• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于潛在類別模型的出行決策機(jī)理異質(zhì)性研究

      2022-03-15 09:21:48潘曉鋒
      關(guān)鍵詞:最大化效用機(jī)理

      潘曉鋒,左 志

      (1.武漢理工大學(xué),智能交通系統(tǒng)研究中心,武漢 430063;2.遼寧對外經(jīng)貿(mào)學(xué)院,信息管理學(xué)院,大連 116052)

      0 引 言

      在出行行為分析領(lǐng)域,離散選擇模型一直扮演著非常重要的角色。傳統(tǒng)的離散選擇模型是基于隨機(jī)效用最大化準(zhǔn)則構(gòu)建的[1]。該準(zhǔn)則假設(shè),每一個(gè)出行選項(xiàng)都會(huì)在出行者的大腦中形成一個(gè)“效用”的概念,出行者在面對一次出行選擇時(shí)會(huì)選擇效用最大的選項(xiàng)。效用是選項(xiàng)在出行者大腦中的整體反映或感知。由于一些不確定因素,研究者無法完整地表征出行者對出行選項(xiàng)感知的效用,因此,隨機(jī)效用最大化準(zhǔn)則假設(shè)出行選項(xiàng)的效用由確定項(xiàng)和隨機(jī)項(xiàng)兩部分組成。確定項(xiàng)表征研究者可捕捉的信息(通常采用線性加和的公式表示),隨機(jī)項(xiàng)表征研究者無法捕捉的信息?;趯﹄S機(jī)項(xiàng)不同的分布假設(shè),可得到不同形式的離散選擇模型。應(yīng)用最廣泛的模型是logit 模型,該模型假設(shè)不同出行選項(xiàng)的效用隨機(jī)項(xiàng)服從獨(dú)立且相同的標(biāo)準(zhǔn)Gumbel分布[1,2]。

      在實(shí)踐領(lǐng)域,如出行方式選擇[3,4]、出行路徑選擇[5,6]、出行目的地選擇[7,8]、私家車保有[9]、停車場選擇[10,11]等場景,基于隨機(jī)效用最大化準(zhǔn)則的離散選擇模型(尤其是logit 模型)得到了廣泛的應(yīng)用。然而,隨著越來越多的研究者投入到對模型理論的研究之中,傳統(tǒng)離散選擇模型的基礎(chǔ)——隨機(jī)效用最大化準(zhǔn)則受到了挑戰(zhàn)。Simon提出了“有限理性”的概念[12]。該理論認(rèn)為,由于信息的不完整以及處理信息能力的限制,決策者傾向于選擇令他感到滿意的選項(xiàng),而不是選擇效用最大的選項(xiàng)——這樣會(huì)節(jié)省做決策判斷的精力。Loomes和Sugden 提出了后悔理論[13],而基于后悔理論Chorus 等提出了隨機(jī)后悔最小化準(zhǔn)則,進(jìn)而構(gòu)建了一系列基于隨機(jī)后悔最小化準(zhǔn)則的離散選擇模型[14-16]。該準(zhǔn)則認(rèn)為,為避免做完決策后出現(xiàn)后悔,決策者在做決策時(shí)會(huì)兩兩對比各個(gè)選項(xiàng)的優(yōu)劣,進(jìn)而選擇最不容易產(chǎn)生后悔(即后悔最小化)的選項(xiàng)。該假設(shè)一經(jīng)提出便受到了關(guān)注,陸續(xù)有研究者致力于該類模型的研究[17,18],目前儼然成為隨機(jī)效用最大化準(zhǔn)則的最有力競爭者。其他理論或準(zhǔn)則還包括:相對效用最大化準(zhǔn)則[19]、相對優(yōu)勢最大化準(zhǔn)則[20,21]、前景理論[22,23]、自由效用模型[24]等。

      從這些研究中不難得到啟發(fā),決策者的行為決策是經(jīng)過復(fù)雜的信息收集、處理、評估、判斷等一系列過程之后的結(jié)果。用單一一個(gè)準(zhǔn)則或者理論去表征不同決策者的行為決策機(jī)理顯然不合適,甚至用單一一個(gè)準(zhǔn)則或者理論去表征同一決策者不同時(shí)期或不同情景下的行為決策機(jī)理同樣有失妥當(dāng)。因此,本研究擬考慮兩種行為決策準(zhǔn)則(即隨機(jī)效用最大化準(zhǔn)則和相對優(yōu)勢最大化準(zhǔn)則①由于數(shù)據(jù)和文章篇幅限制,本研究無法將以上列舉的決策機(jī)理全部納入研究范圍,僅以隨機(jī)效用最大化準(zhǔn)則和相對優(yōu)勢最大化準(zhǔn)則說明出行決策機(jī)理異質(zhì)性存在的極其重要性。),通過潛在類別模型結(jié)合兩種行為決策準(zhǔn)則用以研究出行者行為決策機(jī)理的異質(zhì)性。

      本研究的目的是驗(yàn)證出行決策異質(zhì)性的存在,并說明忽略其存在可能帶來的影響。本研究的貢獻(xiàn)主要有以下兩個(gè)方面。第一,本研究采用基于相對優(yōu)勢最大化準(zhǔn)則的模型來表征出行選擇行為。雖然相較于隨機(jī)后悔最小化準(zhǔn)則,相對優(yōu)勢最大化準(zhǔn)則在當(dāng)前的出行行為分析研究中較為少見,但是在二項(xiàng)選擇情景下基于隨機(jī)后悔最小化準(zhǔn)則的離散選擇模型和基于隨機(jī)效用最大化的離散選擇模型在數(shù)學(xué)上是等價(jià)的[25]。而基于相對優(yōu)勢最大化準(zhǔn)則的模型卻不存在這個(gè)問題。因此從這個(gè)角度來講,相對優(yōu)勢最大化準(zhǔn)則有著比隨機(jī)后悔最小化準(zhǔn)則更加廣泛的應(yīng)用場景。第二,本研究采用潛在類別模型分析出行決策機(jī)理的異質(zhì)性。雖然出行者的異質(zhì)性并不是一個(gè)新穎的課題,但是現(xiàn)有的研究多數(shù)集中在對出行者偏好異質(zhì)性的研究上[26,27],針對出行者決策機(jī)理的異質(zhì)性的研究則顯得少了很多。然而,針對出行者決策機(jī)理的假設(shè)是模型構(gòu)建的基礎(chǔ),故針對出行者決策機(jī)理的異質(zhì)性研究顯得尤為重要。

      1 模型架構(gòu)

      1.1 基于隨機(jī)效用最大化準(zhǔn)則的logit模型

      如前文所述,隨機(jī)效用最大化準(zhǔn)則(Random Utility Maximization,RUM)認(rèn)為,從研究者的角度而言,在出行者腦海中形成的出行選項(xiàng)的效用可以分為確定項(xiàng)和隨機(jī)項(xiàng)兩部分,用數(shù)學(xué)公式表示如下:

      從上式可以看出,出行者n對于第j個(gè)出行選項(xiàng)的選擇概率只與該出行選項(xiàng)自身屬性有關(guān),而與選擇集中其他出行選項(xiàng)的屬性無關(guān)。該特性通常被稱為IIA 特性(Independent from Irrelevant Alternatives)[1]。然而,該特性卻與現(xiàn)實(shí)世界中的真實(shí)情況相違背。在很多情景下,一個(gè)選項(xiàng)的選擇概率由于各種各樣的原因(比如,選項(xiàng)之間存在相關(guān)性)會(huì)受到其他選項(xiàng)的影響?;谶@個(gè)問題,研究者構(gòu)建了基于隨機(jī)效用最大化準(zhǔn)則的其他替代模型(如probit模型、分層logit模型、混合logit模型等)或者其他的行為決策機(jī)理。

      1.2 基于相對優(yōu)勢最大化準(zhǔn)則的logit模型

      近年來,基于隨機(jī)后悔最小化準(zhǔn)則的離散選擇模型受到了廣泛關(guān)注。雖然該類模型也突破了IIA 特性的限制,然而已有研究表明在二項(xiàng)選擇情景下基于后悔最小化準(zhǔn)則的離散選擇模型在數(shù)學(xué)上等價(jià)于基于隨機(jī)效用最大化準(zhǔn)則的模型[25]。因此,在二項(xiàng)選擇情景下,無法采用基于隨機(jī)后悔最小化準(zhǔn)則的模型來取代基于隨機(jī)效用最大化準(zhǔn)則的模型。基于相對優(yōu)勢最大化準(zhǔn)則(Relative Advantage Maximization,RAM)的模型提供了另一種可能的方法[20,21]。

      相對優(yōu)勢最大化準(zhǔn)則認(rèn)為出行選項(xiàng)在出行者大腦中映射的效用,不僅包括選項(xiàng)自身的屬性,還包括不同選項(xiàng)之間的相對優(yōu)勢,用數(shù)學(xué)公式可表示如下:

      式中:Ank(j,j′)表示出行者n腦海中映射的選項(xiàng)j對選項(xiàng)j′在屬性k上的直接優(yōu)勢;Dnk(j,j′)表示出行者n腦海中映射的選項(xiàng)j對選項(xiàng)j′在屬性k上的直接劣勢。

      借鑒隨機(jī)后悔最小化準(zhǔn)則中后悔值的定義[13],Ank(j,j′)和Dnk(j,j′)可由下述公式表示:

      類似于基于隨機(jī)效用最大化準(zhǔn)則的logit 模型,假設(shè)隨機(jī)項(xiàng)εnj服從尺寸參數(shù)為0、位置參數(shù)為1的Gumbel 分布,則基于相對優(yōu)勢最大化準(zhǔn)則的logit模型選擇概率可以表示為:

      從上式可以看出,出行者n對于第j個(gè)出行選項(xiàng)的選擇概率不僅與該出行選項(xiàng)自身屬性有關(guān),還與選擇集中其他出行選項(xiàng)的屬性相關(guān)(即相對優(yōu)勢)。需要注意的是,基于相對優(yōu)勢最大化準(zhǔn)則的logit模型和基于隨機(jī)效用最大化準(zhǔn)則的logit模型的差別并不在參數(shù)意義的不同或者參數(shù)個(gè)數(shù)的多少。從公式(4)可以看出,基于相對優(yōu)勢最大化準(zhǔn)則的logit 模型是在傳統(tǒng)的效用函數(shù)中增加了被稱為“相對優(yōu)勢”的部分。

      1.3 結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型

      越來越多的研究表明,出行者在做決策時(shí)可能會(huì)采用不同的策略??赡艿那樾问牵骋环N決策機(jī)理只能表征出行群體中某一類人的決策過程。因此,可采用潛在類別模型將出行者分類,不同類別的出行者適用不同的出行決策機(jī)理。潛在類別模型假設(shè)樣本之內(nèi)存在多個(gè)“潛在類別”,不同類別的出行者存在某一方面(如選擇偏好、決策機(jī)理)的差異,而同一類別之間的出行者不存在異質(zhì)性。在現(xiàn)有文獻(xiàn)研究中,潛在類別模型被視為混合logit 模型(mixed logit model)的替代者,用以描述出行者選擇偏好的異質(zhì)性[9,11]。

      本研究綜合考慮隨機(jī)效用最大化準(zhǔn)則和相對優(yōu)勢最大化準(zhǔn)則,因此將樣本共分為兩個(gè)潛在類別,定義為“隨機(jī)效用”類別和“相對優(yōu)勢”類別。潛在類別模型的數(shù)學(xué)表達(dá)可采用如下形式:式中:α為待估常數(shù)。值得注意的是,可以將出行者的個(gè)人社會(huì)經(jīng)濟(jì)屬性引入上述公式中,本研究對此不做考慮,故此省略。

      1.4 極大似然估計(jì)求解模型

      無論是基于隨機(jī)效用最大化準(zhǔn)則的logit 模型,還是基于相對優(yōu)勢最大化準(zhǔn)則的logit 模型,亦或是兩者結(jié)合的潛在類別模型,均可由極大似然估計(jì)方法求解。結(jié)合兩種準(zhǔn)則的潛在類別模型的似然函數(shù)可由下式表示:

      式中:ynj為啞元變量,當(dāng)出行者n選擇出行選項(xiàng)j時(shí),ynj= 1,否則ynj= 0。

      2 數(shù)據(jù)收集

      2.1 SP實(shí)驗(yàn)設(shè)計(jì)

      本研究所用數(shù)據(jù)來自基于SP實(shí)驗(yàn)設(shè)計(jì)的在線問卷調(diào)查。具體而言,被調(diào)查者需在給定的出行場景中選擇他認(rèn)為最優(yōu)的選項(xiàng)——即高速路或者?。▏┑?。高速路或者?。▏┑烙梢幌盗袑傩詫ζ溥M(jìn)行描述,包括出行距離、出行時(shí)間、綜合費(fèi)用、擁堵程度。

      為了設(shè)置高速路和省(國)道各屬性的具體值,本研究考慮四對出行起終點(diǎn),均位于新疆,分別為烏魯木齊市至托克遜縣小草湖(省(國)道距離設(shè)為150 km,高速路距離設(shè)為160 km)、烏魯木齊市至吐魯番市(省(國)道距離設(shè)為197 km,高速路距離設(shè)為201 km)、烏魯木齊市至哈密市(?。▏┑谰嚯x設(shè)為640 km,高速路距離設(shè)為610 km)、烏魯木齊市至阿克蘇市(?。▏┑谰嚯x設(shè)為1010 km,高速路距離設(shè)為1020 km)。注意在情景題中并沒有給出起終點(diǎn)名稱,該四對起終點(diǎn)只用于輔助SP實(shí)驗(yàn)設(shè)計(jì)。?。▏┑赖木C合費(fèi)用僅包含油耗,而高速路的綜合費(fèi)用除了油耗還包含過路費(fèi)。油耗產(chǎn)生的費(fèi)用由百公里油耗系數(shù)根據(jù)距離換算得到,過路費(fèi)由實(shí)際高速路收費(fèi)得到??偠灾?,在同一出行起終點(diǎn)的情景下,省(國)道的距離和綜合費(fèi)用固定,高速路的距離固定,兩者的出行時(shí)間和高速路的綜合費(fèi)用分別由四個(gè)等級構(gòu)成(由距離換算得到的時(shí)間或者費(fèi)用再加上一定偏差得到)。道路的擁堵程度采用“堵塞、擁擠、暢通”三個(gè)等級。需要注意的是,本文所說的“出行時(shí)間”指設(shè)計(jì)速度下的理論出行時(shí)間。

      2.2 問卷調(diào)查

      為驗(yàn)證問卷的合理性和填寫過程中可能存在的問題,本研究首先實(shí)施了小范圍的預(yù)調(diào)查。根據(jù)預(yù)調(diào)查結(jié)果,刪去了SP 實(shí)驗(yàn)設(shè)計(jì)中存在明顯優(yōu)勢的情景題。問卷通過線上的形式進(jìn)行發(fā)放,整個(gè)數(shù)據(jù)收集過程為2020 年12 月9~15 日。共收集問卷1 071 份,其中有效問卷976 份,有效率為91.13%。每位被調(diào)查者需回答16道不同的情景題,共計(jì)得到15 616條觀測數(shù)據(jù),其中選擇?。▏┑赖挠^測數(shù)據(jù)5 267 條,選擇高速路的觀測數(shù)據(jù)10 349 條。兩者在樣本中的占有率分別為33.73%和66.27%,可見總體而言,多數(shù)出行者傾向于使用高速路。

      3 模型參數(shù)估計(jì)與對比

      本研究采用R中的maxLik包[28]對模型參數(shù)進(jìn)行估計(jì)。除去屬性“擁堵狀況”采用效應(yīng)編碼(effects coding)之外,其余屬性皆為連續(xù)變量。同時(shí),將出行選項(xiàng)“高速路”的效用函數(shù)中的常數(shù)項(xiàng)固定為0,兩個(gè)選項(xiàng)的效用函數(shù)的確定項(xiàng)的具體形式為:

      式中:下標(biāo)“hw”和“np”分別代表出行選項(xiàng)“高速路”和“?。▏┑馈?;下標(biāo)“d”、“t”和“m”分別代表屬性出行距離、出行時(shí)間和綜合費(fèi)用;屬性“擁堵狀況”為離散變量,采用效應(yīng)編碼:以高速路為例,當(dāng)?shù)缆窢顩r為“擁擠”時(shí),xhw,c1= 1 且xhw,c2= 0;當(dāng)?shù)缆窢顩r為“堵塞”時(shí),xhw,c1= 0 且xhw,c2= 1。因此,βc1用以描述“擁擠”的效用,βc2用以描述“堵塞”的效用,而“暢通”的效用則為-(βc1+βc2)。關(guān)于效應(yīng)編碼的詳細(xì)介紹,參見文獻(xiàn)[29]。?np為?。▏┑佬в煤瘮?shù)的待估常數(shù)項(xiàng)。出行距離、出行時(shí)間和出行費(fèi)用的單位分別為:km、min和元。

      下面首先分別給出基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit 模型參數(shù)估計(jì)結(jié)果,然后給出了結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型參數(shù)估計(jì)結(jié)果。通過對比分析,探討出行者在做出行決策時(shí)的決策機(jī)理異質(zhì)性。

      3.1 基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit模型參數(shù)估計(jì)

      表1 列出了基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit 模型參數(shù)估計(jì)結(jié)果。兩個(gè)模型的ρ2分別為0.1571 和0.1572——兩者均顯示較好的擬合效果。同時(shí),從模型的參數(shù)估計(jì)結(jié)果中可以發(fā)現(xiàn)一些結(jié)論:①在兩個(gè)模型的結(jié)果中,出行距離均不顯著(不顯著的屬性在參數(shù)估計(jì)過程中直接刪除)。該結(jié)論與現(xiàn)有文獻(xiàn)中相關(guān)研究是一致的[30],這表明在出行路徑選擇場景中(尤其是本研究的應(yīng)用場景——長距離出行),出行者并不考慮距離的影響,而更多地考慮出行時(shí)間的長短。②兩個(gè)模型的結(jié)果均顯示,出行時(shí)間和綜合費(fèi)用對于出行者的路徑選擇呈負(fù)相關(guān)的關(guān)系,即一條道路的出行時(shí)間或綜合費(fèi)用越高,該道路的選擇概率越低。該結(jié)論與現(xiàn)實(shí)情況相一致。③對于道路的擁擠狀況,兩個(gè)模型的結(jié)果均顯示,道路的擁擠程度越低,其被出行者選擇的概率越高。該結(jié)論同樣與現(xiàn)實(shí)情況相一致。

      表1 基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit模型參數(shù)估計(jì)

      此外,本研究采用ρ2、AIC 和BIC 三個(gè)指標(biāo),對比了基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit 模型的優(yōu)劣。結(jié)果顯示,三個(gè)指標(biāo)顯示兩者的擬合度大致相當(dāng),基于相對優(yōu)勢最大化準(zhǔn)則的logit模型略優(yōu)于隨機(jī)效用最大化準(zhǔn)則的logit模型,但是該優(yōu)勢并不明顯。仔細(xì)對比不難發(fā)現(xiàn),雖然兩者在擬合度上表現(xiàn)相當(dāng),具體參數(shù)的估計(jì)值卻仍然存在差異。

      3.2 結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型參數(shù)估計(jì)

      表2 展示了結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型參數(shù)估計(jì)結(jié)果。需要注意的是,在兩個(gè)潛在類別中只有常數(shù)項(xiàng)不同。如前文所述,基于相對優(yōu)勢最大化準(zhǔn)則的logit 模型是在傳統(tǒng)的效用函數(shù)中增加了該選項(xiàng)相對于其他選項(xiàng)的“相對優(yōu)勢”。從表2可知,該模型的ρ2為0.1604,表明該模型具有較好的擬合度。同時(shí),由基于隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的logit 模型參數(shù)估計(jì)結(jié)果中得到的結(jié)論同樣適用于結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型參數(shù)估計(jì)結(jié)果。此外,表2顯示潛在類別常數(shù)項(xiàng)估計(jì)值為-1.850 269。根據(jù)公式(12)和公式(13)可得,在所用樣本中采用隨機(jī)效用最大化準(zhǔn)則做出行決策的群體約占16.58%,而采用相對優(yōu)勢最大化準(zhǔn)則做出行決策的群體約占83.42%。該結(jié)論表明雖然基于隨機(jī)效用最大化準(zhǔn)則的logit 模型和基于相對優(yōu)勢最大化準(zhǔn)則的logit模型的擬合度相差不大,但在所用樣本中兩者的分布是存在差異的。

      表2 結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型參數(shù)估計(jì)

      對比模型的ρ2、AIC 和BIC 三個(gè)指標(biāo),不難發(fā)現(xiàn)結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型明顯優(yōu)于其他兩個(gè)采用單一決策準(zhǔn)則的模型。該結(jié)論驗(yàn)證了本研究的假設(shè),即出行者在做決策時(shí)采用的決策機(jī)理存在異質(zhì)性。

      3.3 基于不同模型參數(shù)估計(jì)結(jié)果的彈性分析

      以上內(nèi)容已經(jīng)證明了出行決策機(jī)理的異質(zhì)性。為了進(jìn)一步說明出行決策機(jī)理異質(zhì)性在出行行為分析中的重要性,下面將計(jì)算基于不同模型參數(shù)估計(jì)結(jié)果的彈性。

      彈性反映某一選項(xiàng)的某一屬性發(fā)生1%的改變對該選項(xiàng)或其他選項(xiàng)的選擇概率的變化情況[29]。由于道路擁堵狀況為非連續(xù)屬性,本研究只考慮出行時(shí)間和綜合費(fèi)用的變化對省(國)道和高速路占有率的變化①由于本研究中1%的變化情況下?。▏┑篮透咚俾氛加新实淖兓?,故變化值設(shè)定為減少10%。。表3展示了基于不同模型結(jié)果省(國)道和高速路的出行時(shí)間和綜合費(fèi)用分別減少10%時(shí)各自占有率的變化情況。從中可以看出,基于隨機(jī)效用最大化準(zhǔn)則的logit 模型和基于相對優(yōu)勢最大化準(zhǔn)則的logit 模型在分析出行時(shí)間和綜合費(fèi)用彈性時(shí)幾乎沒有區(qū)別,而基于結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型得到的?。▏┑篮透咚俾氛加新首兓祫t與前兩者相差較明顯,尤其是當(dāng)?。▏┑赖某鲂袝r(shí)間減少10%時(shí),結(jié)果相差超過1%。由此可見,當(dāng)忽略了出行決策機(jī)理的異質(zhì)性時(shí),可能會(huì)在后續(xù)的分析中產(chǎn)生誤差,進(jìn)而誤導(dǎo)政策制定者做出錯(cuò)誤的判斷,最終導(dǎo)致政策無法達(dá)到預(yù)期目標(biāo),造成經(jīng)濟(jì)損失。

      表3 屬性值減少10%時(shí)出行時(shí)間和綜合費(fèi)用的彈性分析結(jié)果

      4 結(jié)束語

      本文考慮了隨機(jī)效用最大化準(zhǔn)則和相對優(yōu)勢最大化準(zhǔn)則兩種不同的決策機(jī)理。基于在新疆收集的關(guān)于長距離出行的道路選擇意向調(diào)查數(shù)據(jù),分別建立了基于隨機(jī)效用最大化準(zhǔn)則的logit 模型、基于相對優(yōu)勢最大化準(zhǔn)則的logit 模型以及結(jié)合兩者的潛在類別模型;通過對比三個(gè)模型參數(shù)估計(jì)結(jié)果與彈性分析結(jié)果,探討了出行決策機(jī)理異質(zhì)性。本研究的意義在于:借助結(jié)合隨機(jī)效用最大化和相對優(yōu)勢最大化準(zhǔn)則的潛在類別模型,從理論角度驗(yàn)證了出行決策機(jī)理異質(zhì)性的存在,從實(shí)踐角度指出了出行決策機(jī)理異質(zhì)性的重要性。

      誠然,關(guān)于出行決策機(jī)理異質(zhì)性依舊有許多地方值得進(jìn)一步深入研究。本研究沒有考慮出行者的個(gè)人社會(huì)經(jīng)濟(jì)屬性,只能從宏觀的角度分析采用兩種不同決策機(jī)理的人群的占比,而無法精確地分析兩種決策機(jī)理在不同屬性的出行群體中的分布。由于在二項(xiàng)選擇情景中,基于隨機(jī)后悔最小化準(zhǔn)則的離散選擇模型在數(shù)學(xué)上等價(jià)于基于隨機(jī)效用最大化準(zhǔn)則的模型,故本研究無法將其考慮在內(nèi)。未來研究可以結(jié)合隨機(jī)效用最大化準(zhǔn)則、相對優(yōu)勢最大化準(zhǔn)則、隨機(jī)后悔最小化準(zhǔn)則(甚至更多的決策機(jī)理)構(gòu)建更加普適的決策機(jī)理異質(zhì)性模型。

      猜你喜歡
      最大化效用機(jī)理
      隔熱纖維材料的隔熱機(jī)理及其應(yīng)用
      勉縣:力求黨建“引領(lǐng)力”的最大化
      Advantages and Disadvantages of Studying Abroad
      小學(xué)美術(shù)課堂板書的四種效用
      劉佳炎:回國創(chuàng)業(yè)讓人生價(jià)值最大化
      煤層氣吸附-解吸機(jī)理再認(rèn)識
      中國煤層氣(2019年2期)2019-08-27 00:59:30
      霧霾機(jī)理之問
      納米硫酸鋇及其對聚合物的改性效用
      中國塑料(2016年9期)2016-06-13 03:18:48
      戴夫:我更愿意把公益性做到最大化
      幾種常見葉面肥在大蒜田效用試驗(yàn)
      东至县| 库尔勒市| 孝昌县| 青岛市| 禄丰县| 安吉县| 吴江市| 嘉义县| 紫云| 东明县| 京山县| 额敏县| 雷州市| 云梦县| 电白县| 彭山县| 泗水县| 两当县| 普兰店市| 龙陵县| 望都县| 叶城县| 泰来县| 鸡西市| 佛山市| 海门市| 固安县| 新蔡县| 西城区| 临西县| 连江县| 大田县| 新兴县| 安陆市| 昌黎县| 汶上县| 温宿县| 镇安县| 仙游县| 中超| 乌兰浩特市|