具有异质决策规则的动态选择模型：在估计轨道交通拥挤用户成本中的应用
应用统计
2020-07-09 v1 计量经济学
摘要
地铁乘客的拥挤价值评估是公交运营者各类供给侧决策的重要输入。乘客感知的拥挤成本通常通过捕捉其在选路时对拥挤与出行时间所做的权衡来估计。然而，现有研究依赖静态补偿性选择模型，未能考虑乘客的惯性与学习行为。为应对这些挑战，我们提出一种新的动态潜类模型(DLCM)，其（i）基于不同决策规则将乘客分配至补偿性和惯性/习惯潜类，（ii）允许这些类别随时间转移，以及（iii）采用基于实例的学习理论来解释乘客的学习行为。我们使用期望最大化算法估计DLCM，并利用Viterbi算法提取每位乘客最可能的潜类序列。所提DLCM可应用于任何选择情境以捕捉决策者所用决策规则的动态性。我们在一个亚洲地铁乘客拥挤价值评估中展示了其实用优势。为校准模型，我们利用为期两个月的智能卡和车辆位置数据恢复常规地铁乘客的每日路线偏好与车内拥挤体验。结果表明，平均乘客仅在25.5%的路线选择场合遵循补偿性规则。DLCM估计还显示，在极度拥挤条件下地铁乘客对出行时间的价值评估相较不拥挤条件提高了47%。
引用
@article{arxiv.2007.03682,
title = {A Dynamic Choice Model with Heterogeneous Decision Rules: Application in Estimating the User Cost of Rail Crowding},
author = {Prateek Bansal and Daniel Hörcher and Daniel J. Graham},
journal= {arXiv preprint arXiv:2007.03682},
year = {2020}
}