我们使用模型3中的拟合回归函数生成任何成本条件下的VMT预测：“#$.”；..++++v1‰S媫v7‰SOE。将表达式替换为“#$.”到~，重写v1；Yo#0“，假设汽油价格是固定的，我们得到：~；（16）最后，我们将CAV值重新表示为BAU的函数，使用land并简化为yield ~；我们计算总体（使用表2中第3列的弹性）和每个收入组（使用表3中第1-5列的弹性），迭代0.05的Landwin增量值。原则上，我们可以使用四个经验模型中的任何一个（方程式12-15）的弹性估计值预测诱导出行。我们倾向于使用模型3的估计值，因为它们有力地表明需求响应取决于价格变化的具体来源（燃料与时间）。模型1和2只考虑一个或另一个来源，因此相对更容易受到忽略的变量偏差的影响。模型4同时考虑了燃料成本和时间成本，但它不允许需求弹性随燃料和时间成本变化的相对大小而变化。考虑任何两个不同的-l，w-对，它们在总体上产生相同的比例变化inv7：模型3的结果强烈表明，这两个对产生不同的VMT需求响应；使用模型4将迫使他们产生相同的反应。方程16的模型4等效方程为~；Z~TMsOEoEURo~TMsOE‘EURf“‰STMsOE=>.Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308受这种差异的影响，我们在此处展示了基于模型3的预测结果，在附录中展示了基于模型4的预测结果。图3以热图的形式描述了我们的结果。x轴表示燃油经济性提高，而y轴表示时间成本降低。

颜色深度以百分比衡量诱导旅游需求。两种模式很容易观察到。首先，诱导出行的幅度随着路况的增加而单调上升，这与需求的负价格弹性一致。对于2017年NHTS中的普通家庭，我们的模拟价格变化范围产生的诱导出行预测最低为2%，最高为47%。第二，对于任何给定的收入群体，诱导旅行都会随着收入群体的增加而增加。l、 w/pair，与主导较小的溶质价值燃料价格弹性的富裕家庭中较大的绝对价值时间成本弹性一致。在最低收入组，预计平均家庭的VMT将增加1-35%，而在高收入组，相应的幅度为3-58%。图3中的虚线将预测的诱导行程与预测的能源使用量联系起来。特别是，它们表示以下各项的组合。l、 能源使用的净变化为零。这种精确的抵消是可能的，因为即使燃油和时间价格下降导致行程，能量效率降低了每单位行程所需的能量。因此，虚线的斜率表示时间成本需要下降的速度，以完全抵消燃油经济性额外百分比上升带来的节能。例如，图3表明，在样本平均家庭中，燃油经济性提高20%将导致净节能，除非旅行时间成本下降38%或更多。

在每个热图中，虚线下方和右侧的区域以模拟变化导致的能量使用净减少为特征，而虚线上方和左侧的区域以净增加为特征，即文献中所称的“回火”【31】。很明显，无论是在总体上还是在每个特定收入群体中，CAV成本的大范围变化都可能产生适得其反的结果。当然，并不是所有的组合。l、 与Taiebat等人的情况相同。应用能源247（2019）297-308出现。因此，我们不认为在任何特定的土地级别上都“可能”发生适得其反的情况。然而，我们的实证分析表明，净能量可能因变化而增加，而这些变化完全在CAV文献中预测的范围内。此外，在高收入群体中，反作用的可能性越来越大。这一趋势自然源于2017年NHTS中关于相对富裕家庭的两个经验性行为：（1）他们估算的总旅行成本中有很大一部分来自时间而非燃料；（2）他们对时间成本有更大的弹性需求。我们预测，在最低收入群体中，燃油经济性提高20%所节省的能源可以被旅行时间成本降低50%所抵消；然而，在收入最高的群体中，只需要将时间成本降低32%。图3：。模拟诱导行程对CAV燃油经济性的改善和TTC的降低，以及对净能耗的影响。虚线以上的任何一点代表回火情况（尽管燃油经济性增加，但净能耗增加）。附录图A3描述了我们使用模型4的模拟结果。无论是l、w，总体诱导出行需求都较低，并且虚线的坡度随收入组的变化更为显著。

否则，模式是相同的。单独模拟旅行时间成本减少（TTC）第一收入组第二收入组第三收入组第四收入组第五收入组U。S、 燃油经济性的平均增长净能耗的增加净能耗的减少Taiebat et al.Applied Energy 247（2019）297-308还有其他关于CAV技术引起的出行需求变化的现有研究。我们在表4中重点介绍了其中一些方法和结果。在之前的文献中，CAVs中较高的VMT不仅归因于较高的乘客出行，还归因于不同的新用户群【46】、空车出行（即未占用的VMT）】【47,48】、以及模式选择和城市蔓延中的转移可能性【4,35,49】。新的用户群包括少儿、老年人和身体虚弱的人，他们可能会在有了CAV的情况下开始旅行。空车旅行是指没有乘客的VMT，例如在乘客下车之前或之后的4个CAV中，或在派去接下一个乘客的共享CAV中可能发生的情况。模式选择转变包括将CAV用于公共交通，而urbansprawl指的是由于CAV的可用性而改变居住位置选择的可能性。我们的工作完全集中于现有驾驶员之间的诱导旅行，并得出VMT总体变化的估计值，范围为2%至47%。Taiebat等人，《应用能源》247（2019）297-308表4。CAV技术引起的VMT变化的文献估计（列表并非详尽无遗）。有关详细讨论，请参阅[2]。VMT changeSources of VMT changeChildress et al。

（2015年）[42]普吉特湾地区基于活动的模型——通过旅行时间、道路通行能力和，停车成本Fagnant和Kockelman（2015）[44]基于假设的情景分析+10%至+20%的诱导旅游需求Harper等人（2016）[46]基于2009年NHTS数据的需求楔分析上限：+来自服务不足的旅行者的14%的新需求，包括老年人、年轻人、，以及受医疗条件限制的出行Wadud et al.（2016）[5]VMT的文献驱动弹性+4%至+60%降低了驾驶的一般成本Stephens et al.（2016）[4]基于出行需求乘性因素的假设+20%至+160%由于交通流、车祸避免、驾驶成本降低，出行更容易，Zhang et al.（2018）[47]亚特兰大基于活动的模型，GA区域+30%（每辆减少的车辆）私人CAV的未占用搬迁，以满足车辆拥有量减少的家庭的出行需求。Harb等人（2018）[48]当提供司机作为CAV的代理时，进行了自然主义实验、调查和访谈，增加了4%至341%，中央估计增加了83%的出行模式转变、更长的行程和更频繁的出行，未占用的VMT（小样本量）本研究使用2017年NHTS数据+2%至47%的降低的边际驾驶成本和不同收入群体的异质反应（目的：预测能源消耗影响）估计私人车辆驾驶的燃料和时间包容性边际价格的VMT弹性。Taiebat等人。应用能源247（2019）297-308本研究的目的旨在阐明CAV可能对旅行和能源造成的影响。为此，我们使用微观经济建模、应用计量经济学技术和有关家庭出行行为的最新数据来估计平均出行需求弹性（相对于燃油价格和出行时间）。

然后，我们利用这些弹性估计来预测CAV诱导的旅行在一系列不同的燃油经济性和每英里时间成本实现变化的情况下。我们估计了VMT需求的平均弹性，即每英里包含燃料和时间的综合价格为-0.4。考虑到价格通道（燃料与时间）和收入的VMT弹性的异质性，我们发现，通过时间通道（弹性为-0.4）的需求对价格上涨的响应大于通过燃料通道（滞弹性为-0.1）。我们还发现，富裕家庭对旅行的总体价格以及时间成本更为敏感。在我们的预测工作中应用这些燃料和时间成本弹性，我们发现CAV扩散可能对旅行和能源产生的影响范围很大。燃料经济性和时间成本变化的一些看似合理的场景的特点是适得其反，或能源使用的净增长。在收入较高的分位数中，更可能出现事与愿违的情况，因为在这种情况下，需要相对较少的时间成本降低来抵消燃油经济性改善带来的节能。平均而言，时间成本降低38%完全抵消了CAV实现的20%燃油经济性改善。我们的结果有力地表明，旅行需求将随着CAV扩散的行为反应而上升。其中一些增长将来自于其他交通方式的转变，包括公共交通、自行车和步行。其中一些将来自额外的旅行——例如新的乘客旅行、乘客旅行之间的空车旅行、旅行模式的改变、将集合旅行打破为几次低入住率旅行，以及通过将原籍地转移到周边地区而实现的更长、更频繁的三联旅行。

无论如何，这导致了willTaiebat等人的出行。Applied Energy 247（2019）297-308对减少能源使用、交通拥堵以及当地和全球空气污染的政策目标提出了严峻挑战。ZF对CAV市场渗透的正确反应并不明显。没有“银弹”可以有效和公平地实现所有目标，而旨在实现其中一些目标的政策可能会使实现其他目标变得更加困难。例如，虽然将我们的结果视为需要更高燃油效率的证据是理所当然的，但我们的研究也指出了车辆能效改进的局限性：它们提供了更多驾驶的动力，从而抵消了一些环境效益并加剧了拥堵。税收——另一个被普遍引用的将驾驶的负外部性内部化的政策工具——也是不完善的。税收被许多人视为更具经济效益的政策工具，但有时也被视为倒退，因为较贫穷的家庭通常比较富裕的家庭将其总预算的更大比例用于能源。

一方面，车辆连通性可以通过提供对VMT征税的可能性，而不是（或除了）对燃料使用征税，从而提高运输部门征税的成本效益。另一方面，在我们的背景下，较富裕的家庭比较贫穷的家庭有更大的弹性需求，这一事实增加了税收对福利影响的倒退风险。最重要的是，政策制定者应该优先考虑鼓励高占用率共用、共享乘车和最大限度地减少空车，因为这些都有可能以较低的成本大幅减少燃料的使用，从而为人们带来福祉。我们的分析以百分比表示诱导行程和反弹，但考虑因CAV引起的行程和能量预期变化的绝对幅度是有指导意义的。例如，假设燃油经济性平均提高15%，预计每年可节省105.6亿加仑汽油当量（GGE）（264亿美元），而目前轻型车的消费水平为888.5亿加仑汽油当量。然而，这个数字应该被视为最佳情况。同样具有15%燃油经济性优势的CAV非常理想，因为虽然燃油使用与温室气体排放高度相关，但与当地空气污染、拥堵和事故风险的相关性要弱得多（参见，例如，[55]）。需求弹性和收入之间的关系是分配福利分析的重要输入；见【56,57】）。Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308可能会导致旅行，从而抵消部分节省。根据我们的估计，在100%的市场渗透率下，CAV可能会导致上述105.6亿GGE的年减少量和152.6亿GGE（17.2%，或381.5亿美元）的年增加量之间的任何一个地方。而本研究使用的是美国。

量化CAV渗透引起的能量反弹的数据，我们在这里开发的方法是通用的，可以应用于世界其他地区，这些地区的旅行对私人车辆的依赖程度较低。未来的研究还应着眼于将CAV旅行的更广泛社会效益与其社会成本进行比较，考虑到驾驶的价值和频率以及由此产生的所有外部性。最后，互联和自动化车辆的属性、成本和效益仍存在很大程度的不确定性，这反过来又使预测未来的出行和能源行为变得困难。然而，即使在CAV技术成熟的早期阶段，也必须考虑CAV的潜力，以吸引大量新的旅行和能源使用。Taiebat等人，《应用能源》247（2019）297-308本研究中使用的所有数据均可公开获取。国家家庭旅行调查可通过美国联邦公路管理局-交通部获得(https://nhts.ornl.gov/). 有关程序、调查方法和数据处理的信息，请参见2017年NHTS用户指南【25】。燃油经济性测试数据可通过位于密歇根州安阿伯的美国环境保护局国家车辆和燃油排放实验室获得(https://www.fueleconomy.gov/feg/download.shtml).M、 T.感谢麦希根大学格雷厄姆研究所陶氏可持续发展研究员项目的支持。作者感谢英国利兹大学综合能源研究中心和运输研究所的Zia Wadud博士对弹性建模方法的有益讨论和评论。M、 谢谢，先生。

密歇根大学社会研究所的阿里·拉菲请求帮助理解NHTS数据集。Taiebat等人，《应用能源》247（2019）297-308图A1。条形图表示每个收入组的平均家庭一小时驾驶的旅行时间成本。全国平均值为19.56美元/小时。表A1。2009年NHT收入组第一收入组第二收入组第三收入组第四收入组第五收入组的估计结果。S、 与2017年NHTSPanel A平均值的平均百分比差异：3Rs-0.161***（0.027）-0.119***（0.014）-0.101***（0.016）-0.137***（0.020）-0.140***（0.022）-0.128***（0.022）29.4%Rs-0.353***（0.055）-0.444***（0.049）-0.498***（0.051）-0.518***（0.039）-0.552***（0.051）-0.501***（0.051）5）25.1%面板B：型号4Rs-0.291***（0.050）-0.394***（0.048）-0.459***（0.037）-0.488***（0.049）-0.513***（0.054）-0.451***（0.051）15.0%因变量isJKL。“#$/。星号表示1（***）、5（***）和10（*）百分比显著性水平，基于P值。聚集的标准错误报告在括号中。回归包括正文中描述的所有控制和固定效应。标准误差按MSA进行聚类，观测值按住户抽样权重进行加权。2017年至2009年间，美元价值未经调整。两种型号的样本量均为134482。面板A中的回归伪Rof为0.213，面板B中的回归伪Rof为0.198。0 5 10 15 20 25 30 35 4012345美元/hr一小时驾驶工作相关的时间成本美元/小时非工作成本美元/hr Taiebat等人。Applied Energy 247（2019）297-308图A2。针对不同TTC定义设计的场景。”基本案例“将100%的小时工资分配给工作旅行，将50%的小时工资分配给非工作旅行。”场景1“将100%的小时工资分配给所有行程，而场景2”将50%的小时工资分配给所有行程。表A2。

关于TTC收入组1收入组2收入组3收入组4收入组5收入组U定义的稳健性检查结果。S、 平均面板A：场景1Rs567（模型4）-0.140***（0.026）-0.197***（0.029）-0.230***（0.028）-0.261***（0.022）-0.251***（0.028）-0.225***（0.028）Rs7（模型3）-0.159***（0.034）-0.226***（0.031）-0.256***（0.028）-0.272***（0.022）-0.283***（0.029）-0.229***（0.027）面板B场景：2Rs567（模型4）-0.283***（0.053）-0.373***（0.055）-0.432***（0.051）-0.481***（0.040）-0.460***（0.046）-0.422***（0.053）卢比（模型3）-0.318***（0.069）-0.552***（0.062）-0.511***（0.056）-0.543***（0.045）-0.566***（0.057）-0.459***（0.055）0.00 0.20 0.40 0.60 0.80 1.00 1.20 1.40 1.60 1.8012345美元/百万美元组VMT（Pt）情景2（所有行程50%工资率）情景1（所有行程100%工资率）基本情景Taiebat等人247（2019）297-308图A3。使用模型4的诱导行程热图。虚线以上的所有点都以净能耗中的回火为特征。旅行时间成本（TTC）减少第一收入组第二收入组第三收入组第四收入组第五收入组U。S、 燃油经济性的平均增长净能耗的增加净能耗的减少Taiebat等人，《应用能源》247（2019）297-308【1】美国交通部。为未来的运输做准备：自动化车辆3.0。2018年10月。[2] Taiebat M，Brown AL，Safford HR，Qu S，Xu M.互联和自动化车辆的能源、环境和可持续性影响综述。环境科技2018；52:11449–65. 内政部：10.1021/acs。美国东部时间。8b00127.【3】美国能源信息管理局（EIA）。自动驾驶汽车：不确定性和能源影响：2018年年度能源展望的焦点问题。

提供地点：https://www.eia.gov/outlooks/aeo/pdf/AV.pdf, 2018.[4] Stephens TS、Gonder J、Chen Y、Lin Z、Liu C、Gohlke D.联网和自动化车辆的燃料使用和消费者成本的估计界限和重要因素。国家可再生能源实验室，Golden，CO.，技术报告NREL/TP-5400-67216，2016年。[5] Wadud Z，MacKenzie D，Leiby P.帮助还是阻碍？高度自动化车辆的旅行、能源和碳影响。2016年交通运输A部分政策实践；86:1–18. 内政部：10.1016/j.tra。2015.12.001.[6] Vahidi A，Sciarretta A.互联和自动化车辆的节能潜力。Transp Res PartC Emerg Technol 2018；95:822–43. 内政部：10.1016/j.trc。2018.09.001.[7] 小KA。旅行时间估价。经济运输2012；1:2–14. 内政部：10.1016/j.ecotra。2012.09.002.[8] Anderson JM、Nidhi K、Stanley KD、Sorensen P、Samaras C、Oluwatola TA。自主车辆技术：决策者指南。兰德公司，加利福尼亚州圣莫尼卡，网址：https://www.rand.org/pubs/research_reports/RR443-2.html; 2016年【9】听取了BR、Taiebat M、Xu M、Miller SA的意见。互联和自主车辆对食品供应链的可持续性影响。资源保护回收2018；128:22–4.内政部：10.1016/j.resconrec。2017.09.021.[10] DeJong G，Gunn H.欧洲旅行需求的汽车成本和时间弹性的最新证据。JTTransp经济政策2001；32:137–60.[11] Graham DJ，Glaister S.《道路交通需求弹性估计：综述》。Transp Rev 2004；24:261–74. 内政部：10.1080/0144164032000101193。[12] Dong J，Davidson D，Southworth F，Reuscher T.关于出行成本的汽车出行需求弹性分析。为联邦公路管理局公路政策信息办公室编制，2012年。[13] Litman T.了解运输需求和弹性价格和其他因素如何影响旅行行为。

维多利亚交通政策研究所，2017年。[14] Gillingham K.消费者如何应对汽油价格冲击 ? 2011年车辆选择和驾驶的异质性。[15] Sorrell S，Dimitropoulos J.UKERC《反弹效应证据综述：技术报告2：计量经济学研究》。伦敦：2007年。[16] 周M，刘YY，冯S，刘YY，陆Y.反弹效应的分解：中国背景下的特定能源一般均衡分析。Appl能源2018；221:280–98.内政部：10.1016/j.apenergy。2018.03.074.[17] Linn J.乘用车的回弹效应。能源杂志2013；37:257–88.内政部：10.5547/01956574.37.2。杰林。Taiebat et al.Applied Energy 247（2019）297-308【18】Su Q.《反弹效应的分位数回归分析：来自2009年美国全国家庭运输调查的证据》。2012年能源政策；45:368–77.内政部：10.1016/j.enpol。2012.02.045.[19] 小KA，Van Dender K，Dender K Van。燃油效率和机动车行驶：下降反弹效应。2007年《能源杂志》；28:25–52. 内政部：10.5547/ISSN0195-6574-EJ-Vol28-No1-2。[20] Greene DL。2007年反弹：美国轻型车出行统计分析。2012年能源政策；41:14–28. 内政部：10.1016/j.enpol。2010.03.083.[21]Greenblatt JB，Saxena S.自动出租车可以大大减少美国轻型车辆的温室气体排放。Nat Clim Chang 2015；5:860–3. 内政部：10.1038/nclimate2685。【22】陆M，Taiebat M，Xu M，Hsu S-C.城市社区自主出租车的多智能体空间模拟：旅行经济和环境影响。2018年城市规划发展杂志；144:4018033.内政部：10.1061/（ASCE）上升。1943-5444.0000469.[23]Lokhandwala M，Cai H.使用传统出租车和共享自动出租车的动态乘车共享：纽约市Acase研究。Transp Res Part C Emerg Technol 2018；97:45–60. 内政部：10.1016/j.trc。2018.10.007.[24]加夫隆JH，基奥利安GA，德克莱恩路，沃灵顿TJ，金HC。

连接和自动化车辆的生命周期评估：传感和计算子系统和车辆级影响。环境科学技术2018；52:3249–56. 内政部：10.1021/acs。美国东部时间。7b04576【25】美国交通部、联邦公路管理局，2017年全国住户出行调查（NHTS）。URL：http://nhts.ornl.gov.2018年【26】Wadud Z.《全自动车辆：提前采用的拥有成本分析》。2017年Transp ResPart A Policy Pract；101:163–76. 内政部：10.1016/j.tra。2017.05.005.[27]托马斯·巴，伊利诺伊州阿泽维多。利用投入产出分析估算美国家庭的直接和间接反弹效应第1部分：理论框架。Ecol Econ 2013；86:199–210.内政部：10.1016/j.ecolecon。2012.12.003.【28】Small KA，Verhoef等人，《城市交通经济学》。伦敦：劳特利奇；2007年，内政部：10.4324/9780203642306。【29】Rubin J.《互联自动驾驶汽车：出行行为和能源使用》。作者：Meyer G，Beiker S，编辑。道路车辆。自动复制。查姆：斯普林格国际出版社；2016年，第151-62页。内政部：10.1007/9783-319-40503-2。[30]B"osch PM、Becker F、Becker H、Axhausen KW。基于成本的自主移动服务分析。2018年运输政策；64:76–91. 内政部：10.1016/j.tranpol。2017.09.005.【31】Borenstein S.《评估能源效率反弹的微观经济框架》及其启示。能源杂志2014；36:1–21. 内政部：10.5547/01956574.36.1.1。[32]贝克尔GS。时间分配理论。《经济学杂志》1965年；75:493–517. 内政部：10.2307/2228949。【33】美国环境保护局（EPA），国家车辆和燃料排放实验室，燃料经济性数据。URL：https://www.fueleconomy.gov.2018年【34】美国交通部。旅行时间节约的价值：执行经济评估的部门指南第2版（2016年更新）。2016年【35】Chen TD，Kockelman KM。

共享自主电动车车队的管理定价方案的影响。Transp Res Rec J Transp Res Board 2016；2572:37–46. 内政部：10.3141/2572-05。[36]Font Vivanco D，Freire González J，Kemp R，Van Der Voet E.电动汽车的显著环境回弹效应：微观经济学方法。环境科技2014；48:12063–72.Taiebat等人，《应用能源》247（2019）297-308doi:10.1021/es5038063。【37】Vasebi S、Hayeri YM、Samaras C、Hendrickson C。低级别自动化轻型车辆技术为降低油耗提供了机会。Transp Res Rec J Transp Res Board2018；2672:60–74. 内政部：10.1177/0361198118796401。[38]跟踪。弹性手册：原型环境的弹性。欧盟委员会，运输总局，网址：http://www.transportresearch.info/sites/default/files/project/documents/trace.pdf, 1999.[39]Kayser哈。汽油需求和汽车选择：利用家庭信息估计汽油需求。能源经济2000；22:331–48. 内政部：10.1016/S0140-9883（99）00043-2。【40】Wadud Z，Graham DJ，Noland RB。模拟不同社会经济群体的燃料需求。ApplEnergy 2009；86:2740–9. 内政部：10.1016/j.apenergy。2009.04.011.【41】Wadud Z，Graham DJ，Noland RB。汽油需求与家庭反应的异质性。能源杂志2010；31、内政部：10.5547/ISSN0195-6574-EJ-Vol31-No1-3。【42】Childress S，Nichols B，Charlton B，Coe S.使用基于活动的模型探索自动化车辆的潜在影响。运输。Res.Rec.J.Transp公司。Res.Board，第2493卷，2015年，第99–106页。内政部：10.3141/2493-11。[43]Singleton PA.讨论自动驾驶汽车的“积极效用”：旅行者真的会有效利用时间吗？Transp Rev 2018:1–16。内政部：10.1080/01441647.2018.1470584。【44】Fagnant DJ，Kockelman K.《为自动驾驶汽车做好准备：机遇、障碍和政策建议》。

Transp Res Part A Policy Pract 2015；77:167–81. 内政部：10.1016/j.tra。2015.04.003.【45】Correia GH de A、Looff E、van Cranenburgh S、Snelder M、van Arem B.关于汽车自动化对在汽车中进行工作和休闲活动时旅行时间价值的影响：理论视野和陈述偏好调查的结果。2019年交通运输A部分政策实践；119:359–82.内政部：10.1016/j.tra。2018.11.016.【46】Harper CD、Hendrickson CT、Mangones S、Samaras C.估计无人驾驶、老年人和有旅行限制性医疗条件的人使用自动驾驶汽车旅行的潜在增长。Transp Res Part C Emerg Technol 2016；72:1–9. 内政部：10.1016/j.trc。2016.09.003.[47]Zhang W，Guhathakurta S，Khalil EB。私人自动驾驶车辆对车辆所有权和未占用VMT发电的影响。Transp Res Part C Emerg Technol 2018；90:156–65.内政部：10.1016/j.trc。2018.03.005.【48】Harb M、Xiao Y、Circella G、Mokhtarian PL、Walker JL。将旅行者投射到自动驾驶汽车的世界：通过自然主义实验评估旅行行为的影响。2018年运输（Amst）；45:1671–85. 内政部：10.1007/s11116-018-9937-9。[49]Bansal P，Kockelman KM，Singh A.评估公众对新车辆技术的意见和兴趣：奥斯汀视角。Transp Res Part C Emerg Technol 2016；67:1–14. 内政部：10.1016/j.trc。2016.01.019.【50】阿洛拜迪MH，切巴纳F，马吉德MA。用于家庭能源消耗日前预测的鲁棒集成学习框架。Appl能源2018；212:997–1012.内政部：10.1016/j.apenergy。2017.12.054.[51]Capizzi G、Lo Sciuto G、Napoli C、Tramontana E.通过预测模型实现智能电网的先进自适应调度。IEEE Trans智能电网2018；9:6684–91. 内政部：10.1109/TSG。2017.2718241.【52】Muralitharan K、Sakthivel R、Vishnuvarthan R。

智能电网中基于神经网络的能源需求预测优化方法。神经计算2018；273:199–208. 内政部：10.1016/j.neucom。2017.08.017.Taiebat等人，《应用能源》（Applied Energy）247（2019）297-308【53】Sivak M，Schoettle B.《自动驾驶汽车会提高乘员生产率吗？（报告编号：SWT2016-11）密歇根大学可持续全球交通，网址：http://www.umich.edu/~umtriswt/PDF/SWT-2016-11。pdf，2016年。[54]K"onig M，Neumayr L.用户对激进创新的抵制：自动驾驶汽车的案例。交通运输第F部分交通心理行为2017；内政部：10.1016/j.trf。2016.10.013.[55]Knittel CR，Sandler R.第二好的统一庇古税对福利的影响：来自交通运输的证据。Am Econ J Econ Policy 2018；10:211–42. 内政部：10.1257/pol。20160508。[56]威廉姆斯区东南偏西。消费者需求系统的估计：对环境税发生率的影响。环境经济管理杂志2004；47:535–58. 内政部：10.1016/J.JEEM。2003.11.004.[57]Stolper S.谁承担能源税的负担？传递的关键作用。哈瓦登环境经济学讨论论文2016-70；可获得的athttps://heep.hks.harvard.edu/files/heep/files/dp70_stolper.pdf