RP/SP融合数据：Mixed Logit与Nested Logit模型对比研究

本文探讨了RP/SP（Revealed Preference/State-Preference，显性偏好/隐性偏好）融合数据在交通行为研究中的核心作用。RP/SP数据集结合了实际出行行为（RP，通过观察得出的行为模式）与主观态度或意愿（SP，通过问卷调查获取的偏好信息），为理解和预测个体出行决策提供了更为深入的视角。作者通过对实际调查的RP/SP数据进行分析，对比了两种常见的随机参数化选择模型——Mixed Logit模型和Nested Logit模型的估计结果。 Mixed Logit模型是一种混合选择模型，它假设每个个体的行为是由多个潜在因素决定的，这些因素可能影响他们的出行选择，且这些因素的效应参数是随机分布的。这种模型考虑了个体的异质性，即每个个体可能有不同的偏好和行为特征。由于RP/SP数据融合了这两种类型的关联性，Mixed Logit模型能够更好地捕捉到同类型交通方式之间的内在联系，并提供更精确的参数估计。 相比之下，Nested Logit模型则采用了分层结构，将交通方式按照一定的层次关系进行划分，每个层次内的交通方式共享相同的参数。在处理RP/SP融合数据时，不同的Nested Logit模型分层方法可以用来比较不同类型交通方式的关联强度，有助于发现可能存在的层次效应。 作者发现，有时候在RP/SP数据中，同类型交通方式之间的关联性可能比RP和SP数据之间的关联性更强，这表明在处理这类复杂数据时，Nested Logit模型的分层策略可能是更合适的选择。然而，Mixed Logit模型因其考虑了个体异质性，能够反映出不同交通方式使用者对时间和费用的不同敏感性，例如，它揭示了小汽车使用者通常比公共交通使用者对时间的价值评估更高，这是一个现实世界中的典型现象。 这篇论文通过实证分析强调了RP/SP融合数据在交通行为分析中的独特价值，并提供了混合选择模型与分层模型在处理此类数据时的比较和适用性。这对于交通规划者、政策制定者以及研究人员来说，提供了有价值的方法论参考，有助于他们更准确地理解并预测人们的出行行为。