《Journal of Transport Geography》：Following the footprints of visitors: Spatiotemporal public transportation profiles using smart card data
编辑推荐：
访客引发的季节性需求高峰使得运力配置成为一项具有挑战性的任务。智能卡数据已被广泛用于探索细分乘客的出行行为，然而，其在旅游情境中的潜力仍未得到充分挖掘。在本研究中，研究人员通过智能卡数据分析刻画了斯德哥尔摩地区不同的时间和空间访客画像。对访客出行模式的经验性理
访客引发的季节性需求高峰使得运力配置成为一项具有挑战性的任务。智能卡数据已被广泛用于探索细分乘客的出行行为，然而，其在旅游情境中的潜力仍未得到充分挖掘。在本研究中，研究人员通过智能卡数据分析刻画了斯德哥尔摩地区不同的时间和空间访客画像。对访客出行模式的经验性理解可以为与旅游目的地相关的公共交通规划提供信息，并有助于票价结构等政策的战略评估与优化。在分析中，访客通过组合标准进行定义，包括：i）出行跨度小于一周的一次性用户（活动标准），以及ii）使用专用访客票制产品的用户（票制产品标准）。研究人员应用k-means聚类识别出四个活动聚类，即多行程短期访客、长停留频繁出行者、一日游访客和晚间访客，以及三个空间访客聚类，分别称为城市中心访客、城市中心外访客和混合访客。聚类结果显示，一日游访客在活动细分中占主导地位，占访客总数的38.5%，而空间细分则产生三个分布更为均匀的聚类。值得注意的是，37.3%的访客主要使用城市中心以外的公共交通系统，这凸显了中心区域以外地区需要政策关注，例如改善可达性较差的访客目的地的交通便利性。最后，该研究框架完全可复现，展示了智能卡数据在探索访客出行行为方面的潜力。
**论文解读：基于智能卡数据的斯德哥尔摩访客时空公共交通画像研究**
**一、研究背景与意义**
旅游与交通之间存在相互依存的关系，旅游活动离不开交通系统的支撑。交通可达性不仅决定了访客能否到达目的地，还影响其在停留期间对目的地交通服务的使用。公共交通（Public Transportation, PT）在满足访客到达目的地后的出行需求方面发挥着关键作用。然而，旅游带来的季节性需求波动使公共交通的运力配置面临严峻挑战。与本地居民相比，访客的出行模式存在显著差异，理解访客的时空出行模式对于城市空间规划、旅游相关政策的制定以及公共交通资源的合理配置具有重要意义。
当前，旅游对目的地社会具有双重影响。积极方面，旅游业是经济发展的重要催化剂，2024年旅游业贡献了全球经济的10%（10.9万亿美元），并支撑了3.57亿个就业岗位。消极方面，过度旅游（overtourism）现象日益突出，特别是在住宿平台广泛使用的背景下，游客数量超过目的地的物理承载能力，导致当地居民生活质量下降和访客体验受损。因此，深入了解访客出行的异质性特征，对制定平衡旅游发展与保障居民生活品质的政策至关重要。
在研究方法层面，陈述偏好（Stated Preference, SP）和揭示偏好（Revealed Preference, RP）数据已被用于捕捉访客的实际行为和假设情境下的行为，但基于调查的方法存在参与率低和成本高等局限性。匿名手机数据的可用性增强为克服这些局限提供了可能，然而这些数据在建模访客公共交通出行行为方面精度不足。自动收费系统（Automated Fare Collection, AFC）通过智能卡（smart card）数据提供了丰富的时空分辨率，已被广泛用于建模各类公共交通乘客群体的出行行为，但在旅游情境下的应用仍十分有限。现有少量研究均仅基于票制产品标准识别访客，存在两方面局限：一是访客可能使用多种不同类型的票制产品，二是偶尔使用公共交通的本地居民可能使用与访客相似的票制产品。
**二、研究内容与结论**
本研究旨在开发一个完全基于揭示偏好数据（尤其是智能卡数据）识别访客并定义其时空间画像的框架。研究人员将该框架应用于瑞典斯德哥尔摩地区，利用2023年1月1日至11月23日期间的5,039,516次访客公共交通出行记录（涉及1,162,117名唯一识别的访客）进行分析。研究定义了访客的联合识别标准：i）活动标准——在调研期内首次与末次记录出行间隔不超过7天的一次性用户；ii）票制产品标准——仅使用专用访客票制产品（1日、3日和7日票）的用户；iii）最少出行活动标准——至少使用公共交通系统两次。研究采用k-means聚类算法对访客的时间活动属性和空间属性分别进行聚类，并通过冲积图评估活动聚类与空间聚类之间的关系。研究结果与官方统计数据的对比验证了方法的有效性（Pearson相关系数为0.85）。该研究发表在《Journal of Transport Geography》，为利用智能卡数据探索访客出行行为提供了可复现的分析框架，对公共交通规划、票价政策设计和旅游目的地管理具有重要的参考价值。
**三、关键技术方法**
本研究主要采用了以下关键技术方法：（1）访客识别联合标准：综合活动时间阈值（7天）、票制产品类型（1/3/7日访客票）和最少出行次数（≥2次）三个标准定义访客群体，克服了单一票制产品标准识别访客的局限性；（2）客流出行链重构：通过融合自动车辆定位（Automatic Vehicle Location, AVL）和自动收费系统（AFC）数据，将乘客出行记录投影至公共交通网络，获取完整的出行链信息；当AVL数据缺失时，采用通用交通馈送规范（General Transit Feed Specification, GTFS）数据替代；（3）k-means聚类分析：分别对时间活动属性和空间属性进行聚类，通过惯性（WCSS）、Davies-Bouldin指数和轮廓系数（Silhouette Score）确定最优聚类数；（4）统计验证：将智能卡数据估算的月度访客数量与官方统计数据进行Pearson相关性分析。样本来源为斯德哥尔摩地区2023年1月1日至11月23日期间的全部公共交通智能卡刷卡记录。
**四、研究结果**
**4.1 访客数量估计**
研究期间共识别出1,162,117名唯一访客，完成5,039,516次公共交通出行。访客活动呈现明显的季节性特征，5月中旬、7月下旬和8月为出行高峰，7月和8月的访客出行量占总样本的25%。在周内分布方面，周五和周末的访客出行量较高，合计占51.2%，周六的访客数量比周一高75%。特定文化事件和大型活动对访客量有显著影响，如4月29日瓦尔普吉斯之夜（Walpurgis Night）当天录得34,209次访客出行，11月18日NHL全球系列赛斯德哥尔摩站赛事期间录得34,081次访客出行。与官方统计数据的对比显示，估算的访客月度数量与官方统计高度相关（Pearson相关系数为0.85），验证了识别方法的有效性。
**4.2 出行活动聚类画像**
基于时间活动变量（活跃天数、日均出行次数、平均最早出行时间和平均最晚出行时间），k-means聚类识别出四个活动聚类：A1-多行程短期访客（14.7%），其特征为短停留但每日多次出行，主要在下午时段活动；A2-长停留频繁出行者（17.3%），停留天数最长（中位数4.3天）且日均出行次数较高，75%的访客每日最多4次出行；A3-一日游访客（38.5%），当日往返，最早出行时间中位数为11:20，主要使用单程票（63.4%）；A4-晚间访客（29.5%），首次出行时间中位数约16:00，最晚出行时间中位数18:10，单程票使用占比52.1%。在月度分布上，A3聚类呈现5月和10月双峰特征，而其他聚类在夏季达到峰值。票制产品使用方面，A1聚类偏好24小时和72小时票，A2聚类以7日票为主（51.8%）。
**4.3 空间聚类画像**
基于空间属性变量（平均出行距离、唯一目的地站点数、主要OD出行占比和斯德哥尔摩内城出行占比），k-means聚类识别出三个空间聚类：S1-城市中心访客（31.3%），出行距离最短（中位数2.6公里），50%的访客在内城出行占比达100%；S2-城市中心外访客（37.3%），出行距离最长（中位数6.5公里），主要在城市中心以外区域活动；S3-混合访客（31.4%），访问目的地最多（中位数5个），空间行为最为分散。与未识别为访客的乘客相比，访客的平均出行距离更短（4.3公里对6.1公里），访问的唯一目的地站点数更少（3个对9个），但主要OD出行集中度更高（33%对21%），内城出行占比更高（50%对15%）。通过对15.2%可识别住宿锚点的访客分析发现，S2和S3聚类访客的住宿分布更为分散，且S1和S2聚类访客中50%的人在其至少85%的出行中涉及住宿站点，呈枢纽辐射式出行模式，而S3聚类访客更多涉及链式出行。
**4.4 活动与空间聚类关系**
冲积图分析揭示了活动聚类与空间聚类之间的关联模式。城市中心访客（S1）主要与一日游访客（A3）和晚间访客（A4）相关联，反映斯德哥尔摩城市核心区全天各时段活动的吸引力。51.5%的一日游访客和42.6%的晚间访客与城市中心外访客（S2）相关，表明斯德哥尔摩外围区域对不同类型活动的吸引力。混合访客（S3）主要与多行程短期访客（A1，占该聚类的54%）和长停留频繁出行者（A2，占该聚类的83%）相关，表明这两类访客在空间上呈现更均衡的分布特征。
**五、讨论与结论**
本研究通过联合标准识别访客，克服了单一票制产品标准的局限。识别出的一日游访客和晚间访客占比合计达68%，表明短期访客是斯德哥尔摩公共交通访客的主体。37.3%的访客主要使用城市中心以外的公共交通系统，这一发现对政策制定具有重要意义。研究结论如下：
第一，基于智能卡数据的访客识别框架具有可复现性和有效性，通过与官方统计数据的验证（Pearson相关系数0.85），证明了该方法在估算访客数量和识别访客出行模式方面的可靠性。
第二，访客的活动聚类揭示了四种差异显著的时空出行模式，该分类与巴塞罗那（Gutiérrez et al., 2020）、伦敦（Ortega-Tong, 2013）等地的研究结果具有相似性，表明不同城市背景下存在共同的访客出行行为规律。
第三，空间聚类分析揭示访客的空间分布呈现三个近似均匀的聚类，其中城市中心外访客占比最大，提示政策关注应超越中心区域，包括改善可达性较差的访客目的地的交通便利性。
第四，活动与空间聚类的关联分析表明，访客的出行活动模式与其空间足迹存在显著关联：短期访客的空间足迹较为有限，而长期访客的空间行为更为分散。这些发现可为定制化票制产品设计、多景点联票开发以及战略旅游投资决策提供实证支持。
