• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

考虑个体异质性的汽车分时租赁选择行为

杨飞 侯宗廷 王亮 吴海涛

杨飞, 侯宗廷, 王亮, 吴海涛. 考虑个体异质性的汽车分时租赁选择行为[J]. 西南交通大学学报, 2022, 57(4): 745-752. doi: 10.3969/j.issn.0258-2724.20200428
引用本文: 杨飞, 侯宗廷, 王亮, 吴海涛. 考虑个体异质性的汽车分时租赁选择行为[J]. 西南交通大学学报, 2022, 57(4): 745-752. doi: 10.3969/j.issn.0258-2724.20200428
YANG Fei, HOU Zongting, WANG Liang, WU Haitao. Choice Behavior of Time-Sharing Vehicle Leasing Considering Individual Heterogeneity[J]. Journal of Southwest Jiaotong University, 2022, 57(4): 745-752. doi: 10.3969/j.issn.0258-2724.20200428
Citation: YANG Fei, HOU Zongting, WANG Liang, WU Haitao. Choice Behavior of Time-Sharing Vehicle Leasing Considering Individual Heterogeneity[J]. Journal of Southwest Jiaotong University, 2022, 57(4): 745-752. doi: 10.3969/j.issn.0258-2724.20200428

考虑个体异质性的汽车分时租赁选择行为

doi: 10.3969/j.issn.0258-2724.20200428
基金项目: 国家重点研发计划(2018YF1600900);国家自然科学基金(51678505)
详细信息
    作者简介:

    杨飞(1980—),男,教授,博士,研究方向为交通大数据、智能交通技术与应用、交通行为等,E-mail:yangfei_traffic@home.swjtu.edu.cn

  • 中图分类号: U491.1

Choice Behavior of Time-Sharing Vehicle Leasing Considering Individual Heterogeneity

  • 摘要:

    传统交通行为模型缺乏对个体异质性的考虑,导致其对真实选择行为的解释可能存在差距. 为了研究个体异质性对出行选择行为的影响,首先,分别构建了基于混合logit的选择模型以及基于潜在类别条件logit的选择模型;其次,使用正交设计法生成意愿调查问卷,在成都市开展新能源汽车分时租赁的出行选择实证调查;最后,利用极大似然模拟,采用Halton序列抽样对混合logit模型进行标定;采用回归分析对潜在类别条件logit模型进行求解. 结果表明:步行时间、候车时间、车内时间以及出行费用是影响出行方式选择的关键因素,两种模型均反映出个体异质性对出行者选择行为有着显著影响;潜在类别条件logit模型的拟合优度为0.143,优于混合logit模型的0.139,前者命中率为77.85%,也高于后者的61.28%;潜在类别条件logit模型将出行者划分为3个类别,区分度为0.908 4;类别1群体对出行费用最为敏感,对候车时间不敏感;类别2群体对步行时间和候车时间更加敏感,对费用敏感程度较低;类别3群体对时间和费用的敏感程度介于类别1和类别2之间.

     

  • 表  1  选择枝属性水平

    Table  1.   Levels of alternative attributes

    出行方式属性水平 1水平 2
    地铁 步行时间/min 15 20
    候车时间/min 2 5
    车内时间/min 35 35
    费用/元 5 5
    公交 步行时间/min 10 16
    候车时间/min 10 15
    车内时间/min 50 64
    费用/元 2 2
    出租车 步行时间/min 2 3
    候车时间/min 4 8
    车内时间/min 30 45
    费用/元 38 42
    私家车 步行时间/min 5 8
    车内时间/min 30 45
    费用/元 15 20
    新能源汽车
    分时租赁
    步行时间/min 15 20
    候车时间/min 0 0
    车内时间/min 30 45
    费用/元 17 24
    下载: 导出CSV

    表  2  个人属性水平及编码

    Table  2.   Levels of individual attribute and coding

    变量个人属性水平编码
    性别 1
    2
    年龄 18 岁 ~ 25 岁 1
    26 岁 ~ 30 岁 2
    31 岁 ~ 35 岁 3
    36 岁 ~ 40 岁 4
    41 岁 ~ 45 岁 5
    45 岁 ~ 50 岁 6
    51 岁 ~ 55 岁 7
    > 55 岁 8
    学历 初中及以下 1
    高中/中专/技校 2
    大专 3
    本科 4
    研究生及以上 5
    月收入 > 3000 元 1
    3000 ~ 5000 元 2
    5001 ~ 8000 元 3
    8001 ~ 10000 元 4
    > 10000 元 5
    拥有私家车 拥有 1
    未拥有 2
    下载: 导出CSV

    表  3  样本个人属性统计

    Table  3.   Statistical results for individual attribute of surveyed samples

    调查内容选项样本数/份比例/%
    性别17446.0
    20454.0
    年龄18 岁 ~ 25 岁6116.1
    26 岁 ~ 30 岁8322.0
    31 岁 ~ 35 岁11530.4
    36 岁 ~ 40 岁6416.9
    41 岁 ~ 45 岁266.9
    45 岁 ~ 50 岁256.6
    51 岁 ~ 55 岁41.1
    > 55 岁00
    学历初中及以下82.1
    高中/中专/技校266.9
    大专6717.7
    本科24765.3
    研究生及以上307.9
    职业企业员工22359.0
    商业/服务业人员277.1
    机关/事业单位人员6717.7
    学生5314.0
    其他82.1
    月收入> 3000 元5915.6
    3000 ~ 5000 元5915.6
    5000 ~ 8000 元12633.3
    8000 ~ 10000 元8723.0
    > 10000 元4712.4
    是否拥有
    私家车
    26169.0
    没有11731.0
    下载: 导出CSV

    表  4  混合logit模型参数标定结果

    Table  4.   Calibration results of mixed logit model

    属性参数值标准误差P
    步行时间 −0.0723 0.01441 0
    候车时间 −0.0447 0.02036 0.028
    车内时间 −0.0198 0.00478 0
    费用 −0.0207 0.00998 0.038
    步行时间标准差 0.0451 0.20413 0.271
    候车时间标准差 0.0315 0.01723 0.068
    车内时间标准差 0.0109 0.00587 0.064
    费用标准差 0.0165 0.00826 0.046
    地铁固有常量 0.4389 0.08190 0
    公交固有常量 −0.5564 0.25027 0.026
    出租车固有常量 −0.7516 0.38028 0.048
    新能源汽车分时
    租赁固有常量
    0.3935 0.22469 0.080
    性别 0.1866 0.12011 0.120
    年龄 0.2437 0.12708 0.055
    收入 −0.5649 0.05821 0
    学历 0.0976 0.83657 0.244
    是否拥有私家车 −1.4824 0.15972 0
    注:①、②、③分别表示在1%、5%、10%下显著,后同.
    下载: 导出CSV

    表  5  个体社会经济属性与出行方案属性交互分析

    Table  5.   Interaction analysis of individual social-demographic attributes and travel mode statistics

    交互属性参数值标准误差zP
    步行时间-性别 −0.0150 0.01650 −0.91 0.362
    步行时间-年龄 0.0017 0.00602 0.28 0.776
    步行时间-学历 −0.0026 0.01105 −0.24 0.813
    步行时间-拥车 0.1134 0.01901 5.97 0
    步行时间-收入 −0.0254 0.00898 −2.83 0.005
    候车时间-性别 −0.0007 0.01723 −0.04 0.966
    候车时间-年龄 −0.0059 0.00640 −0.92 0.359
    候车时间-学历 0.3591 0.01146 −0.30 0.763
    候车时间-拥车 0.1071 0.02051 5.22 0
    候车时间-收入 −0.0579 0.00929 −6.23 0
    车内时间-性别 0.0079 0.00840 0.94 0.345
    车内时间-年龄 0.0030 0.00308 0.96 0.338
    车内时间-学历 −0.0101 0.00545 −1.85 0.064
    车内时间-拥车 −0.0063 0.00951 −0.66 0.507
    车内时间-收入 −0.0096 0.00431 −2.23 0.026
    费用-性别 0.0038 0.00805 0.47 0.642
    费用-年龄 0.0028 0.00295 0.95 0.340
    费用-学历 −0.0023 0.00549 −0.42 0.676
    费用-拥车 −0.0373 0.00912 −4.09 0
    费用-收入 0.0355 0.00430 8.25 0
    下载: 导出CSV

    表  6  潜在类别条件logit模型分类结果

    Table  6.   Classification results of latent-class conditional logit model

    类别LLFCAICBIC
    2−1978.084053.2384039.238
    3−1899.773959.9673912.967
    4−1862.933961.6553927.655
    5−1849.014003.1503959.150
    6−1833.144040.7683959.150
    7−1822.504088.8274024.827
    8−1815.944145.0584071.058
    下载: 导出CSV

    表  7  潜在类别条件logit模型回归结果

    Table  7.   Regression results of latent-class conditional logit model

    类别属性参数值标准差zP
    步行时间−0.20000.045527−4.400
    1候车时间−0.05080.052150−0.970.330
    车内时间−0.04960.020274−2.450.014
    费用−0.46540.107002−4.350
    2步行时间−0.17760.015585−11.400
    候车时间−0.24190.019889−12.160
    车内时间−0.02460.007539−3.270.001
    费用−0.00500.007848−0.640.523
    3步行时间−0.03300.011412−2.890.004
    候车时间−0.06570.015323−4.290
    车内时间−0.03810.006395−5.960
    费用−0.04460.006366−7.000
    下载: 导出CSV

    表  8  出行者特性对潜在类别的影响

    Table  8.   Influence of travelers’ characteristics on latent class

    类别属性参数值标准差zP
    1 性别 0.5523 0.388434 1.42 0.155
    年龄 −0.3348 0.453656 −0.74 0.461
    学历 −0.7091 0.389555 −1.82 0.069
    收入 −0.7178 0.412547 −1.74 0.082
    是否拥
    有私家车
    1.3281 0.390433 3.40 0.001
    固定常数 0.5060 0.310452 1.63 0.103
    2 性别 0.9755 0.481793 2.02 0.043
    年龄 −0.9951 0.489439 −2.03 0.042
    学历 0.5408 0.614215 0.88 0.379
    收入 0.8241 0.266693 3.09 0.002
    是否拥有私家车 −3.0222 0.834863 −3.62 0.001
    固定常数 −2.4347 0.922243 −2.64 0.008
    下载: 导出CSV

    表  9  模型对比分析

    Table  9.   Model comparison analysis

    项目混合 logit潜在类别条件 logit
    拟合优度 0.139 0.143
    命中率/% 61.28 77.85
    区分度 0.9084
    下载: 导出CSV
  • [1] BALBONTIN C, HENSHER D A, COLLINS A T. How to better represent preferences in choice models: the contributions to preference heterogeneity attributable to the presence of process heterogeneity[J]. Transportation Research Part B: Methodological, 2019, 122: 218-248. doi: 10.1016/j.trb.2019.02.007
    [2] HESS S, STATHOPOULOS A, DALY A. Allowing for heterogeneous decision rules in discrete choice models: an approach and four case studies[J]. Transportation, 2012, 39(3): 565-591. doi: 10.1007/s11116-011-9365-6
    [3] MANNERING F L, SHANKAR V, BHAT C R. Unobserved heterogeneity and the statistical analysis of highway accident data[J]. Analytic Methods in Accident Research, 2016, 11: 1-16. doi: 10.1016/j.amar.2016.04.001
    [4] IBEAS A, DELL’OLIO L, BORDAGARAY M, et al. Modelling parking choices considering user heterogeneity[J]. Transportation Research Part A: Policy and Practice, 2014, 70: 41-49. doi: 10.1016/j.tra.2014.10.001
    [5] DUAN L W, PENG Q Y, TANG Y Y. Railway shippers’ heterogeneous preferences with random parameters latent class model[J]. Transportation Research Procedia, 2017, 25: 416-424. doi: 10.1016/j.trpro.2017.05.419
    [6] 赵鹏,翟茹雪,宋文波. 考虑个体异质性的高速铁路旅客选择行为[J]. 北京交通大学学报,2019,43(2): 117-123. doi: 10.11860/j.issn.1673-0291.20180127

    ZHAO Peng, ZHAI Ruxue, SONG Wenbo. Passenger choice behavior of high-speed railway considering individual heterogeneity[J]. Journal of Beijing Jiaotong University, 2019, 43(2): 117-123. doi: 10.11860/j.issn.1673-0291.20180127
    [7] GREENE W H, HENSHER D A. A latent class model for discrete choice analysis: contrasts with mixed logit[J]. Transportation Research Part B: Methodological, 2003, 37(8): 681-698. doi: 10.1016/S0191-2615(02)00046-2
    [8] GREENE W H, HENSHER D A. Revealing additional dimensions of preference heterogeneity in a latent class mixed multinomial logit model[J]. Applied Economics, 2013, 45(14): 1897-1902. doi: 10.1080/00036846.2011.650325
    [9] 刘志伟,刘建荣,邓卫. 考虑潜在类别的市内机动化出行行为模型[J]. 西南交通大学学报,2021,56(1): 131-137.

    LIU Zhiwei, LIU Jianrong, DENG Wei. Inclusion of latent class in behavior model of motorized travel in city[J]. Journal of Southwest Jiaotong University, 2021, 56(1): 131-137.
    [10] 刘志伟,刘建荣,邓卫. 无人驾驶汽车对出行方式选择行为的影响[J]. 西南交通大学学报,2021,56(6): 1161-1168.

    LIU Zhiwei, LIU Jianrong, DENG Wei. Impact of autonomous vehicle on travel mode choice behavior[J]. Journal of Southwest Jiaotong University, 2021, 56(6): 1161-1168.
    [11] 姚荣涵,杨澜,王仲. 考虑潜变量的自动驾驶汽车租赁行为[J]. 西南交通大学学报,2021,56(6): 1153-1160.

    YAO Ronghan, YANG Lan, WANG Zhong. Leasing behavior for autonomous vehicles considering latent variables[J]. Journal of Southwest Jiaotong University, 2021, 56(6): 1153-1160.
    [12] HURTUBIA R, NGUYEN M H, GLERUM A, et al. Integrating psychometric indicators in latent class choice models[J]. Transportation Research Part A: Policy and Practice, 2014, 64: 135-146. doi: 10.1016/j.tra.2014.03.010
    [13] BAE Y, KIM J, CHUNG J. Psychological traits to eco-friendly transportation systems:latent class approach[J]. Transportation Research Procedia, 2017, 25: 4270-4284. doi: 10.1016/j.trpro.2017.05.246
    [14] 艾瑞咨询. 2019年中国分时租赁行业研究报告 [R/OL]. (2019-03-20) [2020-06-22]. http://report.iresearch.cn/wx/report.aspx?id=3347.
  • 加载中
表(9)
计量
  • 文章访问数:  303
  • HTML全文浏览量:  130
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-07-14
  • 修回日期:  2021-03-03
  • 刊出日期:  2021-04-15

目录

    /

    返回文章
    返回