基于机器学习的大学生旅游意愿分析预测

基于机器学习的大学生旅游意愿预测分析【摘要】随着社会的进步和经济的发展，人们对旅游和其他休闲娱乐活动的需求不断增加。快节奏的生活方式使得旅游成为缓解压力、放松身心的一种重要方式。在这样的背景下，越来越多的大学生也选择利用课余时间参与各种旅游活动，成为旅游市场中重要的一部分。本篇报告以大学生为主要研究对象，在借鉴前人研究的基础上，设计问卷并发放问卷，问卷涉及大学生的基本信息、旅游偏好、旅游影响因素等信息，之后借助描述性统计分析、逻辑回归分析以及决策树等统计方法，总结出大学生的旅游偏好、旅游态度、旅游影响因素等方面的一般特征。【关键词】机器学习；旅游；意愿调查；作为中国经济发展的支柱之一，旅游业不仅拉动着社会经济发展，促进了就业，还对文化和环境起到了积极作用。中国的旅游业自改革开放以来迅速发展，已成为国民经济的重要组成部分。旅游业不断增长，旅游资源逐渐丰富，旅游市场也日益健全。在这一过程中，青年旅行者扮演着重要而独立的角色，其中至少一半是青年学生，特别是大学生。本篇报告以大学生为主要研究对象，在前人研究的基础上，借助描述性分析、相关分析及逻辑回归分析等统计方法，对大学生的旅游意愿进行分析预测，最终得到合理的结论。文献综述与研究背景文献综述李丽梅[1]等研究人员通过对中山大学学生进行研究发现，大学生的旅游动机表现出多样性和复杂性，主要体现在精神动机和文化动机方面。大学生普遍持有积极的旅游态度，表现出较强的出游意愿。与全国大学生旅游消费水平相比，中山大学学生的旅游消费水平较高。钟泓[2]等人以桂林市大学生为例，对其体育旅游这一细分旅游行为的特征做了归纳和总结。金平斌[3]等人综合运用U检验、非参数检验和非线性回归等多种定量分析方法，从性别差异、旅游经费来源差异和与普通大众旅游者差异三个角度来分析大学生旅游行为的特征。陈顺明[8]等学者以长沙地区高校大学生为研究对象，探讨了大学生这一特殊群体的心理特点和旅游行为特征。在研究结果的基础上，他们总结了大学生旅游行为的普遍规律，指出大学生对旅游持肯定态度，具有较高的出游意愿，但由于缺乏独立经济收入，他们的旅游消费水平相对较低。在长沙市，大学生的旅游动机多样化，获取旅游信息主要依赖于媒体、网络以及亲朋好友的推荐。苟小东[9]等以陕西高校为例，主要是从旅游偏好、旅游消费结构、外出旅游组织方式、旅游目的地空间发布情况、旅游服务和价格评价等方面对大学生的旅游行为做了研究。杨畅[11]等学者以南京大学为研究对象，建立了出游频率、旅游动机、旅游目的地选择等指标，对该校大学生的旅游行为进行了研究。他们运用聚类分析方法对问卷数据进行分析，结果显示南京大学大学生的旅游行为特征可以分为四种类型：积极型、保守型、冷漠型和冲动型。1.2背景大学生旅游市场是一个充满活力和潜力的市场。随着经济的发展和教育水平的提高，越来越多的大学生开始关注旅游，将旅游作为放松身心、开阔视野、增长见识的重要方式。大学生在旅游时会更注重体验和互动，他们通常喜欢个性化、多样化的旅游选择，比如文化体验、探险旅行、户外运动等。此外，随着社交媒体的兴起，大学生之间分享旅行经历的热情也在不断增长，这进一步推动了大学生旅游市场的蓬勃发展。因此，针对大学生的旅游产品和服务需求也在不断增加，市场潜力巨大。大学生作为新一代青年人，他们的旅游意愿和消费行为对旅游市场具有重要影响。针对大学生旅游意愿进行调查，有助于揭示他们在旅游方面的态度、需求和偏好，为旅游从业者提供指导，促进旅游业的健康发展。本研究旨在深入了解大学生的旅游意愿及其影响因素，为相关旅游企业和机构提供决策参考。1.3意义（1）通过调查大学生旅游意愿，可以了解大学生对旅游的态度、偏好和需求，有助于旅游行业更好地把握市场需求，设计符合大学生口味的旅游产品和服务。（2）探究大学生旅游意愿可以深入了解其消费心理和行为习惯，为旅游企业提供针对性的营销策略和服务方案。（3）通过调查大学生旅游意愿，可以了解他们对旅游目的地、活动类型、价格预算等方面的偏好，有助于企业制定更加精准的营销策略，吸引大学生客户群体。（4）调查大学生旅游意愿也有助于学术界深入研究旅游消费行为和心理，促进旅游教育的发展和提升。（5）了解大学生旅游意愿有助于发现新的旅游需求和趋势，推动旅游产品创新，提升整个旅游业的竞争力。问卷设计与发放2.1问卷设计本篇报告采用问卷调查法，通过设计并发放问卷获取研究所需数据[6]。根据研究需要，将问卷调查设计为几大部分：第一部分为被调查者的基本信息，包括被调查者的性别，年龄，学历，生活费等情况，旨在了解被调查者的基本情况。第二部分为被调查者的旅游偏好，包括旅游季节、旅游时间、旅游时长、旅游花销、旅游经费来源、旅游形式、住宿、景点类型、旅游目的等内容，以了解被调查者的旅游偏好。第三部分为被调查者对旅游的喜爱程度，包括每年旅游频率、对旅游的喜爱程度以及每年的旅游总花销等内容，通过这些问题了解大学生对旅游的意愿，并可进行预测分析。第四部分为影响被调查者是否旅游的因素，包括影响是否出游的因素和决定是否旅游的关键性因素，旨在探究影响大学生是否选择旅游的因素。2.2问卷发放与回收本研究以大学生为研究对象，主要利用网络平台（如QQ、问卷星、微信）进行问卷的分发。调查时间为1月5日至2月15日，共分发了300份正式调查问卷，回收了290份。在剔除无效问卷（未完成或未按要求填写）后，有效问卷数量为267份，有效率达89%。其中，专科生占14.61%，本科生占71.54%，研究生及以上学历者占13.86%；男性占44.57%，女性占55.43%。基本统计分析3.1信度分析问卷信度分析是指对已回答的调查问卷进行初步评估，通常使用IBMSPSSStatistics等数据分析工具来计算信度数据。通过Cronbach'sα系数作为评价标准，如果总量表的Cronbach'sα系数大于0.8，表明所使用的调查问卷具有稳定的内部一致性信度。3.2被调查者基本信息表3-1统计了本次被调查者的基本信息，其中，就性别而言，男生占44.57%，女生占55.43%，就学历而言，专科人数占14.61%，本科占71.54%，研究生及以上占13.86%，就月生活费而言，1000-1500元占17.6%，1500-2000元占41.57%，2000元以上占40.82%。表3-1被调查者基本信息变量类型人数占比性别男11944.57%女14855.43%学历专科3914.61%本科19171.54%研究生及以上3713.86%月生活费1000-150010917.6%1500-200011141.57%2000以上4740.82%表3-2统计了被调查者旅游偏好的基本信息。表3-2被调查者旅游偏好变量类型占比季节春季9.36%夏季16.1%秋季19.85%冬季18.73%都可以16.48%由旅游所在地气候决定19.48%时间寒暑假20.97%周末31.84%节假日10.11%都可以5.62%有时间就去31.46%时长1-2天14.23%3-4天63.3%5-10天16.48%10天以上5.99%旅游花销0-3008.61%300-50026.59%500-100034.46%1000以上30.34%旅游形式和亲朋好友出游63.3%个人出游5.24%都可以31.46%旅游方式跟团游25.47%自驾游38.2%半自由行16.1%依情况而定20.22%旅游目的地省内游56.18%省外游40.82%国外游3%住宿星级酒店10.11%快捷酒店/宾馆46.44%民宿35.21%其他8.24%就旅行季节而言，被调查者比较倾向秋季和根据旅游所在地气候去旅游，接着是冬季、夏季以及哪个季节去旅行都可以，倾向春季去旅行的人数占比最少。就旅游时间而言，被调查者比较倾向有时间就去和周末去旅行，接着是寒暑假，其次是节假日，最少的是持都可以态度。就旅游时长而言，被调查者比较倾向3-4天的旅游，其次是1-2天、5-10天及10天以上。为研究被调查者旅行时长与出行时间是否有关，对两个变量进行了pearson相关分析，研究结果p值大于0.05，说明两者之间没有相关关系，也进一步说明出行时间并不能影响大学生选择的旅游时长。决定旅游时长的因素是其他因素。为进一步研究影响被调查者旅行时长的因素，我们将旅行时长作为因变量，性别、年龄、学历、月生活费以及对于旅游的喜爱程度作为自变量，并建立回归模型。模型结果如下表（表3-3），由表可知，学历、月生活费以及对旅游的喜爱程度会对旅游时长有影响。表3-3回归分析结果汇总变量p值常数0.000性别0.078学历0.004月生活费0.012喜爱程度0.036F检验<0.05R^20.875就旅游花销而言，被调查者比较接受500-1000元和1000元以上的旅游花销，其次是300-500元，300以下占比最少。在将每月生活费和每次旅游花销进行交叉分析，通过百分比对比差异可知，月生活费在1000-1500的人选择单次旅游花销为300-500的比例32.11%，明显高于平均水平26.59%。月生活费在1500-2000的人选择单次旅行花销为500-1000的比例41.44%，会明显高于平均水平34.46%。月生活费在2000以上的人选择单次旅行花销超过2000的比例53.19%，会明显高于平均水平30.34%。总结可知：不同月生活费对于每次旅游花销均呈现出显著性差异。图3-1旅游花销图3-2旅游花销与月生活费的交叉图就旅行方式而言，被调查者比较倾向和亲朋好友去游玩以及自驾游出游；就旅游目的地而言，被调查者比较倾向省内游和省外游，很少人选择国外游。就住宿而言，被调查者比较倾向选择快捷酒店、宾馆和民宿。表3-4统计了被调查的旅游经费来源，调查结果表明，被调查者的旅游经费大多来源于生活费以及家人赞助，其次来自奖学金、兼职和零花钱。这与大学生现阶段作为学生，并没有收入来源息息相关。表3-4被调查者旅游经费来源变量类型占比旅游经费来源奖学金14.23%生活费34.83%零花钱11.24%兼职9.36%家人赞助25.84%其他4.49%图3统计了被调查者的旅游动机，由图可知，一半以上的被调查者旅游目的是体验不同地方风情，其次是朋友号召和欣赏自然风光，也有部分人是出于从众心理和实践需要，出于休闲娱乐的人也不在少数。图3-3旅游目的图4、图5统计了被调查者在旅游时是否倾向某类景点及具体的类型。图2表明男女生对于景点类型选择都有某种选择倾向，且就是否有选择倾向而言，大约75%的人有某种景点类型倾向，25%的人无明显的景点类型倾向。从景点类型倾向来看，大部分被调查者比较倾向美食众多的景点，其次才是风景优美、具有民族风情、历史底蕴等这类景点，选择网红景点的人数则较少，出国旅游的人数更是最少。图3-4景点类型倾向图3-5景点类型倾向图6统计了被调查者获取旅游信息的渠道，现在是大数据时代，在网络上获取自己需要的信息非常便捷，几乎所有的被调查者都是从各类app上获取旅游信息，又或者是自己主动在网络上搜索信息，又或者是通过朋友推荐。图3-6信息获取渠道图7统计了影响被调查者决定是否出游的因素，由图可知，被调查者主要关注美食、住宿、旅游花销这三个因素，其次是景点类型和家人是否允许，最后则是旅行安全性、交通、旅游时间等因素图3-7影响出游因素图8统计了被调查者认为决定是否出游的前三个关键性因素，可以得知，旅行花销、景点类型和气候所占比重最大。图3-8影响出游的关键性因素表3-5统计了被调查者对旅游的喜爱程度、旅游频率、每年旅游总花销等信息，大多数被调查者对于旅游持有喜爱的态度，持一般及不喜欢态度的人在少数；就旅游频率而言，大部分人旅游频率在每年1-4次，4次以上的人在少数；就旅游总花销而言，大部分人花销集中在1000-4000元。表3-5被调查者对旅游的喜爱程度变量类型占比喜爱程度非常喜欢21.72%很喜欢49.44%喜欢18.35%一般9.74%不喜欢0.75%旅游频率1-2次51.69%3-4次29.21%5-6次7.87%6次以上7.12%几乎不旅游4.12%每年总花销1000元以内11.54%1000-2000元36.54%2000-4000元33.08%4000元以上18.85%接着通过相关分析研究旅游频率、旅游总花销以及喜爱程度之间的相关关系，使用Pearson相关系数来表示相关关系的强弱。根据表3-6的数据显示，旅游频率和喜爱程度之间的相关系数为0.867，并且在0.05的显著性水平下呈现出显著的正相关关系。而每年总花销和喜爱程度之间的相关系数为0.765，同样在0.05的显著性水平下显示出显著的正相关关系。表3-6相关性旅游频率总花销喜爱程度相关系数0.8670.765p值0.0250.022样本量267267机器学习分析4.1变量解释由于自变量和因变量数据大多是字符型数据，为方便进行数据分析，将字符型数据转化为数值型数据，具体转化结果见表4-1。表4-1变量解释变量类型变量名详细说明取值范围备注因变量喜爱程度（mian）定性变量喜欢、不喜欢1代表喜欢、0代表不喜欢自变量性别（gender）定性变量男、女1代表女、2代表男年龄（age）定性变量18岁以下、18-22岁、22-26岁、26岁以上1代表18岁以下、2代表18-22岁、3代表22-26岁、4代表26岁以上学历（degree）定性变量专科、本科、研究生及以上1代表专科、2代表本科、3代表研究生及以上生活费来源（money_from）定类变量奖学金、生活费、零花钱、兼职、家人赞助、其他1代表奖学金、2代表生活费、3代表零花钱、4代表兼职、5代表家人赞助、6代表其他月生活费（living_cost）定性变量1000-1500、1500-2000、2000以上1代表1000-1500、2代表1500-2000、3代表2000以上旅游时长（time_long）定性变量1-2天、3-5天、5-10天、10天以上1代表1-2天、2代表3-5天、3代表5-10天、4代表10天以上旅游频率（frequence）定性变量几乎不旅游、1-2次、3-4次、5-6次、6次以上1代表几乎不旅游、2代表1-2次、3代表3-4次、4代表5-6次、5代表6次以上每年总花销（total_expense）定性变量1000以内、1000-2000、2000-4000、4000以上1代表1000以内、2代表1000-2000、3代表2000-4000、4代表4000以上旅游倾向（trend）定性变量是、否1代表是、2代表否旅行季节（season）定性变量春季、夏季、秋季、冬季、都可以、由旅游所在地气候决定1代表春季、2代表夏季、3代表秋季、4代表冬季、5代表都可以、6代表有旅游所在地气候决定旅行时间（time）定性变量寒暑假、周末、节假日、都可以、有时间就去1代表寒暑假、2代表周末、3代表节假日、4代表都可以、5代表有时间就去每次旅行花销（cost）定性变量0-300、300-500、500-1000、1000以上1代表0-300、2代表300-500、3代表500-1000、4代表1000以上4.2逻辑回归分析4.2.1定义及方法介绍逻辑回归是一种用于解决二元分类问题的统计学习算法（通过一定的方式可以实现多分类），它通过将线性组合的特征与逻辑函数（又称Sigmoid函数）结合，将输入数据映射到一个介于0和1之间的概率范围内，表示一个样本属于某一类别的概率，其核心思想是通过对数概率函数（logisticfunction）将线性回归的输出映射到概率空间，从而实现分类。逻辑回归模型其主要的用途有两个：一方面是应用于医学领域寻找危险因素，一方面是根据历史数据建立模型来预测。其优点为速度快，适合二分类问题；简单易于理解，直接看到各个特征的权重；能容易地更新模型吸收新的数据；便利地观测样本概率分数。其缺点为对数据和场景的适应能力有局限性，不如决策树算法适用性那么强；当特征空间很大时，逻辑回归的性能不是很好[7]。在逻辑回归分析中，首先准备包括特征和目标标签的数据集，然后使用逻辑回归模型拟合数据。模型训练后，可以使用它来进行预测，根据样本的特征计算其属于某一类别的概率，并根据需要应用一个阈值来进行分类决策。4.2.2模型建立在建立模型之后，通常会先进行似然比检验[19]来评估整体模型的有效性。似然比检验用于分析模型的整体拟合情况，通过分析p值来判断模型的有效性，如果p值小于0.05，则表明模型有效，否则表明模型无效。此外，AIC和BIC值用于在多个模型中进行比较，数值越低越好。通过比较多个模型的AIC和BIC值的变化情况，可以综合评估模型构建的优化过程。其他指标通常是在计算过程中产生的中间结果，基本没有实际意义。将gender,age,degree,season,time,time_long,money_from,cost,living_cost,frequence,trend,total_expense作为自变量，而将mian作为因变量（mian这一变量由被调查者对旅游的喜爱程度决定，持不喜欢、一般态度记为0，持喜欢、很喜欢、非常喜欢记为1）进行二元Logit回归分析。表4-2为二元Logit回归模型似然比检验结果，这里p值大于0.05，因而说明接受原定假设，即说明本次构建模型时，放入的自变量（gender,age,degree,season,time,time_long,money_from,cost,living_cost,frequence,trend,total_expense）无意义，也说明本次模型构建没有意义，后续的指标结果等均没有意义。表4-2二元Logit回归模型似然比检验结果1模型-2倍对数似然值卡方值dfpAIC值BIC值仅截距179.238最终模型159.31319.925120.069185.313231.947重新选取gender,age,degree,time_long,money_from,living_cost,trend,frequence,total_expense作为自变量（自变量筛选方法为backward向后法），而将mian作为因变量进行二元Logit回归分析，结果见表4-3，p值小于0.05，因而说明拒绝原定假设，即说明本次构建模型时，放入的自变量具有有效性，本次模型构建有意义。表4-3二元Logit回归模型似然比检验结果2模型-2倍对数似然值卡方值dfpAIC值BIC值仅截距179.238最终模型162.73116.50730.001170.731185.080在进行二元Logit分析后，可以利用模型的准确率来评估模型的拟合质量。研究结果显示，模型的整体预测准确率为89.51%，表明模型的拟合情况较好。此外，还可以使用Hosmer-Lemeshow拟合度检验来分析模型的拟合优度。该检验的原假设是模型的拟合值与观测值一致。如果检验结果中p值大于0.05（如本次p=0.782>0.05），则说明接受原假设，表明模型通过了Hosmer-Lemeshow检验，拟合优度较好[15]。表4-4Hosmer-Lemeshow拟合度检验自由度p值2.46450.782经过模型自动识别，最终余下gender,trend,frequence，money_from,living_cost,time_long一共6项在模型中。回归分析汇总结果见表4-5，由表可知，gender,trend,frequence，money_from,living_cost,time_long可以解释mian的变化原因。模型公式[10]为：(4-1)其中p代表mian为1的概率，1-p代表mian为0的概率。具体可知：gender的回归系数值为0.930，并且呈现出0.05水平的显著性(p=0.030<0.05)，意味着gender会对mian产生显著的正向影响关系；优势比（OR值）为2.534，意味着在其他变量不变的情况下，gender增加一个单位时，mian的增加幅度为2.534倍。同理，trend、frequence、money_from、living_cost以及time_long都呈现出0.01水平的显著性(p值<0.01)且回归系数为正数，表明这些变量会对mian产生显著的正向影响。综上可知：性别、旅游频率、旅游经费来源、每年旅游总花销、每月生活费以及旅游时间会对大学生对旅游的喜爱程度产生显著的正向影响关系。表4-5二元Logit回归分析结果汇总项回归系数p值OR值gender0.9300.0302.534trend1.1210.0080.326frequence0.6080.0261.837money_from0.4970.0041.563living_cost0.8650.0151.142time_long0.7890.0472.156截距0.7820.4742.1834.3决策树模型法4.3.1定义决策树是一种常用的机器学习算法，用于回归和分类问题。决策树是一种树形结构，包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果，而其他每个节点对应于一个属性测试。每个节点包含的样本集根据属性测试的结果被划分到子节点中。根节点包含整个样本集，而从根节点到每个叶子节点的路径则对应了一个判定测试序列。这种结构使得决策树能够根据属性特征进行划分，最终到达叶节点给出决策结果[5]。决策树分析的基本步骤如下[12]：特征选择：决策树的关键在于选择合适的特征进行节点分裂。常用的特征选择算法有信息增益、基尼不纯度和方差减少等。节点分裂：决策树通过对特征进行分裂，使得每个子集尽可能纯净（同一类别或相似回归值）。在构建决策树的过程中，算法会递归地选择最佳特征进行分裂，直到满足停止条件。预测：当新样本输入到决策树中时，会根据特征的取值沿着树的路径进行判断，直到达到叶子节点，然后将叶子节点的类别标签（分类问题）或回归值（回归问题）作为预测结果。其优点为：易于理解和解释，对特征的缺失值不敏感，能够处理数字和分类特征。缺点为：容易过拟合，泛化能力可能较差，对噪声敏感，对于过拟合问题，可以采用剪枝等技术手段来解决。4.3.2大学生旅游意愿影响因素决策树模型建立（1）建立模型使用IBMSPSSStatistics创建决策树模型，结合研究中的大样本和多指标特点，选择决策树CHAlD模型。在此模型中，目标变量是大学生对旅游的喜爱程度（1代表喜欢，0代表不喜欢），而分类变量则被赋予相应的值。其余类型的变量的最佳分界点将由决策树模型自动识别和拆分，同时在模型构建过程中会对树进行修剪以自动控制树的生长。设置模型参数包括：树结构的最大深度为4，而其他设置则选择系统自定义设置。数据预处理按照变量的类型进行分类和赋值（表4-1），将gender,age,degree,time_long,money_from,living_cost,trend,frequence,total_expense对应的二级指标作为输入变量，目标变量为mian。建立CHAID模型对数据进行处理，并绘制决策树。过程分析通过IBMSPSSmodeler软件生成的CHAID模型，根据变量所在节点位置进行变量重要性排序，越靠近根节点的变量，对目标变量影响越大。模型的准确率为92%。该模型生成了4层决策树，并对变量的重要性进行了排序。最终筛选出6个重要指标，其结果如图1所示，依次为：旅游花销来源、每年旅游频率、景点类型倾向、性别、旅游时长以及月生活费[16]。图4-1特征权重图从表4-6可知：最终模型在测试集上得到的准确率为85.19%，精确率（综合）为78.63%，召回率（综合）为85.19%，f1-score（综合）为0.82。模型效果可以接受[13]。表4-6模型汇总表名称参数名参数值模型参数设置数据预处理None训练集比例0.8节点分裂标准gini节点划分方式best节点分裂最小样本数2叶节点最小样本数1树最大深度4树最大深度准确率85.185%精确率（综合）78.632%召回率（综合）85.185%f1-score0.818结果分析决策树模型图如图4-2所示，该模型共计4层，含6个节点。喜爱程度的根节点为每年旅游频率，该因素是影响大学生旅游意愿最关键的因素。根据根节点拆分出。第1层中2个节点，第1个节点为每年旅游频率在1—2次及以上的人，第2个节点为每年几乎不旅游的人。其中第一个节点对旅游持喜欢态度的人占91%，远超过第二个节点（对旅游持喜欢态度的人占54.5%）；第一个节点对旅游持不喜欢态度的人占9%，与第二个节点中对旅游持不喜欢态度的人（45.5%），有显著区别[14]。模型第2层包含2个节点，第二层通过模型的特征分类筛选出旅游时是否有景点类型倾向这个特征，该特征下有两个节点。节点3为有景点类型倾向的旅客，占节点1人数的73%，其中对旅游持喜欢态度的人占93.3%，对旅游持不喜欢态度的人占6.7%，节点4为无景点类型倾向的旅客，占节点1的23%，无景点类型倾向的旅客对旅游持喜欢态度的人占93.3%，对旅游持不喜欢态度的人占6.7%。模型第3层包含2个节点，通过模型的特征分类筛选出旅游花销来源这个特征，该特征下有两个节点。节点5为有稳定经费来源的旅客，占节点4人数的95%，其中对旅游持喜欢态度的人占87.9%，对旅游持不喜欢态度的人占12.1%，节点6为无稳定经费来源的旅客，占节点4的5%，节点4几乎全部为对旅游持不喜欢态度。由此可知，有无旅游经费也会影响大学生对于旅游的喜爱程度。研究结论5.1结论通过以上对大学生旅游意愿的分析，可以总结归纳出大学生旅游行为的一些特征：大学生获取旅游信息的主要渠道是互联网和同学朋友的推荐，通过互联网获取相关信息的主要原因是：一互联网资讯丰富，互联网汇集了大量旅游信息，涵盖各种旅游目的地、交通方式、住宿选择、景点介绍等，大学生可以在网上轻松获取到全面和及时的旅游信息；二互联网便捷快速，互联网提供了24小时不间断的在线查询和预订服务，大学生可以随时随地通过电脑或手机获取所需的旅游信息，避免了传统方式中需要到旅行社或预订中心的繁琐步骤。三是互联网互动性强，互联网平台如旅游网站、社交媒体等提供了互动性的功能，大学生可以通过在线社区、讨论区与其他旅行者分享经验、获取建议、交流观点，这种参与感和互动性吸引了年轻人。总的来说，互联网作为信息的集散地和交流平台，为大学生获取旅游信息提供了更为便捷、全面和个性化的选择，符合年轻人追求效率、互动和个性化的特点。大学生比较倾向寒暑假和周末等长假期间和亲朋好友共同出游去旅游，同时大多数人比较喜欢旅行3-4天。寒暑假期间大学生学业压力小、时间较为充裕，既可以更加轻松地安排旅行计划，也可以和朋友们一起组团旅游，增加互动与社交的乐趣。选择寒暑假出游的另一个原因也包括此时季节适宜，寒暑假通常是气候较好的季节，四季如春的南方地区、雪景如画的北方地区或者海滨度假胜地都是受欢迎的选择，大学生也更愿意在这样的节气里出行。综上所述，由于学业压力较小、时间充裕、便于结伴旅行、考虑气候等因素，大学生倾向于在寒暑假等长假期间选择旅行，以放松心情、探索世界、享受生活。大学生作为无稳定收入的团体，他们的旅游经费来源大都来源于自己的生活费和父母赞助，也有小部分同学的旅游经费来源于奖学金、自身兼职等渠道。正是因为旅游经费来源于每月生活费，使用大家能够接受的单次旅游花销也和其月生活费紧密相关。大学生对旅游的认同程度较高，不仅对旅游抱有较高的热情，而且也持有很强烈的出游愿望。被调查的大学生绝大多数都对旅游持喜爱态度，且他们的旅游频率在每年2-3次。大学生旅游目的大多为体验不同地方风土人情、欣赏自然风光以及朋友号召等。许多大学生热爱探索未知的世界，通过旅行，可以开阔眼界、学习不同文化和历史，增长见识，丰富自己的知识和阅历。同时，在繁重的学业中，旅行是大学生放松心情、缓解压力的有效方式，远离繁琐的学习和生活，享受片刻的轻松和自由。通过旅行，大学生也可以结交新朋友，加深与朋友或同学之间的感情，拓展社交圈子，增进彼此的了解和情谊，收获美好的回忆和故事。总之，旅行不仅能够带来娱乐和放松，同时也具有教育、体验和成长的意义，让大学生在旅途中获得满足和收获，丰富自己的大学生活。图4-2决策树模型图注：变量具体解释见表4-1。调查结果表明，有景点类型倾向的大学生更加喜欢旅游，且他们比较偏好美食胜地、山水风光、历史古迹以及民族风情等类型的旅游景点。美食不仅可以带来味觉上的愉悦和享受，也可以调节情绪、缓解压力，为生活增添乐趣。因此，各个旅游景点开始创造自己的特色美食，以此吸引更多的旅客。民族风情景点通常具有浓厚的地方文化范围，大学生可以欣赏和体验各地的传统民俗、手工艺等，了解当地人的生活方式和价值观。影响大学生是否出游的主要因素包括美食、住宿以及花销，这与大学生景点类型倾向美食胜地相符，次要因素为旅行时间、家人是否允许等。接着问卷设计了影响出游的关键性因素（三个）这一问题，占前三的因素为旅行花销、景点类型以及气候，这一大学生作为无稳定收入团体有关，同时也反映了大学生在旅游时有较强的景点特色倾向。逻辑回归分析的结果显示，被调查者的性别、旅游频率、旅游经费来源、每年旅游总花销、每月生活费以及旅游时间这些变量会影响他们对于旅游的喜爱程度。决策树分析法建立的模型表明旅游花销来源、旅游频率以及景点类型的权重值较大，说明这三个因素对于旅游的喜爱程度影响较大，而性别、月生活费以及旅游时长对于喜爱程度的影响较小。5.2总结通过上述的调查，我们可以得知大学生旅游意愿较高，大多数大学生对旅