基于体验的决策模型(EBCM)：动态学习机制、行为现象捕捉与主观幸福感评估

本研究针对传统离散选择模型(RUM)无法捕捉体验与记忆对决策影响的问题，提出体验型决策模型(EBCM)，整合Kahneman的即时效用理论与集成选择潜变量框架(ICLV)，通过心理生理指标(PPI)量化瞬时效用，揭示习惯性行为、热炉效应等复杂行为机制，为主观幸福感(SWB)评估提供动态学习视角。

　　

在传统经济学理论中，离散选择行为长期被随机效用最大化(RUM)模型主导，这种静态框架将人类简化为完全理性的决策机器。然而现实世界中，从品酒到通勤路线选择，大量决策依赖于过往体验积累——正如Nelson提出的"体验商品"概念。更棘手的是，当消费者处于习惯性或被迫选择情境（如固定通勤方式）时，体验可能仅影响主观幸福感(SWB)而不改变行为选择。这种体验与决策的复杂互动，成为传统模型难以逾越的认知鸿沟。

为突破这一局限，Bastian Henriquez-Jara等研究者创新性地构建了体验型决策模型(EBCM)。该模型巧妙融合Kahneman的即时效用理论与集成选择潜变量(ICLV)框架，将心理生理测量技术引入选择建模领域。通过脑电波、心率变异性等客观指标，研究者首次实现了对决策过程中瞬时情感波动的量化捕捉，建立起从神经反应到宏观选择的完整解释链条。这项发表于《Journal of Choice Modelling》的研究，不仅为行为经济学提供了新的分析工具，更开辟了"愉悦科学"的量化研究路径。

关键技术方法包括：1) 基于Q学习的马尔可夫强化学习框架模拟决策效用更新；2) 实例学习(IBL)算法聚合瞬时效用；3) 蒙特卡洛模拟验证参数识别；4) 心理生理指标(PPI)包括心率、皮肤电活动等测量瞬时效用；5) 使用公开交通乘客队列数据验证模型。

An implementation of EBCM
研究提出EBCM核心架构：决策效用(DU)由记忆效用(RU)与新获取属性信息共同决定，其中RU通过实例学习机制累积瞬时效用(IU)。模型采用三层次结构：测量方程连接PPI与IU，结构方程描述IU到RU的转化，选择方程实现DU到最终决策的映射。

Simulation and estimation
通过蒙特卡洛实验证实，即使存在累积误差，模型仍能稳定识别所有参数。特别验证了心理生理指标对识别小效应参数的关键作用——仅依赖问卷数据时，仅大效应参数可被识别，而PPI能捕捉全部细微效应。

Accounting for behavioural phenomena with EBCM
模型成功复现四大行为异象：1) 目标导向与习惯行为的二元性，体现为不同学习率下的选择模式分化；2) 热炉效应通过负向IU的持续影响呈现；3) 现状偏误由RU的惯性维持机制解释；4) 近因效应通过记忆衰减函数自然涌现。

Towards the identification of subjective well-being assessment with EBCM
突破性地将SWB评估从静态比较发展为动态过程追踪。案例显示，当传统理性假设失效（如被迫选择情境），EBCM仍能通过IU累积准确预测SWB变化，这对公共交通等公共服务评估具有政策价值。

这项研究标志着选择建模范式的重大转变。通过将神经经济学测量、强化学习算法与传统离散选择模型有机结合，EBCM不仅解决了"体验商品"的建模难题，更建立了连接微观神经反应与宏观社会选择的理论桥梁。其创新性体现在三方面：1) 首次实现IU→RU→DU的全链条量化；2) 开发出可同时解释选择行为与SWB的统一框架；3) 为政策评估提供超越显示性偏好的新维度。正如作者指出，这种"从内而外"的建模思路，或将重塑交通规划、健康行为干预等领域的评估标准。