英语原文共 10 页
货运需求特征和模型选择：分解揭示偏好数据的模型分析
摘要
使用分解离散模型而不是模拟乘客需求来对货运需求建模进行的研究相对较少。造成这种不平衡的主要原因是缺乏货运需求数据。货运需求特征是昂贵的，有时是保密的。本文利用嵌套logit,通过1988年法国托运人的大型国家分解显示偏好数据库，分析了推动模式选择的货运需求特征。特别关注私人交通(自营帐户运输)以及公共和私人交通运输。在对离散选择模型进行聚合和验证后，分析了需求特征对货运模式选择的影响。选择公共道路交通的最大概率大约为700公里，而选择铁路运输的概率大约为1300公里。
介绍
在法国，货运越来越多地通过公路运输，从而导致各种负面的外部影响，如拥堵，污染和事故。这导致公共当局试图减少其优势。一个感兴趣的领域是城际货运模式选择以及铁路和公路之间的竞争。法国交通部与其他法国交通研究组织，国家桥梁与道路学院(ENPC) 以及法国国家运输与安全研究所(INRETS) 合作，首次开发了货运分析系统，强调货运模式选择的建模。
这些离散选择模型允许构建包含许多货运需求特征和运输服务属性的非常通用的效用函数。货运模式的选择取决于运输需求和基础设施以及服务供应特征。因此，它体现了广义运输成本与托运人物流成本之间的权衡。在供应方面，先前分解模型中包含的主要解释变量是特定于替代的运输服务变量，例如运输成本和运输时间，频率和损坏率(Daugherty 1979, Van Es 1982, Gary 1982， Fowkes) 和Tweddle 1988, Widlert和Bradley 1992) 。然而，在需求方面，很少有研究试图系统地建立模式选择和货运需求特征之间的关系。缺乏货运需求分析的主要原因是由于公司的巨大异质性以及数据的机密性和可靠性问题，难以收集必要的数据(Ortuzar和illumsen1994)。因此，需求特征对货运模式选择的影响尚未得到充分了解。
事实上，需求特征，例如托运人的属性，要运输的货物的属性以及货物的空间属性，强烈影响模态选择。这些特征的任何变化都会使托运人对运输服务的需求发生相当大的变化，从而导致选坏斩的沃输明冬移植模式。为了对货运需求特征进行定量评估，INRETS于1988年对其货运研究和开发计划进行了托运人调查。该调查由专业调查人员进行，他们采访了工商企业的物流经理。他们]采取的第一步是预先调查，旨在找到适合量化运输需求的方法。第二步，即主要调查，根据确保国家一级代表性的样本设计进行。根据活动，规模和其他特点，在21个地区和20个经济部门分布的1, 742家工商企业被要求提供有关三批货物的信息。因此，主要调查包括5, 110批货物。调查问卷由三部分组成: 1)公司的特征，包括托运人或收货人: 2)货物的物理特征，如货物类型，尺寸，成本和包装，以及3)有关的信息。货物的联系和行程。由此产生的数据库涵盖51个定量和定性特征变量。还要求运输服务属性，例如运输时间和成本，但不幸的是，由于保密和缺乏服务属性的知识，很少有托运，人回答这些问题(Gouvernal和Hanappe1986，Bredeloup等1989)。目前，INRETS调查是法国唯-的国家分类显示的货运运输偏好数据库。因此，本文仅关注货运需求特征。
本文的目的是使用嵌套logit模型作为分析工具，分析货运需求特征如何与托运人的模式选择相关并影响托运人的模态选择。本文的内容如下:第二部分描述了所考虑的运输方式和需求特征变量。第三部分介绍了估计模态选择的嵌套logit模型的结果。第四部分聚合模型的结果，第五部分验证聚合结果。第六部分考察了需求特征和运输服务对模式选择的边际效应。最后一节介绍了我们的结论。
运输方式和货运需求特征
INRETS船舶调查涵盖的各种模式可分为两种运输模式:私人道路运输(即自有帐户运输)和公共(购买)运输。公共交通包括铁路，公路，内陆水道，航空运输，海运，管道和多式联运。私人交通一直被视为短距离运输货物的一种手段，但与远距离的其他运输方式不具竞争力。然而，随着综合物流系统的发展，公共交通方式必须与私入交通竞争，以便为货主运输中的托运人创造附加值。在这个新系统中，即使长途运输，托运人也可以选择私人运输，从而导致道路交通量的额外增加。鉴于私人和公共交通选择的重要性，本文将首先讨论私人和公共交通之间的模式选择，然后选择铁路，公路和联合运输。图1代表了这个过程。
图1
有两种情况被认为是铁路运输:当出发或到达点是铁路支线时，以及有公路加铁路通过火车站时。仅考虑通过CNC或Novatrans (法国的两家联合运输公司)装载码的铁路交通。总共使用的数据包括3, 473个观测资料，可按以下方式细分:
1, 421个私人交通观测资料;公共交通观察2, 052次，其中1, 866次涉及公路运输，123次是铁路运输，63次是联合运输。
我们可以将可用的货运需求特征分为三种类型:公司(托运人或接收人)的特征，货物的物理属性以及货物的空间和流量特征。公司的特征包括公司的性质，因此在这一类别中我们发现公司的类型(例如，工厂，购物中心或仓库) ;公司的结构(小，国家-gt;广泛的，或全世界的) ;公司的位置(例如，铁路支线和高速公路的可达性) ;和公司的规模，以员工人数为代表。公司自己的运输设施与其运输需求密切相关，也是其模式选择的重要因素。此外，公司的信息系统强烈影响其物流实践，并在其运输决策中发挥着越来越重要的作用。所有这些特征都由虚拟变量表示，并被视为模态选择的长期因素，因为这些特征的变化将在战略性的长期水平上进行，而不是在日常决策层面进行。
下一类需求特征是要运输的货物的属性，例如产品类型，重量，价值和包装。产品类型包括各种类别，例如食品和饲料,机器和金属制品，运输和农业材料。包装通常是包裹和托盘或罐，容器和箱子。
最后，货物的频率，距离，来源和目的地是其空间分布和物理流量属性。运输距离是根据法国运输部1988年货运信息系统(SITRAM) 数据库计算得出的。目的地包括所有法国地区和许多欧洲国家，如意大利，西班牙，比利时，瑞土,德国和荷兰。由于这些特征可以根据市场需求在短时间内发生变化，因此它们被视为模态选择的短期因素。
各种长期和短期特征可归纳如下:
长期因素:公司的性质，规模，位置，信息系统，结构和公司拥有的卡车
短期因素:货物的物理属性，物理流量属性和货物的空间分布特征。
模型规范和经验发现
多项logit模型(MNL) 通常用于模拟货运模式选择。然而，因为被视为公共交通的公路，铁路和联合运输模式的未观察到的属性可能是相关的，如果我们将选择集定义为私有，则多项logi t模型的独立且相同分布(IID) 假设可能不会得到满足交通，公路，铁路和联合运输。对于具有嵌套MNL模型的托运人来说，代表模式选择的决策过程可能更准确:更高级别的模式选择是在私人和公共交通之间，道路，铁路和联合运输之间的选择是在公共模式中。
第一级:公路,铁路和联合运输的选择
第二级：私人和公共交通的选择
公路，铁路和联合运输之间的第一级选择的估算结果如表所示，其中参考的替代方案是铁路运输。括号中的t统计数据表明，大多数变量具有统计显着性，但是对于公路和铁路之间的选择，诸如出货量，出货频率和运往巴黎的变量等变量，它们的重要性较低，并且在联合运输之间进行选择。和铁路一样，仓库和桶装运输等变量不太重要。变量的迹象表明托运人对模式选择的偏好。我们注意到位于铁路支线上的长途运输，托运人和接收人，大公司，拥有自己的小型卡车的托运人和来自巴黎的货物有利于铁路运输。相反，使用信息系统包装托盘和托运人的托运人更喜欢其他模式的铁路运输。
在运输方面，长途运输，运往巴黎的大型公司以及有铁路支线的托运入都有积极的影响。然而，对于大型货物，向国外运输，以及在高速公路附近的运输商，较少的联合运输往往受到青睐。
另一方面，对于短途运输，具有信息系统的托运人，例如EDI,高速公路附近，或与坦克和坦克有利于公路运输。相比之下，铁路支线附近的大型公司，托运入和接收人以及拥有自己的小型卡车的托运入往往更倾向于通过公路运输。
私人(内部)和公共(购买)运输之间第二级，选择的估算结果列于表2,其中参考的替代方案是私人运输。所有变量都很重要,如他们的1统计所示。此外，对数和项的标度参数等于0.272,因此在0和1之间。这证实了嵌套的logit模型应该用于这种情况，并且简单的MNL公式将是不正确的。至于托运人对模式选择的偏好，变量的迹象表明，对于长途运输，高频运输，包括位于铁路支线上的托运人和接收人，包裹运输，全球公司，制造产品和公共金属行业，运输优先考虑。另一方面，对于仓库接收器，电路中的货物，小公司，拥有自己的卡车的托运人，食品和农产品，私人运输往往受到青睐。
我们通过分析需求特征的边际效应，进一步讨论了需求特征对模式选择的重要性。
结果汇总
建模的最终目标是预测和衡量运输需求对运输政策和经济条件的敏感性。但是，出于政府决策的目的，总体行为比任何单个公司的行为都更有意义。
因此，离散模型的分解预测的汇总是必不可少的。最简单的方法是直接聚合或简单的方法。在这种情况下，计算所有解释变量的平均值，然后用这些平均值估计聚合选择概率。当应用于非线性模型时，该方法易于产生聚合偏差。出于这个原因，研究人员开发了近似方法，如TALVITIE方法和市场细分方法，以便找到计算成本和结果精度的最佳组合(Ben Akiva和Lerman, 1985) 。
TALVITIE方法构造选择概率函数的二阶泰勒展开，作为精确选择概率的近似。然后使用该表达式计算平均值的聚合选择概率解释变量。TALVI-TIE方法的结果等同于初始方法的结果，加上一个误差项，它共同依赖于样本和初始方法的结果。不幸的是，目前尚不清楚TALVITIE方法提供的结果比具有适当误差项的naive方法更精确。
市场细分方法是幼稚方法的逻辑延伸。它将给定市场划分为几个同类组，以便在每个组中最小化误差方差，并在组之间最大化。然后将直接(naive)方法应用于每个定义的段。最终通过获取每个细分市场的概率的平均值，通过每个给定细分市场的市场份额加权来获得总计结果。由于每个段中数据的特征没有显着差异，因此该方法减少了使用平均值产生的聚合偏差。
这些方法中的每-种都已用于客运模式选择分析。对于货运需求的汇总，没有开发出特殊:的方法，也很少有案例研究。从现有的客运经验应用来看，最常用的方法似乎是样本枚举和市场细分。其他方法，如TALITIB和天真 的方法，很少使用。假设商品的物流系列决定了他们的运输需求，我们认为市场细分是货运预测结果汇总的一-种令人满意的方法
市场细分方法的第 -阶段是选择可以解释船舶行为的变量，并确定为每个选定变量创建的类别数量，以便最小化代表性效用的可变性(即，聚合的偏差)。显然，在偏差的减少和分割的复杂性之间存在折衷。另外，优选对应于现有聚合信息的片段，以便可以将预测结果与观察数据进行比较。
在法国，SITRAM和公路货运数据库(TRM) 是两个货运数据库。细分市场的重要变量包括货物类型(运输命名法(NST)运输(NST)分类)，距离和包装。使用SITRAM数据库，我们计算了平均运输距离和每种产品的模态份额。. -般来说，只有长期运输的产品才能运输
据认为，铁路相对较低的国家(超过150公里)有可能在法国从公路转向铁路。以下产品占总流量的65%:
食品和饲料(NST 1)
■基础化学产品(NST 8)■运输和农业材料(NST9A)
■机器和金属制品(NST 9B)■其他制造产品(NST 9C)
模型的验证
模型开发之后的逻辑步骤是模型验证。模型验证被定义为确保描述现 象的模型对模型的预期用途充分进行的过程(Miser 1993) 。已经区分了三种类型的验证:技术，操作和动态(Gass1983)。技术验证是指在模型中使用正确类型的数据，假设和关系，以及方法。这也称为内部验证(Taylor 1983)。操作验证涉及评估模型与现实相比产生的错误的类型和重要性(即模型如何表示现实)。最后，动态验证涉及确定模型在不同时间段内的预测程度。操作和动态验证也称为外部验证(Tavlor 1983) 。在本文中，a我们测试模型的操作有效性。操作验证提供有关模型实用性的信息，并显示现实与模型结果之间的差异。这需要-个描述实际情况的数据库。这里使用的数据库是SITRAM:其中模态份额以吨或吨公里为单位。但是，从我们的模型中获得的预测概率或模态份额以货物数量表示。因此，为了比较预测结果根据实际结果，第一步是将货运数量中的模态份额转换为吨或吨公里的模态份额。为此我们使用了以下公式:
■P(i) t是模式i的以吨为单位的选择概率。■P(i) iw 是模式i的吨公里的选择概率。■P (i)。是以模式i的出货百分比表示的选择概率。
■(i)是模式i的平均出货重量，和. D(i)是模式的平均距离。
平均重量和平均距离从SITRAM获得。我们的模型预测汇总的出货份额。通过组合它们，我们获得每个段的吨和吨公里的模式份额，然后可以与实际统计数据进行比较。表3显示了以吨计的模式份额的比较。食品和饲料以及化学产品的预测误差是最大的，很可能是因为样本中对这些类型的商品的观察较少。-般来说，我们发现以这种方式获得的每个片段的预测结果比直接聚合法得到的预测结果更精确。
需求特征的边际效应
解释变量对虚拟变量的模态选择行为的边际效应具有分数的均值。
公路，铁路和联合运输之间的选择概率相对，于表4中所示的解释变量的弹性使我们能够分析需求特征在模式选择中的
资料编号：[4426]
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。
