基于SEM-Logit整合模型的旅游铁路交通出行分担率预测

仇智勇，岳鑫，周建尧*，段冉冉

1.中国中铁二院工程集团有限责任公司 交通与城市规划设计研究院，四川 成都 610031;2.西南交通大学 交通运输与物流学院，四川 成都 611756

0 引言

都江堰至四姑娘山山地旅游铁路是全国首个山地旅游轨道交通项目，具有旅游、扶贫、交通出行等多种示范性意义。随着社会经济的发展，旅游出行需求日益旺盛，旅游交通规划与管理逐渐引起交通行业的关注和重视[1-2]。旅游铁路是以服务旅游出行为主导，通过串联沿线旅游资源带动经济效益提升为目的，为衔接旅游目的地进行观光、游览、休闲、娱乐等活动而提供交通运输服务的客运专线铁路，通常可以利用构建离散选择(Logit)模型的方法分析旅游铁路出行方式的影响因素。

旅游出行行为最突出的特点是旅游者个体的复杂性和旅游活动的随机性，因此需要把握旅游出行的独特需求及特征，剖析旅游人群的出行方式选择机理，分析影响旅游铁路选择概率的关键因素，保证旅游铁路规划工作的科学性。

现有旅游交通客流预测的相关研究主要从旅游交通定义、旅游出行特征、客流预测分析框架等方面展开，旅游出行方式选择机理主要借鉴城市内出行、城市对外出行交通方式选择预测的非集计模型[3-5]。关宏志等[6]分别从广义和狭义角度对旅游交通进行界定，提出旅游交通规划的基本理论及方法。徐海静[7]通过分析影响旅游交通出行的景区、游客、交通阻抗3类主要因素，结合旅游交通出行特征建立一套适用于旅游交通出行需求预测的四阶段法基本框架。Ding等[8]根据游客个人属性和旅游出行数据，对游客进行聚类分析，研究游客公共交通和私家车的选择行为。李国芳等[9]以旅游交通为切入点，建立分层Logit模型对成都市游客的交通出行选择进行量化研究。

相比通勤出行，旅游出行不仅考虑出行时间和出行成本，更多的向观光、舒适、接驳便捷等需求转移[10-11]。Logit模型在分析市内通勤出行交通方式选择中具有强有效的解释能力，但无法考虑难以直接观测的态度感知(如舒适度、方便程度等)对旅客出行决策行为的影响，许多研究在原有Logit模型的基础上引入结构方程模型(structural equation modeling，SEM),以期在出行方式划分预测效果上实现优化改善。叶玉玲等[12]在解析城际出行链的基础上，将心理潜变量引入Logit模型，构建SEM-Logit模型分析城际出行方式的选择。Si[13]等构建SEM-Logit模型分析乘客对出租车和网约车2种交通方式的选择行为，表明便利性、经济性等潜变量会显著影响乘客的出行方式选择行为，且引入潜变量的模型解释能力更优。

现有关于旅游出行行为的研究较为分散，并未针对旅游客流人群的特殊性来剖析旅游出行对舒适、观光等追求“旅”的娱乐需求特征，缺乏剖析旅游铁路这种“新”的旅游出行方式带来的冲击和影响。都江堰到四姑娘山旅游铁路正处于规划阶段，在此背景下，本文考虑旅游出行人群“旅”的需求特征，构建SEM-Logit模型；并设计行为偏好(revealed preference，RP)问卷分析旅游需求特征，将SEM-Logit模型应用到都江堰到四姑娘山旅游通道，预测旅游交通方式的分担率，为旅游铁路规划提供支撑和借鉴。

1 影响旅游出行方式选择的因素

为了描述主观因素在出行者决策过程中的影响，出行方式选择行为模型不仅应包括确定的显因素，还应包括无法直接测量的因素(如出行者人格特质、感知、态度等)，即潜变量。针对出行选择行为潜变量的选择，城市出行和城际出行研究中一般选择经济性、安全性、方便性、可靠性等描述出行者的态度感知[12-17]。旅游出行在便捷接驳方面比通用交通要求更高，且追求“旅”的过程的娱乐性，有关调查结果显示，观光和休闲度假是旅游的主要目的。

为体现旅游出行独特的需求特征，本文选取便捷性、舒适性和观光性作为潜变量，探究其对旅游出行方式选择的影响[18]。

1)舒适性

旅游出行应该是一个放松、享受的过程，对出行过程的舒适性感知要求较高。旅游出行的舒适性主要通过乘坐的交通工具以及出行过程中所享受到的服务来体现。

2)观光性

游客出行过程中主要通过观看电子产品、休息和观看沿途风景等打发时间，沿途优美的风景会增加游客旅游的愉悦感，减少出行疲惫感和无聊感。旅游出行的观光性主要通过游客对车外自然风光视觉感受的满意程度来衡量。

3)便捷性

旅游景点(尤其是特色风景区)的地理位置大多不在城市中心，通达旅游景点的交通方式较少，到达旅游景区交通方式的便捷程度也是影响游客出行方式选择的重要因素。便捷性主要包括游客对景区的可达性、交通接驳是否方便等方面的满意程度。

潜变量无法直接度量，为观测便捷性、舒适性和观光性3个潜变量，设计可观测变量来间接观测影响旅游出行方式选择的潜变量，并通过构建SEM模型来描述潜变量与观测变量之间的相关关系。观测变量的问题设置和特性描述如表1所示。

表1 潜变量与对应的观测变量及特性描述

2 SEM-Logit整合模型

本文从出行需求出发，借鉴已有研究，在考虑影响出行方式选择易观察的显变量基础上，同时考虑无法直接观测的潜变量对旅游铁路出行选择的影响，构建SEM-Logit整合模型研究旅游出行方式选择行为，进一步预测各交通出行方式的分担率[19]。其中SEM主要用于描述出行方式选择潜变量与其对应的观测变量之间、潜变量与显变量之间的相关关系，Logit模型用于表示选择某一出行方案的概率与影响该决策的潜变量、显变量之间的非线性函数关系[20-21]。

2.1 Logit模型

传统Logit模型假设出行者为理性人，能够感知选择枝相关的全部信息，并选择效用最大的方案，出行方案效用通过一个固定项和一个随机误差项εin来反映。但传统Logit模型并未考虑影响出行选择行为的出行态度等潜变量。本文为描述潜变量对出行总效用的影响，将潜变量添加进固定项，使效用函数既包括出行者个人属性(性别、年龄、收入)、出行方式属性(费用、时间)显变量，又涵盖出行态度感知潜变量，提高模型的解释力。改进的Logit模型的效用函数[22]

(1)

式中：i为选择方案，n为出行者个数，l为出行者个人可直接观测特性的个数，q为出行方式可直接观测特性的个数，k为潜变量个数，siln为出行者个人可直接观测特性显变量，ziqn为出行方式可直接观测特性显变量，ηikn为潜变量，ail、biq、cik为待估参数[23]。

构建考虑潜变量的Logit模型出行方式选择函数

式中：Uin、Ujn分别为出行方案i和j的效用；din=0表示出行者n不选择方案i，din=1表示出行者n选择方案i；An为出行方案的集合。

2.2 SEM-Logit整合模型

式(1)中ηikn是未知量，根据SEM模型理论，ηikn由出行者个人特性变量的全部或者一部分表示，同时，ηikn可通过其对应的一系列观测指标变量yitn来描述，有：

(2)

(3)

式中：r为与潜变量存在相互关系的显变量个数，t为潜变量对应的观测变量个数，xirn为与潜变量存在相互关系的显变量，λikn为待估计的潜变量适配系数,γikt为待估中间参数，ζikn为观测变量误差，ξitn为中间变量误差。

式(1)中的εin不可观测，由许多对选择方案影响较小的误差组成，用来解释未包括在模型中的变量，假设εin服从Gumbel分布，根据效用最大化理论，出行者选择方案i的概率[24]

(4)

2.3 模型求解

本文采用统计产品与服务解决方案(statistical product and serlice solutions,SPSS)、Amos及交通规划与需求预测(TransCAD)软件完成模型的求解，具体步骤为：

1)人群分类

研究发现，外地游客与本地游客的游玩时间安排、游览线路及客流量稳定性等方面均存在差异[25]。本地游客由于居住地的地理位置优势，对旅游的安排更具有随意性，可实现即游玩即返回，对出行方式的费用感知、舒适性追求等旅游出行需求不同于外地游客。为区分不同来源地游客的个人选择偏好，并确保模型的准确性，需要将调查数据按照来源地(本地游客、外地游客)进行分类。

2)估计SEM

将调查问卷所得原始数据输入SPSS，根据原始数据在Amos软件中建立SEM的观测变量、显变量和潜变量之间的假设逻辑关系。在Amos软件中点击运行可得路径系数的估计结果，对路径系数进行标准化处理得到各潜变量的适配系数λikn。

3)求解SEM-Logit模型

将出行者个人属性、出行方式属性及步骤2)估计得到的潜变量适配系数数据导入到TransCAD，求出式(1)(4)各变量的系数。

4)模型检验

对模型进行t检验，如果t检验值的绝对值大于1.96，则有95%的把握认为变量对选择结果产生影响，说明模型的精度较高；否则认为变量不会对选择结果产生影响，应该将该变量从Logit 模型中剔除，返回步骤3)，重新估计变量系数及计算t值，直到所有变量的t值均满足要求为止。

5)方式划分预测

基于预测年的经济发展情况及交通规划需求，对相关变量进行调整，在TransCAD中运行估计好的模型即可实现各交通方式客流量的分担比预测。

3 实例分析

3.1 问卷调查与数据分析

以都江堰至四姑娘山旅游铁路沿线通道景区的游客为研究对象，设计RP问卷研究旅游交通方式选择行为，从而预测旅游出行方式的分担率。目前，前往沿线通道景区的交通方式仍以公路为主，未来随着旅游铁路的建设运营，旅游客流的出行方式会更加多样化，主要考虑旅游铁路、旅游巴士、小汽车3种交通方式，分析旅游铁路建设导致的交通方式分担率的变化。问卷共包含与出行者个人属性变量、出行方案特性变量和个人态度感知潜变量有关的因素。出行者个人属性变量分别包括性别、年龄和收入；出行方案特性变量分别为费用和车内时间；潜变量分别为舒适度、观光性和便捷性。旅游铁路、小汽车、旅游巴士3种交通方式所需时间分别为2.0、4.0、4.1 h，每人所需费用分别为200、120、80元。

调查共回收有效问卷1000份，其中，外地游客问卷520份，本地游客问卷为480份，满足模型构建的数据样本量要求。

3.2 模型预测结果

利用外地和本地两类不同来源地的游客数据进行模型参数估计和预测。在Aoms软件中构建SEM模型的假设逻辑关系，即个人属性变量、潜变量和其观测变量之间的假设逻辑关系，如图1所示，图中e1～e12为相应观测变量误差，即为式(2)中的ζikn。

通过SPSS软件将获得的520份本地游客和480份外地游客调查数据(包括个人属性数据、潜变量对应的各观测变量数据)加载到SEM模型，在Amos软件中点击运行可得路径系数的估计结果，再点击标准化，即可得到适配系数。图1为以外地游客为例的模型分析结果，箭头上数字为路径系数，表示各观测变量与潜变量相应的影响程度，数值越大影响程度越大。

图1 旅游铁路出行选择SEM模型预测结果

旅游铁路、旅游巴士、小汽车3交通方式对应的潜变量与其观测变量之间的路径系数如表2所示，以旅游铁路出行方式为例，舒适性潜变量与其观测变量的路径系数分别为0.62、0.61和0.58，在Amos软件中将路径系数标准化处理后，得到的适配系数分别为0.343、0.337、0.320，同理可得其余2个潜变量的适配系数；在α=0.05的显著性水平下3个潜变量的t检验值的绝对值均大于1.96，说明模型精度较高。

表2 观测变量与潜变量的影响关系

由式(2)(3)及表2可得旅游铁路舒适性、观光性和便捷性的潜变量分别为：

η11n=0.343y11n+0.337y12n+0.320y13n，

(5)

η12n=0.301y14n+0.358y15n+0.341y16n，

(6)

η13n=0.337y17n+0.346y18n+0.317y19n。

(7)

同理可得旅游巴士舒适性、观光性和便捷性的潜变量η21n、η22n、η23n、η31n、η32n、η33n。

在TransCAD中构建包含旅游铁路、旅游巴士和小汽车3个选择枝的选择构架，并对各属性变量进行定义，由式(1)可得各选择枝的效用函数

U1n=α1+a11s11n+a12s12n+a13s13n+b1z11n+b2z12n+c1η11n+c2η12n+c3η13n，

(8)

U2n=α2+b1z21n+b2z22n+c1η21n+c2η22n+c3η23n，

(9)

U3n=b1z31n+b2z32n+c1η31n+c2η32n+c3η33n。

(10)

将各个潜变量(式(5)～(7))及调查问卷得到的旅客性别、年龄、收入及所选交通方式的费用和时间代入到TransCAD软件中，求解模型可得旅游铁路和旅游巴士的常数项变量α1、α2估计值以及其他各参数值，带入式(8)～(10)得旅游铁路、旅游巴士和小汽车最终的效用函数分别为：

(11)

(12)

(13)

模型估计完成后对模型精度进行t检验，所有属性变量t检验的绝对值均大于1.96，各属性变量对选择结果均产生影响，模型显著有效。

3.3 旅游出行方式分担率预测

基于2022年交通与经济的适应情况，调整旅游铁路的费用为220元、时间为1.5 h，将调整后的数据导入TransCAD软件中，由式(11)～(13)计算得到各交通方式的效用函数值，利用式(5)计算外地游客对交通方式的选择概率，即2022年旅游铁路、旅游巴士、小汽车的分担率分别为51.22%、19.69%、29.09%。

同理，得到针对本地游客预测的2022年旅游铁路、旅游巴士、小汽车的分担率分别为35.19%、18.56%、46.25%。最后，根据外地游客和本地游客的调查样本数量，确定两类游客的权重分别为0.52和0.48，对两类游客预测得到的交通出行方式分担比进行加权平均，得到2022年旅游铁路、旅游巴士、小汽车的分担率分别为43.52%、19.15%和37.33%。

4 结语

基于旅游出行的特性需求，综合考虑易观察的个人社会经济特性、交通方式属性和不易直接测量的舒适性、观光性、便捷性潜变量对出行方式选择的影响，构建SEM-Logit旅游铁路出行选择模型以预测都江堰至四姑娘山旅游铁路的出行需求。

基于SEM-Logit模型，当旅游铁路的票价设定为220元时，计算得到2020年旅游铁路、旅游巴士、小汽车的分担率分别为43.52%、19.15%和37.33%。充分表明都江堰至四姑娘山旅游铁路能够在实现游客与景区间快速直达的基础上，提高游客出行的总体满意度，对推动沿线旅游服务业的发展和提高沿线居民生活水平具有重要的实际意义，预测结果可为处于规划阶段的都江堰到四姑娘山旅游铁路的项目建设提供参考。