Chinese  |  English

Journal of Tsinghua University(Science and Technology) >

2025 , Vol. 65 >Issue 5: 959 - 969

DOI: https://doi.org/10.16511/j.cnki.qhdxxb.2024.21.042

Vehicle and Traffic

Analysis of mobility as a service solution option in tourism traffic scenarios

  • Yilin SUN 1, 2 ,
  • Shujie CHEN , 1, * ,
  • Pei HUANG 2
Expand
  • 1. Polytechnic Institute, Zhejiang University, Hangzhou 310058, China
  • 2. College of Civil Engineering and Architecture, Zhejiang University, Hangzhou 310058, China

Received date: 2024-09-12

  Online published: 2025-04-15

Copyright

All rights reserved. Unauthorized reproduction is prohibited.
Fold

Abstract

Objective: Mobility as a service (MaaS) plays a critical role in urban transportation networks, leveraging communication technologies to provide integrated travel information while promoting sustainable development. Despite its importance, the application of MaaS in tourism traffic still needs to be explored. Methods: This study focused on tourists visiting Hangzhou and designed a survey questionnaire for data collection. A combined approach of stated preference and revealed preference methods was employed to examine travel behavior within the context of tourism traffic. Using data from an online platform, the study analyzed tourists' travel mode choices and their preferences for different MaaS solutions. First, a nested Logit model was developed, with the upper level representing multimodal transportation choices while the lower level analyzed their MaaS solution selections. Influencing factors were categorized into three main groups: individual characteristics, household attributes, and travel-related factors. Given the potential nonlinear relationships between these influencing factors and MaaS solution choices, a light gradient boosting machine model was further applied. This machine learning model explored interactive effects between various factors on MaaS choice, such as how age and income jointly influence MaaS preferences or how the choice of tourist attractions relates to tourist demographics. To further elucidate the collaborative effects of key factors, the Shapley additive explanations method was incorporated to interpret the collaborative effects of multiple factors on MaaS decisions. Results: The results indicate a strong connection between MaaS solution choices and tourists' preferred travel modes, validating the use of the nested logit model. Several key factors emerged as significant influencers of MaaS preferences, including income, occupation, household lifecycle, daily travel habits, and the type of tourist attractions visited. Specifically, self-employed individuals, those who frequently use public transport, and tourists who plan fewer bus trips showed a preference for MaaS solutions combining discounts on subways and taxis. Groups traveling with elderly individuals or those accustomed to "public transport and private car" habits leaned toward MaaS solutions that offer unlimited subway rides. Additionally, the type of tourist attractions plays a crucial role in shaping MaaS preferences. Tourists visiting commercial, entertainment, or cultural heritage sites, particularly from lower-income groups, chose MaaS solutions with unlimited bus rides. Meanwhile, those visiting historical landmarks favored taxi-centered MaaS options. Tourists aged 45 and above were less likely to select MaaS solutions with unlimited subway rides as their income rose. Older tourists visiting historical sites showed a stronger preference for MaaS solutions, prioritizing taxi services. Public transport users who gravitate toward subway-based MaaS solutions share common traits, such as being in low-income groups, self-employed, traveling with elderly companions, and regularly transferring between public transport modes in their daily routines. Conclusions: These findings can guide public transportation agencies, tourism operators, and other stakeholders in designing user-centered MaaS solutions. By segmenting users based on demographics and travel habits, personalized travel services can be created to improve the applicability of MaaS in tourism transportation. The conclusions of this study have significant implications for promoting the use of public transportation, improving the operational efficiency of multimodal urban transportation networks, and increasing the attractiveness of transportation options for tourists.

Key words： tourism transportation; mobility as a service; nested logit model; light gradient boosting machine

Cite this article

Yilin SUN , Shujie CHEN , Pei HUANG . Analysis of mobility as a service solution option in tourism traffic scenarios[J]. Journal of Tsinghua University(Science and Technology), 2025 , 65(5) : 959 -969 . DOI: 10.16511/j.cnki.qhdxxb.2024.21.042

据文化和旅游部统计，2023年国内出游人次48.91亿，比上年同期增加23.61亿，同比增长93.3%[1]。随着旅游人次的激增，旅游交通供需矛盾日益突出，导致了多种旅游出行问题如旅游景点人车过度拥挤、出行体验差等。人们对替代私家车并进行综合规划的创新交通服务的需求日益增加。近年来，出行即服务(mobility as a service, MaaS)使得结合传统和创新的交通方式成为可能，该平台整合了多模式旅行信息，使旅行者能够便捷高效地规划出行，提升出行体验[2]。王月等[3]提出一种低碳导向的多模式交通出行服务定价调节策略，优化网络出行结构。李婉莹等[4]研究了MaaS环境下，考虑决策者社会偏好特征的旅游出行服务产品的定价策略及服务链收益问题。Matyas等[5]以伦敦为研究区域进行出行意向调查，研究了不同类型MaaS订阅计划的个人偏好。Caiati等[6]在荷兰进行了一项陈述偏好调查，以了解MaaS产品的市场潜力。Ho等[7]探讨了用户日常出行中不同订阅模式的需求以及对MaaS的支付意愿存在的偏好差异。Kim等[8]研究了交通出行方式的服务水平和用户的日常出行行为对MaaS选择偏好的影响。杨敏等[9]针对不同敏感特性的旅客提出了公铁联程出行方案推荐方法。由于每天的出行方式和时间的不规律性，MaaS在日常出行和旅游出行场景中的应用存在明显差异。目前的研究主要聚焦于MaaS在日常出行场景中的应用，尚未充分探讨其在旅游出行领域的应用潜力。
学者们已开展广泛研究来分析MaaS方案选择及影响因素。荷兰的出行者使用MaaS的意愿不强烈[5]，而澳大利亚、芬兰的出行者则对使用MaaS持积极态度。Vij等[10]发现墨尔本、堪培拉和悉尼是MaaS试验和早期推出的良好市场，消费者更喜欢即用即付计划，而非捆绑订阅模式。Liljamo等[11]研究发现43%的芬兰受访者愿意使用MaaS出行，平均支付意愿约为140欧元。Guidon等[12]在瑞士苏黎世通过离散选择实验研究用户对MaaS服务捆绑包偏好和支付意愿。Krauss等[13]指出，共享出行方式的使用对MaaS捆绑包的使用率有积极影响，而汽车的使用对捆绑包的使用率有消极影响。使用陈述偏好调查收集个人对MaaS偏好数据的研究倾向于使用离散选择模型进行分析。Caiati等[5]构建混合Logit模型发现，社会经济属性、出行偏好与出行特征等均影响出行者对MaaS方案的偏好。Kim等[14]运用混合Logit模型得出多模式个体属性、出行特性存在显著的交叉效应。Jang等[15]运用混合Logit模型研究个人在订阅MaaS方案时对出行方式捆绑的偏好，并分析了各种因素对用户选择的影响，结果表明MaaS方案的价格、使用时长对于用户的选择的影响是非线性的。Ratilainen等[16]构建了多项Logit模型进行分析，发现公共交通用户对订阅MaaS最感兴趣。
现有MaaS应用场景主要集中于日常通勤场景，MaaS与旅游交通的结合及应用较少，有待进一步结合国内旅游交通出行特征，设计MaaS方案并分析用户选择行为；非集计Logit模型分析出行行为已经相对成熟，融合新技术和新方法成为趋势。与日常出行相比，游客通常对目的地交通系统的了解不够全面，导致游客对公共交通或共享交通模式的偏好较低[17]，而MaaS可以通过提供综合信息帮助游客规划旅游出行方式。考虑到旅行者长期形成的旅游出行行为特点，设计旅游交通场景下的MaaS方案并研究其影响因素，对促进潜在用户群体使用公共交通、提高可持续交通模式的使用率，进而改善游客出行体验、提升旅游交通吸引力具有重要意义。
本文基于旅游出行数据，定量分析旅游交通场景下旅行者对MaaS方案的选择行为。首先，基于旅游出行调查数据，分析对旅行者选择MaaS方案的影响因素；其次，在考虑影响因素与MaaS方案的选择间存在非线性关系的情况下，进一步揭示主要影响因素间的协同作用以及该协同作用对MaaS方案选择的影响；最后，为丰富MaaS在旅游交通场景中的相关实践、改善旅游交通可持续发展提供建议。

1 实例调查

1.1 调查概述

本文以有意向前往杭州游览的旅行者为调查对象，设计调查问卷。采用意向调查(stated preference, SP) 和行为调查(revealed preference, RP)相结合的调查方法，分为预调查和正式调查。
预调查旨在获取旅游场景下出行者对出行方式类别、频率和里程的需求，以及MaaS使用意愿。通过预调查对问卷进行调整和完善，以便后续进行MaaS方案的偏好调查。
正式调查中的具体内容包括：
1) 个人社会经济属性，个人属性包括性别、年龄、居住地、职业、年收入等，家庭属性包括家庭人数、小汽车拥有量和家庭生命周期(分为单身家庭、无子女的年轻夫妇家庭、三代同堂家庭、有学前儿童两代核心家庭、有小学生两代核心家庭、有初高中生两代核心家庭、成年人家庭和其他家庭)。
2) 出行习惯，包括平日出行习惯和旅游出行习惯。
3) 赴杭旅行意愿，包括未来赴杭旅行时的旅游出行属性，即出行目的、同行者类型和人数、旅游的天数、游览景点类型等。
4) MaaS使用意愿和方案选择，包括MaaS的使用意愿、交通方式组合的选择和MaaS方案的选择。
预调查问卷和正式调查问卷分别于2022年1月31日至2月3日和2022年8月16日至8月22日通过线上问卷平台在全球范围内发放，分别回收有效问卷302和745份。
根据预调查结果，出行者交通需求比例分布如图 1所示。排名前三的单日出租车里程需求分别为 图 1 (0，10]、(10，20]、(20，30]km，约10%的出租车里程需求超过50 km。旅行者对公共交通的需求次数分布较为相似，比例最高的是单日使用1~2次公交(占比60.7%)和1~2次地铁(占比55.7%)。旅途中使用共享单车与不使用共享单车的比例约1∶1，其中单日使用共享单车1~2次的比例约35.3%。
图 1 游客对不同交通方式的需求比例
以地铁、公交、共享单车、出租车4种出行方式分析为基础，组合形成多模式出行方式，考虑各交通方式的频次、定价等，细化并设计MaaS方案。由于4种基本交通方式组合的MaaS方案较多，本文调查了杭州市公交、地铁、共享单车、出租车等出行方式的收费标准及优惠方案现状，结合MaaS方案设计经验和实例的研究共设计“地铁+公交”、“地铁/公交+出租车”、“地铁+出租车+共享单车”、“公交+出租车+共享单车”及“出租车+地铁” 5类组合出行方式[18-19]。以往研究表明，居民在享受原价至少6折优惠的基础上，才可能会订阅MaaS方案[11]。基于此，为各出行方式的属性及对应的属性水平设计提供参考。根据方案所含交通方式的使用量和价格，进一步分为9种MaaS方案，如表 1所示。
表 1 MaaS方案内容
交通方式 方案 具体内容 费用/元
地铁+公交 1 公交(6次)+地铁(折扣50%) 16
地铁/公交+出租车 2 地铁(折扣50%)+出租车(折扣30%) 28
3 公交(折扣50%)+出租车(折扣30%) 28
地铁+出租车+共享单车 4 地铁(35 km)+出租车+共享单车(2 h免费) 33
5 地铁(不限次)+出租车+共享单车(不限次) 40
公交+出租车+共享单车 6 公交(6次)+出租车+共享单车(2 h免费) 31
7 公交(不限次)+出租车+共享单车(不限次) 35
出租车+地铁 8 出租车(30 km)+地铁(折扣) 103
9 出租车(50 km)+地铁(折扣) 150

1.2 数据分析

数据统计结果见图 2，不同颜色的节点代表社会经济属性的各个类别，连接不同节点的灰色阴影部分代表流动路径，其宽度为所占比例的大小。样本年龄范围总体处于18~60岁，均值为37岁左右，可见旅行者整体偏年轻。职业主要分为3大类，其中公司职员占比最高，约66%，个体经营者出行群体占比次之，其他无业群体占比最低。家庭规模均值为3人，属于三人户家庭的旅行者人数最多，比例约为54%。家庭生命周期方面，属于两代核心家庭(包括学前儿童两代核心家庭、有小学生两代核心家庭和有初高中生两代核心家庭)的旅行者占比最大，约为43%；其次，属于成年人家庭的占比约为29%；属于单亲家庭的占比最小，约为0.6%。
图 2 社会经济属性统计

2 嵌套Logit模型

2.1 模型原理及构建

嵌套Logit(nested logit, NL)模型[20]解决了多项Logit模型的无关方案独立性假设(independence of irrelevant alternatives, IIA)的缺陷，模型中的备选项被归集在同一巢中，并且这些巢之间彼此独立，而巢内的备选项彼此之间具有一定的相关性，可以更好地拟合出行方式与MaaS方案选择之间的影响关系。本文建立了图 3的两层NL模型，即旅行者在考虑出行方式类别的前提下，选择相应的MaaS方案。
图 3 NL模型结构图
MaaS方案选择模型的效用函数为
$V_{(i j) n}=\sum\limits_{k=1}^K \beta_k X_{i j n k}, \quad k=1, 2, \cdots, K .$
其中：V(ij)n为旅行者n选择MaaS方案mij的确定效用；Xijnk为影响旅行者n选择mij的第k个特征变量；βk为Xijnk的系数。
异质参数代表下层选择枝之间的异质性，其数学形式为下层所有选择枝确定效用和的自然对数[21]。出行方式选择模型的效用函数引入异质参数后的确定效用Vin*为
$V_{i n}^*=V_{i n}+V_{(i \mid j)_n}, $
$V_{i n}=\sum\limits_{l=1}^L \alpha_l X_{i n l}, $
$V_{(i \mid j) n}=\lambda \ln \left(\sum\limits_{j=1}^J \mathrm{e}^{V_{(i j) n}}\right).$
其中：Vin为旅行者n选择出行方式i的确定效用；V(i|j)n为引入的异质参数项；Xinl为影响旅行者n选择第i种出行方式的第l个特征变量；αl为Xinl的系数；λ为待估参数。
旅行者n选择mij的概率可以表示成多层条件概率Pn(ij)，其表达式为
$P_n(i j)=P_n(i) P_n(j \mid i), $
$P_n(i)=\frac{\mathrm{e}^{\left(V_{i n}+V_{(i \mid j) n}\right)}}{\sum\limits_{i=1}^I \mathrm{e}^{\left(V_{i n}+V_{(i \mid j) n}\right)}}, $
$ P_n(j \mid i)=\frac{\mathrm{e}^{V_{(i j) n}}}{\sum\limits_{j=1}^J \mathrm{e}^{V_{(i j) n}}}. $
其中：Pn(i)为旅行者n选择出行方式i的概率；Pn(j|i)为旅行者n选择出行方式i时，选择mij的概率。

2.2 模型标定

本文主要选取旅行者个人属性、家庭属性、出行习惯和旅游出行属性作为特征变量。NL模型的自变量详见表 2。使用极大似然估计法进行模型的参数估计，并剔除不显著的变量，通过Python Biogeme[22]进行模型未知系数的求解。模型标定后，采用异质参数和拟合优度对模型精度进行检验。异质参数的取值范围为0~1，说明嵌套结构成立。拟合优度用于评价模型的拟合程度，值为0.2~0.4即可认为模型具有良好的拟合效果。
表 2 特征变量表
属性 特征变量 取值
个人属性 个人年收入 [0, 8)万元取1；[8, 10)万元取2；[10, 15)万元取3；[15, 20)万元取4；[20, +∞)万元取5
职业 公司职员/公务员取1；个体户取2；其他取3
年龄 正整数
家庭属性 家庭人数 正整数
家庭生命周期 单身家庭取1；无子女的年轻夫妇家庭取2；三代同堂家庭取3；有学前儿童两代核心家庭取4；有小学生两代核心家庭取5；有初高中生两代核心家庭取6；成年人家庭取7；其他家庭取8
私家车拥有量 正整数
出行习惯 平日出行习惯 “地铁+公交”取1；“地铁+私家车”取2；“公交+私家车”取3；“地铁+公交+私家车”取4；“私家车”取5
旅游出行习惯 “地铁+公交”取1；“地铁+私家车”取2；“公交+私家车”取3；“地铁+公交+私家车”取4；“私家车”取5
旅游出行属性 有无老人同行 无取0；有取1
是否游览商业文娱景点 否取0；是取1
是否游览历史名胜景点 否取0；是取1
是否游览文化遗产景点 否取0；是取1
单日公交频次 正整数
同行者类型 独自出行取1；夫妻或情侣取2；家人或亲戚取3；朋友取4；其他取5
同行人数 正整数
旅游的天数 1 d取1；2 d取2；3 d及以上取3
以“地铁+公交”为参考类别，上层出行方式选择模型的参数标定结果如表 3所示。
表 3 上层出行方式选择模型参数标定结果
特征变量 系数
地铁/公交+出租车 地铁+出租车+共享单车 公交+出租车+共享单车 出租车+地铁
有学前儿童核心家庭 1.616** 1.035 2.930*** 2.110***
有小学生核心家庭 1.019 1.05 2.342*** 1.173
有初高中生核心家庭 0b 0b 0b 0b
旅行1 d －0.629 －0.102 －0.757* －0.850**
旅行2 d －0.042 0.025 0.261 －0.452
旅行3 d及以上 0b 0b 0b 0b
独自出行 －0.227 0.404 0.724 0.16
夫妻或情侣 0.546 0.212 0.515 0.616
家人或亲戚 0.996** 0.634 0.635 1.282***
朋友 0b 0b 0b 0b
单日公交频次0次 1.425** 1.673** －2.417*** 1.850***
单日公交频次1~2次 －0.072 0.33 0.394 0.127
单日公交频次3次及以上 0b 0b 0b 0b
不游览商业文娱景点 －0.650*** 0.362 0.039 －0.156
游览商业文娱景点 0b 0b 0b 0b
不游览历史名胜景点 －0.48 0.171 －0.153 －0.861***
游览历史名胜景点 0b 0b 0b 0b

注：* * *为P < 0.01，* *为P < 0.05，*为P < 0.1，分别表示参数在99%、95%、90%的置信水平下显著；0b表示以该类别为参考类别。

2.3 单因素效果分析

NL模型上层4个巢，即“地铁/公交+出租车”“地铁+出租车+共享单车”“公交+出租车+共享单车”“出租车+地铁”的异质参数分别为0.987、0.930、0.819、0.571，均小于1，表明模型上下两层之间具有相互影响关系，模型结构关系合理。上层子模型的拟合优度为0.396，下层4个子模型的拟合优度分别为0.339、0.221、0.211、0.202。由此可得，NL模型上下层参数拟合效果良好。对表 3的系数进行分析，可得出以下结论：
以“地铁+公交”为参考类别，和家人或亲戚出行时选择“出租车+地铁”的系数显著为正，说明和家人或亲戚出行对选择“出租车+地铁”产生了显著的正向影响，该类旅行者倾向于选择“出租车+地铁”出行。
以“单日公交频次3次及以上”为参考类别，单日公交频次为0的旅行者，选择“地铁+出租车+共享单车”的系数显著为正，说明其倾向于选择“地铁+出租车+共享单车”出行；选择“公交+出租车+共享单车”的系数显著为负，表明其选择“公交+出租车+共享单车”出行的可能性低。
以“游览历史名胜景点”的景点类别为参考变量，不游览历史名胜景点的系数显著为负，表明不游览历史名胜景点的旅行者选择“出租车+地铁”的概率较低。
职业、平日出行习惯、同行人数、是否有老人同行、游览景点类型、单日公交频次等是对MaaS方案选择行为的显著影响因素。根据表 4分析，可得出以下结论：
表 4 下层MaaS方案选择模型参数标定结果
特征变量 系数
方案2 方案5 方案7 方案9
个体经营者 2.456** — — —
有小学生核心家庭 3.147*** — — —
拥有1辆私家车 — — 0.970* —
独自出行 — — — －1.840**
平日出行习惯为“地铁+私家车” — 0.865* — —
平日出行习惯为“地铁+公交+私家车” — 1.459** — —
旅游出行习惯为“地铁+公交” 2.577** — — —
无老人同行 — －1.839** — －1.002*
游览商业文娱景点 — 0.776* — —
游览文化遗产景点 — — 0.908*** —
[0, 8)万元 — －2.019** — —
[8, 10)万元 — －1.886** — —
[10, 15)万元 — －1.584* — —
[15, 20)万元 — －2.204** — —
单日公交0次 — — －2.01*** —
单日公交1~2次 — — －0.745* —

注：* * *为P < 0.01，* *为P < 0.05，*为P < 0.1，分别表示参数在99%、95%、90%的置信水平下显著。

以“方案3”为参考变量，个体经营者、有小学生核心家庭、有“地铁+公交”旅游出行习惯的系数显著为正，说明该类旅行者选择方案2的概率更高。
有“地铁+公交+私家车”和“地铁+私家车”出行习惯的旅行者、游览商业文娱景点的系数显著为正，说明该类旅行者选择地铁不限次的方案5的可能性更高。同行者无老人的系数显著为负，表明有老人同行时旅行者更倾向于选择方案5。游览文化遗产景点的系数显著为正，说明游览文化遗产景点的旅行者选择公交不限次的方案7的可能性更高。
与个人年收入20万元及以上的出行群体相比，年收入20万元以下旅行者的系数均显著为负，说明低收入群体更倾向于选择方案4，而非方案5。

3 LightGBM模型

NL模型分析了单因素对MaaS方案选择的影响，为了进一步探究影响因素与旅行者MaaS方案选择间存在的非线性关系，本文构建了机器学习LightGBM模型，能准确地把握主要影响因素之间的协同作用及其对旅行者MaaS方案选择的影响。该模型是梯度提升决策树(gradient boosting decision tree，GBDT)算法的改进版本，可以实现快速高效地处理大规模和高维特征的数据[23-24]。

3.1 模型训练

本文在NL模型结构的基础上，对出行方式的选择构建了1个LightGBM模型；由于“地铁+公交”组合出行方式下的MaaS方案只有1种，其余组合方式下各有2种MaaS方案选项，因此只对MaaS方案的选择建立了4个LightGBM二分类模型，分别为“地铁/公交+出租车”“地铁+出租车+共享单车”“公交+出租车+共享单车”“出租车+地铁”MaaS方案选择模型。采用基于Python 3.12的scikit-learn包建立LightGBM模型，利用五折交叉验证来生成用于训练和验证的子样本，提高模型性能[25]。从经验出发，为了最大化预测性能，LightGBM的超参数设置运用开源超参数优化框架Optuna，以更少的计算成本获得更优性能。

3.2 模型评价

完成分类后，样本有真阳性(true positive, TP)、假阳性(false positive, FP)、真阴性(true negative, TN)、假阴性(false negative, FN)4种情况。准确率(accuracy)能反映模型对样本分类的正确率，精确率(precision)反映模型对正例样本的识别能力，召回率(recall)反映模型对正例样本的覆盖能力，F1值为精确率和召回率的调和平均数，公式分别如式(8) — (11) 所示。F1值常用于综合评价分类问题，其取值范围为0~1，越接近1表明模型性能越好。同时选取均方根误差RMSE作为模型预测精度的评价指标。
$\text { accuracy }=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}}.$
$\text { precision }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}.$
$\text { recall }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} .$
$F_1=2 \times \frac{\text { precision } \times \text { recall }}{\text { precision }+ \text { recall }} .$
由表 5可知，模型3、4、5的F1值均在0.7以上，且RMSE值相对较小，表明这3个模型的性能和预测精度较好。
表 1 LightGBM模型指标
模型 F1值 RMSE
1 0.45 1.67
2 0.59 0.64
3 0.82 0.42
4 0.73 0.52
5 0.72 0.53

3.3 因素协同效果分析

为分析LightGBM模型中的因子特征，研究各影响因素对MaaS方案使用意愿的非线性特征，采用Lundberg等[26]提出的SHAP理论进行解析。SHAP值的绝对值大小反映特征对模型结果的影响程度，正和负分别代表对模型结果产生的正向和负向影响。SHAP交互效应图横轴为主要特征的值，纵轴表示主要特征的SHAP值，数据点颜色从蓝色到红色表示交互特征的值逐渐增大。
图 4为年龄与收入的交互效应。图 4a和图 4b中，30~45岁旅行群体的SHAP值为正，45岁以上旅行群体的SHAP值为负，表明30~45岁的旅行群体更倾向于选择方案5和方案7。进一步分析图 4a中年龄和收入的协同关系，年龄在45岁以上时，蓝色点的SHAP值普遍较大，说明该年龄段的旅行群体随收入增高，选择地铁不限次的方案5的概率降低，与以往的研究结论一致[10]。图 4c中，18~25岁旅行群体的SHAP值基本为正，说明年轻群体更倾向于选择出租车和地铁为主的方案9；30~50岁的旅行群体中，SHAP值为正的旅行者收入普遍较高，说明收入高的旅行者选择方案9的概率更高。
图 4 年龄-收入对MaaS方案选择的协同影响
图 5表示景点类型和年龄的交互效应。旅行者要游览历史名胜景点时，图 5a中的SHAP值为负，说明其不倾向于选择方案5；图 5b中的SHAP值为正，说明其倾向于选择方案8。另外，旅行者要游览历史名胜景点时，随着图 5b中的样本点由蓝色(低年龄段)变为红色(高年龄段)，SHAP值明显增大，说明随着年龄增大，旅行者选择出租车为主的方案8的可能性更大。历史名胜多位于郊区，出行距离长，出租车出行时间短、可达性和舒适性高，会促进游客对出租车为主的方案的选择[27]。旅行者要游览文化遗产景点时，图 5c中的SHAP值为正，说明旅行者倾向于选择地铁不限次的方案5；图 5d中的SHAP值为负，说明旅行者不倾向于选择出租车和地铁为主的方案9。
图 5 景点类型-年龄对MaaS方案选择的协同影响

4 结论

本文基于旅游交通场景下的出行调查数据，定量分析旅行者MaaS方案选择行为。构建嵌套Logit模型，量化个人属性、家庭属性和旅游出行属性对MaaS方案选择的影响；建立机器学习LightGBM模型，进一步探究主要影响因素间的协同效应对方案选择的影响。主要结论如下：
收入、职业、家庭生命周期、平日交通习惯等显著影响对MaaS方案的选择。个体经营者、属于“有小学生核心家庭”、有“地铁+公交”出行习惯的旅行群体选择方案2即“地铁(折扣)+出租车(折扣)”的MaaS方案的概率较高。该类群体更关心MaaS方案的价格，应提供更具竞争力的折扣MaaS方案。此外，还可考虑推出家庭出行套餐，针对3人及以上家庭，通过家庭订阅方式提供更实惠且符合出行特征的定制化服务。有老人同行、有“地铁+公交+私家车”和“地铁+私家车”出行习惯的旅行群体更倾向于选择地铁不限次的方案5。针对该群体，提供包含公共交通不限次使用的套餐可能更具吸引力。在MaaS方案设计中，可以基于频繁和不频繁使用公共交通的用户定制2种不同的套餐，这种差异化设计将提升用户的满意度和使用率。
景点特征是影响旅行者MaaS方案选择的另一重要因素。游览商业文娱景点时，旅行者倾向于选择地铁不限次的MaaS方案。游览文化遗迹景点时，旅行者选择公交不限次MaaS方案的可能性更高。游览历史名胜景点的旅行者则更倾向于选择出租车为主的MaaS方案。可以为文旅游客提供文化遗迹景区门票和MaaS方案的捆绑服务，进一步巩固该类景点游客的公共交通黏性，释放部分公共交通潜力。重点对历史名胜景区外加强停车换乘进行规划设计，促进旅行者选择停车换乘出行，引导其使用公共交通。
年龄在45岁以上时，随收入的增高，旅行者选择地铁不限次MaaS方案的概率降低。对于此类群体而言，他们的出行预算较高，方案价格的增长不会影响这类群体的选择。针对这一特点，可以提供涵盖更多交通方式的多元化的MaaS方案，以满足他们舒适化、多样化的出行需求。游览历史名胜景点的旅行者，其年龄越大，选择出租车为主方案的概率越高。
积极的“地铁+公交”MaaS方案选择者具备以下特征：低收入人群、个体经营者、有老人同行、日常出行有公共交通换乘习惯的人群。考虑到这类群体可能是低收入、出行预算有限、年龄较大的群体，建议公共交通供应商与旅游运营商建立合作伙伴关系，以提供更大幅度的涵盖公共交通选项在内的MaaS套餐折扣，以留存现有公共交通使用人群。
本文结论可以为公共交通部门和旅游供应商等对用户进行分类、制定个性化出行服务方案提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
1
中华人民共和国文化和旅游部. 2023年国内旅游数据情况[EB/OL]. (2024-02-10)[2024-08-10]. https://www.gov.cn/lianbo/bumen/202402/content_6931178.htm.

Ministry of Culture and Tourism of the People's Republic of China. Domestic tourism data situation in 2023[EB/OL]. (2024-02-10)[2024-08-10]. https://www.gov.cn/lianbo/bumen/202402/content_6931178.htm. (in Chinese)

2
POLYDOROPOULOU A, PAGONI I, TSIRIMPA A, et al. Prototype business models for Mobility-as-a-Service[J]. Transportation Research Part A: Policy and Practice, 2020, 131, 149- 162.

DOI

3
王月, 姚恩建, 郝赫. 低碳导向的多模式交通出行服务定价策略[J]. 清华大学学报(自然科学版), 2023, 63(11): 1741- 1749.

DOI

WANG Y, YAO E J, HAO H. Low-carbon-oriented pricing strategy of multi-mode transportation service[J]. Journal of Tsinghua University (Science and Technology), 2023, 63(11): 1741- 1749.

DOI

4
李婉莹, 关宏志, 韩艳, 等. 社会偏好视野下旅游出行服务链定价博弈模型[J]. 交通运输系统工程与信息, 2022, 22(4): 11- 22.

LI W Y, GUAN H Z, HAN Y, et al. Pricing game model of travel service chain under social preference view[J]. Journal of Transportation Systems Engineering and Information Technology, 2022, 22(4): 11- 22.

5
MATYAS M, KAMARGIANNI M. The potential of mobility as a service bundles as a mobility management tool[J]. Transportation, 2019, 46(5): 1951- 1968.

DOI

6
CAIATI V, RASOULI S, TIMMERMANS H. Bundling, pricing schemes and extra features preferences for mobility as a service: Sequential portfolio choice experiment[J]. Transportation Research Part A: Policy and Practice, 2020, 131, 123- 148.

DOI

7
HO C Q, MULLEY C, HENSHER D A. Public preferences for mobility as a service: Insights from stated preference surveys[J]. Transportation Research Part A: Policy and Practice, 2020, 131, 70- 90.

DOI

8
KIM Y, KIM E J, JANG S, et al. A comparative analysis of the users of private cars and public transportation for intermodal options under Mobility-as-a-Service in Seoul[J]. Travel Behaviour and Society, 2021, 24, 68- 80.

DOI

9
杨敏, 李宏伟, 任怡凤, 等. 基于旅客异质性画像的公铁联程出行方案推荐方法[J]. 清华大学学报(自然科学版), 2022, 62(7): 1220- 1227.

DOI

YANG M, LI H W, REN Y F, et al. Road-rail intermodal travel recommendations based on a passenger heterogeneity profile[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(7): 1220- 1227.

DOI

10
VIJ A, RYAN S, SAMPSON S, et al. Consumer preferences for Mobility-as-a-Service (MaaS) in Australia[J]. Transportation Research Part C: Emerging Technologies, 2020, 117, 102699.

DOI

11
LILJAMO T, LIIMATAINEN H, PÖLLÄNEN M, et al. People's current mobility costs and willingness to pay for Mobility as a Service offerings[J]. Transportation Research Part A: Policy and Practice, 2020, 136, 99- 119.

DOI

12
GUIDON S, WICKI M, BERNAUER T, et al. Transportation service bundling-For whose benefit?Consumer valuation of pure bundling in the passenger transportation market[J]. Transportation Research Part A: Policy and Practice, 2020, 131, 91- 106.

DOI

13
KRAUSS K, RECK D J, AXHAUSEN K W. How does transport supply and mobility behaviour impact preferences for MaaS bundles?A multi-city approach[J]. Transportation Research Part C: Emerging Technologies, 2023, 147, 104013.

DOI

14
KIM E J, KIM Y, JANG S, et al. Tourists'preference on the combination of travel modes under Mobility-as-a-Service environment[J]. Transportation Research Part A: Policy and Practice, 2021, 150, 236- 255.

DOI

15
JANG S, CAIATI V, RASOULI S, et al. Does MaaS contribute to sustainable transportation?A mode choice perspective[J]. International Journal of Sustainable Transportation, 2021, 15(5): 351- 363.

DOI

16
RATILAINEN H. Mobility-as-a-Service: Exploring consumer preferences for MaaS subscription packages using a stated choice experiment[D]. Delft: Delft University of Technology, 2017.

17
LE-KLÄHN D T, ROOSEN J, GERIKE R, et al. Factors affecting tourists'public transport use and areas visited at destinations[J]. Tourism Geographies, 2015, 17(5): 738- 757.

DOI

18
世界资源研究所. 出行即服务(MAAS)实践指南介绍与案例集[EB/OL]. (2022-11-10)[2024-08-10]. https://wri.org.cn/report/MaaS-Guideline-for-Chinese-Cities-and-Case-Studies.

World Resources Institute. MaaS practice guidelines and case studies[EB/OL]. (2022-11-10)[2024-08-10]. https://wri.org.cn/report/MaaS-Guideline-for-Chinese-Cities-and-Case-Studies. (in Chinese)

19
HO C Q, HENSHER D A, RECK D J, et al. MaaS bundle design and implementation: Lessons from the Sydney MaaS trial[J]. Transportation Research Part A: Policy and Practice, 2021, 149, 339- 376.

DOI

20
WEN C H, KOPPELMAN F S. The generalized nested logit model[J]. Transportation Research Part B: Methodological, 2001, 35(7): 627- 641.

DOI

21
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.

GUAN H Z. Disaggregate model: A tool of traffic behavior analysis[M]. Beijing: China Communications Press, 2004.

22
BIERLAIRE M. Calculating indicators with PandasBiogeme[J]. Transport and Mobility Laboratory, Ecole Polytechnique Fédérale de Lausanne: Technical report, 2018,

23
AL DAOUD E. Comparison between XGBoost, LightGBM and CatBoost using a home credit dataset[J]. International Journal of Computer and Information Engineering, 2019, 13(1): 6- 10.

24
SUN X L, LIU M X, SIMA Z Q. A novel cryptocurrency price trend forecasting model based on LightGBM[J]. Finance Research Letters, 2020, 32, 101084.

DOI

25
李跞. 基于GAN和LightGBM的个人信用风险预测模型的研究与应用[D]. 重庆: 重庆大学, 2022.

LI L. Research and implementation of personal credit risk prediction model based on GAN and LightGBM[D]. Chongqing: Chongqing University, 2022. (in Chinese)

26
LUNDBERG S M, LEE S I. A unified approach to interpreting model predictions[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook, USA: Curran Associates Inc., 2017: 4768-4777.

27
LI Y G, YAO E J, YANG Y, et al. Modeling the tourism travel mode and route choice behaviour based on nested logit model[C]//2020 IEEE 5th International Conference on Intelligent Transportation Engineering (ICITE). Beijing, China: IEEE, 2020: 28-32.

Options
Outlines

/

〈 〉

Postal Code: 100084
Tel: 010-62788108/62771385/62792976/62792994　
E-mail：xuebaost@tsinghua.edu.cn
Powered by Beijing Magtech Co. Ltd.
Visited
    Total visitors:
    Visitors of today:
    Now online:
　
Copyright © Journal of Tsinghua University(Science and Technology)