《Current Issues in Tourism》：Patterns of travel preferences in China and their relationship with the Big Five personality traits
编辑推荐：
识别旅行偏好模式能够推动酒店与旅游业的个性化服务发展。已有研究表明旅行偏好模式与人格特质之间存在关联，但多数研究仅聚焦于旅行者旅程中的孤立环节，如酒店或目的地选择。本研究以大五人格特质为基础，利用中国大规模实证数据集（N = 979）拓展了这一研究方向，涵盖了
识别旅行偏好模式能够推动酒店与旅游业的个性化服务发展。已有研究表明旅行偏好模式与人格特质之间存在关联，但多数研究仅聚焦于旅行者旅程中的孤立环节，如酒店或目的地选择。本研究以大五人格特质为基础，利用中国大规模实证数据集（N = 979）拓展了这一研究方向，涵盖了旅行行为的多个方面。通过K-means聚类分析识别出四个不同的群体：体验寻求者（Experience Seekers）、便利与低成本寻求者（Convenience & Low-Cost Seekers）、质量与地位寻求者（Quality & Status Seekers）以及随性者（Easy-Goers），这些群体在偏好模式、人口统计特征及人格画像上均存在差异。逻辑回归（logistic regression）和随机森林（random forest）分析表明，外向性（Extraversion）和经验开放性（Openness to Experience）是旅行偏好最显著的预测因子。研究结果为酒店与旅游业提供了启示，并表明将人格特质纳入分析有助于更有效地理解顾客需求和服务设计。
研究背景与问题
在当代旅游业数字化转型背景下，在线旅行社、酒店预订平台、目的地网站及移动旅行应用越来越多地利用行为与情境数据（如搜索行为、预订记录、位置轨迹、评论及用户生成内容）来提供个性化推荐。然而，现有研究多集中于旅行体验的单一环节，例如目的地选择和信息搜索，较少关注旅行者在整个旅程中如何形成跨阶段的偏好配置。这一研究空白具有重要意义，因为旅行行为是在多个阶段和触点中展开的，而非单一的孤立决策。此外，尽管数字痕迹和可观察行为可用于预测旅行者的选择，但它们对于解释旅行者为何偏好特定组合的目的地、活动、住宿、交通方式和信息来源的解释力有限。因此，有必要将稳定的心理特征，如人格特质，纳入对多维旅行偏好模式的分析中。
研究目的与方法
为填补上述空白，本研究旨在：（1）识别跨越整个旅行旅程的多维旅行偏好模式；（2）考察这些模式与大五人格特质及人口统计学特征的关联；（3）评估人格特质预测旅行偏好集群成员关系的程度。研究采用K-means聚类算法，基于旅行偏好问卷响应将受访者划分为不同集群。聚类数量通过组内平方和、平均轮廓宽度、集群规模分布及实质性可解释性综合确定。随后，通过方差分析、t检验和卡方检验比较各集群在人口统计学特征和人格特质上的差异。为考察人格特质和人口统计学变量对集群成员关系的预测能力，研究估计了两种分类模型：多项逻辑回归（multinomial logistic regression）和随机森林分类（random forest classification）。预测性能通过五折交叉验证进行评估，包括总体准确率、宏F1分数和宏平均受试者工作特征曲线下面积（AUC）。样本来源为中国社交媒体平台及一处历史古镇文化遗产景区，最终有效样本量为979人。
研究结果
四类旅行偏好集群：基于旅行偏好问卷响应，识别出四个集群。集群A被命名为“体验寻求者”（Experience Seeker，n = 157），其特征为独自旅行、偏好沉浸式本地生活体验和探索“未知国内景点”及“当地氛围”。集群B被命名为“便利与低成本寻求者”（Convenience & Low-Cost Seeker，n = 321），重视“最便宜”和“廉价酒店”、便捷交通及自然风光。集群C被命名为“质量与地位寻求者”（Quality & Status Seeker，n = 278），优先考虑高品质体验，如“昂贵航空公司”和豪华“设施”，偏爱知名品牌，并乐于在社交媒体分享照片。集群D被命名为“随性者”（Easy-Goer，n = 223），其旅行决策更为自发，常受他人影响，关注“快餐”和“性价比”等特征。
集群在人口统计学变量上的差异：方差分析和卡方检验显示，各集群在年龄和工作经验年限上存在显著差异（p < .001），其中集群C成员显著年长且工作经验更丰富。教育水平（p < .01）和婚姻状况（p < .01）也存在差异：集群B中最高学历为大学前教育的比例最大，集群C中本科学历比例最大；集群A中单身比例最大，而集群C中已婚和离异比例最大。
集群在人格特质上的差异：所有五个人格维度在各集群间均存在显著差异（p < .01至p < .001）。集群A的经验开放性得分最高，但与集群C无显著差异。集群C在宜人性、尽责性和外向性上得分最高，神经质得分最低。集群D在所有积极导向维度上得分普遍较低。集群B的神经质得分最高。总体而言，集群C呈现广泛积极的人格画像，而集群D则呈现对比鲜明的消极人格画像。
预测模型：所有预测模型的准确率均超过多数类基线（0.328），表明人口统计学和人格变量包含有意义的预测信号。使用五因素复合人格得分的随机森林模型取得了最高的准确率（0.440）。结合五因素复合得分和项目层面人格得分的多项逻辑回归模型产生了最高的宏F1（0.496）和宏平均AUC（0.773）。类别特异性AUC显示，集群C（质量与地位寻求者）是最易区分的画像（平均AUC = 0.741）。
预测因子的相对重要性：前向逐步多项逻辑回归保留了五个预测因子：外向性、年龄、经验开放性、教育水平和婚姻状况。随机森林的预测因子重要性分析得出一致模式：按置换重要性，年龄贡献最大，其次是外向性、婚姻状况、神经质、经验开放性等；按节点不纯度重要性，工作经验年限、外向性、年龄、经验开放性贡献最大。总体而言，外向性和经验开放性被一致识别为最具信息价值的人格变量。
讨论与结论
研究发现，四个旅行偏好集群代表了涵盖规划、现场决策及整体旅程取向的多阶段配置。体验寻求者（高开放性）契合经典旅行者分类中的探险者取向；便利与低成本寻求者（低开放性、高神经质）倾向于心理中心型特征；质量与地位寻求者（高外向性、积极人格画像）展现了优质消费与社会表达性旅行特征；随性者（低尽责性）则体现出自发、低结构的旅行风格。外向性和经验开放性作为最显著的预测因子，理论上符合旅行与个人探索及社会参与的内在联系，并得到信息加工理论和自我一致性理论的支持。研究结果的理论意义在于将消费者决策与身份认同框架整合进旅游细分领域，方法论意义在于通过聚类发现细分群体并结合预测建模检验人格变量的预测能力。实践意义在于，企业可根据各集群的主导偏好配置定制营销沟通和服务包，例如对体验寻求者突出沉浸式探索内容，对质量与地位寻求者强调高品质和社会化分享体验。研究局限性包括非随机样本（以女性、高学历、年轻为主）、依赖自我报告数据、集群轮廓宽度值中等提示并非互斥类型、预测准确率适中表明人格特质仅解释了部分变异，以及未来可考虑HEXACO模型或中国文化特定关系特质等更广泛的人格框架。
