Mode choice analysis in urban transport with shared battery electric vehicles: A stated-preference case study in Beijing, China
论文题目：Mode choice analysis in urban transport with shared battery electric vehicles: A stated-preference case study in Beijing, China
论文作者：金方磊，安坤，姚恩建
论文期刊：Transportation Research Part A
网址：https://doi.org/10.1016/j.tra.2020.01.009
关键词：共享汽车，电动汽车，方式选择，巢式Logit模型
1摘要
近年来，随着共享经济的推广，单程共享汽车越来越受到关注。随着电动汽车技术的进步以及其零排放的特点，越来越多的汽车共享公司正在将电动汽车应用在服务车队中。本文深入探讨了当共享电动汽车被纳入城市交通系统时出行者的方式选择机制。本文建立了一个巢式Logit模型，并同时考虑了不同出行场景下的方式选择和路径-车辆选择。研究了包括取车距离和剩余里程等服务水平变量的影响。结果表明，在长途旅行中，共享电动车可以作为出租车的替代品。此外，相较于其他服务水平变量，共享电动车的取车距离对出行者的方式选择有更大的影响，是效用函数中还车距离影响的1.78倍。研究还发现，当出行距离增加时，出行者往往会对取车距离有更大的容忍度，并要求车辆有更长的剩余里程。
2引言
共享汽车允许灵活的按需租车服务（Kim et al.，2015）。此外，共享汽车的广泛应用将有助于减少私人车辆的保有量，提升车辆利用率，并减少停车位的占用。共享汽车可以更有效地满足用户的出行需求（Shaheen and Martin, 2006），因为它将昂贵的汽车所有权固定成本（包括购买、保险和维修费用）转移到可负担的可变成本。后者通常基于使用时间和实际旅行距离（Kortum, 2014)。
随着全球定位系统和智能手机技术的发展，一种新的共享汽车服务形式（单程共享汽车）已经形成（Le Vine and Polak, 2019）。用户可以通过智能手机应用程序实时定位附近的可用车辆，并在使用后完成在线支付。单程共享汽车比往返共享汽车更方便，因为往返共享汽车需要提前预订并将车辆送回原地（Kortum, 2014）。单程汽车共享有两种运行模式：分别是基于站点的模式和自由浮动的模式。基于站点的汽车共享模式要求在站点还车，而自由浮动模式允许在任何合法停车位还车（Zoepf and Keith，2016；Huang et al., 2018；Shaheen et al., 2015）。
本研究旨在深入了解当基于车站的单向电动车（BEV）共享被纳入当前城市交通系统时，出行者在模式选择方面的决策机制。采用巢式Logit（NL）模型来分析多维度的选择行为，包括出行方式、车辆和路线选择。本研究有两个主要目标：（1）分析BEV共享对当前交通方式分担率的影响；（2）探索服务水平相关变量，包括取车距离、初始SOC和折扣对共享BEV的影响。我们将进一步讨论共享BEV所能使用的出行场景，收集个人在不同的出行场景下的选择。该模型的结果可用于预测未来汽车共享的出行需求。
3所用方法
3.1数据调查
因为在目前的情况下，共享电动车的市场份额很小，所以很难针对有机会使用共享电动车的用户，或者收集他们在方式选择上的显性偏好数据。共享的用户，或者收集他们关于模式选择的显性偏好（RP）调查数据。相比较而言，陈述偏好（SP）调查丰富了我们观察选择的背景。通过引入不存在的备选方案和观察到的属性水平的组合，丰富了我们观察选择的背景。在SP调查中，可以提出在当前情况下可能没有的场景方案。因此，我们基于中国北京的状况设计了一项SP调查，以收集各种出行情景下的模式选择数据（Jin et al., 2020）。
表1中列出了离散选择实验中每个属性所使用的水平。请注意，剩余的范围 表示扣除旅行距离后的多余驾驶范围。
表 1选择实验中电动汽车的水平值设计
图1描述了方式选择实验的示例。向受访者展示了七条方式-路径选择，包括两条公共交通路径，一条出租车路径，一条私家车路径，以及三条BEV共享的路径和可用车辆。需要注意的是，如果受访者没有私家车，他们被告知不要做这个选择。
图 1 选择实验示例（出行距离为10-20km，非高峰的娱乐出行）
本次调查于2018年7-8月以纸质问卷的形式进行。考虑到问题量大，特别是包括18种模式和车辆/路线选择的情况，需要极大的耐心和注意力来完成，调查由工作人员以纸质问卷的形式进行，而不是基于互联网的问卷。这样做是为了保证面对面的答复的质量。受访者的问题可以立即得到解决，以避免任何混淆。然而，由于问题太多，我们很难控制基于互联网的调查问卷的质量。每位受访者在完成问卷后收到20元人民币。受访者是由工作人员随机选择的，没有特定类型的要求。我们发放了600份问卷，最后回收了536份问卷，达到了89.3%的回复率。在收集的调查数据中发现有缺失的数值或逻辑错误。例如，一些受访者只回答了18个选择场景中的10个，或者在没有报告私家车所有权的情况下选择了私家车。经过验证和排除有逻辑错误的数据，最终共收集到512个样本和8689个选择。
3.2模型构建
在这项研究中，通过在巢穴中对类似的替代物进行分组，采用了NL模型。这种处理方法使BEV共享模式下的路线和车辆选择有了一个清楚的模型结构，并避免了MNL模型IIA特性的缺点。如图2所示，在巢式结构中使用了一个分层NL模型。在图中，上层是方式选择模型，下层是路径选择模型（或BEV共享下的路线-车辆选择模型）。模式选择模型有四个巢穴，包括公共交通、出租车、私人车辆和共享BEV。在下层，分别构建公共交通巢中的路线选择模型和共享BEV巢中的路径-车辆选择模型。
图 2 NL模型巢式结构
这个NL结构包括七个备选方案，编号为i=1,...,7，它们被归入四个巢穴，m=1,...,4。需要注意的是，如果出行者n不拥有私家车，那么私家车就被排除在n的备选集之外。基于随机效用理论，出行者n选择一个特定方案i的效用，Uin，是由以下公式给出的
|
| （1） |
其中，Vin是出行者n选择i的效用函数的确定性部分，εin代表随机项。通常情况下，确定性部分采用线性形式。
|
| （2） |
其中Xinl代表出行者n的第i个解释变量，是与相应变量相关的待估系数。是与相应变量相关的待估系数。
Pn (rm) 表示出行者n在巢m下选择下层的路线/车辆替代方案r的联合概率。
|
| （3） |
其中，Pn (r|m)表示在使用巢m的情况下，出行者n选择备选方案r的条件概率，Pn (m)是出行者n使用巢m的概率。Rmn是出行者n在巢m下的备选方案集（为了简单记号，我们也用Rmn表示该集的元素数量），Mn是出行者n的模式选择集。下层MNL模型中确定为
|
| （4） |
其中，V(r|m)n是m下的替代物r的效用函数的确定性部分，μm是下层的比例参数，为了简单估计，设定为1（Hunt，2000）。其他相关计算公式如下。
|
| （5） |
|
| （6） |
|
| （7） |
值得注意的是为面板误差项，捕捉人与人之间的选择异质性。
4模型结果
4.1个人属性
我们在表2中总结了调查结果的统计。受访者的年龄大多在26至35岁之间，受教育程度较高，主要是企事业单位的员工。超过60%的受访者不拥有车辆（但有驾驶执照）。此外，只有11.7%的受访者以前使用过BEV共享汽车，这反映出它在目前市场上的模式份额较低。
表 2 样本特征
4.2共享电车用户的出行目的和出行距离分析
我们进一步分析了调查中BEV共享用户的目的和距离分布。统计结果见图3和图4。根据图3，62.1%的受访者会将BEV共享汽车用于休闲旅行，44.7%的受访者会在携带重物时使用，44.3%的受访者认为BEV共享汽车是通勤旅行的替代品，38.3%的受访者会将其用于郊外旅行。只有9.8%的受访者会在长途城际旅行中使用BEV共享汽车。根据图4，30.1%的受访者会在10-20公里的旅行中使用BEV共享汽车。当旅行距离超过20公里时，使用BEV共享汽车的出行者相对较少。这些发现表明，人们倾向于在休闲旅行或者通勤出行时选择BEV共享汽车。此外，由于BEV的行驶里程较短，受访者不会冒着风险进行长途旅行。最具竞争力的距离是10-20公里。最具竞争力的距离是10-20公里，这可能会吸引地铁或出租车的用户。
图 3 共享BEV出行目的分布
图 4 共享BEV出行距离分布
4.3模型标定
我们使用Python Biogeme 2.6a（Bierlaire, 2009; Bierlaire, 2016）来标定NL模型。M1在模型中考虑了误差成分、LOS变量、旅行距离和旅行目的。M2和M3在M1的基础上考虑了个人相关的变量，但M2没有考虑误差成分。三个模型的参数标定结果见表3。
表 3 NL模型参数标定结果
根据表3中所述的结果，M3是最好的模型，其次是M1，M2是最差的模型。将M2与M1和M3相比较，我们发现调整后McFadden's rho-square的值从0.171增加到大约0.250，表明在考虑了误差成分后，模型拟合效果很好（McFadden, 1977）。此外，所有不同模式的估计标准差都具有统计学意义，表明重复选择中的面板效应不能被忽视。在M1和M3之间，我们发现M3的调整后的McFadden's rho-square值更好（0.249>0.248），表明考虑与个人有关的变量可以提高模型的性能。
因此，我们根据M3来解释模型的结果。三个尺度参数（0.716，0.393和0.853）都在0和1之间，说明巢式结构是合理的。所有服务水平相关变量系数符号都符合预期。公共交通的车内时间、费用、换乘次数和步行距离对感知效用有负面的影响。具体来说，出行者更喜欢旅行时间短、旅行费用少的路线。在BEV共享中，我们发现取车距离和还车距离对其效用有负面的影响。如果比较这两个系数，我们注意到取车距离（系数为-2.28）比还车距离（系数为-1.28）有更大的影响。这两个数值的差异表明，旅客更关心的是进入距离而不是离开距离。提高站点覆盖率可能是促进BEV共享的有效策略。我们还发现，剩余里程（系数为0.447）是车辆选择的另一个重要因素。它的正系数表明，高的剩余里程将增加出行者选择BEV共享的概率。我们还可以注意到，出行者更喜欢五座车，而不是四座车，因为五座车的车内空间更舒适。
为了比较LOS变量在相同维度上的影响，我们把它们的系数标准化为等价成本系数（ECC）。每个ECC被计算为每个LOS变量与货币成本变量的系数比。结果列于表4。因此，在表中，成本的ECC是单位1。其他ECC值反映了它们与货币成本相比的相对重要性。我们注意到，在所有的变量中，取车距离是有最大影响的。当取车距离增加1公里时，成本将增加67.25元，是还车距离的1.78倍。车内时间的值为48.67元/小时，表明1小时的车内时间等于48.67元人民币。公共交通中的步行距离值低于BEV共享中的取车距离和还车距离值。这表明出行者在使用BEV共享时比公共交通更关心步行，可能是因为出行者期望与出租车或私人车辆共享汽车的服务水平相似，而不是公共交通。
表 4 LOS变量的等效成本系数（单位：人民币）
5方式选择偏好分析
图5显示了两种出行目的和三种出行距离情况下的模式选择概率随动态接入距离的变化。在这个案例研究中，我们设定出口距离为1公里，剩余里程为40公里，车辆型号为四座。
图 5 方式选择概率随取车距离变化情况
在图5中，无论出行目的/距离如何，考虑共享BEV的话，选择私家车的概率最高，其次是出租车和公共交通。之所以选择出租车的概率高于公共交通，可能是因为样本中的受访者对时间的重视程度比较高，因此，他们更喜欢时间效率高的交通方式。图5(a、c、e)分别列出了出行距离小于10、10-20、20-40公里的通勤出行的方式选择概率。在零取车距离的情况下，随着出行距离的增加，公共交通（约15%）和私人汽车（约40-45%）的选择概率保持相对稳定。然而，出租车的概率从大约37-25%明显下降。同时，使用共享BEV的概率从6%增加到15%。这表明，随着旅行距离的增加，对BEV共享的潜在需求很可能从出租车转移。在长途旅行中，BEV共享作为出租车的替代品。
图6显示了方式选择概率和剩余里程之间的关系。我们考虑以休闲旅行为例。与取车距离阈值类似，我们也可以确定一个剩余里程阈值，在这个阈值下，共享BEV汽车被选择的概率最小。在低于10公里的旅行中，要想选择共享BEV，剩余里程的最小值是34公里。这可能是由于出行者认为当剩余里程超过34公里时，共享BEV是可靠的。从图6(a-c)中，我们可以看到，容忍的剩余里程也随着出行距离的增加而增加。
图 6 方式选择概率随剩余里程的变化情况
图7表明，BEV共享的概率受到访问距离和折扣的影响。我们考虑以10-20公里的休闲旅行为例。在图中，有一条等高线，上面有五个点在不同情况下有相同的选择概率。1公里的取车距离但没有折扣，1.12公里的取车距离有25%的折扣，1.24公里的取车距离有50%的折扣，1.37公里的取车距离有75%的折扣，和1.49公里的取车距离有100%的折扣。这些点表明了取车距离和货币成本（由折扣体现）之间的权衡。假设一个出行者打算使用距离1公里的共享汽车。这时，如果有一辆距离1.49公里但免费的车辆，那么该旅客同样可能选择第二辆车以节省费用。这些发现可以帮助运营商在营销/运营策略上做出明智的决定。例如，它可以帮助决定基于用户的车辆搬迁中货币激励的规模，平衡汽车共享的车辆供应和需求。
6结论
本研究调查了当共享BEV被纳入城市交通系统时出行者的方式选择机制。本研究建立了一个巢式Logit模型来共同分析不同出行场景下的方式选择和路径-车辆选择。基于模型的标定结果，分析了包括取车距离和剩余里程在内的服务水平变量的影响以及它们的权重。本文还讨论了出行目的、出行距离和个人相关属性。根据设计的陈述偏好调查结果显示，出行者在休闲旅行中比在通勤旅行中更倾向于使用共享BEV。随着出行距离的增加，使用出租车的概率明显下降，而共享BEV的概率上升，这表明出行者倾向于在长途旅行中使用共享BEV来替代出租车。我们还观察到，取车距离、还车距离、剩余里程和车辆型号对选择概率都有很大影响。在方式选择决策中，出行者认为取车距离是比还车距离更重要的因素，1公里的取车距离等于67.25元人民币，是还车距离的1.78倍。出行者对取车距离的容忍度随着旅行距离的增加而增加。关于剩余里程，出行者至少需要额外的34公里里程来使用共享BEV。这意味着出行者对BEV技术的关注，并倾向于保留有足够SOC的车辆以备不时之需。
我们承认，陈述偏好调查结果可能与受访者现实选择中实际发生的情况不同。这可能会修改本研究的研究结果。在未来的工作中，我们将针对共享BEV用户改进模型，并收集他们的日常真实出行数据来探索方式选择机制。我们相信，这可以部分解决SP数据中的通用偏差。我们将开发异质模型来揭示不同用户类别的模式选择偏好。可以构建一个非线性效用函数来研究服务水平变量的影响，如取车距离和剩余范围，以提高模型的性能。目前的研究是基于单程旅行的，这可能无法准确地反映出行模式。在单程出行模式选择分析的坚实基础上，我们希望在未来研究中将出行链或活动链纳入出行者行为分析。另外，未来研究计划开辟一种新的方法，以捕捉涉及共享汽车的新方式引入时出行者的反应，这将有助于政府和运营商制定营销或运营策略。
7参考文献
Becker, H., Loder, A., Schmid, B., Axhausen, K.W., 2017a. Modeling car-sharing membership as a mobility tool: a multivariate Probit approach with latent variables. Travel Behav. Soc. 8, 26–36.
Becker, H., Ciari, F., Axhausen, K.W., 2017b. Modeling free-floating car-sharing use in Switzerland: a spatial regression and conditional logit approach. Transport. Res. C: Emerg. Technol. 81, 286–299.
Bierlaire, M., 2009. Estimation of discrete choice models with BIOGEME 1.8. Transport and Mobility Laboratory, EPFL, Lausanne, Switzerland, 181.
Bierlaire, M., 2016. PythonBiogeme: A Short Introduction, Report TRANSP-OR 160706, Series on Biogeme. Transport and Mobility Laboratory, School of Architecture, Civil and Environmental Engineering, Ecole Polytechnique Fédérale de Lausanne, Lausanne, Switzerland.
Burkhardt, J.E., Millard-Ball, A., 2006. Who is attracted to carsharing? Transp. Res. Rec. 1986, 98–105.
Ceccato, R., Diana, M., 2018. Substitution and complementarity patterns between traditional transport means and car sharing: a person and trip level analysis. Transportation 1–18.
Cervero, R., Tsai, Y., 2004. City carshare in san francisco, california: second-year travel demand and car ownership impacts. Transport. Res. Rec. J. Transport. Res. Board 1887 (1), 117–127.
De Luca, S., Di Pace, R., 2015. Modelling users’ behaviour in inter-urban carsharing program: a stated preference approach. Transport. Res. A: Pol. Pract. 71, 59–76.
Dias, F.F., Lavieri, P.S., Garikapati, V.M., Astroza, S., Pendyala, R.M., Bhat, C.R., 2017. A behavioral choice model of the use of car-sharing and ride-sourcing services. Transportation 44 (6), 1307–1323.
Dong, J., Liu, C., Lin, Z., 2014. Charging infrastructure planning for promoting battery electric vehicles: an activity-based approach using multiday travel data. Transp. Res. Part C 38 (1), 44–55.
Efthymiou, D., Antoniou, C., Waddell, P., 2013. Factors affecting the adoption of vehicle sharing systems by young drivers. Transp. Policy 29, 64–73.
Efthymious, D., Antoniou, C., 2016. Modeling the propensity to join carsharing using hybrid choice models and mixed survey data. Transp. Policy 51, 143–149.
Egbue, O., Long, S., 2012. Barriers to widespread adoption of electric vehicles: an analysis of consumer attitudes and perceptions. Energy Policy 48 (3), 717–729.
Hess, S., Rose, J.M., 2009. Allowing for intra-respondent variations in coefficients estimated on repeated choice data. Transport. Res. B: Methodol. 43 (6).
Huang, K., de Almeida Correia, G.H., An, K., 2018. Solving the station-based one-way carsharing network planning problem with relocations and non-linear demand.