While machine learning has gained popularity in choice behavior modeling, most machine learning models are often complex, difficult to interpret, and even considered as black box. This study investigates machine learning methods for choice behavior modeling that provide interpretability of models’ output. We explore various approaches including (1) explicitly descriptive models such as tree-based models, (2) interpretation of predictive models through feature importance measures, and (3) recent advancements in prediction explanation methods such as LIME and SHAP (Shapley Additive exPlanations). We demonstrate the methods on consumers’ airport choice behavior in Seoul metropolitan area. Through the comparative analysis with traditional discrete choice models, we discuss advantages as well as limitations of machine learning models in consumer choice behavior modeling.

본 연구는 최근 홍천강의 생태적 기능을 되살리기 위해 계획 중인 생태하천 복원사업의 경제적 편익을 정량적으로 추정하는 것을 목적으로 하고 있다. 생태하천 복원사업의 결과물은 시장에서 거래되는 재화가 아니기 때문에 가격을 이용한 가치 측정에 어려움이 있으므로, 사용가치 및 비사용가치에 대한 지불의사액을 분석하는 조건부 가치측정법을 적용하였다. 또한 지불의사액이 0인 응답자들을 고려한 스파이크 모형을 추가적으로 이용하였다. 분석 결과 사업지 인근에서는 가구당 연간 3,300원~4,628원, 비사업지에서는 가구당 연간 1,308원~2,929원의 지불의사가 있었다. 이를 우리나라 전체로 확대할 경우, 홍천강 생태하천 복원사업의 경제적 편익은 현재가치로 약 976억 원~2,163억 원에 이를 것으로 판단된다.