動態(tài)停車預約收費條件下的出行行為選擇研究

賀康康，任 剛

動態(tài)停車預約收費條件下的出行行為選擇研究

賀康康，任 剛

（東南大學，交通學院，南京 210096）

近年來, 停車預約動態(tài)收費發(fā)展迅速, 但是現(xiàn)有文獻缺乏對動態(tài)停車預約收費條件下的出行行為選擇的影響因素和影響機理的研究。本文基于寧波市動態(tài)定價停車預約意愿問卷數(shù)據(jù), 綜合考察了駕駛人的個人屬性、出行特性、停車特征和建成環(huán)境, 建立了預約、不預約、轉(zhuǎn)移到其他停車場、轉(zhuǎn)移到其他交通方式4種行為選擇的巢式Logit模型, 并對相關變量進行了顯著性分析和彈性分析。結果表明: 年齡、家庭年收入、出行目的、出發(fā)時刻、出行距離、停車時長、排隊時間、預約費用、目的地停車場數(shù)量以及出發(fā)地和目的地是否有軌道站點影響顯著, 高收入、通勤、高峰小時出行和長時間停車的人群更傾向于選擇預約停車。模型擬合結果顯示, 考慮出發(fā)地和目的地建成環(huán)境的巢式Logit模型能夠在一定程度上提高出行行為選擇預測的精準度。

預約停車；動態(tài)定價；巢式Logit模型；出行行為選擇

0 引 言

近年來，隨著城市化和機動化的快速發(fā)展，我國機動車保有量迅速增長。而與此同時，我國城市交通建設、運營和管理的重心長年集中在動態(tài)交通，對城市停車靜態(tài)交通重視不足。根據(jù)國務院公布的數(shù)據(jù)顯示，我國大城市小汽車與停車位的平均比例約為1：0.8，中小城市約為1：0.5，而發(fā)達國家的水平約為1：1.3，我國停車位缺口超過5000萬個[1]。為緩解日益嚴重的停車問題，動態(tài)定價和預約停車越來越受到管理者的青睞。動態(tài)定價機制是典型的面向市場的分配模式，通過價格調(diào)整將資源分配給具有高支付意愿（在一定程度上具有高需求）的用戶。相比之下，預約機制是一種非市場分配模式，可確保資源分配的公平性。這兩種機制也廣泛用于其他資源的分配，例如限牌城市的車牌分配。動態(tài)定價機制和預約機制在車位分配上的有機結合，被認為是提高停車場收益、減少尋找車位巡游行為、優(yōu)化出行結構的有效方式[2]。

目前，國內(nèi)外對動態(tài)定價預約停車的研究較為豐富，主要集中在定價模型和定價政策方面[3-5]。Qiong等人[6]考慮了停車需求的價格敏感性和隨機性，提出了基于收益管理方法的動態(tài)定價預約停車政策，研究證明動態(tài)定價預約停車在最大化停車管理者收入和節(jié)省駕駛員巡航成本方面成效顯著。Tsai等人[7]以空余車位作為隨機變量，通過期權定價的方法建立停車預約的動態(tài)定價模型。Lei等人[8]開發(fā)了多期非合作雙層模型，分析了停車場和駕駛員之間復雜的相互作用，研究認為基于動態(tài)規(guī)劃的停車定價政策優(yōu)于傳統(tǒng)靜態(tài)收費政策，在處理停車需求時空變化時具有較高的可靠性。Mei等人[2]在考慮現(xiàn)狀駕駛人停車行為和巡游行為特征的基礎上，建立了基于代理的預約停車仿真模型，研究發(fā)現(xiàn)預約停車對于改善收費較低的熱門停車場的停車問題具有顯著效果。黃瑋琪[9]結合收益管理的理念研究盈利性停車場預約系統(tǒng)的動態(tài)定價策略，通過分析不同提前時段確定不同出行需求的駕駛人對停車預約價格的敏感度，制定各預約時段合適的預約價格。

綜上可知，相關研究主要集中在預約停車定價策略和仿真模型，對動態(tài)停車預約收費條件下的出行者出行行為選擇的影響因素和行為偏好研究較少。本文綜合考察駕駛人的個人屬性、出行特性、停車特征和建成環(huán)境特征四個大類下的24個可能影響出行行為選擇的自變量，考慮到不同排隊時間和不同預約費用情況下會產(chǎn)生預約、不預約、轉(zhuǎn)移到其他停車場和轉(zhuǎn)移到其他交通方式4種行為選擇，建立了基于巢式Logit的選擇模型，定量化分析了個人屬性、出行特性、停車特征和建成環(huán)境對出行行為選擇的影響。

1 巢式Logit模型

考慮到預約停車政策下產(chǎn)生的預約、不預約、轉(zhuǎn)移到其他停車場和轉(zhuǎn)移到其他交通方式4種行為選擇是典型的多項分類，因此基于隨機效用最大化的離散選擇（Logit）模型是停車行為選擇研究中最常用的分析方法[10,11]，其中，多項Logit（MNL）模型應用最為廣泛。然而，MNL模型的理論基礎建立在不相關變量獨立性（IIA）的假設之上，即認為選擇一種方式與選擇另外一種方式無關，但在實際的停車方式選擇中，備選方式中的某2種或2種以上方式之間可能存在密切的相關性。克服 IIA 假設的有效方法是建立巢式選擇模型，即把預約停車方式相似或相關的變量納入到一個“巢”中，建立多層次的巢式選擇決策模型[17]。

巢式Logit模型是MNL模型的改進，考慮了各選擇肢之間的相關性，將各選擇肢之間的關系描述為樹狀結構，樹的節(jié)點分叉處又可看作是一個獨立的MNL模型。根據(jù)預約停車、不預約停車、轉(zhuǎn)移到其他停車場和轉(zhuǎn)移到其他交通方式之間的相關性，本文建立了三層巢式Logit選擇決策模型結構，如圖1所示。

圖1 巢式Logit選擇決策模型結構

其中為logit 模型包容值，不同虛擬選擇肢下的值不同。

對于第一層虛擬選擇肢來說，選擇肢的選擇概率為：

λ為第一層的模型參數(shù)，由概率論可知，第二層選擇肢的概率為：

同理，可推出第三層選擇肢效用函數(shù)和選擇概率模型。

2 數(shù)據(jù)獲取與描述

文本數(shù)據(jù)主要通過問卷調(diào)查獲得，調(diào)查于2019年3月16~20日在寧波市進行。為了減少調(diào)查個體的相關性，分別選取居住區(qū)、商業(yè)區(qū)、教育區(qū)及娛樂購物區(qū)對小汽車出行者進行隨機問卷調(diào)查，共發(fā)放800份問卷，收回問卷746份，其中有效問卷633份。

問卷數(shù)據(jù)主要包括3個方面的變量：①個體特征，包括出行者的性別、年齡、學歷、職業(yè)、家庭年收入、家庭擁有車輛數(shù)量、對預約停車和預約費用的態(tài)度；②出行特性和停車特征，包括出行目的、是否帶老人或小孩、出發(fā)時刻、出行距離、出行時間、出行費用、步行距離、尋找停車位時間、停車時長、停車費用；③預約意愿，該部分為SP（Stated Preference）調(diào)查，預約停車的出行者無需排隊可直接進入停車場，但停車費用會有一定程度的上漲，不預約的出行者支付原來的停車費用，但在高峰時期進入停車場需要排隊。根據(jù)可容忍最長排隊停車時間和可接受最高停車費用上漲的預調(diào)查結果，設計排隊時間為10min、20min、30min三種情景，停車費用上漲為20%、50%、100%三種情景，采用正交法生成SP（Stated Preference）問卷[9,13,14]，在通勤出行和非通勤出行兩種場景下，獲取小汽車出行者在不同排隊時間和不同預約停車費用上漲幅度情景下的預約停車意愿。

建成環(huán)境變量包括出發(fā)地和目的地的路網(wǎng)密度、周邊500m半徑內(nèi)的停車場數(shù)量和公交站點數(shù)量以及800m半徑內(nèi)是否有軌道站點。建成環(huán)境數(shù)據(jù)通過問卷中的“出發(fā)地點”和“目的地點”問題，結合百度地圖獲取。相關變量統(tǒng)計性描述見表1。

表1 相關變量統(tǒng)計性描述

Tab.1 Descriptive statistics of related variables

3 結果分析

3.1 預約選擇特征分析

基于有效樣本，統(tǒng)計動態(tài)定價情景下的停車預約意向。分析發(fā)現(xiàn)，81.42%的調(diào)查者愿意提前預約停車，74.76%的調(diào)查者愿意為預約停車支付額外費用，64.73%的調(diào)查者認同停車費應該在停車難的時段有一定的上漲，但還有18.50%的人不同意此項措施。調(diào)查者對于可接受停車費上漲幅度差別較大，如圖2所示，可接受預約停車費上漲幅度比例最高的是20%，占24.80%，其次是50%和100%，接受比例分別為15.54%和9.56%。由此可見，預約停車動態(tài)收費的實施和推廣具有較大的可行性，但不同的人群對于停車費上漲幅度的態(tài)度不同，因此研究動態(tài)定價情景下停車預約意向的影響因素和影響機理是有必要的。

圖2 可接受最高上漲幅度分布圖

在SP調(diào)查的9種情景中，情景七（排隊時間3min，預約停車費用上漲20%）的預約比例最高，達到70.80%，情景三（排隊時間10min，預約停車費用上漲100%）的預約比例最低，為9.64%。如圖3所示，整體預約停車意向分布隨著排隊時間的增長而增長，隨著預約停車費用上漲幅度的增長而下降。排隊時間10min的平均預約意愿為18.38%，20min的平均預約意愿為38.46%，30min的意愿則達到62.10%；預約停車費用上漲幅度為20%的平均預約意愿為51.98%，上漲幅度為50%的意愿為38.87%，上漲幅度為100%的意愿則下降到28.29%。

3.2 參數(shù)標定結果及分析

基于調(diào)查得到的633份樣本數(shù)據(jù)，本文選取2/3的數(shù)據(jù)作為訓練集，1/3的數(shù)據(jù)集作為驗證集，利用R3.4.3軟件中mlogit package建立考慮建成環(huán)境和不考慮建成環(huán)境的兩個巢式Logit模型。表2給出了兩個巢式Logit模型結果，所有參數(shù)估計取顯著性水平值0.05，也就是置信度達到了95%，即概率小于0.05時，說明影響因素與目標函數(shù)之間存在顯著性關系[15]。表3給出了利用驗證集數(shù)據(jù)得到兩個巢式Logit模型的驗證結果。

圖3 不同情景下預約停車比例

表2 基于巢式Logit的出行行為選擇模型標定結果

續(xù)表2

注：“／”表示該變量的顯著性水平在95%以下（p>0.05）；“—”表示該變量未代入到模型中。

動態(tài)停車預約收費條件下出行行為選擇的巢式Logit模型的參數(shù)估計結果表明，在不考慮建成環(huán)境模型中，年齡、家庭年收入、出行目的、出發(fā)時刻、出行距離、停車時長、排隊時間和預約費用具有顯著影響；在考慮建成環(huán)境模型中，除了以上8個因素之外，出發(fā)地軌道站點數(shù)量、目的地停車場數(shù)量和目的地軌道站點數(shù)量也影響顯著?？梢钥闯?，高收入、通勤、高峰小時出行和長時間停車的人群更傾向于選擇預約停車；年齡較大、短距離出行和短時間停車的出行者，傾向于不預約；低收入、通勤、長距離出行和長時間停車的出行者傾向于轉(zhuǎn)移到其他停車場；而低收入、短距離出行和長時間停車的出行者，傾向于轉(zhuǎn)移到其他交通方式。出發(fā)地和目的地有軌道站點的出行更容易轉(zhuǎn)移到其他交通方式，目的地停車場數(shù)量越高，則越容易轉(zhuǎn)移到其他停車場。

Nest-Logit模型評價模型擬合度的常用指標有Estrella值和Mc Fadden法似然數(shù)比指數(shù)，這2個指標值越接近0，說明模型的擬合度越差；越接近1，說明模型的擬合度越好[17]。對比2個模型的Estrella值和Mc Fadden法似然數(shù)比指數(shù)發(fā)現(xiàn)，考慮建成環(huán)境的巢式Logit模型擬合結果略優(yōu)于不考慮建成環(huán)境的模型。表3顯示的兩個巢式Logit模型的驗證結果也表明，在轉(zhuǎn)移到其他停車場和轉(zhuǎn)移到其他交通方式這兩個選擇肢的預測中，考慮建成環(huán)境的模型明顯優(yōu)于不考慮建成環(huán)境的模型，而在預約和不預約這兩個選擇肢的預測中，兩個模型的預測結果較為接近。

表3 基于巢式Logit的動態(tài)預約收費停車選擇模型驗證結果

3.3 彈性分析

在估計不同選擇的效用模型之后，通過分析和比較每個模型中變量的彈性，以找出每個選擇最重要的影響因素。根據(jù)定義，彈性顯示的是外生變量增加1%時，內(nèi)生變量變化的百分比。對于離散選擇模型，它表示當選擇方案效用函數(shù)中的連續(xù)變量增加1%時，選擇概率變化的百分比[16]。

如表4所見，排隊時間是彈性最大的因素，排隊時間上漲1%，預約停車的概率上漲6.489%，轉(zhuǎn)移到其他停車場的概率上漲4.421%，轉(zhuǎn)移到其他交通方式的概率上漲3.005%，而不預約的概率下降4.320%。隨著排隊時間的上漲，預約和轉(zhuǎn)移到其他停車場對不預約行為有著明顯的替代作用。家庭年收入是影響不預約停車的第二大因素，收入上漲1%，不預約的比例會下降1.756%。預約費用是影響預約和轉(zhuǎn)移到其他交通方式的第二大因素，預約費用上浮1%，預約停車的概率減少4.453%，轉(zhuǎn)移到其他交通方式的概率增加1.649%。目的地停車場數(shù)量是影響轉(zhuǎn)移到其他停車場的第二大因素，目的地停車場數(shù)量上浮1%，轉(zhuǎn)移到其他停車場的概率增加2.578%。

表4 變量彈性分析

Tab.4 Elasticity analysis of variables

4 結 論

本文以寧波市問卷調(diào)查數(shù)據(jù)為基礎，構建了預約、不預約、轉(zhuǎn)移到其他停車場、轉(zhuǎn)移到其他交通方式4種行為選擇的巢式Logit模型以研究考慮停車預約動態(tài)收費情景下的出行行為選擇，對出行者個人屬性、出行特性、停車特征和建成環(huán)境的相關變量進行了顯著性分析和彈性分析，所得結論總結如下：

（1）年齡、家庭年收入、出行目的、出發(fā)時刻、出行距離、停車時長、排隊時間、預約費用、出發(fā)地軌道站點數(shù)量、目的地停車場數(shù)量和目的地軌道站點數(shù)量影響顯著。高收入、通勤、高峰小時出行和長時間停車的人群更傾向于選擇預約停車；出發(fā)地和目的地有軌道站點的出行更容易轉(zhuǎn)移到其他交通方式，而目的地停車場數(shù)量越多，則越容易轉(zhuǎn)移到其他停車場。

（2）考慮出發(fā)地和目的地建成環(huán)境的巢式Logit模型具有更優(yōu)的模型擬合度。相比于不考慮建成環(huán)境的模型，將出發(fā)地和目的地的建成環(huán)境代入到停車預約動態(tài)收費情景下的出行行為選擇模型中能夠在一定程度上提高出行行為選擇預測的精準度。

（3）排隊時間、預約費用、目的地停車場數(shù)量是對4類選擇影響程度最大的因素，在進行動態(tài)停車預約費用設計時，需要根據(jù)停車場實時排隊時間、排隊長度以及周邊交通設施情況，設計最優(yōu)定價策略，以達到提高停車場收益、緩解道路擁堵、優(yōu)化出行結構的效果。

本文的不足之處在于數(shù)據(jù)樣本量偏少，僅考慮出行者個人屬性、出行特性、停車特征和建成環(huán)境四類因素，缺乏對出行者心理因素的調(diào)查和分析，可能會對結果產(chǎn)生誤差，后續(xù)可增加樣本數(shù)據(jù)量、擴充問卷內(nèi)容進行分析。

[1] 中華人民共和國國務院新聞辦公室. 國新辦舉行推進城市停車場和電動汽車充電基礎設施建設政策吹風會[EB/OL]. http: //www. mohurd. gov. cn/jsbfld/201509/t 20150925_225054. html. 2015-09-25.

[2] ZHENYU M, CHI F, Wenchao D, Lihui h, Dianhai W . Better lucky than rich? Comparative analysis of parking reservation and parking charge [J]. Transport Policy, 2019, 75: 47-56.

[3] MACKOWSKI D, BAI Y, Ouyang Y. Parking space management via dynamic performance-based pricing [J]. Transportation Research Part C: Emerging Technologies, 2015, 59: 66-91.

[4] LIU W., YANG H., YIN Y. Expirable parking reservations for managing morning commute with parking space constraints [J]. Transportation Research Part C: Emerging Technologies 2014, 44 (1): 185-201.

[5] HE F, YIN Y, CHEN Z, et al. Pricing of parking games with atomic players [J]. Transportation Research Part B: Methodological, 2015, 73 (73): 1-12.

[6] QIONG T, LI Y, CHENLAN W, Hai-Jun H. Dynamic pricing for reservation-based parking system: A revenue management method [J]. Transport Policy, 2018, 71: 36-44.

[7] Tsai M T, Chu C P . Evaluating parking reservation policy in urban areas: An environmental perspective [J]. Transportation Research Part D: Transport and Environment, 2012, 17 (2): 145-148.

[8] LEI C, Ouyang Y . Dynamic pricing and reservation for intelligent urban parking management [J]. Transportation Research Part C: Emerging Technologies, 2017, 77: 226-244.

[9] 黃瑋琪. 基于預約的停車系統(tǒng)動態(tài)定價研究[D]. 廣州：華南理工大學, 2018.

[10] HAAN P, UHLENDORFF A. Estimation of multinomial logit models with unobserved heterogeneity using maximum simulated likelihood [J]. Stata Journal, 2006, 6 (2): 229-245.

[11] 陳先龍. 交通方式劃分離散選擇模型的比較研究[J]. 交通運輸工程與信息學報, 2014 (2): 28-35.

[12] 劉志明, 鄧衛(wèi), 郭唐儀. 基于RP/SP調(diào)查的非集計模型在交通方式分擔率預測的應用[J]. 交通運輸工程與信息學報, 2008, 6 (3): 59-64.

[13] 胡萬欣. 市場化條件下城市中心區(qū)機動車停車收費定價策略研究[D]. 成都：西南交通大學, 2014.

[14] 方開泰. 正交與均勻試驗設計[M]. 北京：科學出版社, 2001.

[15] 陳蘭祥, 蔣鳳瑛. 應用概率論[M]. 上海：同濟大學出版社, 1999.

[16] SUN B, ERMAGUN A, DAN B . Built environmental impacts on commuting mode choice and distance: Evidence from Shanghai [J]. Transportation Research Part D: Transport and Environment, 2017, 52: 441-453.

[17] BROWNSTONE D, SMALL K A . Efficient Estimation of Nested Logit models [J]. Journal of Business & Economic Statistics, 1989, 7 (1): 67-74.

Travel Behavior Choice under the Condition of Dynamic Reservation Parking Pricing

HE Kang-kang，REN Gang

（School of Transportation, Southeast University, Nanjing 210096, China）

Reservation-based parking with dynamic pricing has developed rapidly in recent years, but there is a lack of research on the influencing factors and mechanism of travel choice under dynamic reservation parking pricing. Based on the Ningbo questionnaire data, this paper comprehensively examined the driver’s socioeconomic, travel characteristics, parking characteristics and built environment, and established Nested Logit Model with four kinds of behavior choices: reservation, no reservation, transfer to other parking lots, and transfer to other travel modes. The results show that age, income, travel purpose, departure time, travel distance, parking time, queuing time, reservation charge, number of parking lots in the destination, and whether there is a public rail station have a significant positive impact on the travel behavior option. High income travelers, those who commute, travel during peak hours, and use long-term parking are more inclined to make a reservation for parking. The model results show that the Nested Logit model considering the built environment can improve the accuracy of travel behavior selection prediction to some extent.

parking reservation; dynamic pricing; nested Logit model; travel behavior choice

U491.1；U12

A

10.3969/j.issn.1672-4747.2020.01.007

1672-4747（2020）01-0053-08

2019-05-06

國家自然科學基金面上項目（51578149）

賀康康（1987—），女，東南大學博士生，主要研究方向：交通規(guī)劃與管理，E-mail：hekangkang@nbut.edu.cn

任剛（1976—），男，東南大學教授、博導，主要研究方向：交通規(guī)劃與管理、交通系統(tǒng)仿真與優(yōu)化，E-mail：rengang@seu.edu.cn

賀康康，任剛. 基于動態(tài)停車預約收費條件下的出行行為選擇研究[J]. 交通運輸工程與信息學報，2020，18（1）：53-60.

（責任編輯：劉娉婷）