Combining stated and revealed choice research to simulate the neighbor effect: The case of hybrid-electric vehicles
Notice bibliographique
Résumé
According to intuition and theories of diffusion, consumer preferences develop along with technological change. However, most economic models designed for policy simulation unrealistically assume static preferences. To improve the behavioral realism of an energy-economy policy model, this study investigates the "neighbor effect," where a new technology becomes more desirable as its adoption becomes more widespread in the market. We measure this effect as a change in aggregated willingness to pay under different levels of technology penetration. Focusing on hybrid-electric vehicles, an online survey experiment collected stated preference (SP) data from 535 Canadian and 408 Californian vehicle owners under different hypothetical market conditions. Revealed preference (RP) data was collected from the same respondents by eliciting the year, make and model of recent vehicle purchases from regions with different degrees of HEV popularity: Canada with 0.17% new market share, and California with 3.0% new market share. We compare choice models estimated from RP data only with three joint SP-RP estimation techniques, each assigning a different weight to the influence of SP and RP data in coefficient estimates. Statistically, models allowing more RP influence outperform SP influenced models. However, results suggest that because the RP data in this study is afflicted by multicollinearity, techniques that allow more SP influence in the beta estimates while maintaining RP data for calibrating vehicle class constraints produce more realistic estimates of willingness to pay. Furthermore, SP influenced coefficient estimates also translate to more realistic behavioral parameters for CIMS, allowing more sensitivity to policy simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».