分层logit模型

2024-09-04

分层logit模型（通用7篇）

分层logit模型篇1

0 引言

旅游交通的便捷程度影响游客对旅游目的地的选择, 方便、快捷、大容量的“快旅”[1]交通有助于旅游目的地的可持续发展。对于影响旅客交通工具选择行为的因素的研究, 郭寒英等认为在交通系统中, 旅客不仅是出行行为和交通工具选择行为的决策者, 同时也是促使活动成为现实的决策者。李敏认为影响客运方式选择的因素一是需求特性;二是供给特性。齐银山认为旅客根据各种运输方式的服务特性并结合自身的社会经济条件和出行目的, 按效用最大化原则做出选择。在交通工具选择的研究上面, 林新敏探讨了捷运木栅线通车前后, 个体运输工具选择模式的差异。王郁珍建立了显示性偏好模式、叙述性偏好模式及整合型偏好模式3类交通工具选择模式探讨台南台北城际大众运输交通工具选择的问题。周世鑫则透过最小成本的概念, 结合显示性偏好与叙述性偏好数据的整合模式。温杰华等利用多项logit和巢式logit选择模式探讨城际旅游者对交通工具及国道客运公司选择行为。

而目前针对旅游交通的方式选择研究还较少, 特别是综合性的方式选择研究。笔者则采用分层式logit模型对交通方式的选择展开研究, 最终得到较为符合实际的结果, 该研究有利于旅游地的规划。

1 旅游消费中交通工具选择的转变

旅游交通不同于传统意义上的出行交通, 它不仅包含了交通的共性, 还对出行的时间、安全、便捷有着不同的要求, 又体现出旅游行为的特性。因此, 出行方式选择影响因素也不尽相同, 会产生不同的选择行为。

在过去, 我国交通运输线路少、质量差、还没有形成1个完整的道路网, 同时运量规模小、运输效率低、耗费时间长。人们旅游出行大多选择近距离旅游, 这样相对来说比较方便。

而现在的人们越来越重视节约时间, 因此, 少花时间已经成为不少人交通工具选择的第一原则。人们对旅游交通工具的选择以火车、高铁与汽车为主。具体的转变趋势见表1。

2 旅游交通工具选择的影响因素

2.1 游客感知距离的影响

游客感知距离[2]是影响旅游消费决策的重要因素。感知距离一般可以分为空间距离、心理距离和经济距离, 这几种距离之间是有一定差别的。

空间距离可以在旅行时间上影响游客的旅游消费, 而交通工具的改变可以使心理距离缩短, 在一定程度上克服这种时间上的限制, 因而心理距离取决于空间距离和交通工具的选择。交通费用的高低又决定了出游距离的半径 (经济距离) 。因此, 受空间距离影响的旅游费用同样可以在经济上限制游客的旅游消费。

2.2 交通工具选择的影响因素

从上文可以看出, 交通方式选择主要受感知距离的影响, 而具体的影响因素多种多样, 与空间距离有关的影响因素主要有距离和时间;而心理距离又决定了旅游情况和舒适度对交通工具选择的影响;最后与经济距离相关的影响因素则是年收入。但是, 还有1种情况不得不进行考虑, 那就是交通方式的成熟度, 如果某地交通便利, 飞机与高铁设施良好, 那么选择该方式的比例就会相应增大, 相反, 则即使距离较远也无法选择该交通方式。

3 旅游消费交通工具选择的建模

3.1 建模思路

同时考虑多种交通方式的选择模型中, 有多项logit (MNL) 模型[3]和基于分层logit (NL) 模型等选择。虽然MNL模型较传统的集计模型在预测精度上有了显著提高, 但在实际应用中选择方案存在相互关系, 而MNL模型适合于各选择方案相互独立的情况。但是NL模型则有效地克服这点, 适用于选择方案中某几个选择具有相关性的情况。本文各个交通方式之间具有很强的类似性, 因此, 拟建立基于NL模型作为交通方式选择模型。

考虑到现在供选择的交通方式有飞机、火车、高铁、汽车4种, 其中汽车又可以分为私家车、长途汽车和旅游大巴。一般可以把旅游出行的出行情况分为2种, 分别是直达旅游景点和换乘到达旅游目的地。其中私家车和旅游大巴属于直达目的地旅游, 而飞机、火车、高铁和长途汽车都属于第2种, 也就是乘坐交通工具后需要换乘才能到达旅游地。在这里因为轮船的可达性问题, 不考虑轮船。

按以上思路, 得到交通方式选择树如图1所示。笔者根据非集计模型的效用理论, 首先对水平2的模型进行标定, 将得到的参数代入水平1, 再对水平1的模型进行标定, 得到各交通方式的选择概率。

3.2 NL模型基本原理

非集计模型的理论基础是出行者追求选择结果的效用最大化, 出行者在特定的选择条件下, 选择效用最大的方案[4]。非集计模型的效用函数由固定项和概率项组成

式中:Ui, n为出行者n选择第i种方案时的效用函数;Vi, n为出行者n选择第i种方案时的效用函数的固定项;εi, n为出行者n选择第i种方案时的效用函数的概率项。

当假设ε服从二重指数分布、且各变量两两相互独立时, 可以得到出行者n选择方案i的概率为

式中:Pi, n为出行者n选择方案i (i=1, 2, …, N) 的概率;N为可供选择的方案个数。

分层logit模型的分层原则是将被认为选择方案的类似性较大作为1个层次, 将不同类型的选择方案作为不同的层次[5]。其基本公式如下

式中:Umn为出行者n选择方式rm的效用;v (r|m) n为出行者n选择方式rm时, 效用由于rm和m的组合而变化部分的固定项;Vmn为出行者n选择方式rm时, 效用中与r无关, 而仅随m变化部分的固定项;ε (r|m) n为在选择了m的条件下选择了rm的效用的概率项, 设其服从于均值0。方差为的二重指数分布;εmn为出行者n选择了m的效用概率项。

3.3 初步分析

为分析各种因素对于交通方式选择的影响, 掌握游客对于各种交通方式的选择的喜好[6,7,8]。在南京江宁区发放问卷, 调查内容包括出行者特性 (出行者的性别、年龄、年收入) 、出行特性 (旅游情况、出行距离) 以及交通方式服务水平 (交通方式的舒适度、时间和费用) 。

调查得到的结果是:性别对结果的影响并不大;旅游情况是否直达对结果影响较大;旅游地距离较远或时间相对较紧时, 更倾向于选择快速的交通方式;年收入高的人群或对旅途舒适度要求较高的人群, 倾向于选择飞机。对调查得出的数据进行初步分析, 得出各因素的相伴概率, 见表2, 计算结果与上述分析吻合。

因此确定带入水平1的离散变量为距离、时间、收入;代入水平2的离散变量为观光目的、舒适度。带入模型的连续变量为年龄和费用。

3.4 模型标定结果

根据因素分析结果, 得到NL方式选择模型特性变量以及数据结构表, 但是此数据结构表格是1个综合性、基础性较强的数据表格, 虽然考虑了汽车、火车、高铁、飞机、旅游大巴等诸多交通工具, 但是未能充分考虑现代化交通的影响, 即现在人们选择高铁和飞机的概率明显上升, 因此, 需把高铁和飞机的相关权重加大, 相应的把汽车和火车的相关权重减小, 以使其更符合现在游客的实际选择情况。

基于上文旅游消费中交通工具选择的转变的相关论述, 对数据表格进行改进, 将与飞机的距离与收入有关的数据结构和高铁的时间数据结构记为1, 而火车和长途汽车的距离等数据结构记为0, 见表3、表4。

注:时间因素考虑飞机场离出发地较远。各交通方式都具有可达性, 若交通设施不成熟即不可达, 则该参数记为0。

利用调查数据对模型进行标定, 标定结果及模型检验如表5、6所列。

从表5中t值数据可以看出, 各参数的t检验值都在0.05以上, 说明在95%的置信度上各参数对选择结果有影响。参数值为正, 代表该参数对选择结果有正影响, 也就是出行者越倾向于选择该交通方式, 反之也就是出行者越不倾向于选择该交通方式。但数据分析时存在1个问题, 那就是水平1的θ2和水平2的β3, β4和的t检验值说明变量对交通工具的选择影响不显著, 但并不将这些变量去除, 而是对水平1和水平2的模型的准确性进行分析, 若得出的精度较高, 表示这些变量可以接受, 否则去除后重新建立模型。

为了评价模型预测的准确性, 对优度比和拟合优度比进行分析, 其值在0~1之间, 其值越大模型的精度越高, 一般认为其值达到0.2~0.4时, 即认为可以接受。从表6的结果可看出该模型的预测精度还是比较高的。

一般认为的中率大于80%即可视为模型可靠, 本模型水平1和水平2的的中率分别为84.7%和80.6%, 可见模型预测精度可以接受。因此, 之前的影响不显著参数仍然取用。

4 交通工具选择预测

根据上文所提出的模型, 对现在人们旅游消费交通工具的选择进行预测。由于在旅游消费中, 距离的影响不容忽视, 因此, 把距离的远近按3种标准来划分, 预测国内旅游交通工具的选择。具体的划分情况是近距离旅游, 省内邻近城市之间, 距离大概300km以内, 以南京到常州为例;中距离旅游, 相邻省城市之间, 距离大概800km以内, 以南京到上海为例;长距离旅游, 距离超过800km, 以南京到广州为例。由于考虑到距离的影响, 所以预测模型采用水平1来进行。

首先是近距离旅游, 根据公式 (如下) 和表6中参数的值可以计算得出汽车、火车、高铁、飞机的效用值。最后得出近距离旅游中, 游客选择长途汽车和高铁的概率较大见表7。

同样的方法用来计算中距离旅游和远距离旅游各种交通方式的效用值, 最后得出:中距离旅游选择火车与高铁的游客占绝大多数;远距离旅游选择火车、高铁和飞机的游客占绝大多数。

将表7得到的概率表8进行对比分析, 最后得出相差的概率都在0.05以内, 因此, 模型与实际情况较为符合。

5 结束语

人们旅游时交通工具的选择与过去相比发生了巨大的转变。利用分层logit模型对交通方式选择的各影响因素进行分析, 得出其影响参数, 且精度达到检验要求。该模型应用于实际情况, 得出各种交通方式选择的计算概率与现今的实际概率相符合。因此, 该研究对于旅游地的规划是很有意义的。

但由于该研究在某交通方式不可达时参数直接记为0, 因此, 对于成熟度高的地区更适用。若对于成熟度低的地区则需要重新进行参数设定并求解得到更为精确的交通方式选择概率。

参考文献

[1]梁雪松.旅游消费需求与交通工具选择的相关性研究:基于高铁与航空运输视角[J].经济问题探索, 2012, 11 (2) :20-26.Liang Xuesong.Correlation between tourism and transport consumer demand choice-economic issues based on high-speed rail and air transport perspective[J], 2012, 11 (2) :20-26. (in Chinese) .

[2]李作志, 王尔大, 苏敬勤.旅游资源需求函数模型及应用[J].系统工程理论与实践, 2012 (2) :274-282.Lee Zuozhi, Wang Erdai, Su Jingqin.Tourism resource demand function model and its application[J]Systems Engineering Theory and Practice, 2012 (2) :274-282. (in Chinese) .

[3]陈秋香.Nested Logit模型在交通出行方式选择中的应用[J].甘肃科学学报, 2013, 25 (2) :133-136.Chen Qiuxiang.Nested logit model in transportation travel mode selection[J].Gansu Sciences, 2013, 25 (2) :133-136. (in Chinese) .

[4]Ivanova O.A note on the consistent aggregation of nested logit demand functions[J].Transportation Research Part B, 2005, 39 (10) :890-895.

[5]Jones S, Hensher D A.Modelling corporate failure:A multinomial nested logit analysis for unordered outcomes[J].The British Accounting Review, 2007, 39 (1) :89-107.

[6]杨昌涛, 靳文舟, 范雪婷.基于巢式Logit模型的交通方式选择行为研究[J].公路与汽运, 2011, 10 (4) :62-65.Yang Changtao, Jin Wenzhou, Fan Xueting.Choice behavior research based on nested logit mode of transportation models Highway[J].Highways Applications and Automotive, 2011, 10 (4) :62-65. (in Chinese) .

[7]康文峰, 孙宝.基于主成分法优化的轨道交通通勤出行方式选择研究[J].交通信息与安全, 2013, 31 (3) :74-78.Kang Wenfeng, Sun Bao.Selection based on principal component analysis optimization of rail commuter travel mode[J].Journal of transport Information and Safety, 2013, 31 (3) :74-78. (in Chinese) .

[8]武勇彦, 刘小明, 魏中华, 等.旅游交通引导标志系统设置方法研究[J].交通信息与安全, 2011, 29 (2) :23-26, 31.Wu Yanyong, Liu Xiaoming, Wei Zhonghua, et al.Tourist traffic guidance signs system settings method[J].Journal of transport Information and Safety, 2011, 29 (2) :23-26, 31. (in Chinese) .

Logit模型的推导方法研究篇2

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 $E (ε) = η + \frac{γ}{ω}$ , 这里γ是欧拉常数, γ≈0.5772;

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

(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 $(α η + V, \frac{ω}{α})$ 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

$F_{ε^{*}} (x) = \frac{1}{1 + e^{ω (η_{1} - η_{2} - x)}} ‚ ω ＞ 0$ 。

(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 $(\frac{1}{ω} l n \sum_{i = 1}^{J} e^{ω η_{i}}, ω)$ 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

$\begin{array}{l} F_{ε^{0}} (x) = Ρ (ε^{0} \leq x) = Ρ (α ε + V \leq x) \\ = Ρ (ε \leq \frac{x}{α} - \frac{V}{α}) = F_{ε} (\frac{x}{α} - \frac{V}{α}) = e x p (- e^{\frac{ω}{α} (x - V - α η)}) 。 \end{array}$

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 $(α η + V, \frac{ω}{α})$ 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

$F_{ε^{*}} (y) = Ρ (ε_{1} - ε_{2} \leq y) = Ρ (ε_{1} \leq y + ε_{2}) = \int_{- \infty}^{+ \infty} \int_{- \infty}^{y + x_{2}} p (x_{1}, x_{2}) d x_{1} d x_{2}$ 。

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

$\begin{array}{l} F_{ε^{*}} = \int_{- \infty}^{+ \infty} \int_{- \infty}^{y + x_{2}} p_{ε_{1}} (x_{1}) p_{ε_{2}} (x_{2}) d x_{1} d x_{2} = \\ \int_{- \infty}^{+ \infty} \int_{- \infty}^{y} p_{ε_{1}} (z + x_{2}) p_{ε_{2}} (x_{2}) d z d x_{2} = \int_{- \infty}^{+ \infty} ω e^{- ω (x - η_{2})} \times \\ e x p (- e^{- ω (x - η_{2})}) \int_{- \infty}^{y} ω e^{- ω (z + x - η_{1})} e x p (- e^{- ω (z + x - η_{1})}) d z d x = \\ \int_{- \infty}^{+ \infty} ω e^{- ω (x - η_{2} s)} e x p (- e^{- ω (x - η_{2})}) e x p (- e^{- ω (x + y - η_{1})}) d x = \int_{- \infty}^{+ \infty} ω e^{- ω (x - η_{2})} e x p (- e^{- ω x} (e^{ω η_{2}} + e^{- ω y + ω η_{1}})) d x 。 \end{array}$

$\begin{array}{l} 令 δ = e^{ω η_{2}} + e^{- ω y + ω η_{1}} ‚ \\ F_{ε^{*}} (y) = \int_{- \infty}^{+ \infty} ω e^{- ω (x - η_{2})} e x p (- δ e^{- ω x}) d x = \frac{e^{ω η_{2}}}{δ} \int_{- \infty}^{+ \infty} ω δ e^{- ω x} e x p (- δ e^{- ω x}) d x 。 \end{array}$

$\begin{array}{l} 作变换 e x p (- δ e^{- ω x}) = e x p (- e^{- ω (x - (\frac{l n δ}{ω}))}) ‚ \\ F_{ε^{*}} (y) = \frac{e^{ω η_{2}}}{δ} \int_{- \infty}^{+ \infty} ω δ e^{- ω x} e x p (- e^{- ω (x - \frac{l n δ}{ω})}) d x = \frac{e^{ω η_{2}}}{δ} = \frac{1}{1 + e^{ω (η_{1} - η_{2} - y)}} 。 \end{array}$

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

$\begin{array}{l} F_{ε^{*}} (x) = Ρ (ε_{*} \leq x) = Ρ (m a x (ε_{1}, ε_{2}, \dots, ε_{J}) \leq x) = Ρ (ε_{1} \leq x) Ρ (ε_{2} \leq x) \dots Ρ (ε_{J} \leq x) = F_{ε_{1}} (x) F_{ε_{2}} (x) \dots F_{ε_{J}} (x) = \\ \prod_{i = 1}^{J} e x p (- e^{- ω (x - η_{i})}) = e x p [\sum_{i = 1}^{J} (- e^{- ω (x - η_{i})})] = \\ e x p (- e^{- ω x} \sum_{i = 1}^{J} e^{ω η_{i}}) 。 \end{array}$

令 $β = \frac{1}{ω} l n \sum_{i = 1}^{J} e^{ω η_{i}}$ 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

$Ρ_{i n} = Ρ (U_{i n} \geq U_{j n}, i \neq j, j \in A_{n}) = Ρ (V_{i n} + ε_{i n} \geq V_{j n} + ε_{j n}, i \neq j, j \in A_{n}) = Ρ (V_{i n} + ε_{i n} \geq \underset{j \in A_{n}, j \neq i}{m a x} (V_{j n} + ε_{j n}))$ 。

令 $U_{n}^{*} = \underset{j \in A_{n}, j \neq 1}{m a x} (V_{j n} + ε_{j n})$ , 由性质 (6) , U*n服从参数为 $(\frac{1}{ω} l n \sum_{j = 1, j \neq i}^{A_{n}} e^{ω V^{j n}} ‚ ω)$ 的二重指数分布。令 $U_{n}^{*} = V_{n}^{*} + ε_{n}^{*}, V_{n}^{*} = \frac{1}{ω} l n \sum_{j = 1, j \neq 1}^{A_{n}} e^{ω V_{j n}}$ , 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

$Ρ_{i n} = \frac{1}{1 + e^{ω (V_{n}^{*} - V_{i n})}} = \frac{e^{ω V_{i n}}}{e^{ω V_{i n}} + e^{ω V_{n}^{*}}} = \frac{e^{ω V_{m}}}{\sum_{j \in A_{n}} e ω V_{j n}}$ 。 (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

$\begin{array}{l} (4) \\ Ρ_{i n} = \\ \int_{- \infty}^{+ \infty} \int_{- \infty}^{V_{i n} - V_{1 n} + ε_{1 n}} \dots \int_{- \infty}^{V_{i n} - V_{J n} + ε_{J n}} f_{ε_{n}} (x_{1 n}, x_{2 n}, \dots, x_{J n}) d x_{J n} \dots d x_{1 n} x_{i n} (6) \end{array}$

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

$\begin{array}{l} F_{ε_{n}} (x_{1 n}, x_{2 n}, x_{J n}) = F_{ε_{1 n}} (x_{1 n}) F_{ε_{2 n}} (x_{2 n}) \dots F_{ε_{J n}} (x_{J n}) = \\ e x p (- \sum_{j = 1}^{J} e^{- ω x_{j n}}) (7) \end{array}$

对xin求偏微分有

$F_{ε_{n}}^{i} (x_{1 n}, x_{2 n}, x_{J n}) = ω e^{- x_{i n}} e x p (- \sum_{j = 1}^{J} e^{- ω x_{j n}})$ (8)

将式 (7) 带入式 (5) 得

$Ρ_{i n} = \int_{- \infty}^{+ \infty} F_{ε_{n}}^{i} (V_{i n} - V_{1 n} + x_{i n}, \dots x_{i n}, V_{i n} - V_{J n} + x_{i n}) d x_{i n} = \int_{- \infty}^{+ \infty} ω e^{- x_{i n}} e x p (- \sum_{j = 1}^{J} e^{ω (V_{j n} - V_{m} - x_{i n})}) d x_{i n}$ 。

$\begin{array}{l} 令 α = \sum_{j = 1}^{J} e^{ω (V_{j n} - V_{i n})} 上式 = \\ \frac{1}{α} \int_{- \infty}^{+ \infty} e x p (- α e^{- ω x_{i n}}) α ω e^{- x_{i n}} d x_{i n} = \frac{1}{α} = \frac{e^{ω V_{m}}}{\sum_{j \in A_{n}} e^{ω V_{j n}}} 。 (9) \end{array}$

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

分层logit模型篇3

应急物流是指为应对突发性自然灾害、突发性公共卫生事件等突发事件而提供所需应急救援物资为目的, 以追求时间效益最大化和灾害损失最小化为目标的特殊物流活动。而农村应急物流主要是强调在灾害发生初期的应急救援和灾后重建工作, 更好服务灾后农民再生产的活动[1,2]。目前, 我国现有的关于农村灾后应急运输系统关于运输方式选择方面的研究还不够明确, 亟需建立一个合理的农村应急物流运输方式选择模型, 依次确定合理的农村应急物流运输方式, 以确保农村自然灾害发生后, 在应急救援物资的运输方面和灾后重建方面能保障运输网络的畅通, 提高运输效率。

本文通过研究我国目前农村各种运输网络的特点及灾后应急运输方式选择存在的问题, 综合考虑农村运输网络特点因素的限制下, 和现有的各种运输方式相结合, 基于多项Logit模型基本理论构建合理的选择概率模型, 来完成多模式应急运输方式的选择。

1 影响因素分析

应急物流运输方式的确定是由灾害发生后应急部门根据灾害损害程度的大小来选择相应的应急运输方案。而农村应急物流运输方式选择受出行特征参数的影响, 包括影响运输方式的3个特性变量和4个选择方案特定变量的因素。

1.1 运输方式特性变量

1) 路网破损后的使用能力。农村地区发生灾害后, 由于农村运输网络通行能力较差, 基础设施薄弱, 灾区的空运、水运和陆运交通系统将受到不同程度的破坏。特别是陆运交通系统, 受到的破坏程度更为严重, 而整个抗震救灾工作将会受到其损坏程度和现存的功能的限制。而铁路运输系统一旦发生破坏, 短时间内就无法修复。因此, 主要影响的是公路运输, 我们要充分了解现存农村地区道路系统的功能, 才能够保证灾后救援工作高速而有效的运行。

2) 天气状况。灾害发生后, 伴随而来的是恶劣的天气, 势必会对运输带来严重的影响。农村地区的运输网络系统和运输条件都相对较差, 天气对空运和水运运输影响较为严重。只有应急物流流体充裕、载体畅通、流向正确, 才能保证应急物资快速及时准确地到达农村灾害发生地。所以, 对现场地天气状况必须有一定的准确认识。

3) 场地大小。农村地区灾害发生地的空旷场地的大小, 直接影响着空运运输工具到达后是否有地方停靠, 以及空运的救援物资是否能安全快捷的运输到达农村受灾区并是否有足够大的安置地点。例如:可以首先选择学校操场、粮食晒谷场等。

1.2 选择方案特定变量

农村灾害发生后, 在选择应急物流运输方案时, 最基本应该考虑的影响因素有运输费用、运输时间、运输频率以及运输的可靠性[3]。在某些情况下, 需求的缓急程度决定着应当选择何种运输工具, 不同的运输工具, 在运输救援物资量一定的情况下, 运输速率和频率也是不同的。根据农村公路运输网络的特点, 在所有运输条件同等的情况下, 每一种交通工具都有其运输的安全可靠性。运输的可靠性从高到低的顺序依次为公路运输、铁路运输、水运运输和空运运输方式。

2 模型方法

2.1 多项Logit模型基本理论

作为行为决策的单元在一个可以选择的、选择肢是相互独立的集合中, 选择对自己效用最大的选择肢, 称为随机效用最大化理论假设[4,5]。多项Logit模型是基于随机效用最大化理论的假设, 根据效用最大化理论, 出行者总是选择具有最大出行效用的出行方式, 出行者n选择第i种出行方式的概率为:

其中, Uni为出行者n选择第i种方案时的效用函数;Cn为选择方案的集合。

根据随机效用理论, 效用函数分为可以观测的确定项和不可观测的随机项两大部分, 并假设它们呈线性关系。因此交通方式i对出行者n的效用函数可以表示为:

其中, Vni为出行者n选择第i种方案时的效用函数的确定项;εni为出行者n选择第i种方案时的效用函数的随机项。

假设误差项服从二重指数分布, 且各变量两两相互独立, 则可得到多项Logit模型的选择概率公式:

其中, Pin为个人选择第i种交通方式的概率;j为交通方式;λk为第k个变量所对应的未知参数。

2.2 方式选择模型的构建

运输方式选择的效用函数为线性方式的效用函数, 选择方案的集合为Vn= (公路, 铁路, 空运, 水运) 且所有的选择方案集合都是相同的。选择方案特定变量属性包括四个:“运输时间”“运输费用”“运输可靠性”以及“发车频率”。运输方式特性变量属性包括三个:“破损后的使用能力”“天气情况”以及“场地大小”[6]。并且将路网破损后的使用能力、天气状况和场地大小作为运输方式选择的决定性因子。

破损后的使用能力主要针对的是公路运输, 如果破损程度过大, 则无法使用。若破损后仍可以使用, 但相应的通行能力将会受到缩减。场地的大小主要针对的是空运运输方式, 灾害对现场曾有空旷场地的破坏程度, 将会影响是否有足够大小可以容纳空运运输。灾害发生后势必会带来天气状况的改变, 如果天气状况较为严重, 在一定程度上将会对水运运输和空运运输带来较大的影响。从而形成如表1所示的选择枝效用变量定义表。

如表1所示, 根据效用最大化原理, 出行者总是选择对自己具有最大效用的方案。只要确定选择枝效用函数值的大小, 就可以通过模型的概率公式计算出交通方式选择概率, 所以只需计算选择方案效用函数的大小。根据表1可以得出四种选择方案效用函数确定项如式 (4) :

3 算例验证

2010年4月14日清晨, 我国四川省某农村地区 (B) 发生里氏6.1级强震, 导致路网破坏较为严重, 国家抗震救灾指挥部迅速成立, 并调拨一批500 t的救援物资从距离此农村地区400 km的某地A运往此地区。指挥部派技术人员, 到受灾现场实地勘测, 根据勘测结果了解到A地到B地之间只有一条两车道公路, 由于此次地震的缘故, 损坏程度仅为0.3, 能通货车, 所以也可以采用公路运输方式。受灾地区与救援地之间没有大的河流和铁路沿线, 所以无法采用水路和铁路运输方式。但在灾害现场的附近地区, 有足够的空旷场地未被地震破坏, 所以可以采用空运方式。地震过后, 部分地区有降雨, 对空运运输有影响, 但对公路运输方式没有影响。当地的物流运输属性[7]如表2所示。

1) 运输网络图见图1。

2) 利用SAS数据处理软件对调查数据进行多元线性回归检验[8,9,10], 对模型进行参数估计, 结果如表3所示。

3) 情况一:应急运输。

由以上数据得V1=71.046 125, V3=72.066 905。

根据交通方式效用函数, 利用公式计算样本个体对于交通方式旳选择概率。利用概率平均法, 得到交通方式的选择概率分别是:P1=26.5%, P2=73.5%。灾害发生初期, 主要考虑的是灾害的紧急应急运输情况, 可以不用考虑费用的影响并且保证救援物资高速快捷地到达救援地点。已知天气的影响不大, 得到的最终结果显示, 空运运输将担任主要的运输方式。

情况二:灾后重建。

由以上数据得V1=104.107 625, V3=103.006 680 5。

根据交通方式效用函数, 利用公式计算样本个体对于交通方式旳选择概率。利用概率平均法, 得到交通方式的选择概率分别是:P1=75.03%, P2=24.97%。灾害发生以后, 农村恢复重建工作, 在各种影响因素都必须考虑的情况下, 公路运输的费用比空运运输费用低, 但对于天气属性而言, 对公路运输方式没有影响, 对空运运输影响很大。所以, 最终得到公路运输远大于空运运输方式的概率值。在此次灾后运输方式选择中, 公路运输担任主要的运输方式。

4 结语

本文在结合农村的灾害特点及运输网络特性的基础上, 确定影响农村应急物流运输的主要因素, 并将路网破损后的使用能力、天气状况和场地大小作为影响农村应急运输方式选择的决定性因子。以此构建基于4个选择方案特定变量和3个运输方式特性变量的农村应急物流运输方式的多项Logit概率选择模型。结合算例, 通过SAS数理统计软件对数据进行回归分析, 根据不同的效用函数, 得到最终的概率数据。由处理数据得到的参数值分析出影响最终概率结果的主要影响因素为费用属性和天气属性。数据结果表明, 应用多项Logit概率模型进行农村灾害应急物流运输方式的选择是合理可行的。

摘要：基于多项Logit模型的基本理论构建了农村灾后应急运输方式选择模型, 运用SAS数理统计软件对数据进行了多元线性回归处理, 得到了多项Logit模型参数估计值, 在建立运输方式选择模型的基础上, 构造了求解该问题的虚拟运输网络, 并进行了算例计算与分析, 结果表明, 应用多项Logit概率模型进行农村灾害应急物流运输方式选择是合理有效的。

关键词：农村应急物流,运输方式,多项Logit模型,运输效用

参考文献

[1]罗曼.农村应急物流研究[J].中国储运, 2008 (6) :122-123.

[2]缪成, 许维胜, 吴启迪.大规模应急救援物资运输模型的构建与求解[J].系统工程, 2006, 24 (11) :6-12.

[3]张宁, 戴洁, 张晓军.基于多项Logit模型的轨道交通站点步行接驳范围[J].城市轨道交通研究, 2012 (5) :46-49.

[4]张飞飞, 刘蓓蓓, 毕军, 等.城市居民交通方式选择及影响因素分析——以南京市为例[J].四川环境, 2012, 31 (3) :132-138.

[5]邵昀泓, 王炜, 程琳.交通方式选择行为预测非集计模型应用研究[A].可持续发展的中国交通——2005全国博士生学术论坛 (交通运输工程学科) 论文集 (上册) [C].2005:332-336.

[6]陈林.基于logit模型的成渝通道交通选择行为研究[D].成都:西南交通大学, 2013.

[7]陈宽.物流企业多种运输方式选择研究[D].武汉:武汉理工大学, 2012.

[8]David A Hensher, Kenneth J Button.Handbook of Transport Modeling[Z].2000.

[9]De·Ortuzar J, Willunsen.Modeling LG Transport[Z].1994.

分层logit模型篇4

在Logit回归模型中, 因变量设为Y, 服从二项分布, 取值为0 (无财务危机) 和1 (有财务危机) , 自变量为X1、X2、X3、X4、X5、X6, 分别表示每股负债、每股收益、净资产收益率、流动比率、每股未分配利润、营业收入增长率这六大财务指标。

事件发生 (Pi) 与不发生 (1-Pi) 的概率之比为OR值, 对OR值做对数变换, 即可得到Logit回归模型的线性模式ln=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6。

二、样本选取及ST&非ST上市公司财务数据搜集

使用的数据均来自国泰安数据库, 选取121家ST上市公司及2925家非ST上市公司的六大指标财务数据, 并从中随机选择16家ST及9家非ST, 再进行随机排列, 选择前20家公司作为目标样本。

三、确定Logit回归方程参数值

导入数据至SPSS19.0, 采用向后Wald法, 以sig.<0.05为判定标准, 判定引入变量是否具备统计意义, 得到如下结果:

根据表3所得回归系数确定Logit函数为:log (p/ (1-p) ) =logit (p) =3.132-5.467X5;p=exp (3.132-5.467X5) / (1+exp (3.132-5.467X5) ) 。

此外, 将此模型用于被ST的121家上市公司进行总体检测, 现121例个案中仅有5例预测有误, 预测精度达到95.87%。

由表4可知, 在118家非ST上市公司中, 该模型正确识别了109家公司, 错误识别9家公司, 预测精度达92.4%;而在118家ST公司中, 该模型正确识别了99家, 错误识别19家公司, 预测精度也达到83.9%, 模型总的正确率为88.1%, 具有较高的预测能力, 因此可以运用此模型对上市公司进行财务预警。

四、Logit模型财务预警的现实意义

财务预警模型是指借助企业财务指标和非财务指标体系来判别企业财务状况的模型。通常包括六大类:一元判定模型 (Univariate) 、多元判定模型 (MDA) 、多元逻辑 (Logit) 回归模型、多元概率比 (Probit) 回归模型、人工网络 (ANN) 模型和联合预测模型。笔者仅选择其中一类--基于Logit模型对上市公司进行财务预警。根据实证研究结果可以看出此模型的预测精度较佳, 且能对众多财务指标进行筛选, 找出最能反映及预测上市公司是否将出现财务危机的关键财务因子。在选定的六大财务指标中, 可以看到每股未分配利润这一财务指标在预测公司未来的财务状况中起着重要的作用。每股未分配利润越高, 企业出现财务危机的可能性越小。

构建Logit模型一方面可以判别上市公司财务状况, 为投资者或者股东提供关键信息, 同时警示对于经预测会出现财务危机的公司管理层, 及时作出战略调整, 进行成本管控等系列提升公司绩效的措施;另一方面可以通过实证分析筛选出重要财务因子, 从而可以其为切入点, 更为具体地研究财务指标和非财务指标如何影响并反映公司的财务状况、经营成果和现金流量等财务信息。

参考文献

[1]Chan Lin.林婵.基于Logit模型的上市公司财务预警实证分析[J].琼州学院学报, 2010, (05) :110-112.

分层logit模型篇5

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.

分层logit模型篇6

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.

分层logit模型篇7

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.

【分层logit模型】推荐阅读：

分层结构模型11-21

多项Logit模型01-07

分层布置07-20

分层体系05-08

分层压裂05-12

分层设置05-18

隐性分层05-22