本章節為針對第二章文獻回顧整理之相關應用方法進行說明，本章節介紹 之方法即為後續會應用至本研究模式建構之主要方法。
3.1 個體模式
若研究所採用的離散選擇模式欲達上述研究構想，技術上則衍生以下 5 類 選擇模式，分別為多維度選擇模式、整合潛在變數之選擇模式、考量異質性之 選擇模式、整合顯示及敘述資料之選擇模式與動態選擇模式等衍生模式，簡要 概述如後續小節。
3.1.1 多維度選擇模式
本研究所建構的效用函數為能同時含括多個選擇行為，例如民眾的多運具 轉乘、城際接駁行為與重要關聯因素如大眾運輸服務覆蓋性及便利性等因素，
將以多維度離散選擇模式為主。即預先分別考量不同區域(縣市)之運輸資源(可 選方案集合、公共運輸條件與轉乘資訊的提供)建立子模式，再透過工具變數方 式代入效用函數。其處理方法與一般採用巢式羅吉特模式無異，以包容值，如 式(3-1)表示歸納下巢層各方案的預期最大效用(expected maximum utility)指標 (Daly and Zachary, 1978；Ben-Akiva and Lerman，1985；謝文淵，民 91；周宏 彥、許玄岡，民 96)。在推估方式則係採用將下巢層的估計係數設定為一包容 值代入上巢層推估，統計上具一致性但不具有效性(Amemiya, 1978)。然而此法 可簡化推估的方案內容、避免上下層的選擇行為指定相同變數之影響及利於實 務解釋與政策分析等三項優點。
(
j)
m
v
m
Ln
j N∈e
Γ = ∑
(3-1)據此未來研究所研提的運具行為模式，可透過多維度與巢式模式架構，以 包容值方式涵蓋更複雜的運具選擇方式，以更一般化方式反應民眾的旅運需 求，此對於釐清公共運輸的使用行為，會有更佳的詮釋。參酌目前國內外文獻，
依據旅運特性與目前問卷內容，所能推演出的區內經常性旅次暫定有兩層架 構，參見表 3.1，分別為「轉乘與直達方式」、「轉乘方式」與「直達方式」等選 擇模式架構，共需建立上、下位四個模式以探討都市旅運者轉乘行為與運具選 擇偏好的交互影響；中長程城際旅運模式的兩層架構，參見表 3.2，則包括有「城 際運具」與「接駁運具」等兩個上、下位選擇模式，以衡量城際運具選擇與接 駁運具選擇之相互影響關係。
39
40 3.1.2 整合潛在變數之選擇模式
潛在變數的處理於離散選擇模式已日趨受到重視，尤其在本研究所建立的 運具選擇模式需同時一併考量服務水準中的車輛環境、服務可靠度與安全性等 難以直接量測的影響變數。另一方面旅運者可能也由於心理上的知覺、態度、
理念與環境意識等不可觀測之本質因素則也需一併考量。目前潛在變數的處理 方式，大致可分為三種方法，分別為將潛在變數的可觀測指標放進效用函數，
如圖 3.1(a)之左。利用統計方法得到潛在變數的配適值放入選擇模式，如圖 3.1(a) 之右，將方案之潛在屬性和消費者偏好，從偏好或選擇資料推論得到等方式，
如圖 3.1(b)。但是這些方法都存在統計上的問題，例如：可觀測指標代表潛在 變數可能會造成共線性問題、指標不是直接影響決策以及指標並不適用於預測 等。而用統計方法得到潛在變數配適值的兩階段推估法，可能會導致參數估計 值不具一致性與有效性等推估上的問題。(胡琬珮，民 97)
(a)衡量指標直接納入選擇模式
(b)將衡量指標先彙整成構面，再納入選擇模式 圖 3.1 潛在變數處理方式(Ben-Akiva et al., 1997)
除上面三種方法之外，Ben-Akiva et al.(1997)利用聯立方程式的概念，提出 整 合 潛 在 變 數 (latent variable) 和 離 散 選 擇 模 式 之 潛 在 變 數 選 擇 模 式 (latent variable choice model, LVCM) ，如圖 3.2。LVCM 能以一階段推估之最大模擬 概似法(maximum simulated likelihood, MSL)克服積分上的困難，得到具有一致 性及有效性的參數估計值。此外 LVCM 的推估結果易運用在政策分析，可了解
41
各政策變數對選擇方案機率之直接或間接影響，有益於後續對政策做分析。
圖 3.2 潛在變數選擇模式(Ben-Akiva et al., 1997)
目前應用 LVCM 的研究，大多以一階段推估考慮可觀測的重要解釋變數對 潛在知覺變數及態度變數的因果關係，以及潛在知覺變數或態度變數對選擇機 率之影響。惟國內這類型的研究大多仍採用兩階段推估方式，先採用因素分析，
再構建離散選擇模式，並且於模式中考慮服務品質、知覺與態度等不可觀測之 因素；因素分析是多變量統計方法之一，又分為探索性因素分析(exploratory factor analysis, EFA)和驗證性因素分析(confirmatory factor analysis, CFA)兩類，
探索性因素分析則為目前運具選擇模式研究時常見的搭配方法。
因素分析主要目的是對資料找出其結構，以少數幾個因素來解釋一群相互 有關係存在的變數，而又能到保有原來最多的資訊，可達到因素分析的兩大目 標：資料簡化和摘要。探索性因素分析適用於若事前無法明確得知指標變數可 能產生若干構面，甚至指標變數與構面間的相對應關係，則探索性因素分析法 可利用變數縮減技巧幫助研究者釐清指標間關聯性，並作為研究課題的初探；
而驗證性因素分析法主要用於研究者依據鮮豔理論架構出指標變數與構面間的 關係後，透過資料的蒐集來檢驗其理論模式間的適合度，經由修正後，最後說 明理論模式能否被樣本資料所支持。本研究採用驗證性因素分析法，以下就驗 證性因素分析採適當之說明。
一個良好的量測模式必須滿足三個條件：(1)研究模式中各觀測變數必須能 正確測量出各潛在變數；(2)同一觀察變數不能對於不同的潛在變數都產生顯著 的負荷量(loading)；(3)量測模式的一階驗證因素分析模式須具備整體配適度。
有關的統計檢定指標包括：
1. 個別項目信度(individual item reliability)：觀察各變數之Cronbach’sα 值，須 大於 0.7 以上，以及其潛在變數的因素負荷量(factor loading)，值應該在 0.5 以上。
2. 組合信度(composite reliability)：潛在變數的組合信度為所有觀測變數之信
42
度組成，值應在 0.6 以上。組成信度愈高，則表示其觀察變數愈能測出該 潛在變數。
3. 平均變異抽取量(average variance extracted)：平均變異抽取量為計算潛在變 數之各觀察變數對該潛在變數的平均變異解釋力。當平均變異抽取量愈
一、有限混合模式(finite mixture model；以下稱為 FM)
有限混合模式(finite mixture model；以下稱為 FM)為一種混合分配(mixture distribution)的機率模型，其假定原始實測資料(field observations)係於自眾多但 有限的未知分配而來，而 FM 模式可自行分類，以減少模式因存在不同異質群 體(heterogeneity subpopulations)而導致偏誤的估計結果。FM 模式假設在未知的 K 個群體下，彼此間關係式如式(3-3)所示：
43 群產生不同的邊際影響係數。
在行銷或運輸其它領域，已有眾多研究以類似 FM 模式如潛在分群模式 (Latent class model，以下簡稱 LCM)進行市場區隔的討論(Gupta et al., 1994; Bhat, 1997; Greene et al., 2003; Swait, 2003)。在傳統 LCM 方法中，係同時模化群內與 群間機率，而兩者的機率分配可就資料特性自行假設(Wedel et al., 1993; Swait, 2000)；群內機率用以說明同群的內對產品或運輸服務具有相同特質，例如價格 與品牌，實證上由於各族群對變數的感受不一，或某特定族群的比例過低，而 導致係數的不顯著或不穩定，乃至不具參考價值，此時可考慮給定常數、捨棄 或跨群一併推估之處理方式；群間機率可用以分析影響分群的因素，採用的為 社會經濟與人口統計等變數，而分群的數目常經由統計配適指標如 BIC 予以決 定，但若以統計指標作為判斷依據，實務上也許會遭遇分群後難以解釋的窘境，
此時仍需仰賴研究者以先驗知識予以斟酌。
二、市場區隔方法
一般而言，市場區隔方式可區分為內生市場區隔與外生市場區隔，前者原 理係於選擇模式中內建區隔函數，進行分群，詳細內容如同前文 FM 模式之說 明。外生區隔原理係假設整體市場存在一個固定、有限數目且互斥的區隔市場，
即每單一個體均可歸類為某特定的區隔市場之內，而且任一區隔市場之內的全 部個體皆假設具有相同的行為或偏好，即區隔市場內的所有個體視為均有相同 的效用函數。市場區隔方式可能決定於樣本的社經變數或行為特性。常見外生 市場區隔方式為精密的效用函數指定法，與結合群集分析與決策樹的樣本分類 方法。其中，精密的效用函數指定法主要目的在於考慮變數彼此間可能存在的 交互作用，此法可分區為全部維度與限制維度(事前區隔法)；前者係直接對樣 本以精密效用函數的指定，後者則由研究者以先驗知識選擇一區隔變數(例如行 政區、旅次目的、城市規模、弱勢族群與其它政策考量等)直接對樣本進行分群；
而所謂群集或決策樹的分析方式則是依據樣本點的區隔特性與統計距離進行歸 類，使得同一群集內的樣本可具較高之同質性，而不同群集間樣本則具較明顯 的異質性(段良雄等人，民 90)。
3.1.4 整合顯示及敘述資料之選擇模式
為反應分析開闢新路線或新型公共運輸改善方案的引入(智慧型公共運輸 系統、DRT、BRT 建置等)對旅運行為之影響，本計畫的資料蒐集除了顯示性(RP) 資料，並考慮一併蒐集敘述性偏好(SP)資料。解釋上，顯示性偏好資料所構建 之效用函數，可說明旅運行為現況；敘述性資料構建的偏好效用函數，則能反 應旅運者的潛在選擇行為，當新運具營運前時，存在許多不確定性，以致受訪 的民眾的自述偏好未必可信，為使敘述模式反應的解釋能力與受訪民眾的實際 需求行為存在落差。有鑑於此，除了一併蒐集敘述偏好資料，設計多樣化情境 (scenarios)彌補顯示性資料的不足，以期更準確解釋旅運者的運具選擇行為。由
44
於敘述偏好資料非實際發生行為，因此資料蒐集前置過程需經由實驗設計進
於敘述偏好資料非實際發生行為，因此資料蒐集前置過程需經由實驗設計進