基于累积前景理论的机场群旅客出行决策行为分析

徐爱庆，陈 欣，朱金福

(1.南京航空航天大学民航学院，南京210016；2.南京财经大学a.应用数学学院，b.管理科学与工程学院，南京210023)

0 引 言

随着区域经济一体化和民航业的快速发展，城市群内航空运输纷纷由单机场模式向机场群模式转变，其典型特征是在系统内部存在多个机场并共同服务于区域航空市场.这种航空资源供给模式的变化使得以区域机场群为单元的航空旅客出行决策行为形成过程和演变机理成为一个复杂的综合问题.

目前，国内外学者在这一领域开展了广泛研究，如国外学者Hess[1]发现商务旅客比休闲旅客更关心到达机场时间和航班时刻.Ishii[2]研究表明到达机场时间的改变比航班延误的改变对旅客更具吸引力.然而，Dresner[3]发现现代商务旅客开始对票价也变得敏感.随着研究不断深入，其他因素如旅客乘坐经验、飞机型号、社会经济及高速公路网络和高铁网络的完善程度等都被纳入到分析范畴[4-5].国内学者赵凤彩[6]着眼于航班频率、通航城市数、票价水平和服务质量等因素预测了相应机场旅客吞吐量.陆靖[7]发现不同旅游目的的旅客在价格敏感度和购票时间上存在差异，每时段价格应根据旅客特点来设定.

从既有文献来看，所采用研究方法主要为传统的“期望效用理论”，其前提是假定出行者完全理性，但航空旅客实际出行并不总是服从“就近机场出行”“就便宜票价出行”之类的“绝对理性”决策原则，实际决策行为往往与期望效用理论模型结果不相符合.行为经济学中累积前景理论(Kahneman[8])以有限理性为假设，指出人们在不确定环境下出行决策由风险态度和参考点共同决定，较好地弥补了传统理论对出行中非理性行为解释性不足的缺陷，并已被广泛应用.如Bogers[9]通过实验证明现实中出行者风险态度与累积前景理论中关于行为主体风险态度的结论相符.Avineri[10]认为累积前景理论可以很好地解释无法用期望效用理论解释的交通现象和行为.田丽君[11]通过比较期望效用理论和累积前景理论下通勤者最优选择结果差异，验证了后者能更有效反映实际出行选择行为特征.Chen[12]综合路径“可靠性”和“不可靠性”，提出了基于均值超额出行时间的交通均衡新模型，结果表明，该模型能较好地反映出行者选择路径的认知特征.

由于航空出行者在其出行链上的决策行为具备有限理性和不确定性特征，将累积前景理论应用到机场群旅客出行决策行为研究具有可行性.然而，目前国内尚未发现应用该理论研究航空旅客出行决策行为的文献.为填补研究空白，本文在既有研究基础上构建了基于累积前景理论的机场群旅客出行决策模型，并通过实证分析验证模型有效性.研究对于拓展前景理论应用范围和明晰区域机场航空出行行为机理具有重要理论价值和现实意义.

1 研究方法

1.1 累积前景理论模型

相对期望效用理论，累积前景理论的完善之处在于能够描述个体面对“收益”和“损失”时具有不同风险偏好，对决策方案的感知效用是相对值，并非绝对值，其决策体系包括价值函数、权重函数和计算前景值.

(1)价值函数.

经典价值函数模型为

式中：x0为参考点，α,β∈(0，1]，用来衡量远离参考点时的敏感性程度.面对“收益”(x＞x0)时，决策者风险规避；面对“损失”(x＜x0)时，决策者风险追求.λ≥1是风险规避参数，表明对损失更为敏感，如图1所示.一般来说，α=β=0.88，λ=2.25[8].

(2)权重函数.

本文采用Tversky和Kahneman提出的权重函数.

当决策者面临收益时，函数为

当决策者面临损失时，函数为

式中：w+(p)和w-(p)分别表示面临“收益”和“损失”时的感知概率；p为实际结果发生概率；参数0＜γ、δ≤1体现出行者通常对中高概率低估，对低概率高估的事实，如图2所示，本文取γ=0.61，δ=0.69[12].

图1 价值函数Fig.1 Value function

图2 决策权重函数Fig.2 Decision weight function

(3)累积前景效用.

假设备选方案A={(xτ,pτ),τ∈[-m,n]}，其中xτ表示方案A发生时可能的结果，正下标表示正的可能结果，负下标表示负的可能结果，0表示中性的可能结果；pτ为xτ对应的发生概率，则决策权重π+τ和πτ为

从而方案A前景值vA为

1.2 机场群旅客出行决策行为模型

机场群内旅客出行比单机场模式下面临更多航班选择，其中航班时刻、出行时间和票价是影响出行的主要因素，因此旅客出行前综合评估这3个因素引起总出行成本，包括时间成本和资金成本，然后对照出行参考点，选取最大前景值航班出行，如图3所示.设机场群由K个机场组成，Oi表示第i个腹地，Dj表示第j个目的地，rikjl表示旅客从Oi到机场k(k=1,2,…,K)搭乘航班l(l=1,2,…,L)到达Dj的航线.

图3 航空旅客出行决策过程示意图Fig.3 Diagram of passenger travel choice process

1.2.1 航空旅客出行参考点设置

(1)计划延误时间.

旅客出行决策时通常会产生自身的理想出行时刻t，往往在机场所提供的实际航班时刻tl前后，两者差值称为计划延误时间，即

(2)均值超额出行时间.

实际上，旅客常常依据以往在途时间及自身可靠性(以概率ρ到达目的地)预算出行时间，即

同时旅客仍会面临不可靠性(1-ρ的概率不能在预算时间内到达目的)，定义均值超额出行时间为超过的条件期望，即

(3)航空旅客出行参考点计算步骤.

建立航空旅客出行决策模型的关键是选取合适的参考点，其计算步骤为：

Step 1根据理想出行时刻计算各航班计划延误时间.

Step 2按照航班近期飞行数据及自身可靠性ρ要求，评估均值超额出行时间.

Step 3查询航班票价pricekl.

Step 4计算不同出行目的(aim=Business,Leisure)下路径总出行成本.

式中：θ1、θ2、θ3分别为及pricekl权重，表示旅客对时间和票价关心程度，且和分别表示旅客单位计划延误时间成本和单位出行时间成本.

Step 5计算路径rij出行参考点.

1.2.2 路径累积前景值计算

式中：m+n=Q，出行者选取最大前景值出行.若第1选择航班票已售罄，转为第2选择，以此类推.

2 实例分析

本文以长三角机场群内宜兴地区航空旅客出行决策为例进行模型应用分析.宜兴周边地面交通发达，可以到达南京、无锡、常州、杭州和上海各机场，如图4所示.

图4 宜兴周边机场分布示意图Fig.4 Diagram of Yixing's surrounding airports distribution

2.1 各机场航班数据

本文选取携程网1～5月9:00-18:00宜兴—厦门的28个航班，限定理想出行时刻为9:00-18:00各个整点时刻，记宜兴到各机场的小汽车最短出行时间为地面出行时间，出行可靠度ρ=95%，商务出行权重为θ1=0.5、θ2=0.4、θ3=0.1，休闲出行为θ1=0.1、θ2=0.3、θ3=0.6，通常旅客计划延误时间成本比出行时间成本①高，设2.617元/min和=0.933元/min.

2.2 模型结果分析

为了更好地说明旅客出行决策过程，本文设置理想出行时刻为9:00时两类旅客的出行选择及理想出行时刻分别为10个整点时刻的旅客航班选择集差异.

2.2.1 理想出行时刻为9∶00时两类旅客的选择

(1)商务旅客的出行选择.

由图5看出：①商务旅客首选航班为上海虹桥9:20，备选航班为上海浦东9:10；②图中28个航班累积前景值均为负数，旅客无论选择哪个航班，都会面临“损失”.损失越小，前景值越大，航班被选可能性越高.③商务旅客对时间比较敏感，尤其是计划延误时间，但对票价不太关心.如第三选择航班具有最短出行时间，但计划延误时间为110 min，不符合商务旅客出行预期.

(2)休闲旅客的出行选择.

图6表明：①休闲旅客首选航班为南京机场13:10，备选航班为南京禄口10:50.②休闲旅客看重票价，不太在乎时间，尤其是计划延误时间.前3个被选航班票价都较低，票价越低航班前景值越高，被选中可能性越大，符合休闲旅客出行预期.③尽管休闲旅客在乎票价，但不是旅客选择的唯一因素.如常州机场14:00航班票价比南京机场10:50航班低很多，但由于出行时间远大于后者航班，因而该航班只作为第3选择.

图5 商务旅客出行选择Fig.5 Choice of business travelers

(3)商务旅客和休闲旅客出行选择对比.

对比图5和图6发现，休闲旅客前景值随时间变化的波动趋势小于商务旅客，但其随价格变化的波动趋势明显大于商务旅客，说明休闲旅客更在乎票价，而商务旅客对时间更为敏感，进一步验证了原假设.

2.2.2 两类旅客1天的出行选择

通过分析两类旅客在10个整点时刻的出行选择，从整体剖析旅客出行规律，为机场制定有效策略提供参考.

由表1看出：

(1)商务旅客首选计划延误时间较少的航班，在计划延误时间相差不大时，出行时间越少的航班被选中概率越大.如理想时刻为11:00时，旅客首选禄口机场10:50航班，尽管计划延误时间比禄口11:00航班多10 min，但是其出行时间比后者少了134 min.

图6 休闲旅客出行选择Fig.6 Choice of leisure travelers

表1 商务旅客的1天出行选择Table 1 The choice of business travelers on one day

(2)纵观所有第1选择结果，南京机场作为首选机场有4个航班时刻，上海虹桥机场有2个，常州机场和萧山机场各1个，首选和备选航班共有16个，涉及所有机场，航班选择集大.

(3)与第1选择相比，上海浦东和无锡机场均在备选之列，当第1选择机票售完时，这些机场仍有可能争取到部分商务旅客.

从表2看出：

(1)理想时刻为9:00-13:00这5个整点时刻时，首选禄口机场13:10航班；理想出行时刻为14:00时，首选禄口机场14:00航班；理想时刻为15:00-18:00这4个整点时刻时，首选禄口机场17:10航班，其中13:10和17:10两航班被不同整点时刻旅客重复选择.

(2)与所有商务旅客相比，休闲旅客整体选择更在乎票价，首选的3个航班为28各航班中票价前3低，票价因素影响显著，符合休闲旅客出行预期.

(3)休闲旅客所有第1和第2选择均为禄口和奔牛机场，共5个航班，这是因为低票价航班集中于这两家机场，航班选择集小.

表2 休闲旅客的1天出行选择Table 2 The choice of leisure travelers on one day

3 实证数据分析

为进一步考察模型有效性，本文采用实际调查数据对比验证.研究针对宜兴航空旅客出行采用了网上问卷调查方式，调查时间段为2017年7月10～15日，发放答卷150份，共回收有效答卷145份.以9:00为旅客理想出行时刻，设各要素权重在相应区间上均匀分布，设商务出行时0.4≤θ1≤0.5，0.0≤θ3≤0.2 ，θ2=1.0-θ1-θ3，休闲出行时①权重区间由调查数据所得.分别使用期望效用理论和累积前景理论仿真了145份理论选择结果，并与受访者实际选择结果对比，结果如表3所示.

(1)商务出行时，累积前景理论下旅客首选航班均为浦东9:10、虹桥9:20或禄口10:50，实际调查126名旅客选择这3个航班，占受访者人数的87%；休闲旅游时，前景理论下旅客首选禄口10:50、禄口13:10或禄口17:10，实际调查103名旅客选择这3个航班，占受访者比例71%，说明绝大多数受访者的选择结果与累积前景理论最优选择结果相符.

(2)相对于期望效用理论仿真结果，受访者实际选择结果更接近于累积前景理论仿真结果.如商务出行时，期望效用理论下选择浦东9:10、虹桥9:20和禄口10:50的旅客占比为12%、1%和87%，累积前景理论下选择占比分别为27%、10%和63%，实际受访者选择占比分别为27%、10%和50%.说明前景理论更能描述旅客出行决策过程，旅客具有有限理性特征.

因此，各机场应充分考虑客户群体，针对不同类客户规划航线，设定合理的航班频率和票价，从而提高市场份额.

表3 旅客出行选择对比Table 3 Comparison of passenger travel choice

4 结 论

本文综合时间价值和票价动态设置旅客出行参考点，基于累积前景理论构建了机场群旅客出行选择模型并进行了实证分析.研究表明，累积前景理论能有效分析航空旅客出行决策过程，实际选择与理论选择结果基本吻合，旅客出行具有有限理性特征.该模型能较好地反映旅客决策时的认知和心理影响，商务旅客对计划延误时间和在途时间更为敏感，不同整点理想时刻，旅客首选和备选航班涉及范围较广，航班备选集大；而休闲旅客不太在乎计划延误时间，但更关心票价，不同整点理想出行时刻旅客重复选择低票价航班，航班备选集小.同时，通过网络问卷调查检验出大多数航空旅客出行决策行为结果和累积前景理论最优选择结果一致，累积前景理论比期望效用理论更适合描述旅客出行行为.

本研究拓展了前景理论应用范围，揭示了机场群航空旅客出行决策行为，对帮助机场确定其市场定位，优化航线网络结构具有积极指导意义.此外需要说明的是，受制于数据可得性，本研究未将高铁和不同航程距离因素的影响考虑在内，以及尚未获得最佳航空旅客出行风险偏好参数，在后续研究中将进一步补充完善.