基于活动的旅游出行链选择行为研究

赵 昕，关宏志

(北京工业大学交通工程北京市重点实验室，北京100124)

0 引言

近年来，随着我国经济的快速发展，人们旅游休闲活动的频率增加，由此而产生的旅游交通量迅速增加。节假日大规模的旅游交通出行给城市、公路以及休闲旅游点周边的交通都带来了极大的压力，也严重影响了旅游经济的发展，因此研究游客的旅游出行行为对于解决旅游交通问题具有重要的意义。

目前，对于居民的出行行为分析仍广泛采用以单个出行为分析单元的传统集计方法，出行者每次出行之间分别处理。基于活动的预测方法认为出行者面临时空约束，一日中各个出行之间存在着关联性，从出行链的角度对日常出行进行分析，可以更好地理解人们的一日出行模式随着内因和外因的变化而变化的机理，并对出行模式与影响因素的相互关系做出合理的解释。

旅游出行链是指游客在参观游览的途中为完成一项或多项活动、在一定时间顺序排列的出行目的所组成的往返行程，包含了大量的时间、空间、出行方式和活动类型等信息。图1为典型的一日旅游出行链。

图1 旅游出行链示意Fig.1 Schematic diagram of tourist trip chain

目前，国外对出行链的研究主要是从通勤出行的角度开展，将一日外出活动模式进行分类并建立选择模型;同时，在出行链与活动时间、活动数量、出行方式和土地利用模式关系方面也存在大量的研究［1-6］;在旅游出行方面主要是从游览范围和游览路线形态的角度来进行研究［7-8］。国内有学者采用统计分析的方法对黄金周出行链进行了初步的研究，主要从性别、职业、年龄、是否拥有小汽车、受教育程度与出游模式选择的关联性进行分析［9-10］。笔者拟以旅游出行链为考察对象，分析影响游客出行链选择行为的因素并建立游客出行链选择行为模型。

1 旅游出行链划分

基于活动的研究方法认为出行是源于对活动的需求，人们的出行决策是活动安排的一部分。因此在对出行者出行行为进行分析时，活动对出行有决定性影响。根据不同的研究目的，可以产生不同的活动划分方法。

Stopher，等［11］将居民日常活动划分为 3 类:①强制性的活动(如工作、上学)，即在每天都有规律的发生，并且地点和时间是固定的;②灵活性的活动(如购物、去银行)，即有一定规律性，但活动的地点和时间可以有所变化;③选择性的活动(如社交、娱乐活动)，这类活动的所有特征都是可以变化的，也可以在一定时间段内发生的次数为0次。

对于出行链的划分，Frank，等［1］首先确定链上一个主要活动，然后确定次要活动，再根据次要活动相对于主要活动的位置来划分出行链的类型;David，等［12］是将工作类活动作为主要活动，根据非工作类活动相对工作类活动的位置来划分出行链。

姚广铮，等［9］在对黄金周出行链进行研究时将活动类型划分为参观游览活动、维持型活动和娱乐型活动等3类。并依据主要出行链结构和各类活动发生的顺序将节假日出行活动划分为8种典型的活动模式。

笔者在本次调查中将游客的外出活动目的分为观光游览、休闲疗养、商务/公务、宗教朝拜、娱乐消遣、购物、用餐美食、文化教育、探亲访友和就医等10种。对出行链上的活动进行分类时借鉴文献［9］的划分方法，并将将游客的外出活动合并为参观娱乐活动(观光游览、休闲疗养、宗教朝拜、娱乐消遣、文化教育)和其它活动(商务/公务、购物、用餐美食、探亲访友、就医)两大类。

在本研究中，根据活动的数量和位置将旅游出行链分为5类:简单参观娱乐链(HTH)、简单其它活动链(HOH)、复杂参观娱乐链(HTTH)、复杂其它活动链(HOOH)和复杂混合链(HTOH)，其中H代表家或者旅馆，T代表参观娱乐活动，O代表其它活动。如图2。

图2 旅游出行链典型模式示意Fig.2 Tourist trip chain patterns

2 旅游出行链选择行为建模

2.1 选择枝的确定

在整理分类游客出行数据后进行初步分析，由于出行链类型4和类型5具有一定的相似性，决定将类型4与类型5进行合并，合并后共有4个选择枝:简单参观娱乐链、简单其它链、复杂参观娱乐链和含其他活动的复杂链。

2.2 模型的构建

非集计模型以个体为分析单位，能较准确的描述个体选择意愿。由于ML(Multinomial Logit)模型具有数学形式简洁、物理意义容易理解的特点，是非集计模型中最常用的模型之一。

根据随机效用理论，不同的出行链会对出行者产生某种效用，出行者在特定条件下选择其所认知的出行链备选集合中效用最大的方案。选择某出行链的效用因该方式特性和出行者的主体特性等因素而异。假设出行者n的出行链选择方案集合为An，选择其中第i种出行链的效用函数为［13］:

式中:Vin为非随机变化部分(固定项)，即由可观测到的特性变量计算的固定项;εin为随机变化部分(随机项)，即不能观测到的其他因素的影响及已有变量的偏差引起的随机项。

效用函数项的具体形式可以由一种或多种函数形式表达，最常用的形式为线性关系。假设Vin与特性向量Xink呈线性关系，即:

式中:Xink为居民n的选择第i种出行方式的第k个变量值;θk为待估计参数。

在研究中常假设效用函数中的随机项呈某种特定的分布形式，如二重指数分布、正态分布，因为二重指数分布(Gumbel distribution)的分布函数形态与正态分布函数极为近似并且有较高的可操作性，所以由此推导出的Logit模型应用最为广泛。在Logit模型中假设效用函数中的随机项服从二重指数分布，可以得到第n个个体选择i种出行链的概率，即:

2.3 参数的标定

为了对参数θ进行标定，设N为样本数、δin为概率变量。若δin=1，则个体n选择第i种方案;否则δin=0。ML模型的似然函数为:

其对数似然函数L为:

对待估计参数求偏导，则有:

求解似然函数L极大时的估计值θ，则可以对出行链选择模型的参数进行标定。

3 模型的标定及分析

3.1 调查数据

课题组于2011年11月组织了针对在北京游客的旅游交通行为调查。调查涉及4个方面的内容，包括游客个人和家庭基本信息、本次旅游基本概况、旅游出行调查和出游动机调查等。笔者选取天坛、故宫、颐和园和香山植物园等4个景点对游客进行调查。回收有效问卷357份。

参考相关文献［9-10］个人属性与出行链类型相关性的分析，确定影响出行链选择的因素主要有个人属性、出游属性两方面。其中年龄、职业、私家车数量、出游时间、是否本地游客、是否为一日游、是否跟团游和对景点是否熟悉等对出行链选择有显著影响。模型中变量设置如表1。

表1 模型特性变量Table 1 Values of the variables

3.2 模型的标定与解释

将各个变量带入模型，采用TRANSCAD软件进行标定，可以得到效用函数中未知参数的值，如表2。

表2 模型标定结果Table 2 Results of parameter estimation

从表2的标定结果可以看出，模型中所有变量系数的符号与实际情况相符，绝大部分系数的t检验值大于1.96，表明在95%的置信度上变量对游客出行链选择具有显著影响。对标定结果进行分析如下:

1)X1为正，说明年龄在41～50岁之间的游客与其他年龄段的游客相比，更加倾向于复杂出行链。

2)在职业的影响方面:X2为负，说明职业1类的游客与其他职业游客相比更加倾向于选择非复杂参观娱乐链出行;X3为正，说明职业2类的游客与其它职业游客相比更加倾向于选择简单参观娱乐链出行。

3)X4为正，说明选择在假日期间旅游的游客倾向于选择以简单链的形式出游。

4)X5为正，说明常住本地的游客在出游时更加倾向于选择简单非其它链和复杂参观娱乐出行链。

5)X6的t检验值小于1.96说明游客的熟悉程度影响不显著。

6)X7为正，说明随着参观娱乐活动时间分配的增加，简单参观娱乐链和复杂混合链的效用显著增加;而X8为正，说明随着其它活动时间分配的增加，复杂混合链的效用显著增加。

3.3 模型的精度分析及评价

对Logit模型进行检验的指标有优度比ρ2和拟合优度比¯ρ2。优度比ρ2也称为Mcfadden决定系数，与回归分析中R2的意义有些类似;拟合优度比¯ρ2相当于回归分析中的自由度修正相关系数。这两个指标值在0～1之间，越接近1表示模型精度越高。但和回归分析中相关系数不同的是，在实践中达到0.2 ～0.4 即认为是可接受的。

从本模型来看，优度比 ρ2=0.361 014，拟合优度比¯ρ2=0.334 387。该模型能够较好地描述居民对出行方式的选择行为，构建模型所选定的影响因素会影响居民对出行方式的选择结果。

4 结语

笔者根据2011年11月对在北京旅游的游客进行调查的数据进行建模，并对游客的出行链接行为进行研究，建立了游客出行链选择ML模型，并对模型进行了标定与有效性验证。结果表明:年龄、职业、出游时间、是否本地游客、对景点是否熟悉以及游客对活动的时间分配均对出行链选择有显著影响。

［1］ Primerano F，Taylor M A P，Pitaksringkarn L，et al.Defining and understanding trip chaining behavior［J］.Transportation，2008，35:55-72.

［2］ Ye Xin，Ram P M，Gottardi G.An exploration of the relationship between mode choice and complexity of trip chaining patterns［J］.Transportation Research:Part B，2007，41:96-113.

［3］ Lee Yuhwa，Hickman M，Washington S.Household type and structure，time-use pattern，and trip-chaining behavior ［J］.Transportation Research:Part A，2007，41:1004-1020.

［4］ Yang Min，Wang Wei，Fan Rui，et al.Structural equation model analysis of socio-demographics，activity participation and trip chaining between household heads in the context of Shangyu，China［C］.Washington，D.C.:The 89th Annual Meeting of the Transportation Research Board，2010:1-17.

［5］ Noland R B，Thomas J V.Multivariate analysis of trip-chaining behavior［J］.Environment and Planning B:Planning and Design，2007，34(6):953-970.

［6］ Frank L，Bradley M，Kavage S，et al.Urban form，travel time，and cost relationships with tour complexity and mode choice ［J］.Transportation，2008，35:37-54.

［7］ Lew A，McKercher B.Modeling tourist movements a local destination analysis［J］.Annals of Tourism Research，2006，33(2):403-423.

［8］ Connell J，Page S J.Exploring the spatial patterns of car-based tourist travel in Loch Lomond and Trossachs National Park，Scotland ［J］.Tourism Management，2007，19(3):1-20.

［9］ 姚广铮，孙壮志，邵春福，等.节假日出行活动模式与个人属性相关性分析［J］.交通运输系统工程与信息，2008，8(6):56-60.

Yao Guangzheng，Sun Zhuangzhi，Shao Chunfu，et al.Relationship analysis on holiday travel behavior and individual characteristics［J］.Journal of Transportation Systems Engineering and Information Technology，2008，8(6):56-60.

［10］李婧.节假日出行行为特征分析研究——以北京“五一”黄金周为例［D］.北京:北京交通大学，2007.

［11］Stopher P R，Hartgen D T，Li Yuanjun.SMART:simulation model for activities，resources and travel［J］.Transportation，1996，23:293-312.

［12］ Hensher D A，Reyes A J.Trip chaining as a barrier to the propensity to use public transport［J］.Transportation，2000，27:341-361.

［13］关宏志.非集计模型——交通行为分析的工具［M］.北京:人民交通出版社，2004.