英语原文共 13 页
城市中司机的停车选择
摘要——在本文研究的情景中，与城市交通规划相关的是，在前往城市13个目的地之一时，在55个停车场和车库中选择5000名驾驶员。这些人的行为就好像他们在最小化驾驶距离、步行距离和停车费的线性组合。步行比开车贵六倍。与目的地直接相连的多层车库具有相当于四个正常停车设施的特殊吸引力。同时影响驾驶员选择的是标准偏差为400 m步行的随机因素。这些因素都不会受到停车时间的显著影响。通过非线性优化技术确定了似然函数对数最大化的估计量。对标准误差的计算进行了修改，以适应不同付款期或步行目的地的结果之间缺乏统计独立性。在对数据进行初步分析的过程中，用logit模型暂时代替probit，从而降低了970的计算费用，对精度的影响微乎其微。版权属于copy;1996爱思唯尔科学有限公司。
简介
城市交通系统的重点是商业区，这里的就业人数超过了每个城市街区的居民人数。在这里，汽车运输在世界上所有的现代城市中起着重要作用。每天，数以百万计的人开车上班、购物、经商或娱乐。对于服务于1万至8万人口的城市，入境汽车出行量分别为每天3000至9000次。对于较大的人口区域，每平方公里的交通量约为每天30000辆。一个典型的中央商务区（CBD）约有20%的面积在道路上，10%在人行道上，10%在停车设施上。
为了满足社区需求，大多数城市都试图改变车辆交通、停车选择和行人流量。通常的方法是交通标志、法规、补贴和税收。许多城市还建造了大型多层车库，这代表了长期的停车承诺。每年在管理上的花费巨大，Levinson报告说，1983年的年运营成本相当高，平均每个空间250美元。一些城市甚至建造大量的人行道，将停车位与主要的旅游目的地联系起来。例如，根据Ponte的数据，达拉斯在1968年至1989年间花费4000万美元修建了14400英尺长的人行道，将25个停车场与4家酒店、30个办公楼、两个公园以及大约135家商店和餐馆连接起来。
在规划公共政策变化时，了解人们在选择交通工具时的行为非常重要。例如，许多以前的研究发现，旅行时间和成本是统计上的重要因素。Galbraith和Hensher[7]对澳大利亚悉尼150名铁路和182名汽车通勤者进行的一项研究表明，驾驶的价值是人均工资的1/2，步行或等候的价值是人均工资的1/3。包括车内时间、车外时间、停车费、车辆运营费、车费等费用。
然而，时间和成本似乎不是唯一的衡量标准。此外，还存在一个随机因素，它比预期的更广泛地分散运输选择的影响。分析师不知道这些个人因素，但实际成本相当于9分钟工资的标准差。Talvitie[18]在其他出行方式选择研究中也发现了类似的结果。先前研究的一个重要假设是，随机元素在一个人和另一个人之间独立分布。虽然这大大简化了从数据中得出的系数的准确性，如果某些元素在具有类似替代方案模式的人之间存在关联，则可能会产生误导。缺乏独立性可以采取多种形式，因为它可能与停车位、旅行目的地或两者的某种组合有关。例如，由于一些特殊的特征，例如交通便利，分析人员可能不知道一个停车位相对于另一个停车位的相对吸引力。另外，一组驾驶员可能会被吸引到一个特定的停车位置，因为他们碰巧认识彼此。
当分析选择的随机元素中缺乏独立性的数据时，会出现严重的挑战[8]。检测和估计潜在的相互依赖可能需要大量的数据。理论分析在数学上是困难的，如Kanafani所述。因此，重要的问题是，独立假设是否合理，如果不合理，我们又该怎么办？
为了解决上述问题，本文在对1962年加拿大温哥华55个停车场约10000人的停车情况进行了调查。在一个服务于50万大都市地区的城市中，这种相对罕见的测量人们行为的机会包括记录每次出行的驾驶部件的来源、沿着人行道到主要目的地的步行距离、到达和离开时间以及支付的停车费。尽管自1962年以来，物价上涨了10倍，但大部分变化是由于生活成本上涨了5倍。剩余差异可能反映出CBD规模的实际增长，以及步行到其边缘免费停车的时间价值。微观经济理论认为，公园人的基本动机不应随时间而改变，也不应在城市之间改变，除非重新调整各种反映当地情况的措施。在分析机动车驾驶行为时，本文首先建立了一个包含人们选择停车位置数据的代数模型。然后，计算机程序搜索系数的最大似然值，这些系数测量驾驶、步行和付费的效果。接下来，对这些系数的准确性以及模型预测选择的能力进行了分析。然后，这项研究调查了帕克夫妇对任何附属于他们旅行目的地的车库的吸引力。结果也提出了一个简化模型，需要更少的计算时间。最后一节讨论了策略问题的选定应用程序。本研究不包括与机动车出行产生相关的因素。这些措施包括：购物决定、骑乘共享激励对开车上班决定的有效性]以及雇主付费停车对交通方式选择的影响。
在分析机动车驾驶行为时，本文首先建立了一个包含人们选择停车位置数据的代数模型。然后，计算机程序搜索系数的最大似然值，这些系数评估驾驶、步行和付费的效果。接下来，对这些系数的准确性以及模型预测选择的能力进行了分析。然后，这项研究调查了帕克夫妇对任何附属于他们旅行目的地的车库的吸引力。结果也提出了一个简化模型，需要更少的计算时间。最后一节讨论了所选的策略应用程序问题。
本研究不包括与机动车出行产生相关的因素。这些措施包括：购物决定[1]、骑乘共享激励对开车上班决定的有效性[3]以及雇主付费停车对交通方式选择的影响[20]。
停车时驾驶员的选择模型
一个人开车去CBD上班或购物，通常有许多潜在的停车地点选择。驾驶员可以在CBD最近的路边停车，那里有充足的路边空间，并步行到旅行目的地；或者，驾驶员可以在目的地附近停车，并支付适当的费用。或者，一个人可以选择某个中间位置，甚至驾车经过目的地到一个较远的停车位。无论选择哪种方式，都可以合理地假设最终选择受到影响，但并非完全取决于驾驶距离、步行距离以及与每个停车位相关的费用等明确因素[19]。
消费者选择的形式理论为研究停车位选择提供了一个有用的概念框架。它指出，当面对一组备选方案时，一个人的选择能提供最有可能的价值 [13，21]。尽管也有例外，但大多数人把开车和走路视为一种负面价值或成本，比如停车费。因此，可以假设行人i根据行驶距离查看每个潜在的停车位j。从该人的旅行出发地到停车设施的驾驶距离Dij，从停车地点到该人的旅行目的地的双向步行距离Wij，以及取决于该人停留的时间长度停车费pij。对于外部观察者，这些容易观察到的特征的组合值vij可用以下线性函数表示：
Vij = -alpha;iDij-beta;iWij - Pij. (1)
（非负）系数alpha;i和beta;i分别代表驾驶和步行单位距离对人i的感知成本。行驶距离的测量不同于先前的研究，该研究考虑了步行目的地，到行程起点的直线距离，到停车位的直线距离[9]。
当公式（1）用于预测一个人的停车位置选择时，很明显其他因素也会影响选择。人们通常会根据Dij、Wij和Pij的值选择一个停车位，这些值占的比重都超过了其他一些因素的值。由于不可观测的因素可能对这些值有一定的影响，我们可以假设在Vij中添加一个具有高斯（或正态）分布的随机元素，其期望值为零，标准偏差（SD）sigma;i。因此，停车人i对J位置的评价Qij的函数为：
Pdf(Qij=v)= (2)
如果位置j的评估值低于给定数量g时：
Pr(Qijg)= (2a)
假设每个驾驶员的随机因素独立分布在所有停车场和车库中，通过将其高斯分布的乘积与所有竞争对手拥有L的概率相结合，计算出一个人i从一组备选方案j中选择特定停车位k的概率：
Pr(k∣i,j) = (3)
这个相对简单的模型通常被称为多项式问题，它将每个人的自我利益分为两部分：分析师可以观察到的部分和分析师不能观察到的部分。前者由（1）描述，后者由一个无偏随机变量表示，该变量对所有潜在停车位置具有恒定和独立的SD。随机变量的平均值被设置为零，因为向所有备选方案添加一个常量值不会影响选择的概率。
SD代表了一系列不可能为每个人所知的可能性。这些可能包括个人的好恶、乘客的目的地或过去的习惯。当用机动车驾驶员的隐式值表示时，这些随机效应的总和往往具有高斯分布，正如中心极限定理所建议的那样。虽然该模型可以很容易地为每个停车位容纳不同的SDS，但要确定每个SDS的值，需要一个非常大且多样的数据库。
该模型不包含影响一个人选择的随机因素之间的任何相关性。除了避免了多维积分带来的计算负担外，由于许多可能的相关系数的值缺乏信息，因此这一假设是必要的。霍洛维茨[8]最近也表达了类似的担忧。在模拟一个没有独立性的情况时，Keane[12]发现参数识别可能非常脆弱。
数据库
加拿大不列颠哥伦比亚温哥华停车场的广泛调查为建立上述模型提供了基础数据。1962年5月至6月的工作日上午8:00至下午6:00，约6万名司机接受了采访。记录了他们的居住区、以前的停车区（如果有）、市中心停车位置、到达时间、步行目的地、出发时间和付款要求。
同时列出140个公共停车设施的收费表、出入口位置和容量。在该清单中，J是有55个停车场或车库中的一组，在调查当天接收到超过100辆车辆。不包括那些有特殊停车费的司机，通常是因为雇佣关系。峰值容量为7000辆。随着车辆在一天中来来往往，这些网站几乎每个都有一个空的地方，可供帕克在任何时候。
对于上述55个地点的停车场，确定了13个主要步行目的地，每个目的地每天至少接待100人。每个人在目的地停留的时间是通过从观察到的停车时间中扣除以4.5公里/小时的速度行走来估算的。为了确保司机有时间步行回远处的停车场而不需要再支付一个小时的费用，那些在每小时付款期最后20分钟内停留的司机被排除在外。因此，计划花费40分钟购物的人不需要支付超过一小时的费用，除非是在750米以外的地方。没有短期的帕克走这么远。按天或月付款的人不受此时间限制的影响。
上述程序确定了大约5000名司机，他们支付1小时、2小时、3小时或4小时，或全天或按月支付。三家大型百货公司吸引了三分之二的帕克人。不包括旅行起点、步行目的地或停车时间不可用的15%的停车场。此外，还省略了居住时间少于4小时的每月停车客的观察结果，因为它们可能代表同一承租人在一天中的连续观察结果。由于没有在数据库中输入许可证号码，因此无法识别此类驾驶员。
城市地图为测量从四个入口点到中央商务区的55个停车场或车库j的最短往返行驶距离d~提供了依据。精度为50米，地图比例尺为实际尺寸的1/5000。路线受交通流限制，主要是单向街道，但允许左转穿过双车道公路到达中间街区的停车位置。如宾利和兰姆[2]所述，最近一次停车的地点，通常是家庭住址，确定了每位驾驶员的适当入口点i。此点之外的任何行驶距离都可以忽略，因为它对于所有停车位置的常量值不会影响驾驶员的选择。
最短距离可以很好地反映出每个停车位的驾驶员对相对驾驶成本的感知，因为它与车辆运营成本大致成正比。在主要街道上，平均车速为35公里/小时，距离也表示行驶时间。个别驾驶人的路线或速度变化的影响包含在随机成本要素中。
城市地图还提供了从55个潜在停车场或车库到13个目的地的往返步行距离W。利用最近的出口和入口，每条路线都沿着连接停车设施和驾驶员i的目的地的街道行驶。任何次要步行目的地的影响都已包含在随机元素中。
停车设施的费用P取决于驾驶员I的支付期限。在55个地点中，43个有小时或每日费用，因此，愿意支付费用的临时客户可以使用。如果居住时间超过4小时，则假定每天支付费用，如果没有，则为9小时。其余12个地点只有每月的合同价格，因此仅限于此类驾驶员。此外，在43个短期费率的门店中，有34家也有月费。为了换算成每次出行的成本，月费率除以18，当人们整天停车时观察到的价格比趋向于在按天付费和按月付费之间平均分配。
综上所述，55个停车位中的每一个都有4个行驶距离、13个步行距离、多达6个停车费，以及上述312个组合中每一个停车位的数量（如果存在）。
最大似然估计
停车者的实际选择提供了（1）和（2）中alpha;、beta;和sigma;的度量。文献中经常使用最大似然函数，称为最大似然估计量（MLE）的值[4，14]，这些值分别由字母（a，b，s）标识。为了提供足够的数据来进行这种测量，人们选择的观察结果被组合成具有相似特征的可识别组。例如，这样一个群体可以是停车时间相同的人，h。
如果假设影响选择的随机因素在一个群体中独立分布，则似然函数是观察选择的先验概率（3）的联合产物：
Lh=[] (4)
任何一个人i从可用的停车位J中选择一个停车位K都是有可能的，所有人都属于停车者Ih，都会有同样的收费h。
实际上，使用每个停车选择的观测数据（Dij，Wij，Pij）计算（a，b，s）的给定值集的Lh。这些数字代入方程式（1），所得的vij代入（2）和（3），然后pr（k∣i，j）代入（4）。在实践中，（4）的对数提供了处理非常小的数字的更简单的方法。
MLE可以通过对（a，b，s）的不同值的连续试验来确定，直到找到最大值。表1列出了六个付款阶段中的每一
资料编号：[5127]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
