居民出行方式选择：考虑偏好差异与方案相关性的配对巢式Logit模型

"考虑偏好差异与备选方案相关性的居民出行方式选择模型 (2012年)，通过结合广义极值模型与潜在类别模型，针对出行费用、出行时间、停车费用和等待时间等因素，构建了区分潜在类别的配对巢式logit模型，以反映居民出行偏好的差异和不同出行方式之间的关联性。利用2005年北京市居民出行数据进行模型参数估计和检验。" 在传统的Logit模型中，存在独立于替代效应（IIA）的缺陷，即模型假设不同出行方式之间的相对效用不会因增加一个选项而改变。然而，实际情况中，居民的出行选择可能受到其他备选方案的影响，且不同人的偏好可能存在显著差异。为解决这一问题，研究者提出了一种新的模型——区分潜在类别的配对巢式Logit模型（Paired Nested Logit model with Latent Classes）。此模型结合了广义极值理论（Generalized Extreme Value theory）和潜在类别模型（Latent Class model），旨在更准确地捕捉出行者的偏好结构和不同出行方式间的相关性。 模型的构建中，出行费用、出行时间、停车费用和等待时间等被视为影响出行方式选择的效用变量。此外，个人收入、出行目的和出行距离则被纳入类属函数变量，以揭示出行者不同的偏好类别。通过2005年北京市的居民出行调查数据，模型的参数得以估计，并进行了统计检验。 模型参数估计结果显示： 1) 区分潜在类别的配对巢式Logit模型相比传统MNL模型和未区分潜在类别的配对巢式Logit模型，具备更好的统计特性，更能反映实际情况中的复杂选择行为。 2) 在出行者群体中，对出行费用敏感的人群比例高于对出行时间敏感的人群，这意味着在提供交通服务时，降低费用可能比缩短时间更能吸引更多的出行者。 关键词：出行方式选择、偏好差异、相关性、潜在类别、配对巢式Logit模型 这个研究对城市交通规划和政策制定具有重要意义，它强调了考虑个体偏好差异和不同出行方式间相关性的重要性，为优化公共交通服务和提升居民出行满意度提供了理论依据。通过这样的模型，政策制定者可以更好地理解居民的出行决策过程，从而制定出更符合需求的交通策略。