengers Based on Cluster Analysis[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(1): 129-134.

[4] 豆飞. 铁路旅客出行选择行为及客运网配流优化方法研究[D]. 北京: 北京交通大学,2014.

DOU Fei. Research on Passenger Travel Choice Behavior and Passenger Flow Assignment Optimization for Railway Passenger Transport Network[D]. Beijing: Beijing Jiaotong University, 2014.

[5] 刘玉敬. 基于旅客出行选择行为的高铁客票定价方法研究[D]. 北京: 北京交通大学,2015.

LIU Yu-jing. Research on Railway Optimal Pricing Based on Passenger Travel Choice Behavior [D]. Beijing: Beijing Jiaotong University, 2015.

[6] 汤莲花,刘军,徐行方.针对高频出行旅客的铁路优惠卡设计研究[J].交通运输系统工程与信息,2017,17(4):228-233.

TANG Lian-hua, LIU Jun, XU Xing-fang. Discount Card for the Passengers with High Travel Frequency[J]. Journal of Transportation Systems Engineering and Information Technology, 2017,17(4):228-233.

[7] 侯文赞.沈阳铁路局旅客运输市场对策分析[J].铁道运输与经济,2016,38(6):65-68,106.

HOU Wen-zan. Analysis on Countermeasures of Passenger Transportation Market by Shenyang Railway Administration[J]. Railway Transport and Economy, 2016,38(6):65-68,106.

[8] 周茵,宋小满,王怀相.基于收益管理的高速铁路定价机制及应用策略研究[J].铁道运输与经济,2016,38(5):10-14,40.

ZHOU Yin, SONG Xiao-man, WANG Huai-xiang. Research on High-speed Railway Pricing Mechanism Based on Revenue Management and Its Application Strategy[J]. Railway Transport and Economy, 2016,38(5):10-14,40.

[9] 马淑芳, 吴昊, 邱梦真. 国外高速铁路运价策略及启示[J] .中国铁路, 2014,535(7):12-15,19.

MA Shu-fang, WU Hao, QIU Meng-zhen. Strategies and Implications of High Speed Railway Pricing in Foreign Countries[J]. Chinese Railways, 2014, 535(7): 12-15,19.

[10] OSKAR F, CAMILLA B. Competition on the Tracks: Passengers’ Response to Deregulation of Interregional Rail Services [J].Transportation Research Part A: Policy and Practice, 2013, 56(10):1-10.

[11] 陈维忠,黄金川,闫梅,等.北京航空旅客出行特征及新机场旅客分担[J].地理科学进展,2012,31(10):1360-1368.

CHEN Wei-zhong, HUANG Jin-chuan, YAN Mei, et al. Research on the Characteristics of Beijing Passengers and the Distribution Rate of New Airport[J]. Progress in Geography, 2012, 31(10): 1360-1368.

[12] 王丽菊. 基于客户价值的航空旅客细分研究[D].北京:北京邮电大学,2018.

WANG Li-ju.Research on Segmentation of Air Passengers Based on Customer Value [D]. Beijing: Beijing University of Posts and Telecommunications, 2018.

[13] 许青林,熊梦琪,刘扬帆.一种基于航空旅客行为的旅客细分模型[J].计算机工程与应用,2017,53(24):69-74,121.

XU Qing-lin, XIONG Meng-qi, LIU Yang-fan. Passenger Subdivision Model Based on Behaviors of Airline Passengers[J]. Computer Engineering and Applications, 2017, 53(24): 69-74,121.

[14] GILLEN D, HASHEMINIA H. Estimating the Demand Responses for Different Sizes of Air Passenger Groups [J].Transportation Research Part B: Methodological, 2013,49:24-38.

[15] 钱丙益,帅斌,陈崇双,等.基于混合回归模型的客运专线旅客市场细分研究[J].铁道运输与经济,2014,36(1):60-65.

QIAN Bing-yi, SHUAI Bin, CHEN Chong-shuang, et al. Study on Subdivision of DPL Passenger Market Based on Mixed Regression Model[J].Railway Transport and Economy, 2014, 36(1): 60-65.

[16] 王文娣,杨忠振,李一旋. 基于旅客价值测度模型的客运市场细分和公路客运发展策略研究[J].公路交通科技,2016,33(8):152-158.

WANG Wen-di, YANG Zhong-zhen, LI Yi-xuan. Study on Market Segmentation and Development Strategy of Highway Passenger Transport Based on Passenger Value Measurement Model[J].Journal of Highway and Transportation Research and Development, 2016,33(8):152-158.

[17] 王悦,曾小舟,陈桥. 基于四维顾客价值的航空客运市场细分模型研究[J].华东交通大学学报,2015, 32(4):57-64.

WANG Yue, ZENG Xiao-zhou, CHEN Qiao. Research on Market Segmentation Model of Air Passenger Transport Based on the Four-dimensional Customer Value[J]. Journal of East China Jiaotong University, 2015,32(4):57-64.

[18] 罗纪宁.市场细分研究综述:回顾与展望[J].山东大学学报:哲学社会科学版,2003, 52(6):44-48.

LUO Ji-ning. Market Segmentation Research: Critical Review and Perspectives [J].Journal of Shandong University: Philosophy and Social Sciences Edition, 2003, 52(6):44-48.

A Model for Segmentation of Highway Passenger Groups Based on Latent Class

JI Xiao-feng^{1, 2}, LI De-lin^1,2

(1. School of Transportation Engineering, Kunming University of Science and Technology, Kunming Yunnan 650504, China; 2.Yunnan Integrated Transport Development and Regional Logistics Management Think Tank, Kunming Yunnan 650504, China)

Abstract ： To make up the shortage of strong subjective arbitrariness and lacking scientific basis in the segmentation of the current highway passenger transport market, selecting age, gender, income, education background, trip purpose and the first reason of choosing highway passenger transport as the explicit variables from the aspects of socio-economic attributes and psychological factors. On the basis of categorizing the continuous variables, the probability parameterization of each explicit variable is carried out to build the latent class model for segmentation of highway passenger groups with Latent GOLD software based on the data from 833 effective questionnaires.Finally, the passenger market is divided into 4 categories with different characteristics, and then the result is checked by cluster analysis. The result shows that (1) There are 4 categories of passengers in highway passenger transport market in Kunming, all the categories are mainly students, graduates, migrant workers and business people, each accounts for 40.06%, 22.56%, 21.59% and 15.79% of the total. (2) Four categories of passengers have significant differences in terms of income, education background and the first reason of choosing highway passenger transport, the differences match the characteristics of different main groups, all of them pay attention to the convenience. (3) The classification error of cluster analysis is below 5%, showing that the segmentation of highway passenger market based on potential categories is reliable.

Key words ： transport economics; passenger group segmentation; latent class model; highway passenger group; cluster analysis

收稿日期： 2018-04-11

基金项目： 国家自然科学基金项目(71563023)；云南省交通科技创新示范研究项目(2017A09)

作者简介： 戢晓峰(1982-)，男，湖北随州人，博士,教授.(yiluxinshi@sina.com)

doi :10.3969/j.issn.1002-0268.2019.10.020

中图分类号： F542

文献标识码： A

文章编号： 1002-0268(2019)10-0152-07

标签：运输经济论文;  旅客群体细分论文;  潜在类别模型论文;  公路旅客群体论文;  聚类分析论文;  昆明理工大学交通工程学院论文;  云南综合交通发展与区域物流管理智库论文;