自动驾驶和居住位置偏好：来自

2022-6-24 00:31:08

自主驾驶和居住位置偏好：来自指定选项调查的证据2019年9月20日，Rico KruegerUNSW Australia，Sydney NSW 2052，Australiar。krueger@student.unsw.edu.auTahaH.Rashidi（通讯作者）新南威尔士州澳大利亚新南威尔士州悉尼2052，Australiarashidi@unsw.edu.auVinayakV.DixitUNSW Australia，新南威尔士州悉尼2052，Australiarashidi@unsw.edu.auarXiv：1905.11486v3[econ.GN]2019年9月26日摘要文献表明，自动驾驶汽车（AVs）允许用户在旅行时从事生产性或放松性活动，从而可能会极大地改变私人汽车旅行的用户体验。因此，汽车出行的一般成本可能会降低，汽车用户对出行时间的敏感度可能会降低。通过促进私人机动交通，AVs可能最终影响土地使用和家庭的居住位置选择。本文旨在通过调查在自主汽车出行的背景下，居住地点组合和通勤出行选择的现有偏好，进一步了解AVs对出行行为和土地使用的潜在影响。我们的分析来自于一项规定的偏好调查，该调查由来自澳大利亚悉尼大都会区的512名通勤者完成，为长期决策背景下的出行时间评估提供了依据。为了分析所述选择数据，估计了混合logit模型。根据实证结果，预计AVs的出现不会导致旅行时间估值发生变化。然而，鉴于所述偏好调查的假设性质，结果可能会受到方法限制的影响。关键词：联网和自动驾驶车辆、住宅位置选择、时间价值、状态选择、混合物流1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:11

简介鉴于车辆自动化和连接领域的最新技术进步，预计在不久的将来，具有先进自动驾驶能力的连接式和自动驾驶车辆（AV）将进入消费大众市场（如Burns，2013；Fagnantand Kockelman，2015；Nieuwenhuijsen等人，2018；Wadud等人，2016）。在其技术最先进的阶段，AVs预计将完全自动化并自动运行，无需用户进行任何控制输入（国家公路交通安全管理局，2013年；国际汽车工程师协会，2016年）。AVs可以通过提高私人机动交通的安全性，促进交通部门的深刻变革（如Anderson等人，2014年；Fagnantand Kockelman，2015年；Sparrow和Howard，2017年），更实惠（例如，B"osch等人，2018年；Burnset等人，2013年），更容易让目前不愿或无法驾驶的用户群体使用（例如，Anderson等人，2014年；Fagnant和Kockelman，2015年；Harper等人，2016年）。此外，具有全自动驾驶功能的AVS允许用户在驾驶AV时从事生产性或放松性活动，从而可以极大地改变私人机动车辆的用户体验（例如，Le Vine等人，2015年；Pud'ane等人，2018a）。反过来，一些旅行者的一般汽车旅行成本可能会下降，并且一部分旅行者可能对旅行时间变得不那么敏感。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:14

随着AVs促进了私人机动化流动，位置的可达性可能会增加，最终，AVs可能会影响家庭和企业的位置选择，从而加剧城市蔓延和郊区化（Meyers et al.，2017；Milakis et al.，2018）。综合交通和土地利用规划领域的战略政策过程取决于对与旅行和生活方式相关变量有关的人口敏感性的未来验证估计（如Bhat和Guo，2007；Pinjari等人，2007；Schwanen和Mokhtarian，2005）。基于生活方式的出行行为分析方法认识到了出行行为、居住位置和生活方式取向之间的复杂相互依赖性（Van Acker等人，2010年）：人们理解，出行行为（如模式选择）和居住位置是由与出行相关的生活方式目标共同决定的，邻里和住房（Bhat和Guo，2007年；Pinjari等人，2007年；汽车旅行的一般成本可能会降低。从这一假设出发，问题在于AVs的出现可能会影响人们对旅行和居住位置的偏好。本文旨在通过调查居民的偏好，进一步了解自主驾驶对旅行行为和土地使用的潜在影响l自动驾驶环境下的通勤地点和出行选择。为此，我们设计并实施了一项规定的偏好调查，该调查由来自澳大利亚悉尼大都会区的512名通勤者完成。这项调查的特点是进行了一项离散选择实验，要求受访者在通勤时共同选择一个住房选项和一个出行选项，从而使交通更加便利。在多个场景中，诸如住房和通勤成本以及通勤旅行时间等属性被操纵。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 00:31:17

对于所述选择数据的分析，估计了一个适应未观察到的口味变化和灵活替代模式的混合多项式logitmodel。决策背景。本文的剩余部分安排如下：首先，我们对相关文献进行回顾。然后，我们描述了调查设计和数据收集，并解释了建模方法。接下来，我们介绍结果。最后，我们对研究结果进行了一般性讨论。2、文献综述一个快速扩展的文献体系致力于评估自动驾驶的经济、社会和环境影响（有关全面综述，请参阅Milakis等人，2017）。在这一系列文献中，有几项研究明确调查了自主驾驶对出行行为和土地使用的影响。Soteropoulos等人（2018年）对该主题的37项研究进行了系统回顾。这些研究大多依赖于基于活动或基于代理的建模方法，并发现AVs的出现可能会导致车辆行驶公里数的增加、公共交通和主动模式使用水平的降低以及郊区化和城市蔓延。Soteropoulos等人（2018年）观察到，所考虑的研究结果可能对驱动和AVs可用的商业模式敏感。在Soteropoulos et al.（2018）审查的研究中，我们重点介绍了三项研究，这些研究关注的是荷兰两个自动化场景中家庭和工作地点以及通勤模式选择的变化。在第一种情况下，AVs允许在长途汽车旅行期间使用生产时间；在第二种情况下，AVs可实现高效的门到门运输。作者发现，第一种情况导致城市蔓延，而第二种情况导致核心地区的人口集中。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:20

Thakur et al.（2016）采用战略性土地利用-交通互动模型，调查澳大利亚墨尔本大都市区AVs可用性对居住位置选择和出行行为的影响。假设AV出行时间价值为（2018年），则在共享自动驾驶汽车的情况下，预测美国亚特兰大大都会区的居住位置选择（SAVs，例如Fagnant和Kockelman，2014年；Krueger等人，2016年）。该研究依赖于基于代理的仿真模型，该模型将假设现有住宅位置偏好的住宅位置选择模型与假设车辆行驶公里数跨越所有考虑的细分市场的SAV仿真模型结合起来。Bansal等人（2016年）分析了来自美国奥斯汀市347名个人的调查数据，开发了一个有序概率模型，以解释如果AVs和SAV可用，受访者是否会转移他们的居住地。作者发现，居住在人口密集的居民区、孩子数量较多且居住距离中心地区较远的受访者；相比之下，熟悉汽车共享和携带智能手机的受访者更倾向于表示他们会考虑搬家。根据美国德克萨斯州的一项问卷调查，1088名受访者中有81.5%的人在AVs可用后不会考虑改变自己的居住地。此外，Milakisetal。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-24 00:31:23

（2018）应用Q方法分析专家对可能的无障碍影响的意见。增加的出行需求可能抵消无障碍收益；第二，自动驾驶无障碍性的好处将是不平等的，只有那些会自动驾驶的人才能享受到。借助离散选择实验驾驶（参见Gkartzonikas和Gkritza，2019年，全面回顾）。这一系列文献中的研究考虑了短期和长期决策背景，但尚未明确调查居住位置偏好和出行行为之间的相互依赖关系。Daziano et al.（2017）Analysis stated preferenceset al.，2018）调查居住在芝加哥大都市地区和德国私有AVs的个人的陈述偏好。（2001年）研究了通勤的住房和出行选择组合偏好，使用条件和混合多项式logit模型分析了荷兰工人对住房、就业和通勤组合的声明偏好。作者发现workersattributes。特别是，我们发现双职工家庭对居住在美国俄勒冈州波特兰市的小型和固定的生活方式和旅行偏好表现出偏好。作者区分了三个生活方式部分，即喜欢以汽车为导向的生活方式的郊区居民和喜欢以汽车为导向的生活方式的大城市居民。郭等人（2018）利用在中国沈阳收集的所述选择数据，开发了一个混合多项式logit模型witherror组件，以联合分析家庭搬迁、工作变动和通勤模式选择的偏好。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:26

作者发现口味和替代模式存在大量未观察到的异质性。总之，对相关文献的回顾表明，自主驾驶对关键出行和生活方式相关变量之间权衡的潜在影响尚未充分量化。本论文旨在通过调查居住位置选项和不同通勤出行选项组合的州参考文献，推进这方面的文献自动驾驶。3、方法学3.1。调查设计和数据收集本研究的数据通过基于网络的陈述偏好调查收集，该调查由澳大利亚悉尼大都会区512名居民完成。调查包括两个部分：第一部分要求了解受访者的社会人口特征及其当前通勤和住房安排；第二部分是一项规定的选择实验，要求受访者为社区共同选择住房选项和旅行选项。3.1.1. 选择任务和备选方案所述的选择实验由八项选择任务组成，要求受访者共同选择两个住房选项和一个通勤旅行选项中的一个。旅行选项是她没有持有有效的驾驶执照，没有显示标有“传统汽车”的选项。选择任务以联合格式呈现（见图1）。图1：所述选择任务的示例3.1.2。属性住房选择有七个属性，即每周住房成本、相对于受访者当前住房的住房规模、住房类型、住房开发年龄、邻里类型、当地服务的存在和步行到当地服务的时间。如果受访者表示是租客，则该属性被标记为“每周租金”。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:29

If ahave出现在文献中（Dubernet和Axhausen，2016；Rouwendal和Meijer，2001；Walkerand Li，2006）。通勤的出行选择有三个特征，即每次单程出行的出行时间、每次单程出行的出行成本以及通常在拥堵中花费的出行时间比例。每个住房选项都包含不同的通勤出行选项属性值，因此两个选择维度相互依赖。为了个性化选择任务，住房成本和旅行时间的属性以受访者的现状为中心。表1总结了这些属性及其级别。choicetasks的实验设计基于正交主效应阵列，并在支持下创建。R的CE包（Aizaki，2012）。在这里，我们选择按每次出行显示差旅成本，而不是按每周或每月显示差旅成本，原因有二。首先，我们希望在备选方案内和备选方案之间以一致的方式显示出行时间和成本。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-24 00:31:32

第二，公共交通票价是按每次出行计算的，基本上与使用强度无关，并且没有季票；因此，受访者最熟悉每次出行的出行成本。属性描述和水平住房成本o三层，以现状为中心–参考=最低{6500澳元，最高{150澳元，当前每周住房成本（澳元）}–中心因素={0.95，1.00，1.05}额外房间数o三层，未中心–水平={0，1，2}住房类型o三层，不旋转–级别={单元、联排别墅、独立住宅}邻里类型o三个级别，不旋转–级别={单元、联排别墅、独立住宅}当地服务o三个级别，不旋转{加上特色商店和餐厅}步行到当地服务的时间，如果当地服务可用o三个级别，不旋转–级别={10分钟，20分钟，30分钟}移动工具级别时间o三个级别，围绕现状旋转–参考=最小{80分钟，最大{30分钟，每次单程旅行的当前通勤时间（分钟）}–旋转因子={1.05，1.25，1.5}旅行成本o三个级别，数据透视–参考=模式的假设旅行时间–数据透视因子={0.100audmins，0.125audmins，0.150audmins}交通拥堵中花费的旅行时间比例o三个级别，未数据透视–级别={10%，35%，65%}表1：属性和属性级别3.1.3。说明说明选择实验。受访者被告知，他们必须共同选择一个住房选项和一个首选的通勤旅行选项。此外，还向受访者解释了旅行选择的性质。图片被用来说明在驾驶自动驾驶汽车旅行时使用其中一种TravelActivity的体验。3.1.4.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:35

实施和数据收集声明选择调查使用Qualtrics软件平台实施，并于2017年7月分发给澳大利亚消费者小组。目标人群是澳大利亚悉尼大都会区的普通成年人口，但鉴于研究目标，对研究参与者施加了几个纳入标准：首先，受访者必须就业或学习；其次，受访者每周至少要通勤三次；第三，受访者必须租房，而当前的住房成本是为了增加样本的社会经济多样性。尽管做出了这些努力，但鉴于采用的招聘方法，无法保证样本相对于悉尼大都会普通成年人口的代表性。澳大利亚统计局，2019年）。3.2. 建模方法为了分析所述选择数据，我们开发了一个混合多项式logit（M-MNL）模型（Train，2009），该模型适应了未观察到的口味变化（McFadden和Train，2000）和灵活的替代模式（Brownstone和Train，1999）。模型建立如下：假设决策者是效用最大化者。在精选场景中∈ {，…Tn}，决策者n∈ {1，…N}从交替j导出效用un，t，j=V（Xn，t，j，βN）+εN，t，j（1）∈ Cn，t.HereV（）表示代表效用，Xn，t，jis是变量的行向量，βnis是味觉参数的集合，εn，t，jis是随机干扰。假设εn，t，j~ Gumbel（0,1）得出了多项式logit模型，因此决策者n选择备选方案j的概率∈ Cn，tin情景t由p（yn，t=j | Xn，t，βn）=exp给出V（Xn，t，j，βn）Pj公司∈Cn、texpV（Xn，t，j，βn）, （2）式中，t∈ Cn，t选择观察到的选项。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:38

选择概率可以在选项场景上迭代，以获得观察决策者选择序列的概率yn:P（yn | Xn，βn）=TnYt=1P（yn，t=j | Xn，t，βn）。（3）假设βnare是由参数θ描述的分布D实现的，即βn~ D（θ），n=1，N、式中，fDenotes为d的密度。解释决策者的品味决策者选择序列的可能性：P（yn | Xn，θ）=ZP（yn | Xn，βn）f（βn |θ）dβn（4）M-MNL模型的函数：L（y | X，θ）=NYn=1P（yn | Xn，θ）。（5）目前的应用要求我们认识到，我们分析中考虑的因变量是一个选择，即住房选择和通勤出行选择的组合。换句话说，每个是一个元组（k，l），其中k∈ {，}索引两个未标记的住房选项，其中∈ {，，}对常规汽车、自驾汽车和公共交通三种交通方式进行了指数化。然后指定每个元组j=（k，l）的效用函数为，t，（k，l）=Xn，t，kβH，n+Xn，t，lβM，n+ηn，l+εn，t，（k，l）（6），其中β被划分为随机味道参数βH，n与住房选项的属性相关，随机味道参数βM，n与出行选项的属性相关。在βn中，rβnψrof一个辅助正态随机参数αn，r（见Train和Sonnier，2005），即βn，r=ψr（αn，r）for n=1，Nandr=1，R、其中αn~ N（u，∑）对于N=1，N、 ψrβ1的函数形式：N、r分布味觉和指数化导致对数正态分布味觉。此外，ηn，极大误差分量，通过在运输模式的三个巢穴ηn，l内诱导替代品效用的相关性，允许灵活的替代模式~ N（0，τηl），N=1，N、 l=1，3，其中τηl，l=1，3是标度参数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-24 00:31:41

由于我们依赖面板数据进行模型估计，因此识别了所有异方差误差分量的尺度参数（见Walkeret al.，2007）。对于模型估计，我们采用最大模拟似然法（例如Train，2009），我们通过编写自己的MATLAB代码来实现。使用10244模拟选择概率。结果4.1。样本描述经济特征如表2所示。由于每位受访者完成了八项选择任务，共观察到4096个案例。27.2%的病例选择了出行选择自驾汽车；在35.4%和37.3%的案例中，分别选择了常规汽车和公共交通。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:44

56.6%的被调查者选择了出行方式，在选定属性和备选方案的选定和未选定备选方案中选择了自驾游。附录中的表7和表8中报告了收集的所述选择数据的其他描述性统计数据。特征值样本分布社会人口特征[18-29岁、30-49岁、50-64岁、65岁或以上][17.2%、53.3%、24.6%、3.7%]性别[女性、男性、其他][47.1%、52.5%、0.4%]每周家庭收入[澳元]2499，2500人或以上][14.9%，28.8%，31.2%，25.2%]最高学历[大专或以下，学士学位或以上][43.4%，56.6%]家庭中有儿童[是，否][33.8%，66.2%]流动性属性持有驾驶执照[是，否][91.4%，8.6%]共享服务用户[是，否][58.4%，41.6%]住房安排类型[出租，抵押拥有][44.9%，55.1%]住房成本[澳元][299或以下，300-429，430-599，600或以上][25.0%，25.0%，25.0%，25.0%，25.0%]住宅类型[独立住宅，联排别墅，单元][45.9%，15.0%，39.1%]家庭布局[工作室，1-2间卧室，3间卧室，4间卧室，5间卧室或以上][8.4%，13.6%，27.1%，27.5%，23.3%]邻里类型[市中心，内郊，远郊，农村][14.6%，42.2%，41.2%，2.0%]通勤干道E模式[作为司机的汽车、作为乘客的汽车、公共交通、自行车、步行][55.1%、3.7%、35.0%、1.4%、4.9%]持续时间（单程）[分钟][19或更少，20-29，30-49，50-150][25.0%，25.0%，25.0%，25.0%]表2：受访者特征总结统计（N=512）相关。条件和事件频率。即使选择自动驾驶汽车作为通勤的机动选项。尽管有一个快速旅行选项可用于相同的住房选项，但自动驾驶汽车的选择频率是多少？0.41 1116. . .

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:47

即使对于相同的住房选项，传统汽车速度更快，自动驾驶汽车的选择频率是多少？0.26 1116. . . 尽管公共交通对于相同的住房选择速度更快，但自动驾驶汽车的选择频率是多少？0.26 1116如果选择自动驾驶汽车作为通勤的出行选择。尽管同一住房选项的免费旅行选项较少，但自动驾驶汽车的选择频率是多少？0.39 1116. . . 尽管对于相同的住房选择，传统汽车的价格较低，但自动驾驶汽车的选择频率是多少？0.27 1116. . . 尽管公共交通对于相同的住房选择成本较低，但自动驾驶汽车的选择频率是多少？0.26 1116如果选择传统汽车作为通勤的出行选择。传统汽车与低保住房选择相结合的频率有多高？0.41 1452选择自动驾驶汽车作为通勤的出行选择。自动驾驶汽车与低养老金住房选择相结合的频率有多高？0.36 1116考虑到公共交通作为通勤交通的出行选择。公共交通与较便宜的住房选择相结合的频率有多高？0.43 1528表3：观察选项说明4.2。最终型号规格最终型号规格是广泛规格搜索的产物。在最终模型规范中，为了节省成本，为了更好地解释，对某些属性的敏感性被视为固定参数。特别是，对成本的敏感性被视为固定参数，以便于推导支付意愿分配。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:50

为确保成本敏感性为严格负，并确保确定支付意愿分配参数的标准误差，在进入效用函数之前，将相应的味觉参数指数化并乘以负一（Carson和Czajkowski，2018）。我们也允许收入增加，以便对住房成本的敏感性成为家庭每周收入的函数。所有随机味觉参数均服从正态分布，但对连续旅行条件的敏感性除外。为了确保对拥挤出行条件的敏感性是严格负性的，假设与属性负相关的味觉参数遵循所述选择实验附带的问卷调查，收入信息使用十二种income进行调查。最高回答类别（“4000澳元/周或更高”）的顶部编码为1.3·4000澳元/周=5200澳元/周。个人可能对每日通勤的出行时间表现出正估值和负估值，因此不会限制对各自异质性分布的支持。我们还探讨了几个模型规范，其中对多元正态混合分布的协方差矩阵∑施加了不同的限制。为了节省开支和旅行时间。最后，我们注意到，最终车型规格包括旅行选项的截距，其中传统汽车选项被视为参考。我们通过将其参数化为其他固定参数和受访者的社会人口特征的函数，考虑到特定模式截取中的系统异质性。4.3.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:53

整体模型评估：为了量化适应灵活替代模式和未观察到的口味变化的益处，标准条件多项式logit模型，既不适应灵活替代模式，也不适应未观察到的口味变化。第二个模型（EC-MNL）是一个错误成分多元logit模型，它允许灵活的替代模式，如第3.2节所述。第三个模型（M-MNL I）是一个混合多项式logit模型，它还解释了未观察到的味道变化，通过允许与旅行时间相关的随机味道参数之间的相关性，多元正态分布协方差矩阵的非对角元素。表4提供了估计模型的比较。可以看出，模型M-MNL II产生的ρ最高，表明M-MNL II是所有考虑的模型中最好的；似然比检验表明，M-MNLII在统计上显著优于每种竞争模型。C-MNL EC-MNL M-MNL I M-MNL IINo。参数29 34 40 43对数似然-6546.38-5382.93-5300.72-5246.34ρ0.09 0.25 0.26 0.27BIC 13317.34 11015.39 10900.88 10817.07似然比检验w.r.t.M-MNL IIχ2600.08 273.18 108.76d f 12 9 3p<0.001<0.001<0.001注：零对数似然为-.3、BIC按Ln（N T）P计算-表4：模型比较无统计学意义。为了节约成本，最终模型规格包括对旅行时间的一般但随机敏感性。4.4.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:31:56

估计结果在所有模型中，对住房和出行选项属性的平均敏感性在统计上与零有显著差异，并具有预期的迹象。为了简洁起见，我们接下来的讨论和分析侧重于性能最佳的M-MNL II型。与属性“额外房间数”和“独立房屋与其他住宅类型”相关的口味参数会受到大量随机口味变化的影响，如各正态异质性分布的尺度参数估计所示。然而，大多数受访者要么不注意所讨论的属性，要么宁愿住在较小的住宅中。同样，大多数受访者更喜欢住在单独的房子里，而不是住在城镇的房子或单元里。我们还观察到，受访者通常更喜欢居住在以独栋住宅为主的住宅区，以及使用年限小于15年的住宅开发区。此外，受访者通常喜欢住在离当地服务设施很近的地方。通勤的出行选择。当旅行时间以货币单位表示时，对旅行时间的敏感性最好进行解释（见第4.5节）；尽管如此，我们在这一点上进行了以下观察：通过不同的出行方案对各自正态异质性分布的平均参数出行时间进行估计。可以进一步看出，大多数估计值都与拥挤的出行条件相反，而对各自属性的敏感性则受到可考虑的随机味觉变化的影响。受访者社会人口特征的线性函数，其中交通模式传统汽车被视为参考选项。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:01

在受过高等教育的受访者和按需交通服务的当前用户中，自主驾驶的感知益处相对更大。可以看出，所有尺度参数的估计值都与零显著不同。总的来说，估计结果证实了假设的筑巢结构和替代模式。此外，可以看出，自主驾驶偏好仍然受到大量未观察到的偏好异质性的影响，尽管偏好的系统性差异是通过将各自的特定模式截距参数化为决策者的社会人口属性的函数来系统控制的。我们再次重申，与住房成本相关的品味参数以指数形式进入效用函数，以便于计算支付意愿衡量标准误差（见Carson和Czajkowski，2018）。根据传统的公用事业规范，估计的成本敏感性为负，与零有显著差异。4.5. 时间价值时间价值（VOT），即旅行时间和成本的边际替代率，是交通规划中的一个核心数量（Small，2012）。在目前的应用中，传统汽车、自驾汽车和公共交通上下班的VOT可以根据住房或travelVOT分布来定义，这也是正常的。表6列举了M-MNL I和II型VOT分布参数的点估计和置信区间。接下来，我们将更详细地讨论M-MNL II模型的结果。在19.0澳元/小时至25.3澳元/小时的范围内：普通汽车换乘的平均VOT最大（25.3澳元/小时），其次是自动驾驶汽车（24.0澳元/小时），公共交通换乘的平均VOT最小（19.0澳元/小时）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:04

然而，点估计值的差异在统计上并不显著，因为估计值的置信区间重叠。车内时间节约似乎是合理的：根据2008年在澳大利亚布里斯班收集的规定偏好数据，Hensher et al.（2011）建议传统汽车出行的通勤时间节约平均值为17.60澳元/小时。Ho和Mulley（2013）利用2007/08、2008/09和2009/10年悉尼家庭出行调查的数据，估计车内交通的价值，平日旅行的等待和步行时间分别为6.81澳元/小时、11.28澳元/小时和14.68澳元/小时（以2008年澳元计）。根据2014年悉尼收集的规定偏好数据，Ho等人（2016年）确定了由另一名乘客陪同的汽车驾驶员工作旅行的平均VOT为13.65澳元/小时，无人陪同的汽车驾驶员为8.30澳元/小时。澳大利亚政府的成本效益分析指南建议，普通汽车的旅行时间私人旅行应为14.99澳元/小时，商务旅行应为48.63澳元/小时；而公交车乘客的出行时间应为14.99澳元/小时（交通和基础设施委员会，2018年）。住房成本条款。回顾一下，对住房成本的敏感性在十年制和家庭收入方面存在系统性差异。由于成本属性的成本高于收入规定，因此对住房成本的敏感性由适当固定成本参数估计值与家庭收入的比率给出。在表6中，我们报告了业主和租客平均收入水平下通勤旅行时间值的平均值和标准差。这一点估计表明，平均而言，业主比租客更看重通勤旅行时间的节约。然而，与零相比，在统计上没有显著差异。第三，我们比较了VOT在旅行和住房成本方面的估计。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:07

请注意，每日/每周/小时的VOT。可以对两种成本类型的VOT估计值进行有意义的比较，如果旅行成本方面的VOT按周计算。为此，我们假设每周通勤出行时间预算为10小时，并将所报告的参数估计值和VOT在出行和住房成本方面的置信区间分别乘以10小时和1小时。在这一假设下，可以看出，平均而言，受访者更看重通勤旅行时间的节约，自驾汽车通勤的住房成本为1061.3澳元/周，业主为1061.3澳元/周，租客为519.5澳元/周。对于传统汽车和自动驾驶汽车，平均值的差异在统计学上是显著的，因为相应的置信区间不重叠。对于公共交通，业主的置信区间不重叠，但承租人的置信区间重叠程度很小。总的来说，M-MNL I模型可以得出相同的实质性见解，与M-MNL II模型相比，M-MNL I模型没有捕捉到旅行时间敏感性的协变量。从表6可以看出，VOT分布平均参数的点估计与相应的置信区间非常匹配。与M-MNL II模型一样，M-MNL I模型并不表明平均VOT的差异具有统计学意义。5、讨论和结论在本文中，我们试图通过调查在自动驾驶的情况下，居住分配和通勤出行选项组合的规定偏好，从经验上量化自动驾驶对出行行为和土地使用的潜在影响。我们的分析来自澳大利亚悉尼大都会区512名居民完成的规定偏好调查，为自主出行时间估值提供了见解。我们估计了几个混合logit模型。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-24 00:32:10

总的来说，实证结果表明，由于AVs的出现，预计出行时间的估值不会发生变化。几项基于模拟的研究调查了自动驾驶对旅行的影响，相对于传统汽车旅行的VOT，其影响高达100%（见Gelauff et al.，2017；Thakur et al.，2016；Zhang和Guhathakurta，2018）。据推测，AV旅行的VOT低于传统汽车旅行的VOT，因为AVs可以减轻汽车旅行的负担，部分原因是通过在旅行中使用生产性时间。相比之下，其他研究质疑VOT减少的出现是否更可能源于主观幸福感的增加，这是由于广泛的基于旅行的多任务处理能力下降所致。此外，Singleton（2019）认为，一般来说，基于旅行的多任务处理主要是由打发时间的欲望驱动的，而不是由个人活动安排偏好的高阶变化驱动的，在AVs上有效利用旅行时间的可能性可能影响VOT之前。总的来说，这项研究的结果支持了以下观点，即AVs在实质性降低VOT从而影响居住位置偏好方面的即时潜力可能有限（另请参见Singleton，2019）。这一见解的一个直接含义是分析自动驾驶对出行行为和居住地点选择的影响（另见Soteropoulos et al.，2018）。尽管如此，我们的研究结果也表明，AV对旅行时间的敏感性受到相当大的随机味觉变化的影响，而这反过来又是未来研究的一个有趣途径。此外，还有其他几个方向，未来的研究可以在本文所述工作的基础上进行。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:13

首先，目前的研究完全依赖于所述的偏好数据。尽管所述偏好研究在获取新产品和服务属性的相对重要性方面至关重要，但应该承认，当前研究中得出的估计值可能存在假设偏差，因此可能无法准确反映AVs的使用情况（另见Beck et al.，2016；Krueger et al.，2016；Milakis et al.，2017）。目前AVs的出行偏好可能主要是对未知技术的厌恶和恐惧，以及对新技术价值的不确定性。解决这一问题的一个方法是自主驾驶的虚拟现实，例如精心设计的驾驶模拟器研究或自然实验（参见Harb等人，2018）。其次，作为当前研究的一部分提出的陈述选择实验没有明确规定AVs可用的商业模式。有人认为，自动驾驶技术可能非常适合2014年；Krueger等人，2016年）。此类服务的可用性和定价结构可能会影响AVs的出行偏好以及居住位置偏好。第三，已经表明，VOT估计值可能会有所不同，这取决于偏好诱导是在短期还是在长期决策环境中发生的（Beck等人，2017）。沿着这些思路，比较自动驾驶的偏好如何在不同的诱导环境中变化可能是有用的。最后，住宅位置的选择通常是在家庭层面进行的，因此受到群体互动的影响。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:16

为了增强所述偏好研究的现实性，调查AVs对住宅位置偏好的潜在影响，因此，在基于agroup的决策背景下得出偏好可能是有用的。致谢我们要感谢两位匿名评论员对我们的工作所作的批评性评估。本论文的初步版本已在运输研究委员会98年年度会议上发表；我们要感谢本初稿的匿名评论者提出的建设性意见。作者感谢澳大利亚研究委员会（LP160100450）的支持。作者贡献陈述工作：构思与设计、数据收集、准备与分析、手稿撰写与编辑。THR：概念与设计、数据收集与分析、手稿编辑、监督。VVD：数据收集。参考Saizaki，H.（2012）。R.统计软件杂志，50:1–24中支持选择实验实施的基本功能。Anderson，J.M.、Kalla，N.、Stanley，K.D.、Sorensen，P.、Samaras，C.和Oluwota，O.A.（2014）。自主车辆技术-决策者指南。兰德公司。澳大利亚统计局（2019年）。2016年澳大利亚人口普查。http://www.censusdata.abs.gov.au.Bansal，P.和Kockelman，K.M.（2018）。我们准备好接受联网和自动驾驶车辆了吗？德克萨斯州案例研究。运输，45（2）：641–675。Bansal，P.、Kockelman，K.M.和Singh，A.（2016）。评估公众对新车技术的意见和兴趣：奥斯汀的观点。交通研究C部分：新兴技术，67:1–14。Beck，M.J.、Fifer，S.和Rose，J.M.（2016）。你能肯定吗？减少假设偏差通过受访者报告的选择确定性进行选择实验。交通研究B部分：方法学，89:149–167。贝克，M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:19

J、，Hess，S.，Cabral，M.O.，和Dubernet，I.（2017）。评估旅行时间节约：短期还是长期选择？运输研究E部分：物流和运输评论，100（补充C）：133–143。Bhat，C.R.和Guo，J.Y.（2007）。综合分析建筑环境特征对家庭住宅选择和汽车拥有水平的影响。运输研究B部分：方法学，41（5）：506–526。Bhat，C.R.和Lavieri，P.S.（2018）。一种新的混合mnp模型，适应各种依赖正态系数分布。《理论与决策》，84（2）：239-275。模式。计量经济学杂志，89（1）：109–129。Burns，L.D.（2013年）。我们的交通未来愿景。《自然》，497（7448）：181-182。Burns，L.D.、Jordan，W.C.和Scarborough，B.A.（2013）。改变个人流动性。哥伦比亚大学地球研究所技术报告。B"osch，P.M.、Becker，F.、Becker，H.和Axhausen，K.W.（2018）。基于成本的自主移动服务分析。交通政策，64:76–91。Carson，R.T.和Czajkowski，M.（2018）。从离散选择模型估计支付意愿的新基线模型。技术报告。Cirillo，C.和Axhausen，K.W.（2006）。六周日志中节省的旅行时间值分布的证据。交通研究A部分：政策与实践，40（5）：444–457。Daziano，R.A.、Sarrias，M.和Leard，B.（2017年）。消费者愿意付钱让汽车为他们开车吗？分析对自动驾驶车辆的响应。交通研究C部分：新兴技术，78:150–164。Dubernet，I.和Axhausen，K.W.（2016）。德国工作场所和居住地点的选择。第16届瑞士交通研究会议。Fagnant，D.J.和Kockelman，K.（2015）。为自主汽车做好准备：机遇、障碍和政策建议。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:22

交通研究A部分：政策与实践，77:167–181。Fagnant，D.J.和Kockelman，K.M.（2014）。使用基于代理的模型场景，分析sharedautonomous车辆的出行和环境影响。交通研究C部分：新兴技术，40:1–13。集中还是两者兼而有之？自主车辆的选择研究。交通研究C部分：新兴技术，98:323–337。郭，J.，冯，T.，和Timmermans，H.J.P.（2018）。使用误差分量混合logit模型对工作场所、居住地和通勤模式的相互依赖选择进行建模。运输Haboucha，C.J.，Ishaq，R.，和Shiftan，Y.（2017）。关于自动驾驶车辆的用户偏好。交通研究C部分：新兴技术，78:37–49。Harb，M.、Xiao，Y.、Circella，G.、Mokhtarian，P.L.和Walker，J.L.（2018）。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。运输，第1-15页。Harper，C.D.、Hendrickson，C.T.、Mangones，S.和Samaras，C.（2016）。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。交通研究C部分：新兴技术，72:1–9。Hensher，D.A.、Greene，W.H.和Li，Z.（2011年）。在非线性logit中嵌入风险态度和决策权重，以适应预期旅行时间节省值的时间变化。运输研究B部分：方法学，45（7）：954–972。Ho，C.和Mulley，C.（2013）。周末和工作日家庭联合出行模式的旅游模式选择。运输，40（4）：789–811。Ho，C.Q.、Mulley，C.、Shiftan，Y.和Hensher，D.A.（2016）。旅行时间节约的车辆价值：基于组的建模方法的证据。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-6-24 00:32:25

交通研究A部分：政策与实践，88:134–150。Kolarova，V.、Steck，F.、Cyganski，R.和Trommer，S.（2017）。使用显示和陈述偏好法估计自主驾驶的时间价值。在欧洲运输会议上。Krinsky，I.和Robb，A.L.（1986年）。关于近似弹性的统计性质。TheReview of Economics and Statistics，第715-719页。Krueger，R.、Rashidi，T.H.和Rose，J.M.（2016）。共享自动驾驶车辆的首选项。交通研究C部分：新兴技术，69:343–355。Le Vine，S.、Zolfaghari，A.和Polak，J.（2015年）。自动驾驶汽车：乘员体验和交叉口通行能力之间的张力。交通研究C部分：新兴技术，52（补充C）：1-14。Matousek，J.（1998年）。关于锚定箱的差异。《复杂性杂志》，14（4）：527–556。麦克法登，D.和特拉恩，K.（2000年）。离散响应的混合MNL模型。《应用计量学杂志》，15（5）：447–470。Meyer，J.、Becker，H.、B"osch，P.M.和Axhausen，K.W.（2017）。自动驾驶汽车：下一个跳跃式进入？《运输经济学研究》，62（补编C）：80–91。Milakis，D.、Arem，B.v.和Wee，B.v.（2017）。自动驾驶的政策和社会相关影响：文献回顾和未来研究方向。《智能运输系统杂志》，21（4）：324–348。Milakis，D.、Kroesen，M.和van Wee，B.（2018年）。自动化车辆对可达性和位置选择的影响：基于专家的实验证据。交通地理杂志，68:142–148。自动化车辆。走向定量方法，以分析自动化车辆的长期创新扩散327。Ory，D.T.、Mokhtarian，P.L.、Redmond，L.S.、Salomon，I.、Collantes，G.O.和Choo，S.（2004）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 00:32:29

个人什么时候需要通勤？增长与变化，35（3）：334–359。了解建筑环境对通勤模式选择的影响。运输，34（5）：557–573。“Pud”ane，B.、Rataj，M.、Molin，E.J.、Mouter，N.、van Cranenburgh，S.和Chorus，C.G.（2018b）。自动化车辆将如何影响用户的日常活动？荷兰通勤人群焦点小组的见解。交通研究D部分：交通与环境。分析《区域科学杂志》，41（3）：475–505。Schwanen，T.和Mokhtarian，P.L.（2005）。影响通勤模式选择的因素：社区物理结构或对社区的偏好？交通地理杂志，13（1）：83–99。Schwarz，G.（1978）。估计模型的维度。《统计年鉴》，6（2）：461–464。C部分：新兴技术，93:463–478。辛格尔顿，P.A.（2019）。讨论自动驾驶汽车的“积极效用”：旅行者会有效地利用时间吗？交通评论，39（1）：50–65。Small，K.A.（2012）。旅行时间估价。运输经济学，1（1）：2–14。So，K.S.、Orazem，P.F.和Otto，D.M.（2001）。房价、工资和通勤时间对共同居住和工作地点选择的影响。《美国农业经济学杂志》，83（4）：1036-1048。苏联计算数学和数学物理，7（4）：86–112。国际汽车工程师学会（2016）。道路机动车辆驾驶自动化系统相关术语的分类和定义；J3016_201609。和土地利用：建模研究的国际回顾。交通评论，第1-21页。Sparrow，R.和Howard，M.（2017）。当人类像喝醉的机器人：无人驾驶汽车，215。Thakur，P.、Kinghorn，R.和Grace，R.（2016）。自治时代的城市形态与功能。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝