Logit

Logit（精选8篇）

Logit 篇1

1二重指数分布的性质

假设随机变量ε服从参数为 (η, ω) 的二重指数分布。分布函数为

Fε (x) =exp (-e-ω (x-η) ) , ω>0。 (1)

对Fε (x) 求导数得到ε的分布密度函数

ρ (x) =ωe-ω (x-η) exp (-e-ω (x-η) ) , ω>0 (2)

1.1二重指数分布函数的性质

二重指数分布函数具有性质:

(1) 最频值为M (ε) =η;

(2) 均值 (期望值) 为$E(\text{ε})=\text{η}+\frac{\text{γ}}{\text{ω}}$, 这里γ是欧拉常数, γ≈0.5772;

(3) 方差$\text{σ}{}^2=\frac{\pi {}^2}{6\text{ω}{}^2}$;

(4) 当ε服从参数为 (η, ω) 的二重指数分布时, αε+V服从参数为$\left(\text{α}\text{η}+\text{V},\frac{\text{ω}}{\text{α}}\right)$的二重指数分布, 这里的α>0, V为常数;

(5) 当随机变量ε1, ε2服从参数为 (η1, ω) , (η2, ω) 的相互独立的二重指数分布时, ε*=ε1-ε2服从后勤分布

$\text{F}{}_{\text{ε}{}^{*}}(\text{x})=\frac{1}{1+e{}^{\text{ω}(\text{η}{}_1-\text{η}{}_2-\text{x})}}‚\text{ω}＞0$。

(6) 当随机变量 (ε1, ε2, …, εJ) 为J个两两相互独立的、分别服从参数为 (η1, ω) , (η2, ω) … (ηJ, ω) 的二重指数分布时, max (ε1, ε2, …, εJ) 服从参数为$\left(\frac{1}{\text{ω}}ln{\displaystyle \sum _{\text{i}=1}^{\text{J}}e}{}^{\text{ω}\text{η}{}_{\text{i}}},\text{ω}\right)$的二重指数分布。

1.2二重指数分布函数相关性质的证明

性质 (1) —性质 (3) 由统计量定义可直接求出。

性质 (4) 的证明 令ε0=αε+V, 又随机变量ε服从参数为 (η, ω) 的二重指数分布, 故ε0的分布函数为

$\begin{array}{l}\text{F}{}_{\text{ε}{}^0}(\text{x})=\text{Ρ}(\text{ε}{}^0\le \text{x})=\text{Ρ}(\text{α}\text{ε}+\text{V}\le \text{x})\\ =\text{Ρ}\left(\text{ε}\le \frac{\text{x}}{\text{α}}-\frac{\text{V}}{\text{α}}\right)=\text{F}{}_{\text{ε}}\left(\frac{\text{x}}{\text{α}}-\frac{\text{V}}{\text{α}}\right)=exp\left(-e{}^{\frac{\text{ω}}{\text{α}}(\text{x}-\text{V}-\text{α}\text{η})}\right)。\end{array}$

其中P (ε0≤x) 为ε0≤x时的概率。由二重指数分布知ε0服从参数为$\left(\text{α}\text{η}+\text{V},\frac{\text{ω}}{\text{α}}\right)$二重指数分布。性质 (4) 表明二重指数分布的随机变量经过线性变换后仍服从二重指数分布。

性质 (5) 的证明:ε*的分布函数为

$\text{F}{}_{\text{ε}{}^{*}}(\text{y})=\text{Ρ}(\text{ε}{}_1-\text{ε}{}_2\le \text{y})=\text{Ρ}(\text{ε}{}_1\le \text{y}+\text{ε}{}_2)={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}{\displaystyle \underset{-\infty }{\overset{\text{y}+\text{x}{}_2}{\int }}\text{p}}}(\text{x}{}_1,\text{x}{}_2)d\text{x}{}_{1}d\text{x}{}_2$。

p (x1, x2) 为ε1, ε2的联合分布密度, 又ε1, ε2相互独立的则有

$\begin{array}{l}\text{F}{}_{\text{ε}{}^{*}}={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}{\displaystyle \underset{-\infty }{\overset{\text{y}+\text{x}{}_2}{\int }}\text{p}}}{}_{\text{ε}{}_1}(\text{x}{}_1)\text{p}{}_{\text{ε}{}_2}(\text{x}{}_2)d\text{x}{}_{1}d\text{x}{}_2=\\ {\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}{\displaystyle \underset{-\infty }{\overset{\text{y}}{\int }}\text{p}}}{}_{\text{ε}{}_1}(\text{z}+\text{x}{}_2)\text{p}{}_{\text{ε}{}_2}(\text{x}{}_2)d\text{z}d\text{x}{}_2={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}e{}^{-\text{ω}(\text{x}-\text{η}{}_2)}\times \\ exp(-e{}^{-\text{ω}(\text{x}-\text{η}{}_2)}){\displaystyle \underset{-\infty }{\overset{\text{y}}{\int }}\text{ω}}e{}^{-\text{ω}(\text{z}+\text{x}-\text{η}{}_1)}exp(-\text{e}{}^{-\text{ω}(\text{z}+\text{x}-\text{η}{}_1)})d\text{z}d\text{x}=\\ {\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}e{}^{-\text{ω}(\text{x}-\text{η}{}_2\text{s})}exp(-e{}^{-\text{ω}(\text{x}-\text{η}{}_2)})exp(-e{}^{-\text{ω}(\text{x}+\text{y}-\text{η}{}_1)})d\text{x}={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}e{}^{-\text{ω}(\text{x}-\text{η}{}_2)}exp(-e{}^{-\text{ω}\text{x}}(e{}^{\text{ω}\text{η}{}_2}+e{}^{-\text{ω}\text{y}+\text{ω}\text{η}{}_1}))d\text{x}。\end{array}$

$\begin{array}{l}\text{令}\text{δ}=e{}^{\text{ω}\text{η}{}_2}+e{}^{-\text{ω}\text{y}+\text{ω}\text{η}{}_1}‚\\ \text{F}{}_{\text{ε}{}^{*}}(\text{y})={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}e{}^{-\text{ω}(\text{x}-\text{η}{}_2)}exp(-\text{δ}e{}^{-\text{ω}\text{x}})d\text{x}=\frac{e{}^{\text{ω}\text{η}{}_2}}{\text{δ}}{\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}\text{δ}e{}^{-\text{ω}\text{x}}exp(-\text{δ}e{}^{-\text{ω}\text{x}})d\text{x}。\end{array}$

$\begin{array}{l}\text{作}\text{变}\text{换}exp(-\text{δ}e{}^{-\text{ω}\text{x}})=exp\left(-e{}^{-\text{ω}\left(\text{x}-\left(\frac{ln\text{δ}}{\text{ω}}\right)\right)}\right)‚\\ \text{F}{}_{\text{ε}{}^{*}}(\text{y})=\frac{e{}^{\text{ω}\text{η}{}_2}}{\text{δ}}{\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}\text{δ}e{}^{-\text{ω}\text{x}}exp\left(-e{}^{-\text{ω}\left(\text{x}-\frac{ln\text{δ}}{\text{ω}}\right)}\right)d\text{x}=\frac{e{}^{\text{ω}\text{η}{}_2}}{\text{δ}}=\frac{1}{1+e{}^{\text{ω}(\text{η}{}_1-\text{η}{}_2-\text{y})}}。\end{array}$

性质 (6) 的证明 ε1, ε2, …, εJ两两相互独立, 令ε*=max (ε1, ε2, …, εJ) , 分布函数

$\begin{array}{l}\text{F}{}_{\text{ε}{}^{*}}(\text{x})=\text{Ρ}(\text{ε}{}_{*}\le \text{x})=\text{Ρ}(max(\text{ε}{}_1,\text{ε}{}_2,\cdots ,\text{ε}{}_{\text{J}})\le \text{x})=\text{Ρ}(\text{ε}{}_1\le \text{x})\text{Ρ}(\text{ε}{}_2\le \text{x})\cdots \text{Ρ}(\text{ε}{}_{\text{J}}\le \text{x})=\text{F}{}_{\text{ε}{}_1}(\text{x})\text{F}{}_{\text{ε}{}_2}(\text{x})\cdots \text{F}{}_{\text{ε}{}_{\text{J}}}(\text{x})=\\ {\displaystyle \prod }_{\text{i}=1}^{\text{J}}exp(-e{}^{-\text{ω}(\text{x}-\text{η}{}_{\text{i}})})=exp\left[{\displaystyle \sum _{\text{i}=1}^{\text{J}}(}-e{}^{-\text{ω}(\text{x}-\text{η}{}_{\text{i}})})\right]=\\ exp\left(-e{}^{-\text{ω}\text{x}}{\displaystyle \sum _{\text{i}=1}^{\text{J}}\text{e}}{}^{\text{ω}\text{η}{}_{\text{i}}}\right)。\end{array}$

令$\text{β}=\frac{1}{\text{ω}}ln{\displaystyle \sum _{\text{i}=1}^{\text{J}}e}{}^{\text{ω}\text{η}{}_{\text{i}}}$则有

Fε* (x) =exp (-e-ω (x-β) ) 。

2Logit模型的导出

2.1方法1

设出行者n所有选择集合为An, 选择方案i的效用函数为Uin, 则Uin可表示为Uin=Vin+εin。其中Vin表示出行者n选择方案i的效用函数中的固定项, εin表示出行者n选择方案i的效用函数中的随机项。设εjn, j=∈An服从参数 (η, ω) 且相互独立的二重指数分布。通常取η=0, 由性质 (4) , Ujn, j∈An服从参数 (rjn, ω) 的二重指数分布。根据效用最大化理论, 出行者n选择方案i的概率Pin可表示为

$\text{Ρ}{}_{\text{i}\text{n}}=\text{Ρ}(\text{U}{}_{\text{i}\text{n}}\ge \text{U}{}_{\text{j}\text{n}},\text{i}\ne \text{j},\text{j}\in \text{A}{}_{\text{n}})=\text{Ρ}(\text{V}{}_{\text{i}\text{n}}+\text{ε}{}_{\text{i}\text{n}}\ge \text{V}{}_{\text{j}\text{n}}+\text{ε}{}_{\text{j}\text{n}},\text{i}\ne \text{j},\text{j}\in \text{A}{}_{\text{n}})=\text{Ρ}(\text{V}{}_{\text{i}\text{n}}+\text{ε}{}_{\text{i}\text{n}}\ge \underset{\text{j}\in \text{A}{}_{\text{n}},\text{j}\ne \text{i}}{{\displaystyle max}}(\text{V}{}_{\text{j}\text{n}}+\text{ε}{}_{\text{j}\text{n}}))$。

令$\text{U}{}_{\text{n}}^{*}=\underset{\text{j}\in \text{A}{}_{\text{n}},\text{j}\ne 1}{{\displaystyle max}}(\text{V}{}_{\text{j}\text{n}}+\text{ε}{}_{\text{j}\text{n}})$, 由性质 (6) , U*n服从参数为$\left(\frac{1}{\text{ω}}ln{\displaystyle \sum _{\text{j}=1,\text{j}\ne \text{i}}^{\text{A}{}_{\text{n}}}e}{}^{\text{ω}\text{V}{}^{\text{j}\text{n}}}‚\text{ω}\right)$的二重指数分布。令$\text{U}{}_{\text{n}}^{*}=\text{V}{}_{\text{n}}^{*}+\text{ε}{}_{\text{n}}^{*},\text{V}{}_{\text{n}}^{*}=\frac{1}{\text{ω}}ln{\displaystyle \sum _{\text{j}=1,\text{j}\ne 1}^{\text{A}{}_{\text{n}}}e}{}^{\text{ω}\text{V}{}_{\text{j}\text{n}}}$, 由性质 (4) ε*n服从参数 (0, ω) 的二重指数分布。Pin=P (Vin+εin≥V*n+ε*n) =P[ (V*n+ε*n) - (Vin+εin) ≤0]。由性质 (5) 知

$\text{Ρ}{}_{in}=\frac{1}{1+e{}^{\text{ω}(\text{V}{}_{\text{n}}^{*}-\text{V}{}_{\text{i}\text{n}})}}=\frac{e{}^{\text{ω}\text{V}{}_{\text{i}\text{n}}}}{e{}^{\text{ω}\text{V}{}_{\text{i}\text{n}}}+e{}^{\text{ω}\text{V}{}_{\text{n}}^{*}}}=\frac{e{}^{\text{ω}\text{V}{}_{\text{m}}}}{{\displaystyle \sum _{\text{j}\in \text{A}{}_{\text{n}}}e}\text{ω}\text{V}{}_{\text{j}\text{n}}}$。 (4)

2.2方法2

设εjn, j∈An服从参数 (0, ω) 且相互独立的二重指数分布。分布函数极分布密度函数分别为式 (1) 、式 (2) 。由式 (3) 知出行者n选择方案i的概率Pin可表示为

Pin=P (εjn≤Vin-Vjn+εin, i≠j, j∈An) 。 (5)

令εn= (ε1n, ε2n, …εJn) , 设εn联合分布密度函数fεn (x1n, x2n, …, xJn) 。由式

$\begin{array}{l}(4)\\ \text{Ρ}{}_{\text{i}\text{n}}=\\ {\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}{\displaystyle \underset{-\infty }{\overset{\text{V}{}_{\text{i}\text{n}}-\text{V}{}_{1\text{n}}+\text{ε}{}_{1\text{n}}}{\int }}\cdots }}{\displaystyle \underset{-\infty }{\overset{\text{V}{}_{\text{i}\text{n}}-\text{V}{}_{\text{J}\text{n}}+\text{ε}{}_{\text{J}\text{n}}}{\int }}\text{f}}{}_{\text{ε}{}_{\text{n}}}(\text{x}{}_{1\text{n}},\text{x}{}_{2\text{n}},\cdots ,\text{x}{}_{\text{J}\text{n}})d\text{x}{}_{\text{J}\text{n}}\cdots d\text{x}{}_{1\text{n}}\text{x}{}_{\text{i}\text{n}}(6)\end{array}$

又设εn联合分布密度函数Fεn (x1n, x2n, …, xJn) , 则

$\begin{array}{l}\text{F}{}_{\text{ε}{}_{\text{n}}}(\text{x}{}_{1\text{n}},\text{x}{}_{2\text{n}},\text{x}{}_{\text{J}\text{n}})=\text{F}{}_{\text{ε}{}_{1\text{n}}}(\text{x}{}_{1\text{n}})\text{F}{}_{\text{ε}{}_{2\text{n}}}(\text{x}{}_{2\text{n}})\cdots \text{F}{}_{\text{ε}{}_{\text{J}\text{n}}}(\text{x}{}_{\text{J}\text{n}})=\\ exp\left(-{\displaystyle \sum _{\text{j}=1}^{\text{J}}e}{}^{-\text{ω}\text{x}{}_{\text{j}\text{n}}}\right)(7)\end{array}$

对xin求偏微分有

$\text{F}{}_{\text{ε}{}_{\text{n}}}^{\text{i}}(\text{x}{}_{1\text{n}},\text{x}{}_{2\text{n}},\text{x}{}_{\text{J}\text{n}})=\text{ω}e{}^{-\text{x}{}_{\text{i}\text{n}}}exp(-{\displaystyle \sum _{\text{j}=1}^{\text{J}}e}{}^{-\text{ω}\text{x}{}_{\text{j}\text{n}}})$ (8)

将式 (7) 带入式 (5) 得

$\text{Ρ}{}_{\text{i}\text{n}}={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{F}}{}_{\text{ε}{}_{\text{n}}}^{\text{i}}(\text{V}{}_{\text{i}\text{n}}-\text{V}{}_{1\text{n}}+\text{x}{}_{\text{i}\text{n}},\cdots \text{x}{}_{\text{i}\text{n}},\text{V}{}_{\text{i}\text{n}}-\text{V}{}_{\text{J}\text{n}}+\text{x}{}_{\text{i}\text{n}})d\text{x}{}_{\text{i}\text{n}}={\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}\text{ω}}e{}^{-\text{x}{}_{\text{i}\text{n}}}exp(-{\displaystyle \sum _{\text{j}=1}^{\text{J}}e}{}^{\text{ω}(\text{V}{}_{\text{j}\text{n}}-\text{V}{}_{\text{m}}-\text{x}{}_{\text{i}\text{n}})})d\text{x}{}_{\text{i}\text{n}}$。

$\begin{array}{l}\text{令}\text{α}={\displaystyle \sum _{\text{j}=1}^{\text{J}}\text{e}}{}^{\text{ω}(\text{V}{}_{\text{j}\text{n}}-\text{V}{}_{\text{i}\text{n}})}\text{上}\text{式}=\\ \frac{1}{\text{α}}{\displaystyle \underset{-\infty }{\overset{+\infty }{\int }}exp}(-\text{α}e{}^{-\text{ω}\text{x}{}_{\text{i}\text{n}}})\text{α}\text{ω}e{}^{-\text{x}{}_{\text{i}\text{n}}}d\text{x}{}_{\text{i}\text{n}}=\frac{1}{\text{α}}=\frac{e{}^{\text{ω}\text{V}{}_{\text{m}}}}{{\displaystyle \sum _{\text{j}\in \text{A}{}_{\text{n}}}e}{}^{\text{ω}\text{V}{}_{\text{j}\text{n}}}}。(9)\end{array}$

由式 (4) 及式 (9) 知, Logit模型的导出公式是相同的。

摘要：根据随机效用和效用最大化理论, 并假设效用函数的随机项服从三重指数分布, 给出了Logit模型的两种推导方法。

关键词：Logit模型,效用函数,二重指数分布

参考文献

[1]关宏志.非集计模型——交通行为分析工具.北京:人民交通出版社, 2004

[2]陆化普.交通规划理论与方法.北京:清华大学出版社, 2006

Logit 篇2

关键词：非集计模型 MNL模型 意愿调查（SP）

一、现状分析以及研究意义

近年来，成都市提出了公交优先的战略，有效地推动了城市公交的发展。但随着城镇化进程加快，城市经济和社会快速发展，公交发展速度仍跟不上城市发展速度，新的城市公交问题已日益暴露出来，公交发展滞后已成为制约成都市经济发展和人民生活水平提高的瓶颈。本文通过研究人们的选择行为，优化影响人们选择行为的因素，从而增加交通的分担率，减少其他方式的交通量，从而有效地缓解城市交通压力。

二、研究方法

SP意愿调查

本文采用SP意愿调查。SP调查是指，为了获得“人们对假定条件下的多个方案所表现出来的主观偏好，而进行的实际调查。

在SP调查中，选择的状态，即选择方案的特性值为假定值。SP调查具有可以根据未来的状况，任意设定选择条件的优点，因而克服了以往预测方法中的外插性的问题。这一点对于分析对象区域内建立过去没有的选择方案的分析十分有利。另外，由于可以调查相同条件下的许多人的反映，因而可以研究由于个人属性的不同而产生的选择结果的差异，计算在每个选择条件下特定的选择方案的选择概率并由此进行集计性分析。实践证明，SP方法已成为交通出行行为研究中一种重要的工具。

三、研究内容

（一） 效用变量定义以及效用函数的确定

本文通过建立MNL模型，对成都市居民出行选择公共交通的行为进行分析。在MNL模型中，特性变量可分为固定哑元，选择方案特性变量与出行者特性变量。选择方案特性变量进一步可以分为选择方案固有变量及共同变量。

在本次调查方案中，选择方案固有变量包括：费用，车内时间；公交车与地铁的共同变量包括候车时间，到相应乘车站点的时间，下车到目的地的时间；私家车的特有变量为寻找停车泊位的时间；出行者特性变量包括：年龄，性别，收入，有无私家车等。在非集计模型中，固定哑元的作用为不可观察的因素对居民出行选择行为影响的平均值。

另外，非集计模型在计算选择概率时，是基于不同交通方式效用函数之差进行的。为了保证固定哑元与出行者选择特性变量在效用相减时，不至于使得这些效用变量失效，在进行效用函数定义之前，应该选择一种交通方式作为参照项。这些变量在不同非参照项中的参数不同，在参照项中的系数为零。

（二）问卷设计

本文调查为居民出行意愿调查，出行OD点定为交大片区到天府广场片区，在确定0D的情况下，对于出行时间等因素就能准确的量化。本次考虑的选择枝主要就是：公交、地铁与私家车；而主要考虑的影响因素：出行时间、费用、候车时间、到乘车站点的时间以及下车站点到目的地的时间与寻找停车泊位的时间。

问卷中组合设计是采用的正交设计，利用SPSS软件来实现组合的正交设计，保证属性之间的相互独立性，避免数据之间多重线性的问题。本文利用SPSS软件来实现组合的设计过程，采用部分因子的正交设计法，得到了16种组合。将16个组合做成卡片随机分发给被调查者。为保证正交性，需要保证问卷的调查数量要保持一致且不重复。这样保证了被调查者个人属性的多样性，同时考虑了各种属性组合之间的选择差异。模型的解释效果就能保证。选择枝属性中舒适性和方便性等因素没有考虑，这是由于舒适性其实是可以通过费用与出行时间间接反映出来，它同费用之间具有很强的相关性，从而不宜作为一个单独的变量考虑。而方便性同样可以通过候车时间、两端时间反映出来，所以方便性也不适宜作为一个单独的变量考虑。

本次问卷设计中，每套问卷包含十六种组合。在调查时要求每位被调查者填写一种组合，调查时保证每种组合的数量相同，这样就能保证数据的准确性，有效性。调查采用询问式，这样通过调查者的解释，被调查者就可准确的理解问卷内容尤其是三种交通方式的服务属性，充分发挥SP调查的作用。

四、数据分析

本次调查共采集问卷100套，调查1600人，其中男性占50.54%，女性占49.46%；选择公交的占33.31%，选择地铁的占55.93%，选择私家车的占10.76%。

个人属性对选择结果的统计分析如下：男性较偏向于选择私家车，女性则偏向于公交；年龄高于60、低于18岁的居民偏向于选择公交，其余则偏向于选择地铁；收入低于六千的居民偏向于选择地铁，高于六千的居民趋向选择私家车出行。

五、结论

根据调查数据的统计结果，成都市从西南交大片区至天府广场片区的通道上，公交的分担率为33.31%，高于成都市公交的平均分担率23%，但与国家规定的公交分担率40-50%仍有一定差距。

参考文献：

[1] 关宏志.非集计模型—交通行为分析工具[M].北京：人民交通出版社，2004.

[2] 陆化普.交通规划理论与方法[M].北京：清华大学出版社，1998.

[3] Aoife A. Ahern ，Nigel Tapley. The use of stated preference techniques to model modal choices on interurban trips in Ireland[J]. Transportation Research Part A.2008，42（1）： 15–27.

[4] 王树盛，黄卫陆，振波.Mixed Logit 模型及其在交通方式分担率中的应用研究[J].公路交通科技，2006，23：88-91.

[5] 邵洁，关宏志，王鑫. 正交试验设计在交通意向调查中的应用[J]. 公路交通科技. 2005（10）： 106-109.

Logit 篇3

一、当前企业成本效益分析的现状

目前, 很多企业在生产经营过程中出现了诸多问题, 面临着发展中的困境。包括在品种选择、产品的设计制造和营销推广等许多方面和环节上存在着盲目性, 缺少科学的分析, 未能取得理想的经济效果。具体表现在:

(一) 成本效益分析管理的观念落后。

绝大多数企业在成本效益分析管理上缺乏全局观念。大多数企业都有一个共同的现象, 即依靠财务人员去管理成本。在实施成本效益分析管理的过程中, 有的企业只注重成本核算, 有些企业领导只重视财务报表和成本报表, 利用报表中的数字去管理成本, 这种做法虽然对降低成本能起到一定的作用, 但归根结底成本核算始终还是事后控制, 对成本没有做到预先控制和发生过程的控制。还有很多企业仍将成本效益分析管理的范围局限于生产过程, 忽视了对其他相关企业及相关领域成本分析的管理, 还有许多企业仅仅局限于降低成本, 却较少从质量角度、从效益角度来看成本的效用, 降低成本的手段也主要是依靠节约方式, 不能应用成本效益原则。从现代成本效益分析管理的视角出发来分析成本效益这一目标, 不难发现, 成本降低是有条件和限度的, 在某些情况下无限度地控制成本费用, 必将导致产品质量和企业效益的下降。

(二) 成本核算程序不科学, 成本效益分析的主体确立不正确。

长期以来, 人们一直存在一种认识偏差, 把成本效益分析管理作为财务人员及少数管理人员的专利, 认为成本、效益都应该由企业领导和财务人员负责, 而把各车间、部门、班组的职工只看作是生产者, 导致管成本的不懂技术、懂技术的不懂财务, 大部分职工对于哪些成本应该控制、怎样控制等问题无意识也无力过问, 成本意识淡薄。

(三) 过分注重成本核算而轻视成本效益分析。

成本会计注重成本核算和一小部分成本分析, 而将成本管理的大部分内容放入管理会计中, 成本会计过多侧重于成本核算, 也就忽视了成本预测、成本分析、成本控制、成本考核、成本效益等成本管理的部分。

(四) 成本核算和成本效益分析方法比较落后。

产品成本计算方法主要有品种法、分批法以及分步法, 企业可以根据生产的特点和管理要求决定相应的方法。据调查, 50%以上的企业使用品种法, 40%以上的企业使用分步法。而当前世界生产发展的趋势是小批量多品种的生产方式, 这种生产方式适用于分批法计算产品成本, 我国目前仅有大约6%的企业采用这种方法, 这表明我国的生产组织还比较粗放, 对消费者的个性重视不够。从成本效益分析管理的手段来看, 虽然大部分企业进入了会计电算化阶段, 但成本管理模块应用程度不高, 一些企业仍然是进行手工核算, 在现代科技化、信息化的时代, 这势必会制约着企业成本分析管理水平的进一步提高, 也很难满足现代成本效益分析管理对成本信息提供的及时性、全面性、准确性的要求。

(五) 企业成本核算混乱, 成本信息严重失真。

企业混乱的成本核算, 使税务机关无法了解企业真实的生产经营活动情况, 很难觉察到企业的账外销售行为。企业成本构成的相关数据难以在同行业之间进行对比分析, 使一些税收违法行为更具隐蔽性, 税务机关无法对所得税实施有效监管;税务稽查时, 难以对成本资料实施查验, 甚至出现回避检查成本核算资料的现象, 影响了税务机关对税收违法行为的打击力度。成本信息失真主要是由以下原因造成的:一是成本核算仅注重材料、人工、制造费用, 忽视了现代企业日趋增大的产品研究开发、中间试验和小批试制及售后服务上的投入, 使产品的相关成本内容不全, 不能正确评价产品在寿命周期全过程的经济效益。二是成本核算方法不当造成失真, 在现代化的制造环境下, 直接人工成本比例大大下降, 制造费用所占比例大幅度上升, 再使用传统的成本计算方法会产生不合理现象, 使用传统成本核算法将导致产品成本信息的严重扭曲, 使企业错误地选择产品经营方向。三是为达到某一目的, 人为调节成本数据以达到虚增或虚减利润的目的。

二、Logit模型分析

(一) Logit模型。

∑N=NA+NB+NC。此模型表示某指标N的变化是由A、B、C三个因素共同影响的结果。假设:N=A×B×C, 其中:A、B、C是影响N的三个因素。各因素与经济指标的关系为:N0=A0×B0×C0, 其中:N0代表上年或计划数, A0表示A因素的上年或计划数, B0表示B因素的上年或计划数, C0表示C因素的上年或计划数。本年 (实际) 数N1=A1×B1×C1, 则N1与N0的差异是由A、B、C三个因素变动而引起的。

(二) 分析计算过程。

1. 综合指标:

2. 替代:

(三) 分析。

(2) - (1) 即N1-N0是A因素变化影响综合指标的结果:N1-N0= (A1-A0) ×B0×C0

(3) - (2) 即N2-N1是B因素变化影响综合指标的结果:N2-N1=A1× (B1-B0) ×C0

(4) - (3) 即N1-N2是C因素变化影响综合指标的结果:N1-N2=A1×B1× (C1-C0)

按各因素变动的影响综合起来, 则有:

(2) - (1) + (3) - (2) + (4) - (3) = (4) - (1) 即 (N1-N0) + (N2-N1) + (N1-N2) =N1-N0

文字表述:N1与N0的差异是由A、B、C三个因素的变动共同影响的结果。

(四) 举例说明。

假设某企业有关产量、单位产品材料消耗量、材料单价及材料费用总额资料如表1所示。要求采用连环替代法计算和说明各因素变动对材料费用总额的影响程度。

1. 替代。

材料费用总额计划指标:

(2) - (1) =2 800-2 520=280 (元) , 产量增加的影响即由于产品产量增加而使材料费用实际比计划增加280元。

(3) - (2) =2 400-2 800=-400 (元) , 材料单位消耗量的节约的影响即由于产品材料消耗量减少而使材料费用实际比计划减少400元。

(4) - (3) =3 000-2 400=600 (元) , 材料单价提高的影响即由于材料单价提高而使材料费用实际比计划增加600元。

2. 综合分析。

280-400+600=480 (元) , 全部因素的影响即材料费用实际数比计划数超支480元是由于产品产量的增加、材料单位消耗的节约与材料单价的提高三者共同影响的结果。

从以上的分析可以得出, 运用Logit模型进行成本分析的准确率比较高、选择的变量具有较强的代表性、运用的分析软件操作简便, 并且分析得出的结果比较准确可靠。总的来说, 运用Logit模型对各单位的成本效益分析具有较强的实用价值, 得出的结果对企业管理层和投资者都具有很强的参考价值, 为企业管理者和投资者进行成本效益分析, 作出正确决策提供了比较重要的依据。

三、进行成本控制, 提高成本效益分析的措施

(一) 树立成本效益分析的新观念。

一是树立系统管理观念。成本效益分析管理应是全方位、全过程的, 在设计阶段及开发策划阶段就应该开展降低成本的活动, 还应渗透到企业的预测、决策、技术、销售等领域, 向企业的各个环节方面扩展。二是树立成本效益观念。企业要想在市场中获得更大的利益, 就必须树立成本确定市场的观念, 成本管理还应与企业的整体效益联系起来, 以动态成本效益观念看待成本及其控制问题, 从投入与产出的对比分析来看待投入的必要性、合理性, 还要以效益为中心进行成本的动态管理。三是树立科技创新观念。企业要紧握市场脉搏, 寻求机制创新, 注入发展活力, 加大科技投入, 依靠现代科学技术降低产品成本, 在成本核算中应考虑将产品的科技含量包括到成本中去, 贯彻技术主导和经济相结合的原则。四是树立以人为本观念, 打造企业凝聚力。人不单纯是创造财富的工具, 而是企业最大的资本、资产、资源和财富, 因此, 要树立以人为本的管理思想, 调动人的智力因素, 培养和发挥人的工作能力, 使员工和管理人员处于平等地位, 享有同样的参与权力, 使企业真正成为一个民主的、人性化的组织, 借以从人的内心深处来激发每个人的主人翁责任感和乐于奉献的精神动力。五是树立成本效益分析管理战略理念。战略成本效益分析管理是从战略角度来研究成本形成与控制的成本管理思想, 战略成本效益分析管理在实践中的成功案例使我们可以预见其应用前景, 广泛的应用预测促使我们必须重视这门理论的研究和发展, 也必然反过来推动战略成本效益分析管理在实际中的应用。

(二) 建立科学的成本效益分析管理制度和Logit模型分析模式。

科学可行的成本效益分析管理制度是企业顺利实施成本会计核算的根本保证, 此制度的建立, 能促进企业更加准确、合理地划分成本费用产生的作业环节、阶段、区域, 才能更为准确地分析成本动因及形成的结果;建立健全相应的规章制度和产品消耗定额标准, 规范企业生产过程中的资源利用率, 加强事前和事中成本控制, 分析资源消耗动因的科学性, 对产品全过程的资源消耗原因进行分析和确认, 从而提高资源的使用效益。同时, 建立起适合企业自身经营发展特点的成本核算模式和成本效益分析的Logit模型分析模式, 根据成本动因类型、作业流程、成本核算程序、资源消耗标准、作业成本核算对象的确定等方面的具体特点, 形成相适应的成本会计核算体系和Logit模型分析模式。更有效地进行成本效益分析, 为领导提供决策依据, 最终达到更有效地提高企业经济效益的目的。

(三) 实行战略成本效益分析管理。

战略成本效益分析管理将会计学、管理学、经济学、统计学等学科进行交叉, 应用专门的先进的管理办法, 如价值链分析、产业链分析等, 将更为科学的成本信息贯穿于企业战略管理的整个过程之中, 通过分析企业的成本结构、成本动因等, 实现企业更为全面的成本控制, 从而改善企业的成本及管理状况, 获得更为持久的可持续的竞争优势。战略成本效益分析的基本框架主要包括六个步骤:确定适当的价值链, 以分摊成本和资产;判断每种价值活动的成本驱动因素以及它们的相互作用;辨别竞争对手的价值链, 确定竞争对手的相对成本和产生成本差异的根源;通过控制成本驱动因素或重新配置价值链来制定降低相对成本地位的战略;确保为降低成本所做的努力不会损害企业的形象;检验降低成本战略的持久性。贯穿这六个步骤的指导思想是以竞争优势为内涵的成本效益优势分析, 而这正是战略成本分析与一般成本分析的不同之处。实践证明, 战略成本效益分析管理是可以指导企业获取长期竞争优势的有效方法。

(四) 在引入Logit模型分析方法的基础上, 实行成本企划法。

成本企划是源自日本的一种全新的成本控制模式, 其在运行过程中将管理会计、组织、价值工程系统等有机地融合在一起, 形成了新产品研究开发设计阶段的综合成本分析管理系统。因其可同时形成低成本、多功能、高质量的产品, 且曾经帮助丰田汽车解决了成本上升的问题, 受到了国内外学术界的普遍关注。成本企划应用的基本思路是: (1) 以全生命周期为基础、以市场为导向制定目标成本。基本公式是:目标成本=预计市场售价-目标利润。 (2) 产品设计阶段的成本挤压。这一过程可以表示为成本的“设定—分解—达成— (再设定) — (再分解) — (再达成) —……”, 反反复复以至无穷, 直到达到目标成本。 (3) 产品生产制造阶段的成本分解和压力传递。将目标成本的压力细化到班组, 甚至个人和供应商身上。 (4) 试生产阶段的信息反馈控制。通过试生产过程中的反馈信息及时查漏补缺, 加强内部管理, 完善成本控制管理工作, 通过各种奖惩措施使成本企划的思想目标能够最大程度的实现。 (5) 目标成本的优化。产品要适应市场竞争的需要, 就必须不断地进行调整和优化, 使目标成本的设定跟上技术和市场变化的脚步, 这样, 成本企划的整个流程就形成了一个完整的循环过程, 不断改进, 不断完善, 始终能适应瞬息万变的市场。

(五) 加强审计和社会监督的作用, 利用先进的计算机技术, 采取措施保证成本效益分析信息有效。

企业应该建立一个良好的信息和沟通系统, 可以及时、全面、正确地提供企业成本信息, 并在有关部门和人员之间进行沟通, 从源头上实施税收征纳的管理和控制。通过企业自身的努力和税务机关有力的监管, 企业成本核算混乱的状况将得到有效的改善, 我国的税收征纳工作一定会取得明显成效。企业还应该利用先进的网络技术, 包括软件和网络的应用, 建立健全内部控制制度, 通过对会计和其他业务处理程序的控制, 减少会计信息错弊现象的发生, 从而在一定程度上保证会计及其他信息资料的真实和可靠。企业还需要提高管理者和会计人员的职业道德素养。在生成和提供相关信息中, 一方面要增强法制意识, 另一方面要增强道德自律意识, 增强道德责任心和责任感, 保持职业操守, 实现企业经济目标和管理者道德水准的双重提升。另外要加强市场调查和信息反馈在成本效益分析管理中的应用。随着经济的发展, 企业成本效益分析管理水平能否随形势发展而提高, 经营能否顺利进行, 很大程度上又取决于对成本的信息反馈水平。因此, 企业成本效益分析管理也必须适应这一客观要求, 不断提高信息管理水平, 抓住机遇, 真正成为市场竞争中的强者。

摘要：随着市场经济的发展, 市场竞争日益激烈, 每个企业为了追求经济效益, 都在不断地寻求降低成本、提高经济效益的途径和方法, 而成本效益分析在这些途径和方法中发挥着十分重要的作用。本文在指出目前成本分析中存在诸多问题的基础上, 引入新型的Logit模型分析方法, 提出了改进的意见, 探讨在不同环境下, 如何利用Logit模型的成本效益分析方法来达到降低产品成本, 提高经济效益的目的。

关键词：成本效益,Logit模型,成本分析,效益

参考文献

[1] .陈胜群.企业成本管理战略[M].上海:立信会计出版社, 2000.

[2] .罗彬.成本会计学[M].北京:中国出版集团现代教育出版社, 2011.

[3] .张文祥.市场经济环境下企业成本管理问题的研究[J].财务与会计导刊, 2005, (2) .

Logit 篇4

在物流与供应链管理中，物流配送一直是企业决策的关键问题之一，而交通方式的选择问题就是其中之一。优良的物流配送需要正确的交通运输方式，这不但有利于企业降低成本，更有利于减少风险。

目前,LOGIT模型在交通方式的选择中应用较为普遍。交通方式的选择是四阶段交通规划法中的一个重要阶段,目前，这一领域国外使用最多的是随机效用模型，它是通过引进随机效用的概念按效用最大原则导出的。Domenchich和McFadden于1975年提出系统化随机效用的方法，第一次将LOGIT模型应用到交通方式的选择问题;McFadden于1974年和1979年给出了在给定有限的可供选择集合中选择其中一种方式的概率随机效用模型最主要的形式之一是多维LOGIT模型。

1 LOGIT模型基本理论

为了模拟人们的心理活动，对某个方案确定一个效用值。效用值表明如果决策者选择该方案将会获得的好处大小按照前述假设，决策者总能选择产生最高效用的方案。把方案效用值看成随机变量，一个方案能否被选中取决于其效用值的大小，或由效用决定的概率。

为了表示出行者的交通方式选择行为，引用效用函数U，假设第i种交通方式其出行者的效用与服务属性之间具有线性关系。其中,Ui为交通方式对出行者的效用;j为代定系数;ei为随机变量，是相互独立的而且服从双指数(Gumbel)分布。最主要的LOGIT形式是研究多种运输方式条件下旅客出行行为的多维LOGIT模型(多项式分对数模型)的一般形式为：

式中，Pi为第i种运输方式的分担率;Vi为第i种运输方式的效用函数的确定部分;n为可供选择的运输方式的数量。

LOGIT模型利用上式对一个出行者或者出行者群体的交通方式选择行为进行模拟运算，其结果对单一出行者可以表示其选择交通方式i的概率;而对于出行者群体，这个结果可以表示为出行者总数中，选择交通方式i的人所占比率。

2 应用及计算机仿真

下面将通过计算机模拟顾客消费行为，以汽车、火车和飞机三者为例，根据他们的市场属性，验证LOGIT模型在供应链交通方式选择的使用价值。仿真步骤如下：

(1)假定顾客群对某一服务属性的态度分布函数以及相应参数(分布参数的确定是针对不同的分布假设提出的，见表一)。

(2)通过对顾客的行为模拟计算不同的交通工具的市场份额。

(1)产生1000个服从[0,1]上均匀分布的值F;

(2)根据F来产生对时间的价值评估，计算三种交通方式的广义成本;

(3)对于每一组数据取一个最低的广义成本值，每取一个最低值即对该种交通方式作一个标识;

(4)统计这三种交通方式各被取过的次数，计算各种交通方式被选择的概率。

(3)在(2)中计算所得的市场份额结果下利用LOGIT标定相应服务属性的系数，并进一步计算LOGIT假设下的不同的交通工具的市场份额,结果见表二。

3 结束语

从仿真结果，发现LOGIT模型具有易操作性的特点，在一定范围内的准确性较高。但有些数据偏差还是较大，部分原因在于LOGIT模型用客运分担情况的历史数据来标定，不考虑顾客的选择行为模式随时间的变化，这不符合现实情况。因为随着社会经济状况的变化，顾客对各种服务属性的权重可能发生很大的变化。如果能将顾客差异化选择行为更多地融合在模型中，结果将具有更高的准确度和可信度。

摘要：LOGIT模型是交通方式的选择中应用较广泛的一种方法,具有较好的应用效果。本文针对物流与供应链管理中常见的交通方式选择问题,考虑到LOGIT模型操作的简单性和经济性,运用LOGIT模型对其进行分析和仿真。结果表明:LOGIT能比较方便有效地反映现实问题。

关键词：供应链,交通,LOGIT

参考文献

[1]杨兆升,黎春兰.客运方式选择方法研究[J].中国公路学报,1997,(06).

[2]陈敦明.速度与票价对铁路客流吸引效果的影响[J].铁道经济研究,1998,(01).

Logit 篇5

一、财务危机预警模型的实证分析

1. 研究样本

在本文的研究中, 我们把上市公司中的ST公司界定为“财务失败”企业。截至2007年底, 上市公司被分为31个行业。但由于某些行业的特殊性不存在ST公司 (如银行类) , 因此本文从20个不同的行业随即选取20家ST公司, 并按照同行业近似规模原则选取与这些ST公司相对应的非ST公司。

2. 财务比率的选取

根据财务管理理论的观点, 企业的财务状况主要取决于企业的盈利能力、偿债能力、营运能力和成长能力。根据我国的财务特点结合已有学者的研究, 选取如下11个财务分析指标作为分析的指标:

净资产收益率、总资产报酬率、销售利润率、存货周转率、应收帐款周转率、总资产周转率、股东权益比率、流动比率、利润增长率、总资产增长率和资本积累率。为了分析上述财务比率能否有效区别ST公司与非ST公司, 下面就40家样本企业分别对上述11个财务比率进行单变量T检验, 最终选择的财务比率分别是:净资产收益率 (X1) 、总资产利润率 (X2) 、销售利润率 (X3) 、股东权益比率 (X7) 、流动比率 (X8) 、总资产增长率 (X10) 和资本积累率 (X11) 。

3. 主成分分析

对样本组企业财务比率数据, 运用SPSS统计软件进行主成分分析, 首先得到各财务比率的相关系数表。从表中可以看出: (1) 7个财务指标均呈正相关关系。 (2) 从相关系数的大小看, 净资产收益率与总资产报酬率的相关性较高, 相关系数为0.843。

又由Bartlett球度检验的sig值0.000小于显著性水平0.05, 可知应该拒绝Bartlett检验的零假设, 认为适合于因子分析。在主成分分析结果中, 取累计贡献率为87.223%, 用3个主成分来代替原来的7个财务比率。进行最大方差旋转法可得因子负荷矩阵: (1) 因子FAC1在总资产增长率和资本积累率上有较大的载荷, 所以FAC1代表的是公司的成长能力; (2) 因子FAC2在销售利润率和股本权益比率上有较大的载荷, 所以FAC2主要代表的是公司的盈利能力和偿债能力; (3) 因子FAC3分别在净资产收益率和总资产报酬率上有较大的载荷, 所以FAC3代表的是企业的盈利能力。上述分析结果与相关系数矩阵的分析相一致。

二、Logit模型建立

运用SPSS对于logit模型的回归参数进行估计。模型的似然比卡方统计量为26.701, 在0.000显著, 说明所有解释变量一起对财务困境有显著性的影响, 认为本模型拟合得较好, 对于财务困境具有较强的解释能力。所有解释变量的系数均为负值, 符合常理。以95%为置信水平, FAC2和截距项均未通过检验, 由此可以得到财务危机的预警模型为:

Ln (P/1-P) =-3.281FAC1-2.290FAC3

本文的研究样本是按1∶1配对组成的, 属于均衡样本, 因此, 预测阀值可以取0.5。根据Logit回归方程, 以0.5作为拟合检验的临界值对原始数据进行回判判定, 如果得到的p值大于0.5, 则判定样本面临财务困境, 否则为盈利公司, 由判定结果可知:本模型准确预测了2006年20家ST公司中的17家, 准确率达85%, 同时准确预测了20家非ST公司中的17家, 准确率也为85%, 二者的加权平均正确率为85%。预测检验结果证明该模型的预测能力较好。

三、结论

本文利用Logit回归构建上市公司成长危机预警模型, 研究发现以下结论:

1. Logit模型不失为一种简单而有效的预测方法, 可以将此模型应用于上市公司危机预测, 借此了解企业发生成长性危机的可能性。

2. 上市公司业绩是决定成长性的最主要因素。回归分析表明净资产收益率和总资产收益率均与上市公司是否陷入财务困境显著相关, 持续良好的业绩是上市公司成长性的保证。

3. 模型也存在一定的局限性, 如并未考虑公司治理等表外因素, 且财务困境预测可行的前提是上市公司发布的财务数据是真实可信的, 但我国部分上市公司存在人为操纵会计利润的现象, 故模型结论的准确性可能会受到影响。

摘要：本文采取主成分分析方法, 将主要因子提取出再运用Logit模型构建预测企业财务失败的模型, 并把沪深两地证券市场的ST公司界定为“财务失败企业”, 选取20家ST公司及与之相对应的20家非ST公司共40家企业作为研究样本, 对上市公司财务失败的主成分预测模型进行实证检验。

关键词：上市公司,财务危机预警,主成分分析,Logit模型

参考文献

[1]傅荣吴世农:我国上市公司经营失败风险的判定分析—BP神经网络模型和Fisher多类线性判定模型[J].东南学术, 2002, pp.71～79

Logit 篇6

关键词：通道,货运分担率,Logit模型,特型变量

0 引言

货运分担率是指某种运输方式或是线路在同一方向各种运输方式或线路中所承受的货运量比例, 是指托运人在各种运输方式之间选择的结果, 它表明了各种运输方式在通道货运市场所占有的份额。它是各种运输方式之间竞争力的具体体现。货运分担率是通道内运输方式配置、动力投放等方面的重要的依据, 同时也是运输通道规划、建设和管理的基础。

Logit模型是运输通道上各种运输方式分担率预测的一种比较成熟的方法, 目前主要用于客运通道运输分担率研究, 而用于货运通道运输的研究相对较少。本文主要运用Logit模型为理论基础, 结合效用理论和通道内各种运输方式的特性, 给出了在运用Logit模型预测通道内货运分担率时应选取的特型变量。

1 理论基础

效用函数, 是效用值与各种运输方式服务特性所构成的函数, 又根据随机效用理论, 将效用函数分为固定项和随机误差项, 并假设两者呈线性关系, 即:

其中:Uin为通过第i种运输方式运送第n批货物的效用;Vin为第i种运输方式运送第n批货物的效用中的固定项;εin为第i种运输方式运送第n批货物的效用中的随机误差项。

式中:θ= (θ1, …θl) 为位置参数向量, 也称效用系数;

Xin= (Xin1, …, Xinl) 是通过第i种运输方式运送第n批货物的影响因素;

假设εin服从 (0, 1) 二重指数分布, 则Uin服从参数为 (㏑Vin, 1) 的二重指数分布。根据最大效用原则, 可以得到第i种运输方式的货运分担率为

在公式 (3) 中, 要得到货运分担率, 就需确定Vin与Vjn的值, 从公式 (2) 中得知, θ、Xin确定了Vin与Vjn的值。其中Xin是常数项, 由各种运输方式的技术经济特性确定, 因此只需标定效用系数θ1, …θl便可确定各种运输方式的货运分担率。

2 特型变量的选取

特性变量Xinl可以有不同的形式, 可以是各种运输方式的特性或是货物本身的特性, 也可能是运输方式特征与货物特征之间相互关系的变量。

2.1 货物安全性

货物安全性是指货物运输途中发生霉变、残损、丢失等现象, 主要通过货损率Di只和货物完好率Si衡量。货损率Di是指某段时间内, 第i种运输方式所承运的货物由于霉变、残损、丢失、短少等原因造成的损失量占该方式运输总量的比率。就货主而言, 均希望货物能完好无损地到达目的地, 因此, 货物安全性越高的运输方式, 竞争力也就越强。因此, 定义货物完好率Si为:

2.2 快速性

运送速度是体现各种交通运输工具服务质量的基本特征, 在不考虑其他影响因素的前提下, 速度越高的运输工具竞争优势越明显。从客户角度而言, 门到门的总时耗Ti是衡量快速型的最终指标。其中总耗时Ti由货物在途时间、装卸时间以及集结时间组成。

其中:ti在途表示第i种运输方式运输货物在途时间;ti集结为第i种运输方式运输货物集结时间;ti装卸为第i种运输方式运输货物的装卸时间。

2.3 用户成本

用户成本包括了直接用户成本和间接用户成本, 其中直接用户成本就有运价成本、时间成本、货物损差成本。本研究主要目的是探讨货物运输通道内不同运输方式之间的货运量的分担率, 因此, 我们主要以运价Ei来衡量货物运输的经济性。

其中Ri为通道内第i种运输方式的运价率;Li为通道内第i种运输方式运输货物的距离。

2.4 方便性

方便性主要通过各种运输方式发车时间间隔, 即发车频率来描述各种运输方式的方便性属性。其中发车频率的值按各种运输方式不同起讫点实际的日发车频数Hi来标定。

式中:Hi为通道内第i种运输方式的发车频率;Ti为通道内第i种运输方式发车时间间隔。

2.5 准时性

一般而言, 准时性主要通过准点率Qi衡量, 准点率Qi包括两个方面, 即出发准点率OiD和运行准点率OiA。其中出发准点率OiD指在统计周期内第i种运输方式的准点出发班数与总出发班数之比;运行准点率OiA指在统计周期内第i种运输方式的准点到达班数与总到达班数之比。

2.6 货物价值

在一般情况下, 价值越高的货物越倾向于采用速度高的方式进行运输。在货物运输通道运输方式竞争力研究中, 主要考虑的是运输方式本身特性, 因此, 必须将货物价值与运输方式的特性进行关联。在很多情况下, 由于时效性的限制, 当货物延期送达后, 会造成货物价值损失。现引入缺货损失函数Gi, 则:

式中, qi为采用第i种运输方式运输某货物时的潜在缺货概率;g为通过通道内第i种运输方式运输的某货物的单位价值。Gi越大, 运输方式i的效用越小。

3 结论

在运用Logit模型预测通道内货运分担率时, 我们需要选取影响承运人选取运输方式的各种影响因素, 即各种特性变量。虽然运输方式的基本特性如快速性、经济性、方便性、安全性、灵活性以及服务质量等多种服务属性会对货物运输方式选择有影响, 但是有部分特性很难度量, 因此, 根据各种运输方式服务属性量化的难易程度, 就选取了6个变量。包括了货物的安全性、快速性、用户成本、方便性、准时性以及货物价值。

参考文献

[1]王江涛, 马驷.预测通道客运分担率的MNL模型特性变量选取[J].重庆交通大学学报, 2010, 29 (6) :947-950.

[2]邵俊杰.货物运输通道的演变及实证研究[D].北京交通大学.

Logit 篇7

当前, 世界各国都面临着人口老龄化日趋严重的问题, 中国也是一样, 目前我国人口老龄化现象越来越严重, 赡养老人已经从个人问题转化成了社会问题。根据国家统计局数据显示, 2015年我国60岁以上老人达到2.16亿人, 占总人口的16.7%;预计2025年, 这个数字会突破3亿。面对白发浪潮的席卷, 我国养老负担变得日益沉重, “如何养老, 谁来养老, 怎样保障养老”等一系列问题成为了亟待解决的问题, 面对此现状, 我国以往社会保障体系的完善发展已是必然之需, 其养老方式应该不断拓展, 养老质量应不断提升, 而“以房养老”新型养老模式的出现, 为养老问题的有效解决带来新的发展方向, 既盘活了老年人沉睡的不动产, 也解决了老人的养老难题。

然而, “以房养老”计划的实施并不乐观, 在推行初期就遇到了难题, 截至2015年10月26日上午10时, 全国仅有32户家庭39人签约投保“以房养老”, 传统的养老观念根深蒂固让公众很难从心理上接收“以房养老”的新型养老形式, 加之“以房养老”政策和法律制度还不完善、社会存在信任危机等, 这些都成为了阻碍“以房养老”计划推行的关键因素。基于此, 本文以“以房养老”推行对象为研究对象, 分析其以房养老的意愿及影响因素, 这对于推进“以房养老”计划深化发展具有重要的理论和实践意义。

2“以房养老”问题的提出

“以房养老”, 从本质上就是一种“倒按揭”, 老年人将具有独立产权的房子, 以反贷款的方式抵押给银行、保险公司等金融机构, 后者依照特定的按揭数额为老年人提供固定的养老金额, 但房屋所有权仍归属所有者, 直至其去世, 此后将其房产出售, 所得金额偿还养老贷款本息之后, 其升值部分归属抵押权所有人。据此分析, “以房养老”模式的推行, 让房子在承担居住功能的同时, 还肩负起了养老的重要功能, 对于解决我国日益严重的养老问题提供了新思路和新方法。

“以房养老”是社会的现实需要, 根据社科院和国家统计局数据统计, 2014年我国65岁以上人口数量达到13755万人, 占全国比重10.1%, 且经预测到2025年可能达到16%, 而按照国际老龄化社会的新标准, “65岁人所占比值超过7%, 则视为老龄化社会开始”, 这说明我国老龄化问题已经开始并日益严重, 加之人均预期寿命的大大延长, 中国人口老龄化现象表现出了明显的高龄化趋势, 这进一步加剧了我国的养老压力。而与发达国家老龄化进程不同, 我国老龄化衍变速度过快, 呈现“未富先老”的状态, 公共养老资源欠缺, 养老基金短缺等问题还没有得以有效解决。在这种背景下, 随着我国“老龄化”的加速发展, 养老金缺口已经成为了整个社会关心的核心问题, “以房养老”随之成为政府推广的一项民生工程, 其作为一种补充性的养老模式, 为我国养老方式的创新发展提供了新思路, 有效缓解了养老资金短缺的问题。

从国际范围内的先例来看, “以房养老”在澳大利亚、美国、新加坡等发达国家已推行多年, 并取得了一些成效, 有效解决了实践中存在“不动产富人, 现金穷人”的现象, 合理利用了老年人的财富, 实现了不动产功能的最大化发展, 这也是其在全球范围内不断深化推广的主要原因。然而, 在我国, “以房养老”方式发展却屡遇难题, 虽然从2014年7月1日开始在北京、上海、广州、武汉等四个城市进行了试点推广, 响应者寥寥无几, 推行效果不明显。

而归纳总结“以房养老”主要阻碍因素集中在:需求者和供给者, 而需求者是其中的主导因素, 受传统儒家孝文化的影响, 我国养老方式更倾向于“亲养子孝”, 家庭养老模式成为其首选, 与高品质的养老方式相比, 他们更崇尚“但存方寸地, 留于子孙耕”, 多数老年人认为将自己一生积攒的财富留给子孙是理所应当的。由此, 老年人面对“以房养老”这一新生事物时, 大多数不愿意违逆传统, 这也成了“以房养老”方式推行受阻的关键所在, 究其原因还是需求不足;加之, 需求者缺乏对供给者公信力的认可, 害怕“吃亏”的心理让有意愿者放弃尝试, 取而代之的则是对项日持观望态度。

综上分析“以房养老”计划的产生有其必要性, 但是也面临着发展困境, 这种新型的养老方式是否具有可行性, 如何推进金融机构顺利开展“以房养老”业务, 提升老年人需求者对于“以房养老”的认知改变, 成为了“以房养老”推行研究中一个不可或缺的必要前提。由此, 本文拟通过“以房养老”的影响因素分析, 来促进“以房养老”方式的深化推广, 以此完善我国养老保障体系。

3 研究假设

“以房养老”是以人为中心的新型补充养老模式, 研究“以房养老”影响因素, 主要是从老年人需求者层面进行深度分析, 因此, 首先应充分认识需求者的自然属性和社会属性, 分别从生理、心理及经济能力、认知程度等多方面了解老年人的意愿及需求。本文即以此分析各不同变量之间的逻辑关系, 提出假设, 并构建“以房养老”, 并将“以房养老”影响因素归结为:养老能力、传统养老习惯、对以房养老的认知度、对养老机构的信任程度、以房养老政策环境的完善程度等五个层面进行分析研究, 具体分析如下。

3.1 养老能力

我国目前主要的养老模式大体分为家庭养老、社会养老, 其中因家庭规模较大, 人口年龄结构相对稳定, 家庭养老模式一直占据主要位置, 并由老人积蓄及子女的供养费来支撑, 因此, 本文以人们的收入水平纳入养老能力变量;而社会养老主要是指社会保障体系中的养老保险, 国家养老金的充足率决定了社会养老的发展水平, 若是老人从这两种养老保险中获得了足够的养老保障, 其对于“以房养老”方式的需求度也就不会太强烈, “以房养老”计划的推行也就不能达到预期效果。以此, 提出以下假设:养老能力对于“以房养老”存在显著的影响。

3.2 传统养老习惯

据调查, 传统养老习惯是目前影响”以房养老”方式推行的关键阻力, 首先, 在我国, 素有“养儿防老”传统观念, 且一般存在如下默认的“契约”:子女负责照顾老人安度晚年, 老人百年之后将遗产留给子女。这一契约始于中国古代“但存方寸地, 留与子孙耕”的传统观念。虽然无论是从法律的角度, 抑或是从伦理道德上讲, 有房或无房, 子女均有赡养老人的义务。但长期形成的传统养老习惯却使“以房养老”的实施面临较大阻碍。传统养老习惯可能是影响“以房养老”的关键要素。

3.3 对“以房养老”的认知度

“以房养老”作为一种重要的补充养老方式, 对于优化发展养老体系, 提升养老质量具有重要意义, 加之我国老龄化问题的日益凸显, 传统的“养儿防老”的模式已经无法适应社会需求, 尤其是孤寡、无子女、失独等特殊群体老人对于“以房养老”的需求更为迫切, 人们对于此认识程度越高, 越容易感知其优势性, 心理认同度就越强, 且根据有效需求理论来分析, “以房养老”必然是满足了人们的养老需求, 才能够得以深化推广。由此可假设此变量对于“以房养老”具有影响意义。

3.4 对养老金融机构的信任程度

“以房养老”实质上是一种倒按揭形式, 是由相关金融机构以一种反向贷款方式向老年人定期发放养老金, 其是一个长期、投入资金较多、延续时间较长、收益较慢的过程, 风险与利益是并存的, 许多金融机构尚不具备承担此风险的能力, 且在设计”以房养老“模式中欠缺合理性, 再加上未来房价变化存在不确定性, 使得老年人对于该种养老方式始终存在疑虑, 态度谨慎。因此, 消除公众对养老金融机构的种种顾虑可能是解决“以房养老”的重点与难点所在。

3.5“以房养老”政策、法规的完善程度

“以房养老”作为一种新型养老方式, 能否顺利推行, 很大程度上决定于相关法律、制度的完善与否, 而我国房屋产权70年, 是“以房养老”方式推行的最大障碍, 如果70年产权到期后, 抵押房屋要有偿续期, 那么续期费用将是未知风险, 且按揭期限也难以确定, 由于人的寿命难以预期, “倒按揭”的期限无法事先确定, 每月金融机构提供的养老金数额难以准确计算。同时, 发达国家的成熟经验基于其具备完善的金融贷款、担保机构、资产评估等机构, 以及完善健全的个人信用系统, 而在这些方面, 国内仍有一定差距。因此, 提出以下假设:以“以房养老”政策、法规的完善程度对以房养老的意愿有显著影响。

4 Logit模型实证分析

4.1 模型选择

4.2 数据选择及说明

鉴于“以房养老”方式普及的有限性, 本文采用社会调查的方式, 以北京、上海、广州、武汉等四个试点城市进行了问卷调查, 这些城市老年人口较多、增速较快, 养老问题比较严峻。调研过程中共发放600份调查问卷, 回收540份, 有效回收率为90%。

4.3 实证分析

本文运用SPSS13.0对所构建的Logit模型进行回归处理, 分别将上述X1, X2, X3, X4, X5等5类解释变量输入其中, 得出所调研城市的“以房养老”影响因素的回归分析结果如表1。

从表1中可知, 仅有养老能力和传统养老习惯两因素通过了回归验证, 与“以房养老”模式的推行存在显著的因果关系。

5 结语

根据上述回归结果分析, 在我国“以房养老”影响因素中, 最大的阻力在于传统养老习惯及养老能力。传统观念下房产寄托了家庭太多情感, 多数人是过不了“观念坎”, 而“以房养老”之所以在发达国家发展比较成熟, 与高遗产税有关, 人们在“以房养老”和“留房产给子女但要缴纳大笔税金”之间较容易作出选择。但在我国现行税制下, 人们没有动力;同时, 养老能力限制, 人们收入水平的高低决定房子本身价值, 而现行“以房养老”模式大多以高档养老会所为主, 是市场化运作的一种高端化服务, 惠及范围有限, 较适合有独立产权房的、没有直接继承人的、中低收入水平的城市老人。

摘要：“以房养老”是解决养老保障和老龄化社会问题的一种新型养老模式, 但也是争议颇多的话题, 在推广中屡受遇冷。基于此, 本文在实地调研的基础上, 对“以房养老”的意愿及影响因素进行了全面分析, 并对运用logit模型对相关数据进行了实证分析, 结果表明养老能力、传统养老习惯是影响“以房养老”模式推行的关键因素, 由此, 当前首要任务就是转变观念, 以此促进“以房养老”的进一步普及发展。

关键词：以房养老意愿,Logistic模型,实证分析

参考文献

[1]张浩, 李世平.居民以房养老意愿影响因素的实证分析——基于甘肃省兰州市居民的调查数据[J].调研世界, 2014 (12) .

[2]党越.城市居民以房养老意愿及其影响因素研究[D].西北农林科技大学, 2014.

Logit 篇8

通勤出行,主要包括上下班、上学放学等行为。根据对大连市主城区的出行调查发现,通勤出行约占全部出行量的45%,是城市交通的主体部分。通勤出行时间固定且高度集中,是产生早晚出行高峰的主要成因,且易引发一系列的交通问题。本文运用停车收费机制,尝试改变通勤者的出行方式选择行为,以达到抑制通勤交通量增长,缓解交通压力的目的。

通勤出行可选择步行、自行车、公交车、自驾车等多种交通方式。其中,步行、自行车出行距离较短,对城市交通影响很小。本研究以大连市主城区为例,调查以驾车为主要方式的通勤者的出行方式选择意向和个人特性。停车收费费率及公交服务水平变化的前提下,分析利用价格手段与服务措施改变交通出行结构的可行性。

1 调查简介

采用交通行为分析方法,设计了通勤停车收费意向调查问卷,选取大连市主城区的1个政府部分、1所大学、3家大型企业及2栋写字楼的停车场所进行调查。问卷主要涉及两方面内容:

1)通勤停车者的个人信息。问卷中设计了包括受访者的性别、年龄、职业、年收入、驾龄等信息。

2)出行方式选择信息。该部分假设通勤出行距离为15km,设定了自驾车和公交车2种出行方式。由于停车费直接影响驾车者的出行成本,因此为自驾车出行设定了3个停车收费标准(5、10和20元/次),驾车通勤时间设定为20min。同时,为增加公交服务水平增加的直观性,问卷中以出行时间缩短代表服务水平提高(由60min缩减为40min)。由停车费率和公交服务水平变化共同构成了6组供选择的出行方式选择意向。

2 主要调查结果及分析

本研究共发放调查问卷200份,采集有效问卷168份。

2.1 通勤者个人信息汇总

受访者中男性比例占58.3%,女性比例占41.7%。根据通勤者的工作特征,将其划分为6种职业,分别为:公务员及事业单位人员、企业中的高级管理者、专业技术人员、普通工人、自由职业者(包括个体经营者及小企业拥有者)以及不能明确归类的其他职业。职业分布比例见表1。

由表1可见,受访者中企业中的高级管理人员(26.16%)、公务员及事业单位人员(33.37%)、专业技术人员(25.78%)3种职业构成被调查对象的主体部分。本研究采用上述3职业与出行方式选择意向进行相关性分析,以确定不同类型职业是否影响出行选择行为。

为研究个人收入情况与出行方式选择行为之间的关系,本文将被调查者的年收入水平设定5个档次,分别为:小于3万元、3.1万~5万元、5.1万~7万元、7.1万~10万元及10万元以上,受访者的年收入分布比例见表2。由于调查的样本数量有限,收入分布情况可能与社会普遍情况不完全吻合。

由于本研究调查通勤者(工作人员)的出行方式选择,因此将受访者的年龄划定为18~60岁之间,分成3个档次,分别为:18~30岁(职业初期)、31~45岁(职业发展期),46~60岁(职业黄金期)。调查结果见表3。

由表3可见,受访者中31~45岁的通勤者比例最高,接近50%,其余2个年龄段的通勤者所占的比例均在25%左右。说明处于职业发展期的通勤者驾车的比例最高。

为考察通勤人员驾龄对出行方式选择行为的影响,本研究将受访者的驾龄划分为1、1~2、2~3、3~4以及4a以上5个档次,具体分布比例见如表4。

2.2 交通方式选择信息汇总

本研究主要考察停车收费标准及公共交通服务水平变化对出行交通方式选择的影响。图1和图2分别表示公交服务水平不变化与公交服务水平提高后,通勤者在不同停车收费率下的交通方式选择情况。

由图1与图2可见,随停车收费水平的提高,通勤者驾车的比例逐步缩减。同时,公交服务水平的提高也会促使部分驾车通勤者放弃驾车,改乘公共交通工具。

2.3 交通出行方式选择的相关性分析

在分析模型建立之前,特别是特征变量较多时,需要对代入模型中的自变量进行筛选,因为不一定所有的自变量都对出行方式选择结果产生影响,如果对因变量结果没有什么影响的自变量被代入方程,很可能会影响其他变量在模型中的正确标定,因此进行自变量的初步筛选尤为重要。为合理选择Logit模型的特性变量,对影响交通出行方式选择的各因素首先进行相关性分析。

1)职业与交通出行方式选择的相关性。选取企业中的高级管理人员、公务员及事业单位人员、专业技术人员3种职业与出行方式选择意向进行相关分析,结果见表5。

注:**为在0.01水平(双侧)上显著相关;*为在0.05水平(双侧)上显著相关。

由于高级管理人员与出行方式意向选择结果相关性最强,且在置信度0.01水平(双侧)上显著相关,因此将高级管理人员选作职业特性变量,其值定义为1,其余职业定义为0。

2)年龄、驾龄与交通出行方式选择的相关性。由相关性分析可知,各年龄(驾龄)分段及全部年龄(驾龄)的组合与出行方式选择结果之间相关性很低(pearson相关性系数均低于0.2,且在置信度0.05水平上无显著相关),因此不被列入Logit模型的特性变量。

3)年收入与交通出行方式选择的相关性。年收入与与交通出行方式选择的相关性分析结果见表6。

注:**为在0.01水平(双侧)上显著相关;*为在0.05水平(双侧)上显著相关。

年收入各档次中,大于10万元/a与出行方式意向选择结果相关性最强,且在置信度0.01水平(双侧)上显著相关,因此将年收入大于10万元/a选作收入特性变量,其值定义为1,其余收入档次定义为0。

3 出行方式选择模型及分析

由前述分析可见,通勤者选择出行方式的影响因素主要有:停车费用、公共交通的服务水平、职业以及收入水平。本研究选用Binary Logit模型作为分析工具,模型描述如下:

式中:P1n为通勤者n选择驾车出行的概率;P2n为通勤者n选择乘坐公共交通工具出行的概率;V1n为选择通勤者n驾车通勤的效用函数的固定项;V2n为通勤者n选择公共交通工具出行的效用函数的固定项。效用函数Vin的特征向量用Xin=[Xin1,…,Xink]T来表达。式中:k为变量的个数。假设,效用函数与特征向量呈线性相关,则Vin可以表达为

式中:θ为特征向量的待定系数,表达式为θ=[θ1,…,θk]。将式(3)分别带入式(1)、(2),整理可得:

将通过调查问卷得到的有效数据代入Binary Logit模型,分析各影响因素与出行方式选择之间的关系,见表7。

模型分析结果显示,只有职业选项的Z=0.78<Z0.025=1.96,可以接受H0=0的原假设。其余各项的Z值均大于1.96,因此拒绝原假设,即各项系数可采用计算得到的对应待定系数。同时,通过相应概率值可以看出,职业项的P值为0.433 5,远大于0.05,所以在有限样本容量下,可以接受其系数为0的假设。其余各项的P值均为0,小于0.05,拒绝H0=0的原假设,即模型求得的待定系数是有意义的。经由上述分析可得:

“停车收费费率”,是模型中惟一的连续变量,该系数为负,说明自驾车通勤出行的效用随着停车收费费率的增加而降低。收入水平对应的系数为正,说明年收入大于10万元的群体,更倾向于驾车通勤出行。公交服务水平的系数为正,说明随着服务水平的提高,通勤者更倾向于乘坐公共交通工具,从而放弃驾车。

4 不同收入层次的通勤者的出行选择分析

由前述分析可知,在不考虑停车收费及公交服务水平的前提下,驾车出行的通勤者不会改变其出行方式。停车收费水平和公交服务水平(出行时间缩短)提高均能够促使部分驾车者改乘公共交通工具。但年收入在10万元以上的通勤者,对停车收费和公交水平变化反应不敏感,基本不会改变原有的出行方式。

本部分主要分析年收入在10万元以下的驾车通勤者,受停车收费和公交服务水平提高影响,向乘坐公交车转移的比例。

由上表分析可知,单纯依靠收费机制调节出行结构时,停车费5元对各收入层次的影响差别不大,转移比例在10%~20%之间。结合公交服务水平提升措施,可使95%的收入小于3万元的驾车者及40%以上的收入在3万~10万元之间的驾车者转移到公共交通工具上。当停车收费提升至10元时,收入在5万元以下的驾车者将改乘公共交通工具,收入在5万元~10万元之间驾车者也有近1/3改乘,配合公交服务水平提升措施,将有2/3以上的非高收入通勤者(年收入10万元以上定义为高收入者)放弃驾车。停车收费水平进一步提升至20元时,70%的收入在7万元以下的通勤者会放弃驾车,配合提升公交服务水平措施,90%以上的非高收入通勤者会改乘公共交通工具。

5 结束语

本研究对在大连市中心城区工作的近200名驾车通勤者进行出行方式意向调查,将调查数据运用Logit模型进行分析,结果显示停车收费及公共交通服务水平的提高可以使部分驾车者放弃驾车,改乘公共交通工具。停车收费政策和提升公交服务水平措施是行之有效的交通需求管理手段,在大连市当前的经济条件下,如果单纯使用经济手段(停车收费政策)调节早晚出行高峰的交通状况,可以将通勤停车的收费标准设定为10元,大约可以减少30%的驾车通勤出行生成量。如果当前的公交服务可以通过线路延伸、设置公交专用道、加密发车班次等手段提高服务水平,减少乘客出行时间的话,可将通勤停车费用设定为5元,大约可以减少35%左右的驾车通勤出行量。未来随着私家车数量的进一步增多,城市居民收入的增加,可以考虑远期通勤停车收费标准设定为20元。

参考文献

[1]赵胜川,王喜文.私家车出行者通勤出行时间价值[J].交通运输系统工程与信息,2009,9(1):109-112.

[2]Hollander Y,Prashker J N,Mahalel D.Determi-ning the desired amount of parking using game theo-ry[J].Journal of urban planning and development,ASCE,2006(3):53-61.

[3]关宏志,李洋.基于TDM概念调节大城市繁华区域出行方式的调查分析[J].北京工业大学学报,2006,32(4):338-342.

[4]云美萍,龙科军.考虑停车选择概率的公共停车场选择模型[J].系统工程,2008,26(2):84-88.

[5]李洋.基于停车行为的出行方式选择研究[D].北京:北京工业大学,2006.

[6]陈义华,陈杰,肖强.基于Nested Logit模型的城市轨道交通网络票价制定方法[J].重庆理工大学学报,2011,25(2):37-40.