意愿离散连续模型的选择性修正

受访者报告了他们过去为其他人运输货物的经验，然后被问到，在多种情况下，他们是否愿意在未来与一群托运人合作。根据对“是”或“否”的回答，将逻辑条件应用于直接回答后续问题的受访者。例如，愿意担任众包托运人的受访者被要求提供他们在提货和递送包裹时愿意转移的最大TTT。除了回答假设问题外，数据集还包括社会特征、性别、性别、种族、教育水平等。数据集中还提供了每个儿子的社会经济数据-收入、子女人数、家庭中成年人人数和住房所有权。结果显示，78%的被调查者愿意担任集体托运人。在原路线上行驶20分钟，TTT平均值和标准偏差分别为23分钟和18分钟。TTT分布如图2所示。读者可以参考Le和Ukkusuri（2018）（12）中问卷设计、调查实施和描述性变量的详细信息。表2中仅总结了本研究中使用的变量的特征。图2：。行程时间（分钟）公差分布10 20 30 40 50 60 70 80 90 100频率分钟，Ukkuuri 8表2。解释变量的描述性统计*指标变量的百分比变量描述单位/最大值或值（标准偏差）*观察人数（受访者）：2196（549）其他人的运输经验。虚拟变量：1-是；0-非0/125.70/74.30您是否会担任人群托运人？虚拟变量：1-是；0-0/178.32/21.68岁。

虚拟变量：1-如果超过30年销售；0-其他情况下，男性人数为0/165.26/34.74，儿童人数为0/50.29（0.75），非裔美国人为美国印第安/阿拉斯加州人，收入低于50000美元/年，0/16.42/93.58，家中年龄≥65岁的人数0/60.18（0.63），大学以上学历，收入低于50000美元/年，0/144.40/55.60收入1000美元/年，15/22048.71（36.00）家庭所有权。1-住房抵押；0-其他情况下，0/120.00/80.00社交媒体使用总数数字0/104.00（2.10）观察人数（受访者）：1720（430）旅行时间的最大容忍度你会接受接送包裹数量1/10023.40（17.50）我可以在通勤期间作为人群托运人0/170.00/30.00ETP作为人群托运人0/3011.70（4.59）如果我收到包裹，我可以运送任何人或货物paidNA0/172.27/27.73年龄。虚拟变量：1-如果<31年销售额；0-其他0/131.45/68.55性别。虚拟变量：1-女性；0-MaleNA0/152.73/47.27非洲裔美国人eric和美国印第安/阿拉斯加土著MaleNA0/14.00/96.00收入低于30000美元/年，并在工作日夜间交付，Ukkusuri 9月10日/126.80/73.20Le。作者利用NLOGIT 6进行所有建模工作，包括初步统计分析（如图所示）和模型构建（32）。下一节提供了模型开发过程和所取得结果的见解。估计结果模型的潜在解释变量选自共享经济的理论和实证研究、共乘和拼车研究（33-34）以及其他人群运输研究（28）。此外，在模型构建过程中，还对模型中的假设变量（例如通勤期间的运输运费、潜在人群托运人知道的人的运输运费、ETP和包裹所有权）进行了测试。

值得注意的是，在建立模型之前，我们计算了变量之间的相关性，以确定高度相关的变量，并揭示多个碰撞问题。配对变量，包括新创建的d变量和来自调查的变量，被发现没有高度相关；因此，开发模型不存在多重共线性问题。估计模型的结果将在以下章节中介绍。如前所述，受访者在选择集中选择是否愿意担任集体托运人（即“是”和“否”）。在此，建立了二元logit模型，并选择WTWas人群托运人作为因变量。对各种解释变量进行统计显著性检验。没有工具变量（即与相应备选方案相关的内生变量）在备选方案之间变化。解释变量仅包括受试者的社会人口特征。结果如表3所示。所有参数（常数参数除外）都有合理的迹象，显著性大于95%。表3：。作为拥挤托运人和平均边际效应的WT的二元logit模型估计结果可变描述效率统计平均边际效应Constant0.0210.11其他人的运输货运经验。虚拟变量：1-是；0-编号1.4868.470.182年龄。

虚拟变量：1-如果>30岁；0-其他情况下，0.9097.240.149男性和儿童人数0.3203.120.049非洲裔美国人埃里克/美国裔印度人/美国裔美国人，收入低于50000美元/年0.5301.840.073您家中的人数>=65岁-0.207-2.48-0.032拥有大学学位或更高学历，收入低于50000美元/年0.5834.100.088收入（1000美元/年）-0.004-2.27-0.001住在mortgage0.4322.800.063社交媒体使用总数0.0672.460.010Number of observation（被访者）2196（549）受限对数似然-1148.010Log-likelike at co nv er gen ce-1041.100Pseudo-R square0.093注：所有变量均定义为WTW的人群托运人。Le，Ukkuuri 10过去为他人运输货物或货物的受访者愿意在拥挤的运输系统中工作。这可能是由于受访者对该领域的熟悉程度以及参与类似系统的信心。此外，“年龄”这一积极且具有统计学意义的参数表明，30岁以上的人倾向于成为拥挤的航运司机伙伴。也许这些受访者更有可能进行日常活动，因此，他们可以更容易地适应额外的任务。有多个孩子的男性的参数为正。这表明她们更有可能成为众包商，而有多个孩子的女性则不太可能这样做。男性可能会认为自己是家庭的赢家，与女性相比，男性可能有更灵活的学习时间。非裔美国人、美洲印第安人和阿拉斯加本地人，大学学历或更高，年薪超过50000美元的受访者更有可能在人群运输系统工作。

收入接近平均水平或低于平均水平可能会激励他们成为众包商（例如，2015年美国的平均收入为48100美元（35））。低收入人群将拥挤的船运视为赚取收入的额外机会。这可能是一份灵活的额外工作。此外，负显著的收入系数表明，收入较高的受访者不太可能像预期的那样从事集体托运人的工作。我们的调查结果还表明，与老年人生活在一起的受访者不太可能从事人群托运工作。这可能是因为与老年家庭成员一起生活所带来的限制。他们可能需要更多的时间与老年人交流，并为老年人所用；因此，它降低了参与拥挤运输的灵活性。然而，居住在抵押房屋中的受访者更有动机成为众包快递公司的驱动合作伙伴。这表明人们有可能赚取额外收入来偿还贷款和其他债务。此外，使用更多社交媒体渠道的个人更有可能成为群体托运人。这些人可能更精通技术，熟悉usingapps，并对共享经济中的演出持开放态度。不同的人群因不同的原因可能会从事人群运输。有些人可能想“在找全职工作的同时赚钱”。有些人可能会在人生的某个阶段受到“保持稳定收入”或“赚取更多收入”的激励。其他人可能会“有更多的灵活性”或“做自己的老板”（12）。因此，为了促进众包运输并解决潜在的驱动程序合作伙伴的问题，众包快递公司可以通过多种标准筛选其促销和招聘计划中的人群。

当然，这项研究的成果为理解这些问题提供了初步思路。为了评估解释变量对是否愿意与托运人合作的决策的影响，我们计算了边际效应。由于弹性通常用于测量连续的解释变量，因此选择了其他城市的边际效应，而本研究中的大多数估计变量都是指标变量。在这项研究中，边缘效应衡量了在保持其他变量不变的情况下，作为某个变量变化的函数，担任人群托运人的决策的变化。在所有变量中，过去和年龄段的货运经验极大地影响了众包公司的WTW。例如，在creas es WTW 18.2%的交货期经验中，所有其他变量保持不变。此外，30岁及以上年龄组的WTW高出15%。收入变量对WTW决策的边际影响最小。个人年收入增加1000美元将使众包托运人工作的可能性降低0.1%。所有其他变量在1-9%范围内具有边际效应。所有边际效应系数都具有统计显著性，并且与logit模型中相应的系数具有相同的符号。Le，Ukkuuri 11行程时间容差模型本节介绍了修正的TTT回归模型的结果。选择性偏差法用于纠正愿意担任群体托运人的受访者的TTT。利用表3中所示的1720项观察数据（430名受访者）和离散logit模型输出数据来评估回归模型。

此外，值得注意的是，这两种模型之间存在差异；因此，在没有选择性校正项的情况下估计的模型结果也在表4中给出。对于用选择性修正项估计的模型，交换三参数对TTT有负的显著影响。受访者愿意在其通勤旅行中携带货物，但与其他旅行目的相比，不太可能在更长的时间内运输。这一发现与以下事实相一致，即受访者在其他情况下（如休闲旅行或自由时间）的日程安排可能更具灵活性。因此，在后一种情况下，他们可以更深入地研究运输包。另一方面，“预期作为人群托运人付费”的参数是积极的和重要的。因此，获得报酬的受访者越多，他们愿意旅行的距离就越长。考虑到这一点，补偿计划的设计应谨慎，以吸引偶尔驾驶的人，但不应导致大量的车辆行驶里程。驾驶员合作伙伴长时间额外驾驶可能会过度补偿资源节约（例如，每次包裹交付的燃油消耗）；因此，违反了实施众筹系统的目标，即提高流动性、安全性和环境可持续性。一种可能的解决方案是分解长时间的发货行程，以便多个拥挤的发货人可以合作在他们的行程中提交相同的请求。因此，人群托运人的路线偏差最小化。在模型的设计过程中，我们有兴趣确定潜在的大众托运人的包裹所有权偏好。有趣的是，“如果我得到报酬，我可以交付霍弗的包裹”变量的系数对交付TTT产生了负面影响。

因此，一旦受访者为朋友、同事、亲戚或邻居运送货物或货物，他们就更有可能旅行更长时间。这表明，拥挤的托运人更愿意从他们的路线转向与他们有密切联系的人的运输包裹。潜在改善众包运输市场的一种方法是将众包运输与个人的社交网络联系起来。同样，年轻人（即31岁以下）和女性愿意旅行更长的时间来递送包裹。结果还清楚地表明，非裔美国人、美洲印第安人、阿拉斯加原住民参数为正，具有统计学意义。因此，这部分人一旦成为大众运输公司的司机合作伙伴，就更有可能旅行更长的时间来交付货物。此外，低收入（即低于30001美元/年）的受访者可能会在晚上花更长的时间运送fr 8。这一结果表明，低收入受访者更倾向于在对他人没有吸引力的时候接受工作。两个模型中确定的参数都值得注意。在这两个模型中，除了“年龄”参数外，所有公共参数都是不可忽略的。在没有选择性校正项的估计模型中，“ag e”参数不显著。此外，在用选择性校正项估计的随机参数模型中，选择性偏差参数在统计上不同于零。因此，选择性校正参数在交叉观测中变化很大。因此，在99.99%以上的置信水平下，可以拒绝选择性偏差参数等于零的零假设。这些结果也符合我们的样本选择性假设。因此，省略选择性校正项会导致严重的模型误报。

例如，当比较使用和不使用选择性校正项估计的两个模型时，参数明显不同，尤其是Ukkusuri 12表4。行程时间变量描述公差的校正和未校正回归模型带选择性校正的估计不带选择性校正的估计参数statParametert statNon随机参数Constant11.0996.608.2453.69I可以在我的通勤期间作为人群托运人-5.076-6.63-4.902-8.90ETP作为人群托运人Per4.98823.225.04325.37I可以运送任何包裹或货物获得报酬-3.976-4.84-4.374-4.48年龄。虚拟变量：1-如果<31岁；0-其他情况下，2.3222.370.3400.37Female2.4182.881.78010.30非洲裔美国人和美洲裔印度人，以及本地男性8.5644.6410.2164.06收入低于30000美元/年且愿意在工作日夜间交付1.9912.232.3702.66随机参数选择性校正术语5.9364.39选择性校正的标准推导术语14.95463.04观察人数（受访者）1720（430）1720（430）R平方0.2700.261修正R平方0.2660.258支取数预计支付金额（ETP）（$/小时）12.02911.898注：不重要参数加下划线。常量和“年龄”参数。因此，当忽略选择性偏差项时，估计结果会产生错误的解释和结论。在这项研究中，ETP是拥挤的托运人期望为其交货驾驶时间支付的金额。该值与Miller等人（2017）（15）中的WTW值相似。选择性校正模型的ETP值为12美元/小时，低于Miller等人（2017）报告的平均WTW值（19美元/小时）。然而，该ETP值在美国交通部公布的9.2美元至15.6美元小时旅行时间节约值范围内（36）。

ETP值的发现可能会建议大众运输公司制定符合驾驶员期望的薪酬计划。这可能会增加招聘和留住系统中的拥挤托运人。Le，Ukkuuri 13结论Scrowd航运或众包快递公司提供平台，将需要发送包裹的发件人与无论如何都要旅行的快递员联系起来。该系统为社会带来了潜在的好处，包括提高了流动性，减少了温室气体和温室气体。然而，为了实施一个有效的系统，需要更多地了解利益相关者，尤其是众包商本身。缺乏对这一课题的研究；因此，本文探讨了确定影响大型航运系统中相关医院行为（TW和TTT）的因素这一核心问题。已对离散连续模型估计进行了调查，以收集数据。采用二元logit模型考察了多个因素对拥挤托运人WTW的影响。为了了解影响潜在人群托运人行程时间决策的因素，已采用普通最小二乘回归模型。回归模型中的选择性偏差项校正了离散变量和连续变量的相关性。这种纠正是为了防止从结果中得出错误的见解和结论。总的来说，结果表明，这些参数有合理的迹象，具有统计意义。这项研究的贡献对研究人员、决策者和众筹公司都有价值。