基于市场细分的白货运输“公转铁”对策研究

Measures for Modal Shift from Road to Rail in Non-Bulk Cargo Transportation Based on Market Segmentation

摘要

我国大宗货物“公转铁”已初见成效，而白货“公转铁”潜力尚未充分挖掘。以长三角地区白货运输市场为例，将其细分为4类市场：①时间和可靠性最敏感型；②综合型；③时间可靠性次敏感且价格最不敏感型；④价格敏感型，分析了不同细分市场的“公转铁”潜力；通过隶属度函数判定实际目标市场与细分市场的对应关系，基于不同目标市场的特定模型，量化评估若干服务改善对策的实施效果。结果表明：第②类和第④类潜力较大，可通过价格措施优化；第①类次之，第③类最小，可通过运输时间和可靠性改善措施优化。研究成果可为政府或企业的政策措施评估提供技术支撑，从而有效挖掘白货的“公转铁”潜力。

Abstract

Currently, China’s modal shift from road to rail for bulk cargo has achieved initial success, while the potential of modal shift for non-bulk cargo remains underutilized. The non-bulk cargo transportation market in the Yangtze River Delta was taken as an example. It was subdivided into four market segments: ① the most time- and reliability-sensitive; ② comprehensive; ③ the second-most time-and reliability-sensitive and least price-sensitive; ④ price-sensitive. The potential of different market segments for modal shift was analyzed. The correspondence between the actual target market and the segmented market was determined through the membership function, and the implementation of several service improvement measures was quantitatively evaluated based on the specific models of different target markets. The results indicate that Class ② and Class ④ have higher potentials and can be optimized by price measures, while Class ① is the second and Class ③ is the smallest, which can be optimized by time and reliability measures. The research results provide technical support and experience introduction for the government or enterprises in assessing policy measures, to effectively exploit the potential of non-bulk cargo for modal shift from road to rail.

Graphical abstract

关键词

铁路货运 / “公转铁” / 白货 / 市场细分 / 交通运输经济

Key words

Rail Freight / “Modal Shift from Road to Rail” / Non-bulk Cargo / Market Segmentation / Transportation Economy

0　引言

2018年，国务院相继发布《打赢蓝天保卫战三年行动计划》《推进运输结构调整三年行动计划(2018—2020年)》；2021年末，国务院发布《推进多式联运发展优化调整运输结构工作方案(2021—2025年)》。上述文件均提出要优化调整货物运输结构，以推进大宗货物运输“公转铁、公转水”为主攻方向，大幅提升铁路货运比例。根据国家统计局数据，2023年国家铁路主要大宗物资货运量、货物周转量分别达到40.29亿t，2.56万亿t·km，较2018年分别增加47%与34%。由此可见，我国大宗货物“公转铁”已初步取得一定成效。与之相对，白货“公转铁”进展相对缓慢。以中国铁路上海局集团有限公司(以下简称“上海局集团公司”)为例，2022年货物发送量为2.13亿t，同比增长2.5%，但未入箱白货发送量却为负增长，增速为-3.1%。进一步分析集装箱载运的大宗货物和白货，发现在所有发送量中，白货占比也仅为19%^[1]。尽管上海局集团公司所处长三角地区经济发达，白货运输需求大于全国大部分地区，但未入箱白货货运量近两年却未显著提升，白货整体占比仍然较低。上述情况表明，白货“公转铁”潜力尚未充分挖掘。

随着大宗货物运输“公转铁”趋于饱和，白货运输成为进一步推进“公转铁”的重点领域。不同于大宗货物运输，白货运输的需求特征主要包括：货物种类繁多，货物价值普遍更高，运输距离分布差异较大，时效性要求更高。伴随社会经济的发展，大宗商品、工业生产原材料、半成品等高耗能产业物流需求趋缓，货物运输早已不是“单一大宗原材料的运输”，而是呈现出“个性化、多样化、灵活快捷”的发展趋势，客户更关注即时响应、及时送达、全程一体的快捷货运^[2]。基于白货运输市场多样化的运输需求，应通过市场细分，针对各细分市场的客户需求，设计相匹配的运输服务产品。为此，应用市场细分结果分析各细分市场“公转铁”的潜力，并识别实际目标市场与各细分市场的归属关系，提出与各细分市场相适应的优化措施，为铁路运输企业或政府部门明确“公转铁”目标市场、优化产品设计和定价策略提供科学指导。

潜在类别分析(Latent Class Analysis，LCA)与聚类分析是目前货运市场细分研究的主流方法。此外，也有少量文献使用基于货物特征、托运人特征与列车组织形式的外生性细分方法^[3-4]。早期的市场细分研究均以聚类分析方法为主。部分文献通过因子分析^[5]、主成分分析^[6]、层次分析法^[7-8]等从细分变量中提取代表市场特征的因子，然后将选定的因子进行聚类分析；其余文献则直接对上述变量进行聚类分析^[9]。直到20世纪90年代末，有学者得出“LCA方法优于大多数聚类分析方法^[10]”的结论后，LCA方法才逐渐兴起。LCA使用基于回归的数学统计方法，并且主要指潜在类别(Latent Class，LC)模型，从可观测的微观变量中识别出一组不可观测的类别。2011年，Arunotayanun和Polak首次使用LC模型研究货运市场细分问题，证明货运市场中的托运人存在不同的偏好类别，并且其偏好异质性不能完全用外生性细分来解释^[11]。此后，货运市场细分领域中关于LC模型的研究逐渐增多。既有研究主要基于已发生的或假设的托运人运输方式选择行为数据，即揭示偏好(Revealed Preference，RP)数据或陈述偏好(Stated Preference，SP)数据，构建LC模型。LC模型可根据偏好特征将货运市场划分为若干类别，如服务质量敏感型、可靠性敏感型、货物安全性敏感型等^[11-12]。为保证运输服务产品与细分市场中托运人的偏好和需求相匹配，细分市场中偏好异质性的程度应该尽可能小。鉴于此，选取LC模型进行白货运输“公转铁”市场细分、潜力识别与对策量化等研究。

1　长三角地区白货运输市场细分

1.1　分析框架

当前白货“公转铁”目标市场尚未进一步明确，即白货运输市场中哪些是铁路的适宜货源及适宜程度如何尚未明确。应用LC模型结果确定各目标市场实现“公转铁”的潜力、识别各案例的归属情况，并通过模型校准得到各案例的具体模型。以校准后的模型为分析工具，量化若干服务改善措施对各案例实现“公转铁”的影响，分析框架如图1所示。

1.2　LC模型结果与细分市场划分

LC模型属于离散选择模型中Logit模型的范畴。与Logit模型范畴中其他类别的Logit模型(如多项Logit模型、混合Logit模型)不同，LC模型包括两大函数，除了效用函数外，还包括隶属度函数。隶属度函数用于确定每个个体所属的类别。LC模型通过隶属度函数将具有相同偏好的决策者归入同一类别。因此，LC模型的选择概率由2部分组成，这2部分概率的表达都是基于MNL模型选择概率的形式^[13]。

选取长三角地区为研究范围，利用LC模型对该地区白货运输市场进行细分。RP，SP数据收集与模型构建过程见文献^[13]。LC模型的效用函数为\left\{\begin{array}{l}{U}_{n\mathrm{1}}={\beta }_c\times C_{\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{t}}+{\beta }_t\times T_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}+{\beta }_r\times \\ R_{\mathrm{r}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{a}\mathrm{b}\mathrm{i}\mathrm{l}\mathrm{i}\mathrm{t}\mathrm{y}}+{\beta }_i\times I_{\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{t}\mathrm{i}\mathrm{a}}+{\epsilon }_{n\mathrm{1}}\\ U_{n\mathrm{2}}=ASC+{\beta }_c\times C_{\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{t}}+{\beta }_t\times T_{\mathrm{t}\mathrm{i}\mathrm{m}\mathrm{e}}+\\ {\beta }_r\times R_{\mathrm{r}\mathrm{e}\mathrm{l}\mathrm{i}\mathrm{a}\mathrm{b}\mathrm{i}\mathrm{l}\mathrm{i}\mathrm{t}\mathrm{y}}+{\epsilon }_{n\mathrm{2}}\end{array}\right. ⑴

式中：U_{n\mathrm{1}}和U_{n\mathrm{2}}分别为公路和铁路运输选项的效用值；C_cost为实现“门到门”运输的费用，元/t；T_time为实现“门到门”运输的时间，h；R_reliability为“门到门”运输时间分布的标准差，h；I_inertia为公路货运量/(公路货运量+铁路货运量)，%；β_c，β_t，β_r 和β_i 均为待估参数；ASC为铁路运输选项的特定常数项；ε_n1和ε_n2分别为公路和铁路运输选项的随机误差。

隶属度函数由多个变量组成，其中D_distance为连续变量，表示从起运地到目的地的“门到门”运输距离，km；其余均为虚拟变量。T_threshold=1，表示该次托运具有运到时限要求；否则，T_threshold=0。P_process=1，表示本次托运过程属于产成品从产地运至消费端；否则，P_process=0，表示本次托运过程属于原材料或半成品运至工厂端或加工端。D_density=1，货物密度大于333 kg/m³，即货物属于铁路行业俗称的“重货”；否则，D_density=0，货物属于“泡货”。M_medium-value=1，货物价值超过5 000元/t但不超过20 000元/t，即中等货物(中等价值货物)；否则，M_medium-value=0。H_high-value=1，货物价值超过20 000元/t，即高价值货物；否则，H_high-value=0。

分类数量为4的LC模型的参数估计结果如表1所示。基于2 160条SP数据进行参数估计，模型的对数似然值(Log-Likelihood, LL)为-686.857，Mcfadden决定系数ρ²(0)为0.541。不同类别的属性价值对比如图2所示，不同类别的属性价值包括时间价值(Value of Time，VOT)、可靠性价值(Value of Reliability，VOR)和惯性价值(Value of Inertia，VOI)。

基于上述LC模型参数结果、属性价值，可将各细分市场中托运人的偏好特征描述如下。

第1类：时间和可靠性最敏感型。这类托运人对时间和可靠性最敏感，通常涉及高价值货物、运往消费目的地的最终产品、短途运输和泡货。此外，选择惯性变量参数是4个类别中最大的。这意味着，与其他类别相比，该类托运人更难将其运输方式从公路转向铁路。该细分市场平均类别概率为0.299，即该类别规模占总样本的29.9%。

第2类：综合型。该类细分市场中托运人的需求和偏好是综合性的，因为他们对3种运输服务属性(运输费用、运输时间和可靠性)水平的要求在4类细分市场中处于中等水平，通常涉及中高价值货物。该类别中选择惯性变量的参数不显著，说明该类托运人对当前实际选择的运输方式几乎没有选择惯性。该类细分市场平均类别概率为0.428。

第3类：时间可靠性次敏感且价格最不敏感型。该类细分市场中的托运人在时间和可靠性敏感性方面仅次于第1类细分市场中的托运人，且对费用最不敏感。涉及高价值货物是该类托运人的唯一显著特征。与第1类相似，该类别的托运人也高度依赖当前的运输模式。该类细分市场平均类别概率为0.134。

第4类：价格敏感型。该类细分市场中的托运人对运输价格最敏感，对时间和可靠性的敏感性最低，平均类别概率为0.139。

托运人的需求多样化意味着要实现公转铁目标，铁路货运服务产品必须从多方面进行提升。一般来说，短时间内铁路货运服务的运输时间和可靠性难以迅速改善。因此，短期内托运人运输方式的转变主要依赖于铁路货运服务价格的降低。然而，铁路货运服务价格的降价幅度要受到运营成本的限制。

VOT(VOR)为托运人愿意为缩短单位运输时间(提高单位可靠性)而支付的货币金额。假设当运输时间增加(可靠性降低)1个单位(h)时，托运人不转向其他运输方式愿意接受的补偿货币金额也可以用VOT(VOR)衡量。在这种假设下，当铁路运输时间比公路长(可靠性比公路低)时，较高的VOT(VOR)意味着铁路货运服务供应方需要提供较低的价格，甚至是低于铁路货运运营成本的价格才能吸引托运人从公路转移到铁路。此外，VOI绝对值反映的是托运人愿意为克服自身对当前运输方式的选择惯性而转向其他运输方式所能接受的补偿货币金额。综合以上2点，认为较高的VOT(VOR)和 VOI不利于托运人实现从公路向铁路的运输方式转变。根据这一思路，可确定4类细分市场实现“公转铁”的难易程度。

4类不同细分市场“公转铁”的优先级如图3所示。当细分市场在象限中的位置距离坐标轴原点越近时，实现“公转铁”越容易，作为“公转铁”目标市场的优先级也就越高。因此，第2类和第4类细分市场是“公转铁”的主要目标。第2类细分市场属于“综合型”，其对运输费用、运输时间和运输时间可靠性的服务属性要求均处于中等水平，并且选择惯性作用较弱，因而“公转铁”相对容易。此外，由于常常涉及短途运输、轻泡货物运输以及强的选择惯性等原因，第1类细分市场较难实现“公转铁”，是“公转铁”的次要目标。第3类细分市场的服务属性价值最高，因而最难实现“公转铁”，是“公转铁”最后应考虑的目标。

1.3　识别目标市场所属的细分市场

针对具有不同偏好特征的4类细分市场，利用考虑分类变量和隶属度函数的LC模型，可以帮助识别托运人具体归属的细分市场类型。

从收集的RP数据中选取5个典型托运案例进行细分市场识别及后续分析，这5个托运案例涉及的货物类型分别为光伏产品、家电产品、粮食及其副产品、纺织品与饮食品^[13]。为识别每个案例中的托运人所属的细分市场类别，需判别每一典型案例属于哪一类细分市场的概率最大，概率最大的即为该案例所属的细分市场。因此，识别的第一步是确定分类变量在各案例中的取值情况；第二步是根据分类变量计算隶属度函数值，也就是案例属于4个细分市场类别的可观测效用值，进而计算案例分别属于4个细分市场类别的概率值；最后根据最大的概率确定案例所属的细分市场。

首先，确定5个案例分别在6个分类变量上的取值。

案例一是从南京至酒泉的光伏产品托运。其货物价值约为14 000元/t，属于中等价值货物；密度约为0.28 t/m³，属于泡货；南京至酒泉的公路运距为2 400 km；调查数据中该次托运为产成品运至消费端；具有运到时限要求，运到时限为150 h。

案例二是从金华至广州的家电产品(电视机等)托运。家电产品平均价值超过50 000元/t，属于高价值货物；密度约为0.15 t/m³，是典型的泡货；金华至广州的公路运距为1 123 km；该次托运为产成品运至消费端；具有运到时限要求，运到时限为72 h。

案例三是从绍兴至濮阳的布料托运。布料属于纺织品，其平均价值为15 000元/t，属于中等价值货物；密度为0.5 t/m³，属于重货；绍兴至濮阳的公路运距为1 029 km；该次托运为产成品运至消费端，无运到时限要求。

案例四是从嘉兴至成都的粽子托运。粽子属于饮食品，其平均价值为21 000元/t，属于高价值货物；密度为0.22 t/m³，属于泡货；嘉兴至成都的公路运距为1 630 km；该次托运为产成品运至消费端；具有运到时限要求，运到时限为120 h。

案例五是从南京至洛阳的豆粕托运。豆粕属于粮食加工的副产品，其平均价值为3 300元/t，属于低价值货物；密度为0.5 t/m³，属于重货；南京至洛阳的公路运距为743 km；该次托运为半成品运至加工端；没有运到时限要求。

根据上述案例，各案例的分类变量取值如表2所示。

其次，分别计算各案例隶属于4类细分市场的隶属度函数值(效用值)。计算式为

V_{n\left|c\right.}=C_{\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{t}|\mathrm{c}}+{\beta }_{h\left|c\right.}\times H_{\mathrm{h}\mathrm{i}\mathrm{g}\mathrm{h}-\mathrm{v}\mathrm{a}\mathrm{l}\mathrm{u}\mathrm{e}}+{\beta }_{m\left|c\right.}\times M_{\mathrm{m}\mathrm{e}\mathrm{d}\mathrm{i}\mathrm{u}\mathrm{m}-\mathrm{v}\mathrm{a}\mathrm{l}\mathrm{u}\mathrm{e}}+{\beta }_{d\left|c\right.}\times D_{\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{y}}+{\beta }_{p\left|c\right.}\times P_{\mathrm{p}\mathrm{r}\mathrm{o}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{s}}+{\beta }_{t\left|c\right.}\times T_{\mathrm{t}\mathrm{h}\mathrm{r}\mathrm{e}\mathrm{s}\mathrm{h}\mathrm{o}\mathrm{l}\mathrm{d}}⑵

式中：V_n|c 为案例n属于第c类细分市场的隶属度函数值(效用值)，c=1，2，3，4；β_h|c，β_m|c，β_d|c，β_p|c 和β_t|c 分别为第c类中表示高价值、中价值、货物密度、供应链环节、运到时限等分类变量的参数；C_constant|c为第c类细分市场中的常数值。

然后，计算各案例分别属于4类细分市场的概率。

P_{n|c}=\frac{\mathrm{e}\mathrm{x}\mathrm{p}\left(V_{n\left|c\right.}\right)}{{\displaystyle \sum _{c=\mathrm{1}}^C}\mathrm{e}\mathrm{x}\mathrm{p}\left(V_{n\left|c\right.}\right)}c=\mathrm{1},\mathrm{2},\cdots ,C⑶

式中：P_n|c 为案例n属于第c类细分市场的概率。

根据概率最大准则判断各案例所属细分市场，各案例隶属于不同细分市场的概率及所属细分市场如表3所示。

1.4　模型校准

离散选择模型常采用校准常数项(Alternative-specific Constants，ASC)的方式对模型进行校准。ASC反映了备选项效用中除考虑的属性变量以外的其他因素对货运方式选择行为的影响。使用当前水平数据对ASC进行校准，可以使模型更加接近现实^[14]。对于每一案例而言，在应用所属细分市场模型参数进行分析之前，需要根据当前公路、铁路的服务属性水平及实际市场份额进行模型校准，且通常需要校准模型的常数项。校准计算式为

AS{C}_{n|c}={\beta }_c^{n|c}(c_{\mathrm{1}}^{n|c}-c_{\mathrm{2}}^{n|c})+{\beta }_t^{n|c}(t_{\mathrm{1}}^{n|c}-t_{\mathrm{2}}^{n|c})+{\beta }_r^{n|c}(r_{\mathrm{1}}^{n|c}-r_{\mathrm{2}}^{n|c})+{\beta }_i^{n|c}\times I_{\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{t}\mathrm{i}\mathrm{a}}^{n|c}-\mathrm{l}\mathrm{n}(\frac{\mathrm{1}}{s_{\mathrm{2}}^{n|c}}-\mathrm{1})⑷

式中：ASC_n|c 为案例n所属第c类细分市场被校准后的LC模型的特定常数；{\beta }_c^{n|c}，{\beta }_t^{n|c}，{\beta }_r^{n|c}和{\beta }_i^{n|c}分别表示案例n所属第c类细分市场的价格参数、时间参数、可靠性参数和惯性参数；c_{\mathrm{1}}^{n|c}，t_{\mathrm{1}}^{n|c}和r_{\mathrm{1}}^{n|c}分别表示案例n中公路的平均价格、运输时间和可靠性；c_{\mathrm{2}}^{n|c}，t_{\mathrm{2}}^{n|c}和r_{\mathrm{2}}^{n|c}分别表示案例n中铁路的平均价格、运输时间和可靠性；I_{\mathrm{i}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{t}\mathrm{i}\mathrm{a}}^{n|c}表示案例n中托运人的惯性大小，即该托运人所在公司的年公路货运量占年总货运量的比例；s_{\mathrm{2}}^{n|c}表示案例n中铁路的市场份额。

各案例的服务属性水平、铁路市场份额和校准后的常数项如表4所示。由于案例一为托运人仅办理公路托运的线路，其铁路市场份额为0，铁路的运输服务属性水平数据由铁路工作人员提供。针对该情况，未对案例一进行模型校准，其常数项仍为模型估计得到的值(-0.37)，按照服务属性水平计算的初始概率为6.56%。

2　服务改善措施预评估

为更加有效推动“公转铁”，量化铁路货运服务改善后的市场需求反应，提高长三角地区白货运输市场的铁路市场份额，提出若干改善铁路货运服务属性的措施，并依据模型预评估这些对策的实施效果。

2.1　服务属性改善对策

2.1.1　铁路运输价格

（1）适当拓宽铁路批量快运的货物品名范围(以下简称“对策①”)。批量快运按照1∶3(货物折算333 kg/m³计费)或1∶4(货物折算250 kg/m³计费)的吨方折算比计费，即每立方米质量不足333 kg(或250 kg)的货物，按每1 m³体积折合质量333 kg(或250 kg)计费。当托运人采取批量快运的运输方式时，为充分利用车辆的容积和载质量，会优先选择重质货物压底装载、轻泡货物上层装载的混装方式。但铁路批量快运只涵盖106种货物品类，并且其中重质货物较少，导致折算后的单位运价较高，因而有必要拓宽铁路批量快运的货物品名范围^[15]。

拓宽批量快运的货物品名范围将如何影响铁路运输价格的市场竞争力？5个案例中，除案例三(布料)和案例五(豆粕)不在批量快运的品类范围外，其余3个案例均可采取批量快运方法托运。现假设批量快运放开品类限制后，案例三与案例五都可采取批量快运方式托运。在采取批量快运之前，案例三和案例五均通过整车运输进行托运，案例三采用5号运价，单位运价为187.45元/t；案例五采用4号运价。批量快运采取4号运价进行计费，因而案例三的批量快运单价为176.95元/t，较之前有所降低；案例五的批量快运单价与之前相同，保持不变。案例一、案例二与案例四均为泡货，可通过与重货混合配载降低平均价格。以案例四为例，嘉兴—成都的批量快运站到站公布运价为314.15元/t(粽子每1 m³实重222 kg，不足250 kg)，根据实重换算后得到粽子的站到站实际折算运价为0.25×314.15/0.222=353.77元/t。如果批量快运涵盖足够多的重质货物，则托运人可以通过将粽子和重质货物混装配载，达到1 m³体积货物实重接近250 kg的效果，此时粽子的站到站实际运价将接近公布运价(314.15元/t)。当配载后的混合密度小于250 kg/m³时，粽子的站到站实际折算单价大于314.15元/t；当配载后的混合密度大于或等于250 kg/m³时，粽子的站到站实际单价为公布运价314.15元/t。因此，若放开品名限制，粽子的站到站运价将最多下浮约11.2%，换算为门到门运价则最多下浮9.4%。根据该换算办法，案例一(光伏产品，密度为280 kg/m³)与案例二(家电产品，密度为150 kg/m³)的全程运价均可通过配载将其折算运价降至公布运价。然而，货物密度越小，通过混装配载降低实际运价的现实操作难度越大；反之，货物密度越接近330 kg/m³或250 kg/m³则越容易降低实际运价。鉴于光伏产品密度与家电产品密度相较于自身的门槛密度(330 kg/m³或250 kg/m³)差距较大，假设放宽品名限制后，案例一与案例二的全程运价下浮5%。

（2）实施站到站运费下浮(以下简称“对策②”)。根据《中国铁路上海局集团有限公司货运竞争性一口价实施办法》的规定，上海局集团公司货运中心或货运营销部应根据市场情况和营销需求，原则上在比公路低5%的范围内，综合考虑运输方式特点，提出铁路“竞争性一口价”全程价格，作为竞争性一口价方案制定的依据。在使铁路全程价格比公路低5%范围内的过程中，考虑到铁路货运服务在效益上的可持续发展，铁路货运中心或货运营销部门通常将50%作为站到站运费下浮的底线。实际操作中，大多数运价下浮项目的下浮幅度在10%~20%之间。假设在表4的基础上，再将各案例中的铁路站到站运价部分(含铁路车站内的装卸费)按公布价格下浮5%，并据此分析铁路市场份额的变化情况。

（3）降低两端短驳费用(以下简称“对策③”)。两端短驳费用是铁路全程费用中除站到站运费外占比最高的费用。从5个案例两端短驳费用与铁路全程费用的占比情况来看，案例一、案例二和案例四的短驳费用占比分别为29.2%，22.4%和15.7%，而案例三和案例五的短驳费用占比均超过了30%，分别为35.1%和38%。一方面，铁路货运部门应加强与公路物流企业的联系，与其达成两端配送业务的战略合作，通过建立公铁联运服务平台^[16]，实现两端短驳资源信息共享从而优化短驳运输组织。另一方面，可借助中铁快运公司配送网络的支持，积极拓展接取送达业务。

2.1.2　铁路运输时间和可靠性

（1）加大铁路货物班列开行力度(以下简称“对策④”)。货物班列在铁路开拓高时效货运服务市场、落实“公转铁”等方面发挥着重要作用。我国目前的快运产品、班列产品种类和数量还不够丰富，运输时效性、个性化、多样化程度亟待提升^[17]。一方面，应按照客户提出的发到时限需求开发定制班列产品，并冠以专门标识，通过加强对其调度以避免延误。另一方面，应提高班列编组辆数的灵活性，提升班列开行频次和稳定性，避免出现货源组织不满足最低编组辆数要求而不按班列组织的现象，增强铁路货物班列的市场竞争力。

（2）推进白货运输“棚改集”(以下简称“对策⑤”)。相较于棚车，采用集装箱进行白货运输可以避免二次装卸，从而减少运输链中装卸环节所需时间、人工成本和货物包装破损率，极大提高运输效率和货物包装完整性。为增强我国内陆集装箱运输能力，大幅降低物流成本。应进一步研究推进白货运输车型从棚车改为50 ft集装箱，并实施混装货物入箱政策。

（3）提升装卸设备智能化、自动化水平(以下简称“对策⑥”)。建议购置智能化、自动化的装卸设备，以实现作业人员远程遥控、设备自动装卸与搬运的功能，有助于缓解装卸作业劳动力短缺的矛盾，使班列到达后能够及时装卸车，提高装卸效率。

2.2　服务属性改善对策预评估

假设对策③可使两端短驳费用减少10%，通过测算可以得到对策③将产生的铁路运输价格变化情况。不同价格对策的铁路运输价格改善情况如表5所示。此外，假设对策④、对策⑤和对策⑥可分别使铁路运输时间缩短以及可靠性提升10%，5%和3%。

从运输价格的改善对策来看，对策①对案例四的改善效果较好，案例一和案例二次之，案例三的改善效果最小；对策②能够将各案例的全程运输费用降低4%左右，案例三的改善效果最小(3.2%)；对策③对于案例三和案例五的改善效果最好，而对案例四的改善效果最小。运用1.4节校准后的模型计算各对策实施后的铁路分担率变化，铁路服务改善后的分担率提升效果如表6所示。

从价格改善对策所引起的铁路市场份额变化来看，对策①带来的铁路市场份额增量从大到小依次为：案例一、案例二、案例四和案例三。尽管案例四的价格下降幅度是最大的(接近案例三的3倍)，但其市场份额增量仅为案例三的1.2倍。就对策②和对策③而言，案例四的市场份额增量最小，这主要是因为其属于第3类细分市场，对价格相对不敏感。其中，对策③所带来的市场份额增量最大的是案例三和案例五，这主要是由于这2个案例中的两端短驳费用占比较大。

总的来看，同属于第2类的案例一和案例三以及属于第4类的案例五中，价格改善对策均较好地提升铁路市场份额。值得注意的是，案例二虽属于第1类，但由于其属于密度较低的泡货，单位重量的运价较高，铁路市场份额的价格弹性较大，因而价格改善对策对于案例二的铁路市场份额提升效果也较为明显。3种价格改善对策对案例四(第3类)的效果较弱。分析发现，案例所属的细分市场类型、铁路市场份额、短驳费用占比等均是造成价格改善对铁路市场份额提升效果不同的原因。

从时间与可靠性改善对策所引起的铁路市场份额变化来看，无论是哪一种对策，案例二(第1类)和案例四(第3类)的铁路市场份额增量始终大于其他3个案例的铁路市场份额，这说明时间与可靠性改善对案例二与案例四更有效，这与其所属的细分市场偏好特征相符。并且，时间与可靠性改善对案例五(第4类)的铁路市场份额提升效果最差，与预期相符。

基于表6括号内的数值，使用雷达图更直观地展示了不同改善对策对于各案例的铁路市场份额提升效果，不同改善对策的铁路市场份额提升效果图如图4所示。

基于表6和图4，对比2类改善对策对同一案例的铁路市场份额提升效果，发现对于案例一、案例三和案例五，可优先考虑实施价格改善对策；对于案例四，可优先考虑实施运输时间与可靠性改善对策；对于案例二，2类改善对策均能起到较好的效果。

3　结束语

面向长三角地区白货 “公转铁”市场展开研究，以考虑隶属度函数和分类变量的LC模型为核心，分析了不同细分市场的 “公转铁”潜力以及各服务改善措施对“公转铁”的影响。研究有助于铁路运输企业精准制定服务改善措施，实现“公转铁”背景下的运量目标，从而有力推动运输结构调整。

参考文献

[1] 刘 浩.城际货运市场的公铁竞争模型及其应用[D].上海：同济大学，2024.

[2] 郑平标，陈 诚，程文毅，等.铁路货物班列规模化发展对策研究[J].铁道运输与经济，2021，43(5)：77-83.

[3] ZHENG Pingbiao, CHEN Cheng, CHENG Wenyi, et al.Research on the Countermeasures for Large-Scale Development of Railway Freight Block Train[J]. Railway Transport and Economy，2021，43(5)：77-83.

[4] COLLISON F M.Market Segments for Marine Liner Service[J].Transportation Journal，1984，24(2)：40-54.

[5] SMITH M E.Value of High-Quality Service: How Should the ARES-Equipped Railroad Operate[J]. Transportation Research Record，1991，1314(1)：15-20.

[6] MCGINNIS M A.Segmenting Freight Markets[J].Transportation Journal，1978，18(1)：58-68.

[7] LU C S.Market Segment Evaluation and International Distribution Centers[J].Transportation Research Part E：Logistics and Transportation Review，2003，39(1): 49-60.

[8] 张 斌，彭其渊.基于KFAV的中国铁路货运客户细分方法研究[J].交通运输系统工程与信息，2017，17(3)：235-242.

[9] ZHANG Bin， PENG Qiyuan.Railway Freight Customer Segmentation Based on KFAV Model[J].Journal of Transportation Systems Engineering and Information Technology，2017，17(3)：235-242.

[10] 帅 斌，邓绍蔚，黄丽霞.基于改进RFM模型的铁路快捷货运客户市场细分方法[J].铁道科学与工程学报，2014，11(1)：112-117.

[11] SHUAI Bin， DENG Shaowei， HUANG Lixia. Railway Express Freight Consumer Market Segmentation Based on Improved RFM Model[J].Journal of Railway Science and Engineering，2014，11(1)：112-117.

[12] ZEYBEK H.Customer Segmentation Strategy for Rail Freight Market: The Case of Turkish State Railways[J]. Research in Transportation Business and Management，2018，28：45-53.

[13] VRIENS M， WEDEL M， WILMS T.Metric Conjoint Segmentation Methods: A Monte Carlo Comparison[J]. Journal of Marketing Research，1996，33(1)：73-85.

[14] ARUNOTAYANUN K， POLAK J W.Taste Heterogeneity and Market Segmentation in Freight Shippers’Mode Choice Behaviour[J].Transportation Research Part E：Logistics and Transportation Review，2011，47(2)：138-148.

[15] 段力伟.铁路货运产品设计与服务网络优化理论与方法研究[D]. 成都：西南交通大学，2017.

[16] SHEN J Q， LIU H， ZHANG R.Analyzing the Potential Freight Market Segments of the Modal Shift from Road to Rail Using Latent Class Modeling[EB/OL].(2022-11-01)[2024-11-24].

[17] DE JONG G， TAVASSZY L， BATES J，et al.The Issues in Modelling Freight Transport at the National Level[J].Case Studies on Transport Policy，2016，4(1)：13-21.

[18] 刘 浩，申嘉琪，张 戎.“公转铁”背景下铁路货运市场化定价策略[J].铁道货运，2022，40(10)：54-60.

[19] LIU Hao， SHEN Jiaqi， ZHANG Rong.Market-oriented Pricing Strategy of Railway Freight under the Background of Modal Shift from Road to Rail[J]. Railway Freight Transport，2022，40(10)：54-60.

[20] 刘 浩，张 戎，申嘉琪，等.上海市公铁联运发展策略研究[J].铁道运输与经济，2023，45(12)：82-89.

[21] LIU Hao， ZHANG Rong， SHEN Jiaqi. Research on Development Strategy of Road-Rail Intermodal Transport in Shanghai City[J]. Railway Transport and Economy，2023，45(12)：82-89.

[22] 刘昭然，诸立超.我国货运结构调整的理论认识和实践难点[J].铁道货运，2024，42(8)：8-14.

[23] LIU Zhaoran， ZHU Lichao.Theoretical Understanding and Practical Difficulties of Freight Structure Adjustment in China[J]. Railway Freight Transport，2024，42(8)：8-14.

基金资助

国家重点研发计划项目(2018YFB1201401)