拉薩游客出行方式選擇行為研究

魏楠楠，雷銀輝

（中交第一公路勘察設(shè)計研究院有限公司， 陜西 西安 710065）

目前國內(nèi)外已有很多學(xué)者利用非集計模型對出行行為進行研究，其中分層Logit模型可以有效克服MNL模型的非相關(guān)選擇方案獨立性引起的預(yù)測誤差。楊勵雅等基于隨機效用最大化理論，構(gòu)建了出行方式與出發(fā)時間聯(lián)合選擇的分層Logit模型［1］；唐潔等結(jié)合國內(nèi)某大型城市居民出行調(diào)查數(shù)據(jù)，建立了城市居民出行空間和方式聯(lián)合選擇模型［2］；姚麗亞等根據(jù)交通方式服務(wù)對象，利用北京市實際調(diào)查數(shù)據(jù)構(gòu)建了分層Logit模型［3］；Lemp J D 等研究了基于出發(fā)時間選擇規(guī)劃與應(yīng)用的連續(xù)交叉嵌套Logit模型［4］；Lahipi K等根據(jù)馬爾可夫鏈及蒙特卡羅對分層Logit模型進行貝葉斯分析［5］。另有學(xué)者引入一些修正變量對模型進行改進，劉美琪等考慮了家庭約束，把是否與家人相伴出行引入出行方式選擇的影響因素中［6］；吳麟麟等將忠誠度變量作為影響因素引入模型的可觀測效用部分，建立出行者城際出行方式選擇 Mixed Logit 模型［7］。目前利用非集計模型對國內(nèi)大型城市居民出行行為進行的研究較多，而對地廣人稀的高海拔地區(qū)的出行行為研究較少。

拉薩是著名的旅游城市，每年均有大量的國內(nèi)外游客涌入。數(shù)量龐大的旅游群體在帶動拉薩旅游經(jīng)濟的持續(xù)發(fā)展方面功不可沒，但也給拉薩市的城市交通造成了壓力。因此，本文根據(jù)拉薩市2015年的游客出行意向調(diào)查數(shù)據(jù)，利用非集計模型對拉薩游客的出行行為進行研究，闡述拉薩游客的出行規(guī)律。

1 非集計模型概述

非集計模型是描述人們選擇行為的模型，具有高效、低成本、建模方便、操作簡單、可同時包含多種變量、可移植性較高等特點，因而廣泛應(yīng)用于具有選擇行為的社會各個方面。

Logit模型是非集計模型中適用性較強的模型，其模型結(jié)構(gòu)較為簡單，且在理論上對消費者的行為具有較強的說服力。但是對于某出行者來說，Logit模型假定兩個方案選擇概率的比值不受其他任何選擇方案的效用函數(shù)固定項的影響，即非相關(guān)選擇方案相互獨立（IIA特性）。當(dāng)選擇方案具有較多相似之處時，運用Logit的誤差較大。分層Logit模型（NL）有效地克服了Logit模型的IIA特性問題，適用于選擇方案中某幾個選擇肢具有類似性的情況。本文采用NL模型對拉薩游客出行行為進行研究，研究數(shù)據(jù)來源于2015年拉薩游客的出行問卷調(diào)查?？紤]到大部分國人均有一定的“西藏情結(jié)”，在進藏旅行的選擇過程中受主觀意向影響較多，在效用函數(shù)中引入游客主觀意向修正系數(shù)α。

2 游客出行影響因素分析

2.1 交通特性

拉薩市區(qū)可供選擇的出行方式有公交車、出租車、人力三輪車、私家車、自行車、班車等，游客可根據(jù)實際情況自由選擇。不同的出行方式有著不同的服務(wù)距離，根據(jù)調(diào)查及收集的拉薩市交通出行資料，既非騎行客又無私家車的游客，其出行方式分擔(dān)率隨出行距離變化的統(tǒng)計如表1所示。從表1中可以看出，步行和非機動車適合近距離出行，公共交通的分擔(dān)率隨著出行距離的增加先增加后減少，而隨著出行距離的進一步增加，游客更傾向于選擇小汽車或其他（租車包車等）出行方式。各交通方式的平均出行距離如表2所示。

此外，各類出行方式的出行費用、安全性、方便性、舒適度等也是游客在選擇時經(jīng)?？紤]的影響因素，這些又與游客自身屬性息息相關(guān)。

2.2 出行者屬性

游客是否擁有汽車或自行車，對交通方式選擇有重要影響。有車的游客自然會優(yōu)先考慮自駕游，特別是在距離較遠的景點，隨處可見來自全國各地的汽車。但是在短途出行中，由于停車受限、取車不便等因素，部分游客選擇把車停在賓館，而選擇步行或公交等方式。

表1 出行距離與出行方式統(tǒng)計表

表2 各類交通方式的平均出行距離

此外，游客的性別、年齡、職業(yè)、收入、旅行目的等也對出行方式的選擇有一定影響。例如在每年來拉薩的眾多游客中，大部分是單純地觀光，順便購物，也有很大一部分是來朝拜。由于后者出行方式較為固定，本文只討論前來觀光購物的游客的出行行為。

2.3 景點特性

景點與市區(qū)的距離是影響游客出行方式選擇最主要的因素。此外，景點交通服務(wù)設(shè)施建設(shè)、海拔高度、天氣、季節(jié)性等也是游客選擇出行方式時所要考慮的因素。例如，某些景點停車位不足，游客前往必須換乘公共汽車；海拔過高的景點如納木措湖等，體質(zhì)弱的游客易產(chǎn)生不適而影響出行；天氣惡劣，騎行者們會臨時選擇汽車出行。青藏旅行有著明顯的季節(jié)性特征，由于該地區(qū)地廣人稀，旅游淡季的交通問題不明顯，本文只討論旅游旺季的游客出行特征。

3 NL模型的建立

3.1 建立選擇樹

根據(jù)拉薩游客的出行特征，將選擇方案分為兩個層次。其中景點選擇將給游客產(chǎn)生更大的影響，故將其作為第2水平的節(jié)點；出行方式作為第1水平的節(jié)點，與水平2上的節(jié)點連接。

（1）景點選擇肢的劃分方法

拉薩及其周邊景點眾多，如市內(nèi)的布達拉宮、大小昭寺、羅布林卡等以及周邊納木措湖、羊卓雍措湖、日喀則等皆是聞名遐邇的旅游勝地，許多西藏出游的游客夜晚選擇住宿拉薩，為簡化模型結(jié)構(gòu)，且不至影響出行分析的精度，將景點劃分為兩個選擇肢，即拉薩市區(qū)和拉薩周邊。

（2）出行方式選擇肢劃分方法

出行方式的劃分直接影響模型參數(shù)標(biāo)定的結(jié)果，為比較不同劃分方式對模型標(biāo)定的影響，本文選取兩種劃分方法：方法1劃分為步行、自駕（包括私家車和自行車）、公共交通（包括公交和班車）、租車（包括出租車、旅行社包車和人力三輪車）；方法2劃分為步行、非機動車（包括自行車和人力三輪車）、公共交通、小汽車（包括私家車和出租車）。

兩種方法的NL模型的結(jié)構(gòu)如圖1和圖2所示：

圖1 方法1 NL模型結(jié)構(gòu)圖

圖2 方法2 NL模型結(jié)構(gòu)圖

第n個游客選擇水平1上的任意選擇方案（rm）的概率Pn（rm）應(yīng)該等于在選擇了m條件下的選擇了r的條件概率Pn（r|m）與選擇了m的概率Pn（m）的乘積，即：

式中：Mn為出行者n的水平2的選擇方案個數(shù)；Rmn為出行者n的與節(jié)點m相結(jié)合的水平2的選擇方案數(shù)。

式中：Umn為出行者n選擇了方案（rm）時的效用；V（r|m）n、V（r'|m）n分別為在出行者n選擇了方案（rm）、（r'm）時，效用由于（rm）、（r'm）和m的組合而變化部分的固定項；Vmn、Vm'n分別為在出行者n選擇了方案（rm）、（r'm）時，效用中與r無關(guān)，而僅隨m變化部分的固定項；ε（r|m）n為在選擇了m條件下的選擇了（rm）的效用的概率項，設(shè)其服從均值為0，方差為的二重指數(shù)分布；εmn為在選擇了m的效用的概率項，設(shè)其服從均值為0，方差為的二重指數(shù)分布［9］。

3.2 確定效用函數(shù)和特性變量

（1）西藏旅游的特殊性及其對旅游者出行行為的影響

旅游者對西藏充滿憧憬，具有一定的“西藏情結(jié)”，長距離的旅游消費成為多數(shù)人的愿望。雖然承受了很多生理上的不適，在深入認(rèn)識西藏后，旅行者的評價經(jīng)常上升到精神層面，西藏旅游被認(rèn)為是“心靈之旅”， 游客的主觀出行意向比較強烈?？紤]到游客主觀意向?qū)x擇行為的影響，許多在出行選擇時的考慮因素如舒適性、方便性、費用等都淡化了，游客為了成功游覽景點可以付出一定的代價。

（2）主觀意向修正系數(shù)的引入與確定

為了更好地詮釋拉薩游客的主觀選擇行為，在景點選擇肢的效用函數(shù)中引入主觀意向修正系數(shù)α，出行者n的總效用Vrmn為水平1的效用V（r|m）n與水平2的效用Vmn之和，即

式中：β、θ分別為水平1和水平2的未知參數(shù)向量；X（r|m）n、Xmn分別為水平1和水平2的特性變量向量；Α為游客主觀意向修正系數(shù)，α＞0。

假定α初始值為1，此時主觀意向?qū)x擇行為無影響；當(dāng)α＞1時，主觀意向?qū)x擇行為有正影響，且α值越大影響作用越大；當(dāng)0≤α＜1時，主觀意向?qū)x擇行為有負影響，且α值越小影響作用越明顯。α值可根據(jù)調(diào)查數(shù)據(jù)以及出行者對旅游活動認(rèn)知的情感分析結(jié)果最終確定。

通過內(nèi)容分析軟件ROST CM6對旅游網(wǎng)站上最新的118篇拉薩游記進行分析，利用“情感分析”模塊分析可得出拉薩旅游者的“情感分布視圖”。樣本游記表述的內(nèi)容是旅游者對西藏認(rèn)知和情感的直接表述，以此得出的拉薩旅游形象具有很好的客觀性。根據(jù)感知情緒的統(tǒng)計結(jié)果及主觀意向修正系數(shù)的閾值，對各類不同程度的感知情緒進行數(shù)字化處理，計算其綜合感知指數(shù)，從而確定結(jié)果主觀意向修正系數(shù)的值，結(jié)果如表3所示。

綜上所述，最終確定主觀意向修正系數(shù)α的值為1.230 2。首先令α取初始值1，將預(yù)測結(jié)果與實際選擇結(jié)果作對比，計算其誤差值；然后取α值為1.23，再次預(yù)測檢驗。對比兩次預(yù)測的誤差，從而驗證引入主觀意向修正系數(shù)的合理性。

表3 拉薩旅游感知情緒綜合指數(shù)

（3）特性變量與數(shù)據(jù)結(jié)構(gòu)的確定

通過2015-07對拉薩游客的出行調(diào)查數(shù)據(jù)初步分析，性別和職業(yè)對游客出行方式的影響不大。在眾多的游客中，男女比例約為6∶4，但各類出行方式的載客量男女比例約為5∶5（自駕除外，男性居多）。另外，選擇各類出行方式的游客職業(yè)種類繁多，沒有明顯的集聚現(xiàn)象。而游客年齡越大，收入越高，越傾向于選擇方便舒適的出行方式。因此，確定水平1的特性變量為年齡、收入、是否有私家車；確定水平2的特征向量為出行費用和行程時間。方法1的NL模型特性變量以及數(shù)據(jù)的結(jié)構(gòu)如表4所示，方法2的與方法1類似。

表4 NL模型特性變量以及數(shù)據(jù)的結(jié)構(gòu)（方法1）

根據(jù)表4建立的效用函數(shù)式如下：

3.3 確定極大似然函數(shù)與參數(shù)估計

極大似然函數(shù)L*的形式如下：

對數(shù)似然函數(shù)

利用分段估計法對模型參數(shù)進行標(biāo)定：

（1）求使L1最大的參數(shù)的估計值，用β對L1微分，并將代入通過微分得到的K1階向量，計算

（4）將V視作分階段估計法的協(xié)方差矩陣，利用計算和的t檢驗值，其中Vk為V的第k個對角元素。

（5）計算其他統(tǒng)計量。

其中Jn為出行者n的選擇方案的個數(shù)。

3.4 預(yù)測結(jié)果分析

（1）初始預(yù)測結(jié)果

首先令α取初始值1，模型參數(shù)標(biāo)定結(jié)果如表5所示。從表5可以看出：（1）各變量的t值絕對值均大于1.96，因此，在5%的置信水平上，所選變量對選擇行為有影響。其次，均在0.2~0.4之間，因此可以認(rèn)為所得到的模型精度符合要求。（2）從模型參數(shù)的符號來看，出行費用、行程時間和年齡均為負值，說明隨著這些變量的增加，選擇的效用降低；而收入、是否有私家車為正值，說明隨著這些變量的增加，選擇的效用增加，與事實基本相符，可以認(rèn)為結(jié)果是合理的。（3）水平1的固有啞元的參數(shù)符號為負，且絕對值較大，說明還存在其他對出行方式選擇影響較大的因素。（4）方法1的優(yōu)度比的值要大于方法2，說明方法1的精確度比方法2的高。

故按照方法1的劃分方法，根據(jù)參數(shù)標(biāo)定值可得出行者n選擇各類出行方式的概率，并通過對模型概率集計得出各類出行方式的分擔(dān)率預(yù)測值，與原始分擔(dān)率的比較如表6所示。

表5 NL模型參數(shù)標(biāo)定結(jié)果

表6 NL模型集計結(jié)果與原始數(shù)據(jù)比較表

從表6可以看出，利用方法1的NL模型對拉薩游客出行方式選擇概率的預(yù)測值，與拉薩市內(nèi)的近距離出行實際選擇情況比較符合，但是與拉薩周邊的遠距離出行實際選擇結(jié)果相比，則預(yù)測誤差較大，尤其是在選擇概率較小的情況下。這也說明了在遠距離出行中，游客的選擇行為將受更多因素的影響。

此外，影響游客出行方式選擇的因素除模型中所列的年齡、收入和是否有私家車之外，還存在其他影響較大的因素沒有考慮；其中年齡的參數(shù)為負，說明隨著年齡的增長，出行效用降低，而實際上出行效用是先增加后降低的，這里應(yīng)考慮年齡段的劃分；主觀意向修正系數(shù)α取初始值，假定其對選擇結(jié)果無影響，與實際不符，說明還存在游客的主觀意向因素對選擇結(jié)果影響較大。

（2）模型的修正

根據(jù)初始預(yù)測結(jié)果的分析，在考慮游客主觀意向的同時，取α值為1.23，并將游客年齡劃分為3段：25歲以下為年齡段1，25~50歲為年齡段2，50歲以上為年齡段3。根據(jù)上述步驟重新對模型進行標(biāo)定計算，得出最終選擇結(jié)果如表7所示。

從表7可以看出，修正后的NL模型對拉薩游客出行方式選擇概率的預(yù)測值，與原始數(shù)據(jù)的相對誤差的絕對值均在20%以內(nèi)，模型的精度較高，該預(yù)測結(jié)果與實際調(diào)查數(shù)據(jù)比較接近，與實際選擇情況相符，是合理的。

表7 NL修正模型集計結(jié)果與原始數(shù)據(jù)比較表

4 結(jié)論

（1）通過對參數(shù)檢驗結(jié)果的分析，認(rèn)為兩種模型的精度均符合要求，而不同的劃分方式對模型標(biāo)定結(jié)果的影響也不同，這里方法1要優(yōu)于方法2，說明在拉薩以游客的出行意向為出發(fā)點劃分交通方式比僅僅考慮各類交通方式特點的傳統(tǒng)劃分方法更符合實際情況。

（2）引入游客主觀意向修正系數(shù)α，并細化選擇肢的特性變量后，模型的精度得以提高，預(yù)測結(jié)果更加有效地反映了拉薩游客出行方式的選擇行為。

（3）模型還有一些不足的地方需要改進，利用拉薩游客出行意向調(diào)查數(shù)據(jù)和網(wǎng)絡(luò)游記情感分析標(biāo)定主觀意向修正系數(shù)雖然具有一定的可行性，但與樣本的選取存在較強的相關(guān)關(guān)系，標(biāo)定結(jié)果也具有一定的波動性。

［1］楊勵雅，邵春福，HAGHANIA.出行方式與出發(fā)時間聯(lián)合選擇的分層Logit模型［J］.交通運輸工程學(xué)報，2012，12（2）：76-83.

［2］唐潔，雋志才，高林杰. 城市居民出行空間和方式聯(lián)合選擇模型研究［J］.公路交通科技，2010，27（5）：83-87.

［3］姚麗亞，孫立山，關(guān)宏志. 基于分層Logit模型的交通方式選擇行為研究［J］.武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2010，34（4）：738-741.

［4］Lemp J D，Kockelmen K M，Damien P. The Continuous Cross-Nested Logit Model：Formulation and Application for Departure Time Choice［J］. Transportation Research Part B：Methodological，2010，44（5）：646-661.

［5］Lahipi K，GAO Jian. Bayesian Analysis of Nested Logit Model by Markov Chain Monte Carlo［J］. Journal of Econometrics，2002，111（1）：103-133.

［6］劉美琪，焦朋朋，杜林.考慮家庭約束的出行方式選擇行為研究［J］.長安大學(xué)學(xué)報（自然科學(xué)版），2015，35（s1）：279-284.

［7］吳麟麟，盧海琴，汪洋等.引入忠誠度變量的城際出行方式動態(tài)選擇行為研究［J］.公路交通科技，2014，31（11）：123-129.

［8］李華民，黃海軍，劉劍鋒.混合Logit模型的參數(shù)估計與應(yīng)用研究［J］.交通運輸系統(tǒng)工程與信息，2010，10（5）：73-78.

［9］關(guān)宏志.非集計模型—交通行為分析的工具［M］.北京：人民交通出版社，2004.