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.
Abstract:Lack of individual heterogeneity in traditional travel behavior models causes errors in the interpretation of real choice behaviors. In order to explore the influence of individual heterogeneity on travel choice behavior, firstly, a mixed logit based choice model and a latent-class conditional logit based choice model are built. Secondly, orthogonal design method is used to generate stated preference questionnaires for an empirical survey in Chengdu regarding travel choice behaviors of time-sharing lease on new energy vehicles. Finally, the mixed logit model is calibrated by using maximum likelihood simulation and Halton sequence sampling. The latent-class condition logit model is solved by regression analysis. The results show that access time, waiting time, in-vehicle time and cost are the key factors in choosing urban traffic modes. Both two models reveal that individual heterogeneity has a significant influence on travelers’ choice behaviors. The latent-class conditional logit model has a higher goodness of fit of 0.143 and a hit ratio of 77.85%, compared to those of 0.139 and 61.28% for the mixed logit model. Besides, the latent-class conditional logit model divides travelers into three categories, and the degree of differentiation is 0.908 4. Group 1 is most sensitive to cost but insensitive to waiting time; group 2 is more sensitive to access time and waiting time than cost; group 3 has an intermediate sensitivity to time and cost.
-
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 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 男 1 女 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 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 男 174 46.0 女 204 54.0 年龄 18 岁 ~ 25 岁 61 16.1 26 岁 ~ 30 岁 83 22.0 31 岁 ~ 35 岁 115 30.4 36 岁 ~ 40 岁 64 16.9 41 岁 ~ 45 岁 26 6.9 45 岁 ~ 50 岁 25 6.6 51 岁 ~ 55 岁 4 1.1 > 55 岁 0 0 学历 初中及以下 8 2.1 高中/中专/技校 26 6.9 大专 67 17.7 本科 247 65.3 研究生及以上 30 7.9 职业 企业员工 223 59.0 商业/服务业人员 27 7.1 机关/事业单位人员 67 17.7 学生 53 14.0 其他 8 2.1 月收入 > 3000 元 59 15.6 3000 ~ 5000 元 59 15.6 5000 ~ 8000 元 126 33.3 8000 ~ 10000 元 87 23.0 > 10000 元 47 12.4 是否拥有
私家车有 261 69.0 没有 117 31.0 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 值 步行时间 −0.0723① 0.01441 0 候车时间 −0.0447② 0.02036 0.028 车内时间 −0.0198① 0.00478 0 费用 −0.0207② 0.00998 0.038 步行时间标准差 0.0451② 0.20413 0.271 候车时间标准差 0.0315② 0.01723 0.068 车内时间标准差 0.0109③ 0.00587 0.064 费用标准差 0.0165② 0.00826 0.046 地铁固有常量 0.4389① 0.08190 0 公交固有常量 −0.5564② 0.25027 0.026 出租车固有常量 −0.7516② 0.38028 0.048 新能源汽车分时
租赁固有常量0.3935③ 0.22469 0.080 性别 0.1866 0.12011 0.120 年龄 0.2437② 0.12708 0.055 收入 −0.5649① 0.05821 0 学历 0.0976 0.83657 0.244 是否拥有私家车 −1.4824① 0.15972 0 注:①、②、③分别表示在1%、5%、10%下显著,后同. 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 z 值 P 值 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 0.1134① 0.01901 5.97 0 步行时间-收入 −0.0254① 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 0.1071① 0.02051 5.22 0 候车时间-收入 −0.0579① 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 −0.0101③ 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 −0.0096② 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 −0.0373① 0.00912 −4.09 0 费用-收入 0.0355① 0.00430 8.25 0 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 LLF CAIC BIC 2 −1978.08 4053.238 4039.238 3 −1899.77 3959.967 3912.967 4 −1862.93 3961.655 3927.655 5 −1849.01 4003.150 3959.150 6 −1833.14 4040.768 3959.150 7 −1822.50 4088.827 4024.827 8 −1815.94 4145.058 4071.058 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 z 值 P 值 步行时间 −0.2000① 0.045527 −4.40 0 1 候车时间 −0.0508 0.052150 −0.97 0.330 车内时间 −0.0496② 0.020274 −2.45 0.014 费用 −0.4654① 0.107002 −4.35 0 2 步行时间 −0.1776① 0.015585 −11.40 0 候车时间 −0.2419① 0.019889 −12.16 0 车内时间 −0.0246① 0.007539 −3.27 0.001 费用 −0.0050 0.007848 −0.64 0.523 3 步行时间 −0.0330① 0.011412 −2.89 0.004 候车时间 −0.0657① 0.015323 −4.29 0 车内时间 −0.0381① 0.006395 −5.96 0 费用 −0.0446① 0.006366 −7.00 0 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 z 值 P 值 1 性别 0.5523 0.388434 1.42 0.155 年龄 −0.3348 0.453656 −0.74 0.461 学历 −0.7091③ 0.389555 −1.82 0.069 收入 −0.7178③ 0.412547 −1.74 0.082 是否拥
有私家车1.3281① 0.390433 3.40 0.001 固定常数 0.5060 0.310452 1.63 0.103 2 性别 0.9755② 0.481793 2.02 0.043 年龄 −0.9951② 0.489439 −2.03 0.042 学历 0.5408 0.614215 0.88 0.379 收入 0.8241① 0.266693 3.09 0.002 是否拥有私家车 −3.0222② 0.834863 −3.62 0.001 固定常数 −2.4347① 0.922243 −2.64 0.008 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 -
[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.1673-0291.20180127ZHAO 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.
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