城市通过混合公私设施网络提供基本服务，包括学校、诊所、交通提供者和补贴服务点。在这些系统中，规划者通常观察家庭的去向，但并不知道他们在权衡距离、价格和机构可达性等因素时所使用的潜在成本函数。我们通过菲律宾的学校选择问题研究这一城市问题，该国最大的国家教育补贴旨在将学习者从拥挤的公立学校引导至参与的私立学校。
将学校间的入学流视为一种熵最优传输计划，我们使用两种互补的逆最优传输模型恢复潜在选择成本：一种带有补贴项的可解释距离带模型，以及一种通过可微分的Sinkhorn前向传播训练的神经成本模型。该框架应用于283,016个学习者出行数据，涵盖23,820个观察到的流量，估计出补贴等效距离 $\\lambda^{(k)}$，可理解为补贴所抵消的感知旅行成本的公里数。此案例展示了如何将行政出发-目的地数据转化为可解释的规划指标，以支持对可达性敏感的补贴设计、设施选址及城市服务分配。
博主点评： 该研究通过逆最优传输模型创新性地揭示了城市服务的潜在成本，尤其是在教育资源分配中的应用，展示了数据驱动的城市规划新思路，为政策制定者提供了重要的决策依据。