敘述性偏好法

校估羅吉特模式所使用之資料型態可分為顯示性偏好(Reveal Preference, R-P)與 敘述性偏好(Stated Preference, SP)數據兩類。

傳統的顯示性偏好法在分析旅運需求時係透過對受訪者實際行為之觀察，從受訪者 對不同方案的評估與決策來觀察個體行為之偏好，然後再利用適當的統計方法，分析其 決策之關鍵變數以構建效用函數。在 1980 年代中期以前，個體運輸需求模式多使用顯 示性偏好以蒐集責料，此法雖然較能精確地分析旅運行為與構建效用函數，但其在應用 上仍有若干之限制(陳育甄，民 91 年):

1. 所使用之數據可能因變數值的變異程度不夠而導致該變數不顯著，無法進一步分析。

2. 顯示性偏好模式須使用實際數據，解釋變數問可能存在著高度相關的問題。

3. 顯示性偏好模式使用的解釋變數通常以量化的單位表示，無法估計一些質化變數的 影響。

4. 顯示性偏好模式收集資料常需耗大量時問、金錢及人力，且難決定替選方案集合。

5. 顯示性偏好模式無法處理新的運輸系統，對於新的運具無法預測其潛在之需求。

由於顯示性偏好存在著上述的缺點與限制，因此近年來的研究多以敘述性偏好法來 預測與分析旅運行為與構建效用函數。其模式之建立是透過可控制的實驗設計，透過合 理與有效的方案情境組合，將設計好的方案陳述於受訪者面前，然後再讓受訪者依其本 身的偏好進行方案的評估，研究者根據這些受訪者的資料與偏好，分析受訪者之決策行 為並構建效用函數。

敘述性偏好法最大的優點是可以模擬未存運輸設施的情境，進行旅運需求預測。然 而此法仍有一些限制:

1. 受訪者所陳述之行為可能並非其實際的選擇行為。

2. 當屬性及水準數很多時，情境組合數龐大，所構成的替選方案會導致受訪者無法做 正確選擇。

3. 效用函數參數校估方法並沒有一定的準則。

4. 若假設的情境與真實狀況相差太多，會導致分析結果的誤差。

無論是顯示性偏好或敘述性偏好法，皆有其應用上的優點與缺點，因而有結合兩種 數據優點之模式的發展。

2.6.1 敘述性偏好法之基本概念

敘述性偏好於 1970 年代初期發展於行銷學領域，至 1978 年被廣泛應用，此方法在 行銷學頜域稱之為聯合分析(Conjoint Analysis)，吳長生(民 88 年)將聯合分析定義為:

「由不同屬性水準值所事先定義的替選方案供消費者評量，並依此資訊估計消費者偏好 結構之分解(decomposition)方法」。至 1979 年時，英國首次將聯合分析應用在運輸分 析上，聯合分析在運輸頜域上就稱為敘述性偏好法(stated Preference Method)，或稱 之為實驗室模擬法(Laboratory simulation)、情境法(Scenario-based Method)(尤淨 纓，民 90 年)。

敘 述 性 偏 好 法 主 要 是 研 究 者 以 一 些 事 先 決 定 好 的 屬 性 (Attributes) 及 水 率 值 (Level)組合成各種情境，再由這些客觀的情境，構成替選方案(Alternatives)供受訪 者評分(Rating)、等級排序(Ranking-order)，或以第一偏好法(First Choice)的方式 評估其替選方案的整體偏好，之後研究者再依上述各替選方案之整體偏好資料，利用一 些參數校估技術估計偏好函數的參數(劉慧燕，民 81 年)。

2.6.2 敘述性偏好法之衡量尺度與參數校估方法

不同的偏好衡量尺度會影響到效用函數參數的校估程序，且不同實驗設計及替選方 案的描述會使用不同的偏好衡量尺度，故偏好偏好衡量尺度的選擇對模式之選用有極大 的影響，必須依循研究目的，符合所採用模式之前題假設及參數校估方法等要素。偏好

衡量尺度方法一般可分為等級排序法(ranking)、評分法(rating)與第一偏好法(first preference)等三種，分別如下作介紹:

1. 等級排序法

即受訪者對替選方案依其偏好給予順序之排列。測量層次屬於等級尺度(ordinal scale)，只能顯示出偏好的高低，而無法顯示出偏好的倍數關係(強度)，所以當替選方 案過多時，排序的工作就變得非常困難。

2. 評分法

即受訪者對替選方案依其偏好給予評分。偏好愈高者分數愈高，街量層度為等距尺 度(interval scale)，由於沒有真正的零點，所以 20 分並非為 10 分的兩倍。一般大都 將分數設在 l~20 分左右，因為若分數範圍過大，受訪者比較不容易正確地將其偏好表 達出來。

3. 第一偏好法

即受訪者對替選方案模擬其可能選擇之方案，被選擇之方案即代表受訪者對此方案 具有第一偏好，此法可以顯示出受訪者對替選方案偏好的機率。

敘述性偏好模式效用函數參數的校估，依研究目的、效用函數的型態、偏好衡量法、

實 驗 設 計 與 可 應 用 之 軟 體 不 同 而 有 所 不 一 。 等 級 排 序 法 偏 好 資 料 可 利 用 MONANOVA(Monotone Analysis of Variance)模式校估參數;而評分法偏好資料一般皆以 最小平方迴歸(ordinary Least Squares, OLS)及最小絕對誤差和迥歸模式(Minimizing sum of Absolute Error Regression, MSAE):第一偏好法在研究上最常被應用，乃是因 為其基本假設符合個體選擇理論，可應用個體模式中羅吉特(Logit)與普洛比(Probit) 兩種方法校估參數。羅吉特模式(Logit Model)因函數型式簡單，實用便利性高，且有 適當之軟體可使用，所以較普洛比模式應用為廣，不過羅吉特模式通常存在著不相關替 選方案獨立性(Independence Irrelevant Alternatives, IIA)特性。

2.6.3 實驗設計之概念

敘述性偏好之替選方案是由研究者在進行實驗設計(Experimental Design)前，以 事先決定好之相關屬性及其水準值所組成的選擇情境。一般相關屬性的選取，、須符合 研究目的，至於屬性個數多寡的問題則無定論，只要能顯示研究的目的，屬性個數愈少，

研究之實驗設計則愈簡單，但變數太少則會不易顯示所欲研究主題的特性，因此一般都 採取減少水準值數目之作法，以達到簡化實驗設計的目的。最常見的水準值數目為 2 捆 或 3 個，即(Two-Way)或(There-Way)設計(指屬性為 n 個，水準數為 2ⁿ個或 3ⁿ個的設計)。

敘述性偏好模式之實驗設計，主要分為二因素法(two-factor at-a-time procedure) 及整體輪廓法(full-profile approach)兩大類(張顥鐘，民 91 年):

1. 二因素(two-factor at-a-time procedure)

二因素法又稱權衡法(trade-off procedure)，受訪者每次只針對兩個屬性中各水 準值的不同組合加以評估，排列出偏好順序，然後再逐次地評估其他對屬性組合。

二因素法的優點是很容易應用和受訪者容易填寫，但在實際應用上有以下幾個限 制:

(l)每次只對兩個屬性進行比較評估，而暫時忽咯其他屬性的考量，故有失其真實 性。

(2)選擇者所需評估的次數較多，例如有 6 個屬性，每個屬性有 4 梱水準，選擇者 即須填 15 張表，每張有 16 個空格(即 16 個組合)。

(3)受訪者會有混淆的趨勢，或可能傾向於採取定型化的反應，容易疲乏。

(4)為一非計量的運用，且不能使用部分因子設計來減少屬性的比較。

(5)屬性的組合最適合用口頭來描述，但不適合以圖畫的方式來描述。

2. 整體輪廓法(full-profile approach)

整體輪廓法又稱觀念評估法(concept evaluation task)，它在替選方案中列舉所 有重要屬性，並由各屬性的某一水準值共同組成一個替選方案，此替選方案可視為一整 體輪廓。整體輪廓法將替選方案中每一個屬性皆同時列出，較接近事但受訪者所需評估

的替選方案太多(特別是以等級排序或評分法衡量偏好的情形)，常超出受訪者所能負擔 範圍。舉例來說，如有六個屬性，每個屬性有 4 個水準，即有 4⁶=4096 個替選方案，因 此整體輪廓法在實際應用上為了減少受測體的組合數目，可使用要因設計(factorial design)、部分要因設計(fractional factorial design)、及直交排列法(orthogonal arrays)等實驗設計法來解決。

整體輪廓法的缺點是受訪者面對受測體數目過多時常常無法做理性的判斷。而其優 點是:

(1)對受訪者而官，比較符合其實際上的情境。

(2)可使受訪者就替選方案的整體輪廓來做比較、衡量和評估。

(3)將資料配合分解模式使用時，可允許有交互作用的存在。

2.6.4 敘述性偏好法相關研究

許巧鶯等(民 87 年)曾提出對敘述性偏好的分析步驟:

1. 將假設的替選方案藉著一些影響選擇行為的某些屬性所組成的整體概念，以某種描 述的方式呈現給受訪者。

2. 這些屬性各具有許多水準值，替選方案即由這些屬性的任一水準值所組合而成的。

3. 屬性及其水準值在情境組合時常透過實驗設計技術(如直交排列設計)或隨機抽取水 準值(如隨機分配實驗設計)來設計。其中隨機分配實驗設計為在一定屬性水準值範 圍內，以隨機抽樣的方式抽取情境組合之屬性水準值，目的在解決直交排列設計時 資料變異性不足的缺點，但不能保證方案間互相獨立，一般多以增加問卷數目，使 水準值之抽取呈常態分配解決之(Kroes and Sheldon，1988)。

4. 受訪者透過將各方案排定優先偏好順序(如等級排序法)、對各方案進行偏好強度評 分(如評分法)或僅選擇一方案(如第一偏好法)表達其對替選方案的偏好。其中第一 偏好法資料蒐集較有效率、理論基礎完備、無尺度假設問題，因此多數應用於運輸 上之研究皆採用第一偏好法。

5. 最後，研究者依各受訪者替選方案之偏好資料，利用參數校估技術估計效用函數的 參數。等級排序法所得之偏好資料的參數校估可用 MONANOVA 分析法(Monotone Analysis of Variance)、PREFMAP 程式、非計量多元尺度法或 LINMPAP 程式。評分 法 所 得 之 偏 好 資 料 的 參 數 校 估 可 用 最 小 平 方 迴 歸 法 或 最 小 絕 對 誤 差 和 迥 歸 法 (Minimizing sum of Absolute Error Regression, MSAE)。第一偏好法所得之偏好 資料的參數校估可用羅吉特模式或普洛比模式。

目前，在國內外已有非常多的學者從事將敘述性偏好法應用於運輸上之研究，Kroes and Sheldon(1988)說明敘述性偏好法之內涵和其在運輸頜域上之應用，Bunch et al.(1993)探討敘述性偏好法中各屬性變數對不同消費者是否選擇使用電動車之影響，

段良雄與劉慧燕(民 85 年)應用敘述性偏好法於路線選擇，許巧鶯等(民 87 年)運用敘述 性偏好法對消費者電子購物與傳統購物選擇行為進行分析，陳玉屏(民 88 年)以敘述性 偏好法探討消費者對電動機車的選擇行為，Wen and Koppelman(2000)運用敘述性偏好 法在區位選擇和家戶旅次上，來探討個體運具選擇模式，尤淨纓(民 90 年)以敘述性偏 好法探討消費者對網路電話選擇行為之研究，張顥鐘(民 91 年)以敘述性偏好法探討迄 點屬性對城際旅運者運具選擇行為之影響等等·